CN112733719B - 一种融合人脸及人体特征的跨境行人轨迹检测方法 - Google Patents
一种融合人脸及人体特征的跨境行人轨迹检测方法 Download PDFInfo
- Publication number
- CN112733719B CN112733719B CN202110032091.7A CN202110032091A CN112733719B CN 112733719 B CN112733719 B CN 112733719B CN 202110032091 A CN202110032091 A CN 202110032091A CN 112733719 B CN112733719 B CN 112733719B
- Authority
- CN
- China
- Prior art keywords
- track
- pedestrian
- face
- serial number
- list
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (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)
- Image Analysis (AREA)
Abstract
本发明涉及一种融合人脸及人体特征的跨境行人轨迹检测方法,所述检测方法包括:S1、分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列;S2、对局部追踪轨迹序列中提取出的行人图像进行人体及人脸特征提取;S3、建立列表以存储每个局部追踪轨迹的时空信息及行人、人脸的均值特征;S4、根据列表内存储的信息进行全局轨迹匹配。本发明的优点在于:在进行局部轨迹间的匹配时,同时使用行人重识别与人脸识别模型提取的特征综合的计算两两轨迹间的距离,以减少对行人重识别模型性能的依赖,能够得到更准确的结果。
Description
技术领域
本发明涉及图像识别处理技术领域,尤其涉及一种融合人脸及人体特征的跨境行人轨迹检测方法。
背景技术
多摄像机多目标追踪技术目的是在给定的连续多个视频中确定追踪行人目标的位置及轨迹,并且在同一视频内保持被追踪目标的身份信息不变,在不同视频间保持被追踪目标身份一致。针对多摄像机目标追踪问题,根据摄像机拍摄区域是否有交叠,其可以被进一步划分无交叠区域多摄像机多目标追踪和有交叠区域多摄像机多目标追踪。对于有交叠区域多摄像机多目标追踪,虽然可以简单的将多个摄像机下的目标投影至同一参考坐标系内进行轨迹的连接,但这对目标定位的准确性与其在参考坐标系下投影的准确性能有一定的要求,且无法追踪只在一个摄像机下出现的目标。无交叠区域多摄像机多目标追踪旨在实现在摄像机间有盲区时如何进行追踪这一问题,传统方法会采取结合行人重识别的方式,通过与之前轨迹段的行人重识别提取的特征做比较进行局部轨迹间的匹配,而这又非常依赖行人重识别方法的性能。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种融合人脸及人体特征的跨境行人轨迹检测方法,解决了现有检测方法中存在的问题。
本发明的目的通过以下技术方案来实现:一种融合人脸及人体特征的跨境行人轨迹检测方法,所述检测方法包括:
S1、分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列;
S2、对局部追踪轨迹序列中提取出的行人图像进行人体及人脸特征提取;
S3、建立列表以存储每个局部追踪轨迹的时空信息及行人、人脸的均值特征;
S4、根据列表内存储的信息进行全局轨迹匹配。
所述分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列包括:
对M个摄像机进行编号,通过Fair-Mot算法获得图像中目标的检测框位置信息和对应轨迹的轨迹序号;
用Ti表示第i个摄像机下产生的所有轨迹的集合,用一段时间内的轨迹列表来描述于第i 个摄像机下获取的任意一条轨迹Ti(v)={[bi(t,id),id]|t∈ε}。
所述对局部追踪轨迹序列中提取出的行人图像进行人体及人脸特征提取包括:
合并局部轨迹列表,并用符号T={T1,T2,...,TM}表示各个摄像机下生成的局部轨迹的集合;
根据轨迹T中的某一帧的目标检测框位置对当前视频帧图像进行裁剪,得到图像Pj,并使用ReID模型对图像Pj进行人体特征提取,并表示为Fj=E(Pj);
使用人脸检测模型对图像Pj进行人脸检测,如果检测到对应的人脸图像Ij,则使用人脸识别模型对图像Ij进行特征提取,并表示为Gj=A(Ij),如果没有检测到人脸则不进行人脸识别。
所述建立列表以存储每个局部追踪轨迹的时空信息及行人、人脸的均值特征包括:
对于每个轨迹Ti(v)新建对应轨迹序号数量的列表Lid(j)用以存储当前轨迹的当前轨迹序号id;
根据当前轨迹进入时间及消失时间sj与tj,行人重识别均值特征Fm(j,tj),人脸均值特征 Gm(j,tj),初始化行人重识别与人脸识别阈值μ、ω,初始化行人重识别置信轨迹序号与人脸识别置信轨迹序号为当前轨迹序号id。
所述行人重识别均值特征表示为Fm(j,tj)=σ*Fj+(1-σ)*Fm(j,tj-1),其中σ的取值规则为:当cos(Fm(j,tj),Fj)<θ时:σ=a*(tj-sj+1)/(tj-sj+2),当cos(Fm(j,tj),Fj)>θ时:σ=(1-a)+a*(tj-sj+1)/(tj-sj+2);
所述根据列表内存储的信息进行全局轨迹匹配包括:
A1、对于任意一个列表Lid(k),将其与其他之前输入的列表Lid(l)循环进行比较;
A2、对两个列表中的Gm数量进行判断,若两个列表中只有一个或者一个都没有Gm,则根据cos(Fm(k,tk),Fm(l,tl))取值与时空信息进行轨迹的连接;
A3、如果cos(Fm(k,tk),Fm(l,tl))<μ,且sk>tl,则μ=cos(Fm(k,tk),Fm(l,tl)),并将列表 Lid(l)中的轨迹序号idp存储至列表Lid(k)中;
A4、重复步骤A1-A3,并贵存储的轨迹序号进行替换,最后更新列表中存储的行人重识别置信轨迹序号为该轨迹相连轨迹的轨迹序号idp。
所述对两个列表中的Gm数量进行判断中,若两个列表中均存在Gm,则再进行 cos(Gm(k,tk),Gm(l,tl))的循环比较,直至找到最小的两个人脸距离ω及对应人脸识别置信轨迹序号idf,并比较人脸距离ω与行人距离μ,进行最后轨迹连接的判断。
所述比较人脸距离ω与行人距离μ,进行最后轨迹连接的判断包括:
本发明具有以下优点:一种融合人脸及人体特征的跨境行人轨迹检测方法,在进行局部轨迹间的匹配时,同时使用行人重识别与人脸识别模型提取的特征综合的计算两两轨迹间的距离,以减少对行人重识别模型性能的依赖,能够得到更准确的结果。
附图说明
图1为本发明方法的流程示意图;
图2为本发明步骤S4的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,一种融合人脸及人体特征的跨境行人轨迹检测方法,融合了人脸识别技术与行人重识别技术,在进行局部轨迹间的匹配时,同时使用行人重识别与人脸识别模型提取的特征综合的计算两两轨迹间的距离,以减少对行人重识别模型性能的依赖。由于行人重识别公开数据集规模的限制,导致实际应用在真实场景时无法得到好的结果,因而不能过度依赖行人重识别模型的性能,人脸识别比之行人重识别,其数据集规模基本能得到保障,但行人在监控摄像头下行走时不一定能被检测到人脸,因而在进行局部轨迹间的匹配时,本发明能得到更准确的结果,发明具体包含以下步骤:
S1、分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列。
进一步地,S1的具体步骤为:假设一共有M个摄像机,对于每个摄像机,我们进行编号,其号码为i(1<i<M),对第i个摄像机拍摄到的视频,使用Fair-Mot算法获得图像中目标的检测框位置信息和对应轨迹的轨迹序号即使用Fair-Mot算法对所有摄像机检测到的轨迹数量的编号,首个轨迹的轨迹序号初始化为1且自增,用Ti表示第i个摄像机下产生的所有轨迹的集合,对于第i个摄像机下获取的任意一条轨迹Ti(v),由一段时间内的轨迹列表构成:
Ti(v)={[bi(t,id),id]|t∈ε}
其中ε为时间集合,(bi(t,id)为t时,轨迹序号为id的目标检测框位置信息,id为目标轨迹的轨迹序号。
S2、对局部追踪轨迹序列中提取出的行人进行人体及人脸特征提取。
进一步地,S2的具体步骤为:合并局部轨迹列表,符号T={T1,T2,...,TM}表示各个摄像机下生成的局部轨迹的集合。根据轨迹T中的某一帧的目标检测框位置对当前视频帧图像进行裁剪,得到图像Pj,并使用ReID模型即一个CNN网络对图像Pj进行特征提取,人体特征表示为:Fj=E(Pj),使用人脸检测模型对图像Pj进行人脸检测,如果检测到对应的人脸图像 Ij,则使用人脸识别模型对图像Ij进行特征提取,人脸特征表示为:Gj=A(Ij),若没有检测到人脸则不进行人脸识别。E为行人重识别特征提取器,A为人脸特征提取器。
S3、建立列表以存储每个局部追踪轨迹的时空信息(摄像机、起始时间)及行人、人脸的均值特征。
进一步地,S3的具体步骤为:对于每个轨迹Ti(v)新建对应轨迹序号数量的列表Lid(j)用以存储当前轨迹的当前轨迹序号id,当前轨迹进入时间及消失时间sj与tj(以帧为单位),行人重识别均值特征Fm(j,tj),人脸均值特征Gm(j,tj),初始化行人重识别与人脸识别阈值μ、ω,初始化行人重识别置信轨迹序号与人脸识别置信轨迹序号为当前轨迹序号id。
其中:
Fm(j,tj)=σ*Fj+(1-σ)*Fm(j,tj-1)
σ表示当前行人重识别特征在当前轨迹下行人重识别均值特征中的权重,其取值规则如下:
当cos(Fm(j,tj),Fj)<θ时:σ=a*(tj-sj+1)/(tj-sj+2)
当cos(Fm(j,tj),Fj)>θ时:σ=(1-a)+a*(tj-sj+1)/(tj-sj+2)
cos(X,Y)表示X与Y的余弦距离,a为可调整的超参数以适配不同的部署环境。
S4、根据列表内储存的信息进行全局轨迹匹配。
进一步地,如图2所示,S4的具体步骤为:对于任意一个列表Lid(k),将其与其他之前输入系统的列表Lid(l)循环进行比较,若两个列表中只有一个或都没有Gm,则根据 cos(Fm(k,tk),Fm(l,tl))取值与时空信息进行轨迹的连接:如果cos(Fm(k,tk),Fm(l,tl))<μ,且sk>tl,则μ=cos(Fm(k,tk),Fm(l,tl)),并将列表Lid(l)中的轨迹序号idp存储至列表Lid(k)中,循环比较中需对存储的轨迹序号进行替换,完成循环比较后,最后更新列表中存储的行人重识别置信轨迹序号为这一轨迹相连轨迹的轨迹序号idp。
若两个列表中均存在Gm,则再进行cos(Gm(k,tk),Gm(l,tl))的比较,同样进行循环比较,直至找到最小的两个人脸距离ω及对应人脸识别置信轨迹序号idf。比较人脸距离ω与行人距离μ,进行最后轨迹连接的判断。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种融合人脸及人体特征的跨境行人轨迹检测方法,其特征在于:所述检测方法包括:
S1、分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列;
S2、对局部追踪轨迹序列中提取出的行人图像进行人体及人脸特征提取;
S3、建立列表以存储每个局部追踪轨迹的时空信息及行人、人脸的均值特征;
S4、根据列表内存储的信息进行全局轨迹匹配;
所述分别对多个摄像机下录制的视频进行多行人/目标追踪,为每个行人/目标生成局部追踪轨迹序列包括:
对M个摄像机进行编号,通过Fair-Mot算法获得图像中目标的检测框位置信息和对应轨迹的轨迹序号;
用Ti表示第i个摄像机下产生的所有轨迹的集合,用一段时间内的轨迹列表来描述于第i个摄像机下获取的任意一条轨迹Ti(v)={[bi(t,id),id]|t∈ε},其中,ε为时间集合,bi(t,id)为t时,轨迹序号为id的目标检测框位置信息,id为目标轨迹的轨迹序号;
所述对局部追踪轨迹序列中提取出的行人图像进行人体及人脸特征提取包括:
合并局部轨迹列表,并用符号T={T1,T2,…,TM}表示各个摄像机下生成的局部轨迹的集合;
根据轨迹T中的某一帧的目标检测框位置对当前视频帧图像进行裁剪,得到图像Pj,并使用ReID模型对图像Pj进行人体特征提取,并表示为Fj=E(Pj);
使用人脸检测模型对图像Pj进行人脸检测,如果检测到对应的人脸图像Ij,则使用人脸识别模型对图像Ij进行特征提取,并表示为Gj=A(Ij),如果没有检测到人脸则不进行人脸识别;
所述建立列表以存储每个局部追踪轨迹的时空信息及行人、人脸的均值特征包括:
对于每个轨迹Ti(v)新建对应轨迹序号数量的列表Lid(j)用以存储当前轨迹的当前轨迹序号id;
根据当前轨迹进入时间及消失时间sj与tj,行人重识别均值特征Fm(j,tj),人脸均值特征Gm(j,tj),初始化行人重识别与人脸识别阈值μ、ω,初始化行人重识别置信轨迹序号与人脸识别置信轨迹序号为当前轨迹序号id;
所述行人重识别均值特征表示为Fm(j,tj)=σ*Fj+(1-σ)*Fm(j,tj-1),其中σ的取值规则为:当cos(Fm(j,tj),Fj)<θ时:σ=a*(tj-sj+1)/(tj-sj+2),当cos(Fm(j,tj),Fj)>θ时:σ=(1-a)+a*(tj-sj+1)/(tj-sj+2),其中,cos(Fm(j,tj),Fj)表示Fm(j,tj)和Fj的余弦距离;
2.根据权利要求1所述的一种融合人脸及人体特征的跨境行人轨迹检测方法,其特征在于:所述根据列表内存储的信息进行全局轨迹匹配包括:
A1、对于任意一个列表Lid(k),将其与其他之前输入的列表Lid(l)循环进行比较;
A2、对两个列表中的Gm数量进行判断,若两个列表中只有一个或者一个都没有Gm,则根据cos(Fm(k,tk),Fm(l,tl))取值与时空信息进行轨迹的连接,其中,cos(Fm(k,tk),Fm(l,tl))表示Fm(k,tk)与Fm(l,tl)的余弦距离;
A3、如果cos(Fm(k,tk),Fm(l,tl))<μ,且sk>tl,则μ=cos(Fm(k,tk),Fm(l,tl)),并将列表Lid(l)中的轨迹序号idp存储至列表Lid(k)中;
A4、重复步骤A1-A3,并对存储的轨迹序号进行替换,最后更新列表中存储的行人重识别置信轨迹序号为该轨迹相连轨迹的轨迹序号idp。
3.根据权利要求2所述的一种融合人脸及人体特征的跨境行人轨迹检测方法,其特征在于:所述对两个列表中的Gm数量进行判断中,若两个列表中均存在Gm,则再进行cos(Gm(k,tk),Gm(l,tl))的循环比较,直至找到最小的两个人脸距离ω及对应人脸识别置信轨迹序号idf,并比较人脸距离ω与行人距离μ,进行最后轨迹连接的判断,其中,cos(Gm(k,tk),Gm(l,tl))表示Gm(k,tk)与Gm(l,tl)的余弦距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032091.7A CN112733719B (zh) | 2021-01-11 | 2021-01-11 | 一种融合人脸及人体特征的跨境行人轨迹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032091.7A CN112733719B (zh) | 2021-01-11 | 2021-01-11 | 一种融合人脸及人体特征的跨境行人轨迹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733719A CN112733719A (zh) | 2021-04-30 |
CN112733719B true CN112733719B (zh) | 2022-08-02 |
Family
ID=75590441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032091.7A Active CN112733719B (zh) | 2021-01-11 | 2021-01-11 | 一种融合人脸及人体特征的跨境行人轨迹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733719B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257628A (zh) * | 2020-10-29 | 2021-01-22 | 厦门理工学院 | 一种户外比赛运动员的身份识别方法、装置及设备 |
CN113449596A (zh) * | 2021-05-26 | 2021-09-28 | 科大讯飞股份有限公司 | 对象重识别方法以及电子设备、存储装置 |
CN114359773A (zh) * | 2021-11-10 | 2022-04-15 | 中国矿业大学 | 复杂地下空间轨迹融合的视频人员重识别方法 |
CN115019241B (zh) * | 2022-08-05 | 2022-11-01 | 江西中业智能科技有限公司 | 一种行人识别与追踪方法、装置、可读存储介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784162A (zh) * | 2018-12-12 | 2019-05-21 | 成都数之联科技有限公司 | 一种行人行为识别及轨迹跟踪方法 |
CN110619657A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 |
CN110674746A (zh) * | 2019-09-24 | 2020-01-10 | 视云融聚(广州)科技有限公司 | 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
CN111008993A (zh) * | 2019-12-06 | 2020-04-14 | 江西洪都航空工业集团有限责任公司 | 一种行人跨镜追踪的方法及装置 |
CN111079600A (zh) * | 2019-12-06 | 2020-04-28 | 长沙海格北斗信息技术有限公司 | 多摄像头的行人识别方法及识别系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760826B (zh) * | 2016-02-03 | 2020-11-13 | 歌尔股份有限公司 | 一种人脸跟踪方法、装置和智能终端 |
US10902243B2 (en) * | 2016-10-25 | 2021-01-26 | Deep North, Inc. | Vision based target tracking that distinguishes facial feature targets |
CN109344787B (zh) * | 2018-10-15 | 2021-06-08 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109583373B (zh) * | 2018-11-29 | 2022-08-19 | 成都索贝数码科技股份有限公司 | 一种行人重识别实现方法 |
-
2021
- 2021-01-11 CN CN202110032091.7A patent/CN112733719B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784162A (zh) * | 2018-12-12 | 2019-05-21 | 成都数之联科技有限公司 | 一种行人行为识别及轨迹跟踪方法 |
CN110619657A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 |
CN110674746A (zh) * | 2019-09-24 | 2020-01-10 | 视云融聚(广州)科技有限公司 | 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
CN111008993A (zh) * | 2019-12-06 | 2020-04-14 | 江西洪都航空工业集团有限责任公司 | 一种行人跨镜追踪的方法及装置 |
CN111079600A (zh) * | 2019-12-06 | 2020-04-28 | 长沙海格北斗信息技术有限公司 | 多摄像头的行人识别方法及识别系统 |
Non-Patent Citations (4)
Title |
---|
LAG-Net: Multi-Granularity Network for Person Re-Identification via Local Attention System;Xun Gong等;《IEEE Transactions on Multimedia》;20210108;第24卷;第217-229页 * |
融合面部特征的Spindle Net行人重识别网络;吴丹;《西北工业大学学报》;20190531;第37卷(第05期);第1070-1076页 * |
面向多场景的行人重识别研究;韩晓雨;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200315(第(2020)03期);第I138-1130页 * |
面向视频监控的自动行人检测;李新江等;《计算机科学》;20141215;第41卷(第12期);第264-268页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733719A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733719B (zh) | 一种融合人脸及人体特征的跨境行人轨迹检测方法 | |
Ristani et al. | Features for multi-target multi-camera tracking and re-identification | |
CN106846374B (zh) | 多摄像头场景下车辆的轨迹计算方法 | |
CN107240124B (zh) | 基于时空约束的跨镜头多目标跟踪方法及装置 | |
US9743014B2 (en) | Image recognition system, image recognition apparatus, image recognition method, and computer program | |
CN101281595B (zh) | 用于面部确认的装置和方法 | |
CN109064484B (zh) | 基于子群组划分与动量特征融合的人群运动行为识别方法 | |
Tan et al. | Multi-camera vehicle tracking and re-identification based on visual and spatial-temporal features. | |
JP5459674B2 (ja) | 移動物体追跡システムおよび移動物体追跡方法 | |
JP4874607B2 (ja) | 物体測位装置 | |
CN110796074B (zh) | 一种基于时空数据融合的行人再识别方法 | |
CN101095149A (zh) | 图像比较 | |
CN114240997B (zh) | 一种智慧楼宇在线跨摄像头多目标追踪方法 | |
CN112016353A (zh) | 一种基于视频的人脸图像进行身份识别方法及装置 | |
CN115240130A (zh) | 一种行人多目标跟踪方法、装置和计算机可读存储介质 | |
CN111626194A (zh) | 一种使用深度关联度量的行人多目标跟踪方法 | |
Denman et al. | Multi-spectral fusion for surveillance systems | |
US20220366570A1 (en) | Object tracking device and object tracking method | |
Kang et al. | Persistent objects tracking across multiple non overlapping cameras | |
Choe et al. | Traffic analysis with low frame rate camera networks | |
JP7488674B2 (ja) | 物体認識装置、物体認識方法及び物体認識プログラム | |
CN112307897A (zh) | 一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法 | |
CN115100565B (zh) | 一种基于空间相关性与光流配准的多目标跟踪方法 | |
CN116543023A (zh) | 一种基于修正DeepSORT的多传感目标群智跟踪方法 | |
JP6504711B2 (ja) | 画像処理装置 |
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 |