CN115223442B - 一种室内行人地图的自动生成方法 - Google Patents
一种室内行人地图的自动生成方法 Download PDFInfo
- Publication number
- CN115223442B CN115223442B CN202110832032.8A CN202110832032A CN115223442B CN 115223442 B CN115223442 B CN 115223442B CN 202110832032 A CN202110832032 A CN 202110832032A CN 115223442 B CN115223442 B CN 115223442B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- walking
- store
- map
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 8
- 238000009434 installation Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005295 random walk Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/10—Map spot or coordinate position indicators; Map reading aids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字营销技术领域，尤其为一种室内行人地图的自动生成方法，其方法包括以下步骤：门店室内行人地图的实现方法涉及一组高清监控相机、一个行人轨迹生成器、一个行走样本生成器和一个地图模型生成器，实时数据采集，统计解算室内行人的三维位置和移动轨迹；本发明通过设计一种网格化的随机游走模型，在无需进行实地测绘，无需测量相机安装参数、姿态参数，无需门店空间平面图的条件下，实现了对门店内行人行走地图模型的构建，完成了门店内空间关系的数字化，且基于该模型能够得到发生概率从高到低的行人真实行走路线，也可对预设计的行人行走路线的发生概率进行估计，进而能够提高生产效率，节省人力物力。
Description
技术领域
本发明涉及数字营销技术领域，具体为一种室内行人地图的自动生成方法。
背景技术
随着人工智能和大数据时代的推进，商业线下门店的数字化越来越受到重视，而如何构建线下门店中的空间结构，以及进一步测量行人在商业空间中的活动规律成为线下门店数字化的基础问题。
现有的方法主要包括以下几种：手工测量，这类方法一般基于商业空间的建筑施工图纸，手工测量装修改变的部分，来得到商业空间的当前空间地图，但对于行人在空间中的活动路线只能进行主观预估。
光学测绘，这类方法使用高精度的测绘设备，对商业空间进行实地测绘，测绘数据再通过SLAM类算法得到商业空间的三维结构，测绘的精度较高，但无法对行人在空间中的活动路线进行测量。
多相机跟踪，这类方法在店内空间各处架设多个监控相机，记录空间内行人的活动，然后利用基于计算机视觉的多目标跟踪算法估计空间内每一个出现的行人的行动轨迹，在跟踪没有发生错误的前提下，这类方法能够测量行人在空间内的活动路线。但当行人行走跨越不同相机或相机间存在视野重叠时，这类方法发生的错误较多。
目前生成室内行人地图需要进行现场测绘，依赖激光雷达和三维成像相机等复杂昂贵的空间测绘设备，才能完成对线下门店空间结构的数字化，且店内陈设发生变化后，店内地图模型无法自动更新，无法测量行人在空间内的真实行走规律，只能依赖人为经验进行估计，为此我们提出一种室内行人地图的自动生成方法来解决此问题。
发明内容
本发明的目的在于提供一种室内行人地图的自动生成方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种室内行人地图的自动生成方法，其方法包括以下步骤：
S1：门店室内行人地图的实现方法涉及一组高清监控相机、一个行人轨迹生成器、一个行走样本生成器和一个地图模型生成器；
S2：实时数据采集，统计解算室内行人的三维位置和移动轨迹，完成店内行人地图的构建；
S201：一组高清监控相机采集线下门店空间各处的正常营业时段的实时视频，实时视频经解码为图像帧序列后传送给轨迹生成器；
S202：轨迹生成器使用人形检测模型，检测出图像帧中的人形框，对所得到的人形框集合应用行人重识别算法将同一身份行人的人形框归为同一类；
S203：将来自不同相机的属于同身份类别的人形框，按照时间顺序排列，得到正确的行人轨迹：一天内门店空间内行人数量为N，则得到N条行人轨迹 Ti＝{b1，b2，...，bk}，i＝1，...，N；
S204：行走样本生成器收到的N条行人轨迹后，对某一条轨迹Ti＝{b1， b2...bk}，按时间先后顺序遍历该轨迹内的人形框，将当前人形框和t秒后该行人的人形框形成一个框对(bi，bj)，即t秒的时间里，该行人从bi人形框所在位置行走到bj人形框所在位置；
S205：假设视频数据中包含N个行人，平均每个行人轨迹有k个人形框，地图模型生成器收到包含N*k个人形框对，每一个框对(bi，bj)表示曾有一个顾客用时t秒从bi所在位置行走到bj所在位置，随后地图模型生成器基于该行人行走样本集完成店内行人地图的构建。
S3：地图模型生成模块的具体算法过程；
S301：收到行人行走样本数据集由N*k个人形框对Bi，每个框对由起始位置bi和t秒后的所在位置bj构成，将每个相机的画面分割为若干个网格，门店共有12个相机，编号分别为CA，CB，...，CL，每个相机的视频图像采用长宽各8等分，分为若干个网格，以相机CA为例，其画面分割为FA1...FA64合计64个网格；
S302：遍历行走样本集中的每一个人形框对Bi，将其投入其起始位置bi 所对应的相机网格FAi：每个网格生成一个局部行走的分布直方图，表示当行人从该网格出发，t秒之后行走到其他网格的概率分布；
S303：对行走样本集的遍历结束后，遍历所有相机的所有网格，对每一个网格的局部行走直方图的bin值进行归一化，得到从每一个网格出发t秒后行人到达网格的概率分布；
S304：得到所有相机的所有网格的局部行走概率分布后，即形成了门店的行人行走地图模型，从门店入口所在网格开始，每一步都依据当前所在网格的局部行走概率决定t秒后的位置，直到行走时间达到预期长度或到达门店出口所对应网格。
优选的，所述步骤S201中，以一天门店正常营业时段8小时的视频作为输入，对视频中可辨认的人脸进行模糊化处理，仅保留人形信息。
优选的，所述步骤S202中，人形检测模型使用SSD行人检测模型，行人重识别算法使用PCB行人重识别算法。
优选的，所述步骤S202中，检测结果经过人工标注的校正，得到标注了正确身份类别的人形框集合。
优选的，所述步骤S203中，b1，...，bk为第i个行人的人形框，轨迹生成器将正确的行人轨迹集合传给行走样本生成器。
优选的，所述步骤S204中，t的取值为2秒，经过行走样本生成器处理，得到N*k个人形框对，形成门店营业时段内行人行走样本集，并将此行走样本集传送给地图模型生成器。
优选的，所述步骤S205中，不同顾客处于门店内同一位置时，在接下来的短时间内顾客行走的轨迹具有统计规律。
优选的，所述步骤S302中，分布直方图的每一个bin的索引为人形框Bi 的终止位置所对应的相机网格，每一个bin的值为当前累计以此网格为终止位置的人形框对的数量。
优选的，所述步骤S304中，行人行走地图模型采用蒙特卡洛仿真方法，得到门店内行人行走的真实路线图。
优选的，所述步骤S304中，重复随机生成步骤，得到大量的根据真实行人行走规律而生成的行人浏览门店的轨迹，将重叠的轨迹进行合并即得到发生频率从高到低的门店内行人行走的真实路线图。
与现有技术相比，本发明的有益效果如下：
本发明通过设计一种网格化的随机游走模型，在无需进行实地测绘，无需测量相机安装参数、姿态参数，无需门店空间平面图的条件下，实现了对门店内行人行走地图模型的构建，完成了门店内空间关系的数字化，且基于该模型能够得到发生概率从高到低的行人真实行走路线，也可对预设计的行人行走路线的发生概率进行估计，进而能够提高生产效率，节省人力物力。
附图说明
图1为本发明自动生成方法流程图；
图2为本发明地图模型生成模块的算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，一种室内行人地图的自动生成方法，其方法包括如下步骤：
S1：门店室内行人地图的实现方法涉及一组高清监控相机、一个行人轨迹生成器、一个行走样本生成器和一个地图模型生成器；
S2：实时数据采集，统计解算室内行人的三维位置和移动轨迹，完成店内行人地图的构建；
S201：一组高清监控相机采集线下门店空间各处的正常营业时段的实时视频，实时视频经解码为图像帧序列后传送给轨迹生成器，以一天门店正常营业时段8小时的视频作为输入，对视频中可辨认的人脸进行模糊化处理，仅保留人形信息，便于采集门店内部顾客的移动轨迹，且能够对顾客的隐私进行保护，避免顾客信息泄露；
S202：轨迹生成器使用人形检测模型，检测出图像帧中的人形框，对所得到的人形框集合应用行人重识别算法将同一身份行人的人形框归为同一类，人形检测模型使用SSD行人检测模型，行人重识别算法使用PCB行人重识别算法，检测结果经过人工标注的校正，得到标注了正确身份类别的人形框集合，可以避免行人重识别算法在多相机身份识别时发生错误，进而能够有效提升人形框的识别精确度以及识别效率；
S203：将来自不同相机的属于同身份类别的人形框，按照时间顺序排列，得到正确的行人轨迹：一天内门店空间内行人数量为N，则得到N条行人轨迹 Ti＝{b1，b2，...，bk}，i＝1，...，N，b1，...，bk为第i个行人的人形框，轨迹生成器将正确的行人轨迹集合传给行走样本生成器，便于根据时间排列得到行人轨迹集合，且能够持续稳定的将行人轨迹集合传给行走样本生成器；
S204：行走样本生成器收到的N条行人轨迹后，对某一条轨迹Ti＝{b1， b2...bk}，按时间先后顺序遍历该轨迹内的人形框，将当前人形框和t秒后该行人的人形框形成一个框对(bi，bj)，即t秒的时间里，该行人从bi人形框所在位置行走到bj人形框所在位置，t的取值为2秒，经过行走样本生成器处理，得到N*k个人形框对，形成门店营业时段内行人行走样本集，并将此行走样本集传送给地图模型生成器，不但能够完成对店内空间关系的数字化，还能计算出空间内任意两点之间的真实行人行走路线和时间；
S205：假设视频数据中包含N个行人，平均每个行人轨迹有k个人形框，地图模型生成器收到包含N*k个人形框对，每一个框对(bi，bj)表示曾有一个顾客用时t秒从bi所在位置行走到bj所在位置，随后地图模型生成器基于该行人行走样本集完成店内行人地图的构建，不同顾客处于门店内同一位置时，在接下来的短时间内顾客行走的轨迹具有统计规律，有利于构建精确的室内行人地图。
S3：地图模型生成模块的具体算法过程；
S301：收到行人行走样本数据集由N*k个人形框对Bi，每个框对由起始位置bi和t秒后的所在位置bj构成，将每个相机的画面分割为若干个网格，门店共有12个相机，编号分别为CA，CB，...，CL，每个相机的视频图像采用长宽各8等分，分为若干个网格，以相机CA为例，其画面分割为FA1...FA64合计64个网格；
S302：遍历行走样本集中的每一个人形框对Bi，将其投入其起始位置bi 所对应的相机网格FAi：每个网格生成一个局部行走的分布直方图，表示当行人从该网格出发，t秒之后行走到其他网格的概率分布，分布直方图的每一个 bin的索引为人形框Bi的终止位置所对应的相机网格，每一个bin的值为当前累计以此网格为终止位置的人形框对的数量；
S303：对行走样本集的遍历结束后，遍历所有相机的所有网格，对每一个网格的局部行走直方图的bin值进行归一化，得到从每一个网格出发t秒后行人到达网格的概率分布；
S304：得到所有相机的所有网格的局部行走概率分布后，即形成了门店的行人行走地图模型，从门店入口所在网格开始，每一步都依据当前所在网格的局部行走概率决定t秒后的位置，直到行走时间达到预期长度或到达门店出口所对应网格，行人行走地图模型采用蒙特卡洛仿真方法，得到门店内行人行走的真实路线图，重复随机生成步骤，得到大量的根据真实行人行走规律而生成的行人浏览门店的轨迹，将重叠的轨迹进行合并即得到发生频率从高到低的门店内行人行走的真实路线图。
综上所述，本发明通过设计一种网格化的随机游走模型，在无需进行实地测绘，无需测量相机安装参数、姿态参数，无需门店空间平面图的条件下，实现了对门店内行人行走地图模型的构建，完成了门店内空间关系的数字化，且基于该模型能够得到发生概率从高到低的行人真实行走路线，也可对预设计的行人行走路线的发生概率进行估计，进而能够提高生产效率，节省人力物力。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种室内行人地图的自动生成方法，其特征在于，其方法包括以下步骤：
S1：门店室内行人地图的实现方法涉及一组高清监控相机、一个行人轨迹生成器、一个行走样本生成器和一个地图模型生成器；
S2：实时数据采集，统计解算室内行人的三维位置和移动轨迹，完成店内行人地图的构建；
S201：一组高清监控相机采集线下门店空间各处的正常营业时段的实时视频，实时视频经解码为图像帧序列后传送给轨迹生成器；
S202：轨迹生成器使用人形检测模型，检测出图像帧中的人形框，对所得到的人形框集合应用行人重识别算法将同一身份行人的人形框归为同一类；
S203：将来自不同相机的属于同身份类别的人形框，按照时间顺序排列，得到正确的行人轨迹：一天内门店空间内行人数量为N，则得到N条行人轨迹Ti={b1，b2，...，bk}，i=1，...，N；其中b1，...，bk为第i个行人的人形框，轨迹生成器将正确的行人轨迹集合传给行走样本生成器；
S204：行走样本生成器收到的N条行人轨迹后，对某一条轨迹Ti={b1，b2...bk}，按时间先后顺序遍历该轨迹内的人形框，将当前人形框和t秒后该行人的人形框形成一个框对（bi，bj），即t秒的时间里，该行人从bi人形框所在位置行走到bj人形框所在位置；
S205：假设视频数据中包含N个行人，平均每个行人轨迹有k个人形框，地图模型生成器收到包含N*k个人形框对，每一个框对（bi，bj）表示曾有一个顾客用时t秒从bi所在位置行走到bj所在位置，随后地图模型生成器基于该行人行走样本集完成店内行人地图的构建；
S3：地图模型生成模块的具体算法过程；
S301：收到行人行走样本数据集由N*k个人形框对Bi，每个框对由起始位置bi和t秒后的所在位置bj构成，将每个相机的画面分割为若干个网格，门店共有12个相机，编号分别为CA，CB，...，CL，每个相机的视频图像采用长宽各8等分，分为若干个网格，以相机CA为例，其画面分割为FA1...FA64合计64个网格；
S302：遍历行走样本集中的每一个人形框对（bi，bj），将其投入其起始位置bi所对应的相机网格FAi：每个网格生成一个局部行走的分布直方图，表示当行人从该网格出发，t秒之后行走到其他网格的概率分布；
S303：对行走样本集的遍历结束后，遍历所有相机的所有网格，对每一个网格的局部行走直方图的bin值进行归一化，得到从每一个网格出发t秒后行人到达网格的概率分布；
S304：得到所有相机的所有网格的局部行走概率分布后，即形成了门店的行人行走地图模型，从门店入口所在网格开始，每一步都依据当前所在网格的局部行走概率决定t秒后的位置，直到行走时间达到预期长度或到达门店出口所对应网格，行人行走地图模型采用蒙特卡洛仿真方法，得到门店内行人行走的真实路线图，重复随机生成步骤，得到大量的根据真实行人行走规律而生成的行人浏览门店的轨迹，将重叠的轨迹进行合并即得到发生频率从高到低的门店内行人行走的真实路线图。
2.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S201中，以一天门店正常营业时段8小时的视频作为输入，对视频中可辨认的人脸进行模糊化处理，仅保留人形信息。
3.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S202中，人形检测模型使用SSD行人检测模型，行人重识别算法使用PCB行人重识别算法。
4.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S202中，检测结果经过人工标注的校正，得到标注了正确身份类别的人形框集合。
5.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S204中，t的取值为2秒，经过行走样本生成器处理，得到N*k个人形框对，形成门店营业时段内行人行走样本集，并将此行走样本集传送给地图模型生成器。
6.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S205中，不同顾客处于门店内同一位置时，在接下来的短时间内顾客行走的轨迹具有统计规律。
7.根据权利要求1所述的一种室内行人地图的自动生成方法，其特征在于：所述步骤S302中，分布直方图的每一个bin的索引为人形框对（bi，bj）的终止位置所对应的相机网格，每一个bin的值为当前累计以此网格为终止位置的人形框对的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832032.8A CN115223442B (zh) | 2021-07-22 | 2021-07-22 | 一种室内行人地图的自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832032.8A CN115223442B (zh) | 2021-07-22 | 2021-07-22 | 一种室内行人地图的自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115223442A CN115223442A (zh) | 2022-10-21 |
| CN115223442B true CN115223442B (zh) | 2024-04-09 |
Family
ID=83606721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832032.8A Active CN115223442B (zh) | 2021-07-22 | 2021-07-22 | 一种室内行人地图的自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115223442B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016146024A1 (zh) * | 2015-03-13 | 2016-09-22 | 北京贝虎机器人技术有限公司 | 物品识别方法和装置，室内地图生成方法和装置 |
| CN106595633A (zh) * | 2016-11-25 | 2017-04-26 | 北京邮电大学 | 室内定位方法及装置 |
| WO2017166594A1 (zh) * | 2016-03-31 | 2017-10-05 | 百度在线网络技术（北京）有限公司 | 一种室内地图构建方法、装置和存储介质 |
| CN108709557A (zh) * | 2018-05-18 | 2018-10-26 | 东南大学 | 基于多用户轨迹拟合的室内地图生成方法 |
| CN110631578A (zh) * | 2019-09-29 | 2019-12-31 | 电子科技大学 | 一种无地图下室内行人定位与追踪方法 |
| CN111832400A (zh) * | 2020-06-04 | 2020-10-27 | 北京航空航天大学 | 一种基于概率神经网络的口罩佩戴情况的监测系统及方法 |
| CN112258571A (zh) * | 2020-09-25 | 2021-01-22 | 上海数川数据科技有限公司 | 一种基于单目视觉的室内行人定位方法 |
| CN112347909A (zh) * | 2020-11-05 | 2021-02-09 | 上海蜂雀网络科技有限公司 | 一种零售门店出入口客流统计方法 |
-
2021
- 2021-07-22 CN CN202110832032.8A patent/CN115223442B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016146024A1 (zh) * | 2015-03-13 | 2016-09-22 | 北京贝虎机器人技术有限公司 | 物品识别方法和装置，室内地图生成方法和装置 |
| WO2017166594A1 (zh) * | 2016-03-31 | 2017-10-05 | 百度在线网络技术（北京）有限公司 | 一种室内地图构建方法、装置和存储介质 |
| CN106595633A (zh) * | 2016-11-25 | 2017-04-26 | 北京邮电大学 | 室内定位方法及装置 |
| CN108709557A (zh) * | 2018-05-18 | 2018-10-26 | 东南大学 | 基于多用户轨迹拟合的室内地图生成方法 |
| CN110631578A (zh) * | 2019-09-29 | 2019-12-31 | 电子科技大学 | 一种无地图下室内行人定位与追踪方法 |
| CN111832400A (zh) * | 2020-06-04 | 2020-10-27 | 北京航空航天大学 | 一种基于概率神经网络的口罩佩戴情况的监测系统及方法 |
| CN112258571A (zh) * | 2020-09-25 | 2021-01-22 | 上海数川数据科技有限公司 | 一种基于单目视觉的室内行人定位方法 |
| CN112347909A (zh) * | 2020-11-05 | 2021-02-09 | 上海蜂雀网络科技有限公司 | 一种零售门店出入口客流统计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115223442A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
| CN101853511B (zh) | 一种抗遮挡目标轨迹预测跟踪方法 | |
| Van Etten et al. | The multi-temporal urban development spacenet dataset | |
| CN110400332A (zh) | 一种目标检测跟踪方法、装置及计算机设备 | |
| CN112833883B (zh) | 一种基于多相机的室内移动机器人定位方法 | |
| CN110781266B (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
| CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN107464256A (zh) | 一种目标检测与可能性判别修正的关联方法 | |
| IL257092A (en) | System and method for tracking objects between cameras | |
| CN111784022A (zh) | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 | |
| CN108932509A (zh) | 一种基于视频跟踪的跨场景目标检索方法及装置 | |
| CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及系统 | |
| CN102063625A (zh) | 一种用于多视角下多目标追踪的改进型粒子滤波方法 | |
| CN102609689B (zh) | 一种基于多帧统计的视频车道背景建模方法 | |
| CN113256690A (zh) | 一种基于视频监控的行人多目标跟踪方法 | |
| CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN115223442B (zh) | 一种室内行人地图的自动生成方法 | |
| Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
| Mohedano et al. | Camera localization usingtrajectories and maps | |
| CN112016845A (zh) | 基于dnn与cim的区域经济效益评估方法与系统 | |
| CN111105093A (zh) | 基于CNN和BiLSTM的临近降水预测方法 | |
| Hong et al. | A study on rainfall prediction based on meteorological time series | |
| CN115294490A (zh) | 一种间歇性遮挡下的动态多目标识别方法 | |
| CN114580700A (zh) | 一种基于语义贝叶斯网络的tvdi干旱指数预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |