CN113657430A - 行人聚类方法、设备及存储介质 - Google Patents
行人聚类方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113657430A CN113657430A CN202110739712.5A CN202110739712A CN113657430A CN 113657430 A CN113657430 A CN 113657430A CN 202110739712 A CN202110739712 A CN 202110739712A CN 113657430 A CN113657430 A CN 113657430A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- body image
- clustering
- face
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开行人聚类方法、设备及存储介质,其中,行人聚类方法包括:获取多组图像序列,每组图像序列包括多个连续图像,每组图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像,第一人体图像和第二人体图像为不同视角的人体图像;检测每一组图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对;获取每组人体图像对所对应的关联人脸图像,形成包括人体图像对和关联人脸图像的三元图像组;利用多组三元图像组进行聚类,获得行人聚类结果。本申请通过获取预定区域内行人的第一人体图像和第二人体图像,时间域的限制极大的保证匹配精度提高第一人体图像和第二人体图像的匹配效率和匹配精度。
Description
技术领域
本申请属于图像识别技术领域,具体涉及行人聚类方法、设备及存储介质。
背景技术
行人聚类属于图像聚类领域的一个子问题,主要是将同一个人在不同摄像头下或视频中出现的人体图像自动归档在一起,其在城市安防、公安刑侦、智能楼宇和智慧零售等领域具有非常重要的应用价值。在实际的监控场景中,由于人体存在复杂的姿态变化、丰富的视角变化和遮挡等问题,导致同一身份的行人表观特征可能存在较大差异,这给人体聚类带来了巨大的挑战。
发明内容
本申请提供行人聚类方法、设备及存储介质,以解决人体聚类困难的技术问题。
为解决上述技术问题,本申请采用的一个技术方案是:一种行人聚类方法,包括:获取多组图像序列,每组所述图像序列包括多个连续图像,每组所述图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像,所述第一人体图像和所述第二人体图像为不同视角的人体图像;检测每一组所述图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对;获取每组所述人体图像对所对应的关联人脸图像,形成包括所述人体图像对和所述关联人脸图像的三元图像组;利用多组所述三元图像组进行聚类,获得行人聚类结果。
为解决上述技术问题,本申请采用的又一个技术方案是:一种电子设备,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现上述行人聚类方法。
为解决上述技术问题,本申请采用的又一个技术方案是:一种计算机可读存储介质,其上存储有程序数据,所述程序数据被处理器执行时实现上述行人聚类方法。
本申请的行人聚类方法至少具有如下优点:本申请获取的图像序列在一预定区域内,第一人体图像和第二人体图像的时间接近,且为不同视角的人体图像,提高第一人体图像和第二人体图像的匹配效率和匹配精度。且本申请只获取每个人体图像的另一个匹配人体图像,形成一组人体图像对,而现有方案通常是利用满足阈值条件的所有人体相互匹配,其存在较大的冗余和误判,对于城市级这种大体量的行人聚类来说会造成计算资源压力大和链式聚类的错误放大效应,这对行人聚类来说是致命的。本申请中的匹配方案较现有方案能有效降低信息冗余和弱化链式聚类的错误放大效应。并且本申请通过分别利用人脸和人体聚类,相比直接将人脸和人体信息融合在一起聚类,能有效的避免人脸人体语义信息不匹配的问题,并且通过将人脸和人体分开聚类,还可以然后相互修正,将极大的提高行人聚类的准确率和召回率。
附图说明
为了更清楚地说明本申请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单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,其中:
图1是本申请的行人聚类方法一实施例的流程示意图;
图2是本申请的行人聚类装置一实施例的框架示意图;
图3是本申请的电子设备一实施例的框架示意图;
图4是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参阅图1,图1是本申请的行人聚类方法一实施例的流程示意图。
本申请一实施例提供了一种行人聚类方法,包括如下步骤:
S11:获取多组图像序列,每组图像序列包括多个连续图像,每组图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像。
获取多组图像序列,每组图像序列包括多个连续图像,图像序列由摄像设备获取。每组图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像,第一人体图像和第二人体图像为不同视角的人体图像。
其中,每组图像序列分别由一个双向相机组获取。每个双向相机组包括第一相机和第二相机,该预定区域即为第一相机和第二相机可拍摄到的区域合集,第一相机和第二相机的拍摄轴线的夹角满足预设角度要求。需要说明的是,第一相机和第二相机不适宜并排朝向同一方向拍摄,即第一相机和第二相机的拍摄轴线的夹角不可为0°,以获得不同视角的第一人体图像和第二人体图像。优选地,预设角度要求为第一相机和第二相机的拍摄轴线的夹角呈30°至180°中的任一角度,例如30°、45°、90°、180°等。当一行人经过预定区域时,两个相机分别获得该行人的第一人体图像和第二人体图像。
具体地,第一相机和第二相机的拍摄轴线的夹角呈180°,即第一相机和第二相机正对或背对设置。而第一人体图像为正面人体图像,即行人正对第一相机时,第一相机拍摄的人体图像;第二人体图像为背面人体图像,即行人背对第一相机时,第二相机拍摄的人体图像。
通过在一个较大区域内设置多个预定区域,每个预定区域可通过一个双向相机组获得一组图像序列,用于获取行人的第一人体图像和第二人体图像,从而获得多个图像序列。
通过引入双向相机组作为基本单元,可以同时获取同一行人ID的第一人体图像和第二人体图像,提高了基本单元的信息容量,有利于解决监控场景下人体姿态变化大的问题,从而提升人体聚类的效果。并且由于一个双向相机组获取的图像序列在一预定区域内,两个相机拍摄到的第一人体图像和第二人体图像的时间接近,提高第一人体图像和第二人体图像的匹配效率和匹配精度。
S12:检测每一组图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对。
利用人体检测算法检测每一组图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对,具体包括:
检测每一组图像序列中出现的人体。选取第一相机获得的第一人体图像P1,并以第一人体图像P1为基准,获取第二相机获得的第一人体图像P1前后预设时间段内的人体图像集合B。预定时间段根据具体双向相机组的设置进行调节,该预定时间段为目标人体进入第二相机拍摄区域的时间,可能在目标人体进入第一相机拍摄区域之前或之后。
计算第一人体图像P1与人体图像集合B内所有图像的相似度,具体可以使用行人重识别模型提取人体图像集合B内所有图像的归一化特征,计算第一人体图像P1与人体图像集合B内所有图像的余弦相似度。
从相似度大于预设阈值的图像中,选取相似度最高的图像作为第二人体图像P2。具体地,在选取过程中,可以先取所有相似度大于预设阈值的图像形成人体集合BS,最后取BS中与第一人体图像P1相似度最高的人体第二人体图像P2作为第一人体图像P1在第二相机中与之匹配的人体。当然,还可以直接选取相似度最高的图像,再将最高相似度与预设阈值比较,将大于预设阈值的最高相似度的图像作为第二人体图像P2。从而可以选出最优且满足预设阈值的第二人体图像P2,避免最优的第二人体图像P2不满足预设阈值,而直接用于下一步将影响整体方法的匹配精度。若人体图像集合B中与第一人体图像P1的相似度没有大于预设阈值的图像,则在该组图像序列中,无法获取第二人体图像P2,即无法组成一组匹配的人体图像对(P1,P2)。
利用第一人体图像P1和第二人体图像P2形成一组匹配的人体图像对(P1,P2)。
需要说明的是,由于目标人体在进入预定区域后,会获得一个跟踪,即获得目标人体连续多个目标人体图像,可在其中选出最优的作为第一人体图像P1。具体包括:跟踪第一相机拍摄到的目标人体,获取目标人体图像序列,目标人体图图像序列包括连续多个目标人体图像;将目标人体图像输入人体质量模型,可获得每个目标人体图像的质量分数,获取分数最高的目标人体图像作为第一人体图像P1。利用人体质量模型获取目标人体序列中的最优人体图像作为第一人体图像P1,可保证第一人体图像P1和第二人体图像P2的质量,继而获得最优的人体图像对(P1,P2)。
并且,第一相机和第二相机为一个双向相机组,在一定时间范围内拍摄到同一目标人体,从而以其中一个相机拍摄到的人体图像为基准,并在一定时间范围内取出另一个相机中预设阈值之上的最相似人体图像为匹配,时间域和相似度的限制极大的保证匹配精度。同时本申请在每个双向相机组中,只获取每个人体图像在另一个相机下相似度最高的的最优匹配人体图像,形成最优的一组最优的人体图像对。而现有方案通常是利用满足阈值条件的所有人体相互匹配,其存在较大的冗余和误判,对于城市级这种大体量的行人聚类来说会造成计算资源压力大和链式聚类的错误放大效应,这对行人聚类来说是致命的。本申请中最优匹配方案较现有方案能有效降低信息冗余和弱化链式聚类的错误放大效应。
S13:获取每组人体图像对所对应的关联人脸图像,形成包括人体图像对和关联人脸图像的三元图像组。
对于步骤S12中获得的人体图像对(P1,P2),获取每组人体图像对中的第一人体图像对应的关联人脸图像,具体包括:
跟踪人体图像对(P1,P2)所对应的人脸图像,获取人脸图像序列。将人脸图像序列输入人脸质量匹配模型,可获得每个人脸图像的质量分数,获取分数最高的人脸图像作为关联人脸图像F,形成包括人体图像对和关联人脸图像的三元图像组(P1,P2,F)。从而一个双向相机组就得到了一个行人ID的由人体图像对和关联人脸图像组成的三元图像组(P1,P2,F)。
S14:利用多组三元图像组进行聚类,获得行人聚类结果。
将多组图像序列得到的多个三元图像组进行聚类,获得最终的行人聚类结果,具体包括:
利用多组三元图像组中的人脸图像和人体图像,在各自的语义空间上分别进行人脸聚类和人体聚类,本实施例中聚类使用DBSCAN算法,当人脸和人体分别完成成聚类后,可获得人脸聚类值和人体聚类值。通过将人脸和人体分开聚类,相比直接将人脸和人体信息融合在一起聚类,能有效的避免人脸人体语义信息不匹配的问题,对后续的聚类结果也将产生促进作用。
接下来对人脸和人体聚类结果进行合并处理,合并时需要预先设置人脸松弛阈值和人体松弛阈值用于后续判断,合并时具有如下几种判断方法:
第一种,响应于两组三元图像组的人脸聚类值大于人脸聚类阈值,且人体聚类值大于人体聚类阈值,将两组三元图像组直接聚类在一起,作为一个ID。
第二种,响应于两组三元图像组的人脸聚类值大于人脸聚类阈值,而人体聚类值小于人体聚类阈值;确定两组三元图像组中的两个第一人体图像的第一相似度;响应于第一相似度大于人体松弛阈值,将两组三元图像组聚类在一起,作为一个ID。
第三种,响应于两组三元图像组的人体聚类值大于人体聚类阈值,而人脸聚类值小于人脸聚类阈值;确定两组三元图像组中的两个最优人脸图像的第二相似度;响应于第二相似度大于人脸松弛阈值,将两组三元图像组聚类在一起,作为一个ID。
通过将人脸和人体分开聚类,然后相互修正的方法将极大的提高行人聚类的准确率和召回率。
本申请的行人聚类方法至少具有如下优点:
一、通过引入双向相机组作为基本单元,可以同时获取同一行人ID的第一人体图像和第二人体图像,提高了基本单元的信息容量,有利于解决监控场景下人体姿态变化大的问题,从而提升人体聚类的效果。并且由于一个双向相机组获取的图像序列在一预定区域内,两个相机拍摄到的第一人体图像和第二人体图像的时间接近,提高第一人体图像和第二人体图像的匹配效率和匹配精度。
二、本申请在每个双向相机组中,只获取每个人体图像在另一个相机下的匹配人体图像,形成最优的一组人体图像对。而现有方案通常是利用满足阈值条件的所有人体相互匹配,其存在较大的冗余和误判,对于城市级这种大体量的行人聚类来说会造成计算资源压力大和链式聚类的错误放大效应,这对行人聚类来说是致命的。本申请中最优匹配方案较现有方案能有效降低信息冗余和弱化链式聚类的错误放大效应。
三、通过将人脸和人体分开聚类,相比直接将人脸和人体信息融合在一起聚类,能有效的避免人脸人体语义信息不匹配的问题,并且通过将人脸和人体分开聚类,然后相互修正的方法将极大的提高行人聚类的准确率和召回率。
请参阅图2,图2是本申请的行人聚类装置一实施例的框架示意图。
本申请又一实施例提供了行人聚类装置20,包括获取模块21、处理模块22。获取模块21获取多组图像序列,每组图像序列包括多个连续图像,每组图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像,第一人体图像和第二人体图像为不同视角的人体图像。处理模块22检测每一组图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对;处理模块22获取每组人体图像对所对应的关联人脸图像,形成包括人体图像对和关联人脸图像的三元图像组;处理模块22利用多组三元图像组进行聚类,获得行人聚类结果。
本申请的行人聚类装置20可实现上述任一实施例中的行人聚类方法。本行人聚类装置20具有至少以下几点优点:
一、通过引入双向相机组作为基本单元,可以同时获取同一行人ID的第一人体图像和第二人体图像,提高了基本单元的信息容量,有利于解决监控场景下人体姿态变化大的问题,从而提升人体聚类的效果。并且由于一个双向相机组获取的图像序列在一预定区域内,两个相机拍摄到的第一人体图像和第二人体图像的时间接近,提高第一人体图像和第二人体图像的匹配效率和匹配精度。
二、本申请在每个双向相机组中,只获取每个人体图像在另一个相机下的最优匹配人体图像,形成最优的一组人体图像对。而现有方案通常是利用满足阈值条件的所有人体相互匹配,其存在较大的冗余和误判,对于城市级这种大体量的行人聚类来说会造成计算资源压力大和链式聚类的错误放大效应,这对行人聚类来说是致命的。本申请中最优匹配方案较现有方案能有效降低信息冗余和弱化链式聚类的错误放大效应。
三、通过将人脸和人体分开聚类,相比直接将人脸和人体信息融合在一起聚类,能有效的避免人脸人体语义信息不匹配的问题,并且通过将人脸和人体分开聚类,然后相互修正的方法将极大的提高行人聚类的准确率和召回率。
请参阅图3,图3是本申请的电子设备一实施例的框架示意图。
本申请又一实施例提供了一种电子设备30,包括相互耦接的存储器31和处理器32,处理器32用于执行存储器31中存储的程序指令,以实现上述任一实施例的行人聚类方法。在一个具体的实施场景中,电子设备30可以包括但不限于:微型计算机、服务器,此外,电子设备30还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器32用于控制其自身以及存储器31以实现上述任一实施例的行人聚类方法中的步骤。处理器32还可以称为CPU(Central Processing Unit,中央处理单元)。处理器32可能是一种集成电路芯片,具有信号的处理能力。处理器32还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器32可以由集成电路芯片共同实现。
请参阅图4,图4是本申请计算机可读存储介质一实施例的框架示意图。
本申请又一实施例提供了一种计算机可读存储介质40,其上存储有程序数据41,程序数据41被处理器执行时实现上述任一实施例的行人聚类方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质40中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质40中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的可读存储介质40包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种行人聚类方法,其特征在于,包括:
获取多组图像序列,每组所述图像序列包括多个连续图像,每组所述图像序列分别包括一预定区域内行人的第一人体图像和第二人体图像,所述第一人体图像和所述第二人体图像为不同视角的人体图像;
检测每一组所述图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对;
获取每组所述人体图像对所对应的关联人脸图像,形成包括所述人体图像对和所述关联人脸图像的三元图像组;
利用多组所述三元图像组进行聚类,获得行人聚类结果。
2.根据权利要求1所述的方法,其特征在于,每组所述图像序列分别由一个双向相机组获取,每个所述双向相机组包括第一相机和第二相机,以分别获得一所述预定区域内行人的所述第一人体图像和所述第二人体图像,所述第一相机和所述第二相机的拍摄轴线的夹角角度满足预设角度要求。
3.根据权利要求2所述的方法,其特征在于,所述检测每一组所述图像序列中的人体图像,获取相匹配的第一人体图像和第二人体图像,以组成一组匹配的人体图像对,包括:
检测每一组所述图像序列中出现的人体;
选取所述第一相机获得的第一人体图像,获取所述第二相机获得的所述第一人体图像前后预设时间段内的人体图像集合;
计算所述第一人体图像与所述人体图像集合内所有图像的相似度;
从相似度大于预设阈值的图像中,选取相似度最高的图像确定为第二人体图像;
利用所述第一人体图像和所述第二人体图像形成一组匹配的所述人体图像对。
4.根据权利要求3所述的方法,其特征在于,所述选取第一相机获得的第一人体图像,包括:
跟踪所述第一相机拍摄到的目标人体,获取目标人体图像序列;
利用人体质量模型获取所述目标人体图像序列中的质量分数最高的人体图像,作为所述第一人体图像。
5.根据权利要求3所述的方法,其特征在于,所述计算所述第一人体与所述人体图像集合内所有图像的相似度,包括:
使用行人重识别模型提取所述人体图像集合内所有图像的归一化特征,计算所述第一人体图像和所述人体图像集合内所有图像的余弦相似度。
6.根据权利要求1所述的方法,其特征在于,所述获取每组所述人体图像对所对应的关联人脸图像,包括:
跟踪所述人体图像对所对应的人脸图像,获取人脸图像序列;
利用人脸质量匹配模型获取所述人脸图像序列中的质量分数最高的人脸图像,确定为所述关联人脸图像。
7.根据权利要求1所述的方法,其特征在于,所述利用多组所述三元图像组进行聚类,获得行人聚类结果,包括:
利用多组所述三元图像组分别进行人脸聚类和人体聚类,获得人脸聚类值和人体聚类值;
响应于两组所述三元图像组的所述人脸聚类值大于人脸聚类阈值,且所述人体聚类值大于人体聚类阈值,将两组所述三元图像组直接聚类在一起。
8.根据权利要求7所述的方法,其特征在于,所述对多组所述三元图像组进行聚类,获得行人聚类结果,还包括:
响应于两组所述三元图像组的所述人脸聚类值大于所述人脸聚类阈值,而所述人体聚类值小于所述人体聚类阈值;
确定两组所述三元图像组中的两个所述第一人体图像的第一相似度响应于所述第一相似度大于人体松弛阈值,将两组所述三元图像组聚类在一起。
9.根据权利要求7所述的方法,其特征在于,所述对多组所述三元图像组进行聚类,获得行人聚类结果,还包括:
响应于两组所述三元图像组的所述人体聚类值大于所述人体聚类阈值,且所述人脸聚类值小于所述人脸聚类阈值;
确定两组所述三元图像组中的两个所述最优人脸图像的第二相似度;
响应于所述第二相似度大于人脸松弛阈值,将两组所述三元图像组聚类在一起。
10.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至9中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有程序数据,其特征在于,所述程序数据被处理器执行时实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739712.5A CN113657430A (zh) | 2021-06-30 | 2021-06-30 | 行人聚类方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739712.5A CN113657430A (zh) | 2021-06-30 | 2021-06-30 | 行人聚类方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657430A true CN113657430A (zh) | 2021-11-16 |
Family
ID=78477803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110739712.5A Pending CN113657430A (zh) | 2021-06-30 | 2021-06-30 | 行人聚类方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657430A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN117853770A (zh) * | 2024-02-01 | 2024-04-09 | 杭州海康威视系统技术有限公司 | 人体聚类方法、装置及设备 |
-
2021
- 2021-06-30 CN CN202110739712.5A patent/CN113657430A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN115546174B (zh) * | 2022-10-20 | 2023-09-08 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN117853770A (zh) * | 2024-02-01 | 2024-04-09 | 杭州海康威视系统技术有限公司 | 人体聚类方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398084B2 (en) | Method, apparatus and application system for extracting a target feature | |
EP3678057B1 (en) | Method and device for determining path of human target | |
US9189686B2 (en) | Apparatus and method for iris image analysis | |
CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN113657430A (zh) | 行人聚类方法、设备及存储介质 | |
WO2021051547A1 (zh) | 暴力行为检测方法及系统 | |
CN111104925B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
US11354883B2 (en) | Image processing method and apparatus, and electronic device | |
CN111931548B (zh) | 人脸识别系统、建立人脸识别数据的方法及人脸识别方法 | |
WO2019042195A1 (zh) | 一种人体目标身份识别方法及装置 | |
WO2018058530A1 (zh) | 目标检测方法、装置以及图像处理设备 | |
US11335127B2 (en) | Media processing method, related apparatus, and storage medium | |
CN110765903A (zh) | 行人重识别方法、装置及存储介质 | |
US20210397822A1 (en) | Living body detection method, apparatus, electronic device, storage medium and program product | |
WO2022142375A1 (zh) | 一种人脸识别方法、装置及电子设备 | |
WO2023273616A1 (zh) | 图像识别方法及装置、电子设备、存储介质 | |
AU2020294190B2 (en) | Image processing method and apparatus, and electronic device | |
CN110929583A (zh) | 一种高检测精度人脸识别方法 | |
Abavisani et al. | A robust sparse representation based face recognition system for smartphones | |
CN116258748A (zh) | 轨迹跟踪方法 | |
TWI789128B (zh) | 人臉識別方法、裝置、設備及存儲介質 | |
CN110619280A (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN116258881A (zh) | 一种图像聚类方法、装置、终端及计算机可读存储介质 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 |
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 |