CN110705476A - 数据分析方法、装置、电子设备和计算机存储介质 - Google Patents
数据分析方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN110705476A CN110705476A CN201910944211.3A CN201910944211A CN110705476A CN 110705476 A CN110705476 A CN 110705476A CN 201910944211 A CN201910944211 A CN 201910944211A CN 110705476 A CN110705476 A CN 110705476A
- Authority
- CN
- China
- Prior art keywords
- target object
- information
- snapshot
- snapshot image
- image
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 230000002093 peripheral effect Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 29
- 238000012806 monitoring device Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本实施例公开了一种数据分析方法、装置、电子设备和计算机存储介质,该方法包括:获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括第一抓拍地点;基于地图数据获取所述第一抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;获取所述目标对象在所述兴趣点的第二抓拍图像;基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。如此,通过综合第一抓拍图像、第一抓拍图像信息和第二抓拍图像,有利于准确且全面地对目标对象的行为进行分析。
Description
技术领域
本公开涉及计算机视觉处理技术,尤其涉及一种数据分析方法、装置、电子设备和计算机存储介质。
背景技术
可疑人员的行为分析是公安安防领域的一个重要问题;在相关技术中,可以根据已掌握的可疑人员外观特征,选取一些监控设备,并依靠大量人力对选取的监控设备采集的大量的历史监控视频进行查看,从而确定可疑人员的行为;然而,采用这种确定可疑人员的行为的方法时,只能从历史监控视频获取可疑人员的部分活动轨迹,进而可疑人员的行为分析结果不够准确全面。
发明内容
本公开实施例期望提供数据分析的技术方案。
本公开实施例提供了一种数据分析方法,所述方法包括:
获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括第一抓拍地点;
基于地图数据获取所述第一抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;
获取所述目标对象在所述兴趣点的第二抓拍图像;
基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。
可选地,所述第一抓拍图像信息还包括第一抓拍时间,所述基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析,包括:
对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹;
获取所述第二抓拍图像的第二抓拍图像信息,所述第二抓拍图像信息包括第二抓拍时间和第二抓拍地点;
根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全,包括:
对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹;
利用所述目标对象的第二历史活动轨迹,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹,包括:
根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹。
可选地,所述方法还包括:获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,包括:
根据所述事件信息和所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进。
可选地,所述对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹,包括:
根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,得出所述目标对象的第一历史活动轨迹。
可选地,所述方法还包括:获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,包括:
根据所述事件信息和所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析。
可选地,所述获取目标对象的档案信息,包括:
以目标特征为聚类依据,将获取的各抓拍图像以及所述各抓拍图像的抓拍图像信息进行聚类,得到至少一组聚类结果;
将所述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行关联,得到所述目标对象的档案信息。
可选地,所述获取目标对象的档案信息,包括:
以目标特征为聚类依据,将获取的各抓拍图像、所述各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息进行聚类,得到所述目标对象的档案信息。
可选地,所述目标特征包括以下至少之一:人脸特征、人体特征、机动车特征、非机动车特征。
可选地,所述目标对象的人员信息包括所述目标对象的身份信息。
可选地,所述兴趣点与所述第一抓拍地点的距离小于或等于设定距离阈值。
本公开实施例提供了一种数据分析装置,所述装置包括第一获取模块、第一处理模块、第二获取模块和第二处理模块,其中,
第一获取模块,用于获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括抓拍地点;
第一处理模块,用于基于地图数据获取所述抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;
第二获取模块,用于获取所述目标对象在所述兴趣点的第二抓拍图像;
第二处理模块,用于基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。
可选地,所述第一抓拍图像信息还包括第一抓拍时间;所述第二处理模块,用于:
对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹;
获取所述第二抓拍图像的第二抓拍图像信息,所述第二抓拍图像信息包括第二抓拍时间和第二抓拍地点;
根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述第二处理模块,用于对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹;利用所述目标对象的第二历史活动轨迹,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述第二处理模块,用于根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹。
可选地,所述第二获取模块,还用于获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述第二处理模块,用于根据所述事件信息和所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析。
可选地,所述第二处理模块,用于根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,得出所述目标对象的第一历史活动轨迹。
可选地,所述第二获取模块,还用于获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述第二处理模块,用于根据所述事件信息和所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析。
可选地,所述第一获取模块,用于目标特征为聚类依据,将获取的各抓拍图像以及所述各抓拍图像的抓拍图像信息进行聚类,得到至少一组聚类结果;将所述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行关联,得到所述目标对象的档案信息。
可选地,所述第一获取模块,用于以目标特征为聚类依据,将获取的各抓拍图像、所述各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息进行聚类,得到所述目标对象的档案信息。
可选地,所述目标特征包括以下至少之一:人脸特征、人体特征、机动车特征、非机动车特征。
可选地,所述目标对象的人员信息包括所述目标对象的身份信息。
可选地,所述兴趣点与所述第一抓拍地点的距离小于或等于设定距离阈值。
本公开实施例还提出了一种电子设备,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,
所述处理器用于运行所述计算机程序以执行上述任意一种数据分析方法。
本公开实施例还提出了一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任意一种数据分析方法。
本公开实施例提出的数据分析方法、装置、电子设备和计算机存储介质中,获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括第一抓拍地点;基于地图数据获取所述第一抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;获取所述目标对象在所述兴趣点的第二抓拍图像;基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。如此,在本公开实施例中,在获取第一抓拍图像和第一抓拍图像信息的基础上,还可以获取第一抓拍地点的周边区域的兴趣点的第二抓拍图像,通过综合第一抓拍图像、第一抓拍图像信息和第二抓拍图像,有利于准确且全面地对目标对象的行为进行分析。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例的数据分析方法的流程图;
图2为本公开实施例的数据分析装置的组成结构示意图;
图3为本公开实施例的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处所提供的实施例仅仅用以解释本公开,并不用于限定本公开。另外,以下所提供的实施例是用于实施本公开的部分实施例,而非提供实施本公开的全部实施例,在不冲突的情况下,本公开实施例记载的技术方案可以任意组合的方式实施。
需要说明的是,在本公开实施例中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素,而且还包括没有明确列出的其他要素,或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元,例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
例如,本公开实施例提供的数据分析方法包含了一系列的步骤,但是本公开实施例提供的数据分析方法不限于所记载的步骤,同样地,本公开实施例提供的数据分析装置包括了一系列模块,但是本公开实施例提供的装置不限于包括所明确记载的模块,还可以包括为获取相关信息、或基于信息进行处理时所需要设置的模块。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本公开实施例可以应用于终端和服务器组成的计算机***中,并可以与众多其它通用或专用计算***环境或配置一起操作。这里,终端可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***,等等,服务器可以是服务器计算机***小型计算机***﹑大型计算机***和包括上述任何***的分布式云计算技术环境,等等。
终端、服务器等电子设备可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
在相关技术中,为了获取可疑人员的活动轨迹,可以通过传统视频监控与人脸识别结合的办法,对视频流中人脸进行检测;然而,这种确定可疑人员活动轨迹的方法存在以下问题:一方面,由于公安机关直接建设的公共安全视频监控设备分布相对稀疏,覆盖范围有限,在覆盖范围外的区域内,难以获取到可疑人员轨迹,或者存在获取到的轨迹过于粗略的问题;另一方面,公安视频监控设备通常建设在室外,当夜晚或其他光线不足的情况下,也同样难以获取到可疑人员的活动轨迹。
另外,基于深度学习方法的人脸识别***通常计算资源有限,人脸识别所需要的计算资源随接入的视频监控设备路数的增加而提升,而视频监控数据中通常只有极少一部分数据对案件侦察有意义。因此,如何将有限的计算资源更多地分配给能辅助案件侦察的数据处理中,也成为一个难以解决的问题。
针对上述技术问题,在本公开的一些实施例中,提出了一种数据分析方法,可以应用于智能视频分析、安防监控等场景。
图1为本公开实施例的数据分析方法的流程图,如图1所示,该流程可以包括:
步骤101:获取目标对象的档案信息,所述档案信息包括目标对象的人员信息、目标对象的第一抓拍图像以及第一抓拍图像的第一抓拍图像信息,第一抓拍图像信息包括第一抓拍地点。
本公开实施例中,目标对象可以是预先确定的需要监控的人员;可选地,目标对象的人员信息可以包括目标对象的目标对象的人脸特征、目标对象的人体特征、目标对象的机动车特征、目标对象的非机动车特征、目标对象的身份信息,例如,目标对象的身份信息可以是目标对象的人脸特征、目标对象的人脸图像、目标对象的身份证号等信息;在实际应用中,目标对象的人脸特征可以从目标对象的人脸图像中提取。
在具体的示例中,目标对象的人员信息可以从在逃人员信息库、违法犯罪人员信息库中获取,目标对象的人员信息可以存储于管控人员数据库中。这里目标对象可以是一个,也可以是多个。
可以看出,目标对象的人员信息有助于确定目标对象的活动轨迹;在一个示例中,可以根据案件的实际情况,确定目标对象的以下信息:体貌特征、身份信息等。
在实际应用中,目标对象的第一抓拍图像可以由监控设备采集,监控设备可以是抓拍机等用于采集图像的设备,也可以是摄像头等用于采集视频的设备;监控设备的数量可以是一个,也可以是多个;在一个具体的示例中,监控设备可以是公安机关建设的监控设备。
在实际应用中,在监控设备为用于采集视频的设备时,可以将采集到的视频进行解码,然后从解码后的视频流抽取出至少一幅图像(至少一帧图像)。
这里,第一抓拍地点表示采集第一抓拍图像的监控设备的位置信息,监控设备的位置信息可以用经纬度进行表示。可选地,抓拍图像信息还可以包括第一抓拍图像的第一抓拍时间,第一抓拍时间表示监控设备采集第一抓拍图像的时间点。
在实际应用中,在监控设备采集到至少一幅图像时,可以从监控设备采集的至少一幅图像中确定出目标对象的第一抓拍图像;而对于监控设备采集的每幅图像,均可以确定第一抓拍时间和第一抓拍地点;因而,对于目标对象的第一抓拍图像,可以确定出第一抓拍图像的第一抓拍图像信息。在一个示例中,在获取目标对象的第一抓拍图像以及第一抓拍图像的第一抓拍图像信息后,可以将目标对象的第一抓拍图像以及第一抓拍图像的第一抓拍图像信息进行关联,将关联后的数据存储于抓拍数据库中。
对于获取目标对象的档案信息的实现方式,在一个示例中,以目标特征为聚类依据,将获取的各抓拍图像以及各抓拍图像的抓拍图像信息进行聚类,得到至少一组聚类结果。
可选地,目标特征可以包括以下至少之一:人脸特征、人体特征、机动车特征、非机动车特征。在实际实施时,可以采用基于深度学习的目标识别方法对监控设备采集的图像进行目标识别,得到目标特征;本公开实施例中,并不对采用的目标识别方法进行限定。
本公开实施例中,目标特征(人脸特征、人体特征、机动车特征或非机动车特征)包括特征值和特征属性两个维度的数据,其中,特征值用于进行特征比对,例如,可以用于一个特征值与M个特征值的比对,M可以是大于或等于1的整数;M个特征值可以是预先存储的特征值。特征属性用于表示目标特征的属性,示例性地,人体特征用于表示以下至少之一:性别、年龄、胡型、发型、上下装样式、上下装颜色;机动车特征用于表示以下至少之一:机动车类型、车牌号、机动车形状、机动车尺寸;非机动车特征用于表示以下至少之一:非机动车类型、非机动车形状、非机动车尺寸;在实际应用中,特征属性便于后续根据目标特征进行数据筛选,例如,在确定可疑人员的体貌特征后,可以根据特征属性中人体体貌特征,对监控设备采集的图像进行筛选过滤。
在一实施方式中,在对监控设备采集的图像进行目标识别后,可以根据人体、人脸、机动车、非机动车在一幅图像中的位置,将处于同一位置区域的目标特征进行关联,得到同一对象的目标特征。
这里,各抓拍图像表示监控设备采集的各图像,各抓拍图像中的任意一幅图像可以包括目标对象,也可以不包括目标对象;可以看出,通过对获取的各抓拍图像以及各抓拍图像的抓拍图像信息进行目标特征的聚类,可以将相同人员的目标特征聚合在一起;在实际实施时,在通过聚类得到至少一组聚类结果后,可以将上述至少一组聚类结果存储于聚类数据库中。
在得到至少一组聚类结果后,可以将上述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行关联,得到所述目标对象的档案信息;具体地说,可以将上述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行目标特征的比对,获取比对成功的目标特征对应的抓拍图像和抓拍图像信息、以及比对成功的目标特征对应的目标对象的人员信息;这里,在将上述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行目标特征的比对时,如果目标特征的相似度超过设定相似度阈值,则可以认为比对成功,否则,如果目标特征的相似度未超过设定相似度阈值,则可以认为比对失败;设定相似度阈值可以根据实际应用场景进行设置,例如,设定相似度阈值可以是90%、95%等。
可以理解地,通过将获取的各抓拍图像以及各抓拍图像的抓拍图像信息进行聚类,可以将相同人员的目标特征聚合在一起,进而,便于通过后续目标特征的比对,快速的得出同一目标对象的档案信息。
对于获取目标对象的档案信息的实现方式,在另一个示例中,在获取监控设备采集的各抓拍图像、各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息后,直接以目标特征为聚类依据,将获取的各抓拍图像、所述各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息进行聚类,得到目标对象的档案信息。
可以看出,由于将各抓拍图像、各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息进行聚类,便可以直接得到目标对象的档案信息,具有便于实现的特点。
在实际应用中,在获取目标对象的档案信息后,可以将目标对象的档案信息存储于人员档案数据库中。
步骤102:基于地图数据获取第一抓拍地点的周边区域的兴趣点,周边区域表示预设的包括所述抓拍地点的地理区域。
示例性地,第一抓拍地点的周边区域可以是:以第一抓拍地点为中心,半径为设定距离的一个区域,设定距离可以根据实际应用场景进行设置,例如,设定距离为100m、150m、50m等。
这里,兴趣点可以是预先设定的信息,例如,兴趣点可以是医院、居民小区、酒店、火车站、便利店、银行ATM、网吧、KTV等;第一抓拍地点周边区域的兴趣点可以是一个,也可以是多个。
进一步地,还可以根据第一抓拍地点的周边区域的兴趣点,为对应的监控设备添加地点类型标签,这样,在获取第一抓拍地点的监控设备采集的图像后,还可以获取监控设备的地点类型标签,以便于后续分析;例如,监控设备A周围100m内范围存在火车站、酒店、餐厅三个兴趣点信息,则为监控设备A添加火车站、酒店、餐厅三个标签。
步骤103:获取目标对象在所述兴趣点的第二抓拍图像。
在实际应用中,目标对象的第二抓拍图像可以由兴趣点的监控设备采集;可选地,还可以获取第二抓拍图像的第二抓拍图像信息,第二抓拍图像信息包括第二抓拍时间和第二抓拍地点;这里,第二抓拍地点表示采集第二抓拍图像的监控设备的位置信息,监控设备的位置信息可以用经纬度进行表示,第二抓拍时间表示监控设备采集第二抓拍图像的时间点。
在实际应用中,在监控设备采集到第二抓拍图像后,对于监控设备采集的第二抓拍图像,均可以确定第二抓拍时间和第二抓拍地点;因而,对于第二抓拍图像,可以确定出第二抓拍图像的第二抓拍图像信息。在一个示例中,在获取第二抓拍图像以及第二抓拍图像的第二抓拍图像信息后,可以将目标对象的第二抓拍图像以及第二抓拍图像的第二抓拍图像信息进行关联,将关联后的数据存储于抓拍数据库中。
步骤104:基于所述档案信息和第二抓拍图像对目标对象进行分析。
本步骤中,通过对目标对象进行分析,可以是分析目标对象的活动轨迹或分析与目标对象有关的其它信息。
在实际应用中,步骤101至步骤104可以利用电子设备中的处理器实现,上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital SignalProcessing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器中的至少一种。
可以看出,在本公开实施例中,在获取第一抓拍图像和第一抓拍图像信息的基础上,还可以获取第一抓拍地点的周边区域的兴趣点的第二抓拍图像,通过综合第一抓拍图像、第一抓拍图像信息和第二抓拍图像,有利于准确且全面地对目标对象的行为进行分析。
可选地,兴趣点与第一抓拍地点的距离小于或等于设定距离阈值;这里,设定距离阈值可以根据实际应用场景进行设置,例如,设定距离阈值可以是1000m或估算出的可疑人员步行10分钟的距离。
在一个具体的示例中,以第一抓拍地点为中心,以设定距离阈值为半径,确定一个圆形的周边区域,在圆形的周边区域内选取出兴趣点。
可以看出,在兴趣点与第一抓拍地点的距离较小时,目标对象被兴趣点的监控设备拍摄到的可能性较大,因而,有利于根据第二抓拍图像对目标对象进行分析,即,可以准确且全面地对目标对象进行分析;例如,在根据档案信息得到目标对象的一部分历史活动轨迹的情况下,有利于根据第二抓拍图像确定目标对象的另一部分历史活动轨迹,因而,能够准确且全面地了解目标对象的历史活动轨迹。
对于根据基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析的实现方式,示例性地,可以对所述档案信息进行分析,得出目标对象的第一历史活动轨迹;获取第二抓拍图像的第二抓拍图像信息;根据第二抓拍图像和第二抓拍图像信息,对目标对象的第一历史活动轨迹进行补全。
这里,获取第二抓拍图像信息的实现方式已经在前述记载的内容中作出说明,这里不再赘述。
可以看出,在本公开实施例中,在根据档案信息得出目标对象的第一历史活动轨迹的基础上,还可以获取第二抓拍图像和第二抓拍图像信息,并根据第二抓拍图像和第二抓拍图像信息对第一历史活动轨迹进行补全,使得获取的可目标的历史活动轨迹更加全面。
另外,兴趣点通常是目标对象可能出现的位置,那么,目标对象在兴趣点的第二抓拍图像,很可能反映目标对象的活动轨迹,进而,本公开实施例可以高效地确定出目标对象的第二历史活动轨迹,提升目标对象的活动轨迹补全的效率。并且在本公开实施例中,并不是根据任意设置的其它监控设备采集的图像,对目标对象的第一历史活动轨迹进行补全,而是根据在第一抓拍地点的周边区域的兴趣点采集的第二抓拍图像,对目标对象的第一历史活动轨迹进行补全,由于在兴趣点的监控设备很有可能拍摄到目标对象的图像,因而,本公开实施例通过选择性地获取第二抓拍图像,可以有效地利用有限的计算资源,提高计算资源的回报率。
对于对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹的实现方式,示例性地,可以根据目标对象的人员信息,对第一抓拍图像和第一抓拍图像信息进行分析,得出目标对象的第一历史活动轨迹。
在实际应用中,可以在第一抓拍图像和第一抓拍图像信息中,确定出与目标对象的人员信息相符合的信息,根据确定出的信息,确定目标对象的第一历史活动轨迹。
本公开实施例中,将第一抓拍图像和第一抓拍图像信息统称为第一抓拍数据,可以通过对第一抓拍数据和目标对象的人员信息进行目标特征的比对,来确定第一抓拍数据中的信息是否与目标对象的人员信息相符合;在第一抓拍数据中的信息和目标对象的人员信息的目标特征的相似度超过第一相似度阈值时,可以认为第一抓拍数据中的信息与目标对象的人员信息相符合;在第一抓拍数据中的信息和目标对象的人员信息的目标特征的相似度未超过第一相似度阈值时,可以认为第一抓拍数据中的信息与目标对象的人员信息不符合,第一相似度阈值可以根据实际应用需求进行设置,例如,第一相似度阈值在85%至95%之间。
例如,在目标对象的人员信息包括:目标对象的人脸特征、目标对象的人体特征、目标对象的机动车特征或目标对象的非机动车特征的情况下,可以将目标对象的人员信息在第一抓拍数据中进行检索比对,确定出与目标对象的人员信息相符合的信息;进一步地,在目标对象的人员信息还包括目标对象的身份信息的情况下,还可以进一步结合目标对象的身份信息,在第一抓拍数据中确定出与目标对象的人员信息相符合的信息。
在本公开实施例中,可以根据目标对象的人员信息,自动地对第一抓拍图像和第一抓拍图像信息进行筛选,进而,直接根据筛选出的信息确定目标对象的第一历史活动轨迹,也就是说,可以无需利用大量人力对监控视频进行查看,而是,可以根据目标对象的人员信息对第一抓拍图像和第一抓拍图像信息进行筛选;如此,有利于节省人力成本并提高效率。
可选地,还可以获取事件信息,事件信息包括事件发生时间和/或事件发生地点;这里,事件可以是案件或其它事件。
作为一种实现方式,可以根据事件信息和目标对象的人员信息,对第一抓拍图像和第一抓拍图像信息进行分析,得到目标对象的第一历史活动轨迹。
可以看出,基于事件发生时间和/或事件发生地点,有利于根据监控设备采集的第一抓拍图像和第一抓拍图像信息,准确地推断可疑人员的活动轨迹。
在本公开实施例中,可以根据目标对象的人员信息和事件信息,自动地对第一抓拍图像和第一抓拍图像信息进行筛选,进而,直接根据筛选出的信息确定目标对象的第一历史活动轨迹,也就是说,可以无需利用大量人力对监控视频进行查看,而是,可以根据目标对象的人员信息和事件信息对第一抓拍图像和第一抓拍图像信息进行筛选;如此,有利于节省人力成本并提高效率。
对于根据第二抓拍图像和第二抓拍图像信息,对目标对象的第一历史活动轨迹进行补全的实现方式,示例性地,可以对第二抓拍图像和第二抓拍图像信息进行分析,得出目标对象的第二历史活动轨迹;利用目标对象的第二历史活动轨迹,对目标对象的第一历史活动轨迹进行补全。
作为一种实现方式,可以根据目标对象的人员信息,对第二抓拍图像和第二抓拍图像信息进行分析,得出目标对象的第二历史活动轨迹。
在实际应用中,可以在第二抓拍图像和第二抓拍图像信息中,确定出与目标对象的人员信息相符合的信息,根据确定出的信息,确定目标对象的第二历史活动轨迹。
本公开实施例中,将第二抓拍图像和第二抓拍图像信息统称为第二抓拍数据,可以通过对第二抓拍数据和目标对象的人员信息进行目标特征的比对,来确定第二抓拍数据中的信息是否与目标对象的人员信息相符合;在第二抓拍数据中的信息和目标对象的人员信息的目标特征的相似度超过第二相似度阈值时,可以认为第二抓拍数据中的信息与目标对象的人员信息相符合;在第二抓拍数据中的信息和目标对象的人员信息的目标特征的相似度未超过第二相似度阈值时,可以认为第二抓拍数据中的信息与目标对象的人员信息不符合,第二相似度阈值可以根据实际应用需求进行设置,例如,第二相似度阈值在85%至95%之间。
例如,在目标对象的人员信息包括:目标对象的人脸特征、目标对象的人体特征、目标对象的机动车特征或目标对象的非机动车特征的情况下,可以将目标对象的人员信息在第二抓拍数据中进行检索比对,确定出与目标对象的人员信息相符合的信息;进一步地,在目标对象的人员信息还包括目标对象的身份信息的情况下,还可以进一步结合目标对象的身份信息,在第二抓拍数据中确定出与目标对象的人员信息相符合的信息。
可以看出,本公开实施例可以根据目标对象的人员信息确定第二历史活动轨迹,进而对第一历史活动轨迹进行补全,而目标对象的人员信息通常是根据实际应用场景(例如实际案件情况)确定的,因而,可以更加有效地对目标对象的第一历史活动轨迹进行补全。
作为一种实现方式,可以根据事件信息和目标对象的人员信息,对第二抓拍图像和第二抓拍图像信息进行分析,得到目标对象的第二历史活动轨迹。
可以看出,基于事件发生时间和/或事件发生地点,有利于根据监控设备采集的第二抓拍图像和第二抓拍图像信息,准确地推断可疑人员的活动轨迹。
在实际应用中,在获取第二抓拍图像和第二抓拍图像信息后,还可以结合目标对象在第一抓拍地点的出现时间,对第二抓拍图像和第二抓拍图像信息进行筛选;然后可以对筛选得到的信息进行分析,得到目标对象的第二历史活动轨迹。
具体地,根据目标对象在第一抓拍地点的出现时间,对第二抓拍图像和第二抓拍图像信息进行筛选的一种实现方式为,可以根据目标对象在第一抓拍地点的出现时间,筛选出兴趣点的监控设备在特定时间段的监控数据,进而确定出筛选后的信息;这里,特定时间段的开始时间与目标对象在第一抓拍地点的出现时间小于设定时长,设定时长和特定时间段的长度可以根据实际情况进行设置。可以看出,目标对象在第一抓拍地点出现时,可能在较短的时间内被周边区域的兴趣点的监控设备拍摄到,因而,根据目标对象在第一抓拍地点的出现时间,可以有效且准确地对第二抓拍图像和第二抓拍图像信息进行筛选;降低了对第二抓拍图像和第二抓拍图像信息进行分析时所使用的计算资源,提高了计算资源的利用率。
图2为本公开实施例的数据分析装置的组成结构示意图,如图2所示,所述装置包括第一获取模块201、第一处理模块202、第二获取模块203和第二处理模块204,其中,
第一获取模块201,用于获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括抓拍地点;
第一处理模块202,用于基于地图数据获取所述抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;
第二获取模块203,用于获取所述目标对象在所述兴趣点的第二抓拍图像;
第二处理模块204,用于基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。
可选地,所述第一抓拍图像信息还包括第一抓拍时间;所述第二处理模块204,用于:
对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹;
获取所述第二抓拍图像的第二抓拍图像信息,所述第二抓拍图像信息包括第二抓拍时间和第二抓拍地点;
根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述第二处理模块204,用于对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹;利用所述目标对象的第二历史活动轨迹,对所述目标对象的第一历史活动轨迹进行补全。
可选地,所述第二处理模块204,用于根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹。
可选地,所述第二获取模块203,还用于获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述第二处理模块204,用于根据所述事件信息和所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析。
可选地,所述第二处理模块204,用于根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,得出所述目标对象的第一历史活动轨迹。
可选地,所述第二获取模块203,还用于获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述第二处理模块204,用于根据所述事件信息和所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析。
可选地,所述第一获取模块201,用于目标特征为聚类依据,将获取的各抓拍图像以及所述各抓拍图像的抓拍图像信息进行聚类,得到至少一组聚类结果;将所述至少一组聚类结果中每组聚类结果与预先确定的目标对象的人员信息进行关联,得到所述目标对象的档案信息。
可选地,所述第一获取模块201,用于以目标特征为聚类依据,将获取的各抓拍图像、所述各抓拍图像的抓拍图像信息以及预先确定的目标对象的人员信息进行聚类,得到所述目标对象的档案信息。
可选地,所述目标特征包括以下至少之一:人脸特征、人体特征、机动车特征、非机动车特征。
可选地,所述目标对象的人员信息包括所述目标对象的身份信息。
可选地,所述兴趣点与所述第一抓拍地点的距离小于或等于设定距离阈值。
实际应用中,第一获取模块201、第一处理模块202、第二获取模块203和第二处理模块204均可以利用电子设备中的处理器实现,上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外,在本实施例中的各功能模块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。上述集成的单元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。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,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,本实施例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)或processor(处理器)执行本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(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲,本实施例中的一种数据分析方法对应的计算机程序指令可以被存储在光盘,硬盘,U盘等存储介质上,当存储介质中的与一种数据分析方法对应的计算机程序指令被一电子设备读取或被执行时,实现前述实施例的任意一种数据分析方法。
基于前述实施例相同的技术构思,参见图3,其示出了本公开实施例提供的一种电子设备30,可以包括:存储器31和处理器32;其中,
所述存储器31,用于存储计算机程序和数据;
所述处理器32,用于执行所述存储器中存储的计算机程序,以实现前述实施例的任意一种数据分析方法。
在实际应用中,上述存储器31可以是易失性存储器(volatile memory),例如RAM;或者非易失性存储器(non-volatile memory),例如ROM,快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器32提供指令和数据。
上述处理器32可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述
本申请所提供的各方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种数据分析方法,其特征在于,所述方法包括:
获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括第一抓拍地点;
基于地图数据获取所述第一抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;
获取所述目标对象在所述兴趣点的第二抓拍图像;
基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。
2.根据权利要求1所述的方法,其特征在于,所述第一抓拍图像信息还包括第一抓拍时间,所述基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析,包括:
对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹;
获取所述第二抓拍图像的第二抓拍图像信息,所述第二抓拍图像信息包括第二抓拍时间和第二抓拍地点;
根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二抓拍图像和所述第二抓拍图像信息,对所述目标对象的第一历史活动轨迹进行补全,包括:
对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹;
利用所述目标对象的第二历史活动轨迹,对所述目标对象的第一历史活动轨迹进行补全。
4.根据权利要求3所述的方法,其特征在于,所述对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹,包括:
根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,得出所述目标对象的第二历史活动轨迹。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述根据所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析,包括:
根据所述事件信息和所述目标对象的人员信息,对所述第二抓拍图像和所述第二抓拍图像信息进行分析。
6.根据权利要求2所述的方法,其特征在于,所述对所述档案信息进行分析,得出所述目标对象的第一历史活动轨迹,包括:
根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,得出所述目标对象的第一历史活动轨迹。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:获取事件信息,所述事件信息包括事件发生时间和/或事件发生地点;
所述根据所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析,包括:
根据所述事件信息和所述目标对象的人员信息,对所述第一抓拍图像和所述第一抓拍图像信息进行分析。
8.一种数据分析装置,其特征在于,所述装置包括第一获取模块、第一处理模块、第二获取模块和第二处理模块,其中,
第一获取模块,用于获取目标对象的档案信息,所述档案信息包括所述目标对象的人员信息、所述目标对象的第一抓拍图像以及所述第一抓拍图像的第一抓拍图像信息,所述第一抓拍图像信息包括抓拍地点;
第一处理模块,用于基于地图数据获取所述抓拍地点的周边区域的兴趣点,所述周边区域表示预设的包括所述抓拍地点的地理区域;
第二获取模块,用于获取所述目标对象在所述兴趣点的第二抓拍图像;
第二处理模块,用于基于所述档案信息和所述第二抓拍图像对所述目标对象进行分析。
9.一种电子设备,其特征在于,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,
所述处理器用于运行所述计算机程序以执行权利要求1至7任一项所述的方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944211.3A CN110705476A (zh) | 2019-09-30 | 2019-09-30 | 数据分析方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944211.3A CN110705476A (zh) | 2019-09-30 | 2019-09-30 | 数据分析方法、装置、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705476A true CN110705476A (zh) | 2020-01-17 |
Family
ID=69196821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944211.3A Withdrawn CN110705476A (zh) | 2019-09-30 | 2019-09-30 | 数据分析方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705476A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652160A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN111709382A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 人体轨迹处理方法、装置、计算机存储介质以及电子设备 |
CN112528078A (zh) * | 2020-12-16 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种图像归档方法、装置及设备 |
CN113378005A (zh) * | 2021-06-03 | 2021-09-10 | 北京百度网讯科技有限公司 | 事件处理方法、装置、电子设备以及存储介质 |
CN113794818A (zh) * | 2021-09-01 | 2021-12-14 | 浙江大华技术股份有限公司 | 抓拍对象的确定方法、装置、存储介质及电子装置 |
WO2022099884A1 (zh) * | 2020-11-16 | 2022-05-19 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的人员与案件关联分析方法和装置 |
CN114565984A (zh) * | 2022-02-25 | 2022-05-31 | 成都商汤科技有限公司 | 考勤信息生成方法及装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090285469A1 (en) * | 2000-06-08 | 2009-11-19 | The Regents Of The University Of California | Visual-servoing optical microscopy |
CN103295402A (zh) * | 2013-07-01 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 智能交通超速抓拍*** |
WO2017004482A1 (en) * | 2015-07-02 | 2017-01-05 | Board Of Regents, The University Of Texas System | Utilization of laser interstitial thermotherapy guided with real time thermal mri |
CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
CN107018362A (zh) * | 2017-03-29 | 2017-08-04 | 中国科学院上海高等研究院 | 反盗猎监控方法及*** |
CN107103615A (zh) * | 2017-04-05 | 2017-08-29 | 合肥酷睿网络科技有限公司 | 一种监控视频目标锁定追踪***及锁定追踪方法 |
CN109784217A (zh) * | 2018-12-28 | 2019-05-21 | 上海依图网络科技有限公司 | 一种监控方法及装置 |
US20190154872A1 (en) * | 2017-11-21 | 2019-05-23 | Reliance Core Consulting LLC | Methods, systems, apparatuses and devices for facilitating motion analysis in a field of interest |
CN109963113A (zh) * | 2017-12-14 | 2019-07-02 | 浙江宇视科技有限公司 | 一种感兴趣目标的监控方法及装置 |
CN110163137A (zh) * | 2019-05-13 | 2019-08-23 | 深圳市商汤科技有限公司 | 一种图像处理方法、装置和存储介质 |
-
2019
- 2019-09-30 CN CN201910944211.3A patent/CN110705476A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090285469A1 (en) * | 2000-06-08 | 2009-11-19 | The Regents Of The University Of California | Visual-servoing optical microscopy |
CN103295402A (zh) * | 2013-07-01 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 智能交通超速抓拍*** |
WO2017004482A1 (en) * | 2015-07-02 | 2017-01-05 | Board Of Regents, The University Of Texas System | Utilization of laser interstitial thermotherapy guided with real time thermal mri |
CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
CN107018362A (zh) * | 2017-03-29 | 2017-08-04 | 中国科学院上海高等研究院 | 反盗猎监控方法及*** |
CN107103615A (zh) * | 2017-04-05 | 2017-08-29 | 合肥酷睿网络科技有限公司 | 一种监控视频目标锁定追踪***及锁定追踪方法 |
US20190154872A1 (en) * | 2017-11-21 | 2019-05-23 | Reliance Core Consulting LLC | Methods, systems, apparatuses and devices for facilitating motion analysis in a field of interest |
CN109963113A (zh) * | 2017-12-14 | 2019-07-02 | 浙江宇视科技有限公司 | 一种感兴趣目标的监控方法及装置 |
CN109784217A (zh) * | 2018-12-28 | 2019-05-21 | 上海依图网络科技有限公司 | 一种监控方法及装置 |
CN110163137A (zh) * | 2019-05-13 | 2019-08-23 | 深圳市商汤科技有限公司 | 一种图像处理方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
SHUYAO QI.ET.: "Snapshot and continuous points-based trajectory search", 《GEOINFORMATICA》, vol. 21, pages 669, XP036330637, DOI: 10.1007/s10707-016-0267-9 * |
刘常德: "基于视觉的智能交通监管***关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3, pages 034 - 1256 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652160A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN111709382A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 人体轨迹处理方法、装置、计算机存储介质以及电子设备 |
WO2022099884A1 (zh) * | 2020-11-16 | 2022-05-19 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的人员与案件关联分析方法和装置 |
CN112528078A (zh) * | 2020-12-16 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种图像归档方法、装置及设备 |
CN113378005A (zh) * | 2021-06-03 | 2021-09-10 | 北京百度网讯科技有限公司 | 事件处理方法、装置、电子设备以及存储介质 |
CN113794818A (zh) * | 2021-09-01 | 2021-12-14 | 浙江大华技术股份有限公司 | 抓拍对象的确定方法、装置、存储介质及电子装置 |
CN114565984A (zh) * | 2022-02-25 | 2022-05-31 | 成都商汤科技有限公司 | 考勤信息生成方法及装置、电子设备和存储介质 |
CN114565984B (zh) * | 2022-02-25 | 2023-11-28 | 成都商汤科技有限公司 | 考勤信息生成方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705476A (zh) | 数据分析方法、装置、电子设备和计算机存储介质 | |
CN110705477A (zh) | 行为分析方法、装置、电子设备和计算机存储介质 | |
CN109858371B (zh) | 人脸识别的方法及装置 | |
US8634601B2 (en) | Surveillance-based high-resolution facial recognition | |
CN110139075B (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
CN109117714A (zh) | 一种同行人员识别方法、装置、***及计算机存储介质 | |
CN111033515A (zh) | 将对象区分优先级以用于对象辨识 | |
US10824713B2 (en) | Spatiotemporal authentication | |
CN108269333A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
CN110738178A (zh) | 园区施工安全检测方法、装置、计算机设备及存储介质 | |
CN110852148B (zh) | 一种基于目标追踪的访客目的地核验方法及*** | |
CN109783685A (zh) | 一种查询方法及装置 | |
CN111010547A (zh) | 目标对象的追踪方法及装置、存储介质、电子装置 | |
US9633272B2 (en) | Real time object scanning using a mobile phone and cloud-based visual search engine | |
JP2022518459A (ja) | 情報処理方法および装置、記憶媒体 | |
CN111291682A (zh) | 确定目标对象的方法、装置、存储介质及电子装置 | |
CN109800664B (zh) | 一种确定路人轨迹的方法及装置 | |
CN109815839B (zh) | 微服务架构下的徘徊人员识别方法及相关产品 | |
CN114357216A (zh) | 一种人像聚档方法、装置、电子设备及存储介质 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN111476685B (zh) | 行为分析方法、装置及设备 | |
CN112330834A (zh) | 一种主动选择考勤事件的考勤方法、设备及存储介质 | |
CN111666915A (zh) | 监控方法、装置、设备以及存储介质 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200117 |
|
WW01 | Invention patent application withdrawn after publication |