CN114783071B - 从视频中进行人员身份判断的方法 - Google Patents
从视频中进行人员身份判断的方法 Download PDFInfo
- Publication number
- CN114783071B CN114783071B CN202210256049.8A CN202210256049A CN114783071B CN 114783071 B CN114783071 B CN 114783071B CN 202210256049 A CN202210256049 A CN 202210256049A CN 114783071 B CN114783071 B CN 114783071B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- information
- image
- parameter
- standard
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
Abstract
本发明涉及一种从视频中进行人员身份判断的方法,该方法包括获取视频信息,所述视频信息用以记录在待侦测范围内的人员流动信息,所述视频信息中包括若干帧图像,每帧图像中至少存在一个待提取特征信息;从所述图像中提取所述待提取特征信息,所述待提取特征信息包括静态参数和动态参数;预先设置有目标用户的标准静态参数集群和动态参数集群;判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,并确定判断结果;根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量。通过对于参数集群中的数量进行动态调整,提高判定精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种从视频中进行人员身份判断的方法。
背景技术
随着信息技术的不断发展,在各行各业均会产生大量的数据信息,而对于数据信息的利用程度则间接确定了数据信息的价值,在产生的数据信息中不乏一些视频图像数据信息,而视频数据的利用效率则至关重要,体现着进行视频数据采集的价值。
例如在存在人像的视频数据中,通过提取视频中的人像信息,如脸部特征信息等,实现对于视频数据中存在的人员进行判定,进而确定在视频中出现的人员的身份信息,譬如确定视频中人员的性别或是直接确定视频中出现的人员的身份信息,进而根据身份信息确定人员的住所等,便于进行人员定位。
但是在实际获取的视频信息中,由于人流的流动性特征,对于人脸的识别进行人员身份识别具有局限性,在一些应用场景无法获取到人正脸信息,无法及时获取到人脸部特征信息,无法获取到进行人脸识别的有效信息,因此在进行人员身份判定时存在难度。
发明内容
为此,本发明提供一种从视频中进行人员身份判断的方法,可以解决现有技术中无法及时进行人员身份判定的技术问题。
为实现上述目的,本发明提供一种从视频中进行人员身份判断的方法,包括:
获取视频信息,所述视频信息用以记录在待侦测范围内的人员流动信息,所述视频信息中包括若干帧图像,每帧图像中至少存在一个待提取特征信息;
从所述图像中提取所述待提取特征信息,所述待提取特征信息包括静态参数和动态参数;
预先设置有目标用户的标准静态参数集群和动态参数集群;
判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,并确定判断结果;
根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量;
在提取视频数据中的待提取特征信息时,设置第一视角图像,将第一视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第一视角图像;
设置第二视角图像,将第二视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第二视角图像;
设置第n视角图像,将第n视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第n视角图像;
若视频数据中的各视角图像均存在,则表示在视频数据中存在待提取特征信息,将该视频数据进行保存;
若在提取待提取特征信息时,在视频数据中的存在视角图像缺失时,则判断缺失的数量,并根据缺失的数量的多少确定是否提出对应的视频数据。
进一步地,根据缺失的数量的多少确定是否提出对应的视频数据时;
若在视频数据中的k帧图像中,若存在视角图像的缺失的数量≥0.8×k,则将k帧图像进行删除;
若存在视角图像的缺失的数量≤0.2×k,则将k帧图像进行保存;
若0.8×k >存在视角图像的缺失的数量>0.2×k,则将k帧图像进行二次判定,在进行二次判定时确定动态特征对比结果,并根据对比结果确定是否进行三次修正,或,停止对比。
进一步地,在进行动态特征进行对比时,设置相邻图像关联标准信息相似度S0;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度≥相邻图像关联标准信息相似度S0,则表示相邻的图像信息中存在该用户的动态特征信息;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度<相邻图像关联标准信息相似度S0,则表示在相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符 。
进一步地,在判定相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符时,则更换两帧图像中的任意一张图像的视角图像后,在此进行动态特征信息的对比,以判定更新后的两张图像中的动态特征信息与相邻图像关联标准信息相似度S0的关系,并根据判定结果确定两帧图像中是否存在用户的动态特征信息,若存在,则保留对应的视角图像,若不存在则继续更新图像视角,直至遍历所有的视角组合。
进一步地,所述判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群包括:
预先设置有第一数量n1的标准静态参数集群以及相同数量的标准动态参数集群;
若在进行任意图像中的静态参数对比时,若实际图像中提取出来的静态参数的数量≤0.2×n1,则表示该实际图像中并不存在标准静态参数集群对应的用户静态模型;
若0.8×n1≥实际图像中提取出来的静态参数的数量>0.2×n1,则表示该实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断;
若实际图像中提取出来的静态参数的数量>0.8×n1,则表示该实际图像中存在标准静态参数集群对应的用户静态模型。
进一步地,若是对实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断时;
预先设置第一修正系数k1和第二修正系数k2,对标准静态参数集群中的参数进行修正后,形成新的标准静态参数集群,将实际采集到的静态参数的参数值与新的标准静态参数集群中的参数值进行比较,以确定实际图像是否存在用户静态模型。
进一步地,采用第一修正系数k1对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L′(x1×(1+k1),x2×(1+k1)…,xn×(1+k1))。
进一步地,采用第二修正系数k2对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L′′(x1×(1+k2),x2×(1+k2)…,xn×(1+k2))。
进一步地,所述根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量包括:
预先设置有第一结果、第二结果和第三结果,所述结果的相似度设置为第一关联度、第二结果设置为第二关联度、第三结果设置为第三关联度,所述第i关联度表示表示形成判断结果的各个图像信息的关联程度,i=1,2,3;
所述标准静态参数矩阵和动态参数矩阵中的参数量均设置有n个,若判定结果对应的图像信息的相似度为第一关联度,则表示利用相关性不大的图像得到的判定结果,此时需要采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第二关联度,此时维持所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第三关联度,此时利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量。
进一步地,采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n′=n×(1-α),其中1>α>0。
具体而言,利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n′′=n×(1+β),其中1>β>0。
与现有技术相比,本发明的有益效果在于,通过建立目标用户的标准静态参数集群和动态参数集群,并根据标准静态参数集群和动态参数集群建立静态模型和动态模型,然后利用从视频信息中提取的特征信息构建模型,比较实际模型与标准静态模型和动态模型的差异性,并判定特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,根据判定结果确定是否为目标用户,以及根据判断的结果更新标准静态参数矩阵和动态参数矩阵中的参数量,以在下一次判定时,对于是否为目标用户的判定更为精准和高效,通过对于参数集群中的数量进行动态调整,提高判定精度。
尤其,通过设置不同视角图像,便于对视频数据中的无用视频进行剔除,提高有效视频信息的数量,使得对于图像数据的角度更为丰富,提高数据信息的有效性,对于有效的图像进行处理,对于无效的图像进行剔除,提高图像处理的效率,便于提高进行人员身份判断的准确性和及时性。
尤其,通过对于任意图像集中的视角缺失图像的数量的判定,设置不同的处理方式,使得视频数据中的k帧图像中,若是视角图像缺失较多,高于0.8×k则将k帧图像进行删除,若存在视角图像的缺失的数量≤0.2×k,则将k帧图像进行保存,表示这些图像中的特征信息是可用的,就需要对这些图像进行存储备用,若是k帧图像中存在视角图像的缺失的数据处于中等级别,则对于这些图像是否可用,需要进行二次判定,通过多次对比判定,大大提高了可用图像的质量,使得视频图像中的数据信息更高效,包含的数据信息特征更丰富,以提高在进行身份识别时的高效性。
尤其,通过设置相邻图像关联标准信息相似度S0用以作为在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度的评判标准,并确定是否存在对应的用户动态特征信息,以对图像信息中特征信息的提取更为高效,并且进一步提高图像信息处理效率。
附图说明
图1为本发明实施例提供的从视频中进行人员身份判断的方法的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供的从视频中进行人员身份判断的方法包括:
步骤S100:获取视频信息,所述视频信息用以记录在待侦测范围内的人员流动信息,所述视频信息中包括若干帧图像,每帧图像中至少存在一个待提取特征信息;
步骤S200:从所述图像中提取所述待提取特征信息,所述待提取特征信息包括静态参数和动态参数;
步骤S300:预先设置有目标用户的标准静态参数集群和动态参数集群;
步骤S400:判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,并确定判断结果;
步骤S500:根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量。
具体而言,获取视频信息,该视频信息可以由处理器向视频采集单元发起提取指令,视频采集单元接收到提取指令后,基于该提取指令中的提取时段信息,从视频采集单元中提取与提取时段信息相符的视频信息,在实际应用中,若是获取指令获取某一天24小时内的视频信息,则视频采集单元将该24小时内的视频信息压缩后发送至处理器,以便于处理对24小时内的视频信息进行处理,还可以是提取2小时内的视频信息,还可以是其他时段,可以根据用户的实际需要进行设置时段信息,在此不一一列举。在实际应用中,在进行人员身份判定时,首先建立人员数据库,在人员数据中包含人员的多种姿态信息,比如静态的姿态如背对视频采集单元时的姿态信息,弯腰状态下的姿态信息,还可以是其他不同姿态下的姿态信息,并且为每个状态均设置有姿态模型,在实际应用中,用户还可以是在运动状态中,如行走或是奔跑中,动态姿态的判定是基于视频信息中的多帧图像数据中分析得知的,因此本发明实施例在进行动态姿态分析时从连续多帧图像中提取对应的数据信息,然后根据多帧图像中的变化时间,确定动态姿态信息,各人员的动态姿态模型是不同的,由于在实际生活中,每个人的生活习惯以及行走习惯,身体肌肉分布以及力量状况均不同,因此每个人员的静态模型和动态模型均具有唯一性,但是本发明实施例通过从视频图像中提取用户的静态参数和动态参数,然后与人员数据库中的静态模型与动态模型进行比较,确定与提取的参数拟合程度最高的模型,则将该模型对应的人员身份,判定为视频中包含该人员,确定视频中人员的身份信息,在本发明实施例中的动态模型和静态模型均是由动态参数集群和静态参数集群构建而成的。
具体而言,本发明实施例通过建立目标用户的标准静态参数集群和动态参数集群,并根据标准静态参数集群和动态参数集群建立静态模型和动态模型,然后利用从视频信息中提取的特征信息构建模型,比较实际模型与标准静态模型和动态模型的差异性,并判定特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,根据判定结果确定是否为目标用户,以及根据判断的结果更新标准静态参数矩阵和动态参数矩阵中的参数量,以在下一次判定时,对于是否为目标用户的判定更为精准和高效,通过对于参数集群中的数量进行动态调整,提高判定精度。
具体而言,在提取视频数据中的待提取特征信息时,设置第一视角图像,将第一视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第一视角图像;
设置第二视角图像,将第二视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第二视角图像;
设置第n视角图像,将第n视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第n视角图像;
若视频数据中的各视角图像均存在,则表示在视频数据中存在待提取特征信息,将该视频数据进行保存;
若在提取待提取特征信息时,在视频数据中的存在视角图像缺失时,则判断缺失的数量,并根据缺失的数量的多少确定是否提出对应的视频数据。
具体而言,本发明实施例通过设置不同视角图像,便于对视频数据中的无用视频进行剔除,提高有效视频信息的数量,使得对于图像数据的角度更为丰富,提高数据信息的有效性,对于有效的图像进行处理,对于无效的图像进行剔除,提高图像处理的效率,便于提高进行人员身份判断的准确性和及时性。
具体而言,根据缺失的数量的多少确定是否提出对应的视频数据时;
若在视频数据中的k帧图像中,若存在视角图像的缺失的数量≥0.8×k,则将k帧图像进行删除;
若存在视角图像的缺失的数量≤0.2×k,则将k帧图像进行保存;
若0.8×k >存在视角图像的缺失的数量>0.2×k,则将k帧图像进行二次判定,在进行二次判定时确定动态特征对比结果,并根据对比结果确定是否进行三次修正,或,停止对比。
具体而言,本发明实施例通过对于任意图像集中的视角缺失图像的数量的判定,设置不同的处理方式,使得视频数据中的k帧图像中,若是视角图像缺失较多,高于0.8×k则将k帧图像进行删除,若存在视角图像的缺失的数量≤0.2×k,则将k帧图像进行保存,表示这些图像中的特征信息是可用的,就需要对这些图像进行存储备用,若是k帧图像中存在视角图像的缺失的数据处于中等级别,则对于这些图像是否可用,需要进行二次判定,通过多次对比判定,大大提高了可用图像的质量,使得视频图像中的数据信息更高效,包含的数据信息特征更丰富,以提高在进行身份识别时的高效性。
具体而言,在进行动态特征进行对比时,设置相邻图像关联标准信息相似度S0;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度≥相邻图像关联标准信息相似度S0,则表示相邻的图像信息中存在该用户的动态特征信息;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度<相邻图像关联标准信息相似度S0,则表示在相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符。
具体而言,本发明实施例通过设置相邻图像关联标准信息相似度S0用以作为在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度的评判标准,并确定是否存在对应的用户动态特征信息,以对图像信息中特征信息的提取更为高效,并且进一步提高图像信息处理效率。
具体而言,在判定相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符时,则更换两帧图像中的任意一张图像的视角图像后,在此进行动态特征信息的对比,以判定更新后的两张图像中的动态特征信息与相邻图像关联标准信息相似度S0的关系,并根据判定结果确定两帧图像中是否存在用户的动态特征信息,若存在,则保留对应的视角图像,若不存在则继续更新图像视角,直至遍历所有的视角组合。
具体而言,在相邻的两帧图像分别为第一帧图像和第二帧图像,这两帧图像是24小时内的视频图像信息中的任意相邻两帧,在这两帧图像中是否存在用户的动态特征信息要进行判定,因此利用任意两帧图像与动态模型中的信息进行对比,以确定这两帧图像是否可用,但是在实际应用中,由于图像的视角不同,获取的用户信息也是不同的,因此采用更新图像视角的方式以获取在图像中的更多信息,提高对于动态特征的抓取效率,提高对比的准确性,进而提高人员身份判定的准确性。
具体而言,所述判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群包括:
预先设置有第一数量n1的标准静态参数集群以及相同数量的标准动态参数集群;
若在进行任意图像中的静态参数对比时,若实际图像中提取出来的静态参数的数量≤0.2×n1,则表示该实际图像中并不存在标准静态参数集群对应的用户静态模型;
若0.8×n1≥实际图像中提取出来的静态参数的数量>0.2×n1,则表示该实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断;
若实际图像中提取出来的静态参数的数量>0.8×n1,则表示该实际图像中存在标准静态参数集群对应的用户静态模型。
具体而言,本发明实施例通过对实际图像中提取出来的静态参数的数量所在的范围对是否存在标准静态参数集群对应的用户静态模型进行判断,进而确定实际图像的参考程度实现对图像数据的筛选,提高图像分析的准确性。
具体而言,若是对实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断时;
预先设置第一修正系数k1和第二修正系数k2,对标准静态参数集群中的参数进行修正后,形成新的标准静态参数集群,将实际采集到的静态参数的参数值与新的标准静态参数集群中的参数值进行比较,以确定实际图像是否存在用户静态模型。
具体而言,本发明实施例通过设置修正系数对标准静态参数集群中的参数进行修正,形成新的标准静态参数集群,经过两次对比之后得出的结果,若是均存在用户静态模型,则表示用户模型中的参数数据的数量正常,若是修正后标准静态参数集群不存在用户静态模型,修正前的标准静态参数集群存在用户静态模型,则选择修正后的标准静态参数集群作为新的静态参数集群,重新建立用户静态模型,本发明实施例通过修正系数对参数集群进行修正,进而对用户静态模型进行修正,提高用户模型构建的准确性,使得在进行人员判断时更为精确。
具体而言,采用第一修正系数k1对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L′(x1×(1+k1),x2×(1+k1)…,xn×(1+k1));
采用第二修正系数k2对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L′′(x1×(1+k2),x2×(1+k2)…,xn×(1+k2));
具体而言,本发明实施例通过不同的修正系数对标准静态参数集群中的参数分别进行修正,使得标准静态参数集群构建的静态模型的准确性更高,更符合用户的实际模型,提高进行对比确定的判定结果准确性,大大提高比较效率。
具体而言,所述根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量包括:
预先设置有第一结果、第二结果和第三结果,所述结果的相似度设置为第一关联度、第二结果设置为第二关联度、第三结果设置为第三关联度,所述第i关联度表示表示形成判断结果的各个图像信息的关联程度,i=1,2,3。
所述标准静态参数矩阵和动态参数矩阵中的参数量均设置有n个,若判定结果对应的图像信息的相似度为第一关联度,则表示利用相关性不大的图像得到的判定结果,此时需要采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第二关联度,此时维持所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第三关联度,此时利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量。
具体而言,本发明实施例通过对标准静态参数矩阵和动态参数矩阵中的参数量进行调整,使得判定结果内的图像信息的相似度的不同调整矩阵内的参数量,使得实际参数矩阵内的参数数量符合实际需要,在实际应用中,若是图像信息的相似度低,则降低参数矩阵内的参数数量,若时图像信息中的相似度高,则表示图像信息雷同重新信息较多,因此需要提高参数矩阵内的数量,添加更多的差异性信息,使得对于雷同或是差异性较小的图像进行更为精准的判定,提高用户模型的判定的准确性。
具体而言,采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n′=n×(1-α),其中1>α>0。
具体而言,利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n′′=n×(1+β),其中1>β>0。
具体而言,本发明实施例通过计算利用不同的调整系数进行调整后的参数矩阵内的参数量,使得在进行数据处理和模型构建的过程更为高效,大大提高人员判定的效率,节约使用时间,提高图像处理的效率和准确性。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种从视频中进行人员身份判断的方法,其特征在于,包括:
获取视频信息,所述视频信息用以记录在待侦测范围内的人员流动信息,所述视频信息中包括若干帧图像,每帧图像中至少存在一个待提取特征信息;
从所述图像中提取所述待提取特征信息,所述待提取特征信息包括静态参数和动态参数;
预先设置有目标用户的标准静态参数集群和动态参数集群;
判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群,并确定判断结果,根据判定结果确定是否为目标用户;
根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量;
在提取视频数据中的待提取特征信息时,设置第一视角图像,将第一视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第一视角图像;
设置第二视角图像,将第二视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第二视角图像;
设置第n视角图像,将第n视角图像与视频数据进行等比例遍历对比,确定视频数据中是否存在所述第n视角图像;
若视频数据中的各视角图像均存在,则表示在视频数据中存在待提取特征信息,将该视频数据进行保存;
若在提取待提取特征信息时,在视频数据中的存在视角图像缺失时,则判断缺失的数量,并根据缺失的数量的多少确定是否提出对应的视频数据。
2.根据权利要求1所述的从视频中进行人员身份判断的方法,其特征在于,
根据缺失的数量的多少确定是否提出对应的视频数据时;
若在视频数据中的k帧图像中,若存在视角图像的缺失的数量≥0.8×k,则将k帧图像进行删除;
若存在视角图像的缺失的数量≤0.2×k,则将k帧图像进行保存;
若0.8×k>存在视角图像的缺失的数量>0.2×k,则将k帧图像进行二次判定,在进行二次判定时确定动态特征对比结果,并根据对比结果确定是否进行三次修正,或,停止对比。
3.根据权利要求2所述的从视频中进行人员身份判断的方法,其特征在于,
在进行动态特征进行对比时,设置相邻图像关联标准信息相似度S0;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度≥相邻图像关联标准信息相似度S0,则表示相邻的图像信息中存在该用户的动态特征信息;
若在进行对比的相邻的两张图像中提取的动态特征信息与预先设置的用户动态模型中的特征信息的实际相似度<相邻图像关联标准信息相似度S0,则表示在相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符。
4.根据权利要求3所述的从视频中进行人员身份判断的方法,其特征在于,
在判定相邻的两帧图像中的动态特征信息与动态模型中的动态信息不符时,则更换两帧图像中的任意一张图像的视角图像后,在此进行动态特征信息的对比,以判定更新后的两张图像中的动态特征信息与相邻图像关联标准信息相似度S0的关系,并根据判定结果确定两帧图像中是否存在用户的动态特征信息,若存在,则保留对应的视角图像,若不存在则继续更新图像视角,直至遍历所有的视角组合。
5.根据权利要求4所述的从视频中进行人员身份判断的方法,其特征在于,
所述判断待提取特征信息中的静态参数是否属于所述标准静态参数集群以及动态参数是否属于动态参数集群包括:
预先设置有第一数量n1的标准静态参数集群以及相同数量的标准动态参数集群;
若在进行任意图像中的静态参数对比时,若实际图像中提取出来的静态参数的数量≤0.2×n1,则表示该实际图像中并不存在标准静态参数集群对应的用户静态模型;
若0.8×n1≥实际图像中提取出来的静态参数的数量>0.2×n1,则表示该实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断;
若实际图像中提取出来的静态参数的数量>0.8×n1,则表示该实际图像中存在标准静态参数集群对应的用户静态模型。
6.根据权利要求5所述的从视频中进行人员身份判断的方法,其特征在于,
若是对实际图像中是否存在标准静态参数集群对应的用户静态模型进一步判断时;
预先设置第一修正系数k1和第二修正系数k2,对标准静态参数集群中的参数进行修正后,形成新的标准静态参数集群,将实际采集到的静态参数的参数值与新的标准静态参数集群中的参数值进行比较,以确定实际图像是否存在用户静态模型。
7.根据权利要求6所述的从视频中进行人员身份判断的方法,其特征在于,采用第一修正系数k1对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L′(x1×(1+k1),x2×(1+k1)…,xn×(1+k1))。
8.根据权利要求7所述的从视频中进行人员身份判断的方法,其特征在于,采用第二修正系数k2对标准静态参数集群中的参数进行修正,设置标准静态参数集群为L(x1,x2…,xn),修正之后的新的标准静态参数集群为L″(x1×(1+k2),x2×(1+k2)…,xn×(1+k2))。
9.根据权利要求8所述的从视频中进行人员身份判断的方法,其特征在于,
所述根据所述判断结果更新所述标准静态参数矩阵和动态参数矩阵中的参数量包括:
预先设置有第一结果、第二结果和第三结果,所述第一结果的相似度设置为第一关联度、第二结果设置为第二关联度、第三结果设置为第三关联度,所述第i关联度表示表示形成判断结果的各个图像信息的关联程度,i=1,2,3;
所述标准静态参数矩阵和动态参数矩阵中的参数量均设置有n个,若判定结果对应的图像信息的相似度为第一关联度,则表示利用相关性不大的图像得到的判定结果,此时需要采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第二关联度,此时维持所述标准静态参数矩阵和动态参数矩阵中的参数量;
若判定结果对应的图像信息的相似度为第三关联度,此时利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量。
10.根据权利要求9所述的从视频中进行人员身份判断的方法,其特征在于,
采用第一调整系数α降低所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n′=n×(1-α),其中1>α>0;
具体而言,利用第二调整系数β提高所述标准静态参数矩阵和动态参数矩阵中的参数量,调整后的参数量为n″=n×(1+β),其中1>β>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256049.8A CN114783071B (zh) | 2022-03-16 | 2022-03-16 | 从视频中进行人员身份判断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256049.8A CN114783071B (zh) | 2022-03-16 | 2022-03-16 | 从视频中进行人员身份判断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783071A CN114783071A (zh) | 2022-07-22 |
CN114783071B true CN114783071B (zh) | 2023-04-28 |
Family
ID=82424996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256049.8A Active CN114783071B (zh) | 2022-03-16 | 2022-03-16 | 从视频中进行人员身份判断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783071B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821827A (zh) * | 2022-05-12 | 2022-07-29 | 杜福战 | 从视频中进行人员身份判断的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734125A (zh) * | 2018-05-21 | 2018-11-02 | 杭州杰视科技有限公司 | 一种开放空间的吸烟行为识别方法 |
CN110852203A (zh) * | 2019-10-28 | 2020-02-28 | 西安交通大学 | 一种基于视频特征学习的多要素可疑人员识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226597B (zh) * | 2007-01-18 | 2010-04-14 | 中国科学院自动化研究所 | 一种基于热红外步态的夜间行人识别方法及系统 |
CN102411368B (zh) * | 2011-07-22 | 2013-10-09 | 北京大学 | 机器人的主动视觉人脸跟踪方法和跟踪系统 |
CN109040669A (zh) * | 2018-06-28 | 2018-12-18 | 国网山东省电力公司菏泽供电公司 | 变电站智能视频围栏方法及系统 |
CN113643330B (zh) * | 2021-10-19 | 2022-03-25 | 青岛根尖智能科技有限公司 | 一种基于动态语义特征的目标跟踪方法及系统 |
-
2022
- 2022-03-16 CN CN202210256049.8A patent/CN114783071B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734125A (zh) * | 2018-05-21 | 2018-11-02 | 杭州杰视科技有限公司 | 一种开放空间的吸烟行为识别方法 |
CN110852203A (zh) * | 2019-10-28 | 2020-02-28 | 西安交通大学 | 一种基于视频特征学习的多要素可疑人员识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114783071A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
WO2021114622A1 (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
CN114783071B (zh) | 从视频中进行人员身份判断的方法 | |
CN106846336A (zh) | 提取前景图像、替换图像背景的方法及装置 | |
CN111462867B (zh) | 基于5g网络和区块链的智能移动医疗方法及系统 | |
CN110147833B (zh) | 人像处理方法、装置、系统和可读存储介质 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
CN110595017B (zh) | 空调温度设置方法、装置、计算机设备和存储介质 | |
CN112199530B (zh) | 多维度脸库图片自动更新方法、系统、设备及介质 | |
CN109800635A (zh) | 一种基于光流法的受限局部人脸关键点检测与跟踪方法 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN111402327B (zh) | 一种基于全卷积神经网络的室外照片太阳位置估计方法 | |
CN114462646B (zh) | 一种基于接触网安全巡检的杆号牌识别方法及系统 | |
CN113435483A (zh) | 一种定点抓拍方法及系统 | |
CN115148327A (zh) | 一种面向麻醉智能决策的多方协同原型系统及其方法 | |
CN116304179B (zh) | 一种获取目标视频的数据处理系统 | |
CN114821827A (zh) | 从视频中进行人员身份判断的方法 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN114399547B (zh) | 一种基于多帧的单目slam鲁棒初始化方法 | |
CN111860031A (zh) | 人脸姿态估计方法、装置、电子设备与可读存储介质 | |
CN112766122B (zh) | 一种基于证据融合理论的室内地标更新方法及装置 | |
CN112729275A (zh) | 一种利用因子分析的卫星反演图重力适配区选取方法 | |
CN112052727A (zh) | 一种基于大数据的人像识别分析系统及方法 | |
CN112288787A (zh) | 一种基于生物地理优化的多模态医学图像配准方法 | |
CN117558035B (zh) | 一种基于图像技术的人物身份识别系统及方法 |
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 |