CN108304757A - 身份识别方法及装置 - Google Patents
身份识别方法及装置 Download PDFInfo
- Publication number
- CN108304757A CN108304757A CN201710458868.XA CN201710458868A CN108304757A CN 108304757 A CN108304757 A CN 108304757A CN 201710458868 A CN201710458868 A CN 201710458868A CN 108304757 A CN108304757 A CN 108304757A
- Authority
- CN
- China
- Prior art keywords
- sample
- individual
- movement locus
- identified
- identity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009471 action Effects 0.000 claims abstract description 136
- 230000033001 locomotion Effects 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 24
- 210000002683 foot Anatomy 0.000 description 12
- 230000001815 facial effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 210000001699 lower leg Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000036544 posture Effects 0.000 description 8
- 210000002414 leg Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 210000000245 forearm Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000001364 upper extremity Anatomy 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000003127 knee Anatomy 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 210000002310 elbow joint Anatomy 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000012706 support-vector machine 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种身份识别方法及装置，涉及图像分析技术领域。所述方法包括：获取记录有待识别个体的目标动作的待识别视频；从待识别视频中提取任意一个目标动作周期内的帧序列，目标动作周期是指执行一个完整的目标动作所用的时间；获取目标动作的各个特征点在帧序列中的运动轨迹；根据运动轨迹的轨迹特征和样本数据，确定待识别个体的身份，其中，样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。本发明实施例提供了一种基于动作对个体进行身份识别的技术方案，丰富了对个体进行身份识别的技术手段。
Description
技术领域
本发明实施例涉及图像分析技术领域，特别涉及一种身份识别方法及装置。
背景技术
对个体进行身份识别是指确定个体的身份。通常来讲，个体的身份可以是个体的名称(如姓名)。
在相关技术中，提供了一种基于人脸对个体进行身份识别的方法。首先获取待识别个体的人脸图像以及目标个体的人脸图像，然后通过特征匹配计算这两张人脸图像之间的相似度，当相似度大于预设阈值时，判定待识别个体为目标个体。
上述相关技术提供的方案，需要获取较清晰的人脸图像，如果因某些原因无法获取到待识别个体清晰的人脸图像，则无法对待识别个体进行身份识别，存在一定局限性。
发明内容
本发明实施例提供了一种身份识别方法及装置，用以解决相关技术提供的方案所存在的当无法获取到待识别个体较清晰的人脸图像时，则无法对待识别个体进行身份识别的问题，以克服相关技术所存在的局限性。所述技术方案如下：
第一方面，提供了一种身份识别方法，该方法包括：
获取记录有待识别个体的目标动作的待识别视频；
从所述待识别视频中提取任意一个目标动作周期内的帧序列，所述目标动作周期是指执行一个完整的所述目标动作所用的时间；
获取所述目标动作的各个特征点在所述帧序列中的运动轨迹；
根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，其中，所述样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。
第二方面，提供了一种身份识别装置，该装置包括：
视频获取模块，用于获取记录有待识别个体的目标动作的待识别视频；
帧序列提取模块，用于从所述待识别视频中提取任意一个目标动作周期内的帧序列，所述目标动作周期是指执行一个完整的所述目标动作所用的时间；
轨迹获取模块，用于获取所述目标动作的各个特征点在所述帧序列中的运动轨迹；
身份确定模块，用于根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，其中，所述样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。
第三方面，提供了一种身份识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的身份识别方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的身份识别方法。
第五方面，提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于执行上述第一方面所述的身份识别方法。
本发明实施例提供的技术方案可以带来如下有益效果：
通过获取一段记录有待识别个体的动作的视频图像，通过对该视频图像进行处理、分析，获取待识别个体的动作特征，进而基于该动作特征确定待识别个体的身份，使得对个体的身份识别不必局限于人脸图像，提供了一种基于动作对个体进行身份识别的技术方案，丰富了对个体进行身份识别的技术手段。另外，由于人脸容易被化妆、易容，而个体的动作受到个人习惯的影响很难被刻意模仿，因此基于动作对个体进行身份识别相较于基于人脸对个体进行身份识别，准确性更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的身份识别方法的流程图；
图2是本发明一个实施例提供的一个动作周期内的帧序列的示意图；
图3是本发明一个实施例提供的特征点的示意图；
图4是本发明一个实施例提供的特征点的运动轨迹的示意图；
图5是本发明一个实施例提供的身份识别装置的框图；
图6是本发明一个实施例提供的服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在本发明实施例中，提供了一种基于动作对个体进行身份识别的技术方案。其中，动作是指个体的身体部位的运动姿态，例如走姿、跑步姿态、摆臂姿态等。由于不同个体的动作会存在一些差别，因此可以基于动作对个体进行身份识别。例如，在走路过程中，不同个体的步长、步幅、膝盖弯曲度、摆臂高度、肘部弯曲度等运动姿态会存在差别，且其受到个人习惯的影响很难刻意改变，因此能够用来作为对个体进行身份识别的特征。
在本发明实施例中，获取一段记录有待识别个体的动作的视频图像，通过对该视频图像进行处理、分析，获取待识别个体的动作特征，进而基于该动作特征确定待识别个体的身份。
本发明实施例提供的技术方案，能够为公安部门提供犯罪嫌疑人的辅助辨别。犯罪嫌疑人在作案、逃跑时通常会对脸部进行伪装保护(例如戴上帽子、口罩或者脸罩)，因此，监控摄像头很难采集到犯罪嫌疑人清晰且完整的人脸图像，在这种情况下就无法通过人脸图像对犯罪嫌疑人进行身份识别。但是，监控摄像头又会记录到犯罪嫌疑人在作案、逃跑时的步态、摆臂姿态等动作，因此，可以通过动作对犯罪嫌疑人进行身份识别。本发明实施例提供的技术方案，在公安刑侦领域具有较高的实际应用价值。
当然，本发明实施例提供的技术方案，还可应用于其它对个体身份有识别需求的应用场景中，本发明实施例对此不作限定。例如，在一些重点实验室、档案室或者资料室对个体进行身份识别，由于人脸容易被化妆、易容，而个体的动作受到个人习惯的影响很难被刻意模仿，因此基于动作对个体进行身份识别相较于基于人脸对个体进行身份识别，准确性更高。
另外，本发明实施例提供的方法，各步骤的执行主体为身份识别设备。例如，身份识别设备可以是服务器，或者计算机。该服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。在下述实施例中，仅以身份识别设备为服务器进行介绍说明，但对此不构成限定。
请参考图1，其示出了本发明一个实施例提供的身份识别方法的流程图。该方法可以包括如下几个步骤。
步骤101，获取记录有待识别个体的目标动作的待识别视频。
待识别个体是指需要识别确定其身份的个体。动作是指个体的身体部位的运动姿态，例如走姿、跑步姿态、摆臂姿态等。目标动作是指一种特定的动作，例如目标动作为走姿。示例性地，待识别视频可以是一段记录有待识别个体的走姿的视频。
步骤102，从待识别视频中提取任意一个目标动作周期内的帧序列。
动作周期是指执行一个完整的动作所用的时间，相应地，目标动作周期是指执行一个完整的目标动作所用的时间。以走姿为例，个体的走姿是有重复性的，例如迈左脚后迈右脚、迈左脚后迈右脚、迈左脚后迈右脚，如此循环往复。那么，走姿的动作周期即为从提起左脚、迈出左脚、放下左脚、提起右脚、迈出右脚、放下右脚而后回到提起左脚的步骤这一完整的动作流程所用的时间。
由于视频是由多帧图片构成的，因此一个目标动作周期内的帧序列中包含多帧图片。以目标动作为走姿为例，在一个目标动作周期内，包含如图2所示的多帧图片。在个体以较为均匀的速度行走的情况下，每一个目标动作周期的时间是基本相同的，也即每一个目标动作周期内的帧序列中包含的图片数量是基本相同的。
在一个示例中，在待识别视频中仅记录有待识别个体的目标动作的情况下，步骤102可以包括如下几个子步骤：
1、将待识别视频划分为多个目标动作周期；
2、提取任意一个目标动作周期内的帧序列。
可选地，服务器从待识别视频中识别出记录有目标动作的一个指定动作步骤的目标图片，将相邻两帧目标图片之间的帧序列作为一个目标动作周期。以目标动作为走姿为例，目标动作的一个指定动作步骤是一个完整的走姿中包含的任意一个动作步骤，如提起左脚、迈出左脚、放下左脚、提起右脚、迈出右脚中的任意一个动作步骤。在一个例子中，假设待识别视频的第2帧、第7帧、第12帧、第17帧、第23帧、第28帧等图片中记录有提起左脚的动作步骤，则第2帧至第7帧共6帧图片为一个目标动作周期、第7帧至第12帧共6帧图片为一个目标动作周期、第12帧至第17帧共6帧图片为一个目标动作周期、第17帧至第23帧共7帧图片为一个目标动作周期、第23帧至第28帧共6帧图片为一个目标动作周期，以此类推。
通过上述方式，实现了由服务器自动化地对目标动作周期进行划分。在其它可能的实现方式中，也可以由用户手动对目标动作周期进行标注，以实现将待识别视频划分为多个目标动作周期。
在另一个示例中，在待识别视频中除记录有待识别个体的目标动作之外，还记录有待识别个体的其它动作的情况下，可以由人工从待识别视频中选取出仅记录有待识别个体的目标动作的视频片段。以目标动作为走姿为例，如果待识别视频中记录有待识别个体的走姿和跑步姿态，则可以由人工从待识别视频中选取出仅记录有待识别个体的走姿的视频片段。而后，采用上述第一个示例提供的方式，将上述视频片段划分为多个目标动作周期，提取任意一个目标动作周期内的帧序列。
此外，由于个体在较为匀速地执行一个目标动作时，各个目标动作周期内的帧序列中包含的图片的内容通常差异性较小，因此可以选取任意一个目标动作周期作为身份识别的分析对象。
步骤103，获取目标动作的各个特征点在帧序列中的运动轨迹。
目标动作的特征点是指执行目标动作所涉及的身体部位的特征点。以目标动作为走姿为例，其特征点可以包括：大腿部位的若干个特征点(如大腿与胯部的衔接位置、大腿外侧、大腿内侧、大腿与膝盖的衔接位置等)、膝盖部位的若干个特征点、小腿部位的若干个特征点、脚部的若干个特征点。如图3所示，以目标动作为走姿为例，腿部的各个特征点以黑色小圆点表示。特征点的数量和位置可以根据实际经验预先设定。示例性地，以目标动作为走姿为例，特征点的数量可以为30到40个，特征点的位置可以是如上文介绍的若干个位置。在本发明实施例中，采用特征点在帧序列中的运动轨迹来反映动作的特征。
在一个示例中，本步骤包括如下几个子步骤：
1、从帧序列的每一帧图片中识别各个特征点；
2、获取每个特征点在帧序列的每一帧图片中的位置；
3、分别根据每个特征点在帧序列的每一帧图片中的位置，确定每个特征点在帧序列中的运动轨迹。
由于帧序列中的每一帧图片的尺寸、分辨率均相同，因此可以采用统一的坐标系来表示每个特征点在每一帧图片中的位置。在一个示例中，以每一帧图片的左下角为原点，图片的底边为横轴，与图片的底边垂直并且相交于原点的侧边为纵轴，建立二维直角坐标系，则每个特征点在任意一帧图片中的位置，可以采用该特征点在上述直角坐标系中的横坐标与纵坐标组合替代表示。服务器获取各个特征点在帧序列的每一帧图片中的横、纵坐标，按照帧序列中的图片的排列顺序，将上述横、纵坐标顺次连接，得到各个特征点在帧序列中的运动轨迹。
结合参考图4，其示例性示出了某一特征点的运动轨迹的示意图。一个目标动作周期包括第2帧至第6帧图片，位于脚踝位置处的特征点在上述5帧图片中的坐标分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)和(x5，y5)，将上述坐标点顺次连接，得到位于脚踝位置处的特征点在一个目标动作周期内的运动轨迹。
此外，在本发明实施例中，对特征点定位所采用的算法不作限定，其可以参考人脸特征点定位所采用的相关算法。例如，基于统计学习的特征点定位算法、基于主元分析的特征点定位算法、基于点分布模型(Point Distribution Model，PDM)的特征点定位算法、利用形状估计的特征点定位算法、基于灰度信息的特征点定位算法，等等。
步骤104，提取上述运动轨迹的轨迹特征。
轨迹特征是指运动轨迹的特性。例如，轨迹特征包括以下至少一项：运动轨迹上若干个特征点的坐标、运动轨迹的弧度、运动轨迹的长度，等等。示例性地，特征点的坐标可以是目标动作的特征点在各帧图片中的坐标，运动轨迹的弧度可以从运动轨迹中每一个圆弧位置处提取，运动轨迹的长度可以采用运动轨迹所经过的像素点的数量来表示。
步骤105，根据上述运动轨迹的轨迹特征和样本数据，确定待识别个体的身份。
样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。样本运动轨迹是指目标动作的各个特征点在记录有样本个体执行目标动作的动作周期内的帧序列中的运动轨迹。例如，预先获取样本个体的样本视频，样本视频中记录有样本个体的目标动作，从样本视频中提取若干个目标动作周期，一个目标动作周期内的帧序列中可提取一个样本运动轨迹。另外，为了确保身份识别的准确性，对于一个样本个体来说，通常获取该样本个体对应的多个样本运动轨迹。
在一个示例中，步骤105包括如下几个子步骤：
1、根据运动轨迹的轨迹特征和每一个样本个体对应的样本运动轨迹的轨迹特征，检测是否存在与运动轨迹相匹配的样本运动轨迹；
2、若存在与运动轨迹相匹配的样本运动轨迹，则将与运动轨迹相匹配的样本运动轨迹对应的样本个体的身份确定为待识别个体的身份。
对于一个样本个体来说，在该样本个体对应的样本运动轨迹的数量为一个的情况下，该样本个体对应的样本运动轨迹的轨迹特征即为从这一个样本运动轨迹中提取的轨迹特征。对于一个样本个体来说，在该样本个体对应的样本运动轨迹的数量为多个的情况下，可以分别从各个样本运动轨迹中提取轨迹特征，并将提取的轨迹特征进行整合(例如分别求取每一项轨迹特征的平均值)，得到该样本个体对应的样本运动轨迹的轨迹特征。
另外，对于一个样本个体来说，服务器可以根据运动轨迹的轨迹特征和该样本个体对应的样本运动轨迹的轨迹特征，计算两者之间的相似度，当相似度大于预设阈值时确定该运动轨迹与样本运动轨迹相匹配，当相似度小于预设阈值时确定该运动轨迹与样本运动轨迹不相匹配。上述预设阈值是根据需求设定的经验值，例如预设阈值为95％。
可选地，在样本个体的数量为多个的情况下，服务器选取与运动轨迹之间的相似度最高且大于预设阈值的样本运动轨迹，作为与该运动轨迹相匹配的样本运动轨迹。示例性地，预设阈值为95％。在一个例子中，样本个体的数量为1个，且该样本个体的身份为张三，假设待识别个体对应的运动轨迹与该样本个体对应的样本运动轨迹之间的相似度为96％，则确定待识别个体的身份为张三。在另一个例子中，样本个体的数量为3个，且该3个样本个体的身份分别为张三、李四、王五，假设待识别个体对应的运动轨迹与上述3个样本个体对应的样本运动轨迹之间的相似度分别为96％、70％和99％，则确定待识别个体的身份为王五。
在另一个示例中，步骤105包括：将上述运动轨迹的轨迹特征作为身份识别模型的输入，采用身份识别模型确定待识别个体的身份。
身份识别模型根据样本数据训练得到。有关身份识别模型的训练过程的介绍说明参见下文。服务器将上述运动轨迹的轨迹特征输入身份识别模型，由身份识别模型对该运动轨迹的轨迹特征进行处理和计算，模型的输出结果即为待识别个体的身份。
以身份识别模型为神经网络为例，神经网络包括一个输入层、至少一个隐藏层和一个输出层。输入层中包括多个输入节点，每一个输入节点对应于一项轨迹特征。输出层中包括至少一个输出节点，每一个输出节点对应于一个身份。隐藏层位于输入层和输出层之间，且分别与输入层和输出层相连接。采用神经网络进行身份识别的过程如下：将待识别个体对应的运动轨迹的轨迹特征输入至神经网络的输入层，由隐藏层对上述轨迹特征进行组合和抽象，得到适用于输出层进行分类的数据，最后由输出层输出待识别个体的身份。上述仅以采用神经网络构建身份识别模型为例，在实际应用中，可以选用其它算法构建身份识别模型。
在本发明实施例中，个体的身份可以是个体的名称，例如个体的身份以名字表示。在一个示例中，以个体的身份是个体的名称，且基于走姿对个体身份进行识别为例。样本数据包括张三、李四、王五、赵六、孙七等多个样本个体的名称，以及从每一个样本个体对应的样本运动轨迹中提取的轨迹特征。采用上述样本数据训练得到身份识别模型，该身份识别模型能够用于确定待识别个体的名称。
可选地，样本数据中还包括每一个样本个体对应的身份关联信息，身份关联信息包括年龄、性别、联系方式、职业、住址等个人信息，在确定待识别个体的身份之后，可以从样本数据中获取待识别个体的身份关联信息。上述身份关联信息可以预先收集并存储在样本数据中。
需要补充说明的一点是，为了确保身份识别的准确度，应当确保待识别个体在提取的目标动作周期内的身体朝向与样本个体在相应的目标动作周期内的身体朝向相同，例如均朝向左侧、或者均朝向右侧、或者均朝向前方等等。在实际应用中，在条件允许的情况下每一个样本个体的样本视频中记录有多种不同身体朝向的目标动作周期，后续在对待识别个体进行身份识别时，首先确定待识别个体在提取的目标动作周期内的身体朝向，而后采用与该身体朝向相符的样本数据(或者身份识别模型)对待识别个体进行身份识别。
还需要补充说明的一点是，在上述基于走姿对个体进行身份识别的示例中，仅以采集腿部的相关数据为例，在实际应用中，在基于走姿对个体进行身份识别时，可以仅采集腿部的相关数据，也可以采集腿部和上肢的相关数据。其中，上肢的特征点可以包括：上臂部位的若干个特征点(如上臂与肩关节的衔接位置、上臂中部、上臂与肘关节的衔接位置等)、前臂部位的若干个特征点(如前臂与肘关节的衔接位置、前臂中部、前臂与腕关节的衔接位置等)。此外，上肢的特征点的运动轨迹的获取，以及相应的轨迹特征的提取与腿部相同，可以参见上文介绍说明。在基于走姿对个体进行身份识别时，综合腿部和上肢的相关数据，相较于仅考虑腿部的相关数据，识别准确性会得到提高。
综上所述，本发明实施例提供的方法，通过获取一段记录有待识别个体的动作的视频图像，通过对该视频图像进行处理、分析，获取待识别个体的动作特征，进而基于该动作特征确定待识别个体的身份，使得对个体的身份识别不必局限于人脸图像，提供了一种基于动作对个体进行身份识别的技术方案，丰富了对个体进行身份识别的技术手段。
另外，由于人脸容易被化妆、易容，而个体的动作受到个人习惯的影响很难被刻意模仿，因此基于动作对个体进行身份识别相较于基于人脸对个体进行身份识别，准确性更高。
下面对身份识别模型的训练过程进行介绍说明。该训练过程可包括如下几个步骤。
步骤201，根据样本数据构建训练样本集，训练样本集包括多个训练样本。
每一个训练样本包括：从一个样本个体对应的样本运动轨迹中提取的轨迹特征，以及该样本个体的身份。
服务器获取的源数据可以是样本个体的样本视频，对于每一个样本个体，服务器将记录有该样本个体的目标动作的样本视频划分为多个目标动作周期；提取一个或者多个目标动作周期内的帧序列；对于每一个目标动作周期，获取上述目标动作的各个特征点在该目标动作周期内的帧序列中的运动轨迹，并提取轨迹特征，从而结合该样本个体的身份，得到一个训练样本。上述有关动作周期的划分、特征点定位、运动轨迹的提取以及轨迹特征的提取可参见上述图1实施例中的介绍说明，本实施例对此不再赘述。上述源数据可预先收集并存储在服务器中。
在一个示例中，以个体的身份是个体的名称，且基于走姿对个体身份进行识别为例。样本数据包括张三、李四、王五、赵六、孙七等多个样本个体的名称，以及从每一个样本个体对应的样本运动轨迹中提取的轨迹特征。以张三为例，服务器将记录有张三的走姿的样本视频划分为多个动作周期；提取一个或者多个动作周期内的帧序列；对于每一个动作周期，获取走姿的各个特征点在该动作周期内的帧序列中的运动轨迹，并提取轨迹特征，从而结合“张三”这一样本个体的名称，得到一个训练样本。服务器可以获取与张三相关的多个训练样本。类似地，诸如李四、王五、赵六、孙七等其它样本个体的训练样本也采用上述方式获取。
可选地，当对个体的名称进行识别时，若服务器仅获取与一个样本个体(例如张三)相关的训练样本，则后续训练得到的身份识别模型可用于确定待识别个体的名称是否为张三。
步骤202，采用机器学习算法对训练样本进行训练，得到身份识别模型。
在本发明实施例中，机器学习算法可以采用贝叶斯算法、支持向量机(SupportVector Machine，SVM)算法、决策树算法、神经网络算法、深度学习算法等等，本发明实施例对此不做限定。
服务器将样本个体对应的样本运动轨迹的轨迹特征和样本个体的身份输入至身份识别模型，采用机器学习算法对该模型进行训练，最终得到精度符合需求的身份识别模型。
可选地，为了确保身份识别模型的精度，采用如下步骤对身份识别模型进行验证：
1、根据验证数据构建验证样本集；
验证数据包括：至少一个验证个体的身份以及对应的验证运动轨迹的轨迹特征。验证运动轨迹是指目标动作的各个特征点在记录有验证个体执行目标动作的动作周期内的帧序列中的运动轨迹。例如，预先获取验证个体的验证视频，验证视频中记录有验证个体的目标动作，从验证视频中提取若干个目标动作周期，一个目标动作周期内的帧序列中可提取一个验证运动轨迹。
验证样本集包括多个验证样本，验证样本用于对模型进行验证。验证样本也称为测试样本。每一个验证样本包括：从一个验证个体对应的验证运动轨迹中提取的轨迹特征，以及该验证个体的身份。
2、对于每一个验证样本，将该验证样本对应的验证运动轨迹的轨迹特征作为身份识别模型的输入，采用身份识别模型确定验证个体的身份；
3、根据身份识别模型输出的各个验证个体的身份，以及验证样本中记录的各个验证个体的身份，确定身份识别模型的精度。
例如，验证个体的数量为100个，其中身份识别模型输出的95个验证个体的身份准确，而另外5个验证个体的身份错误，则身份识别模型的精度则为95％。在身份识别模型的精度达到预设需求的情况下，停止训练；在身份识别模型的精度未达到预设需求的情况下，采用更多的训练样本继续对身份识别模型进行训练。
综上所述，本发明实施例提供的方法，通过根据样本数据训练得到身份识别模型，采用建模的方式进行身份识别，有助于提升身份识别的准确度。另外，采用建模的方式进行身份识别，能够使得计算过程更加直观、简单。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参考图5，其示出了本发明一个实施例提供的身份识别装置的框图。该装置具有实现上述方法示例的功能。所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以包括：视频获取模块501、帧序列提取模块502、轨迹获取模块503、特征提取模块504和身份确定模块505。
视频获取模块501，用于获取记录有待识别个体的目标动作的待识别视频。
帧序列提取模块502，用于从所述待识别视频中提取任意一个目标动作周期内的帧序列，所述目标动作周期是指执行一个完整的所述目标动作所用的时间。
轨迹获取模块503，用于获取所述目标动作的各个特征点在所述帧序列中的运动轨迹。
特征提取模块504，用于提取所述运动轨迹的轨迹特征。
身份确定模块505，用于根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，其中，所述样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。
可选地，所述身份确定模块505，用于：根据所述运动轨迹的轨迹特征和每一个样本个体对应的样本运动轨迹的轨迹特征，检测是否存在与所述运动轨迹相匹配的样本运动轨迹；若存在与所述运动轨迹相匹配的样本运动轨迹，则将与所述运动轨迹相匹配的样本运动轨迹对应的样本个体的身份确定为所述待识别个体的身份。
可选地，所述身份确定模块505，用于：将所述运动轨迹的轨迹特征作为身份识别模型的输入，采用所述身份识别模型确定待识别个体的身份；其中，所述身份识别模型根据所述样本数据训练得到。
可选地，所述装置还包括：样本构建模块和模型训练模块。
样本构建模块，用于根据所述样本数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：从一个样本个体对应的样本运动轨迹中提取的轨迹特征，以及所述样本个体的身份。
模型训练模块，用于采用机器学习算法对所述训练样本进行训练，得到所述身份识别模型。
可选地，所述轨迹获取模块503，包括：特征识别单元、位置获取单元和轨迹获取单元。
特征识别单元，用于从所述帧序列的每一帧图片中识别各个所述特征点。
位置获取单元，用于获取每个特征点在所述帧序列的每一帧图片中的位置。
轨迹获取单元，用于分别根据每个特征点在所述帧序列的每一帧图片中的位置，确定每个特征点在所述帧序列中的运动轨迹。
可选地，所述帧序列提取模块502，包括：周期划分单元和帧序列提取单元。
周期划分单元，用于将所述待识别视频划分为多个目标动作周期。
帧序列提取单元，用于提取任意一个目标动作周期内的帧序列。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图6，其示出了本发明一个实施例提供的服务器的结构示意图。该服务器用于实施上述实施例中提供的身份识别方法。具体来讲：
所述服务器600包括中央处理单元(CPU)601、包括随机存取存储器(RAM)602和只读存储器(ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述服务器600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)606，和用于存储操作系统613、应用程序614和其他程序模块616的大容量存储设备607。
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为服务器600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
根据本发明的各种实施例，所述服务器600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述身份识别方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由服务器的处理器加载并执行以实现上述方法实施例中的各个步骤。可选地，上述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述方法实施例中的各个步骤的功能。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的示例性实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种身份识别方法，其特征在于，所述方法包括：
获取记录有待识别个体的目标动作的待识别视频；
从所述待识别视频中提取任意一个目标动作周期内的帧序列，所述目标动作周期是指执行一个完整的所述目标动作所用的时间；
获取所述目标动作的各个特征点在所述帧序列中的运动轨迹；
根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，其中，所述样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。
2.根据权利要求1所述的方法，其特征在于，所述根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，包括：
根据所述运动轨迹的轨迹特征和每一个样本个体对应的样本运动轨迹的轨迹特征，检测是否存在与所述运动轨迹相匹配的样本运动轨迹；
若存在与所述运动轨迹相匹配的样本运动轨迹，则将与所述运动轨迹相匹配的样本运动轨迹对应的样本个体的身份确定为所述待识别个体的身份。
3.根据权利要求1所述的方法，其特征在于，所述根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，包括：
将所述运动轨迹的轨迹特征作为身份识别模型的输入，采用所述身份识别模型确定所述待识别个体的身份；
其中，所述身份识别模型根据所述样本数据训练得到。
4.根据权利要求3所述的方法，其特征在于，所述将所述运动轨迹的轨迹特征作为身份识别模型的输入，采用所述身份识别模型确定所述待识别个体的身份之前，还包括：
根据所述样本数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：从一个样本个体对应的样本运动轨迹中提取的轨迹特征，以及所述样本个体的身份；
采用机器学习算法对所述训练样本进行训练，得到所述身份识别模型。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述获取所述目标动作的各个特征点在所述帧序列中的运动轨迹，包括：
从所述帧序列的每一帧图片中识别各个所述特征点；
获取每个特征点在所述帧序列的每一帧图片中的位置；
分别根据每个特征点在所述帧序列的每一帧图片中的位置，确定每个特征点在所述帧序列中的运动轨迹。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述从所述待识别视频中提取任意一个目标动作周期内的帧序列，包括：
将所述待识别视频划分为多个目标动作周期；
提取任意一个目标动作周期内的帧序列。
7.一种身份识别装置，其特征在于，所述装置包括：
视频获取模块，用于获取记录有待识别个体的目标动作的待识别视频；
帧序列提取模块，用于从所述待识别视频中提取任意一个目标动作周期内的帧序列，所述目标动作周期是指执行一个完整的所述目标动作所用的时间；
轨迹获取模块，用于获取所述目标动作的各个特征点在所述帧序列中的运动轨迹；
身份确定模块，用于根据所述运动轨迹的轨迹特征和样本数据，确定所述待识别个体的身份，其中，所述样本数据包括：至少一个样本个体的身份以及对应的样本运动轨迹的轨迹特征。
8.根据权利要求7所述的装置，其特征在于，所述身份确定模块，用于：
根据所述运动轨迹的轨迹特征和每一个样本个体对应的样本运动轨迹的轨迹特征，检测是否存在与所述运动轨迹相匹配的样本运动轨迹；
若存在与所述运动轨迹相匹配的样本运动轨迹，则将与所述运动轨迹相匹配的样本运动轨迹对应的样本个体的身份确定为所述待识别个体的身份。
9.根据权利要求7所述的装置，其特征在于，所述身份确定模块，用于：
将所述运动轨迹的轨迹特征作为身份识别模型的输入，采用所述身份识别模型确定所述待识别个体的身份；
其中，所述身份识别模型根据所述样本数据训练得到。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
样本构建模块，用于根据所述样本数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：从一个样本个体对应的样本运动轨迹中提取的轨迹特征，以及所述样本个体的身份；
模型训练模块，用于采用机器学习算法对所述训练样本进行训练，得到所述身份识别模型。
11.根据权利要求7至10任一项所述的装置，其特征在于，所述轨迹获取模块，包括：
特征识别单元，用于从所述帧序列的每一帧图片中识别各个所述特征点；
位置获取单元，用于获取每个特征点在所述帧序列的每一帧图片中的位置；
轨迹获取单元，用于分别根据每个特征点在所述帧序列的每一帧图片中的位置，确定每个特征点在所述帧序列中的运动轨迹。
12.根据权利要求7至10任一项所述的装置，其特征在于，所述帧序列提取模块，包括：
周期划分单元，用于将所述待识别视频划分为多个目标动作周期；
帧序列提取单元，用于提取任意一个目标动作周期内的帧序列。
13.一种身份识别设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法。
14.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458868.XA CN108304757A (zh) | 2017-06-16 | 2017-06-16 | 身份识别方法及装置 |
| PCT/CN2018/089499 WO2018228218A1 (zh) | 2017-06-16 | 2018-06-01 | 身份识别方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458868.XA CN108304757A (zh) | 2017-06-16 | 2017-06-16 | 身份识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108304757A true CN108304757A (zh) | 2018-07-20 |
Family
ID=62872539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710458868.XA Pending CN108304757A (zh) | 2017-06-16 | 2017-06-16 | 身份识别方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108304757A (zh) |
| WO (1) | WO2018228218A1 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325456A (zh) * | 2018-09-29 | 2019-02-12 | 佳都新太科技股份有限公司 | 目标识别方法、装置、目标识别设备及存储介质 |
| CN109718528A (zh) * | 2018-11-28 | 2019-05-07 | 浙江骏炜健电子科技有限责任公司 | 基于运动特征参数的身份识别方法和系统 |
| CN109829369A (zh) * | 2018-12-25 | 2019-05-31 | 深圳市天彦通信股份有限公司 | 目标确定方法及相关装置 |
| CN110011741A (zh) * | 2019-03-29 | 2019-07-12 | 河北工程大学 | 基于无线信号的身份识别方法及装置 |
| CN110059661A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技（深圳）有限公司 | 动作识别方法、人机交互方法、装置及存储介质 |
| CN110705438A (zh) * | 2019-09-27 | 2020-01-17 | 腾讯科技（深圳）有限公司 | 步态识别方法、装置、设备及存储介质 |
| CN111524164A (zh) * | 2020-04-21 | 2020-08-11 | 北京爱笔科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
| CN111539298A (zh) * | 2020-04-20 | 2020-08-14 | 深知智能科技(金华)有限公司 | 一种基于动态数据的身份信息融合系统及方法 |
| CN111860063A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 步态数据构建系统、方法及装置 |
| CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
| CN112669352A (zh) * | 2020-09-30 | 2021-04-16 | 杭州海康威视系统技术有限公司 | 一种对象识别方法、装置及设备 |
| CN113312596A (zh) * | 2021-06-10 | 2021-08-27 | 重庆市勘测院 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
| CN113672159A (zh) * | 2021-08-24 | 2021-11-19 | 数贸科技（北京）有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111435452B (zh) * | 2019-01-11 | 2023-11-03 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备和介质 |
| CN111639578B (zh) * | 2020-05-25 | 2023-09-19 | 上海中通吉网络技术有限公司 | 智能识别违规抛物的方法、装置、设备和存储介质 |
| JP2023535231A (ja) * | 2020-08-20 | 2023-08-16 | ラモット・アット・テル・アビブ・ユニバーシテイ・リミテッド | 動的アイデンティティ認証 |
| CN115424353B (zh) * | 2022-09-07 | 2023-05-05 | 杭银消费金融股份有限公司 | 基于ai模型的业务用户特征识别方法及系统 |
| CN116884130B (zh) * | 2023-08-29 | 2024-02-20 | 深圳市亲邻科技有限公司 | 一种基于体态识别的智能门禁控制方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102697508A (zh) * | 2012-04-23 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 采用单目视觉的三维重建来进行步态识别的方法 |
| CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
| 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 |
| CN105354468A (zh) * | 2015-10-29 | 2016-02-24 | 丽水学院 | 一种基于多轴力平台步态分析的用户身份识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8160371B2 (en) * | 2007-12-03 | 2012-04-17 | Honeywell International Inc. | System for finding archived objects in video data |
| CN104156650A (zh) * | 2014-08-08 | 2014-11-19 | 浙江大学 | 一种基于手部运动的用户身份识别方法 |
| CN105760835B (zh) * | 2016-02-17 | 2018-03-06 | 银河水滴科技（北京）有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
| CN106845403A (zh) * | 2017-01-20 | 2017-06-13 | 武汉哒呤科技有限公司 | 一种通过用户行为轨迹确定其身份特质的方法 |
-
2017
- 2017-06-16 CN CN201710458868.XA patent/CN108304757A/zh active Pending
-
2018
- 2018-06-01 WO PCT/CN2018/089499 patent/WO2018228218A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102697508A (zh) * | 2012-04-23 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 采用单目视觉的三维重建来进行步态识别的方法 |
| CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
| 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 |
| CN105354468A (zh) * | 2015-10-29 | 2016-02-24 | 丽水学院 | 一种基于多轴力平台步态分析的用户身份识别方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325456B (zh) * | 2018-09-29 | 2020-05-12 | 佳都新太科技股份有限公司 | 目标识别方法、装置、目标识别设备及存储介质 |
| CN109325456A (zh) * | 2018-09-29 | 2019-02-12 | 佳都新太科技股份有限公司 | 目标识别方法、装置、目标识别设备及存储介质 |
| CN109718528B (zh) * | 2018-11-28 | 2021-06-04 | 浙江骏炜健电子科技有限责任公司 | 基于运动特征参数的身份识别方法和系统 |
| CN109718528A (zh) * | 2018-11-28 | 2019-05-07 | 浙江骏炜健电子科技有限责任公司 | 基于运动特征参数的身份识别方法和系统 |
| CN109829369A (zh) * | 2018-12-25 | 2019-05-31 | 深圳市天彦通信股份有限公司 | 目标确定方法及相关装置 |
| CN110011741A (zh) * | 2019-03-29 | 2019-07-12 | 河北工程大学 | 基于无线信号的身份识别方法及装置 |
| CN110059661A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技（深圳）有限公司 | 动作识别方法、人机交互方法、装置及存储介质 |
| US11710351B2 (en) * | 2019-04-26 | 2023-07-25 | Tencent Technology (Shenzhen) Company Limited | Action recognition method and apparatus, and human-machine interaction method and apparatus |
| CN110059661B (zh) * | 2019-04-26 | 2022-11-22 | 腾讯科技（深圳）有限公司 | 动作识别方法、人机交互方法、装置及存储介质 |
| US20210271892A1 (en) * | 2019-04-26 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Action recognition method and apparatus, and human-machine interaction method and apparatus |
| WO2020216116A1 (zh) * | 2019-04-26 | 2020-10-29 | 腾讯科技（深圳）有限公司 | 动作识别方法和装置、人机交互方法和装置 |
| CN111860063A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 步态数据构建系统、方法及装置 |
| CN111860063B (zh) * | 2019-04-30 | 2023-08-11 | 杭州海康威视数字技术股份有限公司 | 步态数据构建系统、方法及装置 |
| CN110705438A (zh) * | 2019-09-27 | 2020-01-17 | 腾讯科技（深圳）有限公司 | 步态识别方法、装置、设备及存储介质 |
| CN110705438B (zh) * | 2019-09-27 | 2023-07-25 | 腾讯科技（深圳）有限公司 | 步态识别方法、装置、设备及存储介质 |
| CN111539298A (zh) * | 2020-04-20 | 2020-08-14 | 深知智能科技(金华)有限公司 | 一种基于动态数据的身份信息融合系统及方法 |
| CN111524164A (zh) * | 2020-04-21 | 2020-08-11 | 北京爱笔科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
| CN111524164B (zh) * | 2020-04-21 | 2023-10-13 | 北京爱笔科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
| CN112669352A (zh) * | 2020-09-30 | 2021-04-16 | 杭州海康威视系统技术有限公司 | 一种对象识别方法、装置及设备 |
| CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
| CN113312596A (zh) * | 2021-06-10 | 2021-08-27 | 重庆市勘测院 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
| CN113672159A (zh) * | 2021-08-24 | 2021-11-19 | 数贸科技（北京）有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
| CN113672159B (zh) * | 2021-08-24 | 2024-03-15 | 数贸科技（北京）有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018228218A1 (zh) | 2018-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304757A (zh) | 身份识别方法及装置 | |
| WO2021093329A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
| CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
| Sharp et al. | Accurate, robust, and flexible real-time hand tracking | |
| TWI512645B (zh) | 使用深度影像之手勢辨識裝置及方法 | |
| Zeng et al. | Silhouette-based gait recognition via deterministic learning | |
| WO2020107847A1 (zh) | 基于骨骼点的跌倒检测方法及其跌倒检测装置 | |
| WO2019105163A1 (zh) | 目标人物的搜索方法和装置、设备、程序产品和介质 | |
| CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
| US11113571B2 (en) | Target object position prediction and motion tracking | |
| CN107545252A (zh) | 基于多姿态人脸模型的视频中人脸识别方法及装置 | |
| WO2019056503A1 (zh) | 门店监控评价方法、装置及存储介质 | |
| WO2019033567A1 (zh) | 眼球动作捕捉方法、装置及存储介质 | |
| Dospinescu et al. | Face detection and face recognition in android mobile applications | |
| Yu | Emotion monitoring for preschool children based on face recognition and emotion recognition algorithms | |
| CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN113869218B (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
| Aftab et al. | A boosting framework for human posture recognition using spatio-temporal features along with radon transform | |
| JP7459949B2 (ja) | 学習装置、学習方法、追跡装置及びプログラム | |
| CN114663929A (zh) | 基于人工智能的脸部识别方法、装置、设备和存储介质 | |
| Chen et al. | Classroom attention estimation method based on mining facial landmarks of students | |
| CN113918769B (zh) | 视频中关键动作标记方法、装置、设备及存储介质 | |
| Aravindan et al. | A Smart Assistive System for Visually Impaired to Inform Acquaintance Using Image Processing (ML) Supported by IoT | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN108052555A (zh) | 一种照片分类方法和系统 |
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: 20180720 |