CN111091025B - 图像处理方法、装置和设备 - Google Patents

图像处理方法、装置和设备 Download PDF

Info

Publication number
CN111091025B
CN111091025B CN201811237747.3A CN201811237747A CN111091025B CN 111091025 B CN111091025 B CN 111091025B CN 201811237747 A CN201811237747 A CN 201811237747A CN 111091025 B CN111091025 B CN 111091025B
Authority
CN
China
Prior art keywords
person
coordinate
frame image
foot
target
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.)
Active
Application number
CN201811237747.3A
Other languages
English (en)
Other versions
CN111091025A (zh
Inventor
冯雪涛
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811237747.3A priority Critical patent/CN111091025B/zh
Publication of CN111091025A publication Critical patent/CN111091025A/zh
Application granted granted Critical
Publication of CN111091025B publication Critical patent/CN111091025B/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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching

Abstract

本发明实施例提供一种图像处理方法、装置和设备，方法包括：获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，第一多帧图像和第二多帧图像对应于相同采集时间段；确定第一目标物与第二目标物为同一目标物，且第一目标部位坐标与第二目标部位坐标对应于相同时间戳，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；根据第一目标部位坐标和第二目标部位坐标确定第一摄像头与第二摄像头的重叠区域，从而，通过对不同摄像头采集的图像的分析得到摄像头的重叠区域。

Description

图像处理方法、装置和设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置和设备。
背景技术
基于摄像头的视频监控系统在安防等多种领域具有重要作用。大量的场所已经被摄像头覆盖，工作人员可以基于这些摄像头采集的视频画面实现对出现在场所中的人、物、车辆等感兴趣目标进行运动轨迹的跟踪、异常行为的识别等目的。
单个摄像头能够覆盖的区域和视角都比较有限，所以在实际应用中，常常需要布置大量摄像头来获得对监控场景更完整的覆盖。多摄像头系统最基本的需求是让被监控区域的每个部分都有一个摄像头能够覆盖到。而为了实现更精细或更智能的监控，常常布置更多的摄像头，让一些被监控的区域同时存在多个摄像头覆盖，这些摄像头具有不同的拍摄角度，使得被监控目标即使在一个摄像头的方向上被其他物体遮挡，也能在另一个摄像头中被观察到。
在多摄像头系统中，确定多个摄像头之间的拓扑关系是一个非常重要的问题。该拓扑关系主要体现为在多摄像头系统中判断出哪些摄像头之间存在重叠区域，所谓重叠区域是指不同摄像头各自能够拍得的区域范围之间存在重叠。
发明内容
本发明实施例提供一种图像处理方法、装置和设备，用以便捷地确定摄像头之间的重叠区域。
第一方面，本发明实施例提供一种图像处理方法，包括：
获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段；
确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；
根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域。
第二方面，本发明实施例提供一种图像处理装置，包括：
获取模块，用于获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段；
第一确定模块，用于确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；
第二确定模块，用于根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域。
第三方面，本发明实施例提供一种电子设备，该电子设备包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的图像处理方法。
本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的图像处理方法。
在本发明实施例中，针对多摄像头系统中的任意两个摄像头称为第一摄像头和第二摄像头，为确定这两个摄像头之间是否存在重叠区域以及重叠区域的范围，可以在相同的采集时间段内分别获取第一摄像头采集的第一多帧图像以及第二摄像头采集的第二多帧图像，获取第一多帧图像中第一目标物的目标部位坐标序列，以及第二多帧图像中第二目标物的目标部位坐标序列，其中，目标部位为与地面接触的部位。继而，若确定第一目标物与第二目标物为同一目标物，且第一目标物的目标部位坐标序列中的第一目标部位坐标与第二目标物的目标部位坐标序列中的第二目标部位坐标对应于相同时间戳，则认为第一目标部位坐标和第二目标部位坐标为一对坐标，即同一目标物的同一目标部位在不同摄像头下分别对应的坐标。通过上述过程可以获取同时出现在第一摄像头和第二摄像头的视野中的各目标物所对应的坐标对，基于获得的各坐标对可以便捷地确定第一摄像头和第二摄像头的重叠区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种图像处理方法的流程图；
图2为多摄像头系统下确定不同摄像头间重叠区域的原理示意图；
图3为本发明实施例提供的另一种图像处理方法的流程图；
图4为本发明实施例提供的一种图像处理装置的结构示意图；
图5为与图4所示实施例提供的图像处理装置对应的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
图1为本发明实施例提供的一种图像处理方法的流程图，该图像处理方法可以由服务器来执行。如图1所示，该方法包括如下步骤：
101、获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，第一多帧图像和第二多帧图像对应于相同采集时间段。
在多摄像头系统中，本发明实施例提供的图像处理方法的主要目的是确定摄像头之间可能存在的重叠区域。
而对于具有重叠区域的不同摄像头来说，该重叠区域可以用“描述不同摄像头在相同平面的拍摄区域间重叠关系的单应性矩阵”来表征。也就是说，确定不同摄像头的重叠区域，可以具体实现为确定不同摄像头的单应性矩阵。从而，不同摄像头之间存在重叠的拍摄区域时，重叠情况可以通过单应性矩阵来描述。其中，单应性矩阵，具体来说，就是从一个摄像头拍得的图像中地面上的点x到另一个摄像头拍得的图像中地面上的点x'的坐标变换矩阵H，其中x'＝H·x。
上述第一摄像头和第二摄像头可以是部署的多个摄像头中的任意两个摄像头，当然，可选地，为降低计算量，可以设定上述第一摄像头和第二摄像头为位置相邻的两个摄像头。在多摄像头系统中，用户可以每次针对相邻的两个摄像头触发本实施例提供的图像处理方法。
该多摄像头系统可以是部署在诸如超市、商场、酒店、银行等场合的视频监控系统。
用户可以向服务器输入第一摄像头和第二摄像头的标识比如已经标记的位置标识或者序列号等，以使服务器获取在相同采集时间段内第一摄像头和第二摄像头各自采集的视频片段，进而对第一摄像头采集的视频片段进行图像帧分割处理得到第一多帧图像，对第二摄像头采集的视频片段进行图像帧分割处理得到第二多帧图像。其中，该采集时间段可以是设定的预设时长，比如20秒钟。
在以人为目标的多摄像头视频监控环境下，例如商场、超市等环境下，常常存在大量人物在摄像头的视野中走来走去，因此，可选地，可以利用这些走动的人自动完成两个摄像探头间是否存在重叠拍摄区域的判定以及单应性矩形的计算，从而，可以将采集的多帧图像中的人作为目标物。另外，为保证能够准确的计算出单应性矩阵，本发明实施例中，目标物的目标部位的选择以尽量靠近地面为原则进行选取，从而，当目标物为人时，目标部位可以是脚部，脚部坐标可以以比如足跟位置的坐标或脚掌位置的坐标等来表示。进一步地，由于在走路过程中，针对同一只脚来说，存在接触地面和未接触地面之别，因此，可选地，脚部坐标还可以是接触地面时刻的脚部坐标。值得说明的是，由于人有两只脚，本实施例中的脚部坐标是指预设的某一只脚对应的坐标。
基于此，上述第一目标物和第二目标物都可以是人，为区别，将第一摄像头采集的第一多帧图像中包含的人统称为第一人，将第二摄像头采集的第二多帧图像中包含的人统称为第二人。
当然，实际应用中，目标物也可以选择其他物体，比如在超市场景下选择购物车作为目标物，此时，目标物的接触地面的特征部位可以选取为某个车轮。再比如，在室外的交通场景下，可以选择车辆作为目标物，此时，目标物的接触地面的特征部位可以选取为某个车轮。
以目标物为人为例，服务器在获得第一摄像头采集的第一多帧图像后，对该第一多帧图像中包含的每个人进行检测和跟踪，以至少获得每个人的脚部坐标，由于同一人可能出现在连续的几帧图像中，因此，实际可以获得每个人对应的目标部位坐标序列即脚部坐标序列，该序列中的每个坐标值可以关联有对应的某帧图像的时间戳，其中，该关联可以体现为每个坐标值被标记上相应图像的时间戳，或者，每个坐标值在序列中的排位位置与相应图像在第一多帧图像中的排位位置一致。举例来说，假设第一多帧图像为10帧图像，则脚部坐标序列的长度为10，假设在第3帧至第10帧图像中都识别到了用户B，则用户B对应的脚部坐标序列中，前两个坐标值为表示未识别到用户B的默认值，第三个到第十个坐标值分别对应于第3帧至第10帧图像中用户B的比如右脚足跟的坐标。
从而，具体地，针对第一多帧图像来说，服务器可以分别识别每帧图像中包含的人物以及识别出每个人物的脚部坐标，进而，根据前后相邻图像中包含的人物的一致性，确定后一帧图像中包含的某个人物是否与前一帧图像中包含的某个人物一致，从而得到识别出的每个人对应的脚部坐标序列。
由于在后续其他实施例中，不仅用到脚部坐标，还可能用到其他部位坐标，因此，可选地，针对第一多帧图像中任一帧图像来说，可以识别其中包含的人物以及识别出每个人的人体特征点坐标，其中，人体特征点坐标中包括脚部坐标，该人体特征点坐标是指人体的一些关键部位在第一摄像头的坐标系下对应的坐标，比如包括头部、肩部、手臂、大腿部、小腿部等。可以理解的是，此处所说的人体特征点坐标应该理解为是按照一定部位排列顺序组织的一组坐标，在本实施例中，可以从一组坐标中提取出脚部坐标，从而形成每个人对应的脚部坐标序列。
对第二摄像头采集的第二多帧图像进行同样的处理，得到第二多帧图像中每个人对应的目标部位坐标序列即脚部坐标序列。
为便于理解，结合图2所示，图2中示意的是具有不同拍摄角度、位于不同位置的第一摄像头和第二摄像头在同一时刻拍得的同一人的图像，图中简单示意了每个图像中人体特征点坐标的分布情况，图2中左侧图中的脚部坐标与右侧图中脚部坐标相对应，形成一对坐标。
实际上，第一多帧图像中可能一共识别出多个人，每个人对应有脚部坐标序列，这多个人都可以统称为第一人。同样地，第二多帧图像中也可能一共识别出多个人，每个人对应有脚部坐标序列，这多个人都可以统称为第二人。
为便于描述，将第一多帧图像中识别出的多个人中的任一人作为第一人，将第二多帧图像中识别出的多个人中的任一人作为第二人，第一人对应的脚部坐标序列称为第一脚部坐标序列，第二人对应的脚部坐标序列称为第二脚部坐标序列。
102、确定第一目标物与第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中。
103、根据第一目标部位坐标和第二目标部位坐标确定第一摄像头与第二摄像头的重叠区域。
其中，第一目标部位坐标和第二目标部位坐标作为一对坐标。
由于本实施例中计算重叠区域的核心思想是：以同一时刻两个摄像头采集的图像中属于同一个人的与地面接触的脚部坐标，作为一对坐标，在获得两个摄像头下对应的若干对坐标时，可以根据获取到的若干对坐标确定两个摄像头的重叠区域，比如包含若干对坐标的最小闭合区域为该重叠区域。另外，在通过单应性矩阵来反映摄像头间的重叠区域时，在获得一定数量的多对坐标时，根据获取到的多对坐标即可计算摄像头的单应性矩阵。因此，在获得第一人对应的第一脚部坐标序列，第二人对应的第二脚部坐标序列后，首先需要确定第一人与第二人是否为同一人，若为同一人，则可以将第一脚部坐标序列和第二脚部坐标序列中对应于相同时间戳的脚部坐标作为一对坐标点，比如将第一脚部坐标序列中Ti时刻的对应的第一脚部坐标与第二脚部坐标序列中Ti时刻对应的第二脚部坐标作为一对坐标点。
更进一步地，由于对于某第一人的右脚来说，假设第一多帧图像中均包含该第一人，该第一人的右脚在部分图像中仍可能是悬空状态即未接触地面，因此，对于该第一人对应的第一脚部坐标序列来说，可以从中确定哪些脚部坐标是对应于脚部落地时刻的，哪些是对应于非脚部落地时刻的。同样地，对于第二人对应的第二脚部坐标序列来说，也可以从中确定哪些脚部坐标是对应于脚部落地时刻的，哪些是对应于非脚部落地时刻的。基于此，在确定第一人与第二人为同一人的情况下，可以从第一脚部坐标序列和第二脚部坐标序列中对应于相同脚部落地时刻的脚部坐标作为一对坐标点，比如第一摄像头在Tj时刻采集的图像对应于脚部落地时刻，第二摄像头在Tj时刻采集的图像也对应于脚部落地时刻，则可以将第一脚部坐标序列中Tj时刻的对应的脚部坐标与第二脚部坐标序列中Tj时刻对应的脚部坐标作为一对坐标点。
由于第一多帧图像和第二多帧图像的采集时长以及图像帧分割的时间间隔可以合理设定，从而只要从第一多帧图像和第二多帧图像中确定出至少4对坐标点即可求解获得单应性矩阵中的8个未知数。
当然，如果第一人与第二人为同一人，但是第一脚部坐标序列和第二脚部坐标序列中包含的坐标值很少，比如仅各自包含一个坐标值，此时说明第一摄像头和第二摄像头各自采集的多帧图像中仅有一帧对应于相同时间戳的图像中包含该同一人，此时，为了求解单应性矩阵，仍需针对分别从第一多帧图像和第二多帧图像中识别出的其他人进行是否为同一人的确定处理以及脚部坐标对的确定处理。
比如，假设采集时间段为T1至Tn，假设从第一多帧图像中识别出用户A、用户B，从第二多帧图像中识别出用户C、用户D，若确定用户A与用户D为同一人，且假设用户A对应的脚部坐标序列与用户D对应的脚部坐标序列中仅能确定出2对坐标，则需要继续判定用户B与用户C是否为同一人。假设用户B与用户C为同一人，且假设用户B对应的脚部坐标序列与用户C对应的脚部坐标序列中仅能确定出1对坐标，则此时可以继续采集Tn至Tn+m时间段内第一摄像头和第二摄像头各自采集的视频片段，重复进行前述处理。
值得说明的是，若已经积累的采集时间段已经超过预设时长，仍未获取到对应于同一人的多对坐标，则可以确定第一摄像头与第二摄像头不存在重叠拍摄区域。或者，若已经积累的采集时间段已经超过预设时长并且第一多帧图像或第二多帧图像中识别出的人数已经超过预设人数，仍未获取到对应于同一人的多对坐标在至少一个摄像头中检测到超过预设数量的人。
可选地，第一人与第二人是否为同一人的确定，可以通过比较第一人和第二人的外观相似度来实现。具体地，在获得第一多帧图像和第二多帧图像后，可以识别第一多帧图像中包含的每个人，提取每个人对应的外观特征，以及识别第二多帧图像中包含的每个人，提取每个人对应的外观特征。假设第一多帧图像中包含第一人，第二多帧图像中包含第二人，由于第一多帧图像中包含第一人的图像帧数可能不止一帧，同样地，第二多帧图像中包含第二人的图像帧数也可能不止一帧，可选地，可以从包含第一人的至少一帧图像中随机选择一帧图像，从该帧图像中提取出第一人对应的外观特征；从包含第二人的至少一帧图像中随机选择一帧图像，从该帧图像中提取出第二人对应的外观特征。其中，将第一人对应的外观特征称为第一外观特征，将第二人对应的外观特征称为第二外观特征。
其中，以第一人为例，第一外观特征可以使用相应一帧图像中提取出的包含第一人的矩形区域，即该矩形区域中所有像素的颜色值来计算得到。具体地，可以将这些颜色值输入到预先训练好的分类器中，分类器计算得到第一外观特征对应的外观特征向量，比如可以是长度为128或者256的浮点数向量。同样地，得到分类器输出的第二人对应的第二外观特征向量。
由于分类器的训练是以区分不同的人为目标的，所以由同一个人在不同摄像头下对应的两个图像得到的两个外观特征向量之间的相似度会较高，而不同人的两个图像得到的两个外观特征向量之间的相似度会较低。
得到分类器输出的第一外观特征向量和第二外观特征向量后，根据第一外观特征向量与第二外观特征向量确定第一人与第二人的外观相似度分数，如果该分数大于预设阈值，则认为第一人与第二人是同一人。其中，该相似度计算比如可以通过计算余弦距离、欧氏距离等实现。
在获得多对坐标之后，以需要求取单应性矩阵来说，可以根据多对坐标建立用于求解单应性矩阵中各元素的方程组，解方程组以得到单应性矩阵中各元素。
图3为本发明实施例提供的另一种图像处理方法的流程图，如图3所示，可以包括如下步骤：
301、获取第一摄像头采集的第一多帧图像中第一人的脚部坐标序列，以及第二摄像头采集的第二多帧图像中第二人的脚部坐标序列，第一多帧图像和第二多帧图像对应于相同采集时间段。
可选地，可以识别第一多帧图像中包含的处于运动状态的人作为第一人，以及识别第二多帧图像中包含的处于运动状态的人作为第二人。也就是说，当第一多帧图像中总共包含多个人时，可以从中选择出处于运动状态的人来进行摄像头的单应性矩阵的计算，同样地，当第二多帧图像中总共包含多个人时，可以从中选择出处于运动状态的人来进行摄像头的单应性矩阵的计算。
可以采用不同的方式进行运动状态的第一人或第二人的选择，例如使用运动速度条件，从第一多帧图像中包括的多个人中选择运动速度大于某个阈值的人作为第一人；或者使用动作检测的方式，以第一多帧图像中识别出的每任一人在各帧图像中对应的人体特征点坐标作为输入，输入到预先训练好的分类器中，分类器的输出为该任一人是否处于运动状态的分类结果，本实施例中，人体特征点坐标至少包括脚部坐标，实际上，人体特征点坐标可以包括头部、肩部、腿部、脚部等多个部位的坐标。
如前文所述，在获得第一多帧图像后，服务器可以识别每帧图像中包括的每个人以及每个人对应的人体特征点坐标，为每个人分配一个唯一标识，从而，通过人体跟踪处理，可以得到其中任一人对应的N帧图像以及由在N帧图像中分别识别出的该任一人的人体特征点坐标组成的人体特征点坐标序列，N小于或等于第一多帧图像的帧数。
经过运动状态的人的筛选处理，筛选出处于运动状态的各个人以及其中每个人对应的脚部坐标序列。
302、确定第一多帧图像中包含第一人的各帧图像是否对应于脚部落地时刻以及第二多帧图像中包含第二人的各帧图像是否对应于脚部落地时刻。
该步骤实际就是检测每个摄像头采集的多帧图像中的每个运动状态下的人的脚部落地时刻，此时刻的脚部位置就是脚部落地位置，作为本文中使用的用于进行单应性矩阵计算的坐标位置。
可选地，步骤302具体可以通过如下方式实现：
识别第一人在包含第一人的各帧图像中分别对应的第一人体特征点坐标，以及第二人在包含第二人的各帧图像中分别对应的第二人体特征点坐标；
将第一人体特征点坐标输入到分类模型，以获得包含第一人的各帧图像对应的第一分类输出向量，第一分类输出序列表明第一多帧图像中各帧图像是否对应于脚部落地时刻；
将第二人体特征点坐标输入到分类模型，以获得包含第二人的各帧图像对应的第二分类输出向量，第二分类输出向量表明第二多帧图像中各帧图像是否对应于脚部落地时刻。
假设第一多帧图像和第二多帧图像为相同采集时间段内分别采集的十帧图像，并且假设第一多帧图像中识别出的第一人包括用户A，且包含用户A的图像帧包括第一帧至第十帧，第二多帧图像中识别出的第二人包括用户B，且包含用户A的图像帧包括第五帧至第十帧。那么此时需要确定第一多帧图像中的第一帧到第十帧中哪些图像帧对应于第一人的脚部落地时刻，以及确定第二多帧图像中的第五帧到第十帧中哪些图像帧对应于第二人的脚部落地时刻。
检测脚部落地时刻的问题可以看作是一个序列标注问题，可以使用预先训练获得的分类模型来实现，该分类模型比如可以是条件随机场模型，结构化支持向量机，长短期记忆网络模型等。在上述假设情况下，针对第一多帧图像，分类模型的输入是用户A在第一帧至第十帧图像中分别对应的人体特征点坐标，输出是第一帧至第十帧图像对应的采集时刻是否是脚部落地时刻的分类结果。同理，针对第二多帧图像，分类模型的输入是用户B在第五帧至第十帧图像中分别对应的人体特征点坐标，输出是第五帧至第十帧图像对应的采集时刻是否是脚部落地时刻的分类结果。实际上，分类结果可以由0和1组成的二值向量来表示，1表示此帧图像对应于相应用户的脚部落地时刻，0表示此帧图像不对应于相应用户的脚部落地时刻。
303、根据包含第一人的各帧图像的脚部落地时刻确定结果和包含第二人的各帧图像的脚部落地时刻确定结果，确定第一人与第二人为同一人。
本实施例中，脚部落地时刻确定结果即为步骤302中得到的第一分类输出向量和第二分类输出向量。值得说明的是，为便于后续向量计算中向量维度一致，第一分类输出向量和第二分类输出向量包含的元素个数应该是相等的。在上述假设情况下，由于第一多帧图像和第二多帧图像对应于相同采集时间段以及相同的图像帧分割方式，从而第一多帧图像中第i帧图像的时间戳与第二多帧图像中第i帧图像的时间戳相同，因此，当包括用户B的是第五帧至第十帧图像时，第二分类输出向量可以向前补齐四个0(即设定第二多帧图像中第一帧至第四帧不对应于脚部落地时刻)以与第一分类输出向量等长。
可选地，步骤303可以通过如下方式实现：
根据第一分类输出向量和第二分类输出向量确定第一人与第二人的动作一致性分数；若动作一致性分数大于预设阈值，则确定第一人与第二人为同一人。
该实现方式的核心思想是：如果在两个摄像头中看到的两个人，他们在一段时间内脚部落地时刻的一致性非常高，则说明他们很有可能是同一个人。
具体来说，可以建立动作一致性分数矩阵X，矩阵中第i行第j列的元素xij表示第一多帧图像中第i个人与第二多帧图像中第j个人之间的动作一致性分数，即xij＝r(T1i,T2j)，其中T1i是第一多帧图像中第i个人对应的第一分类输出向量，T2j是第二多帧图像中第j个人对应的第二分类输出向量，r表示两个向量的相关系数。
可以理解的是，i的取值范围受第一多帧图像中识别出的第一人的个数限制，j的取值范围受第二多帧图像中识别出的第二人的个数限制。假设第一多帧图像中识别出的第一人的包括用户A、用户C，第二多帧图像中识别出的第一人的包括用户B、用户D、用户E，则动作一致性分数矩阵X是两行三列的矩阵，其中，第一行第一列的元素x11为用户A与用户B的动作一致性分数，假设该分数大于预设阈值，则认为用户A与用户B为同一人。
可选地，步骤303可以通过如下方式实现：
根据第一分类输出向量和第二分类输出向量确定第一人与第二人的动作一致性分数；
从所述第一多帧图像中提取出所述第一人对应的第一外观特征，以及从所述第二多帧图像中提取出所述第二人对应的第二外观特征；
根据所述第一外观特征与所述第二外观特征确定所述第一人与所述第二人的外观相似度分数；
若外观相似度分数大于预设阈值，并且动作一致性分数大于预设阈值，则确定第一人与第二人为同一人。
本实施例中，为进一步提高第一人与第二人是否为同一人的确定结果的准确性，除了可以基于动作一致性分数进行判断外，还可以结合外观相似度分数进行判断。其中，外观相似度分数的计算过程可以参见前述实施例中的说明，不赘述。
与动作一致性分数矩阵X相似的，也可以建立外观相似度分数矩阵Y，矩阵中第i行第j列的元素yij表示第一多帧图像中第i个人与第二多帧图像中第j个人之间的外观相似度分数。
可选地，计算得到动作一致性分数矩阵X和外观相似度分数矩阵Y后，若某元素yij表示的外观相似度分数大于预设阈值，并且元素xij表示的动作一致性分数大于预设阈值，则确定第i个人与第j个人为同一人。
可选地，还可以将计算得到的动作一致性分数矩阵X和外观相似度分数矩阵Y相加，得到总体一致性矩阵Z，Z＝k1*X+k2*Y，其中k1和k2为预设的权重系数。通过总体一致性矩形Z来获得两个摄像头之间人物的最优匹配关系，可以使用匈牙利算法得到。其中，最优匹配关系表明第一多帧图像中的某个用户与第二多帧图像中的某个用户很可能是同一人。最后，如果得到的最优匹配关系中，两人的动作一致性分数小于预设阈值，或者外观相似度分数小于预设阈值，则将这两个人从最优匹配关系中移除，剩下的就是同一人的匹配结果。
304、确定第一脚部坐标和第二脚部坐标对应于相同脚部落地时刻，第一脚部坐标位于第一目标物的脚部坐标序列中，第二脚部坐标位于第二目标物的脚部坐标序列中。
305、根据第一脚部坐标和第二脚部坐标确定第一摄像头与第二摄像头的单应性矩阵。
如果确定第一人与第二人为同一人，则可以根据第一人对应的第一分类输出向量得知第一人对应的脚部坐标序列中哪些脚部坐标对应于脚部落地时刻，同样的，根据第二人对应的第二分类输出向量可以得知第二人对应的脚部坐标序列中哪些脚部坐标对应于脚部落地时刻。将第一人对应的脚部坐标序列中和第二人对应的脚部坐标序列中对应于相同脚部落地时刻的脚部坐标作为一对坐标，分别称为第一脚部坐标和第二脚部坐标。
如果第一多帧图像和第二多帧图像对应的采集时间段足够长、从第一多帧图像和第二多帧图像中识别出的同一人的数量足够多，则会获得足够多的脚部坐标对，从而，基于获得的多对脚部坐标，可以计算第一摄像头和第二摄像头的单应性矩阵。
相反地，若采集时间段已经超过预设时长，仍未获取到对应于同一人的相同脚部落地时刻的第一脚部坐标和第二脚部坐标(此时说明第一摄像头和第二摄像头各自拍得的多帧图像中不存在重叠的人)，则确定第一摄像头与第二摄像头不存在重叠拍摄区域，亦即第一摄像头和第二摄像头不具有单应性矩阵。
以下将详细描述本发明的一个或多个实施例的图像处理装置。本领域技术人员可以理解，这些图像处理装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图4为本发明实施例提供的一种图像处理装置的结构示意图，如图4所示，该装置包括：获取模块11、第一确定模块12、第二确定模块13。
获取模块11，用于获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段。
第一确定模块12，用于确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中。
第二确定模块13，用于根据所述第一目标部位坐标和所述第二目标部位坐标确定第一摄像头与第二摄像头的重叠区域。
可选地，所述第二确定模块13具体可以用于：根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的单应性矩阵。
可选地，所述第一目标物为第一人，所述第二目标物为第二人，所述目标部位为脚部。
可选地，所述装置还包括：识别模块，用于识别所述第一多帧图像中包含的处于运动状态的人作为所述第一人，以及所述第二多帧图像中包含的处于运动状态的人作为所述第二人。
可选地，所述第一确定模块12可以用于：确定所述第一多帧图像中包含所述第一人的各帧图像是否对应于脚部落地时刻以及所述第二多帧图像中包含所述第二人的各帧图像是否对应于脚部落地时刻；根据包含所述第一人的各帧图像的脚部落地时刻确定结果和包含所述第二人的各帧图像的脚部落地时刻确定结果，确定所述第一人与所述第二人为同一人。
可选地，所述第一确定模块12可以用于：确定第一脚部坐标和第二脚部坐标对应于相同脚部落地时刻，第一脚部坐标位于第一目标物的脚部坐标序列中，第二脚部坐标位于第二目标物的脚部坐标序列中。
可选地，所述第一确定模块12可以用于：识别所述第一人在所述包含所述第一人的各帧图像中分别对应的第一人体特征点坐标，以及所述第二人在所述包含所述第二人的各帧图像中分别对应的第二人体特征点坐标；将所述第一人体特征点坐标输入到分类模型，以获得所述包含所述第一人的各帧图像对应的第一分类输出向量，所述第一分类输出序列表明所述第一多帧图像中各帧图像是否对应于脚部落地时刻；将所述第二人体特征点坐标输入到分类模型，以获得所述包含所述第二人的各帧图像对应的第二分类输出向量，所述第二分类输出向量表明所述第二多帧图像中各帧图像是否对应于脚部落地时刻。
可选地，所述第一确定模块12可以用于：根据所述第一分类输出向量和所述第二分类输出向量确定所述第一人与所述第二人的动作一致性分数；若所述动作一致性分数大于预设阈值，则确定所述第一人与所述第二人为同一人。
可选地，所述第一确定模块12可以用于：根据所述第一分类输出向量和所述第二分类输出向量确定所述第一人与所述第二人的动作一致性分数；从所述第一多帧图像中提取出所述第一人对应的第一外观特征，以及从所述第二多帧图像中提取出所述第二人对应的第二外观特征；根据所述第一外观特征与所述第二外观特征确定所述第一人与所述第二人的外观相似度分数；若所述外观相似度分数大于预设阈值，并且所述动作一致性分数大于预设阈值，则确定所述第一人与所述第二人为同一人。
可选地，所述第二确定模块13还可以用于：若所述采集时间段已经超过预设时长，仍未获取到对应于同一人的相同脚部落地时刻的第一脚部坐标和第二脚部坐标，则确定所述第一摄像头与所述第二摄像头不存在重叠拍摄区域。
图4所示装置可以执行图1-图3所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图3所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图3所示实施例中的描述，在此不再赘述。
在一个可能的设计中，图4所示图像处理装置的结构可实现为一电子设备，该电子设备可以是服务器、云端节点等。如图5所示，该电子设备可以包括：处理器21和存储器22。其中，所述存储器22用于存储支持电子设备执行上述图1-图3所示实施例中提供的图像处理方法的程序，所述处理器21被配置为用于执行所述存储器22中存储的程序。
所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器21执行时能够实现如下步骤：
获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段；
确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；
根据所述第一目标部位坐标和所述第二目标部位坐标确定第一摄像头与第二摄像头的重叠区域。
可选地，所述处理器21还用于执行前述图1-图3所示实施例中的全部或部分步骤。
其中，所述电子设备的结构中还可以包括通信接口23，用于电子设备与其他设备或通信网络通信。
另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图1-图3所示方法实施例中图像处理方法所涉及的程序。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段；其中，所述第一目标物为第一人，所述第二目标物为第二人；
确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；
根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域；
其中，所述确定所述第一目标物与所述第二目标物为同一目标物，包括：确定所述第一多帧图像中包含所述第一人的各帧图像是否对应于脚部落地时刻以及所述第二多帧图像中包含所述第二人的各帧图像是否对应于脚部落地时刻；根据包含所述第一人的各帧图像的脚部落地时刻确定结果和包含所述第二人的各帧图像的脚部落地时刻确定结果，确定所述第一人与所述第二人为同一人；
其中，所述根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域，包括：确定所述第一目标部位坐标和所述第二目标部位坐标作为一对坐标；在获得所述第一摄像头与所述第二摄像头下对应的多对坐标时，根据获得的所述多对坐标确定所述第一摄像头与所述第二摄像头的重叠区域；其中，所述目标部位为脚部，脚部坐标是指预设的一只脚对应的坐标。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域，包括：
根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的单应性矩阵。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
识别所述第一多帧图像中包含的处于运动状态的人作为所述第一人，以及所述第二多帧图像中包含的处于运动状态的人作为所述第二人。
4.根据权利要求1所述的方法，其特征在于，所述确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，包括：
确定第一脚部坐标和第二脚部坐标对应于相同脚部落地时刻，第一脚部坐标位于第一目标物的脚部坐标序列中，第二脚部坐标位于第二目标物的脚部坐标序列中。
5.根据权利要求1所述的方法，其特征在于，所述确定所述第一多帧图像中包含所述第一人的各帧图像是否对应于脚部落地时刻以及所述第二多帧图像中包含所述第二人的各帧图像是否对应于脚部落地时刻，包括：
识别所述第一人在所述包含所述第一人的各帧图像中分别对应的第一人体特征点坐标，以及所述第二人在所述包含所述第二人的各帧图像中分别对应的第二人体特征点坐标；
将所述第一人体特征点坐标输入到分类模型，以获得所述包含所述第一人的各帧图像对应的第一分类输出向量，所述第一分类输出向量表明所述第一多帧图像中各帧图像是否对应于脚部落地时刻；
将所述第二人体特征点坐标输入到分类模型，以获得所述包含所述第二人的各帧图像对应的第二分类输出向量，所述第二分类输出向量表明所述第二多帧图像中各帧图像是否对应于脚部落地时刻。
6.根据权利要求5所述的方法，其特征在于，所述根据包含所述第一人的各帧图像的脚部落地时刻确定结果和包含所述第二人的各帧图像的脚部落地时刻确定结果，确定所述第一人与所述第二人为同一人，包括：
根据所述第一分类输出向量和所述第二分类输出向量确定所述第一人与所述第二人的动作一致性分数；
若所述动作一致性分数大于预设阈值，则确定所述第一人与所述第二人为同一人。
7.根据权利要求5所述的方法，其特征在于，所述根据包含所述第一人的各帧图像的脚部落地时刻确定结果和包含所述第二人的各帧图像的脚部落地时刻确定结果，确定所述第一人与所述第二人为同一人，包括：
根据所述第一分类输出向量和所述第二分类输出向量确定所述第一人与所述第二人的动作一致性分数；
从所述第一多帧图像中提取出所述第一人对应的第一外观特征，以及从所述第二多帧图像中提取出所述第二人对应的第二外观特征；
根据所述第一外观特征与所述第二外观特征确定所述第一人与所述第二人的外观相似度分数；
若所述外观相似度分数大于预设阈值，并且所述动作一致性分数大于预设阈值，则确定所述第一人与所述第二人为同一人。
8.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述采集时间段已经超过预设时长，仍未获取到对应于同一人的相同脚部落地时刻的第一脚部坐标和第二脚部坐标，则确定所述第一摄像头与所述第二摄像头不存在重叠区域。
9.一种图像处理装置，其特征在于，包括：
获取模块，用于获取第一摄像头采集的第一多帧图像中第一目标物的目标部位坐标序列，以及第二摄像头采集的第二多帧图像中第二目标物的目标部位坐标序列，目标部位为与地面接触的部位，所述第一多帧图像和所述第二多帧图像对应于相同采集时间段；其中，所述第一目标物为第一人，所述第二目标物为第二人；
第一确定模块，用于确定所述第一目标物与所述第二目标物为同一目标物，且确定第一目标部位坐标与第二目标部位坐标对应于相同时间戳，其中，第一目标部位坐标位于第一目标物的目标部位坐标序列中，第二目标部位坐标位于第二目标物的目标部位坐标序列中；
第二确定模块，用于根据所述第一目标部位坐标和所述第二目标部位坐标确定所述第一摄像头与所述第二摄像头的重叠区域；
其中，所述第一确定模块具体用于：确定所述第一多帧图像中包含所述第一人的各帧图像是否对应于脚部落地时刻以及所述第二多帧图像中包含所述第二人的各帧图像是否对应于脚部落地时刻；根据包含所述第一人的各帧图像的脚部落地时刻确定结果和包含所述第二人的各帧图像的脚部落地时刻确定结果，确定所述第一人与所述第二人为同一人；
所述第二确定模块具体用于：确定所述第一目标部位坐标和所述第二目标部位坐标作为一对坐标；在获得所述第一摄像头与所述第二摄像头下对应的多对坐标时，根据获得的所述多对坐标确定所述第一摄像头与所述第二摄像头的重叠区域；其中，所述目标部位为脚部，脚部坐标是指预设的一只脚对应的坐标。
10.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至8中任一项所述的图像处理方法。
CN201811237747.3A 2018-10-23 2018-10-23 图像处理方法、装置和设备 Active CN111091025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811237747.3A CN111091025B (zh) 2018-10-23 2018-10-23 图像处理方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811237747.3A CN111091025B (zh) 2018-10-23 2018-10-23 图像处理方法、装置和设备

Publications (2)

Publication Number Publication Date
CN111091025A CN111091025A (zh) 2020-05-01
CN111091025B true CN111091025B (zh) 2023-04-18

Family

ID=70392586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811237747.3A Active CN111091025B (zh) 2018-10-23 2018-10-23 图像处理方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111091025B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458895B (zh) * 2019-07-31 2020-12-25 腾讯科技（深圳）有限公司 图像坐标系的转换方法、装置、设备及存储介质
CN112492275B (zh) * 2020-11-25 2023-06-02 广州杰赛科技股份有限公司 一种区域监测点的布局方法、装置及存储介质
CN113380039B (zh) * 2021-07-06 2022-07-26 联想(北京)有限公司 数据处理方法、装置和电子设备
CN116740130A (zh) * 2022-03-04 2023-09-12 华为技术有限公司 一种运动信息的获取方法、标定方法及装置
CN115272914A (zh) * 2022-06-30 2022-11-01 影石创新科技股份有限公司 一种跳跃识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855629A (zh) * 2012-08-21 2013-01-02 西华大学 一种目标对象定位方法及装置
CN103905826A (zh) * 2014-04-10 2014-07-02 北京工业大学 一种自适应全局运动估计方法
CN104123732A (zh) * 2014-07-14 2014-10-29 中国科学院信息工程研究所 一种基于多摄像头的在线目标跟踪方法及系统
CN104376575A (zh) * 2013-08-15 2015-02-25 汉王科技股份有限公司 一种基于多摄像头监控的行人计数方法和装置
CN107666590A (zh) * 2016-07-29 2018-02-06 华为终端（东莞）有限公司 一种目标监控方法、摄像头、控制器和目标监控系统
CN108038825A (zh) * 2017-12-12 2018-05-15 维沃移动通信有限公司 一种图像处理方法及移动终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3101625A3 (en) * 2015-04-30 2016-12-14 Pixia Corp. Method and system of selecting a view from a plurality of cameras

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855629A (zh) * 2012-08-21 2013-01-02 西华大学 一种目标对象定位方法及装置
CN104376575A (zh) * 2013-08-15 2015-02-25 汉王科技股份有限公司 一种基于多摄像头监控的行人计数方法和装置
CN103905826A (zh) * 2014-04-10 2014-07-02 北京工业大学 一种自适应全局运动估计方法
CN104123732A (zh) * 2014-07-14 2014-10-29 中国科学院信息工程研究所 一种基于多摄像头的在线目标跟踪方法及系统
CN107666590A (zh) * 2016-07-29 2018-02-06 华为终端（东莞）有限公司 一种目标监控方法、摄像头、控制器和目标监控系统
CN108038825A (zh) * 2017-12-12 2018-05-15 维沃移动通信有限公司 一种图像处理方法及移动终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Gang Li等.An effective method for extrinsic calibration of network cameras with non-overlapping field of views.5th IET International Conference on Wireless, Mobile and Multimedia Networks (ICWMMN 2013).2013,全文. *
张文革 ; 屈青青 ; 李刚 ; .基于特征融合的多摄像头无重叠区域运动目标跟踪.自动化与仪器仪表.2016,(第12期),第71-73页. *
陶荷梦.基于多摄像头的实时视频拼接技术的研究与实现.中国优秀硕士学位论文全文数据库.2017,全文. *

Also Published As

Publication number Publication date
CN111091025A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN111091025B (zh) 图像处理方法、装置和设备
CN107358149B (zh) 一种人体姿态检测方法和装置
CN110427905A (zh) 行人跟踪方法、装置以及终端
CN110418114B (zh) 一种对象跟踪方法、装置、电子设备及存储介质
US10271017B2 (en) System and method for generating an activity summary of a person
US20200387718A1 (en) System and method for counting objects
CN105405150B (zh) 基于融合特征的异常行为检测方法和装置
US20160093101A1 (en) Method And System For Generating A Three-Dimensional Model
CN103093198B (zh) 一种人群密度监测方法及装置
CN110443210A (zh) 一种行人跟踪方法、装置以及终端
US20150092981A1 (en) Apparatus and method for providing activity recognition based application service
CN110781733B (zh) 图像去重方法、存储介质、网络设备和智能监控系统
US20200394384A1 (en) Real-time Aerial Suspicious Analysis (ASANA) System and Method for Identification of Suspicious individuals in public areas
CN109410245A (zh) 一种视频目标跟踪方法及设备
JP2016057908A (ja) 万引き予防システム及びソフトウエア
CN110874910B (zh) 路面报警方法、装置、电子设备及可读存储介质
CN114783037B (zh) 目标重识别方法、目标重识别装置和计算机可读存储介质
Alqaysi et al. Detection of abnormal behavior in dynamic crowded gatherings
Patel et al. Top-down and bottom-up cues based moving object detection for varied background video sequences
Di Benedetto et al. An embedded toolset for human activity monitoring in critical environments
CN111814690A (zh) 一种目标重识别方法、装置和计算机可读存储介质
CN111833380A (zh) 一种多视角影像融合的空间目标跟踪系统及方法
Pramerdorfer et al. Fall detection based on depth-data in practice
CN115661698A (zh) 扶梯乘客异常行为检测方法、系统、电子设备及存储介质
US9990857B2 (en) Method and system for visual pedometry

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