CN116956960A - 一种基于云边端协同的社区访客到访路径还原方法及系统 - Google Patents
一种基于云边端协同的社区访客到访路径还原方法及系统 Download PDFInfo
- Publication number
- CN116956960A CN116956960A CN202310941509.5A CN202310941509A CN116956960A CN 116956960 A CN116956960 A CN 116956960A CN 202310941509 A CN202310941509 A CN 202310941509A CN 116956960 A CN116956960 A CN 116956960A
- Authority
- CN
- China
- Prior art keywords
- visitor
- image
- feature
- personnel
- community
- 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 46
- 238000010586 diagram Methods 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Toxicology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于云边端协同的社区访客到访路径还原方法及系统,该方法包括:访客客户端接收二维码及ID标识;边端设备识别二维码获取访客图像与ID标识,通过目标检测算法检测得到访客图像区域图,并将访客图像区域图与ID标识绑定,再通过摄像头获取社区内的人员图像,然后通过目标检测算法进行检测得到人员图像区域图;云端对人员图像区域图进行处理得到待匹配图像,并通过DG‑Net模型分别对待匹配图像和访客图像区域图进行特征提取和特征合并,得到第一、二全局特征以进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后生成到访路径。本发明通过客户端‑边端‑云端协同高效、准确地还原了访客到访的路径,提高了社区管理的安全性。
Description
技术领域
本发明涉及信息管理技术领域,特别涉及一种基于云边端协同的社区访客到访路径还原方法及系统。
背景技术
对于社区管理而言,访客管理是管理工作的重点。随着物业管理从数字化和自动化逐渐转向智能化,访客管理也从原来手工登记的方式,逐步转向线上化管理模式。
在过去,手动纸笔登记方式是最常见的访客管理方法,但手动纸笔登记的缺点也很明显:低效、无法维护、没有数字化且不便于对记录进行追溯,也无法完整地还原访客在社区内的到访路径。现如今随着数字技术的发展,数字化访客系统也应运而生。然而,现有的数字化访客系统虽然相较于过去的手动登记方式更为高效,但仍存在诸多局限性。例如,现有的数字化访客系统由于闸机层级只在楼栋层级,因此无法追溯访客到访的具体楼栋,同时也无法保证一码一人通行,容易被人为规避。此外,现有的数字化访客系统也无法还原访客在社区内的到访路径。因此,为了能够进一步推进物业管理升级,如何实现更加高效、智能的社区访客管理系统是本领域技术人员需要解决的问题。
发明内容
本发明实施例提供了一种基于云边端协同的社区访客到访路径还原方法及系统,旨在提供一种更加高效、智能的社区访客管理系统。
第一方面,本发明实施例提供了一种基于云边端协同的社区访客到访路径还原方法,包括:
访客客户端接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
边端设备基于所述闸机识别,获取访客图像与所述ID标识;
边端设备通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端;
边端设备通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
云端对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;
云端通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;
云端对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
进一步的,所述边端设备通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端,包括:
边端设备对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
其中,R0表示所述访客图像的位置矩形框,x0表示所述访客图像的位置矩形框的中心横坐标,y0表示所述访客图像的位置矩形框的中心竖坐标,w0表示所述访客图像的位置矩形框的宽度,b0表示所述访客图像的位置矩形框的高度;
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
进一步的,所述边端设备通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端,包括:
边端设备通过社区摄像头获取摄像头视频流;
对所述摄像头视频流进行抽帧和图像预处理,得到所述人员图像;
将所述人员图像输入至YoloV5算法中,并由所述YoloV5算法输出得到所述人员图像区域图。
进一步的,所述云端对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征,包括:
云端对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
进一步的,所述云端对所述第一全局特征和第二全局特征进行特征匹配,包括:
按照下式计算第一全局特征f0与第二全局特征fi的相似度p:
当所述相似度p小于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配失败;
当所述相似度大于或者等于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配成功。
进一步的,所述根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径,包括:
当特征匹配成功时,获取所述人员图像对应的社区摄像头的摄像头坐标,并按照下式计算所述摄像头坐标:
其中,[X,Y,Z,1]T表示世界坐标系下对应的人员空间位置的坐标,R3×3表示3×3的旋转矩阵,T3×1表示3×1的平移矩阵,fx、fy分别表示摄像头的x和y方向对应的焦距,(u0,v0)表示人员图像的原点坐标,s表示摄像头中心到人员图像的垂直距离;
按照下式,根据所述摄像头坐标计算得到所述人员图像中的访客坐标:
其中,X表示世界坐标系下对应的人员空间位置的横坐标、Y表示世界坐标系下对应的人员空间位置的纵坐标、Z表示世界坐标系下对应的人员空间位置的竖坐标;
提取并记录不同社区摄像头所对应的世界坐标系下对应的人员空间位置的横坐标和竖坐标,并获取所述横坐标和所述竖坐标的到访时间,然后根据所述横坐标、所述竖坐标和到访时间生成访客的到访路径。
进一步的,还包括:
采集包含行人的参考图像,并对所述参考图像进行图像预处理,然后通过卷积神经网络对图像预处理后的所述参考图像进行特征提取,以构建得到行人目标数据库;
将所述行人目标数据库中的训练数据输入至DG-Net模型中,利用优化器对所述DG-Net模型进行参数调试;
利用DG-Net模型中的生成模块对所述训练数据进行重构操作、外观和结构混合特征操作;
按照下式,利用损失函数Ltotal对所述DG-Net模型进行优化:
Ltotal=LErec+LSrec+LGgun+LDcls
其中,LErec表示外观编码器对参考图像的外观代码和结构代码的重构误差,LSrec表示结构编码器对参考图像的结构代码和解码器生成的图片的重构误差,LGgun表示生成模块的生成对抗网络损失函数,LDcls表示DG-Net模型中的判别模块的分类损失;
其中,所述分类损失LDcls按照下式采用交叉熵损失函数进行计算:
其中,n表示参考图像中的人员数量,yi表示判别模型进行特征匹配得到第i个人员的身份,pi表示第i个人员身份的概率。
第二方面,本发明实施例提供了一种基于云边端协同的社区访客到访路径还原系统,包括:访客客户端、边端设备和云端;
所述访客客户端用于接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
所述边端设备用于基于所述闸机识别,获取访客图像与所述ID标识;通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端;通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
所述云端用于对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
进一步的,所述边端设备还用于:
对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
进一步的,所述边端设备还用于:
对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
本发明实施例公开了一种基于云边端协同的社区访客到访路径还原方法及系统,该方法包括:访客客户端接收二维码及ID标识;边端设备基于闸机识别二维码获取访客图像与ID标识,通过目标检测算法检测得到访客图像区域图,并将访客图像区域图与ID标识绑定,再通过摄像头获取社区内的人员图像,然后通过目标检测算法进行检测得到人员图像区域图;云端对人员图像区域图进行处理得到待匹配图像,并通过DG-Net模型分别对待匹配图像和访客图像区域图进行特征提取和特征合并,得到第一、二全局特征以进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后生成到访路径。本发明实施例利用访客客户端识别访客身份,再通过边端设备获取访客进入社区的图像和在社区内的图像,并通过云端对图像进行匹配,基于客户端-边端-云端协同高效、准确地还原了访客到访的路径,提高了社区管理的安全性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原方法的流程示意图;
图2为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原方法的示例图;
图3为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原方法的子流程示意图;
图4为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原方法的另一示例图;
图5为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原系统的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1和图2,图1为本发明实施例提供的一种基于云边端协同的社区访客到访路径还原方法的流程示意图,具体包括:步骤S101~S107。
S101、访客客户端接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
S102、边端设备基于所述闸机识别,获取访客图像与所述ID标识;
S103、边端设备通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端;
S104、边端设备通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
S105、云端对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;
S106、云端通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;
S107、云端对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
本发明实施例首先通过访客客户端接收访客对应的二维码及ID标识,进行闸机识别,然后通过边端设备分别获取访客图像和社区内的人员图像,并利用目标检测算法分别进行目标检测得到访客图像区域图和人员图像区域图,再通过云端对访客图像区域图和人员图像区域图分别进行特征提取和特征合并,得到第一全局特征和第二全局特征并进行特征匹配,根据特征匹配结果获取访客的路径坐标,最终根据所述路径坐标生成访客的到访路径。
在具体实施例中,访客系统可以是在现有的的数字化访客系统基础上进行改进的一种信息系统,访客系统可以设置在云端,或者在其他实施例中,访客系统也可以设置在独立的服务器中。现有的数字化访客系统的访客管理流程普遍为:通过下发二维码给社区的业主,访客扫码后进入社区,闸机记录访客信息并上传至系统,本发明实施例基于客户端-边端-云端的协同生成了访客在社区内的访客路径,再将访客路径存储于访客系统中,需要时可利用访客的ID标识进行索引获取,从而增加了追溯访客的到访路径功能。
本发明实施例利用访客客户端识别访客身份,再通过边端设备获取访客进入社区的图像和在社区内的图像,并通过云端对图像进行匹配,基于客户端-边端-云端的协同,全自动化、高效、准确地还原了访客到访的路径,并且使得访客无法人为规避,提高了社区管理的安全性。此外,本发明实施例通过采用客户端-边端-云端的协同架构,可以在本地实现数据处理,从而避免了数据传输时的延迟,提高了业务响应速度,降低了对云端的依赖,减小了网络延迟和安全威胁,进一步的,通过本地缓存等技术,还有效地降低数据在网络上传输的带宽成本。
在一具体实施例中,所述步骤S101包括:
社区业主根据访客的到访信息向访客系统提出访客二维码申请;
所述访客系统基于所述访客的到访信息生成访客二维码及所述访客二维码对应的ID标识;
访客获取所述访客二维码,并根据所述二维码进行闸机识别。
在本实施例中,首先需要社区业主向访客系统提出申请,同时提供访客的必要的到访信息,例如访客姓名、到访时间、到访业主、访客联系方式等,访客系统根据接收到的访客到访信息生成相应的访客二维码,访客再获取所述访客二维码通过闸机进行识别,从而进入社区。访客获取访客二维码的具体方式可以是访客系统根据访客联系方式发送短信至访客的手机,还可以是通过微信公众号获取,或者根据不同的实际应用场景选择其他的获取途径。
进一步的,所述步骤S102包括:
访客将所述访客二维码对准社区物业闸机;
边端设备通过社区物业闸机对访客所述访客二维码进行识别,并获取访客二维码中的访客信息和ID标识;
边端设备通过社区物业闸机侧端的摄像头拍摄访客图像,并将所述ID标识与访客图像进行绑定。
访客利用访客二维码通过社区物业闸机进入社区,在社区物业闸机识别的过程对访客的图像进行拍摄,并将拍摄到的访客图像与所述ID标识进行绑定,用于后续的访客到访路径还原。在具体应用场景中,还可以对访客二维码增加限定功能,例如访客二维码只在规定时间内有效,超过规定时间需要重新生成访客二维码,否则无法通过社区物业闸机识别。
在一实施例中,所述步骤S103包括:
边端设备对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
其中,R0表示所述访客图像的位置矩形框,x0表示所述访客图像的位置矩形框的中心横坐标,y0表示所述访客图像的位置矩形框的中心竖坐标,w0表示所述访客图像的位置矩形框的宽度,b0表示所述访客图像的位置矩形框的高度;
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
在本实施例中,首先对访客图像进行预处理,使访客图像能够更好地适应YoloV5算法的需求,提升图像处理的效果,具体的预处理步骤可以根据实际场景不同进行选择,例如可以采用尺寸调整、归一化、色彩空间转换、数据增强和标准化等等。然后再采用YoloV5算法进行目标检测得到的位置矩形框R0(x0,y0,w0,b0)进行裁剪得到目标图像区域,目的是去除访客图像中的无用信息,提升后续的处理效果。最后将目标图像区域调整为固定的尺寸得到访客图像区域图,用于上传至云端进行后续的处理。
YoloV5(YouOnlyLookOnceversion5)算法是一种目标检测模型,用于在视频或图像中识别和定位物体,可以直接从原始图像中检测和定位目标。YoloV5算法使用卷积神经网络(CNN)来学习图像中物体的特征,并使用多尺度预测和网格分割来检测和定位目标。
在目标检测中,通常使用位置矩形框来描述目标的位置,由位置矩形框的中心横坐标x、中心竖坐标y、宽度w、高度b进行表示。
结合图3所示,在一实施例中,所述步骤S104包括步骤S201~S203:
S201、边端设备通过社区摄像头获取摄像头视频流;
S202、对所述摄像头视频流进行抽帧和图像预处理,得到所述人员图像;
S203、将所述人员图像输入至YoloV5算法中,并由所述YoloV5算法输出得到所述人员图像区域图。
在本实施例中,通过摄像头获取社区内不同位置的实时监控视频,并从实时监控视频中抽帧得到包含有人员的图像,再进行图像预处理(具体的预处理步骤可以根据实际场景不同进行选择,例如可以采用尺寸调整、归一化、色彩空间转换、数据增强和标准化等等)得到人员图像,然后通过YoloV5算法进行目标检测得到人员图像区域图并上传至云端进行后续的处理。
抽帧是指从视频序列中提取出单独的图像帧。抽帧只是从视频中选择性地提取一些帧,而不会改变帧之间的时间间隔,因此可以通过减少视频文件中的帧数来减小文件大小,但不会影响视频的质量。在具体应用场景中,可以根据实际情况,使用视频编辑软件或命令行工具来手动选择要抽取的帧,或者使用编程语言中的图像处理库来自动选择帧。
其中,通过YoloV5算法进行目标检测的步骤为首先采用YoloV5算法对人员图像进行目标检测得到人员图像的位置矩形框Ri(xi,yi,wi,bi),其次对人员图像的位置矩形框Ri(xi,yi,wi,bi)进行图像裁剪处理,得到仅包含人员的所述人员图像区域图。
在一实施例中,所述步骤S105包括:
云端对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
在本实施例中,在云端选择DG-Net模型进行特征处理,DG-Net模型具有强大的特征表达能力和自适应度量学习策略,可以有效解决不同数据之间的特征差异问题,并提升识别性能。优选的,DG-Net模型采用ResNet-50卷积神经网络作为基础网络,ResNet-50卷积神经网络具有精度高、速度快、复杂度低的优点。
本实施例首先采用DG-Net模型的多级特征融合技术进行特征提取,通过DG-Net模型不同层级的卷积层获取不同抽象程度和不同尺度的特征向量,以作为所述待匹配图像不同层级的第一特征向量,其次将上述不同层级的第一特征向量输入到一个全局池化层中,将不同层级的卷积特征进行合并得到第一全局特征,从而以提高特征表达的多样性和鲁棒性,最后将第一全局特征进行归一化处理,以进行后续的特征匹配处理。
同样的,在通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征时,首先采用DG-Net模型的多级特征融合技术进行特征提取,通过DG-Net模型不同层级的卷积层获取不同抽象程度和不同尺度的特征向量,以作为所述访客图像区域图不同层级的第二特征向量,其次将上述不同层级的第二特征向量输入到一个全局池化层中,将不同层级的卷积特征进行合并得到第二全局特征,最后将第二全局特征进行归一化处理,以进行后续的特征匹配处理。
在一实施例中,所述云端对所述第一全局特征和第二全局特征进行特征匹配,包括:
按照下式计算第一全局特征f0与第二全局特征fi的相似度p:
当所述相似度p小于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配失败;
当所述相似度大于或者等于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配成功。
在本实施例中,通过计算所述人员图像对应的第一全局特征f0与所述访客图像对应的第二全局特征fi的相似度p,并将相似度p与相似度的预设阈值进行比较,若相似度p小于预设阈值,则判定特征匹配失败,特征匹配失败也即代表着人员图像中的人员与访客图像中的访客不是同一个目标;若相似度p大于或者等于预设阈值,则判定特征匹配成功,特征匹配成功也即代表着人员图像中的人员与访客图像中的访客是同一个目标,从而进行后续的访客坐标获取,以生成访客的到访路径。
考虑到社区内的摄像头分布在社区内的不同位置,对应的监控区域也各不相同,例如当一个位置上的摄像头获取的人员图像对应的第一全局特征和访客图像对应的第二全局特征的特征匹配结果失败时,则重新通过此位置的社区摄像头获取社区内的人员图像,并进行相应的处理过程得到第一全局特征f0再次进行特征匹配,直至特征匹配成功。如果达到预设的条件(例如访客进入社区的时间已经超过了两小时)后仍未特征匹配成功,则不再重新获取此位置的人员图像,进而可以判定访客未到达过此位置的社区摄像头的监控区域。或者,还可以在访客离开社区时通过闸机识别并记录,识别到访客离开社区后,则不再通过社区内的摄像头获取人员图像并进行后续的处理步骤。
结合图4,在一实施例中,所述根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径,包括:
当特征匹配成功时,获取所述人员图像对应的社区摄像头的摄像头坐标,并按照下式计算所述摄像头坐标:
其中,[X,Y,Z,1]T表示世界坐标系下对应的人员空间位置的坐标,R3×3表示3×3的旋转矩阵,T3×1表示3×1的平移矩阵,fx、fy分别表示摄像头的x和y方向对应的焦距,(u0,v0)表示人员图像的原点坐标,(u,v)表示人员图像中的人员坐标,s表示摄像头中心到人员图像的垂直距离;
按照下式,根据所述摄像头坐标计算得到所述人员图像中的访客坐标:
其中,X表示世界坐标系下对应的人员空间位置的横坐标、Y表示世界坐标系下对应的人员空间位置的纵坐标、Z表示世界坐标系下对应的人员空间位置的竖坐标;
提取并记录不同社区摄像头所对应的世界坐标系下对应的人员空间位置的横坐标和竖坐标,并获取所述横坐标和所述竖坐标的到访时间,然后根据所述横坐标、所述竖坐标和到访时间生成访客的到访路径。
在本实施例中,当所述人员图像对应的第一全局特征和所述访客图像对应的第二全局特征特征匹配成功时,代表人员图像中的人员与访客图像中的访客是同一个目标,则说明所述人员图像对应的社区摄像头拍摄到了访客在这一监控区域的图像,进而通过获取所述人员图像对应的社区摄像头的摄像头坐标F,并根据所述摄像头坐标F计算得到所述人员图像中对应的世界坐标系下对应的人员空间位置的横坐标X和竖坐标Z,以作为访客坐标(X,Z),再获取访客到达访客坐标(X,Z)时对应的到访时间,结合访客坐标(X,Z)和到访时间便能够得到访客的轨迹点。通过社区内不同位置的摄像头拍摄到不同位置的人员图像,并相应的进行上述的目标检测、特征提取、特征合并和特征匹配等操作步骤,从而得到的访客在社区内不同位置的轨迹点,通过各个轨迹点详细记录了访客在不同时间到达了社区内的不同位置,最终结合所有的轨迹点,便可以还原得到访客在社区内的详细到访路径。
在一些优选的实施例中,访客的详细到访路径生成后存储在访客系统中,当需要获取某一访客的完整到访信息时,可在访客系统中选择相应访客记录,访客系统再通过ID标识提供访客对应的到访信息以及详细的到访路径,从而有效提高了社区的访客管理能力,提升了管理人员工作效率,降低了访客风险事件发生的可能性。
在一实施例中,所述基于云边端协同的社区访客到访路径还原方法还包括:
采集包含行人的参考图像,并对所述参考图像进行图像预处理,然后通过卷积神经网络对图像预处理后的所述参考图像进行特征提取,以构建得到行人目标数据库;
将所述行人目标数据库中的训练数据输入至DG-Net模型中,利用优化器对所述DG-Net模型进行参数调试;
利用DG-Net模型中的生成模块对所述训练数据进行重构操作、外观和结构混合特征操作;
按照下式,利用损失函数Ltotal对所述DG-Net模型进行优化:
Ltotal=LErec+LSrec+LGgun+LDcls
其中,LErec表示外观编码器对参考图像的外观代码和结构代码的重构误差,LSrec表示结构编码器对参考图像的结构代码和解码器生成的图片的重构误差,LGgun表示生成模块的生成对抗网络损失函数,LDcls表示DG-Net模型中的判别模块的分类损失;
其中,所述分类损失LDcls按照下式采用交叉熵损失函数进行计算:
其中,n表示参考图像中的人员数量,yi表示判别模型进行特征匹配得到第i个人员的身份,pi表示第i个人员身份的概率。
在本实施例中,首先通过采集包含行人的参考图像并进行图像预处理,从而构建行人目标数据库以对DG-Net模型进行训练,其次再利用优化器对DG-Net模型进行参数调试获取性能更优的DG-Net模型,再次对所述训练数据进行重构操作、外观和结构混合特征操作,提升DG-Net模型的特征提取能力,最后通过计算损失函数Ltotal对DG-Net模型进行优化。
其中,生成对抗网络损失函数LGgun用于提高DG-Net模型的鲁棒性和生成模块的性能;判别模块的分类损失LDcls用于训练人员识别器和人员分类器,通过训练人员识别器和人员分类器将重构后的训练数据正确地分类到其所属的人员身份,同时也用于提取与人员身份相关的特征,以进行后续的访客图像及人员图像的特征提取和特征匹配。在具体应用场景中,参考图像的采集方式可以是开源或本地采集。
结合图5所示,本发明实施例提供了一种基于云边端协同的社区访客到访路径还原系统,包括:访客客户端501、边端设备502和云端503;
所述访客客户端501用于接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
所述边端设备502用于基于所述闸机识别,获取访客图像与所述ID标识;通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端503;通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
所述云端503用于对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
在一实施例中,所述边端设备502还用于:
对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
在一实施例中,所述边端设备502还用于:
对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于云边端协同的社区访客到访路径还原方法,其特征在于,包括:
访客客户端接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
边端设备基于所述闸机识别,获取访客图像与所述ID标识;
边端设备通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端;
边端设备通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
云端对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;
云端通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;
云端对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
2.根据权利要求1所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,所述边端设备通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端,包括:
边端设备对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
其中,R0表示所述访客图像的位置矩形框,x0表示所述访客图像的位置矩形框的中心横坐标,y0表示所述访客图像的位置矩形框的中心竖坐标,w0表示所述访客图像的位置矩形框的宽度,b0表示所述访客图像的位置矩形框的高度;
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
3.根据权利要求1所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,所述边端设备通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端,包括:
边端设备通过社区摄像头获取摄像头视频流;
对所述摄像头视频流进行抽帧和图像预处理,得到所述人员图像;
将所述人员图像输入至YoloV5算法中,并由所述YoloV5算法输出得到所述人员图像区域图。
4.根据权利要求2所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,所述云端对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征,包括:
云端对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
5.根据权利要求1所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,所述云端对所述第一全局特征和第二全局特征进行特征匹配,包括:
按照下式计算第一全局特征f0与第二全局特征fi的相似度p:
当所述相似度p小于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配失败;
当所述相似度大于或者等于预设阈值时,则判定所述第一全局特征和第二全局特征的特征匹配成功。
6.根据权利要求5所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,所述根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径,包括:
当特征匹配成功时,获取所述人员图像对应的社区摄像头的摄像头坐标,并按照下式计算所述摄像头坐标:
其中,[X,Y,Z,1]T表示世界坐标系下对应的人员空间位置的坐标,R3×3表示3×3的旋转矩阵,T3×1表示3×1的平移矩阵,fx、fy分别表示摄像头的x和y方向对应的焦距,(u0,v0)表示人员图像的原点坐标,s表示摄像头中心到人员图像的垂直距离;
按照下式,根据所述摄像头坐标计算得到所述人员图像中的访客坐标:
其中,X表示世界坐标系下对应的人员空间位置的横坐标、Y表示世界坐标系下对应的人员空间位置的纵坐标、Z表示世界坐标系下对应的人员空间位置的竖坐标;
提取并记录不同社区摄像头所对应的世界坐标系下对应的人员空间位置的横坐标和竖坐标,并获取所述横坐标和所述竖坐标的到访时间,然后根据所述横坐标、所述竖坐标和到访时间生成访客的到访路径。
7.根据权利要求1所述的基于云边端协同的社区访客到访路径还原方法,其特征在于,还包括:
采集包含行人的参考图像,并对所述参考图像进行图像预处理,然后通过卷积神经网络对图像预处理后的所述参考图像进行特征提取,以构建得到行人目标数据库;
将所述行人目标数据库中的训练数据输入至DG-Net模型中,利用优化器对所述DG-Net模型进行参数调试;
利用DG-Net模型中的生成模块对所述训练数据进行重构操作、外观和结构混合特征操作;
按照下式,利用损失函数Ltotal对所述DG-Net模型进行优化:
Ltotal=LErec+LSrec+LGgun+LDcls
其中,LErec表示外观编码器对参考图像的外观代码和结构代码的重构误差,LSrec表示结构编码器对参考图像的结构代码和解码器生成的图片的重构误差,LGgun表示生成模块的生成对抗网络损失函数,LDcls表示DG-Net模型中的判别模块的分类损失;
其中,所述分类损失LDcls按照下式采用交叉熵损失函数进行计算:
其中,n表示参考图像中的人员数量,yi表示判别模型进行特征匹配得到第i个人员的身份,pi表示第i个人员身份的概率。
8.一种基于云边端协同的社区访客到访路径还原系统,其特征在于,包括:访客客户端、边端设备和云端;
所述访客客户端用于接收访客系统发送的二维码及对应的ID标识,并根据所述二维码进行闸机识别;
所述边端设备用于基于所述闸机识别,获取访客图像与所述ID标识;通过目标检测算法对所述访客图像进行访客目标检测得到访客图像区域图,并将所述访客图像区域图与所述ID标识绑定后上传至云端;通过社区摄像头获取社区内的人员图像,并通过目标检测算法对所述人员图像进行目标检测,得到人员图像区域图,然后将所述人员图像区域图上传至云端;
所述云端用于对所述人员图像区域图进行图像预处理,得到待匹配图像,并通过DG-Net模型对所述待匹配图像进行特征提取和特征合并,得到第一全局特征;通过DG-Net模型对所述访客图像区域图进行特征提取和特征合并,得到第二全局特征;对所述第一全局特征和第二全局特征进行特征匹配,并根据特征匹配结果获取访客的路径坐标,然后根据所述路径坐标生成访客的到访路径。
9.根据权利要求8所述的基于云边端协同的社区访客到访路径还原系统,其特征在于,所述边端设备还用于:
对所述访客图像进行图像预处理;
采用YoloV5算法对经过图像预处理后的所述访客图像中的访客进行目标检测,得到所述访客图像的位置矩形框R0(x0,y0,w0,b0);
对所述位置矩形框R0(x0,y0,w0,b0)进行图像裁剪处理,得到仅包含访客的目标图像区域;
将所述目标图像区域的尺寸进行图像缩放和图像填充为第一固定尺寸,得到所述访客图像区域图。
10.根据权利要求8所述的基于云边端协同的社区访客到访路径还原系统,其特征在于,所述边端设备还用于:
对所述人员图像区域图依次进行缩放和填充处理,生成第二固定尺寸的待匹配图像;其中,所述第一固定尺寸与第二固定尺寸相等;
通过DG-Net模型提取得到所述待匹配图像不同层级的第一特征向量;
通过全局池化层对不同层级的所述第一特征向量进行特征合并,得到第一全局特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310941509.5A CN116956960A (zh) | 2023-07-28 | 2023-07-28 | 一种基于云边端协同的社区访客到访路径还原方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310941509.5A CN116956960A (zh) | 2023-07-28 | 2023-07-28 | 一种基于云边端协同的社区访客到访路径还原方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956960A true CN116956960A (zh) | 2023-10-27 |
Family
ID=88457976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310941509.5A Pending CN116956960A (zh) | 2023-07-28 | 2023-07-28 | 一种基于云边端协同的社区访客到访路径还原方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956960A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689093A (zh) * | 2017-08-24 | 2018-02-13 | 上海与德科技有限公司 | 一种小区访客管理方法及装置 |
CN108337485A (zh) * | 2018-03-27 | 2018-07-27 | 中冶华天工程技术有限公司 | 基于视频移动轨迹的访客管理方法 |
CN109949455A (zh) * | 2019-03-01 | 2019-06-28 | 温州猩猩信息科技有限公司 | 一种访客信息登记管理方法及其系统 |
CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
CN110852148A (zh) * | 2019-09-23 | 2020-02-28 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标追踪的访客目的地核验方法及系统 |
KR20200084615A (ko) * | 2019-01-03 | 2020-07-13 | 부산대학교 산학협력단 | 모바일 로봇의 초기 위치 추정을 위한 장치 및 방법 |
CN111832457A (zh) * | 2020-07-01 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 基于云边协同的陌生人入侵检测方法 |
CN112163503A (zh) * | 2020-09-24 | 2021-01-01 | 高新兴科技集团股份有限公司 | 办案区人员无感轨迹生成方法、系统、存储介质及设备 |
CN112184497A (zh) * | 2020-09-30 | 2021-01-05 | 重庆天智慧启科技有限公司 | 一种客户到访轨迹追踪及客流分析系统及方法 |
CN113590866A (zh) * | 2021-07-29 | 2021-11-02 | 苏州弘目信息技术有限公司 | 基于端云结合的人员身份确认和轨迹管理方法及系统 |
CN114067235A (zh) * | 2021-10-22 | 2022-02-18 | 广西中科曙光云计算有限公司 | 基于云边端的数据处理系统及方法 |
CN114741668A (zh) * | 2022-03-08 | 2022-07-12 | 北京灵起科技有限公司 | 访客来访管理方法、系统、计算机设备及存储介质 |
CN115100716A (zh) * | 2022-06-29 | 2022-09-23 | 刘丰林 | 一种智慧社区行人跟踪定位方法及系统 |
CN115100270A (zh) * | 2022-06-14 | 2022-09-23 | 广州艾视维智能科技有限公司 | 一种基于3d图像信息的各类轨迹智能提取方法及装置 |
CN115761634A (zh) * | 2022-11-18 | 2023-03-07 | 同济大学 | 行人轨迹的分析方法、系统、图像采集装置、设备和介质 |
CN116259070A (zh) * | 2022-12-14 | 2023-06-13 | 同济大学 | 云边协同感知的多终端跨时空行人重识别方法及系统 |
-
2023
- 2023-07-28 CN CN202310941509.5A patent/CN116956960A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689093A (zh) * | 2017-08-24 | 2018-02-13 | 上海与德科技有限公司 | 一种小区访客管理方法及装置 |
CN108337485A (zh) * | 2018-03-27 | 2018-07-27 | 中冶华天工程技术有限公司 | 基于视频移动轨迹的访客管理方法 |
KR20200084615A (ko) * | 2019-01-03 | 2020-07-13 | 부산대학교 산학협력단 | 모바일 로봇의 초기 위치 추정을 위한 장치 및 방법 |
CN109949455A (zh) * | 2019-03-01 | 2019-06-28 | 温州猩猩信息科技有限公司 | 一种访客信息登记管理方法及其系统 |
CN110852148A (zh) * | 2019-09-23 | 2020-02-28 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标追踪的访客目的地核验方法及系统 |
CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
CN111832457A (zh) * | 2020-07-01 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 基于云边协同的陌生人入侵检测方法 |
CN112163503A (zh) * | 2020-09-24 | 2021-01-01 | 高新兴科技集团股份有限公司 | 办案区人员无感轨迹生成方法、系统、存储介质及设备 |
CN112184497A (zh) * | 2020-09-30 | 2021-01-05 | 重庆天智慧启科技有限公司 | 一种客户到访轨迹追踪及客流分析系统及方法 |
CN113590866A (zh) * | 2021-07-29 | 2021-11-02 | 苏州弘目信息技术有限公司 | 基于端云结合的人员身份确认和轨迹管理方法及系统 |
CN114067235A (zh) * | 2021-10-22 | 2022-02-18 | 广西中科曙光云计算有限公司 | 基于云边端的数据处理系统及方法 |
CN114741668A (zh) * | 2022-03-08 | 2022-07-12 | 北京灵起科技有限公司 | 访客来访管理方法、系统、计算机设备及存储介质 |
CN115100270A (zh) * | 2022-06-14 | 2022-09-23 | 广州艾视维智能科技有限公司 | 一种基于3d图像信息的各类轨迹智能提取方法及装置 |
CN115100716A (zh) * | 2022-06-29 | 2022-09-23 | 刘丰林 | 一种智慧社区行人跟踪定位方法及系统 |
CN115761634A (zh) * | 2022-11-18 | 2023-03-07 | 同济大学 | 行人轨迹的分析方法、系统、图像采集装置、设备和介质 |
CN116259070A (zh) * | 2022-12-14 | 2023-06-13 | 同济大学 | 云边协同感知的多终端跨时空行人重识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
凌敏;殷文珊;: "基于人脸识别的智慧园区访客系统研究", 湖南邮电职业技术学院学报, no. 01, 15 March 2020 (2020-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Devasena et al. | Video surveillance systems-a survey | |
KR101781358B1 (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
CN111951238A (zh) | 产品缺陷检测方法 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN111241932A (zh) | 汽车展厅客流检测与分析系统、方法及存储介质 | |
US20210406604A1 (en) | Training of an object recognition neural network | |
CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
CN116977937A (zh) | 一种行人重识别的方法及系统 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
CN111680733A (zh) | 组分检测、样本库建立方法、装置、平台、系统及介质 | |
Hammami et al. | A comparative study of proposed moving object detection methods | |
KR102222109B1 (ko) | 불법 주정차 단속 이미지 통합 관리 시스템 | |
WO2020238790A1 (zh) | 相机定位 | |
CN113221760A (zh) | 一种高速公路摩托车检测方法 | |
CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN116956960A (zh) | 一种基于云边端协同的社区访客到访路径还原方法及系统 | |
KR102506971B1 (ko) | 딥러닝 기반의 후방 촬영을 통한 이륜자동차 번호판 인식 방법 및 시스템 | |
CN114155485B (zh) | 基于3d视觉的智慧社区智能安防监测管理系统 | |
CN111368608B (zh) | 一种人脸识别方法、装置及系统 | |
Abdulhussein et al. | Computer vision to improve security surveillance through the identification of digital patterns | |
CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
CN114782860A (zh) | 一种监控视频中暴力行为检测系统及方法 |
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 |