CN109325412B - 行人识别方法、装置、计算机设备及存储介质 - Google Patents
行人识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109325412B CN109325412B CN201810939348.5A CN201810939348A CN109325412B CN 109325412 B CN109325412 B CN 109325412B CN 201810939348 A CN201810939348 A CN 201810939348A CN 109325412 B CN109325412 B CN 109325412B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- human body
- image
- key points
- body key
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 210000000707 wrist Anatomy 0.000 description 25
- 210000003127 knee Anatomy 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 210000003423 ankle Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种行人识别方法、装置、计算机设备及存储介质，可有效地达到跟踪行人的目的。方法部分包括：获取监控区域中的包含第一行人的第一图像和包含第二行人的第二图像；根据第一图像和第二图像对应获取第一行人和第二行人的人体关键点；根据第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二行人的人体关键点判断第二行人是否存在被遮挡；若第一行人和第二行人均不存在被遮挡，则确定第一行人和第二行人的边缘区域；根据第一行人和第二行人的边缘区域的特征向量计算第一相似度；若第一相似度大于或等于第一预设阈值，则确定第一行人和第二行人为同一行人。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种行人识别方法、装置、计算机设备及存储介质。
背景技术
在视频监控中，行人通常会在同意个监控区域中出现，尤其是在多个摄像机中，经常会有一些行人出现在多个监控区域。为了能够跟踪到多个摄像机中的人，传统方案提出了一种行人跟踪方法，该方法中，是给通过检测出行人区域的矩形框，提取行人区域的矩形框中的特征，将行人区域的矩形框的特征对比一致的行人确定为同一行人，从而达到跟踪的目的。
但是，采用上述行人跟踪方法，由于矩形框区域背景复杂，干扰非常多，导致提取的行人区域的矩形框的特征具有较大的干扰，在进行特征对比时无法进行有效的比对，从而无法精确的对行人进行识别，也就无法有效地达对行人进行跟踪。
发明内容
基于此，有必要针对上述技术问题，提供一种可以有效地的对行人进行识别，从而有效地达到跟踪行人的目的行人识别方法、装置、计算机设备及存储介质。
一种行人识别方法，包括：在不同时间点获取监控区域中的第一图像和第二图像，第一图像包含第一行人，第二图像包含第二行人；根据第一图像获取第一行人的人体关键点，及根据第二图像获取第二行人的人体关键点；根据第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二行人的人体关键点判断第二行人是否存在被遮挡；若第一行人和第二行人均不存在被遮挡，则确定第一行人的边缘区域和第二行人的边缘区域；计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；若第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
一种行人识别装置，包括：第一获取模块，用于在不同时间点获取监控区域中的第一图像和第二图像，第一图像包含第一行人，第二图像包含第二行人；第二获取模块，用于根据第一获取模块获取的第一图像获取第一行人的人体关键点，及根据第二图像获取第二行人的人体关键点；判断模块，用于根据第二获取模块获取的第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二获取模块获取的第二行人的人体关键点判断第二行人是否存在被遮挡；确定模块，用于若判断模块判断第一行人和第二行人均不存在被遮挡，则确定第一行人和第二行人的边缘区域；计算模块，用于计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；判定模块，用于若计算模块计算的第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
一种计算机设备，包括存储器、处理器和存储在所述存储器中并可在所述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上述行人识别方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述行人识别方法的步骤。
上述行人识别方法、装置、计算机设备及存储介质，可确定出第一行人与第二行人是否为同一行人，从而起到对行人进行跟踪的目的，与传统方案相比，本申请是利用人体的边缘区域的特征向量确定第一行人与第二行人是否为同一行人，可以减少由于矩形框的特征所带来的背景干扰因素的影响，可以有效地的对行人进行识别，从而有效地达到跟踪行人的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请中行人识别方法一应用环境示意图；
图2是本申请中行人识别方法一实施例流程示意图；
图3是本申请行人识别方法中人体关键点的一示意图；
图4是本申请行人识别方法另一实施例流程示意图；
图5是图1步骤S20中一具体实施方式示意图；
图6是图1步骤S40中一具体实施方式示意图；
图7是图1步骤S50中一具体实施方式示意图；
图8是图4步骤S80中一具体实施方式示意图；
图9是图4步骤S90中一具体实施方式示意图；
图10是本申请中行人识别装置一实施例结构示意图；
图11是本申请一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本申请提供的行人识别方法，可应用在如图1所示的应用环境中，其中，计算机设备与摄像头进行通信连接，其中，计算机设备为具备图像处理功能以及各种运算能力的设备，该计算机设备可以实时获取与之相连接的摄像头所拍摄的区域图像，具体可通过总线或网络的方式与摄像头进行通信连接。在本申请中，在不同的监控区域或相同的监控区域中布置有一个或多个摄像装置，如摄像头，通过摄像头可实时获取到监控区域中的画面。应理解，上述图1在这里只是示例说明，并不对本申请构成限定。下面进行详细介绍。
在一实施例中，如图2所示，提供一种行人识别方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10、在不同时间点获取监控区域中的第一图像和第二图像，第一图像包含第一行人，第二图像包含第二行人；
在本申请中，第一行人和第二行人可以为同一监控区域下的行人，也可以是不同监控区域的行人，在本方案的在一些应用场景中，通过在不同的监控区域布置摄像装置，该摄像装置具体可以是摄像头抑或是其他监控设备，可用于实时拍摄上述监控区域下以获取必要的视频或图像数据，具体的，在本申请中可获取到监控区域中包含有第一行人的第一图像，以及包含有第二行人的第二图像。需要说明的是，第一行人和第二行人为不同时间节点上的行人，是指，第一行人和第二行人是在不同时刻出现在监控区域上的行人，示例性的，第一行人为早上8:00在A监控区域出现的行人，第二行人为早上9:00在A监控区域出现的行人；又例如，第一行人为早上8:00在A监控区域出现的行人，第二行人为早上9:00在B监控出现的行人，需要说明的是，上述只是一个示例，不对方案造成限定。
S20、根据第一图像获取第一行人的人体关键点，及根据第二图像获取所述第二行人的人体关键点；
S30、根据第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二行人的人体关键点判断第二行人是否存在被遮挡；
在实际应用中，监控区域所拍摄的图像不可避免会存在行人被遮挡，在本申请中，可以根据确定出的第一行人的以及第二行人的人体关键点，进一步确定第一行人和第二行人是否被遮挡。
其中，在本申请中，可以根据确定出的第一行人的人体关键点的数量确定第一行人是否被遮挡，同理，根据确定出的第二行人的人体关键点的数量确定第二行人是否被遮挡。
S40、若第一行人和第二行人均不存在被遮挡，则确定第一行人的边缘区域和第二行人的边缘区域；
其中，第一行人的边缘区域指的是第一行人的人体边缘区域，人体边缘区域是指人体区域中人体线条边缘的区域，同理，第二行人的边缘区域指的是第二行人的人体边缘区域。
S50、计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；
在确定出了第一行人和第二行人的边缘区域后，根据第一行人和第二行人的边缘区域的特征向量计算第一相似度。
其中，根据第一预设特征提取算法提取第一行人以及第二行人的边缘区域的特征向量，其中，该第一预设特征提取算法具体可以是尺度不变特征变换(SIFT)特征提取算法、加速稳健特征(SURF)特征提取算法、ORB((Oriented FAST and Rotated BRIEF)特征提取算法、HOG(Histogram of Oriented Gridients)特征提取算法、局部二值模式(LBP，LocalBinary Patterns)特征提取算法、Harr特征提取算法、小波特征提取算法，边缘模板提取算法，也可以是其他的特征提取算法，例如上述第一预设特征提取算法中的改进算法，具体此处不做限定。
S60、若第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
本申请中，若第一相似度大于或等于第一预设阈值，则确定第一行人和第二行人为同一行人。其中，第一预设阈值为经验值，示例性的，可以为0.56、0.57、0.6等，具体这里不做限定。并且第一相似度越高，判定第一行人和第二行人为同一行人准确度越高。
由此可见，本申请提出了一种行人识别方法，可确定出第一行人与第二行人是否为同一行人，从而起到对行人进行跟踪的目的，与传统方案相比，本申请是利用人体的边缘区域的特征向量确定第一行人与第二行人是否为同一行人，可以减少由于矩形框的特征所带来的背景干扰因素的影响，可以有效地的对行人进行识别，从而有效地达到跟踪行人的目的。
在一些实施例中，如下表1所示，第一行人和第二行人的人体关键点的可以是指下述关键点的某个组合：
| 1/右肩 | 2/右肘 | 3/右腕 | 4/左肩 | 5/左肘 |
| 6/左腕 | 7/右髋 | 8/右膝 | 9/右踝 | 10/左髋 |
| 11/左膝 | 12/左踝 | 13/头顶 | 14/脖子 |
表1
需要说明的是，在本申请中，可以根据我们的需要来决定使用哪些关键点作为第一行人以及第二行人的人体关键点，具体不做限定。示例性的，在本申请的一些实施例中，将确定第一行人以及第二行人的下述人体关键点：
具体的，如图3所示，为本申请行人识别方法中人体关键点的一示意图，包括1/右肩、2/右肘、3/右腕、4/左肩、5/左肘、6/左腕、7/右髋、8/右膝、9/右踝、10/左髋、11/左膝、12/左踝、13/头顶、14/脖子。
在一些实施例中，可以根据确定出的第一行人的人体关键点的数量确定第一行人是否被遮挡，同理，根据确定出的第二行人的人体关键点的数量确定第二行人是否被遮挡。具体的，S30中，根据第一行人和第二行人的人体关键点，确定第一行人和第二行人的遮挡情况，具体包括：
当确定出的第一行人的人体关键点的数量少于预设点数，则说明第一行人被遮挡；当确定出的第二行人的人体关键点的数量少于预设点数，则说明第二行人被遮挡；当第一行人的人体关键点的数量少于上述预设点数，并且第二行人的人体关键的数量少于上述预设点数，则存在遮挡；当第一行人的人体关键点的数量多于或等于上述预设点数，并且第二行人的人体关键的数量多于或等于上述预设点数，则说明第一行人和第二行人均不存在被遮挡。需要说明的是，上述预设点数可以根据实际情况进行配置，这里不做限定，示例性的，假设前述定义的行人的所有人体关键点的地方如图3所示包括14点，若确定出的人体关键点少于图3所示的14个点，则说明第一行人存在被遮挡。
请参阅图4，在一实施例中，本申请中的行人识别方法还包括如下步骤：
S70、若第一行人和/或第二行人存在被遮挡，则确定第一行人和第二行人之间的共同人体关键点，共同人体关键点为第一行人和第二行人中未被遮挡且具有相同位置的人体关键点；
示例性的，以本申请中的人体关键点为表1所示的关键点，例如，第一行人检测到的人体关键点为：1/右肩、2/右肘、3/右腕、4/左肩、5/左肘、6/左腕、7/右髋、8/右膝；第二行人检测到的人体关键点为：1/右肩、2/右肘、3/右腕、4/左肩、5/左肘、6/左腕、7/右髋、8/右膝、9/右踝、10/左髋、11/左膝、12/左踝、13/头顶、14/脖子，则第一行人与第二行人的共同人体关键点为右肩、右肘、右腕、左肩、左肘、左腕、右髋、右膝。
S80、获取第一行人和第二行人的共同人体关键点的局部特征向量；
示例性的，以本申请中的人体关键点为表1所示的关键点，例如，第一行人检测到的人体关键点为：1/右肩、2/右肘、3/右腕、4/左肩、5/左肘、6/左腕、7/右髋、8/右膝；第二行人检测到的人体关键点为：1/右肩、2/右肘、3/右腕、4/左肩、5/左肘、6/左腕、7/右髋、8/右膝、9/右踝、10/左髋、11/左膝、12/左踝、13/头顶、14/脖子，则第一行人与第二行人的共同人体关键点为右肩、右肘、右腕、左肩、左肘、左腕、右髋、右膝。在本申请中，可获取第一行人的右肩、右肘、右腕、左肩、左肘、左腕、右髋以及右膝的局部特征向量。同理，可获取第二行人的右肩、右肘、右腕、左肩、左肘、左腕、右髋以及右膝的局部特征向量。
S90、计算第一行人的共同关键点的局部特征向量与第二行人的共同关键点的局部特征向量之间的第二相似度；
示例性的，若第一行人和第二行人的共同关键点包括右肩，则可计算第一行人的左肩的局部特征向量和第二行人的左肩的局部特征向量之间的第二相似度。
分别确定第一行人以及第二行人的共同人体关键点的局部区域，根据第二预设特征提取算法提取该局部区域的特征，以分别得到第一行人以及第二的共同人体关键点的局部特征向量，其中，该局部区域为第一行人以及第二行人的共同人体关键点周围截取的区域。该第二预设特征提取算法具体可以是尺度不变特征变换(SIFT)特征提取算法、加速稳健特征(SURF)特征提取算法、ORB(sriented fast and rotated brief)特征提取算法、HOG(histogram of oriented gridients)特征提取算法、局部二值模式(LBP，local binarypatterns)特征提取算法、Harr特征提取算法、小波特征提取算法，边缘模板提取算法，也可以是其他的特征提取算法，例如上述第二预设特征提取算法中的改进算法，具体此处不做限定。
S100、若第二相似度大于或等于第二预设阈值，则确定第一行人和第二行人为同一行人。
综上，可以得出，本申请提出了一种行人识别方法，与传统方案相比，其可以根据实际情况选择比对特征，当第一行人与第二行人均不存在遮挡时，则利用人体的边缘区域的特征向量确定第一行人与第二行人是否为同一行人，若当第一行人和/或第二行人存在遮挡时，则根据第一行人和第二行人的共同关键点的局部特征向量来确定第一行人与第二行人是否为同一个人，也就是说，上述两种方式除了可以减少背景干扰因素的影响，有效地的对目标行人进行识别外，可根据实际情况择优选取行人识别的方式，提高了行人识别的准确性。
在一实施例中，步骤S20中，也即根据第一图像获取所述第一行人的人体关键点，及根据第二图像获取所述第二行人的人体关键点，具体包括如下步骤：
S21、使用预设人体关键点检测模型对第一图像和第二图像进行关键点检测，以得到第一关键点特征图和第二关键点特征图；
预设人体关键点检测模型为一可检测出人体关键点特征图的模型，该预设人体关键点检测模型可采用如下方式得到：
(1)收集训练图像；对训练图像中的人体进行人工标注以标注出所有人体关键点，该训练图像为在从预设图像数据库中收集得到。人工进行标注的人体关键的根据实际情况进行配置，示例的，标出出采取如上述图3所示的人体的所有人体关键点，其中，还有一点需要说明的是，在实际采取的图片中，不可避免的会出现人体的部分关键点被遮挡的情况，此时，只需人工标注出未被遮挡的人体关键点即可。为了提高训练图像的可靠性，在一些方案中，还可以剔除未能满足进行人工标注的图像，例如，人体的人体关键点的数量过于少，例如低于5个点的情况，具体不做限定。
(2)基于卷积神经网络对上述经过人工标注的训练图像进行训练以获得人体关键点检测模型；其中，在本申请中，基于卷积神经网络框架，例如快速特征嵌入的卷积结构(convolutional architecture for fast feature embedding,caffe)框架的残差(resnet)网络架构对收集的训练图像进行训练，具体的:a、首先对训练图像中所有出现的人体进行回归处理，以回归各个人体的关节点；b、然后对训练图像进行映射居中(centermap)处理；c、最后通过重复地对预测出来的热图(heatmap)进行修正(refine)得到上述预设人体关键点检测模型。
需要说明的是，caffe框架是一种卷积神经网络框架，是一种深度学习框架，通过该caffe框架可以对训练图像进行深度学习，再通过残差网络架构对训练图像进行训练以得到人体关键点检测模型。
S22、使用卷积神经网络分别对第一关键点特征图提取第一部分置信图(partconfidence maps)和第一部分亲和域(part affinity fields)，并使用卷积神经网络对第二关键点特征图提取第二部分置信图和第二部分亲和域；
其中，第一部分置信图用于检测出第一行人的人体关键点，第一部分亲和域用于检测第一行人的人体关键点之间的相关性，第二部分置信图用于检测出第二行人的人体关键点，第二部分亲和域用于检测第二行人的人体关键点之间的相关性。
S23、通过偶匹配(bipartite matching)对第一部分置信图和第一部分亲和域进行处理，以将第一行人的关节点连接起来得到第一行人的人体关键点，及通过偶匹配对第二部分置信图和第二部分亲和域进行处理，以将第一行人的关节点连接起来得到第二行人的人体关键点。
以第一行人为例，通过第一部分置信图可得第一行人的人体关键点，通过第一部分亲和域，就可以计算第一行人的人体关键点中其中2个人体关键点的连线向量，和该2个人体关键点连线上各像素的部分亲和域向量之间的点积的积分作为该2个人体关键点之间的相关性。通过上述方式，当第一图像中存在多个手肘和手腕时，可以确定每一个人的手腕和手肘并进行连接，也即：一张图像上存在n个手肘m个手腕(人体关键点)，假设手肘标签手腕标签/>手臂(手腕和手肘相连)集合Zc。而手腕关键点和手臂关键点之间的相关性已知，使用图论将多人检测问题转化为二分图匹配问题，使用偶匹配求得相关人体关键点的最优匹配，从而可以得到第一行人的人体关键点。具体的，在一些方案中，可使用匈牙利算法求得第一行人的相关关键点从而得出第一行人的人体关键点。需要说明的是，第二行人的人体关键点的确定方式与第一行人的相同，这里不一一重复赘述。
在一实施例中，其中，在本申请中，可以确定第一行人、第二行人的边缘区域，其中，确定第一行人的边缘区域采用mask RCNN(regions with convolutional neuralnetwork)算法，当然，在实际操作中，也可以采用其他人体边缘检测算法，例如canny算法等算法，本申请不做限定。
请参阅图6，在一实施例中，步骤S40中，也即若第一行人和第二行人均不存在被遮挡，确定第一行人和第二行人的边缘区域，具体包括如下步骤：
S41、分别对第一图像和第二图像进行实例分割以获得所有目标实例；
其中，对第一图像和第二图像进行实例分割(Instance Segmentation)以获得所有目标实例，具体为检测出第一图像和第二图像中的所有目标(objects)，并精确地分割每一个目标(objects)以获得所有目标实例。具体的，上述实例分割结果，是通过对第一图像每个像素进行标定，然后基于深度学习训练得到的，mask-RCNN是一种网络架构，这里可以通过使用mask-RCNN网络架构进行训练得到实例分割模型，然后对第一图像和第二图像实现实例分割功能。
S42、对所有目标实例进行图像分类以确定第一行人实例和第二行人实例；
应理解，在实际应用场景下，监控设备的图像不可避免的会存在非人物的对象存在，因此在本申请中，对上述所有目标行人实例进行图像分类以确定出第一行人对应的第一行人实例，和第二行人对应的第二行人实例。并且，值得注意的是，图像分类后可定位出第一行人实例的包围盒(bounding box)，和第二行人实例的包围盒。其中，简单来讲，包围盒是指包围第一行人实例和第二行人实例的最小矩形。
S43、分别对第一行人实例和第二行人实例进行像素分类以输出第一行人实例对应的第一图像掩膜(mask)，和第二行人实例对应的第二图像掩膜；
其中，图像掩膜是指用选定的图像、图形或物体，对处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。用于覆盖的特定图像、图形或物体称为掩膜或模板。在本申请中，对第一行人实例进行像素分类，从而可输出第一行人实例的图像掩膜，同理，对第二行人实例进行像素分类，从而可输出第二行人实例的图像掩膜。
S44、通过第一图像掩膜确定出第一行人的边缘区域，并通过第二图像掩膜确定出所述第二行人的边缘区域。
请参阅图7，在一实施例中，步骤S50中，也即计算第一行人的边缘区域的特征向量与所述第二行人的边缘区域的特征向量之间的第一相似度，具体包括如下步骤：
S51、计算第一行人的边缘区域的特征向量，和第二行人的边缘区域的特征向量之间的余弦距离；
S52、将第一行人的边缘区域的特征向量，和第二行人的边缘区域的特征向量之间的余弦距离作为第一相似度。
在一些方案中，还可以计算第一行人的边缘区域的特征向量以及第二行人的边缘区域的特征向量得到的欧式距离、曼哈顿距离、欧几里得距离、明可夫斯基距离或皮尔森相关系数作为上述第一相似度，具体本申请不做限定。这里，以余弦相似度计算方式为例，假设第一行人的边缘特征的特征向量为xi,i∈(1,2,...,n)，第二对行人的边缘特征的特征向量为yi,i∈(1,2,...,n)，其中，n为正整数，则第一行人的边缘特征的特征向量，与第二行人的边缘特征的特征向量之间的余弦相似度为：若该第一相似度大于第一预设阈值,则确定第一行人与第二行人为同一行人，其中，第一预设阈值可以根据实际应用场景进行配置，示例性的，第一预设阈值可以为0.56、0.57、0.6等，具体不做限定。
请参阅图8，在一些实施例中，步骤S80中，也即获取所述第一行人和所述第二行人的共同人体关键点的局部特征向量，具体包括如下步骤：
S81、将第一行人和第二行人的共同人体关键点的预设范围作为共同人体关键点的局部区域；
其中，该局部区域为第一行人以及第二行人的共同人体关键点周围截取的区域，该根据实际情况进行配置，具体不做限定。
S82、使用小波特征提取算法提取共同人体关键点的局部区域的特征向量，以得到第一行人和所述第二行人的共同人体关键点的局部特征向量。
其中，分别确定第一行人以及第二行人的共同人体关键点的局部区域，根据小波特征提取算法提取该局部区域的特征，以分别得到第一行人以及第二行人的共同人体关键点的局部特征向量。除此之外，还可以根据第二预设特征提取算法提取局部区域的特征以分别得到第一行人以及第二行人的共同人体关键点的局部特征向量。第二预设特征提取算法具体可以是尺度不变特征变换特征提取算法、加速稳健特征特征提取算法、ORB特征提取算法、HOG特征提取算法、局部二值模式特征提取算法、Harr特征提取算法、小波特征提取算法，边缘模板提取算法，也可以是其他的特征提取算法，例如上述第二预设特征提取算法中的改进算法，具体此处不做限定。
请参阅图9，一些实施例中，步骤S90中，也即计算所述第一行人的边缘区域的特征向量与所述第二行人的边缘区域的特征向量之间的第一相似度，具体包括如下步骤：
S91、计算第一行人和所述第二行人的共同关键点的局部特征向量之间的余弦距离；
S92、将第一行人和所述第二行人的共同关键点的局部特征向量之间的余弦距离作为第二相似度。
在确定第一行人以及第二行人的共同人体关键点的局部特征向量后，接着根据第一行人与第二行人的共同关键点的局部特征向量计算第二相似度，在一些实施例中，计算第一行人的共同关键点的局部特征向量，以及第二行人的共同关键点的局部特征向量得到的余弦相似度作为上述第二相似度，在一些方案中，还可以第一行人的共同关键点的局部特征向量，以及第二行人的共同关键点的局部特征向量得到的欧式距离、曼哈顿距离、欧几里得距离、明可夫斯基距离或皮尔森相关系数作为上述第二相似度，具体本申请不做限定。这里，以余弦相似度计算方式为例，假设第一行人的共同关键点的局部特征向量为：xi,i∈(1,2,...,n)，而第二行人的共同关键点的局部特征向量为：yi,i∈(1,2,...,n)，n为正整数，则第一行人的共同关键点的局部特征向量，以及第二行人的共同关键点的局部特征向量得到的余弦相似度若该第二相似度大于第二预设阈值，则确定第一行人与第二行人为同一行人，其中，第二预设阈值可以根据实际应用场景进行配置，示例性的，第二预设阈值可以为0.56、0.57、0.58、0.6等，具体不做限定。
为了便于理解，下面给出一一实际应用场景中的例子：
(1)比如一个摄像头camera1在上午8点10分检测到了一个行人1的边缘区域和人体关键点，将边缘区域提取特征向量并保存到A中，人体关键点保存到a中。另一个摄像头camera2在上午8点15分也检测到了一个行人2的边缘区域和人体关键点位置，将提取边缘区域的特征向量保存在B中，人体关键点保存到b中。
(2)没有遮挡的情况下，直接使用余弦距离来计算这两个特征向量A和B的余弦相似度，若相似度大于0.56，则判定行人1和2为同一个人。
(3)有遮挡情况下，可以根据检测到的行人的人体关键点，取行人关键点的局部区域的特征向量计算相似度。比如行人1检测到了上半身的5个人体关键点，另一个行人2检测到了全身的14个人体关键点，则我们只取这两个人的上半身的5个人体关键点的局部区域分别提取特征向量，示例性的，如果其中的三个人体关键点的局部区域的特征向量的相似度都大于0.56，则判定行人1和2为同一个人
在以上步骤中判定为同一人之后，可以确定这个人从camera1的监控区域走到了camera2的监控区域，可以实现对这个人的跟踪。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种行人识别装置，该行人识别装置与上述实施例中行人识别方法一一对应。如图10所示，该行人识别装置100包括第一获取模块1001、第二获取模块1002、判断模块1003、确定模块1004、计算模块1005和判定模块1006。各功能模块详细说明如下：第一获取模块1001，用于用于在不同时间点获取监控区域中的第一图像和第二图像，所述第一图像包含第一行人，第二图像包含所述第二行人第二获取模块1002，用于根据第一获取模块1001获取的第一图像获取所述第一行人的人体关键点，及根据第一获取模块1001第二图像获取第二行人的人体关键点；判断模块1003，用于用于根据第二获取模块1002获取的第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二获取模块1002获取的第二行人的人体关键点判断第二行人是否存在被遮挡；确定模块1004，用于若判断模块1003判断第一行人和第二行人均不存在被遮挡，则确定第一行人和第二行人的边缘区域；计算模块1005，用于计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；判定模块1006，用于若计算模块1005计算的第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
在一实施例中，判断模块1003还用于：若第一行人和/或第二行人存在被遮挡，则确定第一行人和第二行人之间的共同人体关键点，共同人体关键点为第一行人和第二行人中未被遮挡且具有相同位置的人体关键点；所述第二获取模块1002还用于：获取所述第一行人和所述第二行人的共同人体关键点的局部特征向量；计算模块1005，用于计算获取模块1002获取的第一行人的共同关键点的局部特征向量与第二行人的共同关键点的局部特征向量之间的第二相似度；判定模块1006，用于若计算模块1005计算的第二相似度大于或等于第二预设阈值，则确定第一行人和第二行人为同一行人。
在一实施例中，第二获取模块1002具体用于：使用预设人体关键点检测模型对第一图像和第二图像进行关键点检测，以得到第一关键点特征图和第二关键点特征图；使用卷积神经网络分别对第一关键点特征图提取第一部分置信图和第一部分亲和域，并使用卷积神经网络对第二关键点特征图提取第二部分置信图和第二部分亲和域；通过偶匹配对第一部分置信图和第一部分亲和域进行处理，以将第一行人的关节点连接起来得到第一行人的人体关键点，并通过偶匹配对第二部分置信图和第二部分亲和域进行处理，以将第一行人的关节点连接起来得到第二行人的人体关键点。
在一实施例中，确定模块1004具体用于：分别对第一图像和第二图像进行实例分割以获得所有目标实例；对所有目标实例进行图像分类以确定第一行人实例和第二行人实例；分别对第一行人实例和第二行人实例进行像素分类以输出第一行人实例对应的第一图像掩膜，和第二行人实例对应的第二图像掩膜；通过第一图像掩膜确定出第一行人的边缘区域，及通过第二图像掩膜确定出第二行人的边缘区域。
在一实施例中，第二获取模块1002具体用于：将第一行人和第二行人的共同人体关键点的预设范围作为共同人体关键点的局部区域；使用小波特征提取算法提取共同人体关键点的局部区域的特征向量，以得到第一行人和第二行人的共同人体关键点的局部特征向量。
在一实施例中，计算模块1005具体用于：计算第一行人的边缘区域的特征向量，和第二行人的边缘区域的特征向量之间的余弦距离；将第一行人的边缘区域的特征向量，和第二行人的边缘区域的特征向量之间的余弦距离作为第一相似度。
在一实施例中，计算模块1005具体用于：计算第一行人和第二行人的共同关键点的局部特征向量之间的余弦距离；将第一行人和第二行人的共同关键点的局部特征向量之间的余弦距离作为第二相似度。
关于行人识别装置的具体限定可以参见上文中对于行人识别方法的限定，在此不再赘述。上述行人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。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于用于存储的包括本申请中涉及到的各种图像信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种行人识别方法。
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：
在不同时间点获取监控区域中的第一图像和第二图像，第一图像包含第一行人，第二图像包含第二行人；根据第一图像获取第一行人的人体关键点，及根据第二图像获取第二行人的人体关键点；根据第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二行人的人体关键点判断第二行人是否存在被遮挡；若第一行人和第二行人均不存在被遮挡，则确定第一行人的边缘区域和第二行人的边缘区域；计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；若第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
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：
在不同时间点获取监控区域中的第一图像和第二图像，第一图像包含第一行人，第二图像包含第二行人；根据第一图像获取第一行人的人体关键点，及根据第二图像获取第二行人的人体关键点；根据第一行人的人体关键点判断第一行人是否存在被遮挡，及根据第二行人的人体关键点判断第二行人是否存在被遮挡；若第一行人和第二行人均不存在被遮挡，则确定第一行人的边缘区域和第二行人的边缘区域；计算第一行人的边缘区域的特征向量与第二行人的边缘区域的特征向量之间的第一相似度；若第一相似度大于或等于第一预设阈值，则判定第一行人和第二行人为同一行人。
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，本申请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)、和存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种行人识别方法，其特征在于，包括：
在不同时间点获取监控区域中的第一图像和第二图像，所述第一图像包含第一行人，所述第二图像包含第二行人；
使用预设人体关键点检测模型对所述第一图像和第二图像进行关键点检测，以得到第一关键点特征图和第二关键点特征图；
使用卷积神经网络分别对所述第一关键点特征图提取第一部分置信图和第一部分亲和域，并使用所述卷积神经网络对所述第二关键点特征图提取第二部分置信图和第二部分亲和域；
通过偶匹配对所述第一部分置信图和所述第一部分亲和域进行处理，以将第一行人的关节点连接起来得到所述第一行人的人体关键点，及通过所述偶匹配对所述第二部分置信图和所述第二部分亲和域进行处理，以将第二行人的关节点连接起来得到所述第二行人的人体关键点；
根据所述第一行人的人体关键点判断第一行人是否存在被遮挡，及根据所述第二行人的人体关键点判断第二行人是否存在被遮挡；
若所述第一行人和所述第二行人均不存在被遮挡，则确定所述第一行人的边缘区域和所述第二行人的边缘区域；
计算所述第一行人的边缘区域的特征向量与所述第二行人的边缘区域的特征向量之间的第一相似度；
若所述第一相似度大于或等于第一预设阈值，则判定所述第一行人和所述第二行人为同一行人；若所述第一行人和/或所述第二行人存在被遮挡，则确定所述第一行人和所述第二行人之间的共同人体关键点，所述共同人体关键点为所述第一行人和所述第二行人中未被遮挡且具有相同位置的人体关键点；
获取所述第一行人和所述第二行人的共同人体关键点的局部特征向量；
计算所述第一行人的共同关键点的局部特征向量与所述第二行人的共同关键点的局部特征向量之间的第二相似度；
若所述第二相似度大于或等于第二预设阈值，则确定所述第一行人和所述第二行人为同一行人。
2.如权利要求1所述的行人识别方法，其特征在于，所述确定所述第一行人和所述第二行人的边缘区域，包括：
分别对所述第一图像和第二图像进行实例分割以获得所有目标实例；
对所述所有目标实例进行图像分类以确定第一行人实例和第二行人实例；
分别对所述第一行人实例和所述第二行人实例进行像素分类以输出所述第一行人实例对应的第一图像掩膜，和所述第二行人实例对应的第二图像掩膜；
通过所述第一图像掩膜确定出所述第一行人的边缘区域，及通过所述第二图像掩膜确定出所述第二行人的边缘区域。
3.如权利要求2所述的行人识别方法，其特征在于，所述获取所述第一行人和所述第二行人的共同人体关键点的局部特征向量，包括：
将所述第一行人和第二行人的共同人体关键点的预设范围作为所述共同人体关键点的局部区域；
使用小波特征提取算法提取所述共同人体关键点的局部区域的特征向量，以得到所述第一行人和所述第二行人的共同人体关键点的局部特征向量。
4.如权利要求3所述的行人识别方法，其特征在于，所述计算所述第一行人的边缘区域的特征向量与所述第二行人的边缘区域的特征向量之间的第一相似度，包括：
计算所述第一行人的边缘区域的特征向量，和所述第二行人的边缘区域的特征向量之间的余弦距离；
将所述第一行人的边缘区域的特征向量，和所述第二行人的边缘区域的特征向量之间的余弦距离作为所述第一相似度。
5.如权利要求4所述的行人识别方法，其特征在于，所述计算所述第一行人的共同关键点的局部特征向量与所述第二行人的共同关键点的局部特征向量之间的第二相似度，包括：
计算所述第一行人和所述第二行人的共同关键点的局部特征向量之间的余弦距离；
将所述第一行人和所述第二行人的共同关键点的局部特征向量之间的余弦距离作为所述第二相似度。
6.一种行人识别装置，其特征在于，包括：
第一获取模块，用于在不同时间点获取监控区域中的第一图像和第二图像，所述第一图像包含第一行人，所述第二图像包含第二行人；
第二获取模块，用于根据所述第一获取模块获取的所述第一图像获取所述第一行人的人体关键点，及根据所述第一获取模块获取的所述第二图像获取所述第二行人的人体关键点；
判断模块，用于根据所述第二获取模块获取的所述第一行人的人体关键点判断第一行人是否存在被遮挡，及根据所述第二获取模块获取的所述第二行人的人体关键点判断第二行人是否存在被遮挡；
确定模块，用于若所述判断模块判断所述第一行人和所述第二行人均不存在被遮挡，则确定所述第一行人和所述第二行人的边缘区域；
计算模块，用于计算所述第一行人的边缘区域的特征向量与所述第二行人的边缘区域的特征向量之间的第一相似度；
判定模块，用于若所述计算模块计算的所述第一相似度大于或等于第一预设阈值，则判定所述第一行人和所述第二行人为同一行人；
所述判断模块还用于：若所述第一行人和/或所述第二行人存在被遮挡，则确定所述第一行人和所述第二行人之间的共同人体关键点，所述共同人体关键点为所述第一行人和所述第二行人中未被遮挡且具有相同位置的人体关键点；
获取所述第一行人和所述第二行人的共同人体关键点的局部特征向量；
计算所述第一行人的共同关键点的局部特征向量与所述第二行人的共同关键点的局部特征向量之间的第二相似度；
若所述第二相似度大于或等于第二预设阈值，则确定所述第一行人和所述第二行人为同一行人；
所述第二获取模块具体用于：
使用预设人体关键点检测模型对所述第一图像和第二图像进行关键点检测，以得到第一关键点特征图和第二关键点特征图；
使用卷积神经网络分别对所述第一关键点特征图提取第一部分置信图和第一部分亲和域，并使用所述卷积神经网络对所述第二关键点特征图提取第二部分置信图和第二部分亲和域；
通过偶匹配对所述第一部分置信图和所述第一部分亲和域进行处理，以将第一行人的关节点连接起来得到所述第一行人的人体关键点，及通过所述偶匹配对所述第二部分置信图和所述第二部分亲和域进行处理，以将第二行人的关节点连接起来得到所述第二行人的人体关键点。
7.一种计算机设备，包括存储器、处理器和存储在所述存储器中并可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如权利要求1至5任一项所述行人识别方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述行人识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810939348.5A CN109325412B (zh) | 2018-08-17 | 2018-08-17 | 行人识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810939348.5A CN109325412B (zh) | 2018-08-17 | 2018-08-17 | 行人识别方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109325412A CN109325412A (zh) | 2019-02-12 |
| CN109325412B true CN109325412B (zh) | 2023-11-24 |
Family
ID=65264337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810939348.5A Active CN109325412B (zh) | 2018-08-17 | 2018-08-17 | 行人识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325412B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070056B (zh) * | 2019-04-25 | 2023-01-10 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、存储介质及设备 |
| CN111488400B (zh) * | 2019-04-28 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 数据分类方法、装置和计算机可读存储介质 |
| CN110222572B (zh) * | 2019-05-06 | 2024-04-09 | 平安科技（深圳）有限公司 | 跟踪方法、装置、电子设备及存储介质 |
| CN112149470B (zh) * | 2019-06-28 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种行人重识别方法和装置 |
| CN112149466A (zh) * | 2019-06-28 | 2020-12-29 | 富士通株式会社 | 手臂动作识别方法、装置及图像处理设备 |
| CN110414499B (zh) * | 2019-07-26 | 2021-06-04 | 第四范式（北京）技术有限公司 | 文本位置定位方法和系统以及模型训练方法和系统 |
| CN112446240A (zh) * | 2019-08-29 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种动作识别方法及装置 |
| CN110909193B (zh) * | 2019-11-22 | 2024-01-05 | 携程计算机技术（上海）有限公司 | 图像排序展示方法、系统、设备和存储介质 |
| CN111199211A (zh) * | 2019-12-31 | 2020-05-26 | 武汉星巡智能科技有限公司 | 具有红外唤醒功能的智能监控设备、监控方法及存储介质 |
| CN111814603B (zh) * | 2020-06-23 | 2023-09-05 | 汇纳科技股份有限公司 | 一种人脸识别方法、介质及电子设备 |
| CN112307979A (zh) * | 2020-10-31 | 2021-02-02 | 成都新潮传媒集团有限公司 | 一种人员属性识别方法、装置及计算机设备 |
| CN112446913B (zh) * | 2020-11-24 | 2023-08-29 | 厦门熵基科技有限公司 | 一种通道闸行人数量统计与尾随判断方法、装置和设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514444A (zh) * | 2013-10-15 | 2014-01-15 | 北京联合大学 | 一种基于轮廓和色彩相似对称分布特征的行人检测方法 |
| EP2738741A1 (en) * | 2011-07-19 | 2014-06-04 | Kabushiki Kaisha Toshiba | Apparatus and method for tracking contour of moving object, and apparatus of and method for analyzing myocardial motion |
| US9390506B1 (en) * | 2015-05-07 | 2016-07-12 | Aricent Holdings Luxembourg S.A.R.L. | Selective object filtering and tracking |
| CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
| CN107358149A (zh) * | 2017-05-27 | 2017-11-17 | 深圳市深网视界科技有限公司 | 一种人体姿态检测方法和装置 |
| CN107798313A (zh) * | 2017-11-22 | 2018-03-13 | 杨晓艳 | 一种人体姿态识别方法、装置、终端和存储介质 |
| CN107832708A (zh) * | 2017-11-09 | 2018-03-23 | 云丁网络技术(北京)有限公司 | 一种人体动作识别方法及装置 |
| CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9904845B2 (en) * | 2009-02-25 | 2018-02-27 | Honda Motor Co., Ltd. | Body feature detection and human pose estimation using inner distance shape contexts |
-
2018
- 2018-08-17 CN CN201810939348.5A patent/CN109325412B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2738741A1 (en) * | 2011-07-19 | 2014-06-04 | Kabushiki Kaisha Toshiba | Apparatus and method for tracking contour of moving object, and apparatus of and method for analyzing myocardial motion |
| CN103514444A (zh) * | 2013-10-15 | 2014-01-15 | 北京联合大学 | 一种基于轮廓和色彩相似对称分布特征的行人检测方法 |
| US9390506B1 (en) * | 2015-05-07 | 2016-07-12 | Aricent Holdings Luxembourg S.A.R.L. | Selective object filtering and tracking |
| CN107358149A (zh) * | 2017-05-27 | 2017-11-17 | 深圳市深网视界科技有限公司 | 一种人体姿态检测方法和装置 |
| CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
| CN107832708A (zh) * | 2017-11-09 | 2018-03-23 | 云丁网络技术(北京)有限公司 | 一种人体动作识别方法及装置 |
| CN107798313A (zh) * | 2017-11-22 | 2018-03-13 | 杨晓艳 | 一种人体姿态识别方法、装置、终端和存储介质 |
| CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Hough森林的多特征快速行人检测;谷灵康 等;计算机应用与软件(第06期);第146-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109325412A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
| WO2021120752A1 (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
| CN110427905B (zh) | 行人跟踪方法、装置以及终端 | |
| CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
| CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| WO2019232866A1 (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
| US8971589B2 (en) | Feature point location determination method and apparatus | |
| Li et al. | Supervised people counting using an overhead fisheye camera | |
| WO2019232862A1 (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
| CN112257502A (zh) | 一种监控视频行人识别与跟踪方法、装置及存储介质 | |
| Su et al. | A deep learning approach towards pore extraction for high-resolution fingerprint recognition | |
| CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及系统 | |
| CN110097050B (zh) | 行人检测方法、装置、计算机设备及存储介质 | |
| Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
| JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
| CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
| CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
| CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
| CN112784712B (zh) | 一种基于实时监控的失踪儿童预警实现方法、装置 | |
| CN112766275B (zh) | 印章文字识别方法、装置、计算机设备和存储介质 | |
| US20200034649A1 (en) | Object tracking system, intelligent imaging device, object feature extraction device, and object feature extraction method | |
| Kulkarni et al. | GLCM-based multiclass iris recognition using FKNN and KNN | |
| JP6486084B2 (ja) | 画像処理方法、画像処理装置、及びプログラム | |
| Harish et al. | New features for webcam proctoring using python and opencv | |
| CN114973368A (zh) | 基于特征融合的人脸识别方法、装置、设备和存储介质 |
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 |