一种基于Flink框架的嫌疑车辆落脚点分析方法及装置

技术领域

本申请涉及智慧交通技术领域，尤其是涉及一种基于Flink框架的嫌疑车辆落脚点分析方法及装置。

背景技术

随着技术的进步和发展，为了防止违法的事件发生，会在各个区域设置抓拍设备，包括在各个道路、各个小区、各个路口等位置设置前端摄像头，以使得抓拍设备能够采集各个区域的信息，从而根据各个抓拍设备采集到的信息得到违法的数据，但由于抓拍设备的数量较多，导致得到的数据量数以亿计，在对数据进行分析和处理时，例如需要查找嫌疑车辆的落脚点时，考虑到嫌疑车辆的落脚点较多，在采用人工排查落脚点时，需要对大量的数据进行查看和分析，导致分析效率较低，且由于数据量过大，导致会出现漏查、人为判断落脚点出现误差的问题。

所以，现有对嫌疑车辆落脚点的分析方法存在需要人工分析，导致分析效率较低甚至无法准确查找到落脚点的技术问题。

发明内容

本申请实施例提供一种基于Flink框架的嫌疑车辆落脚点分析方法及装置，用以解决现有对嫌疑车辆落脚点的分析方法存在需要人工分析，导致分析效率较低甚至无法准确查找到落脚点的技术问题。

本申请实施例提供一种基于Flink框架的嫌疑车辆落脚点分析方法，该基于Flink框架的嫌疑车辆落脚点分析方法包括：

获取携带数据执行标识的数据执行请求；

根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；

根据所述落脚点分析模型及所述数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；

根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；

在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；

根据所述嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

同时，本申请实施例提供一种基于Flink框架的嫌疑车辆落脚点分析装置，该基于Flink框架的嫌疑车辆落脚点分析装置包括：

第一获取模块，用于获取携带数据执行标识的数据执行请求；

第二获取模块，用于根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；

排序模块，用于根据所述落脚点分析模型及所述数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；

判断模块，用于根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；

轨迹模块，用于在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；

落脚点模块，用于根据嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

同时，本申请实施例提供一种服务器，所述服务器包括存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行程序时实现上述基于Flink框架的嫌疑车辆落脚点分析方法中的步骤。

同时，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有多条指令，指令适于处理器进行加载，以执行上述基于Flink框架的嫌疑车辆落脚点分析方法中的步骤。

有益效果：本申请实施例提供一种基于Flink框架的嫌疑车辆落脚点分析方法及装置，该基于Flink框架的嫌疑车辆落脚点分析方法在获取携带数据执行标识的数据执行请求后，根据数据执行标识，获取Flink框架中与数据执行标识对应的落脚点分析模型，然后根据落脚点分析模型及数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序，然后根据落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔，在相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹，然后根据嫌疑车辆对应的行驶轨迹，确定嫌疑车辆的落脚点；本申请实施例通过采用落脚点分析模型对包含嫌疑车辆信息的视频片段进行排序，使得在确定嫌疑车辆的落脚点时，不会出现遗漏包含嫌疑车辆的视频片段，且根据视频片段的排序，可以得到嫌疑车辆的行驶过程，且可以根据视频片段的排序确定嫌疑车辆的停止位置的时间顺序，并判断相邻视频片段的时间间隔是否大于预设时间间隔，在相邻视频片段的时间间隔大于预设时间间隔时，确定嫌疑车辆的行驶轨迹，从而可以根据嫌疑车辆的行驶轨迹确定嫌疑车辆的落脚点，使得无需人工分析，且能够较为准确的查找到嫌疑车辆的落脚点。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例提供的智慧交通系统的场景示意图。

图2为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析方法的流程示意图。

图3为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析方法中视频片段的第一种排序示意图。

图4为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析方法中视频片段的第二种排序示意图。

图5为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析方法中车辆行驶过程的示意图。

图6为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析装置的结构示意图。

图7为本申请实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，图1为本申请实施例提供的智慧交通系统的场景示意图，该系统可以包括设备和服务器、服务器和服务器之间通过各种网关组成的互联网等方式连接通信，不再赘述，其中，设备包括前端设备11等，服务器包括存储服务器12、处理服务器13以及通信服务器，图1未示出通信服务器，其中：

前端设备11包括但不局限于嵌入式高清摄像机、工控机、高清相机等，用于对通过前端设备的车辆、行人进行数据采集，数据采集包括但不局限于对车辆的车牌号码(号码可以是假牌或者套牌)、车牌类型(私家车的蓝底车牌、货车的黄底车牌等)、行人的违法行为。

服务器包括本地服务器和/或远程服务器等。存储服务器12、处理服务器13以及通信服务器都可以部署在本地服务器，也可以部分或者全部部署在远程服务器上。

处理服务器13可以获取携带数据执行标识的数据执行请求；根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；根据所述落脚点分析模型及数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；根据所述嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

需要说明的是，图1所示的系统场景示意图是一个示例，本申请实施例描述的服务器以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

图2为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析方法的流程示意图，请参阅图2，该基于Flink框架的嫌疑车辆落脚点分析方法包括以下步骤：

201：获取携带数据执行标识的数据执行请求。

在一种实施例中，在获取携带数据执行标识的数据执行请求时，需要获取到数据执行请求携带的视频数据，该视频数据可以是从前端设备中获取到实时监控视频流后，服务器处理实时监控视频流得到的视频数据，考虑到数据分析为了尽量保持实时性，避免在查找嫌疑车辆的落脚点时，周期过长，违法追踪到违法车辆的落脚点，获取到的视频数据可以是一天前的视频数据，但在对视频数据进行分析时，还可以是预先存储多天的视频数据，然后对多天的视频数据进行分析，查找嫌疑车辆的落脚点，在获取到视频数据时，可以时存储服务器先接受到前端设备发送的实时监控视频流，然后直接将该实时监控视频流存储在存储服务器中，或者对实时监控视频流进行处理后得到视频数据存储在存储服务器中，然后处理服务器会接收携带数据执行标识的数据执行请求，以进行分析得到嫌疑车辆落脚点，在该过程中，可以是存储服务器向处理服务器发送数据执行请求，还可以是在设置服务器时，在存储服务器中存储有视频数据时，会自动向处理服务器发送数据执行请求，使得每个获取到的实时监控视频流都能分析得到嫌疑车辆落脚点。

在一种实施例中，在对实时监控视频流进行处理得到视频数据时，可以直接将实时监控视频流作为视频数据，还可以是通过对实时监控视频流进行相应的解码和编码得到视频数据，以使得能够对视频数据进行分析，得到嫌疑车辆的落脚点。

在一种实施例中，实时监控视频流包括前端设备、例如高清摄像机拍摄的视频，该实时监控视频流包括对通过前端设备的车辆的实时监控、对通过前端设备的行人的实时监控，同时，在实时监控视频流中，可以记录对应的时间、对应前端设备的地址的信息，便于在实时监控视频流中出现违法行为时，可以对违法行为发生的时间、地址进行对应的记录，以便于后续处理违法行为时可以依据对应的记录进行处理。

在一种实施例中，数据执行标识指数据执行请求的标识，在对数据进行处理时，需要确定数据执行标识，才能根据数据执行标识确定需要处理的过程，以及采用相应的处理方式进行处理，例如分析视频数据得到嫌疑车辆落脚点，且可以通过数据执行标识查找到数据执行请求携带的视频数据，从而使得在得到数据执行标识后，根据数据执行标识进行相应的处理过程。

202：根据数据执行标识，获取Flink框架中与数据执行标识对应的落脚点分析模型。

在一种实施例中，Flink框架是分布式处理引擎，可以对有界流和无界流进行处理，有界流指离线数据，无界流指实时数据，Flink框架具有低延迟、高吞吐量、实时性高、分析精度准确等优点，因此在对数据进行去重时可以提高去重效率，从而提高数据处理效率。

在一种实施例中，Flink框架中存在多个模型，该模型包括各类型数据处理模型、数据分析模型、落脚点分析模型，则在对视频数据进行分析得到嫌疑车辆落脚点时，需要根据数据执行标识确定对应的落脚点分析模型，即可以使得数据执行标识中携带数据执行类型，从而使得根据数据执行标识能够确定对应类型的落脚点分析模型，然后从对应类型的落脚点分析模型中选择确定的落脚点分析模型，对视频数据进行分析得到嫌疑车辆落脚点。

在一种实施例中，在根据数据执行标识确定Flink框架中对应的落脚点分析模型时，可以通过数据执行标识确定Flink框架对应的Flink标识，然后根据Flink标识从Flink框架中获取到对应的落脚点分析模型，此步骤包括：根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的Flink标识，根据所述Flink标识，从所述Flink框架中获取所述落脚点分析模型。

在一种实施例中，Flink标识指对应每个或者每一类模型，会为每个或者某一类模型设定对应的Flink标识，使得在调用模型时，可以根据数据执行标识查找到对应的Flink标识，然后可以根据Flink标识查找到对应的落脚点分析模型。

在一种实施例中，在获取到落脚点分析模型前，需要对落脚点分析模型进行训练，使得落脚点分析模型分析得到的嫌疑车辆的落脚点较为准确，可以先设置一个初始的落脚点分析模型，然后采用视频数据对初始落脚点分析模型进行训练，得到训练后的落脚点分析模型，使得训练后的落脚点分析模型能较为准确的得到嫌疑车辆的落脚点，此步骤包括：设定初始落脚点分析模型；获取测试视频数据、各测试视频数据对应的嫌疑车辆的测试落脚点；采用初始落脚点分析模型对测试视频数据进行分析，得到嫌疑车辆的模型落脚点；根据嫌疑车辆的测试落脚点、嫌疑车辆的模型落脚点，修正初始落脚点分析模型，得到落脚点分析模型；具体的，在获取测试视频数据时，该测试视频数据可以是获取到的历史视频数据，且该历史视频数据具有对应的嫌疑车辆落脚点，从而可以将该历史视频数据作为测试视频数据，同时，在得到测试视频数据后，采用初始落脚点分析模型对测试视频数据进行分析，使得根据初始落脚点分析模型得到的嫌疑车辆的模型落脚点与嫌疑车辆的测试落脚点进行对比，从而在根据初始落脚点分析模型得到的嫌疑车辆的模型落脚点与嫌疑车辆的测试落脚点存在差异时，对初始落脚点分析模型进行修正，并采用大量的测试视频数据对初始落脚点分析模型进行训练，从而使得得到的落脚点分析模型的分析结果较为准确。

在一种实施例中，在对初始落脚点分析模型进行训练时，考虑到训练后的落脚点分析模型不能准确确定嫌疑车辆的所有落脚点，或者会找到不符合的嫌疑车辆的落脚点，因此，在对初始落脚点分析模型进行训练时，可以设置预设分析准确率，在初始落脚点分析模型达到预设分析准确率后，将初始落脚点分析模型确定为落脚点分析模型，例如可以设置预设分析准确率为95％，假设多个视频数据中存在嫌疑车辆的落脚点，但初始落脚点分析模型的准确率为98％，未完全找到所有准确的落脚点，则判断初始落脚点分析模型的分析准确率大于95％，可以将初始落脚点分析模型作为落脚点分析模型。

在一种实施例中，在训练得到落脚点分析模型后，会采用落脚点分析模型对视频数据进行分析得到嫌疑车辆的落脚点，在此过程中，考虑到落脚点分析模型分析视频数据得到嫌疑车辆的落脚点后，假设仍然在视频数据中查找到嫌疑车辆的落脚点，可以采用该视频数据继续对落脚点分析模型进行训练，即保持对落脚点分析模型的训练，使得落脚点分析模型的分析准确率提高。

203：根据落脚点分析模型即数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序。

在一种实施例中，在对包含嫌疑车辆信息的视频片段进行排序时，使得在查看包含嫌疑车辆信息的视频片段时，不会出现遗漏包含嫌疑车辆信息的视频片段，例如两个相邻视频片段的时间间隔为30分钟，两个相邻视频片段中的后一视频片段与下一视频片段的时间间隔为30分钟，但由于遗漏两个相邻视频片段中的后一个视频片段，导致查看到的两个相邻视频片段的时间间隔为1小时，在根据时间判断嫌疑车辆的落脚点时，导致出现错误判断，因此，采用落脚点分析模型对包含嫌疑车辆信息的视频片段进行排序，使得避免遗漏包含嫌疑车辆信息的视频片段，且在按照时间顺序对视频片段进行排序后，在获取各个视频片段的时间间隔时，可以得到时间间隔最接近的两个视频片段的时间间隔，无需确定各个视频片段之间的时间间隔后，再从各个视频片段之间的时间间隔中查找到相邻的视频片段的时间间隔，然后根据各视频片段得到嫌疑车辆的落脚点，例如在视频片段未按照顺序排列时，假设包括10个视频片段，则需要知道10个视频片段的两两之间的时间间隔，然后根据各视频片段之间的时间间隔，确定各视频片段时间间隔最短的视频片段，然后根据各视频片段对嫌疑车辆的落脚点进行分析，而通过对各视频片段进行排序，仅需要获取到各视频片段与上一视频片段和下一视频片段的时间间隔(假设视频片段无上一视频片段，则仅需要知道与下一视频片段的时间间隔，假设视频片段无下一视频片段，则仅需要知道与上一视频片段的时间间隔)即可，需要获取的数据量较少，且视频片段按照排序进行分析，便于对嫌疑车辆的行驶轨迹进行记录。

在一种实施例中，在按照时间顺序对包含嫌疑车辆信息的视频片段进行排序时，需要先获取到嫌疑车辆的信息，然后根据嫌疑车辆信息获取到包含嫌疑车辆信息的视频片段，然后按照视频片段的开始时间对视频片段进行排序，此步骤包括：获取数据执行请求携带的嫌疑车辆信息；根据所述嫌疑车辆信息，获取所述视频数据中包含嫌疑车辆信息的视频片段；根据所述视频片段，确定各视频片段的开始时间；根据各视频片段的开始时间，确定各视频片段的时间顺序；根据各视频片段的时间顺序，对各视频片段进行排序；具体的，例如以时间轴T为例，截取时间19：00：00至21：00：00，在根据嫌疑车辆信息确定包含嫌疑车辆信息的视频片段时，根据嫌疑车辆信息找到为位于视频数据一31中的包含嫌疑车辆信息的视频片段一311、位于视频数据二32中的包含嫌疑车辆信息的视频片段二321、位于视频数据三33中的包含嫌疑车辆信息的视频片段三331，视频片段一311的时间从20：00：00至20：30：00，视频片段二321的时间从19：00：00至19：10：00，视频片段三331的时间从19：25：00至19：40：00，则可以确定各视频片段的开始时间，视频片段一311的开始时间为20：00：00，视频片段二321的开始时间为19：00：00，视频片段三331的开始时间为19：25：00，则可以根据各视频片段的开始时间，确定各视频片段的时间顺序，即视频片段二321的时间位于视频片段三331的时间之前、视频片段三331的时间位于视频片段一311的时间之前，从而可以根据各视频片段的时间对各视频片段排序，得到包含各个视频片段的视频数据四34，并按照时间顺序对各个视频片段排序，依次为视频片段二321、视频片段三331、视频片段一311，从而可以根据各视频片段的排序，对各视频片段进行处理得到嫌疑车辆的落脚点。

需要说明的是，图3中，视频数据四34以虚线表示，表示并不存在拍摄获取视频数据四34的前端设备，视频数据四34仅是由多个视频片段组成的视频数据，并不是由前端设备拍摄形成的连续完整的视频数据，视频数据四34中的虚线处表示该处无视频片段，在下述实施例中采用该方式表示视频数据时，不再赘述。

在一种实施例中，在确定视频片段的开始时间时，可以是以出现嫌疑车辆的时间作为开始时间，即视频片段的开始画面即包括了嫌疑车辆的画面，以避免过多的无效画面，但在实际中，为了完整的获取嫌疑车辆的行驶轨迹，可以使得视频片段多截取一部分画面，从而使得在经过短暂的画面后，出现嫌疑车辆，从而能够对嫌疑车辆的来的方向，以及与嫌疑车辆相关的车辆进行记录，例如某一车辆与嫌疑车辆相继出现然后分开，则多截取的画面中可以记录到与嫌疑车辆相关的车辆，从而可以增加信息的完整度，便于对嫌疑车辆进行分析。

在一种实施例中，在获取到包含嫌疑车辆信息的视频片段后，还可以通过视频片段的结束时间对各视频片段进行排序，但本申请实施例不限于此，在对视频片段进行排序时，还可以随机选择视频片段中的一个时间点，然后比较各个视频片段中的时间点的顺序，从而对各视频片段进行排序。

在一种实施例中，在根据嫌疑车辆信息得到包含嫌疑车辆信息的视频片段时，考虑到为了避免获取到的视频片段不是嫌疑车辆对应的视频片段，因此，需要确定视频片段中具有嫌疑车辆关键信息，从而确定该视频片段为嫌疑车辆对应的视频片段，此步骤包括：根据所述嫌疑车辆信息，确定所述嫌疑车辆关键信息；根据所述嫌疑车辆关键信息，判断所述视频数据中是否存在包含嫌疑车辆关键信息的视频片段；在所述视频数据中存在包含嫌疑车辆关键信息的视频片段时，确定所述视频片段为包含嫌疑车辆信息的视频片段；在所述视频片段中不存在包含嫌疑车辆关键信息的视频片段时，确定所述视频片段为不包含嫌疑车辆信息的视频片段；具体的，例如将嫌疑车辆的车牌号作为嫌疑车辆关键信息，则需要判断视频数据中是否存在嫌疑车辆的车牌号的画面，从而判断是否存在包含嫌疑车辆车牌号的视频片段，在某一视频数据中不存在嫌疑车辆的车牌号时，则寻找其他视频数据，得到包含嫌疑车辆信息的视频片段。

在一种实施例中，在判断相邻视频片段的时间间隔是否大于预设时间间隔时，需要先确定相邻视频片段的时间间隔，找到相邻的视频片段中的前一视频片段嫌疑车辆出现的结束时间、后一视频片段嫌疑车辆出现的初始时间，从而可以得到相邻视频片段的时间间隔，从而可以判断相邻视频片段的时间间隔是否大于预设时间间隔，此步骤包括：获取相邻视频片段中前一视频片段中嫌疑车辆最后出现的结束时间；获取相邻视频片段中后一视频片段中嫌疑车辆开始出现的初始时间；所述初始时间晚于所述结束时间；获取预设时间间隔；根据所述预设时间间隔、所述结束时间以及所述初始时间，判断所述结束时间与初始时间的时间间隔是否大于预设时间间隔；具体的，在确定相邻视频片段的时间间隔时，可以根据前一视频片段的结尾时间和后一视频片段的开始时间计算，但考虑到数据的准确性，则可以根据嫌疑车辆最后出现的结束时间和嫌疑车辆开始出现的初始时间计算预设时间，例如图4中，以时间轴T为例，截取时间19：00：00至21：00：00，视频数据41包括视频片段四411、视频片段五412、视频片段六413，视频片段四411的时间由19：00：00至19：10：00，视频片段五412的时间由19：25：00至19：40：00，视频片段六413的时间由20：00：00至20：30：00，但嫌疑车辆在视频片段四411中最后出现的结束时间为19：09：20，在视频片段五412中开始出现的时间为19：25：10，在视频片段五412中最后出现的时间为19：39：10，在视频片段六413中开始出现的时间为20：00：40，则视频片段四411和视频片段五412的时间间隔为15分钟50秒，视频片段五412与视频片段六413的时间间隔为21分钟30秒，然后可以设置预设时间间隔，例如预设时间间隔为20分钟，则视频片段四411与视频片段五412的时间间隔小于预设时间间隔，视频片段五412与视频片段六413的时间间隔大于预设时间间隔，从而可以根据判断结果对视频片段进行处理。

在一种实施例中，如图5所示，假设某一路段上行驶有车辆一和车辆二，前端摄像头53拍摄实时监控视频时，车辆一会依次经过地点一(车辆一)511、地点二(车辆一)512、地点三(车辆一)513，车辆二会依次经过地点一(车辆二)521、地点二(车辆二)522，车辆一与车辆二的地点根据时间对应，即在同一时间，车辆一会到达地点一(车辆一)511、车辆二会到达地点一(车辆二)521，从图5中可以看到，在车辆一到达地点二(车辆一)512时，车辆二会到达地点二(车辆二)522，此时，车辆一会被遮挡，则在判断视频片段是否为连续的视频片段时，可以根据车辆一被遮挡的时间判断，例如车辆一仅被遮挡一分钟，则该视频片段仍可以认为是连续的视频片段，即使未拍摄到车辆一的车牌号，在根据视频片段确定嫌疑车辆的结束时间时，例如该车辆一的车牌号最后不会被该前端摄像头53拍摄到，仍然可以将该视频片段截取，将最后出现车辆一的时间作为嫌疑车辆的结束时间，即在嫌疑车辆被遮挡时，可以根据该路段是否有岔路，被遮挡的时间是否较长来确定该视频片段是否能作为包含嫌疑车辆信息的视频片段，从而相应的确定嫌疑车辆的结束时间。

在一种实施例中，在根据视频片段确定嫌疑车辆的行驶轨迹时，假设两个视频片段的时间间隔大于预设时间间隔，则将两个视频片段作为两个行驶轨迹的载体，不作为一个连续的行驶过程，假设两个视频片段的时间间隔小于或者等于预设时间间隔，则将两个视频片段作为一个行驶轨迹的载体，作为一个连续的行驶过程，此步骤包括：在相邻两个视频片段的时间间隔大于预设时间间隔时，从相邻两个视频片段确定嫌疑车辆的两个行驶轨迹；在相邻两个视频片段的时间间隔小于或者等于预设时间间隔时，从相邻两个视频片段中确定嫌疑车辆的一个行驶轨迹；具体的，例如相邻两个视频片段的时间间隔为10分钟，预设时间间隔为30分钟，则将根据两个视频片段得到嫌疑车辆的一个行驶轨迹，假设预设时间为5分钟，则根据两个视频片段得到嫌疑车辆的两个行驶轨迹。

在一种实施例中，在得到嫌疑车辆的行驶轨迹后，需要确定每个行驶轨迹对应的轨迹落脚点，从而根据多个轨迹落脚点判断嫌疑车辆的落脚点，此步骤包括：根据嫌疑车辆对应的行驶轨迹，确定所述行驶轨迹中嫌疑车辆出现的起始位置和结束位置；根据所述嫌疑车辆出现的起始位置和结束位置，确定所述嫌疑车辆的行驶轨迹对应的轨迹落脚点；根据嫌疑车辆的各行驶轨迹对应的轨迹落脚点，确定所述嫌疑车辆的落脚点；具体的，例如需要根据一个视频片段确定对应的行驶轨迹时，获取到该视频片段中出现嫌疑车辆的起始位置，以及该嫌疑车辆消失的结束位置，例如嫌疑车辆出现在某路口，该路口对应第一小区，然后消失在第二小区，则记录第一小区和第二小区作为嫌疑车辆的起始位置和结束位置，然后在得到每个行驶轨迹对应的轨迹落脚点后，例如第一小区、第二小区、第三小区、…，则得到了嫌疑车辆的各个轨迹落脚点，然后可以根据轨迹落脚点得到嫌疑车辆的落脚点。

在一种实施例中，在得到嫌疑车辆的轨迹落脚点后，可以根据各轨迹落脚点对应的时间，对各轨迹落脚点进行排序，考虑到嫌疑车辆最终会停在某处，以便于嫌疑人员休息，则可以选择时间较晚的轨迹落脚点作为车辆的落脚点，同时考虑到嫌疑车辆会混淆视听，因此可以选择时间最晚的两个轨迹落脚点作为嫌疑车辆的落脚点，此步骤包括：根据各行驶轨迹对应的轨迹落脚点，确定各轨迹落脚点的时间；根据各轨迹落脚点的时间，对各轨迹落脚点进行排序；根据各轨迹落脚点的排序，从各轨迹落脚点中选出时间最晚的两个轨迹落脚点，并将出现时间最晚的两个轨迹落脚点作为嫌疑车辆的落脚点；具体的，假设将一个行驶轨迹中嫌疑车辆出现的起始位置和结束位置作为一个轨迹落脚点，则选择时间最晚的两个轨迹落脚点作为嫌疑车辆的落脚点，例如嫌疑车辆的时间最晚的两个行驶轨迹的起始位置和结束位置分别为第一小区、第二小区、第三小区、第四小区，则将第一小区、第二小区、第三小区、第四小区作为嫌疑车辆的落脚点，并通过嫌疑车辆的落脚点进行排查。

在一种实施例中，考虑到为了混淆视听，嫌疑车辆虽然最后会停留在某个地点，但是嫌疑人员以及嫌疑人员实际生活的地点不是嫌疑车辆最后停留的地点，因此，可以根据各轨迹落脚点的时间间隔确定嫌疑车辆的落脚点，此步骤包括：根据各行驶轨迹对应的轨迹落脚点，确定各轨迹落脚点的时间间隔；根据各轨迹落脚点的时间间隔，确定时间间隔最长的相邻轨迹落脚点；根据时间间隔最长的相邻轨迹落脚点，确定嫌疑车辆的落脚点；具体的，例如嫌疑车辆在第一小区停留，然后在第二小区出现，在第一小区至第二小区之间，存在4个小时的时间间隔，则考虑到4个小时的时间间隔过长，是否存在嫌疑人员实际藏匿在第一小区或者第二小区，嫌疑车辆最后停留的轨迹落脚点只是一个混淆视听的停车点，可以将第一小区和第二小区作为嫌疑车辆的落脚点，从而根据嫌疑车辆的落脚点对落脚点进行监控和排查。

在一种实施例中，在得到某一天的嫌疑车辆的落脚点后，考虑到嫌疑车辆还存在历史落脚点，则可以根据嫌疑车辆的落脚点与嫌疑车辆的历史落脚点，找到出现次数较多的落脚点，即使该嫌疑车辆在该落脚点停留的时间较短，仍然可以将该落脚点作为目标落脚点，同时，将目标落脚点和嫌疑车辆信息的视频片段存储到ES系统和Hbase系统中，使得在存储目标落脚点和嫌疑车辆信息的视频片段存储到ES系统和Hbase系统时，需要的存储空间相对较小，节省了内存，在查询目标落脚点时，能够快速的查询到目标落脚点；此步骤包括：获取所述嫌疑车辆的历史落脚点；根据所述嫌疑车辆的历史落脚点、所述嫌疑车辆的落脚点，确定出现次数最多的落脚点；根据所述出现次数最多的落脚点，确定所述落脚点为目标落脚点；将所述目标落脚点、包含所述嫌疑车辆信息的视频片段存储在ES系统和Hbase系统；具体的，在得到嫌疑车辆的某一天的落脚点后，例如第一小区、第二小区，从历史落脚点中获取到嫌疑车辆的历史落脚点以及次数，例如第一小区5次，第二小区6次，第三小区2次，则可以关系为第一小区6次、第二小区7次，第三小区2次，则可以将第一小区和第二小区作为目标落脚点，不仅仅将第二小区作为目标落脚点，然后根据目标落脚点，对落脚点进行排查，同时，将目标落脚点、以及包含嫌疑车辆信息的视频片段存储，从而便于后续查看嫌疑车辆的目标落脚点以及对应的视频片段。

在一种实施例中，在存储嫌疑车辆对应的视频片段时，还可以存储嫌疑车辆的轨迹落脚点，即为了避免落脚点判断错误，可以在后续对轨迹落脚点进行查看和实地排查，从而在根据落脚点未排查到嫌疑人员时，可以根据轨迹落脚点重新确定落脚点，不会丢失数据，无法查找到嫌疑人员的落脚点。

在一种实施例中，Hbase系统是一种高可靠性、高性能、可伸缩的分布式存储系统，在存储数据时，仅需要将需要的列取出，不需要将整行数据取出，从而降低了需要的存储空间，使得相同的存储空间能够存储更多的数据，而在采用Hbase系统存储数据时，例如在存储时，一种方案中会按照20个字段存储，即使20个字段中存在无法读取或者空的部分，会在空的部分和无法读取的部分存0，使得即使数据没有20个字段也会存储20个字段，占用了不必要的空间，而采用Hbase系统存储数据时，假设20个字段中存在空的部分或者无法读取的部分，例如仅有14个字段正常，则Hbase系统仅会存储14个字段，从而降低了需要的存储空间，在相同的存储空间下，存储的数据量更大。

在一种实施例中，ES系统是一种分布式全文检索系统，由于ES系统支持分片和复制，使得方便水平分割和扩展，且在查询时采用倒排索引，使得在查询时查询效率更高。

本申请实施例提供一种基于Flink框架的嫌疑车辆落脚点分析方法，通过对嫌疑车辆对应的视频片段进行排序，使得可以根据嫌疑车辆的视频片段的排序确定相邻视频片段的时间间隔，从而对应确定嫌疑车辆的行驶轨迹，然后可以根据嫌疑车辆的行驶轨迹确定嫌疑车辆的轨迹落脚点，进而根据轨迹落脚点确定落脚点，且在确定嫌疑车辆的落脚点后，还可以结合历史数据对嫌疑车辆的落脚点的次数进行分析，从而使得可以确定多天的落脚点，更加准确的确定嫌疑车辆的落脚点，并将嫌疑车辆对应的数据进行存储，从而便于后续进行查询，无需人工分析，能够较为准确的查找到嫌疑车辆的落脚点。

相应的，图6为本申请实施例提供的基于Flink框架的嫌疑车辆落脚点分析装置的结构示意图；请参阅图6，该基于Flink框架的嫌疑车辆落脚点分析装置包括以下模块：

第一获取模块601，用于获取携带数据执行标识的数据执行请求；

第二获取模块602，用于根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；

排序模块603，用于根据所述落脚点分析模型及所述数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；

判断模块604，用于根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；

轨迹模块605，用于在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；

落脚点模块606，用于根据所述嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

在一种实施例中，排序模块603用于获取数据执行请求中携带的嫌疑车辆信息；根据所述嫌疑车辆信息，获取所述视频数据中包含嫌疑车辆信息的视频片段；根据所述视频片段，确定各视频片段的开始时间；根据各视频片段的开始时间，确定各视频片段的时间顺序；根据各视频片段的时间顺序，对各视频片段进行排序。

在一种实施例中，排序模块603用于根据所述嫌疑车辆信息，确定所述嫌疑车辆关键信息；根据所述嫌疑车辆关键信息，判断所述视频数据中是否存在包含嫌疑车辆关键信息的视频片段；在所述视频数据中存在包含嫌疑车辆关键信息的视频片段时，确定所述视频片段为包含嫌疑车辆信息的视频片段；在所述视频数据中不存在包含嫌疑车辆关键信息的视频片段时，确定所述视频片段为不包含嫌疑车辆信息的视频片段。

在一种实施例中，判断模块604用于获取相邻视频片段中前一视频片段中嫌疑车辆最后出现的结束时间；获取相邻视频片段中后一视频片段中嫌疑车辆开始出现的初始时间；所述初始时间晚于所述结束时间；获取预设时间间隔；根据所述预设时间间隔、所述结束时间以及所述初始时间，判断所述结束时间与初始时间的时间间隔是否大于预设时间间隔。

在一种实施例中，轨迹模块605用于在相邻两个视频片段的时间间隔大于预设时间间隔时，从相邻两个视频片段确定嫌疑车辆的两个行驶轨迹；在相邻两个视频片段的时间间隔小于或者等于预设时间间隔时，从相邻两个视频片段中确定嫌疑车辆的一个行驶轨迹。

在一种实施例中，落脚点模块606用于根据所述嫌疑车辆对应的行驶轨迹，确定所述行驶轨迹中嫌疑车辆出现的起始位置和结束位置；根据所述嫌疑车辆出现的起始位置和结束位置，确定所述嫌疑车辆的行驶轨迹对应的轨迹落脚点；根据嫌疑车辆的各行驶轨迹对应的轨迹落脚点，确定所述嫌疑车辆的落脚点。

在一种实施例中，落脚点模块606用于根据各行驶轨迹对应的轨迹落脚点，确定各轨迹落脚点的时间；根据各轨迹落脚点的时间，对各轨迹落脚点进行排序；根据各轨迹落脚点的排序，从各轨迹落脚点中选出出现时间最晚的两个轨迹落脚点，并将出现时间最晚的两个轨迹落脚点作为嫌疑车辆的落脚点。

在一种实施例中，落脚点模块606用于根据各行驶轨迹对应的轨迹落脚点，确定各轨迹落脚点的时间间隔；根据各轨迹落脚点的时间间隔，确定时间间隔最长的相邻轨迹落脚点；根据时间间隔最长的相邻轨迹落脚点，确定嫌疑车辆的落脚点。

在一种实施例中，还包括存储模块，存储模块用于获取所述嫌疑车辆的历史落脚点；根据所述嫌疑车辆的历史落脚点、所述嫌疑车辆的落脚点，确定出现次数最多的落脚点；根据所述出现次数最多的落脚点，确定所述落脚点为目标落脚点；将所述目标落脚点、包含所述嫌疑车辆信息的视频片段存储在ES系统和Hbase系统。

相应的，本申请实施例还提供一种服务器，如图7所示，该服务器可以包括射频(RF，Radio Frequency)电路701、包括有一个或一个以上计算机可读存储介质的存储器702、输入单元703、显示单元704、传感器705、音频电路706、无线保真(WiFi，WirelessFidelity)模块707、包括有一个或者一个以上处理核心的处理器708、以及电源709等部件。本领域技术人员可以理解，图7中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部分，或者不同的部件布置。其中：

RF电路701可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器708处理；另外，将涉及上行的数据发送给基站。存储器702可用于存储软件程序以及模块，处理器708通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。输入单元703可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

显示单元704可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。

服务器还可包括至少一种传感器705，比如光传感器、运动传感器以及其他传感器。音频电路706包括扬声器，扬声器可提供用户与服务器之间的音频接口。

WiFi属于短距离无线传输技术，服务器通过WiFi模块707可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了WiFi模块707，但是可以理解的是，其并不属于服务器的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器708是服务器的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行服务器的各种功能和处理数据，从而对手机进行整体监控。

服务器还包括给各个部件供电的电源709(比如电池)，优选的，电源可以通过电源管理系统与处理器708逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，服务器还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器708会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器708来运行存储在存储器702中的应用程序，从而实现以下功能：

获取携带数据执行标识的数据执行请求；根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；根据所述落脚点分析模型及数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；根据所述嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文的详细描述，此处不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现以下功能：

获取携带数据执行标识的数据执行请求；根据所述数据执行标识，获取所述Flink框架中与所述数据执行标识对应的落脚点分析模型；根据所述落脚点分析模型及数据执行请求携带的视频数据，按照时间顺序对包含嫌疑车辆信息的视频片段进行排序；根据所述落脚点分析模型及视频片段的排序，判断相邻视频片段的时间间隔是否大于预设时间间隔；在所述相邻视频片段的时间间隔大于预设时间间隔时，根据各视频片段确定嫌疑车辆对应的行驶轨迹；根据所述嫌疑车辆对应的行驶轨迹，确定所述嫌疑车辆的落脚点。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种方法中的步骤，因此，可以实现本申请实施例所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种基于Flink框架的嫌疑车辆落脚点分析方法及装置、服务器及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。