CN109117856A - 基于智能边缘云的人及物追踪方法、装置及系统 - Google Patents

Abstract

本发明属于物联网技术领域，具体涉及一种基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统。该基于智能边缘云的人及物追踪方法包括步骤：采集并汇总各人及物追踪请求的信息，所述人及物追踪请求的信息包括待追踪人及物的至少一个特征；对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；将满足所述深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。该基于智能边缘云的人及物追踪方法通过将人及物追踪请求实时以基于智能边缘云的人及物追踪算法进行动态深度分析，实现追踪时延低、匹配准确率高、异构异地数据库互通的优势。

Description

基于智能边缘云的人及物追踪方法、装置及系统

技术领域

本发明属于物联网技术领域，具体涉及一种基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统。

背景技术

随着物联网迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘云已被业界普遍认定为下一代数字化转型的主要趋势之一。

移动边缘计算(Mobile Edge Computing，简称MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。这种情况下，面对日益迫切的边缘云及物人追踪发展需求，基于智能边缘云的人及物追踪机制的迅速持续发展具有重要意义。

然而，现有云计算系统未充分考虑到追踪高时延、匹配率低、异构异地数据库相对孤立等方面问题。随着边缘云及物人追踪业务的快速增长，伴之产生的追踪时延高、匹配准确率低、异构异地数据库相对孤立等问题日益突出。

发明内容

本发明所要解决的技术问题是针对现有技术中上述不足，提供一种基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统，结合多维空间多特征选择分类及组合训练学习策略方法实现追踪时延低、匹配准确率高、异构异地数据库互通的优势。

解决本发明技术问题所采用的技术方案是该基于智能边缘云的人及物追踪方法，包括步骤：

采集并汇总各人及物追踪请求的信息，所述人及物追踪请求的信息包括待追踪人及物的至少一个特征；

对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

将满足所述深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

优选的是，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果，包括：

步骤S1，设置迭代初始参数和最大迭代次数；

步骤S2，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

步骤S3，判断当前的所述追踪分析结果是否满足深度分析评价条件，如果满足，则转到步骤S5；如果不满足，则转到步骤S4；

步骤S4，将迭代次数加1，重复步骤S2和步骤S3，直到满足加速优化分析评价条件或达到最大迭代次数；

步骤S5，将满足所述深度分析评价条件的追踪分析结果输出。

优选的是，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，包括：

对特征进行分类及组合；

建立深度分析模型；

采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

优选的是，迭代次数加1后，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，包括：

更新深度分析模型；

采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

以及，k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率。

优选的是，判断当前的所述追踪分析结果是否满足深度分析评价条件，包括：采用联合评价函数进行判断，联合评价函数为：

其中：ε∈(0,1)。

优选的是，采集并汇总各人及物追踪请求的信息的步骤中：通过每隔预置时间主动上报和/或定期被询问机制，获取各人及物追踪请求，并将这些信息进行汇总。

一种基于智能边缘云的人及物追踪装置，包括请求获取模块、深度分析模块、提供模块，其中：

所述获取模块，用于采集并汇总各人及物追踪请求的信息，所述人及物追踪请求的信息包括待追踪人及物的至少一个特征；

所述深度分析模块，用于对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

所述提供模块，用于将满足所述深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

优选的是，所述深度分析模块包括参数设置单元、深度学习单元、判断单元和输出单元，其中：

所述参数设置单元，用于设置迭代初始参数和最大迭代次数；

所述深度学习单元，用于对所述人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

所述判断单元，用于判断当前的所述追踪分析结果是否满足深度分析评价条件，如果满足，则将追踪分析结果传输到所述输出单元；如果不满足，则将追踪分析结果传输到所述深度学习单元进行新一次迭代及深度分析；

所述输出单元，用于将满足所述深度分析评价条件的追踪分析结果输出。

优选的是，所述深度学习单元包括分类及组合元、模型建立元和分析元，其中：

所述分类及组合元，用于对特征进行分类及组合；

所述模型建立元，用于建立或更新深度分析模型；

所述分析元，采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

以及，k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率。

优选的是，所述判断单元中：采用联合评价函数进行判断，联合评价函数为：

其中：ε∈(0,1)。

一种基于智能边缘云的人及物追踪系统，包括人及物追踪感知层、运营商基站边缘网络传输层、人及物追踪边缘网关接入层、人及物追踪边缘数据中心层和人及物追踪特征中心分析层，其中：

所述人及物追踪感知层，包含多个人及物追踪感知设备，用于实现所述人及物追踪感知设备的特征数据采集及定位控制，所述人及物追踪感知设备包括：警用摄像设备、手机摄像设备、警用无人机摄像头、摄像设备定位器中的至少一种；

所述运营商基站边缘网络传输层，用于运营商基站和卫星网络的接入及传输，包含运营商基站、通信卫星中的至少一种；

所述人及物追踪边缘网关接入层，由多个追踪边缘网关组成，用于实现来自运营商边缘网络、卫星网络的接入；

所述人及物追踪边缘数据中心层，用于实现对来自所述人及物追踪感知设备的人及物追踪请求，包括多个追踪边缘服务器；

所述人及物追踪特征中心分析层，用于对人及物追踪请求信息的处理，处理除迁移到所述追踪边缘服务器外的组合特征分析追踪服务的核心处理，包括多个特征分析处理器和异构异地特征分析数据库集群；

其中，所述特征分析处理器为上述的基于智能边缘云的人及物追踪装置。

本发明的有益效果是：

本发明的基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统，结合多维空间多特征选择分类及组合训练策略学习思想，基于多维空间、多特征分类、组合训练、概率论、生物学、运筹学、智能优化、机器学习等理论优势；并且，结合本申请特有的基于智能边缘云的人及物追踪优化13个特有流程，将人及物追踪请求实时以基于智能边缘云的人及物追踪算法进行动态深度分析，实现追踪时延低、匹配准确率高、异构异地数据库互通的优势。

附图说明

图1为本发明实施例中基于智能边缘云的人及物追踪系统的场景示意图；

图2为本发明实施例中基于智能边缘云的人及物追踪方法的流程图；

图3为本发明实施例中采集并汇总各人及物追踪请求的信息的示意图；

图4为本发明实施例中人及物追踪分析功能实现逻辑结构实体图；

图5本发明实施例中基于智能边缘云的人及物追踪方法中深度分析的流程示意图；

图6为本发明实施例中基于智能边缘云的人及物追踪方法中深度分析的流程图；

图7为本发明实施例中特征存储模型示意图；

图8A和图8B为本发明实施例中多特征选择分类及组合训练学习原理图；

图9为本发明实施例中深度分析模型图；

图10为本发明实施例中基于智能边缘云的人及物追踪装置的结构示意图；

附图标识中：

1-人及物追踪感知层；11-警用摄像设备；12-手机摄像设备；13-警用无人机摄像头；14-摄像设备定位器；

2-运营商基站边缘网络传输层；21-运营商基站；22-通信卫星；

3-人及物追踪边缘网关接入层；31-追踪边缘网关；

4-人及物追踪边缘数据中心层；41-追踪边缘服务器；

5-人及物追踪特征中心分析层；51-特征分析处理器；52-异构异地特征分析数据库；

61-获取模块；62-深度分析模块；63-提供模块。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统作进一步详细描述。

针对边缘云快速发展产生的追踪时延高、匹配准确率低、异构异地数据库孤立等问题，本发明提供一种针对基于智能边缘云的人及物追踪机制，具体包括基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统，使得该应用系统具有追踪时延低、匹配准确率高、异构异地数据库互通的优势。

本发明基于智能边缘云的人及物追踪系统的场景如图1所示。其中，基于智能边缘云的人及物追踪系统包括人及物追踪感知层1、运营商基站边缘网络传输层2、人及物追踪边缘网关接入层3、人及物追踪边缘数据中心层4和人及物追踪特征中心分析层5五个层面：

1)人及物追踪感知层1，包含：警用摄像设备11、手机摄像设备12、警用无人机摄像头13、摄像设备定位器14等人及物追踪感知设备，实现人及物追踪感知设备的特征数据采集及定位控制；

2)运营商基站边缘网络传输层2，包含：运营商基站21、通信卫星22，实现运营商基站21和卫星网络的接入及传输；

3)人及物追踪边缘网关接入层3，由若干追踪边缘网关31组成，实现来自运营商边缘网络、卫星网络的接入；

4)人及物追踪边缘数据中心层4，由若干追踪边缘服务器41组成，实现对来自人及物追踪感知设备的人及物追踪请求；

5)人及物追踪特征中心分析层5，由若干特征分析处理器51和异构异地特征分析数据库52集群组成，实现对人及物追踪请求信息的处理，处理除迁移到追踪边缘服务器41(最小单元特征追踪)外的组合特征分析追踪服务的核心处理。其中的特征分析处理器51即基于智能边缘云的人及物追踪装置，以下将结合基于智能边缘云的人及物追踪方法进行详细说明。

如图1所示的基于智能边缘云的人及物追踪系统中，在人及物追踪的过程中总共包括13个特有流程，具体如下：

①人及物追踪感知层1的警用摄像设备11、手机摄像设备12、警用无人机摄像头13、摄像设备定位器14等人及物追踪感知设备通过运营商基站21、通信卫星22接入到运营商基站边缘网络传输层2，并传送人及物追踪请求；

②运营商基站边缘网络传输层2的运营商基站21、通信卫星22直接或间接通过因特网、卫星网络接入人及物追踪边缘网关31接入层3的追踪边缘网关31，并传送人及物追踪请求；

③追踪边缘网关31接入到人及物追踪边缘数据中心层4的追踪边缘服务器41，并根据传送的人及物追踪请求获取相应部分追踪服务(最小单元特征追踪)；

④&⑤&⑥人及物追踪请求的相应部分追踪服务(最小单元特征追踪)通过运营商边缘网络、卫星网络、人及物追踪感知设备提供给用户；

⑦由人及物追踪数据中心层的追踪边缘服务器41接入到人及物追踪特征中心分析层5，并传送原人及物追踪请求中剩余的组合特征分析追踪服务；

⑧特征分析处理器51分析原人及物追踪请求中剩余的组合特征分析追踪服务，并从异构异地特征分析数据库52集群中提取剩余组合特征分析追踪服务所需特征分析数据；

I特征分析处理器51将所需原人及物追踪请求中剩余的组合特征分析追踪服务结果和特征分析数据返回给特征分析服务器；

II&III&IV&V人及物追踪边缘数据中心层4的追踪边缘服务器41将所需原人及物追踪请求中剩余的组合特征分析追踪服务结果和所需特征分析数据通过追踪边缘网关31、运营商边缘网络、运营商基站21、卫星网络返回给警用摄像设备11、手机摄像设备12、警用无人机摄像头13、摄像设备定位器14等人及物追踪感知设备用户。

如图2所示，基于智能边缘云的人及物追踪方法，包括步骤：

采集并汇总各人及物追踪请求的信息，人及物追踪请求的信息包括待追踪人及物的至少一个特征；

对人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

将满足深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

由于人及物追踪感知层1的人及物追踪感知设备的多样化，且各人及物追踪感知设备文件的存储形式不一，可能为数字组合、视频等形式，保持方式可能为excel表格、oracle数据库等格式，且分布在多个不同的区域或存储介质中，因此构成异构异地数据。异地异构数据库，是指物理上分散而逻辑上集中的数据库。从数据管理的角度出发有两种异构形式，即平台异构和语义异构。平台异构包括操作系统、DBMS、网络等方面，语义异构包括数据逻辑表示和数据库互操作两方面，其中数据逻辑表示涉及到所使用的数据模型、数据模式、数据表结构以及数据类型。异构异地互通也即异构异地数据库数据同步。

本申请基于智能边缘云的人及物追踪装置提供平台异构和语义异构转换接口，同时采用异步快照法，实现异构异地数据库互通。当某个异构异地数据库数据更新时，随即生成一个快照，并将此快照以广播形式传输给其他数据库节点，其他数据库节点可以采用异步快照恢复，当其他数据库节点需要更行数据库时，先运行异步快照恢复，再进行本地的数据库更新(少量数据更新可以先更新到数据缓存中，待积累到一定数据更新量或超过自定义时间段后再申请数据库更新)操作。这些不同的异步快照恢复事务间可以间隔几秒、几分钟、几小时，也可以是几天之后。各数据库节点之间的数据临时是不同步的，但传播及先快照恢复再本地数据库更新机制最终将保证所有数据库节点间的数据一致。

其中，采集并汇总各人及物追踪请求的信息的示意如图3所示。该人及物追踪模型有m个人及物追踪请求，各人及物追踪请求独立互不干扰。

追踪分析处理器主要完成对人及物追踪请求进行分析处理，并将分析处理后的相关信息转发给相应的追踪分析结果。在各人及物追踪请求信息采集汇总后，人及物追踪分析功能实现逻辑结构如图4所示，逻辑结构包含三个部分：人及物追踪请求或追踪分析结果接收、以多维空间多特征选择分类及组合训练学习分析人及物追踪请求、追踪分析结果输出。其中，各人及物追踪请求信息主要包含：追踪时延L、准确率C。通过分析人及物追踪请求实现多维空间多特征选择分类及组合训练学习策略并给出追踪分析结果。

如图5示出了基于智能边缘云的人及物追踪方法中深度分析的流程示意图，其基于智能边缘云的人及物追踪算法进行深度分析，采用实时主动兼被动收集人及物追踪请求信息并实时分析，经横向多特征组合、纵向单一特征连续变化状态组合原理，请求在输入后经过明显区别性特征增强因子、记忆增强因子、多特征分类及组合训练策略分析后输出相应追踪分析结果，明显优化追踪时延L、准确率C等方面指标。

具体的，针对图5的深度分析的完整、详细的执行流程如图6所示。对人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果，包括：

步骤S1，设置迭代初始参数和最大迭代次数；

步骤S2，对人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

步骤S3，判断当前的追踪分析结果是否满足深度分析评价条件，如果满足，则转到步骤S5；如果不满足，则转到步骤S4；

步骤S4，将迭代次数加1，重复步骤S2和步骤S3，直到满足加速优化分析评价条件或达到最大迭代次数；

步骤S5，将满足深度分析评价条件的追踪分析结果输出。

作为示例，基于智能边缘云的人及物追踪方法的具体流程说明如下：

步骤1)各人及物追踪请求信息采集并汇总。

通过每隔预置时间主动上报和/或定期被询问机制，获取各人及物追踪请求，并将这些信息进行汇总。人及物追踪请求的信息包括待追踪人及物的至少一个特征，以人为例，特征可以为表情、眼部、耳廓等中的至少一个；以车为例，特征可以为音频、胎噪和擦痕等中的至少一个。特征存储模型如图7所示。

步骤2)设置迭代初始参数和最大迭代次数。

迭代初始参数可以根据应用场景进行灵活设置。例如，设置当前迭代数k为1，迭代最大代数d为50。

步骤3)当前迭代次数加1。

当前迭代次数增加1次，也即k+1，其中k≤d。

步骤4)以多维空间多特征选择分类及组合训练学习策略分析人及物追踪请求，获得追踪分析结果。

如图8A和图8B所示为多特征选择分类及组合训练学习原理：将人及物追踪感知设备(警用摄像设备11、手机摄像设备12、警用无人机摄像头13、摄像设备定位器14等)获取的特征(表情、眼部、耳廓、胎噪、音频、擦痕等)逐个纳入到分类及训练器中，分类及训练器中的每个特征经历分类及组合权值训练后分析。

深度分析模型如图9所示。每次迭代中的多维空间多特征选择分类及组合训练学习分析思想为:在1,2，…h多维空间中，多个深度分析方案根据多维空间多特征1,2，…w选择分类及组合训练学习策略方式向最优优化方案确定的方向迁移，也即图9中实线圆球所在位置。当人及物追踪到达深度分析模型后，各请求被分析成相应的深度分析结果。该深度分析思想是对各人及物追踪请求信息进行判断和分析，各人及物追踪请求具有不同优先等级。若到来的人及物追踪请求被延迟则被赋予当前较高分析调度优先权。

以多维空间多特征选择分类及组合训练学习策略分析人及物追踪请求。最优似然估计优化函数为：

其中，式(1-1)至式(1-3)中：i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

即η为1和w之间的一个随机数；为w个特征点的误检度，误检度根据历史检测结果计算得到，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值可以设置为默认值；为当前第k次准确率，为第k次信息向量，M_ijt ^k主要包含：两方面的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，当特征点的相似度越低则越要较大的增强因子，

采用最优似然估计优化函数进行深度分析，具有低时延、高准确率的优点。该步骤结合多维空间多特征选择分类及组合训练策略学习分析思想，基于多维空间、多特征分类、组合训练、概率论、生物学、运筹学、智能优化、机器学习等理论优势的深度分析得到结果。

步骤5)各人及物追踪请求的初始追踪分析结果获取汇总。

将步骤4)中各人及物追踪请求的初始追踪分析结果获取汇总。

步骤6)判断追踪分析结果是否满足深度分析评价条件。

根据多维空间、多特征分类、组合训练、概率论、生物学、运筹学、智能优化、机器学习等理论的深度优化分析评价条件即联合评价函数进行判断。当不满足深度分析评价条件时应继续进行迭代。联合评价函数为：

其中：ε∈(0,1)。

当满足深度分析评价条件时，则当前追踪分析结果即最终的人及物追踪请求的追踪分析结果，结束；当不满足深度分析评价条件时，应继续进行迭代，继续后续步骤8)及其以后的步骤。

步骤8)当前迭代次数加1。

当前迭代次数增加1次，也即k+1，其中k≤d。

步骤9)以多维空间多特征选择分类及组合训练学习策略分析人及物追踪请求信息。

基于式(1-1)至式(1-3)以及以下公式，以多维空间多特征选择分类及组合训练学习策略分析人及物追踪请求信息。

式(1-5)至式(1-7)中的k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率，使得此算法更易跳出局部最优。

步骤10)各人及物追踪请求初始结果获取汇总

每隔预置时间主动上报和定期被询问机制获取各人及物追踪请求，并将这些信息进行汇总。

步骤11)满足当前迭代次数大于最大迭代次数。

根据当前迭代次数大于最大迭代次数评价条件进行判断，当不满足时跳转到步骤6)继续进行迭代，满足时结束流程。

在上述深度分析的过程中，当评价函数不被满足时，即触动基于智能边缘云的人及物追踪算法，以多维空间多特征选择分类及组合训练策略学习进行优化。

相应的，对于特征分析处理器51，如图10所示，本实施例还提供一种基于智能边缘云的人及物追踪装置，包括请求获取模块61、深度分析模块62、提供模块63，其中：

获取模块61，用于采集并汇总各人及物追踪请求的信息，人及物追踪请求的信息包括待追踪人及物的至少一个特征；

深度分析模块62，用于对人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

提供模块63，用于将满足深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

其中，深度分析模块62包括参数设置单元、深度学习单元、判断单元和输出单元，其中：

参数设置单元，用于设置迭代初始参数和最大迭代次数；

深度学习单元，用于对人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

判断单元，用于判断当前的追踪分析结果是否满足深度分析评价条件，如果满足，则将追踪分析结果传输到输出单元；如果不满足，则将追踪分析结果传输到深度学习单元进行新一次迭代及深度分析；

输出单元，用于将满足深度分析评价条件的追踪分析结果输出。

进一步的，深度学习单元包括分类及组合元、模型建立元和分析元，其中：

分类及组合元，用于对特征进行分类及组合；

模型建立元，用于建立或更新深度分析模型；

分析元，采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

即η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

以及，k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率。

判断单元中：采用联合评价函数进行判断，联合评价函数为：

其中：ε∈(0,1)。

本发明的基于智能边缘云的人及物追踪方法、基于智能边缘云的人及物追踪装置及基于智能边缘云的人及物追踪系统，结合多维空间多特征选择分类及组合训练策略学习思想，基于多维空间、多特征分类、组合训练、概率论、生物学、运筹学、智能优化、机器学习等理论优势；并且，结合本申请特有的基于智能边缘云的人及物追踪优化13个特有流程，将人及物追踪请求实时以基于智能边缘云的人及物追踪算法进行动态深度分析，实现追踪时延低、匹配准确率高、异构异地数据库互通的优势。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (11)

1.一种基于智能边缘云的人及物追踪方法，其特征在于，包括步骤：

采集并汇总各人及物追踪请求的信息，所述人及物追踪请求的信息包括待追踪人及物的至少一个特征；

对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

将满足所述深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

2.根据权利要求1所述的基于智能边缘云的人及物追踪方法，其特征在于，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果，包括：

步骤S1，设置迭代初始参数和最大迭代次数；

步骤S2，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

步骤S3，判断当前的所述追踪分析结果是否满足深度分析评价条件，如果满足，则转到步骤S5；如果不满足，则转到步骤S4；

步骤S4，将迭代次数加1，重复步骤S2和步骤S3，直到满足加速优化分析评价条件或达到最大迭代次数；

步骤S5，将满足所述深度分析评价条件的追踪分析结果输出。

3.根据权利要求2所述的基于智能边缘云的人及物追踪方法，其特征在于，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，包括：

对特征进行分类及组合；

建立深度分析模型；

采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

4.根据权利要求2所述的基于智能边缘云的人及物追踪方法，其特征在于，迭代次数加1后，对所述人及物追踪请求针对追踪时延、准确率进行深度分析，包括：

更新深度分析模型；

采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

以及，k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率。

5.根据权利要求3或4所述的基于智能边缘云的人及物追踪方法，其特征在于，判断当前的所述追踪分析结果是否满足深度分析评价条件，包括：采用联合评价函数进行判断，联合评价函数为：

其中：ε∈(0,1)。

6.根据权利要求1所述的基于智能边缘云的人及物追踪方法，其特征在于，采集并汇总各人及物追踪请求的信息的步骤中：通过每隔预置时间主动上报和/或定期被询问机制，获取各人及物追踪请求，并将这些信息进行汇总。

7.一种基于智能边缘云的人及物追踪装置，其特征在于，包括请求获取模块、深度分析模块、提供模块，其中：

所述获取模块，用于采集并汇总各人及物追踪请求的信息，所述人及物追踪请求的信息包括待追踪人及物的至少一个特征；

所述深度分析模块，用于对所述人及物追踪请求针对追踪时延、准确率进行深度分析，得到满足深度分析评价条件的追踪分析结果；

所述提供模块，用于将满足所述深度分析评价条件的追踪分析结果提供给人及物追踪请求发出者。

8.根据权利要求7所述的基于智能边缘云的人及物追踪装置，其特征在于，所述深度分析模块包括参数设置单元、深度学习单元、判断单元和输出单元，其中：

所述参数设置单元，用于设置迭代初始参数和最大迭代次数；

所述深度学习单元，用于对所述人及物追踪请求针对追踪时延、准确率进行深度分析，获取并汇总各追踪分析结果；

所述判断单元，用于判断当前的所述追踪分析结果是否满足深度分析评价条件，如果满足，则将追踪分析结果传输到所述输出单元；如果不满足，则将追踪分析结果传输到所述深度学习单元进行新一次迭代及深度分析；

所述输出单元，用于将满足所述深度分析评价条件的追踪分析结果输出。

9.根据权利要求8所述的基于智能边缘云的人及物追踪装置，其特征在于，所述深度学习单元包括分类及组合元、模型建立元和分析元，其中：

所述分类及组合元，用于对特征进行分类及组合；

所述模型建立元，用于建立或更新深度分析模型；

所述分析元，采用最优似然估计优化函数进行深入分析，最优似然估计优化函数为：

上述公式中i、j、t为维度，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q；

k表示第k次迭代，其中k满足k≤d，k＝1,2,…,d的条件；

α+β+…+γ＝1；α,β,…,γ∈(0,1)；α,β,…,γ为w个特征点的组合权值；

η为1和w之间的一个随机数；为w个特征点的误检度，当特征点被正确识别分类时，值为0，否则为1；mod为取余函数；

为当前第k次追踪时延，初始值设置为默认值；为当前第k次准确率，为第k次信息向量，为包括的信息向量；为第k次迭代各特征点区别性特征增强因子，为w个特征点的相似度，

以及，k+1表示第k+1次迭代，为第k+1次信息向量，为第k+1次迭代记忆增强因子，为第k+1次训练因子，L^minK为第k次最小追踪时延，L^minG为历史最小追踪时延，C^maxG为历史最大准确率。

10.根据权利要求8所述的基于智能边缘云的人及物追踪装置，其特征在于，所述判断单元中：采用联合评价函数进行判断，联合评价函数为：

其中：ε∈(0,1)。

11.一种基于智能边缘云的人及物追踪系统，其特征在于，包括人及物追踪感知层、运营商基站边缘网络传输层、人及物追踪边缘网关接入层、人及物追踪边缘数据中心层和人及物追踪特征中心分析层，其中：

所述人及物追踪感知层，包含多个人及物追踪感知设备，用于实现所述人及物追踪感知设备的特征数据采集及定位控制，所述人及物追踪感知设备包括：警用摄像设备、手机摄像设备、警用无人机摄像头、摄像设备定位器中的至少一种；

所述运营商基站边缘网络传输层，用于运营商基站和卫星网络的接入及传输，包含运营商基站、通信卫星中的至少一种；

所述人及物追踪边缘网关接入层，由多个追踪边缘网关组成，用于实现来自运营商边缘网络、卫星网络的接入；

所述人及物追踪边缘数据中心层，用于实现对来自所述人及物追踪感知设备的人及物追踪请求，包括多个追踪边缘服务器；

所述人及物追踪特征中心分析层，用于对人及物追踪请求信息的处理，处理除迁移到所述追踪边缘服务器外的组合特征分析追踪服务的核心处理，包括多个特征分析处理器和异构异地特征分析数据库集群；

其中，所述特征分析处理器为权利要求7-10任一项所述的基于智能边缘云的人及物追踪装置。