CN113378657B - 行人组群关系识别方法、装置及系统 - Google Patents
行人组群关系识别方法、装置及系统 Download PDFInfo
- Publication number
- CN113378657B CN113378657B CN202110564966.8A CN202110564966A CN113378657B CN 113378657 B CN113378657 B CN 113378657B CN 202110564966 A CN202110564966 A CN 202110564966A CN 113378657 B CN113378657 B CN 113378657B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pedestrians
- key point
- preset
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007667 floating Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种行人组群关系识别方法、装置及系统，利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息；通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合；利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，获得每个所述行人的目标特征；计算两两所述行人的所述目标特征的相似度，与预设阈值进行比较以区分是否为同一组群。本发明的行人组群关系识别方法、装置及系统，通过提取行人轨迹和人体骨架关键点序列作为主要信息，然后通过深度学习时序网络作为特征提取算法进行特征提取，提升了组群检测这一任务的精度和召回率。
Description
技术领域
本发明涉及行人组群识别技术领域，特别是涉及一种行人组群关系识别方法、装置及系统。
背景技术
随着人工智能和计算机视觉技术的飞速发展，技术应用的范围也逐渐从安防监控领域蔓延到民用，商场，活动，门店等场景，在门店应用场景中，商业主管需要对门店进行定期的巡店，其中店铺工作人员的着装便是巡店中需要检查的重点内容之一。
目前，现有的方法及装置，主要运用了行人的轨迹，并通过轨迹获得行人步态周期，行进方向，速度和位移等信息，然后融合这些信息并编码计算，获取特征向量，最后通过对特征向量的识别，判断两个人是否为同一组群，当行人轨迹长度不相同时，多使用下采样或定长滑动窗进行处理，考虑到行人组群行为的视觉信息，不仅包含轨迹，步态，速度等，而且肢体动作以及人脸朝向是更加重要可观察信息；同时，下采样和滑动窗仅对某时刻及附近特征进行局部关联，缺乏全局信息关系，时序网络更加可以兼顾特征对于局部和全局关系。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种行人组群关系识别方法、装置及系统，用于解决现有技术中行人组群关系识别的问题。
为实现上述目的及其他相关目的，本发明提供一种行人组群关系识别方法，所述方法包括：利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息；通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合；利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征；计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群。
于本发明的一实施例中，所述预设提取算法为Mask-RCNN算法、OpenPose算法以及OmniPose算法中的一种。
于本发明的一实施例中，所述关键点位置信息的坐标表示为：
P＝[(x1,y1),(x2,y2)…,(xm,ym)]；
其中，m为所述关键点的个数，xm为第m个所述关键点的横坐标，ym为第m个所述关键点的纵坐标。
于本发明的一实施例中，所述行人的轨迹关键点向量集合表示为：
Kn＝[P1,n,P2,n,P3,n,…Pi,n]；
其中，i表示帧号，n表示当前所述行人的ID号。
于本发明的一实施例中，所述预设多目标跟踪算法为最近临域法、卡尔曼预测以及SORT多特征融合跟踪算法中的一种。
于本发明的一实施例中，所述预设的时序网络为RNN网络、LSTM网络以及timeTransformer网络中的一种。
于本发明的一实施例中，还包括标记所述预设的时序网络的训练数据各所述行人所属的组群序号，其中，对于一个所述组群包含一位所述行人或多位所述行人。
于本发明的一实施例中，所述相似度计算式如下：
或者
其中，a，b分别指代两个所述行人，fa、fb分别表示两个所述行人的轨迹关键点向量集合的浮点数向量。
为实现上述目的及其他相关目的，本发明提供一种行人组群关系识别装置，所述装置包括：
行人抓拍机，用于利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息，并通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合；
组群识别机，用于利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征；计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群。
为实现上述目的及其他相关目的，本发明提供一种上述的行人组群关系识别系统，所述系统包括：
如上述的行人组群关系识别装置；
摄像机，用于摄录行人图像。
如上所述，本发明的行人组群关系识别方法、装置及系统，通过提取行人轨迹和人体骨架关键点序列作为主要信息，然后通过深度学习时序网络作为特征提取算法进行特征提取，提升了组群检测这一任务的精度和召回率。
附图说明
图1显示为本发明的行人组群关系识别方法于一实施例中的方法步骤图；
图2显示为本发明的行人组群关系识别方法于一实施例中的行人关键点坐标示意图；
图3显示为本发明的行人组群关系识别装置于一实施例中的结构示意图；
图4显示为本发明的行人组群关系识别系统于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，于发明一实施例中，本发明的行人组群关系识别方法包括如下步骤：
步骤S11、利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息；
具体地，所述预设提取算法为Mask-RCNN算法、OpenPose算法以及OmniPose算法中的一种。
进一步地，所述关键点位置信息的坐标表示为：
P＝[(x1，y1)，(x2，y2)，…，(xm，ym)]；
其中，m为所述关键点的个数，xm为第m个所述关键点的横坐标，ym为第m个所述关键点的纵坐标。
具体地，如图2所示，为所述单帧图像中一个所述行人的关键点坐标图，其中，“m＝18”，表示共有“18”个所述关键点，坐标集合具体为：P＝[(x1，y1)，(x2，y2)，…，(x18，y18)]。优选地，本实施例中，还可将多个所述关键点位置信息的坐标P组成一个坐标集合Q，用于包含所有所述行人的所述关键点位置信息。
步骤S12、通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合；
具体地，所述预设多目标跟踪算法为最近临域法、卡尔曼预测以及SORT多特征融合跟踪算法中的一种。
进一步地，所述行人的轨迹关键点向量集合表示为：
Kn＝[P1,n,P2,n,P3,n,…Pi,n]；
其中，i表示帧号，n表示当前所述行人的ID号。
具体地，获得所述关键点位置信息后，利用所述预设多目标跟踪算法，将同一行人的轨迹关联成Pi，n的集合Kn，其中i表示帧号，n表示当行人ID号。例如：
K1＝[P10,1,P11,1,P12,1,…P33,1]；
其中，集合K1包含所述行人ID号为“1”的行人，P10，1，P11，1，P12，1，…，P33，1表示所述行人ID号为“1”的行人在第10帧到第33帧画面中的关键点位置信息。
步骤S13、利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征；
具体地，所述预设的时序网络为RNN网络、LSTM网络以及time Transformer网络中的一种，通过一种所述预设的时序网络对所述行人的轨迹关键点向量集合提取出一个固定长度的浮点数向量fn作为特征向量，其中，n表示当前所述行人的ID号。
进一步地，还包括标记所述预设的时序网络的训练数据各所述行人所属的组群序号，其中，对于一个所述组群包含一位所述行人或多位所述行人。
具体地，由于所述单帧图像内有很多所述行人，对每个所述组群的行人进行标号，用字母G表示该所述组群的标号信息，其中，标号从自然数“0”开始递增，即第一个所述组群的序号G为“0”，第二个所述组群的序号G为“1”，以此类推，此处不做赘述。
步骤S14、计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群。
具体地，所述相似度计算式如下：
或者
其中，a，b分别指代两个所述行人，fa、fb分别表示两个所述行人的轨迹关键点向量集合的浮点数向量。
进一步地，通过两个所述行人轨迹关键点集合，提取特征向量fa和fb，通过两条所述特征向量之间的余弦相似度来判断是否为同一组群：
还可通过两条所述特征向量之间的欧式距离来计算相似度以判断是否为同一组群：
其中sa，b为0到1之间的浮点数，用于判断两个所述行人属于同一所述组群的概率，取所述预设阈值th为0.5，若sa，b＞th时，即sa，b＞0.5，则表明a，b两个所述行人划分为同一所述组群，其中，所述预设阈值th为动态经验值，本实施例取值为0.5。
其中，对于N个行人，可以得到以下相似度矩阵：
值得一提的是，因为sa，b＝sb，a，且sa，a本身为同一对所述行人，所以仅需要半数且去除对角线的相似度进行阈值判断。
于发明一实施例中，为验证本发明提供方法所获得的测试结果的准确性，这里将不同方法得到的测试结果进行了对比，结果如表1所示。
表1.测试结果对比
| 方法 | 平均精度(％) | 召回率(％) |
| 行人轨迹+非时序网络 | 63.54 | 55.19 |
| 行人关键点集合+非时序网络 | 66.67 | 65.57 |
| 行人关键点集合+时序网络 | 88.64 | 92.12 |
其中，本实施例对组群检测的精度和召回率进行了测试，这里的精度定义为：识别结果中所述组群内所属的所述行人划分的准确率，公式具体为：
其中，所述平均精度即所有所述组群的精度平均值。
所述召回率的具体定义为：在测试数据集中被识别划分出应有的所述组群数量的比例，公式具体为：
从表1测试结果中可以看出，仅使用行人关键点集合对组群识别算法的改善不明显，分析原因为动作序列是依靠人体关键点的时序信息，而非时序网络对动作信息的理解并不理想，而在结合时序网络后，平均精度和召回率均有大幅度提升。
请参阅图3，本实施例提供的一种行人组群关系识别装置30，由于本实施例的技术原理与前述行人组群关系识别方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。本实施例的行人组群关系识别装置30包括：
行人抓拍机31，用于利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息，并通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合；
组群识别机32，用于利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征；计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群。
此外，如图4所示，本发明还提供一种行人组群关系识别系统40，所述系统40包括：上述行人组群关系识别装置30；摄像机41，用于摄录行人图像。
综上所述，本发明通过提取行人轨迹和人体骨架关键点序列作为主要信息，在轨迹的基础上，不仅包含有速度，位移等信息；同时，在视觉中可以根据骨架关键点获得肢体动作及实现等信息，以此增加比如肢体动作，面部朝向等丰富信息的维度，然后通过深度学习时序网络作为特征提取算法进行特征提取，有效的兼顾当前时刻信息在整个时序中的关联性，提升了组群检测这一任务的精度和召回率。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种行人组群关系识别方法，其特征在于，包括：
利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息；
通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合，其中，获得所述关键点位置信息后，利用所述预设多目标跟踪算法，将同一行人的轨迹关联成Pi，n的集合Kn，其中i表示帧号，n表示当行人ID号，其中，所述行人的轨迹关键点向量集合表示为：Kn＝[P1，n，P2，n，P3，n，…，Pi，n]；
利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征，其中，通过一种所述预设的时序网络对所述行人的轨迹关键点向量集合提取出一个固定长度的浮点数向量fn作为特征向量，其中，n表示当前所述行人的ID号；
计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群，其中，具体通过两条所述特征向量之间的欧式距离来计算相似度以判断是否为同一组群，相似度计算公式如下：其中，a，b分别指代两个所述行人，fa、fb分别表示两个所述行人的轨迹关键点向量集合的浮点数向量，sa，b为0到1之间的浮点数，用于判断两个所述行人属于同一所述组群的概率。
2.根据权利要求1所述的行人组群关系识别方法，其特征在于，所述预设提取算法为Mask-RCNN算法、OpenPose算法以及OmniPose算法中的一种。
3.根据权利要求1所述的行人组群关系识别方法，其特征在于，所述关键点位置信息的坐标表示为：
P＝[(x1,y1)，(x2,y2)，…，(xm，ym)]；
其中，m为所述关键点的个数，xm为第m个所述关键点的横坐标，ym为第m个所述关键点的纵坐标。
4.根据权利要求1所述的行人组群关系识别方法，其特征在于，所述预设多目标跟踪算法为最近临域法、卡尔曼预测以及SORT多特征融合跟踪算法中的一种。
5.根据权利要求1所述的行人组群关系识别方法，其特征在于，所述预设的时序网络为RNN网络、LSTM网络以及time Transformer网络中的一种。
6.根据权利要求1所述的行人组群关系识别方法，其特征在于，还包括标记所述预设的时序网络的训练数据各所述行人所属的组群序号，其中，对于一个所述组群包含一位所述行人或多位所述行人。
7.根据权利要求1所述的行人组群关系识别方法，其特征在于，所述相似度计算式还包括：
其中，a，b分别指代两个所述行人，fa、fb分别表示两个所述行人的轨迹关键点向量集合的浮点数向量。
8.一种行人组群关系识别装置，其特征在于，包括：
行人抓拍机，用于利用预设提取算法提取单帧图像中全部行人的可见关键点，获得每一个所述行人的关键点位置信息，并通过所述关键点位置信息，利用预设多目标跟踪算法获得同一所述行人的轨迹关键点向量集合，其中，获得所述关键点位置信息后，利用所述预设多目标跟踪算法，将同一行人的轨迹关联成Pi，n的集合Kn，其中i表示帧号，n表示当行人ID号，其中，所述行人的轨迹关键点向量集合表示为：Kn＝[P1，n，P2，n，P3，n，…，Pi，n]；
组群识别机，用于利用预设的时序网络对所述行人的轨迹关键点向量集合进行特征提取，并将每个所述轨迹关键点向量集合的浮点数向量作为每个所述行人的目标特征，其中，通过一种所述预设的时序网络对所述行人的轨迹关键点向量集合提取出一个固定长度的浮点数向量fn作为特征向量，其中，n表示当前所述行人的ID号；计算两两所述行人的所述目标特征的相似度，所得结果与预设阈值进行比较以区分是否为同一组群，其中，所述结果大于预设阈值时，将两个所述行人划分为同一组群，其中，具体通过两条所述特征向量之间的欧式距离来计算相似度以判断是否为同一组群，相似度计算公式如下：其中，a，b分别指代两个所述行人，fa、fb分别表示两个所述行人的轨迹关键点向量集合的浮点数向量，sa，b为0到1之间的浮点数，用于判断两个所述行人属于同一所述组群的概率。
9.一种行人组群关系识别系统，其特征在于，所述系统包括：
如权利要求8所述的行人组群关系识别装置；
摄像机，用于摄录行人图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564966.8A CN113378657B (zh) | 2021-05-24 | 2021-05-24 | 行人组群关系识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564966.8A CN113378657B (zh) | 2021-05-24 | 2021-05-24 | 行人组群关系识别方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378657A CN113378657A (zh) | 2021-09-10 |
| CN113378657B true CN113378657B (zh) | 2024-03-01 |
Family
ID=77571587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110564966.8A Active CN113378657B (zh) | 2021-05-24 | 2021-05-24 | 行人组群关系识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378657B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115393799B (zh) * | 2022-09-06 | 2023-11-17 | 中国科学技术大学 | 一种基于行人迈步同步效应的群组检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991384A (zh) * | 2017-03-15 | 2017-07-28 | 上海信昊信息科技有限公司 | 行人组群行为识别方法及装置 |
| CN108764011A (zh) * | 2018-03-26 | 2018-11-06 | 青岛科技大学 | 基于图形化交互关系建模的组群识别方法 |
| CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
| CN109472248A (zh) * | 2018-11-22 | 2019-03-15 | 广东工业大学 | 一种行人重识别方法、系统及电子设备和存储介质 |
| CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
| CN110232348A (zh) * | 2019-06-10 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 行人属性识别方法、装置和计算机设备 |
| CN110414348A (zh) * | 2019-06-26 | 2019-11-05 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
| CN110532862A (zh) * | 2019-07-19 | 2019-12-03 | 青岛科技大学 | 基于门控融合单元的特征融合组群识别方法 |
| CN110826453A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 一种通过提取人体关节点坐标的行为识别方法 |
| CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及系统、存储介质及终端 |
| CN111191526A (zh) * | 2019-12-16 | 2020-05-22 | 汇纳科技股份有限公司 | 行人属性识别网络训练方法、系统、介质及终端 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210026355A1 (en) * | 2019-07-25 | 2021-01-28 | Nvidia Corporation | Deep neural network for segmentation of road scenes and animate object instances for autonomous driving applications |
-
2021
- 2021-05-24 CN CN202110564966.8A patent/CN113378657B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991384A (zh) * | 2017-03-15 | 2017-07-28 | 上海信昊信息科技有限公司 | 行人组群行为识别方法及装置 |
| CN108764011A (zh) * | 2018-03-26 | 2018-11-06 | 青岛科技大学 | 基于图形化交互关系建模的组群识别方法 |
| CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
| CN109472248A (zh) * | 2018-11-22 | 2019-03-15 | 广东工业大学 | 一种行人重识别方法、系统及电子设备和存储介质 |
| CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
| CN110232348A (zh) * | 2019-06-10 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 行人属性识别方法、装置和计算机设备 |
| CN110414348A (zh) * | 2019-06-26 | 2019-11-05 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
| CN110532862A (zh) * | 2019-07-19 | 2019-12-03 | 青岛科技大学 | 基于门控融合单元的特征融合组群识别方法 |
| CN110826453A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 一种通过提取人体关节点坐标的行为识别方法 |
| CN111191526A (zh) * | 2019-12-16 | 2020-05-22 | 汇纳科技股份有限公司 | 行人属性识别网络训练方法、系统、介质及终端 |
| CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及系统、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 基于行为一致性的密集场景人群分群检测算法;赵倩;程祥;;上海电力学院学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378657A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Automatic soccer video event detection based on a deep neural network combined cnn and rnn | |
| CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
| CN107145862B (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
| CN104881637B (zh) | 基于传感信息及目标追踪的多模信息系统及其融合方法 | |
| Huang et al. | Development and validation of a deep learning algorithm for the recognition of plant disease | |
| US10679067B2 (en) | Method for detecting violent incident in video based on hypergraph transition | |
| Li et al. | Robust people counting in video surveillance: Dataset and system | |
| CN109886245A (zh) | 一种基于深度学习级联神经网络的行人检测识别方法 | |
| CN111046732B (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
| CN103955947A (zh) | 一种基于连续最小能量与表观模型的多目标关联跟踪方法 | |
| CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
| CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
| CN109919060A (zh) | 一种基于特征匹配的身份证内容识别系统及方法 | |
| CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
| CN113435336B (zh) | 一种基于人工智能的跑步智能计时系统及方法 | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| Mo et al. | Vehicles detection in traffic flow | |
| CN111027377A (zh) | 一种双流神经网络时序动作定位方法 | |
| CN106295532A (zh) | 一种视频图像中的人体动作识别方法 | |
| CN112883896A (zh) | 一种基于bert网络的微表情检测方法 | |
| CN113963399A (zh) | 基于多算法融合应用的人员轨迹检索方法及装置 | |
| CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
| CN111968152A (zh) | 一种动态身份识别方法及装置 | |
| CN108154113A (zh) | 基于全卷积网络热度图的跌倒事件检测方法 | |
| Chen et al. | A coarse-to-fine approach for vehicles detection from aerial images |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Winner Technology Co.,Ltd. Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai Applicant before: Winner Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |