CN109544595B - 一种顾客路径追踪方法及系统 - Google Patents
一种顾客路径追踪方法及系统 Download PDFInfo
- Publication number
- CN109544595B CN109544595B CN201811267609.XA CN201811267609A CN109544595B CN 109544595 B CN109544595 B CN 109544595B CN 201811267609 A CN201811267609 A CN 201811267609A CN 109544595 B CN109544595 B CN 109544595B
- Authority
- CN
- China
- Prior art keywords
- target
- matched
- database
- key point
- active
- 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 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000001502 supplementing effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000013075 data extraction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本发明公开一种顾客路径追踪方法及系统，解决了现有技术中的目标跟踪准确度不高的问题。该方法包括：通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库。该系统包括上述技术方案所提的方法。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种顾客路径追踪方法及系统。
背景技术
近些年，得益于人工智能的飞速发展，大数据时代催生出来的智能零售给目标跟踪算法提供了更多的应用场景，例如，通过零售店的摄像头对店内的顾客视频监控，并基于视频监控获取顾客的路径轨迹、抓拿动作等数据，最后通过数据分析得到每位顾客的购物需求，并向其推送个性化广告，在满足用户需求的同时提升门店的销售业绩。
现有的目标跟踪算法通常采用SIFT或HOG特征提取方法对视频监控图像中进行目标追踪处理，具体过程如下，首先检测每帧监控图像中的物体特征，并用SVM分类器对上述物体进行分类，之后通过分析前后帧监控图像中的特征关联，得到目标路径轨迹。但是，现有的目标跟踪算法在运行视频追踪过程中，当前后帧监控图像中的两个或多个目标行动路径出现交叉遮挡时，容易导致目标互换或者目标丢失，降低了目标跟踪算法的准确度。
发明内容
本发明的目的在于提供一种顾客路径追踪方法及系统，解决了现有技术中的目标跟踪准确度不高的问题。
为了实现上述目的，本发明的一方面提供一种顾客路径追踪方法，包括：
步骤S1，通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；
步骤S2，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
步骤S3，分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
步骤S4，遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；
步骤S5，遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库；返回步骤S1，
步骤S6，从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
优选地，在步骤S1，通过训练关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据之前还包括步骤S0：
调用Openpose软件从多张人体训练图片上提取多份关键点信息；
通过COCO数据集分别对多份关键点信息进行标注；
基于多份关键点信息及与之对应的标注信息训练得到关键点模型。
优选地，步骤S1，通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据的方法包括：
调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；
分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
较佳地，步骤S2，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与活跃ID数据库中的活跃ID对应的关键点数据遍历匹配，分别得到各目标ID与活跃ID数据库的相似距离；
当所述目标ID的相似距离小于第一置信距离时，则所述目标ID匹配成功；
当所述目标ID的相似距离大于第一置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；
提取匹配成功的目标ID及对应的关键点数据移入活跃ID数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
较佳地，步骤S3，分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与待匹配数据库中的待匹配ID对应的关键点数据遍历匹配，分别得到各目标ID与待匹配数据库的相似距离；
当所述目标ID的相似距离小于第二置信距离时，则所述目标ID匹配成功；
当所述目标ID的相似距离大于第二置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；
提取匹配成功的目标ID及对应的关键点数据移入待匹配数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
示例性地，所述基于相似距离和相似颜色生成综合距离后再次匹配的方法包括：
利用相似颜色计算公式
其中R1、G1、B1为目标ID上衣颜色对应的三原色数值，R2、G2、B2为目标ID下衣颜色对应的三原色数值；
综合距离的计算公式B＝相似距离+λ*A，λ表示颜色比重系数。
示例性地，所述相似距离为欧式距离或者余弦距离。
与现有技术相比，本发明提供的顾客路径追踪方法具有以下有益效果：
本发明提供的顾客路径追踪方法中，首先需要训练关键点模型，以提取监控视频流中当前帧图像中的目标ID及其对应的关键点数据，其中，目标ID是指基于人脸识别技术对当前帧图像中出现的人像进行的标号，若不同帧图像中的人像被人脸识别技术识别为同一人，则不同帧图像中的同一人像的标号应当一致，同理，同一帧图像/不同帧图像中的不同人像为了加以区分也应当不同标号；在当前帧图像中的目标ID和关键点数据获取完毕后，需对当前帧图像中的目标ID进行初步匹配，具体过程为，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID进行初步遍历匹配，若当前帧图像中存在匹配成功的目标ID，则将该目标ID移入活跃ID数据库替换与之对应的活跃ID，以及将未匹配成功的目标ID补录至待匹配数据库，直至当前帧图像中的全部目标ID均被操作后进入二次匹配阶段，二次匹配阶段的具体过程为，重新将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历，若当前帧图像中存在匹配成功的目标ID，则将该目标ID移入待匹配数据库替换与之对应的待匹配ID，以及将移入待匹配数据库替换与之对应的待匹配ID，直至当前帧图像中的全部目标ID被再次操作后，进入活跃ID数据库合并步骤，此步骤具体过程为，遍历待匹配数据库中的待匹配ID，将待匹配数据库中激活时间T2帧内连续出现的待匹配ID合并入活跃ID数据库，由于待匹配ID在激活时间T2帧内反复出现，因此可将该待匹配ID视为活跃ID，而未被视为活跃ID的待匹配ID，此时可将其视为噪音忽略；进一步地，在活跃ID数据库获取完毕后，还需从活跃ID数据库中提取活跃ID保存至永久ID数据库，此步骤具体过程为，遍历活跃ID数据库中的活跃ID，将待匹配数据库中在激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库，完成当前帧图像中目标ID的归类标记，重新获取下一帧图像，返回步骤S1重新执行上述操作，最终用户可通过永久ID数据库获取顾客在不同帧图像出现的位置，绘制不同目标ID对应顾客路径轨迹。
可见，本发明采用关键点模型提取人像关键点数据，能够针对不同帧图像中的人像进行精准追踪，相比较于现有技术中采用边界框追踪的方法准确率更高，另外，采用双重匹配机制能够有效过滤掉图像中的背景噪音，提高顾客路径轨迹的追踪准确度，进而精准的分析出用户的购物偏好，为门店的管理人员提供有效的参考数据。
本发明的另一方面提供一种顾客路径追踪系统，应用于上述技术方案所述的顾客路径追踪方法中，所述系统包括：
关键点数据提取单元，用于通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；
第一匹配单元，用于分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第二匹配单元，用于分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第一补录单元，用于遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；
第二补录单元，用于遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库，并重新调用关键点数据提取单元；
路径分析单元，从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
优选地，还包括与所述关键点数据提取单元输入端连接的模型单元，所述模型单元包括训练提取模块、标注模块和模型训练模块；
所述训练提取模块用于调用Openpose软件从多张人体训练图片上提取多份关键点信息；
所述标注模块用于通过COCO数据集分别对多份关键点信息进行标注；
所述模型训练模块用于基于多份关键点信息及与之对应的标注信息训练得到关键点模型。
优选地，所述关键点数据提取单元包括人像提取模块和标记匹配模块；
所述人像提取模块用于调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；
所述标记匹配模块用于分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
与现有技术相比，本发明提供的顾客路径追踪系统的有益效果与上述技术方案提供的顾客路径追踪方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一中顾客路径追踪方法的流程示意图；
图2为本发明实施例一中人体关键点示例图；
图3为本发明实施例二中顾客路径追踪系统的结构框图。
附图标记：
1-关键点数据提取单元， 2-第一匹配单元；
3-第二匹配单元， 4-第一补录单元；
5-第二补录单元， 6-路径分析单元。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
图1为本发明实施例一中顾客路径追踪方法的流程示意图。请参阅图1，本实施例提供一种顾客路径追踪方法，包括：
步骤S1，通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；步骤S2，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；步骤S3，分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；步骤S4，遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；步骤S5，遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库；返回步骤S1，步骤S6，从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
本实施例提供的顾客路径追踪方法中，首先需要训练关键点模型，以提取监控视频流中当前帧图像中的目标ID及其对应的关键点数据，其中，目标ID是指基于人脸识别技术对当前帧图像中出现的人像进行的标号，若不同帧图像中的人像被人脸识别技术识别为同一人，则不同帧图像中的同一人像的标号应当一致，同理，同一帧图像/不同帧图像中的不同人像为了加以区分也应当不同标号；在当前帧图像中的目标ID和关键点数据获取完毕后，需对当前帧图像中的目标ID进行初步匹配，具体过程为，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID进行初步遍历匹配，若当前帧图像中存在匹配成功的目标ID，则将该目标ID移入活跃ID数据库替换与之对应的活跃ID，以及将未匹配成功的目标ID补录至待匹配数据库，直至当前帧图像中的全部目标ID均被操作后进入二次匹配阶段，二次匹配阶段的具体过程为，重新将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历，若当前帧图像中存在匹配成功的目标ID，则将该目标ID移入待匹配数据库替换与之对应的待匹配ID，以及将移入待匹配数据库替换与之对应的待匹配ID，直至当前帧图像中的全部目标ID被再次操作后，进入活跃ID数据库合并步骤，此步骤具体过程为，遍历待匹配数据库中的待匹配ID，将待匹配数据库中激活时间T2帧内连续出现的待匹配ID合并入活跃ID数据库，由于待匹配ID在激活时间T2帧内反复出现，因此可将该待匹配ID视为活跃ID，而未被视为活跃ID的待匹配ID，此时可将其视为噪音忽略；进一步地，在活跃ID数据库获取完毕后，还需从活跃ID数据库中提取活跃ID保存至永久ID数据库，此步骤具体过程为，遍历活跃ID数据库中的活跃ID，将待匹配数据库中在激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库，完成当前帧图像中目标ID的归类标记，重新获取下一帧图像，返回步骤S1重新执行上述操作，最终用户可通过永久ID数据库获取顾客在不同帧图像出现的位置，绘制不同目标ID对应顾客路径轨迹。
可见，本实施例采用关键点模型提取人像关键点数据，能够针对不同帧图像中的人像进行精准追踪，相比较于现有技术中采用边界框追踪的方法准确率更高，另外，采用双重匹配机制能够有效过滤掉图像中的背景噪音，提高顾客路径轨迹的追踪准确度，进而精准的分析出用户的购物偏好，为门店的管理人员提供有效的参考数据。
此外，用户通过从永久ID数据库提取顾客的路径轨迹和顾客行为，可帮助门店管理人员了解门店的哪些展柜属于高人流区域，哪些展柜属于低人流区域。进而可对顾客的停留时间进行分析，停留时间可反映顾客对展柜的感兴趣程度，帮助用户了解展柜商品的吸引程度，针对顾客感兴趣程度较低的展柜，分析原因并进行相应的改善调整。还对用户后续开展相应展柜的调整和营销活动提供有效的数据支撑，帮助他们做出准确、有效的商业决策。
可以补充的是，在上述实施例步骤S1，通过训练关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据之前还包括步骤S0：
调用Openpose软件从多张人体训练图片上提取多份关键点信息；通过COCO数据集分别对多份关键点信息进行标注；基于多份关键点信息及与之对应的标注信息训练得到关键点模型。标注的内容包括每个关键点的位置坐标。需要说明的是，Openpose软件应用了现有技术中的开源Openpose方法，如图2所示，能够采集到人像的面部表情以及18个人体关节的关键点信息，Openpose软件不仅适用于单人图像的关键点信息提取，还适用于多人图像的关键点信息提取，具有很好的鲁棒性。COCO数据集也为本领域技术人员常用的关键点标记模型，本实施在此不做赘述。
具体地，上述实施例中通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据的方法包括：
调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
进一步地，上述实施例中分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与活跃ID数据库中的活跃ID对应的关键点数据遍历匹配，分别得到各目标ID与活跃ID数据库的相似距离；当目标ID的相似距离小于第一置信距离时，则目标ID匹配成功；当目标ID的相似距离大于第一置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；提取匹配成功的目标ID及对应的关键点数据移入活跃ID数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
具体实施时，依次提取当前帧图像中的目标ID，并采用贪心匹配算法或者匈牙利算法将其对应的关键点数据与活跃ID数据库中的活跃ID做遍历匹配运算，得到目标ID与活跃ID数据库的相似距离，重复上述步骤，分别得到当前帧图像中的各目标ID与活跃ID数据库的相似距离，之后，基于目标ID的相似距离做匹配判断，当目标ID的相似距离小于第一置信距离时，则标记该目标ID匹配成功，但是当目标ID的相似距离大于第一置信距离时，则说明该目标ID存疑，此时需要基于相似距离和相似颜色生成综合距离后再次匹配判断，并在综合距离小于第三置信距离时解除该目标ID的存疑，将其标记为匹配成功，反之，在综合距离大于第三置信距离时标记未匹配成功，将该目标ID视为噪音删除。最终，提取匹配成功的目标ID及对应的关键点数据移入活跃ID数据库替换掉与之对应的待匹配ID及对应的关键点数据，以及提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。可见，本实施例通过引入存疑距离和相似颜色的判断标准，能够对存疑的目标ID进一步的分析判断，从而精准的剔除当前帧图像中的噪音，提高人像识别的精准度。
进一步地，上述实施例中分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与待匹配数据库中的待匹配ID对应的关键点数据遍历匹配，分别得到各目标ID与待匹配数据库的相似距离；当目标ID的相似距离小于第二置信距离时，则目标ID匹配成功；当目标ID的相似距离大于第二置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；提取匹配成功的目标ID及对应的关键点数据移入待匹配数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
具体实施时，由于待匹配数据库中的待匹配ID多为存疑ID，因此还需对待匹配数据库中的待匹配ID做进一步验证处理，以对待匹配数据库进行更新清理，具体为，依次提取当前帧图像中的目标ID，并采用贪心匹配算法或者匈牙利算法将其对应的关键点数据与待匹配数据库中的活跃ID做遍历匹配运算，得到目标ID与待匹配数据库的相似距离，重复上述步骤，分别得到当前帧图像中的各目标ID与待匹配数据库的相似距离，之后，基于目标ID的相似距离做匹配判断，当目标ID的相似距离小于第二置信距离时，则标记该目标ID匹配成功，但是当目标ID的相似距离大于第二置信距离时，则说明该目标ID存疑，此时需要基于相似距离和相似颜色生成综合距离后再次匹配判断，并在综合距离小于第三置信距离时解除该目标ID的存疑，将其标记为匹配成功，反之，在综合距离大于第三置信距离时标记未匹配成功，将该目标ID视为噪音删除。最终，提取匹配成功的目标ID及对应的关键点数据移入待匹配数据库替换掉与之对应的待匹配ID及对应的关键点数据，以及提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。可见，本实施例通过二次匹配，能够对待匹配数据库更新清理，提高匹配的准确率。
需要说明的是，上述实施例中的贪心匹配算法是指，分别计算目标ID与各活跃ID/待匹配ID的相似距离，并选取其中的相似距离最小值作为该目标ID至活跃ID数据库/待匹配数据库中的相似距离，若该相似距离小于第一置信距离/第二置信距离，则表示该目标ID匹配成功；匈牙利算法是指，分别计算目标ID与各活跃ID/待匹配ID的相似距离，然后将多个相似距离按照由大到小的顺序排序，选取其中的相似距离最小值作为该目标ID至活跃ID数据库/待匹配数据库中的相似距离，若该相似距离小于第一置信距离/第二置信距离，则表示该目标ID匹配成功。另外，需要指明的是，上文中的表述中的替换与之对应的活跃ID/待匹配ID，是指相似距离最小值对应的活跃ID/待匹配ID。
需要补充的是，上述实施例中的基于相似距离和相似颜色生成综合距离后再次匹配的方法包括：
利用相似颜色计算公式
其中R1、G1、B1为目标ID上衣颜色对应的三原色数值，R2、G2、B2为目标ID下衣颜色对应的三原色数值；综合距离的计算公式B＝相似距离+λ*A，λ表示颜色比重系数。
为了便于计算，本实施例给出一些参数值，示例性地，第一置信距离为2000、第二置信距离为1000、第三置信距离为2000、激活时间T1为300、激活时间T2为5、颜色比重系数λ为0.2。
另外需要解释的是，上述实施例中的活跃ID是指已经确认且正在监控视频流活动的人像，活跃ID数据库中包括监控视频流中正在活动的活跃ID、活跃ID对应的关键点数据、活跃ID对应的人脸图像和举止动作图像；待匹配ID是指未经确认的人像，待匹配数据库中包括待匹配ID、待匹配ID对应的关键点数据、待匹配ID对应的人脸图像和举止动作图像；永久ID是指已经确认且只在先前在监控视频流活动的人像，永久ID数据库中包括永久ID、永久ID对应的关键点数据、永久ID对应的人脸图像和举止动作图像。本实施例通过多个数据库的设置，不仅能够减少系统内存使用，还能够缩短匹配时间、提高匹配精度。例如，一个活跃ID在T1帧内没有出现则会将其从活跃ID数据库中删除并且存入永久ID数据库，以后不会对此活跃ID做匹配，从而减少系统内存的使用，缩短匹配时间。
实施例二
请参阅图1和图3，本实施例提供一种顾客路径追踪系统，包括：
关键点数据提取单元1，用于通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；
第一匹配单元2，用于分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第二匹配单元3，用于分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第一补录单元4，用于遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；
第二补录单元5，用于遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库，并重新调用关键点数据提取单元；
路径分析单元6，用于从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
优选地，还包括与关键点数据提取单元输入端连接的模型单元，模型单元包括训练提取模块、标注模块和模型训练模块；
训练提取模块用于调用Openpose软件从多张人体训练图片上提取多份关键点信息；
标注模块用于通过COCO数据集分别对多份关键点信息进行标注；
模型训练模块用于基于多份关键点信息及与之对应的标注信息训练得到关键点模型。
进一步地，关键点数据提取单元1包括人像提取模块和标记匹配模块；
人像提取模块用于调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；
标记匹配模块用于分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
与现有技术相比，本发明实施例提供的顾客路径追踪系统的有益效果与上述实施例一提供的顾客路径追踪方法的有益效果相同，在此不做赘述。
本领域普通技术人员可以理解，实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，上述程序可以存储于计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。
以上所述，仅为本发明的具体实施方式，但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。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种顾客路径追踪方法，其特征在于，包括：
步骤S1，通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；
步骤S2，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
步骤S3，分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
步骤S4，遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；
步骤S5，遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库；
步骤S6，从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
2.根据权利要求1所述的方法，其特征在于，在步骤S1，通过训练关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据之前还包括步骤S0：
调用Openpose软件从多张人体训练图片上提取多份关键点信息；
通过COCO数据集分别对多份关键点信息进行标注；
基于多份关键点信息及与之对应的标注信息训练得到关键点模型。
3.根据权利要求1所述的方法，其特征在于，步骤S1，通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据的方法包括：
调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；
分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
4.根据权利要求1所述的方法，其特征在于，步骤S2，分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与活跃ID数据库中的活跃ID对应的关键点数据遍历匹配，分别得到各目标ID与活跃ID数据库的相似距离；
当所述目标ID的相似距离小于第一置信距离时，则所述目标ID匹配成功；
当所述目标ID的相似距离大于第一置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；
提取匹配成功的目标ID及对应的关键点数据移入活跃ID数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
5.根据权利要求1所述的方法，其特征在于，步骤S3，分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库的方法包括：
采用贪心匹配算法或者匈牙利算法对当前帧图像中目标ID对应的关键点数据与待匹配数据库中的待匹配ID对应的关键点数据遍历匹配，分别得到各目标ID与待匹配数据库的相似距离；
当所述目标ID的相似距离小于第二置信距离时，则所述目标ID匹配成功；
当所述目标ID的相似距离大于第二置信距离小于存疑距离时，需基于相似距离和相似颜色生成综合距离后再次匹配，并在综合距离小于第三置信距离时匹配成功，在综合距离大于第三置信距离时未匹配成功；
提取匹配成功的目标ID及对应的关键点数据移入待匹配数据库替换与之对应的待匹配ID及对应的关键点数据，和/或，提取未匹配成功的目标ID及对应的关键点数据补录至待匹配数据库。
6.根据权利要求4或5所述的方法，其特征在于，所述基于相似距离和相似颜色生成综合距离后再次匹配的方法包括：
利用相似颜色计算公式
其中R1、G1、B1为目标ID上衣颜色对应的三原色数值，R2、G2、B2为目标ID下衣颜色对应的三原色数值；
综合距离的计算公式B＝相似距离+λ*A，λ表示颜色比重系数。
7.根据权利要求4或5所述的方法，其特征在于，所述相似距离为欧式距离或者余弦距离。
8.一种顾客路径追踪系统，其特征在于，包括：
关键点数据提取单元，用于通过关键点模型处理监控视频流，获取当前帧图像中的目标ID及其对应的关键点数据；
第一匹配单元，用于分别将当前帧图像中的目标ID与活跃ID数据库中的活跃ID遍历匹配，提取匹配成功的目标ID移入活跃ID数据库替换与之对应的活跃ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第二匹配单元，用于分别将当前帧图像中的目标ID与待匹配数据库中的待匹配ID遍历匹配，提取匹配成功的目标ID移入待匹配数据库替换与之对应的待匹配ID，和/或，提取未匹配成功的目标ID补录至待匹配数据库；
第一补录单元，用于遍历待匹配数据库中的待匹配ID，提取激活时间T2帧内连续出现的待匹配ID补录至活跃ID数据库，并清空待匹配数据库；
第二补录单元，用于遍历活跃ID数据库中的活跃ID，提取激活时间T1帧内未连续出现的活跃ID保存至永久ID数据库，并重新调用关键点数据提取单元；
路径分析单元，用于从永久ID数据库获取顾客在不同帧图像出现的位置，绘制路径轨迹。
9.根据权利要求8所述的系统，其特征在于，还包括与所述关键点数据提取单元输入端连接的模型单元，所述模型单元包括训练提取模块、标注模块和模型训练模块；
所述训练提取模块用于调用Openpose软件从多张人体训练图片上提取多份关键点信息；
所述标注模块用于通过COCO数据集分别对多份关键点信息进行标注；
所述模型训练模块用于基于多份关键点信息及与之对应的标注信息训练得到关键点模型。
10.根据权利要求8所述的系统，其特征在于，所述关键点数据提取单元包括人像提取模块和标记匹配模块；
所述人像提取模块用于调用关键点模型处理RTSP协议的监控视频流，提取当前帧图像中的多个人像及人像中的关键点信息；
所述标记匹配模块用于分别对每个人像标记得到多个目标ID，同时记录目标ID与关键点信息的匹配关系。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811267609.XA CN109544595B (zh) | 2018-10-29 | 2018-10-29 | 一种顾客路径追踪方法及系统 |
| PCT/CN2019/106514 WO2020088136A1 (zh) | 2018-10-29 | 2019-09-18 | 一种顾客路径追踪方法及系统 |
| CA3158925A CA3158925A1 (en) | 2018-10-29 | 2019-09-18 | Customer path tracking method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811267609.XA CN109544595B (zh) | 2018-10-29 | 2018-10-29 | 一种顾客路径追踪方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109544595A CN109544595A (zh) | 2019-03-29 |
| CN109544595B true CN109544595B (zh) | 2020-06-16 |
Family
ID=65845748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811267609.XA Active CN109544595B (zh) | 2018-10-29 | 2018-10-29 | 一种顾客路径追踪方法及系统 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN109544595B (zh) |
| CA (1) | CA3158925A1 (zh) |
| WO (1) | WO2020088136A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544595B (zh) * | 2018-10-29 | 2020-06-16 | 苏宁易购集团股份有限公司 | 一种顾客路径追踪方法及系统 |
| CN110414324A (zh) * | 2019-06-17 | 2019-11-05 | 深圳壹账通智能科技有限公司 | 视频录制过程监控的方法、装置、计算机设备和存储介质 |
| CN111898471A (zh) * | 2020-07-09 | 2020-11-06 | 北京捷通华声科技股份有限公司 | 一种行人跟踪方法和装置 |
| CN112527785B (zh) * | 2020-12-16 | 2023-07-21 | 平安银行股份有限公司 | 数据补录方法、装置、电子设备及存储介质 |
| CN112861637B (zh) * | 2021-01-14 | 2023-04-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多视频人员跟踪的站内人像特征比对识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977610A (zh) * | 2017-11-21 | 2018-05-01 | 电子科技大学 | 一种基于海量视频处理的人脸追踪方法 |
| CN108055501A (zh) * | 2017-11-22 | 2018-05-18 | 天津市亚安科技有限公司 | 一种目标检测及跟踪的视频监控系统及方法 |
| CN108460933A (zh) * | 2018-02-01 | 2018-08-28 | 王曼卿 | 一种基于图像处理的管理系统及方法 |
| CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7916897B2 (en) * | 2006-08-11 | 2011-03-29 | Tessera Technologies Ireland Limited | Face tracking for controlling imaging parameters |
| CN102496009B (zh) * | 2011-12-09 | 2013-09-18 | 北京汉邦高科数字技术股份有限公司 | 智能银行视频监控中的多人脸跟踪方法 |
| US9589181B2 (en) * | 2013-02-28 | 2017-03-07 | Hitachi Kokusai Electric Inc. | Person search method and device for searching person staying on platform |
| CN106448160B (zh) * | 2016-09-22 | 2020-04-10 | 江苏理工学院 | 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法 |
| CN106778470A (zh) * | 2016-11-15 | 2017-05-31 | 东软集团股份有限公司 | 一种人脸识别方法及装置 |
| CN109544595B (zh) * | 2018-10-29 | 2020-06-16 | 苏宁易购集团股份有限公司 | 一种顾客路径追踪方法及系统 |
-
2018
- 2018-10-29 CN CN201811267609.XA patent/CN109544595B/zh active Active
-
2019
- 2019-09-18 CA CA3158925A patent/CA3158925A1/en active Pending
- 2019-09-18 WO PCT/CN2019/106514 patent/WO2020088136A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977610A (zh) * | 2017-11-21 | 2018-05-01 | 电子科技大学 | 一种基于海量视频处理的人脸追踪方法 |
| CN108055501A (zh) * | 2017-11-22 | 2018-05-18 | 天津市亚安科技有限公司 | 一种目标检测及跟踪的视频监控系统及方法 |
| CN108460933A (zh) * | 2018-02-01 | 2018-08-28 | 王曼卿 | 一种基于图像处理的管理系统及方法 |
| CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020088136A1 (zh) | 2020-05-07 |
| CN109544595A (zh) | 2019-03-29 |
| CA3158925A1 (en) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544595B (zh) | 一种顾客路径追踪方法及系统 | |
| Gall et al. | Hough forests for object detection, tracking, and action recognition | |
| Yin et al. | Text detection, tracking and recognition in video: a comprehensive survey | |
| Shao et al. | Deeply learned attributes for crowded scene understanding | |
| Özyer et al. | Human action recognition approaches with video datasets—A survey | |
| Yang et al. | Discovering motion primitives for unsupervised grouping and one-shot learning of human actions, gestures, and expressions | |
| Feris et al. | Large-scale vehicle detection, indexing, and search in urban surveillance videos | |
| Efros et al. | Recognizing action at a distance | |
| Weinzaepfel et al. | Towards weakly-supervised action localization | |
| CN108647557A (zh) | 信息处理设备、信息处理方法和存储介质 | |
| CN106663196A (zh) | 视频中的计算机显著人物识别 | |
| Liu et al. | Customer behavior classification using surveillance camera for marketing | |
| US20210326646A1 (en) | Automated generation of training data for contextually generated perceptions | |
| Gerónimo et al. | Unsupervised surveillance video retrieval based on human action and appearance | |
| Ommer et al. | Seeing the objects behind the dots: Recognition in videos from a moving camera | |
| Hsu et al. | Human body motion parameters capturing using kinect | |
| Santhalingam et al. | Finehand: Learning hand shapes for american sign language recognition | |
| US11354351B2 (en) | Contextually generated perceptions | |
| Ke et al. | Human action recognition based on 3d human modeling and cyclic HMMs | |
| Yang et al. | Semi-automatic image and video annotation system for generating ground truth information | |
| WO2023039331A1 (en) | Object detection systems and methods including an object detection model using a tailored training dataset | |
| Herbst et al. | Object segmentation from motion with dense feature matching | |
| Huang et al. | Unsupervised pedestrian re-identification for loitering detection | |
| Musaev et al. | Towards in-store multi-person tracking using head detection and track heatmaps | |
| Ranganarayana et al. | A Study on Approaches For Identifying Humans In Low Resolution Videos |
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 |