一种基于时序的动态稀疏轨迹补全方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及视频监控轨迹追踪领域，尤其涉及一种基于时序的动态稀疏轨迹补全方法。背景技术：2.绝大部分警用视频监控平台未实现智能化、联动化及与地理信息系统整合化，数据的价值密度低、存储时效短同时无法结合已有轨迹分析模型进行数据处理等问题长期未能得到有效解决。大数据时代公安部门溯源工作更需要引入智能化轨迹溯源推荐模型避免重要警情信息被遗漏的风险。3.实际中，特定目标个体的历史行为轨迹是一个随时间排序的序列集合，集合内数据存在或深或浅的前后依赖关系，此种序列信息对于轨迹补全的过程无疑是有价值的，一是加强了最近行为对后续行为预测的影响，二是序列模型能够学习到轨迹偏好转移概率趋势。但是，此前的轨迹溯源推荐模型并没有利用到这层序列信息，即使是引入了注意力机制的afm或din模型，也仅仅是对不同行为的重要性进行打分，这样的得分与时间无关，也与序列无关。技术实现要素：4.本技术提供了一种基于时序的动态稀疏轨迹补全方法，能够解决现有的轨迹溯源推荐模型无法与时序关联的问题。5.本技术的技术方案是一种基于时序的动态稀疏轨迹补全方法，包括：6.s1：构建用于监控视频与轨迹向量之间互相转换的互映射模型；7.s2：获取目标区域的静态道路特征和基于时序的异常动态特征；8.s3：基于互映射模型以及根据目标区域的静态道路特征和异常动态特征，构建关于目标区域的轨迹溯源模型；所述轨迹溯源模型以目标区域在目标时段的的监控视频作为输入项并且通过互映射模型得到轨迹向量，以及通过目标区域的静态道路特征和异常动态特征对轨迹向量进行溯源分析，得到相应于目标时段的基于时序的异常动态轨迹，以及输出异常动态轨迹；9.s4：获取目标区域中子区域在需求时段的监控视频并且输入至轨迹溯源模型，所述轨迹溯源模型输出相应于需求时段的异常动态轨迹。10.可选地，所述步骤s2包括：11.s21：获取目标区域内的包括道路密度数据、拥堵态势数据、道路周边poi点位数据和监控点位数据的静态道路特征；12.s22：获取目标区域内的包括若干个车辆的散乱历史稀疏轨迹的动态稀疏数据集，基于互映射模型以及根据动态稀疏数据集确定包括若干个车辆的基于时序的历史连线轨迹的动态轨迹数据集，以及根据动态轨迹数据集确定基于时序的异常动态特征。13.可选地，所述步骤s21包括：14.s211：根据经纬度对目标区域进行单元网格划分，得到划分区域图，以及对划分区域图进行坐标转换，得到区域坐标转换图，以及通过聚类分析对区域坐标转换图进行道路密度计算并且对道路密度计算结果进行断点分级分析，得到目标区域内基于不同道路密度区间的道路密度数据；15.s212：基于城市线路交通拥堵识别指数，得到目标区域内关于快速路、主干路、次干路和支路分别在早高峰和晚高峰的拥堵态势数据；16.s213：基于目标区域内行政单位和娱乐场所的分布特点，得到目标区域内的道路周边poi点位数据；17.s214：获取目标区域内的监控点位信息并且对监控点位信息进行坐标转换，得到监控点坐标转换图，以及对监控点坐标转换图进行核密度分析，得到目标区域内包括摄像头分布核密度分析图的监控点位数据。18.可选地，所述步骤s22包括：19.s221：获取目标区域中包括若干个车辆的散乱历史稀疏轨迹的动态稀疏数据集，以及对动态稀疏数据集进行遍历，得到若干个车辆的以散乱形式分布的所有轨迹点；20.s222：根据不同车辆具有不同编号位的规则，基于编号位将所有轨迹点划分为相应于不同车辆的轨迹点集；21.s223：基于时序，通过点集转线工具将不同车辆的轨迹点集中的轨迹点进行连接，得到相应于不同车辆的轨迹曲线，以及通过互映射模型将轨迹曲线转化为轨迹向量，得到包括若干个车辆的基于时序的历史连线轨迹的动态轨迹数据集；22.s224：基于预设的正常行为区分标准，通过无监督学习算法对动态轨迹数据集进行周期性挖掘，用于确定动态轨迹数据集中基于时序的的异常动态特征。23.可选地，所述轨迹溯源模型包括：特征提取层、轨迹处理层和应用层；24.所述特征提取层，用于获取目标区域的静态道路特征和基于时序的异常动态特征；25.所述轨迹处理层，用于获取目标区域中子区域在需求时段的监控视频并且将视频监控分隔成若干个单帧图像，以及通过互映射模型的编码段完成单帧图像至存储节点的转换，得到若干个存储节点和相应于存储节点的轨迹向量；26.所述轨迹处理层，还用于基于目标区域的静态道路特征和动态轨迹行为对存储节点进行编码，用于确定存储节点的静态道路特征和动态轨迹特征，以及基于存储节点的动态轨迹特征确定存储节点内目标对象并且确认目标对象的实际游走的回溯概率；27.所述应用层，用于对存储节点的静态道路特征和存储节点内目标对象的实际游走的回溯概率进行解码，得到关于目标对象的基于时序的相应于需求时段的异常动态轨迹，以及可视化输出相应于需求时段异常动态轨迹。28.可选地，所述步骤s3包括：29.s31：接收目标区域的静态道路特征和动态轨迹特征，通过静态道路特征和动态行为特征进行进行学习，用于挖掘动态行为特征中的隐性信息并且基于隐性信息确定异常行为，以及对异常行为进行加权处理，得到轨迹溯源模型。30.可选地，所述目标对象的实际游走的回溯概率为观测到目标对象在路口节点vi出现后，上一步经过vi的邻接点vj的概率，即节点vi回溯到邻接点vj的概率的计算公式如下所示：；[0031][0032]公式中，ε表示轨迹关系图中所有轨迹边的集合；n+(vi)表示路口节点vi所有的入度的边集合；wij表示路口节点·vi回溯到路口节点vj的道路的权重。[0033]可选地，所述步骤s4包括：[0034]s41：获取目标区域中子区域在需求时段的监控视频并且输入至轨迹溯源模型的特征提取层；[0035]s42：所述特征提取层将监控视频分隔成若干个单帧图像并且分别对若干个单帧图像进行尺寸调整，得到若干个经过尺寸调整的单帧图像；[0036]s43：根据预设的逻辑映射关系和基于单帧图像的视频轨迹空间至存储数据空间的转换过程规则，所述特征提取层将经过尺寸调整的单帧图像转换为可视化特征热力图并且将可视化特征热力图转化为通过向量形式表达的轨迹曲线，得到存储节点；[0037]s44：根据静态道路特征，所述轨迹处理层建立关于存储节点的哈希索引储存表，用于储存通过向量形式表达的包括道路名称、道路结构、方向位、终点子车道位和目标编号位的关于子区域的静态道路特征；[0038]s44：根据动态轨迹特征，所述轨迹处理层基于轨迹曲线确定存储节点内关于子区域的目标对象，以及确认目标对象的实际游走的回溯概率；[0039]s45：所述应用层对存储节点的静态道路特征和存储节点内目标对象的实际游走的回溯概率进行解码，得到关于目标对象的基于时序的相应于需求时段的异常动态轨迹，以及可视化输出相应于需求时段的异常动态轨迹。[0040]可选地，所述轨迹处理层确定存储节点的动态轨迹特征的方法包括：[0041]所述特征提取层基于图嵌入技术，对存储节点依次进行特征输入、特征交叉和特征融合，得到存储节点的动态轨迹特征[0042]有益效果：[0043]本技术通过构建基于互映射模型的轨迹溯源模型，可以通过多摄像头监控视频确定关于目标的相应于需求时段的异常动态轨迹，有效地得到基于时序的行动轨迹，因此能够解决现有的轨迹溯源推荐模型无法与时序关联的问题。[0044]此外，引入智能化轨迹推荐模型可以实现视频轨迹数据的深度利用，有效提高基层一线警务人员案件侦办效率、降低警务成本、提升警务服务质量，并且可使公安部门轨迹溯源工作智能化、自动化，因此具有重要的研究意义。附图说明[0045]为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0046]图1为本技术实施例中一种基于时序的动态稀疏轨迹补全方法的流程示意图；[0047]图2为本技术实施例中存储节点与路口节点互映射示意图；[0048]图3为本技术实施例中vgg11卷积神经网络结构图；[0049]图4为本技术实施例中经过不同网络测试后特征提取对比图；[0050]图5为本技术实施例的解码示意图；[0051]图6为本技术实施例中poi点位的数据表；[0052]图7为本技术实施例中对目标区域进行单元网格划分前后的示意图；[0053]图8为本技术实施例中自然间断点道路密度分级情况表；[0054]图9为本技术实施例中道路密度分析图；[0055]图10为本技术实施例的早、晚高峰拥堵态势的分析表；[0056]图11为本技术实施例中行政单位和生活娱乐的poi核密度分析图；[0057]图12为本技术实施例中城区摄像头分布核密度分析图；[0058]图13为本技术实施例种轨迹点和轨迹线的示例图；[0059]图14为本技术实施例中轨迹溯源模型的结构示意图；[0060]图15为本技术实施例中轨迹溯源模型的模型设计图；[0061]图16为本技术实施例中图嵌入流程的流程示意图；[0062]图17为本技术实施例中市民真实轨迹和轨迹溯源模型还原轨迹的对比示意图；[0063]图18为本技术实施例中模拟盗窃犯罪人员轨迹和轨迹溯源模型还原轨迹的对比示意图；[0064]图19为本技术实施例中轨迹溯源模型与其他模型还原准确率和损失函数的对比曲线图。具体实施方式[0065]下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本技术相一致的所有实施方式。仅是与权利要求书中所详述的、本技术的一些方面相一致的系统和方法的示例。[0066]电动车盗窃案件中犯罪目标的行为轨迹具有明显的时空特征，稀疏轨迹附近道路密度大且道路拥堵态势弱的路径被回溯的准确率较高，同时道路周边行政执法点位poi占比高、及执法监控位置分布密集的路径不被回溯的概率更大，轨迹回溯推荐模型能够很好的捕捉并还原这些信息，并提高轨迹还原的准确度，实现目标人员的活动轨迹溯源，为追溯目标的时空历史轨迹提供方法支持。[0067]对特定目标对象进行历史轨迹补全的过程来说，其出行偏好的迁移其实非常快，例如在上半程历史轨迹片段中目标对象频繁按照最短路线进行行进，那么目标对象在上半程的行为序列都会集中在最短路径这样的道路集合中，但在上半程行程完成后，下半程的历史轨迹片段中目标轨迹对象开始频繁规避拥堵路段，那么在下半程其出行序列就会集中在平均最短出行时间这样的道路集合中。[0068]同时由于目标的隐信息的表达会直接导致轨迹产生异常，通过自编码器(autoencoder)可以捕捉和处理隐信息，综合隐信息后目标对象现有轨迹的周边回溯点会更具解释性同时整体轨迹的符合度也更高，本文以盗窃案件为例，完成轨迹数据补全工作，在现实的公安工作中，本技术可以通过对接更多相的关数据，来完成对相似场景的迁移，例如缉毒缉私工作、丢失老人巡回工作及可疑人员摸排工作等，让大数据技术服务基层治安，使基层警务工作更智能。[0069]本技术提供了一种基于时序的动态稀疏轨迹补全方法，如图1所示，图1为本技术实施例中一种基于时序的动态稀疏轨迹补全方法的流程示意图，包括：[0070]s1：构建用于监控视频与轨迹向量之间互相转换的互映射模型。[0071]具体地，互映射模型的构建包括两个过程，具体为编码和解码。[0072]由于监控摄像头获取到的图像视频数据占据内存空间大且价值密度低，不便于进行长时间存储和利用，且计算机视觉领域积累的工程技术日益成熟对目标标识的准确率较高，但目前相邻多摄像头间的协同标定工作在图像视频空间中数据处理难度仍旧很大，所以有必要先对视频图像进行计算机视觉处理然后再对标识的对象和信息进行重新定义和整理，使数据的存储与表示形式能够适应于公安溯源工作实践。[0073]在设计多摄像头视频监控图像与地理空间信息的互映射模型(monitor2vec)时，定义五个重要特性：[0074]a)编码的结果能够准确的标识所在区域任意的道路信息、任意目标的行驶方向和轨迹信息且存储开销要尽可能小；[0075]b)数据结构要足够简单，可以与多模型相结合；[0076]c)表示结果能捕获轨迹的周期性模式和非周期性模式，并能通过调整参数模拟出目标的行为习惯偏好及变化；[0077]d)表示的结果能够反向解码并在地理系统中准确的还原出轨迹；[0078]e)嵌入推荐的编码结果能插值到解码序列。[0079]轨迹编码是指在视频空间中通过设计好的逻辑映射关系，建立视频轨迹空间到存储数据空间的转换过程规则，即完成视频轨迹空间到存储数据空间的基变换。[0080]如图2所示，图2为本技术实施例中存储节点与路口节点互映射示意图，左侧为按照实际路口节点地理方位关系建立的存储矩阵，在矩阵节点对应的索引值位置处为pgis系统存放对应路口节点的历史监控数据地址索引，对于历史视频数据分隔为单帧图像后导入深度学习系统进行特征提取处理。[0081]如图3所示，图3为本技术实施例中vgg11卷积神经网络结构图，以vgg(超分辨率测试序列，visualgeometrygroup)为例，将训练集分隔为图像帧并调整尺寸后导入，本文为避免因过大的bachsize降低训练的随机性，导致训练结果陷入sharpminima，所以将其值调整为3以增强模型的泛化能力。[0082]设定初始的学习率为0.05，并使用指数衰减(exponential)算法实时调整学习率，迭代次数epochs设定为500。结果采用cam(classactivationmapping，类别激活映射图)来可视化特征热力图。[0083]如图4所示，图4为本技术实施例中经过不同网络测试后特征提取对比图，左侧为轨迹图，右侧为特征热力图，图4是对路口车辆进行节点内深度学习，机器视觉处理后，得到的车流轨迹点热点图，左侧为输入各模型前重新调整尺寸的视频帧，右侧为分别经过vgg(超分辨率测试序列，visualgeometrygroup)、resnet(残差网络，residualnetwork)和resnext(分散注意力网络，split-attentionnetworks)后的得到车流特征，并对车流特征进行cam(classactivationmapping，类别激活映射图)的可视化特征热力图。[0084]图中连续的车辆车流点位信息在路口坐标系中被绘制成轨迹线后，将以向量形式进行轨迹线表达。道路信息基本固定，作为静态数据我们将其和轨迹等动态信息分开存储并进行集中管理。[0085]同时道路和路口节点信息由于在数据调用时检入和检出频繁，故按路口为节点建立哈希索引存储表来存储道路名称、道路结构等静态信息。[0086]对于运动轨迹等动态信息，参考文献还需要额外编码移动方向和子车道，模型用3bit来标识8个方向位即东、北、西、南、北向东、北向西、南向西、南向东。用3bit标记子车道信息，内车道由0开始向外自然递增编号(由于收集到的数据由内车道向外车道最大编号为6)，经测试满足需求。[0087]综上对于道路名称和路口节点等静态信息，按8byte录入路段名称，2byte录入路口节点信息，1bit保留标识，并分别建立哈希索引表，索引表占1byte。对于目标和轨迹等动态信息，用3bit标记方向信息位(对应于八个方向位)、3bit标记子车道信息位(由内车道向外编号目前最大编号位6)，9bit标记目标编号位(1min内路口最大流量统计值《512)，1bit保留，这样对于每个路口的每条轨迹记录仅用3byte(24bit)完成。[0088]如图以井字形双向四车道路段为例，我们通过道路名称、节点编号、方向位、终点子车道位、目标编号位可以唯一标识一段轨迹并存储在数据库中，由于哈希表的建立及得到的路口流量数据，平均每个路口每天产生的轨迹信息数据量估计值为3*8*7782.5*24/1024/1024≈4.28g。[0089]对于其他各类型交汇路口，数据结构可以复用，结果以向量形式存储，轨迹周期性和非周期性的模式挖掘则可以通过编码向量间的相似性程度进行计算。[0090]对于轨迹特征的表达，唯一需要形式化定义的就是随机游走的回溯概率，目标对象的实际游走的回溯概率为观测到目标对象在路口节点vi出现后，上一步经过vi的邻接点vj的概率，即节点vi回溯到邻接点vj的概率的计算公式如下所示：[0091][0092]公式中，ε表示轨迹关系图中所有轨迹边的集合。n+(vi)表示路口节点vi所有的入度的边集合。wij表示路口节点·vi回溯到路口节点vj的道路的权重。monitor2vec的回溯概率就是其回溯道路的权重在所有相关入度的边的边集的权重和中的占比。[0093]同时可通过调整随机游走权重的方法来使graphembedding的结果更偏向于图网络的同质性还是结构性。[0094]同质性指的是距离相近的节点的embedding尽量相似，入度边的权重越大，随机游走更倾向于广度优先搜索(bfs，breadth-firstsearch)，当前节点尽可能在附近节点回溯，而结构性指的是结构上相似的节点的embedding尽量相似，出度权重越大，随机游走更倾向于深度优先搜索(dfs，depth-firstsearch)，当前节点更可能向远方节点回溯。[0095]轨迹编码向量的表示形式为各模型的录入计算和处理提供数据一致性。至此整个编码过程完成monitor2vec的前三项特性要求。[0096]轨迹解码即在知晓轨迹编码或推荐路径插值编码后，进行逆向求解，在网格地图上还原出目标行为轨迹，进行地图空间标注的过程。[0097]如图5所示，图5为本技术实施例的解码示意图，对动态轨迹信息编码3200由32字段可以标识定位到静态路口数据，进行检索得到双向六车道十字路口信息，由00字段可以得知目标由始发点向东行驶经入西向0号子车道，在地理系统中可以轻易绘制出轨迹曲线。同理对于其他轨迹编码亦可以通过检索哈希表，反向还原出轨迹曲线。如部分路口没有轨迹编码数据，根据后训练的模型推荐的轨迹编码也仍然可以轻易的在地理信息系统中进行轨迹曲线的绘制。至此解码过程完成monitor2vec的最后两项特性要求。[0098]综上，monitor2vec模型在编码和解码过程，完成预期定义的五项重要特性，对后续的应用和研究提供了便利，如可将向量化的结果导入现有的深度学习模型，并对模型推荐结果进行可视化分析表达。[0099]s2：获取目标区域的静态道路特征和基于时序的异常动态特征。[0100]其中，步骤s2包括：[0101]s21：获取目标区域内的包括道路密度数据、拥堵态势数据、道路周边poi点位数据和监控点位数据的静态道路特征。[0102]具体地，本技术实施例需用的数据集包括盗窃犯罪数据、道路路网数据、路网周边poi点位数据、车辆及人员轨迹数据和摄像头信息数据等。[0103]盗窃犯罪数据：由于盗窃犯罪在刑事案件中的占比较高，同时犯罪人员整体轨迹受交通环境及主观行为偏好影响较大,累犯人员行为特征明显，所以选用盗窃案件来进行轨迹溯源推荐模型研究。现以某a市城区分局接处警平台数据库2008-2014年盗窃案件记录，共有效数据43141条，作为本技术实施例中盗窃人员行为特征数据集，以及在后续步骤中将以实施例为代称指代a市城区分局的相关情况，具体地用于案例阐释。[0104]道路路网数据：道路网络数据来源于openstreet-map平台。通过下载获取中国区域道路交通线图层，按照城区区划，使用arcgis软件对图层进行处理，得到城区区划内路网数据，数据坐标在wgs_1984地理坐标系下。[0105]路网周边poi点位数据：路网周边poi点位数据通过python网络爬虫程序爬取高德地图api端口获得，实施例中数据记录共计条789246条，poi数据属性包含标签类、名称、地址、经纬度坐标等，实施例的poi数据属性包含行政单位、商圈购物、生活娱乐三类共计数据13249条。如图6所示，图6为本技术实施例中poi点位的数据表。[0106]车辆及人员轨迹数据：车辆及人员轨迹数据采用微软t-driver公开数据集。实施例种此数据集包含城区内10357辆车辆一周的历史轨迹数据，此外此数据集内共有1500万个坐标点，轨迹的距离总和达到900多万公里。[0107]摄像头信息数据：摄像头信息数据集同样由城区分局提供。实施例中城区内共计执法探头530个，包含摄像头点位经纬度等信息。[0108]其中，步骤s21包括：[0109]s211：根据经纬度对目标区域进行单元网格划分，得到划分区域图，以及对划分区域图进行坐标转换，得到区域坐标转换图，以及通过聚类分析对区域坐标转换图进行道路密度计算并且对道路密度计算结果进行断点分级分析，得到目标区域内基于不同道路密度区间的道路密度数据。[0110]具体地，首先对某市城区经纬跨度进行栅格划分，将整个区域分为100×100的单元网格，并对整个城区区划、快速路及栅格划分带进行坐标转换，具体由wgs_1984地理坐标系转换为wgs_1984_utm_zone_50n坐标系，转换后进行道路密度计算。[0111]如图7所示，图7为本技术实施例中对目标区域进行单元网格划分前后的示意图，左侧为划分前的，右侧为划分后的。对网格内的道路长度进行逐一求和，通过网格内道路总长与区域面积之比求得对应网格区域的道路密度。道路密度是衡量路况复杂程度的一项重要指标。但在城区内由于道路密度数据分布呈现不均匀性，故对其进行聚类分析。[0112]自然间断点分级法是公安实践中常使用的技术手段，通过运用数据自身的特性可以对相似对象进行恰当地分组，使得各个类之间的差异最大化，在本文中通过自然间断点分级法对道路密度进行分类间隔。[0113]道路密度要素将被划分为多个类，对于性质相似的类划分为统一的群组进行研究。根据城区道路的特点进行了10个等级的道路密度分段。[0114]算法原理是一个小聚类，聚类结束条件是组间方差最大化且组内方差最小，梯度值绝对值取得最小值点，即gvf值取得最小。[0115][0116][0117][0118]sdcmi＝sdam1～i+sdami+1～n；[0119][0120]中断值由上述公式计算得出，其中pi表示栅格内道路密度其值为栅格内道路总长与栅格面积的比值，p为总体道路密度的期望值，sdam为总体方差，sdcmi为选取间断点后被间断分组的组间方差之和，当组间方差之和sdcmi值取得最小值且总体方差sdam取相对最大值时，gvf为方差拟合优度值取得最大值，其值在0～1之间，值越大表示拟合情况越好。如图8所示，图8为本技术实施例中自然间断点道路密度分级情况表。[0121]如图8可知城区内道路按照道路密度被分为十个不同的分类除两端一级道路和十级道路代表的网格内道路纵深最短和最长的各别分类外，道路密度分组大多集中在三级道路、六级道路和七级道路，经后期调研，这类栅格道路设置合理，流量密度也呈现道路密度相似的分布规律。[0122]如图9所示，图9为本技术实施例中道路密度分析图，具体显示经道路密度分级后各级道路的分布情况，图9中上侧为各个道路密度区间以及相应的中断值，中侧为摄影坐标系，下侧为相应于各个道路密度区间的柱状图及相应数据。从图5可知，实施例中城区内三级道路所占数量最多为1478条，其次为六级道路和七级道路分别为709条和503条，而纵深极大和极小的道路占全部道路数量比重为7.89％，分析后发现这类道路会延长活动目标在网格内停留的时间，相应会限制活动目标在单位时间内的流动性，在后续进行路径推荐时，会将其相应路径阈值降低，使推荐路径避免落在相应道路集合。[0123]上述分析结果主要用于后续推荐算法中道路权重的设置提供参考依据，模拟道路环境下正常轨迹集合的一般表达，以及还用于在轨迹异常检测中提供异常解释，因此非常有必要进行分析。[0124]s212：基于城市线路交通拥堵识别指数，得到目标区域内关于快速路、主干路、次干路和支路分别在早高峰和晚高峰的拥堵态势数据。[0125]具体地，道路拥堵态势作为协变量同样是影响目标对象历史行为决策的影响因素，为定量描述交通拥堵态势，利用交通拥堵识别指数(trafficcongestionrecognitionindex,tcri)[]来对路网的运行状态进行评估，遍历城区所有的道路路段，记录道路路段名称、时间段内的交通拥堵时间，汇总在一起后对道路位置信息统一进行坐标纠偏导后入arcgis进行可视化分析。[0126]在实际操作中，可获取早、晚高峰拥堵态势图，其中分别包括：城区早高峰交通拥堵态势图和城区晚高峰交通拥堵态势图。具体地，道路拥堵识别指数标识路段拥堵程度，还可以在具体应用中用红、黄、绿三色标识拥堵程度及从严重到轻微，由此可以看到较早高峰，晚高峰拥堵道路总长和数量都有明显增加，这对盗窃犯罪的案件的发生时间和犯罪目标路径选择也产生影响。[0127][0128]tcri，城市线路交通拥堵识别指数可表示第k个周期内r路段的拥挤程度,值越大表示拥挤程度越严重，表示第k个周期内路段r上第i辆车的平均行驶速度，第k个周期内路段r上车辆的平均最大行驶速度。[0129]附图10所示，图10为本技术实施例的早、晚高峰拥堵态势的分析表，记录有抽样路段数量、路段速度均值及tcri，城市线路交通拥堵识别指数均值，其值由上式求解的后取均值。可见快速路、主、次干路早、晚高峰车辆均速变化不大，且拥堵程度快速度与主干路相近，而次干路相对就没有那么拥堵，按照时间最短原则在早晚高峰时，出行轨迹会朝次干路倾斜。[0130]s213：基于目标区域内行政单位和娱乐场所的分布特点，得到目标区域内的道路周边poi点位数据。[0131]具体地，兴趣点(pointofinterest，poi)，用以标记重要的地理空间，具体为地图上任何有意义但非地理意义的点。本文研究具有对盗窃人员行为轨迹具有显著影响的两类poi点位，涉及行政单位、生活娱乐。[0132]如图11所示，图11为本技术实施例中行政单位和生活娱乐的poi核密度分析图，左侧围城区行政单位poi核密度分析图，右侧为城区生活娱乐poi核密度分析图。从图8可知，盗窃犯罪人员在整体轨迹分布上落在城区道路网格里的轨迹点会朝城区生活娱乐设施点偏移而远离城区行政单位。对于特征权重靠近行政单位的道路路径会相应减少而靠近城区生活娱乐设施周边则会增加。[0133]s214：获取目标区域内的监控点位信息并且对监控点位信息进行坐标转换，得到监控点坐标转换图，以及对监控点坐标转换图进行核密度分析，得到目标区域内包括摄像头分布核密度分析图的监控点位数据。[0134]具体地，监控点位信息来源于实施例种公安局城区分局平台数据库2018年数据记录，共有效记录530条。作为监控点位信息数据源先进行坐标转换将监控数据点的坐标由火星坐标系转换至wgs2984地理坐标系进行统一处理，而后进行核密度分析。[0135][0136]如图12所示，图12为本技术实施例中城区摄像头分布核密度分析图，城区内摄像头密集区域集中在大型商场、商圈、步行街及中小学附近，落在道路网格上的摄像头密度聚集区为各快速路路口出入口处，结合盗窃案件的数据，发现盗窃犯罪人员行为轨迹具有明显躲避摄像头特征，在轨迹溯源推荐模型录入参数时会根据摄像头密度分布对相应路段增减权重，突出该盗窃人员轨迹特征。[0137]s22：获取目标区域内的包括若干个车辆的散乱历史稀疏轨迹的动态稀疏数据集，基于互映射模型以及根据动态稀疏数据集确定包括若干个车辆的基于时序的历史连线轨迹的动态轨迹数据集，以及根据动态轨迹数据集确定基于时序的异常动态特征。[0138]具体地，对于动态动态轨迹数据集，实施例选用微软t-driver公开数据集对模型进行训练，此数据集包含实施例中城区内10357辆车辆一周的历史轨迹数据，数据集内共有1500万个坐标点，轨迹的距离总和达到900多万公里。[0139]其中，步骤s22包括：[0140]s221：获取目标区域中包括若干个车辆的散乱历史稀疏轨迹的动态稀疏数据集，以及对动态稀疏数据集进行遍历，得到若干个车辆的以散乱形式分布的所有轨迹点。[0141]s222：根据不同车辆具有不同编号位的规则，基于编号位将所有轨迹点划分为相应于不同车辆的轨迹点集。[0142]s223：基于时序，通过点集转线工具将不同车辆的轨迹点集中的轨迹点进行连接，得到相应于不同车辆的轨迹曲线，以及通过互映射模型将轨迹曲线转化为轨迹向量，得到包括若干个车辆的基于时序的历史连线轨迹的动态轨迹数据集。[0143]具体地，t-driver数据集中不同车辆的轨迹数据集是以独立文本文件进行存储的，运用python对所有车辆信息进行遍历后，按文件编号将全部轨迹点的时刻信息、地理坐标系经纬度信息导入到arcgis中，在轨迹点属性表中，点集信息通过编号位区分，即不同车辆轨迹点的编号位不同，相同编号位的轨迹点集合属于同一车辆。[0144]通过使用点集转线工具，根据编号位将相同车量的轨迹点按时间顺序来连接，并用城区划面来裁剪整个轨迹线集合，最后对于得到的轨迹曲线利用互映射模型处理为轨迹向量，完成数据集录入。如图13所示，图13为本技术实施例种轨迹点和轨迹线的示例图，图中左侧为轨迹点分布图，图中右侧为轨迹线分布图，轨迹点连线交叠密集处集中在快速路及主干路上并且其中在某些道路上轨迹连线交叠异常，人员存在来回绕路现象，可以方便被捕捉。[0145]s224：基于预设的正常行为区分标准，通过无监督学习算法对动态轨迹数据集进行周期性挖掘，用于确定动态轨迹数据集中基于时序的的异常动态特征。[0146]具体地，对于盗窃累犯人员经验上在实施盗窃行为前，会存在在作案前期在作案地点附近徘徊等轨迹行为特征，在地理信息系统中可以很好的观察并利用这一特征。[0147]在得到轨迹向量以后，用无监督学习算法将轨迹分为正常集和异常集，通过自编码器(autoencoder)处理后，通常正常集包含正确的行驶行为习惯，异常集合则包含不正确的行驶行为习惯和隐性信息，例如故意频繁规避监控摄像头、变道、弯道突然加速等等。对于异常数据集，通常需要进行集中学习，挖掘其中的隐性信息对比犯罪嫌疑人的行为特点进而进行针对性的轨迹分析推荐，为异常行为的轨迹向量加权。[0148]s3：基于互映射模型以及根据目标区域的静态道路特征和异常动态特征，构建关于目标区域的轨迹溯源模型；所述轨迹溯源模型以目标区域在目标时段的的监控视频作为输入项并且通过互映射模型得到轨迹向量，以及通过目标区域的静态道路特征和异常动态特征对轨迹向量进行溯源分析，得到相应于目标时段的基于时序的异常动态轨迹，以及输出异常动态轨迹。[0149]其中，步骤s3包括：[0150]s31：接收目标区域的静态道路特征和动态轨迹特征，通过静态道路特征和动态行为特征进行进行学习，用于挖掘动态行为特征中的隐性信息并且基于隐性信息确定异常行为，以及对异常行为进行加权处理，得到轨迹溯源模型。[0151]其中，如图14和图15所示，图14为本技术实施例中轨迹溯源模型的结构示意图图15为本技术实施例中轨迹溯源模型的模型设计图，轨迹溯源模型包括：特征提取层、轨迹处理层和应用层。[0152]所述特征提取层，用于获取目标区域的静态道路特征和基于时序的异常动态特征。[0153]所述轨迹处理层，用于获取目标区域中子区域在需求时段的监控视频并且将视频监控分隔成若干个单帧图像，以及通过互映射模型的编码段完成单帧图像至存储节点的转换，得到若干个存储节点和相应于存储节点的轨迹向量；[0154]所述轨迹处理层，还用于基于目标区域的静态道路特征和动态轨迹行为对存储节点进行编码，用于确定存储节点的静态道路特征和动态轨迹特征，以及基于存储节点的动态轨迹特征确定存储节点内目标对象并且确认目标对象的实际游走的回溯概率；[0155]所述应用层，用于对存储节点的静态道路特征和存储节点内目标对象的实际游走的回溯概率进行解码，得到关于目标对象的基于时序的相应于需求时段的异常动态轨迹，以及可视化输出相应于需求时段异常动态轨迹。[0156]其中，轨迹处理层确定存储节点的动态轨迹特征的方法包括：[0157]特征提取层基于图嵌入技术，对存储节点依次进行特征输入、特征交叉和特征融合，得到存储节点的动态轨迹特征。[0158]轨迹处理层与轨迹溯源推荐模型算法完成三次握手传参，第一次传参使轨迹溯源推荐模型确认能够正确接收轨迹处理层传来的特征向量，第二次传参使轨迹处理层确认轨迹溯源模型算法已经正确接收传参并能够传回推荐轨迹编码，第三次握手传参使轨迹溯源推荐模型知晓轨迹处理层能够接收传参，即轨迹处理层通过三次握手传参完成与轨迹溯源模型推荐算法间的数据可靠传输；[0159]应用层则根据轨迹溯源推荐模型传回的完整路径向量进行解码和可视化工作。[0160]具体地，在实际空间场景下，目标对象的和数据之间呈现出的关系是图结构的，对象在轨迹关系图中通过随机游走，产生新的轨迹序列，将这些轨迹序列输入到互映射模型中，生成embedding向量。[0161]如图16所示，图16为本技术实施例中图嵌入流程的流程示意图，左侧为导出的视频帧，作为时序图像进行连续特征输入然后再隐藏层完成特征交叉，最后在完成特征融合后输出。[0162]输出的轨迹向量包含当前观测目标的轨迹信息及特征信息特征向量，特征信息特征向量在经过临近多轮摄像头的特征交叉和融合后对目标焦点时段内的特征提取就比较准确，相应模型的推荐精度即轨迹还原效果就越好。[0163]应用层，用于对存储节点的静态道路特征和存储节点内目标对象的实际游走的回溯概率进行解码，得到关于目标对象的基于时序的相应于需求时段的异常动态轨迹，以及可视化输出相应于需求时段异常动态轨迹。[0164]s4：获取目标区域中子区域在需求时段的监控视频并且输入至轨迹溯源模型，所述轨迹溯源模型输出相应于需求时段的异常动态轨迹。[0165]其中，步骤s4包括：[0166]s41：获取目标区域中子区域在需求时段的监控视频并且输入至轨迹溯源模型的特征提取层。[0167]s42：所述特征提取层将监控视频分隔成若干个单帧图像并且分别对若干个单帧图像进行尺寸调整，得到若干个经过尺寸调整的单帧图像。[0168]s43：根据预设的逻辑映射关系和基于单帧图像的视频轨迹空间至存储数据空间的转换过程规则，所述特征提取层将经过尺寸调整的单帧图像转换为可视化特征热力图并且将可视化特征热力图转化为通过向量形式表达的轨迹曲线，得到存储节点。[0169]s44：根据静态道路特征，所述轨迹处理层建立关于存储节点的哈希索引储存表，用于储存通过向量形式表达的包括道路名称、道路结构、方向位、终点子车道位和目标编号位的关于子区域的静态道路特征。[0170]s44：根据动态轨迹特征，所述轨迹处理层基于轨迹曲线确定存储节点内关于子区域的目标对象，以及确认目标对象的实际游走的回溯概率。[0171]s45：所述应用层对存储节点的静态道路特征和存储节点内目标对象的实际游走的回溯概率进行解码，得到关于目标对象的基于时序的相应于需求时段的异常动态轨迹，以及可视化输出相应于需求时段的异常动态轨迹。[0172]具体地，如图17所示，图17为本技术实施例中市民真实轨迹和轨迹溯源模型还原轨迹的对比示意图，左侧是市民真实轨迹的示意图，右侧为抽样后模型还原轨迹的示意图，在经过t-driver数据集训练后，轨迹溯源模型对于普通市民的焦点时段内行为轨迹已经可以很好的模拟还原，基本与真实行为轨迹相符。[0173]如图18所示，图18为本技术实施例中模拟盗窃犯罪人员轨迹和轨迹溯源模型还原轨迹的对比示意图，左侧为模拟盗窃犯罪人员轨迹的示意图，右侧为轨迹溯源模型还原轨迹的示意图，对于盗窃犯罪人员可以看到除部分次干路轨迹推荐有偏差外，整体轨迹还原度满足公安溯源工作需求，可以看到推荐模型进行轨迹还原时在路口盘查点准确模拟出盗窃犯罪人员绕开盘查点的轨迹，成功捕捉和表达目标轨迹隐信息，提升对复杂路况的路径推荐精度。[0174]在实际场景下，经过轨迹溯源模型得到的示意图可能存在个别偏离程度非常大的离群点，即使离群点数量非常少，但如果采用均方根误差(rootmeansquareerror，rmse)来估计，也会使评估指标变得非常差。为使评估过程鲁棒性更强、评估结果收敛更快。对结果采用对数损失函数(logloss)来进行评估。[0175]如图19所示，图19为本技术实施例中轨迹溯源模型与其他模型还原准确率和损失函数的对比曲线图，左侧为轨迹溯源模型与其他模型还原准确率的对比曲线图，右侧为轨迹溯源模型与其他模型损失函数的对比曲线图。本由图19可知，本技术实施例中的轨迹溯源模型的还原精度与periodicmove模型、seq2seq模型和trajgru模型相比较，可以看出本文模型在轨迹还原精度上有所提升，同时结果的收敛速度也更快。[0176]以上对本技术的实施例进行了详细说明，但内容仅为本技术的较佳实施例，不能被认为用于限定本技术的实施范围。凡依本技术范围所作的均等变化与改进等，均应仍属于本技术的专利涵盖范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!