CN112132103A - 一种视频人脸检测识别方法和系统 - Google Patents
一种视频人脸检测识别方法和系统 Download PDFInfo
- Publication number
- CN112132103A CN112132103A CN202011069528.6A CN202011069528A CN112132103A CN 112132103 A CN112132103 A CN 112132103A CN 202011069528 A CN202011069528 A CN 202011069528A CN 112132103 A CN112132103 A CN 112132103A
- Authority
- CN
- China
- Prior art keywords
- face
- features
- cluster
- video
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 208000029152 Small face Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频人脸检测识别方法和系统，所述方法包括如下步骤：获取解码视频，间隔抽取解码视频共n帧作为关键帧；获取关键帧中的多个目标人脸特征；对识别的人脸特征进行人脸跟踪，获取人脸跟踪轨迹；对人脸跟踪轨迹进行聚类，形成人脸跟踪轨迹聚类簇群；获取人脸跟踪轨迹聚类簇群中相应行人的重识别特征，根据行人重识别特征的相似性对人脸跟踪轨迹进行合并；注册每一目标人脸跟踪聚类簇人脸特征。
Description
发明领域
本发明涉及图像检测领域，特别涉及一种视频人脸检测识别方法和系统。
背景技术
现有技术中，对于视频中的图片数据，视频人脸往往还存在图像质量差、分辨率低、人脸图像小和由于相机运动或行人运动造成的运动模糊等问题，这些问题都给视频中人脸检测识别带来了巨大的挑战。现有的方案需要将视频解码成单帧图像，再通过对单帧图像进行基于图片的人脸识别从而达到对视频中人脸进行识别目的的，这种方法的优点是可以很好的利用图像人脸识别的优秀成果，但由于视频中的人脸与图像中人脸存在较大的差异，且无法有效的利用视频时序信息，导致人脸识别精度不佳，同一个人被识别成多个人脸ID；有的方案是直接对视频分析，端到端的处理视频序列，这种方法的优点是有效的利用了视频的时域和空域信息，结果优于单帧人脸识别，缺点是计算量大，很难满足实际应用中的需求。
发明目的
本发明其中一个发明目的在于提供一种视频人脸检测识别方法和系统，所述方法和系统采用对人脸进行聚类，在单帧的人脸识别基础上结合行人重识别对视频中人脸进行跟踪关联，可连续较好地识别视频中的人脸信息。
本发明另一个发明目的在于提供一种视频人脸检测识别方法和系统，所述方法和系统在对人脸跟踪轨迹进行聚类，针对视频中人脸图像质量低、人脸模糊，同一个人被划分多个ID的问题，可提取聚类后人脸清晰度较好的轨迹段的人脸进行ID注册，增强了人脸算法的鲁棒性，消除模糊人脸带来的噪声干扰。
本发明另一个发明目的在于提供一种视频人脸检测识别方法和系统，所述方法和系统采用行人重识别技术对人脸跟踪轨迹和行人轨迹进行合并，用于优化人脸跟踪轨迹，可提高人脸跟踪轨迹的精确性。
本发明另一个发明目的在于提供一种视频人脸检测识别方法和系统，所述方法和系统可通过对跨摄像头视频中的人脸数据库采用增量式聚类算法对图片中人脸相似度大的图像合并到对应的聚类簇，并删除聚类簇中人脸相似度较小的图，减少数据运算的压力。
本发明另一个发明目的在于提供一种视频人脸检测识别方法和系统，所述方法和系统可在线对人脸跟踪轨迹进行注册，对新增的人脸跟踪轨迹进行在线增量聚类，并在注册后离线定时对系统进行全局聚类，。
为了实现至少一个上述发明目的，本发明进一步提供一种视频人脸检测识别方法，所述方法包括如下步骤：
获取解码视频，间隔抽取解码视频共n帧作为关键帧；
识别关键帧中的多个目标人脸特征；
对识别的人脸特征进行人脸跟踪，获取人脸跟踪轨迹；
将人脸跟踪轨迹进行聚类，形成人脸跟踪轨迹聚类簇群；
获取人脸跟踪轨迹聚类簇群中相应行人的重识别特征，根据行人重识别特征的相似性对人脸跟踪轨迹进行合并；
注册每一目标人脸跟踪聚类簇人脸特征。
根据本发明其中一个较佳实施例，获取每一人脸跟踪聚类簇的最大人脸模糊图像和最小人脸模糊图像，采用深度神经网络建立人脸图像清晰度的0-1分布模型，将人脸图像输入所述模型获取人脸清晰度分。
根据本发明其中一个较佳实施例，获取每一人脸跟踪聚类簇中对应人脸图像的最大遮挡图像和最小遮挡图像，建立人脸图像完整度的0-1分布模型，获取每一人脸图像的完整度分。
根据本发明其中一个较佳实施例，将所述完整度分和清晰度分进行加权求和，获取每一帧图像中人脸图像的质量分，设置质量分阈值，若人脸跟踪聚类簇中轨迹对应人脸图像质量分大于所述质量分阈值，则选取该人脸图像对应的轨迹作为优选轨迹保存。
根据本发明其中一个较佳实施例，选取人脸跟踪聚类簇中轨迹对应人脸图像质量分最高的人脸图像作为目标人脸注册。
根据本发明其中一个较佳实施例，采用DBSCAN聚类算法为每段轨迹聚类。
根据本发明其中一个较佳实施例，从人脸跟踪轨迹聚类簇群中选取相应行人的重识别特征，计算行人重识别特征之间的相似性，设置合并阈值，若不同轨迹之间获取的行人重识别特征相似性高于合并阈值，则将高于合并阈值的轨迹合并。
根据本发明其中一个较佳实施例，获取增量图像，识别增量图像中的增量人脸跟踪轨迹，计算所述增量人脸跟踪轨迹特征和所有聚类簇特征的余弦相似度，计算并获取最大相似度的聚类簇，设置相似度插入阈值，若最大相似度值大于所述相似度插入阈值，则将所述增量人脸跟踪轨迹插入到最大相似度的聚类簇。
根据本发明其中一个较佳实施例，计算所述增量人脸跟踪轨迹特征和所有聚类簇特征的余弦相似度，计算并获取最大相似度的聚类簇，设置相似度插入阈值，若最大相似度值小于所述相似度插入阈值，则对所述增量人脸跟踪轨迹生成新聚类簇。
为了实现至少一个上发明目的，本发明进一步提供一种视频人脸检测识别系统，所述系统采用上述一种视频人脸检测识别方法。
附图说明
图1显示的是本发明一种视频人脸检测识别方法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
请参考图1显示的本发明一种视频人脸检测识别方法一个较佳实施例的流程示意图，所述方法包括如下步骤：获取目标视频，将目标视频进行间隔抽帧，其中每间隔3-10帧抽取一帧，将抽取的帧作为关键帧处理，并记录抽取帧在目标视频中的时间戳，将所述关键帧按照时间戳的顺序进行排序，需要说明的是，由于关键帧之间具有较大的时间冗余，使得视频抽帧的对识别精度的影响较小，同时还能提高识别效率。
对于上述抽帧后获取的关键帧，采用人脸识别模型识别关键关键帧的人脸特征，并根据人脸特征计算相邻关键帧之间的相似度关系，其中相似性度量可以包括但不仅限于计算人脸特征间的余弦相似度，通过计算相邻关键帧中人脸特征的相似性度量，在根据设置的相似度阈值判断相邻关键帧之间的人脸是否是同一人脸，并采集人脸中心点的坐标值，进一步获取每一人脸在不同关键帧上形成的轨迹线路，需要说明的是，本发明优选采用特征判断关键帧之间人脸的相似度，并根据时间戳记录下人脸的运动轨迹，生成人脸跟踪轨迹。
对人脸跟踪轨迹进行聚类，计算获取每一人脸跟踪轨迹特征，根据人脸跟踪轨迹进行聚类，获取至少一个人脸跟踪轨迹的聚类簇。其中聚类算法优选采用DBSCAN算法，输入所有关键帧人脸跟踪轨迹，识别所有关键帧人脸跟踪轨迹的特征，并计算每一轨迹的特征矢量，计算每一轨迹和其他轨迹之间的距离，所述距离包括但不仅限于于余弦距离和欧式距离，设置邻域参数，根据领域参数中的距离阈值输出聚类簇。需要说明的是，在初始阶段，对所有关键帧人脸跟踪轨迹进行全局聚类，生成至少一个聚类簇。
进一步的，在生成的聚类簇中，根据每一帧中的人脸图像获取对应的行人特征，将相邻两个帧的行人特征输入行人重识别模型(ReID)，用于判断该相邻两帧的行人是否相同，若相同，则判断两个行人特征对应的人脸特征为相同人脸，其中人脸图像和行人图像通过包括但不仅限于标注的方实现数据关联，通过行人重识别模型(ReID)将相关联的关键帧中的行人进行有效识别，进一步将相同的人脸图像根据行人轨迹进行合并，获取人脸图像在不同帧上的更精准的轨迹，在视频中行人重识别特征相比于人脸特征具有更强的鲁棒性，可有效地消除模糊人脸带来的噪音或缺失的影响。
计算每个聚类簇中每段轨迹的人脸图像质量分，并将高于一定质量分的人脸图像用于注册对应轨迹，具体方法包括如下步骤：
设置最模糊人脸图像和最清晰人脸图像，分别对最模糊人脸图像和最清晰人脸图像进行赋值，其中最模糊人脸图像值为0，最清晰人脸图像赋值为1，采用深度卷积网络训练并识别人脸清晰度分值，建立人脸清晰度分值的0-1分布；
设置遮挡度最大人脸图像和无遮挡的人脸图像，分别对无遮挡图像和遮挡度最大图像进赋值，其中遮挡度最大图像值为0，无遮挡图像赋值为1，识别人脸图像中关键点，根据关键点位置数目建立人脸完整度的0-1分布，在本发明其中一个较佳实施例中，若全部关键点被遮挡则可以判断该人脸图像的完整度为0，对应的将识别出所有关键点数目的人脸完整度为1。
进一步分别设置人脸完整度和人脸清晰度的权值，将人脸完整度和人脸清晰度分值和对应的权值相加，用于获取人脸图像质量分，设P为人脸质量分，P1为人脸清晰度分，W1为人脸清晰度权值，P2为人脸完整度分权值，则P＝P1*W1+P2*W1，其中W1+W2＝1,W1∈[0，1]，W2∈[0，1]，可以理解的是，上述人脸清晰度和人脸完整度作为所述人脸质量分的统计参数，在本发明另一较佳实施例中，可增加包括但不仅限于人脸位置、人脸大小等参数参与人脸质量分计算。设置人脸质量分阈值，优选的，所述人脸质量分阈值为0.8，检测并获取每一段人脸跟踪轨迹的所有图片人脸图像质量分，计算每一段轨迹大于所述人脸质量分阈值为0.8的轨迹数，将人脸质量分高于所述人脸质量分阈值的轨迹作为优选轨迹，并进一步将优选轨迹中人脸质量分最高的人脸作为该轨迹的ID进行注册，从而使得每段轨迹可以获取图像清晰的注册人脸，并且同时使得每段轨迹根据行人重识别模型获取的合并的人脸跟踪轨迹更加清晰准确。
采用增量聚类法对新增的人脸跟踪轨迹进行聚类，方法包括如下步骤：获取增量图像；根据增量图像识别人脸跟踪轨迹和相应的行人特征，利用行人特征将人脸跟踪轨迹合并，将合并后的人脸跟踪轨迹进行增量聚类，具体的，识别每一增量图像图像中的人脸跟踪轨迹，并计算每一增量图像中人脸跟踪轨迹特征，将该人脸跟踪轨迹特征和每一聚类簇的特征进行余弦相似度计算，获取最大相似度对应的聚类簇；设置相似度插入阈值，若计算所得的最大相似度值小于所述相似度插入阈值，则将所述增量图像对应人脸跟踪轨迹作为新的聚类簇，若计算所得的最大相似度值大于所述相似度插入阈值，则将所述增量图像对应的人脸跟踪轨迹插入相似度最大的聚类簇，优选的，所述相似度插入阈值设置为0.8。
进一步的，为了平衡算力和精确度，本发明采用定期对所有聚类簇进行离线全局聚类，对于新增图像，则采用上述增量聚类进行。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)或GPU执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一种视频人脸检测识别方法，其特征在于，所述方法包括如下步骤：
获取解码视频，间隔抽取解码视频共n帧作为关键帧；
识别关键帧中的多个目标人脸特征；
对识别的人脸特征进行人脸跟踪，获取人脸跟踪轨迹；
将人脸跟踪轨迹进行聚类，形成人脸跟踪轨迹聚类簇群；
获取人脸跟踪轨迹聚类簇群中相应行人的重识别特征，根据行人重识别特征的相似性对人脸跟踪轨迹进行合并；
注册每一目标人脸跟踪聚类簇人脸特征。
2.根据权利要求1所述的一种视频人脸检测识别方法，其特征在于，获取每一人脸跟踪聚类簇的最大人脸模糊图像和最小人脸模糊图像，采用深度神经网络建立人脸图像清晰度的0-1分布模型，将人脸图像输入所述模型获取人脸清晰度分。
3.根据权利要求2所述的一种视频人脸检测识别方法，其特征在于，获取每一人脸跟踪聚类簇中对应人脸图像的最大遮挡图像和最小遮挡图像，建立人脸图像完整度的0-1分布模型，获取每一人脸图像的完整度分。
4.根据权利要求3所述的一种视频人脸检测识别方法，其特征在于，将所述完整度分和清晰度分进行加权求和，获取每一帧图像中人脸图像的质量分，设置质量分阈值，若人脸跟踪聚类簇中轨迹对应人脸图像质量分大于所述质量分阈值，则选取该人脸图像对应的轨迹作为优选轨迹保存。
5.根据权利要求1所述的一种视频人脸检测识别方法，其特征在于，选取人脸跟踪聚类簇中轨迹对应人脸图像质量分最高的人脸图像作为目标人脸注册。
6.根据权利要求1所述的一种视频人脸检测识别方法，其特征在于，采用DBSCAN聚类算法为每段轨迹聚类。
7.根据权利要求1所述的一种视频人脸检测识别方法，其特征在于，从人脸跟踪轨迹聚类簇群中选取相应行人的重识别特征，计算行人重识别特征之间的相似性，设置合并阈值，若不同轨迹之间获取的行人重识别特征相似性高于合并阈值，则将高于合并阈值的轨迹合并。
8.根据权利要求1所述的一种视频人脸检测识别方法，其特征在于，对于增量图像，识别增量图像中的增量人脸跟踪轨迹及特征，并计算所述增量人脸跟踪轨迹特征和所有聚类簇特征的余弦相似度，计算并获取最大相似度的聚类簇，设置相似度插入阈值，若最大相似度值大于所述相似度插入阈值，则将所述增量人脸跟踪轨迹插入到最大相似度的聚类簇。
9.根据权利要求8所述的一种视频人脸检测识别方法，其特征在于，计算所述增量人脸跟踪轨迹特征和所有聚类簇特征的余弦相似度，计算并获取最大相似度的聚类簇，设置相似度插入阈值，若最大相似度值小于所述相似度插入阈值，则对所述增量人脸跟踪轨迹生成新聚类簇。
10.一种视频人脸检测识别系统，其特征在于，所述系统采用上述权利要求1-9中任意一项所述的一种视频人脸检测识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011069528.6A CN112132103B (zh) | 2020-09-30 | 2020-09-30 | 一种视频人脸检测识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011069528.6A CN112132103B (zh) | 2020-09-30 | 2020-09-30 | 一种视频人脸检测识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132103A true CN112132103A (zh) | 2020-12-25 |
| CN112132103B CN112132103B (zh) | 2024-09-06 |
Family
ID=73843776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011069528.6A Active CN112132103B (zh) | 2020-09-30 | 2020-09-30 | 一种视频人脸检测识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132103B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686178A (zh) * | 2020-12-30 | 2021-04-20 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
| CN112911385A (zh) * | 2021-01-12 | 2021-06-04 | 平安科技（深圳）有限公司 | 待识别图片的提取方法、装置、设备以及存储介质 |
| CN112966652A (zh) * | 2021-03-26 | 2021-06-15 | 北京市商汤科技开发有限公司 | 轨迹汇聚方法、装置、计算机设备及存储介质 |
| CN113247720A (zh) * | 2021-06-02 | 2021-08-13 | 浙江新再灵科技股份有限公司 | 基于视频的智能梯控方法及系统 |
| CN113642450A (zh) * | 2021-08-09 | 2021-11-12 | 深圳市英威诺科技有限公司 | 视频人脸识别方法、系统及存储介质 |
| CN113887427A (zh) * | 2021-09-30 | 2022-01-04 | 联想(北京)有限公司 | 一种人脸识别方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069408A (zh) * | 2015-07-24 | 2015-11-18 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
| CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
| CN109753920A (zh) * | 2018-12-29 | 2019-05-14 | 深圳市商汤科技有限公司 | 一种行人识别方法及装置 |
| CN111241927A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 级联式人脸图像优选方法、系统、设备及可读存储介质 |
-
2020
- 2020-09-30 CN CN202011069528.6A patent/CN112132103B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069408A (zh) * | 2015-07-24 | 2015-11-18 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
| CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
| CN109753920A (zh) * | 2018-12-29 | 2019-05-14 | 深圳市商汤科技有限公司 | 一种行人识别方法及装置 |
| CN111241927A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 级联式人脸图像优选方法、系统、设备及可读存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686178A (zh) * | 2020-12-30 | 2021-04-20 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
| CN112686178B (zh) * | 2020-12-30 | 2024-04-16 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
| CN112911385A (zh) * | 2021-01-12 | 2021-06-04 | 平安科技（深圳）有限公司 | 待识别图片的提取方法、装置、设备以及存储介质 |
| WO2022151639A1 (zh) * | 2021-01-12 | 2022-07-21 | 平安科技（深圳）有限公司 | 待识别图片的提取方法、装置、设备以及存储介质 |
| CN112966652A (zh) * | 2021-03-26 | 2021-06-15 | 北京市商汤科技开发有限公司 | 轨迹汇聚方法、装置、计算机设备及存储介质 |
| CN113247720A (zh) * | 2021-06-02 | 2021-08-13 | 浙江新再灵科技股份有限公司 | 基于视频的智能梯控方法及系统 |
| CN113642450A (zh) * | 2021-08-09 | 2021-11-12 | 深圳市英威诺科技有限公司 | 视频人脸识别方法、系统及存储介质 |
| CN113887427A (zh) * | 2021-09-30 | 2022-01-04 | 联想(北京)有限公司 | 一种人脸识别方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132103B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132103A (zh) | 一种视频人脸检测识别方法和系统 | |
| US11302315B2 (en) | Digital video fingerprinting using motion segmentation | |
| CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
| Yin et al. | Text detection, tracking and recognition in video: a comprehensive survey | |
| CN107798272B (zh) | 快速多目标检测与跟踪系统 | |
| CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
| TWI425454B (zh) | 行車路徑重建方法、系統及電腦程式產品 | |
| Yang et al. | Tracking based multi-orientation scene text detection: A unified framework with dynamic programming | |
| US20070154066A1 (en) | Object tracking systems and methods | |
| CN104036287A (zh) | 一种基于人类运动显著轨迹的视频分类方法 | |
| CN110795595A (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
| CN102034355A (zh) | 一种基于特征点匹配的车辆检测及跟踪方法 | |
| CN113191180B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
| CN111401308B (zh) | 一种基于光流效应的鱼类行为视频识别方法 | |
| CN109948776A (zh) | 一种基于lbp的对抗网络模型图片标签生成方法 | |
| CN117292338B (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
| CN108200432A (zh) | 一种基于视频压缩域的目标跟踪技术 | |
| CN113763466B (zh) | 一种回环检测方法、装置、电子设备和存储介质 | |
| CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
| CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
| CN112598743A (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
| CN110084830A (zh) | 一种视频运动目标检测与跟踪方法 | |
| CN111444817B (zh) | 一种人物图像识别方法、装置、电子设备和存储介质 | |
| CN105590086A (zh) | 一种基于视觉标签识别的物品防盗检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |