CN110163135A - 一种基于动态算法的一人一档人脸聚类的方法及系统 - Google Patents

一种基于动态算法的一人一档人脸聚类的方法及系统 Download PDF

Info

Publication number
CN110163135A
CN110163135A CN201910389414.0A CN201910389414A CN110163135A CN 110163135 A CN110163135 A CN 110163135A CN 201910389414 A CN201910389414 A CN 201910389414A CN 110163135 A CN110163135 A CN 110163135A
Authority
CN
China
Prior art keywords
human face
face photo
photo
people
feature
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
CN201910389414.0A
Other languages
English (en)
Other versions
CN110163135B (zh
Inventor
徐玉波
郭家栋
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.)
Hangzhou Commercial Police Cloud Intelligent Technology Co Ltd
Original Assignee
Hangzhou Commercial Police Cloud Intelligent 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 Hangzhou Commercial Police Cloud Intelligent Technology Co Ltd filed Critical Hangzhou Commercial Police Cloud Intelligent Technology Co Ltd
Priority to CN201910389414.0A priority Critical patent/CN110163135B/zh
Publication of CN110163135A publication Critical patent/CN110163135A/zh
Application granted granted Critical
Publication of CN110163135B publication Critical patent/CN110163135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于动态算法的一人一档人脸聚类的方法及系统，包括以下步骤：实时抓拍获取人脸照片，并记录人脸照片对应的抓拍时间以及对应的地点；对抓拍的人脸照片进行长特征和短特征提取，其中长特征为关键位置相对短特征较多的特征，短特征为关键位置相对长特征较少的特征；将抓拍获取的人脸照片相互之间进行长特征和短特征的比对聚类，获得一人一档数据进行分析，获取该人脸的活动轨迹及活动频率；对一人一档数据进行分析，获取该人脸的活动轨迹及不同时间段在不同地点的活动频次。本发明对海量人脸照片进行聚类，提高一人一档人脸聚类效果，将相同人员的在不同时间、不同地点抓拍的人脸照片进行分析归档，形成每人的人脸档案。

Description

一种基于动态算法的一人一档人脸聚类的方法及系统
技术领域
本发明属于图像处理技术领域，具体涉及一种基于动态算法的一人一档人脸聚类的方法及系统。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
人脸聚类技术是人脸相关算法应用在安防等场景中的一项重要技术，以安防门禁场景为例，人脸聚类技术可以将人脸图像根据身份聚合起来，将针对单张图像的人脸识别转化为针对身份的人脸识别，大大降低因单张随机因素造成的误通过率与误报警率，同时在无注册信息的情况下，将采集到的人群建立身份，进行流向监控或陌生人检测。
目前一人一档人脸聚类方式基于已知身份库的人脸照片进行聚类，需要每张照片与已知身份库进行比对，需要大量计算资源。而且目前基于静态算法的一人一档人脸聚类，对于实际场景中人脸照片遮挡、偏转、模糊等情况无法处理，导致大量人脸照片无法聚类，并且人脸聚类比对时，采用固定长度的特征比对，效率较低。
发明内容
为了解决上述问题，本发明提供了一种基于动态算法的一人一档人脸聚类的方法，
本发明的技术方案为：一种基于动态算法的一人一档人脸聚类的方法，包括以下步骤：
S1、实时抓拍获取人脸照片，并记录人脸照片对应的抓拍时间以及对应的地点；
S2、对抓拍的人脸照片进行长特征和短特征提取，其中长特征为关键位置相对较多的特征，短特征为关键位置相对较少的特征；
S3、将抓拍获取的人脸照片相互之间进行长特征和短特征的比对聚类，获得一人一档数据进行分析，获取该人脸的活动轨迹及活动频率；
S4、对一人一档数据进行分析，获取该人脸的活动轨迹及不同时间段在不同地点的活动频次；
S5、显示一人一档中抓拍的人脸照片、活动轨迹及活动频次。
本发明中人脸特征区分短特征和长特征，是基于关键位置的取舍。本发明中长特征指的是从脸部获取尽可能多的关键点位特征，关键点越多，特征包含的信息越多，比如长特征可包含240个特征点；短特征指的是从脸部获取核心的关键点位特征，特征包含信息较少，比如短特征包含64个核心特征点。
人脸的短特征：获取的关键位置相对较少，形成特征值较小，比对耗时极短，但是比对精度不高，可用于海量数据的初步筛选分组；
人脸的长特征：获取的关键位置相对较多，形成特征值较大，比对耗时较长，但是比对精度极高，可用于人脸精准比对聚类。
作为优选，所述步骤S2中，对抓拍的人脸照片进行特征提取时，按照公式(1)进行提取，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
n为人脸上的关键位置数量。
人脸特征提取时，通过对人脸上的关键位置Tn进行特征描述，并根据特征重要性进行权值an设置，通过多个关键位置和权重组合完成对整个人脸特征的描述；特征点位越多，识别准确度越高，消耗计算资源更多。每个特征点值*权重分，然后将所有特征点分数相加；
作为优选，所述步骤S3中，将抓拍获取的人脸照片相互之间进行特征的比对过程包括：
S3-1、取人脸照片A1和人脸照片A2进行短特征比对，若人脸照片A1和人脸照片A2相似度大于等于X％时，人脸照片A1和人脸照片A2归为一组，即G1组；若相似度小于X％时，人脸照片A1和人脸照片A2分为两组，即分别为G1组和G2组；
取人脸照片A3与人脸照片A1进行短特征比对，若人脸照片A3和人脸照片A1相似度大于等于X％时，人脸照片A3归为G1组；反之，若相似度小于X％时，人脸照片A3与人脸照片A2进行短特征比对，若人脸照片A3与人脸照片A2相似度大于等于X％时，人脸照片A3归为G2组；若人脸照片A3与人脸照片A2相似度小于X％时，人脸照片A3归为G3组；
循环所有照片，将所有人脸照片初步分成N组Gn组，Gn组中包括人脸照片Bn；
S3-2、取Gn组中人脸照片B1和人脸照片B2进行长特征比对，若人脸照片B1和人脸照片B2相似度大于等于Y％时，将人脸照片B1和人脸照片B2归为一档，即D1档；若人脸照片B1和人脸照片B2相似度小于Y％时，将人脸照片B1和人脸照片B2分为两档，即分别为D1档和G2档；
取Gn组中人脸照片B3与人脸照片B1进行长特征比对，若人脸照片B3和人脸照片B1相似度大于等于Y％时，人脸照片B3归入D1档；若人脸照片B3和人脸照片B2相似度小于Y％时，人脸照片B3与人脸照片B2进行长特征比对，若人脸照片B3与人脸照片B2相似度大于等于Y％，人脸照片B3归入D2档；若人脸照片B3与人脸照片B2相似度小于Y％时，人脸照片B3归为D3档；
循环所有照片，将所有照片初步分成M档。
本发明中X％和Y％的数值大小，可以根据实际需求进行自行定义。
作为优选，人脸照片进行特征比对时，采用公式(2)进行比对，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
Tn|tn为对应特征点比对；
本发明中将两张人脸照片每个相同位置的特征点比较后*权重分，然后将所有特征点分数相加。
人脸识别静态算法：对于不同角度、遮挡和质量的人脸，权值an是恒定不变的；所以在有遮挡、不同角度等情况下某些特征严重缺损，即便是同一个人，相似度值也不会高于80％。
本发明中基于动态算法，人脸识别动态算法：根据抓拍的角度、遮挡情况和图片质量，动态调整权值an；所以在有遮挡、不同角度等情况下，某些特征严重缺损时，可动态调低该特征对应的权值，从而降低对整体比对结果的影响。
作为优选，所述步骤S3中进行聚类时，按照人脸图片来源区域分别进行一人一档聚类或将人脸图片全部进行一人一档聚类。本发明中进行一人一档聚类归集时，可以不区分照片来源，全部进行一人一档聚类归集，比如全省统一归档；另外本发明中也可以根据照片的涞源区域，按照区域进行一人一档聚类归集，比如杭州地区和宁波地区的照片分别进行归档。
本发明还提供了一种基于动态算法的一人一档人脸聚类系统，包括：
人脸采集模块，用于采集获取实时人脸照片数据；
人脸分析模块，对人脸采集模块获取的人脸照片数据进行特征提取，并进行特征比对聚类以获取一人一档数据；
数据处理模块，对一人一档数据进行分析处理，获取该人脸的活动轨迹及活动频次；
数据显示模块，用于显示一人一档数据中的人脸照片、活动轨迹及活动频次。
上述系统采用上述方法进行一人一档人脸聚类。
与现有技术相比，本发明的有益效果体现在：
(1)本发明是基于动态算法，对海量人脸照片进行聚类，包括遮挡、偏转、模糊等，提高一人一档人脸聚类效果，将相同人员的在不同时间、不同地点抓拍的人脸照片进行分析归档，形成每人的人脸档案，为公安案件侦查提供有效线索。
(2)本发明采用对人脸照片直接聚类方式，不依赖于已知身份库，极大减少技术资源，提升一人一档人脸聚类系统性价比；
(3)本发明采用长短特征进行比对，利用短特征快速排除相似度较低的人脸照片，采用长特征对人脸照片进行精准比对，提升一人一档人脸聚类效率。
附图说明
图1为本发明中基于动态算法的一人一档人脸聚类系统的示意图。
图2为本发明中基于动态算法的一人一档人脸聚类的方法流程示意图。
图3为经由本发明获取的某个人的活动轨迹图。
图4为经由本发明获取的图3中个人的活动频次图。
图5为经由本发明获取的图3中个人的一人一档示意图。
图6为经由本发明获取的图3中个人的抓拍记录图。
具体实施方式
实施例1
如图1所示，本实施例为一种基于动态算法的一人一档人脸聚类系统，该系统包括：
人脸采集模块，用于采集获取实时人脸照片数据；
人脸分析模块，对人脸采集模块获取的人脸照片数据进行特征提取，并进行特征比对聚类以获取一人一档数据，其中长特征为关键位置相对短特征较多的特征，短特征为关键位置相对长特征较少的特征；
数据处理模块，对一人一档数据进行分析处理，获取该人脸的活动轨迹及活动频次；
数据显示模块，用于显示一人一档数据中的人脸照片、活动轨迹及活动频次。
上述系统采集10万张人脸，对10万张人脸照片进行人脸聚类的方法，如图2所示，包括以下步骤：
S1、实时抓拍获取人脸照片，并记录人脸照片对应的抓拍时间以及对应的地点；
S2、对抓拍的人脸照片进行特征提取，按照公式(1)进行提取，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
n为人脸上的关键位置数量。
S3、将抓拍获取的人脸照片相互之间进行特征的比对聚类，比对过程包括：
S3-1、取人脸照片A1和人脸照片A2进行短特征比对，若人脸照片A1和人脸照片A2相似度大于等于X％时，人脸照片A1和人脸照片A2归为一组，即G1组；若相似度小于X％时，人脸照片A1和人脸照片A2分为两组，即分别为G1组和G2组；
取人脸照片A3与人脸照片A1进行短特征比对，若人脸照片A3和人脸照片A1相似度大于等于X％时，人脸照片A3归为G1组；反之，若相似度小于X％时，人脸照片A3与人脸照片A2进行短特征比对，若人脸照片A3与人脸照片A2相似度大于等于X％时，人脸照片A3归为G2组；若人脸照片A3与人脸照片A2相似度小于X％时，人脸照片A3归为G3组；
循环所有照片，将所有人脸照片初步分成N组Gn组，Gn组中包括人脸照片Bn；
S3-2、取Gn组中人脸照片B1和人脸照片B2进行长特征比对，若人脸照片B1和人脸照片B2相似度大于等于Y％时，将人脸照片B1和人脸照片B2归为一档，即D1档；若人脸照片B1和人脸照片B2相似度小于Y％时，将人脸照片B1和人脸照片B2分为两档，即分别为D1档和G2档；
取Gn组中人脸照片B3与人脸照片B1进行长特征比对，若人脸照片B3和人脸照片B1相似度大于等于Y％时，人脸照片B3归入D1档；若人脸照片B3和人脸照片B2相似度小于Y％时，人脸照片B3与人脸照片B2进行长特征比对，若人脸照片B3与人脸照片B2相似度大于等于Y％，人脸照片B3归入D2档；若人脸照片B3与人脸照片B2相似度小于Y％时，人脸照片B3归为D3档；
循环所有照片，将所有照片初步分成M档。
其中，人脸照片进行特征比对时，采用公式(2)进行比对，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
Tn|tn为对应特征点比对；
经由上述过程获得一人一档数据进行分析，获取该人脸的活动轨迹及活动频率；
S4、对一人一档数据进行分析，获取该人脸的活动轨迹及不同时间段在不同地点的活动频次；
S5、显示一人一档中抓拍的人脸照片、活动轨迹及活动频次，可参见图3～图6。
另外，本发明中进行一人一档聚类归集时，可以不区分照片来源，全部进行一人一档聚类归集，比如全省统一归档；另外本发明中也可以根据照片的涞源区域，按照区域进行一人一档聚类归集，比如杭州地区和宁波地区的照片分别进行归档。

Claims (9)

1.一种基于动态算法的一人一档人脸聚类的方法，其特征在于，包括以下步骤：
S1、实时抓拍获取人脸照片，并记录人脸照片对应的抓拍时间以及对应的地点；
S2、对抓拍的人脸照片进行长特征和短特征提取，其中长特征为关键位置相对较多的特征，短特征为关键位置相对较少的特征；
S3、将抓拍获取的人脸照片相互之间进行长特征和短特征的比对聚类，获得一人一档数据进行分析，获取该人脸的活动轨迹及活动频率；
S4、对一人一档数据进行分析，获取该人脸的活动轨迹及不同时间段在不同地点的活动频次；
S5、显示一人一档中抓拍的人脸照片、活动轨迹及活动频次。
2.如权利要求1所述的基于动态算法的一人一档人脸聚类的方法，其特征在于，所述步骤S2中，对抓拍的人脸照片进行特征提取时，按照公式(1)进行提取，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
n为人脸上的关键位置数量。
3.如权利要求1或2所述的基于动态算法的一人一档人脸聚类的方法，其特征在于，所述步骤S3中，将抓拍获取的人脸照片相互之间进行特征的比对过程包括：
S3-1、取人脸照片A1和人脸照片A2进行短特征比对，若人脸照片A1和人脸照片A2相似度大于等于X％时，人脸照片A1和人脸照片A2归为一组，即G1组；若相似度小于X％时，人脸照片A1和人脸照片A2分为两组，即分别为G1组和G2组；
取人脸照片A3与人脸照片A1进行短特征比对，若人脸照片A3和人脸照片A1相似度大于等于X％时，人脸照片A3归为G1组；反之，若相似度小于X％时，人脸照片A3与人脸照片A2进行短特征比对，若人脸照片A3与人脸照片A2相似度大于等于X％时，人脸照片A3归为G2组；若人脸照片A3与人脸照片A2相似度小于X％时，人脸照片A3归为G3组；
循环所有照片，将所有人脸照片初步分成N组Gn组，Gn组中包括人脸照片Bn；
S3-2、取Gn组中人脸照片B1和人脸照片B2进行长特征比对，若人脸照片B1和人脸照片B2相似度大于等于Y％时，将人脸照片B1和人脸照片B2归为一档，即D1档；若人脸照片B1和人脸照片B2相似度小于Y％时，将人脸照片B1和人脸照片B2分为两档，即分别为D1档和G2档；
取Gn组中人脸照片B3与人脸照片B1进行长特征比对，若人脸照片B3和人脸照片B1相似度大于等于Y％时，人脸照片B3归入D1档；若人脸照片B3和人脸照片B2相似度小于Y％时，人脸照片B3与人脸照片B2进行长特征比对，若人脸照片B3与人脸照片B2相似度大于等于Y％，人脸照片B3归入D2档；若人脸照片B3与人脸照片B2相似度小于Y％时，人脸照片B3归为D3档；
循环所有照片，将所有照片初步分成M档。
4.如权利要求3所述的基于动态算法的一人一档人脸聚类的方法，其特征在于，人脸照片进行特征比对时，采用公式(2)进行比对，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
n为人脸上的关键位置数量。
5.如权利要求1所述的基于动态算法的一人一档人脸聚类的方法，其特征在于，所述步骤S3中进行聚类时，按照人脸图片来源区域分别进行一人一档聚类或将人脸图片全部进行一人一档聚类。
6.一种基于动态算法的一人一档人脸聚类系统，其特征在于，包括：
人脸采集模块，用于采集获取实时人脸照片数据；
人脸分析模块，对人脸采集模块获取的人脸照片数据进行长特征和短特征提取，并进行特征比对聚类以获取一人一档数据，其中长特征为关键位置相对较多的特征，短特征为关键位置相对较少的特征；
数据处理模块，对一人一档数据进行分析处理，获取该人脸的活动轨迹及活动频次；
数据显示模块，用于显示一人一档数据中的人脸照片、活动轨迹及活动频次。
7.如权利要求6所述的基于动态算法的一人一档人脸聚类系统，其特征在于，对抓拍的人脸照片进行特征提取时，按照公式(1)进行提取，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
n为人脸上的关键位置数量。
8.如权利要求6或7所述的基于动态算法的一人一档人脸聚类系统，其特征在于，进行特征比对聚类的过程包括：
S3-1、取人脸照片A1和人脸照片A2进行短特征比对，若人脸照片A1和人脸照片A2相似度大于等于X％时，人脸照片A1和人脸照片A2归为一组，即G1组；若相似度小于X％时，人脸照片A1和人脸照片A2分为两组，即分别为G1组和G2组；
取人脸照片A3与人脸照片A1进行短特征比对，若人脸照片A3和人脸照片A1相似度大于等于X％时，人脸照片A3归为G1组；反之，若相似度小于X％时，人脸照片A3与人脸照片A2进行短特征比对，若人脸照片A3与人脸照片A2相似度大于等于X％时，人脸照片A3归为G2组；若人脸照片A3与人脸照片A2相似度小于X％时，人脸照片A3归为G3组；
循环所有照片，将所有人脸照片初步分成N组Gn组，Gn组中包括人脸照片Bn；
S3-2、取Gn组中人脸照片B1和人脸照片B2进行长特征比对，若人脸照片B1和人脸照片B2相似度大于等于Y％时，将人脸照片B1和人脸照片B2归为一档，即D1档；若人脸照片B1和人脸照片B2相似度小于Y％时，将人脸照片B1和人脸照片B2分为两档，即分别为D1档和G2档；
取Gn组中人脸照片B3与人脸照片B1进行长特征比对，若人脸照片B3和人脸照片B1相似度大于等于Y％时，人脸照片B3归入D1档；若人脸照片B3和人脸照片B2相似度小于Y％时，人脸照片B3与人脸照片B2进行长特征比对，若人脸照片B3与人脸照片B2相似度大于等于Y％，人脸照片B3归入D2档；若人脸照片B3与人脸照片B2相似度小于Y％时，人脸照片B3归为D3档；
循环所有照片，将所有照片初步分成M档。
9.如权利要求8所述的基于动态算法的一人一档人脸聚类系统，其特征在于，人脸照片进行特征比对时，采用公式(2)进行比对，
其中，Tn为人脸上的关键位置；
an为对应特征点的权值；
Tn|tn为对应特征点比对。
CN201910389414.0A 2019-05-10 2019-05-10 一种基于动态算法的一人一档人脸聚类的方法及系统 Active CN110163135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910389414.0A CN110163135B (zh) 2019-05-10 2019-05-10 一种基于动态算法的一人一档人脸聚类的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910389414.0A CN110163135B (zh) 2019-05-10 2019-05-10 一种基于动态算法的一人一档人脸聚类的方法及系统

Publications (2)

Publication Number Publication Date
CN110163135A true CN110163135A (zh) 2019-08-23
CN110163135B CN110163135B (zh) 2021-09-07

Family

ID=67634155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910389414.0A Active CN110163135B (zh) 2019-05-10 2019-05-10 一种基于动态算法的一人一档人脸聚类的方法及系统

Country Status (1)

Country Link
CN (1) CN110163135B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516624A (zh) * 2019-08-29 2019-11-29 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111242040A (zh) * 2020-01-15 2020-06-05 佳都新太科技股份有限公司 一种动态人脸聚类方法、装置、设备和存储介质
CN111507367A (zh) * 2019-11-15 2020-08-07 杭州商警云智能科技有限公司 一种基于人脸档案的聚集点分析的方法及系统
CN111814627A (zh) * 2020-06-29 2020-10-23 深圳市商汤科技有限公司 人员检测方法及装置、电子设备和存储介质
CN112836089A (zh) * 2021-01-28 2021-05-25 浙江大华技术股份有限公司 运动轨迹的确认方法及装置、存储介质、电子装置
CN114022934A (zh) * 2021-11-04 2022-02-08 南威软件股份有限公司 一种基于多数原则的实时人像聚档方法、系统和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6697502B2 (en) * 2000-12-14 2004-02-24 Eastman Kodak Company Image processing method for detecting human figures in a digital image
JP2006004447A (ja) * 2005-07-20 2006-01-05 Seiko Epson Corp 指紋照合方法及び指紋照合装置
EP2378463A2 (en) * 2004-03-16 2011-10-19 3VR Security, Inc. Pipeline architecture for analyzing multiple video streams
CN105608430A (zh) * 2015-12-22 2016-05-25 小米科技有限责任公司 人脸聚类方法及装置
CN106355170A (zh) * 2016-11-22 2017-01-25 Tcl集团股份有限公司 照片分类方法及装置
CN106446797A (zh) * 2016-08-31 2017-02-22 腾讯科技（深圳）有限公司 图像聚类方法及装置
CN107480708A (zh) * 2017-07-31 2017-12-15 微梦创科网络科技（中国）有限公司 一种复杂模型的聚类方法及系统
CN109145844A (zh) * 2018-08-29 2019-01-04 北京旷视科技有限公司 用于城市安防监控的档案管理方法、装置以及电子设备
CN109241378A (zh) * 2018-08-29 2019-01-18 北京旷视科技有限公司 档案建立方法、装置、设备及存储介质
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6697502B2 (en) * 2000-12-14 2004-02-24 Eastman Kodak Company Image processing method for detecting human figures in a digital image
EP2378463A2 (en) * 2004-03-16 2011-10-19 3VR Security, Inc. Pipeline architecture for analyzing multiple video streams
JP2006004447A (ja) * 2005-07-20 2006-01-05 Seiko Epson Corp 指紋照合方法及び指紋照合装置
CN105608430A (zh) * 2015-12-22 2016-05-25 小米科技有限责任公司 人脸聚类方法及装置
CN106446797A (zh) * 2016-08-31 2017-02-22 腾讯科技（深圳）有限公司 图像聚类方法及装置
CN106355170A (zh) * 2016-11-22 2017-01-25 Tcl集团股份有限公司 照片分类方法及装置
CN107480708A (zh) * 2017-07-31 2017-12-15 微梦创科网络科技（中国）有限公司 一种复杂模型的聚类方法及系统
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备
CN109145844A (zh) * 2018-08-29 2019-01-04 北京旷视科技有限公司 用于城市安防监控的档案管理方法、装置以及电子设备
CN109241378A (zh) * 2018-08-29 2019-01-18 北京旷视科技有限公司 档案建立方法、装置、设备及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516624A (zh) * 2019-08-29 2019-11-29 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111507367A (zh) * 2019-11-15 2020-08-07 杭州商警云智能科技有限公司 一种基于人脸档案的聚集点分析的方法及系统
CN111242040A (zh) * 2020-01-15 2020-06-05 佳都新太科技股份有限公司 一种动态人脸聚类方法、装置、设备和存储介质
WO2021143237A1 (zh) * 2020-01-15 2021-07-22 佳都新太科技股份有限公司 一种动态人脸聚类方法、装置、设备和存储介质
CN111242040B (zh) * 2020-01-15 2022-08-02 佳都科技集团股份有限公司 一种动态人脸聚类方法、装置、设备和存储介质
CN111814627A (zh) * 2020-06-29 2020-10-23 深圳市商汤科技有限公司 人员检测方法及装置、电子设备和存储介质
CN111814627B (zh) * 2020-06-29 2021-11-26 深圳市商汤科技有限公司 人员检测方法及装置、电子设备和存储介质
CN112836089A (zh) * 2021-01-28 2021-05-25 浙江大华技术股份有限公司 运动轨迹的确认方法及装置、存储介质、电子装置
CN112836089B (zh) * 2021-01-28 2023-08-22 浙江大华技术股份有限公司 运动轨迹的确认方法及装置、存储介质、电子装置
CN114022934A (zh) * 2021-11-04 2022-02-08 南威软件股份有限公司 一种基于多数原则的实时人像聚档方法、系统和介质

Also Published As

Publication number Publication date
CN110163135B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN110163135A (zh) 一种基于动态算法的一人一档人脸聚类的方法及系统
CN104091176B (zh) 人像比对在视频中的应用技术
CN106997629B (zh) 门禁控制方法、装置及系统
CN105574506B (zh) 基于深度学习和大规模集群的智能人脸追逃系统及方法
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
Ma et al. A reliable people counting system via multiple cameras
CN106998444A (zh) 一种大数据人脸监控系统及装置
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN107230267B (zh) 基于人脸识别算法的幼儿园智能签到方法
CN108009482A (zh) 一种提高人脸识别效率方法
CN105447443A (zh) 提高虹膜识别装置识别准确性的方法及装置
CN104504408A (zh) 一种人脸识别比对方法和实现该方法的系统
CN107506800A (zh) 一种基于无监督域适应的无标签视频人脸识别方法
Wu et al. Coherent motion detection with collective density clustering
CN102542246A (zh) Atm机异常人脸检测方法
CN101582163B (zh) 视频监控图像中最清晰人脸的捕捉方法
Yen et al. Facial feature extraction using genetic algorithm
CN106557760A (zh) 一种基于视频识别技术的图像画面检索过滤监控系统
CN110532857A (zh) 基于多摄像头下的行为识别影像分析系统
CN111968152A (zh) 一种动态身份识别方法及装置
Ghidoni et al. Texture-based crowd detection and localisation
CN110826390A (zh) 一种基于人脸矢量特征的视频数据处理方法
Moorthy et al. CNN based smart surveillance system: a smart IoT application post covid-19 era
Amaro et al. Evaluation of machine learning techniques for face detection and recognition
Arachchilage et al. A framework for real-time face-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