一种轨迹跟踪方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及通信领域，具体而言，涉及一种轨迹跟踪方法、装置、存储介质及电子装置。

背景技术

目前，时空轨迹融合技术在安防场景中有着广泛的应用。

例如，一个人的轨迹往往伴随着其他实体的轨迹，例如开车时，人像轨迹和车辆运行轨迹是相同的，行走在路上时，人像轨迹和手机mac码信息(下文都用mac代替)的轨迹是相同的。

但是，有时候单个实体被设备采集到的轨迹并不能完整的将该单个实体的活动轨迹进行描述，而为了将单个实体的活动轨迹进行完整描述，可以结合单个实体的多个相关实体来补全活动轨迹。

例如，由于不同的采集设备采集到的信息不相同，比如有些地方装了人像摄像头，有些地方装了车辆摄像头，有些地方装了mac采集设备等，此时通过采集车辆轨迹，mac轨迹，虚拟账户轨迹等信息，并与人像数据进行融合，能够帮助给安防业务提供更有力的支撑

现有技术的融合方式大多基于时间和空间的切块，然后进行碰撞来进行轨迹融合，该方式需要不同的设备在同一个时间块和同一个空间块同时采集到目标对象的活动轨迹，且采集到的次数越多，则证明是同一个人的轨迹的概率越大，随后只有在概率满足一定阈值之后再进行轨迹融合。

而在实际应用中，由于采集设备安装区域不同和采集范围不同，导致采集到的同一个人的多个相关实体的时间和空间的重合度较低，从而轨迹融合效果较差，准确率较低，轨迹融合的效率低下。

目前并没有针对上述问题提出有效的解决方案。

发明内容

本发明实施例提供了一种轨迹跟踪方法、装置、存储介质及电子装置，以至少解决相关技术中轨迹融合精度低，效果差的问题。

根据本发明的一个实施例，提供了一种轨迹跟踪方法，包括：

获取初始轨迹数据，其中，所述初始轨迹数据包括第一初始数据和第二初始数据，其中，所述第一初始数据用于指示目标对象的运动轨迹，所述第二初始数据用于指示所述目标对象所使用的目标设备的运动轨迹；

对所述第一初始数据进行第一数据处理，以得到第一目标数据，其中，所述第一目标数据用于指示所述目标对象的位置信息；

对所述第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据，其中，所述第二目标数据用于指示所述目标设备的位置信息；

对所述第一目标数据和所述第二目标数据进行融合处理，以确定所述目标对象的轨迹信息。

在一个示例性实施例中，在所述目标对象的数量为多个的情况下，所述对所述第一初始数据进行第一数据处理，以得到第一目标数据包括：

根据预先接收的多个目标对象标识对所述第一初始数据进行第一筛选处理，以得到第一筛选数据，其中，所述第一筛选数据用于指示满足第二条件的各个所述目标对象的位置信息；

对所述第一筛选数据进行编码分类处理，以得到第一落点时间数据，其中，所述第一落脚点时间数据包括所述目标对象在目标时间段的位置信息的第一时间标识；

对所述第一落脚点时间数据进行第一置信筛选处理，以得到每个所述目标对象的所述第一目标数据。

在一个示例性实施例中，所述根据预先接收的多个目标对象标识对所述第一初始数据进行第一筛选处理，以得到第一筛选数据包括：

根据预先接收的多个目标对象标识对所述第一初始数据进行第一聚合排序处理，以得到第一排序数据，其中，所述第一排序数据用于指示按照第一预设规则排序后的各个所述目标对象的位置信息；

根据第一规则对所述第一排序数据进行筛选去重处理，以得到第一筛选数据。

在一个示例中，所述对所述第一筛选数据进行编码分类处理，以得到第一落点时间数据包括：

对所述第一筛选数据中包含的位置信息进行第一聚合排序处理，以得到第一排序数据，其中，所述第一排序数据用于指示按照第一预设规则排序后的各个所述目标对象的位置信息；

根据第一规则对所述第一排序数据进行筛选去重处理，以得到第一筛选数据，其中，所述第一筛选数据用于指示满足第二条件的各个所述目标对象的位置信息；

对所述第一筛选数据进行第一编码处理，以得到第一落脚点信息；

对所述第一落脚点信息进行第一时间分类处理，以得到第一落脚点时间数据；其中，所述第一落脚点时间数据包括所述目标对象在目标时间段的位置信息的第一时间标识。

在一个示例性实施例中，所述对所述第一落脚点时间数据进行第一置信筛选处理，以得到每个所述目标对象的所述第一目标数据包括：

针对每个所述目标对象，均执行以下操作：

根据所述第一时间标识，确定所述目标对象在所述目标时间段的被采集次数；

根据所述目标对象在所述目标时间段的被采集次数确定所述目标对象的位置信息的置信度；

根据从大到小的顺序对所述置信度对应的第一落脚点时间数据进行排序；

获取序列满足第一阈值的第一落脚点时间数据，以作为所述第一目标数据。

在一个示例性实施例中，在所述目标对象的数量为多个的情况下，对所述第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据包括：

根据预先接收的多个目标编码标识对所述第二初始数据进行第二聚合排序处理，以得到第二排序数据，其中，所述第二排序数据用于指示按照第二预设规则排序后的各个所述目标对象的位置信息；

对所述第二排序数据进行编码筛选处理，以得到满足第三条件的第二目标落脚点信息；

对所述第二目标落脚点信息进行第二时间分类处理，以得到第二落脚点时间数据；其中，所述第二落脚点时间数据用于指示所述目标设备在目标时间段的位置信息的第二时间标识；

对所述第二落脚点时间数据进行第二置信筛选处理，以得到每个所述目标设备的所述第二目标数据。

在一个示例中，对所述第二排序数据进行编码筛选处理，以得到满足第三条件的第二目标落脚点信息包括：

对所述第二排序数据进行第二编码处理，以得到编码数据；

对所述编码数据进行过滤处理，以得到满足所述第一条件的第二落脚点信息；

对所述第二落脚点信息进行筛选处理，以得到所述第二目标落脚点信息。

在一个示例性实施例中，对所述第二落脚点时间数据进行第二置信筛选处理，以得到每个所述目标设备的所述第二目标数据包括：

针对每个所述目标设备，均执行以下操作：

根据所述第二时间标识，确定所述目标设备在所述目标时间段的被采集次数；

根据所述目标对象在所述目标时间段的被采集次数确定所述目标对象的位置信息的置信度；

根据从大到小的顺序对所述置信度对应的第二落脚点时间数据进行排序；

获取序列满足第二阈值的第二落脚点时间数据，以作为所述第二目标数据。

根据本发明的另一个实施例，提供了一种轨迹跟踪装置，包括：

初始数据采集模块，用于获取初始轨迹数据，其中，所述初始轨迹数据包括第一初始数据和第二初始数据，其中，所述第一初始数据用于指示目标对象的运动轨迹，所述第二初始数据用于指示所述目标对象所使用的目标设备的运动轨迹；

第一数据处理模块，用于对所述第一初始数据进行第一数据处理，以得到第一目标数据，其中，所述第一目标数据用于指示所述目标对象的位置信息；

第二数据处理模块，用于对所述第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据，其中，所述第二目标数据用于指示所述目标设备的位置信息；

数据融合模块，用于对所述第一目标数据和所述第二目标数据进行融合处理，以确定所述目标对象的轨迹信息。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述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。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，由于对采集到的第一初始数据进行第一数据处理，并对第二初始数据进行第二数据处理，无需碰撞，且减少了数据计算量，因此，可以解决相关技术中数据融合精度低，效率低的问题，达到提高轨迹融合质量的效果。

附图说明

图1是本发明实施例的一种轨迹跟踪方法的移动终端的硬件结构框图；

图2是根据本发明实施例的一种轨迹跟踪方法的流程图；

图3是根据本发明实施例的一种轨迹跟踪装置的结构框图；

图4是根据本发明的具体实施例的流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

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。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种轨迹跟踪方法的移动终端的硬件结构框图。如图1所示，移动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MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动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，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

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一种轨迹跟踪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移动终端。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。

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移动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。

在本实施例中提供了一种轨迹跟踪方法，图2是根据本发明实施例的的流程图，如图2所示，该流程包括如下步骤：

步骤S202，获取初始轨迹数据，其中，初始轨迹数据包括第一初始数据和第二初始数据，其中，第一初始数据用于指示目标对象的运动轨迹，第二初始数据用于指示目标对象所使用的目标设备的运动轨迹；

在本实施例中，获取第一初始数据是为了采集目标对象的运动轨迹，获取第二初始数据是为了采集目标对象所使用的目标设备的运动轨迹，从而减少其它设备对数据融合造成的干扰。

其中，目标对象可以(但不限于)是行人、车辆、动物、飞行器等可移动的设备或物体，目标对象所使用的目标设备可以(但不限于)是行人使用的mac设备、车辆上搭载的行车记录仪等，第一初始数据的获取方式可以(但不限于)是通过城市内所有人像卡口进行人像采集得到的，也可以是通过卫星进行人像跟踪得到的，还可以是通过固定区域的人像卡口进行采集得到的；第二初始数据采集可以是通过城市内所有的mac采集装置进行mac识别采集得到的，也可以是通过其它方式采集得到的；第一初始数据包括(但不限于)目标对象的类型、标识、位置信息、信息采集时间、位置停留时间等信息；第二初始数据包括(但不限于)目标设备的类型、标识ID、位置信息、信息采集时间、位置停留时间等信息。

步骤S204，对第一初始数据进行第一数据处理，以得到第一目标数据，其中，第一目标数据用于指示目标对象的位置信息；

在一个可选的实施例中，对第一初始数据进行第一数据处理是为了去除不必要的数据，并对数据进行量化，从而减少数据计算量，并提高融合精度。

其中，第一数据处理包括(但不限于)对第一初始数据进行筛选、去重、编码、过滤等操作，执行第一数据处理的设备可以是设备内置的CPU、FPGA、PLC等具有逻辑处理功能的设备或模块，也可以是设备外接的服务器、工业计算机等，其中，当执行第一数据处理的设备是外接设备时，其数据传输可以是通过以太网、蓝牙等方式进行传输的，也可以是通过3G/4G/5G/量子通信的方式进行传输的，还可以是通过其它方式进行传输的；第一目标数据除了包括目标对象的位置信息，还可以包括目标对象的类型、标识、信息采集时间等信息。

步骤S206，对第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据，其中，第二目标数据用于指示目标设备的位置信息；

在一个可选的实施例中，对第二初始数据进行第二数据处理是为了去除不必要的数据，并对数据进行量化，从而减少数据计算量，并提高融合精度。

其中，第一条件可以(但不限于)是被采集次数超过一定阈值，例如被采集次数超过5次以上的数据，第二数据处理包括(但不限于)对第二初始数据进行筛选、去重、编码、过滤等操作，执行第一数据处理的设备可以是设备内置的CPU、FPGA、PLC等具有逻辑处理功能的设备或模块，也可以是设备外接的服务器、工业计算机等，其中，当执行第二数据处理的设备是外接设备时，其数据传输可以是通过以太网、蓝牙等方式进行传输的，也可以是通过3G/4G/5G/量子通信的方式进行传输的，还可以是通过其它方式进行传输的；第二目标数据除了包括目标设备的位置信息，还可以包括目标设备的类型、标识、信息采集时间等信息。

步骤S208，对第一目标数据和第二目标数据进行融合处理，以确定目标对象的轨迹信息。

在本实施例中，将处理后的第一目标数据和第二目标数据进行融合，从而能够从多个角度对目标对象的运动轨迹进行确定，提高轨迹跟踪质量。

其中，数据的融合包括(但不限于)是将第一目标数据与第二目标数据进行对比，再将相同的数据进行融合；也可以是将第一目标数据和第二目标数据并列显示在同一界面，还可以是以其它方式进行融合。

需要说明的是，融合时，可以按照如下公式对第一目标数据和第二目标数据的置信度进行计算，以提高数据的可信度：

式中，w是该目标对象和设备为同一个对象的两个目标实体的置信度。

通过上述步骤，由于对采集到的第一初始数据进行第一数据处理，并对第二初始数据进行第二数据处理，无需碰撞，且减少了数据计算量，解决了相关技术中数据融合精度低，效率低的问题，提高了轨迹融合质量。

其中，上述步骤的执行主体可以为基站、终端等，但不限于此。

步骤S204和步骤S206的执行顺序是可以互换的，即可以先执行步骤S206，然后再执行S204。

在一个可选的实施例中，在目标对象的数量为多个的情况下，对第一初始数据进行第一数据处理，以得到第一目标数据包括：步骤S2042，根据预先接收的多个目标对象标识对第一初始数据进行第一筛选处理，以得到第一筛选数据，其中，第一筛选数据用于指示满足第二条件的各个目标对象的位置信息；

步骤S2044，对第一筛选数据进行编码分类处理，以得到第一落点时间数据，其中，第一落脚点时间数据包括目标对象在目标时间段的位置信息的第一时间标识；

步骤S2046，对第一落脚点时间数据进行第一置信筛选处理，以得到每个所述目标对象的第一目标数据。

在本实施例中，对第一落脚点时间数据进行第一置信筛选处理为了确定数据的可靠性，减少其它数据的干扰。

其中，目标对象标识可以(但不限于)是与目标对象一一对应的人像I D、车型I D等，第一聚合排序处理可以(但不限于)是按照目标对象标识对第一初始数据中的目标对象进行分类排列，其中，排列方式可以是随机排列，也可以是按照预设规则进行排列。

在一个可选的实施例中，根据预先接收的多个目标对象标识对所述第一初始数据进行第一筛选处理，以得到第一筛选数据包括：

步骤S20422，第一聚合排序处理，以得到第一排序数据，其中，第一排序数据用于指示按照第一预设规则排序后的各个目标对象的位置信息；

步骤S20424，根据第一规则对第一排序数据进行筛选去重处理，以得到第一筛选数据，其中，第一筛选数据用于指示满足第二条件的各个目标对象的位置信息。

在本实施例中，对第一初始数据进行聚合排序是为了确定第一初始数据中的各个目标对象的类型，并对其进行分类，从而方便对目标对象进行跟踪和计算，提高数据计算效率；对第一排序数据进行筛选去重处理是为了过滤掉数据中包含的重复数据，从而减少计算量；

其中，对第一排序数据进行筛选去重处理可以(但不限于)是先对第一排序数据进行去重处理，以去除重复的数据，减少计算量；再对去重后的数据进行筛选处理，以筛选出每个目标对象第一次被捕捉和最后一次被采集的数据，例如第一次被采集的位置信息、时间信息，最后一次采集的位置信息、时间信息等，也可以是筛选出规定时间内的随机若干次被采集的数据以进一步减少计算量。

在一个可选的实施例中，对第一筛选数据进行编码分类处理，以得到第一落点时间数据包括：

步骤S20442，对第一筛选数据进行第一编码处理，以得到第一落脚点信息；

步骤S20444，对第一落脚点信息进行第一时间分类处理，以得到第一落脚点时间数据；其中，第一落脚点时间数据包括目标对象在目标时间段的位置信息的第一时间标识。

在本实施例中，对第一筛选数据进行第一编码处理是为了对数据进行量化，以方便进行计算；对第一落脚点信息进行第一时间分类处理是为了确定目标对象的轨迹出现时间，如白天或晚上，以方便确定目标对象的运动轨迹。

其中，第一编码处理可以(但不限于)是通过geohash编码进行geohash6编码，也可以是通过其它方式进行编码；第一时间分类处理可以是根据目标对象被采集的时间进行分类，例如确定目标对象是在白天被采集的还是在晚上被采集的，也可以是将目标对象区分为早上、中午、下午、晚上四个时间段的采集时间，还可以是按照其它方式进行分类；此时，第一置信筛选处理可以按照置信度如下公式计算置信度，随后再根据置信度进行筛选：

其中，a

例如，根据人像标识对第一初始数据进行聚合，并按自然天进行切分，统计每个目标对象每天的第一次和最后一次的出现时间、出现地点经纬度信息(若某目标对象当天只出现一次，则只保留一次相关信息)，作为该目标对象近N天的落脚点信息，并形成如下阵列：

式中，A

随后再将地点经纬度信息进行geohash编码转换为geohash6块，形成新的落脚点信息，并形成如下阵列：

式中，其中H

再将前述目标对象出现时间T

式中，L

最后再根据前述置信计算公式进行计算每个目标对象在每个geohash6块的白天和夜晚的目标对象落脚点的置信度。

在一个可选的实施例中，对第一落脚点时间数据进行第一置信筛选处理，以得到每个目标对象的第一目标数据包括：

针对每个目标对象，均执行以下操作：

步骤S20462，根据第一时间标识，确定第一落脚点信息中包含的目标对象在目标时间段的被采集的位置信息位于目标区域的次数；

步骤S20464，根据目标对象在目标时间段的被采集次数确定目标对象的位置信息的置信度；

步骤S20466，根据从大到小的顺序对置信度对应的第一落脚点时间数据进行排序；

步骤S20468，获取序列满足第一阈值的第一落脚点时间数据，以作为第一目标数据。

在本实施例中，获取序列满足第一阈值的第一落脚点时间数据，以作为第一目标数据是为了减少融合时的计算量，从而提高融合效率。

其中，确定目标对象在目标时间段的被采集次数可以(但不限于)是确定目标对象在白天或晚上的被采集次数，也可以是早上、中午、下午、晚上被采集的次数；确定目标对象的位置信息的置信度的方式可以是根据前述置信公式进行计算来确定；获取序列满足第一阈值的第一落脚点时间数据可以(但不限于)是分别获取白天采集的数据中置信度排前三的数据，以及晚上采集的数据中置信度排前三的数据，还可以是白天以及晚上采集的置信度大于70％的数据；置信度的计算可以是通过设备内置的CPU、FPGA、PLC等具有逻辑处理功能的设备或模块来实现的，也可以是设备外接的服务器、工业计算机等来实现的，其中，当执行置信度的计算的设备是外接设备时，其数据传输可以是通过以太网、蓝牙等方式进行传输的，也可以是通过3G/4G/5G/量子通信的方式进行传输的，还可以是通过其它方式进行传输的。

在一个可选的实施例中，在根据预先接收的目标对象标识对第一初始数据进行聚合排序处理之前，该方法还包括：

步骤S2040，根据预设规则，对第一初始数据进行切分，以得到满足预设条件的第一初始数据。

在本实施例中，对第一初始数据进行切分是为了方便对第一初始数据进行后续处理，提高数据处理效率。

其中，对第一初始数据进行切分可以(但不限于)是按照按自然天进行切分，也可以是按照其它方式进行切分。

在一个可选的实施例中，在目标对象的数量为多个的情况下，对第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据包括：

步骤S2062，根据预先接收的多个目标编码标识对第二初始数据进行第二聚合排序处理，以得到第二排序数据，其中，第二排序数据用于指示按照第二预设规则排序后的各个所述目标对象的位置信息；

步骤S2064，对第二排序数据进行编码筛选处理，以得到满足第三条件的第二目标落脚点信息；

步骤S2066，对第二目标落脚点信息进行第二时间分类处理，以得到第二落脚点时间数据；其中，第二落脚点时间数据用于指示目标设备在目标时间段的位置信息的第二时间标识；

步骤S2068，对第二落脚点时间数据进行第二置信筛选处理，以得到每个目标设备的所述第二目标数据。

在本实施例中，对编码数据进行过滤是为了减少不移动的或者活跃度较低的目标设备对数据处理的影响；对第二初始数据进行聚合排序是为了确定第二初始数据中的各个目标设备的类型，并对其进行分类，从而方便对目标设备进行跟踪和计算，提高数据计算效率；对第二排序数据进行编码筛选处理是为了对数据进行筛选和量化，以方便进行计算；对第二目标落脚点信息进行第二时间分类处理是为了确定目标对象的轨迹出现时间，如白天或晚上，以方便确定目标设备的运动轨迹；对第二落脚点时间数据进行第二置信筛选处理为了确定数据的可靠性，减少其它数据的干扰。

其中，目标编码标识可以(但不限于)是与目标设备一一对应的编码等，第二聚合排序处理可以(但不限于)是按照目标编码标识对第二初始数据中的目标设备进行分类排列，其中，排列方式可以是随机排列，也可以是按照预设规则进行排列；过滤处理可以是去除被采集次数少于5次的数据，筛选处理可以(但不限于)是筛选出每个目标设备第一次被捕捉和最后一次被采集的数据，例如第一次被采集的位置信息、时间信息，最后一次采集的位置信息、时间信息等，也可以是筛选出规定时间内的随机若干次被采集的数据，以减少计算量；第二编码处理可以(但不限于)是通过geohash编码进行geohash6编码，也可以是通过其它方式进行编码；第二时间分类处理可以是根据目标设备被采集的时间进行分类，例如确定目标设备是在白天被采集的还是在晚上被采集的，也可以是将目标设备区分为早上、中午、下午、晚上四个时间段的采集时间，还可以是按照其它方式进行分类；第二置信筛选处理可以按照置信度如下公式计算置信度，随后再根据置信度进行筛选：

式中，x

例如，根据组织唯一标识符oui对mac设备进行伪代码过滤，得到非伪mac代码，再据根据mac编码进行聚合，并按自然天进行切分，以得到如下阵列：

式中，B

随后对mac轨迹数据的经纬度信息进行geohash编码转换为geohash6块；此时，因为mac数据干扰因素较多，其数据量远大于人像抓拍数据，因此需要将非移动mac设备进行过滤，如果mac轨迹在某一天被抓拍的不同的geohash6块小于5个，则认为该mac为路由器等静止设备或者在家未外出，舍弃该mac当天的所有轨迹数据；其中，由于mac设备抓拍距离较远，可以在200米外被mac采集设备捕捉，因此可以按照上述方式进行设置，并形成如下阵列：

式中，B

再根据mac出现时间T

式中，L

随后根据mac编码、mac早晚落脚点标签和geohash6块进行聚合，分别统计近N天每个mac在每个geohash6块的白天和夜晚的mac落脚点次数；

并根据前述置信度计算公式计算每个mac编码在每个geohash6块的白天和夜晚的mac落脚点的置信度。

在一个可选的实施例中，对第二排序数据进行编码筛选处理，以得到满足第三条件的第二目标落脚点信息包括：

步骤S20642，对第二排序数据进行第二编码处理，以得到编码数据；

步骤S20644，对编码数据进行过滤处理，以得到满足第一条件的第二落脚点信息；

步骤S20646，对第二落脚点信息进行筛选处理，以得到第二目标落脚点信息；

在本实施例中，对第二落脚点信息进行筛选处理，是为了获得第一次被采集和最后一次被采集的目标设备的数据。

在一个可选的实施例中，对第二落脚点时间数据进行第二置信筛选处理，以得到每个目标设备的第二目标数据包括：

针对每个目标设备，均执行以下操作：

步骤S206122，根据第二时间标识，确定第二落脚点信息中包含的目标对象在目标时间段的被采集的位置信息位于目标区域的次数；

步骤S206124，根据目标对象在目标时间段的被采集次数确定目标对象的位置信息的置信度；

步骤S206126，根据从大到小的顺序对置信度对应的第二落脚点时间数据进行排序；

步骤S206128，获取序列满足第二阈值的第二落脚点时间数据，以作为第二目标数据。

在本实施例中，获取序列满足第二阈值的第二落脚点时间数据，以作为第二目标数据是为了减少融合时的计算量，从而提高融合效率。

其中，确定目标设备在目标时间段的被采集次数可以(但不限于)是确定目标设备在白天或晚上的被采集次数，也可以是早上、中午、下午、晚上被采集的次数；确定目标设备的位置信息的置信度的方式可以是根据前述置信公式进行计算来确定；获取序列满足第一阈值的第一落脚点时间数据可以(但不限于)是分别获取白天采集的数据中置信度排前三的数据，以及晚上采集的数据中置信度排前三的数据，还可以是白天以及晚上采集的置信度大于70％的数据；置信度的计算可以是通过设备内置的CPU、FPGA、PLC等具有逻辑处理功能的设备或模块来实现的，也可以是设备外接的服务器、工业计算机等来实现的，其中，当执行置信度的计算的设备是外接设备时，其数据传输可以是通过以太网、蓝牙等方式进行传输的，也可以是通过3G/4G/5G/量子通信的方式进行传输的，还可以是通过其它方式进行传输的。

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所述的方法。

在本实施例中还提供了一种轨迹跟踪装置，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装置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。

图3是根据本发明实施例的一种轨迹跟踪装置的结构框图，如图3所示，该装置包括：

初始数据采集模块32，用于获取初始轨迹数据，其中，初始轨迹数据包括第一初始数据和第二初始数据，其中，第一初始数据用于指示目标对象的运动轨迹，第二初始数据用于指示目标对象所使用的目标设备的运动轨迹；

第一数据处理模块34，用于对第一初始数据进行第一数据处理，以得到第一目标数据，其中，第一目标数据用于指示目标对象的位置信息；

第二数据处理模块36，用于对第二初始数据进行第二数据处理，以得到满足第一条件的第二目标数据，其中，第二目标数据用于指示目标设备的位置信息；

数据融合模块38，用于对第一目标数据和第二目标数据进行融合处理，以确定目标对象的轨迹信息。

在一个可选的实施例中，第一数据处理模块34包括：

第一筛选单元342，用于根据预先接收的多个目标对象标识对所述第一初始数据进行第一筛选处理，以得到第一筛选数据，其中，所述第一筛选数据用于指示满足第二条件的各个所述目标对象的位置信息；

编码分类单元344，用于对所述第一筛选数据进行编码分类处理，以得到第一落点时间数据，其中，所述第一落脚点时间数据包括所述目标对象在目标时间段的位置信息的第一时间标识；

第一置信筛选单元346，用于对第一落脚点时间数据进行第一置信筛选处理，以得到每个目标对象的第一目标数据。

在一个可选的实施例中，第一筛选单元342包括：

聚合排序子单元3422，用于根据预先接收的多个目标对象标识对第一初始数据进行第一聚合排序处理，以得到第一排序数据，其中，第一排序数据用于指示按照第一预设规则排序后的各个目标对象的位置信息；

筛选去重子单元3424，用于根据第一规则对第一排序数据进行筛选去重处理，以得到第一筛选数据，其中，第一筛选数据用于指示满足第二条件的各个目标对象的位置信息。

在一个可选的实施例中，编码分类单元344包括：

第一编码子单元3442，用于对第一筛选数据进行第一编码处理，以得到第一落脚点信息；

第一时间分类子单元3444，用于对第一落脚点信息进行第一时间分类处理，以得到第一落脚点时间数据；其中，第一落脚点时间数据包括目标对象在目标时间段的位置信息的第一时间标识。

在一个可选的实施例中，第一置信筛选单元346包括针对每个目标对象，均依次执行的：

第一时间标识子单元3462，用于根据第一时间标识，确定第一落脚点信息中包含的目标对象在目标时间段的被采集的位置信息位于目标区域的次数；

第一置信度确定子单元3464，用于根据目标对象在目标时间段的被采集次数确定目标对象的位置信息的置信度；

第一执行度排序子单元3466，用于根据从大到小的顺序对置信度对应的第一落脚点时间数据进行排序；

第一序列采集子单元3468，用于获取序列满足第一阈值的第一落脚点时间数据，以作为第一目标数据。

在一个可选的实施例中，第一数据处理模块34还包括：

数据切分单元340，用于在根据预先接收的目标对象标识对第一初始数据进行聚合排序处理之前，根据预设规则，对第一初始数据进行切分，以得到满足预设条件的第一初始数据。

在一个可选的实施例中，第二数据处理模块36包括：

第二聚合排序单元362，用于根据预先接收的多个目标编码标识对第二初始数据进行第二聚合排序处理，以得到第二排序数据，其中，第二排序数据用于指示按照第二预设规则排序后的各个目标对象的位置信息；

编码筛选单元364，用于对第二排序数据进行编码筛选处理，以得到满足第三条件的第二目标落脚点信息；

第二时间分类单元366，用于对第二目标落脚点信息进行第二时间分类处理，以得到第二落脚点时间数据；其中，第二落脚点时间数据用于指示目标设备在目标时间段的位置信息的第二时间标识；

第二置信筛选单元368，对第二落脚点时间数据进行第二置信筛选处理，以得到每个目标设备的第二目标数据。

在一个可选的实施例中，编码筛选单元364包括：

第二编码子单元3642，用于对第二排序数据进行第二编码处理，以得到编码数据；

第二过滤子单元3644，用于对编码数据进行过滤处理，以得到满足第一条件的第二落脚点信息；

筛选处理子单元3646，用于对第二落脚点信息进行筛选处理，以得到满足第三条件的第二目标落脚点信息。

在一个可选的实施例中，第二置信筛选单元368包括针对每个目标设备，均执行的：

第二时间标识子单元3682，用于根据第二时间标识，确定第二落脚点信息中包含的目标对象在目标时间段的被采集的位置信息位于目标区域的次数；

第二置信确定子单元3684，用于根据目标对象在目标时间段的被采集次数确定目标对象的位置信息的置信度；

第二排序子单元3686，用于根据从大到小的顺序对置信度对应的第二落脚点时间数据进行排序；

第二阈值采集子单元3688，用于获取序列满足第二阈值的第二落脚点时间数据，以作为第二目标数据。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

下面结合具体实施例对本发明进行说明。

如图4所示，按照如下步骤进行轨迹跟踪：

步骤一：获取近N天某一城市内所有人像卡口的过人轨迹数据,其中，N一般取值大于等于10，如果N取值较小，落脚点的可靠性较低(对应图4中的步骤S401)；

步骤二：将步骤一中的过人轨迹数据根据人像进行聚合，并按自然天进行切分，统计每个人像每天的第一次和最后一次的出现时间、出现地点经纬度信息(若某人像当天只出现一次，则只保留一次相关信息)，作为该人像近N天的落脚点信息，如下阵列是人像A近N天的落脚点信息(对应图4中的步骤S402-404)：

其中A

步骤三：将步骤二统计的地点经纬度信息进行geohash编码转换为geohash6块，形成新的落脚点信息，如下阵列是人像A近N天的落脚点信息(对应图4中的步骤S405)：

其中H

步骤四：将步骤二中的人像出现时间T

其中L

步骤五：根据人像，人像早晚落脚点标签和geohash6块进行聚合，分别统计近N天每个人像在每个geohash6块的白天和夜晚的人像落脚点次数(对应图4中的步骤S407)；

步骤六：根据落脚点次数计算每个人像在每个geohash6块的白天和夜晚的人像落脚点的置信度，置信度越高，则该geohash6块为该人像的白天或者夜晚人像落脚点的可靠性越大，公式如下(对应图4中的步骤S408)：

其中a

步骤七：对每个人像的白天和夜晚的落脚点根据人像早晚落脚点标签和置信度进行倒序排序，各取前3名作为该人像近N天的白天或夜晚的落脚点(对应图4中的步骤S409)；

步骤八：获取近N天某一城市内所有mac采集设备的mac轨迹数据(对应图4中的步骤S4010)；

步骤九：根据组织唯一标识符oui对mac进行伪代码过滤，得到非伪mac代码(对应图4中的步骤S4011)；

步骤十：将步骤九中的mac轨迹数据根据mac编码进行聚合，并按自然天进行切分，下述阵列是mac设备B在第i天的轨迹数据(对应图4中的步骤S4012-4013)：

其中B

步骤十一：将步骤十中的mac轨迹数据的经纬度信息进行geohash编码转换为geohash6块，因为mac数据干扰因素较多，其数据量远大于人像抓拍数据，因此需要将非移动mac设备进行过滤，如果mac轨迹在某一天被抓拍的不同的geohash6块小于5个(mac设备抓拍距离较远，可以在200米外被mac采集设备捕捉)，则认为该mac为路由器等静止设备或者在家未外出，舍弃该mac当天的所有轨迹数据(对应图4中的步骤S4014-4015)；

步骤十二：统计经过数据(对应图4中的步骤S4016)：

其中B

步骤十三：将步骤十二中的mac出现时间T

其中，L

步骤十四：根据mac编码，mac早晚落脚点标签和geohash6块进行聚合，分别统计近N天每个mac在每个geohash6块的白天和夜晚的mac落脚点次数(对应图4中的步骤S4018)；

步骤十五：计算每个mac编码在每个geohash6块的白天和夜晚的mac落脚点的置信度，置信度越高，则该geohash6块为该mac编码的白天或者夜晚mac落脚点的可靠性越大，公式如下(对应图4中的步骤S4019)：

其中x

步骤十六：分别取每个mac早晚落脚点的置信度前3名的geohash6块作为该mac近N天的早晚落脚点(对应图4中的步骤S4020)；

步骤十七：融合计算人像早晚落脚点和mac早晚落脚点，当某个geohash6块同为近N天人像和mac白天或者夜晚的落脚点时，将对应的人像和mac落脚点置信度相乘，并进行累加，公式如下(对应图4中的步骤S4021)：

其中w是该人像和mac为同一个人的两个实体的置信度；

步骤十八：取置信度大于阈值的人像和mac为同一个人的两个实体(对应图4中的步骤S4022)。

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。

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。

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。

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。

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。

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。

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。