CN111985452B - 一种人员活动轨迹及落脚点的自动生成方法及*** - Google Patents
一种人员活动轨迹及落脚点的自动生成方法及*** Download PDFInfo
- Publication number
- CN111985452B CN111985452B CN202010923770.9A CN202010923770A CN111985452B CN 111985452 B CN111985452 B CN 111985452B CN 202010923770 A CN202010923770 A CN 202010923770A CN 111985452 B CN111985452 B CN 111985452B
- Authority
- CN
- China
- Prior art keywords
- personnel
- analyzed
- vehicle
- information
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 206010034701 Peroneal nerve palsy Diseases 0.000 title claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 2
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人员活动轨迹及落脚点的自动生成方法及***，包括：确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹；基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息；根据所述关键点位置信息确认待分析人员的落脚点信息。本发明方法充分利用已有的场所和设备，无需额外布线施工，监控面积覆盖范围广，无须人工进行目测视频分析或进行人工盯梢，节省了大量的人力物力。
Description
技术领域
本发明涉及人员轨迹识别技术领域，尤其涉及一种人员活动轨迹及落脚点的自动生成方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着近几年互联网的迅猛发展，公安卡口图像技术的快速发展，业务数据涉及的范围越来越广，采集的数据量也越来越大。各小区及公共场所监控数据、卡口过车数据的战略性意义凸显，公安机关通过大数据***分析针对各类数据进行分析，使得通过大数据分析计算人员活动轨迹及落脚点成为可能。
传统对人员轨迹及落脚点进行分析，一般采用视频监控排查方式或人工盯梢方式。但是，上述方式往往存在以下问题：
1)视频监控范围有限，容易受到建筑物阻挡视线，并且需要人工对视频监控内容进行排查，耗时耗力。
2)使用人工下访排查方式，需消耗大量的人力物力，还可能会引起犯罪嫌疑人的警觉，增加排查难度。
发明内容
为了解决上述问题，本发明提出了一种人员活动轨迹及落脚点的自动生成方法及***，充分利用现有监控设备，无需人工分析的过程，能够自动分析出人员活动轨迹。
在一些实施方式中，采用如下技术方案：
一种人员活动轨迹及落脚点的自动生成方法，包括：
确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹；
基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息；
根据所述关键点位置信息确认待分析人员的落脚点信息。
在另一些实施方式中，采用如下技术方案：
一种人员活动轨迹及落脚点的自动生成***，包括：
信息获取模块，用于确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
活动轨迹生成模块，用于基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹；
行程确定模块，用于基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息；
落脚点位置确认模块，用于根据所述关键点位置信息确认待分析人员的落脚点信息。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的人员活动轨迹及落脚点的自动生成方法。
与现有技术相比，本发明的有益效果是：
(1)本发明方法充分利用已有的场所和设备，无需额外布线施工，监控面积覆盖范围广，无须人工进行目测视频分析或进行人工盯梢，节省了大量的人力物力。
(2)可以根据收到的数据自动进行分析并展示，能够相对准确地得到待分析人员的活动轨迹及落脚点信息。
(3)利用基于图像监控数据分析得到的数据对分析结果进行对比分析，进一步提高落脚点结果的准确性。
附图说明
图1是本发明实施例中人员活动轨迹及落脚点的自动生成方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种人员活动轨迹及落脚点的自动生成方法，参照图1，具体包括以下过程：
步骤(1)：确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
具体地，通常情况下，上述信息能够通过网络平台或者相关网站获取，比如：警察在分析某位嫌疑人的落脚点位置时，能够通过互联网、车管所、不动产登记平台等途径获取到待分析人员的相关信息。
步骤(2)：基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹；
具体地，对待分析人员及其关系人名下的所有车辆信息进行监控，通过图像识别技术识别出待分析人员所在的车辆；车辆过卡口时会有过车图片产生，可以通过人像比对技术对车辆内人员图像与待分析人员图像进行匹配，从而识别出待分析人员所在的车辆。
识别出待分析人员所在的车辆后，对车辆的位置以及出现时间进行记录并预警提示。
获取待分析人员所在车辆设定时间段内经过的所有卡口数据，按照时间顺序对卡口数据进行排序，得到待分析人员车辆在设定时间段内的第一活动轨迹。
本实施例中，以天为单位对过车数据分组，得到待分析人员车辆每天经过的所有卡口数据，获得当天第一活动轨迹。比如：
组一：
鲁A 12345卡口1 2020-01-01 08:06:05
鲁A 12345卡口2 2020-01-01 12:00:02
组二：
鲁A 12345卡口1 2020-01-02 08:06:05
鲁A 12345卡口2 2020-01-02 12:00:02
步骤(3)：基于活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息；
具体地，活动轨迹为连续的行程，一条轨迹可以划分为多个行程；例如人员A某天从a-b-c-d-a为其一天的活动轨迹，若其在c点停留时间过长，说明其在c点有行为发生，故将a-b-c划分为一段行程。
本实施例中，对每组排序后的过车数据进行计算，得到车辆经过的每两个相邻卡口数据之间的时间间隔t；
确定所述的相邻两个卡口之间合理的通过时间T，该时间可以通过试验进行确定，也可以通过算法计算，比如：获取设定时间段内经过这两个卡口的车辆通过时间，获取该段时间内车辆通过两个卡口的平均时间，允许有±5分钟误差；比较t和T，若t≤T，则这两个卡口可算作同一个行程，若t＞T，则第一条记录算作上一条行程的结束，第二条记录算作下一条行程的开始。
取所有行程的终点作为关键点。
步骤(4)：根据所述关键点位置信息确认待分析人员的落脚点信息。
具体地，根据待分析人员及其关系人名下的房屋地址，与关键点位置信息进行匹配，若关键点位置匹配到存在房产，则将该关键点变更为落脚点；
若所有关键点无法与房屋地址匹配，则获取待分析人员在每一个关键点出现的频次，将出现频次大于设定阈值的关键点确定为落脚点。
当然，关键点位置与房屋地址匹配时允许有一定范围的误差，该范围可以根据需要自行设定。
待分析人员在每一个关键点出现的频次就是时间段内出现在该关键点的次数，如一个月内出现了4次，则月频次为4。
将出现频次大于设定阈值的关键点确定为落脚点。本实施例中，将阈值设定为20次/月。
作为一种可选的实施方式，为了保证分析结果的准确性，本实施例方法还包括以下过程：
根据图像监控数据，对待分析人员面部特征进行提取比对，当匹配到相应特征人员时进行实时推送，并针对全部匹配图像数据进行时间段排序；
对图像匹配结果进行筛选确认，自动生成待分析人员在设定时间段内的第二活动轨迹；
针对第二活动轨迹，将出现频次大于设定阈值的点作为落脚点。
将第一活动轨迹和第二活动轨迹进行对比，确定是否存在位置重合的落脚点，另外基于设定时间内经过每一个落脚点的频次，以及落角点位置是否存在关联房屋信息，通过权重计算确定概率最高的落脚点位置。
分别设置重合落脚点、落脚点频次以及落角点位置存在关联房屋信息所占的权重分别为A、B、C；通常情况下，C＞B＞A；然后基于比对的情况为每一个落脚点的相应匹配情况进行打分；则该落脚点的总分值为：S1×A+S2×B+S3×C，分值越高，概率越大。
比如，设定权重A、B、C的值分别为0.6，0.3，0.1；
落脚点A存在重合落脚点，记10分；落脚点A出现的频次大于10次，记10分；落脚点A位置附近无关联房产，记5分。总得分为：7。
落脚点B不存在重合落脚点，记5分；落脚点B出现的频次大于10次，记10分；落脚点A位置附近存在关联房产，记10分。总得分为：9.5。
则落脚点B的概率大于落脚点A的概率。
将概率大于设定值的落脚点推送至地图上高亮显示；具体显示每一个落脚点的得分及排名。
实施例二
在一个或多个实施方式中，公开了一种人员活动轨迹及落脚点的自动生成***，包括：
信息获取模块，用于确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
第一活动轨迹生成模块，用于基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹；
行程确定模块，用于基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息；
落脚点位置确认模块，用于根据所述关键点位置信息确认待分析人员的落脚点信息。
为了保证分析结果准确可靠，作为一种可选的实施方式，还包括：
第二活动轨迹生成模块，用于根据图像监控数据，对待分析人员面部特征进行提取比对，匹配到相应特征人员时，自动生成待分析人员在设定时间段内的第二活动轨迹；
轨迹比对模块，用于自动对两条活动轨迹进行比对，通过权重计算确定概率最高的落脚点位置。
需要说明的是，上述模块的具体实施方式采用实施例一中公开的方式实现，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的人员活动轨迹及落脚点的自动生成方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的人员活动轨迹及落脚点的自动生成方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。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申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种人员活动轨迹及落脚点的自动生成方法，其特征在于，包括：
确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹，具体包括：
对待分析人员及其关系人名下的所有车辆信息进行监控，通过图像识别技术识别出待分析人员所在的车辆；车辆过卡口时会有过车图片产生，可以通过人像比对技术对车辆内人员图像与待分析人员图像进行匹配，从而识别出待分析人员所在的车辆；
基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息，取所有行程的终点作为关键点；
根据所述关键点位置信息确认待分析人员的落脚点信息，具体包括：
根据待分析人员及其关系人名下的房屋地址，与关键点位置信息进行匹配，若关键点位置附件匹配到存在房产，则将该关键点变更为落脚点；
若所有关键点无法与房屋地址匹配，则获取待分析人员在每一个关键点出现的频次，将出现频次大于设定阈值的关键点确定为落脚点。
2.如权利要求1所述的一种人员活动轨迹及落脚点的自动生成方法，其特征在于，识别出待分析人员所在的车辆后，对所述车辆的位置以及出现时间进行记录并预警提示。
3.如权利要求1所述的一种人员活动轨迹及落脚点的自动生成方法，其特征在于，获取待分析人员所在车辆设定时间段内经过的所有卡口数据，按照时间顺序对所述卡口数据进行排序，得到待分析人员车辆在设定时间段内的第一活动轨迹。
4.如权利要求1所述的一种人员活动轨迹及落脚点的自动生成方法，其特征在于，基于所述活动轨迹确定待分析人员的行程，具体包括：
基于相邻两个卡口数据之间的时间间隔，将时间间隔小于设定阈值的两个卡口作为同一段行程，将时间间隔大于设定阈值的两个卡口划分为两段行程，得到待分析人员在设定时间段内的所有行程。
5.如权利要求1所述的一种人员活动轨迹及落脚点的自动生成方法，其特征在于，还包括：根据图像监控数据，对待分析人员面部特征进行提取比对，当匹配到相应特征人员时进行实时推送，并针对全部匹配图像数据进行时间段排序；
对图像匹配结果进行筛选确认，自动生成待分析人员在设定时间段内的第二活动轨迹；
将第一活动轨迹和第二活动轨迹进行对比，确定是否存在位置重合的落脚点，另外基于设定时间内经过每一个落脚点的频次，以及落角点位置是否存在关联房屋信息，通过权重计算确定概率最高的落脚点位置。
6.一种人员活动轨迹及落脚点的自动生成***，其特征在于，包括：
信息获取模块，用于确定待分析人员信息以及待分析人员及其关系人名下的车辆信息；
活动轨迹生成模块，用于基于所述车辆在设定时间段内经过的卡口信息，确定待分析人员车辆在设定时间段内的第一活动轨迹，具体包括：
对待分析人员及其关系人名下的所有车辆信息进行监控，通过图像识别技术识别出待分析人员所在的车辆；车辆过卡口时会有过车图片产生，可以通过人像比对技术对车辆内人员图像与待分析人员图像进行匹配，从而识别出待分析人员所在的车辆；
行程确定模块，用于基于所述活动轨迹确定待分析人员的行程，以及所有行程中的关键点信息，取所有行程的终点作为关键点；
落脚点位置确认模块，用于根据所述关键点位置信息确认待分析人员的落脚点信息，具体包括：
根据待分析人员及其关系人名下的房屋地址，与关键点位置信息进行匹配，若关键点位置附件匹配到存在房产，则将该关键点变更为落脚点；
若所有关键点无法与房屋地址匹配，则获取待分析人员在每一个关键点出现的频次，将出现频次大于设定阈值的关键点确定为落脚点。
7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的人员活动轨迹及落脚点的自动生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923770.9A CN111985452B (zh) | 2020-09-04 | 2020-09-04 | 一种人员活动轨迹及落脚点的自动生成方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923770.9A CN111985452B (zh) | 2020-09-04 | 2020-09-04 | 一种人员活动轨迹及落脚点的自动生成方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111985452A CN111985452A (zh) | 2020-11-24 |
| CN111985452B true CN111985452B (zh) | 2024-01-02 |
Family
ID=73448663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010923770.9A Active CN111985452B (zh) | 2020-09-04 | 2020-09-04 | 一种人员活动轨迹及落脚点的自动生成方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985452B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113456281B (zh) * | 2021-06-28 | 2022-05-24 | 深圳市妇幼保健院 | 一种基于牙周刮治器的牙齿清洁度检测方法及相关设备 |
| CN113470079A (zh) * | 2021-07-15 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种落脚区域的输出方法、装置及电子设备 |
| CN113723346A (zh) * | 2021-09-09 | 2021-11-30 | 南威软件股份有限公司 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
| CN105448092A (zh) * | 2015-12-23 | 2016-03-30 | 浙江宇视科技有限公司 | 一种关联车辆的分析方法及装置 |
| CN108052882A (zh) * | 2017-11-30 | 2018-05-18 | 广东云储物联视界科技有限公司 | 一种智能安防监控***的操作方法 |
| CN108615359A (zh) * | 2018-05-04 | 2018-10-02 | 山东合天智汇信息技术有限公司 | 一种车辆落脚点分析方法和装置 |
| CN108984758A (zh) * | 2018-07-18 | 2018-12-11 | 江苏本能科技有限公司 | 基于点位识别的车主关联地址分析方法及*** |
| CN109547748A (zh) * | 2018-12-07 | 2019-03-29 | 苏州科达科技股份有限公司 | 对象落脚点确定方法、装置及存储介质 |
| CN109741227A (zh) * | 2019-01-07 | 2019-05-10 | 巩志远 | 一种基于最近邻算法预测人房一致性处理方法及*** |
-
2020
- 2020-09-04 CN CN202010923770.9A patent/CN111985452B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
| CN105448092A (zh) * | 2015-12-23 | 2016-03-30 | 浙江宇视科技有限公司 | 一种关联车辆的分析方法及装置 |
| CN108052882A (zh) * | 2017-11-30 | 2018-05-18 | 广东云储物联视界科技有限公司 | 一种智能安防监控***的操作方法 |
| CN108615359A (zh) * | 2018-05-04 | 2018-10-02 | 山东合天智汇信息技术有限公司 | 一种车辆落脚点分析方法和装置 |
| CN108984758A (zh) * | 2018-07-18 | 2018-12-11 | 江苏本能科技有限公司 | 基于点位识别的车主关联地址分析方法及*** |
| CN109547748A (zh) * | 2018-12-07 | 2019-03-29 | 苏州科达科技股份有限公司 | 对象落脚点确定方法、装置及存储介质 |
| CN109741227A (zh) * | 2019-01-07 | 2019-05-10 | 巩志远 | 一种基于最近邻算法预测人房一致性处理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111985452A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985452B (zh) | 一种人员活动轨迹及落脚点的自动生成方法及*** | |
| US11049240B2 (en) | Method and system for assessing bone age using deep neural network | |
| Amin-Naseri et al. | Evaluating the reliability, coverage, and added value of crowdsourced traffic incident reports from Waze | |
| US10509985B2 (en) | Method and apparatus for security inspection | |
| CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
| WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
| CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
| Zhou et al. | A data-driven method for trip ends identification using large-scale smartphone-based GPS tracking data | |
| CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及*** | |
| CN110263680B (zh) | 图像处理方法、装置和***及存储介质 | |
| Venier et al. | Comparison of semiautomated bird song recognition with manual detection of recorded bird song samples | |
| CN111611894A (zh) | 人员轨迹预测方法、装置、计算机设备及存储介质 | |
| Weng et al. | Real-time bus travel speed estimation model based on bus GPS data | |
| WO2021082433A1 (zh) | 一种数字病理图像质控的方法及装置 | |
| CN113440789A (zh) | 一种多人跳绳测试智能计数方法及*** | |
| CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
| CN113869160A (zh) | 一种人脸识别、无感心率识别、跑步姿态、表情识别综合方法和*** | |
| Rieser-Schüssler | Capitalising modern data sources for observing and modelling transport behaviour | |
| CN115691793A (zh) | 一种舌象数据处理方法、装置及相关设备 | |
| CN117373565A (zh) | 离子迁移谱-质谱的建库方法、识别方法及其装置 | |
| CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别*** | |
| CN116783632A (zh) | 用于基于鼻子识别宠物的***和方法 | |
| CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
| DE202014010836U1 (de) | Identifizieren zu untersuchender Entitäten unter Verwendung von Fassadenerkennung | |
| JP7175800B2 (ja) | 分析支援装置、および、分析支援方法 |
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 |