一种人群异常情况和单人运动状态检测方法技术

本发明专利技术公开了一种人群异常情况和单人运动状态检测方法，综合了单人携带的移动感知设备和无人机监控设备产生的人车轨迹和流量数据，通过有效地对这些数据进行分析和挖掘，从而进行单人运动状态的监测和人群异常情况的发现，以预防可能发生的危险，从而保障单人户外执行任务可安全有序的进行。本发明专利技术应用于单人运动状态评估和人群综合态势感知系统建设中，为人群监控、人员/物资调度、流量管控、突发事件预警等提供技术支撑。具有很好的商业应用前景和社会效益。本发明专利技术主要包括以下内容：1)基于多源异构数据融合的人群异常情况分析与研究。2)基于多感知数据融合的单人综合能力评估与分析。估与分析。估与分析。

【技术实现步骤摘要】
一种人群异常情况和单人运动状态检测方法


[0001]本专利技术涉及一种数据融合信息处理方法，特别是一种人群异常情况和单人运动状态检测方法。

技术介绍

[0002]在信息化时代，个人信息非常重要。随着装备发展，尤其是多源异构传感器性能提升，产生大量多源异质的个人信息数据。从这些数据中挖掘出的人群环境目标特征信息，可用于发现、识别人群单人目标，也可用于关联、挖掘人群数据以掌握目标活动规律，进而预测其趋势和意图，以构建准确的人群态势图。人群环境目标的高层特征能提高目标规律挖掘与预测的精度，通过多源数据融合对人群目标数据印证、匹配、推理，实现人群目标活动趋势和意图的准确预测和判断，人群目标多源数据融合技术是世界各国竞相发展的一项重要信息化技术。
[0003]多源数据融合应用范围广泛，在城市大数据融合、医疗大数据融合、航迹轨迹大数据融合等不同领域取得了进展，基于个人信息的人群多源数据融合也亟待研究发展。虽然上述多源数据融合方法在一些场景、一定范围中取得了较好的效果，然后上述都是针对单一领域的数据融合引用。目前还未有特别针对基单人运动协同工作的相关多源数据融合，且数据源同时包含我方和被监控目标方的多源数据融合工作。由于后者所处环境存在高复杂性和不确定性等问题，多种传感器节点和相关感知监测设备如无人机等呈高速三维运动，需要实现快速递阶动态资源调度比较困难，所以使得上述方法并不能较好适用。

技术实现思路

[0004]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种人群异常情况和单人运动状态检测方法。
[0005]为了解决上述技术问题，本专利技术公开了一种人群异常情况和单人运动状态检测方法，，包括以下步骤：
[0006]步骤1，在人群环境中采集多源异构数据，所述多源异构数据包括：图像数据、整体环境数据以及文本信息数据；
[0007]步骤2，基于多源异构数据融合的人群异常情况分析和研究，包括以下步骤：
[0008]步骤2
‑
1，针对图像数据，建立面向人群环境的多目标识别模型，进行面向人群环境的多目标识别；
[0009]所述的面向人群环境的多目标识别模型，由人群目标数量预估模块和人群目标检测输出模块构成；
[0010]其中，人群目标数量预估模块，包括以下步骤：
[0011]首先，针对采集到的图像数据，进行多视角模块的初始化任务，多视角模块由特征提取层、视角编码层、视角融合层以及最终分类层组成，本专利技术使用特征层从图像数据中提取特征，并使用视角编码层对不同视角的特征进行编码，通过视角融合层将不同视角的编
码特征进行融合，最终使用全连接层将融合后的特征进行分类；多视角模块初始化包括三个步骤：第一步，建立基于多视角图像训练数据集的人群信息分类模型，所述模型包括基本五元组，所述基本五元组包括：为人群环境描述集合、人群中个体目标集合、人群中个体目标位置集合、人群中携带装备人员的位置信息集合以及人群中个体携带装备的位置信息集合，用于对现场采集的图像数据进行细粒度分类；第二步，对多视角的图像数据进行独立初始化；第三步，构建图像标准化模块，对人群环境图像数据进行校正；在多视图模块初始化任务完成后，将人工采集的人群信息数据库中的数据与多视图模块进行融合，形成多视图环境信息；采用Resnet50深度神经网络模型对多视图环境信息进行人物特征提取和细粒度分类去重，完成所述的人群目标数量预估模块构建；
[0012]人群目标检测输出模块，包括以下步骤：
[0013]首先，基于人工采集的人群信息数据库进行人群信息提取，并根据人群信息数据库进行人群图像信息预处理以及人群异常状态监测模型的加载任务；采用Darknet53深度卷积神经网络进行目标特征提取，并采用了图像特征金字塔方法得到最终的目标检测结果；最终，采用特征层解码回归分类，基于图像特征金字塔利用深度神经网络在多个尺度上提取图像特征，并利用单一神经网络提取原始图像的高层次特征，并逐层降采样得到不同尺度的特征层，完成人群目标检测的输出。
[0014]步骤2
‑
2，针对个体环境数据，建立基于多源异构数据的目标识别，采用红外融合检测方法，具体方法如下：
[0015]利用人工采集的红外信息库，对红外图像数据进行增强后进行红外人物特征提取，并采用PANet神经网络模型进行特征拼接；采用置信度阈值过滤方法对目标识别结果中的置信度进行筛选，排除置信度较低的检测结果。
[0016]步骤2
‑
3，根据步骤2
‑
1和步骤2
‑
2所述的目标识别结果，建立基于多视角的人群详情分析模型，进行基于多视角的人群详情分析；
[0017]步骤2
‑
4，针对文本信息数据，进行基于多模态数据的目标态势分析，具体包括：
[0018]针对文本信息数据，采用多模态数据进行分析，多模态数据包括图像信息和文本信息；建立文本解码模型，从文本信息库中提取关键信息；将从多视角模块提取得到的目标特征信息和文本信息进行融合；利用置信度阈值过滤对融合后的信息进行检测输出，完成文本融合检测，即目标态势分析。
[0019]步骤3，对人群中的单人目标，采集多感知数据，所述多感知数据包括：生命体征数据、装备数据以及个体环境数据；
[0020]步骤4，基于多感知数据融合的单人运动状态检测，包括以下步骤：
[0021]步骤4
‑
1，根据生命体征数据，建立身体素质评估模型，具体方法包括：
[0022]收集单人的基础生理数据并进行预处理，所述预处理包括对存在缺失值的生理特征采用均值替换法进行异常数据处理以及进行L2范数特征标准化预处理；根据预处理后的采集数据，训练得到长短期记忆神经网络模型作为身体素质评估模型，输出单人身体状态结果，即单人身体素质评估结果；
[0023]所述的均值替换法，具体如下：
[0024]第一步：先把生理特征数据从小到大升序排序；
[0025]第二步：计算位置：校准参数Q1的位置为(n+1)
×
0.25；校准参数Q2的位置为(n+1)
×
0.5；校准参数Q3的位置为(n+1)
×
0.75，n为数据的总个数；
[0026]第三步：计算分位数的值：
[0027]如果第二步计算结果是个整数，则直接取该位置对应的数值；
[0028]如果第二步计算结果是个小数，则第2个位置对应的数值*(1
‑
小数部分)+第3个位置对应的数值*小数部分；
[0029]第四步：计算四分位距IQR：
[0030]IQR＝Q3
‑
Q1
[0031]第五步：判断生理特征数据是否为异常值：
[0032]若生理特征数据超出[(Q1
‑
1.5*IQR)～(Q3+1.5*IQR)]范围，则判断为异常值；
[0033]第六步：计算生理特征数据均值；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人群异常情况和单人运动状态检测方法，其特征在于，包括以下步骤：步骤1，在人群环境中采集多源异构数据，所述多源异构数据包括：图像数据、整体环境数据以及文本信息数据；步骤2，基于多源异构数据融合的人群异常情况分析和研究；步骤3，对人群中的单人目标，采集多感知数据，所述多感知数据包括：生命体征数据、装备数据以及个体环境数据；步骤4，基于多感知数据融合的单人运动状态检测。2.根据权利要求1所述的一种人群异常情况和单人运动状态检测方法，其特征在于，步骤2所述的基于多源数据融合的人群异常情况分析和研究，包括以下步骤：步骤2
‑
1，针对图像数据，建立面向人群环境的多目标识别模型，进行面向人群环境的多目标识别；步骤2
‑
2，针对个体环境数据，建立基于多源异构数据的目标识别；步骤2
‑
3，根据步骤2
‑
1和步骤2
‑
2所述的目标识别结果，建立基于多视角的人群详情分析模型，进行基于多视角的人群详情分析；步骤2
‑
4，针对文本信息数据，进行基于多模态数据的目标态势分析。3.根据权利要求2所述的一种人群异常情况和单人运动状态检测方法，其特征在于，步骤2
‑
1中所述的面向人群环境的多目标识别模型，由人群目标数量预估模块和人群目标检测输出模块构成；其中，人群目标数量预估模块，包括以下步骤：首先，针对采集到的图像数据，进行多视角模块的初始化任务，多视角模块由特征提取层、视角编码层、视角融合层以及最终分类层组成，本发明使用特征层从图像数据中提取特征，并使用视角编码层对不同视角的特征进行编码，通过视角融合层将不同视角的编码特征进行融合，最终使用全连接层将融合后的特征进行分类；多视角模块初始化包括三个步骤：第一步，建立基于多视角图像训练数据集的人群信息分类模型，所述模型包括基本五元组，所述基本五元组包括：为人群环境描述集合、人群中个体目标集合、人群中个体目标位置集合、人群中携带装备人员的位置信息集合以及人群中个体携带装备的位置信息集合，用于对现场采集的图像数据进行细粒度分类；第二步，对多视角的图像数据进行独立初始化；第三步，构建图像标准化模块，对人群环境图像数据进行校正；在多视图模块初始化任务完成后，将人工采集的人群信息数据库中的数据与多视图模块进行融合，形成多视图环境信息；采用Resnet50深度神经网络模型对多视图环境信息进行人物特征提取和细粒度分类去重，完成所述的人群目标数量预估模块构建；人群目标检测输出模块，包括以下步骤：首先，基于人工采集的人群信息数据库进行人群信息提取，并根据人群信息数据库进行人群图像信息预处理以及人群异常状态监测模型的加载任务；采用Darknet53深度卷积神经网络进行目标特征提取，并采用了图像特征金字塔方法得到最终的目标检测结果；最终，采用特征层解码回归分类，基于图像特征金字塔利用深度神经网络在多个尺度上提取图像特征，并利用单一神经网络提取原始图像的高层次特征，并逐层降采样得到不同尺度的特征层，完成人群目标检测的输出。4.根据权利要求3所述的一种人群异常情况和单人运动状态检测方法，其特征在于，步
骤2
‑
2所述的建立基于多源异构数据的目标识别，采用红外融合检测方法，具体方法如下：利用人工采集的红外信息库，对红外图像数据进行增强后进行红外人物特征提取，并采用PANet神经网络模型进行特征拼接；采用置信度阈值过滤方法对目标识别结果中的置信度进行筛选，排除置信度较低的检测结果。5.根据权利要求4所述的一种人群异常情况和单人运动状态检测方法，其特征在于，步骤2
‑
4中所述的进行基于多模态数据的目标态势分析，具体包括：针对文本信息数据，采用多模态数据进行分析，多模态数据包括图像信息和文本信息；建立文本解码模型，从文本信息库中提取关键信息；将从多视角模块提取得到的目标特征信息和文本信息进行融合；利用置信度阈值过滤对融合后的信息进行检测输出，完成文本融合检测，即目标态势分析。6.根据权利要求5所述的一种人群异常情况和单人运动状态检测方法，其特征在于，步骤4所述的基于多感知数据融合的单人运动状态检测，包括以下步骤：步骤4
‑
1，根据生命体征数据，建立身体素质评估模型；步骤4
‑
2，根据装备数据，建立单人装备状态评估模型；步骤4
‑
3，根据环境数据，建立人群环境状态评估模型；步骤4
...

【专利技术属性】
技术研发人员：牛耕田，朱江，徐俊瑜，李总池，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：