CN113096162A - 一种行人识别跟踪方法及装置 - Google Patents

一种行人识别跟踪方法及装置 Download PDF

Info

Publication number
CN113096162A
CN113096162A CN202110428419.7A CN202110428419A CN113096162A CN 113096162 A CN113096162 A CN 113096162A CN 202110428419 A CN202110428419 A CN 202110428419A CN 113096162 A CN113096162 A CN 113096162A
Authority
CN
China
Prior art keywords
pedestrian
color components
clothes
mean value
clothing
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
Application number
CN202110428419.7A
Other languages
English (en)
Other versions
CN113096162B (zh
Inventor
李文鹏
谢宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Hisense Smart Life Technology Co Ltd
Original Assignee
Qingdao Hisense Smart Life Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Hisense Smart Life Technology Co Ltd filed Critical Qingdao Hisense Smart Life Technology Co Ltd
Priority to CN202110428419.7A priority Critical patent/CN113096162B/zh
Publication of CN113096162A publication Critical patent/CN113096162A/zh
Application granted granted Critical
Publication of CN113096162B publication Critical patent/CN113096162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种行人识别跟踪方法及装置。该方法包括：获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息，根据第一行人的视频信息和第二行人的视频信息，分别确定出第一行人的衣服的颜色分量的均值和第二行人的衣服的颜色分量的均值，依据第一行人的衣服的颜色分量的均值从社区的颜色分量的均值与标准差的对应关系，确定出第一行人的衣服的颜色分量的均值对应的标准差，确定第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定第一行人与第二行人为同一人。如此充分考虑到了不同位置的摄像头的拍摄效果。提高了根据行人衣服颜色进行行人识别的准确度。

Description

一种行人识别跟踪方法及装置
技术领域
本发明实施例涉及计算机视觉技术领域，尤其涉及一种行人识别跟踪方法、装置、计算设备及计算机可读存储介质。
背景技术
目前在社区内对行人识别或跟踪通常使用的是人脸识别算法，在当下疫情没有缓解的情况下，人们出行佩戴口罩，人脸识别算法效果差甚至完全失效。或者，当行人背对摄像头或者距离摄像头距离较远的情况时，人脸识别也无法进行精确识别。因此可以通过行人的衣服颜色对行人进行识别。
但是由于社区场景环境情况复杂多变，不同摄像头的拍摄角度以及天气、光照等因素的影响，使得摄像头捕捉到的图像颜色并不是一成不变的，只依靠单一摄像头进行预先参数调整并没有兼顾到这些影响因素，因而会出现针对同一行人，社区中不同位置的摄像头的识别结果不同，导致识别效果很差。
综上，本发明实施例提供一种行人识别跟踪方法，用以提高对社区中的行人进行识别的准确度。
发明内容
本发明实施例提供一种行人识别跟踪方法，用以提高对社区中的行人进行识别的准确度。
第一方面，本发明实施例提供一种行人识别跟踪方法，包括：
获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息；
根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值；
依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差；所述颜色分量的均值与标准差的对应关系是依据所述社区中各摄像头采集的行人的视频信息确定的；
确定所述第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定所述第一行人与所述第二行人为同一人；所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的。
通过对社区内各摄像头采集的行人的视频信息确定出该社区的颜色分量的均值和标准差的对应关系，如此确定出的颜色分量的均值和标准差的对应关系充分考虑到了不同位置、角度和光照条件的摄像头的拍摄效果。然后根据社区入口处拍摄的第一行人的衣服的颜色分量的均值从对应关系中确定该颜色分量的均值对应的标准差，从而确定判别区间，若社区内拍摄到的第二行人的衣服的颜色分量的均值位于该判别区间内，说明第二行人的衣服颜色与第一行人的衣服颜色的差异满足范围条件，可以确定为同一个人。如此，避免了社区中不同位置的摄像头按照各自的预设参数进行判断导致的判断误差，提高了根据行人衣服颜色进行行人识别的准确度。
可选地，所述根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
对所述第一行人的视频信息和所述第二行人的视频信息进行预处理，得到所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像；
将所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的RGB颜色空间转换为HSV颜色空间；
对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
针对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间的任一颜色分量，将所述颜色分量进行矩阵转换；
将多个图像的矩阵转换后的颜色分量中的同一颜色分量进行拼接，得到所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值；
根据所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值，确定所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图；
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行高斯拟合，将得到的拟合曲线中概率密度最高的点对应的颜色分量值作为所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，将所述颜色分量进行矩阵转换，包括：
将所述二维矩阵形式的颜色分量转换为一维矩阵形式。
可选地，所述社区的颜色分量的均值与标准差的对应关系为不同时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差，包括：
依据所述第二摄像头采集的第二行人的视频信息的时间，确定所述时间所处的时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值，在所述时间所处的时间段的颜色分量的均值与标准差的对应关系中，确定所述第一行人的衣服的颜色分量的均值对应的标准差。
可选地，所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的，包括：
根据可调参数及所述第一行人的衣服的颜色分量的均值对应的标准差，得到所述第一行人的衣服的颜色分量的均值的浮动范围；所述可调参数是依据所述社区和/或所述第二摄像头采集的第二行人的视频信息的时间确定的；
根据所述第一行人的衣服的颜色分量的均值及所述浮动范围，确定所述判别区间。
第二方面，本发明实施例还提供一种行人识别跟踪装置，包括：
获取单元，用于获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息；
确定单元，用于根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值；依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差；所述颜色分量的均值与标准差的对应关系是依据所述社区中各摄像头采集的行人的视频信息确定的；
处理单元，用于确定所述第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定所述第一行人与所述第二行人为同一人；所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的。
可选地，所述确定单元具体用于：对所述第一行人的视频信息和所述第二行人的视频信息进行预处理，得到所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像；
将所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的RGB颜色空间转换为HSV颜色空间；
对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元具体用于：针对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间的任一颜色分量，将所述颜色分量进行矩阵转换；
将多个图像的矩阵转换后的颜色分量中的同一颜色分量进行拼接，得到所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值；
根据所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值，确定所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图；
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元具体用于：对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行高斯拟合，将得到的拟合曲线中概率密度最高的点对应的颜色分量值作为所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元具体用于：将所述二维矩阵形式的颜色分量转换为一维矩阵形式。
可选地，所述社区的颜色分量的均值与标准差的对应关系为不同时间段的颜色分量的均值与标准差的对应关系；
所述确定单元具体用于：依据所述第二摄像头采集的第二行人的视频信息的时间，确定所述时间所处的时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值，在所述时间所处的时间段的颜色分量的均值与标准差的对应关系中，确定所述第一行人的衣服的颜色分量的均值对应的标准差。
可选地，所述处理单元具体用于：根据可调参数及所述第一行人的衣服的颜色分量的均值对应的标准差，得到所述第一行人的衣服的颜色分量的均值的浮动范围；所述可调参数是依据所述社区和/或所述第二摄像头采集的第二行人的视频信息的时间确定的；
根据所述第一行人的衣服的颜色分量的均值及所述浮动范围，确定所述判别区间。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行上述任一方式所列的行人识别跟踪方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行上述任一方式所列的行人识别跟踪方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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一种系统架构的示意图；
图2为本发明实施例提供的一种行人识别跟踪方法的流程示意图；
图3为本发明实施例提供的一种拼接的示意图；
图4为本发明实施例提供的一种颜色分量的示意图；
图5为本发明实施例提供的一种确定颜色分量的均值与标准差的对应关系的示意图；
图6为本发明实施例提供的一种行人识别跟踪方法的流程示意图；
图7为本发明实施例提供的一种行人识别跟踪装置的结构示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
图1示例性的示出了本发明实施例所适用的一种系统架构，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和路线连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要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系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130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、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
当行人进入社区时，社区入口处的第一摄像头进行拍摄，采集到第一行人的视频信息；当行人进入社区后，位于社区内的第二摄像头进行拍摄，采集到第二行人的视频信息。其中，第一摄像头和第二摄像头由于位置、角度、光照等条件的不同，可能会导致拍摄的视频信息中行人的衣服颜色存在差异，若据此则判断第一行人和第二行人不是同一个行人，则会出现较大的识别误差。
为了解决上述问题，图2示例性的示出了本发明实施例提供的一种行人识别跟踪方法的流程，如图2所示，包括如下步骤：
步骤201，获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息。
其中，第一摄像头和第二摄像头的个数不作限定。例如，在社区入口处安装一个第一摄像头，在社区内安装多个第二摄像头；或者在社区入口处安装多个第一摄像头，在社区内安装多个第二摄像头。
步骤202，根据第一行人的视频信息和第二行人的视频信息，分别确定出第一行人的衣服的颜色分量的均值和第二行人的衣服的颜色分量的均值。
针对第一行人的视频信息，首先对视频信息进行预处理，在视频信息中截取出多张图像。
由于本发明实施例针对的是行人的识别，为了更方便地进行图像处理，然后使用目标检测算法将多张图像中的行人检测出来，这样就去除掉如车，动物，建筑等其他干扰。此时得到的是多个包含行人的矩形的图片，但如果直接进行颜色处理，行人的背景颜色仍然会对要识别的衣服颜色造成干扰，所以需要通过图像分割算法将人的衣服的轮廓提取出来，去除背景干扰。如此得到第一行人的衣服的多个图像。
接下来确定第一行人的衣服的颜色分量的均值。可以将第一行人的衣服整体进行处理，也可以将上衣和下衣分别进行处理，本发明实施例对此不作限制。下面以对第一行人的衣服整体进行处理为例，介绍确定衣服的颜色分量的均值的过程。
针对第一行人的衣服的多个图像，将图像由RGB颜色空间转换为HSV颜色空间(其中HSV颜色分量的范围为H:0-180,S:0-255,V:0-255)，分别得到第i个摄像头下的第j个图像在H、S、V三个分量上的颜色分量Hij、Sij、Vij(均为二维矩阵的形式)。
为了便于统计计算，对每个图像的颜色分量进行矩阵转换，例如可以将二维矩阵的形式转换为一维矩阵，分别得到hij、sij、vij，然后将多个图像中属于同一颜色分量的一维矩阵进行拼接，得到第一行人的不同颜色分量的总值，分别为htotal,stotal,vtotal。
具体地，通过如下方式进行拼接：
Figure BDA0003030482590000101
Figure BDA0003030482590000102
Figure BDA0003030482590000103
其中N为摄像头的个数，M为每个摄像头拍摄的视频信息经过数据处理后得到的图像个数。concat为拼接操作。
举个例子，社区入口处有两个第一摄像头A和B，分别拍摄第一行人的视频信息，进行预处理和行人识别后，第一摄像头A和B分别得到2张第一行人的衣服的图像，再将4张图像转化为HSV颜色空间进行拼接操作。图3示例性地示出了一种拼接的处理过程。如图3所示，A摄像头的2张图像得到的颜色分量分别为H11、S11、V11，H12、S12、V12。B摄像头的2张图像得到的颜色分量分别为H21、S21、V21，H22、S22、V22。以H分量为例进行矩阵转换，得到h11、h12、h21、h22。如图2所示，h11＝[1,2,2,4]，h12＝[1,1,2,2]，h21＝[2,4,2,4]，h22＝[2,1,2,1]。拼接后得到第一行人在H颜色分量上的总值htotal＝[1,2,2,4,1,1,2,2,2,4,2,4,2,1,2,1]。以上分量值仅为示例，不作为对本方案的限制。同理可得第一行人在S颜色分量和V颜色分量上的总值stotal和vtotal。
然后，根据第一行人的不同颜色分量的总值确定第一行人的不同颜色分量的分布图，对分布图进行曲线拟合，得到第一行人的衣服的颜色分量的均值。
例如，对H颜色分量上的总值htotal画出的分布图如图4所示。横坐标为h的值，纵坐标为h对应的概率密度。用高斯分布(μ，σ2)去拟合图4，得到图4中用虚线表示的拟合曲线，该拟合曲线中概率密度最高的点对应的颜色分量值为所述第一行人的衣服的颜色分量的均值μ，标准差σ表示该高斯分布的离散程度。此时均值μ≈109，标准差σ≈4.47。即，第一摄像头得到的第一行人的衣服在H颜色分量上的均值为109。同理可得第一行人的衣服在S颜色分量上的均值和第一行人的衣服在V颜色分量上的均值。
按照上述步骤，根据在社区内拍摄到的第二行人的视频信息确定第二行人的衣服的颜色分量的均值。
步骤203，依据第一行人的衣服的颜色分量的均值从社区的颜色分量的均值与标准差的对应关系，确定出第一行人的衣服的颜色分量的均值对应的标准差。
其中，颜色分量的均值与标准差的对应关系是依据社区中各摄像头采集的行人的视频信息确定的。由于摄像头分布安装在社区的不同位置，因此针对同一行人的同一衣服，不同位置的摄像头由于角度、光照等因素的影响，拍摄的衣服的颜色会有差异。而将社区中各摄像头针对同一行人采集的图像信息综合起来，充分考虑到不同位置的摄像头的拍摄效果，如此，确定出在该社区中颜色分量的均值与标准差的对应关系。
确定颜色分量的均值与标准差的对应关系与步骤202中确定第一行人的衣服的颜色分量的均值的方法大致相同，只是在步骤202中，第一摄像头均位于社区入口处；而在确定该社区中颜色分量的均值与标准差的对应关系中，需要将分布在社区不同位置处的多个摄像头采集的视频信息进行综合分析。
图5示例性示出了一种确定颜色分量的均值与标准差的对应关系的流程。
如图5所示，具体包括：
步骤501，社区内的各摄像头进行视频信息的采集。
步骤502，对各摄像头采集的视频信息进行预处理。
预处理的流程包括截取图像、目标检测、图像分割，由此可以得到针对任一行人，在各摄像头下的多个图像。
步骤503，针对任一行人，将其在各摄像头下的多个图像由RGB颜色空间转换为HSV颜色空间。
步骤504，针对HSV三个颜色分量中的任一分量上的图像，进行矩阵转化、拼接得到该行人在该颜色分量的总值。
步骤505，采用高斯分布分别拟合该行人在三个颜色分量上的分布图，得到该行人在三个颜色分量上各自的均值与方差。
步骤506，将多个行人在三个颜色分量上各自的均值与方差的进行整理，得到三个颜色分量上，均值与方差的对应关系。
以H颜色分量为例，对行人1的衣服在社区入口及社区内的各个摄像头下的视频信息进行处理，得到行人1的衣服在H颜色分量上的均值μh1与标准差σh1；对行人2的衣服在社区入口及社区内的各个摄像头下的视频信息进行处理，得到行人2的衣服在H颜色分量上的均值μh2与标准差σh2；依此类推，得到行人n的衣服在H颜色分量上的均值μhn与标准差σhn。由于每个行人的穿着不同，因此当采集的行人的数量足够多时，颜色分量的均值会覆盖H颜色分量的范围0-180中的每一个数值，表1示例性示出了一种H颜色分量上均值与标准差的对应关系。
表1
H颜色分量的均值 标准差
0 3
1 1
2 3
3 4
4 2
… …
180 1
同理，可以得到S颜色分量上均值与标准差的对应关系和V颜色分量上均值与标准差的对应关系。
当通过步骤202确定出第一行人的衣服在任一颜色分量上的均值时，依据该颜色分量的均值，从如表1所示的对应关系中确定该颜色分量的均值对应的标准差。例如，若确定第一行人的衣服在H分量上的均值为4，则根据表1，得到其对应的标准差为2。
可选地，为不同的时间段确定不同的对应关系。例如，对6:00-12:00时社区内各摄像头拍摄的视频信息进行分析处理，得到该时间段的对应关系为如表1所示；对上午12:00-18:00时社区内各摄像头拍摄的视频信息进行分析处理，得到该时间段的对应关系为如表2所示。
表2
颜色分量的均值 标准差
0 2
1 2
2 3
3 1
4 3
… …
180 2
首先获取第二摄像头采集的第二行人的视频信息的时间，确定该时间所处的时间段，根据时间段确定颜色分量的均值与标准差的对应关系。然后通过第一行人的衣服的颜色分量的均值在对应关系中确定其对应的标准差。例如，若第二摄像头采集的第二行人的视频信息的时间为9:00，则确定此时的对应关系如表1所示，若再确定第一行人的衣服的颜色分量的均值为4，则根据如表1所示的对应关系，进一步确定该第一行人的衣服的颜色分量的均值对应的标准差为2。
步骤204，确定第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定第一行人与第二行人为同一人。
其中，判别区间是由第一行人的衣服的颜色分量的均值及其对应的标准差确定的。例如，通过步骤202与步骤203确定的第一行人的衣服在H颜色分量上的均值为μ0，对应的标准差为σ0，则确定其判别区间为[μ0-σ0,μ0+σ0]。
若第二行人的衣服在H颜色分量上的均值μ位于上述判别区间内，则说明社区内的摄像头拍摄的该第二行人的衣服与社区入口处拍摄的第一行人的衣服在H分量上的相似度很高。
若第二行人的衣服在三个颜色分量上的均值均位于其相应的判别区间内，则认为第二行人与第一行人为同一个人。
可选地，设置一个可调参数k，对判别区间进行动态的调整，用于平衡准确率和召回率。例如，根据可调参数及第一行人的衣服的颜色分量的均值对应的标准差，得到第一行人的衣服的颜色分量的均值的浮动范围k·σ0，再根据第一行人的衣服的颜色分量的均值μ0及浮动范围k·σ0，确定判别区间为[μ0-k·σ0,μ0+k·σ0]。可调参数k是依据社区和/或第二摄像头采集的第二行人的视频信息的时间确定的。具体地，不同的社区可以设置不同的可调参数，不同的采集视频信息的时间也可以设置不同的可调参数。当增大k值时，判别区间范围增大，此时衣服颜色相近的也可能判别为同一人，召回率增大，准确率减小；当减小k值时，判别区间范围缩小，此时衣服颜色要非常接近才能判别为同一人，这种情况下更加注重准确率。实际情况可以根据需求进行测试调整。
可选的，在通过上述方法进行行人识别时，将行人的上衣和下衣分别进行处理和判断，可以提高识别的准确性。例如，针对第一行人和第二行人的上衣，确定第二行人的上衣的颜色分量的均值位于根据第一行人的上衣的颜色分量的均值和标准差对应的判别区间内；继而针对第一行人和第二行人的下衣，确定第二行人的下衣的颜色分量的均值位于根据第一行人的下衣的颜色分量的均值和标准差对应的判别区间内，则可确定第二行人与第一行人为同一个人。
为了更好的解释本发明实施例，下面将在具体实施场景下来描述上述行人识别跟踪的流程。
如图6所示，具体包括：
步骤601，在社区入口处采集第一行人的视频信息，确定第一行人的衣服在H、S、V域下的μ0值。
步骤602，根据该社区H、S、V域下μ与σ的对应关系，确定该第一行人的衣服在H、S、V域的分别的判别区间。
步骤603，在社区内采集第二行人的视频信息，确定第二行人的衣服在H、S、V域下的μi值。
步骤604，判断H、S、V域下的μi值是否均位于相应的判别区间内，若是则进入步骤605；若否，则进入步骤606。
步骤605，第二行人与第一行人为同一人。
步骤606，第二行人与第一行人不是同一人。
本发明实施例提供一种行人识别跟踪方法，通过对社区中各个位置的摄像头采集的行人的视频信息确定出该社区的行人的衣服的颜色分量的均值与标准差的对应关系，通过在社区入口处获取的第一行人的衣服的颜色分量的均值结合对应关系判断第一行人的衣服的颜色分量的均值的判别区间，从而当在社区中任一位置获取到第二行人的衣服的颜色分量的均值时，通过判断该均值是否位于判别区间中，确定第二行人与第一行人是否为同一个人。
基于相同的技术构思，图7示例性的示出了本发明实施例提供的一种行人识别跟踪装置的结构，该结构可以执行行人识别跟踪的流程。
如图7所示，该装置具体包括：
获取单元701，用于获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息；
确定单元702，用于根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值；依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差；所述颜色分量的均值与标准差的对应关系是依据所述社区中各摄像头采集的行人的视频信息确定的；
处理单元703，用于确定所述第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定所述第一行人与所述第二行人为同一人；所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的。可选地，所述确定单元具体用于：对所述第一行人的视频信息和所述第二行人的视频信息进行预处理，得到所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像；
将所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的RGB颜色空间转换为HSV颜色空间；
对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元702具体用于：针对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间的任一颜色分量，将所述颜色分量进行矩阵转换；
将多个图像的矩阵转换后的颜色分量中的同一颜色分量进行拼接，得到所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值；
根据所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值，确定所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图；
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元702具体用于：对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行高斯拟合，将得到的拟合曲线中概率密度最高的点对应的颜色分量值作为所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
可选地，所述确定单元702具体用于：将所述二维矩阵形式的颜色分量转换为一维矩阵形式。
可选地，所述社区的颜色分量的均值与标准差的对应关系为不同时间段的颜色分量的均值与标准差的对应关系；
所述确定单元702具体用于：依据所述第二摄像头采集的第二行人的视频信息的时间，确定所述时间所处的时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值，在所述时间所处的时间段的颜色分量的均值与标准差的对应关系中，确定所述第一行人的衣服的颜色分量的均值对应的标准差。
可选地，所述处理单元703具体用于：根据可调参数及所述第一行人的衣服的颜色分量的均值对应的标准差，得到所述第一行人的衣服的颜色分量的均值的浮动范围；所述可调参数是依据所述社区和/或所述第二摄像头采集的第二行人的视频信息的时间确定的；
根据所述第一行人的衣服的颜色分量的均值及所述浮动范围，确定所述判别区间。
基于相同的技术构思，本发明实施例还提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用存储器中存储的计算机程序，按照获得的程序执行上述任一方式所列行人识别跟踪的方法。
基于相同的技术构思，本发明实施例还提供一种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程序，计算机可执行程序用于使计算机执行上述任一方式所列的行人识别跟踪的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、设备(系统)、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种行人识别跟踪方法，其特征在于，包括：
获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息；
根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值；
依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差；所述颜色分量的均值与标准差的对应关系是依据所述社区中各摄像头采集的行人的视频信息确定的；
确定所述第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定所述第一行人与所述第二行人为同一人；所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
对所述第一行人的视频信息和所述第二行人的视频信息进行预处理，得到所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像；
将所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的RGB颜色空间转换为HSV颜色空间；
对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
3.如权利要求2所述的方法，其特征在于，所述对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间进行处理，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
针对所述第一行人的衣服的多个图像和所述第二行人的衣服的多个图像的HSV颜色空间的任一颜色分量，将所述颜色分量进行矩阵转换；
将多个图像的矩阵转换后的颜色分量中的同一颜色分量进行拼接，得到所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值；
根据所述第一行人的不同颜色分量的总值和所述第二行人的不同颜色分量的总值，确定所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图；
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
4.如权利要求3所述的方法，其特征在于，对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行曲线拟合，得到所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值，包括：
对所述第一行人的不同颜色分量的分布图和所述第二行人的不同颜色分量的分布图进行高斯拟合，将得到的拟合曲线中概率密度最高的点对应的颜色分量值作为所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值。
5.如权利要求3所述的方法，其特征在于，将所述颜色分量进行矩阵转换，包括：
将所述二维矩阵形式的颜色分量转换为一维矩阵形式。
6.如权利要求1所述的方法，其特征在于，所述社区的颜色分量的均值与标准差的对应关系为不同时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差，包括：
依据所述第二摄像头采集的第二行人的视频信息的时间，确定所述时间所处的时间段的颜色分量的均值与标准差的对应关系；
依据所述第一行人的衣服的颜色分量的均值，在所述时间所处的时间段的颜色分量的均值与标准差的对应关系中，确定所述第一行人的衣服的颜色分量的均值对应的标准差。
7.如权利要求1所述的方法，其特征在于，所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的，包括：
根据可调参数及所述第一行人的衣服的颜色分量的均值对应的标准差，得到所述第一行人的衣服的颜色分量的均值的浮动范围；所述可调参数是依据所述社区和/或所述第二摄像头采集的第二行人的视频信息的时间确定的；
根据所述第一行人的衣服的颜色分量的均值及所述浮动范围，确定所述判别区间。
8.一种行人识别跟踪装置，其特征在于，包括：
获取单元，用于获取第一摄像头采集的进入社区时的第一行人的视频信息和社区内的第二摄像头采集的第二行人的视频信息；
确定单元，用于根据所述第一行人的视频信息和所述第二行人的视频信息，分别确定出所述第一行人的衣服的颜色分量的均值和所述第二行人的衣服的颜色分量的均值；依据所述第一行人的衣服的颜色分量的均值从所述社区的颜色分量的均值与标准差的对应关系，确定出所述第一行人的衣服的颜色分量的均值对应的标准差；所述颜色分量的均值与标准差的对应关系是依据所述社区中各摄像头采集的行人的视频信息确定的；
处理单元，用于确定所述第二行人的衣服的颜色分量的均值是否位于判别区间内，若是，则确定所述第一行人与所述第二行人为同一人；所述判别区间是由所述第一行人的衣服的颜色分量的均值及其对应的标准差确定的。
9.一种计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行权利要求1至7任一项所述的方法。
10.一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存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行权利要求1至7任一项所述的方法。
CN202110428419.7A 2021-04-21 2021-04-21 一种行人识别跟踪方法及装置 Active CN113096162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110428419.7A CN113096162B (zh) 2021-04-21 2021-04-21 一种行人识别跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110428419.7A CN113096162B (zh) 2021-04-21 2021-04-21 一种行人识别跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN113096162A true CN113096162A (zh) 2021-07-09
CN113096162B CN113096162B (zh) 2022-12-13

Family

ID=76679316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110428419.7A Active CN113096162B (zh) 2021-04-21 2021-04-21 一种行人识别跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN113096162B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060215904A1 (en) * 2005-03-24 2006-09-28 Honeywell International Inc. Video based fire detection system
US20070237364A1 (en) * 2006-03-31 2007-10-11 Fuji Photo Film Co., Ltd. Method and apparatus for context-aided human identification
CN105303152A (zh) * 2014-07-15 2016-02-03 中国人民解放军理工大学 一种人体再识别方法
CN105574515A (zh) * 2016-01-15 2016-05-11 南京邮电大学 一种无重叠视域下的行人再识别方法
CN106980864A (zh) * 2017-03-31 2017-07-25 合肥工业大学 一种基于支持样本间接式的行人再识别方法
WO2017190656A1 (zh) * 2016-05-05 2017-11-09 华为技术有限公司 行人再识别方法和装置
CN109271932A (zh) * 2018-09-17 2019-01-25 中国电子科技集团公司第二十八研究所 基于颜色匹配的行人再识别方法
CN110163041A (zh) * 2018-04-04 2019-08-23 腾讯科技（深圳）有限公司 视频行人再识别方法、装置及存储介质
US20200349348A1 (en) * 2017-10-23 2020-11-05 Beijing Jingdong Shangke Information Technology Co., Ltd. Method for person re-identification in enclosed place, system, and terminal device
CN112001251A (zh) * 2020-07-22 2020-11-27 山东大学 基于人体解析与衣着颜色相结合的行人重识别方法及系统
CN112184771A (zh) * 2020-09-30 2021-01-05 青岛聚好联科技有限公司 一种社区的人员轨迹跟踪的方法及装置
CN112200841A (zh) * 2020-09-30 2021-01-08 杭州海宴科技有限公司 一种基于行人体态的跨域多摄像头跟踪方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060215904A1 (en) * 2005-03-24 2006-09-28 Honeywell International Inc. Video based fire detection system
US20070237364A1 (en) * 2006-03-31 2007-10-11 Fuji Photo Film Co., Ltd. Method and apparatus for context-aided human identification
CN105303152A (zh) * 2014-07-15 2016-02-03 中国人民解放军理工大学 一种人体再识别方法
CN105574515A (zh) * 2016-01-15 2016-05-11 南京邮电大学 一种无重叠视域下的行人再识别方法
WO2017190656A1 (zh) * 2016-05-05 2017-11-09 华为技术有限公司 行人再识别方法和装置
CN106980864A (zh) * 2017-03-31 2017-07-25 合肥工业大学 一种基于支持样本间接式的行人再识别方法
US20200349348A1 (en) * 2017-10-23 2020-11-05 Beijing Jingdong Shangke Information Technology Co., Ltd. Method for person re-identification in enclosed place, system, and terminal device
CN110163041A (zh) * 2018-04-04 2019-08-23 腾讯科技（深圳）有限公司 视频行人再识别方法、装置及存储介质
CN109271932A (zh) * 2018-09-17 2019-01-25 中国电子科技集团公司第二十八研究所 基于颜色匹配的行人再识别方法
CN112001251A (zh) * 2020-07-22 2020-11-27 山东大学 基于人体解析与衣着颜色相结合的行人重识别方法及系统
CN112184771A (zh) * 2020-09-30 2021-01-05 青岛聚好联科技有限公司 一种社区的人员轨迹跟踪的方法及装置
CN112200841A (zh) * 2020-09-30 2021-01-08 杭州海宴科技有限公司 一种基于行人体态的跨域多摄像头跟踪方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAHLA C ET AL.: "《Learned versus Handcrafted Features for Person》", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE》 *
林兰: "《行人重识别若干问题的研究》", 《中国优秀博硕士学位论文全文数据库（博士）信息科技辑》 *
胡江华: "《静态图像的行人分割及其应用》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN113096162B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN109753928B (zh) 违章建筑物识别方法和装置
US11682232B2 (en) Device and method with image matching
CN105512660B (zh) 车牌号码识别方法及装置
US9767383B2 (en) Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image
CN109657652A (zh) 一种人脸识别方法和装置
WO2016084072A1 (en) Anti-spoofing system and methods useful in conjunction therewith
CN109670383B (zh) 视频遮蔽区域选取方法、装置、电子设备及系统
EP2959454A1 (en) Method, system and software module for foreground extraction
CN111898486B (zh) 监控画面异常的检测方法、装置及存储介质
CN104978578A (zh) 手机拍照文本图像质量评估方法
CN109190617B (zh) 一种图像的矩形检测方法、装置及存储介质
CN109635620B (zh) 自助服务终端(sst)面部认证处理
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
CN112749645A (zh) 基于监控视频的服装颜色检测方法、装置和设备
CN111144277A (zh) 一种带活体检测功能的人脸验证方法和系统
CN110991297A (zh) 一种基于场景监控的目标定位方法及系统
Kim et al. Face spoofing detection with highlight removal effect and distortions
CN112884782A (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN110969202A (zh) 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统
CN110599514B (zh) 图像分割的方法、装置、电子设备及存储介质
CN113065454B (zh) 一种高空抛物目标识别比较的方法及装置
CN114387548A (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
CN110569716A (zh) 一种货架图像翻拍检测方法
CN113096162B (zh) 一种行人识别跟踪方法及装置
CN112329597A (zh) 一种人脸识别的方法和装置

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