CN110633692A - 一种用于无人机航拍的行人识别方法和相关装置 - Google Patents

一种用于无人机航拍的行人识别方法和相关装置 Download PDF

Info

Publication number
CN110633692A
CN110633692A CN201910916661.1A CN201910916661A CN110633692A CN 110633692 A CN110633692 A CN 110633692A CN 201910916661 A CN201910916661 A CN 201910916661A CN 110633692 A CN110633692 A CN 110633692A
Authority
CN
China
Prior art keywords
pedestrian
gait
identified
unmanned aerial
aerial vehicle
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.)
Pending
Application number
CN201910916661.1A
Other languages
English (en)
Inventor
陈俊安
黄国恒
杨尚儒
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910916661.1A priority Critical patent/CN110633692A/zh
Publication of CN110633692A publication Critical patent/CN110633692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种用于无人机航拍的行人识别方法和相关装置，其中方法包括：获取航拍视频中待识别行人对应的步态轮廓序列；按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征；融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征；将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果，解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。

Description

一种用于无人机航拍的行人识别方法和相关装置
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种用于无人机航拍的行人识别方法和相关装置。
背景技术
随着视频等流媒体技术和无人机技术的发展，无人机的应用越来越广泛，例如安防监控、人员侦查等。
然而由于无人机在空中拍摄的画面较模糊、分辨率较低，若利用人脸识别进行行人重识别，识别准确度较低。
发明内容
有鉴于此，本申请提供了一种用于无人机航拍的行人识别方法和相关装置，解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
本申请第一方面提供了一种用于无人机航拍的行人识别方法，应用于无人机拍摄的航拍视频，包括：
获取航拍视频中待识别行人对应的步态轮廓序列；
按照时间顺序，对所述步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；
对所述步态轮廓序列的整体进行步态特征提取，得到所述步态轮廓序列对应的第二步态特征；
融合所述第二步态特征和所有所述第一步态特征，得到所述步态轮廓序列对应的待识别步态特征；
将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果。
可选地，所述方法还包括：
当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍。
可选地，所述当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍之后还包括：
在跟拍过程中，按照预置框选方法，对所述无人机跟拍到的跟拍视频进行待识别行人的框选；
输出框选有待识别行人的跟拍视频。
可选地，所述输出框选有待识别行人的跟拍视频之后还包括：
检测框选的所述待识别行人在所述跟拍视频中的分布位置；
根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处。
可选地，所述根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处之前还包括：
获取无人机飞行环境中的风力信息；
则所述根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处具体包括：
根据所述风力信息、所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处。
可选地，所述将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果之前还包括：
将所述待识别步态特征进行降维处理。
本申请第二方面提供了一种用于无人机航拍的行人识别装置，包括：
获取单元，用于获取航拍视频中待识别行人对应的步态轮廓序列；
第一提取单元，用于按照时间顺序，对所述步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；
第二提取单元，用于对所述步态轮廓序列的整体进行步态特征提取，得到所述步态轮廓序列对应的第二步态特征；
融合单元，用于融合所述第二步态特征和所有所述第一步态特征，得到所述步态轮廓序列对应的待识别步态特征；
识别单元，用于将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果。
可选地，还包括：
跟拍单元，用于当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍。
本申请第三方面提供了一种用于无人机航拍的行人识别设备，包括：处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码的指令执行第一方面所述的用于无人机航拍的行人识别方法。
本申请第四方面提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的用于无人机航拍的行人识别方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供的用于无人机航拍的行人识别方法，包括：首先获取航拍视频中待识别行人对应的步态轮廓序列，接着按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征，再接着对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征，然后融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征，最后将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。
由于无人机航拍视频中，人所占比例较小，故如果采用人脸识别方法进行识别，则会因为清晰度等问题而导致识别率较低，在本申请中，对航拍识别中的行人重识别通过步态特征进行，而步态特征的清晰度并不会因为人员所占比例的大小发生变化，识别准确率较高，从而解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
附图说明
图1为本申请实施例中一种用于无人机航拍的行人识别方法的实施例一的流程示意图；
图2为本申请实施例中一种用于无人机航拍的行人识别方法的实施例二的流程示意图；
图3为本申请实施例中一种用于无人机航拍的行人识别装置的实施例的结构示意图。
具体实施方式
针对背景技术中提到的问题，发明人在研究现有技术后发现，无人机拍摄到的航拍视频画面较模糊，分辨率也较低，这种情况时，不同行人的外貌特征可能比同一个人的外貌特征更相似，导致了行人重识别的识别准确率较低。
鉴于上述技术问题，本申请实施例提供了一种用于无人机航拍的行人识别方法和相关装置，解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以便于理解，下面对本申请中的一种用于无人机航拍的行人识别方法进行详细说明。
请参阅图1，图1为本申请实施例中一种用于无人机航拍的行人识别方法的实施例一的流程示意图，具体包括：
步骤101、获取航拍视频中待识别行人对应的步态轮廓序列。
需要说明的是，本实施例中，对于无人机拍摄到的航拍视频中的行人重识别，通过步态特征识别的方式进行，进行步态特征识别时，首先获取航拍视频中待识别行人对应的步态轮廓序列。
可以理解的是，步态轮廓序列中的步态轮廓图，可以是黑白的，也可以是彩色的，为了减小后续的计算量，本实施例中获取到的步态轮廓序列中的步态轮廓图是黑白的。
步骤102、按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征。
需要说明的是，为了最终识别时的步态特征较准确，本实施例中，首先按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征。
可以理解的是，本实施例中的第一步态特征指的是人在行走时所表现的姿态特征及动作特征，可以包括但不限于，步频、步速和步伐大小等。
具体地，本实施例中对第一步态特征的提取可以是通过CNN网络实现的，当然也可以是现有的其他结构实现，本实施例中不再一一举例描述。
步骤103、对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征。
需要说明的是，在得到第一步态特征之前或之后或同时，对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征。
可以理解的是，本实施例中的第二步态特征指的是人在行走时所表现的姿态特征及动作特征，可以包括但不限于，步频、步速和步伐大小等。
具体地，本实施例中对第二步态特征的提取可以是通过CNN网络实现的，当然也可以是现有的其他结构实现，本实施例中不再一一举例描述。
步骤104、融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征。
需要说明的是，对于步态特征这种相对动态的特征，在后续识别时，为了提高识别准确率，通过将每一帧的第一步态特征和整体的第二步态特征进行融合，得到步态轮廓序列对应的待识别步态特征。
可以理解的是，本实施例中的待识别步态特征指的是人在行走时所表现的姿态特征及动作特征，可以包括但不限于，步频、步速和步伐大小等。
可以理解的是，融合算法可以是，将提取到的第一步态特征和第二步态特征均输入至CNN神经网络中再次进行卷积，即进行了融合。
步骤105、将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。
需要说明的是，本实施例中对于待识别步态特征和验证步态特征的对比，可以是通过horizontal Pyramid Mapping(HPM)进行的，也可以是通过SVM分类器进行的。
本实施例中，首先获取航拍视频中待识别行人对应的步态轮廓序列，接着按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征，再接着对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征，然后融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征，最后将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。本申请中，对航拍识别中的行人重识别通过步态特征进行，识别准确率较高，从而解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
以上为本申请实施例提供的一种用于无人机航拍的行人识别方法的实施例一，以下为本申请实施例提供的一种用于无人机航拍的行人识别方法的实施例二。
请参阅图2，本申请实施例中一种用于无人机航拍的行人识别方法的实施例二的流程示意图，包括：
步骤201、获取航拍视频中待识别行人对应的步态轮廓序列。
需要说明的是，步骤201与实施例一中的步骤101的描述相同，具体可以参见上述步骤101的描述，在此不再赘述。
步骤202、按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征。
需要说明的是，步骤202与实施例一中的步骤102的描述相同，具体可以参见上述步骤102的描述，在此不再赘述。
步骤203、对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征。
需要说明的是，步骤203与实施例一中的步骤103的描述相同，具体可以参见上述步骤103的描述，在此不再赘述。
步骤204、融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征。
需要说明的是，步骤204与实施例一中的步骤103的描述相同，具体可以参见上述步骤104的描述，在此不再赘述。
步骤205、将待识别步态特征进行降维处理。
需要说明的是，为了减少计算时的计算量，对待识别特征进行降维处理，本实施例中的降维处理具体通过池化处理实现。
步骤206、将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。
需要说明的是，步骤206与实施例一中的步骤105的描述相同，具体可以参见上述步骤105的描述，在此不再赘述。
步骤207、当识别结果为待识别行人为目标行人时，根据目标跟踪算法对待识别行人进行跟拍。
需要说明的是，本实施例中的目标跟踪算法可以是现有的多种目标跟踪算法，例如，Struck算法、SCM算法、ASLA算法等，本领域技术人员可以根据实际需要进行选择，在此不做具体限定。
步骤208、在跟拍过程中，按照预置框选方法，对无人机跟拍到的跟拍视频进行待识别行人的框选。
需要说明的是，本实施例中的预置框选方法为，对于跟拍视频的第一帧用预置框选结构(大小为4k*256)框住所需要追踪的目标，然后将这个图片作为模板帧，对于跟拍视频中的除第一帧以外的其他帧图片，通过将模板帧中的预置框选结构(大小为4k*256)进行卷积得到17*17*4k的框选结构。可以理解的是，对于步骤201中拍摄得到的航拍视频我们可以认为是跟拍视频，即我们可以采用同样的框选方法对航拍视频进行待识别行人的框选。当然可以理解的是，我们也可以认为在对待识别进行目标行人的识别后，将拍摄到的视频认为是跟拍视频。同样可以理解的是，本实施例中的预置框选方法还可以是通过一个固定大小的预置框选结构实现。
可以理解的是，对于预置框选结构的大小可以根据需要进行选择和设置，本实施例中描述的仅仅是示例性地说明，并不对本实施例中的上述技术方案构成限制。
可以理解的是，还可以每隔一定的时间对预置框选结构进行更新。
步骤209、输出框选有待识别行人的跟拍视频。
步骤210、根据分布位置调整无人机的飞行姿态，使得框选的待识别行人位于跟拍视频的预置位置处。
需要说明的是，在跟拍的过程中，为了拍摄的跟拍视频中框选的待识别行人的相对位置相对固定，本实施例中根据分布位置调整无人机的飞行姿态，使得框选的待识别行人位于跟拍视频的预置位置处。可以理解的是，预置位置可以是跟拍视频每帧图片的中部位置，防止丢失待识别行人。
可以理解的是，本实施例中的无人机飞行姿态的调整，还可以结合风力信息实现，使得无人机飞行的较为稳定，具体实施方式为：
获取无人机飞行环境中的风力信息；
根据风力信息、分布位置调整无人机的飞行姿态，使得框选的待识别行人位于跟拍视频的预置位置处。本实施例中的跟踪方法使得行人框始终保持在无人跟拍视频中每一帧图片的中央位置。
对于第二种结合风力信息的调整方法，跟拍视频中框选的待识别行人的分布位置对应当前角度，预置位置对应预置角度，然后得到风力信息，例如风速大小和风速方向。根据当前角度、目标角度和风力信息，得到无人机飞行姿态的调整角度。
具体地，根据当前角度、目标角度和风力信息，得到无人机飞行姿态的调整角度可以是，将当前角度和风力信息输入至扩张状态观测器(ESO)，得到一个值，然后将该值和目标角度通过过渡期望信号及过渡期望微分信号进行非线性组合，从而得到调整角度。
本实施例中，首先获取航拍视频中待识别行人对应的步态轮廓序列，接着按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征，再接着对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征，然后融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征，最后将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。本申请中，对航拍识别中的行人重识别通过步态特征进行，识别准确率较高，从而解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
以上为本申请实施例提供的一种用于无人机航拍的行人识别方法的实施例二，以下为本申请实施例提供的一种用于无人机航拍的行人识别装置的实施例。
请参阅图3，本申请实施例中一种用于无人机航拍的行人识别装置的实施例的结构示意图，包括：
获取单元301，用于获取航拍视频中待识别行人对应的步态轮廓序列；
第一提取单元302，用于按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；
第二提取单元303，用于对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征；
融合单元304，用于融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征；
识别单元305，用于将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。
本实施例中，首先获取航拍视频中待识别行人对应的步态轮廓序列，接着按照时间顺序，对步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征，再接着对步态轮廓序列的整体进行步态特征提取，得到步态轮廓序列对应的第二步态特征，然后融合第二步态特征和所有第一步态特征，得到步态轮廓序列对应的待识别步态特征，最后将待识别步态特征与目标行人对应的验证步态特征进行对比，得到待识别行人对应的识别结果。本申请中，对航拍识别中的行人重识别通过步态特征进行，识别准确率较高，从而解决了现有利用人脸识别进行行人重识别时，识别准确度较低的技术问题。
本申请实施例还提供了一种用于无人机航拍的行人识别设备，包括：处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码的指令执行实施例一或实施例二的用于无人机航拍的行人识别方法。
本申请实施例还提供了一种存储介质，存储介质用于存储程序代码，程序代码用于执行实施例一或实施例二的用于无人机航拍的行人识别方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的待安装电网网络，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种用于无人机航拍的行人识别方法，应用于无人机拍摄的航拍视频，其特征在于，包括：
获取航拍视频中待识别行人对应的步态轮廓序列；
按照时间顺序，对所述步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；
对所述步态轮廓序列的整体进行步态特征提取，得到所述步态轮廓序列对应的第二步态特征；
融合所述第二步态特征和所有所述第一步态特征，得到所述步态轮廓序列对应的待识别步态特征；
将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果。
2.根据权利要求1所述的用于无人机航拍的行人识别方法，其特征在于，所述方法还包括：
当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍。
3.根据权利要求2所述的用于无人机航拍的行人识别方法，其特征在于，所述当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍之后还包括：
在跟拍过程中，按照预置框选方法，对所述无人机跟拍到的跟拍视频进行待识别行人的框选；
输出框选有待识别行人的跟拍视频。
4.根据权利要求3所述的用于无人机航拍的行人识别方法，其特征在于，所述输出框选有待识别行人的跟拍视频之后还包括：
检测框选的所述待识别行人在所述跟拍视频中的分布位置；
根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处。
5.根据权利要求4所述的用于无人机航拍的行人识别方法，其特征在于，所述根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处之前还包括：
获取无人机飞行环境中的风力信息；
则所述根据所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处具体包括：
根据所述风力信息、所述分布位置调整所述无人机的飞行姿态，使得框选的所述待识别行人位于所述跟拍视频的预置位置处。
6.根据权利要求1所述的用于无人机航拍的行人识别方法，其特征在于，所述将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果之前还包括：
将所述待识别步态特征进行降维处理。
7.一种用于无人机航拍的行人识别装置，其特征在于，包括：
获取单元，用于获取航拍视频中待识别行人对应的步态轮廓序列；
第一提取单元，用于按照时间顺序，对所述步态轮廓序列的每一帧进行步态特征提取，得到每一帧对应的第一步态特征；
第二提取单元，用于对所述步态轮廓序列的整体进行步态特征提取，得到所述步态轮廓序列对应的第二步态特征；
融合单元，用于融合所述第二步态特征和所有所述第一步态特征，得到所述步态轮廓序列对应的待识别步态特征；
识别单元，用于将所述待识别步态特征与目标行人对应的验证步态特征进行对比，得到所述待识别行人对应的识别结果。
8.根据权利要求7所述的用于无人机航拍的行人识别装置，其特征在于，还包括：
跟拍单元，用于当所述识别结果为所述待识别行人为所述目标行人时，根据目标跟踪算法对所述待识别行人进行跟拍。
9.一种用于无人机航拍的行人识别设备，其特征在于，包括：处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码的指令执行权利要求1至6中任一项所述的用于无人机航拍的行人识别方法。
10.一种存储介质，其特征在于，所述存储介质用于存储程序代码，所述程序代码用于执行权利要求1至6中任一项所述的用于无人机航拍的行人识别方法。
CN201910916661.1A 2019-09-26 2019-09-26 一种用于无人机航拍的行人识别方法和相关装置 Pending CN110633692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910916661.1A CN110633692A (zh) 2019-09-26 2019-09-26 一种用于无人机航拍的行人识别方法和相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910916661.1A CN110633692A (zh) 2019-09-26 2019-09-26 一种用于无人机航拍的行人识别方法和相关装置

Publications (1)

Publication Number Publication Date
CN110633692A true CN110633692A (zh) 2019-12-31

Family

ID=68974455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910916661.1A Pending CN110633692A (zh) 2019-09-26 2019-09-26 一种用于无人机航拍的行人识别方法和相关装置

Country Status (1)

Country Link
CN (1) CN110633692A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001254A (zh) * 2020-07-23 2020-11-27 浙江大华技术股份有限公司 一种行人识别的方法及相关装置
CN113869126A (zh) * 2021-08-30 2021-12-31 浙江大华技术股份有限公司 评估方法、预警设备、电子设备以及可读存储介质
WO2022174523A1 (zh) * 2021-02-22 2022-08-25 豪威芯仑传感器(上海)有限公司 一种提取行人的步态特征的方法、步态识别方法及系统
CN118470751A (zh) * 2024-07-09 2024-08-09 泸州职业技术学院 一种基于数据样本互补特征的行人重识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310444A (zh) * 2013-05-21 2013-09-18 上海交通大学 一种基于头顶摄像头的监控行人计数的方法
CN105447459A (zh) * 2015-11-18 2016-03-30 上海海事大学 一种无人机自动检测目标和跟踪方法
CN107423729A (zh) * 2017-09-20 2017-12-01 湖南师范大学 一种面向复杂视觉场景下的远距离类脑三维步态识别系统及实现方法
CN109670435A (zh) * 2018-12-13 2019-04-23 深圳市信义科技有限公司 一种基于人体步态特征对身份进行识别的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310444A (zh) * 2013-05-21 2013-09-18 上海交通大学 一种基于头顶摄像头的监控行人计数的方法
CN105447459A (zh) * 2015-11-18 2016-03-30 上海海事大学 一种无人机自动检测目标和跟踪方法
CN107423729A (zh) * 2017-09-20 2017-12-01 湖南师范大学 一种面向复杂视觉场景下的远距离类脑三维步态识别系统及实现方法
CN109670435A (zh) * 2018-12-13 2019-04-23 深圳市信义科技有限公司 一种基于人体步态特征对身份进行识别的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001254A (zh) * 2020-07-23 2020-11-27 浙江大华技术股份有限公司 一种行人识别的方法及相关装置
CN112001254B (zh) * 2020-07-23 2021-07-13 浙江大华技术股份有限公司 一种行人识别的方法及相关装置
WO2022174523A1 (zh) * 2021-02-22 2022-08-25 豪威芯仑传感器(上海)有限公司 一种提取行人的步态特征的方法、步态识别方法及系统
CN113869126A (zh) * 2021-08-30 2021-12-31 浙江大华技术股份有限公司 评估方法、预警设备、电子设备以及可读存储介质
CN118470751A (zh) * 2024-07-09 2024-08-09 泸州职业技术学院 一种基于数据样本互补特征的行人重识别方法
CN118470751B (zh) * 2024-07-09 2024-09-10 泸州职业技术学院 一种基于数据样本互补特征的行人重识别方法

Similar Documents

Publication Publication Date Title
US10943095B2 (en) Methods and systems for matching extracted feature descriptors for enhanced face recognition
US10672140B2 (en) Video monitoring method and video monitoring system
CN110633692A (zh) 一种用于无人机航拍的行人识别方法和相关装置
CN106469299B (zh) 一种车辆搜索方法及装置
CN105335722B (zh) 一种基于深度图像信息的检测系统及方法
US20180089534A1 (en) Cross-modiality image matching method
US9633044B2 (en) Apparatus and method for recognizing image, and method for generating morphable face images from original image
US10674139B2 (en) Methods and systems for human action recognition using 3D integral imaging
CN112446270A (zh) 行人再识别网络的训练方法、行人再识别方法和装置
US20120219213A1 (en) Embedded Optical Flow Features
US20150178554A1 (en) System and method for identifying faces in unconstrained media
CN107862300A (zh) 一种基于卷积神经网络的监控场景下行人属性识别方法
CN105095905A (zh) 目标识别方法和目标识别装置
KR101872811B1 (ko) 행동 패턴 인식 장치, 행동 패턴 인식 방법 및 행동 패턴 분류기 생성 방법
CN111241932A (zh) 汽车展厅客流检测与分析系统、方法及存储介质
CN110647782A (zh) 三维人脸重建与多姿态人脸识别方法及装置
CN112163545A (zh) 一种头部特征提取方法、装置、电子设备及存储介质
WO2023279799A1 (zh) 对象识别方法、装置和电子系统
US11605220B2 (en) Systems and methods for video surveillance
CN113706550A (zh) 图像场景识别和模型训练方法、装置和计算机设备
CN113869151B (zh) 一种基于特征融合的跨视角步态识别方法及系统
CN112990156B (zh) 基于视频的最优目标捕捉方法、装置及相关设备
CN114783054A (zh) 一种基于无线和视频特征融合的步态识别方法
KR102224218B1 (ko) 비디오 시간 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 장치
CN113743313A (zh) 一种行人识别方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191231

RJ01 Rejection of invention patent application after publication