CN111553291A - 行人轨迹的生成方法、装置、设备及计算机存储介质 - Google Patents
行人轨迹的生成方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111553291A CN111553291A CN202010363277.6A CN202010363277A CN111553291A CN 111553291 A CN111553291 A CN 111553291A CN 202010363277 A CN202010363277 A CN 202010363277A CN 111553291 A CN111553291 A CN 111553291A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pedestrians
- track
- track point
- target object
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种行人轨迹的生成方法、装置、设备及计算机存储介质,该方法包括:获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
Description
技术领域
本申请涉及图像数据处理技术领域,尤其涉及到一种行人轨迹的生成方法、装置、设备及存储介质。
背景技术
随着商业经济的快速发展,大型的商业中心也在城市中大量涌现。以商场为例,在商场的日常经营管理中,管理者通过研究行人的分布情况来设计商场的运营模式,例如,通过热力图来反映人群在商场内的聚集情况,从而得到人群分布特点。
然而,采用热力图的方式仅能反映场内人群的聚集情况,却无法展示人群的流动方向,而人群在商场的流动方向往往更能反映出商场当前运营中的优劣之处。因此,目前仍亟需一种能统计分析人群流动方向的方法。
发明内容
有鉴于此,本申请提供了一种行人轨迹的生成方法、装置、设备及计算机存储介质,以向用户提供一种利用行人的位置信息统计分析行人的各个行进方向的服务。
为实现上述目的,本申请实施例提供如下技术方案:
本申请第一方面提供了一种行人轨迹的生成方法,包括:
获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;
针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
可选的,所述获得线下活动场景中的行人的轨迹数据,包括:
获取视频流;其中,所述视频流为所述线下活动场景的视频数据;
识别所述视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取所述目标对象的轨迹点;其中,所述目标视频帧中的一个目标对象用于指代所述线下活动场景中的一个行人;
针对每一个所述目标对象,将所述目标对象在所述视频流中的所有目标视频帧下的轨迹点,作为所述目标对象指代的行人的轨迹数据。
可选的,所述识别所述视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取所述目标对象的轨迹点之后,还包括:
依次识别所述目标对象的每一个轨迹点是否属于异常轨迹点;其中:所述异常轨迹点包括:所述轨迹点与后一个轨迹点的间隔时间超过预设值,或者,所述轨迹点与所述后一个轨迹点的间隔距离超过预设值;
若识别出所述目标对象的一个轨迹点为异常轨迹点,则删除所述异常轨迹点;
其中:针对每一个所述目标对象,将所述目标对象在所述视频流中的所有目标视频帧下的轨迹点,作为所述目标对象指代的行人的轨迹数据,包括:
针对每一个所述目标对象,将删除所述异常轨迹点后的轨迹点,作为所述目标对象指代的行人的轨迹数据。
可选的,上述的行人轨迹的展示方法,还包括:
响应用户操作,生成聚合子区域;其中:所述聚合子区域是以所述用户在所述线下活动场景的展示图中的触发点为中心,预设数值为边长的区域;
识别所述聚合子区域内的行人的行进方向,并统计得到所述聚合子区域内的行人的每个行进方向的行人数量;
以玫瑰风向图的形式,展示所述聚合子区域内的行人的每个行进方向的行人数量。
可选的,所述以玫瑰风向图的形式展示所述聚合子区域内的行人的每个行进方向的行人数量,包括:
在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量。
可选的,所述以玫瑰风向图的形式展示所述聚合子区域内的行人的每个行进方向的行人数量,包括:
在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量占总行人数量的百分比。
可选的,上述的行人轨迹的生成方法,还包括:
按照行人的属性信息,对所述行人的轨迹数据进行归类,得到每一种类别下的行人的轨迹数据;其中,所述行人在每一个轨迹点的行进方向按照每一种类别进行划分;
对应的:所述识别所述聚合子区域内的行人的行进方向,并统计得到每个所述聚合子区域内的行人的行进方向的行人数量;以玫瑰风向图的形式,展示每个所述聚合子区域内的行人的每个行进方向的行人数量,包括:
识别所述聚合子区域内的每一种类别的行人的行进方向,并统计得到每一种类别的行人的行进方向的行人数量;以玫瑰风向图的形式,展示所述每一种类别下的行人的行进方向的行人数量。
本申请第二方面提供了一种行人轨迹的生成装置,包括:
获取单元,用于获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;
计算单元,用于针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
可选的,所述获取单元,包括:
获取子单元,用于获取视频流;其中,所述视频流为所述线下活动场景的视频数据;
识别子单元,用于识别所述视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取所述目标对象的轨迹点;其中,所述目标视频帧中的一个目标对象用于指代所述线下活动场景中的一个行人;
确定子单元,用于针对每一个所述目标对象,将所述目标对象在所述视频流中的所有目标视频帧下的轨迹点,作为所述目标对象指代的行人的轨迹数据。
可选的,上述的行人轨迹的生成装置,还包括:
识别单元,用于依次识别所述目标对象的每一个轨迹点是否属于异常轨迹点;其中:所述异常轨迹点包括:所述轨迹点与后一个轨迹点的间隔时间超过预设值,或者,所述轨迹点与所述后一个轨迹点的间隔距离超过预设值;
删除单元,用于若识别出所述目标对象的一个轨迹点为异常轨迹点,则删除所述异常轨迹点;
其中,所述确定子单元,具体用于针对每一个所述目标对象,将删除所述异常轨迹点后的轨迹点,作为所述目标对象指代的行人的轨迹数据。
可选的,上述的行人轨迹的生成装置,还包括:
响应单元,用于响应用户操作,生成聚合子区域;其中:所述聚合子区域是以所述用户在所述线下活动场景的展示图中的触发点为中心,预设数值为边长的区域;
统计单元,用于识别所述聚合子区域内的行人的行进方向,并统计得到每个所述聚合子区域内的行人的每个行进方向的行人数量;
展示单元,用于以玫瑰风向图的形式,展示每个所述聚合子区域内的行人的每个行进方向的行人数量。
可选的,所述展示单元,包括:
第一展示子单元,用于在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量。
可选的,所述展示单元,包括:
第二展示子单元,用于在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量占总行人数量的百分比。
可选的,上述的行人轨迹的生成装置,还包括:
归类单元,用于按照行人的属性信息,对所述行人的轨迹数据进行归类,得到每一种类别下的行人的轨迹数据;其中,所述行人在每一个轨迹点的行进方向按照每一种类别进行划分;
对应的:所述统计单元,具体用于:
识别所述聚合子区域内的每一种类别的行人的行进方向,并统计得到每一种类别的行人的行进方向的行人数量;
对应的:所述展示单元,具体用于:
以玫瑰风向图的形式,展示所述每一种类别下的行人的行进方向的行人数量。
本申请第三方面提供了一种行人轨迹的生成设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任意一项提供行人轨迹的生成方法。
本申请第四方面提供了一种计算机存储介质,其上存储有计算机程序;其中,所述计算机程序被处理器执行时实现如上述任意一项提供行人轨迹的生成方法。
与现有技术相比,本申请具有以下优点:
本申请提供的行人轨迹的生成方法中,获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。由此可见,在线下活动场景中,通过行人当前的轨迹点和后一时刻的轨迹点,可以计算得到所有行人的所有轨迹点的行进方向,从而有效的统计出该线下活动场景中,处于各个区域内的人群的行进方向,为反映处在该线下活动场景中人群的流动规律提供必要的数据基础。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种行人轨迹的生成方法的方法流程图;
图2为本申请实施例提供的一种步骤S101的实现方法的方法流程图;
图3为本申请另一实施例提供的一种行人轨迹的生成方法的方法流程图;
图4为本申请另一实施例提供的一种玫瑰风向图的展示示意图;
图5为本申请另一实施例提供的另一种玫瑰风向图的展示示意图;
图6为本申请另一实施例提供的又一种玫瑰风向图的展示示意图;
图7为本申请另一实施例提供的又一种玫瑰风向图的展示示意图;
图8为本申请另一实施例提供的一种去除异常轨迹点的方法流程图;
图9为本申请实施例提供的一种行人轨迹的生成装置的结构示意图;
图10为本申请实施例提供的一种行人轨迹的生成设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请中,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、物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、物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、物品或者设备中还存在另外的相同要素。
需要说明的是,发明人在对现有技术的研究中发现,现有的对场内轨迹进行研究的方法主要的侧重点是人群在场内的分布情况,比如热力图,但是这种方法只能反映人群在场内的聚集情况,无法反映人群在场内的运动情况。也就是说,当大量的人群汇聚在场内时,现有技术无法提供人群在各个行进方向上的分布情况,更无法展示出分别在各个方向上的行人数量。
有鉴于此,将研究的方向立足在能够反映人群在场内的流动情况,本申请实施例提供了一种行人轨迹的生成方法,请参照图1所示,包括:
S101、获得线下活动场景中的行人的轨迹数据。
其中,行人的轨迹数据包括:行人在每一个时刻下的轨迹点,轨迹点用于说明行人的位置信息。行人的轨迹数据中的轨迹点的排列顺序为行人在线下活动场景中的移动顺序。
本实施例中,线下活动场景具体可以是商场、广场、公园等人群密集的公共场所,并且,线下活动场景中包括了多个行人,因此要获得线下活动场景中的每一个行人的轨迹数据,当然,每一个行人的轨迹数据指代的是一段时间内的轨迹数据,包括该段时间内每一个时刻下的轨迹点,这一段时间可以指代几个小时、几天、一周或一个月。当然,要针对一段时间的具体时间,设定该段时间内的时刻的时间间隔,例如:获得线下活动场景中行人在1小时内的轨迹数据,那每一个行人的轨迹数据中包括的行人在每一个时刻下的轨迹点,可以指代在每分钟下的轨迹点。
还需要说明的是,可以对行人的轨迹点按时间进行排序和偏移,以得到行人在线下活动场景中的移动顺序。基于此,通过计算相邻时刻间,用户的轨迹点的变化情况,便可以相应的得到用户的动态行进过程。
可选的,本申请另一实施例中,获得线下活动场景中的行人的轨迹数据的方式,可参照图2所示,包括:
S201、获取视频流。
其中,视频流为线下活动场景的视频数据,例如可以为商场的监控录像视频。进一步的,若需要研究的是某个特定时间段内的行人轨迹,则需要获取该特定时间段内的完整的视频流,以得到特定时间段的所有行人的轨迹数据;如某一周内的视频流。
S202、识别视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取目标对象的轨迹点。
其中,目标视频帧中的一个目标对象用于指代线下活动场景中的一个行人。
在现有的影像解析识别技术的支持下,通过识别图像中的像素点信息,本实施例能够识别步骤S201所获取的视频流中的每一个目标视频帧中的每一个目标对象,即录像视频中每一个行人。
在识别出每个目标视频帧中的一个目标对象后,再获取该目标对象的物理位置信息,作为该目标对象在本目标视频帧下的轨迹点。
S203、针对每一个目标对象,将目标对象在视频流中的所有目标视频帧下的轨迹点,作为该目标对象指代的行人的轨迹数据。
可以理解的是,在视频流中,目标对象(行人)在每一个目标视频帧内都相应的存在有一个轨迹点,因此,集合所有目标视频帧的轨迹点,以作为行人的轨迹数据。
一方面,本实施例中,步骤S202和步骤S203中提及的视频流下的每一个目标视频帧,可以指代一个视频流所包括的每一个视频帧。基于此,步骤S202中,需要识别视频流中的每一个视频帧中的每一个目标对象,并针对识别得到的每一个视频帧的每一个目标对象,获取目标对象的轨迹点。步骤S203中,一个目标对象指代的行人的轨迹数据,包括:该目标对象在视频流中的所有视频帧下的轨迹点。
另一方面,若一个视频流中的视频帧的帧数过于密集,例如一秒内存在有多帧数,而行人在相邻帧内的移动并不明显,甚至会在多帧数内停留在原地不动;或者,采集的视频流的时间长度较长,如采集线下活动场景下一个月的视频流;在此种情况下,步骤S202中的识别视频流中的每一个目标视频帧,一般指代识别视频流中的间隔几个视频帧的一个视频帧。
例如:若视频流的帧数为24帧每秒,本发明实施例若要研究行人在每一秒的轨迹点,则可通过识别行人在视频流的第1帧、第25帧、49帧……等帧数下的位置信息,以确定为行人在视频中的每一秒的轨迹点。
综上所述,本实施例中,通过从视频流中识别并获取行人的轨迹点,进而排序集合得到线下活动场景中的行人的轨迹数据,为后续中对行人的行进方向的计算提供了数据基础。
S102、针对每一个行人,利用行人的轨迹数据,计算得到行人在每一个轨迹点的行进方向。其中,每一个轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
应当理解的是,轨迹点为行人在某一时刻下的位置信息。有鉴于此,通过行人的轨迹数据可以计算得到行人在每一个轨迹点的行进方向。具体方式为:利用行人每两个相邻时刻的轨迹点进行计算,若以帧数为单位,则利用当前帧的轨迹点和下一帧的轨迹点,计算两个轨迹点在坐标上的连线方向(偏移方向),并以该线条与预设的X轴方向的夹角为当前帧的轨迹点的行进方向。同理,若以秒为单位,则利用当前时刻的轨迹点和下一秒的轨迹点,计算两个轨迹点在坐标上的连线方向,从而得到当前时刻的轨迹点的行进方向。
还需要说明的是,用于评定轨迹点的行进方向的坐标,可以采用极坐标系的方式进行绘制,在后续中,该极坐标系还可以用于构建玫瑰风向图,以采用玫瑰风向图的形式,对轨迹点的行进方向进行直观化的绘制和展示。
本申请实施例提供的行人轨迹的生成方法中,获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。由此可见,在线下活动场景中,通过行人当前的轨迹点和后一时刻的轨迹点,可以计算得到所有行人的所有轨迹点的行进方向,从而有效的统计出该线下活动场景中,处于各个区域内的人群的行进方向,为反映处在该线下活动场景中人群的流动规律提供必要的数据基础。
可选的,本申请另一实施例提供了一种行人轨迹的生成方法,请参照图3所示,包括:
S301、获得线下活动场景中的行人的轨迹数据。
S302、针对每一个行人,利用行人的轨迹数据,计算得到行人在每一个轨迹点的行进方向。其中,每一个轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
本申请实施例中,步骤S301和步骤S302的具体执行内容,可以参照对应图1的实施例中步骤S101及步骤S102的内容,此处不再赘述。
S303、响应用户操作,生成聚合子区域。
其中,聚合子区域是以用户在线下活动场景的展示图中的触发点为中心,预设数值为边长的区域。例如:用户点击了线下活动场景的展示图中的某一个十字交叉路口,则点击的该十字交叉路口便作为触发点,通过以触发点为中心,按预设数据为边长进行按比例扩展,以得到聚合子区域。
在本申请另一实施例中,预设数值的边长具体形式为构建出一个边长为5米的正方形区域。即当用户点击了线下活动场景中的某一点后,以该点为中心,构建出一个边长为5米的正方形聚合子区域,以此来获取该区域内的行人的行进方向。简言之,本步骤旨在从全局区域内,选定范围较小的子区域,并对该聚合子区域内的行人走向进行聚合统计。
S304、识别聚合子区域内的行人的行进方向,并统计得到聚合子区域内的行人的每个行进方向的行人数量。
从前文中可以明确的是,行人在本申请实施例中的表现形式为轨迹点,轨迹点指代行人在某一刻所处的位置信息。因此,识别聚合子区域内的行人的行进方向,可以指代步骤S302中利用行人的轨迹数据,计算得到的行人在每一个轨迹点的行进方向。同理,统计聚合子区域内的行人的行进方向的行人数量,亦可表示为统计聚合子区域内的轨迹点的前进方向的轨迹点数量。
S305、以玫瑰风向图的形式,展示聚合子区域内的行人的每个行进方向的行人数量。
玫瑰风向图常用于直观的反映某区域的风速和风向,在本实施例中,则通过玫瑰风向图的形式,来可视化的展示聚合子区域内的行人的行进方向和行进方向上的行人数量。
在本实施例中,绘制了一张极坐标系,同时,也对极坐标系内的范围进行划分。请参照图4所示,在图4中,O点指代用户在线下活动场景的展示图中的触发点,在响应用户的点击操作时,对应在线下活动场景的相应位置处生成了一个边长为5m*5m的聚合子区域,并将该聚合子区域(图4中以O点处的黑色圆点指代)作为极坐标系的原点。该极坐标系被划分为八个区间:0度~45度,46度~90度,91度~135度,136度~180度,181度~225度,226度~270度,271度~315度,316度~360度。基于划分出的各个区间,以聚合统计该聚合子区域内的行人的行进方向在各个区间内的数量,并依据数量绘制出各个区间内的堆叠柱状图,从而可视化的展示出行人的行进方向。
可选的,本申请另一实施例中,以玫瑰风向图的形式展示所聚合子区域内的行人的每个行进方向的行人数量的方式,包括:
在聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征聚合子区域内的行人的行进方向为该方向时,聚合子区域内在该方向上的行人数量。
上述内容可通过图5的展示进行解释。在图5中,聚合子区域为线下活动场景中的某一块边长为5米的正方形聚合子区域,图5中以O点处的圆点指代。在时长为一周的周期内,行人在该聚合子区域内产生的轨迹点一共有560个。基于该数据基础,根据统计出的轨迹点的行进方向,绘制出相应的堆叠柱状图,并绘制在极坐标系中,得到了反映该聚合子区域内的人群流动方向和数量的玫瑰风向图。
具体的,从图中可知,处于该聚合子区域内的560个轨迹点中,往0°~45°、46°~90°、91°~135°、136°~180°、181°~225°、226°~270°、271°~315°、316°~360°方向行进的轨迹点数量分别有:21个、122个、111个、55个、47个、84个、16个、104个和21个。需要特别说明的是,同一个行人在该聚合子区域内产生的轨迹点可以有多个。
可选的,本申请另一实施例中,以玫瑰风向图的形式展示所聚合子区域内的行人的行进方向的行人数量的方式,包括:
在聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征聚合子区域内的行人的行进方向为该方向时,聚合子区域内在该方向上的行人数量占总行人数量的百分比。
与上述实施例相似的,本实施例可将行人数量相应的转换为占总行人数量百分比的形式,具体可参见图6所示,此处不再赘述。
本申请实施例中,在统计分析出线下活动场景中,处于各个区域内的人群的行进方向的行人数量后,进一步通过玫瑰风向图的形式来可视化的展示出各个方向上行进的行人数量对应的堆叠柱状图,从而更直观的展示出场内的行人的前进方向的趋势,可为线下活动场景的运营规划提供必要的数据支持。
可选的,在本申请另一实施例中,获得线下活动场景中的行人的轨迹数据后,还包括:
按照行人的属性信息,对行人的轨迹数据进行归类,得到每一种类别下的行人的轨迹数据。其中,行人在每一个轨迹点的行进方向按照每一种类别进行划分。
本实施例中,行人的属性信息例如可区分为男性和女性,或小孩、成年人和老人等区分方式,现有的影像解析识别技术可通过识别人像来实现行人在属性信息上的划分。
在对行人的轨迹数据进行归类后,还通过识别聚合子区域内的每一种类别的行人的行进方向,并统计得到每一种类别的行人的行进方向的行人数量;最终以玫瑰风向图的形式,展示每一种类别下的行人的行进方向的行人数量。具体的,请参照图7所示,图中通过区分男性和女性来对行人的轨迹数据进行分类,并根据分类后的统计结果绘制相应的玫瑰风向图。在图7绘制的堆叠柱状图中,展示的黑色部分为男性行人的数量,白色部分则为女性行人的数量。
综述,本申请实施例中,在得到行人的轨迹数据后,还进一步将行人的轨迹数据按属性信息区分为不同类别的轨迹数据,使得轨迹数据在反映人群的行进方向时,在表征不同属性的人群中更具有精确度和代表性。
可选的,请参照图8所示,在本申请另一实施例中,识别视频流中的每一个视频帧中的每一个目标对象,并针对识别得到的每一个视频帧的每一个目标对象,获取目标对象的轨迹点之后,还包括:
S801、依次识别目标对象的每一个轨迹点是否属于异常轨迹点。
其中:异常轨迹点包括:轨迹点与后一个轨迹点的间隔时间超过预设值,或者,轨迹点与后一个轨迹点的间隔距离超过预设值。
以秒的单位为例,本申请预设的时间容错阈值为5秒,也就是说,若某一个目标对象当前的轨迹点和后一个轨迹的间隔时间超过5秒,则代表着获取的轨迹数据存在异常。亦或轨迹点与后一个轨迹点的间隔距离超过3米,代表着行人在一秒内移动了3米,此数据也属于异常数据。
S802、若识别出目标对象的一个轨迹点为异常轨迹点,则删除该异常轨迹点。
本实施例中,为了不影响最终获取到的结果的精度,在识别出异常轨迹后,需要见该异常轨迹点进行删除操作。
还需要说明的是,在删除异常轨迹点后,针对每一个目标对象,将删除异常轨迹点后的轨迹点,作为该目标对象指代的行人的轨迹数据。
本申请另一实施例还提供了一种行人轨迹的生成装置,请参照图9所示,包括:
获取单元901,用于获得线下活动场景中的行人的轨迹数据;其中,行人的轨迹数据包括:行人在每一个时刻下的轨迹点,轨迹点用于说明行人的位置信息,行人的轨迹数据中的轨迹点的排列顺序为行人在线下活动场景中的移动顺序。
计算单元902,用于针对每一个行人,利用行人的轨迹数据,计算得到行人在每一个轨迹点的行进方向;其中,每一个轨迹点的行进方向为:轨迹点与后一个轨迹点的连线方向。
本申请实施例提供的行人轨迹的生成装置中,通过获取单元901来获得线下活动场景中的行人的轨迹数据,从而利用计算单元902针对每一个行人,利用行人的轨迹数据,计算得到行人在每一个轨迹点的行进方向。基于此,可以计算得到所有行人的所有轨迹点的行进方向,从而有效的统计出该线下活动场景中,处于各个区域内的人群的行进方向,为反映处在该线下活动场景中人群的流动规律提供必要的数据基础。
本实施例中,获取单元和计算单元的具体执行过程,可参见对应图1的方法实施例内容,此处不再赘述。
可选的,本申请另一实施例中,获取单元901,包括:
获取子单元,用于获取视频流;其中,视频流为线下活动场景的视频数据。
识别子单元,用于识别视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取目标对象的轨迹点;其中,目标视频帧中的一个目标对象用于指代线下活动场景中的一个行人。
确定子单元,用于针对每一个目标对象,将目标对象在视频流中的所有目标视频帧下的轨迹点,作为目标对象指代的行人的轨迹数据。
本实施例中,获取子单元、识别子单元和确定子单元的具体执行过程,可参见对应图2的方法实施例内容,此处不再赘述。
可选的,本申请另一实施例提供的行人轨迹的生成装置,还包括:
识别单元,用于依次识别目标对象的每一个轨迹点是否属于异常轨迹点;其中:异常轨迹点包括:轨迹点与后一个轨迹点的间隔时间超过预设值,或者,轨迹点与后一个轨迹点的间隔距离超过预设值。
删除单元,用于若识别出目标对象的一个轨迹点为异常轨迹点,则删除异常轨迹点。
本实施例中,识别单元和删除单元的具体执行过程,可参见对应图8的方法实施例内容,此处不再赘述。
可选的,本申请另一实施例提供的行人轨迹的生成装置,还包括:
响应单元,用于响应用户操作,生成聚合子区域;其中:聚合子区域是以用户在线下活动场景的展示图中的触发点为中心,预设数值为边长的区域。
统计单元,用于识别聚合子区域内的行人的行进方向,并统计得到每个聚合子区域内的行人的每个行进方向的行人数量。
展示单元,用于以玫瑰风向图的形式,展示每个聚合子区域内的行人的每个行进方向的行人数量。
本实施例中,响应单元、统计单元和展示单元的具体执行过程,可参见对应图3的方法实施例内容,此处不再赘述。
可选的,本申请另一实施例提供的行人轨迹的生成装置,还包括:
第一展示子单元,用于在聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征聚合子区域内的行人的行进方向为方向时,聚合子区域内在方向上的行人数量。
第二展示子单元,用于在聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征聚合子区域内的行人的行进方向为方向时,聚合子区域内在方向上的行人数量占总行人数量的百分比。
本实施例中,第一展示子单元和第二展示子单元的具体执行过程,可参见对应图3的方法实施例内容,此处不再赘述。
可选的,本申请另一实施例提供的行人轨迹的生成装置,还包括:
归类单元,用于按照行人的属性信息,对行人的轨迹数据进行归类,得到每一种类别下的行人的轨迹数据;其中,行人在每一个轨迹点的行进方向按照每一种类别进行划分。
本申请另一实施例还提供了一种行人轨迹的生成设备,参照图10所示,包括:
一个或多个处理器1001。
存储装置1002,其上存储有一个或多个程序。
当程序被一个或多个处理器1001执行时,使得该一个或多个处理器1001实现如上述任意一项提供行人轨迹的生成方法。
本申请另一实施例还提供了一种计算机存储介质,其上存储有计算机程序;其中,计算机程序被处理器执行时实现如上述任意一项提供行人轨迹的生成方法。
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,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要注意的是,本说明书中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
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申请的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种行人轨迹的生成方法,其特征在于,包括:
获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;
针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
2.根据权利要求1所述的生成方法,其特征在于,所述获得线下活动场景中的行人的轨迹数据,包括:
获取视频流;其中,所述视频流为所述线下活动场景的视频数据;
识别所述视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取所述目标对象的轨迹点;其中,所述目标视频帧中的一个目标对象用于指代所述线下活动场景中的一个行人;
针对每一个所述目标对象,将所述目标对象在所述视频流中的所有目标视频帧下的轨迹点,作为所述目标对象指代的行人的轨迹数据。
3.根据权利要求2所述的生成方法,其特征在于,所述识别所述视频流中的每一个目标视频帧中的每一个目标对象,并针对识别得到的每一个目标视频帧的每一个目标对象,获取所述目标对象的轨迹点之后,还包括:
依次识别所述目标对象的每一个轨迹点是否属于异常轨迹点;其中:所述异常轨迹点包括:所述轨迹点与后一个轨迹点的间隔时间超过预设值,或者,所述轨迹点与所述后一个轨迹点的间隔距离超过预设值;
若识别出所述目标对象的一个轨迹点为异常轨迹点,则删除所述异常轨迹点;
其中:针对每一个所述目标对象,将所述目标对象在所述视频流中的所有目标视频帧下的轨迹点,作为所述目标对象指代的行人的轨迹数据,包括:
针对每一个所述目标对象,将删除所述异常轨迹点后的轨迹点,作为所述目标对象指代的行人的轨迹数据。
4.根据权利要求1所述的生成方法,其特征在于,还包括:
响应用户操作,生成聚合子区域;其中:所述聚合子区域是以所述用户在所述线下活动场景的展示图中的触发点为中心,预设数值为边长的区域;
识别所述聚合子区域内的行人的行进方向,并统计得到所述聚合子区域内的行人的每个行进方向的行人数量;
以玫瑰风向图的形式,展示所述聚合子区域内的行人的每个行进方向的行人数量。
5.根据权利要求4所述的生成方法,其特征在于,所述以玫瑰风向图的形式展示所述聚合子区域内的行人的每个行进方向的行人数量,包括:
在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量。
6.根据权利要求4所述的生成方法,其特征在于,所述以玫瑰风向图的形式展示所述聚合子区域内的行人的每个行进方向的行人数量,包括:
在所述聚合子区域建立以极坐标系为基础的堆叠柱状图;其中,针对每个方向的堆叠柱状图,用于表征所述聚合子区域内的行人的行进方向为所述方向时,所述聚合子区域内在所述方向上的行人数量占总行人数量的百分比。
7.根据权利要求4所述的生成方法,其特征在于,还包括:
按照行人的属性信息,对所述行人的轨迹数据进行归类,得到每一种类别下的行人的轨迹数据;其中,所述行人在每一个轨迹点的行进方向按照每一种类别进行划分;
对应的:所述识别所述聚合子区域内的行人的行进方向,并统计得到每个所述聚合子区域内的行人的行进方向的行人数量;以玫瑰风向图的形式,展示所述聚合子区域内的行人的每个行进方向的行人数量,包括:
识别所述聚合子区域内的每一种类别的行人的行进方向,并统计得到每一种类别的行人的行进方向的行人数量;以玫瑰风向图的形式,展示所述每一种类别下的行人的行进方向的行人数量。
8.一种行人轨迹的生成装置,其特征在于,包括:
获取单元,用于获得线下活动场景中的行人的轨迹数据;其中,所述行人的轨迹数据包括:所述行人在每一个时刻下的轨迹点,所述轨迹点用于说明所述行人的位置信息,所述行人的轨迹数据中的轨迹点的排列顺序为所述行人在所述线下活动场景中的移动顺序;
计算单元,用于针对每一个行人,利用所述行人的轨迹数据,计算得到所述行人在每一个轨迹点的行进方向;其中,每一个所述轨迹点的行进方向为:所述轨迹点与后一个轨迹点的连线方向。
9.一种行人轨迹的生成设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010363277.6A CN111553291B (zh) | 2020-04-30 | 2020-04-30 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010363277.6A CN111553291B (zh) | 2020-04-30 | 2020-04-30 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553291A true CN111553291A (zh) | 2020-08-18 |
CN111553291B CN111553291B (zh) | 2023-10-17 |
Family
ID=72001668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010363277.6A Active CN111553291B (zh) | 2020-04-30 | 2020-04-30 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553291B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837369A (zh) * | 2021-02-09 | 2021-05-25 | 北京市商汤科技开发有限公司 | 数据处理方法及装置、电子设备及计算机可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023262A (zh) * | 2016-06-06 | 2016-10-12 | 深圳市深网视界科技有限公司 | 一种人群流动主方向估计方法和装置 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107610151A (zh) * | 2017-08-24 | 2018-01-19 | 上海汇纳信息科技股份有限公司 | 行人轨迹线处理方法/系统、计算机可读存储介质及设备 |
CN109543394A (zh) * | 2018-11-29 | 2019-03-29 | 深圳市口袋网络科技有限公司 | 一种功能触发方法、系统、装置及计算机可读存储介质 |
CN109934127A (zh) * | 2019-02-27 | 2019-06-25 | 电子科技大学 | 基于视频图像与无线信号的行人识别与跟踪方法 |
CN110039538A (zh) * | 2019-04-03 | 2019-07-23 | 华中科技大学 | 一种基于大型复杂构件点云信息的机器人轨迹规划方法 |
CN110058276A (zh) * | 2019-02-27 | 2019-07-26 | 北京三快在线科技有限公司 | 异常点判断方法及装置 |
CN110069585A (zh) * | 2017-12-05 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 轨迹点数据的处理方法和装置、存储介质及电子装置 |
CN110210417A (zh) * | 2019-06-05 | 2019-09-06 | 深圳前海达闼云端智能科技有限公司 | 一种行人运动轨迹的预测方法、终端及可读存储介质 |
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN110532948A (zh) * | 2019-08-29 | 2019-12-03 | 南京泛在地理信息产业研究院有限公司 | 一种基于视频的高精度行人轨迹提取方法 |
CN110545521A (zh) * | 2018-05-29 | 2019-12-06 | 中国电信股份有限公司 | 轨迹数据的在线压缩方法、装置及计算机可读存储介质 |
CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、系统、存储介质及计算机设备 |
-
2020
- 2020-04-30 CN CN202010363277.6A patent/CN111553291B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023262A (zh) * | 2016-06-06 | 2016-10-12 | 深圳市深网视界科技有限公司 | 一种人群流动主方向估计方法和装置 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107610151A (zh) * | 2017-08-24 | 2018-01-19 | 上海汇纳信息科技股份有限公司 | 行人轨迹线处理方法/系统、计算机可读存储介质及设备 |
CN110069585A (zh) * | 2017-12-05 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 轨迹点数据的处理方法和装置、存储介质及电子装置 |
CN110545521A (zh) * | 2018-05-29 | 2019-12-06 | 中国电信股份有限公司 | 轨迹数据的在线压缩方法、装置及计算机可读存储介质 |
CN109543394A (zh) * | 2018-11-29 | 2019-03-29 | 深圳市口袋网络科技有限公司 | 一种功能触发方法、系统、装置及计算机可读存储介质 |
CN110058276A (zh) * | 2019-02-27 | 2019-07-26 | 北京三快在线科技有限公司 | 异常点判断方法及装置 |
CN109934127A (zh) * | 2019-02-27 | 2019-06-25 | 电子科技大学 | 基于视频图像与无线信号的行人识别与跟踪方法 |
CN110039538A (zh) * | 2019-04-03 | 2019-07-23 | 华中科技大学 | 一种基于大型复杂构件点云信息的机器人轨迹规划方法 |
CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
CN110210417A (zh) * | 2019-06-05 | 2019-09-06 | 深圳前海达闼云端智能科技有限公司 | 一种行人运动轨迹的预测方法、终端及可读存储介质 |
CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、系统、存储介质及计算机设备 |
CN110532948A (zh) * | 2019-08-29 | 2019-12-03 | 南京泛在地理信息产业研究院有限公司 | 一种基于视频的高精度行人轨迹提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837369A (zh) * | 2021-02-09 | 2021-05-25 | 北京市商汤科技开发有限公司 | 数据处理方法及装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111553291B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230016568A1 (en) | Scenario recreation through object detection and 3d visualization in a multi-sensor environment | |
AU2017204181B2 (en) | Video camera scene translation | |
Zhang et al. | Urban anomaly analytics: Description, detection, and prediction | |
CN103793484B (zh) | 分类信息网站中的基于机器学习的欺诈行为识别系统 | |
US20180007429A1 (en) | Intelligent processing method and system for video data | |
US9280833B2 (en) | Topology determination for non-overlapping camera network | |
JP2020149704A (ja) | ビデオデータを用いた活動モニタリングのためのシステム及び方法 | |
Wang et al. | Tweeting cameras for event detection | |
US20210133495A1 (en) | Model providing system, method and program | |
WO2021114985A1 (zh) | 一种同行对象识别方法、装置、服务器及系统 | |
CN112383756B (zh) | 一种视频监控报警处理方法和装置 | |
CN113111838A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN111402286A (zh) | 一种目标跟踪方法、装置、系统及电子设备 | |
CN113899355A (zh) | 地图更新方法、装置、云端服务器和共享骑行设备 | |
CN114677754A (zh) | 行为识别方法、装置、电子设备及计算机可读存储介质 | |
CN110633636B (zh) | 尾随检测方法、装置、电子设备及存储介质 | |
Kim et al. | Graph neural network-based propagation effects modeling for detecting visual relationships among construction resources | |
US20210398419A1 (en) | Method, apparatus, and device for testing traffic flow monitoring system | |
CN110390226B (zh) | 人群事件识别方法、装置、电子设备及系统 | |
CN111553291B (zh) | 行人轨迹的生成方法、装置、设备及计算机存储介质 | |
CN105184435A (zh) | 一种外勤人员管理方法及系统 | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN112732860B (zh) | 道路提取方法、装置、可读存储介质及设备 | |
CN111353342A (zh) | 肩头识别模型训练方法、装置、人数统计方法、装置 | |
CN113066182A (zh) | 一种信息展示方法、装置、电子设备及存储介质 |
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 |