CN111784742B - 一种行人跨镜头追踪方法及装置 - Google Patents
一种行人跨镜头追踪方法及装置 Download PDFInfo
- Publication number
- CN111784742B CN111784742B CN202010608202.XA CN202010608202A CN111784742B CN 111784742 B CN111784742 B CN 111784742B CN 202010608202 A CN202010608202 A CN 202010608202A CN 111784742 B CN111784742 B CN 111784742B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pedestrian data
- data
- subgroup
- group
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种行人跨境头追踪方法及装置,所述方法包括:将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据;依据所述行人在各不同时间片段内的行人数据确定所述行人在所述设定时间段内的行动轨迹。应用该方法,可以提高在城市级场景下进行行人跨镜头追踪的效率和准确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其一种行人跨镜头追踪方法及装置。
背景技术
跨镜头追踪,又称行人再识别技术,其目的是将同一个行人在不同图像采集设备所采集到的图像中识别出来,从而描绘出该行人的行动轨迹。
目前,通过单个图像采集设备采集到的图像识别出行人的运动方向,并计算出行人的运动速度,然后结合不同图像采集设备之间的距离计算出该行人最有可能前往的位置,然后在安装于该位置处的图像采集设备所采集到的图像中识别出该行人,从而得到该行人的行动轨迹。
然而,上述方法一般适用于图像采集设备数量较多且安装点位较为密集的场景下,例如园区内行人的跨镜头追踪,在图像采集设备数量较多但安装点位并不密集的场景,例如城市级场景下应用上述方法进行行人跨镜头追踪不仅计算量较大,还很可能无法准确得到行人的行动轨迹。
发明内容
有鉴于此,本申请提供一种行人跨镜头追踪方法及装置,以解决应用现有方法无法在城市级场景下高效、准确得到行人行动轨迹的问题。
根据本申请实施例的第一方面,提供一种行人跨境头追踪方法,所述方法包括:
将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;
针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据;
依据所述行人在各不同时间片段内的行人数据确定所述行人在所述设定时间段内的行动轨迹。
根据本申请实施例的第二方面,提供一种行人跨境头追踪装置,所述装置包括:
数据划分模块,用于将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;
数据识别模块,用于针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据;
轨迹确定模块,用于依据所述行人在各不同时间片段内的行人数据确定所述行人在所述设定时间段内的行动轨迹。
根据本申请实施例的第三方面,提供一种电子设备,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现本申请实施例提供的行人跨镜头追踪方法的步骤。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的行人跨镜头追踪方法的步骤。
应用本申请实施例,通过将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组,不同的行人数据组属于不同的时间片段,然后针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据,依据行人在各不同时间片段内的行人数据确定行人在设定时间段内的行动轨迹,可以降低计算过程的复杂度,提高行人跨镜头追踪的效率,同时由于同一行人在一个时间片段内行动轨迹的准确度是可以保证的,因此,最终得到的行人在设定时间段内的行动轨迹也具有较高的准确度。
附图说明
图1为本申请一示例性实施例提供的一种行人跨镜头追踪方法的实施例流程图;
图2为本申请一示例性实施例示出的一种步骤102的实现流程;
图3为本申请一示例性实施例示出的一种步骤103的实现流程;
图4为本申请一示例性实施例示出的一种步骤302的实现流程;
图5为本申请一示例性实施例提供的一种行人跨镜头追踪装置的实施例框图;
图6为本申请根据一示例性实施例示出的一种电子设备的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为解决上述问题,本申请提出一种行人跨境头追踪方法,该方法可适用于城市级场景下的行人跨镜头追踪。以下则通过具体的实施例对该方法进行说明:
请参见图1,为本申请一示例性实施例提供的一种行人跨镜头追踪方法的实施例流程图。
如图1所示,该方法包括以下步骤:
步骤101:将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组,不同的行人数据组属于不同的时间片段。
应当理解的是,图像采集设备采集的是图像,行人数据则可以从图像中提取得到,基于此,在本申请中描述为图像采集设备采集行人数据。作为一个示例,行人数据可以包括:着装颜色、面部特征、是否佩戴口罩或墨镜、是否乘有交通工具、等等。
作为一个实施例,在针对设定时间段内不同采集设备采集的所有图像提取行人数据之前,可以先过滤掉关键字段缺失或者是图像质量差的图像,之后仅从保留的图像中提取行人数据,通过该种处理可以有效保证行人数据的准确性。至于是如何从图像中提取行人数据的,本申请不再赘述。
在应用中,用户关注的通常是行人在某一天内的行动轨迹,基于此,作为一个实施例,上述设定时间段可以指某一天,例如2019年8月8日。
进一步,由于行人在城市级场景下活动范围较大,如果对设定时间段内不同图像采集设备采集到的行人数据统一地进行分析,分析过程将是十分复杂的。因此,本申请实施例提出,将设定时间段内不同采集图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组,其中,不同的行人数据组属于不同的时间片段,然后以时间片段为单位,对每一时间片段内的行人数据组中的行人数据进行分析,最后综合多个时间片段的分析结果得到行人在设定时间段内的行动轨迹。
作为一个实施例,可以按照采集时间的先后顺序对设定时间段内不同图像采集设备采集到的行人数据进行排序,然后按照预设的采集时间间隔对排序结果进行划分,以实现将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组。
作为一个优选的实现方式,由于一般不会出现同一行人间隔较短的时间先后出现在两个距离较远的位置的情况,因此,对不同图像采集设备在较短的时间段内采集到的行人数据进行目标识别的准确性是可以保证的,基于此,可以设置一个较短的采集时间间隔,例如2秒。
步骤102:针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据。
由上述描述可知,在本步骤102中,可以以时间片段为单位,对每一时间片段内的行人数据组中的行人数据进行分析,以识别出属于同一行人的行人数据。
至于是如何从行人数据组中识别出属于同一行人的行人数据的,下文中会通过具体实施例示出,这里暂不详述。
步骤103:依据行人在各不同时间片段内的行人数据确定行人在设定时间段内的行动轨迹。
应当理解的是,通过行人在各不同时间片段内的行人数据则可以确定该行人在设定时间段内的行动轨迹,例如,可以获取行人在各不同时间片段内的每一行人数据的采集地点,即采集到行人数据的图像采集设备的安装位置,然后按照时间先后顺序排列获取到的各个安装位置,即可以得到行人在设定时间段内的行动轨迹。
至于本步骤103的具体实现,下文中会通过具体的实施例示出,这里暂不详述。
至此,完成图1所示流程的相关描述。
由上述实施例可见,通过将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组,不同的行人数据组属于不同的时间片段,然后针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据,依据行人在各不同时间片段内的行人数据确定行人在设定时间段内的行动轨迹,可以降低计算过程的复杂度,提高行人跨镜头追踪的效率,同时由于同一行人在一个时间片段内行动轨迹的准确度是可以保证的,因此,最终得到的行人在设定时间段内的行动轨迹也具有较高的准确度。
下面通过图2所示实施例描述如何从行人数据组中识别出属于同一行人的行人数据:
请参见图2,为本申请一示例性实施例示出的一种步骤102的实现流程,包括以下步骤:
步骤201:按照图像采集设备对行人数据组中的行人数据进行划分,得到至少一个分组。
首先说明,同一分组中的行人数据对应同一图像采集设备,由对应的图像采集设备采集,不同分组中的行人数据对应不同图像采集设备。也就是说,在本步骤201中,将行人数据组中,由同一图像采集设备采集的行人数据划分至同一分组中,由不同图像采集设备采集的行人数据划分至不同分组中。
步骤202:针对每一分组,对该分组中的行人数据进行划分,得到至少一个行人数据子组。
一般情况下同一个图像采集设备在一个时间片段内采集到的每条行人数据分别属于不同的行人,但是也会存在同一行人被同一图像采集设备连续抓拍的情况,比如行人在某一位置发生逗留时,该位置处的图像采集设备在一个时间片段内采集到的多张图像中则均包含该行人,也就是说,同一图像采集设备在一个时间片段内也有可能采集到同一个行人的多条行人数据。
基于此,在本步骤202中,可以针对每一分组,从该分组中识别出属于同一行人的行人数据,并将属于同一行人的行人数据记录至同一个行人数据子组,属于不同行人的行人数据则记录至不同行人数据子组。换言之,针对每一分组,对该分组中的行人数据进行划分,得到至少一个行人数据子组,同一行人数据子组中的行人数据属于同一行人,不同行人数据子组中的行人数据属于不同行人。
举例来说,假设行人甲在一时间片段内在某一位置处发生逗留,并假设该位置处的图像采集设备在该时间片段内采集到两张图像,其中一张图像中包含甲、乙两个行人,另一张图像中包含甲、丙两个行人,那么,则可以从包含甲、乙两个行人的图像中提取到两个行人数据,分别记为S1、S2,从包含甲、丙两个行人的图像中提取到两个行人数据,分别记为S3、S4。假设S1和S3属于行人甲,那么,通过执行步骤202,则可以得到3个行人数据子组,分别为(S1、S3)、(S2)、(S4)。
需要说明的是,上述所描述的“该位置处的图像采集设备”并非是严格约束图像采集设备安装在该位置处,而是指该位置落入图像采集设备的抓拍范围内,即行人位于该位置时,图像采集设备采集的图像中包含该行人。
作为一个实施例,以对一个分组中的行人数据进行划分,得到至少一个行人数据组为例,可以通过以下方式实现:计算分组中每两个行人数据之间的相似度(以下称行人相似度),如果行人相似度大于或等于第一设定阈值,则检查该分组中是否存在满足以下条件的行人数据子组:包含该两个行人数据中其中一个行人数据;如果是,则将另一行人数据记录至该存在的行人数据子组;如果否,将该两个行人数据记录至同一行人数据子组;然后检查该分组中是否还存在不属于任一行人数据子组的行人数据,如果是,则将该分组中存在的各个不属于任一行人数据子组的行人数据分别记录至一个行人数据子组。
为了便于理解,延续上述举例来说,分别计算S1和S2、S1和S3、S1和S4、S2和S3、S2和S4,以及S3和S4之间的行人相似度。假设计算出的S1和S3之间的行人相似度大于或等于第一设定阈值,其他各行人相似度均小于第一设定阈值,则可以将S1和S3记录至同一行人数据子组中,得到行人数据子组1(S1、S3);后续,按照上述描述,该分组中还存在S2和S4均不属于任一行人数据子组,则将S2记录至一个行人数据子组中,得到行人数据子组2(S2),将S4记录至一个行人数据子组中,得到行人数据子组3(S4)。
再举例来说,假设计算出的S2和S3之间的行人相似度也大于或等于第一设定阈值,则由于行人数据子组1(S1、S3)中包含S3,则可以将S2也记录至行人数据子组1,这时最终得到两个行人数据子组,分别为行人数据子组1(S1、S2、S3),行人数据子组2(S4)。
至于是如何计算两个行人数据之间的相似度的,本申请不再赘述。
步骤203:从不同分组的各行人数据子组中识别出属于同一行人的行人数据。
在应用中,会存在同一行人在一个时间片段内被多个距离较近的图像采集设备均抓拍到的情况,例如,行人经过十字路口时,安装在该十字路口不同位置的多个图像采集设备均可以采集到该行人的行人数据。基于此,可以认为距离较远的两个图像采集设备在同一时间片段内采集的行人数据属于不同的行人,而距离较近的两个图像采集设备在同一时间片段内采集的行人数据有可能属于同一行人。据此,当两个图像采集设备距离较近时,还需要从该两个图像采集设备对应的两个分组中识别出属于同一行人的行人数据,也即从不同分组的各行人数据子组中识别出属于同一行人的行人数据,并将属于同一行人的行人数据记录至同一个行人数据子组。
基于上述描述,在本步骤203中,可以计算每两个图像采集设备之间的距离,以其中两个图像采集设备为例,若距离大于设定距离,则可以认为该两个图像采集设备之间的距离较远,因此可以认为,该两个图像采集设备在同一时间片段内采集的行人数据属于不同行人,也即该两个图像采集设备对应的两个分组中的各行人数据子组分别对应不同行人;若距离小于或等于设定距离,则可以认为该两个图像采集设备之间的距离较近,因此,需要从该两个图像采集设备对应的分组中的各行人数据子组中识别出属于同一行人的行人数据。
作为一个实施例中,通过以下方式从不同分组的各行人数据子组中识别出属于同一行人的行人数据:计算每两个行人数据子组之间的相似度(以下称子组相似度),该两个行人数据子组分别为两个图像采集设备各自对应的分组中的行人数据子组,如果子组相似度大于或等于第二设定阈值,则可以确认该两个行人数据子组中的行人数据为属于同一行人的行人数据。
举例来说,假设某一个行人数据组共包含4个分组,分别记为分组1(行人数据子组1、行人数据子组2)、分组2(行人数据子组3、行人数据子组4)、分组3(行人数据子组5)、分组4(行人数据子组6),且该4个分组分别对应图像采集设备A、图像采集设备B、图像采集设备C、图像采集设备D。按照上述描述,分别计算图像采集设备A和B、A和C、A和D、B和C、B和D、C和D之间的距离,假设计算出的图像采集设备A和B之间的距离小于或等于设定距离,其他各距离均大于设定距离,则可以认为行人数据子组5和行人数据子组6分别对应不同行人,而分组1和分组2中的各行人数据子组中是否存在对应同一行人的行人数据子组,还需要进一步识别。
具体的,分别计算行人数据子组1和行人数据子组3,行人数据子组1和行人数据子组4,行人数据子组2和行人数据子组3,行人数据子组2和行人数据子组4之间的子组相似度,如果子组相似度大于或等于第二设定阈值,则可以确认该两个行人数据子组中的行人数据为属于同一行人的行人数据,并将该两个行人数据子组中的行人数据记录至同一行人数据子组。
例如,假设计算出的行人数据子组1和行人数据子组3之间的子组相似度大于或等于第二设定阈值,其他各子组相似度均小于设定阈值,则将行人数据子组1和行人数据子组3中的行人数据记录至同一个行人数据子组,通过该种处理,可以得到行人数据组(行人数据子组1+3、行人数据子组2、行人数据子组4、行人数据子组5、行人数据子组6)。
另外,作为一个示例,上述子组相似度可以依据两个行人数据子组中其中一个行人数据子组中的每一行人数据与另一行人数据子组中的每一行人数据之间的相似度确定,也即计算每两个行人数据之间的相似度,该两个行人数据分别属于两个行人数据子组,然后依据计算出的相似度确定该两个行人数据子组之间的子组相似度。
作为一个可选的实现方式,可以计算出所有相似度的平均值,将该平均值确定为该两个行人数据子组之间的子组相似度。
举例来说,假设计算行人数据子组1(S1、S3)和行人数据子组2(S2)之间的子组相似度,则可以分别计算S1和S2、S3和S2之间的相似度,然后计算两个相似度的平均值,得到行人数据子组1和行人数据子组2之间的子组相似度。
至此,完成图2所示流程的相关描述。
通过图2所示实施例,实现了从行人数据组中识别出属于同一行人的行人数据。
下面通过图3所示实施例描述如何依据行人在各不同时间片段内的行人数据确定行人在设定时间段内的行动轨迹:
请参见图3,为本申请一示例性实施例示出的一种步骤103的实现流程,包括以下步骤:
步骤301:按照时间片段的先后顺序对各行人数据组进行排序,得到行人数据组序列。
步骤302:将行人数据组序列中排在首位的行人数据组作为当前数据组,确定每两个行人数据之间的轨迹关联度,若轨迹关联度大于或等于第三设定阈值,则将第二行人数据子组中的行人数据记录至第一行人数据子组。
步骤303:检查下一行人数据组中是否还存在行人数据子组,如果是,则将下一行人数据组中存在的行人数据子组记录至当前数据组;如果否,删除下一行人数据组。
步骤304:检查行人数据组序列中是否还存在除当前数据组外的其他行人数据组,如果是,则返回执行步骤302中确定每两个行人数据子组之间的轨迹关联度,如果否,则执行步骤305。
步骤305:依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在设定时间段内的行动轨迹。
以下对步骤301至305进行统一说明:
首先,按照时间片段的先后顺序对各行人数据组进行排序,得到行人数据组序列,然后将行人数据组序列中排在首位的行人数据组作为当前数据组,从当前数据组的下一行人数据组开始,按照顺序遍历每一行人数据组,当遍历到一个行人数据组时,将该行人数据组中的行人数据子组“合并”至当前数据组,其中,对应同一行人的不同行人数据子组合并为一个行人数据子组。遍历结束后,当前数据组中不同的行人数据子组则对应不同的行人,同一行人数据子组中的行人数据属于同一行人。据此,则可以依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在设定时间段内的行动轨迹。
以下对上述过程的具体实现进行示例性说明:
作为一个实施例,首先将行人数据组序列中排在首位的行人数据组作为当前数据组,并获取当前数据组的下一行人数据组,然后,针对当前数据组和该下一行人数据组,确定每两个行人数据子组之间的轨迹关联度,这里所说的轨迹关联度是指两个行人数据子组各自对应的行动轨迹属于同一行人的置信度(或概率)。以其中两个行人数据子组为例,为了描述方便,将该两个行人数据子组中的一个记为第一行人数据子组,为当前数据组中的行人数据子组,另一个记为第二行人数据子组,为下一行人数据组中的行人数据子组(这句话的含义是指对于每两个行人数据子组,为了描述方便,可以将该两个行人数据子组中属于当前数据组的行人数据子组记为第一行人数据子组,属于下一行人数据组的行人数据子组记为第二行人数据子组),如果轨迹关联度大于或等于第三设定阈值,则将第二行人数据子组中的行人数据记录至第一行人数据子组。
具体是如何确定每两个行人数据子组之间的轨迹关联度的,在下文中会有描述,这里先不详述。
下一步,检查下一行人数据组中是否还存在行人数据子组,如果是,则将下一行人数据组中存在的行人数据子组记录至当前数据组,并删除下一行人数据组;如果否,删除下一行人数据组。
最后,检查行人数据组序列中是否还存在除当前数据组外的其他行人数据组,如果是,返回确定每两个行人数据子组之间的轨迹关联度,如果否,依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在设定时间段内的行动轨迹。
举例来说,假设行人数据组序列为行人数据组A(行人数据子组1、行人数据子组2)、行人数据组B(行人数据子组3、行人数据子组4)、行人数据组C(行人数据子组5),按照上述描述,将行人数据组A作为当前数据组,此时的下一行人数据组则为行人数据组B。之后分别计算行人数据子组1和行人数据子组3、行人数据子组1和行人数据子组4、行人数据子组2和行人数据子组3、行人数据子组2和行人数据子组4之间的轨迹关联度。假设计算出行人数据子组1和行人数据子组3之间的轨迹关联度大于或等于第三设定阈值,其他各轨迹关联度均小于第三设定阈值,则将行人数据子组3中的行人数据记录至行人数据子组1,至此,当前数据组A为(行人数据子组1+3、行人数据子组2),下一行人数据子组B为(行人数据子组4)。
下一步,下一行人数据子组B中还存在行人数据子组4,则将下一行人数据组B中存在的行人数据子组记录至当前数据组A,至此,当前数据组A为(行人数据子组1+3、行人数据子组2、行人数据子组4),下一行人数据组B被删除。
最后,行人数据组序列中还存在除A外的其他行人数据组C,则将行人数据组C作为下一行人数据组,返回确定每两个行人数据子组之间的轨迹关联度,具体过程不再详述。
假设最终得到的当前数据组A为(行人数据子组1+3、行人数据子组2、行人数据子组4+5),那么,则可以依据该当前数据组A中的3个行人数据子组得到3个行人在设定时间段内的行动轨迹。
至此,完成图3所示流程的相关描述。
通过图3所示实施例,实现了依据行人在各不同时间片段内的行人数据确定行人在设定时间段内的行动轨迹。
下面通过图4所示实施例描述如何确定两个行人数据子组之间的轨迹关联度:
请参见图4,为本申请一示例性实施例示出的一种步骤302的实现流程,包括以下步骤:
步骤401:依据第一行人数据子组中采集时间最晚的第一行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第一相似度因子。
步骤402:依据第一行人数据子组中采集时间最接近第一行人数据的第二行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第二相似度因子。
在应用中,由于行人在行动过程中其行人数据可能会产生变化,例如带上口罩或收起雨伞,因此无需计算第一行人数据子组中每一行人数据和第二行人子组中每一行人数据之间的相似度,而是可以计算第一行人数据子组中采集时间最晚的第一行人数据与第二行人数据子组中的每一个行人数据之间的相似度,并依据该相似度确定第一相似度因子;类似的,还可以计算第一行人数据子组中采集时间最接近第一行人数据的第二行人数据与第二行人数据子组中的每一个行人数据之间的相似度,并依据该相似度确定第二相似度因子。
作为一个可选的实现方式,可以计算第一行人数据与第二行人数据子组中的每一个行人数据之间的相似度的平均值,将该平均值确定为第一相似度因子。类似的,可以计算第二行人数据与第二行人数据子组中的每一个行人数据之间的相似度的平均值,将该平均值确定为第二相似度因子。
步骤403:依据第一行人数据与第二行人数据子组中采集时间最早的第三行人数据确定第一行人数据子组和第二行人数据子组之间的时空置信度。
在应用中,由于行人在短时间内通常不会运动较大的距离,因此,倘若前一个时间片段中最后一个轨迹点与后一时间片段的首个轨迹点之间的距离较大,则可以认为不合常理,因此该两个时间片段内的行人数据属于同一行人的时空置信度就比较低。
基于此,作为一个实施例,计算采集到第一行人数据的第一图像采集设备的安装位置与采集到第三行人数据的第二图像采集设备的安装位置之间的距离,并计算第一行人数据与第三行人数据之间的采集时间差,依据距离和采集时间差确定时空置信度。
作为一个实施例,可以计算出距离和采集时间差的比值,依据该比值确定时空置信度。需要说明的是,距离和采集时间差的比值,与时空置信度成负相关关系,至于如何依据距离和采集时间差的比值确定时空置信度,本申请不再赘述。
步骤404:依据第一相似度因子、第二相似度因子和时空置信度确定轨迹关联度。
作为一个实施例,可以将第一相似度因子、第二相似度因子和时空置信度进行加权求和,得到轨迹关联度。也即,可以通过如下公式计算出两个行人数据子组之间的轨迹关联度:
P=a1*P1+a2*P2+a3*P3
在上述公式中,P表示轨迹关联度,P1表示第一相似度因子,P2表示第二相似度因子,P3表示时空置信度;a1、a2、a3分别为第一相似度因子、第二相似度因子、时空置信度的权重。
由此可见,在本申请实施例中,轨迹关联度不仅与行人的人体特征相关,还结合了时间维度和空间维度,可以准确还原两条行动轨迹属于同一行人的置信度。作为一个示例,由于采集时间越接近的两个行人数据之间的相似度对该两个行人数据是否为同一行人的影响越大,因此,上述a1可以大于a2。
至此,完成图4所示流程的相关描述。
通过图4所示实施例,实现了确定两个行人数据子组之间的轨迹关联度。
与前述行人跨镜头追踪方法的实施例相对应,本申请还提供了行人跨镜头追踪装置的实施例。
请参见图5,为本申请一示例性实施例提供的一种行人跨镜头追踪装置的实施例框图,该装置包括:
数据划分模块51,用于将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;
数据识别模块52,用于针对每一时间片段内的行人数据组,从该行人数据组中识别出属于同一行人的行人数据;
轨迹确定模块53,用于依据所述行人在各不同时间片段内的行人数据确定所述行人在所述设定时间段内的行动轨迹。
在一实施例中,所述数据划分模块51将设定时间段内不同图像采集设备采集到的行人数据进行划分,包括:
按照采集时间的先后顺序对设定时间段内不同图像采集设备采集到的行人数据进行排序;
按照预设的采集时间间隔对排序结果进行划分。
在一实施例中,所述数据识别模块52从该行人数据组中识别出属于同一行人的行人数据,包括:
按照图像采集设备对该行人数据组中的行人数据进行划分,得到至少一个分组;同一分组中的行人数据对应同一图像采集设备,由对应的图像采集设备采集,不同分组中的行人数据对应不同图像采集设备;
针对每一分组,对该分组中的行人数据进行划分,得到至少一个行人数据子组,同一行人数据子组中的行人数据属于同一行人,不同行人数据子组中的行人数据属于不同行人;
从不同分组的各行人数据子组中识别出属于同一行人的行人数据,将属于同一行人的行人数据记录至同一行人数据子组。
在一实施例中,所述数据识别模块52对该组中的行人数据进行划分,得到至少一个行人数据子组,包括:
计算该分组中每两个行人数据之间的行人相似度,如果行人相似度大于或等于第一设定阈值,则检查该分组中是否存在满足以下条件的行人数据子组:包含该两个行人数据中其中一个行人数据;如果是,将另一行人数据记录至该存在的行人数据子组;如果否,将该两个行人数据记录至同一行人数据子组;
检查该分组中是否还存在不属于任一行人数据子组的行人数据,如果是,则将该分组中存在的各个不属于任一行人数据子组的行人数据分别记录至不同行人数据子组。
在一实施例中,所述数据识别模块52从不同分组的各行人数据子组中识别出属于同一行人的行人数据,包括:
计算每两个图像采集设备之间的距离,若所述距离小于或等于设定距离,则计算每两个行人数据子组之间的子组相似度;所述两个行人数据子组分别为所述两个图像采集设备各自对应的分组中的行人数据子组;;所述子组相似度是依据所述两个行人数据子组中其中一个行人数据子组中的每一行人数据与另一行人数据子组中的每一行人数据之间的相似度确定;
若所述子组相似度大于或等于第二设定阈值,则确定所述两个行人数据子组中的行人数据为属于同一行人的行人数据。
在一实施例中,所述轨迹确定模块53依据所述行人在各不同时间片段内的行人数据确定所述行人在所述设定时间段内的行动轨迹,包括:
按照时间片段的先后顺序对各行人数据组进行排序,得到行人数据组序列;
将行人数据组序列中排在首位的行人数据组作为当前数据组,确定每两个行人数据子组之间的轨迹关联度;所述两个行人数据子组中的一个记为第一行人数据子组,为当前数据组中的行人数据子组,另一个记为第二行人数据子组,为当前数据组的下一行人数据组中的行人数据子组;若轨迹关联度大于或等于第三设定阈值,则将第二行人数据子组中的行人数据记录至第一行人数据子组;
检查所述下一行人数据组中是否还存在行人数据子组,如果是,则将下一行人数据组中存在的行人数据子组记录至当前数据组,并删除所述下一行人数据组;如果否,删除所述下一行人数据组;
检查所述行人数据组序列中是否还存在除所述当前数据组外的其他行人数据组,如果是,返回确定每两个行人数据子组之间的轨迹关联度,如果否,依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在所述设定时间段内的行动轨迹。
在一实施例中,所述轨迹确定模块53确定每两个行人数据子组之间的轨迹关联度,包括:
依据第一行人数据子组中采集时间最晚的第一行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第一相似度因子;
依据第一行人数据子组中采集时间最接近所述第一行人数据的第二行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第二相似度因子;
依据所述第一行人数据与第二行人数据子组中采集时间最早的第三行人数据之间的相似度确定第一行人数据子组和第二行人数据子组之间的时空置信度;
依据所述第一相似度因子、第二相似度因子和所述时空置信度确定所述轨迹关联度。
在一实施例中,所述轨迹确定模块53依据第一行人数据与第二行人数据子组中采集时间最早的第三行人数据确定第一行人数据子组和第二行人数据子组之间的时空置信度,包括:
计算采集到所述第一行人数据的第一图像采集设备的安装位置与采集到所述第三行人数据的第二图像采集设备的安装位置之间的距离;
计算所述第一行人数据与所述第三行人数据之间的采集时间差;
依据所述距离和所述采集时间差确定所述时空置信度。
请继续参见图6,本申请还提供一种电子设备,包括处理器601、通信接口602、存储器603,以及通信总线604。
其中,处理器601、通信接口602、存储器603通过通信总线604进行相互间的通信;
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的计算机程序,处理器601执行所述计算机程序时实现本申请实施例提供的行人跨镜头追踪方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的行人跨镜头追踪方法的步骤。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
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过程、方法、商品或者设备不仅包括那些要素,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过程、方法、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (8)
1.一种行人跨镜头追踪方法,其特征在于,所述方法包括:
将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;
针对每一时间片段内的行人数据组,按照图像采集设备对该行人数据组中的行人数据进行划分,得到至少一个分组;同一分组中的行人数据对应同一图像采集设备,由对应的图像采集设备采集,不同分组中的行人数据对应不同图像采集设备;针对每一分组,对该分组中的行人数据进行划分,得到至少一个行人数据子组,同一行人数据子组中的行人数据属于同一行人,不同行人数据子组中的行人数据属于不同行人;从不同分组的各行人数据子组中识别出属于同一行人的行人数据,将属于同一行人的行人数据记录至同一行人数据子组;
按照时间片段的先后顺序对各行人数据组进行排序,得到行人数据组序列;
将行人数据组序列中排在首位的行人数据组作为当前数据组,确定每两个行人数据子组之间的轨迹关联度;所述两个行人数据子组中的一个记为第一行人数据子组,为当前数据组中的行人数据子组,另一个记为第二行人数据子组,为当前数据组的下一行人数据组中的行人数据子组;若轨迹关联度大于或等于第三设定阈值,则将第二行人数据子组中的行人数据记录至第一行人数据子组;
检查所述下一行人数据组中是否还存在行人数据子组,如果是,则将下一行人数据组中存在的行人数据子组记录至当前数据组,并删除所述下一行人数据组;如果否,删除所述下一行人数据组;
检查所述行人数据组序列中是否还存在除所述当前数据组外的其他行人数据组,如果是,返回确定每两个行人数据子组之间的轨迹关联度,如果否,依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在所述设定时间段内的行动轨迹。
2.根据权利要求1所述的方法,其特征在于,所述将设定时间段内不同图像采集设备采集到的行人数据进行划分,包括:
按照采集时间的先后顺序对设定时间段内不同图像采集设备采集到的行人数据进行排序;
按照预设的采集时间间隔对排序结果进行划分。
3.根据权利要求1所述的方法,其特征在于,所述对该分组中的行人数据进行划分,得到至少一个行人数据子组,包括:
计算该分组中每两个行人数据之间的行人相似度,如果行人相似度大于或等于第一设定阈值,则检查该分组中是否存在满足以下条件的行人数据子组:包含该两个行人数据中其中一个行人数据;如果是,将另一行人数据记录至该存在的行人数据子组;如果否,将该两个行人数据记录至同一行人数据子组;
检查该分组中是否还存在不属于任一行人数据子组的行人数据,如果是,则将该分组中存在的各个不属于任一行人数据子组的行人数据分别记录至不同行人数据子组。
4.根据权利要求1所述的方法,其特征在于,所述从不同分组的各行人数据子组中识别出属于同一行人的行人数据,包括:
计算每两个图像采集设备之间的距离,若所述距离小于或等于设定距离,则计算每两个行人数据子组之间的子组相似度;所述两个行人数据子组分别为所述两个图像采集设备各自对应的分组中的行人数据子组;所述子组相似度是依据所述两个行人数据子组中其中一个行人数据子组中的每一行人数据与另一行人数据子组中的每一行人数据之间的相似度确定;
若所述子组相似度大于或等于第二设定阈值,则确定所述两个行人数据子组中的行人数据为属于同一行人的行人数据。
5.根据权利要求1所述的方法,其特征在于,所述确定每两个行人数据子组之间的轨迹关联度,包括:
依据第一行人数据子组中采集时间最晚的第一行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第一相似度因子;
依据第一行人数据子组中采集时间最接近所述第一行人数据的第二行人数据与第二行人数据子组中的每一个行人数据之间的相似度确定第二相似度因子;
依据所述第一行人数据与第二行人数据子组中采集时间最早的第三行人数据确定第一行人数据子组和第二行人数据子组之间的时空置信度;
依据所述第一相似度因子、第二相似度因子和所述时空置信度确定所述轨迹关联度。
6.根据权利要求5所述的方法,其特征在于,所述依据第一行人数据与第二行人数据子组中采集时间最早的第三行人数据确定第一行人数据子组和第二行人数据子组之间的时空置信度,包括:
计算采集到所述第一行人数据的第一图像采集设备的安装位置与采集到所述第三行人数据的第二图像采集设备的安装位置之间的距离;
计算所述第一行人数据与所述第三行人数据之间的采集时间差;
依据所述距离和所述采集时间差确定所述时空置信度。
7.一种行人跨镜头追踪装置,其特征在于,所述装置包括:
数据划分模块,用于将设定时间段内不同图像采集设备采集到的行人数据进行划分,得到至少一个行人数据组;不同的行人数据组属于不同的时间片段;
数据识别模块,用于针对每一时间片段内的行人数据组,按照图像采集设备对该行人数据组中的行人数据进行划分,得到至少一个分组;同一分组中的行人数据对应同一图像采集设备,由对应的图像采集设备采集,不同分组中的行人数据对应不同图像采集设备;针对每一分组,对该分组中的行人数据进行划分,得到至少一个行人数据子组,同一行人数据子组中的行人数据属于同一行人,不同行人数据子组中的行人数据属于不同行人;从不同分组的各行人数据子组中识别出属于同一行人的行人数据,将属于同一行人的行人数据记录至同一行人数据子组;
轨迹确定模块,用于按照时间片段的先后顺序对各行人数据组进行排序,得到行人数据组序列;将行人数据组序列中排在首位的行人数据组作为当前数据组,确定每两个行人数据子组之间的轨迹关联度;所述两个行人数据子组中的一个记为第一行人数据子组,为当前数据组中的行人数据子组,另一个记为第二行人数据子组,为当前数据组的下一行人数据组中的行人数据子组;若轨迹关联度大于或等于第三设定阈值,则将第二行人数据子组中的行人数据记录至第一行人数据子组;检查所述下一行人数据组中是否还存在行人数据子组,如果是,则将下一行人数据组中存在的行人数据子组记录至当前数据组,并删除所述下一行人数据组;如果否,删除所述下一行人数据组;检查所述行人数据组序列中是否还存在除所述当前数据组外的其他行人数据组,如果是,返回确定每两个行人数据子组之间的轨迹关联度,如果否,依据当前数据组中对应同一行人的各行人数据子组中的行人数据确定行人在所述设定时间段内的行动轨迹。
8.一种电子设备,其特征在于,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608202.XA CN111784742B (zh) | 2020-06-29 | 2020-06-29 | 一种行人跨镜头追踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608202.XA CN111784742B (zh) | 2020-06-29 | 2020-06-29 | 一种行人跨镜头追踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784742A CN111784742A (zh) | 2020-10-16 |
CN111784742B true CN111784742B (zh) | 2023-08-29 |
Family
ID=72761131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010608202.XA Active CN111784742B (zh) | 2020-06-29 | 2020-06-29 | 一种行人跨镜头追踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784742B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034550B (zh) * | 2021-05-28 | 2021-08-10 | 杭州宇泛智能科技有限公司 | 跨镜行人轨迹追踪的方法、系统、电子装置和存储介质 |
CN114131631B (zh) * | 2021-12-16 | 2024-02-02 | 山东新一代信息产业技术研究院有限公司 | 一种巡检机器人报警阈值设置方法、装置及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004298285A (ja) * | 2003-03-28 | 2004-10-28 | Ntt Data Corp | 歩行状態・歩行者属性判定装置および判定方法 |
US7319479B1 (en) * | 2000-09-22 | 2008-01-15 | Brickstream Corporation | System and method for multi-camera linking and analysis |
JP2008210238A (ja) * | 2007-02-27 | 2008-09-11 | Osaka Prefecture Univ | 歩行追尾装置およびこれを用いた歩行支援運搬装置 |
WO2017133627A1 (zh) * | 2016-02-03 | 2017-08-10 | 中兴通讯股份有限公司 | 用户通勤轨迹管理方法、装置及系统 |
WO2017219679A1 (zh) * | 2016-06-20 | 2017-12-28 | 杭州海康威视数字技术股份有限公司 | Rfid标签与人员对应关系建立及轨迹追踪方法及装置 |
CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
CN108924507A (zh) * | 2018-08-02 | 2018-11-30 | 高新兴科技集团股份有限公司 | 一种基于多摄像头场景的人员轨迹生成系统及方法 |
CN110223329A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种多摄像机多目标跟踪方法 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
KR20200007535A (ko) * | 2018-07-13 | 2020-01-22 | 한화테크윈 주식회사 | 객체의 추적 영상 제공 방법, 장치 및 컴퓨터프로그램 |
CN110796040A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 一种基于多元空间轨迹关联的行人身份识别方法 |
US10679362B1 (en) * | 2018-05-14 | 2020-06-09 | Vulcan Inc. | Multi-camera homogeneous object trajectory alignment |
CN111291596A (zh) * | 2018-12-07 | 2020-06-16 | 杭州海康威视数字技术股份有限公司 | 一种基于人脸识别的预警方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229164B2 (en) * | 2006-07-10 | 2012-07-24 | Synthesis Corporation | Pedestrian tracking method and pedestrian tracking device |
US20110205359A1 (en) * | 2010-02-19 | 2011-08-25 | Panasonic Corporation | Video surveillance system |
CN102473307B (zh) * | 2010-03-15 | 2015-05-27 | 松下电器产业株式会社 | 用于轨迹估计的方法和装置以及用于分割的方法 |
US20180285758A1 (en) * | 2017-04-04 | 2018-10-04 | Carnegie Mellon University | Methods for creating and analyzing dynamic trail networks |
CN108596202B (zh) * | 2018-03-08 | 2020-04-03 | 清华大学 | 基于移动终端gps定位数据计算个人通勤时间的方法 |
-
2020
- 2020-06-29 CN CN202010608202.XA patent/CN111784742B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7319479B1 (en) * | 2000-09-22 | 2008-01-15 | Brickstream Corporation | System and method for multi-camera linking and analysis |
JP2004298285A (ja) * | 2003-03-28 | 2004-10-28 | Ntt Data Corp | 歩行状態・歩行者属性判定装置および判定方法 |
JP2008210238A (ja) * | 2007-02-27 | 2008-09-11 | Osaka Prefecture Univ | 歩行追尾装置およびこれを用いた歩行支援運搬装置 |
WO2017133627A1 (zh) * | 2016-02-03 | 2017-08-10 | 中兴通讯股份有限公司 | 用户通勤轨迹管理方法、装置及系统 |
WO2017219679A1 (zh) * | 2016-06-20 | 2017-12-28 | 杭州海康威视数字技术股份有限公司 | Rfid标签与人员对应关系建立及轨迹追踪方法及装置 |
CN107527075A (zh) * | 2016-06-20 | 2017-12-29 | 杭州海康威视数字技术股份有限公司 | Rfid标签与人员对应关系建立及轨迹追踪方法及装置 |
CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
US10679362B1 (en) * | 2018-05-14 | 2020-06-09 | Vulcan Inc. | Multi-camera homogeneous object trajectory alignment |
KR20200007535A (ko) * | 2018-07-13 | 2020-01-22 | 한화테크윈 주식회사 | 객체의 추적 영상 제공 방법, 장치 및 컴퓨터프로그램 |
CN108924507A (zh) * | 2018-08-02 | 2018-11-30 | 高新兴科技集团股份有限公司 | 一种基于多摄像头场景的人员轨迹生成系统及方法 |
CN111291596A (zh) * | 2018-12-07 | 2020-06-16 | 杭州海康威视数字技术股份有限公司 | 一种基于人脸识别的预警方法及装置 |
CN110223329A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种多摄像机多目标跟踪方法 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110796040A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 一种基于多元空间轨迹关联的行人身份识别方法 |
Non-Patent Citations (1)
Title |
---|
基于轨迹相似度的伴随人员推荐;廖闻剑等;计算机系统应用;第27卷(第04期);第157-161页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784742A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kohl et al. | The mta dataset for multi-target multi-camera pedestrian tracking by weighted distance aggregation | |
US9117147B2 (en) | Marginal space learning for multi-person tracking over mega pixel imagery | |
CN108921008B (zh) | 人像识别方法、装置及电子设备 | |
CN111784742B (zh) | 一种行人跨镜头追踪方法及装置 | |
CN110443833A (zh) | 对象跟踪方法和设备 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
US20110150278A1 (en) | Information processing apparatus, processing method thereof, and non-transitory storage medium | |
CN112906483B (zh) | 一种目标重识别方法、装置及计算机可读存储介质 | |
CN105744223A (zh) | 视频数据处理方法和装置 | |
CN109858354A (zh) | 一种人脸身份库、轨迹表建立和人脸轨迹查询方法和系统 | |
CN111310728A (zh) | 基于监控相机和无线定位的行人重识别系统 | |
CN111027377A (zh) | 一种双流神经网络时序动作定位方法 | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
CN111783568A (zh) | 一种基于置信学习的行人重识别方法、装置及存储介质 | |
Bashar et al. | Multiple object tracking in recent times: A literature review | |
CN109359689B (zh) | 一种数据识别方法及装置 | |
Mao et al. | Aic2018 report: Traffic surveillance research | |
Gloudemans et al. | So you think you can track? | |
CN112528818B (zh) | 数据统计方法、装置、电子设备及机器可读存储介质 | |
CN113627497B (zh) | 一种基于时空约束的跨摄像头行人轨迹匹配方法 | |
CN115588149A (zh) | 基于匹配优先级的跨相机多目标级联匹配方法 | |
CN113450457A (zh) | 道路重建方法、装置、计算机设备和存储介质 | |
CN113822367A (zh) | 一种基于人脸的区域行为分析方法、系统及介质 | |
CN111062294B (zh) | 一种客流排队时间的检测方法、装置及系统 | |
CN111597980B (zh) | 一种目标对象聚类方法及装置 |
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 |