本發(fā)明涉及通信，尤其是涉及基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法。

背景技術(shù)：

1、隨著移動(dòng)通信技術(shù)的發(fā)展，基站的數(shù)量不斷增加，而其能耗問(wèn)題也日益突出。目前5g基站設(shè)備能耗占整個(gè)無(wú)線網(wǎng)絡(luò)能耗相當(dāng)大的比例，為了實(shí)現(xiàn)基站綠色節(jié)能，因此需要尋找一種有效的方法來(lái)檢查用戶數(shù)量，并據(jù)此調(diào)節(jié)基站的工作模式。

2、現(xiàn)有技術(shù)中存在通過(guò)人物識(shí)別模型來(lái)識(shí)別人物并進(jìn)行用人數(shù)統(tǒng)計(jì)，根據(jù)人數(shù)來(lái)分配5g基站資源達(dá)到節(jié)能的目的，現(xiàn)有人物識(shí)別模型已經(jīng)能夠?qū)崿F(xiàn)識(shí)別和定位多種不同目標(biāo)的能力，但是這些模型采用的計(jì)算方法的應(yīng)用具有一定局限性，限制了它們?cè)趯?shí)際場(chǎng)景中的應(yīng)用，例如特征金字塔結(jié)構(gòu)進(jìn)行特征融合，然而各種特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)無(wú)法有效利用所有金字塔特征圖之間的相關(guān)性，再如卷積的固有局限性，包括局部感受野合輸入內(nèi)容的獨(dú)立性，限制了模型捕捉長(zhǎng)距離的能力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明主要是解決現(xiàn)有技術(shù)通過(guò)人物數(shù)量統(tǒng)計(jì)分配基站資源，對(duì)人物數(shù)量統(tǒng)計(jì)不精確，影響基準(zhǔn)資源分配，以及對(duì)人物識(shí)別采用模型應(yīng)用存在局限性，限制實(shí)際場(chǎng)景中應(yīng)用的問(wèn)題，提供了一種基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法。

2、本發(fā)明的上述技術(shù)問(wèn)題主要是通過(guò)下述技術(shù)方案得以解決的：基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法，包括以下步驟：

3、s1.周期掃描時(shí)間節(jié)點(diǎn)采集監(jiān)控第一視頻圖像；

4、s2.采用自注意力與卷積深度學(xué)習(xí)融合的人物識(shí)別模型對(duì)第一視頻圖像進(jìn)行人物識(shí)別和計(jì)數(shù)；

5、s3.分析人物運(yùn)動(dòng)趨勢(shì)動(dòng)態(tài)統(tǒng)計(jì)監(jiān)控區(qū)域人數(shù)；

6、s4.計(jì)算監(jiān)控區(qū)域用戶數(shù)，根據(jù)用戶數(shù)激活對(duì)應(yīng)基站容量資源。

7、本發(fā)明利用長(zhǎng)期的監(jiān)控設(shè)備，識(shí)別圖像中人物情況，結(jié)合基站的相關(guān)設(shè)置，合理分配基站的資源，使得5g基站進(jìn)一步減少能耗，降低整體運(yùn)營(yíng)成本，從而做到綠色節(jié)能。通過(guò)人物運(yùn)動(dòng)趨勢(shì)分析對(duì)人物出現(xiàn)在監(jiān)控圖像中進(jìn)行預(yù)測(cè)，根據(jù)人物實(shí)際移動(dòng)情況動(dòng)態(tài)統(tǒng)計(jì)監(jiān)控區(qū)域內(nèi)用戶數(shù)，提高了對(duì)人物數(shù)量統(tǒng)計(jì)的準(zhǔn)確度，從而能更準(zhǔn)確的根據(jù)人數(shù)對(duì)基站資源進(jìn)行合理分配，提高基站能源利用效率，減低基站能耗，降低整體運(yùn)營(yíng)成本。

8、作為一種優(yōu)選方案，所述的自注意力與卷積深度學(xué)習(xí)融合的人物識(shí)別模型，包括：

9、通過(guò)骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個(gè)不同尺度空間的特征映射，分別提取輸出各尺度空間的第一特征；

10、通過(guò)特征融合頸部對(duì)各尺度空間的第一特征進(jìn)行淺層特征交互，深層特征交互，以及各尺度空間第一特征進(jìn)行拼接，根據(jù)深層交互及拼接特征進(jìn)行上下文融合分別輸出各尺度空間的第二特征；

11、各第二特征輸入預(yù)測(cè)頭部生成多目標(biāo)輸出。

12、骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個(gè)不同尺度的空間分辨率較低但具有豐富語(yǔ)義信息的第一特征。各第一特征分別輸入特征融合頸部，每個(gè)第一特征輸入一個(gè)淺層特征交互模塊進(jìn)行淺層特征交互，淺層特征交互負(fù)責(zé)跨尺度的信息交換和融合，主要目標(biāo)是整合上一層級(jí)與來(lái)自同一層級(jí)以及骨干網(wǎng)絡(luò)中高分辨率淺層特征，旨在保留豐富的定位細(xì)節(jié)，以增強(qiáng)網(wǎng)絡(luò)的空間表現(xiàn)。經(jīng)過(guò)淺層特征交互模塊后進(jìn)入交叉階段分塊模塊，交叉階段分塊模塊為多分支結(jié)構(gòu)，允許在不同層次的特征之間進(jìn)行交互。經(jīng)過(guò)交叉階段分塊模塊后進(jìn)入深層特征交互模塊進(jìn)行深層特征交互，利用額外的深層信息來(lái)增強(qiáng)特征表示，主要是對(duì)淺層高分辨率層、淺層低分辨率層、同級(jí)的淺層以及前一層進(jìn)行信息聚合，通過(guò)多向連接豐富了輸出層的梯度信息。另外各尺度空間第一特征通過(guò)三元尺度序列融合模塊進(jìn)行拼接，具體的將不同尺度的特征圖進(jìn)行水平堆疊，并使用三維卷積提取其尺度序列特征。

13、作為一種優(yōu)選方案，骨干網(wǎng)絡(luò)包括三個(gè)依次連接的高效層聚合模塊，高效層聚合模塊提取特征輸出不同尺度的第一特征，其中最下層高效層聚合模塊經(jīng)過(guò)局部全局混合自注意力機(jī)制和相對(duì)位置增強(qiáng)自注意力機(jī)制獲取特征映射，并與該特征映射上層不同尺度特征映射堆疊輸出第一特征。

14、骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個(gè)不同尺度空間分辨率較低但具有豐富語(yǔ)義信息的特征映射，輸出的特征映射被送入三個(gè)高效層聚合模塊k1、k2、k3，這些模塊使用了注意力機(jī)制或其他方法來(lái)選擇性的關(guān)注重要的特征。

15、作為一種優(yōu)選方案，所述高效層聚合模塊對(duì)輸入信息進(jìn)行逐點(diǎn)卷積和特征分離操作，操作后分為第一支路和第二支路，第一支路經(jīng)過(guò)n個(gè)倒置殘差瓶頸處理后進(jìn)入特征堆疊，第二支路保留原始信息進(jìn)入特征堆疊，最后進(jìn)行逐點(diǎn)卷積后輸出信息；

16、所述局部全局混合自注意力機(jī)制包括三個(gè)輸入支路，第一輸入支路經(jīng)過(guò)線性投影層，層歸一化，一維卷積，層歸一化，壓縮激勵(lì)注意力后輸出全局信息，第二輸入支路經(jīng)過(guò)線性投影層，層歸一化，多頭自注意力，層歸一化，壓縮激勵(lì)注意力后輸出局部信息，全局信息，局部信息和原始輸入共同輸入自適應(yīng)混合全局與局部信息模塊，形成混合輸出，混合輸出經(jīng)過(guò)線性投影層變換后與原始輸入相加形成殘差連接，通過(guò)層歸一化處理輸出信息；

17、所述相對(duì)位置增強(qiáng)自注意力機(jī)制輸入分別進(jìn)入查詢矩陣線性投影層，鍵矩陣線性投影層，值矩陣線性投影層，參數(shù)矩陣線性投影層，矩陣線性投影層和鍵矩陣線性投影層輸出進(jìn)行矩陣乘后與偏置量相對(duì)位置相加，經(jīng)過(guò)softmax函數(shù)處理后與值矩陣線性投影層輸出進(jìn)行矩陣乘形成第一輸出，參數(shù)矩陣線性投影層輸出作用于tokens深度可分離卷積，經(jīng)過(guò)tokens級(jí)線性投影形成第二輸出，第一輸出與第二輸出相加獲得最終輸出。

18、本方案中高效層聚合模塊能夠高效學(xué)習(xí)具有表現(xiàn)力的多尺度特征表示。輸入信息經(jīng)過(guò)逐點(diǎn)卷積和特征分離操作，分為兩個(gè)支路。一個(gè)支路保留原始信息，然后直接進(jìn)入特征堆疊操作，而另一個(gè)支路經(jīng)過(guò)n個(gè)倒置殘差瓶頸單元的處理。由于高效層聚合的機(jī)制，分支以及通過(guò)每個(gè)倒置殘差瓶頸單元的輸出被保留并最終連接在一起。倒置殘差瓶頸單元的具體結(jié)構(gòu)，輸入順序通過(guò)逐點(diǎn)卷積來(lái)擴(kuò)展通道數(shù)，接著是k*k的異構(gòu)深度可分離卷積操作，最后通過(guò)逐點(diǎn)卷積來(lái)減少通道數(shù)并補(bǔ)償深度可分離卷積造成的信息損失。倒置殘差瓶頸在訓(xùn)練期間，網(wǎng)絡(luò)并行運(yùn)行n個(gè)不同大小的深度卷積。該模塊通過(guò)將大核卷積與幾個(gè)小核卷積并行化，在不產(chǎn)生額外推理成本的同時(shí)，擴(kuò)展了感知范圍，并保留了小目標(biāo)的信息。

19、局部全局混合自注意力機(jī)制，通過(guò)結(jié)合局部卷積層和全局自注意力層，聯(lián)合建模用戶的長(zhǎng)期和短期偏好，局部性偏好（通過(guò)cnn捕捉）和全局性偏好（通過(guò)transformer捕捉）結(jié)合起來(lái)，更全面地建模用戶的動(dòng)態(tài)偏好；自適應(yīng)混合全局與局部信息，在不同層中解耦融合過(guò)程，提升表達(dá)能力，并自適應(yīng)地聚合長(zhǎng)期和短期偏好（可以根據(jù)用戶的個(gè)性化需求調(diào)整局部和全局依賴模塊的混合重要性）；壓縮激勵(lì)注意力，用以替代softmax操作，允許同時(shí)考慮多個(gè)相關(guān)項(xiàng)目，增強(qiáng)模型表達(dá)能力（允許模型同時(shí)關(guān)注多個(gè)高度相關(guān)的對(duì)象，而不是像傳統(tǒng)softmax那樣只關(guān)注單一對(duì)象）。

20、壓縮激勵(lì)注意力：接收一個(gè)輸入張量，形狀為?[b,?n,?d]，其中b是批次大小，n是序列長(zhǎng)度，d是特征維度。

21、首先對(duì)輸入張量沿著特征維度d計(jì)算平均值，得到形狀為?[b,?n,?1]?的張量平均值。

22、將輸入張量平均值的維度進(jìn)行轉(zhuǎn)置操作，得到形狀為?[b,?1,?n]?的張量。

23、通過(guò)第一個(gè)線性層對(duì)轉(zhuǎn)置后的張量進(jìn)行變換，得到形狀為?[b,?1,?n/r]?的張量隱藏層狀態(tài)，其中?n/r?表示經(jīng)過(guò)壓縮后的維度。

24、應(yīng)用激活函數(shù)（relu），進(jìn)一步非線性地激活隱藏層狀態(tài)。

25、通過(guò)第二個(gè)線性層將激活后的張量變換回原序列長(zhǎng)度?[b,?1,?n]。

26、應(yīng)用sigmoid函數(shù)產(chǎn)生注意力權(quán)重張量注意力得分，形狀為?[b,?1,?n]。

27、再次轉(zhuǎn)置注意力得分以便與原始輸入張量相乘，得到形狀為?[b,?n,?1]?的張量。

28、自適應(yīng)混合全局與局部信息，接收三個(gè)輸入張量：模型輸入、全局信息和局部信息。

29、計(jì)算輸入張量在特征維度上的平均值，用于生成自適應(yīng)權(quán)重。

30、通過(guò)線性投影層和壓縮激勵(lì)注意力得到自適應(yīng)權(quán)重alpha并將其擴(kuò)展為?[b,?1,1]形狀（其中b表示輸入樣本批量大?。?/p>

31、beta被設(shè)置為1-alpha，表示剩余的比例。

32、根據(jù)這兩個(gè)權(quán)重，全局信息和局部信息被混合在一起，形成混合輸出。

33、混合輸出經(jīng)過(guò)線性投影層變換后，與原始輸入相加，形成殘差連接。

34、最終輸出通過(guò)dropout層和層歸一化進(jìn)行處理。

35、動(dòng)態(tài)地調(diào)整全局信息和局部信息之間的比重。利用殘差連接保持梯度流動(dòng)并減少梯度消失的風(fēng)險(xiǎn)。通過(guò)層規(guī)范化和dropout增強(qiáng)模型的泛化能力。

36、相對(duì)位置增強(qiáng)自注意力機(jī)制，位置信息的重要性，對(duì)于計(jì)算機(jī)視覺(jué)任務(wù)，圖像中的像素或補(bǔ)丁被視為token，其位置信息對(duì)于構(gòu)建圖像語(yǔ)義至關(guān)重要。自注意力機(jī)制的一個(gè)關(guān)鍵特性是它對(duì)token的排列順序不敏感，這意味著它不能直接利用token的位置信息。引入相對(duì)位置偏置:swin?transformer等方法，通過(guò)在注意力矩陣中引入額外的相對(duì)位置偏置來(lái)指導(dǎo)模型學(xué)習(xí)位置信息和基于內(nèi)容的注意力。相對(duì)位置增強(qiáng)自注意力機(jī)制進(jìn)一步發(fā)展了這一思想，通過(guò)建立一個(gè)獨(dú)立的值表示空間來(lái)捕獲位置依賴性。相對(duì)位置增強(qiáng)自注意力機(jī)制的數(shù)學(xué)公式：相對(duì)位置增強(qiáng)自注意力機(jī)制通過(guò)引入一個(gè)參數(shù)矩陣vrel將token轉(zhuǎn)換為新表示，以便通過(guò)相對(duì)位置混合信息。相對(duì)位置增強(qiáng)自注意力機(jī)制使用一個(gè)權(quán)重張量brel，該張量由相對(duì)位置索引。相對(duì)位置增強(qiáng)自注意力機(jī)制還保留了相對(duì)位置偏置b以賦予模型更大的靈活性。限制最大絕對(duì)距離:為了增強(qiáng)模型的泛化能力和簡(jiǎn)化實(shí)現(xiàn)，相對(duì)位置增強(qiáng)自注意力機(jī)制限制了每個(gè)軸上的最大絕對(duì)相對(duì)位置距離s。這樣做后，相對(duì)位置增強(qiáng)自注意力機(jī)制的計(jì)算可以簡(jiǎn)化為具有內(nèi)核尺寸?(2s+1)*(2s+1)的基于token的卷積。

37、作為一種優(yōu)選方案，所述特征融合頸部包括三層支路，每層支路依次包括淺層特征交互模塊，交叉階段分塊模塊，深層特征交互模塊，空間上下文感知模塊，淺層特征交互模塊接收同層及上一層第一特征，輸出淺層特征至交叉階段分塊模塊，交叉階段分塊模塊分發(fā)淺層特征至前部各深層特征交互模塊及后部上一層淺層特征交互模塊，深層特征交互模塊輸出深層特征至空間上下文感知模塊，三元尺度序列融合模塊獲取每層支路同層第一特征，特征拼接后輸入第一層空間上下文感知模塊，空間上下文感知模塊輸出全局上下文特征至后部下一層深層特征交互模塊以及輸出至預(yù)測(cè)頭部。

38、每個(gè)高效層聚合模塊之后，有一個(gè)淺層特征交互模塊，負(fù)責(zé)跨尺度的信息交換和融合。淺層特征交互模塊接下來(lái)是交叉階段分塊模塊，這是一個(gè)多分支結(jié)構(gòu)，允許在不同層次的特征之間進(jìn)行交互。深層特征交互模塊利用額外的深層信息來(lái)增強(qiáng)特征表示?？臻g上下文感知模塊可能捕捉到空間關(guān)系并生成更豐富的特征表示。

39、作為一種優(yōu)選方案，所述淺層特征交互模塊接收上一層和同層第一特征，及下一層淺層特征，上一層第一特征經(jīng)過(guò)深度可分離卷積形成深層信息，與同層第一特征，下一層淺層特征進(jìn)行堆疊輸出淺層特征；

40、所述深層特征交互模塊接收上一層，同層，下一層淺層特征，及前部上一層全局上下文特征，上一層淺層特征，下一層淺層特征，前部上一層全局上下文特征分別經(jīng)過(guò)深度可分離卷積后再與同層淺層特征相堆疊輸出深層特征；

41、所述三元尺度序列融合模塊包括三層分支，分別接收三層不同尺度第一特征，各經(jīng)過(guò)一個(gè)卷積模塊調(diào)整通道，第一層分支通過(guò)最大池化和平均池化進(jìn)行降采樣，再經(jīng)卷積模塊處理，第三層分支采用最近鄰插值法上采樣，在經(jīng)卷積模塊處理，然后三層分支特征進(jìn)行特征堆疊，再經(jīng)過(guò)三維卷積模塊處理輸出拼接特征；

42、所述上下文感知模塊包括三個(gè)分支，分別對(duì)輸入特征進(jìn)行全局平均池化，全局最大池化，逐點(diǎn)卷積，全局平均池化和全局最大池化后共同經(jīng)過(guò)softmax函數(shù)，矩陣乘，逐點(diǎn)卷積處理，逐點(diǎn)卷積經(jīng)過(guò)softmax函數(shù)，矩陣乘，逐點(diǎn)卷積處理，最后共同進(jìn)行哈達(dá)瑪積輸出全局上下文特征。

43、淺層特征交互模塊，精確的定位依賴于從淺層網(wǎng)絡(luò)中獲得的詳細(xì)邊緣信息，而精確的分類則需要更深層網(wǎng)絡(luò)來(lái)捕捉粗粒度信息。一個(gè)有效的特征金字塔網(wǎng)絡(luò)應(yīng)該支持淺層和深層網(wǎng)絡(luò)信息流的充分和充足融合；在骨干網(wǎng)絡(luò)中保留淺層空間信息對(duì)于增強(qiáng)較小目標(biāo)的檢測(cè)能力至關(guān)重要。然而，骨干網(wǎng)絡(luò)提供的信息相對(duì)基礎(chǔ)，容易受到干擾。因此將淺層信息作為輔助分支融入到深層網(wǎng)絡(luò)中，以確保后續(xù)層學(xué)習(xí)的穩(wěn)定性；主要目標(biāo)是整合深層信息與來(lái)自同一層以及骨干網(wǎng)絡(luò)中下一層的高分辨率淺層特征，旨在保留豐富的定位細(xì)節(jié)，以增強(qiáng)網(wǎng)絡(luò)的空間表現(xiàn)；使用1*1卷積來(lái)控制淺層信息中的通道數(shù)，確保在拼接操作中占比較小，不影響后續(xù)學(xué)習(xí)。通過(guò)雙向連接維護(hù)淺層主干信息，增強(qiáng)了網(wǎng)絡(luò)檢測(cè)小目標(biāo)的能力。

44、深層特征交互模塊，為了進(jìn)一步提高特征層信息的交互式利用，在更深層次進(jìn)行多尺度信息融合；這些連接跨越了淺層的高分辨率層、淺層的低分辨率層、同級(jí)的淺層以及前部空間上下文感知進(jìn)行信息聚合。通過(guò)多向連接豐富了輸出層的梯度信息。

45、三元尺度序列融合模塊，為了識(shí)別密集重疊的小物體，可以通過(guò)放大圖像來(lái)參考和比較不同尺度下的形狀或外觀變化。由于骨干網(wǎng)絡(luò)的不同特征層具有不同的尺寸，傳統(tǒng)的特征金字塔融合機(jī)制只是對(duì)小尺寸的特征圖進(jìn)行上采樣，然后將其分割或添加到上一層的特征中，忽略了大尺寸特征層豐富的細(xì)節(jié)信息。三元尺度序列融合模塊可以分割大、中、小尺寸的特征，添加大尺寸的特征圖，并進(jìn)行特征放大，以完善詳細(xì)的特征信息。它能更好地結(jié)合深度特征圖的高維信息和淺層特征圖的詳細(xì)信息。尺度空間是沿著圖像的尺度軸構(gòu)建的，它不僅表示一個(gè)尺度，還表示一個(gè)物體可能具有的各種尺度的范圍。將不同尺度的特征圖進(jìn)行水平堆疊，并使用三維卷積提取其尺度序列特征。高分辨率特征圖包含了對(duì)小型目標(biāo)的檢測(cè)至關(guān)重要的大部分信息。在進(jìn)行特征編碼之前，首先要調(diào)整特征通道的數(shù)量，使其與主要尺度特征保持一致。卷積模塊處理大尺寸特征圖后，將其通道數(shù)調(diào)整為?1c，然后采用最大池化加平均池化的混合結(jié)構(gòu)進(jìn)行降采樣，這有助于保留高分辨率特征和細(xì)胞圖像的有效性和多樣性。對(duì)于小尺寸的特征圖，同樣使用卷積模塊來(lái)調(diào)整通道數(shù)，然后使用最近鄰插值法進(jìn)行上采樣。這有助于保持低分辨率圖像局部特征的豐富性，防止小目標(biāo)特征信息的丟失。最后，將尺寸相同的大、中、小三個(gè)特征圖進(jìn)行一次卷積，然后在通道維度上進(jìn)行拼接，最后三維卷積、批量歸一化、激活函數(shù)。

46、空間上下文感知模塊，設(shè)計(jì)目的是在跨通道和空間維度上建模全局上下文信息，抑制無(wú)用的背景特征。結(jié)構(gòu)由三個(gè)分支組成，使用全局平均池化（gap）和全局最大池化（gmp）來(lái)整合全局信息。功能為：提取空間和通道之間的上下文關(guān)系。增強(qiáng)小目標(biāo)的特征表示，減少背景混淆。實(shí)現(xiàn)使用1x1卷積簡(jiǎn)化特征圖的線性變換。通過(guò)矩陣乘法計(jì)算通道和空間上下文信息。哈達(dá)瑪積操作，輸出包含全局上下文的特征圖。

47、作為一種優(yōu)選方案，所述步驟s3具體包括：

48、s31.通過(guò)深度學(xué)習(xí)分析人物運(yùn)動(dòng)狀態(tài)，確定運(yùn)動(dòng)狀態(tài)人物的移動(dòng)方向，計(jì)算人物移動(dòng)軌跡，判斷人物是否即將超出當(dāng)前視頻圖像范圍；

49、s32.若否，統(tǒng)計(jì)各個(gè)監(jiān)控區(qū)域人數(shù)，進(jìn)入步驟s4；

50、若是，根據(jù)任務(wù)移動(dòng)軌跡確定人物即將出現(xiàn)的所在范圍監(jiān)控，在設(shè)定延遲時(shí)間后獲取該監(jiān)控第二視頻圖像，對(duì)第二視頻圖像進(jìn)行人物識(shí)別和計(jì)數(shù)，統(tǒng)計(jì)各個(gè)監(jiān)控區(qū)域人數(shù)，進(jìn)入步驟s4，同時(shí)判斷當(dāng)前時(shí)間是否超出當(dāng)前掃描周期；

51、s33.若是，進(jìn)入下一掃描周期，返回步驟s1；

52、若否，返回步驟s31。

53、本方法在設(shè)定監(jiān)控區(qū)域內(nèi)布置攝像頭，采用一個(gè)或多個(gè)攝像頭，攝像頭經(jīng)可能覆蓋該監(jiān)控區(qū)域，例如設(shè)置一個(gè)攝像頭，該攝像頭覆蓋范圍設(shè)定為監(jiān)控區(qū)域，或是設(shè)置多個(gè)攝像頭，多個(gè)攝像頭覆蓋區(qū)域構(gòu)成一個(gè)監(jiān)控區(qū)域，攝像頭設(shè)定掃描周期，定期掃描或檢測(cè)圖像進(jìn)行用戶人數(shù)統(tǒng)計(jì)。當(dāng)分析出人物處于運(yùn)動(dòng)狀態(tài)，即人物可能會(huì)走出當(dāng)前監(jiān)控區(qū)域進(jìn)入其他監(jiān)控區(qū)域，不同監(jiān)控區(qū)域可能處于不同基站覆蓋范圍，因此需要根據(jù)人物移動(dòng)動(dòng)態(tài)來(lái)對(duì)監(jiān)控區(qū)域內(nèi)人數(shù)進(jìn)行重新統(tǒng)計(jì)，從而能更準(zhǔn)確的根據(jù)人數(shù)對(duì)基站資源進(jìn)行合理分配。本方案中通過(guò)深度學(xué)習(xí)分析人物運(yùn)動(dòng)趨勢(shì)，動(dòng)態(tài)統(tǒng)計(jì)監(jiān)控區(qū)域人數(shù)。通過(guò)深度學(xué)習(xí)分析當(dāng)前視頻圖像中人物的運(yùn)動(dòng)趨勢(shì)，根據(jù)人物的運(yùn)動(dòng)趨勢(shì)以判斷是否即將超出當(dāng)前視頻圖像范圍，另外進(jìn)一步的還包括分析視頻圖像中非全身的人物，非全身人物也被認(rèn)為即將超出視頻圖像范圍。人物的運(yùn)動(dòng)趨勢(shì)通過(guò)分析人物運(yùn)動(dòng)狀態(tài)，確定運(yùn)動(dòng)狀態(tài)人物的移動(dòng)方向，計(jì)算人物移動(dòng)軌跡，以此來(lái)判斷是否將超出視頻圖像范圍，同時(shí)根據(jù)移動(dòng)方向和移動(dòng)軌跡還可以預(yù)測(cè)人物即將出現(xiàn)在周邊的攝像頭覆蓋范圍，從而能夠調(diào)取周邊攝像頭的視頻圖像以確定該人物是否移動(dòng)過(guò)去。在判斷視頻圖像中有人物將超出視頻圖像范圍，則在設(shè)定的延遲時(shí)間后獲取任務(wù)將出現(xiàn)的監(jiān)控范圍的第二視頻圖像，延遲時(shí)間根據(jù)需求設(shè)定，延遲時(shí)間小于掃描周期時(shí)長(zhǎng)，例如可以根據(jù)攝像頭捕捉視頻幀的頻率來(lái)設(shè)定延遲時(shí)間，如攝像頭每隔一分鐘捕捉一次視頻幀，設(shè)定延遲時(shí)間為一分鐘。在獲得第二視頻圖像后，通過(guò)人物識(shí)別模型對(duì)人物進(jìn)行識(shí)別和計(jì)數(shù)，并標(biāo)記每個(gè)人物位置，同時(shí)對(duì)第二視頻圖像同樣進(jìn)行深度學(xué)習(xí)分析，識(shí)別出移動(dòng)至當(dāng)前圖像范圍的人物，此時(shí)重新對(duì)監(jiān)控即攝像頭計(jì)算的人數(shù)來(lái)統(tǒng)計(jì)各監(jiān)控區(qū)域的用戶人數(shù)，根據(jù)用戶人數(shù)對(duì)基站資源進(jìn)行動(dòng)態(tài)調(diào)整。同時(shí)還對(duì)第二視頻圖像中人物進(jìn)行運(yùn)動(dòng)趨勢(shì)分析，再判斷是否有人物即將超出第二視頻圖像范圍，如移動(dòng)至當(dāng)前圖像范圍的人物保持移動(dòng)，或是其他人物有移動(dòng)趨勢(shì)，重復(fù)上述操作，根據(jù)人物運(yùn)動(dòng)趨勢(shì)動(dòng)態(tài)統(tǒng)計(jì)監(jiān)控區(qū)域內(nèi)人數(shù)，并實(shí)時(shí)調(diào)整基站資源，直至延遲時(shí)間后獲得的周邊監(jiān)控的視頻圖像中人物不再移動(dòng)或是當(dāng)前時(shí)間超出了一個(gè)掃描周期，則停止操作進(jìn)入下一掃描周期，進(jìn)行下一掃描周期的操作。在第一視頻圖像中檢測(cè)出多人即將超出圖像范圍，以及在第二視頻圖像中檢測(cè)出其他人也即將超出圖像范圍，分別對(duì)這些人進(jìn)行追蹤，重復(fù)步驟s3。本方案采用小監(jiān)控區(qū)域，可以由一個(gè)或少數(shù)監(jiān)控?cái)z像頭構(gòu)成，人物移動(dòng)的情況不會(huì)過(guò)于復(fù)雜，能夠根據(jù)人物移動(dòng)來(lái)及時(shí)調(diào)節(jié)基站資源，以達(dá)到合理分配資源的目的。

54、作為一種優(yōu)選方案，在步驟s2后還包括：

55、判斷人物識(shí)別結(jié)果是否有人物出現(xiàn)，

56、若是，進(jìn)入步驟s3；若否，通知5g基站進(jìn)入等待，休眠或深度休眠狀態(tài)。

57、本方案在人物識(shí)別后首先包括對(duì)是否有人物出現(xiàn)進(jìn)行判斷，當(dāng)沒(méi)有任務(wù)出現(xiàn)，則通知5g基站進(jìn)入等待，休眠或深度休眠狀態(tài)，當(dāng)檢測(cè)到人物出現(xiàn)時(shí)再激活覆蓋基站，有效的提高基站能源利用效率，減低基站能耗，降低整體運(yùn)營(yíng)成本。

58、作為一種優(yōu)選方案，所述的計(jì)算監(jiān)控區(qū)域用戶數(shù)，具體包括：

59、獲取本業(yè)務(wù)區(qū)運(yùn)營(yíng)商用戶滲透率，計(jì)算各監(jiān)控區(qū)域的運(yùn)營(yíng)商用戶數(shù)；

60、獲取運(yùn)營(yíng)商的5g用戶占比，計(jì)算各監(jiān)控區(qū)域的運(yùn)營(yíng)商5g用戶。

61、為了統(tǒng)計(jì)5g用戶人數(shù)，需要輸入業(yè)務(wù)區(qū)域運(yùn)營(yíng)商數(shù)據(jù)，作為計(jì)算和分析的基礎(chǔ)，通過(guò)輸入業(yè)務(wù)區(qū)運(yùn)營(yíng)商用戶滲透率來(lái)計(jì)算出運(yùn)營(yíng)商用戶數(shù)，并通過(guò)輸入運(yùn)營(yíng)商5g用戶占比來(lái)計(jì)算出5g用戶人數(shù)。

62、作為一種優(yōu)選方案，還包括實(shí)時(shí)調(diào)整步驟，具體包括：

63、根據(jù)監(jiān)控區(qū)域用戶數(shù)計(jì)算用戶預(yù)計(jì)容量需求，同時(shí)獲取監(jiān)控器區(qū)域用戶實(shí)際容量需求；

64、比較用戶預(yù)計(jì)容量需求和用戶實(shí)際容量需求，根據(jù)用戶實(shí)際容量需求實(shí)時(shí)調(diào)整基站容量資源。

65、本方案在步驟s5后進(jìn)行，由于實(shí)際情況中用戶存在使用容量大或是使用容量少的問(wèn)題，需要全面統(tǒng)計(jì)和分析用戶的容量需求，以便更好的進(jìn)行資源規(guī)劃和調(diào)整。根據(jù)監(jiān)控區(qū)域內(nèi)統(tǒng)計(jì)的用戶數(shù)來(lái)估算出用戶預(yù)計(jì)容量需求，同時(shí)通過(guò)基站獲取監(jiān)控范圍內(nèi)用戶實(shí)際容量需求。計(jì)算用戶實(shí)際容量需求根據(jù)人物識(shí)別模型標(biāo)記的人物位置，再通過(guò)位置獲取監(jiān)控區(qū)域內(nèi)用戶，從基站統(tǒng)計(jì)這些用戶的實(shí)際容量需求。將用戶實(shí)際容量需求與用戶預(yù)計(jì)容量需求進(jìn)行比較，若用戶實(shí)際容量需求大于用戶預(yù)計(jì)容量需求，則調(diào)根據(jù)用戶實(shí)際容量需求來(lái)增加基站容量資源，如果實(shí)際用戶容量需求超過(guò)了當(dāng)前基站資源能力，則考慮增加基站資源以滿足需求，若用戶實(shí)際容量需求小于用戶預(yù)計(jì)容量需求，則不進(jìn)行操作。另外為了進(jìn)一步提高能源利用效率，減小基站能耗，若用戶實(shí)際容量需求小于用戶預(yù)計(jì)容量需求，同樣可以根據(jù)用戶實(shí)際容量需求來(lái)減少基站容量需求。實(shí)時(shí)調(diào)整步驟結(jié)束后一輪根據(jù)人數(shù)對(duì)基站資源的調(diào)整結(jié)束。

66、因此，本發(fā)明的優(yōu)點(diǎn)是：

67、利用長(zhǎng)期的監(jiān)控設(shè)備，識(shí)別圖像中人物情況，結(jié)合基站的相關(guān)設(shè)置，合理分配基站的資源，使得5g基站進(jìn)一步減少能耗，降低整體運(yùn)營(yíng)成本，從而做到綠色節(jié)能。通過(guò)人物運(yùn)動(dòng)趨勢(shì)分析對(duì)人物出現(xiàn)在監(jiān)控圖像中進(jìn)行預(yù)測(cè)，根據(jù)人物實(shí)際移動(dòng)情況動(dòng)態(tài)統(tǒng)計(jì)監(jiān)控區(qū)域內(nèi)用戶數(shù)，提高了對(duì)人物數(shù)量統(tǒng)計(jì)的準(zhǔn)確度，從而能更準(zhǔn)確的根據(jù)人數(shù)對(duì)基站資源進(jìn)行合理分配，提高基站能源利用效率，減低基站能耗，降低整體運(yùn)營(yíng)成本。

68、人物識(shí)別模型通過(guò)采用三元尺度序列融合模型，可以分割大、中、小尺寸的特征，添加大尺寸的特征圖，并進(jìn)行特征放大，以完善詳細(xì)的特征信息，能更好地結(jié)合深度特征圖的高維信息和淺層特征圖的詳細(xì)信息；采用相對(duì)位置增強(qiáng)注自意力機(jī)制，彌補(bǔ)自注意力的位置盲點(diǎn)，模型具有了從內(nèi)容和位置捕獲依賴關(guān)系的強(qiáng)有力能力；采用空間上下文感知模塊，提取空間和通道之間的上下文關(guān)系，增強(qiáng)小目標(biāo)的特征表示，減少背景混淆；采用局部全局混合注自意力機(jī)制，局部性偏好和全局性偏好結(jié)合起來(lái)，更全面地建模用戶的動(dòng)態(tài)偏好。