一种跟踪行为识别方法、装置、电子设备和存储介质

摘要

本申请公开了一种跟踪行为识别方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为获取目标车辆的轨迹信息；对轨迹信息进行分析处理，得到目标车辆的常驻点以及常驻点的常驻点类型；基于目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。通过识别出有跟踪行为的车辆，即可为目标车辆的用户提供处置依据，从而避免相关人员的生命财产安全受到损失。

权利要求

1.一种跟踪行为识别方法，应用于电子设备，其特征在于，所述跟踪行为识别方法包括步骤：获取目标车辆的轨迹信息；

对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型；

基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆；

其中，所述获取目标车辆的轨迹信息，包括步骤：采集所述目标车辆的车载设备与基站的全量通信数据；

对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据；

对所述轨迹数据进行伴随计算处理，得到所述目标车辆的轨迹信息；

其中，所述对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据，包括步骤：对所述全量通信数据进行过滤处理，去除其中的冗余数据；

基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；

对所述轨迹数据中的轨迹点位进行抽稀加稠处理；

基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；

对经过纠偏处理过的所述轨迹数据进行路网绑定处理；

其中，所述基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆，包括步骤：识别所述目标车辆的车辆用途；

基于所述车辆用途和实际业务需求从所述待筛查车辆进行筛查，得到疑似跟踪车辆；

计算所述疑似跟踪车辆与所述目标车辆的相似度；

当所述相似度符合预设判定规则时，确认所述疑似跟踪车辆为有跟踪行为的车辆。

2.如权利要求1所述的跟踪行为识别方法，其特征在于，所述对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型，包括步骤：从所述轨迹信息中识别出多个常驻点；

提取每个所述常驻点的多个常驻点特征；

基于所述多个常驻点特征对所述多个常驻点进行聚类分析，得到所述常驻点类型。

3.如权利要求1所述的跟踪行为识别方法，其特征在于，所述相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度中的部分或全部。

4.一种跟踪行为识别装置，应用于电子设备，其特征在于，所述跟踪行为识别装置包括：轨迹获取模块，被配置为获取目标车辆的轨迹信息；

轨迹分析模块，被配置为对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型；

跟踪识别模块，被配置为基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆；

其中，所述轨迹获取模块，具体被配置为：采集所述目标车辆的车载设备与基站的全量通信数据；对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据；对所述轨迹数据进行伴随计算处理，得到所述目标车辆的轨迹信息；其中，所述对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据，具体为：对所述全量通信数据进行过滤处理，去除其中的冗余数据；基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；对所述轨迹数据中的轨迹点位进行抽稀加稠处理；基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；对经过纠偏处理过的所述轨迹数据进行路网绑定处理；

其中，所述跟踪识别模块包括：

用途识别单元，被配置为识别所述目标车辆的车辆用途；

车辆筛选单元，被配置为基于所述车辆用途和实际业务需求从所述待筛查车辆进行筛查，得到疑似跟踪车辆；

相似度计算单元，被配置为计算所述疑似跟踪车辆与所述目标车辆的相似度；

跟踪确认单元，被配置为当所述相似度符合预设判定规则时，确认所述疑似跟踪车辆为有跟踪行为的车辆。

5.一种电子设备，其特征在于，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1 3~任一项所述的跟踪行为识别方法。

6.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如权利要求1 3任一项所述的跟踪行为识别方法。

~

说明书

一种跟踪行为识别方法、装置、电子设备和存储介质

技术领域

[0001] 本申请涉及安保技术领域，更具体地说，涉及一种跟踪行为识别方法、装置、电子设备和存储介质。

背景技术

[0002] 在公共安全领域，有些重要用途的车辆或特定用户的车辆有可能成为犯罪分子的目标，犯罪分子会利用车辆实施跟随，以便寻找机会实施犯罪行为。为了保护人民生命财产安全，需要对跟随车辆进行有效识别，一旦能够识别出跟随车辆，就能够通过自助或者其他方式避免相关人员的生命财产安全受到损失。

发明内容

[0003] 有鉴于此，本申请提供一种跟踪行为识别方法、装置、电子设备和存储介质，用于有效识别有跟踪行为的车辆。

[0004] 为了实现上述目的，现提出的方案如下：

[0005] 一种跟踪行为识别方法，应用于电子设备，所述跟踪行为识别方法包括步骤：

[0006] 获取目标车辆的轨迹信息；

[0007] 对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型；

[0008] 基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。

[0009] 可选的，所述获取目标车辆的轨迹信息，包括步骤：

[0010] 采集所述目标车辆的车载设备与基站的全量通信数据；

[0011] 对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据；

[0012] 对所述轨迹数据进行伴随计算处理，得到所述目标车辆的轨迹信息。

[0013] 可选的，所述对所述全量通信数据执行路网匹配处理，得到所述目标车辆的轨迹数据，包括步骤：

[0014] 对所述全量通信数据进行过滤处理，去除其中的冗余数据；

[0015] 基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；

[0016] 对所述轨迹数据中的轨迹点位进行抽稀加稠处理；

[0017] 基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；

[0018] 对经过纠偏处理过的所述轨迹数据进行路网绑定处理。

[0019] 可选的，所述对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型，包括步骤：

[0020] 从所述轨迹信息中识别出多个常驻点；

[0021] 提取每个所述常驻点的多个常驻点特征；

[0022] 基于所述多个常驻点特征对所述多个常驻点进行聚类分析，得到所述常驻点类型。

[0023] 可选的，所述基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆，包括步骤：

[0024] 识别所述目标车辆的车辆用途；

[0025] 基于所述车辆用途和实际业务需求从所述待筛查车辆进行筛查，得到疑似跟踪车辆；

[0026] 计算所述疑似跟踪车辆与所述目标车辆的相似度；

[0027] 当所述相似度符合预设判定规则时，确认所述疑似跟踪车辆为有跟踪行为的车辆。

[0028] 可选的，所述相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度中的部分或全部。

[0029] 一种跟踪行为识别装置，应用于电子设备，所述跟踪行为识别装置包括：

[0030] 轨迹获取模块，被配置为获取目标车辆的轨迹信息；

[0031] 轨迹分析模块，被配置为对所述轨迹信息进行分析处理，得到所述目标车辆的常驻点以及所述常驻点的常驻点类型；

[0032] 跟踪识别模块，被配置为基于所述目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。

[0033] 可选的，所述跟踪识别模块包括：

[0034] 用途识别单元，被配置为识别所述目标车辆的车辆用途；

[0035] 车辆筛选单元，被配置为基于所述车辆用途和实际业务需求从所述待筛查车辆进行筛查，得到疑似跟踪车辆；

[0036] 相似度计算单元，被配置为计算所述疑似跟踪车辆与所述目标车辆的相似度；

[0037] 跟踪确认单元，被配置为当所述相似度符合预设判定规则时，确认所述疑似跟踪车辆为有跟踪行为的车辆。

[0038] 一种电子设备，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：

[0039] 所述存储器用于存储计算机程序或指令；

[0040] 所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的跟踪行为识别方法。

[0041] 一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如上所述的跟踪行为识别方法。

[0042] 从上述的技术方案可以看出，本申请公开了一种跟踪行为识别方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为获取目标车辆的轨迹信息；对轨迹信息进行分析处理，得到目标车辆的常驻点以及常驻点的常驻点类型；基于目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。通过识别出有跟踪行为的车辆，即可为目标车辆的用户提供处置依据，从而避免相关人员的生命财产安全受到损失。

附图说明

[0043] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0044] 图1为本申请实施例的一种跟踪行为识别方法的流程图；

[0045] 图2为本申请实施例的常驻点识别过程的流程图；

[0046] 图3为本申请实施例的对有跟踪行为的疑似跟踪车辆的识别过程的流程图；

[0047] 图4为本申请实施例的一种跟踪行为识别装置的框图；

[0048] 图5为本申请实施例的另一种跟踪行为识别装置的框图；

[0049] 图6为本申请实施例的一种电子设备的框图。

具体实施方式

[0050] 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，本领域普通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。

[0051] 实施例一

[0052] 图1为本申请实施例的一种跟踪行为识别方法的流程图。

[0053] 如图1所示，本实施例提供的跟踪行为识别方法应用于电子设备，用于对目标车辆有跟踪行为的疑似跟踪车辆进行识别，确定其是否有跟踪行为，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该跟踪行为识别方法具体包括如下步骤：

[0054] S1、获取目标车辆的轨迹信息。

[0055] 本申请是基于车辆的轨迹实现跟踪行为识别的，这里的车辆不仅限于被追踪的目标车辆，还包括有跟踪行为的车辆，这里的有跟踪行为的车辆是指从疑似跟踪车辆识别出的车辆。本申请中通过如下步骤实现目标车辆的轨迹信息的获取：

[0056] 首先，采集目标车辆的车载设备与基站的全量通信数据。

[0057] 通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取相应车辆设备的车载设备与基站的全量通信数据，这里的车载设备是指能够与基站建立通信连接的无线通信设备，如车机或者车载通信设备等。该全量通信数据中包含相应车载设备与基站之间的距离信息和信息交互的时间信息等。

[0058] 然后，对全量通信数据进行路网匹配处理，具体为基于相应的模型对全量通信数据进行处理，从而得到车载设备或者其载车的轨迹数据。具体过程如下：

[0059] 1）对全量通信数据进行过滤处理，去除其中的冗余数据。

[0060] 本实施例的方案还通过一定的方案对全量通信数据进行预处理，具体来说场景过滤方法或者连续漂移点过滤方法对全量通信数据进行过滤，或者通过两种方法对全量通信数据进行先后过滤处理。

[0061] 2）对全量通信数据进行计算，消除得到的驻留点的影响。

[0062] 基于预设的驻留点计算模型对去除冗余数据的全量通信数据进行计算，得到驻留点。具体方案在实施时能够根据用户的实际驾驶行为进行切片，准确识别载车的驻留点、在驻留点的停留时间和时长。

[0063] 3）对轨迹数据中的轨迹点位进行抽稀加稠处理。

[0064] 即通过规定的抽稀算法和加稠算法对轨迹点位进行抽稀加稠处理，以实现对轨迹点位的优化处理。

[0065] 4）基于卡尔曼滤波算法对轨迹数据进行分段纠偏处理。

[0066] 即基于卡尔曼滤波算法对经过抽稀加稠处理后的轨迹数据进行分段纠偏处理。

[0067] 5）对经过纠偏处理过的轨迹数据进行路网绑定处理。

[0068] 具体过程为通过隐马尔科夫模型对经过纠偏处理的轨迹数据进行分段处理，将其实现与路网的绑定。

[0069] 最后对轨迹数据进行伴随计算处理。

[0070] 在对轨迹数据完成路网绑定处理后，对其进行伴随计算，得到载有该车载设备的车辆的轨迹信息。具体过程包括轨迹清洗、空间切片和相似度计算和轨迹匹配，最终得到目标车辆的轨迹信息。

[0071] S2、获取目标车辆的常驻点和常驻点类型。

[0072] 在得到目标车辆的轨迹信息后，对轨迹信息进行分析处理，得到目标车辆的常驻点，并确定每个常驻点的类型，即上面所述的常驻点类型，具体过程如下，如图2所示：

[0073] 步骤一：识别常驻点。

[0074] 通过轨迹数据识别出驻留点，然后将将停留时间超过一定阈值且出现频率较高的驻留点定义为常驻点。具体为使用DBSCAN算法对驻留点的进行聚类分析，基于合适的距离阈值和最小点数确定簇的数量，将该数量确定为目标车辆的常驻点个数，并将簇中心点作为目标车辆的常驻点位置。

[0075] 步骤二：提取常驻点特征。

[0076] 根据常驻点信息，提取常驻点的驻留时间、驻留次数、驻留时段、驻留点POI类型等特征。

[0077] 步骤三：常驻点特征聚类。

[0078] 根据用户的常驻点的特征，将用户的常驻点定义为公司常驻点、住宅常驻点、商圈常驻点和敏感常驻点等，并使用Kmeans聚类算法对上述的常驻点进行分析，识别该常驻点所属的类型。

[0079] 另外，本申请还可以包括对常驻点进行特征优化。

[0080] 即通过对聚类结果进行分析，根据专家经验判断常驻点分类是否合理，并将不合理的常驻点剔除，保留合理常驻点。

[0081] S3、从疑似跟踪车辆中识别出有跟踪行为的车辆。

[0082] 即在确定目标车辆的常驻点以及常驻点类型后，基于常驻点类型和轨迹信息筛选出疑似跟踪车辆，并从中识别出有跟踪行为的车辆。具体如图3所示：

[0083] S301、对目标车辆的用途进行识别。

[0084] 即使用车辆用途识别模型对目标车辆的原始轨迹信息进行预测，判断出相应轨迹信用所属的类型车辆，这样可以用于判断是跟踪车辆和目标车辆的车辆类型。一般来说需要避免使用特种车辆的轨迹信息进行疑似跟随判断，因为特种车辆的行驶路径基本是固定的，很容易被判断为疑似跟随。

[0085] S302、基于轨迹信息进行车辆筛选，得到疑似跟踪车辆。

[0086] 具体的筛选过程如下所述：

[0087] 1）根据实际业务需求，选择需要进行疑似跟随判断的目标车辆轨迹，选择目标车辆轨迹所属的起止时间，然后将起止时间不在目标车辆轨迹起止时间范围内的其他车辆轨迹进行过滤，剩下的即为参与跟踪判断的疑似跟踪车辆的轨迹信息。

[0088] 2）由常驻点识别模型分析结果可知公司常驻点和住宅常驻点的位置，将通勤时间段内出现在公司常驻点和住宅常驻点之间的轨迹进行剔除，避免由于通勤时间段内轨迹相似度比较高的原因对疑似跟随模型结果造成影响。

[0089] 3）根据车辆轨迹所属的道路信息，将目标车辆轨迹中属于高速公路部分的轨迹进行剔除，同时也把其他车辆的轨迹按照目标车辆轨迹的剔除时间和剔除条件进行剔除，避免由于车辆在高速公路上行驶时轨迹相似度比较高的原因对疑似跟随模型结果造成影响。

[0090] 4）如果两辆车的目的地相同，它们可能会沿着相似的路线行驶，从而导致轨迹相似度比较高，此时需要将其从疑似跟踪车辆中剔除。

[0091] 5）在一些道路限制较为严格的区域，例如某些区域只有一条可通行道路，车辆只能沿着相同的路线行驶，轨迹相似度会比较高，此时也需要将其从疑似跟踪车辆中剔除。

[0092] 6）如果两辆或更多车辆属于同一车队，它们可能会沿着相似的路线行驶，从而导致轨迹相似度比较高，也需要将其从疑似跟踪车辆中剔除。

[0093] S303、计算疑似跟踪车辆和目标车辆之间的相似度。

[0094] 本申请的中的车辆之间的相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度。其中轨迹驻留点相似度是指驻留点的个数的相似程度，驻留点时间相似度是指车辆位于驻留点的持续时长的相似度。

[0095] 具体在计算时，使用DTW‑LCSS算法计算车辆轨迹之间的相似度；然后，根据轨迹的时间和经纬度信息，使用Haversine公式计算出相邻驻留点之间的距离，再计算相邻驻留点之间的时间间隔，进而计算出相邻驻留点之间的速度，然后计算出所有驻留点之间的平均速度，最后计算轨迹平均速度差，从而得到轨迹平均速度相似度；然后，根据轨迹数据计算出每条轨迹的驻留点个数和驻留总时长，最后计算轨迹之间的驻留点个数和驻留总时长。

[0096] S304、根据相似度从疑似跟踪车辆中确定有跟踪行为的车辆。

[0097] 本申请预设相应的判定规则，即为每个相似度设置一个阈值作为该判定规则。例如，针对上述相似度设置轨迹相似度阈值、轨迹平均速度阈值、轨迹驻留点个数阈值和驻留时长阈值，这些阈值的设置可以根据实际测定确定，或者根据经验确定，并根据用户的需要和实际场景进行调整。

[0098] 当轨迹相似度大于或等于该轨迹相似度阈值、轨迹平均速度相似度大于或等于该轨迹平均速度阈值、轨迹驻留点个数相似度大于或等于该轨迹驻留点个数阈值和轨迹驻留点的驻留时间相似度大于或等于该驻留主流时长阈值时，确定该疑似跟踪车辆具有跟踪行为。另外，也可以从上述判定条件中仅选定部分条件确定该疑似跟踪车辆具有跟踪行为。

[0099] 从上述技术方案可以看出，本实施例提供了一种跟踪行为识别方法，该方法应用于电子设备，具体为获取目标车辆的轨迹信息；对轨迹信息进行分析处理，得到目标车辆的常驻点以及常驻点的常驻点类型；基于目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。通过识别出有跟踪行为的车辆，即可为目标车辆的用户提供处置依据，从而避免相关人员的生命财产安全受到损失。

[0100] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0101] 虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

[0102] 应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

[0103] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机。

[0104] 实施例二

[0105] 图4为本申请实施例的一种跟踪行为识别装置的框图。

[0106] 如图4所示，本实施例提供的跟踪行为识别装置应用于电子设备，用于对目标车辆有跟踪行为的疑似跟踪车辆进行识别，确定其是否有跟踪行为，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该跟踪行为识别装置具体包括轨迹获取模块10、轨迹分析模块20和跟踪识别模块30。

[0107] 轨迹获取摸用于获取目标车辆的轨迹信息。

[0108] 本申请是基于车辆的轨迹实现跟踪行为识别的，这里的车辆不仅限于被追踪的目标车辆，还包括有跟踪行为的车辆，这里的有跟踪行为的车辆是指从疑似跟踪车辆识别出的车辆。本申请中通过如下步骤实现目标车辆的轨迹信息的获取：

[0109] 首先，采集目标车辆的车载设备与基站的全量通信数据。

[0110] 通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取相应车辆设备的车载设备与基站的全量通信数据，这里的车载设备是指能够与基站建立通信连接的无线通信设备，如车机或者车载通信设备等。该全量通信数据中包含相应车载设备与基站之间的距离信息和信息交互的时间信息等。

[0111] 然后，对全量通信数据进行路网匹配处理，具体为基于相应的模型对全量通信数据进行处理，从而得到车载设备或者其载车的轨迹数据。具体过程如下：

[0112] 1）对全量通信数据进行过滤处理，去除其中的冗余数据。

[0113] 本实施例的方案还通过一定的方案对全量通信数据进行预处理，具体来说场景过滤方法或者连续漂移点过滤方法对全量通信数据进行过滤，或者通过两种方法对全量通信数据进行先后过滤处理。

[0114] 2）对全量通信数据进行计算，消除得到的驻留点的影响。

[0115] 基于预设的驻留点计算模型对去除冗余数据的全量通信数据进行计算，得到驻留点。具体方案在实施时能够根据用户的实际驾驶行为进行切片，准确识别载车的驻留点、在驻留点的停留时间和时长。

[0116] 3）对轨迹数据中的轨迹点位进行抽稀加稠处理。

[0117] 即通过规定的抽稀算法和加稠算法对轨迹点位进行抽稀加稠处理，以实现对轨迹点位的优化处理。

[0118] 4）基于卡尔曼滤波算法对轨迹数据进行分段纠偏处理。

[0119] 即基于卡尔曼滤波算法对经过抽稀加稠处理后的轨迹数据进行分段纠偏处理。

[0120] 5）对经过纠偏处理过的轨迹数据进行路网绑定处理。

[0121] 具体过程为通过隐马尔科夫模型对经过纠偏处理的轨迹数据进行分段处理，将其实现与路网的绑定。

[0122] 最后对轨迹数据进行伴随计算处理。

[0123] 在对轨迹数据完成路网绑定处理后，对其进行伴随计算，得到载有该车载设备的车辆的轨迹信息。具体过程包括轨迹清洗、空间切片和相似度计算和轨迹匹配，最终得到目标车辆的轨迹信息。

[0124] 轨迹分析模块用于获取目标车辆的常驻点和常驻点类型。

[0125] 在得到目标车辆的轨迹信息后，对轨迹信息进行分析处理，得到目标车辆的常驻点，并确定每个常驻点的类型，即上面所述的常驻点类型，具体过程如下，如图2所示：

[0126] 步骤一：识别常驻点。

[0127] 通过轨迹数据识别出驻留点，然后将将停留时间超过一定阈值且出现频率较高的驻留点定义为常驻点。具体为使用DBSCAN算法对驻留点的进行聚类分析，基于合适的距离阈值和最小点数确定簇的数量，将该数量确定为目标车辆的常驻点个数，并将簇中心点作为目标车辆的常驻点位置。

[0128] 步骤二：提取常驻点特征。

[0129] 根据常驻点信息，提取常驻点的驻留时间、驻留次数、驻留时段、驻留点POI类型等特征。

[0130] 步骤三：常驻点特征聚类。

[0131] 根据用户的常驻点的特征，将用户的常驻点定义为公司常驻点、住宅常驻点、商圈常驻点和敏感常驻点等，并使用Kmeans聚类算法对上述的常驻点进行分析，识别该常驻点所属的类型。

[0132] 另外，本申请还可以包括对常驻点进行特征优化。

[0133] 即通过对聚类结果进行分析，根据专家经验判断常驻点分类是否合理，并将不合理的常驻点剔除，保留合理常驻点。

[0134] 跟踪识别模块用于从疑似跟踪车辆中识别出有跟踪行为的车辆。

[0135] 即在确定目标车辆的常驻点以及常驻点类型后，基于常驻点类型和轨迹信息筛选出疑似跟踪车辆，并从中识别出有跟踪行为的车辆。如图5所示，该跟踪识别模块具体包括用途识别单元31、车辆筛选单元32、相似度计算单元33和跟踪确认单元34。

[0136] 用途识别单元用于对目标车辆的用途进行识别。

[0137] 即使用车辆用途识别模型对目标车辆的原始轨迹信息进行预测，判断出相应轨迹信用所属的类型车辆，这样可以用于判断是跟踪车辆和目标车辆的车辆类型。一般来说需要避免使用特种车辆的轨迹信息进行疑似跟随判断，因为特种车辆的行驶路径基本是固定的，很容易被判断为疑似跟随。

[0138] 车辆筛选单元用于基于轨迹信息进行车辆筛查，得到疑似跟踪车辆。具体的筛选过程如下所述：

[0139] 1）根据实际业务需求，选择需要进行疑似跟随判断的目标车辆轨迹，选择目标车辆轨迹所属的起止时间，然后将起止时间不在目标车辆轨迹起止时间范围内的其他车辆轨迹进行过滤，剩下的即为参与跟踪判断的疑似跟踪车辆的轨迹信息。

[0140] 2）由常驻点识别模型分析结果可知公司常驻点和住宅常驻点的位置，将通勤时间段内出现在公司常驻点和住宅常驻点之间的轨迹进行剔除，避免由于通勤时间段内轨迹相似度比较高的原因对疑似跟随模型结果造成影响。

[0141] 3）根据车辆轨迹所属的道路信息，将目标车辆轨迹中属于高速公路部分的轨迹进行剔除，同时也把其他车辆的轨迹按照目标车辆轨迹的剔除时间和剔除条件进行剔除，避免由于车辆在高速公路上行驶时轨迹相似度比较高的原因对疑似跟随模型结果造成影响。

[0142] 4）如果两辆车的目的地相同，它们可能会沿着相似的路线行驶，从而导致轨迹相似度比较高，此时需要将其从疑似跟踪车辆中剔除。

[0143] 5）在一些道路限制较为严格的区域，例如某些区域只有一条可通行道路，车辆只能沿着相同的路线行驶，轨迹相似度会比较高，此时也需要将其从疑似跟踪车辆中剔除。

[0144] 6）如果两辆或更多车辆属于同一车队，它们可能会沿着相似的路线行驶，从而导致轨迹相似度比较高，也需要将其从疑似跟踪车辆中剔除。

[0145] 相似度计算单元用于计算疑似跟踪车辆和目标车辆之间的相似度。

[0146] 本申请的中的车辆之间的相似度包括轨迹相似度、轨迹平均速度相似度、轨迹驻留点相似度和轨迹驻留点的驻留时间相似度。其中轨迹驻留点相似度是指驻留点的个数的相似程度，驻留点时间相似度是指车辆位于驻留点的持续时长的相似度。

[0147] 具体在计算时，使用DTW‑LCSS算法计算车辆轨迹之间的相似度；然后，根据轨迹的时间和经纬度信息，使用Haversine公式计算出相邻驻留点之间的距离，再计算相邻驻留点之间的时间间隔，进而计算出相邻驻留点之间的速度，然后计算出所有驻留点之间的平均速度，最后计算轨迹平均速度差，从而得到轨迹平均速度相似度；然后，根据轨迹数据计算出每条轨迹的驻留点个数和驻留总时长，最后计算轨迹之间的驻留点个数和驻留总时长。

[0148] 跟踪确认单元用于根据相似度从疑似跟踪车辆中确定有跟踪行为的车辆。

[0149] 本申请预设相应的判定规则，即为每个相似度设置一个阈值作为该判定规则。例如，针对上述相似度设置轨迹相似度阈值、轨迹平均速度阈值、轨迹驻留点个数阈值和驻留时长阈值，这些阈值的设置可以根据实际测定确定，或者根据经验确定，并根据用户的需要和实际场景进行调整。

[0150] 当轨迹相似度大于或等于该轨迹相似度阈值、轨迹平均速度相似度大于或等于该轨迹平均速度阈值、轨迹驻留点个数相似度大于或等于该轨迹驻留点个数阈值，和/或，轨迹驻留点的驻留时间相似度大于或等于该驻留主流时长阈值时，确定该疑似跟踪车辆具有跟踪行为。

[0151] 从上述技术方案可以看出，本实施例提供了一种跟踪行为识别装置，该装置应用于电子设备，具体为获取目标车辆的轨迹信息；对轨迹信息进行分析处理，得到目标车辆的常驻点以及常驻点的常驻点类型；基于目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。通过识别出有跟踪行为的车辆，即可为目标车辆的用户提供处置依据，从而避免相关人员的生命财产安全受到损失。

[0152] 描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

[0153] 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

[0154] 实施例三

[0155] 图6为本申请实施例的一种电子设备的框图。

[0156] 参考图6所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

[0157] 电子设备可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器ROM602中的程序或者从输入装置606加载到随机访问存储器RAM603中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

[0158] 通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

[0159] 实施例四

[0160] 本实施例提供了一种计算机可读的存储介质，该存储介质承载有一个或者多个计算机程序，当上述一个或者多个计算机程序被该电子设备执行时，使得该电子设备获取目标车辆的轨迹信息；对轨迹信息进行分析处理，得到目标车辆的常驻点以及常驻点的常驻点类型；基于目标车辆的常驻点类型对待筛查车辆的轨迹信息进行处理，从中识别出有跟踪行为的车辆。通过识别出有跟踪行为的车辆，即可为目标车辆的用户提供处置依据，从而避免相关人员的生命财产安全受到损失。

[0161] 需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD‑ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

[0162] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

[0163] 尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

[0164] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

[0165] 以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。