用于预报人群动态的方法和系统技术方案

一种用于对人群运动进行建模的方法，包括：获得物理场馆的图像的时间序列；以及针对图像的每一个，根据预定映射将相应图像细分成相应逻辑像素集。对于每个图像的每个逻辑像素，该方法计算相应的人群密度，该人群密度表示在逻辑像素处的物理场馆中每单位面积的移动对象的相应数量，从而形成对应于图像的时间序列的人群密度图的时间序列。然后，该方法使用连续的人群密度图对来训练关于物理场馆处人群密度的时空变化的模型。还公开了一种使用物理场馆的当前图像和经训练的模型来预测物理场馆处的未来人群密度图的方法。理场馆处的未来人群密度图的方法。理场馆处的未来人群密度图的方法。

【技术实现步骤摘要】
【国外来华专利技术】用于预报人群动态的方法和系统


[0001]所公开的实现方式一般涉及人群动态，并且更具体地涉及用于预测人群密度行为的系统和方法。

技术介绍

[0002]预报人群行为可以用于许多辅助技术，例如避免碰撞、驾驶员辅助和引导视障人士等。当前可用的用于预报人群行为的技术通常包括识别和跟踪个体的精确位置。然而，这引起了对隐私的担忧，跟踪个体的确切位置或轨迹可能会被用来揭示个体的身份和/或个体的个人和私人信息。因此，当前的技术在预报人群行为时不能保护个体的私人信息和位置。

技术实现思路

[0003]为了有效地预报人群行为，重要的是检测和映射视场中的运动和变化，以便理解和正确地预测人群行为。然而，现有技术需要跟踪个体的轨迹和/或精确位置，这可能导致无数的隐私问题。
[0004]因此，需要能够预报人群行为同时保护人群中每个个体的隐私和个人信息的工具。还需要采用这种预测的工具，以允许系统有效地引导或帮助其用户导航人群。该问题的一个解决方案是将人群可视化为密度图，而不是跟踪人群中的每个个体。密度图允许该技术可视化人群密度随时间的移动和变化，同时为人群中的个体提供匿名性。因此，该技术的身份匿名方面允许在保护个体隐私的同时概括结果(例如，不特定于某些个体及其特定行为)。
[0005]根据一些实现方式，一种用于对物理场馆处的人群运动建模的方法在具有显示器、一个或多个处理器和存储器的电子设备处执行。例如，电子设备可以是智能电话、平板、笔记本计算机或台式计算机。设备获得物理场馆的图像的时间序列。对于每个图像，设备根据预定映射将相应的图像细分为相应的逻辑像素集。对于每个图像的每个逻辑像素，该设备计算相应的人群密度，该人群密度表示在逻辑像素处的物理场馆中每单位面积的移动对象的相应数量，从而形成对应于图像的时间序列的人群密度图的时间序列。然后，该设备使用连续的人群密度图对来训练关于物理场馆处人群密度的时空变化的模型。
[0006]在一些实例中，时间序列中的连续图像之间的时间增量(例如，时间差)在图像上是一致的(例如，连续图像之间为100毫秒)。在其他情况下，时间增量根据连续图像对而不同(例如，第一连续图像对之间50毫秒，第二连续图像对之间125毫秒)。当图像不是以固定间隔捕获时，一些实现方式使用插值来生成具有一致时间增量的图像集。
[0007]在一些实例中，移动对象是人。在一些实例中，移动对象是非人类动物。在一些实例中，移动对象是机动车辆，如汽车，或非机动车辆，如自行车。在一些实例中，移动对象是飞机或无人驾驶飞机。在一些实例中，移动对象是移动机器人。通常，移动对象可以是能够自主移动的任何物体。在一些实例中，移动对象都是相同类型的(例如，所有移动对象都是
人)。在其他实例中，移动对象具有两种或更多种不同类型(例如，行人和自行车上的人)。
[0008]在一些实现方式中，物理场馆是公园、机场、火车站、竞技场、大型购物中心、工厂、家、水体、天空或街角的一部分。物理场馆可以是任何室内或室外物理场馆，其中存在许多自主移动对象。
[0009]在一些实现方式中，每个逻辑像素对应于图像中的相应单个物理像素。
[0010]在一些实现方式中，每个逻辑像素对应于图像中的相应多个物理像素。
[0011]在一些实现方式中，进一步包括获得与图像的每一个相关联的附加信息并且使用附加信息来训练模型。
[0012]在一些实现方式中，附加信息包括以下信息中的一种或多种：(i)图像的每一个的时间戳，(ii)与图像的每一个相关联的一个或多个天气参数，(iii)图像的每一个的星期几指示，以及(iv)图像的每一个中的每个逻辑像素的场景上下文注释；(v)图像的每一个的场景上下文注释(例如，“家”、“室内”、“室外”、“公园”或“游乐园”)；(vi)距离信息；以及(vii)热信息。
[0013]在一些实现方式中，计算每个逻辑像素处的人群密度包括将每个图像的每一个与一个或多个高斯图卷积。
[0014]在一些实现方式中，计算每个逻辑像素处的人群密度包括下采样。
[0015]在一些实现方式中，时间增量(例如，图像序列中的连续图像之间的时间差)是介于一毫秒和一周之间的值。相关的时间增量取决于移动对象的类型和这些对象的速度。如上所述，一些实现方式使用一致的时间增量，而其他实现方式根据选择哪对连续图像而具有变化的时间增量。
[0016]在一些实现方式中，训练模型包括：将每个连续对分类为容易、中等或困难，最初使用分类为容易的连续对来训练模型，使用分类为中等的连续对来继续训练模型，并使用分类为困难的连续对来完成训练模型。
[0017]在一些实现方式中，经训练的模型根据输入图像和来自输入图像的所请求的时间偏移来提供人群密度的时空变化的预测。
[0018]在一些实现方式中，提供人群密度的时空变化的预测使用场景信息。例如，场景信息可以包括场景类型和/或天气条件。
[0019]在一些实现方式中，经训练的模型还为所提供的预测提供准确度估计。
[0020]在一些实现方式中，图像的时间序列包括多个时间子序列，其中用于训练模型的连续人群密度图对中的每一对包括单个相应时间子序列内的相应人群密度图对。
[0021]图像的时间序列由能够捕获图像的各种相机和设备捕获。例如，可以通过以下设备中的一个或多个来捕获图像：(i)静态监视相机，(ii)PTZ(平移/倾斜/变焦)监视相机，(iii)数字相机，(iv)智能电话的图像传感器，(v)航拍相机(vi)车载相机，或(vii)测距仪联动相机。
[0022]根据一些实施方式，一种预测物理场馆处的未来人群密度图的方法在具有显示器、一个或多个处理器和存储器的电子设备处执行。例如，电子设备可以是智能电话、平板、笔记本计算机或台式计算机。设备获得物理场馆的人群运动的经训练的模型。根据物理场馆的图像的时间序列来训练模型。设备获得物理场馆的当前图像，并根据在模型训练期间使用的预定映射将当前图像细分为逻辑像素集。对于每个逻辑像素，设备计算表示在逻辑
像素处的物理场馆中每单位面积的移动对象的相应数量的相应人群密度，从而形成对应于当前图像的人群密度图。然后，该设备接收从对应于当前图像的时间起的、指定的未来时间偏移，并将经训练的模型适用于当前人群密度图和指定的未来时间偏移，以预测在指定的未来时间偏移处的物理场馆处的人群密度图。
[0023]在一些情况下，时间序列中的连续图像之间的时间增量(例如，时间差)在图像上是一致的(例如，连续图像之间为200毫秒)。在其他情况下，时间增量取决于连续图像对而不同(例如，第一连续图像对之间25毫秒，第二连续图像对之间200毫秒)。当图像不是以固定间隔捕获时，一些实现方式使用插值来生成具有一致时间增量的图像集。
[0024]在一些实例中，移动对象是人。在一些实例中，移动对象是非人类动物。在一些实例中，移动对象是机动车辆，如汽车，或非机动车辆，如自行车。在一些实例中，移动对象是飞机或无人驾驶飞机。在一些实例中，移动对象是移动机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种重构流程图的方法，包括：在具有一个或多个处理器的计算机系统处，存储器存储配置为由所述一个或多个处理器执行的一个或多个程序：获得物理场馆的图像的时间序列；对于每个图像，根据预定映射将相应的图像细分为相应的逻辑像素集；对于每个图像的每个逻辑像素，计算相应的人群密度，所述人群密度表示所述逻辑像素处的物理场馆中的每单位面积的移动对象的相应数量，从而形成与所述图像的时间序列相对应的人群密度图的时间序列；以及使用连续的人群密度图对来训练关于所述物理场馆处人群密度的时空变化的模型。2.根据权利要求1所述的重构流程图的方法，其中所述移动对象选自由人、非人动物、机动车辆、非机动车辆、飞机、无人驾驶飞机和移动机器人组成的组。3.根据权利要求1所述的重构流程图的方法，其中所述物理场馆是公园、机场、火车站、竞技场、大型购物中心、工厂、家、水体、天空或街角的一部分。4.根据权利要求1所述的重构流程图的方法，其中每个逻辑像素对应于所述图像中的相应单个物理像素。5.根据权利要求1所述的重构流程图的方法，其中每个逻辑像素对应于所述图像中的相应多个物理像素。6.根据权利要求1所述的重构流程图的方法，进一步包括获得与所述图像的每一个相关联的附加信息并使用所述附加信息来训练所述模型。7.根据权利要求6所述的重构流程图的方法，其中所述附加信息包括如下信息中的一个或多个：(i)所述图像的每一个的时间戳；(ii)与所述图像的每一个相关联的一个或多个天气参数；(iii)所述图像的每一个的星期几指示符；(iv)所述图像的每一个中的每个逻辑像素的场景上下文注释；(v)所述图像的每一个的场景上下文注释；(vi)距离信息；以及(vii)热信息。8.根据权利要求1所述的重构流程图的方法，其中计算每个逻辑像素处的人群密度包括将所述图像的每一个与一个或多个高斯图卷积。9.根据权利要求1所述的重构流程图的方法，其中计算每个逻辑像素处的人群密度包括下采样。10.根据权利要求1所述的重构流程图的方法，其中时间增量是介于一毫秒和一周之间的值Δt。11.根据权利要求1所述的重构流程图的方法，其中经训练的所述模型根据输入图像和来自所述输入图像的所请求时间偏移来提供对人群密度的时空变化的预测。12.根据权利要求11所述的重构流程图的方法，其中提供人群密度的时空变化的预测进一步根据包括场景类型和/或天气条件的场景信息来进行。13...

【专利技术属性】
技术研发人员：米谷竜，黑濑真衣，
申请(专利权)人：欧姆龙株式会社，
类型：发明
国别省市：