CN109740516B - 一种用户识别方法、装置、电子设备及存储介质 - Google Patents
一种用户识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109740516B CN109740516B CN201811641756.9A CN201811641756A CN109740516B CN 109740516 B CN109740516 B CN 109740516B CN 201811641756 A CN201811641756 A CN 201811641756A CN 109740516 B CN109740516 B CN 109740516B
- Authority
- CN
- China
- Prior art keywords
- human body
- information
- body frame
- frame
- human
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种用户识别方法、装置、电子设备及存储介质,其中,所述方法包括:从采集的每张图片中提取出每张图片所包含的人体框和人脸框;从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。采用本公开实施例可以准确地识别出目标用户。
Description
技术领域
本公开涉及信息处理技术领域,尤其涉及一种用户识别方法及装置、电子设备及存储介质。
背景技术
将图像采集用于监控的场景,包括在出入境口岸、火车站、机场大厅等处对目标用户进行抓拍。在这些人流密集的情况下,有极大部分的图片都是多人脸多人体的,如何确定人脸是否属于对应的人体以准确识别出目标用户是要解决的技术问题。
然而,采用相关技术只能解决简单场景中的目标用户识别,对于复杂场景,如上述人流密集的各种场景,又如人脸遮挡多的场景、或者人处于背面不能采集到人脸等场景,无法准确识别出目标用户。
发明内容
本公开提出了一种用户处理技术方案。
根据本公开的第一方面,提供了一种用户识别方法,所述方法包括:
从采集的每张图片中提取出每张图片所包含的人体框和人脸框;
从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;
根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;
根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
在可能的实现方式中,从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置,包括:
将所述人体框输入深度回归网络,得到所述头部中心点的位置;
所述深度回归网络,根据特征训练集进行深度学习得到。
在可能的实现方式中,根据所述距离信息得到人体框和人脸框相匹配的关联结果,包括:
在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果。
在可能的实现方式中,在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果,包括:
获取与所述小于第一阈值的距离信息所对应的多个人体框和多个人脸框;所述第一阈值通过一人脸框的大小得到;
对所述多个人体框和所述多个人脸框,根据所述头部中心点的位置和所述人脸框中心点位置进行权重处理,得到多个权重值;
根据所述多个权重值进行带权重的二分图匹配,得到所述关联结果。
在可能的实现方式中,所述方法还包括:
在根据图片特征提取要求得到的人体框与预设配置不符的情况下,将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框。
在可能的实现方式中,所述方法还包括:
对所述人体框和所述人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值;
删除所述第一特征值,保留所述第二特征值。
在可能的实现方式中,所述方法还包括:
对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征;
将所述浅层特征和所述高层特征进行特征信息的融合处理。
在可能的实现方式中,所述方法还包括:
识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
根据所述定位信息检索得到所述目标用户在多个活动场景的活动信息。
在可能的实现方式中,所述方法还包括:
识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
收集所述目标用户在多个活动场景的多个定位信息;
根据所述多个定位信息还原出目标用户活动的轨迹信息。
根据本公开的第二方面,提供了一种用户识别装置,所述装置包括:
采集模块,用于从采集的每张图片中提取出每张图片所包含的人体框和人脸框;
提取模块,用于从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;
比对模块,用于根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;
关联处理模块,用于根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
在可能的实现方式中,所述提取模块,进一步用于:
将所述人体框输入深度回归网络,得到所述头部中心点的位置;
所述深度回归网络,根据特征训练集进行深度学习得到。
在可能的实现方式中,所述关联处理模块,进一步用于:
在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果。
在可能的实现方式中,所述关联处理模块,进一步用于:
获取与所述小于第一阈值的距离信息所对应的多个人体框和多个人脸框;所述第一阈值通过一人脸框的大小得到;
对所述多个人体框和所述多个人脸框,根据所述头部中心点的位置和所述人脸框中心点位置进行权重处理,得到多个权重值;
根据所述多个权重值进行带权重的二分图匹配,得到所述关联结果。
在可能的实现方式中,所述装置还包括:
更新模块,用于在根据图片特征提取要求得到的人体框与预设配置不符的情况下,将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框。
在可能的实现方式中,所述装置还包括:
信息识别模块,用于对所述人体框和所述人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值;
特征值处理模块,用于删除所述第一特征值,保留所述第二特征值。
在可能的实现方式中,所述装置还包括:
特征识别模块,用于对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征;
特征融合模块,用于将所述浅层特征和所述高层特征进行特征信息的融合处理。
在可能的实现方式中,所述装置还包括:
定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
检索模块,用于根据所述定位信息检索得到所述目标用户在多个活动场景的活动信息。
在可能的实现方式中,所述装置还包括:
定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
收集模块,用于收集所述目标用户在多个活动场景的多个定位信息;
轨迹还原模块,用于根据所述多个定位信息还原出目标用户活动的轨迹信息。
根据本公开的第三方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述任意一项所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现上述任意一项所述的方法。
在本公开实施例中,通过从采集的每张图片中提取出每张图片所包含的人体框和人脸框;从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。采用本公开实施例,由于能在人体框和人脸框间建立相匹配的关联结果,从而可以确定某张脸是否对应同一个目标用户,对于人流密集的各种场景,又如人脸遮挡多的场景、或者人处于背面不能采集到人脸等场景,都可以准确识别出目标用户。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的用户识别方法的流程图。
图2示出根据本公开实施例的图像采集场景的示意图。
图3示出根据本公开实施例的头部中心点的位置与人脸框的相对位置关系示意图。
图4示出根据本公开实施例的特征提取流程图。
图5示出根据本公开实施例的关联结果进行筛选优化的流程图。
图6示出根据本公开实施例用户识别装置的模块组成示意图。
图7示出根据本公开实施例用户识别装置的模块组成示意图。
图8示出根据本公开实施例的用户识别装置的框图。
图9示出根据本公开实施例的用户识别装置的框图。
图10示出根据本公开实施例的监控装置的框图。
图11示出根据本公开实施例的电子设备的框图。
图12示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在多种实际抓拍场景中要用到人脸与人体的匹配,如出入境口岸、火车站、机场大厅等,有极大部分的图片都是多人脸和多人体的,而这些场景常常也是公安所关注的重点区域。如何确定一个人脸是否属于该人体,是识别目标用户的关键点。相关技术中,一般通过人脸框和人体框之间的交并比来决定匹配,但这种方式没有考虑图像自身的语义信息,只能应对简单的场景(如图像中仅有一个人),显然这样识别目标用户是相对容易的。而对于人多、遮挡多、或者人处于背面时的复杂场景很难奏效。因此,需要训练算法模型并通过该模型去预测在一个图片中的某个人脸是否属于某个人体。
所述交并比指:两个框重叠部分的面积比上两个框合并起来的面积。
所述语义信息指:图像的高层特征,如图像中的物体是人还是车,人是大人还是小孩,车是卡车还是轿车等等。
一种情况下,当图像中仅有一个人,且人头接近中央时,通过模型去预测在一个图片中的某个人脸是否属于某个人体是比较容易实现的,一个示例中,抓拍图像中若为单人,则提取身体特征(如人体特征)及面部特征(如人脸特征)后,将人脸与人体特征二者进行关联较为容易。另一种情况下,当图片中人数众多时,若应用这种人脸与人体特征的关联,通常难以使用这个关联去检索到正确的结果,因为,在当前的复杂场景中人脸位置不确定,且可能有较多人脸和人体存在,从而影响到最终的目标用户识别结果。也就是说,通过模型去预测在一个图片中的某个人脸是否属于某个人体就会变得非常困难。若图片中的人体比较明显,且接近图片中央,预测的准确率相对较高,但是当人体靠近图像边缘时,预测的准确度将会有所降低。
需要采用更多的训练数据去训练模型以适应上述各种场景,保证在各种场景下,比如图像中仅有一个人的简单场景,或者人多、遮挡多、或者人处于背面时的复杂场景中对于目标用户的识别(图片中的某个人脸是否属于某个人体)均可以有较高的准确率。
图1示出根据本公开实施例的用户识别方法的流程图,该用户识别方法应用于图像处理装置,例如,图像处理装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该流程包括:
步骤S101、从采集的每张图片中提取出每张图片所包含的人体框和人脸框。
一个示例如图2所示,图2为图像采集场景的示意图,在该示例中,通过图像处理装置31对人流密集区域11中的多个用户,如用户21-用户28进行图像采集,得到多张图片。需要指出的是,用户的个数仅用于描述本公开实施例的实际采集场景,并不限制用户的个数。用户21-用户28中包括背对图像处理装置31的用户,如用户25,也就是说,对该用户25的采集结果只有“背面”,没有“人脸”,这增加了用户人脸与人体匹配的难度,很难定位出该“背面”属于哪个用户。采用本公开实施例对这种“背面”的特殊情况也能很好的实现人脸与人体的匹配,从而准确识别出该用户为用户25,这里不做赘述。
在上述多张图片中,通过图像处理装置31提取出每张图片所包含的人体框和人脸框,如第一存储模块32用于存储所采集的人体框,第二存储模块33用于存储所采集的人脸框。
用户人脸与人体匹配的难度从图2中就可以直观看出:如用户人脸框中的人脸331,与用户人体框中的人体321、人体322、人体323都可能存在匹配关系。即便不是“背面”的特殊情况,用户人脸与人体匹配的难度也不低。
步骤S102、从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置。
在一种可能的实现方式中,可以将人体框输入深度回归网络,进行头部中心点的位置回归处理,得到头部中心点的位置。所述深度回归网络,根据已有特征训练集(如人体框和人脸框)进行深度学习得到
步骤S103、根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息。
在一种可能的实现方式中,可以根据用于表征人体框中头部中心点的位置和人脸框的比对,得到头部中心点的位置距离人脸框中心点位置的距离信息。一个示例如图3所示,图3为头部中心点的位置与人脸框的相对位置关系示意图。在该示例中,标识41、标识43、标识44表示多个人体框,标识42表示人脸框。其中,各个用户对应的头部中心点分别以D1、D3、D4表示,人脸框的中心点以D2表示。可以根据头部中心点D1、头部中心点D3、头部中心点D4分别与人脸框的中心点D2的运算得到“各个用户对应的头部中心点”相对“人脸框的中心点”位置的距离信息。
步骤S104、根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
在一种可能的实现方式中,在距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到人脸与人体特征相匹配的关联结果。在图3所示的示例中,用户322的头部中心点距离人脸框的中心点相对于其他用户(用户321和用户323)更近,为距离信息小于第一阈值的情况,因此,可以将人体框41与人脸框42进行匹配,则人脸331与用户322的人体特征是匹配的,也就是说,人脸331很大程度上属于用户322,得到人脸331与用户322的人体特征相匹配的关联结果。
在一种可能的实现方式中,除了可以根据关联结果对目标用户进行识别,还可以将关联结果用于检索处理。比如,一种情况:识别出目标用户后,对目标用户进行定位,得到定位信息,根据定位信息检索得到目标用户在多个活动场景的活动信息。换言之,通过运行于图像处理装置的处理逻辑(由上面步骤S101-S104构成的处理逻辑),对无效的人脸模糊抓拍图后,使用该处理逻辑(一种实现形式可以为深度学习模型)进行处理,输出人脸人体关联的特征(即上述关联结果),从而识别并定位到目标用户。另一种情况:识别出目标用户后,对目标用户进行定位,得到定位信息。收集目标用户在多个活动场景(如出入境口岸、火车站、机场大厅、超市等)的多个定位信息,根据多个定位信息还原出目标用户活动的轨迹信息。利用输出人脸人体关联的特征(即上述关联结果)对目标人物进行检索,从而输出关于目标人物更多的轨迹信息以辅助研判,得到用户丰富的轨迹信息,尤其适用于公安部门对目标人物的监控。在当前人脸识别为公安行业用户提供了大量线索的情况下,会期望系统能够更高效的利用抓拍到的所有图片,而实际应用中有很多抓拍图像的人脸是不清晰的,更由于现在犯罪分子有较强的反侦察能力,会刻意使用遮盖物来对脸部进行遮挡。这时候用户研判案发现场通常没有太多有效线索。针对这种情况,可以使用本公开实施例将人脸与人体特征进行关联,通过其人体属性扩大视频源范围来获取大量抓拍,即使目标人物脸部被遮挡,也可以将人头与人体中心点进行关联,多次优化后得到关联的最优解,利用这个最优解去搜索更多相关的图像,在大范围的视频抓拍中找到与目标人体对应的最优图片,利用图片进行检索得到目标人物的丰富轨迹。
在一种可能的实现方式中,图4示出根据本公开实施例的特征提取流程图,提取出每张图片所包含的人体框和人脸框,如图4所示,该流程包括:
步骤S201、根据所配置的第一特征提取要求,从每张图片中提取出人体框。
在一种可能的实现方式中,第一特征提取要求包括:如针对人体框所对应提取框的大小,所提取图片的像素和/或清晰度要求等。
步骤S202、根据所配置的第二特征提取要求,从所述每张图片中提取出人脸框。
在一种可能的实现方式中,第二特征提取要求包括:如针对人脸框所对应提取框的大小,所提取图片的像素和/或清晰度要求等。
需要指出的是,人体框为N个,人脸框为M个,N和M均为大于2的正整数,包括N=M、N>M和N<M三种情况。即人体框和人脸框二者的数量可以匹配或者不匹配,是否匹配都不影响应用本公开实施例的匹配关联处理,本公开实施例除了适应简单场景(图片中只有一个人,和/或头部位于图片中心),也适应于背身采集不到人脸、多人遮挡,及人流量大等复杂场景。
在一种可能的实现方式中,根据所述距离信息得到人体框和人脸框相匹配的关联结果,包括:在距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到关联结果。这说明人体框和人脸框可能匹配,为了精确要求,还可以继续根据小于第一阈值的距离信息所针对的人脸框和人体框进行权重运算,以得到二者相匹配的权重值。
图5示出根据本公开实施例的关联结果进行筛选优化的流程图,该流程包括:
步骤S301、从已有关联结果中进一步筛选的过程中,获取与小于第一阈值的距离信息所对应的X个人体框和Y个人脸框;其中,X<N,Y<M,X和Y均为大于2的正整数;所述第一阈值通过人脸框的大小得到。
步骤S302、对X个人体框和所述Y个人脸框,根据头部中心点的位置和所述面部特征中心点位置进行权重处理,得到多个权重值。
步骤S303、根据多个权重值进行带权重的二分图匹配,得到关联结果。
在一种可能的实现方式中,在根据所述第一特征提取要求得到的人体框与预设配置不符的情况下,比如,人体位于人体框的边缘,这样不好采集人体框中的人头中心位置,会使关联结果不准确。对此种情况,可以将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框,实现了人体框外扩的技术效果。更新后的人体框还可以根据第一特征提取要求重新提取后进行图片缩放处理,将图片缩放处理后的人体框运算时可以提高运算效率。
在一种可能的实现方式中,在根据所述第二特征提取要求得到的人脸框与预设配置不符的情况下,比如,人脸位于人脸框的边缘,这样不好采集人脸框中的人脸中心位置,会使关联结果不准确。对此种情况,将对应人脸框位置的位置参数调大至符合所述预设配置,得到更新后的人脸框。更新后的人脸框还可以根据所述第二特征提取要求重新提取后进行图片缩放处理,得,将图片缩放处理后的人脸框运算时可以提高运算效率。
在一种可能的实现方式中,用户识别方法还包括:对人体框和人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值。删除第一特征值,保留第二特征值。
在一种可能的实现方式中,用户识别方法还包括:对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征。将所述浅层特征和所述高层特征进行特征信息的融合处理。
一个示例如图6所示,图6示出根据本公开实施例的模块组成示意图,包括前处理模块51、深度回归网络52和匹配优化模块53。基于图6中的各个模块来实现关联结果的运算流程包括:输入多张RGB图片400到前处理模块51中,前处理模块51可以对多张RGB图片400进行预先处理,之后输出经图片处理后得到的多个人体框以及多个人脸框。将多个人体框以及多个人脸框输入深度回归网络52中,通过由关键点模型构成的该深度回归网络来实现回归运算,经回归运算后得到每一个人体框对应的头部中心点位置。将头部中心点位置输入匹配优化模块53中,判断头部中心点位置与人脸框中心点位置间的距离,在一定阈值内距离越小则权重越大,生成人体与人脸的带权二分图,取二分图最大权匹配为人脸与人体的关联结果,即得到匹配的人脸人体对410。
对于带权重的二分图来说,二分图又称作二部图,是图论中的一种特殊模型。设G=(V,E)是一个无向图,如果顶点V可分割为两个互不相交的子集(A,B),并且图中的每条边(i,j)所关联的两个顶点i和j分别属于这两个不同的顶点集(i in A,j in B),则称图G为一个二分图。
一个示例如图7所示,图7示出根据本公开实施例的模块组成示意图,包括RGB输入模块61、深度回归网络62和参数匹配模块63;RGB输入模块61用于对多张RGB图片进行预先处理后得到多个人体框以及多个人脸框。通过深度回归网络62经回归运算后得到每一个人体框对应的头部中心点位置。其中,该深度回归网络由多个卷积模块构成。通过参数匹配模块63进行每一个人体框和每一个人脸框的参数匹配处理,处理后输出由参数x和y构成的参数对(匹配的人脸人体对)。该人脸人体对即为人脸与人体的关联结果。
一、对于RGB输入模块61的处理
输入:RGB图片,检测出N个人体框和M个人脸框;
输出:N个人体框和M个人脸框,将N个人体框位置外扩,如果处于边缘位置填黑边,之后剪裁出来,缩放到H*W大小,得到N个H*W大小的图片。
二、对于深度回归网络62的处理
输入:N个H*W大小的图片;
输出:N个主体人体的人头中心点位置。
其中,深度回归网络62内部包含卷积模块和relu激活函数,卷积模块由大到小且中间有pooling层。其中,relu激活函数是一种非线性函数,其运算公式为f(x)=max(0,x),x为输入参数。在pooling层的降维处理过程中的一个示例为:100*100的图片,经降维处理变成50*50,图片的大小变小了,仅仅保留关键特征,而抛弃无用特征,以达到提高处理效率的作用。模块由小到大中间有上采样层,实现浅层特征和高层特征融合。
该深度回归网络的结构分三个小部分:1)进行主体特征编码的模块,类似ResNet神经网络架构;2)上采样特征融合模块,用于实现浅层特征(如图象的纹理颜色)和高层特征(如图象的语义信息是什么类别、或者在干什么等等)融合;3)回归主体人体人头中心点模块,用于回归每个人体框对应的主体人的头部点中心。
三、对于参数匹配模块63的处理
输入:深度神经网络回归出来的N个人体框对应的头部中心点位置、及M个人脸框;
输出:匹配上的人体人脸对。
1.计算每个头部中心点位置到每个人脸框中心点的距离;
2.结合该距离以及人脸框的大小得到该人脸框和人体框之间的权重;
3.N个人体框看成N个节点,M个人脸框看成M个节点,N个节点与M个节点两两之间有权重,将问题建模成带权重的二分图匹配问题,利用费用流模型得到最终匹配的人脸人体框对。其中节点间的权重定义如下:
人头中心点位置:ph=(hx,hy);人脸框中心点pf=(fx,fy),
权重采用公式(1)进行运算:
其中ph是人头中心点,pf是人脸中心点,pf_s是人脸的大小。
最小费用最大流模型如下所示,最小费用最大流模型用于计算带权重的二分图匹配并配以如下的约束条件。
body_V={N个人体节点},face_V={M个人脸节点},E={任意人体节点指向人脸节点的连边},G=(V=body_V U face_V,E),同时增加一个source节点s和s连到body_V中任意节点的边,和sink节点t以及face_V中任意节点连到t的边,新增加的边的cost为0,其他的边的cost为上面算好的权重w,所有边的capacity均为1。把问题建模成如下的带约束条件的最小值优化问题。
其中,用于计算带权重的二分图匹配的最小费用最大流公式如下公式(2)所示,将通过上述公式(1)得到的多个权重输入如下公式(2)进行带权重的二分图匹配运算。通过带权重的二分图匹配运算,取二分图最大权重匹配作为人脸与人体的关联结果。
实现上述最小费用最大流公式,需要满足以下约束条件:
f(u,v)≤C(u,v)
f(u,v)=-f(v,u)
a(u,v)是费用函数,f(u,v)是流量函数,在本问题中取值(0,1,-1),d=人体节点和人脸节点个数的最小值,求解算法用最小费用最大流算法求解。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了用户识别装置、监控装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种用户识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图8示出根据本公开实施例的用户识别装置的框图,如图8所示,所述用户识别装置包括:采集模块71,用于从采集的每张图片中提取出每张图片所包含的人体框和人脸框;提取模块72,用于从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;比对模块73,用于根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;关联处理模块74,用于根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
图9示出根据本公开实施例的用户识别装置的框图,如图9所示,所述用户识别装置包括:采集模块71,用于从采集的每张图片中提取出每张图片所包含的人体框和人脸框;提取模块72,用于从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;比对模块73,用于根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;关联处理模块74,用于根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。以及更新模块75,用于在根据图片特征提取要求得到的人体框与预设配置不符的情况下,将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框。更新后的人体框还可以根据所述第一特征提取要求重新提取后进行图片缩放处理。
人体框为N个,人脸框为M个,N和M均为大于2的正整数,包括N=M、N>M和N<M三种情况。即人体框和人脸框二者的数量可以匹配或者不匹配,是否匹配都不影响应用本公开实施例的匹配关联处理,本公开实施例除了适应简单场景(图片中只有一个人,和/或头部位于图片中心),也适应于背身采集不到人脸、多人遮挡,及人流量大等复杂场景。
在一种可能的实现方式中,所述提取模块,进一步用于:将所述人体框输入深度回归网络,得到所述头部中心点的位置。所述深度回归网络,根据特征训练集进行深度学习得到。
在一种可能的实现方式中,所述关联处理模块,进一步用于:在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果。
在一种可能的实现方式中,所述关联处理模块,进一步用于:获取与所述小于第一阈值的距离信息所对应的X个人体框和Y个人脸框;其中,X<N,Y<M,X和Y均为大于2的正整数;所述第一阈值通过一人脸框的大小得到;对所述X个人体框和所述Y个人脸框,根据所述头部中心点的位置和所述面部特征中心点位置进行权重处理,得到多个权重值;根据所述多个权重值进行带权重的二分图匹配,得到所述关联结果。
在一种可能的实现方式中,所述用户识别装置还包括:信息识别模块,用于对所述人体框和所述人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值;特征值处理模块,用于删除所述第一特征值,保留所述第二特征值。
在一种可能的实现方式中,所述用户识别装置还包括:特征识别模块,用于对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征;特征融合模块,用于将所述浅层特征和所述高层特征进行特征信息的融合处理。
在一种可能的实现方式中,所述用户识别装置还包括:定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;检索模块,用于根据所述定位信息检索得到所述目标用户在多个活动场景的活动信息。
在一种可能的实现方式中,所述用户识别装置还包括:定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;收集模块,用于收集所述目标用户在多个活动场景的多个定位信息;轨迹还原模块,用于根据所述多个定位信息还原出目标用户活动的轨迹信息。
图10示出根据本公开实施例的监控装置300,监控装置300包括:摄像头3001,用于采集至少两张图片;信号处理器3002,用于将所述至少两张图片转换为图像信号;监控识别处理器3003,用于根据所述图像信号执行上述任意一项所述的方法。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图11,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图12,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种用户识别方法,其特征在于,所述方法包括:
从采集的每张图片中提取出每张图片所包含的人体框和人脸框;
将所述人体框输入深度回归网络,从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;
根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;
根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
2.根据权利要求1所述的方法,其特征在于,所述深度回归网络,根据特征训练集进行深度学习得到。
3.根据权利要求1所述的方法,其特征在于,根据所述距离信息得到人体框和人脸框相匹配的关联结果,包括:
在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果。
4.根据权利要求3所述的方法,其特征在于,在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果,包括:
获取与所述小于第一阈值的距离信息所对应的多个人体框和多个人脸框;所述第一阈值通过一人脸框的大小得到;
对所述多个人体框和所述多个人脸框,根据所述头部中心点的位置和所述人脸框中心点位置进行权重处理,得到多个权重值;
根据所述多个权重值进行带权重的二分图匹配,得到所述关联结果。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
在根据图片特征提取要求得到的人体框与预设配置不符的情况下,将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
对所述人体框和所述人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值;
删除所述第一特征值,保留所述第二特征值。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征;
将所述浅层特征和所述高层特征进行特征信息的融合处理。
8.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
根据所述定位信息检索得到所述目标用户在多个活动场景的活动信息。
9.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
收集所述目标用户在多个活动场景的多个定位信息;
根据所述多个定位信息还原出目标用户活动的轨迹信息。
10.一种用户识别装置,其特征在于,所述装置包括:
采集模块,用于从采集的每张图片中提取出每张图片所包含的人体框和人脸框;
提取模块,用于将所述人体框输入深度回归网络,从所述人体框中提取出第一参数,所述第一参数用于表征人体框中头部中心点的位置;
比对模块,用于根据所述第一参数和所述人脸框的比对,得到所述头部中心点的位置距离人脸框中心点位置的距离信息;
关联处理模块,用于根据所述距离信息得到人体框和人脸框相匹配的关联结果,根据所述关联结果对目标用户进行识别。
11.根据权利要求10所述的装置,其特征在于,所述深度回归网络,根据特征训练集进行深度学习得到。
12.根据权利要求10所述的装置,其特征在于,所述关联处理模块,进一步用于:
在所述距离信息小于第一阈值的情况下,对距离信息小于第一阈值的人体框和人脸框进行匹配,得到所述关联结果。
13.根据权利要求12所述的装置,其特征在于,所述关联处理模块,进一步用于:
获取与所述小于第一阈值的距离信息所对应的多个人体框和多个人脸框;所述第一阈值通过一人脸框的大小得到;
对所述多个人体框和所述多个人脸框,根据所述头部中心点的位置和所述人脸框中心点位置进行权重处理,得到多个权重值;
根据所述多个权重值进行带权重的二分图匹配,得到所述关联结果。
14.根据权利要求10至13任一项所述的装置,其特征在于,所述装置还包括:
更新模块,用于在根据图片特征提取要求得到的人体框与预设配置不符的情况下,将对应人体框位置的位置参数调大至符合所述预设配置,得到更新后的人体框。
15.根据权利要求10至13任一项所述的装置,其特征在于,所述装置还包括:
信息识别模块,用于对所述人体框和所述人脸框中的无效信息和有效信息进行识别,得到用于表征无效信息的第一特征值和用于表征有效信息的第二特征值;
特征值处理模块,用于删除所述第一特征值,保留所述第二特征值。
16.根据权利要求10至13任一项所述的装置,其特征在于,所述装置还包括:
特征识别模块,用于对所述人体框和所述人脸框进行识别,得到用于表征人体和人脸局部细节信息的浅层特征和用于表征人体和人脸全局宽泛信息的高层特征;
特征融合模块,用于将所述浅层特征和所述高层特征进行特征信息的融合处理。
17.根据权利要求10至13任一项所述的装置,其特征在于,所述装置还包括:
定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
检索模块,用于根据所述定位信息检索得到所述目标用户在多个活动场景的活动信息。
18.根据权利要求10至13任一项所述的装置,其特征在于,所述装置还包括:
定位模块,用于识别出所述目标用户后,对所述目标用户进行定位,得到定位信息;
收集模块,用于收集所述目标用户在多个活动场景的多个定位信息;
轨迹还原模块,用于根据所述多个定位信息还原出目标用户活动的轨迹信息。
19.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至9中任意一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641756.9A CN109740516B (zh) | 2018-12-29 | 2018-12-29 | 一种用户识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641756.9A CN109740516B (zh) | 2018-12-29 | 2018-12-29 | 一种用户识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740516A CN109740516A (zh) | 2019-05-10 |
CN109740516B true CN109740516B (zh) | 2021-05-14 |
Family
ID=66362538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641756.9A Active CN109740516B (zh) | 2018-12-29 | 2018-12-29 | 一种用户识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740516B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443116B (zh) * | 2019-06-19 | 2023-06-20 | 平安科技(深圳)有限公司 | 视频行人检测方法、装置、服务器及存储介质 |
CN110298318B (zh) * | 2019-07-01 | 2023-09-29 | 北京中星微电子有限公司 | 人头人体联合检测方法、装置和电子设备 |
CN110415339B (zh) * | 2019-07-19 | 2021-07-13 | 清华大学 | 计算输入三维形体间的匹配关系的方法和装置 |
CN110427908A (zh) * | 2019-08-08 | 2019-11-08 | 北京百度网讯科技有限公司 | 一种人物检测的方法、装置及计算机可读存储介质 |
CN110427905B (zh) * | 2019-08-08 | 2023-06-20 | 北京百度网讯科技有限公司 | 行人跟踪方法、装置以及终端 |
CN110674719B (zh) * | 2019-09-18 | 2022-07-26 | 北京市商汤科技开发有限公司 | 目标对象匹配方法及装置、电子设备和存储介质 |
CN110675433A (zh) | 2019-10-31 | 2020-01-10 | 北京达佳互联信息技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN110852269B (zh) * | 2019-11-11 | 2022-05-20 | 青岛海信网络科技股份有限公司 | 一种基于特征聚类的跨镜头人像关联分析方法及装置 |
CN111222404A (zh) * | 2019-11-15 | 2020-06-02 | 北京市商汤科技开发有限公司 | 检测同行人的方法及装置、系统、电子设备和存储介质 |
CN111144215B (zh) * | 2019-11-27 | 2023-11-24 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111145215B (zh) * | 2019-12-25 | 2023-09-05 | 北京迈格威科技有限公司 | 一种目标跟踪方法及装置 |
CN111209818A (zh) * | 2019-12-30 | 2020-05-29 | 新大陆数字技术股份有限公司 | 视频个体识别方法、系统、设备及可读存储介质 |
CN111754368A (zh) * | 2020-01-17 | 2020-10-09 | 天津师范大学 | 一种高校教学评估方法及基于边缘智能的高校教学评估系统 |
CN111353473B (zh) * | 2020-03-30 | 2023-04-14 | 浙江大华技术股份有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN111439170B (zh) * | 2020-03-30 | 2021-09-17 | 上海商汤临港智能科技有限公司 | 儿童状态检测方法及装置、电子设备、存储介质 |
CN111476183A (zh) * | 2020-04-13 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 客流信息处理方法及装置 |
CN111507283B (zh) * | 2020-04-21 | 2021-11-30 | 浙江蓝鸽科技有限公司 | 基于课堂场景的学生行为识别方法及系统 |
CN111814885B (zh) * | 2020-07-10 | 2021-06-22 | 云从科技集团股份有限公司 | 一种管理图像框的方法、系统、设备及介质 |
CN112037253A (zh) * | 2020-08-07 | 2020-12-04 | 浙江大华技术股份有限公司 | 目标跟踪方法及其装置 |
CN112132041A (zh) * | 2020-09-24 | 2020-12-25 | 天津锋物科技有限公司 | 一种基于计算机视觉的社区巡更分析方法及其系统 |
CN111967455A (zh) * | 2020-10-23 | 2020-11-20 | 成都考拉悠然科技有限公司 | 一种基于计算机视觉综合判定规定着装的方法 |
CN112257660B (zh) * | 2020-11-11 | 2023-11-17 | 汇纳科技股份有限公司 | 无效客流的去除方法、系统、设备及计算机可读存储介质 |
CN112800825B (zh) * | 2020-12-10 | 2021-12-03 | 云从科技集团股份有限公司 | 基于关键点的关联方法、系统及介质 |
CN112949526B (zh) * | 2021-03-12 | 2024-03-29 | 深圳海翼智新科技有限公司 | 人脸检测方法和装置 |
CN112949568A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 人脸和人体匹配的方法及装置、电子设备和存储介质 |
CN113192048A (zh) * | 2021-05-17 | 2021-07-30 | 广州市勤思网络科技有限公司 | 一种多模态融合的人数识别统计方法 |
CN113392720A (zh) * | 2021-05-24 | 2021-09-14 | 浙江大华技术股份有限公司 | 人脸人体的关联方法、设备、电子装置和存储介质 |
CN113591785A (zh) * | 2021-08-12 | 2021-11-02 | 北京爱笔科技有限公司 | 人体部位的匹配方法、装置、设备和存储介质 |
CN113591786A (zh) * | 2021-08-12 | 2021-11-02 | 北京爱笔科技有限公司 | 人体和人脸的匹配方法、装置、设备和存储介质 |
CN113591783A (zh) * | 2021-08-12 | 2021-11-02 | 北京爱笔科技有限公司 | 人体和人脸的匹配方法、装置、设备和存储介质 |
WO2023159371A1 (zh) * | 2022-02-23 | 2023-08-31 | 京东方科技集团股份有限公司 | 流量统计方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003219396A (ja) * | 2002-01-17 | 2003-07-31 | Matsushita Electric Ind Co Ltd | 画像処理方法、画像処理装置、画像処理プログラム及び監視システム |
CN101196997A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 图像中最大人脸的跟踪装置和方法 |
CN102063607A (zh) * | 2009-11-16 | 2011-05-18 | 日电(中国)有限公司 | 一种用于采集人脸图像的方法和系统 |
CN105718887A (zh) * | 2016-01-21 | 2016-06-29 | 惠州Tcl移动通信有限公司 | 基于移动终端摄像头实现动态捕捉人脸摄像的方法及系统 |
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 |
CN106845432A (zh) * | 2017-02-07 | 2017-06-13 | 深圳市深网视界科技有限公司 | 一种人脸与人体共同检测的方法和设备 |
CN108052896A (zh) * | 2017-12-12 | 2018-05-18 | 广东省智能制造研究所 | 基于卷积神经网络与支持向量机的人体行为识别方法 |
CN108154099A (zh) * | 2017-12-20 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种人物识别方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899575A (zh) * | 2015-06-19 | 2015-09-09 | 南京大学 | 一种基于人脸检测和关键点定位的人体组件划分方法 |
CN108416265A (zh) * | 2018-01-30 | 2018-08-17 | 深圳大学 | 一种人脸检测方法、装置、设备及存储介质 |
-
2018
- 2018-12-29 CN CN201811641756.9A patent/CN109740516B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003219396A (ja) * | 2002-01-17 | 2003-07-31 | Matsushita Electric Ind Co Ltd | 画像処理方法、画像処理装置、画像処理プログラム及び監視システム |
CN101196997A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 图像中最大人脸的跟踪装置和方法 |
CN102063607A (zh) * | 2009-11-16 | 2011-05-18 | 日电(中国)有限公司 | 一种用于采集人脸图像的方法和系统 |
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 |
CN105718887A (zh) * | 2016-01-21 | 2016-06-29 | 惠州Tcl移动通信有限公司 | 基于移动终端摄像头实现动态捕捉人脸摄像的方法及系统 |
CN106845432A (zh) * | 2017-02-07 | 2017-06-13 | 深圳市深网视界科技有限公司 | 一种人脸与人体共同检测的方法和设备 |
CN108052896A (zh) * | 2017-12-12 | 2018-05-18 | 广东省智能制造研究所 | 基于卷积神经网络与支持向量机的人体行为识别方法 |
CN108154099A (zh) * | 2017-12-20 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种人物识别方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
A proposed framework for robust face identification system;N.A. Semary et al;《2014 9th International Conference on Computer Engineering & Systems (ICCES)》;20150205;第62-67页 * |
Unified multi-camera detection and tracking using region-matching;A. Mittal et al;《Proceedings 2001 IEEE Workshop on Multi-Object Tracking》;20020807;第3-10页 * |
基于肤色和图形混合建模人脸检测系统的实现;党大平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101115;第2010卷(第11期);第I138-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740516A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740516B (zh) | 一种用户识别方法、装置、电子设备及存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110544217B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN109948494B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107944447B (zh) | 图像分类方法及装置 | |
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112241673A (zh) | 视频方法及装置、电子设备和存储介质 | |
CN111553864A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN112906484B (zh) | 一种视频帧处理方法及装置、电子设备和存储介质 | |
CN109034106B (zh) | 人脸数据清洗方法及装置 | |
CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
CN111652107B (zh) | 对象计数方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN112270288A (zh) | 活体识别、门禁设备控制方法和装置、电子设备 | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
WO2022247091A1 (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111178115B (zh) | 对象识别网络的训练方法及系统 | |
CN111275055A (zh) | 网络训练方法及装置、图像处理方法及装置 |
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 |