CN113449563A - 一种人员跟踪标记方法、装置、电子设备及存储介质 - Google Patents
一种人员跟踪标记方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113449563A CN113449563A CN202010225833.3A CN202010225833A CN113449563A CN 113449563 A CN113449563 A CN 113449563A CN 202010225833 A CN202010225833 A CN 202010225833A CN 113449563 A CN113449563 A CN 113449563A
- Authority
- CN
- China
- Prior art keywords
- personnel
- target
- image information
- trip
- suspicious
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000003550 marker Substances 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005180 public health Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- 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
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及公共卫生技术领域，提供一种人员跟踪标记方法、装置、电子设备及存储介质，方法包括：获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员图像信息；提取所述目标出行人员图像信息的目标属性特征值，将所述目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从所述出行人员中确定可疑标记人员；基于预设追踪模型对所述可疑标记人员进行追踪，确定目标地点区域，将所述可疑标记人员的目标属性特征值与所述目标地点区域的第二数据库中的第二属性特征值进行匹配；根据匹配结果对所述可疑标记人员进行标记，得到目标标记人员并推送。本发明能够提高对人员进行身份判别的效率。
Description
技术领域
本发明涉及公共卫生领域，尤其涉及一种人员跟踪标记方法、装置、电子设备及存储介质。
背景技术
随着国家对公共卫生服务的重视，要求公共卫生服务时能够对人流量较大的公共区域实现全面的监控、检测、上报以及管理，这样，可以查询到人员的动态信息。但是对部分特殊人员的监控，特别是不能获取到清晰人脸图像的人员，对于其活动轨迹是很难获取，例如出现在商场、车站等人流量大的区域。可见，现有技术中，对于人员的身份判别存在效率低的问题。
发明内容
本发明实施例提供一种人员跟踪标记方法，能够提高对人员进行身份判别的效率。
第一方面，本发明实施例提供一种人员跟踪标记方法，所述方法包括以下步骤：
获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
提取所述目标出行人员图像信息中的目标属性特征值，将所述目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据所述相似度从所述出行人员中确定可疑标记人员；
基于预设追踪模型对所述可疑标记人员进行追踪，确定目标地点区域，同时将所述可疑标记人员的目标属性特征值与所述目标地点区域的第二数据库中的第二属性特征值进行匹配；
根据匹配结果对所述可疑标记人员进行标记，得到目标标记人员并推送。
第二方面，本发明实施例还提供一种人员跟踪标记装置，包括：
初始化模块，用于获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
计算模块，用于提取所述目标出行人员图像信息中的目标属性特征值，将所述目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据所述相似度从所述出行人员中确定可疑标记人员；
追踪模块，用于基于预设追踪模型对所述可疑标记人员进行追踪，确定目标地点区域，同时将所述可疑标记人员的目标属性特征值与所述目标地点区域的第二数据库中的第二属性特征值进行匹配；
标记模块，用于根据匹配结果对所述可疑标记人员进行标记，得到目标标记人员并推送。
第三方面，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述实施例提供的人员跟踪标记方法中的步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述实施例提供的人员跟踪标记方法中的步骤。
本发明实施例中，本发明由于将出行人员的抓拍图像信息进行初始化，初步筛选以得到目标出行人员，并将目标出行人员的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，因目标出行人员与第一数据库中的人员均属于出行人员，根据第一属性特征值与目标属性特征值的相似度可以确定同一个出行人员是否经过了不同的站点，在无法获取清晰人脸的情况下，通过属性特征值比较可以快速确定可疑标记人员；并且通过预设的追踪模型对可疑标记人员进行追踪以获取目标地点区域，将目标地点区域的第二数据库中的第二属性特征值与可疑标记人员的目标属性特征值进行匹配，能够排除可疑标记人员中非可疑标记人员。通过层层筛选确定目标标记人员，可以提高跟踪可疑标记人员的准确性，同时还能避免盲目跟踪不必要的可疑标记人员及浪费数据处理资源，有利于提高对目标标记人员身份判别的效率。
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是本发明实施例提供的一种人员跟踪标记方法的流程图；
图2是本发明实施例提供的另一种人员跟踪标记方法的流程图；
图3是本发明实施例提供的另一种人员跟踪标记方法的流程图；
图4是本发明实施例提供的一种人员跟踪标记装置的结构示意图；
图5是本发明实施例提供的另一种人员跟踪标记装置的结构示意图；
图6是本发明实施例提供的另一种人员跟踪标记装置的结构示意图；
图7是本发明实施例提供的另一种人员跟踪标记装置的结构示意图；
图8是本发明实施例提供的另一种人员跟踪标记装置的结构示意图；
图9是本发明实施例提供的一种电子设备的结构示意图。
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，都属于本发明保护的范围。
本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
如图1所示，图1是本发明实施例提供的一种人员跟踪标记方法的流程图，该人员跟踪标记方法包括以下步骤：
S101、获取出行人员的抓拍图像信息，对出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息。
在本实施例中，人员跟踪标记方法运用的场景包括但不限于商场、车站、道路交通站点等等，且上述人员跟踪标记方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式获取出行人员的抓拍图像信息。上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(Worldwide InteroperabilityforMicrowaveAccess)连接、Zigbee(低功耗局域网协议，又称紫峰协议)连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
上述的出行人员可以是包括任何流动人员，上述的抓拍图像信息可以是指与出行人员对应的图像信息，在抓拍图像信息中可以包括人体、人脸、穿着、佩戴等等。可以通过图像采集设备对上述的出行人员的抓拍图像信息进行图像采集，并将抓拍到的图像信息发送到后台算法进行数据处理，其中，图像采集设备可以是能够进行图像抓拍、识别、存储等的电子设备，包括但不限于摄像头、扫描仪、相机、摄像机，以及其它携带有摄像头的设备(手机、平板电脑等等)。在本发明实施例中，上述的图像采集设备可以是摄像头，该摄像头可以是指多种场合中的摄像头，在不同的场合可以设置不同数量的摄像头，这样可以获取到不同场合中更完整的图像信息，当然，这样也会让存储的图像数据更多，需要占用更多的存储空间。
上述对出行人员的抓拍图像信息进行初始化处理可以是将具有相同特征的出行人员进行分类，将具有不同特征的人员进行分类管理，便于查找，例如：出行人员的抓拍图像信息中存在口罩、墨镜、帽子等遮挡物。进行初始化处理后，可以将具有预设的某些特征的出行人员作为目标出行人员进行跟踪，同时可以获取目标出行人员的目标出行人员图像信息。
S102、提取目标出行人员图像信息中的目标属性特征值，将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从出行人员中确定可疑标记人员。
其中，上述的目标属性特征值可以包括用于对人员进行识别的特征值，特别是在无法采集到人脸图像信息或者人脸清晰图像信息的情况下，例如：衣服、裤子、口罩、佩戴、鞋子以及衣服、裤子、口罩、佩戴、鞋子的颜色和款式等等信息。
上述的第一数据库可以是指普通出行人员数据库，目标出行人员与普通出行人员数据库中的普通出行人员均属于需要采集的出行人员，且采集对应数据时均处于预设时间段内。普通出行人员数据库可以是对普通站点抓拍的处于预设时间段的出行人员进行初始化后汇总所得到的人像库。上述的第一属性特征值可以是存储在上述普通出行人员数据库中的目标属性特征值，也即是在普通站点获取到的出行人员的属性特征值。且第一属性特征值可以是按照类别进行分类后分别存储在普通出行人员数据库中不同数据表中，例如：将衣服存放在1号数据表，将帽子放在2号数据表等。
上述进行相似度计算可以表是计算目标属性特征值与第一属性特征值之间的相似程度，例如：计算A与B的衣服的相似度，且可以从款式(长款、短款、短袖、长袖、衣领、修饰等)、颜色、图案等进行计算。上述的出行人员包括目标出行人员与普通出行人员，所以出行人员的抓拍图像信息包括目标出行人员图像信息以及普通出行人员图像信息。在进行图像抓拍时，普通出行人员与目标出行人员的抓拍时间段是一致的，计算相似度的变化参数越少，计算数据量会较少。根据计算出的相似度大小，可以判断出在不同站点采集到的出行人员是否为同一人员，是的情况下则确定为可以标记人员。当然，普通出行人员数据库中还可以存储有人脸特征值，除了将目标属性特征值与第一属性特征值进行相似度计算之外，若目标属性特征值中还获取到了人脸图像(包括正脸、侧脸等)，也可以将人脸特征值进行数据匹配。
当目标出行人员图像信息中的目标属性特征值与第一属性特征值的相似度计算完成后，可以根据相似度的计算结果从中筛选出上述可疑标记人员。可疑标记人员中可以包括目标出行人员及与目标出行人员图像匹配的普通出行人员。作为一种可行的实施例方式，可以将筛选出来的可疑标记人员以及可以标记人员的信息进行汇总，生成可疑标记人员档案，在可疑标记人员档案中可以包括可疑标记人员抓拍图像的抓拍时间、抓拍地点以及可疑标记人员的属性特征值等信息。生成可疑标记人员档案有利于统一管理。
S103、基于预设追踪模型对可疑标记人员进行追踪，确定目标地点区域，同时将可疑标记人员的目标属性特征值与目标地点区域的第二数据库中的第二属性特征值进行匹配。
其中，预设追踪模型可以是运用跨境追踪技术，跨镜追踪(Person Re-Identification，简称ReID)技术主要解决跨摄像头及跨场景下人员的识别与检索。该技术可以作为人脸识别技术的重要补充，可以对无法获取到清晰人脸图像的人员进行跨境头连续跟踪，增强数据的时空连接性。且跨镜追踪(ReID)技术能够根据行人的穿着、体态、发型等信息认知行人，与人脸识别技术结合能够适用于更多新的应用场景。
上述的目标地点区域可以是指上基于跨境追踪(ReID)技术进行跨境头追踪到的可疑标记人员经过的每一个地点，例如：乘坐车辆的起点站、终点站等。上述第二数据库可以是指目标地点区域所处的区域的图像数据库，例如：站点A对应的城市级人像库。上述第二属性特征值同样可以包括衣服、裤子、口罩、佩戴、鞋子以及衣服、裤子、口罩、佩戴、鞋子的颜色和款式等等信息。第二属性特征值可以分类存储在上述的第二数据库中。
具体的，通过跨境追踪(ReID)对可疑标记人员进行追踪可以确定可疑标记人员对应的目标地点区域，然后可以将与目标地点区域对应的第二数据库中的第二属性特征值进行提取，将可疑标记人员的目标属性特征值与第二属性特征值进行特征值匹配，根据目标属性特征值与第二属性特征值进行匹配可以判断两者之间是否发生不可能事件，当存在不可能事件时，则可以排除该可以标记人员，有利于快速确定可疑标记人员中各个出行人员的身份。
S104、根据匹配结果对可疑标记人员进行标记，得到目标标记人员并推送。
其中，匹配结果中可以包括可疑标记人员的目标属性特征值与上述第二属性特征值之间的相似度值，可以根据相似度值的大小对可疑标记人员进行标记，进行标记后得到的目标标记人员可以作为需要重点关注的对象，并将目标标记人员以及目标标记人员对应的图像信息推送到统计终端，在统计终端可以对已标记的出行人员进行标记显示。上述的统计终端可以包括但不限于手机、桌上型计算机、笔记本及掌上电脑等具有显示功能的电子设备。
本发明实施例中，由于将出行人员的抓拍图像信息进行初始化，初步筛选以得到目标出行人员，并将目标出行人员的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，因目标出行人员与第一数据库中的人员均属于出行人员，根据第一属性特征值与目标属性特征值的相似度可以确定同一个出行人员是否经过了不同的站点，在无法获取清晰人脸的情况下，通过属性特征值比较可以快速确定可疑标记人员；并且通过预设的追踪模型对可疑标记人员进行追踪以获取目标地点区域，将目标地点区域的第二数据库中的第二属性特征值与可疑标记人员的目标属性特征值进行匹配，能够排除可疑标记人员中非可疑标记人员。通过层层筛选确定目标标记人员，可以提高跟踪可疑标记人员的准确性，同时还能避免盲目跟踪不必要的可疑标记人员及浪费数据处理资源，有利于提高对目标标记人员身份判别的效率。
如图2所示，图2是本发明实施例提供的另一种方法流程图，具体包括以下步骤：
S201、获取处于预设时间段且在预设地点抓拍到的出行人员。
其中，上述的预设时间段可以根据情况选取，其预设时间段的周期可以是1天、12个小时等，预设时间段的限制可以尽可能的保持出行人员在穿着佩戴等外形上保持一致。上述预设地点可以是指重点关注站点，例如：车站，关卡等。可以是通过图像采集设备在预设时间段、预设地点对出行人员进行抓拍，例如：在上午10点至12点，通过摄像头对出现在A车站的出行人员进行图像抓拍。
S202、提取出行人员的抓拍图像信息，并对抓拍图像信息进行聚类，将聚类失败的抓拍图像信息标记为目标出行人员图像信息。
其中，上述进行聚类可以表示对人像进行归档，对于能够从获取到的抓拍图像信息中识别到清晰的可用于判断出行人员身份的抓拍图像信息进行筛选，将其作为一个常规图像类型进行汇聚，例如：能够清晰地获取到人脸图像的出行人员。也即是将聚类成功的与聚类失败的抓拍图像信息进行不同的存储及处理，可以避免后续对身份明了的出行人员进行二次身份确认。上述的聚类失败可以表示从获取到的抓拍图像信息中无法确定身份。可以将聚类失败的抓拍图像信息标记为目标出行人员图像信息，例如：出行人员的抓拍图像存在口罩等遮挡物。
S203、提取目标出行人员图像信息中的目标属性特征值，将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从出行人员中确定可疑标记人员。
S204、基于预设追踪模型对可疑标记人员进行追踪，确定目标地点区域，同时将可疑标记人员的目标属性特征值与目标地点区域的第二数据库中的第二属性特征值进行匹配。
S205、根据匹配结果对可疑标记人员进行标记，得到目标标记人员并推送。
可选的，上述步骤S203包括：
获取第一数据库中的第一属性特征值，第一数据库的第一属性特征值为在预设时间段且非预设地点获取到的特征值。
其中，提取出目标出行人员图像信息的目标属性特征值时，还可以调用第一数据库中的第一属性特征值。其上述目标属性特征值与第一属性特征值均是在预设时间段提取的，例如：在同一天的10点至12点获取的。上述非预设地点可以表示不是重点关注点，而属于在普通站点，例如：道路检测摄像头等。
将目标出行人员图像信息中的目标属性特征值与第一属性特征值进行相似度计算，得到相似度值。
其中，因为获取的出行人员的抓拍图像信息(包括目标出行人员的图像和普通出行人员数据库中的图像)的抓拍时间处于上述的预设时间段内，所以每个目标出行人员的人体、服饰、口罩款式等属性特征值大概率是保持不变的，若目标属性特征值中包括部分非正脸特征值，也可以充当人脸特征值与第一数据库中的人脸特征值进行数据匹配。上述进行相似度计算可以是1:N计算，计算后可以得到每个类型的属性特征值之间的相似度值，例如：衣服与衣服之间的相似度值，口罩与口罩的相似度值等。
判断相似度值是否达到预设的相似度阈值。
其中，可以预先设置一个相似度阈值，并将计算出来的所有相似度值与预设的相似阈值进行比较。
若相似度值达到预设的相似度阈值，则提取相似度值达到预设的相似度阈值的出行人员作为可疑标记人员。
其中，若存在相似度值达到预设的相似度阈值，则可以表示相似度达到相似度阈值的目标出行人员与普通出行人员都有可能成为可疑人员，对于相似度值未达到预设的相似度阈值的目标出行人员与普通出行人员可以筛除。所以，可以将相似度值达到上述相似度阈值的出行人员作为可疑标记人员进行进一步的跟踪，以实现对身份进行确认。
在本发明实施例中，由于对获取到的出行人员的抓拍图像信息进行聚类归档，将聚类失败的抓拍图像信息标记为目标出行人员图像信息，同时还可以避免对聚类成功(能够确认身份的出行人员)的出行人员进行二次身份确认。提取出目标出行人员图像信息中的目标属性特征值与第一属性特征值进行相似度计算，在无法获取清晰人脸的情况下，通过属性特征值比较可以快速确定可疑标记人员，并且对可疑标记人员继续进行追踪，与目标地点区域中的第二属性特征值进行匹配，能够排除可疑标记人员中非可疑标记人员。通过层层筛选确定目标标记人员，可以提高跟踪可疑标记人员的准确性，同时还能避免盲目跟踪不必要的可疑标记人员及浪费数据处理资源，有利于提高对目标标记人员身份判别的效率。
如图3所示，图3是本发明实施例提供的另一种方法流程图，包括以下步骤：
S301、获取出行人员的抓拍图像信息，对出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息。
S302、提取目标出行人员图像信息中的目标属性特征值，将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从出行人员中确定可疑标记人员。
S303、获取可疑标记人员的抓拍时间、抓拍地点以及车次信息。
其中，上述的抓拍时间与抓拍地点对应，在每个抓拍地点其对应的抓拍时间可以不同，例如：在C地点抓拍时间为上午8点整，在D地点对应的抓拍时间为中午12点整。当然，上述的抓拍时间属于上述预设时间段，且上述的抓拍地点可以包括有重点关注站点，也可以包括有普通站点。上述的车次信息可以是出行人员所乘坐的车辆的信息，可以包括车次的发车时间、停运时间、到站时间、车牌号、车型、途经地点等信息。
S304、根据抓拍时间、抓拍地点以及车次信息对可疑标记人员进行筛选。
其中，上述提取出可疑标记人员后可以将其进行汇总形成可疑标记人员档案，在该档案中可以存储有可疑标记人员的所有抓拍图像信息。上述对可疑标记人员进行筛选可以表示对不合理的想象所涉及到的信息进行剔除，例如：可疑标记人员档案中的抓拍图像对应的出行人员经过A、B、C、D、E站点，但根据抓拍时间与抓拍地点可以判断出行人员不可能同时出现在B、C两个站点，则提取当日对应的车次信息，若从该车次信息中可以得出存在同时经过A、C、D、E的车次且经过的时间上没有冲突，则可将上述可疑标记人员档案中位于站点B的出行人员的抓拍图像剔除，以实现可疑标记人员档案的优化，减少后续追踪的数据量，提高身份判别的效率。
S305、基于预设追踪模型对可疑标记人员进行追踪，确定目标地点区域，同时将可疑标记人员的目标属性特征值与目标地点区域的第二数据库中的第二属性特征值进行匹配。
S306、根据匹配结果对可疑标记人员进行标记，得到目标标记人员并推送。
可选的，上述步骤S304包括：
获取采集到的可疑标记人员的所有抓拍地点。
其中，可以对能获取到可疑标记人员所经过的所有地点进行图像抓拍得到可疑标记人员的所有抓拍地点。
根据车次信息，确定可疑标记人员实际所需经过的抓拍地点，可疑标记人员实际所需经过的抓拍地点与抓拍时间对应。
其中，当可疑标记人员有乘车行为时，可以从购票系统中获取该可疑标记人员的乘车信息，乘车信息可以包括上述的车次信息。若要获取购票系统中的信息，可以是在获取权限的情况下进行，通过向购票系统发送信息查询请求，购票系统对信息查询请求进行响应后会反馈对应的车次信息。获取到车次信息后便可以确定该车辆实际需要经过的地点(在每个地点都可以进行图像抓拍)。
判断可疑标记人员实际所需经过的抓拍地点是否包括采集到的可疑标记人员的所有抓拍地点。
其中，得到实际需要经过的抓拍地点后，可以与当前抓拍到的可疑标记人员的所有抓拍地点进行比较，查找是否存在相同或者不同的地点。
若可疑标记人员实际所需经过的抓拍地点不包括采集到的可疑标记人员的所有抓拍地点，则将不在可疑标记人员实际所需经过的抓拍地点对应的抓拍图像信息删除。
其中，若可疑标记人员实际所需经过的抓拍地点不包括采集到的可疑标记人员的所有抓拍地点，例如：可疑标记人员档案中的抓拍图像对应的出行人员经过A、B、C、D、E站点，但根据抓拍时间与抓拍地点可以判断出行人员不可能同时出现在B、C两个站点，则提取当日对应的车次信息，若从该车次信息中可以得出存在同时经过A、C、D、E的车次且经过的时间上没有冲突，则可将上述可疑标记人员档案中位于站点B的出行人员的抓拍图像信息剔除。
在本发明实施例中，通过抓拍时间、抓拍地点以及车次信息对可疑标记人员的抓拍图像信息进行筛选，可以对不合理现象进行剔除，排除非可疑标记人员。通过层层筛选确定目标标记人员，可以提高跟踪可疑标记人员的准确性，同时还能避免盲目跟踪不必要的可疑标记人员及浪费数据处理资源，减少后续追踪的数据量，实现更准确快速地追踪，以提高身份判别的效率。
如图4所示，图4是本发明实施例提供的一种人员跟踪标记装置的结构示意图，人员跟踪标记装置400包括：
初始化模块401，用于获取出行人员的抓拍图像信息，对出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
计算模块402，用于提取目标出行人员图像信息中的目标属性特征值，将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度提取可疑标记人员；
追踪模块403，用于基于预设追踪模型对可疑标记人员进行追踪，确定目标地点区域，同时将可疑标记人员的目标属性特征值与目标地点区域的第二数据库中的第二属性特征值进行匹配；
标记模块404，用于根据匹配结果对可疑标记人员进行标记，得到目标标记人员并推送。
可选的，如图5所示，图5是本发明实施例提供的另一种人员跟踪标记装置的结构示意图，初始化模块401包括：
第一获取单元4011，用于获取处于预设时间段且在预设地点抓拍到的出行人员；
聚类单元4012，用于提取出行人员的抓拍图像信息，并对抓拍图像信息进行聚类，将聚类失败的抓拍图像信息标记为目标出行人员图像信息。
可选的，如图6所示，图6是本发明实施例提供的另一种人员跟踪标记装置的结构示意图，计算模块402包括：
第二获取单元4021，用于获取第一数据库中的第一属性特征值，第一数据库的第一属性特征值为在预设时间段且非预设地点获取到的特征值；
计算单元4022，用于将目标出行人员图像信息中的目标属性特征值与第一属性特征值进行相似度计算，得到相似度值；
第一判断单元4023，用于判断相似度值是否达到预设的相似度阈值；
提取单元4024，用于若相似度值达到预设的相似度阈值，则提取相似度值达到预设的相似度阈值的出行人员作为可疑标记人员。
可选的，如图7所示，图7是本发明实施例提供的另一种人员跟踪标记装置的结构示意图，装置400还包括：
获取模块405，用于获取可疑标记人员的抓拍时间、抓拍地点以及车次信息；
筛选模块406，用于根据抓拍时间、抓拍地点以及车次信息对可疑标记人员进行筛选。
可选的，如图8所示，图8是本发明实施例提供的另一种人员跟踪标记装置的结构示意图，筛选模块406包括：
第三获取单元4061获取采集到的可疑标记人员的所有抓拍地点；
确定单元4062，用于根据车次信息，确定可疑标记人员实际所需经过的抓拍地点，可疑标记人员实际所需经过的抓拍地点与抓拍时间对应；
第二判断单元4063，用于判断可疑标记人员实际所需经过的抓拍地点是否包括采集到的可疑标记人员的所有抓拍地点；
删除单元4064，用于若可疑标记人员实际所需经过的抓拍地点不包括采集到的可疑标记人员的所有抓拍地点，则将不在可疑标记人员实际所需经过的抓拍地点对应的抓拍图像信息删除。
如图9所示，图9是本发明实施例提供的一种电子设备的结构示意图，该电子设备900包括：处理器901、存储器902、网络接口903及存储在存储器902上并可在处理器901上运行的计算机程序，处理器901执行计算机程序时实现实施例提供的人员跟踪标记方法中的步骤。
具体的，处理器901用于执行以下步骤：
获取出行人员的抓拍图像信息，对出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
提取目标出行人员图像信息中的目标属性特征值，将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从出行人员中确定可疑标记人员；
基于预设追踪模型对可疑标记人员进行追踪，确定目标地点区域，同时将可疑标记人员的目标属性特征值与目标地点区域的第二数据库中的第二属性特征值进行匹配；
根据匹配结果对可疑标记人员进行标记，得到目标标记人员并推送。
可选的，获取图像信息之后，处理器901执行的获取出行人员的抓拍图像信息，对出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息的步骤包括：
获取处于预设时间段且在预设地点抓拍到的出行人员；
提取出行人员的抓拍图像信息，并对抓拍图像信息进行聚类，将聚类失败的抓拍图像信息标记为目标出行人员图像信息。
可选的，并输入到预设的人脸重检测模型中之后，处理器901执行的将目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据相似度从出行人员中确定可疑标记人员的步骤包括：
获取第一数据库中的第一属性特征值，第一数据库的第一属性特征值为在预设时间段且非预设地点获取到的特征值；
将目标出行人员图像信息中的目标属性特征值与第一属性特征值进行相似度计算，得到相似度值；
判断相似度值是否达到预设的相似度阈值；
若相似度值达到预设的相似度阈值，则提取相似度值达到预设的相似度阈值的出行人员作为可疑标记人员。
可选的，根据相似度提取可疑标记人员之后，处理器901还用于执行获取可疑标记人员的抓拍时间、抓拍地点以及车次信息；
根据抓拍时间、抓拍地点以及车次信息对可疑标记人员进行筛选。
可选的，处理器901执行的根据抓拍时间、抓拍地点以及车次信息对可疑标记人员进行筛选的步骤包括：
获取采集到的可疑标记人员的所有抓拍地点；
根据车次信息，确定可疑标记人员实际所需经过的抓拍地点，可疑标记人员实际所需经过的抓拍地点与抓拍时间对应；
判断可疑标记人员实际所需经过的抓拍地点是否包括采集到的可疑标记人员的所有抓拍地点；
若可疑标记人员实际所需经过的抓拍地点不包括采集到的可疑标记人员的所有抓拍地点，则将不在可疑标记人员实际所需经过的抓拍地点对应的抓拍图像信息删除。
本发明实施例提供的电子设备900能够实现人员跟踪标记方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
需要指出的是，图中仅示出了具有组件的901-903，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的电子设备900是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备900可以是桌上型计算机、笔记本及掌上电脑等计算设备。电子设备900可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器902至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器902可以是电子设备900的内部存储单元，例如该电子设备900的硬盘或内存。在另一些实施例中，存储器902也可以是电子设备900的外部存储设备，例如该电子设备900上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器902还可以既包括电子设备900的内部存储单元也包括其外部存储设备。本实施例中，存储器902通常用于存储安装于电子设备900的操作系统和各类应用软件，例如人员跟踪标记方法的程序代码等。此外，存储器902还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器901在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器901通常用于控制电子设备900的总体操作。本实施例中，处理器901用于运行存储器902中存储的程序代码或者处理数据，例如运行人员跟踪标记方法的程序代码。
网络接口903可包括无线网络接口或有线网络接口，该网络接口903通常用于在电子设备900与其他电子设备之间建立通信连接。
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上存储有计算机程序，计算机程序被处理器901执行时实现实施例提供的人员跟踪标记方法中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现实施例人员跟踪标记方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random Access Memory，简称RAM)等。
在本发明实施例中提到的第一、第二等并不表示大小，只是为了便于表述。以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种人员跟踪标记方法，其特征在于，包括以下步骤：
获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
提取所述目标出行人员图像信息中的目标属性特征值，将所述目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据所述相似度从所述出行人员中确定可疑标记人员；
基于预设追踪模型对所述可疑标记人员进行追踪，确定目标地点区域，同时将所述可疑标记人员的目标属性特征值与所述目标地点区域的第二数据库中的第二属性特征值进行匹配；
根据匹配结果对所述可疑标记人员进行标记，得到目标标记人员并推送。
2.如权利要求1所述的人员跟踪标记方法，其特征在于，所述获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息的步骤包括：
获取处于预设时间段且在预设地点抓拍到的出行人员；
提取所述出行人员的所述抓拍图像信息，并对所述抓拍图像信息进行聚类，将聚类失败的所述抓拍图像信息标记为目标出行人员图像信息。
3.如权利要求2所述的人员跟踪标记方法，其特征在于，所述将所述目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据所述相似度从所述出行人员中确定可疑标记人员的步骤包括：
获取所述第一数据库中的所述第一属性特征值，所述第一数据库的第一属性特征值为在所述预设时间段且非所述预设地点获取到的特征值；
将所述目标出行人员图像信息中的目标属性特征值与所述第一属性特征值进行相似度计算，得到相似度值；
判断所述相似度值是否达到预设的相似度阈值；
若所述相似度值达到所述预设的相似度阈值，则提取所述相似度值达到所述预设的相似度阈值的所述出行人员作为所述可疑标记人员。
4.如权利要求1所述的人员跟踪标记方法，其特征在于，所述根据所述相似度提取可疑标记人员之后，所述方法还包括步骤：
获取所述可疑标记人员的抓拍时间、抓拍地点以及车次信息；
根据所述抓拍时间、所述抓拍地点以及所述车次信息对所述可疑标记人员进行筛选。
5.如权利要求4所述的人员跟踪标记方法，其特征在于，所述根据所述抓拍时间、所述抓拍地点以及所述车次信息对所述可疑标记人员进行筛选的步骤包括：
获取采集到的所述可疑标记人员的所有抓拍地点；
根据所述车次信息，确定所述可疑标记人员实际所需经过的抓拍地点，所述可疑标记人员实际所需经过的抓拍地点与所述抓拍时间对应；
判断所述可疑标记人员实际所需经过的抓拍地点是否包括所述采集到的所述可疑标记人员的所有抓拍地点；
若所述可疑标记人员实际所需经过的抓拍地点不包括所述采集到的所述可疑标记人员的所有抓拍地点，则将不在所述可疑标记人员实际所需经过的抓拍地点对应的抓拍图像信息删除。
6.一种人员跟踪标记装置，其特征在于，包括：
初始化模块，用于获取出行人员的抓拍图像信息，对所述出行人员的抓拍图像信息进行初始化，以得到目标出行人员的目标出行人员图像信息；
计算模块，用于提取所述目标出行人员图像信息中的目标属性特征值，将所述目标出行人员图像信息中的目标属性特征值与第一数据库中的第一属性特征值进行相似度计算，根据所述相似度从所述出行人员中确定可疑标记人员；
追踪模块，用于基于预设追踪模型对所述可疑标记人员进行追踪，确定目标地点区域，同时将所述可疑标记人员的目标属性特征值与所述目标地点区域的第二数据库中的第二属性特征值进行匹配；
标记模块，用于根据匹配结果对所述可疑标记人员进行标记，得到目标标记人员并推送。
7.如权利要求6所述的一种人员跟踪标记装置，其特征在于，所述初始化模块包括：
第一获取单元，用于获取处于预设时间段且在预设地点抓拍到的出行人员；
聚类单元，用于提取所述出行人员的所述抓拍图像信息，并对所述抓拍图像信息进行聚类，将聚类失败的所述抓拍图像信息标记为目标出行人员图像信息。
8.如权利要求7所述的一种人员跟踪标记装置，其特征在于，所述计算模块包括：
第二获取单元，用于获取所述第一数据库中的所述第一属性特征值，所述第一数据库的第一属性特征值为在所述预设时间段且非所述预设地点获取到的特征值；
计算单元，用于将所述目标出行人员图像信息中的目标属性特征值与所述第一属性特征值进行相似度计算，得到相似度值；
第一判断单元，用于判断所述相似度值是否达到预设的相似度阈值；
提取单元，用于若所述相似度值达到所述预设的相似度阈值，则提取所述相似度值达到所述预设的相似度阈值的所述出行人员作为所述可疑标记人员。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的人员跟踪标记方法中的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的人员跟踪标记方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010225833.3A CN113449563A (zh) | 2020-03-26 | 2020-03-26 | 一种人员跟踪标记方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010225833.3A CN113449563A (zh) | 2020-03-26 | 2020-03-26 | 一种人员跟踪标记方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449563A true CN113449563A (zh) | 2021-09-28 |
Family
ID=77807373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010225833.3A Pending CN113449563A (zh) | 2020-03-26 | 2020-03-26 | 一种人员跟踪标记方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449563A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311383A (zh) * | 2023-05-16 | 2023-06-23 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007334810A (ja) * | 2006-06-19 | 2007-12-27 | Toshiba Corp | 画像領域追跡装置及びその方法 |
| WO2013189465A2 (zh) * | 2012-11-26 | 2013-12-27 | 中兴通讯股份有限公司 | 人数获取方法、装置及系统 |
| CN103679125A (zh) * | 2012-09-24 | 2014-03-26 | 致伸科技股份有限公司 | 人脸追踪的方法 |
| CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
| CN107480246A (zh) * | 2017-08-10 | 2017-12-15 | 北京中航安通科技有限公司 | 一种关联人员的识别方法及装置 |
| CN107958258A (zh) * | 2016-10-18 | 2018-04-24 | 安讯士有限公司 | 用于追踪限定区域中的对象的方法和系统 |
| CN109189972A (zh) * | 2018-07-16 | 2019-01-11 | 高新兴科技集团股份有限公司 | 一种目标行踪确定方法、装置、设备及计算机存储介质 |
| CN109241845A (zh) * | 2018-08-04 | 2019-01-18 | 江苏云光智慧信息科技有限公司 | 人群异常行为检测方法 |
| US10255419B1 (en) * | 2009-06-03 | 2019-04-09 | James F. Kragh | Identity validation and verification system and associated methods |
| CN110598548A (zh) * | 2019-08-07 | 2019-12-20 | 万翼科技有限公司 | 常住人员识别方法、装置、计算机设备和存储介质 |
| CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
| CN110706259A (zh) * | 2019-10-12 | 2020-01-17 | 四川航天神坤科技有限公司 | 一种基于空间约束的可疑人员跨镜头追踪方法及装置 |
-
2020
- 2020-03-26 CN CN202010225833.3A patent/CN113449563A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007334810A (ja) * | 2006-06-19 | 2007-12-27 | Toshiba Corp | 画像領域追跡装置及びその方法 |
| US10255419B1 (en) * | 2009-06-03 | 2019-04-09 | James F. Kragh | Identity validation and verification system and associated methods |
| CN103679125A (zh) * | 2012-09-24 | 2014-03-26 | 致伸科技股份有限公司 | 人脸追踪的方法 |
| WO2013189465A2 (zh) * | 2012-11-26 | 2013-12-27 | 中兴通讯股份有限公司 | 人数获取方法、装置及系统 |
| CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
| CN107958258A (zh) * | 2016-10-18 | 2018-04-24 | 安讯士有限公司 | 用于追踪限定区域中的对象的方法和系统 |
| CN107480246A (zh) * | 2017-08-10 | 2017-12-15 | 北京中航安通科技有限公司 | 一种关联人员的识别方法及装置 |
| CN109189972A (zh) * | 2018-07-16 | 2019-01-11 | 高新兴科技集团股份有限公司 | 一种目标行踪确定方法、装置、设备及计算机存储介质 |
| CN109241845A (zh) * | 2018-08-04 | 2019-01-18 | 江苏云光智慧信息科技有限公司 | 人群异常行为检测方法 |
| CN110598548A (zh) * | 2019-08-07 | 2019-12-20 | 万翼科技有限公司 | 常住人员识别方法、装置、计算机设备和存储介质 |
| CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
| CN110706259A (zh) * | 2019-10-12 | 2020-01-17 | 四川航天神坤科技有限公司 | 一种基于空间约束的可疑人员跨镜头追踪方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郑伟平;周军;吴旻中;陈鑫;黄松锋;何华铿;: "论多特征智能搜索技术在视频分析中的应用", 广东公安科技, no. 01, 30 March 2017 (2017-03-30) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311383A (zh) * | 2023-05-16 | 2023-06-23 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
| CN109711370B (zh) | 一种基于wifi探测和人脸聚类的数据融合方法 | |
| CN111047621B (zh) | 一种目标对象追踪方法、系统、设备及可读介质 | |
| CN110929770A (zh) | 一种基于图像处理的智能追踪方法、系统、设备及可读介质 | |
| CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
| CN112329659A (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
| CN110874878B (zh) | 行人分析方法、装置、终端及存储介质 | |
| Abdellatif et al. | A low cost IoT-based Arabic license plate recognition model for smart parking systems | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN110929619A (zh) | 一种基于图像处理的目标对象追踪方法、系统、设备及可读介质 | |
| Abdulghafoor et al. | A novel real-time multiple objects detection and tracking framework for different challenges | |
| CN114120428A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
| CN113962326A (zh) | 聚类方法、装置、设备及计算机存储介质 | |
| CN106710019A (zh) | 数据处理方法、装置及电子设备 | |
| Kiew et al. | Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm | |
| CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
| Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
| CN113449563A (zh) | 一种人员跟踪标记方法、装置、电子设备及存储介质 | |
| CN111325186B (zh) | 视频处理方法、装置、介质及系统 | |
| Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
| CN110889346B (zh) | 一种智能追踪方法、系统、设备及可读介质 | |
| Rokonuzzaman et al. | Automatic vehicle identification system using machine learning and robot operating system (ROS) | |
| CN112268554A (zh) | 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 | |
| CN115412846A (zh) | 一种地下多场景的身份检测定位方法、系统及存储介质 | |
| Musthafa et al. | Smart Authentication System Using Deep Learning Techniques Based on Face and License Plate Recognition |
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 |