CN105069408B - 一种复杂场景下基于人脸识别的视频人像跟踪方法 - Google Patents
一种复杂场景下基于人脸识别的视频人像跟踪方法 Download PDFInfo
- Publication number
- CN105069408B CN105069408B CN201510442174.8A CN201510442174A CN105069408B CN 105069408 B CN105069408 B CN 105069408B CN 201510442174 A CN201510442174 A CN 201510442174A CN 105069408 B CN105069408 B CN 105069408B
- Authority
- CN
- China
- Prior art keywords
- face
- frame
- track
- tracking
- video
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种复杂场景下基于人脸识别的视频人像跟踪方法,包括以下步骤:1)对获取的视频数据进行解码,得到一系列视频帧图像;2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理,获得所有可能的人脸轨迹;3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度,合并相似度高于设定阈值的人脸轨迹;4)输出合并后的人脸轨迹。与现有技术相比,本发明具有处理速度快、检测精度高、误报率低等优点,并且能解决因为遮挡,人头转动导致的人脸轨迹中断和混淆的问题。
Description
技术领域
本发明涉及视频处理技术领域,尤其是涉及一种复杂场景下基于人脸识别的视频人像跟踪方法。
背景技术
人脸跟踪是在视频或图像序列中确定某个人脸的运动轨迹及大小变化的过程。一直以来,人脸跟踪在图像分析与识别图像监控与检索等领域都具有重大意义,例如手机彩信中的视频彩信、人机界面、权限控制、智能监视系统等,跟踪的准确性、精度和鲁棒性问题一直是业界关心的主要问题,许多行之有效的算法也相继出现。目前主流的视频人像跟踪算法主要有如下几种:
a)基于人脸检测的方法:对于视频中每一帧图像进行人脸检测,然后根据前后帧人像位置关系将前后帧中的人脸进行关联,得到视频中的人脸轨迹。
b)基于人脸检测和物体跟踪的方法,是对于上一种方法做出的改进:对于视频中每隔固定帧进行人脸检测,固定帧之后到下个固定帧的人脸位置通过物体跟踪的方法获得。常用的物体跟踪方法包括optical flow、mean shift等。
上述方案在针对简单场景的时候(人脸清晰,以正脸为主,没有遮挡)的时候有较好的效果,但上述方案没有充分利用视频信息,对于复杂场景(遮挡频繁,人脸转动范围大)的时候容易出现人脸轨迹中断、人脸轨迹混淆等情况,易造成误报,性能差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种处理速度快、检测精度高、误报率低的复杂场景下基于人脸识别的视频人像跟踪方法。
本发明的目的可以通过以下技术方案来实现:
一种复杂场景下基于人脸识别的视频人像跟踪方法,包括以下步骤:
1)对获取的视频数据进行解码,得到一系列视频帧图像;
2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理,获得所有可能的人脸轨迹;
3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度,合并相似度高于设定阈值的人脸轨迹;
4)输出合并后的人脸轨迹。
所述步骤2)具体为:
201)对步骤1)获得的一系列视频帧图像进行分组,每隔m帧取一视频帧图像为检测帧Fkm;
202)对所选取的多个检测帧Fkm进行人脸检测,在各检测帧上标示人脸框;
203)取检测帧Fkm后的(m-1)帧作为跟踪帧,在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹,从而获得所有可能的人脸轨迹。
所述步骤203)中,在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为:
2a)假设一张人脸在检测帧Fkm上的位置为Dkm,在检测帧Fkm上人脸框的1.5倍区域D'km内寻找满足设定条件的跟踪稳定点;
2b)使用optical flow算法获得D'km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置;
2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移,从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1;
2d)以估计位置D’km+1作为基础,在跟踪帧Fkm+1上进行局部人脸检测,获得人脸的精确位置Dkm+1;
2e)重复步骤2a)~2d),直到人脸轨迹中断或所有检测帧检测完毕,得到所有可能的人脸轨迹。
所述人脸轨迹中断的条件包括:
I)人脸位置位于视频帧图像边缘;
II)无法找到满足设定条件的跟踪稳定点;
III)无法在下一帧的估计位置处检测到人脸。
所述满足设定条件的跟踪稳定点是指跟踪稳定点个数大于100。
所述步骤3)后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹,其中,时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内;空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度。
所述步骤3)具体为:
301)对步骤2)获得的所有人脸轨迹抽取LBP特征,并对LBP特征降维获得最终的识别特征;
302)对所有人脸轨迹根据其结束帧先后顺序进行排序,依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度:
当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸,进行交叉比对得到n2组相似度,取其中最高的一组作为两条轨迹的相似度,其中,交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到;
303)合并相似度大于设定阈值的两组轨迹。
所述步骤301)中,对人脸轨迹抽取识别特征具体为:
3a)从人脸轨迹中任意挑选N帧人脸;
3b)对于每帧人脸抽取其LBP特征;
3c)使用预先训练好的降维矩阵对LBP特征进行降维,得到最终的识别特征。
与现有技术相比,本发明具有以下优点:
1)本发明通过计算当前人脸轨迹与后续临近人脸轨迹间相似度,对相似度高的两条轨迹进行合并,有效解决了在复杂场景下,人脸轨迹由于遮挡、转动等导致的中断问题;
2)本发明在进行跟踪帧人脸检测时,通过物体跟踪+局部检测的方案,增加了系统处理速度,同时避免了因为遮挡导致的人脸轨迹混淆和误报问题。
具体实施方式
下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种复杂场景下基于人脸识别的视频人像跟踪方法,该方法输入为一段人像视频,输出为若干段人脸轨迹,每个人脸轨迹包含该人脸出现的所有帧号和对应帧中人脸位置。该方法具体步骤如下:
1)对获取的视频数据进行解码,得到一系列视频帧图像。
2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理,获得所有可能的人脸轨迹{Gi},具体为:
201)对步骤1)获得的一系列视频帧图像进行分组,每隔m帧取一视频帧图像为检测帧Fkm,m可取为3~5;
202)对所选取的多个检测帧Fkm进行人脸检测,在各检测帧上标示人脸框;
203)取检测帧Fkm后的(m-1)帧作为跟踪帧,即将Fkm+1,Fkm+2,...,Fkm+m-1作为跟踪帧,在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹,从而获得所有可能的人脸轨迹。
步骤203)中,在每个跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为:
2a)人脸在检测帧Fkm上的位置为Dkm,在检测帧Fkm上人脸框的1.5倍区域D’km内寻找满足设定条件的跟踪稳定点;
2b)使用optical flow算法获得D’km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置;
2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移,从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1;
2d)以估计位置D’km+1作为基础,在估计位置D’km+1附近区域,一般为人脸框扩大3倍区域,在跟踪帧Fkm+1上进行局部人脸检测,获得人脸的精确位置Dkm+1;
2e)重复步骤2a)~2d),直到人脸轨迹中断或所有检测帧检测完毕,得到所有可能的人脸轨迹。
这里的人脸轨迹中断的条件包括:
I)人脸位置位于视频帧图像边缘;
II)无法找到满足设定条件的跟踪稳定点,满足设定条件的跟踪稳定点是指跟踪稳定点个数大于100;
III)无法在下一帧的估计位置处检测到人脸。
3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度,合并相似度高于设定阈值的人脸轨迹。
后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹,其中,时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内,S帧为3~6s;空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度,L大等于5。
步骤3)具体为:
301)对步骤2)获得的所有人脸轨迹抽取LBP特征,并对LBP特征降维获得最终的识别特征:
3a)从人脸轨迹中任意挑选N帧人脸,这里的N可取为3~5;
3b)对于每帧人脸抽取其LBP特征,这是一个高维数组;
3c)使用预先训练好的降维矩阵(PCA+LDA)对LBP特征进行降维,得到最终的识别特征;
302)对所有人脸轨迹根据其结束帧先后顺序进行排序,依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度:
当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸,进行交叉比对得到n2组相似度,取其中最高的一组作为两条轨迹的相似度,其中,交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到,n可取为5;
303)合并相似度大于设定阈值的两组轨迹。
通过上述方法获得的人脸轨迹误报率在万分之一,置信度为95%。
Claims (6)
1.一种复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,包括以下步骤:
1)对获取的视频数据进行解码,得到一系列视频帧图像;
2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理,获得所有可能的人脸轨迹;
3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度,合并相似度高于设定阈值的人脸轨迹,所述后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹,其中,时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内;空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度;
4)输出合并后的人脸轨迹;
所述步骤3)具体为:
301)对步骤2)获得的所有人脸轨迹抽取识别特征;
302)对所有人脸轨迹根据其结束帧先后顺序进行排序,依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度:
当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸,进行交叉比对得到n2组相似度,取其中最高的一组作为两条轨迹的相似度,其中,交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到;
303)合并相似度大于设定阈值的两组轨迹。
2.根据权利要求1所述的复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,所述步骤2)具体为:
201)对步骤1)获得的一系列视频帧图像进行分组,每隔m帧取一视频帧图像为检测帧Fkm;
202)对所选取的多个检测帧Fkm进行人脸检测,在各检测帧上标示人脸框;
203)取检测帧Fkm后的(m-1)帧作为跟踪帧,在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹,从而获得所有可能的人脸轨迹。
3.根据权利要求2所述的复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,所述步骤203)中,在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为:
2a)假设一张人脸在检测帧Fkm上的位置为Dkm,在检测帧Fkm上人脸框的1.5倍区域D'km内寻找满足设定条件的跟踪稳定点;
2b)使用optical flow算法获得D'km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置;
2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移,从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1;
2d)以估计位置D’km+1作为基础,在跟踪帧Fkm+1上进行局部人脸检测,获得人脸的精确位置Dkm+1;
2e)重复步骤2a)~2d),直到人脸轨迹中断或所有检测帧检测完毕,得到所有可能的人脸轨迹。
4.根据权利要求3所述的复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,所述人脸轨迹中断的条件包括:
I)人脸位置位于视频帧图像边缘;
II)无法找到满足设定条件的跟踪稳定点;
III)无法在下一帧的估计位置处检测到人脸。
5.根据权利要求3或4所述的复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,所述设定条件是指跟踪稳定点个数大于100。
6.根据权利要求1所述的复杂场景下基于人脸识别的视频人像跟踪方法,其特征在于,所述步骤301)中,对人脸轨迹抽取识别特征具体为:
3a)从人脸轨迹中任意挑选N帧人脸;
3b)对于每帧人脸抽取其LBP特征;
3c)使用预先训练好的降维矩阵对LBP特征进行降维,得到最终的识别特征。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442174.8A CN105069408B (zh) | 2015-07-24 | 2015-07-24 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
PCT/CN2016/092299 WO2017016516A1 (zh) | 2015-07-24 | 2016-07-29 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
SG11201801053SA SG11201801053SA (en) | 2015-07-24 | 2016-07-29 | Method for face recognition-based video human image tracking under complex scenes |
PH12018500227A PH12018500227A1 (en) | 2015-07-24 | 2018-01-29 | Method for face recognition-based video human image tracking under complex scenes |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442174.8A CN105069408B (zh) | 2015-07-24 | 2015-07-24 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069408A CN105069408A (zh) | 2015-11-18 |
CN105069408B true CN105069408B (zh) | 2018-08-03 |
Family
ID=54498770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510442174.8A Active CN105069408B (zh) | 2015-07-24 | 2015-07-24 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
Country Status (4)
Country | Link |
---|---|
CN (1) | CN105069408B (zh) |
PH (1) | PH12018500227A1 (zh) |
SG (1) | SG11201801053SA (zh) |
WO (1) | WO2017016516A1 (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069408B (zh) * | 2015-07-24 | 2018-08-03 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
CN105760826B (zh) | 2016-02-03 | 2020-11-13 | 歌尔股份有限公司 | 一种人脸跟踪方法、装置和智能终端 |
CN106022220B (zh) * | 2016-05-09 | 2020-02-28 | 北京河马能量体育科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
CN107798272B (zh) * | 2016-08-30 | 2021-11-02 | 佳能株式会社 | 快速多目标检测与跟踪系统 |
DE102017205458A1 (de) * | 2017-03-30 | 2018-10-04 | Robert Bosch Gmbh | System und ein Verfahren zur Erkennung von Augen und Händen, insbesondere für ein Kraftfahrzeug |
CN107066983B (zh) * | 2017-04-20 | 2022-08-09 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
CN107633208B (zh) * | 2017-08-17 | 2018-12-18 | 平安科技(深圳)有限公司 | 电子装置、人脸追踪的方法及存储介质 |
CN107609497B (zh) * | 2017-08-31 | 2019-12-31 | 武汉世纪金桥安全技术有限公司 | 基于视觉跟踪技术的实时视频人脸识别方法及系统 |
CN109859234B (zh) * | 2017-11-29 | 2023-03-24 | 深圳Tcl新技术有限公司 | 一种视频人体轨迹跟踪方法、装置及存储介质 |
CN108509896B (zh) * | 2018-03-28 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
CN108921008B (zh) * | 2018-05-14 | 2024-06-11 | 深圳市商汤科技有限公司 | 人像识别方法、装置及电子设备 |
CN109034178A (zh) * | 2018-05-28 | 2018-12-18 | 北京文香信息技术有限公司 | 一种基于人脸特征数组的人数统计方法 |
CN109325964B (zh) * | 2018-08-17 | 2020-08-28 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人脸追踪方法、装置及终端 |
CN109492594A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于深度学习网络的课堂听课者抬头率检测方法 |
CN109657609B (zh) * | 2018-12-19 | 2022-11-08 | 新大陆数字技术股份有限公司 | 人脸识别方法及系统 |
CN109709541A (zh) * | 2018-12-26 | 2019-05-03 | 杭州奥腾电子股份有限公司 | 一种车载环境感知融合系统目标误检处理方法 |
CN109858358A (zh) * | 2018-12-28 | 2019-06-07 | 深圳供电局有限公司 | 楼宇间人员轨迹跟踪方法及其系统、计算机可读存储介质 |
CN109871760B (zh) * | 2019-01-15 | 2021-03-26 | 北京奇艺世纪科技有限公司 | 一种人脸定位方法、装置、终端设备及存储介质 |
CN110119691B (zh) * | 2019-04-19 | 2021-07-20 | 华南理工大学 | 一种基于局部二维模式和不变矩查找的人像定位方法 |
CN110610120B (zh) * | 2019-05-16 | 2024-04-26 | 宁波中科信息技术应用研究院(宁波人工智能产业研究院) | 一种人脸轨迹匹配方法 |
CN110609920B (zh) * | 2019-08-05 | 2022-03-18 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
CN110516620B (zh) * | 2019-08-29 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
CN112767436A (zh) * | 2019-10-21 | 2021-05-07 | 深圳云天励飞技术有限公司 | 一种人脸检测跟踪方法及装置 |
CN111046788A (zh) * | 2019-12-10 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种停留人员的检测方法、装置及系统 |
CN113033264A (zh) * | 2019-12-25 | 2021-06-25 | 中兴通讯股份有限公司 | 行人检索方法、服务器及存储介质 |
CN111242077A (zh) * | 2020-01-20 | 2020-06-05 | 西安奥卡云数据科技有限公司 | 一种人物追踪方法、系统及服务器 |
CN111400047A (zh) * | 2020-03-18 | 2020-07-10 | 青岛牛利智能科技有限公司 | 通过云边协同从监控视频流中进行人脸检测和识别的方法 |
CN111401315B (zh) * | 2020-04-10 | 2023-08-22 | 浙江大华技术股份有限公司 | 基于视频的人脸识别方法、识别装置及存储装置 |
CN111770299B (zh) * | 2020-04-20 | 2022-04-19 | 厦门亿联网络技术股份有限公司 | 一种智能视频会议终端的实时人脸摘要服务的方法及系统 |
CN111553231B (zh) * | 2020-04-21 | 2023-04-28 | 上海锘科智能科技有限公司 | 基于信息融合的人脸抓拍与去重系统、方法、终端及介质 |
CN111582171B (zh) * | 2020-05-08 | 2024-04-09 | 济南博观智能科技有限公司 | 一种行人闯红灯监测方法、装置、系统及可读存储介质 |
CN111797691A (zh) * | 2020-06-03 | 2020-10-20 | 力引万物(深圳)科技有限公司 | 提高人脸识别准确率的方法及处理子系统 |
CN111881776B (zh) * | 2020-07-07 | 2023-07-07 | 腾讯科技(深圳)有限公司 | 动态表情获取方法、装置、存储介质和电子设备 |
CN112131929B (zh) * | 2020-08-06 | 2022-10-11 | 北京航空航天大学 | 一种基于区块链的跨摄像机行人跟踪系统及方法 |
CN112016440B (zh) * | 2020-08-26 | 2024-02-20 | 杭州云栖智慧视通科技有限公司 | 一种基于多目标跟踪的目标推送方法 |
CN112561954B (zh) * | 2020-09-11 | 2023-07-14 | 浙江大华技术股份有限公司 | 目标对象跟踪轨迹的确定方法和装置、存储介质 |
CN112232153A (zh) * | 2020-09-30 | 2021-01-15 | 广东职业技术学院 | 一种获取目标人物的轨迹的方法及系统 |
CN112132103B (zh) * | 2020-09-30 | 2024-09-06 | 新华智云科技有限公司 | 一种视频人脸检测识别方法和系统 |
CN112489076B (zh) * | 2020-12-06 | 2024-05-28 | 北京工业大学 | 一种多目标跟踪方法与系统 |
CN112541434B (zh) * | 2020-12-14 | 2022-04-12 | 无锡锡商银行股份有限公司 | 一种基于中心点跟踪模型的人脸识别方法 |
CN112651369A (zh) * | 2020-12-31 | 2021-04-13 | 南京视察者智能科技有限公司 | 一种监控场景下行人识别的方法及装置 |
CN113205079B (zh) * | 2021-06-04 | 2023-09-05 | 北京奇艺世纪科技有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN113642450B (zh) * | 2021-08-09 | 2024-08-13 | 北京智胜远景科技有限公司 | 视频人脸识别方法、系统及存储介质 |
CN114360028A (zh) * | 2022-01-12 | 2022-04-15 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN117576764B (zh) * | 2024-01-15 | 2024-04-16 | 四川大学 | 一种基于多目标追踪的视频无关人员自动识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020345B2 (en) * | 2001-04-26 | 2006-03-28 | Industrial Technology Research Institute | Methods and system for illuminant-compensation |
CN103150546A (zh) * | 2012-12-26 | 2013-06-12 | 冉阳 | 视频人脸识别方法和装置 |
CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
CN104731964A (zh) * | 2015-04-07 | 2015-06-24 | 上海海势信息科技有限公司 | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010008561A1 (en) * | 1999-08-10 | 2001-07-19 | Paul George V. | Real-time object tracking system |
US9087273B2 (en) * | 2011-11-15 | 2015-07-21 | Facebook, Inc. | Facial recognition using social networking information |
CN105069408B (zh) * | 2015-07-24 | 2018-08-03 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
-
2015
- 2015-07-24 CN CN201510442174.8A patent/CN105069408B/zh active Active
-
2016
- 2016-07-29 WO PCT/CN2016/092299 patent/WO2017016516A1/zh active Application Filing
- 2016-07-29 SG SG11201801053SA patent/SG11201801053SA/en unknown
-
2018
- 2018-01-29 PH PH12018500227A patent/PH12018500227A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020345B2 (en) * | 2001-04-26 | 2006-03-28 | Industrial Technology Research Institute | Methods and system for illuminant-compensation |
CN103150546A (zh) * | 2012-12-26 | 2013-06-12 | 冉阳 | 视频人脸识别方法和装置 |
CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
CN104731964A (zh) * | 2015-04-07 | 2015-06-24 | 上海海势信息科技有限公司 | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 |
Non-Patent Citations (1)
Title |
---|
一种改进的基于光流法的运动目标跟踪算法;吴阳 等;《机电一体化》;20111231;第18-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105069408A (zh) | 2015-11-18 |
PH12018500227A1 (en) | 2018-08-13 |
WO2017016516A1 (zh) | 2017-02-02 |
SG11201801053SA (en) | 2018-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069408B (zh) | 一种复杂场景下基于人脸识别的视频人像跟踪方法 | |
Bondi et al. | Real-time people counting from depth imagery of crowded environments | |
Chen et al. | Augmented ship tracking under occlusion conditions from maritime surveillance videos | |
CN107122751B (zh) | 一种基于人脸对齐的人脸跟踪和人脸图像捕获方法 | |
Dan et al. | Robust people counting system based on sensor fusion | |
Pan et al. | Robust abandoned object detection using region-level analysis | |
Fu et al. | Disruptor-aware interval-based response inconsistency for correlation filters in real-time aerial tracking | |
CN110569785B (zh) | 一种融合跟踪技术的人脸识别方法 | |
Deilamani et al. | Moving object tracking based on mean shift algorithm and features fusion | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN105138990A (zh) | 一种基于单目摄像头的手势凸包检测与掌心定位方法 | |
Tsintotas et al. | DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM | |
Nguyen et al. | A real-time ellipse detection based on edge grouping | |
WO2021022698A1 (zh) | 尾随检测方法、装置、电子设备及存储介质 | |
CN102629329A (zh) | 基于自适应sift算法的人员室内定位方法 | |
Guo et al. | Asynchronous trajectory matching-based multimodal maritime data fusion for vessel traffic surveillance in inland waterways | |
Yang et al. | A method of pedestrians counting based on deep learning | |
CN111325073B (zh) | 基于运动信息聚类的监控视频异常行为检测方法 | |
Chau et al. | Online evaluation of tracking algorithm performance | |
Biswas et al. | Short local trajectory based moving anomaly detection | |
Luo et al. | A real-time people counting approach in indoor environment | |
Taalimi et al. | Robust multi-object tracking using confident detections and safe tracklets | |
Jiang et al. | A dynamic gesture recognition method based on computer vision | |
Mehta et al. | Region graph based method for multi-object detection and tracking using depth cameras | |
CN106778915A (zh) | 一种面向多摄像机的目标匹配方法 |
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 |
Effective date of registration: 20190923 Address after: Room 1901E, 488 Yaohua Road, Pudong New Area, Shanghai 201125 Patentee after: Shanghai Yitu Information Technology Co., Ltd. Address before: 200240 room 2, building 1189, No. 839, Minhang District, Shanghai, Wuzhong Road Patentee before: Shanghai is according to figure network technology company limited |
|
TR01 | Transfer of patent right |