CN112835947A - 目标识别方法及装置、电子设备、存储介质 - Google Patents
目标识别方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112835947A CN112835947A CN201911156655.7A CN201911156655A CN112835947A CN 112835947 A CN112835947 A CN 112835947A CN 201911156655 A CN201911156655 A CN 201911156655A CN 112835947 A CN112835947 A CN 112835947A
- Authority
- CN
- China
- Prior art keywords
- preset
- acquisition
- feature
- features
- data
- 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 60
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了目标识别方法及装置、电子设备、存储介质。其中,方法可以包括:获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;对所述采集数据进行分析,识别所述采集对象是否为预设目标。可以更准确对采集对象进行识别。
Description
技术领域
本发明涉及计算机软件技术领域,特别是涉及目标识别方法及装置、电子设备、存储介质。
背景技术
采集设备能够采集对象(如车辆、人员)的一些特征的数据,通过对这些数据进行分析可以对所采集的对象进行识别。但是受限制于各种条件,如所处环境、工艺水平等,采集设备采集到的数据可能存在一定误差,导致识别得到的结果不够准确。
发明内容
本发明实施例的目的在于提供目标识别方法及装置、电子设备、存储介质,以实现提高目标识别的准确率。具体技术方案如下:
在本发明实施例的第一方面,提供了一种目标识别方法,所述方法包括:
获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
对所述采集数据进行分析,识别所述采集对象是否为预设目标。
在一种可能的实施例中,若第一采集设备和第二采集设备在同一时间窗口内内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
在一种可能的实施例中,所述根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备,包括:
若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
在一种可能的实施例中,针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
在一种可能的实施例中,所述根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度,包括:
获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
在本发明实施例的第二方面,提供了一种目标识别装置,所述装置包括:
数据获取模块,用于获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
数据分析模块,用于对所述采集数据进行分析,识别所述采集对象是否为预设目标。
在一种可能的实施例中,所述数据分析模块,还用于若第一采集设备和第二采集设备在同一时间窗口内内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
在一种可能的实施例中,所述数据分析模块,具体用于若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
在一种可能的实施例中,所述装置还包括可信度确定模块,用于针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
在一种可能的实施例中,所述可信度确定模块,具体用于获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
在本发明实施例的第三方面,提供了一种电子设备,所述电子设备包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例提供的目标识别方法及装置、电子设备、存储介质,可以根据采集设备采集到的可靠性较高的数据,对采集对象进行识别,有效提高识别的准确性。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的目标识别方法的一种流程示意图;
图2为本发明实施例提供的预设特征确定方法的一种流程示意图;
图3为本发明实施例提供的能力可信度确定方法的一种流程示意图;
图4为本发明实施例提供的轨迹追踪方法的一种流程示意图;
图5为本发明实施例提供的目标识别装置的一种结构示意图;
图6为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1所示为本发明实施例提供的目标识别方法的一种流程示意图,可以包括:
S101,获得任一采集设备的采集数据。
其中,采集数据为采集设备采集的采集对象的预设特征的数据,预设特征数据可以是通过以下方式确定的:针对采集设备所能够采集的任一特征,确定采集设备采集特征的能力可信度,当能力可信度满足预设条件时,确定特征为预设特征。一个特征的数据是指用于表示该特征的数据,例如人脸特征的数据可以是能够表示人脸特征的人脸图像,又例如车牌特征的数据可以是能够表示车牌特征的车牌号特写图像。
关于预设特征的确定将在后续的实施例中进行详细的描述,在此不再赘述。可以理解的是,如果采集设备采集一个特征的能力可信度满足预设条件,则可以认为该采集设备采集到的该特征的数据可靠性较高。
S102,对采集数据进行分析,识别采集对象是否为预设目标。
可以是将采集数据中预设特征的数据,与预设目标的预设特征的数据进行匹配,如果匹配成功,则确定采集对象为预设目标,如果匹配失败,则确定采集对象不为预设目标。示例性的,假设采集数据中包括采集对象的人脸图像,可以计算该人脸图像与预设目标的人脸图像的相似度,如果该相似度高于预设阈值,则确定采集对象为预设目标,如果该相似度不高于预设阈值,则确定采集对象不为预设目标。
选用该实施例,可以根据采集设备采集到的可靠性较高的数据,对目标进行识别,有效减少采集设备采集数据的误差对目标识别的准确性的影响,有效提高识别结果的准确率。
在一些可能的应用场景,用户可能不希望可能存在两个或两个以上采集设备在同一时间窗口内分别识别到预设目标,例如在轨迹追踪中,为便于准确确定预设目标在各个时间窗口内所处位置,用户可能希望每个时间窗口内只有一个采集设备识别到预设目标。因此,如果存在两个或两个以上采集设备在同一时间窗口内分别识别到预设目标,则需要在这两个或两个以上采集设备中确定识别到预设目标的采集设备。
为描述方便,假设第一采集设备和第二采集设备在同一时间窗口内分别识别到预设目标,则可以是根据第一匹配数据和第二匹配数据,从第一采集设备和第二采集设备中确定识别到预设目标的采集设备。其中,第一匹配数据包括第一采集设备的采集数据中与预设目标的特征相匹配的第一预设特征集合,第二匹配数据包括第二采集设备的采集数据中与预设目标的特征相匹配的第二预设特征集合。
在一种可能的实施例中,可以是若第一预设特征集合中预设特征的数量大于第二预设特征集合中预设特征的数量,则确定第一采集设备识别到预设目标。若第一预设特征集合中预设特征的数量小于第二预设特征集合中预设特征的数量,则确定第二采集设备识别到预设目标。示例性的,假设第一预设特征集合中包括特征A、B、C,第二预设特征集合中包括A、D,则确定第一采集设备识别到预设目标。假设第一预设特征集合中包括特征A、B、C,第二预设特征集合中包括A、D、E、F,则确定第二采集设备识别到预设目标。
如果第一预设特征集合中预设特征的数量等于第二预设特征集合中预设特征的数量,则可以根据第一预设特征集合中每个预设特征对应的能力可信度以及第二预设特征集合中每个预设特征对应的能力可信度,从第一采集设备和第二采集设备中确定识别到预设目标的采集设备。示例性的,假设第一预设特征集合中包括特征A、B、C,第二预设特征集合中包括特征A、D、E,并且假设第一预设特征集合中特征A、B、C对应的能力可信度分别为80、85、90,第二预设特征集合中特征A、D、E对应的能力可信度分别为85、86、87。则在一种可能的实施例中可以是比较第一预设特征集合中预设特征对应的能力可信度的最大值(即90),与第二预设特征集合中预设特征对应的能力可信度的最大值(即87),由于第一预设特征集合中预设特征对应的能力可信度的最大值较大,因此确定第一采集设备识别到预设目标。在另一种可能的实施例中,也可以是比较第一预设特征集合中预设特征对应的能力可信度的均值(即85),与第二预设特征集合中预设特征对应的能力可信度的均值(即86),由于第二预设特征集合中预设特征对应的能力可信度的均值较大,因此确定第二采集设备识别到预设目标。
为更清楚的对本发明实施例提供的目标识别方法进行说明,下面将对预设特征的确定流程进行详细说明,可以参见图2,图2所示为本发明实施例提供的预设特征确定方法的一种流程示意图,可以包括:
S201,确定采集设备能够采集的所有特征,作为该采集设备的初始特征采集能力集。
不同采集设备的初始特征采集能力集可以不同,采集设备所能够采集的特征可以包括采集对象自身的特征,也可以包括与采集对象存在关联关系的其他对象的特征。示例性的,在一种可能的实施例中,以采集对象为人员为例,采集设备能够采集的特征可以包括人员自身的特征,即人员的生物学特征,也可以包括与人员存在关联关系的对象(如磁卡、车辆、手机)的特征。例如采集设备的初始特征采集能力集可以包括人脸特征、指纹特征、车牌特征、磁卡特征、人体特征、国际移动用户识别码IMSI(International MobileIdentification Number)、媒体访问控制地址MAC(Media Access Control)、射频识别特征RFID(Radio Frequency Identification)、虹膜特征、声纹特征、步态特征中的一种或多种。其中,人脸特征、指纹特征、虹膜特征、声纹特征、步态特征以及人体特征可以视为人员的生物学特征,不同人员的生物学特征理论上不同,因此可以用于区别目标人员和非目标人员。车牌特征可以用于表示车辆的车牌号、车牌颜色等信息,可以理解的是,不同车辆的车牌不同,而人员与车辆之间往往具有关联关系,因此可以根据车牌特征区别目标人员和非目标人员。磁卡特征可以是人员所携带的磁卡的特征,可以理解的是,磁卡可能具有唯一性,即不同的磁卡具有不同的磁卡特征,而人员与磁卡之间往往具有关联关系,因此可以根据磁卡特征区别目标人员和非目标人员。IMSI可以用于区别移动用户,储存于SIM卡中,人员与移动用户之间存在关联关系,因此可以根据IMSI区别目标人员和非目标人员。Mac和RFID可以用于区别不同的设备,不同设备的Mac、RFID理论上不同,而设备与人员之间往往存在关联关系,因此可以根据Mac、RFID区别目标人员和非目标人员。可以理解的是,该实施例仅是本发明一种可能的实施例,在其他可能的实施例中,每个采集设备的初始特征采集能力集也可以包括其他特征,本实施例对此不做限制。
为描述方便,下面将人脸特征记为Feature1,指纹特征记为Feature2,车牌特征记为Feature3,磁卡特征记为Feature4,人体特征记为Feature5,IMSI记为Feature6,MAC记为Feature7,RFID记为Feature8。示例性的,存在采集设备1和采集设备2,则在一种可能的实施例中,采集设备1能够采集人脸特征、人体特征以及Mac地址,采集设备2能够采集车牌特征、人体特征以及MAC,则采集设备1的初始特征采集能力集为{Feature1,Feature5,Feature7},采集设备2的初始特征采集能力集为{Feature3,Feature5,Feature7}。
S202,针对初始特征采集能力集中的任一特征,确定该采集设备采集该特征的能力可信程度。
能力可信程度可以是以不同的形式进行表示的,例如在一种可能的实施例中,能力可信程度可以是得分的形式表示的。可以理解的是一个采集设备采集到的每一个特征数据,可以视为采集对象是否为预设目标的判据。在不考虑采集设备的误差的情况下,如果该特征数据与预设目标的特征匹配,则可以认为采集对象为预设目标。但是出于一些原因,即使特征数据与目标的特征匹配,实际上采集对象也可能并不是预设目标,即根据采集设备采集到的特征数据,识别采集对象是否为预设目标得到的识别结果存在一定可信程度。例如,假设目标人员的车辆的车牌号为浙AXXXXXX,如果在采集到一人员驾驶车牌号同样为浙AXXXXXX的车辆,可以认为该人员即为目标人员,但是实际上该人员也可能是非目标人员,例如可能是非目标人员驾驶目标人员的车辆。如果采集到一人员的指纹特征与目标人员的指纹特征相匹配,可以认为该人员即为目标人员,并且考虑到指纹的伪造难度较高,因此可以认为在这种情况下,“该人员为目标人员”这一识别结果的可信度相对较高。因此,在一种可能的实施例中,可以认为指纹特征、虹膜特征等伪造难度较高的特征类型,对应的可信程度较高,其他伪造难度较低的特征类型,对应的可信程度较低。另一方面,采集设备的误差也会对可信程度造成影响,例如采集设备采集到特征的位置可能存在一定误差,对于采集范围较大的特征,该误差往往相对较大,而对于采集范围较小的特征,该误差往往较小,在一种可能的实施中,可以认为指纹特征、虹膜特征、磁卡特征等特征的采集范围较小,人脸特征、人体特征、车牌特征、IMSI、MAC、RFID等特征的采集范围较大。
S203,当能力可信度满足预设条件时,确定该特征为预设特征。
预设条件根据应用场景的不同可以不同,示例性的,预设条件可以是能力可信度大于预设可信度阈值。其中,预设可信度阈值可以是根据实际需求或用户经验进行设置的,并且针对不同的特征,可以设置不同的预设可信度阈值,也可以是设置相同的预设可信度阈值。例如,假设一共有5种特征,分别记为Feature1-5,则在一种可能的实施例中,预设可信度阈值可以是{Feature1=75,Feature2=80,Feature3=85,Feature4=80,Feature5=82},其中Feature1=75表示对于Feature1预设可信度阈值为75,在另一种可能的实施例中,预设得分阈值也可以是{Feature1=80,Feature2=80,Feature3=80,Feature4=80,Feature5=80},本实施例对此不做限制。
示例性的,假设采集设备1的初始特征能力集为{Feature1,Feature5,Feature7},并且采集设备1采集Feature1的能力可信度为82,采集Feature5的能力可信度为75,采集Feature7的能力可信度为96。如果预设可信度阈值为{Feature1=80,Feature5=80,Feature7=80},则采集设备1的预设特征为{Feature1,Feature7}。
下面将结合具体的应用场景,进行示例性说明,假设一共有15个采集设备,分别记为C1-C15,C1-C15的初始特征采集能力集可以如下表所示:
其中,○表示采集设备的初始特征采集能力集中包括该特征,示例性的,对于C1,初始特征采集能力集中包括{Feature1、Feature5、Feature8}。
假设各个采集设备采集各特征的能力可信度如下表所示:
如果预设条件为大于预设可信度阈值,并且预设可信度阈值为{Feature1=80,Feature2=80,Feature3=80,Feature4=80,Feature5=80,Feature6=80,Feature7=80,Feature8=80},则C2采集Feature5的能力可信度、C4采集Feature1的能力可信度、C8采集Feature7的能力可信度以及C14采集Feature7的能力可信度不满足预设条件。因此各采集设备的预设特征如下表所示:
其中,○表示该特征为该采集设备的预设特征。
能力可信度的确定方式可以参见图3,图3所示为本发明实施例提供的能力可信度确定方法的一种流程示意图,可以包括:
S301,确定用于评价采集设备采集特征的能力可信度的指标。
其中,指标可以包括以下一个或多个指标:采集特征的成功率、采集特征的图像的质量、基于采集特征的图像的预警准确率、采集距离、周围点位的干扰情况、特征与目标的关联度。在其他可能的实施例中,也可以包括上述指标以外的其他指标。
在一种可能的实施例中,可以根据这些指标中的一个或多个对特征进行分类,一个特征的类别可以用于表示该特征的能力可信度的高低。即通过以下方式至少之一确定特征的分类:
基于特征与目标的关联度,确定特征的分类;基于特征判断目标的准确性,确定特征的分类;基于特征判断目标的唯一性,确定特征的分类;基于特征与监控设备的距离,确定特征的分类。
关联度用于表示特征与目标自身的相关性,例如人脸特征的关联度,高于磁卡特征。唯一性可以用于表示采集不同采集对象的该特征的数据时,采集到相同或相近数据的可能性。
S302,针对所确定的每个指标,分析采集设备的采集数据与该指标的符合情况。
例如,对于Feature1,可以确定用于评价采集设备采集Feature1的能力可信度的指标为采集特征的成功率、采集特征的图像的质量。如果采集设备采集Feature1时采集成功率较高,则可以认为采集设备采集到的Feature1的数据与采集特征的成功率这一指标符合情况较好,如果采集设备采集Feature1时图像的质量较高,则可以认为采集设备采集到的Feature1的数据与采集特征的图像的质量这一指标符合情况较好。
S303,根据所确定的所有指标的所有符合情况,确定采集设备采集该特征的能力可信度。
符合情况可以根据实际需求,以不同的形式表示,在一种可能的实施例中,符合情况可以是以得分的形式表示的。则可以是根据采集设备在所有指标上的得分,确定采集设备采集特征的能力可信度。示例性的,可以获取为每一指标设置的权重,根据每一指标的符合情况以及每一指标对应的权重,确定采集设备采集特征的能力可信度。例如,对于Feature1,可以确定用于评价采集设备采集Feature1的能力可信度的指标为采集特征的成功率、采集特征的图像的质量,假设在采集特征的成功率这一指标上采集设备的得分为80分,并且该指标的权重为0.6,在采集特征的图像的质量这一指标上采集设备的得分为70分,并且该指标的权重为0.4,则该采集设备的能力可信度为80*0.6+70*0.4=76。不同指标的权重可以根据实际需求或用户经验设置,本实施例对此不做限制。
下面将结合轨迹追踪,对本发明实施例提供的目标识别方法进行说明,可以参见图4,包括:
S401,确定起点轨迹点。
可以是用户根据实际需求指定的起点轨迹点,也可以是将第一次识别到目标的捕获时间和捕获位置作为起点轨迹点,本实施例对此不做限制。
S402,将起点轨迹点作为初始轨迹点。
S403,根据目标识别结果,在初始轨迹点的预设时空范围内确定目标的下一个轨迹点。
示例性的,预设时空范围可以是{<2分钟,<100米},假设初始轨迹点为位置C,并且识别到的时间为8点。则可以是在8:00-8:02这一时间范围内,以位置C为圆心100米为半径的空间范围内,根据采集设备的目标识别结果,确定目标的下一个轨迹点。
假设采集设备的预设特征如下所示:
并且采集到的采集数据如下表所示:
其中,●表示采集设备采集到的该预设特征的数据与目标匹配,示例性的,对于C1,采集到的采集数据包括Feature1的数据、Feature5的数据以及Feature7的数据,其中采集到的Feature1的数据和Feature5的数据与目标匹配,而采集到的Feature7的数据与目标不匹配。捕获时间用于表示该采集设备采集到与目标匹配的特征的时间。
采集设备可以对应记录采集到数据特征的经纬度(即捕获位置),并根据记录的经纬度确定采集到特征数据的位置与C之间的距离,进而判断采集到特征的位置是否满足距离C在100米以内。假设所有采集设备采集到与目标匹配的特征的位置距离C均在100米以内,则由该表可见,符合时间范围的只有C7和C8。即可以认为C7和C8这两个采集设备,在预设时空范围内识别到目标。
在一种可能的实施例中,如果多个采集设备在同一时空范围内成功识别到目标,根据将在该同一时空范围内采集到与目标匹配的预设特征最多的采集设备,确定为识别到目标的采集设备。
例如,仍以上述示例为例C8采集到的采集数据中,Feature1的数据、Feature3的数据以及Feature5的数据与目标匹配,而C7采集到的采集数据中,只有Feature2的数据与目标匹配,因此可以根据C8的目标识别结果,确定目标的下一个轨迹点(即根据C8的目标识别结果,在初始轨迹点的预设时空范围内,确定目标的下一个轨迹点)。可理解的是,一个采集设备在一定时空范围内采集到与目标匹配的预设特征越多,则该采集设备在该时空范围内的目标识别结果越准确,因此可以确定该采集设备识别到目标。
S404,将下一个轨迹点作为新的初始轨迹点,返回执行S403,直至满足预设循环结束条件,执行S405。
其中,预设循环结束条件可以是重复执行S203的次数达到预设重复次数阈值,也可以是确定得到的下一个轨迹点的位置位于预设空间范围内,还可以是确定得到的下一个轨迹点对应的时间位于预设时间范围内。
例如,用户可能希望追踪目标早上8:00-10:00这一时间段内的轨迹,则可以是当下一个轨迹点对应的时间大于10:00时执行S205。
S405,按照时间先后顺序,依次连接起点轨迹点和得到的所有下一个轨迹点,得到目标的轨迹。
示例性,假设得到的下一个轨迹点一共有5个,分别记为位置A,对应的时间为7:50,位置B,对应的时间为7:55,位置D,对应的时间为8:05,位置E,对应的时间为8:10,位置F,对对应的时间为8:15,假设起点轨迹点为位置C,并且对应的时间为8:00。则可以是依次连接A-B-C-D-E-F,得到目标的轨迹。
可以理解的是,目标的移动能力有限,在一定时间段内移动的距离是有限的,因此如果在某一时刻的某一位置识别到目标,则在该时刻相近的时刻内,该目标理论上位于该位置的附近。示例性的,假设目标正常的移动速度不超过1m/s,则如果在8:00的时候在位置C识别到目标,则可以认为目标在7:55-8:05这一时间段内,距离位置C不超过300米,如果在这一时间段内,在距离位置C超过300米的位置识别到C,则可以认为存在误识别。即选用该实施例,可以通过设置时空范围的方式,降低误识别导致轨迹的不准确性。
参见图5,图5所示为本发明实施例提供的目标采集装置的一种结构示意图,可以包括:
数据获取模块501,用于获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
数据分析模块502,用于对所述采集数据进行分析,识别所述采集对象是否为预设目标。
在一种可能的实施例中,所述数据分析模块502,还用于若第一采集设备和第二采集设备在同一时间窗口内内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
在一种可能的实施例中,所述数据分析模块502,具体用于若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
在一种可能的实施例中,所述装置还包括可信度确定模块,用于针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
在一种可能的实施例中,所述可信度确定模块,具体用于获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
本发明实施例还提供了一种电子设备,如图6所示,包括:
存储器601,用于存放计算机程序;
处理器602,用于执行存储器601上所存放的程序时,实现如下步骤:
获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
对所述采集数据进行分析,识别所述采集对象是否为预设目标。
在一种可能的实施例中,若第一采集设备和第二采集设备在同一时间窗口内内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
在一种可能的实施例中,所述根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备,包括:
若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
在一种可能的实施例中,针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
在一种可能的实施例中,所述根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度,包括:
获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一目标识别方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一目标识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种目标识别方法,其特征在于,所述方法包括:
获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
对所述采集数据进行分析,识别所述采集对象是否为预设目标。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若第一采集设备和第二采集设备在同一时间窗口内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
3.根据权利要求2所述的方法,其特征在于,所述根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备,包括:
若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
4.根据权利要求1至3任一项所述的方法,其特征在于,针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
5.根据权利要求4所述的方法,其特征在于,所述根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度,包括:
获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
6.一种目标识别装置,其特征在于,所述装置包括:
数据获取模块,用于获得任一采集设备的采集数据;其中,所述采集数据为所述采集设备采集的采集对象的预设特征的数据,所述预设特征的确定方法为:针对所述采集设备所能够采集的任一特征,确定所述采集设备采集所述特征的能力可信度,当所述能力可信度满足预设条件时,确定所述特征为预设特征;
数据分析模块,用于对所述采集数据进行分析,识别所述采集对象是否为预设目标。
7.根据权利要求6所述的装置,其特征在于,所述数据分析模块,还用于若第一采集设备和第二采集设备在同一时间窗口内内分别识别到所述预设目标,则根据第一匹配数据和第二匹配数据,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备;其中,
所述第一匹配数据包括所述第一采集设备的采集数据中与所述预设目标的特征相匹配的第一预设特征集合,所述第二匹配数据包括所述第二采集设备的采集数据中与所述预设目标的特征相匹配的第二预设特征集合。
8.根据权利要求7所述的装置,其特征在于,所述数据分析模块,具体用于若所述第一预设特征集合中预设特征的数量大于所述第二预设特征集合中预设特征的数量,则确定所述第一采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量小于所述第二预设特征集合中预设特征的数量,则确定所述第二采集设备识别到所述预设目标;
若所述第一预设特征集合中预设特征的数量等于所述第二预设特征集合中预设特征的数量,则根据所述第一预设特征集合中每个预设特征对应的能力可信度以及所述第二预设特征集合中每个预设特征对应的能力可信度,从所述第一采集设备和所述第二采集设备中确定识别到所述预设目标的采集设备。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述装置还包括可信度确定模块,用于针对所述采集设备所能够采集的任一特征,通过以下方式确定所述采集设备采集所述特征的能力可信度:
确定用于评价所述采集设备采集所述特征的能力可信度的指标;
针对所确定的每个指标,分析所述采集设备的采集数据与所述指标的符合情况;
根据所确定的所有指标的所有符合情况,确定所述采集设备采集所述特征的能力可信度。
10.根据权利要求9所述的装置,其特征在于,所述可信度确定模块,具体用于获取为每一所述指标设置的权重;
根据每一所述指标的符合情况以及每一所述指标对应的权重,确定所述采集设备采集所述特征的能力可信度。
11.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156655.7A CN112835947B (zh) | 2019-11-22 | 2019-11-22 | 目标识别方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156655.7A CN112835947B (zh) | 2019-11-22 | 2019-11-22 | 目标识别方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112835947A true CN112835947A (zh) | 2021-05-25 |
CN112835947B CN112835947B (zh) | 2024-04-02 |
Family
ID=75922798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156655.7A Active CN112835947B (zh) | 2019-11-22 | 2019-11-22 | 目标识别方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835947B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843889A (zh) * | 2016-03-21 | 2016-08-10 | 华南师范大学 | 基于可信度面向大数据及普通数据的数据采集方法和系统 |
CN106296724A (zh) * | 2015-05-12 | 2017-01-04 | 杭州海康威视数字技术股份有限公司 | 一种目标人物的轨迹信息的确定方法、系统及处理服务器 |
CN107729368A (zh) * | 2017-09-08 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 一种用于poi数据校验的方法和装置 |
CN108694216A (zh) * | 2017-04-12 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 一种多源对象关联方法及装置 |
CN108898099A (zh) * | 2018-06-28 | 2018-11-27 | 北京三快在线科技有限公司 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
CN109118806A (zh) * | 2017-06-26 | 2019-01-01 | 杭州海康威视系统技术有限公司 | 一种设备异常检测方法、装置及系统 |
WO2019034053A1 (zh) * | 2017-08-15 | 2019-02-21 | 杭州海康威视数字技术股份有限公司 | 一种目标定位方法、装置及系统 |
CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
CN109951289A (zh) * | 2019-01-25 | 2019-06-28 | 北京三快在线科技有限公司 | 一种识别方法、装置、设备及可读存储介质 |
US20190244253A1 (en) * | 2018-02-06 | 2019-08-08 | Accenture Global Solutions Limited | Target identification using big data and machine learning |
CN110263068A (zh) * | 2019-05-21 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种处理监控数据的方法及系统 |
CN110287671A (zh) * | 2019-06-27 | 2019-09-27 | 深圳市商汤科技有限公司 | 验证方法及装置、电子设备和存储介质 |
CN110348274A (zh) * | 2018-04-08 | 2019-10-18 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及设备 |
US20190350066A1 (en) * | 2018-05-11 | 2019-11-14 | F.lux Software LLC | Coordinated Lighting Adjustment for Groups |
-
2019
- 2019-11-22 CN CN201911156655.7A patent/CN112835947B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296724A (zh) * | 2015-05-12 | 2017-01-04 | 杭州海康威视数字技术股份有限公司 | 一种目标人物的轨迹信息的确定方法、系统及处理服务器 |
CN105843889A (zh) * | 2016-03-21 | 2016-08-10 | 华南师范大学 | 基于可信度面向大数据及普通数据的数据采集方法和系统 |
CN108694216A (zh) * | 2017-04-12 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 一种多源对象关联方法及装置 |
CN109118806A (zh) * | 2017-06-26 | 2019-01-01 | 杭州海康威视系统技术有限公司 | 一种设备异常检测方法、装置及系统 |
WO2019034053A1 (zh) * | 2017-08-15 | 2019-02-21 | 杭州海康威视数字技术股份有限公司 | 一种目标定位方法、装置及系统 |
CN107729368A (zh) * | 2017-09-08 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 一种用于poi数据校验的方法和装置 |
CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
US20190244253A1 (en) * | 2018-02-06 | 2019-08-08 | Accenture Global Solutions Limited | Target identification using big data and machine learning |
CN110348274A (zh) * | 2018-04-08 | 2019-10-18 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及设备 |
US20190350066A1 (en) * | 2018-05-11 | 2019-11-14 | F.lux Software LLC | Coordinated Lighting Adjustment for Groups |
CN108898099A (zh) * | 2018-06-28 | 2018-11-27 | 北京三快在线科技有限公司 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
CN109951289A (zh) * | 2019-01-25 | 2019-06-28 | 北京三快在线科技有限公司 | 一种识别方法、装置、设备及可读存储介质 |
CN110263068A (zh) * | 2019-05-21 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种处理监控数据的方法及系统 |
CN110287671A (zh) * | 2019-06-27 | 2019-09-27 | 深圳市商汤科技有限公司 | 验证方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112835947B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
CA2611379A1 (en) | Electronic vehicle identification | |
CN105653922A (zh) | 生物特征验证方法和电子设备 | |
US9854208B2 (en) | System and method for detecting an object of interest | |
CN110765823A (zh) | 一种目标识别方法及装置 | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN109656973A (zh) | 一种目标对象关联分析方法及装置 | |
CN112257660A (zh) | 无效客流的去除方法、系统、设备及计算机可读存储介质 | |
CN112132220A (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
CN112309126A (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN118094118B (zh) | 数据集质量评估方法、系统、电子设备及存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN111291596A (zh) | 一种基于人脸识别的预警方法及装置 | |
CN111652284A (zh) | 扫描器识别方法及装置、电子设备、存储介质 | |
CN113837006B (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
US10755074B2 (en) | Latent fingerprint pattern estimation | |
CN113869364A (zh) | 图像处理方法、装置、电子设备及介质 | |
CN111540202B (zh) | 一种相似卡口确定方法、装置、电子设备及可读存储介质 | |
CN112835947B (zh) | 目标识别方法及装置、电子设备、存储介质 | |
WO2021093744A1 (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 | |
CN115393616A (zh) | 目标跟踪方法、装置、设备以及存储介质 | |
CN113553888B (zh) | 人员身份验证方法、装置、设备及存储介质 | |
CN110035392B (zh) | 设备是否位于目标区域的识别方法及装置和电子设备 | |
CN114363082A (zh) | 网络攻击检测方法、装置、设备及计算机可读存储介质 | |
CN111738185B (zh) | 一种目标识别方法、装置及设备 |
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 |