CN111291989B - 一种大型建筑人流深度学习调配系统及其方法 - Google Patents

一种大型建筑人流深度学习调配系统及其方法 Download PDF

Info

Publication number
CN111291989B
CN111291989B CN202010078886.7A CN202010078886A CN111291989B CN 111291989 B CN111291989 B CN 111291989B CN 202010078886 A CN202010078886 A CN 202010078886A CN 111291989 B CN111291989 B CN 111291989B
Authority
CN
China
Prior art keywords
crowd
module
submodule
people
people flow
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.)
Active
Application number
CN202010078886.7A
Other languages
English (en)
Other versions
CN111291989A (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Terminus Technology Co Ltd
Original Assignee
Chongqing Terminus Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Terminus Technology Co Ltd filed Critical Chongqing Terminus Technology Co Ltd
Priority to CN202010078886.7A priority Critical patent/CN111291989B/zh
Publication of CN111291989A publication Critical patent/CN111291989A/zh
Application granted granted Critical
Publication of CN111291989B publication Critical patent/CN111291989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种大型建筑人流深度学习调配系统及其方法，包括：发掘模块、分析模块、确定模块、预测模块、调配模块；所述发掘模块连接所述分析模块，所述分析模块连接所述发掘模块、所述确定模块与所述预测模块，所述确定模块连接所述分析模块，所述预测模块连接所述分析模块、所述确定模块与所述调配模块，所述调配模块连接所述预测模块，用于根据所述预测结果，判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。该系统利用机器深度学习的发掘和预测人流动向，并相应地对人流动向相关的建筑服务设施和服务资源进行必要的调配，以便适应人流的需求。

Description

一种大型建筑人流深度学习调配系统及其方法
技术领域
本发明涉及人流调配技术领域，具体是一种大型建筑人流深度学习调配系统及其方法。
背景技术
在交通枢纽、景区热点等地方有可能发生人流的冲突，造成拥堵、滞留、混乱等情况，危害正常的通行秩序和公共安全。现有技术中只有当监视到人流冲突时才能进行处置疏导，存在比较大的滞后性，并且，调配人群流向相关的建筑服务设施与服务资源较为滞后，造成同一时间段内的建筑服务设施与服务资源紧张，不能与人群流向相匹配。
因此，如何发掘预测人流动向，并相应地对人流动向相关的建筑服务设施和服务资源进行调配是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题，本发明的目的是解决目前关于人群冲突不能提前预测，并且与人群流向相关的建筑服务设施与服务资源调配较为滞后的问题，实现发掘和预测人流动向，并相应地对人流动向相关的建筑服务设施和服务资源进行调配，适应人流的需求，保证了正常的通行秩序与公共安全。
本发明实施例提供一种大型建筑人流深度学习调配系统，包括：发掘模块、分析模块、确定模块、预测模块、调配模块；
所述发掘模块连接所述分析模块，用于获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给所述分析模块；
所述分析模块连接所述发掘模块、所述确定模块与所述预测模块，用于根据所述小规模人群，生成人流轨迹，分析所述人流轨迹的运行特征，将所述人流轨迹的运行特征发送给所述确定模块，并将所述人流轨迹与所述运行特征发送给所述预测模块；
所述确定模块连接所述分析模块，用于根据所述人流轨迹的运行特征，确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给所述预测模块；
所述预测模块连接所述分析模块、所述确定模块与所述调配模块，用于根据所述人流轨迹、所述运行特征与空间单元关联特征，对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块；
所述调配模块连接所述预测模块，用于根据所述预测结果，判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
在一个实施例中所述发掘模块，包括：提取识别子模块、确定子模块、聚合子模块；
所述提取识别子模块连接所述确定子模块，用于获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像，并将所述人脸图像发送给所述确定子模块；
所述确定子模块连接所述提取识别子模块与所述聚合子模块，用于确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给所述聚合子模块；
所述聚合子模块连接所述确定子模块与所述分析模块，用于根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群，并将所述小规模人群发送给所述分析模块。
在一个实施例中，所述分析模块，包括：选取子模块、连接子模块、分析子模块；
所述选取子模块连接所述连接子模块，用于选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给所述连接子模块；
所述连接子模块连接所述选取子模块、所述分析子模块与所述预测模块，用于将所述人流的轨迹点进行连接，生成人群的所述人流轨迹，将所述人流轨迹发送给所述分析子模块与所述预测模块；
所述分析子模块连接所述连接子模块、所述确定模块与所述预测模块，用于根据所述人流轨迹，分析所述人流轨迹的运行特征，并将所述人流轨迹的运行特征发送给所述确定模块与所述预测模块。
在一个实施例中，所述运行特征，包括：
移动速度、空间变化尺度、在每个轨迹点的平均停滞时长、人流轨迹的方向一致性程度。
在一个实施例中，所述空间单元关联特征，包括：
所述小规模人群在所述公共空间内经过的空间单元与经过所述空间单元的关联性指标。
在一个实施例中，所述预测模块，包括：数据库、比对子模块、获取子模块、生成子模块、预测子模块；
所述数据库连接所述比对子模块，用于存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
所述比对子模块连接所述数据库与所述获取子模块，用于将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
所述获取子模块连接所述比对子模块与所述生成子模块，用于基于与所述当前人群的人流轨迹同步的历史人群，获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
所述生成子模块连接所述获取子模块与所述预测子模块，用于根据所述历史人群后续的人流轨迹，生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给所述预测子模块；
所述预测子模块连接所述生成子模块、所述确定模块与所述调配模块，用于根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块。
基于上述目的，在本申请的第二个方面，还提出了一种大型建筑人流深度学习调配方法，包括：
发掘模块获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给分析模块；
根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征；
根据所述人流轨迹的运行特征，确定模块确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给预测模块；
根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果；
根据所述预测结果，调配模块判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
在一个实施例中，发掘模块获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给分析模块，包括：
提取识别子模块获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像；
确定子模块确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给聚合子模块；
根据所述人脸图像的位置属性，所述聚合子模块将所述位置属性接近且具有同步性的人物聚合为小规模人群。
在一个实施例中，根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征，包括：
选取子模块选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给连接子模块；
所述连接子模块将所述人流的轨迹点进行连接，生成人群的所述人流轨迹；
根据所述人流轨迹，分析子模块分析所述人流轨迹的运行特征。
在一个实施例中，根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，包括：
数据库存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
比对子模块将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
基于与所述当前人群的人流轨迹同步的历史人群，获取子模块获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
根据所述历史人群后续的人流轨迹，生成子模块生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给预测子模块；
所述预测子模块根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的一种大型建筑人流深度学习调配系统及其方法，针对火车站、机场航站楼等大型公共建筑，利用机器深度学习的发掘和预测人流动向，并相应地对人流动向相关的建筑服务设施和服务资源(例如电梯、自动开闭门、照明设备、安检设备、摆渡车辆、工作人力)进行必要的调配，适应了人流的需求。并且通过发掘小规模人群，缩小了对视频画面的处理量，提高了分析人群流向的准确性，通过将当前人群的人流轨迹和运行特征与历史人群的人流轨迹与运行特征进行比对，利用历史大数据完成了对当前人群流向的精准预测，并且利用空间单元关联特征提前对人群流向对应的建筑服务设施和服务资源进行调配，提高了资源利用率，维护了正常的交通秩序与公共安全。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的一种大型建筑人流深度学习调配系统的框图；
图2为本发明实施例提供的场景视频画面中人脸图像的临时ID与位置属性示意图；
图3为本发明实施例提供的一种大型建筑人流深度学习调配方法流程图；
图4为本发明实施例提供的步骤S301的流程图；
图5为本发明实施例提供的步骤302的流程图；
图6为本发明实施例提供的步骤S304的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示，本发明实施例提供的一种大型建筑人流深度学习调配系统，包括：发掘模块1、分析模块2、确定模块3、预测模块4、调配模块5；
所述发掘模块1连接所述分析模块2，用于获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给所述分析模块2。
所述分析模块2连接所述发掘模块1、所述确定模块3与所述预测模块4，用于根据所述小规模人群，生成人流轨迹，分析所述人流轨迹的运行特征，将所述人流轨迹的运行特征发送给所述确定模块3，并将所述人流轨迹与所述运行特征发送给所述预测模块4。
所述确定模块3连接所述分析模块2，用于根据所述人流轨迹的运行特征，确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给所述预测模块4。
具体的，所述空间单元关联特征，包括：所述小规模人群在所述公共空间内经过的空间单元与经过所述空间单元的关联性指标(例如，小规模人群经过了安检区、餐饮消费区、候车区三个空间单元，在每个空间单元中停留的时间越长则关联性指标越强)。
进一步的，将大型建筑的公共空间按照其建筑格局和功能划分为一定的空间单位，比如火车站的公交站点、进站口、安检区、购票区、候车区、餐饮消费区、各个站台口、出站口等，都分别被划分为空间单位。
所述预测模块4连接所述分析模块2、所述确定模块3与所述调配模块5，用于根据所述人流轨迹、所述运行特征与空间单元关联特征，对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块5。
所述调配模块5连接所述预测模块4，用于根据所述预测结果，判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
本实施例中，针对火车站、机场航站楼等大型公共建筑，利用机器深度学习的发掘和预测人流动向，并相应地对人流动向相关的建筑服务设施和服务资源(例如电梯、自动开闭门、照明设备、安检设备、摆渡车辆、工作人力)进行必要的调配，适应了人流的需求。并且通过发掘小规模人群，缩小了对视频画面的处理量，提高了分析人群流向的准确性，通过将当前人群的人流轨迹和运行特征与历史人群的人流轨迹与运行特征进行比对，利用历史大数据完成了对当前人群流向的精准预测，并且利用空间单元关联特征提前对人群流向对应的建筑服务设施和服务资源进行调配，提高了资源利用率，维护了正常的交通秩序与公共安全。
在一个实施例中，参照图1-2所示，所述发掘模块1，包括：提取识别子模块6、确定子模块7、聚合子模块8；
所述提取识别子模块6连接所述确定子模块7，用于获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像，并将所述人脸图像发送给所述确定子模块7。
具体的，从安防摄像机拍摄的场景视频的画面帧中，通过封闭边缘检测的方式从所述视频画面中提取并识别每个人物的人脸图像。
所述确定子模块7连接所述提取识别子模块6与所述聚合子模块8，用于确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给所述聚合子模块8。
例如，图2中的a区域显示该人脸图像的ID为1111，其位置属性为(x1,y1)；b区域显示该人脸图像的ID为1222，其位置属性为(x2,y2)，以此类推，图2中的所有人脸图像都设置有属于每个人脸图像的唯一临时ID与位置属性。
所述聚合子模块8连接所述确定子模块7与所述分析模块2，用于根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群，并将所述小规模人群发送给所述分析模块2。
具体的，根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群具体包括如下步骤：
(1)、从每一个场景视频画面帧包含的N个人脸图像中随机选择m个人脸图像(例如，m＝4)作为初始聚合中心；
(2)、基于每个人脸图像的位置属性，根据其余人脸图像与上述初始聚合中心的距离值，将人脸图像归入最近的初始聚合中心所在的人群，生成第1轮的m个人群；
(3)、从m个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像，作为第1轮新的聚合中心；
(4)、将其它人脸图像根据与上述新的聚合中心的距离值归入最近的聚合中心所在的人群；
(5)、从每个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像作为新的聚合中心；
(6)、重复以上过程，直到每个人群归入的人脸图像不再变更，则本场景视频画面帧中的人群划分完成；
(7)、获取本场景视频画面帧中每个人群包含的人脸图像的临时ID；
(8)、对于公共空间的全部场景视频画面帧(可以多台安防摄像机拍摄，例如，可以针对公共空间安装多台安防摄像机，这些摄像机覆盖的拍摄范围相邻接)，可以从上述全部场景视频画面帧中时间均匀地抽样出L个场景视频画面帧(例如均匀抽样50个场景视频画面帧)；
(9)、如上述步骤(1)-(7)，被抽样的每个场景视频画面帧均被划分为m个人群，即一共L*m个人群(例如一共有200个人群)；
(10)、对于出现在这L个场景视频画面帧中全部的人脸图像临时ID，计算其中任意两个人脸图像临时ID的同步性值；
具体的，将两个人脸ID在L*m个人群中属于同一个人群的次数作为所述同步性值；
进一步的，将这L个画面帧中全部的人脸图像临时ID按照同步性值划分为最终的人群，保证在每个最终的人群中存在的人脸图像临时ID相互之间的同步性值均大于预设的同步性阈值。
(11)、将位置属性接近且具有同步性的人群聚合为一个小规模人群。
下面通过一个完整的实施例来说明计算其中任意两个人脸图像临时ID的同步性值的。
实施例1：
从全部场景视频画面帧中时间均匀地抽样出50个场景视频画面帧；
在50个场景视频画面帧中，每个场景视频画面帧划分为4个人群，共200个人群；
50个场景视频画面帧中存在A－H个人脸图像的临时ID，其中人脸图像的临时ID为A和B共同出现在200个人群中的180个人群中，则二者的同步性值为180；
计算A－B、A－C、A－D、A－E、A－F、A－H、B－C、B－D…B－H、C－D…G－H各自的同步性值；
划分最终的人群，将A－D划分为同一个人群，则A－B，A－C、A－D、B－C、B－D、C－D的同步性值均不低于同步性阈值。
在一个实施例中，所述分析模块2，包括：选取子模块9、连接子模块10、分析子模块11；
所述选取子模块9连接所述连接子模块10，用于选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给所述连接子模块10；
所述连接子模块10连接所述选取子模块9、所述分析子模块11与所述预测模块4，用于将所述人流的轨迹点进行连接，生成人群的所述人流轨迹，将所述人流轨迹发送给所述分析子模块11与所述预测模块4；
所述分析子模块11连接所述连接子模块10、所述确定模块3与所述预测模块4，用于根据所述人流轨迹，分析所述人流轨迹的运行特征，并将所述人流轨迹的运行特征发送给所述确定模块3与所述预测模块4。
具体的，所述运行特征，包括：移动速度、空间变化尺度(例如，在地铁站，人群移动距离为100-300m属于小尺度空间变化，大于300m属于大尺度空间变化)、在每个轨迹点的平均停滞时长、人流轨迹的方向一致性程度。
在一个实施例中，所述预测模块4，包括：数据库12、比对子模块13、获取子模块14、生成子模块15、预测子模块16；
所述数据库12连接所述比对子模块13，用于存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
所述比对子模块13连接所述数据库12与所述获取子模块14，用于将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
所述获取子模块14连接所述比对子模块13与所述生成子模块15，用于基于与所述当前人群的人流轨迹同步的历史人群，获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
所述生成子模块15连接所述获取子模块14与所述预测子模块16，用于根据所述历史人群后续的人流轨迹，生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给所述预测子模块16；
所述预测子模块16连接所述生成子模块15、所述确定模块3与所述调配模块5，用于根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块5。
例如，预测人群后续的人流轨迹会经过安检区、餐饮消费区、候车区三个空间单元，调取人群的空间关联特征，得到该人群会在安检区停留20分钟，在餐饮消费区停留10分钟，在候车区停留10分钟，相应的在安检区提供更多的安检人员，增加安检通道，提高安检的速度。
本实施例中，通过调取数据库中历史人群的人流轨迹与运行特征对当前人群后续的人流轨迹进行预测，进而通过调取空间单元关联特征，进而生成当前人群的空间单元关联特征，对建筑设施与服务资源进行相应的调配，为后续的人流提供充分的服务资源，提高了资源利用率，维护了正常的交通秩序与公共安全。
参照图3所示，一种大型建筑人流深度学习调配方法，包括：
S301、发掘模块获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给分析模块；
S302、根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征。
S303、根据所述人流轨迹的运行特征，确定模块确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给预测模块。
具体的，所述空间单元关联特征，包括：所述小规模人群在所述公共空间内经过的空间单元与经过所述空间单元的关联性指标(例如，小规模人群经过了安检区、餐饮消费区、候车区三个空间单元，在每个空间单元中停留的时间越长则关联性指标越强)。
S304、根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果。
S305、根据所述预测结果，调配模块判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
在一个实施例中，如图4所示，步骤S301，即发掘模块获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给分析模块，包括：
S3011、提取识别子模块获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像。
具体的，从安防摄像机拍摄的场景视频的画面帧中，通过封闭边缘检测的方式从所述视频画面中提取并识别每个人物的人脸图像。
S3012、确定子模块确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给聚合子模块。
S3013、根据所述人脸图像的位置属性，所述聚合子模块将所述位置属性接近且具有同步性的人物聚合为小规模人群。
在一个实施例中，如图5所示，步骤S302，即根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征，包括：
S3021、选取子模块选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给连接子模块。
S3022、所述连接子模块将所述人流的轨迹点进行连接，生成人群的所述人流轨迹。
S3023、根据所述人流轨迹，分析子模块分析所述人流轨迹的运行特征。
具体的，所述运行特征，包括：移动速度、空间变化尺度(例如，在地铁站，人群移动距离为100-300m属于小尺度空间变化，大于300m属于大尺度空间变化)、在每个轨迹点的平均停滞时长、人流轨迹的方向一致性程度。
在一个实施例中，如图6所示，步骤S304，即根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，包括：
S3041、数据库存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
S3042、比对子模块将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
S3043、基于与所述当前人群的人流轨迹同步的历史人群，获取子模块获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
S3044、根据所述历史人群后续的人流轨迹，生成子模块生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给预测子模块；
S3045、所述预测子模块根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种大型建筑人流深度学习调配系统，其特征在于，包括：发掘模块、分析模块、确定模块、预测模块、调配模块；
所述发掘模块，包括：提取识别子模块、确定子模块、聚合子模块；
所述提取识别子模块连接所述确定子模块，用于获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像，并将所述人脸图像发送给所述确定子模块；
所述确定子模块连接所述提取识别子模块与所述聚合子模块，用于确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给所述聚合子模块；
所述聚合子模块连接所述确定子模块与所述分析模块，用于根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群，
根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群具体包括如下步骤：
(1)、从每一个场景视频画面帧包含的N个人脸图像中随机选择m个人脸图像作为初始聚合中心；
(2)、基于每个人脸图像的位置属性，根据其余人脸图像与上述初始聚合中心的距离值，将人脸图像归入最近的初始聚合中心所在的人群，生成第1轮的m个人群；
(3)、从m个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像，作为第1轮新的聚合中心；
(4)、将其它人脸图像根据与上述新的聚合中心的距离值归入最近的聚合中心所在的人群；
(5)、从每个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像作为新的聚合中心；
(6)、重复以上过程，直到每个人群归入的人脸图像不再变更，则本场景视频画面帧中的人群划分完成；
(7)、获取本场景视频画面帧中每个人群包含的人脸图像的临时ID；
(8)、对于公共空间的全部场景视频画面帧，可以从全部场景视频画面帧中时间均匀地抽样出L个场景视频画面帧；
(9)、如上述步骤(1)-(7)，被抽样的每个场景视频画面帧均被划分为m个人群，即一共L*m个人群；
(10)、对于出现在这L个场景视频画面帧中全部的人脸图像临时ID，计算其中任意两个人脸图像临时ID的同步性值；
将两个人脸ID在L*m个人群中属于同一个人群的次数作为所述同步性值；
将L个画面帧中全部的人脸图像临时ID按照同步性值划分为最终的人群，保证在每个最终的人群中存在的人脸图像临时ID相互之间的同步性值均大于预设的同步性阈值；
(11)、将位置属性接近且具有同步性的人群聚合为一个小规模人群；
将所述小规模人群发送给所述分析模块；
所述分析模块连接所述发掘模块、所述确定模块与所述预测模块，用于根据所述小规模人群，生成人流轨迹，分析所述人流轨迹的运行特征，将所述人流轨迹的运行特征发送给所述确定模块，并将所述人流轨迹与所述运行特征发送给所述预测模块；
所述确定模块连接所述分析模块，用于根据所述人流轨迹的运行特征，确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给所述预测模块；
所述预测模块连接所述分析模块、所述确定模块与所述调配模块，用于根据所述人流轨迹、所述运行特征与空间单元关联特征，对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块；
所述调配模块连接所述预测模块，用于根据所述预测结果，判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
2.如权利要求1所述的一种大型建筑人流深度学习调配系统，其特征在于，所述分析模块，包括：选取子模块、连接子模块、分析子模块；
所述选取子模块连接所述连接子模块，用于选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给所述连接子模块；
所述连接子模块连接所述选取子模块、所述分析子模块与所述预测模块，用于将所述人流的轨迹点进行连接，生成人群的所述人流轨迹，将所述人流轨迹发送给所述分析子模块与所述预测模块；
所述分析子模块连接所述连接子模块、所述确定模块与所述预测模块，用于根据所述人流轨迹，分析所述人流轨迹的运行特征，并将所述人流轨迹的运行特征发送给所述确定模块与所述预测模块。
3.如权利要求2所述的一种大型建筑人流深度学习调配系统，其特征在于，所述运行特征，包括：
移动速度、空间变化尺度、在每个轨迹点的平均停滞时长、人流轨迹的方向一致性程度。
4.如权利要求1所述的一种大型建筑人流深度学习调配系统，其特征在于，所述空间单元关联特征，包括：
所述小规模人群在所述公共空间内经过的空间单元与经过所述空间单元的关联性指标。
5.如权利要求1所述的一种大型建筑人流深度学习调配系统，其特征在于，所述预测模块，包括：数据库、比对子模块、获取子模块、生成子模块、预测子模块；
所述数据库连接所述比对子模块，用于存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
所述比对子模块连接所述数据库与所述获取子模块，用于将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
所述获取子模块连接所述比对子模块与所述生成子模块，用于基于与所述当前人群的人流轨迹同步的历史人群，获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
所述生成子模块连接所述获取子模块与所述预测子模块，用于根据所述历史人群后续的人流轨迹，生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给所述预测子模块；
所述预测子模块连接所述生成子模块、所述确定模块与所述调配模块，用于根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块。
6.一种大型建筑人流深度学习调配方法，其特征在于，包括：
发掘模块获取公共空间的场景视频画面，在所述场景视频画面中发掘小规模人群，并将所述小规模人群发送给分析模块，所述发掘模块包括提取识别子模块、确定子模块和聚合子模块，其中，所述提取识别子模块获取公共空间的场景视频画面，提取并识别所述场景视频画面中人脸图像；
所述确定子模块确定所述人脸图像的临时ID与位置属性，并将所述人脸图像的临时ID与位置属性发送给聚合子模块；
根据所述人脸图像的位置属性，所述聚合子模块将所述位置属性接近且具有同步性的人物聚合为小规模人群，其中，根据所述人脸图像的位置属性，将所述位置属性接近且具有同步性的人物聚合为小规模人群具体包括如下步骤：
(1)、从每一个场景视频画面帧包含的N个人脸图像中随机选择m个人脸图像作为初始聚合中心；
(2)、基于每个人脸图像的位置属性，根据其余人脸图像与上述初始聚合中心的距离值，将人脸图像归入最近的初始聚合中心所在的人群，生成第1轮的m个人群；
(3)、从m个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像，作为第1轮新的聚合中心；
(4)、将其它人脸图像根据与上述新的聚合中心的距离值归入最近的聚合中心所在的人群；
(5)、从每个人群中选取距离本人群内的人脸图像平均距离值最小的一个人脸图像作为新的聚合中心；
(6)、重复以上过程，直到每个人群归入的人脸图像不再变更，则本场景视频画面帧中的人群划分完成；
(7)、获取本场景视频画面帧中每个人群包含的人脸图像的临时ID；
(8)、对于公共空间的全部场景视频画面帧，可以从全部场景视频画面帧中时间均匀地抽样出L个场景视频画面帧；
(9)、如上述步骤(1)-(7)，被抽样的每个场景视频画面帧均被划分为m个人群，即一共L*m个人群；
(10)、对于出现在这L个场景视频画面帧中全部的人脸图像临时ID，计算其中任意两个人脸图像临时ID的同步性值；
将两个人脸ID在L*m个人群中属于同一个人群的次数作为所述同步性值；
将L个画面帧中全部的人脸图像临时ID按照同步性值划分为最终的人群，保证在每个最终的人群中存在的人脸图像临时ID相互之间的同步性值均大于预设的同步性阈值；
(11)、将位置属性接近且具有同步性的人群聚合为一个小规模人群；
根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征；
根据所述人流轨迹的运行特征，确定模块确定所述小规模人群的空间单元关联特征，并将所述空间单元关联特征发送给预测模块；
根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果；
根据所述预测结果，调配模块判断所述当前人群的人流流向与所述当前人群停留的空间单位，并向所述空间单位调配相应的服务设施和服务资源。
7.如权利要求6所述的一种大型建筑人流深度学习调配方法，其特征在于，根据所述小规模人群，所述分析模块生成人流轨迹，分析所述人流轨迹的运行特征，包括：
选取子模块选取所述公共空间中每个摄像机的拍摄范围作为人流的轨迹点，并将所述人流的轨迹点发送给连接子模块；
所述连接子模块将所述人流的轨迹点进行连接，生成人群的所述人流轨迹；
根据所述人流轨迹，分析子模块分析所述人流轨迹的运行特征。
8.如权利要求7所述的一种大型建筑人流深度学习调配方法，其特征在于，根据所述人流轨迹、所述运行特征与空间单元关联特征，所述预测模块对当前人群与历史人群记录进行相似性分析，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，包括：
数据库存储经过所述公共空间的历史人群、人流轨迹和运行特征的历史记录；
比对子模块将所述当前人群的人流轨迹与所述历史人群的人流轨迹记录进行比对，确定与所述当前人群的人流轨迹同步的历史人群；
基于与所述当前人群的人流轨迹同步的历史人群，获取子模块获取与所述当前人群的运行特征相似度最高的历史人群，确定所述历史人群后续的人流轨迹；
根据所述历史人群后续的人流轨迹，生成子模块生成所述当前人群后续的人流轨迹，将所述当前人群后续的人流轨迹发送给预测子模块；
所述预测子模块根据所述当前人群后续的人流轨迹，调取所述小规模人群的空间单元关联特征，生成所述当前人群向每个空间单元的流向与在所述每个空间单元的停留情况的预测结果，将所述预测结果发送给所述调配模块。
CN202010078886.7A 2020-02-03 2020-02-03 一种大型建筑人流深度学习调配系统及其方法 Active CN111291989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010078886.7A CN111291989B (zh) 2020-02-03 2020-02-03 一种大型建筑人流深度学习调配系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010078886.7A CN111291989B (zh) 2020-02-03 2020-02-03 一种大型建筑人流深度学习调配系统及其方法

Publications (2)

Publication Number Publication Date
CN111291989A CN111291989A (zh) 2020-06-16
CN111291989B true CN111291989B (zh) 2023-03-24

Family

ID=71020351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010078886.7A Active CN111291989B (zh) 2020-02-03 2020-02-03 一种大型建筑人流深度学习调配系统及其方法

Country Status (1)

Country Link
CN (1) CN111291989B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109791601A (zh) * 2016-08-23 2019-05-21 昕诺飞控股有限公司 人群娱乐
CN110491065A (zh) * 2019-08-15 2019-11-22 重庆特斯联智慧科技股份有限公司 一种基于LoRa技术的智慧消防报警系统
CN110633648A (zh) * 2019-08-21 2019-12-31 重庆特斯联智慧科技股份有限公司 一种自然行走状态下的人脸识别方法和系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060018516A1 (en) * 2004-07-22 2006-01-26 Masoud Osama T Monitoring activity using video information
US8866821B2 (en) * 2009-01-30 2014-10-21 Microsoft Corporation Depth map movement tracking via optical flow and velocity prediction
CN101795395B (zh) * 2009-02-04 2012-07-11 深圳市先进智能技术研究所 一种人群态势监控系统及方法
CN104700434B (zh) * 2015-03-27 2017-10-31 北京交通大学 一种用于复杂结构化场景的人群运动轨迹异常检测方法
JP6822123B2 (ja) * 2016-12-19 2021-01-27 ソニー株式会社 画像処理装置、画像処理方法及びプログラム
CN106778688B (zh) * 2017-01-13 2020-03-31 辽宁工程技术大学 一种拥挤场景监控视频中人群流异常事件的检测方法
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
CN108960656A (zh) * 2018-07-12 2018-12-07 中国科学院地理科学与资源研究所 一种基于手机数据的城市人群疏散风险动态评价方法
CN109977800A (zh) * 2019-03-08 2019-07-05 上海电力学院 一种结合多特征的密集场景人群分群检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109791601A (zh) * 2016-08-23 2019-05-21 昕诺飞控股有限公司 人群娱乐
CN110491065A (zh) * 2019-08-15 2019-11-22 重庆特斯联智慧科技股份有限公司 一种基于LoRa技术的智慧消防报警系统
CN110633648A (zh) * 2019-08-21 2019-12-31 重庆特斯联智慧科技股份有限公司 一种自然行走状态下的人脸识别方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The wisdom of crowds: Mutual fund investors’ aggregate asset allocation decisions;John Chalmers 等;《Journal of Banking & Finance》;20130930;第37卷(第9期);第3318-3333页 *
城市邻近基站间人群流动时空变化同步性分析;朱菁玮 等;《地球信息科学学报》;20180630;第20卷(第6期);第844-853页 *
多目标监控场景下的检测和跟踪技术研究;才盛;《中国优秀硕士学位论文全文数据库 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20140815(第8期);第I138-1346页 *
智能监控系统中行人重识别方法研究;刘晓凯;《中国博士学位论文全文数据库 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20180815(第8期);第I138-28页 *

Also Published As

Publication number Publication date
CN111291989A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
WO2022126669A1 (zh) 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法
US10217359B2 (en) System of correlated video and lighting for parking management and control
CN108710827B (zh) 一种社区微警务巡查和信息自动分析系统及方法
JP6662653B2 (ja) 道路交通調査システム
CN116824859B (zh) 一种基于物联网的智慧交通大数据分析系统
CN107483894B (zh) 基于场景判断实现客运管理的高铁车站视频监控系统
WO2016056692A1 (ko) 지하철 객실 별 실시간 냉난방 제어 시스템
CN110555381A (zh) 人员疏导系统及人员疏导方法
Manase et al. Car detection in roadside parking for smart parking system based on image processing
Martani et al. Pedestrian monitoring techniques for crowd-flow prediction
CN117423066B (zh) 一种基于多源数据融合分析的目标人员识别方法
Muthanna et al. Smart system of a real-time pedestrian detection for smart city
CN111291989B (zh) 一种大型建筑人流深度学习调配系统及其方法
KR102614856B1 (ko) 군중 난류 위험 예측 시스템 및 방법
CN110909607B (zh) 一种智慧地铁运营中客流感知的装置系统
Morozov et al. Prototype of Urban Transport Passenger Accounting System
CN115830761A (zh) 闸机通行标注方法、装置、计算机设备和存储介质
CN114283386B (zh) 一种基于大数据的分析适应密集场景人流实时监测系统
CN111259801B (zh) 一种轨迹预测的人流冲突调节方法和系统
Gheorghiu et al. Computer vision application to determine crowdedness in public transport stations
CN110417831B (zh) 智能设备计算资源分配方法、装置及系统
Shen et al. Metro Pedestrian Detection Based on Mask R-CNN and Spatial-temporal Feature
CN117809400B (zh) 一种适用于航站楼的安检旅客流量智能化监测系统
CN112699843B (zh) 一种身份识别方法及系统
CN117423048A (zh) 重点人员数字化追踪系统及方法

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