CN109272528A - 一种行人轨迹获取方法及装置 - Google Patents
一种行人轨迹获取方法及装置 Download PDFInfo
- Publication number
- CN109272528A CN109272528A CN201811090203.9A CN201811090203A CN109272528A CN 109272528 A CN109272528 A CN 109272528A CN 201811090203 A CN201811090203 A CN 201811090203A CN 109272528 A CN109272528 A CN 109272528A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- track
- time period
- result data
- preset time
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种行人轨迹获取方法及装置,获取追踪识别结果数据,其中,追踪识别结果数据包括行人ID、识别时间以及行人坐标点,追踪识别结果数据为同一摄像头在第一预设时间段内获得的行人ID对应的行人的多张照片;获取第一预设时间段内每秒对应的多张照片,对每秒对应的多张照片的行人ID的行人坐标点求平均值,获取第一预设时间段内每秒对应的行人ID的行人位置平均值;计算第一预设时间段内相邻两秒的行人位置平均值的位置差值;判断位置差值是否大于第一预设值;若是,则判定在上述相邻两秒内行人ID对应的行人在移动。若行人移动,则可以根据时间先后顺序获得的行人移动方向来获得行人移动的轨迹。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种行人轨迹获取方法及装置。
背景技术
随着人工智能的日益发展,深度学习、神经网络等模型算法的优化与迭代,机器识别出人的准确度已经与人类的识别准确度相差无几了。同时,基于行人轨迹追踪的应用也是越来越多。在商业智能的场景下,理清人与物的时空关系尤为重要。如何利用好行人的位置信息,在大流量,大数据的场景下,如何在商场中获取该行人的移动轨迹显得尤为重要。
申请内容
有鉴于此,本申请实施例提供了一种行人轨迹获取方法及装置。
第一方面,本申请实施例提供了一种行人轨迹获取方法,所述方法包括:获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;判断所述位置差值是否大于第一预设值;若是,则判定在上述相邻两秒内所述行人ID对应的行人在移动。
在一个可能的设计中,在判断所述位置差值是否大于第一预设值之后,所述方法还包括:若所述位置差值小于所述第一预设值,则判定在上述相邻两秒内所述行人ID对应的行人为静止状态。
在一个可能的设计中,所述方法还包括:按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。
在一个可能的设计中,在获得所述行人ID对应的行人轨迹之后,所述方法还包括:按照GeoJSON标准,将所述行人轨迹生成相应的数据;将所述数据进行整合并存储至业务数据库。
在一个可能的设计中,在所述获取追踪识别结果数据之前,所述方法还包括:获取摄像头采集的视频流;控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
第二方面,本申请实施例提供了一种行人轨迹获取装置,所述装置包括:结果数据获取模块,用于获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;位置平均值获取模块,用于获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;位置差值计算模块,用于计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;差值判断模块,用于判断所述位置差值是否大于第一预设值;行人移动判定模块,用于判定在上述相邻两秒内所述行人ID对应的行人在移动。
在一个可能的设计中,所述装置还包括:行人静止判定模块,用于判定在上述相邻两秒内所述行人ID对应的行人为静止状态。
在一个可能的设计中,所述装置还包括:行人轨迹获得模块,用于按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。
在一个可能的设计中,所述装置还包括:数据生成模块,用于按照GeoJSON标准,将所述行人轨迹生成相应的数据;数据存储模块,用于将所述数据进行整合并存储至业务数据库。
在一个可能的设计中,所述装置还包括:视频流采集模块,用于获取摄像头采集的视频流;结果数据获得模块,用于控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
在本申请实施例提供的行人轨迹获取方法及装置中,获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;判断所述位置差值是否大于第一预设值;若是,则判定在上述相邻两秒内所述行人ID对应的行人在移动。可以根据相邻两秒的行人位置平均值的位置差值与第一预设值进行比较,然后根据比较结果来判断行人在该相邻两秒内是否移动,若行人移动,则可以根据时间先后顺序获得的行人移动方向来获得行人移动的轨迹。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚的说明本申请实施例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简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请第一实施例提供的行人轨迹获取方法的流程图;
图2是本申请第一实施例提供的行人轨迹获取方法的一种具体实施方式的流程图;
图3是本申请第一实施例提供的行人轨迹获取方法的部分步骤流程图;
图4是本申请第二实施例提供的行人轨迹获取装置的结构框图。
具体实施方式
第一实施例
请参见图1,图1示出了本申请第一实施例提供的行人轨迹获取方法的流程示意图,具体包括如下步骤:
步骤S110,获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片。
追踪识别结果数据可以包括行人ID、识别时间以及行人坐标点,行人ID可以为标识该行人,使之与其他行人进行区分的标识符,具体地,摄像头可以根据行人的衣着特征来生成行人ID。识别时间可以为摄像头拍摄的具体日期,也可以包括摄像头从记录行人出现到该行人从摄像头的视野中消失的具体时长。行人坐标点可以为行人ID对应的行人在图像中的矩形框框出的四个角的坐标。
所述追踪识别结果数据具体为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片。
在步骤S110之前,所述方法还包括:获取摄像头采集的视频流;控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
具体地,可以由摄像头采集到该摄像头拍摄范围内的视频流,并且将视频流发送给图形处理器处理,从而获得追踪识别结果数据。图形处理器可以进行预处理,包括校验数据的正确性和压缩数据,然后将预处理的数据打包到消息队列中,从消息队列中读数据,同时对拿出来的数据解压和整理。
图形处理器在处理过程中,可以根据行人的服装特征来生成行人ID,并且将该行人ID对应的行人在图像中以矩形框的方式框出,然后还可以给出矩形框的四个角,即该矩形框的坐标点。
步骤S120,获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值。
第一预设时间段为行人ID对应的行人从摄像头拍摄到的画面中出现到该行人消失在画面中的时间段,摄像头每秒可以拍摄多张照片。
对于每秒获得的多张照片,可以对照片中行人ID对应的行人坐标点求平均值,获得行人位置平均值。具体地,可以根据行人坐标点对应的矩形框获得矩形框底边的中间位置,将其作为行人的位置点,然后具体对行人位置点求平均值,获得行人位置平均值。
在一种具体的实施方式中,第一预设时间段可以为10秒,摄像头每秒可以获得5张照片,则对于10秒中的每一秒,都获得5张照片中行人的位置点的平均值,从而获得10秒内每秒对应的行人ID的行人位置平均值。
步骤S130,计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值。
获得每秒对应的行人ID的行人位置平均值之后,可以计算在第一预设时间段内相邻两秒的行人位置平均值的位置差值。
步骤S140,判断所述位置差值是否大于第一预设值,若是,执行步骤S150。
然后将相邻两秒的行人位置平均值的位置差值与第一预设值进行比较,若位置差值大于第一预设值,则表明行人处于移动状态,故执行步骤S150。
步骤S150,判定在上述相邻两秒内所述行人ID对应的行人在移动。
判定在上述的相邻两秒内的行人ID对应的行人处于移动状态。
请参见图2,图2示出了本申请第一实施例提供的行人轨迹获取方法的一种具体实施方式,具体包括如下步骤:
步骤S110,获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片。
步骤S120,获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值。
步骤S130,计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值。
步骤S140,判断所述位置差值是否大于第一预设值,若是,执行步骤S150;若否,执行步骤S160。
步骤S150,判定在上述相邻两秒内所述行人ID对应的行人在移动。
步骤S160,判定在上述相邻两秒内所述行人ID对应的行人为静止状态。
将相邻两秒的行人位置平均值的位置差值与第一预设值进行比较,若位置差值小于第一预设值,则表明行人在上述相邻两秒内几乎没有移动,则可以判定行人ID对应的行人为静止状态。
请参见图3,图3示出了步骤S160之后的具体步骤示意图,具体包括如下步骤:
步骤S170,按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。
可以按照第一预设时间段的时间顺序,对获得的行人位置平均值进行连线,从而获得行人ID对应的行人轨迹,其中行人为静止状态时的位置点还可以再取平均值,从而获得行人ID对应的该行人轨迹的位置。
步骤S180,按照GeoJSON标准,将所述行人轨迹生成相应的数据。
具体可以按照GeoJSON标准,来将行人轨迹生成相应的数据。
步骤S190,将所述数据进行整合并存储至业务数据库。
然后将上述这些数据整合后存储至业务数据库中。
具体地,由于商场内有多个品牌商,每个品牌商有多个门店,每个门店有多个摄像头,因此可以根据品牌商ID、门店ID、摄像头ID以及行人ID的顺序来对追踪识别结果数据进行分类。
由于对追踪识别结果数据进行了分类,可以构造数据分析条件来查询分类之后的追踪识别结果数据,根据数据分析条件构造查询语句,从而对分类完成的追踪识别结果数据进行查询。查询操作请求具体可以是向时序数据库发起的。根据查询请求对应的摄像头ID以及行人ID,可以获得该行人ID在该摄像头ID的拍摄之下获得的行动轨迹,并且按照GeoJSON标准规范生成相应的数据。对数据进行重新整合和分类之后,可以将数据按照一定规则保存到数据库中,该数据库可以为业务数据库。
第二实施例
请参见图4,图4示出了本申请第二实施例提供的行人轨迹获取装置,该装置300包括:
结果数据获取模块310,用于获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片。
位置平均值获取模块320,用于获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值。
位置差值计算模块330,用于计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值。
差值判断模块340,用于判断所述位置差值是否大于第一预设值。
行人移动判定模块350,用于判定在上述相邻两秒内所述行人ID对应的行人在移动。
所述装置还包括:
行人静止判定模块,用于判定在上述相邻两秒内所述行人ID对应的行人为静止状态。行人轨迹获得模块,用于按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。数据生成模块,用于按照GeoJSON标准,将所述行人轨迹生成相应的数据。数据存储模块,用于将所述数据进行整合并存储至业务数据库。视频流采集模块,用于获取摄像头采集的视频流。结果数据获得模块,用于控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本申请还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一实施例所述的方法。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一实施例所述的方法。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一实施例所述的方法。
在本申请实施例提供的行人轨迹获取方法及装置中,获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;判断所述位置差值是否大于第一预设值;若是,则判定在上述相邻两秒内所述行人ID对应的行人在移动。可以根据相邻两秒的行人位置平均值的位置差值与第一预设值进行比较,然后根据比较结果来判断行人在该相邻两秒内是否移动,若行人移动,则可以根据时间先后顺序获得的行人移动方向来获得行人移动的轨迹。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本申请实施例中,可以将多个交换机虚拟为一个交换设备,该交换设备接收目标地址操作指令,并依据相应的操作指令来执行相应的操作。然而由于交换设备无法实时完成所有操作指令的处理,因此,有部分目标地址操作指令被缓存。当交换设备接收到一个新的目标地址操作指令时,可以判断缓存的地址操作指令中,是否存在地址操作指令携带的目标地址与该新接收的目标地址操作指令的目标地址一致,若存在,则舍弃该目标地址操作指令即可,因为可以与该新接收的目标地址操作指令执行相同操作的地址操作指令已经缓存,故不需要再缓存该目标地址操作指令,较好的减少了缓存队列中的冗余性。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种行人轨迹获取方法,其特征在于,所述方法包括:
获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;
获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;
计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;
判断所述位置差值是否大于第一预设值;
若是,则判定在上述相邻两秒内所述行人ID对应的行人在移动。
2.根据权利要求1所述的方法,其特征在于,在判断所述位置差值是否大于第一预设值之后,所述方法还包括:
若所述位置差值小于所述第一预设值,则判定在上述相邻两秒内所述行人ID对应的行人为静止状态。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。
4.根据权利要求3所述的方法,其特征在于,在获得所述行人ID对应的行人轨迹之后,所述方法还包括:
按照GeoJSON标准,将所述行人轨迹生成相应的数据;
将所述数据进行整合并存储至业务数据库。
5.根据权利要求1所述的方法,其特征在于,在所述获取追踪识别结果数据之前,所述方法还包括:
获取摄像头采集的视频流;
控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
6.一种行人轨迹获取装置,其特征在于,所述装置包括:
结果数据获取模块,用于获取追踪识别结果数据,其中,所述追踪识别结果数据包括行人ID、识别时间以及行人坐标点,所述追踪识别结果数据为同一摄像头在第一预设时间段内获得的所述行人ID对应的行人的多张照片;
位置平均值获取模块,用于获取所述第一预设时间段内每秒对应的多张照片,对所述每秒对应的多张照片的行人ID的行人坐标点求平均值,获取所述第一预设时间段内每秒对应的行人ID的行人位置平均值;
位置差值计算模块,用于计算所述第一预设时间段内相邻两秒的行人位置平均值的位置差值;
差值判断模块,用于判断所述位置差值是否大于第一预设值;
行人移动判定模块,用于判定在上述相邻两秒内所述行人ID对应的行人在移动。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
行人静止判定模块,用于判定在上述相邻两秒内所述行人ID对应的行人为静止状态。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
行人轨迹获得模块,用于按照所述第一预设时间段的时间顺序,对所述行人位置平均值进行连线,获得所述行人ID对应的行人轨迹。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
数据生成模块,用于按照GeoJSON标准,将所述行人轨迹生成相应的数据;
数据存储模块,用于将所述数据进行整合并存储至业务数据库。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
视频流采集模块,用于获取摄像头采集的视频流;
结果数据获得模块,用于控制图形处理器对所述视频流进行处理,获得所述追踪识别结果数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090203.9A CN109272528A (zh) | 2018-09-18 | 2018-09-18 | 一种行人轨迹获取方法及装置 |
PCT/CN2018/117284 WO2020056913A1 (zh) | 2018-09-18 | 2018-11-23 | 行人轨迹获取方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090203.9A CN109272528A (zh) | 2018-09-18 | 2018-09-18 | 一种行人轨迹获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272528A true CN109272528A (zh) | 2019-01-25 |
Family
ID=65197938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090203.9A Pending CN109272528A (zh) | 2018-09-18 | 2018-09-18 | 一种行人轨迹获取方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109272528A (zh) |
WO (1) | WO2020056913A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060222205A1 (en) * | 2005-04-01 | 2006-10-05 | Porikli Fatih M | Tracking objects in low frame rate videos |
CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
CN103471720A (zh) * | 2013-08-20 | 2013-12-25 | 中钢集团邢台机械轧辊有限公司 | 用于喷雾热处理的红外实时测温***及方法 |
CN103562822A (zh) * | 2011-04-28 | 2014-02-05 | Nec软件***科技有限公司 | 信息处理设备、信息处理方法以及记录介质 |
CN103745485A (zh) * | 2013-12-31 | 2014-04-23 | 深圳泰山在线科技有限公司 | 判断物体静止或运动的方法及*** |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析***及方法 |
CN106156745A (zh) * | 2016-07-06 | 2016-11-23 | 宁波大学 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5547144B2 (ja) * | 2011-09-08 | 2014-07-09 | 株式会社東芝 | 監視装置、その方法、及び、そのプログラム |
CN104036246B (zh) * | 2014-06-10 | 2017-02-15 | 电子科技大学 | 一种基于多特征融合及多态均值的车道线定位方法 |
CN104156987B (zh) * | 2014-09-10 | 2017-05-10 | 成都金盘电子科大多媒体技术有限公司 | 一种视频内容多目标跟踪方法 |
-
2018
- 2018-09-18 CN CN201811090203.9A patent/CN109272528A/zh active Pending
- 2018-11-23 WO PCT/CN2018/117284 patent/WO2020056913A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060222205A1 (en) * | 2005-04-01 | 2006-10-05 | Porikli Fatih M | Tracking objects in low frame rate videos |
CN103562822A (zh) * | 2011-04-28 | 2014-02-05 | Nec软件***科技有限公司 | 信息处理设备、信息处理方法以及记录介质 |
CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
CN103471720A (zh) * | 2013-08-20 | 2013-12-25 | 中钢集团邢台机械轧辊有限公司 | 用于喷雾热处理的红外实时测温***及方法 |
CN103745485A (zh) * | 2013-12-31 | 2014-04-23 | 深圳泰山在线科技有限公司 | 判断物体静止或运动的方法及*** |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析***及方法 |
CN106156745A (zh) * | 2016-07-06 | 2016-11-23 | 宁波大学 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020056913A1 (zh) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210294326A1 (en) | Method and system for closed loop perception in autonomous driving vehicles | |
US11550334B2 (en) | Method and system for integrated global and distributed learning in autonomous driving vehicles | |
US10002309B2 (en) | Real-time object analysis with occlusion handling | |
CN102663722B (zh) | 使用深度图像的活动对象分割 | |
EP2858008B1 (en) | Target detecting method and system | |
US10810442B2 (en) | People flow estimation device, people flow estimation method, and recording medium | |
US8457355B2 (en) | Incorporating video meta-data in 3D models | |
CN105405150B (zh) | 基于融合特征的异常行为检测方法和装置 | |
WO2020069525A1 (en) | Method for detecting objects and localizing a mobile computing device within an augmented reality experience | |
US20200234033A1 (en) | Processing uncertain content in a computer graphics system | |
JP2020061146A (ja) | 畳み込みニューラルネットワークを利用してpoi変化を検出するためのシステムおよび方法 | |
CN106295598A (zh) | 一种跨摄像头目标跟踪方法及装置 | |
CN109189878B (zh) | 一种人群热力图获得方法及装置 | |
WO2018161037A1 (en) | Systems and methods for quantitatively assessing collision risk and severity | |
CN108700946A (zh) | 用于并行测距和建图的故障检测和恢复的***和方法 | |
CN103477352A (zh) | 使用深度图像的姿势识别 | |
CN110991261A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN108229456A (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
KR20110035662A (ko) | 감시 카메라를 이용한 지능형 영상 검색 방법 및 시스템 | |
CN109840503A (zh) | 一种确定种类信息的方法及装置 | |
KR20190088087A (ko) | 움직임 정보를 이용한 인공지능 학습기반의 이동객체 영상 분류처리 방법 | |
CN111382637A (zh) | 行人检测跟踪方法、装置、终端设备及介质 | |
KR20140141239A (ko) | 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템 | |
Bazo et al. | Baptizo: A sensor fusion based model for tracking the identity of human poses | |
CN109272528A (zh) | 一种行人轨迹获取方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |