人工智能背景下,测绘学对于地球空间信息的管理和分析提出了更高的要求,人们需要更加智能化的感知这个世界。运动目标轨迹信息作为空间信息的一部分对于建设智慧交通,智慧城市至关重要,它可以在突发事故处理、城市公共管理、交通事故鉴定和公共行为检测等发挥重要作用。随着城市化的进程不断加深,视频数据成为重要的空间信息获取手段。视频能够实时的展示运动目标所在的场景和最直观的反应运动目标的轨迹。因此,如何有效的管理视频数据并从视频中获取运动目标的轨迹信息,成为了一个待研究的问题。本文依托国家重点研发计划项目《一体化综合减灾智能服务研究及示范应用项目,2016YFC083100》,基于项目中交通事故灾害减灾服务对运动目标轨迹进行提取、查询、统计和分析的需求,采用基于卷积神经网络的深度学习的方法,从视频中进行运动目标轨迹提取。提出了一种基于Faster R-CNN的视频运动目标轨迹提取方法,并借助WebGIS系统在空间信息管理方面的优势,研发了基于WebGIS的运动目标轨迹提取系统。通过WebGIS与运动目标轨迹提取算法的集成,实现对重点区域视频数据的管理、查询、分析并实现对视频中运动目标的轨迹提取。为项目的后续研究提供系统和算法支撑,实现了轨迹提取与WebGIS视频数据管理的系统集成。本文主要研究内容及结论:(1)通过研究卷积神经网络和基于区域卷积神经网络的基本原理和网络各部分的计算过程与功能,分析了基于区域的卷积神经网络R-CNN,Fast R-CNN,Faster RCNN的关系与发展过程。论证了将Faster R-CNN网络应用于运动目标轨迹提取的可行性。(2)提出了一种基于Faster R-CNN的视频数据运动目标轨迹提取方法。利用Faster R-CNN能够对目标快速定位和特征提取的原理,实现了快速确定目标区域,并在此基础上采用距离加阈值限制的方法进行目标关联。该方法利用了卷积神经网络能够快速进行区域特征提取的特点,且不要求Faster R-CNN模型具有较高目标框回归精度,在保证轨迹提取精度的同时,降低了目标区域确定的时间和数据量;并且通过均匀抽取和目标参考点关联的方法,进一步降低了目标关联的时间。通过实验将本文与基于Camshift的区域提取法对比,结果表明,在时间复杂度基本一致的情况下,该方法大大提高了复杂背景和复杂纹理条件下目标区域确定的准确率,使得轨迹提取率更高。(3)设计了相关的WebGIS系统,将本文提出的算法集成到了WebGIS系统中。论述了WebGIS轨迹提取系统对对数据库建设的要求,说明了空间数据库建设的必要性。研究了不同空间索引的适用范围,并采用PostGIS数据库技术构建了本文所需要的空间索引数据库。研发了具有一定实用价值的基于Node的WebGIS的视频管理与运动目标轨迹提取与利用系统,实现了视频数据管理和检索,轨迹信息提取,地图服务,空间查询和操作等功能模块。