CN111611894A - 人员轨迹预测方法、装置、计算机设备及存储介质 - Google Patents

人员轨迹预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111611894A
CN111611894A CN202010407930.4A CN202010407930A CN111611894A CN 111611894 A CN111611894 A CN 111611894A CN 202010407930 A CN202010407930 A CN 202010407930A CN 111611894 A CN111611894 A CN 111611894A
Authority
CN
China
Prior art keywords
person
monitoring
station
data
real
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
Application number
CN202010407930.4A
Other languages
English (en)
Inventor
黄钰群
彭贤斌
饶宏博
沈晨思
赖雄锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongke Huizhao Technology Co ltd
Original Assignee
Shenzhen Zhongke Huizhao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhongke Huizhao Technology Co ltd filed Critical Shenzhen Zhongke Huizhao Technology Co ltd
Priority to CN202010407930.4A priority Critical patent/CN111611894A/zh
Publication of CN111611894A publication Critical patent/CN111611894A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人员轨迹预测方法、装置、计算机设备及存储介质，方法包括：采集进站人员的人脸数据，根据人脸数据识别进站人员的身份；若进站人员识别为重点关注人员，则获取重点关注人员的实时位置；根据实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据；根据终点信息和人流数据生成重点关注人员的预测轨迹路线。本发明采集进站人员的人脸数据，根据人脸数据识别进站人员的身份，并在进站人员识别为重点关注人员时，获取重点关注人员的实时位置，并基于实时位置生成测轨迹路线，以实现准确高效的监控重点关注人员的行进轨迹，提高对轨道交通区域应急事件的反应能力。

Description

人员轨迹预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及人员定位领域，更具体地说是指一种人员轨迹预测方法、装置、计算机设备及存储介质。
背景技术
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输***。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路***。常见的轨道交通如地铁，大部分都将乘车区设置于地下，由于地下区域空间复杂，在发生突发应急事件时，难以调控，容易出现混乱，影响轨道交通的正常运营。另外，轨道交通区域人流量大，每天出入的乘客不可计数，因此轨道交通区域出现公安部重点关注人员的概率也很大，现有技术无法对轨道交通区域具体的人员进行身份识别并对于其行进轨迹进行预测和监控，影响轨道交通的稳定运营。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种人员轨迹预测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明提出一种人员轨迹预测方法，包括以下步骤：
采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份；
若进站人员识别为重点关注人员，则获取重点关注人员的实时位置；
根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据；
根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
第二方面，本发明提出一种人员轨迹预测装置，包括：
采集识别单元，用于采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份；
位置获取单元，用于若进站人员识别为重点关注人员，则获取重点关注人员的实时位置；
通道获取单元，用于根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据；
轨迹预测单元，用于根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
第三方面，本发明提出一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的人员轨迹预测方法。
第四方面，本发明提出一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如上所述的人员轨迹预测方法。
本发明与现有技术相比的有益效果是：本发明采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份，并在进站人员识别为重点关注人员时，获取重点关注人员的实时位置，并基于实时位置生成测轨迹路线，以实现准确高效的监控重点关注人员的行进轨迹，提高对轨道交通区域应急事件的反应能力。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的人员轨迹预测方法的应用场景示意图；
图2为本发明实施例提供的人员轨迹预测方法的流程示意图；
图3为本发明实施例提供的人员轨迹预测方法的子流程示意图；
图4为人脸识别模型训练步骤的流程示意图；
图5为本发明实施例提供的人员轨迹预测方法的子流程示意图；
图6为本发明另一实施例提供的人员轨迹预测方法的流程示意图；
图7为本发明实施例提供的人员轨迹预测装置的示意性框图；
图8为本发明实施例提供的人员轨迹预测装置的采集识别单元的示意性框图；
图9为本发明实施例提供的人员轨迹预测装置的位置获取单元的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的人员轨迹预测方法的应用场景示意图。图2为本发明实施例提供的人员轨迹预测方法的示意性流程图。该人员轨迹预测方法应用于服务器中，该服务器与终端进行数据交互，由终端拍摄得到待识别的人脸数据，并将人脸数据传输至服务器，由服务器内的人脸识别模型对其进行身份识别，在进站人员识别为重点关注人员时，重点监控该人员的活动轨迹，并生成对应的预测轨迹路线，以提高轨道交通区域内的应急反应能力，保证轨道交通的稳定高效运行。
图2是本发明实施例提供的人员轨迹预测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份。
在本实施例中，通过采集进入轨道交通区域的进站人员的人脸数据，并基于该人脸数据对进站人员进行身份识别，可以在第一时间识别并发现需要重点关注的可疑人员，并对该可疑人员进行轨迹监控，能够在需要时，第一时间对可疑人员进行控制，提高轨道交通的应急反应能力。
参考图3，在一实施例中，步骤S110包括步骤S111-S113。
S111、通过监控设备采集目标监控区域的视频数据。
S112、识别并提取视频数据中的人脸图像，将人脸图像关联该监控设备的监控位置信息和监控角度信息打包成人脸数据。
在本实施例中，通过监控设备如摄像头获取其监控区域内的进出人员的人脸图像，例如通过安装在入闸口或者检票口区域的摄像头就可以实时获取到该区域的视频数据，视频数据由若干帧图像组成，因此，通过识别并提取出视频数据中的人脸图像，可以基于该人脸图像进行人员的人脸识别。同时在得到人脸图像时，将该监控设备的监控位置信息和监控角度信息与人脸图像进行关联打包成人脸数据，这样，基于人脸数据就可以定位到对应进站人员的实时位置，便于后续基于实时位置生成进站人员的实时行进轨迹，以对进站人员进行更好的监控。
S113、将所述人脸数据中的人脸图像与重点关注人员的数据库比对，对进站人员进行身份识别。
在本实施例中，在获取到人脸数据之后，将人脸数据上传到服务器，通过服务器中的人脸识别模型进行身份识别。其中，人脸识别模型是通过带标识的人脸图像数据作为样本数据训练卷积神经网络所得的。
如图4，在一实施例中，人脸识别模型训练步骤可包括步骤A10～A60。
A10、构建损失函数以及卷积神经网络。
A20、获取带标识的人脸图像数据，以得到样本数据。
A30、将样本数据输入卷积神经网络内进行卷积计算，以得到样本输出结果。
A40、将样本输出结果以及带标识的人脸图像数据输入损失函数内，以得到损失值。
A50、根据损失值调整卷积神经网络的参数。
A60、利用样本数据且采用深度学习框架对卷积神经网络进行学习，以得到人脸识别模型。
通过不断地调整卷积神经网络的参数，并进行多次学习和训练，以得到满足要求的卷积神经网络，具体是采用tensorflow训练，转换为相人脸识别模型后，通过tensorflowtflite和tensorflow mace非常轻松地部署到了服务器或者终端之上。其不仅支持通常的控制器运行，也可通过opencl(全称open computing language，开放运算语言)在相应设备上进行控制器加速。
S120、若进站人员识别为重点关注人员，则获取重点关注人员的实时位置。
在本实施例中，人脸数据中包含有对应监控设备的监控位置信息和监控角度信息，通过识别出该重点关注人员的人脸数据，即可快速定位到该重点关注人员的实时位置。
参考图5，在一实施例中，步骤S120包括步骤S121-S122。
S121、解析重点关注人员的人脸数据，获取对应监控设备的监控位置信息和监控角度信息。
S122、根据监控位置信息和监控角度信息确定重点关注人员的实时位置。
在本实施例中，用于进行身份识别的人脸数据中包含有对应监控设备的监控位置信息和监控角度信息，通过识别出该重点关注人员的人脸数据，即可快速定位到该重点关注人员的实时位置。
S130、根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据。
在本实施例中，在获得重点关注人员所在实时位置所连通的通道信息，以及不同通道对应连通的终点信息及通道人流数据之后，可以对重点关注人员的运行轨迹进行预测。
S140、根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
在本实施例中，不同通道终点的不同，不同终点的重要程度不同，优先将终点重要程度高的通道作为重点关注人员的一次预测前进通道，剔除终点重要程度低的通道；并基于一次预测前进通道，将人流数据小于一定阈值的一次预测前进通道作为进一步优选的二次预测前进通道，并生成重点关注人员的预测轨迹路线。
本发明采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份，并在进站人员识别为重点关注人员时，获取重点关注人员的实时位置，并基于实时位置生成测轨迹路线，以实现准确高效的监控重点关注人员的行进轨迹，提高对轨道交通区域应急事件的反应能力。
图6是本发明另一实施例提供的一种人员轨迹预测方法的流程示意图。如图6所示，本实施例的人员轨迹预测方法包括步骤S210-S250。其中步骤S210-S240与上述实施例中的步骤S110-S140类似，在此不再赘述。下面详细说明本实施例中所增加的步骤S240。
S250、调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向。
在本实施例中，确定了重点关注人员的预测路线，通过调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向，以便在重点关注人员出现是第一时间捕捉到重点关注人员，实现对于重点关注人员的快速定位和轨迹监控。
图7是本发明实施例提供的一种人员轨迹预测装置的示意性框图。如图7所示，对应于以上人员轨迹预测方法，本发明还提供一种人员轨迹预测装置。该人员轨迹预测方法装置包括用于执行上述人员轨迹预测方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图7，该人员轨迹预测装置包括采集识别单元10，位置获取单元20，通道获取单元30，轨迹预测单元40和监控调整单元50。
采集识别单元10，用于采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份。
在本实施例中，通过采集进入轨道交通区域的进站人员的人脸数据，并基于该人脸数据对进站人员进行身份识别，可以在第一时间识别并发现需要重点关注的可疑人员，并对该可疑人员进行轨迹监控，能够在需要时，第一时间对可疑人员进行控制，提高轨道交通的应急反应能力。
在一实施例中，如图8所示，采集识别单元10包括视频采集模块11，图像提取模块12和人脸识别模块13。
视频采集模块11，用于通过监控设备采集目标监控区域的视频数据。
图像提取模块12，用于识别并提取视频数据中的人脸图像，将人脸图像关联该监控设备的监控位置信息和监控角度信息打包成人脸数据。
在本实施例中，通过监控设备如摄像头获取其监控区域内的进出人员的人脸图像，例如通过安装在入闸口或者检票口区域的摄像头就可以实时获取到该区域的视频数据，视频数据由若干帧图像组成，因此，通过识别并提取出视频数据中的人脸图像，可以基于该人脸图像进行人员的人脸识别。同时在得到人脸图像时，将该监控设备的监控位置信息和监控角度信息与人脸图像进行关联打包成人脸数据，这样，基于人脸数据就可以定位到对应进站人员的实时位置，便于后续基于实时位置生成进站人员的实时行进轨迹，以对进站人员进行更好的监控。
人脸识别模块13，用于将所述人脸数据中的人脸图像与重点关注人员的数据库比对，对进站人员进行身份识别。
在本实施例中，在获取到人脸数据之后，将人脸数据上传到服务器，通过服务器中的人脸识别模型进行身份识别。其中，人脸识别模型是通过带标识的人脸图像数据作为样本数据训练卷积神经网络所得的。
位置获取单元20，用于若进站人员识别为重点关注人员，则获取重点关注人员的实时位置。
在本实施例中，人脸数据中包含有对应监控设备的监控位置信息和监控角度信息，通过识别出该重点关注人员的人脸数据，即可快速定位到该重点关注人员的实时位置。
参考图9，在一实施例中，位置获取单元20包括数据解析模块21和位置确定模块22。
数据解析模块21，用于解析重点关注人员的人脸数据，获取对应监控设备的监控位置信息和监控角度信息。
位置确定模块22，用于根据监控位置信息和监控角度信息确定重点关注人员的实时位置。
在本实施例中，用于进行身份识别的人脸数据中包含有对应监控设备的监控位置信息和监控角度信息，通过识别出该重点关注人员的人脸数据，即可快速定位到该重点关注人员的实时位置。
通道获取单元30，用于根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据。
在本实施例中，在获得重点关注人员所在实时位置所连通的通道信息，以及不同通道对应连通的终点信息及通道人流数据之后，可以对重点关注人员的运行轨迹进行预测。
轨迹预测单元40，用于根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
在本实施例中，不同通道终点的不同，不同终点的重要程度不同，优先将终点重要程度高的通道作为重点关注人员的一次预测前进通道，剔除终点重要程度低的通道；并基于一次预测前进通道，将人流数据小于一定阈值的一次预测前进通道作为进一步优选的二次预测前进通道，并生成重点关注人员的预测轨迹路线。
本发明采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份，并在进站人员识别为重点关注人员时，获取重点关注人员的实时位置，并基于实时位置生成测轨迹路线，以实现准确高效的监控重点关注人员的行进轨迹，提高对轨道交通区域应急事件的反应能力。
监控调整单元50，用于调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向。
在本实施例中，确定了重点关注人员的预测路线，通过调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向，以便在重点关注人员出现是第一时间捕捉到重点关注人员，实现对于重点关注人员的快速定位和轨迹监控。
本发明采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份，并在进站人员识别为重点关注人员时，获取重点关注人员的实时位置，并基于实时位置生成测轨迹路线，以实现准确高效的监控重点关注人员的行进轨迹，提高对轨道交通区域应急事件的反应能力。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述人员轨迹预测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图10，该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种人员轨迹预测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种人员轨迹预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。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，或者该技术方案的全部或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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人员轨迹预测方法，其特征在于，包括以下步骤：
采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份；
若进站人员识别为重点关注人员，则获取重点关注人员的实时位置；
根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据；
根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
2.根据权利要求1所述的人员轨迹预测方法，其特征在于，所述采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份的步骤，包括；
通过监控设备采集目标监控区域的视频数据；
识别并提取视频数据中的人脸图像，将人脸图像关联该监控设备的监控位置信息和监控角度信息打包成人脸数据；
将所述人脸数据中的人脸图像与重点关注人员的数据库比对，对进站人员进行身份识别。
3.根据权利要求2所述的人员轨迹预测方法，其特征在于，所述获取重点关注人员的实时位置的步骤，包括；
解析重点关注人员的人脸数据，获取对应监控设备的监控位置信息和监控角度信息；
根据监控位置信息和监控角度信息确定重点关注人员的实时位置。
4.根据权利要求1所述的人员轨迹预测方法，其特征在于，所述根据终点信息和人流数据生成重点关注人员的预测轨迹路线的步骤之后，包括；
调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向。
5.一种人员轨迹预测装置，其特征在于，包括：
采集识别单元，用于采集进站人员的人脸数据，根据所述人脸数据识别进站人员的身份；
位置获取单元，用于若进站人员识别为重点关注人员，则获取重点关注人员的实时位置；
通道获取单元，用于根据所述实时位置，获取连通到实时位置的所有通道信息，并根据通道信息获取不同通道对应连通的终点信息及通道人流数据；
轨迹预测单元，用于根据终点信息和人流数据生成重点关注人员的预测轨迹路线。
6.根据权利要求5所述的人员轨迹预测装置，其特征在于，所述采集识别单元包括视频采集模块，图像提取模块和人脸识别模块；
所述视频采集模块，用于通过监控设备采集目标监控区域的视频数据；
所述图像提取模块，用于识别并提取视频数据中的人脸图像，将人脸图像关联该监控设备的监控位置信息和监控角度信息打包成人脸数据；
所述人脸识别模块，用于将所述人脸数据中的人脸图像与重点关注人员的数据库比对，对进站人员进行身份识别。
7.根据权利要求6所述的人员轨迹预测装置，其特征在于，所述位置获取单元包括数据解析模块和位置确定模块；
所述数据解析模块，用于解析重点关注人员的人脸数据，获取对应监控设备的监控位置信息和监控角度信息；
所述位置确定模块，用于根据监控位置信息和监控角度信息确定重点关注人员的实时位置。
8.根据权利要求5所述的人员轨迹预测装置，其特征在于，还包括监控调整单元，用于调整预测路线上监控设备的监控角度，以使监控设备正对重点关注人员预测出现的方向。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的人员轨迹预测方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至4中任一项所述的人员轨迹预测方法。
CN202010407930.4A 2020-05-14 2020-05-14 人员轨迹预测方法、装置、计算机设备及存储介质 Pending CN111611894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407930.4A CN111611894A (zh) 2020-05-14 2020-05-14 人员轨迹预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407930.4A CN111611894A (zh) 2020-05-14 2020-05-14 人员轨迹预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111611894A true CN111611894A (zh) 2020-09-01

Family

ID=72203248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407930.4A Pending CN111611894A (zh) 2020-05-14 2020-05-14 人员轨迹预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111611894A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163568A (zh) * 2020-10-28 2021-01-01 成都中科大旗软件股份有限公司 基于视频检测的景区寻人***
CN112200956A (zh) * 2020-09-27 2021-01-08 北京百度网讯科技有限公司 一种门禁控制方法、***、电子设备及存储介质
CN112258718A (zh) * 2020-09-27 2021-01-22 中国建设银行股份有限公司 一种人体测温及人员识别方法和***
CN113705499A (zh) * 2021-09-02 2021-11-26 浙江力石科技股份有限公司 一种景区自动寻人方法
CN114187150A (zh) * 2021-11-04 2022-03-15 安捷中科(北京)数据科技有限公司 流动人口多维度实时监测方法及***
WO2024082848A1 (zh) * 2022-10-19 2024-04-25 通号通信信息集团有限公司 客流预测方法、装置和***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016141641A1 (zh) * 2015-03-11 2016-09-15 中兴通讯股份有限公司 一种可疑人员识别方法及装置
CN109087335A (zh) * 2018-07-16 2018-12-25 腾讯科技（深圳）有限公司 一种人脸跟踪方法、装置和存储介质
CN109214276A (zh) * 2018-07-23 2019-01-15 武汉虹信技术服务有限责任公司 一种基于人脸识别技术的目标人员轨迹跟踪的***及方法
CN109684916A (zh) * 2018-11-13 2019-04-26 恒睿(重庆)人工智能技术研究院有限公司 基于路径轨迹数据异常检测方法、***、设备及存储介质
CN110175583A (zh) * 2019-05-30 2019-08-27 重庆跃途科技有限公司 一种于基于视频ai的校园全域安全监控分析方法
CN110532951A (zh) * 2019-08-30 2019-12-03 江苏航天大为科技股份有限公司 一种基于区间位移的地铁乘客异常行为分析方法
WO2020024552A1 (zh) * 2018-08-01 2020-02-06 深圳云天励飞技术有限公司 道路安全监控方法及***、计算机可读存储介质
WO2020077871A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016141641A1 (zh) * 2015-03-11 2016-09-15 中兴通讯股份有限公司 一种可疑人员识别方法及装置
CN109087335A (zh) * 2018-07-16 2018-12-25 腾讯科技（深圳）有限公司 一种人脸跟踪方法、装置和存储介质
CN109214276A (zh) * 2018-07-23 2019-01-15 武汉虹信技术服务有限责任公司 一种基于人脸识别技术的目标人员轨迹跟踪的***及方法
WO2020024552A1 (zh) * 2018-08-01 2020-02-06 深圳云天励飞技术有限公司 道路安全监控方法及***、计算机可读存储介质
WO2020077871A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质
CN109684916A (zh) * 2018-11-13 2019-04-26 恒睿(重庆)人工智能技术研究院有限公司 基于路径轨迹数据异常检测方法、***、设备及存储介质
CN110175583A (zh) * 2019-05-30 2019-08-27 重庆跃途科技有限公司 一种于基于视频ai的校园全域安全监控分析方法
CN110532951A (zh) * 2019-08-30 2019-12-03 江苏航天大为科技股份有限公司 一种基于区间位移的地铁乘客异常行为分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘莹;吴娇蓉;林航飞;: "轨道交通车站行人路径选择研究" *
孙未未;毛江云;: "轨迹预测技术及其应用――从上海外滩***件说起" *
王洋;贾利民;徐杰;郭建媛;康亚舒;: "城市轨道交通突发事件客流诱导***设计" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200956A (zh) * 2020-09-27 2021-01-08 北京百度网讯科技有限公司 一种门禁控制方法、***、电子设备及存储介质
CN112258718A (zh) * 2020-09-27 2021-01-22 中国建设银行股份有限公司 一种人体测温及人员识别方法和***
CN112200956B (zh) * 2020-09-27 2023-01-17 北京百度网讯科技有限公司 一种门禁控制方法、***、电子设备及存储介质
CN112163568A (zh) * 2020-10-28 2021-01-01 成都中科大旗软件股份有限公司 基于视频检测的景区寻人***
CN113705499A (zh) * 2021-09-02 2021-11-26 浙江力石科技股份有限公司 一种景区自动寻人方法
CN113705499B (zh) * 2021-09-02 2024-04-02 浙江力石科技股份有限公司 一种景区自动寻人方法
CN114187150A (zh) * 2021-11-04 2022-03-15 安捷中科(北京)数据科技有限公司 流动人口多维度实时监测方法及***
WO2024082848A1 (zh) * 2022-10-19 2024-04-25 通号通信信息集团有限公司 客流预测方法、装置和***

Similar Documents

Publication Publication Date Title
CN111611894A (zh) 人员轨迹预测方法、装置、计算机设备及存储介质
US9122915B2 (en) Method and apparatus for facial recognition based queue time tracking
WO2017202169A1 (zh) 门禁控制数据处理方法、门禁控制方法和电子设备
CN111310994A (zh) 一种基于数据校准的公交路线预测方法及***
Liu et al. SafeShareRide: Edge-based attack detection in ridesharing services
WO2022227490A1 (zh) 行为识别方法、装置、设备、存储介质、计算机程序及程序产品
JP6595375B2 (ja) 交通状況解析装置、交通状況解析方法、及び、交通状況解析プログラム
Nakashima et al. Passenger counter based on random forest regressor using drive recorder and sensors in buses
WO2016201683A1 (en) Cloud platform with multi camera synchronization
JP7303384B2 (ja) 乗降者数計数システム及び乗降者数計数装置
WO2021135138A1 (zh) 一种目标运动轨迹构建方法、设备以及计算机存储介质
CN111489819A (zh) 检测认知和语言障碍的方法、服务器和计算机可读介质
CN112071084A (zh) 一种利用深度学习判断违章停车的方法和***
CN109471389A (zh) 基于大数据的铁路运输监控***
KR20220147566A (ko) 교통정보 제공 방법, 장치 및 그러한 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램
CN112183161B (zh) 人脸数据库的处理方法、装置及设备
CN116486332A (zh) 客流量监测方法、装置、设备及存储介质
CN112307846A (zh) 乘务违规分析方法
CN113609937B (zh) 一种城市轨道交通的应急处理方法、***及存储介质
CN111523529B (zh) 基于乘客出行轨迹的轨道交通疫情防控***及方法
KR20170083522A (ko) Dna 정보를 이용한 얼굴 추정 방법, 이를 수행하기 위한 기록 매체 및 장치
US11145196B2 (en) Cognitive-based traffic incident snapshot triggering
Feng et al. Subway Obstacle Perception and Identification Method Based on Cloud Edge Collaboration
CN113544735A (zh) 人认证设备、控制方法和程序
CN114446039B (zh) 客流分析方法及相关设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Guangdong Zhongke Huiju Technology Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: Shenzhen Zhongke huizhao Technology Co.,Ltd.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 810, building 1, aerospace building, No. 51, South ninth Road, Gaoxin, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province, 518000

Applicant after: Guangdong Zhongke Huiju Technology Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: Guangdong Zhongke Huiju Technology Co.,Ltd.