CN112380461A - 一种基于gps轨迹的行人检索方法 - Google Patents
一种基于gps轨迹的行人检索方法 Download PDFInfo
- Publication number
- CN112380461A CN112380461A CN202011308869.4A CN202011308869A CN112380461A CN 112380461 A CN112380461 A CN 112380461A CN 202011308869 A CN202011308869 A CN 202011308869A CN 112380461 A CN112380461 A CN 112380461A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- bor
- layer
- gps
- track
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于GPS轨迹的行人检索方法,包括以下步骤:收集行人在行走过程中的多模态信息;将收集到的GPS信息在地图上描绘成轨迹并根据轨迹的时空信息搜索附近的候选行人图像;利用ResNet‑50模型对候选行人图像进行特征抽取,再利用聚类算法对候选行人特征进行行人聚类,聚成不同行人聚簇;将每个行人聚簇根据行人图像的时空信息在地图上进行轨迹描绘,计算行人轨迹与GPS轨迹的距离,筛选出最符合的一条轨迹,进而确定了GPS轨迹对应的目标行人,最终达到GPS轨迹检索行人的目的。
Description
技术领域
本发明涉及多模态智能安防技术领域,具体涉及一种基于GPS轨迹的行人检索方法。
背景技术
目前,智能安防是我国在建设智慧城市中处于非常核心的地位。而在其中,充分利用多模态信息是建设立体化安防体系的关键步骤。
现有的行人检索算法大多数都基于图像信息,只能做到以图找图,在现实的复杂场景中,这些算法应用有限。而随着智能移动终端的大量普及,GPS信息与行人已经充分结合起来,但是目前GPS的应用大多用于导航与进一步地定位,并没有考虑与行人检索进行结合。由于GPS信息定位的准确性,与行人结合的紧密性,目前亟待将其引入行人检索领域,从而帮助各种侦察***更好更快速更立体地筛选出目标行人。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于GPS轨迹的行人检索方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于GPS轨迹的行人检索方法,所述行人检索方法包括以下步骤:
S1、获取行人行走时的多模态信息,所述多模态信息包括行人图像、行人图像的获取时间信息、获取行人图像的摄像头经纬度信息、行人在移动过程中收集到的GPS信息;
S2、将步骤S1中获得的GPS信息描绘成轨迹,选择一条目标GPS轨迹,再根据该轨迹对应的每个GPS点的时空信息寻找在一定时空阈值出现的候选行人图像;
S3、对步骤S2中获得的各个候选行人图像利用ResNet-50模型进行特征抽取,再利用聚类算法对行人特征进行行人聚类,聚成不同的行人簇;
S4、对步骤S3中获得的行人簇,根据每个簇中每张行人图像出现的时空信息,在图上进行轨迹的描绘,筛选出与目标GPS轨迹最符合的一个行人聚类并作为目标行人。
进一步地,所述步骤S1的过程如下:
S11、从选定的一路段跨摄像头设备采集的监控视频获取行人图像;
S12、在获取行人图像的同时记录下获取各个行人图像时监控视频中显示的时间信息,作为在该摄像头设备下获取到的行人图像的时间信息;记录下该摄像头设备所处的经纬度信息作为该摄像头设备的空间信息和在该摄像头设备获取到的行人图像的空间信息;
S13、在行人移动的过程中,利用安装在行人移动终端的GPS收集软件不断收集行人在移动中的GPS变化信息。
进一步地,所述步骤S11中,首先将摄像头设备采集的监控视频划分为一帧一帧的视频帧,再通过SSD行人检测算法或者Faster RCNN行人检测算法对视频帧进行行人检测。
进一步地,所述步骤S2的过程如下:
S21、对步骤S1中所获得的GPS信息先根据移动终端设备唯一的MAC信息进行GPS划分,然后将每个GPS信息按照时间进行升序排序,之后将完成排序的GPS信息根据经纬度在地图上进行描点,再连线进行轨迹展示;
S22、选择其中任一条目标GPS轨迹,轨迹的每个GPS点根据时间阈值和空间阈值,筛选出在该时间阈值和空间阈值出现的候选行人图像,其中,所述时间阈值为在每个GPS点前后5秒内;所述空间阈值为与每个GPS点的经纬度的差距均小于0.0001的空间范围。
进一步地,所述步骤S3中ResNet-50模型的网络结构具体如下:
从输入层至输出层依次连接为:卷积层conv1、BN层bn1、最大池化层max_pool、卷积层layer1.0.conv1、BN层layer1.0.bn1、卷积层layer1.0.conv2、BN层layer1.0.bn2、卷积层layer1.0.conv3、BN层layer1.0.bn3、下采样层layer1.0.downsample、卷积层layer1.1.conv1、BN层layer1.1.bn1、卷积层layer1.1.conv2、BN层layer1.1.bn2、卷积层layer1.1.conv3、BN层layer1.1.bn3、卷积层layer1.2.conv1、BN层layer1.2.bn1、卷积层layer1.2.conv2、BN层layer1.2.bn2、卷积层layer1.2.conv3、BN层layer1.2.bn3、卷积层layer2.0.conv1、BN层layer2.0.bn1、卷积层layer2.0.conv2、BN层layer2.0.bn2、卷积层layer2.0.conv3、BN层layer2.0.bn3、下采样层layer2.0.downsample、卷积层layer2.1.conv1、BN层layer2.1.bn1、卷积层layer2.1.conv2、BN层layer2.1.bn2、卷积层layer2.1.conv3、BN层layer2.1.bn3、卷积层layer2.2.conv1、BN层layer2.2.bn1、卷积层layer2.2.conv2、BN层layer2.2.bn2、卷积层layer2.2.conv3、BN层layer2.2.bn3、卷积层layer2.3.conv1、BN层layer2.3.bn1、卷积层layer2.3.conv2、BN层layer2.3.bn2、卷积层layer2.3.conv3、BN层layer2.3.bn3、卷积层layer3.0.conv1、BN层layer3.0.bn1、卷积层layer3.0.conv2、BN层layer3.0.bn2、卷积层layer3.0.conv3、BN层layer3.0.bn3、下采样层layer3.0.downsample、卷积层layer3.1.conv1、BN层layer3.1.bn1、卷积层layer3.1.conv2、BN层layer3.1.bn2、卷积层layer3.1.conv3、BN层layer3.1.bn3、卷积层layer3.2.conv1、BN层layer3.2.bn1、卷积层layer3.2.conv2、BN层layer3.2.bn2、卷积层layer3.2.conv3、BN层layer3.2.bn3、卷积层layer3.3.conv1、BN层layer3.3.bn1、卷积层layer3.3.conv2、BN层layer3.3.bn2、卷积层layer3.3.conv3、BN层layer3.3.bn3、卷积层layer3.4.conv1、BN层layer3.4.bn1、卷积层layer3.4.conv2、BN层layer3.4.bn2、卷积层layer3.4.conv3、BN层layer3.4.bn3、卷积层layer3.5.conv1、BN层layer3.5.bn1、卷积层layer3.5.conv2、BN层layer3.5.bn2、卷积层layer3.5.conv3、BN层layer3.5.bn3、卷积层layer4.0.conv1、BN层layer4.0.bn1、卷积层layer4.0.conv2、BN层layer4.0.bn2、卷积层layer4.0.conv3、BN层layer4.0.bn3、下采样层layer4.0.downsample、卷积层layer4.1.conv1、BN层layer4.1.bn1、卷积层layer4.1.conv2、BN层layer4.1.bn2、卷积层layer4.1.conv3、BN层layer4.1.bn3、卷积层layer4.2.conv1、BN层layer4.2.bn1、卷积层layer4.2.conv2、BN层layer4.2.bn2、卷积层layer4.2.conv3、BN层layer4.2.bn3、平均池化层avg_pool。
进一步地,所述步骤S3中聚类算法采用DBSCAN聚类算法或者AP聚类算法。
进一步地,所述步骤S4的过程如下:
S41、对步骤S3中所获得的不同行人簇,根据簇内的每张行人图像的时空信息在地图上进行描点和连线,得到多条候选的行人轨迹;
S42、把行人轨迹和目标GPS轨迹当做两条曲线,通过计算两条曲线的距离筛选出与目标GPS轨迹最相似的一条行人轨迹,从而将该行人轨迹对应的行人簇作为根据最终该目标GPS轨迹检索出来的目标行人。
本发明相对于现有技术具有如下的优点及效果:
本发明首次将GPS轨迹信息引入行人检索领域,能更加立体与准确地侦测出行人的走动,对刑侦等领域具有重要的意义。同时,本发明在没有人工干预打标的情况下,高效利用了GPS轨迹信息,行人图像信息和行人图像的时空信息,达到了快速且节约成本地进行行人检索的目的。
附图说明
图1是本发明公开的一种基于GPS轨迹的行人检索方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例公开了一种基于GPS轨迹的行人检索方法,该行人检索方法包括以下步骤:
S1、获取行人行走时的多模态信息,所述多模态信息包括行人图像、行人图像的获取时间信息、获取行人图像的摄像头经纬度信息、行人在移动过程中收集到的GPS信息;
S2、将步骤S1中获得的GPS信息描绘成轨迹,选择一条目标GPS轨迹,再根据该轨迹对应的每个GPS点的时空信息寻找在一定时空阈值出现的候选行人图像;
S3、对步骤S2中获得的各个候选行人图像利用ResNet-50模型进行特征抽取,再利用聚类算法对行人特征进行行人聚类,聚成不同的行人簇;
S4、对步骤S3中获得的行人簇,根据每个簇中每张行人图像出现的时空信息,在图上进行轨迹的描绘,筛选出与目标GPS轨迹最符合的一个行人聚类并作为目标行人,从而达到GPS轨迹检索行人的目的。
本实施例中,前述步骤S1的具体实施过程如下:
S11、首先从某一路段跨摄像头设备采集的监控视频获取行人图像。
示例性地,从监控视频中获取行人图像的方法可为,首先将摄像头设备采集的监控视频划分为一帧一帧的视频帧,再通过行人检测算法对视频帧进行行人检测。该行人检测算法可以采用SSD算法或者Faster RCNN算法,可以实现在一帧视频帧中将行人图像获取出来的目的。本发明实施例对行人检测算法不作限定,本领域技术人员可以根据实际情况选择。
S12、在获取行人图像的同时记录下获取各个行人图像时监控视频中显示的时间信息,作为在该摄像头设备下获取到的行人图像的时间信息;记录下该摄像头设备所处的经纬度信息作为该摄像头设备的空间信息和在该摄像头设备获取到的行人图像的空间信息。本发明将行人图像的时间信息和空间信息统称为行人图像的时空信息。
S13、在行人移动的过程中,本发明利用安装在行人移动终端的GPS收集软件不断收集行人在移动中的GPS变化信息。之后统一收集每一个行人在该路段的移动的GPS信息。
示例性地,GPS收集软件为收集移动终端发出来的GPS信息并存在本地,之后统一收集。本领域技术人员可根据实际情况自我开发。
本实施例中,前述步骤S2的具体实施过程如下:
S21、对步骤S1中所获得的GPS信息先根据移动终端设备唯一的MAC信息进行GPS划分,然后将每个GPS信息按照时间进行升序排序,之后将完成排序的GPS信息根据经纬度在地图上进行描点,再连线进行轨迹展示。
S22、选择其中任一条目标GPS轨迹,轨迹的每个GPS点可以根据时间阈值和空间阈值,筛选出在这个时间阈值和空间阈值出现的候选行人图像。其中,时间阈值为在每个GPS点前后5秒内;空间阈值为与每个GPS点的经纬度的差距均小于0.0001的空间范围。本实施例对具体的时间阈值和空间阈值的大小不做限定,可以按照实际情况需要做设置。
本实施例中,步骤S3中ResNet-50模型的网络结构具体如下:从输入层至输出层依次连接为:卷积层conv1、BN层bn1、最大池化层max_pool、卷积层layer1.0.conv1、BN层layer1.0.bn1、卷积层layer1.0.conv2、BN层layer1.0.bn2、卷积层layer1.0.conv3、BN层layer1.0.bn3、下采样层layer1.0.downsample、卷积层layer1.1.conv1、BN层layer1.1.bn1、卷积层layer1.1.conv2、BN层layer1.1.bn2、卷积层layer1.1.conv3、BN层layer1.1.bn3、卷积层layer1.2.conv1、BN层layer1.2.bn1、卷积层layer1.2.conv2、BN层layer1.2.bn2、卷积层layer1.2.conv3、BN层layer1.2.bn3、卷积层layer2.0.conv1、BN层layer2.0.bn1、卷积层layer2.0.conv2、BN层layer2.0.bn2、卷积层layer2.0.conv3、BN层layer2.0.bn3、下采样层layer2.0.downsample、卷积层layer2.1.conv1、BN层layer2.1.bn1、卷积层layer2.1.conv2、BN层layer2.1.bn2、卷积层layer2.1.conv3、BN层layer2.1.bn3、卷积层layer2.2.conv1、BN层layer2.2.bn1、卷积层layer2.2.conv2、BN层layer2.2.bn2、卷积层layer2.2.conv3、BN层layer2.2.bn3、卷积层layer2.3.conv1、BN层layer2.3.bn1、卷积层layer2.3.conv2、BN层layer2.3.bn2、卷积层layer2.3.conv3、BN层layer2.3.bn3、卷积层layer3.0.conv1、BN层layer3.0.bn1、卷积层layer3.0.conv2、BN层layer3.0.bn2、卷积层layer3.0.conv3、BN层layer3.0.bn3、下采样层layer3.0.downsample、卷积层layer3.1.conv1、BN层layer3.1.bn1、卷积层layer3.1.conv2、BN层layer3.1.bn2、卷积层layer3.1.conv3、BN层layer3.1.bn3、卷积层layer3.2.conv1、BN层layer3.2.bn1、卷积层layer3.2.conv2、BN层layer3.2.bn2、卷积层layer3.2.conv3、BN层layer3.2.bn3、卷积层layer3.3.conv1、BN层layer3.3.bn1、卷积层layer3.3.conv2、BN层layer3.3.bn2、卷积层layer3.3.conv3、BN层layer3.3.bn3、卷积层layer3.4.conv1、BN层layer3.4.bn1、卷积层layer3.4.conv2、BN层layer3.4.bn2、卷积层layer3.4.conv3、BN层layer3.4.bn3、卷积层layer3.5.conv1、BN层layer3.5.bn1、卷积层layer3.5.conv2、BN层layer3.5.bn2、卷积层layer3.5.conv3、BN层layer3.5.bn3、卷积层layer4.0.conv1、BN层layer4.0.bn1、卷积层layer4.0.conv2、BN层layer4.0.bn2、卷积层layer4.0.conv3、BN层layer4.0.bn3、下采样层layer4.0.downsample、卷积层layer4.1.conv1、BN层layer4.1.bn1、卷积层layer4.1.conv2、BN层layer4.1.bn2、卷积层layer4.1.conv3、BN层layer4.1.bn3、卷积层layer4.2.conv1、BN层layer4.2.bn1、卷积层layer4.2.conv2、BN层layer4.2.bn2、卷积层layer4.2.conv3、BN层layer4.2.bn3、平均池化层avg_pool;
本实施例中,步骤S3中聚类算法可以采用DBSCAN聚类算法或者AP聚类算法,本实施例对具体采用何种聚类算法不做限定,可以根据需要确定。
示例性地,DBSCAN聚类算法是一种密度聚类算法。该算法要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值,从而进一步过滤低密度区域,发现稠密度样本点。同一类别的样本,他们之间的紧密相连的,也就是说,在该类别任意样本周围不远处一定有同类别的样本存在。DBSCAN聚类算法具有聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类的优点。
本实施例中,前述步骤S4的具体实施过程如下:
S41、对步骤S3中所获得的不同行人簇,根据簇内的每张行人图像的时空信息在地图上进行描点和连线,得到多条候选的行人轨迹。
S42、把行人轨迹和目标GPS轨迹当做两条曲线,通过计算两条曲线的距离可以筛选出与目标GPS轨迹最相似的一条行人轨迹,从而将该行人轨迹对应的行人簇作为根据最终该目标GPS轨迹检索出来的目标行人。本实例对计算两条曲线的距离函数不做限定,本领域技术人员可根据实际情况采用弗雷歇距离或者豪斯多夫距离。
实施例二
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述实施例一中的行人检索方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于GPS轨迹的行人检索方法,其特征在于,所述行人检索方法包括以下步骤:
S1、获取行人行走时的多模态信息,所述多模态信息包括行人图像、行人图像的获取时间信息、获取行人图像的摄像头经纬度信息、行人在移动过程中收集到的GPS信息;
S2、将步骤S1中获得的GPS信息描绘成轨迹,选择一条目标GPS轨迹,再根据该轨迹对应的每个GPS点的时空信息寻找在一定时空阈值出现的候选行人图像;
S3、对步骤S2中获得的各个候选行人图像利用ResNet-50模型进行特征抽取,再利用聚类算法对行人特征进行行人聚类,聚成不同的行人簇;
S4、对步骤S3中获得的行人簇,根据每个簇中每张行人图像出现的时空信息,在图上进行轨迹的描绘,筛选出与目标GPS轨迹最符合的一个行人聚类并作为目标行人。
2.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S1的过程如下:
S11、从选定的一路段跨摄像头设备采集的监控视频获取行人图像;
S12、在获取行人图像的同时记录下获取各个行人图像时监控视频中显示的时间信息,作为在该摄像头设备下获取到的行人图像的时间信息;记录下该摄像头设备所处的经纬度信息作为该摄像头设备的空间信息和在该摄像头设备获取到的行人图像的空间信息;
S13、在行人移动的过程中,利用安装在行人移动终端的GPS收集软件不断收集行人在移动中的GPS变化信息。
3.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S11中,首先将摄像头设备采集的监控视频划分为一帧一帧的视频帧,再通过SSD行人检测算法或者Faster RCNN行人检测算法对视频帧进行行人检测。
4.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S2的过程如下:
S21、对步骤S1中所获得的GPS信息先根据移动终端设备唯一的MAC信息进行GPS划分,然后将每个GPS信息按照时间进行升序排序,之后将完成排序的GPS信息根据经纬度在地图上进行描点,再连线进行轨迹展示;
S22、选择其中任一条目标GPS轨迹,轨迹的每个GPS点根据时间阈值和空间阈值,筛选出在该时间阈值和空间阈值出现的候选行人图像,其中,所述时间阈值为在每个GPS点前后5秒内;所述空间阈值为与每个GPS点的经纬度的差距均小于0.0001的空间范围。
5.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S3中ResNet-50模型的网络结构具体如下:
从输入层至输出层依次连接为:卷积层conv1、BN层bn1、最大池化层max_pool、卷积层layer1.0.conv1、BN层layer1.0.bn1、卷积层layer1.0.conv2、BN层layer1.0.bn2、卷积层layer1.0.conv3、BN层layer1.0.bn3、下采样层layer1.0.downsample、卷积层layer1.1.conv1、BN层layer1.1.bn1、卷积层layer1.1.conv2、BN层layer1.1.bn2、卷积层layer1.1.conv3、BN层layer1.1.bn3、卷积层layer1.2.conv1、BN层layer1.2.bn1、卷积层layer1.2.conv2、BN层layer1.2.bn2、卷积层layer1.2.conv3、BN层layer1.2.bn3、卷积层layer2.0.conv1、BN层layer2.0.bn1、卷积层layer2.0.conv2、BN层layer2.0.bn2、卷积层layer2.0.conv3、BN层layer2.0.bn3、下采样层layer2.0.downsample、卷积层layer2.1.conv1、BN层layer2.1.bn1、卷积层layer2.1.conv2、BN层layer2.1.bn2、卷积层layer2.1.conv3、BN层layer2.1.bn3、卷积层layer2.2.conv1、BN层layer2.2.bn1、卷积层layer2.2.conv2、BN层layer2.2.bn2、卷积层layer2.2.conv3、BN层layer2.2.bn3、卷积层layer2.3.conv1、BN层layer2.3.bn1、卷积层layer2.3.conv2、BN层layer2.3.bn2、卷积层layer2.3.conv3、BN层layer2.3.bn3、卷积层layer3.0.conv1、BN层layer3.0.bn1、卷积层layer3.0.conv2、BN层layer3.0.bn2、卷积层layer3.0.conv3、BN层layer3.0.bn3、下采样层layer3.0.downsample、卷积层layer3.1.conv1、BN层layer3.1.bn1、卷积层layer3.1.conv2、BN层layer3.1.bn2、卷积层layer3.1.conv3、BN层layer3.1.bn3、卷积层layer3.2.conv1、BN层layer3.2.bn1、卷积层layer3.2.conv2、BN层layer3.2.bn2、卷积层layer3.2.conv3、BN层layer3.2.bn3、卷积层layer3.3.conv1、BN层layer3.3.bn1、卷积层layer3.3.conv2、BN层layer3.3.bn2、卷积层layer3.3.conv3、BN层layer3.3.bn3、卷积层layer3.4.conv1、BN层layer3.4.bn1、卷积层layer3.4.conv2、BN层layer3.4.bn2、卷积层layer3.4.conv3、BN层layer3.4.bn3、卷积层layer3.5.conv1、BN层layer3.5.bn1、卷积层layer3.5.conv2、BN层layer3.5.bn2、卷积层layer3.5.conv3、BN层layer3.5.bn3、卷积层layer4.0.conv1、BN层layer4.0.bn1、卷积层layer4.0.conv2、BN层layer4.0.bn2、卷积层layer4.0.conv3、BN层layer4.0.bn3、下采样层layer4.0.downsample、卷积层layer4.1.conv1、BN层layer4.1.bn1、卷积层layer4.1.conv2、BN层layer4.1.bn2、卷积层layer4.1.conv3、BN层layer4.1.bn3、卷积层layer4.2.conv1、BN层layer4.2.bn1、卷积层layer4.2.conv2、BN层layer4.2.bn2、卷积层layer4.2.conv3、BN层layer4.2.bn3、平均池化层avg_pool。
6.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S3中聚类算法采用DBSCAN聚类算法或者AP聚类算法。
7.根据权利要求1所述的一种基于GPS轨迹的行人检索方法,其特征在于,所述步骤S4的过程如下:
S41、对步骤S3中所获得的不同行人簇,根据簇内的每张行人图像的时空信息在地图上进行描点和连线,得到多条候选的行人轨迹;
S42、把行人轨迹和目标GPS轨迹当做两条曲线,通过计算两条曲线的距离筛选出与目标GPS轨迹最相似的一条行人轨迹,从而将该行人轨迹对应的行人簇作为根据最终该目标GPS轨迹检索出来的目标行人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308869.4A CN112380461A (zh) | 2020-11-20 | 2020-11-20 | 一种基于gps轨迹的行人检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308869.4A CN112380461A (zh) | 2020-11-20 | 2020-11-20 | 一种基于gps轨迹的行人检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380461A true CN112380461A (zh) | 2021-02-19 |
Family
ID=74584472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011308869.4A Pending CN112380461A (zh) | 2020-11-20 | 2020-11-20 | 一种基于gps轨迹的行人检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023070833A1 (zh) * | 2021-10-26 | 2023-05-04 | 惠州市德赛西威汽车电子股份有限公司 | 车辆周围目标行人检测方法、挪车方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503032A (zh) * | 2019-08-21 | 2019-11-26 | 中南大学 | 基于监控摄像头轨迹数据的个体重要场所探测方法 |
CN111344739A (zh) * | 2017-11-14 | 2020-06-26 | 高通股份有限公司 | 时空动作与角色定位 |
CN111353448A (zh) * | 2020-03-05 | 2020-06-30 | 南京理工大学 | 基于相关性聚类和时空约束的行人多目标跟踪方法 |
US20200283016A1 (en) * | 2019-03-06 | 2020-09-10 | Robert Bosch Gmbh | Movement prediction of pedestrians useful for autonomous driving |
CN111666823A (zh) * | 2020-05-14 | 2020-09-15 | 武汉大学 | 基于个体步行运动时空规律协同辨识的行人重识别方法 |
-
2020
- 2020-11-20 CN CN202011308869.4A patent/CN112380461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111344739A (zh) * | 2017-11-14 | 2020-06-26 | 高通股份有限公司 | 时空动作与角色定位 |
US20200283016A1 (en) * | 2019-03-06 | 2020-09-10 | Robert Bosch Gmbh | Movement prediction of pedestrians useful for autonomous driving |
CN110503032A (zh) * | 2019-08-21 | 2019-11-26 | 中南大学 | 基于监控摄像头轨迹数据的个体重要场所探测方法 |
CN111353448A (zh) * | 2020-03-05 | 2020-06-30 | 南京理工大学 | 基于相关性聚类和时空约束的行人多目标跟踪方法 |
CN111666823A (zh) * | 2020-05-14 | 2020-09-15 | 武汉大学 | 基于个体步行运动时空规律协同辨识的行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
SUNGWON BYON 等: "An Implementation of Re-identifying Video Objects with Location Trajectory Data", 2020 INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY, 23 October 2020 (2020-10-23), pages 1546 - 1548 * |
江志浩 等: "基于时空模型视频监控的行人活动预测算法", 计算机应用与软件, vol. 34, no. 01, 31 January 2017 (2017-01-31), pages 149 - 153 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023070833A1 (zh) * | 2021-10-26 | 2023-05-04 | 惠州市德赛西威汽车电子股份有限公司 | 车辆周围目标行人检测方法、挪车方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241349B (zh) | 一种基于深度学习的监控视频多目标分类检索方法及*** | |
US11657623B2 (en) | Traffic information providing method and device, and computer program stored in medium in order to execute method | |
CN112905824A (zh) | 目标车辆追踪方法、装置、计算机设备及存储介质 | |
CN112836683B (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
Filonenko et al. | Real-time flood detection for video surveillance | |
Styles et al. | Multi-camera trajectory forecasting: Pedestrian trajectory prediction in a network of cameras | |
CN112859125A (zh) | 出入口位置检测方法、导航方法、装置、设备及存储介质 | |
CN106530331A (zh) | 视频监控***及方法 | |
CN113012215A (zh) | 一种空间定位的方法、***及设备 | |
CN112380461A (zh) | 一种基于gps轨迹的行人检索方法 | |
CN113963438A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN108765954B (zh) | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN110781797B (zh) | 一种标注方法、装置及电子设备 | |
CN114677627A (zh) | 目标线索寻找方法、装置、设备及介质 | |
CN112819859B (zh) | 一种应用于智慧安防的多目标跟踪方法及装置 | |
CN114090909A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN111881233B (zh) | 分布式点云地图构建方法和装置、服务器、计算机可读存储介质 | |
CN112925948A (zh) | 视频处理方法及其装置、介质、芯片和电子设备 | |
CN114219938A (zh) | 感兴趣区域获取方法 | |
CN111651690A (zh) | 涉案信息查找方法、装置以及计算机设备 | |
Kim | Lifelong Learning Architecture of Video Surveillance System | |
CN110781796B (zh) | 一种标注方法、装置及电子设备 | |
CN111598053B (zh) | 图像数据的处理方法及其装置、介质和*** | |
CN109145715B (zh) | 轨道交通的空基行人侵界检测方法、装置和*** |
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 |