基于索引的数据查找方法、装置、服务器及存储介质与流程

本发明涉及自动驾驶技术领域，尤其涉及一种基于索引的数据查找方法、装置、服务器及存储介质。

背景技术：

对于自动驾驶技术而言，由于其需要实现自动导航，因此，在实现过程中需要由可移动载体(例如：汽车、具有运载能力的机器人，或飞行器等具有运载能力的设备)不断通过摄像头采集其周围的视频数据，并通过雷达采集其周围的点云数据，还需要通过传感器采集可移动载体的状态数据和定位数据，而这些可移动载体采集到的数据可能需要用于进行数据分析，因此，需要不断上传至服务器，并通过大文件(文件大小超过1gb，每个大文件对应一个可移动载体)进行存储，而由于每个可移动载体均会产生数据，故而，这些数据的数量非常巨大。

在需要对某一可移动载体的某部分数据进行分析时，需要将该可移动载体对应的整个文件进行下载，再定位到需要的该部分数据，这个过程浪费了大量的时间成本和传输成本。现有的方案通常是对原始的数据进行处理并以另一种形式存储到数据库，假如不保留原始文件，会有可能丢失数据；假如保留原始文件，会增加一倍的存储成本。

技术实现要素：

本发明的主要目的在于提供一种基于索引的数据查找方法、装置、服务器及存储介质，旨在解决现有技术中获取数据时，时间成本和传输成本过高的技术问题。

为实现上述目的，本发明提供一种基于索引的数据查找方法，所述基于索引的数据查找方法包括以下步骤：

在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件；

查找与所述目标可移动载体对应的btree索引集合；

根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息；

通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

可选地，所述查找与所述目标可移动载体对应的btree索引集合的步骤之前，所述基于索引的数据查找方法还包括：

获取待存储可移动载体对应的图像数据、点云数据、状态数据和定位数据；

将所述图像数据、点云数据、状态数据和定位数据按照时间进行关联，并将关联后的图像数据、点云数据、状态数据和定位数据作为目标文件信息；

基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息；

将待存储可移动载体在不同维度分别对应的btree索引信息添加至待存储可移动载体对应的btree索引集合中。

可选地，所述基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息的步骤，具体包括：

对多个不同维度进行遍历，将遍历到的待选维度作为当前维度；

基于当前维度确定所述目标文件信息中的待聚类数据；

基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员；

将各聚类中心作为btree索引信息中的各主键值，并将各聚类中心对应的聚类成员作为btree索引信息中各主键值对应的叶子节点。

可选地，所述当前维度为对象查询维度，所述待聚类数据为图像数据和点云数据；

所述基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员的步骤，具体包括：

对各目标文件信息的图像数据和点云数据进行融合，以获得融合图像；

根据相邻像素之间的色差确定所述融合图像中各对象的轮廓；

根据所述融合图像中各对象的轮廓对所述融合图像进行对象识别，以获得所述融合图像中各对象的对象位置；

基于所述融合图像中各对象的对象位置进行特征提取，以获得各对象的特征信息；

基于所述特征信息对各目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

可选地，所述当前维度为状态查询维度，所述待聚类数据为状态数据和定位数据；

所述基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员的步骤，具体包括：

对目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息；

基于所述当前目标文件信息中的当前定位数据确定对应的当前理论状态数据；

计算所述目标文件信息中的当前状态信息与当前理论状态数据之间的数据差值；

基于所述数据差值生成所述当前目标文件信息对应的差值向量；

在对所述目标文件信息遍历完成后，基于所述差值向量对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

可选地，所述当前维度为违章查询维度，所述待聚类数据为图像数据、状态数据和定位数据；

所述基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员的步骤，具体包括：

对所述目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息；

将所述当前目标文件信息中的当前定位数据映射至地图中；

基于所述地图中的当前定位数据确定对应的限制状态范围；

将所述当前目标文件信息中的当前状态数据与所述限制状态范围进行比较；

在所述当前状态数据未处于所述限制状态范围时，根据所述当前状态数据及限制状态范围生成所述当前目标文件信息对应的违章类型；

基于所述图像数据进行环境分析，以获得所述可移动载体周围的环境信息；

根据所述违章类型和环境信息生成违章原因；

在对所述目标文件信息遍历完成后，基于所述违章原因对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

可选地，所述通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端的步骤，具体包括：

从所述目标btree索引信息中查找与所述查询条件对应的目标主键值；

确定与所述目标主键值对应的目标叶子节点；

将与所述目标叶子节点中聚类成员对应的目标数据作为待推送数据，并将所述待推送数据推送至用户终端。

此外，为实现上述目的，本发明还提供一种基于索引的数据查找装置，所述基于索引的数据查找装置包括：

信息提取模块，用于在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件；

集合查找模块，用于查找与所述目标可移动载体对应的btree索引集合；

信息确定模块，用于根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息；

数据推送模块，用于通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

此外，为实现上述目的，本发明还提供一种服务器，其特征在于，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基于索引的数据查找程序，所述基于索引的数据查找程序配置为实现如上所述的基于索引的数据查找方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于索引的数据查找程序，所述基于索引的数据查找程序被处理器执行时实现如上所述的基于索引的数据查找方法的步骤。

本发明通过查询信息中的目标可移动载体确定对应的btree索引集合，然后根据所述查询条件对应的维度从所述btree索引集合中确定与所述查询条件对应的目标btree索引信息，最后通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，通过目标可移动载体和查询条件获取符合用户需求的部分数据，而不用将可移动载体对应的整个文件进行下载，再定位到需要的该部分数据，能够有效降低时间成本和传输成本。

附图说明

图1为本发明基于索引的数据查找方法第一实施例的流程示意图；

图2为本发明基于索引的数据查找方法第二实施例中对步骤s20之前的步骤的流程示意图；

图3为本发明基于索引的数据查找方法第三实施例中步骤s03的流程示意图；

图4为本发明基于索引的数据查找装置一实施例的结构框图；

图5是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明基于索引的数据查找方法第一实施例的流程示意图。

在第一实施例中，所述基于索引的数据查找方法包括以下步骤：

s10：在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件。

需要说明的是，本实施例的方法的执行主体为服务器，在用户终端需要查询某一可移动载体对应的某些数据时，可由用户在用户终端上输入需要查询的目标可移动载体和查询条件，此时，用户终端会生成一个查询信息，并将所述查询信息发送至所述服务器，故而，所述服务器在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件。

可理解的是，所述用户终端即为用户的终端设备，其可为智能手机、笔记本电脑、个人电脑或平板电脑等设备，本实施例对此不加以限制。

在具体实现中，可移动载体有多种表现形式，如汽车、机器人，飞行器等具有移动能力的载体，本实施例不进行具体的限制。

s20：查找与所述目标可移动载体对应的btree索引集合。

需要说明的是，由于各可移动载体会分别采集数据，而这些数据明显会存在区别，因此，可基于不同可移动载体的数据分别生成各可移动载体对应的btree索引集合，故而，在确定所述目标可移动载体后，可查找与所述目标可移动载体对应的btree索引集合。

s30：根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息。

可理解的是，对于查询条件而言，不同查询条件，对应的查询维度可能会存在区别，例如：查询条件为某一时段的数据时，此时，对应的查询条件对应的维度为时间维度，但假设查询条件为某一地点的数据，此时，对应的查询条件为地点维度。

根据上述说明可知，对于不同查询条件而言，其所需的索引明显不同，因此，对于同一可移动载体的数据而言，可预先根据不同查询条件对应的维度分别建立btree索引信息，并将建立的btree索引信息添加至btree索引集合中，故而，可根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息。

在具体实现中，btree索引信息是一种索引数据结构，其一个特征在于非叶子节点用于描述索引，而叶子节点指向具体的数据存储位置。

s40：通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

在具体实现中，由于目标btree索引信息的维度是与所述查询条件的维度相同，因此，本实施例中，可通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

本实施例通过查询信息中的目标可移动载体确定对应的btree索引集合，然后根据所述查询条件对应的维度从所述btree索引集合中确定与所述查询条件对应的目标btree索引信息，最后通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，通过目标可移动载体和查询条件获取符合用户需求的部分数据，而不用将可移动载体对应的整个文件进行下载，再定位到需要的该部分数据，能够有效降低时间成本和传输成本。

如图2所示，基于第一实施例提出本发明基于索引的数据查找方法第二实施例，本实施例中，步骤s20之前，所述基于索引的数据查找方法还包括：

s01：获取待存储可移动载体对应的图像数据、点云数据、状态数据和定位数据。

需要说明的是，对于所述待存储可移动载体而言，即为需要对其进行数据存储的可移动载体。

可理解的是，对于所述可移动载体而言，通常来说其为了实现自动导航，在实现过程中需要由可移动载体不断通过摄像头采集其周围的视频数据，并通过雷达采集其周围的点云数据，还需要通过传感器采集可移动载体的状态数据和定位数据，而这些数据需要由待存储可移动载体上传至服务器中，由服务器进行存储。

在具体实现中，所述待存储可移动载体对应的图像数据、点云数据、状态数据和定位数据均为预设时间范围内的，也就是说，图像数据、点云数据、状态数据和定位数据分别代表多个不同时间的数据。

s02：将所述图像数据、点云数据、状态数据和定位数据按照时间进行关联，并将关联后的图像数据、点云数据、状态数据和定位数据作为目标文件信息。

需要说明的是，对于所述图像数据、点云数据、状态数据和定位数据均会对应有时间，而这些数据往往在进行分析时，需要结合进行考虑，因此，本实施例中，可将所述图像数据、点云数据、状态数据和定位数据按照时间进行关联，并将关联后的图像数据、点云数据、状态数据和定位数据作为目标文件信息。

假设图像数据为{c1、c2、c3……、cn}，点云数据为{q1、q2、q3……、qn}，状态数据为{s1、s2、s3……、sn}，定位数据为{d1、d2、d3……、dn}，其中，1、2、3、……、n分别代表不同的时间，此时，可将所述图像数据、点云数据、状态数据和定位数据按照时间进行关联，例如：将(c1，q1，s1，d1)作为时间1对应的目标文件信息，将(c2，q2，s2，d2)作为时间2对应的目标文件信息，将(c3，q3，s3，d3)作为时间3对应的目标文件信息，……，将(cn，q2，s2，d2)作为时间n对应的目标文件信息。

s03：基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息。

由于在生成不同维度的btree索引信息时所需的数据类型存在区别，故而，本实施例中，可基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息。

s04：将待存储可移动载体在不同维度分别对应的btree索引信息添加至待存储可移动载体对应的btree索引集合中。

在具体实现中，由于不同的可移动载体的数据具有区别，因此，本实施例中，需要将待存储可移动载体在不同维度分别对应的btree索引信息添加至待存储可移动载体对应的btree索引集合中。

本实施例通过将待存储可移动载体对应的图像数据、点云数据、状态数据和定位数据按照时间进行关联，并将关联后的图像数据、点云数据、状态数据和定位数据作为目标文件信息，然后基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息，最后将待存储可移动载体在不同维度分别对应的btree索引信息添加至待存储可移动载体对应的btree索引集合中，基于不同维度对所述目标文件信息中的数据进行聚类，从而生成所述待存储可移动载体对应的btree索引集合，以便于后续进行数据查询。

如图3所示，基于第一实施例提出本发明基于索引的数据查找方法第三实施例，本实施例中，步骤s03，具体包括：

s031：对多个不同维度进行遍历，将遍历到的待选维度作为当前维度。

需要说明的是，不同维度而言，其分别需要进行数据聚类，故而，本实施例中，可对多个不同维度进行遍历，将遍历到的待选维度作为当前维度。

s032：基于当前维度确定所述目标文件信息中的待聚类数据。

可理解的是，对于维度而言，不同维度之间通常会采用不同的待聚类数据实现，因此，可基于当前维度确定所述目标文件信息中的待聚类数据。

s033：基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

在一个较优的实施例下，

第一种维度为对象查询维度，相应地，所述待聚类数据为图像数据和点云数据。

可理解的是，对于自动驾驶的情况而言，由于其经常需要分析在车辆附近具有不同类型的对象时可移动载体的行驶状态，以便于对其自动驾驶状态进行调整，本实施例中，步骤s033可具体包括：

先对各目标文件信息的图像数据和点云数据进行融合，以获得融合图像，然后根据相邻像素之间的色差确定所述融合图像中各对象的轮廓，接着根据所述融合图像中各对象的轮廓对所述融合图像进行对象识别，以获得所述融合图像中各对象的对象位置，再基于所述融合图像中各对象的对象位置进行特征提取，以获得各对象的特征信息，最后基于所述特征信息对各目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

在具体实现中，由于图像数据属于二维层面的数据，即只能反映各像素的像素坐标及像素颜色，但无法反映可移动载体与各像素的目标之间的距离，这是因为对于同一对象而言，可移动载体与对象之间的距离不同，对象在所述图像数据中的大小也会具有区别，从而导致即使在图像数据中确定了对象，也很难对对象进行准确地特征提取，为了弥补这方面的问题，本实施例中，会先对各目标文件信息的图像数据和点云数据进行融合，以获得融合图像，当然，这里的图像数据和点云数据的融合是指，对同一目标文件信息中的图像数据和点云数据进行融合，故而，每一目标文件信息均会对应一个融合图像。

需要说明的是，对于融合图像中，各对象与其他对象或背景像素之间会存在比较大的色差，故而，为了将融合图像中的对象进行划分，本实施例中，可根据相邻像素之间的色差确定所述融合图像中各对象的轮廓，接着根据所述融合图像中各对象的轮廓对所述融合图像进行对象识别。

对于不同种类的对象而言，均会具有不同的轮廓，故而，可预先建立一个轮廓样本集合，所述轮廓样本集合中具有不同种类的对象样本在不同角度的轮廓，然后可将所述融合图像中各对象的轮廓与所述轮廓样本集合进行匹配，通过匹配结果对所述融合图像进行对象识别。

在具体实现中，对于所述特征信息而言，可通过特征信息对各目标文件信息进行聚类，例如：对于汽车而言，车辆型号相同的车辆，可分为同一类，对于电动车而言，大小近似的电动车，可分为同一类，但在实际实现过程中，在同一融合数据中可能会出现多个对象，因此，在进行聚类时，分为不同类别的数据中，也可能会存在相同的目标文件信息。

例如：目标文件信息1对应的融合图像中具有符合特征信息a1的对象x1、符合特征信息b1的对象y1和符合特征信息c1的对象z1，目标文件信息2对应的融合图像中具有符合特征信息a2的对象x2、符合特征信息b2的对象y2和符合特征信息c2的对象z2，目标文件信息3对应的融合图像中具有符合特征信息a3的对象x3，目标文件4对应的融合图像中具有符合特征信息b4的对象y4。

假设特征信息a1、特征信息a2和特征信息a3属于较为相近的特征，特征信息b1、特征信息b2和特征信息b4属于较为相近的特征，特征信息c1和特征信息c2属于较为相近的特征，此时，可将所述特征信息a1作为聚类中心之一，并将目标文件信息1、目标文件信息2和目标文件信息3作为聚类成员；将所述特征信息b1作为聚类中心之一，并将目标文件信息1、目标文件信息2和目标文件信息4作为聚类成员；将所述特征信息c1作为聚类中心之一，并将目标文件信息1和目标文件信息2作为聚类成员。

第二种维度为状态查询维度，相应地，所述待聚类数据为状态数据和定位数据。

可理解的是，对于自动驾驶的情况而言，由于其经常需要分析可移动载体的状态信息与理论状态数据之间差值较大的数据，本实施例中，步骤s033可具体包括：先对目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息，然后基于所述当前目标文件信息中的当前定位数据确定对应的当前理论状态数据，再计算所述目标文件信息中的当前状态信息与当前理论状态数据之间的数据差值，接着基于所述数据差值生成所述当前目标文件信息对应的差值向量，最后在对所述目标文件信息遍历完成后，基于所述差值向量对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

在具体实现中，对于所述状态数据而言，通常具有类似于行驶速度、行驶加速度及转向角度等数据，而在自动驾驶过程中通常会设置对应的理论状态，也就是说，在某一定位数据对应的位置，自动驾驶过程中会为其分配对应的当前理论状态数据，假设某一定位数据分配的当前理论状态数据包括：行驶速度50km/h，行驶加速度5km/h，转向角度为5度，但实际运行过程中，当前状态信息包括：行驶速度30km/h，行驶加速度10km/h，转向角度为0度，此时，可计算所述目标文件信息中的当前状态信息与当前理论状态数据之间的数据差值，数据差值即为行驶速度差值-20km/h，行驶加速度差值5km/h，转向角度差值-5度，为便于进行后续处理，本实施例中，可对这些差值进行归一化处理，例如：将行驶速度差值归一化处理为-20，行驶加速度差值归一化处理为5，转向角度差值归一化处理为-5，此时，可基于数据差值建立差值向量(-20，5，-5)。

对于每一目标文件信息而言，均会对应一个差值向量，而这些差值向量可以对应至一个三维坐标系中，在基于所述差值向量对所述目标文件信息进行聚类时，可基于各差值向量与三维坐标系的原点之间的距离来对所述目标文件信息进行聚类，此时，各聚类中心可为各差量向量与三维坐标系的原点之间的距离，各聚类中心对应的聚类成员即为对应的目标文件信息。

第三种维度为违章查询维度，相应地，所述待聚类数据为图像数据、状态数据和定位数据。

可理解的是，对于自动驾驶的情况而言，有时会出现违反交通规则的情况，一般是自动驾驶的规划算法存在一些问题，故而往往需要对其进行分析处理，为便于进行数据处理，本实施例中，步骤s033可具体包括：先对所述目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息，然后将所述当前目标文件信息中的当前定位数据映射至地图中，再基于所述地图中的环境信息以及当前定位数据确定对应的限制状态范围，之后将所述当前目标文件信息中的当前状态数据与所述限制状态范围进行比较，接着在所述当前状态数据未处于所述限制状态范围时，根据所述当前状态数据及限制状态范围生成所述当前目标文件信息对应的违章类型，然后基于所述图像数据进行环境分析，以获得所述可移动载体周围的环境信息，再根据所述违章类型和环境信息生成违章原因，最后在对所述目标文件信息遍历完成后，基于所述违章原因对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

需要说明的是，对于所述地图的不同位置而言，通常会具有对应的限制状态范围，假设当前定位数据在高速公路，此时，对应的限制状态范围通常是行驶速度不低于60km/h，并且不超过120km/h，但假设可移动载体的当前状态数据中的行驶速度为40km/h，所述当前状态数据未处于所述限制状态范围，此时，可根据所述当前状态数据及限制状态范围生成所述当前目标文件信息对应的违章类型为低速行驶；

再假设当前定位数据在一常规公路，此时，对应的限制状态范围是行驶速度不超过50km/h，但假设可移动载体的当前行驶状态中的行驶速度为60km/h，此时，可根据所述当前状态数据及限制状态范围生成所述当前目标文件信息对应的违章类型为超速行驶。

在具体实现中，所述环境信息可为光线强度、遮挡比例等信息；

以环境信息为光线强度为例，可通过所述图像数据中各像素的平均亮度值，基于所述平均亮度值即可确定所述光线强度；

以环境信息为遮挡比例为例，可对图像数据进行轮廓划分，以确定各对象的位置信息，确定各对象的位置信息对应的像素数量，并计算像素数量与图像数据的像素总量之间的比例，并将所述比例中的最大值作为所述遮挡比例。

可理解的是，由于可移动载体在采用自动驾驶方式时，通常不会出现违章情况，但有时会因为可移动载体的周围出现较为极端的环境，从而影响了自动驾驶的控制指令，进而出现了违规行为，故而，本实施例中，可基于所述图像数据进行环境分析，以获得所述可移动载体周围的环境信息。

故而，在获得所述可移动载体周围的环境信息之后，可将所述环境信息与标准环境特征进行比较，并将与所述标准环境特征不匹配的目标环境信息作为生成违章原因的影响因素，例如：可移动载体发生低速违章时，若所述环境信息的光线强度高于标准环境特征，此时，可生成违章原因为“光线强度过高引起低速违章”。

基于上述方式，可对存在相同违章原因的目标文件信息进行聚类，也就是说，各聚类中心可为违章原因，各聚类中心对应的聚类成员即为各违章原因对应的目标文件信息。

s034：将各聚类中心作为btree索引信息中的各主键值，并将各聚类中心对应的聚类成员作为btree索引信息中各主键值对应的叶子节点。

需要说明的是，由于各聚类中心作为btree索引信息中的各主键值，并将各聚类中心对应的聚类成员作为btree索引信息中各主键值对应的叶子节点，为便于对数据进行查找，因此，在步骤s40中可具体包括：先从所述目标btree索引信息中查找与所述查询条件对应的目标主键值，然后确定与所述目标主键值对应的目标叶子节点，最后将与所述目标叶子节点中聚类成员对应的目标数据作为待推送数据，并将所述待推送数据推送至用户终端。

本实施例通过待聚类数据对目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员，将各聚类中心作为btree索引信息中的各主键值，并将各聚类中心对应的聚类成员作为btree索引信息中各主键值对应的叶子节点，能够生成便于进行数据查询的btree索引信息，从而提高数据查询的效率和便捷度。

此外，本发明实施例还提出一种基于索引的数据查找装置，参照图4，所述基于索引的数据查找装置包括：

信息提取模块10，用于在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件；

集合查找模块20，用于查找与所述目标可移动载体对应的btree索引集合；

信息确定模块30，用于根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息；

数据推送模块40，用于通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

本实施例通过上述方案，通过查询信息中的目标可移动载体确定对应的btree索引集合，然后根据所述查询条件对应的维度从所述btree索引集合中确定与所述查询条件对应的目标btree索引信息，最后通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，通过目标可移动载体和查询条件获取符合用户需求的部分数据，而不用将可移动载体对应的整个文件进行下载，再定位到需要的该部分数据，能够有效降低时间成本和传输成本。

需要说明的是，上述装置中的各模块可用于实现上述方法中的各个步骤，同时达到相应的技术效果，本实施例在此不再赘述。

参照图5，图5为本发明实施例方案涉及的硬件运行环境的服务器的结构示意图。

如图5所示，该服务器可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图5中示出的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，或者组合某些部件，或者不同的部件布置。

如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于索引的数据查找程序。

在图5所示的服务器中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；所述可移动载体通过处理器1001调用存储器1005中存储的基于索引的数据查找程序，并执行以下操作：

在接收到用户终端发送的查询信息时，从所述查询信息中提取目标可移动载体和查询条件；

查找与所述目标可移动载体对应的btree索引集合；

根据所述查询条件对应的维度，从所述btree索引集合中，确定与所述查询条件对应的目标btree索引信息；

通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，并将所述待推送数据推送至用户终端。

进一步地，处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

获取待存储可移动载体对应的图像数据、点云数据、状态数据和定位数据；

将所述图像数据、点云数据、状态数据和定位数据按照时间进行关联，并将关联后的图像数据、点云数据、状态数据和定位数据作为目标文件信息；

基于多个不同维度对所述目标文件信息中的数据进行聚类，并根据聚类结果生成所述待存储可移动载体在不同维度分别对应的btree索引信息；

将待存储可移动载体在不同维度分别对应的btree索引信息添加至待存储可移动载体对应的btree索引集合中。

进一步地，处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

对多个不同维度进行遍历，将遍历到的待选维度作为当前维度；

基于当前维度确定所述目标文件信息中的待聚类数据；

基于所述待聚类数据对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员；

将各聚类中心作为btree索引信息中的各主键值，并将各聚类中心对应的聚类成员作为btree索引信息中各主键值对应的叶子节点。

进一步地，所述当前维度为对象查询维度，所述待聚类数据为图像数据和点云数据；处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

对各目标文件信息的图像数据和点云数据进行融合，以获得融合图像；

根据相邻像素之间的色差确定所述融合图像中各对象的轮廓；

根据所述融合图像中各对象的轮廓对所述融合图像进行对象识别，以获得所述融合图像中各对象的对象位置；

基于所述融合图像中各对象的对象位置进行特征提取，以获得各对象的特征信息；

基于所述特征信息对各目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

进一步地，所述当前维度为状态查询维度，所述待聚类数据为状态数据和定位数据；处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

对目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息；

基于所述当前目标文件信息中的当前定位数据确定对应的当前理论状态数据；

计算所述目标文件信息中的当前状态信息与当前理论状态数据之间的数据差值；

基于所述数据差值生成所述当前目标文件信息对应的差值向量；

在对所述目标文件信息遍历完成后，基于所述差值向量对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

进一步地，所述当前维度为违章查询维度，所述待聚类数据为图像数据、状态数据和定位数据；处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

对所述目标文件信息进行遍历，并将遍历到的目标文件信息作为当前目标文件信息；

将所述当前目标文件信息中的当前定位数据映射至地图中；

基于所述地图中的当前定位数据确定对应的限制状态范围；

将所述当前目标文件信息中的当前状态数据与所述限制状态范围进行比较；

在所述当前状态数据未处于所述限制状态范围时，根据所述当前状态数据及限制状态范围生成所述当前目标文件信息对应的违章类型；

基于所述图像数据进行环境分析，以获得所述可移动载体周围的环境信息；

根据所述违章类型和环境信息生成违章原因；

在对所述目标文件信息遍历完成后，基于所述违章原因对所述目标文件信息进行聚类，以获得各聚类中心以及各聚类中心的聚类成员。

进一步地，处理器1001可以调用存储器1005中存储的基于索引的数据查找程序，还执行以下操作：

从所述目标btree索引信息中查找与所述查询条件对应的目标主键值；

确定与所述目标主键值对应的目标叶子节点；

将与所述目标叶子节点中聚类成员对应的目标数据作为待推送数据，并将所述待推送数据推送至用户终端。

本实施例通过上述方案，通过查询信息中的目标可移动载体确定对应的btree索引集合，然后根据所述查询条件对应的维度从所述btree索引集合中确定与所述查询条件对应的目标btree索引信息，最后通过所述查询条件从所述目标btree索引信息中查找对应的待推送数据，通过目标可移动载体和查询条件获取符合用户需求的部分数据，而不用将可移动载体对应的整个文件进行下载，再定位到需要的该部分数据，能够有效降低时间成本和传输成本。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例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如上所述的一个存储介质(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，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。