CN108734107A - 一种基于人脸的多目标跟踪方法及*** - Google Patents
一种基于人脸的多目标跟踪方法及*** Download PDFInfo
- Publication number
- CN108734107A CN108734107A CN201810371205.9A CN201810371205A CN108734107A CN 108734107 A CN108734107 A CN 108734107A CN 201810371205 A CN201810371205 A CN 201810371205A CN 108734107 A CN108734107 A CN 108734107A
- Authority
- CN
- China
- Prior art keywords
- face
- tracker
- frame
- survival duration
- video frame
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人脸的多目标跟踪方法及***,本发明在现有的人脸跟踪技术中引入了***复活机制、选脸机制以及人脸缓冲机制,在处理的视频过程中,检测到人脸后,进行跟踪处理,并在跟踪过程中选择一张或者多张质量最佳的人脸用来表征某个人的人脸。最终对视频中的每个人脸,只会产生少量且质量最佳的人脸图片,为视频的结构化处理降低了处理难度。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种基于人脸的多目标跟踪方法及***。
背景技术
随着人工智能的迅猛发展,围绕着人脸识别技术的应用场景在不断地增加,比如人脸支付,机场/高铁站内的人证合一验证等。而在安防***中,以人脸为核心的视频结构化处理,可以在银行、机场、商场、市场等人流密集的公共场所对人群进行监控,实现人流自动统计、基于人脸属性的分析、以及特定人物的自动识别和跟踪。
在实际的监控中,受到视频质量、复杂的光线环境、复杂的人脸角度等因素,在视频中抓取到的人脸存在模糊、角度过大、面部过暗/过亮等情况,直接影响基于人脸熟悉分析的准确性,以及针对特定人物的识别和跟踪的准确性。另一方面,如果实时抓取到的人脸直接进行属性分析,人脸识别等处理,而不做跟踪和选脸的处理,会产生大量的人脸图片,没法进行人流量统计,而且大大增加服务器的计算能力,降低了处理的效率,非常容易得到错误的结果,降低结构化处理的实用性。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于人脸的多目标跟踪方法及***。
本发明解决上述技术问题的技术方案如下:
一方面,本发明提供一种基于人脸的多目标跟踪方法,包括以下步骤:
步骤1,初始化帧计数器,获取视频帧,并进行人脸检测,为检测到的每张人脸创建***;
步骤2,获取下一视频帧,帧计数器加1,同时判断所述***的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应的***;
步骤3,判断帧计数器是否达到预设值,若是则重置帧计数器并执行步骤4,否则跳转至步骤2;
步骤4,对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的***窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的***,否则为新检测到人脸创建***,并跳转至步骤2。
进一步,该方法还包括在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
进一步,针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
进一步,所述步骤2和步骤3之间还包括,判断***是否达到删除条件,若达到则删除该***。
进一步,所述删除条件包括存活时长达到上限值。
进一步,***删除后,获取其缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
另一方面,本发明还提供一种基于人脸的多目标跟踪***,包括
视频帧获取模块,用于获取视频帧;
帧计数器,用于记录获取的视频帧数;
人脸检测模块,用于对获取的视频帧进行人脸检测;
***创建模块,用于为人脸检测模块检测到的每张人脸创建***;
***更新模块,用于根据前一帧与当前帧的人脸相关性更新对应的***。
进一步,该***还包括缓冲器创建模块,用于在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
进一步,针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
进一步,该***还包括人脸筛选模块,用于在跟踪结束后,获取其对应的缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
本发明的有益效果是:在处理的视频过程中,检测到人脸后,进行跟踪处理,并在跟踪过程中选择一张或者多张质量最佳的人脸用来表征某个人的人脸。最终对视频中的每个人脸,只会产生少量且质量最佳的人脸图片,为视频的结构化处理降低了处理难度。
本发明引入了
1.复活机制
针对每个***创建质量指数,以及时效时长参数,当一***跟踪失败后并不立即删除,而是令其存活一段时间,当存活时长达到上限值时才进行***删除操作。弥补了原始物体跟踪算法因为遮挡情况,人脸运动过快等跟踪失败,造成性能变差的情况。
2.选脸机制
为了保证在抓取人脸属性,进行人脸识别获得更好的结果,在跟踪某个人脸的过程中,抓取一系列的人脸图片,跟踪结束即***删除后,在根据设定的过滤条件选出质量最佳的若干张人脸。
3.缓冲机制
增加***质量检查缓冲机制,这个机制提供了更好的连续跟踪的性能。
附图说明
图1为本发明方法流程图;
图2为本发明***结构图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
人脸检测以及跟踪是在视频或图像序列中确定某个人脸的位置,并且在人脸的运动过程当中持续地跟踪该人脸,确保为同一个人。人脸检测以及跟踪的性能对于人脸图像分析,人脸识别,视频结构化处理都有非常重要的意义。
常见的人脸跟踪算法包括:
1.对每一帧图像进行实时地人脸检测,获得人脸位置信息,根据前一帧人脸的位置与当前的人脸位置关系,来判断是否是同一个人,从而获得人脸的运动轨迹。
2.结合人脸检测以及物体跟踪的算法。即每隔若干帧进行一次人脸检测,获得人脸位置信息,后面的若干帧图像用物体跟踪的算法进行预测,获得人脸的运动轨迹。定期做人脸检测,其结果会不断地校正物体跟踪的预测。
以上的方法中,前者会非常消耗计算资源,运行速度慢;而后者由于跟踪算法的局限性,对于简单的场景,比如人脸较大,角度较小,没有互相遮挡的情况,可以满足;但多数的情况下,像商场,零售店内,以及平常的大街上人群,人脸角度很大,运动幅度和速度差异很大,互相遮挡,人脸的质量参差不齐,很容易出现人脸轨迹跟踪失败,相邻人脸互相干扰的情况,出现误报的情况。本发明是在2的基础上,进一步做了优化,通过增加跟踪质量等参数去评估跟踪的状态,同时增加了复活机制,可以避免短时间遮挡的情况下跟踪失败的情况。
本发明一方面提供一种基于人脸的多目标跟踪方法,如图1所示,包括以下步骤:
步骤1,初始化帧计数器,获取视频帧,并进行人脸检测,为检测到的每张人脸创建***;进行人脸检测是采用MTCNN作为人脸检测器。
我们选用的***是一个复合型***。用高级的信号处理函数封装了原生的***。其可选的核心算法包括:
1.核相关滤波算法(KCF)算法
2.中值光流(median optical flow)算法
3.跟踪学习检测(Tracking Learning Detection)算法
通常我们选用KCF作为首选的算法。KCF是一种鉴别式追踪方法,这类方法一般都是在追踪过程中训练一个目标检测器,使用目标检测器去检测下一帧预测位置是否是目标,然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本,目标的周围区域为负样本,当然越靠近目标的区域为正样本的可能性越大。
在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
步骤2,获取下一视频帧,帧计数器加1,同时判断所述***的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应的***;
在判断所述***的窗口位置是否有人脸时,还要进行人脸与***的匹配,匹配过程:
A.找到人脸图片的中心位置,以及宽度和高度
B.找到***窗口的中心位置,以及宽和高
C.如果人脸图片的中心位置位于***窗口内部,而且***窗口的中心位置位于人脸的中心位置,说明二者匹配。
步骤3,判断***是否达到删除条件,若达到则删除该***。所述删除条件包括存活时长达到上限值。
原生的跟踪算法非常容易出现目标跟丢的情况,即***跟踪失败,当***跟踪失败后,需要删除这些***,否则会消耗硬件资源。在我们的复合型***中,为了解决该问题,我们使用了质量判断机制。
***质量是指:用于评估上一帧中跟踪的对象和这一帧跟踪对象的相关性,相关性越大,说明越可能是同一个对象;相关性越小,说明***越可能已经跟丢了对象。通常,相关性小于7,认为***跟踪失败。
当原生的***跟踪失败后,我们并不马上删除该***;而是继续让该***存活一段时间。
在这段时间内,如果该***可以匹配后续检测到的人脸,我们会尝试重新复活该***。但过了这段时间,及***存活时长达到上限值时,***依旧没法匹配到任何人脸,我们会将其永久删除掉。
步骤4,判断帧计数器是否达到预设值,若是则重置帧计数器并执行步骤5,否则跳转至步骤2;帧计数器的预设值默认为5,即每获取5帧视频帧,则重新进行一次人脸检测;
步骤5,对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的***窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的***,否则为新检测到人脸创建***,并跳转至步骤2。
***删除后,获取其缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
另一方面,本发明还提供一种基于人脸的多目标跟踪***,如图2所示,包括:
视频帧获取模块,用于获取视频帧;
帧计数器,用于记录获取的视频帧数;
人脸检测模块,用于对获取的视频帧进行人脸检测;
***创建模块,用于为人脸检测模块检测到的每张人脸创建***;
***更新模块,用于根据前一帧与当前帧的人脸相关性更新对应的***。
进一步,该***还包括缓冲器创建模块,用于在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
进一步,针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
进一步,该***还包括人脸筛选模块,用于在跟踪结束后,获取其对应的缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
本发明的有益效果是:在处理的视频过程中,检测到人脸后,进行跟踪处理,并在跟踪过程中选择一张或者多张质量最佳的人脸用来表征某个人的人脸。最终对视频中的每个人脸,只会产生少量且质量最佳的人脸图片,为视频的结构化处理降低了处理难度。
本发明引入了
1.复活机制
针对每个***创建质量指数,以及时效时长参数,当一***跟踪失败后并不立即删除,而是令其存活一段时间,当存活时长达到上限值时才进行***删除操作。弥补了原始物体跟踪算法因为遮挡情况,人脸运动过快等跟踪失败,造成性能变差的情况。
2.选脸机制
为了保证在抓取人脸属性,进行人脸识别获得更好的结果,在跟踪某个人脸的过程中,抓取一系列的人脸图片,跟踪结束即***删除后,在根据设定的过滤条件选出质量最佳的若干张人脸。
3.缓冲机制
增加***质量检查缓冲机制,这个机制提供了更好的连续跟踪的性能。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人脸的多目标跟踪方法,其特征在于,包括以下步骤:
步骤1,初始化帧计数器,获取视频帧,并进行人脸检测,为检测到的每张人脸创建***;
步骤2,获取下一视频帧,帧计数器加1,同时判断所述***的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应的***;
步骤3,判断帧计数器是否达到预设值,若是则重置帧计数器并执行步骤4,否则跳转至步骤2;
步骤4,对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的***窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的***,否则为新检测到人脸创建***,并跳转至步骤2。
2.根据权利要求1所述一种基于人脸的多目标跟踪方法,其特征在于,还包括在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
3.根据权利要求2所述一种基于人脸的多目标跟踪方法,其特征在于,针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
4.根据权利要求3所述一种基于人脸的多目标跟踪方法,其特征在于,所述步骤2和步骤3之间还包括,判断***是否达到删除条件,若达到则删除该***。
5.根据权利要求4所述一种基于人脸的多目标跟踪方法,其特征在于,所述删除条件包括存活时长达到上限值。
6.根据权利要求4所述一种基于人脸的多目标跟踪方法,其特征在于,***删除后,获取其缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
7.一种基于人脸的多目标跟踪***,其特征在于,包括
视频帧获取模块,用于获取视频帧;
帧计数器,用于记录获取的视频帧数;
人脸检测模块,用于对获取的视频帧进行人脸检测;
***创建模块,用于为人脸检测模块检测到的每张人脸创建***;
***更新模块,用于根据前一帧与当前帧的人脸相关性更新对应的***。
8.根据权利要求7所述一种基于人脸的多目标跟踪***,其特征在于,还包括缓冲器创建模块,用于在为检测到人脸创建***时,为每个***建立一缓冲器,并初始化***的存活时长,所述缓冲器用于保存***在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息。
9.根据权利要求8所述一种基于人脸的多目标跟踪***,其特征在于,针对所述***的存活时长:
在***创建时,存活时长设置为0;
每处理一帧视频帧,存活时长加1;
当检测到人脸并匹配相应的***时,则该***的新的存活时长=旧存活时长-2*帧计数器预设值;
当一个***跟踪一张人脸时,该人脸质量达到预设阈值时,该***的存活时长减少1。
10.根据权利要求9所述一种基于人脸的多目标跟踪***,其特征在于,还包括人脸筛选模块,用于在跟踪结束后,获取其对应的缓冲器中缓冲的人脸图片,并根据过滤条件筛选一张或多张高质量人脸;所述的过滤条件包括:
人脸的可信度分值>可信度阈值;
人脸判定为正脸;
人脸的模糊度>模糊度阈值;
人脸的亮度>亮度阈值;
人脸的面积>其他人脸的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810371205.9A CN108734107B (zh) | 2018-04-24 | 2018-04-24 | 一种基于人脸的多目标跟踪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810371205.9A CN108734107B (zh) | 2018-04-24 | 2018-04-24 | 一种基于人脸的多目标跟踪方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734107A true CN108734107A (zh) | 2018-11-02 |
CN108734107B CN108734107B (zh) | 2021-11-05 |
Family
ID=63939826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810371205.9A Active CN108734107B (zh) | 2018-04-24 | 2018-04-24 | 一种基于人脸的多目标跟踪方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734107B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472247A (zh) * | 2018-11-16 | 2019-03-15 | 西安电子科技大学 | 基于深度学习非配合式的人脸识别方法 |
CN109543604A (zh) * | 2018-11-21 | 2019-03-29 | 泰康保险集团股份有限公司 | 视频的处理方法、装置、介质及电子设备 |
CN109886951A (zh) * | 2019-02-22 | 2019-06-14 | 北京旷视科技有限公司 | 视频处理方法、装置及电子设备 |
CN110046548A (zh) * | 2019-03-08 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸的跟踪方法、装置、计算机设备和可读存储介质 |
CN110414447A (zh) * | 2019-07-31 | 2019-11-05 | 京东方科技集团股份有限公司 | 行人跟踪方法、装置及设备 |
CN110874583A (zh) * | 2019-11-19 | 2020-03-10 | 北京精准沟通传媒科技股份有限公司 | 一种客流统计的方法、装置、存储介质及电子设备 |
CN111178218A (zh) * | 2019-12-23 | 2020-05-19 | 北京中广上洋科技股份有限公司 | 一种基于人脸识别的多特征联合视频追踪方法及*** |
CN111274886A (zh) * | 2020-01-13 | 2020-06-12 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及*** |
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 |
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN114241586A (zh) * | 2022-02-21 | 2022-03-25 | 飞狐信息技术(天津)有限公司 | 一种人脸检测方法及装置、存储介质及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231703A (zh) * | 2008-02-28 | 2008-07-30 | 上海交通大学 | 基于相关向量机和提升学习的多人脸跟踪方法 |
CN101996310A (zh) * | 2009-08-12 | 2011-03-30 | Tcl数码科技(深圳)有限责任公司 | 基于嵌入式***的人脸检测与跟踪方法 |
CN102496009A (zh) * | 2011-12-09 | 2012-06-13 | 北京汉邦高科数字技术股份有限公司 | 智能银行视频监控中的多人脸跟踪方法 |
CN102682453A (zh) * | 2012-04-24 | 2012-09-19 | 河海大学 | 基于多特征融合的运动车辆跟踪方法 |
CN102857690A (zh) * | 2011-06-29 | 2013-01-02 | 奥林巴斯映像株式会社 | 追踪装置、追踪方法、摄像装置以及摄像方法 |
CN103476147A (zh) * | 2013-08-27 | 2013-12-25 | 浙江工业大学 | 一种面向节能的无线传感器网络目标跟踪方法 |
CN104318217A (zh) * | 2014-10-28 | 2015-01-28 | 吴建忠 | 一种基于分布式云计算的人脸识别情报分析方法和*** |
US20160117546A1 (en) * | 2014-10-23 | 2016-04-28 | Alcohol Countermeasure Systems (International) Inc . | Method for driver face detection in videos |
CN106599836A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 多人脸跟踪方法及跟踪*** |
CN106971401A (zh) * | 2017-03-30 | 2017-07-21 | 联想(北京)有限公司 | 多目标跟踪装置和方法 |
CN107085703A (zh) * | 2017-03-07 | 2017-08-22 | 中山大学 | 融合脸部检测与跟踪的汽车乘员计数方法 |
CN107273810A (zh) * | 2017-05-22 | 2017-10-20 | 武汉神目信息技术有限公司 | 一种自动学习划定人脸检测兴趣区域的方法 |
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
-
2018
- 2018-04-24 CN CN201810371205.9A patent/CN108734107B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231703A (zh) * | 2008-02-28 | 2008-07-30 | 上海交通大学 | 基于相关向量机和提升学习的多人脸跟踪方法 |
CN101996310A (zh) * | 2009-08-12 | 2011-03-30 | Tcl数码科技(深圳)有限责任公司 | 基于嵌入式***的人脸检测与跟踪方法 |
CN102857690A (zh) * | 2011-06-29 | 2013-01-02 | 奥林巴斯映像株式会社 | 追踪装置、追踪方法、摄像装置以及摄像方法 |
CN102496009A (zh) * | 2011-12-09 | 2012-06-13 | 北京汉邦高科数字技术股份有限公司 | 智能银行视频监控中的多人脸跟踪方法 |
CN102682453A (zh) * | 2012-04-24 | 2012-09-19 | 河海大学 | 基于多特征融合的运动车辆跟踪方法 |
CN103476147A (zh) * | 2013-08-27 | 2013-12-25 | 浙江工业大学 | 一种面向节能的无线传感器网络目标跟踪方法 |
US20160117546A1 (en) * | 2014-10-23 | 2016-04-28 | Alcohol Countermeasure Systems (International) Inc . | Method for driver face detection in videos |
CN104318217A (zh) * | 2014-10-28 | 2015-01-28 | 吴建忠 | 一种基于分布式云计算的人脸识别情报分析方法和*** |
CN106599836A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 多人脸跟踪方法及跟踪*** |
CN107085703A (zh) * | 2017-03-07 | 2017-08-22 | 中山大学 | 融合脸部检测与跟踪的汽车乘员计数方法 |
CN106971401A (zh) * | 2017-03-30 | 2017-07-21 | 联想(北京)有限公司 | 多目标跟踪装置和方法 |
CN107273810A (zh) * | 2017-05-22 | 2017-10-20 | 武汉神目信息技术有限公司 | 一种自动学习划定人脸检测兴趣区域的方法 |
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
YUJIA CAO 等: "Robust multi-clue face tracking system", 《GLOBAL CONGRESS ON INTELLIGENT SYSTEMS》 * |
叶远征 等: "基于MS- KCF模型的图像序列中人脸快速稳定检测", 《计算机应用》 * |
周德华 等: "一种多人脸跟踪算法的研究与实现", 《电视技术》 * |
桑海峰 等: "视频监控下的人脸跟踪与识别***", 《计算机工程与应用》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472247A (zh) * | 2018-11-16 | 2019-03-15 | 西安电子科技大学 | 基于深度学习非配合式的人脸识别方法 |
CN109472247B (zh) * | 2018-11-16 | 2021-11-30 | 西安电子科技大学 | 基于深度学习非配合式的人脸识别方法 |
CN109543604A (zh) * | 2018-11-21 | 2019-03-29 | 泰康保险集团股份有限公司 | 视频的处理方法、装置、介质及电子设备 |
CN109886951A (zh) * | 2019-02-22 | 2019-06-14 | 北京旷视科技有限公司 | 视频处理方法、装置及电子设备 |
CN110046548A (zh) * | 2019-03-08 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸的跟踪方法、装置、计算机设备和可读存储介质 |
US11830273B2 (en) | 2019-07-31 | 2023-11-28 | Boe Technology Group Co., Ltd. | Multi-target pedestrian tracking method, multi-target pedestrian tracking apparatus and multi-target pedestrian tracking device |
CN110414447B (zh) * | 2019-07-31 | 2022-04-15 | 京东方科技集团股份有限公司 | 行人跟踪方法、装置及设备 |
CN110414447A (zh) * | 2019-07-31 | 2019-11-05 | 京东方科技集团股份有限公司 | 行人跟踪方法、装置及设备 |
CN110874583A (zh) * | 2019-11-19 | 2020-03-10 | 北京精准沟通传媒科技股份有限公司 | 一种客流统计的方法、装置、存储介质及电子设备 |
CN111178218A (zh) * | 2019-12-23 | 2020-05-19 | 北京中广上洋科技股份有限公司 | 一种基于人脸识别的多特征联合视频追踪方法及*** |
CN111178218B (zh) * | 2019-12-23 | 2023-07-04 | 北京中广上洋科技股份有限公司 | 一种基于人脸识别的多特征联合视频追踪方法及*** |
CN111274886A (zh) * | 2020-01-13 | 2020-06-12 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及*** |
CN111274886B (zh) * | 2020-01-13 | 2023-09-19 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及*** |
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 |
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 |
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN113283305B (zh) * | 2021-04-29 | 2024-03-26 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN114241586B (zh) * | 2022-02-21 | 2022-05-27 | 飞狐信息技术(天津)有限公司 | 一种人脸检测方法及装置、存储介质及电子设备 |
CN114241586A (zh) * | 2022-02-21 | 2022-03-25 | 飞狐信息技术(天津)有限公司 | 一种人脸检测方法及装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108734107B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734107A (zh) | 一种基于人脸的多目标跟踪方法及*** | |
CN108629299A (zh) | 一种结合人脸匹配的长时间多目标跟踪方法及*** | |
KR101869442B1 (ko) | 화재 감지 장치 및 방법 | |
US7646401B2 (en) | Video-based passback event detection | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN109872341A (zh) | 一种基于计算机视觉的高空抛物检测方法与*** | |
CN106650584B (zh) | 火焰检测方法和*** | |
CN104881643B (zh) | 一种快速的遗留物检测方法及*** | |
KR102260271B1 (ko) | 네트워크 트래픽을 기반으로 한 무선 카메라 감지 및 위치 결정 방법 | |
CN108198206A (zh) | 基于多特征联合和Camshift算法结合的多目标跟踪方法 | |
US20190130586A1 (en) | Robust sleeping object detection in video analytics | |
CN109446989A (zh) | 人群聚集检测方法、装置及存储介质 | |
WO2019089441A1 (en) | Exclusion zone in video analytics | |
Celik et al. | Towards a robust solution to people counting | |
Chen et al. | Indoor and outdoor people detection and shadow suppression by exploiting HSV color information | |
US20220122360A1 (en) | Identification of suspicious individuals during night in public areas using a video brightening network system | |
CN109685009A (zh) | 一种区域人群密度视频检测的方法 | |
Szczodrak et al. | Behavior analysis and dynamic crowd management in video surveillance system | |
CN108540752A (zh) | 对视频监控中目标对象进行识别的方法、装置和*** | |
CN108198208A (zh) | 一种基于目标跟踪的移动侦测方法 | |
CN111476160A (zh) | 损失函数优化方法、模型训练方法、目标检测方法及介质 | |
KR102584708B1 (ko) | 과소 및 과밀 환경을 지원하는 군중위험관리시스템 및 방법 | |
CN103400148B (zh) | 基于视频分析的银行自助服务区域尾随行为检测方法 | |
Kim et al. | Object detection and tracking for intelligent video surveillance | |
Jenifa et al. | Rapid background subtraction from video sequences |
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 |