CN113806459B - 基于北斗网格的同行人员识别方法、***及存储介质 - Google Patents

基于北斗网格的同行人员识别方法、***及存储介质 Download PDF

Info

Publication number
CN113806459B
CN113806459B CN202110910133.2A CN202110910133A CN113806459B CN 113806459 B CN113806459 B CN 113806459B CN 202110910133 A CN202110910133 A CN 202110910133A CN 113806459 B CN113806459 B CN 113806459B
Authority
CN
China
Prior art keywords
grid
track
person
grids
personnel
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.)
Active
Application number
CN202110910133.2A
Other languages
English (en)
Other versions
CN113806459A (zh
Inventor
黄朔
任伏虎
刘越
王鹏
刘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Beidou Fuxi Technology Co ltd
Original Assignee
Beijing Beidou Fuxi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Beidou Fuxi Technology Co ltd filed Critical Beijing Beidou Fuxi Technology Co ltd
Priority to CN202110910133.2A priority Critical patent/CN113806459B/zh
Publication of CN113806459A publication Critical patent/CN113806459A/zh
Application granted granted Critical
Publication of CN113806459B publication Critical patent/CN113806459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于北斗网格的同行人员识别方法、***及存储介质，涉及同行人员识别技术领域，能够快速准确地识别同行人员。本发明的技术方案包括如下步骤：利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图。将人员轨迹进行网格化，得到轨迹网格区域，轨迹网格区域中网格大小与网格地图的网格大小相同。每个轨迹网格区域中所有网格组成轨迹网格集合。判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人。

Description

基于北斗网格的同行人员识别方法、***及存储介质
技术领域
本发明涉及同行人员识别技术领域，具体涉及一种基于北斗网格的同行人员识别方法、***及存储介质。
背景技术
涉及同行人员识别的技术可以应用于多种场景，如安防领域、互联网社交等。
目前，识别指定人的同行人员普遍采用的技术方案是，利用摄像头的人脸识别技术，判断任一人是否与指定人连续出现在一张图像中，由于在现实中摄像头抓拍到人脸并进行准确识别的条件比较苛刻，往往由于角度、遮挡等原因无法获取足够的人脸部的数据而导致识别错误、失败，从而大大降低了同行人员识别的准确率。
同时，在事后的判断时，得到的数据往往是一个时间段的所有人的轨迹数据，这就需要一种快速的方法从一大堆的轨迹数据中提取同行人。
因此目前亟需一种能够快速准确识别同行人员的方案。
发明内容
有鉴于此，本发明提供了一种基于北斗网格的同行人员识别方法、***及存储介质，能够快速准确地识别同行人员。
为达到上述目的，本发明的技术方案包括如下步骤：
S1：利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图。
S2：将人员轨迹进行网格化，得到轨迹网格区域，轨迹网格区域中网格大小与网格地图的网格大小相同。
每个轨迹网格区域中所有网格组成轨迹网格集合。
S3：判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人。
进一步地，每个轨迹网格区域中所有网格组成轨迹网格集合，具体采用如下步骤：
针对每个人员对应轨迹网格区域构建状态关系索引表。
状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；人员状态p即为时刻t人员所处的轨迹网格编码。
根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
进一步地，判断两人员的轨迹网格集合中的轨迹网格是否相遇，具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2。
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态。
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态。
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人。
设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度；length(L2)表示L2的长度；r为设定的比例尺。
进一步地，判断L1和L2中是否存在相遇网格，具体方法为：
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(可以采用二者中心点之间的直线距离)；dist为预设的距离阈值。
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值。
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格。
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
进一步地，预设的时间阈值tim设置为15秒。
本发明另外一个实施例还提供了一种基于北斗网格的同行人员识别***，包括监控区域剖分模块、网格化模块以及同行人判断模块。
监控区域剖分模块，其输入为被监控区域地图，利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图并输出。
网格化模块，其输入为人员轨迹，根据人员轨迹在网格地图上的位置确定轨迹网格区域，每个轨迹网格区域中所有网格组成轨迹网格集合，输出轨迹网格集合。
同行人判断模块，获取待判断两人员的轨迹网格集合，判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人。
进一步地，网格化模块，具体采用如下步骤：
针对每个人员对应轨迹网格区域构建状态关系索引表。
状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；人员状态p即为时刻t人员所处的轨迹网格编码。
根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
进一步地，同行人判断模块具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2；
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态。
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态。
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人。
设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度；length(L2)表示L2的长度；r为设定的比例尺。
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(可以采用二者中心点之间的直线距离)；dist为预设的距离阈值；
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值；
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格；
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
本发明另外一个实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时可实现权利要求1～6任一项的基于北斗网格的同行人员识别方法中的步骤。
有益效果：
本发明提供一种基于北斗网格的同行人识别方案，首先对监控区域进行网格划分和网格编码；然后建立人员与网格化区域的状态关系索引，形成人员的运动轨迹网格集合；然后检索人员轨迹的缓冲区(dist)内与其他目标对象重合的轨迹长度，如果重合的比率超过一定值，则认定两人为同行人；如此反复，直至找到所有同行人组合。本发明相对于现有技术同行人识别率低、易出错的不足，给出了一套可度量、可计算机程序化的解决方案，能大大提高同行人识别的准确性和效率。
附图说明
图1为本发明提供的一种基于北斗网格的同行人员识别方法流程示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于北斗网格的同行人员识别方法，流程如图1所示，包括如下步骤：
S1：利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图；其中网格的大小可以根据需要进行剖分，小至厘米级别。
S2：将人员轨迹进行网格化，得到轨迹网格区域，轨迹网格区域中网格大小与网格地图的网格大小相同。
每个轨迹网格区域中所有网格组成轨迹网格集合。
针对每个人员对应轨迹网格区域构建状态关系索引表；状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；人员状态p即为时刻t人员所处的轨迹网格编码；根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
S3：判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人。
具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2；
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态；
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态；
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人；
设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度(可以集合中网格总数N作为长度标尺)；length(L2)表示L2的长度；r为设定的比例尺(如r设定为80％)。
判断L1和L2中是否存在相遇网格，具体方法为：
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(可以采用二者中心点之间的直线距离)；dist为预设的距离阈值；
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值；
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格；
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
其中预设的距离阈值Dist根据轨迹网格的尺寸确定，设定Dist不超过轨迹网格尺寸的2倍。预设的时间阈值tim设置为15秒。
本发明的另外一个实施例还提供了一种基于北斗网格的同行人员识别***，包括监控区域剖分模块、网格化模块以及同行人判断模块。
监控区域剖分模块，其输入为被监控区域地图，利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图并输出。
网格化模块，其输入为人员轨迹，根据人员轨迹在网格地图上的位置确定轨迹网格区域，每个轨迹网格区域中所有网格组成轨迹网格集合，输出轨迹网格集合。
同行人判断模块，获取待判断两人员的轨迹网格集合，判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人。
其中，网格化模块，具体采用如下步骤：
针对每个人员对应轨迹网格区域构建状态关系索引表。
状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；人员状态p即为时刻t人员所处的轨迹网格编码。
根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
其中，同行人判断模块具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2。
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态。
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态。
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人。
设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度(可以集合中网格总数N作为长度标尺)；length(L2)表示L2的长度；r为设定的比例尺(如r设定为80％)。
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(可以采用二者中心点之间的直线距离)；dist为预设的距离阈值。
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值。
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格。
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时可实现基于北斗网格的同行人员识别方法中的步骤。
本发明实施例提供了操作实例：
(1)将备选人员的轨迹网格化，使得每个人员随时间在网格中的状态(如人员A在t时刻所占据的网格l)能得到索引；
(2)选择将要作为同行人分析基础轨迹的人员姓名(A)、时间段
(3)设置空间限制dist网格数、设置时间限制tim、设置r值
(4)确认，进入同行人分析
计算流程：
1、得出基础人员网格轨迹A、计算网格轨迹长度网格数Wa；
2、以此轨迹用dist值做出缓冲区；
3、检索落入此缓冲区内的其他人员轨迹并记录，设为X轨迹集合，计算每条轨迹在此缓冲区内的网格数WX_i；
4、逐条检索X中的轨迹起点网格标注和终点网格标注并记录为X_i(x1，xn)；
5、以X_i中的x1网格检索轨迹A中最近的网格，记录为X_i/a1；
6、以X_i中的x2网格检索轨迹A中最近的网格，记录为X_i/a2；
7、以X_i中的xn网格检索轨迹A中最近的网格，记录为X_i/an；
8、比较a1与an的时间序列，如果an的时间早于a1的时间，则轨迹X_i为轨迹A的逆向轨迹，删除所有逆向轨迹，得到缩小的同向轨迹集合X_i(x1,xn)，同时以X_i(a1,an)定位X中轨迹与A轨迹的起止位置关系；
9、逐条针对X集合中的轨迹X_i，从x1对应a1开始逐网格与轨迹A中的网格比较时间差|Xti–Ati|<tim，和|distance(Xi,Ai)|<dist距离差，记录符合要求的X_i轨迹上的网格，直至终点xn网格止，并汇总符合dist和tim的网格数MX_i；
10、计算r值，r＝MX_i/WX_i,当r≥80％时，认为人员X_i为人员A的同行人；
11、在主页面展示同行人轨迹并输出同行人列表。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于北斗网格的同行人员识别方法，其特征在于，包括如下步骤：
S1：利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图；
S2：将人员轨迹进行网格化，得到轨迹网格区域，轨迹网格区域中网格大小与所述网格地图的网格大小相同；
每个轨迹网格区域中所有网格组成轨迹网格集合；
S3：判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人；
所述判断两人员的轨迹网格集合中的轨迹网格是否相遇，具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2；
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态；
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态；
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人；
所述设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度；length(L2)表示L2的长度；r为设定的比例尺；
所述判断L1和L2中是否存在相遇网格，具体方法为：
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(采用二者中心点之间的直线距离)；dist为预设的距离阈值；
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值；
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格；
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
2.如权利要求1所述的方法，其特征在于，所述每个轨迹网格区域中所有网格组成轨迹网格集合，具体采用如下步骤：
针对每个人员对应轨迹网格区域构建状态关系索引表；
所述状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；所述人员状态p即为时刻t人员所处的轨迹网格编码；
根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
3.如权利要求2所述的方法，其特征在于，所述预设的时间阈值tim设置为15秒。
4.一种基于北斗网格的同行人员识别***，其特征在于，包括监控区域剖分模块、网格化模块以及同行人判断模块；
所述监控区域剖分模块，其输入为被监控区域地图，利用北斗网格位置码的地球剖分网格编码技术，对被监控区域进行网格剖分与编码，获得网格地图并输出；
所述网格化模块，其输入为人员轨迹，根据人员轨迹在所述网格地图上的位置确定轨迹网格区域，每个轨迹网格区域中所有网格组成轨迹网格集合，输出轨迹网格集合；
所述同行人判断模块，获取待判断两人员的轨迹网格集合，判断两人员的轨迹网格集合中的轨迹网格是否相遇，如相遇网格数超过设定阈值，则判定两人员为同行人；
所述同行人判断模块，具体地，采用如下方法：
两人员的轨迹网格集合分别为L1和L2；
第一人员轨迹网格集合L1＝{(p1 n，t1 n)|n＝1...N}；N为第一人员的轨迹网格总数；t1 n为第一人员的第n个轨迹网格对应的时刻；p1 n为第一人员的第n个轨迹网格对应的人员状态；
第二人员轨迹网格集合L2＝{(p2 m，t2 m)|m＝1...M}；M为第二人员的轨迹网格总数；t2 m为第二人员的第m个轨迹网格对应的时刻；p2 m为第二人员的第m个轨迹网格对应的人员状态；
判断L1和L2中是否存在相遇网格，若存在，且相遇网格的数量超过设定阈值则判定两人员为同行人；
所述设定阈值设定为：r×min(length(L1),Length(L2))；其中length(L1)表示L1的长度；length(L2)表示L2的长度；r为设定的比例尺；
针对第一人员轨迹网格集合中的第n个轨迹网格(p1 n，t1 n)，以及第二人员轨迹网格集合中的第m个轨迹网格(p2 m，t2 m)，若同时满足如下四个条件，则二者为相遇网格：
条件a：|distance(p1 n,p2 m)|<dist；其中|distance(p1 n,p2 m)表示p1 n,p2 m的距离(采用二者中心点之间的直线距离)；dist为预设的距离阈值；
条件b：|t1 n-t2 m|<tim；其中tim为预设的时间阈值；
条件c：p2 m是L2中满足条件b且距离p1 n最近的轨迹网格；
条件d：若满足条件c的p2 m数目超过1个，则从中选取|t1 n-t2 m|最小的网格为p1 n的相遇网格。
5.如权利要求4所述的***，其特征在于，所述网格化模块，具体采用如下步骤：
针对每个人员对应轨迹网格区域构建状态关系索引表；
所述状态关系索引表包括人员身份标识码ID、时刻t、以及人员状态p；所述人员状态p即为时刻t人员所处的轨迹网格编码；
根据所构建的状态关系索引表，确定待分析时间段内所有离散时刻的人员状态p，组成轨迹网格集合。
6.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时可实现权利要求1～3任一项所述的基于北斗网格的同行人员识别方法中的步骤。
CN202110910133.2A 2021-08-09 2021-08-09 基于北斗网格的同行人员识别方法、***及存储介质 Active CN113806459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110910133.2A CN113806459B (zh) 2021-08-09 2021-08-09 基于北斗网格的同行人员识别方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110910133.2A CN113806459B (zh) 2021-08-09 2021-08-09 基于北斗网格的同行人员识别方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN113806459A CN113806459A (zh) 2021-12-17
CN113806459B true CN113806459B (zh) 2023-12-08

Family

ID=78942907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110910133.2A Active CN113806459B (zh) 2021-08-09 2021-08-09 基于北斗网格的同行人员识别方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN113806459B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334171A (zh) * 2019-07-05 2019-10-15 南京邮电大学 一种基于Geohash的时空伴随对象挖掘方法
CN111488835A (zh) * 2020-04-13 2020-08-04 北京爱笔科技有限公司 一种同行人员的识别方法及装置
CN113115229A (zh) * 2021-02-24 2021-07-13 福建德正智能有限公司 一种基于北斗网格码的人员轨迹追踪方法及***
CN113220750A (zh) * 2021-05-28 2021-08-06 重庆中科云从科技有限公司 同行人员的识别方法、装置及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10552439B2 (en) * 2014-05-11 2020-02-04 Informatica Llc Grid format data viewing and editing environment
US10387457B2 (en) * 2014-06-17 2019-08-20 Sap Se Grid-based analysis of geospatial trajectories
US11994863B2 (en) * 2019-12-03 2024-05-28 International Business Machines Corporation Trajectory similarity search

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334171A (zh) * 2019-07-05 2019-10-15 南京邮电大学 一种基于Geohash的时空伴随对象挖掘方法
CN111488835A (zh) * 2020-04-13 2020-08-04 北京爱笔科技有限公司 一种同行人员的识别方法及装置
CN113115229A (zh) * 2021-02-24 2021-07-13 福建德正智能有限公司 一种基于北斗网格码的人员轨迹追踪方法及***
CN113220750A (zh) * 2021-05-28 2021-08-06 重庆中科云从科技有限公司 同行人员的识别方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于出租车轨迹数据的城市热点出行区域挖掘;郑林江;赵欣;蒋朝辉;邓建国;夏冬;刘卫宁;;计算机应用与软件(01);全文 *

Also Published As

Publication number Publication date
CN113806459A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US10706285B2 (en) Automatic ship tracking method and system based on deep learning network and mean shift
EP2219379B1 (en) Social network construction based on data association
Xiao et al. Two-dimensional visual tracking in construction scenarios: A comparative study
CN111046583B (zh) 基于DTW算法和ResNet网络的转辙机故障诊断方法
Hou et al. Detecting structural components of building engineering based on deep-learning method
CN107977656A (zh) 一种行人重识别方法及***
CN109241126A (zh) 一种基于r*树索引的时空轨迹聚集模式挖掘算法
CN108764269A (zh) 一种基于时空约束增量学习的跨数据集行人再识别方法
CN112084373B (zh) 一种基于图嵌入的多源异构网络用户对齐方法
CN110019963B (zh) 嫌疑人关系人员的搜索方法
CN103150552A (zh) 一种基于人头计数的驾驶培训管理方法
Kota et al. Automated detection of handwritten whiteboard content in lecture videos for summarization
Loglisci Using interactions and dynamics for mining groups of moving objects from trajectory data
CN113806459B (zh) 基于北斗网格的同行人员识别方法、***及存储介质
Kong et al. Simultaneous viewpoint-and condition-invariant loop closure detection based on LiDAR descriptor for outdoor large-scale environments
Zhao et al. Towards long‐term UAV object tracking via effective feature matching
CN115272967A (zh) 一种跨摄像机行人实时跟踪识别方法、装置及介质
Zhang et al. A novel ship trajectory clustering analysis and anomaly detection method based on AIS data
CN113365026B (zh) 一种小区监控视频目标跟踪安防预警方法和装置
CN115033732A (zh) 一种时空轨迹关联方法、装置、电子设备及存储介质
CN110503663B (zh) 一种基于抽帧检测的随机多目标自动检测跟踪方法
Persia et al. Fast learning and prediction of event sequences in a robotic system
Cheng et al. Early Detection of Suspicious Behaviors for Safe Residence from Movement Trajectory Data
El Hafyani Spatio-temporal data analytics in the context of environmental crowdsensing
CN111612062B (zh) 一种用于构建图半监督学习模型的方法和***

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
GR01 Patent grant
GR01 Patent grant