CN112651369A - 一种监控场景下行人识别的方法及装置 - Google Patents
一种监控场景下行人识别的方法及装置 Download PDFInfo
- Publication number
- CN112651369A CN112651369A CN202011635034.XA CN202011635034A CN112651369A CN 112651369 A CN112651369 A CN 112651369A CN 202011635034 A CN202011635034 A CN 202011635034A CN 112651369 A CN112651369 A CN 112651369A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- track
- monitoring scene
- face
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种监控场景下行人识别的方法及装置，该方法包括：第一步，由目标检测器给出行人目标在当前帧上的初始位置；第二步，由跟踪器在后续帧上进行跟踪；第三步，进行行人轨迹评估；第四步，进行人脸特征比对；该方法可以有效解决监控场景下的行人识别问题，提高了识别准确率。
Description
技术领域
本发明涉及计算机视觉研究领域，具体涉及一种监控场景下行人识别的方法 及装置。
背景技术
通常情况下，行人识别指的是判断摄像头下出现的行人是否是底库中的特定 行人，广泛应用于智能视频监控、安保、刑侦等领域。在行人识别的过程中，由 于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人 姿态、行人着装不断变化等原因，使得行人识别成为目前计算机视觉领域一个 既具有研究价值又极具挑战性的研究热点和难点问题。人脸识别是图像分析与理 解最重要的应用之一，大多是设计特征提取器，再利用机器学习的算法进行分类。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：在监控场 景下，人脸获取在一些情况下质量较低或者获取不到，需要引入诸如行人身体等 其他外部特征来完成行人的识别。这些外部特征与人脸对比，存在易改变，多角 度等特点，也有明显的时效限制，从而必须设计合理有效的方法来更新这些外部 特征所依赖的底库。
发明内容
为了克服现有技术的不足，本公开实施例提供了一种监控场景下行人识别的 方法及装置，可以有效解决监控场景下的行人识别问题，提高了识别准确率。技 术方案如下：
提供了一种监控场景下行人识别的方法，该方法主要包括以下步骤：
第一步，由目标检测器给出行人目标在当前帧上的初始位置；
将监控场景下当前帧缩放到较小分辨率，输入给行人目标检测器，对于当前 帧上的每一个行人输出行人位置H(i)；行人位置H(i)记为相对于帧的原始分辨率 的矩形框H(x，y，w，h)；其中x，y为左上角坐标点，w为矩形框的宽度，h 为矩形框的高度；截取矩形框H’(x，y，w，w)输入给人脸目标检测器进行人脸 检测，得出该行人人脸(人脸存在时)的位置F(i)；
第二步，由跟踪器在后续帧上进行跟踪；
跟踪器对行人检测器输出的行人位置H(i)进行跟踪，得到在后续帧(第i+1，i+2，…，i+n帧)上行人位置H(i+1)，H(i+2)，…，H(i+n)；跟踪器对行人检测 器输入的人脸位置F(i)进行跟踪，得到在后续帧上人脸位置F(i+1)，F(i+2)，…， F(i+n)；若如果跟踪器跟踪失败，则标记对应帧无行人或者无人脸；
第三步，进行行人轨迹评估；
根据轨迹判定条件判定轨迹结束，剔除异常轨迹，根据轨迹的运动判定轨迹 的方向；
第四步，进行人脸特征比对；
对行人轨迹中的人脸通过人脸特征提取模型提取特征值，计算该轨迹中所有 特征值的均值，用该特征均值与底库中每一个行人的人脸的已提取的特征值计算 欧式距离，当距离值大于设定的阈值thresh1时，则匹配成功。
优选的，第四步还包括：进行底库更新
对于一个特定的行人，底库中会存在多张该行人的图片；行人的图片分为两 种类型，一种是人脸图片，一种是行人特征图片(包含行人大部分身体的图片)； 对于每种行人类型的图片，设定最多保存张数；当轨迹的人脸特征均值和底库中 人脸特征值的距离值大于设定的阈值thresh1时，则对从轨迹中提取含有人脸的 帧和不含有人脸的帧来更新行人底库；当该行人的行人类型的底库图片超过最大 张数时，去除最早加入底库的该行人的行人类型图片。
优选的，阈值thresh1可根据人脸特征提取模型的PR曲线选取，阈值thresh1 的选取体现在PR曲线上是保证较高精度的同时，尽可能地抑制假警，有较低的 召回率。
进一步的，阈值thresh1的选取大于阈值thresh0，以排除错误图片进入底库，thresh0是根据人脸特征提取模型的PR曲线选取的，阈值thresh0的选取体现在 PR曲线上，会平衡召回率和精度，是保持较高的召回率，不会特别地抑制假警。
进一步的，当距离值小于等于设定的阈值thresh1时，或当行人轨迹中不存 在人脸时，还包括：进行行人特征比对:
对行人轨迹中的行人图片通过行人特征提取模型提取特征值，对提取的所有 特征值计算特征均值，用该特征均值与底库中每一个行人的行人图片的已提取的 特征值计算欧式距离，当距离值大于设定的阈值thresh2时，则匹配成功；阈值 thresh2是根据行人特征提取模型的PR曲线选取的。
优选的，还包括对匹配成功的结果，通过行人识别系统的通信链路，传输并 完成数据存储。
优选的，第三步根据轨迹判定条件判定轨迹结束具体为：当无行人的帧数量 连续超过一定数值时，标记行人轨迹结束。
优选的，第三步剔除异常轨迹可以为：当轨迹总帧数过少，少于一定数量时， 剔除这类异常轨迹。
优选的，第三步根据轨迹的运动判定轨迹的方向，具体为，通过计算行人轨 迹的开始位置中心点和结束位置中心点的相对位移的方向作为轨迹的方向。
与现有技术相比，上述技术方案中的一个技术方案具有如下有益效果：通过 设计高效行人、人脸的检测跟踪、人脸特征比对、行人特征比对的行人识别流水 线，构建一种有效的行人底库自动更新策略，从而有效解决监控场景下的行人识 别问题，提高了识别准确率。
具体实施方式
为了阐明本发明的技术方案和工作原理，下面将对本公开实施方式做进一步 的详细描述。上述所有可选技术方案，可以采用任意结合形成本公开的可选实施 例，在此不再一一赘述。
本申请的说明书和权利要求书中的术语“第一步”、“第二步”、“第三步”等类 似描述是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理 解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如 能够以除了在这里描述的那些以外的顺序实施。
第一方面：本公开实施例提供了一种监控场景下行人识别的方法，该方法主 要包括以下步骤：
第一步，由目标检测器给出行人目标在当前帧上的初始位置
将监控场景下当前帧(监控场景下帧的原始分布率通常为720P，1080P，4MP 或者更高)缩放到较小分辨率(比如320*320)，输入给行人目标检测器，对于 当前帧上的每一个行人输出行人位置H(i)；行人位置H(i)记为相对于帧的原始分 辨率的矩形框H(x，y，w，h)；其中x，y为左上角坐标点，w为矩形框的宽度， h为矩形框的高度；截取矩形框H’(x，y，w，w)输入给人脸目标检测器进行人 脸检测，得出该行人人脸(人脸存在时)的位置F(i)；
通过级联行人检测和人脸检测，并且以小的分辨率做行人检测，行人检测完 毕后回到原始分辨率截取有效区域再进行人脸检测，可以有效地利用监控场景下 行人的特点(行人相对于原始分辨率较大，脸相对于原始分辨率较小)，平衡精度 和计算量，从而可以有效的完成行人识别的前级部分。
第二步，由跟踪器在后续帧上进行跟踪
跟踪器对行人检测器输出的行人位置H(i)进行跟踪，得到在后续帧(第i+1， i+2，…，i+n帧)上行人位置H(i+1)，H(i+2)，…，H(i+n)；跟踪器对行人检测 器输入的人脸位置F(i)进行跟踪，得到在后续帧上人脸位置F(i+1)，F(i+2)，…， F(i+n)；若如果跟踪器跟踪失败，则标记对应帧无行人或者无人脸；
第三步，进行行人轨迹评估
根据轨迹判定条件判定轨迹结束，剔除异常轨迹，根据轨迹的运动判定轨迹 的方向；
优选的，根据轨迹判定条件判定轨迹结束具体为：当无行人的帧数量连续超 过一定数值(一般的，当以每秒25帧的帧率处理时，该值可以选取5-10)时， 标记行人轨迹结束。
优选的，剔除异常轨迹可以为：当轨迹总帧数过少，少于一定数量(一般的， 当以每秒25帧处理时，该值可以选取5-10)时，剔除这类异常轨迹。
优选的，根据轨迹的运动判定轨迹的方向，具体为，通过计算行人轨迹的开 始位置中心点和结束位置中心点的相对位移的方向作为轨迹的方向。
第四步，进行人脸特征比对
对行人轨迹中的人脸通过人脸特征提取模型提取特征值，计算该轨迹中所有 特征值的均值，用该特征均值与底库中每一个行人的人脸的已提取的特征值计算 欧式距离，当距离值大于设定的阈值thresh1时，则匹配成功；
优选的，第四步还包括：进行底库更新
对于一个特定的行人，底库中会存在多张该行人的图片；行人的图片分为两 种类型，一种是人脸图片，一种是行人特征图片(包含行人大部分身体的图片)； 对于每种行人类型的图片，设定最多保存张数；当轨迹的人脸特征均值和底库中 人脸特征值的距离值大于设定的阈值thresh1时，则对从轨迹中提取含有人脸的 帧和不含有人脸的帧来更新行人底库；当该行人的行人类型的底库图片超过最大 张数时，去除最早加入底库的该行人的行人类型图片；
通过有效的选取行人图片来适当合理的更新行人底库，使得行人底库行人的 特征保持较新，避免了不利因素对行人特征识别影响。
优选的，阈值thresh1的选择，可根据人脸特征提取模型的PR曲线，选取 较高的阈值(该阈值体现在PR曲线上就是高精度(High Precision)，尽可能地 抑制假警，相对而言会有较低的召回率(Recall)。这里都是与thresh0比较而言 的，thresh0也是根据人脸特征提取模型的PR曲线选取的，一般选取时会平衡 召回率和精度，保持较高地召回率，不会特别地抑制假警)，一般选的阈值t hresh1 大于阈值thresh0，以排除错误图片进入底库。
进一步的，当距离值小于等于设定的阈值thresh1时，或当行人轨迹中不存 在人脸时，还包括：进行行人特征比对；
对行人轨迹中的行人图片通过行人特征提取模型提取特征值，对提取的所有 特征值计算特征均值，用该特征均值与底库中每一个行人的行人图片的已提取的 特征值计算欧式距离，当距离值大于设定的阈值thresh2(该阈值是根据行人特 征提取模型的PR曲线选取的)时，则匹配成功。
优选的，还包括对匹配成功的结果，通过行人识别系统的通信链路，传输并 完成数据存储。
第二方面，本公开实施例提供了一种监控场景下行人识别的装置
基于相同的技术构思，该装置包括检测模块、跟踪模块、评估模块、比对模 块；
所述检测模块，用于执行所有可能的实现方式中任一项所述的一种监控场景 下行人识别的方法的第一步的步骤；
所述跟踪模块，用于执行所有可能的实现方式中任一项所述的一种监控场景 下行人识别的方法的第二步的步骤；
所述评估模块，用于执行所有可能的实现方式中任一项所述的一种监控场景 下行人识别的方法的第三步的步骤；
所述比对模块，用于执行所有可能的实现方式中任一项所述的一种监控场景 下行人识别的方法的第四步的步骤。
需要说明的是，上述实施例提供的一种监控场景下行人识别的装置在执行一 种监控场景下行人识别的方法时，仅以上述各功能模块的划分进行举例说明，实 际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的 内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外上 述实施例提供的一种监控场景下行人识别的装置与一种监控场景下行人识别的 方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
以上对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的 限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或 者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的， 均在本发明的保护范围之内。
Claims (10)
1.一种监控场景下行人识别的方法，其特征在于，该方法主要包括以下步骤：
第一步，由目标检测器给出行人目标在当前帧上的初始位置；
将监控场景下当前帧缩放到较小分辨率，输入给行人目标检测器，对于当前帧上的每一个行人输出行人位置H(i)；行人位置H(i)记为相对于帧的原始分辨率的矩形框H(x，y，w，h)；其中x，y为左上角坐标点，w为矩形框的宽度，h为矩形框的高度；截取矩形框H’(x，y，w，w)输入给人脸目标检测器进行人脸检测，得出该行人人脸(人脸存在时)的位置F(i)；
第二步，由跟踪器在后续帧上进行跟踪；
跟踪器对行人检测器输出的行人位置H(i)进行跟踪，得到在后续帧(第i+1，i+2，…，i+n帧)上行人位置H(i+1)，H(i+2)，…，H(i+n)；跟踪器对行人检测器输入的人脸位置F(i)进行跟踪，得到在后续帧上人脸位置F(i+1)，F(i+2)，…，F(i+n)；若如果跟踪器跟踪失败，则标记对应帧无行人或者无人脸；
第三步，进行行人轨迹评估；
根据轨迹判定条件判定轨迹结束，剔除异常轨迹，根据轨迹的运动判定轨迹的方向；
第四步，进行人脸特征比对；
对行人轨迹中的人脸通过人脸特征提取模型提取特征值，计算该轨迹中所有特征值的均值，用该特征均值与底库中每一个行人的人脸的已提取的特征值计算欧式距离，当距离值大于设定的阈值thresh1时，则匹配成功。
2.根据权利要求1所述的一种监控场景下行人识别的方法，其特征在于，第四步还包括：进行底库更新
对于一个特定的行人，底库中会存在多张该行人的图片；行人的图片分为两种类型，一种是人脸图片，一种是行人特征图片(包含行人大部分身体的图片)；对于每种行人类型的图片，设定最多保存张数；当轨迹的人脸特征均值和底库中人脸特征值的距离值大于设定的阈值thresh1时，则对从轨迹中提取含有人脸的帧和不含有人脸的帧来更新行人底库；当该行人的行人类型的底库图片超过最大张数时，去除最早加入底库的该行人的行人类型图片。
3.根据权利要求2所述的一种监控场景下行人识别的方法，其特征在于，阈值thresh1可根据人脸特征提取模型的PR曲线选取，阈值thresh1的选取体现在PR曲线上是保证较高精度的同时，尽可能地抑制假警，有较低的召回率。
4.根据权利要求3所述的一种监控场景下行人识别的方法，其特征在于，阈值thresh1的选取大于阈值thresh0，以排除错误图片进入底库，thresh0是根据人脸特征提取模型的PR曲线选取的，阈值thresh0的选取体现在PR曲线上，会平衡召回率和精度，是保持较高的召回率，不会特别地抑制假警。
5.根据权利要求4所述的一种监控场景下行人识别的方法，其特征在于，当距离值小于等于设定的阈值thresh1时，或当行人轨迹中不存在人脸时，还包括：进行行人特征比对:
对行人轨迹中的行人图片通过行人特征提取模型提取特征值，对提取的所有特征值计算特征均值，用该特征均值与底库中每一个行人的行人图片的已提取的特征值计算欧式距离，当距离值大于设定的阈值thresh2时，则匹配成功；阈值thresh2是根据行人特征提取模型的PR曲线选取的。
6.根据权利要求1-5任一项所述的一种监控场景下行人识别的方法，其特征在于，还包括对匹配成功的结果，通过行人识别系统的通信链路，传输并完成数据存储。
7.根据权利要求1-5任一项所述的一种监控场景下行人识别的方法，其特征在于，第三步根据轨迹判定条件判定轨迹结束具体为：当无行人的帧数量连续超过一定数值时，标记行人轨迹结束。
8.根据权利要求7所述的一种监控场景下行人识别的方法，其特征在于，第三步剔除异常轨迹可以为：当轨迹总帧数过少，少于一定数量时，剔除这类异常轨迹。
9.根据权利要求8所述的一种监控场景下行人识别的方法，其特征在于，第三步根据轨迹的运动判定轨迹的方向，具体为，通过计算行人轨迹的开始位置中心点和结束位置中心点的相对位移的方向作为轨迹的方向。
10.一种监控场景下行人识别的装置，其特征在于，该装置包括检测模块、跟踪模块、评估模块、比对模块；
所述检测模块，用于执行权利要求1-9任一项所述的一种监控场景下行人识别的方法的第一步的步骤；
所述跟踪模块，用于执行权利要求1-9任一项所述的一种监控场景下行人识别的方法的第二步的步骤；
所述评估模块，用于执行权利要求1-9任一项所述的一种监控场景下行人识别的方法的第三步的步骤；
所述比对模块，用于执行权利要求1-9任一项所述的一种监控场景下行人识别的方法的第四步的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635034.XA CN112651369A (zh) | 2020-12-31 | 2020-12-31 | 一种监控场景下行人识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635034.XA CN112651369A (zh) | 2020-12-31 | 2020-12-31 | 一种监控场景下行人识别的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112651369A true CN112651369A (zh) | 2021-04-13 |
Family
ID=75366892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011635034.XA Pending CN112651369A (zh) | 2020-12-31 | 2020-12-31 | 一种监控场景下行人识别的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651369A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966673A (zh) * | 2021-05-19 | 2021-06-15 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
Citations (7)
| 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 |
| CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
| CN108875542A (zh) * | 2018-04-04 | 2018-11-23 | 北京旷视科技有限公司 | 一种人脸识别方法、装置、系统及计算机存储介质 |
| CN109120630A (zh) * | 2018-09-03 | 2019-01-01 | 上海海事大学 | 一种基于优化BP神经网络的SDN网络DDoS攻击检测方法 |
| CN110097586A (zh) * | 2019-04-30 | 2019-08-06 | 青岛海信网络科技股份有限公司 | 一种人脸检测追踪方法及装置 |
| US20190325197A1 (en) * | 2017-11-28 | 2019-10-24 | Shenzhen Sensetime Technology Co., Ltd | Methods and apparatuses for searching for target person, devices, and media |
| CN110426037A (zh) * | 2019-08-08 | 2019-11-08 | 扆亮海 | 一种封闭环境下的行人运动轨迹实时获取方法 |
-
2020
- 2020-12-31 CN CN202011635034.XA patent/CN112651369A/zh active Pending
Patent Citations (7)
| 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 |
| CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
| US20190325197A1 (en) * | 2017-11-28 | 2019-10-24 | Shenzhen Sensetime Technology Co., Ltd | Methods and apparatuses for searching for target person, devices, and media |
| CN108875542A (zh) * | 2018-04-04 | 2018-11-23 | 北京旷视科技有限公司 | 一种人脸识别方法、装置、系统及计算机存储介质 |
| CN109120630A (zh) * | 2018-09-03 | 2019-01-01 | 上海海事大学 | 一种基于优化BP神经网络的SDN网络DDoS攻击检测方法 |
| CN110097586A (zh) * | 2019-04-30 | 2019-08-06 | 青岛海信网络科技股份有限公司 | 一种人脸检测追踪方法及装置 |
| CN110426037A (zh) * | 2019-08-08 | 2019-11-08 | 扆亮海 | 一种封闭环境下的行人运动轨迹实时获取方法 |
Non-Patent Citations (3)
| Title |
|---|
| BRUNETTI A等: "Computer vision and deep learning techniques for pedestrian detection and tracking: A survey", 《NEUROCOMPUTING》, vol. 300, 31 December 2018 (2018-12-31), pages 17 - 33, XP055822831, DOI: 10.1016/j.neucom.2018.01.092 * |
| 景晨凯等: "基于DCNN的人脸识别技术在考生身份验证中的应用研究", 《河南大学学报(自然科学版)》, vol. 47, no. 6, 16 November 2017 (2017-11-16), pages 702 * |
| 曹凯悦: "基于多Agent的多摄像头目标轨迹追踪", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 6, 15 June 2018 (2018-06-15), pages 138 - 1313 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966673A (zh) * | 2021-05-19 | 2021-06-15 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
| CN112966673B (zh) * | 2021-05-19 | 2021-07-23 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11393103B2 (en) | Target tracking method, device, system and non-transitory computer readable medium | |
| CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
| CN108805900B (zh) | 一种跟踪目标的确定方法及装置 | |
| US11093737B2 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
| CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
| CN108921873A (zh) | 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法 | |
| CN112287866A (zh) | 一种基于人体关键点的人体动作识别方法及装置 | |
| CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
| CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
| CN110555377B (zh) | 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法 | |
| CN112836640A (zh) | 一种单摄像头多目标行人跟踪方法 | |
| CN111507232B (zh) | 多模态多策略融合的陌生人识别方法和系统 | |
| CN111241928A (zh) | 人脸识别底库优化方法、系统、设备、可读存储介质 | |
| CN113537107A (zh) | 一种基于深度学习的人脸识别及追踪方法、装置及设备 | |
| CN110555867B (zh) | 一种融合物体捕获识别技术的多目标物体跟踪方法 | |
| CN111444817A (zh) | 一种人物图像识别方法、装置、电子设备和存储介质 | |
| CN112651369A (zh) | 一种监控场景下行人识别的方法及装置 | |
| CN114235815A (zh) | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 | |
| KR101542206B1 (ko) | 코아스-파인 기법을 이용한 객체 추출과 추적 장치 및 방법 | |
| CN112686114A (zh) | 一种行为检测方法、装置及设备 | |
| CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
| CN105335717B (zh) | 基于智能移动终端视频抖动分析的人脸识别系统 | |
| Shuang et al. | Detail R-CNN: Insulator detection based on detail feature enhancement and metric learning | |
| CN114627339B (zh) | 茂密丛林区域对越境人员的智能识别跟踪方法及存储介质 | |
| CN106447685B (zh) | 一种红外跟踪方法 |
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 |