CN112257502A - 一种监控视频行人识别与跟踪方法、装置及存储介质 - Google Patents
一种监控视频行人识别与跟踪方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112257502A CN112257502A CN202010975954.XA CN202010975954A CN112257502A CN 112257502 A CN112257502 A CN 112257502A CN 202010975954 A CN202010975954 A CN 202010975954A CN 112257502 A CN112257502 A CN 112257502A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- face
- face detection
- frame
- 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 48
- 238000001514 detection method Methods 0.000 claims abstract description 129
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000005286 illumination Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011426 transformation method 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种监控视频行人识别与跟踪方法、装置及存储介质，方法包括：构建SSD目标检测模型，所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络；对监控视频进行解码获取图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息；根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹。本发明实施例通过采用深度学习训练的SSD网络，对监控视频行人识别与跟踪的特征采集网络进行了优化，通过MobileNet级联神经网络实现行人人脸检测，极大地提升了计算速度和准确率，可实现摄像头的实时行人检测，提高安防监控的可靠性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种监控视频行人识别与跟踪方法、装置及存储介质。
背景技术
监控摄像头的普及与图像处理技术的发展为智能监控提供了很好的发展条件，近年来，在安防监控领域，人体和人脸目标的检测、识别与跟踪技术更是得到的迅速的发展，通过对监控视频中的行人进行识别跟踪可有效监控摄像头普及范围内的人员行动轨迹，提高安防水平。
然而现有的视频行人检测跟踪技术中，前端特征采集与提取的速度低且准确率不够，无法满足摄像头的实时检测需求，可能会产生跟踪失败等结果，降低了安防监控的可靠性。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种监控视频行人识别与跟踪方法、装置及存储介质，旨在解决现有技术中监控视频行人检测速度与准确率不够导致跟踪不稳定的问题。
本发明的技术方案如下：
一种监控视频行人识别与跟踪方法,其包括如下步骤：
构建SSD目标检测模型，所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络；
对监控视频进行解码获取图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息；
根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹。
所述的监控视频行人识别与跟踪方法中，所述根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹，包括：
初始化卡尔曼滤波器并根据当前帧图像中行人的位置框信息预测下一帧图像中行人的位置框信息；
通过匈牙利匹配算法将当前帧图像中行人的位置框信息与下一帧图像中行人的位置框信息进行最优匹配；
继续获取下一帧图像数据并依次进行人脸检测识别与位置框信息预测匹配，根据连续帧图像中每个行人的位置框信息匹配结果输出各个行人的移动轨迹。
所述的监控视频行人识别与跟踪方法中，所述选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息，包括：
选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，其中所述MobileNet级联神经网络的卷积层为Depthwise SeparableConvolution；
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号。
所述的监控视频行人识别与跟踪方法中，所述选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，包括：
通过所述MobileNet级联神经网络中的第一神经网络对当前帧图像中的人脸位置进行定位，根据定位结果对当前帧图像进行裁剪获得人脸区域图像；
通过所述MobileNet级联神经网络中的第二神经网络对所述人脸区域图像中的人脸关键点进行定位，输出人脸检测图像。
所述的监控视频行人识别与跟踪方法中，所述对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号，包括：
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，识别出当前帧图像中所有特征不相同的行人；
根据每个行人的人脸位置得到其位置框信息并对每个位置框设置唯一编号。
所述的监控视频行人识别与跟踪方法中，所述对所述人脸检测图像进行预处理，包括：
预先定义标准人脸的关键点位置和光照条件；
通过预设的图像变换算法将当前所述人脸检测图像的关键点位置对齐至标准人脸的关键点位置，获得对齐后的人脸检测图像；
根据所述标准人脸的光照条件对所述对齐后的人脸检测图像进行光线校正处理，得到光照条件与标准人脸一致的人脸检测图像；
对经光线校正处理后的人脸检测图像依次进行图像灰度化和图像归一化处理。
本发明又一实施例还提供了一种监控视频行人识别与跟踪装置，所述装置包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述监控视频行人识别与跟踪方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的监控视频行人识别与跟踪方法。
本发明的另一实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被处理器执行时，使所述处理器执行上述的监控视频行人识别与跟踪方法。
有益效果：本发明公开了一种监控视频行人识别与跟踪方法、装置及存储介质，相比于现有技术，本发明实施例通过采用深度学习训练的SSD网络，对监控视频行人识别与跟踪的特征采集网络进行了优化，通过MobileNet级联神经网络实现行人人脸检测，极大地提升了计算速度和准确率，可实现摄像头的实时行人检测，提高安防监控的可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明提供的监控视频行人识别与跟踪方法较佳实施例的流程图；
图2为本发明提供的监控视频行人识别与跟踪装置较佳实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
请参阅图1，图1为本发明提供的监控视频行人识别与跟踪方法较佳实施例的流程图。如图1所示，其包括如下步骤：
S100、构建SSD目标检测模型，所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络；
S200、对监控视频进行解码获取图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息；
S300、根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹。
本实施例中，首先构建SSD目标检测模型以用于多目标识别，其中所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络，通过MobileNet级联神经网络和特征提取网络分别进行高效率的人脸检测和人脸识别；之后对监控视频进行解码获取图像数据，具体可通过ffmpeg、cuda对实时视频流或者本地视频文件进行硬解码和图像转换，得到能进行图像计算的图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息，即通过SSD目标检测模型进行多目标识别，检测识别出当前帧图像中所有不同行人的位置坐标并以位置框信息来体现其实时位置；之后根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成各自的移动轨迹，即在当前帧图像的每个行人的位置框信息基础上，对后续帧中每个行人的位置进行实时跟踪得到每个行人对应的移动轨迹，实现监控视频的实时行人跟踪，本发明实施例采用深度学习训练的SSD网络实现人脸检测识别，优化过的SSD目标检测模型通过采用MobileNet级联神经网络实现行人人脸检测，极大地提升了计算速度和准确率，可实现摄像头的实时行人检测，有利于后续的行人跟踪运算，避免发生由于人脸检测速度过慢导致的跟踪目标丢失情况，提高安防监控的可靠性。
进一步地，所述根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹，包括：
初始化卡尔曼滤波器并根据当前帧图像中行人的位置框信息预测下一帧图像中行人的位置框信息；
通过匈牙利匹配算法将当前帧图像中行人的位置框信息与下一帧图像中行人的位置框信息进行最优匹配；
继续获取下一帧图像数据并依次进行人脸检测识别与位置框信息预测匹配，根据连续帧图像中每个行人的位置框信息匹配结果输出各个行人的移动轨迹。
本实施例中，在实现行人跟踪时采用卡尔曼滤波算法提高跟踪准确率，具体先初始化卡尔曼滤波器，将当前帧图像中行人的位置框信息输入至卡尔曼滤波的目标跟踪算法中，使系统能够在当前场景下对行人位置进行预测，即根据当前帧图像中行人的位置框信息预测下一帧图像中行人的位置框信息，卡尔曼滤波器可以对运动目标的位置有更好的估计，使其运动轨迹更平滑，有效提高目标跟踪的准确性；之后通过匈牙利匹配算法将当前帧图像中行人的位置框信息与下一帧图像中行人的位置框信息进行最优匹配，具体为根据当前帧图像检测到的各个位置框信息中心点坐标与预测的下一帧图像中各个位置框信息中心点坐标，利用欧氏距离或者余弦相似度求取最佳匹配，即为当前的位置框信息对应匹配找到距离最近的预测的位置框信息实现目标匹配，之后继续获取下一帧图像数据并依次进行人脸检测识别与位置框信息预测匹配，即对后续的帧图像不断重复上述人脸检测识别与位置框信息预测匹配处理，根据连续帧图像中每个行人的位置框信息匹配结果即可输出各个行人的移动轨迹，从而得到准确的行人跟踪轨迹。本实施例中通过对监控视频中的行人进行人脸检测与定位，提取不同行人的特征信息后通过卡尔曼滤波器和匈牙利匹配算法对多个目标行人同时进行目标跟踪与匹配，当出现多个目标行人交叠、部分遮挡或形变等情况时也可实现对多目标行人的正确跟踪，确保跟踪准确提高安防监控的可靠性。
进一步地，所述选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息，包括：
选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，其中所述MobileNet级联神经网络的卷积层为Depthwise SeparableConvolution；
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号。
本实施例中，在对监控视频解码得到的图像数据进行人脸检测时，选取所述图像数据中的一帧输入至预先训练完成的MobileNet级联神经网络进行人脸检测获得人脸检测图像，具体帧图像的选择可根据实际安防需要进行选择，其中，所述MobileNet级联神经网络的卷积层为Mobilenet系列中的Depthwise Separable Convolution(深度可分离卷积结构)，即通过Depthwise和Pointwise卷积来代替Pnet、Rnet和Onet中的Sptial卷积，可大幅度提升网络计算速度，从而满足摄像头实时行人检测跟踪的需求；之后对所述人脸检测图像进行预处理，获得预处理后的人脸检测图像，将其输入至预先训练完成的特征提取网络进行人脸特征提取，识别得到当前帧图像中所有行人及其对应的位置框信息，根据所述位置框信息对每个行人进行相应编号以便后续的轨迹跟踪。
特别地，所述特征提取网络中包含有残差模块，通过所述残差模块进行特征提取可有效解决梯度消失的问题，有效克服了传统方法的局限性，同时在进行人脸检测获取人脸检测图像后，先对该人脸检测图像进行预处理后再输入至特征提取网络进行监控视频行人识别，进一步消除监控视频图像数据中由于姿势、光照等信息的干扰，使得监控视频行人识别与跟踪结果更加准确可靠。
优选地，本发明提供的监控视频行人识别与跟踪方法中，所述特征提取网络进一步增加了预设网络深度，即采用了加深的特征提取网络进行特征提取和识别，随着网络深度的增加可有效增大感受野，使得提取出来的特征具有更多的细节，同时由于加入了残差模块，网络深度的加深并不会导致梯度消失，因此可确保特征提取结果的可靠性。具体实施时，所述特征提取网络新加入一个卷积核为1*1的卷积层。即本实施例中所采用的特征提取网络，通过该1*1的卷积层使输入增加了非线性表达，加深了网络深度，可提取更多细节特征，在提高了神经网络表达能力的同时计算量也没有显著增加，不影响原先的计算速度，同时保证了监控视频行人识别与跟踪的效率和准确率。
进一步地，所述选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，包括：
通过所述MobileNet级联神经网络中的第一神经网络对当前帧图像中的人脸位置进行定位，根据定位结果对当前帧图像进行裁剪获得人脸区域图像；
通过所述MobileNet级联神经网络中的第二神经网络对所述人脸区域图像中的人脸关键点进行定位，输出人脸检测图像。
本实施例中，在进行人脸检测时，通过MobileNet级联神经网络分别进行人脸区域检测和人脸关键点检测从而得到最终的人脸检测图像，具体来说，预先对MobileNet级联神经网络进行训练，其包括第一神经网络和第二神经网络分别用于人脸区域检测和人脸关键点检测，两个神经网络采用级联的方式实现由粗略到精细的人脸检测，通过预设的训练数据集分别对两个神经网络进行训练直到收敛后，获得最终的用于人脸检测的MobileNet级联神经网络，将选取的监控视频中的一帧图像数据输入至所述MobileNet级联神经网络中，通过第一神经网络对当前帧图像中的人脸位置进行定位，根据定位结果对当前帧图像进行裁剪获得人脸区域图像，其中，所述人脸位置指的是人脸在图像中所处位置的信息，通常包括人脸左上角或中心点在图像中的像素坐标，以及人脸的长度和宽度等，根据这些定位信息对待识别图像进行裁剪，去除不包含人像的区域获得人脸区域图像，之后通过第二神经网络对所述人脸区域图像中的人脸关键点进行定位，获得人脸检测图像，其中所述人脸关键点包括眼睛、鼻尖、嘴角尖、眉毛以及脸部轮廓的坐标值，这些人脸关键点的位置可以用来指示人脸的姿态、标签，可使用这些信息对人脸图像进行进一步的校正以便后期的人脸特征提取，确保监控视频行人识别与跟踪准确性。
进一步地，所述对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号，包括：
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，识别出当前帧图像中所有特征不相同的行人；
根据每个行人的人脸位置得到其位置框信息并对每个位置框设置唯一编号。
本实施例中，在对当前帧图像数据进行人脸检测获得所有的人脸检测图像后，先对所述人脸检测图像进行预处理以矫正其姿态和光线，之后输入至所述特征提取网络进行人脸特征提取，通过提取到的人脸特征识别出当前帧图像中所有不同的行人，即特征不相同的行人，之后根据每个行人的人脸位置得到其位置框信息，并对每个位置框设置唯一编号以区分不同的行人，通过特征提取进行准确的人脸识别可避免在后续跟踪算法中发生不同行人的位置预测混淆情况，避免跟踪错误导致安防监控失效。
进一步地，所述对所述人脸检测图像进行预处理，包括：
预先定义标准人脸的关键点位置和光照条件；
通过预设的图像变换算法将当前所述人脸检测图像的关键点位置对齐至标准人脸的关键点位置，获得对齐后的人脸检测图像；
根据所述标准人脸的光照条件对所述对齐后的人脸检测图像进行光线校正处理，得到光照条件与标准人脸一致的人脸检测图像；
对经光线校正处理后的人脸检测图像依次进行图像灰度化和图像归一化处理。
本实施例中，在进行监控视频行人识别与跟踪前，先对待识别的人脸检测图像进行预处理，以消除外界环境以及人体姿态对监控视频中行人识别准确率的影响，具体先预先定义标准人脸的关键点位置和光照条件，例如证件照的关键点位置和光照条件，之后通过预设的图像变换算法将当前所述人脸检测图像的关键点位置对齐至标准人脸的关键点位置，获得对齐后的人脸检测图像，从而达到校正人脸姿态的目的，本实施例中所述图像变换算法可以是相似变换、仿射变换等基本的图像变换方法或组合，或者在其他实施例中，也可直接通过Landmarks对齐实现姿态校正，具体为在检测到的人脸上进行Landmarks检测，获得一系列的Landmarks点，利用检测到的Landmarks点和标准模板姿态的Landmarks点计算仿射矩阵H，然后利用仿射矩阵H直接计算得到对齐后的图像，从而实现人脸姿态的校正，尽量消除人脸姿态对监控视频行人识别与跟踪准确率的影响，例如监控摄像头一般多以俯视角度拍摄监控视频，由于角度问题可能导致后续人脸识别不准确，通过预处理中姿态校正尽可能地消除姿态角度带来的误差。
同时，还根据所述标准人脸的光照条件对所述对齐后的人脸检测图像进行光线校正处理，得到光照条件与标准人脸一致的人脸检测图像，即通过光线校正，使得经过对齐处理后的人脸影像的光照条件变换至所述标准人脸具有的光照条件，例如可以使用伽玛值来对图像像素值进行校正调整，使处理后的图像具有合适的对比度，人脸细节清晰可见，需说明的是，姿态校正和光线校正的操作次数不限，直到达到预期效果为止，在进行姿态校正和光线校正后，进一步对所述人脸检测图像依次进行图像灰度化和图像归一化处理，其中图像灰度化为通过例如直方图、灰度变化、正交变换等将R、G、B三维彩色图像转换为以灰度值表示的二维灰度图像，进行图像灰度化处理会大大减小后续工作的计算量，进一步减小图像受光照的影响，提高处理效率；图像归一化则是采用线性归一化算法对所述二维灰度图像进行归一化处理，得到固定像素的图像，进行图像归一化处理可归纳统一图像样本的统计分布性，使具有不同物理意义和量纲的输入能够平等使用，通过图像预处理操作，可弥补待识别的人脸检测图像由于采集的环境不同，如光照、设备性能差异等因素对图像的影响，去除干扰信息提高图像对比度，进而提高监控视频行人识别与跟踪准确率。
本发明另一实施例提供一种监控视频行人识别与跟踪装置，如图2所示，装置10包括：
一个或多个处理器110以及存储器120，图2中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图2中以通过总线连接为例。
处理器110用于完成装置10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的监控视频行人识别与跟踪方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行装置10的各种功能应用以及数据处理，即实现上述方法实施例中的监控视频行人识别与跟踪方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储根据装置10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至装置10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的监控视频行人识别与跟踪方法，例如，执行以上描述的图1中的方法步骤S100至步骤S300。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S300。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明丽非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例提供了一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被处理器执行时，使所述处理器执行上述方法实施例的监控视频行人识别与跟踪方法。例如，执行以上描述的图1中的方法步骤S100至步骤S300。
综上所述，本发明公开的监控视频行人识别与跟踪方法、装置及存储介质中，所述方法包括：构建SSD目标检测模型，所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络；对监控视频进行解码获取图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息；根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹。本发明实施例通过采用深度学习训练的SSD网络，对监控视频行人识别与跟踪的特征采集网络进行了优化，通过MobileNet级联神经网络实现行人人脸检测，极大地提升了计算速度和准确率，可实现摄像头的实时行人检测，提高安防监控的可靠性。
以上所描述的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存在于计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电子设备(可以是个人计算机，服务器，或者网络电子设备等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外，诸如"能够'、"能"、"可能"或"可以"之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地不旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有学生输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供监控视频行人识别与跟踪方法、装置及存储介质的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是，本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。
Claims (9)
1.一种监控视频行人识别与跟踪方法,其特征在于,包括如下步骤：
构建SSD目标检测模型，所述SSD目标检测模型包括预先训练完成的MobileNet级联神经网络和特征提取网络；
对监控视频进行解码获取图像数据，选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息；
根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹。
2.根据权利要求1所述的监控视频行人识别与跟踪方法，其特征在于，所述根据当前帧图像中每个行人的位置框信息对各个行人进行实时跟踪并生成移动轨迹，包括：
初始化卡尔曼滤波器并根据当前帧图像中行人的位置框信息预测下一帧图像中行人的位置框信息；
通过匈牙利匹配算法将当前帧图像中行人的位置框信息与下一帧图像中行人的位置框信息进行最优匹配；
继续获取下一帧图像数据并依次进行人脸检测识别与位置框信息预测匹配，根据连续帧图像中每个行人的位置框信息匹配结果输出各个行人的移动轨迹。
3.根据权利要求1所述的监控视频行人识别与跟踪方法，其特征在于，所述选取所述图像数据中的一帧输入至所述SSD目标检测模型中进行人脸检测识别，得到当前帧图像中每个行人的位置框信息，包括：
选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，其中所述MobileNet级联神经网络的卷积层为Depthwise SeparableConvolution；
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号。
4.根据权利要求3所述的监控视频行人识别与跟踪方法，其特征在于，所述选取所述图像数据中的一帧输入至所述MobileNet级联神经网络进行人脸检测获得人脸检测图像，包括：
通过所述MobileNet级联神经网络中的第一神经网络对当前帧图像中的人脸位置进行定位，根据定位结果对当前帧图像进行裁剪获得人脸区域图像；
通过所述MobileNet级联神经网络中的第二神经网络对所述人脸区域图像中的人脸关键点进行定位，输出人脸检测图像。
5.根据权利要求4所述的监控视频行人识别与跟踪方法，其特征在于，所述对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，得到当前帧图像中每个行人的位置框信息并对每个行人进行相应编号，包括：
对所述人脸检测图像进行预处理后输入至所述特征提取网络进行人脸特征提取，识别出当前帧图像中所有特征不相同的行人；
根据每个行人的人脸位置得到其位置框信息并对每个位置框设置唯一编号。
6.根据权利要求4所述的监控视频行人识别与跟踪方法，其特征在于，所述对所述人脸检测图像进行预处理，包括：
预先定义标准人脸的关键点位置和光照条件；
通过预设的图像变换算法将当前所述人脸检测图像的关键点位置对齐至标准人脸的关键点位置，获得对齐后的人脸检测图像；
根据所述标准人脸的光照条件对所述对齐后的人脸检测图像进行光线校正处理，得到光照条件与标准人脸一致的人脸检测图像；
对经光线校正处理后的人脸检测图像依次进行图像灰度化和图像归一化处理。
7.一种监控视频行人识别与跟踪装置，其特征在于，所述装置包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6任一项所述的监控视频行人识别与跟踪方法。
8.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-6任一项所述的监控视频行人识别与跟踪方法。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被处理器执行时，使所述处理器执行权利要求1-6任一项所述的监控视频行人识别与跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975954.XA CN112257502A (zh) | 2020-09-16 | 2020-09-16 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975954.XA CN112257502A (zh) | 2020-09-16 | 2020-09-16 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112257502A true CN112257502A (zh) | 2021-01-22 |
Family
ID=74231773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010975954.XA Pending CN112257502A (zh) | 2020-09-16 | 2020-09-16 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257502A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907627A (zh) * | 2021-02-07 | 2021-06-04 | 公安部第三研究所 | 实现小样本目标精准跟踪的系统、方法、装置、处理器及其计算机可读存储介质 |
| CN113011280A (zh) * | 2021-02-26 | 2021-06-22 | 清华大学 | 人员接触距离的检测方法、装置、计算机设备和存储介质 |
| CN113033350A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人重识别方法、存储介质和电子设备 |
| CN113033349A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN113190703A (zh) * | 2021-04-02 | 2021-07-30 | 深圳市安软科技股份有限公司 | 视频图像的智能检索方法、装置、电子设备及存储介质 |
| CN113313098A (zh) * | 2021-07-30 | 2021-08-27 | 阿里云计算有限公司 | 视频处理方法、设备、系统及存储介质 |
| CN113436231A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 行人轨迹生成方法、装置、设备及存储介质 |
| CN113674313A (zh) * | 2021-07-05 | 2021-11-19 | 北京旷视科技有限公司 | 一种行人跟踪方法、装置、存储介质和电子设备 |
| CN113688761A (zh) * | 2021-08-31 | 2021-11-23 | 安徽大学 | 一种基于图像序列的行人行为类别检测方法 |
| CN113703977A (zh) * | 2021-08-30 | 2021-11-26 | 广东宏乾科技股份有限公司 | 一种智能人脸和人体检测过滤装置及图片输出装置 |
| CN113723520A (zh) * | 2021-08-31 | 2021-11-30 | 深圳市中博科创信息技术有限公司 | 基于特征更新的人员轨迹追踪方法、装置、设备及介质 |
| CN113743284A (zh) * | 2021-08-30 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 图像识别方法、装置、设备、相机及门禁设备 |
| CN113762139A (zh) * | 2021-09-03 | 2021-12-07 | 万申科技股份有限公司 | 5g+工业互联网的机器视觉检测系统及方法 |
| CN113807298A (zh) * | 2021-07-26 | 2021-12-17 | 北京易航远智科技有限公司 | 行人过街意图预测方法、装置、电子设备及可读存储介质 |
| CN114140832A (zh) * | 2022-01-30 | 2022-03-04 | 西安华创马科智能控制系统有限公司 | 井下行人越界风险检测方法、装置、电子设备及存储介质 |
| CN114187666A (zh) * | 2021-12-23 | 2022-03-15 | 中海油信息科技有限公司 | 边走路边看手机的识别方法及其系统 |
| CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
| CN114663796A (zh) * | 2022-01-04 | 2022-06-24 | 北京航空航天大学 | 一种目标人物持续跟踪方法、装置及系统 |
| CN114863506A (zh) * | 2022-03-18 | 2022-08-05 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
| CN114973539A (zh) * | 2022-05-20 | 2022-08-30 | 中国银行股份有限公司 | Atm维修人员的监控方法及装置 |
| CN115183763A (zh) * | 2022-09-13 | 2022-10-14 | 南京北新智能科技有限公司 | 一种基于人脸识别和栅格法的人员地图定位方法 |
| CN115297306A (zh) * | 2022-10-10 | 2022-11-04 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
| CN115375736A (zh) * | 2022-10-25 | 2022-11-22 | 威海市博华医疗设备有限公司 | 一种基于图像的行人轨迹跟踪方法和装置 |
| CN116129350A (zh) * | 2022-12-26 | 2023-05-16 | 广东高士德电子科技有限公司 | 数据中心安全作业的智能监控方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829436A (zh) * | 2019-02-02 | 2019-05-31 | 福州大学 | 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法 |
| CN109919048A (zh) * | 2019-02-21 | 2019-06-21 | 北京以萨技术股份有限公司 | 一种基于级联MobileNet-V2实现人脸关键点检测的方法 |
| CN110298867A (zh) * | 2019-06-21 | 2019-10-01 | 江西洪都航空工业集团有限责任公司 | 一种视频目标跟踪方法 |
| CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
| CN110852283A (zh) * | 2019-11-14 | 2020-02-28 | 南京工程学院 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
| CN111325157A (zh) * | 2020-02-24 | 2020-06-23 | 高新兴科技集团股份有限公司 | 人脸抓拍方法、计算机存储介质及电子设备 |
| CN111598000A (zh) * | 2020-05-18 | 2020-08-28 | 中移（杭州）信息技术有限公司 | 基于多任务的人脸识别方法、装置、服务器和可读存储介质 |
| CN111640140A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-09-16 CN CN202010975954.XA patent/CN112257502A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829436A (zh) * | 2019-02-02 | 2019-05-31 | 福州大学 | 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法 |
| CN109919048A (zh) * | 2019-02-21 | 2019-06-21 | 北京以萨技术股份有限公司 | 一种基于级联MobileNet-V2实现人脸关键点检测的方法 |
| CN110298867A (zh) * | 2019-06-21 | 2019-10-01 | 江西洪都航空工业集团有限责任公司 | 一种视频目标跟踪方法 |
| CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
| CN110852283A (zh) * | 2019-11-14 | 2020-02-28 | 南京工程学院 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
| CN111325157A (zh) * | 2020-02-24 | 2020-06-23 | 高新兴科技集团股份有限公司 | 人脸抓拍方法、计算机存储介质及电子设备 |
| CN111598000A (zh) * | 2020-05-18 | 2020-08-28 | 中移（杭州）信息技术有限公司 | 基于多任务的人脸识别方法、装置、服务器和可读存储介质 |
| CN111640140A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907627A (zh) * | 2021-02-07 | 2021-06-04 | 公安部第三研究所 | 实现小样本目标精准跟踪的系统、方法、装置、处理器及其计算机可读存储介质 |
| CN112907627B (zh) * | 2021-02-07 | 2024-02-02 | 公安部第三研究所 | 实现小样本目标精准跟踪的系统、方法、装置、处理器及其计算机可读存储介质 |
| CN113034541B (zh) * | 2021-02-26 | 2021-12-14 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN113011280A (zh) * | 2021-02-26 | 2021-06-22 | 清华大学 | 人员接触距离的检测方法、装置、计算机设备和存储介质 |
| CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN113033350B (zh) * | 2021-03-11 | 2023-11-14 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人重识别方法、存储介质和电子设备 |
| CN113033349B (zh) * | 2021-03-11 | 2023-12-26 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113033349A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113033350A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人重识别方法、存储介质和电子设备 |
| CN113190703A (zh) * | 2021-04-02 | 2021-07-30 | 深圳市安软科技股份有限公司 | 视频图像的智能检索方法、装置、电子设备及存储介质 |
| CN113436231B (zh) * | 2021-06-30 | 2023-09-15 | 平安科技（深圳）有限公司 | 行人轨迹生成方法、装置、设备及存储介质 |
| CN113436231A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 行人轨迹生成方法、装置、设备及存储介质 |
| CN113674313A (zh) * | 2021-07-05 | 2021-11-19 | 北京旷视科技有限公司 | 一种行人跟踪方法、装置、存储介质和电子设备 |
| CN113807298A (zh) * | 2021-07-26 | 2021-12-17 | 北京易航远智科技有限公司 | 行人过街意图预测方法、装置、电子设备及可读存储介质 |
| CN113807298B (zh) * | 2021-07-26 | 2024-03-29 | 北京易航远智科技有限公司 | 行人过街意图预测方法、装置、电子设备及可读存储介质 |
| CN113313098A (zh) * | 2021-07-30 | 2021-08-27 | 阿里云计算有限公司 | 视频处理方法、设备、系统及存储介质 |
| CN113703977B (zh) * | 2021-08-30 | 2024-04-05 | 广东宏乾科技股份有限公司 | 一种智能人脸和人体检测过滤装置及图片输出装置 |
| CN113743284A (zh) * | 2021-08-30 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 图像识别方法、装置、设备、相机及门禁设备 |
| CN113703977A (zh) * | 2021-08-30 | 2021-11-26 | 广东宏乾科技股份有限公司 | 一种智能人脸和人体检测过滤装置及图片输出装置 |
| CN113688761B (zh) * | 2021-08-31 | 2024-02-20 | 安徽大学 | 一种基于图像序列的行人行为类别检测方法 |
| CN113723520A (zh) * | 2021-08-31 | 2021-11-30 | 深圳市中博科创信息技术有限公司 | 基于特征更新的人员轨迹追踪方法、装置、设备及介质 |
| CN113688761A (zh) * | 2021-08-31 | 2021-11-23 | 安徽大学 | 一种基于图像序列的行人行为类别检测方法 |
| CN113762139B (zh) * | 2021-09-03 | 2023-07-25 | 万申科技股份有限公司 | 5g+工业互联网的机器视觉检测系统及方法 |
| CN113762139A (zh) * | 2021-09-03 | 2021-12-07 | 万申科技股份有限公司 | 5g+工业互联网的机器视觉检测系统及方法 |
| CN114187666A (zh) * | 2021-12-23 | 2022-03-15 | 中海油信息科技有限公司 | 边走路边看手机的识别方法及其系统 |
| CN114663796A (zh) * | 2022-01-04 | 2022-06-24 | 北京航空航天大学 | 一种目标人物持续跟踪方法、装置及系统 |
| CN114140832A (zh) * | 2022-01-30 | 2022-03-04 | 西安华创马科智能控制系统有限公司 | 井下行人越界风险检测方法、装置、电子设备及存储介质 |
| CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
| CN114863506A (zh) * | 2022-03-18 | 2022-08-05 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
| CN114973539A (zh) * | 2022-05-20 | 2022-08-30 | 中国银行股份有限公司 | Atm维修人员的监控方法及装置 |
| CN115183763A (zh) * | 2022-09-13 | 2022-10-14 | 南京北新智能科技有限公司 | 一种基于人脸识别和栅格法的人员地图定位方法 |
| CN115297306A (zh) * | 2022-10-10 | 2022-11-04 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
| CN115297306B (zh) * | 2022-10-10 | 2023-03-24 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
| CN115375736A (zh) * | 2022-10-25 | 2022-11-22 | 威海市博华医疗设备有限公司 | 一种基于图像的行人轨迹跟踪方法和装置 |
| CN116129350B (zh) * | 2022-12-26 | 2024-01-16 | 广东高士德电子科技有限公司 | 数据中心安全作业的智能监控方法、装置、设备及介质 |
| CN116129350A (zh) * | 2022-12-26 | 2023-05-16 | 广东高士德电子科技有限公司 | 数据中心安全作业的智能监控方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257502A (zh) | 一种监控视频行人识别与跟踪方法、装置及存储介质 | |
| CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
| CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
| CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
| Keller et al. | The benefits of dense stereo for pedestrian detection | |
| Yang et al. | Robust superpixel tracking | |
| CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
| US8345984B2 (en) | 3D convolutional neural networks for automatic human action recognition | |
| JP4677046B2 (ja) | 多次元ブースト回帰を経た外観及び動作を使用する高速人間姿勢推定 | |
| CN111860352B (zh) | 一种多镜头车辆轨迹全跟踪系统及方法 | |
| Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
| CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
| WO2012084703A1 (en) | Detection and tracking of moving objects | |
| CN115427982A (zh) | 用于使用卷积神经网络标识数字视频中的人体行为的方法、系统和介质 | |
| CN107194950B (zh) | 一种基于慢特征分析的多人跟踪方法 | |
| CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
| CN104091350A (zh) | 一种利用运动模糊信息的物体跟踪方法 | |
| CN107798329B (zh) | 基于cnn的自适应粒子滤波目标跟踪方法 | |
| CN113160276A (zh) | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 | |
| Quach et al. | Real-time lane marker detection using template matching with RGB-D camera | |
| Chen et al. | Multi-lane detection and tracking using temporal-spatial model and particle filtering | |
| Getahun et al. | A deep learning approach for lane detection | |
| CN111353429A (zh) | 基于眼球转向的感兴趣度方法与系统 | |
| Zhang et al. | A quality index metric and method for online self-assessment of autonomous vehicles sensory perception |
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 |