CN111814763A - 一种基于跟踪序列的无感考勤和制服识别方法 - Google Patents
一种基于跟踪序列的无感考勤和制服识别方法 Download PDFInfo
- Publication number
- CN111814763A CN111814763A CN202010866829.5A CN202010866829A CN111814763A CN 111814763 A CN111814763 A CN 111814763A CN 202010866829 A CN202010866829 A CN 202010866829A CN 111814763 A CN111814763 A CN 111814763A
- Authority
- CN
- China
- Prior art keywords
- uniform
- face
- human body
- human
- matching
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于跟踪序列的无感考勤和制服识别方法,首先利用部署在出入口的至少一个摄像机拍摄访问人员,然后采用人脸识别技术、人体检测技术、制服识别技术以及相应的人体人脸跟踪匹配技术来完成人员身份识别和制服识别,最后将识别结果上传后台系统,并进行相应的信息记录。当员工或者学生进出时,摄像头将及时获取人员脸部信息并上传至系统,系统通过人脸比对分析出人员身份信息。同时,为了满足企业或者学校的特殊需求,通过摄像头自动识别出访问人员所穿的制服类型,分析其是否按照规定穿着相应的制服。本发明可靠性高、实用性好。
Description
技术领域
本发明涉及视频监控技术领域,特别地,涉及一种基于跟踪序列的无感考勤和制服识别方法。
背景技术
随着科学技术的快速发展,人工智能技术在现实社会中存在应用的越来越多。人工智能的初衷在于优化用户体验,降低不必要的人工成本,将繁琐的事情交给机器来做,从而提高工作和服务效率。人工智能技术的一个传统应用就是现在是工业社会的考勤签到。出于现代企业或者学校等管理需求,我们要对员工或者学生进行考勤签到或者制服(校服)识别。例如,在企业或者学校中,我们要对员工(学生)的按时上下班(上放学)进行签到打卡,同时也可能需要对员工(学生)是否穿着规范的制服进行监控。
现有的比较成熟的签到技术是指纹识别,其已广泛应用于现实社会中。然而,随着科学技术的升级,考勤产品更新迭代,指纹考勤的弊病也就愈发明显。由于指纹打卡需要接触机器,因此常常出现识别失灵的情况,再者遇到上下班打卡高峰期,打卡机前排队等候不可避免,影响员工打卡体验。而基于计算机视觉和模式识别技术的人脸识别,恰好由于其具有非接触性,无需人体接触机器,通过刷脸便可识别身份,成为新一代的考勤签到方法。
传统的基于人脸识别的考勤方法,需要员工站在摄像头面前固定位置,或者以固定姿势面对摄像头,虽然仍具有非接触性,但依然存在诸多不便。
发明内容
本发明的目的在于提供一种基于跟踪序列的无感考勤和制服识别方法,能对访问人员进行无感、无接触式的实时考勤和制服识别,以满足企业或者学校等对确认访问人员身份信息和制服信息的需求,提供高效优质的服务。
为实现上述目的,本发明提供了一种基于跟踪序列的无感考勤和制服识别方法,包括以下步骤:
步骤1:在待监控区域的出入口布置至少一个摄像头,至少一个摄像头用于对准出入口进行拍摄,从而获取包含访问人员信息的视频流;
步骤2:采用目标检测和人脸检测识别方法,分别检测出视频流中访问人员的人体、人头和人脸的位置,并且获得人脸识别结果;
步骤3:将步骤2中获得的目标访问人员的人脸识别结果与后台人脸数据库进行对比,并将比对结果上传到后台系统;所述后台人脸数据库中记录了每名员工或者学生的正面上下左右中至少5张图像;
步骤4:对视频流中检测到的访问人员进行持续人体跟踪;
步骤5:计算人体目标之间的相互遮挡程度;在给定全部人体的矩形框后,计算某一人体A被遮挡程度的具体计算方法是:依次遍历其它人体矩形框,将A的人体矩形框与其它人体矩形框一一进行判断,并根据两个矩形框下边缘的上下位置关系来判断A与该其它人体的相互遮挡关系,下边缘在下方的矩形遮挡下边缘在上方的矩形;如果A的矩形框下边缘在该其它人体矩形框的矩形框下边缘上方,则A被该其它人体遮挡,将遮挡的部位予以标记,反之则A不被遮挡;遍历完所有其它人体矩形框后,将A的矩形框中被标记为遮挡的区域面积比上矩形框面积即可得到A被遮挡的程度;
步骤6:进行制服识别;利用目标检测方法,具体是yolo模型直接检测各类制服,其中各类制服已由公司或者单位预先训练好;在训练时,收集员工穿着制服的图像以及员工穿着便装的图像作为训练样本,其中制服要覆盖该公司或单位需要识别的全部制服类型;标记的目标类型包括各类制服以及便服;
步骤7:将检测出的人体矩形框与制服检测矩形框根据重合度进行匹配关联;
步骤8:进行人头、人体、制服关联;
步骤9:最终得到最终的访问人员身份信息和制服信息,并进行信息记录。
进一步的,所述步骤2中采用目标检测方法,具体是Yolo模型对人体和人头进行检测,采用人脸检测识别方法,具体是Intel VAS算法对人脸进行检测。
进一步的,所述步骤3中计算待识别人脸图像与后台人脸数据库中每个人的至少5张图像的匹配度,最大值作为与该目标访问人员的匹配度;最后取与所有人匹配度的最大值,若该值大于设定好的阈值,则识别出目标访问人员的人脸和其对应的身份信息,否则为访客。
进一步的,所述步骤4中对视频流中检测到的目标访问人员进行持续跟踪的具体做法为:
1)将检测到的人头和人脸根据重合度进行匹配关联,忽略那些只检测出人体但无人头或者人脸的目标;
2)将匹配好的人头、人脸整体目标作为跟踪主体,跟踪采用的方法是将当前跟踪的目标与当前帧检测到的目标进行匹配关联,匹配关联所用到的相似度准则是重合度以及矩形形状,匹配关联方法是匈牙利指派方法;
3)若目标检测出人脸,且该人脸在步骤3中已获得相应的身份信息,则该身份信息也用于跟踪目标的匹配,即将拥有相同人脸识别结果的目标关联在一起。
进一步的,所述步骤5中标记矩形框遮挡部位的具体做法是:先定义一张图像,其大小为矩形框大小,像素值设为255,被遮挡时将图像中被遮挡矩形区域的像素值置为0;再计算被遮挡程度即统计图像中像素值为0的像素个数所占的比例。
进一步的,所述步骤6中的制服为学校中学生的不同款式的校服;或者为企业中的不同款式的厂服;或者为军队中的夏常服、春秋常服、荒漠迷彩服或丛林迷彩服。
进一步的,所述步骤8中将人头和人体关联匹配起来,就可以同时获得访客的全部信息;进行人头、人体、制服关联匹配的具体方法为:计算人头和人体的矩形框的重复度,采用匈牙利指派方法进行匹配。
进一步的,所述步骤9中,当出现了人名的时候,立即上报人名;如果到了人消失的时候仍然是访客的话,则上报访客。
进一步的,所述步骤9中,统计各类型制服的次数,如果任意一类制服出现次数超过预设次数,则上报该制服类型;如果到了人消失的时候,还没达到上报制服的条件时,最后会报数量最多的制服类型。
相比于现有技术,本发明具有以下有益效果:
本发明首先利用部署在出入口的摄像机拍摄访问人员信息,然后采用人脸识别技术、人体识别技术、制服识别技术以及相应的人体人脸跟踪匹配技术来完成人员身份识别和制服识别,最后将识别结果上传后台系统,并进行相应的信息记录。本发明基于跟踪序列的无感考勤和制服识别方法,当员工或者学生进出时,摄像头将及时获取人员脸部信息并上传至系统,系统通过人脸比对分析出人员身份信息。同时,为了满足企业或者学校的特殊需求,通过摄像头自动识别访问人员所穿的制服类型,分析其是否按照规定穿着相应的制服。本发明可靠性高、实用性好。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一种基于跟踪序列的无感考勤和制服识别方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
参见图1,一种基于跟踪序列的无感考勤和制服识别方法,其包括以下步骤:
步骤1:在待监控区域的出入口部署至少一个摄像头,至少一个摄像头用于对准出入口进行拍摄,从而获取包含访问人员信息的视频流,该视频流用于下一步分析处理。具体地,若出入口的范围较小,则可在出入口仅部署一个摄像头;若出入口的范围较大,则需要在出入口部署一个以上摄像头,以保证能够多角度全方位拍摄出入口。
步骤2:采用目标检测和人脸检测识别方法,分别检测出视频流中访问人员的人体、人头和人脸的位置,并且获得人脸识别结果;具体是采用Yolo模型对人体和人头进行检测,采用Intel VAS算法对人脸进行检测。
步骤3:将步骤2中获得的访问人员的人脸识别结果与后台人脸数据库进行对比,并将比对结果上传到后台系统;后台人脸数据库中记录了每名员工或者学生的正面上下左右中至少5张图像;计算待识别人脸图像与后台人脸数据库中每个人的至少5张图像的匹配度,最大值作为与该目标访问人员的匹配度;最后取与所有人匹配度的最大值,若该值大于设定好的阈值,则识别出目标访问人员的人脸和其对应的身份信息,否则为访客。对于检测到的人脸有两种识别结果:要么为相应的员工或者工作人员,要么为访客。
步骤4:对视频流中检测到的访问人员进行持续人体跟踪;具体做法为:1)将检测到的人头和人脸根据重合度进行匹配关联,忽略那些只检测出人体但无人头或者人脸的目标;2)将匹配好的人头、人脸整体目标作为跟踪主体,跟踪采用的方法是将当前跟踪的目标与当前帧检测到的目标进行匹配关联,匹配关联所用到的相似度准则是重合度以及矩形形状,匹配关联方法是匈牙利指派方法;3)若目标检测出人脸,且该人脸在步骤3中已获得相应的身份信息,则该身份信息也用于跟踪目标的匹配,即将拥有相同人脸识别结果的目标关联在一起。
步骤5:计算人体目标之间的相互遮挡程度,该步骤将服务于后面的制服识别。由于视频流中可能出现多人同时进出的场景,因此多个行人之间很容易出现遮挡情况,该遮挡情况将对后续的制服识别造成困难。在给定全部人体的矩形框后,计算某一人体A被遮挡程度的具体计算方法是:依次遍历其它人体矩形框,例如B的人体矩形框,根据两个矩形框下边缘的上下位置关系来判断A与B的相互遮挡关系,下边缘在下方的矩形遮挡下边缘在上方的矩形;如果A的矩形框下边缘在B的矩形框下边缘上方,则A被B遮挡,将遮挡的部位予以标记,反之则A不被遮挡;遍历完所有其它人体矩形框后,将A的矩形框中被标记为遮挡的区域面积比上矩形框面积即可得到A被遮挡的程度;标记矩形框遮挡部位的具体做法是:先定义一张图像,其大小为矩形框大小,像素值设为255,被遮挡时将图像中被遮挡矩形区域的像素值置为0;再计算被遮挡程度即统计图像中像素值为0的像素个数所占的比例。
步骤6:进行制服识别;具体做法为利用yolo模型直接检测各类制服,其中各类制服已由公司或者单位预先训练好;在训练时,收集员工穿着制服的图像以及员工穿着便装的图像作为训练样本,其中制服要覆盖该公司或单位需要识别的全部制服类型;标记的目标类型包括各类制服以及便服。这些制服例如:为学校中学生的不同款式的校服,或者为企业中的不同款式的厂服;或者为军队中的夏常服、春秋常服、荒漠迷彩服、丛林迷彩服等。同时,由于访客可能身穿多种衣服,该步骤也将提供制服种类及个数的统计情况,上传给后台系统。
步骤7:将检测出的人体矩形框与制服检测矩形框根据重合度进行匹配关联。需要说明的是:对那些遮挡度比较高的人体矩形框将不参与匹配,因为其遮挡过多,通常意味着其前面存在障碍物,故制服检测结果为其前面遮挡物的检测结果,故不参与匹配。
步骤8:进行人头、人体、制服关联;获取进入的访问人员其具体身份信息和制服穿着情况,人头人脸表明了身份信息,人体制服表明了服装信息,将人头和人体关联匹配起来,可以同时获得访客的全部信息。具体匹配方法为,计算人头和人体的矩形框的重复度,采用匈牙利指派方法进行匹配。
步骤9:最终得到最终的访问人员身份信息和制服信息,并进行上报。对于姓名,当出现了人名的时候,立即上报人名;如果到了人消失的时候仍然是访客的话,则上报访客。对于制服情况,统计各类型服装的次数,如果任意一类制服出现次数超过预设次数,则上报该制服类型;如果到了人消失的时候,还没达到上报制服的条件时,最后会报数量最多的制服类型。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于跟踪序列的无感考勤和制服识别方法,其特征在于,包括以下步骤:
步骤1:在待监控区域的出入口布置至少一个摄像头,至少一个摄像头用于对准出入口进行拍摄,从而获取包含访问人员信息的视频流;
步骤2:采用目标检测和人脸检测识别方法分别检测出视频流中访问人员的人体、人头和人脸的位置,并且获得人脸识别结果;
步骤3:将步骤2中获得的访问人员的人脸识别结果与后台人脸数据库进行对比,并将比对结果上传到后台系统;所述后台人脸数据库中记录了每名员工或者学生的正面上下左右中至少5张图像;
步骤4:对视频流中检测到的访问人员进行持续人体跟踪;
步骤5:计算人体目标之间的相互遮挡程度;在给定全部人体的矩形框后,计算某一人体A被遮挡程度的具体计算方法是:依次遍历其它人体矩形框,将A的人体矩形框与其它人体矩形框一一进行判断,并根据两个矩形框下边缘的上下位置关系来判断A与该其它人体的相互遮挡关系,下边缘在下方的矩形遮挡下边缘在上方的矩形;如果A的矩形框下边缘在该其它人体矩形框的矩形框下边缘上方,则A被该其它人体遮挡,将遮挡的部位予以标记,反之则A不被遮挡;遍历完所有其它人体矩形框后,将A的矩形框中被标记为遮挡的区域面积比上矩形框面积即可得到A被遮挡的程度;
步骤6:进行制服识别;利用目标检测方法,具体是yolo模型直接检测各类制服,其中各类制服已由公司或者单位预先训练好;在训练时,收集员工穿着制服的图像以及员工穿着便装的图像作为训练样本,其中制服要覆盖该公司或单位需要识别的全部制服类型;标记的目标类型包括各类制服以及便服;
步骤7:将检测出的人体矩形框与制服检测矩形框根据重合度进行匹配关联;
步骤8:进行人头、人体、制服关联;
步骤9:最终得到最终的访问人员身份信息和制服信息,并进行信息记录。
2.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤2中采用目标检测方法,具体是Yolo模型对人体和人头进行检测,采用人脸检测识别方法,具体是Intel VAS算法对人脸进行检测。
3.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤3中,计算待识别人脸图像与后台人脸数据库中每个人的至少5张图像的匹配度,最大值作为与该目标访问人员的匹配度;最后取与所有人匹配度的最大值,若该值大于设定好的阈值,则识别出目标访问人员的人脸和其对应的身份信息,否则为访客。
4.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤4中对视频流中检测到的目标访问人员进行持续跟踪的具体做法为:
1)将检测到的人头和人脸根据重合度进行匹配关联,忽略那些只检测出人体但无人头或者人脸的目标;
2)将匹配好的人头、人脸整体目标作为跟踪主体,跟踪采用的方法是将当前跟踪的目标与当前帧检测到的目标进行匹配关联,匹配关联所用到的相似度准则是重合度以及矩形形状,匹配关联方法是匈牙利指派方法;
3)若目标检测出人脸,且该人脸在步骤3中已获得相应的身份信息,则该身份信息也用于跟踪目标的匹配,即将拥有相同人脸识别结果的目标关联在一起。
5.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤5中标记矩形框遮挡部位的具体做法是:先定义一张图像,其大小为矩形框大小,像素值设为255,被遮挡时将图像中被遮挡矩形区域的像素值置为0;再计算被遮挡程度即统计图像中像素值为0的像素个数所占的比例。
6.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤6中的制服为学校中学生的不同款式的校服;或者为企业中的不同款式的厂服;或者为军队中的夏常服、春秋常服、荒漠迷彩服或丛林迷彩服。
7.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤8中将人头和人体关联匹配起来,就可以同时获得访客的全部信息;进行人头、人体、制服关联匹配的具体方法为:计算人头和人体的矩形框的重复度,采用匈牙利指派方法进行匹配。
8.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤9中,当出现了人名的时候,立即上报人名;如果到了人消失的时候仍然是访客的话,则上报访客。
9.根据权利要求1所述的无感考勤和制服识别方法,其特征在于,所述步骤9中,统计各类型制服的次数,如果任意一类制服出现次数超过预设次数,则上报该制服类型;如果到了人消失的时候,还没达到上报制服的条件时,最后会报数量最多的制服类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866829.5A CN111814763B (zh) | 2020-08-26 | 2020-08-26 | 一种基于跟踪序列的无感考勤和制服识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866829.5A CN111814763B (zh) | 2020-08-26 | 2020-08-26 | 一种基于跟踪序列的无感考勤和制服识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814763A true CN111814763A (zh) | 2020-10-23 |
CN111814763B CN111814763B (zh) | 2021-01-08 |
Family
ID=72859139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010866829.5A Active CN111814763B (zh) | 2020-08-26 | 2020-08-26 | 一种基于跟踪序列的无感考勤和制服识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814763B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650071A (zh) * | 2020-12-21 | 2021-04-13 | 四川奇力韦创新科技有限公司 | 一种基于人工智能的智能决策系统与方法 |
CN113139790A (zh) * | 2021-04-23 | 2021-07-20 | 上海中通吉网络技术有限公司 | 一种快递业务员的考勤管理方法及其系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
WO2011096651A2 (ko) * | 2010-02-05 | 2011-08-11 | 주식회사 에스원 | 얼굴 식별 방법 및 그 장치 |
CN104182725A (zh) * | 2013-05-28 | 2014-12-03 | 天津点康科技有限公司 | 基于非接触人体生理参数测量的人脸识别跟踪系统 |
CN106599866A (zh) * | 2016-12-22 | 2017-04-26 | 上海百芝龙网络科技有限公司 | 一种多维度用户身份识别方法 |
CN107730681A (zh) * | 2017-10-16 | 2018-02-23 | 长春北电软件有限公司 | 一种校园安全保障智能化监管预警系统 |
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN111080553A (zh) * | 2019-12-13 | 2020-04-28 | 上海展扬通信技术有限公司 | 图片优化处理方法、装置、设备及可读存储介质 |
CN111553327A (zh) * | 2020-05-29 | 2020-08-18 | 上海依图网络科技有限公司 | 一种服饰识别方法、装置、设备和介质 |
-
2020
- 2020-08-26 CN CN202010866829.5A patent/CN111814763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
WO2011096651A2 (ko) * | 2010-02-05 | 2011-08-11 | 주식회사 에스원 | 얼굴 식별 방법 및 그 장치 |
CN104182725A (zh) * | 2013-05-28 | 2014-12-03 | 天津点康科技有限公司 | 基于非接触人体生理参数测量的人脸识别跟踪系统 |
CN106599866A (zh) * | 2016-12-22 | 2017-04-26 | 上海百芝龙网络科技有限公司 | 一种多维度用户身份识别方法 |
CN107730681A (zh) * | 2017-10-16 | 2018-02-23 | 长春北电软件有限公司 | 一种校园安全保障智能化监管预警系统 |
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN111080553A (zh) * | 2019-12-13 | 2020-04-28 | 上海展扬通信技术有限公司 | 图片优化处理方法、装置、设备及可读存储介质 |
CN111553327A (zh) * | 2020-05-29 | 2020-08-18 | 上海依图网络科技有限公司 | 一种服饰识别方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
公安部第三研究所: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650071A (zh) * | 2020-12-21 | 2021-04-13 | 四川奇力韦创新科技有限公司 | 一种基于人工智能的智能决策系统与方法 |
CN112650071B (zh) * | 2020-12-21 | 2023-01-13 | 道亿科技医疗健康(海南)有限公司 | 一种基于人工智能的智能决策系统与方法 |
CN113139790A (zh) * | 2021-04-23 | 2021-07-20 | 上海中通吉网络技术有限公司 | 一种快递业务员的考勤管理方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111814763B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711370B (zh) | 一种基于wifi探测和人脸聚类的数据融合方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN108256459A (zh) | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN111814763B (zh) | 一种基于跟踪序列的无感考勤和制服识别方法 | |
US12039803B2 (en) | Techniques for automatically identifying secondary objects in a stereo-optical counting system | |
CN113033293A (zh) | 一种出入口管理设备、系统和方法 | |
CN112257660B (zh) | 无效客流的去除方法、系统、设备及计算机可读存储介质 | |
CN105844649A (zh) | 一种人数统计方法和装置及系统 | |
CN115861940B (zh) | 基于人体跟踪及识别技术的工作场景行为评估方法及系统 | |
CN111460985A (zh) | 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 | |
CN106326835A (zh) | 一种用于加油站便利店的人脸数据采集统计系统及方法 | |
CN106778637B (zh) | 一种对男女客流的统计方法 | |
CN111353338A (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
WO2022134916A1 (zh) | 身份特征生成方法、设备及存储介质 | |
CN114581990A (zh) | 一种跑步智能测试方法以及装置 | |
EP3834125A1 (en) | System and method for detecting, tracking and counting human objects of interest with an improved height calculation | |
CN112532927A (zh) | 一种施工现场智能安全管控系统 | |
CN111723725A (zh) | 一种基于视频ai多维分析系统 | |
Casuat et al. | Deep-hart: An inference deep learning approach of hard hat detection for work safety and surveillance | |
CN108647662A (zh) | 一种自动检测人脸的方法及系统 | |
CN210924599U (zh) | 实时识别运动中人员身份的装置 | |
CN111832451A (zh) | 基于视频数据处理的适航监察流程监管系统及方法 | |
CN113496200A (zh) | 数据处理方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230904 Address after: 518118 513, building B, shenfubao modern optical factory, No. 14, Jinxiu Middle Road, xiuxin community, Kengzi street, Pingshan District, Shenzhen, Guangdong Province Patentee after: Shenzhen Ruiyang Jingshi Technology Co.,Ltd. Address before: Room 802, building 1, Xiangyu wisdom, No. 579, Station North Road, Dongfeng Road, Kaifu District, Changsha City, Hunan Province Patentee before: CHANGSHA PENGYANG INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |