System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于视频识别,具体涉及一种基于时空特征的群体性人员轨迹预测方法。
技术介绍
1、随着社会经济发展与城市化加深,城市人口规模逐年上升,容易产生人员聚集和拥堵现象。人员聚集具有偶然性和突发性,如何及时、准确预测群体性人员轨迹成为防范群体性事件的关键。近些年,随着智慧城市、人工智能技术的迅猛发展,摄像头遍布城市的大街小巷,视频监控能够覆盖大量街道等公共区域,为群体性人员轨迹预测提供硬件基础和数据支撑。通过cv(computer vision,cv)算法,计算机可以自动分析视频内容,无需人工观察海量的视频。cv算法能够定位跟踪多个目标,并对目标轨迹进行预测,能够提升相关管理部门对群体性行为的分析、预测与掌控能力,保障城市秩序与安全。
2、目前,虽然多目标跟踪算法能够识别视频中的人员,并绘制人员轨迹,但是没有考虑特定时空条件(例如上下班高峰、公交站等车)对于人员轨迹的影响,也没有考虑特殊人员(例如公众人物)对于人群轨迹的影响,无法针对特定场景分析群体性人员轨迹。
技术实现思路
1、(一)要解决的技术问题
2、本专利技术要解决的技术问题是:如何提供一种基于时空特征的群体性人员轨迹预测方法。
3、(二)技术方案
4、为了解决上述技术问题,本专利技术提供一种基于时空特征的群体性人员轨迹预测方法,所述方法包括:
5、步骤1:多目标轨迹识别;
6、步骤2:时空权重向量构建;
7、步骤3:特殊人员权重向量构建;
8、步骤4:多目标轨迹预测分析。
9、其中,所述步骤1中,多目标轨迹识别;所述步骤1包括:
10、步骤11:目标识别;
11、步骤12:目标跟踪;
12、步骤13:目标向量化表示。
13、其中,所述步骤11中,目标识别;
14、在图像识别中,基于卷积神经网络算法表现最好;在本方法中,重点关注于人员的识别;本方法通过多层卷积神经网络对视频流进行逐帧分析,识别并定位视频帧中的人员,对于输入视频v,v={v1,v2,……,vt},t为不同时刻的帧;
15、目标识别模型构建分为模型训练和模型测试两个阶段;在训练阶段,输入带有标注信息的视频数据vtrain;标注内容为若干个矩形边框,表示为(x,y,h,w),其中x为标注边框的左上角横坐标,y为标注边框的左上角纵坐标,h为标注边框的高度,w为标注边框的宽度;通过训练,模型收敛后,得到目标识别模型;在测试阶段,输入无标注信息的视频数据vtest,测试模型效果;若满足准确性需求,模型训练完毕;否则,调整参数,重新训练,直到符合准确率需求为止。
16、其中,所述步骤12中,目标跟踪;
17、将视频逐帧的目标边框信息按照时间顺序排列,得到目标轨迹信息;由于视频中相邻帧图像变化不大,逐帧分析的运算成本过高,所以对视频帧进行采样;
18、标准视频为每秒24帧,在本方法中采样比取值为
19、其中,所述步骤13中,目标向量化表示;
20、对于每个目标oi,在时刻t0的状态表示为之后的时刻t的位移向量为通过状态变量表示目标oi的位置,通过位移向量表示目标oi的移动方向和速度,描述目标的静态与动态特征。
21、其中,所述步骤2中,时空权重向量构建;
22、所述步骤2包括:
23、步骤21:时间权重向量构建;
24、步骤22:空间权重向量构建;
25、步骤23:时空向量融合。
26、其中,所述步骤21中,时间权重向量构建;
27、考虑到人们的生活作息,人流的运动趋势往往具有周期性规律;例如,早晨的人流规模一般高于夜间;不同时间段人流量的差异导致基准量纲的不同;所以,需要针对这种差异性对不同时间段的人流预测模型训练不同的权重参数;
28、对其人流特征进行连续采样,获得其总位移向量根据采样频率确定t的数量与每次采样的时间间隔;例如,设定采样频率为5分钟异常,则采样时刻为00:00,00:05,……,23:55,采样次数为288;
29、时间权重其中ε为小常量,防止除零;
30、步骤22:空间权重向量构建;
31、特定的地点也会对人流量产生影响,例如人们会在公交站等车,人员往往呈现聚集性趋势;如果不消除这种影响,很有可能导致人员聚集事件误判;
32、对于特定观察点x,统计其出现人数n,则空间权重其中ε为小常量,防止除零;
33、步骤23:时空向量融合;
34、对于不同时间段t的不同观察点x,其时空权重向量为
35、
36、其中,wi,j为时间向量与空间向量的乘积。
37、其中,所述步骤3中,特殊人员权重向量构建;
38、特殊人员(例如公众人物)会对人群轨迹造成较大影响,表现形式为人群易向公众人物位置靠近,特殊人员周围的人员密度增大且移动速度降低;特殊人员出行很容易造成群体性事件,对安防造成较大挑战;特殊人员出行是一个不得不考虑的场景,但同时也是一个小概率事件,仅在特殊场景下适用;
39、所述步骤3包括:
40、步骤31:特殊人员库构建;
41、根据实际情况,在不同的观察点建立特殊人员人脸库,也可以建立全局人脸库;建立人脸库,保存人员唯一id、人脸图片、人脸特征、权重向量;
42、步骤32:特殊人员权重向量构建;
43、特殊人员对周围人群具有一定吸引效果,根据吸引效果强弱,构建吸引权重;通过对特殊人员划分级别,估计特殊人员的吸引力权重;由于特殊人员数量相对较少,特殊人员权重向量构建的工作量较低。
44、其中,所述步骤4中,进行多目标轨迹预测分析;
45、所述步骤4的整体流程为:
46、首先,通过基于卷积神经网络的多目标轨迹识别算法,获取目标oi的状态变量以及位移向量将状态变量序列和位移向量序列乘以时空权重向量,并输入序列预测模型,预测接下来一段时间内的状态变量序列和位移向量序列
47、然后,采用人脸识别算法识别视频中的人脸,检查是否有特殊人员出现;根据检测结果,分为两种情况;
48、情况一:存在特殊人员;根据特殊人员t时刻的位置以及特殊人员吸引力权重w;对原始输出结果进行修正,目标oi在t时刻的预测位置为修正向量为预测结果即为状态变量序列和位移向量序列
49、情况二:不存在特殊人员;预测结果即为状态变量序列和位移向量序列
50、其中,所述步骤4中,进行模型迭代;
51、由于实际人群是动态变化的,本方法中有三个模型组件需要根据实际数据不断迭代,以适应变化;
52、a.轨迹预测模型
53、每隔一段时间,进行数据采样,将新数据加入原始训练集重新训练,训练集规模不断扩大,提高模型的准确性;
<本文档来自技高网...【技术保护点】
1.一种基于时空特征的群体性人员轨迹预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤1中,多目标轨迹识别;所述步骤1包括:
3.如权利要求2所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤11中,目标识别;
4.如权利要求3所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤12中,目标跟踪;
5.如权利要求4所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤13中,目标向量化表示;
6.如权利要求5所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤2中,时空权重向量构建;
7.如权利要求6所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤21中,时间权重向量构建;
8.如权利要求7所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤3中,特殊人员权重向量构建;
9.如权利要求8所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所
10.如权利要求9所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤4中,进行模型迭代;
...【技术特征摘要】
1.一种基于时空特征的群体性人员轨迹预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤1中,多目标轨迹识别;所述步骤1包括:
3.如权利要求2所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤11中,目标识别;
4.如权利要求3所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤12中,目标跟踪;
5.如权利要求4所述的基于时空特征的群体性人员轨迹预测方法,其特征在于,所述步骤13中,目标向量化表示;
6.如权利要求...
【专利技术属性】
技术研发人员:刘宏宇,徐鑫,陈胜,魏超凡,彭一帆,宋志雄,
申请(专利权)人:航天科工智能运筹与信息安全研究院武汉有限公司,
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。