CN114550088B - 一种多摄像头融合的乘客识别方法、系统及电子设备 - Google Patents

一种多摄像头融合的乘客识别方法、系统及电子设备 Download PDF

Info

Publication number
CN114550088B
CN114550088B CN202210160362.1A CN202210160362A CN114550088B CN 114550088 B CN114550088 B CN 114550088B CN 202210160362 A CN202210160362 A CN 202210160362A CN 114550088 B CN114550088 B CN 114550088B
Authority
CN
China
Prior art keywords
passenger
identification
weight
pedestrian
state
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
Application number
CN202210160362.1A
Other languages
English (en)
Other versions
CN114550088A (zh
Inventor
李金龙
王汉军
曲鸣川
鲁秋子
张方冰
刘占宇
李娇
文靖
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.)
Beijing Urban Construction Design and Development Group Co Ltd
Original Assignee
Beijing Urban Construction Design and Development Group 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 Beijing Urban Construction Design and Development Group Co Ltd filed Critical Beijing Urban Construction Design and Development Group Co Ltd
Priority to CN202210160362.1A priority Critical patent/CN114550088B/zh
Publication of CN114550088A publication Critical patent/CN114550088A/zh
Application granted granted Critical
Publication of CN114550088B publication Critical patent/CN114550088B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

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)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种多摄像头融合的乘客识别方法、系统及电子设备，其中，该包括：对乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；将乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；根据状态信息和识别分数对相应乘客进行识别得到初始识别结果；根据行人图像和行人历史信息确定识别权重和历史权重；根据识别权重、历史权重和初始识别结果得到融合后的乘客识别结果。本发明通过利用乘客的状态信息、识别分数、识别权重和历史权重将多个摄像头采集到的地铁区域图像进行融合得到乘客识别结果，可以将多个角度采集的乘客信息进行融合，大大提升乘客识别的精度。

Description

一种多摄像头融合的乘客识别方法、系统及电子设备
技术领域
本发明属于城市轨道交通技术领域，更具体地说，是涉及一种多摄像头融合的乘客识别方法、系统及电子设备。
背景技术
地铁作为现代常用的交通方式之一，近年来使用频率越来越高。因为与公交相比，地铁解决了拥堵的问题，极大地缩短了出行时间。但是接踵而来的问题就出现了，由于乘坐地铁的人极多，坐地铁安检排队也成为了问题，现有的安检方法通常是地铁工作人员一一对行人进行排查，来检查乘客是否可以乘坐地铁，但是这样的方式会影响乘客的出行时间。
发明内容
本发明的目的在于提供一种多摄像头融合的乘客识别方法、系统及电子设备，旨在解决人工对行人排查效率低的问题。
为实现上述目的，本发明采用的技术方案是：
一种多摄像头融合的乘客识别方法，包括以下步骤：
步骤1：获取在核心识别区域采集的乘客人体图像；
步骤2：对所述乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
步骤3：将所述乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
步骤4：根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果；
步骤5：获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重；
步骤6：根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果。
优选的，所述步骤4：根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果，包括：
步骤4.1：根据所述状态信息判断乘客是否低头或者戴帽子；
步骤4.2：若乘客的状态为低头或者戴帽子，则将状态权重的取值范围设为(0，1)；
步骤4.3：若乘客的状态不为低头或者戴帽子，则将状态权重的取值设为1；
步骤4.4：利用所述状态权重对所述识别分数进行加权求和得到相应乘客的初始识别结果。
优选的，所述步骤5：获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重，包括：
步骤5.1：判断所述行人图像中是否在预设时间范围内出现相应乘客；
步骤5.2：若在所述行人图像中预设时间范围内发现相应乘客，则将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
步骤5.3：若在所述行人图像中预设时间范围内未发现相应乘客，则将识别权重的取值设为1；
步骤5.4：判断所述行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
步骤5.5：若在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录，则将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
步骤5.6：若在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录，则将历史权重取值设为1。
优选的，所述步骤6：根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果，包括：
采用公式：
Figure BDA0003514318530000031
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
本发明还提供了一种多摄像头融合的乘客识别系统，包括：
乘客图像获取模块，用于获取在核心识别区域采集的乘客人体图像；
乘客行为识别模块，用于对所述乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
识别分数确定模块，用于将所述乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
初始识别结果确定模块，用于根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果；
权重确定模块，用于获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重；
乘客识别融合模块，用于根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果。
优选的，所述初始识别结果确定模块，包括：
状态信息判断单元，用于根据所述状态信息判断乘客是否低头或者戴帽子；
第一状态权重确定单元，用于当乘客的状态为低头或者戴帽子时，将状态权重的取值范围设为(0，1)；
第二状态权重确定单元，用于当乘客的状态不为低头或者戴帽子时，则将状态权重的取值设为1；
加权求和单元，用于利用所述状态权重对所述识别分数进行加权求和得到相应乘客的初始识别结果。
优选的，所述权重确定模块，包括：
行人图像判断单元，用于判断所述行人图像中是否在预设时间范围内出现相应乘客；
第一识别权重确定单元，用于当在所述行人图像中预设时间范围内发现相应乘客时，将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
第一识别权重确定单元，用于当在所述行人图像中预设时间范围内未发现相应乘客时，将识别权重的取值设为1；
历史信息判断单元，用于判断所述行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
第一历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录时，将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
第二历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录时，将历史权重取值设为1。
优选的，所述乘客识别融合模块，包括：
乘客识别融合单元，用于采用公式：
Figure BDA0003514318530000041
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
本发明还提供了一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述的一种多摄像头融合的乘客识别方法中的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种多摄像头融合的乘客识别方法中的步骤。
本发明提供的一种多摄像头融合的乘客识别方法、系统及电子设备的有益效果在于：与现有技术相比，本发明的一种多摄像头融合的乘客识别方法，包括：对乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；将乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；根据状态信息和识别分数对相应乘客进行识别得到初始识别结果；根据行人图像和行人历史信息确定识别权重和历史权重；根据识别权重、历史权重和初始识别结果得到融合后的乘客识别结果。本发明通过利用乘客的状态信息、识别分数、识别权重和历史权重将多个摄像头采集到的地铁区域图像进行融合得到乘客识别结果，可以将多个角度采集的乘客信息进行融合，大大提升乘客识别的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为本发明所提供的一种多摄像头融合的乘客识别方法流程图；
图2为本发明所提供的一种多摄像头融合的乘客识别方法原理图；
图3为本发明所提供的乘客状态识别原理图；
图4为本发明所提供的多摄像头融合计算原理图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的目的在于提供一种多摄像头融合的乘客识别方法、系统及电子设备，旨在解决人工对行人排查效率低的问题。
请一并参阅图1-4，一种多摄像头融合的乘客识别方法，包括以下步骤：
S1：获取在核心识别区域采集的乘客人体图像；
在本发明中，在S1之前，需要将地铁区域分为非核心识别区域和核心识别区域，并在上述区域上安装摄像头。针对地铁场景中的乘客低头看手机、戴鸭舌帽等情况，摄像头可能无法准确的捕捉到乘客的面部，为进一步提升召回率，本发明需要将监控摄像头的安装位置从顶部(离地2米以上)扩展到墙壁(离地1-2米)，从而提升摄像头的有效监控范围。此外，由于在非核心识别区域，识别到的人员不一定是进站(出站)，也可能是走地铁通道，因此该区域摄像头的识别结果只被记录(先验信息)，不会被直接用于识别。在本实施例中，非核心识别区域可以为进站口等位置。核心识别区域可以为地铁候车区等位置。
S2：对乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
在本发明中，需要将乘客人体图像输入到深度学习网络构建乘客行为识别模型。利用乘客行为识别模型，可以判断乘客是否戴帽子以及乘客在pitch方向(点头方向)是否处于低头的状态。
S3：将乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
进一步的，本发明通过人脸特征提取将人脸图像转为人脸的高维特征向量；然后将得到的待处理向量与模板库中的预设模板特征向量进行距离匹配，即可计算得到相应的识别分数。
S4：根据状态信息和识别分数对相应乘客进行识别得到初始识别结果；
在本发明实施例中，S4包括：
S4.1：根据状态信息判断乘客是否低头或者戴帽子；
S4.2：若乘客的状态为低头或者戴帽子，则将状态权重的取值范围设为(0，1)；
S4.3：若乘客的状态不为低头或者戴帽子，则将状态权重的取值设为1；
S4.4：利用状态权重对识别分数进行加权求和得到相应乘客的初始识别结果。
本发明通过利用每个摄像头采集的图像得到每个乘客ID的状态，并基于上述乘客ID状态判断乘客是否为低头或者戴帽子，且当乘客姿态为低头或者戴帽子时对其识别分数进行惩罚，可以提高后续对相应乘客ID的识别精度。需要说明的是，本发明可根据摄像头的高度不同而调整相应的状态权重，当摄像头在离地1-2米时，则适用于上述取值。
S5：获取在非核心识别区域采集的行人图像和行人历史信息，并根据行人图像和行人历史信息确定识别权重和历史权重；
在本发明中，S5包括：
S5.1：判断行人图像中是否在预设时间范围内出现相应乘客；
S5.2：若在行人图像中预设时间范围内发现相应乘客，则将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
S5.3：若在行人图像中预设时间范围内未发现相应乘客，则将识别权重的取值设为1；
S5.4：判断行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
S5.5：若在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录，则将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
S5.6：若在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录，则将历史权重取值设为1。
在本发明中，如果有乘客ID在一段时间范围内已经在非核心摄像头区域出现，即满足先验信息条件，则将其对应的权重设为某大于1的值，可以增加该乘客进站识别的概率；如果有行人历史信息支持该ID在该站点的某一时段内有长期的进站记录，则将其对应的权重设为某大于1的值，以增加该乘客进站识别的概率。本发明通过利用先验信息和历史信息对初步的识别结果进行进一步优化，可以充分利用地铁区域的所有信息，进一步提升乘客识别的准确性和召回率。
S6：根据识别权重、历史权重和初始识别结果得到融合后的乘客识别结果。
进一步的，S6包括：
采用公式：
Figure BDA0003514318530000081
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
本发明公开了一种多摄像头融合的乘客识别方法包括：输入多摄像头的视频流信息；对每个摄像头中的乘客行为进行分析，判断其状态；根据乘客状态、先验信息和历史信息，得到多摄像头融合的识别结果。本发明通过利用乘客的状态信息、识别分数、识别权重和历史权重将多个摄像头采集到的地铁区域图像进行融合得到乘客识别结果，可以将多个角度采集的乘客信息进行融合，大大提升乘客识别的精度。
本发明还提供了一种多摄像头融合的乘客识别系统，包括：
乘客图像获取模块，用于获取在核心识别区域采集的乘客人体图像；
乘客行为识别模块，用于对乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
识别分数确定模块，用于将乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
初始识别结果确定模块，用于根据状态信息和识别分数对相应乘客进行识别得到初始识别结果；
权重确定模块，用于获取在非核心识别区域采集的行人图像和行人历史信息，并根据行人图像和行人历史信息确定识别权重和历史权重；
乘客识别融合模块，用于根据识别权重、历史权重和初始识别结果得到融合后的乘客识别结果。
优选的，初始识别结果确定模块，包括：
状态信息判断单元，用于根据状态信息判断乘客是否低头或者戴帽子；
第一状态权重确定单元，用于当乘客的状态为低头或者戴帽子时，将状态权重的取值范围设为(0，1)；
第二状态权重确定单元，用于当乘客的状态不为低头或者戴帽子时，则将状态权重的取值设为1；
加权求和单元，用于利用状态权重对识别分数进行加权求和得到相应乘客的初始识别结果。
优选的，权重确定模块，包括：
行人图像判断单元，用于判断行人图像中是否在预设时间范围内出现相应乘客；
第一识别权重确定单元，用于当在行人图像中预设时间范围内发现相应乘客时，将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
第一识别权重确定单元，用于当在行人图像中预设时间范围内未发现相应乘客时，将识别权重的取值设为1；
历史信息判断单元，用于判断行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
第一历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录时，将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
第二历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录时，将历史权重取值设为1。
优选的，乘客识别融合模块，包括：
乘客识别融合单元，用于采用公式：
Figure BDA0003514318530000091
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
本发明通过利用乘客的状态信息、识别分数、识别权重和历史权重将多个摄像头采集到的地铁区域图像进行融合得到乘客识别结果，可以将多个角度采集的乘客信息进行融合，大大提升乘客识别的精度。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，收发器、存储器和处理器通过总线相连，计算机程序被处理器执行时实现上述一种多摄像头融合的乘客识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的一种多摄像头融合的乘客识别方法中的步骤，计算机程序被处理器执行时实现上述一种多摄像头融合的乘客识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种多摄像头融合的乘客识别方法，其特征在于，包括以下步骤：
步骤1：获取在核心识别区域采集的乘客人体图像；
步骤2：对所述乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
步骤3：将所述乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
步骤4：根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果；
步骤5：获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重；
所述步骤5：获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重，包括：
步骤5.1：判断所述行人图像中是否在预设时间范围内出现相应乘客；
步骤5.2：若在所述行人图像中预设时间范围内发现相应乘客，则将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
步骤5.3：若在所述行人图像中预设时间范围内未发现相应乘客，则将识别权重的取值设为1；
步骤5.4：判断所述行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
步骤5.5：若在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录，则将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
步骤5.6：若在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录，则将历史权重取值设为1；
步骤6：根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果。
2.如权利要求1所述的一种多摄像头融合的乘客识别方法，其特征在于，所述步骤4：根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果，包括：
步骤4.1：根据所述状态信息判断乘客是否低头或者戴帽子；
步骤4.2：若乘客的状态为低头或者戴帽子，则将状态权重的取值范围设为(0，1)；
步骤4.3：若乘客的状态不为低头或者戴帽子，则将状态权重的取值设为1；
步骤4.4：利用所述状态权重对所述识别分数进行加权求和得到相应乘客的初始识别结果。
3.如权利要求2所述的一种多摄像头融合的乘客识别方法，其特征在于，所述步骤6：根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果，包括：
采用公式：
Figure FDA0003750586880000031
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
4.一种多摄像头融合的乘客识别系统，其特征在于，包括：
乘客图像获取模块，用于获取在核心识别区域采集的乘客人体图像；
乘客行为识别模块，用于对所述乘客人体图像中乘客行为进行识别得到每个乘客的状态信息；
识别分数确定模块，用于将所述乘客人体图像输入到人脸识别模型中得到每个乘客的识别分数；
初始识别结果确定模块，用于根据所述状态信息和所述识别分数对相应乘客进行识别得到初始识别结果；
权重确定模块，用于获取在非核心识别区域采集的行人图像和行人历史信息，并根据所述行人图像和所述行人历史信息确定识别权重和历史权重；
所述权重确定模块，包括：
行人图像判断单元，用于判断所述行人图像中是否在预设时间范围内出现相应乘客；
第一识别权重确定单元，用于当在所述行人图像中预设时间范围内发现相应乘客时，将识别权重的取值设为(1，Wmax)，Wmax为识别权重的最大值；
第一识别权重确定单元，用于当在所述行人图像中预设时间范围内未发现相应乘客时，将识别权重的取值设为1；
历史信息判断单元，用于判断所述行人历史信息中是否有相应乘客在预设时段内有长期的进站记录；
第一历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内具有长期的进站记录时，将历史权重取值设为(1，Hmax)，Hmax为历史权重的最大值；
第二历史权重确定单元，用于当在行人历史信息中发现相应乘客在预设时段内没有长期的进站记录时，将历史权重取值设为1；
乘客识别融合模块，用于根据所述识别权重、所述历史权重和所述初始识别结果得到融合后的乘客识别结果。
5.如权利要求4所述的一种多摄像头融合的乘客识别系统，其特征在于，所述初始识别结果确定模块，包括：
状态信息判断单元，用于根据所述状态信息判断乘客是否低头或者戴帽子；
第一状态权重确定单元，用于当乘客的状态为低头或者戴帽子时，将状态权重的取值范围设为(0，1)；
第二状态权重确定单元，用于当乘客的状态不为低头或者戴帽子时，则将状态权重的取值设为1；
加权求和单元，用于利用所述状态权重对所述识别分数进行加权求和得到相应乘客的初始识别结果。
6.如权利要求5所述的一种多摄像头融合的乘客识别系统，其特征在于，所述乘客识别融合模块，包括：
乘客识别融合单元，用于采用公式：
Figure FDA0003750586880000051
得到融合后的乘客识别结果；其中，whistory表示历史权重，wpre表示识别权重，wk表示状态权重，Sk表示识别分数。
7.一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种多摄像头融合的乘客识别方法中的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种多摄像头融合的乘客识别方法中的步骤。
CN202210160362.1A 2022-02-22 2022-02-22 一种多摄像头融合的乘客识别方法、系统及电子设备 Active CN114550088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210160362.1A CN114550088B (zh) 2022-02-22 2022-02-22 一种多摄像头融合的乘客识别方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210160362.1A CN114550088B (zh) 2022-02-22 2022-02-22 一种多摄像头融合的乘客识别方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN114550088A CN114550088A (zh) 2022-05-27
CN114550088B true CN114550088B (zh) 2022-12-13

Family

ID=81677753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210160362.1A Active CN114550088B (zh) 2022-02-22 2022-02-22 一种多摄像头融合的乘客识别方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN114550088B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886284A (zh) * 2014-03-03 2014-06-25 小米科技有限责任公司 人物属性信息识别方法、装置及电子设备
CN112116811A (zh) * 2020-09-23 2020-12-22 佳都新太科技股份有限公司 一种进行乘车路径识别确定的方法及装置
CN112562105A (zh) * 2019-09-06 2021-03-26 北京国双科技有限公司 安检方法和装置、存储介质及电子设备
CN112990518A (zh) * 2019-12-12 2021-06-18 深圳先进技术研究院 一种地铁个体乘客目的站点实时预测方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
CN107832730A (zh) * 2017-11-23 2018-03-23 高域（北京）智能科技研究院有限公司 提高人脸识别准确率的方法和人脸识别系统
CN110263658A (zh) * 2019-05-25 2019-09-20 周建萍 一种基于脸部识别的地铁收费平台及其方法
CN112001932B (zh) * 2020-09-01 2023-10-31 腾讯科技（深圳）有限公司 人脸识别方法、装置、计算机设备和存储介质
CN113887427A (zh) * 2021-09-30 2022-01-04 联想(北京)有限公司 一种人脸识别方法和装置
CN113788050B (zh) * 2021-10-12 2022-09-23 北京城建设计发展集团股份有限公司 一种轨道交通行车指挥系统及二三维数据呈现方法
CN113920568A (zh) * 2021-11-02 2022-01-11 中电万维信息技术有限责任公司 基于视频图像的人脸和人体姿态情绪识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886284A (zh) * 2014-03-03 2014-06-25 小米科技有限责任公司 人物属性信息识别方法、装置及电子设备
CN112562105A (zh) * 2019-09-06 2021-03-26 北京国双科技有限公司 安检方法和装置、存储介质及电子设备
CN112990518A (zh) * 2019-12-12 2021-06-18 深圳先进技术研究院 一种地铁个体乘客目的站点实时预测方法及装置
CN112116811A (zh) * 2020-09-23 2020-12-22 佳都新太科技股份有限公司 一种进行乘车路径识别确定的方法及装置

Also Published As

Publication number Publication date
CN114550088A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US10223597B2 (en) Method and system for calculating passenger crowdedness degree
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和系统
CN110235083B (zh) 对象识别方法和系统的无监督学习
CN106541968B (zh) 基于视觉分析的地铁车厢实时提示系统的识别方法
CN111241975B (zh) 一种基于移动端边缘计算的人脸识别检测方法及系统
CN103366506A (zh) 一种驾驶员行车途中接打手机行为的自动监控装置及方法
CN202130312U (zh) 一种驾驶员疲劳驾驶监控装置
CN111339811B (zh) 图像处理方法、装置、设备及存储介质
CN112287827A (zh) 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN112084928A (zh) 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
CN111860274A (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及系统
CN110717408B (zh) 一种基于tof相机的人流计数方法
CN110633671A (zh) 基于深度图像的公交车客流实时统计方法
CN111091110A (zh) 一种基于人工智能的反光背心穿戴识别方法
CN107483894A (zh) 基于场景判断实现客运管理的高铁车站视频监控系统
CN108334831A (zh) 一种监测图像处理方法、监测终端及系统
US11557133B1 (en) Automatic license plate recognition
CN112349016A (zh) 一种基于大数据分析的智能门禁管理系统
CN115035564A (zh) 基于巡逻车智能摄像机的人脸识别方法、系统及相关组件
CN114550088B (zh) 一种多摄像头融合的乘客识别方法、系统及电子设备
CN113343960A (zh) 一种地铁站内实时留存客流估计与预警方法
Yu et al. Raindrop-tampered scene detection and traffic flow estimation for nighttime traffic surveillance
CN112026519A (zh) 一种基于地图引擎的分点分段限速提醒的车载终端

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