CN112764022A - 公共安全管理方法及公共安全管理*** - Google Patents
公共安全管理方法及公共安全管理*** Download PDFInfo
- Publication number
- CN112764022A CN112764022A CN202011552192.9A CN202011552192A CN112764022A CN 112764022 A CN112764022 A CN 112764022A CN 202011552192 A CN202011552192 A CN 202011552192A CN 112764022 A CN112764022 A CN 112764022A
- Authority
- CN
- China
- Prior art keywords
- space
- people
- point cloud
- cloud data
- data
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
- G06N3/04—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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种公共安全管理方法及公共安全管理***,方法包括:通过毫米波雷达在被测空间发射线性调频连续波信号;接收雷达回波数据;根据雷达回波数据获取点云数据;根据点云数据获取所述被测空间内人员的人数;根据点云数据获取所述被测空间内各人员的位置;根据点云数据预测所述被测空间内人员的运动轨迹;将被测空间内人员的人数以及人员的位置与被测空间对应的建筑物结构图进行融合,获取空间位置图;根据被测空间内人员的人数、位置以及运动轨迹生成提示信息。本申请满足被测空间人数统计,人员定位,人流轨迹预测,生成安全管理提示信息需求,检测准确率高,提高公共安全管理水平。
Description
技术领域
本申请涉及公共安全领域,尤其涉及一种公共安全管理方法及公共安全管理***。
背景技术
近年来,由于公共交通数字化进程加快,火车站、汽车站和机场都有了刷证或者刷脸进站的数字化设备帮助统计进站人数,但是统计的人数仅仅是进站的人数,所获得的人员数据也只有候车(候机)旅客的数据,并没有未购票的旅客数据。大型商场等场所因为不具备刷卡或刷脸的权限,不能获取人数统计信息。
目前,市面上存在的安全管理方法普遍功能单一,且多集中于利用激光雷达、红外线、视觉处理等技术方式,因其动作检测灵敏度低,或受外界光照及温度因素误检率高,或检测信息错误率高,性能不佳。
发明内容
为了解决现有技术中安全管理方法功能单一且准确性低的问题问题,本申请提供了一种公共安全管理方法及公共安全管理***,满足被测空间人数统计,人员定位,人流轨迹预测,生成安全管理提示信息需求,检测准确率高,提高公共安全管理水平。
第一方面,本发明公开了一种公共安全管理方法,包括:
通过毫米波雷达在被测空间发射线性调频连续波信号;
接收雷达回波数据,所述雷达回波信号为线性调频连续波信号被反射后的信号;
根据所述雷达回波数据获取点云数据;
根据所述点云数据获取所述被测空间内人员的人数;
根据所述点云数据获取所述被测空间内各人员的位置;
根据所述点云数据预测所述被测空间内人员的运动轨迹;
将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取空间位置图;
根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息。
可选的,所述根据所述点云数据获取所述被测空间内人员的人数包括:
根据所述点云数据提取所述被测空间内人员的人体躯干轮廓特征;
基于第一深度学习模型,对所述人体躯干轮廓特征进行过滤、检测和分类,获取第一分类结果;
根据所述第一分类结果获取所述被测空间内的人员的人数。
可选的,所述根据所述点云数据获取所述被测空间内各人员的位置包括:
基于近邻连通点云聚类算法和马尔可夫链蒙特卡罗算法,根据所述点云数据获取移动轨迹数据,以实现所述被测空间内人员的跟踪和轨迹追寻;
基于第二深度学习模型,从所述移动轨迹数据提取群组个体特征;
基于第二神经网络模型,对所述移动轨迹数据进行检测与分类,获取所述被测空间内周围参考物的特征;
结合所述建筑物结构图,根据所述群体个体特征以及所述被测空间内周围参考物的特征,获取所述被测空间内各人员的位置。
可选的,所述根据所述点云数据预测所述被测空间内人员的运动轨迹包括:
基于第三深度学习算法,根据所述群体个体特征以及所述被测空间内周围参考物的特征预测所述被测空间内人员的运动轨迹。
可选的,所述群组个体特征包括:距离、速度、加速度、方位和高度。
可选的,所述被测空间内人员的运动轨迹包括所述被测空间内人员的位置以及速度。
可选的,所述根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息包括:
根据预设人数阈值与拥挤程度的映射关系,根据所述被测空间内人员的人数获取所述被测空间的拥挤程度,生成拥挤程度提示信息;或
当所述被测空间内发生公共安全危机时,根据所述被测空间内人员的人数以及各人员的位置生成安全危机提示信息;或
当所述被测空间内人员的拥挤程度高时,根据所述被测空间内人员的运动轨迹生成后续拥挤空间提示信息。
可选的,所述根据目标区域内行人反射的雷达回波数据获取点云数据包括:
向目标区域内发射线性调频连续信号;
采集所述目标区域内行人反射的雷达回波数据;
将所述雷达回波数据通过混频、滤波和模数转换采样处理后获取中频原始数据;
根据所述中频原始数据进行测距、测速、测角以及恒虚警率检测处理后获取所述点云数据。
可选的,所述第一深度学习模型包括卷积神经网络优化学习模型。
第二方面,本发明公开了一种公共安全管理***,包括:
毫米波雷达子***,用于通过毫米波雷达对被测空间发射线性调频连续波信号以及接收所述被测空间反射的雷达回波数据;
数据处理与跟踪定位子***,用于根据所述雷达回波数据获取点云数据;
所述数据处理与跟踪定位子***还用于根据所述点云数据获取所述被测空间内人员的人数;
所述数据处理与跟踪定位子***还用于根据所述点云数据获取所述被测空间内各人员的位置;
所述数据处理与跟踪定位子***还用于根据所述点云数据预测所述被测空间内人员的运动轨迹;
管理子***,用于将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取平面位置图;
所述管理子***还用于根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息。
本发明提供了一种公共安全管理方法,包括:通过毫米波雷达在被测空间发射线性调频连续波信号;接收雷达回波数据,所述雷达回波信号为线性调频连续波信号被反射后的信号;根据所述雷达回波数据获取点云数据;根据所述点云数据获取所述被测空间内人员的人数;根据所述点云数据获取所述被测空间内各人员的位置;根据所述点云数据预测所述被测空间内人员的运动轨迹;将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取空间位置图;根据所述被测空间内人员的运动轨迹生成提示信息。满足被测空间人数统计,人员定位,人流轨迹预测,生成安全管理提示信息需求,提高公共安全管理水平。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种公共安全管理的方法的流程图;
图2是根据一示例性实施例示出的一种根据点云数据获取被测空间内人员的人数方法的流程图;
图3是根据一示例性实施例示出的一种根据点云数据获取被测空间内各人员的位置方法的流程图;
图4是根据一示例性实施例示出的一种根据目标区域内行人反射的雷达回波数据获取点云数据的方法的流程图;
图5是根据一示例性实施例示出的一种公共安全管理***。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是根据一示例性实施例示出的一种公共安全管理的方法的流程图,如图1所示,所述方法包括:
步骤110:通过毫米波雷达在被测空间发射线性调频连续波信号;
本申请实施例中,将建筑物划分成多个被测空间,每个被测空间均通过毫米波雷达发射线性调频连续波信号;
步骤120:接收雷达回波数据,所述雷达回波信号为线性调频连续波信号被反射后的信号;
本申请实施例中,建筑物中人员和周围参考物反射所述线性调频连续波信号,毫米波雷达接收反射后的信号。
步骤130:根据所述雷达回波数据获取点云数据;
步骤140:根据所述点云数据获取所述被测空间内人员的人数;
步骤150:根据所述点云数据获取所述被测空间内各人员的位置;
步骤160:根据所述点云数据预测所述被测空间内人员的运动轨迹;
步骤170:将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取空间位置图;
本申请实施例中,通过将建筑物内各个被测空间内人员的人数以及人员的位置与各个所述被测空间对应的已绘制建筑物结构图进行融合,图形化显示建筑物各个被测空间区域人员人数和人员位置,汇总得到整个建筑物内的人员分布图,即所述空间位置图。所述空间位置图使得建筑物中遇到公共安全危机时,救援人员可以根据建筑物内人员分布图快速定位遇险人群并确定遇险人数,降低救险难度。
步骤180:根据所述被测空间内人员的人数、位置、运动轨迹生成提示信息。
本申请实施例中,通过预测被测空间内人员的运动轨迹,分析出人流的运动轨迹,预测下一个可能发生拥挤的区域,帮助管理部门提前部署协调管理人员。
本申请实施例通过毫米波雷达统计建筑物中各个被测空间人数,以及人员的定位,预测人流轨迹,在公共安全管理时,显示建筑物空间位置图,便于管理员查看建筑物各被测空间的人数和人员分布,在建筑物内发生险情时,降低险情下的救援难度,通过预测人流轨迹使管理部门提前部署防范措施。
图2是根据一示例性实施例示出的一种根据点云数据获取被测空间内人员的人数方法的流程图,如图2所示,所述根据所述点云数据获取所述被测空间内人员的人数包括:
步骤241:根据所述点云数据提取所述被测空间内人员的人体躯干轮廓特征;
本申请实施例中,获取建筑物内各个被测空间对应的点云数据后,提取各个被测空间对应的点云数据中的人体躯干轮廓特征,通过人体轮廓统计建筑物内各个被测空间的人数。
步骤242:基于第一深度学习模型,对所述人体躯干轮廓特征进行过滤、检测和分类,获取第一分类结果;
本申请实施例中,所述第一深度学习模型可以为卷积神经网络(ConvolutionalNeuralNetworks,CNN)优化学习模型或者其他机器学习中的分类模型,利用深度学习算法提高人体轮廓识别的精度。
步骤243:根据所述第一分类结果获取所述被测空间内的人员的人数。
本申请实施例将第一深度学习模型输出的各个被测空间的分类结果通过智能统计算法进行统计,通过对各被测空间历史人数的数据集进行学习,统计各个被测空间的人数并且进行误差处理得出总人数。
图3是根据一示例性实施例示出的一种根据点云数据获取被测空间内各人员的位置方法的流程图,如图3所示,所述根据所述点云数据获取所述被测空间内各人员的位置包括:
步骤351:基于近邻连通点云聚类算法和马尔可夫链蒙特卡罗(Markov ChainMonte Carlo,MCMC)算法,根据所述点云数据获取移动轨迹数据,以实现所述被测空间内人员的跟踪和轨迹追寻;
本申请实施例中,所述点云数据包括点迹的数量、每个点迹的距离、每个点迹的多普勒信息和角度参数。本申请实施例利用近邻连通点云聚类算法和MCMC算法,随机关联所述点云数据中的点迹获取关联结果;对前次所述关联结果进行轨迹变换获取当前所述关联结果;对所述当前关联结果进行采样,获取所述当前关联结果的采样样本,根据所述当前关联结果的采样样本获取所述当前关联结果的点迹关联概率;根据所述前次关联的点迹关联概率和所述当前关联的点迹关联概率,决策采纳所述当前关联结果或者所述前次关联;多次重复前述点迹关联和轨迹变换过程,获取所述移动轨迹数据。本申请实施例中,轨迹变换的方式包括:轨迹新生、轨迹消亡、轨迹***、轨迹合并、轨迹延拓、轨迹缩减、轨迹更新和轨迹切换。
步骤352:基于第二深度学习模型,从所述移动轨迹数据提取群组个体特征;
本申请实施例中,所述第二深度学习模型可以包括CNN优化学习模型,从所述移动轨迹数据提取群组个体特征,所述群组个体特征包括:距离、速度、加速度、方位和高度,以便后续实现人员定位。
步骤353:基于第二神经网络模型,对所述移动轨迹数据进行检测与分类,获取所述被测空间内周围参考物的特征;
本申请实施例中,所述第二神经网络模型可以为循环神经网络模型(Recurrentneural network,RNN),通过所述第二神经网络模型提高被测空间内周围参考物的识别精度,精确分辨出被测空间内的人员和周围参考物。
步骤354:结合所述建筑物结构图,根据所述群体个体特征以及所述被测空间内周围参考物的特征,获取所述被测空间内各人员的位置。
本申请实施例将分辨出的被测空间内人员和参考物与已绘制的建筑物结构图进行匹配融合,定位出人员在建筑物中的具***置,便于管理人员在险情时准确定位遇险人员。
本申请实施例中,所述根据所述点云数据预测所述被测空间内人员的运动轨迹包括:
基于第三深度学习算法,根据所述群体个体特征以及所述被测空间内周围参考物的特征预测所述被测空间内人员的运动轨迹。
本申请实施例中,所述被测空间内人员的运动轨迹包括所述被测空间内人员的位置以及速度。
本申请实施例,所述第三深度学习算法可以为CNN优化学习模型,通过所述被测空间内人员当前的位置、速度及历史运动轨迹,预测人员的下一阶段的运动轨迹,便于在某被测空间拥挤时,管理人员提前在一下阶段可能发生拥挤的区域部署安全防范措施。
本申请实施例中,所述根据所述被测空间内人员的运动轨迹生成提示信息包括:
根据预设人数阈值与拥挤程度的映射关系,根据所述被测空间内人员的人数获取所述被测空间的拥挤程度,生成拥挤程度提示信息;或
当所述被测空间内发生公共安全危机时,根据所述被测空间内人员的人数以及各人员的位置生成安全危机提示信息;或
当所述被测空间内人员的拥挤程度高时,根据所述被测空间内人员的运动轨迹生成后续拥挤空间提示信息。
本申请实施例中,设置预设人数阈值与拥挤程度的映射关系,比如设置三个预设人数阈值对应三个等级的拥挤程度,根据被测空间内的人数生成对应的拥挤程度提示信息,管理人员可获悉被测空间的拥挤程度。
本申请实施例中,通过预测被测空间内人流轨迹可以提前获悉下一阶段即将发生拥挤的区域,所以可以提前安排管理人员前往即将发生拥挤的区域。如:当前区域A拥挤程度高,但是预测被测空间A内部分人群即将移动区域B,导致B地区即将拥挤。因此,生成后续拥挤空间提示信息预警区域B即将发生拥挤,管理人员可提前前往导流处理。
图4是根据一示例性实施例示出的一种根据目标区域内行人反射的雷达回波数据获取点云数据的方法的流程图,如图4所示,所述根据目标区域内行人反射的雷达回波数据获取点云数据包括:
步骤431:向目标区域内发射线性调频连续信号;
步骤432:采集所述目标区域内行人反射的雷达回波数据;
步骤433:将所述雷达回波数据通过混频、滤波和模数转换采样处理后获取中频原始数据;
步骤434:根据所述中频原始数据进行测距、测速、测角以及恒虚警率检测(Constant False-Alarm Rate,CFAR)处理后获取所述点云数据。
由于所述雷达回波数据中噪声的存在及所述雷达回波数据数量的限制,在检测所述雷达回波数据中的目标点迹过程中,不可避免地会产生判决错误,判决错误包括漏报和虚警,本申请实施例采用CFAR,在保持虚警概率恒定的条件下,对所述中频原始信号中的信号与噪声利用动态门限作判别以获取所述点云数据中的点迹。
图5是根据一示例性实施例示出的一种公共安全管理***,包括:
毫米波雷达子***510,用于通过毫米波雷达对被测空间发射线性调频连续波信号以及接收所述被测空间反射的雷达回波数据;
数据处理与跟踪定位子***520,用于根据所述雷达回波数据获取点云数据;
所述数据处理与跟踪定位子***520还用于根据所述点云数据获取所述被测空间内人员的人数;
所述数据处理与跟踪定位子***520还用于根据所述点云数据获取所述被测空间内各人员的位置;
所述数据处理与跟踪定位子***520还用于根据所述点云数据预测所述被测空间内人员的运动轨迹;
管理子***530,用于将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取平面位置图;
所述管理子***530还用于根据所述被测空间内人员的人数、位置以及运动轨迹生成预警信息。
本发明提供了一种公共安全管理方法,包括:通过毫米波雷达在被测空间发射线性调频连续波信号;接收雷达回波数据,所述雷达回波信号为线性调频连续波信号被反射后的信号;根据所述雷达回波数据获取点云数据;根据所述点云数据获取所述被测空间内人员的人数;根据所述点云数据获取所述被测空间内各人员的位置;根据所述点云数据预测所述被测空间内人员的运动轨迹;将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取空间位置图;根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息。满足被测空间人数统计,人员定位,人流轨迹预测,生成安全管理提示信息需求,提高公共安全管理水平。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种公共安全管理方法,其特征在于,包括:
通过毫米波雷达在被测空间发射线性调频连续波信号;
接收雷达回波数据,所述雷达回波信号为线性调频连续波信号被反射后的信号;
根据所述雷达回波数据获取点云数据;
根据所述点云数据获取所述被测空间内人员的人数;
根据所述点云数据获取所述被测空间内各人员的位置;
根据所述点云数据预测所述被测空间内人员的运动轨迹;
将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取空间位置图;
根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息。
2.如权利要求1所述的公共安全管理方法,其特征在于,所述根据所述点云数据获取所述被测空间内人员的人数包括:
根据所述点云数据提取所述被测空间内人员的人体躯干轮廓特征;
基于第一深度学习模型,对所述人体躯干轮廓特征进行过滤、检测和分类,获取第一分类结果;
根据所述第一分类结果获取所述被测空间内人员的人数。
3.如权利要求1所述的公共安全管理方法,其特征在于,所述根据所述点云数据获取所述被测空间内各人员的位置包括:
基于近邻连通点云聚类算法和马尔可夫链蒙特卡罗算法,根据所述点云数据获取移动轨迹数据,以实现所述被测空间内人员的跟踪和轨迹追寻;
基于第二深度学习模型,从所述移动轨迹数据提取群组个体特征;
基于第二神经网络模型,对所述移动轨迹数据进行检测与分类,获取所述被测空间内周围参考物的特征;
结合所述建筑物结构图,根据所述群体个体特征以及所述被测空间内周围参考物的特征,获取所述被测空间内各人员的位置。
4.如权利要求3所述的公共安全管理方法,其特征在于,所述根据所述点云数据预测所述被测空间内人员的运动轨迹包括:
基于第三深度学习算法,根据所述群体个体特征以及所述被测空间内周围参考物的特征预测所述被测空间内人员的运动轨迹。
5.如权利要求4所述的公共安全管理方法,其特征在于,所述群组个体特征包括:距离、速度、加速度、方位和高度。
6.如权利要求4所述的公共安全管理方法,其特征在于,所述被测空间内人员的运动轨迹包括所述被测空间内人员的位置以及速度。
7.如权利要求1所述的公共安全管理方法,其特征在于,所述根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息包括:
根据预设人数阈值与拥挤程度的映射关系,根据所述被测空间内人员的人数获取所述被测空间的拥挤程度,生成拥挤程度提示信息;或
当所述被测空间内发生公共安全危机时,根据所述被测空间内人员的人数以及各人员的位置生成安全危机提示信息;
或当所述被测空间内人员的拥挤程度高时,根据所述被测空间内人员的运动轨迹生成后续拥挤空间提示信息。
8.如权利要求1所述的公共安全管理方法,其特征在于,所述根据目标区域内行人反射的雷达回波数据获取点云数据包括:
向目标区域内发射线性调频连续信号;
采集所述目标区域内行人反射的雷达回波数据;
将所述雷达回波数据通过混频、滤波和模数转换采样处理后获取中频原始数据;
根据所述中频原始数据进行测距、测速、测角以及恒虚警率检测处理后获取所述点云数据。
9.如权利要求2所述的公共安全管理方法,其特征在于,所述第一深度学习模型包括卷积神经网络优化学习模型。
10.一种公共安全管理***,其特征在于,包括:
毫米波雷达子***,用于通过毫米波雷达对被测空间发射线性调频连续波信号以及接收所述被测空间反射的雷达回波数据;
数据处理与跟踪定位子***,用于根据所述雷达回波数据获取点云数据;
所述数据处理与跟踪定位子***还用于根据所述点云数据获取所述被测空间内人员的人数;
所述数据处理与跟踪定位子***还用于根据所述点云数据获取所述被测空间内各人员的位置;
所述数据处理与跟踪定位子***还用于根据所述点云数据预测所述被测空间内人员的运动轨迹;
管理子***,用于将所述被测空间内人员的人数以及人员的位置与所述被测空间对应的建筑物结构图进行融合,获取平面位置图;
所述管理子***还用于根据所述被测空间内人员的人数、位置以及运动轨迹生成提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552192.9A CN112764022A (zh) | 2020-12-24 | 2020-12-24 | 公共安全管理方法及公共安全管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552192.9A CN112764022A (zh) | 2020-12-24 | 2020-12-24 | 公共安全管理方法及公共安全管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112764022A true CN112764022A (zh) | 2021-05-07 |
Family
ID=75695593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552192.9A Pending CN112764022A (zh) | 2020-12-24 | 2020-12-24 | 公共安全管理方法及公共安全管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764022A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279671A (zh) * | 2018-01-08 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 基于太赫兹的环境感知方法、装置及计算机可读存储介质 |
US20180224536A1 (en) * | 2017-02-08 | 2018-08-09 | Texas Instruments Incorporated | Slim object detection using multi-polarized millimeter wave signals |
CN110058220A (zh) * | 2019-05-05 | 2019-07-26 | 广东勘生科技有限公司 | 基于毫米波雷达技术的火灾探测救援方法及*** |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数*** |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN110501700A (zh) * | 2019-08-27 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员数量计数方法 |
CN111045000A (zh) * | 2018-10-11 | 2020-04-21 | 阿里巴巴集团控股有限公司 | 监测***和方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111289967A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 基于毫米波雷达的人员检测跟踪与计数算法 |
CN111708021A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员跟踪与识别算法 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶***、方法、终端和介质 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
-
2020
- 2020-12-24 CN CN202011552192.9A patent/CN112764022A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180224536A1 (en) * | 2017-02-08 | 2018-08-09 | Texas Instruments Incorporated | Slim object detection using multi-polarized millimeter wave signals |
CN108279671A (zh) * | 2018-01-08 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 基于太赫兹的环境感知方法、装置及计算机可读存储介质 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN111045000A (zh) * | 2018-10-11 | 2020-04-21 | 阿里巴巴集团控股有限公司 | 监测***和方法 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶***、方法、终端和介质 |
CN110058220A (zh) * | 2019-05-05 | 2019-07-26 | 广东勘生科技有限公司 | 基于毫米波雷达技术的火灾探测救援方法及*** |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数*** |
CN110501700A (zh) * | 2019-08-27 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员数量计数方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111289967A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 基于毫米波雷达的人员检测跟踪与计数算法 |
CN111708021A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员跟踪与识别算法 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A novel method of vehicle-pedestrian near-crash identification with roadside LiDAR data | |
CN109686109B (zh) | 一种基于人工智能的停车场安全监控管理***及方法 | |
CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
US6462697B1 (en) | System and method for classifying and tracking aircraft vehicles on the grounds of an airport | |
Gidel et al. | Pedestrian detection and tracking in an urban environment using a multilayer laser scanner | |
KR102105162B1 (ko) | 전자파 센서를 이용해 차량 속도, 차량 위치 및 차량 통행량을 파악하고 규칙을 위반하는 차량을 구분하여 이에 대한 정보는 동영상 또는 사진으로 저장하는 스마트 속도위반단속 장치, 스마트 신호위반단속 장치 및 스마트시티 솔루션 장치 | |
US9075143B2 (en) | Sparse array RF imaging for surveillance applications | |
US20110071750A1 (en) | Airport Surface Conflict Detection | |
Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
US20180313950A1 (en) | CNN-Based Remote Locating and Tracking of Individuals Through Walls | |
JPH09512100A (ja) | 車両事件自動検出用交通監視法 | |
CN112116263B (zh) | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 | |
CN103714698A (zh) | 基于距离图像的公交车辆客流量统计*** | |
Zhang et al. | Scene‐based pedestrian safety performance model in mixed traffic situation | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
JP2012037980A (ja) | 移動物予測装置及びプログラム | |
WO2020141504A1 (en) | System, method and computer program product for speeding detection | |
Anwari et al. | Investigating surrogate safety measures at midblock pedestrian crossings using multivariate models with roadside camera data | |
Zhao | Exploring the fundamentals of using infrastructure-based LiDAR sensors to develop connected intersections | |
CN112764022A (zh) | 公共安全管理方法及公共安全管理*** | |
KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
Jagirdar et al. | Development and Evaluation of Traffic Count Sensor with Low-Cost Light-Detection and Ranging and Continuous Wavelet Transform: Initial Results | |
CN110095776A (zh) | 用于确定对象的存在和/或特性的方法和周围环境识别设备 | |
WO2023025777A1 (en) | Automotive sensor fusion of radar, lidar, camera systems with improved safety by use of machine learning | |
JP2011186526A (ja) | 車両判定システム及び通行物体管理システム |
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 |