CN109583373A - 一种行人重识别实现方法 - Google Patents

一种行人重识别实现方法 Download PDF

Info

Publication number
CN109583373A
CN109583373A CN201811447690.XA CN201811447690A CN109583373A CN 109583373 A CN109583373 A CN 109583373A CN 201811447690 A CN201811447690 A CN 201811447690A CN 109583373 A CN109583373 A CN 109583373A
Authority
CN
China
Prior art keywords
pedestrian
sequence
bounding
face
confidence level
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.)
Granted
Application number
CN201811447690.XA
Other languages
English (en)
Other versions
CN109583373B (zh
Inventor
温序铭
袁琦
王炜
罗宏智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Sobey Digital Technology Co Ltd
Original Assignee
Chengdu Sobey Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Sobey Digital Technology Co Ltd filed Critical Chengdu Sobey Digital Technology Co Ltd
Priority to CN201811447690.XA priority Critical patent/CN109583373B/zh
Publication of CN109583373A publication Critical patent/CN109583373A/zh
Application granted granted Critical
Publication of CN109583373B publication Critical patent/CN109583373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种行人重识别实现方法，涉及行人重识别技术领域，本发明包括如下步骤：S1、指定行人；S2、产生bounding box1序列，加入probe数据集；S3：人脸检测；S4：估算位置；S5：缩小候选人图片集B；S6：轨迹跟踪；S7：人脸检测；S8：调整置信度，行人重识别：通过行人重识别置信度和人脸识别置信度进行综合决策，判断bounding box2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别，本发明通过行人检测和追踪、AlignedReid行人重识别模型等技术实现跨摄像头的自动行人重识别，提升了识别准确率。

Description

一种行人重识别实现方法
技术领域
本发明涉及行人重识别技术领域，更具体的是涉及一种行人重识别实现方法。
背景技术
图像和视频相关应用在人们日常生活中的地位日益突出，行人重识别(Personre-identification，reid)技术近几年与人们日常生活联系越来越强，尤其是监控、安防等领域中。行人重识别是指给定某一摄像机拍摄的行人图像，检索跨摄像头中的同一行人图像的问题。需要注意的是，行人重识别往往与人脸识别是相互替代的关系，在监控视频中图像受限于摄像头的分辨率和拍摄角度，无法得到高质量人脸图片，在此类似条件下行人重识别技术就是及其重要的。
行人重识别的一般技术流程是：通过手工设计特征的模型或者使用经过预训练的深度网络模型，得到合适的衡量行人图像之间的相似度或距离判别方法，然后对一个摄像头拍摄的目标行人图像，将其与其他摄像头拍摄的大量行人图像进行匹配，找到相似性最高或特征距离最小的行人图像，从而实现目标行人的再识别，然而现有技术存在以下缺陷：
1、准确率低
传统方法一方面使用模型的拟合效果不佳，造成准确率较低；另一方面没有对拍摄的图像质量进行筛选，导致数据集中图像质量不佳，识别结果自然也会受到影响；
2、计算量大
传统方法对其他摄像头拍摄的大量行人图像没有进行较好的提前筛选，导致计算过程中需要计算对比的其他行人图像数目太多，计算量很大，实时性无法得到保证。
发明内容
本发明的目的在于：为了解决现有的行人重识别方法的准确率低的问题，本发明提供一种行人重识别实现方法，通过行人检测和追踪、AlignedReid行人重识别模型等技术实现跨摄像头的自动行人重识别，提升识别准确率。
本发明为了实现上述目的具体采用以下技术方案：
一种行人重识别实现方法，本方法基于按照一定的方式排列的摄像头C1、C2、C3、…、CN，上述摄像头视角基本不同或者重合度很小，设当前行人出现在摄像头C1某一时段T1的视频录像中，并保持行进状态，所述行人重识别实现方法包括如下步骤：
S1、指定行人：在摄像头C1的时段T1的视频画面内，指定行人H1；
S2、产生bounding box1序列，加入probe数据集：对摄像头C1中时段T1内的行人H1轨迹进行跟踪，记录行人H1的行走方向和速度，产生行人H1的bounding box1序列，并对bounding box1序列进行筛选，将筛选后的bounding box1序列加入probe数据集，记为P1；
S3：人脸检测：对筛选后的bounding box1序列进行人脸检测，将检测结果加入probe数据集，记为P2；
S4：估算位置，产生bounding box2序列：根据行人H1的行走方向和速度，使用时空搜索算法依次选择其他摄像头并计算行人H1出现在其中的估算时段，分别对其他各摄像头的各估算时段的视频画面进行行人检测，产生包含所有候选人的bounding box2序列，并对bounding box2序列进行筛选，将筛选后的bounding box2序列加入候选人图片集B；
S5：缩小候选人图片集B：通过ReID算法，使用P1对候选人图片集B进行评估，按照置信度从大到小进行排序，返回前K个置信度的候选人；
S6：轨迹跟踪：对于所述前K个候选人分别在对应摄像头视频画面中进行轨迹跟踪，产生K组bounding box序列，加入gallery数据集中，记为G1；
S7：人脸检测：在K组bounding box序列中检测人脸，将检测到的人脸加入gallery数据集中，记为G2；
S8：调整置信度，行人重识别：通过ReID算法，使用P1对G1进行评估，再通过行人重识别模型对候选人置信度进行调整，得到行人重识别置信度；通过人脸识别算法，使用P2对G2进行评估，得到人脸识别置信度；通过行人重识别置信度和人脸识别置信度进行综合决策，判断boundingbox2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别。
进一步的，所述bounding box1序列为能够框住人体最小的图片的序列。
进一步的，所述对bounding box1序列或者bounding box2序列进行筛选具体为：
S2.1、第一次筛选：筛去bounding box1序列或bounding box2序列中宽度或高度小于40像素以及宽高比在0.8～1.2范围内的图片；
S2.2：第二次筛选：使用行人检测技术筛去没有行人或者多余一个行人的图片。
进一步的，所述S8具体为：
S8.1、行人重识别：通过ReID算法，使用P1对G1的行人进行评估，按照置信度从大到小进行排序，返回前L个候选人及其置信度；
S8.2、调整置信度：将上述L个候选人再次单独带入行人重识别模型，每一个候选人再得到各自的L个相似行人，若这L个相似行人中包含了行人H1，则提高该相似行人的置信度；
S8.3、人脸识别：通过人脸识别算法，使用P2对G2中的人脸进行评估，按照置信度从大到小进行排序，返回前M个候选人及其置信度；
S8.4、判定识别结果：通过行人重识别置信度和人脸识别置信度进行综合决策，判断bounding box2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别。
进一步的，所述行人重识别模型为AlignedReid行人重识别模型，并且使用focalloss来替换AlignedReid网络中使用的cross entropy loss。
本发明的有益效果如下：
1、本发明使用动态的probe数据集代替单一的probe，将probe数据集中的所有图像都带入行人重识别模型，从而避免了单一probe预测所带来的结果偶然性较大的问题；同时probe数据集在重识别过程中将动态增加不断丰富，使得本方法的预测命中率也有较大提升。
2、本发明在probe数据集找到满足一定条件的人脸进行人脸识别，并联合人脸识别结果与行人重识别结果，一方面提升了行人重识别的准确率，另一方面扩展了行人重识别结果，成为很好的补充。
3、本发明跟踪产生的bounding box并不都是符合要求的，本发明在生成boundingbox时合理地限制了其分辨率和宽高比范围，并使用行人检测技术将其bounding box中的行人数量限制为1人，因此在本方法保证了各类数据中bounding box的质量，为系统准确性奠定基础。
4、本发明中产生bounding box是在真实场景下采用检测+跟踪方式采集到的，存在数据分布不均衡问题，本发明使用focal loss来替换AlignedReid网络中使用的crossentropy loss，让易于预测的类别对loss贡献降低、难以预测的类别对loss的贡献增加，引导网络着重去学习不易预测的类别。
附图说明
图1是本发明的方法流程图。
图2是本发明AlignedReid网络模型示意图。
图3是本发明probe数据集的产生示意图。
图4是本发明构造gallery数据集的示意图。
图5是本发明轨迹跟踪的示意图。
图6是本发明行人重识别的示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1到图6所示，本实施例提供一种行人重识别实现方法，本方法基于按照一定的方式排列的摄像头C1、C2、C3、…、CN，上述摄像头视角基本不同或者重合度很小，设当前行人出现在摄像头C1某一时段T1的视频录像中，并保持行进状态，本实施例中行人重识别模型为AlignedReid行人重识别模型，并且使用focal loss来替换AlignedReid网络中使用的cross entropy loss，所述行人重识别实现方法包括如下步骤：
S1、指定行人：在摄像头C1的时段T1的视频画面内，指定行人H1；
S2、产生bounding box1序列，加入probe数据集：对摄像头C1中时段T1内的行人H1轨迹进行跟踪，记录行人H1的行走方向和速度，产生行人H1的bounding box1序列，并对bounding box1序列进行筛选，将筛选后的bounding box1序列加入probe数据集，记为P1，所述bounding box1序列为能够框住人体最小的图片的序列；
S3：人脸检测：对筛选后的bounding box1序列进行人脸检测，将检测结果加入probe数据集，记为P2；
S4：估算位置，产生bounding box2序列：根据行人H1的行走方向和速度，使用时空搜索算法从其他摄像头估算行人H1可能出现在其中的时段T2、T3、…、TN，分别对其他各摄像头的各估算时段的视频画面进行行人检测，产生包含所有候选人H2、H3、…、HM的bounding box2序列，由于每一时段的行人检测都会产生多个候选人，因此M值大于N值，并对bounding box2序列进行筛选，将筛选后的bounding box2序列加入候选人图片集B；
S5：缩小候选人图片集B：通过算法，使用P1对候选人图片集B进行评估，按照置信度从大到小进行排序，返回前K个置信度的候选人；
S6：轨迹跟踪：对于所述前K个候选人分别在对应摄像头视频画面中进行轨迹跟踪，产生K个bounding box序列，加入gallery数据集中，记为G1；
S7：人脸检测：在K组bounding box序列中检测人脸，将检测到的人脸加入gallery数据集中，记为G2；
S8：调整置信度，行人重识别：通过ReID算法，使用P1对G1进行评估，再通过行人重识别模型对候选人置信度进行调整，得到行人重识别置信度；通过人脸识别算法，使用P2对G2进行评估，得到人脸识别置信度；通过行人重识别置信度和人脸识别置信度进行综合决策，判断boundingbox2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别。
实施例2
本实施例在实施例1的基础之上进一步优化，具体是，所述对bounding box1序列或者boundingbox2序列进行筛选具体为：
S2.1、第一次筛选：筛去bounding box1序列或bounding box2序列中宽度或高度小于40像素以及宽高比在0.8～1.2范围内的图片；
S2.2：第二次筛选：使用行人检测技术筛去没有行人或者多余一个行人的图片。
实施例3
本实施例在实施例2的基础之上进一步优化，具体是，所述S8具体为：
S8.1、行人重识别：通过ReID算法，使用P1对G1的行人进行评估，按照置信度从大到小进行排序，返回前L个候选人及其置信度；
S8.2、调整置信度：将上述L个候选人再次单独带入行人重识别模型，每一个候选人再得到各自的L个相似行人，若这L个相似行人中包含了行人H1，则提高该相似行人的置信度；
S8.3、人脸识别：通过人脸识别算法，使用P2对G2中的人脸进行评估，按照置信度从大到小进行排序，返回前M个候选人及其置信度；
S8.4、判定识别结果：通过行人重识别置信度和人脸识别置信度进行综合决策，判断boundingbox2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2；
S8.5：重复执行S8.2至S8.3完成的行人H1从摄像头C1到摄像头C3的重识别过程，然后执行摄像头C3到其他摄像头的重识别过程，但此过程与上述过程不同的是使用ReID算法时，是使用经过扩展的P1对gallery数据集中的候选行人进行评估，直至行人H1离开所有摄像头的视野范围，即完成行人重识别。
实施例4
本实施例在实施例1的基础之上进一步优化，具体是：
所述S4中时空搜索算法包括如下步骤：
步骤一、建立时空模型：对定位空间内摄像头部署区域进行室内外场景综合建模和场景内摄像头建模，使系统具备完整的行人感知和路径规划能力；
步骤二、获取行人轨迹：设行人H1在起始摄像头画面中被指定，获取指定行人H1在起始摄像头画面中的行走轨迹；
步骤三、选择关联摄像头：指定行人H1从起始摄像头画面走出后出现在下一个摄像头画面中，设该下一个摄像头为关联摄像头，针对指定行人H1的不同行进路线，通过不同的策略对关联摄像头进行选择；
步骤四、指定行人路径规划：对指定行人H1从起始摄像头到所选择的每一关联摄像头的路程进行路径规划；
步骤五、计算行走用时：计算指定行人H1在步骤四规划的每一路径中行走所用的时间，从而分别对其他各摄像头的各估算时段的视频画面进行行人检测。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (5)

1.一种行人重识别实现方法，基于按照一定的方式排列的摄像头C1、C2、C3、…、CN，上述摄像头视角不同，设当前行人出现在摄像头C1某一时段T1的视频录像中，并保持行进状态，其特征在于，包括如下步骤：
S1、指定行人：在摄像头C1的时段T1的视频画面内，指定行人H1；
S2、产生bounding box1序列，加入probe数据集：对摄像头C1中时段T1内的行人H1轨迹进行跟踪，记录行人H1的行走方向和速度，产生行人H1的bounding box1序列，并对bounding box1序列进行筛选，将筛选后的bounding box1序列加入probe数据集，记为P1；
S3：人脸检测：对筛选后的bounding box1序列进行人脸检测，将检测结果加入probe数据集，记为P2；
S4：估算位置，产生bounding box2序列：根据行人H1的行走方向和速度，使用时空搜索算法依次选择其他摄像头并计算行人H1出现在其中的估算时段，分别对其他各摄像头的各估算时段的视频画面进行行人检测，产生包含所有候选人的bounding box2序列，并对bounding box2序列进行筛选，将筛选后的bounding box2序列加入候选人图片集B；
S5：缩小候选人图片集B：通过ReID算法，使用P1对候选人图片集B进行评估，按照置信度从大到小进行排序，返回前K个置信度的候选人；
S6：轨迹跟踪：对于所述前K个候选人分别在对应摄像头视频画面中进行轨迹跟踪，产生K组bounding box序列，加入gallery数据集中，记为G1；
S7：人脸检测：在K组bounding box序列中检测人脸，将检测到的人脸加入gallery数据集中，记为G2；
S8：调整置信度，行人重识别：通过ReID算法，使用P1对G1进行评估，再通过行人重识别模型对候选人置信度进行调整，得到行人重识别置信度；通过人脸识别算法，使用P2对G2进行评估，得到人脸识别置信度；通过行人重识别置信度和人脸识别置信度进行综合决策，判断bounding box2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别。
2.根据权利要求1所述的一种行人重识别实现方法，其特征在于，所述bounding box1序列为能够框住人体最小的图片的序列。
3.根据权利要求1所述的一种行人重识别实现方法，其特征在于，所述对boundingbox1序列或者bounding box2序列进行筛选具体为：
S2.1、第一次筛选：筛去bounding box1序列或bounding box2序列中宽度或高度小于40像素以及宽高比在0.8～1.2范围内的图片；
S2.2：第二次筛选：使用行人检测技术筛去没有行人或者多余一个行人的图片。
4.根据权利要求1所述的一种行人重识别实现方法，其特征在于，所述S8具体为：
S8.1、行人重识别：通过ReID算法，使用P1对G1的行人进行评估，按照置信度从大到小进行排序，返回前L个候选人及其置信度；
S8.2、调整置信度：将上述L个候选人再次单独带入行人重识别模型，每一个候选人再得到各自的L个相似行人，若这L个相似行人中包含了行人H1，则提高该相似行人的置信度；
S8.3、人脸识别：通过人脸识别算法，使用P2对G2中的人脸进行评估，按照置信度从大到小进行排序，返回前M个候选人及其置信度；
S8.4、判定识别结果：通过行人重识别置信度和人脸识别置信度进行综合决策，判断bounding box2序列中的行人是否为行人H1，若是则将该行人对应的bounding box序列加入P1，该行人对应的人脸加入P2，完成行人重识别。
5.根据权利要求1所述的所述的一种行人重识别实现方法，其特征在于，所述行人重识别模型为AlignedReid行人重识别模型，并且使用focal loss来替换AlignedReid网络中使用的cross entropy loss。
CN201811447690.XA 2018-11-29 2018-11-29 一种行人重识别实现方法 Active CN109583373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811447690.XA CN109583373B (zh) 2018-11-29 2018-11-29 一种行人重识别实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811447690.XA CN109583373B (zh) 2018-11-29 2018-11-29 一种行人重识别实现方法

Publications (2)

Publication Number Publication Date
CN109583373A true CN109583373A (zh) 2019-04-05
CN109583373B CN109583373B (zh) 2022-08-19

Family

ID=65925376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811447690.XA Active CN109583373B (zh) 2018-11-29 2018-11-29 一种行人重识别实现方法

Country Status (1)

Country Link
CN (1) CN109583373B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991413A (zh) * 2019-12-20 2020-04-10 西南交通大学 一种基于ReID的跑步检测方法
CN111709974A (zh) * 2020-06-22 2020-09-25 苏宁云计算有限公司 基于rgb-d图像的人体跟踪方法及装置
CN112257628A (zh) * 2020-10-29 2021-01-22 厦门理工学院 一种户外比赛运动员的身份识别方法、装置及设备
CN112733719A (zh) * 2021-01-11 2021-04-30 西南交通大学 一种融合人脸及人体特征的跨境行人轨迹检测方法
CN112989896A (zh) * 2019-12-18 2021-06-18 广东毓秀科技有限公司 跨镜头追踪方法
CN113536846A (zh) * 2020-04-17 2021-10-22 无锡锦铖人工智能科技有限公司 一种跨摄像头人员追踪智能分析系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110116684A1 (en) * 2007-12-21 2011-05-19 Coffman Thayne R System and method for visually tracking with occlusions
CN105122790A (zh) * 2012-11-12 2015-12-02 奥布隆工业有限公司 具有姿势控制以及多个客户端装置、显示器和用户的操作环境
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
CN105740758A (zh) * 2015-12-31 2016-07-06 上海极链网络科技有限公司 基于深度学习的互联网视频人脸识别方法
CN108021848A (zh) * 2016-11-03 2018-05-11 浙江宇视科技有限公司 客流量统计方法及装置
CN108769598A (zh) * 2018-06-08 2018-11-06 复旦大学 基于行人重识别的跨摄像头视频浓缩方法
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110116684A1 (en) * 2007-12-21 2011-05-19 Coffman Thayne R System and method for visually tracking with occlusions
CN105122790A (zh) * 2012-11-12 2015-12-02 奥布隆工业有限公司 具有姿势控制以及多个客户端装置、显示器和用户的操作环境
CN105740758A (zh) * 2015-12-31 2016-07-06 上海极链网络科技有限公司 基于深度学习的互联网视频人脸识别方法
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
CN108021848A (zh) * 2016-11-03 2018-05-11 浙江宇视科技有限公司 客流量统计方法及装置
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
CN108769598A (zh) * 2018-06-08 2018-11-06 复旦大学 基于行人重识别的跨摄像头视频浓缩方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
D FIGUEIRA等: "The HDA+ data set for research on fully automated re-identification systems", 《EUROPEAN CONFERENCE ON COMPUTER VISION. SPRINGER》 *
唐聪等: "基于深度学习物体检测的视觉跟踪方法", 《红外与激光工程》 *
李姣等: "多置信度重排序的行人再识别算法", 《模式识别与人工智能》 *
闵召阳等: "基于深度学习的目标抗干扰跟踪算法", 《红外技术》 *
陈俊辉: "基于Real AdaBoost和WMIL的人脸检测与跟踪", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989896A (zh) * 2019-12-18 2021-06-18 广东毓秀科技有限公司 跨镜头追踪方法
CN110991413A (zh) * 2019-12-20 2020-04-10 西南交通大学 一种基于ReID的跑步检测方法
CN113536846A (zh) * 2020-04-17 2021-10-22 无锡锦铖人工智能科技有限公司 一种跨摄像头人员追踪智能分析系统
CN113536846B (zh) * 2020-04-17 2023-08-15 平湖神州博海科技有限公司 一种跨摄像头人员追踪智能分析系统
CN111709974A (zh) * 2020-06-22 2020-09-25 苏宁云计算有限公司 基于rgb-d图像的人体跟踪方法及装置
CN111709974B (zh) * 2020-06-22 2022-08-02 苏宁云计算有限公司 基于rgb-d图像的人体跟踪方法及装置
CN112257628A (zh) * 2020-10-29 2021-01-22 厦门理工学院 一种户外比赛运动员的身份识别方法、装置及设备
CN112733719A (zh) * 2021-01-11 2021-04-30 西南交通大学 一种融合人脸及人体特征的跨境行人轨迹检测方法

Also Published As

Publication number Publication date
CN109583373B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN109583373A (zh) 一种行人重识别实现方法
CN109190508B (zh) 一种基于空间坐标系的多摄像头数据融合方法
JP4881766B2 (ja) カメラ間連結関係情報生成装置
JP5001260B2 (ja) オブジェクト追跡方法及びオブジェクト追跡装置
CN109934176A (zh) 行人识别系统、识别方法及计算机可读存储介质
TWI492188B (zh) 利用多攝影機自動偵測與追蹤多目標的方法及系統
CN101639354B (zh) 对象跟踪的设备和方法
CN110399808A (zh) 一种基于多目标跟踪的人体行为识别方法及系统
CN107705324A (zh) 一种基于机器学习的视频目标检测方法
CN103905727B (zh) 被摄体区域跟踪设备及其控制方法
US20110025834A1 (en) Method and apparatus of identifying human body posture
CN104517095B (zh) 一种基于深度图像的人头分割方法
CN109359552A (zh) 一种高效的跨摄像头行人双向跟踪方法
CN108764167A (zh) 一种时空关联的目标重识别方法和系统
CN109598242A (zh) 一种新型的活体检测方法
CN109784130A (zh) 行人重识别方法及其装置和设备
CN110874583A (zh) 一种客流统计的方法、装置、存储介质及电子设备
CN108549852A (zh) 基于深度网络增强的特定场景下行人检测器自动学习方法
CN107862240A (zh) 一种多摄像头协同的人脸追踪方法
CN109684494A (zh) 一种景区寻人方法、系统及云端服务器
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN113627497B (zh) 一种基于时空约束的跨摄像头行人轨迹匹配方法
CN109977796A (zh) 尾随通行检测方法及装置
JP6893812B2 (ja) 物体検出装置
Panagiotakis et al. Shape-motion based athlete tracking for multilevel action recognition

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