CN109508657A - 人群聚集分析方法、系统、计算机可读存储介质及设备 - Google Patents
人群聚集分析方法、系统、计算机可读存储介质及设备 Download PDFInfo
- Publication number
- CN109508657A CN109508657A CN201811269882.6A CN201811269882A CN109508657A CN 109508657 A CN109508657 A CN 109508657A CN 201811269882 A CN201811269882 A CN 201811269882A CN 109508657 A CN109508657 A CN 109508657A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- group
- module
- image
- analysis method
- 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.)
- Granted
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人群聚集分析方法,该分析方法包括以下步骤:标记感兴趣区域;对所述感兴趣区域进行图像采集;对感兴趣区域的图像进行行人检测并提取行人图像;根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;计算每个行人的方位信息;通过所述每个行人的方位信息得到每个行人的群体归属关系。本发明首先通过行人识别来分析得到行人的方位信息,然后通过跟踪行人和群体之间亲密程度的变化,判断出行人的群体归属,最终成功的识别出每个小群体。
Description
技术领域
本发明涉及行人识别领域,具体涉及一种基于行人跟踪的人群聚集分析方法、系统、计算机可读存储介质及设备。
背景技术
随着摄像机普及,人群聚集分析的图像处理技术也逐渐应用在商场、商铺等场景中,能帮助店家更方便的识别热门/冷门区域,进而有助于管理者实现精准营销、货架优化、商铺租金动态调整、智能安防等行为。
现在以热力图为代表的人群聚集分析技术,着重于通过大范围的人群聚集情况监控,实现人流密度的宏观统计。这种技术将人群所有人视为一致,没有考虑到个体之间的差异性。作为非量化的粗颗粒统计,仅能为拥堵事件报警、商场热度/货柜热度分析等提供初步参考。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种人群聚集分析方法、系统、计算机可读存储介质及设备,以解决现有技术中没有考滤到个体之间的差异性问题。
为实现上述目的及其他相关目的,本发明提供一种人群聚集分析方法,该分析方法包括以下步骤:
标记感兴趣区域;
对所述感兴趣区域进行图像采集;
对感兴趣区域的图像进行行人检测并提取行人图像;
根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;
计算每个行人的方位信息;
通过所述每个行人的方位信息得到每个行人的群体归属关系。
可选地,该分析方法还包括根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息。
可选地,所述计算每个行人的方位信息,具体包括:
选取头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
取该行人在t-T时刻的画面,同样求得t-T时刻的形心St-T;
求从St-T指向St的向量 的长度表示行人在这段时间内的移动距离,的方向表示行人的移动方向,表示行人的移动速度。
可选地,所述通过所述每个行人的方位信息和历史群归属关系得到每个行人的群体归属关系,具体包括:
计算行人A与群体G1的亲密度LAG1;
计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;
根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;若dAG1≤D,则LAG1=LAG1+1,若dAG1>D,则LAG1=LAG1-1;
根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
为实现上述目的及其他相关目的,本发明还提供一种人群聚集分析系统,该分析系统包括:
标记模块,用于标记感兴趣区域;
图像采集模块,用于对所述感兴趣区域进行图像采集;
行人检测模块,用于对感兴趣区域的图像进行行人检测并提取行人图像;
行人识别模块,用于根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;
群体识别模块,用于通过所述每个行人的方位信息得到每个行人的群体归属关系;
所述行人识别模块还用于计算每个行人的方位信息。
可选地,用于根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息。
可选地,所述行人识别模块包括:
第一计算模块,用于选取头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
第二计算模块,用于计算t-T时刻的形心St-T;
第三计算模块,用于计算行人求从St-T指向St的向量 的长度表示行人在这段时间内的移动距离,的方向表示行人的移动方向,表示行人的移动速度。
可选地,所述群体识别模块包括:
第四计算模块,用于计算行人A与群体G1的亲密度LAG1;
第五计算模块,用于计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;
第一判断模块,用于根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;若dAG1≤D,则LAG1=LAG1+1,若dAG1>D,则LAG1=LAG1-1;
第二判断模块,用于根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
为实现上述目的及其他相关目的,本发明还提供一种计算机可读存储介质,存储计算机程序,所述计算机程序被处理器运行时执行人群聚集分析方法。
为实现上述目的及其他相关目的,本发明还提供一种设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行人群聚集分析方法。
如上所述,本发明的一种人群聚集分析方法、系统、计算机可读存储介质及设备,具有以下有益效果:
本发明所述的一种基于行人跟踪的人群聚集分析方法及系统,首先通过行人识别来分析得到行人的方位信息,然后通过跟踪行人和群体之间亲密程度的变化,判断出行人的群体归属,最终成功的识别出每个小群体。
本发明突破了传统人群聚集分析方法和系统中只能进行宏观统计、不能识别到个体的局限性,通过结合人脸识别、人体识别等行人识别算法,能够标记行人并进而能够对行人之间的联系进行精细化分析;另一方面,本发发明通过计算行人和群体之间的亲密程度,能够实时动态的分析出小群体的聚集情况,突破了传统人群聚集分析方法和系统中不能识别小群体的局限性。
附图说明
图1为本发明所述的一种人群聚集分析方法流程图;
图2为行为识别算法的流程图;
图3为行为识别算法的一种实现方式示意图;
图4为群体识别算法的流程图;
图5为行人与群体亲密度计算的一种实现方式示意图;
图6为本发明所述的一种人群聚集分析系统的框图;
图7为行人识别模块的框图;
图8为群体识别模块的框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
根据图1所示,一种人群聚集分析方法,具本包括以下步骤:
S1标记感兴趣区域;
用户根据经验或业务需要,来对系统标记感兴趣区域,例如过道、货架前等。系统的后续计算只会分析出现在视频中感兴趣区域的图像。
S2对所述感兴趣区域进行图像采集;
S3对感兴趣区域的图像进行行人检测并提取行人图像;
具体地,采用行人检测算法对感兴趣区域的图像进行行人检测,行人检测算法包括但不限于移动侦测算法。
S4根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;
具体地,通过一定的行人识别算法来识别出该行人是否在行人库中,当在行人库中检索不到该行人时,将在行人库中为该行人建立ID。
所述行人库包含了每个行人的ID编号、人脸特征、人体特征、行人属性、行人方位信息、行人的群归属,用于标记和记录不同的行人个体。行人属性包括性别、年龄、服饰等有助于行人识别的信息,而不同的行人识别算法需要不同的行人属性。
于本实施例中,行人识别算法包括但不限于人脸识别算法、人体识别算法。
S5将通过一定的行为识别算法,分析得到每个行人的方位信息。
如图2所示,行为识别算法的其中一种实现方式如下:
S51选取头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
S52取该行人在t-T时刻的画面,同样求得t-T时刻的形心St-T;
S53求从St-T指向St的向量向量则表示该行人在前面T时刻内的移动情况,如图3所示,的长度表示行人在这段时间内的移动距离,的方向表示行人的移动方向,表示行人的移动速度。
S6根据所述每个行人的方位信息得到每个行人的群体归属关系。具体通过一定的群体识别算法识别每个行人的群体归属关系。如图4所示,群体识别算法包括以下步骤:
S61计算行人A与群体G1的亲密度LAG1;其中,LAG1初始化为0,并且LAG1的取值范围为:LAG1∈[0,Lmax],Lmax是人为设定的上限阈值。
S62计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;其中,dAG1表示A与群体G1的靠近程度,如图5所示;
记用户设定的亲密度阈值为D,则当dAG1≤D时,系统认为行人A与群体G1之间发生了一次亲密接触事件,否则认为A与G1之间发生了一次分离事件。
S63根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;具体通过以下公式实现:
S64根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
重复步骤S61~S64过程,直到分析完所有人和所有群体的归属关系。
于一实施例中,该分析方法还包括步骤S7,根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息。
具体地,首先,结合所述群体归属关系,系统识别出群体成员是否新增、减少,以及群体是否新增、取消,然后根据群体更新策略在群体库中做出相应更新变动。另一方面,更新每个个体的群组归属信息。
所述群体库包含了群体ID编号、群体方位信息、群体成员、群体成员的方位信息,用于标记和记录不同的群体。每个群体有一个群主,其余成员是普通成员。群主的一种实现方式是:指定当前群体成员中最早加入的成员为群主。
群体更新策略的其中一种实现方式为:
当有新增成员时,群体信息进行更新;
当新增成员原先是独立个体时,则该独立个体原有的群解散;
当群主离开时,若剩下的成员不足2人,则该群解散,否则该群按照预置的规则指定新群主;
当成员离开时,若该成员成为独立个体,即不属于任何群,则为该成员建立新群。
S8根据循环结束条件,判断是否继续对视频的下一帧图像进行分析。
本发明所述的一种人群聚集分析方法,首先通过行人识别来分析得到行人的方位信息,然后通过跟踪行人和群体之间亲密程度的变化,判断出行人的群体归属,最终成功的识别出每个小群体。
如图6所示,一种人群聚集分析系统,包括标记模块1、行人库5、群体库4、图像采集模块6、行人检测模块3、行人识别模块2、群体识别模块7和群体维护模块8。
所述行人库包含了每个行人的ID编号、人脸特征、人体特征、行人属性、行人方位信息、行人的群归属,用于标记和记录不同的行人个体。行人属性包括性别、年龄、服饰等有助于行人识别的信息,而不同的行人识别算法需要不同的行人属性。
所述群体库包含了群体ID编号、群体方位信息、群体成员、群体成员的方位信息,用于标记和记录不同的群体。每个群体有一个群主,其余成员是普通成员。群主的一种实现方式是:指定当前群体成员中最早加入的成员为群主。
所述标记模块,用于标记感兴趣区域。
用户根据经验或业务需要,来对系统标记感兴趣区域,例如过道、货架前等。系统的后续计算只会分析出现在视频中感兴趣区域的图像。
所述图像采集模块,用于对所述感兴趣区域进行图像采集。
所述行人检测模块,用于对感兴趣区域的图像进行行人检测并提取行人图像。
具体地,采用行人检测算法对感兴趣区域的图像进行行人检测,行人检测算法包括但不限于移动侦测算法。
所述行人识别模块,用于根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中。
具体地,行人识别模块通过一定的行人识别算法来识别出该行人是否在行人库中,当在行人库中检索不到该行人时,将在行人库中为该行人建立ID。
于本实施例中,行人识别算法包括但不限于人脸识别算法、人体识别算法。
如图7所示,所述行人识别模块,还用于计算每个行人的方位信息。具体地,行人识别模块包括第一计算模块21、第二计算模块22和第三计算模块23;
所述第一计算模块用于选取头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
所述第二计算模块,用于取该行人在t-T时刻的画面,同样求得t-T时刻的形心St-T;
所述第三计算模块,用于在统一的坐标系中,从St-T指向St的的向量则表示了该行人在前面T时刻内的移动情况,的长度表示了该行人在这段时间内的移动距离,的方向表示了该行人的移动方向,而表示了该行人的移动速度。
如图8所示,所述群体识别模块,用于通过所述每个行人的方位信息得到每个行人的群体归属关系。所述群体识别模块包括第四计算模块71、第五计算模块72、第一判断模块73和第二判断模块74。
所述第四计算模块,用于计算行人A与群体G1的亲密度LAG1;其中,LAG1初始化为0,并且LAG1的取值范围为:LAG1∈[0,Lmax],Lmax是人为设定的上限阈值。
所述第五计算模块,用于计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;其中,dAG1表示A与群体G1的靠近程度;
记用户设定的亲密度阈值为D,则当dAG1≤D时,系统认为行人A与群体G1之间发生了一次亲密接触事件,否则认为A与G1之间发生了一次分离事件。
第一判断模块,用于根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;具体通过以下公式实现:
所述第二判断模块,用于根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
所述群体维护模块,用于根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息,包括群体的创建、变更和注销。
群体维护模块结合群体归属关系,识别出群体成员是否新增、减少,以及群体是否新增、取消,然后根据群体更新策略在群体库中做出相应更新变动。另一方面,更新每个个体的群组归属信息。
1)群体更新策略的其中一种实现方式为:
2)当有新增成员时,群体信息进行更新;
3)当新增成员原先是独立个体时,则该独立个体原有的群解散;
4)当群主离开时,若剩下的成员不足2人,则该群解散,否则该群按照预置的规则指定新群主;
5)当成员离开时,若该成员成为独立个体,即不属于任何群,则为该成员建立新群。
本发明突破了传统人群聚集分析方法和系统中只能进行宏观统计、不能识别到个体的局限性,通过结合人脸识别、人体识别等行人识别算法,能够标记行人并进而能够对行人之间的联系进行精细化分析;另一方面,本发明通过计算行人和群体之间的亲密程度,能够实时动态的分析出小群体的聚集情况,突破了传统人群聚集分析方法和系统中不能识别小群体的局限性。
本发明还提供一种计算机可读存储介质,存储计算机程序,所述计算机程序被处理器运行时执行人群聚集分析方法。
本发明还提供一种设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行人群聚集分析方法。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种人群聚集分析方法,其特征在于,该分析方法包括以下步骤:
标记感兴趣区域;
对所述感兴趣区域进行图像采集;
对感兴趣区域的图像进行行人检测并提取行人图像;
根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;
计算每个行人的方位信息;
通过所述每个行人的方位信息得到每个行人的群体归属关系。
2.根据权利要求1所述的一种人群聚集分析方法,其特征在于,该分析方法还包括根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息。
3.根据权利要求1所述的一种人群聚集分析方法,其特征在于,所述计算每个行人的方位信息,具体包括:
选取行人头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
取该行人在t-T时刻的图像画面,同样求得t-T时刻的形心St-T;
求从St-T指向St的向量 的长度表示行人在这段时间内的移动距离,的方向表示行人的移动方向,表示行人的移动速度。
4.根据权利要求1所述的一种人群聚集分析方法,其特征在于,所述通过所述每个行人的方位信息和历史群归属关系得到每个行人的群体归属关系,具体包括:
计算行人A与群体G1的亲密度LAG1;
计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;
根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;若dAG1≤D,则LAG1=LAG1+1,若dAG1>D,则LAG1=LAG1-1;
根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
5.一种人群聚集分析系统,其特征在于,该分析系统包括:
标记模块,用于标记感兴趣区域;
图像采集模块,用于对所述感兴趣区域进行图像采集;
行人检测模块,用于对感兴趣区域的图像进行行人检测并提取行人图像;
行人识别模块,用于根据所述行人图像对行人进行识别并将新识别的行人添加到行人库中;
群体识别模块,用于通过所述每个行人的方位信息得到每个行人的群体归属关系;
所述行人识别模块还用于计算每个行人的方位信息。
6.根据权利要求5所述的一种人群聚集分析系统,其特征在于,该分析系统还包括群体维护模块,用于根据所述群体归属关系以及群体更新策略更新每个个体的群体归属信息。
7.根据权利要求5所述的一种人群聚集分析系统,其特征在于,所述行人识别模块包括:
第一计算模块,用于选取头部外轮廓的所有点,求取形心St,St的坐标即当前时刻该行人的位置;
第二计算模块,用于计算t-T时刻的形心St-T;
第三计算模块,用于计算行人求从St-T指向St的向量 的长度表示行人在这段时间内的移动距离,的方向表示行人的移动方向,表示行人的移动速度。
8.根据权利要求5所述的一种人群聚集分析系统,其特征在于,所述群体识别模块包括:
第四计算模块,用于计算行人A与群体G1的亲密度LAG1;
第五计算模块,用于计算行人A与群体G1中的每个群体成员的头部外轮廓形心距离,并记其中最小的形心距离为dAG1;
第一判断模块,用于根据所述dAG1与亲密度阈值D更新行人A与群体G1的亲密度LAG1;若dAG1≤D,则LAG1=LAG1+1,若dAG1>D,则LAG1=LAG1-1;
第二判断模块,用于根据亲密度LAG1判断行人A是否归属于群体G1,若LAG1>L1,则行人A属于群体G1,若LAG1<L2,则行人A不属于群体G1,若L2<LAG1<L1,则行人A维持原有归属关系;L1和L2为群体归属阈值。
9.一种计算机可读存储介质,存储计算机程序,其特征在于,所述计算机程序被处理器运行时执行如权利要求1~4任意一项所述的人群聚集分析方法。
10.一种设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器存储的计算机程序,以使所述设备执行如权利要求1~4任意一项所述的人群聚集分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269882.6A CN109508657B (zh) | 2018-10-29 | 2018-10-29 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269882.6A CN109508657B (zh) | 2018-10-29 | 2018-10-29 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508657A true CN109508657A (zh) | 2019-03-22 |
CN109508657B CN109508657B (zh) | 2022-04-26 |
Family
ID=65746971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811269882.6A Active CN109508657B (zh) | 2018-10-29 | 2018-10-29 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508657B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110459027A (zh) * | 2019-08-15 | 2019-11-15 | 青岛文达通科技股份有限公司 | 一种基于多源异构数据融合的社区安全防护方法及系统 |
CN110738650A (zh) * | 2019-10-16 | 2020-01-31 | 厦门大学 | 一种传染病感染识别方法、终端设备及存储介质 |
CN111862521A (zh) * | 2019-04-28 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 行为热力图生成及报警方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
CN107423480A (zh) * | 2017-05-19 | 2017-12-01 | 山东师范大学 | 一种人群运动仿真方法及系统 |
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN108133185A (zh) * | 2017-12-21 | 2018-06-08 | 山东师范大学 | 基于轨迹数据判断行人关系的方法和系统 |
-
2018
- 2018-10-29 CN CN201811269882.6A patent/CN109508657B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
CN107423480A (zh) * | 2017-05-19 | 2017-12-01 | 山东师范大学 | 一种人群运动仿真方法及系统 |
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN108133185A (zh) * | 2017-12-21 | 2018-06-08 | 山东师范大学 | 基于轨迹数据判断行人关系的方法和系统 |
Non-Patent Citations (3)
Title |
---|
CLARK MCPHAIL: ""Using Film to Analyze Pedestrian Behavior"", 《SOCIALOGICAL METHED&RESEARCH》 * |
王莉娜: ""面向密集人群的运动分类与跟踪算法"", 《科学技术与工程》 * |
郭秀杰: ""基于Kinect的人流量统计系统研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862521A (zh) * | 2019-04-28 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 行为热力图生成及报警方法、装置、电子设备及存储介质 |
CN110459027A (zh) * | 2019-08-15 | 2019-11-15 | 青岛文达通科技股份有限公司 | 一种基于多源异构数据融合的社区安全防护方法及系统 |
CN110738650A (zh) * | 2019-10-16 | 2020-01-31 | 厦门大学 | 一种传染病感染识别方法、终端设备及存储介质 |
CN110738650B (zh) * | 2019-10-16 | 2022-06-21 | 厦门大学 | 一种传染病感染识别方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109508657B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pantic et al. | Dynamics of facial expression: recognition of facial actions and their temporal segments from face profile image sequences | |
CN102194131B (zh) | 基于五官几何比例特征的快速人脸识别方法 | |
WO2015131734A1 (zh) | 一种前视监视场景下的行人计数方法、装置和存储介质 | |
CN105975932B (zh) | 基于时间序列shapelet的步态识别分类方法 | |
CN107230267B (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN110532970A (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
CN109508657A (zh) | 人群聚集分析方法、系统、计算机可读存储介质及设备 | |
CN111597955A (zh) | 基于深度学习的表情情绪识别的智能家居控制方法及装置 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
Rabiee et al. | Crowd behavior representation: an attribute-based approach | |
McKenna et al. | Summarising contextual activity and detecting unusual inactivity in a supportive home environment | |
CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
CN105095867A (zh) | 基于深度学习的快速动态人脸提取、识别方法 | |
CN111353338A (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN113935358A (zh) | 一种行人追踪方法、设备和存储介质 | |
CN111699512A (zh) | 异常场景检测系统和方法 | |
CN106611158A (zh) | 人体3d特征信息的获取方法及设备 | |
Sheeba et al. | Hybrid features-enabled dragon deep belief neural network for activity recognition | |
CN109934852B (zh) | 一种基于对象属性关系图的视频描述方法 | |
Jiang et al. | Human motion segmentation and recognition using machine vision for mechanical assembly operation | |
CN109146913A (zh) | 一种人脸跟踪方法及装置 | |
CN108288040A (zh) | 基于面部轮廓的多参数人脸识别系统 | |
Djeraba et al. | Multi-modal user interactions in controlled environments | |
Adireddi et al. | Detection of eye blink using svm classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 401122 5 stories, Block 106, West Jinkai Avenue, Yubei District, Chongqing Applicant after: Chongqing Zhongke Yuncong Technology Co., Ltd. Address before: 401122 5 stories, Block 106, West Jinkai Avenue, Yubei District, Chongqing Applicant before: CHONGQING ZHONGKE YUNCONG TECHNOLOGY CO., LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |