CN110751116A - 一种目标识别的方法及装置 - Google Patents

一种目标识别的方法及装置 Download PDF

Info

Publication number
CN110751116A
CN110751116A CN201911019735.8A CN201911019735A CN110751116A CN 110751116 A CN110751116 A CN 110751116A CN 201911019735 A CN201911019735 A CN 201911019735A CN 110751116 A CN110751116 A CN 110751116A
Authority
CN
China
Prior art keywords
determining
tracked
target
time period
event occurrence
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
CN201911019735.8A
Other languages
English (en)
Other versions
CN110751116B (zh
Inventor
黄永祯
史伟康
刘萌萌
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.)
Yinhe Shuidi Technology Ningbo Co ltd
Original Assignee
Watrix Technology Beijing 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 Watrix Technology Beijing Co Ltd filed Critical Watrix Technology Beijing Co Ltd
Priority to CN201911019735.8A priority Critical patent/CN110751116B/zh
Publication of CN110751116A publication Critical patent/CN110751116A/zh
Application granted granted Critical
Publication of CN110751116B publication Critical patent/CN110751116B/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
    • 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
    • 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
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种目标识别的方法及装置，首先根据确定的追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域，确定至少一组第一图像集，进而确定多个待追踪对象，然后根据确定的事件发生时间段对应的目标历史时间段，以及事件发生区域对应的至少一个目标区域，确定至少一组第二图像集，进而基于各个待追踪对象在目标历史时间段内，出现在目标区域的频次大小，确定至少一个目标追踪对象，从而在不能确定目标的情况下，提升检测到目标的概率。

Description

一种目标识别的方法及装置
技术领域
本申请涉及图像处理技术领域，尤其是涉及一种目标识别的方法及装置。
背景技术
随着人脸识别技术的逐渐成熟，被广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。例如人脸识别门禁、计算机登录、刑侦等。
例如，当人脸识别技术被应用于刑侦领域时，能够通过预先确定的嫌疑人图像，基于针对某个区域的监控视频，检测嫌疑人是否在某个时段出现在该区域。但是这种方式一般是需要预先确定嫌疑人图像。在嫌疑人并不确定的情况下，是无法基于人脸识别技术来确定嫌疑人出现的区域的。
发明内容
有鉴于此，本申请的目的在于提供一种目标识别的方法及装置，以便于不能确定目标的情况下，提升检测到目标的概率。
第一方面，本申请实施例提供了一种目标识别的方法，其中，包括：
确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
基于所述第一图像集，确定多个待追踪对象；
确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象。
本申请的一实施例中，所述基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集，包括：
获取所述事件发生区域内安装的至少一个图像获取设备在所述事件发生时间段采集的监控视频；
针对每个所述图像获取设备，根据所述图像获取设备采集的所述监控视频，生成所述图像获取设备对应的一组第一图像集。
本申请的一实施例中，所述基于所述第一图像集，确定多个待追踪对象，包括：
基于所述第一图像集中的各张第一图像，确定在各个所述第一图像集中出现的第一对象；
对各个所述第一图像集中出现的所述第一对象进行去重复处理；
将去重复处理后的各个第一对象，确定为所述待追踪对象。
本申请的一实施例中，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次，包括：
基于所述第一图像集，得到各个待追踪对象的步态特征向量集合；任一所述待追踪对象的步态特征集合中包括所述待追踪对象的至少一个第一步态特征向量；以及，
基于所述第二图像集，确定在各个所述第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量；
基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次，包括：
针对每个所述第二步态特征向量，将所述第二步态特征向量，分别与各个所述步态特征向量集合中的各个第一步态特征向量进行匹配；
基于所述第二步态特征向量的匹配结果，确定与所述第二步态特征向量对应第二对象的人物识别结果；所述人物识别结果包括：与所述第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；
基于各个第二对象的人物识别结果，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象，包括：
针对每个待追踪对象，确定所述待追踪对象对应的频次是否大于第一预设频次阈值；
若所述待追踪对象对应的频次大于所述第一预设频次阈值，则将所述待追踪对象确定为目标追踪对象。
本申请的一实施例中，所述从各个所述待追踪对象中确定至少一个目标追踪对象之后，还包括：
检测确定的所述目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
本申请的一实施例中，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次之后，以及基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象之前，还包括：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
第二方面，本申请实施例还提供一种目标识别的装置，包括：
第一确定模块，用于确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
第二确定模块，用于基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
第三确定模块，用于基于所述第一图像集，确定多个待追踪对象；
第四确定模块，用于确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
第五确定模块，用于基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
第六确定模块，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
第七确定模块，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定多个目标追踪对象。
本申请的一实施例中，所述第二确定模块，用于基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集时，用于：
获取所述事件发生区域内安装的至少一个图像获取设备在所述事件发生时间段采集的监控视频；
针对每个所述图像获取设备，根据所述图像获取设备采集的所述监控视频，生成所述图像获取设备对应的一组第一图像集。
本申请的一实施例中，所述第三确定模块，用于基于所述第一图像集，确定多个待追踪对象时，用于：
基于所述第一图像集中的各张第一图像，确定在各个所述第一图像集中出现的第一对象；
对各个所述第一图像集中出现的所述第一对象进行去重复处理；
将去重复处理后的各个第一对象，确定为所述待追踪对象。
本申请的一实施例中，第六确定模块，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次时，用于：
基于所述第一图像集，得到各个待追踪对象的步态特征向量集合；任一所述待追踪对象的步态特征集合中包括所述待追踪对象的至少一个第一步态特征向量；以及，
基于所述第二图像集，确定在各个所述第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量；
基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述第六确定模块，用于基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次时，用于：
针对每个所述第二步态特征向量，将所述第二步态特征向量，分别与各个所述步态特征向量集合中的各个第一步态特征向量进行匹配；
基于所述第二步态特征向量的匹配结果，确定与所述第二步态特征向量对应第二对象的人物识别结果；所述人物识别结果包括：与所述第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；
基于各个第二对象的人物识别结果，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述第七确定模块，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象时，用于：
针对每个待追踪对象，确定所述待追踪对象对应的频次是否大于第一预设频次阈值；
若所述待追踪对象对应的频次大于所述第一预设频次阈值，则将所述待追踪对象确定为目标追踪对象。
本申请的一实施例中，所述第七确定模块，用于从各个所述待追踪对象中确定至少一个目标追踪对象之后，还用于：
检测确定的所述目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
本申请的一实施例中，所述第六确定模块，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次之后，以及第七确定模块，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象之前，还用于：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的一种目标识别的方法及装置，首先根据确定的追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域，确定至少一组第一图像集，进而确定多个待追踪对象，然后根据确定的事件发生时间段对应的目标历史时间段，以及事件发生区域对应的至少一个目标区域，确定至少一组第二图像集，进而基于各个待追踪对象在目标历史时间段内，出现在目标区域的频次大小，确定至少一个目标追踪对象，从而在不能确定目标的情况下，提升检测到目标的概率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种目标识别的方法的流程图；
图2示出了本申请实施例所提供的确定各个待追踪对象在目标历史时间段内，出现在目标区域的频次的方法的流程图；
图3示出了本申请实施例所提供的一种目标识别的装置的结构示意图；
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
考虑到人脸识别技术的逐渐成熟，被广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域，例如人脸识别门禁、计算机登录、刑侦等，但是当人脸识别技术被应用于刑侦领域时，通过预先确定的嫌疑人图像，基于针对某个区域的监控视频，检测嫌疑人是否在某个时段出现在该区域，对于嫌疑人并不确定的情况下，是无法基于人脸识别技术来确定嫌疑人出现的区域的，基于此，本申请实施例提供了一种目标识别的方法及装置，下面通过实施例进行描述。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种目标识别的方法进行详细介绍。
实施例一
参见图1所示，示出了本申请实施例所提供的一种目标识别的方法的流程图，具体包括以下步骤：
S101：确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域。
示例性的，商店A的店主在2019年9月9日上午九点发现店中丢失商品后报警，工作人员通过跟店主确定事件发生时间段为2019年9月9日上午八点至九点，以及通过商店位置确定事件发生区域。
S102：基于事件发生时间段以及事件发生区域，确定至少一组第一图像集；其中，不同组的第一图像集来源于不同图像获取设备；图像获取设备安装在事件发生区域。
具体的，获取事件发生区域内安装的至少一个图像获取设备在事件发生时间段采集的监控视频；针对每个图像获取设备，根据该图像获取设备采集的监控视频，生成该图像获取设备对应的一组第一图像集。
示例性的，根据上述事例可知，假设商店A周围的摄像头有3个，那么根据事件发生时间段2019年9月9日上午八点至九点，以及事件发生区域为商店A的位置，从该3个摄像头采集到的监控视频中分别提取事件发生时间段的监控视频，然后根据每一个监控视频中的图像组成一组第一图像集，共组成三组第一图像集。
S103：基于第一图像集，确定多个待追踪对象。
具体的，基于第一图像集中的各张第一图像，确定在各个第一图像集中出现的第一对象；对各个第一图像集中出现的第一对象进行去重复处理；将去重复处理后的各个第一对象，确定为待追踪对象。
示例性的，根据上述事例可知，分别提取三组第一图像集中的每一个第一对象，并把去重复处理后的各个第一对象作为待追踪对象。
在此并不限定去重复处理的方法，可以根据实际应用场景进行调整。
S104：确定与事件发生时间段对应的目标历史时间段，以及与事件发生区域对应的至少一个目标区域。
示例性的，根据上述事例可知，由于事件发生时间段为2019年9月9日上午八点至九点，事件发生区域为商店A位置，那么事件发生时间段对应的目标历史时间段可以为2019年9月8日上午八点至九点，事件发生区域对应的目标区域包含商店A位置、以及商店A旁边的商店B位置。
S105：基于目标历史时间段以及目标区域，确定至少一组第二图像集。
这里，获取目标区域的所有摄像头中采集的目标历史时间段的监控视频，将每一个监控视频中的图像组成一组第二图像集。
S106：从第二图像集中，确定各个待追踪对象在目标历史时间段内，出现在目标区域的频次。
参见图2所示，示出了本申请实施例所提供的确定各个待追踪对象在目标历史时间段内，出现在目标区域的频次的方法的流程图，具体包括以下步骤：
S201：基于第一图像集，得到各个待追踪对象的步态特征向量集合；任一待追踪对象的步态特征集合中包括该待追踪对象的至少一个第一步态特征向量。
S202：基于第二图像集，确定在各个第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量。
S203：基于第二步态特征向量，以及各个步态特征向量集合，确定各个待追踪对象在目标历史时间段内出现在目标区域的频次。
具体的，针对每个第二步态特征向量，将该第二步态特征向量，分别与各个步态特征向量集合中的各个第一步态特征向量进行匹配；基于该第二步态特征向量的匹配结果，确定与该第二步态特征向量对应第二对象的人物识别结果；人物识别结果包括：与该第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；基于各个第二对象的人物识别结果，确定各个待追踪对象在目标历史时间段内出现在目标区域的频次。
S107：基于各个待追踪对象对应的频次的大小，从各个待追踪对象中确定多个目标追踪对象。
具体的，针对每个待追踪对象，确定该待追踪对象对应的频次是否大于第一预设频次阈值；若该待追踪对象对应的频次大于第一预设频次阈值，则将该待追踪对象确定为目标追踪对象。
可选的，从各个待追踪对象中确定至少一个目标追踪对象之后，还包括：
检测确定的目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与事件发生时间段对应的目标历史时间段，以及与事件发生区域对应的至少一个目标区域，并跳转至基于目标历史时间段以及目标区域，确定至少一组第二图像集的步骤。
可选的，在步骤S106之后，步骤S107之前，还包括：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与事件发生时间段对应的目标历史时间段，以及与事件发生区域对应的至少一个目标区域，并跳转至基于目标历史时间段以及目标区域，确定至少一组第二图像集的步骤。
本实施例提供了一种目标识别的方法，首先根据确定的追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域，确定至少一组第一图像集，进而确定多个待追踪对象，然后根据确定的事件发生时间段对应的目标历史时间段，以及事件发生区域对应的至少一个目标区域，确定至少一组第二图像集，进而基于各个待追踪对象在目标历史时间段内，出现在目标区域的频次大小，确定至少一个目标追踪对象，从而通过上述目标识别的方法，利用获取到的视频进行目标识别与目标追踪，避免人工对视频中出现的每个对象逐个筛选，同时减少目标识别的查找成本，提高对嫌疑人目标的检测效率和准确率。
实施例二
如图3所示，示出了本申请实施例所提供的一种目标识别的装置的结构图；该装置包括：第一确定模块301、第二确定模块302、第三确定模块303、第四确定模块304、第五确定模块305、第六确定模块306、第七确定模块307，具体的：
第一确定模块301，用于确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
第二确定模块302，用于基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
第三确定模块303，用于基于所述第一图像集，确定多个待追踪对象；
第四确定模块304，用于确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
第五确定模块305，用于基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
第六确定模块306，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
第七确定模块307，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象。
本申请的一实施例中，所述第二确定模块302，用于基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集时，用于：
获取所述事件发生区域内安装的至少一个图像获取设备在所述事件发生时间段采集的监控视频；
针对每个所述图像获取设备，根据所述图像获取设备采集的所述监控视频，生成所述图像获取设备对应的一组第一图像集。
本申请的一实施例中，所述第三确定模块303，用于基于所述第一图像集，确定多个待追踪对象时，用于：
基于所述第一图像集中的各张第一图像，确定在各个所述第一图像集中出现的第一对象；
对各个所述第一图像集中出现的所述第一对象进行去重复处理；
将去重复处理后的各个第一对象，确定为所述待追踪对象。
本申请的一实施例中，第六确定模块306，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次时，用于：
基于所述第一图像集，得到各个待追踪对象的步态特征向量集合；任一所述待追踪对象的步态特征集合中包括所述待追踪对象的至少一个第一步态特征向量；以及，
基于所述第二图像集，确定在各个所述第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量；
基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述第六确定模块306，用于基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次时，用于：
针对每个所述第二步态特征向量，将所述第二步态特征向量，分别与各个所述步态特征向量集合中的各个第一步态特征向量进行匹配；
基于所述第二步态特征向量的匹配结果，确定与所述第二步态特征向量对应第二对象的人物识别结果；所述人物识别结果包括：与所述第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；
基于各个第二对象的人物识别结果，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
本申请的一实施例中，所述第七确定模块307，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象时，用于：
针对每个待追踪对象，确定所述待追踪对象对应的频次是否大于第一预设频次阈值；
若所述待追踪对象对应的频次大于所述第一预设频次阈值，则将所述待追踪对象确定为目标追踪对象。
本申请的一实施例中，所述第七确定模块307，用于从各个所述待追踪对象中确定至少一个目标追踪对象之后，还用于：
检测确定的所述目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
本申请的一实施例中，所述第六确定模块306，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次之后，以及第七确定模块307，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象之前，还用于：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
实施例三
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图4所示，为本申请实施例提供的电子设备400的结构示意图，包括处理器401、存储器402、和总线403。其中，存储器402用于存储执行指令，包括内存4021和外部存储器4022；这里的内存4021也称内存储器，用于暂时存放处理器401中的运算数据，以及与硬盘等外部存储器4022交换的数据，处理器401通过内存4021与外部存储器4022进行数据交换，当电子设备400运行时，处理器401与存储器402之间通过总线403通信，使得处理器401在执行以下指令：
确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
基于所述第一图像集，确定多个待追踪对象；
确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象。
一种可能的设计中，处理器401执行的处理中，所述基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集，包括：
获取所述事件发生区域内安装的至少一个图像获取设备在所述事件发生时间段采集的监控视频；
针对每个所述图像获取设备，根据所述图像获取设备采集的所述监控视频，生成所述图像获取设备对应的一组第一图像集。
一种可能的设计中，处理器401执行的处理中，所述基于所述第一图像集，确定多个待追踪对象，包括：
基于所述第一图像集中的各张第一图像，确定在各个所述第一图像集中出现的第一对象；
对各个所述第一图像集中出现的所述第一对象进行去重复处理；
将去重复处理后的各个第一对象，确定为所述待追踪对象。
一种可能的设计中，处理器401执行的处理中，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次，包括：
基于所述第一图像集，得到各个待追踪对象的步态特征向量集合；任一所述待追踪对象的步态特征集合中包括所述待追踪对象的至少一个第一步态特征向量；以及，
基于所述第二图像集，确定在各个所述第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量；
基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
一种可能的设计中，处理器401执行的处理中，所述基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次，包括：
针对每个所述第二步态特征向量，将所述第二步态特征向量，分别与各个所述步态特征向量集合中的各个第一步态特征向量进行匹配；
基于所述第二步态特征向量的匹配结果，确定与所述第二步态特征向量对应第二对象的人物识别结果；所述人物识别结果包括：与所述第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；
基于各个第二对象的人物识别结果，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
一种可能的设计中，处理器401执行的处理中，所述基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象，包括：
针对每个待追踪对象，确定所述待追踪对象对应的频次是否大于第一预设频次阈值；
若所述待追踪对象对应的频次大于所述第一预设频次阈值，则将所述待追踪对象确定为目标追踪对象。
一种可能的设计中，处理器401执行的处理中，所述从各个所述待追踪对象中确定至少一个目标追踪对象之后，还包括：
检测确定的所述目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
一种可能的设计中，处理器401执行的处理中，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次之后，以及基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象之前，还包括：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
实施例四
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的目标识别的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述目标识别的方法的步骤，便于不能确定目标的情况下，提升检测到目标的概率。
本申请实施例所提供的进行目标识别的方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
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，上述描述的系统、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，所揭露的系统、装置和方法，可以通过其它的方式实现。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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，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通信接口，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。
所述功能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，可以存储在一个处理器可执行的非易失的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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种目标识别的方法，其特征在于，包括：
确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
基于所述第一图像集，确定多个待追踪对象；
确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象。
2.根据权利要求1所述的方法，其特征在于，所述基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集，包括：
获取所述事件发生区域内安装的至少一个图像获取设备在所述事件发生时间段采集的监控视频；
针对每个所述图像获取设备，根据所述图像获取设备采集的所述监控视频，生成所述图像获取设备对应的一组第一图像集。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一图像集，确定多个待追踪对象，包括：
基于所述第一图像集中的各张第一图像，确定在各个所述第一图像集中出现的第一对象；
对各个所述第一图像集中出现的所述第一对象进行去重复处理；
将去重复处理后的各个第一对象，确定为所述待追踪对象。
4.根据权利要求1所述的方法，其特征在于，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次，包括：
基于所述第一图像集，得到各个待追踪对象的步态特征向量集合；任一所述待追踪对象的步态特征集合中包括所述待追踪对象的至少一个第一步态特征向量；以及，
基于所述第二图像集，确定在各个所述第二图像集中出现的第二对象，并得到各个第二对象的第二步态特征向量；
基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第二步态特征向量，以及各个所述步态特征向量集合，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次，包括：
针对每个所述第二步态特征向量，将所述第二步态特征向量，分别与各个所述步态特征向量集合中的各个第一步态特征向量进行匹配；
基于所述第二步态特征向量的匹配结果，确定与所述第二步态特征向量对应第二对象的人物识别结果；所述人物识别结果包括：与所述第二步态特征向量对应的第二对象，为任一待追踪对象，或不为追踪对象；
基于各个第二对象的人物识别结果，确定各个所述待追踪对象在所述目标历史时间段内出现在所述目标区域的频次。
6.根据权利要求1所述的方法，其特征在于，所述基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象，包括：
针对每个待追踪对象，确定所述待追踪对象对应的频次是否大于第一预设频次阈值；
若所述待追踪对象对应的频次大于所述第一预设频次阈值，则将所述待追踪对象确定为目标追踪对象。
7.根据权利要求1所述的方法，其特征在于，所述从各个所述待追踪对象中确定至少一个目标追踪对象之后，还包括：
检测确定的所述目标追踪对象的数量是否大于预设的数量阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
8.根据权利要求1所述的方法，其特征在于，所述从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次之后，以及基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象之前，还包括：
确定各个待追踪对象分别对应的频次的最大值，是否大于第二预设频次阈值；
如果否，则重新确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域，并跳转至基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集的步骤。
9.一种目标识别的装置，其特征在于，包括：
第一确定模块，用于确定与追踪事件对应的事件发生时间段，以及追踪事件对应的事件发生区域；
第二确定模块，用于基于所述事件发生时间段以及所述事件发生区域，确定至少一组第一图像集；其中，不同组的所述第一图像集来源于不同图像获取设备；所述图像获取设备安装在所述事件发生区域；
第三确定模块，用于基于所述第一图像集，确定多个待追踪对象；
第四确定模块，用于确定与所述事件发生时间段对应的目标历史时间段，以及与所述事件发生区域对应的至少一个目标区域；
第五确定模块，用于基于所述目标历史时间段以及所述目标区域，确定至少一组第二图像集；
第六确定模块，用于从所述第二图像集中，确定各个所述待追踪对象在所述目标历史时间段内，出现在所述目标区域的频次；
第七确定模块，用于基于各个所述待追踪对象对应的频次的大小，从各个所述待追踪对象中确定至少一个目标追踪对象。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的方法的步骤。
CN201911019735.8A 2019-10-24 2019-10-24 一种目标识别的方法及装置 Active CN110751116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911019735.8A CN110751116B (zh) 2019-10-24 2019-10-24 一种目标识别的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911019735.8A CN110751116B (zh) 2019-10-24 2019-10-24 一种目标识别的方法及装置

Publications (2)

Publication Number Publication Date
CN110751116A true CN110751116A (zh) 2020-02-04
CN110751116B CN110751116B (zh) 2022-07-01

Family

ID=69279872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911019735.8A Active CN110751116B (zh) 2019-10-24 2019-10-24 一种目标识别的方法及装置

Country Status (1)

Country Link
CN (1) CN110751116B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333419A (zh) * 2020-08-21 2021-02-05 深圳Tcl新技术有限公司 监控追踪方法、装置、系统与计算机可读存储介质
CN112866611A (zh) * 2020-12-31 2021-05-28 上海新住信机电集成有限公司 一种智能楼宇监控系统
CN113112722A (zh) * 2021-03-03 2021-07-13 杭州海康威视数字技术股份有限公司 一种事件检测方法、装置、系统及设备
WO2023155496A1 (zh) * 2022-02-17 2023-08-24 上海商汤智能科技有限公司 流量统计方法和装置、计算机设备以及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101641A (zh) * 2016-07-18 2016-11-09 中国科学院地理科学与资源研究所 视频监测系统及其监测方法
CN107346415A (zh) * 2017-06-08 2017-11-14 小草数语（北京）科技有限公司 视频图像处理方法、装置及监控设备
CN107590439A (zh) * 2017-08-18 2018-01-16 湖南文理学院 基于监控视频的目标人物识别追踪方法和装置
CN109274930A (zh) * 2018-07-26 2019-01-25 华为技术有限公司 一种基于步态识别的安全监控方法及装置
CN109325548A (zh) * 2018-10-23 2019-02-12 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
CN109376672A (zh) * 2018-10-31 2019-02-22 银河水滴科技（北京）有限公司 基于生物特征识别的目标对象定位方法及装置
CN109446936A (zh) * 2018-10-12 2019-03-08 银河水滴科技（北京）有限公司 一种用于监控场景的身份识别方法及装置
CN109508645A (zh) * 2018-10-19 2019-03-22 银河水滴科技（北京）有限公司 监控场景下身份识别方法及装置
CN109559336A (zh) * 2018-12-17 2019-04-02 苏州市科远软件技术开发有限公司 对象追踪方法、装置及存储介质
CN110222640A (zh) * 2019-06-05 2019-09-10 浙江大华技术股份有限公司 监控场所中嫌疑人的识别方法、装置、方法和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101641A (zh) * 2016-07-18 2016-11-09 中国科学院地理科学与资源研究所 视频监测系统及其监测方法
CN107346415A (zh) * 2017-06-08 2017-11-14 小草数语（北京）科技有限公司 视频图像处理方法、装置及监控设备
CN107590439A (zh) * 2017-08-18 2018-01-16 湖南文理学院 基于监控视频的目标人物识别追踪方法和装置
CN109274930A (zh) * 2018-07-26 2019-01-25 华为技术有限公司 一种基于步态识别的安全监控方法及装置
CN109446936A (zh) * 2018-10-12 2019-03-08 银河水滴科技（北京）有限公司 一种用于监控场景的身份识别方法及装置
CN109508645A (zh) * 2018-10-19 2019-03-22 银河水滴科技（北京）有限公司 监控场景下身份识别方法及装置
CN109325548A (zh) * 2018-10-23 2019-02-12 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
CN109376672A (zh) * 2018-10-31 2019-02-22 银河水滴科技（北京）有限公司 基于生物特征识别的目标对象定位方法及装置
CN109559336A (zh) * 2018-12-17 2019-04-02 苏州市科远软件技术开发有限公司 对象追踪方法、装置及存储介质
CN110222640A (zh) * 2019-06-05 2019-09-10 浙江大华技术股份有限公司 监控场所中嫌疑人的识别方法、装置、方法和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333419A (zh) * 2020-08-21 2021-02-05 深圳Tcl新技术有限公司 监控追踪方法、装置、系统与计算机可读存储介质
CN112866611A (zh) * 2020-12-31 2021-05-28 上海新住信机电集成有限公司 一种智能楼宇监控系统
CN113112722A (zh) * 2021-03-03 2021-07-13 杭州海康威视数字技术股份有限公司 一种事件检测方法、装置、系统及设备
WO2023155496A1 (zh) * 2022-02-17 2023-08-24 上海商汤智能科技有限公司 流量统计方法和装置、计算机设备以及存储介质

Also Published As

Publication number Publication date
CN110751116B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110751116B (zh) 一种目标识别的方法及装置
CN109325964B (zh) 一种人脸追踪方法、装置及终端
US9842208B2 (en) Method, apparatus and system for detecting malicious process behavior
WO2022088663A1 (zh) 缺陷检测方法及装置、电子设备和存储介质
US9165193B2 (en) Video processing apparatus and method for managing tracking object
CN112632609B (zh) 异常检测方法、装置、电子设备及存储介质
CN111508588B (zh) 训练装置、训练方法和计算机可读记录介质
CN111368619A (zh) 可疑人员的检测方法、装置及设备
CN112633205A (zh) 基于头肩检测的行人追踪方法及装置、电子设备、存储介质
CN111862239A (zh) 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质
CN112633281B (zh) 一种基于Hash算法车辆身份认证方法及系统
Tran et al. A fully automated vision-based system for real-time personal protective detection and monitoring
CN104455121A (zh) 一种闸瓦剩余厚度检测的方法及系统
CN110728249A (zh) 目标行人的跨摄像机识别方法、装置及系统
CN107203720B (zh) 风险值计算方法及装置
CN113220598B (zh) 系统的测试方法、装置、设备、介质及程序产品
CN106446687B (zh) 恶意样本的检测方法及装置
CN111597980B (zh) 一种目标对象聚类方法及装置
CN113159074A (zh) 图像处理方法、装置、电子设备和存储介质
JP6218102B2 (ja) 情報処理システム、情報処理方法及びプログラム
CN111275693A (zh) 一种图像中物体的计数方法、计数装置及可读存储介质
CN111985440B (zh) 智能审核方法、装置及电子设备
CN111967043B (zh) 确定数据相似度的方法、装置、电子设备及存储介质
EP4036856A1 (en) Updating of annotated points in a digital image
CN111095309B (zh) 信息处理装置以及程序产品

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
TA01 Transfer of patent application right

Effective date of registration: 20210127

Address after: 315000 9-3, building 91, 16 Buzheng lane, Haishu District, Ningbo City, Zhejiang Province

Applicant after: Yinhe shuidi Technology (Ningbo) Co.,Ltd.

Address before: 0701, 7 / F, 51 Xueyuan Road, Haidian District, Beijing 100191

Applicant before: Yinhe waterdrop Technology (Beijing) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant