CN111476820B - 一种对被追踪的目标进行定位的方法和装置 - Google Patents
一种对被追踪的目标进行定位的方法和装置 Download PDFInfo
- Publication number
- CN111476820B CN111476820B CN202010250038.XA CN202010250038A CN111476820B CN 111476820 B CN111476820 B CN 111476820B CN 202010250038 A CN202010250038 A CN 202010250038A CN 111476820 B CN111476820 B CN 111476820B
- Authority
- CN
- China
- Prior art keywords
- human body
- face
- human
- picture
- retrieval
- 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 26
- 239000013598 vector Substances 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种对被追踪的目标进行定位的方法和装置，包括：通过图片提取目标人员的人体高维特征向量；设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；分别对所述人体检索结果中的人体图片进行人脸识别，并选出人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。本申请在人体检索结果中自动搜索人脸信息，对结果进行碰撞分析，实现对人脸和人体的自动关联，无需人工干预，有效提高了搜索效率和准确性。
Description
技术领域
本申请涉及安防领域，尤其涉及一种对被追踪的目标进行定位的方法和装置。
背景技术
如今，无论在城市还是乡村，每天都有大量的视频图像数据被采集，这些数据在安防领域尤其在公安案件侦破、态势分析、指挥调度等实战应用中有非常重要的价值。如果不采用智能化技术手段，依靠人工来获取视频图像数据中有价值的信息，不仅耗人力、效率低，而且还会受到责任心、视觉疲劳等人为因素影响，导致数据利用率低、结果错误率高等问题。
基于深度学习的视频图像目标识别能力已经超出了人类水平，可用于视频图像数据的自动分析，具有速度快、精度高、稳定性强的特点，因此在公安行业的应用也越来越深入。目前，基于深度学习技术对人脸和人体同时识别，需要通过人脸和人体两个不同的算法模型实现，并且人脸和人体的视频图像数据也不尽相同。现有的公安业务应用软件平台，对人脸和人体同时进行识别分析时需要人工参与，即人工判断人脸和人体的对应关系，再把同一个人的人脸和人体关联归档。
发明内容
本申请提供一种对被追踪的目标进行定位的方法和装置。
根据本申请的第一方面，本申请提供一种对被追踪的目标进行定位的方法，包括：
通过图片提取目标人员的人体高维特征向量；
设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；
分别对所述人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；
对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。
进一步地，所述第一检索条件包括人体相似度阈值；所述第二检索条件包括人脸相似度阈值。
进一步地，所述第一检索条件还包括第一时间范围和第一地域范围；所述第二检索条件还包括第二时间范围和第二地域范围。
进一步地，所述分别对所述人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，包括：
将人体检索结果中的人体图片按人体相似度值的降序进行排列；
采用人脸算法模型，依次对所述人体图片进行人脸检索；
当检测到有效人脸时，则输出人脸图片作为目标人脸，并将输出的所述人脸图片按人体图片的排列顺序进行标识。
进一步地，所述对检索出来所述人体图片和所述人脸图片进行匹配，包括：
根据所述人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；
通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；
将每个所述人脸运行轨迹与所述人体运行轨迹进行匹配。
根据本申请的第二方面，本申请提供一种对被追踪的目标进行定位的装置，包括：
特征提取模块，用于通过图片提取目标人员的人体高维特征向量；
人体检索模块，用于设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；
人脸检索模块，用于分别对所述人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；
匹配模块，用于对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。
进一步地，所述第一检索条件包括人体相似度阈值；所述第二检索条件包括人脸相似度阈值；
所述第一检索条件还包括第一时间范围和第一地域范围；所述第二检索条件还包括第二时间范围和第二地域范围。
进一步地，所述人脸检索模块，包括：
排序单元，用于将人体检索结果中的人体图片按人体相似度值的降序进行排列；
人脸检索单元，用于采用人脸算法模型，依次对所述人体图片进行人脸检索；
输出单元，用于当检测到有效人脸时，则输出人脸图片作为目标人脸，并将输出的所述人脸图片按人体图片的排列顺序进行标识。
进一步地，所述匹配模块，包括：
人体轨迹单元，用于根据所述人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；
人脸轨迹单元，用于通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；
匹配单元，用于将每个所述人脸运行轨迹与所述人体运行轨迹进行匹配。
根据本申请的第三方面，本申请提供一种对被追踪的目标进行定位的的装置，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现上述方法。
由于采用了以上技术方案，使本申请具备的有益效果在于：
由于本申请实施例提供的对被追踪的目标进行定位的方法，包括：根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；分别对所述人体检索结果中的人体图片进行人脸识别，并选出人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。本申请在人体检索结果中自动搜索人脸信息，对结果进行碰撞分析，实现对人脸和人体的自动关联，无需人工干预，有效提高了搜索效率和准确性。
附图说明
图1为本申请实施例一中的方法在一种实施方式中的流程图；
图2为本申请实施例一中的方法在另一种实施方式中的流程图；
图3为本申请实施例二中的装置在一种实施方式中的程序模块示意图；
图4为本申请实施例二中的装置在另一种实施方式中的程序模块示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。本申请可以以多种不同的形式来实现，并不限于本实施例所描述的实施方式。提供以下具体实施方式的目的是便于对本申请公开内容更清楚透彻的理解，其中上、下、左、右等指示方位的字词仅是针对所示结构在对应附图中位置而言。
然而，本领域的技术人员可能会意识到其中的一个或多个的具体细节描述可以被省略，或者还可以采用其他的方法、组件或材料。在一些例子中，一些实施方式并没有描述或没有详细的描述。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
此外，本文中记载的技术特征、技术方案还可以在一个或多个实施例中以任意合适的方式组合。对于本领域的技术人员来说，易于理解与本文提供的实施例有关的方法的步骤或操作顺序还可以改变。因此，附图和实施例中的任何顺序仅仅用于说明用途，并不暗示要求按照一定的顺序，除非明确说明要求按照某一顺序。
实施例一：
如图1所示，本申请提供的对被追踪的目标进行定位的方法，其一种实施方式，包括以下步骤：
步骤102：通过图片提取目标人员的人体高维特征向量。
在提取目标人员的人体高维特征向量前，可先上传含有目标人体的图片。
步骤104：设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果。
在一种实施方式中，第一检索条件可以包括人体相似度阈值。在另一种实施方式中，第一检索条件还可以包括第一时间范围和第一地域范围。
设定检索条件，根据公安业务场景需要设定检索条件，比如搜索在什么时间段，什么区域内的具有某种特征的人员，其中相似度值越高，搜索出的结果越少，漏掉目标的几率则增大，因此可视业务需要设定人体相似度阈值，也可通过调整阈值多次检索。检索条件可以包括相似度阈值、时间范围、地域范围等，通过人体高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所设条件的所有人体图片，并输出每个结果对应的相似度值、采集点位置、采集时间等信息。
步骤106：分别对人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据第二检索条件查找满足条件的人脸图片。
在一种实施方式中，第二检索条件可以包括人脸相似度阈值。在另一种实施方式中，第二检索条件还可以包括第二时间范围和第二地域范围。
其中第一时间范围和第二时间范围可以相同也可以不同。和第一地域范围和第二地域范围可以相同也可以不同。
将人体检索结果按相似度值降序排列，采用通用的人脸算法模型，在人体检索结果序列里逐次进行人脸检索。若人脸识别算法模型在人体检索结果序列里没有检测到有效人脸，则流程结束。若人脸识别算法检测到有效人脸时，则输出人脸图片，并将输出的人脸图片按人体检索结果的序列顺序排列编号。
人脸检索条件可以包括人脸相似度阈值、时间范围、地域范围等，利用人脸算法模型提取选定人脸图片的高维特征向量，并通过人脸高维特征向量比对函数，在已解析的历史视频图像数据库里检索，输出满足所设条件的所有人脸图片，同时输出每个结果对应的相似度值、采集点位信息、时间信息等。
步骤108：对检索出来人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将人体图片和对应的人脸图片进行合并。
设定时空条件，对检索出来所有的人体图片和人脸结果图片对应的采集点位和时间信息进行碰撞比对，若不满足所设时空条件，则重新选择在目标人体结果中检索出来的下一张人脸图片作为检索目标，直至碰撞比对满足所设时空条件为止。最后，可将人体检索结果和满足时空碰撞条件的人脸检索结果合并归档，生成人脸和人体关联档案。
由于本申请实施例提供的对被追踪的目标进行定位的方法，包括：根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；分别对所述人体检索结果中的人体图片进行人脸识别，并选出人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。本申请在人体检索结果中自动搜索人脸信息，对结果进行碰撞分析，实现对人脸和人体的自动关联，无需人工干预，有效提高了搜索效率和准确性。
如图2所示，本申请提供的对被追踪的目标进行定位的方法，其另一种实施方式，可以包括以下步骤：
步骤200：开始。
步骤202：上传含有目标人体的图片。
步骤204：通过图片提取目标人员的人体高维特征向量。
步骤206：设置第一检索条件，第一检索条件包括人体相似度阈值、时间范围、地域范围等，在视频图像数据库中进行检索，输出满足第一检索条件的人体图片。
步骤208：将人体检索结果中的人体图片按人体相似度值的降序进行排列。
步骤210：采用人脸算法模型，依次对人体图片进行人脸检索。
步骤212：判断是否输出有效人脸图片。如有转步骤214；否则转步骤224。
步骤214：输出人脸图片，并将输出的人脸图片作为目标人脸，设置第二检索条件，并将输出的人脸图片按人体图片的排列顺序进行标识。
步骤216：从人脸图片中选择一张人脸图片作为人脸目标在视频图像数据库中进行检索。第二检索条件包括人体相似度阈值、时间范围、地域范围等。
步骤218：输出满足第二检索条件的人脸图片结果。
步骤220：判断检索出的人脸图片和人体图片是否匹配，若是转步骤222，否则转步骤216。
判断检索出来人脸图片和人体图片是否匹配，可先根据人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；再通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；将每个人脸运行轨迹与人体运行轨迹进行匹配。
步骤222：将人体图片和对应的人脸图片进行合并。
步骤224：结束。
实施例二：
如图3所示，本申请提供对被追踪的目标进行定位的装置，其一种实施方式，包括特征提取模块310、人体检索模块320、人脸检索模块330和匹配模块340。
特征提取模块310，用于通过图片提取目标人员的人体高维特征向量。
人体检索模块320，用于设置第一检索条件，根据第一检索条件查找满足条件的人体图片，得到人体检索结果。
在一种实施方式中，第一检索条件可以包括人体相似度阈值。在另一种实施方式中，第一检索条件还可以包括第一时间范围和第一地域范围。
设定检索条件，根据公安业务场景需要设定检索条件，比如搜索在什么时间段，什么区域内的具有某种特征的人员，其中相似度值越高，搜索出的结果越少，漏掉目标的几率则增大，因此可视业务需要设定人体相似度阈值，也可通过调整阈值多次检索。检索条件可以包括相似度阈值、时间范围、地域范围等，通过人体高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所设条件的所有人体图片，并输出每个结果对应的相似度值、采集点位置、采集时间等信息。
人脸检索模块330，用于分别对人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据第二检索条件查找满足条件的人脸图片。
在一种实施方式中，第二检索条件可以包括人脸相似度阈值。在另一种实施方式中，第二检索条件还可以包括第二时间范围和第二地域范围。
其中第一时间范围和第二时间范围可以相同也可以不同。和第一地域范围和第二地域范围可以相同也可以不同。
将人体检索结果按相似度值降序排列，采用通用的人脸算法模型，在人体检索结果序列里逐次进行人脸检索。若人脸识别算法模型在人体检索结果序列里没有检测到有效人脸，则流程结束。若人脸识别算法检测到有效人脸时，则输出人脸图片，并将输出的人脸图片按人体检索结果的序列顺序排列编号。
人脸检索条件可以包括人脸相似度阈值、时间范围、地域范围等，利用人脸算法模型提取选定人脸图片的高维特征向量，并通过人脸高维特征向量比对函数，在已解析的历史视频图像数据库里检索，输出满足所设条件的所有人脸图片，同时输出每个结果对应的相似度值、采集点位信息、时间信息等。
匹配模块340，用于对检索出来所述人体图片和所述人脸图片进行匹配，找出与人体图片对应的人脸检索结果，将人体图片和对应的人脸图片进行合并。
设定时空条件，对检索出来所有的人体图片和人脸结果图片对应的采集点位和时间信息进行碰撞比对，若不满足所设时空条件，则重新选择在目标人体结果中检索出来的下一张人脸图片作为检索目标，直至碰撞比对满足所设时空条件为止。最后，可将人体检索结果和满足时空碰撞条件的人脸检索结果合并归档，生成人脸和人体关联档案。
由于本申请实施例提供的对被追踪的目标进行定位的装置，包括：根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；分别对所述人体检索结果中的人体图片进行人脸识别，并选出人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并。本申请在人体检索结果中自动搜索人脸信息，对结果进行碰撞分析，实现对人脸和人体的自动关联，无需人工干预，有效提高了搜索效率和准确性。
如图4所示，本申请提供对被追踪的目标进行定位的装置，其另一种实施方式，包括特征提取模块410、人体检索模块420、人脸检索模块430和匹配模块440。
特征提取模块410，用于通过图片提取目标人员的人体高维特征向量。
人体检索模块420，用于设置第一检索条件，根据第一检索条件查找满足条件的人体图片，得到人体检索结果。
在一种实施方式中，第一检索条件可以包括人体相似度阈值。在另一种实施方式中，第一检索条件还可以包括第一时间范围和第一地域范围。
人脸检索模块430，用于分别对人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据第二检索条件查找满足条件的人脸图片。
在一种实施方式中，第二检索条件可以包括人脸相似度阈值。在另一种实施方式中，第二检索条件还可以包括第二时间范围和第二地域范围。
其中第一时间范围和第二时间范围可以相同也可以不同。和第一地域范围和第二地域范围可以相同也可以不同。
匹配模块440，用于对检索出来所述人体图片和所述人脸图片进行匹配，找出与人体图片对应的人脸检索结果，将人体图片和对应的人脸图片进行合并。
进一步地，人脸检索模块430还可以包括排序单元431、人脸检索单元432和输出单元433。
排序单元431，用于将人体检索结果中的人体图片按人体相似度值的降序进行排列。
人脸检索单元432，用于采用人脸算法模型，依次对人体图片进行人脸检索。
输出单元433，用于当检测到有效人脸时，则输出人脸图片，并将输出的人脸图片作为目标人脸。
进一步地，匹配模块440可以包括人体轨迹单元441、人脸轨迹单元442和匹配单元443。
人体轨迹单元441，用于根据人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；
人脸轨迹单元442，用于通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；
匹配单元443，用于将每个人脸运行轨迹与人体运行轨迹进行匹配。
实施例三：
本申请实施例提供的一种自适应调整图像的装置，包括存储器和处理器。
存储器，用于存储程序；
处理器，用于通过执行存储器存储的程序以实现实施例一中的方法。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。
以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干简单推演或替换。
Claims (10)
1.一种对被追踪的目标进行定位的方法，其特征在于，包括：
通过图片提取目标人员的人体高维特征向量；
设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；其中，通过人体高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所述第一检索条件的所有人体图片；
分别对所述人体检索结果中的人体图片进行人脸识别，并选出人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；其中，通过人脸高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所述第二检索条件的所有人脸图片；
对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并，生成人脸人体关联档案；
其中，所述对检索出来所述人体图片和所述人脸图片进行匹配包括：
设定时空条件，对所述人体图片和所述人脸图片的采集点位和时间信息进行碰撞比对；
若不满足所设时空条件，则重新选择在目标人体结果中检索出来的下一张人脸图片作为检索目标，直至碰撞比对满足所设时空条件为止。
2.如权利要求1所述的方法，其特征在于，所述第一检索条件包括人体相似度阈值；所述第二检索条件包括人脸相似度阈值。
3.如权利要求2所述的方法，其特征在于，所述第一检索条件还包括第一时间范围和第一地域范围；所述第二检索条件还包括第二时间范围和第二地域范围。
4.如权利要求3所述的方法，其特征在于，所述分别对所述人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，包括：
将人体检索结果中的人体图片按人体相似度值的降序进行排列；
采用人脸算法模型，依次对所述人体图片进行人脸检索；
当检测到有效人脸时，则输出人脸图片作为目标人脸，并将输出的所述人脸图片按人体图片的排列顺序进行标识。
5.如权利要求4所述的方法，其特征在于，所述对检索出来所述人体图片和所述人脸图片进行匹配，包括：
根据所述人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；
通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；
将每个所述人脸运行轨迹与所述人体运行轨迹进行匹配。
6.一种对被追踪的目标进行定位的装置，其特征在于，包括：
特征提取模块，用于通过图片提取目标人员的人体高维特征向量；
人体检索模块，用于设置第一检索条件，根据所述第一检索条件查找满足条件的人体图片，得到人体检索结果；其中，通过人体高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所述第一检索条件的所有人体图片；
人脸检索模块，用于分别对所述人体检索结果中的人体图片进行人脸识别，并选出一张人脸图片作为目标人脸，设置第二检索条件，根据所述第二检索条件查找满足条件的人脸图片；其中，通过人脸高维特征向量比对函数，在已解析的历史视频图像数据库中检索，输出满足所述第二检索条件的所有人脸图片；
匹配模块，用于对检索出来所述人体图片和所述人脸图片进行匹配，找出与所述人体图片对应的人脸检索结果，将所述人体图片和对应的所述人脸图片进行合并，生成人脸人体关联档案；
其中，所述匹配模块，还用于设定时空条件，对所述人体图片和所述人脸图片的采集点位和时间信息进行碰撞比对；
若不满足所设时空条件，则重新选择在目标人体结果中检索出来的下一张人脸图片作为检索目标，直至碰撞比对满足所设时空条件为止。
7.如权利要求6所述的装置，其特征在于，所述第一检索条件包括人体相似度阈值；所述第二检索条件包括人脸相似度阈值；
所述第一检索条件还包括第一时间范围和第一地域范围；所述第二检索条件还包括第二时间范围和第二地域范围。
8.如权利要求7所述的装置，其特征在于，所述人脸检索模块，包括：
排序单元，用于将人体检索结果中的人体图片按人体相似度值的降序进行排列；
人脸检索单元，用于采用人脸算法模型，依次对所述人体图片进行人脸检索；
输出单元，用于当检测到有效人脸时，则输出人脸图片作为目标人脸，并将输出的所述人脸图片按人体图片的排列顺序进行标识。
9.如权利要求8所述的装置，其特征在于，所述匹配模块，包括：
人体轨迹单元，用于根据所述人体检索结果的人体采集点位置和采集时间，得到人体运行轨迹；
人脸轨迹单元，用于通过每个目标人脸检索到的人脸检索结果的采集点位置和采集时间，得到对应的人脸运行轨迹；
匹配单元，用于将每个所述人脸运行轨迹与所述人体运行轨迹进行匹配。
10.一种对被追踪的目标进行定位的装置，其特征在于，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250038.XA CN111476820B (zh) | 2020-04-01 | 2020-04-01 | 一种对被追踪的目标进行定位的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250038.XA CN111476820B (zh) | 2020-04-01 | 2020-04-01 | 一种对被追踪的目标进行定位的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476820A CN111476820A (zh) | 2020-07-31 |
| CN111476820B true CN111476820B (zh) | 2023-11-03 |
Family
ID=71750314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010250038.XA Active CN111476820B (zh) | 2020-04-01 | 2020-04-01 | 一种对被追踪的目标进行定位的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476820B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898592B (zh) * | 2020-09-29 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 一种轨迹数据处理方法、装置以及计算机可读存储介质 |
| CN112883214B (zh) * | 2021-01-07 | 2022-10-28 | 浙江大华技术股份有限公司 | 特征检索方法、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101363722A (zh) * | 2008-09-25 | 2009-02-11 | 广州广电运通金融电子股份有限公司 | 一种身高测量方法及其测量装置 |
| CN110705469A (zh) * | 2019-09-30 | 2020-01-17 | 重庆紫光华山智安科技有限公司 | 一种人脸匹配方法、装置及服务器 |
| CN110895663A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 一种两轮车识别方法、装置、电子设备及监控系统 |
| CN110942003A (zh) * | 2019-11-20 | 2020-03-31 | 中国建设银行股份有限公司 | 人员轨迹搜索方法及系统 |
-
2020
- 2020-04-01 CN CN202010250038.XA patent/CN111476820B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101363722A (zh) * | 2008-09-25 | 2009-02-11 | 广州广电运通金融电子股份有限公司 | 一种身高测量方法及其测量装置 |
| CN110895663A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 一种两轮车识别方法、装置、电子设备及监控系统 |
| CN110705469A (zh) * | 2019-09-30 | 2020-01-17 | 重庆紫光华山智安科技有限公司 | 一种人脸匹配方法、装置及服务器 |
| CN110942003A (zh) * | 2019-11-20 | 2020-03-31 | 中国建设银行股份有限公司 | 人员轨迹搜索方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476820A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815364B (zh) | 一种海量视频特征提取、存储和检索方法及系统 | |
| CN108256574B (zh) | 机器人定位方法及装置 | |
| CN107885764B (zh) | 基于多任务深度学习快速哈希车辆检索方法 | |
| Kim et al. | An efficient algorithm for video sequence matching using the modified Hausdorff distance and the directed divergence | |
| Föckler et al. | Phoneguide: museum guidance supported by on-device object recognition on mobile phones | |
| Fritz et al. | A mobile vision system for urban detection with informative local descriptors | |
| EP2915102B1 (en) | Detection of human actions from video data | |
| US20110282897A1 (en) | Method and system for maintaining a database of reference images | |
| KR20140043393A (ko) | 위치 기반 인식 기법 | |
| CN111476820B (zh) | 一种对被追踪的目标进行定位的方法和装置 | |
| US10635948B2 (en) | Method for locating one or more candidate digital images being likely candidates for depicting an object | |
| CN108763481A (zh) | 一种基于大规模街景数据的图片地理定位方法和系统 | |
| Kobyshev et al. | Matching features correctly through semantic understanding | |
| CN109614512B (zh) | 一种基于深度学习的电力设备检索方法 | |
| CN103065150A (zh) | 基于智能移动终端的场景识别方法 | |
| CN111783786A (zh) | 图片的识别方法、系统、电子设备及存储介质 | |
| CN116912881A (zh) | 一种动物物种识别方法、计算机设备以及识别系统 | |
| Ghazal et al. | Mobile-based archival and retrieval of missing objects using image matching | |
| Sinha et al. | Image retrieval using landmark indexing for indoor navigation | |
| CN110012013A (zh) | 一种基于knn的虚拟平台威胁行为分析方法及系统 | |
| CN112905832B (zh) | 复杂背景细粒度图像检索系统及方法 | |
| Peng et al. | The knowing camera 2: recognizing and annotating places-of-interest in smartphone photos | |
| Takeuchi et al. | Visual learning for landmark recognition | |
| Kim et al. | Natural/man-made object classification based on gabor characteristics | |
| Amlacher et al. | Geo-contextual priors for attentive urban object recognition |
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 |