CN109933915A - 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 - Google Patents
时空模型建立***、方法、运动样本监测***及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109933915A CN109933915A CN201910201083.3A CN201910201083A CN109933915A CN 109933915 A CN109933915 A CN 109933915A CN 201910201083 A CN201910201083 A CN 201910201083A CN 109933915 A CN109933915 A CN 109933915A
- Authority
- CN
- China
- Prior art keywords
- time
- monitoring device
- distribution
- model
- space
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012806 monitoring device Methods 0.000 claims abstract description 142
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012876 topography Methods 0.000 claims abstract description 6
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种时空模型建立***、方法、运动样本监测***及计算机可读存储介质。时空模型建立***，时空模型建立***包括：路径绘制模块，获取指定区域内监控设备的空间分布，绘制监控设备间的行程路径；统计模块，收集运动样本于指定区域内的运动时间，计算任意运动样本的耗时分布；计算模块，接收耗时分布计算耗时分布的高斯分布模型，获取耗时分布的均值及方差；拓扑模块，接收均值、方差及行程路径，建立包括运动样本的运动概率的权重矩阵；建立模块，基于权重矩阵建立时空模型。采用上述技术方案后，针对不同类型目标(如车辆和行人)的运动状态进行监测和识别，以便于更好地对交通流量进行预测和规划。
Description
技术领域
本发明涉及统计学领域，尤其涉及一种时空模型建立***、方法、运动样本监测***及计算机可读存储介质。
背景技术
随着我国经济水平和人民生活质量的提高，为维护社会的稳定，保障人民群众在公共区域内的安全，现如今在如道路、商场的公共区域内，安装有大量的摄像头、传感器等，对在公共区域内的机动车(私家车、出租车、公交车、工程车)、非机动车(自行车、电动车、三轮车)和行人，进行路网监测。
为了提高对各监测对象的有效管理，现有监测***大都是在道路卡口位置对车辆进行管理，部分主要路段和商场等人流密集场所部署人脸识别***对行人进行管控，但这些***采用“命中-则-计数”策略进行管理，当发生案件需要快速查询指定目标车辆或行人时，无法有效将时间信息和空间信息进行结合，因此管理效率低下。
且由于实际场景的复杂性，包含各处区域内的交通流在时间信息的时间维度和包含空间信息的空间维度上都存在混合型和不均衡性，难以通过单一模型刻画实测数据的真实状况。
因此，需要一种新型的包含时间维度及空间维度的时空模型建立方法、***及应用有该时空模型的监测***，通过最少的变量直接反应某一区域内车辆的行驶状况或行人的身份信息，以高效率的方式对区域进行实时监测。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种时空模型建立***、方法、运动样本监测***及计算机可读存储介质，针对不同类型目标(如车辆和行人)的运动状态进行监测和识别，以便于更好地对交通流量进行预测和规划。
本发明公开了一种时空模型建立***，所述时空模型建立***包括：
路径绘制模块，获取一指定区域内监控设备的空间分布，并绘制至少一条表示两监控设备间的行程路径；
统计模块，收集至少一个运动样本于所述指定区域内自一监控设备至另一监控设备的运动时间，并计算任意运动样本的耗时分布；
计算模块，与所述统计模块连接，接收所述耗时分布，计算对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差；
拓扑模块，与所述计算模块及路径绘制模块连接，接收所述均值、方差及行程路径，建立包括运动样本于任意两监控设备间运动概率的权重矩阵；
建立模块，基于所述权重矩阵建立时空模型。
优选地，所述路径绘制模块包括：
采集单元，获取一指定区域内监控设备的空间位置及任意两监控设备间的相隔距离；
抽象单元，将所述空间位置及相隔距离抽象为有向图。
优选地，所述统计模块包括：
取样单元，获取多种运动样本以一监控设备为起点运动至以另一监控设备为终点的运动时间，形成一时间集合；
分析单元，根据所述时间集合，计算每种运动样本以一监控设备为起点运动至另一监控设备为终点的耗时分布。
优选地，所述计算模块包括：
定义单元，根据定义所述耗时分布的高斯分布模型，其中k表示运动样本的种类，xi表示起点的监控设备，xj表示终点的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度；
求解单元，对所述高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值及方差。
优选地，所述求解单元包括：
对数元，对似然函数：求对数以获得：
求导元，分别对均值及方差求偏导以获得均值：及方差：
优选地，所述计算模块计算所述行程路径上非相邻的监控设备间耗时分布的均值及方法时，根据：计算。
本发明还公开了一种时空模型建立方法，包括以下步骤：
获取一指定区域内监控设备的空间分布，并绘制至少一条表示两监控设备间的行程路径；
收集至少一个运动样本于所述指定区域内自一监控设备至另一监控设备的运动时间，并计算任意运动样本的耗时分布；
根据所述耗时分布计算每两监控设备对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差；
根据所述均值、方差及行程路径，建立包括运动样本于任意两监控设备间运动概率的权重矩阵；
基于所述权重矩阵建立时空模型。
优选地，根据所述耗时分布计算对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差的步骤包括：
根据定义所述耗时分布的高斯分布模型，其中k表示运动样本的种类，xi表示起点的监控设备，xj表示终点的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度；
对所述高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值及方差。
本发明还公开了一种运动样本监测***，包括如上所述的时空模型建立***及验证模块；
所述验证模块与所述建立模块连接，接收所述时空模型，且所述验证模块采集运动样本在一监控设备至另一监控设备的实际耗时，将所述实际耗时代入所述时空模型校验，以判断所述运动样本的真伪性。
本发明又公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的时空模型建立方法。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
1.通过对于指定区域的交通流的学习，时空模型可用于对该区域内的交通流进行预测和规划；
2.对于人民群众的安全保障上，可帮助筛查可疑人员，在警察同志破案、追踪丢失儿童上具有很大帮助；
3.可应用至行人再识别领域或车辆检索等场景，降低监测负载，提高监测效率。
附图说明
图1为符合本发明一优选实施例中时空模型建立***的结构示意图；
图2为符合本发明一优选实施例中路径绘制模块的结构示意图；
图3为符合本发明一优选实施例中指定区域内监控设备的空间分布示意图；
图4为符合本发明一优选实施例中统计模块计算的耗时分布示意图；
图5为符合本发明一优选实施例中高斯分布模型的示意图；
图6为符合本发明一优选实施例中时空模型建立方法的流程示意图；
图7为符合本发明一优选实施例中运动样本监测***的结构示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参阅图1，为符合本发明一优选实施例中时空模型建立***的结构示意图，在该实施例中，为建立同时包含时间维度和空间维度的模型，时空模型建立***包括：
-路径绘制模块
为融合了对如行人、机动车、非机动车等运动样本的移动规律的总结和预测，即运动样本在某一指定区域内的空间维度上的空间信息，设有路径绘制模块。路径绘制模块可以是集成在时空模型建立***的***级处理器内的功能模块，其与指定区域内的监控设备，如摄像/照相装置、传感器、配有RFID的设备等通信连接，或与负责指定区域内监控设备的布局的设备通信连接，抑或与存储有监控设备的布局的设备通信连接，从而获取监控设备在指定区域内的空间分布，例如，在指定区域内的某些具***置设置有监控设备，安装的设备是否同时具有摄像、照相功能，抑或是仅具有其中一项功能，指定区域若有多楼层，则每一或任一楼层的同一位置是否安装有监控设备等，再或者如监控设备的数量为多个时，任意两个监控设备间的直线距离、行程距离(两设备无法通过直线直达时，行人从一设备行进到另一设备的距离)等。上述空间分布信息的获取，使得路径绘制模块可详细了解指定区域内每一监控设备的放置情况以及指定区域内受监控设备监控的监控区域的情况。借助于统计算法，路径绘制模块根据空间分布信息最终可形成指定区域内监控设备的空间模型，以作为对运动样本的运动规律的总结和预判。例如，空间模型内具有的多条路径在实际应用场景的长期使用下，将划分出运动样本运动频次较多类型，以及运动样本运动频次较少类型，即各条路径的热点图，热点图同样也可作为附加信息融合至空间模型内。
路径绘制模块获取监控设备在指定区域内的空间分布情况后，由于所获取的为实际地域场景中监控设备的地理分布，该实际地域场景的噪音信息可能较多，因此，在路径绘制模块内，将绘制任意监控设备与相邻监控设备的行程路径，也即各监控设备的拓扑关系图(当两监控设备间不具有可直达路径时，可不视为“相邻关系”)。
参阅图3，为一模拟环境下具有6个监控设备的指定区域，经路径绘制模块绘制的监控设备的行程路径示意图。示意图内包括有各监控设备的空间分布及相邻监控设备的行进间距。根据各监控设备的空间分布及行程路径的距离，形成一例如表1所示的统计信息，以表征各路线的移动距离。
| 距离(m) | A | B | C | D | E | F |
| A | 0 | 300 | 500 | 300 | 700 | 900 |
| B | 300 | 0 | 200 | 600 | 500 | 700 |
| C | 500 | 200 | 0 | 700 | 300 | 500 |
| D | 300 | 600 | 700 | 0 | 400 | 600 |
| E | 700 | 500 | 300 | 400 | 0 | 200 |
| F | 900 | 700 | 500 | 600 | 200 | 0 |
表1
若一运动样本欲从监控设备A监控的区域到达监控设备F监控的区域，可有2条行程路径：A→D→E→F或A→B→C→E→F，则根据表1所示的监控设备拓扑关系，两条行程路径的路径长度分别为900米和1000米。再根据运动样本在不同工具下的移动速度，如步行、慢跑、快跑、非机动车、轮滑等计算以任一监控设备为起点，任意其他监控设备为终点的运动概率。具体地，以行人步行为例，取行人步行速度约1m/s(室内情况)，则简单来说，行人从监控设备A监控的区域到达监控设备F监控的区域无论是选择哪条路径，其移动所需时间应当在900秒以上，也即该行人出现在监控设备A内与出现在监控设备F内的时间间隔在900秒以上，则以行人出现在监控设备A内的时间为起始时刻(0时刻)，500秒时出现在监控设备F内的概率基本为0。
-统计模块
统计模块与路径绘制模块连接，基于路径绘制模块已成型的行程路径，收集至少一个运动样本、同一种类的多个运动样本或不同种类的多个运动样本在指定区域内的运动情况，如收集一目标行人从摄像头A节点到摄像头B节点的运动时间，一目标车辆同样从摄像头A节点到摄像头B节点的运动时间等。通过对运动时间的收集，在时间维度上可获得指定区域内真实历史数据，作为后续学习和预测的基础。
在部分或全部运动样本的运动时间收集后，统计模块将计算任意运动样本的耗时分布。例如以运动样本的种类为分类方式统计，以运动时刻段(高峰与非高峰时间)为分类方式统计，以运动时间段(工作日与非工作日)为分类方式统计等。如图4所示，示出了共200个行人和非机动车样本(两者各100个)在两相同监控设备间的行程路径(200m)所耗费的时间形成的耗时分布示意图。从图4可以看出，行人经过200m所用时间大部分集中在150s-270s之间，概率占到约70％，而非机动车经过200m所需时间大部分集中在30-120s之间，概率占到约75％，表明这两个监控设备之间不同运动样本所需的转移时间分布不同，呈现出多峰态势。
-计算模块
计算模块与统计模块连接，接收统计模块形成的耗时分布。鉴于在运动样本数量较多下，大部分运动样本在监控设备间的路径上运动时，所需要的耗时呈多峰态势，即近似于高斯分布，因此，计算模块对耗时分布作高斯分布模型转化，以将耗时分布转化为耗时概率。具体来说，转化为高斯分布模型后，耗时分布将具有均值μ及方差δ2。根据高斯分布模型的特点，可设定一正常运动样本在有限时间差ΔT内从一监控设备至另一监控设备的概率落在这两个监控设备的历史运动样本的耗时分布的[μ-λ*δ2，μ+λ*δ2]阈值区间内，当λ等于3时，概率可达到97％。也即当对某一新的运动样本作监测时，当其未落入该阈值区间内，可能对于运动样本的监测出现误差(如两近似运动样本间搞混)，或运动样本在中途出现非常规事件等。该高斯分布模型便可用于对运动样本的运动情况进行监控，以及对可疑运动样本进行识别和追踪。
-拓扑模块
在路径绘制模块形成有包括行程路径的空间模型，以及计算模块形成以高斯分布模型为形式的时间模型后，拓扑模块将分别与计算模块及路径绘制模块连接，接收均值μ、方差δ2及行程路径，从而建立一权重矩阵，该权重矩阵包括运动样本两已知路程距离的监控设备间运动的运动概率。运动概率是指一运动样本在指定时间t内，从监控设备如摄像头xi出发，到达另一监控设备如摄像头xj的概率。最终拓扑模块所建立的权重矩阵，包含有多种运动样本在同一指定区域内于相邻监控设备间的运动概率。该权重矩阵即包含有相邻监控设备作为空间信息，也包含有基于耗时分布计算所得的高斯分布模型作为时间信息。
-建立模块
建立模块与拓扑模块连接，基于权重矩阵建立时空模型，即包含时间维度上的时间信息及空间维度上的空间信息的模型，以该模型作为对指定区域的运动状态的监控基础，可尊重运动样本的运动规律，例如包含早晚高峰期的交通路况信息、夜间和白天的路况差异、行人道路上拥挤程度对行人步行速度的影响等，同时也以该运动规律为判断基准，后续进一步判断运动样本。
参阅图2，一优选实施例中，路径绘制模块包括：
-采集单元
采集单元作为路径绘制模块与外部通信连接部分，从如上文所述的各渠道处获取指定区域内监控设备的空间位置，及任意两监控设备间的相隔距离，上述空间位置信息及相隔距离信息反映了指定区域内监控设备网络的拓扑结构。
-抽象单元
抽象单元与采集单元连接，根据实际场景下的拓扑结构，将空间位置及相隔距离抽象为有向图。具体地，由于空间模型的应用暂未涵盖至对指定区域的各行程路径的详细描述，因此，监控设备的所处位置及监控设备间相隔距离信息已足够用于建立空间模型，抽象单元便以上述两信息为主要元素，抽象为点线型的有向图。同时优选或可选地，以C表示当前指定区域内监控设备构成的集合，W为监控设备间连线构成的边的集合，最终以数学形式表达为：Graph＝＜C，W＞ci∈C，wi，j∈W(i，j)∈[1，N]，其中N表示监控设备的总数，ci表示某一监控设备，wi，j表示相连监控设备的边的权重。
另一优选或可选实施例中，统计模块包括：
-取样单元
取样单元通过对历史数据的提取、历史数据的学习、以新的时间节点为初始学习等，获取多种运动样本以一监控设备为起点运动至以另一监控设备为终点的运动时间，形成一时间集合T＝(t1，t2，t3，...，tn)。
-分析单元
根据取样单元所形成的时间集合，计算每种运动样本以一监控设备为起点运动至另一监控设备为终点的耗时分布，从而定义时间模型，或是从时间模型中直观地获取时间概率模型，即某种运动样本在指定时间内从起点运动至终端的落入概率。
为实现计算模块所搭建的高斯分布模型，基于原有近似于多峰态势的耗时分布，计算模块将通过定义单元及求解单元计算所得。具体地，定义单元根据定义耗时分布的高斯分布模型，其中k表示运动样本的种类，如k＝0表示行人，k＝1表示非机动车，k＝2表示机动车等，xi表示位于起点位置(被监控样本首次出现)的监控设备，xj表示位于终点位置(被监控样本下次出现或最终出现)的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度。可以理解的是，描述正态分布资料数据分布的离散程度，越大，数据分布越分散，越小，数据分布越集中。求解单元则对高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值μ及方差δ2。
进一步优选地，求解单元对均值μ及方差δ2计算时，主要分为取对数及求偏导两个步骤。因此，求解单元包括对数元及求导元，对数元对似然函数：求对数以获得：求导元分别对均值及方差求偏导以获得均值：及方差：
为节省时空模型建立***的负载，一般计算模块只计算相邻监控设备的耗时分布的均值与方差。当需要计算行程路径上非相邻监控设备，即中间隔有第三监控设备的两监控设备的耗时分布的均值与方差时，可计算两两的中值，即根据根据： 计算，再代入高斯分布模型内。
根据均值μ及方差δ2，最终通过将各监控设备的拓扑结构相组合，可得到最终权重矩阵，如表2所示：
| W(Ci，Cj) | a | b | c | d | e | f |
| a | 0 | f(Ca，Cb|t，k) | f(Ca，Cc|t，k) | f(Ca，Cd|t，k) | f(Ca，Ce|t，k) | f(Ca，Cf|t，k) |
| b | f(Cb，Ca|t，k) | 0 | f(Cb，Cc|t，k) | f(Cb，Cd|t，k) | f(Cb，Ce|t，k) | f(Cb，Cf|t，k) |
| c | f(Cc，Ca|t，k) | f(Cc，Cb|t，k) | 0 | f(Cc，Cd|t，k) | f(Cc，Ce|t，k) | f(Cc，Cf|t，k) |
| d | f(Cd，Ca|t，k) | f(Cd，Cb|t，k) | f(Cd，Cc|t，k) | 0 | f(Cd，Ce|t，k) | f(Cd，Cf|t，k) |
| e | f(Ce，Ca|t，k) | f(Ce，Cb|t，k) | f(Ce，Cc|t，k) | f(Ce，Cd|t，k) | 0 | f(Ce，Cf|t，k) |
| f | f(Cf，Ca|t，k) | f(Cf，Cb|t，k) | f(Cf，Cc|t，k) | f(Cf，Cd|t，k) | f(Cf，Ce|t，k) | 0 |
表2
以监控设备a及监控设备f为例，f(Cf，Ca|t，k)表示以监控设备f为起点，监控设备a为终点，各类型运动样本运动在各时间段下的运动概率。以图5所示，假设当前时间间隔为500秒，根据上述运动概率，运动样本从监控设备A出发，出现在监控设B和监控设D的位置都有80％可能性，出现在监控设C也有70％可能性，而出现在E、F位置的概率不到60％。基于此，运动样本的识别结果进行二次过滤。
参阅图6，为符合本发明一优选实施例中时空模型建立方法的流程示意图，具体包括以下步骤：
S100：获取一指定区域内监控设备的空间分布，并绘制至少一条表示两监控设备间的行程路径；
S200：收集至少一个运动样本于指定区域内自一监控设备至另一监控设备的运动时间，并计算任意运动样本的耗时分布；
S300：根据耗时分布计算每两监控设备对应于任意运动样本的耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差；
S400：根据均值、方差及行程路径，建立包括运动样本于任意两监控设备间运动概率的权重矩阵；
S500：基于权重矩阵建立时空模型。
一优选实施例中，根据耗时分布计算对应于任意运动样本的耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差的步骤S300包括：
S310：根据定义耗时分布的高斯分布模型，其中k表示运动样本的种类，xi表示起点的监控设备，xj表示终点的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度；
S320：对高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值及方差。
参阅图7，基于时空模型建立***建立的时空模型可应用至人脸识别、行人再识别等运动样本监测***中，该监测***包括时空模型建立***及验证模块，验证模块与建立模块连接，接收时空模型，且验证模块采集运动样本在一监控设备至另一监控设备的实际耗时，将实际耗时代入时空模型校验，以判断运动样本的真伪性。例如，当监控设备识别到某一目标样本A时，路径绘制模块将进行目标样本A的行程轨迹绘制。当目标样本A再次出现在其他监控设备所采集的图像内时，将记录下再次采集到目标样本A的监控设备，以此类推，最终绘制目标样本A的行程轨迹，通过每一监控设备在时空模型内所记录的空间分布，目标样本A在指定区域内的出现位置、行走路径均将通过行程轨迹反映出。借助于空间模型，在对行程轨迹进行绘制时，可实时地识别目标样本A是否识别准确，如在一远离于目标样本A首次出现的监控设备a的另一监控设备b上采集到目标样本A时，可根据运动样本的一般移动速度(如0.6米/秒的行走速度、1.5米/秒的慢跑速度、2米/秒的非机动车行驶速度等)及空间模型内监控设备a、b间的路径距离，判断目标样本A是否有可能在两次被采集到的间隔时间内从监控设备a的图像采集区域移动至监控设备b的图像采集区域，若不符合移动规律或物理规律，则对该行程轨迹识别为伪或误识别，重新捕捉监控设备内出现的目标样本A。也就是说，时空模型的引入不仅用于用户对指定区域内可采集到图像的范围作了解，也可作为校验工具在验证模块内确定对目标样本A的识别是否正确，其行程轨迹是否合理等，大大降低仅通过如人脸识别、车牌识别的样本误识率，提高了综合比对准确率。
可以理解的是，上述任一实施例中模块化的描述并不限制于将整个时空模型建立***或运动样本监测***根据各模块功能分割和独立，在不同的实施方式中，各“模块”、“单元”、“元”中的一种或多种可集成在同一处理芯片或同一设备内，以集成式、分隔式等形式组建，具有上述功能的单元部件或设备部件均将属于本发明的时空模型建立***或运动样本监测***。
基于上述时空模型建立方法，可在服务器、终端、中心平台等安装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上所述的时空模型建立方法。
智能终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的智能终端以及诸如数字TV、台式计算机等等的固定终端。下面，假设终端是智能终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种时空模型建立***，其特征在于，所述时空模型建立***包括：
路径绘制模块，获取一指定区域内监控设备的空间分布，并绘制至少一条表示两监控设备间的行程路径；
统计模块，收集至少一个运动样本于所述指定区域内自一监控设备至另一监控设备的运动时间，并计算任意运动样本的耗时分布；
计算模块，与所述统计模块连接，接收所述耗时分布，计算对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差；
拓扑模块，与所述计算模块及路径绘制模块连接，接收所述均值、方差及行程路径，建立包括运动样本于任意两监控设备间运动概率的权重矩阵；
建立模块，基于所述权重矩阵建立时空模型。
2.如权利要求1所述的时空模型建立***，其特征在于，
所述路径绘制模块包括：
采集单元，获取一指定区域内监控设备的空间位置及任意两监控设备间的相隔距离；
抽象单元，将所述空间位置及相隔距离抽象为有向图。
3.如权利要求1所述的时空模型建立***，其特征在于，
所述统计模块包括：
取样单元，获取多种运动样本以一监控设备为起点运动至以另一监控设备为终点的运动时间，形成一时间集合；
分析单元，根据所述时间集合，计算每种运动样本以一监控设备为起点运动至另一监控设备为终点的耗时分布。
4.如权利要求1所述的时空模型建立***，其特征在于，
所述计算模块包括：
定义单元，根据定义所述耗时分布的高斯分布模型，其中k表示运动样本的种类，xi表示起点的监控设备，xj表示终点的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度；
求解单元，对所述高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值及方差。
5.如权利要求4所述的时空模型建立***，其特征在于，
所述求解单元包括：
对数元，对似然函数：求对数以获得：
求导元，分别对均值及方差求偏导以获得均值：及方差：
6.如权利要求1所述的时空模型建立***，其特征在于，
所述计算模块计算所述行程路径上非相邻的监控设备间耗时分布的均值及方差时，根据：
计算。
7.一种时空模型建立方法，其特征在于，包括以下步骤：
获取一指定区域内监控设备的空间分布，并绘制至少一条表示两监控设备间的行程路径；
收集至少一个运动样本于所述指定区域内自一监控设备至另一监控设备的运动时间，并计算任意运动样本的耗时分布；
根据所述耗时分布计算每两监控设备对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差；
根据所述均值、方差及行程路径，建立包括运动样本于任意两监控设备间运动概率的权重矩阵；
基于所述权重矩阵建立时空模型。
8.如权利要求7所述的时空模型建立方法，其特征在于，
根据所述耗时分布计算对应于任意运动样本的所述耗时分布的高斯分布模型，并获取高斯分布模型内耗时分布的均值及方差的步骤包括：
根据定义所述耗时分布的高斯分布模型，其中k表示运动样本的种类，xi表示起点的监控设备，xj表示终点的监控设备，μi，j表示起点的监控设备至终点的监控设备的耗时分布的均值，表示耗时分布的离散程度；
对所述高斯分布模型内所有运动样本的似然函数：求取极大估值，以求解耗时分布的均值及方差。
9.一种运动样本监测***，其特征在于，包括如权利要求1-6任一项所述的时空模型建立***及验证模块；
所述验证模块与所述建立模块连接，接收所述时空模型，且所述验证模块采集运动样本在一监控设备至另一监控设备的实际耗时，将所述实际耗时代入所述时空模型校验，以判断所述运动样本的真伪性。
10.一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，所述计算机程序被处理器执行时实现如权利要求7-8任一项所述的时空模型建立方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201083.3A CN109933915A (zh) | 2019-03-15 | 2019-03-15 | 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201083.3A CN109933915A (zh) | 2019-03-15 | 2019-03-15 | 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109933915A true CN109933915A (zh) | 2019-06-25 |
Family
ID=66987414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910201083.3A Pending CN109933915A (zh) | 2019-03-15 | 2019-03-15 | 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109933915A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
| CN113553355A (zh) * | 2021-07-23 | 2021-10-26 | 咪咕文化科技有限公司 | 数据分段方法、装置、设备及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567902A (zh) * | 2014-11-24 | 2015-04-29 | 朱今兰 | 一种智慧城市交通管理*** |
| CN107705327A (zh) * | 2017-08-29 | 2018-02-16 | 电子科技大学 | 多相机网络时空模型的候选目标提取方法 |
| CN108489502A (zh) * | 2018-03-23 | 2018-09-04 | 四川飞通***集成有限公司 | 智慧交通路线优化方法 |
| CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集***及方法 |
-
2019
- 2019-03-15 CN CN201910201083.3A patent/CN109933915A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567902A (zh) * | 2014-11-24 | 2015-04-29 | 朱今兰 | 一种智慧城市交通管理*** |
| CN107705327A (zh) * | 2017-08-29 | 2018-02-16 | 电子科技大学 | 多相机网络时空模型的候选目标提取方法 |
| CN108489502A (zh) * | 2018-03-23 | 2018-09-04 | 四川飞通***集成有限公司 | 智慧交通路线优化方法 |
| CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张莉: "基于相机监控网络的车辆目标提取", 《信息技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
| CN113553355A (zh) * | 2021-07-23 | 2021-10-26 | 咪咕文化科技有限公司 | 数据分段方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230734B (zh) | 一种基于v2x通信的室外智慧停车*** | |
| CN107845259B (zh) | 公交运行情况实时反馈***及公交实时运行数据处理方法 | |
| KR101094153B1 (ko) | 주차 안내 및 주차장 관리를 위한 통합 시스템 | |
| EP2603770B1 (en) | Parking lot detection using probe data | |
| CN109804367A (zh) | 使用边缘计算的分布式视频存储和搜索 | |
| CN108960590A (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
| CN102129785A (zh) | 大场景停车场智能管理*** | |
| CN105261234A (zh) | 一种开放区域无人值守的智能停车管理***和方法 | |
| CN109362038A (zh) | 基于WiFi探针的客流量统计分析及服务的方法和*** | |
| CN108710827B (zh) | 一种社区微警务巡查和信息自动分析***及方法 | |
| Ji et al. | Estimating Bus Loads and OD Flows Using Location‐Stamped Farebox and Wi‐Fi Signal Data | |
| CN102800212B (zh) | 一种物联网环境下的智能泊车*** | |
| CN112880696A (zh) | 一种基于同时建图与定位的泊车***及方法 | |
| CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
| CN110545558A (zh) | 基于Wi-Fi数据的高速服务区人群密度估计*** | |
| CN105096584A (zh) | 一种交通决策支持方法、装置及*** | |
| CN113487905A (zh) | 一种停车场车位预测方法及服务器 | |
| CN109933915A (zh) | 时空模型建立***、方法、运动样本监测***及计算机可读存储介质 | |
| Mishalani et al. | Use of mobile device wireless signals to determine transit route-level passenger origin–destination flows: Methodology and empirical evaluation | |
| CN112911000A (zh) | 基于wifi探针的高校区域性人流量监测***及方法 | |
| CN109754635A (zh) | 地上停车场反向寻车*** | |
| CN106875720B (zh) | 基于车位数据的车辆找寻时间服务***及方法 | |
| Wang et al. | QTime: a queuing-time notification system based on participatory sensing data | |
| KR101580863B1 (ko) | 이동 패턴을 이용한 측위 데이터베이스 구축 방법 및 시스템 | |
| CN106816010A (zh) | 一种车流信息监测设备的设置方法及*** |
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 | ||
| DD01 | Delivery of document by public notice |
Addressee: Sun Li Document name: Notification of eligibility |
|
| DD01 | Delivery of document by public notice | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |
|
| WD01 | Invention patent application deemed withdrawn after publication |