目标数据的确定方法及装置、存储介质及电子装置与流程

1.本发明涉及通信领域，具体而言，涉及一种目标数据的确定方法及装置、存储介质及电子装置。


背景技术：

2.随着社会的快速发展，社会生产所涉及到的数据也越来越多，而如何从不同网络中确定不同数据的位置，是提高数据处理效率的关键因素。
3.例如，在交通识别领域，由于一些原因，道路上会出现不同类型的抛洒物，为了避免抛洒物影响到道路的交通，需要对道路上的抛洒物进行识别。
4.在当前现有技术中，可以总结为三类方法，其中，第一类给予背景建模和前景的提取，以目标数据为前景，在根据各种过滤条件进行过滤。但此方法依赖于背景建模，对于数据采集设备的变化的场景会失效；第二类是基于检测的方案，利用各种检测器对于目标数据进行检测，再根据各种条件进行分类过滤错误的样本，但是由于目标数据的属性各异，容易存在误差，效果不佳。第三类是分割的方案，逐个数据坐标点或像素点去判定是否为目标数据，在利用分类模型进行二次的过滤，保留下真实的目标数据，减少误检。此方法虽然解决了形态的问题，但是简单粗暴的把做了两类的分割再做分类，由于目标数据的类别众多，一个类别直接描述效果不会太好，可解释性也很差，此外给予分割算法的使用的是分类作为最终的过滤方法，这个方法也比较简单粗暴，可解释性也比较差，没有抓到目标数据的本质特征。
5.因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。


技术实现要素：

6.本发明实施例提供了一种目标数据的确定方法及装置、存储介质及电子装置，以至少解决传统的检测算法数据检测精度低的问题。
7.根据本发明实施例的一方面，提供一种目标数据的确定方法，包括：获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；在所述目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
8.根据本发明实施例的另一方面，还提供了一种目标数据的确定装置，包括：获取模块，用于获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；第一确定模块，用于在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；第二确定模块，用于在所述目标状态为异常状态的情况
下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；第三确定模块，用于根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
9.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述目标数据的确定方法。
10.根据本发明实施例的又一方面，还提供了一种电子装置，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，其中，上述处理器通过计算机程序执行上述目标数据的确定方法。
11.通过本发明，根据待分析数据确定目标对象在多个时刻的位置信息，在确定目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定目标对象在第二时刻位于第二位置的目标状态，并在目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息，根据多个目标位置信息确定待分析数据中的目标区域，并根据训练好的分类模型确定目标区域中的目标数据。采用上述技术方案，解决了传统的检测算法数据检测精度低的问题。
附图说明
12.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示例性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明实施例的目标数据的确定方法的计算机终端的硬件结构框图；图2是根据本发明实施例的目标数据的确定方法的流程图；图3是根据本发明实施例的目标数据的确定方法的框架图；图4是根据本发明实施例的目标数据的确定装置的结构框图。
具体实施方式
13.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
14.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
15.本技术实施例中所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的目标数据的确定方法的计算机终
端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器（microprocessor unit，简称是mpu）或可编程逻辑器件（programmable logic device，简称是pld））和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
16.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的目标数据的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
17.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（network interface controller，简称为nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
18.为了解决上述问题，在本实施例中提供了一种目标数据的确定方法，图2是根据本发明实施例的目标数据的确定方法的流程图，该流程包括如下步骤：步骤s202：获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；需要说明的是，在一个示例性的实施例中，待分析数据可以为图像数据，也可以是其它类型的数据，如通信数据等，具体的，图像数据可以为在预设的时间内摄像头对道路录像所得到的图像数据。
19.在一个示例性的实施例中，目标对象为车辆。可以通过车辆检测算法从图像数据中确定车辆在多个时刻的位置信息。例如在第一时刻位于第一位置，在第二时刻位于第二位置。
20.步骤s204：在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；在一个可选的实施例中，在执行步骤s204以前，还需要获取样本数据，其中，所述样本数据中具有目标对象在多个时刻的位置信息；通过所述样本数据对神经网络模型进行训练，得到轨迹预测模型。
21.需要说明的是，样本数据为在一条道路在没有抛洒物的情况下，通过摄像头拍摄的24小时内车所有车辆的轨迹信息，进而可以将所有车辆的轨迹信息输入轨迹预测模型进行训练，得到训练好的轨迹预测模型，训练好的轨迹预测模型为一个神经网络模型，可以预测任意位置上的车辆在t时刻后出现的在某个位置上的概率。
22.步骤s206：在所述目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；步骤s208：根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
23.需要说明的是，在一个示例性的实施例中，目标区域为应用于数据存储的存储区域，也可以是应用于图像识别的图像识别区域。
24.通过上述步骤，解决了传统的检测算法不能从数据中检测出严重抛洒物的问题，进而本发明在确定了目标对象的状态为异常的情况下，可以通过轨迹预测模型预测目标对象应该出现的区域，再通过分类模型确定区域中是否存在抛洒物，使得本发明确定的抛洒物都是严重抛洒物，进而疏通人员可以快速的进行清理，恢复道路交通。
25.需要说明的是，在一个示例性的实施例中，上述根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，可以通过以下方式实现：将所述第一位置输入至所述轨迹预测模型，得到目标概率集合，其中，所述目标概率集合中包括多个位置的位置概率信息，所述多个位置至少包括：所述第一位置，所述第二位置；所述轨迹预测模型用于预测目标对象在预设时间后在多个位置上的概率，所述预设时间为所述第二时刻与所述第一时刻的时间差；根据所述目标概率集合确定所述第二位置的第一概率；在所述第一概率小于所述第一阈值的情况下，确定所述目标对象在所述第二时刻位于第二位置的状态为异常状态为了更好的理解，以下做具体说明：假设，通过车辆检测算法对获取到的图像数据进行分析，确定车辆a在t时刻（第一时刻）位于位置x（第一位置），在t t时刻（第二时刻）位于位置y（第二位置），则将车辆a在t时刻的所处的位置x输入至轨迹预测模型，进而可以获取到轨迹预测模型预测的在t t时刻车辆a在多个位置上的位置概率信息，如，在位置x的概率为10%，在位置y的概率为10%，在位置m的概率为80%，在位置n的概率为70%，在位置z的概率为90%。进而可以根据轨迹预测模型预测的位置概率信息确定车辆a在t t时刻位于位置y的概率为10%。
26.由于轨迹预测模型预测的是车辆正常行驶情况下的可能会出现的位置，故如果轨迹预测模型预测车辆a在t t时刻位于位置y的概率小于50%（第一阈值），则说明车辆并没有按照正常情况进行行驶，则可以确定车辆为异常车辆。由于10%小于50%，则确定车辆a在t t时刻的状态为异常状态。
27.在一个示例性的实施例中，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息，可以通过以下方式实现：确定所述目标概率集合中概率值大于或等于所述第二阈值的多个第二概率；将所述多个第二概率中每一个第二概率对应的位置确定为目标位置，得到多个目标位置信息。
28.也就是说，如果车辆a在t t时刻的状态为异常状态，则说明车辆a在t至t t时刻的时候，遇到了突发的状态，导致车辆不按照正常的路线进行行驶，进而可以根据轨迹预测模型预测的车辆a在t t时刻可能出现的多个不同的位置来预测存在突发状态的一个区域。具体的，可以将轨迹预测模型预测的位置概率信息中概率大于第二阈值所对应的位置确定为车辆a在t t时刻可能出现的位置，假设轨迹预测模型预测的目标概率集合为：在位置x的概率为10%，在位置y的概率为10%，在位置m的概率为80%，在位置n的概率为70%，在位置z的概
率为90%。假设第二阈值为70%，则将位置m，n，z确定为车辆a在t t时刻可能出现的位置，而实际上车辆a在t t时刻位于位置y，进而说明位置m，n，z可能存在障碍物，进而可以通过位置m，n，z来确定抛洒物区域。
29.在一个示例性的实施例中，根据所述多个目标位置信息确定所述待分析数据中的目标区域，可以通过以下方式实现：通过目标算法确定所述多个目标位置信息对应的最小外接矩阵；确定所述待分析数据中与所述最小外接矩阵相对应的目标区域。
30.也就是说，需要先确定位置m，n，z的最小外接矩阵，进而从待分析数据中确定与这最小外接矩阵的对应的目标区域。
31.在确定了目标区域以后，就需要确定此目标区域中是否存在目标数据，即是否存在抛洒物，在一个示例的实施例中，可以根据训练好的分类模型确定所述目标区域中的目标数据，具体的：获取训练好的分类模型，其中，所述训练好的分类模型根据多组数据训练得到，所述分类模型用于确定目标类型的数据；将所述待分析数据中位于所述目标区域的数据输入至所述训练好的分类模型，以确定所述目标区域中的目标数据。
32.需要说明的是，由于车辆不一定是只有遇到抛洒物才绕行，也有可能遇到道路施工，交通事故等，进而需要通过分类模型确定这个区域是不是抛洒物区域。需要说明的是，分类模型是一种神经网络模型，是通过多组数据训练出来的。
33.需要说明的是，上述实施例中的位置可以为图像中的一个像素点或一个像素点集合。
34.显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。为了更好的理解上述目标数据的确定方法，以下结合实施例对上述过程进行说明，但不用于限定本发明实施例的技术方案，具体地：在一个可选的实施例中，图3是根据本发明实施例的目标数据的确定方法的框架图，具体可以概括为以下步骤：步骤一：离线统计24小时的车流信息，利用检测跟踪算法（相当于上述实施例中的车辆检测算法）获取车辆运行的轨迹，利用轨迹建立车辆行驶的统计模型（相当于上述实施例中的轨迹预测模型），统计模型可以预测任意位置上的车辆，t时刻后出现的在某个位置上的概率。
35.步骤二：离线训练好一个基于深度神经网络的分类模型，分类类别包含会影响到交通的各种可能因素包括事故，拥堵，抛洒物等。
36.步骤三：在实时处理阶段从视频流（相当于上述实施例中的待分析数据）中获取到图片，利用检测跟踪获取到车辆的实时位置信息（相当于上述实施例中多个时刻的位置信息）。
37.步骤四：在t时刻后计算达到该位置的车辆的后验概率（相当于上述实施例中的第一概率），设定一个阈值tr（相当于上述实施例中的第一阈值），将小于该阈值的车辆的标记为异常车辆。
38.步骤五：统计异常车辆的t时刻前的位置的统计模型中预测概率超过 阈值tr2（相当于上述实施例中的第二阈值）的位置，利用形态学的手段（膨胀，腐蚀和联通域分析）获取区域的最小外接矩形。
39.步骤六：利用区域最小外接矩形获取到图像，将图像输入到预先训练好的分类模
型中，输出图像的类别。
40.步骤七：将步骤六中的分类为抛洒物的物体判定为抛洒物的输出。
41.此外，本发明实施例的上述技术方案，解决了传统方式无法区分抛洒物区域是否达到了影响的交通的情形。将影响到交通时候抛洒物一般为较为严重的抛洒物，而一般不影响到通行的抛洒物为不重要抛洒物，本实施例可以区分上述两类抛洒物事件。同时，本实施例利用了之前24小时的轨迹的信息，不易受临时的环境的变化的影响，稳定性较高，且使用异常行驶作为触发条件，可以提升整体的可解释性，提升上报事件的有效性。此外，使用轨迹模型整理的性能消耗很小，有助于提升整体的处理效率。
42.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。
43.在本实施例中还提供了一种目标数据的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
44.图4是根据本发明实施例的目标数据的确定装置的结构框图，该装置包括：获取模块42，用于获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；第一确定模块44，用于在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；第二确定模块46，用于在所述目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；第三确定模块48，用于根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
45.通过上述模块，解决了传统的检测算法不能从数据中检测出严重抛洒物的问题，进而本发明在确定了目标对象的状态为异常的情况下，可以通过轨迹预测模型预测目标对象应该出现的区域，再通过分类模型确定区域中是否存在抛洒物，使得本发明确定的抛洒物都是严重抛洒物，进而疏通人员可以快速的进行清理，恢复道路交通。
46.可选的，第一确定模块44还用于将所述第一位置输入至所述轨迹预测模型，得到目标概率集合，其中，所述目标概率集合中包括多个位置的位置概率信息，所述多个位置至少包括：所述第一位置，所述第二位置；所述轨迹预测模型用于预测目标对象在预设时间后在多个位置上的概率，所述预设时间为所述第二时刻与所述第一时刻的时间差；根据所述目标概率集合确定所述第二位置的第一概率；在所述第一概率小于所述第一阈值的情况下，确定所述目标对象在所述第二时刻位于第二位置的状态为异常状态。
47.可选的，第二确定模块46还用于确定所述目标概率集合中概率值大于或等于所述
第二阈值的多个第二概率；将所述多个第二概率中每一个第二概率对应的位置确定为目标位置，得到多个目标位置信息。
48.可选的，第三确定模块48还用于通过目标算法确定所述多个目标位置信息对应的最小外接矩阵；确定所述待分析数据中与所述最小外接矩阵相对应的目标区域。
49.可选的，第三确定模块48还用于获取训练好的分类模型，其中，所述训练好的分类模型根据多组数据训练得到，所述分类模型用于确定目标类型的数据；将所述待分析数据中位于所述目标区域的数据输入至所述训练好的分类模型，以确定所述目标区域中的目标数据。
50.可选的，第一确定模块44还用于获取样本数据，其中，所述样本数据中具有目标对象在多个时刻的位置信息；通过所述样本数据对神经网络模型进行训练，得到轨迹预测模型。
51.本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
52.可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：s1，获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；s2，在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；s3，在所述目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；s4，根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
53.在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器（read-only memory，简称为rom）、随机存取存储器（random access memory，简称为ram）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
54.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
55.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
56.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：s1，获取待分析数据，并根据所述待分析数据确定目标对象在多个时刻的位置信息；s2，在确定所述目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，所述第一时刻早于所述第二时刻；
s3，在所述目标状态为异常状态的情况下，基于预设的第二阈值以及所述轨迹预测模型确定所述第二时刻的多个目标位置信息；s4，根据所述多个目标位置信息确定所述待分析数据中的目标区域，并根据训练好的分类模型确定所述目标区域中的目标数据。
57.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
58.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
59.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，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，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，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。这样，本发明不限制于任何特定的硬件和软件结合。
60.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，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。