CN106096521A - 一种基于网格划分的拥挤踩踏预警方法及装置 - Google Patents
一种基于网格划分的拥挤踩踏预警方法及装置 Download PDFInfo
- Publication number
- CN106096521A CN106096521A CN201610388642.2A CN201610388642A CN106096521A CN 106096521 A CN106096521 A CN 106096521A CN 201610388642 A CN201610388642 A CN 201610388642A CN 106096521 A CN106096521 A CN 106096521A
- Authority
- CN
- China
- Prior art keywords
- grid
- crowding
- target area
- stress
- strain model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于网格划分的拥挤踩踏预警方法及装置。该基于网格划分的拥挤踩踏预警方法,包括:确定待监测的目标区域;根据预设的网格划分规则,对目标区域进行网格划分;确定每个网格的拥挤度警戒值;在监测目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;根据判断结果,确定是否输出预警信息。应用本发明实施例所提供的技术方案,准确度高,时效性强,可以最大程度避免拥挤踩踏事件的发生。
Description
技术领域
本发明涉及监测技术领域,特别是涉及一种基于网格划分的拥挤踩踏预警方法及装置。
背景技术
在节日庆贺活动、体育赛事、宗教活动等大型活动期间,很多人员密集区域,因客流量大、客流密度高,很容易发生拥挤踩踏事件,造成人员伤亡。
如,2014年12月31日,大量游客、市民聚集在上海黄浦区外滩区域迎接新年,由于陈毅广场通往观景平台的路径南北两个阶梯进入和退出的人流对冲,致使有人摔倒,发生拥挤踩踏事故,致36人死亡、49人受伤。2004年2月5日,在北京市密云县的密虹公园的元宵灯会中,因游客暴增,过度拥挤,发生彩虹桥上人员踩踏事件,导致37人死亡、15人受伤。
目前,针对人员密集区域,主要是通过人工估计整个区域的人员数量,根据粗略估计的整个区域的人员数量确定是否进行拥挤踩踏预警。
这种方法是对整个区域的人员数量进行统计,很难准确做出拥挤踩踏预警,因为对于一个区域来说,这个区域有的部分所容纳的人员可能已经过度拥挤了,但因整个区域的人员数量未达到阈值而未做出拥挤踩踏预警,很可能导致拥挤踩踏事件的发生。
发明内容
为解决上述技术问题,本发明提供一种基于网格划分的拥挤踩踏预警方法及装置,可以及时、准确做出拥挤踩踏预警,避免拥挤踩踏事件的发生。
一种基于网格划分的拥挤踩踏预警方法,包括:
确定待监测的目标区域;
根据预设的网格划分规则,对所述目标区域进行网格划分;
确定每个网格的拥挤度警戒值;
在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;
根据判断结果,确定是否输出预警信息。
在本发明的一种具体实施方式中,所述根据预设的网格划分规则,对所述目标区域进行网格划分,包括:
获得所述目标区域的场地特征;
根据所述场地特征,对所述目标区域进行网格划分。
在本发明的一种具体实施方式中,所述确定每个网格的拥挤度警戒值,包括:
对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
根据所述训练模型,确定所述目标区域的每个网格的拥挤度警戒值。
在本发明的一种具体实施方式中,所述在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系,包括:
在监测所述目标区域过程中,获得所述目标区域的红外热像图;
根据所述红外热像图,确定所述目标区域的每个网格的拥挤度;
针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
在本发明的一种具体实施方式中,所述根据判断结果,确定是否输出预警信息,包括:
针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则输出预警信息;
或者,根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
一种基于网格划分的拥挤踩踏预警装置,包括:
目标区域确定模块,用于确定待监测的目标区域;
网格划分模块,用于根据预设的网格划分规则,对所述目标区域进行网格划分;
警戒值确定模块,用于确定每个网格的拥挤度警戒值;
监测模块,用于在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;
预警模块,用于根据所述监测模块的判断结果,确定是否输出预警信息。
在本发明的一种具体实施方式中,所述网格划分模块,具体用于:
获得所述目标区域的场地特征;
根据所述场地特征,对所述目标区域进行网格划分。
在本发明的一种具体实施方式中,所述警戒值确定模块,具体用于:
对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
根据训练模型,确定所述目标区域的每个网格的拥挤度警戒值。
在本发明的一种具体实施方式中,所述监测模块,具体用于:
在监测所述目标区域过程中,获得所述目标区域的红外热像图;
根据所述红外热像图,确定所述目标区域的每个网格的拥挤度;
针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
在本发明的一种具体实施方式中,所述预警模块,具体用于:
针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则输出预警信息;
或者,根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
应用本发明实施例所提供的技术方案,对待监测的目标区域进行网格划分,确定出每个网格的拥挤度警戒值,在对该目标区域进行监测过程中,根据每个网格的拥挤度与该网格的拥挤度警戒值的大小关系,确定是否输出预警信息,准确度高,时效性强,可以最大程度避免拥挤踩踏事件的发生。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例中基于网格划分的拥挤踩踏预警方法的一种实施流程图;
图2为本发明实施例中基于网格划分的拥挤踩踏预警装置的一种结构示意图。
具体实施方式
本发明的核心是提供一种基于网格划分的拥挤踩踏预警方法及装置,以针对监测的目标区域,及时、准确输出预警信息,避免拥挤踩踏事件的发生。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1所示,为本发明实施例所提供的基于网格划分的拥挤踩踏预警方法的一种实施流程图,该方法可以包括以下步骤:
S110:确定待监测的目标区域。
可以理解的是,拥挤踩踏事件多发生在人员高度密集场所,如大型广场、体育场馆、地铁站换乘通道或者出入口等。针对这些场所,都可以应用本发明实施例所提供的技术方案,对其进行监测,根据拥挤度确定是否输出拥挤踩踏预警信息。
本发明实施例所确定的待监测的目标区域可以是上述这些场所所包含的全部区域或者部分区域。以大型广场为例,如果该大型广场所包含的整个区域都属于人员高度密集区域,则可以将该大型广场的全部区域确定为待监测的目标区域,如果该大型广场所包含的部分区域属于人员高度密集区域,则可以将该大型广场的部分区域确定为待监测的目标区域。
确定待监测的目标区域后,可以继续执行步骤S120的操作。
S120:根据预设的网格划分规则,对目标区域进行网格划分。
网格划分的基本思想是将结构离散化,即对连续体进行离散化,利用简化几何单元来近似逼近连续体,然后根据变形协调条件综合求解。
在步骤S110确定待监测的目标区域后,可以根据预设的网格划分规则,对该目标区域进行网格划分。
在实际应用中,可以由技术人员预先针对不同类型的区域设定不同的网格划分规则。比如,针对开放式类型的区域,设定一种网格划分规则,针对封闭式类型的区域,设定另一种网格划分规则。这样,在确定待监测的目标区域后,可以根据该目标区域的类型,选择与该类型相对应的网格划分规则,对该目标区域进行网格划分。
当然,针对不同类型的区域也可以设定相同的网格划分规则。这样,在确定待监测的目标区域后,可以根据预先设定的网格划分规则,对该目标区域进行网格划分。
具体的网格划分规则可以根据实际情况进行设定。如在目标区域的边缘部分设定较大的网格,在目标区域的中心部分设定较小的网格,或者针对目标区域设定相同大小的网格等。具体的网格大小也可以根据实际情况进行设定,如每个网格占一平米。
在实际应用中,本领域技术人员可以根据预设的网格划分规则,选择现有技术的一种或多种网格划分方法对目标区域进行网格划分。在现有技术中,有较多的网格划分方法,可以按照产生的单元类型、生成单元的维数、自动化程度等进行分类。比较常见的网格划分方法主要有映射法、栅格法、节点连元法、拓扑分解法、几何分解法、扫描法、人工划分法及近年来在各种工程领域中得到了广泛的应用的有限元分析网格划分法等。
在本发明的一种具体实施方式中,步骤S120可以包括以下步骤:
步骤一:获得目标区域的场地特征;
步骤二:根据场地特征,对目标区域进行网格划分。
为方便描述,将上述两个步骤结合起来进行说明。
确定待监测的目标区域后,可以获得该目标区域的场地特征。场地特征可以包括该目标区域的安全出口个数、场地开阔程度、结构构造、面积大小中的一种或多种。
根据目标区域的场地特征,可以自动对目标区域进行网格划分,或者由技术人员人工进行划分。比如,如果目标区域的安全出口个数较少,则可以划分为较小的网格,加大监测力度,如果目标区域的场地开阔程度较大,则可以划分为较大的网格,如果目标区域为多层结构,则可以针对每层分别进行网格划分,如果目标区域的面积较小,则可以划分为较小的网格。
简言之,可以根据目标区域的场地特征,选择较为合适的方式进行网格划分。
S130:确定每个网格的拥挤度警戒值。
拥挤度警戒值为判断能否发生拥挤踩踏事件的重要依据,当拥挤度高于拥挤度警戒值时就有可能发生拥挤踩踏事件。在本发明实施例中,拥挤度可以是红外热像图所体现的热度,还可以是单位面积所容纳的人员数量。
在步骤S120,对目标区域进行网格划分后,可以确定每个网格的拥挤度警戒值,具体的,可以根据实验或者经验设定每个网格的拥挤度警戒值,直接应用于该目标区域。不同网格的拥挤度警戒值可以相同或者不同。
在本发明的一种具体实施方式中,步骤S130可以包括以下步骤:
第一个步骤:对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
第二个步骤:根据训练模型,确定目标区域的每个网格的拥挤度警戒值。
为方便描述,将上述两个步骤结合起来进行说明。
在对目标区域进行监测之前,可以先获得该目标区域或者其他区域的历史拥挤度数据,其他区域可以是与目标区域具有相同场地特征的区域,或者与目标区域为同一类型的区域。
对预先获得的历史拥挤度数据进行机器学习,训练每个网格的拥挤度,获得训练模型。根据训练模型,可以确定目标区域的每个网格的拥挤度警戒值。具体的,可以根据目标区域的每个网格的具体情况确定该网格的拥挤度警戒值。
在本发明实施例中,可以利用深度学习算法对预先获得的历史拥挤度数据进行机器学习。深度学习算法是机器学习算法的一种,是一种新兴的多层神经网络降维算法。通过组建含有多个隐层的神经网络深层模型,对输入的高维数据逐层提取特征,以发现数据的低维嵌套结构,形成更加抽象有效的高层表示。同时基于神经网络建立模拟人脑分析、学习的模型,模仿人脑机制识别目标,感知信息。
S140:在监测目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系。
通过步骤S110至步骤S130的操作,确定了待监测的目标区域,对该目标区域进行了网格划分,并确定了每个网格的拥挤度警戒值。至此,完成了对目标区域进行监测的准备工作。可以继续执行对该目标区域进行监测的操作。
在监测目标区域过程中,可以获得每个网格的拥挤度。在当前时刻,针对每个网格,将该网格的拥挤度与该网格的拥挤度警戒值进行比较,可以判断出二者的大小关系。
在本发明的一种具体实施方式中,步骤S140可以包括以下步骤:
步骤一:在监测目标区域过程中,获得目标区域的红外热像图;
步骤二:根据红外热像图,确定目标区域的每个网格的拥挤度;
步骤三:针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
为方便理解,将上述三个步骤结合起来进行说明。
在本发明实施例中,可以利用热成像技术确定目标区域的每个网格的拥挤度。
热成像技术,是指利用红外探测器和光学成像物镜构成的红外热像仪,接收被测物体的红外辐射能量,将红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得被测物体的红外热像图。这种红外热像图与物体表面的热分布场相对应。通俗地讲,利用热成像技术可以将被测物体发出的不可见红外辐射能量转变为可见的红外热像图。红外热像图上面的不同颜色代表被测物体的不同温度。借助红外热像图上的颜色可以得到温度的分布,红色、粉红表示比较高的温度,蓝色、绿色表示较低的温度。
在实际应用中,可以在目标区域安装若干个红外热像仪,使这些红外热像仪的覆盖范围不小于目标区域的范围。如果存在多个红外热像仪,可以针对接收到的多个红外热像仪发送的红外热像图进行数据融合处理,获得目标区域的红外热像图,从而根据该红外热像图,确定该目标区域的每个网格的拥挤度。
在对目标区域进行监测过程中,可以实时获得目标区域的红外热像图,还可以按照设定时间间隔获得目标区域的红外热像图。根据获得的红外热像图,可以确定目标区域的每个网格的拥挤度。从而可以针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
在实际应用中,还可以通过其他方法确定目标区域的每个网格的拥挤度,如通过WiFi定位或者GPS定位等技术获得目标区域中人员位置,根据单位面积内人员数量确定每个网格的拥挤度。或者,在目标区域中安装图像采集设备,对采集到的图像进行处理,获得单位面积内人员数量,据此确定每个网格的拥挤度。
S150:根据判断结果,确定是否输出预警信息。
在步骤S140中,针对每个网格,可以判断该网格的拥挤度与该网格的拥挤度警戒值之间的大小关系,根据判断结果,可以确定是否输出预警信息。
在本发明的一种具体实施方式中,针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则可以输出预警信息。
即只要监测到存在拥挤度大于相应的拥挤度警戒值的网格,就输出预警信息。
在本发明的另一种具体实施方式中,可以根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
在实际应用中,如果网格设置较小,那么单一网格的拥挤度大于拥挤度警戒值,造成拥挤踩踏事件的概率会较小。确定多个网格的拥挤度大于相应的拥挤度警戒值,且这样的网格达到预设的网格数时,表明造成拥挤踩踏事件的概率较大,此时可以输出预警信息,该预警信息可以是针对目标区域的预警信息,还可以是针对特定网格的预警信息。具体网格数可以根据实际情况进行设定和调整。
输出预警信息,一方面可以在目标区域发出警报,以提醒在场群众注意安全,另一方面可以将预警信息输出给警方或者其他相关人员,以使警方或者相关人员及时对目标区域进行干预,比如采取限流措施或者疏散措施,避免拥挤踩踏事件的发生。
应用本发明实施例所提供的方法,对待监测的目标区域进行网格划分,确定出每个网格的拥挤度警戒值,在对该目标区域进行监测过程中,根据每个网格的拥挤度与该网格的拥挤度警戒值的大小关系,确定是否输出预警信息,准确度高,时效性强,可以最大程度避免拥挤踩踏事件的发生。
下面对本发明实施例提供的一种基于网格划分的拥挤踩踏预警装置进行介绍,下文描述的一种基于网格划分的拥挤踩踏预警装置与上文描述的一种基于网格划分的拥挤踩踏预警方法可相互对应参照。
图2为本发明实施例提供的一种基于网格划分的拥挤踩踏预警装置的结构框图,该装置可以包括以下模块:
目标区域确定模块210,用于确定待监测的目标区域;
网格划分模块220,用于根据预设的网格划分规则,对所述目标区域进行网格划分;
警戒值确定模块230,用于确定每个网格的拥挤度警戒值;
监测模块240,用于在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;
预警模块250,用于根据所述监测模块240的判断结果,确定是否输出预警信息。
应用本发明实施例所提供的装置,对待监测的目标区域进行网格划分,确定出每个网格的拥挤度警戒值,在对该目标区域进行监测过程中,根据每个网格的拥挤度与该网格的拥挤度警戒值的大小关系,确定是否输出预警信息,准确度高,时效性强,可以最大程度避免拥挤踩踏事件的发生。
在本发明的一种具体实施方式中,所述网格划分模块220,可以具体用于:
获得所述目标区域的场地特征;
根据所述场地特征,对所述目标区域进行网格划分。
在本发明的一种具体实施方式中,所述警戒值确定模块230,可以具体用于:
对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
根据训练模型,确定所述目标区域的每个网格的拥挤度警戒值。
在本发明的一种具体实施方式中,所述监测模块240,可以具体用于:
在监测所述目标区域过程中,获得所述目标区域的红外热像图;
根据所述红外热像图,确定所述目标区域的每个网格的拥挤度;
针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
在本发明的一种具体实施方式中,所述预警模块250,可以具体用于:
针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则输出预警信息;
或者,根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于网格划分的拥挤踩踏预警方法及装置进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于网格划分的拥挤踩踏预警方法,其特征在于,包括:
确定待监测的目标区域;
根据预设的网格划分规则,对所述目标区域进行网格划分;
确定每个网格的拥挤度警戒值;
在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;
根据判断结果,确定是否输出预警信息。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的网格划分规则,对所述目标区域进行网格划分,包括:
获得所述目标区域的场地特征;
根据所述场地特征,对所述目标区域进行网格划分。
3.根据权利要求1或2所述的方法,其特征在于,所述确定每个网格的拥挤度警戒值,包括:
对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
根据所述训练模型,确定所述目标区域的每个网格的拥挤度警戒值。
4.根据权利要求3所述的方法,其特征在于,所述在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系,包括:
在监测所述目标区域过程中,获得所述目标区域的红外热像图;
根据所述红外热像图,确定所述目标区域的每个网格的拥挤度;
针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
5.根据权利要求4所述的方法,其特征在于,所述根据判断结果,确定是否输出预警信息,包括:
针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则输出预警信息;
或者,根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
6.一种基于网格划分的拥挤踩踏预警装置,其特征在于,包括:
目标区域确定模块,用于确定待监测的目标区域;
网格划分模块,用于根据预设的网格划分规则,对所述目标区域进行网格划分;
警戒值确定模块,用于确定每个网格的拥挤度警戒值;
监测模块,用于在监测所述目标区域过程中,判断每个网格的拥挤度与该网格的拥挤度警戒值的大小关系;
预警模块,用于根据所述监测模块的判断结果,确定是否输出预警信息。
7.根据权利要求6所述的装置,其特征在于,所述网格划分模块,具体用于:
获得所述目标区域的场地特征;
根据所述场地特征,对所述目标区域进行网格划分。
8.根据权利要求6或7所述的装置,其特征在于,所述警戒值确定模块,具体用于:
对预先获得的历史拥挤度数据进行机器学习,获得训练模型;
根据训练模型,确定所述目标区域的每个网格的拥挤度警戒值。
9.根据权利要求8所述的装置,其特征在于,所述监测模块,具体用于:
在监测所述目标区域过程中,获得所述目标区域的红外热像图;
根据所述红外热像图,确定所述目标区域的每个网格的拥挤度;
针对每个网格,判断该网格的拥挤度与该网格的拥挤度警戒值的大小关系。
10.根据权利要求9所述的装置,其特征在于,所述预警模块,具体用于:
针对每个网格,如果该网格的拥挤度大于该网格的拥挤度警戒值,则输出预警信息;
或者,根据拥挤度大于相应拥挤度警戒值的网格数,确定是否输出预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388642.2A CN106096521A (zh) | 2016-06-02 | 2016-06-02 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388642.2A CN106096521A (zh) | 2016-06-02 | 2016-06-02 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096521A true CN106096521A (zh) | 2016-11-09 |
Family
ID=57447387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610388642.2A Pending CN106096521A (zh) | 2016-06-02 | 2016-06-02 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096521A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107202639A (zh) * | 2017-08-07 | 2017-09-26 | 陈永中 | 群体型监测装置的节电管理系统 |
CN107219005A (zh) * | 2017-08-07 | 2017-09-29 | 陈永中 | 一种智能运动场 |
CN107290064A (zh) * | 2017-08-07 | 2017-10-24 | 陈永中 | 一种智能运动场的节电管理系统 |
CN107369399A (zh) * | 2017-08-15 | 2017-11-21 | 重庆悦享智慧旅游发展有限公司 | 基于旅游景点的智能导游方法 |
CN108171162A (zh) * | 2017-12-27 | 2018-06-15 | 重庆交通开投科技发展有限公司 | 人群拥挤度检测方法、装置及系统 |
CN109087478A (zh) * | 2018-08-22 | 2018-12-25 | 徐自远 | 一种智能防拥挤踩踏的预警与导流方法及系统 |
CN111428653A (zh) * | 2020-03-27 | 2020-07-17 | 湘潭大学 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
CN113314230A (zh) * | 2021-05-27 | 2021-08-27 | 创新奇智(上海)科技有限公司 | 基于大数据的智能防疫方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722703A (zh) * | 2012-06-06 | 2012-10-10 | 深圳市海亿达能源科技股份有限公司 | 一种一体化空间人群分布监测装置及监测方法 |
CN202662028U (zh) * | 2012-06-06 | 2013-01-09 | 深圳市海亿达能源科技股份有限公司 | 一种一体化空间人群分布监测装置 |
CN104217244A (zh) * | 2014-08-14 | 2014-12-17 | 长安通信科技有限责任公司 | 基于地理网格的人数测定方法和人群态势监测方法及系统 |
CN104463121A (zh) * | 2014-12-08 | 2015-03-25 | 北京市新技术应用研究所 | 人群密度信息获取方法 |
CN105681550A (zh) * | 2016-01-07 | 2016-06-15 | 山东合天智汇信息技术有限公司 | 一种监测城市人群密度、分布及趋势的系统及方法 |
-
2016
- 2016-06-02 CN CN201610388642.2A patent/CN106096521A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722703A (zh) * | 2012-06-06 | 2012-10-10 | 深圳市海亿达能源科技股份有限公司 | 一种一体化空间人群分布监测装置及监测方法 |
CN202662028U (zh) * | 2012-06-06 | 2013-01-09 | 深圳市海亿达能源科技股份有限公司 | 一种一体化空间人群分布监测装置 |
CN104217244A (zh) * | 2014-08-14 | 2014-12-17 | 长安通信科技有限责任公司 | 基于地理网格的人数测定方法和人群态势监测方法及系统 |
CN104463121A (zh) * | 2014-12-08 | 2015-03-25 | 北京市新技术应用研究所 | 人群密度信息获取方法 |
CN105681550A (zh) * | 2016-01-07 | 2016-06-15 | 山东合天智汇信息技术有限公司 | 一种监测城市人群密度、分布及趋势的系统及方法 |
Non-Patent Citations (1)
Title |
---|
王慧军 等: "基于区域网格划分的城市积水预警模型构建", 《信息技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107202639A (zh) * | 2017-08-07 | 2017-09-26 | 陈永中 | 群体型监测装置的节电管理系统 |
CN107219005A (zh) * | 2017-08-07 | 2017-09-29 | 陈永中 | 一种智能运动场 |
CN107290064A (zh) * | 2017-08-07 | 2017-10-24 | 陈永中 | 一种智能运动场的节电管理系统 |
CN107219005B (zh) * | 2017-08-07 | 2018-11-06 | 嘉兴尚云自动化设备有限公司 | 一种智能运动场 |
CN107369399A (zh) * | 2017-08-15 | 2017-11-21 | 重庆悦享智慧旅游发展有限公司 | 基于旅游景点的智能导游方法 |
CN108171162A (zh) * | 2017-12-27 | 2018-06-15 | 重庆交通开投科技发展有限公司 | 人群拥挤度检测方法、装置及系统 |
CN108171162B (zh) * | 2017-12-27 | 2021-05-11 | 重庆交通开投科技发展有限公司 | 人群拥挤度检测方法、装置及系统 |
CN109087478A (zh) * | 2018-08-22 | 2018-12-25 | 徐自远 | 一种智能防拥挤踩踏的预警与导流方法及系统 |
CN111428653A (zh) * | 2020-03-27 | 2020-07-17 | 湘潭大学 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
CN111428653B (zh) * | 2020-03-27 | 2024-02-02 | 湘潭大学 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
CN113314230A (zh) * | 2021-05-27 | 2021-08-27 | 创新奇智(上海)科技有限公司 | 基于大数据的智能防疫方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096521A (zh) | 一种基于网格划分的拥挤踩踏预警方法及装置 | |
CN111563887B (zh) | 一种口腔图像的智能分析方法与装置 | |
CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN109886241A (zh) | 基于长短期记忆网络的驾驶员疲劳检测 | |
CN106096522A (zh) | 一种基于网格划分的拥挤踩踏预警方法及装置 | |
CN108388838B (zh) | 无人机对地人群监控系统及监控方法 | |
NO20055487D0 (no) | Automatisk deteksjon av hudlesjoner | |
CN106355140B (zh) | 车辆检测的方法及装置 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN104899869A (zh) | 基于rgb-d相机和姿态传感器的平面和障碍检测方法 | |
CN101951502A (zh) | 一种三维智能视频监控方法 | |
CN113793234B (zh) | 基于数字孪生技术的智慧园区平台 | |
CN107397658B (zh) | 一种多尺度全卷积网络及视觉导盲方法和装置 | |
WO2015055168A1 (de) | Verfahren und vorrichtung zur automatisierten waldbrandfrüherkennung mittels optischer detektion von rauchwolken | |
KR101183105B1 (ko) | 자동 구름 정보 산출방법 | |
CN104296967A (zh) | 不同光环境下对非彩色目标物的视觉功效的测算方法及其系统 | |
CN104634784B (zh) | 大气能见度监测方法和装置 | |
CN102246201B (zh) | 图像处理装置及图像处理方法 | |
CN106846375A (zh) | 一种应用于自主灭火机器人的火焰检测方法 | |
CN109841272A (zh) | 实时图像识别显示设备 | |
CN106250835A (zh) | 基于特征识别的输电线路上的鸟巢识别方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN113743471A (zh) | 一种驾驶评估方法及其系统 | |
CN109325451A (zh) | 一种基于深度学习的高空间分辨率耕地地块全自动提取技术 | |
CN113143274B (zh) | 基于摄像头的情绪预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |