CN111814630A - 行为分析方法及装置、电子设备和存储介质 - Google Patents

行为分析方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111814630A
CN111814630A CN202010608476.9A CN202010608476A CN111814630A CN 111814630 A CN111814630 A CN 111814630A CN 202010608476 A CN202010608476 A CN 202010608476A CN 111814630 A CN111814630 A CN 111814630A
Authority
CN
China
Prior art keywords
face data
time
identifier
space
determining
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.)
Withdrawn
Application number
CN202010608476.9A
Other languages
English (en)
Inventor
黄垂碧
李想
曾艳磊
朴元奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010608476.9A priority Critical patent/CN111814630A/zh
Publication of CN111814630A publication Critical patent/CN111814630A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Educational Administration (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种行为分析方法及装置、电子设备和存储介质，所述方法包括：确定目标人员在目标时空范围下的多个第一人脸数据，其中，所述目标时空范围包括多个时间段或多个空间位置；确定各所述第一人脸数据对应的时空标识，所述时空标识用于指示所述第一人脸数据对应的时间段或所述第一人脸数据对应的空间位置；根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段或各所述空间位置下出现的次数。本公开实施例可以基于海量人脸数据快速实现对目标人员的行为模式进行分析。

Description

行为分析方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种行为分析方法及装置、电子设备和存储介质。
背景技术
随着平安城市的建设，城市级的监控系统每天都在产生着海量的人脸抓拍数据。这些数据具有规模大、时间和区域分布广等特点，这些数据其实就是监控系统记录的城市里每个人的轨迹信息。但是，现有的视频分析系统无法有效地挖掘这些数据中潜在的轨迹信息，未能最大化利用这些数据的价值和这些数据背后依赖的资源投入。
发明内容
本公开提出了一种人员检测方法及其装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种行为分析方法，包括：确定目标人员在目标时空范围下的多个第一人脸数据，其中，所述目标时空范围包括多个时间段或多个空间位置；确定各所述第一人脸数据对应的时空标识，所述时空标识用于指示所述第一人脸数据对应的时间段或所述第一人脸数据对应的空间位置；根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段或各所述空间位置下出现的次数。
在一种可能的实现方式中，所述确定目标人员在目标时空范围下的多个第一人脸数据，包括：根据所述目标人员的身份标识或轨迹集合标识，确定所述目标人员对应的多个第二人脸数据；根据所述多个时间段或所述多个空间位置对所述多个第二人脸数据进行过滤，确定所述多个第一人脸数据。
在一种可能的实现方式中，所述时空标识包括时间标识，所述第一人脸数据中包括所述第一人脸数据对应的抓拍时刻；所述确定各所述第一人脸数据对应的时空标识，包括：根据各所述第一人脸数据对应的抓拍时刻，确定各所述第一人脸数据对应的时间标识，其中，所述时间标识用于指示所述第一人脸数据对应的时间段。
在一种可能的实现方式中，所述根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段下出现的次数，包括：根据各所述第一人脸数据对应的时间标识，确定各所述时间标识对应的所述第一人脸数据的个数；根据各所述时间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述时间标识对应的时间段内出现的次数。
在一种可能的实现方式中，所述时空标识包括空间标识，所述第一人脸数据中包括所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识；所述确定各所述第一人脸数据对应的时空标识，包括：根据各所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识，确定各所述第一人脸数据对应的空间标识，其中，所述空间标识用于指示所述第一人脸数据对应的空间位置。
在一种可能的实现方式中，所述根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述空间位置下出现的次数，包括：根据各所述第一人脸数据对应的空间标识，确定各所述空间标识对应的所述第一人脸数据的个数；根据各所述空间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述空间标识对应的空间位置出现的次数。
根据本公开的一方面，提供了一种行为分析装置，包括：第一确定模块，用于确定目标人员在目标时空范围下的多个第一人脸数据，其中，所述目标时空范围包括多个时间段或多个空间位置；第二确定模块，用于确定各所述第一人脸数据对应的时空标识，所述时空标识用于指示所述第一人脸数据对应的时间段或所述第一人脸数据对应的空间位置；统计模块，用于根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段或各所述空间位置下出现的次数。
在一种可能的实现方式中，所述第一确定模块，包括：第一确定子模块，用于根据所述目标人员的身份标识或轨迹集合标识，确定所述目标人员对应的多个第二人脸数据；第二确定子模块，用于根据所述多个时间段或所述多个空间位置对所述多个第二人脸数据进行过滤，确定所述多个第一人脸数据。
在一种可能的实现方式中，所述时空标识包括时间标识，所述第一人脸数据中包括所述第一人脸数据对应的抓拍时刻；所述第二确定模块具体用于：根据各所述第一人脸数据对应的抓拍时刻，确定各所述第一人脸数据对应的时间标识，其中，所述时间标识用于指示所述第一人脸数据对应的时间段。
在一种可能的实现方式中，所述统计模块具体用于：根据各所述第一人脸数据对应的时间标识，确定各所述时间标识对应的所述第一人脸数据的个数；根据各所述时间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述时间标识对应的时间段内出现的次数。
在一种可能的实现方式中，所述时空标识包括空间标识，所述第一人脸数据中包括所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识；所述第二确定模块具体用于：根据各所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识，确定各所述第一人脸数据对应的空间标识，其中，所述空间标识用于指示所述第一人脸数据对应的空间位置。
在一种可能的实现方式中，所述统计模块具体用于：根据各所述第一人脸数据对应的空间标识，确定各所述空间标识对应的所述第一人脸数据的个数；根据各所述空间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述空间标识对应的空间位置出现的次数。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，确定目标人员在目标时空范围下的多个第一人脸数据，其中，目标时空范围包括多个时间段或多个空间位置；确定各第一人脸数据对应的时空标识，其中，时空标识用于指示第一人脸数据对应的时间段或第一人脸数据对应的空间位置；根据各第一人脸数据对应的时空标识，分布式统计目标人员在目标时空范围中各时间段或各空间位置下出现的次数，从而可以基于海量人脸数据快速实现对目标人员的行为模式进行分析。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种行为分析方法的流程图；
图2示出根据本公开实施例的一种行为分析方法的示意图；
图3示出根据本公开实施例的一种行为分析方法的示意图；
图4示出根据本公开实施例的一种行为分析装置的框图；
图5示出根据本公开实施例的一种电子设备的框图；
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种行为分析方法的流程图。如图1所示的行为分析方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该行为分析方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该行为分析方法可以包括：
在步骤S11中，确定目标人员在目标时空范围下的多个第一人脸数据，其中，目标时空范围包括多个时间段或多个空间位置。
在步骤S12中，确定各第一人脸数据对应的时空标识，时空标识用于指示第一人脸数据对应的时间段或第一人脸数据对应的空间位置。
在步骤S13中，根据各第一人脸数据对应的时空标识，分布式统计目标人员在各时间段或各空间位置下出现的次数。
通过确定目标人员在目标时空范围下的多个第一人脸数据，以及确定各第一人脸数据对应的时空标识，使得根据各第一人脸数据对应的时空标识可以分布式统计目标人员在目标时空范围中各时间段或各空间位置下出现的次数，从而可以基于海量人脸数据快速实现对目标人员的行为模式进行分析。
在一种可能的实现方式，基于大规模分布式聚类的人脸轨迹还原技术对海量人脸数据进行轨迹还原，得到多个轨迹集合，进而得到特征(Features)表，其中，Features表中包括多个人脸数据以及每个人脸数据对应的时空信息键值(key)和轨迹集合标识(clusters_id)。每个人脸数据中包括[(region_id，captured_date，camera_id，captured_time，sequence)，cluster_id]。其中，region_id为人脸数据对应的图像采集设备归属区域标识；captured_date为人脸数据对应的抓拍日期；camera_id为人脸数据对应的图像采集设备标识；captured_time为人脸数据对应的抓拍时刻；sequence为人脸数据对应的抓拍序列号，在同一图像采集设备在同一抓拍时刻的抓拍图像中包括多个人脸数据的情况下，为同一抓拍图像中的不同人脸数据设置抓拍序列号，以对同一抓拍图像中的不同人脸数据进行区分；cluster_id为人脸数据对应的轨迹集合标识。
根据人脸数据中的(region_id，captured_date)确定该人脸数据的存储分区标识，进而对人脸数据进行分布式分区存储，从而可以实现高扩展性以应对海量数据不断增长的场景，以及提升人脸数据的读取和写入性能。
对人脸数据中的(region_id，captured_date，camera_id，captured_time，sequence)进行编码，生成该人脸数据对应的唯一标识(key)。例如，通过“15|int(region_id)<<7|int(camera_id)<<32|int(captured_time)<<10|int(sequence)”生成64位intkey，其中，(region_id)占用64位中的15位，(camera_id)占用64位中的7位，(captured_time)占用64位中的32位，sequence占用64位中的10位。
在一种可能的实现方式中，基于大规模分布式聚类与碰撞的身份标示及去重技术对多个轨迹集合进行身份标示，得到Clusters表，其中，Clusters表中包括多个轨迹集合、每个轨迹集合对应的身份标识(user_key)以及每个轨迹集合中包括的人脸数据对应的key。每个轨迹集合中包括(clusters_id，[key1，key2，……]，user_key)。每个轨迹集合中包括的各人脸数据对应相同的身份标识，即一个轨迹集合中包括的各人脸数据均对应同一人员。由于海量人脸数据为抓拍得到，受图像质量和抓拍角度影响，同一人员的不同人脸数据可能会被聚类到不同的轨迹集合，因此，同一身份标识对应至少一个轨迹集合。例如，第一轨迹集合(clusters_id1，[key1，key2，……]，user_key1)和第二轨迹集合(clusters_id2，[key3，key4，……]，user_key1)均对应身份标识为user_key1的同一人员。
基于Features表和Clusters表可以快速查询得到分布式存储的海量人脸数据中的任一人脸数据，以及确定该人脸数据对应的身份标识和时空标识，进而可以快速实现从海量人脸数据中分布式统计目标人员在目标时空范围中各时间段或各空间位置下出现的次数，从而可以基于海量人脸数据快速实现对目标人员的行为模式进行分析。
在一种可能的实现方式中，确定目标人员在目标时空范围下的多个第一人脸数据，包括：根据目标人员的身份标识或轨迹集合标识，确定目标人员对应的多个第二人脸数据；根据多个时间段或多个空间位置对多个第二人脸数据进行过滤，确定多个第一人脸数据。
根据需要分析的目标人员对应的user_key或clusters_id，基于Features表和Clusters表，确定目标人员对应的多个第二人脸数据。其中，第二人脸数据为目标人员在分布式存储数据库中的所有人脸数据。
在一示例中，根据目标人员对应的clusters_id，基于Clusters表确定clusters_id对应的key列表，进而对key列表中的每个key进行解码，基于Features表得到每个key对应的第二人脸数据，从而得到目标人员对应的多个第二人脸数据。
在一示例中，根据目标人员对应的user_key，基于Clusters表确定user_key对应的多个clusters_id，以及基于Clusters表确定各clusters_id对应的key列表，进而对key列表中的每个key进行解码，基于Features表得到每个key对应的第二人脸数据，从而得到目标人员对应的多个第二人脸数据。
在根据目标人员对应的user_key或clusters_id确定目标人员对应的多个第二人脸数据之后，根据需要分析的目标时空范围中包括多个时间段或多个空间位置对多个第二人脸数据进行过滤，得到目标人员在多个时间段或多个空间位置下的多个第一人脸数据。
对目标人员的行为模式进行分析，可以从时间维度和空间维度两个方面进行考虑，下面分别对基于时间维度和基于空间维度对目标人员的行为模式分析进行详细介绍。
第一种：时间维度。
在基于时间维度分析目标人员的行为模式的情况下，需要分析的目标时空范围包括多个时间段。
图2示出根据本公开实施例的一种行为分析方法的示意图，如图2所示，目标人员对应的身份标识为user_key1，目标人员对应的轨迹集合标识为clusters_id1和clusters_id3，则根据目标人员对应的user_key或clusters_id，确定目标人员对应的六个第二人脸数据：[(region_id1，captured_date1，captured_time1，camera_id1，sequence1)，clusters_id1，user_key1]、[(region_id1，captured_date2，captured_time2，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id2，captured_date4，captured_time4，camera_id2，sequence3)，clusters_id1，user_key1]、[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]和[(region_id3，captured_date6，captured_time6，camera_id1，sequence2)，clusters_id3，user_key1]。
如图2所示，在基于时间维度分析目标人员的行为模式的情况下，需要分析的目标时空范围包括两个时间段[(t1-t2)，(t3-t4)]，其中，时间段(t1-t2)对应的时间标识为lable1，时间段(t3-t4)对应的时间标识为lable2。当captured_time1和captured_time13是时间段(t1-t2)中的两个时刻，captured_time5是时间段(t3-t4)中的一个时刻时，对上述六个第二人脸数据进行过滤后得到目标人员对应的三个第一人脸数据：[(region_id1，captured_date1，captured_time1，camera_id1，sequence1)，clusters_id1，user_key1]、[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]和[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]。
在一种可能的实现方式中，时空标识包括时间标识，第一人脸数据中包括第一人脸数据对应的抓拍时刻；确定各第一人脸数据对应的时空标识，包括：根据各第一人脸数据对应的抓拍时刻，确定各第一人脸数据对应的时间标识，其中，时间标识用于指示第一人脸数据对应的时间段。
仍以上述图2为例，由于captured_time1和captured_time3是时间段(t1-t2)中的两个时刻，captured_time5是时间段(t3-t4)中的一个时刻，则第一人脸数据[(region_id1，captured_date1，captured_time1，camera_id1，sequence1)，clusters_id1，user_key1]和[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]对应的时间标识为lable1，第一人脸数据[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]对应的时间标识为lable2。
在一种可能的实现方式中，根据各第一人脸数据对应的时空标识，分布式统计目标人员在各时间段下出现的次数，包括：根据各第一人脸数据对应的时间标识，确定各时间标识对应的第一人脸数据的个数；根据各时间标识对应的第一人脸数据的个数，分布式统计目标人员在各时间标识对应的时间段内出现的次数。
仍以上述图2为例，lable1对应的第一人脸数据的个数为2，lable2对应的第一人脸数据的个数为1，则目标人员在lable1对应的时间段(t1-t2)内出现的次数为2，目标人员在lable2对应的时间段(t3-t4)内出现的次数为1。
通过分布式统计目标人员在目标时空范围中包括的各时间段内出现的次数，从而可以基于海量人脸数据快速实现对目标人员在时间维度的行为模式分析。
第二种：空间维度。
在基于时间维度分析目标人员的行为模式的情况下，需要分析的目标时空范围包括多个空间位置。
图3示出根据本公开实施例的一种行为分析方法的示意图，如图3所示，目标人员对应的身份标识为user_key1，目标人员对应的轨迹集合标识为clusters_id1和clusters_id3，则根据目标人员对应的user_key或clusters_id，确定目标人员对应的六个第二人脸数据：[(region_id1，captured_date1，captured_time1，camera_id1，sequence1)，clusters_id1，user_key1]、[(region_id1，captured_date2，captured_time2，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id2，captured_date4，captured_time4，camera_id2，sequence3)，clusters_id1，user_key1]、[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]和[(region_id3，captured_date6，captured_time6，camera_id1，sequence2)，clusters_id3，user_key1]。
如图3所示，在基于空间维度分析目标人员的行为模式的情况下，需要分析的目标时空范围包括两个空间位置[(region_id1，camera_id2)，(region_id3，camera_id1)]，其中，空间位置(region_id1，camera_id2)对应的空间标识为lable3，空间位置(region_id3，camera_id1)对应的空间标识为lable4。则上述六个第二人脸数据进行过滤后得到目标人员对应的四个第一人脸数据：[(region_id1，captured_date2，captured_time2，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]、[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]和[(region_id3，captured_date6，captured_time6，camera_id1，sequence2)，clusters_id3，user_key1]。
在一种可能的实现方式中，时空标识包括空间标识，第一人脸数据中包括第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识；确定各第一人脸数据对应的时空标识，包括：根据各第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识，确定各第一人脸数据对应的空间标识，其中，空间标识用于指示第一人脸数据对应的空间位置。
仍以上述图3为例，[(region_id1，captured_date2，captured_time2，camera_id2，sequence2)，clusters_id3，user_key1]和[(region_id1，captured_date3，captured_time3，camera_id2，sequence2)，clusters_id3，user_key1]对应的空间标识为lable3，[(region_id3，captured_date5，captured_time5，camera_id1，sequence1)，clusters_id1，user_key1]和[(region_id3，captured_date6，captured_time6，camera_id1，sequence2)，clusters_id3，user_key1]对应的空间标识为lable4。
在一种可能的实现方式中，根据各第一人脸数据对应的时空标识，分布式统计目标人员在各空间位置下出现的次数，包括：根据各第一人脸数据对应的空间标识，确定各空间标识对应的第一人脸数据的个数；根据各空间标识对应的第一人脸数据的个数，分布式统计目标人员在各空间标识对应的空间位置出现的次数。
仍以上述图3为例，lable3对应的第一人脸数据的个数为2，lable4对应的第一人脸数据的个数为2，则目标人员在lable3对应的空间位置(region_id1，camera_id2)出现的次数为2，目标人员在lable4对应的空间位置(region_id3，camera_id1)出现的次数为2。
通过分布式统计目标人员在目标时空范围中包括的各空间位置出现的次数，从而可以基于海量人脸数据快速实现对目标人员在空间维度的行为模式分析。
本公开实施例中，可以对目标人员在时间维度单独进行行为模式分析，也可以对目标人员在空间维度单独进行行为模式分析，还可以对目标人员在时间维度和空间维度综合进行行为模式分析，即综合考虑时间维度和空间维度的行为模式分析结果。也就是说，上述图2和图3的方法实施例可以单独应用，也可以综合应用，本公开对此不做具体限定。
本公开实施例中，通过上述图1至图3的方法实施例可以对城市级安防监控系统中每天海量的抓拍人脸数据进行分布式数据分析处理，通过分析目标人员在时间维度的行为模式，即分析目标人员在某个时间段内出现的次数，可以判定目标人员是否固定在某个时间段内出现，例如，目标人员是否为昼伏夜出；通过分析目标人员在空间维度的行为模式，即分析目标人员在某个空间位置出现的次数，可以判定某个空间位置是否为目标人员的落脚点，从而可以为城市安防分析提供数据支持或帮助警方进行刑侦调查。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了行为分析装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种行为分析方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的一种行为分析装置的框图。如图4所示，装置40包括：
第一确定模块41，用于确定目标人员在目标时空范围下的多个第一人脸数据，其中，目标时空范围包括多个时间段或多个空间位置；
第二确定模块42，用于确定各第一人脸数据对应的时空标识，时空标识用于指示第一人脸数据对应的时间段或第一人脸数据对应的空间位置；
统计模块43，用于根据各第一人脸数据对应的时空标识，分布式统计目标人员在各时间段或各空间位置下出现的次数。
在一种可能的实现方式中，第一确定模块41，包括：
第一确定子模块，用于根据目标人员的身份标识或轨迹集合标识，确定目标人员对应的多个第二人脸数据；
第二确定子模块，用于根据多个时间段或多个空间位置对多个第二人脸数据进行过滤，确定多个第一人脸数据。
在一种可能的实现方式中，时空标识包括时间标识，第一人脸数据中包括第一人脸数据对应的抓拍时刻；
第二确定模块42具体用于：
根据各第一人脸数据对应的抓拍时刻，确定各第一人脸数据对应的时间标识，其中，时间标识用于指示第一人脸数据对应的时间段。
在一种可能的实现方式中，统计模块43具体用于：
根据各第一人脸数据对应的时间标识，确定各时间标识对应的第一人脸数据的个数；
根据各时间标识对应的第一人脸数据的个数，分布式统计目标人员在各时间标识对应的时间段内出现的次数。
在一种可能的实现方式中，时空标识包括空间标识，第一人脸数据中包括第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识；
第二确定模块42具体用于：
根据各第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识，确定各第一人脸数据对应的空间标识，其中，空间标识用于指示第一人脸数据对应的空间位置。
在一种可能的实现方式中，统计模块43具体用于：
根据各第一人脸数据对应的空间标识，确定各空间标识对应的第一人脸数据的个数；
根据各空间标识对应的第一人脸数据的个数，分布式统计目标人员在各空间标识对应的空间位置出现的次数。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的行为分析方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的行为分析方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备的框图。如图5所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备的框图。如图6所示，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种行为分析方法，其特征在于，包括：
确定目标人员在目标时空范围下的多个第一人脸数据，其中，所述目标时空范围包括多个时间段或多个空间位置；
确定各所述第一人脸数据对应的时空标识，所述时空标识用于指示所述第一人脸数据对应的时间段或所述第一人脸数据对应的空间位置；
根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段或各所述空间位置下出现的次数。
2.根据权利要求1所述的方法，其特征在于，所述确定目标人员在目标时空范围下的多个第一人脸数据，包括：
根据所述目标人员的身份标识或轨迹集合标识，确定所述目标人员对应的多个第二人脸数据；
根据所述多个时间段或所述多个空间位置对所述多个第二人脸数据进行过滤，确定所述多个第一人脸数据。
3.根据权利要求1或2所述的方法，其特征在于，所述时空标识包括时间标识，所述第一人脸数据中包括所述第一人脸数据对应的抓拍时刻；
所述确定各所述第一人脸数据对应的时空标识，包括：
根据各所述第一人脸数据对应的抓拍时刻，确定各所述第一人脸数据对应的时间标识，其中，所述时间标识用于指示所述第一人脸数据对应的时间段。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段下出现的次数，包括：
根据各所述第一人脸数据对应的时间标识，确定各所述时间标识对应的所述第一人脸数据的个数；
根据各所述时间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述时间标识对应的时间段内出现的次数。
5.根据权利要求1或2所述的方法，其特征在于，所述时空标识包括空间标识，所述第一人脸数据中包括所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识；
所述确定各所述第一人脸数据对应的时空标识，包括：
根据各所述第一人脸数据对应的图像采集设备归属区域标识和图像采集设备标识，确定各所述第一人脸数据对应的空间标识，其中，所述空间标识用于指示所述第一人脸数据对应的空间位置。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述空间位置下出现的次数，包括：
根据各所述第一人脸数据对应的空间标识，确定各所述空间标识对应的所述第一人脸数据的个数；
根据各所述空间标识对应的所述第一人脸数据的个数，分布式统计所述目标人员在各所述空间标识对应的空间位置出现的次数。
7.一种行为分析装置，其特征在于，包括：
第一确定模块，用于确定目标人员在目标时空范围下的多个第一人脸数据，其中，所述目标时空范围包括多个时间段或多个空间位置；
第二确定模块，用于确定各所述第一人脸数据对应的时空标识，所述时空标识用于指示所述第一人脸数据对应的时间段或所述第一人脸数据对应的空间位置；
统计模块，用于根据各所述第一人脸数据对应的时空标识，分布式统计所述目标人员在各所述时间段或各所述空间位置下出现的次数。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括：
第一确定子模块，用于根据所述目标人员的身份标识或轨迹集合标识，确定所述目标人员对应的多个第二人脸数据；
第二确定子模块，用于根据所述多个时间段或所述多个空间位置对所述多个第二人脸数据进行过滤，确定所述多个第一人脸数据。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN202010608476.9A 2020-06-29 2020-06-29 行为分析方法及装置、电子设备和存储介质 Withdrawn CN111814630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010608476.9A CN111814630A (zh) 2020-06-29 2020-06-29 行为分析方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608476.9A CN111814630A (zh) 2020-06-29 2020-06-29 行为分析方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111814630A true CN111814630A (zh) 2020-10-23

Family

ID=72855641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608476.9A Withdrawn CN111814630A (zh) 2020-06-29 2020-06-29 行为分析方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111814630A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800176A (zh) * 2020-12-23 2021-05-14 电信科学技术第十研究所有限公司 一种基于身份标识和终端标识的组织成员挖掘方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800176A (zh) * 2020-12-23 2021-05-14 电信科学技术第十研究所有限公司 一种基于身份标识和终端标识的组织成员挖掘方法及装置
CN112800176B (zh) * 2020-12-23 2024-02-06 电信科学技术第十研究所有限公司 一种基于身份标识和终端标识的组织成员挖掘方法及装置

Similar Documents

Publication Publication Date Title
US20210089799A1 (en) Pedestrian Recognition Method and Apparatus and Storage Medium
CN110942036B (zh) 人员识别方法及装置、电子设备和存储介质
CN111814629A (zh) 人员检测方法及装置、电子设备和存储介质
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN110502651B (zh) 图像处理方法及装置、电子设备和存储介质
WO2021093375A1 (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN109543536B (zh) 图像标识方法及装置、电子设备和存储介质
CN111274426A (zh) 类别标注方法及装置、电子设备和存储介质
CN112101238A (zh) 聚类方法及装置、电子设备和存储介质
JP2022511402A (ja) 来訪者情報管理方法及び装置、電子機器、並びに記憶媒体
CN109635142B (zh) 图像选择方法及装置、电子设备和存储介质
CN110175546B (zh) 图像处理方法及装置、电子设备和存储介质
CN112911239B (zh) 视频处理方法及装置、电子设备和存储介质
CN113688729B (zh) 一种行为识别方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN111523346A (zh) 图像识别方法及装置、电子设备和存储介质
CN111814627B (zh) 人员检测方法及装置、电子设备和存储介质
WO2022227562A1 (zh) 身份识别方法及装置、电子设备、存储介质和计算机程序产品
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN113722541A (zh) 视频指纹的生成方法及装置、电子设备和存储介质
CN110929545A (zh) 人脸图像的整理方法及装置
CN111651627A (zh) 数据处理方法及装置、电子设备和存储介质
CN111625671A (zh) 数据处理方法及装置、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201023