CN111382627B - 同行判定方法及相关产品 - Google Patents
同行判定方法及相关产品 Download PDFInfo
- Publication number
- CN111382627B CN111382627B CN201811629834.3A CN201811629834A CN111382627B CN 111382627 B CN111382627 B CN 111382627B CN 201811629834 A CN201811629834 A CN 201811629834A CN 111382627 B CN111382627 B CN 111382627B
- Authority
- CN
- China
- Prior art keywords
- target
- video
- images
- time point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013441 quality evaluation Methods 0.000 claims description 68
- 230000000694 effects Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Abstract
本申请实施例公开了一种同行判定方法及相关产品,其中方法包括:获取指定时间段指定区域内的目标视频图像集;根据目标视频图像集确定目标的活动轨迹,目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;计算第一活动轨迹和第二活动轨迹的重合度;当重合度大于第一预设阈值时,判定第一目标与第二目标互为同行。本申请实施例通过确定第一目标和第二目标在指定时间段指定区域内的活动轨迹之间的重合度,进而确定第一目标和第二目标是否互为同行,该方法通过计算活动轨迹重合度,提升了同行判定的准确率,以便对用户安全进行提前预防,进而减少安全问题的发生。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种同行判定方法及相关产品。
背景技术
随着国家经济的高速发展以及城镇化进程的加速进行,越来越多的外来人口融入城市,这些人口在促进发展的同时,也给城市管理带来了巨大挑战。目前看来,视频监控技术对城市安全管理提供了技术支持,但是仅仅通过人工查看视频监控,或者在事件发生后查看视频监控,对于安全管理来说,是远远不够的。因此,亟待提出一种方法,能够从视频中获取用户的日常行为表现,然后分析获取用户与用户之间的关系,以便对用户安全进行提前预防,进而减少安全问题的发生。
发明内容
本申请实施例提供了一种同行判定方法及相关产品,以期通过确定第一目标和第二目标在指定时间段指定区域内的活动轨迹之间的重合度,进而确定第一目标和第二目标是否互为同行,该方法通过计算活动轨迹重合度,提升了同行判定的准确率。
第一方面,本申请实施例提供一种同行判定方法,所述方法包括:
获取指定时间段指定区域内的目标视频图像集;
根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算所述第一活动轨迹和所述第二活动轨迹的重合度;
当确定所述重合度是否大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
可选情况下,所述获取指定时间段指定区域内的目标视频图像集包括:
获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;
对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;
对所述多张视频图像中每一张视频图像进行图像分割,得到多个目标图像;
对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;
将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;
以标准目标图像为基准数据,进行所述优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像;
确定所述同类优质目标图像对应的所述视频图像为所述目标视频图像集。
可选情况下,所述根据所述目标视频图像集确定目标的活动轨迹,包括:
获取所述目标视频图像集中时间点标识;
根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类,所述分类包括按照时间点标识是否处于同一时间范围进行分类,或按照所述时间点标识之间的差值是否小于第一时间阈值进行分类;
确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
获取所述每个时间点标识分类中的至少一个目标视频图像集对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹。
可选情况下,所述计算所述第一活动轨迹和所述第二活动轨迹的重合度包括:
获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点;
计算所述第一组停留点和所述第二组停留点之间的匹配度;
根据所述匹配度确定所述第一活动轨迹和所述第二活动轨迹的重合度。
可选情况下,所述方法还包括:
获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述合目标图像数量与所述第一目标对应的目标视频图像集数据的第二比率;
当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
可选情况下,以标准目标图像为基准数据,进行所述优质目标图像与标准目标图像的聚类,包括:获取多个标准目标图像作为多个基准数据;进行所述优质目标图像与所述多个基准数据的聚类,获得第一聚类结果,所述第一聚类结果包括与所述基准数据数量对应的多个第一类簇;从所述多个第一类簇中的每个类簇中挑选一个质量最好的数据作为代表数据,进行所述代表数据与所述优质目标图像的聚类,获得第二聚类结果,所述第二聚类结果中包括多个第二类簇,所述多个为N个,N为大于1的整数,结合所述第一聚类结果和所述第二聚类结果,确定最终聚类结果,包括:
S11、获取所述多个第二类簇中的第i个第二类簇,i为正整数;
S12、确定所述第i个第二类簇中的所有代表数据对应的所有第一类簇,并将所述代表数据对应的所有第一类簇中的数据和所述代表数据对应的第二类簇中的数据放置到同一个第三类簇中;
S13、赋值i=i+1,执行步骤S11和S12,直到遍历完所述多个第二类簇,得到多个第三类簇,即为最终聚类结果,i小于或等于N-1。
第二方面,本申请提供一种同行判定装置,所述同行判定装置包括:
获取单元,用于获取指定时间段指定区域内的目标视频图像集;
轨迹确定单元,用于根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算单元,用于计算所述第一活动轨迹和所述第二活动轨迹的重合度;
判定单元,用于当确定所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
第三方面,本申请实施例提供一种电子装置,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行第一方面任一方法所述的步骤的指令。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,首先获取指定时间段指定区域内的目标视频图像;根据目标视频图像集确定目标的活动轨迹,目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;然后计算第一活动轨迹和第二活动轨迹的重合度,并确定重合度是否大于第一预设阈值;若是,则判定第一目标与第二目标互为同行。在这个过程中,因为目标视频图像集是有时间和地域限制的,因此获得的目标的活动轨迹也具有时间和地域限制,通过计算小范围短时间内第一活动轨迹和第二活动轨迹的重合度确定第一目标和第二目标的同行关系,提升了判定同行关系的效率和准确率。
附图说明
下面将对本申请实施例所涉及到的附图作简单地介绍。
图1A为本申请实施例提供的一种同行判定方法;
图1B为本申请实施例提供的一种目标视频图像示意图;
图1C为本申请实施例提供的一种确定目标的活动轨迹的示意图;
图2为本申请实施例提供的另一种同行判定方法;
图3为本申请实施例提供的另一种同行判定方法;
图4为本申请实施例提供的一种电子装置的结构示意图;
图5为本申请实施例公开的一种同行判定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面对本申请实施例进行详细介绍。
请参阅图1A,图1A为本申请实施例提供的一种同行判定方法的流程示意图,如图1A所示,本同行判定方法包括如下步骤。
101、获取指定时间段指定区域内的目标视频图像集。
通过监控摄像头能够拍摄很多监控视频,主机对这些监控视频进行存储,在需要的时候对这些监控视频进行提取分析,能够获得许多人眼观察不到的隐含信息。其中一种常用的对监控视频进行分析的方法是将监控视频进行解析,获得视频图像,然后对视频图像进行分割、识别或聚类等操作,获得目标视频图像集。对目标视频图像集进行指定时间段和指定区域的限制,可以减小视频图像集的时间跨度和地域跨度,进而提升根据该目标视频图像集确定的目标的活动轨迹的准确度。
可选的,获取指定时间段指定区域内的目标视频图像集包括:获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;对多个视频集中每一视频集进行视频解析,得到多张视频图像,多张视频图像中的每张图像包括摄像头标识和时间点标识;对多张视频图像中每一张视频图像进行图像分割,得到多个目标图像;对多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;将多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与标准目标图像聚类到同一个类簇中的优质目标图像作为同类优质目标图像;确定同类优质目标图像对应的视频图像为目标视频图像集。
具体地,指定时间段可以是同一天中的早上6:00~12:00,或者是同一天的00:00~23:59,也可以是同一星期内的周一00:00~周日23:59,指定区域内可以是同一个小区内,同一个单元楼,同一个商场等,根据指定时间段指定区域内所有摄像头拍摄的监控视频集得到多个视频集,视频集中的每个视频都包括摄像头标识和时间标识,摄像头标识可以是摄像头的型号或名称,也可以是区域内为摄像头设置的同一编号,方便将视频内容与摄像头进行对应;每个视频还包括时间标识,可以是录制视频时对应的当前时刻,例如某视频显示的时间标识为2018/03/02,23:50:09,表示该视频画面对应的录制时间为2018年3月2日晚上23点50分9秒;也可以是摄像头持续录制时长,例如某视频显示的时间标识为2018/03/02,22:09:10,表示该视频画面持续录制时间为22小时9分10秒。另外,持续录制时间可以按照周期T进行分割,也可以不进行分割。例如按照每天24小时进行分割,那么2018/03/02,22:09:10表示2018年3月2日当天已经持续录制了22小时9分10秒,如果不进行分割,那么2018/03/02,22:09:10表示摄像头不中断地录制了22小时9分10秒,有可能是从2018年3月2日当天开始录制的,也有可能是前一天开始录制的。
对视频进行解析,得到多张视频图像,并且当视频画面与视频图像画面相同时,视频的时间标识与视频图像的时间点标识相同,摄像头标识相同。然后对视频图像进行目标识别得到多个目标图像,目标可以是人,动物或者其他物体,目标识别的方法包括特征提取、特征匹配、聚类和分类等,得到多个目标图像。
对多个目标图像中每一目标图像进行图像质量评价包括:采用至少一个图像质量评价指标对目标人脸图像进行图像质量评价,得到目标图像质量评价值。
其中,图像质量评价指标可包括但不仅限于:平均灰度、均方差、熵、边缘保持度、信噪比等等。可定义为得到的图像质量评价值越大,则图像质量越好。
需要说明的是,由于采用单一评价指标对图像质量进行评价时,具有一定的局限性,因此,可采用多个图像质量评价指标对图像质量进行评价,当然,对图像质量进行评价时,并非图像质量评价指标越多越好,因为图像质量评价指标越多,图像质量评价过程的计算复杂度越高,也不见得图像质量评价效果越好,因此,在对图像质量评价要求较高的情况下,可采用2~10个图像质量评价指标对图像质量进行评价。具体地,选取图像质量评价指标的个数及哪个指标,依据具体实现情况而定。当然,也得结合具体地场景选取图像质量评价指标,在暗环境下进行图像质量评价和亮环境下进行图像质量评价选取的图像质量指标可不一样。
可选地,在对图像质量评价精度要求不高的情况下,可用一个图像质量评价指标进行评价,例如,以熵对待处理图像进行图像质量评价值,可认为熵越大,则说明图像质量越好,相反地,熵越小,则说明图像质量越差。
可选地,在对图像质量评价精度要求较高的情况下,可以采用多个图像质量评价指标对待评价图像进行评价,在多个图像质量评价指标对待评价图像进行图像质量评价时,可设置该多个图像质量评价指标中每一图像质量评价指标的权重,可得到多个图像质量评价值,根据该多个图像质量评价值及其对应的权重可得到最终的图像质量评价值,例如,三个图像质量评价指标分别为:A指标、B指标和C指标,A的权重为a1,B的权重为a2,C的权重为a3,采用A、B和C对某一图像进行图像质量评价时,A对应的图像质量评价值为b1,B对应的图像质量评价值为b2,C对应的图像质量评价值为b3,那么,最后的图像质量评价值=a1b1+a2b2+a3b3。通常情况下,图像质量评价值越大,说明图像质量越好。当目标图像的图像质量评价值大于预设质量评价阈值时,将目标图像设置为优质目标图像,按照这种方法可获得多个优质目标图像。
以标准图像为基准数据,进行优质目标图像与标准目标图像集的聚类,假设优质目标图像组成的优质目标图像集为T,其中包括的优质目标图像为{t1,t2,t3,t4,t5,t6,t7,t8,t9,t10,t11},标准目标图像为t,作为基准数据,然后计算t与T中每个优质目标图像的相似度,将与t的相似度大于第一相似度阈值的优质目标图像与t划分到同一个类簇中,获得多个同类优质目标图像。可选情况下,假设第一相似度阈值是一个很大的小数值或百分比值,例如0.9或80%等,这样可以提升聚类时的类内精确度。
可选情况下,以标准目标图像为基准数据,进行优质目标图像与标准目标图像的聚类,包括:获取多个标准目标图像作为多个基准数据;进行优质目标图像与多个基准数据的聚类,获得第一聚类结果,第一聚类结果包括与基准数据数量对应的多个第一类簇;从多个第一类簇中的每个类簇中挑选一个质量最好的数据作为代表数据,进行代表数据与优质目标图像的聚类,获得第二聚类结果,第二聚类结果中包括多个第二类簇,多个为N个,N为大于1的整数,结合第一聚类结果和第二聚类结果,确定最终聚类结果,包括:
S11、获取多个第二类簇中的第i个第二类簇,i为正整数;
S12、确定第i个第二类簇中的所有代表数据对应的所有第一类簇,并将代表数据对应的所有第一类簇中的数据和代表数据对应的第二类簇中的数据放置到同一个第三类簇中;
S13、赋值i=i+1,执行步骤S11和S12,直到遍历完多个第二类簇,得到多个第三类簇,即为最终聚类结果,i小于或等于N-1。
目标的形态是不同的,例如当目标为人物时,可能的形态包括正面、侧面、背面、着装更换、发型更换等,那么作为基准数据的标准目标图像也会不同。例如人物P在2018年12月5日换了发型,而获取目标视频图像集的指定时间段时2018年12月4日-2018年12月6日,因此可以获取的标准目标图像可以是人物P在2018年12月4日的标准装扮和2018年12月5日的标准装扮,这样就有2个基准数据,根据这2个基准数据进行优质目标图像与标准目标图像的聚类,获得2个第一类簇。因为标准目标图像可能并不是最能代表人物P的图像,那么从第一类簇中选取最能代表人物P的图像作为代表数据,代表数据的选取可以是同一个第一类簇中与除自身之外的其他优质目标图像(或标准目标图像)的相似度之和最高的优质目标图像(或标准目标图像)。对代表数据组成的第二数据集进行第二次聚类,获得多个第二类簇。结合第一次聚类结果和第二次聚类结果,即可获得最终的聚类结果。
可见,在本申请实施例中,通过对优质目标图像和标准目标图像的聚类,可以获得目标对应的多个优质目标图像,而对优质目标图像和标准目标图像进行二次聚类,可以在标准目标图像不具有代表性的情况下,从第一次聚类结果中选取更具有代表性的代表数据,再根据代表数据与优质目标数据的第二次聚类,提升了聚类结果的完整性,进一步提升了最终聚类结果的准确度和可信度。
在获得聚类结果后,每一个第三类簇中至少包括一个标准目标图像,与标准目标图像聚类到同一个第三类簇中的优质目标图像即为同类优质目标图像,多个同类优质目标图像组成目标视频图像集。
102、根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹。
目标视频图像中包括时间点标识和摄像头标识,根据这些信息能够组成目标出现的地点和时间的对应关系,进而确定目标的活动轨迹。
可选的,根据目标视频图像集确定目标的活动轨迹,包括:获取目标视频图像集中时间点标识;根据时间点标识对目标视频图像集进行分类,获得多个时间点标识分类;确定多个时间点标识分类中每个时间点标识分类对应的时间值;获取每个时间点标识分类中的至少一个目标视频图像集对应的摄像头标识,并根据摄像头标识确定每个时间点标识分类对应的地点;根据每个时间点标识分类对应的时间值和地点确定一个停留点,多个时间点标识分类对应的多个停留点组成目标的活动轨迹。
具体地,每个目标视频图像上都包括时间点标识,请参阅图1B,图1B为本申请实施例提供的一种目标视频图像示意图,如图1B所示,时间点标识为“2018/08/06 07:02:30”,表示2018年8月6日早上7点2分30秒,根据时间点标识对视频图像集进行分类,包括按照时间点标识是否处于同一时间范围进行分类,或按照时间点标识之间的差值是否小于第一时间阈值进行分类。然后确定多个时间点标识分类中每个时间点标识分类对应的时间值。对于按照时间点标识是否处于同一时间范围进行分类,例如将一天24小时中的每一个小时分为12个范围,从每个小时的第一秒起,每隔5分钟形成一个范围,例如7:00:01-7:05:00为一个范围。那么设置12个时间值,对应每个小时内的12个范围,每个小时内的00:01-5:00设为对应小时的第一时间值,05:01-10:00设置为对应小时的第二时间值,以此类推,得到288个时间值。对于时间点标识之间的差值是否小于第一时间阈值进行分类,例如将第一时间阈值设置为5分钟,那么从任意时刻开始,时间点标识之间的差值小于5分钟的视频图像都可以分为同一个类。因为每一个分类对应的具体时间点不明确,为了使每个小时内的不同分类具有可对比性,在设置时间值的时候,按照时间范围进行设置,例如将每一天的24小时按照每个半小时设置一个时间值,00:00:01-00:30:00为第一时间值,00:30:01-01:00:00为第二时间值,以此类推,获得一天的48个时间值。
确定时间点标识分类对应的时间值后,获取每个时间点标识分类中每个目标视频图像对应的摄像头标识,因为每个时间标识分类中可能包括一个或多个目标视频图像,这些目标视频图像对应的摄像头标识可能是同一个,也可能是不同的多个,根据这些摄像头标识可以确定每个时间点标识分类对应的地点。
可选的,在根据摄像头标识确定每个时间点标识分类对应的地点之前,还包括建立摄像头标识与地点之间的关系。例如,根据单独的摄像头建立第一类地点,根据两个位置相邻的摄像头对应的摄像头标识建立第二类地点,根据三个位置相邻的摄像头对应的摄像头标识建立第三类地点。那么,在根据摄像头标识确定每个时间点分类对应的地点时,根据摄像头标识与地点的关系确定时间点分类对应的地点。为确定了地点和时间值的时间点分类建立一个停留点,根据多个停留点组成目标的活动轨迹。
假设第一目标的目标视频图像有20张,按照时间点标识是否处于同一时间范围对其进行分类,获得4个时间点标识分类,然后确定这4个时间点标识分类对应的时间值和地点,如表1所示:
表1目标的时间值和地点确定过程表
按照同样的方法,获得第二目标的时间标识分类、时间值和地点,假设第二目标的时间标识分类为5类,分别为第一个分类(七点的第一时间值,地点1),第二个分类(七点的第二时间值,地点1),第三个分类(七点的第三个时间值,地点3),第四个分类(八点的第一个时间值,地点4),第五个分类(八点的第二个时间值,地点2.3)。
根据上述结果,确定第一目标有4个停留点,第二目标有5个停留点,请参阅图1C,图1C为本申请实施例提供的一种确定目标的活动轨迹的示意图,如图1C所示,第一目标的第一活动轨迹10由点与线构成的线条表示,第二目标的第二活动轨迹20由实线表示,其中七点的第三个时间值到八点的第一个值之间的活动轨迹无法得知,由虚线表示。
可见,在本申请实施例中,通过获取目标视频图像集中的时间点标识对目标视频图像集进行分类,然后按照每个分类的时间点标识确定其对应的时间值,再按照每个分类对应的摄像头标识确定每个分类对应的地点,获得包括时间值和地点的停留点,根据停留点确定目标的活动轨迹。这个过程通过获取多个停留点提升了获得的目标的活动轨迹的准确度和可信度。
103、计算所述第一活动轨迹和所述第二活动轨迹的重合度。
获得目标的活动轨迹后,通过活动轨迹体现了目标在对应时间的活动范围,如果两个目标之间活动轨迹高度重合,则可判定两个目标为互为同行。
可选的,计算第一活动轨迹和第二活动轨迹的重合度包括:获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点;计算第一组停留点和第二组停留点之间的匹配度;根据匹配度确定第一活动轨迹和第二活动轨迹的重合度。
具体地,每一个活动轨迹都是由一组停留点组成的,确定了停留点的匹配度,也就确定了活动轨迹的重合度。确定第一组停留点和第二组停留点的匹配度,首先需要计算每组中单个停留点之间的匹配度。每个停留点包括时间值和地点,首先对时间值进行匹配,两个停留点的时间值完全相同,则时间值匹配成功,然后进行地点的匹配,因为地点分为第一类地点、第二类地点和第三类地点,如果两个停留点的地点完全相同或者如果两组地点为包含关系,则地点匹配成功,包含关系表示,对应摄像头标识少的地点不包括对应摄像头标识多的地点中包括的摄像头标识之外的其他摄像头标识。当两个停留点的时间和地点都匹配成功后,确定两者匹配成功。第一组停留点和第二组停留点的匹配度=停留点匹配成功个数/min(第一组停留点个数,第二组停留点个数),其中min()为取最小值函数。
104、当所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
计算获得重合度后,判定重合度是否大于第一预设阈值,如果是,说明目标之间的活动轨迹高度重合,那么可以判定两个目标之间互为同行。其中,第一预设阈值可以是一个0~1之间的小数值,也可以是一个百分比。
可选的,方法还包括:获取同时识别出第一目标和第二目标的组合目标视频图像集数量;计算获得组合目标图像数量与第一目标对应的目标视频图像集数量的第一比率,以及合目标图像数量与第二目标对应的目标视频图像集数据的第二比率;当第一比率和第二比率中的最大值大于第一预设比率时,确定第一目标和第二目标互为同行。
具体地,如果两个目标在同样的时间和地点出现,但其中一个目标在一段时间后离开了该地点,另一个目标继续在该地点活动。两者的活动轨迹重合度可能很低,但是两者依旧可能同行关系。针对这种情况,先确定第一目标和第二目标同时出现在一张目标视频图像中的次数,即确定组合目标视频图像集数量R,然后获取第一目标对应的目标视频图像集数量R1,以及第二目标对应的目标视频图像集数量R2,计算第一比率P1=R/R1,第二比率P2=R/R2,P’=max(P1,P2),判断P’是否大于第一预设比率,如果是,则确定第一目标和第二目标互为同行。
可见,在本申请实施例中,通过确定第一目标和第二目标的组合目标视频图像集数量分别与第一目标对应的目标视频图像集数量和第二目标对应的目标视频图像集数量的第一比率和第二比率,并确定当第一比率和第二比率总的最大值大于第一预设比率时,判定第一目标和第二目标为互为同行,这样在两个目标同时时间短的情况下判定目标的同行关系,提升了同行判定的全面性和可靠性。
在本申请实施例中,首先获取指定时间段指定区域内的目标视频图像;根据目标视频图像集确定目标的活动轨迹,目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;然后计算第一活动轨迹和第二活动轨迹的重合度,并确定重合度是否大于第一预设阈值;若是,则判定第一目标与第二目标互为同行。在这个过程中,因为目标视频图像集是有时间和地域限制的,因此获得的目标的活动轨迹也具有时间和地域限制,通过计算小范围短时间内第一活动轨迹和第二活动轨迹的重合度确定第一目标和第二目标的同行关系,提升了判定同行关系的效率和准确率。
请参阅图2,图2为本申请实施例提供的另一种同行判定方法流程示意图,如图2所示,本同行判定方法包括如下步骤:
201、获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;
202、对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;
203、对所述多张视频图像中每一张视频图像进行目标识别,得到多个目标图像;
204、对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;
205、将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;
206、以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像,并确定多个所述同类优质目标图像组成所述目标视频图像集;
207、获取所述目标视频图像集中时间点标识,并根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类;
208、确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
209、获取所述每个时间点标识分类中的每个目标视频图像对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
210、根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
211、获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点,并计算所述第一组停留点和所述第二组停留点之间的匹配度;
212、根据所述匹配度确定所述第一活动轨迹和所述第二活动轨迹的重合度,当所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
其中,上述步骤201-步骤212的具体描述可以参照图步骤101-步骤104所描述的聚类方法的相应描述,在此不再赘述。
可见,在本申请实施例中,通过摄像头拍摄的视频集进行处理得到多张视频图像,然后对视频图像进行筛选得到优质目标图像,对优质目标图像和标准目标图像的聚类,可以获得目标对应的多个优质目标图像,而对优质目标图像和标准目标图像进行二次聚类,可以在标准目标图像不具有代表性的情况下,从第一次聚类结果中选取更具有代表性的代表数据,再进行代表数据与优质目标数据的第二次聚类,提升了聚类结果的完整性,使得通过聚类获得的目标视频图像集更完整和全面;然后获取目标视频图像集中的时间点标识对目标视频图像集进行分类,按照每个分类的时间点标识确定其对应的时间值,再按照每个分类对应的摄像头标识确定每个分类对应的地点,获得包括时间值和地点的停留点,根据停留点确定目标的活动轨迹。这个过程通过获取多个停留点提升了获得的目标的活动轨迹的准确度和可信度,最后根据第一目标和第二目标活动轨迹的重合度判定两者是否互为同行,使得判定结果更具有可靠性。
请参阅图3,图3为本申请实施例提供的另一种同行判定方法,如图3所示,所述方法包括如下步骤:
301、获取指定时间段指定区域内的目标视频图像集;
302、获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
303、计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述合目标图像数量与所述第二目标对应的目标视频图像集数据的第二比率;
304、当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
其中,上述步骤301-步骤304的具体描述可以参照图步骤101-步骤104所描述的聚类方法的相应描述,在此不再赘述。
可见,在本申请实施例中,通过确定第一目标和第二目标的组合目标视频图像集数量分别与第一目标对应的目标视频图像集数量和第二目标对应的目标视频图像集数量的第一比率和第二比率,并确定当第一比率和第二比率总的最大值大于第一预设比率时,判定第一目标和第二目标为互为同行,这样在两个目标同时时间短的情况下判定目标的同行关系,提升了同行判定的全面性和可靠性。
请参阅图4,图4为本申请实施例提供的一种电子装置的结构示意图,如图4所示,该电子装置包括处理器、存储器、通信接口,以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
获取指定时间段指定区域内的目标视频图像集;
根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算所述第一活动轨迹和所述第二活动轨迹的重合度;
当所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
可见,该电子装置首先获取指定时间段指定区域内的目标视频图像;根据目标视频图像集确定目标的活动轨迹,目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;然后计算第一活动轨迹和第二活动轨迹的重合度,并确定重合度是否大于第一预设阈值;若是,则判定第一目标与第二目标互为同行。在这个过程中,因为目标视频图像集是有时间和地域限制的,因此获得的目标的活动轨迹也具有时间和地域限制,通过计算小范围短时间内第一活动轨迹和第二活动轨迹的重合度确定第一目标和第二目标的同行关系,提升了判定同行关系的效率和准确率。
在一个可能的示例中,所述获取指定时间段指定区域内的目标视频图像集包括:
获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;
对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;
对所述多张视频图像中每一张视频图像进行目标识别,得到多个目标图像;
对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;
将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;
以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像;
确定多个所述同类优质目标图像组成所述目标视频图像集。
在一个可能的示例中,所述根据所述目标视频图像集确定目标的活动轨迹,包括:
获取所述目标视频图像集中时间点标识;
根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类;
确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
获取所述每个时间点标识分类中的每个目标视频图像对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹。
在一个可能的示例中,所述计算所述第一活动轨迹和所述第二活动轨迹的重合度包括:
获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点;
计算所述第一组停留点和所述第二组停留点之间的匹配度;
根据所述匹配度确定所述第一活动轨迹和所述第二活动轨迹的重合度。
在一个可能的示例中,所述方法还包括:
获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述合目标图像数量与所述第二目标对应的目标视频图像集数据的第二比率;
当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
请参阅图5,图5是本申请实施例公开的一种同行判定装置的结构示意图,如图5所示,该同行判定装置500包括:
获取单元501,用于获取指定时间段指定区域内的目标视频图像集;
轨迹确定单元502,用于根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算单元503,用于计算所述第一活动轨迹和所述第二活动轨迹的重合度;
判定单元504,用于当确定所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行。
可见,该同行判定装置首先获取指定时间段指定区域内的目标视频图像;根据目标视频图像集确定目标的活动轨迹,目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;然后计算第一活动轨迹和第二活动轨迹的重合度,并确定重合度是否大于第一预设阈值;若是,则判定第一目标与第二目标互为同行。在这个过程中,因为目标视频图像集是有时间和地域限制的,因此获得的目标的活动轨迹也具有时间和地域限制,通过计算小范围短时间内第一活动轨迹和第二活动轨迹的重合度确定第一目标和第二目标的同行关系,提升了判定同行关系的效率和准确率。
其中,上述获取单元501可用于实现上述步骤101所描述的方法,上述轨迹确定单元502可用于实现上述步骤102所描述的方法,上述计算单元503可用于实现上述步骤103所描述的方法,上述判定单元504可用于实现上述步骤104所描述的方法,以下如此类推。
在一个可能的示例中,所述获取单元501具体用于:
获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;
对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;
对所述多张视频图像中每一张视频图像进行图像分割,得到多个目标图像;
对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;
将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;
以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像;
确定多个所述同类优质目标图像组成所述目标视频图像集。
在一个可能的示例中,所述轨迹确定单元502具体用于:
获取所述目标视频图像集中所述时间点标识;
根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类,所述分类包括按照所述时间点标识是否处于同一时间范围进行分类,或按照所述时间点标识之间的差值是否小于第一时间阈值进行分类;
确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
获取所述每个时间点标识分类中的至少一个目标视频图像集对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹。
在一个可能的示例中,所述计算单元503具体用于:
获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点;
计算所述第一组停留点和所述第二组停留点之间的匹配度;
根据所述匹配度确定所述第一活动轨迹和所述第二活动轨迹的重合度。
在一个可能的示例中,所述同行判定装置500还包括第一判定单元505,具体用于:
获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述合目标图像数量与所述第二目标对应的目标视频图像集数据的第二比率;
当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
可以理解的是,本实施例的同行判定装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何一种聚类方法的部分或全部步骤。
本领域技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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。计算机程序存储/分布在合适的介质中,与其它硬件一起提供或作为硬件的一部分,也可以采用其他分布形式,如通过Internet或其它有线或无线电信系统。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种同行判定方法,其特征在于,所述方法包括:
获取指定时间段指定区域内的目标视频图像集,包括:获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;对所述多张视频图像中每一张视频图像进行目标识别,得到多个目标图像;对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像,所述标准目标图像与所述指定时间段对应;确定多个所述同类优质目标图像组成所述目标视频图像集;
根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算所述第一活动轨迹和所述第二活动轨迹的重合度;
当所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行;还包括:
获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述组合目标图像数量与所述第二目标对应的目标视频图像集数据的第二比率;
当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标视频图像集确定目标的活动轨迹,包括:
获取所述目标视频图像集中时间点标识;
根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类;
确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
获取所述每个时间点标识分类中的每个目标视频图像对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹。
3.根据权利要求2所述的方法,其特征在于,所述计算所述第一活动轨迹和所述第二活动轨迹的重合度包括:
获取第一活动轨迹中的第一组停留点和第二活动轨迹中的第二组停留点;
计算所述第一组停留点和所述第二组停留点之间的匹配度;
根据所述匹配度确定所述第一活动轨迹和所述第二活动轨迹的重合度。
4.一种同行判定装置,其特征在于,所述装置包括:
获取单元,用于获取指定时间段指定区域内的目标视频图像集,包括:获取指定时间段由指定区域内的多个摄像头拍摄的视频集,得到多个视频集,所述多个摄像头拍摄的视频集中包括其对应摄像头标识和时间标识;对所述多个视频集中每一视频集进行视频解析,得到多张视频图像,所述多张视频图像中的每张图像包括所述摄像头标识和时间点标识;对所述多张视频图像中每一张视频图像进行目标识别,得到多个目标图像;对所述多个目标图像中每一目标图像进行图像质量评价,得到多个图像质量评价值;将所述多个图像质量评价值中大于预设质量评价阈值的图像质量评价值对应的目标图像作为优质目标图像;以标准目标图像为基准数据,进行多个优质目标图像与标准目标图像的聚类,获得与所述标准目标图像聚类到同一个类簇中的所述优质目标图像作为同类优质目标图像;确定多个所述同类优质目标图像组成所述目标视频图像集;
轨迹确定单元,用于根据所述目标视频图像集确定目标的活动轨迹,所述目标的活动轨迹包括第一目标的第一活动轨迹和第二目标的第二活动轨迹;
计算单元,用于计算所述第一活动轨迹和所述第二活动轨迹的重合度;
判定单元,用于当确定所述重合度大于第一预设阈值时,判定所述第一目标与所述第二目标互为同行;
所述同行判定装置还包括第一判定单元,具体用于:
获取同时识别出所述第一目标和所述第二目标的组合目标视频图像集数量;
计算获得所述组合目标图像数量与所述第一目标对应的目标视频图像集数量的第一比率,以及所述组合目标图像数量与所述第二目标对应的目标视频图像集数据的第二比率;
当所述第一比率和所述第二比率中的最大值大于第一预设比率时,确定所述第一目标和所述第二目标互为同行。
5.根据权利要求4所述的装置,其特征在于,所述轨迹确定单元具体用于:
获取所述目标视频图像集中所述时间点标识;
根据所述时间点标识对所述目标视频图像集进行分类,获得多个时间点标识分类,所述分类包括按照所述时间点标识是否处于同一时间范围进行分类,或按照所述时间点标识之间的差值是否小于第一时间阈值进行分类;
确定所述多个时间点标识分类中每个时间点标识分类对应的时间值;
获取所述每个时间点标识分类中的至少一个目标视频图像集对应的摄像头标识,并根据所述摄像头标识确定所述每个时间点标识分类对应的地点;
根据所述每个时间点标识分类对应的时间值和地点确定一个停留点,所述多个时间点标识分类对应的多个所述停留点组成所述目标的活动轨迹。
6.一种电子装置,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-3任一项所述的方法中的步骤的指令。
7.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629834.3A CN111382627B (zh) | 2018-12-28 | 2018-12-28 | 同行判定方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629834.3A CN111382627B (zh) | 2018-12-28 | 2018-12-28 | 同行判定方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382627A CN111382627A (zh) | 2020-07-07 |
CN111382627B true CN111382627B (zh) | 2024-03-26 |
Family
ID=71218155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629834.3A Active CN111382627B (zh) | 2018-12-28 | 2018-12-28 | 同行判定方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382627B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489396B (zh) * | 2020-11-16 | 2022-12-16 | 中移雄安信息通信科技有限公司 | 一种行人尾随行为检测方法、装置、电子设备和存储介质 |
CN113704533A (zh) * | 2021-01-25 | 2021-11-26 | 浙江大华技术股份有限公司 | 对象关系的确定方法及装置、存储介质、电子装置 |
CN113095209A (zh) * | 2021-04-07 | 2021-07-09 | 深圳海智创科技有限公司 | 一种客流的人群识别方法、系统及电子设备 |
CN115546737B (zh) * | 2022-12-02 | 2023-05-16 | 天讯瑞达通信技术有限公司 | 一种机房监控方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000125288A (ja) * | 1998-10-12 | 2000-04-28 | Hitachi Denshi Ltd | 物体追跡方法及び物体追跡装置 |
CN1742490A (zh) * | 2003-01-23 | 2006-03-01 | 因特格莱弗硬件技术公司 | 视频分析器 |
JP2011048774A (ja) * | 2009-08-28 | 2011-03-10 | Konami Digital Entertainment Co Ltd | 画像生成装置、画像生成方法、ならびに、プログラム |
CN103607538A (zh) * | 2013-11-07 | 2014-02-26 | 北京智谷睿拓技术服务有限公司 | 拍摄方法及拍摄装置 |
CN104680131A (zh) * | 2015-01-29 | 2015-06-03 | 深圳云天励飞技术有限公司 | 基于身份证件信息和人脸多重特征识别的身份验证方法 |
CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及系统 |
CN106375674A (zh) * | 2015-06-07 | 2017-02-01 | 苹果公司 | 寻找和使用与相邻静态图像相关的视频部分的方法和装置 |
CN106446797A (zh) * | 2016-08-31 | 2017-02-22 | 腾讯科技(深圳)有限公司 | 图像聚类方法及装置 |
CN106851199A (zh) * | 2017-02-07 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
CN107341443A (zh) * | 2017-05-23 | 2017-11-10 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN107358146A (zh) * | 2017-05-22 | 2017-11-17 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
CN108897777A (zh) * | 2018-06-01 | 2018-11-27 | 深圳市商汤科技有限公司 | 目标对象追踪方法及装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5390449B2 (ja) * | 2010-03-30 | 2014-01-15 | 富士フイルム株式会社 | 医用画像処理装置および方法並びにプログラム |
US8798401B1 (en) * | 2012-06-15 | 2014-08-05 | Shutterfly, Inc. | Image sharing with facial recognition models |
-
2018
- 2018-12-28 CN CN201811629834.3A patent/CN111382627B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000125288A (ja) * | 1998-10-12 | 2000-04-28 | Hitachi Denshi Ltd | 物体追跡方法及び物体追跡装置 |
CN1742490A (zh) * | 2003-01-23 | 2006-03-01 | 因特格莱弗硬件技术公司 | 视频分析器 |
JP2011048774A (ja) * | 2009-08-28 | 2011-03-10 | Konami Digital Entertainment Co Ltd | 画像生成装置、画像生成方法、ならびに、プログラム |
CN103607538A (zh) * | 2013-11-07 | 2014-02-26 | 北京智谷睿拓技术服务有限公司 | 拍摄方法及拍摄装置 |
CN104680131A (zh) * | 2015-01-29 | 2015-06-03 | 深圳云天励飞技术有限公司 | 基于身份证件信息和人脸多重特征识别的身份验证方法 |
CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及系统 |
CN106375674A (zh) * | 2015-06-07 | 2017-02-01 | 苹果公司 | 寻找和使用与相邻静态图像相关的视频部分的方法和装置 |
CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
CN106446797A (zh) * | 2016-08-31 | 2017-02-22 | 腾讯科技(深圳)有限公司 | 图像聚类方法及装置 |
CN106851199A (zh) * | 2017-02-07 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
CN107358146A (zh) * | 2017-05-22 | 2017-11-17 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN107341443A (zh) * | 2017-05-23 | 2017-11-10 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
CN108897777A (zh) * | 2018-06-01 | 2018-11-27 | 深圳市商汤科技有限公司 | 目标对象追踪方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
交通路口监控视频跨视域多目标跟踪的可视化;刘彩虹;张磊;黄华;;计算机学报;第41卷(第1期);第221-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111382627A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382627B (zh) | 同行判定方法及相关产品 | |
CN106203458B (zh) | 人群视频分析方法及系统 | |
CN109784274B (zh) | 识别尾随的方法及相关产品 | |
CN105809178A (zh) | 一种基于人脸属性的人群分析方法及装置 | |
CN107665289B (zh) | 一种运营商数据的处理方法及系统 | |
CN109544754B (zh) | 一种基于人脸识别的门禁方法及系统、计算机设备 | |
CN103049459A (zh) | 一种基于特征识别的快速录像检索方法 | |
CN108563675B (zh) | 基于目标体特征的电子档案自动生成方法及装置 | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN106296879A (zh) | 基于无线探测的人流量获取的方法、装置和系统 | |
CN112199530B (zh) | 多维度脸库图片自动更新方法、系统、设备及介质 | |
CN110287856A (zh) | 一种执勤人员行为分析系统、方法及装置 | |
CN108171135A (zh) | 人脸检测方法、装置及计算机可读存储介质 | |
CN114783037A (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 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN109948718B (zh) | 一种基于多算法融合的系统及方法 | |
CN106557523A (zh) | 代表性图像选择方法和设备以及对象图像检索方法和设备 | |
CN112528818B (zh) | 数据统计方法、装置、电子设备及机器可读存储介质 | |
CN115131705A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN109614893B (zh) | 基于情境推理的异常行为行踪智能识别方法及装置 | |
CN111385527B (zh) | 同行判定方法及相关产品 | |
CN113343060A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
Tin | Age Dependent Face Recognition using Eigenface | |
CN110751034B (zh) | 行人行为识别方法及终端设备 | |
CN111382628A (zh) | 同行判定方法及相关产品 |
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 |