一种排队时长检测方法、装置及系统制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种排队时长检测方法、装置及系统。该方法包括：获取待起始点处检测视频图像帧集合及其对应的人脸特征集合和待检测目标点处检测视频图像帧集合及其对应的人脸特征集合；判断所述待检测目标点处检测视频图像帧集合对应的人脸特征集合与所述待起始点处检测视频图像帧集合对应的人脸特征集合是否匹配；如果匹配，则获取所述待检测目标点与所述待起始点之间的时间差，确定当前需要排队的时间。采用本发明专利技术技术方案不但可以实时统计客流排队时间，而且通过人脸特征进行匹配，使得检测结果较为精确，本发明专利技术仅需要使用两台视频采集设备配合实现，从而使得系统的使用和维护成本不高。

【技术实现步骤摘要】
一种排队时长检测方法、装置及系统
本专利技术涉及人工智能
，特别涉及一种排队时长检测方法、装置及系统。
技术介绍
近年来，以卷积神经网络为代表的深度学习技术被广泛应用于各类人工智能任务，例如物体分类、人脸识别、行人身份再识别等。卷积神经网络在这些问题上取得的突破性进展源于其层次化的学习结构所带来的强大表达能力。在客流统计应用场景中，客流排队时间是一个非常重要的参数。由于客流速度未知，估算排队时间有误差。通常根据领域经验设置客流速度，若客流速度改变，往往无法及时更新。由于客流排队时间是一个十分重要的信息。通过对客流排队时间的估计，可以作出客流疏导的方案。若客流过度拥挤，很容易导致顾客放弃排队，造成成交率下降。在地铁、公园等场所，甚至可能引发踩踏事件。但是，客流排队时间的估计也是一个十分困难的问题。首先，客流的信息很难采集。传统的方式是在进门处放置闸机，统计客流量，进而估算排队时间。其次，顾客在排队的过程中会有各种变动，例如插队、放弃排队等。另外，当客流十分拥挤的情况下，顾客之间存在遮挡的问题，导致获取的信息不完整。在本文档来自技高网...

【技术保护点】
1.一种排队时长检测方法，其特征在于，包括：/n获取待起始点处检测视频图像帧集合及其对应的人脸特征集合和待检测目标点处检测视频图像帧集合及其对应的人脸特征集合；/n判断所述待检测目标点处检测视频图像帧集合对应的人脸特征集合与所述待起始点处检测视频图像帧集合对应的人脸特征集合是否匹配；/n如果匹配，则获取所述待检测目标点与所述待起始点之间的时间差，确定当前需要排队的时间。/n

【技术特征摘要】
1.一种排队时长检测方法，其特征在于，包括：
获取待起始点处检测视频图像帧集合及其对应的人脸特征集合和待检测目标点处检测视频图像帧集合及其对应的人脸特征集合；
判断所述待检测目标点处检测视频图像帧集合对应的人脸特征集合与所述待起始点处检测视频图像帧集合对应的人脸特征集合是否匹配；
如果匹配，则获取所述待检测目标点与所述待起始点之间的时间差，确定当前需要排队的时间。


2.根据权利要求1所述的排队时长检测方法，其特征在于，所述获取待起始点处检测视频图像帧集合及其对应的人脸特征集合和待检测目标点处检测视频图像帧集合及其对应的人脸特征集合的步骤，包括：
设置离散时间点差值；
获取待起始点处检测视频图像帧集合及其对应的人脸特征集合；
根据所述离散时间点差值和所述待起始点处检测视频图像帧集合对应的人脸特征集合，确定所述待检测目标点处检测视频图像帧集合对应的人脸特征集合。


3.根据权利要求2所述的排队时长检测方法，其特征在于，判断所述待检测目标点处检测视频图像帧集合对应的人脸特征集合与所述待起始点处检测视频图像帧集合对应的人脸特征集合是否匹配的步骤，包括：
设置人脸特征集合相似性阈值；
获取所述待检测目标点处检测视频图像帧集合对应的人脸特征集合与所述待起始点处检测视频图像帧集合对应的人脸特征集合的特征向量的集合相似距离；
判断所述集合相似距离是否大于所述人脸特征集合相似性阈值；
如果所述两个集合的集合相似距离大于所述人脸特征集合相似性阈值，则认为是两个人脸特征集合是同一组人。


4.根据权利要求1-3中任意一项所述的排队时长检测方法，其特征在于，该方法包括：
设置修正强度阈值；
根据所述修正强度阈值，获取修...

【专利技术属性】
技术研发人员：杨帆，柯佳琪，徐子豪，陶海，
申请(专利权)人：北京文安智能技术股份有限公司，
类型：发明
国别省市：北京;11