跟踪聚合和对齐的制作方法

本申请要求于2019年4月2日提交的题为“Tracking Aggregation and Alignment”的美国临时申请号62/828,198的优先权和权益，其出于所有目的通过引用以其整体特此并入。

背景技术

本公开总体上涉及跟踪系统。更具体地，本公开的某些实施例涉及跟踪系统之间的跟踪系统数据的聚合和切换以促进对环境内的对象的更高效和有效的跟踪。

在数字时代中，随着数字传感器的增加，对象跟踪已经变得越来越期望。不幸的是，在大型/开放环境中，用户跟踪是非常具有挑战性的前景，尤其是在期望准确的位置和活动跟踪时。如本文中所使用的，开放环境是指允许被跟踪对象在相对少限制的情况下在多个方向上移动的区域。例如，这样的环境可能包括游乐园、机场、购物中心或其他可能具有多个跟踪覆盖区的相对较大规模的环境。准确跟踪独特的个体是具有挑战性的，尤其是在开放环境中以及在人群密度存在阻碍（其中一个个体可能阻止另一个体）问题的情况下。

本部分旨在向读者介绍可能与下面描述和/或要求保护的本技术的各个方面相关的本领域的各个方面。本讨论被认为有助于向读者提供背景信息，以促进更好地理解本公开的各个方面。因此，应当理解，这些陈述要就此而论而不是作为对现有技术的承认来阅读。

技术实现要素：

下面概述了与原始要求保护的主题在范围上相称的某些实施例。这些实施例不旨在限制本公开的范围，而是这些实施例仅旨在提供某些公开的实施例的简要概述。实际上，本公开可以包含可以与以下阐述的实施例类似或不同的多种形式。

本文中描述的实施例涉及一种跟踪系统，其在跟踪系统之间高效地聚合和/或传送跟踪数据，使得一个跟踪传感器的上下文能够增强对其他跟踪传感器的跟踪。更具体地，由一个跟踪传感器确定的上下文信息（例如，位置、时间、被跟踪对象身份）可用于促进对其他传感器的更高效和/或更有效的跟踪。例如，这样的上下文信息可导致被跟踪对象的身份的可信度增加，可以导致对可归因于被跟踪对象的可能身份的高效过滤等。这可以导致增加的处理效率并且还可以实现更粒度的（granular）开放环境中的对象的跟踪。

举例来说，在第一实施例中，一种有形的、非暂时性、机器可读介质包括机器可读指令，当由机器的一个或多个处理器执行时，该指令使机器：从第一跟踪传感器系统接收第一被跟踪对象的被跟踪目标上下文；将来自第一跟踪传感器系统的被跟踪目标上下文提供给不同于第一跟踪传感器系统的第二跟踪传感器系统；以及基于来自第一跟踪传感器系统的被跟踪目标上下文引起由第二跟踪传感器系统对新观察到的被跟踪目标的识别。

在第二实施例中，一种计算机实现的方法包括：从第一跟踪传感器系统接收第一被跟踪对象的被跟踪目标上下文；将来自第一跟踪传感器系统的被跟踪目标上下文提供给不同于第一跟踪传感器系统的第二跟踪传感器系统；以及基于来自第一跟踪传感器系统的被跟踪目标上下文引起由第二跟踪传感器系统对新观察到的被跟踪目标的识别。

在第三实施例中，一种系统包括：第一跟踪传感器系统、第二跟踪传感器系统、和上下文跟踪传感器系统。第一跟踪传感器系统在第一覆盖区域中跟踪第一被跟踪对象。第二跟踪传感器系统在第二覆盖区域中跟踪第二被跟踪对象。上下文跟踪系统从第一跟踪传感器系统接收第一被跟踪对象的被跟踪目标上下文；将来自第一跟踪传感器系统的被跟踪目标上下文提供给不同于第一跟踪传感器系统的第二跟踪传感器系统；以及基于来自第一跟踪传感器系统的被跟踪目标上下文引起对第二被跟踪对象的识别。

附图说明

当参考附图阅读以下详细描述时，本公开的这些和其他特征、方面和优点将变得更好理解，其中在整个附图中相同的字符代表相同的部分，其中：

图1是图示了根据本公开的实施例的具有上下文跟踪系统的多传感器跟踪部件的示意图；

图2是图示了根据本公开的实施例的使用图1的系统的开放环境的示意图；

图3是图示了根据实施例的用于识别跟踪上下文的过程的流程图；

图4是图示了根据实施例的用于使用获取的上下文来识别后续跟踪传感器处的上下文的过程的流程图；

图5是图示了根据实施例的用于使用置信度区间来确定用于目标识别的充分上下文的过程的流程图；

图6是图示了根据实施例的用于增加跟踪输入的示例转移的示意图；

图7是图示了根据实施例的用于基于提供的传感器上下文过滤可能的识别预测的过程的流程图；

图8是图示了根据实施例的基于被跟踪身份的示例控制动作的示意图；

图9是根据实施例的用于使用机器学习技术将个体分类成组的流程图；

图10是根据实施例的分组和未分组的个体的图示；

图11是根据实施例的用于基于服从（compliance）规则改变交互式环境的用例的图示；以及

图12是图示了根据实施例的基于被跟踪身份的示例控制动作的示意图。

具体实施方式

以下将描述本公开的一个或多个特定实施例。这些描述的实施例仅是本公开的技术的示例。此外，在致力于提供这些实施例的简要描述的过程中，可以不在说明书中描述实际实施方式的所有特征。应当理解，在任何这样的实际实施方式的开发中，如在任何工程或设计项目中，必须做出许多特定于实施方式的决策，以实现开发者的特定目标，诸如依照与系统相关和与业务相关的约束，其可能因实施方式而变化。此外，应当理解，这样的开发工作可能是复杂且耗时的，但是对于受益于本公开的普通技术人员而言，这可能仍然是设计、制作和制造的例行任务。

当介绍本公开的各种实施例的元素时，冠词“一个”、“一个”和“所述”旨在意指存在一个或多个元素。术语“包括”、“包含”和“具有”旨在是包括性的，并且意指除了所列元素之外可能存在附加的元素。此外，应当理解，对本公开的“一个实施例”或“实施例”的引用并不旨在被解释为排除也结合了所记载特征的附加实施例的存在。

本公开总体上涉及一种跟踪系统，该系统累积和/或切换上下文信息以用于高效和有效的跟踪处理。通过使用先前确定的其他跟踪传感器的上下文，独立的跟踪传感器可以更有效地确定被跟踪对象身份。考虑到这一点，图1是图示根据本公开的实施例的具有上下文跟踪系统102的多传感器跟踪系统100的示意图。如所图示，多传感器跟踪系统100包括多个跟踪传感器，诸如一个或多个光检测和测距（LIDAR）系统104、一个或多个射频识别（RFID）读取器系统106、一个或多个飞行时间（ToF）系统107、一个或多个计算机视觉系统108、和/或一个或多个毫米波（mmWave）系统109。

LIDAR系统104可以通过利用脉冲光照亮目标并测量反射脉冲来跟踪个体、对象、和/或个体或对象的组。脉冲光和反射脉冲之间的波长和时间差异可用于生成目标个体、组、和/或对象的位置的空间指示。LIDAR系统104能够覆盖大面积的空间，同时相对容易和有效地检测对象。然而，LIDAR系统104在实际进行被跟踪对象的识别方面可能不是有效的，而是可以最好地用于独立于对象的识别来识别对象的存在和位置。

RFID读取器系统106可以读取RFID标签中编码的数字数据（例如，由个体穿戴或放置在特定对象上以跟踪个体或对象）。当RFID标签进入RFID读取器的附近时，RFID读取器可以向RFID标签提供激励信号，使得RFID标签发出可由RFID读取器判断以识别特定RFID标签的辐射。因为每个RFID标签具有其自己唯一的识别信息，所以RFID读取器系统106可以高效且有效地识别被跟踪目标。然而，RFID读取器系统106需要将RFID标签放置在相对紧密靠近RFID读取器的位置，导致实现多个RFID读取器的较小覆盖和/或显著的硬件成本。

与LIDAR系统104类似，ToF系统107（例如，三维飞行时间传感器系统）可以通过利用脉冲光照亮目标并测量反射脉冲的特性来跟踪个体、组和/或对象。具体地，ToF系统107可以发出红外光脉冲并测量对应于脉冲返回的时间。ToF系统107还可映射纹理（例如，皮肤纹理）以识别个体、组和/或对象。因此，ToF系统107可以获得被跟踪身份的三维定位和纹理属性。另一个益处在于，因为ToF系统107可能不依赖于可见照明条件，所以ToF系统107可能不引起照明条件限制，这可能是一些基于相机的视觉获取系统的特性。然而，冗余系统可能仍然有用，因为ToF系统107在某些环境条件（诸如在下雨天）中可能不太有效且不太准确。

计算机视觉系统108可以接收用于上下文分析的相机数据（例如，静止图像和/或视频）。例如，可以分析相机数据以执行对象识别和/或跟踪。使用面部识别，计算机视觉系统108可以识别被跟踪目标。然而不幸的是，计算机视觉系统108可能相当昂贵，同时通常覆盖有限的跟踪区域。此外，计算机视觉系统108可能需要相当一些时间来分析计算机图像。

毫米波（mmWave）系统109（例如，毫米波雷达传感器系统）可以提供大带宽以验证被跟踪身份的存在。具体地，毫米波系统109可以允许以低等待时间传输高速率的数据。例如，毫米波系统109可以包括发出和/或接收毫米波以与一个或多个与个体相关联的计算设备（例如，可穿戴设备）进行通信以便快速识别个体（或验证由个体提议的身份）的设备。此外，毫米波系统109可能能够甚至通过表面（例如，可为无线电波透射的物理屏障，诸如窗户和墙壁）维护（maintain）对被跟踪身份的跟踪。然而，毫米波系统109可能利用相对靠近被跟踪身份的部件，从而导致较小的覆盖。

如可以理解的，每个跟踪系统具有其权衡。因此，可能期望使用跟踪系统的组合，使得各种跟踪系统的每一个益处可以彼此结合使用。为此，上下文跟踪系统102的任务是维护和/或交易来自各种跟踪系统中的每一个的跟踪数据。例如，上下文跟踪系统102可以接收来自LIDAR系统104的定位信息、从靠近一个或多个RFID读取器系统106的RFID标签获得的对象标识符、和/或来自计算机视觉系统108的对象身份和/或定位。

使用该信息，可以更加高效且有效地获得开放环境内的对象跟踪。图2是图示了根据本公开的实施例的使用图1的系统的开放环境200的示意图。尽管图2图示了主题公园环境，但当前的讨论并不旨在将上下文跟踪系统的应用限制到这样的实施例。事实上，目前的技术可用于各种环境应用中。

如所图示，开放环境200可具有许多单独的覆盖区202A、202B、202C和202D，每个覆盖区由一个或多个传感器系统跟踪。例如，覆盖区202A是由计算机视觉系统204跟踪的停车场。覆盖区202B是入口门206和景点208之间的区域。覆盖区202B具有LIDAR系统210、RFID读取器系统212和毫米波系统213。覆盖区202C由第二LIDAR系统214和ToF系统215跟踪。覆盖区202D使用第二毫米波系统217跟踪。

上下文跟踪系统216通信地耦合到开放环境200中的各种跟踪系统。类似于图1的上下文跟踪系统102，上下文跟踪系统216可以在跟踪系统之间维护和/或交易跟踪数据。例如，计算机视觉系统204可以检测覆盖区202A中的特定汽车219。计算机视觉系统204可以分析汽车219的视觉图像以进行汽车219的识别。例如，计算机视觉系统204可以识别汽车219的牌照的字母数字字符以进行汽车219的识别。

识别的对象可以用于识别上下文跟踪系统216中的其他对象。例如，可以将汽车219的识别提供给上下文跟踪系统216。例如，汽车219可以被识别为对应于一个或多个人（例如，一组人），计算机视觉系统204在特定时间已经检测到所述一个或多个人从汽车219离开。基于该信息，上下文跟踪系统216可以确定一个或多个人有可能在覆盖区202A中。此外，基于计算机视觉系统204的人或组的身份可用于确定另一覆盖区中的人或组的身份。特别地，上下文跟踪系统216可以记录覆盖区202A中识别的一个或多个人独有的特性并且可以使用记录的特性来确定其他覆盖区（诸如覆盖区202B和覆盖区202D）中的被跟踪对象的身份。

通过向上下文跟踪系统216和/或覆盖区的其他跟踪传感器提供这样的上下文，跟踪分析可以更加了解将接近的可能候选人对象。例如，如果计算机视觉系统204提供了汽车A在停车场中的指示（或者与汽车A相关联的人A或组A有可能在停车场中[例如，基于汽车A在停车场中的存在]）以跟踪相邻覆盖区中的传感器，则这些相邻覆盖区中的跟踪传感器可以利用识别可能的对象标识符的数据“预热（pre-heat）”。因此，在一些实施例中，至少部分地取决于由计算机视觉系统204提供的识别，可以使用具有较少对象识别能力的较大覆盖系统（诸如LIDAR系统210）来跟踪用户的位置。此外，如上面简要指出的，识别的对象可用于识别其他对象，诸如人的组。实际上，上下文跟踪系统216跟踪组可能是有益的。例如，汽车219可以被识别为对应于一组人（例如，组A）。在这种情况下，上下文跟踪系统216可以确定所有离开汽车219的人彼此具有关联并且因此可以包括组A。如稍后将讨论的，识别和确定组的其他方法是可能的。

如果只有一个用户与汽车A相关联，那么离开汽车的单个识别对象很可能是相关联的用户。然而，在一些实例中，从先前跟踪系统提供的上下文可能不满足可能性的阈值水平。在这种情况下，可以选择性地启用附加跟踪以识别特定对象/用户。例如，入口门206处的另一个计算机视觉系统218用于识别对象/用户。由于入口门206是具有期望的对象/用户的直接查看访问的漏斗（funnel-in）位置，因此该位置可以是计算机视觉系统218的主要位置。在这样的实施例中，在由计算机视觉系统218检测到个体对象/用户的情况下，由计算机视觉系统218执行的对象识别分析可能受到由计算机视觉系统204经由上下文跟踪系统216提供的上下文数据的极大影响。例如，可以基于由计算机视觉系统204提供的数据过滤掉对于识别的可能的候选人，从而导致更高效且更快地处理对象/用户识别。此外，覆盖区202B中的毫米波系统213还可用于识别或验证个体对象/用户的存在。实际上，毫米波系统213可以在识别对象方面与计算机视觉系统218一起工作。例如，在使用由计算机视觉系统204经由上下文跟踪系统216提供的上下文数据的情况下，毫米波系统213可以用作用于过滤可能的候选人以增加对象的识别的准确性和处理速度的第二机制。

在一些实施例中，上下文跟踪系统216可以使用定位信息来推断/预测对象/用户的识别。例如，如果RFID读取器系统212指示人A在中午12:00进入景点208并且景点208具有通常在10分钟内到达的出口点，则第二LIDAR系统214可以推断/预测在12:10到达出口点的对象有可能是人A。因此，提供对象/用户的详细识别的跟踪系统在景点208的出口处可能是不必要的，从而导致更高效地使用资源。此外，跟踪系统不一定需要在对象/用户的视线内。实际上，如覆盖区202D中所图示的，第二毫米波系统217虽然不在位于餐厅221中的对象的视线内，但被定位以跟踪餐厅221中的对象。第二毫米波系统217可以能够进行这种类型的通信，因为与餐厅221和/或被跟踪对象相关联的某些材料（例如，织物、玻璃纤维增强塑料等）对于从第二毫米波系统217显现的辐射可能是可透射的（例如，可为射频透射的）。

如将在下面更详细地讨论的，跟踪信息（例如，对象/用户的识别和位置）可以用于许多不同的目的。例如，在一个实施例中，信息亭220可以在跟踪到信息亭220的特定对象/用户时提供对识别的对象/用户有用的特定信息。此外，在一些实施例中，这种跟踪可以基于位置（对象/用户被跟踪到所述位置（例如，景点、餐馆等））帮助主题公园人员理解对象/用户兴趣。

已经讨论了上下文跟踪系统的基本效用，图3是图示了根据实施例的用于识别和维护跟踪上下文的过程300的流程图。过程300开始于选择跟踪目标（框302）。跟踪目标可以基于在环境中观察到的对象的一个或多个标准来选择，并且可以因覆盖区而不同。例如，对于开放环境200，覆盖区202A可以对跟踪停车场中的车辆特别感兴趣。因此，可以基于可归因于车辆的对象运动速度、对象大小、对象形状等的范围来选择跟踪目标。相比之下，可以假设在覆盖区域202B中没有车辆，而是与车辆相关联的人。因此，用于选择覆盖区202B中的跟踪对象的标准可以是可归因于人或一组人的对象运动速度、对象大小、对象形状等的范围。

过程300通过识别跟踪目标身份而继续（框304）。例如，如上所提及的，可以基于对象的计算机视觉分析（例如，在入口门206处）、基于其他识别的对象（其中记录了其他识别的对象和被跟踪目标之间的关系（例如，在上下文跟踪系统216等的有形存储装置中））来确定身份。

一旦确定了身份，就识别了跟踪目标的定位和/或位置（框306）。结合身份的该信息可能对其他跟踪传感器系统有用，使跟踪传感器系统能够滤入（filter in）或滤除（filter out）特定身份（例如，身份的子集）作为其跟踪的对象的可能身份。例如，如上文关于图2所提及的，指示人A正在进入景点的身份和位置连同从开始到结束的景点长度的持续时间估计可以使覆盖该景点的出口的跟踪系统能够滤入人A作为在持续时间估计结束时或接近结束时在景点的出口点处可能检测到的对象的身份。此外，如果人A在景点中，则人A显然也不在停车场。因此，停车场中的跟踪系统传感器可以滤除人A作为候选人身份，从而实现识别分析的较快的响应时间。

如可以理解的，跟踪目标上下文由上下文跟踪系统维护和/或交易（框308）。如本文中所提及的，跟踪目标上下文可以包括特定跟踪传感器系统的观察活动，诸如跟踪时间、跟踪位置、跟踪身份、与被跟踪对象相关联的跟踪身份等。在一些实施例中，上下文跟踪系统可以在一些实施例中维护上下文数据并且还基于上下文数据滤入或滤除候选人，从而将过滤结果提供给跟踪系统以进行高效的识别分析。在其他实施例中，上下文跟踪系统可以向跟踪系统提供上下文，从而使跟踪系统能够执行过滤和基于过滤的识别。

图4是图示了根据实施例的用于使用获取的上下文来识别后续跟踪传感器处的上下文的过程400的流程图。过程400开始于接收跟踪目标上下文（或过滤信息，如果在上下文跟踪系统处维护跟踪目标上下文）（框402）。一旦接收到，跟踪传感器可以使用上面讨论的滤入和/或滤除技术来确定对象的身份（框404）。

基于后续跟踪标识符来执行目标控制动作（框406）。例如，如上所提及的，信息亭可以被控制以显示对识别的人有用的特定信息。在其他实施例中，可以基于确定身份被授权以访问环境的受限部分来准许访问环境的特定受限部分。此外，在一些实施例中，可以为后续的商业分析、研究、和/或报告维护度量跟踪，诸如对特定区域的访问、记录的用户活动等。

如上所提及的，有时可能需要特定的置信度阈值水平来进行身份与被跟踪对象的肯定匹配。图5是图示了根据实施例的用于使用置信度区间来确定用于目标识别的充分上下文的过程500的流程图。过程500开始于收集跟踪传感器输入（例如，上下文）（框502）。如上所提及的，上下文跟踪系统可以接收提供身份、位置、和/或其他信息的跟踪传感器输入，所述信息为其他跟踪传感器的观察的对象提供可能的上下文。

基于这些跟踪输入，可以由其他跟踪传感器预测观察的对象的一个或多个跟踪身份（框504）。例如，如上所提及的，指示特定人A已进入景点的上下文信息可用于假设人A最终将可能在基于人的属性和/或景点的属性的预测时间离开景点。例如，如果由跟踪系统观察到该人如具有低于平均水平或高于平均水平的移动速度，则可以相应地向下或向上调整景点的平均量持续时间。此调整的持续时间可用于确定人A可能何时离开景点，从而使景点的出口处的跟踪系统能够预测在调整的持续时间离开景点的人是人A。

在一些实施例中，可以计算预测置信度分数。预测置信度分数可以指示被跟踪对象具有特定身份的可能性。例如，如果基于已知信息，目标很可能是人A，则预测置信度分数可能大于在（基于已知信息）目标只是有点可能或不太可能是人A时的预测置信度分数。预测置信度分数可能基于多种因素而变化。在一些实施例中，冗余信息（例如，使用数据的两个或更多个集合的相似识别）可以增加预测置信度分数。此外，被跟踪对象的可观察特性可用于影响预测置信度分数。例如，可以将与身份相关联的已知大小与被跟踪目标的大小进行比较。预测置信度分数可以基于已知大小和由跟踪传感器观察到的目标大小的接近度而增加。

在获得预测置信度分数之后，进行关于预测置信度分数是否满足分数阈值的确定（决策框508）。分数阈值可以指示可以导致身份与被跟踪目标相关联的最小分数。

如果预测置信度分数不满足阈值，则可以获得附加的跟踪输入（框510）。为了获得附加的跟踪输入，开放环境中的跟踪传感器可以继续积累跟踪信息和/或获得被跟踪目标的上下文数据。在一些实施例中，可以鼓励被跟踪目标朝向特定传感器移动以获得关于被跟踪目标的新跟踪输入。例如，图6是图示了根据实施例的用于增加跟踪输入的示例转移场景600的示意图。在场景600中，被跟踪目标602的预测置信度分数小于阈值，如由气球604所指示的。因此，可以控制电子显示器606以显示将目标朝向其中可以获得附加跟踪输入的位置（这里是披萨店608）引导的消息。这里，通过经由电子广告牌提供电子通知来鼓励目标朝向披萨店608移动，该电子广告牌将目标引导到披萨店608。在到披萨店608的入口处，存在附加的跟踪传感器（例如，RFID读取器610）。当目标602移动到披萨店608附近时，跟踪传感器获得目标602的附加跟踪输入。

返回图5，当收集到附加跟踪输入时，对目标的身份进行附加的预测（框504），确定使用新收集的附加跟踪输入的新的预测置信度分数（框506），并且进行关于是否满足预测置信度阈值的附加确定（决策框508）。该过程可以继续直到满足预测置信度阈值为止。

一旦满足预测置信度阈值，就可以将标识符归因于被跟踪对象（框512）。例如，返回图6，经由RFID读取器610接收的附加跟踪信息导致预测置信度分数增加到大于或等于阈值的水平，如由气球612所指示。因此，被跟踪目标602（例如，被跟踪对象）被归因于标识符614（例如，人A）。

如上所提及的，由一个跟踪传感器系统提供的上下文对于通过其他跟踪传感器系统的分析可能是有用的。例如，候选人预测身份可以基于从另一跟踪传感器系统提供的上下文被“滤入”（例如，列入白名单）或“滤除”（例如，列入黑名单）。图7是图示了根据实施例的用于基于提供的传感器上下文过滤可能的识别预测的过程700的流程图。

过程700开始于从其他传感器系统接收上下文数据（框702）。例如，上下文数据可以包括被跟踪对象身份、被跟踪对象的位置、以及指示被跟踪对象何时位于特定位置的时间戳。

上下文数据可用于补充跟踪传感器的跟踪功能。例如，可以基于指示由其他跟踪传感器提供的所识别的被跟踪对象的位置的上下文信息来过滤（例如，滤入或滤除）新观察到的被跟踪对象的可能候选人身份（框704）。例如，如果停车场跟踪传感器指示五分钟前在停车场中跟踪到具有人A身份的目标对象，并且从停车场行进到与观察到新目标对象的跟踪传感器相关联的覆盖区域需要花费20分钟，则人A的身份可以作为新目标对象的可能候选人身份被滤除，因为人A在5分钟内从停车场到达覆盖区域将是不可行的。附加地和/或可替代地，候选人身份的滤入可以通过获得上下文数据来发生，所述上下文数据指示在观察到新目标对象时哪些身份可能已经到达覆盖区域。这些身份可以被列入白名单作为覆盖区域中的观察到的新目标对象的可能候选人身份。这可以节省处理时间并改进根据公开的实施例采用的计算机系统的操作。

一旦候选人身份被过滤，跟踪系统可以从过滤的候选人身份中预测新的被跟踪对象的身份（框706）。例如，该身份可以从未滤除的身份列表（例如，不在黑名单中）中挑选和/或可以从滤入的身份列表中（例如，在白名单中）挑选。如可以理解的，这可以实现更高效的对象跟踪，因为上下文信息可以减少用于识别跟踪对象要考虑的候选人身份的数量。此外，在一些实例中，在没有这样的上下文的情况下，不可能进行身份跟踪。例如，某些LIDAR系统可能不能够在没有这样的上下文的情况下执行目标对象的识别。因此，当前的技术提供了比现有跟踪系统更高效和增强的跟踪能力。

已经讨论了增强的上下文跟踪技术，图8是图示了根据实施例的示例控制动作800的示意图，该示例控制动作800可以基于借助于本文中提供的上下文跟踪技术跟踪的身份来实现。在一个实施例中，信息亭802或其他设备可以包括显示器804。显示器804可以呈现提供关于开放环境的信息的图形用户界面（GUI）806。如所图示，GUI 806可以基于被跟踪身份进行个性化。例如，如由状态气球808所图示，上下文跟踪系统可以基于各种目标传感器之间的上下文数据权衡来识别被跟踪对象是“James”。响应于被跟踪对象接近显示器804，可以向显示器804（例如，控制显示器804的底层硬件）呈现控制动作命令，该控制动作命令指示GUI 806显示与所识别的人相关的信息。例如，这里为James提供了与其身份相关联的个性化等待时间。如可以理解的，每个身份可以与唯一标识符和其他信息（例如，等待时间、人口统计信息和/或其他个性化数据）相关联，从而实现要执行的个性化控制动作。此外，如将关于图12所讨论的，可以基于对应于组的身份来实现控制动作。

在另一个实施例中，可穿戴设备810可以被设置在被跟踪对象812上。基于与开放环境特征814（这里是虚拟游戏神秘盒）的交互，可以更新与被跟踪对象的身份相关联的个性化数据。例如，这里的游戏数据库816可以借助于控制动作命令更新，以基于与开放环境特征814的交互反映更新的游戏状态。因此，如数据库记录818中所图示的，在数据库中向与James相关联的身份123提供附加的5分。此外，可穿戴设备810的显示器820可以借助于控制动作命令被控制以显示指示822，该指示822基于被跟踪对象812与开放环境特征814的交互来确认状态改变。

如上所提及的，上下文跟踪系统可以识别和跟踪组。虽然下面讨论了指示组的识别和/或跟踪的特定数据模式，但这些仅仅是示例。如可以理解的，使用机器学习，由本文中描述的机器学习系统可以观察到指示分组的附加数据模式。图9是用于使用机器学习技术将个体分组的方法900的流程图。方法900的一个或多个步骤可由图1的上下文跟踪系统102或图2的上下文跟踪系统216的一个或多个部件执行。实际上，可以将分组系统（例如，机器学习系统）集成到图1的上下文跟踪系统102或图2的上下文跟踪系统216中。特别地，分组系统可以接收指示活动（active）组的（一个或多个）模式的训练数据（框902）。例如，指示活动组的模式可以包括在一定时间量内的一个或多个人之间的接近度水平、车辆与一个或多个人的关联的指示等。在一些实施例中，（一个或多个）模式可以包括关联的指示，诸如基于被跟踪个体的高度的推定的儿童与一个或多个人（例如，成人）。基于接收的训练数据，在框904处，分组系统可以变得熟练于检测活动组的存在。特别地，分组系统可以识别指示环境（例如，开放环境200）中的活动组的原始数据中的（一个或多个）模式。

在一些实施例中，可以针对模式挖掘时间序列数据以识别和跟踪组。时间序列数据可以提供一段时间内的数据，这可以帮助机器学习逻辑识别随时间的人的模式。这些模式可用于基于随时间观察到的活动/模式来识别和/或跟踪组。例如，在识别示例中，当一组用户参与特定的共同活动或共同活动达阈值时间量时，他们可以被识别为组的部分，其可以被观察为来自时间序列数据的模式。

在另一个示例中，机器学习系统还可以被装备以识别并非组的所有成员可以存在于对彼此的某个接近度内。例如，活动组的一个或多个人可以去洗手间，而同一活动组的一个或多个人不去洗手间。在这种情况下，分组系统可以保留活动组的所有成员的身份和/或确定活动组的子组，其可以对应于活动组内的一个或多个人。实际上，与上面的示例一致，活动组的第一子组可以是去洗手间的活动组的成员，而第二子组可以是在第一子组在洗手间中的同时不去洗手间的活动组的成员。此外，活动组可以对应于在特定时间段内保留在检测到的组的数据库中的组。例如，只要该组的一个或多个成员在某个持续时间内存在于图2的开放环境200中，活动组就可以保持活动。

在框906处，机器学习系统可以至少基于训练数据和指示活动组的所识别的（一个或多个）模式来确定人或组（例如，子组）是否是活动组的至少一部分。例如，机器学习系统可以确定一起花费了过去一小时的两个个体是一组。作为另一个示例，分组系统可以将对彼此表现出感情（诸如牵彼此的手）的个体分组。实际上，分组系统可以采用加权概率来确定是否应该对一个或多个个体进行分组。具体地，利用某些被跟踪身份观察到的一个或多个行为模式、特性和/或属性可以利用概率进行加权并用于确定组。例如，分组系统可以将处于一组中的加权概率（例如，在零和一之间的值）附加到小身材的个体，因为通常婴儿或蹒跚学步的幼儿可能不会没有成人监督。然而，分组系统可以对个体的其他属性和/或行为（例如，共同位置、接近度、与同一车辆的关联等）采用加权概率。分组系统可以将处于一组中的加权概率值相加并且可以分别确定加权概率值与之相关联的（一个或多个）个体是组的部分或者是组。在一些实施例中，加权概率值中的一个可能足以超过阈值以分别确定加权概率值与之相关联的（一个或多个）个体是组的部分或者形成组。

在框908处，分组系统可以更新包括活动组的数据库。在确定新识别的组时，可以更新包括活动组的数据库以允许跟踪。因此，机器学习系统可以保留谁被分组的记录。在一些实施例中，分组可能影响下游处理。例如，如下文将讨论的，甚至可以在游戏体验中利用组跟踪。

如本文中所提及的，分组系统可以基于在时间序列数据中观察到的活动/模式（例如，如由传感器系统的传感器捕获的）来识别个体的组。由机器学习算法可以识别任何数量的模式，所述机器学习算法可以实施受监督的机器学习来训练分组系统如何识别组。为了讨论起见，图10是示意图1000，其提供被使用本文中描述的技术的分组系统认为可能是组和/或不可能是组的个体的集合的示例。具体地，如图示1002中所示，离开或进入同一车辆的个体可以被认为可能被分组系统分组。相比之下，如图示1004中所示，离开或进入不同车辆（其中在车辆之间具有相对长的距离）的个体可能被认为不可能被分组。此外，如图示1006中所示，彼此接近达显著时间量的个体可能被分组。然而，在景点的队列中可能超过特定阈值距离的间隔开的个体可以被认为不太可能被分组。例如，在图示1008中，每个人1011代表排成一行的20个个体。如图示1008中所示，个体1010与景点的行中的另一个个体1012相隔一百个人，因此，分组系统可以确定个体1010和个体1012不应被分组。然而，在一些情况下，分组系统可以确定即使个体被间隔开也被认为可能被分组。如图示1014中所显示，即使人1016与人1018、1020分开，人1016、人1018和人1020也可被认为可能被分组。在这种情况下，人1018、1020将朝向洗手间1022走去，而人1016在外面等待。即使人1016可能独处达一段时间，分组系统也可以确定人1016、1018、1020是一组。此外，分组系统还可以将分开的个体分组，但是其一起花费的时间超过了某个阈值时间段。例如，一组中的人可能选择坐在休息区域中，而不是与同一组中的另一个人在景点的队列中等待。因此，分组系统可以将组保持在活动状态中达一段时间，即使该组的一个或多个成员是分开的。

如可以理解的，一旦识别了组，就可以实现附加功能性。例如，图11是由分组系统识别的组如何可以改变交互式游戏的交互式环境的图示1100。在图示1100中，必要的是遵守显示器1103上的规则1102以解锁门1104（例如，虚拟和/或增强现实体验中的门户等）。必须满足表示“所有团队成员必须一起进入”的规则1102以进入门1104。这里，分组系统已将人1114和1112识别为具有人1110的组/团队的部分。然而，这些人1114和1112不与人1110一起存在。由于在时间1111时并非所有团队成员与团队成员110一起存在，所以门没有被解锁。稍后，在时间1113，所有团队成员（例如，人1110、1112、1114）出现在门1104处。响应于整个组的存在，效果从交互式环境显现（例如，门1104解锁）。因此，通过跟踪组，可基于组方面（例如，团队成员的位置、团队成员的累积活动等）来控制交互式环境的一个或多个部件，从而为客人提供有趣且交互式的体验。

图12是图示根据实施例的示例控制动作1200的示意图，该示例控制动作1200可以基于借助于本文中提供的上下文跟踪技术跟踪的组身份而实现。类似于图8，图12包括信息亭1202或可包括显示器1204的另一设备。显示器1204可呈现提供关于开放环境的信息的图形用户界面（GUI）1206。如所图示，GUI 1206可以基于被跟踪身份进行个性化。例如，如由状态气球1208所图示的，上下文跟踪系统可以基于各种目标传感器之间的上下文数据权衡来识别被跟踪对象是被跟踪组“组1”的部分。响应于被跟踪对象接近显示器1204，可以向显示器1204（例如，控制显示器1204的底层硬件）呈现控制动作命令，该控制动作命令指示GUI 1206显示与所识别的组相关的信息。例如，这里向组1提供与其身份相关联的指令。具体而言，GUI 1209显示“你好组1，在少于10分钟内完成任务。”如可以理解的，每个组身份可以与唯一标识符和其他信息（例如，等待时间、指令、人口统计信息和/或其他个性化数据）相关联，从而实现要执行的个性化控制动作。

在另一个实施例中，被跟踪组1212（即，组1）的每个成员可以具有与上下文跟踪系统的一个或多个部件通信地耦合的可穿戴设备1210。基于与开放环境特征1214（这里是虚拟游戏神秘盒）的交互，与被跟踪组的身份相关联的个性化数据可以被更新。例如，这里可以借助于控制动作命令更新游戏数据库1216，以基于与开放环境特征1214的交互反映更新的游戏状态。因此，如数据库记录1218中所图示的，在数据库中向与组1相关联的身份456提供附加的15分。此外，可借助于控制动作命令控制在组成员中的每一个上的可穿戴设备1210的显示器1220以显示指示1222，该指示1222基于被跟踪组1212的每一个成员与开放环境特征1214的交互来确认状态改变。

本文中呈现和要求保护的技术被引用并应用于实际性质的实质性对象和具体示例，其可证明地改进了本技术领域，并且因此不是抽象的、无形的或纯理论的。此外，如果附到本说明书末尾的任何权利要求包含被指定为“用于[执行]……[功能]的装置”或“用于[执行]……[功能]的步骤”的一个或多个元素，则旨在根据35 U.S.C.112(f)来解释这样的元素。然而，对于包含以任何其他方式指定的元素的任何权利要求，旨在不根据35 U.S.C.112(f)来解释这样的元素。