CN113705499A - 一种景区自动寻人方法 - Google Patents

一种景区自动寻人方法 Download PDF

Info

Publication number
CN113705499A
CN113705499A CN202111024830.4A CN202111024830A CN113705499A CN 113705499 A CN113705499 A CN 113705499A CN 202111024830 A CN202111024830 A CN 202111024830A CN 113705499 A CN113705499 A CN 113705499A
Authority
CN
China
Prior art keywords
face
lost
person
feature
scenic spot
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
CN202111024830.4A
Other languages
English (en)
Other versions
CN113705499B (zh
Inventor
伍洪辉
陈海江
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.)
Zhejiang Lishi Technology Co Ltd
Original Assignee
Zhejiang Lishi 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 Zhejiang Lishi Technology Co Ltd filed Critical Zhejiang Lishi Technology Co Ltd
Priority to CN202111024830.4A priority Critical patent/CN113705499B/zh
Publication of CN113705499A publication Critical patent/CN113705499A/zh
Application granted granted Critical
Publication of CN113705499B publication Critical patent/CN113705499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • 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
    • 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
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种景区自动寻人方法，包括以下步骤：步骤1，上传走丢人员人脸照片，对走丢人员人脸照片进行结构化分析，轮巡实时视频监控，如若人脸识别比对成功则基于地图定位走丢人员时间和地点；步骤2，如若比对不成功则轮巡监控录像视频，比对成功后定位走丢人员最后出现时间和地点；步骤3，结合地图路网信息以及过往人员行走数据，建立路线预测模型，最终可预测走丢人员行走每条路线的概率。本发明的有益之处在于，通过实时视频监控，进行人脸识别定位丢失人员提升寻人效率，并且可以结合录像视频预测走丢人员行走路线，辅助寻找走丢人员。

Description

一种景区自动寻人方法
技术领域
本发明涉及一种景区自动寻人方法。
背景技术
节假日期间景区游客比较集中，且景区通常地形复杂经常有老人、小孩容易走散，寻找难度比较大，目前通常的做法都是通过广播重复播放寻人启事语音，或者通过视频监控录像回放系统自动照片寻人。
对于通过广播寻人的方式，一方面由于景区游客众多人员嘈杂噪声较大，通过广播的方式很难听清广播内容，广播覆盖范围有限，即使通过广播播放寻人启事别人未必听得到；另外一方面，广播只能通过语音描述丢失者特征，不能够较精准传递信息，易给听众造成误解，导致听众提供一些干扰甚至错误的线索，最终使寻找丢失者的困难度增加效率非常低下。而通过视频监控录像回放系统寻人的方式，实时性较差，且效率较低。
发明内容
本发明的目的在于提供一种景区自动寻人方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种景区自动寻人方法，包括以下步骤：
步骤1，上传走丢人员人脸照片，对走丢人员人脸照片进行结构化分析，轮巡实时视频监控，如若人脸识别比对成功则基于地图定位走丢人员时间和地点；
步骤2，如若比对不成功则轮巡监控录像视频，比对成功后定位走丢人员最后出现时间和地点；
步骤3，结合地图路网信息以及过往人员行走数据，建立路线预测模型，最终可预测走丢人员行走每条路线的概率。
作为本发明的进一步方案：步骤3中，建立路线预测模型，包括以下步骤：
步骤3.1、根据走丢人员最后出现的时间、地点，结合地图路网信息绘制出所有可能会走的路口及岔路；
步骤3.2、每个岔路口的结构化相机对路过人员的年龄段以及选择行走路线进行分析获得路线预测模型；
步骤3.3、基于步骤3.2建立好的路线预测模型，上传走丢人员人脸照片和年龄预测走丢人员会行走的路线，同时通过现场人员配合帮助寻找走丢人员。
作为本发明的进一步方案：步骤3中，结合地图路网信息以及过往人员行走数据建立路线预测模型，获得不同年龄段选择不同路径的概率。
作为本发明的进一步方案：步骤1中，人脸识别包括以下步骤：
人脸图像采集与检测；
人脸图像预处理；
人脸图像特征提取；
人脸图像匹配与识别。
作为本发明的进一步方案：人脸图像采集与检测时，当用户在采集设备的拍摄范围内，采集设备自动搜索并拍摄用户的人脸图像并对获得的人脸图像进行人脸检测以确定人脸的位置和大小。
作为本发明的进一步方案：人脸图像预处理包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波和锐化。
作为本发明的进一步方案：人脸图像特征提取时，提取的人脸图像特征包括视觉特征、像素统计特征、人脸图像变换系数特征和人脸图像代数特征。
作为本发明的进一步方案：人脸图像匹配与识别时，提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。
作为本发明的进一步方案：在人脸图像采集与检测时，通过直方图特征、颜色特征、模板特征、结构特征和Haar特征识别人脸从而实现人脸检测判断中人脸的位置和大小。
作为本发明的进一步方案：基于直方图特征、颜色特征、模板特征、结构特征和Haar特征采用Adaboost学习算法实现对人脸检测。
与现有技术相比，本发明的有益效果是：通过实时视频监控，进行人脸识别定位丢失人员提升寻人效率，并且可以结合录像视频预测走丢人员行走路线，辅助寻找走丢人员。
附图说明
图1为本发明的一种景区自动寻人方法的流程图；
图2是图1中的一种景区自动寻人方法的结合地图路网信息绘制出所有可能会走的路口及岔路示意图；
图3是图1中的一种景区自动寻人方法的路线预测的示意图；
图4是图1中的一种景区自动寻人方法的人脸识别的流程图。
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，都属于本发明保护的范围。
如图1至图4所示，本发明实施例中，一种景区自动寻人方法，包括以下步骤：
步骤1，上传走丢人员人脸照片，对走丢人员人脸照片进行结构化分析，轮巡实时视频监控，如若人脸识别比对成功则基于地图定位走丢人员时间和地点；
步骤2，如若比对不成功则轮巡监控录像视频，比对成功后定位走丢人员最后出现时间和地点；
步骤3，结合地图路网信息以及过往人员行走数据，建立路线预测模型，最终可预测走丢人员行走每条路线的概率。
最终可根据模型推测出来的路线模型，按照概率高低排列出走丢人员最有可能会行走的几条路线，以此帮助需要走丢人员。
作为一种具体的实施方式，步骤1中，人脸识别包括以下步骤：
人脸图像采集与检测；
人脸图像预处理；
人脸图像特征提取；
人脸图像匹配与识别。
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像采集与检测时，当用户在采集设备的拍摄范围内，采集设备自动搜索并拍摄用户的人脸图像并对获得的人脸图像进行人脸检测以确定人脸的位置和大小。
人脸图像包含的模式特征有直方图特征、颜色特征、模板特征、结构特征和Haar特征等。人脸检测即将其中有用的信息挑出来，并利用这些特征实现人脸检测。具体而言，在人脸图像采集与检测时，通过直方图特征、颜色特征、模板特征、结构特征和Haar特征识别人脸从而实现人脸检测判断中人脸的位置和大小。基于直方图特征、颜色特征、模板特征、结构特征和Haar特征采用Adaboost学习算法实现对人脸检测。Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。作为一种具体的实施方式，人脸图像预处理包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波和锐化等。
人脸图像特征提取时，提取的人脸图像特征包括视觉特征、像素统计特征、人脸图像变换系数特征和人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
人脸图像匹配与识别时，提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
基于以上人脸识别的四个步骤，将上传的走丢人员照片与实时视频中抓拍到相机采集到的人脸照片进行一一比对，如若比对成功则可最终确定走丢人员的出现的时间和位置，一次帮助寻找走丢人员，如若未比对成功则进入步骤2。
具体的步骤2中，主要是对监控录像视频进行轮巡人脸识别比对，视频识别比对原理和步骤1一样，在比对成功后基于地图定位人脸出现在监控中最后的时间、地点。以此帮助寻找走丢人员。
具体的步骤3中，在步骤2的基础上，为进一步推测走丢人员可能行走的路线，在大数据基础上建立路线预测模型，以此帮助更加精准、高效找到走丢人员，在步骤3中最关键的是路线预测模型的建立。
步骤3中，建立路线预测模型，包括以下步骤：
步骤3.1、根据走丢人员最后出现的时间、地点，结合地图路网信息绘制出所有可能会走的路口及岔路(参考图2)；
步骤3.2、每个岔路口的结构化相机对路过人员的年龄段以及选择行走路线进行分析获得路线预测模型；
步骤3.3、基于步骤3.2建立好的路线预测模型，上传走丢人员人脸照片和年龄预测走丢人员会行走的路线，同时通过现场人员配合帮助寻找走丢人员。
结合地图路网信息以及过往人员行走数据建立路线预测模型，获得不同年龄段选择不同路径的概率。
举例说明，参考图3，行人001，年龄55岁位于50至60岁区间，在A路口前往B,在B路口选择前往G,直到视频监控没有覆盖的路口，基于过往大量行人数据，可搭建路线选择模型。年龄在50-60岁的人群中(其他年龄段类似)，在A路口选择前往B的有80％，在B路口选择前往G的有59％，以此类推可得出年龄在50-60岁人中，最有可能行走的路线是A-B-G,第二可能行走的路线是A-B-D，由此可计算出3条或者5条最有可能行走的路线。结合地图路网信息以及过往人员行走数据建立路线预测模型，获得不同年龄段选择不同路径的概率。
本发明的景区自动寻人方法相比现有的“视频录像照片寻人”最大的不同点有两个。第一，通过实时视频监控比对人脸提高了实时性。第二，在“视频录像照片寻人”基础上结合了地图路网信息以及大数据分析搭建的路线预测模型，可较准确推测出走丢人员会行走的路线。
现在做法是对视频录像回放进行人脸识别比对，因为是视频录像的回放实时性较差，当比对到人脸后再去现场寻找，走丢人员可能已经不在现场了，本发明分析实时视频中的人脸信息，与上次的人脸信息进行比对，发现照片中的人脸信息立即报警，这样大大提升了照片寻人的实时性。
现有做法通过视频路线定位到了走丢人员出现的时间、位置，但是走丢人员是可移动的，这样增加了寻找的困难度，本发明在此基础上结合了地图路网信息以及大数据分析搭建的路线预测模型，可较准确推测出走丢人员会行走的路线，这样就增加了寻找到走丢人员的概率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种景区自动寻人方法，其特征在于，包括以下步骤：
步骤1，上传走丢人员人脸照片，对走丢人员人脸照片进行结构化分析，轮巡实时视频监控，如若人脸识别比对成功则基于地图定位走丢人员时间和地点；
步骤2，如若比对不成功则轮巡监控录像视频，比对成功后定位走丢人员最后出现时间和地点；
步骤3，结合地图路网信息以及过往人员行走数据，建立路线预测模型，最终可预测走丢人员行走每条路线的概率。
2.根据权利要求1所述的一种景区自动寻人方法，其特征在于，
步骤3中，建立路线预测模型，包括以下步骤：
步骤3.1、根据走丢人员最后出现的时间、地点，结合地图路网信息绘制出所有可能会走的路口及岔路；
步骤3.2、每个岔路口的结构化相机对路过人员的年龄段以及选择行走路线进行分析获得路线预测模型；
步骤3.3、基于步骤3.2建立好的路线预测模型，上传走丢人员人脸照片和年龄预测走丢人员会行走的路线，同时通过现场人员配合帮助寻找走丢人员。
3.根据权利要求2所述的一种景区自动寻人方法，其特征在于，
步骤3中，结合地图路网信息以及过往人员行走数据建立路线预测模型，获得不同年龄段选择不同路径的概率。
4.根据权利要求1所述的一种景区自动寻人方法，其特征在于，
步骤1中，人脸识别包括以下步骤：
人脸图像采集与检测；
人脸图像预处理；
人脸图像特征提取；
人脸图像匹配与识别。
5.根据权利要求4所述的一种景区自动寻人方法，其特征在于，
人脸图像采集与检测时，当用户在采集设备的拍摄范围内，采集设备自动搜索并拍摄用户的人脸图像并对获得的人脸图像进行人脸检测以确定人脸的位置和大小。
6.根据权利要求4所述的一种景区自动寻人方法，其特征在于，
人脸图像预处理包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波和锐化。
7.根据权利要求4所述的一种景区自动寻人方法，其特征在于，
人脸图像特征提取时，提取的人脸图像特征包括视觉特征、像素统计特征、人脸图像变换系数特征和人脸图像代数特征。
8.根据权利要求4所述的一种景区自动寻人方法，其特征在于，
人脸图像匹配与识别时，提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。
9.根据权利要求4所述的一种景区自动寻人方法，其特征在于，
在人脸图像采集与检测时，通过直方图特征、颜色特征、模板特征、结构特征和Haar特征识别人脸从而实现人脸检测判断中人脸的位置和大小。
10.根据权利要求9所述的一种景区自动寻人方法，其特征在于，
基于直方图特征、颜色特征、模板特征、结构特征和Haar特征采用Adaboost学习算法实现对人脸检测。
CN202111024830.4A 2021-09-02 2021-09-02 一种景区自动寻人方法 Active CN113705499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111024830.4A CN113705499B (zh) 2021-09-02 2021-09-02 一种景区自动寻人方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111024830.4A CN113705499B (zh) 2021-09-02 2021-09-02 一种景区自动寻人方法

Publications (2)

Publication Number Publication Date
CN113705499A true CN113705499A (zh) 2021-11-26
CN113705499B CN113705499B (zh) 2024-04-02

Family

ID=78657268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111024830.4A Active CN113705499B (zh) 2021-09-02 2021-09-02 一种景区自动寻人方法

Country Status (1)

Country Link
CN (1) CN113705499B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070291104A1 (en) * 2006-06-07 2007-12-20 Wavetronex, Inc. Systems and methods of capturing high-resolution images of objects
CN109461106A (zh) * 2018-10-11 2019-03-12 浙江公共安全技术研究院有限公司 一种多维信息感知处理方法
CN109684494A (zh) * 2018-12-27 2019-04-26 爱笔（北京）智能科技有限公司 一种景区寻人方法、系统及云端服务器
JP2019091216A (ja) * 2017-11-14 2019-06-13 アルパイン株式会社 経路設定装置および経路設定方法
CN110796828A (zh) * 2019-10-31 2020-02-14 的卢技术有限公司 一种基于车联网寻找丢失人口的方法及其系统
CN111028012A (zh) * 2019-12-10 2020-04-17 浙江力石科技股份有限公司 景区客群定位方法、系统、装置及其可存储介质
CN111221997A (zh) * 2020-01-06 2020-06-02 四川智胜慧旅科技有限公司 一种基于人像识别定位的景区寻人方法
CN111444441A (zh) * 2020-03-12 2020-07-24 维沃移动通信有限公司 信息提示方法、电子设备及存储介质
CN111611894A (zh) * 2020-05-14 2020-09-01 深圳中科慧据科技有限公司 人员轨迹预测方法、装置、计算机设备及存储介质
CN112949396A (zh) * 2021-01-29 2021-06-11 南通大学 一种景区寻找同游人员的自适应方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070291104A1 (en) * 2006-06-07 2007-12-20 Wavetronex, Inc. Systems and methods of capturing high-resolution images of objects
JP2019091216A (ja) * 2017-11-14 2019-06-13 アルパイン株式会社 経路設定装置および経路設定方法
CN109461106A (zh) * 2018-10-11 2019-03-12 浙江公共安全技术研究院有限公司 一种多维信息感知处理方法
CN109684494A (zh) * 2018-12-27 2019-04-26 爱笔（北京）智能科技有限公司 一种景区寻人方法、系统及云端服务器
CN110796828A (zh) * 2019-10-31 2020-02-14 的卢技术有限公司 一种基于车联网寻找丢失人口的方法及其系统
CN111028012A (zh) * 2019-12-10 2020-04-17 浙江力石科技股份有限公司 景区客群定位方法、系统、装置及其可存储介质
CN111221997A (zh) * 2020-01-06 2020-06-02 四川智胜慧旅科技有限公司 一种基于人像识别定位的景区寻人方法
CN111444441A (zh) * 2020-03-12 2020-07-24 维沃移动通信有限公司 信息提示方法、电子设备及存储介质
CN111611894A (zh) * 2020-05-14 2020-09-01 深圳中科慧据科技有限公司 人员轨迹预测方法、装置、计算机设备及存储介质
CN112949396A (zh) * 2021-01-29 2021-06-11 南通大学 一种景区寻找同游人员的自适应方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MARK ANDREJEVIC等: "Facial recognition technology in schools: critical questions and concerns", 《LEARNING, MEDIA AND TECHNOLOGY》, vol. 45, no. 2, pages 115 - 128 *
智能化弱电工程设计与施工: "人脸识别系统全过程讲解，告诉你是如何找到人的？", pages 1 - 4, Retrieved from the Internet <URL:https://www.sohu.com/a/331979833_717464> *
王馗: "AIoT构建新型智慧机场", 《中国公共安全》, no. 5, pages 37 - 39 *
陈海江: "一位互联网+创业者的自述 海阔天高好飞翔", 《今日浙江》, no. 21, pages 102 *

Also Published As

Publication number Publication date
CN113705499B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN109934176B (zh) 行人识别系统、识别方法及计算机可读存储介质
WO2021088300A1 (zh) 一种基于非对称双流网络的rgb-d多模态融合人员检测方法
CN106998444B (zh) 一种大数据人脸监控系统
CN110660222B (zh) 一种智能环保道路黑烟车辆电子抓拍系统
CN104239867B (zh) 车牌定位方法及系统
CN110796074B (zh) 一种基于时空数据融合的行人再识别方法
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
WO2015098442A1 (ja) 映像検索システム及び映像検索方法
CN112949396B (zh) 一种景区寻找同游人员的自适应方法
KR20190068000A (ko) 다중 영상 환경에서의 동일인 재식별 시스템
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN104463232A (zh) 一种基于hog特征和颜色直方图特征的密度人群计数的方法
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN111091057A (zh) 一种信息处理方法、装置及计算机可读存储介质
CN112668375A (zh) 景区内游客分布分析系统及方法
CN111897993A (zh) 一种基于行人再识别的高效目标人物轨迹生成方法
CN111539257B (zh) 人员重识别方法、装置和存储介质
CN112733666A (zh) 一种难例图像的搜集、及模型训练方法、设备及存储介质
CN112581495A (zh) 图像处理方法、装置、设备及存储介质
CN113139615A (zh) 一种基于嵌入式设备的无人驾驶环境目标检测方法
CN111160115B (zh) 一种基于孪生双流3d卷积神经网络的视频行人再识别方法
CN111339834B (zh) 车辆行驶方向的识别方法、计算机设备及存储介质
CN113255542A (zh) 一种基于违规行为识别的违规对象身份识别方法
CN112668493A (zh) 基于gan和深度学习的换装行人再识别定位跟踪系统
CN113705499B (zh) 一种景区自动寻人方法

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