CN111126159A - 用于实时跟踪行人的方法、装置、电子设备和介质 - Google Patents
用于实时跟踪行人的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN111126159A CN111126159A CN201911189564.3A CN201911189564A CN111126159A CN 111126159 A CN111126159 A CN 111126159A CN 201911189564 A CN201911189564 A CN 201911189564A CN 111126159 A CN111126159 A CN 111126159A
- Authority
- CN
- China
- Prior art keywords
- face
- real
- human body
- time
- image
- 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
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本公开的实施例公开了用于实时跟踪行人的方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取目标行人的实时图像,将该实时图像输入人脸检测模型,得到实时图像中的人脸位置,根据人脸位置提取实时人脸图像;将该实时图像输入人体检测模型,得到实时图像中的人体位置,根据实时图像的人体位置提取实时人体图像;将该人脸图像输入人脸特征提取模型,得到该人脸图像对应的实时人脸特征;将该人体图像输入人体特征提取模型,得到该人体图像对应的实时人体特征;利用该实时人体特征和该实时人脸特征,对该目标行人进行实时跟踪。该实施方式提高了实时行人跟踪的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于实时跟踪行人的方法、装置、电子设备和介质。
背景技术
随着计算机性能的提升和带有摄像头的智能设备的普及,目标跟踪正成为计算机视觉领域备受关注的技术之一;尽管目前已有大量算法来实现运动目标的跟踪,但由于目标形变,快速运动,尺度变化,光照变化,背景杂乱,目标遮挡等原因,既能准确跟踪目标又满足实时性要求的方法仍然是研究的重点和难点。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于实时跟踪行人的方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种用于实时跟踪行人的方法,该方法包括:获取目标行人的实时图像;将所述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征;将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征;利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
在一些实施例中,上述方法还包括:将上述实时人脸特征与特征数据库上存储的人脸特征进行匹配,其中,上述特征数据库用于存储人体标识和与上述人体标识对应的人脸特征;响应于没有匹配到上述实时人脸特征,给上述实时人脸特征对应的目标行人的实时人体特征添加对应的人体标识;将上述人体标识和上述实时人脸特征,存储到上述特征数据库中。
在一些实施例中,上述方法还包括:响应于匹配到上述实时人脸特征,获取与上述实时人脸特征对应的人体标识;利用上述人体标识,获取与上述人体标识对应的上述实时人体特征。
在一些实施例中,上述方法还包括:获取上述目标行人的人脸图像集合,其中,上述人脸图像集合包括至少两个上述目标行人的人脸图像;将上述人脸图像集合中的每个人脸图像输入人脸姿态检测模型,得到上述人脸图像对应的检测值;将最大检测值对应的人脸图像输入上述人脸检测模型,得到上述人脸图像对应的人脸特征;利用上述人脸特征和上述目标行人对应的人体标识,对上述特征数据库中的上述目标行人对应的人脸特征进行替换。
在一些实施例中,人脸检测模型通过如下步骤训练得到:获取第一训练样本集合,其中,上述第一训练样本包括样本人脸图片和与上述样本人脸图片对应的样本人脸位置;将上述第一训练样本集合中的第一训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本人脸位置作为期望输出,训练得到上述人脸检测模型。
在一些实施例中,人体检测模型通过如下步骤训练得到:获取第二训练样本集合,其中,上述第二训练样本包括样本人体图片和与上述样本人体图片对应的样本人体位置;将上述第二训练样本集合中的第二训练样本的样本人体图片作为输入,将与输入的样本人体图片对应的样本人体位置作为期望输出,训练得到上述人体检测模型。
在一些实施例中,人脸姿态检测模型通过如下步骤训练得到:获取第三训练样本集合,其中,上述第三训练样本包括样本人脸图片和与上述样本人脸图片对应的样本检测值;将上述第三训练样本集合中的第三训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本检测值作为期望输出,训练得到上述人脸姿态检测模型。
第二方面,本公开的一些实施例提供了一种用于实时跟踪行人的装置,装置包括:获取单元,被配置成获取目标行人的实时图像;第一提取单元,被配置成将上述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;第二提取单元,被配置成将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;第一得到单元,被配置成将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征;第二得到单元,被配置成将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征;跟踪单元,被配置成利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:实时人体特征可以用于对目标行人进行行人检测,实时人脸特征可以精确标识行人,融合人体特征和人脸特征后,可对任意时刻出现的行人进行精确识别,实现实时行人跟踪。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的用于实时跟踪行人的方法的一个应用场景的示意图;
图2是根据本公开的用于实时跟踪行人的方法的一些实施例的流程图;
图3是根据本公开的用于实时跟踪行人的方法的另一些实施例的流程图;
图4是根据本公开的用于实时跟踪行人的装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的用于实时跟踪行人的方法的一个应用场景的示意图;在图1的应用场景中,执行主体可以是服务器(例如,图1中所示服务器103)。当执行主体接收到摄像头101发送的行人104的实时图像102。上述执行主体可以将实时图像102输入人脸检测模型,得到实时图像102中的人脸位置105。上述执行主体根据人脸位置105提取实时图像102中的人脸图像106。上述人脸位置105通常是实时人脸图像102中有人脸的区域的位置坐标。上述执行主体可以将人脸图像106输入人脸特征提取模型,得到人脸图像106对应的实时人脸特征107。上述实时人脸特征107可以是512位的向量。上述执行主体可以将实时图像102输入人体检测模型,得到实时图像102中的人体位置108。上述执行主体根据人体位置108提取实时图像102中的人体图像109。上述人体位置108通常是实时图像102中有人体的区域的位置坐标。上述执行主体可以将人体图像109输入人体特征提取模型,得到人体图像109对应的实时人体特征110。上述实时人体特征110可以是512位的向量。上述执行主体可以基于实时人脸特征107和实时人体特征110对行人104进行实时行人跟踪。
需要说明的是,上述执行主体可以是硬件,也可以是软件。当执行主体为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当执行主体体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。还可以是一个线程或进程。在此不做具体限定。
应该理解,图1中的服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器。
继续参考图2,示出了根据本公开的用于实时跟踪行人的方法的一些实施例的流程200。该用于实时跟踪行人的方法,包括以下步骤:
步骤201,获取目标行人的实时图像。
在一些实施例中,首先,用于实时跟踪行人的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式获取目标行人的实时图像。在这里,上述目标行人可以是预先设置的某个行人列表或某个行人集合中的行人,也可以是满足某些条件(例如有可疑行为的行人等)的行人。上述实时图像可以是摄像头在当前时刻捕捉的图像,也可以是存储设备中存储的图像。上述实时人体图像可以是包括上述目标行人身体的图像,例如,上述目标行人的全身照,也可以是半身照。上述实时人脸图像可以是包括上述目标行人面部的图像,例如,上述目标行人的正面照,也可以是侧面照。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,将上述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像。
在一些实施例中,上述执行主体可以将基于步骤201中得到的实时图像,输入人脸检测模型,得到上述实时图像中的人脸位置。然后,可以根据得到的人脸位置提取实时图像中的人脸图像。上述人脸位置可以是四个值,也就是两个坐标。例如,将一个图片放在坐标轴上图片的右上角和左下角对应的坐标,坐标可以是(4,5)和(5,4)。根据这两个坐标就可以确定一个矩形,将这个矩形范围内的图片作为上述实时图像中的人脸图像。
作为示例,人体检测模型可以用于表征实时图像与人脸位置之间的对应关系,电子设备可以通过多种方式训练出可以表征实时图像与人脸位置之间的对应关系的人脸检测模型。电子设备可以基于对大量记录有实时图像和人脸位置进行统计而生成存储有多个记录有实时图像与人脸位置的对应关系的对应关系表,并将该对应关系表作为人脸检测模型。这样,电子设备可以将实时图像与该对应关系表中的多个记录信息依次进行比较,若该对应关系表中的一个图像与实时图像相同或相似,则将该对应关系表中的该图像所对应的人脸位置作为实时图像对应的人脸位置。
在一些实施例的一些可选的实现方式中,人脸检测模型通过如下步骤训练得到:获取第一训练样本集合,其中,上述第一训练样本包括样本人脸图片和与上述样本人脸图片对应的样本人脸位置;将上述第一训练样本集合中的第一训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本人脸位置作为期望输出,训练得到上述人脸检测模型。作为示例,人脸检测模型可以是基于第一训练样本集合执行以下训练步骤得到的。基于第一训练样本集合执行以下训练步骤:将第一训练样本集合中的至少一个第一训练样本的样本人脸图片分别输入至初始机器学习模型,得到上述至少一个第一训练样本中的每个样本人脸图片所对应的人脸位置;将上述至少一个第一训练样本中的每个样本人脸图片对应的人脸位置与对应的样本人脸位置进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的人脸检测模型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的第一训练样本组成第一训练样本集合,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
可以理解的是,经过上述训练之后,人脸检测模型可以用于表征样本人脸图片与样本人脸位置之间的对应关系。上述提及的人脸检测模型可以是卷积神经网络模型。
步骤203,将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像。
在一些实施例中,上述执行主体可以将基于步骤201中得到的实时图像,输入人体检测模型,得到上述实时图像中的人体位置。然后,可以根据得到的人体位置提取实时图像中的人体图像。上述人体位置可以是四个值,也就是两个坐标。例如,将一个图片放在坐标轴上图片的右上角和左下角对应的坐标,坐标可以是(4,4)和(5,1)。根据这两个坐标就可以确定一个矩形,将这个矩形范围内的图片作为上述实时图像中的人体图像。
作为示例,人体检测模型可以用于表征实时图像与人体位置之间的对应关系,电子设备可以通过多种方式训练出可以表征实时图像与人体位置之间的对应关系的人体检测模型。电子设备可以基于对大量记录有实时图像和人体位置进行统计而生成存储有多个记录有实时图像与人体位置的对应关系的对应关系表,并将该对应关系表作为人体检测模型。这样,电子设备可以将实时图像与该对应关系表中的多个记录信息依次进行比较,若该对应关系表中的一个图像与实时图像相同或相似,则将该对应关系表中的该图像所对应的人体位置作为实时图像对应的人体位置。
在一些实施例的一些可选的实现方式中,人体检测模型通过如下步骤训练得到:获取第二训练样本集合,其中,上述第二训练样本包括样本人体图片和与上述样本人体图片对应的样本人体位置;将上述第二训练样本集合中的第二训练样本的样本人体图片作为输入,将与输入的样本人体图片对应的样本人体位置作为期望输出,训练得到上述人体检测模型。作为示例,人体检测模型可以是基于第二训练样本集合执行以下训练步骤得到的。基于第二训练样本集合执行以下训练步骤:将第二训练样本集合中的至少一个第二训练样本的样本人体图片分别输入至初始机器学习模型,得到上述至少一个第二训练样本中的每个样本人体图片所对应的人体位置;将上述至少一个第二训练样本中的每个样本人体图片对应的人体位置与对应的样本人体位置进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的人体检测模型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的第二训练样本组成第二训练样本集合,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
可以理解的是,经过上述训练之后,人体检测模型可以用于表征样本人体图片与样本人体位置之间的对应关系。上述提及的人体检测模型可以是卷积神经网络模型。
步骤204,将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征。
在一些实施例中,基于步骤202中得到的人脸图像,上述执行主体可以将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征。上述实时人脸特征可以是一组向量,例如,512位的向量。作为示例,将上述人脸图像输入特征提取层中会得到在上述人脸图像对应的实时人脸向量。
作为示例,人脸特征提取模型可以用于表征人脸图像与实时人脸特征之间的对应关系,电子设备可以通过多种方式训练出可以表征人脸图像与实时人脸特征之间的对应关系的人脸特征提取模型。电子设备可以基于对大量记录有人脸图像和实时人脸特征进行统计而生成存储有多个记录有人脸图像与实时人脸特征的对应关系的对应关系表,并将该对应关系表作为人脸特征提取模型。这样,电子设备可以将人脸图像与该对应关系表中的多个记录信息依次进行比较,若该对应关系表中的一个图像与人脸图像相同或相似,则将该对应关系表中的该图像所对应的实时人脸特征作为人脸图像对应的实时人脸特征。
作为另一示例,获取第一样本集,其中,上述第一样本包括样本人脸位置和与上述样本人脸位置对应的样本人脸特征。人脸特征提取模型可以是基于第一样本集执行以下训练步骤得到的。基于第一样本集执行以下训练步骤:将第一样本集中的至少一个第一样本的样本人脸位置分别输入至初始机器学习模型,得到上述至少一个第一样本中的每个样本人脸位置所对应的人脸特征;将上述至少一个第一样本中的每个样本人脸位置对应的人脸特征与对应的样本人脸特征进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的人脸特征提取模型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的第一样本组成第一样本集,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
步骤205,将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征。
在一些实施例中,基于步骤203中得到的人体图像,上述执行主体可以将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征。上述实时人体特征可以是一组向量,例如,512位的向量。作为示例,将上述人体图像输入特征提取层中会得到在上述人体图像对应的实时人体向量。
作为示例,人体特征提取模型可以用于表征人体图像与实时人体特征之间的对应关系,电子设备可以通过多种方式训练出可以表征人体图像与实时人体特征之间的对应关系的人体特征提取模型。电子设备可以基于对大量记录有人体图像和实时人体特征进行统计而生成存储有多个记录有人体图像与实时人体特征的对应关系的对应关系表,并将该对应关系表作为人体特征提取模型。这样,电子设备可以将人体图像与该对应关系表中的多个记录信息依次进行比较,若该对应关系表中的一个图像与人体图像相同或相似,则将该对应关系表中的该图像所对应的实时人体特征作为人体图像对应的实时人体特征。
作为另一示例,获取第二样本集,其中,上述第二样本包括样本人体位置和与上述样本人体位置对应的样本人体特征。人体特征提取模型可以是基于第二样本集执行以下训练步骤得到的。基于第二样本集执行以下训练步骤:将第二样本集中的至少一个第二样本的样本人体位置分别输入至初始机器学习模型,得到上述至少一个第二样本中的每个样本人体位置所对应的人体特征;将上述至少一个第二样本中的每个样本人体位置对应的人体特征与对应的样本人体特征进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的人体特征提取模型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的第二样本组成第二样本集,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
步骤206,利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
在一些实施例中,基于步骤204中得到实时人脸特征和步骤205中得到实时人体特征,上述执行主体可以对上述目标行人进行精确的识别和实时的跟踪。作为示例,当执行主体得到了上述目标行人的实时人脸特征,只要上述目标行人在与上述执行主体有通信连接的终端设备可以监控到的区域,上述执行主体可以通过上述终端设备对上述目标行人进行实时跟踪。
本公开的一些实施例公开了一种用于实时跟踪行人的方法,通过对获取到的目标行人的实时图像中的实时人体图像和实时人脸图像,进行分析,得到对应的实时人脸特征和实时人体特征。实时人体特征可以用于对目标行人进行行人检测,实时人脸特征可以精确标识行人,融合人体特征和人脸特征后,可对任意时刻出现的行人进行精确识别,实现实时行人跟踪。
继续参考图3,示出了根据本公开的用于实时跟踪行人的方法的另一些实施例的流程300。该用于实时跟踪行人的方法,包括以下步骤:
步骤301,获取目标行人的实时图像。
步骤302,将上述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像。
步骤303,将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像。
步骤304,将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征.
步骤305,将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征。
步骤306,利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
在一些实施例中,步骤301-306的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-206,在此不再赘述。
步骤307,将上述实时人脸特征与特征数据库上存储的人脸特征进行匹配。
在一些实施例中,上述执行主体将基于步骤302中获取到的实时人脸特征,与特征数据库上存储的人脸特征进行匹配。其中,上述特征数据库用于存储人体标识和与上述人体标识对应的人脸特征。作为示例,将上述实时人脸特征与上述特征数据库中的人脸特征依次进行匹配。
步骤308,响应于没有匹配到上述实时人脸特征,给上述实时人脸特征对应的目标行人的实时人体特征添加对应的人体标识。
在一些实施例中,上述执行主体在上述特征数据库中没有匹配到与上述实时人脸特征相同的人脸特征。上述执行主体可以给上述实时人脸特征对应的目标行人的人体特征添加对应的人体标识。作为示例,上述人体标识可以是自然数,例如,1,2,3。上述目标行人的实时人体特征通常是通过步骤303得到的。
步骤309,将上述人体标识和上述实时人脸特征,存储到上述特征数据库中。
在一些实施例中,上述执行主体将基于步骤302得到的实时人脸特征,基于步骤306添加的人体标识存储到上述特征数据库中。
在一些实施例的一些可选的实现方式中,响应于匹配到上述实时人脸特征,获取与上述实时人脸特征对应的人体标识;当执行主体在上述特征数据库中匹配到了上述实时人脸特征,执行主体可以在上述特征数据库中获取实时人脸特征对应的人体标识。执行主体可以利用上述人体标识,在上述特征数据库中获取与上述人体标识对应的上述实时人体特征。
在一些实施例的一些可选的实现方式中,执行主体可以获取上述目标行人的人脸图像集合,其中,上述人脸图像集合包括至少两个上述目标行人的人脸图像;将上述人脸图像集合中的每个人脸图像输入人脸姿态检测模型,得到上述人脸图像对应的检测值;将最大检测值对应的人脸图像输入上述人脸检测模型,得到上述人脸图像对应的人脸特征;利用上述人脸特征和上述目标行人对应的人体标识,对上述特征数据库中的上述目标行人对应的人脸特征进行替换。作为示例,首先,执行主体获取上述目标行人的至少两个人脸图像,其中,这两个人脸图像是同一个行人的不同姿态的人脸图像,例如,正脸图像,侧脸图像。然后,将获取到的人脸图像依次输入人脸姿态检测模型中,每个人脸图像都可以得到一个对应的检测值。之后,选取最大的检测值对应的第一人脸图像,将上述第一人脸图像输入上述人脸检测模型,得到对应的人脸特征。最后,利用上述人脸特征和上述目标行人对应的人体标识,对上述特征数据库中的上述目标行人对应的人脸特征进行替换。
在一些实施例的一些可选的实现方式中,人脸姿态检测模型通过如下步骤训练得到:获取第三训练样本集合,其中,上述第三训练样本包括样本人脸图片和与上述样本人脸图片对应的样本检测值;将上述第三训练样本集合中的第三训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本检测值作为期望输出,训练得到上述人脸姿态检测模型。作为示例,人脸姿态检测模型可以是基于第三训练样本集合执行以下训练步骤得到的。基于第三训练样本集合执行以下训练步骤:将第三训练样本集合中的至少一个第三训练样本的样本人脸图片分别输入至初始机器学习模型,得到上述至少一个第三训练样本中的每个样本人脸图片所对应的检测值;将上述至少一个第三训练样本中的每个样本人脸图片对应的检测值与对应的样本检测值进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的人脸姿态检测模型型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的第三训练样本组成第三训练样本集合,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
本公开的一些实施例公开了一种用于实时跟踪行人的方法,通过将实时人脸特征与特征数据库上存储的人脸特征进行匹配,可以的确定上述目标行人是不是上述特征数据库不存在的,可以方便确认上述目标行人是不是新入人口,将人体标识对应的实时人脸特征,存储到上述特征数据库中,可以不断增加数据库中数据。
进一步参考图4,作为对上述各图上述方法的实现,本公开提供了一种用于实时跟踪行人的装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的用于实时跟踪行人的装置400包括:获取单元401、第一提取单元402、第二提取单元403、第一得到单元404、第二得到单元405和跟踪单元406。其中,获取单元401,被配置成获取目标行人的实时图像;第一提取单元402,被配置成将上述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;第二提取单元403,被配置成将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;第一得到单元404,被配置成将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征;第二得到单元405,被配置成将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征;跟踪单元406,被配置成利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
在一些实施例中,用于实时跟踪行人的装置400还包括:匹配单元,被配置成将上述实时人脸特征与特征数据库上存储的人脸特征进行匹配,其中,上述特征数据库用于存储人体标识和与上述人体标识对应的人脸特征;添加单元,被配置成响应于没有匹配到上述实时人脸特征,给上述实时人脸特征对应的目标行人的实时人体特征添加对应的人体标识;存储单元,被配置成将上述人体标识和上述实时人脸特征,存储到上述特征数据库中。
在一些实施例中,用于实时跟踪行人的装置400被进一步配置成:响应于匹配到上述实时人脸特征,获取与上述实时人脸特征对应的人体标识;利用上述人体标识,获取与上述人体标识对应的上述实时人体特征。
在一些实施例中,用于实时跟踪行人的装置400被进一步配置成:获取上述目标行人的人脸图像集合,其中,上述人脸图像集合包括至少两个上述目标行人的人脸图像;将上述人脸图像集合中的每个人脸图像输入人脸姿态检测模型,得到上述人脸图像对应的检测值;将最大检测值对应的人脸图像输入上述人脸检测模型,得到上述人脸图像对应的人脸特征;利用上述人脸特征和上述目标行人对应的人体标识,对上述特征数据库中的上述目标行人对应的人脸特征进行替换。
在一些实施例中,用于实时跟踪行人的装置400中的人脸检测模型通过如下步骤训练得到:获取第一训练样本集合,其中,上述第一训练样本包括样本人脸图片和与上述样本人脸图片对应的样本人脸位置;将上述第一训练样本集合中的第一训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本人脸位置作为期望输出,训练得到上述人脸检测模型。
在一些实施例中,用于实时跟踪行人的装置400中的人体检测模型通过如下步骤训练得到:获取第二训练样本集合,其中,上述第二训练样本包括样本人体图片和与上述样本人体图片对应的样本人体位置;将上述第二训练样本集合中的第二训练样本的样本人体图片作为输入,将与输入的样本人体图片对应的样本人体位置作为期望输出,训练得到上述人体检测模型。
在一些实施例中,用于实时跟踪行人的装置400中的人脸姿态检测模型通过如下步骤训练得到:获取第三训练样本集合,其中,上述第三训练样本包括样本人脸图片和与上述样本人脸图片对应的样本检测值;将上述第三训练样本集合中的第三训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本检测值作为期望输出,训练得到上述人脸姿态检测模型。
本公开的一些实施例公开了一种用于实时跟踪行人的装置,通过对获取到的目标行人的实时图像中的实时人体图像和实时人脸图像,进行分析,得到对应的实时人脸特征和实时人体特征。实时人体特征可以用于对目标行人进行行人检测,实时人脸特征可以精确标识行人,融合人体特征和人脸特征后,可对任意时刻出现的行人进行精确识别,实现实时行人跟踪。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的终端设备)500的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如存储卡等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标行人的实时图像;将上述实时图像输入人脸检测模型,得到上述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;将上述实时图像输入人体检测模型,得到上述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;将上述人脸图像输入人脸特征提取模型,得到上述人脸图像对应的实时人脸特征;将上述人体图像输入人体特征提取模型,得到上述人体图像对应的实时人体特征;利用上述实时人体特征和上述实时人脸特征,对上述目标行人进行实时跟踪。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元,,第一得到单元,第二得到单元和跟踪单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标行人的实时图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于实时跟踪行人的方法,包括:
获取目标行人的实时图像;
将所述实时图像输入人脸检测模型,得到所述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;
将所述实时图像输入人体检测模型,得到所述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;
将所述人脸图像输入人脸特征提取模型,得到所述人脸图像对应的实时人脸特征;
将所述人体图像输入人体特征提取模型,得到所述人体图像对应的实时人体特征;
利用所述实时人体特征和所述实时人脸特征,对所述目标行人进行实时跟踪。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述实时人脸特征与特征数据库上存储的人脸特征进行匹配,其中,所述特征数据库用于存储人体标识和与所述人体标识对应的人脸特征;
响应于没有匹配到所述实时人脸特征,给所述实时人脸特征对应的目标行人的实时人体特征添加对应的人体标识;
将所述人体标识和所述实时人脸特征,存储到所述特征数据库中。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于匹配到所述实时人脸特征,获取与所述实时人脸特征对应的人体标识;
利用所述人体标识,获取与所述人体标识对应的所述实时人体特征。
4.根据权利要求2所述的方法,其中,所述方法还包括:
获取所述目标行人的人脸图像集合,其中,所述人脸图像集合包括至少两个所述目标行人的人脸图像;
将所述人脸图像集合中的每个人脸图像输入人脸姿态检测模型,得到所述人脸图像对应的检测值;
将最大检测值对应的人脸图像输入所述人脸检测模型,得到所述人脸图像对应的人脸特征;
利用所述人脸特征和所述目标行人对应的人体标识,对所述特征数据库中的所述目标行人对应的人脸特征进行替换。
5.根据权利要求1所述的方法,其中,所述人脸检测模型通过如下步骤训练得到:
获取第一训练样本集合,其中,所述第一训练样本包括样本人脸图片和与所述样本人脸图片对应的样本人脸位置;
将所述第一训练样本集合中的第一训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本人脸位置作为期望输出,训练得到所述人脸检测模型。
6.根据权利要求1所述的方法,其中,所述人体检测模型通过如下步骤训练得到:
获取第二训练样本集合,其中,所述第二训练样本包括样本人体图片和与所述样本人体图片对应的样本人体位置;
将所述第二训练样本集合中的第二训练样本的样本人体图片作为输入,将与输入的样本人体图片对应的样本人体位置作为期望输出,训练得到所述人体检测模型。
7.根据权利要求4所述的方法,其中,所述人脸姿态检测模型通过如下步骤训练得到:
获取第三训练样本集合,其中,所述第三训练样本包括样本人脸图片和与所述样本人脸图片对应的样本检测值;
将所述第三训练样本集合中的第三训练样本的样本人脸图片作为输入,将与输入的样本人脸图片对应的样本检测值作为期望输出,训练得到所述人脸姿态检测模型。
8.一种用于实时跟踪行人的装置,包括:
获取单元,被配置成获取目标行人的实时图像;
第一提取单元,被配置成将所述实时图像输入人脸检测模型,得到所述实时图像中的人脸位置,根据人脸位置提取实时图像中的人脸图像;
第二提取单元,被配置成将所述实时图像输入人体检测模型,得到所述实时图像中的人体位置,根据人体位置提取实时图像中的人体图像;
第一得到单元,被配置成将所述人脸图像输入人脸特征提取模型,得到所述人脸图像对应的实时人脸特征;
第二得到单元,被配置成将所述人体图像输入人体特征提取模型,得到所述人体图像对应的实时人体特征;
跟踪单元,被配置成利用所述实时人体特征和所述实时人脸特征,对所述目标行人进行实时跟踪。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189564.3A CN111126159A (zh) | 2019-11-28 | 2019-11-28 | 用于实时跟踪行人的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189564.3A CN111126159A (zh) | 2019-11-28 | 2019-11-28 | 用于实时跟踪行人的方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126159A true CN111126159A (zh) | 2020-05-08 |
Family
ID=70496986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189564.3A Pending CN111126159A (zh) | 2019-11-28 | 2019-11-28 | 用于实时跟踪行人的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126159A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149762A (zh) * | 2020-11-24 | 2020-12-29 | 北京沃东天骏信息技术有限公司 | 目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
CN112560720A (zh) * | 2020-12-21 | 2021-03-26 | 奥比中光科技集团股份有限公司 | 一种行人识别方法及系统 |
CN112766230A (zh) * | 2021-02-09 | 2021-05-07 | 浙江工商大学 | 一种视频流人员在线时长估计方法及对应系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证系统及方法 |
CN103310204A (zh) * | 2013-06-28 | 2013-09-18 | 中国科学院自动化研究所 | 基于增量主成分分析的特征与模型互匹配人脸跟踪方法 |
CN104517104A (zh) * | 2015-01-09 | 2015-04-15 | 苏州科达科技股份有限公司 | 一种基于监控场景下的人脸识别方法及系统 |
JP2017228082A (ja) * | 2016-06-22 | 2017-12-28 | キヤノン株式会社 | 追跡装置、追跡方法、及びプログラム |
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 |
CN108960047A (zh) * | 2018-05-22 | 2018-12-07 | 中国计量大学 | 基于深度二次树的视频监控中人脸去重方法 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110363126A (zh) * | 2019-07-04 | 2019-10-22 | 杭州视洞科技有限公司 | 一种多人脸实时跟踪与择优算法 |
-
2019
- 2019-11-28 CN CN201911189564.3A patent/CN111126159A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004899A (zh) * | 2010-11-03 | 2011-04-06 | 无锡中星微电子有限公司 | 一种人脸认证系统及方法 |
CN103310204A (zh) * | 2013-06-28 | 2013-09-18 | 中国科学院自动化研究所 | 基于增量主成分分析的特征与模型互匹配人脸跟踪方法 |
CN104517104A (zh) * | 2015-01-09 | 2015-04-15 | 苏州科达科技股份有限公司 | 一种基于监控场景下的人脸识别方法及系统 |
JP2017228082A (ja) * | 2016-06-22 | 2017-12-28 | キヤノン株式会社 | 追跡装置、追跡方法、及びプログラム |
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 |
CN108960047A (zh) * | 2018-05-22 | 2018-12-07 | 中国计量大学 | 基于深度二次树的视频监控中人脸去重方法 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110363126A (zh) * | 2019-07-04 | 2019-10-22 | 杭州视洞科技有限公司 | 一种多人脸实时跟踪与择优算法 |
Non-Patent Citations (1)
Title |
---|
蔡丽仪等: ""基于跨摄像头和特征在线学习的行人目标跟踪"", no. 9, pages 5 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149762A (zh) * | 2020-11-24 | 2020-12-29 | 北京沃东天骏信息技术有限公司 | 目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
CN112560720A (zh) * | 2020-12-21 | 2021-03-26 | 奥比中光科技集团股份有限公司 | 一种行人识别方法及系统 |
CN112766230A (zh) * | 2021-02-09 | 2021-05-07 | 浙江工商大学 | 一种视频流人员在线时长估计方法及对应系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
EP3893125A1 (en) | Method and apparatus for searching video segment, device, medium and computer program product | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN110427915B (zh) | 用于输出信息的方法和装置 | |
CN110059624B (zh) | 用于检测活体的方法和装置 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN111783626A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114092678A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108038473B (zh) | 用于输出信息的方法和装置 | |
CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111783677A (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
CN110942033B (zh) | 用于推送信息的方法、装置、电子设备和计算机介质 |
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 |