无轨迹时空统计数据的运动提取方法及野火运动提取方法

1.本发明属于计算机技术领域，具体涉及一种无轨迹时空统计数据的运动提取方法及野火运动提取方法。


背景技术：

2.由于时空统计数据记录了对象或事件的位置和时间信息，因此时空统计数据一般被认为是可视化和理解对象运动的重要数据源。一般来说，时空统计数据可以被可视化为一系列密度图；对于复杂的运动，用户一般需要一系列时间上密集的数据帧才能更好地理解运动过程。然而，由于数据需求和存储空间的限制，存储的数据帧通常是时间上稀疏的。因此，非常需要一种技术能够从时空统计数据中提取和可视化对象运动，从而进行进一步的可视分析。
3.在没有轨迹信息和起点-终点映射信息的两个静态帧之间提取运动信息是一项非常艰难的任务；原因则在于这些帧不包含明确的运动信息，如轨迹或起点-终点信息。例如，分布式静态传感器所收集的空气污染数据，其中并不包含关于污染物运动的明确信息。近来，人们提出了两种基于插值的方法，用于从时间上稀疏的帧中提取运动。第一种方法基于扩散模型：它假设物体运动过程是一个扩散过程，并将其作为一个约束条件，在两个密度图之间插入插值，提取的运动是由插值帧隐含定义的；第二种方法基于数据驱动模型：它将运动提取问题转化为图像生成问题，计算图像的可能动态变化，从而插入平滑形变的插值帧，并生成感知上平滑的运动模式。
4.但是，现有的这两种方法均存在问题：首先，运动可能在物理上是不可行的，例如，物体运动过程可能不是一个扩散过程；第二，现有的方法并未考虑可能影响物体运动的环境因素，例如，空气污染的扩散可能受到地形因素的影响，而城市交通必须处于道路设计的制约之中。此外，对于更复杂的场景，支持用户引导的交互过程是非常关键的，这样用户就可以把自身对环境因素的了解融入到结果中。然而，现有的方法并不支持用户参与。


技术实现要素：

5.本发明的目的之一在于提供一种考虑了环境因素，而且可靠性高，实用性好的无轨迹时空统计数据的运动提取方法。
6.本发明的目的之二在于提供一种包括了所述无轨迹时空统计数据的运动提取方法的野火运动提取方法。
7.本发明提供的这种无轨迹时空统计数据的运动提取方法，包括如下步骤：
8.s1.获取原始的无轨迹时空统计数据；
9.s2.根据步骤s1获取的数据，建立数据的起始帧密度图和终止帧密度图；
10.s3.根据用户领域知识和环境上下文信息，建立对运动提取过程进行约束的约束图；
11.s4.基于步骤s3得到的约束图，选择最优传输方法提取运动信息；
12.s5.将步骤s4得到的运动信息进行可视化，得到密度图和矢量场形式，从而完成无轨迹时空统计数据的运动提取。
13.所述的步骤s2，具体为根据步骤s1获取的数据，基于相同的核半径和高斯核函数，对每一个数据点采用核密度估算算法，从而得到数据的起始帧密度图和终止帧密度图。
14.所述的步骤s3，具体为根据用户领域知识和环境上下文信息，采用欧氏距离度量方法、基于密度权重的最短路径度量方法或基于自定义权重的最短路径度量方法，计算起始帧和终止帧点对之间的最短路径距离和生成距离矩阵，并将得到的距离矩阵作为对运动提取过程进行约束的约束图。
15.所述的步骤s3，具体包括如下步骤：
16.a.根据如下规则，选取对应的度量方法：
17.若无需考虑外部因素(如环境因素)对运动的影响，则选择的度量方法为欧氏距离度量方法；例如对于时间间隔很短的数据集，移动可以用直线近似，因此使用欧氏距离作为传输代价的度量是直观且易于解释的；该度量适用的另一种场景是，运动主要基于扩散，受环境限制较少；
18.若无法确定外部因素(如环境因素)对运动的影响，则选择的度量方法为基于密度权重的最短路径度量方法；例如，鱼群的运动会受到洋流的影响，空气污染的蔓延是由风场驱动的；但分析人员可能无法确定这些因素如何影响运动；对于这种情况，则可以简单地假设分布反映了隐藏的因素，或者质量倾向于通过已经高密度的位置传输；在这个假设下，将度量设置为最短路径长度，并配合基于密度的权重；
19.若能够确定外部因素(如环境因素)对运动产生的影响，则选择的度量方法为基于自定义权重的最短路径度量方法；借助领域知识，分析人员可以自由定制权重图；例如，知道一座山可以阻挡空气污染物的运动，分析师可以自定义权重图来提取污染物的运动，这将更接近现实；
20.b.根据步骤a选择的度量方法，生成对应的距离矩阵：
21.c.将步骤b得到的距离矩阵作为最终得到的约束图。
22.所述的步骤b，具体包括如下步骤：
23.若选择的度量方法为欧氏距离度量方法，则直接计算起始帧和终止帧点对之间的欧氏距离，从而生成距离矩阵；
24.若选择的度量方法为基于密度权重的最短路径度量方法，则首先基于密度公式计算每个像素网格的代价值，生成代价图；然后将得到的代价图作为基于密度权重的最短路径度量方法的输入，计算起始帧和终止帧点对之间的最短距离，从而生成距离矩阵；
25.若选择的度量方法为基于自定义权重的最短路径度量方法，则首先加载数据的环境上下文信息；然后在数据所在的局部地图上设定每个地图网络的代价值，生成代价图；最后将得到的代价图作为基于自定义权重的最短路径度量方法的输入，计算起始帧和终止帧点对之间的最短距离，从而生成距离矩阵。
26.所述的基于密度公式计算每个像素网格的代价值，具体为采用如下公式计算每个像素网络的代价值loss(x)：
27.28.式中x为当前计算的像素网络；ρ(x)为x像素网格的密度值；ε为设定的正则项，用于保证算式中分母不为0。
29.所述的步骤s4，具体为以起始帧密度图、终止帧密度图和约束图作为输入，采用迭代bregman投影算法计算起始帧和终止帧点对之间的映射关系；然后基于得到的映射关系，生成位于起始帧和终止帧之间的若干插值帧，从而完成运动信息的提取。
30.所述的迭代bregman投影算法，具体为采用如下算式作为迭代bregman投影算法的计算公式：
[0031][0032]
式中w
p
(u,v)为p-wasserstein距离；inf为下确界；π为传输方案集合中的一种传输方案；π(u,v)为所有传输方案的集合；ω
×
ω为概率测度ω的乘积空间；c(x,y)为质量从位置x到位置y的传输代价；p为阶数；π(x,y)为从位置x到位置y的传输质量；γ为影响系数；h(π)为熵函数。
[0033]
所述的生成位于起始帧和终止帧之间的若干插值帧，具体为基于以下计算公式生成位于起始帧和终止帧之间的若干插值帧：
[0034]
若起始帧和终止帧的质量一致，则采用如下算式计算起始帧和终止帧之间的若干插值帧：
[0035][0036]
式中μ
t
(z)为t时刻z位置的质量值；z为质量沿位置x到位置y的测地线路径运动时在t时刻的位置；geo
(x,y)
(t)为测地线位置计算函数；π(x,y)为从位置x到位置y的传输质量；
[0037]
若起始帧和终止帧的质量不一致，则采用如下算式计算起始帧和终止帧之间的若干插值帧：
[0038][0039]
式中r(n)为计算质量变化率的函数，且m
t
为终止帧数据总质量，ms为起始帧数据总质量，n为插值帧数量；t(n 1)为时间系数。
[0040]
所述的步骤s5，具体为根据每一帧的质量分布信息，以质量值、运动速度为基础，采用核密度估计算法和和箭头构造算法对运动信息进行可视化，得到密度图和矢量场形式，从而完成无轨迹时空统计数据的运动提取。
[0041]
所述的密度图，具体为基于环境约束的自适应核密度估计方法，采用如下算式进行计算，从而将密度区域约束在物理上可到达的区域：
[0042][0043]
式中，d(x,y)为(x,y)位置的密度值，u为衰减因子，u的取值为距离(x,y)最近的约
束像素与(x,y)的距离。
[0044]
所述的矢量场形式，具体为采用如下算式进行计算，从而得到矢量场形式：
[0045][0046]
式中v
t
(z)为z位置的矢量场；z为质量沿位置x到位置y的测地线路径运动时在t时刻的位置；geo
(x,y)
(t)为测地线位置计算函数；π(x,y)为从位置x到位置y的传输质量；ε为设定的时间间隔。
[0047]
本发明还提供了一种包括了所述无轨迹时空统计数据的运动提取方法的野火运动提取方法，具体包括如下步骤：
[0048]
s1.获取目标区域的当前野火的分布数据，并作为原始的无轨迹时空统计数据；
[0049]
s2.采用上述的无轨迹时空统计数据的运动提取方法，完成无轨迹时空统计数据的运动提取；
[0050]
s3.根据步骤s2得到的运动提取结果，作为最终的野火运动提取结果。
[0051]
本发明提供的这种无轨迹时空统计数据的运动提取方法及野火运动提取方法，基于创新的算法，能够提取出物理上可行、易于理解且考虑了环境因素和用户领域知识的运动信息；本发明方法能够对无轨迹时空统计数据运动信息进行提取，不仅考虑了环境因素，而且可靠性高、实用性好。
附图说明
[0052]
图1为本发明的运动提取方法的方法流程示意图。
[0053]
图2为本发明的运动提取方法的使用欧氏距离度量的结果示意图。
[0054]
图3为本发明的运动提取方法的使用基于密度的最短路度量的结果示意图。
[0055]
图4为本发明的运动提取方法的使用基于自定义权重的最短路度量的结果示意图。
[0056]
图5为本发明的运动提取方法的自适应核密度估计方法和现有方法的对比示意图。
[0057]
图6为本发明的运动提取方法的提取结果和现有方法的对比示意图。
[0058]
图7为本发明的野火运动提取方法的方法流程示意图。
具体实施方式
[0059]
如图1所示为本发明的运动提取方法的方法流程示意图：本发明提供的这种无轨迹时空统计数据的运动提取方法，包括如下步骤：
[0060]
s1.获取原始的无轨迹时空统计数据；
[0061]
s2.根据步骤s1获取的数据，建立数据的起始帧密度图和终止帧密度图；具体为根据步骤s1获取的数据，基于相同的核半径和高斯核函数，对每一个数据点采用核密度估算算法，从而得到数据的起始帧密度图和终止帧密度图；
[0062]
s3.根据用户领域知识和环境上下文信息，建立对运动提取过程进行约束的约束图；具体为根据用户领域知识和环境上下文信息，采用欧氏距离度量方法、基于密度权重的
最短路径度量方法或基于自定义权重的最短路径度量方法，计算起始帧和终止帧点对之间的最短路径距离和生成距离矩阵，并将得到的距离矩阵作为对运动提取过程进行约束的约束图；
[0063]
具体实施时，包括如下步骤：
[0064]
a.根据如下规则，选取对应的度量方法：
[0065]
若无需考虑外部因素(如环境因素)对运动的影响，则选择的度量方法为欧氏距离度量方法；例如对于时间间隔很短的数据集，移动可以用直线近似，因此使用欧氏距离作为传输代价的度量是直观且易于解释的；该度量适用的另一种场景是，运动主要基于扩散，受环境限制较少；
[0066]
若无法确定外部因素(如环境因素)对运动的影响，则选择的度量方法为基于密度权重的最短路径度量方法；例如，鱼群的运动会受到洋流的影响，空气污染的蔓延是由风场驱动的；但分析人员可能无法确定这些因素如何影响运动；对于这种情况，则可以简单地假设分布反映了隐藏的因素，或者质量倾向于通过已经高密度的位置传输；在这个假设下，将度量设置为最短路径长度，并配合基于密度的权重；
[0067]
若能够确定外部因素(如环境因素)对运动产生的影响，则选择的度量方法为基于自定义权重的最短路径度量方法；借助领域知识，分析人员可以自由定制权重图；例如，知道一座山可以阻挡空气污染物的运动，分析师可以自定义权重图来提取污染物的运动，这将更接近现实；
[0068]
b.根据步骤a选择的度量方法，生成对应的距离矩阵：具体包括如下步骤：
[0069]
若选择的度量方法为欧氏距离度量方法，则直接计算起始帧和终止帧点对之间的欧氏距离，从而生成距离矩阵；
[0070]
图2为使用欧氏距离度量的结果示意图：该图表示2019年11月2日15:00至2019年11月3日23:00华中、华东地区空气污染运动；其中图2(a)和图2(b)是代表开始时空气质量指数分布起始和终止时间的污染物分布密度图；图2(c)是同一时期的风场；图2(d)是提取的空气污染运动的平均向量场；图2(e1)～图2(e4)是插值密度图；图2(f1)～图2(f4)是对应于插值帧的向量场；
[0071]
若选择的度量方法为基于密度权重的最短路径度量方法，则首先基于密度公式计算每个像素网格的代价值，生成代价图；然后将得到的代价图作为基于密度权重的最短路径度量方法的输入，计算起始帧和终止帧点对之间的最短距离，从而生成距离矩阵；
[0072]
其中，基于密度公式计算每个像素网格的代价值，具体为采用如下公式计算每个像素网络的代价值loss(x)：
[0073][0074]
式中x为当前计算的像素网络；ρ(x)为x像素网格的密度值；ε为设定的正则项，用于保证算式中分母不为0；
[0075]
图3为使用基于密度权重的最短路径度量的结果示意图：该图表示大火在澳大利亚卡卡杜国家公园南部蔓延；其中，图3(a)为2019年10月3日开始时间的密度图；图3(b)～图3(g)是插值帧；图3(h)为结束时间2019年10月5日的密度图；
[0076]
若选择的度量方法为基于自定义权重的最短路径度量方法，则首先加载数据的环
境上下文信息；然后在数据所在的局部地图上设定每个地图网络的代价值，生成代价图；最后将得到的代价图作为基于自定义权重的最短路径度量方法的输入，计算起始帧和终止帧点对之间的最短距离，从而生成距离矩阵；
[0077]
图4为使用基于自定义权重的最短路径度量的结果图：该图表示中国长沙梅溪湖周围的人群流动；其中，图4(a)为开始时间2020年4月4日17:00的密度图；图4(b)为2020年4月4日21:00结束时间的地图；图4(c)是除两座桥外，湖泊和河流设置成本较高时的第一轮权重图；图4(d)也是高成本设置一座桥时第二轮的权重图；图4(e1)～图4(e4)是第一轮的插值帧；图4(f1)～图4(f4)是第二轮的插值帧；
[0078]
c.将步骤b得到的距离矩阵作为最终得到的约束图；
[0079]
s4.基于步骤s3得到的约束图，选择最优传输方法提取运动信息；具体为以起始帧密度图、终止帧密度图和约束图作为输入，采用迭代bregman投影算法计算起始帧和终止帧点对之间的映射关系；然后基于得到的映射关系，生成位于起始帧和终止帧之间的若干插值帧，从而完成运动信息的提取；
[0080]
具体实施时，采用如下算式作为迭代bregman投影算法的计算公式：
[0081][0082]
式中w
p
(u,v)为p-wasserstein距离；inf为下确界；π为传输方案集合中的一种传输方案；π(u,v)为所有传输方案的集合；ω
×
ω为概率测度ω的乘积空间；c(x,y)为质量从位置x到位置y的传输代价；p为阶数；π(x,y)为从位置x到位置y的传输质量；γ为影响系数；h(π)为熵函数；
[0083]
生成位于起始帧和终止帧之间的若干插值帧，具体为基于以下计算公式生成位于起始帧和终止帧之间的若干插值帧：
[0084]
若起始帧和终止帧的质量一致，则采用如下算式计算起始帧和终止帧之间的若干插值帧：
[0085][0086]
式中μ
t
(z)为t时刻z位置的质量值；z为质量沿位置x到位置y的测地线路径运动时在t时刻的位置；geo
(x,y)
(t)为测地线位置计算函数；π(x,y)为从位置x到位置y的传输质量；
[0087]
若起始帧和终止帧的质量不一致，则采用如下算式计算起始帧和终止帧之间的若干插值帧：
[0088][0089]
式中r(n)为计算质量变化率的函数，且m
t
为终止帧数据总质量，ms为起始帧数据总质量，n为插值帧数量；t(n 1)为时间系数；
[0090]
s5.将步骤s4得到的运动信息进行可视化，得到密度图和矢量场形式，从而完成无轨迹时空统计数据的运动提取；具体为根据每一帧的质量分布信息，以质量值、运动速度为
基础，采用核密度估计算法和和箭头构造算法对运动信息进行可视化，得到密度图和矢量场形式，从而完成无轨迹时空统计数据的运动提取；
[0091]
具体来说，提出了一种基于约束图的自适应内核带宽；对于每个像素e，计算距离d(e)到其最近的约束像素；具体实施时，将d(e)的上限设置为35像素；e处的内核带宽与d(e)成正比；
[0092]
密度图具体为基于环境约束的自适应核密度估计方法，采用如下算式进行计算，从而将密度区域约束在物理上可到达的区域：
[0093][0094]
式中，d(x,y)为(x,y)位置的密度值，u为衰减因子，u的取值为距离(x,y)最近的约束像素与(x,y)的距离；
[0095]
其中，自适应核密度估计方法能够将密度区域约束在物理上可到达的区域，以避免视觉误差；图5为自适应核密度估计方法和现有方法对比示意图：其中，图5(a)中的点表示人们的位置；图5(b)为采用相同核带宽的核密度估计方法得到的估计结果；图5(c)为采用带掩码的核密度估计方法得到的估计结果；图5(d)为本发明的自适应核密度估计方法得到的估计结果；通过图5(a)～图5(d)可以看到，本发明提出的自适应核密度估计方法，能够较好的得到预测结果；
[0096]
矢量场形式具体为采用如下算式进行计算，从而得到矢量场形式：
[0097][0098]
式中v
t
(z)为z位置的矢量场；z为质量沿位置x到位置y的测地线路径运动时在t时刻的位置；geo
(x,y)
(t)为测地线位置计算函数；π(x,y)为从位置x到位置y的传输质量；ε为设定的时间间隔。
[0099]
以下结合一个实施例，对本发明方法的效果进行进一步说明：以水滴运动为例：图6为本发明的运动提取方法的提取结果和现有方法的对比示意图，图6(a)表示真实的水滴滴落过程；图6(b)为基于扩散模型的运动提取方法所得到的结果；图6(c)为基于数据驱动模型的运动提取方法所得到的结果；图6(d)为本发明的运动提取方法所得到的结果。通过图6可以看到，本发明方法的效果是最接近真实情况的，因此也是效果最好的。
[0100]
此外，再结合图4，对本发明进行进一步说明：
[0101]
首先，根据人群在两个不同时刻的分布数据，建立数据的起始帧和终止帧密度图；
[0102]
然后，根据用户知识，人无法在水面上步行，因此通过用户交互将水面区域设置为高代价(图4(c))，以此构建约束图来约束人群运动；
[0103]
接下来，基于约束图，使用最优传输方法，提取得到人群的轨迹和起始-目的地映射关系等运动信息；
[0104]
再然后，将提取的运动信息可视化为密度图；可以发现，一大群人从左下区域通过一号桥移动到左上区域。湖右侧的另一群人走二号桥，聚集在左上区域(对应于图4(e1)～图4(e4))；
[0105]
最后，了解到1号桥是专供车辆使用的，步行的人不能走这座桥，所以再次编辑了
约束图，来将1号桥区域设置为高代价(对应于图4(d))，并重新执行最优传输方法，得到运动信息；新的结果表明，人群绕湖右侧步行并通过桥梁2到达目的地(对应于图4(f1)～图4(f4))。
[0106]
如图7所示为本发明的野火运动提取方法的方法流程示意图：本发明提供的这种包括了所述无轨迹时空统计数据的运动提取方法的野火运动提取方法，具体包括如下步骤：
[0107]
s1.获取目标区域的当前野火的分布数据，并作为原始的无轨迹时空统计数据；
[0108]
s2.采用上述的无轨迹时空统计数据的运动提取方法，完成无轨迹时空统计数据的运动提取；
[0109]
s3.根据步骤s2得到的运动提取结果，作为最终的野火运动提取结果。
[0110]
具体实施时，可以采用如下步骤进行野火运动的提取：
[0111]
s1.获取澳大利亚卡卡杜国家公园南部的野火数据，数据包括2019年10月3日14时和2019年10月4日10时两个时间点的野火分布情况；并以此作为原始的无轨迹时空统计数据；
[0112]
s2.采用上述的无轨迹时空统计数据的运动提取方法，完成无轨迹时空统计数据的运动提取：
[0113]
根据步骤s1获取的数据，建立野火数据的起始帧密度图和终止帧密度图；
[0114]
根据用户领域知识，影响野火蔓延的可能因素有地形、植被分布、风场等；但分析人员无法确定外部因素对运动的影响，因此分析人员假设火的分布指示了传播路径，并使用基于密度权重的最短路径度量方法来建立对运动提取过程进行约束的约束图；
[0115]
基于得到的约束图，选择最优传输方法提取运动信息；此外，由于火势蔓延过程中的质量不一致，我们还使用了前面提到了质量混合方法；
[0116]
将得到的运动信息进行可视化，得到图3所示的密度图形式，从而完成野火数据的运动提取。
[0117]
如图3所示，野火首先向右下移动到表示植被茂盛的绿色区域；然后，野火分为两部分，左边部分的蔓延被河流所限制并仅沿着河流沿岸蔓延；底部部分继续向下移动并再碰到另一条河流时被限制并改变方向为沿河岸蔓延；综合以上运动过程分析，可以得到火灾蔓延受到地形和植被分布影响的结论。