CN112132057A - 一种多维身份识别方法及系统 - Google Patents
一种多维身份识别方法及系统 Download PDFInfo
- Publication number
- CN112132057A CN112132057A CN202011019151.3A CN202011019151A CN112132057A CN 112132057 A CN112132057 A CN 112132057A CN 202011019151 A CN202011019151 A CN 202011019151A CN 112132057 A CN112132057 A CN 112132057A
- Authority
- CN
- China
- Prior art keywords
- human body
- pedestrian
- face recognition
- body features
- features
- 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.)
- Pending
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种多维身份识别方法及系统,该方法包括:当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;对多个角度的视频进行人脸识别,得到人脸识别结果;基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。该方法实现提高行人身份识别的检出率。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种多维身份识别方法及系统。
背景技术
目前,密集行人场景主要指人力密集的区域场景,包括火车站,机场,商场,写字楼,工厂,居住社区等。社会的生产生活主要是围绕密集行人场景展开的,社会国家的居民的日常工作和生活过程也就是在密集行人场景不断切换的一个过程。所以,密集行人场景的不断秩序与安全也就是维护国家社会秩序的重中之重。为此,当下密集行人场景也都布设了摄像头网络进行视频采集与记录,便于对场景中的情况进行实时监督,以及后续的查看追溯。
人工智能AI技术的高速发展使得对密集摄像头场景的智能自动分析成为了可能。AI的图像处理技术,语音识别技术,自然语言理解技术可以对摄像头记录的视频进行智能分析,进行行人检测,人脸检测,人脸识别,行人属性分析等。总结分析结果进行行人活动线路分析系统即动线分析系统。
AI动线分析系统中最为重要的环节是人员身份的识别,通过身份的识别将所有分析信息进行关联,可以提供更智能的综合服务。例如对于商场中,可以进行消费习惯统计与推荐,提升销量;在火车站机场进行人员身份统计与追踪,提高服务效率,以及可疑人员排查;在居民社区进行行人分析提升小区安全质量,提高物业服务效率等。通常的智能分析系统的身份识别主要依靠人脸识别,因为其对人脸图片的质量要求比较高,拍摄距离比远,图像模糊,人脸俯仰角度,侧脸角度不满足要求都会导致人脸识别的失效。
因此,如何提高行人身份识别的检出率是亟待解决的问题。
发明内容
本发明的目的是提供一种多维身份识别方法及系统,以实现提高行人身份识别的检出率。
为解决上述技术问题,本发明提供一种多维身份识别方法,该方法包括:
当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
对多个角度的视频进行人脸识别,得到人脸识别结果;
基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
优选的,所述当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频之前,还包括:
将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
优选的,所述对多个角度的视频进行人脸识别,得到人脸识别结果,包括:
对于每个角度的视频,均进行人脸检测,获取人脸图像;
将多个人脸图像进行人脸识别,得到人脸识别结果。
优选的,采用深度学习模型从多个人体照片中提取人体特征。
本发明还提供一种多维身份识别系统,用于实现上述方法,该系统包括:
第一采集模块,用于当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
识别模块,用于对多个角度的视频进行人脸识别,得到人脸识别结果;
第二采集模块,用于基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
比对模块,用于从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
优选的,所述系统还包括:
保存模块,用于将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
优选的,所述识别模块包括:
检测单元,用于对于每个角度的视频,均进行人脸检测,获取人脸图像;
识别单元,用于将多个人脸图像进行人脸识别,得到人脸识别结果。
优选的,所述比对模块包括:
提取单元,用于采用深度学习模型从多个人体照片中提取人体特征;
比对单元,用于将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
本发明所提供的一种多维身份识别方法及系统,当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;对多个角度的视频进行人脸识别,得到人脸识别结果;基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。可见,综合利用视频信息,行人轨迹信息,人体特征信息,人脸识别技术进行多维的人员身份识别,能够提高身份识别的检出率,提高场景适用度,适用于密集行人场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种多维身份识别方法的流程图;
图2为多维身份识别过程示意图;
图3为本发明所提供的一种多维身份识别系统结构示意图。
具体实施方式
本发明的核心是提供一种多维身份识别方法及系统,以实现提高身份识别的检出率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种多维身份识别方法的流程图,该方法包括以下步骤:
S11:当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
S12:对多个角度的视频进行人脸识别,得到人脸识别结果;
S13:基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
S14:从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
可见,该方法综合利用视频信息,行人轨迹信息,人体特征信息,人脸识别技术进行多维的人员身份识别,能够提高身份识别的检出率,提高场景适用度,适用于密集行人场景。
基于上述方法,步骤S11之前,还包括以下步骤:
S21:将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
进一步的,步骤S12具体包括以下步骤:
S31:对于每个角度的视频,均进行人脸检测,获取人脸图像;
S32:将多个人脸图像进行人脸识别,得到人脸识别结果。
进一步的,步骤S13中,采用深度学习模型从多个人体照片中提取人体特征。
基于步骤S11,详细的,在密集行人场景布设摄像头网络与视频采集系统,确保摄像头网络可以进行全方位覆盖,全时段记录与存储。尤其是重点区域摄像头布设,包括入口,出口,重要路径,重要路口,安全事故多发区域,卫生重点管控区域,消防管控区域,人员聚集高发区域,人员驻留高发区域等。对于出口,入口以及重要安全区域需要多台摄像头,设计视野交叉重叠以确保采集的全面性,并且摄像头需要满足:1、高分辨率,以确保获取图像的质量;2、红外高清,以确保在不同光照条件下都可以进行图像采集。
搭建视频存储服务器以及视频获取接口,可以根据不同需求来进行视频提取,例如视频流提取,包括但不限于rtsp,rtmp等;按视频文件提取,包括但不限于wav,mp4等;按时间戳提取,包括但不限于日期,小时,分钟等;按事件提取,包括但不限于保安轮岗,行政监察等;按照摄像头架设地点,包括但不限于入口,出口等。
基于步骤S21,详细的,将场景内需要保存的行人身份存储到数据库中,包括行人id,人脸照片。并且建立数据库结构,以支持行人与人体的关联。
基于步骤S12,详细的,以某行人(标记为P1)为例,当P1进入通过某入口(Entrance_1)某密集行人场景(记为S)时候。Entrance_1处的多个高清摄像头(Cam_E1_1,Cam_E1_2)将通过对视频图像进行分析,检测到行人人体以及行人人脸。视频分析检测的方法包括但不限于利用机器学习进行特征提取来检测行人与人脸,利用深度学习的方法进行行人检测与人脸检测。
其中,对Cam_E1_1,Cam_E1_2采集到的人脸图像进行人脸识别,如果与系统中已录入的人员身份匹配则记录为:ID_1,如果与系统中的人员均不匹配,则记录为陌生人S_1。所用的人脸识别的方法,包括机器学习特征进行人脸识别,以及深度学习特征进行人脸识别。
基于步骤S13,详细的,检测到人脸的基础上,对行人路线轨迹进行跟踪,抓拍多张人体照片,将对应的人体照片和其ID进行关联记为ID_1_body_1…ID_1_body_n,或S_1_body_1…S_1_body_n。并利用深度学习模型对人体特征进行提取,包括可用于人体id识别的特征,以及可用于人体属性分类的特征,其中人体属性包括但不限于头发长度,上衣颜色,上衣长度,下半身服装样式,下半身服装颜色,鞋子样式,鞋子长度,性别,年龄,是否带口罩等。
其中,对于非出入口,非重点的区域,可以假设低分辨率摄像头,对低分辨率摄像头采集到的图像进行人体图像采集,利用深度学习模型对人体特征进行提取,包括可用于人体id识别的特征,以及可用于人体属性分类的特征将提取的特征与数据库中的人体特征进行比对,得到匹配的人体特征,进一步将其关联度到行人身份。将行人身份以及识别到的特征进行汇总输出。
基于步骤S14,详细的,提取到的人体特征找到行人身份之后,如果新的特征与数据库中对应行人身份的人体特征的相似度均小于某个阈值是,将新特征更新到数据库。
请参考图2,图2为多维身份识别过程示意图,本方法是用于密集行人场景摄像头网络动线分析系统的多维度身份识别方法,综合利用人体图像信息,行人轨迹信息,人体属性信息,使用跨境追踪reid技术,人体属性识别技术,加上人脸识别技术进行多维的人员身份识别,能够非常显著的提高身份识别的检出率,进而提高密集行人场景摄像头网络动线分析系统的数据质量,提升检出率,提高场景适用度。
请参考图3,图3为本发明所提供的一种多维身份识别系统结构示意图,该系统用于实现上述方法,该系统包括:
第一采集模块101,用于当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
识别模块102,用于对多个角度的视频进行人脸识别,得到人脸识别结果;
第二采集模块103,用于基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
比对模块104,用于从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
可见,该系统综合利用视频信息,行人轨迹信息,人体特征信息,人脸识别技术进行多维的人员身份识别,能够提高身份识别的检出率,提高场景适用度,适用于密集行人场景。
基于上述系统,进一步的,所述系统还包括:
保存模块,用于将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
进一步的,所述识别模块包括:
检测单元,用于对于每个角度的视频,均进行人脸检测,获取人脸图像;
识别单元,用于将多个人脸图像进行人脸识别,得到人脸识别结果。
进一步的,所述比对模块包括:
提取单元,用于采用深度学习模型从多个人体照片中提取人体特征;
比对单元,用于将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种多维身份识别方法及系统进行了详细介绍。本文中应用了具体个例对本发明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发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种多维身份识别方法,其特征在于,包括:
当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
对多个角度的视频进行人脸识别,得到人脸识别结果;
基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
2.如权利要求1所述的方法,其特征在于,所述当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频之前,还包括:
将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
3.如权利要求2所述的方法,其特征在于,所述对多个角度的视频进行人脸识别,得到人脸识别结果,包括:
对于每个角度的视频,均进行人脸检测,获取人脸图像;
将多个人脸图像进行人脸识别,得到人脸识别结果。
4.如权利要求3所述的方法,其特征在于,采用深度学习模型从多个人体照片中提取人体特征。
5.一种多维身份识别系统,其特征在于,用于实现如权利要求1至4中任意一项所述的方法,包括:
第一采集模块,用于当检测到行人进入入口时,从多个角度采集行人进入入口的视频,得到多个角度的视频;
识别模块,用于对多个角度的视频进行人脸识别,得到人脸识别结果;
第二采集模块,用于基于人脸识别结果,获取行人路线轨迹,采集多个人体照片;
比对模块,用于从多个人体照片中提取人体特征,将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
6.如权利要求5所述的系统,其特征在于,还包括:
保存模块,用于将需要保存的行人身份信息存储到数据库中;行人身份信息包括行人ID、人脸照片。
7.如权利要求6所述的系统,其特征在于,所述识别模块包括:
检测单元,用于对于每个角度的视频,均进行人脸检测,获取人脸图像;
识别单元,用于将多个人脸图像进行人脸识别,得到人脸识别结果。
8.如权利要求7所述的系统,其特征在于,所述比对模块包括:
提取单元,用于采用深度学习模型从多个人体照片中提取人体特征;
比对单元,用于将人体特征与数据库中存储的标准人体特征进行比对,若一致,查找标准人体特征对应的行人身份信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019151.3A CN112132057A (zh) | 2020-09-24 | 2020-09-24 | 一种多维身份识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019151.3A CN112132057A (zh) | 2020-09-24 | 2020-09-24 | 一种多维身份识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132057A true CN112132057A (zh) | 2020-12-25 |
Family
ID=73839786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011019151.3A Pending CN112132057A (zh) | 2020-09-24 | 2020-09-24 | 一种多维身份识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132057A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699843A (zh) * | 2021-01-13 | 2021-04-23 | 上海云思智慧信息技术有限公司 | 一种身份识别方法及系统 |
CN112948618A (zh) * | 2021-02-25 | 2021-06-11 | 成都旺小宝科技有限公司 | 一种用于售楼处的有效客户识别方法 |
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 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
CN109754478A (zh) * | 2017-11-06 | 2019-05-14 | 北京航天长峰科技工业集团有限公司 | 一种低用户配合度的人脸智能考勤方法 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
CN110516623A (zh) * | 2019-08-29 | 2019-11-29 | 中新智擎科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN111126186A (zh) * | 2019-12-09 | 2020-05-08 | 河南铭视科技股份有限公司 | 一种人体目标身份识别方法及装置 |
CN111611944A (zh) * | 2020-05-22 | 2020-09-01 | 创新奇智(北京)科技有限公司 | 身份识别方法及装置、电子设备、存储介质 |
CN111639616A (zh) * | 2020-06-05 | 2020-09-08 | 上海一由科技有限公司 | 一种基于深度学习的重身份识别方法 |
-
2020
- 2020-09-24 CN CN202011019151.3A patent/CN112132057A/zh active Pending
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 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
CN109754478A (zh) * | 2017-11-06 | 2019-05-14 | 北京航天长峰科技工业集团有限公司 | 一种低用户配合度的人脸智能考勤方法 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
CN110516623A (zh) * | 2019-08-29 | 2019-11-29 | 中新智擎科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN111126186A (zh) * | 2019-12-09 | 2020-05-08 | 河南铭视科技股份有限公司 | 一种人体目标身份识别方法及装置 |
CN111611944A (zh) * | 2020-05-22 | 2020-09-01 | 创新奇智(北京)科技有限公司 | 身份识别方法及装置、电子设备、存储介质 |
CN111639616A (zh) * | 2020-06-05 | 2020-09-08 | 上海一由科技有限公司 | 一种基于深度学习的重身份识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699843A (zh) * | 2021-01-13 | 2021-04-23 | 上海云思智慧信息技术有限公司 | 一种身份识别方法及系统 |
CN112948618A (zh) * | 2021-02-25 | 2021-06-11 | 成都旺小宝科技有限公司 | 一种用于售楼处的有效客户识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
CN105574506B (zh) | 基于深度学习和大规模集群的智能人脸追逃系统及方法 | |
CN109934176B (zh) | 行人识别系统、识别方法及计算机可读存储介质 | |
CN109858365B (zh) | 一种特殊人群聚集行为分析方法、装置及电子设备 | |
JP6854881B2 (ja) | 顔画像照合システムおよび顔画像検索システム | |
US6975346B2 (en) | Method for suspect identification using scanning of surveillance media | |
CN112347941B (zh) | 基于5g mec的运动视频集锦智能生成和分发方法 | |
Kalra et al. | Dronesurf: Benchmark dataset for drone-based face recognition | |
CN109800691A (zh) | 基于人脸识别技术的人口统计方法及系统 | |
CN109117821A (zh) | 一种执法记录仪的人脸识别系统及方法 | |
CN108540750A (zh) | 基于监控视频与电子设备标识关联的方法、装置及系统 | |
CN109635146A (zh) | 一种基于图像特征的目标查询方法及系统 | |
CN107657232A (zh) | 一种行人智能识别方法及其系统 | |
CN109961031A (zh) | 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统 | |
CN112132057A (zh) | 一种多维身份识别方法及系统 | |
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 | |
KR102561308B1 (ko) | 교통정보 제공 방법, 장치 및 그러한 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램 | |
CN113378616A (zh) | 视频分析方法、视频分析的管理方法及相关设备 | |
CN111242077A (zh) | 一种人物追踪方法、系统及服务器 | |
KR101084914B1 (ko) | 차량번호 및 사람 이미지의 인덱싱 관리시스템 | |
CN112699328A (zh) | 网点服务数据处理方法、装置、系统、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 | |
CN110324589A (zh) | 一种旅游景区的监控系统与方法 | |
CN112330742A (zh) | 公共区域重点人员活动路线记录方法及装置 | |
CN110852287A (zh) | 基于形体识别的城市区域布控系统及其布控方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |