CN115187916B - 基于时空关联的建筑内疫情防控方法、装置、设备和介质 - Google Patents
基于时空关联的建筑内疫情防控方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115187916B CN115187916B CN202211106910.9A CN202211106910A CN115187916B CN 115187916 B CN115187916 B CN 115187916B CN 202211106910 A CN202211106910 A CN 202211106910A CN 115187916 B CN115187916 B CN 115187916B
- Authority
- CN
- China
- Prior art keywords
- personnel
- video monitoring
- building
- coordinate system
- information
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于时空关联的建筑内疫情防控方法、装置、设备和介质,其中的方法包括:以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析,得到分析结果,所述分析结果包括明确的涉疫人员信息。本发明能够基于现有的视频设备实现室内精准防疫。
Description
技术领域
本发明涉及计算机信息处理技术领域,以实现对建筑内密集人员的疫情传播分析,尤其涉及一种基于时空关联的建筑内疫情防控方法、装置、设备和介质。
背景技术
健康码是疫情防控健康码系统以真实数据为基础,使用者自行网上申报相关数据并经过后台审核后生成的属于个人的二维码,属于疫情状态下个人出行的电子凭证。
随着疫情防控工作的常态化,健康码也进一步地丰富了其包含的信息,例如包括了其基本信息、基本行程信息和健康证明信息等,以对目前常态化防疫的复杂情形,然而,针对于一些类似于“空降”的涉疫人员,或某些莫名原因出现的涉疫人员,当其进入到商业建筑区或商务办公区域的大型建筑内时,目前的防控要求是当天或当天某时间段内进出大型建筑的所有人员均需要进行防疫处理,这种“一刀切”的方式会影响很多人的生活和工作,也给疫情防控工作带来一定的困难。
由于室内存在信号盲区或无覆盖区域,目前对于采用基站识别移动终端的方式进行室内建筑的疫情防控存在较大的弊端,而如何对室内建筑的涉疫人员进行精准防控,是目前业内亟需解决的一个重要问题,而目前还没有解决上述问题的方法或装置出现。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
有鉴于此,本发明的目的在于提出一种基于时空关联的建筑内疫情防控方法、装置、设备和介质。
基于上述目的,本发明提供了一种基于时空关联的建筑内疫情防控方法,所述方法包括:
以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;
对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;
响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析后得到分析结果,所述分析结果包括明确的涉疫人员信息。
结合上述说明,在本发明实例的另一种可能的实施方式中,所述以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系,包括:
对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系。
结合上述说明,在本发明实例的另一种可能的实施方式中,所述对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹,包括:
对所述视频监控设备的辨识范围内的特征点进行测绘,获取所述特征点的地理坐标,通过对所述特征点的地理坐标进行计算得到所述特征点在所述视频监控设备的成像矩阵中的像素值;
以所述特征点为坐标转换的控制点,进行投影变换和坐标转换,以使所述辨识范围内其它成像矩阵中的地面像素点具有在所述空间坐标系中的控制点地理坐标;
响应于人员在所述辨识范围内的行动,获取人员的像素坐标点,并结合所述控制点地理坐标,换算出人员在所述空间坐标系中的人员坐标;
结合人员的面部识别特征,和人员在所述空间坐标系中的图像信息不同帧的人员坐标,形成所述人员在室内建筑的移动轨迹。
结合上述说明,在本发明实例的另一种可能的实施方式中,所述通过所述预设的碰撞模型进行时空关联分析后得到分析结果,包括:
将人员的基本信息和所述人员在所述空间坐标系的移动轨迹进行数据处理后形成数据集;
结合预设的第一时间变量和第一距离变量在所述数据集中进行条件分析,以确定符合条件的第一级涉疫人员信息。
结合上述说明,在本发明实例的另一种可能的实施方式中,所述方法还包括:
将所述第一级涉疫人员信息输入所述预设的碰撞模型中进行次密接碰撞分析,确定下一级的涉疫人员信息;
在每一下一级的涉疫人员信息确定后,对均该下一级的涉疫人员进行次密接碰撞分析,直到所述下一级的涉疫人员确定为0为止。
结合上述说明,在本发明实例的另一种可能的实施方式中,所述方法还包括:
对所述明确的涉疫人员信息进行流行病学调查。
第二方面,本发明还提供了一种基于时空关联的建筑内疫情防控装置,所述装置包括:
空间网络模块,用于以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;
轨迹模块,用于对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;
分析模块,用于响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析后得到分析结果,所述分析结果包括明确的涉疫人员信息。
上述的基于时空关联的建筑内疫情防控装置,所述空间网络模块,包括:
测绘子模块,用于对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
范围构建子模块,用于以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系。
第三方面,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的基于时空关联的建筑内疫情防控方法。
第四方面,本发明提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行上述的基于时空关联的建筑内疫情防控方法。
从上面所述可以看出,本发明提供的基于时空关联的建筑内疫情防控方法、装置、设备和介质,通过对建筑内部立体空间内的人员的移动轨迹追踪及碰撞分析,实现了建筑内部人员的精准防疫。
附图说明
为了更清楚地说明本发明或相关技术中的技术方案,下面将对实施例或相关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发明的实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于时空关联的建筑内疫情防控方法的基本流程示意图;
图2为本发明实施例的健康码包括的信息示意图;
图3为本发明实施例视频监控设备辨识范围构建坐标的示意图;
图4为本发明实施例基于时空关联的建筑内疫情防控装置的示意图;
图5为本发明实施例空间网络模块的基本组成示意图;
图6为本发明实施例实现基于时空关联的建筑内疫情防控方法的电子设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
随着疫情防控工作常态化,健康码提供了与疫情风险地区、风险点位、风险人员等有时空关联的信息,是保障人们的生产生活恢复正常的重要手段。我们乘坐公交、地跌、火车等,进入商场、超市、写字楼等封闭空间都需要先扫码,还会记录人们的行动轨迹,比如,坐公交、地铁、火车,进了商场、超市等。假如有个人被查出新冠肺炎确诊,那么将对这个人的健康码行动轨迹进行分析,与该人在同一地点、相同时间段内扫码的所有人判定为“密接者”,即使该人扫码后没有进入建筑物。一旦被判定为“密接者”,将为给本人或本人所在小区带来诸多管控措施,直至隔离结束。
对健康宝记录的行动轨迹分析,待分析的数据信息主要还是基于移动通信网络定位采集,通过手机用户在基站之间的信息交换来确定用户的空间位置,由于基站对室内覆盖减弱,大型建筑内部人员密集,因此常规方法不能有效识别进入建筑物内的人员位置和轨迹,导致终端设备的持有人扫码后,对是否进入建筑物,或到过建筑物哪个位置,均无法有效确定,在这种情况下,为了防止疫情扩散通常不得不将整栋建筑及其内部进出人员进行管控,给进出该建筑物的所有人及其所在小区或公司等带来生产生活的各种影响。
另外,除了与确诊人员的接触的密接者外,对密接者的密接者,称之为次密接者,次密接者乃至N次密接者。
本发明提供的方法,实现了在大型建筑物或大型商业设施内确诊人员密接的涉疫人员名单的准确分析,而且对于次密接者也能够有更准确的判断,使得疫情防控在达到高质量、高精准度的同时,大幅降低了疫情防控对人们生产生活的影响。
本发明提供了一种基于时空关联的建筑内疫情防控方法、装置、设备和介质,其主要运用于室内疫情防控的场景中,尤其是大型建筑的室内防疫,其主要思想为:构建大型建筑内空间的空间坐标系,根据出现于空间坐标系内人员的移动轨迹、人员的基本信息结合其时间戳信息等,输入到预设的模型中进行碰撞分析,以得到在特定时间段内目标明确的涉疫人员信息,实现了高质量、高精度的大型建筑内的疫情防控。
结合图1,为本发明示例性实施例的基于时空关联的建筑内疫情防控方法的基本流程示意图,如图1所示,其主要包括以下步骤:
在步骤110中,以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;
本发明中的大型建筑或建筑内以常见的六层商业设施为例,商业设施一般指服装、百货、建材、装饰材料大型市场或者综合性大型商场。
商业设施的每一层均分布多个商家,每一商家的经营范围内可安装若干个视频监控设备,以及商业设施的物业管理处为了方便管理安装的视频监控设备等。
以建筑内的各视频监控设备为基础建立视频监控网络,例如,在商业设施六层不同位置的三家商家1、2、3作为参考节点,将并且尽量以其中的商家1作为将建立的空间坐标系的原点,以每一视频监控设备的辨识范围为基础,结合上述参考节点构成的空间距离为参考,构成能够使所有的视频监控设备在同一个数值范围内进行表示的空间坐标系。
所述空间坐标系构建完成后,一商业设施内各层及各位置安装的视频监控设备,均可根据其所在楼层的位置、其本身的辨识范围、以及与参考节点之间的距离换算等,确定其自身在所述空间坐标系的位置。
本发明示例性实施例的一种实施场景中,以BIM(Basic Information Map,基本信息地图)作为基础常规数据图进行室内三维立体坐标系的构建,首先获取商业设施所在的建筑物的大地坐标以实现定位,然后将该大地坐标与建筑物内的参考点1、2、3均建立关联,以使所述大地坐标作为建筑物的参考坐标点,如此,可以实现将本发明的方法与常规地图建立联系,在采用常规地图访问相应的数据端口后,即可在常规地图上了解该建筑物内特定时间范围内的疫情相关数据。
本发明的方法,还可采用通信基站、Wifi、北斗定位等技术划定网格位置存储的方法对所述空间坐标系进行构建。
在步骤120中,对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;
根据防疫,目前人员出入商业设施的封闭空间时,需要扫码登记相关信息,扫码登记时采用的是个人身份二维码,一人一码,其包括了个人姓名、身份证号码标识、头像、行程轨迹等,具体地,个人健康码包括的信息内容如图2所示,其包括了不同时间和空间维度的各类型信息,例如个人基本信息,姓名、性别、国籍、证件类型、证件号码、户籍、地址、电话、病史等;个人健康信息,体温、当前症状、高风险居住和停留状况、高风险人员接触状况、健康信息申报时间等;行程信息,所属省市区,行程;健康证明信息,健康风险等级、评估时间、风险等级、医学检测结果、数据来源等。
图像识别是目前通过计算机对图像进行处理分析的较为成熟的技术,本发明中将图像识别单元与扫码测温获取图像的系统建立通讯连接,当视频监控设备获取到人员图像时,根据人员的图像信息与扫码测温获取图像的系统进行处理分析,使得视频监控设备获取到的图像信息从对应的人员进入商业设施开始即构建其移动轨迹,从源头确定了后期碰撞分析的数据准确性。
具体地,由于人面部图像信息较为丰富,因此本发明的方法中各所述视频监控设备通过抓拍方式捕捉人员的人面部图像信息,并与数据库中的图像进行对比,以实现对相关人员的身份识别。
各种类型的人面部图像信息比如静态图像、动态图像、不同的位置、不同表情等,都能通过视频监控设备的摄像单元进行采集。当用户在视频监控设备的辨识范围内时,视频监控设备会自动搜索并拍摄用户的人面部图像。
而疫情防控通常都不是时时的,若非时时情形则可通过对保存的视频信息进行图像分析,以确定相关人员信息。
人面部图像信息的检测与分析,可通过Adaboost算法对采集到的图像进行特征检测,找到人面部所在的位置,并计算其占图像面积的比重,为预处理做准备。
获取的原始人面部图像信息由于受到各种条件的限制和随机干扰,往往不能直接使用,必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人面部图像而言,其预处理过程主要包括人面部图像的光线补偿、灰度变换、直方图均衡化、尺寸归一化、几何校正、噪声滤波等。
然后进行人面部图像信息的特征提取。人面部识别系统可使用的特征通常分为视觉特征、像素统计特征、人面部图像变换系数特征、人面部图像代数特征等。人面部特征提取就是针对人面部的某些特征进行的,是对人面部进行特征建模的过程。
本发明的方法采用基于知识的表征方法获取人面部的特征数据,基于知识的表征方法是根据人面部器官的形状描述以及他们之间的距离特性来获得有助于人面部分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人面部由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和它们之间结构关系的几何描述,可作为识别人面部的重要特征,这些特征被称为几何特征。
并利用上述几何特征进行人面部匹配。提取的人面部图像的特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出。
人面部识别就是将待识别的人面部特征与已得到的人面部特征模板进行比较,根据相似程度对人面部的身份信息进行判断。人面部匹配过程分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程,其中一对一的典型模式即验证图像中的特征与二代证中的证件照是否匹配;一对多即将图像中的人面部特征与数据库中的特征模板进行比对,并输出其相似程度的过程。
在本发明的一些可能出现的情形中,对于扫码进入商业设施的人员,可直接从对扫码人员形成一面部数据库,对于未扫码进入商业设施的人员,则可以通过上述图像识别的方式进行人员的基本信息的确定,然后通过与全国人员信息系统的接口对接,实现对未扫码人员的确定,并在接下来的碰撞分析过程中对该部分未扫码人员形成的面部数据库重点关注和关联分析,并进一步用于防疫工作,以提高风险排查的整体准确性。
出现于视频监控设备的人员,根据其行为预判下一目标地点,以根据其下一目标地点从对应的目标地点所覆盖的视频监控设备中获取对应的图像信息,例如,当人员在店铺A中就餐时,被视频监控设备A拍摄获取,则根据其就餐时间的长短识别其从店铺A离开时间,并根据离开时间和离开的方向判断其行进方向,当人员仅为出现于视频监控设备A并处于行走状态时,则可根据其行进方向,判断其即将进入或被覆盖的下一视频监控设备B。
每一视频监控设备的辨识范围,可在所述空间坐标系进行标准的坐标转换,形成在所述空间坐标系中的一系列的坐标点,根据上述的一系列的坐标点进行串联连接,使之形成人员的移动轨迹。
在步骤130中,响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析后得到分析结果,所述分析结果包括明确的涉疫人员信息。
当出现确诊人员时,根据输入的确诊人员信息,例如唯一身份标识,通过该唯一身份标识获取该确诊人员出现于商业设施的时间范围,则从该确诊人员进入商业设施时,即可对该确诊人员进行追踪,当该确诊人员是通过扫码进入时,则可调用健康码系统获取其准确的出入时间,而该确诊人员未通过扫码出入时,则可通过商业设施的其它监控设备拍摄到所述确诊人员进行推断,以确定一个较大的时间范围,并根据上述的出入时间范围,结合其移动轨迹、人员的基本信息、该时间范围内商业设施内的其它人员的移动轨迹等,输入预设的碰撞模型进行分析,以进行时空关联分析,并得到分析结果。
所述分析结果中包括了人员的基本信息明确的涉疫人员信息。
本发明示例性实施例的一种可行的实施方式中,所述以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系,包括:
对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系。
一般情况下,每一视频监控设备在一定的空间范围是唯一的,每一视频监控设备所对应的辨识范围则是可调整的,通过预先设置的方式调整其辨识范围,以使每一视频监控设备在所述空间坐标系中的唯一性,且避免了与邻近其它视频监控设备的辨识范围之间出现交叉的问题,更进一步地保证了每一视频监控设备的辨识范围内的小坐标系映射在所述空间坐标系时具有唯一的映射关系。
具体地,视频监控设备A的辨识范围半径为R为10m(米),以该视频监控设备A的坐标(X0,Y0)为中心,即可构建视频监控设备A的地理坐标系(XY)。
结合图3所示,为本发明示例性实施例的关于视频监控设备与辨识范围的坐标关系,图中A表示一视频监控设备,B、C表示在A的辨识范围内具有明显标志的标识物,例如墙体拐角、通道应急灯等。
由图可见,选择A监控设备辨识范围具有明显标志的标识物B/C作为特征点,进行测绘,获取所述特征点的地理坐标,B的地理坐标为(Xb,Yb),C的地理坐标为(Xc,Yc),A监控设备的地理坐标是确定的,空间坐标系的原点以及参考点等是确定的,且A监控设备的辨识范围内的标识物地理坐标也均是确定的,则在A监控设备的辨识范围内的任意物体,均可参照上述坐标按照一定的算法换成其在空间坐标系中的坐标,这些算法包括但不限于:在进行距离换算时,可采用基于TDOA的室内定位方法,最广泛的算法有chan算法和Taylor算法,chan算法在辨识范围为远距和近距时还提供了不同的计算方案。Taylor算法需要给定初始值,且初始值误差对坐标换算结果有出现发散的问题,本发明的方法,在进行上述视频监控设备的测绘坐标换算到空间坐标系时,可采用以上算法中的任一种进行,以实现能够实现室内的空间坐标系的构建即可。
本发明的方法,能够使每一视频监控设备的辨识范围与空间坐标系的坐标建立关联,使得在视频监控设备中出现的人员轨迹能够以空间坐标系的坐标显示,提高了对人员的轨迹碰撞时的精准度。
本发明示例性实施例的一种实施方式中,出现于视频监控设备中的人员的移动轨迹的形成过程包括:
以所述特征点为坐标转换的控制点,进行投影变换和坐标转换,以使所述辨识范围内其它成像矩阵中的地面像素点具有在所述空间坐标系中的控制点地理坐标;
以上述特征点为坐标转换的控制点,进行投影变换与坐标转换,使所述成像矩阵中的其他地面像素点具有相应地理坐标值。
结合图3所示,视频监控设备采集的特征点B、C图像在上传后存储形式为成像矩阵,每个图像的像素值在矩阵中按照矩阵的行数Rows和列数Columns进行表示,比如特征点B在成像矩阵中的像素值(Rb,Cb),特征点C在成像矩阵中的像素值(Rc,Cc)。
响应于人员在所述辨识范围内的行动,获取人员的像素坐标点,并结合所述控制点地理坐标,换算出人员在所述空间坐标系中的人员坐标,包括:通过调取所述人员在视频监控网络中不同帧的地理坐标值,形成人员的移动轨迹。当人员目标出现在所述监控范围时,结合人员的面部识别特征,通过获取人员目标所在像素点坐标,和不同帧的人员坐标,并结合环境周边关系,换算出所述人员的地理坐标,并进一步形成所述人员在室内建筑的移动轨迹。
具体地,对摄像头视频每一帧画面进行分析,在本帧画面位置发生变化的目标人物双脚的中心位置(即目标人物边界方框下边线的中心)在画面中的像素坐标值(Ri,Ci)存入数据库;将该像素落在的地理坐标存入数据库(Xi,Yi);同时记录摄像头视频帧对应的绝对时间Ti。通过对每一帧的分析,处理,记录探测到的人员目标在每一帧的画面中的精确像素坐标,以及地理坐标。基于上述分析输出目标在各帧的不同时间点(T1,T2,…,Ti)的位置{(X1,Y1),(X2,Y2)…,(Xi,Yi)},形成人员的移动轨迹。
本发明的方法,能够实现对建筑内人员按帧记录的时间所对应的精确坐标,并进而转化成其移动轨迹,为下一步的时空碰撞关联分析提供了准确的数据来源。
本发明示例性实施例的一种可行的实施方式中,所述通过所述预设的碰撞模型进行时空关联分析,包括了通过人员的基本信息、人员的移动轨迹信息输入到预设的碰撞模型进行时空关联分析,当两名人员在预设的时间间隔内处于预设的距离阈值时判定为一次接触,以明确与确诊人员信息存在时空关联的人员,具体地时空关联分析过程包括如下:
将人员的基本信息和所述人员在所述空间坐标系的移动轨迹进行数据处理后形成数据集;
将人员的基本信息如身份信息和移动轨迹等数据进行清洗整合处理形成表数据集DatasetOrigin(简称DsO),DsO核心字段为{记录ID,行人ID,时间,位置,健康码ID,视频监控设备ID},其中,行人ID——即出现于视频监控设备的人员的身份信息,可为身份证码;时间——行人活动的时间点(年月日时分秒);位置——行人所在位置(在对应的视频监控设备辨识范围内的坐标数据);健康码ID——关联人员进入建筑物时展示的健康码信息;视频监控设备ID——关联拍摄到行人图像的视频监控设备所具备的唯一硬件标识码;其中表中数据按照时间升序排序。
结合预设的第一时间变量和第一距离变量在所述数据集中进行条件分析,以查找符合所述第一时间变量和第一距离变量的第一级涉疫人员信息。
输入所述预设的碰撞模型进行关联分析时所需要的变量,预设的第一时间变量Δtime以及预设的第一距离ΔDistance,根据ΔTime将数据集合DsO进一步分组,形成N个分组数据集合DatasetGroup(简称DsG);每一个分组数据里的第一条记录与最后一条记录的时间差小于等于ΔTime,即每组数据内的所有记录都满足条件Δt。
在数据集合DsO中遍历查询指定时间点Time1的数据记录DsO-Time1,从数据集合DsG获得Time1所在时间范围的分组DsG1,以及该分组的下一分组DsG2。
通过字段值“时间”比较记录DsO-Time1与DsG1、DsG2里的记录,判断时间间隔是否小于ΔTime,是则执行下一步的距离判断,否则跳转到上一步的遍历查询。
根据DsO-Time1和被比较记录的视频监控设备辨识范围内的坐标数据,获得两条记录的地点之间的距离,判断距离是否小于ΔDistance,是则执行下一步,否则跳转到上一步的时间判断。
将碰撞结果保存到以DsO-Time1的“记录ID”为KEY,LIST集合为值的MAP中,后续DsO-Time1的其他碰撞结果同样保存到该LIST集合中;遍历完成后,即可获得以“记录ID”为KEY,该记录的碰撞结果LIST为值的MAP,MAP是键值对容器,其数据结构为{KEY,LIST<记录>},如{DsO-Time1的“记录ID”,LIST<DsO-Time1的记录>};KEY——键值;LIST——数据集合,采用键值对的数据结构形式保存碰撞结果。
提取碰撞结果中每一个LIST中的所有人员的身份证号,去重处理后获得人员身份证号码组合KEY,将相同组合KEY的数据组放到同一个LIST,该LIST即为包括明确的涉疫人员信息的分析结果。
本发明的方法,通过确诊人员信息的行动轨迹在出现的大型建筑物构建的空间坐标系中进行追踪,通过预设的变量对其接触的人员或停留的地点进行时空碰撞分析,可以对建筑物内的高危地点进行判定,且能够高准确率、高效率地查找潜在感染高危人群,并得到明确的涉疫人员信息名单。
本发明的方法,在现有疫情防控要求扫描健康码的基础上,利用建筑物已有的视频监控资源,结合人面部身份识别技术,通过构建建筑物内的空间坐标系得到相关人员的移动轨迹,运用时空轨迹碰撞算法和模型,准确判断室内人员与确诊人员的关联情况,精准识别密接者,提升疫情防控精准度。
本发明示例性实施例的一种可行的实施方式中,所述方法还包括对次密接人员的判断过程,这一过程包括:结合所述第一级涉疫人员信息在所述预设的碰撞模型中进行次密接碰撞分析,并且在每一级的涉疫人员信息确定后,对均该级的涉疫人员进行次密接碰撞分析,直到该级的涉疫人员确定为0为止。
得到明确的涉疫人员信息名单后,将该批次的涉疫人员信息再次输入所述预设的碰撞模型进行关联分析,以查找次密接涉疫人员信息,并按照上述步骤继续进行碰撞分析,直至去重后未发现新的涉疫人员信息为止。
本发明示例性实施例的一种可行的实施方式中,所述方法还包括:对所述明确的涉疫人员信息进行流行病学调查,通过流行病学调查查找与各涉疫人员的传播途径、传播链、传染源等,确定确诊人员信息的病毒传播源头,以从源头阻止病毒传播。
需要说明的是,本发明实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本发明的一些实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种基于时空关联的建筑内疫情防控装置。
参考图4,所述基于时空关联的建筑内疫情防控装置,包括:
空间网络模块410,用于以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;
轨迹模块420,用于对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;
分析模块430,用于响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析,得到分析结果,所述分析结果包括明确的涉疫人员信息。
进一步地,如图5所示,所述空间网络模块410,包括:
测绘子模块411,用于对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
范围构建子模块412,用于以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的基于时空关联的建筑内疫情防控装置用于实现前述任一实施例中相应的基于时空关联的建筑内疫情防控,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的基于时空关联的建筑内疫情防控方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(ReadOnlyMemory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于时空关联的建筑内疫情防控方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的基于时空关联的建筑内疫情防控方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于时空关联的建筑内疫情防控方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于时空关联的建筑内疫情防控方法,其特征在于,所述方法包括:
以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;其中,所述建筑为具有多层立体空间的大型商业设施;
对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;
响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析后得到分析结果,所述分析结果包括明确的涉疫人员信息;具体地,时空关联分析过程包括如下:
将人员的基本信息和所述人员在所述空间坐标系的移动轨迹进行数据处理后形成数据集;结合预设的第一时间变量和第一距离变量在所述数据集中进行条件分析,以查找符合所述第一时间变量和第一距离变量的第一级涉疫人员信息;
所述以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系,包括:
对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系;
所述对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹,包括:
对所述视频监控设备的辨识范围内的特征点进行测绘,获取所述特征点的地理坐标,通过对所述特征点的地理坐标进行计算得到所述特征点在所述视频监控设备的成像矩阵中的像素值;
以所述特征点为坐标转换的控制点,进行投影变换和坐标转换,以使所述辨识范围内其它成像矩阵中的地面像素点具有在所述空间坐标系中的控制点地理坐标;响应于人员在所述辨识范围内的行动,获取人员的像素坐标点,并结合所述控制点地理坐标,换算出人员在所述空间坐标系中的人员坐标;
结合人员的面部识别特征,和人员在所述空间坐标系中的图像信息不同帧的人员坐标,形成所述人员在室内建筑的移动轨迹;
所述通过所述预设的碰撞模型进行时空关联分析后得到分析结果,包括:
将人员的基本信息和所述人员在所述空间坐标系的移动轨迹进行数据处理后形成数据集;
结合预设的第一时间变量和第一距离变量在所述数据集中进行条件分析,以确定符合条件的第一级涉疫人员信息。
2.根据权利要求1所述的基于时空关联的建筑内疫情防控方法,其特征在于,所述方法还包括:
将所述第一级涉疫人员信息输入所述预设的碰撞模型中进行次密接碰撞分析,确定下一级的涉疫人员信息;
在每一下一级的涉疫人员信息确定后,对均该下一级的涉疫人员进行次密接碰撞分析,直到所述下一级的涉疫人员确定为0为止。
3.根据权利要求1所述的基于时空关联的建筑内疫情防控方法,其特征在于,所述方法还包括:
对所述明确的涉疫人员信息进行流行病学调查。
4.一种基于时空关联的建筑内疫情防控装置,其特征在于,所述装置包括:
空间网络模块,用于以建筑内的各视频监控设备为基础建立视频监控网络,结合各视频监控设备的辨识范围构建所述视频监控网络的空间坐标系;其中,所述建筑为具有多层立体空间的大型商业设施;具体用于:对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系;
轨迹模块,用于对出现于所述视频监控网络的人员进行图像识别以得到人员的基本信息,基于所述人员的基本信息获取所述人员在所述空间坐标系的移动轨迹;具体用于:对所述视频监控设备的辨识范围内的特征点进行测绘,获取所述特征点的地理坐标,通过对所述特征点的地理坐标进行计算得到所述特征点在所述视频监控设备的成像矩阵中的像素值;
以所述特征点为坐标转换的控制点,进行投影变换和坐标转换,以使所述辨识范围内其它成像矩阵中的地面像素点具有在所述空间坐标系中的控制点地理坐标;响应于人员在所述辨识范围内的行动,获取人员的像素坐标点,并结合所述控制点地理坐标,换算出人员在所述空间坐标系中的人员坐标;
结合人员的面部识别特征,和人员在所述空间坐标系中的图像信息不同帧的人员坐标,形成所述人员在室内建筑的移动轨迹;
分析模块,用于响应于输入的确诊人员信息,将所述确诊人员信息、所述人员的基本信息和所述人员在所述空间坐标系的移动轨迹输入预设的碰撞模型,通过所述预设的碰撞模型进行时空关联分析后得到分析结果,所述分析结果包括明确的涉疫人员信息。
5.根据权利要求4所述的基于时空关联的建筑内疫情防控装置,其特征在于,所述空间网络模块,包括:
测绘子模块,用于对建筑内的各视频监控设备进行测绘,得到各视频监控设备的地理坐标;
范围构建子模块,用于以各视频监控设备为中心,结合各视频监控设备的辨识范围,在建筑内的立体空间构建所述视频监控网络的空间坐标系。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至3任意一项所述的基于时空关联的建筑内疫情防控方法。
7.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行权利要求1至3任一所述的基于时空关联的建筑内疫情防控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106910.9A CN115187916B (zh) | 2022-09-13 | 2022-09-13 | 基于时空关联的建筑内疫情防控方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106910.9A CN115187916B (zh) | 2022-09-13 | 2022-09-13 | 基于时空关联的建筑内疫情防控方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187916A CN115187916A (zh) | 2022-10-14 |
CN115187916B true CN115187916B (zh) | 2023-02-17 |
Family
ID=83524587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211106910.9A Active CN115187916B (zh) | 2022-09-13 | 2022-09-13 | 基于时空关联的建筑内疫情防控方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187916B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115966313B (zh) * | 2023-03-09 | 2023-06-09 | 创意信息技术股份有限公司 | 基于人脸识别的一体化管理平台 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919009A (zh) * | 2019-01-24 | 2019-06-21 | 北京明略软件系统有限公司 | 目标对象的监控方法、装置及系统 |
CN111027525B (zh) * | 2020-03-09 | 2020-06-30 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
WO2021196003A1 (zh) * | 2020-03-31 | 2021-10-07 | 世强先进(深圳)科技股份有限公司 | 一种基于定位技术的传染病疫情预警方法及系统 |
CN113626726A (zh) * | 2020-05-08 | 2021-11-09 | 深圳云天励飞技术有限公司 | 时空轨迹确定方法及相关产品 |
CN112307912A (zh) * | 2020-10-19 | 2021-02-02 | 科大国创云网科技有限公司 | 一种基于摄像头确定人员轨迹的方法及系统 |
CN112396633B (zh) * | 2020-10-19 | 2023-02-28 | 北京理工大学 | 基于单摄像机的目标跟踪及轨迹三维重现方法和装置 |
CN112580525B (zh) * | 2020-12-22 | 2023-05-23 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
CN113436750A (zh) * | 2021-03-15 | 2021-09-24 | 中国电建集团华东勘测设计研究院有限公司 | 基于cim平台的防疫监督监控健康系统 |
CN115002150A (zh) * | 2022-05-05 | 2022-09-02 | 连云港屋托帮文化传媒有限公司 | 一种智慧社区智能化疫情管控系统及方法 |
-
2022
- 2022-09-13 CN CN202211106910.9A patent/CN115187916B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115187916A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4970195B2 (ja) | 人物追跡システム、人物追跡装置および人物追跡プログラム | |
US8179440B2 (en) | Method and system for object surveillance and real time activity recognition | |
US7873208B2 (en) | Image matching system using three-dimensional object model, image matching method, and image matching program | |
US10043097B2 (en) | Image abstraction system | |
CN109344746B (zh) | 行人计数方法、系统、计算机设备和存储介质 | |
WO2017221643A1 (ja) | 画像処理装置、画像処理システム、および画像処理方法、並びにプログラム | |
Nyaruhuma et al. | Verification of 2D building outlines using oblique airborne images | |
US11625859B2 (en) | Method and system for calibrating a camera and localizing objects within the camera field of view | |
JP6773829B2 (ja) | 対象物認識装置、対象物認識方法、及び対象物認識プログラム | |
CN115187916B (zh) | 基于时空关联的建筑内疫情防控方法、装置、设备和介质 | |
CN107545256A (zh) | 一种结合时空和网络一致性的摄像机网络行人重识别方法 | |
CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
CN112633096A (zh) | 客流的监测方法、装置、电子设备及存储介质 | |
CN113781519A (zh) | 目标跟踪方法和目标跟踪装置 | |
CN114842139A (zh) | 一种基于空间分析的建筑三维数字化模型构建方法 | |
CN109559347A (zh) | 对象识别方法、装置、系统及存储介质 | |
CN111739056A (zh) | 一种轨迹追踪系统 | |
CN115273208A (zh) | 轨迹生成方法、系统、装置及电子设备 | |
CN115100724A (zh) | 一种多相机人员状态识别方法 | |
CN115937971B (zh) | 一种举手投票识别方法及装置 | |
Liu et al. | Automated image localization to support rapid building reconnaissance in a large‐scale area | |
CN115767424A (zh) | 一种基于rss与csi融合的视频定位方法 | |
CN113532424B (zh) | 一种获取多维信息的一体化设备与协同测量方法 | |
CN113569645B (zh) | 基于图像检测的轨迹生成方法、装置及系统 | |
CN112738714B (zh) | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
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 |