CN114973310B - 一种基于红外热成像的被动人体定位方法及系统 - Google Patents
一种基于红外热成像的被动人体定位方法及系统 Download PDFInfo
- Publication number
- CN114973310B CN114973310B CN202210356477.8A CN202210356477A CN114973310B CN 114973310 B CN114973310 B CN 114973310B CN 202210356477 A CN202210356477 A CN 202210356477A CN 114973310 B CN114973310 B CN 114973310B
- Authority
- CN
- China
- Prior art keywords
- point
- human body
- points
- inner edge
- human
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001931 thermography Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 210000003128 head Anatomy 0.000 description 85
- 230000005855 radiation Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于红外热成像的被动人体定位方法及系统,属于红外人体定位领域,方法包括:根据红外热像仪采集的待测热图中各像素点温度值以及横纵坐标值,采用DBSCAN进行聚类,计算待测热图中各像素点的聚类类别;其中,聚类类别包括背景聚类和人体聚类;对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;将人体内边缘轮廓点的曲率与预设阈值对比,提取待测热图中人体头部边界框;基于人体头部边界框的特征参数,结合待测热图中人的相对位置、人体与红外热像仪之间的距离、红外热像仪的位置和DFoV,对人体进行定位。本发明提高了对人体定位的准确性,尤其在可见度较差的环境下适用性更强。
Description
技术领域
本发明属于红外人体定位领域,更具体地,涉及一种基于红外热成像的被动人体定位方法及系统。
背景技术
人体定位技术可以计算人的位置,并可以应用于许多基于位置的服务(例如导航,群体检测,智能家居,等等)。对于大多数人体定位系统来说,携带随身设备(如智能手机、平板电脑)的人需要主动发送信息进行定位,因此这种定位技术通常被称为基于设备的主动人体定位。例如,对于导航服务,有设备的用户会将自己的传感数据上传到云端服务器进行定位。另一方面,也有几种情况下,目标人不携带任何设备。例如,在智能家居中,可以部署无设备监控系统用于老年人跌倒检测,或用于其他活动识别。将这种方法称为无设备被动人体定位(DfP,device free passive),或简单地称为被动人体定位(PHL,passivehumanlocalization)。PHL的其他应用场景还包括入侵检测与跟踪、异常行为识别、户外资产保护等。
红外热像仪是利用光学成像物镜接收被测的红外辐射能量分布图形,反映到红外探测器的光敏元件上,从而获得红外热像图(以下简称热图);这种热图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图;热图上的不同颜色代表被测物体的不同温度。
红外热像仪可以在夜间和雾天中正常使用,对光线条件敏感度低,相比传统的红外相机和可见光相机具有更强的条件适应能力,应用范围更广。然而,目前缺乏利用红外热像仪对人体进行定位的研究。
同时,红外热像仪在分辨率较低的情况下较为昂贵(例如,一台分辨率仅为80 -62的红外热像仪价格可能超过100美元)。使用高分辨率红外热成像相机增加了成本,限制了其广泛部署的可行性。例如,在无人看管的电动汽车智能充电站(特别是在偏远的空间),在室外部署昂贵的红外热像仪往往是不安全的,有可能被损坏或被盗。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于红外热成像的被动人体定位方法及系统,旨在解决现有的人体定位方法在可见度较差的环境下,由于图案采集不清晰导致定位准确度较差的问题。
为实现上述目的,本发明的第一方面,提供一种基于红外热成像的被动人体定位方法,包括以下步骤:
根据红外热像仪采集的待测热图中各像素点温度值以及各像素点的横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别;其中,所述聚类类别包括背景聚类和人体聚类;
对比待测热图中各像素点与相邻像素点的聚类类别,获取人体内边缘轮廓点;
将所述人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及各像素点的横纵坐标值,提取待测热图中人体头部边界框;
根据所述待测热图中人体头部边界框,计算其对应特征参数;
将所述特征参数输入到被动人体定位模型中,根据预测的所述人体与红外热像仪之间的距离结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位。
在一些可能的实施方式中,所述“根据红外热像仪采集的待测热图中各像素点温度值以及各像素点的横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别”具体包括以下步骤:
对待测热图中各像素点温度值以及像素点的横纵坐标值进行数据归一化处理,采用DBSCAN形成多种聚类;
将平均温度低于第一温度阈值的聚类划分为背景聚类,将平均温度最高的聚类划分为人体聚类;
将与人体聚类相邻的预设区域非背景聚类划分为人体聚类。
在一些可能的实施方式中,当像素点之间的距离小于给定的阈值Eps,则合并附近的点,并生成多个簇;其中,每个簇的点大于预定义的最小点数MinPTs。
在一些可能的实施方式中,所述第一温度阈值为待测热图平均温度三分之一。
在一些可能的实施方式中,所述获取人体内边缘轮廓点的方法包括以下步骤:
选取人体聚类中每个像素点对应的两个相邻点,若其中一个相邻点属于背景聚类,另外一个相邻点属于人体聚类,则判定所述两个相邻点在人体聚类中对应的像素点为人体的边界,所有人体的边界构成人体的轮廓线;
比较所述轮廓线中各像素点与其8邻域范围内像素点的聚类类别是否相同,若不相同则判定轮廓线上相应像素点为人体轮廓点;
比较待测热图中最下一行各像素点与其水平方向上相邻像素点的聚类类别,若所述像素点左侧水平距离为1的相邻像素点为背景点,其右侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为右侧内边缘点;若所述像素点右侧水平距离为1的相邻像素点为背景点,其左侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为左侧内边缘点;
以左侧内边缘点为起点,将左侧内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点作为当前迭代获取的中间内边缘点;
将当前迭代获取的中间内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点更新当前迭代获取的中间内边缘点;以此类推,直至搜索到右侧内边缘点终止;
所有中间内边缘点、左侧内边缘点和右侧内边缘点构成人体内边缘轮廓点。
在一些可能的实施方式中,所述提取待测热图中人体头部边界框包括以下步骤:
计算所述人体内边缘轮廓点中每个内边缘轮廓点的曲率,若内边缘轮廓点的曲率大于预设阈值,则判定所述内边缘轮廓点为凹点;
选取曲率最大的两个凹点连接,将人体内边缘轮廓点分解为头聚类和体聚类;其中,所述头聚类的平均温度大于所述体聚类,且所述头聚类中的内边缘轮廓点凹度均小于1;
计算所述头聚类中内边缘轮廓点的横、纵坐标的最大值和最小值,获取四个顶点;
连接四个顶点形成一个人体头部边界框。
在一些可能的实施方式中,所述人体头部边界框的特征参数包括:头部区域内4邻域最大温度个数,头部区域内8邻域最大温度个数,人体头部边界框的上下左右边距,头部边界框的面积,头部边界框中心点与待测热图中心点在水平方向上的偏移距离,头部边界框中心点与待测热图中心点在垂直方向上的偏移距离,头部边界框内各像素点温度值的平均值、标准差和极差,头部边界框内最大与最小温度之间的差值,偏态系数,峰度系数,四分位间距,离散系数和方差。
在一些可能的实施方式中,所述人体定位模型包括:获取带聚类类别的热图数据集,计算热图数据集中各热图的特征参数,利用机器学习方法预测的所述人体与红外热像仪之间的距离;利用各热图中的人体头部边界框,确定人的相对位置、红外热像仪的位置和DFoV。
在一些可能的实施方式中,人体定位模型包括:假设红外热像仪焦距为f,最大温度点(通常在额头)为E,热图中心为O,红外热像仪的位置点为A;点D为最大温度点E垂直映射到地面上的点;则点E与点D之间的直线距离为:
其中,P(E,D)表示点E与点D之间的像素宽度,可以从热图中计算获取;d(A,E)=d 1为根据提取的特征集预测到的人到相机的距离;
设红外热像仪垂直映射到地面的点为,点E到直线/>的垂线的交点为/>,AE与/>之间的夹角为/>;因此,可以计算点E到直线/>的垂直距离为:
可以得到O与D之间的直线距离为:
其中,为点O与点D之间的像素宽度,可以从热图中计算获取;
因此,得到O与之间的直线距离为:
。
本发明的第二方面,提供一种基于红外热成像的被动人体定位系统,包括:
聚类计算模块,用于根据红外热像仪采集的待测热图中各像素点温度值以及横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别;其中,所述聚类类别包括背景聚类和人体聚类;
人体头部边界框确定模块,用于对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;将人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及像素点的横纵坐标,提取待测热图中人体头部边界框;
特征参数计算模块,根据所述人体头部边界框,计算其对应的特征参数;
定位计算模块,将所述特征参数输入到被动人体定位模型中,根据预测的所述人体与红外热像仪之间的距离结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位。
在一些可能的实施方式中,所述聚类计算模块包括聚类生成单元、聚类划分单元和人体聚类扩展单元;
所述聚类生成单元用于对待测热图中各像素点温度值以及像素点的横纵坐标值进行数据归一化处理,采用DBSCAN形成多种聚类;
所述聚类划分单元用于将平均温度低于待测热图第一温度阈值的聚类划分为背景聚类,将平均温度最高的聚类划分为人体聚类;
所述人体聚类扩展单元用于将与人体聚类相邻的预设区域非背景聚类划分为人体聚类。
在一些可能的实施方式中,当像素点之间的距离小于给定的阈值Eps,则合并附近的点,并生成多个簇;其中,每个簇的点大于预定义的最小点数MinPTs。
在一些可能的实施方式中,所述第一温度阈值为待测热图平均温度三分之一。
在一些可能的实施方式中,所述人体头部边界框确定模块包括:内边缘轮廓点提取单元和人体头部边界框生成单元;
所述内边缘轮廓点提取单元用于对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;
所述人体头部边界框生成单元用于将人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及像素点的横纵坐标,提取待测热图中人体头部边界框。
在一些可能的实施方式中,所述内边缘轮廓点提取单元包括:
人体轮廓线构建机构,用于选取人体聚类中每个像素点对应的两个相邻点,若其中一个相邻点属于背景聚类,另外一个相邻点属于人体聚类,则判定所述两个相邻点在人体聚类中对应的像素点为人体的边界,所有人体的边界构成人体的轮廓线;
人体轮廓点判定机构,用于比较所述轮廓线中各像素点与其8邻域范围内像素点的聚类标签是否相同,若不相同则判定轮廓线上相应像素点为人体轮廓点;
左右侧内边缘点获取机构,用于比较待测热图中最下一行各像素点与其水平方向上相邻像素点的聚类标签,若所述像素点左侧水平距离为1的相邻像素点为背景点,其右侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为右侧内边缘点;若所述像素点右侧水平距离为1的相邻像素点为背景点,其左侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为左侧内边缘点;
中间内边缘点获取机构,用于以左侧内边缘点为起点,将左侧内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点作为当前迭代获取的中间内边缘点;将当前迭代获取的中间内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点更新当前迭代获取的中间内边缘点;以此类推,直至搜索到右侧内边缘点终止;所有中间内边缘点、左侧内边缘点和右侧内边缘点构成人体内边缘轮廓点。
在一些可能的实施方式中,所述人体头部边界框生成单元包括:
凹点判定机构,用于计算所述人体内边缘轮廓点中每个内边缘轮廓点的曲率,若内边缘轮廓点的曲率大于预设阈值,则判定所述内边缘轮廓点为凹点;
人体内边缘轮廓点分解机构,用于选取曲率最大的两个凹点连接,将人体内边缘轮廓点分解为头聚类和体聚类;其中,所述头聚类的平均温度大于所述体聚类,且所述头聚类中的内边缘轮廓点凹度均小于1;
顶点获取机构,用于计算所述头聚类中内边缘轮廓点的横、纵坐标的最大值和最小值,获取四个顶点;连接四个顶点形成一个人体头部边界框。
在一些可能的实施方式中,所述人体头部边界框的特征参数包括:头部区域内4邻域最大温度个数,头部区域内8邻域最大温度个数,人体头部边界框的上下左右边距,头部边界框的面积,头部边界框中心点与待测热图中心点在水平方向上的偏移距离,头部边界框中心点与待测热图中心点在垂直方向上的偏移距离,头部边界框内各像素点温度值的平均值、标准差和极差,头部边界框内最大与最小温度之间的差值,偏态系数,峰度系数,四分位间距,离散系数和方差。
在一些可能的实施方式中,所述人体定位模型包括:获取带聚类类别的热图数据集,计算热图数据集中各热图的特征参数,利用机器学习方法预测的所述人体与红外热像仪之间的距离;利用各热图中的人体头部边界框,确定人的相对位置、红外热像仪的位置和DFoV。
在一些可能的实施方式中,人体定位模型包括:假设红外热像仪焦距为f,最大温度点(通常在额头)为E,热图中心为O,红外热像仪的位置点为A;点D为最大温度点E垂直映射到地面上的点;则点E与点D之间的直线距离为:
其中,P(E,D)表示点E与点D之间的像素宽度,可以从热图中计算获取;d(A,E)=d 1为根据提取的特征集预测到的人到相机的距离;
设红外热像仪垂直映射到地面的点为,点E到直线/>的垂线的交点为/>,AE与/>之间的夹角为/>;因此,可以计算点E到直线/>的垂直距离为:
得到O与D之间的直线距离为:
其中,为点O与点D之间的像素宽度,从热图中计算获取;
因此,得到O与之间的直线距离为:
。
本发明的第三方面,提供一种监控装置,包括本发明的第一方面的一种基于红外热成像的被动人体定位方法或本发明的第二方面的一种基于红外热成像的被动人体定位系统。
本发明的第四方面,提供一种充电站,包括本发明的第一方面的一种基于红外热成像的被动人体定位方法或本发明的第二方面的一种基于红外热成像的被动人体定位系统。
本发明的第五方面,提供一种换电站,包括本发明的第一方面的一种基于红外热成像的被动人体定位方法或本发明的第二方面的一种基于红外热成像的被动人体定位系统。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
由于红外热像仪是利用光学成像物镜接收被测的红外辐射能量分布图像,反映到红外探测器的光敏元件上,从而获得的红外热像图,因此,相比于现有的可见光照相机,在可见度较差的情况下,红外热像图的准确度较高;基于红外热像图中各像素点的温度值,人体温度值大于环境温度,对待测热图中各像素点进行聚类,经过两步获取人体头部边界框,第一步获取人体内边缘轮廓点,第二步考虑到四肢和躯干容易被遮挡,截取人体头部边界框,使得对人体定位更加准确;在上述基础上,考虑到人体与红外热像仪之间的距离与人体头部边界框强相关,因此,提取人体头部边界框的特征参数,计算人体与红外热像仪之间的距离,进而结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位。与现有技术相比,本发明明显提高了对人体定位的准确性,尤其在可见度较差的环境下,适用性更强。
附图说明
图1是本发明实施例提供的基于红外热像仪的人-机测距方法的流程图;
图2是本发明实施例提供的步骤S20的流程图;
图3是本发明实施例提供的热图人体轮廓示意图;
图4是本发明实施例提供的热图人体头部边界框示意图;
图5是本发明实施例提供的头部区域内各系数随距离变化的曲线;
图6是本发明实施例提供的基于红外热像仪的人体定位模型架构图;
图7是本发明实施例提供的热图人体定位计算示意图。
图中:100、聚类计算模块;200、人体头部边界框确定模块;300、特征参数计算模块;400、定位计算模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。
本发明整体思路:
在实际应用场景中,系统运行的终端设备(如智能相机)的计算能力有限,本发明的目标是通过低分辨率对人体的像素级温度使用机器学习技术,设计一种轻量级的PHL方法,而不是在热图上使用深度学习技术。
为了在FoI中定位人体,本发明首先估计人与红外热成像相机之间的距离;初步实验表明,头部大小及其在热图中的位置与人-相机距离密切相关,可以作为距离估计的良好指标;然而,单纯使用头部的大小和位置是不足以实现距离估计的高精度;因此,本发明人工选取头部温度的统计特征,实验结果表明,温度的统计特征也能很好地预测人与相机之间的距离;所有特征均被输入至一个机器学习框架(例如,LightGBM),以推断人到相机的距离;利用估算的距离,根据人在热图中的相对位置,估算出人与红外热像仪之间的距离、红外热像仪的位置和视场DfoV (Field of View)来计算人的位置。
现有的被动人体定位方法利用的无线信号通常部署在室内,本发明试图解决PHL问题,即人体活跃在兴趣领域(FoI,field of interest)通过在室内或室外预先部署的红外热像仪(IR,Infrared Radiation)成像;与RGB(Red Green Blue)相机相比,在昏暗环境下,RGB相机和传统红外相机都不能很好地工作;然而红外热像仪具有一些独特的应用场景,它可以监测FoI中目标的温度并输出像素级温度,而且不受光照条件差的影响;例如,它已被部署在许多室内拥挤的环境(如火车站、超市、室内监控等)。也可以部署在户外(如电动汽车的智能充电站、换电站、室外监控),监测充电过程中的电池温度,达到自燃温度时发送报警信息,或检测异常行为事件(如吸烟检测、入侵检测)。
实施例
一方面,本实施例提供了一种基于红外热成像的被动人体定位方法,可应用于安防领域,具体可用于周界入侵检测等,如图1所示,本实施例提供了基于红外热成像的被动人体定位方法流程图,具体包括以下步骤:
S10:获取红外热像仪采集的待测热图,根据所述待测热图中各像素点温度值以及像素点的横纵坐标值,计算待测热图中各像素点的聚类类别标签;
其中,聚类类别标签包括背景聚类标签和人体聚类标签;
具体说明如下:
对于待测热图中的每个像素点pi,基于其横纵坐标和该像素点的温度值(x i,y i,T i),使用DBSCAN进行聚类。
S10.1:由于属于不同的对象两个遥远的点可能有类似的温度,在聚类时引入了该点的坐标值;由于(x i,y i,T i)这三个特征的大小不同,在聚类之前首先要对数据进行归一化,以便于Eps阈值的设置;然后,将DBSCAN应用于待测热图中各像素点,得到多个簇;
具体过程为:
根据每个像素p(i)有三个属性,即x坐标x i,y坐标y i和温度T i,采用基于密度的空间聚类方法DBScan算法,计算各像素点之间的距离(通常用欧氏距离度量);
若像素点之间的距离(通常欧氏距离度量)小于给定的阈值Eps,则合并附近的点,并生成多个簇;其中,每个簇的点大于预定义的最小点数MinPTs。
S10.2:由于待测热图中背景的点具有相似的温度,可以将它们组合在一起形成一个聚类(称为背景聚类),背景聚类中点的平均温度小于对应于一个人的点所形成的聚类;然而如果背景由一个人分割,则可能有多个背景集群;由于背景具有较低的温度倾向,将平均温度低于整个热图平均温度的三分之一的聚类视为背景聚类;因此,一方面,背景聚类很容易被识别;另一方面,人体聚类(即人体区域对应的聚类)的平均温度最高,容易被识别。
S10.3:对于已经确定的背景聚类和人体聚类,通过合并相邻的人体聚类的非背景聚类以进一步优化聚类结果;类似地,临近人体的非背景聚类也被视为人体的一部分,从而可以派生出更大的人体聚类。
S20:根据所述待测热图中各像素点的聚类类别标签,确定热图中人体头部边界框;如图2所示,具体包括以下步骤:
S22:根据所述待测热图中各像素点的聚类类别标签,确定该热图中人体内边缘轮廓点;具体包括以下步骤:
通过定位人的边界以确定人体的轮廓线:对于人体聚类的每个点,如果它有两个相邻的点,一个属于背景聚类,一个属于人体聚类,则它是在人体的边界上;
比较轮廓线中各像素点与其八邻域范围内类别是否相同,如果不相同则该像素点为人体轮廓点;
比较待测热图中最下一行上各像素点与其水平方向相邻像素点的类别,对于任一轮廓点,若其左侧水平距离为1的相邻像素点为背景点,其右侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则该像素点为右侧内边缘点;若其右侧水平距离为1的相邻像素点为背景点,其左侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则该像素点为左侧内边缘点;
以左侧内边缘点为起点,将该点周围8邻域范围内的各像素点,按照上、右、下、左的顺序分为8个象限;若点为人体轮廓点,则其为内边缘点,直到搜索到右侧内边缘点终止。如图3所示,图3是本发明实施例提供的热图人体轮廓示意图。
S24:根据所述待测热图中人体内边缘轮廓点,确定并提取人体头部边界框;
需要说明的是,S22中确定的人体轮廓点可能包含头部、四肢和躯干,由于四肢和躯干容易被遮挡,因此本实施例选择头部作为测距的主要标准,可提高测距准确度。
具体地,提取人体头部边界框,具体包括以下步骤:
计算每一个内边缘轮廓点的曲率,若曲率大于预设阈值,则将对应内边缘轮廓点定义为凹点;
若某凹点的周围存在多个凹点,则取其中曲率最大值的点为凹点;
通过识别出的凹点和计算出的内边缘,确定是否存在一个人以及该人在热图中的位置;
更为具体地,如果存在两个凹点,则将它们连接起来,并将聚类分解为两个子聚类;如果有一个子聚类,其平均温度在相邻聚类中局部最大,且该子聚类中的内边缘轮廓点凹度均小于1,则该子聚类将被识别为头聚类,另一子聚类将被识别为体聚类;
计算头聚类中内边缘轮廓点的横、纵坐标的最大值和最小值,得到四个顶点,连接四个顶点形成一个人体头部边界框,如图4所示;图4为本实施例提供的热图人体头部边界框示意图。
S30:根据所述待测热图中人体头部边界框,计算其对应特征参数;
当人体逐渐接近红外热像仪时,热图中的头部区域占比逐渐增大;反之,当人体逐渐远离热像仪时,头部区域占比逐渐减小;本实施例构建的特征参数包括:头部区域内4邻域最大温度个数和8邻域温度个数;人体头部边界框的上下左右边距;头部边界框的面积;头部边界框中心点与待测热图中心点在水平方向和垂直方向上的偏移距离;头部边界框中心点与图片中心点之间的距离;根据头部边界框内各像素点温度值获取的温度平均值、标准差、极差、最大和最小温度之间的差值、偏态系数、峰度系数、四分位间距、离散系数和方差。
如图5所示,图5是本实施例提供的头部区域内4邻域最大温度个数和8邻域温度个数,人体头部边界框的上下左右边距,头部边界框的面积,头部边界框中心点与图片中心点在水平方向和垂直方向上的偏移距离,头部边界框中心点与图片中心点之间的距离,头部边界框内各像素点温度值的平均值、标准差、极差、最大和最小温度之间的差值、偏态系数、峰度系数、四分位间距、离散系数和方差随距离变化的曲线图。
S40:将特征参数输入到预先构建的被动人体定位模型中,根据热图中人的相对位置、预测到的人-机距离、红外热像仪的位置和DFoV,计算人的定位;
在现实环境下对人体定位模型和特征值进行实测,构建带标签的热图数据集;利用热图中人的相对位置、预测到的人-机距离、红外热像仪的位置和DFoV,计算人的定位。
被动人体定位模型的构建过程为:
a.获取带聚类标签的热图数据集,计算热图数据集中各热图的特征参数,利用机器学习方法LightGBM预测人体-机体的距离;
b.利用各热图中的人体头部边界框,确定人的相对位置、红外热像仪的位置和DFoV;
c.利用热图中人的相对位置、预测到的人体-机体的距离、红外热像仪的位置和DFoV,计算人体的定位。
图6是本实施例提供的一种基于红外热成像的被动人体定位系统,包括:
聚类计算模块100,用于根据红外热像仪采集的待测热图中各像素点温度值以及横纵坐标值,采用DBSCAN进行聚类,计算待测热图中各像素点的聚类类别;其中,所述聚类类别包括背景聚类和人体聚类。
人体头部边界框确定模块200,用于对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;将人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及像素点的横纵坐标,提取待测热图中人体头部边界框。
特征参数计算模块300,用于根据人体头部边界框,计算其对应特征参数。
定位计算模块400,用于将特征参数输入到预先构建的被动人体定位模型中,根据热图中人的相对位置、预测到的人-机距离、红外热像仪的位置和DFoV,计算人的定位。
需要说明的是,图6中各个模块的功能参见方法实施例中的详细介绍,在此不做赘述。
图7是本实施例中热图人体定位计算示意图;假设红外热像仪焦距为f,最大温度点(通常在额头)为E,热图中心为O,红外热像仪的位置点为A;点D为最大温度点E垂直映射到地面上的点;则点E与点D之间的直线距离为:
其中,P(E,D)表示点E与点D之间的像素宽度,可以从热图中计算获取;d(A,E)=d 1为根据提取的特征集预测到的人到相机的距离。
设红外热像仪垂直映射到地面的点为,点E到直线/>的垂线的交点为/>,AE与/>之间的夹角为/>;因此,可以计算点E到直线/>的垂直距离为:
可以得到O与D之间的直线距离为:
其中,为点O与点D之间的像素宽度,可以从热图中计算获取;
因此,得到O与之间的直线距离为:
由于红外热像仪在地面上的位置已知,可以容易计算出O的位置,计算出D和E的位置也就得到了人的位置。
本发明提供的一种基于红外热成像的被动人体定位方法及系统,通过对红外热像仪获取的热图进行各像素点聚类标签计算、头部边界框提取、特征集构建、可对人与红外热像仪之间的距离和人与红外热像仪的相对位置进行测定,实现对人体的被动定位;且采用人体头部作为测距标准,可有效提高测距准确度。
本发明与现有技术相比,存在以下优势:
由于红外热像仪是利用光学成像物镜接收被测的红外辐射能量分布图像,反映到红外探测器的光敏元件上,从而获得的红外热像图,因此,相比于现有的可见光照相机,在可见度较差的情况下,红外热像图的准确度较高;基于红外热像图中各像素点的温度值,人体温度值大于环境温度,对待测热图中各像素点进行聚类,经过两步获取人体头部边界框,第一步获取人体内边缘轮廓点,第二步考虑到四肢和躯干容易被遮挡,截取人体头部边界框,使得对人体定位更加准确;在上述基础上,考虑到人体与红外热像仪之间的距离与人体头部边界框强相关,因此,提取人体头部边界框的特征参数,计算人体与红外热像仪之间的距离,进而结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位。与现有技术相比,本发明明显提高了对人体定位的准确性,尤其在可见度较差的环境下,适用性更强。
本领域的技术人员容易理解,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 (15)
1.一种基于红外热成像的被动人体定位方法,其特征在于,包括以下步骤:
根据红外热像仪采集的待测热图中各像素点温度值以及各像素点的横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别;其中,所述聚类类别包括背景聚类和人体聚类;
对比待测热图中各像素点与相邻像素点的聚类类别,获取人体内边缘轮廓点;
将所述人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及各像素点的横纵坐标值,提取待测热图中人体头部边界框;
根据所述待测热图中人体头部边界框,计算其对应特征参数;
将所述特征参数输入到被动人体定位模型中,根据预测的所述人体与红外热像仪之间的距离结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位,
所述获取人体内边缘轮廓点的方法包括以下步骤:
选取人体聚类中每个像素点对应的两个相邻点,若其中一个相邻点属于背景聚类,另外一个相邻点属于人体聚类,则判定所述两个相邻点在人体聚类中对应的像素点为人体的边界,所有人体的边界构成人体的轮廓线;
比较所述轮廓线中各像素点与其8邻域范围内像素点的聚类类别是否相同,若不相同则判定轮廓线上相应像素点为人体轮廓点;
比较待测热图中最下一行各像素点与其水平方向上相邻像素点的聚类类别,若所述像素点左侧水平距离为1的相邻像素点为背景点,其右侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为右侧内边缘点;若所述像素点右侧水平距离为1的相邻像素点为背景点,其左侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为左侧内边缘点;
以左侧内边缘点为起点,将左侧内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点作为当前迭代获取的中间内边缘点;
将当前迭代获取的中间内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点更新当前迭代获取的中间内边缘点;以此类推,直至搜索到右侧内边缘点终止;
所有中间内边缘点、左侧内边缘点和右侧内边缘点构成人体内边缘轮廓点;
所述提取待测热图中人体头部边界框包括以下步骤:
计算所述人体内边缘轮廓点中每个内边缘轮廓点的曲率,若内边缘轮廓点的曲率大于预设阈值,则判定所述内边缘轮廓点为凹点;
选取曲率最大的两个凹点连接,将人体内边缘轮廓点分解为头聚类和体聚类;其中,所述头聚类的平均温度大于所述体聚类,且所述头聚类中的内边缘轮廓点凹度均小于1;
计算所述头聚类中内边缘轮廓点的横、纵坐标的最大值和最小值,获取四个顶点;
连接四个顶点形成一个人体头部边界框,
人体定位模型包括:假设红外热像仪焦距为f,最大温度点为E,热图中心为O,红外热像仪的位置点为A;点D为最大温度点E垂直映射到地面上的点;则点E与点D之间的直线距离为:
其中,P(E,D)表示点E与点D之间的像素宽度,可以从热图中计算获取;d(A,E)=d1为根据提取的特征集预测到的人到相机的距离;
设红外热像仪垂直映射到地面的点为,点E到直线/>的垂线的交点为/>,AE与之间的夹角为/>;因此,可以计算点E到直线/>的垂直距离为:
可以得到O与D之间的直线距离为:
其中,为点O与点D之间的像素宽度,可以从热图中计算获取;
因此,得到O与之间的直线距离为/>。
2.根据权利要求1所述的一种基于红外热成像的被动人体定位方法,其特征在于,所述“根据红外热像仪采集的待测热图中各像素点温度值以及各像素点的横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别”具体包括以下步骤:
对待测热图中各像素点温度值以及像素点的横纵坐标值进行数据归一化处理,采用DBSCAN形成多种聚类;
将平均温度低于第一温度阈值的聚类划分为背景聚类,将平均温度最高的聚类划分为人体聚类;
将与人体聚类相邻的预设区域非背景聚类划分为人体聚类。
3.根据权利要求2所述的一种基于红外热成像的被动人体定位方法,其特征在于,当像素点之间的距离小于给定的阈值Eps,则合并附近的点,并生成多个簇;其中,每个簇的点大于预定义的最小点数MinPTs。
4.根据权利要求2所述的一种基于红外热成像的被动人体定位方法,其特征在于,所述第一温度阈值为待测热图平均温度三分之一。
5.根据权利要求1所述的一种基于红外热成像的被动人体定位方法,其特征在于,所述人体头部边界框的特征参数包括:头部区域内4邻域最大温度个数,头部区域内8邻域最大温度个数,人体头部边界框的上下左右边距,头部边界框的面积,头部边界框中心点与待测热图中心点在水平方向上的偏移距离,头部边界框中心点与待测热图中心点在垂直方向上的偏移距离,头部边界框内各像素点温度值的平均值、标准差和极差,头部边界框内最大与最小温度之间的差值,偏态系数,峰度系数,四分位间距,离散系数和方差。
6.根据权利要求1所述的一种基于红外热成像的被动人体定位方法,其特征在于,所述人体定位模型包括:获取带聚类类别的热图数据集,计算热图数据集中各热图的特征参数,利用机器学习方法预测的所述人体与红外热像仪之间的距离;利用各热图中的人体头部边界框,确定人的相对位置、红外热像仪的位置和DFoV。
7.一种基于红外热成像的被动人体定位系统,其特征在于,包括:
聚类计算模块(100),用于根据红外热像仪采集的待测热图中各像素点温度值以及横纵坐标值,进行聚类分析,计算待测热图中各像素点的聚类类别;其中,所述聚类类别包括背景聚类和人体聚类;
人体头部边界框确定模块(200),用于对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;将人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及像素点的横纵坐标,提取待测热图中人体头部边界框;
特征参数计算模块(300),根据所述人体头部边界框,计算其对应的特征参数;
定位计算模块(400),将所述特征参数输入到被动人体定位模型中,根据预测的所述人体与红外热像仪之间的距离结合待测热图中人的相对位置、红外热像仪的位置和DFoV,对人体进行定位,
所述人体头部边界框确定模块(200)包括:内边缘轮廓点提取单元和人体头部边界框生成单元;
所述内边缘轮廓点提取单元用于对比待测热图中各像素点与相邻像素点的类别,获取人体内边缘轮廓点;
所述人体头部边界框生成单元用于将人体内边缘轮廓点的曲率与预设阈值对比,结合所述各像素点温度值以及像素点的横纵坐标,提取待测热图中人体头部边界框,
所述内边缘轮廓点提取单元包括:
人体轮廓线构建机构,用于选取人体聚类中每个像素点对应的两个相邻点,若其中一个相邻点属于背景聚类,另外一个相邻点属于人体聚类,则判定所述两个相邻点在人体聚类中对应的像素点为人体的边界,所有人体的边界构成人体的轮廓线;
人体轮廓点判定机构,用于比较所述轮廓线中各像素点与其8邻域范围内像素点的聚类标签是否相同,若不相同则判定轮廓线上相应像素点为人体轮廓点;
左右侧内边缘点获取机构,用于比较待测热图中最下一行各像素点与其水平方向上相邻像素点的聚类标签,若所述像素点左侧水平距离为1的相邻像素点为背景点,其右侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为右侧内边缘点;若所述像素点右侧水平距离为1的相邻像素点为背景点,其左侧水平距离为1的相邻像素点为人体轮廓点,且其左侧水平距离为2的相邻像素点为人体轮廓点,则所述像素点为左侧内边缘点;
中间内边缘点获取机构,用于以左侧内边缘点为起点,将左侧内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点作为当前迭代获取的中间内边缘点;将当前迭代获取的中间内边缘点8邻域范围内的各像素点按照上、右、下和左的顺序分为8个象限,搜索8个象限内的轮廓点更新当前迭代获取的中间内边缘点;以此类推,直至搜索到右侧内边缘点终止;所有中间内边缘点、左侧内边缘点和右侧内边缘点构成人体内边缘轮廓点,
所述人体头部边界框生成单元包括:
凹点判定机构,用于计算所述人体内边缘轮廓点中每个内边缘轮廓点的曲率,若内边缘轮廓点的曲率大于预设阈值,则判定所述内边缘轮廓点为凹点;
人体内边缘轮廓点分解机构,用于选取曲率最大的两个凹点连接,将人体内边缘轮廓点分解为头聚类和体聚类;其中,所述头聚类的平均温度大于所述体聚类,且所述头聚类中的内边缘轮廓点凹度均小于1;
顶点获取机构,用于计算所述头聚类中内边缘轮廓点的横、纵坐标的最大值和最小值,获取四个顶点;连接四个顶点形成一个人体头部边界框,
人体定位模型包括:假设红外热像仪焦距为f,最大温度点为E,热图中心为O,红外热像仪的位置点为A;点D为最大温度点E垂直映射到地面上的点;则点E与点D之间的直线距离为:
其中,P(E,D)表示点E与点D之间的像素宽度,可以从热图中计算获取;d(A,E)=d 1为根据提取的特征集预测到的人到相机的距离;
设红外热像仪垂直映射到地面的点为,点E到直线/>的垂线的交点为/>,AE与之间的夹角为/>;因此,可以计算点E到直线/>的垂直距离为:
得到O与D之间的直线距离为:
其中,为点O与点D之间的像素宽度,从热图中计算获取;
因此,得到O与之间的直线距离为:
。
8.根据权利要求7所述的一种基于红外热成像的被动人体定位系统,其特征在于,所述聚类计算模块(100)包括聚类生成单元、聚类划分单元和人体聚类扩展单元;
所述聚类生成单元用于对待测热图中各像素点温度值以及像素点的横纵坐标值进行数据归一化处理,采用DBSCAN形成多种聚类;
所述聚类划分单元用于将平均温度低于待测热图第一温度阈值的聚类划分为背景聚类,将平均温度最高的聚类划分为人体聚类;
所述人体聚类扩展单元用于将与人体聚类相邻的预设区域非背景聚类划分为人体聚类。
9.根据权利要求8所述的一种基于红外热成像的被动人体定位系统,其特征在于,当像素点之间的距离小于给定的阈值Eps,则合并附近的点,并生成多个簇;其中,每个簇的点大于预定义的最小点数MinPTs。
10.根据权利要求8所述的一种基于红外热成像的被动人体定位系统,其特征在于,所述第一温度阈值为待测热图平均温度三分之一。
11.根据权利要求7所述的一种基于红外热成像的被动人体定位系统,其特征在于,所述人体头部边界框的特征参数包括:头部区域内4邻域最大温度个数,头部区域内8邻域最大温度个数,人体头部边界框的上下左右边距,头部边界框的面积,头部边界框中心点与待测热图中心点在水平方向上的偏移距离,头部边界框中心点与待测热图中心点在垂直方向上的偏移距离,头部边界框内各像素点温度值的平均值、标准差和极差,头部边界框内最大与最小温度之间的差值,偏态系数,峰度系数,四分位间距,离散系数和方差。
12.根据权利要求7所述的一种基于红外热成像的被动人体定位系统,其特征在于,所述人体定位模型包括:获取带聚类类别的热图数据集,计算热图数据集中各热图的特征参数,利用机器学习方法预测的所述人体与红外热像仪之间的距离;利用各热图中的人体头部边界框,确定人的相对位置、红外热像仪的位置和DFoV。
13.一种监控装置,其特征在于,用于实现权利要求1-6任一项所述的一种基于红外热成像的被动人体定位方法,或包括权利要求7-12任一项所述的一种基于红外热成像的被动人体定位系统。
14.一种充电站,其特征在于,用于实现权利要求1-6任一项所述的一种基于红外热成像的被动人体定位方法,或包括权利要求7-12任一项所述的一种基于红外热成像的被动人体定位系统。
15.一种换电站,其特征在于,用于实现权利要求1-6任一项所述的一种基于红外热成像的被动人体定位方法,或包括权利要求7-12任一项所述的一种基于红外热成像的被动人体定位系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210356477.8A CN114973310B (zh) | 2022-04-06 | 2022-04-06 | 一种基于红外热成像的被动人体定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210356477.8A CN114973310B (zh) | 2022-04-06 | 2022-04-06 | 一种基于红外热成像的被动人体定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973310A CN114973310A (zh) | 2022-08-30 |
CN114973310B true CN114973310B (zh) | 2024-06-07 |
Family
ID=82977158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210356477.8A Active CN114973310B (zh) | 2022-04-06 | 2022-04-06 | 一种基于红外热成像的被动人体定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973310B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471874B (zh) * | 2022-10-28 | 2023-02-07 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
CN116735527B (zh) * | 2023-06-09 | 2024-01-05 | 湖北经济学院 | 一种近红外光谱优化方法、装置、系统以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036257A (zh) * | 2020-08-07 | 2020-12-04 | 华中师范大学 | 一种无感知人脸图像采集方法和系统 |
CN112307955A (zh) * | 2020-10-29 | 2021-02-02 | 广西科技大学 | 一种基于ssd红外图像行人检测的优化方法 |
CN112418251A (zh) * | 2020-12-10 | 2021-02-26 | 研祥智能科技股份有限公司 | 红外体温检测方法及系统 |
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210201074A1 (en) * | 2011-03-29 | 2021-07-01 | Thermal Matrix USA, Inc. | Method and system for detecting concealed objects using handheld thermal imager |
JP6549797B2 (ja) * | 2016-12-27 | 2019-07-24 | シェンチェン ユニバーシティー | 通行人の頭部識別方法及びシステム |
-
2022
- 2022-04-06 CN CN202210356477.8A patent/CN114973310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036257A (zh) * | 2020-08-07 | 2020-12-04 | 华中师范大学 | 一种无感知人脸图像采集方法和系统 |
CN112307955A (zh) * | 2020-10-29 | 2021-02-02 | 广西科技大学 | 一种基于ssd红外图像行人检测的优化方法 |
CN112418251A (zh) * | 2020-12-10 | 2021-02-26 | 研祥智能科技股份有限公司 | 红外体温检测方法及系统 |
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
Non-Patent Citations (1)
Title |
---|
前视红外地面待机目标轮廓提取方法;陈世伟;张胜修;杨小冈;齐乃新;;系统工程与电子技术;20170322(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114973310A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
CN114973310B (zh) | 一种基于红外热成像的被动人体定位方法及系统 | |
US9959455B2 (en) | System and method for face recognition using three dimensions | |
CN110645986B (zh) | 定位方法及装置、终端、存储介质 | |
JP4970195B2 (ja) | 人物追跡システム、人物追跡装置および人物追跡プログラム | |
Zhang et al. | Ev-loc: integrating electronic and visual signals for accurate localization | |
CN111445531B (zh) | 一种多目相机导航方法、装置、设备及存储介质 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
CN109116298B (zh) | 一种定位方法、存储介质及定位系统 | |
Nyaruhuma et al. | Verification of 2D building outlines using oblique airborne images | |
Santo et al. | Device-free and privacy preserving indoor positioning using infrared retro-reflection imaging | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN113988228B (zh) | 一种基于rfid和视觉融合的室内监控方法及系统 | |
CN112541403B (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN110636248A (zh) | 目标跟踪方法与装置 | |
CN116486480A (zh) | 一种基于点云的人体跌倒检测方法及装置 | |
CN116152471A (zh) | 基于视频流的厂区安全生产监管方法及其系统、电子设备 | |
KR20050052657A (ko) | 비젼기반 사람 검출방법 및 장치 | |
CN110910379B (zh) | 一种残缺检测方法及装置 | |
TWI730795B (zh) | 多目標人體體溫追蹤方法及系統 | |
CN114286282A (zh) | 基于手机WiFi RSS数据和降维算法的指纹定位方法 | |
Van den Berghe et al. | Fusing camera and Wi-Fi sensors for opportunistic localization | |
Zhang et al. | 3D pedestrian tracking and frontal face image capture based on head point detection | |
Mei et al. | Human localization and identification by combining visual detection and UWB | |
Yin et al. | A Vision-Based Ranging Algorithm Combining Monocular Camera and Laser for Indoor Positioning |
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 |