CN109753920B - 一种行人识别方法及装置 - Google Patents

一种行人识别方法及装置 Download PDF

Info

Publication number
CN109753920B
CN109753920B CN201811637119.4A CN201811637119A CN109753920B CN 109753920 B CN109753920 B CN 109753920B CN 201811637119 A CN201811637119 A CN 201811637119A CN 109753920 B CN109753920 B CN 109753920B
Authority
CN
China
Prior art keywords
pedestrian
node
feature
human body
face
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
Application number
CN201811637119.4A
Other languages
English (en)
Other versions
CN109753920A (zh
Inventor
朱铖恺
张寿奎
武伟
闫俊杰
黄潇莹
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201811637119.4A priority Critical patent/CN109753920B/zh
Publication of CN109753920A publication Critical patent/CN109753920A/zh
Priority to PCT/CN2019/125667 priority patent/WO2020135127A1/zh
Priority to KR1020217008615A priority patent/KR20210047917A/ko
Priority to SG11202011791SA priority patent/SG11202011791SA/en
Priority to JP2021500852A priority patent/JP7171884B2/ja
Priority to TW108148004A priority patent/TW202029055A/zh
Priority to US17/113,949 priority patent/US20210089799A1/en
Application granted granted Critical
Publication of CN109753920B publication Critical patent/CN109753920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • 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
    • G06T2207/30168—Image quality inspection

Abstract

本公开是关于一种行人识别的方法及装置。所述方法包括：获取目标行人图像的图像特征，所述图像特征包括人脸特征和人体特征；从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像；其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征。利用本公开提供的各个实施例，可以大大降低行人搜索的计算量，提高搜索效率。

Description

一种行人识别方法及装置
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种行人识别方法及装置。
背景技术
行人识别技术在智慧城市、公安等安防监控领域具有重要的作用，同时也是计算机视 觉领域的重要课题。行人识别是具有挑战性的技术，相关技术中的行人识别技术往往基于 行人的衣着、人物属性等人体特征，典型的技术例如可以包括行人重识别(PersonReID)。 但是，由于很多环境因素和外在因素的影响，人体特征往往唯一性不高，如行人更换衣着 等等。人体特征唯一性不高等因素都将导致相关技术中的行人识别技术往往具有较低的召 回率及准确性。
因此，相关技术中亟需一种具有较高召回率和准确率的行人识别方法。
发明内容
为克服相关技术中存在的问题，本公开提供一种行人识别方法及装置。
根据本公开实施例的第一方面，提供一种行人识别方法，包括：
获取目标行人图像的图像特征，所述图像特征包括人脸特征和人体特征；
从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点 分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像 对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开实施例提供的行人识 别方法，可以基于人脸特征和人体特征联合检索的方式从特征数据库中搜索出目标行人的 图像。一方面，基于人脸特征和人体特征联合检索的方式，可以即利用了人脸特征的唯一 性优势，也利用了在人脸被遮挡、人脸模糊等特殊情况下人体特征的识别优势。另一方面， 所述特征数据库可以包括所述行人特征节点与其他行人特征节点之间的关系特征，这样， 可以通过其中一个行人特征节点搜索到与之有关联关系的行人特征节点。基于此，可以大 大降低行人搜索的计算量，提高搜索效率。
可选的，在本公开的一个实施例中，所述关系特征被设置为根据下述参数确定：人脸 图像质量值、人体图像质量值、人脸特征、人体特征。
本公开的实施例提供的技术方案可以包括以下有益效果：将所述人脸图像质量值和所 述人体图像质量值作为计算所述关联特征的参数，可以提升所述关系特征计算结果的准确 性。
可选的，在本公开的一个实施例中，所述关系特征包括相似节点关联关系，所述相似 节点关联关系被设置为按照下述方式确定：
在两个行人特征节点中较小的人脸图像质量值大于等于预设人脸图像质量阈值的情 况下，确定所述两个行人特征节点的人脸特征之间的相似度；
在所述人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系；
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值，且所 述两个行人特征节点中较小的人体图像质量值大于等于人体图像质量阈值的情况下，确定 所述两个行人特征节点的人体特征之间的相似度；
在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系。
本公开的实施例提供的技术方案可以包括以下有益效果：基于人脸图像质量值、人体 图像质量值、人脸特征、人体特征确定相似节点关联关系，根据人脸特征和人体特征之间 的属性差异，设置人脸特征的优先级高于人体特征的优先级，准确地确定相似节点的关联 关系。
可选的，在本公开的一个实施例中，所述从特征数据库中获取所述图像特征的至少一 个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像， 包括：
将所述图像特征作为目标特征节点，确定所述目标特征节点到达所述行人特征节点的 至少一条搜索路径，所述搜索路径由具有所述相似节点关联关系的多个行人特征节点连接 而成；
确定所述搜索路径中相邻两个行人特征节点之间的相似度中的最小值，并将所述最小 值作为所述搜索路径的路径分值；
确定所述至少一条搜索路径的路径分值中的最大值，并将所述最大值作为所述目标特 征节点与所述行人特征节点的相似度；
将与所述目标特征节点的相似度大于等于所述预设人脸相似度阈值或者所述预设人 体相似度阈值的至少一个行人特征节点作为所述目标特征节点的至少一个目标节点，并将 所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
本公开的实施例提供的技术方案可以包括以下有益效果：基于多条搜索路径的方式确 定所述目标特征节点与所述行人特征节点之间的相似度，可以优化相似度的确定方式。
可选的，在本公开的一个实施例中，所述从特征数据库中获取所述图像特征的至少一 个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像， 包括：
基于所述多个行人特征节点的关系特征，从所述特征数据库中搜索出所述图像特征的 至少一个相似节点；
从所述至少一个相似节点中选择出至少一个目标节点；
将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
本公开的实施例提供的技术方案可以包括以下有益效果：提供后处理的方式从所述至 少一个相似节点中清除一些节点。
可选的，在本公开的一个实施例中，所述从所述至少一个相似节点中选择出至少一个 目标节点，包括：
确定所述至少一个相似节点中人脸特征的人脸聚类中心值；
从所述至少一个相似节点中筛选出至少一个人脸人体特征节点，所述人脸人体特征节 点中的人脸特征和人体特征为非零值；
分别确定所述至少一个人脸人体特征节点中人脸特征与所述人脸聚类中心值之间的 人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分至第一相似节点集 合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似节点集合；
从所述至少一个相似节点中清除所述第二相似节点集合，并将清除后的所述至少一个 相似节点分别对应的行人图像作为所述目标行人的图像。
本公开的实施例提供的技术方案可以包括以下有益效果：基于聚类中心值从所述至少 一个相似节点中过滤掉一些人脸特征过于偏离人脸聚类中心值的相似节点，并将剩余的相 似节点作为目标节点。
可选的，在本公开的一个实施例中，在所述从所述至少一个相似节点中清除所述第二 相似节点集合之前，所述方法还包括：
确定所述第一相似节点集合中人体特征的第一人体聚类中心值、所述第二相似节点集 合中人体特征的第二人体聚类中心值；
从所述至少一个相似节点中筛选出至少一个人体特征节点，所述人体特征节点中的人 脸特征为零值、人体特征为非零值；
分别确定所述至少一个人体特征节点中人体特征与所述第一人体聚类中心值之间的 第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似度；
将所述第二人体相似度大于所述第一人体相似度时所对应的人体特征节点添加至所 述第二相似节点集合中。
本公开的实施例提供的技术方案可以包括以下有益效果：基于聚类中心值从所述至少 一个相似节点中进一步过滤掉人脸特征为零值、人体特征为非零值的相似节点中的人体特 征偏离人体聚类中心值的节点。
可选的，在本公开的一个实施例中，所述方法还包括：
基于所述目标行人的图像，获取所述目标行人的行动轨迹，所述行动轨迹包括时间信 息和/或位置信息。
本公开的实施例提供的技术方案可以包括以下有益效果：基于行人的行动轨迹，可以 获取所述目标行人的日常活动，对于公安、心理分析领域具有重要的价值
可选的，在本公开的一个实施例中，所述方法还包括：
在获取到新行人图像的情况下，提取所述新行人图像的图像特征；
将所述新行人图像的图像特征作为新的行人特征节点，更新至所述特征数据库中。
本公开的实施例提供的技术方案可以包括以下有益效果：可以不断地更新所述特征数 据库，使得所述特征数据库保持最新的信息。
根据本公开实施例的第二方面，提供一种行人识别装置，包括：
图像特征获取模块，用于获取目标行人图像的图像特征，所述图像特征包括人脸特征 和人体特征；
目标节点获取模块，用于从特征数据库中获取所述图像特征的至少一个目标节点，并 将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像 对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征。
可选的，在本公开的一个实施例中，所述关系特征被设置为根据下述参数确定：人脸 图像质量值、人体图像质量值、人脸特征、人体特征。
可选的，在本公开的一个实施例中，所述关系特征包括相似节点关联关系，所述相似 节点关联关系被设置为按照下述方式确定：
在两个行人特征节点中较小的人脸图像质量值大于等于预设人脸图像质量阈值的情 况下，确定所述两个行人特征节点的人脸特征之间的相似度；
在所述人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系；
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值，且所 述两个行人特征节点中较小的人体图像质量值大于等于人体图像质量阈值的情况下，确定 所述两个行人特征节点的人体特征之间的相似度；
在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系。
可选的，在本公开的一个实施例中，所述目标节点获取模块包括：
路径确定子模块，用于将所述图像特征作为目标特征节点，确定所述目标特征节点到 达所述行人特征节点的至少一条搜索路径，所述搜索路径由具有所述相似节点关联关系的 多个行人特征节点连接而成；
路径分值确定子模块，用于确定所述搜索路径中相邻两个行人特征节点之间的相似度 中的最小值，并将所述最小值作为所述搜索路径的路径分值；
节点相似度确定子模块，用于确定所述至少一条搜索路径的路径分值中的最大值，并 将所述最大值作为所述目标特征节点与所述行人特征节点的相似度；
目标节点确定子模块，用于将与所述目标特征节点的相似度大于等于所述预设人脸相 似度阈值或者所述预设人体相似度阈值的至少一个行人特征节点作为所述目标特征节点 的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人 的图像。
可选的，在本公开的一个实施例中，所述目标节点获取模块包括：
相似节点搜索子模块，用于基于所述多个行人特征节点的关系特征，从所述特征数据 库中搜索出所述图像特征的至少一个相似节点；
目标节点选取子模块，用于从所述至少一个相似节点中选择出至少一个目标节点；
行人图像获取子模块，用于将所述至少一个目标节点分别对应的行人图像作为所述目 标行人的图像。
可选的，在本公开的一个实施例中，所述目标节点选取子模块包括：
人脸中心值确定单元，用于确定所述至少一个相似节点中人脸特征的人脸聚类中心 值；
节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人脸人体特征节点， 所述人脸人体特征节点中的人脸特征和人体特征为非零值；
节点划分单元，用于分别确定所述至少一个人脸人体特征节点中人脸特征与所述人脸 聚类中心值之间的人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分至 第一相似节点集合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似节 点集合；
节点清除单元，用于从所述至少一个相似节点中清除所述第二相似节点集合，并将清 除后的所述至少一个相似节点分别对应的行人图像作为所述目标行人的图像。
可选的，在本公开的一个实施例中，所述目标节点选取子模块还包括：
人体中心值确定单元，用于确定所述第一相似节点集合中人体特征的第一人体聚类中 心值、所述第二相似节点集合中人体特征的第二人体聚类中心值；
人体节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人体特征节点， 所述人体特征节点中的人脸特征为零值、人体特征为非零值；
相似度确定单元，用于分别确定所述至少一个人体特征节点中人体特征与所述第一人 体聚类中心值之间的第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似 度；
节点添加单元，用于将所述第二人体相似度大于所述第一人体相似度时所对应的人体 特征节点添加至所述第二相似节点集合中。
可选的，在本公开的一个实施例中，所述装置还包括：
行人轨迹获取模块，用于基于所述目标行人的图像，获取所述目标行人的行动轨迹， 所述行动轨迹包括时间信息和/或位置信息。
可选的，在本公开的一个实施例中，所述装置还包括：
新数据获取模块，用于在获取到新行人图像的情况下，提取所述新行人图像的图像特 征；
数据更新模块，用于将所述新行人图像的图像特征作为新的行人特征节点，更新至所 述特征数据库中。
根据本公开实施例的第三方面，提供一种电子设备，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行人识别方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储 介质中的指令由处理器执行时，使得处理器能够执行上述的行人识别方法。
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，并不能限 制本公开。
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，示出了符合本公开的实施例， 并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种行人识别方法的流程图。
图2是根据一示例性实施例示出的一种场景图。
图3是根据一示例性实施例示出的一种装置的框图。
图4是根据一示例性实施例示出的一种装置的框图。
图5是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图 时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中 所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权 利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现 的技术环境进行说明。
相关技术的行人识别技术往往基于人脸识别技术或者人体识别技术，利用基于人脸识 别技术的行人识别技术往往通过行人的脸部特征识别出目标行人。但是在实际应用场景 中，如街景中，捕捉到的行人面部图像往往具有遮挡物、侧面角度、距离太远等等，因此， 通过脸部特征识别目标行人的方式往往也具有较低的召回率和准确率。
基于类似于上文所述的实际技术需求，本公开提供的行人识别方法可以基于人脸人体 联合检索的方式，构建基于人脸特征和人体特征的特征数据库。基于目标行人的人脸特征 和人体特征，可以从所述特征数据库中搜索出与所述目标行人的人脸特征和人体特征相似 的人脸特征和人体特征，并将所述相似的人脸特征和人体特征所对应的行人图像作为所述 目标行人的图像。
下面结合附图1对本公开所述的行人识别方法进行详细的说明。图1是本公开提供的 行人识别方法的一种实施例的方法流程图。虽然本公开提供了如下述实施例或附图所示的 方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的 操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开 实施例提供的执行顺序。
具体的，本公开提供的行人识别方法的一种实施例如图1所示，所述方法可以包括：
S101：获取目标行人图像的图像特征，所述图像特征包括人脸特征和人体特征。
S103：从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个 目标节点分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像 对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征。
本公开实施例中，可以获取用于作为搜索基础的目标行人图像，在一个示例中，若目 标行人为张三，则所述目标行人图像例如可以包括张三的身份证件照片、生活照片、街拍 照片、写真等等。所述目标行人图像中可以包括人脸图像，可以包括人体图像，也可以包括人脸人体图像。基于此，可以从所述目标行人图像中获取图像特征，所述图像特征可以包括人脸特征和人体特征。即，当所述目标行人图像中只包括人脸图像时，可以获取到人脸特征，即所述图像特征中人脸特征为非零值，人体特征为零值；当所述目标行人图像中只包括人体图像时，可以获取到人体特征，即所述图像特征中人脸特征为零值，人体特征为非零值；当所述目标行人图像中包括人脸人体图像时，可以获取到人脸特征和人体特征，即所述图像特征中人脸特征和人体特征为非零值。其中，所述人脸特征、所述人体特征可以利用特征向量表达，例如，人脸特征向量可以包括人脸关键点之间的欧氏距离、曲率、 角度等多种分量，所述人体特征可以包括人体部位的比例、姿态、衣着特征等多种分量。 本公开对于人脸特征、人体特征的提取方式不做限制。
本公开实施例中，在获取到所述目标行人图像的所述图像特征之后，可以基于所述图 像特征，从预设特征数据库中获取所述图像特征的至少一个目标节点。所述特征数据库中 可以包括多个行人特征节点，所述行人特征节点中包括行人图像对应的人脸特征、人体特 征以及与其他行人特征节点之间的关系特征。在一个实施例中，所述行人特征节点与行人 图像具有一一对应的关系，例如，若所述特征数据库中可以包括100万个行人特征节点， 则所述100万个行人特征节点对应于100万个行人图像。那么，本公开实施例的目的在于 从这100万个行人图像搜索出所述目标行人的图像。同样地，所述行人图像中可以包括人 脸图像、人体图像、人脸人体图像，基于此，可以提取所述行人图像的人脸特征和人体特征，并将所述人脸特征和人体特征设置于所述行人图像所对应的行人特征节点中。
本公开实施例中，所述与其他行人特征节点之间的关系特征可以被设置为根据人脸特 征、人体特征确定。所述关系特征包括相似节点关联关系，所述相似节点关联关系包括两 个行人特征节点之间具有较高的相似度，即所述两个行人特征节点为同一行人的特征节点 的可能性较大。通过所述相似节点关联关系，可以通过其中一个行人特征节点搜索到另一 个行人特征节点。在一个实施例中，在两个行人特征节点的人脸特征均为非零值且所述两 个行人特征节点的人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所 述两个行人特征节点为相似节点关联关系。在另一个实施例中，在两个行人特征节点的人 体特征均为非零值且所述两个行人特征节点的人体特征之间的相似度大于等于预设人体 相似度阈值的情况下，确定所述两个行人特征节点为相似节点关联关系。在本公开的一个 实施例中，所述人脸特征或者所述人体特征之间的相似度可以利用特征向量计算得到，例 如，所述相似度可以为两个特征向量之间的余弦值，本公开对于两个特征之间的相似度的 计算方式不做限制。
在实际的应用场景中，图像质量在人脸识别、人体识别中具有比较重要的影响因素， 当图像质量较高时，人脸识别、人体识别的准确性随之增高，当图像质量较低时，人脸识 别、人体识别的准确性随之降低。基于此，在本公开的一个实施例中，所述关系特征被设置为根据下述参数确定：人脸图像质量值、人体图像质量值、人脸特征、人体特征。其中， 所述人脸图像质量值可以根据人脸3维姿态、图片模糊程度、曝光好坏等参数计算得到， 所述人体图像质量值可以根据遮挡程度、拥挤程度、主体人的完整程度等参数计算得到。 在此情况下，所述行人特征节点中还可以包括人脸图像质量值、人体图像质量值。相应地， 所述目标行人图像的图像特征还可以包括人脸图像质量值、人体图像质量值。
相应地，在确定所述相似节点关联关系的过程中，可以首先计算两个行人特征节点的 人脸特征之间的相似度。这是由于人脸特征的唯一性和准确性，因此，可以设置人脸特征 的优先级高于人体特征的优先级。具体地，可以在两个行人特征节点中较小的人脸图像质 量值大于等于预设人脸图像质量阈值的情况下，确定所述两个行人特征节点的人脸特征之 间的相似度。也就是说，当两个行人特征节点中的人脸特征均为非零值，且这两个行人特 征节点中的人脸图像质量值均大于等于预设人脸图像质量阈值时，确定所述两个行人特征 节点的人脸特征之间的相似度。若计算得到所述人脸特征之间的相似度大于等于预设人脸 相似度阈值，则确定所述两个行人特征节点为相似节点关联关系。
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值的情 况下，可以确定所述两个行人特征节点的人体特征是否为非零值。在确定所述两个行人特 征节点中的人体特征均为非零值，且所述两个行人特征节点中较小的人体图像质量值小于 预设人体图像质量阈值的情况下，可以计算所述两个行人特征节点的人体特征之间的相似 度。在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，可以确定所述 两个行人特征节点为相似节点关联关系。需要说明的是，对于所述预设人脸图像质量阈值、 所述预设人体图像质量阈值、所述预设人脸相似度阈值、所述预设人体相似度阈值的设置 可以参考经验值，也可以根据样本数据统计得到，本公开对此不做限制。
在确定所述多个行人特征节点中具有相似节点关联关系的行人特征节点之后，所述多 个行人特征节点之间可以形成网络式的关系图。通过其中一个行人特征节点，可以从所述 特征数据库中搜索出与之具有相似节点关联关系的行人特征节点。所述特征数据库的表达 方式可以包括异构图等网络结构。
本公开实施例中，在从特征数据库中获取所述图像特征的至少一个目标节点，并将所 述至少一个目标节点分别对应的行人图像作为所述目标行人的图像的过程中，可以将所述 图像特征作为目标特征节点，确定所述目标特征节点到达所述行人特征节点的至少一条搜 索路径，所述搜索路径由具有所述相似节点关联关系的多个行人特征节点连接而成。在确 定所述至少一条搜索路径之后，可以确定所述搜索路径中相邻两个行人特征节点之间的相 似度中的最小值，并将所述最小值作为所述搜索路径的路径分值。在确定各个搜索路径的 路径分值之后，可以确定所述至少一条搜索路径的路径分值中的最大值，并将所述最大值 作为所述目标特征节点与所述行人特征节点的相似度。最后，将与所述目标特征节点的相 似度大于等于所述预设人脸相似度阈值或者所述预设人体相似度阈值的至少一个行人特 征节点作为所述目标特征节点的至少一个目标节点，并将所述至少一个目标节点分别对应 的行人图像作为所述目标行人的图像。
下面结合图2说明上述实施例方法，如图2所示，设置所述目标特征节点为节点A，节点B-H为所述特征数据库中的行人特征节点。从节点A到节点B共有三条路径，分别 为路径1、路径2、路径3，其中路径1中的节点C与节点D、节点D与节点B之间具有 相似节点关联关系，路径3中节点E与节点F、节点F与节点G、节点G与节点H、节 点H与节点B之间具有相似节点关联关系。根据路径2中的示意，节点A和节点B之间 的直接相似度为0.5，若设置的预设人脸相似度阈值和预设人体相似度阈值为0.7，则不会 确定节点B为节点A的相似节点。基于实际的应用场景，节点A和节点B均为目标行人 的特征，但是节点A可能对应于目标行人穿着黑色衣服的正面图像，而节点B可能对应 于目标行人穿着黄色衣服的侧面图像，那么，节点A与节点B的直接相似度可能比较低。 但是，通过其他关联节点到达B，可以发现节点A与节点B之间的紧密关联性。例如在 路径1中，节点C为目标行人的脸部正面图像，节点D为目标行人穿着那件黄色衣服的 正面图像。基于此，可以优化节点A与节点B之间的相似度计算方式。在一个实施例中， 可以分别计算各个路径的路径分值，所述路径分值可以包括路径中相邻两个行人特征节点 之间的相似度中的最小值。例如，路径1的路径分值为0.6，路径2的路径分值为0.5，路 径3的路径分值为0.8，其中三个路径中最大的路径分值为0.8，那么可以确定节点A与 节点B之间的相似度为0.8，大于0.7，因此，节点A与节点B为目标特征节点A的目标 节点。
基于此，可以通过与上述实施例方法相同的方式搜索所述特征数据库，搜索出与所述 目标特征节点的至少一个目标节点，将所述至少一个目标节点分别对应的行人图像作为所 述目标行人的图像。
在本公开的一个实施例中，在从特征数据库中获取所述图像特征的至少一个目标节 点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像的过程中， 在基于所述多个行人特征节点的关系特征，从所述特征数据库中搜索出所述图像特征的至 少一个相似节点之后，从所述至少一个相似节点中过滤掉那些人脸特征过于偏离人脸聚类 中心值的相似节点，并将剩余的相似节点作为目标节点。其中，所述相似节点的获取方式 可以参考上述示例中搜索节点A的目标节点B的方式。具体的过滤方式，可以确定所述 至少一个相似节点中人脸特征的人脸聚类中心值。然后，从所述至少一个相似节点中筛选 出至少一个人脸人体特征节点，所述人脸人体特征节点中的人脸特征和人体特征为非零 值。然后，可以从所述至少一个人脸人体特征节点中过滤掉人脸特征过于偏离人脸聚类中 心值的节点。具体地，可以分别计算所述至少一个人脸人体特征节点中人脸特征与所述人 脸聚类中心值之间的人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分 至第一相似节点集合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似 节点集合。其中，所述第二相似节点集合中的相似节点具有很大可能性不是所述目标行人 对应的节点。因此，可以从所述至少一个相似节点中清除所述第二相似节点集合，并将清 除后的所述至少一个相似节点分别对应的行人图像作为所述目标行人的图像。
在本公开的一个实施例中，还可以对所述至少一个相似节点进行进一步过滤，以过滤 掉人脸特征为零值、人体特征为非零值的相似节点中的人体特征偏离人体聚类中心值的节 点。具体地，在一个实施例中，可以计算所述第一相似节点集合中人体特征的第一人体聚 类中心值、所述第二相似节点集合中人体特征的第二人体聚类中心值。然后，可以从所述 至少一个相似节点中筛选出至少一个人体特征节点，所述人体特征节点中的人脸特征为零 值、人体特征为非零值。分别计算所述至少一个人体特征节点中人体特征与所述第一人体 聚类中心值之间的第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似度。 由于第二相似节点集合中的人脸特征远偏离所述人脸特征聚类中心值，因此，所述第二相 似节点集合为即将过滤掉的节点集合。若所述第二人体相似度大于所述第一人体相似度， 则表示该人体特征也偏离所述目标行人的人体特征。因此，可以将所述第二人体相似度大 于所述第一人体相似度时所对应的人体特征节点添加至所述第二相似节点集合中。此后， 可以从所述至少一个相似节点中清除所述第二相似节点集合。
需要说明的是，在实际应用场景中，往往利用多个目标行人图像进行特征搜索，在此 过程中，可以分别对所述多个目标行人图像进行特征搜索，并分别得到至少一个目标节点。 最后，可以将分别得到的至少一个目标节点进行合并，并将合并之后的至少一个目标节点 对应的行人图像作为所述目标行人的图像。
在本公开的一个实施例中，在获取到所述目标行人的图像之后，可以基于所述目标行 人的图像，获取所述目标行人的行动轨迹，所述行动轨迹包括时间信息和/或位置信息。 在一个示例中，目标行人的所述行动轨迹例如包括：2018年10月1日10:30：苏州市观前街→2018年10月1日11:03：苏州市观前街→2018年10月1日12:50：苏州市XX停 车场→……→2018年10月1日21:37：苏州市XX小区。基于以上的行动轨迹，可以获 取所述目标行人的日常活动，对于公安、心理分析领域具有重要的价值。
当然，为了使得所述特征数据库包含尽可能多的数据，可以对所述特征数据库进行更 新。在一个示例中，当获取到某个街道的监控视频之后，可以提取所述监控视频中的图像 帧。然后，可以对所述图像帧进行特征提取，提取出所述图像帧的图像特征，所述图像特 征包括人脸特征和人体特征。再将所述图像帧中的图像特征作为新的行人特征节点，更新 至所述特征数据库中。
本公开各个实施例提供的行人识别方法，可以基于人脸特征和人体特征联合检索的方 式从特征数据库中搜索出目标行人的图像。一方面，基于人脸特征和人体特征联合检索的 方式，可以即利用了人脸特征的唯一性优势，也利用了在人脸被遮挡、人脸模糊等特殊情 况下人体特征的识别优势。另一方面，所述特征数据库可以包括所述行人特征节点与其他 行人特征节点之间的关系特征，这样，可以通过其中一个行人特征节点搜索到与之有关联 关系的行人特征节点。基于此，可以大大降低行人搜索的计算量，提高搜索效率。
本公开实施例另一方面还提出一种行人识别装置，图3示出根据本公开实施例的行人 识别装置的框图，如图3所示，所述装置300包括：
图像特征获取模块301，用于获取目标行人图像的图像特征，所述图像特征包括人脸 特征和人体特征；
目标节点获取模块303，用于从特征数据库中获取所述图像特征的至少一个目标节 点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像 对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征。
可选的，在本公开的一个实施例中，所述关系特征被设置为根据下述参数确定：人脸 图像质量值、人体图像质量值、人脸特征、人体特征。
可选的，在本公开的一个实施例中，所述关系特征包括相似节点关联关系，所述相似 节点关联关系被设置为按照下述方式确定：
在两个行人特征节点中较小的人脸图像质量值大于等于预设人脸图像质量阈值的情 况下，确定所述两个行人特征节点的人脸特征之间的相似度；
在所述人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系；
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值，且所 述两个行人特征节点中较小的人体图像质量值大于等于人体图像质量阈值的情况下，确定 所述两个行人特征节点的人体特征之间的相似度；
在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，确定所述两个 行人特征节点为相似节点关联关系。
可选的，在本公开的一个实施例中，所述目标节点获取模块包括：
路径确定子模块，用于将所述图像特征作为目标特征节点，确定所述目标特征节点到 达所述行人特征节点的至少一条搜索路径，所述搜索路径由具有所述相似节点关联关系的 多个行人特征节点连接而成；
路径分值确定子模块，用于确定所述搜索路径中相邻两个行人特征节点之间的相似度 中的最小值，并将所述最小值作为所述搜索路径的路径分值；
节点相似度确定子模块，用于确定所述至少一条搜索路径的路径分值中的最大值，并 将所述最大值作为所述目标特征节点与所述行人特征节点的相似度；
目标节点确定子模块，用于将与所述目标特征节点的相似度大于等于所述预设人脸相 似度阈值或者所述预设人体相似度阈值的至少一个行人特征节点作为所述目标特征节点 的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人 的图像。
可选的，在本公开的一个实施例中，所述目标节点获取模块包括：
相似节点搜索子模块，用于基于所述多个行人特征节点的关系特征，从所述特征数据 库中搜索出所述图像特征的至少一个相似节点；
目标节点选取子模块，用于从所述至少一个相似节点中选择出至少一个目标节点；
行人图像获取子模块，用于将所述至少一个目标节点分别对应的行人图像作为所述目 标行人的图像。
可选的，在本公开的一个实施例中，所述目标节点选取子模块包括：
人脸中心值确定单元，用于确定所述至少一个相似节点中人脸特征的人脸聚类中心 值；
节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人脸人体特征节点， 所述人脸人体特征节点中的人脸特征和人体特征为非零值；
节点划分单元，用于分别确定所述至少一个人脸人体特征节点中人脸特征与所述人脸 聚类中心值之间的人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分至 第一相似节点集合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似节 点集合；
节点清除单元，用于从所述至少一个相似节点中清除所述第二相似节点集合，并将清 除后的所述至少一个相似节点分别对应的行人图像作为所述目标行人的图像。
可选的，在本公开的一个实施例中，所述目标节点选取子模块还包括：
人体中心值确定单元，用于确定所述第一相似节点集合中人体特征的第一人体聚类中 心值、所述第二相似节点集合中人体特征的第二人体聚类中心值；
人体节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人体特征节点， 所述人体特征节点中的人脸特征为零值、人体特征为非零值；
相似度确定单元，用于分别确定所述至少一个人体特征节点中人体特征与所述第一人 体聚类中心值之间的第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似 度；
节点添加单元，用于将所述第二人体相似度大于所述第一人体相似度时所对应的人体 特征节点添加至所述第二相似节点集合中。
可选的，在本公开的一个实施例中，所述装置还包括：
行人轨迹获取模块，用于基于所述目标行人的图像，获取所述目标行人的行动轨迹， 所述行动轨迹包括时间信息和/或位置信息。
可选的，在本公开的一个实施例中，所述装置还包括：
新数据获取模块，用于在获取到新行人图像的情况下，提取所述新行人图像的图像特 征；
数据更新模块，用于将所述新行人图像的图像特征作为新的行人特征节点，更新至所 述特征数据库中。
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各个实施例所述的方法。
所述电子设备可以被提供为终端、服务器或其它形态的设备。
图4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4，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5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5，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物体的编程语言—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 (18)

1.一种行人识别方法，其特征在于，包括：
获取目标行人图像的图像特征，所述图像特征包括人脸特征和人体特征；
从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征；
所述关系特征被设置为根据下述参数确定：人脸图像质量值、人体图像质量值、人脸特征、人体特征；
其中，所述关系特征包括相似节点关联关系，所述相似节点关联关系被设置为按照下述方式确定：
根据所述行人特征节点的人脸图像质量值和/或人体图像质量值，确定所述行人特征节点的人脸特征之间的相似度和/或人体特征之间的相似度；
根据所述人脸特征之间的相似度和/或人体特征之间的相似度，确定所述行人特征节点之间的相似节点关联关系。
2.根据权利要求1所述的行人识别方法，其特征在于，所述相似节点关联关系被设置为按照下述方式确定，包括：
在两个行人特征节点中较小的人脸图像质量值大于等于预设人脸图像质量阈值的情况下，确定所述两个行人特征节点的人脸特征之间的相似度；
在所述人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所述两个行人特征节点为相似节点关联关系；
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值，且所述两个行人特征节点中较小的人体图像质量值大于等于人体图像质量阈值的情况下，确定所述两个行人特征节点的人体特征之间的相似度；
在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，确定所述两个行人特征节点为相似节点关联关系。
3.根据权利要求2所述的行人识别方法，其特征在于，所述从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像，包括：
将所述图像特征作为目标特征节点，确定所述目标特征节点到达所述行人特征节点的至少一条搜索路径，所述搜索路径由具有所述相似节点关联关系的多个行人特征节点连接而成；
确定所述搜索路径中相邻两个行人特征节点之间的相似度中的最小值，并将所述最小值作为所述搜索路径的路径分值；
确定所述至少一条搜索路径的路径分值中的最大值，并将所述最大值作为所述目标特征节点与所述行人特征节点的相似度；
将与所述目标特征节点的相似度大于等于所述预设人脸相似度阈值或者所述预设人体相似度阈值的至少一个行人特征节点作为所述目标特征节点的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
4.根据权利要求1或2所述的行人识别方法，其特征在于，所述从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像，包括：
基于所述多个行人特征节点的关系特征，从所述特征数据库中搜索出所述图像特征的至少一个相似节点；
从所述至少一个相似节点中选择出至少一个目标节点；
将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
5.根据权利要求4所述的行人识别方法，其特征在于，所述从所述至少一个相似节点中选择出至少一个目标节点，包括：
确定所述至少一个相似节点中人脸特征的人脸聚类中心值；
从所述至少一个相似节点中筛选出至少一个人脸人体特征节点，所述人脸人体特征节点中的人脸特征和人体特征为非零值；
分别确定所述至少一个人脸人体特征节点中人脸特征与所述人脸聚类中心值之间的人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分至第一相似节点集合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似节点集合；
从所述至少一个相似节点中清除所述第二相似节点集合，并将清除后的所述至少一个相似节点分别对应的行人图像作为所述目标行人的图像。
6.根据权利要求5所述的行人识别方法，其特征在于，在所述从所述至少一个相似节点中清除所述第二相似节点集合之前，所述方法还包括：
确定所述第一相似节点集合中人体特征的第一人体聚类中心值、所述第二相似节点集合中人体特征的第二人体聚类中心值；
从所述至少一个相似节点中筛选出至少一个人体特征节点，所述人体特征节点中的人脸特征为零值、人体特征为非零值；
分别确定所述至少一个人体特征节点中人体特征与所述第一人体聚类中心值之间的第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似度；
将所述第二人体相似度大于所述第一人体相似度时所对应的人体特征节点添加至所述第二相似节点集合中。
7.根据权利要求1-3中任一项所述的行人识别方法，其特征在于，所述方法还包括：
基于所述目标行人的图像，获取所述目标行人的行动轨迹，所述行动轨迹包括时间信息和/或位置信息。
8.根据权利要求1-3中任一项所述的行人识别方法，其特征在于，所述方法还包括：
在获取到新行人图像的情况下，提取所述新行人图像的图像特征；
将所述新行人图像的图像特征作为新的行人特征节点，更新至所述特征数据库中。
9.一种行人识别装置，其特征在于，包括：
图像特征获取模块，用于获取目标行人图像的图像特征，所述图像特征包括人脸特征和人体特征；
目标节点获取模块，用于从特征数据库中获取所述图像特征的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像；
其中，所述特征数据库中包括多个行人特征节点，所述行人特征节点中包括行人图像对应的人脸特征、人体特征以及与其他行人特征节点之间的关系特征；
所述关系特征被设置为根据下述参数确定：人脸图像质量值、人体图像质量值、人脸特征、人体特征；
其中，所述关系特征包括相似节点关联关系，所述相似节点关联关系被设置为按照下述方式确定：
根据所述行人特征节点的人脸图像质量值和/或人体图像质量值，确定所述行人特征节点的人脸特征之间的相似度和/或人体特征之间的相似度；
根据所述人脸特征之间的相似度和/或人体特征之间的相似度，确定所述行人特征节点之间的相似节点关联关系。
10.根据权利要求9所述的行人识别装置，其特征在于，所述相似节点关联关系被设置为按照下述方式确定，包括：
在两个行人特征节点中较小的人脸图像质量值大于等于预设人脸图像质量阈值的情况下，确定所述两个行人特征节点的人脸特征之间的相似度；
在所述人脸特征之间的相似度大于等于预设人脸相似度阈值的情况下，确定所述两个行人特征节点为相似节点关联关系；
在所述两个行人特征节点中较小的人脸图像质量值小于预设人脸图像质量阈值，且所述两个行人特征节点中较小的人体图像质量值大于等于人体图像质量阈值的情况下，确定所述两个行人特征节点的人体特征之间的相似度；
在所述人体特征之间的相似度大于等于预设人体相似度阈值的情况下，确定所述两个行人特征节点为相似节点关联关系。
11.根据权利要求10所述的行人识别装置，其特征在于，所述目标节点获取模块包括：
路径确定子模块，用于将所述图像特征作为目标特征节点，确定所述目标特征节点到达所述行人特征节点的至少一条搜索路径，所述搜索路径由具有所述相似节点关联关系的多个行人特征节点连接而成；
路径分值确定子模块，用于确定所述搜索路径中相邻两个行人特征节点之间的相似度中的最小值，并将所述最小值作为所述搜索路径的路径分值；
节点相似度确定子模块，用于确定所述至少一条搜索路径的路径分值中的最大值，并将所述最大值作为所述目标特征节点与所述行人特征节点的相似度；
目标节点确定子模块，用于将与所述目标特征节点的相似度大于等于所述预设人脸相似度阈值或者所述预设人体相似度阈值的至少一个行人特征节点作为所述目标特征节点的至少一个目标节点，并将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
12.根据权利要求9或10所述的行人识别装置，其特征在于，所述目标节点获取模块包括：
相似节点搜索子模块，用于基于所述多个行人特征节点的关系特征，从所述特征数据库中搜索出所述图像特征的至少一个相似节点；
目标节点选取子模块，用于从所述至少一个相似节点中选择出至少一个目标节点；
行人图像获取子模块，用于将所述至少一个目标节点分别对应的行人图像作为所述目标行人的图像。
13.根据权利要求12所述的行人识别装置，其特征在于，所述目标节点选取子模块包括：
人脸中心值确定单元，用于确定所述至少一个相似节点中人脸特征的人脸聚类中心值；
节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人脸人体特征节点，所述人脸人体特征节点中的人脸特征和人体特征为非零值；
节点划分单元，用于分别确定所述至少一个人脸人体特征节点中人脸特征与所述人脸聚类中心值之间的人脸相似度，将所述人脸相似度大于等于预设相似度阈值的节点划分至第一相似节点集合，将所述人脸相似度小于所述预设相似度阈值的节点划分至第二相似节点集合；
节点清除单元，用于从所述至少一个相似节点中清除所述第二相似节点集合，并将清除后的所述至少一个相似节点分别对应的行人图像作为所述目标行人的图像。
14.根据权利要求13所述的行人识别装置，其特征在于，所述目标节点选取子模块还包括：
人体中心值确定单元，用于确定所述第一相似节点集合中人体特征的第一人体聚类中心值、所述第二相似节点集合中人体特征的第二人体聚类中心值；
人体节点筛选单元，用于从所述至少一个相似节点中筛选出至少一个人体特征节点，所述人体特征节点中的人脸特征为零值、人体特征为非零值；
相似度确定单元，用于分别确定所述至少一个人体特征节点中人体特征与所述第一人体聚类中心值之间的第一人体相似度、与所述第二人体聚类中心值之间的第二人体相似度；
节点添加单元，用于将所述第二人体相似度大于所述第一人体相似度时所对应的人体特征节点添加至所述第二相似节点集合中。
15.根据权利要求9-11中任一项所述的行人识别装置，其特征在于，所述装置还包括：
行人轨迹获取模块，用于基于所述目标行人的图像，获取所述目标行人的行动轨迹，所述行动轨迹包括时间信息和/或位置信息。
16.根据权利要求9-11中任一项所述的行人识别装置，其特征在于，所述装置还包括：
新数据获取模块，用于在获取到新行人图像的情况下，提取所述新行人图像的图像特征；
数据更新模块，用于将所述新行人图像的图像特征作为新的行人特征节点，更新至所述特征数据库中。
17.一种电子设备，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1-8任意一项所述的行人识别方法。
18.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1-8任意一项所述的行人识别方法。
CN201811637119.4A 2018-12-29 2018-12-29 一种行人识别方法及装置 Active CN109753920B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201811637119.4A CN109753920B (zh) 2018-12-29 2018-12-29 一种行人识别方法及装置
PCT/CN2019/125667 WO2020135127A1 (zh) 2018-12-29 2019-12-16 一种行人识别方法及装置
KR1020217008615A KR20210047917A (ko) 2018-12-29 2019-12-16 보행자 인식 방법 및 장치
SG11202011791SA SG11202011791SA (en) 2018-12-29 2019-12-16 Pedestrian recognition method and device
JP2021500852A JP7171884B2 (ja) 2018-12-29 2019-12-16 歩行者認識方法及び装置
TW108148004A TW202029055A (zh) 2018-12-29 2019-12-27 一種行人識別方法、裝置、電子設備及非臨時性電腦可讀儲存介質
US17/113,949 US20210089799A1 (en) 2018-12-29 2020-12-07 Pedestrian Recognition Method and Apparatus and Storage Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811637119.4A CN109753920B (zh) 2018-12-29 2018-12-29 一种行人识别方法及装置

Publications (2)

Publication Number Publication Date
CN109753920A CN109753920A (zh) 2019-05-14
CN109753920B true CN109753920B (zh) 2021-09-17

Family

ID=66404303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811637119.4A Active CN109753920B (zh) 2018-12-29 2018-12-29 一种行人识别方法及装置

Country Status (7)

Country Link
US (1) US20210089799A1 (zh)
JP (1) JP7171884B2 (zh)
KR (1) KR20210047917A (zh)
CN (1) CN109753920B (zh)
SG (1) SG11202011791SA (zh)
TW (1) TW202029055A (zh)
WO (1) WO2020135127A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753920B (zh) * 2018-12-29 2021-09-17 深圳市商汤科技有限公司 一种行人识别方法及装置
CN112149447A (zh) * 2019-06-26 2020-12-29 杭州海康威视数字技术股份有限公司 一种人员识别方法、装置及电子设备
CN111783507A (zh) * 2019-07-24 2020-10-16 北京京东尚科信息技术有限公司 目标搜索方法、装置及计算机可读存储介质
CN110390300A (zh) * 2019-07-24 2019-10-29 北京洛必德科技有限公司 一种用于机器人的目标跟随方法和装置
CN110502651B (zh) * 2019-08-15 2022-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110503022A (zh) * 2019-08-19 2019-11-26 北京积加科技有限公司 一种身份识别方法、装置及系统
CN111753611A (zh) * 2019-08-30 2020-10-09 北京市商汤科技开发有限公司 图像检测方法及装置和系统、电子设备和存储介质
CN110826463B (zh) * 2019-10-31 2021-08-24 深圳市商汤科技有限公司 人脸识别方法及装置、电子设备和存储介质
CN112784636A (zh) * 2019-11-07 2021-05-11 佳能株式会社 人脸图像分类方法、人脸图像分类装置和存储介质
CN110942003A (zh) * 2019-11-20 2020-03-31 中国建设银行股份有限公司 人员轨迹搜索方法及系统
CN111680638B (zh) * 2020-06-11 2020-12-29 深圳北斗应用技术研究院有限公司 一种乘客路径识别方法和基于该方法的客流清分方法
CN112541384B (zh) * 2020-07-30 2023-04-28 深圳市商汤科技有限公司 可疑对象查找方法及装置、电子设备及存储介质
CN111967356A (zh) * 2020-08-04 2020-11-20 杰创智能科技股份有限公司 图像中行人检测方法、装置、电子设备和存储介质
CN112307938B (zh) * 2020-10-28 2022-11-11 深圳市商汤科技有限公司 数据聚类方法及其装置、电子设备、存储介质
TWI816072B (zh) * 2020-12-10 2023-09-21 晶睿通訊股份有限公司 物件識別方法及其監控系統
CN112699810B (zh) * 2020-12-31 2024-04-09 中国电子科技集团公司信息科学研究院 一种提升室内监控系统人物识别精度的方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101990667B (zh) * 2008-04-02 2013-08-28 谷歌公司 将自动人脸识别合并入数字图像集中的方法和装置
JP4775515B1 (ja) * 2011-03-14 2011-09-21 オムロン株式会社 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法
JP6049448B2 (ja) * 2012-12-27 2016-12-21 キヤノン株式会社 被写体領域追跡装置、その制御方法及びプログラム
CN105718882B (zh) * 2016-01-19 2018-12-18 上海交通大学 一种分辨率自适应特征提取与融合的行人重识别方法
CN107292240B (zh) * 2017-05-24 2020-09-18 深圳市深网视界科技有限公司 一种基于人脸与人体识别的找人方法及系统
CN108724178B (zh) * 2018-04-13 2022-03-29 顺丰科技有限公司 特定人自主跟随方法及装置、机器人、设备和存储介质
CN108921008A (zh) * 2018-05-14 2018-11-30 深圳市商汤科技有限公司 人像识别方法、装置及电子设备
CN109102531A (zh) * 2018-08-21 2018-12-28 北京深瞐科技有限公司 一种目标轨迹追踪方法及装置
CN109753920B (zh) * 2018-12-29 2021-09-17 深圳市商汤科技有限公司 一种行人识别方法及装置

Also Published As

Publication number Publication date
CN109753920A (zh) 2019-05-14
JP7171884B2 (ja) 2022-11-15
KR20210047917A (ko) 2021-04-30
WO2020135127A1 (zh) 2020-07-02
TW202029055A (zh) 2020-08-01
SG11202011791SA (en) 2020-12-30
JP2021530791A (ja) 2021-11-11
US20210089799A1 (en) 2021-03-25

Similar Documents

Publication Publication Date Title
CN109753920B (zh) 一种行人识别方法及装置
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
KR20200116158A (ko) 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체
CN107784279B (zh) 目标跟踪方法及装置
WO2021093375A1 (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
US20220084056A1 (en) Methods and apparatuses for managing visitor information, electronic devices and storage media
CN110942036B (zh) 人员识别方法及装置、电子设备和存储介质
CN110781957A (zh) 图像处理方法及装置、电子设备和存储介质
CN110633700B (zh) 视频处理方法及装置、电子设备和存储介质
CN109635142B (zh) 图像选择方法及装置、电子设备和存储介质
US11551465B2 (en) Method and apparatus for detecting finger occlusion image, and storage medium
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN109344703B (zh) 对象检测方法及装置、电子设备和存储介质
CN109671051B (zh) 图像质量检测模型训练方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、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
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN109034106B (zh) 人脸数据清洗方法及装置
CN111062407B (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
CN110781975B (zh) 图像处理方法及装置、电子设备和存储介质
CN113032627A (zh) 视频分类方法、装置、存储介质及终端设备
CN112906484A (zh) 一种视频帧处理方法及装置、电子设备和存储介质
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质

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