开云优惠体育网页版入口

专利名称：一种基于毫米波基站的人流密度检测方法及系统

专利类型：发明专利

专利申请号：CN202410905263.0

专利申请（专利权）人：拉萨超脑开云优惠体育网页版入口有限公司
权利人地址：西藏自治区拉萨市柳梧新区柳南大道15号1号楼A座8层801室

专利发明（设计）人：罗敏,伍元聪,章兴仁

专利摘要：本发明涉及一种毫米波基站的人流密度检测方法及系统，属于通信技术领域。该方法包括：获取毫米波基站在基站覆盖区域内的雷达探测数据；将雷达探测数据转换为空间点云数据；从空间点云数据中提取出人体数据，并基于人体数据统计所述基站覆盖区域内的人体个数；基于基站覆盖区域内的人体个数，以及基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的第一人流密度。上述方式，其利用已有的毫米波基站资源，进行空间范围内人流密度的检测，并且不受光线与天气影响、能够保护个人隐私。

主权利要求：
1.一种基于毫米波基站的人流密度检测方法，其特征在于，包括：
获取毫米波基站在基站覆盖区域内的雷达探测数据；
将所述雷达探测数据转换为空间点云数据；
从所述空间点云数据中提取出人体数据，并基于所述人体数据统计所述基站覆盖区域内的人体个数；
基于所述基站覆盖区域内的人体个数，以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的第一人流密度；
所述方法还包括：获取所述毫米波基站在时间窗口内的时序数据；其中，所述时序数据中的每个数据元素包括当前时间节点对应的个毫米波节点的终端接入数以及当前时间节点对应的流量；基于所述毫米波基站在时间窗口内的时序数据，确定在所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度；
所述基于所述毫米波基站在时间窗口内的时序数据，确定在所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，包括：基于Informer层对所述时序数据中的每个数据元素进行嵌入，获取每个数据元素对应的嵌入值；基于每个数据元素对应的嵌入值以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度；
所述基于每个数据元素对应的嵌入值以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，包括：通过MSGNet层对每个数据元素对应的嵌入值进行处理，获取每个数据元素的缩放表征；通过Softmax层输出每个数据元素的缩放表征，并结合所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。
2.根据权利要求1所述的基于毫米波基站的人流密度检测方法，其特征在于，所述获取毫米波基站在基站覆盖区域内的雷达探测数据，包括：获取所述毫米波基站在基站覆盖区域内的初始雷达探测数据；
对所述初始雷达探测数据进行去噪；
通过设定的距离补偿函数对去噪后的初始雷达探测数据进行强度矫正，得到所述雷达探测数据。
3.根据权利要求1所述的基于毫米波基站的人流密度检测方法，其特征在于，所述从所述空间点云数据中提取出人体数据，包括：基于卷积神经网络或点云提取算法提取所述空间点云数据中的空间特征；
将所述空间特征输入至预先构建的分类器中，识别出人体特征；
基于所述人体特征，确定所述空间点云数据中的人体数据。
4.根据权利要求1所述的基于毫米波基站的人流密度检测方法，其特征在于，所述方法还包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值小于预设密度阈值，输出该第一人流密度或该第二人流密度。
5.根据权利要求4所述的基于毫米波基站的人流密度检测方法，其特征在于，所述方法还包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于所述预设密度阈值，输出第三人流密度；其中，所述第三人流密度为相同时间节点对应的第一人流密度与第二人流密度的均值；或响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于所述预设密度阈值，重新获取所述毫米波基站在基站覆盖区域内的雷达探测数据，并基于该雷达探测数据计算新的第一人流密度，以及重新获取所述毫米波基站在时间窗口内的时序数据，并基于该时序数据，计算新的第二人流密度，再次比较新的第一人流密度和所述新的第二人流密度的差值；其中，所述新的第一人流密度与所述新的第二人流密度对应相同时间节点。
6.根据权利要求1所述的基于毫米波基站的人流密度检测方法，其特征在于，所述方法还包括：将所述毫米波基站的基站覆盖区域分割为Q个子区域；Q为正整数；
获取所述毫米波基站中的N个毫米波节点的到达角数据；
确定每个所述到达角数据的方位；
根据每个所述到达角数据的方位，将对应的终端划分至所属的子区域；
基于每个子区域的终端接入数以及每个子区域的面积，确定每个子区域的人流密度。
7.一种基于毫米波基站的人流密度检测系统，其特征在于，包括：
获取模块，用于获取毫米波基站在基站覆盖区域内的雷达探测数据；
空间点云数据生成模块，用于将所述雷达探测数据转换为空间点云数据；
人体检测模块，用于从所述空间点云数据中提取出人体数据，并基于所述人体数据统计所述基站覆盖区域内的人体个数；
密度估计模块，用于基于所述基站覆盖区域内的人体个数，以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的人流密度；
其中，所述系统还用于，获取所述毫米波基站在时间窗口内的时序数据；其中，所述时序数据中的每个数据元素包括当前时间节点对应的个毫米波节点的终端接入数以及当前时间节点对应的流量；基于所述毫米波基站在时间窗口内的时序数据，确定在所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度；
及具体用于基于Informer层对所述时序数据中的每个数据元素进行嵌入，获取每个数据元素对应的嵌入值；基于每个数据元素对应的嵌入值以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度；
以及具体用于通过MSGNet层对每个数据元素对应的嵌入值进行处理，获取每个数据元素的缩放表征；通过Softmax层输出每个数据元素的缩放表征，并结合所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。 说明书 : 一种基于毫米波基站的人流密度检测方法及系统技术领域[0001] 本发明涉及通信技术领域，尤其是一种毫米波基站的人流密度检测方法及系统。背景技术[0002] 在当今这个日新月异、快速发展的社会中，随着城市化浪潮的汹涌和人口数量的持续增长，大型集会、繁华商场、交通枢纽等人流密集之地屡见不鲜。在这些地方，实现对人口密度的精准感知，对于提升公共安全管理水平具有至关重要的作用。特别是在火灾、地震等紧急状况中，实时、精确的人流数据能够协助应急响应团队迅速评估现场态势，科学制定疏散方案，从而最大限度地降低人员伤亡和财产损失。而在日常运营中，对场所内人流密度的了解同样至关重要。它不仅能够帮助管理者优化资源配置，提升运营效率，还能够在很大程度上确保顾客体验和服务质量的提升。[0003] 传统的人流监控方法，如光学视频分析和红外传感器，虽然被广泛使用，但它们各自存在局限性。例如，光学视频分析受限于光照条件和视线遮挡，难以在全时段和复杂环境下保持高准确度；红外传感器则可能因环境因素，如温度波动，而产生误差。此外，这些方法通常涉及对个人形象的捕捉，引发隐私保护的担忧。发明内容[0004] 为解决上述现有技术问题，本发明提供一种毫米波基站的人流密度检测方法及系统。[0005] 第一方面，本申请实施例提供一种基于毫米波基站的人流密度检测方法，包括：[0006] 获取毫米波基站在基站覆盖区域内的雷达探测数据；[0007] 将所述雷达探测数据转换为空间点云数据；[0008] 从所述空间点云数据中提取出人体数据，并基于所述人体数据统计所述基站覆盖区域内的人体个数；[0009] 基于所述基站覆盖区域内的人体个数，以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的第一人流密度。[0010] 可选地，所述获取毫米波基站在基站覆盖区域内的雷达探测数据，包括：[0011] 获取所述毫米波基站在基站覆盖区域内的初始雷达探测数据；[0012] 对所述初始雷达探测数据进行去噪；[0013] 通过设定的距离补偿函数对去噪后的初始雷达探测数据进行强度矫正，得到所述雷达探测数据。[0014] 可选地，所述从所述空间点云数据中提取出人体数据，包括：[0015] 基于卷积神经网络或点云提取算法提取所述空间点云数据中的空间特征；[0016] 将所述空间特征输入至预先构建的分类器中，识别出人体特征；[0017] 基于所述人体特征，确定所述空间点云数据中的人体数据。[0018] 可选地，所述方法还包括：获取所述毫米波基站在时间窗口内的时序数据；其中，所述时序数据中的每个数据元素包括当前时间节点对应的毫米波节点的终端接入数以及当前时间节点对应的流量；[0019] 基于所述毫米波基站在时间窗口内的时序数据，确定在所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0020] 可选地，所述方法还包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值小于预设密度阈值，输出该第一人流密度或该第二人流密度。[0021] 可选地，所述方法还包括：[0022] 响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于所述预设密度阈值，输出第三人流密度；其中，所述第三人流密度为相同时间节点对应的第一人流密度与第二人流密度的均值；[0023] 或响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于所述预设密度阈值，重新获取所述毫米波基站在基站覆盖区域内的雷达探测数据，并基于该雷达探测数据计算新的第一人流密度，以及重新获取所述毫米波基站在时间窗口内的时序数据，并基于该时序数据，计算新的第二人流密度，再次比较新的第一人流密度和所述新的第二人流密度的差值；其中，所述新的第一人流密度与所述新的第二人流密度对应相同时间节点。[0024] 可选地，所述基于所述毫米波基站在时间窗口内的时序数据，确定在所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，包括：[0025] 基于Informer层对所述时序数据中的每个数据元素进行嵌入，获取每个数据元素对应的嵌入值；[0026] 基于每个数据元素对应的嵌入值以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0027] 可选地，所述基于每个数据元素对应的嵌入值以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，包括：[0028] 通过MSGNet层对每个数据元素对应的嵌入值进行处理，获取每个数据元素的缩放表征；[0029] 通过Softmax层输出每个数据元素的缩放表征，并结合所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0030] 可选地，所述方法还包括：[0031] 将所述毫米波基站的基站覆盖区域分割为Q个子区域；Q为正整数；[0032] 获取所述毫米波基站中的N个毫米波节点的到达角数据；确定每个所述到达角数据的方位；[0033] 根据每个所述到达角数据的方位，将对应的终端划分至所属的子区域；[0034] 基于每个子区域的终端接入数以及每个子区域的面积，确定每个子区域的人流密度。[0035] 第二方面，本申请还提供一种基于毫米波基站的人流密度检测系统，包括：[0036] 获取模块，用于获取毫米波基站在基站覆盖区域内的雷达探测数据；[0037] 空间点云数据生成模块，用于将所述雷达探测数据转换为空间点云数据；[0038] 人体检测模块，用于从所述空间点云数据中提取出人体数据，并基于所述人体数据统计所述基站覆盖区域内的人体个数；[0039] 密度估计模块，用于基于所述基站覆盖区域内的人体个数，以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的人流密度。[0040] 本发明的有益效果包括：本申请实施例首先获取毫米波基站在基站覆盖区域内的雷达探测数据，然后将其进行数据转换为空间点云数据，再从空间点云数据中提取出人体数据，接着，基于人体数据统计基站覆盖区域内的人体个数。最后，将基站覆盖区域内的人体个数除以基站覆盖区域的面积即可得到毫米波基站的基站覆盖区域的第一人流密度。可见，本申请实施例提供一种采用毫米波雷达技术的人流密度检测方法，其利用已有的毫米波基站资源，进行空间范围内人流密度的检测，该方式不受光线与天气影响，且能够保护个人隐私。附图说明[0041] 图1为本发明实施例所提供的一种基于毫米波基站的人流密度检测方法的步骤流程图。[0042] 图2为本发明实施例所提供的另一种基于毫米波基站的人流密度检测方法的步骤流程图。[0043] 图3为本发明实施例所提供的又一种基于毫米波基站的人流密度检测方法的步骤流程图。[0044] 图4为本发明实施例所提供的一种基于毫米波基站的人流密度检测系统的模块框图。[0045] 图5为本发明实施例所提供的一种电子设备的模块框图。具体实施方式[0046] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。[0047] 另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。[0048] 传统的人流监控方法，如光学视频分析和红外传感器，虽然被广泛使用，但它们各自存在局限性。例如，光学视频分析受限于光照条件和视线遮挡，难以在全时段和复杂环境下保持高准确度；红外传感器则可能因环境因素，如温度波动，而产生误差。此外，这些方法通常涉及对个人形象的捕捉，引发隐私保护的担忧。[0049] 鉴于上述问题，本申请提出以下实施例以解决上述技术问题。[0050] 请参阅图1，本申请实施例提供一种基于毫米波基站的人流密度检测方法，包括：步骤101 步骤104。~[0051] 步骤101：获取毫米波基站在基站覆盖区域内的雷达探测数据。[0052] 需要说明的是，由于毫米波雷达技术以其高穿透力、对光照和气候条件的低依赖性，并且对个人隐私具有无侵入性的特点，因此，利用毫米波技术作为人流检测领域的新选择。即，首先，获取毫米波基站在其基站覆盖区域内的雷达探测数据。[0053] 步骤102：将雷达探测数据转换为空间点云数据。[0054] 该步骤，用于进行数据转换，将雷达探测数据转换为三维的空间点云数据。[0055] 步骤103：从空间点云数据中提取出人体数据，并基于人体数据统计基站覆盖区域内的人体个数。[0056] 该步骤中，涉及数据的分类，即从空间点云数据中筛选出人体数据，进而利用人体数据统计出在整个基站覆盖区域内的人体个数。[0057] 步骤104：基于基站覆盖区域内的人体个数，以及基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的第一人流密度。[0058] 其中，毫米波基站的基站覆盖区域的第一人流密度的计算可以参考如下公式，包括： ，其中，D表示第一人流密度，N表示基站覆盖区域内的人体个数，A表示基站覆盖区域的面积。[0059] 综上，本申请实施例提供的一种毫米波基站的人流密度检测方法具备如下有益效果，包括：[0060] 本申请实施例首先获取毫米波基站在基站覆盖区域内的雷达探测数据，然后将其进行数据转换为空间点云数据，再从空间点云数据中提取出人体数据，接着，基于人体数据统计基站覆盖区域内的人体个数。最后，将基站覆盖区域内的人体个数除以基站覆盖区域的面积即可得到毫米波基站的基站覆盖区域的第一人流密度。可见，本申请实施例提供一种采用毫米波雷达技术的人流密度检测方法，其利用已有的毫米波基站资源，进行空间范围内人流密度的检测，该方式不受光线与天气影响，且能够保护个人隐私。[0061] 换言之，该方式相较于现有技术中通过视频方式进行检测来说，不会受到光照变化或视线遮挡的问题，同时对个人隐私具有无侵入性的特点，能够保护个人隐私。[0062] 该方式相较于现有技术中通过红外传感器进行检测来说，其稳定性和准确性较高，不会受到温度波动等环境因素而产生较大误差。并且，采用红外传感器也通常会涉及对个人形象的捕捉，也缺乏隐私的保护。[0063] 可选地，上述步骤获取毫米波基站在基站覆盖区域内的雷达探测数据，可以包括：获取毫米波基站在基站覆盖区域内的初始雷达探测数据；对初始雷达探测数据进行去噪；通过设定的距离补偿函数对去噪后的初始雷达探测数据进行强度矫正，得到雷达探测数据。[0064] 需要说明的是，初始雷达探测数据通常包括距离、角度和多普勒频移数据。在这里，可以先对初始雷达探测数据进行去噪，以提高数据质量。[0065] 具体的，可以使用低通滤波器或其他信号处理技术来减少数据中的噪声，去噪处理的公式可以包括： 。其中， 表示去噪后的初始雷达探测数据； 表示初始雷达探测数据； 表示滤波。[0066] 然后，可以通过距离调整信号强度，补偿信号衰减，具体公式如下：。其中， 表示距离补偿函数，d是从雷达到目标的距离；表示最后得到的雷达探测数据。[0067] 可选地，上述步骤将雷达探测数据转换为空间点云数据的过程可以具体包括：将雷达探测数据转换为点云格式，每个点表示空间中的一个物体位置，包括坐标转换和数据结构化。首先将雷达的极坐标数据（距离和角度）转换为笛卡尔坐标系 ，转换方式如下所示：[0068] ；[0069] 其中r是目标距离雷达的直线距离， 是方位角， 是仰角。然后将转换后的坐标数据组织为点云数据结构，通常包括点的位置和可能的额外属性（如反射强度）。[0070] 可选地，上述步骤从空间点云数据中提取出人体数据，包括：基于卷积神经网络或点云提取算法提取空间点云数据中的空间特征；将空间特征输入至预先构建的分类器中，识别出人体特征；基于人体特征，确定空间点云数据中的人体数据。[0071] 即，从空间点云数据中检测出人体，包括特征提取和人体识别。本申请实施例，可以使用3D卷积神经网络（CNN）或点云特征提取算法（如PointNet或PointNet++）提取空间特征。将提取的特征输入到分类器（如支持向量机SVM或深度学习模型）中，进而识别出人体，进而可以确定出空间点云数据中的人体数据。[0072] 在获取了人体数据后，即可对人体个数进行统计。[0073] 考虑到人体之间存在交叉重叠的问题，本申请实施例还可以基于JPDA（JointProbabilisticDataAssociation）或MHT（MultipleHypothesisTracking）算法检测目标之间的相互作用和重叠，进而提高更加准确地人体个数统计。[0074] 请参阅图2，本申请实施例提供的基于毫米波基站的人流密度检测方法还包括：步骤201 步骤202。~[0075] 步骤201：获取毫米波基站在时间窗口T内的时序数据。[0076] 其中，时序数据中的每个数据元素包括当前时间节点对应的N个毫米波节点的终端接入数以及当前时间节点对应的流量。[0077] 在这里，可以通过网络检测软件如TemsInvestigation、NetSpot等对毫米波节点的终端接入数进行统计，假设每个基站有N个毫米波节点，得到每个毫米波节点当前时刻的接入数 。[0078] 下行流量数据可以通过对基站流量日志进行分析获取当前时间段T的下行流量情况，或通过运营商管理工具进行测定，获得基站的总流量F。[0079] 具体的，以时间T为观察窗口，将总流量F和每个毫米波节点的接入数即可构成时序数据；[0080] 该公式中， 则表示一个数据元素，n=1，2...。[0081] 步骤202：基于毫米波基站在时间窗口T内的时序数据，确定在毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0082] 可见，本申请实施例中还提供一种通过构建的毫米波基站在时间窗口T内的时序数据进行测算，以获取在毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0083] 需要说明的是，本申请实施例提供两种基于毫米波基站的人流密度检测，二者可以相互配合以实现更加准确地人流密度检测。[0084] 具体的，第一种判断方式，包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值小于预设密度阈值，输出该第一人流密度或该第二人流密度。[0085] 即，当相同时间节点对应的第一人流密度与第二人流密度差值小于预设密度阈值，则说明两种方式进行测量的人流密度误差很。耸笨梢允涑龈玫谝蝗肆髅芏然虻诙人流密度作为当前时间节点所对应的人流密度结果。[0086] 可见，本申请实施例通过将两种方式所测量的人流密度进行比较，以确定二者的误差，通过误差与预设密度阈值的比较来保证输出结果具备可靠性。[0087] 上述的预设密度阈值可以根据实际情况进行设定，对于具体的数值不作限定。[0088] 具体的，第二种判断方式，包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于预设密度阈值，输出第三人流密度；其中，第三人流密度为相同时间节点对应的第一人流密度与第二人流密度的均值。[0089] 即，当相同时间节点对应的第一人流密度与第二人流密度的差值大于预设密度阈值，则表征两种方式进行测量的人流密度之间存在较大的误差。需要说明的是，两种方式均可能受到不同的影响因素导致与真实人流密度存在一定的差异，因此，此处的处理方式为输出第一人流密度与第二人流密度的均值，以通过取平均值的方式降低误差。[0090] 具体的，第三种判断方式，包括：响应于相同时间节点对应的第一人流密度与第二人流密度的差值大于预设密度阈值，重新获取毫米波基站在基站覆盖区域内的雷达探测数据，并基于该雷达探测数据计算新的第一人流密度，以及重新获取毫米波基站在时间窗口T的时序数据，并基于该时序数据，计算新的第二人流密度，再次比较新的第一人流密度和新的第二人流密度的差值；其中，新的第一人流密度与新的第二人流密度对应相同时间节点。[0091] 即，当相同时间节点对应的第一人流密度与第二人流密度的差值大于预设密度阈值，则表征两种方式进行测量的人流密度之间存在较大的误差。需要说明的是，两种方式均可能受到不同的影响因素导致与真实人流密度存在一定的差异，因此，此处的处理方式为采用两种方式进行重新计算，以对新的第一人流密度与新的第二人流密度进行重新比较和输出，通过该方式，可以排除因计算原因或采集的数据异常所导致的误差较大的情况。[0092] 需要说明的是，当新的第一人流密度与新的第二人流密度的差值仍大于预设密度阈值，则可以采用第二种判断方式，输出二者的均值。[0093] 可选地，上述步骤基于毫米波基站在时间窗口T内的时序数据，确定在毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，还可以具体包括：基于Informer层对时序数据中的每个数据元素进行嵌入，获取每个数据元素对应的嵌入值；基于每个数据元素对应的嵌入值以及基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0094] 具体的，使用Informer层对Data中的数据元素进行嵌入，具体为首先对 进行归一化，得到 ，然后将其送入一维卷积 ，使其被投射到一个多维的矩阵，公式如下：[0095] ；[0096] 该公式中，PE表示Data中每个元素的嵌入位置（时间上的截断点）， 表示每个元素的科学系全局时间戳嵌入； 表示嵌入值。嵌入值可以用于表征该时间节点所对应的人口数量（人体个数）。[0097] 在得到嵌入值之后，即可基于每个数据元素对应的嵌入值以及基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0098] 可选地，上述步骤基于每个数据元素对应的嵌入值以及基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度，还可以具体包括：通过MSGNet层对每个数据元素对应的嵌入值进行处理，获取每个数据元素的缩放表征；通过Softmax层输出每个数据元素的缩放表征，并结合基站覆盖区域的面积，确定毫米波基站的基站覆盖区域的不同时间节点对应的第二人流密度。[0099] 具体的，得到嵌入值后通过MSGNet层对每个数据元素对应的嵌入值进行缩放表征，公式如下：[0100] ；[0101] 上述公式中， 表示计算后的缩放表征；该步骤中进行缩放表征的目的是尽量减少一些不稳定接入在数据层面造成的污染。最后结合基站的覆盖面积 对人口密度进行计算：[0102] ；[0103] 上述公式中，Softmax输出的为每个缩放表征所对应时间段的人口数量，通过除以基站的覆盖面积即可得到该区域不同时间节点对应的人口密度 。[0104] 请参阅图3，可选地，上述方法还包括：步骤301 步骤305。~[0105] 步骤301：将毫米波基站的基站覆盖区域分割为Q个子区域。其中，Q为正整数。在本申请实施例中，Q可以为4，即将毫米波基站的基站覆盖区域分割为A，B，C，D四个区域。[0106] 步骤302：获取毫米波基站中的N个毫米波节点的到达角数据。[0107] 步骤303：确定每个到达角数据的方位。[0108] 步骤304：根据每个到达角数据的方位，将对应的终端划分至所属的子区域。[0109] 步骤305：基于每个子区域的终端接入数以及每个子区域的面积，确定每个子区域的人流密度。[0110] 具体的，上述过程通过对通信波束形成的指纹进行分析以进行区域性的人口密度细分，在本申请实施例中将基站覆盖范围划分为四个区域（A、B、C、D）并建立世界坐标系，通过计算每个区域的人口数目以获得每个区域具体的人口密度。[0111] 具体而言首先获取不同毫米波节点的到达角数据x，随后将角度范围按照世界坐标系划分为N个部分 ，并生成基向量，以及构建矩阵。[0112] 使用经典OMP（OrthogonalMatchingPursuit，正交匹配追踪）算法计算矩阵中每个基向量的内积 ，取内积最大的基向量并将其加入至重构矩阵。将信号重构为 ，用 替换内积计算中使用的数据并重复预设次数。最后所得重构矩阵 即表示对应到达角数据x的方位，根据方位将对应的终端划分至所属的子区域，最后，即可基于每个子区域的终端接入数以及每个子区域的面积，确定每个子区域的人流密度。[0113] 综上可知，本发明实施例还提出了一种基于毫米波基站的场景人口密度感知方法，也可以弥补现有基于红外或视频图像传感器的缺陷，通过构造时序数据对基站区域的总人口进行测算，利用MSGNet对嵌入结果进行缩放表征减少了不稳定接入对测算结果的影响，提高了感知精度。此外，利用到达角数据对区域进行更细致的划分，以提供更细致的下游任务指导信息。该方式的优势在于，减少了隐私顾虑，利用现有的毫米波基站对人口数据进行测定，无需额外的专用的设备，降低了成本。[0114] 请参阅图4，基于同一发明构思，本申请还提供一种基于毫米波基站的人流密度检测系统400，包括：获取模块401，用于获取毫米波基站在基站覆盖区域内的雷达探测数据；空间点云数据生成模块402，用于将所述雷达探测数据转换为空间点云数据；人体检测模块403，用于从所述空间点云数据中提取出人体数据，并基于所述人体数据统计所述基站覆盖区域内的人体个数；密度估计模块404，用于基于所述基站覆盖区域内的人体个数，以及所述基站覆盖区域的面积，确定所述毫米波基站的基站覆盖区域的人流密度。[0115] 请参阅图5，基于同一发明构思，本申请实施例提供一种应用上述方法的电子设备500的模块框体。该电子设备500包括：至少一个处理器501（图5中仅示出一个）、存储器502、存储在存储器502中并可在至少一个处理器501上运行的计算机程序503，处理器501执行计算机程序503时实现前述任意实施例中的方法的步骤。[0116] 该电子设备500可以是服务器、个人计算机等等。本领域技术人员可以理解，图5仅仅是电子设备500的举例，并不构成对电子设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。[0117] 所称处理器501可以是中央处理单元（CentralProcessingUnit，CPU），该处理器501还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field?ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0118] 所述存储器502在一些实施例中可以是电子设备500的内部存储单元，例如电子设备500的硬盘或内存。所述存储器502在另一些实施例中也可以是电子设备500的外部存储设备，例如电子设备500上配备的插接式硬盘，智能存储卡（SmartMediaCard，SMC），安全数字（SecureDigital，SD）卡，闪存卡（FlashCard）等。进一步地，存储器502还可以既包括电子设备500的内部存储单元也包括外部存储设备。[0119] 需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。[0120] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0121] 本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。[0122] 本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。[0123] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read?OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。[0124] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其他实施例的相关描述。[0125] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0126] 在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。[0127] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0128] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

专利地区：西藏

专利申请日期：2024-07-08

专利公开日期：2024-11-19

专利公告号：CN118509805B