CN113255599B - 一种自定义人流量测试人脸布控率系统及其方法 - Google Patents
一种自定义人流量测试人脸布控率系统及其方法 Download PDFInfo
- Publication number
- CN113255599B CN113255599B CN202110723232.XA CN202110723232A CN113255599B CN 113255599 B CN113255599 B CN 113255599B CN 202110723232 A CN202110723232 A CN 202110723232A CN 113255599 B CN113255599 B CN 113255599B
- Authority
- CN
- China
- Prior art keywords
- face
- photos
- database
- target person
- human
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,具体是一种自定义人流量测试人脸布控率系统及其方法,包括抓拍人脸数据库、注册人脸数据库、人流量模拟模块、录制模块、视频流转换模块、人脸识别模块、实时数据库、查询模块和计算模块;包括如下方法:首先、准备目标人员的人脸照片,其次、根据实地调研设置参数,其次、模拟人流量视频,其次、录制模拟人流量视频,其次、将模拟视频转换为模拟视频流,其次、进行人脸识别,其次、查询需求时间段内每个测试摄像头布控到的所有人脸照片,最后、计算不同测试摄像头的布控率。本申请解决了测试人员测试难度大,测试时间长,由于无法获取不同场景下同一个人脸的其他人脸照,造成测试结果不准确的问题。
Description
技术领域
本发明涉及人工智能领域,具体是指一种自定义人流量测试人脸布控率系统及其方法。
背景技术
随着经济的快速发展,人工智能技术在越来越多的领域中发挥着巨大的作用,帮助人类社会解放了一些劳动生产力,推进了社会的发展,这一现象在安防领域尤其明显,在安防系统中非主动配合场景下通过多视角的人脸检测技术进行人脸抓拍,将抓拍到的图片进行人脸关键点定位和矫正,提升人脸识别的精度,然后从底库人脸数据集中检索出相似的人脸,对比两张图的相似度,大于阈值的抓拍人脸图被视为布控人员;人脸布控算法适用于日常生活场景(例如:车站、机场、学校、社区、居民小区、奢侈品店、酒店和网吧等)的安防和VIP客户识别,在不同场景下的布控率不尽相同,为了测试不同生活场景下的人脸布控率,传统的测试方法是:采集不同人流量的生活场景下的视频流,用来进行人脸抓拍和人脸与系统人脸底库的对比测试,最后分别计算得出布控率,这种测试方案的缺陷是:1.需要采集大量不同场景下的视频流;2.不同场景视频流中的人脸质量不可控,导致抓拍的人脸图在进行人脸识别后得出布控率存在偏差;3.难以获取不同场景下的同一个人脸的其他人脸照,用于进行人脸1:1识别和1:N识别;以上缺陷增大了测试难度和测试时间,也会影响测试结果的准确性。
发明内容
基于以上问题,本发明提供了一种自定义人流量测试人脸布控率系统及其方法,通过自定义人流量大小来模拟被抓拍人脸从监控画面路过的场景,以及自定义被抓拍人脸数据集和目标人脸照,从而达到人流量大小可设置,抓拍人脸图片质量可控制、目标人脸照可获得的效果,解决了测试人员测试难度大,测试时间长,由于无法获取不同场景下同一个人脸的其他人脸照,造成测试结果不准确的问题。
为解决以上技术问题,本发明采用的技术方案如下:
一种自定义人流量测试人脸布控率系统,包括如下:
抓拍人脸数据库,存放目标人员A照和干扰人脸照片,用于一种自定义人流量测试人脸布控率系统的测试;
注册人脸数据库,存放目标人员B照,用于注册一种自定义人流量测试人脸布控率系统;
人流量模拟模块,用于将抓拍人脸数据库中人脸照片抓取出来,输出到屏幕上显示,并以固定的速度从上往下不间断移动;
录制模块,使用录制工具录制人流量模拟模块的模拟视频;
视频流转换模块,用于将录制模块录制的模拟视频转换为模拟视频流;
人脸识别模块,包括:
测试摄像头,用于播放模拟视频流;
基于注意力机制的残差卷积神经网络结构的神经网络模型,用于提取人脸特征值,再通过余弦距离计算得出相似度,从而进行人脸识别,若抓拍到的人脸照片为注册人脸数据库中的目标人员,则判断为目标人员的人脸照片,若不是,则判断为陌生人脸照片;
实时数据库,包括:
分布式文件系统,用于存放从模拟视频流中识别并抓拍到的目标人员的人脸照片和陌生人脸照片;
列式存储数据库,用于存放目标摄像头信息和布控人员信息,摄像头信息包括每个测试摄像头的编号,布控人员信息包括抓拍时间、该时间布控到的目标人员的人脸照片数量和该时间布控到的陌生人脸照片数量;
查询模块,用于查询列式存储数据库中需求时间段内每个测试摄像头布控到的目标人员人脸照片数量和陌生人脸照片的数量;
计算模块,用于计算不同测试摄像头的布控率。
进一步,所述抓拍人脸数据库和注册人脸数据库中,每名目标人员提供2张人脸照片,分别为用于测试的A照和用于注册的B照,其中,抓拍人脸数据库中存放2000张A照,注册人脸数据库中存放2000张B照,同时,提供若干张目标人员的干扰人脸照片存入抓拍人脸数据库中。
进一步,所述人流量模拟模块中,使用计算机编程语言脚本遍历抓取抓拍人脸数据库中人脸照片,输出在基于计算机编程语言的游戏开发库屏幕上进行显示。
进一步,所述视频流转换模块中,通过流媒体平台框架将视频转化为视频流。
一种自定义人流量测试人脸布控率方法,包括如下步骤:
步骤1、准备目标人员的人脸照片,包括用于测试一种自定义人流量测试人脸布控率系统的A照和用于注册一种自定义人流量测试人脸布控率系统的B照,同时准备若干张目标人员的干扰人脸照片;
步骤2、根据实地调研的数据,输入需要每分钟展示的人数,进行人流量模拟;
步骤3、根据步骤2输入的数据,每分钟抓取固定数量的A照和若干张干扰人脸照片输出到屏幕上显示,并以固定的速度从上往下不间断移动;
步骤4、利用录制工具录制步骤3的模拟视频;
步骤5、将录制的模拟视频转换为模拟视频流;
步骤6、使用测试摄像头播放模拟视频流,进行人脸识别,并将识别到的目标人员的人脸照片和陌生人脸照片存放在分布式文件系统中进行保存;
步骤7、在列式存储数据库中查询需求时间段内每个测试摄像头布控到的目标人员的人脸照片数量和陌生人脸照片数量
步骤8、计算不同测试摄像头的布控率。
进一步,所述步骤6中,人脸识别过程具体如下:
利用基于注意力机制的残差卷积神经网络结构的神经网络模型,提取112*112大小人脸图片的512维特征,将抓拍到的人脸照片的特征向量和注册人脸数据库存放的目标人员的人脸照片的特征向量通过余弦距离计算得出相似度,相似度大于布控阈值判断为同一人,即目标人员的人脸照片,相似度小于布控阈值判断为陌生人,即陌生人脸照片。
进一步,所述余弦距离的计算相似度的公式为:
相似度=(x1. x2... x512)(y1. y2... y512)= x1 y1+ x2 y2+... x512 y512
其中,(x1. x2... x512)表示抓拍到的人脸照片的特征向量,(y1. y2... y512)表示注册人脸数据库存放的目标人员的人脸照片的特征向量。
进一步,所述步骤8中,不同测试摄像头的布控率的方法包括:
先计算不同测试摄像头下的布控率,然后手动删除布控到的陌生人脸照片和识别错误的目标人脸照片,获得正确布控到的目标人员的人脸照片,最后计算不同测试摄像头的准确布控率。
进一步,计算不同测试摄像头的布控率公式为:
不同测试摄像头下的布控率=(成功布控到的目标人员人脸照片数量和陌生人脸数量之和/注册人脸数据库中的目标人员人脸照片总数)*100%。
进一步,计算不同测试摄像头的准确布控率公式为:
不同测试摄像头下的准确布控率=(正确布控到的目标人员人脸照片数量/注册人脸数据库中的目标人员人脸照片总数)*100%。
与现有技术相比,本发明的有益效果是:
1.本发明可自定义人流量大小,并模拟为视频流,实现了无需收集不同人流量场景下的视频流即可开展测试任务,提高工作效率;
2.本发明解决了不同人流量场景视频流里的抓拍人脸图质量不可控问题,提高测试结果准确性;
3.本发明解决了不同人流量场景视频流里的人脸AB照难采集问题,降低了测试难度,提高工作效率,具有较好的实用性。
附图说明
图1为本实施例的流程图;
图2为本实施例中模拟视频的效果图。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
一种自定义人流量测试人脸布控率系统,整个系统部署在一台服务器上,带一张GeForce RTX 2080显卡,具体包括抓拍人脸数据库、注册人脸数据库、人流量模拟模块、录制模块、视频流转换模块、人脸识别模块、实时数据库、查询模块和计算模块。
进一步的是,抓拍人脸数据库、存放目标人员用于测试一种自定义人流量测试人脸布控率系统的人脸照片以及干扰人脸照片,注册人脸数据库、用于存放目标人员注册一种自定义人流量测试人脸布控率系统的人脸照片。
进一步的是,抓拍人脸数据库和注册人脸数据库中,每名目标人员提供2张人脸照片,分别为用于测试的A照和用于注册的B照,照片可以为自拍照也可以为证件照,其中,抓拍人脸数据库中存放2000张A照和3000张干扰照,注册人脸数据库中存放2000张B照,将注册人脸数据库中存放的B照全部注册到一种自定义人流量测试人脸布控率系统中,经过人脸质量判断过滤掉注册失败的图片,失败的照片需要目标人员重新提供,保证成功注册2000张目标人脸照片。
进一步的是,人流量模拟模块、通过计算机编程语言脚本遍历抓取抓拍人脸数据库中的人脸图片,输出在基于计算机编程语言的游戏开发库屏幕上进行显示,并以固定的速度从上往下不间断移动,从而模拟行人从出现到离开监控画面的动作。
进一步的是,录制模块、使用录制工具录制人流量模拟模块的模拟视频。
进一步的是,视频流转换模块,使用流媒体平台框架将录制模块录制的模拟视频转换为模拟视频流,即可实现模拟监控摄像头真实视频流来测试自定义人流量场景下的布控率。
进一步的是,人脸识别模块,包括如下两部分:
(1)测试摄像头,用于播放模拟视频流;
(2)基于注意力机制的残差卷积神经网络结构的神经网络模型,用于提取112*112大小人脸图片的512维特征,再通过余弦距离计算得出相似度,具体为:将抓拍到的人脸照片的特征向量和注册人脸数据库存放的目标人员的人脸照片的特征向量通过余弦距离计算得出相似度,相似度大于布控阈值判断为同一人,即目标人员的人脸照片,相似度小于布控阈值判断为陌生人,即陌生人脸照片;另外,所述余弦距离的计算相似度的公式为:
相似度=(x1. x2... x512)(y1. y2... y512)= x1 y1+ x2 y2+... x512 y512
其中,(x1. x2... x512)表示抓拍到的人脸照片的特征向量,(y1. y2... y512)表示注册人脸数据库存放的目标人员的人脸照片的特征向量。
进一步的是,实时数据库,包括如下两部分:
(1)采用分布式文件系统,用于存放从模拟视频流中识别并抓拍到的目标人员的人脸照片和陌生人脸照片;
(2)列式存储数据库,用于存放目标摄像头信息和布控人员信息,摄像头信息包括每个测试摄像头的编号,布控人员信息包括抓拍时间、该时间布控到的目标人员的人脸照片数量和该时间布控到的陌生人脸照片数量。
进一步的是,查询模块,采用列式存储数据库中的查询命令,查询需求时间段内每个测试摄像头布控到的目标人员人脸照片数量和陌生人脸照片的数量。
计算模块,用于计算不同测试摄像头的布控率。
如图1所示,一种自定义人流量测试人脸布控率方法,包括如下步骤:
步骤1、准备目标人员的人脸照片;
其中,包括A照、B照和干扰人脸照片,所有照片可以选择自拍照或证件照,优选地,A照可为不同大小的正脸照、侧脸图、模糊脸或阴阳脸,A照和干扰人脸照片存入抓拍人脸数据库,B照存入注册人脸数据库中;
另外,A照用于一种自定义人流量测试人脸布控率系统的测试,B照用于注册一种自定义人流量测试人脸布控率系统。
步骤2、根据实地调研的数据,输入需要每分钟展示的人数,进行人流量模拟;
其中,通过实地调研图书馆、宿舍等进出口不同时间段人流量较小、适中和较大的场景,统计出人流量,根据实地调研,本实施例中,人流量较小、适中和较大时分别设置为5人/min、19人/min和94人/min,启动整个系统,开始进行模拟人流量统计。
步骤3、根据步骤2输入的数据,每分钟抓取固定数量的A照和干扰照输出到屏幕上显示,并以固定的速度从上往下不间断移动;
如图2所示,通过计算机编程语言脚本遍历抓取人脸数据库中人脸图片,输出在基于计算机编程语言的游戏开发库屏幕上进行显示,并以固定的速度从上往下不间断移动,从而模拟行人从出现到离开监控画面的动作。
步骤4、利用录制工具录制步骤3的模拟视频;
步骤5、将录制的模拟视频转换为模拟视频流;
其中,通过流媒体平台框架将视频转化为模拟视频流。
步骤6、使用测试摄像头播放模拟视频流,进行人脸识别,并将识别到的人脸照片进行保存;
其中,在本实施例中,在整个系统中添加20路测试摄像头,开启人脸布控识别;
另外,利用基于注意力机制的残差卷积神经网络结构的神经网络模型分别提取抓拍到的人脸照片的特征向量和注册人脸数据库存放的目标人员的人脸照片的特征向量,再通过余弦距离计算得出相似度,本实施例中,相似度的布控阈值设置为60%,即计算得出的相似度大于60%,则判断识别到的抓拍人脸照片为目标人员的人脸照片,计算得出的相似度小于60%,则判断识别到的抓拍人脸照片为陌生人脸照片;
另外,将识别到的目标人员的人脸照片和陌生人脸照片存放在分布式文件系统中进行保存。
步骤7、查询需求时间段内每个测试摄像头布控到的所有人脸照片;
其中,记录模拟视频流开始播放的开始时间和结束时间,视频播放完毕后在列式存储数据库中通过查询命令查询将该时间段内每个测试摄像头布控到的目标人员人脸照片数量和陌生人脸照片的数量。
步骤8、计算不同测试摄像头的布控率;
其中,包括了如下两个步骤:
步骤8.1、计算不同测试摄像头下的布控率,公式为:
不同测试摄像头下的布控率=(成功布控到的目标人员人脸照片数量和陌生人脸数量之和/注册人脸数据库中的目标人员人脸照片总数)*100%;
步骤8.2、手动删除布控到的陌生人脸照片和识别错误的目标人脸照片,获得正确布控到的目标人员的人脸照片,计算不同测试摄像头的准确布控率,不同测试摄像头的准确布控率公式为:
不同测试摄像头下的准确布控率=(正确布控到的目标人员人脸照片数量/注册人脸数据库中的目标人员人脸照片总数)*100%。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (9)
1.一种自定义人流量测试人脸布控率系统,其特征在于,包括如下:
抓拍人脸数据库,存放目标人员A照和干扰人脸照片,用于一种自定义人流量测试人脸布控率系统的测试;
注册人脸数据库,存放目标人员B照,用于注册一种自定义人流量测试人脸布控率系统;
人流量模拟模块,用于将抓拍人脸数据库中人脸照片抓取出来,输出到屏幕上显示,并以固定的速度从上往下不间断移动;
录制模块,使用录制工具录制人流量模拟模块的模拟视频;
视频流转换模块,用于将录制模块录制的模拟视频转换为模拟视频流;
人脸识别模块,包括:
测试摄像头,用于播放模拟视频流;
基于注意力机制的残差卷积神经网络结构的神经网络模型,用于提取人脸特征值,再通过余弦距离计算得出相似度,从而进行人脸识别,若抓拍到的人脸照片为注册人脸数据库中的目标人员,则判断为目标人员的人脸照片,若不是,则判断为陌生人脸照片;
实时数据库,包括:
分布式文件系统,用于存放从模拟视频流中识别并抓拍到的目标人员的人脸照片和陌生人脸照片;
列式存储数据库,用于存放目标摄像头信息和布控人员信息,摄像头信息包括每个测试摄像头的编号,布控人员信息包括抓拍时间、该时间布控到的目标人员的人脸照片数量和该时间布控到的陌生人脸照片数量;
查询模块,用于查询列式存储数据库中需求时间段内每个测试摄像头布控到的目标人员人脸照片数量和陌生人脸照片的数量;
计算模块,用于计算不同测试摄像头的布控率,具体地,计算不同测试摄像头的布控率公式为:
不同测试摄像头下的布控率=(成功布控到的目标人员人脸照片数量和陌生人脸数量之和/注册人脸数据库中的目标人员人脸照片总数)*100%。
2.根据权利要求1所述的一种自定义人流量测试人脸布控率系统,其特征在于:所述抓拍人脸数据库和注册人脸数据库中,每名目标人员提供2张人脸照片,分别为用于测试的A照和用于注册的B照,其中,抓拍人脸数据库中存放2000张A照,注册人脸数据库中存放2000张B照,同时,提供若干张目标人员的干扰人脸照片存入抓拍人脸数据库中。
3.根据权利要求1所述的一种自定义人流量测试人脸布控率系统,其特征在于:所述人流量模拟模块中,使用计算机编程语言脚本遍历抓取抓拍人脸数据库中人脸照片,输出在基于计算机编程语言的游戏开发库屏幕上进行显示。
4.根据权利要求1所述的一种自定义人流量测试人脸布控率系统,其特征在于:所述视频流转换模块中,通过流媒体平台框架将视频转化为视频流。
5.一种自定义人流量测试人脸布控率方法,其特征在于,包括如下步骤:
步骤1、准备目标人员的人脸照片,包括用于测试一种自定义人流量测试人脸布控率系统的A照和用于注册一种自定义人流量测试人脸布控率系统的B照,同时准备若干张目标人员的干扰人脸照片;
步骤2、根据实地调研的数据,输入需要每分钟展示的人数,进行人流量模拟;
步骤3、根据步骤2输入的数据,每分钟抓取固定数量的A照和若干张干扰人脸照片输出到屏幕上显示,并以固定的速度从上往下不间断移动;
步骤4、利用录制工具录制步骤3的模拟视频;
步骤5、将录制的模拟视频转换为模拟视频流;
步骤6、使用测试摄像头播放模拟视频流,进行人脸识别,并将识别到的目标人员的人脸照片和陌生人脸照片存放在分布式文件系统中进行保存;
步骤7、在列式存储数据库中查询需求时间段内每个测试摄像头布控到的目标人员的人脸照片数量和陌生人脸照片数量
步骤8、计算不同测试摄像头的布控率,具体地,计算不同测试摄像头的布控率公式为:
不同测试摄像头下的布控率=(成功布控到的目标人员人脸照片数量和陌生人脸数量之和/注册人脸数据库中的目标人员人脸照片总数)*100%。
6.根据权利要求5所述的一种自定义人流量测试人脸布控率方法,其特征在于:所述步骤6中,人脸识别过程具体如下:
利用基于注意力机制的残差卷积神经网络结构的神经网络模型,提取112*112大小人脸图片的512维特征,将抓拍到的人脸照片的特征向量和注册人脸数据库存放的目标人员的人脸照片的特征向量通过余弦距离计算得出相似度,相似度大于布控阈值判断为同一人,即目标人员的人脸照片,相似度小于布控阈值判断为陌生人,即陌生人脸照片。
7.根据权利要求6所述的一种自定义人流量测试人脸布控率方法,其特征在于:所述余弦距离的计算相似度的公式为:
相似度=(x1. x2... x512)(y1. y2... y512)= x1 y1+ x2 y2+... x512 y512
其中,(x1. x2... x512)表示抓拍到的人脸照片的特征向量,(y1. y2... y512)表示注册人脸数据库存放的目标人员的人脸照片的特征向量。
8.根据权利要求5所述的一种自定义人流量测试人脸布控率方法,其特征在于:所述步骤8中,通过计算不同测试摄像头的布控率,得到准确布控率的方法包括:
先计算不同测试摄像头下的布控率,然后手动删除布控到的陌生人脸照片和识别错误的目标人脸照片,获得正确布控到的目标人员的人脸照片,最后计算不同测试摄像头的准确布控率。
9.根据权利要求8所述的一种自定义人流量测试人脸布控率方法,其特征在于:计算不同测试摄像头的准确布控率公式为:不同测试摄像头下的准确布控率=(正确布控到的目标人员人脸照片数量/注册人脸数据库中的目标人员人脸照片总数)*100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723232.XA CN113255599B (zh) | 2021-06-29 | 2021-06-29 | 一种自定义人流量测试人脸布控率系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723232.XA CN113255599B (zh) | 2021-06-29 | 2021-06-29 | 一种自定义人流量测试人脸布控率系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255599A CN113255599A (zh) | 2021-08-13 |
CN113255599B true CN113255599B (zh) | 2021-09-24 |
Family
ID=77190050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723232.XA Active CN113255599B (zh) | 2021-06-29 | 2021-06-29 | 一种自定义人流量测试人脸布控率系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255599B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657817A (zh) * | 2015-01-28 | 2015-05-27 | 四川君逸易视科技有限公司 | 一种银行柜台人脸抓拍、对比识别、检索及查询方法 |
CN106067043A (zh) * | 2016-06-01 | 2016-11-02 | 重庆中科云丛科技有限公司 | 一种性能测试方法及系统 |
CN109492523A (zh) * | 2018-09-17 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 人脸识别系统性能测试方法、装置、设备和存储介质 |
CN109815353A (zh) * | 2019-01-21 | 2019-05-28 | 成都考拉悠然科技有限公司 | 一种基于类中心的人脸检索方法及系统 |
CN112631896A (zh) * | 2020-12-02 | 2021-04-09 | 武汉旷视金智科技有限公司 | 设备性能测试方法、装置、存储介质及电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615196A (zh) * | 2009-07-28 | 2009-12-30 | 公安部第一研究所 | 千万级一对多人脸识别产品的测试系统与测试方法 |
CN105426828B (zh) * | 2015-11-10 | 2019-02-15 | 浙江宇视科技有限公司 | 人脸检测方法、装置及系统 |
CN107977647B (zh) * | 2017-12-20 | 2020-09-04 | 上海依图网络科技有限公司 | 一种适合公安实战的人脸识别算法评测方法 |
CN110580300A (zh) * | 2018-05-21 | 2019-12-17 | 若尔玛余胜 | 基于人脸识别系统案发地点可疑目标自动查询方法 |
CN109063617A (zh) * | 2018-07-24 | 2018-12-21 | 高新兴科技集团股份有限公司 | 一种人脸识别算法的分析方法及工具 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和系统 |
CN109558833A (zh) * | 2018-11-28 | 2019-04-02 | 厦门市巨龙信息科技有限公司 | 一种人脸识别算法评测方法以及装置 |
CN110532856A (zh) * | 2019-07-16 | 2019-12-03 | 公安部第一研究所 | 一种多算法融合的人脸识别方法 |
CN111783663A (zh) * | 2020-06-30 | 2020-10-16 | 公安部第三研究所 | 一种用于人证核验设备性能检测的算法测评系统及检测方法 |
CN112950674B (zh) * | 2021-03-09 | 2024-03-05 | 厦门市公安局 | 一种基于多种识别技术协同的跨摄像头轨迹跟踪方法、装置及存储介质 |
-
2021
- 2021-06-29 CN CN202110723232.XA patent/CN113255599B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657817A (zh) * | 2015-01-28 | 2015-05-27 | 四川君逸易视科技有限公司 | 一种银行柜台人脸抓拍、对比识别、检索及查询方法 |
CN106067043A (zh) * | 2016-06-01 | 2016-11-02 | 重庆中科云丛科技有限公司 | 一种性能测试方法及系统 |
CN109492523A (zh) * | 2018-09-17 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 人脸识别系统性能测试方法、装置、设备和存储介质 |
CN109815353A (zh) * | 2019-01-21 | 2019-05-28 | 成都考拉悠然科技有限公司 | 一种基于类中心的人脸检索方法及系统 |
CN112631896A (zh) * | 2020-12-02 | 2021-04-09 | 武汉旷视金智科技有限公司 | 设备性能测试方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113255599A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022184117A1 (zh) | 基于深度学习的视频剪辑方法、相关设备及存储介质 | |
CN106448184B (zh) | 车辆识别方法及车辆出场识别方法 | |
CN103635953B (zh) | 使用用户特定内容增强可视数据流的系统 | |
CN101095149B (zh) | 图像比较设备和图像比较方法 | |
CN109766759A (zh) | 情绪识别方法及相关产品 | |
CN109190508A (zh) | 一种基于空间坐标系的多摄像头数据融合方法 | |
CN109284733A (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
CN109903414A (zh) | 一种基于物联网监控办公考勤控制系统及方法 | |
CN109934104A (zh) | 基于行人重识别的跨镜头的行人检索方法及系统 | |
CN107977656A (zh) | 一种行人重识别方法及系统 | |
CN107341442A (zh) | 运动控制方法、装置、计算机设备和服务机器人 | |
CN108921038A (zh) | 一种基于深度学习人脸识别技术的课堂快速点名签到方法 | |
CN110070043A (zh) | 一种基于人脸识别的驾培管理系统及方法 | |
CN111353399A (zh) | 篡改视频检测方法 | |
CN110493640A (zh) | 一种基于视频处理的视频转换为ppt的系统及方法 | |
CN108363771B (zh) | 一种面向公安侦查应用的图像检索方法 | |
CN113963399A (zh) | 基于多算法融合应用的人员轨迹检索方法及装置 | |
Xu et al. | Action recognition by saliency-based dense sampling | |
CN115223246A (zh) | 一种人员违规行为识别方法、装置、设备及存储介质 | |
CN110321801B (zh) | 一种基于自编码网络的换衣行人重识别方法及系统 | |
CN107479906A (zh) | 基于Cordova的跨平台在线教育移动终端 | |
CN109345427B (zh) | 一种结合人脸识别和行人识别技术的教室视频点到方法 | |
CN110162585A (zh) | 实时成像三维建模历史地理信息系统 | |
CN113255599B (zh) | 一种自定义人流量测试人脸布控率系统及其方法 | |
CN111243373B (zh) | 全景化的模拟教学系统 |
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 |