CN110795980A - 基于网络视频的逃犯识别方法、设备、存储介质及装置 - Google Patents
基于网络视频的逃犯识别方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110795980A CN110795980A CN201910391648.9A CN201910391648A CN110795980A CN 110795980 A CN110795980 A CN 110795980A CN 201910391648 A CN201910391648 A CN 201910391648A CN 110795980 A CN110795980 A CN 110795980A
- Authority
- CN
- China
- Prior art keywords
- face
- processed
- picture
- escaping
- video
- 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
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
- G06V40/172—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于网络视频的逃犯识别方法、设备、存储介质及装置,该方法包括:对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率,降低识别逃犯的工作量。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于网络视频的逃犯识别方法、设备、存储介质及装置。
背景技术
现有技术中,追寻逃犯的方式比较单一,需要通过巡逻盘查中,警员进行现场拍照收集数据,再对收集的照片数据进行比对分析,收集的照片数量有限,涉及的范围有限,导致很多逃犯不能及时被识别到,警员的工作量大且任务重。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于网络视频的逃犯识别方法、设备、存储介质及装置,旨在解决现有技术中逃犯识别效率低的技术问题。
为实现上述目的,本发明提供一种基于网络视频的逃犯识别方法,所述基于网络视频的逃犯识别方法包括以下步骤:
对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
优选地,所述对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片之前,所述基于网络视频的逃犯识别方法还包括:
监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址;
根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频;
对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
优选地,所述对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频,具体包括:
通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
优选地,所述对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,具体包括:
对待处理人像视频进行抽帧处理,获得帧图片;
绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
优选地,所述将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,具体包括:
对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;
将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;
通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;
通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
优选地,所述通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,具体包括:
通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
优选地,所述根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像之后,所述基于网络视频的逃犯识别方法还包括:
从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像;
获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间;
将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
此外,为实现上述目的,本发明还提出一种基于网络视频的逃犯识别设备,所述基于网络视频的逃犯识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于网络视频的逃犯识别程序,所述基于网络视频的逃犯识别程序配置为实现如上文所述的基于网络视频的逃犯识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于网络视频的逃犯识别程序,所述基于网络视频的逃犯识别程序被处理器执行时实现如上文所述的基于网络视频的逃犯识别方法的步骤。
此外,为实现上述目的,本发明还提出一种基于网络视频的逃犯识别装置,所述基于网络视频的逃犯识别装置包括:
截取模块,用于对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
比对模块,用于将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
选取模块,用于根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
本发明中,通过对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像,降低识别逃犯的工作量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于网络视频的逃犯识别设备的结构示意图;
图2为本发明基于网络视频的逃犯识别方法第一实施例的流程示意图;
图3为本发明基于网络视频的逃犯识别方法第二实施例的流程示意图;
图4为本发明基于网络视频的逃犯识别方法第三实施例的流程示意图;
图5为本发明基于网络视频的逃犯识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于网络视频的逃犯识别设备结构示意图。
如图1所示,该基于网络视频的逃犯识别设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于网络视频的逃犯识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于网络视频的逃犯识别程序。
在图1所示的基于网络视频的逃犯识别设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,并执行本发明实施例提供的基于网络视频的逃犯识别方法。
所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,并执行以下操作:
对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址;
根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频;
对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
对待处理人像视频进行抽帧处理,获得帧图片;
绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;
将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;
通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;
通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
进一步地,所述基于网络视频的逃犯识别设备通过处理器1001调用存储器1005中存储的基于网络视频的逃犯识别程序,还执行以下操作:
从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像;
获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间;
将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
本实施例中,通过对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像,降低识别逃犯的工作量。
基于上述硬件结构,提出本发明基于网络视频的逃犯识别方法的实施例。
参照图2,图2为本发明基于网络视频的逃犯识别方法第一实施例的流程示意图,提出本发明基于网络视频的逃犯识别方法第一实施例。
在第一实施例中,所述基于网络视频的逃犯识别方法包括以下步骤:
步骤S10:对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片。
应理解的是,本实施例的执行主体是所述基于网络视频的逃犯识别设备,所述基于网络视频的逃犯识别设备可以是智能手机、个人电脑、台式电脑或者服务器等电子设备,本实施例对此不加以限制。所述待处理人像视频为包括人脸特征的视频片段。当今社会,互联网视频发展迅速,很多用户都喜欢在网上发布个人的生活信息相关的视频,可通过爬取大量的网络视频,对所述网络视频进行人脸检测,若检测到人脸特征,则将检测到人脸特征的网络视频作为所述待处理人像视频,并对所述待处理人像视频进行分布式存储,可存储至视频库服务器中。若未检测到人脸特征,则将未检测到人脸特征的网络视频进行删除处理。
需要说明的是,为了能够通过所述待处理人像视频中出现的人像进行识别,首先需对所述待处理人像视频进行抽帧处理,帧数就是在1秒钟时间里传输的图片的量,每一帧都是静止的图象,从而获得所述待处理人像视频的多张帧图片,对各所述帧图片进行人脸检测,并绘制各所述帧图片中的脸部位置,对绘制的脸部位置进行截取,获得多张待处理人脸图片,并保存所述待处理人脸图片至图片库,可进行分布式存储,存储至图片库服务器中。本实施例中,所述步骤S10,包括:对待处理人像视频进行抽帧处理,获得帧图片;绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
步骤S20:将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
可理解的是,所述预设在逃人员图片库为公安***中录入的所有在逃人员的在逃人像图片集合,所述预设在逃人员图片库包括所有在逃人员的所述在逃人脸图片。对各所述待处理人脸图片进行特征提取,获得各所述待处理人脸图片对应的待处理人脸特征,对所述预设在逃人员图片库中的各所述在逃人脸图片进行特征提取,获得各所述在逃人脸图片对应的在逃人员人脸特征,通过将所述待处理人脸特征与所述在逃人员人脸特征输入卷积神经网络,输出所述待处理人脸特征与所述在逃人员人脸特征之间的人脸相似度,即获得各所述待处理人脸图片与各所述在逃人脸图片之间的所述人脸相似度。
本实施例中,所述步骤S20,包括:
对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;
将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;
通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;
通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
在具体实现中,对各所述待处理人脸图片进行面部特征点定位,具体可采用基于全局的定位方式(holistic-based methods),基于全局的定位方式采用从粗到精的方式进行,比如形状估计一般开始与初始形状S0,通过T个回归器级联逐步地对形状进行微调,然后获得最终形状,从而定位出面部特征点,获得各所述待处理人脸图片对应的待处理人脸特征点,所述面部特征点通常指的是面部五官的特征点。
可理解的是,所述预设正脸特征点是指对标准的正面人脸进行面部特征点定位所获得,通过将所述待处理人脸特征点与预设正脸特征点进行比较,通过把预设正脸特征点分割成多个非重叠单元,对于每个单元评估局部单应矩阵,获得所述单应性矩阵。为了提高人像相似度评估的准确性,计算所述待处理人脸特征点中相应的可变形单元,通过所述单应性矩阵对所述待处理人脸图片中的可变形单元进行变换,获得所述校准人脸图片。所述预设在逃人员图片库中的各在逃人脸图片通常为正面人脸,则通过卷积神经网络模型对所述校准人脸图片与各所述在逃人脸图片进行比对,提高了比对获得的所述人脸相似度的准确性。
需要说明的是,所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片输入所述卷积神经网络模型中,所述卷积神经网络模型中的卷积层对所述校准人脸图片和各所述在逃人脸图片进行特征提取,并将卷积层的输出作为所述卷积神经网络模型中池化层的输入,通过所述池化层对提取的特征进行降维,常用的有最大池化和平均池化,池化层的输出作为所述卷积神经网络模型中全连接层的输入,所述全连接层为神经网络结构,通常包括512个神经元,所述全连接层的输出再经过预设激活函数,输出的最终结果即各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,所述预设激活函数可以是sigmoid激活函数。本实施例中,所述通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,包括:通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
步骤S30:根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
应理解的是,判断所述人脸相似度是否超过预设相似度阈值,所述预设相似度阈值通常根据经验值进行设置,比如设置为90%,若所述人脸相似度超过所述预设相似度阈值,说明对应的待处理人像图片与所述预设在逃图片库中的在逃人脸图片可能是同一个人,即从所述待处理人像图片中识别出在逃人员,则选取超过所述预设相似度阈值的待处理待处理人像图片作为目标在逃人员图像。
本实施例中,通过对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像,降低识别逃犯的工作量。
参照图3,图3为本发明基于网络视频的逃犯识别方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于网络视频的逃犯识别方法的第二实施例。
在第二实施例中,所述步骤S10之前,还包括:
步骤S01:监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址。
应理解的是,可通过在所述基于网络视频的逃犯识别设备中安装应用程序自动化测试工具和抓包工具,所述自动化测试工具包括浏览器自动化测试框架Selenium等,所述抓包工具包括httpwatch等。通过所述自动化测试工具驱动所述目标应用程序模拟用户的动作,比如滑动及点击等动作。监听所述目标应用程序响应用户动作的请求,所述请求包括http等,通过视频入库脚本对监听到的请求进行解析,获得请求报文段,从所述请求报文段中提取出所述请求地址。
步骤S02:根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频。
可理解的是,所述请求地址中包括目标统一资源定位符(Uniform ResourceLocator,缩写URL),统一资源定位符,对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示,是互联网上标准资源的地址,互联网上的每个文件都有一个唯一的URL,所述目标统一资源定位符包含的信息指出文件的位置以及浏览器应该怎么处理所述文件。根据所述目标统一资源定位符定位到网络视频,通过所述视频入库脚本下载所述网络视频。
步骤S03:对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
在具体实现中,可通过基于快速候选区域的卷积神经网络(faster Regions withconvolutional neural networks features,简写Faster R-CNN)算法对所述网络视频进行人脸检测,所述Faster-RCNN算法中使用的区域搜索策略为区域建议网络RPN,区域建议网络RPN是一个全卷积网络,用来提取高质量的检测区域,RPN可以和整个用于检测的卷积神经网络共享全图的卷积特征。通过对所述网络视频进行抽帧处理,获得帧图片,通过所述Faster-RCNN算法的卷积层对所述帧图片进行特征提取,获得特征图;根据所述特征图通过区域建议网络生成候选区域;根据所述Faster-RCNN算法中的分类网络对所述帧图片进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。本实施例中,所述步骤S03,包括:通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
本实施例中,通过监听目标应用程序的请求,抓取网络视频,对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频,从而扩大了识别逃犯的视频数据收集范围,扩大追寻逃犯的数据范围,让追寻逃犯的效率更高,保护社会的稳定。
参照图4,图4为本发明基于网络视频的逃犯识别方法第三实施例的流程示意图,基于上述图3所示的第二实施例,提出本发明基于网络视频的逃犯识别方法的第三实施例。
在第三实施例中,所述步骤S30之后,还包括:
步骤S40:从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像。
应理解的是,所述目标在逃人员图像为从网络视频中截取的人脸图片,与所述目标在逃人员图像的相似度超过所述预设相似度的所述预设在逃人员图片库中的在逃人脸图片即为所述目标在库人员图像,所述预设在逃人员图片库包括所述目标在库人员图像和对应的身份信息。
步骤S50:获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间。
需要说明的是,从所述网络视频中识别出所述目标在逃人员图像,则需要发送所述目标在逃人员图像相关信息至用户设备,以使警员根据所述目标在逃人员图像相关信息进一步实地追寻目标在逃人员,对所述目标人像视频进行视频分析,获取所述目标人像视频的目标拍摄地址和目标拍摄时间,所述目标拍摄地址为所述目标在逃人员出现的场所地址,可根据所述目标拍摄地址进行实地排查,以追寻到所述目标在逃人员,所述目标拍摄时间为所述目标在逃人员出现在所述目标拍摄地址的时间,利于警员掌握所述目标在逃人员的出行习惯,可根据所述目标拍摄时间进行实地排查,以追寻到所述目标在逃人员。例如,所述目标拍摄地址为A商场,所述目标拍摄时间为上午十一点。
步骤S60:将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
在具体实现中,所述目标用户设备可为警员的智能手机或者台式电脑等电子设备,可通过通信应用程序将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间发送至目标用户设备,以进行告警提示。所述警员可通过所述目标用户设备查看所述告警信息,根据所述告警信息对目标在库人员进行追寻。
本实施例中,将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示,以使警员可通过所述目标用户设备查看所述告警信息,根据所述告警信息对目标在库人员进行追寻,让追寻逃犯的效率更高,保护社会的稳定。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于网络视频的逃犯识别程序,所述基于网络视频的逃犯识别程序被处理器执行时实现如下步骤:
对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址;
根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频;
对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
对待处理人像视频进行抽帧处理,获得帧图片;
绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;
将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;
通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;
通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
进一步地,所述基于网络视频的逃犯识别程序被处理器执行时还实现如下操作:
从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像;
获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间;
将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
本实施例中,通过对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像,降低识别逃犯的工作量。
此外,参照图5,本发明实施例还提出一种基于网络视频的逃犯识别装置,所述基于网络视频的逃犯识别装置包括:
截取模块10,用于对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片。
应理解的是,本实施例的执行主体是所述基于网络视频的逃犯识别设备,所述基于网络视频的逃犯识别设备可以是智能手机、个人电脑、台式电脑或者服务器等电子设备,本实施例对此不加以限制。所述待处理人像视频为包括人脸特征的视频片段。当今社会,互联网视频发展迅速,很多用户都喜欢在网上发布个人的生活信息相关的视频,可通过爬取大量的网络视频,对所述网络视频进行人脸检测,若检测到人脸特征,则将检测到人脸特征的网络视频作为所述待处理人像视频,并对所述待处理人像视频进行分布式存储,可存储至视频库服务器中。若未检测到人脸特征,则将未检测到人脸特征的网络视频进行删除处理。
需要说明的是,为了能够通过所述待处理人像视频中出现的人像进行识别,首先需对所述待处理人像视频进行抽帧处理,帧数就是在1秒钟时间里传输的图片的量,每一帧都是静止的图象,从而获得所述待处理人像视频的多张帧图片,对各所述帧图片进行人脸检测,并绘制各所述帧图片中的脸部位置,对绘制的脸部位置进行截取,获得多张待处理人脸图片,并保存所述待处理人脸图片至图片库,可进行分布式存储,存储至图片库服务器中。本实施例中,所述截取模块10,还用于对待处理人像视频进行抽帧处理,获得帧图片;绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
比对模块20,用于将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
可理解的是,所述预设在逃人员图片库为公安***中录入的所有在逃人员的在逃人像图片集合,所述预设在逃人员图片库包括所有在逃人员的所述在逃人脸图片。对各所述待处理人脸图片进行特征提取,获得各所述待处理人脸图片对应的待处理人脸特征,对所述预设在逃人员图片库中的各所述在逃人脸图片进行特征提取,获得各所述在逃人脸图片对应的在逃人员人脸特征,通过将所述待处理人脸特征与所述在逃人员人脸特征输入卷积神经网络,输出所述待处理人脸特征与所述在逃人员人脸特征之间的人脸相似度,即获得各所述待处理人脸图片与各所述在逃人脸图片之间的所述人脸相似度。
本实施例中,所述比对模块20,还用于对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
在具体实现中,对各所述待处理人脸图片进行面部特征点定位,具体可采用基于全局的定位方式(holistic-based methods),基于全局的定位方式采用从粗到精的方式进行,比如形状估计一般开始与初始形状S0,通过T个回归器级联逐步地对形状进行微调,然后获得最终形状,从而定位出面部特征点,获得各所述待处理人脸图片对应的待处理人脸特征点,所述面部特征点通常指的是面部五官的特征点。
可理解的是,所述预设正脸特征点是指对标准的正面人脸进行面部特征点定位所获得,通过将所述待处理人脸特征点与预设正脸特征点进行比较,通过把预设正脸特征点分割成多个非重叠单元,对于每个单元评估局部单应矩阵,获得所述单应性矩阵。为了提高人像相似度评估的准确性,计算所述待处理人脸特征点中相应的可变形单元,通过所述单应性矩阵对所述待处理人脸图片中的可变形单元进行变换,获得所述校准人脸图片。所述预设在逃人员图片库中的各在逃人脸图片通常为正面人脸,则通过卷积神经网络模型对所述校准人脸图片与各所述在逃人脸图片进行比对,提高了比对获得的所述人脸相似度的准确性。
需要说明的是,所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片输入所述卷积神经网络模型中,所述卷积神经网络模型中的卷积层对所述校准人脸图片和各所述在逃人脸图片进行特征提取,并将卷积层的输出作为所述卷积神经网络模型中池化层的输入,通过所述池化层对提取的特征进行降维,常用的有最大池化和平均池化,池化层的输出作为所述卷积神经网络模型中全连接层的输入,所述全连接层为神经网络结构,通常包括512个神经元,所述全连接层的输出再经过预设激活函数,输出的最终结果即各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,所述预设激活函数可以是sigmoid激活函数。本实施例中,所述比对模块20,还用于通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
选取模块30,用于根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
应理解的是,判断所述人脸相似度是否超过预设相似度阈值,所述预设相似度阈值通常根据经验值进行设置,比如设置为90%,若所述人脸相似度超过所述预设相似度阈值,说明对应的待处理人像图片与所述预设在逃图片库中的在逃人脸图片可能是同一个人,即从所述待处理人像图片中识别出在逃人员,则选取超过所述预设相似度阈值的待处理待处理人像图片作为目标在逃人员图像。
本实施例中,通过对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,基于人工智能,通过对视频与预设在逃人员图片库中的各在逃人脸图片进行比对,从而提高识别逃犯的准确度和效率;根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像,降低识别逃犯的工作量。
在一实施例中,所述基于网络视频的逃犯识别装置还包括:
解析模块,用于监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址;
下载模块,用于根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频;
检测模块,用于对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
在一实施例中,所述检测模块,还用于通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
在一实施例中,所述基于网络视频的逃犯识别装置还包括:
获取模块,用于从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像;获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间;
发送模块,用于将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
本发明所述基于网络视频的逃犯识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***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过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
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(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于网络视频的逃犯识别方法,其特征在于,所述基于网络视频的逃犯识别方法包括以下步骤:
对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
2.如权利要求1所述的基于网络视频的逃犯识别方法,其特征在于,所述对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片之前,所述基于网络视频的逃犯识别方法还包括:
监听目标应用程序的请求,通过视频入库脚本对监听到的请求进行解析,获得请求地址;
根据所述请求地址提取目标统一资源定位符,根据所述目标统一资源定位符通过所述视频入库脚本下载网络视频;
对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
3.如权利要求2所述的基于网络视频的逃犯识别方法,其特征在于,所述对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频,具体包括:
通过基于快速候选区域的卷积神经网络Faster R-CNN算法对所述网络视频进行人脸检测,若检测到的所述网络视频包括人脸特征,则将包括所述人脸特征的网络视频作为待处理人像视频。
4.如权利要求1所述的基于网络视频的逃犯识别方法,其特征在于,所述对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片,具体包括:
对待处理人像视频进行抽帧处理,获得帧图片;
绘制所述帧图片中的脸部位置,对所述脸部位置进行截取,获得多张待处理人脸图片。
5.如权利要求1所述的基于网络视频的逃犯识别方法,其特征在于,所述将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,具体包括:
对各所述待处理人脸图片进行面部特征点定位,获得各所述待处理人脸图片对应的待处理人脸特征点;
将所述待处理人脸特征点与预设正脸特征点进行比较,获得单应性矩阵;
通过所述单应性矩阵对所述待处理人脸图片中的人脸进行变换,获得校准人脸图片;
通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
6.如权利要求5所述的基于网络视频的逃犯识别方法,其特征在于,所述通过卷积神经网络模型对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度,具体包括:
通过卷积神经网络模型的卷积层、池化层、全连接层和预设激活函数对所述校准人脸图片和预设在逃人员图片库中的各在逃人脸图片进行比对,获得所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度。
7.如权利要求1-6中任一项所述的基于网络视频的逃犯识别方法,其特征在于,所述根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像之后,所述基于网络视频的逃犯识别方法还包括:
从预设在逃人员图片库中获取与所述目标在逃人员图像对应的目标在库人员图像;
获取所述目标在逃人员图像对应的目标人像视频,并获取所述目标人像视频的目标拍摄地址和目标拍摄时间;
将所述目标在逃人员图像、所述目标在库人员图像、所述目标拍摄地址和所述目标拍摄时间作为告警信息,并发送所述告警信息至目标用户设备,以进行告警提示。
8.一种基于网络视频的逃犯识别设备,其特征在于,所述基于网络视频的逃犯识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于网络视频的逃犯识别程序,所述基于网络视频的逃犯识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于网络视频的逃犯识别方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于网络视频的逃犯识别程序,所述基于网络视频的逃犯识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于网络视频的逃犯识别方法的步骤。
10.一种基于网络视频的逃犯识别装置,其特征在于,所述基于网络视频的逃犯识别装置包括:
截取模块,用于对待处理人像视频进行人脸图片截取,获得多张待处理人脸图片;
比对模块,用于将各所述待处理人脸图片与预设在逃人员图片库中的各在逃人脸图片进行比对,获得各所述待处理人脸图片与各所述在逃人脸图片之间的人脸相似度;
选取模块,用于根据所述人脸相似度从各所述待处理人脸图片中选取目标在逃人员图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391648.9A CN110795980A (zh) | 2019-05-10 | 2019-05-10 | 基于网络视频的逃犯识别方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391648.9A CN110795980A (zh) | 2019-05-10 | 2019-05-10 | 基于网络视频的逃犯识别方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110795980A true CN110795980A (zh) | 2020-02-14 |
Family
ID=69426953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910391648.9A Pending CN110795980A (zh) | 2019-05-10 | 2019-05-10 | 基于网络视频的逃犯识别方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795980A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444849A (zh) * | 2020-03-27 | 2020-07-24 | 上海依图网络科技有限公司 | 人员识别方法、装置、电子设备、及计算机可读存储介质 |
CN112101216A (zh) * | 2020-09-15 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN113361366A (zh) * | 2021-05-27 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸标注方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426549A (zh) * | 2015-12-29 | 2016-03-23 | 北京金山安全软件有限公司 | 一种读取网页资源的方法、装置及电子设备 |
CN108197565A (zh) * | 2017-12-29 | 2018-06-22 | 深圳英飞拓科技股份有限公司 | 基于人脸识别的目标寻踪方法及*** |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
-
2019
- 2019-05-10 CN CN201910391648.9A patent/CN110795980A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426549A (zh) * | 2015-12-29 | 2016-03-23 | 北京金山安全软件有限公司 | 一种读取网页资源的方法、装置及电子设备 |
CN108197565A (zh) * | 2017-12-29 | 2018-06-22 | 深圳英飞拓科技股份有限公司 | 基于人脸识别的目标寻踪方法及*** |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444849A (zh) * | 2020-03-27 | 2020-07-24 | 上海依图网络科技有限公司 | 人员识别方法、装置、电子设备、及计算机可读存储介质 |
CN111444849B (zh) * | 2020-03-27 | 2024-02-27 | 上海依图网络科技有限公司 | 人员识别方法、装置、电子设备、及计算机可读存储介质 |
CN112101216A (zh) * | 2020-09-15 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN113361366A (zh) * | 2021-05-27 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸标注方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110431560B (zh) | 目标人物的搜索方法和装置、设备和介质 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
US8463025B2 (en) | Distributed artificial intelligence services on a cell phone | |
WO2019033525A1 (zh) | Au特征识别方法、装置及存储介质 | |
US20180232904A1 (en) | Detection of Risky Objects in Image Frames | |
JP2022526382A (ja) | 行動分析方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN108491866B (zh) | ***鉴定方法、电子装置及可读存储介质 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
US9633272B2 (en) | Real time object scanning using a mobile phone and cloud-based visual search engine | |
CN111104841A (zh) | 暴力行为检测方法及*** | |
CN111539338A (zh) | 行人口罩佩戴管控方法、装置、设备及计算机存储介质 | |
CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
KR102104397B1 (ko) | 유해물 관리 방법, 이를 실행하는 컴퓨팅 장치 및 컴퓨터 프로그램 | |
WO2023165616A1 (zh) | 图像模型隐蔽后门的检测方法及***、存储介质、终端 | |
CN113568934B (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN115240203A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
EP3570207B1 (en) | Video cookies | |
CN108268778B (zh) | 数据处理方法、装置及存储介质 | |
Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
Shahab et al. | Android application for presence recognition based on face and geofencing | |
JP7120590B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN115223022A (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN113362069A (zh) | 风控模型的动态调整方法、装置、设备及可读存储介质 | |
CN112241671B (zh) | 一种人员身份识别方法、装置及*** |
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 |