CN115019373A - 对特定人物进行跟踪检测的方法、装置及存储介质 - Google Patents

对特定人物进行跟踪检测的方法、装置及存储介质 Download PDF

Info

Publication number
CN115019373A
CN115019373A CN202210779140.8A CN202210779140A CN115019373A CN 115019373 A CN115019373 A CN 115019373A CN 202210779140 A CN202210779140 A CN 202210779140A CN 115019373 A CN115019373 A CN 115019373A
Authority
CN
China
Prior art keywords
node
user
video data
image
preset
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
Application number
CN202210779140.8A
Other languages
English (en)
Inventor
不公告发明人
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 Real AI Technology Co Ltd
Original Assignee
Beijing Real AI 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 Beijing Real AI Technology Co Ltd filed Critical Beijing Real AI Technology Co Ltd
Priority to CN202210779140.8A priority Critical patent/CN115019373A/zh
Publication of CN115019373A publication Critical patent/CN115019373A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Social Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例涉及人脸识别领域，并提供对特定人物进行跟踪检测的方法、装置及存储介质，方法包括接收第二节点发送的人物图像，通过人脸识别模型对其进行特征提取得到人脸特征；通过将人脸特征与预设特征库进行特征匹配得到识别结果；基于识别结果、人物图像及用户分类模型确定用户分类结果；若确定用户分类结果为目标类型，生成对应的采集指令，并发送至至少一个第二节点；接收至少一个第二节点发送的第一视频数据并存储于第一存储区域。本方案能够将用户分类结果为目标类型的用户所对应视频采集数据存储于第一存储区域，对这类人员的数据回溯查看则在第一存储区域调取，提高了数据获取效率。

Description

对特定人物进行跟踪检测的方法、装置及存储介质
技术领域
本申请实施例涉及人脸识别技术领域，尤其涉及一种对特定人物进行跟踪检测的方法、装置及存储介质。
背景技术
目前重点安防场所的摄像头的主要作用是对其所对准方位的范围内进行视频采集并存储于服务器中，也就是对所有出现在摄像头采集范围内的人物、事物等进行采集，并将采集视频存储于服务器中。
在对现有技术的研究和实践过程中，本申请实施例的发明人发现，通过上述摄像头采集视频的存储方式，使得所有对象的视频均存储于服务器同一个存储区域，若用户需要查看某一对象的采集视频并回放时，需要对服务器同一个存储区域中所有采集视频均进行查看，导致降低了获得目标对象采集视频的获取效率。
发明内容
本申请实施例提供了一种对特定人物进行跟踪检测的方法、装置及存储介质，能够基于第二节点采集的人物图像和其识别结果共同确定用户分类结果，并在确定用户分类结果为目标类型时对用户进行持续视频采集，将采集得到的第一视频数据存储于专用的第一存储区域，当需要查看和回放该用户的采集视频时仅需定位于第一存储区域进行采集视频的获取，无需在其他存储区域进行查看，提高了目标对象采集视频的获取效率。
第一方面中，从第一节点角度介绍本申请实施例提供的一种对特定人物进行跟踪检测的方法，应用于人脸识别系统中的第一节点，所述第一节点中包括基于全同态加密的预设特征库，所述第一节点至少包括第一存储区域和第二存储区域，所述第一节点部署人脸识别模型，各所述第二节点部署目标检测模型，所述方法包括：
接收所述至少一个第二节点发送的人物图像；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到；
通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；
通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果；
基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；
若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
将所述第一视频数据存储于所述第一存储区域。
第二方面中，本申请实施例提供一种对特定人物进行跟踪检测的装置，具有实现对应于上述第一方面提供的对特定人物进行跟踪检测的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
收发模块及处理模块；
所述收发模块，用于接收所述至少一个第二节点发送的人物图像；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到；
所述处理模块，用于通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果；基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
所述收发模块，还用于接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
所述处理模块，还用于将所述第一视频数据存储于所述第一存储区域。
本申请实施例又一方面提供了一种对特定人物进行跟踪检测的装置，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面中所提供的方法。
本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面中提供的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面中所提供的方法。
相较于现有技术，本申请实施例提供的方案中，可由第一节点先接收第二节点发送的人物图像，然后由第一节点对人物图像进行特征提取得到人脸特征，将人脸特征与第一节点中存储的预设特征库进行特征匹配得到识别结果，所得到的识别结果与人物图像中提取关键信息输入至用户分类模型进行分类得到用户分类结果。之后在第一节点中确定用户分类结果为目标类型时，则第一节点向第二节点发送采集指令。最后第二节点将基于采集指令所采集到的第一视频数据发送至第一节点，并由第一节点将第一视频数据存储于第一存储区域。因仅将用户分类结果为目标类型的用户所对应视频采集数据存储于第一存储区域，故对属于目标类型用户的视频采集数据进行回溯查看时直接去第一存储区域调取数据即可，无需再去其他区域获取数据，能提高获取上述类型用户目标视频数据的效率。
附图说明
图1为本申请实施例提供的一种人脸识别系统的示意图；
图2为本申请实施例提供的一种人脸识别的应用场景示意图；
图3为本申请实施例中对特定人物进行跟踪检测的方法的一种流程示意图；
图4为本申请实施例中对特定人物进行跟踪检测的装置的一种结构示意图；
图5为本申请实施例中服务器的一种结构示意图；
图6为本申请实施例中服务终端的一种结构示意图；
图7为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的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，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种对特定人物进行跟踪检测的方法、装置及存储介质，可用于第一节点侧，第一节点侧可用于对第二节点提供的人物图像进行人脸识别和用户类型分类，确定用户为目标类型时，通知第二节点采集该用户的第一视频数据并存储于第一节点的第一存储区域。例如第一节点可具体应用于智慧安防或智慧监控场景时，属于目标类型的用户对应采集视频被存储于专用的第一存储区域。该方案可应用于第一节点且第一节点可为服务器或服务终端，本申请实施例以第一节点为服务器为例，当应用于服务终端侧，可参考对第一节点为服务器的实施例，不作赘述。
本申请实施例的方案可基于人工智能技术实现，具体来说涉及人工智能技术中的计算机视觉技术技术领域和云技术中的云计算、云存储和数据库等领域，下面将分别进行介绍。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例的方案可基于云技术实现，具体来说涉及云技术中的云计算、云存储和数据库等技术领域，下面将分别进行介绍。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。本申请实施例可通过云技术对第一视频数据进行保存。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中，可将网络配置等信息均保存在该存储系统中，便于服务器调取。
目前，存储系统的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件系统上，文件系统将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识(ID，ID entity)等额外的信息，文件系统将每个对象分别写入该逻辑卷的物理存储空间，且文件系统会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID，Redundant Array ofIndependent Disk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。
数据库(Database)，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。
数据库管理系统(英语：Database Management System，简称DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML(Extensible MarkupLanguage,即可扩展标记语言)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如SQL(结构化查询语言(Structured QueryLanguage)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。在本申请实施例中，可将第一视频数据存储在该数据库管理系统中，便于服务器调取。
其中，需要特别说明的是，本申请实施例涉及的服务终端，可以是指向服务终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(英文全称：Personal Communication Service，英文简称：PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(Wireless LocalLoop，英文简称：WLL)站、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)等设备。
在服务终端进行人脸识别时服务终端还需要预先存储预设特征库，而且在服务终端进行用户分类结果确定时还需要预先存储用户分类模型。当服务终端基于第二节点发送的人物图像并结合预设特征库及用户分类模型确定用户分类结果后，若判定其为目标类型时，则通知对应的第二节点根据采集指令采集得到第一视频数据，服务终端在接收到第一视频数据时将其存储于第一存储区域。具体来说，服务终端用于存储、制作、加密、保存人脸特征库。
一些实施方式中，本申请实施例可应用于如图1所示的一种人脸识别系统1，所述人脸识别系统1包括至少一个第一节点10和至少一个第二节点20，所述第一节点10与所述第二节点20之间可以进行数据交互。
当基于上述图1所述的人脸识别系统实现本申请实施例中的对特定人物进行跟踪检测的方法时，可参考如图2所示的一种应用场景示意图。
本申请实施例中，所述第一节点10用于先接收第二节点20对多帧采集图像基于所述目标检测模型检测得到并发送的人物图像，然后将第一节点10对人物图像进行特征提取得到人脸特征，将人脸特征与第一节点10中存储的预设特征库进行特征匹配得到识别结果，所得到的识别结果与人物图像中提取关键信息输入至用户分类模型进行分类得到用户分类结果。之后在第一节点10中确定用户分类结果为目标类型时，则第一节点10向第二节点20发送采集指令。最后第二节点20将基于采集指令所采集到的第一视频数据发送至第一节点10，并由第一节点10将所述第一视频数据存储于第一存储区域。因仅将用户分类结果为目标类型的用户所对应视频采集数据存储于第一存储区域，故对属于目标类型用户的视频采集数据进行回溯查看时直接去第一存储区域调取数据即可，无需再去其他区域获取数据，能提高获取上述类型用户目标视频数据的效率。
其中，需要特别说明的是，本申请涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例涉及的服务终端，该服务终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视、智能音箱、个人数字助理(英文全称：Personal DigitalAssistant，英文简称：PDA)、台式计算机、智能手表等携带多媒体数据处理功能(例如，视频数据播放功能、音乐数据播放功能)的智能终端，但并不局限于此。
本申请实施例主要提供以下技术方案：
先在第一节点中基于第二节点发送的人物图像并结合预设特征库及用户分类模型确定用户分类结果后，若判定其为目标类型时，则通知对应的第二节点根据采集指令采集得到第一视频数据，服务终端在接收到第一视频数据时将其存储于第一存储区域。
下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。
参照图2，以下介绍本申请实施例所提供的一种对特定人物进行跟踪检测的方法，本申请实施例包括：
201、第一节点接收至少一个第二节点发送的人物图像。
其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到。
在本申请实施例中，第一节点是部署于重点安防场所所属区域权威机构的权威机构服务器，或者是部署于重点安防场所所属区域的管理方服务器(如物业管理方服务器)。在第一节点中存储有数据安全性较高的预设特征库，其中预设特征库是明文状态的人脸特征库基于全同态加密得到，且明文状态的人脸特征库是原始未加密的人脸图像库基于人脸识别模型进行特征提取得到，人脸识别模型则是部署在第一节点中用于对待识别图像进行人脸特征提取。需要说明的是，人脸图像库中包括的各人脸图像是在合法合规前提下采集得到。
第二节点可以理解为部署在重点安防场所的图像采集装置，本申请所指的重点安防场所具体如下：商场、居民住宅楼、公园、体育馆、火车站大厅、飞机场大厅等区域。第二节点中不仅部署有目标检测模型以用于在本地快速的进行采集范围内的目标检测(如移动目标检测)，而且是在合法合规前提下采集视频数据。通过第二节点可以快速采集其所对准采集范围内的多帧图像，而且能快速检测出有人物出现的人物图像，并将该人物图像发送至第一节点进行人脸特征提取。其中，由于第二节点中所部署的均是轻量级的目标检测模型，可以对其采集范围内是否有人出现进行快速检测，避免将每一帧采集图像上传至第一节点后再由第一节点逐一检测识别。
202、第一节点通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征。
在本申请实施例中，由于在第一节点中部署了至少一个人脸识别模型，因此在第一节点中可以快速调用至少一个人脸识别模型对所述人物图像进行特征提取得到人脸特征，而且此时所提取的人脸特征是明文状态的。
一些实施方式中，所述通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征之后，所述方法还包括：
获取预设人脸特征库；其中，所述预设人脸特征库是预设人脸图片库基于所述人脸识别模型进行特征提取得到；
通过所述人脸特征与所述预设人脸特征库进行特征匹配，得到第一识别结果；
若确定所述第一识别结果是非空集，基于所述第一识别结果的匹配结果索引和匹配分数确定筛选用户信息；
将所述筛选用户信息发送至与所述第一节点通讯连接的用户端。
在本申请实施例中，为了在部署有第二节点的重点安防场所中实现对指定用户的及时检测和通知，如本申请以重点安防场所为商场为例，可以先在第一节点中存储预设人脸特征库，且所述预设人脸特征库是预设人脸图片库基于所述人脸识别模型进行特征提取得到。其中，所述预设人脸图片库中包括的人脸图片是权威机构授权后定期发送至第一节点，且预设人脸图片库中的用户是具有同类用户特征，例如均是新冠患者、新冠患者密接人员等。
在第一节点获取了所述人脸特征后，可先与所述预设人脸特征库进行特征匹配得到第一识别结果，之后由第一识别结果中包括的匹配结果索引(以表示该人脸特征对应哪一具体的用户)和匹配分数(其取值范围是[0，1]，一般匹配结果索引的匹配分数越接近1则表示该匹配结果索引对应的结果越准确)组成筛选用户信息，最后将筛选用户信息直接不做任何处理以原始数据形式发送至与所述第一节点通讯连接的用户端(或者将所述筛选用户信息填充至预设的信息模板中生成通知消息后发送至与所述第一节点通讯连接的用户端)。当用户端接收到了所述筛选用户信息后，可及时查看第一节点中的采集视频数据，从而可快速对该用户在商场中的位置进行定位。
203、第一节点通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果。
在本申请实施例中，在第一节点中可以将明文状态的所述人脸特征与本地预先存储的所述预设特征库进行特征匹配，计算所述人脸特征与所述预设特征库中各预设特征的特征相似度。选取排名topK的特征相似度，并获取排名topK特征相似度分别对应的预设特征，及topK的各预设特征分别对应的匹配结果索引(以表示该人脸特征对应哪一具体的用户)、人物年龄信息、人物性别信息和匹配分数(其取值范围是[0，1])，从而由K组匹配结果索引、人物年龄信息、人物性别信息和匹配分数组成识别结果。
之后第一节点将所述识别结果反馈至所述第二节点，以实现对第二节点进行人脸识别过程完成的及时通知。
204、第一节点基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果。
在本申请实施例中，当在第一节点中获取到所述识别结果后，还需综合考虑所述识别结果及所述人物图像中的关键信息(如用户姿态、运动时长等)，将所述识别结果和/或所述人物图像中的关键信息组成输入向量输入至所述用户分类模型，以由用户分类模型确定用户分类结果。在得到了用户分类结果后，即可判断该用户是否为需要关注的重点人群(如老人、小孩、孕妇、残疾人等人群)类型。若所述人物图像对应的用户分类结果确定了该用户是重点人群，则需要由第二节点对这一类人群更多的采集图像，从而确保其在重点安防场所的运动轨迹得到比较完整的记录，从而便于后续回溯查看这类人群的采集视频数据。
一些实施方式中，所述基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果，所述方法包括：
通过对所述人物图像进行目标检测，得到第一检测结果；
基于所述识别结果获取人物年龄信息和人物性别信息；
基于所述第一检测结果、所述人物年龄信息、所述人物性别信息及所述用户分类模型，确定用户分类结果。
在本申请实施例中，由于第一节点也可以存储目标检测模型(如YoloV3、YoloV5等目标检测模型)，基于目标检测模型可以快速对所述人物图像中人物存在区域进行快速确定，并以一个定位框限定人物存在区域。而且对该定位框的具体属性之一即为目标分类结果及属于该分类结果的概率，如该定位框的目标分类结果是“人”且属于该分类结果的概率为90％，定位框的目标分类结果及属于该分类结果的概率即组成了所述第一检测结果。
由于第一节点所得到的识别结果中包括匹配结果索引、人物年龄信息、人物性别信息和匹配分数，因此可以从所述识别结果中获取到所述人物年龄信息、所述人物性别信息。而且在所述第一检测结果中可以确定当前是否有人出镜在图像采集装置(也即第二节点)前，当获取了所述第一检测结果、所述人物年龄信息及所述人物性别信息后，可以将所述第一检测结果转换为一个标识值(如有人出镜在图像采集装置前则标识值取值为1，无人出镜在图像采集装置前则标识值取值为0)，然后将所述人物性别信息转换为另一个标识值(如男性则另一标识值取值为1，女性则另一标识值取值为0)，将第一检测结果转换的标识值、所述人物年龄信息对应的年龄值及所述人物性别信息转换的标识值连接组成一个输入向量，将该输入向量输入至预先完成训练的所述分类模型中进行分类运算，即可得到最终的分类结果。因在分类过程中充分考虑来的年龄和性别等因素，所得到的用户分类结果更加准确。
205、第一节点若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令。
所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型。
在本申请实施例中，在第一节点中若确定所述用户分类结果为目标类型时，如将预设人员类型集设置为至少包括老人、小孩、孕妇、残疾人四种类型，则表示人物图像所对应的用户是需要重点关注的对象，此时需要通知部署于重点安防场所的图像采集装置持续对人物图像所对应的用户进行视频采集，采集得到的视频数据也需及时在第一节点中进行保存。
206、第一节点接收所述至少一个第二节点基于所述采集指令返回的第一视频数据。
所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据。
在本申请实施例中，当所述至少一个第二节点接收到了采集指令后，则对所述人物图像所对应的用户在其可采集视角范围内进行持续视频数据采集，从而实现对该重点用户的跟拍，当完成了对该重点用户的跟拍之后在第二节点中得到了与所述采集指令相对应的第一视频数据。此时第二节点及时的将所述第一视频数据发送至第一节点进行存储，实现对第一视频数据的固化保存以便于后续回溯查看。
一些实施方式中，所述第一节点接收所述至少一个第二节点发送的第一视频数据之后，所述方法还包括：
基于所述第一视频数据确定用户姿态；
若确定所述用户姿态为预设姿态类型集其中一种姿态类型，生成与所述人物图像对应的第一预警信息；
将所述第一预警信息发送至与所述第一节点通讯连接的用户端。
在本申请实施例中，当第一节点接收到了第二节点发送的第一视频数据后，可以对所述第一视频数据进行若干帧存在人物的视频图片进行提取得到初始筛选图片集，
之后再以初始筛选图片集作为图片数据分析得到用户姿态。若在第一节点中确定所述用户姿态为预设姿态类型集(如预设姿态类型集中包括蹲姿、睡姿等)其中一种姿态类型，则表示该用户可能处于紧急状况，需要通知他人尽快去救助，故在第二节点中快速生成与所述人物图像对应的第一预警信息；将所述第一预警信息发送至与所述第一节点通讯连接的用户端，从而实现紧急情况的及时预警。
一些实施方式中，所述基于所述第一视频数据确定用户姿态，包括：
获取所述第一视频数据其中一帧初始筛选图片；
获取所述初始筛选图片中的人体特征点，组成当前人体轮廓；
将所述当前人体轮廓与预设人体姿态轮廓库进行匹配，确定与所述当前人体轮廓具有最大相似度的目标人体姿态轮廓；
获取所述目标人体姿态轮廓对应的姿态类型，将所述姿态类型作为所述第一视频数据对应的用户姿态。
在本申请实施例中，以提取所述初始筛选图片集中其中一张初始筛选图片的用户姿态为例进行说明。例如从所述初始筛选图片集中选定其中一张初始筛选图片并记为初始筛选图片1，对初始筛选图片1进行用户姿态识别的具体过程如下：
第一步是先获取初始筛选图片1中的当前人体关键点集合组成当前人体轮廓；具体是通过PoseNet模型(其是用于姿态估计的一种模型，可检测人体的17个关键点)获取初始筛选图片1中的当前人体关键点集合组成当前人体轮廓；
第二步是将当前人体轮廓与预先存储的多个人体姿态轮廓进行匹配，确定与当前人体轮廓具有最大相似度的目标人体姿态轮廓；
第三步是获取所述目标人体姿态轮廓对应的姿态类型(例如是站姿、坐姿、蹲姿、睡姿等)，并作为所述第一视频数据对应的用户姿态。
在基于所述第一视频数据确定用户姿态，将其与需重点关注的姿态类型(如蹲姿、睡姿等)组成的预设姿态类型集进行匹配，判断所述用户姿态是否为预设姿态类型集其中一种姿态类型。若确定所述用户姿态为预设姿态类型集其中一种姿态类型，则表示该用户可能处于紧急状态需要被及时救助，可通过生成与所述人物图像对应的第一预警信息；具体是将所述人物图像对应用户的识别结果、当前系统时间、采集到所述第一视频数据的第二节点相对应的设备编号及具体设置位置等信息填充至预警信息模板，从而得到第一预警信息。之后将所述第一预警信息发送至与所述人脸识别系统通讯连接的至少一个用户端，如该用户端为与第一节点具有绑定关系且该用户端对应的定位位置与所述第二节点的具体设置位置具有最小间距，则可由第一节点向最近的用户端发出第一预警信息以通知其对应的用户端使用者前去救助或是处理紧急情况。
一些实施方式中，所述第一节点接收所述至少一个第二节点发送的第一视频数据之后，所述方法还包括：
基于所述第一视频数据确定用户运动时长；
若确定所述用户运动时长小于预设时长，生成与所述人物图像对应的第二预警信息；
将所述第二预警信息发送至与所述第一节点通讯连接的用户端。
在本申请实施例中，作为另一种预警信息的生成方式，所述第一节点在获取到了所述第一视频数据后，可以结合该第一视频数据中包括的连续多帧图片来估算用户运动时长，例如具体可以采用应用于微表情识别领域的光流法来确定用户运动时长。例如一般在第一视频数据中1秒时长的视频至少由24帧图片组成，将第一视频数据中第一帧图片至第N帧图片基于光流法即可分析出相邻帧图片人物的运动信息，从而最终确定用户运动时长。例如第一视频数据中第一帧图片至第N帧图片均判断用户在运动则可以用N/24来确定用户运动时长。
当基于所述第一视频数据确定用户运动时长后，可将所述用户运动时长与预设时长(如设置为1s)进行比较。若确定所述用户运动时长小于预设时长，表示用户长期处于静止不动的状态，有可能是突发疾病不能运动导致，或是直接晕倒在地不能运动导致，也即表示该用户可能处于紧急状态需要被及时救助，可通过生成与所述人物图像对应的第二预警信息；第二预警信息包括的内容与第一预警信息相同，具体也是将所述人物图像对应用户的识别结果、当前系统时间、采集到所述第一视频数据的第二节点相对应的设备编号及具体设置位置等信息填充至预警信息模板，从而得到第二预警信息。之后将所述第二预警信息发送至与所述人脸识别系统通讯连接的至少一个用户端，如该用户端为与第一节点具有绑定关系且该用户端对应的定位位置与所述第二节点的具体设置位置具有最小间距，则可由第一节点向最近的用户端发出第二预警信息以通知其对应的用户端使用者前去救助或是处理紧急情况。
207、第一节点将所述第一视频数据存储于所述第一存储区域。
在本申请实施例中，由于在所述第一节点中划分了至少两个存储区域，分别是第一存储区域和第二存储区域，第一存储区域用于存储人员类型属于预设人员类型集的用户相应的视频采集数据，第二存储区域用于存储人员类型不属于预设人员类型集的用户相应的视频采集数据，因此当确定了所述人物图像对应用户的人员类型是否属于预设人员类型集其中一种时，即可快速确定该用户的视频采集数据是存储于第一存储区域或是存储于第二存储区域。
其中，若将人员类型属于预设人员类型集的用户所得统计总数记为第一统计数，将人员类型不属于预设人员类型集的用户所得统计总数记为第二统计数，一般第一统计数是远小于第二统计数。若将人员类型属于预设人员类型集的用户所有的视频采集数据，与人员类型不属于预设人员类型集的用户所有的视频采集数据均存储于第一节点的同一存储区域时，若有突发事件发生时(若老人、孕妇、残疾人摔倒、小孩走失等事件)，需要在该统一的存储区域大量查看视频采集数据才能得到与这一突发事件相对应的目标视频数据，降低了获取目标视频数据的效率。
若仅将人员类型属于预设人员类型集的用户的所有的视频采集数据存储于第一节点中的第一存储区域，而将人员类型不属于预设人员类型集的用户所有的视频采集数据均存储于第一节点中非第一存储区域的其他存储区域，当人员类型属于预设人员类型集的用户有突发事件发生时(若老人、孕妇、残疾人摔倒、小孩走失等事件)，仅需要在第一存储区域中的视频采集数据去进行视频查看即可得到与这一突发事件相对应的目标视频数据，极大的提高了获取目标视频数据的效率。
一些实施方式中，所述基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果之后，所述方法还包括：
若确定所述用户分类结果不为目标类型时，则接收所述至少一个第二节点发送的与所述人物图像对应的第二视频数据；
将所述第二视频数据存储于所述第二存储区域。
在本申请实施例中，若确定所述用户分类结果不为目标类型时，表示这一类用户关注度低于老人、小孩、孕妇、残疾人等重点人群，故无需在第一节点的第一存储区域中存储视频采集数据，只需将人员类型属于预设人员类型集的用户的所有的视频采集数据存储于第一节点中的第一存储区域，而将人员类型不属于预设人员类型集的用户所有的视频采集数据均存储于第一节点中的第二存储区域。当人员类型不属于预设人员类型集的用户有突发事件发生时，仅需要在第二存储区域中的视频采集数据去进行视频查看即可得到与这一突发事件相对应的目标视频数据，也可提高获取目标视频数据的效率。
可见，通过本方案，在智慧安防和智慧城市等场景中，可以由第一节点先接收第二节点发送的人物图像，然后由第一节点对人物图像进行特征提取得到人脸特征，将人脸特征与第一节点中存储的预设特征库进行特征匹配得到识别结果，所得到的识别结果与人物图像中提取关键信息输入至用户分类模型进行分类得到用户分类结果。之后在第一节点中确定用户分类结果为目标类型时，则第一节点向第二节点发送采集指令。最后第二节点将基于采集指令所采集到的第一视频数据发送至第一节点，并由第一节点将第一视频数据存储于第一存储区域。因仅将用户分类结果为目标类型的用户所对应视频采集数据存储于第一存储区域，故对属于目标类型用户的视频采集数据进行回溯查看时直接去第一存储区域调取数据即可，无需再去其他区域获取数据，能提高获取上述类型用户目标视频数据的效率。
参阅图4，图4为本申请实施例中对特定人物进行跟踪检测的装置的一种结构示意图，其中对特定人物进行跟踪检测的装置也即人脸识别系统中的第一节点。如图4所示的一种对特定人物进行跟踪检测的装置的结构示意图，其可应用于智慧安防、智慧城市等场景。本申请实施例中的人脸识别系统中的对特定人物进行跟踪检测的装置能够实现对应于上述图3所对应的实施例中所执行的对特定人物进行跟踪检测的方法的步骤。对特定人物进行跟踪检测的装置实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图4所示所述对特定人物进行跟踪检测的装置包括收发模块11和处理模块12，所述收发模块11和处理模块12功能实现可参考图3所对应的实施例中所执行的操作，此处不作赘述。
一些实施方式中，所述对特定人物进行跟踪检测的装置包括收发模块11及处理模块12；
所述收发模块11，用于接收所述至少一个第二节点发送的人物图像；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到；
所述处理模块12，用于通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果；基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
所述收发模块，还用于接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
所述处理模块，还用于将所述第一视频数据存储于所述第一存储区域。
可见，通过本方案，在智慧安防和智慧城市等场景中，可以由第一节点先接收第二节点发送的人物图像，然后由第一节点对人物图像进行特征提取得到人脸特征，将人脸特征与第一节点中存储的预设特征库进行特征匹配得到识别结果，所得到的识别结果与人物图像中提取关键信息输入至用户分类模型进行分类得到用户分类结果。之后在第一节点中确定用户分类结果为目标类型时，则第一节点向第二节点发送采集指令。最后第二节点将基于采集指令所采集到的第一视频数据发送至第一节点，并由第一节点将第一视频数据存储于第一存储区域。因仅将用户分类结果为目标类型的用户所对应视频采集数据存储于第一存储区域，故对属于目标类型用户的视频采集数据进行回溯查看时直接去第一存储区域调取数据即可，无需再去其他区域获取数据，能提高获取上述类型用户目标视频数据的效率。
上面从模块化功能实体的角度对本申请实施例中的人脸识别系统进行了描述，下面从硬件处理的角度分别对本申请实施例中的人脸识别系统进行描述。
需要说明的是，在本申请实施例各实施例(包括图4所示的各实施例)中所有的收发模块对应的实体设备可以为收发器，所有的处理模块对应的实体设备可以为处理器。当其中一种装置具有如图4所示的结构时，处理器、收发器和存储器实现前述对应该装置的装置实施例提供的所述收发模块和所述处理模块相同或相似的功能，图5中的存储器存储处理器执行上述对特定人物进行跟踪检测的方法时需要调用的计算机程序。
图4所示的系统可以具有如图5所示的结构，当图4所示的装置具有如图5所示的结构时，图5中的处理器能够实现前述对应该装置的装置实施例提供的所述处理模块相同或相似的功能，图5中的收发器能够实现前述对应该装置的装置实施例提供的所述收发模块相同或相似的功能，图5中的存储器存储处理器执行上述对特定人物进行跟踪检测的方法时需要调用的计算机程序。在本申请实施例图4所示的实施例中的所述收发模块所对应的实体设备可以为输入输出接口，所述处理模块对应的实体设备可以为处理器。
本申请实施例还提供了另一种终端设备，如图6所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)、销售终端(英文全称：Point ofSales，英文简称：POS)、车载电脑等任意终端设备，以终端为手机为例：
图6示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图6，手机包括：射频(英文全称：Radio Frequency，英文简称：RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(英文全称：wirelessfidelity，英文简称：WiFi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解，图6中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图6对手机的各个构成部件进行具体的介绍：
RF电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器680处理；另外，将设计上行的数据发送给基站。通常，RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称：LowNoise Amplifier，英文简称：LNA)、双工器等。此外，RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(英文全称：Global System ofMobile communication，英文简称：GSM)、通用分组无线服务(英文全称：General Packet Radio Service，英文简称：GPRS)、码分多址(英文全称：Code Division Multiple Access，英文简称：CDMA)、宽带码分多址(英文全称：Wideband Code Division Multiple Access,英文简称：WCDMA)、长期演进(英文全称：LongTerm Evolution，英文简称：LTE)、电子邮件、短消息服务(英文全称：ShortMessagingService，英文简称：SMS)等。
存储器620可用于存储软件程序以及模块，处理器680通过运行存储在存储器620的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器680，并能接收处理器680发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(英文全称：LiquidCrystal Display，英文简称：LCD)、有机发光二极管(英文全称：Organic Light-EmittingDiode,英文简称：OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器680以确定触摸事件的类型，随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图6中，触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板641的亮度，接近传感器可在手机移动到耳边时，关闭显示面板641和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路660、扬声器661，传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号，传输到扬声器661，由扬声器661转换为声音信号输出；另一方面，传声器662将收集的声音信号转换为电信号，由音频电路660接收后转换为音频数据，再将音频数据输出处理器680处理后，经RF电路610以发送给比如另一手机，或者将音频数据输出至存储器620以便进一步处理。
Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了Wi-Fi模块670，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器680是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器680可包括一个或多个处理单元；优选的，处理器680可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器680中。
手机还包括给各个部件供电的电源690(比如电池)，电源可以通过电源管理系统与处理器680逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该手机所包括的处理器680还具有控制执行以上由图3所示的对特定人物进行跟踪检测的方法的流程图。
图7是本申请实施例提供的一种服务器结构示意图，该服务器720可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：centralprocessing units，英文简称：CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器720上执行存储介质730中的一系列指令操作。
服务器720还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作系统741，例如Windows Server，Mac OS X，Unix,Linux，FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图7所示的服务器720的结构。例如上述实施例中由图3所示的第一节点所执行的步骤可以基于该图7所示的服务器结构。例如，所述中央处理器722通过调用存储器732中的指令，执行以下操作：
通过输入输出接口758接收所述至少一个第二节点发送的人物图像；
通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到；
通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果；
基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；
若确定所述用户分类结果为目标类型时，则生成与所述人物图像对应采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
通过输入输出接口758接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
将所述第一视频数据存储于所述第一存储区域。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (10)

1.一种对特定人物进行跟踪检测的方法，应用于人脸识别系统中的第一节点，所述人脸识别系统还包括至少一个第二节点，其特征在于，所述第一节点中包括基于全同态加密的预设特征库，所述第一节点至少包括第一存储区域和第二存储区域，所述第一节点部署人脸识别模型，各所述第二节点部署目标检测模型，所述方法包括：
接收所述至少一个第二节点发送的人物图像；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于所述目标检测模型检测得到；
通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；
通过将所述人脸特征与所述预设特征库进行特征匹配得到识别结果；
基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；
若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
将所述第一视频数据存储于所述第一存储区域。
2.根据权利要求1所述的方法，其特征在于，所述基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果之后，所述方法还包括：
若确定所述用户分类结果不为目标类型时，则接收所述至少一个第二节点发送的与所述人物图像对应的第二视频数据；
将所述第二视频数据存储于所述第二存储区域。
3.根据权利要求2所述的方法，其特征在于，所述基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果，所述方法包括：
通过对所述人物图像进行目标检测，得到第一检测结果；
基于所述识别结果获取人物年龄信息和人物性别信息；
基于所述第一检测结果、所述人物年龄信息、所述人物性别信息及所述用户分类模型，确定用户分类结果。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述接收所述至少一个第二节点发送的第一视频数据之后，所述方法还包括：
基于所述第一视频数据确定用户姿态；
若确定所述用户姿态为预设姿态类型集其中一种姿态类型，生成与所述人物图像对应的第一预警信息；
将所述第一预警信息发送至与所述第一节点通讯连接的用户端。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一视频数据确定用户姿态，包括：
获取所述第一视频数据其中一帧初始筛选图片；
获取所述初始筛选图片中的人体特征点，组成当前人体轮廓；
将所述当前人体轮廓与预设人体姿态轮廓库进行匹配，确定与所述当前人体轮廓具有最大相似度的目标人体姿态轮廓；
获取所述目标人体姿态轮廓对应的姿态类型，将所述姿态类型作为所述第一视频数据对应的用户姿态。
6.根据权利要求1-3中任一项所述的方法，其特征在于，所述接收所述至少一个第二节点发送的第一视频数据之后，所述方法还包括：
基于所述第一视频数据确定用户运动时长；
若确定所述用户运动时长小于预设时长，生成与所述人物图像对应的第二预警信息；
将所述第二预警信息发送至与所述第一节点通讯连接的用户端。
7.根据权利要求1-3中任一项所述的方法，其特征在于，所述通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征之后，所述方法还包括：
获取预设人脸特征库；其中，所述预设人脸特征库是预设人脸图片库基于所述人脸识别模型进行特征提取得到；
通过所述人脸特征与所述预设人脸特征库进行特征匹配，得到第一识别结果；
若确定所述第一识别结果是非空集，基于所述第一识别结果的匹配结果索引和匹配分数确定筛选用户信息；
将所述筛选用户信息发送至与所述第一节点通讯连接的用户端。
8.一种对特定人物进行跟踪检测的装置，其特征在于，所述对特定人物进行跟踪检测的装置包括收发模块及处理模块；
所述收发模块，用于接收至少一个第二节点发送的人物图像；其中，所述人物图像由所述至少一个第二节点对多帧采集图像基于目标检测模型检测得到；
所述处理模块，用于通过所述人脸识别模型对所述人物图像进行特征提取，得到人脸特征；通过将所述人脸特征与预设特征库进行特征匹配得到识别结果；基于所述识别结果、所述人物图像及用户分类模型确定用户分类结果；若确定所述用户分类结果为目标类型时，则向所述至少一个第二节点发送采集指令，所述采集指令用于指示对第二节点对所述人物图像对应的目标用户采集，所述目标类型为预设人员类型集其中一种人员类型；
所述收发模块，还用于接收所述至少一个第二节点基于所述采集指令返回的第一视频数据，所述第一视频数据为预设时长内对所述人物图像对应用户采集得到的视频数据；
所述处理模块，还用于将所述第一视频数据存储于第一存储区域。
9.一种对特定人物进行跟踪检测的装置，其特征在于，所述装置包括：
至少一个处理器、存储器和收发器；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。
CN202210779140.8A 2022-06-30 2022-06-30 对特定人物进行跟踪检测的方法、装置及存储介质 Pending CN115019373A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210779140.8A CN115019373A (zh) 2022-06-30 2022-06-30 对特定人物进行跟踪检测的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210779140.8A CN115019373A (zh) 2022-06-30 2022-06-30 对特定人物进行跟踪检测的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115019373A true CN115019373A (zh) 2022-09-06

Family

ID=83079008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210779140.8A Pending CN115019373A (zh) 2022-06-30 2022-06-30 对特定人物进行跟踪检测的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115019373A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102572388A (zh) * 2011-10-31 2012-07-11 东莞市中控电子技术有限公司 一种基于人脸识别的网络视频监控装置与监控识别方法
CN105261131A (zh) * 2015-10-12 2016-01-20 小米科技有限责任公司 一种发送警报通知消息的方法和装置
CN108171223A (zh) * 2018-02-27 2018-06-15 北京中晟信达科技有限公司 一种基于多模型多通道的人脸识别方法及系统
CN108932419A (zh) * 2018-06-08 2018-12-04 成都第二记忆科技有限公司 一种摄影摄像装置身份识别匹配方法及系统
CN109246397A (zh) * 2018-11-02 2019-01-18 上海交通大学 多路摄像机智能跟踪拍摄鸟群种类样本方法和系统
CN109597572A (zh) * 2018-11-22 2019-04-09 上海新储集成电路有限公司 一种存储管理方法
CN110267007A (zh) * 2019-06-28 2019-09-20 Oppo广东移动通信有限公司 图像处理方法、装置、服务器以及存储介质
CN111753721A (zh) * 2020-06-24 2020-10-09 上海依图网络科技有限公司 一种人体姿态的识别方法及装置
CN112599220A (zh) * 2020-12-25 2021-04-02 深圳市元征科技股份有限公司 一种健身管理方法、装置、健身设备和存储介质
CN113469144A (zh) * 2021-08-31 2021-10-01 北京文安智能技术股份有限公司 基于视频的行人性别及年龄识别方法和模型

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102572388A (zh) * 2011-10-31 2012-07-11 东莞市中控电子技术有限公司 一种基于人脸识别的网络视频监控装置与监控识别方法
CN105261131A (zh) * 2015-10-12 2016-01-20 小米科技有限责任公司 一种发送警报通知消息的方法和装置
CN108171223A (zh) * 2018-02-27 2018-06-15 北京中晟信达科技有限公司 一种基于多模型多通道的人脸识别方法及系统
CN108932419A (zh) * 2018-06-08 2018-12-04 成都第二记忆科技有限公司 一种摄影摄像装置身份识别匹配方法及系统
CN109246397A (zh) * 2018-11-02 2019-01-18 上海交通大学 多路摄像机智能跟踪拍摄鸟群种类样本方法和系统
CN109597572A (zh) * 2018-11-22 2019-04-09 上海新储集成电路有限公司 一种存储管理方法
CN110267007A (zh) * 2019-06-28 2019-09-20 Oppo广东移动通信有限公司 图像处理方法、装置、服务器以及存储介质
CN111753721A (zh) * 2020-06-24 2020-10-09 上海依图网络科技有限公司 一种人体姿态的识别方法及装置
CN112599220A (zh) * 2020-12-25 2021-04-02 深圳市元征科技股份有限公司 一种健身管理方法、装置、健身设备和存储介质
CN113469144A (zh) * 2021-08-31 2021-10-01 北京文安智能技术股份有限公司 基于视频的行人性别及年龄识别方法和模型

Similar Documents

Publication Publication Date Title
CN110704661B (zh) 一种图像分类方法和装置
CN114722937B (zh) 一种异常数据检测方法、装置、电子设备和存储介质
CN114694226B (zh) 一种人脸识别方法、系统及存储介质
CN114595124B (zh) 时序异常检测模型评估方法、相关装置及存储介质
CN113124857B (zh) 一种出入口位置的确定方法、相关装置、设备及存储介质
CN111508609A (zh) 健康状况的风险预测方法、装置、计算机设备及存储介质
CN114973351B (zh) 人脸识别方法、装置、设备及存储介质
CN115376192B (zh) 用户异常行为确定方法、装置、计算机设备及存储介质
CN114357278B (zh) 一种话题推荐方法、装置及设备
CN115022098B (zh) 人工智能安全靶场内容推荐方法、装置及存储介质
CN117093766A (zh) 问诊平台的信息推荐方法、相关装置及存储介质
CN114758388A (zh) 一种人脸识别方法、相关装置及存储介质
CN115546516B (zh) 人员聚档方法、装置、计算机设备及存储介质
CN115984643A (zh) 模型训练方法、相关设备及存储介质
CN115412726B (zh) 视频真伪检测方法、装置及存储介质
CN108459813A (zh) 一种搜索方法及移动终端
CN116071614A (zh) 样本数据处理方法、相关设备及存储介质
CN114973352A (zh) 人脸识别方法、装置、设备及存储介质
CN115019373A (zh) 对特定人物进行跟踪检测的方法、装置及存储介质
CN115909186B (zh) 图像信息识别方法、装置、计算机设备及存储介质
CN115565215B (zh) 一种人脸识别算法切换方法、装置及存储介质
CN110809234A (zh) 一种人物类别识别方法和终端设备
CN110213446A (zh) 一种通话方法及移动终端
CN115050079B (zh) 人脸识别方法、装置及存储介质
CN114722970B (zh) 一种多媒体检测方法、装置及存储介质

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