CN116386086A - 人员定位方法、装置、电子设备及存储介质 - Google Patents
人员定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116386086A CN116386086A CN202310352606.0A CN202310352606A CN116386086A CN 116386086 A CN116386086 A CN 116386086A CN 202310352606 A CN202310352606 A CN 202310352606A CN 116386086 A CN116386086 A CN 116386086A
- Authority
- CN
- China
- Prior art keywords
- image
- snapshot
- shooting
- images
- location information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 230000001815 facial effect Effects 0.000 claims abstract description 121
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 27
- 238000003384 imaging method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
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
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
Abstract
本公开提供了一种人员定位方法、装置、电子设备及存储介质,涉及人工智能技术领域。该方法包括:获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。本公开实施例能够通过待定位人员的第一面部特征,以及抓拍图像的拍摄时间和拍摄地点,筛选出包含待定位人员的抓拍图像,以对待定位人员进行定位,从而能够在保证准确率的同时,提高召回率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种人员定位方法、装置、电子设备及存储介质。
背景技术
在某些特定场景中,需要对场景内的人员进行定位追踪。例如,在工厂生产活动中,存在场地条件复杂,存在安全隐患等问题。因此需要对员工或来访人员进行定位追踪,以了解人员的动向和分布状况,使得在发生异常情况时,能对人员精确定位并实施救援活动,保障人员的人身安全。
相关技术中,一般利用监控拍摄场景中的人员,提取人员的特征,并通过一个预先确定的阈值将特征相似的一类人员集中在一起。但实际应用中,特征的相似度往往会受到监控成像质量、地点、时间等因素的影响,因此使用一个固定阈值判定人员特征的相似度时,无法同时保证该方法的准确率和召回率。
发明内容
有鉴于此,本公开涉及人工智能技术领域,并且更为具体地,涉及一种人员定位方法、装置、计算机设备及存储介质。
第一方面,提供一种人员定位方法,包括:获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
在一些实施例中,基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像,包括:提取至少一张第一抓拍图像各自的人像特征,第一抓拍图像的人像特征表征第一抓拍图像中包含的人员的特征;分别计算至少一张第一抓拍图像各自的人像特征与第一面部特征的第一距离;将第一距离小于预设距离阈值的第一抓拍图像,确定为第二抓拍图像,预设距离阈值是基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息确定的。
在一些实施例中,该方法还包括:获取样本集,样本集包括至少一个第二面部特征和多张第三抓拍图像,第三抓拍图像包括拍摄地点信息和拍摄时间信息;确定多张第三抓拍图像各自匹配的第二面部特征;根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组;针对每个第一图像组,基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值;基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,从至少一个第一图像组各自对应的距离阈值中确定预设距离阈值。
在一些实施例中,确定多张第三抓拍图像各自匹配的第二面部特征,包括:提取多张第三抓拍图像各自的人像特征;基于多张第三抓拍图像各自的人像特征,将多张第三抓拍图像分类,得到至少一个第二图像组;确定至少一个第二图像组各自的代表图像;针对每个第二图像组,基于第二图像组的代表图像,遍历至少一个第二面部特征;将与代表图像相似度最高的第二面部特征,确定为第二图像组中包含的第三抓拍图像匹配的第二面部特征。
在一些实施例中,基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值,包括:提取第一图像组中包含的第三抓拍图像各自的人像特征;基于第一图像组中包含的第三抓拍图像各自的人像特征、匹配的第二面部特征,得到第一图像组的多个分组阈值;确定多个分组阈值中最小的分组阈值为第一图像组对应的距离阈值。
在一些实施例中,根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组,包括:基于多张第三抓拍图像各自的拍摄时间信息,设置多个时间段,其中,多个时间段各自的时长不同,时间在后的时间段的时长长于时间在前的时间段的时长;将多张第三抓拍图像中拍摄地点信息相同,且落入同一时间段的第三抓拍图像,组成一个第一图像组。
在一些实施例中,拍摄地点信息相同的第一图像组对应的距离阈值间,时间段在前的第一图像组对应的距离阈值大于时间段在后的第一图像组对应的距离阈值。
第二方面,提供一种人员定位装置,包括:第一获取模块,用于获取待定位人员的第一面部特征;第二获取模块,用于获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;筛选模块,用于基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;定位模块,用于基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
第三方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述第一方面的方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的方法。
本公开实施例提供的人员定位方法,通过获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。本公开实施例通过待定位人员的第一面部特征,以及监控抓拍图像的拍摄时间和拍摄地点,筛选出包含待定位人员的抓拍图像,以对待定位人员进行定位,从而能够在保证准确率的同时,提高召回率。
附图说明
图1示出本公开实施例中一种人员定位方法的系统架构示意图。
图2示出本公开实施例中一种人员定位方法的流程示意图。
图3示出本公开实施例中一种得到第二抓拍图像的流程示意图。
图4示出本公开实施例中一种确定预设距离阈值的流程示意图。
图5示出本公开实施例中一种确定多张第三抓拍图像各自匹配的第二面部特征的流程示意图。
图6示出本公开实施例中一种得到第一图像组的流程示意图。
图7示出本公开实施例中一种确定第一图像组对应的距离阈值的流程示意图。
图8示出本公开实施例中一种人员定位装置的结构示意图。
图9示出本公开实施例中一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在某些会展场景或工厂作业场景中,需要对部分或者全部人员进行定位,以及时了解人员分布状况,保障人员的人身安全。因此,亟需一种人员定位方法,使其能够基于场景中的监控信息,对人员进行定位和跟踪。
相关技术中,通常利用监控拍摄场景中的人员,提取人员的特征,并利用特征比对方法将特征相似的一类人集中在一起。在此过程中,需要根据预先确定的阈值判断人员特征是否相似,如大于该阈值就表示两个特征不相似,小于该阈值就表示两个特征相似。但实际应用中,特征的相似度往往会受到监控成像质量、地点、时间等因素的影响,因此使用一个固定阈值判定人员特征的相似度时,若需要保证准确率,则会设置一个较低的阈值,若需要保证召回率,则会设置一个较高的阈值,因此无法同时保证该方法的准确率和召回率。
有鉴于此,本公开提供一种人员定位方法,包括:获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。因此,本公开实施例通过待定位人员的第一面部特征,以及抓拍图像的拍摄时间和拍摄地点,筛选出包含待定位人员的抓拍图像,以对待定位人员进行定位,从而能够在保证准确率的同时,提高召回率。
本公开实施例提供了一种人员定位方法、装置、电子设备及存储介质。该人员定位装置具体可以集成在电子设备中,该电子设备可以是终端或服务器等设备。
可以理解的是,本实施例的人员定位方法可以是在终端上执行的,也可以是在服务器上执行,还可以由终端和服务器共同执行的。以上举例不应理解为对本公开的限制。
图1示出了可以应用于本公开实施例的人员定位方法或人员定位装置的示例性系统架构示意图。
如图1所示,该系统架构100包括终端101和服务器102。终端101与服务器102之间通过网络连接,比如,通过有线或无线网络连接等,其中,人员定位装置可以集成在服务器102中。
服务器102,可以用于获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
服务器102可以是单台服务器,也可以是由多个服务器组成的服务器集群或云服务器。例如,服务器可以为多个异构系统之间的互通服务器或者后台服务器,还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、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等等。如本公开所公开的人员定位方法或装置,其中多个服务器可组成为一区块链,而服务器为区块链上的节点。
终端101可以向服务器102发送待定位人员的第一面部特征,或是接收服务器102生成的待定位人员的位置。其中,终端101可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC,Personal Computer)等。终端101上还可以设置客户端,该客户端可以是应用程序客户端或者浏览器客户端等等。
本领域技术人员可以知晓,图1中示出的终端和服务器的数量仅仅是示意性的,根据实际需要,可以具有任意数目的终端和服务器,本公开对此不做限制。
下面将结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种人员定位方法,该方法可以由任意具备计算处理能力的电子设备执行。
图2示出本公开实施例中一种人员定位方法的流程示意图,如图2所示,本公开实施例中提供的人员定位方法包括如下步骤。
S201,获取待定位人员的第一面部特征。
具体而言,待定位人员的第一面部特征可以表征待定位人员的面部特征,以区分监控中的待定位人员和其他人员。示例性的,第一面部特征可以表征待定位人员的面部生物特征和/或帽子、眼镜等非生物特征。
在一些实施例中,可以通过待定位人员的证件照提取待定位人员第一面部特征。示例性的,证件照可以是待定位人员的身份证照片或者工卡照片,也可以是待定位人员在进入监控区域时拍摄的安检照片。
相较于相关技术中对待定位人员的整体特征进行识别,本公开实施例中能够基于面部特征识别待定位人员,面部特征具有更强的信号特征,且区分度更高,因此能够更加准确地区分待定位人员和其他人员。
S202,获取目标场景中的至少一张第一抓拍图像。
第一抓拍图像包括拍摄地点信息和拍摄时间信息。
在一些实施例中,第一抓拍图像可以由监控摄像头拍摄获取,拍摄地点信息表示该第一抓拍图像拍摄的地点,拍摄时间信息表示该第一抓拍图像拍摄的时间。示例性的,拍摄地点信息可以通过监控摄像头的内置地点信息确定。示例性的,两个或多个监控摄像头可以同时内置一个相同的地点信息,本公开实施例对此不作具体限定。
在一些实施例中,还可以通过不同的监控摄像头在不同时间拍摄多张第一抓拍图像,以此获取包括不同拍摄地点信息和拍摄时间信息的多张第一抓拍图像。
S203,基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像。
S204,基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
在一些实施例中,能够基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。由于第二抓拍图像被确定为包括待定位人员的抓拍图像,因此,可以认为待定位人员在该第二抓拍图像的拍摄时间这一时刻,出现于该第二抓拍图像的拍摄地点。
在一些实施例中,还可以将多张第二抓拍图像的拍摄地点信息按照拍摄时间顺序排列,以生成待定位人员的行动轨迹,进一步对待定位人员进行跟踪。同时,也可以根据该行动轨迹剔除第二抓拍图像中的异常图像,以进一步提高本公开实施例提供的方法的准确率。示例性的,若两张第二抓拍图像的拍摄时间信息相同,但拍摄地点信息不同,即预示待定位人员在同一时间同时出现在不同的地点,此时,可以确定两张第二抓拍图像中有一张为异常图像。进一步的,可以对异常图像进行人工筛选,或根据该拍摄时间前和/或该拍摄时间后的第二抓拍图像,推断哪一张为异常图像。
本公开实施例提供的人员定位方法,通过获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。因此,本公开实施例能够通过待定位人员的第一面部特征,以及监控抓拍图像的拍摄时间和拍摄地点,筛选出包含待定位人员的抓拍图像,以对待定位人员进行定位,从而能够在保证准确率的同时,提高召回率。
下面结合图3举例说明如何对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像。
图3示出本公开实施例中一种得到第二抓拍图像的流程示意图。在一些实施例中,如图3所示,基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像,包括如下步骤。
S2031,提取至少一张第一抓拍图像各自的人像特征。
在一些实施例中,每张第一抓拍图像中包括人员的图像,分别基于人员的图像提取人像特征。人像特征可以表征第一抓拍图像中包含的人员的特征,具体而言,可以表征人员的面部特征。
S2032,分别计算至少一张第一抓拍图像各自的人像特征与第一面部特征的第一距离。
具体而言,可以计算至少一张第一抓拍图像各自的人像特征与第一面部特征间的第一距离,以示出第一抓拍图像中人员与待定位人员的相似程度。
在一些实施例中,可以将至少一张第一抓拍图像各自的人像特征与第一面部特征的余弦距离作为第一距离。示例性的,第一抓拍图像中包括的人像特征与第一面部特征之间的余弦距离为
dist(A,B)=1-cos(A,B)
其中,A表示人像特征,B表示第一面部特征,||·||表示向量的范数,cos(A,B)表示人像特征与第一面部特征的余弦相似度,dist(A,B)表示人像特征与第一面部特征的余弦距离。可见,当人像特征和第一面部特征的相似度更低时,它们之间的距离更大。
余弦距离能够体现两个向量在方向上的相对差异,并且不受向量数值大小的影响。因此,在对比面部特征这类高维度向量时,余弦距离有着更好的效果。
S2033,将第一距离小于预设距离阈值的第一抓拍图像,确定为第二抓拍图像。
具体而言,预设距离阈值用于区分待定位人员与其他人员。通过预设距离阈值,从第一抓拍图像中区分出包括待定位人员的部分抓拍图像,确定为第二抓拍图像。因此,能从至少一张第一抓拍图像中筛选出包含待定位人员的抓拍图像。
在一些实施例中,预设距离阈值是基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息确定的。
具体而言,本公开实施例基于每张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,分别为每张第一抓拍图像确定合适预设距离阈值。基于合适的预设距离阈值,能够更加准确的区分待定位人员与其他人员,因此能准确筛选出更多包括待定位人员的第一抓拍图像,在保证准确率的同时提高本公开实施例提供的方法的召回率。
受监控摄像头成像质量的影响,不同监控摄像头拍摄的抓拍图像的质量不同,即抓拍图像中包含的信息量不同。本公开实施例基于第一抓拍图像的拍摄地点信息确定预设距离阈值,因此,能够基于拍摄地点信息确定合适于该地点对应的监控摄像头的预设距离阈值。
受监控区域不同时间段人流量的影响,不同时间段的抓拍图像中包含的信息量不同。示例性的,在某一监控区域中,随时间增长进场人数逐渐增加,因此监控摄像头拍摄的抓拍图像中,拍摄时间在后的抓拍图像包括更多的其他人员,即拍摄时间在后的抓拍图像中包含更多的干扰信息。本公开实施例基于第一抓拍图像的拍摄时间信息确定预设距离阈值,因此,能够基于拍摄时间信息确定合适于该时间段的预设距离阈值。
在一些实施例中,在确定预设距离阈值后,可以将第一距离小于预设距离阈值的第一抓拍图像,确定为第二抓拍图像。
具体而言,第一距离能够示出第一抓拍图像中包括的人像特征与第一面部特征的差距,第一距离越大则表示它们之间的差距越大,即它们之间的相似程度越小。是以,第一距离小于预设距离阈值,也就是人像特征与第一面部特征的相似程度大于预设距离阈值表示的相似程度。
在一些实施例中,也可以将至少一张第一抓拍图像各自的人像特征与第一面部特征的余弦相似度作为第一距离。此时,第一距离能够示出人像特征与第一面部特征的相似程度。即,第一距离越大则表示它们之间的相似程度越高,因此,应将第一距离大于预设距离阈值的第一抓拍图像,确定为第二抓拍图像。本公开实施例对此不作具体限定。
本公开实施例提供的方法,能够基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息分别确定预设距离阈值,使得每张第一抓拍图像都能根据合适的预设距离阈值判断该第一抓拍图像中是否包括待定位人员,因此能准确筛选出更多包括待定位人员的第一抓拍图像,在保证准确率的同时提高本公开实施例提供的方法的召回率。
在一些实施例中,预设距离阈值可以基于拍摄地点信息和拍摄时间信息,在预先训练的至少一个距离阈值中选取。图4示出本公开实施例中一种确定预设距离阈值的流程示意图,如图4所示,本公开实施例提供的人员定位方法还包括如下步骤。
S401,获取样本集。
在一些实施例中,样本集可以包括一个或多个第二面部特征,不同的第二面部特征表征不同人员面部的特征。样本集可以包括多张第三抓拍图像,其中第三抓拍图像可以是任意场景下的一个或多个监控摄像头拍摄的抓拍图像。第三抓拍图像包括拍摄地点信息和拍摄时间信息。拍摄地点信息表示该第三抓拍图像拍摄的地点,拍摄时间信息表示该第三抓拍图像拍摄的时间。示例性的,拍摄地点信息可以通过监控摄像头的内置地点信息确定。示例性的,两个或多个监控摄像头可以同时内置一个相同的地点信息。
在另一些实施例中,可以将特定场景中的监控摄像头拍摄的抓拍图像作为第三抓拍图像,预先训练针对该特定场景的至少一个距离阈值。是以,至少一个距离阈值能够更好地适应该特定场景,以更好地区分该特定场景中的待定位人员和其他人员。
S402,确定多张第三抓拍图像各自匹配的第二面部特征。
具体而言,若样本集包括一个第二面部特征,则将多张第三抓拍图像匹配于该第二面部特征;若样本集包括多个第二面部特征,则分别从中选取一个第二面部特征,各自匹配于每张第三抓拍图像。
S403,根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组。
具体而言,受监控摄像头成像质量的影响,不同监控摄像头拍摄的抓拍图像的质量不同,即抓拍图像中包含的信息量不同。受监控区域不同时间段人流量的影响,不同时间段的抓拍图像中包含的信息量不同。因此,本公开实施例根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组。基于至少一个第一图像组,训练至少一个距离阈值,以排除监控摄像头成像质量对距离阈值的影响,同时排除不同时间段人流量对距离阈值的部分影响。
S404,针对每个第一图像组,基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值。
S405,基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,从至少一个第一图像组各自对应的距离阈值中确定预设距离阈值。
具体而言,上述确定的距离阈值,对于每个拍摄地点,每个拍摄时间,都有一个距离阈值与之对应。因此,可以根据第一抓拍图像的拍摄地点信息和拍摄时间信息,选择拍摄地点信息相同且拍摄时间信息落入对应时间段的距离阈值,确定为预设距离阈值。以此,本公开实施例基于每张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,分别为每张第一抓拍图像确定合适预设距离阈值。
本公开实施例基于待定位人员的第一面部特征,以及抓拍图像的拍摄时间和拍摄地点,能够更加准确的区分待定位人员与其他人员,因此能准确筛选出更多包括待定位人员的第一抓拍图像,以对待定位人员进行定位,从而能够在保证准确率的同时,提高召回率。
下面结合图5举例说明如何确定多张第三抓拍图像各自匹配的第二面部特征。
图5示出本公开实施例中一种确定多张第三抓拍图像各自匹配的第二面部特征的流程示意图,如图5所示,确定多张第三抓拍图像各自匹配的第二面部特征,包括如下步骤。
S4021,提取多张第三抓拍图像各自的人像特征。
在一些实施例中,每张第三抓拍图像中包括人员的图像,分别基于人员的图像提取人像特征。人像特征可以表征第三抓拍图像中包含的人员的特征,具体而言,可以表征人员的整体特征和/或面部特征。
S4022,基于多张第三抓拍图像各自的人像特征,将多张第三抓拍图像分类,得到至少一个第二图像组。
在一些实施例中,可以基于聚类方法将包括相似人像特征的至少一张第三抓拍图像聚集在一起,作为一个第二图像组,以生成至少一个第二图像组。以此,每个第二图像组中包括一张或多张第三抓拍图像,并且这些第三抓拍图像中包括的人像特征类似。示例性的,聚类方法可以采用K-Means聚类算法、FCM聚类算法等聚类方法。
S4023,确定至少一个第二图像组各自的代表图像。
在一些实施例中,可以从每个第二图像组中随机选取一张第三抓拍图像,作为该第二图像组的代表图像。由于同一第二图像组中第三抓拍图像中包括的人像特征类似,因此该第二图像组代表图像中包括的人像特征与其他第三抓拍图像中包括的人像特征类似。
在另一些实施例中,还可以人为地选取第二图像组中,成像质量较好,或者人员的特征较清晰的第三抓拍图像作为该第二图像组的代表图像。是以,筛选出的代表图像中包括的人像特征的区分度较高。
S4024,针对每个第二图像组,基于第二图像组的代表图像,遍历至少一个第二面部特征。
具体而言,在选取每个第二图像组各自的代表图像后,可以基于这些代表图像,遍历比较至少一个第二面部特征。示例性的,可以分别计算代表图像与所有第二面部特征的余弦相似度。
S4025,将与代表图像相似度最高的第二面部特征,确定为第二图像组中包含的第三抓拍图像匹配的第二面部特征。
具体而言,在遍历至少一个第二面部特征后,可以分别找到与每个代表图像相似度最高的第二面部特征,将该第二面部特征确定为与该第二图像组匹配的第二面部特征,进一步的,将该第二面部特征确定为与第二图像组包含的所有第三抓拍图像相匹配的第二面部特征。示例性的,可以将代表图像与所有第二面部特征的余弦相似度排序,将余弦相似度最高的第二面部特征作为与之匹配的第二面部特征。
本公开实施例将多张第三抓拍图像分类,并从中选取各自的代表图像,可以确保每组第二图像组间的代表图像有着较大的区分度,在后续处理中,保证结果的准确性。同时,可以减少本公开实施例提供的方法的计算量,减少运行成本。
下面结合图6举例说明如何根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组。
图6示出本公开实施例中一种得到第一图像组的流程示意图,如图6所示,根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组,包括如下步骤。
S4031,基于多张第三抓拍图像各自的拍摄时间信息,设置多个时间段。
在一些实施例中,可以基于第三抓拍图像拍摄时间的整体跨度,设置多个时长相同的时间段。示例性的,若第三抓拍图像拍摄时间的整体跨度为20分钟,则可以设置20个时长为1分钟的时间段。
在另一些实施例中,可以基于第三抓拍图像拍摄时间的整体跨度,设置多个时长不同的时间段,时间在后的时间段的时长长于时间在前的时间段的时长。示例性的,若第三抓拍图像拍摄时间的整体跨度为20分钟,可以在前10分钟设置10个时长为1分钟的时间段,后10分钟设置2个时长为5分钟的时间段。
示例性的,可以设置多个时长呈指数趋势依次增加的时间段,随时间流逝,时间段设置逐渐稀疏。在某些场景中,人员进入速度大于人员流出速度,随时间增加该场景中的无关人员增多,因此抓拍图像中包含的干扰信息增多。因此,将时间在后的时间段的时长设置为长于时间在前的时间段的时长,可以在保证准确率和召回率的基础上,减少本公开实施例提供的方法的计算量,减少运行成本。
S4032,将多张第三抓拍图像中拍摄地点信息相同,且落入同一时间段的第三抓拍图像,组成一个第一图像组。
在一些实施例中,可以先按照拍摄地点信息将多张第三抓拍图像分组,将拍摄地点信息相同的第三抓拍图像分为一组;随后,对于拍摄地点信息相同的每组第三抓拍图像,再按照第三抓拍图像的拍摄时间信息分组,根据预先设置的多个时间段,将拍摄时间落入同一时间段的第三抓拍图像分为一组,组成一个第一图像组。这时,每组第一图像组中包括的第三抓拍图像的拍摄地点信息相同,拍摄时间落入同一预设时间段。示例性的,也可以先基于拍摄时间信息分组,再按照拍摄地点信息再次分组,本公开实施例对此不作具体限定。
在一些实施例中,由于监控摄像头的拍摄地点和成像质量相对固定,因此可以基于监控摄像头的成像质量将拍摄地点信息分组,示例性的,可以分为高质量、普通质量、低质量三组。这时,可以根据多张第三抓拍图像的拍摄地点信息,将第三抓拍图像按照拍摄地点的监控摄像头的成像质量分组。如上,摄像头的成像质量影响第三抓拍图像中包含的信息量,进而影响第三抓拍图像中人像特征与第二面部特征的相似度。因此,将画质相似的第三抓拍图像分为一组,可以在保证准确率和召回率的基础上,减少本公开实施例提供的方法的计算量,减少运行成本。
如上所述,由于监控摄像头的成像质量以及场景中的人员流动影响第三抓拍图像中包含的信息量,进而影响第三抓拍图像中人像特征与第二面部特征的相似度。因此,本公开实施例提供的方法将多张第三抓拍图像按照拍摄地点信息和拍摄时间信息分组,以确保每个第一图像组中包括的第三抓拍图像中包含的信息量相近,以保证基于第一图像确定的距离阈值的准确性,从而提高本公开实施例提供的方法的准确率和召回率。
下面结合图7举例说明如何基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值。
图7示出本公开实施例中一种确定第一图像组对应的距离阈值的流程示意图,如图7所示,基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值,包括如下步骤。
S4041,提取第一图像组中包含的第三抓拍图像各自的人像特征。
在一些实施例中,第一图像组中包括至少一张第三抓拍图像,每张第三抓拍图像中包括人员的图像,分别基于人员的图像提取人像特征。人像特征可以表征第三抓拍图像中包含的人员的特征,具体而言,可以表征人员的整体特征和/或面部特征。
S4042,基于第一图像组中包含的第三抓拍图像各自的人像特征、匹配的第二面部特征,得到第一图像组的多个分组阈值。
在一些实施例中,在每个第一图像组中,可以分别计算每张第三抓拍图像各自的人像特征与匹配的第二面部特征之间的距离,示例性的,可以是余弦距离。并根据每张第一图像组中的第三抓拍图像的余弦距离,人工选取多个分组阈值,使得在当前分组阈值下,目标人员和其他人员能够精准地区分;或者,也可以基于机器学习方法自动的获取多个分组阈值。
S4043,确定多个分组阈值中最小的分组阈值为第一图像组对应的距离阈值。
具体而言,对于每个第一图像组的多个分组阈值,选取其中最小的分组阈值为该第一图像组对应的距离阈值。从而,对于每个第一图像组,都能得到一个对应的距离阈值,也就是对于每个拍摄地点,每个拍摄时间,都有一个距离阈值与之对应。
因此,本公开实施例中对于每张第一抓拍图像,都可以基于其拍摄地点信息和拍摄时间信息找到合适的距离阈值与之对应,进而可以依据该距离阈值更准确地判断该第一抓拍图像中是否包括待定位人员,在保证准确率的同时,提高本公开实施例提供的方法的召回率。
在一些实施例中,还可以进一步对每组的距离阈值进行干预,使得拍摄地点信息相同的第一图像组对应的距离阈值间,时间段在前的第一图像组对应的距离阈值大于时间段在后的第一图像组对应的距离阈值。此时,拍摄地点信息相同的距离阈值间,随时间流逝,距离阈值逐渐减小,整体呈收紧态势。以此,使得距离阈值更贴合现实规律,以排除距离阈值中可能存在的异常值。
在一些实施例中,也可以在确定多张第三抓拍图像与第二面部特征的匹配关系之后,先计算每张第三抓拍图像各自的人像特征与匹配的第二面部特征间的距离。可以理解的是,第三抓拍图像的人像特征与匹配的第二面部特征间的距离,仅与第三抓拍图像和匹配的第二面部特征有关,因此可以先计算他们之间的距离,再根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组。
基于同一发明构思,本公开实施例中还提供了一种人员定位装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图8示出本公开实施例中一种人员定位装置的结构示意图,如图8所示,该人员定位装置800包括:第一获取模块801、第二获取模块802、筛选模块803和定位模块804。
具体地,第一获取模块801用于,获取待定位人员的第一面部特征。第二获取模块802用于,获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息。筛选模块803用于,基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像。定位模块804用于,基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
在一些实施例中,筛选模块803还用于,提取至少一张第一抓拍图像各自的人像特征,第一抓拍图像的人像特征表征第一抓拍图像中包含的人员的特征;分别计算至少一张第一抓拍图像各自的人像特征与第一面部特征的第一距离;将第一距离小于预设距离阈值的第一抓拍图像,确定为第二抓拍图像,预设距离阈值是基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息确定的。
在一些实施例中,筛选模块803还用于,获取样本集,样本集包括至少一个第二面部特征和多张第三抓拍图像,第三抓拍图像包括拍摄地点信息和拍摄时间信息;确定多张第三抓拍图像各自匹配的第二面部特征;根据多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将多张第三抓拍图像分组,得到至少一个第一图像组;针对每个第一图像组,基于第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定第一图像组对应的距离阈值;基于至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,从至少一个第一图像组各自对应的距离阈值中确定预设距离阈值。
在一些实施例中,筛选模块803还用于,提取多张第三抓拍图像各自的人像特征;基于多张第三抓拍图像各自的人像特征,将多张第三抓拍图像分类,得到至少一个第二图像组;确定至少一个第二图像组各自的代表图像;针对每个第二图像组,基于第二图像组的代表图像,遍历至少一个第二面部特征;将与代表图像相似度最高的第二面部特征,确定为第二图像组中包含的第三抓拍图像匹配的第二面部特征。
在一些实施例中,筛选模块803还用于,提取第一图像组中包含的第三抓拍图像各自的人像特征;基于第一图像组中包含的第三抓拍图像各自的人像特征、匹配的第二面部特征,得到第一图像组的多个分组阈值;确定多个分组阈值中最小的分组阈值为第一图像组对应的距离阈值。
在一些实施例中,筛选模块803还用于,基于多张第三抓拍图像各自的拍摄时间信息,设置多个时间段,其中,多个时间段各自的时长不同,时间在后的时间段的时长长于时间在前的时间段的时长;将多张第三抓拍图像中拍摄地点信息相同,且落入同一时间段的第三抓拍图像,组成一个第一图像组。
在一些实施例中,拍摄地点信息相同的第一图像组对应的距离阈值间,时间段在前的第一图像组对应的距离阈值大于时间段在后的第一图像组对应的距离阈值。
需要说明的是,上述实施例提供的人员定位装置在用于人员定位时,仅以上述各功能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模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的人员定位装置与人员定位方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本公开实施例的功能和适用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
其中,存储单元存储有程序代码,程序代码可以被处理单元910执行,使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
在一些实施例中,处理单元910可以执行上述方法实施例的如下步骤:获取待定位人员的第一面部特征;获取目标场景中的至少一张第一抓拍图像,第一抓拍图像包括拍摄地点信息和拍摄时间信息;基于第一面部特征、以及至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;基于至少一张第二抓拍图像各自的拍摄地点信息,确定待定位人员的位置。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种人员定位方法,其特征在于,包括:
获取待定位人员的第一面部特征;
获取目标场景中的至少一张第一抓拍图像,所述第一抓拍图像包括拍摄地点信息和拍摄时间信息;
基于所述第一面部特征、以及所述至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对所述至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;
基于所述至少一张第二抓拍图像各自的拍摄地点信息,确定所述待定位人员的位置。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一面部特征、以及所述至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对所述至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像,包括:
提取所述至少一张第一抓拍图像各自的人像特征,所述第一抓拍图像的人像特征表征所述第一抓拍图像中包含的人员的特征;
分别计算所述至少一张第一抓拍图像各自的人像特征与所述第一面部特征的第一距离;
将第一距离小于预设距离阈值的第一抓拍图像,确定为所述第二抓拍图像,所述预设距离阈值是基于所述至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息确定的。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取样本集,所述样本集包括至少一个第二面部特征和多张第三抓拍图像,所述第三抓拍图像包括拍摄地点信息和拍摄时间信息;
确定所述多张第三抓拍图像各自匹配的第二面部特征;
根据所述多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将所述多张第三抓拍图像分组,得到至少一个第一图像组;
针对每个所述第一图像组,基于所述第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定所述第一图像组对应的距离阈值;
基于所述至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,从所述至少一个第一图像组各自对应的距离阈值中确定所述预设距离阈值。
4.根据权利要求3所述的方法,其特征在于,所述确定所述多张第三抓拍图像各自匹配的第二面部特征,包括:
提取所述多张第三抓拍图像各自的人像特征;
基于所述多张第三抓拍图像各自的人像特征,将所述多张第三抓拍图像分类,得到至少一个第二图像组;
确定所述至少一个第二图像组各自的代表图像;
针对每个所述第二图像组,基于所述第二图像组的代表图像,遍历所述至少一个第二面部特征;
将与所述代表图像相似度最高的第二面部特征,确定为所述第二图像组中包含的第三抓拍图像匹配的第二面部特征。
5.根据权利要求3所述的方法,其特征在于,所述基于所述第一图像组中包含的第三抓拍图像匹配的第二面部特征,确定所述第一图像组对应的距离阈值,包括:
提取所述第一图像组中包含的第三抓拍图像各自的人像特征;
基于所述第一图像组中包含的第三抓拍图像各自的人像特征、匹配的第二面部特征,得到所述第一图像组的多个分组阈值;
确定所述多个分组阈值中最小的分组阈值为所述第一图像组对应的距离阈值。
6.根据权利要求3所述的方法,其特征在于,所述根据所述多张第三抓拍图像各自的拍摄地点信息和拍摄时间信息,将所述多张第三抓拍图像分组,得到至少一个第一图像组,包括:
基于所述多张第三抓拍图像各自的拍摄时间信息,设置多个时间段,其中,所述多个时间段各自的时长不同,时间在后的时间段的时长长于时间在前的时间段的时长;
将所述多张第三抓拍图像中拍摄地点信息相同,且落入同一时间段的第三抓拍图像,组成一个所述第一图像组。
7.根据权利要求6所述的方法,其特征在于,拍摄地点信息相同的第一图像组对应的距离阈值间,时间段在前的第一图像组对应的距离阈值大于时间段在后的第一图像组对应的距离阈值。
8.一种人员定位装置,其特征在于,包括:
第一获取模块,用于获取待定位人员的第一面部特征;
第二获取模块,用于获取目标场景中的至少一张第一抓拍图像,所述第一抓拍图像包括拍摄地点信息和拍摄时间信息;
筛选模块,用于基于所述第一面部特征、以及所述至少一张第一抓拍图像各自的拍摄地点信息和拍摄时间信息,对所述至少一张第一抓拍图像进行筛选,得到至少一张第二抓拍图像;
定位模块,用于基于所述至少一张第二抓拍图像各自的拍摄地点信息,确定所述待定位人员的位置。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的人员定位方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的人员定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310352606.0A CN116386086A (zh) | 2023-04-03 | 2023-04-03 | 人员定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310352606.0A CN116386086A (zh) | 2023-04-03 | 2023-04-03 | 人员定位方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116386086A true CN116386086A (zh) | 2023-07-04 |
Family
ID=86976431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310352606.0A Pending CN116386086A (zh) | 2023-04-03 | 2023-04-03 | 人员定位方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737974A (zh) * | 2023-08-16 | 2023-09-12 | 世优(北京)科技有限公司 | 用于人脸图像比对的阈值的确定方法、装置及电子设备 |
-
2023
- 2023-04-03 CN CN202310352606.0A patent/CN116386086A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737974A (zh) * | 2023-08-16 | 2023-09-12 | 世优(北京)科技有限公司 | 用于人脸图像比对的阈值的确定方法、装置及电子设备 |
CN116737974B (zh) * | 2023-08-16 | 2023-11-03 | 世优(北京)科技有限公司 | 用于人脸图像比对的阈值的确定方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
US20190087464A1 (en) | Regional population management system and method | |
CN111241883B (zh) | 防止远程被测人员作弊的方法和装置 | |
CN112307868B (zh) | 图像识别方法、电子设备和计算机可读介质 | |
CN112540832B (zh) | 一种基于知识图谱的云原生系统故障分析方法 | |
CN111368619B (zh) | 可疑人员的检测方法、装置及设备 | |
CN108573268A (zh) | 图像识别方法和装置、图像处理方法和装置及存储介质 | |
CN111652331B (zh) | 一种图像识别方法、装置和计算机可读存储介质 | |
CN115828112B (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
CN110046297B (zh) | 运维违规操作的识别方法、装置和存储介质 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
KR102028930B1 (ko) | 움직임 정보를 이용한 인공지능 학습기반의 이동객체 영상 분류처리 방법 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112232178A (zh) | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 | |
CN116386086A (zh) | 人员定位方法、装置、电子设备及存储介质 | |
CN116108491B (zh) | 基于半监督联邦学习的数据泄露预警方法、装置及系统 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN110196924A (zh) | 特征信息库的构建、目标对象的追踪方法及装置 | |
CN113283410B (zh) | 基于数据关联分析的人脸增强识别方法、装置和设备 | |
CN116189706A (zh) | 数据传输方法、装置、电子设备和计算机可读存储介质 | |
JP2018142137A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN111753756A (zh) | 基于对象识别的布控报警方法、装置及存储介质 | |
CN111651690A (zh) | 涉案信息查找方法、装置以及计算机设备 | |
CN113626726A (zh) | 时空轨迹确定方法及相关产品 |
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 |