CN109117714B - 一种同行人员识别方法、装置、系统及计算机存储介质 - Google Patents
一种同行人员识别方法、装置、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN109117714B CN109117714B CN201810682283.0A CN201810682283A CN109117714B CN 109117714 B CN109117714 B CN 109117714B CN 201810682283 A CN201810682283 A CN 201810682283A CN 109117714 B CN109117714 B CN 109117714B
- Authority
- CN
- China
- Prior art keywords
- face
- data
- snapshot
- clustering
- peer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- G06F18/23—Clustering techniques
-
- 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
- G06V40/10—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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种同行人员识别方法、装置、系统及计算机存储介质,所述同行人员识别方法包括:获取目标人员的抓拍数据,生成第一数据集合;根据第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取有效的抓拍时间段内预定覆盖区域的抓拍数据,并将其保存为第二数据集合;基于第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;对抓拍数据人脸集合中的人脸图像进行聚类,得到准确的同行人员识别结果。根据本发明的方法、装置、系统及计算机存储介质,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
Description
技术领域
本发明涉及人员识别技术领域,更具体地涉及一种同行人员识别方法及装置。
背景技术
随着近几年人脸识别的迅猛发展,现有的同行人员分析,是按照当前抓拍人脸前后一段时间的抓拍数据进行比对,将出现次数高的认为可能是其同行人员。但这个受制于如下问题造成结果不准确:以摄像机为同行地点计算时,由于人脸卡口的布点一般为治安卡口,不是必经区域,同行作案人员会故意和自己的同伙避开一定距离,导致很多时候出现次数高的人并不是其同行人员,真正的同行人员湮没在当前点位较低的同行次数中,无法被找寻出来;以及摄像机在面对大量人员经过时存在漏抓,造成数据了的丢失,引起结果不准确。
因此,现有技术中存在很难确保目前的同行人员分析技战法的结果的准确性的问题。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种同行人员识别方法、装置、系统及计算机存储介质,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
根据本发明一方面,提供了一种同行人员识别方法,其特征在于,所述方法包括:
获取目标人员的第一数据集合;
根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;
基于所述第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;
对所述抓拍数据人脸集合中的人脸图像进行聚类,得到准确的同行人员识别结果。
示例性地,所述获取目标人员的第一数据集合包括:
获取目标人员的抓拍数据;
删除不准确的抓拍数据,将剩下的抓拍数据保存为所述第一数据集合。示例性地,所述确定有效的抓拍时间段包括:获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段。
示例性地,所述预定覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。
示例性地,所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确数据,和/或与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
示例性地,对所述抓拍数据人脸集合中的人脸图像进行聚类后,得到若干类人脸图像,所述得到同行人员识别结果包括:
计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N为自然数;
基于所述聚类结果得到同行人员识别结果。
示例性地,所述得到同行人员识别结果还进一步包括:对聚类结果中每一类的人脸图像提取人脸特征,并在人脸底库中进行搜索比对,得到N个人脸识别结果作为同行人员识别结果。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、或支持向量机聚类方法。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对时,得到的相似度得分最高的结果;或相似度最高的那张人脸底图的人脸ID。
示例性地,所述获取目标人员的抓拍数据还包括:基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到包含所述目标人员的抓拍数据。
根据本发明另一方面,提供了一种同行人员识别装置,包括:
第一图像获取模块,用于获取目标人员的第一数据集合;
第二图像获取模块,根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;
人脸图像模块,用于基于所述第二数据集合提取其中的人脸图像得到抓拍数据人脸集合;
存储模块,用于储存第一数据集合、第二数据集合以及抓拍数据人脸集合;
人脸聚类模块,用于对所述抓拍数据人脸集合中的人脸图像进行聚类,得到聚类结果;
同行人员识别模块,用于根据所述聚类结果得到同行人员识别结果。
示例性地,所述同行人员识别装置可以进一步地包括:目标人员检测模块,用于基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到所述目标人员的抓拍数据。
示例性地,所述第一图像获取模块可以进一步地包括:
图像信息接收模块,用于接收目标人员的抓拍数据;
分帧模块,用于对所述抓拍数据的视频数据进行视频图像分帧。
示例性地,所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确的抓拍数据,和/或与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
示例性地,所述第二图像获取模块可以进一步地包括:
数据来源模块,用于确定所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置;
有效时间计算模块,用于确定所述第一数据集合的抓拍时间前后一预定时间段为有效时间段;
区域计算模块,用于根据所述图像采集装置的位置计算预设覆盖区域内的图像采集装置及其位置;
数据获取模块,用于获取在所述有效时间段内所述预设覆盖区域的图像采集装置的抓拍数据。
示例性地,所述预设覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。
示例性地,所述人脸图像模块可以进一步地包括:
人脸检测模块,用于对所述第二数据集合中的每一帧进行人脸检测和跟踪,得到抓拍数据人脸集合;
人脸特征降维模块,用于降低所述抓拍数据人脸集合中人脸特征的维度。
示例性地,所述人脸聚类模块可以进一步地包括:
聚类模块,用于对所述抓拍数据人脸集合中的人脸图像进行聚类;
聚类数量计算模块,用于计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N属于自然数。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、以及支持向量机聚类方法。
示例性地,所述同行人员识别模块可以进一步地包括:
聚类人脸特征模块,用于对所述聚类结果中每一类的人脸图像提取人脸特征得到聚类人脸特征;
人脸搜索模块,用于基于所聚类人脸特征,在人脸底库中进行搜索比对,得到N类的人脸识别结果作为同行人员识别结果。
根据本发明实施例的同行人员识别方法和装置,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是用于实现根据本发明实施例的同行人员识别方法和装置的示例电子设备的示意性框图;
图2是根据本发明实施例的同行人员识别方法的示意性流程图;
图3是根据本发明实施例的同行人员识别装置的示意性框图;
图4是根据本发明实施例的同行人员识别系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
首先,参考图1来描述用于实现本发明实施例的同行人员识别方法和装置的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108、图像传感器110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的同行人员识别方法和装置的示例电子设备可以被实现为诸如智能手机、平板电脑、门禁系统的视频采集端等。
下面,将参照图2描述根据本发明实施例的同行人员识别方法200。
首先,在步骤S210,获取目标人员的第一数据集合,该第一数据集合中包括至少一个图像采集装置对所述目标人员进行多次抓拍的抓拍数据;
在步骤S220,根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;
在步骤S230,基于所述第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;
在步骤S240,对所述抓拍数据人脸集合中的人脸图像进行聚类,得到准确的同行人员识别结果。
示例性地,根据本发明实施例的同行人员识别方法可以在具有存储器和处理器的设备、装置或者系统中实现。
根据本发明实施例的同行人员识别方法可以部署在人脸图像采集端处,例如,在安防应用领域,可以部署在门禁系统的图像采集端;在金融应用领域,可以部署在个人终端处,诸如智能电话、平板电脑、个人计算机等。
替代地,根据本发明实施例的同行人员识别方法还可以分布地部署在服务器端(或云端)和个人终端处。例如,在金融应用领域,将采集的实时图像传递至服务器端(或云端),可以在服务器端(或云端)生成实时人脸图像,服务器端(或云端)将所生成的实时人脸图像传递给个人终端,个人终端根据所接收的实时人脸图像进行同行人员识别。再例如,可以在服务器端(或云端)生成实时人脸图像,个人终端将图像传感器采集的视频信息以及非图像传感器采集的图像信息传递给服务器端(或云端),然后服务器端(或云端)进人同行人员识别。
根据本发明实施例的同行人员识别方法,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
根据本发明实施例,步骤210可以进一步地包括:所述获取目标人员的抓拍数据还包括:基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到包含所述目标人员的抓拍数据。其中,所述目标人员的人脸图像是已知的,根据该已知的人脸图像在抓拍数据库和/或实时采集的图像信息中进行搜索比对,将相似度在某一数值以上的比对结果返回。在一个实施例中,在满分为100分的前提下,返回相似度的得分在80分以上的比对结果。
示例性地,所述抓拍数据包括单帧图像或连续的多帧图像或不连续的任意选定的多帧图像。
根据本发明实施例,步骤210可以进一步地包括:所述获取目标人员的第一数据集合还包括:获取目标人员的抓拍数据;删除不准确的抓拍数据,将剩下的抓拍数据保存为第一数据集合。例如,可以将获取到的目标人员的抓拍数据显示的屏幕上,通过输入装置接收用户的输入,删除不准确的抓拍数据。
因为现有技术的同行人员识别技术中,采用的人脸抓拍1:N返回可能不是同一个人,此时基于错误数据进行同行分析会造成错误数据也被分析,引起结果不准确。本申请通过对不准确的抓拍数据进行筛选并删除,解决了上述问题,保证了用于分析计算的数据基础的准确性。根据本发明实施例,步骤210中所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确的抓拍数据,和/或与所述目标人员相比相似度不超过相似度阈值的抓拍数据。
示例性地,所述不准确的抓拍数据包括:通过人工检测确定的,与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
因为在所述目标人员的抓拍数据中依然会存在一些不准确的数据,为了避免基于不准确的数据进行分析所得到的错误结果,需要进行人工干预,以保证得到最准确的抓拍数据作为分析计算的基础。在一个实施例中(基于上一个实施例),人工检测发现所述目标人员的抓拍数据中,相似度得分不超过85分的抓拍数据明显不是目标人员,则可设置一键删除相似度得分不超过85分的抓拍数据。
示例性地,所述不准确的抓拍数据还包括:通过人工检测确定的不准确的抓拍数据。例如,与目标人员相比相似度大于所述相似度阈值但确定不是所述目标人员的所述目标人员的抓拍数据。
其中,经过删除相似度不超过所述相似度阈值的抓拍数据后,虽然大部分数据是目标人员,但是仍然会因为角度,光线等各方面原因导致的一部分抓拍数据的相似度得分很高,但是不是目标人员的情况。为了进一步保证进行分析的基础数据的准确性,再次经过人工干预删除相似度大于所述相似度阈值但肯定不是所述目标人员的抓拍数据。在一个实施例中(基于上一实施例),删除相似度得分高于85分的抓拍数据中,明显不是目标人员的抓拍数据。
最终,经过删除不准确的抓拍数据后,得到了准确性极高的包含目标人员的抓拍数据的第一数据集合,为后续的分析计算提供了精准的基础数据,解决了现有技术中基于错误数据进行同行分析会造成错误数据也被分析,引起结果不准确的问题。
示例性地,所述抓拍数据包括单帧图像或连续的多帧图像或不连续的任意选定的多帧图像。
根据本发明实施例,步骤220可以进一步地包括:所述确定有效的抓拍时间段包括:获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段。
根据本发明实施例,步骤220还可以进一步地包括:所述预定覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。在此需要说明,所述预设覆盖范围可以根据实际情况和需要进行变化,例如一条或几条街道,一个或多个居民居住区等。
在实际情况中,有些人是具有反侦察能力的人员,并不会在同一地点和/或同一时间与所述目标人员同行,例如同行人员域目标人员间隔一定距离或间隔一段时间出现,如果如现有技术中仅仅只计算分析当前图像采集装置采集的数据则会造成出现在当前图像采集装置采集的数据中的同行人员并不是真正的同行人员的问题,从而漏掉了出现在附近的真正同行人员。本申请通过采集上述有效的抓拍时间段和预定覆盖区域内的图像采集装置的抓拍数据,作为第二数据集合,从时间和空间两个维度充分保证了抓拍数据的全面性,解决了遗漏真正的同行人员的问题。这一点对于实际安防应用具有非常重大的意义。
根据本发明实施例,步骤230可以进一步地包括:所述人脸图像是通过对所述第二数据集合进行人脸检测和人脸跟踪处理所确定的包含有人脸的图像帧。
示例性地,通过人脸检测和人脸跟踪确定包含有目标人脸的图像帧的处理是图像处理领域中的常见处理,具体的,可以通过诸如模板匹配、SVM(支持向量机)、神经网络等各种本领域中常用的人脸检测方法在包含目标人脸的起始图像帧中确定该目标人脸的大小和位置,随后基于目标人脸的颜色信息、局部特征、或运动信息等对该目标人脸进行跟踪,从而确定视频中包含有目标人脸的各帧图像。上述通过人脸检测和人脸跟踪确定包含有目标人脸的图像帧的处理是图像处理领域中的常见处理,此处不再对其进行详细描述。
其中,对于单一图像采集装置在面对大量人员经过时会存在漏抓,造成数据丢失,引起结果不准确,上述第二数据集合从另一方面解决这一问题,因为所述第二数据集合已经包含了有效时间段内覆盖区域内的数据,就算是图像采集装置没有检测到目标人员,但是同行人员的抓拍数据客观上已经存在于所述第二数据集合,那么通过对所述第二数据集合内的所有人脸进行识别,可以保证在目标人员没有被检测到时,依然还能检测出同行人员。
根据本发明实施例,对抓拍数据人脸集合中的人脸图像进行聚类后,可以得到若干类人脸图像。相应地,步骤240可以进一步地包括:计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N为自然数。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、以及支持向量机聚类方法。
在一个实施例中,以Kmeans聚类算法说明聚类过程:
(1)随机选取K个初始聚类中心,K为自然数;
(2)计算每个样本到各聚类中心的距离,将每个样本归到其距离最近的聚类中心;
(3)对每个簇,以所有样本的均值作为该簇新的聚类中心;
(4)重复第(2)~(3)步,直到聚类中心不再变化或达到设定的迭代次数。
步骤240还可以进一步地包括:基于所述聚类结果得到同行人员识别结果。
示例性地,可以将所述聚类结果直接作为所述同行人员识别结果。
聚类之后,同一人的人脸图像将会被聚类到一类人脸图像中,通过统计聚类后每一类的聚类数量(即每个人出现的次数),可以确定有效的抓拍时段内在预定覆盖区域内出现次数较多的至少一个人。此时可以将该至少一个人认为是目标人员的同行人员。
示例性地,得到同行人员识别结果可以进一步包括:对聚类结果中每一类的人脸图像提取人脸特征,并在人脸底库中进行搜索比对,得到N个人脸识别结果作为同行人员识别结果。此时该同行人员识别结果还可以包括同行人员的身份信息(如职业、年龄、籍贯、住址、工作单位等)。例如,这里的人脸库可以为一个人脸底库或多个不同的人脸底库,每个人脸底库可以包括不同的人脸图像或人脸特征,以及每个人脸图像或人脸特征对应的身份信息,通过在人脸底库中进行搜索比对,可以进一步确定同行人员的身份信息。
示例性地,所述提取人脸特征可以采用诸如LBP(局部二值模式)、HoG(方向梯度直方图)、PCA(主成分分析法)或者神经网络等各种适当的人脸特征提取方法来进行特征提取并生成所述多个特征向量。可选的,对于所述人脸图片序列中的每一帧图像中的目标人脸均采用相同的特征提取方法生成特征向量。下面仅仅是为了说明的完整性,对本实施例中所采用的人脸特征提取方法进行简单的说明。
在一个实施例中,采用基于卷积神经网络的特征提取方法对视频中的人脸图片序列中的目标人脸进行特征提取以生成分别与所述人脸图片序列中的目标人脸对应的多个特征向量。例如,首先对于所述人脸图片序列中的每一帧图像,确定其中与目标人脸对应的人脸图像区域;随后,对该人脸图像区域基于卷积神经网络进行特征提取,以生成与该帧图像中的目标人脸对应的一个特征向量。此处,可以将该人脸图像区域作为一个整体进行特征提取,也可以在该人脸图像区域的不同子图像区域中分别进行特征提取。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对得到的相似度得分最高的结果。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行比对搜索时,相似度最高的那张人脸底图的人脸ID。在一个实施例中,识别结果以及人脸底库中的人脸底图可以使用ID进行表示,例如数字编号0123表示在包含10000张人脸底图的人脸底库中,人脸ID为0123的底图。当待识别的人脸特征在人脸底库中进行搜索时,返回搜索结果,可以是对应的人脸ID号码。
示例性地,所述人脸底库可以是预先采集建立的人脸图像数据库,例如公安局办理证件所采集的人脸图像数据库。
图3示出了根据本发明实施例的同行人员识别装置300的示意性框图。
如图3所示,根据本发明实施例的同行人员识别装置300包括第一图像获取模块310、第二图像获取模块330、人脸图像模块340、存储模块350、人脸聚类模块360以及同行人员识别模块370。
第一图像获取模块310,用于获取目标人员的抓拍数据,生成第一数据集合;
第二图像获取模块330,用于根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,得到第二数据集合;
人脸图像模块340,用于基于所述第二数据集合提取其中的人脸图像得到抓拍数据人脸集合;
存储模块350,用于储存第一数据集合、第二数据集合以及抓拍数据人脸集合;
人脸聚类模块360,用于对所述抓拍数据人脸集合中的人脸图像进行聚类,得到聚类结果;
同行人员识别模块370,用于根据所述聚类结果得到同行人员识别结果。
如图3所示,根据本发明实施例的同行人员识别装置300进一步包括:抓拍数据删除模块320,用于删除不准确的抓拍数据得到第一数据集合。
如图3所示,根据本发明实施例的同行人员识别装置300进一步包括:目标人员检测模块380,用于基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到所述目标人员的抓拍数据。
根据本发明实施例的同行人员识别装置300,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
根据本发明实施例,所述第一图像获取模块310可以进一步地包括:
图像信息接收模块,用于接收目标人员的抓拍数据;
分帧模块,用于对所述抓拍数据的视频数据进行视频图像分帧。
示例性地,所述抓拍数据包括单帧图像或连续的多帧图像或不连续的任意选定的多帧图像。
根据本发明实施例,所述抓拍数据删除模块320可以进一步地包括:所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确的抓拍数据,和/或与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
示例性地,所述通过人工检测确定的不准确的抓拍数据,包括与目标人员相比相似度大于所述相似度阈值但确定不是所述目标人员的所述目标人员的抓拍数据。
示例性地,所述相似度阈值包括预定的相似度得分或相似度排序的序号。
根据本发明实施例,所述第二图像获取模块330可以进一步地包括:
数据来源模块,用于确定所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置及其位置;
有效时间计算模块,用于确定所述第一数据集合的抓拍时间前后一预定时间段为有效时间段;
区域计算模块,用于根据所述图像采集装置的位置计算预定覆盖区域内的图像采集装置及其位置;
数据获取模块,用于获取位于预定覆盖区域的图像采集装置在所述有效时间段内的抓拍数据,得到第二数据集合。
示例性地,所述预定覆盖区域包括以所述第一数据集合的图像采集装置为圆心,一预设长度为半径的圆形区域。在此需要说明,所述预设覆盖范围可以根据实际情况和需要进行变化,例如一条或几条街道,一个或几个居民居住区等。
根据本发明实施例,所述人脸图像模块340可以进一步地包括:
人脸检测模块,用于对所述第二数据集合中的每一帧进行人脸检测和跟踪,得到抓拍数据人脸集合;
人脸特征降维模块,用于降低所述抓拍数据人脸集合中人脸特征的维度。
示例性地,所述人脸图像是人脸检测模块通过对图像信息接收模块输出的单帧图像或分帧模块输出每帧图像进行人脸检测和人脸跟踪处理所确定的包含有目标人脸的图像帧。具体的,人脸检测模块可以通过诸如模板匹配、SVM(支持向量机)、神经网络等各种本领域中常用的人脸检测方法在包含目标人脸的起始图像帧中确定该目标人脸的大小和位置,随后基于目标人脸的颜色信息、局部特征、或运动信息等对该目标人脸进行跟踪,从而确定视频中包含有目标人脸的各帧图像。上述通过人脸检测和人脸跟踪确定包含有目标人脸的图像帧的处理是图像处理领域中的常见处理,此处不再对其进行详细描述。
根据本发明实施例,所述人脸聚类模块360可以进一步地包括:
聚类模块,用于对所述抓拍数据人脸集合中的人脸图像进行聚类;
聚类数量计算模块,用于计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N属于自然数。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、以及支持向量机聚类方法。
在一个实施例中,以Kmeans聚类算法说明聚类过程:
(1)随机选取K个初始聚类中心;
(2)计算每个样本到各聚类中心的距离,将每个样本归到其距离最近的聚类中心;
(3)对每个簇,以所有样本的均值作为该簇新的聚类中心;
(4)重复第(2)~(3)步,直到聚类中心不再变化或达到设定的迭代次数。
根据本发明实施例,所述同行人员识别模块370可以进一步地包括:将所述聚类结果作为所述同行人员识别结果。
根据本发明实施例,所述同行人员识别模块370还可以进一步地包括:
聚类人脸特征模块,用于对所述聚类结果中每一类的人脸图像提取人脸特征得到聚类人脸特征;
人脸搜索模块,用于基于所聚类人脸特征,在人脸底库中进行搜索比对,得到N类的人脸识别结果作为同行人员识别结果。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对得到的相似度得分最高的结果。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行比对搜索时,相似度最高的那张人脸底图的人脸ID。在一个实施例中,识别结果以及人脸底库中的人脸底图可以使用ID进行表示,例如数字编号0123表示在包含10000张人脸底图的人脸底库中,人脸ID为0123的底图。当待识别的人脸特征在人脸底库中进行搜索时,返回搜索结果,可以是对应的人脸ID号码。
示例性地,所述人脸底库可以是预先采集建立的人脸图像数据库,例如公安局办理证件所采集的人脸图像数据库。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
图4示出了根据本发明实施例的同行人员识别系统400的示意性框图。同行人员识别系统400包括图像传感器410、存储装置430、以及处理器440。
图像传感器410用于采集图像信息。
所述存储装置430存储用于实现根据本发明实施例的同行人员识别方法中的相应步骤的程序代码。
所述处理器440用于运行所述存储装置430中存储的程序代码,以执行根据本发明实施例的同行人员识别方法的相应步骤,并且用于实现根据本发明实施例的同行人员识别装置中的第一图像获取模块310、第二图像获取模块330、人脸图像模块340、存储模块350、人脸聚类模块360以及同行人员识别模块370。
在一个实施例中,在所述程序代码被所述处理器440运行时执行以下步骤:
获取目标人员的抓拍数据,生成第一数据集合;
根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;
基于所述第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;
对所述抓拍数据人脸集合中的人脸图像进行聚类,得到准确的同行人员识别结果。
此外,在所述程序代码被所述处理器440运行时还执行以下步骤:
示例性地,所述生成第一数据集合还包括:
获取目标人员的抓拍数据后,删除不准确的抓拍数据,将剩下的抓拍数据保存为第一数据集合。
示例性地,所述确定有效的抓拍时间段包括:获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段。
示例性地,所述预定覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。
示例性地,所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确数据,和/或与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
示例性地,对所述抓拍数据人脸集合中的人脸图像进行聚类后,得到若干类。相应地,所述得到同行人员识别结果包括:
计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N为自然数;
基于所述聚类结果得到同行人员识别结果。
示例性地,所述得到同行人员识别结果包括:对聚类结果中每一类的人脸图像提取人脸特征,并在人脸底库中进行搜索比对,得到N个人脸识别结果作为同行人员识别结果。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、或支持向量机聚类方法。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对时,得到的相似度得分最高的结果;或相似度最高的那张人脸底图的人脸ID。
示例性地,所述获取目标人员的抓拍数据还包括:基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到包含所述目标人员的抓拍数据。
示例性地,所述同行人员识别系统400还包括用于存储由图像传感器410采集的图像数据,包括视频数据和非视频数据。
示例性地,所述视频数据的存储方式可以包括以下存储方式之一:本地(local)存储、数据库存储、分布式文件系统(hdfs)存储以及远程存储,存储服务地址可以包括服务器IP和服务器端口。其中,本地存储是指将同行人员识别系统所接收的视频数据在系统本地;数据库存储是指将同行人员识别系统所接收的视频数据保存在系统的数据库中,数据库存储需要在同行人员识别系统上安装相应的数据库;分布式文件系统存储是指将同行人员识别系统所接收的视频数据保存在分布式文件系统中,分布式文件系统存储需要在同行人员识别系统上安装分布式文件系统;远程存储是指将同行人员识别系统所接收的视频数据交由其他存储服务进行存储。在其他示例中,所配置的存储方式也可以包括其他任何合适类型的存储方式,本发明对此不作限制。
示例性地,在上述对视频数据进行存取时,可以以流的形式进行。例如,可以采用二进制流的传输方式实现对视频数据的存取。所述同行人员识别系统400以流的形式发送文件后,存储服务获取到文件流时,开始保存文件。不同于读入内存的方式,两端的交互存取将会以流的形式快速进行,不需要等待任何一方将文件读入内存后再进行发送。同理,所述同行人员识别系统400从存储服务获取文件时,也是使用此种方式。存储服务将文件以流的形式传输到所述同行人员识别系统400,并不是读入内存再发送。当文件流传输不完整,两端连接断掉时,双方服务会引发异常,服务进行捕获,此时可在等待若干时间例如几秒后尝试重新获取或存储文件。以流的方式进行文件的存取可以实现高效快速的文件存取。
此外,根据本发明实施例,还提供了一种存储介质,在所述存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本发明实施例的同行人员识别方法的相应步骤,并且用于实现根据本发明实施例的同行人员识别装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合,例如一个计算机可读存储介质包含用于随机地生成动作指令序列的计算机可读的程序代码,另一个计算机可读存储介质包含用于进行同行人员识别的计算机可读的程序代码。
在一个实施例中,所述计算机程序指令在被计算机运行时可以实现根据本发明实施例的同行人员识别装置的各个功能模块,并且/或者可以执行根据本发明实施例的同行人员识别方法。
在一个实施例中,所述计算机程序指令在被计算机运行时执行以下步骤:获取目标人员的抓拍数据,生成第一数据集合;根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;基于所述第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;对所述抓拍数据人脸集合中的人脸图像进行聚类,得到准确的同行人员识别结果。
此外,所述计算机程序指令在被计算机运行时还执行以下步骤:
示例性地,所述生成第一数据集合还包括:
获取目标人员的抓拍数据后,删除不准确的抓拍数据,将剩下的抓拍数据保存为第一数据集合。
示例性地,所述确定有效的抓拍时间段包括:获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段。
示例性地,所述预定覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。
示例性地,所述不准确的抓拍数据包括:所述目标人员的抓拍数据通过人工检测确定的不准确数据,和/或与目标人员相比相似度不超过相似度阈值的所述目标人员的抓拍数据。
示例性地,对所述抓拍数据人脸集合中的人脸图像进行聚类后,得到若干类人脸图像。相应地,所述得到同行人员识别结果包括:
计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N为自然数;
基于所述聚类结果进得到同行人员识别结果。
示例性地,所述得到同行人员识别结果包括:对聚类结果中每一类的人脸图像提取人脸特征,并在人脸底库中进行搜索比对,得到N个人脸识别结果作为同行人员识别结果。
示例性地,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、或支持向量机聚类方法。
示例性地,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对时,得到的相似度得分最高的结果;或相似度最高的那张人脸底图的人脸ID。
示例性地,所述获取目标人员的抓拍数据还包括:基于抓拍数据库和/或实时抓拍数据,检测所述目标人员,得到包含所述目标人员的抓拍数据。
根据本发明实施例的同行人员识别系统中的各模块可以通过根据本发明实施例的同行人员识别的电子设备的处理器运行在存储器中存储的计算机程序指令来实现,或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
根据本发明实施例的同行人员识别方法及装置、同行人员识别设备以及存储介质,通过区域搜索和抓拍图二次识别,获取准确全面的抓拍数据,进行人脸同行分析,确保结果的准确性。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种同行人员识别方法,其特征在于,所述同行人员识别方法包括:
获取目标人员的抓拍数据,生成第一数据集合;
根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;
基于所述第二数据集合提取其中的人脸图像,并将其保存为抓拍数据人脸集合;
对所述抓拍数据人脸集合中的人脸图像进行聚类,得到同行人员识别结果;
其中,所述确定有效的抓拍时间段包括:
获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;
确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段。
2.如权利要求1所述的同行人员识别方法,其特征在于,所述生成第一数据集合包括:
获取所述目标人员的抓拍数据后,删除不准确的抓拍数据,将剩下的抓拍数据保存为所述第一数据集合。
3.如权利要求1或2所述的同行人员识别方法,其特征在于,所述预定覆盖区域包括以所述第一数据集合的图像采集装置的位置为圆心,一预设长度为半径的圆形区域。
4.如权利要求2所述的同行人员识别方法,其特征在于,所述不准确的抓拍数据包括:所述目标人员的抓拍数据中通过人工检测确定的不准确的抓拍数据,和/或与所述目标人员相比相似度不超过相似度阈值的抓拍数据。
5.如权利要求1或2所述的同行人员识别方法,其特征在于,对所述抓拍数据人脸集合中的人脸图像进行聚类后,得到若干类人脸图像;
所述得到同行人员识别结果包括:
计算每一类的聚类数量,并将所述聚类数量最多的前N类人脸图像作为聚类结果,N为自然数;
基于所述聚类结果得到同行人员识别结果。
6.如权利要求5所述的同行人员识别方法,其特征在于,所述得到同行人员识别结果还进一步包括:对聚类结果中每一类的人脸图像提取人脸特征,并在人脸底库中进行搜索比对,得到N个人脸识别结果作为同行人员识别结果。
7.如权利要求5所述的同行人员识别方法,其特征在于,所述聚类的方法包括:Kmeans聚类方法、Kmedoid方法、谱聚类方法、模糊C-means方法、或支持向量机聚类方法。
8.如权利要求6所述的同行人员识别方法,其特征在于,所述人脸识别结果是指所述人脸特征在人脸底库中进行搜索比对时,得到的相似度得分最高的结果;或相似度最高的那张人脸底图的人脸ID。
9.一种同行人员识别装置,其特征在于,所述同行人员识别装置包括:
第一图像获取模块,用于获取目标人员的抓拍数据得到第一数据集合;
第二图像获取模块,用于根据所述第一数据集合确定有效的抓拍时间段和预定覆盖区域,获取所述有效的抓拍时间段内预定覆盖区域的图像采集装置的抓拍数据,并将其保存为第二数据集合;其中,所述确定有效的抓拍时间段包括:
获取所述第一数据集合的数据来源,得到所述第一数据集合的抓拍时间和图像采集装置的位置信息;
确定所述抓拍时间前后一预定时间段为所述有效的抓拍时间段;
人脸图像模块,用于基于所述第二数据集合提取其中的人脸图像得到抓拍数据人脸集合;
存储模块,用于储存第一数据集合、第二数据集合以及抓拍数据人脸集合;
人脸聚类模块,用于对所述抓拍数据人脸集合中的人脸图像进行聚类,得到聚类结果;
同行人员识别模块,用于根据所述聚类结果得到同行人员识别结果。
10.如权利要求9所述的同行人员识别装置,其特征在于,所述装置还包括:抓拍数据删除模块,用于删除所述目标人员的抓拍数据中不准确的抓拍数据得到所述第一数据集合。
11.一种同行人员识别系统,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
12.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682283.0A CN109117714B (zh) | 2018-06-27 | 2018-06-27 | 一种同行人员识别方法、装置、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682283.0A CN109117714B (zh) | 2018-06-27 | 2018-06-27 | 一种同行人员识别方法、装置、系统及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117714A CN109117714A (zh) | 2019-01-01 |
CN109117714B true CN109117714B (zh) | 2021-02-26 |
Family
ID=64822069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810682283.0A Active CN109117714B (zh) | 2018-06-27 | 2018-06-27 | 一种同行人员识别方法、装置、系统及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117714B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429476B (zh) * | 2019-01-09 | 2023-10-20 | 杭州海康威视系统技术有限公司 | 确定目标人物行动轨迹的方法和装置 |
CN109784270B (zh) * | 2019-01-11 | 2023-05-26 | 厦门大学嘉庚学院 | 一种提升人脸图片识别完整性的处理方法 |
CN109886239B (zh) * | 2019-02-28 | 2021-05-04 | 北京旷视科技有限公司 | 人像聚类方法、装置及系统 |
CN110084103A (zh) * | 2019-03-15 | 2019-08-02 | 深圳英飞拓科技股份有限公司 | 一种基于人脸识别技术的同行人分析方法及系统 |
CN110210340B (zh) * | 2019-05-20 | 2023-06-02 | 深圳供电局有限公司 | 一种人脸特征值比对方法及其系统、可读存储介质 |
CN110334231A (zh) * | 2019-06-28 | 2019-10-15 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN110348347A (zh) * | 2019-06-28 | 2019-10-18 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN112232103A (zh) * | 2019-07-15 | 2021-01-15 | 北京蜂盒科技有限公司 | 一种面部识别方法及系统及储存介质及终端及服务器 |
CN110636258B (zh) * | 2019-09-09 | 2021-03-02 | 四川东方网力科技有限公司 | 同行人员分析方法、装置、设备和存储介质 |
CN110825893A (zh) * | 2019-09-18 | 2020-02-21 | 北京旷视科技有限公司 | 一种目标查找方法、装置、系统及存储介质 |
CN110674768B (zh) * | 2019-09-27 | 2023-08-04 | 深圳市商汤科技有限公司 | 一种同行分析方法、设备及存储介质 |
CN111078922A (zh) * | 2019-10-15 | 2020-04-28 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN111368622B (zh) * | 2019-10-18 | 2024-01-12 | 杭州海康威视系统技术有限公司 | 人员识别方法及装置、存储介质 |
CN110796091B (zh) * | 2019-10-30 | 2023-08-01 | 浙江易时科技股份有限公司 | 基于人脸识别技术并辅予人工修正的销售展厅客流批次统计 |
CN111061894A (zh) * | 2019-11-07 | 2020-04-24 | 深圳云天励飞技术有限公司 | 同行数据的处理方法、装置、电子设备及存储介质 |
CN110837512A (zh) * | 2019-11-15 | 2020-02-25 | 北京市商汤科技开发有限公司 | 访客信息管理方法及装置、电子设备和存储介质 |
CN111435435B (zh) * | 2019-12-10 | 2024-06-07 | 杭州海康威视数字技术股份有限公司 | 一种同伴识别方法、装置、服务器及系统 |
CN111177440B (zh) * | 2019-12-20 | 2023-11-07 | 北京旷视科技有限公司 | 目标图像的检索方法、装置、计算机设备和存储介质 |
CN113128274B (zh) * | 2019-12-31 | 2024-05-07 | 深圳云天励飞技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
CN113449560A (zh) * | 2020-03-26 | 2021-09-28 | 广州金越软件技术有限公司 | 一种基于动态人像库进行人脸比对的技术 |
CN111563479B (zh) * | 2020-05-26 | 2023-11-03 | 深圳市商汤科技有限公司 | 同行人去重方法、团伙分析方法、装置及电子设备 |
CN112232113B (zh) * | 2020-09-04 | 2022-08-05 | 北京旷视科技有限公司 | 人员识别方法、人员识别装置、存储介质与电子设备 |
CN112241683B (zh) * | 2020-09-16 | 2022-07-05 | 四川天翼网络服务有限公司 | 一种同行人员识别判断方法及系统 |
CN112614347B (zh) * | 2020-12-22 | 2022-03-15 | 杭州海康威视系统技术有限公司 | 套牌检测方法、装置、计算机设备及存储介质 |
CN112749652B (zh) * | 2020-12-31 | 2024-02-20 | 浙江大华技术股份有限公司 | 身份信息确定的方法和装置、存储介质及电子设备 |
CN112836599A (zh) * | 2021-01-19 | 2021-05-25 | 东方网力科技股份有限公司 | 基于人脸抓拍数据的同行人员查询方法、装置和设备 |
CN113269022B (zh) * | 2021-03-24 | 2022-02-08 | 七台河市公安局 | 一种用于预测隐性特定人员的系统及方法 |
CN113052079B (zh) * | 2021-03-26 | 2022-01-21 | 重庆紫光华山智安科技有限公司 | 一种基于人脸聚类的区域客流统计方法、系统、设备和介质 |
CN113747118A (zh) * | 2021-07-30 | 2021-12-03 | 北京澎思科技有限公司 | 社区异常事件报警方法、装置、电子设备及介质 |
CN116645727B (zh) * | 2023-05-31 | 2023-12-01 | 江苏中科优胜科技有限公司 | 一种基于Openpose模型算法的行为捕捉识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016322B (zh) * | 2016-01-28 | 2020-01-14 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
CN106791708B (zh) * | 2017-02-07 | 2018-04-06 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
CN106980844A (zh) * | 2017-04-06 | 2017-07-25 | 武汉神目信息技术有限公司 | 一种基于人脸识别系统的人物关系挖掘系统及方法 |
-
2018
- 2018-06-27 CN CN201810682283.0A patent/CN109117714B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109117714A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117714B (zh) | 一种同行人员识别方法、装置、系统及计算机存储介质 | |
US20210397838A1 (en) | Systems and methods for image-feature-based recognition | |
CN108256404B (zh) | 行人检测方法和装置 | |
WO2020259099A1 (zh) | 一种信息处理方法及装置、存储介质 | |
CN106845352B (zh) | 行人检测方法和装置 | |
CN108009466B (zh) | 行人检测方法和装置 | |
US20210357678A1 (en) | Information processing method and apparatus, and storage medium | |
JP2011508310A (ja) | 場所別画像分類 | |
CN109829381A (zh) | 一种犬只识别管理方法、装置、系统及存储介质 | |
CN108875476B (zh) | 自动近红外人脸注册与识别方法、装置和系统及存储介质 | |
WO2018210047A1 (zh) | 数据处理方法、数据处理装置、电子设备及存储介质 | |
CN106663196A (zh) | 视频中的计算机显著人物识别 | |
CN108563651B (zh) | 一种多视频的目标搜索方法、装置及设备 | |
CN111222373A (zh) | 一种人员行为分析方法、装置和电子设备 | |
CN109117882B (zh) | 获取用户轨迹的方法、装置、系统和存储介质 | |
CN110705469A (zh) | 一种人脸匹配方法、装置及服务器 | |
CN110263830B (zh) | 图像处理方法、装置和系统及存储介质 | |
CN110825893A (zh) | 一种目标查找方法、装置、系统及存储介质 | |
CN106682187B (zh) | 用于建立图像底库的方法及装置 | |
WO2023124134A1 (zh) | 档案处理方法、装置、电子设备、计算机存储介质和程序 | |
WO2022140879A1 (zh) | 一种身份识别方法、终端、服务器及系统 | |
JP5384979B2 (ja) | コンテンツ検索システムおよびコンテンツ検索プログラム | |
WO2021102760A1 (zh) | 一种人员行为分析方法、装置和电子设备 | |
CN108875770B (zh) | 行人检测误报数据的标注方法、装置、系统和存储介质 | |
CN113449130A (zh) | 一种图像检索方法、装置、一种计算机可读存储介质和计算设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |