CN116561372A - 基于多算法引擎的人员聚档方法、装置及可读存储介质 - Google Patents

基于多算法引擎的人员聚档方法、装置及可读存储介质 Download PDF

Info

Publication number
CN116561372A
CN116561372A CN202310801488.7A CN202310801488A CN116561372A CN 116561372 A CN116561372 A CN 116561372A CN 202310801488 A CN202310801488 A CN 202310801488A CN 116561372 A CN116561372 A CN 116561372A
Authority
CN
China
Prior art keywords
personnel
similarity
auxiliary
images
algorithm
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.)
Granted
Application number
CN202310801488.7A
Other languages
English (en)
Other versions
CN116561372B (zh
Inventor
请求不公布姓名
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 CN202310801488.7A priority Critical patent/CN116561372B/zh
Priority to CN202311177292.1A priority patent/CN117058434A/zh
Publication of CN116561372A publication Critical patent/CN116561372A/zh
Application granted granted Critical
Publication of CN116561372B publication Critical patent/CN116561372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/11—File system administration, e.g. details of archiving or snapshots
    • G06F16/113—Details of archiving
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种基于多算法引擎的人员聚档方法、装置及可读存储介质，该方法包括：利用主算法引擎从监控视频中提取出待聚档的多个人员图像；利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组；本发明能够依靠多个算法引擎提高人员聚档的效率和准确性。

Description

基于多算法引擎的人员聚档方法、装置及可读存储介质
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于多算法引擎的人员聚档方法、装置及可读存储介质。
背景技术
随着摄像头的广泛应用，安防监控系统每日会收集到海量视频数据，若操作人员依次查看每个视频数据则需要耗费大量时间，并不能及时获取到有效信息；所以在现有技术中通常先对原始视频数据进行人员聚档以提炼出人员轨迹信息，再由操作人员进行人工排查，从而提高监控效率。其中，人员聚档是指将同一个人在不同摄像头下的图像聚合到一个人员档案中，且人员聚档是提高监控效率和准确率的关键环节。然而，现有的人员聚档都是基于单一算法引擎实现的，单算法引擎由于自身算法能力限制，无法有效提取所有视频场景下的人员特征信息，从而导致人员聚档的效果不佳。因此，如何提高人员聚档的效率和准确性成为了本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的在于提供一种基于多算法引擎的人员聚档方法、装置及可读存储介质，能够依靠多个算法引擎提高人员聚档的效率和准确性。
根据本发明的一个方面，提供了一种基于多算法引擎的人员聚档方法，所述方法包括：
利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
可选的，所述根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度，具体包括：
根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；其中，第i个辅助特征信息是利用第i个辅助算法引擎提取出的，i∈[1，N]，且N为辅助算法引擎的总数量；
根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
可选的，所述根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度，还包括：
根据所述任意两个人员图像的主特征信息，计算所述任意两个人员图像的主相似度；其中，主特征信息是利用所述主算法引擎从人员图像中提取出的；
根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
可选的，根据所述任意两个人员图像的特征信息T，并按照如下公式计算所述任意两个人员图像的相似度：
其中，是预设的相似度算法根据所述任意两个人员图像的特征信息T计算出的所述任意两个人员图像的初始相似度；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的均值；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的标准差；
是根据与主算法引擎对应的样本初始相似度计算出的均值；
是根据与主算法引擎对应的样本初始相似度计算出的标准差。
可选的，所述根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度，具体包括：
按照如下公式计算出所述任意两个人员图像的拟合相似度S：
其中，是所述主相似度；
是所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
可选的，当利用分别适用于N个拍摄场景的N个辅助算法引擎时，所述根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度，具体包括：
判断所述任意两个人员图像是否均属于某一拍摄场景；
若是，则获取与所述拍摄场景对应的权重数组，若否，则获取通用的权重数组；
根据获取到的权重数组和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度；
其中，在与所述拍摄场景对应的权重数组中，目标辅助相似度的权重值大于其他辅助相似度的权重值，且所述目标辅助相似度是与适用于所述拍摄场景的辅助算法引擎所对应的辅助相似度。
可选的，利用的辅助算法引擎包括以下至少任一项：
适用于夜间拍摄场景的夜间算法引擎；
适用于脸部遮挡拍摄场景的遮挡算法引擎；
适用于侧脸拍摄场景的侧脸算法引擎。
可选的，所述利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组，具体包括：
获取对所述待聚档的多个人员图像进行聚类分组后得到的当前人员图像档案，并获取已聚类分组形成的历史人员图像档案；
按照预设的提取算法从每个当前人员图像档案中提取出P个当前关键图像；
按照所述提取算法从每个历史人员图像档案中提取出Q个历史关键图像；
利用所述人员聚档算法处理所述P个当前关键图像和所述Q个历史关键图像，以将所述当前人员图像档案聚类分组到所述历史人员图像档案中。
为了实现上述目的，本发明还提供一种基于多算法引擎的人员聚档装置，所述装置包括：
获取模块，用于利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
提取模块，用于利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
计算模块，用于根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
聚类模块，用于利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
为了实现上述目的，本发明还提供一种计算机设备，该计算机设备具体包括：存储器、处理器以及存储在所述存储器上并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上述介绍的基于多算法引擎的人员聚档方法的步骤。
为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述介绍的基于多算法引擎的人员聚档方法的步骤。
本发明提供的基于多算法引擎的人员聚档方法、装置及可读存储介质，通过主算法引擎从监控视频中提取人员图像，并利用一个或多个辅助算法引擎从人员图像中提取出一个或多个特征信息，与传统的使用单算法引擎相比，在本发明中使用到了一个主算法引擎和至少一个辅助算法引擎，可以更准确的提取到人员图像以及人员图像的特征信息，使得基于人员图像和特征信息的人员聚档操作更加准确，从而保证操作人员更快、更准地挖掘出监控视频中的关键信息。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为实施例一提供的基于多算法引擎的人员聚档方法的一种可选的流程示意图；
图2为实施例二提供的基于多算法引擎的人员聚档方法的另一种可选的流程示意图；
图3为实施例二提供的通过算法引擎提取特征信息的流程示意图；
图4为实施例二提供的计算拟合相似度的流程示意图；
图5为实施例三提供的基于多算法引擎的人员聚档装置的一种可选的组成结构示意图；
图6为实施例四提供的计算机设备的一种可选的硬件架构示意图。
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用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明实施例提供了一种基于多算法引擎的人员聚档方法，如图1所示，该方法具体包括以下步骤：
步骤S101：利用主算法引擎从监控视频中提取出待聚档的多个人员图像。
其中，所述主算法引擎用于从视频中提取出包含人员影像的画面帧以作为人员图像；此外，主算法引擎可采用现有技术中已存在的人脸识别算法。
步骤S102：利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息。
其中，所述辅助算法引擎用于从人员图像中提取出人员特征信息；此外，辅助算法引擎可采用现有技术中已存在的特征提取算法。
步骤S103：根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度。
具体的，所述步骤S103，包括：
步骤A1：根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；其中，第i个辅助特征信息是利用第i个辅助算法引擎提取出的，i∈[1，N]，且N为辅助算法引擎的总数量；
步骤A2：根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
需要说明的是，由于在现有技术中存在多种特征提取算法，且各个特征提取算法之间存在差异，不同的特征提取算法可用于提取不同维度的特征信息，因此为了提高人员聚档的准确性，可使用多个辅助算法引擎来分别提取出每个人员图像的不同维度的辅助特征信息，且一个辅助算法引擎对应一个辅助特征信息。此外，根据两个人员图像的N个辅助特征信息计算出N个辅助相似度以表征两个人员图像在不同维度上的相似程度，最后综合N个辅助相似度以计算出两个人员图像最终的拟合相似度。
优选的，所述步骤A2，具体包括：
按照如下公式（1）计算出所述任意两个人员图像的拟合相似度S：
其中，、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
另外，在实际应用中也可以采用其他方式以基于N个辅助相似度计算出两个人员图像的拟合相似度，在此不做具体限定。
进一步的，所述步骤S103，还包括：
步骤A1’：根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；
步骤A2’：根据所述任意两个人员图像的主特征信息，计算所述任意两个人员图像的主相似度；其中，主特征信息是利用所述主算法引擎从人员图像中提取出的；
需要说明的是，所述主算法引擎不仅用于从视频中提取出包含人员影像的画面帧以作为人员图像，还用于从人员图像中提取出人员特征信息；
步骤A3’：根据主相似度和N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
需要说明的是，在现有技术中仅使用一个算法引擎从视频中提取出多个人员图像并从每个人员图像中提取出对应的特征信息，再根据任意两个人员图像的特征信息计算出任意两个人员图像的拟合相似度；但是，由于不同的算法引擎分别应用于不同的使用场景中，若仅使用一个算法引擎，则在某些特定场景下计算出的拟合相似度的准确性不够高；为了避免这种情况，在本实施例中选用通用性最好的算法引擎作为主算法引擎，以通过该主算法引擎获取待聚档的人员图像以及每个人员图像的主特征信息，再利用针对不同使用场景的辅助算法引擎以从每个人员图像中获取到多维度的辅助特征信息；与传统的仅使用一个算法引擎相比，在本实施例中使用了多个算法引擎以从不同维度计算出两个人员图像的多个相似程度，最后将多个维度的相似程度进行拟合以得到两个人员图像的更加精准的综合相似度。
优选的，所述步骤A3’，具体包括：
按照如下公式（2）计算出所述任意两个人员图像的拟合相似度S：
其中，是所述主相似度；
是所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
另外，在实际应用中也可以采用其他方式以基于一个主相似度和N个辅助相似度计算出两个人员图像的拟合相似度，在此不做具体限定。
更进一步的，根据所述任意两个人员图像的特征信息T，并按照如下公式（3）计算所述任意两个人员图像的相似度：
其中，是预设的相似度算法根据所述任意两个人员图像的特征信息T计算出的所述任意两个人员图像的初始相似度；优选的，所述相似度算法为欧式距离算法；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的均值；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的标准差；
是根据与主算法引擎对应的样本初始相似度计算出的均值；
是根据与主算法引擎对应的样本初始相似度计算出的标准差。
需要说明的是，当特征信息T为主特征信息时，按照上述公式（3）计算出任意两个人员图像的主相似度；当特征信息T为辅助特征信息时，按照上述公式（3）计算出任意两个人员图像的辅助相似度。另外，在实际应用中也可以采用其他方式以基于两个人员图像的特征信息计算出两个人员图像的相似度，在此不做具体限定。
由于基于不同算法引擎计算出的初始相似度的取值范围存在偏差，为了对所有算法引擎计算出的初始相似度的取值范围统一，需按照上述公式（3）对各个算法引擎计算出的初始相似度进行归一化操作，以使得计算出的主相似度和辅助相似度的取值范围一致，从而便于后续人员聚档算法的使用。
另外，还可仅使用上述公式（3）计算出任意两个人员图像的N个辅助相似度，而不使用上述公式（3）计算出任意两个人员图像的主相似度；此时，按照如下公式（4）计算出任意两个人员图像的拟合相似度S’：
其中，为根据所述任意两个人员图像的主特征信息并利用所述相似度算法计算出的所述任意两个人员图像的初始相似度；
为所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
即，以根据主算法引擎提取出的主特征信息计算出的初始相似度作为归一化的基准，将其他辅助算法引擎计算出的辅助相似度统一到该初始相似度的取值范围内。
步骤S104：利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
由于人员聚档算法为现有算法，故人员聚档算法的具体处理逻辑在此不再赘述；当按照上述步骤S101至步骤S103的方式计算出待聚档的任意两个人员图像的拟合相似度后，将计算出的所有拟合相似度输入到所述人员聚档算法中，所述人员聚档算法的输出为聚类好的各个人员图像档案，其中，不同的人员图像档案对应不同的人员。
具体的，所述步骤S104，包括：
步骤B1：获取对所述待聚档的多个人员图像进行聚类分组后得到的当前人员图像档案，并获取已聚类分组形成的历史人员图像档案；
步骤B2：按照预设的提取算法从每个当前人员图像档案中提取出P个当前关键图像；
步骤B3：按照所述提取算法从每个历史人员图像档案中提取出Q个历史关键图像；
步骤B4：利用所述人员聚档算法处理所述P个当前关键图像和所述Q个历史关键图像，以将所述当前人员图像档案聚类分组到所述历史人员图像档案中。
需要说明的是，在本实施例中可按照上述步骤S101至步骤S104的方式对当前监控时间段内各个监控视频的人员图像进行聚类，以得到当前人员聚类档案，也可按照上述步骤S101至步骤S104的方式对历史监控时间段内各个监控视频的人员图像进行聚类，以得到历史人员图像档案。当根据当前监控时间段内的人员图像得到当前人员图像档案后还可以按照上述步骤B1至步骤B4的方式将当前人员图像档案归档到历史人员图像档案中。另外，由于在历史人员图像档案中包含大数量级的历史人员图像，所以只从历史人员图像档案中获取具有代表性的、少量的历史关键图像，并从当前人员图像档案中获取具有代表性的当前关键图像，最后基于数量级较少的历史关键图像和当前关键图像进行归档操作，从而可以在保证归档准确性的情况下提高归档操作的效率。
在本实施例中，通过主算法引擎从监控视频中提取人员图像，并利用一个或多个辅助算法引擎从人员图像中提取出一个或多个特征信息，与传统的使用单算法引擎相比，在本实施例中使用到了一个主算法引擎和至少一个辅助算法引擎，可以更准确的提取到人员图像以及人员图像的特征信息，使得基于人员图像和特征信息的人员聚档操作更加准确，从而保证操作人员更快、更准地挖掘出监控视频中的关键信息。
实施例二
本发明实施例提供了一种基于多算法引擎的人员聚档方法，如图2所示，该方法具体包括以下步骤：
步骤S201：利用主算法引擎从监控视频中提取出待聚档的多个人员图像。
当行人经过摄像头时，摄像头会捕捉到一段连续的监控视频，主算法引擎可以从该监控视频中解析得到包含行人影像的最佳画面帧以设置为人员图像；当该监控视频中包括多个行人时，可利用主算法引擎确定出每个行人的人员图像。其中，如图3所示，主算法引擎的输入为监控视频，所述主算法引擎的输出为一个或多个人员图像，且不同的人员图像对应不同的行人。
步骤S202：利用适用于N个拍摄场景的N个辅助算法引擎从待聚档的每个人员图像中分别提取出对应于每个辅助算法引擎的辅助特征信息。
其中，辅助算法引擎用于从人员图像中提取出人员特征信息；如图3所示，在本实施例中需要将一个人员图像分别输入到N个辅助算法引擎中，以得到N个辅助特征信息，且一个辅助算法引擎输出一个辅助特征信息。
由于现有的人员聚档是基于单一算法引实现的，单算法引擎由于自身算法能力限制，无法有效提取所有拍摄场景的人员特征信息；比如，A算法引擎在晚上昏暗灯光下的人脸检测效果较差，若仅基于A算法引擎进行人员聚档，则会导致在夜间抓拍的人员图像的聚档效果变差。
优选的，利用的辅助算法引擎包括以下至少任一项：适用于夜间拍摄场景的夜间算法引擎；适用于脸部遮挡拍摄场景的遮挡算法引擎；适用于侧脸拍摄场景的侧脸算法引擎。其中，夜间算法引擎能够很好的从夜间人员图像中提取出人员特征信息，当人员图像中的人脸被遮挡时通过遮挡算法引擎可以很好的提取出人员特征信息，当人员图像中的是侧脸而不是正脸时可通过侧脸算法引擎提取出人员特征信息。
步骤S203：根据提取出的N个辅助特征信息，分别计算待聚档的任意两个人员图像的拟合相似度。
具体的，所述步骤S203，包括：
步骤C1：根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；其中，第i个辅助特征信息是利用第i个辅助算法引擎提取出的；
步骤C2：根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
进一步的，所述步骤C2，具体包括：
步骤C21：判断所述任意两个人员图像是否均属于某一拍摄场景；
步骤C22：若是，则获取与所述拍摄场景对应的权重数组，若否，则获取通用的权重数组；
步骤C23：根据获取到的权重数组和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度；
其中，在与所述拍摄场景对应的权重数组中，目标辅助相似度的权重值大于其他辅助相似度的权重值，且所述目标辅助相似度是与适用于所述拍摄场景的辅助算法引擎所对应的辅助相似度。
在本实施例中，事先为不同的拍摄场景设置对应的权重数组以及设置通用的权重数组；在设置的权重数组中包括对应于N个辅助算法引擎的N个权重值；当两个人员图像不属于某一拍摄场景时，使用通用的权重数组，且在通用的权重数组中的各个权重值一致；当两个人员图像属于目标拍摄场景时，说明通过适用于目标拍摄场景的辅助算法引擎得到的辅助特征信息的置信度更高，因此在于该目标拍摄场景对应的权重数组中，与适用于目标拍摄场景的辅助算法引擎对应的权重值要大于其他权重值，以便于计算出更加准确的拟合相似度。
在本实施例中引入多个辅助算法引擎，以针对不同的拍摄场景，在特定拍摄场景下优先使用该拍摄场景下检测效果最好的算法引擎所提供的特征信息进行人员聚档，以最大化算法引擎的特征表达能力，从而提高人员聚档的准确性。
优选的，在所述步骤C23中按照如下公式（5）计算出所述任意两个人员图像的拟合相似度S：
其中，、…、/>是各个辅助相似度；
、…、/>是包含在获取到的权重数组中的各个辅助算法引擎的权重值。
此外，所述步骤S203，还包括：
步骤C1’：根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；
步骤C2’：根据所述任意两个人员图像的主特征信息，计算所述任意两个人员图像的主相似度；其中，主特征信息是利用所述主算法引擎从人员图像中提取出的；
需要说明的是，所述主算法引擎不仅用于从视频中提取出包含人员影像的画面帧以作为人员图像，还用于从人员图像中提取出人员特征信息；
步骤C3’：根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
例如，如图4所示，针对人员图像1和人员图像2，利用主引擎算法从人员图像1中提取出主特征信息f11、并利用三个辅助引擎算法从人员图像1中分别提取出辅助特征信息f12、f13、f14，对应的，用主引擎算法从人员图像2中提取出主特征信息f21、并利用三个辅助引擎算法从人员图像2中分别提取出辅助特征信息f22、f23、f24；根据主特征信息f11和f21计算出主相似度s1、根据辅助特征信息f12和f22计算出辅助相似度s2、根据辅助特征信息f13和f23计算出辅助相似度s3、根据辅助特征信息f14和f24计算出辅助相似度s4；最后根据主相似度s1和辅助相似度s2、s3、s4拟合出拟合相似度S，以将拟合相似度S输入到人员聚档算法中。
进一步的，所述步骤C3’，具体包括：
步骤C31’：判断所述任意两个特征图像是否均属于预设的拍摄场景；
步骤C32’：若是，则获取与所述拍摄场景对应的权重数组，若否，则获取通用的权重数组；
步骤C33’：根据获取到的权重数组、所述主相似度和N个辅助相似度计算出所述拟合相似度；
其中，所述权重数组包括：所述主相似度所对应的权重值，以及N个辅助相似度所对应的N个权重值。
需要说明的是，在与一个拍摄场景对应的权重数组中，与适用于所述拍摄场景的辅助算法引擎对应的辅助相似度的权重值大于主相似度的权重值以及其他辅助相似度的权重值；在通用的权重数组中，主相似度的权重值大于所有辅助相似度的权重值。
优选的，在所述步骤C33’中按照如下公式（6）计算出所述任意两个人员图像的拟合相似度S：
其中，是所述主相似度；
是包含在获取到的权重数组中的所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是包含在获取到的权重数组中的各个辅助算法引擎的权重值。
更进一步的，可按照实施例一中的公式（3）计算任意两个人员图像的相似度，具体计算过程可参考实施例一，在此不再赘述。
步骤S204：利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
由于人员聚档算法为现有算法，故人员聚档算法的具体处理逻辑在此不再赘述；当按照上述步骤S201至步骤S203的方式计算出待聚档的任意两个人员图像的拟合相似度后，将计算出的所有拟合相似度输入到所述人员聚档算法中，所述人员聚档算法的输出为聚类好的各个人员图像档案，其中，不同的人员图像档案对应不同的人员。
实施例三
本发明实施例提供了一种基于多算法引擎的人员聚档装置，如图5所示，该装置具体包括以下组成部分：
获取模块501，用于利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
提取模块502，用于利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
计算模块503，用于根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
聚类模块504，用于利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
具体的，计算模块503，包括：
计算单元，用于根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；其中，第i个辅助特征信息是利用第i个辅助算法引擎提取出的，i∈[1，N]，且N为辅助算法引擎的总数量；
拟合单元，用于根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
进一步的，所述拟合单元，还用于：
根据所述任意两个人员图像的主特征信息，计算所述任意两个人员图像的主相似度；其中，主特征信息是利用所述主算法引擎从人员图像中提取出的；
根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
更进一步的，计算模块503根据所述任意两个人员图像的特征信息T，并按照如下公式计算所述任意两个人员图像的相似度：
其中，是预设的相似度算法根据所述任意两个人员图像的特征信息T计算出的所述任意两个人员图像的初始相似度；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的均值；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的标准差；
是根据与主算法引擎对应的样本初始相似度计算出的均值；
是根据与主算法引擎对应的样本初始相似度计算出的标准差。
再进一步的，所述拟合单元在执行根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度的操作时，具体包括：
按照如下公式计算出所述任意两个人员图像的拟合相似度S：
其中，是所述主相似度；
是所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
此外，当利用分别适用于N个拍摄场景的N个辅助算法引擎时，计算模块503，具体用于：
判断所述任意两个人员图像是否均属于某一拍摄场景；
若是，则获取与所述拍摄场景对应的权重数组，若否，则获取通用的权重数组；
根据获取到的权重数组和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度；
其中，在与所述拍摄场景对应的权重数组中，目标辅助相似度的权重值大于其他辅助相似度的权重值，且所述目标辅助相似度是与适用于所述拍摄场景的辅助算法引擎所对应的辅助相似度。
优选的，利用的辅助算法引擎包括以下至少任一项：
适用于夜间拍摄场景的夜间算法引擎；
适用于脸部遮挡拍摄场景的遮挡算法引擎；
适用于侧脸拍摄场景的侧脸算法引擎。
除此之外，所述装置还包括：
合并模板，用于获取对所述待聚档的多个人员图像进行聚类分组后得到的当前人员图像档案，并获取已聚类分组形成的历史人员图像档案；按照预设的提取算法从每个当前人员图像档案中提取出P个当前关键图像；按照所述提取算法从每个历史人员图像档案中提取出Q个历史关键图像；利用所述人员聚档算法处理所述P个当前关键图像和所述Q个历史关键图像，以将所述当前人员图像档案聚类分组到所述历史人员图像档案中。
实施例四
本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。如图6所示，本实施例的计算机设备60至少包括但不限于：可通过系统总线相互通信连接的存储器601、处理器602。需要指出的是，图6仅示出了具有组件601-602的计算机设备60，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器601（即可读存储介质）包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器601可以是计算机设备60的内部存储单元，例如该计算机设备60的硬盘或内存。在另一些实施例中，存储器601也可以是计算机设备60的外部存储设备，例如该计算机设备60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。当然，存储器601还可以既包括计算机设备60的内部存储单元也包括其外部存储设备。在本实施例中，存储器601通常用于存储安装于计算机设备60的操作系统和各类应用软件。此外，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各类数据。
处理器602在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他基于多算法引擎的人员聚档芯片。该处理器602通常用于控制计算机设备60的总体操作。
具体的，在本实施例中，处理器602用于执行存储器601中存储的基于多算法引擎的人员聚档方法的程序，所述基于多算法引擎的人员聚档方法的程序被执行时实现如下步骤：
利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
上述方法步骤的具体实施例过程可参见实施例一和实施例二，本实施例在此不再重复赘述。
实施例五
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
上述方法步骤的具体实施例过程可参见实施例一和实施例二，本实施例在此不再重复赘述。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于多算法引擎的人员聚档方法，其特征在于，所述方法包括：
利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
2.根据权利要求1所述的基于多算法引擎的人员聚档方法，其特征在于，所述根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度，具体包括：
根据所述任意两个人员图像的第i个辅助特征信息，计算所述任意两个人员图像的第i个辅助相似度；其中，第i个辅助特征信息是利用第i个辅助算法引擎提取出的，i∈[1，N]，且N为辅助算法引擎的总数量；
根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
3.根据权利要求2所述的基于多算法引擎的人员聚档方法，其特征在于，所述根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度，还包括：
根据所述任意两个人员图像的主特征信息，计算所述任意两个人员图像的主相似度；其中，主特征信息是利用所述主算法引擎从人员图像中提取出的；
根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度。
4.根据权利要求3所述的基于多算法引擎的人员聚档方法，其特征在于，根据所述任意两个人员图像的特征信息T，并按照如下公式计算所述任意两个人员图像的相似度：
其中，是预设的相似度算法根据所述任意两个人员图像的特征信息T计算出的所述任意两个人员图像的初始相似度；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的均值；
是根据与用于提取所述特征信息T的算法引擎对应的样本初始相似度计算出的标准差；
是根据与主算法引擎对应的样本初始相似度计算出的均值；
是根据与主算法引擎对应的样本初始相似度计算出的标准差。
5.根据权利要求3或4所述的基于多算法引擎的人员聚档方法，其特征在于，所述根据所述主相似度和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度，具体包括：
按照如下公式计算出所述任意两个人员图像的拟合相似度S：
其中，是所述主相似度；
是所述主算法引擎的权重值；
、…、/>是各个辅助相似度；
、…、/>是各个辅助算法引擎的权重值。
6.根据权利要求2所述的基于多算法引擎的人员聚档方法，其特征在于，当利用分别适用于N个拍摄场景的N个辅助算法引擎时，所述根据所述任意两个人员图像的N个辅助相似度计算出所述任意两个人员图像的拟合相似度，具体包括：
判断所述任意两个人员图像是否均属于某一拍摄场景；
若是，则获取与所述拍摄场景对应的权重数组，若否，则获取通用的权重数组；
根据获取到的权重数组和所述N个辅助相似度计算出所述任意两个人员图像的拟合相似度；
其中，在与所述拍摄场景对应的权重数组中，目标辅助相似度的权重值大于其他辅助相似度的权重值，且所述目标辅助相似度是与适用于所述拍摄场景的辅助算法引擎所对应的辅助相似度。
7.根据权利要求6所述的基于多算法引擎的人员聚档方法，其特征在于，利用的辅助算法引擎包括以下至少任一项：
适用于夜间拍摄场景的夜间算法引擎；
适用于脸部遮挡拍摄场景的遮挡算法引擎；
适用于侧脸拍摄场景的侧脸算法引擎。
8.根据权利要求1所述的基于多算法引擎的人员聚档方法，其特征在于，所述利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组，具体包括：
获取对所述待聚档的多个人员图像进行聚类分组后得到的当前人员图像档案，并获取已聚类分组形成的历史人员图像档案；
按照预设的提取算法从每个当前人员图像档案中提取出P个当前关键图像；
按照所述提取算法从每个历史人员图像档案中提取出Q个历史关键图像；
利用所述人员聚档算法处理所述P个当前关键图像和所述Q个历史关键图像，以将所述当前人员图像档案聚类分组到所述历史人员图像档案中。
9.一种基于多算法引擎的人员聚档装置，其特征在于，所述装置包括：
获取模块，用于利用主算法引擎从监控视频中提取出待聚档的多个人员图像；
提取模块，用于利用辅助算法引擎从待聚档的每个人员图像中提取出对应的特征信息；
计算模块，用于根据提取出的特征信息，分别计算待聚档的任意两个人员图像的拟合相似度；
聚类模块，用于利用人员聚档算法处理计算得到的拟合相似度，以对所述待聚档的多个人员图像进行聚类分组。
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8中任一项所述方法的步骤。
CN202310801488.7A 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置及可读存储介质 Active CN116561372B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310801488.7A CN116561372B (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置及可读存储介质
CN202311177292.1A CN117058434A (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310801488.7A CN116561372B (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置及可读存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311177292.1A Division CN117058434A (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116561372A true CN116561372A (zh) 2023-08-08
CN116561372B CN116561372B (zh) 2023-09-29

Family

ID=87496753

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310801488.7A Active CN116561372B (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置及可读存储介质
CN202311177292.1A Pending CN117058434A (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置、设备及存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311177292.1A Pending CN117058434A (zh) 2023-07-03 2023-07-03 基于多算法引擎的人员聚档方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (2) CN116561372B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000115A1 (zh) * 2015-06-29 2017-01-05 北京旷视科技有限公司 行人再识别方法及设备
CN109522853A (zh) * 2018-11-22 2019-03-26 湖南众智君赢科技有限公司 面向监控视频的人脸检测与搜索方法
WO2019233393A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110750670A (zh) * 2019-09-05 2020-02-04 北京旷视科技有限公司 陌生人监控方法、装置、系统和存储介质
CN110852219A (zh) * 2019-10-30 2020-02-28 广州海格星航信息科技有限公司 一种多行人跨摄像头在线跟踪系统
CN112446362A (zh) * 2020-12-16 2021-03-05 上海芯翌智能科技有限公司 人脸图片档案处理方法及设备
CN112949511A (zh) * 2021-03-08 2021-06-11 中国建筑一局(集团)有限公司 一种基于机器学习和图像识别的施工现场人员管理方法
JP2022064082A (ja) * 2020-10-13 2022-04-25 富士通株式会社 人物照合装置、人物照合システム、人物照合方法および人物照合プログラム
CN114764921A (zh) * 2022-04-21 2022-07-19 中山大学 一种跨模态行人重识别方法
CN114882429A (zh) * 2022-04-22 2022-08-09 苏州超行星创业投资有限公司 一种基于多种信息特征融合的队列计数方法及系统
CN115205890A (zh) * 2022-05-13 2022-10-18 南京博雅集智智能技术有限公司 一种非机动车行人重识别方法和系统
CN115546516A (zh) * 2022-09-29 2022-12-30 北京瑞莱智慧科技有限公司 人员聚档方法、装置、计算机设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000115A1 (zh) * 2015-06-29 2017-01-05 北京旷视科技有限公司 行人再识别方法及设备
WO2019233393A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109522853A (zh) * 2018-11-22 2019-03-26 湖南众智君赢科技有限公司 面向监控视频的人脸检测与搜索方法
CN110750670A (zh) * 2019-09-05 2020-02-04 北京旷视科技有限公司 陌生人监控方法、装置、系统和存储介质
CN110852219A (zh) * 2019-10-30 2020-02-28 广州海格星航信息科技有限公司 一种多行人跨摄像头在线跟踪系统
JP2022064082A (ja) * 2020-10-13 2022-04-25 富士通株式会社 人物照合装置、人物照合システム、人物照合方法および人物照合プログラム
CN112446362A (zh) * 2020-12-16 2021-03-05 上海芯翌智能科技有限公司 人脸图片档案处理方法及设备
CN112949511A (zh) * 2021-03-08 2021-06-11 中国建筑一局(集团)有限公司 一种基于机器学习和图像识别的施工现场人员管理方法
CN114764921A (zh) * 2022-04-21 2022-07-19 中山大学 一种跨模态行人重识别方法
CN114882429A (zh) * 2022-04-22 2022-08-09 苏州超行星创业投资有限公司 一种基于多种信息特征融合的队列计数方法及系统
CN115205890A (zh) * 2022-05-13 2022-10-18 南京博雅集智智能技术有限公司 一种非机动车行人重识别方法和系统
CN115546516A (zh) * 2022-09-29 2022-12-30 北京瑞莱智慧科技有限公司 人员聚档方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116561372B (zh) 2023-09-29
CN117058434A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Asghar et al. Copy-move and splicing image forgery detection and localization techniques: a review
Amerini et al. Tracing images back to their social network of origin: A CNN-based approach
EP2742442B1 (en) A method for detecting a copy of a reference video, corresponding apparatus for extracting a spatio-temporal signature from video data and corresponding computer readable storage medium
CN110162665B (zh) 视频搜索方法、计算机设备及存储介质
GB2467767A (en) Methods of identifying imaging devices and classifying images
JP2022518459A (ja) 情報処理方法および装置、記憶媒体
CN111191568A (zh) 翻拍图像识别方法、装置、设备及介质
KR101832680B1 (ko) 참석자들에 의한 이벤트 검색
WO2017000880A1 (zh) 信息处理方法、信息处理装置和视频监控系统
CN111368867B (zh) 档案归类方法及系统、计算机可读存储介质
CN110674800A (zh) 一种人脸活体检测方法、装置、电子设备及存储介质
CN109800664B (zh) 一种确定路人轨迹的方法及装置
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN112699270A (zh) 基于云计算的监控安防数据传输储存方法、系统、电子设备和计算机存储介质
CN111708906B (zh) 基于人脸识别的来访检索方法、装置、设备及存储介质
CN116561372B (zh) 基于多算法引擎的人员聚档方法、装置及可读存储介质
CN110428402B (zh) 图像篡改识别方法、装置、计算机设备及存储介质
CN114863364B (zh) 一种基于智能视频监控的安防检测方法及系统
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN113919421A (zh) 调整目标检测模型的方法、装置和设备
CN114419489A (zh) 特征提取网络的训练方法、装置、终端设备和介质
GB2486987A (en) Classifying images using enhanced sensor noise patterns
Robles et al. Towards a content-based video retrieval system using wavelet-based signatures
Mao et al. A robust and fast video fingerprinting based on 3D-DCT and LSH
Maigrot et al. Context-aware forgery localization in social-media images: a feature-based approach evaluation

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