CN116777947B - 一种用户轨迹识别预测方法、装置及电子设备 - Google Patents
一种用户轨迹识别预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116777947B CN116777947B CN202310742978.4A CN202310742978A CN116777947B CN 116777947 B CN116777947 B CN 116777947B CN 202310742978 A CN202310742978 A CN 202310742978A CN 116777947 B CN116777947 B CN 116777947B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- track
- prediction model
- track 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 32
- 239000012472 biological sample Substances 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004380 ashing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用户轨迹识别预测方法、装置及电子设备，所述方法包括：获取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。本发明提供的用户轨迹识别预测方法，能够提高用户路线的精准识别，满足行内安全预警的要求。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种用户轨迹识别预测方法、装置及电子设备。
背景技术
基于位置的用户移动轨迹预测是一项重要技术，在日常生活中，人们不断地从一个地方移动到另一个地方，但移动规律各不相同。
目前，通过人脸抓拍设备捕捉人脸照片，基于AI识别技术识别人员所在位置。由于摄像机所在位置不是人员位置，是摄像机镜头拍摄区域，拍摄区域又根据1平米计算单位，有细节划分。现有的技术因为摄像机只能从上对下拍摄，需要不断更正摄像机对照位置，导致AI识别的时候数据可能会丢失，同时因低头抬头等问题，导致轨迹路径不够准确。
发明内容
本发明提供一种用户轨迹识别预测方法、装置及电子设备，用以解决现有技术中由于不断调整摄像机的位置导致用户轨迹识别不够准确的技术问题，以实现通过训练完成的用户轨迹精准化识别预测模型来提高用户轨迹识别的准确性的目的。
第一方面，本发明提供一种用户轨迹识别预测方法，包括：
获取用户的生物特征数据；
将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
进一步，根据本发明提供的用户轨迹识别预测方法，所述将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中之前，包括：
对所述生物特征数据进行缩放、灰化预处理和维度调整处理。
进一步，根据本发明提供的用户轨迹识别预测方法，所述用户轨迹精准化识别预测模型包括分类层和回归分析层，其中，所述分类层用于对框选出的所述多个网格数据进行分值计算和类别确定，得到每个网格数据的分值和类别；
所述回归分析层用于根据输入的分值和类别以及训练得到的权重矩阵对每个网格数据的长宽高进行微调，得到调整后的网格数据；
所述回归分析层还用于根据调整后的网格数据以及所述初步轨迹信息，得到用户的精准化轨迹信息。
进一步，根据本发明提供的用户轨迹识别预测方法，所述遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据，包括：
遍历根据所述生物特征数据得到的特征图上的像素点，以所述像素点为中心生成多个超级参数；
根据所述多个超级参数和所诉像素点得到多个选框；
将所述多个选框确定为多个网格数据。
进一步，根据本发明提供的用户轨迹识别预测方法，所述获取用户的生物特征数据之前，包括：
获取多个用户的生物样本数据；
对所述多个用户的生物样本数据进行预处理和降维度处理，得到多个用户的生物样本特征向量数据；
基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型。
进一步，根据本发明提供的用户轨迹识别预测方法，所述用户轨迹识别预测模型包括卷积层、池化层和全连接层，其中，所述基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型，包括：
步骤S1：利用待训练的用户轨迹识别预测模型对每个用户的生物样本特征向量数据进行卷积层、池化层和全连接层的图像信息提取；
步骤S2：基于所述图像信息提取结果，得到每个用户的轨迹信息；
步骤S3：根据所述每个用户的轨迹信息与所述每个用户的生物样本特征向量数据的标注轨迹信息，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述用户轨迹识别预测模型，利用经过调整的用户轨迹识别预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的用户轨迹识别预测模型。
进一步，根据本发明提供的用户轨迹识别预测方法，所述对所述生物特征数据进行维度调整处理，包括：
对所述生物特征数据进行降维度处理。
第二方面，本发明还提供一种用户轨迹识别预测装置，所述装置包括：
获取模块，用于获取用户的生物特征数据；
输入模块，用于将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历模块，用于遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
得到模块，用于将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
第三方面，本发明还提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求用户轨迹识别预测方法的步骤。
第四方面，本发明还提供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，所述计算机指令使计算机执行如上所述用户轨迹识别预测方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上任一项所述用户轨迹识别预测方法的步骤。
本发明提供一种用户轨迹识别预测方法、装置及电子设备，所述方法包括：获取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。本发明提供的用户轨迹识别预测方法，能够提高用户路线的精准识别，满足行内安全预警的要求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的一种用户轨迹识别预测方法的整体流程示意图；
图2是本发明提供的用户轨迹识别预测方法的具体流程示意图；
图3是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明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。
图1-2为本发明提供的一种用户轨迹识别预测方法的整体流程示意图和具体流程示意图，如图1-图2所示，本发明提供的用户轨迹识别预测方法，包括：
获取用户的生物特征数据；
将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
在本实施例中，需要获取用户的生物特征数据，然后将得到的生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息，其中，本实施例中的用户可以是银行的工作人员，获取方式可以通过摄像机进行获取，生物特征数据可以是银行工作人员的发型、首饰等特征数据，具体可以根据用户的实际需要进行设定，在此不作具体限定。需要说明的是，在将生物特征数据输入预先训练完成的用户轨迹识别预测模型中之前，还需要对生物特征数据进行缩放、灰化预处理和维度调整处理，本实施例中，利用opencv对图片进行缩放和灰化，将RGB3通道降维到单通道，其中，openCV(Open SourceComputer Vision Libray)是一个开源的计算机视觉库，由英特尔公司发起并开发，支持多种编程语言，旨在为计算机视觉领域的研究、开发和应用提供一组通用的工具和算法。
在本实施例中，还需要遍历根据生物特征数据得到的特征图上的像素点，然后根据像素点进行超级参数的设定，对特征图进行框选，然后得到多个网格数据，将得到的多个网格数据以及初步轨迹信息输入到用户轨迹精准化识别预测模型，得到用户的精准化轨迹信息。需要说明的是，用户轨迹精准化识别预测模型是根据多个样本网格数据信息进行训练得到的，对获取的生物特征数据进行网格设置，然后将遍历该特征数据上的像素点，以像素点为中心进行产生对应的超级参数，然后框选出网格数据，具体的训练方式可见下述实施例，在此不作详细介绍。
需要说明的是，本实施例中，假如存在1到100个任务，通过用户轨迹识别预测模块得到的初步轨迹信息则相当于已经完善了90％的任务，但中间可能有断接，然后通过用户轨迹精准化识别预测模型进行端接的开始和结尾、区域继续识别，补充剩余的10％，最后得到的用户轨迹则为精准话的用户轨迹。
根据本发明提供的用户轨迹识别预测方法，通过获取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。本发明提供的用户轨迹识别预测方法，通过对用户轨迹进行精准化处理，能够提高用户路线的精准识别，满足行内安全预警的要求。
基于上述任一实施例，在本发明的另一个实施例中，所述用户轨迹精准化识别预测模型包括分类层和回归分析层，其中，
所述分类层用于对框选出的所述多个网格数据进行分值计算和类别确定，得到每个网格数据的分值和类别；
所述回归分析层用于根据输入的分值和类别以及训练得到的权重矩阵对每个网格数据的长宽高进行微调，得到调整后的网格数据；
所述回归分析层还用于根据调整后的网格数据以及所述初步轨迹信息，得到用户的精准化轨迹信息；
其中，所述遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据，包括：
遍历根据所述生物特征数据得到的特征图上的像素点，以所述像素点为中心生成多个超级参数；根据所述多个超级参数和所诉像素点得到多个选框，将所述多个选框确定为多个网格数据。
在本实施例中，用户轨迹精准化识别预测模型需要进行网格设置，各个区域建议网络，通过网络改善R-cnn、Faste R-cnn的选取候选框带来的时间问题。R-CNN和检测网络共享全图的卷积特征，减少了区域建议的时间。具体的处理方式如下：
首先遍历整个生物特征数据特征图上的像素点，然后以每个像素点为中心产生9个anchor，这9个anchor是一个超级参数，是根据需求进行固定的，一般设定为三个不同的比例和三个不同大小的参数。根据每个像素点以及超级参数选框得到的框，对其根据特征对其进行分类。其中，分类方式主要是采用二分类，判断框选图是前景还是背景，若是背景则取消背景框，剩下的全部是包含检测物体特征的选框，然后对剩下的选框进行再次筛选。
在本实施例中，模型训练时设定一个目标的ground truth，根据这个框的可以对和我们的现存的anchor进行筛选。首先删除框本身重叠度高的，达到稀疏效果，另外有一个IOU参数，代表anchor-box与ground-truth-box之间的重叠度，当IOu大于设定的第一超级参数(一般是0.7)时会保留下来，会保证选取准确的框。另外还有一个小的IOU参数，当IOU小于设定的第二超级参数(一般是0.3)也会留下来，这样通过保证分类训练的样本输入的局部特征，能够保证检测准确识别残失部分图片的信息。
在本实施例中，用户轨迹精准化识别预测模型包括分类层和回归分析层，其中，分类层采用softmax进行分类，求出每个框的分值和类别。然后求回归，训练网络的卷积和全连接层的权重。回归分析层用于对选框进行移动，移动到ground-true box，学习选框的回归参数，对选框进行微调。其中，得到的训练参数，可以根据输入的特征(中心点长宽高对应的卷积特征)和学习到的权重矩阵，对长宽高进行微调。其中，检测的时候没有真实的框，在对候选框进行选择的时候，寻找一个识别度最高的框，然后根绝微调参数进行校准，达到很好的效果。
需要说明的是，线性回归就是给定输入的特征向量X，学习一组参数w，使得经过线性回归后的值跟真实值Y(Ground Truth)非常接近.即Y≈wx。
输入：
Region Proposal→P＝(Px，Py，Pw，Ph)，输入是这个窗口对应的CNN特征，也就是R-CNN中的Pool5feature(特征向量)。(注：训练阶段输入还包括Ground Truth，也就是下边提到的tx＝{tx，ty，tw，th})
输出：
需要进行的平移变换和尺度缩放(dx(P)，dy(P)，dw(P)，dh(P)，或者说是Δx，Δy，Sw，Sh。最终输出是Ground Truth。有了这四个变换我可以直接得到Ground Truth，同时，根据上面4个公式可以知道，P经过(dx(P)，dy(P)，dw(P)，dh(P)，得到的并不是真实值G，而是预测值
通过误差计算，补充路径整个用户轨迹线路。
最后通过训练完成的模型，对整个库区进行网格化，和人物建模，网格为1m×1m。摄像的抓拍计算网格数据，依托横纵坐标，展现工作人员的轨迹信息。
根据本发明提供的用户轨迹识别预测方法，通过用户轨迹精准化识别预测模型的设定，能够对人员轨迹精准定位，满足行业内预警要求，安全生产的要求，满足人员行为规范(包括带入手机等操作)。
基于上述任一实施例，在本发明的另一个实施例中，所述获取用户的生物特征数据之前，包括：
获取多个用户的生物样本数据；
对所述多个用户的生物样本数据进行预处理和降维度处理，得到多个用户的生物样本特征向量数据；
基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型。
在本实施例中，所述用户轨迹识别预测模型包括卷积层、池化层和全连接层，其中，所述基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型，包括：
步骤S1：利用待训练的用户轨迹识别预测模型对每个用户的生物样本特征向量数据进行卷积层、池化层和全连接层的图像信息提取；
步骤S2：基于所述图像信息提取结果，得到每个用户的轨迹信息；
步骤S3：根据所述每个用户的轨迹信息与所述每个用户的生物样本特征向量数据的标注轨迹信息，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述用户轨迹识别预测模型，利用经过调整的用户轨迹识别预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的用户轨迹识别预测模型。
在本实施例中，该用户轨迹识别预测模型为系统基础功能，根据用户门禁的进入库区时间和离开库区时间，去nvr视频流内获取所有相关人员的生物样本特征数据(照片数据)，然后根据时间进行数据组排序，根据该模型得到的初始的人员轨迹并不完整，因为入库后，所有的抓拍相机从不同角度拍摄，入库人员个人的动作行为和动作也会影响人员识别的效果，因此，初始的人员轨迹路线是断续路线。
在本实施例中，获取多个用户的生物样本数据，然后对多个用户的生物样本数据进行预处理和降维度处理，得到多个用户的生物样本特征向量数据，基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型。首先根据AI识别和门禁系统对多张数据建模数据进行数据格式化转译，进行预处理，利用opencv对图片进行缩放和灰化，将RGB3通道降维到单通道，在预处理后进行降维度的处理，将维度调整为126*126，主要考虑的是每层池化层的输入都为偶数，卷积核kernel size为3，那么，输入层126*126-->1卷积层124*124–>1池化层62*62–>2卷积层60*60–>2池化层30*30–>3卷积层28*28–>3池化层14*14，接下来就是全连接，预处理后进行二次识别图片，采用三种循环方式，具体的处理流程如下：
外层循环：
epoch：完整样本训练的次数；
batch：1个样本空间中样本的个数；
有时1个完整的样本空间可能包含大量的样本，这时需要对样本进行分割，分成minibatch，那么完成一次样本训练就需要迭代iteration＝batch/minibatch；minibatch的一种极限情形就是等于1。
中部循环：
filters：某一个卷积层中卷积核的个数，之后再经过池化层后，每一个filter都会对应一个feature map(特征图)。
内部循环：
kernel_size：卷积核的维数，在滑动过程中也会有stride、padding等参数的选取；
label:标签的维数，标签的选取可以自由组合，可以认为每个分类就是一个实数，也可以是种类维度的独热码向量，如果是1*1的实数R，在BP过程可能会简单点，因为均方误差也是一个实数，独热码向量的形式，其实已经被赋予了一定的意义，即每一位代表了样本为该类的可能性(probability)。
在本实施例中，根据上述设定的参数以及方式，步骤S1：利用待训练的用户轨迹识别预测模型对每个用户的生物样本特征向量数据进行卷积层、池化层和全连接层的图像信息提取；
步骤S2：基于所述图像信息提取结果，得到每个用户的轨迹信息；
步骤S3：根据所述每个用户的轨迹信息与所述每个用户的生物样本特征向量数据的标注轨迹信息，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述用户轨迹识别预测模型，利用经过调整的用户轨迹识别预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的用户轨迹识别预测模型，其中，模型训练终止条件可以是模型的准确率为90％，在每次识别预测的准确率达到90％以上后，则停止训练。
需要说明的是，本实施例中分析计算是环境与人员数据结合的计算。例如，人员实际到达过这片区域，但由于其他情况，人员数据没有识别出来，那么通过再次降维度的方式，不段特征值识别，同时结合外围环境数据，对比不全数据，得到用户的初步轨迹。
根据本发明提供的用户提供的用户轨迹识别预测方法，通过多个生物特征样本数据完成用户轨迹识别预测模型的训练，能够提高用户轨迹识别的准确性和便捷性。
图3是本发明提供的一种用户轨迹识别预测装置，所述装置包括：
获取模块301，用于获取用户的生物特征数据；
输入模块302，用于将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历模块303，用于遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
得到模块303，用于将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
根据本发明提供的用户轨迹识别预测装置，通过获取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。本发明提供的用户轨迹识别预测装置，能够提高用户路线的精准识别，满足行内安全预警的要求。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
图3为本发明实施例中提供的电子设备实体结构示意图，如图3所示，本发明提供一种电子设备，包括：处理器(processor)301、存储器(memory)302和总线303；
其中，处理器301、存储器302通过总线303完成相互间的通信；
处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例中所提供的方法，例如包括：取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
本发明实施例中提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行上述各方法实施例中所提供的方法，例如包括：取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例所提供的方法，该方法包括：取用户的生物特征数据；将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以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实施例中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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用户轨迹识别预测方法，其特征在于，包括：
获取用户的生物特征数据；
将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息；
其中，所述用户轨迹精准化识别预测模型包括：
分类层，所述分类层用于对框选出的所述多个网格数据进行分值计算和类别确定，得到每个网格数据的分值和类别；
回归分析层，所述回归分析层用于根据输入的分值和类别以及训练得到的权重矩阵对每个网格数据的长宽高进行微调，得到调整后的网格数据；
所述回归分析层还用于根据调整后的网格数据以及所述初步轨迹信息，得到用户的精准化轨迹信息。
2.根据权利要求1所述的用户轨迹识别预测方法，其特征在于，所述将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中之前，包括：
对所述生物特征数据进行缩放、灰化预处理和维度调整处理。
3.根据权利要求1所述的用户轨迹识别预测方法，其特征在于，所述遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据，包括：
遍历根据所述生物特征数据得到的特征图上的像素点，以所述像素点为中心生成多个超级参数；
根据所述多个超级参数和所诉像素点得到多个选框；
将所述多个选框确定为多个网格数据。
4.根据权利要求1所述的用户轨迹识别预测方法，其特征在于，所述获取用户的生物特征数据之前，包括：
获取多个用户的生物样本数据；
对所述多个用户的生物样本数据进行预处理和降维度处理，得到多个用户的生物样本特征向量数据；
基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型。
5.根据权利要求4所述的用户轨迹识别预测方法，其特征在于，所述用户轨迹识别预测模型包括卷积层、池化层和全连接层，其中，所述基于所述多个用户的生物样本特征向量数据训练用户轨迹识别预测模型，包括：
步骤S1：利用待训练的用户轨迹识别预测模型对每个用户的生物样本特征向量数据进行卷积层、池化层和全连接层的图像信息提取；
步骤S2：基于所述图像信息提取结果，得到每个用户的轨迹信息；
步骤S3：根据所述每个用户的轨迹信息与所述每个用户的生物样本特征向量数据的标注轨迹信息，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述用户轨迹识别预测模型，利用经过调整的用户轨迹识别预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的用户轨迹识别预测模型。
6.根据权利要求2所述的用户轨迹识别预测方法，其特征在于，所述对所述生物特征数据进行维度调整处理，包括：
对所述生物特征数据进行降维度处理。
7.一种用户轨迹识别预测装置，用于执行如权利要求1～6任一所述的用户轨迹识别预测方法，其特征在于，所述装置包括：
获取模块，用于获取用户的生物特征数据；
输入模块，用于将所述生物特征数据输入预先训练完成的用户轨迹识别预测模型中，得到用户的初步轨迹信息；
遍历模块，用于遍历根据所述生物特征数据得到的特征图上的像素点，以像素点进行框选得到多个网格数据；
得到模块，用于将所述多个网格数据以及所述初步轨迹信息输入到训练完成的用户轨迹精准化识别预测模型中，得到用户的精准化轨迹信息；
其中，所述用户轨迹精准化识别预测模型包括：
分类层，所述分类层用于对框选出的所述多个网格数据进行分值计算和类别确定，得到每个网格数据的分值和类别；
回归分析层，所述回归分析层用于根据输入的分值和类别以及训练得到的权重矩阵对每个网格数据的长宽高进行微调，得到调整后的网格数据；
所述回归分析层还用于根据调整后的网格数据以及所述初步轨迹信息，得到用户的精准化轨迹信息。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6中任一项所述用户轨迹识别预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310742978.4A CN116777947B (zh) | 2023-06-21 | 2023-06-21 | 一种用户轨迹识别预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310742978.4A CN116777947B (zh) | 2023-06-21 | 2023-06-21 | 一种用户轨迹识别预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116777947A CN116777947A (zh) | 2023-09-19 |
| CN116777947B true CN116777947B (zh) | 2024-02-13 |
Family
ID=87985470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310742978.4A Active CN116777947B (zh) | 2023-06-21 | 2023-06-21 | 一种用户轨迹识别预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777947B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111860227A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练轨迹规划模型的方法、装置和计算机存储介质 |
| CN112989962A (zh) * | 2021-02-24 | 2021-06-18 | 上海商汤智能科技有限公司 | 轨迹生成方法、装置、电子设备及存储介质 |
| CN113505812A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于双流卷积网络的高压断路器轨迹动作识别方法 |
| CN113610890A (zh) * | 2021-07-02 | 2021-11-05 | 河南橡树智能科技有限公司 | 一种基于多路摄像头的实时人员轨迹二维平面显示方法 |
| CN113947123A (zh) * | 2021-11-19 | 2022-01-18 | 南京紫金体育产业股份有限公司 | 人员轨迹识别方法、系统、存储介质和设备 |
| CN114155720A (zh) * | 2021-11-29 | 2022-03-08 | 上海交通大学 | 一种路侧激光雷达的车辆检测和轨迹预测方法 |
| CN114677611A (zh) * | 2021-03-22 | 2022-06-28 | 腾讯云计算（北京）有限责任公司 | 数据识别方法、存储介质及设备 |
| CN114756669A (zh) * | 2022-04-26 | 2022-07-15 | 未鲲(上海)科技服务有限公司 | 问题意图的智能分析方法、装置、电子设备及存储介质 |
| CN114839981A (zh) * | 2022-04-22 | 2022-08-02 | 杭州群核信息技术有限公司 | 基于室内三维场景的机器人运动轨迹生成方法及存储介质 |
| CN114845913A (zh) * | 2019-12-18 | 2022-08-02 | 祖克斯有限公司 | 基于物体运动的自顶向下场景预测 |
| CN115170607A (zh) * | 2022-06-17 | 2022-10-11 | 中国科学院自动化研究所 | 出行轨迹生成方法、装置、电子设备及存储介质 |
| CN115205330A (zh) * | 2022-06-17 | 2022-10-18 | 中关村科学城城市大脑股份有限公司 | 轨迹信息生成方法、装置、电子设备和计算机可读介质 |
| CN115773744A (zh) * | 2022-11-02 | 2023-03-10 | 阿里巴巴（中国）有限公司 | 模型训练和路网处理方法、装置、设备、介质和产品 |
| CN115830064A (zh) * | 2022-10-24 | 2023-03-21 | 北京邮电大学 | 一种基于红外脉冲信号的弱小目标跟踪方法及装置 |
| CN116187475A (zh) * | 2023-03-16 | 2023-05-30 | 北京京东乾石科技有限公司 | 轨迹预测模型生成方法及装置、模型训练方法及装置 |
| CN116188526A (zh) * | 2022-12-22 | 2023-05-30 | 成都卡诺普机器人技术股份有限公司 | 一种轨迹生成方法、装置、设备及介质 |
-
2023
- 2023-06-21 CN CN202310742978.4A patent/CN116777947B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN114845913A (zh) * | 2019-12-18 | 2022-08-02 | 祖克斯有限公司 | 基于物体运动的自顶向下场景预测 |
| CN111860227A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练轨迹规划模型的方法、装置和计算机存储介质 |
| CN112989962A (zh) * | 2021-02-24 | 2021-06-18 | 上海商汤智能科技有限公司 | 轨迹生成方法、装置、电子设备及存储介质 |
| CN114677611A (zh) * | 2021-03-22 | 2022-06-28 | 腾讯云计算（北京）有限责任公司 | 数据识别方法、存储介质及设备 |
| CN113505812A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于双流卷积网络的高压断路器轨迹动作识别方法 |
| CN113610890A (zh) * | 2021-07-02 | 2021-11-05 | 河南橡树智能科技有限公司 | 一种基于多路摄像头的实时人员轨迹二维平面显示方法 |
| CN113947123A (zh) * | 2021-11-19 | 2022-01-18 | 南京紫金体育产业股份有限公司 | 人员轨迹识别方法、系统、存储介质和设备 |
| CN114155720A (zh) * | 2021-11-29 | 2022-03-08 | 上海交通大学 | 一种路侧激光雷达的车辆检测和轨迹预测方法 |
| CN114839981A (zh) * | 2022-04-22 | 2022-08-02 | 杭州群核信息技术有限公司 | 基于室内三维场景的机器人运动轨迹生成方法及存储介质 |
| CN114756669A (zh) * | 2022-04-26 | 2022-07-15 | 未鲲(上海)科技服务有限公司 | 问题意图的智能分析方法、装置、电子设备及存储介质 |
| CN115170607A (zh) * | 2022-06-17 | 2022-10-11 | 中国科学院自动化研究所 | 出行轨迹生成方法、装置、电子设备及存储介质 |
| CN115205330A (zh) * | 2022-06-17 | 2022-10-18 | 中关村科学城城市大脑股份有限公司 | 轨迹信息生成方法、装置、电子设备和计算机可读介质 |
| CN115830064A (zh) * | 2022-10-24 | 2023-03-21 | 北京邮电大学 | 一种基于红外脉冲信号的弱小目标跟踪方法及装置 |
| CN115773744A (zh) * | 2022-11-02 | 2023-03-10 | 阿里巴巴（中国）有限公司 | 模型训练和路网处理方法、装置、设备、介质和产品 |
| CN116188526A (zh) * | 2022-12-22 | 2023-05-30 | 成都卡诺普机器人技术股份有限公司 | 一种轨迹生成方法、装置、设备及介质 |
| CN116187475A (zh) * | 2023-03-16 | 2023-05-30 | 北京京东乾石科技有限公司 | 轨迹预测模型生成方法及装置、模型训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 自动驾驶场景下基于传感器融合的三维目标检测;李子聪;《全国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》;20220315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116777947A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220092351A1 (en) | Image classification method, neural network training method, and apparatus | |
| WO2020228446A1 (zh) | 模型训练方法、装置、终端及存储介质 | |
| CN110427867B (zh) | 基于残差注意力机制的面部表情识别方法及系统 | |
| CN110909651B (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
| Springenberg et al. | Improving deep neural networks with probabilistic maxout units | |
| CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
| CN118196828A (zh) | 物体识别方法及装置 | |
| KR20200087297A (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
| CN108230354B (zh) | 目标跟踪、网络训练方法、装置、电子设备和存储介质 | |
| CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
| CN111914782A (zh) | 人脸及其特征点的检测方法、装置、电子设备和存储介质 | |
| WO2024032010A1 (zh) | 一种基于迁移学习策略的少样本目标实时检测方法 | |
| CN112580458A (zh) | 人脸表情识别方法、装置、设备及存储介质 | |
| CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
| CN115375781A (zh) | 一种数据处理方法及其装置 | |
| US20220222934A1 (en) | Neural network construction method and apparatus, and image processing method and apparatus | |
| Kabir et al. | Facial expression recognition using CNN-LSTM approach | |
| CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
| CN111144220B (zh) | 适于大数据的人员检测方法、装置、设备和介质 | |
| Panda et al. | Feedback through emotion extraction using logistic regression and CNN | |
| CN116777947B (zh) | 一种用户轨迹识别预测方法、装置及电子设备 | |
| Tripathi | Facial emotion recognition using convolutional neural network | |
| Dsouza et al. | Real Time Facial Emotion Recognition Using CNN | |
| CN116958615A (zh) | 图片识别方法、装置、设备和介质 | |
| CN111611852A (zh) | 一种表情识别模型的训练方法、装置及设备 |
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 |