CN108171147A - 一种目标识别的方法、装置及设备 - Google Patents
一种目标识别的方法、装置及设备 Download PDFInfo
- Publication number
- CN108171147A CN108171147A CN201711431509.1A CN201711431509A CN108171147A CN 108171147 A CN108171147 A CN 108171147A CN 201711431509 A CN201711431509 A CN 201711431509A CN 108171147 A CN108171147 A CN 108171147A
- Authority
- CN
- China
- Prior art keywords
- target
- identified
- monitor video
- cluster
- information
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标识别的方法、装置及设备,用以解决现有技术中目标识别效率较低的问题。所述目标识别方法包括:获取待识别目标对应的标识信息;根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种目标识别的方法、装置及设备。
背景技术
当前,图像识别技术已经应用在诸多领域中,如人物识别、面部识别、目标跟踪、医学影像诊断、光学遥感目标提取等,并在这些领域中发挥着重大的作用,为人们的工作提供了可靠的依据与指导。
在目标人物识别的领域中,通常可以利用图像识别技术,从多个不同位置的监控视频中识别出目标人物。然而,在现有技术中,对目标人物进行识别所基于的视频源通常都是通过人为经验选取的,这种选取视频的方式会使大量与目标人物不相关的视频也收入到用于对该目标人物进行识别的视频源中,即,精确度较差,从而导致对目标人物进行识别的效率降低。
发明内容
本申请实施例提供一种目标识别的方法、装置及设备,用于解决现有技术目标识别效率较低的问题。
本申请实施例采用下述技术方案:
本申请实施例提供的一种目标识别的方法,包括:
获取待识别目标对应的标识信息;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
本申请实施例提供的一种目标识别的装置,包括:
获取模块,获取待识别目标对应的标识信息;
第一确定模块,根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
第二确定模块,确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
识别模块,从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
本申请实施例提供的一种目标识别的设备,包括一个或多个存储器以及处理器,所述存储器存储程序,并且被配置成由所述一个或多个处理器执行以下步骤:
获取待识别目标对应的标识信息;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:可以根据获取到的待识别目标的标识信息,确定出待识别目标连接的至少一个覆盖范围,并将确定出的监控范围与至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备作为用于进行目标识别的视频源。换句话说,通过获取到的待识别目标的标识信息,可以有效的缩减用于目标识别的视频数量,从而极大的提高了筛选视频时的精确度,并有效的提高了目标识别的效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种目标识别的流程示意图;
图2A、2B为本申请实施例提供的终端对各目标进行两次聚类的过程示意图;
图3为本申请实施例提供的一种目标识别的装置示意图;
图4为本申请实施例提供的一种目标识别的设备示意图。
具体实施方式
当前,大街、商场、办公楼等诸多公共场所都设有监控摄像头,人们在行进的过程中,这些监控摄像头可以采集到人们的图像信息。这些监控摄像头采集到的监控视频可以用于对目标人物的图像识别。
在现有技术中,用于对目标人物进行图像识别的监控视频通常都是通过人为经验筛选出来的,这种筛选方式会将大量与目标人物不相关的监控视频(所谓的与目标人物不相关的监控视频可以是指目标人物并未出现在其中的监控视频)筛选进来,这样就降低了筛选监控视频的精确度。同时,由于用于对目标人物进行图像识别的监控视频数量较大,这样也将导致对目标人物进行识别的效率降低。
为此,在本申请实施例中提供了一种目标识别的方法,该目标识别的方法利用了目前WiFi在各种场所的高覆盖率,人们在行进过程中可能会连接各种WiFi,因此可以根据目标人物连接WiFi的信息,将监控范围与目标人物所连接的WiFi的覆盖范围存在交集的监控设备作为用于对目标人物进行识别的视频源,从而有效的缩减了监控视频的数量,进而提高了对目标人物进行识别的效率。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种目标识别的流程示意图,具体包括以下步骤:
S101:获取待识别目标对应的标识信息。
在实际应用中,可能会遇到待识别目标的相关信息已事先获取到,但是该待识别目标的行踪无从得知的情况。对于这种情况,可以通过图像识别技术,从各监控设备采集到的监控视频中对该待识别目标进行识别,以确定该待识别目标的具体行踪。
为此,在本申请实施例中,在对待识别目标进行图像识别时,可以先获取到待识别目标对应的标识信息,以通过获取到的标识信息,有效的缩减用于对该待识别目标进行识别的监控视频的数量。
其中,这里提到的待识别目标可以是指需要进行图像识别的目标人物,而待识别目标对应的标识信息可以指该待识别目标持有的移动设备(可以是指手机、平板电脑、可穿戴智能终端等设备)的媒体访问控制(Media Access Control,MAC)地址、该待识别目标所使用的手机号等信息,而后续提到的覆盖网络可以是指WiFi网络、微蜂窝等。为了方便描述,本申请实施例将仅以WiFi为覆盖网络,对后续说明书进行说明。
在覆盖网络为WiFi的情况下,上述提到的标识信息也可以是指待识别目标连接WiFi所使用的用户名、该待识别目标持有的移动设备的设备码等信息。
在本申请实施例中,可以根据获取到的待识别目标的个人信息,从第三方服务器(如管理各用户通信信息的服务器)查询到该待识别目标所使用的移动设备的MAC地址,进而基于该MAC地址,选取用于对该待识别目标进行识别的监控视频。其中,对待识别目标进行识别的执行主体可以是指用于进行图像识别的终端、服务器等设备,下面将仅以终端为执行主体对后续步骤进行详细说明。
S102:根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络。
在实际应用中,当待识别目标通过持有的移动设备连接WiFi时,将会留下相应的连接记录。所以,终端在获取到的待识别目标对应的标识信息后,可以根据该标识信息以及各WiFi所保留的连接记录,确定出该待识别目标连接过哪些的WiFi。
S103:确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频。
在确定出待识别目标连接过的WiFi后,可以根据这些WiFi的覆盖范围,确定出待识别目标在这些WiFi的覆盖范围内活动时,哪些监控设备(如监控摄像头)能够采集到该待识别目标的视频图像,即,确定出监控范围与这些WiFi的覆盖范围存在交集的监控设备。
具体的,终端确定出待识别目标连接的WiFi后,可以根据该WiFi的覆盖范围,从监控视频管理中心(如交管局、各商场的监控视频管理处等)确定出哪些监控设备位于该覆盖范围内或附近,以及获取到这些监控设备的覆盖范围信息(该覆盖范围信息表明了监控设备的监控范围在地理上的实际覆盖区域),而后,可根据这些监控设备的覆盖范围信息,进一步确定出监控范围与该WiFi的覆盖范围存在交集的监控设备。
通常情况下,监控设备会24小时不停的采集其监控范围内的视频图像,所以,一个监控设备所采集到的监控视频的数量是庞大的,而该待识别目标的视频图像实际上只会出现在该监控设备采集到的某一时段的监控视频中。
因此,在本申请实施例中,终端可以根据待识别目标连接这些WiFi的时间信息,从确定出的监控设备所采集到的监控视频中进一步筛选出可能包含有该待识别目标的视频图像的监控视频,即与待识别目标连接WiFi的时间信息相匹配的监控视频。
其中,这里提到的待识别目标连接这些WiFi的时间信息,可以是指待识别目标连接这些WiFi的时间段,如,待识别目标在2017-12-15,14:30~14:44连接了WiFi热点A,则2017-12-15,14:30~14:44即为该待识别目标连接WiFi热点A的时间信息。而这里提到的与待识别目标连接WiFi的时间信息相匹配的监控视频可以是指监控时间与该时间信息对应的时间段存在交集的监控视频。
例如,假设该待识别目标在2017-12-15,15:30~15:50这段时间连接了WiFi热点A,则终端可以从监控摄像头(即监控范围与该WiFi热点A的覆盖范围存在交集的监控设备)采集到的各监控视频中,将监控时间包含这段时间的监控视频筛选出来。其中,由于待识别目标出现在监控视频中的时长通常较短,所以,终端可以将监控时间与该时间段存在交集、且监控时间不大于设定时长的监控视频选取出来,即选取出的监控视频的监控时间不应过长。
S104:从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
对于每个监控视频来说,该监控视频中除了采集到了待识别目标的视频图像外,还将采集到的其他目标人物的视频图像。而为了能够从有该监控视频中包含中的众多目标人物中识别出该待识别目标,终端可以针对该监控视频中包含的每个目标人物,进行特征提取,进而通过提取出的人物特征,对各目标人物加以区分,并识别出该待识别目标。
因此,终端在确定出用于对待识别目标进行识别的监控视频后,可以针对每个监控视频,通过预设的目标提取算法,从该监控视频中提取出各目标(这里提到的目标即为目标人物),进而根据该监控视频中包含的各视频帧,确定出各目标对应的属性信息。
其中,这里提到的属性信息可以理解成能够表征各目标的特征的信息,不同的目标人物,其属性信息也应是不同的。而这里提到的目标提取算法可以是诸如多目标追踪(Multiple Object Tracking,MOT)算法等,在此不对目标提取算法进行限定。
终端确定出各监控视频中各目标对应的属性信息后,可以根据确定出的各属性信息,对各监控视频中的各目标进行聚类,以得到至少一个特征簇,进而根据得到的特征簇,从这些监控视频中识别出该待识别目标。
从上述过程中可以看出,由于这些监控视频都是基于该待识别目标的标识信息筛选出的,所以,该待识别目标同时出现在这些监控视频中的可能相对于其他目标人物来说较大。因此,基于各目标的特征,对各目标进行聚类,能够有效的将同时出现在这些监控视频中的目标进行聚类,这样得到的特征簇中包含的各目标即为出现在这些监控视频中的该待识别目标。
进一步的,上述属性信息可以包括以下几类:
一、行为特征信息,该行为特征信息能够有效的表征出一个目标的行为特征,如行进的步幅、步长、行进速度等。该行为特征信息能够有效的从行为特征出发,将不同的目标人物进行区分。
二、全局特征信息,该全局特征信息可以是终端通过机器学习算法进行训练后得到的,其主要用于从总体特征的角度上区别不同的目标。当两个目标的全局特征信息之间的相似度越大(相似度可以通过诸如欧式距离、点积等方式确定)时,则这两个目标在总体特征上越相似,反之则越不相似。
三、形貌特征信息,该形貌特征信息主要表征一个目标的具体形貌特点,如是否背包、服饰特点、性别、是否带帽等特点。该形貌特征信息能够从目标的服饰、性别等方面出发,对不同的目标人物进行区分。
在本申请实施例中,终端可以根据该监控视频以及预设的机器学习算法,训练出各目标对应的行为特征信息。其中,这里提到的预设的机器学习算法可以是常规的无监督机器学习算法,在此就不作限定了。
而对于上述全局特征信息以及形貌特征信息来说,终端可以先针对每个目标,确定出该目标在该监控视频中的关键帧,而后,基于确定出的各目标对应的各关键帧以及预设的机器学习算法,分别确定出各目标对应的全局特征信息以及形貌特征信息。其中,这里提到的关键帧是指在该监控视频中,一个目标运动或变化中的关键动作所处的那一视频帧。
由于得到的特征信息有所不同,所以,终端在确定不同特征信息时,可以采用不同的机器学习算法,在本申请实施例中,对终端进行特征提取所采用的机器学习算法不作具体限定。
终端针对各监控视频中的各目标,确定出上述三种不同的特征信息后,可以先各监控视频中各目标对应的全局特征信息以及行为特征信息,对各监控视频中的各目标进行聚类,得到至少一个特征簇。也就是说,终端可以先从各目标的行为特征以及总体特征出发,对各目标进行聚类,以得到各特征簇,其中,得到的特征簇中包含的各目标可以是在行为特征以及总体特征上相似的各目标。
而后,终端可以进一步的基于确定出的各目标对应的形貌特征信息,从确定出的至少一个特征簇中对各目标进行进一步的聚类,得到至少一个目标簇。
上述两个聚类的过程可以理解成,终端先是从行为特征和总体特征上出发,将行为特征和总体特征上相似的各目标聚类在一起,而后,再根据不同目标的形貌特征,将聚类到一起的各目标进一步加以区分,得到各目标簇,如图2A、2B所示。
图2A、2B为本申请实施例提供的终端对各目标进行两次聚类的过程示意图。
终端通过基于各目标的行为特征信息和全局特征信息,对各监控视频中的各目标进行聚类,可以得到如图2A所示的各特征簇中。从图2A中可以看出,在一个特征簇中,一些行为特征、总体特征上相近的目标被聚类到一个特征簇中,为了能够将不同的目标从特征簇中区分开来,终端可以再结合各目标对应的形貌特征信息,将各特征簇中不同的目标区分开来,从而得到如图2B所示的各目标簇。从图2B中可以看出,终端通过上述方式,有效的将不同的目标区分开来。
需要说明的是,在本申请实施例中,终端也可以先根据各监控视频中各目标对应的形貌特征信息,对各目标进行聚类,而后再根据各目标对应的行为特征信息以及全局特征信息,对各目标进行二次聚类;也可以先根据各目标对应的形貌特征信息以及全局特征信息,对各目标进行聚类,而后再根据各目标对应的行为特征信息,对各目标进行二次聚类。将各监控视频中各目标有效区分的方式可以有很多,在此就不一一举例说明了。
在本申请实施例中,终端采用的聚类算法可以有很多,如,终端可以通过计算各特征信息之间的欧式距离,对各目标进行聚类,也可以通过计算各特征信息之间的点积,对各目标进行聚类,在此不对聚类算法进行限定。
由于上述监控视频是基于待识别目标的标识信息选取出的,所以,该待识别目标同时出现在这些监控视频中的概率较大,而其他目标人物同时出现在这些监控视频的概率则相对较小。因此,对于得到的各目标簇来说,待识别目标所对应的目标簇中包含的目标数量应相对较多,而其他目标人物对应的目标簇中包含的目标数量则应相对较少。
基于此,终端可以根据包含目标数量最多的目标簇,从各监控视频中识别出该待识别目标。换句话说,待识别目标所对应的目标簇中所包含的目标数量相较于其他目标人物对应的目标簇中包含的目标数量应是最多的。
终端在确定出包含目标数量最多的目标簇后,可以确定出该目标簇对应的目标ID,换句话说,该目标簇中包含的各目标可以对应一个目标ID,这样一来,终端即可以根据该目标ID,将该待识别目标在各监控视频中标识出来。
例如,终端在确定出该待识别目标对应的目标簇后,可以将该目标簇中包含的各目标统一对应一个目标ID:NO.1,进而将这些目标在各监控视频中按照统一的目标ID标识出来,以方便从各监控视频中对该待识别目标进行查看。
在本申请实施例中,当终端从各监控视频中识别出该待识别目标后,可以根据各监控视频的监控范围,确定出该待识别目标大致的行进轨迹。也就是说,终端可以基于采集这些监控视频的监控设备在地理位置上的监控范围,以地图作为参照,大致确定出该待识别目标的活动区域。
从上述方法中可以看出,终端可以根据获取到的待识别目标的标识信息,确定出待识别目标连接的至少一个覆盖范围,并将确定出的监控范围与至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备作为用于进行目标识别的视频源。换句话说,通过获取到的待识别目标的标识信息,可以有效的缩减用于目标识别的视频数量,从而极大的提高了筛选视频时的精确度,并有效的提高了目标识别的效率。
并且,由于终端不仅根据形貌特征信息、全局特征信息这些相对静态的特征对待识别目标进行识别,还根据相对动态的行为特征信息,对各目标进行识别,换句话说,终端采用多种不同的特征,对待识别目标进行识别,从而提高了待识别目标的识别准确率。
需要说明的是,在实际应用中,有些监控设备的监控范围与WiFi的覆盖范围并不存在交集,但是两者的覆盖区域在地理位置上却十分接近,则待识别目标在连接该WiFi时,这些监控设备很可能也采集到了该待识别目标的视频图像。因此,在本申请实施例中,终端在确定出待识别目标连接的WiFi后,除了可以将监控范围与该WiFi的覆盖范围存在交集的监控设备存在视频源外,也可以将监控范围与该WiFi的覆盖范围在地理位置上相对临近的监控设备作为视频源,对该待识别目标进行识别。
在实际应用中,需要从各监控视频中识别出的待识别目标可能有多个,对于这种情况来说,终端可以针对每个待识别目标,通过上述方式,分别从各监控视频中对该待识别目标进行识别,在此就不再详细赘述了。
以上为本说明书的一个或多个实施例提供的目标识别方法,基于同样的思路,本说明书还提供了相应的目标识别装置,如图3所示。
图3为本申请实施例提供的一种目标识别的装置示意图,具体包括:
获取模块301,获取待识别目标对应的标识信息;
第一确定模块302,根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
第二确定模块303,确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
识别模块304,从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
所述标识信息包括:所述待识别目标持有的移动设备的媒体访问控制MAC地址;所述覆盖网络包括:WiFi网络;
所述第一确定模块302,根据所述MAC地址,确定所述待识别目标持有的移动设备所连接的至少一个WiFi。
所述第二确定模块303,根据所述标识信息,确定所述待识别目标连接所述至少一个WiFi的时间信息;从监控范围与所述至少一个WiFi的覆盖范围存在交集的至少一个监控设备所采集的各监控视频中,确定出时间信息相匹配的至少一个监控视频。
所述识别模块304,针对每个监控视频,根据该监控视频,确定该监控视频中各目标对应的特征;根据每个监控视频中各目标对应的特征,对各目标进行聚类,得到至少一个特征簇;根据所述至少一个特征簇,从各监控视频中识别出所述待识别目标。
所述特征包括:行为特征信息、全局特征信息以及形貌特征信息中的至少一种;
所述识别模块304,针对每个监控视频,根据该监控视频以及预设的机器学习算法,训练出各目标对应的行为特征信息;从该监控视频包含的视频帧中提取出各目标对应的关键帧;根据提取出的各目标对应的关键帧,确定该监控视频中各目标对应的全局特征信息和/或形貌特征信息。
所述识别模块304,根据每个监控视频中各目标对应的全局特征信息和/或行为特征信息,对各目标进行聚类,得到至少一个特征簇。
所述识别模块304,根据每个监控视频中各目标对应的形貌特征信息,从所述至少一个特征簇中确定出至少一个目标簇;根据所述至少一个目标簇,从各监控视频中识别出所述待识别目标。
所述识别模块304,根据所述至少一个目标簇中包含目标数量最多的目标簇,从各监控视频中识别出所述待识别目标。
所述装置还包括:
轨迹确定模块305,根据各监控设备对应的监控范围,确定所述待识别目标的行进轨迹。
基于上述说明的目标识别的方法,本说明书还对应提供了一种用于目标识别的设备,如图4所示。该设备包括一个或多个存储器以及处理器,所述存储器存储程序,并且被配置成由所述一个或多个处理器执行以下步骤:
获取待识别目标对应的标识信息;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖范围;
确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种目标识别的方法,其特征在于,包括:
获取待识别目标对应的标识信息;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
2.如权利要求1所述的方法,其特征在于,所述标识信息包括:所述待识别目标持有的移动设备的媒体访问控制MAC地址;所述覆盖网络包括:WiFi网络;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络,具体包括:
根据所述MAC地址,确定所述待识别目标持有的移动设备所连接的至少一个WiFi。
3.如权利要求2所述的方法,其特征在于,确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频,具体包括:
根据所述标识信息,确定所述待识别目标连接所述至少一个WiFi的时间信息;
从监控范围与所述至少一个WiFi的覆盖范围存在交集的至少一个监控设备所采集的各监控视频中,确定出时间信息相匹配的至少一个监控视频。
4.如权利要求2所述的方法,其特征在于,从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别,具体包括:
针对每个监控视频,根据该监控视频,确定该监控视频中各目标对应的特征;
根据每个监控视频中各目标对应的特征,对各目标进行聚类,得到至少一个特征簇;
根据所述至少一个特征簇,从各监控视频中识别出所述待识别目标。
5.如权利要求4所述的方法,其特征在于,所述特征包括:行为特征信息、全局特征信息以及形貌特征信息中的至少一种;
针对每个监控视频,根据该监控视频,确定该监控视频中各目标对应的特征,具体包括:
针对每个监控视频,根据该监控视频以及预设的机器学习算法,训练出各目标对应的行为特征信息;
从该监控视频包含的视频帧中提取出各目标对应的关键帧;
根据提取出的各目标对应的关键帧,确定该监控视频中各目标对应的全局特征信息和/或形貌特征信息。
6.如权利要求5所述的方法,其特征在于,根据每个监控视频中各目标对应的特征,对各目标进行聚类,得到至少一个特征簇,具体包括:
根据每个监控视频中各目标对应的全局特征信息和/或行为特征信息,对各目标进行聚类,得到至少一个特征簇。
7.如权利要求6所述的方法,其特征在于,根据所述至少一个特征簇,从各监控视频中识别出所述待识别目标,具体包括:
根据每个监控视频中各目标对应的形貌特征信息,从所述至少一个特征簇中确定出至少一个目标簇;
根据所述至少一个目标簇,从各监控视频中识别出所述待识别目标。
8.如权利要求7所述的方法,其特征在于,根据所述至少一个目标簇,从各监控视频中识别出所述待识别目标,具体包括:
根据所述至少一个目标簇中包含目标数量最多的目标簇,从各监控视频中识别出所述待识别目标。
9.如权利要求1~8任一项所述的方法,其特征在于,所述方法还包括:
根据各监控设备对应的监控范围,确定所述待识别目标的行进轨迹。
10.一种目标识别的装置,其特征在于,包括:
获取模块,获取待识别目标对应的标识信息;
第一确定模块,根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
第二确定模块,确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
识别模块,从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
11.一种目标识别的设备,其特征在于,包括一个或多个存储器以及处理器,所述存储器存储程序,并且被配置成由所述一个或多个处理器执行以下步骤:
获取待识别目标对应的标识信息;
根据所述标识信息,确定所述待识别目标连接的至少一个覆盖网络;
确定监控范围与所述至少一个覆盖网络的覆盖范围存在交集的至少一个监控设备所采集的监控视频;
从所述至少一个监控设备所采集的监控视频中,对所述待识别目标进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711431509.1A CN108171147A (zh) | 2017-12-26 | 2017-12-26 | 一种目标识别的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711431509.1A CN108171147A (zh) | 2017-12-26 | 2017-12-26 | 一种目标识别的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171147A true CN108171147A (zh) | 2018-06-15 |
Family
ID=62521204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711431509.1A Pending CN108171147A (zh) | 2017-12-26 | 2017-12-26 | 一种目标识别的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171147A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837829A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 扫地机器人的控制方法和系统 |
CN113923406A (zh) * | 2021-09-29 | 2022-01-11 | 四川警察学院 | 视频监控覆盖区域的调节方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103731636A (zh) * | 2013-12-12 | 2014-04-16 | 深圳先进技术研究院 | 利用wi-fi与视频监控设备对目标进行追踪的方法 |
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 |
CN104968048A (zh) * | 2015-06-29 | 2015-10-07 | 华南理工大学 | 结合移动网络记录和视频监控数据的目标人物追踪方法 |
-
2017
- 2017-12-26 CN CN201711431509.1A patent/CN108171147A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103731636A (zh) * | 2013-12-12 | 2014-04-16 | 深圳先进技术研究院 | 利用wi-fi与视频监控设备对目标进行追踪的方法 |
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 |
CN104968048A (zh) * | 2015-06-29 | 2015-10-07 | 华南理工大学 | 结合移动网络记录和视频监控数据的目标人物追踪方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837829A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 扫地机器人的控制方法和系统 |
CN113923406A (zh) * | 2021-09-29 | 2022-01-11 | 四川警察学院 | 视频监控覆盖区域的调节方法、装置、设备和存储介质 |
CN113923406B (zh) * | 2021-09-29 | 2023-05-12 | 四川警察学院 | 视频监控覆盖区域的调节方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11004209B2 (en) | Methods and systems for applying complex object detection in a video analytics system | |
US20200364443A1 (en) | Method for acquiring motion track and device thereof, storage medium, and terminal | |
Rathore et al. | Real-time big data analytical architecture for remote sensing application | |
CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CA3169538C (en) | System and method for privacy-aware analysis of video streams and operation and learning of computer-implemented classification module | |
CN109690624A (zh) | 用于视频分析的自动场景校准方法 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
US20130343600A1 (en) | Self learning face recognition using depth based tracking for database generation and update | |
CN109783685A (zh) | 一种查询方法及装置 | |
Ragusa et al. | Egocentric visitors localization in cultural sites | |
CN103747346A (zh) | 一种多媒体视频播放的控制方法及多媒体视频播放器 | |
CN111291589A (zh) | 信息的关联分析方法及装置、储存介质、电子装置 | |
CN111010547A (zh) | 目标对象的追踪方法及装置、存储介质、电子装置 | |
CN110490608A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN112183353A (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN107861992A (zh) | 一种跑步路线处理方法和装置 | |
CN112989962A (zh) | 轨迹生成方法、装置、电子设备及存储介质 | |
CN108171147A (zh) | 一种目标识别的方法、装置及设备 | |
Elbasi | Reliable abnormal event detection from IoT surveillance systems | |
CN109661671B (zh) | 使用边界位图对图像分类的改善 | |
Rangrej et al. | Consistency driven sequential transformers attention model for partially observable scenes | |
CN116562399A (zh) | 端边云协同的模型训练方法及装置 | |
CN112944611A (zh) | 空调器的控制方法、装置、存储介质及处理器 | |
Hua et al. | A probabilistic saliency model with memory-guided top-down cues for free-viewing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |