CN111046788A - 一种停留人员的检测方法、装置及系统 - Google Patents
一种停留人员的检测方法、装置及系统 Download PDFInfo
- Publication number
- CN111046788A CN111046788A CN201911260065.9A CN201911260065A CN111046788A CN 111046788 A CN111046788 A CN 111046788A CN 201911260065 A CN201911260065 A CN 201911260065A CN 111046788 A CN111046788 A CN 111046788A
- Authority
- CN
- China
- Prior art keywords
- video image
- image frame
- target person
- threshold
- person
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims description 33
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000001202 rhombencephalon Anatomy 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域，公开了一种停留人员的检测方法、装置及系统。该停留人员的检测方法包括：获取待检测视频图像帧集合及判断阈值；判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。采用本发明技术方案不但可以节省计算量，还可以实时进行停留人员分析。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种停留人员的检测方法、装置及系统。
背景技术
近年来，以卷积神经网络为代表的深度学习技术被广泛应用于各类人工智能任务，例如物体分类、人脸识别、行人身份再识别等。卷积神经网络在这些问题上取得的突破性进展源于其层次化的学习结构所带来的强大表达能力。在客流统计应用场景中，行人停留时间是一个非常重要的参数，一般行人停留时间的长短与购买意愿和成交率正相关，也能反应出商品的市场受欢迎程度。现有技术中人员停留时间的统计方法通常是在商铺内安装多个视频摄像头，以覆盖整个商铺区域，通过各个摄像头的配合将进入店铺的人员轨迹进行跟踪分析，最终获取人员停留时间。例如：对于一条轨迹上的点p[1]->p[2]->p[3]...->p[i]->...->p[n]；首先选取轨迹上的一点作为锚点(Anchor Point)，计算它后继的点和锚点的距离，得到最后一个距离小于阈值的后继点。然后检查此后继点和锚点的时间差。如果时间差大于阈值，则认为锚点到最后一个后继点之间的距离为停留点。然后从最后一个后继点之后重复下一次检测；使用停留点判定算法，即可得到轨迹中所有停留点。
在现有技术的实现过程中，发明人发现现有技术至少存在如下技术问题：
现有技术中对于某点p[i]，当找到点p[i]最后一个在距离阈值内的后继点时，如果时间跨度小于时间阈值，则将p[i]后的点p[i+1]作为锚点，重复下一次计算，这样确定人员的停留与否需要耗费较多计算量，且无法实时获取停留人员信息。
发明内容
本发明的目的在于提供一种停留人员的检测方法、装置及系统，以克服现有技术中确定人员的停留与否需要耗费较多计算量，且无法实时获取停留人员信息的缺陷。
为解决上述技术问题，本发明的实施方式提供了一种停留人员的检测方法，包括：
获取待检测视频图像帧集合及判断阈值；
判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
本发明的实施方式还提供了一种停留人员的检测装置，包括。
信息获取单元，用于获取待检测视频图像帧集合及判断阈值；
判断单元，用于判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
信息确定单元，用于如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
本发明的实施方式还提供了一种停留人员的检测系统，包括：如上所述停留人员的检测装置。
本发明提供的一种停留人员的检测方法、装置及系统，通过获取待检测视频图像帧集合及判断阈值；判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。采用本发明技术方案不但可以节省计算量，还可以实时进行停留人员分析。
附图说明
图1是本发明实施例提供的一种停留人员的检测方法流程图；
图2是本发明实施例提供的一种停留人员的检测装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种停留人员的检测方法。具体流程如图1所示。该方法包括：
101：获取待检测视频图像帧集合及判断阈值；
102：判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
103：如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
需要说明的是，所述判断阈值包括：速度阈值、距离阈值和时间阈值；该方法还包括：
预设速度阈值、距离阈值和时间阈值。
还需要说明的是，所述判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值的步骤，包括：
判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在上一帧视频图像帧中位置之间的速度是否小于所述速度阈值；
如果小于所述速度阈值，则获取所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与在先视频图像帧中目标人员的位置距离小于所述距离阈值的视频图像帧集合；
在所述小于所述距离阈值的视频图像帧集合中，继续判断所述目标人员当前视频图像帧与所述在前图像帧之间的帧数是否大于所述时间阈值。
还需要说明的是，所述如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员步骤，包括：
如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间帧数大于所述时间阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
还需要说明的是，该方法还包括：
获取待检测视频图像帧集合中当前的人脸检测框大小w；
根据所述当前的人脸检测框大小w，确定所述速度阈值，所述距离阈值和所述时间阈值。所述速度阈值设定范围为0.4w-0.6w，所述距离阈值设定范围为1.4w～1.6w，所述时间阈值设定范围为45帧～55帧。
基于以上如图1所示的具体实施例，以下设预设视频采集设备，即相机的架设高度在1.7M-2.0M之间，距离1.5M-2M，效果最佳；尽量使人行进方向正对镜头方向；相机与水平面之间的夹角尽量处于15度到30度之间；相机覆盖场景不大于3米；则所述停留人员的检测方法的具体实现过程可以包括：
使用检测和跟踪的算法，得到画面中行人的轨迹。为了提高检测的召回率，我们使用的检测器同时检测人脸、人后脑勺和半身，并进行过滤：如果在同一位置，同时检测到人脸和半身，记录检测框属性为“人脸”；同时检测到人后脑勺和半身，记录检测框属性为“人后脑勺”；只检测到半身时，记录检测框属性为“半身”。在轨迹跟踪过程中，存储人头中心点的坐标、人头检测框大小、检测框属性和对应的帧数。
为了实时地判断所述待检测视频图像帧集合轨迹中是否存在停留点采用如下方法：
在跟踪的过程中，获取当前点和前一点的距离；预设视频图像帧的帧率是固定的，点与点之间时间差相同，所以相邻两点间距离可以作为速度的近似。速度越大，相邻两点间距离越大。得到的轨迹点链表为：
p[1]->p[2]->p[3]...->p[i]->...->p[n]
每一点p的坐标为{x,y,t,dx,dy}，即当前点的位置x、y，点所在的帧数t，与上一帧的差dx、dy。当dx和dy均小于速度阈值时，进行停留点判定。
与现有技术的方法不同，本发明从当前点向前计算所有点和当前点的距离。当找到最早的一个距离小于距离阈值的点时，计算此最早点和当前点的相差帧数。如果相差帧数大于时间阈值，则从这个最早点到当前点之间的所有点都是停留点。否则，继续进行跟踪，根据下一点的dx和dy判断是否需要再次进行停留点判定。
实际算法具体描述如下：
输入:
轨迹点链表p[1]->p[2]->p[3]...->p[i]->...->p[n]，每个点pi坐标为{x,y,t}，即位置x,y和时间t。
距离阈值th_d。
时间阈值th_t。
速度阈值th_v。
输出：
若干个停留点集合SP＝{S}。
如果集合SP内元素大于0，则认为轨迹中存在停留点。这种方法，当顾客移动速度较快时，不进行停留点的判定。节约了很多运算资源。并且，这种从后往前的计算方法，使算法可以实时进行。
在顾客付款抓拍的场景中，如果轨迹中存在停留点，则将抓拍到的行人图像传递给识别模块。对于轨迹最后一帧的检测框大小w，使用1.5w作为距离阈值，使用0.5w作为速度阈值。对于25帧每秒的视频，使用50帧作为时间阈值。
需要说明的是，为了将所述停留人员的检测方法应用到顾客付款行为判断，本发明还可以对上述检测结果进行过滤；在实际的检测场景中，由于相机倾斜拍摄，背景中停留的顾客也会被识别为正在付款的用户。为了减少这种情况带来的误检，增加过滤规则：统计轨迹驻留点中，人脸检测框的数量。如果人脸检测框的数量小于8，则认为是误检。
此外，为了优化顾客付款行为判断中排队遮挡的抓拍。如果实际场景中，付款顾客较多，需要排队，则增加对排队遮挡的优化逻辑。由于排队时发生遮挡，顾客的轨迹较短，只有付款过程中的抓拍结果。但是，在实际场景中，顾客付款时往往会掏手机、钱包，翻找物品，导致很难抓拍到正面的图像。而对于人脸识别而言，抓拍结果的质量是非常重要的。因此，需要增加对排队情况的优化。
还有，就是当轨迹在画面中部(而非边缘)结束时，将轨迹中所有检测框中图像缩放到100X100像素大小，然后计算其HOG特征，存储1分钟。当判定为付款的轨迹较短，没有抓拍到合适的图像时，将轨迹中所有检测框中图像缩放到100X100像素大小，计算HOG特征。计算所有存储轨迹的HOG特征和当前轨迹所有HOG特征的距离，如果一条存储的轨迹和当前轨迹HOG特征的cos距离小于0.1的检测框数量大于2时，选取存储轨迹中较好的图像，作为抓拍的结果。
使用本发明提出的停留人员的检测方法来实现判断顾客付款行为，可以采集到正在付款的顾客的人脸信息，以便结合购物记录进行进一步分析。使用本发明的停留点判定方法，可以实时地判定轨迹是否对应一个正在付款的顾客。同时，使用本算法提出的一些过滤和补充规则，可以得到较好的抓拍结果。
本发明第二实施方式涉及一种停留人员的检测装置，如图2所示，该装置包括：
信息获取单元201，用于获取待检测视频图像帧集合及判断阈值；
判断单元202，用于判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
信息确定单元203，用于如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
需要说明的是，所述判断阈值包括：速度阈值、距离阈值和时间阈值；该装置还包括：
预设单元，用于预设速度阈值、距离阈值和时间阈值。
还需要说明的是，
所述判断单元还用于判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在上一帧视频图像帧中位置之间的速度是否小于所述速度阈值；如果小于所述速度阈值，则获取所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与在先视频图像帧中目标人员的位置距离小于所述距离阈值的视频图像帧集合；在所述小于所述距离阈值的视频图像帧集合中，继续判断所述目标人员当前视频图像帧与所述在前图像帧之间的帧数是否大于所述时间阈值；
所述信息确定单元还用于如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间帧数大于所述时间阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
还需要说明的是，该装置还包括：
获取待检测视频图像帧集合中当前的人脸检测框大小w；
根据所述当前的人脸检测框大小w，确定所述速度阈值，距离阈值和时间阈值。所述速度阈值设定范围为0.4w-0.6w，所述距离阈值设定范围为1.4w～1.6w，所述时间阈值设定范围为45帧～55帧。
本发明第三实施方式涉及一种停留人员的检测系统，该系统包括：
如上所述停留人员的检测装置。
本发明提供的一种停留人员的检测方法、装置及系统，通过获取待检测视频图像帧集合及判断阈值；判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。采用本发明技术方案不但可以节省计算量，还可以实时进行停留人员分析。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种停留人员的检测方法，其特征在于，包括：
获取待检测视频图像帧集合及判断阈值；
判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
2.根据权利要求1所述的停留人员的检测方法，其特征在于，所述判断阈值包括：速度阈值、距离阈值和时间阈值；该方法还包括：
预设速度阈值、距离阈值和时间阈值。
3.根据权利要求2所述的停留人员的检测方法，其特征在于，所述判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值的步骤，包括：
判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在上一帧视频图像帧中位置之间的速度是否小于所述速度阈值；
如果小于所述速度阈值，则获取所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与在先视频图像帧中目标人员的位置距离小于所述距离阈值的视频图像帧集合；
在所述小于所述距离阈值的视频图像帧集合中，继续判断所述目标人员当前视频图像帧与所述在前图像帧之间的帧数是否大于所述时间阈值。
4.根据权利要求3所述的停留人员的检测方法，其特征在于，所述如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员步骤，包括：
如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间帧数大于所述时间阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
5.根据权利要求2-4中任意一项所述的停留人员的检测方法，其特征在于，该方法还包括：
获取待检测视频图像帧集合中当前的人脸检测框大小w；
根据所述当前的人脸检测框大小w，确定所述速度阈值，所述距离阈值和所述时间阈值。
6.一种停留人员的检测装置，其特征在于，包括：
信息获取单元，用于获取待检测视频图像帧集合及判断阈值；
判断单元，用于判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在之前视频图像帧中位置是否满足所述判断阈值；
信息确定单元，用于如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间的距离满足所述判断阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
7.根据权利要求6所述的停留人员的检测装置，其特征在于，所述判断阈值包括：速度阈值、距离阈值和时间阈值；该装置还包括：
预设单元，用于预设速度阈值、距离阈值和时间阈值。
8.根据权利要求7所述的停留人员的检测装置，其特征在于，所述判断单元还用于判断所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与所述目标人员在上一帧视频图像帧中位置之间的速度是否小于所述速度阈值；如果小于所述速度阈值，则获取所述待检测视频图像帧集合中当前视频图像帧中的目标人员位置与在先视频图像帧中目标人员的位置距离小于所述距离阈值的视频图像帧集合；在所述小于所述距离阈值的视频图像帧集合中，继续判断所述目标人员当前视频图像帧与所述在前图像帧之间的帧数是否大于所述时间阈值；
所述信息确定单元还用于如果确定所述在前视频图像帧中的目标人员与所述当前视频图像帧中目标人员之间帧数大于所述时间阈值，则确定所述当前视频图像帧中的目标人员为停留人员。
9.根据权利要求6-8中任意一项所述的停留人员的检测装置，其特征在于，该装置还包括：
参数获取单元，获取待检测视频图像帧集合中当前的人脸检测框大小w；
阈值确定单元，用于根据所述当前的人脸检测框大小w，确定所述速度阈值，所述距离阈值和所述时间阈值。
10.一种停留人员的检测系统，其特征在于，包括：如权利要求5至9中任意一项所述的停留人员的检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911260065.9A CN111046788A (zh) | 2019-12-10 | 2019-12-10 | 一种停留人员的检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911260065.9A CN111046788A (zh) | 2019-12-10 | 2019-12-10 | 一种停留人员的检测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046788A true CN111046788A (zh) | 2020-04-21 |
Family
ID=70235469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911260065.9A Pending CN111046788A (zh) | 2019-12-10 | 2019-12-10 | 一种停留人员的检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046788A (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011017883A (ja) * | 2009-07-09 | 2011-01-27 | Nec Soft Ltd | 訴求対象特定システム、訴求対象特定方法、広告出力システム及び広告出力方法 |
| CN102136147A (zh) * | 2011-03-22 | 2011-07-27 | 深圳英飞拓科技股份有限公司 | 一种目标检测与跟踪方法、系统及视频监控设备 |
| CN103067692A (zh) * | 2012-12-30 | 2013-04-24 | 同方(深圳)云计算技术股份有限公司 | 基于网络硬盘录像机危险入侵的后处理检测方法及系统 |
| CN105069408A (zh) * | 2015-07-24 | 2015-11-18 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
| CN106204549A (zh) * | 2016-06-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种基于视频分析的广告牌监测方法、装置及电子设备 |
| WO2017156772A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 一种乘客拥挤度的计算方法及其系统 |
| CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及系统 |
| CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
| CN107688781A (zh) * | 2017-08-22 | 2018-02-13 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
| CN108229359A (zh) * | 2017-12-26 | 2018-06-29 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
| CN108241844A (zh) * | 2016-12-27 | 2018-07-03 | 北京文安智能技术股份有限公司 | 一种公交客流统计方法、装置及电子设备 |
| CN108399641A (zh) * | 2018-03-12 | 2018-08-14 | 北京华捷艾米科技有限公司 | 重新检测地面的判定方法及装置 |
| CN108491762A (zh) * | 2018-02-27 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种人体跌倒的检测方法及装置 |
| CN109145771A (zh) * | 2018-08-01 | 2019-01-04 | 武汉普利商用机器有限公司 | 一种人脸抓拍方法及装置 |
| CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| US20190130594A1 (en) * | 2017-10-28 | 2019-05-02 | Shenzhen AltumView Technology Co., Ltd. | Method and apparatus for real-time face-tracking and face-pose-selection on embedded vision systems |
| CN110119711A (zh) * | 2019-05-14 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 一种获取视频数据人物片段的方法、装置及电子设备 |
| CN110298323A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院自动化研究所 | 基于视频分析的打架检测方法、系统、装置 |
-
2019
- 2019-12-10 CN CN201911260065.9A patent/CN111046788A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011017883A (ja) * | 2009-07-09 | 2011-01-27 | Nec Soft Ltd | 訴求対象特定システム、訴求対象特定方法、広告出力システム及び広告出力方法 |
| CN102136147A (zh) * | 2011-03-22 | 2011-07-27 | 深圳英飞拓科技股份有限公司 | 一种目标检测与跟踪方法、系统及视频监控设备 |
| CN103067692A (zh) * | 2012-12-30 | 2013-04-24 | 同方(深圳)云计算技术股份有限公司 | 基于网络硬盘录像机危险入侵的后处理检测方法及系统 |
| CN105069408A (zh) * | 2015-07-24 | 2015-11-18 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
| WO2017156772A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 一种乘客拥挤度的计算方法及其系统 |
| CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及系统 |
| CN106204549A (zh) * | 2016-06-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种基于视频分析的广告牌监测方法、装置及电子设备 |
| CN108241844A (zh) * | 2016-12-27 | 2018-07-03 | 北京文安智能技术股份有限公司 | 一种公交客流统计方法、装置及电子设备 |
| CN107688781A (zh) * | 2017-08-22 | 2018-02-13 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
| CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
| US20190130594A1 (en) * | 2017-10-28 | 2019-05-02 | Shenzhen AltumView Technology Co., Ltd. | Method and apparatus for real-time face-tracking and face-pose-selection on embedded vision systems |
| CN108229359A (zh) * | 2017-12-26 | 2018-06-29 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
| CN108491762A (zh) * | 2018-02-27 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种人体跌倒的检测方法及装置 |
| CN108399641A (zh) * | 2018-03-12 | 2018-08-14 | 北京华捷艾米科技有限公司 | 重新检测地面的判定方法及装置 |
| CN109145771A (zh) * | 2018-08-01 | 2019-01-04 | 武汉普利商用机器有限公司 | 一种人脸抓拍方法及装置 |
| CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| CN110119711A (zh) * | 2019-05-14 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 一种获取视频数据人物片段的方法、装置及电子设备 |
| CN110298323A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院自动化研究所 | 基于视频分析的打架检测方法、系统、装置 |
Non-Patent Citations (2)
| Title |
|---|
| KOYUNCU, H等: "Vehicle Speed detection by using Camera and image processing software", 《INTERNATIONAL JOURNAL OF ENGINEERING AND SCIENCE》, vol. 7, no. 9, pages 64 - 72 * |
| 刘宏磊: "基于移动客户端位置信息的学生行为轨迹分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 138 - 506 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104378582B (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
| JP6406241B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
| JP4766495B2 (ja) | 対象物追跡装置および対象物追跡方法 | |
| US7940957B2 (en) | Object tracker for visually tracking object motion | |
| CN110334569B (zh) | 客流量进出识别方法、装置、设备及存储介质 | |
| CN110969118B (zh) | 轨迹监控系统和方法 | |
| JP2019505866A (ja) | 通行人の頭部識別方法及びシステム | |
| CN101699862A (zh) | Ptz摄像机获取感兴趣区域高分辨率图像的方法 | |
| KR101348680B1 (ko) | 영상추적기를 위한 표적포착방법 및 이를 이용한 표적포착장치 | |
| CN110633648B (zh) | 一种自然行走状态下的人脸识别方法和系统 | |
| JP4667508B2 (ja) | 移動体情報検出装置、移動体情報検出方法および移動体情報検出プログラム | |
| CN115841651B (zh) | 基于计算机视觉与深度学习的施工人员智能监测系统 | |
| CN110991397A (zh) | 一种行进方向确定方法及相关设备 | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| Yao et al. | A real-time pedestrian counting system based on rgb-d | |
| CN109977796A (zh) | 尾随通行检测方法及装置 | |
| Chen et al. | Head-shoulder detection using joint HOG features for people counting and video surveillance in library | |
| CN110930432A (zh) | 一种视频分析方法、装置及系统 | |
| KR101154350B1 (ko) | 고해상도 영상의 객체 검지 및 분할 인식을 이용한 다중 영상처리시스템 및 방법 | |
| KR102614895B1 (ko) | 동적 카메라 영상 내의 객체를 실시간 추적하는 시스템 및 방법 | |
| CN111046788A (zh) | 一种停留人员的检测方法、装置及系统 | |
| CN111091089B (zh) | 一种人脸图像处理方法、装置、电子设备及存储介质 | |
| CN114677608A (zh) | 身份特征生成方法、设备及存储介质 |
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 |