CN115017962A - 骑行人数检测方法、目标特征序列确定方法及装置 - Google Patents
骑行人数检测方法、目标特征序列确定方法及装置 Download PDFInfo
- Publication number
- CN115017962A CN115017962A CN202210942013.5A CN202210942013A CN115017962A CN 115017962 A CN115017962 A CN 115017962A CN 202210942013 A CN202210942013 A CN 202210942013A CN 115017962 A CN115017962 A CN 115017962A
- Authority
- CN
- China
- Prior art keywords
- sequence
- target
- behavior
- characteristic
- feature
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种骑行人数检测方法、目标特征序列确定方法及装置。所述骑行人数检测方法包括:对目标车辆数据进行特征提取,得到待处理特征序列;根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列;各个所述目标特征序列分别与预先设置的各个行为姿态对应;根据所述目标行为姿态序列确定骑行人数。采用本方法可以获取到上车、下车、有人以及无人的行为姿态,从而可以根据目标行为姿态序列确定骑行人数。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种骑行人数检测方法、目标特征序列确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着经济的发展,人们的出行方式变得多元化,例如共享单车出行等等,给民众的出行带来了极大便利。
鞍座是自行车的重要部件之一,用于为骑行者提供骑行时臀部的支撑,然而因为种种不规范的骑行行为,例如骑行人数超过额定人数等等,造成了一定的安全隐患。
为此,急需一种能够准确识别骑行人数的方法,以便于增强骑行的安全,减少安全隐患。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确地识别骑行人数的骑行人数检测方法、目标特征序列确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供一种骑行人数检测方法,所述方法包括:
对目标车辆数据进行特征提取,得到待处理特征序列;
根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列;各个所述目标特征序列分别与预先设置的各个行为姿态对应;
根据所述目标行为姿态序列确定骑行人数。
在其中一个实施例中,所述对所述目标车辆数据进行特征提取,得到待处理特征序列,包括:
获取各个传感器对应的标准电平特征;
将每一传感器采集的所述目标车辆数据与对应的所述标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
在其中一个实施例中,所述将根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列,包括:
获取所述行为姿态对应的目标特征序列组合,所述目标特征序列组合包括分别与各个传感器对应的目标特征序列;
根据所述目标特征序列分别对各个传感器对应的所述待处理特征序列进行检测,得到目标行为姿态序列;所述目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
在其中一个实施例中,所述方法还包括:
通过直接存储器获取车辆传感器所采集的初始车辆数据,并对所述初始车辆数据进行预处理,所述预处理包括降噪处理和平滑处理中至少一种;
根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
在其中一个实施例中,所述对所述目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:
获取补偿数据,所述补偿数据是根据所述目标车辆数据的波动情况的变化生成的;
通过所述补偿数据对所述目标车辆数据进行补偿。
在其中一个实施例中,所述根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:
获取模型准确率要求;
获取与所述模型准确率要求对应的目标特征序列。
第二方面,本申请还提供一种目标特征序列确定方法,所述方法包括:
获取初始特征序列以及样本数据;
对所述样本数据进行特征提取,得到样本特征序列;
根据所述初始特征序列对所述样本特征序列进行检测,得到样本行为姿态序列;
将所述样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;
根据所述模型准确率调整所述初始特征序列,并继续执行根据所述初始特征序列对所述样本特征序列进行检测得到样本行为姿态序列的步骤,直至所述模型准确率满足预设要求时,将所述模型准确率满足预设要求时的初始特征序列作为目标特征序列。
第三方面,本申请还提供一种骑行人数检测装置,所述装置包括:
第一特征提取模块,用于对目标车辆数据进行特征提取,得到待处理特征序列;
第一检测模块,用于根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列;各个所述目标特征序列分别与预先设置的各个行为姿态对应;
骑行人数确定模块,用于根据所述目标行为姿态序列确定骑行人数。
第四方面,本申请还提供一种目标特征序列确定装置,所述目标特征序列确定装置包括:
样本数据获取模块,用于获取初始特征序列以及样本数据;
第二特征提取模块,用于对所述样本数据进行特征提取,得到样本特征序列;
第二检测模块,用于根据所述初始特征序列对所述样本特征序列进行检测,得到样本行为姿态序列;
比对模块,用于将所述样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;
目标特征序列获取模块,用于根据所述模型准确率调整所述初始特征序列,并继续执行根据所述初始特征序列对所述样本特征序列进行检测得到样本行为姿态序列的步骤,直至所述模型准确率满足预设要求时,将所述模型准确率满足预设要求时的初始特征序列作为目标特征序列。
第五方面,本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
第六方面,本申请还提供一种计算机可读存储介质,其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上述任意一个实施例中所述的方法的步骤。
第七方面,本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
上述骑行人数检测方法、目标特征序列确定方法、装置、计算机设备、存储介质和计算机程序产品,通过对目标车辆数据进行特征提取以得到待处理特征序列,后续再根据各个行为姿态对应的目标特征序列对待处理特征序列进行检测,从而得到目标行为姿态序列,这样就可以获取到上车、下车、有人以及无人的行为姿态,从而可以根据目标行为姿态序列确定骑行人数,实现准确的获取骑行人数,可以增强骑行的安全,减少安全隐患。
附图说明
图1为一个实施例中骑行人数检测方法的应用环境图;
图2为一个实施例中骑行人数检测方法的流程示意图;
图3为一个实施例中的目标车辆数据的信号图;
图4为一个实施例中的数据获取步骤的流程图;
图5为一个实施例中目标特征序列确定方法的流程示意图;
图6为另一个实施例中骑行人数检测方法的流程示意图;
图7为另一个实施例中目标特征序列确定方法的流程示意图;
图8为一个实施例中骑行人数检测装置的结构框图;
图9为一个实施例中目标特征序列确定装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的骑行人数检测方法,可以应用于如图1所示的应用环境中。其中,目标设备100通过与外部设备200通信,其中目标设备100可以读取外部设备200所采集的数据。目标设备100包括直接存储器(DMA,DirectMemoryAccess)102、内存104以及中央处理器(CPU,Central Processing Unit)106,其中直接存储器102将数据传输至当前空白缓存区中进行存储,以车辆的鞍座数据采集为例进行说明,其中外部设备200为安装在车辆的鞍座上的传感器,该传感器可选的为压力传感器,且该传感器的数量并不做具体限制,例如可以仅在鞍座上安装一个传感器,也可以在鞍座的多个不同位置分别安装传感器。目标设备100则为安装在车辆上的或者是部署在后台的,用于接收传感器发送的数据的设备,其可以通过直接存储器102读取传感器所采集的初始车辆数据,并将其搬运至内存104中的缓存区108中,以便于中央处理器106从缓存区108中读取初始车辆数据,并对初始车辆数据进行预处理得到目标车辆数据。
其中,中央处理器106对目标车辆数据进行特征提取,得到待处理特征序列;根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应;根据目标行为姿态序列确定骑行人数。这样通过对目标车辆数据进行特征提取以得到待处理特征序列,后续再根据各个行为姿态对应的目标特征序列对待处理特征序列进行检测,从而得到目标行为姿态序列,这样就可以获取到上车、下车、有人以及无人的行为姿态,从而可以根据目标行为姿态序列确定骑行人数。
其中,目标设备100可以为嵌入式设备或非嵌入式设备,其中嵌入式设备是一种嵌入机械或电气系统内部、具有专一功能和实时计算性能的计算机系统,在此不做具体限定。外部设备200可以是用于进行数据采集的设备,例如传感器等。
在其中一个可选的实施例中,本申请实施例提供的目标特征序列确定方法可以在一终端中执行,并在终端执行得到目标特征序列后,将目标特征序列加载至目标设备100中,以便于目标设备100执行一种骑行人数检测方法。
在一个实施例中,如图2所示,提供了一种骑行人数检测方法,以该方法应用于图1中的中央处理器为例进行说明,包括以下步骤:
S202:对目标车辆数据进行特征提取,得到待处理特征序列。
其中,目标车辆数据是所采集的车辆的鞍座数据,其中该鞍座数据为安装在车辆的鞍座上的传感器所采集的数据,例如压力传感器所采集的鞍座所受的压力数据。在其中一些可选的实施例中,该目标车辆数据可以是对传感器所采集的鞍座数据进行预处理后所得到的数据,其中预处理包括降噪处理和平滑处理中至少一种。在其中一些可选的实施例,目标车辆数据可以是由直接存储器从安装在车辆上的传感器中搬运至内存中的各个缓存区的,从而中央处理器可以依次对缓存区中的目标车辆数据进行处理。
待处理特征序列是对目标车辆数据进行特征提取后的序列,其中目标车辆数据可以是将传感器所采集的模拟信号转换得到的数字信号,这样通过识别数字信号中的特征得到待处理特征序列。例如,中央处理器识别数字信号中的电平特征得到待处理特征序列。
为了方便理解,请参阅图3所示,图3为一个实施例中目标车辆数据的信号图,其中中央处理器提取信号中的特征得到待处理特征序列,例如中央处理器通过高电平阈值以及第一持续时长识别得到信号中的高电平特征,例如信号中的值大于或等于高电平阈值的时长大于或等于第一持续时长,则认为该段信号为高电平特征。中央处理器通过低电平阈值以及第二持续时长识别得到信号中的低电平特征,例如信号中的值小于或等于低电平阈值的时间大于或等于第二持续时长,则认为该段信号为低电平特征。中央处理器根据第三持续时长内电平的变化来判断是上升沿特征或下降沿特征,例如在第三持续时长内,信号由高电平变为低电平,则为下降沿特征,信号由低电平变为高电平,则为上升沿特征。
在其中一些可选的实施例中,中央处理器按照预设的步长以及窗口依次对目标车辆数据进行特征提取,以得到待处理特征序列。其中步长以及窗口可以是预先通过仿真实验确定的,其可以相对完整地反映特征,且处理效率也满足要求。在其中一些可选的实施例中,窗口的长度大于步长,这样使得每次处理的数据具有一定的重复,从而保证了信号的连续性。
在实际应用中,中央处理器按照步长和窗口依次获取到目标车辆数据,并依次对所得到的目标车辆数据进行特征提取,从而得到待处理特征序列。
S204:根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应。
可选地,各个目标特征序列分别与预先设置的各个行为姿态对应,其中行为姿态在本应用场景中可以包括上车、下车、落座和无人,在其他的实施例中,行为姿态还可以包括其他的行为姿态,在此不做具体的限定。其中目标特征序列可以包括至少一个电平特征,例如上车所对应的目标特征序列可以包括低电平特征、上升沿特征以及高电平特征。下车所对应的目标特征序列可以包括高电平特征、下降沿特征以及第电平特征。落座所对应的目标特征序列包括持续的高电平特征。无人所对应的目标特征序列包括持续的低电平特征。在其他的实施例中,行为姿态所对应的目标特征序列可以为其他的序列,在此不做具体限定。
中央处理器通过将待处理特征序列与各个目标特征序列进行比对,从而得到待处理特征序列中各个分段所对应的行为姿态,所有分段对应的行为姿态按照顺序排列则得到目标行为姿态序列。请继续结合图3所示,其中A-B-C分段对应低电平特征、上升沿特征以及高电平特征,也即对应上车,从而得到上车行为姿态,C分段持续时长大于第一持续时长,且为高于高电平阈值,这样C分段对应高电平阈值,也即对应落座,同样地,可以得到C-D-E分段为下车,E分段为无人,因此图3中的目标车辆数据所对应的目标行为姿态序列为{上车,落座,下车,无人}。
S206:根据目标行为姿态序列确定骑行人数。
具体地,中央处理器可以根据目标行为姿态序列来确定骑行人数,例如中央处理器通过计数器来根据目标行为姿态序列统计骑行人数,例如目标行为姿态序列为{上车,落座,下车,无人},上车加上落座则计数器加1,下车及无人,则计数器减1,从而可以确定骑行人数。
在其中一些实施例中,在包括多个鞍座的车辆的场景下,中央处理器可以并行对多个鞍座的鞍座数据进行处理,以得到每个鞍座上的骑行人数。
在其中一些实施例中,继续结合图3所示,其中E-F-G-H-I分段对应的行为姿态为{上车,落座,上车,落座},这样此时可以判定此时骑行人数为2人。
在其中一些实施例中,中央处理器在计算得到骑行人数后,还可以将骑行人数与骑行人数阈值进行比较,以判断骑行是否违规。其中骑行人数阈值可以根据车辆的鞍座数量得到。在其中一些实施例中,骑行人数阈值为单个鞍座所对应的骑行人数阈值,这样中央处理器将单个鞍座多对应的骑行人数分别与对应的鞍座的骑行人数阈值进行比较以判断骑行是否违规。
上述骑行人数检测方法,通过对目标车辆数据进行特征提取以得到待处理特征序列,后续再根据各个行为姿态对应的目标特征序列对待处理特征序列进行检测,从而得到目标行为姿态序列,这样就可以获取到上车、下车、有人以及无人的行为姿态,从而可以根据目标行为姿态序列确定骑行人数。
在其中一些实施例中,对目标车辆数据进行特征提取,得到待处理特征序列,包括:获取各个传感器对应的标准电平特征;将每一传感器采集的目标车辆数据与对应的标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
可选地,标准电平特征是通过实验得到的每个传感器对应的特征,例如分布在鞍座上的传感器,其原始数据的值域为[0,4095],根据传感器的值在这个区间上的变化情况,每个传感器所采集的目标车辆数据都会被提取到不同的特征:高电平特征、低电平特征、上升沿特征以及下降沿特征中的至少一个。
在实际应用中,预先标记了标准电平特征,例如标记阈值以及持续时长等,在其他的实施例中还可以是标记了上升沿的曲线,这样当目标车辆数据采集完毕后,从目标车辆数据中检索对应的曲线,从而识别出上升沿特征,其他的状态也可以根据预先标记的曲线来识别,在此不再赘述。
上述实施例中,通过预先设置的标准电平特征对目标车辆数据进行处理,以得到待处理特征序列,这样可以留下最有用的信息,从而可以减少后续的处理量,提高处理效率。
在其中一个实施例中,将根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列,包括:获取行为姿态对应的目标特征序列组合,目标特征序列组合包括分别与各个传感器对应的目标特征序列;根据目标特征序列分别对各个传感器对应的待处理特征序列进行检测,得到目标行为姿态序列;目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
可选地,车辆的鞍座上可以至少安装有一个传感器,从而获取到传感器所采集的目标车辆数据,这样中央处理器可以根据同一个鞍座上的各个传感器所采集的目标车辆数据,进行行为姿态的识别。其中一个人落座要么发生在鞍座的前部,要么发生在鞍座的后部,这个可以通过车辆的鞍座的结构保证,以控制落座位置。不同的鞍座的位置处均会识别出如下四种动作姿态:上车、下车、落座和无人。
当鞍座上安装有多个传感器时,上述的行为姿态的识别可以是基于不同的传感器集合得到的,也即对于行为姿态的识别可以是通过目标特征序列组合得到,其中目标特征序列组合中包括多个目标特征序列,每个目标特征序列分别对应一个传感器,这样中央处理器通过将每个传感器对应的待处理特征序列分别与目标特征序列组合中的目标特征序列进行比对,当每个传感器对应的待处理特征序列分别与目标特征序列组合中的目标特征序列比对成功时,则得到目标特征序列组合对应的目标行为姿态。
在其中一些可选的实施例中,可以通过三个传感器所采集的目标车辆数据来识别鞍座前部的人的动作。相应的动作发生时,传感器集合内的传感器会发生一系列的状态变化,通过提取这些状态变化的特征,进而得到对应的行为姿态。
为了方便理解,通过以下例子进行说明,鞍座前部的传感器集合中只有一个传感器,也就是传感器A,在实验室中观测到当鞍座前座有人坐下时,传感器A的状态总是从高状态,变到下降沿状态,然后再变到低状态,因此将这个状态变化的目标特征序列标记为落座的动作,当从传感器的待处理特征序列中检索到目标特征序列时,则判定发生了落座动作。
上述实施例中,通过目标特征序列组合来对多个传感器对应的待处理特征序列进行检测,从而得到目标行为姿态序列。
在其中一个实施例中,上述骑行人数检测方法还包括:通过直接存储器获取车辆传感器所采集的初始车辆数据,并对初始车辆数据进行预处理,预处理包括降噪处理和平滑处理中至少一种;根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
可选地,本实施例中主要介绍目标车辆数据的获取过程,其中直接存储器获取车辆传感器所采集的初始车辆数据,并将初始车辆数据搬运至内存中的缓存区,从而中央处理器对初始车辆数据进行预处理以得到目标车辆数据,对目标车辆数据进行处理以进行骑行人数检测。
其中预处理包括降噪处理和平滑处理中至少一种,例如通过拉依达法则和卡尔曼滤波实时地对数据的进行降噪和平滑处理。后续中央出来通过选取合适的预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据,这样兼顾了数据集处理的实时性以及数据集信息的完整性。
其中,参见图4所示,图4为一个实施例中的数据获取步骤的流程图,对于初始车辆数据的获取可以通过直接存储器来进行,且为了避免数据丢失,在内存中确定多各空白缓存区得到缓存区组,具体地,中央处理器从缓存区组中确定目标空白缓存区,并将目标空白缓存区的地址发送至直接存储器,目标空白缓存区的地址用于指示直接存储器将数据传输至目标空白缓存区中进行存储,当接收到直接存储器的存储反馈时,从缓存区组中确定下一空白缓存区为新的目标空白缓存区,并返回继续执行将目标空白缓存区的地址发送至直接存储器的步骤,直至数据传输完成。
可选地,缓存区组是中央处理器预先在内存中所创建的缓存区的组合,例如中央处理器预先在内存中创建两个缓存区,该两个缓存区构成了缓存区组。
在一些可选的实施例中,中央处理器预先在内存中创建的缓存区的数量可以是用户设置的或者是默认的。
在一些示例性的实施例中,中央处理器可以确定预设业务场景下,在中央处理器最忙时所需要缓存的数据量的大小,并确定业务场景下缓存区的大小,这样根据最忙时所需要缓存的数据量的大小以及缓存区的大小确定缓存区的数量,从而中央处理器在内存中创建对应的数量的缓存区,这样在整个数据传输过程中缓存区组中的缓存区的数量是固定的。中央处理器最忙时所需要缓存的数据量的大小可以是预先根据业务场景测量得到的,例如在实验室环境下进行测量确定。业务场景下缓存区的大小则可以根据业务的要求来确定,例如每次中央处理器处理的数据量的大小,该大小可以保证业务数据处理的准确性,同时也保证了业务数据处理的效率。
在另一些可选的实施例中,缓存区组中的缓存区的数量是可以动态调整的,例如根据资源占用率动态调整缓存区组中的缓存区的数量,在资源占用率大于或等于预设值时,则增加缓存区组中的缓存区的数量,在资源占用率小于预设值时,可以减少缓存区组中的缓存区的数量,从而释放内存空间,以便于中央处理器处理其他事务。
空白缓存区是指缓存区组中未存储有数据的缓存区,其中为了方便,可以通过标识符的方式来对缓存区组中的缓存区进行分类,例如第一标识符用于表征缓存区为空白缓存区,第二标识符用于表征缓存区存储有数据。这样在中央处理器确定缓存区是否为空白缓存区时,可以直接根据标识符来确定。当中央处理器根据标识符确定缓存区为空白缓存区后,则可以读取到空白缓存区的地址。
在一些可选的实施例中,预先设置了缓存区组中各个缓存区的顺序,例如中央处理器按照各个缓存区的地址的大小来设置缓存区的顺序,这样中央处理器在选择空白缓存区时,按照一定顺序选择对应的空白缓存区,且后续中央处理器在处理存储有数据的缓存区中的数据时,也可以按照空白缓存区的顺序来对存储有数据的缓存区中的数据进行处理,保证了有序性。
可选地,存储反馈是指直接存储器在存储满一个空白缓存区或者是数据传输完成但未存储满一个空白缓存区所发送的反馈,该存储反馈一般为中断信号,用于告知中央处理器本次数据传输完成。
中央处理器在接收到存储反馈后,从缓存区组中获取下一空白缓存区为新的目标空白缓存区,并返回继续执行将目标空白缓存区发送至直接存储器,以便于直接存储器进行下一次数据传输,将数据搬运至新的目标空白缓存区,这样直接存储器从外部设备搬运的数据并不会被覆盖,避免了数据丢失。
其中直接存储器在将外部设备的数据搬运完成后,则结束数据搬运,以便于在下一次需要数据搬运时,被中央处理器唤醒,以从外部设备获取数据,并继续搬运。
在一些实施例中,上述数据传输方法还包括:获取当前资源占用率;根据当前资源占用率创建对应数量的空白缓存区,将创建的空白缓存区添加至缓存区组中。
可选地,当前资源占用率是指中央处理器的内存的占用情况,中央处理器可以通过系统已有的方式来获取到当前资源占用率,例如根据进程的数量等等。在其他的实施例中,资源占用率可以用缓存区组中当前空白缓存区的数量来衡量,例如中央处理器获取当前资源占用率的方式包括:获取缓存区组中当前空白缓存区的数量;根据缓存区组中当前空白缓存区的数量计算当前资源占用率。
其中当缓存区组中空白缓存区的数量,即未存储有数据的缓存区的数量较多时,判定资源占用率较低,当缓存区组中空白缓存区的数量,即未存储有数据的缓存区的数量较少时,则判定资源占用率较高。
在其中一些实施例中,对目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:获取补偿数据,补偿数据是根据目标车辆数据的波动情况的变化生成的;通过补偿数据对目标车辆数据进行补偿。
可选地,补偿数据是由于传感器和结构的老化所带来的数据漂移和敏感度变化所造成的。通过对传感器和结构的老化所带来的数据漂移和敏感度变化来得到补偿数据,例如短时间内,无人的情况下,目标车辆数据的波动(标准差)和平均值是相对固定的。数据偏移会带来这些数据的缓慢变化,这通常发生在比较长的一段时间内,中央处理器会持续记录这些数据,实现对数据偏移的跟踪。目标车辆数据的变化也有一定的区间范围(最大最小值的差),通过持续记录这个范围的变化可以跟踪敏感度的变化。
上述实施例中,根据补偿数据来对目标车辆数据进行补偿,从而排除了干扰。
在其中一个实施例中,根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:获取模型准确率要求;获取与模型准确率要求对应的目标特征序列。
可选地,模型准确率要求可以是根据应用场景来确定的,比如一段时间收紧政策,则要求只能一个人骑行,一段时间政策不那么紧,则可以正确率80%,允许存在一部分的车辆是两个人骑行。因此为了适应不同的场景,中央处理器根据应用场景确定模型准确率要求,进而根据模型准确率要求来得到对应的目标特征序列。
上述实施例中,根据不同的应用场景,来获取到对应的目标特征序列,从而适应不同的场景。
在一个实施例中,如图5所示,提供了一种目标特征序列确定方法,包括以下步骤:
S502:获取初始特征序列以及样本数据。
初始特征序列是预先根据经验设置的特征序列,其可以用于表征各个行为姿态,例如上车、下车、有人以及无人的行为姿态。
样本数据是所采集的车辆的历史鞍座数据或者是实验室场景中所仿真得到的车辆的鞍座数据。
S504:对样本数据进行特征提取,得到样本特征序列。
样本特征序列的获取方式可以参见上文中的待处理特征序列的获取方式,在此不再赘述。
S506:根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列。
样本行为姿态序列的获取方式可以参见上文中的目标行为姿态序列的获取方式,在此不再赘述。
S508:将样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率。
具体地,在得到样本行为姿态序列后与实际行为姿态序列进行比对,从而得到模型准确率,其中模型准确率的计算方式包括,获取样本行为姿态序列与实际行为姿态序列中识别正确的行为姿态的第一数量,获取样本行为姿态序列或实际行为姿态序列中的行为姿态的第二数量,这样模型准确率等于第一数量比上第二数量。
S510:根据模型准确率调整初始特征序列,并继续执行根据初始特征序列对样本特征序列进行检测得到样本行为姿态序列的步骤,直至模型准确率满足预设要求时,将模型准确率满足预设要求时的初始特征序列作为目标特征序列。
其中与实际行为姿态序列做对比,发现有些情况下识别到特征序列,但并没有发生落座的动作,这说明上述的初始特征序列并不合适,然后重复上述的流程直到找到合适的目标特征序列。
在其中一些可选的实施例中,可以存储各个特征序列和模型准确率的对应关系,以便于后续根据模型准确率选择对应的目标特征序列。
上述实施例中,通过模型训练,挖掘了能够表征关于动作姿态的目标特征序列,以便于后续骑行人数的检测。
为了方便理解,参见图6和图7所示,其中先通过传感器采集得到初始车辆数据,然后通过直接存储器将初始车辆数据搬运至内存中的缓存区,这样中央处理器通过数据预处理来对初始车辆数据进行预处理得到目标车辆数据,进而对目标车辆数据进行特征提取得到待处理特征序列,然后将待处理特征序列与目标特征序列进行匹配以得到目标行为姿态序列,这样得到各个鞍座对应的目标行为姿态序列,从而根据各个鞍座的目标行为姿态序列进行人数统计得到骑行人数。
结合图7所示,目标特征序列的确定可以是获取样本数据集合,样本数据集合中包括多条样本数据,这样中央处理器可以并行对多条样本数据进行处理得到样本特征序列,如图7中的特征序列1-特征序列n,并根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列1-样本行为序列n,再进行状态评估得到骑行人数判断,将骑行人数和实际人数进行比对从而确定初始特征序列的准确性,进而根据准确性来调整初始特征序列,直至模型准确率满足预设要求时的初始特征序列作为目标特征序列。
其中在模型训练的时候,还可以根据实际骑行人数来计算得到模型准确率,从而根据模型准确率来对目标特征序列进行调整,以对目标特征序列进行迭代,从而使得目标特征序列更加准确。
上述实施例中,通过对目标车辆数据进行特征提取以得到待处理特征序列,后续再根据各个行为姿态对应的目标特征序列对待处理特征序列进行检测,从而得到目标行为姿态序列,这样就可以获取到上车、下车、有人以及无人的行为姿态,从而可以根据目标行为姿态序列确定骑行人数。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的骑行人数检测方法以及目标特征序列确定方法的骑行人数检测装置以及目标特征序列确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个骑行人数检测装置以及目标特征序列确定装置实施例中的具体限定可以参见上文中对于骑行人数检测方法以及目标特征序列确定方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种骑行人数检测装置,包括:第一特征提取模块701、第一检测模块702和骑行人数确定模块703,其中:
第一特征提取模块701,用于对目标车辆数据进行特征提取,得到待处理特征序列。
第一检测模块702,用于根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应。
骑行人数确定模块703,用于根据目标行为姿态序列确定骑行人数。
在其中一个实施例中,上述第一特征提取模块701包括:
电平特征获取单元,用于获取各个传感器对应的标准电平特征。
第一特征提取单元,用于将每一传感器采集的目标车辆数据与对应的标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
在其中一个实施例中,上述第一检测模块702包括:
目标特征序列组合获取单元,用于获取行为姿态对应的目标特征序列组合,目标特征序列组合包括分别与各个传感器对应的目标特征序列;
检测单元,用于根据目标特征序列分别对各个传感器对应的待处理特征序列进行检测,得到目标行为姿态序列;目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
在其中一个实施例中,上述骑行人数检测装置还包括:
第一数据获取模块,用于通过直接存储器获取车辆传感器所采集的初始车辆数据,并对初始车辆数据进行预处理,预处理包括降噪处理和平滑处理中至少一种。
第二数据获取模块,用于根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
在其中一个实施例中,上述骑行人数检测装置还包括:
获取补偿数据获取模块,用于获取补偿数据,补偿数据是根据目标车辆数据的波动情况的变化生成的。
补偿模块,用于通过补偿数据对目标车辆数据进行补偿。
在其中一个实施例中,上述骑行人数检测装置还包括:
模型准确率要求获取模块,用于获取模型准确率要求;
目标特征序列选择模块,用于获取与模型准确率要求对应的目标特征序列。
在一个实施例中,如图9所示,提供了一种骑行人数检测装置,包括:样本数据获取模块801、第二特征提取模块802、第二检测模块803、比对模块804和目标特征序列获取模块805,其中:
样本数据获取模块801,用于获取初始特征序列以及样本数据。
第二特征提取模块802,用于对样本数据进行特征提取,得到样本特征序列。
第二检测模块803,用于根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列。
比对模块804,用于将样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率。
目标特征序列获取模块805,用于根据模型准确率调整初始特征序列,并继续执行根据初始特征序列对样本特征序列进行检测得到样本行为姿态序列的步骤,直至模型准确率满足预设要求时,将模型准确率满足预设要求时的初始特征序列作为目标特征序列。
上述骑行人数检测以及目标特征序列确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是嵌入式设备,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种骑行人数检测方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:对目标车辆数据进行特征提取,得到待处理特征序列;根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应;根据目标行为姿态序列确定骑行人数。
在一个实施例中,处理器执行计算机程序时所实现的对目标车辆数据进行特征提取,得到待处理特征序列,包括:获取各个传感器对应的标准电平特征;将每一传感器采集的目标车辆数据与对应的标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
在一个实施例中,处理器执行计算机程序时所实现的将根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列,包括:获取行为姿态对应的目标特征序列组合,目标特征序列组合包括分别与各个传感器对应的目标特征序列;根据目标特征序列分别对各个传感器对应的待处理特征序列进行检测,得到目标行为姿态序列;目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过直接存储器获取车辆传感器所采集的初始车辆数据,并对初始车辆数据进行预处理,预处理包括降噪处理和平滑处理中至少一种;根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
在一个实施例中,处理器执行计算机程序时所实现的对目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:获取补偿数据,补偿数据是根据目标车辆数据的波动情况的变化生成的;通过补偿数据对目标车辆数据进行补偿。
在一个实施例中,处理器执行计算机程序时所实现的根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:获取模型准确率要求;获取与模型准确率要求对应的目标特征序列。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取初始特征序列以及样本数据;对样本数据进行特征提取,得到样本特征序列;根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列;将样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;根据模型准确率调整初始特征序列,并继续执行根据初始特征序列对样本特征序列进行检测得到样本行为姿态序列的步骤,直至模型准确率满足预设要求时,将模型准确率满足预设要求时的初始特征序列作为目标特征序列。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:对目标车辆数据进行特征提取,得到待处理特征序列;根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应;根据目标行为姿态序列确定骑行人数。
在一个实施例中,计算机程序被处理器执行时所实现的对目标车辆数据进行特征提取,得到待处理特征序列,包括:获取各个传感器对应的标准电平特征;将每一传感器采集的目标车辆数据与对应的标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
在一个实施例中,计算机程序被处理器执行时所实现的将根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列,包括:获取行为姿态对应的目标特征序列组合,目标特征序列组合包括分别与各个传感器对应的目标特征序列;根据目标特征序列分别对各个传感器对应的待处理特征序列进行检测,得到目标行为姿态序列;目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过直接存储器获取车辆传感器所采集的初始车辆数据,并对初始车辆数据进行预处理,预处理包括降噪处理和平滑处理中至少一种;根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
在一个实施例中,计算机程序被处理器执行时所实现的对目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:获取补偿数据,补偿数据是根据目标车辆数据的波动情况的变化生成的;通过补偿数据对目标车辆数据进行补偿。
在一个实施例中,计算机程序被处理器执行时所实现的根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:获取模型准确率要求;获取与模型准确率要求对应的目标特征序列。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取初始特征序列以及样本数据;对样本数据进行特征提取,得到样本特征序列;根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列;将样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;根据模型准确率调整初始特征序列,并继续执行根据初始特征序列对样本特征序列进行检测得到样本行为姿态序列的步骤,直至模型准确率满足预设要求时,将模型准确率满足预设要求时的初始特征序列作为目标特征序列。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:对目标车辆数据进行特征提取,得到待处理特征序列;根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列;各个目标特征序列分别与预先设置的各个行为姿态对应;根据目标行为姿态序列确定骑行人数。
在一个实施例中,计算机程序被处理器执行时所实现的对目标车辆数据进行特征提取,得到待处理特征序列,包括:获取各个传感器对应的标准电平特征;将每一传感器采集的目标车辆数据与对应的标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
在一个实施例中,计算机程序被处理器执行时所实现的将根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列,包括:获取行为姿态对应的目标特征序列组合,目标特征序列组合包括分别与各个传感器对应的目标特征序列;根据目标特征序列分别对各个传感器对应的待处理特征序列进行检测,得到目标行为姿态序列;目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过直接存储器获取车辆传感器所采集的初始车辆数据,并对初始车辆数据进行预处理,预处理包括降噪处理和平滑处理中至少一种;根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
在一个实施例中,计算机程序被处理器执行时所实现的对目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:获取补偿数据,补偿数据是根据目标车辆数据的波动情况的变化生成的;通过补偿数据对目标车辆数据进行补偿。
在一个实施例中,计算机程序被处理器执行时所实现的根据各个目标特征序列对待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:获取模型准确率要求;获取与模型准确率要求对应的目标特征序列。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取初始特征序列以及样本数据;对样本数据进行特征提取,得到样本特征序列;根据初始特征序列对样本特征序列进行检测,得到样本行为姿态序列;将样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;根据模型准确率调整初始特征序列,并继续执行根据初始特征序列对样本特征序列进行检测得到样本行为姿态序列的步骤,直至模型准确率满足预设要求时,将模型准确率满足预设要求时的初始特征序列作为目标特征序列。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种骑行人数检测方法,其特征在于,所述方法包括:
对目标车辆数据进行特征提取,得到待处理特征序列;
根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列;各个所述目标特征序列分别与预先设置的各个行为姿态对应;
根据所述目标行为姿态序列确定骑行人数。
2.根据权利要求1所述的骑行人数检测方法,其特征在于,所述对目标车辆数据进行特征提取,得到待处理特征序列,包括:
获取各个传感器对应的标准电平特征;
将每一传感器采集的目标车辆数据与对应的所述标准电平特征进行比对,得到每一传感器对应的待处理特征序列。
3.根据权利要求2所述的骑行人数检测方法,其特征在于,所述将根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列,包括:
获取所述行为姿态对应的目标特征序列组合,所述目标特征序列组合包括分别与各个传感器对应的目标特征序列;
根据所述目标特征序列分别对各个传感器对应的所述待处理特征序列进行检测,得到目标行为姿态序列;所述目标行为姿态序列中的行为姿态包括上车、下车、落座和无人。
4.根据权利要求1所述的骑行人数检测方法,其特征在于,所述方法还包括:
通过直接存储器获取车辆传感器所采集的初始车辆数据,并对所述初始车辆数据进行预处理,所述预处理包括降噪处理和平滑处理中至少一种;
根据预设窗口和步长从处理后的初始车辆数据中,获取目标车辆数据。
5.根据权利要求1至4任意一项所述的骑行人数检测方法,其特征在于,所述对目标车辆数据进行特征提取,得到待处理特征序列之前,还包括:
获取补偿数据,所述补偿数据是根据所述目标车辆数据的波动情况的变化生成的;
通过所述补偿数据对所述目标车辆数据进行补偿。
6.根据权利要求1所述的骑行人数检测方法,其特征在于,所述根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列之前,还包括:
获取模型准确率要求;
获取与所述模型准确率要求对应的目标特征序列。
7.一种目标特征序列确定方法,其特征在于,所述方法包括:
获取初始特征序列以及样本数据;
对所述样本数据进行特征提取,得到样本特征序列;
根据所述初始特征序列对所述样本特征序列进行检测,得到样本行为姿态序列;
将所述样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;
根据所述模型准确率调整所述初始特征序列,并继续执行根据所述初始特征序列对所述样本特征序列进行检测得到样本行为姿态序列的步骤,直至所述模型准确率满足预设要求时,将所述模型准确率满足预设要求时的初始特征序列作为目标特征序列。
8.一种骑行人数检测装置,其特征在于,所述装置包括:
第一特征提取模块,用于对目标车辆数据进行特征提取,得到待处理特征序列;
第一检测模块,用于根据各个目标特征序列对所述待处理特征序列进行检测,得到目标行为姿态序列;各个所述目标特征序列分别与预先设置的各个行为姿态对应;
骑行人数确定模块,用于根据所述目标行为姿态序列确定骑行人数。
9.一种目标特征序列确定装置,其特征在于,所述目标特征序列确定装置包括:
样本数据获取模块,用于获取初始特征序列以及样本数据;
第二特征提取模块,用于对所述样本数据进行特征提取,得到样本特征序列;
第二检测模块,用于根据所述初始特征序列对所述样本特征序列进行检测,得到样本行为姿态序列;
比对模块,用于将所述样本行为姿态序列与实际行为姿态序列进行比对,得到模型准确率;
目标特征序列获取模块,用于根据所述模型准确率调整所述初始特征序列,并继续执行根据所述初始特征序列对所述样本特征序列进行检测得到样本行为姿态序列的步骤,直至所述模型准确率满足预设要求时,将所述模型准确率满足预设要求时的初始特征序列作为目标特征序列。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述的方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942013.5A CN115017962B (zh) | 2022-08-08 | 2022-08-08 | 骑行人数检测方法、目标特征序列确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942013.5A CN115017962B (zh) | 2022-08-08 | 2022-08-08 | 骑行人数检测方法、目标特征序列确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115017962A true CN115017962A (zh) | 2022-09-06 |
CN115017962B CN115017962B (zh) | 2022-10-21 |
Family
ID=83065318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210942013.5A Active CN115017962B (zh) | 2022-08-08 | 2022-08-08 | 骑行人数检测方法、目标特征序列确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017962B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118296A (zh) * | 2015-09-28 | 2015-12-02 | 北京金山安全软件有限公司 | 一种获取乘车人数的方法及装置 |
US20210035325A1 (en) * | 2019-07-31 | 2021-02-04 | Samsung Electronics Co., Ltd. | Pose estimation method, pose estimation apparatus, and training method for pose estimation |
CN113673318A (zh) * | 2021-07-12 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种动作检测方法、装置、计算机设备和存储介质 |
CN114162241A (zh) * | 2021-11-16 | 2022-03-11 | 摩拜(北京)信息技术有限公司 | 电动自行车的多人骑行检测方法、装置、系统及电子设备 |
-
2022
- 2022-08-08 CN CN202210942013.5A patent/CN115017962B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118296A (zh) * | 2015-09-28 | 2015-12-02 | 北京金山安全软件有限公司 | 一种获取乘车人数的方法及装置 |
US20210035325A1 (en) * | 2019-07-31 | 2021-02-04 | Samsung Electronics Co., Ltd. | Pose estimation method, pose estimation apparatus, and training method for pose estimation |
CN113673318A (zh) * | 2021-07-12 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种动作检测方法、装置、计算机设备和存储介质 |
CN114162241A (zh) * | 2021-11-16 | 2022-03-11 | 摩拜(北京)信息技术有限公司 | 电动自行车的多人骑行检测方法、装置、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115017962B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN108256506B (zh) | 一种视频中物体检测方法及装置、计算机存储介质 | |
JP5980148B2 (ja) | デジタルカメラ画像から駐車場占有状態を測定する方法 | |
JP6398979B2 (ja) | 映像処理装置、映像処理方法および映像処理プログラム | |
CN109948616B (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN106462940A (zh) | 图像中通用对象检测 | |
CN108983599B (zh) | 一种车联网下多参数融合的自适应监控方法 | |
CN109886330B (zh) | 文本检测方法、装置、计算机可读存储介质和计算机设备 | |
CN111652114B (zh) | 一种对象检测方法、装置、电子设备及存储介质 | |
CN110263628B (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
WO2020220750A1 (zh) | 车辆调度策略确定方法和装置 | |
CN108629254B (zh) | 一种运动目标的检测方法及装置 | |
CN113516099A (zh) | 一种交通行为识别方法及装置、电子设备和存储介质 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN115017962B (zh) | 骑行人数检测方法、目标特征序列确定方法及装置 | |
JP7441848B2 (ja) | ノイズの多いマルチモーダルデータから関心地点についての最適な輸送サービスの場所を自動的に決定する方法 | |
CN113160279A (zh) | 一种地铁环境中行人异常行为检测方法及装置 | |
CN110135517B (zh) | 用于获取车辆相似度的方法及装置 | |
CN109360137B (zh) | 一种车辆事故评估方法、计算机可读存储介质及服务器 | |
CN107451719B (zh) | 灾区车辆调配方法和灾区车辆调配装置 | |
CN115588008A (zh) | 基于视觉的单车规范摆放的判定方法及其应用 | |
CN115346167A (zh) | 非机动车盗窃行为检测方法、装置、设备及存储介质 | |
CN115391317A (zh) | 信息处理方法、装置、设备、系统及存储介质 | |
CN114387554A (zh) | 车辆人员超载识别方法、装置、设备及可读介质 | |
CN114708613A (zh) | 行为识别方法、行为识别装置、计算机设备和存储介质 |
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 |