CN111931567B - 人体识别的方法及装置、电子设备、存储介质 - Google Patents
人体识别的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111931567B CN111931567B CN202010622106.0A CN202010622106A CN111931567B CN 111931567 B CN111931567 B CN 111931567B CN 202010622106 A CN202010622106 A CN 202010622106A CN 111931567 B CN111931567 B CN 111931567B
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- video data
- information
- target
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 210000004258 portal system Anatomy 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 210000003414 extremity Anatomy 0.000 description 21
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人体识别的方法及装置、电子设备、存储介质，其中，方法包括：接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；依据所述请求确定对应的待测视频数据；所述待测视频数据包括多个视频帧；对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；依据所述区域图像和所述人体数量值，得到人群密度值。本申请实施例实现了通过门户系统调用人体服务平台对应的服务接口，即可得到待测视频数据中的人群密度值，便于用户依据人群密度值执行相应的预案措施，确保人群聚集分析结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及人体识别的方法及装置、电子设备、存储介质。
背景技术
由于大规模人群聚集而发生的危害性事件屡有发生，人群聚集风险愈发突出，已成为政府和社会关注的城市公共安全重要问题之一。目前相关部门已针对大规模人群聚集制定了严格的预案措施，最为关键的是如何即使发现聚集场景，以及如何判断聚集场景是否会对公共安全造成影响。
随着计算机技术的发展，图像识别技术应用越来越广泛，其中人体识别技术即为一种图像识别技术，可以对视频中的人体对象进行检测，将检测结果中人体对象的数量超过一定阈值时，确定存在人群聚集；该方法准确性较差，例如当人体对象的数量超过一定阈值，但人体对象为分散分布时，实际上并不能将其认定为人群聚集，而采用上述的方法则会错误地判断为人群聚集。再者，现有技术中，对不同摄像机拍摄的监控录像缺乏统一管理的功能，当需要查看多个监控录像时，需要挨个调取，效率低下。
发明内容
鉴于上述问题，提出了本申请以便提供克服上述问题或者至少部分地解决上述问题的人体识别的方法及装置、电子设备、存储介质，包括：
一种人体识别的方法，应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布；所述方法包括：
接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
依据所述请求获取对应的待测视频数据；所述待测视频数据包括多个视频帧；
对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；
对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
依据所述区域图像和所述人体数量值，得到人群密度值。
可选地，所述对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像的步骤，包括：
对所述视频帧进行人体框检测，确定所述视频帧中的人体框，并将所述人体框框选的区域确定为与视频帧对应的区域图像。
可选地，所述依据所述区域图像和所述人体数量值，得到人群密度值的步骤，还包括：
当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
可选地，所述方法还包括：
当所述人群密度值大于预设阈值时，输出告警信息。
可选地，所述当所述人群密度值大于预设阈值时，输出告警信息的步骤，还包括：
当所述人群密度值大于预设阈值时，对所述区域图像进行姿态识别，得到所述区域图像的多个姿态信息；
判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息；
若是，则输出告警信息。
可选地，在所述判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息的步骤之后，还包括：
提取所述目标姿态信息对应的目标人体图像；
将所述目标人体图像分割成若干个图像块；
采用与所述图像块对应的属性学习模型对所述图像块进行识别，得到与所述目标人体图像对应的属性信息；
依据所述目标人体图像和对应的属性信息，生成属性信息表。
可选地，所述方法还包括：
接收属性信息查询指令；
判断所述属性信息表中是否存在符合所述属性信息查询指令的第一目标人体图像；
若是，则确定所述第一目标人体图像在所述待测视频数据中所对应的时间点；
基于所述时间点处理所述待测视频数据，以获取与所述第一目标人体图像关联的视频数据片段。
一种人体识别的装置，应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布；所述装置包括：
第一接收模块，用于接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
数据获取模块，用于依据所述请求获取对应的待测视频数据；所述待测视频数据包括多个视频帧；
区域选择模块，用于对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；
数量计算模块，用于对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
密度确定模块，用于依据所述区域图像和所述人体数量值，得到人群密度值。
可选地，所述区域选择模块包括：
人体框检测子模块，用于对所述视频帧进行人体框检测，确定所述视频帧中的人体框，并将所述人体框框选的区域确定为与视频帧对应的区域图像。
可选地，所述密度确定模块包括：
人体数量限定子模块，用于当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
可选地，所述装置还可以包括：
信息告警模块，用于当所述人群密度值大于预设阈值时，输出告警信息。
可选地，所述信息告警模块还可以包括：
姿态识别子模块，用于当所述人群密度值大于预设阈值时，对所述区域图像进行姿态识别，得到所述区域图像的多个姿态信息；
姿态判断子模块，用于判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息；
告警输出子模块，用于当所述多个姿态信息中存在与预设的危险姿态信息匹配的目标姿态信息时，输出告警信息。
可选地，所述装置还包括：
图像提取模块，用于提取所述目标姿态信息对应的目标人体图像；
图像分割模块，用于将所述目标人体图像分割成若干个图像块；
图像识别模块，用于采用与所述图像块对应的属性学习模型对所述图像块进行识别，得到与所述目标人体图像对应的属性信息；
属性生成模块，用于依据所述目标人体图像和对应的属性信息，生成属性信息表。
可选地，所述装置还包括：
第二接收模块，用于接收属性信息查询指令；
信息判断模块，用于判断所述属性信息表中是否存在符合所述属性信息查询指令的第一目标人体图像；
时间点获取模块，用于当所述属性信息表中存在符合所述属性信息查询指令的第一目标人体图像时，确定所述第一目标人体图像在所述待测视频数据中所对应的时间点；
片段获取模块，用于基于所述时间点处理所述待测视频数据，以获取与所述第一目标人体图像关联的视频数据片段。
一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；依据所述请求确定对应的待测视频数据；所述待测视频数据包括多个视频帧；对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；依据所述区域图像和所述人体数量值，得到人群密度值；从而实现通过门户系统调用人体服务平台对应的服务接口，即可得到待测视频数据中的人群密度值，便于用户依据人群密度值执行相应的预案措施，确保人群聚集分析结果的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请的一种人体识别的方法的步骤流程图；
图2为本申请的一种人体识别的装置的结构框图
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例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。
参照图1，示出了本申请一实施例提供的一种人体识别的方法，该方法应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布。
门户系统是指通向某类综合性互联网信息资源并提供有关信息服务的应用系统，是一种提供应用程序和信息单点访问的网页站点，它对提供给用户的复杂多样的信息和服务进行提炼，简化成一个满足用户需求和利益的单一界面，是用于集成“其他”应用、内容和流程的用户界面架构。门户系统部署有多个服务平台，其中包括用于对视频数据进行人体识别的人体识别服务平台。上述人体识别服务平台根据业务需求，将数据业务逻辑封装成API(Application Programming Interface，应用程序接口)服务，注册到门户系统的统一服务网关并发布。通过统一服务网关基本可以实现国内所有网络无障碍交互访问。门户系统对应的用户可以通过网关调用对应服务平台的API服务，进而实现对对应服务平台的服务功能的调用。
该方法具体可以包括：
步骤101，接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
步骤102，依据所述请求获取对应的待测视频数据；所述待测视频数据包括多个视频帧；
步骤103，对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；
步骤104，对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
步骤105，依据所述区域图像和所述人体数量值，得到人群密度值。
在本申请的实施例中，通过接收登陆门户系统的用户通过统一服务网关发送的调用服务接口的请求；依据请求确定对应的待测视频数据；待测视频数据包括多个视频帧；对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；对区域图像进行肢体部位检测，并基于肢体部位检测的结果计算对应的人体数量值；依据区域图像和人体数量值，得到人群密度值；从而实现通过门户系统调用人体服务平台对应的服务接口，即可得到待测视频数据中的人群密度值，便于用户依据人群密度值执行相应的预案措施，确保人群聚集分析结果的准确性。
下面，将对本示例性实施例中人体识别的方法作进一步地说明。
在步骤101中，接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求。
本实施例中，门户系统将多个服务平台的入口集成起来，门户系统的统一服务网关发布有与人体识别服务平台提供的服务接口对应的入口，通过该入口可以向人体识别服务平台发送调用服务接口的请求。在实际应用场景中，门户系统可以供地方政府、企业、学校等有监控需求的单位同时使用，并且根据实际需求，可以为不同的单位提供不同的内容，以及，可以为同一个单位的不同用户提供不同的内容。为了加强监控管理，需要对登陆门户系统的用户进行权限限定，例如，可以在门户系统的登陆界面对用户进行身份验证，只有身份验证通过的用户，才有权限登陆门户系统和调用相关的服务平台的服务功能；或者在发送调用服务接口请求的界面对用户进行身份验证，只有身份验证通过的用户，才有权限通过统一服务网关发送调用服务接口请求。人体识别服务平台可以提供数据接入服务负责多媒体数据的接入、编转码；实时视频的播放；接入数据源的上下线管理。实现标准化的数据接入、数据解析、数据转发和数据管理；可以理解，即人体识别服务平台可以接入多个监控拍摄终端。
上述请求可以包括路径信息，该路径信息即为待测视频数据的路径，待测视频数据可以是即时拍摄的视频数据，也可以是已完成拍摄的视频数据等。具体地，当待测视频数据为即时拍摄的视频数据时，通过视频采集终端实时拍摄得到视频数据，并将视频数据同步保存或上传到特定路径下，该特定路径即为上述请求包括的路径信息。当待测视频数据为已完成拍摄的视频数据时，则可以是将以完成拍摄的视频数据保存到上述特定路径下；本实施例采用一种方式即可调取多个待测视频数据，实现了多视频数据的统一管理。
在步骤102中，依据所述请求获取对应的待测视频数据；所述待测视频数据包括多个视频帧。
当人体识别服务平台接收调用人体识别服务平台的服务接口的请求时，可以从请求携带的路径信息中获取在该路径信息下保存的待测视频数据，待测视频数据包括多个连续的视频帧，每个视频帧都对应一个视频图像。需要说明的是，在同一个路径信息下可以保存多个待测视频数据，当同一个路径信息下保存多个待测视频数据时，可以同时对每个待测视频数据执行如下所述的处理步骤。
在步骤103中，对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像。
可以理解，区域图像为对应视频帧中存在人体的部分图像。
在一可选实施例中，对视频帧进行区域选择，得到与视频帧对应的区域图像的步骤，可以包括：
对所述视频帧进行人体框检测，确定所述视频帧中的人体框，并将所述人体框框选的区域确定为与视频帧对应的区域图像。
人体框检测是用于检测视频帧中是否存在人体图像，当存在时，用人体框框选出视频帧中的人体图像；人体框可以用于指示人体在视频图像中的位置，且一个人体框用于框选一个人体图像。在本实施例中，可以利用现有人体检测模型对待测视频数据的每个视频帧进行人体框检测，确定每个视频帧中的多个人体框的框选区域，得到每个视频帧的区域图像。具体地，当待测视频数据为即时视频数据时，可以对当前视频帧进行人体框检测；当待测视频数据为已完成拍摄的视频数据时，可以从待测视频数据的第一个视频帧或用户指定的视频帧开始进行人体框检测。当一个视频帧中包含多个人体框时，多个人体框框选的区域集合即为该视频帧的区域图像。需要说明的是，当多个人体框之间存在重叠时，重叠部分不能重复计算，即视频帧的区域图像为多个人体框框选的区域的并集。
在另一可选实施例中，对视频帧进行区域选择，得到与视频帧对应的区域图像的步骤，可以包括：
获取与待测视频数据对应的背景图像；
依据背景图像对视频帧进行处理，得到与视频帧对应的区域图像。
待测视频数据可以有固定的拍摄范围，当上述固定的拍摄范围内不存在人体时得到的图像即为背景图像。上述背景图像可以从预设数据库中获取得到，该预设数据库中可以存储多个背景图像，以及每个背景图像和对应的视频数据的映射关系，通过待测视频数据的信息和映射关系，可以获得对应的背景图像。或者，上述背景图像也可以通过计算待测视频数据中的若干个视频帧的平均图像得到。本实施例通过将每个视频帧与背景图像做差，即将每个视频帧中与背景图像像素相同的部分删除，剩余的部分即为区域图像；也可以认为是将每个视频帧中与背景图像像素不同的部分抽取出来，作为区域图像。需要说明的是，在其他实施例中，还可以通过人为指定的方式确定区域图像，例如，指定待测视频数据的某一个固定范围作为区域图像；等。
在步骤104中，对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值。
在人群聚集场景中，并不是整个视频帧都为人群聚集区域，因此，通过对视频帧进行区域选择，得到对应的区域图像，进而对区域图像进行肢体部位检测，得到人体数量值，可以有效减少肢体部位检测时的数据处理量，提高肢体部位检测的效率。
在一可选实施例中，上述肢体部位检测具体为头肩检测，将区域图像输入训练好的头肩检测模型中，通过头肩检测模型输出头肩检测结果，再根据输出的头肩检测结果计算对应的人体数量值。具体地，头肩检测模型可以检测出区域图像中符合人体头肩比例的头肩框，并在区域图像中标识出头肩框；可以认为，区域图像中一个人体对应一个头肩框；通过计算区域图像中的头肩框的数量，可以确定区域图像中的人体数量值。需要说明的是，在其他实施例中，也可以通过对区域图像进行人脸检测或者头部检测的方式，得到对应的检测结果，并依据检测结果计算区域图像的人体数量值，等。
在步骤105中，依据所述区域图像和所述人体数量值，得到人群密度值。
本实施例中，可以将区域图像和人体数量值输入训练好的人群密度检测模型中，通过人群密度检测模型输出对应的人群密度值。可以理解，区域图像的像素数量和人体数量值与人群密度值存在一定的关联关系，一般情况下，当区域图像中的人体重叠部分越多，说明人群越密集，人群密度值就越大，对应的人体数量值与区域图像的像素数量的比值越大。由于区域图像的像素数量还与距离拍摄的摄像头的距离存在关联关系，一般情况下，距离摄像头越远，相同人群密度值的区域图像的像素数量越少；反之，距离摄像头越近，相同人群密度值的区域图像的像素数量越多。基于以上场景，可以采用深度学习技术预先训练得到人群密度检测模型，其中人体密度检测模型的样本集合包含多个不同角度和距离的样本区域图像，上述角度为样本区域图像在摄像头拍摄范围内的角度，上述距离为样本区域图像与摄像头的距离；再将区域图像和人体数量值输入训练好的人群密度检测模型，得到对应的人群密度值，以供用户参考。
在一可选实施例中，上述步骤105还可以包括：
当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
可以理解，在实际应用中，对于人数较少的聚集形式，一般不认为具有危害性，当人数达到一定数量的人群聚集，才需要引起相关部门的重视。因此，当人体数量大于预设数值时，将区域图像和对应的人体数量值输入预先训练得到的人群密度检测模型，通过人群密度检测模型输出与区域图像对应的人群密度值。本实施例通过对人体数量值进行限定，可以提高人群密度值的实际应用价值，进而提高人群密度值的准确性。
进一步地，在一可选实施例中，所述方法还包括：
当所述人群密度值大于预设阈值时，输出告警信息。
在实际应用中，可以在人体识别服务平台设置人群密度的预设阈值，当检测出的人群密度值大于预设阈值时，说明可能存在人群聚集现象，此时，可以输出告警信息，告警信息可以通过声音、图像等形式输出，以引起相关人员的重视，以便及时采用相应的预案措施，维护公共安全。
进一步地，在一可选实施例中，上述当所述人群密度值大于预设阈值时，输出告警信息的步骤，还包括：
当所述人群密度值大于预设阈值时，对所述区域图像进行姿态识别，得到所述区域图像的多个姿态信息；
判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息；
若是，则输出告警信息。
本实施例中，当人群密度大于预设阈值时，可以获取区域图像中的人体关键点信息，人体关键点信息可以是人体关键点在区域图像中的坐标信息，其中，人体关键点可以包括头部关节点、肩膀中心关节点、左肩关节点、左手肘关节点、左手关节点、右肩关节点、右手肘关节点、右手关节点、脊柱关节点、臀部中心关节点、左臀关节点、右臀关节点、左膝关节点、右膝关节点、左脚踝关节点、右脚踝关节点、左脚关节点、右脚关节点等；将区域图像中的人体关键点信息输入人体姿态识别模型中，输出相应的姿态信息；其中，人体姿态识别模型可以采用深度学习技术训练得到，或者采用本领域常规的通过自底向上的识别方式训练得到，用于对区域图像中的所有人体关键点进行整合，得到与区域图像中的人体图像对应的姿态信息。可以理解，每个姿态信息与区域图像中的一个人体图像对应，即经过人体姿态识别模型可以得到区域图像中每个人体图像对应的姿态信息，该姿态信息可以用于表示人体图像对应的动作类型。
可以将常见的危险动作类型对应的危险姿态信息预先进行存储，具体地，可以先获得危险动作类型对应的人体图片，将该人体图片输入人体姿态识别模型中，得到对应的危险姿态信息；然后保存危险姿态信息作为预设的危险姿态信息，还可以保存危险姿态信息对应的危险动作类型。
当区域图像中的姿态信息中存在与预设的危险姿态信息匹配的目标姿态信息时，可以认为区域图像中存在符合危险动作类型的人体，该危险动作类型可以是斗殴类型、偷摸类型、持刀/持枪类型等。此时，输出告警信息，以引起相关人员的重视，以便及时作出相应的措施，制止聚众闹事等事故发生。
进一步地，在一可选实施例中，在所述判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息的步骤之后，还包括：
提取所述目标姿态信息对应的目标人体图像；
将所述目标人体图像分割成若干个图像块；
采用与所述图像块对应的属性学习模型对所述图像块进行识别，得到与所述目标人体图像对应的属性信息；
依据所述目标人体图像和对应的属性信息，生成属性信息表。
本实施例中，当区域图像的多个姿态信息中存在与预设的危险姿态信息匹配的目标姿态信息时，提取目标姿态信息对应的目标人体图像。具体地，可以依据目标姿态信息确定目标人体图像在区域图像中的位置，然后，再结合各像素的RGB特征，可以得到目标人体图像的轮廓，再依据目标人体图像的轮廓对区域图像进行裁剪，得到目标人体图像。
接着，将目标人体图像分割成若干个图像块。具体地，可以将目标人体图像分割成头部、躯干和四肢等多个图像块，属性学习模型是根据样本图像块和样本图像块的样本属性信息构建，并基于神经网络预先训练好的。将目标人体图像分割成若干个图像块，并将每个图像块作为对应的属性学习模型的输入，输出图像块的区域属性信息，区域属性信息可以包括人脸图像、衣服颜色、衣服图案、性别、发型、鞋子颜色等中的一个或多个。由目标人体图像分割成的若干个图像块的区域信息的集合即为目标人体图像的属性信息。可以通过属性信息表来记录目标人体图像和对应的属性信息。即，将待测视频数据中的多个目标人体图像和对应的属性信息都汇总到属性信息表中。具体地，属性信息表可以是一个二维表，将目标人体图像放在二维表的目标人体图像字段中，每个区域属性信息分别记录到对应的区域属性信息的字段中，且与对应的目标人体图像记录在同一行；当然，以上仅对属性信息表的其中一种格式进行示例性说明，可以理解的是，本申请不局限于此。
进一步地，在一可选实施例中，所述方法还包括：
接收属性信息查询指令；
判断所述属性信息表中是否存在符合所述属性信息查询指令的第一目标人体图像；
若是，则确定所述第一目标人体图像在所述待测视频数据中所对应的时间点；
基于所述时间点处理所述待测视频数据，以获取与所述第一目标人体图像关联的视频数据片段。
本实施例中，人体识别服务平台还可以接收用户发送的属性信息查询指令，该属性信息查询指令可以包含目标属性信息，该目标属性信息可以是多个目标区域属性信息的集合，例如，目标属性信息可以是年龄在20至30之间，穿黄色衣服、短头发的男性。依据目标属性信息遍历属性信息表，从属性信息表中查找符合目标属性信息的第一目标人体图像，若查找得到，则查找的结果可能存在一个第一目标人体图像，也可以查找到多个第一目标人体图像。当查找到第一目标人体图像时，确定第一目标人体图像在待测视频数据中所对应的时间点，并以第一目标人体图像对应的时间点为参考点，向前截取预设第一时间间隔的第一视频数据片段，以及，向后截取预设第二时间间隔的第二视频数据片段，将所述第一视频片段和所述第二视频片段整合作为与所述第一目标人体图像关联的视频数据片段，即视频数据片段的起始点为第一视频数据片段的起始点，视频数据片段的结束点为第二视频数据片段的结束点；以便用户可以了解危险动作类型发生的前后过程，为办案侦查提供相应证据。若属性信息表中查找不到符合目标属性信息的第一目标人体图像，则输出与查找不到对应的提示信息。
需要说明的是，目标属性信息还可以包括目标追踪图像，可以认为，目标追踪图像是用户想要追踪的人物对应的人体图像。在一示例中，当目标属性信息包含目标追踪图像时，可以将目标追踪图像分割成若干个图像块，采用与图像块对应的属性学习模型对图像块进行识别，得到与目标追踪图像对应的目标追踪属性信息，从属性信息表中查找与目标追踪属性信息匹配的第一目标属性信息，并返回相应的查找结果。在另一示例中，当目标属性信息包含目标追踪图像时，可以将目标追踪图像的第一人脸图像与属性信息表中的目标人脸图像进行人脸比对，并根据人脸比对的结果，输出与第一人脸图像相似度满足预设要求的第一目标人体图像。其中，人脸比对是衡量两个人脸之间相似度的算法，人脸比对算法的输入是两个人脸特征，输出是两个特征之间的相似度值；根据相似度值来判断进行人脸比对的两个人脸图像是否属于同一个身份；例如，可以设定当两个人脸图像的相似度大于80％时，确定该两个人脸图像属于同一个人。当第一目标人体图像为多个时，则按照相似度值从大到小的顺序进行排列，方便用户查看判断。
在本申请的实施例中，通过接收登陆门户系统的用户通过统一服务网关发送的调用服务接口的请求；依据请求确定对应的待测视频数据；待测视频数据包括多个视频帧；对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；对区域图像进行肢体部位检测，并基于肢体部位检测的结果计算对应的人体数量值；依据区域图像和人体数量值，得到人群密度值；从而实现通过门户系统调用人体服务平台对应的服务接口，即可得到待测视频数据中的人群密度值，便于用户依据人群密度值执行相应的预案措施，确保人群聚集分析结果的准确性。此外，本申请的实施例中，还可以实现当人群密度值大于预设阈值时，输出告警信息；以及对待测视频帧中的符合危险动作类型的人体图像进行图片和结构化数据存储，以支持多种条件的搜索方式，为保障城市公共安全提供辅助服务。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图2，示出了本申请的一种人体识别的装置实施例的结构框图，该装置应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布；具体可以包括如下模块：
第一接收模块201，用于接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
数据获取模块202，用于依据所述请求获取对应的待测视频数据；所述待测视频数据包括多个视频帧；
区域选择模块203，用于对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；
数量计算模块204，用于对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
密度确定模块205，用于依据所述区域图像和所述人体数量值，得到人群密度值。
在本申请实施例的一种优选实施例中，区域选择模块203可以包括：
人体框检测子模块，用于对所述视频帧进行人体框检测，确定所述视频帧中的人体框，并将所述人体框框选的区域确定为与视频帧对应的区域图像。
在本申请实施例的一种优选实施例中，密度确定模块205可以包括：
人体数量限定子模块，用于当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
在本申请实施例的一种优选实施例中，所述装置还可以包括：
信息告警模块，用于当所述人群密度值大于预设阈值时，输出告警信息。
在本申请实施例的一种优选实施例中，信息告警模块还可以包括：
姿态识别子模块，用于当所述人群密度值大于预设阈值时，对所述区域图像进行姿态识别，得到所述区域图像的多个姿态信息；
姿态判断子模块，用于判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息；
告警输出子模块，用于当所述多个姿态信息中存在与预设的危险姿态信息匹配的目标姿态信息时，输出告警信息。
在本申请实施例的一种优选实施例中，所述装置还包括：
图像提取模块，用于提取所述目标姿态信息对应的目标人体图像；
图像分割模块，用于将所述目标人体图像分割成若干个图像块；
图像识别模块，用于采用与所述图像块对应的属性学习模型对所述图像块进行识别，得到与所述目标人体图像对应的属性信息；
属性生成模块，用于依据所述目标人体图像和对应的属性信息，生成属性信息表。
在本申请实施例的一种优选实施例中，所述装置还包括：
第二接收模块，用于接收属性信息查询指令；
信息判断模块，用于判断所述属性信息表中是否存在符合所述属性信息查询指令的第一目标人体图像；
时间点获取模块，用于当所述属性信息表中存在符合所述属性信息查询指令的第一目标人体图像时，确定所述第一目标人体图像在所述待测视频数据中所对应的时间点；
片段获取模块，用于基于所述时间点处理所述待测视频数据，以获取与所述第一目标人体图像关联的视频数据片段。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例还公开了电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的人体识别的方法的步骤。
本申请实施例还公开了计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的人体识别的方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例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，本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种人体识别的方法、一种人体识别的装置、电子设备和存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种人体识别的方法，其特征在于，应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布；所述方法包括：
接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
依据所述请求携带的路径信息获取所述路径信息下保存的待测视频数据；所述待测视频数据包括多个视频帧；
获取与所述待测视频数据对应的背景图像，依据所述背景图像对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；其中，当所述待测视频数据的拍摄范围内不存在人体时得到的图像即为所述背景图像；
对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
依据所述区域图像和所述人体数量值，得到人群密度值；
所述方法还包括：
将包含多个不同角度和距离的样本区域图像作为样本集合，基于所述样本集合预先训练得到人体密度检测模型，所述角度为所述样本区域图像在摄像头拍摄范围内的角度，所述距离为所述样本区域图像与所述摄像头的距离；
当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
2.根据权利要求1所述的方法，其特征在于，所述对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像的步骤，包括：
对所述视频帧进行人体框检测，确定所述视频帧中的人体框，并将所述人体框框选的区域确定为与视频帧对应的区域图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述人群密度值大于预设阈值时，输出告警信息。
4.根据权利要求3所述的方法，其特征在于，所述当所述人群密度值大于预设阈值时，输出告警信息的步骤，还包括：
当所述人群密度值大于预设阈值时，对所述区域图像进行姿态识别，得到所述区域图像的多个姿态信息；
判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息；
若是，则输出告警信息。
5.根据权利要求4所述的方法，其特征在于，在所述判断所述多个姿态信息中是否存在与预设的危险姿态信息匹配的目标姿态信息的步骤之后，还包括：
提取所述目标姿态信息对应的目标人体图像；
将所述目标人体图像分割成若干个图像块；
采用与所述图像块对应的属性学习模型对所述图像块进行识别，得到与所述目标人体图像对应的属性信息；
依据所述目标人体图像和对应的属性信息，生成属性信息表。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收属性信息查询指令；
判断所述属性信息表中是否存在符合所述属性信息查询指令的第一目标人体图像；
若是，则确定所述第一目标人体图像在所述待测视频数据中所对应的时间点；
基于所述时间点处理所述待测视频数据，以获取与所述第一目标人体图像关联的视频数据片段。
7.一种人体识别的装置，其特征在于，应用于部署于门户系统的人体识别服务平台，所述人体识别服务平台提供的服务接口预先注册到所述门户系统的统一服务网关并发布；所述装置包括：
第一接收模块，用于接收登陆所述门户系统的用户通过所述统一服务网关发送的调用所述服务接口的请求；
数据获取模块，用于依据所述请求携带的路径信息获取所述路径信息下保存的待测视频数据；所述待测视频数据包括多个视频帧；
区域选择模块，用于获取与所述待测视频数据对应的背景图像，依据所述背景图像对所述视频帧进行区域选择，得到与所述视频帧对应的区域图像；其中，当所述待测视频数据的拍摄范围内不存在人体时得到的图像即为所述背景图像；
数量计算模块，用于对所述区域图像进行肢体部位检测，并基于所述肢体部位检测的结果计算对应的人体数量值；
密度确定模块，用于依据所述区域图像和所述人体数量值，得到人群密度值；
所述装置还包括：
模型训练模块，用于将包含多个不同角度和距离的样本区域图像作为样本集合，基于所述样本集合预先训练得到人体密度检测模型，所述角度为所述样本区域图像在摄像头拍摄范围内的角度，所述距离为所述样本区域图像与所述摄像头的距离；
所述密度确定模块，具体用于当所述人体数量值大于预设数值时，将所述区域图像和所述人体数量值输入预设的人群密度检测模型，得到人群密度值。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的人体识别的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的人体识别的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622106.0A CN111931567B (zh) | 2020-07-01 | 2020-07-01 | 人体识别的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622106.0A CN111931567B (zh) | 2020-07-01 | 2020-07-01 | 人体识别的方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931567A CN111931567A (zh) | 2020-11-13 |
| CN111931567B true CN111931567B (zh) | 2024-05-28 |
Family
ID=73316987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010622106.0A Active CN111931567B (zh) | 2020-07-01 | 2020-07-01 | 人体识别的方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931567B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112383436B (zh) * | 2020-11-17 | 2022-01-18 | 珠海大横琴科技发展有限公司 | 一种网络监控的方法和装置 |
| CN112818929B (zh) * | 2021-02-26 | 2023-04-18 | 济南博观智能科技有限公司 | 一种人员斗殴检测方法、装置、电子设备及存储介质 |
| CN113111215A (zh) * | 2021-03-30 | 2021-07-13 | 深圳市冠标科技发展有限公司 | 一种用户行为分析方法、装置、电子设备和存储介质 |
| CN113537172B (zh) * | 2021-09-16 | 2021-12-10 | 长沙海信智能系统研究院有限公司 | 人群密度确定方法、装置、设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004297305A (ja) * | 2003-03-26 | 2004-10-21 | Sharp Corp | データベース構築装置、データベース構築プログラム、画像検索装置、画像検索プログラム、及び画像記録再生装置 |
| CN101587537A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于智能视频识别技术的人群密度统计方法与系统 |
| CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
| WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
| CN107483894A (zh) * | 2017-09-13 | 2017-12-15 | 浙大网新系统工程有限公司 | 基于场景判断实现客运管理的高铁车站视频监控系统 |
| CN107911653A (zh) * | 2017-11-16 | 2018-04-13 | 王磊 | 驻所智能视频监控模组、系统、方法以及存储介质 |
| CN108073858A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 基于深度摄像机的人群聚集监控识别系统 |
| WO2018228174A1 (zh) * | 2017-06-16 | 2018-12-20 | 腾讯科技（深圳）有限公司 | 获取对象密度的方法、装置、设备及存储介质 |
| CN109918971A (zh) * | 2017-12-12 | 2019-06-21 | 深圳光启合众科技有限公司 | 监控视频中人数检测方法及装置 |
| CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
| CN110826496A (zh) * | 2019-11-07 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 一种人群密度估计方法、装置、设备及存储介质 |
| CN110852254A (zh) * | 2019-11-08 | 2020-02-28 | 杭州网易云音乐科技有限公司 | 人脸关键点跟踪方法、介质、装置和计算设备 |
| CN110991380A (zh) * | 2019-12-11 | 2020-04-10 | 腾讯科技（深圳）有限公司 | 人体属性识别方法、装置、电子设备以及存储介质 |
| CN111064935A (zh) * | 2019-12-30 | 2020-04-24 | 中祖建设安装工程有限公司 | 一种智慧工地人员姿态检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI482123B (zh) * | 2009-11-18 | 2015-04-21 | Ind Tech Res Inst | 多狀態目標物追蹤方法及系統 |
| US10706289B2 (en) * | 2017-03-03 | 2020-07-07 | International Business Machines Corporation | Crowd detection, analysis, and categorization |
-
2020
- 2020-07-01 CN CN202010622106.0A patent/CN111931567B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004297305A (ja) * | 2003-03-26 | 2004-10-21 | Sharp Corp | データベース構築装置、データベース構築プログラム、画像検索装置、画像検索プログラム、及び画像記録再生装置 |
| CN101587537A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于智能视频识别技术的人群密度统计方法与系统 |
| WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
| CN106909870A (zh) * | 2015-12-22 | 2017-06-30 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
| CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
| CN108073858A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 基于深度摄像机的人群聚集监控识别系统 |
| WO2018228174A1 (zh) * | 2017-06-16 | 2018-12-20 | 腾讯科技（深圳）有限公司 | 获取对象密度的方法、装置、设备及存储介质 |
| CN107483894A (zh) * | 2017-09-13 | 2017-12-15 | 浙大网新系统工程有限公司 | 基于场景判断实现客运管理的高铁车站视频监控系统 |
| CN107911653A (zh) * | 2017-11-16 | 2018-04-13 | 王磊 | 驻所智能视频监控模组、系统、方法以及存储介质 |
| CN109918971A (zh) * | 2017-12-12 | 2019-06-21 | 深圳光启合众科技有限公司 | 监控视频中人数检测方法及装置 |
| CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
| CN110826496A (zh) * | 2019-11-07 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 一种人群密度估计方法、装置、设备及存储介质 |
| CN110852254A (zh) * | 2019-11-08 | 2020-02-28 | 杭州网易云音乐科技有限公司 | 人脸关键点跟踪方法、介质、装置和计算设备 |
| CN110991380A (zh) * | 2019-12-11 | 2020-04-10 | 腾讯科技（深圳）有限公司 | 人体属性识别方法、装置、电子设备以及存储介质 |
| CN111064935A (zh) * | 2019-12-30 | 2020-04-24 | 中祖建设安装工程有限公司 | 一种智慧工地人员姿态检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931567A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931567B (zh) | 人体识别的方法及装置、电子设备、存储介质 | |
| EP3654285B1 (en) | Object tracking using object attributes | |
| TWI749113B (zh) | 在視訊監控系統中產生警示之方法、系統及電腦程式產品 | |
| CN107871114B (zh) | 一种推送目标人员跟踪信息的方法、装置及系统 | |
| CN109871815B (zh) | 一种查询监控信息的方法及装置 | |
| CN103718193B (zh) | 用于比较视频的方法和设备 | |
| CN105279480A (zh) | 视频分析的方法 | |
| CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
| CN105354773B (zh) | 一种用于交通事故现场证据保全及验证的系统 | |
| CN111242097A (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
| CN111814510B (zh) | 一种遗留物主体检测方法及装置 | |
| KR20130105542A (ko) | 이미지들 또는 이미지 시퀀스들에서의 객체 식별 | |
| CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
| CN111914649A (zh) | 人脸识别的方法及装置、电子设备、存储介质 | |
| CN112383756A (zh) | 一种视频监控报警处理方法和装置 | |
| CN111914648A (zh) | 车辆检测和识别的方法及装置、电子设备、存储介质 | |
| CN111739056A (zh) | 一种轨迹追踪系统 | |
| CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
| CN106803937B (zh) | 一种具有文本日志的双摄像头视频监控方法、系统和监控装置 | |
| CN110895663A (zh) | 一种两轮车识别方法、装置、电子设备及监控系统 | |
| CN111553327A (zh) | 一种服饰识别方法、装置、设备和介质 | |
| CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
| CN111666786B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113518201B (zh) | 视频处理方法、装置及设备 | |
| CN107493441B (zh) | 一种摘要视频生成方法及装置 |
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 |