CN116012776B - 一种人数监测方法、装置、电子设备及可读存储介质 - Google Patents
一种人数监测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116012776B CN116012776B CN202211586754.0A CN202211586754A CN116012776B CN 116012776 B CN116012776 B CN 116012776B CN 202211586754 A CN202211586754 A CN 202211586754A CN 116012776 B CN116012776 B CN 116012776B
- Authority
- CN
- China
- Prior art keywords
- region
- current
- monitoring
- probe request
- area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000523 sample Substances 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人数监测方法、装置、电子设备及可读存储介质，涉及数据处理技术领域，该方法包括：获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度；确定所述当前区域的区域类型；基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息。本发明提高了区域人数监测的准确率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种人数监测方法、装置、电子设备及可读存储介质。
背景技术
在城市公共区域需要对人群的活动和留下进行监测，进而方便公共区域的维护人员提供公共服务和管理。相关技术中，通过无线保真(Wireless Fidelity，WiFi)的探查请求(probe request)信号对人员进行定位和人数确认。但由于探查请求信号中的媒体接入控制(Media Access Control，MAC)地址为随机地址，且会不断发生变化，同时一个人员存在携带多个终端的可能性，导致通过探查请求信号确定的区域人数的准确率较低。
可见，相关技术中存在着通过探查请求信号确定的区域人数的准确率较低的问题。
发明内容
本发明实施例提供一种人数监测方法、装置、电子设备及可读存储介质，以解决相关技术中存在着通过探查请求信号确定的区域人数的准确率较低的问题。
为解决上述问题，本发明是这样实现的：
第一方面，本发明实施例提供一种人数监测方法，包括：
获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据；
确定所述当前区域在所述当前时间区间的区域类型；
基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；
将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测5模型进行人数监测，得到所述当前区域的监测人数信息。
第二方面，本发明实施例还提供一种人数监测装置，包括：
第一获取模块，用于获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据；0第一处理模块，用于确定所述当前区域在所述当前时间区间的区域类型；
第二处理模块，用于基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；
5第三处理模块，用于将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息。
第三方面，本发明实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述第一方面所述的人数监测方法中的步骤。
0第四方面，本发明实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如上述第一方面所述的人数监测方法中的步骤。
在本发明实施例中，通过获取当前区域的探查请求信号数量和探查请求信号强度，并确定当前区域的区域类型对应的当前监测模型，并将探查请求信号
数量和探查请求信号强度输入至当前监测模型中，得到当前区域的监测人数信5息，避免直接通过探查请求信号确定人数，而是通过监测模型对探查请求信号进行修正，从而提高了对人数监测的准确性。
附图说明
为更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种人数监测方法的流程图；
图2是本发明实施例提供的监测模型的训练流程图；
图3是本发明实施例提供的区域中网关和摄像头覆盖示意图；
图4是本发明实施例提供的同一区域类型的区域的信号采集示意图；
图5是本发明实施例提供的一种人数监测装置的结构图；
图6是本发明实施例提供的一种电子设备的结构图。
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作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。
请参见图1，图1是本发明实施例提供的一种人数监测方法的流程图，如图1所示，包括以下步骤：
步骤101、获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据。
上述探查请求信号为WiFi网关采集的终端的上行信号。应理解，在公共区域进行人员监测时，通过该公共区域布置的WiFi获取当前区域的探查请求信号数量和探查请求信号强度。
其中，探查请求信号数量为当前区域获取到的探查请求信号数量，探查请求信号强度为获取到的探查请求信号的强度的平均值。
步骤102、确定所述当前区域在所述当前时间区间的区域类型。
上述区域类型为当前区域基于人数与探查请求信号之间的关系预先划分的类型。应理解，在进行人数监测时会对多个区域进行监测，每个区域的探查请求信号与人数的关系不同，适配不同的监测模型。将每个区域进行划分，在同一区域类型中的区域适配同一监测模型，在进行人数监测时同一类型区域中的区域根据同一监测模型确定人数，在提高人数监测的准确率的同时，减少了需要配置的监测模型。
其中，可以在本地或云端存储有区域类型集合，该区域类型集合包括多个区域类型，以及每个区域类型对应的至少一个区域的标识，通过当前区域的区域标识即可在区域类型集合中确定当前区域的区域类型。
应理解，同一区域的人数变化情况在不同时间区间表现出不同的变化情况。例如，公园在一天中早上五点至早上七点的时间区间的人数的变化情况，与一天中下午五点至下午六点的时间区域的人数变化情况不同，故需要划分出不同的时间段，对每个时间段在同一区域的区域类型进行调整，以使得同一区域在不同时间段适配不同的监测模型来进行人数监测。
其中，时间区间是预先划分的时间区间，可以是将一天划分为多个时间区间，也可以是将一周划分为多个时间区间等。每个区域在不同时间区间中对应的区域类型不同，不同的区域类型对应不同的监测模型，通过确定当前区域在当前时间区间的区域类型，进而确定当前区域在当前时间区间对应的监测模型。
步骤103、基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型。
上述监测模型集包括预先配置的不同区域类型进行人数监测的监测模型，每个监测模型对应一个区域类型，通过当前区域的区域类型可以在监测模型集中确定当前区域对应的当前监测模型。
其中，监测模型集包括每个区域类型的标识，以及每个区域类型标识对应的监测模型，在确定当前区域的区域类型后，根据当前区域类型的标识确定当前区域对应的当前监测模型。
步骤104、将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息。
上述监测人数信息用于表征，当前区域的人数。上述当前监测模型为基于探查请求信号样本和人数样本进行模型训练得到的模型，通过当前区域的探查请求信号的数量和探查请求信号的强度，可以演算出当前区域的监测人数。其中，探查请求信号样本为实际采样得到的真实信号样本，人数样本为通过监控视频得到的真实人数样本，通过探查请求信号样本和人数样本进行模型训练，得到监测模型，能修正探查请求信号与人数不一致造成的准确率较低的问题。
故在确定当前区域对应的监测模型后，将当前区域的探查请求信号数量和探查请求信号强度输入到当前监测模型进行人数监测，得到模型运算得到的人数。
在本发明实施例中，通过获取当前区域的探查请求信号数量和探查请求信号强度，并确定当前区域的区域类型对应的当前监测模型，并将探查请求信号数量和探查请求信号强度输入至当前监测模型中，得到当前区域的监测人数信息，避免直接通过探查请求信号确定人数，而是通过监测模型对探查请求信号进行修正，从而提高了对人数监测的准确性。
进一步地，同一区域在不同时间区间对应的区域类型不同，不同的区域类型对应的监测模型不同，通过确定当前区域在当前时间区间的区域类型，进而实现确定当前区域在当前时间区间对应的监测模型，进一步提高通过监测模型得到监测人数信息的准确率。
在一个实施例中，所述确定所述当前区域在所述当前时间区间的区域类型之前，所述方法还包括：
获取多个区域在多个时间区间的视频数据信息，所述视频数据信息包括：通过视频数据统计的人员信息，所述多个区域包括所述当前区域，所述多个时间区间包括所述当前时间区间；
基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型。
应理解，由于每个区域在不同时间区间内对应的区域类型不同，故需要对每个时间区间内所有的被监控区域进行归类，确定每个时间区间内每个区域属于的区域类型。
其中，对每个时间区间内所有的被监控区域进行归类时，需要基于区域的视频数据信息对区域进行归类，视频数据信息包括区域的通过视频数据统计的人员信息，基于多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，使得每个区域类型中的区域，其统计的人员信息相似，可以通过同一监测模型对一个区域类型对应的多个区域进行人数确定。
上述对每个时间区间的每个区域进行聚类，可以采用无监督聚类算法，例如具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of Applicationswith Noise，DBSCAN)、K均值聚类算法(K-Means clustering algorithm，K-Means)等。
进一步地，在确定每个区域在每个时间区间的区域类型后，可以通过当前时间区间确定当前区域的区域类型。
在本发明实施例中，通过获取多个区域在多个时间区间的视频数据信息，再基于多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，使得在每个时间区间的区域类型对应的多个区域中，统计的人员信息相似，可以通过同一监测模型对一个区域类型对应的多个区域进行人数确定。
在一个实施例中，所述基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，包括：
基于所述人员信息，确定所述多个区域在所述每个时间区间的人员特征向量；
基于所述多个区域在所述每个时间区间的人员特征向量，分别对所述每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型。
上述人员特征向量为通过视频数据信息得到的至少一个人员参数构成的向量，例如每个区域在每个时间区间的人员密度。一个人员特征向量可以表征对应区域在一个时间区间内的人员信息。
应理解，通过人员特征向量表征每个区域在每个时间区间的人员信息，再基于每个区域在每个时间区间的人员特征向量，分别对每个时间区间的每个区域进行聚类，即可得到人员特征向量接近的多个聚类簇，其中，每个聚类簇为一个区域类型，将每个聚类簇中的多个区域设为一个区域类型中的区域。
其中，由于需要确定每个时间区间的所有区域类型，即需要分别在每个时间区间内，基于多个区域的人员特征向量进行聚类，得到在每个时间区间内的多个聚类簇，通过每个时间区间内的多个聚类簇得到每个区域在每个时间区间的区域类型。
在本发明实施例中，通过人员信息确定多个区域在每个时间区间的人员特征向量，在基于多个区域在每个时间区间的人员特征向量，分别对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，从而可以确定当前区域在当前时间段的区域类型。
在一个实施例中，所述人员信息包括如下至少多项：
人员数量最大值、人员数量最小值、人员数量平均值、人员密度最大值、人员密度最小值、人员密度平均值、人员速度的均值。
上述人员数量最大值、人员数量最小值和人员数量平均值表征一个区域中人员数量的情况，而人员密度最大值、人员密度最小值和人员密度平均值表征不同面积的区域的人员密度情况，人员速度的均值表征该区域的流动情况。应理解，不同的参数表征区域中人员数量的不同方面的情况，可以从上述参数中选择多个或全部参数表征一个区域的人员信息，使得通过人员信息确定的区域的人员特征向量能更准确的反映出区域的人员数量。
例如，通过视频数据信息统计得到的人员信息包括：人员数量最大值Hmax、人员数量最小值Hmin、人员数量平均值Hmean、人员密度最大值Omax、人员密度最小值Omin、人员密度平均值Omean、人员速度的均值V，通过人员信息确定区域在一个时间区间的人员特征向量为(Hmax,Hmin,Hmean,Omax,Omin,Omean,V)。再通过每个区域在每个时间区间的人员特征向量(Hmax,Hmin,Hmean,Omax,Omin,Omean,V)对每个区域进行聚类，得到每个区域在每个时间区间的区域类型。
其中，也可以将区域的标识以及当前时间区间设在人员特征向量中，例如，一个人员特征向量为(n,T,Hmax,Hmin,Hmean,Omax,Omin,Omean,V)。其中，n为区域标识，T为当前时间区间。应理解，个人特征向量中区域的标识和当前时间区间不参与进行聚类。
在本发明实施例中，通过人员数量最大值、人员数量最小值、人员数量平均值、人员密度最大值、人员密度最小值、人员密度平均值、人员速度的均值中的多项或全部参数确定人员特征向量，使得人员特征向量可以从人员数量、人员密度和速度等多个方面体现出区域的人员特征，使得区域类型中的区域能具备更高的相似度，通过一个监测模型进行人数确认的准确率更高。
在一个实施例中，所述监测模型集中的监测模型通过如下方式训练得到：
获取目标区域类型的目标区域在所述目标区域类型对应时间区间内的探查请求信号数据样本，所述探查请求信号数据样本包括：所述目标区域的探查请求信号数量样本和探查请求信号强度样本；
获取所述目标区域的人数真值，所述人数真值为通过视频数据确定所述目标区域的人数；
基于所述探查请求信号数据样本和所述人数真值对初始模型进行训练，得到用于对所述目标区域类型的区域进行人数监测的监测模型；
其中，所述目标区域为多个区域中的一个区域，所述多个区域包括所述当前区域。
上述探查请求信号数据样本为WiFi在目标区域采集的探查请求信号，上述人数真值为根据视频数据信息采集的人数的真值，上述目标区域为基于每个区域在每个时段的人员信息，分别对每个区域进行聚类，得到的在每个时间区间的区域类型中的一个区域。其中，每个时间区域包括多个时间点，每个时间点对应一个探查请求信号和人数。
上述初始模型为预先配置的模型，用于根据探查请求信号数量样本、探查请求信号强度样本和人数真值进行训练。其中，初始模型可以是传统模型，如线性拟合、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)、季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average，SARIMA)；也可以为深度学习模型，如多层感知器(MLP，Multilayer Perceptron)、卷积神经网络(Convolutional Neural Networks，CNN)、长短期记忆网络(Long Short-TermMemory，LSTM)。
应理解，对初始模型训练，得到监测模型集中的监测模型的流程如图2所示，先基于人员信息对每个区域进行聚类，得到每个时间区间内每个区域对应的区域类型，即在每个时间区间内对每个区域进行划分；在确定每个区域对应的区域类型后，确定该区域类型的监测模型；确定监测模型后，将监测模型应用于该区域类型对应的所有区域。
其中，在确定区域类型对应的监测模型时，在区域类型中的一个区域获取探查请求信号数量样本和探查请求信号强度样本，以及该区域的人数真值。在该区域内，如图3所示，WiFi网关覆盖整个区域，用于采集探查请求信号数量样本和探查请求信号强度样本；摄像头覆盖整个区域，用于采集该区域的人数真值。
其中，在确定监测模型后，将监测模型应用于该区域类型对应的所有区域，如图4所示，在区域类型A对应的区域a和区域b中，WiFi网关覆盖整个区域，通过获取区域a内的探查请求信号，输入至监测模型中，得到区域a的人数信息；通过获取区域b内的探查请求信号，输入至监测模型中，得到区域b的人数信息。
示例性的，目标区域为标识为n，时间区间T内包括j个时间点，WiFi网关在时间点j采集到的探查信号数量为mj，在时间点j采集到的探查信号强度为Sj，在模型训练过程中输入初始模型的探查请求信号为(n,Tj,mj,Sj)，其中j>0；在时间点j采集到的人数的真值为Hj，在模型训练过程中输入初始模型的人数真值为Hj。通过探查请求信号为(n,Tj,mj,Sj)作为输入参数，人数真值为Hj作为输出参数，得到可以通过探查请求信号确定人数的监测模型。
在本发明实施例中，通过获取目标区域类型的目标区域在目标区域类型对应时间区间内的探查请求信号数据样本，以及目标区域的人数真值，再基于探查请求信号数据样本和人数真值对初始模型进行训练，得到用于对目标区域类型的区域进行人数监测的监测模型，使得监测模型可以通过探查请求信号确定人数，提高了通过探查请求信号确定人数的准确率。
在一个实施例中，所述目标区域为人员特征向量与所述目标区域类型的人员特征向量平均值的欧式距离最近的区域，所述人员特征向量为所述目标区域类型中每个区域基于视频数据信息确认的向量，所述人员特征向量平均值为所述目标区域类型中每个区域的人员特征向量的平均值。
应理解，目标区域为人员特征向量与所述目标区域类型的人员特征向量平均值的欧式距离最近的区域，采集得到的探查请求信号样本和人数真值与区域类型中的平均值更接近，从而提高了训练得到的监测模型的准确率。
请参见图5，图5是本发明实施例提供的一种人数监测装置的结构图，如图5所示，人数监测装置500包括：
第一获取模块501，用于获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据；
第一处理模块502，用于确定所述当前区域在所述当前时间区间的区域类型；
第二处理模块503，用于基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；
第三处理模块504，用于将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息。
可选的，在所述第一处理模块502之前，所述人数监测装置500还包括：
第二获取模块，用于获取多个区域在多个时间区间的视频数据信息，所述视频数据信息包括：通过视频数据统计的人员信息，所述多个区域包括所述当前区域，所述多个时间区间包括所述当前时间区间；
第四处理模块，用于基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型。
可选的，所述第四处理模块包括：
第一处理单元，用于基于所述人员信息，确定所述多个区域在所述每个时间区间的人员特征向量；
第二处理单元，用于基于所述多个区域在所述每个时间区间的人员特征向量，分别对所述每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型。
可选的，所述人员信息包括如下至少多项：
人员数量最大值、人员数量最小值、人员数量平均值、人员密度最大值、人员密度最小值、人员密度平均值、人员速度的均值。
可选的，所述监测模型集中的监测模型通过如下方式训练得到：
获取目标区域类型的目标区域在所述目标区域类型对应时间区间内的探查请求信号数据样本，所述探查请求信号数据样本包括：所述目标区域的探查请求信号数量样本和探查请求信号强度样本；
获取所述目标区域的人数真值，所述人数真值为通过视频数据确定所述目标区域的人数；
基于所述探查请求信号数据样本和所述人数真值对初始模型进行训练，得到用于对所述目标区域类型的区域进行人数监测的监测模型；
其中，所述目标区域为多个区域中的一个区域，所述多个区域包括所述当前区域。
可选的，所述目标区域为人员特征向量与所述目标区域类型的人员特征向量平均值的欧式距离最近的区域，所述人员特征向量为所述目标区域类型中每个区域基于视频数据信息确认的向量，所述人员特征向量平均值为所述目标区域类型中每个区域的人员特征向量的平均值。
本发明实施例提供的人数监测装置为能实现上述人数监测方法的各实施例的各个过程，技术特征一一对应，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本发明实施例中的人数监测装置可以是装置，也可以是电子设备中的部件、集成电路、或芯片。
本发明实施例还提供一种电子设备，参见图6，图6是本发明实施提供的一种电子设备的结构示意图，电子设备包括存储器601、处理器602和存储在存储器601上运行的程序或者指令，该程序或者指令被处理器602执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
其中，处理器602可以是CPU、ASIC、FPGA或GPU。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。
本发明实施例还提供一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现上述图1对应的人数监测方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。所述的存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本发明实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者第二终端设备等)执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (6)
1.一种人数监测方法，其特征在于，包括：
获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据；
确定所述当前区域在所述当前时间区间的区域类型；
基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；
将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息；
其中，所述确定所述当前区域在所述当前时间区间的区域类型之前，所述方法还包括：
获取多个区域在多个时间区间的视频数据信息，所述视频数据信息包括：通过视频数据统计的人员信息，所述多个区域包括所述当前区域，所述多个时间区间包括所述当前时间区间；
基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，所述多个区域包括所述当前区域和目标区域，所述目标区域为人员特征向量与目标区域类型的人员特征向量平均值的欧式距离最近的区域，所述人员特征向量为所述目标区域类型中每个区域基于视频数据信息确认的向量，所述人员特征向量平均值为所述目标区域类型中每个区域的人员特征向量的平均值；
所述基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型，包括：
基于所述人员信息，确定所述多个区域在所述每个时间区间的人员特征向量；
基于所述多个区域在所述每个时间区间的人员特征向量，分别对所述每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型；
所述人员信息包括如下至少多项：
人员数量最大值、人员数量最小值、人员数量平均值、人员密度最大值、人员密度最小值、人员密度平均值、人员速度的均值。
2.根据权利要求1所述的方法，其特征在于，所述监测模型集中的监测模型通过如下方式训练得到：
获取目标区域类型的目标区域在所述目标区域类型对应时间区间内的探查请求信号数据样本，所述探查请求信号数据样本包括：所述目标区域的探查请求信号数量样本和探查请求信号强度样本；
获取所述目标区域的人数真值，所述人数真值为通过视频数据确定所述目标区域的人数；
基于所述探查请求信号数据样本和所述人数真值对初始模型进行训练，得到用于对所述目标区域类型的区域进行人数监测的监测模型；
其中，所述目标区域为多个区域中的一个区域，所述多个区域包括所述当前区域。
3.一种人数监测装置，其特征在于，包括：
第一获取模块，用于获取当前区域的探查请求信号数据，所述探查请求信号数据包括：所述当前区域的探查请求信号数量和探查请求信号强度，所述探查请求信号数据为所述当前区域的在当前时间区间的探查请求信号数据；
第一处理模块，用于确定所述当前区域在所述当前时间区间的区域类型；
第二处理模块，用于基于所述当前区域的区域类型在监测模型集中确定当前监测模型，所述监测模型集包括多个监测模型，不同监测模型用于对不同区域类型的区域进行人数监测，所述当前监测模型为用于对所述当前区域的区域类型的区域进行人数监测的模型；
第三处理模块，用于将所述探查请求信号数量和所述探查请求信号强度输入到所述当前监测模型进行人数监测，得到所述当前区域的监测人数信息；
其中，在所述第一处理模块之前，所述人数监测装置还包括：
第二获取模块，用于获取多个区域在多个时间区间的视频数据信息，所述视频数据信息包括：通过视频数据统计的人员信息，所述多个区域包括所述当前区域，所述多个时间区间包括所述当前时间区间，所述多个区域包括所述当前区域和目标区域，所述目标区域为人员特征向量与目标区域类型的人员特征向量平均值的欧式距离最近的区域，所述人员特征向量为所述目标区域类型中每个区域基于视频数据信息确认的向量，所述人员特征向量平均值为所述目标区域类型中每个区域的人员特征向量的平均值；
第四处理模块，用于基于所述多个区域在多个时间区间的视频数据信息，对每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型；
所述第四处理模块包括：
第一处理单元，用于基于所述人员信息，确定所述多个区域在所述每个时间区间的人员特征向量；
第二处理单元，用于基于所述多个区域在所述每个时间区间的人员特征向量，分别对所述每个时间区间的每个区域进行聚类，得到每个区域在每个时间区间的区域类型；
所述人员信息包括如下至少多项：
人员数量最大值、人员数量最小值、人员数量平均值、人员密度最大值、人员密度最小值、人员密度平均值、人员速度的均值。
4.根据权利要求3所述的装置，其特征在于，所述监测模型集中的监测模型通过如下方式训练得到：
获取目标区域类型的目标区域在所述目标区域类型对应时间区间内的探查请求信号数据样本，所述探查请求信号数据样本包括：所述目标区域的探查请求信号数量样本和探查请求信号强度样本；
获取所述目标区域的人数真值，所述人数真值为通过视频数据确定所述目标区域的人数；
基于所述探查请求信号数据样本和所述人数真值对初始模型进行训练，得到用于对所述目标区域类型的区域进行人数监测的监测模型；
其中，所述目标区域为多个区域中的一个区域，所述多个区域包括所述当前区域。
5.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的人数监测方法中的步骤。
6.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至2中任一项所述的人数监测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586754.0A CN116012776B (zh) | 2022-12-09 | 2022-12-09 | 一种人数监测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586754.0A CN116012776B (zh) | 2022-12-09 | 2022-12-09 | 一种人数监测方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116012776A CN116012776A (zh) | 2023-04-25 |
| CN116012776B true CN116012776B (zh) | 2024-02-23 |
Family
ID=86036379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211586754.0A Active CN116012776B (zh) | 2022-12-09 | 2022-12-09 | 一种人数监测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116012776B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118015540A (zh) * | 2024-02-01 | 2024-05-10 | 北京数原数字化城市研究中心 | 人群计数方法及相关设备 |
| CN118230242A (zh) * | 2024-03-26 | 2024-06-21 | 北京数原数字化城市研究中心 | 人群拥挤检测方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844572A (zh) * | 2016-03-25 | 2016-08-10 | 腾讯科技（深圳）有限公司 | 拥挤风险监控方法及拥挤风险监控装置 |
| CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
| CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
| WO2022088653A1 (zh) * | 2020-10-30 | 2022-05-05 | 深圳市商汤科技有限公司 | 场景监测方法、装置、电子设备、存储介质及程序 |
| CN115442744A (zh) * | 2022-08-18 | 2022-12-06 | 内蒙古大学 | 一种基于被动式WiFi感知的大规模人群计数方法 |
-
2022
- 2022-12-09 CN CN202211586754.0A patent/CN116012776B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844572A (zh) * | 2016-03-25 | 2016-08-10 | 腾讯科技（深圳）有限公司 | 拥挤风险监控方法及拥挤风险监控装置 |
| CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
| CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
| WO2022088653A1 (zh) * | 2020-10-30 | 2022-05-05 | 深圳市商汤科技有限公司 | 场景监测方法、装置、电子设备、存储介质及程序 |
| CN115442744A (zh) * | 2022-08-18 | 2022-12-06 | 内蒙古大学 | 一种基于被动式WiFi感知的大规模人群计数方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116012776A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116012776B (zh) | 一种人数监测方法、装置、电子设备及可读存储介质 | |
| Li et al. | Trend modeling for traffic time series analysis: An integrated study | |
| CN108446630A (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
| CN115272037A (zh) | 一种基于物联网的智慧城市区域治安管理预警方法和系统 | |
| CN111862951B (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
| CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN113065513A (zh) | 智能摄像头自训练置信度阈值的优化方法、装置及设备 | |
| CN112699328A (zh) | 网点服务数据处理方法、装置、系统、设备及存储介质 | |
| CN111767881A (zh) | 一种基于ai技术的自适应人群密度估计装置 | |
| CN114898737A (zh) | 声学事件检测方法、装置、电子设备和存储介质 | |
| CN106781167A (zh) | 监测物体运动状态的方法及设备 | |
| CN110916653A (zh) | 一种头戴式提醒癫痫患者的预警装置 | |
| CN115240142B (zh) | 基于跨媒体的室外重点场所人群异常行为预警系统和方法 | |
| CN117392714A (zh) | 基于半监督学习的人脸美丽预测方法、设备及介质 | |
| CN116680613A (zh) | 基于多尺度度量学习的人类活动识别综合优化方法 | |
| CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
| JP7501627B2 (ja) | 情報処理装置、制御方法及びプログラム | |
| CN116416754A (zh) | 独居群体的室内人员活动实时监测与预警系统及方法 | |
| CN111291597B (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
| CN114826949A (zh) | 一种通信网络状况预测方法 | |
| Wijerathne et al. | Urban space insights extraction using acoustic histogram information | |
| CN113724733B (zh) | 生物声音事件检测模型训练方法、声音事件的检测方法 | |
| CN117636909B (zh) | 一种数据处理方法、装置、设备以及计算机可读存储介质 | |
| CN117275156B (zh) | 无人值守共享棋牌室预定系统 |
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 |