一种车辆轨迹预测分析方法技术

本发明专利技术公开了一种车辆轨迹预测分析方法，该方法包括以下步骤：获取摄像机的原始视频，提取车牌号信息并记录实时时间；通过获取目标车辆在查询时间段内出现的位置点集合，计算任意相邻位置点的平均时间间隔，获取相邻位置点的最优子路径，连接最优子路径输出预测轨迹。本发明专利技术融合了监控视频、车牌号信息、时间信息、城市拓扑等多模数据，能够有效地通过不完整的、离散的数据合理地预测出车辆的轨迹；该方法的视频内容分析通过各个智能摄像机执行，服务器压力得到减轻，处理速度快；摄像机仅需将提取的车牌号信息发送给服务器，网络开销很小，传输速度快。

【技术实现步骤摘要】

本专利技术涉及智能交通监控领域，具体为。
技术介绍
城市规模在不断变大，车辆数目不断增多，由此带来的交通问题也越来越严峻。目前，大多数的交通问题都是通过摄像机采集证据的，而且现在的智能摄像机的摄像能力、计算能力都已经达到了一定的水平，因而可以完成许多基本的分析任务，如目标识别、车辆分类、行人检测等等。 虽然智能摄像机能够提供许多珍贵的原始资料，但是目前的监控系统却仅仅提供非常简单的应用或服务，比如回放视频、车辆计数或者某一摄像机的车辆违章。可是硬盘中还存放着大量的有价值的信息，比如地图信息等，可这些非常有价值的信息并没有被利用。 鉴于此，充分利用智能摄像机获取的原始材料进而提供优质、高效的监控服务，在某个时间段内对车辆的轨迹进行合理、准确的预测是有很大意义的，比如，帮助政府或者安全部门寻找嫌疑车辆在过去某段时间内的位置和轨迹。 目前，对于目标的识别和跟踪主要采用两种方法: I)基于视觉的方法:对单一摄像机下的车辆进行跟踪和分类，主要采用视觉特征匹配和时空关系约束的方法对目标进行跟踪。但是，这种方法仅关注于单个摄像机或少数几个摄像机间的目标跟踪，对于一个城市来说，摄像机的数量非常庞大，视频数据的规模急剧增长，视觉特征的维度急剧增加，所以基于视觉的方法是很难直接分析如此大规模的视觉数据和视觉特征的。 2)基于GPS的方法:通过安装在个人设备或者交通工具上的GPS定位设备进行跟踪，以此获得车辆的轨迹。但是，我们无法强制要求用户安装GPS定位设备或者类似工具，所以，这种方法的应用范围窄，无法得到广泛地推广，不适用于车辆轨迹的预测。 另外，实际应用中，由于车牌号识别错误、网路传输等问题，导致获得的数据很可能是不完整的，而目前的技术又无法通过这些离散的、不完整的数据中确定车辆的轨迹。所以，得到一种能够融合离散信息的车辆轨迹预测方法成为了本领域技术人员一直追求的目标。
技术实现思路
为解决现有技术中基于视觉、基于GPS的方法不适用于车辆轨迹预测且无法融合离散的、不完整信息的问题，本专利技术提供了，解决了智能交通中车辆轨迹的预测问题。 为实现上述目的，本专利技术提供了如下的技术方案: ，获取摄像机的原始视频，提取车牌号信息并记录实时时间，还包括以下步骤: S1:车牌号、实时时间上传至服务器中，输入目标车牌号Num及查询时间段AT后，从服务器中读取一系列的离散的摄像机编号c = {c0, Cl,……，Cm_J，结合摄像机所对应的地图位置，获得目标车辆在查询时间段内先后出现的位置点集合P = {Po, P1......’Pm-J ； S2:计算任意相邻位置点P1、Pj的平均时间间隔！\，j ； S3:获取集合P中相邻位置点P1、pi+1的最优子路径sPi: Pi经过地图上的所有邻点pm向pi+1遍历，计算P1、pm的平均时间间隔Ti，m，判断是否大于Tu+α，α为门限值，如果成立，则回溯到前驱结点？1并遍历其它邻点，如果不成立，则将当前结点加入候选路径，如果Pm不是Pi+1，则从Pm继续向下遍历；Pm向Pm+1遍历，计算P1、Pm+1的平均时间间隔?\π+1，判断?νπ+1是否大于Tu+α，如果成立，则回溯到前驱结点Pm并遍历其它邻点；如果不成立，则将当前结点加入候选路径，如果Pm+1不是Pi+1，则继续向下遍历，一直遍历到Pi+1为止； 获得了 Pi至Pi+1的一系列子路径spk之后，计算每条子路径spk所消耗的时间sck，计算排序值rk = | sck-Ti；J I，当:rk = &最小时,此时SPi为Pi至pi+1的最优子路径； S4:将所有最优子路径sPi按顺序连接，得到位置点集合P在查询时间段内的最优路径，即输出的预测轨迹SP = {sp0, sp”......，spn_J。 通过摄像机获取车牌号信息，并将车牌号、摄像机编号、实时时间存入到服务器中，再结合城市地图拓扑等信息，获取相邻位置点之间的最优子路径，然后顺序连接最优子路径，获得车辆的轨迹信息。本专利技术能够将不完整的、离散的数据合理地预测出车辆的轨迹，且处理速度快，可靠性高，网络开销小，传输速度快。 进一步地，S1步骤中，服务器为每个摄像机分配一个摄像机表，摄像机表以顺序表形式实现，服务器将收到的车牌号信息和实时时间存入对应的摄像机表中，以时间为序；月艮务器为每个车牌号分配一个车牌号表，车牌号表以单链表形式实现。服务器将摄像机编号和实时时间存入对应的车牌号表中，以时间为序。 服务器开辟两处存储单元:摄像机表存储单元和车牌号表存储单元。这样做有两个好处:1)摄像机表能够直接接受并存储各个摄像机发来的车牌号信息和实时时间信息，网络开销小，速度快；2)服务器将摄像机表中的信息转存到车牌号表中，这样的存储方式有利于车牌号的检索和后续的轨迹预测，减少轨迹预测的时间，预测效率高。 进一步地，S1步骤中，对于输入的目标车牌号，通过字符串匹配的方式从服务器获取一系列的离散的摄像机编号。通过字符串匹配获取摄像机编号，简单且处理速度快，减小轨迹预测耗费时间，提高该方法的工作效率。 进一步地，S2步骤中，获取相邻结点P1、Pj在查询时间段内通过的全部车辆的车牌号记录S和D，对于S中的每个车牌号，查找其在D中的记录，若找到对应记录，则求出两个记录的时间差Tsd = | ts-td I，求出所有的时间差Tsd的算术平均值，作为任意相邻位置点P1、Pj的平均时间间隔Tu。 计算相邻位置点的平均时间间隔，将所有通过相邻位置点的车辆都纳入其中，计算大量数据的算术平均值，能够提高准确率，使得预测效果更好，更贴近于真实情况。 本专利技术的有益效果为:1)本专利技术融合了监控视频、车牌号信息、时间信息、城市拓扑等多模数据，能够有效地通过不完整的、离散的数据合理地预测出车辆的轨迹；2)该方法的视频内容分析通过各个智能摄像机执行，服务器压力得到减轻，处理速度快；3)摄像机仅需将提取的车牌号信息发送给服务器，网络开销很小，传输速度快。 【附图说明】 图1为车辆轨迹预测分析方法的主流程图。 图2为摄像机获取车牌文本信息的流程图。 图3为简化的全局图模型示意图。 【具体实施方式】 下面结合附图对本专利技术的实施方式进行详细解释说明。 ，获取摄像机的原始视频，采用混合高斯模型(GMM)将经过的车辆从背景分割，得到车辆图像；如图2所示，采用Haar特征和AdaBoost算法训练分类器，对车辆图像中的车牌进行识别和定位，并采用逐步求精的策略对车牌图像进行去噪、裁剪、校正，从而得到合适的车牌图像；采用开源OCR软件Tesseract从车牌图像提取车牌文本信息。 如图1所示，还包括以下步骤: S1:获取目标车辆在查询时间段内出现的位置点集合 摄像机将车牌号信息、实时时间上传至服务器中，服务器为每个摄像机分配一个摄像机表，摄像机表以顺序表形式实现，服务器将收到的车牌号信息和实时时间存入对应的摄像机表中，以时间为序；服务器为每个车牌号分配一个车牌号表，车牌号表以单链表形式实现，服务器将摄像机表中的摄像机编号和实时时间转存入对应的车牌号表中，以时间为序。输入目标车牌号Num及查询时间段ΛΤ后，通过字符串匹配的方法找到车牌号表，从本文档来自技高网...

【技术保护点】
一种车辆轨迹预测分析方法，获取摄像机的原始视频，提取车牌号信息并记录实时时间，其特征在于：还包括以下步骤：S1：车牌号、实时时间上传至服务器中，输入目标车牌号Num及查询时间段ΔT后，从服务器中读取一系列的离散的摄像机编号C＝{c0,c1,……,cm‑1}，结合摄像机所对应的地图位置，获得目标车辆在查询时间段内先后出现的位置点集合P＝{p0,p1……,pm‑1}；S2：计算任意相邻位置点pi、pj的平均时间间隔Ti,j；S3：获取集合P中相邻位置点pi、pi+1的最优子路径spi：pi经过地图上的所有邻点pm向pi+1遍历，计算pi、pm的平均时间间隔Ti,m，判断Ti,m是否大于Ti,j+α，α为门限值，如果成立，则回溯到前驱结点pi并遍历其它邻点，如果不成立，则将当前结点加入候选路径，如果pm不是pi+1，则从pm继续向下遍历；pm向pm+1遍历，计算pi、pm+1的平均时间间隔Ti,m+1，判断Ti,m+1是否大于Ti,j+α，如果成立，则回溯到前驱结点pm并遍历其它邻点；如果不成立，则将当前结点加入候选路径，如果pm+1不是pi+1，则继续向下遍历，一直遍历到pi+1为止；获得了pi至pi+1的一系列子路径spk之后，计算每条子路径spk所消耗的时间sck，计算排序值rk＝|sck‑Ti,j|，当rk＝ri最小时，此时spi为pi至pi+1的最优子路径；S4：将所有最优子路径spi按顺序连接，得到位置点集合P在查询时间段内的最优路径，即输出的预测轨迹SP＝{sp0,sp1,……,spn‑1}。...

【技术特征摘要】
1.一种车辆轨迹预测分析方法，获取摄像机的原始视频，提取车牌号信息并记录实时时间，其特征在于:还包括以下步骤: 51:车牌号、实时时间上传至服务器中，输入目标车牌号Num及查询时间段AT后，从服务器中读取一系列的离散的摄像机编号C = {c0, C1,……，Cm_J，结合摄像机所对应的地图位置，获得目标车辆在查询时间段内先后出现的位置点集合P = {Po, P1......，Pm-J ; 52:计算任意相邻位置点的平均时间间隔Tu ； 53:获取集合P中相邻位置点P1、Pi+1的最优子路径Spi: Pi经过地图上的所有邻点Pm向Pi+1遍历，计算P1、Pffl的平均时间间隔?\π，判断Ti,是否大于Tu+α，α为门限值，如果成立，则回溯到前驱结点？1并遍历其它邻点，如果不成立，则将当前结点加入候选路径，如果Pm不是Pi+1，则从Pm继续向下遍历；Pm向Pm+1遍历，计算P1、Pm+1的平均时间间隔Alrt，判断是否大于?^.+ α，如果成立，则回溯到前驱结点pm并遍历其它邻点；如果不成立，则将当前结点加入候选路径，如果Pm+1不是Pi+1，则继续向下遍历，一直遍历到Pi+1为止； 获得了 Pi至Pi+1的一系列子路径SPk之后，计算每条子路径SPk所消耗的时间...

【专利技术属性】
技术研发人员：马华东，傅慧源，刘鑫辰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11