CN111198909A - 数据处理方法及装置、电子设备、存储介质 - Google Patents
数据处理方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111198909A CN111198909A CN201811367162.3A CN201811367162A CN111198909A CN 111198909 A CN111198909 A CN 111198909A CN 201811367162 A CN201811367162 A CN 201811367162A CN 111198909 A CN111198909 A CN 111198909A
- Authority
- CN
- China
- Prior art keywords
- data
- type
- real
- time
- objects
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种数据处理方法及装置、电子设备、存储介质,涉及大数据技术领域,该方法包括:从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;将处理后的第一类型数据和第二类型数据进行整合,得到统计数据;对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。本公开能够更准确地得到目标对象的实时数据。
Description
技术领域
本公开涉及大数据技术领域,具体而言,涉及一种数据处理方法、数据处理装置、电子设备以及计算机可读存储介质。
背景技术
为了保证安全性,越来越多的区域管理中会识别每一个人员的具***置。
相关技术中,通常会根据一些硬件管理工具合理推估每一个人员的大概位置,例如使用刷卡柙机的数据以确认人员实时位置;使用RFID(Radio FrequencyIdentification,射频识别)放入人员配带的识别卡中以获取人员实时位置;使用视频监控等监视***确认人员时实位置等等。
但是,在上述方式中,刷卡柙机所获得位置范围太广,无法给予精确的位置。在人员不佩戴识别卡时,也无法获得人员真实位置;在视频监控的死角中无法进行身份识别,也无法获得实时位置。如果只使用一种识别方式,则得到的人员的数据不够全面,不能准确得到每一个人员的具***置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种数据处理方法及装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的不能准确识别目标对象的实时位置的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种数据处理方法,包括:从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
在本公开的一种示例性实施例中,从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据包括:从柙机数据库、会议数据库、无线网络数据库以及射频识别数据库中获取关联数据以及对象编号,并将所述关联数据和所述对象编号作为处理后的第一类型数据,所述第一类型数据为格式化数据。
在本公开的一种示例性实施例中,所述方法还包括:基于柙机的分布位置划分所述多个活动区域。
在本公开的一种示例性实施例中,从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据包括:从监控数据库中获取处于所述多个活动区域的所有对象的第二类型数据,所述第二类型数据为非格式化数据。
在本公开的一种示例性实施例中,所述第二类型数据包括图像数据,对所述第二类型数据进行撷取处理得到处理后的第二类型数据包括:判断所述图像数据中是否存在移动对象;若存在所述移动对象,则对所述移动对象的图像数据进行人脸识别,以确定所述移动对象的对象编号;在确定所述对象编号后,通过深度学习模型确定所述移动对象的图像数据的图像特征,以根据所述图像特征和所述对象编号得到处理后的第二类型数据。
在本公开的一种示例性实施例中,判断所述图像数据中是否存在移动对象包括:根据移动像素判别函数和移动物体判别函数得到一判别指标;若所述判别指标满足预设值,则确定存在所述移动对象。
在本公开的一种示例性实施例中,对所述统计数据进行筛选得到目标对象的实时数据包括:确定一目标活动区域,并根据所述目标活动区域对所述统计数据进行过滤,得到所述目标活动区域中包含的所有对象的统计数据;若接收到作用于所述目标对象的统计数据的触发操作,则确定所述目标对象的所述实时数据。
在本公开的一种示例性实施例中,对所述统计数据进行筛选得到目标对象的实时数据包括:根据预设图像特征对所述统计数据进行筛选,得到包含所述预设图像特征的多个候选对象的统计数据;若接收到作用于所述候选对象其中之一的触发操作,将所述触发操作所对应的候选对象作为目标对象,确定所述目标对象的所述实时数据。
在本公开的一种示例性实施例中,根据预设图像特征对所述统计数据进行筛选,得到包含所述预设图像特征的多个候选对象对应的统计数据包括:按照时间由小到大的顺序确定包含所述预设图像特征的所述多个候选对象对应的统计数据。
在本公开的一种示例性实施例中,所述实时数据包括位置数据和路径数据,确定所述目标对象的所述实时数据包括:根据数据源的重要程度的排列顺序确定按照第一顺序排列的所述目标对象的所述位置数据;根据时间的排列顺序确定按照第二顺序排列的所述目标对象的路径数据。
在本公开的一种示例性实施例中,所述实时数据包括图像数据以及图像特征,将所述实时数据发送至终端以使所述终端进行展示包括:将所述位置数据以及所述路径数据发送至终端,以使所述终端按照第一顺序展示所述位置数据以及按照所述第二顺序展示所述路径数据;将所述目标对象的图像数据以及所述图像特征发送至所述终端,以使所述终端进行展示。
根据本公开的一个方面,提供一种数据处理装置,包括:第一处理模块,用于从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;第二处理模块,用于从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;数据整合模块,用于将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;数据获取模块,用于对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的数据处理方法。
根据本公开的一个方面,提供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上述任意一项所述的数据处理方法。
本公开示例性实施例中提供的数据处理方法、数据处理装置、电子设备以及计算机可读存储介质中,一方面,通过对多个第一数据源以及第二数据源的多类型数据进行撷取以及数据整合,得到统计数据,能够使统计数据更全面、更准确,有利于对目标对象的位置进行辅助判断,通过将第一数据源和第二数据源的数据进行整合,无需增加其他数据采集***,降低了硬件成本。另一方面,通过划分的多个活动区域,在筛选时减少了待筛选数据的数量,降低了查找目标对象的位置的难度,能够快速得到目标对象的实时数据,提高位置获取效率,并且能够准确得到目标对象的实时数据,而不是得到目标对象的大概位置,提高位置获取准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种数据处理方法的示意图。
图2示意性示出本公开示例性实施例中对第一类型数据进行撷取处理的示意图。
图3示意性示出本公开示例性实施例中对第二类型数据进行撷取处理的示意图。
图4示意性示出本公开示例性实施例中数据整合的示意图。
图5示意性示出根据图像特征筛选统计数据的界面示意图。
图6示意性示出本公开示例性实施例中数据处理的架构图。
图7示意性示出本公开示例性实施例中展示目标对象的实时数据的示意图。
图8示意性示出本公开示例性实施例中一种数据处理装置的框图。
图9示意性示出本公开示例性实施例中一种电子设备的框图。
图10示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种数据处理方法,可以应用于公司、学校、公共场所或者是其它区域中的环境安全、消防逃生、安防管理等应用场景中,以对人员的具体实时位置进行查看和观察,能够及时得到每个人员的实时位置。参考图1所示对该数据处理方法进行详细描述。
在步骤S110中,从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据。
本示例性实施例中,以在某个公司内执行该数据处理方法为例进行说明。第一数据源指的是能够大概得到人员位置的硬件***,例如可以包括但不限于以下各数据源对应的数据库:用于刷卡的柙机数据库、会议数据库、无线网络数据库以及射频识别数据。在获得第一类型数据之后,可对第一类型数据进行撷取处理得到处理后的第一类型数据。撷取处理指的是具体地,参考图3中所示,可通过普通ETL(Extract-Transform-Load,数据仓库技术)软件和ETL***对第一类型数据进行撷取处理。ETL是构建数据仓库的重要一环,主要包括从数据源抽取出所需的数据,经过数据清洗,按照预先定义好的数据仓库模型,将数据加载到数据仓库中。
从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并得到处理后的第一类型数据的具体过程包括:从柙机数据库、会议数据库、无线网络数据库以及射频识别数据库中获取关联数据以及对象编号,其中关联数据指的是每个数据源对应的数据,例如柙机数据、会议数据、无线网络数据以及射频识别数据等,具体包括以下几种情形:情形一、从柙机数据库中得到柙机数据以及对象编号。参考图2中图A所示,柙机数据指的是每一个对象进入柙机的刷卡柙机编号、刷卡时间、方向(该对象是进入柙机还是离开柙机)。对象编号用于表示每一个刷卡对象的身份的标识,例如在公司内可以为工号,在学校内可以为学号等等。
需要说明的是,在获取柙机数据的过程中,可根据柙机的分布位置划分多个活动区域。具体地,可以刷卡柙机为区域进出入口,定义所有人员可活动的范围区域,即活动区域。例如,将整个区域划分为A区、B区和C区。具体地,首先可获取建筑物的所有平面配置图;接下来,查验刷卡柙机分布位置并准确标记至建筑物平面配置图里;进一步,基于刷卡柙机的位置,划分出刷卡进入后所有可自由活动的区域作为活动区域;接下来,对每一个活动区域命名,得到专业的名称定义;最后,定义表格[区域编号|区域名称]、[柙机编号|柙机名称]、[柙机编号|区域编号],以通过柙机编号和区域编号将获得的数据进行关联。从柙机数据库获取的第一类型数据在经过撷取处理后,得到的处理后的第一类型数据可通过表格来表示,表格中可包括刷卡柙机编号、刷卡时间、方向(进入或离开)、对象编号等元素。
以划分的活动区域为基础,对管理范围内的所有对象划分其目前活动区域,有利于观察对象所在区域的分布,得知对象的大约活动位置空间,并可在指定活动区域后,得知活动区域的对象清单。
情形二、从会议数据库中获取会议数据以及对象编号。参考图2中图B所示,会议数据可以包括会议开始时间、会议结束时间、会议名称等,对象编号可以为参加某个会议的对象的工号等。会议数据库对应的处理后的第一类型数据也可以用表格来表示,表格中可包括会议开始时间、会议结束时间、会议名称与对象编号等元素。
情形三、从无线网络数据库中获取网络数据以及对象编号,无线网络数据库可以为WIFI数据库。参考图2中的图C所示,网络数据可包括连线开始时间、连线中断时间、WIFI识别名称等,对象编号可以为连接某一个WIFI的对象的工号等。无线网络数据库对应的处理后的第一类型数据也可用表格来表示,表格中可包括连线开始时间、连线中断时间、WIFI识别名称与对象编号等元素。
情形四、从射频识别数据库中得到识别数据以及对象编号,射频识别数据库可以为RFID(Radio Frequency Identification,射频识别)。RFID可以为移动式或固定式标签,用于在对象佩戴后或者是经过放置该标签的位置时获取实时位置。参考图2中的图D所示,识别数据可包括侦测时间、RFID识别名称等,对象编号可以为配戴RFID的对象的工号等。射频识别数据库对应的处理后的第一类型数据也可以表格来表示,表格中可包括侦测时间、RFID识别名称与对象编号等元素。
参考图2中所示,由于第一类型数据均为格式化数据,因此在得到第一类型数据时,可通过普通ETL软件和ETL***对第一类型数据进行撷取处理,得到ETL后的格式化数据,且每个数据源对应的格式化数据均用表格来表示。
在步骤S120中,从第二数据源获取处于多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据。
本示例性实施例中,第二数据源例如可以为所有视频监控即摄像头对应的监控数据库,且第二类型数据可以为非格式数据,第二类型数据可以包括图像数据,也可以包括位置数据等等。
在获取到第二类型数据之后,可对第二类型数据进行撷取处理得到处理后的第二类型数据。参考图3所示,由于第二类型数据为非格式化数据,因此可通过深度学习算法、大数据处理算法以及图像处理方法对所述第二类型数据进行撷取处理,得到处理后的第二类型数据,以将属于非格式化数据的第二类型数据处理成为格式化的第二类型数据。具体过程可以包括以下步骤:第一步,判断所述图像数据中是否存在移动对象。移动对象指的是位置发生变化的对象,具体可通过移动对象侦测功能来实现。在判断是否存在移动对象时,可通过一个判别指标来确定。该判别指标可根据移动像素判别函数和移动物体判别函数,具体如公式(1)所示。如果判别指标满足预设值,则可以认为存在移动对象;如果判别指标不满足预设值,则可以认为不存在移动对象。预设值可以设置为1,也可根据实际需要设置为其他数值,此处不作特殊限定。
其中,α为判别指标,τ1为移动像素判别函数,τ2为移动物体判别函数,I(i,j)为监视摄像信号源、i为摄像图像数据的帧编号(frame number)、N为图像像素数目。
移动像素判别函数τ1的表达式为公式(2)所示:
移动物体判别函数τ2的表达式为公式(3)所示:
第二步,若存在所述移动对象,则对所述移动对象的图像数据进行人脸识别,以确定所述移动对象的对象编号。在第一步的基础上,如果检测到移动对象,则可以对检测到的移动对象进行人脸识别,以确定表示其身份的对象编号。图像数据例如可以为脸部图像以及穿戴物品图像等,具体可将移动对象的图像数据与数据库中存储的所有对象进行对比,以确定移动对象的对象编号。例如,执行人脸识别功能时,辨识数据可为该对象识别证(工牌或者是其他证件)上的照片,辨识结果可以包括录像编号、录像时间、移动对象的对象编号等。若确定移动对象为公司员工,则以其工号作为对象编号;如果确定移动对象不是公司员工,则以NULL表示其对象编号或者以固定位数的数值来表示,只要与工号进行区分即可。第二步得到的结果可以通过表格的方式来表示,表格中具体可包括录像编号、录像时间、移动对象的对象编号等元素。
第三步,在确定所述对象编号后,通过深度学习模型确定所述移动对象的图像数据的图像特征,以根据所述图像特征和所述对象编号得到处理后的第二类型数据。本步骤中主要对移动对象所配戴的物品等进行识别。配戴的物品例如可以包括帽子、包、衣服等等,每种物品均可用编号来表示。例如001表示帽子,002表示包等等。深度学习算法例如可以为卷积神经网络算法,也可以为其他用于分类的机器学习模型,例如分类器模型等等。图像特征例如可以包括类型特征以及颜色特征。具体而言,将图像数据作为卷积神经网络模型的输入,输出结果为图像数据中某一个目标图像数据的编号,从而确定类别,目标图像数据例如可为某一部分的图像数据,识别结果即类型特征例如属于帽子、包或者是衣服中的哪一类。
除此之外,还可以根据深度学习模型对目标图像数据的颜色进行识别,不同的颜色可用不同的编号来表示,此处的编号可以为字母结合数字的方式,例如A11表示蓝色,B22表示红色等等。具体可将代表不同颜色的编号作为训练数据,训练一个用于识别物品颜色的卷积神经网络模型;进一步将目标图像数据输入至训练好的模型,得到目标图像数据属于某一编号的概率,以将概率最高的编号对应的颜色作为目标图像数据的颜色。例如,对移动对象1进行分析,得到的由类型特征和颜色特征组成的图像特征为灰色帽子、蓝色上衣、蓝色领带、绿色背包等等。第三步得到的结果可用表格来表示,表格中主要包括录像编号、物品编号、颜色编号等元素。
如此一来,可将图像特征以及对象编号作为处理后的第二类型数据,第二类型数据可以通过表格形式进行存储,例如以录像时间和对象编号为主键key,物品以及颜色为value值。
接下来,在步骤S130中,将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据。
本示例性实施例中,可通过DIP(Data Integration Platform,数据汇整平台)对所有数据源的数据进行整合,得到统计数据。也即是说,统计数据中包括多个活动区域中,所有对象的位置数据以及图像数据等,且所有的数据都属于格式化数据。
参考图4所示,数据整合平台可包括Hadoop数据平台以及Green Plum分散式数据库。其中,Hadoop数据平台用于快速存储大量数据,Green Plum分散式数据库用于与Hadoop互相连结通讯,解决满足快速存储、关联式结构、支持SQL指令、支持事务、快速运算、快速查询与权限控管等能力的大数据分析平台。在得到处理后的第一类型数据以及处理后的第二类型数据之后,可将这些数据存储至该数据整合平台内,以通过该数据整合平台对处理后的第一类型数据和处理后的第二类型数据进行整合,得到统计数据。通过将数据进行整合,能够得到包括所有数据源的全面准确的数据,有利于辅助判断对象的位置,通过将第一数据源和第二数据源的数据进行整合,无需增加其他数据采集***,降低了硬件成本。
在步骤S140中,对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
本示例性实施例中,目标对象可以为某一个活动区域中的任意指定的观察对象。筛选的方式可以为通过活动区域筛选,也可以为通过图像特征筛选。首先以通过活动区域筛选为例进行说明,具体过程包括:确定一目标活动区域,并根据所述目标活动区域对所述统计数据进行过滤,得到所述目标活动区域中包含的所有对象的统计数据;若接收到作用于所述目标对象的统计数据的触发操作,则确定所述目标对象的所述实时数据。
用户可通过在终端的界面上输入或者是点击要筛选的活动区域,以将该活动区域
作为目标活动区域,例如将区域A作为目标活动区域。进一步地可从统计数据中得到目标活
动区域中所有对象的位置数据,例如可以包括区域A中所有对象,并且可以确定区域A中的
人数,具体可参考表1所示。
活动区域 | 进入时间 | 工号 | 姓名 | 一级部门 | 二级部门 |
A区 | 2018/09/18 08:30:01 | E00534 | 张三 | IT | CIT |
A区 | E00345 | 李四 | |||
… | … | … | … | … | … |
表1
在终端界面中,附予每一个活动区域可启动筛选器的区块,并借由数据平台上刷卡柙机的数据,通过查询指令获得所有对象的数据,可以表示为PD(Personal Data,人员的相关栏位信息)。以PD中的目标活动区域统计出每一个活动区域的实时人数,呈现于每一个活动区域名称之后,让用户可容易观察各个活动区域的人数分布。以PD中的活动区域栏位信息为参考,在界面右方呈现含有相关活动区域建筑物平面配置图。以PD中所有栏位信息,以表格清单方式(例如表1)呈现于所有建筑物平面配置图上方,表格清单呈现笔数约为十笔,并在清单下方给出页数,且附予表格清单标题列有排序功能。在筛选器的上方提供人员信息条件功能,让用户可输入目标对象的关键字做为相似条件,具体可使用SQL指令中的“like”过滤PD,去除PD中无符合相似条件的对象。当用户点击任一个活动区域启动筛选器时,以所指定的活动区域作为目标活动区域进行过滤PD,去除PD中所有不符合条件的人员。
进一步地,可将目标活动区域中的某一个对象作为目标对象,具体可通过作用于目标对象的统计数据的触发操作来确定目标对象。触发操作例如可以为点击操作或者是双击操作等等。举例而言,若接收到作用于表1中第1行的点击操作,则将张三作为目标对象,进而可以从统计数据中筛选出张三的实时数据。
接下来以通过图像特征进行筛选为例进行说明。具体过程包括:根据预设图像特征对所述统计数据进行筛选,得到包含所述预设图像特征的多个候选对象的统计数据;若接收到作用于所述候选对象其中之一的触发操作,将所述触发操作所对应的候选对象作为目标对象,确定所述目标对象的所述实时数据。预设图像特征可以为通过深度学习模型得到的图像特征中的一个或多个,例如可以为绿色背包、灰色帽子。举例而言,根据绿色背包、灰色帽子对统计数据进行筛选,得到符合或者是包含绿色背包、灰色帽子的多个候选对象的统计数据。例如输入绿色背包和灰色帽子,得到的候选对象可以包括张三、李四等等。需要说明的是,为了便于用户查看候选对象的信息,可按照时间由小到大的顺序确定包含所述预设图像特征的多个候选对象对应的统计数据,也可以按照时间从大到小的顺序来确定。例如,张三的时间小于李四的时间,则可形成如表2中所示的统计数据。
表2
通过深度学习模型从图像数据中得到配戴物品的图像特征,再以预设图像特征进
行筛选,进而获得目标对象的实时数据,能够方便用户对某些可疑人员进行特征追踪。
几率 | 时间差 | 时间 | 信息来源 | 大概位置 | 详细位置 |
极高 | 1分32秒 | 2018/09/12 16:18:32 | 监控摄像 | 4楼南区 | 厕所外面正上方 |
高 | 0秒 | 2018/09/12 16:00:00 | 会议通知 | 4楼中区 | 431室 |
中 | 0秒 | 2018/09/12 13:35:13 | WIFI发射器 | 4楼南区 | 中间上方 |
中 | … | … | 部门位置 | 4楼南区 | BAM在南区的中间 |
… | … | … | … | … | … |
表3
在得到表1和表2之后,若通过点击表1或表2中的某一行确定了目标对象,则从统计数据中筛选出目标对象的实时数据。实时数据可以包括位置数据和路径数据,对于位置数据可参考表3所示。其中可以包括几率、时间差、时间、信息、概略位置、详细位置等六个元素。机率为根据经验定义的各数据源的重要程度,时间差为事件发生时间与目前时间的距离,时间为事件发生的时间,信息为对数据来源的简单描述,概略位置为信息中所提供的概略位置范围,详细位置为信息中所提供的最详细位置。
需要说明的是,表3中每一种信息只呈现时间最大的那一笔,并且可根据数据源的重要程度的排列顺序确定按照第一顺序排列的目标对象的位置数据,数据源的排列顺序例如以极高、高、中与低等级别先后排序。
与此同时,还可以确定目标对象的路径数据,参考表4中所示。表4中的元素可以包
括时间、信息、概略位置、详细位置等,并且可根据时间的排列顺序确定按照第二顺序排列
的所述目标对象的路径数据,具体可按照时间由小到大的顺序,或者是时间由大到小的顺
序进行排列。
时间 | 信息来源 | 大概位置 | 详细位置 |
2018/09/12 16:17:16 | 刷卡记录 | 1楼北区大门 | 左边数第3台柙机 |
2018/09/12 16:17:20 | 监控摄像 | 1楼北区 | 大门柙机正上方 |
2018/09/12 16:18:32 | 监控摄像 | 4楼南区 | 厕所外边正上方 |
… | … | … | … |
表4
通过数据整合平台将第一数据源和第二数据源的数据进行整合,有利用户观察每个活动区域中对象的位置分布,并可借由活动区域来区分对象,便于用户筛选过滤后快速寻找和查看目标对象的详细位置数据。
通过对整合平台整合的统计数据进行筛选,得到表3和表4的实时数据,能够准确确定针对目标对象的更全面的位置数据和路径数据,有利于对目标对象的位置进行辅助判断,提高位置获取的准确性和实时性。通过对统计数据进行筛选,能够提高位置数据获取效率。另外,将公司内部所有已具备的***所产生的数据进行整合与分析,提供实时位置相关的多个信息证据,有利辅助用户对目标对象的位置进行准确判别与决策制定,并且无需增加采购成本或硬件成本。
除此之外,实时数据中还可以包括目标对象的图像数据和图像特征。在确定目标对象后,将目标对象的位置数据、路径数据、图像数据以及图像特征等信息均发送至终端,以使终端进行展示。终端可以为电脑、笔记本、手机等具有展示功能的终端,将实时数据发送至终端进行展示的具体架构如图6中所示。在展示位置数据时,需按照确定的第一顺序来展示,即可以在终端上展示目标对象对应的表3。在展示路径数据时,需按照确定的第二顺序来展示,即可以在终端上展示目标对象对应的表4。
参考图7所示,在通过活动区域或预设图像特征筛选到多个对象时,若检测到用户点击了表单中的第一行,则将张三作为目标对象,可在终端上展示张三的实时数据,即位置数据、路径数据、图像数据与配戴物品清单(图像特征)。通过呈现监控摄像画面与配戴物品的识别结果,能够更清楚地观察对象身上的特征与背景环境的特征,从而能更全面的获取目标对象的实时数据。
需要补充的是,在整个过程中,可对登录***的账号进行权项设置,即只有通过权项验证的用户才能登录***查看目标对象的实时数据等信息,以提高数据安全性。
本公开还提供了一种数据处理装置。参考图8所示,该数据处理装置800可以包括:
第一处理模块801,用于从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;
第二处理模块802,用于从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;
数据整合模块803,用于将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;
数据获取模块804,用于对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
需要说明的是,上述数据处理装置中各模块的具体细节已经在对应的数据处理方法中进行了详细描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同***组件(包括存储单元920和处理单元910)的总线930。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元910可以执行如图1中所示的步骤:在步骤S110中,从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;在步骤S120中,从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;在步骤S130中,将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;在步骤S140中,对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
显示单元940可以为具有显示功能的显示器,以通过该显示器展示由处理单元910执行本示例性实施例中的方法而得到的处理结果。显示器包括但不限于液晶显示器或者是其它显示器。
电子设备900也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品1000,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (14)
1.一种数据处理方法,其特征在于,包括:
从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;
从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;
将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;
对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
2.根据权利要求1所述的数据处理方法,其特征在于,从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据包括:
从柙机数据库、会议数据库、无线网络数据库以及射频识别数据库中获取关联数据以及对象编号,并将所述关联数据和所述对象编号作为处理后的第一类型数据,所述第一类型数据为格式化数据。
3.根据权利要求2所述的数据处理方法,其特征在于,所述方法还包括:
基于柙机的分布位置划分所述多个活动区域。
4.根据权利要求1所述的数据处理方法,其特征在于,从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据包括:
从监控数据库中获取处于所述多个活动区域的所有对象的第二类型数据,所述第二类型数据为非格式化数据。
5.根据权利要求1所述的数据处理方法,其特征在于,所述第二类型数据包括图像数据,对所述第二类型数据进行撷取处理得到处理后的第二类型数据包括:
判断所述图像数据中是否存在移动对象;
若存在所述移动对象,则对所述移动对象的图像数据进行人脸识别,以确定所述移动对象的对象编号;
在确定所述对象编号后,通过深度学习模型确定所述移动对象的图像数据的图像特征,以根据所述图像特征和所述对象编号得到处理后的第二类型数据。
6.根据权利要求5所述的数据处理方法,其特征在于,判断所述图像数据中是否存在移动对象包括:
根据移动像素判别函数和移动物体判别函数得到一判别指标;
若所述判别指标满足预设值,则确定存在所述移动对象。
7.根据权利要求1所述的数据处理方法,其特征在于,对所述统计数据进行筛选得到目标对象的实时数据包括:
确定一目标活动区域,并根据所述目标活动区域对所述统计数据进行过滤,得到所述目标活动区域中包含的所有对象的统计数据;
若接收到作用于所述目标对象的统计数据的触发操作,则确定所述目标对象的所述实时数据。
8.根据权利要求1所述的数据处理方法,其特征在于,对所述统计数据进行筛选得到目标对象的实时数据包括:
根据预设图像特征对所述统计数据进行筛选,得到包含所述预设图像特征的多个候选对象的统计数据;
若接收到作用于所述候选对象其中之一的触发操作,将所述触发操作所对应的候选对象作为目标对象,确定所述目标对象的所述实时数据。
9.根据权利要求8所述的数据处理方法,其特征在于,根据预设图像特征对所述统计数据进行筛选,得到包含所述预设图像特征的多个候选对象对应的统计数据包括:
按照时间由小到大的顺序确定包含所述预设图像特征的所述多个候选对象对应的统计数据。
10.根据权利要求7或8所述的数据处理方法,其特征在于,所述实时数据包括位置数据和路径数据,确定所述目标对象的所述实时数据包括:
根据数据源的重要程度的排列顺序确定按照第一顺序排列的所述目标对象的所述位置数据;
根据时间的排列顺序确定按照第二顺序排列的所述目标对象的路径数据。
11.根据权利要求10所述的数据处理方法,其特征在于,所述实时数据包括图像数据以及图像特征,将所述实时数据发送至终端以使所述终端进行展示包括:
将所述位置数据以及所述路径数据发送至终端,以使所述终端按照第一顺序展示所述位置数据以及按照所述第二顺序展示所述路径数据;
将所述目标对象的图像数据以及所述图像特征发送至所述终端,以使所述终端进行展示。
12.一种数据处理装置,其特征在于,包括:
第一处理模块,用于从多个第一数据源获取处于多个活动区域的所有对象的第一类型数据,并对所述第一类型数据进行撷取处理得到处理后的第一类型数据;
第二处理模块,用于从第二数据源获取处于所述多个活动区域的所有对象的第二类型数据,并对所述第二类型数据进行撷取处理得到处理后的第二类型数据;
数据整合模块,用于将所述处理后的第一类型数据和第二类型数据进行整合,得到统计数据;
数据获取模块,用于对所述统计数据进行筛选得到目标对象的实时数据,并将所述实时数据发送至终端以使所述终端进行展示。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任意一项所述的数据处理方法。
14.一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权利要求1-11任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367162.3A CN111198909A (zh) | 2018-11-16 | 2018-11-16 | 数据处理方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367162.3A CN111198909A (zh) | 2018-11-16 | 2018-11-16 | 数据处理方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111198909A true CN111198909A (zh) | 2020-05-26 |
Family
ID=70745560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811367162.3A Pending CN111198909A (zh) | 2018-11-16 | 2018-11-16 | 数据处理方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111198909A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579701A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279740A (zh) * | 2013-05-15 | 2013-09-04 | 吴玉平 | 一种利用动态数据库加速智能监控人脸识别的方法和*** |
CN103942850A (zh) * | 2014-04-24 | 2014-07-23 | 中国人民武装警察部队浙江省总队医院 | 基于视频分析和rfid技术的医护人员在岗监测方法 |
CN104318732A (zh) * | 2014-10-27 | 2015-01-28 | 国网冀北电力有限公司张家口供电公司 | 基于视频分析和rfid的变电站现场人员监控管理***及方法 |
CN105913037A (zh) * | 2016-04-26 | 2016-08-31 | 广东技术师范学院 | 基于人脸识别与射频识别的监控跟踪*** |
CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技(深圳)有限公司 | 用于视频监控***的行踪轨迹的获取方法和装置 |
-
2018
- 2018-11-16 CN CN201811367162.3A patent/CN111198909A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279740A (zh) * | 2013-05-15 | 2013-09-04 | 吴玉平 | 一种利用动态数据库加速智能监控人脸识别的方法和*** |
CN103942850A (zh) * | 2014-04-24 | 2014-07-23 | 中国人民武装警察部队浙江省总队医院 | 基于视频分析和rfid技术的医护人员在岗监测方法 |
CN104318732A (zh) * | 2014-10-27 | 2015-01-28 | 国网冀北电力有限公司张家口供电公司 | 基于视频分析和rfid的变电站现场人员监控管理***及方法 |
CN105913037A (zh) * | 2016-04-26 | 2016-08-31 | 广东技术师范学院 | 基于人脸识别与射频识别的监控跟踪*** |
CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技(深圳)有限公司 | 用于视频监控***的行踪轨迹的获取方法和装置 |
Non-Patent Citations (3)
Title |
---|
孔英会 等: "智能视频监控***中物体遗留检测方法的研究", 《计算机工程与科学》 * |
宋怀波 等: "基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法", 《农业工程学报》 * |
胡德文、陈芳林编著: "《生物特征识别技术与方法》", 31 August 2013 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579701A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 数据处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200098875A (ko) | 3d 얼굴인식 시스템 및 방법 | |
US10956753B2 (en) | Image processing system and image processing method | |
JP2019534491A (ja) | 安全検査システムおよび安全検査装置を配置する方法 | |
US20170116469A1 (en) | Counting and monitoring method using face detection | |
CN105404860A (zh) | 用于管理走失人员信息的方法和设备 | |
CN110619324A (zh) | 一种行人和安全帽检测方法、装置及*** | |
CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
DE112009000485T5 (de) | Objektvergleich für Verfolgung, Indizierung und Suche | |
CN105389562A (zh) | 一种时空约束的监控视频行人重识别结果的二次优化方法 | |
US11308792B2 (en) | Security systems integration | |
CN102017606A (zh) | 图像处理设备、相机、图像处理方法和程序 | |
US20180158063A1 (en) | Point-of-sale fraud detection using video data and statistical evaluations of human behavior | |
US11113838B2 (en) | Deep learning based tattoo detection system with optimized data labeling for offline and real-time processing | |
CN111353338B (zh) | 一种基于营业厅视频监控的能效改进方法 | |
WO2016185229A1 (en) | Systems, methods, and devices for information sharing and matching | |
WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 | |
US20200050838A1 (en) | Suspiciousness degree estimation model generation device | |
CN111598753A (zh) | 一种嫌疑人推荐方法、装置、电子设备和存储介质 | |
CN111209446A (zh) | 一种人员检索信息的呈现方法、装置和电子设备 | |
US11450186B2 (en) | Person monitoring system and person monitoring method | |
KR20180085505A (ko) | 얼굴인식을 통한 학습형 실시간 안내 시스템 및 그 안내 방법 | |
US20180089500A1 (en) | Portable identification and data display device and system and method of using same | |
CN111198909A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
US20210334758A1 (en) | System and Method of Reporting Based on Analysis of Location and Interaction Between Employees and Visitors | |
Dessimoz et al. | A dedicated framework for weak biometrics in forensic science for investigation and intelligence purposes: The case of facial information |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200526 |