[发明专利]识别行人运动的方法、装置和设备

说明书

识别行人运动的方法、装置和设备，所述方法包括：算法通过以下方式来从采集到的热电堆阵列数据中识别行人运动，包括：消除或部分消除热电堆阵列数据的各个帧数据包中的噪点，得到经初步处理后的帧数据包；从经初步处理后的帧数据包中确定人物热点；分别确定各个人物热点在热电堆阵列数据中的移动轨迹并对移动轨迹进行跟踪；当通过对移动轨迹进行跟踪发现某个人物热点从后续的帧数据包中消失时，分析该人物热点的移动轨迹并对该人物热点进行归类。本发明省去了机器学习的训练成本，节省了训练过程的算力，同时运行时的反应速度也更快。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种识别行人运动的方法、装置和设备。

背景技术

客流分析指的是对场所客流数量、身份等信息进行分析。随着数字化运营的崛起，线下商场、门店、公共交通等场所，对于客流分析的需求日益增加。客流分析设备给运营者提供了精准专业的客流数据，帮助运营者对客流进行有科学依据的分析。将分析结论反哺到日常的运营和管理中，使其抉择更加有依据、可量化。

客流分析设备通过传感器来采集数据，并对所采集的数据进行处理，来识别人物进入/离开预定区域的行为，进而统计得出进入/离开预定区域人次等信息。实践中，客流分析设备具体可以通过热电堆阵列传感器来采集数据。

在通过热电堆阵列传感器采集数据后，需要通过算法处理从采集到的数据中识别行人运动(我们将这种“从采集到的(热电堆阵列)数据中识别行人运动”的算法称为“识别行人运动的算法”)。

现有技术中，识别行人运动的算法通常是通过机器学习的方式训练得到的。举例来说，在《Thermal Image-Based CNN’s for Ultra-Low Power People Recognition》中采用训练后的卷积神经网络来识别行人运动并跟踪，经实验表明其识别效果“completelyerror-free detection on 53.7％of the test images and an error bound within±1detection in 84.4％of the images(即准确率较低)”；又如，在《Occupancy EstimationUsing a Low-Pixel Count Thermal Imager》中也是通过机器学习的方式来得到识别行人运动的算法，经实验表明其识别效果在最好的“machine learning classifier”上“the K*algorithm was found to be the best classifier,with an accuracy of 82.56％anda RMSE of 0.304(即准确率较低)”。

通过以上2个例子可以看到，现有技术中识别行人运动的算法准确率较低。

同时，通过机器学习的方式训练得到识别行人运动的算法还存在其它多方面的缺陷，例如训练成本高(训练过程需要耗费大量的算力)、识别及跟踪过程反应速度慢等缺陷。

发明内容

本发明解决的技术问题是：如何准确且快速的从采集到的(热电堆阵列)数据中识别行人运动。

为了解决上述技术问题，本发明实施例提供一种识别行人运动的方法，包括：

得到用于识别行人运动的算法；

采用所述算法，来从采集到的热电堆阵列数据中识别行人运动；

其中，所述算法通过以下方式来从采集到的热电堆阵列数据中识别行人运动，包括：

消除或部分消除热电堆阵列数据的各个帧数据包中的噪点，得到经初步处理后的帧数据包；

从经初步处理后的帧数据包中确定人物热点；

分别确定各个人物热点在热电堆阵列数据中的移动轨迹并对移动轨迹进行跟踪；