CN111523529A - 基于乘客出行轨迹的轨道交通疫情防控系统及方法 - Google Patents
基于乘客出行轨迹的轨道交通疫情防控系统及方法 Download PDFInfo
- Publication number
- CN111523529A CN111523529A CN202010637793.3A CN202010637793A CN111523529A CN 111523529 A CN111523529 A CN 111523529A CN 202010637793 A CN202010637793 A CN 202010637793A CN 111523529 A CN111523529 A CN 111523529A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- data
- information
- neural network
- 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
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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例中提供了一种基于乘客出行轨迹的轨道交通疫情防控系统及方法,属于智能设备技术领域,该系统包括:第一信息采集装置,用于对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;第一数据处理装置,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型;第二信息采集装置,用于当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;第二数据处理装置,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,用以生成所述目标对象的轨迹信息。通过本公开的处理方案,能够有效的获取目标对象在轨道交通中的轨迹信息。
Description
技术领域
本公开涉及智能设备技术领域,尤其涉及一种基于乘客出行轨迹的轨道交通疫情防控系统及方法。
背景技术
随着中国经济的飞速发展和城市化进程的加速,轨道交通已经成为城市的重要交通工具,与城市居民通勤、旅游、商务人士的日常出行息息相关。
城市轨道交通作为城市公共交通的骨干,人员流动性大、密集程度高,在面对重大疫情时,存在传染病快速传播的风险,如何实现病源乘客的身份识别及行迹描述、密切接触病源乘客的识别及活动范围筛查、为车站及车厢内乘客密度限流调控提供实时数据等功能,对于轨道交通疫情防控有着十分重要的意义。
目前,对于轨道交通疫情防控的研究较少,地铁运营单位一般采用体温检测、限流、控制乘客拥挤度等措施,降低疾病传播的风险,一些学者仅仅针对轨道交通环境下的疾病传播特点,提出了一些加强消毒、增大送风强度提高通风效果、采取分批放行等形式减少站台区域乘客停留数量、通过缩短行车间隔提升轨道交通列车输送能力等车站防控措施。这些措施能一定程度预防疫情的传播,但缺乏对轨道交通各区域客流密度的实时监控,无法做到灵活的运营组织管理调控,同样当出现感染者乘客后,缺少有效的手段快速筛检出与之出行过程中相关联的实际接触者、间接接触者。
发明内容
有鉴于此,本公开实施例提供一种基于乘客出行轨迹的轨道交通疫情防控方法、装置及电子设备,以至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于乘客出行轨迹的轨道交通疫情防控系统,包括:
第一信息采集装置,用于对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;
第一数据处理装置,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵;
第二信息采集装置,用于当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;
第二数据处理装置,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
根据本公开实施例的一种具体实现方式,所述第一信息采集装置还包括:
温度感测器,所述温度感测器能够实时测量经过第一检测点的目标对象的温度,形成第一温度测量值,并将所述第一温度测量值与所述第一标识一起形成第一温度向量。
根据本公开实施例的一种具体实现方式,所述第一信息采集装置还包括:
第一图像采集器,所述第一图像采集器包括专用图像处理器以及与所述专用图像处理器连接的多个图像感应单元,每个图像感应单元配置专门访问地址的地址单元;
所述专用图像处理器基于获取的视野中目标对象的数目,从多个图像感应单元中选择不同的图像感应单元来存储不同的目标对象,并获取各个不同的目标对象形成的图像所对应的感应单元的初始访问地址;
在图像感应单元中存储的图像被读取之后,所述专用图像处理器根据图像感应单元的初始访问地址分别向所述目标图像感应单元发送地址修改指令,并将修改完成之后的地址进行保存,以便于执行下一次的图像采集操作。
根据本公开实施例的一种具体实现方式,所述系统还包括:
数据存储装置,所述数据存储装置中设置有目标数据库,用于存储来自第一信息采集装置、第二信息采集装置、第一数据处理装置及第二数据处理装置生成的存储数据。
根据本公开实施例的一种具体实现方式,所述数据存储装置,包括:
数据读取接口,用于获取待存储到目标数据库的存储数据;
数据缓存层,用于将所述数据读取接口获取到的数据存储至数据缓冲层中,以得到包含所述存储数据的缓冲数据;
压缩模块,用于当所述数据缓冲层中的缓冲数据超过预设阈值之后,对所述缓冲层中的缓冲数据执行压缩加密操作,以得到压缩加密数据;
存储模块,用于将所述压缩加密数据存储到所述目标数据库的存储文件中。
根据本公开实施例的一种具体实现方式,
所述第一神经网络模型中还设置有对第一图像进行图像处理的分割子网络,所述分割子网络中设置有多个用于特征提取的卷积层和用于图像特征信息采样的采样层,以便于对于所述第一图像中的内容进行分割处理。
根据本公开实施例的一种具体实现方式,所述第二信息采集装置,包括:
位置采集模块,所述位置采集模块用于实时采集第二信息采集装置的运动轨迹,以便于将该运动轨迹与目标对象的运动轨迹进行融合。
根据本公开实施例的一种具体实现方式,所述第二数据处理装置还用于:
通过预先设置的通信通道与所述目标数据库定期发送长连接请求;
基于目标数据库针对该长连接请求的响应,建立与目标数据库之间的第一长连接,以便于实时的接收来自目标数据库发送的针对第一数据处理装置相关的数据;
监控所述第二信息采集装置是否存在新的采集数据;
若是,则在断开所述第一长连接的同时,与所述第二信息采集装置之间建立第二长连接,以便于基于所述第二长连接来接收第二信息采集装置中采集的图像。
第二方面,本公开实施例提供了一种基于乘客出行轨迹的轨道交通疫情防控方法,包括:
利用第一信息采集装置对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;
通过第一数据处理装置进行数据处理,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵;
利用第二信息采集装置,当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;
通过第二数据处理装置进行数据处理,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第二方面或第二方面的任一实现方式中的基于乘客出行轨迹的轨道交通疫情防控方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第二方面或第二方面的任一实现方式中的基于乘客出行轨迹的轨道交通疫情防控方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第二方面或第二方面的任一实现方式中的基于乘客出行轨迹的轨道交通疫情防控方法。
本公开实施例中的基于乘客出行轨迹的轨道交通疫情防控方案,包括第一信息采集装置,用于对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;第一数据处理装置,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵;第二信息采集装置,用于当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;第二数据处理装置,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。通过本公开的处理方案,能够快速准确的对目标对象在轨道交通中的轨迹进行监控和查询。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种基于乘客出行轨迹的轨道交通疫情防控系统的结构示意图;
图2为本公开实施例提供的一种第一信息采集装置的结构示意图;
图3为本公开实施例提供的一种第一数据处理装置的结构示意图;
图4为本公开实施例提供的一种第二信息采集装置的结构示意图;
图5为本公开实施例提供的一种基于乘客出行轨迹的轨道交通疫情防控方法的流程图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,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公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开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,在没有背离本公开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。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开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。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于乘客出行轨迹的轨道交通疫情防控方法。本实施例提供的基于乘客出行轨迹的轨道交通疫情防控方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、客户端等中。
参见图1,本公开实施例中的基于乘客出行轨迹的轨道交通疫情防控系统,可以包括第一信息采集装置、第一数据处理装置、第二信息采集装置以及第二数据处理装置。
第一信息采集装置,用于对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像。其中,第一信息采集装置可以是带有多种信息采集功能的装置,例如,第一信息采集装置可以进行图像和温度的采集。第一检测点可以是轨道交通中设置的第一个检测目标对象(乘客)的检测点,第一检测点可以是乘客进入轨道交通的入口,或者是在其他地方设置的专门检测用户疫情相关信息的地点。
可以利用第一信息采集装置中设置的图像采集装置(例如,摄像头)对用户进行信息采集,由于第一检测点设置的位置比较灵活,可以具有较大的空间来放置图像处理能力比较强大的机器和设备,例如,可以设置较高分辨率的第一信息采集设备,同时在第一信息采集设备中内置图像识别模块,该图像识别模块可以通过软件或硬件的方式进行设置,从而能够对检测到的每个目标对象(乘客)设置唯一的ID标识(第一标识),用来标识进入轨道交通的乘客,同时采集该第一标识所对应的图片(例如,人脸图片)。
第一数据处理装置,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵。
第一数据处理装置与第一信息采集装置通信连接,例如,第一数据处理装置可以是一个带有专门数据处理功能的计算机或其他计算设备,由于第一信息采集装置中采集到的乘客的图像通常需要占用较大的空间,为了进一步对第一图像进行量化处理,在第一数据处理装置中设置专门对第一图像进行处理的第一神经网络模型,该第一神经网络模型可以例如是卷积神经网络模型,也可以是其他具有图像处理能力的神经网络模型。
以卷积神经网络为例,第一神经网络模型可以包括用户进行特征提取的第一特征提取层,例如,第一特征提取层可以是卷积层,通过卷积计算的方式来获取第一图像的特征,除此之外,还可以在第一特征提取层后面设置全连接层,通过全连接层对第一图像的类别进行分类处理。
作为一种情况,在全连接层进行分类处理的过程中,可以将第一数据处理装置采集的目标对象的温度值作为单独的温度输入向量,从而基于温度输入向量和第一图像中的第一特征矩阵,利用全连接层对目标用户的是否属于疫情高危人群进行分类判断,形成第一分类向量。
除此之外,基于所述第一特征矩阵、所述第一分类向量和所述第一标识,还可以生成与所述目标对象对应的第一识别矩阵,用以对目标对象的状态进行标识。
第二信息采集装置,用于当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息。
第二信息采集装置可以是带有多种信息采集功能的装置,例如,第二信息采集装置可以进行图像和温度的采集。第二检测点可以是轨道交通中设置的第二个检测目标对象(乘客)的检测点,第二检测点可以是轨道交通中车厢的入口,通过在车厢入口设置第二检测点,能够通过固定车厢的方式,确定目标对象在车厢中的轨迹信息。
可以利用第二信息采集装置中设置的图像采集装置(例如,摄像头)对用户进行信息采集,由于第二检测点通常设置在轨道交通的车厢内,其位置通常比较狭小,为此,可以设置低分辨率的摄像装置来进行采集目标对象的图像或温度信息,从而进一步的生成第二图像,并生成所述第二检测点的第二标识信息,第二标识信息用来标识第二检测点的具体位置,例如,第二标识信息可以是xx年xx月xx日在xx站台的第xx次车第xx车厢。从而利用第二标识信息可以进一步的将目标对象的轨迹与具体的车厢进行了有效的对应。
第二数据处理装置,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
由于第二检测点通常设置在车厢等空间较为狭窄的区域,第二数据处理装置在对第二信息采集装置中的第二图像进行处理的时候,需要进行快速的处理,为此,可以基于第一数据处理装置中已经计算出来的目标对象的第一识别矩阵来进行,通过比较第二图像与第一识别矩阵中的匹配情况,来进一步的确定目标对象的轨迹。具体的,可以在第二数据处理装置中设置第二神经网络模型,第二神经网络模型可以是类似于卷积神经网络模型,或者其他类型的神经网络模型,第二神经网络模型可以包括特征提取层和匹配层,特征提取层可以通过卷积层的方式来实现,匹配层可以通过设置匹配函数的方式来实现。在特征提取层获取第二图像的特征矩阵之后,得到第二特征矩阵,通过将第二特征矩阵很第一特征矩阵进行匹配度计算,可以判断第二信息采集装置和第一信息采集装置拍摄的图像是否为同一个目标对象的图像,若是,则可以进一步的将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。通过这种方式,能够基于第一检测点和第二检测点的数据进行关联设置,从而有效的获取乘客在轨道交通中的行动轨迹。由于轨迹信息中包含了时间信息以及车厢信息等关键信息,可以十分方便的查询与某一个乘客同乘某一车厢的其他乘客的信息。
根据本公开实施例的一种具体实现方式,所述第一信息采集装置还包括:
温度感测器,所述温度感测器能够实时测量经过第一检测点的目标对象的温度,形成第一温度测量值,并将所述第一温度测量值与所述第一标识一起形成第一温度向量。温度感测器可以实时的测量目标对象的温度,对于测量到温度超过某个特定值的目标对象,可以在第一信息采集装置上显示提醒信息。
根据本公开实施例的一种具体实现方式,所述第一信息采集装置还包括:
第一图像采集器,所述第一图像采集器包括专用图像处理器以及与所述专用图像处理器连接的多个图像感应单元,每个图像感应单元配置专门访问地址的地址单元;
所述专用图像处理器基于获取的视野中目标对象的数目,从多个图像感应单元中选择不同的图像感应单元来存储不同的目标对象,并获取各个不同的目标对象形成的图像所对应的感应单元的初始访问地址;
在图像感应单元中存储的图像被读取之后,所述专用图像处理器根据图像感应单元的初始访问地址分别向所述目标图像感应单元发送地址修改指令,并将修改完成之后的地址进行保存,以便于执行下一次的图像采集操作。
根据本公开实施例的一种具体实现方式,所述系统还包括:
数据存储装置,所述数据存储装置中设置有目标数据库,用于存储来自第一信息采集装置、第二信息采集装置、第一数据处理装置及第二数据处理装置生成的存储数据。
根据本公开实施例的一种具体实现方式,所述数据存储装置,包括:
数据读取接口,用于获取待存储到目标数据库的存储数据;
数据缓存层,用于将所述数据读取接口获取到的数据存储至数据缓冲层中,以得到包含所述存储数据的缓冲数据;
压缩模块,用于当所述数据缓冲层中的缓冲数据超过预设阈值之后,对所述缓冲层中的缓冲数据执行压缩加密操作,以得到压缩加密数据;
存储模块,用于将所述压缩加密数据存储到所述目标数据库的存储文件中。
根据本公开实施例的一种具体实现方式,
所述第一神经网络模型中还设置有对第一图像进行图像处理的分割子网络,所述分割子网络中设置有多个用于特征提取的卷积层和用于图像特征信息采样的采样层,以便于对于所述第一图像中的内容进行分割处理。
根据本公开实施例的一种具体实现方式,所述第二信息采集装置,包括:
位置采集模块,所述位置采集模块用于实时采集第二信息采集装置的运动轨迹,以便于将该运动轨迹与目标对象的运动轨迹进行融合。
根据本公开实施例的一种具体实现方式,所述第二数据处理装置还用于:
通过预先设置的通信通道与所述目标数据库定期发送长连接请求;
基于目标数据库针对该长连接请求的响应,建立与目标数据库之间的第一长连接,以便于实时的接收来自目标数据库发送的针对第一数据处理装置相关的数据;
监控所述第二信息采集装置是否存在新的采集数据;
若是,则在断开所述第一长连接的同时,与所述第二信息采集装置之间建立第二长连接,以便于基于所述第二长连接来接收第二信息采集装置中采集的图像。
参见图5,本公开实施例提供了一种基于乘客出行轨迹的轨道交通疫情防控方法,包括:
S501,利用第一信息采集装置对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像。
第一信息采集装置可以是带有多种信息采集功能的装置,例如,第一信息采集装置可以进行图像和温度的采集。第一检测点可以是轨道交通中设置的第一个检测目标对象(乘客)的检测点,第一检测点可以是乘客进入轨道交通的入口,或者是在其他地方设置的专门检测用户疫情相关信息的地点。
可以利用第一信息采集装置中设置的图像采集装置(例如,摄像头)对用户进行信息采集,由于第一检测点设置的位置比较灵活,可以具有较大的空间来放置图像处理能力比较强大的机器和设备,例如,可以设置较高分辨率的第一信息采集设备,同时在第一信息采集设备中内置图像识别模块,该图像识别模块可以通过软件或硬件的方式进行设置,从而能够对检测到的每个目标对象(乘客)设置唯一的ID标识(第一标识),用来标识进入轨道交通的乘客,同时采集该第一标识所对应的图片(例如,人脸图片)。
S502,通过第一数据处理装置进行数据处理,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵。
第一数据处理装置与第一信息采集装置通信连接,例如,第一数据处理装置可以是一个带有专门数据处理功能的计算机或其他计算设备,由于第一信息采集装置中采集到的乘客的图像通常需要占用较大的空间,为了进一步对第一图像进行量化处理,在第一数据处理装置中设置专门对第一图像进行处理的第一神经网络模型,该第一神经网络模型可以例如是卷积神经网络模型,也可以是其他具有图像处理能力的神经网络模型。
以卷积神经网络为例,第一神经网络模型可以包括用户进行特征提取的第一特征提取层,例如,第一特征提取层可以是卷积层,通过卷积计算的方式来获取第一图像的特征,除此之外,还可以在第一特征提取层后面设置全连接层,通过全连接层对第一图像的类别进行分类处理。
作为一种情况,在全连接层进行分类处理的过程中,可以将第一数据处理装置采集的目标对象的温度值作为单独的温度输入向量,从而基于温度输入向量和第一图像中的第一特征矩阵,利用全连接层对目标用户的是否属于疫情高危人群进行分类判断,形成第一分类向量。
除此之外,基于所述第一特征矩阵、所述第一分类向量和所述第一标识,还可以生成与所述目标对象对应的第一识别矩阵,用以对目标对象的状态进行标识。
S503,利用第二信息采集装置,当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息。
第二信息采集装置可以是带有多种信息采集功能的装置,例如,第二信息采集装置可以进行图像和温度的采集。第二检测点可以是轨道交通中设置的第二个检测目标对象(乘客)的检测点,第二检测点可以是轨道交通中车厢的入口,通过在车厢入口设置第二检测点,能够通过固定车厢的方式,确定目标对象在车厢中的轨迹信息。
可以利用第二信息采集装置中设置的图像采集装置(例如,摄像头)对用户进行信息采集,由于第二检测点通常设置在轨道交通的车厢内,其位置通常比较狭小,为此,可以设置低分辨率的摄像装置来进行采集目标对象的图像或温度信息,从而进一步的生成第二图像,并生成所述第二检测点的第二标识信息,第二标识信息用来标识第二检测点的具体位置,例如,第二标识信息可以是xx年xx月xx日在xx站台的第xx次车第xx车厢。从而利用第二标识信息可以进一步的将目标对象的轨迹与具体的车厢进行了有效的对应。
S504,通过第二数据处理装置进行数据处理,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
由于第二检测点通常设置在车厢等空间较为狭窄的区域,第二数据处理装置在对第二信息采集装置中的第二图像进行处理的时候,需要进行快速的处理,为此,可以基于第一数据处理装置中已经计算出来的目标对象的第一识别矩阵来进行,通过比较第二图像与第一识别矩阵中的匹配情况,来进一步的确定目标对象的轨迹。具体的,可以在第二数据处理装置中设置第二神经网络模型,第二神经网络模型可以是类似于卷积神经网络模型,或者其他类型的神经网络模型,第二神经网络模型可以包括特征提取层和匹配层,特征提取层可以通过卷积层的方式来实现,匹配层可以通过设置匹配函数的方式来实现。在特征提取层获取第二图像的特征矩阵之后,得到第二特征矩阵,通过将第二特征矩阵很第一特征矩阵进行匹配度计算,可以判断第二信息采集装置和第一信息采集装置拍摄的图像是否为同一个目标对象的图像,若是,则可以进一步的将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。通过这种方式,能够基于第一检测点和第二检测点的数据进行关联设置,从而有效的获取乘客在轨道交通中的行动轨迹。由于轨迹信息中包含了时间信息以及车厢信息等关键信息,可以十分方便的查询与某一个乘客同乘某一车厢的其他乘客的信息。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于乘客出行轨迹的轨道交通疫情防控方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于乘客出行轨迹的轨道交通疫情防控方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的基于乘客出行轨迹的轨道交通疫情防控方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像感应单元、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于乘客出行轨迹的轨道交通疫情防控系统,其特征在于,包括:
第一信息采集装置,用于对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;
第一数据处理装置,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵;
第二信息采集装置,用于当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;
第二数据处理装置,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
2.根据权利要求1所述的系统,其特征在于,所述第一信息采集装置还包括:
温度感测器,所述温度感测器能够实时测量经过第一检测点的目标对象的温度,形成第一温度测量值,并将所述第一温度测量值与所述第一标识一起形成第一温度向量。
3.根据权利要求1所述的系统,其特征在于,所述第一信息采集装置还包括:
第一图像采集器,所述第一图像采集器包括专用图像处理器以及与所述专用图像处理器连接的多个图像感应单元,每个图像感应单元配置专门访问地址的地址单元;
所述专用图像处理器基于获取的视野中目标对象的数目,从多个图像感应单元中选择不同的图像感应单元来存储不同的目标对象,并获取各个不同的目标对象形成的图像所对应的感应单元的初始访问地址;
在图像感应单元中存储的图像被读取之后,所述专用图像处理器根据图像感应单元的初始访问地址分别向所述目标图像感应单元发送地址修改指令,并将修改完成之后的地址进行保存,以便于执行下一次的图像采集操作。
4.根据权利要求1所述的系统,其特征在于,所述系统还包括:
数据存储装置,所述数据存储装置中设置有目标数据库,用于存储来自第一信息采集装置、第二信息采集装置、第一数据处理装置及第二数据处理装置生成的存储数据。
5.根据权利要求4所述的系统,其特征在于,所述数据存储装置,包括:
数据读取接口,用于获取待存储到目标数据库的存储数据;
数据缓存层,用于将所述数据读取接口获取到的数据存储至数据缓冲层中,以得到包含所述存储数据的缓冲数据;
压缩模块,用于当所述数据缓冲层中的缓冲数据超过预设阈值之后,对所述缓冲层中的缓冲数据执行压缩加密操作,以得到压缩加密数据;
存储模块,用于将所述压缩加密数据存储到所述目标数据库的存储文件中。
6.根据权利要求1所述的系统,其特征在于,
所述第一神经网络模型中还设置有对第一图像进行图像处理的分割子网络,所述分割子网络中设置有多个用于特征提取的卷积层和用于图像特征信息采样的采样层,以便于对于所述第一图像中的内容进行分割处理。
7.根据权利要求1所述的系统,其特征在于,所述第二信息采集装置,包括:
位置采集模块,所述位置采集模块用于实时采集第二信息采集装置的运动轨迹,以便于将该运动轨迹与目标对象的运动轨迹进行融合。
8.根据权利要求4所述的系统,其特征在于,所述第二数据处理装置还用于:
通过预先设置的通信通道与所述目标数据库定期发送长连接请求;
基于目标数据库针对该长连接请求的响应,建立与目标数据库之间的第一长连接,以便于实时的接收来自目标数据库发送的针对第一数据处理装置相关的数据;
监控所述第二信息采集装置是否存在新的采集数据;
若是,则在断开所述第一长连接的同时,与所述第二信息采集装置之间建立第二长连接,以便于基于所述第二长连接来接收第二信息采集装置中采集的图像。
9.一种基于乘客出行轨迹的轨道交通疫情防控方法,其特征在于,包括:
利用第一信息采集装置对经过第一检测点的目标对象进行图像识别,得到目标对象的第一标识及与所述第一标识对应的第一图像;
通过第一数据处理装置进行数据处理,所述第一数据处理装置中设置有处理第一图像的第一神经网络模型,所述第一神经网络模型包括多个用于提取第一图像特征的第一特征提取层,以及对所述第一图像执行图像分类的分类层,通过所述第一特征提取层和所述分类层分别获取所述第一图像的第一特征矩阵和第一分类向量,并基于所述第一特征矩阵、所述第一分类向量和所述第一标识生成与所述目标对象对应的第一识别矩阵;
利用第二信息采集装置,当所述目标对象进入第二检测点时采集所述目标对象的第二图像,并生成所述第二检测点的第二标识信息;
通过第二数据处理装置进行数据处理,所述第二数据处理装置中设置有处理第二图像的第二神经网络模型,所述第二神经网络模型包括多个用于提取第二图像特征的第二特征提取层,以及对提取的特征进行匹配计算的匹配层,所述第二特征提取层所述第二图像的图像特征,形成第二特征矩阵,所述匹配层对所述第二特征矩阵和所述第一识别矩阵中包含的第一特征矩阵进行匹配度计算,当计算得到的匹配度值大于预设值时,将所述第一识别矩阵、第一图像采集时间、第二图像采集时间以及第二标识信息共同封装成所述目标对象的轨迹信息,以便于基于所述轨迹信息查询所述目标对象在轨道交通中的轨迹信息。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行利要求9所述的基于乘客出行轨迹的轨道交通疫情防控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637793.3A CN111523529B (zh) | 2020-07-06 | 2020-07-06 | 基于乘客出行轨迹的轨道交通疫情防控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637793.3A CN111523529B (zh) | 2020-07-06 | 2020-07-06 | 基于乘客出行轨迹的轨道交通疫情防控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523529A true CN111523529A (zh) | 2020-08-11 |
CN111523529B CN111523529B (zh) | 2020-10-16 |
Family
ID=71911655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010637793.3A Active CN111523529B (zh) | 2020-07-06 | 2020-07-06 | 基于乘客出行轨迹的轨道交通疫情防控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523529B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113286267A (zh) * | 2021-07-23 | 2021-08-20 | 深圳知帮办信息技术开发有限公司 | 高速状态下的互联网通信的流调方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100315508A1 (en) * | 2009-06-12 | 2010-12-16 | Hon Hai Precision Industry Co., Ltd. | Video monitoring system and method |
CN105933650A (zh) * | 2016-04-25 | 2016-09-07 | 北京旷视科技有限公司 | 视频监控系统及方法 |
CN109063654A (zh) * | 2018-08-07 | 2018-12-21 | 深圳市携网科技有限公司 | 随行跟踪方法、装置、计算机设备及存储介质 |
CN110969048A (zh) * | 2018-09-28 | 2020-04-07 | 江苏脸萌网络科技有限公司 | 目标跟踪方法、装置、电子设备及目标跟踪系统 |
CN110969118A (zh) * | 2019-11-29 | 2020-04-07 | 广州广电卓识智能科技有限公司 | 轨迹监控系统和方法 |
CN111232788A (zh) * | 2020-02-13 | 2020-06-05 | 江苏弘冉智能科技有限公司 | 一种电梯全要素健康及安全监控系统 |
-
2020
- 2020-07-06 CN CN202010637793.3A patent/CN111523529B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100315508A1 (en) * | 2009-06-12 | 2010-12-16 | Hon Hai Precision Industry Co., Ltd. | Video monitoring system and method |
CN105933650A (zh) * | 2016-04-25 | 2016-09-07 | 北京旷视科技有限公司 | 视频监控系统及方法 |
CN109063654A (zh) * | 2018-08-07 | 2018-12-21 | 深圳市携网科技有限公司 | 随行跟踪方法、装置、计算机设备及存储介质 |
CN110969048A (zh) * | 2018-09-28 | 2020-04-07 | 江苏脸萌网络科技有限公司 | 目标跟踪方法、装置、电子设备及目标跟踪系统 |
CN110969118A (zh) * | 2019-11-29 | 2020-04-07 | 广州广电卓识智能科技有限公司 | 轨迹监控系统和方法 |
CN111232788A (zh) * | 2020-02-13 | 2020-06-05 | 江苏弘冉智能科技有限公司 | 一种电梯全要素健康及安全监控系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113286267A (zh) * | 2021-07-23 | 2021-08-20 | 深圳知帮办信息技术开发有限公司 | 高速状态下的互联网通信的流调方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111523529B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | A vehicle-based edge computing platform for transit and human mobility analytics | |
CN112687401B (zh) | 聚集风险确定方法及装置、计算机可读介质及电子设备 | |
Lee et al. | Automatic physical activity and in‐vehicle status classification based on GPS and accelerometer data: A hierarchical classification approach using machine learning techniques | |
CN111259103A (zh) | 一种乘车状态的识别方法、装置、存储介质及设备 | |
JP2013210870A (ja) | 動線情報計測システムおよび方法、並びに情報処理装置 | |
CN110874668A (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN111523529B (zh) | 基于乘客出行轨迹的轨道交通疫情防控系统及方法 | |
CN112598668B (zh) | 基于三维图像的缺陷识别方法、装置及电子设备 | |
CN114708545A (zh) | 基于图像的对象侦测方法、装置、设备和存储介质 | |
CN114266689A (zh) | 一种业务办理方法、装置、设备及介质 | |
CN110852253A (zh) | 梯控场景检测方法、装置及电子设备 | |
CN111488866B (zh) | 基于深度学习的入侵物识别方法、装置及电子设备 | |
CN111681267B (zh) | 基于图像识别的轨道防侵入方法 | |
CN110751120A (zh) | 一种检测方法、装置及电子设备 | |
CN110879975B (zh) | 人员流量检测方法、装置及电子设备 | |
CN112990017B (zh) | 一种智慧城市大数据分析方法及监控系统 | |
CN112859109B (zh) | 无人机全景图像处理方法、装置及电子设备 | |
Huang et al. | A bus crowdedness sensing system using deep-learning based object detection | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 | |
Liu et al. | A crowdsensing based traffic monitoring approach | |
CN112560700A (zh) | 一种基于动作分析的信息关联方法、装置及电子设备 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
WO2015170385A1 (ja) | 移動手段判別システム、移動手段判別方法、及び計算機読み取り可能な非一時的な記憶媒体 | |
US11995154B2 (en) | Method of determining state of target object, electronic device, and storage medium | |
CN116828398B (zh) | 一种跟踪行为识别方法、装置、电子设备和存储介质 |
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 |