CN117476250B - 基于多目标跟踪的流行病调查预测方法、装置及可读介质 - Google Patents
基于多目标跟踪的流行病调查预测方法、装置及可读介质 Download PDFInfo
- Publication number
- CN117476250B CN117476250B CN202311764347.9A CN202311764347A CN117476250B CN 117476250 B CN117476250 B CN 117476250B CN 202311764347 A CN202311764347 A CN 202311764347A CN 117476250 B CN117476250 B CN 117476250B
- Authority
- CN
- China
- Prior art keywords
- time step
- target
- next time
- scene area
- infectious disease
- 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 57
- 238000011835 investigation Methods 0.000 title claims abstract description 18
- 208000015181 infectious disease Diseases 0.000 claims abstract description 127
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000012678 infectious agent Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011841 epidemiological investigation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005541 medical transmission Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多目标跟踪的流行病调查预测方法、装置及可读介质，涉及图像处理领域，包括：获取目标场景区域的视频数据并进行目标检测以及目标跟踪，得到多目标跟踪结果；基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络；构建当前时间步所对应的传染病动力学模型，若存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型，确定下个时间步的感染者的接触者及其轨迹数据，以解决现有模型无法精确模拟出感染者以及接触者的活动空间的问题。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于多目标跟踪的流行病调查预测方法、装置及可读介质。
背景技术
流行病学调查研究是指对疾病在人群中的分布、影响因素和预防措施等进行的研究。它是一种系统性的方法，旨在揭示疾病在时间和空间上的分布规律，评估健康状况与特定因素之间的关系。目前的流行病学相关系统在使用过程中大量依靠人工采取传统的询问方式获得有关信息，例如：个人信息、发病与就诊、危险因素与暴露史、实验室检测结果、接触者等。同时发生聚集性疫情还须调查病例间的联系，由于个人记忆的不准确性、时间同空间上轨迹数据的不确定性以及场所人员流量信息可能存在着严重的数据缺失，无法很好地为描述性/分析性流行病学防控及卫生部门科学决策做出较为准确的基础性数据支撑。同时，接触者由于实际场景中的环境因素较为复杂、感染曝光概率无法定量计算，仅可以简单判定传播来源，同时传播链条的确定具有高度复杂的特性，人工调查在老旧小区等场景下，无法通过新型物联网设备对场景中人员出行数据进行取样调查。传统研究长期使用简单微分方程建立传染病传播的数学模型无法精确模拟出感染者以及接触者的活动空间，即联系参数和感染参数通常假设是外生的，但社会行为可能会改变这些参数。不同群体之间的联系也是不同的，传统模型无法模拟有着不同的感染风险的不同群体，现有流行病学研究无法具体描述真实的具有明显异质性的大尺度社会网络，对局部人群中传染病的流行趋势中基本再生数等参数无法精准预测。
目前大多使用SIR（Susceptible-infected-recovered）建立模型，该模型存在以下缺点：均匀混合假设，即假设处于同一仓室的个体是完全接触的，他们被任何一个感染者感染的概率是相同的，当在一定地理范围内随机匹配时，这对于单个的小规模人群来说或许可行，但人群规模较大时，人与人的关系具有明显的个体倾向时，这一假设就会失效。现有预测大尺度传染病的模型基本上是以多种群模型（Metapopulation Model）为框架、相对粗糙的宏观模型，因此有必要建立基于个体模拟的更为精细的大尺度传染病模型，研究其轨迹移动、传播链条等问题。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于多目标跟踪的流行病调查预测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本发明提供了一种基于多目标跟踪的流行病调查预测方法，包括以下步骤：
获取目标场景区域的视频数据，将视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，目标检测结果中包含目标场景区域中出现的所有人员，采用目标跟踪算法对目标检测结果进行目标跟踪，得到多目标跟踪结果，多目标跟踪结果中包含目标场景区域中出现的所有人员的轨迹数据；
基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络；
构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型；
根据下个时间步所对应的传染病动力学模型确定下个时间步的感染者的接触者，并获取感染者的接触者在下个时间步的轨迹数据。
作为优选，目标检测模型包括YOLOv4模型，目标跟踪算法包括Deepsort算法，传染病动力学模型包括随机SEIR模型。
作为优选，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型，具体包括：
根据感染者在下个时间步的轨迹数据和下个时间步对应的接触网络统计下个时间步对应的目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量以及目标场景区域中的所有人员的数量；
根据目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量以及目标场景区域中的所有人员的数量计算出传染系数，公式如下：
；
其中，表示传染系数，/>表示每一帧图像中目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量，/>表示下个时间步内所包含的图像的帧数，/>表示下个时间步所在的时间段，/>表示每一帧图像中所检测出的所有人员的数量；
获取流行病的实际数据所拟合出的感染率，根据传染系数和感染率计算得到传染概率，公式如下：
；
其中，表示实际数据所拟合出的感染率，/>表示传染概率；
将传染概率输入当前时间步的传染病动力学模型中，得到下一时间步的传染病动力学模型。
作为优选，基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络，具体包括：
根据每个时间步的多目标跟踪结果计算两个个体之间的空间距离；
根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系；
将满足接触关系的个体连接起来形成接触网络，得到每个时间步所对应的接触网络。
作为优选，接触网络为由节点和边所构成的无向图，节点表示个体，边表示相邻两个个体之间的接触关系。
作为优选，根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系，具体包括：
接触网络中的节点与其他任一个节点之间满足接触关系的概率为：
；
其中，表示其他任一个节点与节点/>之间的空间距离，/>分别表示调节接触网络的度分布的参数和边长分布的参数，/>表示某个时间点，/>表示节点/>的度数，即与节点/>相连的边的数量，~表示服从某种概率分布；
判断概率是否大于或等于概率阈值，若是则确定其他任一个节点与节点之间满足接触关系，否则不满足接触关系。
作为优选，还包括：根据每个时间步的接触网络生成对应的热力图。
.第二方面，本发明提供了一种基于多目标跟踪的流行病调查预测装置，其特征在于，包括：
目标跟踪模块，被配置为获取目标场景区域的视频数据，将视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，目标检测结果中包含目标场景区域中出现的所有人员，采用目标跟踪算法对目标检测结果进行目标跟踪，得到多目标跟踪结果，多目标跟踪结果中包含目标场景区域中出现的所有人员的轨迹数据；
接触网络构建模块，被配置为基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络；
传染病动力学模型构建模块，被配置为构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型；
接触者确定模块，被配置为根据下个时间步所对应的传染病动力学模型确定下个时间步的感染者的接触者，并获取感染者的接触者对应的轨迹数据。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
.第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的基于多目标跟踪的流行病调查预测方法采取目标检测、多目标跟踪及数据关联技术记录时间、空间上的人员的轨迹数据以及人员流量信息，将机器视觉技术应用到传染病动力学模型的网络模型当中，以此调查病例间的联系，利用轨迹数据便于计算两个个体之间的空间距离，能够更加准确的确定接触者。
（2）本发明提出的基于多目标跟踪的流行病调查预测方法结合传染病动力学模型中随机型SEIR模来抽象地描述人群的空间结构，将人员出行的定量统计规律引入随机SEIR模型。使用接触网络描述了该人群内部的群体结构（Population structure），通过描述人际接触网络的结构和特性，以更准确地理解传染病的传播过程，同时还可以允许接触网络随时间进行随机演化，以描述个体之间动态的接触过程。通过定义网络节点的动力学行为过程（即宿主对病因的响应方式），就可以模拟传染病通过这种接触过程在网络中传播，即可得到人群所对应的接触网络。通过动态演化的接触网络结合多目标检测结果计算出传染系数，通过该传染系数对实际数据所拟合出的感染率进行修正，以得到传染概率，并代入随机SEIR模型中，以得到更加准确的符合目标检测场景下个时间步的传染病动力学模型。
（3）本发明提出的基于多目标跟踪的流行病调查预测方法对硬件要求较低、高效实时、可拓展性强，可较好地满足对场景中人员出行数据进行在线取样调查的条件。当发生疫情紧急状况时，可即时调取人员出行轨迹、距离分布、停留时间等数据。同时结合后端生成的轨迹，可利用机器人等自动化设备进行消杀，减少人力物力的不必要消耗。
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要介绍，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，对于本领域的普通技术人员来讲，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是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的基于多目标跟踪的流行病调查预测方法的流程示意图；
图3为本申请的实施例的基于多目标跟踪的流行病调查预测方法的多目标跟踪结果的示意图，其中，表示目标检测场景中人员时空三维轨迹，/>表示三维空间中的时间维度，/>表示三维空间中的空间维度，/>表示三维空间中的属性维度；
图4为本申请的实施例的基于多目标跟踪的流行病调查预测方法的接触网络的示意图；
图5为本申请的实施例的基于多目标跟踪的流行病调查预测方法的随机SEIR模型的示意图；
图6为本申请的实施例的基于多目标跟踪的流行病调查预测方法的热力图的示意图；
图7为本申请的实施例的基于多目标跟踪的流行病调查预测装置的示意图；
图8是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
.图1示出了可以应用本申请实施例的基于多目标跟踪的流行病调查预测方法或基于多目标跟踪的流行病调查预测装置的示例性装置架构100。
.如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
.用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
.服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于多目标跟踪的流行病调查预测方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，基于多目标跟踪的流行病调查预测装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
.图2示出了本申请的实施例提供的一种基于多目标跟踪的流行病调查预测方法，包括以下步骤：
S1，获取目标场景区域的视频数据，将视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，目标检测结果中包含目标场景区域中出现的所有人员，采用目标跟踪算法对目标检测结果进行目标跟踪，得到多目标跟踪结果，多目标跟踪结果中包含目标场景区域中出现的所有人员的轨迹数据。
在具体的实施例中，目标检测模型包括YOLOv4模型，目标跟踪算法包括Deepsort算法。
具体的，从监控设备中获取用于实时目标场景区域的摄像头的视频数据。通过使用YOLOv4模型和Deepsort算法等深度学习技术可以对视频数据中的多个人员进行识别和跟踪。在具体的实施例中，首先通过YOLOv4模型对目标场景区域中的人员进行目标检测，识别到目标，并为其分配唯一的标识号，同时通过Deepsort算法对检测到的目标结果进行关联，将检测到的目标结果从bbox转换成目标框，使用卡尔曼滤波器对前一帧图像的目标状态进行预测，得到预测位置。将当前帧图像中的目标位置与卡尔曼滤波器得到的预测位置进行关联，即可实现目标的关联。卡尔曼滤波器可通过结合先前的目标状态估计和当前的观测信息提供对目标当前状态的更准确的估计。针对前一帧图像中的目标框与其关联的当前帧图像中的目标框以及前一帧图像的目标的轨迹数据与其关联的当前帧图像中的目标的轨迹数据，使用基于外观信息的马氏距离计算它们之间的相似性，并使用计算得到的马氏距离作为代价矩阵的元素。代价矩阵的大小为 N×M，其中，N 是轨迹数据的数量，M 是检测的目标的数量，然后相继进行级联匹配和IOU匹配，最后得到当前帧图像与前一帧图像中的所有匹配成功的轨迹数据、未匹配的轨迹数据以及未匹配的目标框，对于每个匹配成功的轨迹数据，用其对应的目标框进行更新，并处理未匹配的轨迹数据和目标框。总的来说，就是使用YOLOv4模型检测目标场景区域中的人员，并使用Deepsort算法追踪这些目标的运动状态，获取它们在不同时间步的位置信息、速度、轨迹数据等。从Deepsort算法的输出的轨迹数据中提取目标的位置信息，根据实际场景转换为物理坐标，如图3所示。确保目标的位置信息与时间同步，在构建接触网络时通常需要考虑两个个体之间的接触关系发生的时间顺序。
本申请的实施例中使用的基于YOLOv4的目标检测模型使用了全新的训练方式进行候选框的筛选，即采用整个图像来训练模型，并且可以一次性预测多个检测框的位置和类别。同时由于YOLOv4模型做到了端到端目标识别，做到图像输入后经过单步骤执行输出识别结果，更好地有利于系统部署在社区设备上。
在多目标跟踪过程中，DeepSORT算法使用卡尔曼滤波器与匀速运动和线性观测模型，把边界坐标作为直接观察目标场景区域中人员的状态。其中使用到的跟踪估计器是SORT算法的原始组成部分，根据之前目标的速度，利用卡尔曼滤波算法预测边界框的位置，而达到跟踪的目的。
同时DeepSORT算法使用卷积神经网络（Convolutional Neural Network）提取外观信息来得到外观描述，使用特征提取的方式以确定目标。在模型更新时，通过所检测的边界框与预测边界框的边界间交并(Intersection Over Union，IoU)的距离来衡量准确上一步参数的准确度。
数据关联使用位置度量和外观度量将检测到的边界框分配到对象的现有轨迹。每个现有的轨迹对应一个对象的唯一标识号。如果新检测到的边界框不能与坐标系中的任何轨迹相关联，将其作为试运行轨迹，并将尝试在后续是否能将试运行轨迹与其他轨迹相关联。如果关联成功，则更新目标跟踪结果。否则，试运行轨迹将被移除。
S2，基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络。
在具体的实施例中，基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络，具体包括：
根据每个时间步的多目标跟踪结果计算两个个体之间的空间距离；
根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系；
将满足接触关系的个体连接起来形成接触网络，得到每个时间步所对应的接触网络。
在具体的实施例中，接触网络为由节点和边所构成的无向图，节点表示个体，边表示相邻两个个体之间的接触关系。
在具体的实施例中，根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系，具体包括：
接触网络中的节点i与其他任一个节点之间满足接触关系的概率为：
；
其中，表示其他任一个节点与节点/>之间的空间距离，/>分别表示调节接触网络的度分布的参数和边长分布的参数，/>表示某个时间点，/>表示节点/>的度数，即与节点/>相连的边的数量，~表示服从某种概率分布；
判断概率是否大于或等于概率阈值，若是则确定其他任一个节点与节点之间满足接触关系，否则不满足接触关系。
具体的，参考图4，接触网络的分析过程如下：令分别代表个体/>的速度和运动角度，方向更新由下式可得：
；
其中，代表第/>个个体/>时刻在目标场景区域的运动距离，/>代表/>个节点在某个时间点/>上均匀分布的独立随机变量。
将该接触网络定义到一个具有周期边界条件的二维矩形区域平面上。每个个体都可以用接触网络中的一个节点来代表，节点通过一个度分布为的网络连接起来，/>这表示一个节点的度数为 />的概率。每个节点/>在该平面上被随机赋予一个坐标/>，其中/>是从区间/>生成的服从独立分布的随机数。初始时，接触网络中具有/>个节点且所有节点随机分布在单位平面上。当新节点加入到接触网络中并选择与接触网络中的节点/>相连的概率为/>，根据该概率确定新节点与节点/>是否满足接触关系，将满足接触关系的个体连接起来，形成接触网络。这个接触网络可以是无向图，其中节点表示目标，边表示两个个体之间的接触关系。同时进行分析以识别接触频繁的区域或个体。
从上面的分析可知，接触网络的度分布和边长分布可以通过参数
和 独立地调节，这一特性为模拟人员的出行过程提供了方便，从而能够动态的演化接触网络的网络结构。如果让个体在接触网络中随机行走，那么接触网络的边长分布就可以用来代表个体的空间距离分布。例如，在研究防控策略时，因此可以固定/>使得网络的度分布服从幂律分布，通过调节/>来改变边长分布，而/>可基于经验或领域知识进行设置。
“接触”通常指的是物体之间的相对关系，即物体之间是否发生了相互接触或碰撞。通过分析视频帧中目标的位置信息和运动轨迹，判断它们是否接触或相交。这种接触关系在目标跟踪中是重要的上下文信息，有助于更准确地理解目标场景区域中传染病的传播途径与路径。
S3，构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型。
在具体的实施例中，传染病动力学模型包括随机SEIR模型。
在具体的实施例中，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型，具体包括：
根据感染者在下个时间步的轨迹数据和下个时间步对应的接触网络统计下个时间步对应的目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量以及目标场景区域中的所有人员的数量；
根据目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量以及目标场景区域中的所有人员的数量计算出传染系数，公式如下：
；
其中，表示传染系数，/>表示每一帧图像中目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量，/>表示下个时间步内所包含的图像的帧数，/>表示下个时间步所在的时间段，/>表示每一帧图像中所检测出的所有人员的数量；
获取流行病的实际数据所拟合出的感染率，根据传染系数和感染率计算得到传染概率，公式如下：
；
其中，表示实际数据所拟合出的感染率，/>表示传染概率；
将传染概率输入当前时间步的传染病动力学模型中，得到下一时间步的传染病动力学模型。
具体的，在传染病动力学模型中，长期以来主要使用的数学模型是常微分方程构建的“仓室”（Compartment）模型。在确定传染病动力学模型的传播参数时，如传染概率、发病概率、移出概率等，由于传染病的实际传播过程存在不确定性，且传染病病例数据也会存在误报、漏报、迟报等误差，参数准确度不高。同时在实际应用过程中并不是参数越多、模型越精确，模型的计算值需要与历史数据拟合且参数应当控制在合理的范围之内。当前广泛在实际应用中基于SIR模型（Susceptible-infected-recovered）的SEIR模型的优点是模型简单、参数较少，在应用中可以确保模型的稳定。其针对某类传染病将该地区的人群分为以下三类：
易感者（susceptible）类，其数量记为S(t)，表示t时刻未染病但有可能被该类疾病传染的人数。
染病者（infectives）类，其数量记为I(t)，表示t时刻已被感染成病人而具有传染力的人数。
移出者（removed）类，其数量记为R(t),表示t时刻已从染病者类移出的人数。
潜伏者（exposed）类，其数量记为E(t),表示t时刻处于潜伏期的人数。
为了在个体层次描述传染病规律，将引入随机过程后可得到如图5所示的随机SEIR模型，假设在t时中易感者与感染者接触，则以概率成为潜伏者；潜伏者以概率成为感染者，感染者以/>的概率被移出，表达式如下：
从以上分析可初步确定该传染病的传播参数的组成，并通过实际病例数据的拟合来确定传播参数，传播参数包括传染概率、发病概率/>、移出概率/>等。这些参数的准确性对于模型的计算结果至关重要。其中，对于传染概率/>，在基于实际数据所拟合出的感染率的基础上，结合时空变换下的轨迹数据和接触网络计算出一个实时的传染概率。其中，传染系数w是随着时间的变化，为与感染者之间的空间距离小于距离阈值的累计人数与累计人员总数之比。但仅仅通过该模型无法满足在实际应用过程的需要，因此通过目标跟踪算法输出的轨迹数据动态更新接触网络，并将随机SEIR模型接入动态更新的接触网络，可实时的获取人员之间的群体结构，以更好地模拟基于个体的传染病传播过程。
具体的过程如下：
首先，随机SEIR模型接入个体间的初始的接触网络和实际传染病拟合出的初始参数，同时在随机SEIR模型中引入初始状态，包括易感者、潜伏者、感染者和康复者，可以根据场景中的实际情况来设置初始条件。
随后，运行随机SEIR模型进行传播模拟流行病在当前时间步的传播过程。同时在模拟的过程中，监测当前时间步中感染者的数量和时空分布。在确定感染者之后，获取感染者的唯一标识号及下个时间步的轨迹数据。
接着，统计下个时间步对应的目标场景区域中与感染者的空间距离小于距离阈值的所有人员的数量以及目标场景区域中的所有人员的数量，并计算出传染系数。
最后将传染系数与传染病的实际数据所拟合出的感染率相乘得出传染概率，再将传染概率传入随机SEIR模型，得到下一个时间步的随机SEIR模型，采用下一个时间步的随机SEIR模型进行进一步的模拟。
当随机SEIR模型中接入接触网络，接触网络的结构直接影响了随机SEIR模型中的个体之间的接触和传播关系。随机SEIR模型的参数可以从接触网络的信息中获得或设定。接触网络被用于构建随机SEIR模型的接触结构，从而模拟传染病在人群中的传播过程。接触网络用于表示感染传播的直接路径，接触结构更广义，可能包含了更多关于人群中各种关系的信息。随机SEIR模型的动态调整，包括感染者的时空变换下的接触结构以及传染概率。
S4，根据下个时间步所对应的传染病动力学模型确定下个时间步的感染者的接触者，并获取感染者的接触者对应的轨迹数据。
具体的，根据目标的位置信息计算两个个体之间的空间距离，该空间距离可以使用欧氏距离或其他适当的距离度量来表示，并设定距离阈值，该距离阈值通常由卫生部门指导设定，以确保人员之间的安全距离。例如，在防疫期间，社交距离通常被设置为一定的阈值，如1米或2米。对于两个个体，检测它们之间的空间距离是否小于设定的距离阈值。如果小于距离阈值，则认为存在接触情况。根据一定的距离阈值定义两个个体之间是否存在接触关系。如果两个个体之间的空间距离小于设定距离阈值，可以认为它们之间存在接触关系。
具体的，在确定下个时间步所对应的传染病动力学模型之后，根据其模拟结果确定下个时间步的感染者的接触者，进一步获取到下个时间步的接触者的轨迹数据，即完成的预测过程。
在具体的实施例中，还包括：根据每个时间步的接触网络生成对应的热力图。
参考图6，根据场景中人员在研究场景中经过地理坐标的频率生成热力图；生成热力图通常需要以下步骤，尤其是在考虑了动态调整的接触网络：
1、获取网络数据：从动态调整后的接触网络中获取数据，包括节点和边的信息。这可能包括节点的位置、边的权重（表示接触强度或频率）、节点属性等。
2、选择热力图参数： 确定生成热力图时需要考虑的参数。这可能包括节点的度（连接数量）、节点的属性值、边的权重等。选择适当的参数将有助于反映接触网络的特征。
3、数据准备：根据选择的参数，准备相应的数据。如果使用节点的度作为参数，那么每个节点的度信息将是关键数据。如果使用节点的属性值，确保节点属性数据是可用的。
通过以上热力图对人员接触关系进行可视化，以便于更好的进行防控。
以上步骤S1-S4并不仅仅代表步骤之间的顺序，而是步骤符号表示，其顺序可进行调整。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种基于多目标跟踪的流行病调查预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于多目标跟踪的流行病调查预测装置，包括：
目标跟踪模块1，被配置为获取目标场景区域的视频数据，将视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，目标检测结果中包含目标场景区域中出现的所有人员，采用目标跟踪算法对目标检测结果进行目标跟踪，得到多目标跟踪结果，多目标跟踪结果中包含目标场景区域中出现的所有人员的轨迹数据；
接触网络构建模块2，被配置为基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络；
传染病动力学模型构建模块3，被配置为构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型；
接触者确定模块4，被配置为根据下个时间步所对应的传染病动力学模型确定下个时间步的感染者的接触者，并获取感染者的接触者对应的轨迹数据。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机装置800包括中央处理单元（CPU）801和图形处理器（GPU）802，其可以根据存储在只读存储器（ROM）803中的程序或者从存储部分809加载到随机访问存储器（RAM）804中的程序而执行各种适当的动作和处理。在RAM 804中，还存储有计算机装置800操作所需的各种程序和数据。CPU 801、GPU802、ROM 803以及RAM 804通过总线805彼此相连。输入/输出（I/O）接口806也连接至总线805。
以下部件连接至I/O接口806：包括键盘、鼠标等的输入部分807；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分808；包括硬盘等的存储部分809；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分810。通信部分810经由诸如因特网的网络执行通信处理。驱动器811也可以根据需要连接至I/O接口806。可拆卸介质812，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器811上，以便于从其上读出的计算机程序根据需要被安装入存储部分809。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分810从网络上被下载和安装，和/或从可拆卸介质812被安装。在该计算机程序被中央处理单元（CPU）801和图形处理器（GPU）802执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标场景区域的视频数据，将视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，目标检测结果中包含目标场景区域中出现的所有人员，采用目标跟踪算法对目标检测结果进行目标跟踪，得到多目标跟踪结果，多目标跟踪结果中包含目标场景区域中出现的所有人员的轨迹数据；基于多目标跟踪结果构建目标场景区域中出现的人员在每个时间步所对应的接触网络；构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取感染者在下个时间步的轨迹数据，根据感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型；根据下个时间步所对应的传染病动力学模型确定下个时间步的感染者的接触者，并获取感染者的接触者在下个时间步的轨迹数据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于多目标跟踪的流行病调查预测方法，其特征在于，包括以下步骤：
获取目标场景区域的视频数据，将所述视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，所述目标检测结果中包含所述目标场景区域中出现的所有人员，采用目标跟踪算法对所述目标检测结果进行目标跟踪，得到多目标跟踪结果，所述多目标跟踪结果中包含所述目标场景区域中出现的所有人员的轨迹数据；
基于所述多目标跟踪结果构建所述目标场景区域中出现的人员在每个时间步所对应的接触网络，具体包括：
根据每个时间步的多目标跟踪结果计算两个个体之间的空间距离；
根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系；
将满足接触关系的个体连接起来形成接触网络，得到每个时间步所对应的接触网络；
构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在所述目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取所述感染者在下个时间步的轨迹数据，根据所述感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型，具体包括：
根据所述感染者在下个时间步的轨迹数据和下个时间步对应的接触网络统计下个时间步对应的所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量以及所述目标场景区域中的所有人员的数量；
根据所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量以及所述目标场景区域中的所有人员的数量计算出传染系数，公式如下：
其中，w表示传染系数，δa表示每一帧图像中所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量，i表示下个时间步内所包含的图像的帧数，T表示下个时间步所在的时间段，δ表示每一帧图像中所检测出的所有人员的数量；
获取流行病的实际数据所拟合出的感染率，根据所述传染系数和感染率计算得到传染概率，公式如下：
pi.s-e＝p*w；
其中，p表示实际数据所拟合出的感染率，pi.s-e表示传染概率；
将所述传染概率输入当前时间步的传染病动力学模型中，得到下一时间步的传染病动力学模型；
根据下个时间步所对应的传染病动力学模型确定下个时间步的所述感染者的接触者，并获取所述感染者的接触者对应的轨迹数据。
2.根据权利要求1所述的基于多目标跟踪的流行病调查预测方法，其特征在于，所述目标检测模型包括YOLOv4模型，所述目标跟踪算法包括Deepsort算法，所述传染病动力学模型包括随机SEIR模型。
3.根据权利要求1所述的基于多目标跟踪的流行病调查预测方法，其特征在于，所述接触网络为由节点和边所构成的无向图，所述节点表示个体，所述边表示相邻两个所述个体之间的接触关系。
4.根据权利要求3所述的基于多目标跟踪的流行病调查预测方法，其特征在于，所述根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系，具体包括：
所述接触网络中的节点i与其他任一个节点之间满足接触关系的概率为：
其中，d表示其他任一个节点与节点i之间的空间距离，α,τ分别表示调节所述接触网络的度分布的参数和边长分布的参数，t表示某个时间点，ki表示节点i的度数，即与节点i相连的边的数量，～表示服从某种概率分布；
判断所述概率是否大于或等于概率阈值，若是则确定其他任一个节点与节点i之间满足接触关系，否则不满足接触关系。
5.根据权利要求1所述的基于多目标跟踪的流行病调查预测方法，其特征在于，还包括：根据每个时间步的接触网络生成对应的热力图。
6.一种基于多目标跟踪的流行病调查预测装置，其特征在于，包括：
目标跟踪模块，被配置为获取目标场景区域的视频数据，将所述视频数据中的每一帧图像输入目标检测模型，得到目标检测结果，所述目标检测结果中包含所述目标场景区域中出现的所有人员，采用目标跟踪算法对所述目标检测结果进行目标跟踪，得到多目标跟踪结果，所述多目标跟踪结果中包含所述目标场景区域中出现的所有人员的轨迹数据；
接触网络构建模块，被配置为基于所述多目标跟踪结果构建所述目标场景区域中出现的人员在每个时间步所对应的接触网络，具体包括：
根据每个时间步的多目标跟踪结果计算两个个体之间的空间距离；
根据每个时间步的两个个体之间的空间距离确定两个个体之间是否满足接触关系；
将满足接触关系的个体连接起来形成接触网络，得到每个时间步所对应的接触网络；
传染病动力学模型构建模块，被配置为构建当前时间步所对应的传染病动力学模型，采用当前时间步所对应的传染病动力学模型模拟流行病在所述目标场景区域中的当前时间步的传播过程，响应于确定在当前时间步的传播过程中存在感染者，则获取所述感染者在下个时间步的轨迹数据，根据所述感染者在下个时间步的轨迹数据和下个时间步所对应的接触网络动态调整当前时间步所对应的传染病动力学模型，得到下个时间步所对应的传染病动力学模型，具体包括：
根据所述感染者在下个时间步的轨迹数据和下个时间步对应的接触网络统计下个时间步对应的所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量以及所述目标场景区域中的所有人员的数量；
根据所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量以及所述目标场景区域中的所有人员的数量计算出传染系数，公式如下：
其中，w表示传染系数，δa表示每一帧图像中所述目标场景区域中与所述感染者的空间距离小于距离阈值的所有人员的数量，i表示下个时间步内所包含的图像的帧数，T表示下个时间步所在的时间段，δ表示每一帧图像中所检测出的所有人员的数量；
获取流行病的实际数据所拟合出的感染率，根据所述传染系数和感染率计算得到传染概率，公式如下：
pi.s-e＝p*w；
其中，p表示实际数据所拟合出的感染率，pi.s-e表示传染概率；
将所述传染概率输入当前时间步的传染病动力学模型中，得到下一时间步的传染病动力学模型；
接触者确定模块，被配置为根据下个时间步所对应的传染病动力学模型确定下个时间步的所述感染者的接触者，并获取所述感染者的接触者对应的轨迹数据。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764347.9A CN117476250B (zh) | 2023-12-21 | 2023-12-21 | 基于多目标跟踪的流行病调查预测方法、装置及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764347.9A CN117476250B (zh) | 2023-12-21 | 2023-12-21 | 基于多目标跟踪的流行病调查预测方法、装置及可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117476250A CN117476250A (zh) | 2024-01-30 |
| CN117476250B true CN117476250B (zh) | 2024-03-12 |
Family
ID=89625899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311764347.9A Active CN117476250B (zh) | 2023-12-21 | 2023-12-21 | 基于多目标跟踪的流行病调查预测方法、装置及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117476250B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111477341A (zh) * | 2020-06-18 | 2020-07-31 | 杭州数梦工场科技有限公司 | 一种疫情监测方法、装置、电子设备及存储介质 |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN113851227A (zh) * | 2020-06-28 | 2021-12-28 | 浙江宇视科技有限公司 | 一种人员追踪方法、装置、设备 |
| CN114420306A (zh) * | 2022-01-21 | 2022-04-29 | 腾讯烟台新工科研究院 | 一种传染病密切接触人员追踪系统及方法 |
| CN114496291A (zh) * | 2021-12-31 | 2022-05-13 | 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) | 疫情风险评估方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-12-21 CN CN202311764347.9A patent/CN117476250B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111477341A (zh) * | 2020-06-18 | 2020-07-31 | 杭州数梦工场科技有限公司 | 一种疫情监测方法、装置、电子设备及存储介质 |
| CN113851227A (zh) * | 2020-06-28 | 2021-12-28 | 浙江宇视科技有限公司 | 一种人员追踪方法、装置、设备 |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN114496291A (zh) * | 2021-12-31 | 2022-05-13 | 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) | 疫情风险评估方法、装置、计算机设备及存储介质 |
| CN114420306A (zh) * | 2022-01-21 | 2022-04-29 | 腾讯烟台新工科研究院 | 一种传染病密切接触人员追踪系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于深度学习的疫情传播人群仿真研究";虞高翔;《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》;20230115;全文 * |
| "基于轻量化神经网络的社交距离检测";王林 等;《计算机系统应用》;20230228;第32卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117476250A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rao et al. | Origin-destination pattern estimation based on trajectory reconstruction using automatic license plate recognition data | |
| JP7233807B2 (ja) | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム | |
| Bode et al. | The emergence of macroscopic interactions between intersecting pedestrian streams | |
| Bordallo et al. | Counterfactual reasoning about intent for interactive navigation in dynamic environments | |
| Ludkovski | Bayesian quickest detection in sensor arrays | |
| Poston et al. | A framework for occupancy tracking in a building via structural dynamics sensing of footstep vibrations | |
| Lueck et al. | Who goes there? Using an agent-based simulation for tracking population movement | |
| CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
| Mustafa et al. | Brief review of the mathematical models for analyzing and forecasting transmission of COVID-19 | |
| JP6397380B2 (ja) | 時空間変数予測装置及びプログラム | |
| Bodini et al. | Underdetection in a stochastic SIR model for the analysis of the COVID-19 Italian epidemic | |
| Singh et al. | P2CA-GAM-ID: Coupling of probabilistic principal components analysis with generalised additive model to predict the k− barriers for intrusion detection | |
| Hu | Data assimilation for simulation-based real-time prediction/analysis | |
| Kyriacou et al. | Bayesian traffic state estimation using extended floating car data | |
| CN117476250B (zh) | 基于多目标跟踪的流行病调查预测方法、装置及可读介质 | |
| EP2302571A1 (en) | Method and apparatus for efficiently configuring a motion simulation device | |
| Murari et al. | Combining neural computation and genetic programming for observational causality detection and causal modelling | |
| CN114580623B (zh) | 模型的训练方法、多源多目标数据关联方法及装置 | |
| US20220262524A1 (en) | Parameter-estimation of predictor model using parallel processing | |
| Khider et al. | A novel movement model for pedestrians suitable for personal navigation | |
| CN114068036A (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
| Zhang et al. | The impact of position errors on crowd simulation | |
| Stringer et al. | Causality-aware machine learning for path correction | |
| Nofsinger | Tracking based plume detection | |
| Emambakhsh et al. | Filtering point targets via online learning of motion models |
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 |