CN111027385A - 聚类访客统计方法、系统、设备及计算机可读存储介质 - Google Patents

聚类访客统计方法、系统、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111027385A
CN111027385A CN201911085510.2A CN201911085510A CN111027385A CN 111027385 A CN111027385 A CN 111027385A CN 201911085510 A CN201911085510 A CN 201911085510A CN 111027385 A CN111027385 A CN 111027385A
Authority
CN
China
Prior art keywords
head portrait
face
score
key
pictures
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
CN201911085510.2A
Other languages
English (en)
Other versions
CN111027385B (zh
Inventor
李锋
刘子炜
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.)
Newland Digital Technology Co ltd
Original Assignee
Newland Digital 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 Newland Digital Technology Co ltd filed Critical Newland Digital Technology Co ltd
Priority to CN201911085510.2A priority Critical patent/CN111027385B/zh
Publication of CN111027385A publication Critical patent/CN111027385A/zh
Application granted granted Critical
Publication of CN111027385B publication Critical patent/CN111027385B/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
    • G06V20/40—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
    • 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
    • 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
    • G06V40/10—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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种聚类访客统计方法，提取视频，过滤识别出视频图片中的人脸头像；对人脸头像进行质量分评估；轮询数据库，如数据库中已有头像ID的记录，则提取人脸头像的人脸特征值，与已有的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如相似度的平均值小于阈值，则将人脸头像创建为新的头像ID；如相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。本方案可在无底库照片的情况下，通过设定质量分公式进行头像过滤、评分，通过迭代更新关键头像图片进行特征库生成，降低人员错误归类、重复归类的几率。

Description

聚类访客统计方法、系统、设备及计算机可读存储介质
技术领域
本发明涉及人脸识别技术领域，特别涉及一种聚类访客统计方法、系统、设备及计算机可读存储介质。
背景技术
在一些公众或者开放场合，人员流动性大，管理人员无法时刻对经过的访客进行登记管理，如果要追溯查找某段时间出现过的人，或者对人员进行数量统计，就要对存档录像进行分析。现有的做法是通过监控识别采集带有人脸的图片信息，再通过人工识别登记视频中出现的人，最后通过人脸识别技术对之后出现的人脸进行统计、人脸分类。但是，现有技术中，人工识别登记视频中出现过的人虽然比较准确，但是相当费时耗力，人工成本也较高，且存在人员识别标准不够统一，主观因素过大的缺点。因此如何能够实现自动进行统计分析访客是一个急需解决的问题。
发明内容
本发明要解决的技术问题是如何提供一种自动进行访客统计分析的聚类访客统计方法、系统、设备及计算机可读存储介质。
为了解决上述技术问题，本发明的技术方案为：
一方面，本发明提出一种聚类访客统计方法，包括：
提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
对所述人脸头像进行质量分评估，所述质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
轮询数据库，如所述数据库中已有头像ID的记录，则提取所述人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如所述相似度的平均值小于阈值，则将所述人脸头像创建为新的头像ID；
如所述相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
优选地，轮询数据库，如所述数据库中无头像ID的记录，则创建该人脸头像唯一的头像ID，保存对应的图片为该头像ID的关键图片。
优选地，如所述相似度的平均值大于阈值，且该头像ID的关键图片小于预设数量，则将该人脸头像所对应的图片存储为该头像ID的一关键图片。
优选地，对所述数据库中不同的关键图片之间进行的两两比对，两关键图片之间的相似度大于一预设值，则合并两张关键图片，并更新关键图片。
优选地，步骤比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片包括：
将该头像ID的关键图片和所述人脸头像通过质量分的高低分为多个档次，质量分高的档次优先级高于质量分低的档次；
将相同档次的图片按照图片获取时间从近至远进行优先级从高至低排序；
将同优先级的图片按照脸宽从宽至窄进行优先级从高至低的排序；
去除优先级最低的图片，将剩余图片更新作为新的关键图片。
优选地，质量分计算方法为：
质量分＝模糊度得分+亮度得分+角度得分+表情得分+脸宽得分，其中，
模糊度得分＝(1-当前模糊度/模糊度阈值)*模糊度权重；
亮度得分＝(当前亮度-亮度最小阈值)/(亮度最大阈值-亮度最小阈值)*亮度权重；
角度得分＝(1-当前角度)/角度阈值*角度权重；
脸宽得分＝脸宽/256*脸宽权重，当脸宽超过256时，则获得脸宽权重分；
表情得分：当人脸表情被判定为正常表情时，则获得表情权重分。
优选地，每个所述头像ID最多保存5张关键图片；图片的质量分为低分档0-30分、中分档30-70分、高分档70-100分。
第二方面，本发明提出一种聚类访客统计系统，包括：
提取模块：提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
评估模块：对所述人脸头像进行质量分评估，所述质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
比对模块：轮询数据库，如所述数据库中已有头像ID的记录，则提取所述人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如所述相似度的平均值小于阈值，则将所述人脸头像创建为新的头像ID；
更新模块：如所述相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
第三方面，本发明提出一种聚类访客统计设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利上述的聚类访客统计方法的步骤。
第四方面，本发明提出一种聚类访客统计的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时间实现上述的聚类访客统计方法的步骤。
采用上述技术方案，由采用了对视频流中的人像自动采集，系统按指定帧率读取视频流图片，检测其中出现的头像，检测支持红外摄像头图像、多属性分析，通过设定质量分公式进行头像过滤、评分排序，通过迭代更新关键头像图片进行特征库生成，大幅降低人员错误归类、重复归类的几率，并有效生成人物画像。本发明技术方案可以在无底库照片的情况下，实现访客的底库头像自动采集更迭，避免了人工登记底库照片造成的人力浪费，节约了成本，提升了工作效率。同时，通过质量分的比对来进行关键图片的更新，相比于现有技术，可使底库照片质量更高，更有利于人脸识别的准确性提升。
附图说明
图1为本发明聚类访客统计方法一实施例的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1，本发明提出一种聚类访客统计方法，包括：
提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
对人脸头像进行质量分评估，质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
具体地，质量分计算方法为：
质量分＝模糊度得分+亮度得分+角度得分+表情得分+脸宽得分，其中，
模糊度得分＝(1-当前模糊度/模糊度阈值)*模糊度权重；
亮度得分＝(当前亮度-亮度最小阈值)/(亮度最大阈值-亮度最小阈值)*亮度权重；
角度得分＝(1-当前角度)/角度阈值*角度权重；
脸宽得分＝脸宽/256*脸宽权重，当脸宽超过256时，则获得脸宽权重分；
表情得分：当人脸表情被判定为正常表情时，则获得表情权重分。
轮询数据库，如数据库中已有头像ID的记录，则提取人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如相似度的平均值小于阈值，则将人脸头像创建为新的头像ID；
轮询数据库，如数据库中无头像ID的记录，则创建该人脸头像唯一的头像ID，保存对应的图片为该头像ID的关键图片。
如相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
具体地，步骤比较人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片包括：
将该头像ID的关键图片和人脸头像通过质量分的高低分为多个档次，质量分高的档次优先级高于质量分低的档次；
将相同档次的图片按照图片获取时间从近至远进行优先级从高至低排序；
将同优先级的图片按照脸宽从宽至窄进行优先级从高至低的排序；
去除优先级最低的图片，将剩余图片更新作为新的关键图片。
具体地，在本发明实施例中每个头像ID最多保存5张关键图片；图片的质量分为低分档0-30分、中分档30-70分、高分档70-100分。
具体地，轮询数据库，如数据库中无头像ID的记录，则创建该人脸头像唯一的头像ID，保存对应的图片为该头像ID的关键图片。
需要说明的是，通过质量分的比对来进行关键图片的更新，相比于现有技术，可使底库照片质量更高，更有利于人脸识别的准确性提升。
采用上述技术方案，由采用了对视频流中的人像自动采集，系统按指定帧率读取视频流图片，检测其中出现的头像，检测支持红外摄像头图像、多属性分析，通过设定质量分公式进行头像过滤、评分排序，通过迭代更新关键头像图片进行特征库生成，大幅降低人员错误归类、重复归类的几率，并有效生成人物画像。本发明技术方案可以在无底库照片的情况下，实现访客的底库头像自动采集更迭，避免了人工登记底库照片造成的人力浪费，节约了成本，提升了工作效率。
本发明的另一实施例中，实现聚类访客统计方法的过程为：
1.通过内部解码库解码摄像头采集到的视频，按帧率读取图片到内存队列等待处理。
2.检测出图片头像进行识别分析，通过设定的过滤准则进行头像过滤。过滤的准则基于现有人脸识别多属性算法的各项参数及其对应的阈值。
需要说明的是，此处的人脸多属性算法为现有的常规算法，多属性包括有年龄、性别、表情、角度、遮挡、戴眼镜、戴口罩、光线、模糊度等。人脸对齐、比对、统计是在多属性的基础之上进行。
3.评定头像质量得分，质量分总得分＝模糊度得分+亮度得分+角度得分+表情得分+脸宽得分。总分100分，各项内容权重不同，得分按照各项指标的优秀率与权重综合计算而来。其中模糊度得分＝(1-当前模糊度/模糊度阈值)*模糊度权重，亮度得分＝(当前亮度-亮度最小阈值)/(亮度最大阈值-亮度最小阈值)*亮度权重等，角度得分＝(1-当前角度/角度阈值*角度权重，表情得分＝正常表情得10分，其他表情扣10分，脸宽得分＝脸宽/256*脸宽权重，其中脸宽超过256，则直接得脸宽权重分。
4.轮询数据库，如无记录则创建唯一ID，保存结构化数据与访客图片，有记录则进行遍历比对。
5.比对的依据基于上述步骤提取的人脸特征值。人员默认设置5张关键图片加速比对过程。
需要说明的是，将关键图片设置为预设的固定5张，既可以提升人脸识别的准确性，也不会因为关键图片过多造成计算量过大的情况。
6.首先比对关键图片，取其最大平均值，再轮询获取全库最大平均值，若最大值超过阈值0.4表示数据库已存在该用户，对数据进行更新，若低于阈值表示属于新用户，新建ID保存。
需要说明的是，通过相似度与阈值的比对，来识别数据库内是否已有该人脸的底库关键图片，以便后续动作。
7.已存在人员关键图片更新，首先与旧有关键图片一起进行质量分分档，低分档0-30分，中分档30-70分，高分档70-100分，再对每档图片按获取时间和人脸宽度综合排序。接近当前时间段的的图像优先级高，同属当前时间段比较头像宽度，越大优先级越高。排序后生成新的关键图片。
需要说明的是，在更新关键图片时，也可以仅仅只比对关键图片与该图片的关键分，将关键分高的图片作为该人脸ID的关键图片，在相同关键分是再进行时间及脸宽的比对。
8.对数据库人员数据进行关键图片之间两两比对，若有发现高度相似人员则进行合并操作，同时更新关键图片。
需要说明的是，通过高相似度的关键图片合并，可以避免一人脸ID内的关键图片都为相同照片或同一时间段拍摄的图片，可以有效的提高关键图片的图片质量及多样性，提升识别的精确度。
另一方面，本发明还提出一种聚类访客统计系统，包括：
提取模块：提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
评估模块：对人脸头像进行质量分评估，质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
比对模块：轮询数据库，如数据库中已有头像ID的记录，则提取人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如相似度的平均值小于阈值，则将人脸头像创建为新的头像ID；
更新模块：如相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
另一方面，本发明还提出一种聚类访客统计设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现权利上述的聚类访客统计方法的步骤。
另一方面，本发明还提出一种聚类访客统计的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时间实现上述的聚类访客统计方法的步骤。
本方案可在无底库照片的情况下，通过设定质量分公式进行头像过滤、评分，通过迭代更新关键头像图片进行特征库生成，降低人员错误归类、重复归类的几率。通过质量分的比对来进行关键图片的更新，相比于现有技术，可使底库照片质量更高，更有利于人脸识别的准确性提升。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (10)

1.一种聚类访客统计方法，其特征在于，包括：
提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
对所述人脸头像进行质量分评估，所述质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
轮询数据库，如所述数据库中已有头像ID的记录，则提取所述人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如所述相似度的平均值小于阈值，则将所述人脸头像创建为新的头像ID；
如所述相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
2.根据权利要求1所述的聚类访客统计方法，其特征在于：轮询数据库，如所述数据库中无头像ID的记录，则创建所述人脸头像的头像ID，保存对应的图片为所述头像ID的关键图片。
3.根据权利要求1所述的聚类访客统计方法，其特征在于：如所述相似度的平均值大于阈值，且该头像ID的关键图片小于预设数量，则将所述人脸头像所对应的图片存储为该头像ID的一关键图片。
4.根据权利要求1所述的聚类访客统计方法，其特征在于：
将所述数据库中不同的关键图片之间进行的两两比对，如两关键图片之间的相似度大于一预设值，则合并两张关键图片，并更新关键图片。
5.根据权利要求1至4任一项所述的聚类访客统计方法，其特征在于，步骤比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片包括：
将该头像ID的关键图片和所述人脸头像通过质量分的高低分为多个档次，质量分高的档次优先级高于质量分低的档次；
将相同档次的图片按照图片获取时间从近至远进行优先级从高至低排序；
将同优先级的图片按照脸宽从宽至窄进行优先级从高至低的排序；
去除优先级最低的图片，将剩余图片更新作为新的关键图片。
6.根据权利要求1至4任一项所述的聚类访客统计方法，其特征在于，质量分计算方法为：
质量分＝模糊度得分+亮度得分+角度得分+表情得分+脸宽得分，其中，
模糊度得分＝(1-当前模糊度/模糊度阈值)*模糊度权重；
亮度得分＝(当前亮度-亮度最小阈值)/(亮度最大阈值-亮度最小阈值)*亮度权重；
角度得分＝(1-当前角度)/角度阈值*角度权重；
脸宽得分＝脸宽/256*脸宽权重，当脸宽超过256时，则获得脸宽权重分；
表情得分：当人脸表情被判定为正常表情时，则获得表情权重分。
7.根据权利要求5所述的聚类访客统计方法，其特征在于，每个头像ID最多保存5张关键图片；图片的质量分为低分档0-30分、中分档30-70分、高分档70-100分。
8.一种聚类访客统计系统，其特征在于，包括：
提取模块：提取视频，对视频进行解码，按帧率读取图片至内存队列，通过分析、过滤识别出图片中的人脸头像；
评估模块：对所述人脸头像进行质量分评估，所述质量分评估的评估因素包括模糊度、亮度、角度、表情及脸宽；
比对模块：轮询数据库，如所述数据库中已有头像ID的记录，则提取所述人脸头像的人脸特征值，与已有的所有的头像ID的关键图片进行一一比对，选取与之关键图片的相似度平均值最大的头像ID，如所述相似度的平均值小于阈值，则将所述人脸头像创建为新的头像ID；
更新模块：如所述相似度的平均值大于阈值，且该头像ID的关键图片大于预设数量，则比较所述人脸头像与该头像ID的关键图片的质量分，以更新该头像ID的关键图片。
9.一种聚类访客统计设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1-7任一项所述的聚类访客统计方法的步骤。
10.一种聚类访客统计的计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时间实现权利要求1-7任一项所述的聚类访客统计方法的步骤。
CN201911085510.2A 2019-11-08 2019-11-08 聚类访客统计方法、系统、设备及计算机可读存储介质 Active CN111027385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911085510.2A CN111027385B (zh) 2019-11-08 2019-11-08 聚类访客统计方法、系统、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911085510.2A CN111027385B (zh) 2019-11-08 2019-11-08 聚类访客统计方法、系统、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111027385A true CN111027385A (zh) 2020-04-17
CN111027385B CN111027385B (zh) 2023-09-15

Family

ID=70201008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911085510.2A Active CN111027385B (zh) 2019-11-08 2019-11-08 聚类访客统计方法、系统、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111027385B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948612A (zh) * 2021-03-16 2021-06-11 杭州海康威视数字技术股份有限公司 人体封面生成方法、装置、电子设备及存储介质
CN113743308A (zh) * 2021-09-06 2021-12-03 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
CN113837160A (zh) * 2021-11-29 2021-12-24 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070036398A1 (en) * 2005-08-12 2007-02-15 Tianlong Chen Apparatus and method for partial component facial recognition
KR20080065532A (ko) * 2007-01-09 2008-07-14 주식회사 에스원 얼굴 인식 방법 및 시스템
CN101964064A (zh) * 2010-07-27 2011-02-02 上海摩比源软件技术有限公司 一种人脸比对方法
CN104143086A (zh) * 2014-07-18 2014-11-12 吴建忠 人像比对在移动终端操作系统上的应用技术
CN109063580A (zh) * 2018-07-09 2018-12-21 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
CN109740555A (zh) * 2019-01-10 2019-05-10 上海向素智能科技有限公司 一种基于人脸质量及人脸跟随的陌生人识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070036398A1 (en) * 2005-08-12 2007-02-15 Tianlong Chen Apparatus and method for partial component facial recognition
KR20080065532A (ko) * 2007-01-09 2008-07-14 주식회사 에스원 얼굴 인식 방법 및 시스템
CN101964064A (zh) * 2010-07-27 2011-02-02 上海摩比源软件技术有限公司 一种人脸比对方法
CN104143086A (zh) * 2014-07-18 2014-11-12 吴建忠 人像比对在移动终端操作系统上的应用技术
CN109063580A (zh) * 2018-07-09 2018-12-21 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
CN109740555A (zh) * 2019-01-10 2019-05-10 上海向素智能科技有限公司 一种基于人脸质量及人脸跟随的陌生人识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948612A (zh) * 2021-03-16 2021-06-11 杭州海康威视数字技术股份有限公司 人体封面生成方法、装置、电子设备及存储介质
CN112948612B (zh) * 2021-03-16 2024-02-06 杭州海康威视数字技术股份有限公司 人体封面生成方法、装置、电子设备及存储介质
CN113743308A (zh) * 2021-09-06 2021-12-03 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
CN113743308B (zh) * 2021-09-06 2023-12-12 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
CN113837160A (zh) * 2021-11-29 2021-12-24 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法
CN113837160B (zh) * 2021-11-29 2022-04-22 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法

Also Published As

Publication number Publication date
CN111027385B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN110175549B (zh) 人脸图像处理方法、装置、设备及存储介质
CN111027385B (zh) 聚类访客统计方法、系统、设备及计算机可读存储介质
CN110008797B (zh) 一种多摄像机多人脸视频接续采集方法
US20160098636A1 (en) Data processing apparatus, data processing method, and recording medium that stores computer program
US20210357624A1 (en) Information processing method and device, and storage medium
CN109344271A (zh) 视频人像档案处理方法及其系统
JP5669082B2 (ja) 照合装置
US20210357678A1 (en) Information processing method and apparatus, and storage medium
CN107368770B (zh) 一种回头客自动识别方法及系统
JP2003016448A (ja) 前景／背景セグメント化を用いた画像のイベント・クラスタリング
CN112365471B (zh) 基于深度学习的宫颈癌细胞智能检测方法
CN103996046A (zh) 基于多视觉特征融合的人员识别方法
CN107133629B (zh) 图片分类方法、装置和移动终端
CN112084812B (zh) 图像处理方法、装置、计算机设备及存储介质
CN111522974A (zh) 一种实时归档的方法及装置
CN111353343A (zh) 一种基于视频监控的营业厅服务规范质检方法
CN115862113A (zh) 陌生人异常识别方法、装置、设备及存储介质
CN110796014A (zh) 垃圾投放习惯分析方法、系统、装置及存储介质
US8879805B2 (en) Automated image identification method
CN110956093A (zh) 基于大数据的模型识别方法、装置、设备及介质
CN108334602B (zh) 数据标注方法和装置、电子设备、计算机存储介质
JP2003178304A (ja) 顔画像検索装置、顔画像検索方法、およびその方法をコンピュータに実行させるプログラム
CN113488144B (zh) 一种切片图像处理方法
JP2012033054A (ja) 顔画像サンプル採取装置、顔画像サンプル採取方法、プログラム
CN115482569A (zh) 目标客流统计方法、电子设备以及计算机可读存储介质

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