CN116168213A - 人流量数据的识别方法和人流量数据识别模型的训练方法 - Google Patents

Abstract

本发明公开了一种人流量数据的识别方法、人流量数据识别模型的训练方法及其装置，该方法包括：获取预设点位的第一时空数据矩阵；将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；根据所述目标人流量热力图确定所述预设点位的目标人流量数据。可见，实施本发明能够提高人流量统计的效率。

Description

人流量数据的识别方法和人流量数据识别模型的训练方法

技术领域

本发明涉及计算机技术领域，尤其涉及一种人流量数据的识别方法、人流量数据识别模型的训练方法及其装置。

背景技术

随着计算机技术的发展，如何利用计算机来提高生活的便利也越来越重要。

目前，在一些场景中，例如在分析门店人流量的场景中，都是通过人工去统计门店的人流量。然而，通过人工去记录门店的人流量，导致人流量的统计效率较低。

发明内容

本发明所要解决的技术问题在于，通过人工去统计人流量的效率较低。因此，本发明提供一种人流量数据的识别方法、人流量数据识别模型的训练方法及其装置，能够有利于提高人流量统计的效率。

为了解决上述技术问题，本发明第一方面公开了一种人流量数据的识别方法，所述方法包括：

获取预设点位的第一时空数据矩阵；

将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；

根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第一方面中，所述目标人流量热力图包括多个第一像素点，多个所述第一像素点具有至少两种灰度，各灰度配置有目标权重系数，所述根据所述目标人流量热力图确定所述预设点位的目标人流量数据，包括：

根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，其中，所述目标像素值与各第一像素点对应的第一目标乘积正相关，所述第一目标乘积为第一像素点的灰度与灰度对应的目标权重系数之间的乘积；

根据所述目标像素值确定所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：

获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；

配置各灰度对应的初始权重系数；

根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；

根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；

若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；

若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤。

作为一种可选的实施方式，在本发明第一方面中，至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系；

和/或，

至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标像素值确定所述预设点位的目标人流量数据，包括：

获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；

根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据。

本发明第二方面公开了一种人流量数据的识别方法，所述方法包括：

获取预设点位的真实人流量热力图和第二时空数据矩阵；

将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第二方面中，所述生成对抗网络包括生成器和判别器，所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，包括：

将所述第二时空数据矩阵输入至所述生成器，以得到待判别的人流量热力图；

将所述待判别的人流量热力图和所述真实人流量热力图输入至所述判别器，以得到所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，所述识别损失用于表示所述待判别的人流量热力图与所述真实人流量热力图之间的相似度；

若所述识别损失小于或等于损失阈值，则确定所述人流量数据识别模型训练完成；

若所述识别损失大于所述损失阈值，则通过所述生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失。。

作为一种可选的实施方式，在本发明第二方面中，在将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练之前，所述方法还包括：

获取所述预设点位的原始图层；

根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图；

所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，包括：

将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练。

本发明第三方面公开了一种人流量数据的识别装置，所述装置包括：

第一获取模块，用于获取预设点位的第一时空数据矩阵；

输入模块，用于将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；

人流量数据识别模块，用于根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第三方面中，所述目标人流量热力图包括多个第一像素点，多个所述第一像素点具有至少两种灰度，各灰度配置有目标权重系数，所述人流量数据识别模块，包括：

像素值确定单元，用于根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，其中，所述目标像素值与各第一像素点对应的第一目标乘积正相关，所述第一目标乘积为第一像素点的灰度与灰度对应的目标权重系数之间的乘积；

人流量数据识别单元，用于根据所述目标像素值确定所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第三方面中，该装置还包括：

权重系数确定模块，用于获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；

配置各灰度对应的初始权重系数；

根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；

根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；

若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；

若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤。

作为一种可选的实施方式，在本发明第三方面中，至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，权重系数确定模块包括：

第一权重系数确定单元，用于若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系；

和/或，

至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，权重系数确定模块包括：

第二权重系数确定单元，用于若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

作为一种可选的实施方式，在本发明第三方面中，人流量数据识别单元用于获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；

根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据。

本发明第四方面公开了一种人流量数据识别模型的训练装置，所述装置包括：

第二获取模块，用于获取预设点位的真实人流量热力图和第二时空数据矩阵；

训练模块，用于将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

作为一种可选的实施方式，在本发明第四方面中，所述生成对抗网络包括生成器和判别器，所述训练模块用于将所述第二时空数据矩阵输入至所述生成器，以得到待判别的人流量热力图；

将所述待判别的人流量热力图和所述真实人流量热力图输入至所述判别器，以得到所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，所述识别损失用于表示所述待判别的人流量热力图与所述真实人流量热力图之间的相似度；

若所述识别损失小于或等于损失阈值，则确定所述人流量数据识别模型训练完成；

若所述识别损失大于所述损失阈值，则通过所述生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失。

作为一种可选的实施方式，在本发明第四方面中，该装置还包括：

去除模块，用于获取所述预设点位的原始图层；

根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图；

该训练模块，用于将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练。

本发明第五方面公开了另一种人流量数据的识别装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的人流量数据的识别方法。

本发明第六方面公开了另一种人流量数据识别模型的训练装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第二方面公开的人流量数据识别模型的训练方法。

本发明第七方面公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面和/或第二方面公开的方法。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例中，通过获取预设点位的第一时空数据矩阵；将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；根据所述目标人流量热力图确定所述预设点位的目标人流量数据，由于在获取到预设点位的第一时空数据矩阵以后，即可通过人流量数据识别模型确定出目标人流量热力图，从而根据目标人流量热力图确定预设点位的目标人流量数据，由此，可以减少人工的干预，从而提高人流量统计的效率。此外，还能够提高人流量统计的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对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是本发明实施例公开的一种人流量数据的识别方法的流程示意图；

图2是本发明实施例公开的一种人流量数据识别模型的训练方法的流程示意图；

图3是本发明实施例公开的一种人流量数据识别的框架示意图；

图4是本发明实施例公开的一种人流量数据的识别装置的结构示意图；

图5是本发明实施例公开的一种人流量数据识别模型的训练装置的结构示意图；

图6是本发明实施例公开的又一种人流量数据的识别装置的结构示意图；

图7是本发明实施例公开的又一种人流量数据识别模型的训练装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

本发明的说明书和权利要求书及上述附图中的术语“第二”、“第一”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明公开了一种人流量数据的识别方法、人流量数据识别模型的训练方法及其装置，能够有利于提高人流量统计的效率。以下分别进行详细说明。

实施例一

请参阅图1，图1是本发明实施例公开的一种人流量数据的识别方法的流程示意图。其中，图1所描述的人流量数据的识别方法可以应用于人流量数据的识别装置中，人流量数据的识别装置可以是终端，也可以是服务器，还可以是具备数据处理能力的处理器，例如芯片等，在此不做限定。如图1所示，该人流量数据的识别方法可以包括以下操作：

步骤110、获取预设点位的第一时空数据矩阵。

其中，预设点位指的是需要确定人流量数据的位置。例如，预设点位可以是某一个门店，也可以是某一个商圈，也可以是某一个商圈中的某一部分区域，可以根据需要设置，在此不做限定。第一时空数据矩阵用于表示预设点位的时空数据。时空数据是同时具有时间和空间维度的数据。时空数据由于其所在空间的空间实体和空间现象在时间、空间和属性三个方面的固有特征，呈现出多维、语义、时空动态关联的复杂性。

需要说明的是，本实施例的第一时空数据矩阵可以是设定维度的数据矩阵。可选的，该设定维度可以根据需要设置，在此不做限定。可选的，可以利用数据挖掘和特征工程通过特定的点位半径或grid(网格、方格)从数据获取接口快速提取该位置的时空数据(例如，可以以该点位为中心，500米为半径的人场特征，一共为478维特征，处理方法主要是基于poi点位的原始数据通过统计计算生成)并预处理成固定维度的数据矩阵作为后续模型的输入。

可以理解的是，通过上述方式构建输入的优点是可针对采集难度，选择较容易采集和较代表性的时空数据(场景信息和多方流动数据)进行特征的构建。

步骤120、将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的。

其中，人流量热力图是指用于表示人流量数据的热力图。在本实施例中，目标人流量热力图是人流量数据识别模型对第一时空数据矩阵进行处理得到的。真实人流量热力图是实际采集得到的人流量热力图。本实施例的真实人流量热力图可以通过虚拟服务器对预设点位进行二十四小时的地图人流热力图截取，获取过程中，全程保持人流量热力图的分辨率一致。生成对抗网络包含一个生成模型和一个判别模型。其中，生成模型负责捕捉样本数据的分布，而判别模型一般情况下是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈”问题，训练时固定其中一方(判别网络或生成网络)，更新另一个模型的参数，交替迭代，最终，生成模型能够估测出样本数据的分布。

第二时空数据矩阵可以与第一时空数据矩阵的维度一致。

步骤130、根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

其中，目标人流量热力图是指用于确定人流量数据的热力图。目标人流量数据用于指示该预设点位的人流量大小。具体的，目标人流量数据可以是人流数量或者指数，在此不做限定。

本实施例的技术方案，通过获取预设点位的第一时空数据矩阵；将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；根据所述目标人流量热力图确定所述预设点位的目标人流量数据，由于在获取到预设点位的第一时空数据矩阵以后，即可通过人流量数据识别模型确定出目标人流量热力图，从而根据目标人流量热力图确定预设点位的目标人流量数据，由此，可以减少人工的干预，从而提高人流量统计的效率。此外，还能够提高人流量统计的准确性。

在一种可能的实现中，所述目标人流量热力图包括多个第一像素点，多个所述第一像素点具有至少两种灰度，各灰度配置有目标权重系数，所述根据所述目标人流量热力图确定所述预设点位的目标人流量数据，包括：

根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，其中，所述目标像素值与各第一像素点对应的第一目标乘积正相关，所述第一目标乘积为第一像素点的灰度与灰度对应的目标权重系数之间的乘积；

根据所述目标像素值确定所述预设点位的目标人流量数据。

在本实施例中，可以是不同灰度对应不同的目标权重系数。一般来说，灰度越小，颜色越深，权值越大，人流越密集。可选的，多个第一像素点具有至少两种灰度，例如可以是7种灰度。需要说明的是，本实施例的目标人流量热力图中的灰度的种类可以根据需要进行设置，然后根据设置进行一定的图像处理，以使得目标人流量热力图中的灰度的种类与设定的一致。其中，正相关是指一个变量增长，另一个变量也跟着增长。在本实施例中，目标像素值与各第一像素点对应的第一目标乘积正相关，也就是说，各第一像素点对应的第一目标乘积越大，则目标像素值越大。

在一种可能的实现中，可以是根据各第一像素点的灰度和各灰度对应的目标权重系数进行加权平均计算，得到目标像素值，也就是说，可以根据各第一像素点的灰度和各灰度对应的目标权重系数，计算出各第一像素点对应的像素值，再将所有第一像素点对应的像素值进行累加，从而得到目标像素值。

本实施例中，经申请人研究发现，根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，与人流量数据具有一定关系，因此，本实施例能够根据目标像素值确定预设点位的目标人流量数据。

以下实施例在上述任一实施例的基础上，对于如何确定各灰度对应的目标权重系数进行说明。

在一种可能的实现中，本实施例确定各灰度对应的目标权重系数的方式，包括：

获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；

配置各灰度对应的初始权重系数；

根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；

根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；

若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；

若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤。

其中，第二目标乘积可以参考第一目标乘积的说明，在此不做赘述。其中，预设条件用于指示根据各灰度对应的初始权重系数计算出的初始像素值与真实人流数据具有对应关系。在本实施例中，若各灰度对应的初始权重系数满足预设条件，则说明按照该初始权重计算出的像素值与真实人流数据具有对应关系，因此可以将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；若各灰度对应的初始权重系数不满足预设条件，则说明按照该初始权重计算出的像素值与真实人流数据不具有对应关系，因此需要重新配置各灰度对应的初始权重系数，直到各灰度对应的初始权重系数满足预设条件。

本实施例的技术方案，通过获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；配置各灰度对应的初始权重系数；根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤，可以确定出合适的目标权重系数，使得目标人流量数据的识别更为准确。

在一种可能的实现中，至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系；

和/或，

至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

在一种可能的实现中，若至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，则所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系。

其中，第一关系可以用于表示至少两张所述真实人流量热力图分别对应的初始像素值的分布情况，第二关系可以用于表示至少两个预设点位分别对应的真实人流量数据的分布情况。

具体的，若第一关系与第二关系相匹配，则说明至少两张所述真实人流量热力图分别对应的初始像素值的分布情况与至少两个预设点位分别对应的真实人流量数据的分布情况一致，则此时可以认为按照该初始权重系数计算出的像素值与人流量数据具有一定的关系。

在一种可能的实现中，至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

其中，第一关系可以用于表示至少两张所述真实人流量热力图分别对应的初始像素值的变化趋势。第三关系可以用于表示至少两个时刻分别对应的真实人流量数据的变化趋势。

具体的，若第一关系与第三关系相匹配，则说明至少两张所述真实人流量热力图分别对应的初始像素值的变化趋势，与至少两个时刻分别对应的真实人流量数据的变化趋势一致，则此时可以认为按照该初始权重系数计算出的像素值与人流量数据具有一定的关系。

在一种可能的实现中，若所述真实人流量热力图即包括通过对至少两个预设点位进行采集得到的至少两张第一真实人流量热力图，且真实人流量热力图还包括通过在至少两个时刻对同一预设点位进行采集得到的至少两张第二真实人流量热力图，则所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与第二关系相匹配且第一关系与第三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件。

可以理解的是，本实施例的技术方案，通过对至少两个预设点位进行采集得到的至少两张第一真实人流量热力图以及在至少两个时刻对同一预设点位进行采集得到的至少两张第二真实人流量热力图共同来确定各灰度对应的初始权重系数是否满足预设条件，也即通过对至少两个预设点位进行采集得到的至少两张第一真实人流量热力图以及在至少两个时刻对同一预设点位进行采集得到的至少两张第二真实人流量热力图共同来确定目标权重系数，能够提高人流数据识别的准确性。

在一种可能的实现中，所述根据所述目标像素值确定所述预设点位的目标人流量数据，包括：

获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；

根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据。

其中，对应关系用于表示像素值与人流量数据之间关系，例如可以是函数关系等，在此不做限定。在本实施例中，由于对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的，因此该对应关系也是准确的，进而能够根据该对应关系，确定目标像素值所对应的人流量数据，从而将目标像素值对应的人流量数据作为目标人流量数据。

本实施例的技术方案，通过获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据，由于通过对应关系即可确定出目标人流量数据，而该对应关系又是在各灰度对应的初始权重系数满足预设条件的情况下确定的，因此能够准确且简单地确定出目标人流量数据。

请参阅图2，图2是本发明实施例公开的一种人流量数据识别模型的训练方法的流程示意图。本实施例的人流量数据识别模型的训练方法可以应用于人流量数据识别模型的训练装置中，人流量数据识别模型的训练装置可以是终端，也可以是服务器，还可以是具备数据处理能力的处理器，例如芯片等，在此不做限定。如图2所示，本实施例的人流量数据识别模型的训练方法，包括：

步骤210、获取预设点位的真实人流量热力图和第二时空数据矩阵。

步骤220、将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

其中，人流量数据识别模型如何识别出目标人流量数据的方式可以参考上述任一实施例的描述，在此不做赘述。

本实施例的技术方案，通过获取预设点位的真实人流量热力图和第二时空数据矩阵，将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据，也就是说，通过模型即可确定出目标人流量数据，可以减少人工的干预，从而提高人流量统计的效率和便利性。

在一种可能的实现中，所述生成对抗网络包括生成器和判别器，所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，包括：

将所述第二时空数据矩阵输入至所述生成器，以得到待判别的人流量热力图；

将所述待判别的人流量热力图和所述真实人流量热力图输入至所述判别器，以得到所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，所述识别损失用于表示所述待判别的人流量热力图与所述真实人流量热力图之间的相似度；

若所述识别损失小于或等于损失阈值，则确定所述人流量数据识别模型训练完成；

若所述识别损失大于所述损失阈值，则通过所述生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失。

其中，损失阈值可以根据需要设置，在此不做限定。在本实施例中，损失阈值用于指示模型的训练精度是否达到要求。具体的，生成器对第二时空数据矩阵进行处理，得到待判别的人流量热力图，判别器判断待判别的人流量热力图与真实人流量热力图之间的识别损失，若识别损失小于或等于损失阈值，则说明模型的训练达到要求，此时可以确定人流量数据识别模型训练完成，从而通过该模型来识别出人流量数据；若识别损失大于损失阈值，则说明精度不足，需要继续训练，则通过生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，直到识别损失小于或等于损失阈值。

在一种可能的实现中，在将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练之前，所述方法还包括：

获取所述预设点位的原始图层；

根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图；

所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，包括：

将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练。

其中，冗余信息指的是对于人流量数据识别无关的信息，即该冗余信息为干扰信息，冗余信息会影响人流量识别的准确性，以及增加模型训练的负担。可选的，冗余信息包括但不限于中文、地标符号等，在此不做限定。冗余信息去除处理包括但不限于图像求差、图片通道格式转换、腐蚀膨胀的手段。

本实施例的技术方案，通过获取所述预设点位的原始图层；根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图，进而将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，从而提高人流量识别的准确性以及降低模型训练的负担。

请参阅图3，图3是本发明实施例公开的一种人流量数据识别的框架示意图。本实施例结合模型的训练情形以及数据处理情形进行说明。请参阅图3，本实施例的人流量数据识别的框架包括数据处理部分和模型处理部分。

其中数据处理部分主要负责“人流热力图获取”、“热力图预处理”、“热力图客流校验比对”和“时空数据矩阵”的信息收集与处理。

“人流热力图获取”：通过虚拟服务器对特定区域(预设点位)进行二十四小时的地图人流热力图(真实人流量热力图)截取，获取过程中，全程保持热力图的分辨率一致，所截取的真实人流量热力图包括7种灰度，将截取的真实人流量热力图各个灰度进行初始权值分配(灰度越小，颜色越深，权值越大，人流越密集)，加权求和后用来表示该点位当天的人流分布情况，由于人流分布越密集意味着灰度越小，颜色越深，因此可以将加权求和后的结果用于直观地与周边点位来比较人流分布情况。

“热力图预处理”：由于截取获得的真实人流量热力图存在大量中文、地标符号等冗余信息，因此，在采集过程中除了该预设点位的真实人流量热力图，还会获取该预设点位的原始地图图层，通过图像求差、图片通道格式转换、腐蚀膨胀的手段，进行像素级别的层级分割，从而获得干净的只有7种灰度的真实人流量热力图，并通过第三方数据源进行“热力图客流校验比对”确定像素值与人流数量或者指数的对应关系，这里的对应关系是指通过对7种灰度进行初步权值初始化，通过加权求和充当该点位的预估人流数值，并与所获得的人流数值一起纵向比较(比较不同点位的预估数值大小变化趋势是否与真实数值大小变化趋势一致，若一致则可以认为热力图与真实数据是存在对应关系的)。

“时空数据矩阵”：利用数据挖掘和特征工程通过特定的点位半径或grid从数据获取接口快速提取该位置的时空数据(当前所使用的时空数据主要是指以该点位为中心，500米为半径的人场特征，一共为478维特征，处理方法主要是基于poi点位的原始数据通过统计计算生成)并预处理成固定维度的数据矩阵作为后续模型的输入。使用此方法构建输入的优点是可针对采集难度，选择较容易采集和较代表性的时空数据(场景信息和多方流动数据)进行特征的构建。

模型处理部分是整个人流数据校准模型的主体，主要包括“基于反卷积的生成器”和“基于卷积的判别器”。本方案使用的生成对抗网络是基于原始的生成对抗网络模型结构，利用卷积神经网络替换全连接网络进行伪人流热力图的生成和真伪人流热力图的判别，训练过程末，生成器和判别器应维持平衡，且最终均收敛，生成器能生成与真人流热力图一致的伪人流热力图(目标人流量热力图)，而判别器则能分辨真伪人流热力图。图卷积模型利用其强大的特征提取能力来更好的捕捉“时空数据矩阵”与真实人流热力图的分布关系，并通过生成器和判别器的零和博弈训练，获得平衡状态下的生成对抗网络。最终将训练后的生成器作为人流热力图的生成模型生成所需点位的人流热力图并转换为人流数值或人流指数。

实施例二

请参阅图4，图4是本发明实施例公开的一种人流量数据的识别装置的结构示意图。如图4所示，本实施例的人流量数据的识别装置包括第一获取模块410、输入模块420和人流量数据识别模块430，其中：

第一获取模块410，用于获取预设点位的第一时空数据矩阵；

输入模块420，用于将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；

人流量数据识别模块430，用于根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

在一种可能的实现中，所述目标人流量热力图包括多个第一像素点，多个所述第一像素点具有至少两种灰度，各灰度配置有目标权重系数，所述人流量数据识别模块430，包括：

像素值确定单元，用于根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，其中，所述目标像素值与各第一像素点对应的第一目标乘积正相关，所述第一目标乘积为第一像素点的灰度与灰度对应的目标权重系数之间的乘积；

人流量数据识别单元，用于根据所述目标像素值确定所述预设点位的目标人流量数据。

在一种可能的实现中，该装置还包括：

权重系数确定模块，用于获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；

配置各灰度对应的初始权重系数；

根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；

根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；

若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；

若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤。

在一种可能的实现中，至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，权重系数确定模块包括：

第一权重系数确定单元，用于若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系；

和/或，

至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，权重系数确定模块包括：

第二权重系数确定单元，用于若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

在一种可能的实现中，人流量数据识别单元用于获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；

根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据。

可以理解的是，本实施例的装置可以参考上述任一实施例的方法的描述，在此不做赘述。

实施例三

请参阅图5，图5是本发明实施例公开的一种人流量数据识别模型的训练装置的结构示意图。如图5所示，本实施例的人流量数据识别模型的训练装置包括第二获取模块510和训练模块520，其中：

第二获取模块510，用于获取预设点位的真实人流量热力图和第二时空数据矩阵；

训练模块520，用于将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

在一种可能的实现中，所述生成对抗网络包括生成器和判别器，所述训练模块520用于将所述第二时空数据矩阵输入至所述生成器，以得到待判别的人流量热力图；

将所述待判别的人流量热力图和所述真实人流量热力图输入至所述判别器，以得到所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，所述识别损失用于表示所述待判别的人流量热力图与所述真实人流量热力图之间的相似度；

若所述识别损失小于或等于损失阈值，则确定所述人流量数据识别模型训练完成；

若所述识别损失大于所述损失阈值，则通过所述生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失。

在一种可能的实现中，该装置还包括：

去除模块，用于获取所述预设点位的原始图层；

根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图；

该训练模块520，用于将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练。

可以理解的是，本实施例的装置可以参考上述任一实施例的方法的描述，在此不做赘述。

实施例四

请参阅图6，图6是本发明实施例公开的又一种人流量数据的识别装置的结构示意图。如图6所示，该人流量数据的识别装置可以包括：

存储有可执行程序代码的存储器601；

与存储器601耦合的处理器602；

处理器602调用存储器601中存储的可执行程序代码，执行本发明实施例一所描述的人流量数据的识别方法中的步骤。

实施例五

请参阅图7，图7是本发明实施例公开的又一种人流量数据识别模型的训练装置的结构示意图。如图7所示，该人流量数据识别模型的训练装置可以包括：

存储有可执行程序代码的存储器701；

与存储器701耦合的处理器702；

处理器702调用存储器701中存储的可执行程序代码，执行本发明实施例一所描述的人流量数据的识别方法中的步骤。

实施例六

本发明实施例公开了一种计算机可存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一所描述的方法中的步骤。

实施例七

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的方法中的步骤。

以上所描述的装置实施例仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹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。

最后应说明的是：本发明实施例公开的一种人流量数据的识别方法、人流量数据识别模型的训练方法及其装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种人流量数据的识别方法，其特征在于，所述方法包括：

获取预设点位的第一时空数据矩阵；

将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；

根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

2.根据权利要求1所述的方法，其特征在于，所述目标人流量热力图包括多个第一像素点，多个所述第一像素点具有至少两种灰度，各灰度配置有目标权重系数，所述根据所述目标人流量热力图确定所述预设点位的目标人流量数据，包括：

根据各第一像素点的灰度和各灰度对应的目标权重系数，确定所述目标人流量热力图的目标像素值，其中，所述目标像素值与各第一像素点对应的第一目标乘积正相关，所述第一目标乘积为第一像素点的灰度与灰度对应的目标权重系数之间的乘积；

根据所述目标像素值确定所述预设点位的目标人流量数据。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取至少两张真实人流量热力图，各所述真实人流量热力图包括多个第二像素点，多个所述第二像素点具有至少两种灰度；

配置各灰度对应的初始权重系数；

根据各所述真实人流量热力图中的各第二像素点的灰度与各灰度对应的初始权重系数，确定各所述真实人流量热力图的初始像素值，其中，所述初始像素值与各第二像素点对应的第二目标乘积正相关，所述第二目标乘积为所述第二像素点的灰度与灰度对应的初始权重系数之间的乘积；

根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件；

若各灰度对应的初始权重系数满足预设条件，则将各灰度对应的初始权重系数作为各灰度对应的目标权重系数；

若各灰度对应的初始权重系数不满足预设条件，则重新执行配置各灰度对应的初始权重系数的步骤。

4.根据权利要求3所述的方法，其特征在于，至少两张所述真实人流量热力图是通过对至少两个预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与第二关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第一关系为至少两张所述真实人流量热力图分别对应的初始像素值的关系，所述第二关系为至少两个预设点位分别对应的真实人流量数据之间的关系；

和/或，

至少两张所述真实人流量热力图是通过在至少两个时刻对同一预设点位进行采集得到的，所述根据各所述真实人流量热力图的初始像素值确定各灰度对应的初始权重系数是否满足预设条件，包括：

若第一关系与三关系相匹配，则确定各灰度对应的初始权重系数满足预设条件，所述第三关系为至少两个时刻分别对应的真实人流量数据之间的关系。

5.根据权利要求3或4所述的方法，其特征在于，所述根据所述目标像素值确定所述预设点位的目标人流量数据，包括：

获取像素值与人流量数据之间的对应关系，其中，所述对应关系是在各灰度对应的初始权重系数满足预设条件的情况下确定的；

根据所述对应关系，将所述目标像素值对应的人流量数据作为所述目标人流量数据。

6.一种人流量数据识别模型的训练方法，其特征在于，所述方法包括：

获取预设点位的真实人流量热力图和第二时空数据矩阵；

将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

7.根据权利要求6所述的方法，其特征在于，所述生成对抗网络包括生成器和判别器，所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，包括：

将所述第二时空数据矩阵输入至所述生成器，以得到待判别的人流量热力图；

将所述待判别的人流量热力图和所述真实人流量热力图输入至所述判别器，以得到所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失，所述识别损失用于表示所述待判别的人流量热力图与所述真实人流量热力图之间的相似度；

若所述识别损失小于或等于损失阈值，则确定所述人流量数据识别模型训练完成；

若所述识别损失大于所述损失阈值，则通过所述生成器生成新的所述待判别的人流量热力图，并通过所述判别器得到新的所述待判别的人流量热力图与所述真实人流量热力图之间的识别损失。

8.根据权利要求6或7所述的方法，其特征在于，在将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练之前，所述方法还包括：

获取所述预设点位的原始图层；

根据所述预设点位的原始图层对所述真实人流量热力图进行冗余信息去除处理，得到冗余信息去除处理后的所述真实人流量热力图；

所述将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，包括：

将冗余信息去除处理后的所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练。

9.一种人流量数据的识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取预设点位的第一时空数据矩阵；

输入模块，用于将所述第一时空数据矩阵输入至训练完成的人流量数据识别模型中，得到所述预设点位的目标人流量热力图，所述人流量数据识别模型是通过将所述预设点位的第二时空数据矩阵与真实人流量热力图输入至生成对抗网络进行训练得到的；

人流量数据识别模块，用于根据所述目标人流量热力图确定所述预设点位的目标人流量数据。

10.一种人流量数据识别模型的训练装置，其特征在于，所述装置包括：

第二获取模块，用于获取预设点位的真实人流量热力图和第二时空数据矩阵；

训练模块，用于将所述真实人流量热力图和所述第二时空数据矩阵输入至生成对抗网络进行训练，得到训练完成的人流量数据识别模型，所述人流量数据识别模型用于识别所述预设点位的目标人流量数据。

Images