本发明专利技术公开了一种密集人流监控追踪方法，包括以下步骤：S1.采集图像数据并对采集到的图像数据进行预处理；S2.基于深度学习框架搭建神经网络；S3.搭建目标检测模型并对目标检测模型进行训练；S4.将要监测的区域进行划分并对划分后的区域进行监测。本发明专利技术实现了智能识别场景内的客流量，并可以做到分时、分区域进行，识别稳定、效率高、易操作；摆脱了对硬件设备（WiFi定位、GPS轨迹、智能感知设备等）的依赖，降低了监测分析成本并提升了监测分析效率。
【技术实现步骤摘要】
本专利技术涉及客流追踪，具体为一种密集人流监控追踪方法。
技术介绍
1、现有技术中，基于大数据进行客流监测和分析，通常会使用各种数据采集技术（如wifi定位、gps轨迹、智能感知设备等）收集游客在景区内的行为信息和位置信息，然后通过数据挖掘和分析技术对这些数据进行处理和分析，得出一系列有价值的结果。
2、现有技术针对客流分析主要依赖硬件设备如wifi、智能感知设备等，对于没有条件提供硬件设备的场景还有一定的局限性。
技术实现思路
1、为了解决上述问题，本专利技术提供一种密集人流监控追踪方法，包括以下步骤：s1.采集图像数据并对采集到的图像数据进行预处理；s2.基于深度学习框架搭建神经网络；s3.搭建目标检测模型并对目标检测模型进行训练；s4.将要监测的区域进行划分并对划分后的区域进行监测。
2、进一步地，所述s1步骤中对采集到的图像数据进行预处理包括：灰度值处理、二值化处理、降噪处理、倾斜矫正、图像特征提取、图像特征降维。
3、进一步地，所述s2步骤包括以下子步骤：设计神经网络的激活函数；对神经网络进行正则优化；使用优化器对神经网络进行优化；设计神经网络的损失函数；建立神经网络的评价指标。
4、进一步地，所述s3步骤包括以下子步骤：s31.设置目标检测模型的超参数并将设置好的超参数加载至配置文件中；s32.在目标检测模型中加载神经网络及预训练模型；s33.将预处理好的图像数据与实时监测的图像数据传入目标检测模型进行再训练。
>5、进一步地，所述超参数包括：学习率、batch-size。6、进一步地，所述目标检测模型中还包括以下辅助功能：自动降低learning-rate；不收敛后早停；对目标检测模型在数据质量、数量、模型框架、优化算法、参数维度上进行优化。
7、进一步地，所述s4步骤包括以下子步骤：s41.将所需监测的区域按照固定的坐标标定好；s42.在标定好的区域内进行监测；s43.将监测结果结合时间段进行分析。
8、本专利技术提供了一种密集人流监控追踪方法，具有以下有益效果：
9、本专利技术实现了智能识别场景内的客流量，并可以做到分时、分区域进行，识别稳定、效率高、易操作；摆脱了对硬件设备（wifi定位、gps轨迹、智能感知设备等）的依赖，降低了监测分析成本并提升了监测分析效率。
本文档来自技高网...
【技术保护点】
1.一种密集人流监控追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述S1步骤中对采集到的图像数据进行预处理包括：灰度值处理、二值化处理、降噪处理、倾斜矫正、图像特征提取、图像特征降维。
3.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述S2步骤包括以下子步骤：
4.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述S3步骤包括以下子步骤：
5.根据权利要求4所述的密集人流监控追踪方法，其特征在于，所述超参数包括：学习率、batch-size。
6.根据权利要求4所述的密集人流监控追踪方法，其特征在于，所述目标检测模型中还包括以下辅助功能：自动降低learning-rate；不收敛后早停；对目标检测模型在数据质量、数量、模型框架、优化算法、参数维度上进行优化。
7.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述S4步骤包括以下子步骤：
【技术特征摘要】
1.一种密集人流监控追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述s1步骤中对采集到的图像数据进行预处理包括：灰度值处理、二值化处理、降噪处理、倾斜矫正、图像特征提取、图像特征降维。
3.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述s2步骤包括以下子步骤：
4.根据权利要求1所述的密集人流监控追踪方法，其特征在于，所述s3步骤包括以下子步骤：<...
【专利技术属性】
技术研发人员：张永辉，吕丹辉，宋崇源，于佳欣，
申请(专利权)人：启明信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。