CN108596225A - 目标相似度识别方法、目标的停留时间记录方法及装置 - Google Patents
目标相似度识别方法、目标的停留时间记录方法及装置 Download PDFInfo
- Publication number
- CN108596225A CN108596225A CN201810325886.5A CN201810325886A CN108596225A CN 108596225 A CN108596225 A CN 108596225A CN 201810325886 A CN201810325886 A CN 201810325886A CN 108596225 A CN108596225 A CN 108596225A
- Authority
- CN
- China
- Prior art keywords
- target
- point set
- feature point
- similarity
- residence time
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/211—Selection of the most significant subset of features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种目标相似度识别方法、目标的停留时间记录方法、装置、设备、计算机设备和存储介质，其中目标相似度识别方法包括：获取两组帧图像中目标对应的图像数据，分别从图像数据中获取目标的特征点信息，得到第一特征点集合和第二特征点集合；根据特征点集合的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；根据双向相似距离确定两组帧图像中识别目标的相似度。上述方法，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
Description
技术领域
本发明涉及图像识别技术领域，特别是涉及一种目标相似度识别方法、目标的停留时间记录方法、装置、设备、计算机设备和存储介质。
背景技术
图像识别，是指利用计算机对图像进行分析处理，以识别出图像中的目标的技术。例如可以通过对图像中人物、汽车、飞机等特定目标特征的提取，对图像中的目标进行识别。
在图像识别技术领域中，对于相似目标的识别分类具有重要的意义，例如在图像中出现多个人物时，需要高精度的识别运算以对相似人物进行有效区分，对于相似目标的识别，一种重要的方法是计算图像中目标与目标之间的相似度。
现有的目标相似度识别方法，例如聚类分析方法等等，存在着运算过程复杂，效率低的缺陷。
发明内容
基于此，有必要针对上述技术问题，提供一种能够高效地对目标进行相似度识别的目标相似度识别方法、目标的停留时间记录方法、装置、设备、计算机设备和存储介质。
一种目标相似度识别方法，所述方法包括：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述目标相似度识别方法，通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，所述获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合的步骤包括：根据图像的灰度强度值对后续获取两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
上述实施例的技术方案，通过提取的目标特征轮廓线的投影曲线，计算重心转化为点集提取图像中的特征点进行运算，可以精简运算数据，避免对目标整个特征区域的像素点进行运算，运算量庞大导致的效率低和系统负荷重的问题，提升运算效率。
在一个实施例中，所述根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离包括：
针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
上述实施例的技术方案，通过计算的两组图像特征点集之间的单向相似距离中的较大值，作为两组图像特征点集和的相似度，其中单向相似距离描述特征点集中的各个特征点的位置关系的不匹配度的信息，通过计算的其中一个集合中各个特征点相对于另一个集合中任意一个特征点的最小距离，将其中的特征点进行最小距离匹配对应相似点，并获取两两相似点之间的最小距离，再获取各最小距离中的最大值，通过距离运算提取两组图像的特征点之间的最大不匹配度的信息，运算方式简单，易于实现，可以有效提升运算效率。
在一个实施例中，还提供了一种目标的停留时间记录方法，所述方法包括：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任意一个实施例的目标相似度识别方法获得；若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在对目标的停留时间进行计时时，如果仅根据采集的目标特征进行计时，可能存在多个目标连续出现，例如对人物停留时间进行采集时，人物排队连续出现的情况，不同目标的停留时间被误计入同一次的停留时间中，导致对目标停留时间记录不准确。上述实施例的技术方案，根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
进一步地，在一个实施例中，所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
上述实施例的技术方案，在识别到当前获取的帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，说明当前目标应该是新出现的目标，则新建一个目标分类，对该新目标进行计时，以实现在多个目标连续出现时的对各个目标的分类计时。
在一个实施例中，所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：若后续获取的所述帧图像与目标分类中的帧图像的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述实施例的技术方案，在连续多个相似目标出现时，仅对其中一个目标进行计时，若通过相似度识别判定出现新的目标，则判定当前目标已经离开，结束对当前目标的停留时间记录，并获取记录的目标的停留时间。
在一个实施例中，本发明实施例的目标的停留时间记录方法，还包括步骤：获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
本发明上述实施例的技术方案，提出针对每一类的对象，通过划分监控区域范围与各类对象一一对应，根据图像识别的目标落入的监控区域，判别该目标行为对应的对象，以对目标对对应对象行为的停留时间进行计时，该方法简单而易于实现，可以有效提升运算识别的效率。
一种目标相似度识别装置，所述装置包括：
特征点提取模块，用于获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
相似距离计算模块，用于根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
相似度计算模块，用于根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任意一个实施例的目标相似度识别方法获得。
上述目标相似度识别装置，通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，还提供了一种目标的停留时间记录装置，所述装置包括：
目标识别模块，用于对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
相似识别模块，用于计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任一实施例的目标相似度识别方法获得；
时间获取模块，用于若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述目标的停留时间记录装置，根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述计算机设备，其处理器执行程序时，通过实现如上步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任一实施例的目标相似度识别方法获得；
若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述计算机设备，其处理器执行程序时，通过实现如上步骤，从而可以根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述计算机存储介质，其存储的计算机程序，通过实现如上步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，所述计算机程序被处理器执行时还实现以下步骤：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任一实施例的目标相似度识别方法获得；
若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述计算机存储介质，其存储的计算机程序，通过实现如上步骤，从而可以根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
一种目标相似度识别设备，其特征在于，所述设备包括摄像头、处理器和存储器；
所述摄像头采集视频帧图像，将采集的视频帧图像存储于存储器中；
所述存储器中存储有计算机程序；
所述处理器在执行所述存储器中的程序时，执行如上任一实施例所述目标相似度识别方法的步骤。
上述目标相似度识别设备，其处理器执行程序时，通过实现如上任一实施例所述目标相似度识别方法的步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
一种目标的停留时间记录设备，其特征在于，所述设备包括摄像头、处理器和存储器；
所述摄像头采集视频帧图像，将采集的视频帧图像存储于存储器中；
所述存储器中存储有计算机程序；
所述处理器在执行所述存储器中的程序时，执行如上任一实施例所述目标的停留时间记录方法的步骤。
上述目标的停留时间记录设备，其处理器执行程序时，通过实现如上任一实施例所述目标的停留时间记录方法的步骤，从而根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
附图说明
图1为一个实施例中目标相似度识别设备的结构图；
图2为一个实施例中目标相似度识别方法的流程示意图；
图3为一个实施例中双向相似距离计算步骤的流程示意图；
图4为一个实施例中目标的停留时间记录方法的流程示意图；
图5为一个实施例中目标相似度识别装置的结构框图；
图6为一个实施例中目标的停留时间记录装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的目标相似度识别方法，可以应用于如图1所示的应用环境中。其中，目标相似度识别设备10包括摄像头110、存储器120和处理器130，摄像头110、存储器120和处理器130依次连接。目标相似度识别设备10可以但不限于是各种电脑、手机、售货机或专用设备等等，摄像头110可以有一个或多个，摄像头110将拍摄的图像数据传输至存储器120进行存储，存储器120中还存储有计算机程序，处理器130读取存储器120中存储的图像，运行所述计算机程序对图像中的目标20的相似度进行识别分析。
在一个实施例中，如图2所示，提供了一种目标相似度识别方法，以该方法应用于图1中的处理器为例进行说明，包括以下步骤：
S210，获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
其中，两组帧图像是用于进行相似度比对的帧图像，每组帧图像中可以包含一帧或多帧帧图像。
S220，根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
S230，根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述目标相似度识别方法中，通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，如图3所示，S210中所述获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合的步骤包括：
S211，根据图像的灰度强度值对获取的两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；
S212，计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
其中，第一特征点集合为两组帧图像中其中一组帧图像中目标的特征点的集合，第二特征点集合为两组帧图像中另一组帧图像中目标的特征点的集合。
上述实施例的技术方案，通过提取的目标特征轮廓线的投影曲线，计算重心转化为点集提取图像中的特征点进行运算，可以精简运算数据，避免对目标整个特征区域的像素点进行运算，运算量庞大导致的效率低和系统负荷重的问题，提升运算效率。
在一个实施例中，如图3所示，S220所述根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离包括：
S221，针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；
其中，第一特征点集合相对于第二特征点集合的单向相似距离表示如下：
上式中，H为第一特征点集合，G为第二特征点集合，h为第一特征点集合中的特征点，g为第二特征点集合中的特征点，d(H,G)第一特征点集合相对于第二特征点集合的单向相似距离。
d(H,G)并不是两个点集的真实距离，而是集合G中与集合H中某点hi的距离最小的gj的距离||hi-gj||进行排序，d(H,G)为其中的最大值。
S222，针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；
其中，第二特征点集合相对于第一特征点集合的单向相似距离表示如下：
上式中，H为第一特征点集合，G为第二特征点集合，h为第一特征点集合中的特征点，g为第二特征点集合中的特征点，d(G,H)第二特征点集合相对于第一特征点集合的单向相似距离。
d(G,H)并不是两个点集的真实距离，而是集合H中与集合G中某点gj的距离最小的hi的距离||gj-hi||进行排序，d(G,H)为其中的最大值。
S223，获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
其中，所述双向相似距离依照下式得出：
D(H,G)＝max(d(H,G),d(G,H))
双向相似距离D(H,G)是单向相似距离d(H,G)与d(G,H)中的较大者，D(H,G)描述了两个图像的特征点集合的最大不匹配度。
上述实施例的技术方案，通过计算的两组图像特征点集之间的单向相似距离中的较大值，作为两组图像特征点集和的相似度，其中单向相似距离描述特征点集中的各个特征点的位置关系的不匹配度的信息，通过计算的其中一个集合中各个特征点相对于另一个集合中任意一个特征点的最小距离，将其中的特征点进行最小距离匹配对应相似点，并获取两两相似点之间的最小距离，再获取各最小距离中的最大值，通过距离运算提取两组图像的特征点之间的最大不匹配度的信息，运算方式简单，易于实现，可以有效提升运算效率。
在一个实施例中，如图4所示，还提供了一种目标的停留时间记录方法，以该方法应用于图1中的处理器为例进行说明，包括以下步骤：
S410，对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
S420，计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任意一个实施例的目标相似度识别方法获得；
S430，若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在对目标的停留时间进行计时时，如果仅根据采集的目标特征进行计时，可能存在多个目标连续出现，例如对人物停留时间进行采集时，人物排队连续出现的情况，不同目标的停留时间被误计入同一次的停留时间中，导致对目标停留时间记录不准确。上述实施例的技术方案，根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
进一步地，在一个实施例中，S420所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：S421，若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
上述实施例的技术方案，在识别到当前获取的帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，说明当前目标应该是新出现的目标，则新建一个目标分类，对该新目标进行计时，以实现在多个目标连续出现时的对各个目标的分类计时。
除了通过目标是否离开设定的区域以判断目标是否离开之外，也可以通过目标的相似度识别判断当前是否更换目标，在一个实施例中，S420所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：S422，若后续获取的所述帧图像与目标分类中的帧图像的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述实施例的技术方案，在连续多个相似目标出现时，仅对其中一个目标进行计时，若通过相似度识别判定出现新的目标，则判定当前目标已经离开，结束对当前目标的停留时间记录，并获取记录的目标的停留时间。
在一个实施例中，本发明实施例的目标的停留时间记录方法，还包括步骤：获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
在对目标的停留时间进行记录时，某些情况下还需要判断当前目标的行为对应的对象，将该目标的停留时间的行为匹配到对应的对象上，例如，在采集客户对商品对象的选择停留时间时，一个有待解决的问题是如何判定当前客户关注的具体是哪一个或哪一类的商品，作为可能的解决方案，可以选择通过图像识别运算，提取图像中的目标和对象的特征，以判断当前客户选择的商品对象，但是该方法具有运算复杂的缺陷。而本发明上述实施例的技术方案，提出针对每一类的对象，通过划分监控区域范围与各类对象一一对应，根据图像识别的目标落入的监控区域，判别该目标行为对应的对象，以对目标对对应对象行为的停留时间进行计时，该方法简单而易于实现，可以有效提升运算识别的效率。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种目标相似度识别装置，包括：
特征点提取模块510，用于获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
相似距离计算模块520，用于根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
相似度计算模块530，用于根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述目标相似度识别装置，通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，所述相似距离计算模块520包括：
投影曲线提取模块511，用于根据图像的灰度强度值对获取的两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；
特征点集获取模块512，计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
在一个实施例中，所述相似距离计算模块520包括：
第一单向距离计算模块521，用于针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；
第二单向距离计算模块522，用于针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；
双向相似距离计算模块523，用于获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
关于目标相似度识别装置的具体限定可以参见上文中对于目标相似度识别方法的限定，在此不再赘述。上述目标相似度识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的目标相似度识别装置与本发明的目标相似度识别方法一一对应，在上述目标相似度识别方法的实施例阐述的技术特征及其有益效果均适用于目标相似度识别装置的实施例中，特此声明。
在一个实施例中，如图6所示，还提供了一种目标的停留时间记录装置，所述装置包括：
目标识别模块610，用于对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
相似识别模块620，用于计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任一实施例的目标相似度识别方法获得；
时间获取模块630，用于若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
上述目标的停留时间记录装置，根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
进一步地，在一个实施例中，本发明实施例的目标的停留时间记录装置，还包括：新目标记录模块640，用于若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
在一个实施例中，本发明实施例的目标的停留时间记录装置，还包括：时间记录停止模块650，用于若后续获取的所述帧图像与目标分类中的帧图像的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在一个实施例中，本发明实施例的目标的停留时间记录装置，还包括：
多区域图像获取模块650，用于获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；
对象匹配确定模块660，用于在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
关于目标的停留时间记录装置的具体限定可以参见上文中对于目标的停留时间记录方法的限定，在此不再赘述。上述目标的停留时间记录装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的目标的停留时间记录装置与本发明的目标的停留时间记录方法一一对应，在上述目标的停留时间记录方法的实施例阐述的技术特征及其有益效果均适用于目标的停留时间记录装置的实施例中，特此声明。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述计算机设备，其处理器执行程序时，通过实现如上步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据图像的灰度强度值对获取的两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任意一个实施例的目标相似度识别方法获得；若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若后续获取的所述帧图像与目标分类中的帧图像的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
上述计算机可读存储介质，其存储的计算机程序，通过实现如上步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据图像的灰度强度值对获取的两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如上任意一个实施例的目标相似度识别方法获得；若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若后续获取的所述帧图像与目标分类中的帧图像的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
一种目标相似度识别设备，如图1所示，所述设备包括摄像头、处理器和存储器；
所述摄像头采集视频帧图像，将采集的视频帧图像存储于存储器中；
所述存储器中存储有计算机程序；
所述处理器在执行所述存储器中的程序时，执行如上任一实施例所述目标相似度识别方法的步骤。
上述目标相似度识别设备，其处理器执行程序时，通过实现如上任一实施例所述目标相似度识别方法的步骤，从而可以通过提取两组图像中目标的特征点信息的第一特征点集合和第二特征点集合，计算第一特征点集合和第二特征点集合之间的双向相似距离，得到第一特征点集合和第二特征点集合的最大不匹配度的信息，确定两组帧图像中识别目标的相似度，可以简单而高效地提取比对两组图像中目标的相似度，提升目标相似度的识别效率。
一种目标的停留时间记录设备，所述设备包括摄像头、处理器和存储器；
所述摄像头采集视频帧图像，将采集的视频帧图像存储于存储器中；
所述存储器中存储有计算机程序；
所述处理器在执行所述存储器中的程序时，执行如上任一实施例所述目标的停留时间记录方法的步骤。
上述目标的停留时间记录设备，其处理器执行程序时，通过实现如上任一实施例所述目标的停留时间记录方法的步骤，从而根据采集帧图像的采集时序，对采集的帧图像进行相似度识别运算分类，将连续出现的相似度在阈值范围内多帧目标归为一类进行计时，可以有效辨别图像中出现的不同的目标，并对不同的目标进行分别计时，提升对目标停留时间计时的准确性。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标相似度识别方法，其特征在于，包括：
获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
2.根据权利要求1所述的目标相似度识别方法，其特征在于，所述根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离包括：
针对第一特征点集合中的每个特征点，分别获取第二特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第一特征点集合相对于第二特征点集合的单向相似距离；
针对第二特征点集合中的每个特征点，分别获取第一特征点集合中的各个特征点与该特征点的最小距离，选取各个所述最小距离中的最大值，为第二特征点集合相对于第一特征点集合的单向相似距离；
获取第一特征点集合相对于第二特征点集合的单向相似距离和第二特征点集合相对于第一特征点集合的单向相似距离中的较大值，为第一特征点集合和第二特征点集合之间的双向相似距离。
3.根据权利要求1所述的目标的停留时间记录方法，其特征在于，所述获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合的步骤包括：
根据图像的灰度强度值对获取的两组帧图像中识别的目标进行形状分割，获取所述目标的形状轮廓线，对连续帧的图像获取运动区域进行比对计算获取的形状轮廓线作为投影曲线；
计算所述投影曲线区域图像的重心，将投影曲线以该重心为原点转化为点集，获取所述点集的信息为目标的特征点信息，得到第一特征点集合和第二特征点集合。
4.一种目标的停留时间记录方法，所述方法包括：
对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如权利要求1至3任意一项的目标相似度识别方法获得；
若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
5.根据权利要求4任一项所述的目标的停留时间记录方法，其特征在于，所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则将所述帧图像计入新增的目标分类中，并开始记录新目标的停留时间。
6.根据权利要求4任一项所述的目标的区域停留时间记录方法，其特征在于，所述计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内的步骤之后，还包括步骤：若后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度不在阈值范围内，则停止对所述目标的停留时间记录，获取记录的目标的停留时间。
7.根据权利要求4至6任一项所述的目标的停留时间记录方法，其特征在于，还包括步骤：
获取不同监控区域的拍摄图像，对各个监控区域的拍摄图像进行特征识别；其中，每个所述监控区域与一类对象形成一一对应关系；
在所述监控区域的视频帧图像中识别到所述目标落入所述监控区域范围时，判定所述目标执行对所述对象的行为，并将所述目标的停留时间分割记录在所述目标对所述对象的停留时间中。
8.一种目标相似度识别装置，其特征在于，包括：
特征点提取模块，用于获取两组帧图像中目标对应的图像数据，分别从所述图像数据中获取所述目标的特征点信息，得到第一特征点集合和第二特征点集合；
相似距离计算模块，用于根据所述特征点集的信息，获取第一特征点集合和第二特征点集合之间的双向相似距离；其中，所述双向相似距离为度量第一特征点集合和第二特征点集合的最大不匹配度的信息；
相似度计算模块，用于根据所述双向相似距离确定所述两组帧图像中识别目标的相似度。
9.一种目标的停留时间记录装置，其特征在于，所述装置包括：
目标识别模块，用于对获取的视频帧图像进行目标识别，在识别到所述目标落入设定的拍摄区域范围时，将对应帧图像计入所述目标分类中,并开始记录所述目标的停留时间；
相似识别模块，用于计算后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度是否在阈值范围内，若是，则将所述帧图像计入所述目标分类中；其中，所述后续获取的所述帧图像中的目标与目标分类中的帧图像中的目标的相似度采用如权利要求1至3中任意一项的目标相似度识别方法获得；
时间获取模块，用于若所述目标超出设定的拍摄区域范围时，停止对所述目标的停留时间记录，获取记录的目标的停留时间。
10.一种目标相似度识别设备，其特征在于，所述设备包括摄像头、处理器和存储器；
所述摄像头采集视频帧图像，将采集的视频帧图像存储于存储器中；
所述存储器中存储有计算机程序；
所述处理器在执行所述存储器中的程序时，执行如权利要求1至3中任一项所述目标相似度识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810325886.5A CN108596225A (zh) | 2018-04-12 | 2018-04-12 | 目标相似度识别方法、目标的停留时间记录方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810325886.5A CN108596225A (zh) | 2018-04-12 | 2018-04-12 | 目标相似度识别方法、目标的停留时间记录方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596225A true CN108596225A (zh) | 2018-09-28 |
Family
ID=63622220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810325886.5A Pending CN108596225A (zh) | 2018-04-12 | 2018-04-12 | 目标相似度识别方法、目标的停留时间记录方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596225A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782459A (zh) * | 2019-01-08 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法及装置 |
| CN111510724A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的等效视频压缩存储方法及系统 |
| CN111597979A (zh) * | 2018-12-17 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 一种目标对象聚类方法及装置 |
| CN111753611A (zh) * | 2019-08-30 | 2020-10-09 | 北京市商汤科技开发有限公司 | 图像检测方法及装置和系统、电子设备和存储介质 |
| CN113673542A (zh) * | 2021-10-23 | 2021-11-19 | 深圳希研工业科技有限公司 | 基于物联网的快递包裹破损识别方法及系统 |
| CN113849708A (zh) * | 2021-09-18 | 2021-12-28 | 山东送变电工程有限公司 | 一种定值项的匹配方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9342855B1 (en) * | 2011-04-18 | 2016-05-17 | Christina Bloom | Dating website using face matching technology |
| CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
| CN107229921A (zh) * | 2017-06-09 | 2017-10-03 | 济南大学 | 基于Hausdorff距离的动态手势识别方法 |
-
2018
- 2018-04-12 CN CN201810325886.5A patent/CN108596225A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9342855B1 (en) * | 2011-04-18 | 2016-05-17 | Christina Bloom | Dating website using face matching technology |
| CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
| CN107229921A (zh) * | 2017-06-09 | 2017-10-03 | 济南大学 | 基于Hausdorff距离的动态手势识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘波等: "基于射线轮廓点匹配的生猪红外与可见光图像自动配准", 《农业工程学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597979A (zh) * | 2018-12-17 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 一种目标对象聚类方法及装置 |
| CN111597979B (zh) * | 2018-12-17 | 2023-05-12 | 北京嘀嘀无限科技发展有限公司 | 一种目标对象聚类方法及装置 |
| CN110782459A (zh) * | 2019-01-08 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法及装置 |
| CN111510724A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的等效视频压缩存储方法及系统 |
| CN111753611A (zh) * | 2019-08-30 | 2020-10-09 | 北京市商汤科技开发有限公司 | 图像检测方法及装置和系统、电子设备和存储介质 |
| CN113849708A (zh) * | 2021-09-18 | 2021-12-28 | 山东送变电工程有限公司 | 一种定值项的匹配方法及装置 |
| CN113673542A (zh) * | 2021-10-23 | 2021-11-19 | 深圳希研工业科技有限公司 | 基于物联网的快递包裹破损识别方法及系统 |
| CN113673542B (zh) * | 2021-10-23 | 2022-02-08 | 深圳希研工业科技有限公司 | 基于物联网的快递包裹破损识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596225A (zh) | 目标相似度识别方法、目标的停留时间记录方法及装置 | |
| Zhao et al. | Temporal action detection with structured segment networks | |
| US10102421B2 (en) | Method and device for face recognition in video | |
| US8463044B2 (en) | Method and device of detecting object in image and system including the device | |
| CN110414559B (zh) | 智能零售柜商品目标检测统一框架的构建方法及商品识别方法 | |
| US11321966B2 (en) | Method and apparatus for human behavior recognition, and storage medium | |
| KR102070956B1 (ko) | 영상 처리 장치 및 방법 | |
| Cabrera et al. | Efficient multi-camera detection, tracking, and identification using a shared set of haar-features | |
| CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
| Vedhaviyassh et al. | Comparative analysis of easyocr and tesseractocr for automatic license plate recognition using deep learning algorithm | |
| CN108648338A (zh) | 自动售货机的商品信息采集方法、装置和售货机 | |
| Kayaoglu et al. | Affect recognition using key frame selection based on minimum sparse reconstruction | |
| Arfi et al. | Real time human face detection and recognition based on Haar features | |
| Nguyen et al. | A new convolutional architecture for Vietnamese car plate recognition | |
| CN111144220B (zh) | 适于大数据的人员检测方法、装置、设备和介质 | |
| Lefakis et al. | Joint cascade optimization using a product of boosted classifiers | |
| Borhade et al. | Advanced driver assistance system | |
| CN113657378B (zh) | 车辆跟踪方法、车辆跟踪系统和计算设备 | |
| CN112861652B (zh) | 基于卷积神经网络的视频目标跟踪与分割方法及系统 | |
| Alamri et al. | Al-Masjid An-Nabawi crowd adviser crowd level estimation using head detection | |
| Duan et al. | The logitboost based on joint feature for face detection | |
| CN115346143A (zh) | 行为检测方法、电子设备、计算机可读介质 | |
| Li et al. | Task-relevant object detection and tracking | |
| Zhao et al. | Robust object tracking via sparse representation based on compressive collaborative Haar-like feature space | |
| Trichet et al. | Video event classification with temporal partitioning |
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: 20180928 |