CN115170616B - 人员轨迹分析方法、装置、终端及存储介质 - Google Patents
人员轨迹分析方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115170616B CN115170616B CN202211093093.8A CN202211093093A CN115170616B CN 115170616 B CN115170616 B CN 115170616B CN 202211093093 A CN202211093093 A CN 202211093093A CN 115170616 B CN115170616 B CN 115170616B
- Authority
- CN
- China
- Prior art keywords
- image
- displacement
- points
- target
- point
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000006073 displacement reaction Methods 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 16
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视频分析技术领域，尤其涉及一种人员轨迹分析方法、装置、终端及存储介质，本发明方法首先获取多张图像；然后，对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；接着，对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；最后，根据所述多张图像的多个标签，获得人员的轨迹曲线。本发明实施方式，其不需要建立识别模型，也不用提取人员的特征，因此，识别过程较通过提取特征‑建模的方式更加简单，在分析轨迹时，无需识别图像的过程，因此计算量大大减少，提高了分析人员轨迹的效率。
Description
技术领域
本发明涉及视频分析技术领域，尤其涉及一种人员轨迹分析方法、装置、终端及存储介质。
背景技术
视频分析或视频内容分析涵盖从视频运动检测和音频检测到更先进的系统(包括照相机擅改(tampering)检测、人员计数、检测物体穿过感兴趣的线或区域、车辆牌照识别、将视频分成前景部分和背景部分、跟踪目标、交通分析、元数据提取、生物测定应用、以及人脸识别)。视频分析还使得监视系统更加智能，以将大量的图像数据减少到可管理的水平。智能视频监视系统例如可以实时地自动分析监视视频并对监视视频加标签，检测可疑活动，启动视频记录，激活警报或其它动作以警告操作员或其他人员。
在监视应用中，常常使用视频分析来检测运动。运动检测是通过分析图像数据来定义场景中的活动的一种方式，并可以对监视照相机的整个视野或者对用户定义的感兴趣的区域执行运动检测。
现有的一些技术中，是通过运动物体的特征，对运动目标进行锁定，实现运动轨迹的分析，这种分析方法需要建立的分析模型较为复杂，对算力的要求高；且现有技术中因为对特征提取后，这些特征如果处理不当，如进行人员轨迹分析时，可能会用到人的面部、体态等特征，这些特征数据如果没有进行有效的处理，可能会造成个人隐私泄露，存在法律上的风险。
基于此，需要开发设计出一种人员轨迹分析方法，用于解决现有技术中存在的缺陷。
发明内容
本发明实施方式提供了一种人员轨迹分析方法、装置、终端及存储介质，用于解决现有技术中对于人员行动轨迹的分析方法较为复杂、对算力要求高的问题。
第一方面，本发明实施方式提供了一种人员轨迹分析方法，包括：
获取多张图像，其中，所述多张图像按照时间顺序先后获得；
对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；
对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；
根据所述多张图像的多个标签，获得人员的轨迹曲线。
在一种可能实现的方式中，在所述对于每张图像，标记多个位移点之前包括：
将所述图像调整到预设的分辨率；
对所述图像进行去色，并按照第一公式调整图像的多个像素的值，其中，所述第一公式为：
式中，
为标准化后的像素的数值，
为图像的像素的值，
为图像中多个像素的最大值，
为图像中多个像素的最小值，
为标准化区间常数，
为偏置常数。
在一种可能实现的方式中，所述对于每张图像，标记多个位移点，包括：
获取多个图像块矩阵，其中，图像块从图像的栅格点获取，所述图像块矩阵通过将所述图像块的像素值按照像素的排列顺序排列获得；
将多个图像块矩阵与多个背景块矩阵的转置进行点乘操作，获得多个点乘积，其中，背景块从背景图像的栅格点获取，所述背景图像中不包含有可移动物体的图像，所述背景块矩阵通过将所述背景块的像素值按照像素的排列顺序排列获得，所述背景块矩阵与所述图像块矩阵同型；
根据所述多个点乘积确定多个位移点，其中，位移点为点乘积低于阈值的图像块矩阵所对应的栅格点。
在一种可能实现的方式中，所述对于每张图像，根据所述多个位移点获取多个标签，包括：
获取对比图像，其中，所述对比图像为当前图像前一时间点的图像或当前图像后一时间点的图像，所述对比图像中的多个位移点设有彼此各异的标识；
对于当前图像中的每个待标签位移点，执行如下步骤：
获取关联位移点，其中，所述关联位移点为所述对比图像中距离待标签位移点最近的位移点；
将所述关联位移点的标识、位移位置以及位移时间点作为待标签位移点的标签，其中，所述位移时间点为所述当前图像的采集时间，所述位移位置为待标签位移点的位置。
在一种可能实现的方式中，每张图像上的多个栅格点按照矩形点阵的形式排列，每个栅格点均设有行号以及列号，所述获取关联位移点，包括：
计算参照和，其中，所述参照和为待标签位移点的行号与列号的和，或所述参照和为待标签位移点的行号与列号的平方和；
获取多个目标和，其中，目标和为所述对比图像中位移点的行号与列号的和，或目标和为所述对比图像中位移点的行号与列号的平方和；
根据所述参照和以及所述多个目标和，确定所述关联位移点，其中，关联位移点的目标和与所述参照和的差的绝对值最小。
在一种可能实现的方式中，当与所述参照和的差的绝对值最小的目标和有两个以上时，通过如下步骤确定所述关联位移点：
获取待定图像块数列，其中，待定图像块为所述待标签位移点的图像块，所述待定图像块数列通过所述待定图像块的像素值按照预定的顺序排列获得；
获取多个目标图像块数列，其中，目标图像块为通过最邻近位移点获取的图像块，最邻近位移点为对比图像中目标和与所述参照和的差的绝对值最小的位移点，所述目标图像块数列通过所述目标图像块的像素值按照预定的顺序排列获得；
根据第一公式对所述待定图像块数列做傅里叶变换，获得待定幅值集，其中，待定幅值集包括有所述待定图像块数列做傅里叶变换后不同谐波次数波形的幅值；
根据第一公式对所述多个目标图像块数列做傅里叶变换，获得多个目标幅值集，其中，多个目标幅值集与所述多个目标图像块数列相对应，目标幅值集中包括有目标图像块数列做傅里叶变换后不同谐波次数波形的幅值；
选择与所述待定幅值集距离最近的目标幅值集作为关联幅值集；
将所述关联幅值集所对应的位移点作为关联位移点；
其中，所述待定幅值集与目标幅值集的距离根据欧式距离、曼哈顿距离或余弦相似度确定；
所述第一公式为：
式中，
为第
次谐波的幅值，
为待定图像块数列或目标图像块数列的第
个元素，
为自然常数，
为虚数单位，
为圆周率。
在一种可能实现的方式中，所述根据所述多张图像的多个标签，获得人员的轨迹曲线，包括：
根据所述多张图像的多个标签，获取多个标识集合，其中，标识集合中包括有多个标识相同的标签，每个集合对应一个人员；
对于所述多个标识集合中的每个标签集合，执行如下步骤：
按照所述位移时间点的先后对多个标签进行排列；
依次连接多个标签的位移位置，获得人员的轨迹曲线。
第二方面，本发明实施方式提供了一种人员轨迹分析装置，用于实现如第一方面或第一方面的任一种可能的实现方式所述方法的步骤，包括：
图像获取模块，用于获取多张图像，其中，所述多张图像按照时间顺序先后获得；
位移点标记模块，用于对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；
位移点标签模块，用于对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；
以及，
轨迹曲线生成模块，用于根据所述多张图像的多个标签，获得人员的轨迹曲线。
第三方面，本发明实施方式提供了一种终端，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了的一种人员轨迹分析方法，其首先获取多张图像，其中，所述多张图像按照时间顺序先后获得；然后，对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；接着，对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；最后，根据所述多张图像的多个标签，获得人员的轨迹曲线。本发明实施方式，其不需要建立识别模型，也不用提取人员的特征，因此，识别过程较通过提取特征-建模的方式更加简单，在分析轨迹时，无需识别图像的过程，因此计算量大大减少，提高了分析人员轨迹的效率。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式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方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的人员轨迹分析方法的流程图；
图2是本发明实施方式提供的人员轨迹与栅格点设置方式原理图；
图3是本发明实施方式提供的图像块数列提取过程原理图；
图4是本发明实施方式提供的待定图像块数列和目标图像块数列做傅里叶变换后获得的频域图；
图5是本发明实施方式提供的人员轨迹分析装置功能框图；
图6是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的人员轨迹分析方法的流程图。
如图1所示，其示出了本发明实施方式提供的人员轨迹分析方法的实现流程图，详述如下：
在步骤101中，获取多张图像，其中，所述多张图像按照时间顺序先后获得。
在步骤102中，对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点。
在一些实施方式中，步骤102包括：
获取多个图像块矩阵，其中，图像块从图像的栅格点获取，所述图像块矩阵通过将所述图像块的像素值按照像素的排列顺序排列获得；
将多个图像块矩阵与多个背景块矩阵的转置进行点乘操作，获得多个点乘积，其中，背景块从背景图像的栅格点获取，所述背景图像中不包含有可移动物体的图像，所述背景块矩阵通过将所述背景块的像素值按照像素的排列顺序排列获得，所述背景块矩阵与所述图像块矩阵同型；
根据所述多个点乘积确定多个位移点，其中，位移点为点乘积低于阈值的图像块矩阵所对应的栅格点。
在一些实施方式中，在步骤102之前包括：
将所述图像调整到预设的分辨率；
对所述图像进行去色，并按照第一公式调整图像的多个像素的值，其中，所述第一公式为：
式中，
为标准化后的像素的数值，
为图像的像素的值，
为图像中多个像素的最大值，
为图像中多个像素的最小值，
为标准化区间常数，
为偏置常数。
示例性地，获取的多张图像，其按照时间的顺序先后获得。对于每张图像，首先对其进行预处理，以使得多张图像之间的差异变小，同时通过调整分辨率的形式，减少图像的数据总量，减少后续处理过程的复杂程度和计算量。
其预处理包括调整分辨率的过程，例如，将原来为1920*1080分辨率的图像调整为1280*720的分辨率。还包括去色和调整灰度曲线的过程。去色后每个像素的色值可以视作一个值（事实上是RGB三种颜色的色值为同一个值），但是考虑到整体亮度和暗度的影响，可能会给后续计算带来偏差，这时就需要将多张图像的色值统一调整到一个合理的区间，本发明实施方式通过下式调整每个像素的色值：
式中，
为标准化后的像素的数值，
为图像的像素的值，
为图像中多个像素的最大值，
为图像中多个像素的最小值，
为标准化区间常数，
为偏置常数。
例如，一种应用场景中，一张照片的像素值的范围为15-115，而较为合理的范围为25-225，此时就可以应用上述公式进行处理，将原像素值范围15-115，转变为25-225。
在对图像完成预处理后，需要标记那些人员轨迹经过的栅格点，如图2所示，该图为栅格设置以及人员经过轨迹的分析图。图中，栅格201按矩形矩阵排列，当人员202经过其中一些栅格点201时，栅格点201的背景图像被人员的影像所遮挡，这些被遮挡的点被标记成位移点203。
在识别位移点203的方式上，是通过栅格点201取出该位置的一个矩形图像块，提取图像块的像素值，按照像素的排列顺序排列，获得图像块矩阵。同时，再获得这个栅格点201的背景图像块矩阵（获取过程可以在全背景图像时，按照上述获取图像块矩阵的方式获取）。将两个矩阵进行点乘，获得点乘的结果作为判定，当点乘积的值小于阈值时，说明两个矩阵存在明显的不同，此时，这个栅格点201就别定为了位移点203。如此一来，人员202经过的轨迹204所涉及到的栅格点201就被全部做上了标记。
在步骤103中，对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系。
在一些实施方式中，步骤103包括：
获取对比图像，其中，所述对比图像为当前图像前一时间点的图像或当前图像后一时间点的图像，所述对比图像中的多个位移点设有彼此各异的标识；
对于当前图像中的每个待标签位移点，执行如下步骤：
获取关联位移点，其中，所述关联位移点为所述对比图像中距离待标签位移点最近的位移点；
将所述关联位移点的标识、位移位置以及位移时间点作为待标签位移点的标签，其中，所述位移时间点为所述当前图像的采集时间，所述位移位置为待标签位移点的位置。
在一些实施方式中，每张图像上的多个栅格点按照矩形点阵的形式排列，每个栅格点均设有行号以及列号，所述获取关联位移点，包括：
计算参照和，其中，所述参照和为待标签位移点的行号与列号的和，或所述参照和为待标签位移点的行号与列号的平方和；
获取多个目标和，其中，目标和为所述对比图像中位移点的行号与列号的和，或目标和为所述对比图像中位移点的行号与列号的平方和；
根据所述参照和以及所述多个目标和，确定所述关联位移点，其中，关联位移点的目标和与所述参照和的差的绝对值最小。
在一些实施方式中，当与所述参照和的差的绝对值最小的目标和有两个以上时，通过如下步骤确定所述关联位移点：
获取待定图像块数列，其中，待定图像块为所述待标签位移点的图像块，所述待定图像块数列通过所述待定图像块的像素值按照预定的顺序排列获得；
获取多个目标图像块数列，其中，目标图像块为通过最邻近位移点获取的图像块，最邻近位移点为对比图像中目标和与所述参照和的差的绝对值最小的位移点，所述目标图像块数列通过所述目标图像块的像素值按照预定的顺序排列获得；
根据第一公式对所述待定图像块数列做傅里叶变换，获得待定幅值集，其中，待定幅值集包括有所述待定图像块数列做傅里叶变换后不同谐波次数波形的幅值；
根据第一公式对所述多个目标图像块数列做傅里叶变换，获得多个目标幅值集，其中，多个目标幅值集与所述多个目标图像块数列相对应，目标幅值集中包括有目标图像块数列做傅里叶变换后不同谐波次数波形的幅值；
选择与所述待定幅值集距离最近的目标幅值集作为关联幅值集；
将所述关联幅值集所对应的位移点作为关联位移点；
其中，所述待定幅值集与目标幅值集的距离根据欧式距离、曼哈顿距离或余弦相似度确定；
所述第一公式为：
式中，
为第
次谐波的幅值，
为待定图像块数列或目标图像块数列的第
个元素，
为自然常数，
为虚数单位，
为圆周率
示例性地，如图2所示，通常在一个图像上会包括有多个人员202的轨迹204，也就是说一张图像上有多个人处于运动状态。因此，我们应当对多个人员202的轨迹204进行梳理，获取多个人员202轨迹的曲线。
在此之前，应当进行多张图像的标签化操作，标签化的操作是用于区分不同的人员。
因此，对于第一张图像，首先，对于多个位移点进行唯一的标识，以说明多个位移点是由多个人员的运动产生的。
然后，将第二张图像（第一张可以是按照时间顺序最先获得的图像，也可以是最后获得的图像），提取待定位移点，找到在第一张图像上与待定位移点距离最近的位移点，将这个第一张图像上与待定位移点距离最近的位移点的标识，作为待定位移点的标识，并将位移点的位置和图像的获取时间同时标签到这个待定位移点上。
在寻找第一张图像上与待定位移点距离最近的位移点的方式上，可以采用栅格点的序号来进行查找，栅格点的序号为其行号和列号，计算每个栅格点的行号和列号的和，或者两者的平方和，当第一张图像上位移点的和或平方和，与待定位移点的和或平方和（注意，第一张图像若采用和的计算方式，第二张图像相应的采用和的计算方式，第一张图像若采用平方和的计算方式，第二张图像相应的采用平方和的计算方式）二者之间的差的绝对值最小，则这个第一张图像上的位移点被定为第一张图像上与待定位移点距离最近的位移点。
但是，在一些应用场景中，可能存在两个以上为最接近的位移点（例如，当两个人员彼此靠近时，可能会产生轨迹干扰，造成一个位移点周边出现两个最近的位移点），此时需要进行判别操作，具体确定哪个最接近的位移点是真实的位移点，从而保证运动轨迹与真实情况相符。
一种处理方法就是判定多个最接近位移点处的图像，具体来说，如果有两个最接近的位移点处的图像，则将两个位移点的图像块取出，并按照如图3所示的蜗状线303提取出图像301中像素302的像素值，形成一个数列。对于待定位移点也执行同样的数列提取操作。
提取出的数列，执行傅里叶变换操作（离散傅里叶变换），提取出各个谐波的幅值，如图4所示，该图示出了，变换后获得的频域图，中间的图像为待定位移点的频域图看，而最上面和最下面的两张图分别是两个最近位移点的频域图，可以看出，最下面的图明显要比最上面的图更像中间的图，此时，将最下面这张图对应的最接近位移点作为目标位移点。
对于判断幅值集合的相似性上，可以通过欧式距离、曼哈顿距离或余弦相似度确定。欧式距离、曼哈顿距离或余弦相似度的计算方式为本领域技术人员所熟知，属于公知常识，不再细述。
当采用离散傅里叶变换时，采用如下公式：
式中，
为第
次谐波的幅值，
为待定图像块数列或目标图像块数列的第
个元素，
为自然常数，
为虚数单位，
为圆周率。
在步骤104中，根据所述多张图像的多个标签，获得人员的轨迹曲线
在一些实施方式中，所述根据所述多张图像的多个标签，获得人员的轨迹曲线，包括：
根据所述多张图像的多个标签，获取多个标识集合，其中，标识集合中包括有多个标识相同的标签，每个集合对应一个人员；
对于所述多个标识集合中的每个标签集合，执行如下步骤：
按照所述位移时间点的先后对多个标签进行排列；
依次连接多个标签的位移位置，获得人员的轨迹曲线。
示例性地，根据标签中的标识，对标识相同的标签归集到一个集合中，然后根据每个位移点的时间和位置，就可以获得人员的轨迹曲线。
本发明实施方式公开了的一种人员轨迹分析方法，其首先获取多张图像，其中，所述多张图像按照时间顺序先后获得；然后，对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；接着，对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；最后，根据所述多张图像的多个标签，获得人员的轨迹曲线。本发明实施方式，其不需要建立识别模型，也不用提取人员的特征，因此，识别过程较通过提取特征-建模的方式更加简单，在分析轨迹时，无需识别图像的过程，因此计算量大大减少，提高了分析人员轨迹的效率。
此外，本发明实施方式处理过程不提取特征，不涉及人员的隐私，法律风险小。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图5是本发明实施方式提供的人员轨迹分析装置功能框图，参照图5，人员轨迹分析装置5包括：图像获取模块501、位移点标记模块502、位移点标签模块503以及轨迹曲线生成模块505。
图像获取模块501，用于获取多张图像，其中，所述多张图像按照时间顺序先后获得；
位移点标记模块502，用于对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；
位移点标签模块503，用于对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；
轨迹曲线生成模块505，用于根据所述多张图像的多个标签，获得人员的轨迹曲线。
图6是本发明实施方式提供的终端的功能框图。如图6所示，该实施方式的终端6包括：处理器600和存储器601，所述存储器601中存储有可在所述处理器600上运行的计算机程序602。所述处理器600执行所述计算机程序602时实现上述各个人员轨迹分析方法及实施方式中的步骤，例如图1所示的步骤101至步骤104。
示例性的，所述计算机程序602可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器601中，并由所述处理器600执行，以完成本发明。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括，但不仅限于，处理器600、存储器601。本领域技术人员可以理解，图6仅仅是终端6的示例，并不构成对终端6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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器601可以是所述终端6的内部存储单元，例如终端6的硬盘或内存。所述存储器601也可以是所述终端6的外部存储设备，例如所述终端6上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器601还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器601用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种人员轨迹分析方法，其特征在于，包括：
获取多张图像，其中，所述多张图像按照时间顺序先后获得；
对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；
对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；
根据所述多张图像的多个标签，获得人员的轨迹曲线；
其中，
所述对于每张图像，根据所述多个位移点获取多个标签，包括：
获取对比图像，其中，所述对比图像为当前图像前一时间点的图像或当前图像后一时间点的图像，所述对比图像中的多个位移点设有彼此各异的标识；
对于当前图像中的每个待标签位移点，执行如下步骤：
获取关联位移点，其中，所述关联位移点为所述对比图像中距离待标签位移点最近的位移点；
将所述关联位移点的标识、位移位置以及位移时间点作为待标签位移点的标签，其中，所述位移时间点为所述当前图像的采集时间，所述位移位置为待标签位移点的位置；
其中，每张图像上的多个栅格点按照矩形点阵的形式排列，每个栅格点均设有行号以及列号，所述获取关联位移点，包括：
计算参照和，其中，所述参照和为待标签位移点的行号与列号的和，或所述参照和为待标签位移点的行号与列号的平方和；
获取多个目标和，其中，目标和为所述对比图像中位移点的行号与列号的和，或目标和为所述对比图像中位移点的行号与列号的平方和；
根据所述参照和以及所述多个目标和，确定所述关联位移点，其中，关联位移点的目标和与所述参照和的差的绝对值最小；
其中，当与所述参照和的差的绝对值最小的目标和有两个以上时，通过如下步骤确定所述关联位移点：
获取待定图像块数列，其中，待定图像块为所述待标签位移点的图像块，所述待定图像块数列通过所述待定图像块的像素值按照预定的顺序排列获得；
获取多个目标图像块数列，其中，目标图像块为通过最邻近位移点获取的图像块，最邻近位移点为对比图像中目标和与所述参照和的差的绝对值最小的位移点，所述目标图像块数列通过所述目标图像块的像素值按照预定的顺序排列获得；
根据第一公式对所述待定图像块数列做傅里叶变换，获得待定幅值集，其中，待定幅值集包括有所述待定图像块数列做傅里叶变换后不同谐波次数波形的幅值；
根据第一公式对所述多个目标图像块数列做傅里叶变换，获得多个目标幅值集，其中，多个目标幅值集与所述多个目标图像块数列相对应，目标幅值集中包括有目标图像块数列做傅里叶变换后不同谐波次数波形的幅值；
选择与所述待定幅值集距离最近的目标幅值集作为关联幅值集；
将所述关联幅值集所对应的位移点作为关联位移点；
其中，所述待定幅值集与目标幅值集的距离根据欧式距离、曼哈顿距离或余弦相似度确定；
所述第一公式为：
式中，
为第
次谐波的幅值，
为待定图像块数列或目标图像块数列的第
个
元素，
为自然常数，
为虚数单位，
为圆周率。
2.根据权利要求1所述的人员轨迹分析方法，其特征在于，在所述对于每张图像，标记多个位移点之前包括：
将所述图像调整到预设的分辨率；
对所述图像进行去色，并按照第一公式调整图像的多个像素的值，其中，所述第一公式为：
式中，
为标准化后的像素的数值，
为图像的像素的值，
为图像中多个像素的
最大值，
为图像中多个像素的最小值，
为标准化区间常数，
为偏置常数。
3.根据权利要求1所述的人员轨迹分析方法，其特征在于，所述对于每张图像，标记多个位移点，包括：
获取多个图像块矩阵，其中，图像块从图像的栅格点获取，所述图像块矩阵通过将所述图像块的像素值按照像素的排列顺序排列获得；
将多个图像块矩阵与多个背景块矩阵的转置进行点乘操作，获得多个点乘积，其中，背景块从背景图像的栅格点获取，所述背景图像中不包含有可移动物体的图像，所述背景块矩阵通过将所述背景块的像素值按照像素的排列顺序排列获得，所述背景块矩阵与所述图像块矩阵同型；
根据所述多个点乘积确定多个位移点，其中，位移点为点乘积低于阈值的图像块矩阵所对应的栅格点。
4.根据权利要求1所述的人员轨迹分析方法，其特征在于，所述根据所述多张图像的多个标签，获得人员的轨迹曲线，包括：
根据所述多张图像的多个标签，获取多个标识集合，其中，标识集合中包括有多个标识相同的标签，每个集合对应一个人员；
对于所述多个标识集合中的每个标签集合，执行如下步骤：
按照所述位移时间点的先后对多个标签进行排列；
依次连接多个标签的位移位置，获得人员的轨迹曲线。
5.一种人员轨迹分析装置，其特征在于，用于实现如权利要求1-4任一项所述的人员轨迹分析方法，包括：
图像获取模块，用于获取多张图像，其中，所述多张图像按照时间顺序先后获得；
位移点标记模块，用于对于每张图像，标记多个位移点，其中，位移点通过图像上的多个栅格点确定，栅格点设置于每张图像的预设位置，所述位移点表征有移动物经过的点；
位移点标签模块，用于对于每张图像，根据所述多个位移点获取多个标签，其中，标签表征所述多张图像上的多个位移点的对应关系；
以及，
轨迹曲线生成模块，用于根据所述多张图像的多个标签，获得人员的轨迹曲线。
6.一种终端，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211093093.8A CN115170616B (zh) | 2022-09-08 | 2022-09-08 | 人员轨迹分析方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211093093.8A CN115170616B (zh) | 2022-09-08 | 2022-09-08 | 人员轨迹分析方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115170616A CN115170616A (zh) | 2022-10-11 |
| CN115170616B true CN115170616B (zh) | 2022-11-18 |
Family
ID=83481611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211093093.8A Active CN115170616B (zh) | 2022-09-08 | 2022-09-08 | 人员轨迹分析方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115170616B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226061A (zh) * | 2008-02-21 | 2008-07-23 | 上海交通大学 | 适用于步行者的定位方法 |
| CN103398831A (zh) * | 2013-07-09 | 2013-11-20 | 西安瑞特快速制造工程研究有限公司 | 截面进动轨迹识别旋转机械支承差异故障的方法 |
| CN110991268A (zh) * | 2019-11-13 | 2020-04-10 | 华中科技大学 | 一种基于深度图像的帕金森手部运动量化分析方法和系统 |
| CN112883765A (zh) * | 2019-11-30 | 2021-06-01 | 浙江宇视科技有限公司 | 一种目标移动轨迹获取方法、装置、存储介质及电子设备 |
| CN113344124A (zh) * | 2021-06-29 | 2021-09-03 | 北京市商汤科技开发有限公司 | 轨迹分析方法及装置、存储介质和系统 |
| CN114494355A (zh) * | 2022-02-15 | 2022-05-13 | 平安普惠企业管理有限公司 | 基于人工智能的轨迹分析方法、装置、终端设备及介质 |
-
2022
- 2022-09-08 CN CN202211093093.8A patent/CN115170616B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226061A (zh) * | 2008-02-21 | 2008-07-23 | 上海交通大学 | 适用于步行者的定位方法 |
| CN103398831A (zh) * | 2013-07-09 | 2013-11-20 | 西安瑞特快速制造工程研究有限公司 | 截面进动轨迹识别旋转机械支承差异故障的方法 |
| CN110991268A (zh) * | 2019-11-13 | 2020-04-10 | 华中科技大学 | 一种基于深度图像的帕金森手部运动量化分析方法和系统 |
| CN112883765A (zh) * | 2019-11-30 | 2021-06-01 | 浙江宇视科技有限公司 | 一种目标移动轨迹获取方法、装置、存储介质及电子设备 |
| CN113344124A (zh) * | 2021-06-29 | 2021-09-03 | 北京市商汤科技开发有限公司 | 轨迹分析方法及装置、存储介质和系统 |
| CN114494355A (zh) * | 2022-02-15 | 2022-05-13 | 平安普惠企业管理有限公司 | 基于人工智能的轨迹分析方法、装置、终端设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115170616A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
| Wang et al. | An effective method for plate number recognition | |
| CN104517104A (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
| Prasad et al. | Passive copy-move forgery detection using SIFT, HOG and SURF features | |
| Wang et al. | Coarse-to-fine-grained method for image splicing region detection | |
| Babu et al. | Texture and steerability based image authentication | |
| Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
| Dwaich et al. | Signature texture features extraction using GLCM approach in android studio | |
| Zarkasi et al. | Face movement detection using template matching | |
| Vega et al. | Image tampering detection by estimating interpolation patterns | |
| Kumar et al. | Criminal face identification system using deep learning algorithm multi-task cascade neural network (MTCNN) | |
| Košcevic et al. | Automatic visual reading of meters using deep learning | |
| CN115170616B (zh) | 人员轨迹分析方法、装置、终端及存储介质 | |
| Tripathi et al. | Automated image splicing detection using texture based feature criterion and fuzzy support vector machine based classifier | |
| Verma et al. | Secure rotation invariant face detection system for authentication | |
| Sreelakshmy et al. | An improved method for copy-move forgery detection in digital forensic | |
| Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
| CN115690488A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
| Xu et al. | Improving the interest operator for face recognition | |
| CN108831158A (zh) | 违停监测方法、装置及电子终端 | |
| CN104615985A (zh) | 一种人脸相似度的识别方法 | |
| Zhang et al. | RETRACTED: Cross-camera multi-person tracking by leveraging fast graph mining algorithm | |
| Kale et al. | Copy Move Forgery Detection-A Robust Technique | |
| Aydoğdu et al. | A study on liveness analysis for palmprint recognition system | |
| CN113919421A (zh) | 调整目标检测模型的方法、装置和设备 |
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 |