CN110473278B - 场景可视化方法、装置、设备及计算机可读存储介质 - Google Patents
场景可视化方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110473278B CN110473278B CN201910757955.4A CN201910757955A CN110473278B CN 110473278 B CN110473278 B CN 110473278B CN 201910757955 A CN201910757955 A CN 201910757955A CN 110473278 B CN110473278 B CN 110473278B
- Authority
- CN
- China
- Prior art keywords
- target
- group
- moment
- target moment
- targets
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 20
- 230000004931 aggregating effect Effects 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种场景可视化方法、装置、设备及计算机可读存储介质,该方法包括:在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。本发明能够在发生异常时帮助策划方及时响应,从而提供有效的应急管理和救援。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种场景可视化方法、装置、设备及计算机可读存储介质。
背景技术
在一些人流聚集较为密集的特殊场景,如大型马拉松赛事中,赛场涉及到大量多源异构、具有时空属性的数据,比如,某城市的异常马拉松比赛包括城市环境、建筑物、道路、参赛队员及工作人员等等,所涉及到的数据包含多种属性,跨越较长的时间范围,对于某些突发的异常事件,如人群堵塞、参赛队员受伤等,难以被赛事策划方及时发现,易错过最佳的响应时间,从而导致难以提供有效的应急管理和救援。
发明内容
本发明的主要目的在于提供一种场景可视化方法、装置、设备及计算机可读存储介质,旨在解决人流聚集较为密集的特殊场景,异常情况难以被及时发现,从而错过最佳的响应时间,导致难以提供有效的应急管理和救援的技术问题。
为实现上述目的,本发明提供一种场景可视化方法,所述方法包括以下步骤:
在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;
根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。
可选地,所述从每个目标时刻的各群组中确定各目标群组,并生成每个目标时刻的每个目标群组的特征事件的步骤包括:
在每个目标时刻,采集检测区域内各目标的对应数据,从各目标的所述对应数据中提取各目标的地理位置;
根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
可选地,所述根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组的步骤包括:
采用预设第一聚类算法,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的初始群组;
采用预设第二聚类算法,计算每个目标时刻的每个初始群组的中心地理位置,将每个目标时刻的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
可选地,所述从每个目标时刻的各群组中确定出各目标群组步骤包括:
确定每个目标时刻的每个群组的特征值;
将每个目标时刻特征值均高于预设阈值的各群组,确定为各目标群组。
可选地,所述生成每个目标时刻的每个目标群组的特征事件的步骤包括:
根据每个目标时刻的每个目标群组的特征值,确定每个目标时刻的每个目标群组的目标特征;
根据每个目标时刻的每个目标群组的目标特征,生成每个目标时刻的每个目标群组的特征事件。
可选地,所述根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头的步骤包括:
根据预设特征事件与拍摄模式的映射关系,确定与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式;
控制多台摄像设备采用与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式,同时拍摄每个目标时刻的每个目标群组的镜头。
可选地,所述根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像的步骤包括:
按照每个目标时刻的先后顺序,对每个目标时刻的每个目标群组的镜头进行剪辑,生成所述检测区域的场景可视化图像。
此外,为实现上述目的,本发明还提供一种场景可视化装置,所述场景可视化装置包括:
聚合模块,用于在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
第一生成模块,用于从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;
拍摄模块,用于根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
第二生成模块,用于根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。
此外,为实现上述目的,本发明还提供一种场景可视化设备,所述场景可视化设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的可视化程序,其中所述场景可视化程序被所述处理器执行时,实现如上所述的场景可视化方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有场景可视化程序,所述场景可视化程序被处理器执行时实现如上所述的场景可视化方法的步骤。
本发明提供一种场景可视化方法、装置、设备及计算机可读存储介质,在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组,再从每个目标时刻的各群组中确定出各目标群组,从而实现了对检测区域的数据挖掘;然后,生成每个目标时刻的每个目标群组的特征事件,根据每个目标时刻的每个目标群组的特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头,描绘了挖掘结果的动态;之后,根据每个目标时刻的每个目标群组的镜头生成检测区域的场景可视化图像,实现了对挖掘结果的动态的可视化呈现,能够帮助策划方集中关注检测区域内的显著事件,那么在异常情况发生时,利于策划方掌握发生异常情况的原因,进而实现对异常情况的及时响应,从而提供有效的应急管理和救援。
附图说明
图1是本发明实施例方案涉及的场景可视化设备的硬件结构示意图;
图2为本发明场景可视化方法第一实施例的流程示意图;
图3为本发明本发明场景可视化装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。以解决人流聚集较为密集的特殊场景,异常情况难以被及时发现,从而错过最佳的响应时间,导致难以提供有效的应急管理和救援的技术问题。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例涉及的场景可视化方法可以由场景可视化设备实现,该场景可视化设备可以是PC、服务器等具有数据处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的场景可视化设备的硬件结构示意图。本发明实施例中,场景可视化设备可以包括处理器1001(例如中央处理器CentralProcessing Unit、CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种可读存储介质的存储器1005可以包括操作***、网络通信模块以及场景可视化程序。在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的场景可视化程序,并执行本发明实施例提供的场景可视化方法。
本发明实施例提供了一种场景可视化方法。
参照图2,图2为本发明场景可视化方法第一实施例的流程示意图。
本实施例中,该场景可视化方法由场景可视化设备实现,该场景可视化设备可以是PC、服务器等终端设备,可选为图1所示的设备,场景可视化设备与摄像设备建立有通信连接,可对摄像设备进行控制,该场景可视化方法包括以下步骤:
步骤S10,在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
步骤S20,从每个目标时刻的各群组中确定各目标群组,并生成每个目标时刻的每个目标群组的特征事件;
步骤S30,根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
步骤S40,根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。
本实施例通过对检测区域的数据进行挖掘,再对挖掘结果进行影像拍摄,从而对挖掘结果的动态进行可视化呈现,能够帮助策划方集中关注检测区域内的显著事件,那么在异常情况发生时,利于策划方掌握发生异常情况的原因,进而实现对异常情况的及时响应,从而提供有效的应急管理和救援。
以下详细介绍本实施例实现场景可视化的具体步骤:
步骤S10,在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
首先,在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同位置的群组。其中,检测区域可以是指定面积的指定区域,比如马拉松赛场;目标可以是运动选手;将当前时刻以及从当前时刻起每间隔预设时长的时刻作为目标时刻,以马拉松赛事场景为例,为更好地展现紧张刺激的赛事状况,每间隔预设时长可选为一分钟。
作为一种实施方式,步骤S10包括:
A、在每个目标时刻,采集检测区域内各目标的对应数据,从各目标的所述对应数据中提取各目标的地理位置;
B、根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
即,在每个目标时刻,采集检测区域内各目标的对应数据,具体可以是运动数据,其中,各目标的运动数据包含各目标的地理位置,地理位置具体可以是经纬度信息,由此,从各目标的运动数据中提取各目标的地理位置,根据每个目标时刻的各目标的地理位置,通过预设聚类算法,对每个目标时刻的各目标进行地理位置聚类,从而将每个目标时刻对应的各目标,聚合成若干个基于不同地理位置的群组。
步骤S20,从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;
之后,从每个目标时刻的各群组中确定出各目标群组。
作为一种实施方式,所述从每个目标时刻的各群组中确定出各目标群组的步骤包括:
C、确定每个目标时刻的每个群组的特征值;
D、将每个目标时刻特征值均高于预设阈值的各群组,确定为各目标群组。
即,每个目标时刻的每个群组均具有相应的特征值,特征值包括速率、密度以及速率变化量、密度变化量等。以特征值为速率和密度为例,确定每个目标时刻的每个群组的速率过程包括:对于每个目标时刻,在对检测区域内的各目标进行聚类之前,先对各目标进行标识,然后,对于每个目标,可以在检测区域中选取相应的两个坐标点,计算其在两个坐标点之间的运动速度,再建立各目标的标识与其运动速度的对应关系,由此,便可依据每个目标时刻每个群组中所包含的每个目标的标识,从各目标的标识与其运动速度的对应关系中,查找到每个目标时刻每个群组中所包含的每个目标的运动速度,求取每个目标时刻每个群组中所包含的各目标的运动速度的均值,即得到每个目标时刻的每个群组的速率。而每个目标时刻的每个群组的密度,就是每个群组的目标总数,也即统计每个目标时刻的每个群组的目标总数,得到每个群组的密度。
分别将每个目标时刻每个群组的速率与预设速率阈值进行比对、将每个目标时刻每个群组的密度与预设密度阈值进行比对,对于速率低于预设速率阈值和密度低于预设密度阈值的群组,认为正常,不作为关注的对象,而将速率高于预设速率阈值和/或密度高于预设阈值的多个群组,确定为各目标群组。
在从每个目标时刻的各群组中确定出各目标群组之后,生成每个目标时刻的每个目标群组的特征事件。
作为一种实施方式,所述生成每个目标时刻的每个目标群组的特征事件的步骤包括:
E、根据每个目标时刻的每个目标群组的特征值,确定每个目标时刻的每个目标群组的目标特征;
F、根据每个目标时刻的每个目标群组的目标特征,生成每个目标时刻的每个目标群组的特征事件。
即,先需确定能代表每个目标时刻的每个目标群组的显著特征(定义为目标特征),采用以下特征事件映射方法来确定能代表此时此刻每个目标群组的显著特征:
icon(v)=argmaxi[featurei(v)-thresholdi]/thresholdi
其中,v代表群组类别,featurei(v)代表类别为v的目标群组的第ith个特征,thresholdi代表第ith个特征的阈值,也就是说,用显著特征来代表每个目标群组的整体特征。
具体地,将每个目标时刻的每个目标群组的速率与预设速率阈值代入上式,得到每个目标时刻的每个目标群组的速率对应的icon值;将每个目标时刻的每个目标群组的密度与预设密度阈值代入上式,得到每个目标时刻的每个目标群组的密度对应的icon值;将每个目标时刻的每个目标群组的速率对应的icon值和与密度对应的icon值进行比对,对于速率对应的icon值较大的目标群组,则将速率作为其显著特征,对于密度对应的icon值较大的目标群组,则将密度作为其显著特征。
进一步地,生成每个目标时刻的每个目标群组的特征事件,例如,密度为显著特征的目标群组,其特征事件为目标聚集较密,速率为显著特征的目标群组,其特征事件为目标移动较快。
步骤S30,根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
在生成每个目标时刻的每个目标群组的特征事件之后,本实施例借鉴电影的拍摄手法,根据每个目标时刻的每个目标群组的特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头,需要说明的是,此处的镜头指的是摄像设备在一次开机到停机之间所拍摄的连续画面片段,其中,摄像设备可选为摄像机。
首先,详细介绍本实施例摄像设备的几种拍摄模式:
一)正常拍摄(normal shot),从侧面跟踪物体,可以给观众一种强烈的现实感;
二)全景拍摄(panorama shot),将摄影机缓慢移动到一个大空间,使用这种拍摄技术将视角从全局环境切换到跟踪开始的起点;
三)跟踪拍摄(following shot),通常用于跟踪移动物体从后方开始,对跟踪某些突发事件产生的行为特别有效;
四)推轨拍摄(dolly shot),涉及到将摄影机移向或移离目标体,通过滑动和平移相机来观察运动特征;
五)分屏拍摄,将屏幕显示划分为两个,同时显示多个视角,本实施例可以使用这种技术来拍摄和观看两个或两个以上的目标群组;
六)长镜头拍摄,这是一种不间断的完整的拍摄过程,比传统的拍摄过程持续更长的时间。
每种拍摄模式具有相应的拍摄参数。拍摄参数包括摄像设备的运动参数和摄像设备的镜头参数。其中,摄像设备的运动参数用以控制摄像设备的运动,包括聚焦点(focalpoint)和摄像头方向(camera orientation);摄像设备的镜头参数用以调整摄像设备的拍摄模式,包括朝向(up direction)、视野角度(angle of view)及视窗中心(windowcenter)。
本实施例预先建立特征事件与拍摄模式的映射关系,例如,对于目标聚集较密的特征事件,拍摄模式对应为推轨拍摄和/或跟踪拍摄,对于目标移动较快的特征事件,拍摄模式对应为分屏拍摄和/或长镜头拍摄,总之,特征事件与拍摄模式的映射关系可以根据实际情况灵活进行设置,该映射关系可是是一对一的关系,也可以是一对多的关系,拍摄出的影像能够有效地描述相应目标群组的动态即可,此处不作限定。
下面以特征事件与拍摄模式的映射关系为一对多的情况,说明步骤S30实施方式,步骤S30包括:
G、根据预设特征事件与拍摄模式的映射关系,确定与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式;
H、控制多台摄像设备采用与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式,同时拍摄每个目标时刻的每个目标群组的镜头。
应当理解,此处为每个目标时刻的每个目标群组配置的摄像设备为多台。具体地,当生成每个目标时刻的每个目标群组的特征事件之后,先根据上述特征事件与拍摄模式的映射关系,匹配每个目标时刻的每个目标群组的多个拍摄模式,然后将匹配的多个拍摄模式一一分配给每台摄像设备,然后按照为每台摄像设备分配的拍摄模式,分别向每台拍摄设备发送相应的拍摄指令(携带分配的对应拍摄模式),每台摄像设备接收拍摄指令,调用与拍摄指令中拍摄模式对应的拍摄参数,从第三人称视角,以每个目标时刻的每个群组的中心地理位置为焦点,对每个目标时刻的每个目标群组进行跟踪拍摄,通过拍摄得到的镜头描绘每个目标时刻的每个目标群组的动态。
若特征事件与拍摄模式的映射关系为一对一的关系,每个目标时刻的每个目标群组仅配置一台摄像设备拍摄即可。
步骤S40,根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。
之后,根据每个目标时刻的每个目标群组的镜头生成检测区域的场景可视化图像。
作为一种实施方式,步骤S40包括:
按照每个目标时刻的先后顺序,对每个目标时刻的每个目标群组的镜头进行剪辑,生成所述检测区域的场景可视化图像。
即,按照每个目标时刻的先后顺序,对每个目标时刻的每个目标群组的镜头进行剪辑,以将每个目标时刻的每个目标群组的镜头组合起来,生成检测区域的场景可视化图像,该场景可视化图像可以是场景动画,来传达检测区域的有效信息。
如此,本实施例通过上述方式,可以同时跟踪拍摄不同地点的不同显著群组,以捕捉检测区域的各类重要事件,尤其是在大型赛事场景中,使得策划方中不同职能角色的人员(如领导层、医疗组或应急组)能够有针对性地关注其关心的重点事件,同时各种拍摄模式还能够以不同的感情色彩,模拟紧张刺激的赛事情况,唤起观众更好的观影体验。
本实施例提供一种场景可视化方法,在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组,再从每个目标时刻的各群组中确定出各目标群组,从而实现了对检测区域的数据挖掘;然后,生成每个目标时刻的每个目标群组的特征事件,根据每个目标时刻的每个目标群组的特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头,描绘了挖掘结果的动态;之后,根据每个目标时刻的每个目标群组的镜头生成检测区域的场景可视化图像,实现了对挖掘结果的动态的可视化呈现,能够帮助策划方集中关注检测区域内的显著事件,那么在异常情况发生时,利于策划方掌握发生异常情况的原因,进而实现对异常情况的及时响应,从而提供有效的应急管理和救援。
进一步地,基于上述第一实施例,提出了本发明场景可视化方法的第二实施例,与第一实施例的区别在于,所述步骤B包括:
B1,采用预设第一聚类算法,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的初始群组;
B2,采用预设第二聚类算法,计算每个目标时刻的每个初始群组的中心地理位置,将每个目标时刻的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
作为一种实施方式,可以采用预设第一聚类算法和预设第二聚类算法对对每个目标时刻的各目标进行地理位置聚类,预设第一聚类算法可选为DBSCAN算法,预设第二聚类算法可选为kmeans算法。以第一聚类算法为DBSCAN算法、第二聚类算法为kmeans算法对步骤B的实施方式进行说明。
为方便理解,首先对DBSCAN算法和K-means算法进行介绍,DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)算法是一个比较有代表性的基于密度的聚类算法,与聚合和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域聚合成簇,并可在噪声的空间数据库中发现任意形状的聚类,DBSCAN算法的重点是选取合适的聚合半径参数和聚合所需指定的阈值MinPts(Minimumnumber of a points)数目。K-means算法则是很典型的基于距离的聚类算法,其采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大,该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标,K-means算法的重点在于聚类中心K值的选择。
考虑到实际中,检测区域内各目标的地理位置过于分散,难以选择合适的K值,由此,本实施例先采用DBSCAN算法,按照设定的目标的活动半径的密度可达来对每个目标时刻对应的各目标的地理位置进行聚类,然后基于DBSCAN算法的聚类结果,再采用K-means算法对每个目标时刻对应的各目标的地理位置进行聚类。
具体地,采用球面距离来衡量地理位置的距离,来作为聚合的半径参数,可选为将0.5公里作为聚合的半径参数,MinPts个数设为5,然后根据设定的半径参数和MinPts个数,利用DBSCAN算法对每个目标时刻对应的各目标的地理位置进行聚类,从而将每个目标时刻对应的各目标的地理位置聚合成若干个簇,也就是将每个目标时刻对应的各目标聚合成若干个初始群组。
进一步地,将每一初始群组作为新的输入,利用Kmeans算法的迭代聚合计算出每个目标时刻对应的每个初始群组的中心点,然后以每个目标时刻的各初始群组的中心点为聚类中心,计算每个目标时刻对应的各目标的地理位置与每个目标时刻对应的各聚类中心的距离,以将每个目标时刻对应的各目标的地理位置分配给距离其最近的聚类中心,当每个目标时刻对应的各目标的地理位置分配完成时,即可将每个目标时刻对应的各目标聚合成若干个基于不同地理位置的群组。
在更多的实施中,还可以通过预设第三聚类算法对每个目标时刻的各目标进行地理位置聚类,预设第三聚类算法可选为mean shift(均值漂移)算法,Mean Shift是基于密度的非参数聚类算法,其算法思想是假设不同簇类的数据集符合不同的概率密度分布,找到任一样本点密度增大的最快方向(最快方向的含义就是Mean Shift),样本密度高的区域对应于该分布的最大值,这些样本点最终会在局部密度最大值收敛,且收敛到相同局部最大值的点被认为是同一簇类的成员。通过Mean Shift算法实现步骤B的过程如下:
a、对于每个目标时刻,从各目标的地理位置中随机随机选择一个地理位置作为起始中心center;
b、找出以center为中心,半径为radius(可选为0.5公里)的区域中的所有地理位置,记作集合M,得到簇C,同时在簇C中标记各地理位置出现的次数;
c、以center为中心点,计算从center开始到集合M中每个元素的向量,将这些向量相加,得到向量shift;
d、center=center+shift,即center沿着shift的方向移动,移动距离是||shift||;
e、重复b、c、d,直到shift的大小很小(就是迭代到收敛),记住此时的center。注意,这个迭代过程中遇到的地理位置都应该归类到簇C;
f、如果收敛时当前簇C的center与其它已经存在的簇C2中心的距离小于阈值,那么把C2和C合并,否则,把C作为新的聚类,增加1类;
g、重复a、b、c、d、e、f直到所有目标的地理位置都被标记访问。
h、分类:根据每个类,对每个地理位置的访问频率,取访问频率最大的那个类,作为当前地理位置集的所属类。
由此,将每个目标时刻对应的各目标的地理位置聚合成若干个簇,也就是将每个目标时刻对应的各目标聚合成若干个初始群组。
此外,本发明实施例还提供一种场景可视化装置。
参照图3,图3为本发明场景可视化装置第一实施例的功能模块示意图。
本实施例中,所述场景可视化装置包括:
聚合模块10,用于在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
第一生成模块20,用于从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件;
拍摄模块30,用于根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
第二生成模块40,用于根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景可视化图像。
其中,上述场景可视化装置的各虚拟功能模块存储于图1所示场景可视化设备的存储器1005中,用于实现场景可视化程序的所有功能;各模块被处理器1001执行时,实现了对检测区域的数据挖掘和对挖掘结果的动态的可视化呈现,能够帮助策划方集中关注检测区域内的显著事件,那么在异常情况发生时,利于策划方掌握发生异常情况的原因,进而实现对异常情况的及时响应及处理。
进一步的,所述聚合模块10包括:
提取单元,用于在每个目标时刻,采集检测区域内各目标的对应数据,从各目标的所述对应数据中提取各目标的地理位置;
聚类单元,用于根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
进一步的,所述聚类单元包括:
第一聚类子单元,用于采用预设第一聚类算法,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的初始群组;还用于采用预设第二聚类算法,计算每个目标时刻的每个初始群组的中心地理位置,将每个目标时刻的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
进一步的,所述第一生成模块20包括:
第一确定单元,用于确定每个目标时刻的每个群组的特征值;
第二确定单元,用于将每个目标时刻特征值均高于预设阈值的各群组,确定为各目标群组。
进一步的,所述第一生成模块20还包括:
第三确定单元,用于根据每个目标时刻的每个目标群组的特征值,确定每个目标时刻的每个目标群组的目标特征;
生成单元,用于根据每个目标时刻的每个目标群组的目标特征,生成每个目标时刻的每个目标群组的特征事件。
进一步的,所述拍摄模块30包括:
第四确定单元,用于根据预设特征事件与拍摄模式的映射关系,确定与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式;
拍摄单元,用于控制多台摄像设备采用与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式,同时拍摄每个目标时刻的每个目标群组的镜头。
进一步的,第二生成模块50,还包括:
剪辑单元,用于按照每个目标时刻的先后顺序,对每个目标时刻的每个目标群组的镜头进行剪辑,生成所述检测区域的场景可视化图像。
其中,上述场景可视化装置中各个模块的功能实现与上述场景可视化方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有场景可视化程序,其中所述场景可视化程序被处理器执行时,实现如上述的场景可视化方法的步骤。
其中,场景可视化程序被执行时所实现的方法可参照本发明场景可视化方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种场景可视化方法,其特征在于,所述方法包括以下步骤:
在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件,其中,每个目标时刻的每个群组具有相应的特征值,特征值包括:速率、密度以及速率变化量、密度变化量,所述特征事件为目标聚集较密或者目标移动较快;
根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景的动态可视化图像。
2.如权利要求1所述场景可视化方法,其特征在于,所述从每个目标时刻的各群组中确定各目标群组,并生成每个目标时刻的每个目标群组的特征事件的步骤包括:
在每个目标时刻,采集检测区域内各目标的对应数据,从各目标的所述对应数据中提取各目标的地理位置;
根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
3.如权利要求2所述场景可视化方法,其特征在于,所述根据每个目标时刻的各目标的所述地理位置,对每个目标时刻的各目标进行地理位置聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组的步骤包括:
采用预设第一聚类算法,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的初始群组;
采用预设第二聚类算法,计算每个目标时刻的每个初始群组的中心地理位置,将每个目标时刻的每个初始群组的所述中心地理位置作为聚类中心,对每个目标时刻的各目标的地理位置进行聚类,以将每个目标时刻的各目标聚合成若干个基于不同地理位置的群组。
4.如权利要求1所述场景可视化方法,其特征在于,所述从每个目标时刻的各群组中确定出各目标群组步骤包括:
确定每个目标时刻的每个群组的特征值;
将每个目标时刻特征值均高于预设阈值的各群组,确定为各目标群组。
5.如权利要求4所述场景可视化方法,其特征在于,所述生成每个目标时刻的每个目标群组的特征事件的步骤包括:
根据每个目标时刻的每个目标群组的特征值,确定每个目标时刻的每个目标群组的目标特征;
根据每个目标时刻的每个目标群组的目标特征,生成每个目标时刻的每个目标群组的特征事件。
6.如权利要求5所述场景可视化方法,其特征在于,所述根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头的步骤包括:
根据预设特征事件与拍摄模式的映射关系,确定与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式;
控制多台摄像设备采用与每个目标时刻的每个目标群组的所述特征事件匹配的多个拍摄模式,同时拍摄每个目标时刻的每个目标群组的镜头。
7.如权利要求6所述场景可视化方法,其特征在于,所述根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景的动态可视化图像的步骤包括:
按照每个目标时刻的先后顺序,对每个目标时刻的每个目标群组的镜头进行剪辑,生成所述检测区域的场景的动态可视化图像。
8.一种场景可视化装置,其特征在于,所述场景可视化装置包括:
聚合模块,用于在每个目标时刻,将检测区域内的各目标聚合成若干个基于不同地理位置的群组;
第一生成模块,用于从每个目标时刻的各群组中确定出各目标群组,并生成每个目标时刻的每个目标群组的特征事件,其中,每个目标时刻的每个群组具有相应的特征值,特征值包括:速率、密度以及速率变化量、密度变化量,所述特征事件为目标聚集较密或者目标移动较快;
拍摄模块,用于根据每个目标时刻的每个目标群组的所述特征事件,控制摄像设备采用相应的拍摄模式跟踪拍摄每个目标时刻的每个目标群组的镜头;
第二生成模块,用于根据每个目标时刻的每个目标群组的镜头生成所述检测区域的场景的动态可视化图像。
9.一种场景可视化设备,其特征在于,所述场景可视化设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的场景可视化程序,其中所述场景可视化程序被所述处理器执行时,实现如权利要求1至7中任一项所述的场景可视化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有场景可视化程序,所述场景可视化程序被处理器执行时实现如权利要求1至7中任一项所述的场景可视化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757955.4A CN110473278B (zh) | 2019-08-13 | 2019-08-13 | 场景可视化方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757955.4A CN110473278B (zh) | 2019-08-13 | 2019-08-13 | 场景可视化方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473278A CN110473278A (zh) | 2019-11-19 |
CN110473278B true CN110473278B (zh) | 2023-07-21 |
Family
ID=68510276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757955.4A Active CN110473278B (zh) | 2019-08-13 | 2019-08-13 | 场景可视化方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473278B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113597754A (zh) * | 2020-03-02 | 2021-11-02 | 深圳市大疆创新科技有限公司 | 比赛画面的获取方法和装置及拍摄装置的控制方法和装置 |
CN112232148B (zh) * | 2020-09-28 | 2024-07-16 | 浙江大华技术股份有限公司 | 图像聚类、目标轨迹追踪方法、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130077754A (ko) * | 2011-12-29 | 2013-07-09 | 홍익대학교 산학협력단 | 위치정보 표현방법, 위치정보 처리방법, 위치정보모델 생성방법, 및 위치정보처리장치 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811720B2 (en) * | 2011-07-12 | 2014-08-19 | Raytheon Company | 3D visualization of light detection and ranging data |
US20160026919A1 (en) * | 2014-07-24 | 2016-01-28 | Agt International Gmbh | System and method for social event detection |
US10818084B2 (en) * | 2015-04-07 | 2020-10-27 | Geopogo, Inc. | Dynamically customized three dimensional geospatial visualization |
US11301500B2 (en) * | 2016-12-29 | 2022-04-12 | Sap Se | Clustering for geo-enriched data |
-
2019
- 2019-08-13 CN CN201910757955.4A patent/CN110473278B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130077754A (ko) * | 2011-12-29 | 2013-07-09 | 홍익대학교 산학협력단 | 위치정보 표현방법, 위치정보 처리방법, 위치정보모델 생성방법, 및 위치정보처리장치 |
Also Published As
Publication number | Publication date |
---|---|
CN110473278A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101655102B1 (ko) | 이벤트 검출을 위해 시각 정보를 프로세싱하기 위한 시스템 및 방법 | |
Fan et al. | Heterogeneous information fusion and visualization for a large-scale intelligent video surveillance system | |
US10740964B2 (en) | Three-dimensional environment modeling based on a multi-camera convolver system | |
US9875580B2 (en) | Activity triggered photography in metaverse applications | |
WO2017193735A1 (zh) | 用于视频监控***的行踪轨迹的获取方法和装置 | |
JP2019192227A (ja) | 映像監視システム、映像処理方法および映像処理プログラム | |
US10348964B2 (en) | Method and system for 360 degree video coverage visualization | |
CN106791613B (zh) | 一种基于3dgis和视频相结合的智能监控*** | |
WO2018125274A1 (en) | Systems and methods to transition between media content items | |
Gupta et al. | CrowdVAS-Net: A deep-CNN based framework to detect abnormal crowd-motion behavior in videos for predicting crowd disaster | |
CN104484814B (zh) | 一种基于视频地图的广告方法及*** | |
CN110473278B (zh) | 场景可视化方法、装置、设备及计算机可读存储介质 | |
US20210133495A1 (en) | Model providing system, method and program | |
CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
CN113935358A (zh) | 一种行人追踪方法、设备和存储介质 | |
KR101990789B1 (ko) | 관심객체의 선택에 의한 영상 탐색장치 및 방법 | |
CN112653832A (zh) | 一种监控方法、装置和设备 | |
Irfan et al. | Crowd analysis using visual and non-visual sensors, a survey | |
US20230316675A1 (en) | Traveling in time and space continuum | |
CN111629336A (zh) | 一种目标区域内人数确定方法、装置、设备及存储介质 | |
CN106777172A (zh) | 一种视频时空检索方法 | |
CN115359568A (zh) | 行人智能体运动与应急疏散的仿真方法及计算机设备 | |
Morais et al. | A content-based viewport prediction model | |
KR20190051924A (ko) | 관심객체의 선택에 의한 영상 탐색장치 및 방법 | |
EP3343447A1 (en) | Systems and methods to transition between media content items |
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 |