CN117877100B - 一种行为模式的确定方法、装置、电子设备及存储介质 - Google Patents
一种行为模式的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117877100B CN117877100B CN202410282367.0A CN202410282367A CN117877100B CN 117877100 B CN117877100 B CN 117877100B CN 202410282367 A CN202410282367 A CN 202410282367A CN 117877100 B CN117877100 B CN 117877100B
- Authority
- CN
- China
- Prior art keywords
- track
- target object
- identification code
- determining
- behavior pattern
- 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 55
- 238000003909 pattern recognition Methods 0.000 claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 239
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种行为模式的确定方法、装置、电子设备及存储介质。该方法包括：确定至少一个目标对象轨迹和至少一个标识码轨迹；通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式；根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标行为模式。本发明的技术方案，通过基于隐马尔可夫模型训练的行为模式识别模型对目标对象轨迹以及标识码轨迹进行行为模式识别，并结合电像计算确定目标行为模式，实现高效、准确、自动优化的时空汇集行为模式的识别。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种行为模式的确定方法、装置、电子设备及存储介质。
背景技术
电像计算是指收集IMSI、IMEI等智能终端感知源的数据与用于标识人员的面部图像、用于标识车牌号的车辆图像等图像数据，经过后台大数据和人工智能系统的分析，建立起不同感知设备捕获的不同模态数据之间的关联关系。从设备端获取到的时空轨迹数据，只存在轨迹点时间和空间信息，而在轨迹关联、轨迹补全、轨迹预测等下游算法课题中，单纯分析单个轨迹点的信息难以符合现实场景的信息。需要从轨迹整体进行分析，获取轨迹的行为模式，才能在相关应用中得到切实有效的信息。
现有的行为模式识别技术主要是分为基于聚类的行为模式识别和基于时空约束的行为模式识别。这些方法存在一定的局限性，基于聚类的行为模式识别，在实际应用中聚类参数调参困难，并且对异常值敏感导致影响整体效果。基于时空约束的行为模式识别，依赖于人为经验，在大数据场景下关联精度低，并难以通过后续数据自动优化。
发明内容
本发明提供了一种行为模式的确定方法、装置、电子设备及存储介质，以实现高效、准确、自动优化的时空汇集行为模式的识别。
第一方面，本发明实施例提供了一种行为模式的确定方法，该方法包括：
确定至少一个目标对象轨迹和至少一个标识码轨迹；
通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式；
其中，所述行为模式包括运动和静止；
根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式。
第二方面，本发明实施例还提供了一种行为模式的确定装置，该装置包括：
轨迹确定模块，用于确定至少一个目标对象轨迹和至少一个标识码轨迹；
模型确定模块，用于通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，其中，所述行为模式包括运动和静止；
行为模型确定模块，用于根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的行为模式的确定方法。
第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的行为模式的确定方法。
本发明实施例的技术方案，通过隐马尔可夫模型对目标对象轨迹以及标识码轨迹进行行为模式的识别，结合电像计算，实现高效、准确、自动优化的时空汇集行为模式的识别。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是本发明实施例一提供的一种行为模式的确定方法的流程图；
图2是本发明实施例二提供的一种行为模式的确定方法的流程图；
图3是本发明具体适用场景提供的一种行为模式识别的流程图；
图4是本发明具体适用场景提供的一种目标对象行为模式为运动状态下的模型优化的流程图；
图5是本发明实施例三提供的一种行为模式的确定装置的结构示意图；
图6是本发明实施例四提供的电子设备的结构示意图。
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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，包含了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。
实施例一
图1为本发明实施例一提供了一种行为模式的确定方法的流程图，本实施例可适用于行为模式的确定情况，该方法可以由行为模式的确定装置来执行，该行为模式的确定装置可以采用硬件和/或软件的形式实现，该行为模式的确定装置可配置于任何具有网络通信和计算的电子设备中。
如图1所示，该方法包括：
S110、确定至少一个目标对象轨迹和至少一个标识码轨迹。
本申请实施例中，目标对象可以是一个用于标识人员的面部图像或用于标识车牌号的车辆图像等。标识码是一种用于表示和识别特定信息的编码系统，该编码系统可以用数字、字母或符号等形式表示，通常与特定的实体、组织、人员、物品或行为相关联。
本实施例中，标识码可以是一个标识移动终端设备的IMSI（InternationalMobile Subscriber Identity，国际移动用户识别码），每一张SIM（Subscriber IdentityModule，用户识别模块）卡都有唯一的IMSI码，一个移动网络的用户需要与其他移动网络互通时，需要使用IMSI码。
其中，以目标对象是一个面部图像为例，目标对象轨迹表示获取的同一个面部的图像在一定的时间、空间范围内，该面部图像随着时间变化的空间位置序列。标识码轨迹表示通过侦码设备采集到的移动设备的IMSI信号在一定的时间、空间范围内，随着时间变化的空间位置序列。其中采集的IMSI信号包含IMSI码、采集时间、地理位置等信息，可以理解的是，标识码轨迹标记了某个物体（携带的移动终端设备）的轨迹。
S120、通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，其中，所述行为模式包括运动和静止。
需要说明的是，隐马尔可夫模型(Hidden Markov Model, HMM)是一种统计机器学习模型。它假定系统中的一个不可观测的马尔可夫链在给定观测序列的情况下生成一系列的状态，每一个状态又对应一个观测。该模型由两部分组成：不可观测的隐状态(hiddenstate)和可观测状态(observed state)。隐状态由前一时刻的隐状态决定，可观测状态由当前时刻的可观测状态决定。
本实施例中，以目标对象为面部、车辆以及标识码是IMSI为例的行为模式分别有运动和静止的状态。对于面部的运动和静止状态下的行为模式分别为行走和驻留；对于车辆的运动和静止状态下的行为模式分别行驶和驻留；对于IMSI的运动状态下的行为模式为行走及行驶，对于IMSI的静止状态下的行为模式为驻留。
作为一种可选但非限定的实现方式，通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，包括：
确定目标对象轨迹的轨迹特征和设备特征；
通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，根据目标对象轨迹的轨迹特征和设备特征，确定目标对象轨迹的待确认行为模式。
本实施例中，目标对象的轨迹特征表示用于描述面部、车辆轨迹的形状、模式、速度、方向等的特征信息。目标对象的设备特征表示用于描述面部相机、车牌相机设备的属性、性能和特点的特征信息。
其中，通过实时抓拍采集面部图像、车牌图像，以及通过侦码设备采集IMSI信号，分别记录采集的时间和经纬度并传输回数据库。以面部图像为例，可以将同一个人的面部图像数据融合在一起，形成该人员的面部轨迹。抓拍的每一张面部图像构成了该面部轨迹的每一个轨迹点，表示该面部轨迹上的某一个特定时间的物理位置。
具体的，通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，包括使用标注数据进行隐马尔可夫模型训练并保存最优模型参数。以面部轨迹标注数据为例，收集目标面部图像的历史数据，以及相应的行为模式标注并存储为用于面部轨迹的训练集。根据面部轨迹训练集，训练用于识别面部轨迹的隐马尔可夫模型，获取最优模型参数并保存，得到面部轨迹行为模式识别模型。
进一步的，根据面部轨迹行为模式识别模型推理面部轨迹的行为模式，确定面部轨迹的待确认行为模式，包括将线上实时采集到的面部轨迹数据，通过特征工程提取面部相机设备特征与面部轨迹特征，使用面部轨迹行为模式识别模型对面部图像轨迹点的行为模式进行识别，得到面部轨迹的待确认行为模式。
作为一种可选但非限定的实现方式，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，包括：
确定标识码轨迹的轨迹特征和设备特征；
通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，根据标识码轨迹的轨迹特征和设备特征，确定标识码轨迹的待确认行为模式。
本申请实施例中，标识码轨迹的轨迹特征表示用于描述IMSI 轨迹的形状、模式、速度、方向等的特征信息。IMSI 轨迹通常与移动设备的位置和移动相关。当移动设备在不同的基站或网络区域之间移动时，IMSI 会在网络中进行注册和更新，从而形成IMSI的移动轨迹。通过跟踪IMSI 轨迹可以了解移动设备的位置变化和移动模式。
同样的，标识码轨迹的设备特征表示用于描述侦码设备的属性、性能和特点的特征信息。
作为一种可选但非限定的实现方式，所述轨迹特征包括以下至少一项：轨迹长度、轨迹首末时间间隔、轨迹点间运动距离、轨迹点间最大时间间隔以及轨迹点间最大空间移动距离；
所述设备特征包括以下至少一项：采集设备采样范围、采样率、漏采率以及抓拍间隔。
可以理解的是，以面部轨迹为例，轨迹长度表示一个人的面部在一段时间内移动的总距离，轨迹长度可以通过测量该面部在不同时间点的位置之间的距离来计算。
轨迹首末时间间隔表示面部轨迹起始点和结束点之间的时间差，这个首末时间间隔可以用于衡量该面部在一段时间内的运动持续时间。
轨迹点间运动距离表示面部在一段时间内移动的实际距离，实际距离可以通过测量面部在不同轨迹点的位置之间的欧几里得距离来进行计算。
轨迹点间最大时间间隔表示在面部轨迹中两个相邻位置之间的最长时间差，最大时间间隔可以反映人脸在某个空间位置范围内运动过程中的速度变化或停留时间。
轨迹点间最大空间移动距离表示在面部轨迹中，面部从一个位置点到另一个位置点所移动的最大距离，最大空间移动距离可以反映面部在某个相邻位置之间的移动范围。
需要注意的是，轨迹长度、轨迹首末时间间隔、轨迹点间运动距离、轨迹点间最大时间间隔以及轨迹点间最大空间移动距离的具体定义和计算方法可能会根据应用场景和使用的技术而有所不同。
另外，以面部相机设备为例，采样范围表示面部相机设备能够有效采集面部图像数据的空间范围，采样范围通常取决于相机的视野范围和镜头的焦距。
采样率表示面部相机设备在单位时间内采集面部图像的数量。
漏采率表示使用面部相机设备进行采样时，未被成功采集或记录的数据点的比例，漏采率的具体数值会受到多种因素的影响，包括采样设备的质量、采样环境的复杂性、采样对象的特性等。
抓拍间隔表示面部相机设备连续两次抓拍之间的时间间隔，较短的抓拍间隔可以更频繁地捕捉面部图像，有助于捕捉到快速变化的细节，但可能会导致更多的面部图像数据。
需要说明的是，以上列举的设备特征并不涵盖所有可能的采样设备特征，具体的设备特征可能因设备类型和应用领域而有所不同，可以灵活设置。
作为一种可选但非限定的实现方式，所述目标对象行为模式识别模型的训练过程包括：
确定预先进行行为模式标注的历史目标对象数据，并根据历史目标对象数据生成至少两个历史目标对象轨迹；
确定各历史目标对象轨迹的轨迹特征和设备特征；
根据各历史目标对象轨迹的轨迹特征和设备特征，以及各历史目标对象轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到目标对象行为模式识别模型。
本实施例中，历史目标对象数据表示原始面部、车辆图像数据。通过收集目标面部、车辆的历史图像数据，以及相应的行为模式标注并存储为原始面部、车辆图像数据。历史目标对象轨迹表示历史数据中同一个面部、车辆图像融合后的面部、车辆轨迹。
具体的，为了将原始面部图像数据处理为隐马尔可夫模型能够应用的数据，通过对面部图像异常数据剔除，剔除经纬度异常、非面部图像、无设备场所或采集时间等关键字段缺失的面部图像。进一步的，将同一个人的面部图像数据融合在一起，形成面部轨迹训练集数据。
同样的，为了将原始车辆图像数据处理为隐马尔可夫模型能够应用的数据，通过对车辆图像异常数据删除，删除经纬度异常、车牌号长度不符、无设备场所或采集时间等关键字段缺失的车辆数据。进一步的，将同一个车牌号的车辆图像数据融合在一起，形成车辆轨迹训练集数据。
然后，根据面部轨迹训练集数据的面部轨迹特征和面部相机设备特征，以及预先标注的相应的行为模式，对隐马尔可夫模型进行训练，得到面部轨迹行为模式识别模型。
同样的，根据车辆轨迹训练集数据的车辆轨迹特征和车辆相机设备特征，以及预先标注的相应的行为模式，对隐马尔可夫模型进行训练，得到车辆轨迹行为模式识别模型。
作为一种可选但非限定的实现方式，所述标识码行为模式识别模型的训练过程包括：
确定预先进行行为模式标注的历史标识码数据，并根据历史标识码数据生成至少两个历史标识码轨迹；
确定各历史标识码轨迹的轨迹特征和设备特征；
根据各历史标识码轨迹的轨迹特征和设备特征，以及各历史标识码轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到标识码行为模式识别模型。
本申请实施例中，历史标识码数据表示原始IMSI数据。通过收集目标IMSI的历史数据，以及相应的行为模式标注并存储为原始IMSI数据。历史标识码轨迹表示历史数据中同一个IMSI数据融合后的IMSI轨迹。
为了将原始IMSI数据处理为隐马尔可夫模型能够应用的数据，通过对IMSI异常数据删除，删除经纬度异常、距离、方向等重要字段缺失的IMSI数据。进一步的，将同一个序号的IMSI数据融合在一起，形成IMSI轨迹训练集数据。
根据IMSI轨迹训练集数据的IMSI轨迹特征和侦码设备特征，以及预先标注的相应的行为模式，对隐马尔可夫模型进行训练，得到IMSI轨迹行为模式识别模型。
S130、根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式。
本申请实施例中，电像计算是指收集移动智能终端设备感知源的IMSI数据与用于标识人员的面部图像、用于标识车牌号的车辆图像等图像数据，经过后台大数据和人工智能系统的分析，建立起不同感知设备捕获的不同模态数据之间的关联关系。具体的，用训练好的目标对象轨迹识别模型进行目标对象行为模式识别，当行为模式识别结果为运动状态时，提取其运动属性，利用电像计算结果进行验证目标对象行为模式识别结果并优化目标对象轨迹识别模型。
在实际应用中，根据目标对象行为模式识别模型对目标对象轨迹进行识别，通过实时街拍相片OCR系统，识别相片中的面部图像，输入到面部轨迹行为模式识别模型中，并将识别结果返回至终端并进行可视化展示。以及通过实时车牌相片OCR系统，识别拍摄的车辆图像中的车牌号，输入到车辆轨迹行为模式识别模型中，并将识别结果返回至终端并进行可视化展示。以及通过侦码设备，实时获取IMSI数据，输入到IMSI轨迹行为模式识别模型中，并将识别结果返回至终端并进行可视化展示。并且显示出与面部、车辆匹配的标识码信息，如标识码序号等。
具体的，以面部轨迹行为识别结果为例返回到终端进行可视化展示，可以通过地图展示，将人员（面部）轨迹绘制在地图上，使用不同的颜色、图标或线条样式来表示不同位置的人员（面部）行为模式，这种方式可以直观地展示人员在空间上的移动和行为模式。或者通过时间轴展示，将人员（面部）轨迹按照时间顺序排列在时间轴上，可以观察到人员（面部）在不同时间段内的行为模式变化。还可以使用柱状图、折线图等统计图表，展示人员（面部）在不同行为模式下的出现频率、持续时间等统计信息。以及通过制作动画展示人员（面部）轨迹随时间的动态变化，更直观地呈现行为模式的演变过程。并在面部轨迹行为模式可视化展示中显示出该面部匹配的标识码序号，表明该人员随身携带的移动智能终端设备的IMSI数据。与本实施例对轨迹行为识别结果的可视化展示不进行限制。
本发明实施例的技术方案，通过基于隐马尔可夫模型训练的行为模式识别模型对目标对象轨迹以及标识码轨迹进行行为模式识别，并结合电像计算结果确定目标对象轨迹的目标行为模式，实现高效、准确、自动优化的时空汇集行为模式的识别。
实施例二
图2为本发明实施例二提供的一种行为模式的确定方法的流程图，本发明实施例在上述实施例的基础上进行了进一步的具体化。
如图2所示，该方法包括：
S210、确定至少一个目标对象轨迹和至少一个标识码轨迹。
S220、通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，其中，所述行为模式包括运动和静止。
S230、根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，根据电像计算结果，确定与目标对象轨迹匹配的标识码轨迹。
本实施例中，电像计算可以对时间、位置、速度等参数分析，从而确定与面部轨迹或车辆轨迹匹配的标识码轨迹。具体的，从电像计算结果中提取目标对象轨迹和标识码轨迹相关的关键特征如形状、尺寸、方向、距离等。进一步的，可以使用模式匹配算法将提取的特征与已知的标识码轨迹进行比较，根据模式匹配的结果，确定与目标对象轨迹最匹配的标识码轨迹。
作为一种可选但非限定的实现方式，在确定至少一个目标对象轨迹和至少一个标识码轨迹之后，还包括：
根据目标对象轨迹和标识码轨迹进行初始电像计算，并根据初始电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
本实施例中，初始电像计算结果是指在电像计算过程中的初始阶段所获得的结果。目标对象轨迹以及与其匹配的标识码轨迹满足的准确度条件可以是目标对象轨迹以及与其匹配的标识码轨迹之间的准确度大于某个阈值，或目标对象轨迹以及与其匹配的标识码轨迹之间的准确度较初始电像计算结果上升。
S240、若确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，则确定目标对象轨迹的目标行为模式为运动。
本实施例中，使用目标对象轨迹与标识码轨迹内运动行为模式的轨迹点，进行电像计算后，若目标对象轨迹与其匹配的标识码轨迹准确度上升时，说明目标对象行为模式识别结果为运动时较为准确。值得说明的是，使用行为模式信息后的电像计算结果，相比没有使用行为模式信息的结果有所提升。
确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，包括：
若确定目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，大于初始电像计算时目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，则确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件。
作为一种可选但非限定的实现方式，在根据电像计算结果确定目标对象轨迹的目标行为模式为运动之后，包括：
根据目标行为模式为运动的目标对象轨迹，对目标对象行为模式识别模型进行迭代更新，以及，根据与目标行为模式为运动的目标对象轨迹匹配的标识码轨迹，对标识码行为模式识别模型进行迭代更新。
本申请实施例中，具体的，使用面部轨迹与IMSI轨迹内行走模式的轨迹点，进行电像计算，当面部轨迹与IMSI轨迹关联的准确度上升时，说明面部行为模式识别结果准确。使用模式识别结果准确的面部轨迹与其对应的面部行为模式识别结果、IMSI轨迹与其对应的IMSI行为模式识别结，果分别对面部轨迹行为模式识别模型与IMSI轨迹行为模式识别模型进行迭代更新。
使用车辆轨迹与IMSI轨迹内行驶模式的轨迹点，进行电像计算，当车辆轨迹与IMSI轨迹关联的准确度上升时，说明车辆行为模式识别结果准确。同样的，使用行为模式识别结果准确的车辆轨迹与其对应的车辆行为模式识别结果、IMSI轨迹与其对应的IMSI行为模式识别结果，分别对车辆轨迹行为模式识别模型与IMSI轨迹行为模式识别模型进行迭代更新。
通过电像计算结果，生成目标对象和标识码行为模式标注数据，作为训练数据返回到目标对象和标识码行为模式识别模型中，使其反向自动优化目标对象和标识码行为模式识别模型参数，进而减少了模型前期的部署工作，同时解决了后续模型优化的困难问题。
本发明的技术方案，通过基于隐马尔可夫模型训练的行为模式识别模型对目标对象轨迹以及标识码轨迹进行行为模式识别，通过准确度条件，确定目标对象轨迹为运动行为模式，实现高效、准确的时空汇集行为模式的识别。
具体适用场景一
图3是本发明具体适用场景提供的一种行为模式识别的流程图。对获取到的面部时空轨迹、IMSI时空轨迹、车辆时空轨迹，提取对应的轨迹特征，分别通过训练好的对应的隐马尔可夫模型进行行为模式识别，获取行为模式识别结果。通过面部轨迹与IMSI轨迹电像计算模型，对面部轨迹与IMSI轨迹的轨迹点，进行电像计算，利用电像计算结果进行验证面部的行为模式。以及通过车辆轨迹与IMSI轨迹电像计算模型，对车辆轨迹与IMSI轨迹的轨迹点，进行电像计算，利用电像计算结果进行验证车辆的行为模式。
图4是是本发明具体适用场景提供的一种目标对象行为模式为运动状态下的模型优化的流程图。使用面部轨迹与IMSI轨迹内行为模式为运动状态下（也即行为模式为行走）的轨迹点，通过面部轨迹与IMSI轨迹电像计算模型，进行电像计算，获取电像计算结果。当面部轨迹与IMSI轨迹关联的准确度上升时，说明面部轨迹识别的行为模式准确。使用面部轨迹及正确的面部轨迹行为模式识别结果作为标注数据对面部轨迹识别模型进行迭代更新，并使用IMSI轨迹及正确的IMSI轨迹行为模式识别结果作为标注数据对IMSI轨迹的识别模型进行迭代更新。使用车辆轨迹与IMSI轨迹内运动状态下（也即行为模式为行驶）的轨迹点，通过车辆轨迹与IMSI轨迹电像计算模型，进行电像计算，获取电像计算结果。当车辆轨迹与IMSI轨迹关联的准确度上升时，说明车辆轨迹识别的行为模式准确。使用车辆轨迹及正确的车辆轨迹行为模式识别结果作为标注数据对车辆轨迹的识别模型进行迭代更新，并使用IMSI轨迹及正确的IMSI轨迹行为模式识别结果作为标注数据对IMSI轨迹的识别模型进行迭代更新。通过使用行为模式识别结果应用到电像计算中，可以反向优化隐马尔可夫模型。
实施例三
图5为本发明实施例三提供的一种行为模式的确定装置的结构示意图。如图5所示，该装置包括：
轨迹确定模块310，用于确定至少一个目标对象轨迹和至少一个标识码轨迹；
模型确定模块320，用于通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，其中，所述行为模式包括运动和静止；
行为模型确定模块330，用于根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式。
可选的，模型确定模块320包括：目标对象特征确定单元，用于确定目标对象轨迹的轨迹特征和设备特征；
目标对象待确认行为模型确定单元，用于通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，根据目标对象轨迹的轨迹特征和设备特征，确定目标对象轨迹的待确认行为模式；
通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，包括：
标识码特征确定单元，用于确定标识码轨迹的轨迹特征和设备特征；
标识码待确认行为模式确定单元，用于通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，根据标识码轨迹的轨迹特征和设备特征，确定标识码轨迹的待确认行为模式。
可选的，模型确定模块320包括：
所述轨迹特征包括以下至少一项：轨迹长度、轨迹首末时间间隔、轨迹点间运动距离、轨迹点间最大时间间隔以及轨迹点间最大空间移动距离；
所述设备特征包括以下至少一项：采集设备采样范围、采样率、漏采率以及抓拍间隔。
可选的，行为模型确定模块330包括：
匹配标识码轨迹确定单元，用于根据电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
行为模型确定单元，用于若确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，则确定目标对象轨迹的目标行为模式为运动。
可选的，行为模型确定模块330包括：
历史目标对象轨迹确定单元，用于确定预先进行行为模式标注的历史目标对象数据，并根据历史目标对象数据生成至少两个历史目标对象轨迹；
李目标对象特征确定单元，用于确定各历史目标对象轨迹的轨迹特征和设备特征；
识别模型确定单元，用于根据各历史目标对象轨迹的轨迹特征和设备特征，以及各历史目标对象轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到目标对象行为模式识别模型；
所述标识码行为模式识别模型的训练过程包括：
确定预先进行行为模式标注的历史标识码数据，并根据历史标识码数据生成至少两个历史标识码轨迹；
确定各历史标识码轨迹的轨迹特征和设备特征；
根据各历史标识码轨迹的轨迹特征和设备特征，以及各历史标识码轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到标识码行为模式识别模型。
可选的，行为模型确定模块330包括：
标识码轨迹确定单元，用于根据目标对象轨迹和标识码轨迹进行初始电像计算，并根据初始电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，包括：
若确定目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，大于初始电像计算时目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，则确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件。
可选的，行为模型确定模块330包括：
识别模型更新单元，用于根据目标行为模式为运动的目标对象轨迹，对目标对象行为模式识别模型进行迭代更新，以及，根据与目标行为模式为运动的目标对象轨迹匹配的标识码轨迹，对标识码行为模式识别模型进行迭代更新。
本发明实施例所提供的行为模式的确定装置可执行本发明任意实施例所提供的行为模式的确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（中央处理器）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如行为模式的确定方法。
在一些实施例中，行为模式的确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的行为模式的确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行行为模式的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (8)
1.一种行为模式的确定方法，其特征在于，包括：
确定至少一个目标对象轨迹和至少一个标识码轨迹；
根据目标对象轨迹和标识码轨迹进行初始电像计算，并根据初始电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式；
其中，所述行为模式包括运动和静止；
根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式，包括：
根据电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
若确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，则确定目标对象轨迹的目标行为模式为运动；
确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，包括：
若确定目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，大于初始电像计算时目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，则确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件。
2.根据权利要求1所述的方法，其特征在于，通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，包括：
确定目标对象轨迹的轨迹特征和设备特征；
通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，根据目标对象轨迹的轨迹特征和设备特征，确定目标对象轨迹的待确认行为模式；
通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，包括：
确定标识码轨迹的轨迹特征和设备特征；
通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，根据标识码轨迹的轨迹特征和设备特征，确定标识码轨迹的待确认行为模式。
3.根据权利要求2所述的方法，其特征在于，所述轨迹特征包括以下至少一项：轨迹长度、轨迹首末时间间隔、轨迹点间运动距离、轨迹点间最大时间间隔以及轨迹点间最大空间移动距离；
所述设备特征包括以下至少一项：采集设备采样范围、采样率、漏采率以及抓拍间隔。
4.根据权利要求1所述的方法，其特征在于，所述目标对象行为模式识别模型的训练过程包括：
确定预先进行行为模式标注的历史目标对象数据，并根据历史目标对象数据生成至少两个历史目标对象轨迹；
确定各历史目标对象轨迹的轨迹特征和设备特征；
根据各历史目标对象轨迹的轨迹特征和设备特征，以及各历史目标对象轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到目标对象行为模式识别模型；
所述标识码行为模式识别模型的训练过程包括：
确定预先进行行为模式标注的历史标识码数据，并根据历史标识码数据生成至少两个历史标识码轨迹；
确定各历史标识码轨迹的轨迹特征和设备特征；
根据各历史标识码轨迹的轨迹特征和设备特征，以及各历史标识码轨迹标注的行为模式，对隐马尔可夫模型进行训练，得到标识码行为模式识别模型。
5.根据权利要求1所述的方法，其特征在于，在根据电像计算结果确定目标对象轨迹的目标行为模式之后，包括：
根据目标行为模式为运动的目标对象轨迹，对目标对象行为模式识别模型进行迭代更新，以及，根据与目标行为模式为运动的目标对象轨迹匹配的标识码轨迹，对标识码行为模式识别模型进行迭代更新。
6.一种行为模式的确定装置，其特征在于，包括：
轨迹确定模块，用于确定至少一个目标对象轨迹和至少一个标识码轨迹；
标识码轨迹确定单元，用于根据目标对象轨迹和标识码轨迹进行初始电像计算，并根据初始电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
模型确定模块，用于通过基于隐马尔可夫模型预先训练得到的目标对象行为模式识别模型，确定目标对象轨迹的待确认行为模式，以及，通过基于隐马尔可夫模型预先训练得到的标识码行为模式识别模型，确定标识码轨迹的待确认行为模式，其中，所述行为模式包括运动和静止；
行为模型确定模块，用于根据待确认行为模式为运动的目标对象轨迹和标识码轨迹进行电像计算，并根据电像计算结果确定目标对象轨迹的目标行为模式；
行为模型确定模块包括：
匹配标识码轨迹确定单元，用于根据电像计算结果，确定与目标对象轨迹匹配的标识码轨迹；
行为模型确定单元，用于若确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，则确定目标对象轨迹的目标行为模式为运动；
确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件，包括：若确定目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，大于初始电像计算时目标对象轨迹以及与其匹配的标识码轨迹之间的准确度，则确定目标对象轨迹以及与其匹配的标识码轨迹满足准确度条件。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的行为模式的确定方法。
8.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的行为模式的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282367.0A CN117877100B (zh) | 2024-03-13 | 2024-03-13 | 一种行为模式的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282367.0A CN117877100B (zh) | 2024-03-13 | 2024-03-13 | 一种行为模式的确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117877100A CN117877100A (zh) | 2024-04-12 |
| CN117877100B true CN117877100B (zh) | 2024-06-07 |
Family
ID=90585033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410282367.0A Active CN117877100B (zh) | 2024-03-13 | 2024-03-13 | 一种行为模式的确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117877100B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
| CN115329265A (zh) * | 2022-08-30 | 2022-11-11 | 深圳前海中电慧安科技有限公司 | 图码轨迹关联度确定方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL263246B (en) * | 2018-11-22 | 2022-04-01 | Elta Systems Ltd | Computer software system, method and product for direction finding and/or geo-location detection, for mobile phones operating according to the fourth-generation LTE standard |
| US20210158540A1 (en) * | 2019-11-21 | 2021-05-27 | Sony Corporation | Neural network based identification of moving object |
-
2024
- 2024-03-13 CN CN202410282367.0A patent/CN117877100B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
| CN115329265A (zh) * | 2022-08-30 | 2022-11-11 | 深圳前海中电慧安科技有限公司 | 图码轨迹关联度确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117877100A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214280B (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
| CN111860318A (zh) | 一种建筑工地行人徘徊检测方法、装置、设备及存储介质 | |
| CN110706247B (zh) | 一种目标跟踪方法、装置及系统 | |
| US11288887B2 (en) | Object tracking method and apparatus | |
| CN109961106A (zh) | 轨迹分类模型的训练方法和装置、电子设备 | |
| CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
| CN113807342B (zh) | 基于图像获取设备信息的方法及相关装置 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN112770265B (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
| CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
| CN112861673A (zh) | 一种用于监控视频多目标检测的去误报预警方法和系统 | |
| CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
| CN111476160A (zh) | 损失函数优化方法、模型训练方法、目标检测方法及介质 | |
| CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
| CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
| WO2021022795A1 (zh) | 人脸识别过程中的欺诈行为检测方法、装置及设备 | |
| CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN114419493A (zh) | 图像的标注方法、装置、电子设备和存储介质 | |
| CN116030370A (zh) | 基于多目标追踪的行为识别方法、装置及电子设备 | |
| CN117877100B (zh) | 一种行为模式的确定方法、装置、电子设备及存储介质 | |
| CN112614156A (zh) | 一种多目标跟踪网络模型的训练方法、装置及相关设备 | |
| CN115033732B (zh) | 一种时空轨迹关联方法、装置、电子设备及存储介质 | |
| CN115116130A (zh) | 一种通话动作识别方法、装置、设备以及存储介质 | |
| CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
| CN113592427A (zh) | 工时统计方法、工时统计装置及计算机可读存储介质 |
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 |