买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】基于轨迹数据判断行人关系的方法和系统_山东师范大学_201711397361.4 

申请/专利权人:山东师范大学

申请日:2017-12-21

公开(公告)日:2021-02-23

公开(公告)号:CN108133185B

主分类号:G06K9/00(20060101)

分类号:G06K9/00(20060101);G06K9/62(20060101);G06T7/246(20170101)

优先权:

专利状态码:失效-未缴年费专利权终止

法律状态:2022.12.02#未缴年费专利权终止;2018.07.03#实质审查的生效;2018.06.08#公开

摘要:本发明公开了一种基于轨迹数据判断行人关系的方法和系统,所述方法包括:建立疏散模拟场景;读取行人的轨迹数据并进行预处理;基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;确定候选组中行人个体在场景中的相对位置;基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体。本发明能够判断出人群中关系紧密的小团体,对于人群疏散安全演练提供重要的依据,还可以检测建筑疏散性能,优化实际疏散过程以及提高疏散效率。

主权项:1.一种基于轨迹数据判断行人关系的方法,其特征在于,包括以下步骤:步骤1:建立疏散模拟场景;步骤2:读取行人的轨迹数据并进行预处理;步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;所述步骤3包括:步骤3.1:根据轨迹数据对应的坐标范围划分计算单元;步骤3.2:针对每个计算单元,根据个体间的欧式距离获取候选个体;步骤3.3:计算候选个体对之间的紧密度;步骤3.4:计算每个计算单元中候选个体对的轨迹夹角,根据所述夹角确定候选组;步骤3.5:针对获取的候选组,根据关系传递性进行归并;步骤4:确定候选组中行人个体在场景中的相对位置;所述步骤4包括:步骤4.1:计算每个计算单元中行人个体间的增强豪斯多夫距离,若不大于阈值,确定该计算单元为有效计算单元;步骤4.2:计算每个计算单元中增强豪斯多夫距离之和,再除以有效单元数,若小于阈值,则各行人个体在场景中的相对位置记为该行人在该计算单元的中位记录坐标,否则,标记为调整组;步骤4.3:将调整组与平均距离最小的邻居候选组合并,再重复步骤4.1-4.2,若再次被标记为调整组则选取该组成员在该单元的整条位置曲线的最小外接矩形中心作为该成员在场景中的位置;步骤5:基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体;所述步骤5包括:步骤5.1:根据行人个体在场景中的位置,建立行人个体之间的距离表;步骤5.2:计算以每个行人个体为中心的局部密度,并根据局部密度确定组间距离;步骤5.3:根据局部密度和组件距离,自动确定聚类簇心及其数目;步骤5.4:根据关系亲疏距离划分团体。

全文数据:基于轨迹数据判断行人关系的方法和系统技术领域[0001]本发明属于运动目标的行为理解领域,尤其涉及一种基于轨迹数据判断行人关系的方法和系统。背景技术[0002]虽然目前交通便利,可供选择的交通方式很多,人们的出行方式也呈现多元化状态,但是步行方式依然是必不可少的,而且在很多情形下是无法替代的。比如,绝大多数情况下出行的开始和结束均以步行完成,再比如在许多公共场所像地铁站、体育场馆、汽车或火车站、商场、学校校园等等不仅需要步行,行人的拥堵还频发。而且步行的公共环境,大多人流密集,尤其在高峰期或节假日经常出现人流量大、人流密度高的情况,这就潜藏着很大的安全隐患。因此,开展行人群的行为研究,了解行人群的行为机理、特征,对指导行人交通、改进建筑安全设施、制定紧急疏散策略等有重要意义。[0003]随着城市人口的快速增长,人们对人流疏散等公共安全也越来越关注;同时计算机技术的飞速发展,也为这类研究提供了更便捷的方法。以摄像头拍摄人流视频,通过视频提取轨迹数据,再利用计算机算法分析轨迹数据,来研究人们的行为特征等就是目前的主流方法。[0004]在实际应用中通常使用疏散实验的方式获取合适的疏散预案。该方式具有针对性强、信息量丰富等特点。然而,由于存在人员安全无法保障、实验投入大等不可避免的问题,计算机仿真成为研究突发事件下人群疏散的最有效的方法。不过,通过分析轨迹数据,来推断人群中行人间关系的研究却比较少,而且运用聚类方法,单纯分析数据来判断人际关系的研究就更少了。[0005]但是,社会学家的研究表明,人群运动过程中,行人往往会按照社会关系的亲疏结成一个个的小团体共同行进;而且,这些关系密切的小团体多是家庭、情侣、同学、同事、旅行团等)多是并行成排或呈多路纵队(主要依据人数多少来组成行进方式等方式行进;同时,在人群行进的过程中,小团体的行为常常会影响人群整体的速度。那么,通过聚类等计算机技术判断出人群中的行人关系,划分小团体,就能更逼真的利用计算机仿真人群疏散。[0006]现有的仿真人群疏散的方法中均未考虑人群之间的关系以及形成的小团体对运动的影响。即便有些文献对小团体或小群体现象有所研究,但只是单纯的对这类现象的研究,也没有和仿真人群疏散的算法有机结合起来。比如,目前主流的在微观上模拟人群疏散最好的算法模型--Helbing和Molnar提出的社会力模型,该模型依据牛顿力学公式模拟人群行为,虽然能够很好地重现一些现象,例如“越想快反而越慢”以及出口处的拱形现象。但是它过度简化了行人的行为,没有考虑行人之间的社会关系以及由此形成的小团体对运动的影响,更勿论如何判断行人间的人际关系了。[0007]因此,为了解决更逼真地模拟人群疏散的问题,需要考虑一种方法,能够从轨迹数据中分析出行人间的大致关系比如亲疏程度,以便后期能更准确地研究群体行为特征,达到优化疏散过程以及提高疏散效率的目的。发明内容[0008]为克服上述现有技术的不足,本发明提供了一种基于轨迹数据判断行人关系的方法和系统,依据从视频提取的人群轨迹数据,运用聚类算法判断行人关系,进行人群分组,来仿真人群疏散,以便更逼真地模拟疏散过程中的人群分组等自然情形。[0009]为实现上述目的,本发明采用如下技术方案:[0010]—种基于轨迹数据判断行人关系的方法,包括以下步骤:[0011]步骤1:建立疏散模拟场景;[0012]步骤2:读取行人的轨迹数据并进行预处理;[0013]步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;[0014]步骤4:确定候选组中行人个体在场景中的相对位置;[0015]步骤5:基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体。[0016]进一步地,所述步骤3包括:[0017]步骤3.1:根据轨迹数据对应的坐标范围划分计算单元;[0018]步骤3.2:针对每个计算单元,根据个体间的欧式距离获取候选个体;[0019]步骤3.3:计算候选个体对之间的紧密度;[0020]步骤3.4:计算每个计算单元中候选个体对的轨迹夹角,根据所述夹角确定候选组;[0021]步骤3.5:针对获取的候选组,根据关系传递性进行归并。[0022]进一步地,所述步骤3.3包括:[0023]步骤3.3.1:计算每两个候选个体之间的欧式距离,若小于距离阈值,标记为有效距离;[0024]步骤3.3.2:计算所述两个候选个体之间在全部计算单元的平均有效距离,取其倒数,归一化后即为每两个候选个体的紧密度。[0025]进一步地,所述步骤3.4包括:[0026]步骤3.4.1:做出每个计算单元的候选个体的轨迹曲线;[0027]步骤3.4.2:针对每个候选个体对,分段计算两线间的夹角;[0028]步骤3.4.3:计算整个计算单元的平均夹角,若不大于同向运动阈值,则标记为有效夹角;[0029]步骤3.4.4:求该对个体在其它单元的有效夹角,若有效夹角总数大于单元总数的二分之一,则标记该对个体为候选组。[0030]进一步地,所述步骤4包括:[0031]步骤4.1:计算每个计算单元中行人个体间的增强豪斯多夫距离,若不大于阈值,确定该计算单元为有效计算单元;[0032]步骤4.2:计算每个计算单元中增强豪斯多夫距离之和,再除以有效单元数,若小于阈值,则各行人个体在场景中的相对位置记为该行人在该计算单元的中位记录坐标,否贝IJ,标记为调整组;[0033]步骤4.3:将调整组与平均距离最小的邻居候选组合并,再重复步骤4.1-4.2,若再次被标记为调整组则选取该组成员在该单元的整条位置曲线的最小外接矩形中心作为该成员在场景中的位置。[0034]进一步地,所述步骤5包括:[0035]步骤5.1:根据行人个体在场景中的位置,建立行人个体之间的距离表;[0036]步骤5.2:计算以每个行人个体为中心的局部密度,并根据局部密度确定组间距离;[0037]步骤5.3:根据局部密度和组件距离,自动确定聚类簇心及其数目;[0038]步骤5.4:根据关系亲疏距离划分团体。[0039]进一步地,所述步骤5.2包括:[0040]步骤5.2.1:设定以行人个体为中心,计算行人个体一定半径范围内的个体数目,即该行人个体的局部密度;[0041]步骤5.2.2:对于半径范围内存在2个及以上比自身局部密度大的个体,选择离该个体最近的个体的距离作为组间距离;否则选择最远个体的距离作为组间距离。[0042]进一步地,所述步骤5.3包括:[0043]步骤5.3.1:将个体的局部密度与组间距离进行乘积,并降序排列;[0044]步骤5.3.2:以乘积为纵坐标值、序号为横坐标值绘图,依次计算相邻两点间的斜率并计算两线段的夹角,求取与下一个夹角的比值,当该比值不大于12时,此时构成较大夹角的角顶点是最后一个簇心点,记录下其序号。[0045]进一步地,所述步骤5.4包括:分两级归并后面的非簇心个体,先按照亲密距离为半径归并亲密关系组,再把大于亲密距离而小于等于个人距离的个体,归为普通关系组,剩余的个体统一标识为孤立个体。[0046]根据本发明的第二目的,本发明还提供了一种基于轨迹数据判断行人关系的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的方法。[0047]根据本发明的第三目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行所述的基于轨迹数据判断行人关系的方法。[0048]本发明的有益效果[0049]1、本发明基于轨迹数据判断行人关系的方法认真考虑了行人轨迹点的距离及轨迹本身的相似性对人际关系的反应,通过分析关键帧和长时间的数据对比,判断出了行人间的关系并据此运用基于距离和密度的聚类算法,划分出了关系紧密的小团体,对于人群疏散安全演练提供重要的依据,还可以检测建筑疏散性能,优化实际疏散过程以及提高疏散效率;[0050]2、本发明的行人关系判断方法适用于大型平面场馆等区域,并且更适合应用于大规模人群,可以扩展到有多个出口的广场等平面区域。附图说明[0051]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。[0052]图1是本发明的基于轨迹数据判断行人关系的方法的流程示意图;[0053]图2是本发明的从视频中提取的两个个体的部分轨迹数据的截图(x坐标和y坐标;[0054]图3是本发明的人群中3个个体的部分轨迹坐标图;[0055]图4是本发明的人群中两个体运动方向夹角示意图;[0056]图5是本发明的个体I的局部密度示意图;[0057]图6是本发明的组间距离示意图;[0058]图7是本发明的自动确定簇心示意图;[0059]图8是本发明的人群划分前的示意图;[0060]图9是本发明的小团体的示意图。具体实施方式[0061]应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。[0062]需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和或“包括”时,其指明存在特征、步骤、操作、器件、组件和或它们的组合。[0063]在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。[0064]实施例一[0065]本实施例公开了一种基于轨迹数据判断行人关系的方法,如图1所示,包括以下步骤:[0066]步骤1:建立疏散模拟场景;[0067]具体地,构建长30m、宽20m的矩形平面区域作为疏散模拟场景,该区域包括3个出口(为了效果更逼真,建立了三维模型)。[0068]步骤2:读取行人的轨迹数据并进行预处理;[0069]步骤2.1:分析并读入轨迹数据文件如附图2所示,显示了两个行人的部分轨迹数据),文件编号为1〜N;[0070]步骤2·2:定义轨迹数据集为DP={dpi,i=1,2,…,N},dpi=dpn,dpi2,…,dpin表示数据集中第i号个体的数据,dPlj表示第i号个体的第j项数据,包括序号、坐标、标志位等。[0071]人群数据集P={pi,i=l,2,-_,N},pi=pu,pi2,…,pim表示数据集中第i个个体,Plj表示第i个个体的第j个属性。[0072]步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;[0073]步骤3.1:根据轨迹数据对应的坐标范围划分计算单元;[0074]划分数据集,把步骤2中读入的轨迹坐标,依据总的步数从第一条位置记录到最后一条位置记录,每条记录看成一步分为多个计算单元。优选地,按照每百分之五划分一个计算单元的规则,分为20个计算单元,假设总共有4000步,则每200步一个单元,并据此把每个文件的数据分成20份,并编号1〜nsns=20,则第i号个体在第k号计算单元第1条记录的位置如公式(1:[0075][0076]步骤3.2:针对每个计算单元,根据个体间的欧式距离获取候选个体;[0077]用每个计算单元的中位坐标求取个体间欧式距离,计算个体之间的两两距离两个个体的距离只求一次,这里个体总数为N,用diStdPl,dPj表示;再求总体的平均距离,用(如公式2所示表示;当:时,通过给计数位,置1计数位的初值均为零来标记该对个体,即dpi。=I,dpj。=1;再统计每个个体的计数位的和disum,若disiim大于单元总数的二分之一ns2,则该个体标记为候选个体。[0078][0079]步骤3.3:计算候选个体对之间的紧密度;[0080]把候选个体的序号加入候选个体序号集ORD={ordi,i=l,2,···,!!!!]!},mm是候选个体的数目;把每两个候选个体间的欧式距离diStdPl,dPj同距离阈值Cl1亲密距离,依据后面“人的社会距离”里的规定,Cl1取0.3m做比较,若^^^^^^〈^,则该距离为有效距离,并通过给计数位,置1计数位的初值均为零来标记该对候选个体,再统计每个候选个体的计数位的和181及有效距离的和,然后计算全部单元中总的平均有效距离如公式(3所示),接着取其倒数,最后进行归一化,得到每两个个体间的紧密度•用relPl,Pj表示(如公式⑷所示);再降序排列紧密度,并更新序号集ORD0[0083]人的社会距离:美国人类学家爱德华•霍尔博士在1966年出版的《隐藏的维度》一书中,以关系亲疏划分了四种距离,分别是亲密距离、个人距离、社交距离和公众距离。这四种距离的取值范围如下:[0084][0085]步骤3.4:计算每个计算单元中候选个体对的轨迹夹角,根据所述夹角确定候选组;[0086]做出每个单元的候选个体的轨迹曲线(如附图3所示),从序号集ORD已经按照紧密度降序排列)依次选取个体对序号,分段(即同一个个体的相邻两位置间连线,定义为一段计算两线(即一对相邻个体的、同步线段或延长线)间的夹角a利用斜率求夹角,如公式5所示,示意图如附图4所示),再对整个单元的夹角求平均夹角,若不大于3度(同向运动阈值,ClarkMcphail[美],1982,《UsingFilmtoAnalyzePedestrianBehavior》中提出),则标记为有效夹角,并计数,接着求该对个体在其它单元的有效夹角,若有效夹角总数大于单元总数的二分之一ns2,则标记该对个体为候选组。[0087]tana=kl~k21+klXk25[0088]步骤3.5:针对获取的候选组,根据关系传递性进行归并;[0089]根据关系传递性归并候选组,如个体i和个体j在同一候选组,而个体j与个体k也在同一候选组,则两个组合并成一个候选组。[0090]步骤4:确定候选组个体在场景中的相对位置;[0091]步骤4.1:根据候选组个体间的距离确定有效计算单元;[0092]确定有效记录数目,依次取候选组在每个单元内的首条记录,逐条计算增强的豪斯多夫hausdorff距离(如公式6所示),若该值不大于阈值该组个体间的平均欧式距离),则认为该组的相对位置不变,标记该单元为有效单元且有效计数位加1,否则不加。[0096]步骤4.2:根据候选组与邻居候选组之间的关系,判断候选组个体在场景中的相对位置;[0097]确定调整组,把每单元中得到的该组的豪斯多夫距离求和,再除以有效单元数,若小于阈值与邻居组的增强的豪斯多夫距离则取该组各成员的中位记录(中位记录确定如公式9的坐标为相应成员在场景中的位置,否则,标记为调整组。[0098][0099]把调整组与平均距离最小的邻居候选组合并,重新计算豪斯多夫hausdorff距离,重新同阈值比较,若仍然被标记为调整组则选取该组成员在该单元的整条位置曲线的最小外接矩形中心作为该成员在场景中的位置。[0100]步骤5:基于距离和密度的聚类算法划分小团体;[0101]步骤5.1:根据个体在场景中的位置,建立个人之间的距离表;[0102]依据步骤4中确定的个体在场景中的位置,计算出它们之间的距离并按升序排列存储为距离表。[0103]步骤5.2:计算以每个个体为中心的局部密度,并根据局部密度确定组间距离;[0104]以距离表中的个体为中心、dr个人距离,这里取dr=0.8m为半径,计算其半径范围内的个体数目,即局部密度,用dem表示(如公式(10,示意图如附图5;再建立以局部密度降序排列的降序表,接着依次取表中的个体,若周围(半径范围内)存在2个及以上比它密度大的个体,选择离它最近的个体的距离作为组间距离,用Clist1表示(如公式(11,示意图如附图6,否则选择最远个体的距离作为组间距离这样可以保证局部密度最高的个体的组间距离也最大)。[0108]步骤5.3:自动确定聚类簇心及其数目;[0109]先求全部候选个体的局部密度deni与其组间距离diSti的乘积,pr〇i=deniXdisti,并降序排列更新序号集0RD,则数集PRO={pr〇i,ie〇RD},它满足序列proi彡pr〇2彡pr〇3^:…pronη是候选个体的数目);以PRO为纵轴,其序号1〜η为横轴,可以把它们映射为直角坐标系一象限内的一系列的点,簇心和非簇心之间有一个明显的跳跃。则坐标轴中两点构成的线段斜率,如公式12所示:[0110][0111]若顺次求相邻点间线段的斜率,则如公式13所示:[0112][0113]斜率存入数集K={kij,j=i+l,ie〇RD},依次取kij与其相邻项kjj+i计算两线段的夹角(如附图7所示),并求相邻夹角差,若当前差不小于相邻差2倍时,记录j值,则j前的候选个体是簇心,且簇心数目即为j。[0114]步骤5.4:分两级归并后面的非簇心个体,先按照亲密距离为半径归并亲密关系组,再把大于亲密距离而小于等于个人距离的个体,归为普通关系组,剩余的个体统一标识为孤立个体。[0115]实施例二[0116]本实施例的目的是提供一种计算系统。[0117]—种基于轨迹数据判断行人关系的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:[0118]步骤1:建立疏散模拟场景;[0119]步骤2:读取行人的轨迹数据并进行预处理;[0120]步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;[0121]步骤4:确定候选组中行人个体在场景中的相对位置;[0122]步骤5:基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体。[0123]实施例三[0124]本实施例的目的是提供一种计算机可读存储介质。[0125]—种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:[0126]步骤I:建立疏散模拟场景;[0127]步骤2:读取行人的轨迹数据并进行预处理;[0128]步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;[0129]步骤4:确定候选组中行人个体在场景中的相对位置;[0130]步骤5:基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体。[0131]以上实施例二和三的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。[0132]实验结果[0133]如附图8〜9所示,依据提取的环境信息建立30m*20m的平面矩形区域,为了效果逼真,构建了带围墙的3维模拟场景,有50个人在运动人也是3维模型,初始时颜色统一,都是红色,划分成小团体后会改成不同的颜色)。场景中包含3个出口,每个出口的宽度均为2m。图8是人群划分前的示意图,图9是划分后的小团体示意图。我们运用基于轨迹数据判断行人关系的方法,经过数据读入和处理、筛选候选组、确定个体的相对位置,最后运用基于距离和密度的聚类算法,划分出了小团体,经过与视频对比,发现与人眼的视觉判断是一致的。[0134]本发明能够采用计算机自动划分出关系紧密的小团体,无需人为干预,对于人群疏散安全演练提供重要的依据,还可以检测建筑疏散性能,优化实际疏散过程以及提高疏散效率;本发明的行人关系判断方法适用于大型平面场馆等区域,并且更适合应用于大规模人群,可以扩展到有多个出口的广场等平面区域。[0135]本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。[0136]上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

权利要求:1.一种基于轨迹数据判断行人关系的方法,其特征在于,包括以下步骤:步骤1:建立疏散模拟场景;步骤2:读取行人的轨迹数据并进行预处理;步骤3:基于所述轨迹数据,根据行人间的距离和方向特征确定候选组;步骤4:确定候选组中行人个体在场景中的相对位置;步骤5:基于行人个体在场景中的相对位置进行聚类分析,根据关系亲疏距离划分团体。2.如权利要求1所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤3包括:步骤3.1:根据轨迹数据对应的坐标范围划分计算单元;步骤3.2:针对每个计算单元,根据个体间的欧式距离获取候选个体;步骤3.3:计算候选个体对之间的紧密度;步骤3.4:计算每个计算单元中候选个体对的轨迹夹角,根据所述夹角确定候选组;步骤3.5:针对获取的候选组,根据关系传递性进行归并。3.如权利要求2所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤3.3包括:步骤3.3.1:计算每两个候选个体之间的欧式距离,若小于距离阈值,标记为有效距离;步骤3.3.2:计算所述两个候选个体之间在全部计算单元的平均有效距离,取其倒数,归一化后即为每两个候选个体的紧密度。4.如权利要求2所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤3.4包括:步骤3.4.1:做出每个计算单元的候选个体的轨迹曲线;步骤3.4.2:针对每个候选个体对,分段计算两线间的夹角;步骤3.4.3:计算整个计算单元的平均夹角,若不大于同向运动阈值,则标记为有效夹角;步骤3.4.4:求该对个体在其它单元的有效夹角,若有效夹角总数大于单元总数的二分之一,则标记该对个体为候选组。5.如权利要求1所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤4包括:步骤4.1:计算每个计算单元中行人个体间的增强豪斯多夫距离,若不大于阈值,确定该计算单元为有效计算单元;步骤4.2:计算每个计算单元中增强豪斯多夫距离之和,再除以有效单元数,若小于阈值,则各行人个体在场景中的相对位置记为该行人在该计算单元的中位记录坐标,否则,标记为调整组;步骤4.3:将调整组与平均距离最小的邻居候选组合并,再重复步骤4.1-4.2,若再次被标记为调整组则选取该组成员在该单元的整条位置曲线的最小外接矩形中心作为该成员在场景中的位置。6.如权利要求1所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤5包括:步骤5.1:根据行人个体在场景中的位置,建立行人个体之间的距离表;步骤5.2:计算以每个行人个体为中心的局部密度,并根据局部密度确定组间距离;步骤5.3:根据局部密度和组件距离,自动确定聚类簇心及其数目;步骤5.4:根据关系亲疏距离划分团体。7.如权利要求6所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤5.2包括:步骤5.2.1:设定以行人个体为中心,计算行人个体一定半径范围内的个体数目,即该行人个体的局部密度;步骤5.2.2:对于半径范围内存在2个及以上比自身局部密度大的个体,选择离该个体最近的个体的距离作为组间距离;否则选择最远个体的距离作为组间距离。8.如权利要求6所述的基于轨迹数据判断行人关系的方法,其特征在于,所述步骤5.3包括:步骤5.3.1:将个体的局部密度与组间距离进行乘积,并降序排列;步骤5.3.2:以乘积为纵坐标值、序号为横坐标值绘图,依次计算相邻两点间的斜率并计算两线段的夹角,求取与下一个夹角的比值,当该比值不大于12时,此时构成较大夹角的角顶点是最后一个簇心点,记录下其序号;或所述步骤5.4包括:分两级归并后面的非簇心个体,先按照亲密距离为半径归并亲密关系组,再把大于亲密距离而小于等于个人距离的个体,归为普通关系组,剩余的个体统一标识为孤立个体。9.一种基于轨迹数据判断行人关系的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8所述的方法。10.—种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行如权利要求1-8所述的基于轨迹数据判断行人关系的方法。

百度查询: 山东师范大学 基于轨迹数据判断行人关系的方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。