CN105787440A - 一种基于人脸特征和步态特征的安保管理方法及系统 - Google Patents

一种基于人脸特征和步态特征的安保管理方法及系统 Download PDF

Info

Publication number
CN105787440A
CN105787440A CN201610089315.7A CN201610089315A CN105787440A CN 105787440 A CN105787440 A CN 105787440A CN 201610089315 A CN201610089315 A CN 201610089315A CN 105787440 A CN105787440 A CN 105787440A
Authority
CN
China
Prior art keywords
face
user
gait feature
gait
face characteristic
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.)
Pending
Application number
CN201610089315.7A
Other languages
English (en)
Inventor
刘祖希
王子彬
张伟
陈朝军
刘亮
肖伟华
马堃
金啸
张广程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Publication of CN105787440A publication Critical patent/CN105787440A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于人脸特征和步态特征的安保管理方法及系统，所述方法包括建立用户特征库、提取视频帧的图像数据、提取用户特征、判断是否为合法用户、核实合法用户等，在人脸识别的基础上，进一步通过步态识别来核实用户的真实性和合法性，可以提供身份识别的准确性。所述系统基于所述方法实现，包括用户特征库模块、视频帧图像数据提取模块、用户特征提取模块、合法用户判断模块、合法用户核实模块等，通过非接触式的人脸识别和步态识别，为安保管理带来方便。

Description

一种基于人脸特征和步态特征的安保管理方法及系统
技术领域
本公开涉及门禁管理领域，特别是一种基于人脸特征和步态特征的安保管理方法及系统。
背景技术
深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功,随着互联网技术的日益更新的不断发展，数字化、网络化、智能化使生活水平更不断提高，其中智能小区管理是其中重要的一环，现有的小区物业管理大部分工作需要人力来完成，我们可以通过深度学习技术赋予摄像头“慧眼识人”的功能，来解决现有小区的安保管理中存在的问题，比如：现有小区通常需要刷卡授权出入，这不仅需要住户主动配合，而且需随身携带门卡。再比如：现有的基于人脸识别的安保管理系统不能避免照片欺骗，即若有恶意用户想恶意进入安保管理区域，可以使用被仿冒者的照片来进行恶意攻击。而在解决现有问题的同时，还可以提供更多的功能服务，比如进行人脸搜索，不仅可以定位陌生人，而且可以帮助应用本公开方法或系统的安保管理人员查找辖区范围内人员的出入记录，比如应用于小区，帮助查找住户小孩的出入记录，还可以为统计安保管理区域内的人流情况等等。
发明内容
针对上述部分问题，本公开提供了一种基于人脸特征和步态特征的安保管理方法及系统，所述方法及系统不仅可以用于普通小区管理，还可以用于其它需要门禁管理或门禁和内部均需要监控管理的地方，比如保密机构，公司，政府等等。所述方法在人脸识别的基础上，进一步通过步态识别来核实用户身份的真实性，提高了身份识别的准确性和真实性。由于人脸识别和步态识别除了在建立用户特征库时需要用户配合外，在应用时均无需接触采集，因此基于所述方法实现的系统，在安保管理时具有简便易行的特点。
一种基于人脸特征和步态特征的安保管理方法，所述方法包括下述步骤：
S100、建立用户特征库：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像，提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
S200、提取视频帧的图像数据：获取源自摄像头的、安保管理范围内的实时视频，将视频进行解码，提取视频帧的图像数据；
S300、提取用户特征：对步骤S200中提取的所述视频帧的图像数据进行用户定位，提取人脸特征及其对应的步态特征；
S400、判断是否为合法用户：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则执行步骤S500；否则给出报警提示；
S500、核实合法用户：将步骤S300中提取的该用户步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
基于所述方法，实现了相应的系统，即一种基于人脸特征和步态特征的安保管理系统，所述系统包括下述模块：
M100、用户特征库模块：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像；提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
M200、视频帧图像数据提取模块：用于在摄像头采集到安保管理范围内的实时视频之后，将视频进行解码，提取视频帧的图像数据并将其传递给模块M300；
M300、用户特征提取模块：所述用户特征提取模块使用图像接收单元接收模块M200中提取的视频帧的图像数据，通过定位单元将接收的图像中的用户进行定位，然后使用特征提取单元分别提取人脸特征和其对应的步态特征；
M400、合法用户判断模块：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则将流程转向模块M500；否则给出报警提示；
M500、合法用户核实模块：将检测到的人脸特征对应的步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
本公开具有无接触，交互自然的特点。当恶意用户使用照片欺骗，即使用被仿冒者的照片以求进入安保管理区域，系统发现则实时提醒门卫，并给对应的用户发送警告消息。本公开系统可以进行人脸搜索，不仅可以定位陌生人，而且可以帮助应用本公开方法或系统的安保管理人员查找辖区范围内人员的出入记录，比如应用于小区，帮助查找住户小孩的出入记录，还可以为统计安保管理区域内的人流情况等等。
附图说明
图1本公开的一个实施例中的一种基于人脸特征和步态特征的安保管理方法流程图。
具体实施方式
在一个基础的实施例中，提供了一种基于人脸特征和步态特征的安保管理方法，所述方法包括下述步骤：
S100、建立用户特征库：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像，提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
S200、提取视频帧的图像数据：获取源自摄像头的、安保管理范围内的实时视频，将视频进行解码，提取视频帧的图像数据；
S300、提取用户特征：对步骤S200中提取的所述视频帧的图像数据进行用户定位，提取人脸特征及其对应的步态特征；
S400、判断是否为合法用户：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则执行步骤S500；否则给出报警提示；
S500、核实合法用户：将步骤S300中提取的该用户步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
在这个实施例中，所述用户信息至少包括人脸图像、步态特征和通信方式，其中通信方式方便在发生有人冒充合法用户时通知该合法用户。所述人脸图像的获取方式可以是在线拍摄，也可以是提供照片上传的方式。所述步态特征的获取是需要事先获取用户的步态图像序列。
优选的，要求人脸图像包含完整正脸的清晰照片，像素值在180*240以上，且两眼距离在35个像素点以上。这样保证人脸能够有效精准地被识别。要求用于获取步态特征的图片序列包含用户完整的身体部分和获取每个图片的时间信息。所述图片序列为用户运动状态下的侧影视图。
优选的，在进行用户特征提取之前，进行人体检测。所述人体检测使用HOG人体检测算法。这里优选使用HOG人体检测算法的原因在于在一幅图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。所述HOG人体检测算法包括下述步骤：
S3020、将图像分成小的连通区域，这些小的连通区域被称为细胞单元；
S3021、采集细胞单元中各像素点的梯度的或边缘的方向直方图；
S3022、将这些直方图组合起来构成特征描述器。
在一个实施例中，所述人脸图像在进行人体检测之前，进行图像预处理，以减少不同光照下对人脸识别效果的影响，比如进行直方图均衡化、Gamma灰度校正等。
在一个实施例中，对用于获取步态特征的图片序列进行系列预处理，包括：侧影提取、侧影归一化、时域序列的处理等。侧影归一化主要是解决由于图片的景深影响，提取的侧影大小不一致的问题。
优选的，所述人脸特征通过在对图像中的人脸位置进行定位后使用深度学习方法来进行提取。
优选的，所述定位使用采用adaboost机器学习方法来实现。在一个实施例中，通过使用大量人脸图像和非人脸图像作为图像样本提取haar特征，采用adaboost机器学习方法离线训练haar特征，自动选择合适的haar特征组合成强分类器，把要检测的人脸图像输入强分类器进行遍历即可进行人脸定位。haar特征是基于灰度图，因此在进行人脸图像检测之前，先将图像处理成灰度图。在训练强分类器时，首先通过大量的具有比较明显的haar特征(矩形)的物体图像用模式识别的方法训练出分类器，分类器是个级联的，每级都以大概相同的识别率保留进入下一级的具有物体特征的候选物体，而每一级的子分类器则由许多haar特征构成(由积分图像计算得到，并保存下位置)，有水平的、竖直的、倾斜的，并且每个特征带一个阈值和两个分支值，每级子分类器带一个总的阈值。识别人脸的时候，同样计算积分图像为后面计算haar特征做准备，然后采用与训练的时候有人脸的窗口同样大小的窗口遍历整幅图像，以后逐渐放大窗口，同样做遍历搜索物体；每当窗口移动到一个位置，即计算该窗口内的haar特征，加权后与分类器中haar特征的阈值比较从而选择左或者右分支值，累加一个级的分支值与相应级的阈值比较，大于该阈值才可以通过进入下一轮筛选。当通过所有的分类器级的时候说明这个人脸以大概率被识别。
在一个实施例中，所述人脸特征包括类间变化和类内变化，所述类间变化是指不同人之间的人脸差异；所述类内变化是指一个人在不同条件下人脸之间的差异。在一个实施例中，列举了产生类内变化的不同条件，即所述不同条件包括表情、光线、年龄所相关的条件。在其它实施例中，不同条件包括表情、光线、年龄、发型、化妆与否等相关的条件。
优选的，给出了深度学习采用的具体函数，即：所述深度学习方法使用非线性变换sigmoid函数：
S ( x ) = 1 1 + e - x .
由于在不同条件下产生的类内变化与由于不同人脸产生的类间变化，这两种变化分布式非线性的且极为复杂，传统的线性模型无法将它们有效的区分开。然而，深度学习方法可以通过非线性变换得到新的特征表示：该特征在尽可能多地去掉类内变化的同时，保留类间变化。通过深度学习方法提取每张人脸个性化的特征，能很大提高人脸识别的准确性。
在一个实施例中，在定位人脸位置之后，还包括实现下述步骤：
S3001、对定位的人脸进行位置的跟踪；
S3002、判断所定位的人脸与当前跟踪位置处的人脸是否为同一目标。
在这个实施例中，当检测不到人脸时，能够通过跟踪这一功能保证检测目标被持续跟踪到。在记录下跟踪的时间和地点之后，可以得到检测目标的轨迹信息，而且可以根据轨迹上的不同人脸照片，无论正脸、左脸还是右脸等等，可以在所述不同人脸照片的基础上，综合得到一个更加全面的目标特征。在多个摄像头的情况下，利用每个摄像头检测的目标轨迹，比对目标特征是否匹配，还能够进行跨多摄像头跟踪。
可选的，所述步骤S302通过比较当前跟踪位置处的人脸与已定位的人脸的面积重合度来判断是否为同一目标。在一个实施例中，比较所定位的人脸与当前跟踪位置处的“人脸”的面积重合度，如果重合度大于阈值，比如0.6，则认为是同一个目标，如果所定位的人脸没有与跟踪的人脸重合或者重合度小于阈值，则认为不是同一目标。
在一个实施例中，所述步骤S302之后，还包括：
S3003、当判断当前跟踪位置处的人脸与已定位的人脸是同一目标时，利用检测的结果修订跟踪结果。
在一个实施例中，所述步骤S302之后，还包括：
S3004、当判断当前跟踪位置处的人脸与步骤S300中已定位的人脸不是同一目标时，则认为当前跟踪位置处的人脸是新的人脸，并进一步增加对新的人脸进行跟踪。
在一个实施例中，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过下述步骤获得：
S3010、获取用户步态的周期性特征矢量；
S3011、基于周期性特征矢量的处理获取步态特征矢量。
在这个实施例中，周期性特征矢量相当于被检测对象的在时间维度上的特征，所述步态特征矢量相当于被检测对象在空间维度上的特征，在周期性特征矢量的基础上获得的不同特征矢量具有较高的鲁棒性。而由于不需要对每一帧图像都进行步态特征矢量提取，能够进行较快的识别判断。所述步态特征矢量至少需要表达下述内容：脚的摆动区域、腿的摆动区域、手臂的摆动区域和躯干的摆动区域。在识别时，当检测对象的不同特征矢量和用户特征库中存储的匹配达到设定阈值时，则认为匹配成功。
优选地，所述周期性特征矢量通过主成分分析方法获得。
更优地，所述步骤S3011中的处理采用的方法是一种基于主成分分析和线性判别分析的联合处理方法。采用这种全局的方法来获得反应人体形态特征的步态特征矢量，对图像品质要求较低，这一优点使本公开方法在通过摄像头获取的动态人员的图像时进行步态识别的场景中尤为重要。
可选的，在步骤S300之后，在步骤S400之前，所述方法还包括下述步骤：
S301、在提取人脸特征及其对应的步态特征之后，还包括将检测到的人脸图像、提取到的步态特征、人脸特征以及图像获取时间、地点进行存储。
这里可以专门建立一个图像数据库，已记录出现过得用户的人脸特征和步态特征信息，用于人员检索，可以得到所有相似人的所有记录。存储的数据可以方便后续备查。在查找时，用户上传一张待搜索的人脸照片，其质量与入库图片要求一致，和已存储的人脸特征进行对比，再结合时间与位置多个维度来搜索，可以将出入历史记录报考截图、时间等检索出来。在一个实施例中，利用存储的数据进行人员搜索，帮助应用本公开方法的小区住户查找小孩的出入记录。在一个实施例中，利用存储的数据统计门禁处人员出入情况，进一步估算安保管理区域的人流数据。在一个实施例中，对陌生人的出入进行定位。
可选的，所述报警提示的内容形式包括采用下述一种或任意多种方式的组合形式：静态文字、图案或动态文字、动态图案、声音。
下面结合附图1阐述本公开的方法。
如图1所示，建立用户特征库时，先采集允许通过门禁的合法用户的用户图像，并对图像进行预处理，然后进行包括人脸特征和步态特征的用户提取，并将包括人脸图像、人脸特征、步态特征以及其对应的用户信息存储到用户特征库中以备使用。在门禁处通过摄像头采集视频源，在经过视频解码、图像预处理、用户检测与跟踪、人脸提取之后，将采集的图像、提取的人脸特征、步态特征以及图像获取时间、地点等信息存储到人脸图像数据库中，以备人员检索，从而可以得到所有相似人的所有记录。在这里提到的用户检测与跟踪，在安保管理区域中，用于记录用户在不同区域出现的情况，方便在定位用户行踪时应用。在进行特征提取之后，紧接着需要进行人脸特征对比，当检测为合法用户时，则使用步态检测进一步核实用户的真实性，否则在保安显示界面给出报警提示；若步态检测通过，则开门；否则，在保安显示界面给出报警提示。可选的，所述报警提示的内容形式包括采用下述一种或任意多种方式的组合形式：静态文字、图案或动态文字、动态图案、声音。所述报警提示可以采用的设备包括使用图像显示设备、声音报警装置等装置来实现。
在一个实施例中，基于所述方法实现了一种基于人脸特征和步态特征的安保管理系统，所述系统包括下述模块：
M100、用户特征库模块：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像；提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
M200、视频帧图像数据提取模块：用于在摄像头采集到安保管理范围内的实时视频之后，将视频进行解码，提取视频帧的图像数据并将其传递给模块M300；
M300、用户特征提取模块：所述用户特征提取模块使用图像接收单元接收模块M200中提取的视频帧的图像数据，通过定位单元将接收的图像中的用户进行定位，然后使用特征提取单元分别提取人脸特征和其对应的步态特征；
M400、合法用户判断模块：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则将流程转向模块M500；否则给出报警提示；
M500、合法用户核实模块：将检测到的人脸特征对应的步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
在这个实施例中，所述用户信息至少包括人脸图像、步态特征和通信方式，其中通信方式方便在发生有人冒充合法用户时通知该合法用户。所述人脸图像的获取方式可以是在线拍摄，也可以是提供照片上传的方式。所述步态特征的获取是需要事先获取用户的步态图像序列。
优选的，要求人脸图像包含完整正脸的清晰照片，像素值在180*240以上，且两眼距离在35个像素点以上。这样保证人脸能够有效精准地被识别。要求用于获取步态特征的图片序列包含用户完整的身体部分和获取每个图片的时间信息。所述图片序列为用户运动状态下的侧影视图。
优选的，在进行用户特征提取之前，进行人体检测。所述人体检测使用HOG人体检测算法。这里优选使用HOG人体检测算法的原因在于在一幅图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。所述HOG人体检测算法包括下述步骤：
S3020、将图像分成小的连通区域，这些小的连通区域被称为细胞单元；
S3021、采集细胞单元中各像素点的梯度的或边缘的方向直方图；
S3022、将这些直方图组合起来构成特征描述器。
在一个实施例中，所述人脸图像在进行人体检测之前，进行图像预处理，以减少不同光照下对人脸识别效果的影响，比如进行直方图均衡化、Gamma灰度校正等。
在一个实施例中，对用于获取步态特征的图片序列进行系列预处理，包括：侧影提取、侧影归一化、时域序列的处理等。侧影归一化主要是解决由于图片的景深影响，提取的侧影大小不一致的问题。
优选地，所述人脸特征通过在对图像中的人脸位置进行定位后使用深度学习方法来进行提取。
优选的，所述定位单元通过采用adaboost机器学习方法来定位图像中的人脸位置。在一个实施例中，通过使用大量人脸图像和非人脸图像作为图像样本提取haar特征，采用adaboost机器学习方法离线训练haar特征，自动选择合适的haar特征组合成强分类器，把要检测的人脸图像输入强分类器进行遍历即可进行人脸定位。haar特征是基于灰度图，因此在进行人脸图像检测之前，先将图像处理成灰度图。在训练强分类器时，首先通过大量的具有比较明显的haar特征(矩形)的物体图像用模式识别的方法训练出分类器，分类器是个级联的，每级都以大概相同的识别率保留进入下一级的具有物体特征的候选物体，而每一级的子分类器则由许多haar特征构成(由积分图像计算得到，并保存下位置)，有水平的、竖直的、倾斜的，并且每个特征带一个阈值和两个分支值，每级子分类器带一个总的阈值。识别人脸的时候，同样计算积分图像为后面计算haar特征做准备，然后采用与训练的时候有人脸的窗口同样大小的窗口遍历整幅图像，以后逐渐放大窗口，同样做遍历搜索物体；每当窗口移动到一个位置，即计算该窗口内的haar特征，加权后与分类器中haar特征的阈值比较从而选择左或者右分支值，累加一个级的分支值与相应级的阈值比较，大于该阈值才可以通过进入下一轮筛选。当通过所有的分类器级的时候说明这个人脸以大概率被识别。
在一个实施例中，所述人脸特征包括类间变化和类内变化，所述类间变化是指不同人之间的人脸差异；所述类内变化是指一个人在不同条件下人脸之间的差异。在一个实施例中，列举了产生类内变化的不同条件，即所述不同条件包括表情、光线、年龄所相关的条件。在其它实施例中，不同条件包括表情、光线、年龄、发型、化妆与否等相关的条件。
优选的，给出了深度学习采用的具体函数，即：所述深度学习方法使用非线性变换sigmoid函数，即：
S ( x ) = 1 1 + e - x .
由于在不同条件下产生的类内变化与由于不同人脸产生的类间变化，这两种变化分布式非线性的且极为复杂，传统的线性模型无法将它们有效的区分开。然而，深度学习方法可以通过非线性变换得到新的特征表示：该特征在尽可能多地去掉类内变化的同时，保留类间变化。通过深度学习方法提取每张人脸个性化的特征，能很大提高人脸识别的准确性。
在一个实施例中，所述模块M300还包括人脸跟踪单元，用于在定位单元定位到人脸的位置之后，判断当前跟踪位置处的人脸与所定位的人脸是否为同一目标。
在这个实施例中，当检测不到人脸时，能够通过跟踪这一功能保证检测目标被持续跟踪到。在记录下跟踪的时间和地点之后，可以得到检测目标的轨迹信息，而且可以根据轨迹上的不同人脸照片，无论正脸、左脸还是右脸等等，可以在所述不同人脸照片的基础上，综合得到一个更加全面的目标特征。在多个摄像头的情况下，利用每个摄像头检测的目标轨迹，比对目标特征是否匹配，还能够进行跨多摄像头跟踪。
可选的，所述人脸跟踪单元通过比较当前跟踪位置处的人脸与人脸定位单元中所定位的人脸的面积重合度来判断是否为同一目标。在一个实施例中，比较所定位的人脸与当前跟踪位置处的“人脸”的面积重合度，如果重合度大于阈值，比如0.6，则认为是同一个目标，如果所定位的人脸没有与跟踪的人脸重合或者重合度小于阈值，则认为不是同一目标。
在一个实施例中，所述系统在判断当前跟踪位置处的人脸与人脸定位单元中所定位的人脸是同一目标时，利用检测的结果修订跟踪结果。
在一个实施例中，所述系统在判断当前跟踪位置处的人脸与人脸定位单元中所定位的人脸不是同一目标时，则认为当前跟踪位置处的人脸是新的人脸，并进一步增加对新的人脸进行跟踪。
在一个实施例中，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过在获取用户步态的周期性特征矢量的基础上，再基于周期性特征矢量的处理获取步态特征矢量。
在一个实施例中，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过下述步骤获得：
S3010、获取用户步态的周期性特征矢量；
S3011、基于周期性特征矢量的处理获取步态特征矢量。
在这个实施例中，周期性特征矢量相当于被检测对象的在时间维度上的特征，所述步态特征矢量相当于被检测对象在空间维度上的特征，在周期性特征矢量的基础上获得的不同特征矢量具有较高的鲁棒性。而由于不需要对每一帧图像都进行步态特征矢量提取，能够进行较快的识别判断。所述步态特征矢量至少需要表达下述内容：脚的摆动区域、腿的摆动区域、手臂的摆动区域和躯干的摆动区域。在识别时，当检测对象的不同特征矢量和用户特征库中存储的匹配达到设定阈值时，则认为匹配成功。
优选地，所述周期性特征矢量通过主成分分析方法获得。
更优地，所述基于周期性特征矢量的处理采用的方法是一种基于主成分分析和线性判别分析的联合处理方法。采用这种全局的方法来获得反应人体形态特征的步态特征矢量，对图像品质要求较低，这一优点使本公开系统在通过摄像头获取的动态人员的图像时进行步态识别的场景中尤为重要。
可选的，所述模块M300在提取人脸特征及其对应的步态特征之后，还将检测到的人脸图像、提取到的步态特征、人脸特征以及图像获取时间、地点进行存储。
这里可以专门建立一个图像数据库，已记录出现过得用户的人脸特征和步态特征信息，用于人员检索，可以得到所有相似人的所有记录。存储的数据可以方便后续备查。在查找时，用户上传一张待搜索的人脸照片，其质量与入库图片要求一致，和已存储的人脸特征进行对比，再结合时间与位置多个维度来搜索，可以将出入历史记录报考截图、时间等检索出来。在一个实施例中，利用存储的数据进行人员搜索，帮助应用本公开方法的小区住户查找小孩的出入记录。在一个实施例中，利用存储的数据统计门禁处人员出入情况，进一步估算安保管理区域的人流数据。在一个实施例中，对陌生人的出入进行定位。
可选的，所述报警提示的内容形式包括采用下述一种或任意多种方式的组合形式：静态文字、图案或动态文字、动态图案、声音。
综上，本公开提供的一种基于人脸特征和步态特征的安保管理方法及系统，所述方法及系统不仅可以用于普通小区管理，还可以用于其它需要门禁管理或门禁和内部均需要监控管理的地方，比如保密机构，公司，政府等等。所述方法采用深度学习来识别人脸，可以提供人脸识别的准确度。通过基于主成分分析和线性判别分析的联合处理方法来获得反应人体形态特征的步态特征矢量，对图像品质要求较低，这一优点使其适用于本公开方法在通过摄像头获取的动态人员的图像时进行步态识别的场景中。所述系统基于所述方法实现，为安保管理带来方便。
以上对本公开进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。

Claims (30)

1.一种基于人脸特征和步态特征的安保管理方法，其特征在于，所述方法包括下述步骤：
S100、建立用户特征库：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像，提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
S200、提取视频帧的图像数据：获取源自摄像头的、安保管理范围内的实时视频，将视频进行解码，提取视频帧的图像数据；
S300、提取用户特征：对步骤S200中提取的所述视频帧的图像数据进行用户定位，提取人脸特征及其对应的步态特征；
S400、判断是否为合法用户：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则执行步骤S500；否则给出报警提示；
S500、核实合法用户：将步骤S300中提取的该用户步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
2.根据权利要求1所述的方法，其特征在于，优选的，所述人脸特征通过在对图像中的人脸位置进行定位后使用深度学习方法来进行提取。
3.根据权利要求2所述的方法，其特征在于，所述定位使用采用adaboost机器学习方法来实现。
4.根据权利要求2所述的方法，其特征在于，所述深度学习方法使用非线性变换sigmoid函数：
S ( x ) = 1 1 + e - x .
5.根据权利要求1～4任一所述的方法，其特征在于：所述人脸特征包括类间变化和类内变化，所述类间变化是指不同人之间的人脸差异；所述类内变化是指一个人在不同条件下人脸之间的差异。
6.根据权利要求5所述的方法，其特征在于，所述不同条件包括表情、光线、年龄所相关的条件。
7.根据权利要求2所述的方法，其特征在于，在定位人脸位置之后，还包括实现下述步骤：
S3001、对定位的人脸进行位置的跟踪；
S3002、判断所定位的人脸与当前跟踪位置处的人脸是否为同一目标。
8.根据权利要求7所述的方法，其特征在于，所述步骤S302通过比较当前跟踪位置处的人脸与已定位的人脸的面积重合度来判断是否为同一目标。
9.根据权利要求7所述的方法，其特征在于，所述步骤S302之后，还包括：
S3003、当判断当前跟踪位置处的人脸与已定位的人脸是同一目标时，利用检测的结果修订跟踪结果。
10.根据权利要求7所述的方法，其特征在于，所述步骤S302之后，还包括：
S3004、当判断当前跟踪位置处的人脸与步骤S300中已定位的人脸不是同一目标时，则认为当前跟踪位置处的人脸是新的人脸，并进一步增加对新的人脸进行跟踪。
11.根据权利要求1所述的方法，其特征在于，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过下述步骤获得：
S3010、获取用户步态的周期性特征矢量；
S3011、基于周期性特征矢量的处理获取步态特征矢量。
12.根据权利要求11所述的方法，其特征在于，所述周期性特征矢量通过主成分分析方法获得。
13.根据权利要求11所述的方法，其特征在于，所述步骤S3011中的处理采用的方法是一种基于主成分分析和线性判别分析的联合处理方法。
14.根据权利要求1所述的方法，其特征在于，在步骤S300之后，在步骤S400之前，所述方法还包括下述步骤：
S301、在提取人脸特征及其对应的步态特征之后，还包括将检测到的人脸图像、提取到的步态特征、人脸特征以及图像获取时间、地点进行存储。
15.根据权利要求1所述的方法，其特征在于，所述报警提示的内容形式包括采用下述一种或任意多种方式的组合形式：静态文字、图案或动态文字、动态图案、声音。
16.一种基于人脸特征和步态特征的安保管理系统，其特征在于，所述系统包括下述模块：
M100、用户特征库模块：收集允许通过门禁的合法用户的用户信息，所述用户信息包含人脸图像；提取所述人脸图像的人脸特征；采集对应用户的步态特征；将人脸特征、步态特征和所述用户信息保存到用户特征库；
M200、视频帧图像数据提取模块：用于在摄像头采集到安保管理范围内的实时视频之后，将视频进行解码，提取视频帧的图像数据并将其传递给模块M300；
M300、用户特征提取模块：所述用户特征提取模块使用图像接收单元接收模块M200中提取的视频帧的图像数据，通过定位单元将接收的图像中的用户进行定位，然后使用特征提取单元分别提取人脸特征和其对应的步态特征；
M400、合法用户判断模块：将检测到的人脸特征和用户特征库进行比对判断；当为合法用户时，则将流程转向模块M500；否则给出报警提示；
M500、合法用户核实模块：将检测到的人脸特征对应的步态特征和用户特征库进行比对判断；当步态特征相似度满足预设值时，则确认该用户为合法用户；否则给出报警提示。
17.根据权利要求16所述的系统，其特征在于，所述人脸特征通过在对图像中的人脸位置进行定位后使用深度学习方法来进行提取。
18.根据权利要求16所述的系统，其特征在于，所述定位单元通过采用adaboost机器学习方法来定位图像中的人脸位置。
19.根据权利要求18所述的系统，其特征在于，所述深度学习方法使用非线性变换sigmoid函数，即：
S ( x ) = 1 1 + e - x .
20.根据权利要求16～19任一所述的系统，其特征在于，所述人脸特征包括类间变化和类内变化，所述类间变化是指不同人之间的人脸差异；所述类内变化是指一个人在不同条件下人脸之间的差异。
21.根据权利要求20所述的系统，其特征在于，所述不同条件包括表情、光线、年龄所相关的条件。
22.根据权利要求21所述的系统，其特征在于，所述模块M300还包括人脸跟踪单元，用于在定位单元定位到人脸的位置之后，判断当前跟踪位置处的人脸与所定位的人脸是否为同一目标。
23.根据权利要求21所述的系统，其特征在于，所述人脸跟踪单元通过比较当前跟踪位置处的人脸与人脸定位单元中所定位的人脸的面积重合度来判断是否为同一目标。
24.根据权利要求21所述的系统，其特征在于，所述系统在判断当前跟踪位置处的人脸与人脸定位单元中所定位的人脸是同一目标时，利用检测的结果修订跟踪结果。
25.根据权利要求21所述的系统，其特征在于，所述系统在判断当前跟踪位置处的人脸与人脸定位单元中所定位的人脸不是同一目标时，则认为当前跟踪位置处的人脸是新的人脸，并进一步增加对新的人脸进行跟踪。
26.根据权利要求16所述的系统，其特征在于，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过在获取用户步态的周期性特征矢量的基础上，再基于周期性特征矢量的处理获取步态特征矢量。
27.根据权利要求26所述的系统，其特征在于，所述周期性特征矢量通过主成分分析方法获得。
28.根据权利要求26所述的系统，其特征在于，所述基于周期性特征矢量的处理采用的方法是一种基于主成分分析和线性判别分析的联合处理方法。
29.根据权利要求16所述的系统，其特征在于，所述模块M300在提取人脸特征及其对应的步态特征之后，还将检测到的人脸图像、提取到的步态特征、人脸特征以及图像获取时间、地点进行存储。
30.根据权利要求16所述的系统，其特征在于，所述报警提示的内容形式包括采用下述一种或任意多种方式的组合形式：静态文字、图案或动态文字、动态图案、声音。
CN201610089315.7A 2015-11-10 2016-02-17 一种基于人脸特征和步态特征的安保管理方法及系统 Pending CN105787440A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510758383 2015-11-10
CN2015107583833 2015-11-10

Publications (1)

Publication Number Publication Date
CN105787440A true CN105787440A (zh) 2016-07-20

Family

ID=56402288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610089315.7A Pending CN105787440A (zh) 2015-11-10 2016-02-17 一种基于人脸特征和步态特征的安保管理方法及系统

Country Status (1)

Country Link
CN (1) CN105787440A (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295618A (zh) * 2016-08-26 2017-01-04 亨特瑞（昆山）新材料科技有限公司 一种基于视频图像的人员识别方法及装置
CN106778556A (zh) * 2016-12-01 2017-05-31 大连因特视智能传感科技有限公司 基于动态人脸识别和步态识别融合的智能身份识别系统
CN106951866A (zh) * 2017-03-21 2017-07-14 北京深度未来科技有限公司 一种人脸认证方法及装置
CN108108693A (zh) * 2017-12-20 2018-06-01 深圳市安博臣实业有限公司 基于3d高清vr全景的智能识别监控装置及识别方法
CN108171138A (zh) * 2017-12-22 2018-06-15 银河水滴科技（北京）有限公司 一种生物特征信息获取方法和装置
WO2018133666A1 (zh) * 2017-01-17 2018-07-26 腾讯科技（深圳）有限公司 视频目标跟踪方法和装置
CN108885698A (zh) * 2018-07-05 2018-11-23 深圳前海达闼云端智能科技有限公司 人脸识别方法、装置和服务器
CN109145742A (zh) * 2018-07-19 2019-01-04 银河水滴科技（北京）有限公司 一种行人识别方法及系统
CN109271961A (zh) * 2018-10-09 2019-01-25 成都阳帆网络科技有限公司 基于人物身份特征识别的行为模式判断方法
CN109343046A (zh) * 2018-09-19 2019-02-15 成都理工大学 基于多频多域深度学习的雷达步态识别方法
CN109446936A (zh) * 2018-10-12 2019-03-08 银河水滴科技（北京）有限公司 一种用于监控场景的身份识别方法及装置
CN109465819A (zh) * 2017-09-08 2019-03-15 株式会社日立大厦系统 人体识别系统及人体识别方法
CN109472897A (zh) * 2018-10-31 2019-03-15 银河水滴科技（北京）有限公司 门禁识别方法及装置
CN109492571A (zh) * 2018-11-02 2019-03-19 北京地平线机器人技术研发有限公司 识别人体年龄的方法、装置及电子设备
CN110097671A (zh) * 2019-05-10 2019-08-06 银河水滴科技（北京）有限公司 基于生物特征的重点区域的解锁方法、装置和存储介质
CN110110703A (zh) * 2019-05-21 2019-08-09 银河水滴科技（北京）有限公司 步态特征采集系统、方法及目标对象识别方法、装置
CN110175587A (zh) * 2019-05-30 2019-08-27 黄岩 一种基于人脸识别和步态识别算法的视频追踪方法
CN110175553A (zh) * 2019-05-23 2019-08-27 银河水滴科技（北京）有限公司 基于步态识别与人脸识别建立特征库的方法及装置
CN110175254A (zh) * 2018-09-30 2019-08-27 广东小天才科技有限公司 一种照片的分类存储方法及可穿戴设备
CN110288731A (zh) * 2019-06-13 2019-09-27 珠海格力电器股份有限公司 一种解锁方法、装置及电子门锁
CN110334564A (zh) * 2019-03-18 2019-10-15 特斯联（北京）科技有限公司 一种基于目标跟踪的常住人口识别方法和系统
WO2019206253A1 (en) * 2018-04-27 2019-10-31 Shanghai Truthvision Information Technology Co., Ltd. Smart door system
CN110956237A (zh) * 2019-11-20 2020-04-03 武汉瑞莱保能源技术有限公司 仓储管理系统
CN111625794A (zh) * 2019-02-28 2020-09-04 广东美的制冷设备有限公司 录入方法、运行控制模块、家电设备、系统和存储介质
WO2020249025A1 (zh) * 2019-06-12 2020-12-17 杭州海康威视数字技术股份有限公司 身份信息的确定方法、装置及存储介质
CN112200955A (zh) * 2020-10-09 2021-01-08 北京首钢自动化信息技术有限公司 一种用于控制目标对象通行的方法及装置
CN112766225A (zh) * 2021-02-01 2021-05-07 黄岩 基于流动性人员的步态自动建库的装置及方法
CN112784740A (zh) * 2021-01-21 2021-05-11 上海市公安局刑事侦查总队 步态数据的采集与标注方法及应用
CN113678178A (zh) * 2019-03-29 2021-11-19 日本电气株式会社 监视系统、监视设备、监视方法和非暂时性计算机可读介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290658A (zh) * 2007-04-18 2008-10-22 中国科学院自动化研究所 一种基于步态的性别识别方法
CN101488185A (zh) * 2009-01-16 2009-07-22 哈尔滨工程大学 基于分块矩阵的步态识别方法
CN101661554A (zh) * 2009-09-29 2010-03-03 哈尔滨工程大学 远距离视频下的正面人体自动身份识别方法
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN101975009A (zh) * 2010-10-29 2011-02-16 无锡中星微电子有限公司 一种自动门控制装置和方法
AU2011101355A4 (en) * 2011-10-20 2011-12-08 Girija Chetty Biometric person identity verification base on face and gait fusion
CN102663371A (zh) * 2012-04-25 2012-09-12 山东大学 一种耦合步态特征的低分辨率人脸识别方法
CN103605972A (zh) * 2013-12-10 2014-02-26 康江科技(北京)有限责任公司 一种基于分块深度神经网络的非限制环境人脸验证方法
CN103942577A (zh) * 2014-04-29 2014-07-23 上海复控华龙微系统技术有限公司 视频监控中基于自建立样本库及混合特征的身份识别方法
CN204537245U (zh) * 2015-04-10 2015-08-05 上海工程技术大学 一种基于Kinect的人体识别考勤系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290658A (zh) * 2007-04-18 2008-10-22 中国科学院自动化研究所 一种基于步态的性别识别方法
CN101488185A (zh) * 2009-01-16 2009-07-22 哈尔滨工程大学 基于分块矩阵的步态识别方法
CN101661554A (zh) * 2009-09-29 2010-03-03 哈尔滨工程大学 远距离视频下的正面人体自动身份识别方法
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN101975009A (zh) * 2010-10-29 2011-02-16 无锡中星微电子有限公司 一种自动门控制装置和方法
AU2011101355A4 (en) * 2011-10-20 2011-12-08 Girija Chetty Biometric person identity verification base on face and gait fusion
CN102663371A (zh) * 2012-04-25 2012-09-12 山东大学 一种耦合步态特征的低分辨率人脸识别方法
CN103605972A (zh) * 2013-12-10 2014-02-26 康江科技(北京)有限责任公司 一种基于分块深度神经网络的非限制环境人脸验证方法
CN103942577A (zh) * 2014-04-29 2014-07-23 上海复控华龙微系统技术有限公司 视频监控中基于自建立样本库及混合特征的身份识别方法
CN204537245U (zh) * 2015-04-10 2015-08-05 上海工程技术大学 一种基于Kinect的人体识别考勤系统

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295618A (zh) * 2016-08-26 2017-01-04 亨特瑞（昆山）新材料科技有限公司 一种基于视频图像的人员识别方法及装置
CN106778556A (zh) * 2016-12-01 2017-05-31 大连因特视智能传感科技有限公司 基于动态人脸识别和步态识别融合的智能身份识别系统
WO2018133666A1 (zh) * 2017-01-17 2018-07-26 腾讯科技（深圳）有限公司 视频目标跟踪方法和装置
TWI677825B (zh) * 2017-01-17 2019-11-21 大陸商騰訊科技（深圳）有限公司 視頻目標跟蹤方法和裝置以及非易失性電腦可讀儲存介質
CN106951866A (zh) * 2017-03-21 2017-07-14 北京深度未来科技有限公司 一种人脸认证方法及装置
CN109465819B (zh) * 2017-09-08 2022-04-05 株式会社日立大厦系统 人体识别系统及人体识别方法
CN109465819A (zh) * 2017-09-08 2019-03-15 株式会社日立大厦系统 人体识别系统及人体识别方法
CN108108693B (zh) * 2017-12-20 2019-02-19 深圳市安博臣实业有限公司 基于3d高清vr全景的智能识别监控装置及识别方法
CN108108693A (zh) * 2017-12-20 2018-06-01 深圳市安博臣实业有限公司 基于3d高清vr全景的智能识别监控装置及识别方法
CN108171138B (zh) * 2017-12-22 2021-03-02 银河水滴科技(宁波)有限公司 一种生物特征信息获取方法和装置
CN108171138A (zh) * 2017-12-22 2018-06-15 银河水滴科技（北京）有限公司 一种生物特征信息获取方法和装置
WO2019206253A1 (en) * 2018-04-27 2019-10-31 Shanghai Truthvision Information Technology Co., Ltd. Smart door system
US11403899B2 (en) 2018-04-27 2022-08-02 Shanghai Truthvision Information Technology Co., Ltd. Smart door system
CN108885698A (zh) * 2018-07-05 2018-11-23 深圳前海达闼云端智能科技有限公司 人脸识别方法、装置和服务器
CN109145742A (zh) * 2018-07-19 2019-01-04 银河水滴科技（北京）有限公司 一种行人识别方法及系统
CN109145742B (zh) * 2018-07-19 2021-05-11 银河水滴科技(宁波)有限公司 一种行人识别方法及系统
CN109343046B (zh) * 2018-09-19 2023-03-24 成都理工大学 基于多频多域深度学习的雷达步态识别方法
CN109343046A (zh) * 2018-09-19 2019-02-15 成都理工大学 基于多频多域深度学习的雷达步态识别方法
CN110175254A (zh) * 2018-09-30 2019-08-27 广东小天才科技有限公司 一种照片的分类存储方法及可穿戴设备
CN110175254B (zh) * 2018-09-30 2022-11-25 广东小天才科技有限公司 一种照片的分类存储方法及可穿戴设备
CN109271961B (zh) * 2018-10-09 2021-02-02 成都阳帆网络科技有限公司 基于人物身份特征识别的行为模式判断方法
CN109271961A (zh) * 2018-10-09 2019-01-25 成都阳帆网络科技有限公司 基于人物身份特征识别的行为模式判断方法
CN109446936A (zh) * 2018-10-12 2019-03-08 银河水滴科技（北京）有限公司 一种用于监控场景的身份识别方法及装置
CN109472897A (zh) * 2018-10-31 2019-03-15 银河水滴科技（北京）有限公司 门禁识别方法及装置
CN109492571A (zh) * 2018-11-02 2019-03-19 北京地平线机器人技术研发有限公司 识别人体年龄的方法、装置及电子设备
CN111625794B (zh) * 2019-02-28 2024-03-05 广东美的制冷设备有限公司 录入方法、运行控制模块、家电设备、系统和存储介质
CN111625794A (zh) * 2019-02-28 2020-09-04 广东美的制冷设备有限公司 录入方法、运行控制模块、家电设备、系统和存储介质
CN110334564B (zh) * 2019-03-18 2020-04-24 特斯联（北京）科技有限公司 一种基于目标跟踪的常住人口识别方法和系统
CN110334564A (zh) * 2019-03-18 2019-10-15 特斯联（北京）科技有限公司 一种基于目标跟踪的常住人口识别方法和系统
CN113678178A (zh) * 2019-03-29 2021-11-19 日本电气株式会社 监视系统、监视设备、监视方法和非暂时性计算机可读介质
CN110097671A (zh) * 2019-05-10 2019-08-06 银河水滴科技（北京）有限公司 基于生物特征的重点区域的解锁方法、装置和存储介质
CN110110703A (zh) * 2019-05-21 2019-08-09 银河水滴科技（北京）有限公司 步态特征采集系统、方法及目标对象识别方法、装置
CN110175553A (zh) * 2019-05-23 2019-08-27 银河水滴科技（北京）有限公司 基于步态识别与人脸识别建立特征库的方法及装置
CN110175553B (zh) * 2019-05-23 2021-07-30 银河水滴科技(宁波)有限公司 基于步态识别与人脸识别建立特征库的方法及装置
CN110175587A (zh) * 2019-05-30 2019-08-27 黄岩 一种基于人脸识别和步态识别算法的视频追踪方法
WO2020249025A1 (zh) * 2019-06-12 2020-12-17 杭州海康威视数字技术股份有限公司 身份信息的确定方法、装置及存储介质
CN110288731A (zh) * 2019-06-13 2019-09-27 珠海格力电器股份有限公司 一种解锁方法、装置及电子门锁
CN110956237A (zh) * 2019-11-20 2020-04-03 武汉瑞莱保能源技术有限公司 仓储管理系统
CN112200955A (zh) * 2020-10-09 2021-01-08 北京首钢自动化信息技术有限公司 一种用于控制目标对象通行的方法及装置
CN112784740A (zh) * 2021-01-21 2021-05-11 上海市公安局刑事侦查总队 步态数据的采集与标注方法及应用
CN112766225A (zh) * 2021-02-01 2021-05-07 黄岩 基于流动性人员的步态自动建库的装置及方法

Similar Documents

Publication Publication Date Title
CN105787440A (zh) 一种基于人脸特征和步态特征的安保管理方法及系统
CN105354902B (zh) 一种基于人脸识别的安保管理方法及系统
Yang et al. Multi-target tracking by online learning a CRF model of appearance and motion patterns
US6661907B2 (en) Face detection in digital images
Shetty et al. Facial recognition using Haar cascade and LBP classifiers
CN106919921B (zh) 结合子空间学习与张量神经网络的步态识别方法及系统
US9892315B2 (en) Systems and methods for detection of behavior correlated with outside distractions in examinations
KR101433472B1 (ko) 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
CN109376604B (zh) 一种基于人体姿态的年龄识别方法和装置
Wang et al. Face live detection method based on physiological motion analysis
CN111178136A (zh) 一种基于大数据的智慧校园身份识别方法及系统
Jan et al. Iris localization based on the Hough transform, a radial-gradient operator, and the gray-level intensity
US11961320B2 (en) Method and system for automatically annotating and identifying a living being or an object with an identifier providing a subject identification
CN112183162A (zh) 一种监控场景下人脸自动注册识别系统及方法
CN108875497B (zh) 活体检测的方法、装置及计算机存储介质
Manikandan et al. A neural network aided attuned scheme for gun detection in video surveillance images
Rahman et al. Cascade classification of face liveliness detection using heart beat measurement
CN111582195B (zh) 一种汉语唇语单音节识别分类器构建方法
CN113673343B (zh) 一种基于加权元度量学习的开放集掌纹识别系统及方法
Condell et al. Automatic gait recognition and its potential role in counterterrorism
Santosh et al. Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I
Arhipova et al. Long Period Re-identification Approach to Improving the Quality of Education: A Preliminary Study
Viriri et al. Improving iris-based personal identification using maximum rectangular region detection
CN111222374A (zh) 测谎数据处理方法、装置、计算机设备和存储介质
CN116012768B (zh) 人群密度检测方法、装置、电子设备及计算机存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160720

RJ01 Rejection of invention patent application after publication