CN110555449A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110555449A CN110555449A CN201810541886.9A CN201810541886A CN110555449A CN 110555449 A CN110555449 A CN 110555449A CN 201810541886 A CN201810541886 A CN 201810541886A CN 110555449 A CN110555449 A CN 110555449A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- camera
- track
- track vector
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 199
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:获取目标时间段内用于监控车辆的摄像头集合的监控信息集合,其中,监控信息包括车辆身份信息、车辆经过摄像头的时间;对于监控信息集合涉及的至少一个车辆中的车辆,将该车辆经过摄像头集合的摄像头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量;使用聚类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;对于至少一个轨迹向量组中的轨迹向量组,输出该轨迹向量组所涉及的车辆的车辆身份信息。该实施能够提高挖掘同行车辆的效率和准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于输出信息的方 法和装置。
背景技术
近年来公路智能监测技术发展很快,各地公安部门、交通部门等 安装部署了大量的公路智能监测设备(简称为卡口),逐步形成了网络 化的机动车监测格局。为基于网格化的嫌疑车辆分析方法提供了应用 环境。
现在在公共安全领域,车辆已经作为作案的主要交通工具,公安 机关在利用大数据分析破案时遇到不少的挑战。特别是不同的案件之 间的关联直观难以获得。如何有效的在海量的数据中最快的速度挖掘 出有用的价值成为破案的关键。在每个城市的道路的卡口每天都会经 过数以万计的车辆,而城市中的卡口和电子警察数量也成百上千。找 到车辆的同行车量成为其中的一个关键技术点。
目前,已有的同行车挖掘,主要基于多次对比的规则:如同时经 过摄像头A,又同时经过摄像头B的认为是同行车量。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,包括: 获取目标时间段内用于监控车辆的摄像头集合的监控信息集合,其中, 监控信息包括车辆身份信息、车辆经过摄像头的时间;对于监控信息 集合涉及的至少一个车辆中的车辆,将该车辆经过摄像头集合的摄像 头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量;使用聚 类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;对 于至少一个轨迹向量组中的轨迹向量组,输出该轨迹向量组所涉及的 车辆的车辆身份信息。
在一些实施例中,上述方法还包括:从至少一个车辆中确定目标 车辆,以及从至少一个轨迹向量组中确定目标车辆的轨迹向量所在的 轨迹向量组;确定目标车辆的轨迹向量与确定出的轨迹向量组中的至 少一个轨迹向量之间的相似度;从确定出的轨迹向量组中按照相似度 由高到低的顺序选取预定数目的轨迹向量;输出所选取的轨迹向量对 应的车辆的车辆身份信息。
在一些实施例中,将该车辆经过摄像头集合的摄像头的时间作为 该摄像头所对应的元素生成该车辆的轨迹向量,包括:获取预设的初 始轨迹向量,其中,初始轨迹向量中每个元素对应于摄像头集合中一 个摄像头,每个元素的值被设置为预定值;对于摄像头集合中的摄像 头,响应于根据监控信息集合确定出该车辆至少一次经过该摄像头, 将初始轨迹向量中该摄像头对应的元素的值替换成该车辆首次经过该 摄像头的时间以生成该车辆的轨迹向量。
在一些实施例中,使用聚类算法对所生成的轨迹向量进行聚类, 得到至少一个轨迹向量组,包括:获取摄像头集合所在的区域的车辆 保有量;根据车辆保有量确定区域的车辆的平均轨迹数量;将平均轨 迹数量作为聚类中心数量,采用kmeans算法对所生成的轨迹向量进行 聚类,得到至少一个轨迹向量组。
在一些实施例中,车辆经过摄像头的时间为距离预设的基准时间 开始的时长。
第二方面,本申请实施例提供了一种用于输出信息的装置,包括: 获取单元,被配置成获取目标时间段内用于监控车辆的摄像头集合的 监控信息集合,其中,监控信息包括车辆身份信息、车辆经过摄像头 的时间;生成单元,被配置成对于监控信息集合涉及的至少一个车辆 中的车辆,将该车辆经过摄像头集合的摄像头的时间作为该摄像头所 对应的元素生成该车辆的轨迹向量;聚类单元,被配置成使用聚类算 法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;输出单 元,被配置成对于至少一个轨迹向量组中的轨迹向量组,输出该轨迹 向量组所涉及的车辆的车辆身份信息。
在一些实施例中,上述装置还包括匹配单元,被配置成:从至少 一个车辆中确定目标车辆,以及从至少一个轨迹向量组中确定目标车 辆的轨迹向量所在的轨迹向量组;确定目标车辆的轨迹向量与确定出 的轨迹向量组中的至少一个轨迹向量之间的相似度;从确定出的轨迹 向量组中按照相似度由高到低的顺序选取预定数目的轨迹向量;输出 所选取的轨迹向量对应的车辆的车辆身份信息。
在一些实施例中,生成单元进一步被配置成:获取预设的初始轨 迹向量,其中,初始轨迹向量中每个元素对应于摄像头集合中一个摄 像头,每个元素的值被设置为预定值;对于摄像头集合中的摄像头, 响应于根据监控信息集合确定出该车辆至少一次经过该摄像头,将初 始轨迹向量中该摄像头对应的元素的值替换成该车辆首次经过该摄像 头的时间以生成该车辆的轨迹向量。
在一些实施例中,聚类单元进一步被配置成:获取摄像头集合所 在的区域的车辆保有量;根据车辆保有量确定区域的车辆的平均轨迹 数量;将平均轨迹数量作为聚类中心数量,采用kmeans算法对所生成 的轨迹向量进行聚类,得到至少一个轨迹向量组。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多 个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程 序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面 中任一的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储 有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的 方法。
本申请实施例提供的用于输出信息的方法和装置,通过摄像头拍 摄的车辆身份信息、车辆经过摄像头的时间,生成车辆的轨迹向量。 然后再将不同车辆的轨迹向量进行聚类,得到至少一个轨迹向量组。 将每个轨迹向量组对应的车辆作为同行车辆,输出每个轨迹向量组对 应的车辆的车辆身份信息。从而减少车辆轨迹对比的计算量,提高挖 掘同行车辆的效率和准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述, 本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意 图;
图4是根据本申请的用于输出信息的方法的又一个实施例的流程 图;
图5是根据本申请的用于输出信息的装置的一个实施例的结构示 意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结 构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解 的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发 明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与 有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信 息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括摄像头101、102、103,网 络104和服务器105。网络104用以在摄像头101、102、103和服务 器105之间提供通信链路的介质。网络104可以包括各种连接类型, 例如有线、无线通信链路或者光纤电缆等等。
用户可以使用摄像头101、102、103通过网络104与服务器105 交互,以接收或发送消息等。
摄像头101、102、103泛指用于进行车辆监控的、可识别出车牌 号的摄像头。可以是在十字路口对违法(比如,跨越车道压实线、逆 向行驶、占用非机动车道、不按导向标识行驶、闯红灯等)车辆进行 抓拍的电子警察。还可以是安装位置在高速公路、省道和国道的一些 重点路段用来抓拍超速开车违法行为的卡口摄像头。摄像头101、102、 103还可以是违停抓拍摄像头、流量监控摄像头、天网监控摄像头、 流动抓拍摄像头等。
服务器105可以是提供各种服务的服务器,例如对摄像头101、 102、103上采集的车辆数据提供分析的后台分析服务器。后台分析服 务器可以对接收到的车辆数据进行分析等处理,并将处理结果(例如 车辆轨迹分组)输出。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为 硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实 现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模 块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成 单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般 由服务器105执行,相应地,用于输出信息的装置一般设置于服务器 105中。
应该理解,图1中的摄像头、网络和服务器的数目仅仅是示意性 的。根据实现需要,可以具有任意数目的摄像头、网络和服务器。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个 实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取目标时间段内用于监控车辆的摄像头集合的监控 信息集合。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示 的服务器)可以通过有线连接方式或者无线连接方式从用于监控车辆 的摄像头集合接收监控信息集合。其中,监控信息包括车辆身份信息、 车辆经过摄像头的时间。例如,某个位于八达岭高速入口的摄像头的 监控信息为(车牌号:京XXXX,时间:5月2日12:13:21),(车 牌号:京YYYY,时间:5月2日12:13:22)。由于监控信息数量 巨大,因此可先根据采集时间筛选部分监控信息。目标时间段可以是 嫌犯作案时间之前或之后的时间段。例如,5月2日12点发生抢劫案,则可将5月2日0点至5月3日设置为目标时间段。车辆身份信息可 以是车牌号码、发动机号或车架号等可以标识车辆身份的信息。摄像 头可以识别出所拍摄车辆的车牌号码、颜色等信息。可以将摄像头拍 摄到车辆的身份信息的时刻作为车辆经过摄像头的时间。在一些应用 场景中,同一车辆在目标时间段内可能多次经过同一摄像头。在这些 应用场景中,可以记录每次经过该摄像头的时间。
步骤202,对于监控信息集合涉及的至少一个车辆中的车辆,将 该车辆经过摄像头集合的摄像头的时间作为该摄像头所对应的元素生 成该车辆的轨迹向量。
在本实施例中,对于监控信息集合涉及的至少一个车辆中的车辆, 可生成该车辆的轨迹向量。轨迹向量中每个元素对应于一个摄像头。 每个车辆的轨迹向量中摄像头都是按照固定的顺序排序。例如,可预 先给每个摄像头按照一定规则编号,然后按照固定的编号顺序将摄像 头的监控信息与轨迹向量的元素相关联。可将车辆经过摄像头的时间 由绝对时间转换成距离预设的基准时间开始的时长。例如,车辆经过 摄像头的时间1:0:0,如果将0点作为基准时间,可转换成从0点 开始的3600秒。车辆如果未经过某个摄像头,可将该摄像头对应的轨 迹向量中的元素设置为预设的值,例如0xffffffff。目的是使得未采集到车辆的监控信息的摄像头对应的元素足够大,与采集到车辆的监控 信息的摄像头对应的元素能够明显区分开来。
作为示例,轨迹向量可用下式表示:
Trace(V)=(t1,t2,t3,t4,t5,t6,t7,…,tn) (公式1)
其中,V是车辆标识,可以用车牌号表示。1,2,…,n是摄像头的 编号,t1是表示车辆通过预先设定的摄像头1的时间,t2是表示车辆通 过预先设定的摄像头2的时间,以此类推,tn是表示车辆通过预先设 定的摄像头n的时间。Trace(V)表示车辆的轨迹向量。
在本实施例的一些可选的实现方式中,将该车辆经过摄像头集合 的摄像头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量, 包括:
步骤2021,获取预设的初始轨迹向量。其中,初始轨迹向量中每 个元素对应于摄像头集合中一个摄像头,每个元素的值被设置为预定 值。例如初始轨迹向量为
(0xffffffff,0xffffffff,0xffffffff,0xffffffff,0xffffffff,…,0xffffffff)。
步骤2022,对于摄像头集合中的摄像头,响应于根据监控信息集 合确定出该车辆至少一次经过该摄像头,将初始轨迹向量中该摄像头 对应的元素的值替换成该车辆首次经过该摄像头的时间以生成该车辆 的轨迹向量。如果监控信息中出现同一车辆多次经过同一摄像头的情 况,则只使用首次经过摄像头的时间生成轨迹向量。假设车辆A通过 摄像头1-3,车辆首次经过该摄像头的时间分别为0xab,0x16f,0x7fc, 则车辆A的轨迹向量为
(0xab,0x16f,0x7fc,0xffffffff,0xffffffff,…,0xffffffff)。车辆B通过摄 像头2-5,车辆首次经过该摄像头的时间分别为 0x00,0x15f,0x47c,0xe08,则车辆B的轨迹向量为
(0xffffffff,0x00,0x15f,0x47c,0xe08,…,0xffffffff)。
步骤203,使用聚类算法对所生成的轨迹向量进行聚类,得到至 少一个轨迹向量组。
在本实施例中,可采用常见的聚类算法,例如***聚类法、有序 样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。 对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组。每个轨迹 向量组中的轨迹向量有相似的行驶轨迹。例如,假设有100个摄像头, 车辆A经过了摄像头1-3,车辆B经过了摄像头10-13,车辆C经过 了摄像头1-4。则车辆A和车辆C的轨迹向量可聚为一组,即车辆A 和车辆C可能是同行车辆。
在本实施例的一些可选的实现方式中,使用聚类算法对所生成的 轨迹向量进行聚类,得到至少一个轨迹向量组,包括:
步骤2031,获取摄像头集合所在的区域的车辆保有量。摄像头集 合所在的区域可以是以城市为单位的区域,例如,北京、上海。车辆 保有量指的是一个地区拥有车辆的数量,一般是指在当地登记的汽车, 例如100万辆。
步骤2032,根据车辆保有量确定区域的车辆的平均轨迹数量。可 将车辆保有量的平方根向下取整后作为该区域的车辆的平均轨迹数量。 例如,100万辆车的平均轨迹数量可以是1000个聚 类,平均每个聚类内部1000辆车,给定目标车辆的情况下仅需999 次计算。
步骤2033,将平均轨迹数量作为聚类中心数量,采用kmeans算 法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组。使用 K-means算法对所有车进行聚类,统计车辆保有量m,令初始中心点数
其中,m表示车辆保有量,k表示聚类中心的数量。
(1)适当选择k个类的初始中心;
(2)在第j次迭代中,对任意一个样本,求其到k个中心的距离, 将该样本归到距离最短的中心所在的类,j表示迭代次数;
(3)利用均值等方法更新该类的中心值;
(4)对于所有的k个聚类中心,如果利用(2)(3)的迭代法更 新后,值保持不变,则迭代结束,否则继续迭代。
由此,计算得出了k个轨迹向量组。
步骤204,对于至少一个轨迹向量组中的轨迹向量组,输出该轨 迹向量组所涉及的车辆的车辆身份信息。
在本实施例中,这里的输出可以是在屏幕上显示,也可以是输出 到存储介质,方便后续对嫌疑车辆的定位。这个过程是数据储备过程, 可以定时对采集到的监控信息进行分组。待有明确的涉案车辆时,可 随时确定出涉案车辆的同行车辆。也可用来确定特定车辆是否被别的 车辆尾随,可在案件发生前进行预测,例如,通过车辆轨迹向量分组 可以确定出尾随运钞车的车辆,以便警察提前布防。
继续参见图3,图3是根据本实施例的用于输出信息的方法的应 用场景的一个示意图。图3所示为具有四个摄像头的区域。分别为摄 像头301、摄像头302、摄像头303及摄像头304。假定各摄像头抓拍 率、识别率为100%(即记录下了所有经过摄像头的车辆的车辆身份信 息和车辆经过摄像头的时间)。摄像头301记录了车辆A在0x0a时刻、 车辆B在0x0b时刻、车辆C在0x0c时刻、车辆D在0x0d时刻经过 摄像头301。摄像头302记录了车辆A在0x2a时刻、车辆C在0x2c 时刻、车辆d在0x2d时刻经过摄像头302。摄像头303记录了车辆B 在0x30b时刻、车辆C在0x30c时刻经过摄像头303。摄像头304记 录了车辆A在0x42a时刻、车辆B在0x42b时刻、车辆d在0x42d时 刻经过摄像头304。可得到车辆A的轨迹向量为 (0x0a,0x2a,0xffffffff,0x42a),车辆B的轨迹向量为 (0x0b,0xffffffff,0x30b,0x42b),车辆C的轨迹向量为 (0x0c,0x2c,0x30c,0xffffffff)。车辆D的轨迹向量为 (0x0d,0x2d,0xffffffff,0x42d)。将4个轨迹向量聚类,可得到3个分组, 其中,车辆A的轨迹向量和车辆D的轨迹向量为一组,车辆C的轨迹 向量和车辆B的轨迹向量分别为一组。然后再分别输出各组轨迹向量 对应车辆的车辆身份信息。
本申请的上述实施例提供的方法通过将车辆经过摄像头的时间构 造成轨迹向量相关联,提高了挖掘同行车辆的效率和准确性。
进一步参考图4,其示出了用于输出信息的方法的又一个实施例 的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,获取目标时间段内用于监控车辆的摄像头集合的监控 信息集合。
步骤402,对于监控信息集合涉及的至少一个车辆中的车辆,将 该车辆经过摄像头集合的摄像头的时间作为该摄像头所对应的元素生 成该车辆的轨迹向量。
步骤403,使用聚类算法对所生成的轨迹向量进行聚类,得到至 少一个轨迹向量组。
步骤401-403与步骤201-203基本相同,不再赘述。
步骤404,从至少一个车辆中确定目标车辆,以及从至少一个轨 迹向量组中确定目标车辆的轨迹向量所在的轨迹向量组。
在本实施例中,目标车辆可以是用户设定的被尾随的车辆或嫌疑 车辆。设置目标车辆的目的是为了找出摄像头所拍摄到的车辆中哪些 车辆和目标车辆同行。对于目标车辆是犯案车辆的情况,本方案用于 查找团伙共犯乘坐的车辆。对于目标车辆是要保护车辆的情况,本方 案用于查找尾随目标车辆的车辆。例如,查找运钞车、运囚车的尾随 车辆便于提前预警或者事后分析。根据目标车辆的车辆身份信息可从 步骤403计算出的多个轨迹向量组中查找到目标车辆的轨迹向量所在 的轨迹向量组。
步骤405,确定目标车辆的轨迹向量与确定出的轨迹向量组中的 至少一个轨迹向量之间的相似度。
在本实施例中,通过常见的相似度计算方法计算目标车辆的轨迹 向量与其所在的轨迹向量组中的其它轨迹向量的之间的相似度。例如, 余弦相似度、欧氏距离、汉明距离等。下面举例说明:
假设车辆A的轨迹向量为Trace(A)=(A1,A2,…,An),其中,A1是 表示车辆A通过摄像头1的时间,A2是表示车辆A通过摄像头2的 时间,以此类推,An是表示车辆A通过摄像头n的时间。Trace(A)表 示车辆A的轨迹向量。
车辆B的轨迹Trace(B)=(B1,B2,…,Bn),,其中,B1是表示车辆B 通过摄像头1的时间,B2是表示车辆B通过摄像头2的时间,以此类 推,Bn是表示车辆B通过摄像头n的时间。Trace(B)表示车辆B的轨 迹向量。
则两辆车的轨迹向量的相似度计算如下:
其中,cosθ表示相似度,i为1-n的自然数,n为摄像头的数 量。
最终结果以轨迹向量的相似度取值来判定同行车的概率。相似度 越高则说明同行的概率越高。
步骤406,从确定出的轨迹向量组中按照相似度由高到低的顺序 选取预定数目的轨迹向量。
在本实施例中,由于同行的概率与相似度成正比。因此可按照相 似度由高到低的顺序选取预定数目的轨迹向量。从而确定出同行概率 较高的几辆车。
步骤407,输出所选取的轨迹向量对应的车辆的车辆身份信息。
在本实施例中,这里的输出可以是在屏幕上显示,也可以是输出 到存储介质,方便后续对嫌疑车辆的定位。还可将车辆身份信息发送 给相关警务人员的终端,便于及时拦截同行车辆。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用 于输出信息的方法的流程400突出了查找目标车辆的同行车辆的步骤。 由此,本实施例描述的方案可以引入更多的车辆轨迹向量匹配的相关 数据,从而简化挖掘同行车辆的过程并提高准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供 了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示 的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于输出信息的装置500包括:获取单 元501、生成单元502、聚类单元503和输出单元504。其中,获取单 元501被配置成获取目标时间段内用于监控车辆的摄像头集合的监控 信息集合。其中,监控信息包括车辆身份信息、车辆经过摄像头的时 间。生成单元502被配置成对于监控信息集合涉及的至少一个车辆中 的车辆,将该车辆经过摄像头集合的摄像头的时间作为该摄像头所对 应的元素生成该车辆的轨迹向量。聚类单元503被配置成使用聚类算 法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组。输出单 元504被配置成对于至少一个轨迹向量组中的轨迹向量组,输出该轨 迹向量组所涉及的车辆的车辆身份信息。
在本实施例中,用于输出信息的装置500的获取单元501、生成 单元502、聚类单元503和输出单元504的具体处理可以参考图2对 应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,装置500还包括匹配单元 (未示出),被配置成:从至少一个车辆中确定目标车辆,以及从至少 一个轨迹向量组中确定目标车辆的轨迹向量所在的轨迹向量组;确定 目标车辆的轨迹向量与确定出的轨迹向量组中的至少一个轨迹向量之 间的相似度;从确定出的轨迹向量组中按照相似度由高到低的顺序选 取预定数目的轨迹向量;输出所选取的轨迹向量对应的车辆的车辆身 份信息。
在本实施例的一些可选的实现方式中,生成单元502进一步被配 置成:获取预设的初始轨迹向量,其中,初始轨迹向量中每个元素对 应于摄像头集合中一个摄像头,每个元素的值被设置为预定值;对于 摄像头集合中的摄像头,响应于根据监控信息集合确定出该车辆至少 一次经过该摄像头,将初始轨迹向量中该摄像头对应的元素的值替换 成该车辆首次经过该摄像头的时间以生成该车辆的轨迹向量。
在本实施例的一些可选的实现方式中,聚类单元503进一步被配 置成:获取摄像头集合所在的区域的车辆的平均经过的摄像头的数量 和摄像头集合的数量;根据平均经过的摄像头的数量和摄像头集合的 数量确定区域的车辆的平均轨迹数量;将平均轨迹数量作为聚类中心 数量,采用kmeans算法对所生成的轨迹向量进行聚类,得到至少一个 轨迹向量组。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备 (如图1所示的服务器)的计算机***600的结构示意图。图6示出 的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围 带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其 可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608 加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作 和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入 /输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606; 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的 输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、 调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如 因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口 605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等, 根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据 需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以 被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程 序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程 序包含用于执行流程图所示的方法的程序代码。在这样的实施例中, 该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从 可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601 执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申 请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读 存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、 装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的 例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算 机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦 式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读 存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适 的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程 序的有形介质,该程序可以被指令执行***、装置或者器件使用或者 与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基 带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的 程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电 磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还 可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可 读介质可以发送、传播或者传输用于由指令执行***、装置或者器件 使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可 以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等 等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请 的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设 计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计 语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地 在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的 软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完 全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程 计算机可以通过任意种类的网络——包括局域网(LAN)或广域网 (WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利 用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实 现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实 现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。 例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时 也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是, 框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合, 可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者 可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现, 也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中, 例如,可以描述为:一种处理器包括获取单元、生成单元、聚类单元 和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元 本身的限定,例如,获取单元还可以被描述为“获取目标时间段内用 于监控车辆的摄像头集合的监控信息集合的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机 可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独 存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多 个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获 取目标时间段内用于监控车辆的摄像头集合的监控信息集合,其中, 监控信息包括车辆身份信息、车辆经过摄像头的时间;对于监控信息 集合涉及的至少一个车辆中的车辆,将该车辆经过摄像头集合的摄像 头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量;使用聚 类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;对于至少一个轨迹向量组中的轨迹向量组,输出该轨迹向量组所涉及的 车辆的车辆身份信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。 本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上 述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述 发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形 成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有 类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种用于输出信息的方法,包括:
获取目标时间段内用于监控车辆的摄像头集合的监控信息集合,其中,监控信息包括车辆身份信息、车辆经过摄像头的时间;
对于所述监控信息集合涉及的车辆,将该车辆经过所述摄像头集合中的摄像头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量,其中,所述轨迹向量中每个元素对应于所述摄像头集合中一个摄像头;
使用聚类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;
对于所述至少一个轨迹向量组中的轨迹向量组,输出该轨迹向量组所涉及的车辆的车辆身份信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
从所述至少一个车辆中确定目标车辆,以及从所述至少一个轨迹向量组中确定所述目标车辆的轨迹向量所在的轨迹向量组;
确定所述目标车辆的轨迹向量与确定出的轨迹向量组中的至少一个轨迹向量之间的相似度;
从确定出的轨迹向量组中按照相似度由高到低的顺序选取预定数目的轨迹向量;
输出所选取的轨迹向量对应的车辆的车辆身份信息。
3.根据权利要求1所述的方法,其中,所述将该车辆经过摄像头集合的摄像头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量,包括:
获取预设的初始轨迹向量,其中,所述初始轨迹向量中每个元素对应于所述摄像头集合中一个摄像头,每个元素的值被设置为预定值;
对于所述摄像头集合中的摄像头,响应于根据所述监控信息集合确定出该车辆至少一次经过该摄像头,将所述初始轨迹向量中该摄像头对应的元素的值替换成该车辆首次经过该摄像头的时间以生成该车辆的轨迹向量。
4.根据权利要求1所述的方法,其中,所述使用聚类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组,包括:
获取所述摄像头集合所在的区域的车辆保有量;
根据所述车辆保有量确定所述区域的车辆的平均轨迹数量;
将所述平均轨迹数量作为聚类中心数量,采用kmeans算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组。
5.根据权利要求1-4之一所述的方法,其中,所述车辆经过摄像头的时间为距离预设的基准时间开始的时长。
6.一种用于输出信息的装置,包括:
获取单元,被配置成获取目标时间段内用于监控车辆的摄像头集合的监控信息集合,其中,监控信息包括车辆身份信息、车辆经过摄像头的时间;
生成单元,被配置成对于所述监控信息集合涉及的至少一个车辆中的车辆,将该车辆经过所述摄像头集合的摄像头的时间作为该摄像头所对应的元素生成该车辆的轨迹向量,其中,所述轨迹向量中每个元素对应于所述摄像头集合中一个摄像头;
聚类单元,被配置成使用聚类算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组;
输出单元,被配置成对于所述至少一个轨迹向量组中的轨迹向量组,输出该轨迹向量组所涉及的车辆的车辆身份信息。
7.根据权利要求6所述的装置,其中,所述装置还包括匹配单元,被配置成:
从所述至少一个车辆中确定目标车辆,以及从所述至少一个轨迹向量组中确定所述目标车辆的轨迹向量所在的轨迹向量组;
确定所述目标车辆的轨迹向量与确定出的轨迹向量组中的至少一个轨迹向量之间的相似度;
从确定出的轨迹向量组中按照相似度由高到低的顺序选取预定数目的轨迹向量;
输出所选取的轨迹向量对应的车辆的车辆身份信息。
8.根据权利要求6所述的装置,其中,所述生成单元进一步被配置成:
获取预设的初始轨迹向量,其中,所述初始轨迹向量中每个元素对应于所述摄像头集合中一个摄像头,每个元素的值被设置为预定值;
对于所述摄像头集合中的摄像头,响应于根据所述监控信息集合确定出该车辆至少一次经过该摄像头,将所述初始轨迹向量中该摄像头对应的元素的值替换成该车辆首次经过该摄像头的时间以生成该车辆的轨迹向量。
9.根据权利要求6所述的装置,其中,所述聚类单元进一步被配置成:
获取所述摄像头集合所在的区域的车辆保有量;
根据所述车辆保有量确定所述区域的车辆的平均轨迹数量;
将所述平均轨迹数量作为聚类中心数量,采用kmeans算法对所生成的轨迹向量进行聚类,得到至少一个轨迹向量组。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541886.9A CN110555449B (zh) | 2018-05-30 | 2018-05-30 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541886.9A CN110555449B (zh) | 2018-05-30 | 2018-05-30 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555449A true CN110555449A (zh) | 2019-12-10 |
CN110555449B CN110555449B (zh) | 2023-03-24 |
Family
ID=68734255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810541886.9A Active CN110555449B (zh) | 2018-05-30 | 2018-05-30 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555449B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130026258A (ko) * | 2011-09-05 | 2013-03-13 | 세림티에스지(주) | 도로망 기반의 빈번 차량 궤적 클러스터링 시스템 및 방법 |
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
CN104462395A (zh) * | 2014-12-11 | 2015-03-25 | 南威软件股份有限公司 | 一种同行车辆分析方法 |
CN104794425A (zh) * | 2014-12-19 | 2015-07-22 | 长安大学 | 一种基于行驶轨迹的车辆统计方法 |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和*** |
US9576185B1 (en) * | 2015-09-14 | 2017-02-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Classifying objects detected by 3D sensors for autonomous vehicle operation |
CN107067002A (zh) * | 2017-03-09 | 2017-08-18 | 华东师范大学 | 一种动态视频中道路车牌识别方法 |
-
2018
- 2018-05-30 CN CN201810541886.9A patent/CN110555449B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130026258A (ko) * | 2011-09-05 | 2013-03-13 | 세림티에스지(주) | 도로망 기반의 빈번 차량 궤적 클러스터링 시스템 및 방법 |
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
CN104462395A (zh) * | 2014-12-11 | 2015-03-25 | 南威软件股份有限公司 | 一种同行车辆分析方法 |
CN104794425A (zh) * | 2014-12-19 | 2015-07-22 | 长安大学 | 一种基于行驶轨迹的车辆统计方法 |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和*** |
US9576185B1 (en) * | 2015-09-14 | 2017-02-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Classifying objects detected by 3D sensors for autonomous vehicle operation |
CN107067002A (zh) * | 2017-03-09 | 2017-08-18 | 华东师范大学 | 一种动态视频中道路车牌识别方法 |
Non-Patent Citations (4)
Title |
---|
YONGYI XIAN等: "Parallel Gathering Discovery over Big Trajectory Data", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》 * |
刘东等: "《动态故障树分析方法》", 30 November 2013 * |
周军等: "卡口***的跨地域整合及典型应用设计", 《智能交通》 * |
王路辉等: "基于车牌识别流数据的伴随车辆发现算法", 《计算机工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110555449B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
CN112633395B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN111090681B (zh) | 一种团伙挖掘方法、装置、设备及存储介质 | |
KR102272279B1 (ko) | 인공지능 알고리즘을 이용한 차량번호판 인식 방법 | |
CN107316006A (zh) | 一种道路障碍物检测的方法和*** | |
CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN106919610B (zh) | 车联网数据处理方法、***及服务器 | |
CN104239386A (zh) | 用于对面部识别匹配区分优先级的方法和*** | |
CN108230669B (zh) | 基于大数据和云分析的道路车辆违法检测方法及*** | |
CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN110555449B (zh) | 用于输出信息的方法和装置 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的***识别方法 | |
CN106571040B (zh) | 一种可疑车辆确认方法及设备 | |
CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
CN112347296A (zh) | 一种基于人脸识别的人员与案件关联分析方法和装置 | |
CN111476107A (zh) | 一种图像处理方法及装置 | |
KR102054984B1 (ko) | 위치 정보를 이용한 분석용 경로 데이터 생성 방법과, 생성 시스템과, 위치 정보를 이용한 분석용 경로 데이터 생성 서비스를 운영하는 방법 및 운영 시스템 | |
Salek et al. | A novel hybrid quantum-classical framework for an in-vehicle controller area network intrusion detection | |
CN116204871A (zh) | 异常行为识别方法及装置、电子设备、存储介质 | |
CN113946646A (zh) | 车辆驻留检测方法、装置、电子设备和存储介质 | |
CN116543242B (zh) | 基于高速收费数据的车型检测方法、装置、设备及介质 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN113160565B (zh) | 一种***辆的识别方法、装置、存储介质及终端 | |
Haryono et al. | Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street | |
CN114038040A (zh) | 机房巡检监督方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |