CN114694099A - 基于人工智能的人流量预测方法、装置及相关设备 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种基于人工智能的人流量预测方法、装置及相关设备，所述方法包括：将每个第一场所的当前视频输入至场所识别模型中，得到每个第一场所的第一位置信息；将每个第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个第一场所的进出人流量；接收客户端上报的多个第二场所的识别码，将多个第二场所的识别码和每个第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到目标区域的每个第一场所的预测结果。本发明通过从多个第二场所的识别码和每个第一场所的进出人流量两个维度进行了考虑计算预测结果，提高了每个场所人流量预测结果的准确率。

Description

基于人工智能的人流量预测方法、装置及相关设备

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的人流量预测方法、装置及相关设备。

背景技术

对于办公大楼、商场等人口众多的场所，由于场所有限，当人流量较大时，可能会出现部分场所人流量居多，而部分场所空闲浪费资源的问题，从而影响用户体验。

为了改善用户体验，现有技术通过在公共区域的门口安装传感器识别人流量，然而，单纯的识别公共区域人流量，无法解决人流量分布不均匀的问题，导致人流量管理有效性低。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的人流量预测方法、装置及相关设备，通过从多个第二场所的识别码和每个第一场所的进出人流量两个维度进行了考虑计算预测结果，提高了每个场所人流量预测结果的准确率。

本发明的第一方面提供一种基于人工智能的人流量预测方法，所述方法包括：

解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频；

将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息；

响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息；

将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量；

接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

可选地，所述将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息包括：

解析每个所述第一场所的当前视频，得到多个图像帧；

根据所述多个图像帧，提取每个所述第一场所的场所标识特征及场所门框特征；

将每个所述第一场所的场所标识特征及场所门框特征输入至预先训练好的场所识别模型中，得到每个所述第一场所的第一位置信息。

可选地，所述将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量包括：

解析每个所述第一场所的当前视频，得到每个所述第一场所的多张第一图像；

将每个所述第一场所的多张第一图像输入至人流量计算模型中的高斯混合模型中，提取每张所述第一图像的前景区域，得到每个所述第一场所的多张第二图像；

对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像；

采用形态运算对每个所述第一场所的多张第三图像进行去噪处理，得到每个所述第一场所的多张第四图像；

从每个所述第一场所的多张第四图像中提取出多个关键特征；

将提取出的每个所述第一场所的多个关键特征及对应的第二位置信息输入至所述人流量计算模型的多目标跟踪模型中，得到每个所述第一场所的进出人流量。

可选地，所述人流量预测模型的训练过程包括：

获取所述目标区域的所有场所的历史进出人流量，其中，所述历史进出人流量中包含有多个周期的每个场所的进出人流量；

获取客户端上报的与多个周期的场所历史场所识别码；

将所述历史进出人流量和场所历史场所识别码确定为样本集；

按照预设的比例将所述样本集划分为训练集和测试集；

将所述训练集中的历史进出人流量和场所历史场所识别码输入预设神经网络中进行训练，得到人流量预测模型；

将所述测试集输入至所述人流量预测模型中进行测试，并计算测试通过率；

若所述测试通过率大于或者等于预设通过率阈值，确定所述人流量预测模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加训练集的数量，重新进行人流量预测模型的训练。

可选地，在得到所述目标区域的每个所述第一场所的人流量预测结果之后，所述方法还包括：

当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第一使用阈值时，且每个所述场所的预测结果中的进入人数小于或者等于预设的第二使用阈值时，发送每个所述场所的占用信息至用户手机端。

可选地，所述方法还包括：

当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第二使用阈值时，发送存在空闲位置的场所的地址信息至用户手机端。

可选地，所述解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所包括：

解析人流量预测请求，获取人流量预测报文信息；

从所述人流量预测报文信息中获取目标区域及所述目标区域中的所有场所；

识别每个所述场所是否存在故障标识；

保留不存在故障标识的场所确定为所述目标区域的多个第一场所。

本发明的第二方面提供一种基于人工智能的人流量预测装置，所述装置包括：

解析和获取模块，用于解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频；

识别模块，用于将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息；

接收模块，用于响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息；

第一输入模块，用于将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量；

第二输入模块，用于接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的人流量预测方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的人流量预测方法。

综上所述，本发明所述的基于人工智能的人流量预测方法、装置及相关设备，通过将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息，并接收客户端上报的每个所述第一场所的第二位置信息，提高了输入至人流量计算模型中的每个所述第一场所的第二位置信息的准确率。将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量，由于每个所述第一场所的第二位置信息是通过客户端校准得到的，精确度高，从每个所述第一场所的第二位置信息和视频中的图像中的关键特征两个维度进行了考量，提高了计算得到的每个所述第一场所的进出人流量的准确率。将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果，由于第二场所的识别码不是预测出来的，是用户手机端扫描每个所述场所的小程序码得到的每个场所的实时使用情况，在训练所述人流量预测模型时，从客户端接收到的多个第二场所的识别码和每个所述第一场所的进出人流量两个维度进行了考虑，提高了训练得到的人流量预测模型的准确率，进而提高了场所人流量预测结果的准确率。

附图说明

图1是本发明实施例一提供的基于人工智能的人流量预测方法的流程图。

图2是本发明实施例二提供的基于人工智能的人流量预测装置的结构图。

图3是本发明实施例三提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的基于人工智能的人流量预测方法的流程图。

在本实施例中，所述基于人工智能的人流量预测方法可以应用于电子设备中，对于需要进行基于人工智能的人流量预测的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于人工智能的人流量预测的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在电子设备中。

如图1所示，所述基于人工智能的人流量预测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频。

本实施例中，目标区域可以为商场、办公大楼等区域，场所可以为厕所、餐饮店等公共场所，在进行场所人流量预测时，通过客户端发起人流量预测请求至服务端，具体地，所述客户端用以对所述目标区域中的每个场所进行编码，得到每个场所的识别码，所述每个场所的识别码用以唯一确定每个场所的位置信息，所述客户端还用以对后续的场所位置信息的识别结果做人工校验和校正，设置服务时间，例如：若公共场所为厕所，所述客户端可以在厕所的非服务时间时重置人流量，将厕所所有坑位的使用情况设置为否，人流量重置为0，若没有设定服务时间，则默认当前两个小时都没有人流进出，人流量重置为0。

所述服务端可以为人流量预测子系统，在人流量预测过程中，如所述客户端可以向场所人流量预测子系统发送场所人流量预测请求，所述场所人流量预测子系统用于接收所述客户端发送的场所人流量预测请求。

本实施例中，第一场所是指所述目标区域中的多个可使用的场所，例如，厕所或者餐饮店。

在一个可选的实施例中，所述解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频包括：

解析人流量预测请求，获取人流量预测报文信息及预测需求；

从所述人流量预测报文信息中获取目标区域及所述目标区域中的所有场所；

识别每个所述场所是否存在故障标识；

保留不存在故障标识的场所确定为所述目标区域的多个第一场所；

识别所述预测需求中的视频获取周期；

每隔所述视频获取周期获取每个所述第一场所的当前视频。

示例性地，若场所为厕所，则所述故障标识唯一识别每个所述厕所是否可以使用，通过识别所述目标区域中的每个所述厕所是否存在故障标识，删除存在故障标识的厕所，减少了故障厕所对厕所人流量预测的影响，提高了人流量预测的准确率。

本实施例中，可以预先获取每个所述第一场所的摄像头拍摄的视频，通过使用摄像头采集视频作为模型的输入，无需通过在场所门安装传感器来识别场所占用情况，减少了传感器购买及安装的开销，更加的节能，降低了场所人流量的预测成本。

本实施例中，预测需求中包含有视频获取周期，所述视频获取周期可以预先根据用户的生理情况设置，例如，可以根据每天的每个时间段设置不同的周期，例如，每天8：00到10：00，设置视频获取周期为5分钟，11：00至12：00，设置视频获取周期为3分钟，本实施例在此不做限制。

本实施例中，所述视频获取周期可以预先根据用户的生理情况设置，更加合理，进而提高后续人流量预测的准确率。

S12，将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息。

本实施例中，可以预先根据场所标识特征和场所门框特征训练得到场所识别模型，根据场所标识特征和场所门框特征识别得到每个所述第一场所的第一位置信息。

在一个可选的实施例中，所述将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息包括：

解析每个所述第一场所的当前视频，得到多个图像帧；

根据所述多个图像帧，提取每个所述第一场所的场所标识特征及场所门框特征；

将每个所述第一场所的场所标识特征及场所门框特征输入至预先训练好的场所识别模型中，得到每个所述第一场所的第一位置信息。

本实施例中，从每个所述第一场所的当前视频得到的多个图像帧为连续图像帧。

本实施例中，通过结合目标区域内每个第一场所的场所标识特征和场所门框特征，避免将相同标识特征的非场所门识别为场所门，提高了确定出的每个第一场所的第一位置信息的准确率。

S13，响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息。

本实施例中，在得到每个所述第一场所的第一位置信息之后，为了确保每个所述第一场所的第一位置信息的准确率，将每个所述第一场所的第一位置信息发送至客户端，在客户端对每个所述第一场所的第一位置信息进行校准，提高了输入至人流量计算模型中的每个所述第一场所的第二位置信息的准确率。

S14，将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量。

本实施例中，为了计算每个所述第一场所的进出人流量，可以预先训练人流量计算模型，具体地，所述人流量计算模型为现有技术，本实施例在此不做详述。

在一个可选的实施例中，所述将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量包括：

解析每个所述第一场所的当前视频，得到每个所述第一场所的多张第一图像；

将每个所述第一场所的多张第一图像输入至人流量计算模型中的高斯混合模型中，提取每张所述第一图像的前景区域，得到每个所述第一场所的多张第二图像；

对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像；

采用形态运算对每个所述第一场所的多张第三图像进行去噪处理，得到每个所述第一场所的多张第四图像；

从每个所述第一场所的多张第四图像中提取出多个关键特征；

将提取出的每个所述第一场所的多个关键特征及对应的第二位置信息输入至所述人流量计算模型的多目标跟踪模型中，得到每个所述第一场所的进出人流量。

本实施例中，所述人流量计算模型中包含有高斯混合模型、颜色模型、多目标跟踪模型等。

本实施例中，可以采用颜色模型对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像，具体地，所述颜色模型可以为horprasert颜色模型。

本实施例中，所述高斯混合模型和horprasert颜色模型为现有技术，本实施例在此不做详述。

本实施例中，在进行每个所述第一场所的出入人流量计算时，由于每个所述第一场所的第二位置信息是通过客户端校准得到的，精确度高，从每个所述第一场所的第二位置信息和视频中的图像中的关键特征两个维度进行了考量，提高了计算得到的每个所述第一场所的进出人流量的准确率。

S15，接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

本实施例中，第二场所的识别码是在所述当前视频对应的时间段内，用户手机端扫描所述目标区域中的每个场所小程序码后得到的，其中，每个场所的小程序码对应一个识别码。

本实施例中，可以预先训练人流量预测模型，在得到多个第二场所的识别码和每个所述第一场所的进出人流量之后，将多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到每个所述第一场所的预测结果，其中，每个所述第一场所的预测结果中包含有每个所述第一场所当前的占用情况。

具体地，所述人流量预测模型的训练过程包括：

获取所述目标区域的所有场所的历史进出人流量，其中，所述历史进出人流量中包含有多个周期的每个场所的进出人流量；

获取客户端上报的与多个周期的场所历史场所识别码；

将所述历史进出人流量和场所历史场所识别码确定为样本集；

按照预设的比例将所述样本集划分为训练集和测试集；

将所述训练集中的历史进出人流量和场所历史场所识别码输入预设神经网络中进行训练，得到人流量预测模型；

将所述测试集输入至所述人流量预测模型中进行测试，并计算测试通过率；

若所述测试通过率大于或者等于预设通过率阈值，确定所述人流量预测模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加训练集的数量，重新进行人流量预测模型的训练。

本实施例中，可以预先设置训练集和测试集的划分比例，例如，预设比例可以设置为7：3，也可以设置为8：2。

本实施例中，由于第二场所的识别码不是预测出来的，是用户手机端扫描每个所述场所的小程序码得到的每个场所的实时使用情况，在训练所述人流量预测模型时，从客户端接收到的多个第二场所的识别码和每个所述第一场所的进出人流量两个维度进行了考虑，提高了训练得到的人流量预测模型的准确率，进而提高了场所人流量预测结果的准确率。

进一步地，在得到所述目标区域的每个所述第一场所的人流量预测结果之后，所述方法还包括：

当每个所述场所的预测结果中的进入人数小于或者等于每个所述场所预设的第一使用阈值时，确定每个所述场所存在空闲位置，不执行信息发送操作；或者，当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第一使用阈值时，且每个所述场所的预测结果中的进入人数小于或者等于预设的第二使用阈值时，发送每个所述场所的占用信息至用户手机端；或者，当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第二使用阈值时，发送存在空闲位置的场所的地址信息至用户手机端。

本实施例中，当场所为厕所时，为了减少用户的上厕所排队时间，可以预先根据每个所述厕所的使用坑位设置第一使用阈值和第二使用阈值，在得到每个所述场所的预测结果之后，将每个所述厕所的预测结果中的进入人数与第一使用阈值和第二使用阈值进行比对，根据比对结果执行不同的信息发送，让用户及时获知当前厕所的使用情况，解决了厕所排队难和找厕所难的问题，提高了用户体验度。

综上所述，本实施例所述的基于人工智能的人流量预测方法，通过将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息，并接收客户端上报的每个所述第一场所的第二位置信息，提高了输入至人流量计算模型中的每个所述第一场所的第二位置信息的准确率。将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量，由于每个所述第一场所的第二位置信息是通过客户端校准得到的，精确度高，从每个所述第一场所的第二位置信息和视频中的图像中的关键特征两个维度进行了考量，提高了计算得到的每个所述第一场所的进出人流量的准确率。将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果，由于第二场所的识别码不是预测出来的，是用户手机端扫描每个所述场所的小程序码得到的每个场所的实时使用情况，在训练所述人流量预测模型时，从客户端接收到的多个第二场所的识别码和每个所述第一场所的进出人流量两个维度进行了考虑，提高了训练得到的人流量预测模型的准确率，进而提高了场所人流量预测结果的准确率。

实施例二

图2是本发明实施例二提供的基于人工智能的人流量预测装置的结构图。

在一些实施例中，所述基于人工智能的人流量预测装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的人流量预测装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于人工智能的人流量预测的功能。

本实施例中，所述基于人工智能的人流量预测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：解析和获取模块201、识别模块202、接收模块203、第一输入模块204及第二输入模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

解析和获取模块201，用于解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频。

本实施例中，目标区域可以为商场、办公大楼等区域，场所可以为厕所、餐饮店等公共场所，在进行场所人流量预测时，通过客户端发起人流量预测请求至服务端，具体地，所述客户端用以对所述目标区域中的每个场所进行编码，得到每个场所的识别码，所述每个场所的识别码用以唯一确定每个场所的位置信息，所述客户端还用以对后续的场所位置信息的识别结果做人工校验和校正，设置服务时间，例如：若公共场所为厕所，所述客户端可以在厕所的非服务时间时重置人流量，将厕所所有坑位的使用情况设置为否，人流量重置为0，若没有设定服务时间，则默认当前两个小时都没有人流进出，人流量重置为0。

所述服务端可以为人流量预测子系统，在人流量预测过程中，如所述客户端可以向场所人流量预测子系统发送场所人流量预测请求，所述场所人流量预测子系统用于接收所述客户端发送的场所人流量预测请求。

本实施例中，第一场所是指所述目标区域中的多个可使用的场所，例如，厕所或者餐饮店。

在一个可选的实施例中，所述解析和获取模块201解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频包括：

解析人流量预测请求，获取人流量预测报文信息及预测需求；

从所述人流量预测报文信息中获取目标区域及所述目标区域中的所有场所；

识别每个所述场所是否存在故障标识；

保留不存在故障标识的场所确定为所述目标区域的多个第一场所；

识别所述预测需求中的视频获取周期；

每隔所述视频获取周期获取每个所述第一场所的当前视频。

示例性地，若场所为厕所，则所述故障标识唯一识别每个所述厕所是否可以使用，通过识别所述目标区域中的每个所述厕所是否存在故障标识，删除存在故障标识的厕所，减少了故障厕所对厕所人流量预测的影响，提高了人流量预测的准确率。

本实施例中，可以预先获取每个所述第一场所的摄像头拍摄的视频，通过使用摄像头采集视频作为模型的输入，无需通过在场所门安装传感器来识别场所占用情况，减少了传感器购买及安装的开销，更加的节能，降低了场所人流量的预测成本。

本实施例中，预测需求中包含有视频获取周期，所述视频获取周期可以预先根据用户的生理情况设置，例如，可以根据每天的每个时间段设置不同的周期，例如，每天8：00到10：00，设置视频获取周期为5分钟，11：00至12：00，设置视频获取周期为3分钟，本实施例在此不做限制。

本实施例中，所述视频获取周期可以预先根据用户的生理情况设置，更加合理，进而提高后续人流量预测的准确率。

识别模块202，用于将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息。

本实施例中，可以预先根据场所标识特征和场所门框特征训练得到场所识别模型，根据场所标识特征和场所门框特征识别得到每个所述第一场所的第一位置信息。

在一个可选的实施例中，所述识别模块202将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息包括：

解析每个所述第一场所的当前视频，得到多个图像帧；

根据所述多个图像帧，提取每个所述第一场所的场所标识特征及场所门框特征；

将每个所述第一场所的场所标识特征及场所门框特征输入至预先训练好的场所识别模型中，得到每个所述第一场所的第一位置信息。

本实施例中，从每个所述第一场所的当前视频得到的多个图像帧为连续图像帧。

本实施例中，通过结合目标区域内每个第一场所的场所标识特征和场所门框特征，避免将相同标识特征的非场所门识别为场所门，提高了确定出的每个第一场所的第一位置信息的准确率。

接收模块203，用于响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息。

本实施例中，在得到每个所述第一场所的第一位置信息之后，为了确保每个所述第一场所的第一位置信息的准确率，将每个所述第一场所的第一位置信息发送至客户端，在客户端对每个所述第一场所的第一位置信息进行校准，提高了输入至人流量计算模型中的每个所述第一场所的第二位置信息的准确率。

第一输入模块204，用于将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量。

本实施例中，为了计算每个所述第一场所的进出人流量，可以预先训练人流量计算模型，具体地，所述人流量计算模型为现有技术，本实施例在此不做详述。

在一个可选的实施例中，所述第一输入模块204将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量包括：

解析每个所述第一场所的当前视频，得到每个所述第一场所的多张第一图像；

将每个所述第一场所的多张第一图像输入至人流量计算模型中的高斯混合模型中，提取每张所述第一图像的前景区域，得到每个所述第一场所的多张第二图像；

对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像；

采用形态运算对每个所述第一场所的多张第三图像进行去噪处理，得到每个所述第一场所的多张第四图像；

从每个所述第一场所的多张第四图像中提取出多个关键特征；

将提取出的每个所述第一场所的多个关键特征及对应的第二位置信息输入至所述人流量计算模型的多目标跟踪模型中，得到每个所述第一场所的进出人流量。

本实施例中，所述人流量计算模型中包含有高斯混合模型、颜色模型、多目标跟踪模型等。

本实施例中，可以采用颜色模型对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像，具体地，所述颜色模型可以为horprasert颜色模型。

本实施例中，所述高斯混合模型和horprasert颜色模型为现有技术，本实施例在此不做详述。

本实施例中，在进行每个所述第一场所的出入人流量计算时，由于每个所述第一场所的第二位置信息是通过客户端校准得到的，精确度高，从每个所述第一场所的第二位置信息和视频中的图像中的关键特征两个维度进行了考量，提高了计算得到的每个所述第一场所的进出人流量的准确率。

第二输入模块205，用于接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

本实施例中，第二场所的识别码是在所述当前视频对应的时间段内，用户手机端扫描所述目标区域中的每个场所小程序码后得到的，其中，每个场所的小程序码对应一个识别码。

本实施例中，可以预先训练人流量预测模型，在得到多个第二场所的识别码和每个所述第一场所的进出人流量之后，将多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到每个所述第一场所的预测结果，其中，每个所述第一场所的预测结果中包含有每个所述第一场所当前的占用情况。

具体地，所述人流量预测模型的训练过程包括：

获取所述目标区域的所有场所的历史进出人流量，其中，所述历史进出人流量中包含有多个周期的每个场所的进出人流量；

获取客户端上报的与多个周期的场所历史场所识别码；

将所述历史进出人流量和场所历史场所识别码确定为样本集；

按照预设的比例将所述样本集划分为训练集和测试集；

将所述训练集中的历史进出人流量和场所历史场所识别码输入预设神经网络中进行训练，得到人流量预测模型；

将所述测试集输入至所述人流量预测模型中进行测试，并计算测试通过率；

若所述测试通过率大于或者等于预设通过率阈值，确定所述人流量预测模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加训练集的数量，重新进行人流量预测模型的训练。

本实施例中，可以预先设置训练集和测试集的划分比例，例如，预设比例可以设置为7：3，也可以设置为8：2。

本实施例中，由于第二场所的识别码不是预测出来的，是用户手机端扫描每个所述场所的小程序码得到的每个场所的实时使用情况，在训练所述人流量预测模型时，从客户端接收到的多个第二场所的识别码和每个所述第一场所的进出人流量两个维度进行了考虑，提高了训练得到的人流量预测模型的准确率，进而提高了场所人流量预测结果的准确率。

进一步地，在第二输入模块205得到所述目标区域的每个所述第一场所的人流量预测结果之后，当每个所述场所的预测结果中的进入人数小于或者等于每个所述场所预设的第一使用阈值时，确定每个所述场所存在空闲位置，不执行信息发送操作；或者，当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第一使用阈值时，且每个所述场所的预测结果中的进入人数小于或者等于预设的第二使用阈值时，发送每个所述场所的占用信息至用户手机端；或者，当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第二使用阈值时，发送存在空闲位置的场所的地址信息至用户手机端。

本实施例中，当场所为厕所时，为了减少用户的上厕所排队时间，可以预先根据每个所述厕所的使用坑位设置第一使用阈值和第二使用阈值，在得到每个所述场所的预测结果之后，将每个所述厕所的预测结果中的进入人数与第一使用阈值和第二使用阈值进行比对，根据比对结果执行不同的信息发送，让用户及时获知当前厕所的使用情况，解决了厕所排队难和找厕所难的问题，提高了用户体验度。

综上所述，本实施例所述的基于人工智能的人流量预测装置，通过将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息，并接收客户端上报的每个所述第一场所的第二位置信息，提高了输入至人流量计算模型中的每个所述第一场所的第二位置信息的准确率。将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量，由于每个所述第一场所的第二位置信息是通过客户端校准得到的，精确度高，从每个所述第一场所的第二位置信息和视频中的图像中的关键特征两个维度进行了考量，提高了计算得到的每个所述第一场所的进出人流量的准确率。将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果，由于第二场所的识别码不是预测出来的，是用户手机端扫描每个所述场所的小程序码得到的每个场所的实时使用情况，在训练所述人流量预测模型时，从客户端接收到的多个第二场所的识别码和每个所述第一场所的进出人流量两个维度进行了考虑，提高了训练得到的人流量预测模型的准确率，进而提高了场所人流量预测结果的准确率。

实施例三

参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于人工智能的人流量预测装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的人流量预测装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于人工智能的人流量预测的目的。

示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成解析和获取模块201、识别模块202、接收模块203、第一输入模块204及第二输入模块205。

在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的人流量预测的功能。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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。

另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的人流量预测方法，其特征在于，所述方法包括：

解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频；

将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息；

响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息；

将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量；

接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

2.如权利要求1所述的基于人工智能的人流量预测方法，其特征在于，所述将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息包括：

解析每个所述第一场所的当前视频，得到多个图像帧；

根据所述多个图像帧，提取每个所述第一场所的场所标识特征及场所门框特征；

将每个所述第一场所的场所标识特征及场所门框特征输入至预先训练好的场所识别模型中，得到每个所述第一场所的第一位置信息。

3.如权利要求1所述的基于人工智能的人流量预测方法，其特征在于，所述将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量包括：

解析每个所述第一场所的当前视频，得到每个所述第一场所的多张第一图像；

将每个所述第一场所的多张第一图像输入至人流量计算模型中的高斯混合模型中，提取每张所述第一图像的前景区域，得到每个所述第一场所的多张第二图像；

对每个所述第一场所的多张第二图像进行阴影区域和原始背景分类，得到每个所述第一场所的多张第三图像；

采用形态运算对每个所述第一场所的多张第三图像进行去噪处理，得到每个所述第一场所的多张第四图像；

从每个所述第一场所的多张第四图像中提取出多个关键特征；

将提取出的每个所述第一场所的多个关键特征及对应的第二位置信息输入至所述人流量计算模型的多目标跟踪模型中，得到每个所述第一场所的进出人流量。

4.如权利要求3所述的基于人工智能的人流量预测方法，其特征在于，所述人流量预测模型的训练过程包括：

获取所述目标区域的所有场所的历史进出人流量，其中，所述历史进出人流量中包含有多个周期的每个场所的进出人流量；

获取客户端上报的与多个周期的历史场所识别码；

将所述历史进出人流量和历史场所识别码确定为样本集；

按照预设的比例将所述样本集划分为训练集和测试集；

将所述训练集中的历史进出人流量和历史场所识别码输入预设神经网络中进行训练，得到人流量预测模型；

将所述测试集输入至所述人流量预测模型中进行测试，并计算测试通过率；

若所述测试通过率大于或者等于预设通过率阈值，确定所述人流量预测模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加训练集的数量，重新进行人流量预测模型的训练。

5.如权利要求1所述的基于人工智能的人流量预测方法，其特征在于，在得到所述目标区域的每个所述第一场所的人流量预测结果之后，所述方法还包括：

当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第一使用阈值时，且每个所述场所的预测结果中的进入人数小于或者等于预设的第二使用阈值时，发送每个所述场所的占用信息至用户手机端。

6.如权利要求5所述的基于人工智能的人流量预测方法，其特征在于，所述方法还包括：

当每个所述场所的预测结果中的进入人数大于每个所述场所预设的第二使用阈值时，发送存在空闲位置的场所的地址信息至用户手机端。

7.如权利要求1所述的基于人工智能的人流量预测方法，其特征在于，所述解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所包括：

解析人流量预测请求，获取人流量预测报文信息；

从所述人流量预测报文信息中获取目标区域及所述目标区域中的所有场所；

识别每个所述场所是否存在故障标识；

保留不存在故障标识的场所确定为所述目标区域的多个第一场所。

8.一种基于人工智能的人流量预测装置，其特征在于，所述装置包括：

解析和获取模块，用于解析接收到的人流量预测请求，获取目标区域及所述目标区域的多个第一场所，以及每个所述第一场所的当前视频；

识别模块，用于将每个所述第一场所的当前视频输入至场所识别模型中，得到每个所述第一场所的第一位置信息；

接收模块，用于响应于对每个所述第一场所的第一位置信息的校正指令，接收客户端上报的每个所述第一场所的第二位置信息；

第一输入模块，用于将每个所述第一场所的第二位置信息和当前视频输入至人流量计算模型中，得到每个所述第一场所的进出人流量；

第二输入模块，用于接收所述客户端上报的多个第二场所的识别码，将所述多个第二场所的识别码和每个所述第一场所的进出人流量输入至预先训练好的人流量预测模型中，得到所述目标区域的每个所述第一场所的人流量预测结果。

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于人工智能的人流量预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，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7中任意一项所述的基于人工智能的人流量预测方法。

Images