CN109145844A - 用于城市安防监控的档案管理方法、装置以及电子设备 - Google Patents
用于城市安防监控的档案管理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN109145844A CN109145844A CN201810999452.3A CN201810999452A CN109145844A CN 109145844 A CN109145844 A CN 109145844A CN 201810999452 A CN201810999452 A CN 201810999452A CN 109145844 A CN109145844 A CN 109145844A
- Authority
- CN
- China
- Prior art keywords
- cluster
- similarity
- group
- facial image
- result
- 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
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于城市安防监控的档案管理方法、装置以及电子设备,涉及数据管理技术领域,用于城市安防监控的档案管理方法包括:对多个人脸图像进行人脸识别,得到多个特征向量;计算所述多个特征向量之间的向量距离;根据所述向量距离确定所述多个人脸图像之间的相似度;根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果;根据所述合并聚类结果建立若干个个人档案,解决了现有技术中存在的个人档案的数据准确度较低从而影响到城市安防监控工作的技术问题。
Description
技术领域
本发明涉及数据管理技术领域,尤其是涉及一种用于城市安防监控的档案管理方法、装置以及电子设备。
背景技术
档案管理亦称档案工作,是档案馆(室)直接对档案实体资料、档案电子数据等进行更新等管理各项业务工作的总称。个人档案记载着个人身份信息、个人图像信息等多方面的文件材料以及电子数据,是记载个人情况的重要依据。也可以说,个人档案是个人信息的储存库,它概括的反映了个人的全貌。
再者,安防监控***是应用光纤、同轴电缆或微波在其闭合的环路内传输视频信号,并从摄像到图像显示和记录构成独立完整的***。它能实时、形象、真实地反映被监控对象,不但极大地延长了人眼的观察距离,而且扩大了人眼的机能,它可以在恶劣的环境下代替人工进行长时间监视,让人能够看到被监视现场的实际发生的一切情况,并通过录像机记录下来。同时报警***设备对非法入侵进行报警,产生的报警信号输入报警主机,报警主机触发监控***录像并记录。
但是,在处理城市级大规模个人档案建立的情况下,人像数量过于庞大,如百亿级的数量,因此,用于城市安防监控的个人档案建立工作难度较大,很容易发生同一个人的个人档案中具有不同人的图像信息等情况,从而造成多个个人档案之间的数据混乱,导致个人档案的数据准确度较低,从而影响到城市安防监控工作。
发明内容
有鉴于此,本发明的目的在于提供一种用于城市安防监控的档案管理方法、装置以及电子设备,以解决现有技术中存在的个人档案的数据准确度较低从而影响城市安防监控工作的技术问题。
第一方面,本发明实施例提供了一种用于城市安防监控的档案管理方法,包括:
对多个人脸图像进行人脸识别,得到多个特征向量;
计算所述多个特征向量之间的向量距离;
根据所述向量距离确定所述多个人脸图像之间的相似度;
根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果;
根据所述合并聚类结果建立若干个个人档案。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对多个人脸图像进行人脸识别,得到多个特征向量之前,还包括:
对监控视频进行结构化解析,获取多个人脸图像。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果,包括:
根据所述相似度基于贪心算法对所述多个人脸图像进行合并聚类,得到由多个聚类组构成的初步聚类结果;
对所述多个聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,并将所述组间聚类结果确定为合并聚类结果。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述对所述多个聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,包括:
在所述初步聚类结果中的每一聚类组中,选取若干个代表性人物图像;
计算每两个聚类组之间的所述代表性人物图像的相似度,得到若干个代表图像相似度;
计算所述若干个代表图像相似度的平均值,得到组间相似度;
根据所述组间相似度对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述在所述初步聚类结果中的每一聚类组中,选取若干个代表性人物图像,包括:
在所述初步聚类结果中的每一聚类组中,根据图像质量、时间信息、地点信息、人脸角度、人物姿态中的至少一种,利用推选算法选取若干个代表性人物图像。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述根据所述组间相似度对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,包括:
根据所述人脸图像的时间信息和/或地点信息,判断是否将聚类组之间的人脸图像进行合并,得到辅助判断结果;
根据所述组间相似度,基于所述辅助判断结果对所述聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述根据所述人脸图像的时间信息和/或地点信息,判断是否将聚类组之间的人脸图像进行合并,得到辅助判断结果,包括:
根据图像采集时间的相近度、同一采集地点在不同采集时间的人脸图像、相近时间的人物出现地点距离、同一采集地点人物出现频率中的至少一种,判断是否将聚类组间的人脸图像进行合并,得到辅助判断结果。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果之后,还包括:
根据所述合并聚类结果输出对应的自省提示信息;
获取用户根据所述自省提示信息对人脸图像标注后所返回的人工标注结果;
根据所述人工标注结果对所述合并聚类结果进行更新。
第二方面,本发明实施例还提供一种用于城市安防监控的档案管理装置,包括:
识别模块,用于对多个人脸图像进行人脸识别,得到多个特征向量;
计算模块,用于计算所述多个特征向量之间的向量距离;
确定模块,用于根据所述向量距离确定所述多个人脸图像之间的相似度;
聚类模块,用于根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果;
建立模块,用于根据所述合并聚类结果建立若干个个人档案。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行如第一方面所述的方法。
本发明实施例提供的技术方案带来了以下有益效果:本发明实施例提供的用于城市安防监控的档案管理方法、装置以及电子设备,首先,对多个人脸图像进行人脸识别从而得到多个特征向量,然后,计算这些特征向量之间的向量距离,之后,根据该向量距离确定这些人脸图像之间的相似度,然后,根据该相似度对这些人脸图像进行合并聚类从而得到合并聚类结果,最后,根据该合并聚类结果建立若干个个人档案,因此,通过将人脸识别、聚类算法以及个人归档结合起来,能够使同一人的图像准确的归到同一个用于城市安防监控的个人档案内,即使人的数量较多,通过对人脸图像进行人脸识别、向量距离计算、相似度确定、合并聚类等过程的分析以及挖掘,使对人的分类归档的精确度得到提高,实现了用于城市安防监控的个人档案数据准确度的提高,从而解决了现有技术中存在的个人档案的数据准确度较低从而影响城市安防监控工作的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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示出了本发明实施例一所提供的用于城市安防监控的档案管理方法的流程图;
图2示出了本发明实施例二所提供的用于城市安防监控的档案管理方法的流程图;
图3示出了本发明实施例三所提供的一种用于城市安防监控的档案管理装置的结构示意图;
图4示出了本发明实施例四所提供的一种电子设备的结构示意图。
图标:3-档案管理装置;31-识别模块;32-计算模块;33-确定模块;34-聚类模块;35-建立模块;4-电子设备;41-存储器;42-处理器;43-总线;44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
目前,在人数较多的情况下,大量的用于城市安防监控的个人档案建立工作难度较大,很容易使同一个人的个人档案中具有不同人的图像信息等,从而造成多个个人档案之间的数据混乱,导致个人档案的数据准确度较低,从而影响到城市安防监控工作。基于此,本发明实施例提供的一种用于城市安防监控的档案管理方法、装置以及电子设备,可以解决现有技术中存在的个人档案的数据准确度较低从而影响城市安防监控工作的技术问题。为便于对本实施例进行理解,首先对本发明实施例所公开的一种档案管理方法、装置以及电子设备进行详细介绍。
实施例一:
本发明实施例提供的一种用于城市安防监控的档案管理方法,作为一种城市监控个人档案建立的方法,如图1所示,该方法包括:
S11:对多个人脸图像进行人脸识别,得到多个特征向量。
其中,该人脸图像可以为多帧的视频图像,也可以为单帧的图片。本步骤中,分别对多个人脸图像进行人脸识别,从而分别得到多个人脸特征向量(即特征向量)。作为本实施例的优选实施方式,人脸图像可以从监控视频中的人物图像中获取。
S12:计算多个特征向量之间的向量距离。
本步骤中,计算步骤S11中的多个人脸特征向量(即特征向量)之间的向量距离。其中,向量距离可以包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余弦距离、汉明距离、杰卡德距离中的至少一种。
S13:根据向量距离确定多个人脸图像之间的相似度。
作为一个优选方案,根据多个人脸特征向量(即特征向量)之间的向量距离,计算出多个人脸图像之间的相似度。其中,所谓相似度,是指向量距离越近则对应的人脸图像越相似。
S14:根据相似度对多个人脸图像进行合并聚类,得到合并聚类结果。
具体的,根据步骤S13中计算出的相似度,通过聚类算法将这些人脸图像中,较为相似的(即相似度较高的)人脸图像先进行合并聚类,从而得到合并聚类结果。例如,可以将相似度大于预设值的人脸图像先进行合并聚类。
S15:根据合并聚类结果建立若干个个人档案。
其中,个人档案中包括:个人身份信息、个人图像信息等多方面的文件材料以及电子数据。也可以理解为,个人档案是用于城市安防监控的个人信息的储存库,它概括的反映了城市中每个人的个人全貌。
在实际应用中,根据合并聚类结果确认都有哪些人,再根据确认的人来对这些人的个人档案进行建立,从而管理大量人数的个人档案。需要说明的是,建立的个人档案的内容可以包括:个人图像信息、个人外貌变化信息、个人常出现地区信息、个人运动轨迹信息等等。
本实施例中,不仅可以对个人档案进行建立,也可以对已有的个人档案进行更新。例如,如果在档案中不存在该人的个人档案,则在档案库中建立该人的个人档案;如果在档案中已经存在该人的个人档案,则对该人的个人档案进行进一步的完善。
对于现有技术而言,基于人脸识别的城市安防监控个人档案的建立是空白领域,而且,现有的人脸识别在处理城市级大规模数量人脸建立档案上无法保证精度,同时大数据量级也使得现有的人脸识别技术难以满足。
通过根据监控摄像头获取到的数据进行个人档案的管理,利用了监控摄像头采集到的视频,通过对监控视频中出现的人进行人脸识别,通过聚类算法,对人脸进行聚类,从而对聚类出的人进行归档或档案建立,例如将同一人的图像归到同一个个人档案内,或根据新出现的某人图像建立该人的个人档案,以管理每个人的个人档案,从而可以得到某地区内出现过的所有人的个人档案。
因此,通过对某地区内监控摄像头采集到的数据进行分析挖掘,能够基于监控摄像头拍摄到的每一个人形成一个独立的用于城市安防监控的的个人档案。所以即使是在人数数量众多的地区,通过将人脸识别、人脸聚类以及个人建档结合起来,也能够保证该地区的用于城市安防监控的档案库的精确度,并可以更加有效的进行大数量规模的档案管理,从而有助于城市安防监控工作效率的提高。
实施例二:
本发明实施例提供的一种用于城市安防监控的档案管理方法,如图2所示,包括:
S21:对监控视频进行结构化解析,获取多个人脸图像。
作为本实施例的优选实施方式,通过对采集到的视频图像进行结构化解析,从而获取多个人脸图像。
S22:对多个人脸图像进行人脸识别,得到多个特征向量。
本步骤中,首先,通过人脸识别针对每一个人脸计算出一个特征向量。其中,特征向量的计算过程可以通过人脸识别模型来进行,即向人脸识别模型中输入人脸图像,人脸识别模型便会输出该人脸的特征向量。具体的,通过对人脸图像进行人脸检测、人脸标记等人脸识别的过程,进而得出人脸的特征向量。
S23:计算多个特征向量之间的向量距离。
其中,向量距离可以包括:欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余弦距离、汉明距离、杰卡德距离中的至少一种。
需要说明的是,欧氏距离(Euclidean Distance)是最常见的两点之间或多点之间的距离表示法,又称之为欧几里得度量,它定义于欧几里得空间中,是最易于理解的一种距离计算方法。对于余弦距离,也可称为夹角余弦,几何中夹角余弦可用来衡量两个向量方向的差异,因此,也可用夹角余弦表示向量之间的向量距离。杰卡德距离(Jaccard Distance)是用来衡量两个集合差异性的一种指标,它是杰卡德相似系数的补集,而杰卡德相似系数(Jaccard similarity coefficient)是用来衡量两个集合相似度的一种指标。
S24:根据向量距离确定多个人脸图像之间的相似度。
本实施例中,相似度是指向量距离越近则相应的人脸图像越相似,因此,可以根据向量距离通过相似性度量算法计算多个人脸图像之间的相似度。具体的,基于人脸特征向量之间的欧氏距离、曼哈顿距离、切比雪夫距离等任一种方式的距离,利用相似性度量算法,计算出人脸之间的相似度。
需要说明的是,在做分类(即聚类)之前,需要估算不同样本(即人脸图像)之间的相似性度量(Similarity Measurement),本实施例中,采用的方法是计算样本的特征向量之间的距离(即向量距离),然后基于这些距离(即向量距离),进行相似性度量,从而计算出样本(即人脸图像)之间的相似度。
其中,相似性度量指综合评定两个事物(即人脸图像)之间相近程度的一种度量。两个事物的特征向量距离越接近,则这两个事物的相似性度量也就越大,而两个事物的特征向量距离越疏远,则这两个事物的相似性度量也就越小。相似性可以包括:相关系数(衡量变量之间接近程度)、相似系数(衡量样品之间接近程度)等。
S25:根据相似度基于贪心算法对多个人脸图像进行合并聚类,得到由多个聚类组构成的初步聚类结果。
需要说明的是,贪心算法是指:在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,他所做出的是在某种意义上的局部最优解。具体的,贪心算法不是对所有问题都能得到整体最优解,关键是贪心策略的选择,选择的贪心策略必须具备无后效性,即某个状态以前的过程不会影响以后的状态,只与当前状态有关。
作为一个优选方案,本步骤中,通过使最相似的优先结合,相似度低的靠后考虑的方式,将多个人脸中较为相似的(即相似度较高的)人脸图像先进行初步的合并聚类,从而得到由多个聚类组构成的初步聚类结果。例如,在多个人脸图像中,基于两两人脸之间的相似度,通过贪心算法将相似度高于预设值的人脸先进行初步的合并聚类,以得到初步聚类结果。
S26:对多个聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,并将组间聚类结果确定为合并聚类结果。
对于合并聚类的过程,可以为经过了多次合并的迭代聚类过程,即对多个聚类组之间的人脸图像进行多次迭代聚类,从而得到多次合并后的组间聚类结果。
如果仅按照图像相似度来进行聚类(即步骤S22至S25的基于相似度的初步聚类过程),很可能会将同一类的人划分为不同的类,导致原本相同的一个人,却由于图像相似度不够而被划分为不同的几个人,从而造成聚类不够准确的问题。而通过步骤S26的组间聚类的过程,能够使该情况得到进一步的处理,即将划分为不同类的同一类人再次进行合并聚类(即进行组间聚类),进而解决这个问题,从而使合并聚类结果的正确率得到提高。
本步骤中,对于组间聚类结果的得到过程,可以具体包括以下步骤:首先,在初步聚类结果中的每一聚类组中,选取若干个代表性人物图像;然后,计算每两个聚类组之间的代表性人物图像的相似度,得到若干个代表图像相似度;之后,计算若干个代表图像相似度的平均值,得到组间相似度;最后,根据组间相似度对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。
具体的,对于代表性人物图像的选取过程,可以为:在任一聚类组中,利用推选算法,选取若干个代表性人物图像,即通过人脸推选算法,在某一个聚类组中选取出最有参考价值的人脸图像(如近期图像、相同位置图像、姿态相近图像等)。例如,在初步聚类结果中的每一聚类组中,根据图像质量、时间信息、地点信息、人脸角度、人物姿态中的至少一种,利用推选算法选取若干个代表性人物图像。
在实际应用中,对于推选算法,具体的实现策略可以包括:质量推选,即推选出质量最好的若干张图片作为人脸的代表;不同维度的推选,即当某人积累的历史数据很多时,可做不同维度的推选,例如时间、地点、人脸角度等,这样便可找到相同时间段(例如都是下午两点到四点之间)、相同地点、相同人脸角度以及相同姿态等的图像,以此作为该人的代表图像。
之后,便对这些代表性人物图像进行相似度计算,本实施例以某两个聚类组之间的组间相似度计算过程为例进行说明,若这两个聚类组各自内部都具有10张人脸图像,通过上述选取过程在每个聚类组内的10张人脸图像中推选出3张代表性人物图像,即每组有3个推选图像(即代表性人物图像),则对于每组内的3个推选图像,在这两个聚类组之间进行两两图像的相似度计算,从而得到3×3矩阵的9个相似度值,然后,对这9个相似度值做平均算法,从而得到这两个聚类组之间的组间相似度。
因此,对于每个聚类组,一般从中推选预设数量的图像,例如3张,如果该聚类组内的图像不足3张,作为一个优选方案,该聚类组内的所有图像均为推选图像,即均参与相似度的计算。
作为本实施例的另一种实施方式,根据组间相似度对聚类组之间的人脸图像进行合并聚类的过程可以包括:首先,根据人脸图像的时间信息和/或地点信息,判断是否将聚类组之间的人脸图像进行合并,得到辅助判断结果;然后,根据组间相似度,基于辅助判断结果对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。例如,对于组间相似度大于预设值的两个聚类组,根据人脸图像的时间信息和/或地点信息来判断是否将这两个聚类组之间的人脸图像进行合并,以此作为对聚类组之间人脸图像是否进行合并的辅助判断。
其中,时间信息可以为采集人脸图像的时间,地点信息可以为采集人脸图像的地点。具体的,辅助判断结果的获得过程可以包括:根据图像采集时间的相近度、同一采集地点在不同采集时间的人脸图像、相近时间的人物出现地点距离、同一采集地点人物出现频率中的至少一种,判断是否将聚类组间的人脸图像进行合并,得到辅助判断结果。例如,可以先获取拍摄人物图像的时间信息和地点信息(即采集人脸图像的时间和采集人脸图像的地点),然后基于该时间信息和/或该地点信息,通过行人重识别(Person Re-Identification,简称ReID)算法得到辅助判断结果,以辅助判断是否将某两个聚类组之间人脸图像进行合并。
对于上述根据相近时间的人物出现地点距离的判断方式,需要说明的是,在较短的时间之内,如果两个人物图像的采集地点距离很远,如跨越了省市等,则即使这两个人物图像的人脸相似度再高,也判断这两个人物图像不是同一个人,以此作为是辅助判断结果,从而判断是否将两个聚类组之间人脸图像进行合并。
对于上述根据图像采集时间的相近度的判断方式,具体的,将同一天的人物图像数据优先归并到一起,因为同一天内人的发型、人的胖瘦等方面发生变化的可能性非常低,衣着打扮发生变化的可能性也较低,而这个特性能够应用到ReID算法上。因此,同样身材发型衣着的人ReID的距离是接近的,可以进行合并;而身材、发型、衣着等不同的人ReID的距离是较远的,便不进行合并,从而能够通过ReID进行辅助判断。这样,得到的组间聚类结果不仅考虑到的人脸的相似度,还考虑到了人的身材、发型、衣着等多方面因素。
此外,对于上述根据同一采集地点在不同采集时间的人脸图像的判断方式,需要说明的是,由于不同地点的相机成像特点有差别,因此将同一个地点的历史成像来与新的成像进行对比,从而能够通过辅助方式减少组间合并聚类过程的误差。
对于上述根据同一采集地点人物出现频率的判断方式,需要说明的是,由于人的活动一般是比较集中的,当对个人档案积累时间足够长的时候,可以通过历史上在这个地点该人出现的频率作为辅助参考,从而判断是否进行组间合并聚类。
最后,将这些通过步骤S21至步骤S26得到的组间聚类结果确定为合并聚类结果。
S27:根据合并聚类结果输出对应的自省提示信息。
根据步骤S26得到的合并聚类结果,输出与该合并聚类结果所对应的自省提示信息。其中,自省提示信息用于表征聚类结果可能出现的问题,例如错误信息或者是异常信息等。当然,自省提示信息也可以在每次聚类过程之后都显示出来,即每一个聚类会自省一个“我有多大可能是聚错类”的类似提示信息,将所有的自省提示信息汇总、排序并进行输出,例如,可以将最可能聚错类的图像推送至人工标注界面,还可以将自省提示信息发送至用户端,以便于用户(即标注人员)进行标注判断。
S28:获取用户根据自省提示信息对人脸图像标注后所返回的人工标注结果。
用户在进行判断标注时,可以查看每一个图像所属的个人档案,还可以查看个人档案的历史信息、个人档案的证件照、人物图像的拍摄时间以及拍摄地点等,以此通过人工多维度信息的判断来做出聚类是否正确的判断。
此外,除了是否聚错类的自省信息之外,还可以有“某两个类可能是一个人”的自省,则需要标注人员判断两个类里面的人物图像是否是同一个人。标注人员可以根据人物图像中人的发型、衣着、身材等判断是否为同一人,因为短时间(如一天)内人的发型、人的胖瘦等方面发生变化的可能性非常低,衣着打扮发生变化的可能性也较低,而这个特性能够应用到人工干预上,可以辅助人工判断是否是同一人。
优选的,用户可以在标注界面上根据自省提示信息对人脸图像进行标注,其中,对于标注界面,指可以提供界面以便于人为的进行数据标注,该数据标注的过程可以在无监督或者有少量标注的情况下,大大加快人脸数据标注速度,降低数据标注成本。
然后,标注人员的判断结果会以(img_a,img_b,if_is_same_person)的格式进行保存,聚类算法会吸收这样的人工标注信息然后进行档案的调整,包括两个档案的合并、某一个档案的一些人物图像被清除出去等。
S29:根据人工标注结果对合并聚类结果进行更新。
因此,通过有人为干预的聚类而进行算法的自省,如“该类中最可能聚错的照片是哪张”,“该类中哪两张照片最不可能是一同一个人”,“该类和另外哪个类最可能是同一个人”等自省信息,通过这样的自省方式,可以推选出算法无法确定的图片与其相关抓拍时间、抓拍日期等信息,在人工标注界面上进行显示,并等待标注人员进行肉眼判断,做出“是同一人”或者“不是同一人”的选择。然后,基于标注人员反馈回来的是否是同一人的选择信息(即人工标注结果),可以在人物数据集中进行扩散,例如,如果A与B是同一人,A1和A是同一人,B1与B是同一人,则增加A1与B1是同一人的概率,以此对合并聚类结果进行更新。
S30:根据合并聚类结果建立若干个个人档案。
具体的,可以先根据步骤S29更新后的合并聚类结果确定人物对象,然后,根据确定出的人物对象建立个人档案。因此,每个识别出的人都能够精确的对应其自身的一个用于城市安防监控的个人档案。
进一步的是,个人档案中除了可以包括该人的人物图像等,还可以包括该人的行为轨迹、高频出现区域等。具体的,首先,根据采集到某人图像的地点信息和时间信息(即某人被监控摄像头抓拍到照片时所出现的位置和时间),能够分析出该人什么时候到过哪里的信息,以此可以刻画出该人的行为轨迹;之后也可以根据该人的行为轨迹得到该人的高频出现区域等;然后,便能够将该人的行为轨迹、高频出现区域等储存到该人的个人档案中。因此,通过在安防场景设置中使一个人具有一个对应的个人档案,便可为某地区中出现过的每一个人创建一个个人档案,通过影像数据建立该人的行为记录,并可实现轨迹追踪、活动区域热力图等应用。
本实施例中,通过对聚类算法、ReID算法等进行优化与结合,使多个算法可高度并行化,不仅能够使计算识别的精度与准确度得到提高,还能够降低计算开销与内存开销,使之可以在尽量低的资源占用情况下,实现对更多数量人物图像的聚类与归档,从而提高城市安防监控工作的效率。
实施例三:
本发明实施例提供的一种用于城市安防监控的档案管理装置,如图3所示,档案管理装置3包括:识别模块31、计算模块32、确定模块33、聚类模块34以及建立模块35。
优选的,识别模块用于对多个人脸图像进行人脸识别,得到多个特征向量。计算模块用于计算多个特征向量之间的向量距离。确定模块用于根据向量距离确定多个人脸图像之间的相似度。
作为本实施例的优选实施方式,聚类模块用于根据相似度对多个人脸图像进行合并聚类,得到合并聚类结果。建立模块用于根据合并聚类结果建立若干个个人档案。
本发明实施例提供的用于城市安防监控的档案管理装置,与上述实施例提供的用于城市安防监控的档案管理方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例四:
本发明实施例提供的一种电子设备,如图4所示,电子设备4包括存储器41、处理器42,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
参见图4,电子设备还包括:总线43和通信接口44,处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器42在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器42中,或者由处理器42实现。
处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
实施例五:
本发明实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述实施例一或实施例二提供的方法。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质,与上述实施例提供的用于城市安防监控的档案管理方法、装置以及电子设备具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的进行用于城市安防监控的档案管理方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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,本发明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)执行本发明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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种用于城市安防监控的档案管理方法,其特征在于,包括:
对多个人脸图像进行人脸识别,得到多个特征向量;
计算所述多个特征向量之间的向量距离;
根据所述向量距离确定所述多个人脸图像之间的相似度;
根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果;
根据所述合并聚类结果建立若干个个人档案。
2.根据权利要求1所述的档案管理方法,其特征在于,所述对多个人脸图像进行人脸识别,得到多个特征向量之前,还包括:
对监控视频进行结构化解析,获取多个人脸图像。
3.根据权利要求1所述的档案管理方法,其特征在于,所述根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果,包括:
根据所述相似度基于贪心算法对所述多个人脸图像进行合并聚类,得到由多个聚类组构成的初步聚类结果;
对所述多个聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,并将所述组间聚类结果确定为合并聚类结果。
4.根据权利要求3所述的档案管理方法,其特征在于,所述对所述多个聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,包括:
在所述初步聚类结果中的每一聚类组中,选取若干个代表性人物图像;
计算每两个聚类组之间的所述代表性人物图像的相似度,得到若干个代表图像相似度;
计算所述若干个代表图像相似度的平均值,得到组间相似度;
根据所述组间相似度对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。
5.根据权利要求4所述的档案管理方法,其特征在于,所述在所述初步聚类结果中的每一聚类组中,选取若干个代表性人物图像,包括:
在所述初步聚类结果中的每一聚类组中,根据图像质量、时间信息、地点信息、人脸角度、人物姿态中的至少一种,利用推选算法选取若干个代表性人物图像。
6.根据权利要求4所述的档案管理方法,其特征在于,所述根据所述组间相似度对聚类组之间的人脸图像进行合并聚类,得到组间聚类结果,包括:
根据所述人脸图像的时间信息和/或地点信息,判断是否将聚类组之间的人脸图像进行合并,得到辅助判断结果;
根据所述组间相似度,基于所述辅助判断结果对所述聚类组之间的人脸图像进行合并聚类,得到组间聚类结果。
7.根据权利要求6所述的档案管理方法,其特征在于,所述根据所述人脸图像的时间信息和/或地点信息,判断是否将聚类组之间的人脸图像进行合并,得到辅助判断结果,包括:
根据图像采集时间的相近度、同一采集地点在不同采集时间的人脸图像、相近时间的人物出现地点距离、同一采集地点人物出现频率中的至少一种,判断是否将聚类组间的人脸图像进行合并,得到辅助判断结果。
8.根据权利要求1所述的档案管理方法,其特征在于,所述根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果之后,还包括:
根据所述合并聚类结果输出对应的自省提示信息;
获取用户根据所述自省提示信息对人脸图像标注后所返回的人工标注结果;
根据所述人工标注结果对所述合并聚类结果进行更新。
9.一种用于城市安防监控的档案管理装置,其特征在于,包括:
识别模块,用于对多个人脸图像进行人脸识别,得到多个特征向量;
计算模块,用于计算所述多个特征向量之间的向量距离;
确定模块,用于根据所述向量距离确定所述多个人脸图像之间的相似度;
聚类模块,用于根据所述相似度对所述多个人脸图像进行合并聚类,得到合并聚类结果;
建立模块,用于根据所述合并聚类结果建立若干个个人档案。
10.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法的步骤。
11.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810999452.3A CN109145844A (zh) | 2018-08-29 | 2018-08-29 | 用于城市安防监控的档案管理方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810999452.3A CN109145844A (zh) | 2018-08-29 | 2018-08-29 | 用于城市安防监控的档案管理方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145844A true CN109145844A (zh) | 2019-01-04 |
Family
ID=64829126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810999452.3A Pending CN109145844A (zh) | 2018-08-29 | 2018-08-29 | 用于城市安防监控的档案管理方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145844A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059657A (zh) * | 2019-04-25 | 2019-07-26 | 北京旷视科技有限公司 | 档案处理方法、装置、电子设备及计算机可读存储介质 |
CN110163135A (zh) * | 2019-05-10 | 2019-08-23 | 杭州商警云智能科技有限公司 | 一种基于动态算法的一人一档人脸聚类的方法及*** |
CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110413811A (zh) * | 2019-08-05 | 2019-11-05 | 北京深醒科技有限公司 | 一种基于人脸识别的路人库跨通道聚合方法 |
CN110750670A (zh) * | 2019-09-05 | 2020-02-04 | 北京旷视科技有限公司 | 陌生人监控方法、装置、***和存储介质 |
CN110929679A (zh) * | 2019-12-05 | 2020-03-27 | 杭州电子科技大学 | 一种基于gan的无监督自适应行人重识别方法 |
CN111026920A (zh) * | 2019-12-17 | 2020-04-17 | 深圳云天励飞技术有限公司 | 一种档案合并方法、装置、电子设备及存储介质 |
CN111061899A (zh) * | 2019-12-18 | 2020-04-24 | 深圳云天励飞技术有限公司 | 一种档案代表图片生成方法、装置和电子设备 |
CN111062294A (zh) * | 2019-12-10 | 2020-04-24 | 北京文安智能技术股份有限公司 | 一种客流排队时间的检测方法、装置及*** |
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
WO2020151507A1 (zh) * | 2019-01-25 | 2020-07-30 | 华为技术有限公司 | 档案合并方法及装置 |
CN112084812A (zh) * | 2019-06-12 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112131419A (zh) * | 2020-08-17 | 2020-12-25 | 浙江大华技术股份有限公司 | 图像档案的合并方法、装置、电子设备和存储介质 |
CN112487221A (zh) * | 2020-11-04 | 2021-03-12 | 北京澎思科技有限公司 | 图像归档方法及装置、电子设备、存储介质 |
CN112651321A (zh) * | 2020-12-21 | 2021-04-13 | 浙江商汤科技开发有限公司 | 档案处理方法、装置及服务器 |
CN112699328A (zh) * | 2020-12-28 | 2021-04-23 | 建信金融科技有限责任公司 | 网点服务数据处理方法、装置、***、设备及存储介质 |
CN112989887A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 一种档案合并方法、装置及电子设备 |
CN113052079A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种基于人脸聚类的区域客流统计方法、***、设备和介质 |
CN113515597A (zh) * | 2021-06-21 | 2021-10-19 | 中盾创新档案管理(北京)有限公司 | 一种基于关联规则挖掘的档案处理方法 |
CN113673550A (zh) * | 2021-06-30 | 2021-11-19 | 浙江大华技术股份有限公司 | 聚类方法、装置、电子设备、计算机可读存储介质 |
CN114332940A (zh) * | 2021-12-30 | 2022-04-12 | 北京爱奇艺科技有限公司 | 模型训练方法、服饰识别处理方法及相关装置、终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130142402A1 (en) * | 2005-09-28 | 2013-06-06 | Facedouble, Inc. | Method And System For Attaching A Metatag To A Digital Image |
CN104252616A (zh) * | 2013-06-28 | 2014-12-31 | 广州华多网络科技有限公司 | 人脸标注方法、装置及设备 |
CN104391879A (zh) * | 2014-10-31 | 2015-03-04 | 小米科技有限责任公司 | 层次聚类的方法及装置 |
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN107392222A (zh) * | 2017-06-07 | 2017-11-24 | 深圳市深网视界科技有限公司 | 一种人脸聚类方法、装置以及存储介质 |
CN107609466A (zh) * | 2017-07-26 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 人脸聚类方法、装置、设备及存储介质 |
CN108229419A (zh) * | 2018-01-22 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
-
2018
- 2018-08-29 CN CN201810999452.3A patent/CN109145844A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130142402A1 (en) * | 2005-09-28 | 2013-06-06 | Facedouble, Inc. | Method And System For Attaching A Metatag To A Digital Image |
CN104252616A (zh) * | 2013-06-28 | 2014-12-31 | 广州华多网络科技有限公司 | 人脸标注方法、装置及设备 |
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN104391879A (zh) * | 2014-10-31 | 2015-03-04 | 小米科技有限责任公司 | 层次聚类的方法及装置 |
CN107392222A (zh) * | 2017-06-07 | 2017-11-24 | 深圳市深网视界科技有限公司 | 一种人脸聚类方法、装置以及存储介质 |
CN107609466A (zh) * | 2017-07-26 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 人脸聚类方法、装置、设备及存储介质 |
CN108229419A (zh) * | 2018-01-22 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488894A (zh) * | 2019-01-25 | 2020-08-04 | 华为技术有限公司 | 档案合并方法及装置 |
WO2020151507A1 (zh) * | 2019-01-25 | 2020-07-30 | 华为技术有限公司 | 档案合并方法及装置 |
CN110059657A (zh) * | 2019-04-25 | 2019-07-26 | 北京旷视科技有限公司 | 档案处理方法、装置、电子设备及计算机可读存储介质 |
CN110163135A (zh) * | 2019-05-10 | 2019-08-23 | 杭州商警云智能科技有限公司 | 一种基于动态算法的一人一档人脸聚类的方法及*** |
CN112084812A (zh) * | 2019-06-12 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112084812B (zh) * | 2019-06-12 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110413811A (zh) * | 2019-08-05 | 2019-11-05 | 北京深醒科技有限公司 | 一种基于人脸识别的路人库跨通道聚合方法 |
CN110750670B (zh) * | 2019-09-05 | 2022-04-19 | 北京旷视科技有限公司 | 陌生人监控方法、装置、***和存储介质 |
CN110750670A (zh) * | 2019-09-05 | 2020-02-04 | 北京旷视科技有限公司 | 陌生人监控方法、装置、***和存储介质 |
CN110929679A (zh) * | 2019-12-05 | 2020-03-27 | 杭州电子科技大学 | 一种基于gan的无监督自适应行人重识别方法 |
CN111062294A (zh) * | 2019-12-10 | 2020-04-24 | 北京文安智能技术股份有限公司 | 一种客流排队时间的检测方法、装置及*** |
CN111062294B (zh) * | 2019-12-10 | 2024-03-22 | 北京文安智能技术股份有限公司 | 一种客流排队时间的检测方法、装置及*** |
CN112989887B (zh) * | 2019-12-16 | 2024-06-11 | 深圳云天励飞技术有限公司 | 一种档案合并方法、装置及电子设备 |
CN112989887A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 一种档案合并方法、装置及电子设备 |
CN111026920A (zh) * | 2019-12-17 | 2020-04-17 | 深圳云天励飞技术有限公司 | 一种档案合并方法、装置、电子设备及存储介质 |
CN111061899A (zh) * | 2019-12-18 | 2020-04-24 | 深圳云天励飞技术有限公司 | 一种档案代表图片生成方法、装置和电子设备 |
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
WO2021143237A1 (zh) * | 2020-01-15 | 2021-07-22 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111242040B (zh) * | 2020-01-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111310834B (zh) * | 2020-02-19 | 2024-05-28 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN112131419A (zh) * | 2020-08-17 | 2020-12-25 | 浙江大华技术股份有限公司 | 图像档案的合并方法、装置、电子设备和存储介质 |
CN112487221A (zh) * | 2020-11-04 | 2021-03-12 | 北京澎思科技有限公司 | 图像归档方法及装置、电子设备、存储介质 |
CN112651321A (zh) * | 2020-12-21 | 2021-04-13 | 浙江商汤科技开发有限公司 | 档案处理方法、装置及服务器 |
CN112699328A (zh) * | 2020-12-28 | 2021-04-23 | 建信金融科技有限责任公司 | 网点服务数据处理方法、装置、***、设备及存储介质 |
CN113052079A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种基于人脸聚类的区域客流统计方法、***、设备和介质 |
CN113515597A (zh) * | 2021-06-21 | 2021-10-19 | 中盾创新档案管理(北京)有限公司 | 一种基于关联规则挖掘的档案处理方法 |
CN113673550A (zh) * | 2021-06-30 | 2021-11-19 | 浙江大华技术股份有限公司 | 聚类方法、装置、电子设备、计算机可读存储介质 |
CN114332940A (zh) * | 2021-12-30 | 2022-04-12 | 北京爱奇艺科技有限公司 | 模型训练方法、服饰识别处理方法及相关装置、终端 |
CN114332940B (zh) * | 2021-12-30 | 2024-06-07 | 北京爱奇艺科技有限公司 | 模型训练方法、服饰识别处理方法及相关装置、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145844A (zh) | 用于城市安防监控的档案管理方法、装置以及电子设备 | |
WO2021217934A1 (zh) | 监控牲畜数量的方法、装置、计算机设备及存储介质 | |
CN109344271A (zh) | 视频人像档案处理方法及其*** | |
CN109086739A (zh) | 一种无人脸数据训练的人脸识别方法和*** | |
CN102187336B (zh) | 用于识别视频档案中的对象的方法 | |
CN108564052A (zh) | 基于mtcnn的多摄像头动态人脸识别***与方法 | |
CN102170563A (zh) | 智能人员卡口***及人员监控管理方法 | |
CN109783685A (zh) | 一种查询方法及装置 | |
CN101778260A (zh) | 一种基于结构化描述的视频监控管理方法及*** | |
WO2012013706A1 (en) | Facilitating people search in video surveillance | |
CN111327949B (zh) | 一种视频的时序动作检测方法、装置、设备及存储介质 | |
Ksibi et al. | Overview of lifelogging: current challenges and advances | |
Marcos-Ramiro et al. | Body communicative cue extraction for conversational analysis | |
CN108986137A (zh) | 人体跟踪方法、装置及设备 | |
CN113435432A (zh) | 视频异常检测模型训练方法、视频异常检测方法和装置 | |
CN107168536A (zh) | 试题搜索方法、试题搜索装置及电子终端 | |
CN113762106A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN202121706U (zh) | 智能人员卡口*** | |
CN111767880B (zh) | 一种基于脸部特征的活体身份识别方法、装置和存储介质 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN106960183A (zh) | 一种基于梯度提升决策树的图像行人检测算法 | |
US20230245495A1 (en) | Face recognition systems data collection process | |
CN115374843A (zh) | 物联网入侵检测模型训练方法、装置、设备及存储介质 | |
CN111582031B (zh) | 基于神经网络的多模型协同暴力检测方法及*** | |
JP4232388B2 (ja) | 映像検索装置及びそれに用いる映像検索方法並びにそのプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |