CN113139006A - 固定场所挖掘方法、装置、终端设备及可读存储介质 - Google Patents

固定场所挖掘方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN113139006A
CN113139006A CN202010058281.1A CN202010058281A CN113139006A CN 113139006 A CN113139006 A CN 113139006A CN 202010058281 A CN202010058281 A CN 202010058281A CN 113139006 A CN113139006 A CN 113139006A
Authority
CN
China
Prior art keywords
target person
place
places
appearing
feature matrix
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
Application number
CN202010058281.1A
Other languages
English (en)
Inventor
余晓填
杨天宝
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202010058281.1A priority Critical patent/CN113139006A/zh
Publication of CN113139006A publication Critical patent/CN113139006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种固定场所挖掘方法、装置、终端设备及可读存储介质，该方法包括：获取目标人物在多个场所中分别出现的次数。根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。根据预设的约束条件，通过所述目标人物在每个所述场所中出现的概率，确定所述多个场所中的i个固定场所，其中，i为大于1的整数。由于获取到了目标人物在每个场所中出现的概率，因此可以通过目标人物在每个场所中出现的概率，以及预设的约束条件，确定多个场所中的i个固定场所，不再使用出现频次排序来确定固定场所，可以排除噪声的干扰，能够准确的挖掘多个固定场所，提高了挖掘效率，改善了挖掘的效果。

Description

固定场所挖掘方法、装置、终端设备及可读存储介质
技术领域
本申请属于数据处理技术领域，尤其涉及一种固定场所挖掘方法、装置、终端设备及可读存储介质。
背景技术
固定场所是指一个目标人物长期出现或固定出现的位置场所，如目标人物的小区、办公楼等，在一些安防监控的实际应用中，需要挖掘目标人物的固定场所，作为参考数据，对目标人物进行分析。
现有技术中，是通过设置在各个地点的摄像头抓拍目标人物后，统计目标人物在各个地点出现的频次，然后对频次聚类或者排序，最后选择目标人物出现频次最高的场所作为目标人物的固定场所。
但是，现有技术中，由于获取到的频次中存在干扰噪声，因此将出现频次最高的场所作为目标人物的固定场所，导致目标人物存在多处固定场所时，只能检测出一个固定场所，无法有效检测出每一个固定场所。
发明内容
本申请实施例提供了一种固定场所挖掘方法、装置、终端设备及可读存储介质，可以改善在目标人物存在多处固定场所时，无法有效检测出每一个固定场所的问题。
第一方面，本申请实施例提供了一种固定场所挖掘方法，包括：获取目标人物在多个场所中分别出现的次数。根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所，其中，i为大于1的整数。
一些实施方式中，获取目标人物在多个场所中分别出现的次数，包括：获取目标人物的场所特征矩阵。
相应的，根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率，包括：将目标人物的场所特征矩阵转换为场所特征向量。将场所特征向量输入到预设的高斯分布模型中进行处理，得到目标人物的场所向量，其中，场所向量用于表示目标人物在每个场所中出现的概率。
还有一些实施方式中，获取目标人物的场所特征矩阵包括：采集多个目标人物出现的图像，确定多个场所和目标人物在多个场所中分别出现的次数。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数进行数据结构化，得到目标人物的场所特征矩阵。
还有一些实施方式中，获取目标人物的场所特征矩阵包括：采集多个目标人物出现的图像和时间信息，确定多个场所、目标人物在多个场所中分别出现的次数、以及出现时的时间点。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到目标人物的场所特征矩阵。
第二方面，本申请实施例中还提供了一种固定场所挖掘装置，包括：
获取模块，用于获取目标人物在多个场所中分别出现的次数。确定模块，用于根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。确定模块，还用于根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所，其中，i为大于1的整数。
一些实施方式中，获取模块，具体用于获取目标人物的场所特征矩阵。
相应的，确定模块，具体用于将目标人物的场所特征矩阵转换为场所特征向量。将场所特征向量输入到预设的高斯分布模型中进行处理，得到目标人物的场所向量，其中，场所向量用于表示目标人物在每个场所中出现的概率。
还有一些实施方式中，获取模块，具体用于采集多个目标人物出现的图像，确定多个场所和目标人物在多个场所中分别出现的次数。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数进行数据结构化，得到目标人物的场所特征矩阵。
还有一些实施方式中，获取模块，具体用于采集多个目标人物出现的图像和时间信息，确定多个场所、目标人物在多个场所中分别出现的次数、以及出现时的时间点。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到目标人物的场所特征矩阵。
第三方面，本申请实施例提供了一种终端设备，包括：包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面中提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面中提供的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述如第一方面中提供的方法。
本申请实施例与现有技术相比存在的有益效果是：
首先，获取目标人物在多个场所中分别出现的次数。然后根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。最后根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所。由于获取到了目标人物在每个场所中出现的概率，因此可以通过目标人物在每个场所中出现的概率，以及预设的约束条件，确定多个场所中的i个固定场所，不再使用出现频次排序来确定固定场所，可以排除噪声的干扰，能够准确的挖掘多个固定场所，提高了挖掘效率，改善了挖掘的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的固定场所挖掘方法应用场景；
图2是本申请一实施例提供的固定场所挖掘方法的流程示意图；
图3是本申请另一实施例提供的固定场所挖掘方法的流程示意图；
图4是本申请另一实施例提供的固定场所挖掘方法的流程示意图；
图5是本申请提供的固定场所挖掘方法中区域范围网格划分示意图；
图6是本申请一实施例提供的固定场所挖掘装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施方式”或“一些实施方式”等意味着在本申请的一个或多个实施方式中包括结合该实施方式描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施方式中”、“在一些实施方式中”、“在其他一些实施方式中”、“在另外一些实施方式中”等不是必然都参考相同的实施方式，而是意味着“一个或多个但不是所有的实施方式”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1示出了本申请一实施例提供的固定场所挖掘方法应用场景。
在该场景中，包括多个监控摄像头11，每个摄像头用于获取一个场所中的目标人物的影响，场所可以包括办公楼14、住宅15、学校16等，在本申请中，场所的类型还可以有其他类型，如街道、商场等能够通过监控摄像头11获取影像的场所，在此不做限制。
需要说明的是，固定场所指的是目标人物长期出现或固定出现的场所，如目标人物的办公室、家、学校等。
其中，每个监控摄像头11均与服务器12通过网络通信连接，监控摄像头11将拍摄到的影像通过网络发送至服务器12，同时，服务器12还可以通过网络与其他设备通信连接，如服务器12可以与智能手机13通信连接，智能手机13可以请求查看服务器12得到的固定场所挖掘信息，其他设备还可以是笔记本电脑、平板电脑、台式电脑、可穿戴设备等，在此不做限制。网络的形式可以为有线网络或无线网络，有线网络可以是局域网(Local AreaNetwork，LAN)、广域网(Wide Area Network，WAN)等，无线网络则可以包括无线局域网(Wireless Local Area Networks，WLAN)、近距离无线通信技术(Near FieldCommunication，NFC)、以及蜂窝通讯网络，蜂窝通讯网络可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division MultipleAccess，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)等。
图2示出了一种本申请提供的固定场所挖掘方法的示意性流程图，作为示例而非限定，该方法可以应用于上述服务器12中，在其他一些实施方式中，该方法还可以应用于智能手机、云端服务器、平板电脑、笔记本电脑、台式电脑等具有计算能力的设备。
如图2所示，该固定场所挖掘方法，包括：
S21、获取目标人物在多个场所中分别出现的次数。
一些实施方式中，每个场所中都可以设置至少一个的监控设备作为数据点采集装置，监控设备可以采集该场所的图像，然后对采集到的图像通过图像识别算法进行识别，确定目标人物是否出现在该场所内，并根据识别结果更新该场所对应数据点的数据值，数据点的数据值用于表示目标人物在该数据点出现的次数。例如，一种可能的场景中，在写字楼大厅、写字楼外的停车场、与写字楼连接的道路上分别设置有一个监控设备，则存在三个场所的数据点(大厅、停车场、道路)，通过对应的监控设备识别确定目标人物出现在了停车场以及大厅中后，则可以将大厅和停车场数据点的数据值加一，其中，目标人物可以是需要进行安防监控的目标，在此不做限制。
S22、根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。
一些实施方式中，目标人物在每个场所中出现的概率应为真实概率。由于在采集数据点时，往往会采集到噪声点，噪声点指的是目标人物多次经过某场所，但是该场所并非目标人物的固定场所，例如，如某道路可同时通往多个固定场所，在前往固定场所时，必然会被采集到的该道路的数据点，但是该道路并非固定场所，因此需要通过噪声抑制模型排除噪声点，如可以使用高斯分布模型等，以得到每个场所中真实出现的概率。
S23、根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所，其中，i为大于1的整数。
一些实施方式中，预设的约束条件是用于筛选出多个场所中最有可能为固定场所的i个场所，并将i个场所作为固定场所，例如，预设的约束条件可以是将目标人物在每个场所中出现的概率排序后，取概率排序的前3个场所作为固定场所，但不以此为限。
在本实施例中，先获取目标人物在多个场所中分别出现的次数。然后根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。最后根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所。由于获取到了目标人物在每个场所中出现的概率，因此可以通过目标人物在每个场所中出现的概率，以及预设的约束条件，确定多个场所中的i个固定场所，不再使用出现频次排序来确定固定场所，可以排除噪声的干扰，能够准确的挖掘多个固定场所，提高了挖掘效率，改善了挖掘的效果。。
一些实施方式中，获取目标人物在多个场所中分别出现的次数，包括：获取目标人物的场所特征矩阵。其中，场所特征矩阵用于通过矩阵的方式表示目标人物的在每个场所中出现的次数。
图3示出了另一种本申请提供的固定场所挖掘方法的示意性流程图，一些实施方式中，如图3所示，获取目标人物的场所特征矩阵，包括：
S31、采集多个目标人物出现的图像，确定多个场所和目标人物在多个场所中分别出现的次数。
仅作为示例而非限制，参考图1，可以通过分布在每个场所的图像采集装置采集多个目标人物出现的图像，其中，图像采集装置可以是监控摄像头11，每个监控摄像头11采集对应场所中的影像，并发送给服务器12。服务器12可以通过图像识别算法确定收到的影像中是否存在目标人物，将采集到目标人物的场所作为一个采集到的数据点进行记录。
S32、确定多个场所的区域范围。
一些实施方式中，目标人物可能会出现在多个场所中，每个场所都可能是目标人物的固定场所。则目标人物固定场所的区域范围可以是将每个目标人物出现的场所框住的最小范围，也可以是包括所有目标人物出现的场所的最小行政区范围，在此不做限制。
S33、根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数进行数据结构化，得到目标人物的场所特征矩阵。
一些实施方式中，根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数进行数据结构化，可以先将区域范围划分为N个网格。其中，每个网格的区域表示一个场所，N为大于1的整数。
图5示出了本申请提供的固定场所挖掘方法中区域范围网格划分示意图。
仅作为示例而非限制，参阅图1和图5，设目标人物分别出现在了办公楼14、住宅15、学校16等场所，图5中的区域范围是包括了办公楼14、住宅15、学校16的行政区的最小范围，若预设的场所特征矩阵为12×12的矩阵，则可以将该区域范围划分为12×12的网格，则一共有144个网格(即N为144)，每个网格对应预设的场所特征矩阵中的一个元素，即每个预设的场所特征矩阵中的一个元素表示一个场所。
然后，确定目标人物在每个网格中出现的次数。
一些实施方式中，设采集到的数据点为li，则li＝(xi,yi),i＝1,…,T，其中，x和y表示该数据点对应网格的坐标，T表示采集到的数据点的总数。统计每个数据点对应网格的坐标，网格坐标出现的次数即为目标人物在每个网格中出现的次数。
最后，将目标人物在每个网格中出现的次数填入预设的场所特征矩阵中，得到目标人物的场所特征矩阵。
在另外一些实施方式中，场所特征矩阵还包括了目标人物的在每个场所中出现的时间点。
图4示出了另一种本申请提供的固定场所挖掘方法的示意性流程图，一些实施方式中，如图4所示，获取目标人物的场所特征矩阵，包括：
S34、采集多个目标人物出现的图像和时间信息，确定多个场所、目标人物在多个场所中分别出现的次数、以及出现时的时间点。
其中，S34中采集的方式与S31中相同，只是在记录采集到的数据点时，将采集的时间一同记录。
S35、确定多个场所的区域范围。
S36、根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到目标人物的场所特征矩阵。
其中，在S35、S36中，确定区域范围以及区域范围与预设的场所特征矩阵的映射关系与S32和S33中相同，在此不做赘述。
一些实施方式中，设S34中采集到的数据点为Li，则Li＝(ti,xi,yi),i＝1,…,T，其中，x和y表示该数据点对应网格的坐标，t表示目标人物出现在该网格时的时间点，T表示采集到的数据点的总数。统计每个数据点对应网格的坐标，网格坐标出现的次数即为目标人物在每个网格中出现的次数。
则可以先通过S31-S33中的方式得到仅表示地理位置信息的场所特征矩阵，然后将该矩阵在时间方向上进行延伸，将每个采集到的数据点的时间点对应填入，得到一个同时表示地理位置信息和时间点信息的三维矩阵，作为目标人物的场所特征矩阵。
相应的，根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率，包括：
将目标人物的场所特征矩阵转换为场所特征向量。
一些实施方式中，若目标人物的场所特征矩阵为R×R的矩阵，R＞1，则可以按照行或者列的顺序，依次将场所特征矩阵中的每个元素排列得到一个维度为R2的向量，即为场所特征向量。
将上述场所特征向量输入到预设的高斯分布模型中进行处理，得到目标人物的场所向量，其中，场所向量用于表示目标人物在每个场所中出现的概率。
若场所特征向量不包括时间点，则：
一些实施方式中，预设的高斯分布模型(模型一)为：
Figure BDA0002373529050000101
其中，Pr(l|p)表示计算目标人物出现在其中一个场所的概率，σ表示高斯分布的标准差，pj表示目标人物出现在第j个场所的概率，p为场所向量，场所向量是一个多维向量，每个维度对应一个场所(因此p存在N个维度)，该维度的取值即为目标人物在该场所出现的概率。
参考以上模型，对于目标人物的固定场所挖掘，即为对以下模型的优化问题，该模型为：
Figure BDA0002373529050000102
其中，Δ表示向量p的求解域，需满足pj>0且
Figure BDA0002373529050000103
对于上述模型，进行优化的方法可以为：
先不考虑约束，通过梯度下降方法迭代求解，然后在最后一步迭代时，设置约束条件，进行条件映射，使得求解的向量p满足上述求解域的约束。
通过高斯分布模型以及场所特征向量，根据约束条件进行迭代，得到满足求解域约束的场所向量p，消除了噪声点的影响，使得p为目标人物在每个场所中出现的真实概率，提高了挖掘的准确度。
若场所特征向量包括时间点，则：
预设的高斯分布模型(模型二)为：
Figure BDA0002373529050000104
其中，σt表示在不同的时间段内，高斯分布的标准差。
参考以上模型，对于目标人物的固定场所挖掘，即为对以下模型的优化问题，该模型为：
Figure BDA0002373529050000111
该模型的优化方法与上述模型一的相同，在此不再赘述。
在本实施例中，由于考虑了目标人物出现的时间，可以更加精确地获取目标人物不同时间段内的固定场所，使得检测的效果得到了进一步的提升。
以下，举例说明如何确定多个场所中，目标人物的出现概率大于或者等于预设概率的场所为目标人物的固定场所。
一些实施方式中，若场所特征矩阵不包括时间点，设一个目标人物的场所向量为p＝{0.2,0.3,0.2,0.1,0.1,0.1}，预设的约束条件设置为3，则可以将p中概率排名前三的场所作为固定场所，即第一维度、第二维度、第三维度对应的场所确定为该目标人物的固定场所。
另一些实施方式中，若场所特征矩阵包括时间点，设预设的约束条件设置为3，一个目标人物在第一时间段内的场所向量为p＝{0.2,0.3,0.2,0.1,0.1,0.1}，则在第一时间范围内可以将p中概率排名前三的场所作为固定场所，即第一维度、第二维度、第三维度对应的场所确定为该目标人物的固定场所，若该目标人物在第二时间范围内的场所向量为p＝{0,0.1,0.2,0.5,0.2,0}，则在第二时间段内可以将p中概率排名前三的场所作为固定场所，即第三维度、第四维度、第五维度对应的场所确定为该目标人物的固定场所，但不以此为限。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的固定场所挖掘方法，图6示出了本申请实施例提供的固定场所挖掘装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该固定场所挖掘装置包括：
获取模块41，用于获取目标人物在多个场所中分别出现的次数。确定模块42，用于根据目标人物在多个场所中分别出现的次数，确定目标人物在每个场所中出现的概率。确定模块42，还用于根据预设的约束条件，通过目标人物在每个场所中出现的概率，确定多个场所中的i个固定场所，其中，i为大于1的整数。
一些实施方式中，获取模块41，具体用于获取目标人物的场所特征矩阵。
相应的，确定模块42，具体用于将目标人物的场所特征矩阵转换为场所特征向量。将场所特征向量输入到预设的高斯分布模型中进行处理，得到目标人物的场所向量，其中，场所向量用于表示目标人物在每个场所中出现的概率。
还有一些实施方式中，获取模块41，具体用于采集多个目标人物出现的图像，确定多个场所和目标人物在多个场所中分别出现的次数。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数进行数据结构化，得到目标人物的场所特征矩阵。
还有一些实施方式中，获取模块41，具体用于采集多个目标人物出现的图像和时间信息，确定多个场所、目标人物在多个场所中分别出现的次数、以及出现时的时间点。确定多个场所的区域范围。根据区域范围与预设的场所特征矩阵的映射关系，将目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到目标人物的场所特征矩阵。
需要说明的是，上述装置中模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，图7示出了终端设备的结构示意图。
如图7所示，终端设备5包括存储器52、处理器51以及存储在存储器5中并可在处理器51上运行的计算机程序53，处理器51执行计算机程序53时实现上述的视频播放方法。
处理器51可以是中央处理单元(Central Processing Unit，CPU)，该处理器51还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52在一些实施例中可以是终端设备5的内部存储单元，例如终端设备5的硬盘、闪存或内存。存储器52在另一些实施例中也可以是终端设备5的外部存储设备，例如终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器52还可以既包括终端设备5的内部存储单元也包括外部存储设备。存储器52用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序53的程序代码、视频数据等。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
一些实施方式中，智能机人5还可以包括音频采集装置、网络模块、按键、移动装置、图像采集装置、投影装置等，并通过上述装置实现智能单词学习、交互画板、远程监控、移动等功能，在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种固定场所挖掘方法，其特征在于，包括：
获取目标人物在多个场所中分别出现的次数；
根据所述目标人物在多个场所中分别出现的次数，确定所述目标人物在每个所述场所中出现的概率；
根据预设的约束条件，通过所述目标人物在每个所述场所中出现的概率，确定所述多个场所中的i个固定场所，其中，i为大于1的整数。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标人物在多个场所中分别出现的次数，包括：
获取目标人物的场所特征矩阵；
相应的，所述根据所述目标人物在多个场所中分别出现的次数，确定所述目标人物在每个所述场所中出现的概率，包括：
将所述目标人物的场所特征矩阵转换为场所特征向量；
将所述场所特征向量输入到预设的高斯分布模型中进行处理，得到所述目标人物的场所向量，其中，所述场所向量用于表示所述目标人物在每个所述场所中出现的概率。
3.根据权利要求2所述的方法，其特征在于，所述获取目标人物的场所特征矩阵包括：
采集多个所述目标人物出现的图像，确定所述多个场所和所述目标人物在多个场所中分别出现的次数；
确定所述多个场所的区域范围；
根据所述区域范围与预设的场所特征矩阵的映射关系，将所述目标人物在多个场所中分别出现的次数进行数据结构化，得到所述目标人物的场所特征矩阵。
4.根据权利要求2所述的方法，其特征在于，所述获取目标人物的场所特征矩阵包括：
采集多个所述目标人物出现的图像和时间信息，确定所述多个场所、所述目标人物在多个场所中分别出现的次数、以及出现时的时间点；
确定所述多个场所的区域范围；
根据所述区域范围与预设的场所特征矩阵的映射关系，将所述目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到所述目标人物的场所特征矩阵。
5.一种固定场所挖掘装置，其特征在于，包括：
获取模块，用于获取目标人物在多个场所中分别出现的次数；
确定模块，用于根据所述目标人物在多个场所中分别出现的次数，确定所述目标人物在每个所述场所中出现的概率；
所述确定模块，还用于根据预设的约束条件，通过所述目标人物在每个所述场所中出现的概率，确定所述多个场所中的i个固定场所，其中，i为大于1的整数。
6.根据权利要求5所述的装置，其特征在于，所述获取模块，具体用于获取目标人物的场所特征矩阵；
相应的，所述确定模块，具体用于将所述目标人物的场所特征矩阵转换为场所特征向量；
将所述场所特征向量输入到预设的高斯分布模型中进行处理，得到所述目标人物的场所向量，其中，所述场所向量用于表示所述目标人物在每个所述场所中出现的概率。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于采集多个所述目标人物出现的图像，确定所述多个场所和所述目标人物在多个场所中分别出现的次数；
确定所述多个场所的区域范围；
根据所述区域范围与预设的场所特征矩阵的映射关系，将所述目标人物在多个场所中分别出现的次数进行数据结构化，得到所述目标人物的场所特征矩阵。
8.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于采集多个所述目标人物出现的图像和时间信息，确定所述多个场所、所述目标人物在多个场所中分别出现的次数、以及出现时的时间点；
确定所述多个场所的区域范围；
根据所述区域范围与预设的场所特征矩阵的映射关系，将所述目标人物在多个场所中分别出现的次数以及出现的时间点进行数据结构化，得到所述目标人物的场所特征矩阵。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202010058281.1A 2020-01-19 2020-01-19 固定场所挖掘方法、装置、终端设备及可读存储介质 Pending CN113139006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010058281.1A CN113139006A (zh) 2020-01-19 2020-01-19 固定场所挖掘方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010058281.1A CN113139006A (zh) 2020-01-19 2020-01-19 固定场所挖掘方法、装置、终端设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN113139006A true CN113139006A (zh) 2021-07-20

Family

ID=76808712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010058281.1A Pending CN113139006A (zh) 2020-01-19 2020-01-19 固定场所挖掘方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113139006A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012169152A1 (ja) * 2011-06-07 2012-12-13 日本電気株式会社 移動目的地予測装置、移動目的地予測方法および移動目的地予測プログラム
US20130335571A1 (en) * 2012-06-19 2013-12-19 Honeywell International Inc. Vision based target tracking for constrained environments
US20160026245A1 (en) * 2013-04-29 2016-01-28 Mirametrix Inc. System and Method for Probabilistic Object Tracking Over Time
CN106202236A (zh) * 2016-06-28 2016-12-07 联想(北京)有限公司 一种用户位置预测方法及装置
CN108009134A (zh) * 2017-12-26 2018-05-08 武汉大学 一种人类活动信息挖掘方法
CN109644320A (zh) * 2016-12-30 2019-04-16 同济大学 一种使用wi-fi探针检测公共场所人流量的方法
CN110197100A (zh) * 2018-02-27 2019-09-03 北京猎户星空科技有限公司 物体定位方法和装置
CN110267206A (zh) * 2019-05-21 2019-09-20 中国联合网络通信集团有限公司 用户位置预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012169152A1 (ja) * 2011-06-07 2012-12-13 日本電気株式会社 移動目的地予測装置、移動目的地予測方法および移動目的地予測プログラム
US20130335571A1 (en) * 2012-06-19 2013-12-19 Honeywell International Inc. Vision based target tracking for constrained environments
US20160026245A1 (en) * 2013-04-29 2016-01-28 Mirametrix Inc. System and Method for Probabilistic Object Tracking Over Time
CN106202236A (zh) * 2016-06-28 2016-12-07 联想(北京)有限公司 一种用户位置预测方法及装置
CN109644320A (zh) * 2016-12-30 2019-04-16 同济大学 一种使用wi-fi探针检测公共场所人流量的方法
CN108009134A (zh) * 2017-12-26 2018-05-08 武汉大学 一种人类活动信息挖掘方法
CN110197100A (zh) * 2018-02-27 2019-09-03 北京猎户星空科技有限公司 物体定位方法和装置
CN110267206A (zh) * 2019-05-21 2019-09-20 中国联合网络通信集团有限公司 用户位置预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨楠等: ""基于混合高斯分布的风功率横向时间序列概率密度建模研究"", 《水电能源科学》, 30 November 2016 (2016-11-30), pages 213 - 216 *

Similar Documents

Publication Publication Date Title
CN107278369B (zh) 人员查找的方法、装置及通信系统
CN108256404B (zh) 行人检测方法和装置
CN112561948B (zh) 基于时空轨迹的伴随轨迹识别方法、设备及存储介质
CN109618286B (zh) 一种实时监控系统和方法
CN111160243A (zh) 客流量统计方法及相关产品
KR102376912B1 (ko) 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법
CN109740444A (zh) 人流量信息展示方法及相关产品
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
CN105208528A (zh) 一种用于识别同行人员的系统及方法
CN113436338A (zh) 火灾现场的三维重建方法、装置、服务器及可读存储介质
CN114093014A (zh) 一种图码关联强度计算方法、装置、设备及存储介质
CN105792131A (zh) 一种定位方法及系统
CN112632354A (zh) 一种imsi和人脸深度拟合方法、装置、设备及系统
CN111782980A (zh) 地图兴趣点的挖掘方法、装置、设备及存储介质
CN114862946A (zh) 位置预测方法、系统、设备及介质
CN113935859A (zh) 一种基于bim模型的智慧工地系统
CN115937794A (zh) 小目标对象检测方法、装置、电子设备及存储介质
CN111970490A (zh) 用户流量监控方法及相关设备
CN112183431A (zh) 实时行人数量统计方法、装置、相机和服务器
CN110933662A (zh) 一种基于数据挖掘的时空伴随关系分析方法和系统
CN105069718B (zh) 基于移动物联网的智慧国土不动产自助监测方法和系统
CN114078269A (zh) 一种人脸图像聚类方法、装置、服务器和存储介质
CN113139006A (zh) 固定场所挖掘方法、装置、终端设备及可读存储介质
CN110516097A (zh) 一种图像数据关联分析方法、装置及存储介质
US9503844B1 (en) System and method for collocation detection

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