WO2017016516A1 - 一种复杂场景下基于人脸识别的视频人像跟踪方法 - Google Patents

一种复杂场景下基于人脸识别的视频人像跟踪方法 Download PDF

Info

Publication number
WO2017016516A1
WO2017016516A1 PCT/CN2016/092299 CN2016092299W WO2017016516A1 WO 2017016516 A1 WO2017016516 A1 WO 2017016516A1 CN 2016092299 W CN2016092299 W CN 2016092299W WO 2017016516 A1 WO2017016516 A1 WO 2017016516A1
Authority
WO
WIPO (PCT)
Prior art keywords
face
frame
tracking
trajectory
video
Prior art date
Application number
PCT/CN2016/092299
Other languages
English (en)
French (fr)
Inventor
张至先
Original Assignee
上海依图网络科技有限公司
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 上海依图网络科技有限公司 filed Critical 上海依图网络科技有限公司
Priority to SG11201801053SA priority Critical patent/SG11201801053SA/en
Publication of WO2017016516A1 publication Critical patent/WO2017016516A1/zh
Priority to PH12018500227A priority patent/PH12018500227A1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Definitions

  • the present invention relates to the field of video processing technologies, and in particular, to a video portrait tracking method based on face recognition in a complex scene.
  • Face tracking is the process of determining the motion trajectory and size of a face in a video or image sequence. Face tracking has always been of great significance in the fields of image analysis and image recognition and retrieval, such as video MMS, man-machine interface, access control, intelligent monitoring system, etc., tracking accuracy, accuracy and accuracy.
  • image analysis and image recognition and retrieval such as video MMS, man-machine interface, access control, intelligent monitoring system, etc.
  • tracking accuracy, accuracy and accuracy The problem of stickiness has always been a major concern of the industry, and many effective algorithms have emerged.
  • the main video portrait tracking algorithms are mainly as follows:
  • Face detection method Face detection is performed for each frame image in the video, and then the faces in the front and rear frames are correlated according to the front and rear frame portrait position relationship, and the face trajectory in the video is obtained.
  • face detection is performed every fixed frame in the video, and the face position of the next fixed frame after the fixed frame is tracked by the object.
  • the method is obtained.
  • Common object tracking methods include optical flow, mean shift, and the like.
  • the above scheme has a good effect when it is aimed at a simple scene (the face is clear, the face is dominant, and there is no occlusion), but the above scheme does not make full use of the video information, and for complicated scenes (the occlusion is frequent, the face rotation range Large) is prone to face trajectory interruption, face trajectory confusion, etc., easy to cause false positives, poor performance.
  • the object of the present invention is to provide a video portrait tracking method based on face recognition in a complex scene with fast processing speed, high detection precision and low false alarm rate in order to overcome the defects of the prior art.
  • a video portrait tracking method based on face recognition in a complex scene comprising the following steps:
  • step 2) obtaining the similarity between each human face trajectory and the subsequent adjacent human face trajectory, and combining the facial trajectory whose similarity is higher than the set threshold;
  • the step 2) is specifically:
  • step 201) grouping a series of video frame images obtained in step 1), taking a video frame image every m frames as a detection frame Fkm;
  • the following trajectory of the face on the detection frame is obtained by the object tracking and the local face detection manner on the tracking frame:
  • the conditions for the face trajectory interruption include:
  • the face position is located at the edge of the video frame image
  • the tracking stable point that satisfies the set condition means that the number of tracking stable points is greater than 100.
  • the subsequent adjacent face trajectory refers to another face trajectory adjacent to the current face trajectory and adjacent to the space, wherein the time approaching refers to the start frame of the other face trajectory at the current face trajectory end frame.
  • spatial proximity means that the distance between the start frame of another face track and the face of the current face track end frame is less than the L face height.
  • the step 3) is specifically:
  • step 301) extracting the LBP feature from all the face trajectories obtained in step 2), and obtaining the final recognition feature by reducing the dimension of the LBP feature;
  • n face of each face in the current face trajectory and the subsequent adjacent face trajectory is cross-matched to obtain n2 group similarity, and the highest group is taken as the similarity of the two trajectories, wherein the cross-matching is similar.
  • Degree is calculated from the cosine distance of the recognition feature corresponding to the two frames of images;
  • the feature for extracting the face trajectory is specifically:
  • the present invention has the following advantages:
  • the present invention By calculating the similarity between the current face trajectory and the subsequent adjacent face trajectory, the present invention combines two trajectories with high similarity, effectively solving the interruption of the face trajectory due to occlusion, rotation, etc. in complex scenes. problem;
  • the invention When performing tracking frame face detection, the invention increases the processing speed of the system by the object tracking + local detection scheme, and avoids the problem of face trajectory confusion and false alarm caused by occlusion.
  • the embodiment provides a video portrait tracking method based on face recognition in a complex scene.
  • the method is input as a portrait video, and the output is a number of segment trajectories, and each face trajectory includes all frame numbers and corresponding occurrences of the face. The position of the face in the frame.
  • the specific steps of the method are as follows:
  • step 201) grouping a series of video frame images obtained in step 1), taking a video frame image every m frames as a detection frame Fkm, m may be taken as 3 to 5;
  • the local face detection method obtains a subsequent trajectory relative to the face on the detected frame, thereby obtaining all possible face trajectories.
  • step 203 the subsequent trajectory of the face on the detected frame is obtained by object tracking and local face detection on each tracking frame:
  • the position of the face on the detection frame Fkm is Dkm, and the tracking stability point satisfying the set condition is found in the 1.5-fold area D'km of the face frame on the detection frame Fkm;
  • the conditions for the break of the face track include:
  • the face position is located at the edge of the video frame image
  • the tracking stability point that satisfies the set condition cannot be found, and the tracking stability point that satisfies the set condition is Refers to the number of tracking stable points greater than 100;
  • Judgment step 2) obtain the similarity between each human face trajectory and the subsequent adjacent human face trajectory, and merge the facial trajectory whose similarity is higher than the set threshold.
  • the subsequent adjacent face trajectory refers to another face trajectory adjacent to the current face trajectory and adjacent to the space, wherein the time approaching means that the start frame of the other face trajectory is within the S frame after the current face trajectory end frame
  • the S frame is 3 to 6 s;
  • the spatial proximity means that the distance between the start frame of another face track and the face of the current face track end frame is less than the height of the L face, and L is equal to 5.
  • Step 3) is specifically:
  • N arbitrarily select N frames of faces from the face trajectory, where N can be taken as 3 to 5;
  • n face of each of the current face trajectories and the subsequent adjacent face trajectories is taken, and the n 2 sets of similarities are obtained by cross comparison, and the highest group is taken as the similarity of the two trajectories, wherein the cross comparison is obtained.
  • the similarity is calculated from the cosine distance of the identification feature corresponding to the two frames of images, and n can be taken as 5;
  • the face trajectory false positive rate obtained by the above method is one in ten thousand, and the confidence is 95%.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种复杂场景下基于人脸识别的视频人像跟踪方法，包括以下步骤：1)对获取的视频数据进行解码，得到一系列视频帧图像；2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理，获得所有可能的人脸轨迹；3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度，合并相似度高于设定阈值的人脸轨迹；4)输出合并后的人脸轨迹。与现有技术相比，本发明具有处理速度快、检测精度高、误报率低等优点，并且能解决因为遮挡，人头转动导致的人脸轨迹中断和混淆的问题。

Description

一种复杂场景下基于人脸识别的视频人像跟踪方法 技术领域
本发明涉及视频处理技术领域，尤其是涉及一种复杂场景下基于人脸识别的视频人像跟踪方法。
背景技术
人脸跟踪是在视频或图像序列中确定某个人脸的运动轨迹及大小变化的过程。一直以来，人脸跟踪在图像分析与识别图像监控与检索等领域都具有重大意义，例如手机彩信中的视频彩信、人机界面、权限控制、智能监视系统等，跟踪的准确性、精度和鲁棒性问题一直是业界关心的主要问题，许多行之有效的算法也相继出现。目前主流的视频人像跟踪算法主要有如下几种：
a)基于人脸检测的方法：对于视频中每一帧图像进行人脸检测，然后根据前后帧人像位置关系将前后帧中的人脸进行关联，得到视频中的人脸轨迹。
b)基于人脸检测和物体跟踪的方法，是对于上一种方法做出的改进：对于视频中每隔固定帧进行人脸检测，固定帧之后到下个固定帧的人脸位置通过物体跟踪的方法获得。常用的物体跟踪方法包括optical flow、mean shift等。
上述方案在针对简单场景的时候(人脸清晰，以正脸为主，没有遮挡)的时候有较好的效果，但上述方案没有充分利用视频信息，对于复杂场景(遮挡频繁，人脸转动范围大)的时候容易出现人脸轨迹中断、人脸轨迹混淆等情况，易造成误报，性能差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种处理速度快、检测精度高、误报率低的复杂场景下基于人脸识别的视频人像跟踪方法。
本发明的目的可以通过以下技术方案来实现：
一种复杂场景下基于人脸识别的视频人像跟踪方法，包括以下步骤：
1)对获取的视频数据进行解码，得到一系列视频帧图像；
2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理， 获得所有可能的人脸轨迹；
3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度，合并相似度高于设定阈值的人脸轨迹；
4)输出合并后的人脸轨迹。
所述步骤2)具体为：
201)对步骤1)获得的一系列视频帧图像进行分组，每隔m帧取一视频帧图像为检测帧Fkm；
202)对所选取的多个检测帧Fkm进行人脸检测，在各检测帧上标示人脸框；
203)取检测帧Fkm后的(m-1)帧作为跟踪帧，在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹，从而获得所有可能的人脸轨迹。
所述步骤203)中，在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为：
2a)假设一张人脸在检测帧Fkm上的位置为Dkm，在检测帧Fkm上人脸框的1.5倍区域D'km内寻找满足设定条件的跟踪稳定点；
2b)使用optical flow算法获得D'km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置；
2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移，从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1；
2d)以估计位置D’km+1作为基础，在跟踪帧Fkm+1上进行局部人脸检测，获得人脸的精确位置Dkm+1；
2e)重复步骤2a)～2d)，直到人脸轨迹中断或所有检测帧检测完毕，得到所有可能的人脸轨迹。
所述人脸轨迹中断的条件包括：
I)人脸位置位于视频帧图像边缘；
II)无法找到满足设定条件的跟踪稳定点；
III)无法在下一帧的估计位置处检测到人脸。
所述满足设定条件的跟踪稳定点是指跟踪稳定点个数大于100。
所述步骤3)后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹，其中，时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内；空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度。
所述步骤3)具体为：
301)对步骤2)获得的所有人脸轨迹抽取LBP特征，并对LBP特征降维获得最终的识别特征；
302)对所有人脸轨迹根据其结束帧先后顺序进行排序，依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度：
当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸，进行交叉比对得到n2组相似度，取其中最高的一组作为两条轨迹的相似度，其中，交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到；
303)合并相似度大于设定阈值的两组轨迹。
所述步骤301)中，对人脸轨迹抽取识别特征具体为：
3a)从人脸轨迹中任意挑选N帧人脸；
3b)对于每帧人脸抽取其LBP特征；
3c)使用预先训练好的降维矩阵对LBP特征进行降维，得到最终的识别特征。
与现有技术相比，本发明具有以下优点：
1)本发明通过计算当前人脸轨迹与后续临近人脸轨迹间相似度，对相似度高的两条轨迹进行合并，有效解决了在复杂场景下，人脸轨迹由于遮挡、转动等导致的中断问题；
2)本发明在进行跟踪帧人脸检测时，通过物体跟踪+局部检测的方案，增加了系统处理速度，同时避免了因为遮挡导致的人脸轨迹混淆和误报问题。
具体实施方式
下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，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。
本实施例提供一种复杂场景下基于人脸识别的视频人像跟踪方法，该方法输入为一段人像视频，输出为若干段人脸轨迹，每个人脸轨迹包含该人脸出现的所有帧号和对应帧中人脸位置。该方法具体步骤如下：
1)对获取的视频数据进行解码，得到一系列视频帧图像。
2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理，获得所有可能的人脸轨迹{Gi}，具体为：
201)对步骤1)获得的一系列视频帧图像进行分组，每隔m帧取一视频帧图像为检测帧Fkm，m可取为3～5；
202)对所选取的多个检测帧Fkm进行人脸检测，在各检测帧上标示人脸框；
203)取检测帧Fkm后的(m-1)帧作为跟踪帧，即将Fkm+1,Fkm+2,...,Fkm+m-1作为跟踪帧，在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹，从而获得所有可能的人脸轨迹。
步骤203)中，在每个跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为：
2a)人脸在检测帧Fkm上的位置为Dkm，在检测帧Fkm上人脸框的1.5倍区域D’km内寻找满足设定条件的跟踪稳定点；
2b)使用optical flow算法获得D’km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置；
2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移，从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1；
2d)以估计位置D’km+1作为基础，在估计位置D’km+1附近区域，一般为人脸框扩大3倍区域，在跟踪帧Fkm+1上进行局部人脸检测，获得人脸的精确位置Dkm+1；
2e)重复步骤2a)～2d)，直到人脸轨迹中断或所有检测帧检测完毕，得到所有可能的人脸轨迹。
这里的人脸轨迹中断的条件包括：
I)人脸位置位于视频帧图像边缘；
II)无法找到满足设定条件的跟踪稳定点，满足设定条件的跟踪稳定点是 指跟踪稳定点个数大于100；
III)无法在下一帧的估计位置处检测到人脸。
3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度，合并相似度高于设定阈值的人脸轨迹。
后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹，其中，时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内，S帧为3～6s；空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度，L大等于5。
步骤3)具体为：
301)对步骤2)获得的所有人脸轨迹抽取LBP特征，并对LBP特征降维获得最终的识别特征：
3a)从人脸轨迹中任意挑选N帧人脸，这里的N可取为3～5；
3b)对于每帧人脸抽取其LBP特征，这是一个高维数组；
3c)使用预先训练好的降维矩阵(PCA+LDA)对LBP特征进行降维，得到最终的识别特征；
302)对所有人脸轨迹根据其结束帧先后顺序进行排序，依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度：
当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸，进行交叉比对得到n2组相似度，取其中最高的一组作为两条轨迹的相似度，其中，交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到，n可取为5；
303)合并相似度大于设定阈值的两组轨迹。
通过上述方法获得的人脸轨迹误报率在万分之一，置信度为95％。

Claims (8)

  1. 一种复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，包括以下步骤：
    1)对获取的视频数据进行解码，得到一系列视频帧图像；
    2)采用人脸检测和物体跟踪方法对所获得的一系列视频帧图像进行处理，获得所有可能的人脸轨迹；
    3)判断步骤2)获得各人脸轨迹与后续临近人脸轨迹间的相似度，合并相似度高于设定阈值的人脸轨迹；
    4)输出合并后的人脸轨迹。
  2. 根据权利要求1所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述步骤2)具体为：
    201)对步骤1)获得的一系列视频帧图像进行分组，每隔m帧取一视频帧图像为检测帧Fkm；
    202)对所选取的多个检测帧Fkm进行人脸检测，在各检测帧上标示人脸框；
    203)取检测帧Fkm后的(m-1)帧作为跟踪帧，在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹，从而获得所有可能的人脸轨迹。
  3. 根据权利要求2所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述步骤203)中，在所述跟踪帧上通过物体跟踪和局部人脸检测方式得到相对于检测帧上人脸的后续轨迹具体为：
    2a)假设一张人脸在检测帧Fkm上的位置为Dkm，在检测帧Fkm上人脸框的1.5倍区域D'km内寻找满足设定条件的跟踪稳定点；
    2b)使用optical flow算法获得D'km内的各跟踪稳定点在跟踪帧Fkm+1上的对应位置；
    2c)以所有跟踪稳定点的平均位移作为人脸从检测帧Fkm到跟踪帧Fkm+1的移动位移，从而获得人脸在跟踪帧Fkm+1上的估计位置D’km+1；
    2d)以估计位置D’km+1作为基础，在跟踪帧Fkm+1上进行局部人脸检测， 获得人脸的精确位置Dkm+1；
    2e)重复步骤2a)～2d)，直到人脸轨迹中断或所有检测帧检测完毕，得到所有可能的人脸轨迹。
  4. 根据权利要求3所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述人脸轨迹中断的条件包括：
    I)人脸位置位于视频帧图像边缘；
    II)无法找到满足设定条件的跟踪稳定点；
    III)无法在下一帧的估计位置处检测到人脸。
  5. 根据权利要求3或4所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述满足设定条件的跟踪稳定点是指跟踪稳定点个数大于100。
  6. 根据权利要求2所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述步骤3)后续临近人脸轨迹指与当前人脸轨迹时间临近且空间临近的另一人脸轨迹，其中，时间临近是指所述另一人脸轨迹的起始帧在当前人脸轨迹结束帧之后S帧之内；空间临近是指另一人脸轨迹的起始帧和当前人脸轨迹结束帧上人脸的距离小于L个人脸高度。
  7. 根据权利要求6所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述步骤3)具体为：
    301)对步骤2)获得的所有人脸轨迹抽取识别特征；
    302)对所有人脸轨迹根据其结束帧先后顺序进行排序，依次计算各人脸轨迹与相应的后续临近人脸轨迹间的相似度：
    当前人脸轨迹和后续临近人脸轨迹中各取n帧人脸，进行交叉比对得到n2组相似度，取其中最高的一组作为两条轨迹的相似度，其中，交叉比对获得的相似度由两帧图像对应的识别特征的cosine距离计算得到；
    303)合并相似度大于设定阈值的两组轨迹。
  8. 根据权利要求7所述的复杂场景下基于人脸识别的视频人像跟踪方法，其特征在于，所述步骤301)中，对人脸轨迹抽取识别特征具体为：
    3a)从人脸轨迹中任意挑选N帧人脸；
    3b)对于每帧人脸抽取其LBP特征；
    3c)使用预先训练好的降维矩阵对LBP特征进行降维，得到最终的识别特征。
PCT/CN2016/092299 2015-07-24 2016-07-29 一种复杂场景下基于人脸识别的视频人像跟踪方法 WO2017016516A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
SG11201801053SA SG11201801053SA (en) 2015-07-24 2016-07-29 Method for face recognition-based video human image tracking under complex scenes
PH12018500227A PH12018500227A1 (en) 2015-07-24 2018-01-29 Method for face recognition-based video human image tracking under complex scenes

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510442174.8 2015-07-24
CN201510442174.8A CN105069408B (zh) 2015-07-24 2015-07-24 一种复杂场景下基于人脸识别的视频人像跟踪方法

Publications (1)

Publication Number Publication Date
WO2017016516A1 true WO2017016516A1 (zh) 2017-02-02

Family

ID=54498770

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/092299 WO2017016516A1 (zh) 2015-07-24 2016-07-29 一种复杂场景下基于人脸识别的视频人像跟踪方法

Country Status (4)

Country Link
CN (1) CN105069408B (zh)
PH (1) PH12018500227A1 (zh)
SG (1) SG11201801053SA (zh)
WO (1) WO2017016516A1 (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066983A (zh) * 2017-04-20 2017-08-18 腾讯科技（上海）有限公司 一种身份验证方法及装置
CN108921008A (zh) * 2018-05-14 2018-11-30 深圳市商汤科技有限公司 人像识别方法、装置及电子设备
CN109492594A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于深度学习网络的课堂听课者抬头率检测方法
CN109657609A (zh) * 2018-12-19 2019-04-19 新大陆数字技术股份有限公司 人脸识别方法及系统
CN109858358A (zh) * 2018-12-28 2019-06-07 深圳供电局有限公司 楼宇间人员轨迹跟踪方法及其系统、计算机可读存储介质
CN109859234A (zh) * 2017-11-29 2019-06-07 深圳Tcl新技术有限公司 一种视频人体轨迹跟踪方法、装置及存储介质
CN110462629A (zh) * 2017-03-30 2019-11-15 罗伯特·博世有限公司 用于识别眼睛和手的系统和方法
CN110610120A (zh) * 2019-05-16 2019-12-24 宁波中国科学院信息技术应用研究院 一种人脸轨迹匹配方法
CN111401315A (zh) * 2020-04-10 2020-07-10 浙江大华技术股份有限公司 基于视频的人脸识别方法、识别装置及存储装置
CN111400047A (zh) * 2020-03-18 2020-07-10 青岛牛利智能科技有限公司 通过云边协同从监控视频流中进行人脸检测和识别的方法
CN111553231A (zh) * 2020-04-21 2020-08-18 上海锘科智能科技有限公司 基于信息融合的人脸抓拍与去重系统、方法、终端及介质
CN111582171A (zh) * 2020-05-08 2020-08-25 济南博观智能科技有限公司 一种行人闯红灯监测方法、装置、系统及可读存储介质
CN111770299A (zh) * 2020-04-20 2020-10-13 厦门亿联网络技术股份有限公司 一种智能视频会议终端的实时人脸摘要服务的方法及系统
CN111797691A (zh) * 2020-06-03 2020-10-20 力引万物(深圳)科技有限公司 提高人脸识别准确率的方法及处理子系统
CN111881776A (zh) * 2020-07-07 2020-11-03 腾讯科技（深圳）有限公司 动态表情获取方法、装置、存储介质和电子设备
CN112016440A (zh) * 2020-08-26 2020-12-01 杭州云栖智慧视通科技有限公司 一种基于多目标跟踪的目标推送方法
CN112131929A (zh) * 2020-08-06 2020-12-25 北京航空航天大学 一种基于区块链的跨摄像机行人跟踪系统及方法
CN112489076A (zh) * 2020-12-06 2021-03-12 北京工业大学 一种多目标跟踪方法与系统
CN112541434A (zh) * 2020-12-14 2021-03-23 无锡锡商银行股份有限公司 一种基于中心点跟踪模型的人脸识别方法
CN112561954A (zh) * 2020-09-11 2021-03-26 浙江大华技术股份有限公司 目标对象跟踪轨迹的确定方法和装置、存储介质
CN113205079A (zh) * 2021-06-04 2021-08-03 北京奇艺世纪科技有限公司 一种人脸检测方法、装置、电子设备及存储介质
CN113642450A (zh) * 2021-08-09 2021-11-12 深圳市英威诺科技有限公司 视频人脸识别方法、系统及存储介质
CN112489076B (zh) * 2020-12-06 2024-05-28 北京工业大学 一种多目标跟踪方法与系统

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069408B (zh) * 2015-07-24 2018-08-03 上海依图网络科技有限公司 一种复杂场景下基于人脸识别的视频人像跟踪方法
CN105760826B (zh) * 2016-02-03 2020-11-13 歌尔股份有限公司 一种人脸跟踪方法、装置和智能终端
CN106022220B (zh) * 2016-05-09 2020-02-28 北京河马能量体育科技有限公司 一种体育视频中对参赛运动员进行多人脸跟踪的方法
CN107798272B (zh) * 2016-08-30 2021-11-02 佳能株式会社 快速多目标检测与跟踪系统
CN107633208B (zh) * 2017-08-17 2018-12-18 平安科技（深圳）有限公司 电子装置、人脸追踪的方法及存储介质
CN107609497B (zh) * 2017-08-31 2019-12-31 武汉世纪金桥安全技术有限公司 基于视觉跟踪技术的实时视频人脸识别方法及系统
CN108509896B (zh) * 2018-03-28 2020-10-13 腾讯科技（深圳）有限公司 一种轨迹跟踪方法、装置和存储介质
CN109034178A (zh) * 2018-05-28 2018-12-18 北京文香信息技术有限公司 一种基于人脸特征数组的人数统计方法
CN109325964B (zh) * 2018-08-17 2020-08-28 深圳市中电数通智慧安全科技股份有限公司 一种人脸追踪方法、装置及终端
CN109709541A (zh) * 2018-12-26 2019-05-03 杭州奥腾电子股份有限公司 一种车载环境感知融合系统目标误检处理方法
CN109871760B (zh) * 2019-01-15 2021-03-26 北京奇艺世纪科技有限公司 一种人脸定位方法、装置、终端设备及存储介质
CN110119691B (zh) * 2019-04-19 2021-07-20 华南理工大学 一种基于局部二维模式和不变矩查找的人像定位方法
CN110609920B (zh) * 2019-08-05 2022-03-18 华中科技大学 一种视频监控场景下的行人混合搜索方法及系统
CN110516620B (zh) * 2019-08-29 2023-07-28 腾讯科技（深圳）有限公司 目标跟踪方法、装置、存储介质及电子设备
CN111046788A (zh) * 2019-12-10 2020-04-21 北京文安智能技术股份有限公司 一种停留人员的检测方法、装置及系统
CN113033264A (zh) * 2019-12-25 2021-06-25 中兴通讯股份有限公司 行人检索方法、服务器及存储介质
CN111242077A (zh) * 2020-01-20 2020-06-05 西安奥卡云数据科技有限公司 一种人物追踪方法、系统及服务器
CN112132103A (zh) * 2020-09-30 2020-12-25 新华智云科技有限公司 一种视频人脸检测识别方法和系统
CN112232153A (zh) * 2020-09-30 2021-01-15 广东职业技术学院 一种获取目标人物的轨迹的方法及系统
CN112651369A (zh) * 2020-12-31 2021-04-13 南京视察者智能科技有限公司 一种监控场景下行人识别的方法及装置
CN117576764B (zh) * 2024-01-15 2024-04-16 四川大学 一种基于多目标追踪的视频无关人员自动识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130121540A1 (en) * 2011-11-15 2013-05-16 David Harry Garcia Facial Recognition Using Social Networking Information
CN103150546A (zh) * 2012-12-26 2013-06-12 冉阳 视频人脸识别方法和装置
CN103325126A (zh) * 2013-07-09 2013-09-25 中国石油大学(华东) 一种在尺度变化和遮挡情况下的视频目标跟踪方法
CN104731964A (zh) * 2015-04-07 2015-06-24 上海海势信息科技有限公司 基于人脸识别的人脸摘要方法、视频摘要方法及其装置
CN105069408A (zh) * 2015-07-24 2015-11-18 上海依图网络科技有限公司 一种复杂场景下基于人脸识别的视频人像跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010008561A1 (en) * 1999-08-10 2001-07-19 Paul George V. Real-time object tracking system
US7020345B2 (en) * 2001-04-26 2006-03-28 Industrial Technology Research Institute Methods and system for illuminant-compensation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130121540A1 (en) * 2011-11-15 2013-05-16 David Harry Garcia Facial Recognition Using Social Networking Information
CN103150546A (zh) * 2012-12-26 2013-06-12 冉阳 视频人脸识别方法和装置
CN103325126A (zh) * 2013-07-09 2013-09-25 中国石油大学(华东) 一种在尺度变化和遮挡情况下的视频目标跟踪方法
CN104731964A (zh) * 2015-04-07 2015-06-24 上海海势信息科技有限公司 基于人脸识别的人脸摘要方法、视频摘要方法及其装置
CN105069408A (zh) * 2015-07-24 2015-11-18 上海依图网络科技有限公司 一种复杂场景下基于人脸识别的视频人像跟踪方法

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110462629A (zh) * 2017-03-30 2019-11-15 罗伯特·博世有限公司 用于识别眼睛和手的系统和方法
CN110462629B (zh) * 2017-03-30 2024-04-02 罗伯特·博世有限公司 用于识别眼睛和手的系统和方法
CN107066983A (zh) * 2017-04-20 2017-08-18 腾讯科技（上海）有限公司 一种身份验证方法及装置
CN109859234A (zh) * 2017-11-29 2019-06-07 深圳Tcl新技术有限公司 一种视频人体轨迹跟踪方法、装置及存储介质
CN108921008A (zh) * 2018-05-14 2018-11-30 深圳市商汤科技有限公司 人像识别方法、装置及电子设备
CN109492594A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于深度学习网络的课堂听课者抬头率检测方法
CN109657609A (zh) * 2018-12-19 2019-04-19 新大陆数字技术股份有限公司 人脸识别方法及系统
CN109657609B (zh) * 2018-12-19 2022-11-08 新大陆数字技术股份有限公司 人脸识别方法及系统
CN109858358A (zh) * 2018-12-28 2019-06-07 深圳供电局有限公司 楼宇间人员轨迹跟踪方法及其系统、计算机可读存储介质
CN110610120A (zh) * 2019-05-16 2019-12-24 宁波中国科学院信息技术应用研究院 一种人脸轨迹匹配方法
CN110610120B (zh) * 2019-05-16 2024-04-26 宁波中科信息技术应用研究院(宁波人工智能产业研究院) 一种人脸轨迹匹配方法
CN111400047A (zh) * 2020-03-18 2020-07-10 青岛牛利智能科技有限公司 通过云边协同从监控视频流中进行人脸检测和识别的方法
CN111401315A (zh) * 2020-04-10 2020-07-10 浙江大华技术股份有限公司 基于视频的人脸识别方法、识别装置及存储装置
CN111401315B (zh) * 2020-04-10 2023-08-22 浙江大华技术股份有限公司 基于视频的人脸识别方法、识别装置及存储装置
CN111770299A (zh) * 2020-04-20 2020-10-13 厦门亿联网络技术股份有限公司 一种智能视频会议终端的实时人脸摘要服务的方法及系统
CN111553231B (zh) * 2020-04-21 2023-04-28 上海锘科智能科技有限公司 基于信息融合的人脸抓拍与去重系统、方法、终端及介质
CN111553231A (zh) * 2020-04-21 2020-08-18 上海锘科智能科技有限公司 基于信息融合的人脸抓拍与去重系统、方法、终端及介质
CN111582171A (zh) * 2020-05-08 2020-08-25 济南博观智能科技有限公司 一种行人闯红灯监测方法、装置、系统及可读存储介质
CN111582171B (zh) * 2020-05-08 2024-04-09 济南博观智能科技有限公司 一种行人闯红灯监测方法、装置、系统及可读存储介质
CN111797691A (zh) * 2020-06-03 2020-10-20 力引万物(深圳)科技有限公司 提高人脸识别准确率的方法及处理子系统
CN111881776B (zh) * 2020-07-07 2023-07-07 腾讯科技（深圳）有限公司 动态表情获取方法、装置、存储介质和电子设备
CN111881776A (zh) * 2020-07-07 2020-11-03 腾讯科技（深圳）有限公司 动态表情获取方法、装置、存储介质和电子设备
CN112131929A (zh) * 2020-08-06 2020-12-25 北京航空航天大学 一种基于区块链的跨摄像机行人跟踪系统及方法
CN112016440B (zh) * 2020-08-26 2024-02-20 杭州云栖智慧视通科技有限公司 一种基于多目标跟踪的目标推送方法
CN112016440A (zh) * 2020-08-26 2020-12-01 杭州云栖智慧视通科技有限公司 一种基于多目标跟踪的目标推送方法
CN112561954A (zh) * 2020-09-11 2021-03-26 浙江大华技术股份有限公司 目标对象跟踪轨迹的确定方法和装置、存储介质
CN112561954B (zh) * 2020-09-11 2023-07-14 浙江大华技术股份有限公司 目标对象跟踪轨迹的确定方法和装置、存储介质
CN112489076B (zh) * 2020-12-06 2024-05-28 北京工业大学 一种多目标跟踪方法与系统
CN112489076A (zh) * 2020-12-06 2021-03-12 北京工业大学 一种多目标跟踪方法与系统
CN112541434B (zh) * 2020-12-14 2022-04-12 无锡锡商银行股份有限公司 一种基于中心点跟踪模型的人脸识别方法
CN112541434A (zh) * 2020-12-14 2021-03-23 无锡锡商银行股份有限公司 一种基于中心点跟踪模型的人脸识别方法
CN113205079A (zh) * 2021-06-04 2021-08-03 北京奇艺世纪科技有限公司 一种人脸检测方法、装置、电子设备及存储介质
CN113205079B (zh) * 2021-06-04 2023-09-05 北京奇艺世纪科技有限公司 一种人脸检测方法、装置、电子设备及存储介质
CN113642450A (zh) * 2021-08-09 2021-11-12 深圳市英威诺科技有限公司 视频人脸识别方法、系统及存储介质

Also Published As

Publication number Publication date
SG11201801053SA (en) 2018-03-28
PH12018500227A1 (en) 2018-08-13
CN105069408A (zh) 2015-11-18
CN105069408B (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
WO2017016516A1 (zh) 一种复杂场景下基于人脸识别的视频人像跟踪方法
US9020188B2 (en) Method for object detection and apparatus using the same
CN107798272B (zh) 快速多目标检测与跟踪系统
US20170124415A1 (en) Subcategory-aware convolutional neural networks for object detection
CN109635686B (zh) 结合人脸与外观的两阶段行人搜索方法
US10242294B2 (en) Target object classification using three-dimensional geometric filtering
WO2022142855A1 (zh) 回环检测方法、装置、终端设备和可读存储介质
CN108280844B (zh) 一种基于区域候选框跟踪的视频目标定位方法
Singh et al. A deep learning based technique for anomaly detection in surveillance videos
WO2014117403A1 (en) Method and system for detecting moving objects
US20140161313A1 (en) Tracking device
KR102285745B1 (ko) 전자 장치 및 이의 이상 상황 탐지 방법
WO2021022698A1 (zh) 尾随检测方法、装置、电子设备及存储介质
Lai et al. Vehicle detection for forward collision warning system based on a cascade classifier using adaboost algorithm
EP2998928B1 (en) Apparatus and method for extracting high watermark image from continuously photographed images
Sharma et al. A new method for character segmentation from multi-oriented video words
WO2022228325A1 (zh) 行为检测方法、电子设备以及计算机可读存储介质
Wang et al. A research on video text tracking and recognition
WO2020233414A1 (zh) 物体识别方法、装置及车辆
Biswas et al. Short local trajectory based moving anomaly detection
CN103093435B (zh) 基于前景建模的视频监控中的遗留物检测方法
KR101342018B1 (ko) 대표 특징을 이용한 실시간 객체 인식 및 추적 방법과 그 장치
Do et al. A single-column convolutional neural networks for crowd counting
EP4336446A1 (en) Method and device for target tracking and storage medium
Chen et al. A Multi-Dimensional Attention Feature FusionMethod for Pedestrian Re-identification.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16829881

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 12018500227

Country of ref document: PH

WWE Wipo information: entry into national phase

Ref document number: 11201801053S

Country of ref document: SG

122 Ep: pct application non-entry in european phase

Ref document number: 16829881

Country of ref document: EP

Kind code of ref document: A1