CN110110690A - 一种目标行人追踪方法、装置、设备及存储介质 - Google Patents
一种目标行人追踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110110690A CN110110690A CN201910405919.1A CN201910405919A CN110110690A CN 110110690 A CN110110690 A CN 110110690A CN 201910405919 A CN201910405919 A CN 201910405919A CN 110110690 A CN110110690 A CN 110110690A
- Authority
- CN
- China
- Prior art keywords
- target pedestrian
- pedestrian
- neural network
- code information
- feature code
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标行人追踪方法,该方法包括:在单行人出入口的图像采集区采集目标行人对应的数据信息;将目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长;根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息;根据目标行人对应的终端特征码信息,确定目标行人是否为待追踪人员。应用本发明实施例所提供的技术方案,实现了对单行人出入口的行人准确定位,提高了行人追踪准确性。本发明还公开了一种目标行人追踪装置、设备及存储介质,具有相应技术效果。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种目标行人追踪方法、装置、设备及存储介质。
背景技术
随着智慧城市建设步伐的不断加快,平安社区建设的不断推进,各种视频监控数据的数据量不断增大。当有案件发生时,公安系统需要查看视频监控数据以对目标进行追踪。
目前,多是通过视频监控数据查看行人的外貌、衣着等特征,根据这些特征确定是否为待追踪人员。如果不同行人的外貌、衣着特征相似,则将会增加案件侦查难度,无法准确进行行人追踪。
综上所述,如何准确进行行人追踪,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种目标行人追踪方法、装置、设备及存储介质,以提高行人追踪准确性。
为解决上述技术问题,本发明提供如下技术方案:
一种目标行人追踪方法,包括:
在单行人出入口的图像采集区采集目标行人对应的数据信息;
将所述目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测所述目标行人从所述图像采集区到达关联的电子围栏采集区的步行时长,在所述单行人出入口的步行方向上,所述电子围栏采集区位于所述图像采集区之前,间隔设定的距离;
根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息;
根据所述目标行人对应的终端特征码信息,确定所述目标行人是否为待追踪人员。
在本发明的一种具体实施方式中,通过以下步骤预先获得所述时间预测神经网络:
获得在多个所述单行人出入口采集到的历史行人数据集;
基于所述历史行人数据集,确定训练样本集和测试样本集,所述训练样本集和所述测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
使用所述训练样本集对预先建立的初始神经网络进行训练,基于所述训练样本集的每条样本数据对应的输出时长与实际步行时长,调整所述初始神经网络的网络参数;
使用所述测试样本集对训练后的所述初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行所述使用所述训练样本集对预先建立的初始神经网络进行训练的步骤,直至测试结果满足所述预设要求或者达到预设的最大迭代次数,获得所述时间预测神经网络。
在本发明的一种具体实施方式中,在所述使用所述训练样本集对预先建立的初始神经网络进行训练之前,还包括:
利用自适应混沌萤火虫算法,确定所述初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,所述利用自适应混沌萤火虫算法,确定所述初始神经网络的最优权值和阈值,包括:
对所述初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体;
确定萤火虫初始种群数量和位置信息,进行混沌初始化处理;
计算萤火虫适应度函数值;
基于所述萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度;
根据萤火虫的相对亮度值,确定最亮萤火虫位置;
计算自适应惯性权重;
基于所述自适应惯性权重,更新萤火虫的位置;
判断当前是否达到最大迭代次数,如果否,则重复执行所述计算萤火虫的荧光亮度和吸引度的步骤,否则,获取所述初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息,包括:
根据预测得到的所述步行时长,确定所述目标行人从所述图像采集区到达关联的电子围栏采集区的到达时刻;
在所述电子围栏采集区采集到的终端特征码信息中,查找所述到达时刻对应的终端特征码信息;
将查找到的终端特征码信息确定为所述目标行人对应的终端特征码信息。
在本发明的一种具体实施方式中,在所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息之前,还包括:
获得多个其他所述单行人出入口处所述目标行人对应的数据信息;
针对每个其他所述单行人出入口,将该单行人出入口处所述目标行人对应的数据信息输入到所述时间预测神经网络中,预测所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长;
根据该步行时长,确定所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻;
在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息;
相应的,所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息,包括:
针对每个所述单行人出入口,获得该单行人出入口处所述目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息;
将出现次数最多的终端特征码信息确定为所述目标行人对应的终端特征码信息。
一种目标行人追踪装置,包括:
数据信息采集模块,用于在单行人出入口的图像采集区采集目标行人对应的数据信息;
步行时长预测模块,用于将所述目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测所述目标行人从所述图像采集区到达关联的电子围栏采集区的步行时长,在所述单行人出入口的步行方向上,所述电子围栏采集区位于所述图像采集区之前,间隔设定的距离;
终端特征匹配模块,用于根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息;
追踪确定模块,用于根据所述目标行人对应的终端特征码信息,确定所述目标行人是否为待追踪人员。
在本发明的一种具体实施方式中,还包括神经网络获得模块,用于通过以下步骤预先获得所述时间预测神经网络:
获得在多个所述单行人出入口采集到的历史行人数据集;
基于所述历史行人数据集,确定训练样本集和测试样本集,所述训练样本集和所述测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
使用所述训练样本集对预先建立的初始神经网络进行训练,基于所述训练样本集的每条样本数据对应的输出时长与实际步行时长,调整所述初始神经网络的网络参数;
使用所述测试样本集对训练后的所述初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行所述使用所述训练样本集对预先建立的初始神经网络进行训练的步骤,直至测试结果满足所述预设要求或者达到预设的最大迭代次数,获得所述时间预测神经网络。
在本发明的一种具体实施方式中,所述神经网络获得模块,还用于:
在所述使用所述训练样本集对预先建立的初始神经网络进行训练之前,利用自适应混沌萤火虫算法,确定所述初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,所述神经网络获得模块,具体用于:
对所述初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体;
确定萤火虫初始种群数量和位置信息,进行混沌初始化处理;
计算萤火虫适应度函数值;
基于所述萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度;
根据萤火虫的相对亮度值,确定最亮萤火虫位置;
计算自适应惯性权重;
基于所述自适应惯性权重,更新萤火虫的位置;
判断当前是否达到最大迭代次数,如果否,则重复执行所述计算萤火虫的荧光亮度和吸引度的步骤,否则,获取所述初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,所述终端特征匹配模块,具体用于:
根据预测得到的所述步行时长,确定所述目标行人从所述图像采集区到达关联的电子围栏采集区的到达时刻;
在所述电子围栏采集区采集到的终端特征码信息中,查找所述到达时刻对应的终端特征码信息;
将查找到的终端特征码信息确定为所述目标行人对应的终端特征码信息。
在本发明的一种具体实施方式中,还包括终端特征查找模块,用于:
在所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息之前,获得多个其他所述单行人出入口处所述目标行人对应的数据信息;
针对每个其他所述单行人出入口,将该单行人出入口处所述目标行人对应的数据信息输入到所述时间预测神经网络中,预测所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长;
根据该步行时长,确定所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻;
在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息;
相应的,所述终端特征匹配模块,具体用于:
针对每个所述单行人出入口,获得该单行人出入口处所述目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息;
将出现次数最多的终端特征码信息确定为所述目标行人对应的终端特征码信息。
一种目标行人追踪设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一项所述目标行人追踪方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现上述任一项所述目标行人追踪方法的步骤。
应用本发明实施例所提供的技术方案,预先获得时间预测神经网络,在单行人出入口的图像采集区采集到目标行人对应的数据信息后,将目标行人对应的数据信息输入到时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长,根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息,并进一步确定目标行人是否为待追踪人员。实现人码合一,实现单行人出入口的行人准确定位,提高行人追踪准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,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为本发明实施例中一种目标行人追踪方法的实施流程图;
图2为本发明实施例中单行人出入口设置情况示意图;
图3为本发明实施例中建立的初始神经网络的示意图;
图4为本发明实施例中一种目标行人追踪装置的结构示意图;
图5为本发明实施例中一种目标行人追踪设备的结构示意图。
具体实施方式
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一种目标行人追踪方法的实施流程图,该方法可以包括以下步骤:
S110:在单行人出入口的图像采集区采集目标行人对应的数据信息。
所谓单行人出入口,是指只允许行人(不允许骑行)单向通行的出口或者入口。在本发明实施例中,可以在单行人出入口的设定位置设置图像采集区和电子围栏采集区,在单行人出入口的步行方向上,电子围栏采集区位于图像采集区之前,间隔设定的距离。该设定的距离可以根据实际情况进行设定和调整,比如设定为17.4米。对于一个单行人出入口而言,其对应的图像采集区与电子围栏采集区相关联,行人在要通过该单行人通道时,会先经过图像采集区,再进入电子围栏采集区。本发明实施例中单行人出入口均为如上设置方式。
在实际应用中,为提高数据采集准确度,可以设定单行人出入口一次仅允许单个行人通过,即在图像采集区和电子围栏采集区均仅允许单个行人通过。或者可以设定仅在图像采集区仅允许单个行人通过,如通过闸机等限定,过了图像采集区后步行速度快的行人可能会赶上前面步行慢的行人,先到达电子围栏采集区。情景假设:进小区,甲先经过小区行人入口闸门(仅可单个行人通过),然后被摄像头采集到行人甲的数据信息,乙尾随着甲,乙接着通过小区行人入口闸门(仅可单个行人通过),然后被摄像头采集到行人乙的数据信息,而行人乙步行速度比甲快,在甲还未到达电子围栏采集区时乙就已经追过甲,则此时电子围采集区会先采集到乙的终端特征码信息,再采集到甲的终端特征码信息。
如图2所示,在上方行人通道的步行方向上,电子围栏采集区1与图像采集区2相关联,位于图像采集区2之前,在下方行人通道的步行方向上,电子围栏采集区2与图像采集区1相关联,位于图像采集区1之前。且相关联的电子围栏采集区1与图像采集区2之间的距离为D,相关联的电子围栏采集区2与图像采集区1之间的距离也为D。
在图像采集区,可以通过摄像机、摄像头或其他图像采集设备采集行人对应的数据信息。该数据信息可以包括行人的性别、年龄、身高、人群密度、人脸特征、采集时刻、采集地点等信息。
在电子围栏采集区,可以通过终端信号采集设备采集行人所持终端的终端特征码信息。终端特征码信息可以包括IMSI(International Mobile SubscriberIdentification Number,国际移动用户识别码)、IMEI(International Mobile EquipmentIdentity,国际移动设备识别码)、MAC(Media Access Control Address,媒体访问控制地址)、采集时刻、采集地点等信息;
目标行人可以是经过单行人出入口的行人中的任意一个,或者根据行人的衣着、外貌特征等确定的一个行人。
在单行人出入口的图像采集区采集到目标行人对应的数据信息后,可以继续执行步骤S120的操作。
S120:将目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长。
在单行人出入口的步行方向上,电子围栏采集区位于图像采集区之前,间隔设定的距离。
在本发明实施例中,可以预先获得时间预测神经网络。将目标行人对应的数据信息输入到该时间预测神经网络中,可以预测得到目标行人从图像采集区到达关联的电子围栏采集区的步行时长。
在本发明的一个实施例中,可以通过以下步骤预先获得时间预测神经网络:
步骤一:获得在多个单行人出入口采集到的历史行人数据集;
步骤二:基于历史行人数据集,确定训练样本集和测试样本集,训练样本集和测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
步骤三:使用训练样本集对预先建立的初始神经网络进行训练,基于训练样本集的每条样本数据对应的实际输出时长与实际步行时长,调整初始神经网络的网络参数;
步骤四:使用测试样本集对训练后的初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行步骤三的操作,直至测试结果满足预设要求或者达到预设的最大迭代次数,获得时间预测神经网络。
为便于描述,将上述四个步骤结合起来进行说明。
如前所描述的,在每个单行人出入口分别设置图像采集区和电子围栏采集区。对于任意一个单行人出入口而言,行人如果要通过该单行人出入口,会先经过图像采集区,再进入电子围栏采集区,在行人经过单行人出入口时即通过相应的图像采集区和电子围栏采集区对行人相关数据进行采集,获得在多个单行人出入口采集到的历史行人数据集。有的数据信息可以通过行人主动上报方式获得。
基于历史行人数据集,可以确定训练样本集和测试样本集。具体的,在获得历史行人数据集后,可以先对历史行人数据集中的每条行人相关数据进行预处理,如进行脏数据清除处理、缺失数据填充处理、量化处理等。经过处理的历史行人数据集中不存在脏数据和缺失数据,且每条行人相关数据包含的每个数据项均为量化后的值,量化后的值在[0,1]之间。
具体可以利用公式(1)和(2)使用拉格朗日插值法填充缺失数据:
其中,L(x)为填充的数据,xi为变量对应的位置,yi为对应位置的值。
可以利用公式(3)对每条行人相关数据的每个数据项进行归一化处理:
其中,g为归一化后的值,gi为第i个行人的性别、年龄、身高、人群密度中的一个数据项的值,min(gi)为历史行人数据集中相应数据项的最小值,max(gi)为历史行人数据集中相应数据项的最大值。
对经过处理的历史行人数据集进行划分,可以分为训练样本集和测试样本集。比如,历史行人数据集中共有1100条行人相关数据,可以将其中的1070条作为训练样本,构成训练样本集,剩余的30条作为测试样本,构成测试样本集。
训练样本集和测试样本集中均包含多条样本数据。每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长。具体的,可以是行人的性别(Gender)、年龄(Age)、身高(Height)、人群密度(Per_density)和实际步行时长(Exp_walking_time)等信息。实际步行时长也就是期望步行时长。
预先建立初始神经网络,初始神经网络可以是任意一种神经网络结构,比如可以是BP(Back Propagation,反向传播)神经网络,神经网络结构为4-3-1,如图3所示,包括输入层、隐含层和输出层。为便于描述,本发明实施例均以图3所示的BP神经网络为例进行说明。
初始神经网络的前向传送输出公式为:
其中,oj为j层单元值,wij为i、j两层之间的连接权值,oi为i层的单元值,φj为j层的阈值。
设定初始神经网络的输入变量、输出变量,初始化初始神经网络的输入节点数为m,输出节点数为n,隐含层节点数为c,迭代次数为t,i、j层之间的连接权值为wij,阈值为φj,选择激活函数。如设定初始神经网络的输入变量为性别、年龄、身高、人群密度,设定输入节点数m=4,输出变量为步行时长,输出节点数n=1,隐含层节点数c=3,迭代次数为10000,动量因子σ=0.9,学习率η=0.2,误差为0.05,i、j层之间的初始权值为w=[0.05,0.15,0.20,0.28,0.30,0.28,0.35,0.65,0.70,0.73,0.40,0.20,0.53,0.55,0.60],初始阈值为φ=[0.20,0.30,0.35,0.55],选择sigmoid函数作为激活函数。
由于隐含层节点数量对整个神经网络产生的影响较大,所以隐含层节点数的确定非常关键,可以通过以下公式进行隐含层节点数的确定:
其中,a为可调参数,a∈[1,10]。
设定激活函数为:
通过以下公式计算每一层的输出:
其中,Aj为j层的输出值。
建立初始神经网络后,可以使用训练样本集对初始神经网络进行训练。具体的,可以将训练样本集中每条样本数据的性别、年龄、身高、人群密度等信息输入到初始神经网络中,进行前向反馈,得到每条样本数据对应的输出时长。基于每条样本数据对应的输出时长与实际步行时长,调整初始神经网络的网络参数。
在本发明的一种具体实施方式中,在使用训练样本集对预先建立的初始神经网络进行训练之前,可以先利用自使用混沌萤火虫算法,确定初始神经网络的最优权值和阈值。以避免初始神经网络陷入局部最优,减少训练时间,提高网络的稳定性。
具体的,可以通过以下步骤确定初始神经网络的最优权值和阈值:
第一个步骤:对初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体;
第二个步骤:确定萤火虫初始种群数量和位置信息,进行混沌初始化处理;
第三个步骤:计算萤火虫适应度函数值;
第四个步骤:基于萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度;
第五个步骤:根据萤火虫的相对亮度值,确定最亮萤火虫位置;
第六个步骤:计算自适应惯性权重;
第七个步骤:基于自适应惯性权重,更新萤火虫的位置;
第八个步骤:判断当前是否达到最大迭代次数,如果否,则重复执行第四个步骤计算萤火虫的荧光亮度和吸引度的操作,否则,获取初始神经网络的最优权值和阈值。
为便于描述,将上述八个步骤结合起来进行说明。
建立初始神经网络后,对初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体,编码为实数编码。确定萤火虫初始种群数量和位置信息,进行混沌初始化处理。如设定萤火虫初始种群数量为30。
混沌初始化具体步骤如下:
(a)根据公式(8)将萤火虫的位置信息xj={xj1,xj2,xj3,...,xjn}映射为[0,1]之间的混沌变量yj:
(b)根据混沌变量yj的值,使用公式(9)计算得到迭代混沌变量序列
其中,yj表示混沌变量,μ表示控制参量,一般情况下,3.56≤μ≤4.0,具体可以令μ=4.0,且此时产生混沌现象。
(c)根据以下公式,将混沌变量序列通过逆映射原理得到萤火虫位置信息
进行混沌初始化处理后,可以根据公式(11)计算萤火虫适应度函数值,即将适应度函数值转化为萤火虫荧光素浓度值,适应度函数即为初始神经网络全局误差函数:
li(t)=max{(1-ρ)li(t-1)+θE(xi(t)),0} (11)
其中,li(t)为萤火虫荧光素浓度,ρ(0<ρ<1)表示荧光素挥发因子,θ(0<θ<1)表示荧光素更新率,θ(0<θ<1)为常数,具体的可以令ρ=0.3,θ=0.6,E(xi(t))表示萤火虫i所在位置对应的适应度函数值,即目标函数值。
基于萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度。
萤火虫的相对亮度值计算公式为:
其中,I表示萤火虫的相对亮度;I0表示萤火虫自身的荧光亮度,其与目标函数成正比关系,与荧光素浓度成正比关系;γ为光强吸收系数,γ为常数,具体可以令γ=1.0,Dij为萤火虫i到j之间的距离:
其中,C表示位置数据维度;xi,z表示萤火虫i的第z个位置数据分量;xj,z表示萤火虫j的第z个位置数据分量。
吸引度计算公式为:
其中,β(D)表示吸引度;β0表示最大吸引度,具体可以令β0=1.0。
根据萤火虫的相对亮度值,确定最亮萤火虫位置,即将萤火虫按相对亮度值进行比较,确定最亮萤火虫的位置。
根据以下公式计算自适应惯性权重:
其中,cmax表示最大权重,cmin表示最小权重,具体可以令cmax=0.8,cmin=0.2,t表示当前迭代次数,max Iterator表示最大迭代次数,具体可以令max Iterator=200。
基于自适应惯性权重,更新萤火虫的位置。
具体的,萤火虫i被萤火虫j吸引移动的位置更新公式为:
其中,xi(t+1)表示萤火虫i更新后的位置;xxBest(t)表示最亮的萤火虫所在的位置;DdBest表示到最亮萤火虫的距离;α(0<α<1)表示步长因子;xi(t)表示萤火虫i第t次迭代所在的位置;α×(rand-0.5)表示随机扰动参数,可以避免过早陷入局部最优解;表示在更新位置时萤火虫i和j之间的吸引度;表示在更新位置时萤火虫i和当前最亮萤火虫之间的吸引度,令α=0.1。
判断是否达到最大迭代次数,如果未达到,则重复执行计算萤火虫的相对亮度值和吸引度的步骤,否则,终止算法,获取初始神经网络的最优权值和阈值。
将获得的最优权值和阈值以及训练样本集等参数输入到初始神经网络中进行训练,利用各层节点的期望输出和实际输出,计算误差函数,用改进动量法结合自适应学习速率的方法调整网络,不断逆向修正各层之间的连接权值和阈值,即更新网络单元之间的连接权值和阈值等网络参数。
误差函数可以表示为:
其中,Ee为第e条样本数据的误差,为第e条样本数据对应的期望输出,即实际步行时长,为第e条样本数据对应的实际输出。
增加动量项的权值更新公式为:
Δwij(t+1)=σΔwij(t)+ηδiINi 0<σ<1 (18)
其中,σ为动量因子,t为迭代次数,η为学习率,具体的可以令σ=0.9,η=0.2,INi为i节点输入元素,δi为i节点的偏差。
采用增加动量项调整算法,减少了训练过程中的震荡,加快了算法收敛性。
传统BP神经网络中存在学习率难选择的问题,本发明实施例将自适应学习率的方法引入到初始神经网络中,学习率的大小在网络训练过程中会发生变化,学习率大有利于提升训练网络的速度,使误差下降,此时可继续上调学习率,但是,学习率太大会导致网络收敛过快或者发散,为保证网络稳定,不宜过大调节学习率,微调即可,直到网络训练过程稳定。
自适应学习率优化模型为:
其中,λ为常系数,0.0001<λ<0.001,具体可以令λ=0.0006,Err(t)为在t次迭代后的计算误差。
根据以下公式计算全局误差:
其中,E为总误差,N表示训练样本个数。
通过初始神经网络可以预测行人从图像采集区到进入电子围栏采集区的步行时长,部分样本数据、期望步行时长(即实际步行时长)、输出时长(即通过初始神经网络预测得到的步行时长)、样本误差(Error)如表1所示,其中样本各属性对应单位分别为:性别Gender:男或女,年龄Age:岁,身高Height:cm,人群密度Per_density:人/m2,期望步行时长Exp_walking_time:s,输出时长Pre_walking_time:s:
表1
使用训练样本集对初始神经网络进行训练,调整初始神经网络的网络参数后,可以获得训练后的初始神经网络,使用测试样本集对训练后的初始神经网络进行测试,可以判断测试结果是否满足预设要求,如果不满足,则可以重复执行训练步骤,或者获取更多的历史行人数据,扩大训练样本集对初始神经网络进行训练,直至测试结果满足预设要求或者达到预设的最大迭代次数,获得时间预测神经网络。具体的,可以通过计算全局误差,通过其是否满足预设的精度要求确定当前测试结果是否满足预设要求。
通过时间预测神经网络,可以较为准确地预测得到目标行人从图像采集区到达关联的电子围栏采集区的步行时长。
S130:根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息。
在单行人出入口的电子围栏采集区,一直处于终端特征码信息的采集状态。当预测得到目标行人从图像采集区到达关联的电子围栏采集区的步行时长时,可以根据该步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息。
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:
步骤一:根据预测得到的步行时长,确定目标行人从图像采集区到达关联的电子围栏采集区的到达时刻;
步骤二:在电子围栏采集区采集到的终端特征码信息中,查找到达时刻对应的终端特征码信息;
步骤三:将查找到的终端特征码信息确定为目标行人对应的终端特征码信息。
为便于描述,将上述三个步骤结合起来进行说明。
在本发明实施例中,在单行人出入口的图像采集区采集到的目标行人对应的数据信息可以包含采集时刻的信息,当预测得到目标行人从图像采集区到达关联的电子围栏采集区的步行时长时,即可确定目标行人到达该电子围栏采集区的到达时刻。在电子围栏采集区采集到的终端特征码信息中同样可以包含采集时刻的信息,在这些终端特征码信息中查找到达时刻对应的终端特征码信息,将查找到的终端特征码信息可以确定为目标行人对应的终端特征码信息。
举例而言,根据预测得到的步行时长,计算目标行人进入电子围栏采集区的到达时刻为T,在电子围栏采集区采集到的终端特征码信息中获取在时间段[T-T',T+T']的终端特征码信息,T'是一个很小的值,T-T'和T+T'都近似于T,时间段[T-T',T+T']范围内可能有且仅有一个唯一的终端特征码信息,该终端特征码信息即为目标行人对应的终端特征码信息。当然,如果目标行人持有多个终端,在该时间段范围内也可能存在多个终端特征码信息,可以将与到达时刻相应的终端特征码信息均确定为目标行人对应的终端特征码信息。
S140:根据目标行人对应的终端特征码信息,确定目标行人是否为待追踪人员。
随着终端技术的快速发展,智能终端和移动互联网的广泛应用,移动终端的使用越来越普遍,给用户带来很多便利,逐渐成为生活中不可缺少的一部分,几乎是机不离手。确定目标行人对应的终端特征码信息后,根据目标行人对应的终端特征码信息,可以进一步确定目标行人是否为待追踪人员。实现人码合一,实现单行人出入口的行人准确定位,更加准确地进行行人追踪。
应用本发明实施例所提供的方法,预先获得时间预测神经网络,在单行人出入口的图像采集区采集到目标行人对应的数据信息后,将目标行人对应的数据信息输入到时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长,根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息,并进一步确定目标行人是否为待追踪人员。实现人码合一,实现单行人出入口的行人准确定位,提高行人追踪准确性。
在本发明的一个实施例中,在步骤S130之前,该方法还可以包括以下步骤:
第一个步骤:获得多个其他单行人出入口处目标行人对应的数据信息;
第二个步骤:针对每个其他单行人出入口,将该单行人出入口处目标行人对应的数据信息输入到时间预测神经网络中,预测目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长;
第三个步骤:根据该步行时长,确定目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻;
第四个步骤:在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息;
相应的,步骤S130可以包括以下步骤:
针对每个单行人出入口,获得该单行人出入口处目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息;
将出现次数最多的终端特征码信息确定为目标行人对应的终端特征码信息。
在本发明实施例中,为更加精确地追踪目标行人,可以关联分析同一行人经过多个单行人出入口。
在多个单行人出入口的图像采集区采集目标行人的数据信息,对于任意一个单行人出入口而言,可以将该单行人出入口处目标行人对应的数据信息输入到时间预测神经网络中,预测得到目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长。每个单行人出入口均设置有图2所示的图像采集区和电子围栏采集区。根据该步行时长,可以确定目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻。并在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息。这样可以获得各个单行人出入口处目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息。获得的终端特征码信息可能有多个,将出现次数最多的终端特征码信息确定为目标行人对应的终端特征码信息。
举例而言,在k个单行人出入口的图像采集区采集到了行人甲对应的数据信息,k个单行人出入口对应的电子围栏采集区编号分别为EFi(i=1,2,3,…,k),同一个单行人出入口电子围栏采集区可多次编号,根据行人甲的数据信息,通过时间预测神经网络可以精准预测出步行到电子围栏采集区的步行时长ti;
根据步行时长ti,计算出行人甲到达第k个电子围栏采集区的时刻为Tk,给定一个合理的时间段范围[Tk-T”,Tk+T”],T”可控制在1s左右。
获得在电子围栏采集区EFi(i=1,2,3,…,k)在[Tk-T”,Tk+T”]时间段内采集的终端的IMSI码为:
{[M11,M12,M13,…,M1n],[M21,M22,M23,…,M2m],[M31,M32,M33,…,M3i],…,[M k1,Mk2,Mk3,…,Mkj]}。
可以将采集的IMSI码保存到文件中,采用哈希表算法对保存的IMSI码去重复并计数,用key保存IMSI码,value保存计数值。
去重后的IMSI码为[Ma,Mb,Mc,…,My],每个IMSI码的出现次数为[value(Ma),value(Mb),value(Mc),…,value(My)],找出出现次数最多的IMSI码,M=max{value(Ma),value(Mb),value(Mc),…,value(My)},出现次数最多的IMSI码即为行人甲对应终端的IMSI码,实现了人码合一,最终实现了目标行人精确追踪。
相应于上面的方法实施例,本发明实施例还提供了一种目标行人追踪装置,下文描述的目标行人追踪装置与上文描述的目标行人追踪方法可相互对应参照。
参见图4所示,该装置包括:
数据信息采集模块410,用于在单行人出入口的图像采集区采集目标行人对应的数据信息;
步行时长预测模块420,用于将目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长,在单行人出入口的步行方向上,电子围栏采集区位于图像采集区之前,间隔设定的距离;
终端特征匹配模块430,用于根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息;
追踪确定模块440,用于根据目标行人对应的终端特征码信息,确定目标行人是否为待追踪人员。
应用本发明实施例所提供的装置,预先获得时间预测神经网络,在单行人出入口的图像采集区采集到目标行人对应的数据信息后,将目标行人对应的数据信息输入到时间预测神经网络中,预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长,根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息,并进一步确定目标行人是否为待追踪人员。实现人码合一,实现单行人出入口的行人准确定位,提高行人追踪准确性。
在本发明的一种具体实施方式中,还包括神经网络获得模块,用于通过以下步骤预先获得时间预测神经网络:
获得在多个单行人出入口采集到的历史行人数据集;
基于历史行人数据集,确定训练样本集和测试样本集,训练样本集和测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
使用训练样本集对预先建立的初始神经网络进行训练,基于训练样本集的每条样本数据对应的输出时长与实际步行时长,调整初始神经网络的网络参数;
使用测试样本集对训练后的初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行使用训练样本集对预先建立的初始神经网络进行训练的步骤,直至测试结果满足预设要求或者达到预设的最大迭代次数,获得时间预测神经网络。
在本发明的一种具体实施方式中,神经网络获得模块,还用于:
在使用训练样本集对预先建立的初始神经网络进行训练之前,利用自适应混沌萤火虫算法,确定初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,神经网络获得模块,具体用于:
对初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体;
确定萤火虫初始种群数量和位置信息,进行混沌初始化处理;
计算萤火虫适应度函数值;
基于萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度;
根据萤火虫的相对亮度值,确定最亮萤火虫位置;
计算自适应惯性权重;
基于自适应惯性权重,更新萤火虫的位置;
判断当前是否达到最大迭代次数,如果否,则重复执行计算萤火虫的荧光亮度和吸引度的步骤,否则,获取初始神经网络的最优权值和阈值。
在本发明的一种具体实施方式中,终端特征匹配模块430,具体用于:
根据预测得到的步行时长,确定目标行人从图像采集区到达关联的电子围栏采集区的到达时刻;
在电子围栏采集区采集到的终端特征码信息中,查找到达时刻对应的终端特征码信息;
将查找到的终端特征码信息确定为目标行人对应的终端特征码信息。
在本发明的一种具体实施方式中,还包括终端特征查找模块,用于:
在根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息,确定目标行人对应的终端特征码信息之前,获得多个其他单行人出入口处目标行人对应的数据信息;
针对每个其他单行人出入口,将该单行人出入口处目标行人对应的数据信息输入到时间预测神经网络中,预测目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长;
根据该步行时长,确定目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻;
在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息;
相应的,终端特征匹配模块430,具体用于:
针对每个单行人出入口,获得该单行人出入口处目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息;
将出现次数最多的终端特征码信息确定为目标行人对应的终端特征码信息。
相应于上面的方法实施例,本发明实施例还提供了一种目标行人追踪设备,如图5所示,包括:
存储器510,用于存储计算机程序;
处理器520,用于执行计算机程序时实现上述目标行人追踪方法的步骤。
相应于上面的方法实施例,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述目标行人追踪方法的步骤。
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。
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。
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技术方案及其核心思想。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)
1.一种目标行人追踪方法,其特征在于,包括:
在单行人出入口的图像采集区采集目标行人对应的数据信息;
将所述目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测所述目标行人从所述图像采集区到达关联的电子围栏采集区的步行时长,在所述单行人出入口的步行方向上,所述电子围栏采集区位于所述图像采集区之前,间隔设定的距离;
根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息;
根据所述目标行人对应的终端特征码信息,确定所述目标行人是否为待追踪人员。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤预先获得所述时间预测神经网络:
获得在多个所述单行人出入口采集到的历史行人数据集;
基于所述历史行人数据集,确定训练样本集和测试样本集,所述训练样本集和所述测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
使用所述训练样本集对预先建立的初始神经网络进行训练,基于所述训练样本集的每条样本数据对应的输出时长与实际步行时长,调整所述初始神经网络的网络参数;
使用所述测试样本集对训练后的所述初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行所述使用所述训练样本集对预先建立的初始神经网络进行训练的步骤,直至测试结果满足所述预设要求或者达到预设的最大迭代次数,获得所述时间预测神经网络。
3.根据权利要求2所述的方法,其特征在于,在所述使用所述训练样本集对预先建立的初始神经网络进行训练之前,还包括:
利用自适应混沌萤火虫算法,确定所述初始神经网络的最优权值和阈值。
4.根据权利要求3所述的方法,其特征在于,所述利用自适应混沌萤火虫算法,确定所述初始神经网络的最优权值和阈值,包括:
对所述初始神经网络中所有的初始权值和阈值进行编码,形成萤火虫个体;
确定萤火虫初始种群数量和位置信息,进行混沌初始化处理;
计算萤火虫适应度函数值;
基于所述萤火虫自适应度函数值,计算萤火虫的相对亮度值和吸引度;
根据萤火虫的相对亮度值,确定最亮萤火虫位置;
计算自适应惯性权重;
基于所述自适应惯性权重,更新萤火虫的位置;
判断当前是否达到最大迭代次数,如果否,则重复执行所述计算萤火虫的荧光亮度和吸引度的步骤,否则,获取所述初始神经网络的最优权值和阈值。
5.根据权利要求1至4之中任一项所述的方法,其特征在于,所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息,包括:
根据预测得到的所述步行时长,确定所述目标行人从所述图像采集区到达关联的电子围栏采集区的到达时刻;
在所述电子围栏采集区采集到的终端特征码信息中,查找所述到达时刻对应的终端特征码信息;
将查找到的终端特征码信息确定为所述目标行人对应的终端特征码信息。
6.根据权利要求1至4之中任一项所述的方法,其特征在于,在所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息之前,还包括:
获得多个其他所述单行人出入口处所述目标行人对应的数据信息;
针对每个其他所述单行人出入口,将该单行人出入口处所述目标行人对应的数据信息输入到所述时间预测神经网络中,预测所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的步行时长;
根据该步行时长,确定所述目标行人从该单行人出入口的图像采集区到达关联的电子围栏采集区的到达时刻;
在该电子围栏采集区采集到的终端特征码信息中,查找该到达时刻对应的终端特征码信息;
相应的,所述根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息,包括:
针对每个所述单行人出入口,获得该单行人出入口处所述目标行人到达相应的电子围栏采集区的到达时刻对应的终端特征码信息;
将出现次数最多的终端特征码信息确定为所述目标行人对应的终端特征码信息。
7.一种目标行人追踪装置,其特征在于,包括:
数据信息采集模块,用于在单行人出入口的图像采集区采集目标行人对应的数据信息;
步行时长预测模块,用于将所述目标行人对应的数据信息输入到预先获得的时间预测神经网络中,预测所述目标行人从所述图像采集区到达关联的电子围栏采集区的步行时长,在所述单行人出入口的步行方向上,所述电子围栏采集区位于所述图像采集区之前,间隔设定的距离;
终端特征匹配模块,用于根据预测得到的所述步行时长和在所述电子围栏采集区采集到的终端特征码信息,确定所述目标行人对应的终端特征码信息;
追踪确定模块,用于根据所述目标行人对应的终端特征码信息,确定所述目标行人是否为待追踪人员。
8.根据权利要求7所述的装置,其特征在于,还包括神经网络获得模块,用于通过以下步骤预先获得所述时间预测神经网络:
获得在多个所述单行人出入口采集到的历史行人数据集;
基于所述历史行人数据集,确定训练样本集和测试样本集,所述训练样本集和所述测试样本集中的每条样本数据均包括:在一个图像采集区采集到的行人对应的数据信息,和该行人从该图像采集区到达关联的电子围栏采集区的实际步行时长;
使用所述训练样本集对预先建立的初始神经网络进行训练,基于所述训练样本集的每条样本数据对应的输出时长与实际步行时长,调整所述初始神经网络的网络参数;
使用所述测试样本集对训练后的所述初始神经网络进行测试,如果测试结果不满足预设要求,则重复执行所述使用所述训练样本集对预先建立的初始神经网络进行训练的步骤,直至测试结果满足所述预设要求或者达到预设的最大迭代次数,获得所述时间预测神经网络。
9.一种目标行人追踪设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述目标行人追踪方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述目标行人追踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405919.1A CN110110690B (zh) | 2019-05-16 | 2019-05-16 | 一种目标行人追踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405919.1A CN110110690B (zh) | 2019-05-16 | 2019-05-16 | 一种目标行人追踪方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110690A true CN110110690A (zh) | 2019-08-09 |
CN110110690B CN110110690B (zh) | 2023-04-07 |
Family
ID=67490405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910405919.1A Active CN110110690B (zh) | 2019-05-16 | 2019-05-16 | 一种目标行人追踪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110690B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343426A (zh) * | 2020-02-28 | 2020-06-26 | 桂林电子科技大学 | 一种地下室防盗监控设备的控制方法 |
CN111860976A (zh) * | 2020-06-30 | 2020-10-30 | 广州地铁集团有限公司 | 一种闸机通行时间预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048440A (ja) * | 2004-08-05 | 2006-02-16 | Fujitsu Social Science Laboratory Ltd | 移動体追跡処理装置、移動体追跡処理プログラム及び移動体追跡処理方法 |
CN105100700A (zh) * | 2014-05-20 | 2015-11-25 | 三星Sds株式会社 | 利用摄像机之间的交接的目标物跟踪装置及方法 |
CN107871114A (zh) * | 2016-09-23 | 2018-04-03 | 杭州海康威视数字技术股份有限公司 | 一种推送目标人员跟踪信息的方法、装置及系统 |
CN108230361A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用无人机探测器和追踪器融合来增强目标追踪方法及系统 |
CN108897777A (zh) * | 2018-06-01 | 2018-11-27 | 深圳市商汤科技有限公司 | 目标对象追踪方法及装置、电子设备和存储介质 |
-
2019
- 2019-05-16 CN CN201910405919.1A patent/CN110110690B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048440A (ja) * | 2004-08-05 | 2006-02-16 | Fujitsu Social Science Laboratory Ltd | 移動体追跡処理装置、移動体追跡処理プログラム及び移動体追跡処理方法 |
CN105100700A (zh) * | 2014-05-20 | 2015-11-25 | 三星Sds株式会社 | 利用摄像机之间的交接的目标物跟踪装置及方法 |
CN107871114A (zh) * | 2016-09-23 | 2018-04-03 | 杭州海康威视数字技术股份有限公司 | 一种推送目标人员跟踪信息的方法、装置及系统 |
CN108230361A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用无人机探测器和追踪器融合来增强目标追踪方法及系统 |
CN108897777A (zh) * | 2018-06-01 | 2018-11-27 | 深圳市商汤科技有限公司 | 目标对象追踪方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
彭新建等: "基于萤火虫算法优化BP神经网络的公交行程时间预测", 《广西师范大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343426A (zh) * | 2020-02-28 | 2020-06-26 | 桂林电子科技大学 | 一种地下室防盗监控设备的控制方法 |
CN111343426B (zh) * | 2020-02-28 | 2021-05-28 | 桂林电子科技大学 | 一种地下室防盗监控设备的控制方法 |
CN111860976A (zh) * | 2020-06-30 | 2020-10-30 | 广州地铁集团有限公司 | 一种闸机通行时间预测方法及装置 |
CN111860976B (zh) * | 2020-06-30 | 2024-04-30 | 广州地铁集团有限公司 | 一种闸机通行时间预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110110690B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827543B (zh) | 一种基于深度学习和时空数据融合的短时交通流控制方法 | |
KR102635987B1 (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
CN109902546A (zh) | 人脸识别方法、装置及计算机可读介质 | |
CN111259738B (zh) | 人脸识别模型构建方法、人脸识别方法及相关装置 | |
CN108875480A (zh) | 一种人脸特征信息的追踪方法、装置及系统 | |
CN110414305A (zh) | 人工智能卷积神经网络人脸识别系统 | |
CN112581262A (zh) | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 | |
CN110490177A (zh) | 一种人脸检测器训练方法及装置 | |
Chatterjee et al. | Rainfall prediction using hybrid neural network approach | |
CN108388876A (zh) | 一种图像识别方法、装置以及相关设备 | |
CN108491766A (zh) | 一种端到端的基于深度决策森林的人群计数方法 | |
CN109697435A (zh) | 人流量监测方法、装置、存储介质及设备 | |
CN108921051A (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
CN104091206B (zh) | 基于演化博弈论的社交网络信息传播预测方法 | |
CN107633323A (zh) | 核保难度预测的方法、装置、计算机设备及存储介质 | |
CN107122736A (zh) | 一种基于深度学习的人体朝向预测方法及装置 | |
CN105447510B (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
CN106875004A (zh) | 复合模式神经元信息处理方法和系统 | |
CN110139067A (zh) | 一种野生动物监测数据管理信息系统 | |
CN109145871A (zh) | 心理行为识别方法、装置与存储介质 | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN110110690A (zh) | 一种目标行人追踪方法、装置、设备及存储介质 | |
Kong et al. | Hierarchical attention and context modeling for group activity recognition |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |