CN110991394A - 一种基于多特征融合的人流分布确定方法及系统 - Google Patents
一种基于多特征融合的人流分布确定方法及系统 Download PDFInfo
- Publication number
- CN110991394A CN110991394A CN201911299405.9A CN201911299405A CN110991394A CN 110991394 A CN110991394 A CN 110991394A CN 201911299405 A CN201911299405 A CN 201911299405A CN 110991394 A CN110991394 A CN 110991394A
- Authority
- CN
- China
- Prior art keywords
- people
- people flow
- information
- stream
- relative
- 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
Images
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多特征融合的人流分布确定方法及系统,所述方法包括:采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数;根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量;将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态,本发明可准确预测公共场所中人流分布情况,以通过控制闸机的开关状态合理调控公共场所的人流分布。
Description
技术领域
本发明涉及人流分布分析技术领域,尤其涉及一种基于多特征融合的人流分布确定方法及系统。
背景技术
目前,许多公共场所,例如公共旅游景区、会议场所和娱乐活动场所等,会存在人流过多的问题。
现有技术中,常根据进出人员总数实施限流措施以解决公共场所内人流过多的问题。但是人流分布不合理的情况,会使公共场所内存在一些子区域人数较少的情况,区内人员流动不够合理,从而无法合理实行人流引导工作。
发明内容
本发明的一个目的在于提供一种基于多特征融合的人流分布确定方法,准确预测公共场所中人流分布情况,以通过控制闸机的开关状态合理调控公共场所的人流分布。本发明的另一个目的在于提供一种基于多特征融合的人流分布确定系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的,本发明一方面公开了一种基于多特征融合的人流分布确定方法,包括:
采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数;
根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量;
将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
优选的,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机,所述采集公共场所内的图像信息、人流网络连接信息和出入人数信息具体包括:
通过设置于各子区域的图像采集装置采集公共场所内的图像信息;
采集设置于各子区域的AP点客户端的人流网络连接信息;
采集各子区域出口和入口的闸机的出入人数信息。
优选的,所述根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量具体包括:
通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息;
根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长;
根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。
优选的,所述根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量具体包括:
根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息;
根据所述特性信息和当前时间点形成人流分布特征向量。
优选的,所述根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅、闸机相对人流密度和闸机相对平均人流密度的特性信息具体包括:
根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度;
对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度;
根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率;
根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅;
根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度;
对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
优选的,所述方法进一步包括在采集公共场所内的图像信息、人流网络连接信息和出入人数信息,之前:
采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量;
对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本;
通过机器学习的方法采用所述训练样本训练得到所述预测模型。
本发明还公开了一种基于多特征融合的人流分布确定系统,包括:
数据采集和处理单元,用于采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数;
特征向量形成单元,用于根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量;
人流分布预测单元,用于将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
优选的,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机,所述数据采集和处理单元用于通过设置于各子区域的图像采集装置采集公共场所内的图像信息,采集设置于各子区域的AP点客户端的人流网络连接信息,采集各子区域出口和入口的闸机的出入人数信息。
优选的,所述特征向量形成单元用于通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息,根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长,根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。
优选的,所述特征向量形成单元用于根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息,根据所述特性信息和当前时间点形成人流分布特征向量。
优选的,所述特征向量形成单元用于根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度,对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度,根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率,根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅,根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度,对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
优选的,进一步包括预测模型形成单元,用于采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量,对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本,通过机器学习的方法采用所述训练样本训练得到所述预测模型。
本发明还公开了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,
所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,
该程序被处理器执行时实现如上所述方法。
本发明通过采集公共场所内的图像信息、人流网络连接信息和出入人数信息,形成考虑多项不同方面人流特征信息的特征向量,进而通过预设的预测模型得到人流分布预测结果,从而可根据人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态,以合理调整公共场所内的人流分布,保证活动正常进行,提高公共场所的秩序和安全性。
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示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之一;
图2示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之二;
图3示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之三;
图4示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之四;
图5示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之五;
图6示出本发明一种基于多特征融合的人流分布确定方法一个具体实施例的流程图之六;
图7示出本发明一种基于多特征融合的人流分布确定系统一个具体实施例的结构图之一;
图8示出本发明一种基于多特征融合的人流分布确定系统一个具体实施例的结构图之二;
图9示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
根据本发明的一个方面,本实施例公开了一种基于多特征融合的人流分布确定方法。如图1所示,本实施例中,所述方法包括:
S100:采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数。
S200:根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量。
S300:将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
本发明通过采集公共场所内的图像信息、人流网络连接信息和出入人数信息,形成考虑多项不同方面人流特征信息的特征向量,进而通过预设的预测模型得到人流分布预测结果,从而可根据人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态,以合理调整公共场所内的人流分布,保证活动正常进行,提高公共场所的秩序和安全性。
在优选的实施方式中,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机。如图2所示,所述S100具体可包括:
S110:通过设置于各子区域的图像采集装置采集公共场所内的图像信息。其中,图像采集装置可采用监控摄像头和摄像机等图像采集设备,对公共场所内通过拍照等图像采集方式可得到公共场所内的图像信息。
S120:采集设置于各子区域的AP点客户端的人流网络连接信息。其中,AP点(Access Point)即无线接入点,AP点客户端为用于无线网络的无线交换机,也是无线网络的核心。无线AP是移动计算机用户进入有线网络的接入点,主要用于宽带家庭、大楼内部以及园区内部,可以覆盖几十米至上百米。无线AP(又称会话点或存取桥接器)是一个包含很广的名称,它不仅包含单纯性无线接入点(无线AP),同样也是无线路由器(含无线网关、无线网桥)等类设备的统称。用户可通过连接设置在公共场所内的AP点客户端接入互联网,因此,可以获取AP点客户端工作时连接的用户信息,起始时间和终止时间等人流网络连接信息,可在一起程度上反映出AP客户端位置附近的人流量等信息。
S130:采集各子区域出口和入口的闸机的出入人数信息。具体的,为了合理调整公共场所内人流的分布状态,可将公共场所分为多个子区域,在每个子区域的出口和入口设置闸机,一方面,可以通过控制闸机的开关控制进出的人流信息,从而控制各个子区域的总人数,防止出现某个子区域内人流量过大的情况;另一方面,闸机可以记录进出的人流信息,通过获取闸机的进出人流信息可以定量的确定对应的子区域内的人流总人数,便于对该子区域内的人流分布进行综合分析,提高人流分布的确定准确度。
可以理解的是,为了实现公共场所内人流分布的调控,可将公共场所划分为多个子区域,在每个子区域设置出口和入口,并在出口和入口设置闸机以控制进出子区域的人流信息。此外,还可在每个子区域中设置至少一个图像采集装置和AP点客户端以获取每个子区域中的图像信息和人流网络连接信息。具体的,根据公共场所的设备设置情况,可选取合适的二维坐标系,确定记录公共场所和各子区域在二维坐标系中的坐标范围,进一步的还可得到每个子区域中预先设置的图像采集装置、闸机和AP点客户端的位置坐标和与子区域的映射关系等,还可预先确定AP点连接时间间隔、各子区域的最大人流人数和平均游玩时间等参数。
具体的,在一个具体例子中,参数可包括:第i个AP点客户端位置坐标ap_loc_i,如(120.091811,30.123812),第i个子区域的坐标范围attractions_loc_i,如(120.091811,30.123812),第i个AP点和第j个子区域的映射关系map_ap_attractions_ij(0为无关1为有关),第i个闸机和第j个子区域的映射关系map_gate_attractions_ij,(0为无关,1为有关),第i个图像采集装置和第j个子区域的映射关系map_vision_attractions_ij,(0为无关1为有关),AP点连接时间间隔ap_connect_interval,如1200s,i子区域承受最大人流人数max_people_i,如50人,i子区域平均游玩时间avg_play_time_i,如20min。
在优选的实施方式中,如图3所示,所述S100具体可包括:
S140:通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息。可以理解的是,可以采用现有的图像识别技术识别图像信息中的人员,例如可采用目前成熟的yolov3或resnet等开源算法进行图像的特征提取进而得到图像中的人员和对应的位置,在实际应用中,也可采用其他图像识别技术,可得到人流信息即可,本发明对此并不作限定。
S150:根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长。其中,从AP点客户端中获取的人流网络连接信息可包括连接的用户信息、连接起始时间和连接终止时间等网络连接信息,根据一个用户的连接起始时间和连接终止时间可得到该用户的连接时长,从而可得到各个时间点,各AP点客户端的总的人流连接时长。
S160:根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。其中,可分别获取出口闸机和入口闸机记录的人数,将入口闸机的人数与出口闸机的人数相减即可得到各个子区域的人流变化人数。
在优选的实施方式中,如图4所示,所述S200具体可包括:
S210:根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息。
S220:根据所述特性信息和当前时间点形成人流分布特征向量。
可以理解的是,通过同时采集公共场所不同子区域的图像信息、网络连接信息和出入人数信息,可得到不同时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度等特性信息,通过提取得到多维的特征信息,不同方向的人流分布特征能够相互印证和综合分析,使得人流分布预测的结果更准确。
在优选的实施方式中,如图5所示,所述S210具体可包括:
S211:根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度。
S212:对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度。
S213:根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率。
S214:根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅。
S215:根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度。
S216:对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
在一个具体例子中,通过图像识别技术可得到第t时间点各图像采集装置识别的人数情况vision_peoplet=(vision_people1t,vision_people2t,…vision_peoplent),其中,vision_people1t,vision_people2t,…vision_peoplent分别为一个子区域中编号为1,2…n的图像采集装置采集的图像信息经过图像识别技术得到的所有人员,进而可得到第i个子区域t时间点人流信息 其中,map_vision_attractionsi为第i个图像采集点和子区域映射关系(0为无关,1为有关)。
收集各AP点客户端mac信息、用户的连接开始时间、用户的连接持续时间等信息,ap_connectit为第i个AP点t时间点平均连接时间(默认时间点受ap_connect_interval参数控制),ap_connect_interval是指ap点连接时间间隔,如1200S。ap点连接时间间隔是一个系统初始化参数,描述的是一个子景点游客游览最长逗留时间。
第t时间点各AP点人流网络连接时长为
其中,为一个子区域编号为1,2…n的AP点在t时间点的连接时长,第i个子区域第t时刻AP点客户端总的人流连接时长map_ap_attractionsi=(map_ap_attractionsi1,map_ap_attractionsi2,…,map_ap_attractionsin),为第i个子区域第t时刻ap连接平均时长,第i个ap点和子区域的映射关系(0为无关,1为有关)。ap_connectt=(ap_connect1t,ap_connect2t,…ap_connectnt)为第t时间点各ap点平均连接时长,ap_connectit为第i个ap点t时间点平均连接时间,这个时候ap点统计所有当前连接mac开始连接时点到t时间点的平均时间。
收集各子区域出入闸机人数信息,统计子区域人数信息。第t时间点各闸机人数变化人数(1为进入,-1为出)gate_connectt=(people_change_num1,people_change_num2,…people_change_numn),people_change_num1,people_change_num2,…people_change_numn为一个子区域中编号为1,2…n的闸机的人数变化,第i个子区域第t时刻人数变化人数gate_connectt=(people_change_num1,people_change_num2,…people_change_numn),为第t时间点各闸机人数变化情况(1为进入,-1为出),map_gate_attractionsij为第i个闸机和第j个分景点映射关系(0为无关1为有关)。第i个子区域第t时刻当前人数即0~t时刻的人流变化人数的总和即为当前时刻t的人流总人数。
i子区域t时间点人头检测相对人流密度v_re_flow_densityit=max(attractions_v_peopleit/max_peoplei,1),i子区域t时间点前n时人头检测相对平均人流密度v_re_flow_densityi(t-n)=AVG(v_re_flow_densityit,v_re_flow_densityi(t-1),…v_re_flow_densityi(t-n))。
i子区域t时间点相对停留概率a_re_stay_probabilityit=max(attractions_a_connectit/ap_connect_interval,1,i子区域t时间点相对人流密度增幅g_re_flow_density_incit=max(attractions_c_peopleit×avg_play_timei/max_peoplei,1),i子区域t时间点闸机相对人流密度g_re_flow_densityit=max(attractions_g_peopleit/max_peoplei,1),i子区域t时间点前n时闸机相对平均人流密度g_re_flow_densityi(t-n)=AVG(g_re_flow_densityit,g_re_flow_densityi(t-1),…g_re_flow_densityi(t-n))。
时间点time_one_hot=[0,0,0,0,….1],如一天24小时,现在为8点,则time_one_hot=[0,0,0,0,0,0,0,1,0,0,0,0,…0](24维,第8位为1)。
进一步的,可形成人流分布特征向量:x=(v_re_flow_densityit,v_re_flow_densityi(t-n),a_re_stay_probabilityit,g_re_flow_density_incit,g_re_flow_densityit,g_re_flow_densityi(t-n),time_one_hot),将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态,以调控各个子区域的人流分布。
在优选的实施方式中,如图6所示,所述方法进一步包括预先形成所述预测模型的步骤S000。S000具体可包括:
S010:采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量。
S020:对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本。
S030:通过机器学习的方法采用所述训练样本训练得到所述预测模型。
可以理解的是,在形成预测模型时,可采集公共场所历史数据,即采集过去的公共场所内的图像信息、人流网络连接信息和出入人数信息,可得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数,进而形成特征向量。通过对历史数据进行人为标定,确定历史数据对应的人流分布为拥堵或者不拥堵,即在具体例子中,当特征向量为x=(v_re_flow_densityit,v_re_flow_densityi(t-n),a_re_stay_probabilityit,g_re_flow_density_incit,g_re_flow_densityit,g_re_flow_densityi(t-n),time_one_hot)时,可进行标记Y=(0,1),其中,1为拥堵,0为不拥堵。根据特征向量和对应的标记通过现有的机器学习的方法可得到预测模型,该预测模型可对未来的公共场所获取的数据进行拥堵或不拥堵的预测。
基于相同原理,本实施例还公开了一种基于多特征融合的人流分布确定系统。如图7所示,所述系统包括数据采集和处理单元11、特征向量形成单元12和人流分布预测单元13。
数据采集和处理单元11用于采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数。
特征向量形成单元12用于根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量。
人流分布预测单元13用于将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
在优选的实施方式中,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机,所述数据采集和处理单元11用于通过设置于各子区域的图像采集装置采集公共场所内的图像信息,采集设置于各子区域的AP点客户端的人流网络连接信息,采集各子区域出口和入口的闸机的出入人数信息。
在优选的实施方式中,所述特征向量形成单元12用于通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息,根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长,根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。
在优选的实施方式中,所述特征向量形成单元12用于根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息,根据所述特性信息和当前时间点形成人流分布特征向量。
在优选的实施方式中,所述特征向量形成单元12用于根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度,对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度,根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率,根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅,根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度,对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
在优选的实施方式中,如图8所示,所述系统进一步还可包括预测模型形成单元10,用于采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量,对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本,通过机器学习的方法采用所述训练样本训练得到所述预测模型。
由于该系统解决问题的原理与以上方法类似,因此本系统的实施可以参见方法的实施,在此不再赘述。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述方法。
下面参考图9,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图9所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种基于多特征融合的人流分布确定方法,其特征在于,包括:
采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数;
根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量;
将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
2.根据权利要求1所述的人流分布确定方法,其特征在于,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机,所述采集公共场所内的图像信息、人流网络连接信息和出入人数信息具体包括:
通过设置于各子区域的图像采集装置采集公共场所内的图像信息;
采集设置于各子区域的AP点客户端的人流网络连接信息;
采集各子区域出口和入口的闸机的出入人数信息。
3.根据权利要求1所述的人流分布确定方法,其特征在于,所述根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量具体包括:
通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息;
根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长;
根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。
4.根据权利要求1所述的人流分布确定方法,其特征在于,所述根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量具体包括:
根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息;
根据所述特性信息和当前时间点形成人流分布特征向量。
5.根据权利要求4所述的人流分布确定方法,其特征在于,所述根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅、闸机相对人流密度和闸机相对平均人流密度的特性信息具体包括:
根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度;
对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度;
根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率;
根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅;
根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度;
对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
6.根据权利要求1所述的人流分布确定方法,其特征在于,所述方法进一步包括在采集公共场所内的图像信息、人流网络连接信息和出入人数信息,之前:
采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量;
对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本;
通过机器学习的方法采用所述训练样本训练得到所述预测模型。
7.一种基于多特征融合的人流分布确定系统,其特征在于,包括:
数据采集和处理单元,用于采集公共场所内的图像信息、人流网络连接信息和出入人数信息,得到公共场所内不同区域的人流信息、人流网络连接时长和人流变化人数;
特征向量形成单元,用于根据所述人流信息、人流网络连接时长和人流变化人数得到公共场所内人流分布特征向量;
人流分布预测单元,用于将所述人流分布特征向量输入预设的预测模型中得到人流分布预测结果,根据所述人流分布预测结果控制公共场所内不同区域出入口闸机的开关状态。
8.根据权利要求7所述的人流分布确定系统,其特征在于,所述公共场所划分为多个子区域,其中每个子区域的出口和入口分别设置有闸机,所述数据采集和处理单元用于通过设置于各子区域的图像采集装置采集公共场所内的图像信息,采集设置于各子区域的AP点客户端的人流网络连接信息,采集各子区域出口和入口的闸机的出入人数信息。
9.根据权利要求7所述的人流分布确定系统,其特征在于,所述特征向量形成单元用于通过图像识别技术识别所述图像信息中的所有人员和对应的位置信息得到人流信息,根据人流网络连接信息中每个用户的连接起始时间和终止时间确定人流网络连接时长,根据出口闸机和入口闸机的出入人数信息确定预设时间内的人流变化人数。
10.根据权利要求7所述的人流分布确定系统,其特征在于,所述特征向量形成单元用于根据所述人流信息、人流网络连接时长和人流变化人数得到当前时间点的相对人流密度、当前及之前时间点的相对平均人流密度、相对停留概率、相对人流密度增幅和闸机相对人流密度的特性信息,根据所述特性信息和当前时间点形成人流分布特征向量。
11.根据权利要求10所述的人流分布确定系统,其特征在于,所述特征向量形成单元用于根据当前时间点的人流信息和最大人流人数的比值得到当前时间点的相对人流密度,对当前时间点的相对人流密度和之前所有时间点的相对人流密度求平均得到相对平均人流密度,根据当前时间点的人流网络连接时长和连接时间间隔得到相对停留概率,根据当前时间点的人流变化人数和平均停留时间的乘积与最大人流人数的比值得到相对人流密度增幅,根据当前时间点的人流变化人数和前一时间点的人流总人数得到当前时间点的人流总人数,根据当前时间点的人流总人数和最大人流人数的比值得到闸机相对人流密度,对当前时间点的闸机相对人流密度和之前所有时间点的闸机相对人流密度求平均得到闸机相对平均人流密度。
12.根据权利要求7所述的人流分布确定系统,其特征在于,进一步包括预测模型形成单元,用于采集历史时间点公共场所内的图像信息、人流网络连接信息和出入人数信息,并进一步得到所述特征向量,对所述特征向量进行标记,根据特征向量和对应的标记形成训练样本,通过机器学习的方法采用所述训练样本训练得到所述预测模型。
13.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述程序时实现如权利要求1-6任一项所述方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,
该程序被处理器执行时实现如权利要求1-6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299405.9A CN110991394A (zh) | 2019-12-17 | 2019-12-17 | 一种基于多特征融合的人流分布确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299405.9A CN110991394A (zh) | 2019-12-17 | 2019-12-17 | 一种基于多特征融合的人流分布确定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991394A true CN110991394A (zh) | 2020-04-10 |
Family
ID=70094392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299405.9A Pending CN110991394A (zh) | 2019-12-17 | 2019-12-17 | 一种基于多特征融合的人流分布确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991394A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653010A (zh) * | 2020-06-11 | 2020-09-11 | 中国建设银行股份有限公司 | 无人经营场所客流量智能控制系统及方法 |
CN112005247A (zh) * | 2020-06-12 | 2020-11-27 | 深圳盈天下视觉科技有限公司 | 人流量数据监控系统及其人流量数据的展示方法和装置 |
CN113393355A (zh) * | 2021-04-29 | 2021-09-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、系统、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574154A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据平台的城市宏观区域信息分析系统 |
CN106991146A (zh) * | 2017-03-24 | 2017-07-28 | 京信通信技术(广州)有限公司 | 人流信息统计方法和系统 |
CN107801203A (zh) * | 2017-11-13 | 2018-03-13 | 毛国强 | 基于多数据融合的人口密度及流动性的估算方法及其系统 |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
CN109241871A (zh) * | 2018-08-16 | 2019-01-18 | 北京此时此地信息科技有限公司 | 一种基于视频数据的公共区域人流跟踪方法 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
-
2019
- 2019-12-17 CN CN201911299405.9A patent/CN110991394A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574154A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据平台的城市宏观区域信息分析系统 |
CN106991146A (zh) * | 2017-03-24 | 2017-07-28 | 京信通信技术(广州)有限公司 | 人流信息统计方法和系统 |
CN107801203A (zh) * | 2017-11-13 | 2018-03-13 | 毛国强 | 基于多数据融合的人口密度及流动性的估算方法及其系统 |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
CN109241871A (zh) * | 2018-08-16 | 2019-01-18 | 北京此时此地信息科技有限公司 | 一种基于视频数据的公共区域人流跟踪方法 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653010A (zh) * | 2020-06-11 | 2020-09-11 | 中国建设银行股份有限公司 | 无人经营场所客流量智能控制系统及方法 |
CN112005247A (zh) * | 2020-06-12 | 2020-11-27 | 深圳盈天下视觉科技有限公司 | 人流量数据监控系统及其人流量数据的展示方法和装置 |
CN113393355A (zh) * | 2021-04-29 | 2021-09-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、系统、电子设备及介质 |
CN113393355B (zh) * | 2021-04-29 | 2024-01-16 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991394A (zh) | 一种基于多特征融合的人流分布确定方法及系统 | |
US10489660B2 (en) | Video processing with object identification | |
EP3163543B1 (en) | Alarming method and device | |
CN108230354B (zh) | 目标跟踪、网络训练方法、装置、电子设备和存储介质 | |
KR100612858B1 (ko) | 로봇을 이용하여 사람을 추적하는 방법 및 장치 | |
KR20050004701A (ko) | 휴대형 컴퓨팅 디바이스의 로케이션 역학을 결정하기 위한시스템 및 방법 | |
CN109657615A (zh) | 一种目标检测的训练方法、装置及终端设备 | |
US9098744B2 (en) | Position estimation device, position estimation method, and program | |
CN108133197B (zh) | 用于生成信息的方法和装置 | |
JP2007148988A (ja) | 顔認証装置、顔認証方法および入退場管理装置 | |
CN103209303A (zh) | 相机设备、通信系统和相机系统 | |
CN116434325A (zh) | 一种特定动作的检测方法、装置、设备及存储介质 | |
CN108664908A (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN113487055A (zh) | 一种智能门票预售方法和装置 | |
CN110738169B (zh) | 车流量监测方法、装置、设备及计算机可读存储介质 | |
KR102116396B1 (ko) | 사회약자 인식장치 및 그 장치의 구동방법 | |
Cho et al. | A fast neural learning vision system for crowd estimation at underground stations platform | |
CN110781809A (zh) | 基于注册特征更新的识别方法、装置及电子设备 | |
CN110097600A (zh) | 用于识别交通标志牌的方法及装置 | |
CN114360055A (zh) | 基于人工智能的行为检测方法、设备及存储介质 | |
KR101917362B1 (ko) | 시각 장애인용 실내 위치기반 서비스 시스템 | |
CN116012776B (zh) | 一种人数监测方法、装置、电子设备及可读存储介质 | |
Vij et al. | Use of ecdf-based features and ensemble of classifiers to accurately detect mobility activities of people using accelerometers | |
EP3091497A1 (en) | Recommendation system and method for a mobile device based on raw data which is collected from sensors of the mobile device | |
KR102377486B1 (ko) | WiFi 센싱 데이터를 이용한 보행자 특성 분석 시스템 및 이를 이용한 보행자 특성 분석 방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220907 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |