CN104091173B - 一种基于网络摄像机的性别识别方法及装置 - Google Patents
一种基于网络摄像机的性别识别方法及装置 Download PDFInfo
- Publication number
- CN104091173B CN104091173B CN201410326471.1A CN201410326471A CN104091173B CN 104091173 B CN104091173 B CN 104091173B CN 201410326471 A CN201410326471 A CN 201410326471A CN 104091173 B CN104091173 B CN 104091173B
- Authority
- CN
- China
- Prior art keywords
- facial image
- target body
- human body
- server
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
一种基于网络摄像机的人体特征识别方法，包括：网络摄像机采集视频监控数据，从该视频监控数据中提取目标人体特征的参数，根据该目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出该目标人体特征，将分类识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息发送给该服务器，使得该服务器对该目标人体特征及该兴趣信息进行分析，并生成表示该目标人体特征与该兴趣信息之间关联关系的报表。此外，本发明还提供一种基于网络摄像机的人体特征识别装置及系统。上述基于网络摄像机的人体特征识别方法、装置及系统，可提高识别目标人体特征的效率、精确度和实时性。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种基于网络摄像机的性别识别方法及装置。
背景技术
人脸是人类最重要的生物特征之一，反映了很多重要的信息，如身份、年龄和性别等等。性别分类就是根据人脸图像判断性别的过程。通过包含计算机的电子设备对目标人员进行自动的性别分类并不是一个简单的问题。
现有技术中，对目标人员进行自动的性别分类技术比较粗略，无法完成大批量处理监控视频中的目标人员性别分类，识别度不够精确。
发明内容
有鉴于此，本发明提供一种基于网络摄像机的人体特征识别方法、装置及系统，可提高识别目标人体特征的效率、精确度和实时性。
本发明实施例提供的基于网络摄像机的人体特征识别方法，包括：
网络摄像机采集视频监控数据；从所述视频监控数据中提取目标人体特征的参数；根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征；将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表。
本发明实施例提供的基于网络摄像机的人体特征识别方法，包括：
服务器从预先设置的人体特征数据库中提取人体特征；根据所述人体特征训练人体特征识别分类器；将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别；接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息；分析所述目标人体特征与所述兴趣信息的关联关系，并将所述关联关系生成报表。
本发明实施例提供的基于网络摄像机的人体特征识别装置，包括：
采集单元，用于采集视频监控数据；提取单元，用于从所述视频监控数据中提取目标人体特征的参数；识别单元，用于根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征；发送单元，用于将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表。
本发明实施例提供的基于网络摄像机的人体特征识别装置，包括：
提取单元，用于从预先设置的人体特征数据库中提取人体特征；训练单元，用于根据所述人体特征训练人体特征识别分类器；发送单元，用于将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别；接收单元，用于接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息；分析单元，用于分析所述目标人体特征与所述兴趣信息的关联关系；生成单元，用于将所述关联关系生成报表。
本发明实施例提供的基于网络摄像机的人体特征识别系统，包括：
网络摄像机及服务器；其中，所述网络摄像机，用于采集视频监控数据，从所述视频监控数据中提取目标人体特征的参数，根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征，将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表；所述服务器，用于从预先设置的人体特征数据库中提取人体特征，根据所述人体特征训练人体特征识别分类器，将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别，接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息，分析所述目标人体特征与所述兴趣信息的关联关系，并将所述关联关系生成报表。
本发明实施例提供的基于网络摄像机的人体特征识别方法、装置及系统，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
图1为第一实施例提供的基于网络摄像机的人体特征识别系统的示意图；
图2为第一实施例提供的基于网络摄像机的人体特征识别系统的构架示意图；
图3为第二实施例提供的基于网络摄像机的人体特征识别方法的流程示意图；
图4为第三实施例提供的基于网络摄像机的人体特征识别方法的流程示意图；
图5为本发明实施例中根据两眼坐标纠正人脸图像示意图；
图6为第四实施例提供的基于网络摄像机的人体特征识别方法的流程示意图；
图7为第五实施例提供的基于网络摄像机的人体特征识别方法的流程示意图；
图8为第六实施例提供的基于网络摄像机的人体特征识别装置的示意图；
图9为第七实施例提供的基于网络摄像机的人体特征识别装置的示意图；
图10为第八实施例提供的基于网络摄像机的人体特征识别装置的示意图；
图11第九实施例提供的基于网络摄像机的人体特征识别装置的示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
本发明实施例提供一种基于网络摄像机的人体特征识别方法，可通过网络摄像机在视频监控数据中的人脸图像分辨性别，提高数据处理速度，并将性别识别结果与对应的兴趣信息发送给服务器进行分析，实现将性别信息与对应的兴趣信息相结合，提高分析效率。
图1为本发明提供的第一实施例中人体特征识别系统示意图。网络摄像机10通过网络与服务器20相连接。
网络摄像机10，用于采集视频监控数据，从该视频监控数据中提取目标人体特征的参数，根据该目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征，将分类识别出的所述目标人体特征，以及与该目标人体特征对应的兴趣信息发送给服务器20，使得服务器20对该目标人体特征及该兴趣信息进行分析，并生成表示该目标人体特征与该兴趣信息之间关联关系的报表。
服务器20，用于从预先设置的人体特征数据库中提取人体特征，根据该人体特征训练人体特征识别分类器，将该人体特征识别分类器发送给网络摄像机10，使得网络摄像机10根据该人体特征识别分类器对目标人体特征进行分类识别，接收网络摄像机10分类发送的识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息，分析该目标人体特征与该兴趣信息的关联关系，并将该关联关系生成报表。
具体系统构架请参阅图2，图2为网络摄像机10和服务器20构成的基于网络摄像机的人体特征识别系统的构架示意图。
其中，网络摄像机10包括图像采集模块101、人脸检测模块102、特征提取模块103、性别识别模块104以及数据传输模块105。
其中，图像采集模块101直接获取监控视频数据，将获得的视频图像传递给人脸检测模块102。
人脸检测模块102从该视频图像中检测出人脸图像，当检测到的眼睛数目和人脸数目相匹配的时候，将人脸图像传递到特征提取模块103。
特征提取模块103，提取筛选出的对于性别识别有效的人脸图像特征，如：眼睛、鼻子、嘴巴等特征，发送给性别识别模块。由于人脸维度过高，且存在一些对于性别识别的无效信息，所以需要提前筛选好对于性别识别有效的特征。
性别识别模块104根据提取的该人脸图像特征，通过预先从服务器获取的人体特征识别分类器，分类识别出人脸图像的性别。
数据传输模块105将人脸性别特征的识别结果，即，识别出人脸图像为男性或女性，以及不同性别分别对应的兴趣信息发送给服务器20。
服务器20包括：分类器训练模块及智能分析模块。
分类器训练模块201从预先设置的人体特征数据库中提取人体特征，根据该人体特征训练人体特征识别分类器，为网络摄像机10中的性别识别模块104提供分类器参数，使其能准确、高效的获得性别特征的识别结果。
智能分析模块202将网络摄像机10传来的识别出人脸图像的性别，以及不同性别分别对应的兴趣信息等相关数据进行汇总和分析，最后生成不同性别及其分别对应的兴趣信息的内在联系分析报表提供给用户。
以上网络摄像机10及服务器20的各模块的具体数据处理过程，参见下面各实施例的具体描述。
第二实施例提供了一种基于网络摄像机的人体特征识别方法，可应用于图1所示的网络摄像头10中，请参阅图3，该方法包括：
301、网络摄像机采集视频监控数据；
本实施例中的网络摄像机10可以为嵌入式网络摄像机，便于安装在各种人流密集的场所，例如商场，进行视频监控。网络摄像机是一种结合传统摄像机与网络技术所产生的新一代摄像机，它可以将影像通过网络传至远端，且远端的浏览者不需用任何专业软件，只要标准的网络浏览器即可监视网络摄像机采集的视频监控数据。
302、从该视频监控数据中提取目标人体特征的参数；
从采集的视频监控数据中提取目标人体特征的参数，该目标人体特征为网络摄像机10进一步识别的对象，可以是为人脸图像，也可以是身体其他部位的图像。目标人体特征的参数可包括：人脸图像中眼睛、鼻子等器官的位置，也可以是身体的站立、行走等姿态。本发明实施例中的目标人体特征以人脸图像中的眼睛、鼻子、嘴巴为例。
303、根据该目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出该目标人体特征；
该人体特征识别分类器在服务器20上已经训练好，网络摄像机10根据该目标人体特征的参数，通过该人体特征识别分类器分类识别出该目标人体特征。例如，通过目标人脸图像的关键特征点(眼睛、鼻子、嘴巴等位置)，通过性别分类特征，识别出该目标人脸图像的性别，即，该目标人脸图像是男性还是女性。
304、将分类识别出的该目标人体特征以及与该目标人体特征对应的兴趣信息发送给该服务器，使得该服务器对与该目标人体特征及兴趣信息进行分析并生成表示该目标人体特征与该兴趣信息之间关联关系的报表。
该兴趣信息是指目标人体感兴趣的信息，该目标人体特征与该兴趣信息之间的关联关系，是指具有该目标人体特征的一个目标人体对那些信息感兴趣。
例如，在商场中分析顾客与感兴趣的商品之间的联系的场景下，网络摄像机10将识别出的顾客的性别以及与该顾客的性别对应的商品兴趣信息发送给服务器20，使得服务器20对上述信息进行综合分析，得出顾客的性别和商品兴趣信息之间的关联关系，并根据该关联关系生成报表输出，显示在显示屏上或传输给打印机进行打印。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
第三实施例提供了一种基于网络摄像机的人体特征识别方法，可应用于图1所示的网络摄像头10中，请参阅图4，与第二实施例中的方法相似，不同之处在于，步骤302从该视频监控数据中提取目标人体特征的参数进一步包括：
4021、从该视频监控数据中，通过预先训练好的人脸分类器检测出人脸图像；
对该视频监控数据中截取的视频图像做一些基本的预处理，包括彩色图像的灰度化，以及直方图均衡化以减少光照对处理图像的影响。
人脸分类器可预先训练好，然后可以每次检测人脸图像时直接使用该人脸分类器，提高数据处理速度。
具体地，人脸分类器可以为自适应增强分类器(Adaptive Boosting，AdaBoost)，在图像数据库中提取Harr-like特征，训练AdaBoost作为人脸分类器。其中，图像数据库中包括：人脸图像和非人脸图像。AdaBoost分类器是一种可训练的机器学习方法，通过提取人脸图像和非人脸图像中的Harr-like特征，可训练出用于进行人脸检测的分类器。
4022、通过主动外观模型提取每个人脸图像的关键特征点；
检测到人脸图像后通过主动外观模型(AAM，Active Appearance Model)提取人脸的主要部位的关键特征点，该关键特征点包括人脸图像中的眼睛、鼻子和嘴巴的位置。
4023、通过该人脸图像中两眼之间的位置关系对该人脸图像进行校正，使得该人脸图像端正无倾斜；
检测到的人脸图像可能是倾斜的，会影响对目标人体特征的识别。因此，先判断人脸图像是否端正、有无倾斜，若有倾斜，则要校正该人脸图像。
具体可以通过该人脸图像中两眼之间的位置关系判断人脸图像有无倾斜。如图5所示，人脸图像中左眼和右眼的坐标分别为E1(x0，y0)，E2(x1，y1)，根据该坐标可以求出两只眼睛之间的连线和X坐标轴之间的夹角α，将人脸图像绕原点(即图像的左上角)顺时针旋转α度，即可校正人脸图像的位置为无倾斜。
其中α的计算公式如下：
虽然人脸图像的位置得到了校正，但人脸图像旋转α度后的像素值是不变的。
4024、获取校正后的人脸图像的关键特征点的坐标。
经过校正后的人脸图像的关键特征点的位置，相较于未校正前的人脸图像的关键特征点的位置也随之顺时针旋转α度，计算各关键特征点旋转α度后的校正坐标。
步骤303根据该目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出该目标人体特征进一步包括：
4031、根据校正后的人脸图像的关键特征点的坐标，以及从该服务器上获取的各子区域的均值向量和特征向量，分割校正后的人脸图像为多个子区域以进行主成份分析降维；
根据校正后的人脸图像的关键特征点的坐标，将校正后的人脸图像分割为多个子区域以进行主成份分析(PCA，Principal Components Analysis)降维，将该校正后的人脸图像的计算维度降低到网络摄像机10可识别的维度。
具体地，从服务器20上获取已经在服务器20上预先求得的人脸图像的各子区域的均值向量和特征向量，再根据计算出的各关键特征点的校正坐标，以及该各子区域的均值向量和特征向量来将人脸图像分割为各个子区域。即，将人脸图像分割为头发、额头、眼睛、鼻子、嘴巴、下巴各子区域。
4032、将各子区域分别对应的关键特征点输入从该服务器上获取的已训练好的人脸特征模型，得到不同性别的人脸图像的各关键特征点之间的内在联系；
将人脸图像分割好的各个子区域按照头发、额头、眼睛、鼻子、嘴巴、下巴的顺序，输入从服务器20上获取的已训练好的人脸特征模型，该人脸特征模型为HMM模型，得到不同性别的人脸图像的各关键特征点之间的内在联系，即，得到男性人脸图像的各关键特征点与女性人脸图像的各关键特征点之间的内在联系。
4033、将获得的不同性别之间的人脸图像的各关键特征点之间的内在联系输入到从该服务器上获取的已训练好的性别识别分类器中，分类识别出男性及女性。
将获得的男性人脸图像的各关键特征点与女性人脸图像的各关键特征点之间的内在联系，作为性别识别的特征输入到从该服务器上获取的已训练好的性别识别分类器中，分类识别出男性及女性。
本实施例中的步骤401、404分别与第二实施例中的步骤301、304相同，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
第四实施例提供了一种基于网络摄像机的人体特征识别方法，可应用于图1所示的服务器20中，请参阅图6，该方法包括：
501、服务器从预先设置的人体特征数据库中提取人体特征；
在系统中预先设置人体特征数据库，该人体特征数据库中包括多个人种、多种姿态、表情以及不同的光照条件下的人体特征图像。本实施例中以人脸图像为例。服务器20从预先设置的该人体特征数据库中是提取人体特征，即提取人脸特征，包括几何特征和代数特征。其中，人脸特征包括：眼睛、鼻子、嘴巴等特征。
502、根据该人体特征训练人体特征识别分类器；
根据提取的该人体特征训练人体特征识别分类器，例如，根据提取的人脸特征训练性别识别分类器。
503、将该人体特征识别分类器发送给网络摄像机，使得该网络摄像机根据该人体特征识别分类器对目标人体特征进行分类识别；
将该人体特征识别分类器发送给网络摄像机10，网络摄像机10则从采集的视频监控数据中提取目标人体特征的参数，根据该目标人体特征的参数，通过该人体特征识别分类器分类识别出该目标人体特征。例如，通过目标人脸图像的关键特征点(眼睛、鼻子、嘴巴等位置)，通过性别分类特征，识别出该目标人脸图像的性别，即，该目标人脸图像是男性还是女性。
504、接收该网络摄像机分类发送的识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息；
网络摄像机10将分类识别出的该目标人体特征以及与该目标人体特征对应的兴趣信息发送给服务器20，服务器20接收并保存该网络摄像机分类发送的识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息。该兴趣信息是指目标人体感兴趣的信息。
505、分析该目标人体特征与该兴趣信息的关联关系，并将该关联关系生成报表。
该目标人体特征与该兴趣信息之间的关联关系，是指具有该目标人体特征的一个目标人体对那些信息感兴趣。
例如，在商场中分析顾客与感兴趣的商品之间的联系的场景下，网络摄像机10将识别出的顾客的性别以及与该顾客的性别对应的商品兴趣信息发送给服务器20，使得服务器20对上述信息进行综合分析，得出顾客的性别和商品兴趣信息之间的关联关系，并根据该关联关系生成报表输出，显示在显示屏上或传输给打印机进行打印。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
请参阅图7，第五实施例提供了一种基于网络摄像机的人体特征识别方法，可应用于图1所示的服务器20中，与图6所示第三实施例中的方法相似，不同之处在于，步骤501“服务器从预先设置的人体特征数据库中提取人体特征”还可以是：
601、通过主动外观模型提取人脸图像的关键特征点。
检测到人脸图像后通过AAM提取人脸的主要部位的关键特征点，该关键特征点包括人脸图像中的眼睛、鼻子和嘴巴的位置。
步骤502“根据该人体特征训练人体特征识别分类器”进一步包括：
6021、通过该人脸图像中两眼之间的位置关系对该人脸图像进行校正，使得该人脸图像端正无倾斜；
检测到的人脸图像可能是倾斜的，会影响对目标人体特征的识别。因此，先判断人脸图像是否端正、有无倾斜，若有倾斜，则要校正该人脸图像。
具体可以通过该人脸图像中两眼之间的位置关系判断人脸图像有无倾斜。如图5所示，人脸图像中左眼和右眼的坐标分别为E1(x0，y0)，E2(x1，y1)，根据该坐标可以求出两只眼睛之间的连线和X坐标轴之间的夹角α，将人脸图像绕原点(即图像的左上角)顺时针旋转α度，即可校正人脸图像的位置为无倾斜。
其中α的计算公式如下：
虽然人脸图像的位置得到了校正，但人脸图像旋转α度后的像素值是不变的。
6022、获取校正后的人脸图像的关键特征点的坐标；
经过校正后的人脸图像的关键特征点的位置，相较于未校正前的人脸图像的关键特征点的位置也随之顺时针旋转α度，计算各关键特征点旋转α度后的校正坐标。
6023、根据校正后的人脸图像的关键特征点的坐标，分割该校正后的人脸图像为多个子区域以进行主成份分析降维，并保存该人脸图像中各子区域的均值向量和特征向量；
根据校正后的人脸图像的关键特征点的坐标，将校正后的人脸图像分割为多个子区域以进行PCA降维，将该校正后的人脸图像的计算维度降低到网络摄像机10可识别的维度。
具体地，根据计算出的各关键特征点的校正坐标来分割人脸图像的各个部分，由于每个人脸图像标记的关键特征点的位置是不完全一样的，所以分割出来的每个人脸图像的子区域图像大小是不一样的，每个关键特征点的位置也不同，因此要对每个关键特征点进行归一化处理。
具体地，在人脸图像上一共标记出7个特征关键点，分别是C1～C7，参见图5，其中，C1、C2分别标记左眼的左右两个眼角的位置，共同标识出左眼位置，C3、C4分别标记右眼的左右两个眼角的位置，共同标识出右眼位置，C5、C6分别标记嘴巴的左右两个嘴角的位置，共同标识出嘴巴，C7标识出鼻子的位置。通过C1～C7这7个标记的坐标，可以将人脸图像从上到下划分为5个子区域，这5个子区域是由L1、L2、L3、L4四条线来划分，这四条线的在人脸图像上的位置定义如下：
其中，h表示人脸检测后的整个人脸的高度，表示整个人脸高度的1/6，上式则表示L1的位置在C1、C2、C3、C4这四个特征点中选取Y轴坐标最大值，即选取Y值最大的眼角的位置对应的坐标Y轴的值，减去后得到的数值则为L1在人脸图像上Y轴的位置。
L2:L1+C7-min(C1，C2，C3，C4)
上式L1为人脸图像上的第一条线对应的Y轴的位置，C7为鼻子的位置对应的坐标Y轴的值，min(C1，C2，C3，C4)则表示在C1、C2、C3、C4这四个特征点中选取Y轴坐标最小值，即选取Y值最小的眼角的位置对应的坐标Y轴的值，与L1、相加再减去min(C1，C2，C3，C4)后得到的数值则为L1的在人脸图像上Y轴的位置。L1与C7相加再减去选取Y值最小的眼角的位置对应的坐标Y轴的值，则L2在人脸图像上Y轴的位置。
L3:C7+(min(C5，C6)-C7)/2
上式min(C5，C6)则表示在C5、C6这两个标记中选取Y轴坐标最小值，即选取Y值最小的嘴角的位置对应的坐标Y轴的值。C7的Y轴坐标值减去C5、C6这两个标记中选取Y轴坐标最小值，再取其1/2，最后与C7的Y轴坐标值相加，得到L3在人脸图像上Y轴的位置。
L4:max(C5，C6)+(Yh-max(C5，C6))×0.4
其中，max(C5，C6)表示在C5、C6这两个标记中选取Y轴坐标最大值，即选取Y值最大的嘴角的位置对应的坐标Y轴的值。Yh表示整个人脸的高度对应到原图像中的Y轴上的坐标值，也就是人脸的边界纵坐标值，Yh减去嘴角的最大Y轴坐标值再乘以0.4，这里的0.4表示一个经验值，是通过对大量的人脸图像经过测量分析总结而获得的，表示嘴唇区域的下边界是嘴角到下巴距离的0.4倍。通过上式的计算，得到L4在人脸图像上Y轴的位置。
获得人脸图像的各子区域后，就是对每个子区域作PCA降维，将其降到识别设备(例如网络摄像机)可识别的维度。在PCA降维过程中，首先会分别对训练样本(即已知的各人脸图像)的每一个子区域计算获得一个样本均值和一个特征向量矩阵，即从训练样本中获取每一个子区域的样本均值向量和特征向量矩阵。后面的降维步骤会使用该步骤生成的样本均值向量和特征向量矩阵，所以在该步骤将得到的各个子区域的均值向量和特征向量矩阵保存下来。
6024、各子区域分别对应的关键特征点输入人脸特征模型，获得不同性别的人脸图像的各关键特征点之间的内在联系；
将人脸图像分割出的各个子区域按从上到下的顺序，即，按照头发、额头、眼睛、鼻子、嘴巴、下巴对应的各子区域图像的顺序，作为隐马尔科夫模型(HMM，Hidden MarkovModel)的输入序列，分别训练男性的HMM模型及女性的HMM模型，得到男性人脸图像的各关键特征点与女性人脸图像的各关键特征点之间的内在联系。
6025、将获得的不同性别之间的人脸图像的各关键特征点之间的内在联系输入到支持向量机中，训练得到性别识别分类器。
进一步地，将获得的男性人脸图像的各关键特征点与女性人脸图像的各关键特征点之间的内在联系，作为性别识别的特征输入到径向基函数(RBF，Radial BasisFunction)核的支持向量机(SVM，Support Vector Machine)中，训练得到最终的性别识别分类器。
为了节省时间，性别识别分类器是离线训练的。并且，定期更新该人体特征数据库，并从更新的人体特征数据库中提取人体特征，以重新训练人体特征识别分类器，保持数据的实时性。
本实施例中的步骤603、604、605分别与第二实施例中的步骤503、504、505相同，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
请参阅图8，第六实施例提供了一种基于网络摄像机的人体特征识别装置，可应用于图1所示的网络摄像头10中，该装置包括：
采集单元51，用于采集视频监控数据；
提取单元52，用于从该视频监控数据中提取目标人体特征的参数；
识别单元53，用于根据该目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出该目标人体特征；
发送单元54，用于将分类识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息发送给该服务器，使得该服务器对该目标人体特征及该兴趣信息进行分析，并生成表示该目标人体特征与该兴趣信息之间关联关系的报表。
本发明实施例中各单元实现各自功能的过程，请参见前述图3所示实施例中的相关描述，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
请参阅图9，第七实施例提供了一种基于网络摄像机的人体特征识别装置，可应用于图1所示的网络摄像头10中，与图8所示实施例中的装置相似，不同之处在于，进一步地，提取单元52还包括：
检测单元521，用于从该视频监控数据中，通过预先训练好的人脸分类器检测出人脸图像；
提取特征点单元522，用于通过主动外观模型提取每个人脸图像的关键特征点，该关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置；
校正单元523，用于通过该人脸图像中两眼之间的位置关系对该人脸图像进行校正，使得该人脸图像端正无倾斜；
第一获取单元524，用于获取校正后的人脸图像的关键特征点的坐标。
进一步地，识别单元53包括：
分割单元531，用于根据校正后的人脸图像的关键特征点的坐标，以及从该服务器上获取的各子区域的均值向量和特征向量，分割该校正后的人脸图像为多个子区域以进行主成份分析降维；
第二获取单元532，用于将各子区域分别对应的关键特征点输入从该服务器上获取的已训练好的人脸特征模型，得到不同性别的人脸图像的各关键特征点之间的内在联系；
输入单元533，用于将获得的不同性别之间的人脸图像的各关键特征点之间的内在联系输入到从该服务器上获取的已训练好的性别识别分类器中，分类识别出男性及女性。
进一步地，本实施例中的基于网络摄像机的人体特征识别装置还包括：
训练单元65，用于在图像数据库中提取Harr-like特征，训练自适应增强分类器进行人脸检测。
本发明实施例中各单元实现各自功能的过程，请参见前述图3、图4所示实施例中的相关描述，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
请参阅图10，第八实施例提供了一种基于网络摄像机的人体特征识别装置，可应用于图1所示的服务器20中，该装置包括：
提取单元71，用于从预先设置的人体特征数据库中提取人体特征；
训练单元72，用于根据该人体特征训练人体特征识别分类器；
发送单元73，用于将该人体特征识别分类器发送给网络摄像机，使得该网络摄像机根据该人体特征识别分类器对目标人体特征进行分类识别；
接收单元74，用于接收该网络摄像机分类发送的识别出的该目标人体特征，以及与该目标人体特征对应的兴趣信息；
分析单元75，用于分析该目标人体特征与该兴趣信息的关联关系；
生成单元76，用于将该关联关系生成报表。
本发明实施例中各单元实现各自功能的过程，请参见前述图6所示实施例中的相关描述，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
请参阅图11，第九实施例提供了一种基于网络摄像机的人体特征识别装置，可应用于图1所示的服务器20中，与图10所示实施例中的装置相似，不同之处在于，进一步地，提取单元71还用于通过主动外观模型提取人脸图像的关键特征点，该关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置。
进一步地，训练单元72包括：
校正单元721，用于通过该人脸图像中两眼之间的位置关系对该人脸图像进行校正，使得该人脸图像端正无倾斜；
第一获取单元722，用于获取校正后的人脸图像的关键特征点的坐标；
分割单元723，用于根据校正后的人脸图像的关键特征点的坐标，分割该校正后的人脸图像为多个子区域以进行主成份分析降维，并保存该人脸图像中各子区域的均值向量和特征向量；
第二获取单元724，用于将各子区域分别对应的关键特征点输入人脸特征模型，获得不同性别的人脸图像的各关键特征点之间的内在联系；
输入单元725，用于将获得的不同性别之间的人脸图像的各关键特征点之间的内在联系输入到支持向量机中，训练得到性别识别分类器。
进一步地，基于网络摄像机的人体特征识别装置还包括：
更新单元87，用于更新该人体特征数据库。
提取单元71，还用于从更新后的人体特征数据库中提取人体特征，以重新训练人体特征识别分类器。
本发明实施例中各单元实现各自功能的过程，请参见前述图6、图7所示实施例中的相关描述，此处不再赘述。
本实施例中，在网络摄像机侧进行目标人体特征的识别，提高了识别目标人体特征的效率、精确度和实时性，而用于识别的人体特征识别分类器则在服务器侧训练得到，节约了数据处理时间，提高数据处理速度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种基于网络摄像机的人体特征识别方法，其特征在于，包括：
网络摄像机采集视频监控数据；
从所述视频监控数据中提取目标人体特征的参数；
根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征；
将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表；
所述从所述视频监控数据中提取目标人体特征的参数包括：
从所述视频监控数据中，通过预先训练好的人脸分类器检测出人脸图像；
通过主动外观模型提取每个人脸图像的关键特征点，所述关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置；
通过所述人脸图像中两眼之间的位置关系对所述人脸图像进行校正，使得所述人脸图像端正无倾斜；检测到的人脸图像可能是倾斜的，会影响对目标人体特征的识别；因此，先判断人脸图像是否端正、有无倾斜，若有倾斜，则要校正该人脸图像；通过该人脸图像中两眼之间的位置关系判断人脸图像有无倾斜；人脸图像中左眼和右眼的坐标分别为E1(x0，y0)，E2(x1，y1)，根据该坐标可以求出两只眼睛之间的连线和X坐标轴之间的夹角α，将人脸图像绕原点(即图像的左上角)顺时针旋转α度，即可校正人脸图像的位置为无倾斜；其中α的计算公式如下：
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>arctan</mi>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
</mrow>
人脸图像的位置得到了校正，但人脸图像旋转α度后的像素值是不变的,获取校正后的人脸图像的关键特征点的坐标；
所述根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征包括：
根据所述校正后的人脸图像的关键特征点的坐标，以及从所述服务器上获取的各子区域的均值向量和特征向量，分割所述校正后的人脸图像为多个子区域以进行主成份分析降维；
将各所述子区域分别对应的关键特征点输入从所述服务器上获取的已训练好的人脸特征模型，得到不同性别的人脸图像的各关键特征点之间的内在联系；
将获得的所述不同性别之间的人脸图像的各关键特征点之间的内在联系输入到从所述服务器上获取的已训练好的性别识别分类器中，分类识别出男性及女性；
所述方法还包括：
在图像数据库中提取Harr-like特征，训练自适应增强分类器进行人脸检测；
服务器从预先设置的人体特征数据库中提取人体特征；
根据所述人体特征训练人体特征识别分类器；
将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别；
接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息；
分析所述目标人体特征与所述兴趣信息的关联关系，并将所述关联关系生成报表；
通过主动外观模型提取人脸图像的关键特征点，所述关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置；
通过所述人脸图像中两眼之间的位置关系对所述人脸图像进行校正，使得所述人脸图像端正无倾斜；
获取校正后的人脸图像的关键特征点的坐标；
根据所述校正后的人脸图像的关键特征点的坐标，分割所述校正后的人脸图像为多个子区域以进行主成份分析降维，并保存所述人脸图像中各所述子区域的均值向量和特征向量；
将各所述子区域分别对应的关键特征点输入人脸特征模型，获得不同性别的人脸图像的各关键特征点之间的内在联系；
将获得的所述不同性别之间的人脸图像的各关键特征点之间的内在联系输入到支持向量机中，训练得到性别识别分类器；
更新所述人体特征数据库；
从更新后的人体特征数据库中提取人体特征，以重新训练人体特征识别分类器。
2.一种基于网络摄像机的人体特征识别装置，其特征在于，包括：
采集单元，用于采集视频监控数据；
提取单元，用于从所述视频监控数据中提取目标人体特征的参数；
识别单元，用于根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征；
发送单元，用于将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表；
所述提取单元包括：
检测单元，用于从所述视频监控数据中，通过预先训练好的人脸分类器检测出人脸图像；
提取特征点单元，用于通过主动外观模型提取每个人脸图像的关键特征点，所述关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置；
校正单元，用于通过所述人脸图像中两眼之间的位置关系对所述人脸图像进行校正，使得所述人脸图像端正无倾斜；
第一获取单元，用于获取校正后的人脸图像的关键特征点的坐标；
所述识别单元包括：
分割单元，用于根据所述校正后的人脸图像的关键特征点的坐标，以及从所述服务器上获取的各子区域的均值向量和特征向量，分割所述校正后的人脸图像为多个子区域以进行主成份分析降维；
第二获取单元，用于将各所述子区域分别对应的关键特征点输入从所述服务器上获取的已训练好的性别分类模型，得到不同性别的人脸图像的各关键特征点之间的内在联系；
输入单元，用于将获得的所述不同性别之间的人脸图像的各关键特征点之间的内在联系输入到从所述服务器上获取的已训练好的性别识别分类器中，分类识别出男性及女性；
所述装置还包括：
训练单元，用于在图像数据库中提取Harr-like特征，训练自适应增强分类器进行人脸检测；
所述装置还包括：
提取单元，用于从预先设置的人体特征数据库中提取人体特征；
训练单元，用于根据所述人体特征训练人体特征识别分类器；
发送单元，用于将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别；
接收单元，用于接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息；
分析单元，用于分析所述目标人体特征与所述兴趣信息的关联关系；
生成单元，用于将所述关联关系生成报表；
所述提取单元，还用于通过主动外观模型提取人脸图像的关键特征点，所述关键特征点包括人脸图像中的眼睛、鼻子和嘴巴位置；
所述训练单元包括：
校正单元，用于通过所述人脸图像中两眼之间的位置关系对所述人脸图像进行校正，使得所述人脸图像端正无倾斜；
第一获取单元，用于获取校正后的人脸图像的关键特征点的坐标；
分割单元，用于根据所述校正后的人脸图像的关键特征点的坐标，分割所述校正后的人脸图像为多个子区域以进行主成份分析降维，并保存所述人脸图像中各所述子区域的均值向量和特征向量；
第二获取单元，用于将各所述子区域分别对应的关键特征点输入人脸特征模型，获得不同性别的人脸图像的各关键特征点之间的内在联系；
输入单元，用于将获得的所述不同性别之间的人脸图像的各关键特征点之间的内在联系输入到支持向量机中，训练得到性别识别分类器；
所述装置还包括：
更新单元，用于更新所述人体特征数据库；
所述提取单元，还用于从更新后的人体特征数据库中提取人体特征，以重新训练人体特征识别分类器。
3.一种基于网络摄像机的人体特征识别系统，其特征在于，包括：
网络摄像机及服务器；
其中，所述网络摄像机，用于采集视频监控数据，从所述视频监控数据中提取目标人体特征的参数，根据所述目标人体特征的参数，通过预先从服务器获取的人体特征识别分类器，分类识别出所述目标人体特征，将分类识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息发送给所述服务器，使得所述服务器对所述目标人体特征及所述兴趣信息进行分析，并生成表示所述目标人体特征与所述兴趣信息之间关联关系的报表；
所述服务器，用于从预先设置的人体特征数据库中提取人体特征，根据所述人体特征训练人体特征识别分类器，将所述人体特征识别分类器发送给网络摄像机，使得所述网络摄像机根据所述人体特征识别分类器对目标人体特征进行分类识别，接收所述网络摄像机分类发送的识别出的所述目标人体特征，以及与所述目标人体特征对应的兴趣信息，分析所述目标人体特征与所述兴趣信息的关联关系，并将所述关联关系生成报表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410326471.1A CN104091173B (zh) | 2014-07-10 | 2014-07-10 | 一种基于网络摄像机的性别识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410326471.1A CN104091173B (zh) | 2014-07-10 | 2014-07-10 | 一种基于网络摄像机的性别识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104091173A CN104091173A (zh) | 2014-10-08 |
| CN104091173B true CN104091173B (zh) | 2018-01-26 |
Family
ID=51638888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410326471.1A Active CN104091173B (zh) | 2014-07-10 | 2014-07-10 | 一种基于网络摄像机的性别识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104091173B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463142B (zh) * | 2014-12-26 | 2018-10-16 | 中科创达软件股份有限公司 | 一种基于人脸图像的性别识别方法及装置 |
| CN104657708A (zh) * | 2015-02-02 | 2015-05-27 | 郑州酷派电子设备有限公司 | 一种新型三维物体识别装置及方法 |
| CN105678591A (zh) * | 2016-02-29 | 2016-06-15 | 北京时代云英科技有限公司 | 一种基于视频分析的商业智能化经营决策支撑系统和方法 |
| CN106295597A (zh) * | 2016-08-17 | 2017-01-04 | 浪潮电子信息产业股份有限公司 | 一种获取客流信息的方法及装置 |
| CN106653057A (zh) * | 2016-09-30 | 2017-05-10 | 北京智能管家科技有限公司 | 一种数据处理方法及装置 |
| CN107666573A (zh) * | 2017-10-13 | 2018-02-06 | 北京奇虎科技有限公司 | 摄像头场景下对象视频的录制方法及装置、计算设备 |
| CN110674744A (zh) * | 2019-09-24 | 2020-01-10 | 京东方科技集团股份有限公司 | 一种年龄识别方法、装置及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127830A (zh) * | 2007-09-13 | 2008-02-20 | 上海大学 | 基于嵌入式具有识别功能的智能网络摄像机 |
| CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070065003A1 (en) * | 2005-09-21 | 2007-03-22 | Lockheed Martin Corporation | Real-time recognition of mixed source text |
-
2014
- 2014-07-10 CN CN201410326471.1A patent/CN104091173B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127830A (zh) * | 2007-09-13 | 2008-02-20 | 上海大学 | 基于嵌入式具有识别功能的智能网络摄像机 |
| CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人脸图像的性别识别与年龄估计研究;陆丽;《中国博士学位论文全文数据库 信息科技辑》;20101015;论文正文第17-21，41-44,48-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104091173A (zh) | 2014-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104091173B (zh) | 一种基于网络摄像机的性别识别方法及装置 | |
| KR102596897B1 (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
| Jin et al. | A mobile application of American sign language translation via image processing algorithms | |
| CN105069472B (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
| CN107103298B (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
| CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
| US20160154469A1 (en) | Mid-air gesture input method and apparatus | |
| CN104680121B (zh) | 一种人脸图像的处理方法及装置 | |
| CN107798318A (zh) | 一种机器人识别面部快乐微表情的方法及其装置 | |
| CN108108684A (zh) | 一种融合视线检测的注意力检测方法 | |
| CN104200200B (zh) | 融合深度信息和灰度信息实现步态识别的系统及方法 | |
| CN108647625A (zh) | 一种表情识别方法及装置 | |
| CN106909220A (zh) | 一种适用于触控的视线交互方法 | |
| CN103810491A (zh) | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 | |
| CN106599785B (zh) | 人体3d特征身份信息库的建立方法及设备 | |
| CN103971106B (zh) | 多视角人脸图像性别识别方法及装置 | |
| CN106650619A (zh) | 一种人体动作识别方法 | |
| CN108197534A (zh) | 一种人头部姿态检测方法、电子设备及存储介质 | |
| CN106096551A (zh) | 人脸部位识别的方法和装置 | |
| CN103902978A (zh) | 人脸检测及识别方法 | |
| CN111209818A (zh) | 视频个体识别方法、系统、设备及可读存储介质 | |
| CN109544523A (zh) | 基于多属性人脸比对的人脸图像质量评价方法及装置 | |
| CN105930798A (zh) | 基于学习的面向手机应用的舌像快速检测分割方法 | |
| CN102184016B (zh) | 基于视频序列识别的无接触式鼠标控制方法 | |
| CN109325408A (zh) | 一种手势判断方法及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180906 Address after: 523710 26 Pingshan 188 Industrial Avenue, Tangxia Town, Dongguan, Guangdong Patentee after: Central Intelligence Polytron Technologies Inc Address before: 518000 Guangdong Shenzhen Longgang District Bantian five and Xinhua new industrial zone, central control building 1 to nine floors. Patentee before: Shenzhen Zhongkong Biometrics Technology Co., Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Patentee after: Entropy Technology Co., Ltd Address before: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Patentee before: Zhongkong Smart Technology Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: No.32, Pingshan Industrial Road, Tangxia Town, Dongguan City, Guangdong Province, 523710 Patentee after: Entropy Technology Co., Ltd Address before: 523710 26 Pingshan 188 Industrial Avenue, Tangxia Town, Dongguan, Guangdong Patentee before: Entropy Technology Co., Ltd |