CN114049604A - 基于运动状态的区域人数统计方法、装置、设备及介质 - Google Patents

基于运动状态的区域人数统计方法、装置、设备及介质 Download PDF

Info

Publication number
CN114049604A
CN114049604A CN202111318801.9A CN202111318801A CN114049604A CN 114049604 A CN114049604 A CN 114049604A CN 202111318801 A CN202111318801 A CN 202111318801A CN 114049604 A CN114049604 A CN 114049604A
Authority
CN
China
Prior art keywords
classification model
radar echo
motion state
data
people
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
CN202111318801.9A
Other languages
English (en)
Inventor
阳召成
黄晓泽
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 University
Original Assignee
Shenzhen University
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 University filed Critical Shenzhen University
Priority to CN202111318801.9A priority Critical patent/CN114049604A/zh
Publication of CN114049604A publication Critical patent/CN114049604A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例公开了一种基于运动状态的区域人数统计方法、装置、设备及介质。其中，该方法包括：对根据预设区域内的雷达回波数据生成的距离‑角度谱的二维有效峰进行提取，并对二维有效峰的间距特征和能量块特征进行提取；将间距特征以及能量块特征输入至运动状态分类模型确定目标运动状态；根据目标运动状态确定目标运动状态人数分类模型；将间距特征以及能量块特征输入至目标运动状态人数分类模型中得到预设区域内的人数。通过执行本发明实施例提供的技术方案，可以实现对区域内目标的运动状态和区域人数进行确定，可以提高区域人数统计的准确率。

Description

基于运动状态的区域人数统计方法、装置、设备及介质
技术领域
本发明实施例涉及区域人数统计技术领域，尤其涉及一种基于运动状态的区域人数统计方法、装置、设备及介质。
背景技术
随着物联网的快速发展，基于区域人数信息的应用越来越广泛，对日常生活和工作也越来越重要。区域人数信息在智慧交通方面可以方便相关部门进行人员分流；在智慧城市管理方面，可以帮助政府更好地掌握城市环境中的人群动态；在智慧建筑供暖方面，知道建筑中的人员分布信息，空调系统就可以智能地调节合适的温度；在智慧安防方面，安防部门可以根据不同的区域人数采取不同的行动。区域人数信息是必不可少的。区域人数统计成为很大的研究热点。
相关技术中，基于雷达的区域人数统计方法考虑的因素较为单一和片面，使用的预测模型也较为单一，这可能会导致通过模型进行预测的结果准确率并不是很高。而设计一个单一的最优预测模型又是非常具有挑战性和有难度的。
发明内容
本发明实施例提供一种基于运动状态的区域人数统计方法、装置、设备及介质，可以实现对区域内目标的运动状态和区域人数进行确定，可以提高区域人数统计的准确率。
第一方面，本发明实施例提供了一种基于运动状态的区域人数统计方法，该方法包括：对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
根据所述目标运动状态确定目标运动状态人数分类模型；
将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
第二方面，本发明实施例还提供了一种基于运动状态的区域人数统计装置，该装置包括：特征提取模块，用于对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
运动状态确定模块，用于将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
运动状态人数分类模型确定模块，用于根据所述目标运动状态确定目标运动状态人数分类模型；
区域人数确定模块，用于将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
第三方面，本发明实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一项所述的基于运动状态的区域人数统计方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一项所述的基于运动状态的区域人数统计方法。
本发明实施例提供的技术方案，对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；根据目标运动状态确定目标运动状态人数分类模型；将间距特征以及能量块特征输入至目标运动状态人数分类模型中得到预设区域内的人数。通过执行本方案，可以实现对区域内目标的运动状态和区域人数进行确定，可以提高区域人数统计的准确率。
附图说明
图1是本发明实施例提供的一种基于运动状态的区域人数统计方法的流程图；
图2是本发明实施例提供的一种基于运动状态的区域人数统计装置结构示意图；
图3是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的基于运动状态的区域人数统计方法的流程图，所述方法可以由基于运动状态的区域人数统计装置来执行，所述装置可以由软件和/或硬件的方式实现，所述装置可以配置在用于区域人数统计的电子设备中。所述方法应用于对某区域内的人数进行确定的场景中。如图1所示，本发明实施例提供的技术方案具体包括：
S110:对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取。
具体的，雷达可以是多输入多输出(Multiple-input Multiple-output，MIMO)雷达。本方案可以通过毫米波射频模块向外发射电磁波，并将雷达回波进行混频后传入AD采集模块以进行信号采样，可得到Yk(n，m)。其中，k表示帧数维，是第k帧回波数据，m表示慢时间维，是第m个线性调频信号chirp，n表示快时间维，是第n个距离采样单元。
对雷达回波数据进行预处理，包括根据雷达回波数据生成距离-角度谱和杂波抑制。具体的，对收集到的每帧雷达回波的快时间维进行傅里叶变换(Fast FourierTransform，FFT)以生成距离像YFFT，再固定YFFT的一个距离单元，计算其Capon谱，当遍历完整个距离单元，可得到距离-角度谱Pk(l，θ)。其中，θ是角度单元，θ∈[-60°，60°]，l是距离单元，且l∈[1，L]，L的数值等于所设置的采样点数。其中，Capon谱为一种参数化空间谱，可以根据多路数字目标信号获取到目标的三维空间信息。
对距离-角度谱Pk(l，θ)进行杂波抑制，常用的杂波抑制方法有带通滤波、均值滤波、自适应迭代滤波等。这里以自适应迭代滤波为例进行说明，可表示为以下两步：
Dk(l，θ)＝Pk(l，θ)-Ck(l，θ)
Ck+1(l，θ)＝αCk(l，θ)+(1-α)Pk(l，θ)
其中，Dk(l，θ)表示背景减除之后的滤波数据，Ck(l，θ)表示当前帧的杂波图。0≤α≤1表示杂波图的更新系数。
对杂波抑制后的D(n，θ)进行二维有效峰提取，选取需要提取的预设有效峰数Nc以及预设保护窗的大小lwin和θwin，具体可以根据经验确定Nc＝12，lwin＝2，θwin＝4。然后可以将原始的滤波数据记为D0(l，θ)，以开始如下步骤：(1)求取D0(l，θ)的最大值作为第一最大值，以及D0(l，θ)中以第一最大值为中心的预设保护窗内的最大值作为第二最大值，将该第一最大值与第二最大值进行比较，若相等，则可以将第一最大值对应的数据点确定为有效峰，同时可以保存下该有效峰的幅值和坐标，记为幅值Zg，距离单元
Figure BDA0003344739380000051
和角度单元
Figure BDA0003344739380000052
(其中，g∈[1，Nc]，是提取的有效峰顺序)，反之则不进行记录，并将D0(l，θ)中以第一最大值为中心的预设保护窗内的数据置0后得到的目标滤波数据记为D(l，θ)。(2)重新求取D(l，θ)的最大值作为第三最大值，以及以第三最大值为中心的预设保护窗内的最大值作为第四最大值，进而将该第三最大值与第四最大值进行比较，若相等，则可以将第三最大值对应的数据点确定为有效峰，并可以同上按照有效峰顺序进行记录，然后将D(l，θ)中以第三最大值为中心的预设保护窗内的数据置0以更新D(l，θ)。(3)迭代步骤(2)，直至提取得到预设有效峰数的有效峰或者再次提取的第三最大值为0，则完成了二维有效峰提取的过程。
对二维有效峰的间距特征和能量块特征进行提取：该间距特征可以反映人与环境的相对位置关系和一定的物理环境结构。间距特征具体如下所示：
Figure BDA0003344739380000061
其中，F1表示第一间距特征，Nc表示预设有效峰数，
Figure BDA0003344739380000062
表示第q个有效峰的距离单元，
Figure BDA0003344739380000063
表示第p个有效峰的距离单元，
Figure BDA0003344739380000064
表示第q个有效峰的角度单元，
Figure BDA0003344739380000065
表示第p个有效峰的角度单元，β表示用于平衡距离和角度的权重因子；
Figure BDA0003344739380000066
其中，F2表示第二间距特征，
Figure BDA0003344739380000067
表示当前帧中最大有效峰的距离单元，
Figure BDA0003344739380000068
表示当前帧中最大有效峰的角度单元；
Figure BDA0003344739380000069
其中，F3表示第三间距特征，Zq表示第q个有效峰的幅值；
Figure BDA00033447393800000610
其中，F4表示第四间距特征；以及
Figure BDA00033447393800000611
其中，F5表示第五间距特征。间距特征可以反映人与环境的相对位置关系和一定的物理环境结构。
对二维有效峰的能量块特征进行提取，根据所述预设区域的空间大小以及所需估计的最大人数对所述预设区域进行分块；分别统计分块后每个区域的有效峰能量和，以确定所述能量块特征。具体的，由于人数的不同，有效峰能量的分布也不同，根据实验环境(即预设区域)的空间大小和所需估计的最大人数，可以将实验环境按照距离和角度分成Np块，然后可以分别统计Np块的有效峰能量和。示例性的，Np可以取6，则可以得到6块的有效峰能量和作为二维有效峰的能量块特征，并可记为[F6，F7，F8，F9，F10，F11]T，进一步的，随机森林分类器所使用的特征量即可以是F＝[F1，F2，…，F11]T。
S120:将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态。
其中，运动状态分类模型可以根据实验者在实验区域的雷达回波数据进行训练确定。例如实验场景是一个封闭的不锈钢金属闸道。其中，金属闸道长2.4米，宽1.2米，高2.4米。MIMO雷达安装在2.2米的高度，主瓣方向与地平线之间的角度设计为50度左右。实验由3名男性志愿者和1名女性志愿者进行。数据记录根据实验者不同的运动状态分批记录。将雷达回波数据划分为6种，分别是无人雷达回波数据(data-0p)、一人静止雷达回波数据(data-1p-s)、一人运动雷达回波数据(data-1p-m)、两人运动雷达回波数据(data-2p-mm)、一人静止一人运动雷达回波数据(data-2p-sm)以及两人静止雷达回波数据(data-2p-ss)。运动状态可以根据实际需要进行设置，例如运动状态可以是背景态，运动状态可以是静止态，运动状态可以是混淆态，运动状态还可以是运动态。雷达回波数据与运动态的对应关系为：背景态的训练数据由data_0p所计算得到的二维空间属性特征构成，静止态的训练数据由data_1p_s和data_2p_ss所计算得到的二维空间属性特征构成，混淆态的训练数据由data_1p_m和data_2p_sm所计算得到的二维空间属性特征构成，运动态的训练数据由data_2p_mm所计算得到的二维空间属性特征构成。其中，二维空间属性特征即为间距特征和能量块特征。对于上述6种雷达回波数据中的每种数据，本方案可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为训练数据，剩下的6000帧雷达回波数据作为测试数据。对训练数据进行间距特征以及能量块特征的提取，并将得到的间距特征以及能量块特征输入至随机森林分类器中进行训练，并使用测试数据对运动状态分类模型不断进行优化，最终确定运动状态分类模型。
在本实施例中，可选的，所述运动状态包括背景态、静止态、混淆态以及运动态中的至少一种；相应的，所述运动状态人数分类模型包括背景态人数分类模型、静止态人数分类模型、混淆态人数分类模型以及运动态人数分类模型中的至少一种。
其中，背景态表示实验区域内没有人的情况。静止态表示实验区域内有1人静止站立与2人同时静止站立的情况。混淆态表示实验区域内有1人在运动和实验区域内有2人，其中1人在静止站立的同时，另一人在运动的情况。运动态表示实验区域内有2人同时在运动的情况。运动状态人数分类模型使用随机森林分类器进行训练。背景态人数分类模型的训练数据由data_0p和data_1p_s所计算得到的二维空间属性特征构成，进行0人与1人的分类。静止态人数分类模型的训练数据由data_1p_s和data_2p_ss所计算得到的二维空间属性特征构成，进行1人与2人的分类。混淆态人数分类的训练数据由data_1p_m和data_2p_sm所计算得到的二维空间属性特征构成，进行1人与2人的分类。运动态人数分类模型的训练数据由data_1p_m和data_2p_mm所计算得到的二维空间属性特征构成，进行1人与2人的分类。
由此，通过对运动状态以及运动状态人数分类模型分别进行分类和确定，可以实现确定运动状态以及确定运动状态下预设区域内的人数，可以使区域人数的统计更加准确。
在一个可行的实施方式中，可选的，运动状态分类模型的确定过程，包括：确定目标区域内第一预设数量的目标雷达回波数据，并根据所述目标雷达回波数据确定第一特征数据；其中，所述第一特征数据包括间距特征以及能量块特征；所述目标雷达回波数据包括无人雷达回波数据、一人静止雷达回波数据、一人运动雷达回波数据、两人运动雷达回波数据、一人静止一人运动雷达回波数据以及两人静止雷达回波数据中的至少一种；根据第一预设比例从所述第一特征数据中确定第一训练数据集以及第一测试数据集；将所述第一训练数据集以及与所述第一训练数据集中各特征数据相关联的运动状态标签输入至随机森林分类器中，得到待训练的运动状态分类模型和第一评估结果；采用所述第一测试数据集继续对所述待训练的运动状态分类模型的准确率进行检测和优化，直至所述第一评估结果达到第一预设阈值，得到训练完成的运动状态分类模型。
其中，目标区域可以是进行数据统计的实验区域。第一预设数量可以是2000，第一预设数量可以是20000，第一预设数量可以根据实际需要进行设置。第一特征数据可以是对目标雷达回波数据进行间距特征和能量块特征的提取得到的数据。无人雷达回波数据表示实验区域内无人情况下的雷达回波数据。一人静止雷达回波数据表示实验区域内有1个人在静止站立的雷达回波数据。一人运动雷达回波数据表示实验区域内有1个人在运动(包括小幅度晃动身体或者走动等)的雷达回波数据、两人运动雷达回波数据表示实验区域内有2个人同时在运动(包括小幅度晃动身体或者走动等)的雷达回波数据、一人静止一人运动雷达回波数据表示试验区域内1个人在静止站立，另外一个人在运动(包括小幅度晃动身体或者走动等)的雷达回波数据。两人静止雷达回波数据表示实验区域内有2个人同时在静止站立的雷达回波数据。雷达回波数据与运动态的对应关系为：背景态的训练数据由data_0p所计算得到的二维空间属性特征构成，运动状态标签为1。静止态的训练数据由data_1p_s和data_2p_ss所计算得到的二维空间属性特征构成，运动状态标签为2。混淆态的训练数据由data_1p_m和data_2p_sm所计算得到的二维空间属性特征构成，运动状态标签为3。运动态的训练数据由data_2p_mm所计算得到的二维空间属性特征构成，运动状态标签为4。其中，二维空间属性特征为间距特征和能量块特征。第一预设比例表示第一训练数据集与第一测试数据集各占的比例，例如可以是7:3，或者也可以是8:2。示例性的，对于上述6种雷达回波数据中的每种数据，本方案可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为第一训练集，剩下的6000帧雷达回波数据作为第一测试集。对第一训练集进行间距特征以及能量块特征的提取，并将得到的间距特征、能量块特征以及与该间距特征和能量块特征相匹配的运动状态标签输入至随机森林分类器中进行训练，得到待训练的运动状态分类模型，并统计待训练的运动状态分类模型的准确率，即第一评估结果。第一预设阈值可以是99％，第一预设阈值也可以是98％，第一预设阈值可以根据实际需要进行设置。使用第一测试集对运动状态分类模型不断进行优化，直至运动状态分类模型的第一评估结果达到第一预设阈值，停止对运动状态分类模型的训练，并最终确定运动状态分类模型。
由此，通过使用各种运动状态下的雷达回波数据对随机森林分类器进行训练确定运动状态分类模型，可以实现确定预设区域内目标的运动状态，可以解决现有技术中的区域人数统计结果偏向于某种运动状态的问题，进而可以提高区域人数统计的准确率。
S130:根据所述目标运动状态确定目标运动状态人数分类模型。
其中，本方案可以在确定目标运动状态之后，根据目标运动状态确定使用对应的运动状态人数分类模型。例如如果确定目标运动状态为背景态，则确定目标运动状态人数分类模型为背景态人数分类模型。如果确定目标运动状态为静止态，则确定目标运动状态人数分类模型为静止态人数分类模型。如果确定目标运动状态为混淆态，则确定目标运动状态人数分类模型为混淆态人数分类模型。如果确定目标运动状态为运动态，则确定目标运动状态人数分类模型为运动态人数分类模型。
在另一个可行的实施方式中，可选的，背景态人数分类模型的确定过程，包括：确定第二预设数量的背景态雷达回波数据，并根据所述背景态雷达回波数据确定第二特征数据；其中，所述第二特征数据包括间距特征以及能量块特征；背景态雷达回波数据包括无人雷达回波数据以及一人静止雷达回波数据；根据第二预设比例从第二特征数据中确定第二训练数据集以及第二测试数据集；将所述第二训练数据集以及与所述第二训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的背景态人数分类模型和第二评估结果；采用所述第二测试数据集继续对所述待训练的背景态人数分类模型的准确率进行检测和优化，直至所述第二评估结果达到第二预设阈值，得到训练完成的背景态人数分类模型。
其中，第二预设数量可以是2000，第二预设数量也可以是20000，第二预设数量可以根据实际需要进行设置。第二特征数据可以是对背景态雷达回波数据进行间距特征和能量块特征的提取得到的数据。第二预设比例表示第二训练数据集与第二测试数据集各占的比例，可以根据实际需要进行设置。第二预设比例例如可以是7:3，或者也可以是8:2。示例性的，对于无人雷达回波数据以及一人静止雷达回波数据，本方案对于每种数据可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为第二训练数据，剩下的6000帧雷达回波数据作为第二测试数据。对第二训练集进行间距特征以及能量块特征的提取，并将得到的间距特征、能量块特征以及与该间距特征和能量块特征相匹配的区域人数输入至随机森林分类器中进行训练，得到待训练的背景态人数分类模型。例如与根据无人雷达回波数据确定的特征数据相匹配的区域人数为0，与根据一人静止雷达回波数据确定的特征数据相匹配的区域人数为1。并统计待训练的背景态人数分类模型的准确率，即第二评估结果。第二预设阈值可以是99％，第二预设阈值也可以是98％，第二预设阈值可以根据实际需要进行设置。使用第二测试数据对背景态人数分类模型不断进行优化，直至背景态人数分类模型的第二评估结果达到第二预设阈值，停止对背景态人数分类模型的训练，并最终确定背景态人数分类模型。
由此，通过对背景态人数分类模型进行确定，可以实现确定背景态下的区域人数，可以使区域人数的统计更加准确。
在又一个可行的实施方式中，可选的，静止态人数分类模型的确定过程，包括：确定第三预设数量的静止态雷达回波数据，并根据所述静止态雷达回波数据确定第三特征数据；其中，所述第三特征数据包括间距特征以及能量块特征；所述静止态雷达回波数据包括一人静止雷达回波数据以及两人静止雷达回波数据；根据第三预设比例从第三特征数据中确定第三训练数据集以及第三测试数据集；将所述第三训练数据集以及与所述第三训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的静止态人数分类模型和第三评估结果；采用所述第三测试数据集继续对所述待训练的静止态人数分类模型的准确率进行检测和优化，直至所述第三评估结果达到第三预设阈值，得到训练完成的静止态人数分类模型。
其中，第三预设数量可以是2000，第三预设数量也可以是20000，第三预设数量可以根据实际需要进行设置。第三特征数据可以是对静止态雷达回波数据进行间距特征和能量块特征的提取得到的数据。第三预设比例表示第三训练数据集与第三测试数据集各占的比例，可以根据实际需要进行设置。第三预设比例例如可以是7:3，或者也可以是8:2。示例性的，对于一人静止雷达回波数据以及两人静止雷达回波数据，本方案对于每种数据可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为第三训练数据，剩下的6000帧雷达回波数据作为第三测试数据。对第三训练数据进行间距特征以及能量块特征的提取，并将得到的间距特征、能量块特征以及与该间距特征和能量块特征相匹配的区域人数输入至随机森林分类器中进行训练，得到待训练的静止态人数分类模型。例如与根据一人静止雷达回波数据确定的特征数据相匹配的区域人数为1，与根据两人静止雷达回波数据确定的特征数据相匹配的区域人数为2。并统计待训练的静止态人数分类模型的准确率，即第三评估结果。第三预设阈值可以是99％，第三预设阈值也可以是98％，第三预设阈值可以根据实际需要进行设置。使用第三测试数据对静止态人数分类模型不断进行优化，直至静止态人数分类模型的第三评估结果达到第三预设阈值，停止对静止态人数分类模型的训练，并最终确定静止态人数分类模型。
由此，通过对静止态人数分类模型进行确定，可以实现确定静止态下的区域人数，可以使区域人数的统计更加准确。
在本实施例中，可选的，混淆态人数分类模型的确定过程，包括：确定第四预设数量的混淆态雷达回波数据，并根据所述混淆态雷达回波数据确定第四特征数据；其中，所述第四特征数据包括间距特征以及能量块特征；混淆态雷达回波数据包括一人运动雷达回波数据以及一人静止一人运动雷达回波数据；根据第四预设比例从第四特征数据中确定第四训练数据集以及第四测试数据集；将所述第四训练数据集以及与所述第四训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的混淆态人数分类模型和第四评估结果；采用所述第四测试数据集继续对所述待训练的混淆态人数分类模型的准确率进行检测和优化，直至所述第四评估结果达到第四预设阈值，得到训练完成的混淆态人数分类模型。
其中，第四预设数量可以是2000，第四预设数量也可以是20000，第四预设数量可以根据实际需要进行设置。第四特征数据可以是对混淆态雷达回波数据进行间距特征和能量块特征的提取得到的数据。第四预设比例表示第四训练数据集与第四测试数据集各占的比例，可以根据实际需要进行设置。第四预设比例例如可以是7:3，或者也可以是8:2。示例性的，对于一人运动雷达回波数据以及一人静止一人运动雷达回波数据，本方案对于每种数据可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为第四训练数据，剩下的6000帧雷达回波数据作为第四测试数据。对第四训练数据进行间距特征以及能量块特征的提取，并将得到的间距特征、能量块特征以及与该间距特征和能量块特征相匹配的区域人数输入至随机森林分类器中进行训练，得到待训练的混淆态人数分类模型。例如与根据一人运动雷达回波数据确定的特征数据相匹配的区域人数为1，与根据一人静止一人运动雷达回波数据确定的特征数据相匹配的区域人数为2。并统计待训练的混淆态人数分类模型的准确率，即第四评估结果。第四预设阈值可以是99％，第四预设阈值也可以是98％，第四预设阈值可以根据实际需要进行设置。使用第四测试数据对混淆态人数分类模型不断进行优化，直至混淆态人数分类模型的第四评估结果达到第四预设阈值，停止对混淆态人数分类模型的训练，并最终确定混淆态人数分类模型。
由此，通过对混淆态人数分类模型进行确定，可以实现确定混淆态下的区域人数，可以使区域人数的统计更加准确。
在本实施例中，可选的，运动态人数分类模型的确定过程，包括：确定第五预设数量的运动态雷达回波数据，并根据所述运动态雷达回波数据确定第五特征数据；其中，所述第五特征数据包括间距特征以及能量块特征；运动态雷达回波数据包括一人运动雷达回波数据以及两人运动雷达回波数据；根据第五预设比例从第五特征数据中确定第五训练数据集以及第五测试数据集；将所述第五训练数据集以及与所述第五训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的运动态人数分类模型和第五评估结果；采用所述第五测试数据集继续对所述待训练的运动态人数分类模型的准确率进行检测和优化，直至所述第五评估结果达到第五预设阈值，得到训练完成的运动态人数分类模型。
其中，第五预设数量可以是2000，第五预设数量也可以是20000，第五预设数量可以根据实际需要进行设置。第五特征数据可以是对运动态雷达回波数据进行间距特征和能量块特征的提取得到的数据。第五预设比例表示第五训练数据集与第五测试数据集各占的比例，可以根据实际需要进行设置。第五预设比例例如可以是7:3，或者也可以是8:2。示例性的，对于一人运动雷达回波数据以及两人运动雷达回波数据，本方案对每种数据可以分别记录20000帧雷达回波数据，并将其中的14000帧雷达回波数据作为第五训练数据，剩下的6000帧雷达回波数据作为第五测试数据。对第五训练数据进行间距特征以及能量块特征的提取，并将得到的间距特征、能量块特征以及与该间距特征和能量块特征相匹配的区域人数输入至随机森林分类器中进行训练，得到待训练的运动态人数分类模型。例如与根据一人运动雷达回波数据确定的特征数据相匹配的区域人数为1，与根据两人运动雷达回波数据确定的特征数据相匹配的区域人数为2。并统计待训练的运动态人数分类模型的准确率，即第五评估结果。第五预设阈值可以是99％，第五预设阈值也可以是98％，第五预设阈值可以根据实际需要进行设置。使用第五测试数据对运动态人数分类模型不断进行优化，直至运动态人数分类模型的第五评估结果达到第五预设阈值，停止对运动态人数分类模型的训练，并最终确定运动态人数分类模型。
由此，通过对运动态人数分类模型进行确定，可以实现确定运动态下的区域人数，可以使区域人数的统计更加准确。
S140:将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
具体的，当运动状态分类完成后，将会级联对应的运动状态人数分类模型进行人数分类。模型选用随机森林分类器，所使用的特征量为S110中确定的二维有效峰的间距特征和能量块特征，即F＝[F1,F2,…,F11]T。将间距特征和能量块特征输入至确定的目标运动状态人数分类模型中，得到预设区域内的人数。例如，预设区域中的人数为0人，1人或者多人。
在上述技术方案的基础上对所提供的区域人数统计方法进行了测试，以77GHz毫米波雷达(带宽为4GHz)为例，不锈钢金属匝道大小2.4米×1.2米×2.4米，安装高度为2.2米，针对0人、1人与多人三种情况，针对上述方法进行了时长为16.67分钟(20000帧数据，帧率为20Hz)的测试，结果如下表所示。从表1中可以看出，运动状态分类平均准确率为97.69％。从表2可以看出，4个运动状态预测模型人数分类准确率都超过95％。从表3中可以看出，人数分类平均准确率为97.45％。在强静态杂波、强多径的金属闸道内，可准确区分0人、1人、多人，可与刷卡、指纹、人脸识别等传统门禁系统结合实现防尾随功能。实验结果表明，0人、1人和多人的平均分类准确率在97.45％以上，优于现有的区域人数统计方法。
表1
Figure BDA0003344739380000171
表2
模型 准确率
背景态模型 98.46％
静止态模型 99.68％
混淆态模型 95.39％
运动态模型 97.45％
表3
Figure BDA0003344739380000181
相关技术中，基于雷达的区域人数统计方法很少考虑目标的运动状态，并使用单一的预测模型来对人数进行分类。由于目标在不同运动状态下的回波信号差异很大，相邻人数之间有时会出现特征混叠。因此，很难找到一个最优的单一预测模型来适应目标的不同运动状态。
本发明实施例提供的技术方案，对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；将间距特征以及能量块特征输入至运动状态分类模型确定目标运动状态；根据目标运动状态确定目标运动状态人数分类模型；将间距特征以及能量块特征输入至目标运动状态人数分类模型中得到预设区域内的人数。通过执行本方案，可以实现对区域内目标的运动状态和区域人数进行确定，可以提高区域人数统计的准确率。
图2是本发明实施例提供的基于运动状态的区域人数统计装置结构示意图，所述装置可以配置在用于区域人数统计的电子设备中，如图2所示，所述装置包括：
特征提取模块210，用于对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
运动状态确定模块220，用于将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
运动状态人数分类模型确定模块230，用于根据所述目标运动状态确定目标运动状态人数分类模型；
区域人数确定模块240，用于将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
可选的，所述运动状态包括背景态、静止态、混淆态以及运动态中的至少一种；相应的，所述运动状态人数分类模型包括背景态人数分类模型、静止态人数分类模型、混淆态人数分类模型以及运动态人数分类模型中的至少一种。
可选的，运动状态分类模型的确定过程，包括：确定目标区域内第一预设数量的目标雷达回波数据，并根据所述目标雷达回波数据确定第一特征数据；其中，所述第一特征数据包括间距特征以及能量块特征；所述目标雷达回波数据包括无人雷达回波数据、一人静止雷达回波数据、一人运动雷达回波数据、两人运动雷达回波数据、一人静止一人运动雷达回波数据以及两人静止雷达回波数据中的至少一种；根据第一预设比例从所述第一特征数据中确定第一训练数据集以及第一测试数据集；将所述第一训练数据集以及与所述第一训练数据集中各特征数据相关联的运动状态标签输入至随机森林分类器中，得到待训练的运动状态分类模型和第一评估结果；采用所述第一测试数据集继续对所述待训练的运动状态分类模型的准确率进行检测和优化，直至所述第一评估结果达到第一预设阈值，得到训练完成的运动状态分类模型。
可选的，背景态人数分类模型的确定过程，包括：确定第二预设数量的背景态雷达回波数据，并根据所述背景态雷达回波数据确定第二特征数据；其中，所述第二特征数据包括间距特征以及能量块特征；背景态雷达回波数据包括无人雷达回波数据以及一人静止雷达回波数据；根据第二预设比例从第二特征数据中确定第二训练数据集以及第二测试数据集；将所述第二训练数据集以及与所述第二训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的背景态人数分类模型和第二评估结果；采用所述第二测试数据集继续对所述待训练的背景态人数分类模型的准确率进行检测和优化，直至所述第二评估结果达到第二预设阈值，得到训练完成的背景态人数分类模型。
可选的，静止态人数分类模型的确定过程，包括：确定第三预设数量的静止态雷达回波数据，并根据所述静止态雷达回波数据确定第三特征数据；其中，所述第三特征数据包括间距特征以及能量块特征；所述静止态雷达回波数据包括一人静止雷达回波数据以及两人静止雷达回波数据；根据第三预设比例从第三特征数据中确定第三训练数据集以及第三测试数据集；将所述第三训练数据集以及与所述第三训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的静止态人数分类模型和第三评估结果；采用所述第三测试数据集继续对所述待训练的静止态人数分类模型的准确率进行检测和优化，直至所述第三评估结果达到第三预设阈值，得到训练完成的静止态人数分类模型。
可选的，混淆态人数分类模型的确定过程，包括：确定第四预设数量的混淆态雷达回波数据，并根据所述混淆态雷达回波数据确定第四特征数据；其中，所述第四特征数据包括间距特征以及能量块特征；混淆态雷达回波数据包括一人运动雷达回波数据以及一人静止一人运动雷达回波数据；根据第四预设比例从第四特征数据中确定第四训练数据集以及第四测试数据集；将所述第四训练数据集以及与所述第四训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的混淆态人数分类模型和第四评估结果；采用所述第四测试数据集继续对所述待训练的混淆态人数分类模型的准确率进行检测和优化，直至所述第四评估结果达到第四预设阈值，得到训练完成的混淆态人数分类模型。
可选的，运动态人数分类模型的确定过程，包括：确定第五预设数量的运动态雷达回波数据，并根据所述运动态雷达回波数据确定第五特征数据；其中，所述第五特征数据包括间距特征以及能量块特征；运动态雷达回波数据包括一人运动雷达回波数据以及两人运动雷达回波数据；根据第五预设比例从第五特征数据中确定第五训练数据集以及第五测试数据集；将所述第五训练数据集以及与所述第五训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的运动态人数分类模型和第五评估结果；采用所述第五测试数据集继续对所述待训练的运动态人数分类模型的准确率进行检测和优化，直至所述第五评估结果达到第五预设阈值，得到训练完成的运动态人数分类模型。
上述实施例所提供的装置可以执行本发明任意实施例所提供的基于运动状态的区域人数统计方法，具备执行方法相应的功能模块和有益效果。
图3是本发明实施例提供的一种电子设备结构示意图，如图3所示，该设备包括：
一个或多个处理器310，图3中以一个处理器310为例；
存储器320；
所述设备还可以包括：输入装置330和输出装置340。
所述设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器320作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种基于运动状态的区域人数统计方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种基于运动状态的区域人数统计方法，即：
对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
根据所述目标运动状态确定目标运动状态人数分类模型；
将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器320可选包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的一种基于运动状态的区域人数统计方法，也即：
对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
根据所述目标运动状态确定目标运动状态人数分类模型；
将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于运动状态的区域人数统计方法，其特征在于，包括：
对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
根据所述目标运动状态确定目标运动状态人数分类模型；
将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
2.根据权利要求1所述的方法，其特征在于，所述运动状态包括背景态、静止态、混淆态以及运动态中的至少一种；
相应的，所述运动状态人数分类模型包括背景态人数分类模型、静止态人数分类模型、混淆态人数分类模型以及运动态人数分类模型中的至少一种。
3.根据权利要求2所述的方法，其特征在于，运动状态分类模型的确定过程，包括：
确定目标区域内第一预设数量的目标雷达回波数据，并根据所述目标雷达回波数据确定第一特征数据；其中，所述第一特征数据包括间距特征以及能量块特征；所述目标雷达回波数据包括无人雷达回波数据、一人静止雷达回波数据、一人运动雷达回波数据、两人运动雷达回波数据、一人静止一人运动雷达回波数据以及两人静止雷达回波数据中的至少一种；
根据第一预设比例从所述第一特征数据中确定第一训练数据集以及第一测试数据集；
将所述第一训练数据集以及与所述第一训练数据集中各特征数据相关联的运动状态标签输入至随机森林分类器中，得到待训练的运动状态分类模型和第一评估结果；
采用所述第一测试数据集继续对所述待训练的运动状态分类模型的准确率进行检测和优化，直至所述第一评估结果达到第一预设阈值，得到训练完成的运动状态分类模型。
4.根据权利要求3所述的方法，其特征在于，背景态人数分类模型的确定过程，包括：
确定第二预设数量的背景态雷达回波数据，并根据所述背景态雷达回波数据确定第二特征数据；其中，所述第二特征数据包括间距特征以及能量块特征；背景态雷达回波数据包括无人雷达回波数据以及一人静止雷达回波数据；
根据第二预设比例从第二特征数据中确定第二训练数据集以及第二测试数据集；
将所述第二训练数据集以及与所述第二训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的背景态人数分类模型和第二评估结果；
采用所述第二测试数据集继续对所述待训练的背景态人数分类模型的准确率进行检测和优化，直至所述第二评估结果达到第二预设阈值，得到训练完成的背景态人数分类模型。
5.根据权利要求3所述的方法，其特征在于，静止态人数分类模型的确定过程，包括：
确定第三预设数量的静止态雷达回波数据，并根据所述静止态雷达回波数据确定第三特征数据；其中，所述第三特征数据包括间距特征以及能量块特征；所述静止态雷达回波数据包括一人静止雷达回波数据以及两人静止雷达回波数据；
根据第三预设比例从第三特征数据中确定第三训练数据集以及第三测试数据集；
将所述第三训练数据集以及与所述第三训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的静止态人数分类模型和第三评估结果；
采用所述第三测试数据集继续对所述待训练的静止态人数分类模型的准确率进行检测和优化，直至所述第三评估结果达到第三预设阈值，得到训练完成的静止态人数分类模型。
6.根据权利要求3所述的方法，其特征在于，混淆态人数分类模型的确定过程，包括：
确定第四预设数量的混淆态雷达回波数据，并根据所述混淆态雷达回波数据确定第四特征数据；其中，所述第四特征数据包括间距特征以及能量块特征；混淆态雷达回波数据包括一人运动雷达回波数据以及一人静止一人运动雷达回波数据；
根据第四预设比例从第四特征数据中确定第四训练数据集以及第四测试数据集；
将所述第四训练数据集以及与所述第四训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的混淆态人数分类模型和第四评估结果；
采用所述第四测试数据集继续对所述待训练的混淆态人数分类模型的准确率进行检测和优化，直至所述第四评估结果达到第四预设阈值，得到训练完成的混淆态人数分类模型。
7.根据权利要求3所述的方法，其特征在于，运动态人数分类模型的确定过程，包括：
确定第五预设数量的运动态雷达回波数据，并根据所述运动态雷达回波数据确定第五特征数据；其中，所述第五特征数据包括间距特征以及能量块特征；运动态雷达回波数据包括一人运动雷达回波数据以及两人运动雷达回波数据；
根据第五预设比例从第五特征数据中确定第五训练数据集以及第五测试数据集；
将所述第五训练数据集以及与所述第五训练数据集中各特征数据相关联的区域人数输入至随机森林分类器中，得到待训练的运动态人数分类模型和第五评估结果；
采用所述第五测试数据集继续对所述待训练的运动态人数分类模型的准确率进行检测和优化，直至所述第五评估结果达到第五预设阈值，得到训练完成的运动态人数分类模型。
8.一种基于运动状态的区域人数统计装置，其特征在于，包括：
特征提取模块，用于对根据预设区域内的雷达回波数据生成的距离-角度谱的二维有效峰进行提取，并对所述二维有效峰的间距特征和能量块特征进行提取；
运动状态确定模块，用于将所述间距特征以及所述能量块特征输入至运动状态分类模型确定目标运动状态；
运动状态人数分类模型确定模块，用于根据所述目标运动状态确定目标运动状态人数分类模型；
区域人数确定模块，用于将所述间距特征以及所述能量块特征输入至所述目标运动状态人数分类模型中得到所述预设区域内的人数。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的基于运动状态的区域人数统计方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于运动状态的区域人数统计方法。
CN202111318801.9A 2021-11-09 2021-11-09 基于运动状态的区域人数统计方法、装置、设备及介质 Pending CN114049604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111318801.9A CN114049604A (zh) 2021-11-09 2021-11-09 基于运动状态的区域人数统计方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111318801.9A CN114049604A (zh) 2021-11-09 2021-11-09 基于运动状态的区域人数统计方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114049604A true CN114049604A (zh) 2022-02-15

Family

ID=80207791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111318801.9A Pending CN114049604A (zh) 2021-11-09 2021-11-09 基于运动状态的区域人数统计方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114049604A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449330A (zh) * 2023-06-20 2023-07-18 精华隆智慧感知科技（深圳）股份有限公司 一种室内人数的估计方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449330A (zh) * 2023-06-20 2023-07-18 精华隆智慧感知科技（深圳）股份有限公司 一种室内人数的估计方法、装置、计算机设备及存储介质
CN116449330B (zh) * 2023-06-20 2023-10-13 精华隆智慧感知科技（深圳）股份有限公司 一种室内人数的估计方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108200644B (zh) 一种基于网络可视图的无源室内定位方法
CN110133599B (zh) 基于长短时记忆模型的智能雷达辐射源信号分类方法
CN102682303A (zh) 基于lbp加权社会力模型的人群异常事件检测方法
CN110456320B (zh) 一种基于自由空间步态时序特征的超宽带雷达身份识别方法
CN111175718B (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN114627447A (zh) 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统
CN103729854A (zh) 一种基于张量模型的红外弱小目标检测方法
CN102254394A (zh) 一种基于视频差异分析的输电线路杆塔防盗监控方法
CN112782684B (zh) 一种人体目标检测方法、装置、计算机设备和存储介质
CN106096506A (zh) 基于子类类间判别双字典的sar目标识别方法
CN106033548B (zh) 基于改进字典学习的拥挤人群异常检测方法
Li et al. Radar signal recognition algorithm based on entropy theory
Ahmadi et al. Small dim object tracking using frequency and spatial domain information
CN104881521A (zh) 一种标号随机集滤波器分布式融合方法
CN106874932B (zh) 基于快速稀疏描述的sar目标型号识别方法
CN113253363A (zh) 一种雷电活动路径预测方法及系统
CN114581958B (zh) 一种基于csi信号到达角估计的静态人体姿势估计方法
CN114049604A (zh) 基于运动状态的区域人数统计方法、装置、设备及介质
CN112712102A (zh) 可同时识别已知和未知雷达辐射源个体的识别仪
CN107202559A (zh) 基于室内声学信道扰动分析的物体识别方法
CN116482720A (zh) 一种基于机器学习理论的gnss欺骗干扰检测方法
CN106448694B (zh) 一种基于复角检测的欠定盲源分离中的时频单源点提取方法
CN111444926A (zh) 基于雷达的区域人数统计方法、装置、设备和存储介质
CN114169425A (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN106022383A (zh) 基于方位角相关动态字典稀疏表示的sar目标识别方法

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