CN108460864B - 人流量估测***及用于其的故障处理方法 - Google Patents
人流量估测***及用于其的故障处理方法 Download PDFInfo
- Publication number
- CN108460864B CN108460864B CN201710095441.8A CN201710095441A CN108460864B CN 108460864 B CN108460864 B CN 108460864B CN 201710095441 A CN201710095441 A CN 201710095441A CN 108460864 B CN108460864 B CN 108460864B
- Authority
- CN
- China
- Prior art keywords
- sensor
- model
- people flow
- people
- estimated
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0037—Performance analysers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种人流量估测***及其故障处理方法。该人流量估测***包括:传感器网络,包括布置在待估测区域中的多个用于检测人流量的传感器;模型构建模块,基于传感器的布置位置来构建人流量状态模型,并基于传感器的数据来构建传感器网络模型;人流量估测模块,基于人流量状态模型及传感器网络模型来估测人流量及提供估测人流量的数据权重;还包括故障检测模块,用于检测传感器网络中的各个传感器是否异常;模型构建模块还用于在传感器存在异常时调整人流量状态模型及传感器网络模型。本发明提出一种高弹性且稳定的人流估测***,通过实时调整人流量状态模型及传感器网络模型,有效处理传感器故障,使其估测时刻保持在高精度水平。
Description
技术领域
本发明涉及人流量估测领域,更具体而言,其涉及一种人流量估测***及用于其的故障处理方法。
背景技术
人流量估测***在多种建筑应用中扮演着关键角色。通常而言,基于传感器融合的方案被广泛研究并用于对建筑内部的人流量估测。然而,由于建筑级别的人流量估测需要大量的不同种类的传感器来获取人流数据,故存在传感器故障高发性。显而易见地,若部分传感器发生问题,即便将这些故障传感器断开连接,因其仍被配置在传感器网络模型中,所以人流量估测***的精度仍将显著降低。目前,已有部分现有技术关注到人流量估测***中的传感器故障问题。但这些技术主要聚焦于如何检测出这些问题传感器及其所发生的故障。目前亟待进一步解决的问题为:如何处理这些故障传感器并保证人流量估测***的估测结果依然可靠。
发明内容
本发明的目的在于提供一种稳定可靠的人流量估测***。
本发明的另一目的在于提供一种用于改善人流量估测***的稳定性的故障处理方法。
为实现本发明的目的,根据本发明的一个方面,提供一种人流量估测***,其包括:传感器网络,其包括布置在待估测区域中的多个用于检测人流量的传感器;模型构建模块,其基于所述传感器的布置位置来构建人流量状态模型,并基于所述传感器的数据来构建传感器网络模型;人流量估测模块,其基于所述人流量状态模型及传感器网络模型来估测人流量及提供估测人流量的数据权重;其中,还包括故障检测模块,其用于检测所述传感器网络中的各个传感器是否异常;且所述模型构建模块还用于在所述传感器存在异常时调整人流量状态模型及传感器网络模型。
为实现本发明的另一目的,根据本发明的另一方面,还提供一种用于人流量估测***的故障处理方法,其中,所述人流量估测***包括传感器网络、模型构建模块、人流量估测模块以及故障检测模块;所述故障处理方法包括:故障检测步骤S100,实时检测传感器网络中的各个用于检测人流量的传感器是否异常;模型调整步骤S200,在检测到传感器存在异常时,调整所述人流量估测***中涉及的人流量状态模型及传感器网络模型;在未检测到传感器存在异常时,不调整原人流量状态模型及传感器网络模型;人流量估测步骤S300,基于步骤S200中的人流量状态模型及传感器网络模型来估测人流量并提供估测人流量的数据权重;其中,所述人流量状态模型基于所述传感器的布置位置来构建,且所述传感器网络模型基于所述传感器的数据来构建。
附图说明
图1是本发明的人流量估测***应用于一个待估测区域的实施例的布局示意图。
图2是本发明的人流量估测***应用于另一个待估测区域的实施例的布局示意图。
图3是本发明的人流量估测***应用于另一个待估测区域的实施例在存在特定传感器故障时的布局示意图。
具体实施方式
本发明示出了一种人流量估测***。该人流量估测***包括:传感器网络,其包括布置在待估测区域中的多个用于检测人流量的传感器;模型构建模块,其基于传感器的布置位置来构建人流量状态模型,并基于传感器的数据来构建传感器网络模型;人流量估测模块,其基于人流量状态模型及传感器网络模型来估测人流量及提供估测人流量的数据权重;其中,还包括故障检测模块,其用于检测传感器网络中的各个传感器是否异常;且模型构建模块还用于在传感器存在异常时调整人流量状态模型及传感器网络模型。本发明提出一种具有高弹性且稳定的人流估测***,通过实时调整人流量状态模型及传感器网络模型,可有效地处理传感器故障,使其估测全天候保持在高水平的精度。
更具体而言,此处在传感器存在异常时对人流量状态模型及传感器网络模型的调整方式至少包括两种,如下将逐一描述。
对于其中第一种调整方式,模型构建模块将在故障检测模块判定特定传感器存在异常时,降低人流量状态模型及传感器网络模型中涉及特定传感器的数据权重。或者人流量估测模块将在特定传感器存在异常时,自动降低所述所述特定传感器的估测人流量的数据权重。值得注意的是,后者中提及的异常并非为直观检测得出,其有可能是根据估测过程中的计算结果而得出特定传感器存在异常的参数,并进而做出反向推断。作为结果,当该特定传感器的数据权重降低时,其在人流量状态模型及传感器网络模型分析中的贡献度将变小,因而对分析结果的影响也会变小,这将避免该故障对结果精度的过度影响。
可选地,为将各数据对应的数据权重更直观地呈现给用户,该人流量估测***还包括可信度评估模块,其用于根据人流量估测模块提供的各个传感器的估测人流量的数据权重来评估来自各个传感器的的数据的可信度。基于可信度评估模块,用户可监控人流估测***的状态,并了解传感器故障对整个***的影响,从而根据在不同应用情形下的人流精确度需要来决定是否或何时改变传感器故障。
更具体而言,当模型构建模块基于卡尔曼滤波算法来调整人流量状态模型及传感器网络模型时,或者当人流量估测模块基于卡尔曼滤波算法来分析人流量状态模型及传感器网络模型时,数据权重对应于卡尔曼滤波算法中涉及特定传感器的方程的协方差值;当特定传感器的数据权重降低时,对应方程中的协方差值增大,可信度则随之降低。
可选地,该估测结果的可信度还可用于在早期发现存在潜在发生传感器故障的可能性。例如,人流量估测***在可信度评估模块于第二预设时段内提供的特定传感器的可信度逐渐降低时,发出针对特定传感器的故障预警信号。由此还可提前做出故障处理措施,进一步改善估测精度。
对于其中第二种调整方式,还可以将发生故障的特定传感器从传感器网络模型中移除,并基于调整后的传感器网络模型及对应的人流量状态模型来进行人流量估测,由此在传感器故障发生时提供了十分灵活的方式来再配置该人流量估测***中的模型。
具体而言,传感器网络模型中的多个传感器布置在待检测空间的各个出入口处,以将待估测区域划分成多个待估测子区域;传感器网络模型用于反映各个传感器检测到的人流量数据,而人流量状态模型则用于反映各个待估测子区域内的人数以及进出各个待估测子区域的人流量。在故障检测模块判定特定传感器存在异常时,由特定传感器划分的相邻的两个待估测子区域被合并成一个新的待估测子区域。如此设置,虽然无法再估测该故障传感器检测点的人流进出数据,但其他的检测数据都能够得到较高精度的保证,进而使得整个***的人流估测具有较高精度。
此外,还对该人流量估测***中的其他部件做出了更为细致的改善,如下将逐一说明。
例如,模型构建模块可以更为细化地包括:用于调整人流量状态模型的自适应配置子模块;以及用于用于基于所述多个传感器的数据来构建或调整传感器网络模型的动态传感器融合子模块。
再如,模型构建模块基于卡尔曼滤波算法、贝叶斯网络算法或DS(DempsterShafer)证据算法来处理人流量状态模型及传感器网络模型。或者人流量估测模块基于卡尔曼滤波(Kalman filter)算法、贝叶斯网络(Bayesian Networks)算法或DS证据算法来估测人流量。
此外,作为故障检测的若干具体示例,故障检测模块还可在第一预设时段内未接收到来自特定传感器的数据时,判定特定传感器存在异常;和/或故障检测模块可在接收到的来自特定传感器的数据质量低于第一预设区间时,判定特定传感器存在异常。
可选地,传感器的具体类型可包括光束传感器和/或PIR(Passive Infra Red)传感器和/或视频摄像头。
在此将结合前述方案及图1来提供一个人流量估测***的应用实施例,其基于动态人流量状态模型,并通过卡尔曼滤波算法来实时估测待估测区域内的人流量。对于一套线性***,该人流量状态模型可表示为:
x(t+1)=Ax(t)+w(t+1);
y(t)=Cx(t)+v(t);
其中,x表示状态矢量,且y表示测量值矢量;w和v则为分别表示人流量状态模型与测量值模型不确定性的矢量。
再次参见图1,其中示出了人流量估测***应用的一个简单的待估测区域的示例,该示例体现出在传感器存在异常时对人流量状态模型及传感器网络模型的第一种调整方式。在该示例中,具有一个房间及一条走廊2个待估测子区域。在该待估测区域中,定义了6种状态:
x1:进入走廊的人的数量;
x2:在走廊中的人的数量;
x3:走出走廊的人的数量;
x4:进入房间的人的数量;
x5:走出房间的人的数量;
x6:在房间中的人的数量。
则用于示例的人流量状态模型为:
x1(t+1)=x1(t)+w1(t+1);
x2(t+1)=x2(t)+x1(t)-x3(t)-x4(t)+x5(t)+w2(t+1);
x3(t+1)=a1x2(t)+w3(t+1);
x4(t+1)=a2x2(t)+w4(t+1);
x5(t+1)=a3x6(t)+w5(t+1);
x6(t+1)=x6(t)+x4(t)-x5(t)+w6(t+1);
其中,ai为未知的参数,其可被当做在一个样本时间内从特定区域进入另一区域的人的比率。例如,a1为在一个样本时间内走出走廊的人的比率;a2为在一个样本时间内进入房间的人的比率;而a3为在一个样本时间内走出房间的人的比率。
如上通过各个待估测子区域中的人数与进出该待估测子区域的人数之间的相互关系构建了6个等式,由此可以通过划分出这两个待估测子区域的多个传感器来分析处理得到各个待估测子区域中的人数及进出其中的人流量。
具体而言,在该示例中,应用了包括两个光束传感器及两个视频摄像头1、2在内的四个传感器来获取人数数据及人流量数据。此处的传感器网络模型为:
y1(t)=x1(t)+v1(t);
y2(t)=x3(t)+v2(t);
y3(t)=x4(t)+v3(t);
y4(t)=x5(t)+v4(t);
其中,y1与y2为来自视频摄像头的测量值,而y3与y4为来自光束传感器的测量值。vi为测量值的不确定性。
如上通过各个传感器的检测数据及与该检测数据相关的人流量之间的相互关系构建了4个等式,由此可直接得到与这些传感器相关的部分人流量数据。
继续前述实施例,假设图1中的视频摄像头2发生故障,且故障类型可能是无法收到来自摄像头的数据或接收到的视频质量相当差。此时,我们可以轻易地发现此类问题并随后重建人流量估测***。由前述传感器网络模型可知,对应于视频摄像头2的人流量变量为x3,此时可以为其对应的传感器模型设置较大的错误值v2。如果发生了故障,该***仅需调整用于估测中的对应的传感器模型,而无需改变整个状态矢量空间模型。
若回归至前述模型方程中,则仅需在等式y2(t)=x3(t)+v2(t)中为v2设置较大的错误值,因为仅该等式涉及x3(也即,视频摄像头2)。在基于卡尔曼滤波算法的估测方法中,我们为该模型设置较大的协方差值,随后在卡尔曼滤波算法的计算中,该传感器数据的数据权重将自动被降低。如此设置,即便在部分传感器发生故障的情形下,我们同样可以获得足够稳定的估测结果。
该卡尔曼滤波的输出值包含两部分,估测的人流量数据(在各个传感器定位处,例如,图中所示的A区域及B区域,的人流量以及在各个区域中的人数)以及估测的人流量数据的协方差。该人流量数据的协方差表示估测的人流量数据的准确度,且可被看做是人流量估测***的估测人流量数据的可信度。
此外,结合图2及图3中提供了另一个人流量估测***的应用实施例,该示例体现出在传感器存在异常时对人流量状态模型及传感器网络模型的第二种调整方式。其同样基于动态人流量状态模型,并通过卡尔曼滤波算法来实时估测待估测区域内的人流量。对于该***,人流量状态模型可表示为:
x(t+1)=Ax(t)+w(t);
y(t)=Cx(t)+v(t);
再次参见图2及图3,该示例具有两个房间及一条T形走廊;各个房间内均布置了PIR运动传感器及光束传感器,而走廊中则布置了3个视频摄像头及1个光束传感器。这些传感器的布置将该待估测区域划分成7个待估测子区域(也即图中所示的A-G区域)。对这些区域的人流量及人数共计定义了19种状态:
x1:从A区域走到B区域的人的数量;
x2:从B区域走到A区域的人的数量;
x3:从B区域走到C区域的人的数量;
x4:从C区域走到B区域的人的数量;
x5:从C区域走到G区域的人的数量;
x6:从G区域走到C区域的人的数量;
x7:从B区域走到D区域的人的数量;
x8:从D区域走到B区域的人的数量;
x9:从D区域走到E区域的人的数量;
x10:从E区域走到D区域的人的数量;
x11:从E区域走到F区域的人的数量;
x12:从F区域走到E区域的人的数量;
xA:在A区域的人的数量;
xB:在B区域的人的数量;
xC:在C区域的人的数量;
xD:在D区域的人的数量;
xE:在E区域的人的数量;
xF:在F区域的人的数量;
xG:在G区域的人的数量。
则用于示例的人流量状态模型为:
xA(t+1)=xA(t)-x1(t)+x2(t)+wA(t);
xB(t+1)=xB(t)+x1(t)-x2(t)+x4(t)-x3(t)+x8(t)-x7(t)+wB(t);
xC(t+1)=xC(t)+x3(t)-x4(t)+x6(t)-x5(t)+wC(t);
xD(t+1)=xD(t)+x7(t)-x8(t)+x10(t)-x9(t)+wD(t);
xE(t+1)=xE(t)+x9(t)-x10(t)+x12(t)-x11(t)+wE(t);
xF(t+1)=xF(t)+x11(t)-x12(t)+wF(t);(如果PIR传感器1表示为正确);
xF(t+1)=0;(如果PIR传感器1表示为错误);
xG(t+1)=xG(t)+x5(t)-x6(t)+wG(t);(如果PIR传感器2表示为正确);
xG(t+1)=0;(如果PIR传感器2表示为错误)。
继续参见前述实施例,当故障检测模块定位到在T形走廊中的光束传感器3所发送的数据存在异常,此时该光束传感器3检测的数据将会对人流量估测带来巨大的误导。随后该故障检测模块将会对模型构建模块发出提示,告知其光束传感器3发生故障。模型构建模块将会从传感器网络模型中自动移除该光束传感器3,并基于剩下的传感器来将待估测区域进行重新分区。重新完成的分区如图3所示。具体而言,由于光束传感器3已被移除,则此前由光束传感器3进行划分的B区域及D区域将合并成新的待估测子区域,即BD区域。
此后,人流量状态模型将重新表示为:
xA(t+1)=xA(t)-x1(t)+x2(t)+wA(t);
xBD(t+1)=xBD(t)+x1(t)-x2(t)+x4(t)-x3(t)+x10(t)-x9(t)+wBD(t);
xC(t+1)=xC(t)+x3(t)-x4(t)+x6(t)-x5(t)+wC(t);
xE(t+1)=xE(t)+x9(t)-x10(t)+x12(t)-x11(t)+wE(t);
xF(t+1)=xF(t)+x11(t)-x12(t)+wF(t);(如果PIR传感器1表示为正确);
xF(t+1)=0;(如果PIR传感器1表示为错误);
xG(t+1)=xG(t)+x5(t)-x6(t)+wG(t);(如果PIR传感器2表示为正确);
xG(t+1)=0;(如果PIR传感器2表示为错误)。
此后,该人流量估测***将基于更新后的传感器网络模型及人流量状态模型来重新估算各待估测子区域中的人流量及人数。通过前述实施例,实现了在部分传感器存在故障时依旧保持较高的人流估测精度。
当然,也可将两种调整方式结合使用,例如分别提供一组带可信度的人流量估测数据(模型中未移除故障传感器)及一组利用更新后的模型来分析处理而得到的人流量估测数据(模型中已移除故障传感器),从而实现两种方式的互补,一方面仍可沿用未变动模型的处理数据,改动较小且清楚地知道数据的可信度;另一方面可对模型稍作调整来获取精确度更高的模型及其分析数据。
根据本发明的另一个方面,还提供一种应用于前述实施例中的人流量估测***的故障处理方法。该故障处理方法至少包括:
故障检测步骤S100,实时检测传感器网络中的各个用于检测人流量的传感器是否异常;
模型调整步骤S200,在检测到传感器存在异常时,调整人流量估测***中涉及的人流量状态模型及传感器网络模型;在未检测到传感器存在异常时,不调整人流量状态模型及传感器网络模型;以及
人流量估测步骤S300,基于步骤S200中的人流量状态模型及传感器网络模型来估测人流量并提供估测人流量的数据权重。
基于前述故障处理方法,可以在传感器网络中的传感器发生故障时,对应调整涉及的人流量状态模型及传感器网络模型,从而降低故障传感器的检测数据所带来的影响或者在模型中移除该故障传感器,使其估测全天候保持在高水平的精度;还可在未检测出传感器故障时,自动计算出估测结果的数据权重,并评估其可信程度,从而也为其提高估测精度做出贡献。
更具体而言,本方法在传感器存在异常时对人流量状态模型及传感器网络模型的调整方式包括两种,如下将逐一描述。
对于其中第一种调整方式,步骤S200还包括:异常赋值步骤S210,在判定特定传感器存在异常时,降低人流量状态模型及传感器网络模型中涉及特定传感器的数据权重。或者步骤S300还包括:在传感器存在异常时,自动降低所述所述特定传感器的估测人流量的数据权重。当该特定传感器的数据权重降低时,其在人流量状态模型及传感器网络模型分析中的贡献度将变小,因而对分析结果的影响也会变小,这将避免该故障对结果精度的过度影响。
可选地,为将各数据对应的数据权重更直观地呈现给用户,该故障处理方法还包括可信度评估步骤S400,其根据步骤S300中提供的各个传感器的数据权重来评估来自各个传感器的的数据的可信度。基于可信度评估步骤S400,用户可更直观地了解这些数据的可信度及做出判断或者处理。
更具体而言,当步骤S300中基于卡尔曼滤波算法来分析人流量状态模型及传感器网络模型时,该数据权重对应于卡尔曼滤波算法中涉及特定传感器的方程的协方差值;在数据权重降低时,协方差值增大,可信度则随之降低。
可选地,该估测结果的可信度还可用于在早期发现存在潜在发生传感器故障的可能性。例如,该方法还可包括故障预警步骤S500,当步骤S400在第二预设时段内提供的特定传感器的可信度逐渐降低时,发出针对特定传感器的故障预警信号。由此还可提前做出故障处理措施,进一步改善估测精度。
对于其中第二种调整方式,还可以将发生故障的特定传感器从传感器网络模型中移除,并基于调整后的传感器网络模型及对应的人流量状态模型来进行人流量估测,以期进一步改善估测精度。
具体而言,传感器网络模型中的多个传感器布置在待检测空间的各个出入口处,以将所述待估测区域划分成多个待估测子区域;所述传感器网络模型用于反映各个传感器检测到的人流量数据,而所述人流量状态模型用于反映各个所述待估测子区域内的人数以及进出各个所述待估测子区域的人流量;步骤S200还包括:异常处理步骤S220,当检测到特定传感器存在异常时,从传感器网络模型中移除特定传感器,并将由所述特定传感器划分的相邻的两个待估测子区域合并成一个新的待估测子区域。
此外,对于该故障处理方法还布置了若干更为细致的步骤,如下将逐一说明。
例如,步骤S200包括动态传感器融合子步骤,用于基于多个传感器的数据来构建传感器网络模型。又如,步骤S200包括用于调整人流量状态模型的自适应配置子步骤,用于在故障检测模块判定特定传感器存在异常时,降低人流量状态模型及传感器网络模型中涉及特定传感器的数据权重。
再如,在步骤S200中,基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来处理人流量状态模型及传感器网络模型。或者在步骤S300中,基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来估测人流量。
此外,作为故障检测的若干具体手段,步骤S100包括:当在第一预设时段内未接收到来自特定传感器的数据时,判定特定传感器存在异常;和/或当在接收到的来自特定传感器的数据质量低于第一预设区间时,判定特定传感器存在异常。
以上例子主要说明了本发明的人流量估测***及用于其的故障处理方法。尽管只对其中一些本发明的实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (25)
1.一种人流量估测***,其特征在于,包括:
传感器网络,其包括布置在待估测区域中的多个用于检测人流量的传感器;
模型构建模块,其基于所述传感器的布置位置来构建人流量状态模型,并基于所述传感器的数据来构建传感器网络模型;
人流量估测模块,其基于所述人流量状态模型及传感器网络模型来估测人流量及提供估测人流量的数据权重;
其中,还包括故障检测模块,其用于检测所述传感器网络中的各个传感器是否异常;且所述模型构建模块还用于在所述传感器存在异常时调整人流量状态模型及传感器网络模型;
其中,多个所述传感器将所述待估测区域划分成多个待估测子区域;所述人流量状态模型用于反映各个所述待估测子区域内的人数以及进出各个所述待估测子区域的人流量;以及
在所述故障检测模块判定特定传感器存在异常时,由所述特定传感器划分的相邻的两个所述待估测子区域被合并成一个新的待估测子区域。
2.根据权利要求1所述的人流量估测***,其特征在于,所述模型构建模块用于在所述故障检测模块判定特定传感器存在异常时,降低所述人流量状态模型及传感器网络模型中涉及所述特定传感器的数据权重;和/或所述人流量估测模块用于在传感器存在异常时,自动降低所述特定传感器的估测人流量的数据权重。
3.根据权利要求2所述的人流量估测***,其特征在于,所述模型构建模块基于卡尔曼滤波算法来调整人流量状态模型及传感器网络模型,所述人流量估测模块基于卡尔曼滤波算法来分析人流量状态模型及传感器网络模型,所述数据权重对应于卡尔曼滤波算法中涉及所述特定传感器的方程的协方差值;在数据权重降低时,所述协方差值增大。
4.根据权利要求2所述的人流量估测***,其特征在于,还包括可信度评估模块,其用于根据所述人流量估测模块提供的各个传感器的估测人流量的数据权重来评估来自各个传感器的数据的可信度。
5.根据权利要求4所述的人流量估测***,其特征在于,当所述人流量估测模块基于人流量状态模型及传感器网络模型应用卡尔曼滤波算法估测时,所述可信度对应于卡尔曼滤波算法中涉及所述特定传感器的方程的协方差值;在所述协方差值增大时,所述可信度低。
6.根据权利要求4所述的人流量估测***,其特征在于,所述人流量估测***在所述可信度评估模块于第二预设时段内提供的特定传感器的可信度逐渐降低时,发出针对所述特定传感器的故障预警信号。
7.根据权利要求1至6任意一项所述的人流量估测***,其特征在于,所述模型构建模块包括动态传感器融合子模块,用于基于多个传感器的数据来构建传感器网络模型。
8.根据权利要求1至6任意一项所述的人流量估测***,其特征在于,所述模型构建模块包括:用于调整人流量状态模型的自适应配置子模块,用于在所述故障检测模块判定特定传感器存在异常时,降低所述人流量状态模型及传感器网络模型中涉及所述特定传感器的数据权重。
9.根据权利要求1所述的人流量估测***,其特征在于,所述模型构建模块基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来调整人流量状态模型及传感器网络模型。
10.根据权利要求1所述的人流量估测***,其特征在于,所述人流量估测模块基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来估测人流量。
11.根据权利要求1至6任意一项所述的人流量估测***,其特征在于,所述故障检测模块用于在第一预设时段内未接收到来自特定传感器的数据时,判定所述特定传感器存在异常;和/或所述故障检测模块用于在接收到的来自特定传感器的数据质量低于第一预设区间时,判定所述特定传感器存在异常。
12.根据权利要求1至6任意一项所述的人流量估测***,其特征在于,所述传感器布置在待检测空间的各个出入口处。
13.根据权利要求1至6任意一项所述的人流量估测***,其特征在于,传感器包括光束传感器和/或PIR传感器和/或视频摄像头。
14.一种用于人流量估测***的故障处理方法,其特征在于,所述人流量估测***包括传感器网络、模型构建模块、人流量估测模块以及故障检测模块;所述故障处理方法包括:
故障检测步骤S100,实时检测传感器网络中的各个用于检测人流量的传感器是否异常;
模型调整步骤S200,在检测到传感器存在异常时,调整所述人流量估测***中涉及的人流量状态模型及传感器网络模型;在未检测到传感器存在异常时,不调整人流量状态模型及传感器网络模型;
人流量估测步骤S300,基于步骤S200中的人流量状态模型及传感器网络模型来估测人流量并提供估测人流量的数据权重;
其中,所述人流量状态模型基于所述传感器的布置位置来构建,且所述传感器网络模型基于所述传感器的数据来构建;
其中,多个所述传感器将待估测区域划分成多个待估测子区域;所述人流量状态模型用于反映各个所述待估测子区域内的人数以及进出各个所述待估测子区域的人流量;步骤S200还包括:
异常处理步骤S220,当检测到特定传感器存在异常时,从传感器网络模型中移除所述特定传感器,并将由所述特定传感器划分的相邻的两个待估测子区域合并成一个新的待估测子区域。
15.根据权利要求14所述的故障处理方法,其特征在于,步骤S200还包括:
异常赋值步骤S210,在判定特定传感器存在异常时,降低所述人流量状态模型及传感器网络模型中涉及所述特定传感器的数据权重。
16.根据权利要求14所述的故障处理方法,其特征在于,步骤S300还包括:在传感器存在异常时,自动降低所述特定传感器的估测人流量的数据权重。
17.根据权利要求16所述的故障处理方法,其特征在于,当步骤S300中基于卡尔曼滤波算法来分析人流量状态模型及传感器网络模型时,所述数据权重对应于卡尔曼滤波算法中涉及所述特定传感器的方程的协方差值;在数据权重降低时,所述协方差值增大。
18.根据权利要求16所述的故障处理方法,其特征在于,还包括可信度评估步骤S400,其根据步骤S300中提供的各个传感器的估测人流量的数据权重来评估来自各个传感器的数据的可信度。
19.根据权利要求18所述的故障处理方法,其特征在于,当步骤S300中基于卡尔曼滤波算法来分析人流量状态模型及传感器网络模型时,步骤S400中的可信度对应于卡尔曼滤波算法中涉及所述特定传感器的方程的协方差值;在所述协方差值增大时,所述可信度低。
20.根据权利要求18所述的故障处理方法,其特征在于,还包括故障预警步骤S500,当步骤S400在第二预设时段内提供的特定传感器的可信度逐渐降低时,发出针对所述特定传感器的故障预警信号。
21.根据权利要求14至20任意一项所述的故障处理方法,其特征在于,步骤S200包括动态传感器融合子步骤,用于基于多个所述传感器的数据来构建传感器网络模型。
22.根据权利要求14至20任意一项所述的故障处理方法,其特征在于,步骤S200包括用于调整人流量状态模型的自适应配置子步骤,用于在所述故障检测模块判定特定传感器存在异常时,降低所述人流量状态模型及传感器网络模型中涉及所述特定传感器的数据权重。
23.根据权利要求14所述的故障处理方法,其特征在于,在步骤S200中,基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来调整人流量状态模型及传感器网络模型。
24.根据权利要求14所述的故障处理方法,其特征在于,在步骤S300中,基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来估测人流量。
25.根据权利要求14至20任意一项所述的故障处理方法,其特征在于,步骤S100包括:当在第一预设时段内未接收到来自特定传感器的数据时,判定所述特定传感器存在异常;和/或当在接收到的来自特定传感器的数据质量低于第一预设区间时,判定所述特定传感器存在异常。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710095441.8A CN108460864B (zh) | 2017-02-22 | 2017-02-22 | 人流量估测***及用于其的故障处理方法 |
EP18715825.8A EP3586208B1 (en) | 2017-02-22 | 2018-01-18 | People flow estimation system and the failure processing method thereof |
US16/488,098 US11526161B2 (en) | 2017-02-22 | 2018-01-18 | People flow estimation system and the failure processing method thereof |
PCT/US2018/014156 WO2018156268A1 (en) | 2017-02-22 | 2018-01-18 | People flow estimation system and the failure processing method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710095441.8A CN108460864B (zh) | 2017-02-22 | 2017-02-22 | 人流量估测***及用于其的故障处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460864A CN108460864A (zh) | 2018-08-28 |
CN108460864B true CN108460864B (zh) | 2022-09-02 |
Family
ID=61899338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710095441.8A Active CN108460864B (zh) | 2017-02-22 | 2017-02-22 | 人流量估测***及用于其的故障处理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11526161B2 (zh) |
EP (1) | EP3586208B1 (zh) |
CN (1) | CN108460864B (zh) |
WO (1) | WO2018156268A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020065606A1 (en) * | 2018-09-27 | 2020-04-02 | Demaclenko It S.R.L. | System and method for detecting the number of users on at least one ski resort run |
CN111967340B (zh) * | 2020-07-27 | 2023-08-04 | 中国地质大学(武汉) | 一种基于视觉感知的异常事件检测方法及*** |
CN112308193B (zh) * | 2020-10-29 | 2023-04-07 | 山西大学 | 一种车站检票口人流量数据收集装置 |
CN114694285B (zh) * | 2022-03-29 | 2023-09-01 | 重庆紫光华山智安科技有限公司 | 人流量告警方法、装置、电子设备和存储介质 |
CN114694099B (zh) * | 2022-04-08 | 2024-06-07 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的人流量预测方法、装置及相关设备 |
CN115140626A (zh) * | 2022-06-21 | 2022-10-04 | 华能承德风力发电有限公司 | 一种风电机组厢式提升设备的安全检测方法、***及装置 |
CN115159285B (zh) * | 2022-07-01 | 2023-11-03 | 重庆大学 | 电梯状态监测方法及电梯状态监测装置 |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5173691A (en) | 1990-07-26 | 1992-12-22 | Farradyne Systems, Inc. | Data fusion process for an in-vehicle traffic congestion information system |
US5321613A (en) | 1992-11-12 | 1994-06-14 | Coleman Research Corporation | Data fusion workstation |
US20150197248A1 (en) * | 1997-10-22 | 2015-07-16 | American Vehicular Sciences Llc | Vehicle speed control method and arrangement |
US6415276B1 (en) | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US7283904B2 (en) | 2001-10-17 | 2007-10-16 | Airbiquity, Inc. | Multi-sensor fusion |
WO2007018523A2 (en) * | 2004-07-28 | 2007-02-15 | Sarnoff Corporation | Method and apparatus for stereo, multi-camera tracking and rf and video track fusion |
US7218974B2 (en) * | 2005-03-29 | 2007-05-15 | Zarpac, Inc. | Industrial process data acquisition and analysis |
EP1713036B1 (en) * | 2005-04-11 | 2012-01-04 | Teknovisio Oy | System for detecting incorrectly functioning sensors in a visitor counting system |
US7840353B2 (en) | 2005-05-17 | 2010-11-23 | The Boards of Trustees of the University of Illinois | Method and system for managing a network of sensors |
US7764167B2 (en) * | 2006-01-18 | 2010-07-27 | British Telecommunications Plc | Monitoring movement of an entity in an environment |
GB0616646D0 (en) | 2006-08-22 | 2006-10-04 | Infrared Integrated Syst Ltd | Queuing system |
WO2009038558A1 (en) * | 2007-09-19 | 2009-03-26 | United Technologies Corporation | System and method for occupancy estimation |
US9109896B2 (en) * | 2007-09-20 | 2015-08-18 | Utc Fire & Security Corporation | Model-based egress support system |
US8195598B2 (en) * | 2007-11-16 | 2012-06-05 | Agilence, Inc. | Method of and system for hierarchical human/crowd behavior detection |
US8229618B2 (en) | 2008-09-11 | 2012-07-24 | Deere & Company | Leader-follower fully autonomous vehicle with operator on side |
US9086499B2 (en) | 2008-09-23 | 2015-07-21 | Purdue Research Foundation | Clustering protocol for directional sensor networks |
US9520040B2 (en) | 2008-11-21 | 2016-12-13 | Raytheon Company | System and method for real-time 3-D object tracking and alerting via networked sensors |
US9649036B2 (en) | 2009-04-22 | 2017-05-16 | Rodrigo Teixeira | Biomedical parameter probabilistic estimation method and apparatus |
TWI416068B (zh) * | 2009-12-10 | 2013-11-21 | Ind Tech Res Inst | 跨感測器間之物體追蹤方法與系統 |
CN101794382B (zh) * | 2010-03-12 | 2012-06-13 | 华中科技大学 | 一种实时公交车客流量统计的方法 |
AU2011265563B2 (en) | 2010-12-24 | 2016-09-22 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
US8253985B2 (en) * | 2011-01-27 | 2012-08-28 | Seiko Epson Corporation | Image registration parameters and confidence estimation from sensor data |
WO2013003860A1 (en) * | 2011-06-30 | 2013-01-03 | Yale University | Subject sensing in an environment |
US9183512B2 (en) * | 2011-12-15 | 2015-11-10 | Northeastern University | Real-time anomaly detection of crowd behavior using multi-sensor information |
KR101480348B1 (ko) * | 2013-05-31 | 2015-01-09 | 삼성에스디에스 주식회사 | 사람 검출 장치 및 방법과 사람 계수 장치 및 방법 |
US9304185B2 (en) * | 2014-05-31 | 2016-04-05 | Apple Inc. | Deduplicating location fingerprint data |
US9984334B2 (en) * | 2014-06-16 | 2018-05-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for anomaly detection in time series data based on spectral partitioning |
US9460615B2 (en) | 2014-09-12 | 2016-10-04 | Umm Al-Qura University | Automatic update of crowd and traffic data using device monitoring |
WO2016085769A1 (en) | 2014-11-24 | 2016-06-02 | Sikorsky Aircraft Corporation | Multispectral sensor fusion system for platform state estimation |
WO2016100554A1 (en) * | 2014-12-16 | 2016-06-23 | Rhumbix, Inc. | Systems and methods for optimizing project efficiency |
US9618918B2 (en) * | 2015-07-13 | 2017-04-11 | James Thomas O'Keeffe | System and method for estimating the number of people in a smart building |
US20170017846A1 (en) * | 2015-07-15 | 2017-01-19 | Umm Al-Qura University | Crowd and traffic monitoring apparatus and method |
CN105243418A (zh) * | 2015-11-18 | 2016-01-13 | 桂林电子科技大学 | 一种基于红外测温传感器的人流量统计方法及装置 |
WO2017122258A1 (ja) * | 2016-01-12 | 2017-07-20 | 株式会社日立国際電気 | 混雑状況監視システム |
CN117864918A (zh) * | 2016-07-29 | 2024-04-12 | 奥的斯电梯公司 | 乘客运输装置的监测***、乘客运输装置及其监测方法 |
US20210286924A1 (en) * | 2020-03-11 | 2021-09-16 | Aurora Innovation, Inc. | Generating autonomous vehicle simulation data from logged data |
KR20220005854A (ko) * | 2020-07-07 | 2022-01-14 | 현대모비스 주식회사 | 지게차 및 지게차용 자가 충전 장치 |
-
2017
- 2017-02-22 CN CN201710095441.8A patent/CN108460864B/zh active Active
-
2018
- 2018-01-18 US US16/488,098 patent/US11526161B2/en active Active
- 2018-01-18 EP EP18715825.8A patent/EP3586208B1/en active Active
- 2018-01-18 WO PCT/US2018/014156 patent/WO2018156268A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2018156268A1 (en) | 2018-08-30 |
EP3586208B1 (en) | 2021-07-21 |
CN108460864A (zh) | 2018-08-28 |
US11526161B2 (en) | 2022-12-13 |
US20200004232A1 (en) | 2020-01-02 |
EP3586208A1 (en) | 2020-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460864B (zh) | 人流量估测***及用于其的故障处理方法 | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
JP5121258B2 (ja) | 不審行動検知システム及び方法 | |
KR102096175B1 (ko) | 천장 레일형 IoT 기반 감시 로봇 장치 | |
US10977924B2 (en) | Intelligent river inundation alarming system and method of controlling the same | |
US20190309974A1 (en) | System for Monitoring Occupancy and Activity in a Space | |
JP2019079445A (ja) | 火災監視システム | |
KR102182008B1 (ko) | 통합 환경 감시를 통한 관제시스템 및 방법 | |
JP2008257513A (ja) | 異常状態監視装置およびエレベータシステム | |
US11113516B2 (en) | People flow estimation system and people flow estimation method | |
JP2012128877A (ja) | 不審行動検知システム及び方法 | |
US11983913B2 (en) | Video surveillance system with crowd size estimation | |
KR20180116577A (ko) | 건물 시스템 진단 방법 및 장치 | |
US20180188104A1 (en) | Signal detection device, signal detection method, and recording medium | |
KR20140111396A (ko) | 센서 모니터링 장치, 센서 모니터링 방법, 및 이를 위한 기록매체 | |
US20050105771A1 (en) | Object detection apparatus and method | |
Ricquebourg et al. | Fault detection by combining redundant sensors: a conflict approach within the tbm framework | |
KR20230102532A (ko) | 시계열 데이터 예측 기법과 이미지 분류를 적용한 화재 판별 시스템 및 방법 | |
US10520209B2 (en) | Motion tracking | |
CN116431994A (zh) | 一种火灾监测方法和*** | |
KR101083811B1 (ko) | 침입 검출 방법 및 이를 이용한 보안 로봇 | |
Wildermann et al. | Self-organizing computer vision for robust object tracking in smart cameras | |
Larsen et al. | Model based level shift detection in autocorrelated data streams using a moving window | |
WO2021181790A1 (ja) | 画像処理装置、画像処理方法およびプログラム | |
WO2021108960A1 (en) | Method and apparatus for sensor measurements processing |
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 |