CN112232178A - 基于人像聚档的区域落脚点判定方法、系统、设备及介质 - Google Patents
基于人像聚档的区域落脚点判定方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112232178A CN112232178A CN202011092882.0A CN202011092882A CN112232178A CN 112232178 A CN112232178 A CN 112232178A CN 202011092882 A CN202011092882 A CN 202011092882A CN 112232178 A CN112232178 A CN 112232178A
- Authority
- CN
- China
- Prior art keywords
- foot
- snapshot data
- point
- portrait
- adjacent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims abstract description 39
- 230000001815 facial effect Effects 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Images
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
- 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
- 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
Abstract
本发明提供一种基于人像聚档的区域落脚点判定方法、系统、设备及介质,该方法包括:利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。相比传统的落脚点判定方式,本发明判定方式生成的落脚点更为精准,同时,落脚点的区域范围更小。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于人像聚档的区域落脚点判定方法、系统、设备及介质。
背景技术
随着社会的发展,犯罪事件也时有发生,而且随着城市的发展,嫌疑对象隐匿的地点也越来越多,很难确定嫌对象的落脚点。当嫌疑对象在同一区域多个地点进行落脚时,由于不能实现多点多时监控,导致无法判断嫌疑对象的具体落脚地点。
然而,目前的技战法判断嫌疑对象存在以下两个问题:
第一,现有聚集算法需多次分析,例如,从行政区域到社区进行多次分析聚集,不仅时间长、聚集后范围也大,无法精确到一个小范围,导致生成的落脚点区域过大。
第二,现有的落脚点判定方法未考虑抓拍卡口布局设置,例如,当嫌疑对象通过交通工具移动时,两次连续抓拍形成的图像相距甚远,如果将其视为同一落脚点,导致落脚点判定不科学。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于人像聚档的区域落脚点判定方法、系统、设备及介质,用于解决现有技术中落脚点判定不精准的问题。
为实现上述目的及其他相关目的,本发明提供一种基于人像聚档的区域落脚点判定方法,包括:
利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
本发明目的还在于提供一种基于人像聚档的区域落脚点判定系统,包括:
数据集生成模块,利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
比对检测模块,用于遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
落脚点判定模块,用于当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
本发明另一目的还在于提供一种电子设备,包括:
一个或多个处理装置;
存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现上述的基于人像聚档的区域落脚点判定方法
本发明还一目的还在于提供一种计算机存储介质,包括:
计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序用于使所述计算机执行上述的基于人像聚档的区域落脚点判定方法。
如上所述,本发明的基于人像聚档的区域落脚点判定方法、系统、设备及介质,具有以下有益效果:
通过对抓拍到的人像做聚类处理,将同一人的不同时刻或不同位置的人像聚集在一个聚类结果中,将聚类结果中的抓拍数据按时间排序生成抓拍数据集;通过比对前后相邻的抓拍数据,检测两次抓拍数据之间的预设时间阈值条件和预设距离阈值条件,判定前后相邻两次的抓拍数据是否为监控对象的一次落脚点,相比传统的落脚点判定方式,本发明判定方式生成的落脚点更为精准,同时,落脚点的区域范围更小。
附图说明
图1显示为本发明提供的一种基于人像聚档的区域落脚点判定方法流程图;
图2显示为本发明提供的一种基于人像聚档的区域落脚点判定方法另一实施例流程图;
图3显示为本发明提供的一种基于人像聚档的区域落脚点判定生成的落脚区域图;
图4显示为本发明提供的一种基于人像聚档的区域落脚点判定方法效果图;
图5显示为本发明提供的一种基于人像聚档的区域落脚点判定方法中的落脚时间范围图;
图6显示为本发明提供的一种基于人像聚档的区域落脚点判定系统结构框图;
图7显示为本发明提供的一种电子设备结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,为本发明提供的一种基于人像聚档的区域落脚点判定方法流程图,包括:
步骤S1,利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
例如,通过对抓拍到的人像做聚类处理,得到至少一个聚类结果。
其中,人像是指用于表征该图像包含人的一类图像,而本实施例中,抓拍数据是指抓拍到的人像可以是某一时刻所抓拍到的所有人像。例如,在XXXX年XX月X天中所抓拍到的所有人像。
可选地,所述人像还携带有被抓拍的时间与地点信息,例如,R在某地某时刻被抓拍。
可选地,通过图像采集装置(如摄像头)实时抓拍该图像采集装置采集区域中的所有事物。例如,通过安装在城市各个角落中的摄像头实时采集各自采集区域中的图像。
在本实施例中,相同人脸图像,指通过人脸识别技术所从所抓拍数据中提取出人脸图像为同一个监控对象。
在实际使用中,一般地,采集区域的大小根据每个摄像头的功能进行确定,在此,不作具体限定。
在实际使用中,抓拍到的人像或者是从抓拍到的视频所得到的人像都是存储在一图像数据库中,该图像数据库专门用于存储人像。可选地,每个聚类结果包括至少一个标识信息(例如,ID(Identification)),每个标识信息对应一张人像。
步骤S2,遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
其中,当检测到前后相邻的抓拍数据之间的间隔时间差大于预设时间阈值时,则满足当前的预设时间阈值条件;当检测到前后相邻的抓拍数据之间的间隔距离小于预设距离阈值时;则满足当前的预设距离阈值条件。
步骤S3,当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
在本实例中,在抓拍数据集内逐一比对前后相邻的抓拍数据,通过预设时间阈值条件和预设距离阈值条件的检测,从而判断连续两次抓拍数据是否可以为同一落脚点。相比其他的落脚点判定方式,本发明判定方式生成的落脚点更为精准,同时,落脚点的区域范围更小。
在另一个实施例中,当检测到前后相邻的抓拍数据之间的间隔时间差或间隔距离任一不满足预设阈值条件时,则无法将前后相邻的抓拍数据判定为监控对象的落脚点。
例如,当前后相邻的抓拍数据之间的间隔时间差小于预设时间阈值条件时,或者,当前后相邻的抓拍数据之间的间隔距离大于预设距离阈值时;则前后相邻的抓拍数据无法判定为监控对象的同一落脚点,本实施例通过时间与空间的双重检测,一方面,使得生成的落脚点区域范围更小,另一方面,使得生成的落脚点更为精准。
作为一种可能的实现方式,步骤S1包括:对抓拍到人像进行人脸识别,得到每张所述人像所对应的人脸向量;确定每两个所述人脸向量之间的距离;根据所述距离确定每两个所述人像之间的人脸相似度;根据所述人脸相似度将所述人像进行合并聚类,得到至少一个聚类结果。
可选地,对抓拍到人像进行人脸识别,得到每张所述人像所对应的人脸向量,包括:通过人脸识别技术对抓拍到人像进行人脸识别,得到每张所述人像所对应的人脸向量。
可选地,人脸向量可以是人脸特征向量,例如,人脸特征向量可以是鼻梁向量、眉骨、颧骨、下巴、嘴唇、眼睛等特征向量。
当然,在实际运用中,也可以通过其它方式对对抓拍到人像进行人脸识别,进而得到每张所述人像所对应的人脸向量,例如通过几何特征的人脸识别方法、基于特征脸的人脸识别方法、神经网络的人脸识别方法或弹性图匹配的人脸识别方法等人脸识别技术对抓拍到人像进行人脸识别。
可选地,所述距离可以是但不限于欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦等。
可选地,根据所述距离确定每两个所述人像之间的人脸相似度,包括:根据所述距离的大小确定每两个所述人像之间的人脸相似度。即距离越近人脸相似度越高。例如,人脸向量A与人脸向量B之间的距离为n,人脸向量A与人脸向量C之间的距离为N,若n小于N,则判定人脸向量A与人脸向量B的人脸相似度高于人脸向量A与人脸向量C的人脸相似度,进而可以确定人脸向量A与人脸向量B更相似。
可选地,根据所述相似度将所述人像进行合并聚类,得到至少一个聚类结果,包括:根据所述人脸相似度的大小,将最相似的人像先进行合并聚类,得到至少一个聚类结果。
其中,最相似的人像是指多个人像之间的人脸相似度最高。
继续以上述例子为例来说,人脸向量A与人脸向量B的相似度高于人脸向量A与人脸向量C的相似度,则可以确定人脸向量A与人脸向量B最相似。
在实际使用中,可以通过贪心算法将最相似的人像进行合并聚类。例如,基于贪心算法的思想找到所有人像之间最相似的人像进行合并聚类。例如,将多个人脸中相似度高于预设值的人脸先进行合并聚类。
其中,预设值的选取可以根据实际需求进行设置,在此,不作具体限定。例如,预设值可以是90%。
请参阅图2,为本发明提供的一种基于人像聚档的区域落脚点判定方法另一实施例流程图,包括:
步骤S401,判断该监控对象的落脚点是否处于某个相应落脚区域的阈值范围内;
步骤S402,如果该监控对象的落脚点处于某个相应落脚区域的阈值范围内,则所述落脚点合并至所述落脚区域;
步骤S403,如果该监控对象的落脚点不处于某个相应落脚区域的阈值范围内,以所述落脚点为中心形成一个新的落脚区域。
其中,遍历每个落脚区域,计算每个落脚区域的中心点与该落脚点的中心点之间的距离,通过比较该距离是否处于阈值范围内判断该落脚点的归属以及是否需要建立新的落脚区域。
例如,以之前获得到的落脚区域A取中心点,与刚获取的落脚点B的中心点对比,若AB其间距离小于阈值范围,则可将落脚点B合入到之前获取的落脚区域A中,作为同一落脚点范围。
在本实施例中,通过将监控对象的落脚点按照落脚区域进行归属,便于将落脚点归属到不同的落脚点区域,有利于得到监控对象的移动轨迹和活动区域,便于实现定点监控。详见图3,为本发明提供的一种基于人像聚档的区域落脚点判定生成的落脚区域图,完整的记录了落脚点判定流程、落脚区域的生成过程以及落脚区域的分析结果。
详见图4,为本发明提供的一种基于人像聚档的区域落脚点判定方法效果图,例如:在公司附近路口以及在公司公寓附近路口设置抓拍卡口,保证在出入的时候会被抓拍(同时保证在公寓内部楼道及公司内部无抓拍,这点可以提高成功率),经过一段时间的抓拍及人像聚档后,在页面输入公司楼内的人像图片及其他查询条件,可查看到其落脚点。
在本实施例中,如图4所示,获取到多个小范围的落脚点,每个落脚区域包含多个落脚点,每个落脚点包含2次抓拍,分为第一次抓拍和第二次抓拍,并且附带信息,如落脚次数,落脚时间等。通过降低落脚点的判断错误率判断出此人的落脚点,将多次落脚点聚合到一个较小的范围内,计算出此人经常落脚的时间范围。
进一步,此落脚点判断方式,适用于不密集监控设备的区域(不经常抓拍),比如在一般小区卡口、路口等装设摄像头的场景。而针对于内部区域,比如商场内部、楼道、办公区域等安装摄像头的场景,这种场景会经常产生抓拍图,由于无法达到落脚点的时间判断条件,因此,不适于内部区域的落脚点判定方式。
请参阅图5,为本发明提供的一种基于人像聚档的区域落脚点判定方法中的落脚时间范围图,包括:
遍历每个落脚区域,筛选每个所述落脚区域内每个落脚点的前一次落脚点抓拍数据与后一次落脚点抓拍数据,根据所述落脚区域按时间段形成数组,所述数组对应的时间段内每增加一次抓拍时间该数组的标识数值递增加一;比较各个所述数组的标识数值的差值,将前一次落脚点抓拍数据上升差值最大的标识数值所对应的时间段作为落脚的开始时间,将后一次落脚点抓拍数据下降差值最大的标识数值所对应的时间段作为落脚的结束时间。
在本实施例中,将所有落脚点区域做处理,遍历每个落脚点区域,将时间分为24小时,以数组下标做标识,取每次前一次抓拍记录和后一次抓拍记录的时间,相应下标的值+1,一次落脚点的全部放置完成后,取变化最大的下标(斜率)的数组所对应的时间段为其落脚的开始、落脚的结束时间。
在另一些实施例中,基于人像聚档的区域落脚点判定方法还包括:
获取该监控对象具有相同种类标识的其他人员在目标时间段的落脚区域;根据所述目标时间段的落脚区域确定所述目标时间段每个其他人员的活跃度;根据所述目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在所述目标时间段的行为数据对所述监控对象进行异常判定。
例如,一个月中每一天代表一个时间小段,进而获得一个月三十天每天的定位信息;在此基础上,还可以将一个月中每天分为三个时间段,包括白天时间段(如04:00:00至18:59:59)、晚上时间段(如19:00:00至23:59:59)以及凌晨时间段(如00:00:00至03:59:59),进而可以获得每天分成的三个时间段的定位信息,从而获得一个月中每天对应的三个时间段的定位信息(落脚区域)。上述所描述的人群种类标识和行为数据,在公安系统中通过输入监控对象的身份标识都可以直接获取到,在获取到之后即可确定该监控对象的活跃度。
在本实施例中,在确定出监控对象活跃度超过预设值的目标时间段之后,获取与该监控对象活属于同类人群中的其他人员在该目标时间段的定位信息,根据前述所描述的方式确定这些其他人员在该目标时间段的活跃度,进而将超过活跃度预设值的其他人员在该目标时间段的行为数据和该监控对象在该目标时间段的行为数据来对该监控对象进行异常判定,用于解决目前通过人工分析特定人员的行为轨迹进行人员异常判定存在的判定不准确、费时费力的现象,提高异常判断的准确性与效率。
请参阅图6,为本发明提供的一种基于人像聚档的区域落脚点判定系统结构框图,包括:
数据集生成模块1,利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
比对检测模块2,用于遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
具体地,当检测到前后相邻的抓拍数据之间的间隔时间差大于预设时间阈值时,则满足当前的预设时间阈值条件;当检测到前后相邻的抓拍数据之间的间隔距离小于预设距离阈值时;则满足当前的预设距离阈值条件。
落脚点判定模块3,用于当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
在另一实施例中,当检测到前后相邻的抓拍数据之间的间隔时间差或间隔距离任一不满足预设阈值条件时,则无法将前后相邻的抓拍数据判定为监控对象的落脚点。
在另一实施例中,还包括:
落脚区域判定模块,用于判断该监控对象的一次落脚点是否处于某个相应落脚区域的阈值范围内;如果该监控对象的一次落脚点处于某个相应落脚区域的阈值范围内,则所述一次落脚点合并至所述落脚区域;如果该监控对象的一次落脚点不处于某个相应落脚区域的阈值范围内,以所述一次落脚点为中心形成一个新的落脚区域。
具体地,遍历每个落脚区域,计算每个落脚区域的中心点与该一次落脚点的中心点之间的距离,通过比较该距离是否处于阈值范围内判断该落脚点的归属以及是否需要建立新的落脚区域。
在另一实施例中,遍历每个落脚区域,筛选每个所述落脚区域内每个落脚点的前一次落脚点抓拍数据与后一次落脚点抓拍数据,根据所述落脚区域按时间段形成数组,所述数组对应的时间段内每增加一次抓拍时间该数组的标识数值递增加一;比较各个所述数组的标识数值的差值,将前一次落脚点抓拍数据上升差值最大的标识数值所对应的时间段作为落脚的开始时间,将后一次落脚点抓拍数据下降差值最大的标识数值所对应的时间段作为落脚的结束时间。
在另一实施例中,还包括:异常判断模块,用于获取该监控对象具有相同种类标识的其他人员在所述目标时间段的定位信息;根据所述目标时间段的定位信息确定所述目标时间段每个其他人员的活跃度;根据所述目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在所述目标时间段的行为数据对所述监控对象进行异常判。
由于基于人像聚档的区域落脚点判定方法与基于人像聚档的区域落脚点判定系统为一一对应关系,因此,基于人像聚档的区域落脚点判定系统的技术细节、以及相应实施例与技术效果不再重复赘述,请参照上述描述即可。
在介绍了本发明示例性实施方式的基于人像聚档的区域落脚点判定方法和系统之后,接下来,介绍根据本发明的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本发明的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的人脸对齐检测方法中的步骤。例如,所述处理器可以执行如图1至图3中所涉及的步骤。
下面参照图7来描述根据本发明的这种实施方式的电子设备70。图7显示的电子设备70仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70以通用计算设备的形式表现。电子设备70的组件可以包括但不限于:上述至少一个处理器71、上述至少一个存储器72、连接不同系统组件(包括存储器72和处理器71)的总线73。
总线73表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器72可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)721和/或高速缓存存储器722,还可以进一步包括只读存储器(ROM)723。
存储器72还可以包括具有一组(至少一个)程序模块724的程序/实用工具725,这样的程序模块724包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备70也可以与一个或多个外部设备74(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备70交互的设备通信,和/或与使得该电子设备70能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口75进行。并且,电子设备70还可以通过网络适配器76与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器76通过总线73与用于电子设备70的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备70使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本发明提供的基于人像聚档的区域落脚点判定方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的人脸对齐检测方法中的步骤,例如,所述计算机设备可以执行如图1、图2与图3中所示的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于人脸对齐检测的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备上运行。然而,本发明的程序产品不限于此,在本文件中,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。
可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、系统、设备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设备上,使得在计算机或其他可编程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。
尽管已描述了本发明的优选实施例,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发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于人像聚档的区域落脚点判定方法,其特征在于,所述方法包括以下步骤:
利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
2.根据权利要求1所述的基于人像聚档的区域落脚点判定方法,其特征在于,所述当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件的步骤,包括:
当检测到前后相邻的抓拍数据之间的间隔时间差大于预设时间阈值时,则满足当前的预设时间阈值条件;当检测到前后相邻的抓拍数据之间的间隔距离小于预设距离阈值时;则满足当前的预设距离阈值条件。
3.根据权利要求1或2所述的基于人像聚档的区域落脚点判定方法,其特征在于,还包括:
当检测到前后相邻的抓拍数据之间的间隔时间差或间隔距离任一不满足预设阈值条件时,则无法将前后相邻的抓拍数据判定为监控对象的落脚点。
4.根据权利要求1所述的基于人像聚档的区域落脚点判定方法,其特征在于,还包括:判断该监控对象的落脚点是否处于某个相应落脚区域的阈值范围内;如果该监控对象的落脚点处于某个相应落脚区域的阈值范围内,则所述落脚点合并至所述落脚区域;如果该监控对象的落脚点不处于某个相应落脚区域的阈值范围内,以所述落脚点为中心形成一个新的落脚区域。
5.根据权利要求4所述的基于人像聚档的区域落脚点判定方法,其特征在于,还包括:遍历每个落脚区域,计算每个落脚区域的中心点与该落脚点的中心点之间的距离,通过比较该距离是否处于阈值范围内判断该落脚点的归属以及是否需要建立新的落脚区域。
6.根据权利要求4所述的基于人像聚档的区域落脚点判定方法,其特征在于,遍历每个落脚区域,筛选每个所述落脚区域内每个落脚点的前一次落脚点抓拍数据与后一次落脚点抓拍数据,根据所述落脚区域按时间段形成数组,所述数组对应的时间段内每增加一次抓拍时间该数组的标识数值递增加一;比较各个所述数组的标识数值的差值,将前一次落脚点抓拍数据上升差值最大的标识数值所对应的时间段作为落脚的开始时间,将后一次落脚点抓拍数据下降差值最大的标识数值所对应的时间段作为落脚的结束时间。
7.根据权利要求1所述的基于人像聚档的区域落脚点判定方法,其特征在于,还包括:获取该监控对象具有相同种类标识的其他人员在目标时间段的落脚区域;根据所述目标时间段的落脚区域确定所述目标时间段每个其他人员的活跃度;根据所述目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在所述目标时间段的行为数据对所述监控对象进行异常判。
8.一种基于人像聚档的区域落脚点判定系统,其特征在于,所述系统包括:
数据集生成模块,利用人像聚档将拍摄包含相同人脸图像的抓拍数据按时间排序生成抓拍数据集;
比对检测模块,用于遍历所述抓拍数据集内每条抓拍数据比对前后相邻的抓拍数据;检测前后相邻的抓拍数据之间的间隔时间差是否满足预设时间阈值条件,以及检测前后相邻的抓拍数据之间的间隔距离是否满足预设距离阈值条件;
落脚点判定模块,用于当检测到前后相邻的抓拍数据既满足预设时间阈值条件又满足预设距离阈值条件时,则将前后相邻两次的抓拍数据判定为监控对象的一次落脚点。
9.一种电子设备,其特征在于,包括:
一个或多个处理装置;
存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现权利要求1至7中任一所述的基于人像聚档的区域落脚点判定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序用于使所述计算机执行权利要求1至7中任一所述的基于人像聚档的区域落脚点判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092882.0A CN112232178A (zh) | 2020-10-13 | 2020-10-13 | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092882.0A CN112232178A (zh) | 2020-10-13 | 2020-10-13 | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232178A true CN112232178A (zh) | 2021-01-15 |
Family
ID=74113384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092882.0A Pending CN112232178A (zh) | 2020-10-13 | 2020-10-13 | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232178A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268482A (zh) * | 2021-04-29 | 2021-08-17 | 北京旷视科技有限公司 | 数据关联方法、装置和电子设备 |
CN113470079A (zh) * | 2021-07-15 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种落脚区域的输出方法、装置及电子设备 |
CN113779171A (zh) * | 2021-09-26 | 2021-12-10 | 浙江大华技术股份有限公司 | 对象落脚点的确定方法、装置、存储介质及电子装置 |
CN114022934A (zh) * | 2021-11-04 | 2022-02-08 | 南威软件股份有限公司 | 一种基于多数原则的实时人像聚档方法、系统和介质 |
CN114329058A (zh) * | 2021-12-29 | 2022-04-12 | 重庆紫光华山智安科技有限公司 | 图像聚档方法、装置和电子设备 |
CN115687249A (zh) * | 2022-12-30 | 2023-02-03 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170257576A1 (en) * | 2016-03-07 | 2017-09-07 | Satoshi Mitsui | Communication terminal, image management apparatus, image processing system, method for controlling display, and computer program product |
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN109815878A (zh) * | 2019-01-18 | 2019-05-28 | 深圳英飞拓智能技术有限公司 | 基于人脸识别的落脚点分析方法和装置 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110298254A (zh) * | 2019-05-30 | 2019-10-01 | 罗普特科技集团股份有限公司 | 一种用于人员异常行为的分析方法和系统 |
CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
CN111241149A (zh) * | 2019-12-13 | 2020-06-05 | 北京明略软件系统有限公司 | 一种人员异常判定方法、装置、电子设备及存储介质 |
CN111460940A (zh) * | 2020-03-21 | 2020-07-28 | 中电海康集团有限公司 | 一种陌生人落脚点研判方法与系统 |
-
2020
- 2020-10-13 CN CN202011092882.0A patent/CN112232178A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170257576A1 (en) * | 2016-03-07 | 2017-09-07 | Satoshi Mitsui | Communication terminal, image management apparatus, image processing system, method for controlling display, and computer program product |
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN109815878A (zh) * | 2019-01-18 | 2019-05-28 | 深圳英飞拓智能技术有限公司 | 基于人脸识别的落脚点分析方法和装置 |
CN110298254A (zh) * | 2019-05-30 | 2019-10-01 | 罗普特科技集团股份有限公司 | 一种用于人员异常行为的分析方法和系统 |
CN111241149A (zh) * | 2019-12-13 | 2020-06-05 | 北京明略软件系统有限公司 | 一种人员异常判定方法、装置、电子设备及存储介质 |
CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
CN111460940A (zh) * | 2020-03-21 | 2020-07-28 | 中电海康集团有限公司 | 一种陌生人落脚点研判方法与系统 |
Non-Patent Citations (1)
Title |
---|
王仕勇等: "利用互联网推进社会治理精准化", 《重庆社会科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268482A (zh) * | 2021-04-29 | 2021-08-17 | 北京旷视科技有限公司 | 数据关联方法、装置和电子设备 |
CN113268482B (zh) * | 2021-04-29 | 2023-12-08 | 北京旷视科技有限公司 | 数据关联方法、装置和电子设备 |
CN113470079A (zh) * | 2021-07-15 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种落脚区域的输出方法、装置及电子设备 |
CN113779171A (zh) * | 2021-09-26 | 2021-12-10 | 浙江大华技术股份有限公司 | 对象落脚点的确定方法、装置、存储介质及电子装置 |
CN114022934A (zh) * | 2021-11-04 | 2022-02-08 | 南威软件股份有限公司 | 一种基于多数原则的实时人像聚档方法、系统和介质 |
CN114022934B (zh) * | 2021-11-04 | 2023-06-27 | 清华大学 | 一种基于多数原则的实时人像聚档方法、系统和介质 |
CN114329058A (zh) * | 2021-12-29 | 2022-04-12 | 重庆紫光华山智安科技有限公司 | 图像聚档方法、装置和电子设备 |
CN115687249A (zh) * | 2022-12-30 | 2023-02-03 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
CN115687249B (zh) * | 2022-12-30 | 2023-03-28 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232178A (zh) | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 | |
CN110175549B (zh) | 人脸图像处理方法、装置、设备及存储介质 | |
WO2021063011A1 (zh) | 行为分析方法、装置、电子设备、存储介质和计算机程序 | |
US9639741B2 (en) | Facial recognition with biometric pre-filters | |
CN110826594A (zh) | 一种轨迹聚类的方法、设备及存储介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
KR102376912B1 (ko) | 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 | |
CN112347296B (zh) | 一种基于人脸识别的人员与案件关联分析方法和装置 | |
JP2023527100A (ja) | イベント検出方法、装置、電子機器、読み取り可能な記憶媒体、及びコンピュータプログラム | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN111291216B (zh) | 一种基于人脸结构化数据的落脚点分析方法和系统 | |
CN111739056A (zh) | 一种轨迹追踪系统 | |
CN115757987B (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
Uke et al. | Motion tracking system in video based on extensive feature set | |
CN116386086A (zh) | 人员定位方法、装置、电子设备及存储介质 | |
CN112990659B (zh) | 一种疏散救援辅助方法、系统、计算机设备、处理终端 | |
WO2022022059A1 (en) | Context aware anomaly detection | |
RU2694139C1 (ru) | Способ определения девиантного поведения человека в режиме одновременной работы группы видеокамер | |
CN114155578A (zh) | 人像聚类方法、装置、电子设备和存储介质 | |
CN115346169A (zh) | 一种睡岗行为检测方法及系统 | |
CN114519879A (zh) | 人体数据归档方法、装置、设备及存储介质 | |
CN113869427A (zh) | 一种场景分析方法、装置、电子设备及存储介质 | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN111079566A (zh) | 一种大规模人脸识别模型优化系统 |
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 |
Application publication date: 20210115 |
|
RJ01 | Rejection of invention patent application after publication |