CN110781797A - 一种标注方法、装置及电子设备 - Google Patents
一种标注方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110781797A CN110781797A CN201911004862.0A CN201911004862A CN110781797A CN 110781797 A CN110781797 A CN 110781797A CN 201911004862 A CN201911004862 A CN 201911004862A CN 110781797 A CN110781797 A CN 110781797A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- pictures
- track
- picture
- optimal
- 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
Images
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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
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
本公开实施例中提供了一种标注方法、装置及电子设备,属于图像处理技术领域,该方法包括:获取目标采集装置内的一组轨迹图片,轨迹图片包括基础最优图片;根据预设的邻域字典查找目标采集装置的全部邻域装置;在每个邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;获取每个邻域轨迹的邻域最优图片;提取全部邻域最优图片和基础最优图片的全局特征;获取全部邻域最优图片中,全局特征与基础最优图片相匹配的目标最优图片;将全部目标最优图片对应的轨迹图片标注为目标对象的轨迹图片。通过本公开的处理方案,能够标注不同目标采集装置拍摄的同一目标对象的图片,得到目标对象对应的图片集合,可实现在对应场景中快速查找目标对象的轨迹。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种标注方法、装置及电子设备。
背景技术
数据标注作为计算机视觉领域的一部分,是数据处理过程中必不可少的步骤。例如,标注同一个人在对应场景下被不同的摄像头捕捉的图片集合,此处的对应场景可以为安装多个摄像头的商场、施工现场或其他人员聚集的场所。现有的行人识别样本标注大多为纯人力标注或通过提取人脸特征点来匹配同一行人。纯人力标注需要从大量的数据中找出同一个行人的图片,人力成本高,而且容易出错。通过提取人脸特征点来匹配同一行人能大大减少人力成本,但存在很多不足,例如算法匹配容易出错;很多行人难以捕捉到人脸特征点,无法进行数据标注等等。这样就造成了很大程度的数据浪费。
可见,现有的行人识别标注方法存在容易出错,难以捕捉到人脸且人力成本高的技术问题。
发明内容
有鉴于此,本公开实施例提供一种标注方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种标注方法,包括:
获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
获取每个邻域轨迹的邻域最优图片;
提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
根据本公开实施例的一种具体实现方式,所述在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片的步骤,包括:
确定所述目标对象进入目标采集装置的视野范围内的起始时刻;
确定采集时段,其中,所述采集时段包括在所述起始时刻之前预设时段的第一子时段和所述起始时刻之后预设时段的第二子时段;
在每个邻域装置内查找所述采集时段内的全部邻域轨迹;
获取全部邻域轨迹中的邻域图片。
根据本公开实施例的一种具体实现方式,所述在每个邻域装置内查找所述采集时段内的全部邻域轨迹的步骤,包括:
在除了路径邻域装置之外的每个邻域装置内查找所述采集时段的全部邻域轨迹,其中,所述路径邻域装置为所述目标采集装置的全部邻域装置中已经被采集过邻域轨迹的邻域装置。
根据本公开实施例的一种具体实现方式,获取全部邻域轨迹中的邻域图片的步骤,包括:
根据特征字典预设的层级,依次设置邻域装置的设备号父节点、轨迹号父节点和图片号父节点的存储框架;
将同一邻域装置内的所有组邻域轨迹均对应存储于同一个邻域装置的设备号父节点内,且一组轨迹下的全部邻域图片均对应存储于同一个轨迹号父节点内;
根据特征字典的层级依次拉取邻域图片。
根据本公开实施例的一种具体实现方式,所述根据预设的邻域字典查找所述目标采集装置的全部邻域装置的步骤之前,所述方法还包括:
搭建邻域字典存储框架;
在当前目标采集装置的邻近区域布置预设数量的邻域装置;
分别标注当前目标采集装置和邻域装置的识别信息,且将当前图像采集装置的识别信息与所述邻域装置的识别信息对应存储,以形成所述邻域字典。
根据本公开实施例的一种具体实现方式,所述获取每个邻域轨迹的邻域最优图片的步骤,包括:
根据预设的特征提取器分别提取每组邻域轨迹图片中的每个所述邻域图片的全局特征;
将每个所述邻域图片的全局特征与所述邻域轨迹图片中其他全部邻域图片的全局特征分别进行距离求和,并将求和的结果累加,得到每个邻域图片对应的距离总和;
将全部所述邻域图片中,距离总和最小值对应的邻域图片确定为所述邻域轨迹中的邻域最优图片。
根据本公开实施例的一种具体实现方式,所述获取目标采集装置内的一组轨迹图片的步骤,包括:
获取一组轨迹图片,其中,所述轨迹图片包含多个原始图片;
根据预设的目标对象检测算法,去除得分小于预设值的原始图片得到待定图片;
计算每个所述待定图片中目标对象的高度和宽度之比;
去除该组轨迹图片的全部待定图片中目标对象的高度和宽度之比位于预设范围内的待定图片,以得到该组轨迹的基础图片。
第二方面,本公开实施例提供了一种标注装置,所述装置包括:
第一获取模块,用于获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
第一查找模块,用于根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
第二查找模块,用于在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
第二获取模块,用于获取每个邻域轨迹的邻域最优图片;
提取模块,用于提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
第三获取模块,用于获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
标注模块,用于将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的标注方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的标注方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的标注方法。
本公开实施例中的标注方法、装置及电子设备,包括:获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;根据预设的邻域字典查找所述目标采集装置的全部邻域装置;在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;获取每个邻域轨迹的邻域最优图片;提取全部邻域最优图片和基础最优图片的全局特征;获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。通过本公开的方案,能够标注不同目标采集装置拍摄的同一目标对象的图片,得到所述目标对象对应的图片集合,可以实现在对应场景中快速查找目标对象的轨迹。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种标注方法流程示意图;
图2为本公开实施例提供的一种标注方法的邻域装置布置示意图;
图3为本公开实施例提供的另一种标注方法流程示意图;
图4为本公开实施例提供的另一种标注方法流程示意图;
图5为本公开实施例提供的另一种标注方法流程示意图;
图6为本公开实施例提供的另一种标注方法流程示意图;
图7为本公开实施例提供的一种标注装置结构示意图;
图8为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种标注方法。本实施例提供的标注方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种标注方法,包括:
S101,获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
本公开实施例提供的标注方法,可以应用于同一个人被多个不同摄像头捕捉的场景。将摄像头或其他具有拍摄功能的设备定义为目标采集装置。所述场景可以为商场、施工现场或其他人员聚集的场所。现以商场为例,商场中在不同的区域覆盖预设数量的目标采集装置,以使得行人在移动过程中能被目标采集装置持续捕捉到画面。将目标采集装置捕捉到的某个移动的行人定义为目标对象。将目标对象从进入某个目标采集装置的画面开始直至消失以形成的路径定义为轨迹,在所述轨迹中持续捕捉到的目标对象的图片定义为一组对应的轨迹图片。现以目标对象为行人来阐述具体的实施方案。
具体地,获取对应场景下某行人最可能出现的时间段内的一组轨迹图片,或者某个指定的时间点或时间段的一组轨迹图片。目标采集装置在一个轨迹中能够捕捉目标对象的多个目标图片。将这多个目标图片中最有代表性、最能概括当前轨迹的行为状态的图片定义为该组轨迹图片的基础最优图片。本实施例中,所述一组轨迹图片包括基础最优图片。
S102,根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
具体地,在商场等对应的场景内,不同的区域覆盖有一定数量的摄像头。每个摄像头设置在固定的位置,且具有特定的图像捕捉范围。为避免盲区,在布置摄像头等目标采集装置时,即考虑某个目标采集装置及其邻域内的其他摄像头的设置距离和摆放角度,以能够覆盖某个区域的全部视线范围。将目标采集装置邻域内的其他摄像头定义为此目标采集装置的邻域装置。一个目标采集装置的邻域装置可以有多个。
行人从进入目标采集装置的捕捉范围开始进行图片采集,行人移动,所述目标采集装置持续跟踪采集图片,直至行人移出目标采集装置的图像捕捉范围时结束这一组拍摄轨迹。行人继续移动,进入此目标采集装置的第一邻域装置的捕捉范围,所述第一邻域装置开始对行人继续进行图片采集,直至行人移出第一邻域装置的图像捕捉范围时结束这一组拍摄轨迹。行人继续移动,上述目标采集装置的第二邻域装置继续进行图片采集。如此,在这区域内,所述目标采集装置及其邻域装置对行人持续拍摄多组轨迹图片。
可选地,在不同的场景中,可能有多个目标采集装置,而每个目标采集装置均对应多个邻域装置。为了提高查询速度,设置邻域字典,将目标采集装置及其全部邻域装置对应存储于所述邻域字典内。这样,根据预设的邻域字典查找所述目标采集装置的全部邻域装置。
本公开的实施例中,所述根据预设的邻域字典查找所述目标采集装置的全部邻域装置的步骤之前,还包括:
搭建邻域字典存储框架;
在当前目标采集装置的邻近区域布置预设数量的邻域装置;
分别标注当前目标采集装置和邻域装置的识别信息,且将当前图像采集装置的识别信息与所述邻域装置的识别信息对应存储,以形成所述邻域字典。
具体地,搭建邻域字典存储框架,预设不同的层级以用于对应存储不同层级的数据,提高查询速度。在当前目标采集装置的邻近区域布置预设数量的邻域装置。如图2所示,cam0~cam10为不同的目标采集装置。对于当前目标采集装置cam0来说,它的邻域装置有六个:cam1、cam2、cam3、cam4、cam5、cam6。也就是,当某行人出现在当前目标采集装置cam0内,那么cam1~cam6为此行人下一次可能出现的全部邻域装置。将0~6***数字编号作为目标采集装置及其邻域装置的识别信息,将当前目标采集装置cam0和邻域装置cam1~cam6对应存储形成所述邻域字典。查找时,在该邻域字典中输入当前目标采集装置cam0的数字编号0,作为字典的key值,快捷的找到cam0的邻域装置cam1~cam6。当然,在其他实施例中,目标采集装置及其邻域装置的识别信息可以是设备序列号或其他的身份识别信息,不作限定。
S103,在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
可选地,例如商场、施工现场或其他人员聚集的场所,单位时间内采集的图像数据量较大,对后续的数据分析带来较大难度。实施时,通常在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片。所述的预设时间越长,则采集的图片信息量越大。实施操作中,以对应场景下某行人最可能出现的时间段或者某个指定时间段来具体设置。
S104,获取每个邻域轨迹的邻域最优图片;
通过上述步骤,在每个所述邻域装置内查找到了预设时间内的全部邻域轨迹的邻域图片。每组邻域轨迹包含多个邻域图片,多个邻域图片捕捉了目标对象在此路径下连续的行为动作。将多个邻域图片中最有代表性、最能概括当前轨迹的行为状态的图片定义为邻域最优图片。
在所述邻域图片中,提取邻域最优图片方式有多种。可选地,根据用户的选择,在一组邻域图片中指定最优图片。例如,拍摄的一组行人邻域图片中,指定拍摄的行人画面最完整,拍摄的画面角度最能反应当前的行为状态的某个图片为邻域最优图片。此外,最优图片的选择方式也可以为,在设备处理器中,预设邻域最优图片的提取算法,通过所述提取算法来得到邻域最优图片。
S105,提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
上述步骤S101和S104分别获取了基础最优图片和全部邻域最优图片,接着,分别提取全部邻域最优图片和基础最优图片的全局特征。
所述全局特征是指图像的整体属性,常见的全局特征包括颜色特征、纹理特征和形状特征,比如强度直方图等。在设备处理器中,预设全局特征的提取算法,通过所述提取算法来分别得到全部邻域最优图片和基础最优图片的全局特征。每个基础最优图片提取一个全局特征,每个邻域最优图片提取一个全局特征。
S106,获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
提取全部邻域最优图片和基础最优图片的全局特征,以基础最优图片的全局特征为基准,分析比对基础最优图片与各邻域最优图片的全局特征信息,将与基础最优图片的全局特征相匹配的最优图片定义为目标最优图片。可理解的是,“相匹配”是一个概括性的概念。实施时,可以通过预设匹配的相似度数值来分析比对。例如,根据不同的环境拍摄光线,适应性的调整匹配的相似度数值。同一摄像头在阴天或晴天对同一行人进行拍摄,所采集的邻域图片的清晰度可能不同。这样,对应的邻域最优图片、及其全局特征的参数也会出现差异。分析比对时,适应性的调整匹配的相似度数值,以得到预设数量的目标最优图片,为后续的标注步骤提供足够的参考数据。
S107,将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
可选地,根据预设匹配的相似度数值来得到预设数量的目标最优图片,将预设数量的全部目标最优图片对应的轨迹图片标注为目标对象的轨迹图片。
上述本公开实施例提供的标注方法,通过获取目标采集装置内的一组轨迹图片和基础最优图片,并获取目标采集装置的全部邻域装置的邻域图片和邻域最优图片,提取全部邻域最优图片和基础最优图片的全局特征,通过分析比对,从而将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。通过本公开的方案,能够标注不同目标采集装置拍摄的同一目标对象的图片,得到所述目标对象对应的图片集合;实现在对应场景中快速查找目标对象的轨迹;进一步地通过目标最优图片进行目标对象的识别。
根据本公开实施例的一种具体实现方式,如图3所示,所述在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片的步骤,包括:
S301,确定所述目标对象进入目标采集装置的视野范围内的起始时刻;
可选地,所述起始时刻以对应场景下目标对象最可能出现的时间点或者某个指定时间点来具体设置。
S302,确定采集时段,其中,所述采集时段包括在所述起始时刻之前预设时段的第一子时段和所述起始时刻之后预设时段的第二子时段;
S303,在每个邻域装置内查找所述采集时段内的全部邻域轨迹;
S304,获取全部邻域轨迹中的邻域图片。
具体地,以目标对象为行人,起始时刻t0为例阐述此步骤。
指定起始时刻t0为行人进入目标采集装置的视野范围内的时间点,第一子时段为t0-Δt1,第二子时段为t0+Δt2。此行人在t0时刻出现在目标采集装置的视野范围内,那么,所述行人在t0时刻的前段t0-Δt1,以及t0时刻的后段t0+Δt2很可能会出现在所述目标采集装置的邻域装置中。上述步骤S102,根据预设的邻域字典查找目标采集装置的全部邻域装置后,接下来,在每个邻域装置内查找所述采集时间段[t0-Δt1,t0+Δt2]内的全部邻域轨迹,并获取全部邻域轨迹中的邻域图片。本公开实施例中,Δt1=Δt2=60s。当然,在其他实施例中,t0、Δt1、Δt2均可以有不同的设置,不作限定。
根据本公开实施例的一种具体实现方式,所述在每个邻域装置内查找所述采集时段内的全部邻域轨迹的步骤,还包括:
在除了路径邻域装置之外的每个邻域装置内查找所述采集时段的全部邻域轨迹,其中,所述路径邻域装置为所述目标采集装置的全部邻域装置中已经被采集过邻域轨迹的邻域装置。
本公开实施例的标注方法,其目的在于,尽量多且不重复地找出同一行人的图片。因此为了避免重复选择一个行人在同一相机的图片,对上述步骤S303作进一步的路径约束限定。
具体地,再次结合图2详细阐述。假设行人以cam0为当前目标采集装置,以cam0所在的位置为轨迹起点,向cam0、cam3的方向移动。其中cam0的邻域装置有六个:cam1、cam2、cam3、cam4、cam5、cam6;查找时,设定采集时段为T。第一次查找,以cam0为当前目标采集装置,并将cam0存入轨迹库。查找邻域装置cam1~cam6中采集时段T1内的全部邻域轨迹,其中,T1<T。在时间约束范围内,需要在cam0的所有邻域装置cam1~cam6中找到该行人第二次出现的画面。假设在cam3中找到第二次出现的画面,那么在第二次查找时需要以cam3为当前采集装置,查找cam3的邻域装置cam0、cam2、cam4、cam8和cam9,之后,把存入轨迹库的cam0排除在外,所以此时cam3的邻域装置不再包含cam0,因为行人是从cam0移到至cam3的,如果再以cam0为cam3的邻域装置,那么在第二次查找的时候很可能又找到之前找过的画面,形成无限循环,所以需要加入上述的路径约束防止找到重复图片,加快查找的速度。
根据本公开实施例的一种具体实现方式,如图4所示,获取全部邻域轨迹中的邻域图片的步骤,包括:
S401,根据特征字典预设的层级,依次设置邻域装置的设备号父节点、轨迹号父节点和图片号父节点的存储框架;
S402,将同一邻域装置内的所有组邻域轨迹均对应存储于同一个邻域装置的设备号父节点内,且一组轨迹下的全部邻域图片均对应存储于同一个轨迹号父节点内;
S403,根据特征字典的层级依次拉取邻域图片。
具体地,利用行人识别的基础模型对邻域图片提取2048维特征,把特征稀疏到256维并构建一个特征字典以供后续全局特征查询。根据特征字典预设的层级,依次设置“图像采集设备号父节点-轨迹号父节点-图片号父节点”的三层结构,即同一相机下的所有轨迹共用一个图像采集设备号父节点,同一轨迹下的轨迹图片共用一个轨迹号父节点。特征字典以树状图的形式存储邻域图片及其对应的全局特征,这样,能很大程度地提高查询速度。
根据本公开实施例的一种具体实现方式,如图5所示,所述获取每个邻域轨迹的邻域最优图片的步骤,包括:
S501,根据预设的特征提取器分别提取每组邻域轨迹图片中的每个所述邻域图片的全局特征;
具体地,所述预设的特征提取器可以包括:提取器、多个级联的特征提取模块,其中,所述级联的特征提取模块包括卷积层以及全连接层。卷积层用于从输入邻域图片中提取局部特征;所述全连接层连接到相同特征提取模块中的卷积层并且从提取的局部特征中提取邻域图片的全局特征。
S502,将每个所述邻域图片的全局特征与所述邻域轨迹图片中其他全部邻域图片的全局特征分别进行距离求和,并将求和的结果累加,得到每个邻域图片对应的距离总和;
可理解的是,全局特征反映的是邻域图片整体属性。若两个邻域图片的全局特征的距离之和较小,则说明全局特征对应的目标图片的差异较少,也就是,这两个邻域图片的相似度较高,为同一个目标对象的轨迹图片的概率较大。若两个邻域图片的全局特征的距离之和较大,则说明全局特征对应的邻域图片的差异较多,也就是,这两个邻域图片的相似度较低,为同一个目标对象的邻域图片的概率较小。
将当前所述邻域图片的全局特征与所述邻域轨迹中其他全部邻域图片的全局特征分别进行距离求和;若任意两个邻域图片不完全相同,则任意邻域图片的全局特征与邻域轨迹中其他全部邻域图片的距离之和的累加结果也就不完全相同。
S503,将全部所述邻域图片中,距离总和最小值对应的邻域图片确定为所述邻域轨迹中的邻域最优图片。
再次理解全局特征反映的是邻域图片整体属性。若某邻域图片对应的距离总和数值小,则说明此邻域图片与所述邻域轨迹中其他邻域图片的差异整体上较少。也就是,此邻域图片为该组邻域轨迹图片中最有代表性、最能概括当前轨迹的行为状态的邻域最优图片。
根据本公开实施例的一种具体实现方式,如图6所示,所述获取目标采集装置内的一组轨迹图片的步骤,包括:
S601,获取一组轨迹图片,其中,所述轨迹图片包含多个原始图片;
S602,根据预设的目标对象检测算法,去除得分小于预设值的原始图片得到待定图片;
S603,计算每个所述待定图片中目标对象的高度和宽度之比;
S604,去除该组轨迹图片的全部待定图片中目标对象的高度和宽度之比位于预设范围内的待定图片,以得到该组轨迹的基础图片。
本公开实施例中,所述预设范围为小于1或者大于4.5。
以目标对象是行人为例,具体阐述此步骤。
具体地,目标采集装置的邻域装置连续采集行人在移动过程中的轨迹图片,此邻域图片包含多个原始图片。若行人在移动过程中未出现在目标采集装置拍摄范围之内时,目标采集装置所采集的这部分原始图片则不包括行人。
根据预设的目标对象检测算法,去除得分小于预设值的原始图片得到待定图片。所述目标对象检测算法内设置有计算公式和筛选条件,将计算得分小于预设值的原始图片去除。可以理解为,此目标对象检测算法检测原始图片中目标对象的完整度,即用分数来衡量原始图片中目标对象的完整度。本实施例中,所述预设值为0.7。也就是,原始图片中行人的图像完整度低于0.7时去除,得到待定图片。可选地,所述目标对象检测算法在计算时,将行人的某些重要部位设置不同的权重,例如具有识别功能的人脸。当原始图片中行人的图像包含完整的能够识别行人身份的人脸,而其他身体部位未完全进入图像中,则就算原始图片中行人的图像完整度较低,也可能达到预设的分数值,成为待定图片。所述目标对象检测算法、计算公式和筛选条件均可根据不同的场景适应性的设置,不作限定。
进一步地,计算所述待定图片中目标对象的高度和宽度之比;去除该组轨迹图片的全部待定图片中目标对象的高度和宽度之比位于预设范围内的待定图片。通常地,普通行人的身高和身宽之比约为2~3,在此比值之外,例如目标对象的宽度太宽或高度太高的待定图片均属于脏图,需要去除,以得到该组轨迹的基础图片。本公开的实施例中,所述预设范围为小于1或者大于4.5。当然,在其他实施例中,所述预设值可适应性的调整,不作限定。
与上面的方法实施例相对应,参见图7,本公开实施例还提供了一种标注装置70,所述装置包括:
第一获取模块701,用于获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
第一查找模块702,用于根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
第二查找模块703,用于在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
第二获取模块704,用于获取每个邻域轨迹的邻域最优图片;
提取模块,用于提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
第三获取模块705,用于获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
标注模块706,用于将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
图7所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图8,本公开实施例还提供了一种电子设备80,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的标注方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的标注方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的标注方法。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备80的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备80可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备80操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备80与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备80,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,该模块、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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种标注方法,其特征在于,包括:
获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
获取每个邻域轨迹的邻域最优图片;
提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
2.根据权利要求1所述的标注方法,其特征在于,所述在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片的步骤,包括:
确定所述目标对象进入目标采集装置的视野范围内的起始时刻;
确定采集时段,其中,所述采集时段包括在所述起始时刻之前预设时段的第一子时段和所述起始时刻之后预设时段的第二子时段;
在每个邻域装置内查找所述采集时段内的全部邻域轨迹;
获取全部邻域轨迹中的邻域图片。
3.根据权利要求2所述的标注方法,其特征在于,所述在每个邻域装置内查找所述采集时段内的全部邻域轨迹的步骤,包括:
在除了路径邻域装置之外的每个邻域装置内查找所述采集时段的全部邻域轨迹,其中,所述路径邻域装置为所述目标采集装置的全部邻域装置中已经被采集过邻域轨迹的邻域装置。
4.根据权利要求2所述的标注方法,其特征在于,所述获取全部邻域轨迹中的邻域图片的步骤,包括:
根据特征字典预设的层级,依次设置邻域装置的设备号父节点、轨迹号父节点和图片号父节点的存储框架;
将同一邻域装置内的所有组邻域轨迹均对应存储于同一个邻域装置的设备号父节点内,且一组轨迹下的全部邻域图片均对应存储于同一个轨迹号父节点内;
根据特征字典的层级依次拉取邻域图片。
5.根据权利要求1所述的标注方法,其特征在于,所述根据预设的邻域字典查找所述目标采集装置的全部邻域装置的步骤之前,所述方法还包括:
搭建邻域字典存储框架;
在当前目标采集装置的邻近区域布置预设数量的邻域装置;
分别标注当前目标采集装置和邻域装置的识别信息,且将当前图像采集装置的识别信息与所述邻域装置的识别信息对应存储,以形成所述邻域字典。
6.根据权利要求1至5中任一项所述的标注方法,其特征在于,所述获取每个邻域轨迹的邻域最优图片的步骤,包括:
根据预设的特征提取器分别提取每组邻域轨迹图片中的每个所述邻域图片的全局特征;
将每个所述邻域图片的全局特征与所述邻域轨迹图片中其他全部邻域图片的全局特征分别进行距离求和,并将求和的结果累加,得到每个邻域图片对应的距离总和;
将全部所述邻域图片中,距离总和最小值对应的邻域图片确定为所述邻域轨迹中的邻域最优图片。
7.根据权利要求1至5中任一项所述的标注方法,其特征在于,所述获取目标采集装置内的一组轨迹图片的步骤,包括:
获取一组轨迹图片,其中,所述轨迹图片包含多个原始图片;
根据预设的目标对象检测算法,去除得分小于预设值的原始图片得到待定图片;
计算每个所述待定图片中目标对象的高度和宽度之比;
去除该组轨迹图片的全部待定图片中目标对象的高度和宽度之比位于预设范围内的待定图片,以得到该组轨迹的基础图片。
8.一种标注装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标采集装置内的一组轨迹图片,其中,所述轨迹图片包括基础最优图片;
第一查找模块,用于根据预设的邻域字典查找所述目标采集装置的全部邻域装置;
第二查找模块,用于在每个所述邻域装置内分别查找预设时间内的全部邻域轨迹的邻域图片;
第二获取模块,用于获取每个邻域轨迹的邻域最优图片;
提取模块,用于提取全部邻域最优图片的全局特征和基础最优图片的全局特征;
第三获取模块,用于获取全部所述邻域最优图片中,全局特征与所述基础最优图片相匹配的目标最优图片;
标注模块,用于将全部所述目标最优图片对应的轨迹图片标注为所述目标对象的轨迹图片。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的标注方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911004862.0A CN110781797B (zh) | 2019-10-22 | 2019-10-22 | 一种标注方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911004862.0A CN110781797B (zh) | 2019-10-22 | 2019-10-22 | 一种标注方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781797A true CN110781797A (zh) | 2020-02-11 |
CN110781797B CN110781797B (zh) | 2021-04-06 |
Family
ID=69386205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911004862.0A Active CN110781797B (zh) | 2019-10-22 | 2019-10-22 | 一种标注方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781797B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674306A (zh) * | 2021-07-29 | 2021-11-19 | 杭州宇泛智能科技有限公司 | 基于鱼眼镜头的行人轨迹获取方法、***、装置和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123732A (zh) * | 2014-07-14 | 2014-10-29 | 中国科学院信息工程研究所 | 一种基于多摄像头的在线目标跟踪方法及*** |
CN106295594A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种基于动态路径树的跨摄像头目标跟踪方法及装置 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪*** |
CN106887014A (zh) * | 2017-01-13 | 2017-06-23 | 中山大学 | 一种跨摄像头的行人轨迹匹配方法 |
US20180176541A1 (en) * | 2016-12-20 | 2018-06-21 | Gopro, Inc. | Compact array of imaging devices with supplemental imaging unit |
US20180330170A1 (en) * | 2017-05-12 | 2018-11-15 | Canon Kabushiki Kaisha | Information processing apparatus, information processing system, information processing method, and storage medium |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
CN109558831A (zh) * | 2018-11-27 | 2019-04-02 | 成都索贝数码科技股份有限公司 | 一种融合时空模型的跨摄像头行人定位方法 |
-
2019
- 2019-10-22 CN CN201911004862.0A patent/CN110781797B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123732A (zh) * | 2014-07-14 | 2014-10-29 | 中国科学院信息工程研究所 | 一种基于多摄像头的在线目标跟踪方法及*** |
CN106295594A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种基于动态路径树的跨摄像头目标跟踪方法及装置 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪*** |
US20180176541A1 (en) * | 2016-12-20 | 2018-06-21 | Gopro, Inc. | Compact array of imaging devices with supplemental imaging unit |
CN106887014A (zh) * | 2017-01-13 | 2017-06-23 | 中山大学 | 一种跨摄像头的行人轨迹匹配方法 |
US20180330170A1 (en) * | 2017-05-12 | 2018-11-15 | Canon Kabushiki Kaisha | Information processing apparatus, information processing system, information processing method, and storage medium |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
CN109558831A (zh) * | 2018-11-27 | 2019-04-02 | 成都索贝数码科技股份有限公司 | 一种融合时空模型的跨摄像头行人定位方法 |
Non-Patent Citations (3)
Title |
---|
SU JEONG YOU 等: ""A cooperative multi-camera system for tracking a fast moving object"", 《THE 4TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT》 * |
夏天 等: ""基于深度学习和时空约束的跨摄像头行人跟踪"", 《计算机与数字工程》 * |
王先彬 等: ""跨摄像头目标跟踪综述"", 《现代计算机(专业版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674306A (zh) * | 2021-07-29 | 2021-11-19 | 杭州宇泛智能科技有限公司 | 基于鱼眼镜头的行人轨迹获取方法、***、装置和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110781797B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272530B (zh) | 面向空基监视场景的目标跟踪方法与装置 | |
CN109886078B (zh) | 目标对象的检索定位方法和装置 | |
CN111047621B (zh) | 一种目标对象追踪方法、***、设备及可读介质 | |
JP2009003415A (ja) | 地図データ更新方法および装置 | |
CN111160243A (zh) | 客流量统计方法及相关产品 | |
CN101095149A (zh) | 图像比较 | |
CN106663196A (zh) | 视频中的计算机显著人物识别 | |
CN112118395B (zh) | 视频处理方法、终端及计算机可读存储介质 | |
KR101645959B1 (ko) | 복수의 오버헤드 카메라와 사이트 맵에 기반한 객체 추적 장치 및 그 방법 | |
CN111597953A (zh) | 多路图像处理方法、装置及电子设备 | |
CN111310728B (zh) | 基于监控相机和无线定位的行人重识别*** | |
US20220301317A1 (en) | Method and device for constructing object motion trajectory, and computer storage medium | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN109754034A (zh) | 一种基于二维码的终端设备定位方法及装置 | |
CN110645999A (zh) | 导航方法、装置、服务器、终端及存储介质 | |
CN108419112B (zh) | 基于测控航迹信息的流媒体视频编目方法、检索方法及装置 | |
KR20190124436A (ko) | 영상 기반 건물 검색 방법 및 장치 | |
CN112232311A (zh) | 人脸跟踪方法、装置及电子设备 | |
CN111832579A (zh) | 地图兴趣点数据处理方法、装置、电子设备以及可读介质 | |
CN110781797B (zh) | 一种标注方法、装置及电子设备 | |
CN108540817B (zh) | 视频数据处理方法、装置、服务器及计算机可读存储介质 | |
CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
CN112183431A (zh) | 实时行人数量统计方法、装置、相机和服务器 | |
CN111310595A (zh) | 用于生成信息的方法和装置 | |
CN114677627A (zh) | 目标线索寻找方法、装置、设备及介质 |
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 |