CN111144319A - 用于k12教育阶段基于人脸识别的多视频人员跟踪方法 - Google Patents
用于k12教育阶段基于人脸识别的多视频人员跟踪方法 Download PDFInfo
- Publication number
- CN111144319A CN111144319A CN201911381539.5A CN201911381539A CN111144319A CN 111144319 A CN111144319 A CN 111144319A CN 201911381539 A CN201911381539 A CN 201911381539A CN 111144319 A CN111144319 A CN 111144319A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- face
- feature data
- data
- face feature
- 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
- G06V40/10—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
- G06V40/172—Classification, e.g. identification
-
- 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
- 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
- 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
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了用于K12教育阶段基于人脸识别的多视频人员跟踪方法,建立行人的原始人像模板特征数据;对原始人像模板特征数据内已知人员的身份进行标注,并自动重建生成人脸特征数据模型;获取当前多监控视频流数据;对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;获取到的行人的人脸特征数据与自动重建生成人脸特征数据模型进行匹配;匹配成功,则提取当前行人的人脸特征数据;根据提取当前行人的人脸特征数据匹配行人出现的监控区域;根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。从而提高对跟踪对象进行跟踪的精准度。
Description
技术领域
本发明涉及多视频人员跟踪技术领域,具体为一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法。
背景技术
视频监控一直是社会安防体系不可缺少的一部分,随着社会的高速发展、监控范围的不断扩大,视频监控智能化迫在眉睫。而在一些重要场所,对同一地点进行多视角的行人监控十分必要。因此,多摄像头下的行人跟踪已成为计算机视觉领域的一个重要研究内容。而传统的视屏监控,往往存在,在监控目标时,容易出现目标跟丢,且无法重新识别目标的缺陷。
发明内容
本发明目的在于提供一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法,以便提高对跟踪对象进行跟踪的精准度。
本发明所述一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法,包括以下步骤:
建立行人的原始人像模板特征数据;
对原始人像模板特征数据内已知人员的身份进行标注,并自动重建生成人脸特征数据模型;
获取当前多监控视频流数据;
对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;
获取到的行人的人脸特征数据与自动重建生成人脸特征数据模型进行匹配;
如匹配成功,则提取当前行人的人脸特征数据;
根据提取当前行人的人脸特征数据匹配行人出现的监控区域;
根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。
本发明所述一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法,通过建立行人的原始人像模板特征数据;对原始人像模板特征数据内已知人员的身份进行标注,自动重建生成人脸特征数据模型;获取当前多监控视频流数据;对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;获取到的行人人脸特征数据与自动重建生成人脸特征数据模型进行匹配;如匹配成功,则提取当前行人的人脸特征数据;根据提取当前行人的人脸特征数据匹配行人出现的监控区域;根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。根据人脸特征数据模型,提取当前行人的人脸特征数据匹配行人出现的监控区域,由监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪,完成视频人员的自动识别定位跟踪,解决工作人员在困乏或者精神不集中等条件下标注跟踪对象可能存在失误的问题,提高了跟踪的精准度。
附图说明
图1为本发明一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法流程图。
具体实施方式
如图1所示,一种用于K12教育阶段基于人脸识别的多视频人员跟踪方法,包括以下步骤:
建立行人的原始人像模板特征数据;
对原始人像模板特征数据内已知人员的身份进行标注,并自动重建生成人脸特征数据模型;
获取当前多监控视频流数据;
对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;
获取到的行人的人脸特征数据与自动重建生成人脸特征数据模型进行匹配;
如匹配成功,则提取当前行人的人脸特征数据;
根据提取当前行人的人脸特征数据匹配行人出现的监控区域;
根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。
通过建立行人的原始人像模板特征数据;对原始人像模板特征数据内已知人员的身份进行标注,自动重建生成人脸特征数据模型;获取当前多监控视频流数据;对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;获取到的行人人脸特征数据与自动重建生成人脸特征数据模型进行匹配;如匹配成功,则提取当前行人的人脸特征数据;根据提取当前行人的人脸特征数据匹配行人出现的监控区域;根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。根据人脸特征数据模型,提取当前行人的人脸特征数据匹配行人出现的监控区域,由监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪,完成视频人员的自动识别定位跟踪,解决工作人员在困乏或者精神不集中等条件下标注跟踪对象可能存在失误的问题,提高了跟踪的精准度。
行人的原始数据包括行人的视频数据以及图像数据。自动重建生成人脸特征数据模型为自动重建生成人脸二维或三维特征数据模型。自动重建生成人脸特征数据的计算方式如下:
如匹配成功,则提取当前行人的人脸特征数据为如匹配成功,则提取当前行人的人脸二维或三维特征数据。
根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪,其进行融合的计算方式如下:
提取当前行人的人脸特征数据匹配行人出现的监控区域,由监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪,完成视频人员的自动识别定位跟踪,解决工作人员在困乏或者精神不集中等条件下标注跟踪对象可能存在失误的问题,防止跟踪人员的丢失,提高了跟踪的精准度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.用于K12教育阶段基于人脸识别的多视频人员跟踪方法,其特征在于,包括以下步骤:
建立行人的原始人像模板特征数据;
对原始人像模板特征数据内已知人员的身份进行标注,并自动重建生成人脸特征数据模型;
获取当前多监控视频流数据;
对当前多监控视频流数据进行行人检测,获取行人的人脸特征数据;
获取到的行人的人脸特征数据与自动重建生成人脸特征数据模型进行匹配;
如匹配成功,则提取当前行人的人脸特征数据;
根据提取当前行人的人脸特征数据匹配行人出现的监控区域;
根据监控区域的位置关系以及行人移动方向进行预判,在其他监控区域位置出现时,进一步提取该行人的人脸特征,并与之前提取的人脸特征进行融合,并继续跟踪。
2.根据权利要求1所述用于K12教育阶段基于人脸识别的多视频人员跟踪方法,其特征在于,所述行人的原始数据包括行人的视频数据以及图像数据。
3.根据权利要求1所述用于K12教育阶段基于人脸识别的多视频人员跟踪方法,其特征在于, 自动重建生成人脸特征数据模型为自动重建生成人脸二维或三维特征数据模型。
5.根据权利要求4所述用于K12教育阶段基于人脸识别的多视频人员跟踪方法,其特征在于, 如匹配成功,则提取当前行人的人脸特征数据为如匹配成功,则提取当前行人的人脸二维或三维特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381539.5A CN111144319A (zh) | 2019-12-27 | 2019-12-27 | 用于k12教育阶段基于人脸识别的多视频人员跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381539.5A CN111144319A (zh) | 2019-12-27 | 2019-12-27 | 用于k12教育阶段基于人脸识别的多视频人员跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144319A true CN111144319A (zh) | 2020-05-12 |
Family
ID=70521243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381539.5A Pending CN111144319A (zh) | 2019-12-27 | 2019-12-27 | 用于k12教育阶段基于人脸识别的多视频人员跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144319A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
US20180189600A1 (en) * | 2016-12-30 | 2018-07-05 | Accenture Global Solutions Limited | Multi-Camera Object Tracking |
WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 视频目标跟踪方法和装置 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
-
2019
- 2019-12-27 CN CN201911381539.5A patent/CN111144319A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
US20180189600A1 (en) * | 2016-12-30 | 2018-07-05 | Accenture Global Solutions Limited | Multi-Camera Object Tracking |
WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 视频目标跟踪方法和装置 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
Non-Patent Citations (1)
Title |
---|
梁鹏等: "基于人脸识别和无线射频识别的行人移动轨迹监控系统及实现", 《广东技术师范学院学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shreve et al. | Macro-and micro-expression spotting in long videos using spatio-temporal strain | |
Singh et al. | Monitoring driver fatigue using facial analysis techniques | |
KR102260120B1 (ko) | 딥러닝기반 행동인식장치 및 그 장치의 구동방법 | |
García et al. | Driver monitoring based on low-cost 3-D sensors | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN107845234A (zh) | 一种景区防走失系统及景区防走失方法 | |
Alkabbany et al. | Measuring student engagement level using facial information | |
CN107241572A (zh) | 学员实训视频追踪评价系统 | |
CN110070055A (zh) | 一种基于深度学习的基建场景安全检测系统及方法 | |
Gu et al. | Exploring severe occlusion: Multi-person 3d pose estimation with gated convolution | |
US20080243425A1 (en) | Tracking target objects through occlusions | |
CN106599873A (zh) | 基于三维姿态信息的人物身份识别方法 | |
CN110533011B (zh) | 发放传单行为的检测方法及检测系统 | |
Chen et al. | An active security system based on ar smart classes and face recognition technology | |
CN111144319A (zh) | 用于k12教育阶段基于人脸识别的多视频人员跟踪方法 | |
WO2021248564A1 (zh) | 一种全景大数据应用监测管控系统 | |
CN114529979A (zh) | 人体姿势辨识系统、人体姿势辨识方法以及非暂态计算机可读取储存媒体 | |
Murthy et al. | 3d human pose tracking inside car using single rgb spherical camera | |
CN206948499U (zh) | 学员实训视频追踪监控、评价系统 | |
CN110443134B (zh) | 一种基于视频流的人脸识别跟踪的系统及工作方法 | |
US20220319232A1 (en) | Apparatus and method for providing missing child search service based on face recognition using deep-learning | |
TWI730795B (zh) | 多目標人體體溫追蹤方法及系統 | |
Younis et al. | Real-time detection of wearable camera motion using optical flow | |
WO2021179125A1 (zh) | 监控系统、监控方法、移动平台和远程设备 | |
KR102356165B1 (ko) | 영상에서의 얼굴 인덱싱 방법 및 장치 |
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 |