WO2021043090A1 - 顾客数量的统计方法及装置、电子设备及可读存储介质 - Google Patents

顾客数量的统计方法及装置、电子设备及可读存储介质 Download PDF

Info

Publication number
WO2021043090A1
WO2021043090A1 PCT/CN2020/112339 CN2020112339W WO2021043090A1 WO 2021043090 A1 WO2021043090 A1 WO 2021043090A1 CN 2020112339 W CN2020112339 W CN 2020112339W WO 2021043090 A1 WO2021043090 A1 WO 2021043090A1
Authority
WO
WIPO (PCT)
Prior art keywords
humanoid
image
badge
target
frame
Prior art date
Application number
PCT/CN2020/112339
Other languages
English (en)
French (fr)
Inventor
陈思静
Original Assignee
平安科技（深圳）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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021043090A1 publication Critical patent/WO2021043090A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Definitions

  • This application relates to the technical field of electronic equipment, in particular to a method and device for counting the number of customers, electronic equipment and readable storage media.
  • a statistical method of the number of customers including:
  • the number of customers included in the video data is obtained.
  • An extraction module which is used to perform humanoid contour recognition on each frame of image in the video data, and extract multiple video frames containing humanoid contours;
  • the determining module is used to determine the object set of humanoid objects contained in the multiple video frames and the target subset of target objects that meet the characteristics of the badge based on pedestrian re-recognition technology and badge feature detection technology;
  • the quantity module is used to obtain the number of customers included in the video data according to the object set and the target subset.
  • An electronic device including a memory, a processor, and a computer program stored on the memory and running on the processor, wherein the processor implements the following steps when the processor executes the computer program:
  • the number of customers included in the video data is obtained.
  • Figure 1 is a schematic flow chart of a method for counting the number of customers in an embodiment of the application
  • FIG. 2 is a schematic diagram of another flow chart of the method for counting the number of customers in an embodiment of the application
  • FIG. 3 is a schematic diagram of a structure of a customer count statistics device in an embodiment of the application.
  • Fig. 4 is another schematic diagram of the structure of the customer count counting device in the embodiment of the application.
  • the method for counting the number of customers is usually implemented by a statistical device for the number of customers (hereinafter referred to as: the statistical device).
  • the statistical device is an application program and is stored in the computer-readable storage medium of the electronic device.
  • the processor within can call the above-mentioned application program from the readable storage medium to realize the method of counting the number of customers.
  • Fig. 1 is a schematic flow chart of a method for counting the number of customers in an embodiment of this application.
  • the method includes:
  • Step 101 Obtain video data within a preset time period
  • the statistics device will obtain video data within a preset time period, and the preset time period may specifically be 1 hour, 12 hours, one day, or any other time period defined by the user.
  • Step 102 Perform human contour recognition on each frame of image in the video data, and extract multiple video frames containing human contours;
  • the statistical device will recognize the contour of the human figure on each frame of image in the video data, and extract multiple video frames containing the contour of the human figure.
  • Step 103 Based on the pedestrian re-recognition technology and the badge feature detection technology, determine an object set of humanoid objects contained in multiple video frames and a target subset of target objects that meet the badge features;
  • Step 104 Obtain the number of customers included in the video data according to the object set and the target subset.
  • F(i,j) 0.30*f R (i,j)+0.59*f G (i,j)+0.11*f B (i,j), F(i,j) is the grayscale processed
  • the pixel values, f R (i, j), f G (i, j), and f B (i, j) are the values of the R component, the G component, and the B component in the image before the grayscale processing, respectively.
  • the median filter algorithm is used to denoise each frame of image.
  • the principle of median filter is to replace the value of a pixel in the image with the median value of each pixel in a neighborhood of the pixel. , So that the surrounding pixel values are closer to the true value, thereby eliminating isolated noise points.
  • the method is to select the pixel area with the target pixel as the center, sort the pixel values of all the pixels in the pixel area in the order from largest to smallest or from smallest to largest, and select a value in the middle of the sorted sequence ( That is, the median) as the new pixel value of the target pixel.
  • video data within a preset time period is acquired, human contour recognition is performed on each frame of the video data, and multiple video frames containing human contours are extracted, based on pedestrian re-recognition technology and badges
  • Feature detection technology determines the object set of humanoid objects contained in multiple video frames and the target subset of target objects that meet the characteristics of the badge. According to the object set and target subset, the number of customers included in the video data is obtained, based on pedestrians
  • the re-identification technology enables the effective identification of the number of humanoid objects, and further based on the badge feature detection technology, enables the effective determination of who is the staff, so as to eliminate the staff and improve the accuracy of customer statistics.
  • Fig. 2 is another embodiment of the method for counting the number of customers in the embodiment of this application, including:
  • Step 201 Obtain video data within a preset time period.
  • step 202 the content described in step 202 is similar to the content in step 101 in the embodiment shown in FIG. 1, and will not be repeated here.
  • Step 202 Perform human-shaped contour feature recognition processing on each frame of image in the video data, and obtain human-shaped candidate regions in each frame of image;
  • Step 203 Input the humanoid candidate region in each frame of image into the trained humanoid classification model, and determine whether each frame of image contains a humanoid image;
  • Step 204 Extract multiple video frames containing human-shaped images from each frame of image
  • the humanoid classifier model is obtained by pre-training the initial classifier model with sample data.
  • the sample data contains the humanoid contour recognition process to determine the humanoid candidate area, but it is actually not the first sample data of the humanoid image , And after the humanoid contour recognition process, it is determined as the humanoid candidate area, and it is the second template data of the humanoid image.
  • the first sample data and the second sample data are input into the initial classifier model, and multiple iteration calculations are performed until the first After the input of the sample data, it is judged to be a non-humanoid image, and after the second sample data is input, it is judged to be a humanoid image, so as to train a humanoid classifier model.
  • Step 206 Perform badge feature detection on each object in the object set of humanoid objects, and determine a target subset composed of target objects that meet the badge feature detection in the object set of humanoid objects;
  • Step 207 Obtain the number of customers included in the video data according to the object set and the target subset.
  • step 205 specifically includes the following steps:
  • Traverse multiple video frames for the area corresponding to each humanoid image in the traversed target video frame, and determine the action trajectory of the humanoid object corresponding to the humanoid image based on pedestrian re-recognition technology to determine the multiple video frames contained An object collection of humanoid objects.
  • the statistical device will traverse multiple video frames containing human-shaped objects, and when traversing, the traversal is performed based on the time sequence of the video frames.
  • the earlier the time sequence, the earlier the traversal is, for the traversed video The frame can be called a target video frame.
  • For at least one humanoid image in the target video frame determine the area corresponding to the humanoid image, and label the humanoid image, such as pedestrian number 1, based on the humanoid image re-recognition technology , Search for a humanoid image that belongs to the same person as the humanoid image in other video frames to obtain the action trajectory of the humanoid object corresponding to the humanoid image.
  • the target objects are further screened out from the object set of humanoid objects to obtain a target subset of the target objects.
  • the object of card feature detection It may be to perform badge feature detection on each object in the object set of humanoid objects, and determine the target subset composed of target objects that meet the badge feature detection in the object set of humanoid objects.
  • Step B Search from the image area in the image area set of each humanoid object whether it has preset badge features
  • Step C If there is a badge feature in the image area in the image area set of the humanoid object, the corresponding humanoid object is determined as the target object, and a target subset of the target object that meets the badge feature is obtained.
  • part of the features of the above badge features can be taken by the staff to input multiple images of the same badge feature into the feature extraction module to obtain the extracted color features and special features.
  • the marking feature can be set according to specific needs in actual applications, and it is not limited here.
  • the humanoid objects appearing in the video can be effectively determined by using pedestrian re-recognition technology, for example, customers or shop assistants, and further by using badge feature detection technology to detect which of the humanoid objects are consistent
  • the target object of the badge feature makes it possible to effectively identify the clerk from the humanoid object, and effectively improve the accuracy of the number of customers detection.
  • first obtain video data within a preset time period perform humanoid contour recognition on each frame of the video data, and extract multiple video frames containing humanoid contours, based on pedestrian re-recognition technology and engineering
  • the brand feature detection technology determines the object set of humanoid objects contained in multiple video frames and the target subset of target objects that meet the characteristics of the badge. According to the object set and target subset, the number of customers included in the video data is obtained, based on Pedestrian re-recognition technology enables effective identification of the number of humanoid objects, and further based on badge feature detection technology, enables effective identification of who are workers, so that workers can be eliminated and the accuracy of customer statistics can be improved.
  • the frame extraction module 403 is used for extracting multiple video frames containing human-shaped images from each frame image.
  • the humanoid contour is pre-stored in the statistical device.
  • the humanoid contour may be different in the walking state, standing state, squatting state, etc.
  • the size of the humanoid contour includes the difference between children and adults.
  • Age, different fat and thin, different sizes corresponding to different heights, based on the pre-stored human figure contour in each video frame of the video data, will be similar to any human figure contour greater than or equal to a preset threshold (for example, 95% ), as a candidate for the human shape.
  • a preset threshold for example, 95%
  • the embodiments of the present application also provide a readable storage medium.
  • the readable storage medium may be non-volatile or volatile.
  • a computer program is stored thereon. When the computer program is executed by a processor, the implementation is as described above. The various steps in the embodiment of the statistical method of the number of customers.
  • the integrated module is implemented in the form of a software function module and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the technical solution of this application essentially or the part that contributes to the existing technology or all or part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a storage medium.
  • a computer device which can be a personal computer, a server, or a network device, etc.
  • the aforementioned storage media include: U disk, mobile hard disk, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), magnetic disks or optical disks and other media that can store program codes. .
  • the statistical method for the number of customers provided in this application further guarantees the privacy and security of all the above-mentioned data
  • all the above-mentioned data can also be stored in a node of a blockchain.
  • video data, badge features, etc. these data can be stored in the blockchain node.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种顾客数量的统计方法及装置、电子设备及可读存储介质，该方法先获取预设时间段内的视频数据，对该视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，基于行人重识别技术及工牌特征检测技术，确定多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，根据该对象集合及目标子集，得到视频数据中包含的顾客数量，基于行人重识别技术，使得能够有效的识别人形对象的数量，且进一步基于工牌特征检测技术，使得能够有效的确定哪些人是工作人员，以便将工作人员进行剔除，提高顾客数量统计的准确性。

Description

顾客数量的统计方法及装置、电子设备及可读存储介质
本申请要求于2019年9月2日提交中国专利局、申请号为CN201910823322.9，发明名称为“顾客数量的统计方法及装置、电子设备及可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及电子设备技术领域，具体涉及一种顾客数量的统计方法及装置、电子设备及可读存储介质。
背景技术
在零售中，对客流量的分析至关重要，具体而言，在实体店投资、创业等商业行为中，客流量与购买力均为非常重要的参数。然而，发明人意识到在现有的对客流量的统计方法中，并未针对顾客和店员进行区分，降低了客流量统计的准确性。
发明内容
本申请实施例提供一种顾客数量的统计方法、电子设备及计算机可读存储介质，可以有效提高顾客数量的统计的准确性。
一种顾客数量的统计方法，包括：
获取预设时间段内的视频数据；
对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
一种顾客数量的统计装置，该装置包括：
获取模块，用于获取预设时间段内的视频数据；
提取模块，用于对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
确定模块，用于基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
数量模块，用于根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
一种电子设备，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时，实现如下步骤：
获取预设时间段内的视频数据；
对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
一种可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时，实现如下步骤：
获取预设时间段内的视频数据；
对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例中顾客数量的统计方法的流程示意图；
图2为本申请实施例中顾客数量的统计方法的另一流程示意图；
图3为本申请实施例中顾客数量的统计装置的一结构示意图；
图4为本申请实施例中顾客数量的统计装置的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明，以下所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在以下的说明中，本申请具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有该数据格式所定义的特定特征。但是，本申请原理以上述文字来说明，其并不代表一种限制，本领域测试人员将可了解到一下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其他泛用性或特定目的运算，通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境或组态的范例可包括但不限于手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
以下将分别进行详细说明。
在本申请实施例中，顾客数量的统计方法通常由顾客数量的统计装置(以下简称为：统计装置)实现，该统计装置为应用程序，存储在电子设备的计算机可读存储介质中，电子设备内的处理器可从该可读存储介质中调取上述应用程序，以实现顾客数量的统计方法。
其中，上述的顾客数量的统计方法通常应用在具有一定人流量的商业场合，例如，可以是便利店、商场、火车站等等，在便利店场景下，需要预先在店内设置摄像头，通过摄像头获取视频数据，并由本申请实施例中的顾客数量的统计方法实现顾客数量的统计，以确定一天，一个月，或者一年，一家便利店的顾客数量，使得能够确定哪些时间段，或者哪个月，人流量高，以便于更好的进行商业活动。
请参阅图1，为本申请实施例中顾客数量的统计方法的一流程示意图，该方法包括：
步骤101、获取预设时间段内的视频数据；
在本申请实施例中，统计装置将获取预设时间段内的视频数据，该预设时间段具体可以为1个小时，12个小时，一天，或者其他的任意由用户自定义的时间段。
其中，视频数据是利用摄像头拍摄得到的。
步骤102、对视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
在本申请实施例中，统计装置将对视频数据中的每一帧图像进行人形轮廓识别，提取 出包含人形轮廓的多个视频帧。
其中，人形轮廓识别是识别出视频帧中是否存在人，以便确定哪些视频帧中是有人的，通常情况下，是预先设置多个人处于不同姿势下的人形轮廓，例如，该人形轮廓可以是人行走状态、站立状态、下蹲状态等等状态下不同的轮廓，且该人形轮廓的尺寸包含了儿童至成年人不同年龄，不同胖瘦，不同高矮所对应的尺寸，通过对人形轮廓进行识别，使得能够有效的确定哪些视频帧中是存在人的，即可提取出包含人形轮廓的多个视频帧。
步骤103、基于行人重识别技术及工牌特征检测技术，确定多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
步骤104、根据对象集合及目标子集，得到视频数据中包含的顾客数量。
其中，行人重识别(Person re-identification)技术也称为行人再识别，是利用计算机视觉技术判断图像或视频帧中是否存在特定行人的技术。
可以理解的是，为了降低数据处理量，或者，为了缩短数据处理时间及减少处理占用的资源，在获取到预设时间段内的视频数据之后，还可以对该视频数据中的每一帧图像进行灰度化和去噪处理。
其中，灰度化处理算法为：其中，灰度化处理算法为：
F(i,j)＝0.30*f R(i,j)+0.59*f G(i,j)+0.11*f B(i,j),F(i,j)为灰度化处理后的像素值，f R(i,j)、f G(i,j)、f B(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值。
其中，采用中值滤波算法对每一帧图像进行去噪处理，中值滤波的原理是把图像中一像素点的值用该像素点的一个邻域中各像素点的像素值的中值代替，让周围的像素值更接近真实值，从而消除孤立的噪声点。方法是以目标像素点为中心选取像素点区域，将该像素点区域内的所有像素点的像素值按照从大到小或者从小到大的顺序进行排序，选择排序得的序列中间的一个值(即中值)作为目标像素点的新的像素值。
其中，中值滤波算法为：
g(x,y)＝med{f(x-k,y-i),(k,i∈W)，f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值，med表示取多个值的中值，W为以像素点(x，y)为中心选取的像素点区域的区域大小，k，i为一个像素点相对于像素点(x，y)的位置关系，f(x-k,y-i)表示以像素点区域内的像素点(x-k，y-i)的像素值。
其中，像素点区域的大小通常为3*3，或者5*5。
在本申请实施例中，在提取出包含人形轮廓的多个视频帧之后，为了进一步的确定该多个视频帧中包含了多少个人，则需要基于行人重识别技术确定哪些帧中的哪些人形轮廓是属于同一个人的，以便确定该视频数据中人的数量，且构成上述的人形对象的对象集合，且进一步的，为了确定人形对象的对象集合中存在多少个目标对象，则需要使用到工牌特征检测技术，其中，工牌特征检测技术通常是用于检测工作人员的数量(因为通常情况下，工作人员都是需要佩戴工牌的)，以得到符合工牌特征的目标对象的目标子集，可以理解的是，在得到上述包含人形对象的对象集合及符合工牌特征的目标对象的目标子集之后，可以基于该两个集合，得到顾客数量，以得到剔除目标人员例如工作人员之后的顾客数量，对顾客数量的统计更加准确。
在本申请实施例中，获取预设时间段内的视频数据，对该视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，基于行人重识别技术及工牌特征检测技术，确定多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，根据该对象集合及目标子集，得到视频数据中包含的顾客数量，基于行人重识别技术，使得能够有效的识别人形对象的数量，且进一步基于工牌特征检测技术，使得能够有效的确定哪些人是工作人员，以便将工作人员进行剔除，提高顾客数量统计的准确性。
基于图1所示实施例，请参阅图2，为本申请实施例中顾客数量的统计方法的另一实 施例，包括：
步骤201、获取预设时间段内的视频数据；
在本申请实施例中，步骤202中描述的内容与图1所示实施例中步骤101中的内容相似，此处不做赘述。
步骤202、对视频数据中的每一帧图像分别进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域；
步骤203、将各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定各帧图像中是否包含人形图像；
步骤204、从各帧图像中提取包含人形图像的多个视频帧；
在本申请实施例中，对于视频数据中的每一帧图像，需要先分贝进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域。
其中，在统计装置中预先存储了人形轮廓，例如，该人形轮廓可以是人行走状态、站立状态、下蹲状态等等状态下不同的轮廓，且该人形轮廓的尺寸包含了儿童至成年人不同年龄，不同胖瘦，不同高矮所对应的尺寸，基于该预先存储的人形轮廓在视频数据的各视频帧中进行识别，将与任意一个人形轮廓的相似度大于或等于预设阈值(例如95％)的区域，作为人形候选区域。可以理解的是，一帧图像中可以有至少一个人形候选区域，或者没有人形候选区域。
为了提高对人形图像的判断，还需要进一步的对人形候选区域进行进一步的筛选，具体的可以将各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定各帧图像中是否包含人形图像，并将确定包含人形图像的视频帧提取出来，可以理解的是，包含人形图像的视频帧是指至少包含一个人形图像的视频帧。
其中，人形分类器模型是预先使用样本数据对初始分类器模型进行训练得到的，该样本数据中包含经过人形轮廓识别处理确定为人形候选区域，但是实际上并非是人形图像的第一样本数据，和经过人形轮廓识别处理确定为人形候选区域，且是人形图像的第二样板数据，将第一样本数据和第二样本数据输入到初始分类器模型中，进行多次迭代计算，直至第一样本数据输入之后均判断为非人形图像，及第二样本数据输入之后均判断为人形图像，以训练得到人形分类器模型。
步骤205、采用行人重识别技术对多个视频帧进行人形识别，确定多个视频帧中包含的人形对象的对象集合；
步骤206、对人形对象的对象集合中各对象进行工牌特征检测，确定人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集；
步骤207、根据对象集合及目标子集，得到视频数据中包含的顾客数量。
在本申请实施例中，在确定包含人形图像的视频帧之后，需要确定多个视频帧中到底有多少人形对象(即有多少人)，具体可以采用行人重识别技术对多个视频帧进行人形识别，确定多个视频帧中包含的人形对象的对象集合。
其中，步骤205具体包括以下步骤：
遍历多个视频帧，对于遍历到的目标视频帧中的每一个人形图像对应的区域，并基于行人重识别技术确定该人形图像对应的人形对象的行动轨迹，以确定多个视频帧中包含的人形对象的对象集合。
在本申请实施例中，统计装置将遍历包含人形对象的多个视频帧，且在遍历时，是基于视频帧的时序顺序进行遍历的，时序越早的遍历到越早，对于遍历到的视频帧可以称为是目标视频帧，对于该目标视频帧中的至少一个人形图像，确定该人形图像对应的区域，并对该人形图像进行标号，比如标为行人1号，基于人形图像重识别技术，在其他视频帧中查找与该人形图像均属于同一个人的人形图像，以得到该人形图像对应的人形对象的行动轨迹。例如，对于视频帧A中的人形图像a，基于行人重识别技术在视频帧A之后的视 频帧中进行行人重识别处理，确定在视频帧B、视频帧C、视频帧D及视频帧E中均具有与人形图像a一样均属于同一人形对象的人形图像，即，可以基于视频帧A至视频帧E中人形对象所对应的人形图像，确定该人形对象的行动轨迹。且对该人形对象进行编号，并添加至人形对象的对象集合中，其中，该人形对象的对象集合的初始值为空。可以理解的是，在确定人形对象的行动轨迹之后，将其行动轨迹中所对应的人形图像均标记为已处理人形图像，使得在遍历时，将不再对已处理的人形图像再重复上述步骤205，以提高准确性，避免重复。
在本申请实施例中，在得到人形对象的对象集合之后，将进一步的从人形对象的对象集合中筛选出目标对象，以得到目标对象的目标子集，其中，该目标对象通常是指符合工牌特征检测的对象。可以是对人形对象的对象集合中的各对象进行工牌特征检测，确定人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集。
具体的，上述步骤206具体包括：
步骤A、从各视频帧中提取人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合；
步骤B、从各人形对象的图像区域集合中的图像区域中查找是否具有预先设置的工牌特征；
步骤C、若存在人形对象的图像区域集合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
在本申请实施例中，统计装置将从各视频帧中提取人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合，例如，若人形对象A的行动轨迹为视频帧A至视频帧E，则从视频帧A至视频帧E中提取出该人形对象A的人形图像，即图像区域，作为人形对象A的图像区域集合。
且对于每一个人形对象，都将从该人形对象的图像区域集合中图像区域中查找是否具有预先设置的工牌特征。若存在人形对象的图像区域结合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
其中，工牌特征具体可以包括位置特征、颜色特征、特殊标记特征等等特征，在实际应用中，可以体现出工牌与其他物体的区别的特征，都可以作为工牌特征使用，其中，位置特征可以是人形对象胸前预设大小的区域，颜色特征基于待识别的工牌的颜色预先设置，若某一个商店内的工牌为红色，则颜色特征即为红色。特殊标记特征则可以是logo特征，该特殊标记特征需要预先设置，不同的厂或者商户所使用到的logo特征是不一样的。可以理解的是，上述工牌特征的部分特征如颜色特征及特殊标记特征可以通过工作人员将拍摄的同一个工牌特征的多个图像输入到特征提取模块中，以得到提取的颜色特征及特殊标记特征，在实际应用中可以根据具体的需要设置，此处不做限定。
在本申请实施例中，在得到人形对象的对象集合和目标对象的目标子集之后，将确定人形对象的对象集合中包含的人形对象的第一数量，及确定目标对象的目标子集中人形对象的第二数量，将第一数量与第二数量进行相减，得到的差值即为视频数据中包含的顾客数量，例如，若人形对象的对象集合中包含的人形对象的数量为100，目标子集中目标对象的数量为5，则顾客数量为95。
在本申请实施例中，通过利用行人重识别技术能够有效确定视频中出现的人形对象，例如可以是顾客，也可以是店员，且进一步通过利用工牌特征检测技术，检测人形对象中哪些是符合工牌特征的目标对象，使得能够有效的从人形对象中确定出店员，有效提高顾客数量检测的准确性。
请参阅图3，为本申请实施例中顾客数量的统计装置的结构示意图，该装置包括：
获取模块301，用于获取预设时间段内的视频数据；
提取模块302，用于对视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮 廓的多个视频帧；
确定模块303，用于基于行人重识别技术及工牌特征检测技术，确定多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
数量模块304，用于根据对象集合及目标子集，得到视频数据中包含的顾客数量。
可以理解的是，为了降低数据处理量，或者，为了缩短数据处理时间及减少处理占用的资源，在获取到预设时间段内的视频数据之后，还可以对该视频数据中的每一帧图像进行灰度化和去噪处理。
其中，灰度化处理算法为：其中，灰度化处理算法为：
F(i,j)＝0.30*f R(i,j)+0.59*f G(i,j)+0.11*f B(i,j),F(i,j)为灰度化处理后的像素值，f R(i,j)、f G(i,j)、f B(i,j)分别为灰度化处理前的图像中的R分量、G分量及B分量的值。
其中，采用中值滤波算法对每一帧图像进行去噪处理，中值滤波的原理是把图像中一像素点的值用该像素点的一个邻域中各像素点的像素值的中值代替，让周围的像素值更接近真实值，从而消除孤立的噪声点。方法是以目标像素点为中心选取像素点区域，将该像素点区域内的所有像素点的像素值按照从大到小或者从小到大的顺序进行排序，选择排序得的序列中间的一个值(即中值)作为目标像素点的新的像素值。
其中，中值滤波算法为：
g(x,y)＝med{f(x-k,y-i),(k,i∈W)，f(x,y)及g(x,y)分别为滤波前和滤波后的图像的像素值，med表示取多个值的中值，W为以像素点(x，y)为中心选取的像素点区域的区域大小，k，i为一个像素点相对于像素点(x，y)的位置关系，f(x-k,y-i)表示以像素点区域内的像素点(x-k，y-i)的像素值。
其中，像素点区域的大小通常为3*3，或者5*5。
在本申请实施例中，先获取预设时间段内的视频数据，对该视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，基于行人重识别技术及工牌特征检测技术，确定多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，根据该对象集合及目标子集，得到视频数据中包含的顾客数量，基于行人重识别技术，使得能够有效的识别人形对象的数量，且进一步基于工牌特征检测技术，使得能够有效的确定哪些人是工作人员，以便将工作人员进行剔除，提高顾客数量统计的准确性。
请参阅图4，为本申请实施例中顾客数量的统计方法的另一结构示意图，包括：如图3所示实施例中的获取模块301、提取模块302、确定模块303及数量模块304，且与图3所示实施例中描述的内容相似，此处不做赘述。
在本申请实施例中，提取模块302包括：
识别获取模块401，用于对视频数据中的每一帧图像分别进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域；
输入确定模块402，用于将各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定各帧图像中是否包含人形图像；
帧提取模块403，用于从各帧图像中提取包含人形图像的多个视频帧。
在本申请实施例中，确定模块303包括：
第一确定模块404，用于采用行人重识别技术对多个视频帧进行人形识别，确定多个视频帧中包含的人形对象的对象集合；
第二确定模块405，用于对人形对象的对象集合中各对象进行工牌特征检测，确定人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集。
其中，上述第一确定模块404具体用于遍历多个视频帧，对于遍历到的目标视频帧中的每一个人形图像所对应的区域，并基于行人重识别技术确定人形图像对应的人形对象的行动轨迹，以确定多个视频帧中包含的人形对象的对象集合。
上述第二确定模块405具体用于：从各视频帧中提取人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合；从各人形对象的图像区域集合中的图像区域中查找是否具有预先设置的工牌特征；若存在人形对象的图像区域集合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
其中，在统计装置中预先存储了人形轮廓，例如，该人形轮廓可以是人行走状态、站立状态、下蹲状态等等状态下不同的轮廓，且该人形轮廓的尺寸包含了儿童至成年人不同年龄，不同胖瘦，不同高矮所对应的尺寸，基于该预先存储的人形轮廓在视频数据的各视频帧中进行识别，将与任意一个人形轮廓的相似度大于或等于预设阈值(例如95％)的区域，作为人形候选区域。可以理解的是，一帧图像中可以有至少一个人形候选区域，或者没有人形候选区域。
其中，人形分类器模型是预先使用样本数据对初始分类器模型进行训练得到的，该样本数据中包含经过人形轮廓识别处理确定为人形候选区域，但是实际上并非是人形图像的第一样本数据，和经过人形轮廓识别处理确定为人形候选区域，且是人形图像的第二样板数据，将第一样本数据和第二样本数据输入到初始分类器模型中，进行多次迭代计算，直至第一样本数据输入之后均判断为非人形图像，及第二样本数据输入之后均判断为人形图像，以训练得到人形分类器模型。
在本申请实施例中，统计装置将遍历包含人形对象的多个视频帧，且在遍历时，是基于视频帧的时序顺序进行遍历的，时序越早的遍历到越早，对于遍历到的视频帧可以称为是目标视频帧，对于该目标视频帧中的至少一个人形图像，确定该人形图像对应的区域，并对该人形图像进行标号，比如标为行人1号，基于人形图像重识别技术，在其他视频帧中查找与该人形图像均属于同一个人的人形图像，以得到该人形图像对应的人形对象的行动轨迹。例如，对于视频帧A中的人形图像a，基于行人重识别技术在视频帧A之后的视频帧中进行行人重识别处理，确定在视频帧B、视频帧C、视频帧D及视频帧E中均具有与人形图像a一样均属于同一人形对象的人形图像，即，可以基于视频帧A至视频帧E中人形对象所对应的人形图像，确定该人形对象的行动轨迹。且对该人形对象进行编号，并添加至人形对象的对象集合中，其中，该人形对象的对象集合的初始值为空。可以理解的是，在确定人形对象的行动轨迹之后，将其行动轨迹中所对应的人形图像均标记为已处理人形图像，使得在遍历时，将不再对已处理的人形图像再重复处理，以提高准确性，避免重复。
在本申请实施例中，通过利用行人重识别技术能够有效确定视频中出现的人形对象，例如可以是顾客，也可以是店员，且进一步通过利用工牌特征检测技术，检测人形对象中哪些是符合工牌特征的目标对象，使得能够有效的从人形对象中确定出店员，有效提高顾客数量检测的准确性。
在本申请实施例中还提供一种电子设备，包括存储器、处理器及存储在存储器上且在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述顾客数量的统计方法的实施例中的各个步骤。
本申请实施例还提供一种可读存储介质，所述可读存储介质可以是非易失性，也可以是易失性，其上存储有计算机程序，计算机程序被处理器执行时，实现如上述顾客数量的统计方法的实施例中的各个步骤。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者 说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一实施例中，本申请所提供的顾客数量的统计方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如视频数据、工牌特征等等，这些数据均可存储在区块链节点中。
需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本申请所提供的一种顾客数量的统计方法及装置、电子设备及可读存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (20)

  1. 一种顾客数量的统计方法，其中，所述方法包括：
    获取预设时间段内的视频数据；
    对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
    基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
    根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
  2. 根据权利要求1所述的方法，其中，所述对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，包括：
    对所述视频数据中的每一帧图像分别进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域；
    将所述各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定所述各帧图像中是否包含人形图像；
    从所述各帧图像中提取包含人形图像的多个视频帧。
  3. 根据权利要求1所述的方法，其中，所述基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，包括：
    采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形对象的对象集合；
    对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集。
  4. 根据权利要求3所述的方法，其中，所述采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形图像的对象集合，包括：
    遍历所述多个视频帧，对于遍历到的目标视频帧中的每一个人形图像所对应的区域，并基于行人重识别技术确定所述人形图像对应的人形对象的行动轨迹，以确定所述多个视频帧中包含的人形对象的对象集合。
  5. 根据权利要求3所述的方法，其中，所述对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集，包括：
    从所述各视频帧中提取所述人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合；
    从各人形对象的图像区域集合中的图像区域中查找是否具有预先设置的工牌特征；
    若存在人形对象的图像区域集合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
  6. 根据权利要求2所述的方法，其中，所述人形分类器模型是预先使用样本数据对初始分类器模型进行训练得到的。
  7. 根据权利要求5所述的方法，其中，所述工牌特征包括位置特征、颜色特征及特殊标记特征。
  8. 一种顾客数量的统计装置，其中，所述装置包括：
    获取模块，用于获取预设时间段内的视频数据；
    提取模块，用于对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
    确定模块，用于基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
    数量模块，用于根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
  9. 一种电子设备，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时，实现如下步骤：
    获取预设时间段内的视频数据；
    对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
    基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集；
    根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
  10. 根据权利要求9所述的电子设备，其中，所述对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，包括：
    对所述视频数据中的每一帧图像分别进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域；
    将所述各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定所述各帧图像中是否包含人形图像；
    从所述各帧图像中提取包含人形图像的多个视频帧。
  11. 根据权利要求9所述的电子设备，其中，所述基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，包括：
    采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形对象的对象集合；
    对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集。
  12. 根据权利要求11所述的电子设备，其中，所述采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形图像的对象集合，包括：
    遍历所述多个视频帧，对于遍历到的目标视频帧中的每一个人形图像所对应的区域，并基于行人重识别技术确定所述人形图像对应的人形对象的行动轨迹，以确定所述多个视频帧中包含的人形对象的对象集合。
  13. 根据权利要求11所述的电子设备，其中，所述对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集，包括：
    从所述各视频帧中提取所述人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合；
    从各人形对象的图像区域集合中的图像区域中查找是否具有预先设置的工牌特征；
    若存在人形对象的图像区域集合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
  14. 根据权利要求10所述的电子设备，其中，所述人形分类器模型是预先使用样本数据对初始分类器模型进行训练得到的。
  15. 根据权利要求13所述的电子设备，其中，所述工牌特征包括位置特征、颜色特征及特殊标记特征。
  16. 一种可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时，实现如下步骤：
    获取预设时间段内的视频数据；
    对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧；
    基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的 对象集合及符合工牌特征的目标对象的目标子集；
    根据所述对象集合及所述目标子集，得到所述视频数据中包含的顾客数量。
  17. 根据权利要求16所述的可读存储介质，其中，所述对所述视频数据中每一帧图像进行人形轮廓识别，提取出包含人形轮廓的多个视频帧，包括：
    对所述视频数据中的每一帧图像分别进行人形轮廓特征识别处理，获取各帧图像中的人形候选区域；
    将所述各帧图像中的人形候选区域输入已训练得到的人形分类模型中，确定所述各帧图像中是否包含人形图像；
    从所述各帧图像中提取包含人形图像的多个视频帧。
  18. 根据权利要求16所述的可读存储介质，其中，所述基于行人重识别技术及工牌特征检测技术，确定所述多个视频帧中包含的人形对象的对象集合及符合工牌特征的目标对象的目标子集，包括：
    采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形对象的对象集合；
    对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集。
  19. 根据权利要求18所述的可读存储介质，其中，所述采用行人重识别技术对所述多个视频帧进行人形识别，确定所述多个视频帧中包含的人形图像的对象集合，包括：
    遍历所述多个视频帧，对于遍历到的目标视频帧中的每一个人形图像所对应的区域，并基于行人重识别技术确定所述人形图像对应的人形对象的行动轨迹，以确定所述多个视频帧中包含的人形对象的对象集合。
  20. 根据权利要求18所述的可读存储介质，其中，所述对所述人形对象的对象集合中各对象进行工牌特征检测，确定所述人形对象的对象集合中符合工牌特征检测的目标对象构成的目标子集，包括：
    从所述各视频帧中提取所述人形对象的对象集合中各人形对象的图像区域，得到各人形对象的图像区域集合；
    从各人形对象的图像区域集合中的图像区域中查找是否具有预先设置的工牌特征；
    若存在人形对象的图像区域集合中的图像区域中存在工牌特征，则将相应的人形对象确定为目标对象，得到符合工牌特征的目标对象的目标子集。
PCT/CN2020/112339 2019-09-02 2020-08-30 顾客数量的统计方法及装置、电子设备及可读存储介质 WO2021043090A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910823322.9 2019-09-02
CN201910823322.9A CN110717885A (zh) 2019-09-02 2019-09-02 顾客数量的统计方法及装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
WO2021043090A1 true WO2021043090A1 (zh) 2021-03-11

Family

ID=69209655

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/112339 WO2021043090A1 (zh) 2019-09-02 2020-08-30 顾客数量的统计方法及装置、电子设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN110717885A (zh)
WO (1) WO2021043090A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717885A (zh) * 2019-09-02 2020-01-21 平安科技（深圳）有限公司 顾客数量的统计方法及装置、电子设备及可读存储介质
CN112257660B (zh) * 2020-11-11 2023-11-17 汇纳科技股份有限公司 无效客流的去除方法、系统、设备及计算机可读存储介质
CN112560765A (zh) * 2020-12-24 2021-03-26 上海明略人工智能(集团)有限公司 基于行人重识别的人流统计方法、系统、设备及存储介质
CN112906679B (zh) * 2021-05-08 2021-07-23 深圳市安软科技股份有限公司 基于人形语义分割的行人重识别方法、系统及相关设备
CN115063378B (zh) * 2022-06-27 2023-12-05 中国平安财产保险股份有限公司 智能点数方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147869A (zh) * 2011-03-31 2011-08-10 上海交通大学 基于前景分析和模式识别的行人检测方法
CN103955673A (zh) * 2014-04-30 2014-07-30 南京理工大学 一种基于头肩模型的人体识别方法
US20160055645A1 (en) * 2013-03-26 2016-02-25 Hitachi Kokusai Electric Inc. People counting device and people counting method
CN109271870A (zh) * 2018-08-21 2019-01-25 平安科技（深圳）有限公司 行人重识别方法、装置、计算机设备及存储介质
CN109508586A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 一种客流统计方法、装置及设备
CN109978813A (zh) * 2017-12-27 2019-07-05 中华电信股份有限公司 影像式人流计数的特定人物排除系统及方法
CN110717885A (zh) * 2019-09-02 2020-01-21 平安科技（深圳）有限公司 顾客数量的统计方法及装置、电子设备及可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918971B (zh) * 2017-12-12 2024-01-05 深圳光启合众科技有限公司 监控视频中人数检测方法及装置
CN108764181B (zh) * 2018-05-31 2021-06-08 北京学之途网络科技有限公司 一种客流统计方法和装置、计算机可读存储介质
CN109448026A (zh) * 2018-11-16 2019-03-08 南京甄视智能科技有限公司 基于头肩检测的客流统计方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147869A (zh) * 2011-03-31 2011-08-10 上海交通大学 基于前景分析和模式识别的行人检测方法
US20160055645A1 (en) * 2013-03-26 2016-02-25 Hitachi Kokusai Electric Inc. People counting device and people counting method
CN103955673A (zh) * 2014-04-30 2014-07-30 南京理工大学 一种基于头肩模型的人体识别方法
CN109508586A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 一种客流统计方法、装置及设备
CN109978813A (zh) * 2017-12-27 2019-07-05 中华电信股份有限公司 影像式人流计数的特定人物排除系统及方法
CN109271870A (zh) * 2018-08-21 2019-01-25 平安科技（深圳）有限公司 行人重识别方法、装置、计算机设备及存储介质
CN110717885A (zh) * 2019-09-02 2020-01-21 平安科技（深圳）有限公司 顾客数量的统计方法及装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN110717885A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
WO2021043090A1 (zh) 顾客数量的统计方法及装置、电子设备及可读存储介质
US11188783B2 (en) Reverse neural network for object re-identification
CN106776619B (zh) 用于确定目标对象的属性信息的方法和装置
Patruno et al. People re-identification using skeleton standard posture and color descriptors from RGB-D data
WO2021043089A1 (zh) 一种客流量统计方法、装置、设备及计算机可读存储介质
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN107871111B (zh) 一种行为分析方法及系统
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN108171158A (zh) 活体检测方法、装置、电子设备及存储介质
CN110222582B (zh) 一种图像处理方法和相机
CN103824090A (zh) 一种自适应的人脸低层特征选择方法及人脸属性识别方法
Seo et al. Automated postural ergonomic assessment using a computer vision-based posture classification
CN114937232A (zh) 医废处理人员防护用具穿戴检测方法、系统和设备
CN108875695A (zh) 基于机器视觉的参观现场兴趣人流统计分析方法
Lucio et al. Simultaneous iris and periocular region detection using coarse annotations
CN108875501B (zh) 人体属性识别方法、装置、系统及存储介质
Lamsal et al. Effects of the Unscented Kalman filter process for high performance face detector
CN108647629A (zh) 一种图像识别定位方法、视频中图像轨迹识别方法和装置
Vennila et al. A rough set framework for multihuman tracking in surveillance video
EP3629228B1 (en) Image processing for determining relationships between tracked objects
Pathak et al. A framework for dynamic hand gesture recognition using key frames extraction
Musa et al. Crowd reckoning towards preventing the repeat of ‘2015 Hajj pilgrims stampede’
CN112348112B (zh) 图像识别模型的训练方法、训练装置及终端设备
CN110874547A (zh) 从视频中识别对象的方法和设备
Gurkan et al. Evaluation of human and machine face detection using a novel distinctive human appearance dataset

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: 20859974

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20859974

Country of ref document: EP

Kind code of ref document: A1