CN113660462A - 基于融合多源数据分析的包围圈式移动车辆视频追踪方法 - Google Patents

Abstract

本发明涉及车辆视频追踪的技术领域，特别是涉及一种基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其提高了预测结果的准确性和提升了视频追踪的连续性；包括以下步骤：步骤1，针对城市交通路网数据和道路视频监控数，根据彼此的可视关系、空间拓扑关系，构建“监控视频‑路段‑路口”的图关系模型，以此形成视频追踪图形数据，作为视频追踪方法的数据基础；步骤2，针对设置的移动车辆目标，通过人机结合的方式监测目标车辆；步骤3，获取移动目标车辆内人员设备或车辆的GPS数据，对移动车辆位置进行精度矫正；步骤4，针对目标车辆所在的路段，通过图关系网络解算默认2阶包围圈范围内可能的行驶路径。

Description

基于融合多源数据分析的包围圈式移动车辆视频追踪方法

技术领域

本发明涉及车辆视频追踪的技术领域，特别是涉及一种基于融合多源数据分析的包围圈式移动车辆视频追踪方法。

背景技术

随着城市道路监控视频覆盖率越来越高，通过视频监控对移动目标车辆进行接力追踪，已经在，如：重大安保、治安管理、刑事案件和交通违章等方面得到越加广泛的应用。然而，城市中的监控视频数量巨大，迫切需要针对移动目标追踪提高监控视频调用的效率、准确度和持续接力的能力。

视频追踪主要在于解决两个关键问题：

(1)预测移动目标车辆的行驶轨迹，由于城市道路网络四通八达，所以需要更精准的预判车辆的行车轨迹有助于预先围堵拦截目标车辆；

(2)有序的推荐视频监控设备，在排除具备目标识别预警、自动追踪的前端监控以外，仍有数量巨大的老旧前端监控视频需要有限的人力资源以人机结合的方式从监控视频中查找目标，所以需要对推荐人工查看的视频列表进行分级排序。

目前，已公开的大部分视频追踪技术仍是简单的从城市道路路网数据或构建的视频网络数据中通过空间分析对车辆行驶路径进行预测，并以此来对监控设备实现关联选择进行视频追踪。该类技术方法对路径预测较为粗略，直接影响关联监控设备选取的有效性，降低了视频追踪的连续性。同时，考虑到专利的时效性，多数已公开的专利无法兼顾到新型监控设备类型的特性，以及日益繁多的互联网数据、交通数据、车辆数据等对车辆行驶路径预判的影响。现根据对已公开的专利文献整理后，挑出典型的三例进行依次说明。

中国专利文献CN105491327A中提出了一种基于路网的视频追踪方法及装置。该文件公开了基于路网分析从案发现场到设定范围的半径内查找可疑节点、路径和视频监控设备，并通过可视域和前端设备距离起点的距离对前端设备进行优先级排序。这种方法尽管对行车路径进行了预测和前端监控设备进行了排序，提高了视频查看的效率。但是针对可疑节点未进行优先级排序，从而无法进一步区分路径的优先权重差异，以及该差异对前端设备优先排序的重要影响。

中国专利文献CN103716587B中提出了基于GIS网络与缓冲区分析的视频追踪方法。该文件公开了构建基于地理信息的视频网络，并通过对发现目标监控的关联点搜索达到追踪的效果，当追踪断裂时通过缓冲区的方式进一步查找扩大查找范围。该方法利用视频地理网并配合空间分析，替代原有的人工判断查找视频设备，提高了查找精度和工作效率。但是基于视频网络无法充分考虑到车辆的行驶路径情况带来的影响，例如在双向道路上车辆进行掉头时按照上下游关联点的查询方式可能会造成目标丢失，同时也无法提供车辆行驶路径的预判和围堵路口的推荐。另外，实际情况中在一个路口会出现较多前端监控设备，在该方法中也未对查找的监控设备进行有序分级，所以针对查找出的监控设备进行查看追踪会存在较大冗余情况。

中国专利文献CN106570147B中提出了一种基于GIS路网分析的跳跃式视频追踪方法和***。该文件公开了预测嫌疑人可能出现的位置概率及可能被哪些摄像头捕捉到的概率，提高追踪效率。但是在概率的解算中仍是以距离为因子，未考虑到交通OD数据、车辆历史轨迹数据和相关的互联网数据的应用。

发明内容

为解决上述技术问题，本发明提供一种提高预测结果的准确性和提升视频追踪的连续性的基于融合多源数据分析的包围圈式移动车辆视频追踪方法。

本发明的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，包括以下步骤：

步骤1，针对城市交通路网数据和道路视频监控数，根据彼此的可视关系、空间拓扑关系，构建“监控视频-路段-路口”的图关系模型，以此形成视频追踪图形数据，作为视频追踪方法的数据基础；

步骤2，针对设置的移动车辆目标，通过人机结合的方式监测目标车辆；

步骤3，获取移动目标车辆内人员设备或车辆的GPS数据，对移动车辆位置进行精度矫正；

步骤4，针对目标车辆所在的路段，通过图关系网络解算默认2 阶包围圈范围内可能的行驶路径；

步骤5，由互联网数据、交通数据进一步获取车辆实时导航规划预案，提取相关的路径规划和实时路况信息；

步骤6，基于多源数据、包围圈数据分析解算出包围圈内有序分级的路口和视频监控设备，以及车辆可能的行驶路径；

步骤7，基于步骤6的解算结果，针对移动目标车辆进行处置。

进一步地，所述步骤1中通过图形数据库Neo4j，构建“监控视频-路段-路口”的图关系模型：

(1)roadCross-(go)->roadSegment-(to)->roadCross；

(2)monitorDevice-(belong)->roadSegment；

其中，monitorDevice为视频监控设备；roadCross为道路路口矢量数据；roadSegment为道路路段矢量数据。

进一步地，所述步骤2中，基于视频设备的网络开放接口，以车牌作为参数设置需布控的移动车辆目标，使具备自动识别预警的视频监控设备可根据视频画面针对目标完成AI识别并发出预警信息，所述预警信息包括预警设备ID、目标车牌和目标车型。

进一步地，所述步骤4中，所述包围圈是以目标车辆所在路段前行方向上的路口为包围圈原点，到可能的行驶方向各路段的前行路口为止作为1阶包围圈。

进一步地，其中可能的行驶路段上需满足关联有可视路段的监控视频设备，否则以该路段可能的前行方向继续检索，以路段上关联有可视路段的监控设备为终止条件，且查找范围默认不超过2阶包围圈，否则也终止检索。

进一步地，所述步骤5中的路况信息包括路段拥堵权重属性和红绿灯权重属性。

进一步地，所述步骤6的具体解算步骤为：

步骤6.1、基于步骤5更新后的包围圈内的路径，通过图网络关系解算出包围圈内涉及的：路口、视频监控设备；

步骤6.2、基于步骤3中目标的空间位置，结合GIS空间分析分别解算包围圈内各视频监控设备与目标空间位置之间的距离；

步骤6.3、基于步骤5中路口更新的红绿灯权重属性，并结合AI 算法通过对历史数据计算预测出的每个路口的转向权重，综合分析计算出路口各前行方向的权重值，并从0～1.0均等划分为4级，其中1 级最高，4级最低，以此实现对路口进行分级排序；

步骤6.4、基于步骤5中路段更新的拥堵权重属性，并综合路口的分级排序对关联路段同步进行4级划分，其中，由于通过图网络关系解算包围圈时个别路段可能重复出现，则路段的分级均以解算出的最高级为准；

步骤6.5、通过图关系解算出路段上的可视监控设备，并结合步骤6.4中对路段分级的解算结果，为监控视频设备同步进行4级划分；同时，结合步骤6.2中各视频监控设备与目标位置的距离，对同一路段的视频监控设备根据距离大小排序，距离越小，排序越前；

步骤6.6、基于多源数据融合通过图网络关系运算和GIS空间分析，最终解算出包围圈内的分级有序的路口和监控视频设备，以及包围圈内目标车辆可能的行驶路径。

进一步地，所述步骤7中处理流程包括：

根据有序分级的围堵路口和包围圈内可能的行驶路径推荐，在重点路口、路段进行安保或是围堵；

根据移动目标车辆时速以及包围圈内路径，计算移动目标车辆逃出包围圈的耗时，当视频追踪响应时常大于且无任何报警信息，重复执行步骤2，继续进行新一轮的视频追踪。

与现有技术相比本发明的有益效果为：本发明通过对互联网数据、交管数据、城市路网数据等多数据的获取，多维度参照互融综合分析预测车辆的行驶路径、路口和可视路段的视频监控设备，比之以往仅考虑路网或视频网的单一维度分析，提高了预测结果的准确性和提升了视频追踪的连续性；本发明通过多源数据的融合分析，针对路况信息等影响，对包围圈内解算的路口、设备分以级别并根据目标距离因素排序，对比以往的方法仅解算了路口或设备，本方法对解算的结果更为丰富，以及缩短视频追踪和处置的时间；本发明的具体实例中通过对图数据关系模型的引入和应用，在面对城市级大数据量时因图数据库关联关系存储与顶点的低冗余度，提高了分析运算的高效性，保障了本专利发明的应用时效性。

附图说明

图1是本发明的逻辑流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，技术步骤如下：

步骤1，针对城市交通路网数据和道路视频监控数，据根据彼此的可视关系、空间拓扑关系，构建“监控视频-路段-路口”的图关系模型；

具体过程为：

(1)从城市交通道路网络矢量数据(道路含双向)中提取：道路路口矢量数据(roadCross)和道路路段矢量数据(roadSegment)；

路段(roadSegment)属性，包含但不限于此：

路口(roadCross)属性，包含但不限于此：

(2)从城市治安管理单位视频平台中提取：视频监控设备 (monitorDevice)。

视频监控(monitorDevice)属性，包含但不限于此：

通过图形数据库Neo4j，构建“监控视频-路段-路口”的图关系模型：

(1)roadCross-(go)->roadSegment-(to)->roadCross

(2)monitorDevice-(belong)->roadSegment

以此形成视频追踪图形数据，作为本专利视频追踪方法的数据基础。

步骤2，针对设置的移动车辆目标，通过人机结合的方式监测目标车辆。

具体过程为：

1)基于视频设备的网络开放接口，一般以车牌作为参数设置需布控的移动车辆目标，使具备自动识别预警的视频监控设备可根据视频画面针对目标完成AI识别并发出预警信息(包含：预警设备ID、目标车牌、目标车型等信息)。

注意：随着该类设备覆盖密度足够大时，基本能够实现自动化、连续性的目标识别。

通过以上方式获取预警信息，解算预警监控设备M与路段S`的空间关联关系，可锁定目标所在的路段S，并针对目标在视频画面中的坐标与地理空间坐标转换，可初步定位目标在路段S的空间位置L。

步骤3，获取移动目标车辆内人员设备或车辆的GPS数据，对移动车辆位置进行精度矫正；

具体过程为：当目标为安保对象时，一般可直接获取安保人员或安保车辆的GPS实时信息，依据获取的GPS数值<步骤2>中解算的目标的空间位置L进行比对更新，以此完成目标空间位置精度的矫正。

步骤4，针对目标车辆所在的路段S，通过图关系网络解算默认2 阶包围圈范围内可能的行驶路径，支持自定义阶数N(建议不超过5)。

包围圈定义：以目标车辆所在路段前行方向上的路口为包围圈原点，到可能的行驶方向(直行、掉头、右拐或左拐)各路段的前行路口为止作为1阶包围圈。其中可能的行驶路段上需满足关联有可视路段的监控视频设备，否则以该路段可能的前行方向继续检索，以路段上关联有可视路段的监控设备为终止条件，且查找范围默认不超过2 阶包围圈(可自定义，建议最大不超过3阶)否则也终止。综合以上，形成的范围为1阶包围圈。

具体过程为：通过图网络关系解算方法，求解出车辆包围圈内可能行驶的路段，并结合GIS空间算法解算出车辆在包围圈内的行驶路径R。

步骤5，针对互联网数据、交通数据接入，又分为：

步骤5.1，获取移动车辆实时导航规划预案，提取相关的路径规划；

具体过程为：

(1)当目标为安保车辆时，获取车辆行驶的路径预案，以该路径数据与<步骤4>解算出的包围圈路径R进行比对，并对包围圈范围内路段、路径进行调整更新。

(2)从互联网数据提供方，获取移动目标车辆或车内人员设备的导航规划路径信息，以该路径数据与<步骤4>解算出的包围圈路径 R进行比对，并对包围圈范围内路段、路径进行调整更新。

步骤5.2.1，从交管数据来源方获取包围圈范围内的交通拥堵情况，则提取交通拥堵数据，更新包围圈内路段的路段拥堵权重属性；

步骤5.2.2，从交管数据来源方获取包围圈范围内的红绿灯显示情况，则提取路口红绿灯数据，更新包围圈内路口的红绿灯权重属性；

步骤6，基于多源数据、包围圈数据分析解算出包围圈内有序分级的路口和视频监控设备，以及车辆可能的行驶路径。

具体过程为：

(1)基于<步骤5.1>更新后的包围圈内的路径R，通过图网络关系解算出包围圈内涉及的：路口、视频监控设备；

(2)基于<步骤3>中目标的空间位置L，结合GIS空间分析分别解算包围圈内各视频监控设备与L的距离；

(3)基于<步骤5.2.2>中路口更新的红绿灯权重属性，并结合AI 算法通过对历史数据计算预测出的每个路口的转向权重，综合分析计算出路口各前行方向的权重值，并从0～1.0均等划分为4级(1级最高， 4级最低)，以此实现对路口进行分级排序；

(4)基于<步骤5.2.1>中路段更新的拥堵权重属性 CongestionWeight，并综合路口的分级排序对关联路段同步进行4级划分。其中，由于通过图网络关系解算包围圈时个别路段可能重复出现，则路段的分级均以解算出的最高级为准；

(5)通过图关系解算出路段上的可视监控设备，并结合以上步骤(4)中对路段分级的解算结果，为监控视频设备同步进行4级划分。同时，结合步骤(2)中各视频监控设备与目标位置L的距离，对同一路段的视频监控设备根据距离大小排序，距离越小，排序越前。

(6)综合以上步骤，基于多源数据融合通过图网络关系运算和 GIS空间分析，最终结算出包围圈内的分级有序的路口和监控视频设备，以及包围圈内目标车辆可能的行驶路径。

步骤7，基于<步骤6>的推荐结果，针对移动目标车辆进行处置：

(1.1)根据有序分级的围堵路口和包围圈内可能的行驶路径推荐，在重点路口、路段进行安保或是围堵；

(1.2)根据监控设备的有序分级推荐，依次查看无自动报警能力的视频监控，人机结合提供报警及追踪能力；

(2)根据移动目标车辆时速S以及包围圈内路径L，计算移动目标车辆逃出包围圈的耗时T，当视频追踪响应时常大于T且无任何报警信息，重复执行<步骤2>，继续进行新一轮的视频追踪。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，包括以下步骤：

步骤1，针对城市交通路网数据和道路视频监控数，根据彼此的可视关系、空间拓扑关系，构建“监控视频-路段-路口”的图关系模型，以此形成视频追踪图形数据，作为视频追踪方法的数据基础；

步骤2，针对设置的移动车辆目标，通过人机结合的方式监测目标车辆；

步骤3，获取移动目标车辆内人员设备或车辆的GPS数据，对移动车辆位置进行精度矫正；

步骤4，针对目标车辆所在的路段，通过图关系网络解算默认2阶包围圈范围内可能的行驶路径；

步骤5，由互联网数据、交通数据进一步获取车辆实时导航规划预案，提取相关的路径规划和实时路况信息；

步骤6，基于多源数据、包围圈数据分析解算出包围圈内有序分级的路口和视频监控设备，以及车辆可能的行驶路径；

步骤7，基于步骤6的解算结果，针对移动目标车辆进行处置。

2.如权利要求1所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤1中通过图形数据库Neo4j，构建“监控视频-路段-路口”的图关系模型：

(1)roadCross-(go)->roadSegment-(to)->roadCross；

(2)monitorDevice-(belong)->roadSegment；

其中，monitorDevice为视频监控设备；roadCross为道路路口矢量数据；roadSegment为道路路段矢量数据。

3.如权利要求1所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤2中，基于视频设备的网络开放接口，以车牌作为参数设置需布控的移动车辆目标，使具备自动识别预警的视频监控设备可根据视频画面针对目标完成AI识别并发出预警信息，所述预警信息包括预警设备ID、目标车牌和目标车型。

4.如权利要求1所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤4中，所述包围圈是以目标车辆所在路段前行方向上的路口为包围圈原点，到可能的行驶方向各路段的前行路口为止作为1阶包围圈。

5.如权利要求4所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，其中可能的行驶路段上需满足关联有可视路段的监控视频设备，否则以该路段可能的前行方向继续检索，以路段上关联有可视路段的监控设备为终止条件，且查找范围默认不超过2阶包围圈，否则也终止检索。

6.如权利要求1所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤5中的路况信息包括路段拥堵权重属性和红绿灯权重属性。

7.如权利要求6所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤6的具体解算步骤为：

步骤6.1、基于步骤5更新后的包围圈内的路径，通过图网络关系解算出包围圈内涉及的：路口、视频监控设备；

步骤6.2、基于步骤3中目标的空间位置，结合GIS空间分析分别解算包围圈内各视频监控设备与目标空间位置之间的距离；

步骤6.3、基于步骤5中路口更新的红绿灯权重属性，并结合AI算法通过对历史数据计算预测出的每个路口的转向权重，综合分析计算出路口各前行方向的权重值，并从0～1.0均等划分为4级，其中1级最高，4级最低，以此实现对路口进行分级排序；

步骤6.4、基于步骤5中路段更新的拥堵权重属性，并综合路口的分级排序对关联路段同步进行4级划分，其中，由于通过图网络关系解算包围圈时个别路段可能重复出现，则路段的分级均以解算出的最高级为准；

步骤6.5、通过图关系解算出路段上的可视监控设备，并结合步骤6.4中对路段分级的解算结果，为监控视频设备同步进行4级划分；同时，结合步骤6.2中各视频监控设备与目标位置的距离，对同一路段的视频监控设备根据距离大小排序，距离越小，排序越前；

步骤6.6、基于多源数据融合通过图网络关系运算和GIS空间分析，最终解算出包围圈内的分级有序的路口和监控视频设备，以及包围圈内目标车辆可能的行驶路径。

8.如权利要求7所述的基于融合多源数据分析的包围圈式移动车辆视频追踪方法，其特征在于，所述步骤7中处理流程包括：

根据有序分级的围堵路口和包围圈内可能的行驶路径推荐，在重点路口、路段进行安保或是围堵；

根据监控设备的有序分级推荐，依次查看无自动报警能力的视频监控，人机结合提供报警及追踪能力；

根据移动目标车辆时速以及包围圈内路径，计算移动目标车辆逃出包围圈的耗时，当视频追踪响应时常大于且无任何报警信息，重复执行步骤2，继续进行新一轮的视频追踪。

Images