CN113420720B - 一种高精度低延时大型室内场馆人群分布计算方法 - Google Patents
一种高精度低延时大型室内场馆人群分布计算方法 Download PDFInfo
- Publication number
- CN113420720B CN113420720B CN202110822900.4A CN202110822900A CN113420720B CN 113420720 B CN113420720 B CN 113420720B CN 202110822900 A CN202110822900 A CN 202110822900A CN 113420720 B CN113420720 B CN 113420720B
- Authority
- CN
- China
- Prior art keywords
- wifi
- grid
- scene
- value
- period
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims description 2
- PVNUIRUAPVSSOK-UHFFFAOYSA-N tert-butylimino(tripyrrolidin-1-yl)-$l^{5}-phosphane Chemical compound C1CCCN1P(N1CCCC1)(=NC(C)(C)C)N1CCCC1 PVNUIRUAPVSSOK-UHFFFAOYSA-N 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高精度低延时大型室内场馆人群分布计算方法，包括如下步骤：步骤1，场景网格化；步骤2，设备部署；步骤3，样本数据采集及处理；步骤4，设计循环神经网络RNN；步骤5，设置计算和训练周期；步骤6，训练循环神经网络RNN；步骤7，基于循环神经网络RNN计算人群分布。采用本发明方法得到的人群分布和真实分布非常相近，具有实用价值。
Description
技术领域
本发明涉及一种高精度低延时大型室内场馆人群分布计算方法。
背景技术
随着经济的高速发展，大型复杂的现代建筑层出不穷，如会展场馆、体育场馆、交通枢纽站及商业综合体等，已经成为城市发展的名片。这些场馆往往客流量大人群密集，由于场馆面积大且结构复杂，很难快速且精度地的感知人群分布情况，导致运营指挥不及时或不准确进而引发人流阻塞或踩踏等不良事件，存在很大的安全隐患，给场馆运营及管理带来很大压力。为了解决上述问题，技术界推出各种人群定位技术，目前主流的人群分布定位方案有基于图像识别的定位方案和基于射频信号的定位方案，其中基于图像识别的定位方案是通过定期抓拍各视频监控的图像，通过对图像进行识别计算出场景中人员的数量或位置数据，而基于无线射频信号的定位方案是应用蓝牙、zigbee等低功耗无线定位技术，在预定位场景中部署无线基站，同时让被定位人群携带无线标签，无线标签周期性地向外发送无线信号，无线标签进入场景后，无线基站能检测到此信号，根据此信号结合基站位置信息或其他位置参考信息进行定位，进而实现对人群分布进行定位。
在目前工程实践中，上述基于图像识别的定位和基于射频定位的两种方案均不能很好地满足大型室内场馆人群定位的要求。其中基于图像识别的定位方案主要通过对视频监控中的图像进行图像识别，计算出图片中人员的数量及位置，进而得出该监控区域的人员分布情况，这个方案的特点是精度高但实时性差，特别在这种大型场馆使用，单次定位计算耗时很长，少则半小时，长这几个小时，远不能满足用户要求；而基于射频的定位方案则通常是应用蓝牙、WiFi或zigbee等低功耗无线定位技术，在场馆内部署一定密度的无线通讯基站，同时预定位人群需携带配套的定位标签或手环等设备，无线基站设备通过收集各标签设备发送的无线信号进行定位，实时性较好，但由于场馆面积大、人流多，方案实施需投入大量的基站和标签，一次性投入及运维成本高，不利于普及推广，因此也不太适用。
发明内容
发明目的：为解决背景技术中存在的技术问题，本发明提出一种高精度低延时大型室内场馆人群分布计算方法。包括如下步骤：
步骤1，场景网格化；
步骤2，设备部署；
步骤3，样本数据采集及处理；
步骤4，设计循环神经网络RNN；
步骤5，设置计算和训练周期；
步骤6，训练循环神经网络RNN；
步骤7，基于循环神经网络RNN计算人群分布。
有益效果：
本方法综合应用WiFi定位、图像识别和神经网络技术，对场馆人群分布进行定位计算，既有精度高、低延时等特点，能实时且精准感知场馆内人群密度情况，让场馆运营管理人员及时进行干预疏导，大大提升大型场馆的安全运营水平；同时本方法的落地实施是使用目前大型场馆内已部署或标配的闸机、WiFi-AP和摄像头设备，大大降低***投入成本，提升设备的复用价值，有利于普及和推广。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明方法流程图。
图2是场景示意图。
图3是场景网格绘制示意图。
图4是场景网格化示意图。
图5是RNN网络示意图。
图6是摄像头拍摄照片与所涵盖的场景网格示意图。
图7是人群实际分布情况示意图。
图8是本发明方法计算的人群分布情况示意图。
图9是基于WiFi的无线射频计算方法计算的人群分布情况示意图。
具体实施方式
本发明提供了一种高精度低延时大型室内场馆人群分布计算方法，本方法综合应用闸机计数、WiFi定位、图像识别和神经网络技术，有效解决大型场馆人群分布计算实时性及计算精度问题，同时本方法可延用场景中已有的闸机、WiFi-AP设备和视频监控设备实现相关计算输入数据的采集，具有很强的经济性。其工作流程如图1所示，步骤1、场景网格化
如图2所示，对需进行室内人群定位的场景进行栅格化处理，处理步骤如下：步骤1-1，确定坐标系
以正北方向为y轴正方向，以场景最西边的边缘或顶点x轴坐标值为0，场景最南边的边缘或顶点y坐标值为0，确定一个平面坐标系，如图2所示，此时能得到场景在y轴方向上的最大值和x轴方向上的最大值，分别设为ycj_max和xcj_max；
步骤1-2，确定网格大小
这里选用正方形网格对场景进行网格化，正方向网格边长用a表示，单位为米，a的取值根据人群分布计算精度要求进行确定，精度要求越高a取值越小，对于公共楼宇这种场景a的取值范围一般为1至10米；
步骤1-3，绘制网格
在已确认的坐标系中绘制顶点分别为(0,0)、 和/>的矩形，在矩形内绘制/>条y＝i·a的直线和/>条x＝j·a的直线(这里的y、x表示直线方程)，其中i和j为系数，其值分别为直线将矩形分割成个正方形，这些正方形即为网格，自此完成网格的绘制，绘制结果如图3所示；
步骤1-4，过滤网格
去除网格中与场景无交集的网格(一般人工去除)，去除后结果如图4所示，设剩余Nwg个网格，分别记录各网格的上下边缘的y轴坐标和左右边缘的x轴坐标，其中第wg个网格的上边缘y坐标记为YU(wg)，下边缘y坐标记为YD(wg)，左边缘x轴坐标记为XL(wg)，右边缘x轴坐标记为XR(wg)，这里wg取值为wg∈{1,2,3,…,Nwg}，其中Nwg表示场景过滤网格后的网格数量，则第wg个网格所覆盖区域的表达式如式(1)所示；
其中：
x表示第wg个网格内的点在x轴坐标值；
y表示第wg个网格内的点在y轴坐标值；
步骤2、设备部署
步骤2-1，在场景出入口部署能记录出入人数且能实时通讯的闸机，设安装了Z台闸机，则各闸机编号为zj，zj∈{1,2,3，…，Z}；
步骤2-2，在场景内部署W台WiFi-AP(WiFi的无线访问节点)设备，部署密度以WIFI信号能全部覆盖整个场景为准，如果要提升WIFI的定位精度可提高部署密度，各WIFI-AP设备的编号为wf，wf∈{1,2,3，…，W}；
步骤2-3，在场景内部署S台视频监控摄像头并设置好监视角度，部署密度以监控区域能全部覆盖场景为准，若要提升人群分布识别的精度最好置顶安装,各摄像机的编号用sx表示，sx∈{1,2，…，S}；
步骤3，样本数据采集及处理；
步骤3包括：
步骤3-1，闸机数据采集及处理，具体包括如下步骤：
步骤3-1-1，采集闸机数据：当人们通过闸机出入场景时，各闸机会记录出入场景的人数，当启动采集时，采集各闸机记录的出入人数，分别用Cout(zj,k)和Cin(zj,k)表示，其中Cout(zj,k)表示编号为zj的闸机在第k个采集周期的出场人数，Cin(zj,k)表示编号为zj的闸机在第k个采集周期的入场人数；
步骤3-1-2，闸机数据统计：将各闸机采集到的入场人数总和减去出场人数总和，得到当前场景内的总人数，用Nzj(k)表示：
步骤3-2，WiFi数据采集及处理，具体包括如下步骤：
步骤3-2-1，WiFi数据采集：当人们携带WiFi设备如手机进入场景后，如果WiFi设备的WiFi通讯开关已打开，则其附近的WIFI-AP设备能检测到该WiFi设备的MAC地址及其此刻所在位置收到WIFI-AP设备发射的WIFI信号强度值，启动数据采集时，将数据进行记录，并将数据形成一个集合，用APdata(k)表示，其中表示如下：：
其中：APdata(k)：表示WiFi-AP设备在第k个采集周期采集到的WiFi设备的数据集合；
W：场景中已部署的WiFi-AP设备的数量；
wf：WiFi-AP设备的编号，wf∈{1,2,3,…,W}；
MAC(i)：WiFi设备的网卡地址，i∈{1,2,3,…,num(wf)}；
RSSI(wf,MAC(i))：网卡地址为MAC(i)的WiFi设备检测到编号为wf的WIFI-AP设备发射的WiFi信号的强度值；
num(wf)：表示编号为wf的WiFi-AP设备在本采集周期内检测到WiFi终端的数量；
步骤3-2-2，WiFi数据处理：将APdata(k)中的元素按WiFi设备网卡地址进行分组，WiFi设备网卡地址相同的元素列为一组，设分成了Ng个组，以各组的网卡地址作为集合编号，WiFi-AP设备的编号和WiFi设备检测到该编号对接的WiFi-AP设备发射的WiFi信号强度值作为元素组成新的集合，用Te(MAC(g))(k)表示，其中MAC(g)表示第g个组的网卡地址，g∈{1,2，…，Ng}，k是采集周期，Te(MAC(g))(k)表示如下：
其中：
NumAp(MAC(g))：表示第k个采集周期中，检测到网卡地址为MAC(g)的WiFi设备的WiFi-AP设备数量；
NoAp(i)：表示检测到网卡地址为MAC(g)的WiFi设备的第i个WiFi-AP设备的编号，NoAp(i)∈{1,2,…，W}；
RSSI(NoAp(i),MAC(g))：网卡地址为MAC(g)的WiFi设备检测到编号为NoAp(i)的AP设备发射的WiFi信号的强度值；
步骤3-2-3，WiFi设备定位：利用Te(MAC(g))(k)，计算出各WiFi设备在第k个采集周期的位置坐标值Po(MAC(g))(k)，横坐标和纵坐标分别为x(MAC(g)),y(MAC(g))；
步骤3-2-4，场景网格内WiFi设备数量计算：依次将各WiFi设备的坐标Po(MAC(g))(k)，代入式(1)，遍历各网格编号，找出使等式成立的网格编号，则得出此坐标所在网格的编号；统计各编号网格内WiFi设备的坐标数量，用Nwf(wg)(k)，其中wg表示网格编号，k表示采集周期；将各编号网格内WiFi设备的坐标数量形成一个集合，用Nwf(k)表示，其值表示如下：
Nwf(k)＝{Nwfg(1)(k),Nwfg(2)(k),…,Nwfg(wg)(k),…,Nwfg(Nwg)(k)}其中：
Nwfg(wg)(k)：表示基于WiFi定位计算得到的第k个采集周期编号为wg的网格内WiFi设备的数量；
步骤3-3，视频数据采集及处理，具体包括如下步骤：
步骤3-3-1，如图6所示，设置网格在照片上的坐标区域：开启所有部署完成的摄像头，在各摄像头拍摄的照片中标绘出所覆盖场景网格的区域，分别记录各网格4个顶点在照片中的坐标WGIi，单位为像素，用WGIwg表示，其中wg表示网格的编号，其值表示为：
WGIwg＝{(xwg_sx_1,ywg_sx_1),(xwg_sw_2,ywg_sx_2),xwg_sw_3,yi_sx_3),(xwg_sw_4,ywg_sw_4)}(5)
其中：
xwg_sw_1：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第1个顶点的x坐标；
ywg_sw_1表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第1个顶点的y坐标；
xwg_sw_2：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第2个顶点的x坐标；
ywg_sw_2：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第2个顶点的y坐标；
xwg_sw_3：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第3个顶点的x坐标；
ywg_sw_3：表示编号为w的网格在编号为sx摄像头拍摄的照片中的第3个顶点的y坐标；
xi_sx_4：表示编号为i的网格在编号为sx摄像头拍摄的照片中的第4个顶点的x坐标；
yi_sx_4：表示编号为i的网格在编号为sx摄像头拍摄的照片中的第4个顶点的y坐标；
步骤3-3-2，图像采集及识别：各摄像头同时启动拍摄，拍摄完成后将摄像头编号和训练周期保存至照片命名中，结合3-3-1中设置在各图片中设置的各网格区域，应用图像识别方法，识别出训练周期各网格内的人员数量，用各网格内的人员数量组成新的集合用Nps(k)表示，其中k表示第k个采集周期，则取值表示成：
其中：
Npsg(wg)(k)：表示基于图像识别技术得到的第k个采集周期，编号为wg的网格内的人员数量。图像识别的方法：可以参考引用文献“刘辉.朱闯.张天永.陈域.一种基于头部特征的人头检测方法.光电子技术.2014,34(1)：21-25”、“顾德军.伍铁军.一种基于人头特征的人数统计方法研究.机械制造与自动化2010,39(4)：134-138”，或其他图像识别方法实现，识别精度越高越好，最好识别计算误差控制在10％以内。
步骤4、设计循环神经网络RNN(Recurrent Neural Network,RNN)
如图5所示，本方法选用RNN网络进行人群分布计算，循环神经网络RNN输入层节点数量设置为Nwg+1，各节点输入值用IN(k)表示；输出层节点数量设置成Nwg，各节点输出值用OUT(k)表示；隐含层节点数量设置为Nwg+1，各节点值用H(k)表示；隐含层和输出层的激活函数均选择ReLV函数，其函数表达式为f(x)＝max(0，x)，其中max表示取0和x值较大的值，x为函数的自变量；则循环神经网络RNN各层的输出值分别表示如下：
IN(k)＝[in(1)(k),in(2)(k),in(3)(k)，…，in(Nwg+1)(k)]T (6)
H(k)＝ReLV(U·IN(k)+A+Q·H(k-1)) (7)
其中：
k：为循环神经网络RNN的计算周期；
in(wg)(k)：表示第k个采集周期，循环神经网络RNN输入层节点中编号为wg的输入节点的输入值；
U：为(Nwg+1)×(Nwg+1)的输入权重矩阵，其值待后续循环神经网络RNN训练得到；
Q：为(Nwg+1)×(Nwg+1)的反馈权重矩阵，其值待后续循环神经网络RNN训练得到；
A：为(Nwg+1)×1的输入偏移系数矩阵，其值待后续循环神经网络RNN训练得到；
ReLV：为激活函数，函数表达式表示为f(x)＝max(0，x)；其中max表示取0和x值较大的值，x为函数的自变量。
H(0)：采集周期k为1时H(k-1)的值，其值为全零矩阵；
V：为Nwg×(Nwg+1)的输出权重矩阵，其值待后续循环神经网络RNN训练得到；
B：为(Nwg+1)×1的输入偏移系数矩阵，其值待后续循环神经网络RNN训练得到；
out(Nwg)(k)：表示第k个采集周期，循环神经网络RNN输出层节点中编号为Nwg的输出节点的输出值；
步骤5、设置计算和训练周期
本方法计算周期是基于RNN网络计算人群分布的周期，而循环神经网络RNN训练周期是对循环神经网络RNN进行重新训练的周期，设置基于循环神经网络RNN人群分布计算周期为T，循环神经网络RNN的训练周期为Txl，Txl为T的X倍，取值为：
T可以根据人群分布计算的实时性要求进行设置，实时性要求越高T越短，反之越长，这里设置成10秒；
Txl一般为T的整数倍，设为X倍，X的取值根据实际工程中图像处理耗时和模型训练耗时来决定；
其中：Nyb：循环神经网络RNN训练的样本数据数量，其值根据循环神经网络RNN的预测精度来定，精度要求越高取值越大，反正亦然，这里取100；
Tpc：为Nyb组样本数据视频监控图像抓拍、传输和图像识别耗时；
Tmt：为循环神经网络RNN训练耗时，其值根据实际工程测试得到；
Ta：余量时间，一般取(Tpc+Tmt)的5％～10％左右；
步骤6，训练循环神经网络RNN：当当前时间为循环神经网络RNN训练周期时，以T为周期，按步骤3连续循环采集数据并进行计算处理得到Nyb组样本数据，分别设为YB_Nzj(yb)，YB_Nps(yb)，yb∈{1,2,…,Nyb}，其中yb为样本周期序号，其值分别表示如下：
,yb∈{1,2,…,Nyb}
其中：
YB_Nzj(yb):表示第yb个样本数据中，按步骤3通过闸机数据统计得到的场景内的人员数量；
Cin(zj,yb)：表示第yb个样本数据中，按步骤3采集到编号为zj的闸机统计得到的进场人员数量；
Cout(zj,yb)：表示第yb个样本数据中，按步骤3采集到编号为zj的闸机统计得到的出场人员数量；
YB_Nwf(yb)：表示第yb个样本数据中，按步骤3通过WiFi定位计算得到的场景
中各网格内WiFi设备的数量；
Nwfg(wg)(yb)：表示第yb个样本数据中，按步骤3通过WiFi定位的计得到的网
格编号为wg的网格内WiFi设备的数量；
YB_Nps(yb)：表示第yb个样本数据中，按步骤3通过图像识别技术得到的场景中
各网格内的人员数量；
Npsg(wg)(yb)：表示第yb个样本数据中，按步骤3通过图像识别技术得到的编号为wg的网格内的人员数量；
应用上述样本数据，按如下步骤进行操作：
步骤6-1，数据初始化，具体包括如下步骤：
步骤6-1-1，依次将IN(yb)的值按式(10)进行赋值：
步骤6-1-2，将循环神经网络RNN的U、Q、V、A、B各矩阵的所有元素初始化为0到1间的随机数；
步骤6-1-3，将循环神经网络RNN的H(0)和OUT(yb)各元素值设置为0，yb∈{1,2，…，Nyb}；
步骤6-1-4，设置循环神经网络RNN训练目标方差值EE，EE为一个常数，表示网络的精度，其值越小，网络计算精度越高，反正越小，可根据工程需要设置；
步骤6-2，计算误差矩阵Err(yb)的值，计算公式如下：
步骤6-3，应用Err(yb)使用BTPP算法进行训练，训练步进值设置为0.001，训练完成后更新U、Q、V值；
步骤6-4，依次将IN(yb)、H(0)、A及更新后的U、Q值代入式(7)得到H(yb)，其值表示如下：
步骤6-5，将H(yb)、B及更新后的V值依次代入式(8)得到OUT(yb)的值，其值表示如下：
步骤6-6，计算网络方差，用δ(k)2表示，其值计算如下：
步骤6-7，如果δ(k)2的值小于等于EE，则循环神经网络RNN训练结束，将步骤6-3中更新完成的U、Q、V和步骤6-1中生成的A、B值更新至式(7)和(8)中，否则跳转至步骤6-2继续执行训练步骤；
步骤7，基于循环神经网络RNN计算人群分布：
如果当前时间为基于循环神经网络RNN人群分布计算周期的开始时间，按如下步骤执行人群分布计算：
步骤7-1，通过步骤3得到当前计算周期场景内的总人数和基于WiFi定位计算得到的场景内各编号网格内WiFi设备的数量，分别设为JS_Nzj()，JS_Nwf(js)，其中js为计算周期的序号，其值表示如下：
其中：
JS_Nzj(js)：表示第js个计算周期按步骤3通过闸机数据统计得到的当前场景内的人员数量；
Cin(zj,js)：表示第js个计算周期采集到编号为zj的闸机统计得到的进场人员数量；
Cout(zj,js)：表示第js个计算周期采集到编号为zj的闸机统计得到的出场人员数量；JS_Nwf(js)：表示第js个计算周期按步骤3通过WiFi定位计算得到的当前场景中各网格内的WiFi设备数量；
Nwfg(wg)(js)：表示第js个计算周期按步骤3通过WiFi定位的计算得到编号为wg的网格内当前WiFi设备的数量；
步骤7-2，按式(15)设置IN(js)的值：
IN(js)＝[JS_Nzj(js)，Nwfg(1)(js)，Nwfg(2)(js),…,Nwfg(Nwg)(js)]T (15)
步骤7-3，将IN(js)依次代入式(7)和(8)得到OUT(js)，分别如式(16)和(17)所示：
H(js)＝ReLV(U·IN(js)+A+Q·H(js-1)) (16)
注：如果js的值为1，则H(0)矩阵各元素的值均为0；
步骤7-4，则场景内各网格内的人员数量计算如下式所示：
其中：
N(wg)(js)：表示编号为wg的网格在第js个计算周期内的人员数量，wg∈{1,2,…,Nwg}；
实施例
分别使用本发明方法和基于WiFi的无线射频计算方法，在一个4万平米的场馆，场馆人群分布网格大小为2m×2m的方格，计算周期为2分钟，选取连续100个周期的计算结果进行分析，得出各计算方法的在各网格内的计算误差值详见表1，从表1数据显示本发明方法精度有明细提升，且表现稳定，而基于WiFi的射频计算方法误差明细偏大，且各区域波动较大。随机选取其中一个周期的各技术方法的计算结果数据及真实人群分布数据，用空间分布图表现如图7、图8和图9所示，由图可见本发明方法人群分布和真实分布非常相近，但基于WiFi的无线射频计算方法的结果明显比实际偏大，主要由于WiFi设备伪MAC地址的影响，同时人群分布区域也不太准确。
表1
| 对比参数 | 本发明方法 | 基于WiFi的无线射频计算方法 |
| 网格平均误差 | 0.36 | 5.31 |
| 网格最大误差 | 7 | 31 |
| 网格最小误差 | 0 | 0 |
本发明提供了一种高精度低延时大型室内场馆人群分布计算方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (3)
1.一种高精度低延时大型室内场馆人群分布计算方法，其特征在于，包括如下步骤：
步骤1，场景网格化；
步骤2，设备部署；
步骤3，样本数据采集及处理；
步骤4，设计循环神经网络RNN；
步骤5，设置计算和训练周期；
步骤6，训练循环神经网络RNN；
步骤7，基于循环神经网络RNN计算人群分布；
步骤1包括：
步骤1-1，确定坐标系；
步骤1-2，确定网格大小；
步骤1-3，绘制网格；
步骤1-4，过滤网格；
步骤1-1包括：以正北方向为y轴正方向，以场景最西边的边缘或顶点x轴坐标值为0，场景最南边的边缘或顶点y坐标值为0，确定一个平面坐标系，此时得到场景在y轴方向上的最大值和x轴方向上的最大值，分别设为ycj_max和xcj_max；
步骤1-2包括：选用正方形网格对场景进行网格化，正方向网格边长用a表示；
步骤1-3包括：在步骤1-1确定的平面坐标系中绘制顶点分别为(0，0)、 和/>的矩形，在矩形内绘制/>条y＝i·a的直线和/>条x＝j·a的直线，其中i和j为系数，其取值分别为直线将矩形分割成个正方形，所述正方形即为网格，自此完成网格的绘制；
步骤1-4包括：去除网格中与场景无交集的网格，设剩余Nwg个网格，分别记录各网格的上下边缘的y轴坐标和左右边缘的x轴坐标，其中第wg个网格的上边缘y坐标记为YU(wg)，下边缘y坐标记为YD(wg)，左边缘x轴坐标记为XL(wg)，右边缘x轴坐标记为XR(wg)，这里wg取值为wg∈{1，2，3，...，Nwg}，则第wg个网格所覆盖区域的表达式如式(1)所示；
其中：
x表示第wg个网格内的点在x轴坐标值；
y表示第wg个网格内的点在y轴坐标值；
步骤2包括：
步骤2-1，在场景出入口部署能记录出入人数且能实时通讯的闸机，设安装了Z台闸机，则各闸机编号为zj，zj∈{1，2，3，…，Z}；
步骤2-2，在场景内部署W台WIFI-AP设备，各WIFI-AP设备的编号为wf，wf∈{1，2，3，…，W}；
步骤2-3，在场景内部署S台视频监控摄像头，各摄像机的编号用sx表示，sx∈{1，2，…，S}；
步骤3包括：
步骤3-1，闸机数据采集及处理，具体包括如下步骤：
步骤3-1-1，采集闸机数据：当人们通过闸机出入场景时，各闸机会记录出入场景的人数，当启动采集时，采集各闸机记录的出入人数，分别用Cout(zj，k)和Cin(zj，k)表示，其中Cout(zj，k)表示编号为zj的闸机在第k个采集周期的出场人数，Cin(zj，k)表示编号为zj的闸机在第k个采集周期的入场人数；
步骤3-1-2，闸机数据统计：将各闸机采集到的入场人数总和减去出场人数总和，得到当前场景内的总人数，用Nzj(k)表示：
步骤3-2，WiFi数据采集及处理，具体包括如下步骤：
步骤3-2-1，WiFi数据采集：当人们携带WiFi设备如手机进入场景后，如果WiFi设备的WiFi通讯开关已打开，则其附近的WIFI-AP设备能检测到该WiFi设备的MAC地址及其此刻所在位置收到WIFI-AP设备发射的WIFI信号强度值，启动数据采集时，将数据进行记录，并将数据形成一个集合，用APdata(k)表示，其中表示如下：
其中：APdata(k)：表示WiFi-AP设备在第k个采集周期采集到的WiFi设备的数据集合；
W：场景中已部署的WiFi-AP设备的数量；
wf：WiFi-AP设备的编号，wf∈{1，2，3，…，W}；
MAC(i)：WiFi设备的网卡地址，i∈{1，2，3，…，num(wf)}；
RSSI(wf，MAC(i))：网卡地址为MAC(i)的WiFi设备检测到编号为wf的WIFI-AP设备发射的WiFi信号的强度值；
num(wf)：表示编号为wf的WiFi-AP设备在本采集周期内检测到WiFi终端的数量；
步骤3-2-2，WiFi数据处理：将APdata(k)中的元素按WiFi设备网卡地址进行分组，WiFi设备网卡地址相同的元素列为一组，设分成了Ng个组，以各组的网卡地址作为集合编号，WiFi-AP设备的编号和WiFi设备检测到该编号对接的WiFi-AP设备发射的WiFi信号强度值作为元素组成新的集合，用Te(MAC(g))(k)表示，其中MAC(g)表示第g个组的网卡地址，g∈{1，2，…，Ng}，k是采集周期，Te(MAC(g))(k)表示如下：
其中：
NumAp(MAC(g))：表示第k个采集周期中，检测到网卡地址为MAC(g)的WiFi设备的WiFi-AP设备数量；
NoAp(i)：表示检测到网卡地址为MAC(g)的WiFi设备的第i个WiFi-AP设备的编号，NoAp(i)∈{1，2，…，W}；
RSSI(NoAp(i)，MAC(g))：网卡地址为MAC(g)的WiFi设备检测到编号为NoAp(i)的AP设备发射的WiFi信号的强度值；
步骤3-2-3，WiFi设备定位：利用Te(MAC(g))(k)，计算出各WiFi设备在第k个采集周期的位置坐标值Po(MAC(g))(k)，横坐标和纵坐标分别为x(MAC(g))，y(MAC(g))；
步骤3-2-4，场景网格内WiFi设备数量计算：依次将各WiFi设备的坐标Po(MAC(g))(k)，代入式(1)，遍历各网格编号，找出使等式成立的网格编号，则得出此坐标所在网格的编号；统计各编号网格内WiFi设备的坐标数量，用Nwf(wg)(k)，其中wg表示网格编号，k表示采集周期；将各编号网格内WiFi设备的坐标数量形成一个集合，用Nwf(k)表示，其值表示如下：
Nwf(k)＝{Nwfg(1)(k)，Nwfg(2)(k)，…，Nwfg(wg)(k)，…，Nwfg(Nwg)(k)}其中：
Nwfg(wg)(k)：表示基于WiFi定位计算得到的第k个采集周期编号为wg的网格内WiFi设备的数量；
步骤3-3，视频数据采集及处理，具体包括如下步骤：
步骤3-3-1，设置网格在照片上的坐标区域：开启所有部署完成的摄像头，在各摄像头拍摄的照片中标绘出所覆盖场景网格的区域，分别记录各网格4个顶点在照片中的坐标WGIi，单位为像素，用WGIwg表示，其中wg表示网格的编号，其值表示为：
WGIwg＝{(xwg_sx_1，ywg_sx_1)，(xwg_sx_2，ywg_sx_2)，xwg_sx_3，yi_sx_3)，(xwgg_sx_4，ywg_sx_4)} (5)
其中：
xwgg_sx_1：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第1个顶点的x坐标；
ywg_sx_1表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第1个顶点的y坐标；
xwg_sx_2：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第2个顶点的x坐标；
ywg_sx_2：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第2个顶点的y坐标；
xwg_sx_3：表示编号为wg的网格在编号为sx摄像头拍摄的照片中的第3个顶点的x坐标；
ywg_sx_s：表示编号为w的网格在编号为sx摄像头拍摄的照片中的第3个顶点的y坐标；
xi_sx_4：表示编号为i的网格在编号为sx摄像头拍摄的照片中的第4个顶点的x坐标；
yi_sx_4：表示编号为i的网格在编号为sx摄像头拍摄的照片中的第4个顶点的y坐标；
步骤3-3-2，图像采集及识别：各摄像头同时启动拍摄，拍摄完成后将摄像头编号和训练周期保存至照片命名中，结合3-3-1中设置在各图片中设置的各网格区域，应用图像识别方法，识别出训练周期各网格内的人员数量，用各网格内的人员数量组成新的集合用Nps(k)表示，其中k表示第k个采集周期，则取值表示成：
Nps(k)＝{Npsg(1)(k)，Npsg(2)(k)，…，Npsg(wg)(k)，…，Npsg(Bwg)(k)}wg∈{1，2，...，Nwg}；
其中：
Npsg(wg)(k)：表示基于图像识别技术得到的第k个采集周期，编号为wg的网格内的人员数量。
2.根据权利要求1所述的方法，其特征在于，步骤4包括：循环神经网络RNN输入层节点数量设置为Nwg+1，用IN(k)表示；输出层节点数量设置成Nwg，用OUT(k)表示，隐含层节点数量设置为Nwg+1，各节点值用H(k)表示；隐含层和输出层的激活函数均选择ReLV函数；则循环神经网络RNN各层的输出值分别表示如下：
IN(k)＝[in(1)(k)，in(2)(k)，in(3)(k)，…，in(Nwg+1)(k)]T (6)
H(k)＝ReLV(U·IN(k)+A+Q·H(k-1)) (7)
其中：
k：为循环神经网络RNN的计算周期；
in(wg)(k)：表示第k个采集周期，循环神经网络RNN输入层节点中编号为wg的输入节点的输入值；
U：为(Nwg+1)×(Nwg+1)的输入权重矩阵；
Q：为(Nwg+1)×(Nwg+1)的反馈权重矩阵；
V：为Nwg×(Nwg+1)的输出权重矩阵；
A：为(Nwg+1)×1的输入偏移系数矩阵；
B：为(Nwg+1)×1的输入偏移系数矩阵；
H(0)：采集周期k为1时H(k-1)的值，其值为全零矩阵；
ReLV：为激活函数，函数表达式表示为f(x)＝max(0，x)，其中max表示取0和x值中较大的值，x为函数的自变量；
out(Nwg)(k)：表示第k个采集周期，循环神经网络RNN输出层节点中编号为Nwg的输出节点的输出值。
3.根据权利要求2所述的方法，其特征在于，步骤5包括：设置基于循环神经网络RNN人群分布计算周期为T，循环神经网络RNN的训练周期为Txl，Txl为T的X倍，取值为：
其中：Nyb：循环神经网络RNN训练的样本数据数量；
Tpc：为Nyb组样本数据视频监控图像抓拍、传输和图像识别耗时；
Tmt：为循环神经网络RNN训练耗时；
Ta：余量时间；
步骤6包括：当当前时间为循环神经网络RNN训练周期时，以T为周期，按步骤3连续循环采集数据并进行计算处理得到Nyb组样本数据，分别设为YB_Nzj(yb)，YB_Nwf(yb)，YB_Nps(yb)，yb∈{1，2，…，Nyb}，其中yb为样本周期序号，其值分别表示如下：
其中：yb∈{1，2，…，Nyb}
YB_Nzj(yb)：表示第yb个样本数据中，按步骤3通过闸机数据统计得到的场景内的人员数量；
Cin(zj，yb)：表示第yb个样本数据中，按步骤3采集到编号为zj的闸机统计得到的进场人员数量；
Cout(zj，yb)：表示第yb个样本数据中，按步骤3采集到编号为zj的闸机统计得到的出场人员数量；
YB_Nwf(yb)：表示第yb个样本数据中，按步骤3通过WiFi定位计算得到的场景中各网格内WiFi设备的数量；
Nwfg(wg)(yb)：表示第yb个样本数据中，按步骤3通过WiFi定位的计得到的网格编号为wg的网格内WiFi设备的数量；
YB_Nps(yb)：表示第yb个样本数据中，按步骤3通过图像识别技术得到的场景中各网格内的人员数量；
Npsg(wg)(yb)：表示第yb个样本数据中，按步骤3通过图像识别技术得到的编号为wg的网格内的人员数量；
然后执行如下步骤：
步骤6-1，数据初始化，具体包括如下步骤：
步骤6-1-1，依次将IN(yb)的值按式(10)进行赋值：
步骤6-1-2，将循环神经网络RNN的U、Q、V、A、B各矩阵的所有元素初始化为0到1间的随机数；
步骤6-1-3，将循环神经网络RNN的H(0)和OUT(yb)各元素值设置为0；
步骤6-1-4，设置循环神经网络RNN训练目标方差值EE；
步骤6-2，计算误差矩阵Err(yb)的值，计算公式如下：
步骤6-3，应用Err(yb)使用BTPP算法进行训练，训练完成后更新U、Q、V值；
步骤6-4，依次将IN(yb)、H(0)、A及更新后的U、Q值代入式(7)得到H(yb)：
步骤6-5，将H(yb)、B及更新后的V值依次代入式(8)得到OUT(yb)的值：
步骤6-6，计算网络方差，用δ(k)2表示，其值计算如下：
步骤6-7，如果δ(k)2的值小于等于EE，则循环神经网络RNN训练结束，将步骤6-3中更新完成的U、Q、V和步骤6-1中生成的A、B值更新至式(7)和(8)中，否则跳转至步骤6-2继续执行训练步骤；
步骤7包括：
如果当前时间为基于循环神经网络RNN人群分布计算周期的开始时间，按如下步骤执行人群分布计算：
步骤7-1，通过步骤3得到当前计算周期场景内的总人数和基于WiFi定位计算得到的场景内各编号网格内WiFi设备的数量，分别设为JS_Nzj(js)，JS_Nwf(js)，其中js为计算周期的序号，其值表示如下：
其中：
JS_Nzj(js)：表示第js个计算周期按步骤3通过闸机数据统计得到的当前场景内的人员数量；
Cin(zj，js)：表示第js个计算周期采集到编号为zj的闸机统计得到的进场人员数量；
Cout(zj，js)：表示第js个计算周期采集到编号为zj的闸机统计得到的出场人员数量；
JS_Nwf(js)：表示第js个计算周期按步骤3通过WiFi定位计算得到的当前场景中各网格内的WiFi设备数量；
Nwfg(wg)(js)：表示第js个计算周期按步骤3通过WiFi定位的计算得到编号为wg的网格内当前WiFi设备的数量；
步骤7-2，按式(15)设置IN(js)的值：
IN(js)＝[JS_Nzj(js)，Nwfg(1)(js)，Nwfg(2)(js)，…，Nwfg(Nwg)(js)]T (15)
步骤7-3，将IN(js)依次代入式(7)和(8)得到)UT(js)，分别如式(16)和(17)所示：
H(js)＝ReLV(U·IN(js)+A+Q·H(js-1)) (16)
步骤7-4，场景内各网格内的人员数量为计算如下式所示：
其中，N(wg)(js)表示编号为wg的网格在第js个计算周期内的人群数量，wg∈{1，2，…，Nwg}。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822900.4A CN113420720B (zh) | 2021-07-21 | 2021-07-21 | 一种高精度低延时大型室内场馆人群分布计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822900.4A CN113420720B (zh) | 2021-07-21 | 2021-07-21 | 一种高精度低延时大型室内场馆人群分布计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420720A CN113420720A (zh) | 2021-09-21 |
| CN113420720B true CN113420720B (zh) | 2024-01-09 |
Family
ID=77721397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110822900.4A Active CN113420720B (zh) | 2021-07-21 | 2021-07-21 | 一种高精度低延时大型室内场馆人群分布计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420720B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758421B (zh) * | 2022-06-14 | 2022-09-02 | 南京金科院大学科技园管理有限公司 | 基于分布式和大数据的大学科技园智慧管理*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机***工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
| CN107944327A (zh) * | 2016-10-10 | 2018-04-20 | 杭州海康威视数字技术股份有限公司 | 一种人数统计方法及装置 |
| WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
| CN109389044A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 基于卷积网络与多任务学习的多场景人群密度估计方法 |
| CN109508583A (zh) * | 2017-09-15 | 2019-03-22 | 杭州海康威视数字技术股份有限公司 | 一种人群分布特征的获取方法和装置 |
| CN110084173A (zh) * | 2019-04-23 | 2019-08-02 | 精伦电子股份有限公司 | 人头检测方法及装置 |
| CN110097109A (zh) * | 2019-04-25 | 2019-08-06 | 湖北工业大学 | 一种基于深度学习的道路环境障碍物检测***及方法 |
| CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
| CN110598669A (zh) * | 2019-09-20 | 2019-12-20 | 郑州大学 | 一种复杂场景中人群密度的检测方法和*** |
| WO2020023399A1 (en) * | 2018-07-23 | 2020-01-30 | Magic Leap, Inc. | Deep predictor recurrent neural network for head pose prediction |
| CN111209892A (zh) * | 2020-01-19 | 2020-05-29 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的人群密度及数量估计方法 |
| CN111611749A (zh) * | 2020-05-25 | 2020-09-01 | 山东师范大学 | 基于rnn的室内人群疏散自动引导仿真方法及*** |
| CN112396218A (zh) * | 2020-11-06 | 2021-02-23 | 南京航空航天大学 | 基于城市区域多模态融合的人群流量预测方法 |
| CN113111778A (zh) * | 2021-04-12 | 2021-07-13 | 内蒙古大学 | 一种视频和无线融合的大规模人群分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG10202108020VA (en) * | 2017-10-16 | 2021-09-29 | Illumina Inc | Deep learning-based techniques for training deep convolutional neural networks |
-
2021
- 2021-07-21 CN CN202110822900.4A patent/CN113420720B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机***工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
| CN107944327A (zh) * | 2016-10-10 | 2018-04-20 | 杭州海康威视数字技术股份有限公司 | 一种人数统计方法及装置 |
| WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
| CN109508583A (zh) * | 2017-09-15 | 2019-03-22 | 杭州海康威视数字技术股份有限公司 | 一种人群分布特征的获取方法和装置 |
| WO2020023399A1 (en) * | 2018-07-23 | 2020-01-30 | Magic Leap, Inc. | Deep predictor recurrent neural network for head pose prediction |
| CN109389044A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 基于卷积网络与多任务学习的多场景人群密度估计方法 |
| CN110084173A (zh) * | 2019-04-23 | 2019-08-02 | 精伦电子股份有限公司 | 人头检测方法及装置 |
| CN110097109A (zh) * | 2019-04-25 | 2019-08-06 | 湖北工业大学 | 一种基于深度学习的道路环境障碍物检测***及方法 |
| CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
| CN110598669A (zh) * | 2019-09-20 | 2019-12-20 | 郑州大学 | 一种复杂场景中人群密度的检测方法和*** |
| CN111209892A (zh) * | 2020-01-19 | 2020-05-29 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的人群密度及数量估计方法 |
| CN111611749A (zh) * | 2020-05-25 | 2020-09-01 | 山东师范大学 | 基于rnn的室内人群疏散自动引导仿真方法及*** |
| CN112396218A (zh) * | 2020-11-06 | 2021-02-23 | 南京航空航天大学 | 基于城市区域多模态融合的人群流量预测方法 |
| CN113111778A (zh) * | 2021-04-12 | 2021-07-13 | 内蒙古大学 | 一种视频和无线融合的大规模人群分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| Predicting citywide crowd flows using deep spatio-temporal residual networks;Junbo Zhang et al.;《Artificial Intelligence》;全文 * |
| 基于WiFi定位的区域人群轨迹模型;徐洋 等;《山东大学学报(理学版)》;全文 * |
| 基于卷积神经网络和密度分布特征的人数统计方法;郭继昌 等;《电子科技大学学报》;全文 * |
| 基于卷积神经网络的密集场景人流估计方案;马骞;《电子设计工程》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420720A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697435B (zh) | 人流量监测方法、装置、存储介质及设备 | |
| CN106651916B (zh) | 一种目标的定位跟踪方法及装置 | |
| CN103688186B (zh) | 定位***、方法以及计算装置应用程序的基于位置的修改 | |
| CN102307386B (zh) | 基于Zigbee无线网络的室内定位监控***及方法 | |
| CN106248107B (zh) | 一种基于室内地磁轨迹匹配的航迹推断校准方法和装置 | |
| CN106682592B (zh) | 一种基于神经网络方法的图像自动识别***及方法 | |
| Kouyoumdjieva et al. | Survey of non-image-based approaches for counting people | |
| CN108120436A (zh) | 一种iBeacon辅助地磁室内实景导航方法 | |
| CN107727095B (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
| CN106291517A (zh) | 基于位置与视觉信息优化的室内云机器人角度定位方法 | |
| CN105424026A (zh) | 一种基于点云轨迹的室内导航定位方法与*** | |
| CN106705972B (zh) | 一种基于用户反馈的室内语义地图更新方法与*** | |
| CN103679674A (zh) | 一种无人飞行器实时图像拼接方法及*** | |
| CN102054166B (zh) | 一种新的用于户外增强现实***的场景识别方法 | |
| CN111160243A (zh) | 客流量统计方法及相关产品 | |
| CN106844492A (zh) | 一种人脸识别的方法、客户端、服务器及*** | |
| CN109357679B (zh) | 一种基于显著性特征识别的室内定位方法 | |
| CN109583366B (zh) | 一种基于视频图像和WiFi定位的体育建筑疏散人群轨迹生成方法 | |
| CN113420720B (zh) | 一种高精度低延时大型室内场馆人群分布计算方法 | |
| CN109655790A (zh) | 基于室内led光源的多目标检测及身份识别***及方法 | |
| CN108932509A (zh) | 一种基于视频跟踪的跨场景目标检索方法及装置 | |
| CN109508583A (zh) | 一种人群分布特征的获取方法和装置 | |
| Zhang et al. | Indoor space recognition using deep convolutional neural network: a case study at MIT campus | |
| CN108413966A (zh) | 基于多种传感测距技术室内定位***的定位方法 | |
| CN110049441B (zh) | 基于深度集成学习的WiFi室内定位方法 |
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 |