CN111191506A - 人员流量统计方法、装置、计算机设备和存储介质 - Google Patents
人员流量统计方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111191506A CN111191506A CN201911173178.5A CN201911173178A CN111191506A CN 111191506 A CN111191506 A CN 111191506A CN 201911173178 A CN201911173178 A CN 201911173178A CN 111191506 A CN111191506 A CN 111191506A
- Authority
- CN
- China
- Prior art keywords
- face image
- image
- face
- target
- personnel
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人员流量统计方法、***、计算机设备和存储介质。方法包括:获取统计区域在统计时段内拍摄的第一人脸图像;将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;将相似度符合条件的一个第二人脸图像确定为目标人脸图像;识别目标人脸图像中的目标人员,根据目标人员所对应的人员标识进行人员通行次数的统计;根据不同人员标识所对应的人员通行次数,确定统计区域在所述统计时段的人员流量。采用本方法能够满足对不重复人员的入园次数的统计需求。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种人员流量统计法、装置、计算机设备和存储介质。
背景技术
随着安全意识地提升,越来越多地园区需要对园区内某个时段的人员流量进行统计,从而根据人员流量确定安防布局策略,为园区人员提供更安全的环境和更优质的服务。
传统的人员流量统计方式主要是通过安装在园区入口处的摄像探头对一段时间内的入园人员进行图像拍摄,再对所拍摄的待识别图像进行人头检测,根据检测到的人头数量统计得到人员流量。然而这种统计方式只能统计得到一段时间内进入园区的总人数,难以满足对不重复人员的入园次数的统计需求。
发明内容
基于此,有必要针对目前难以满足对不重复人员的入园次数的统计需求的技术问题,提供一种人员流量统计方法、装置、计算机可读存储介质和计算机设备。
一种人员流量统计方法,所述方法包括:
获取统计区域在统计时段内拍摄的第一人脸图像;
将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
在其中一个实施例中,所述获取统计区域在统计时段内拍摄的第一人脸图像包括:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
计算所述现场图像的质量评分;
将质量评分最高的现场图像作为第一人脸图像。
在其中一个实施例中,所述获取统计区域在统计时段内拍摄的第一人脸图像包括:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
获取每帧现场图像的面部特征信息;
根据所述每帧现场图像的面部特征信息,计算所述多于一帧的现场图像的平均面部特征信息,并将所述平均面部特征信息确定为所述第一人脸图像的面部特征信息;
所述将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
将所述第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
在其中一个实施例中,所述将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
获取第一人脸图像的面部特征信息;
将所述第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;
将所述第一人脸图像的面部特征信息与所述聚类簇中的面部特征信息进行相似度匹配。
在其中一个实施例中,所述将相似度符合条件的一个第二人脸图像确定为目标人脸图像包括:
从所述第二人脸图像中筛选出相似度大于阈值的相似图像;
当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
在其中一个实施例中,所述方法还包括:
当所述第二人脸图像中不存在相似度大于阈值的相似图像,将所述第一人脸图像添加至所述人脸库,并识别所述第一人脸图像中的目标人员;
根据所述目标人员所对应的面部特征信息创建对应的人员标识;
根据所述创建的人员标识进行人员通行次数的统计。
在其中一个实施例中,所述将所述相似度符合筛选条件的一个第二人脸图像确定为目标人脸图像包括:
从所述第二人脸图像中筛选出相似度大于阈值的相似图像;
基于所述第一人脸图像以及相似图像构建相应的目标图像确认任务;
将所述目标图像确认任务发送至终端;所述目标图像确认任务用于根据终端用户的选择操作确定所述相似图像中是否具有目标人脸图像;
接收终端返回的基于所述目标图像确认任务的确认结果,并根据所述确认结果从所述相似图像中筛选出目标人脸图像。
一种人员流量统计装置,所述装置包括:
第一人脸图像确定模块,用于获取统计区域在统计时段内拍摄的第一人脸图像;
目标人脸图像确定模块,用于将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
人员流量统计模块,用于识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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以下步骤:
获取统计区域在统计时段内拍摄的第一人脸图像;
将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取统计区域在统计时段内拍摄的第一人脸图像;
将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
上述人员流量统计方法、装置、计算机设备和存储介质,由于目标人脸图像是根据第一人脸图像与第二人脸图像的相似度匹配结果确定的,因此在当人脸库中存在目标人员图像时,通过直接将目标人脸图像所对应的人员标识的人员通行次数加1,来实现对不同人员标识所对应的人员通行次数的统计。
附图说明
图1为一个实施例中人员流量统计方法的应用场景图;
图2为一个实施例中人员流量统计方法的流程示意图;
图3为一个实施例中终端显示界面示意图;
图4为另一个实施例中人员流量统计方法的流程示意图;
图5为一个实施例中人员流量统计装置的结构框图;
图6为另一个实施例中人员流量统计装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的人员流量统计方法,可以应用于如图1所示的应用环境中。参照图1,该人员流量统计方法应用于人员流量统计***。该人员流量***包括图像采集设备110和服务器120。图像采集设备110与服务器120通过网络连接。图像采集设备110可以将采集到的第一人脸图像发送至服务器120,服务器120采用上述人员流量统计方法对第一人脸图像进行处理,得到统计区域在统计时段的人员流量。图像采集设备110可以是摄像头、摄像机、相机或其他具有图像采集功能的设备,如手机、平板电脑等。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。容易理解地,人员流量统计方法不仅可以在服务器120完成还可以在终端完成。
在一个实施例中,如图2所示,提供了一种人员流量统计方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取统计区域在统计时段内拍摄的第一人脸图像。
其中,统计区域是指需要对进出人员的流量进行统计的区域,具体可以为园区入口区域。统计时段是指需要对统计区域的人员流量进行统计的时间区间。第一人脸图像是指基于架设在统计区域附近的图像采集设备采集得到的一帧与目标人员对应的人脸图像。目标人员是指在统计时段内进入统计区域的不重复的自然人。
具体地,图像采集设备在当前统计子时段按照预设时间频率实时采集现实场景,并将采集得到的全部现场图像发送至服务器,以使服务器进行人员流量统计。统计时段的时间长度可以按需求自由设定,比如1天,统计时段可以划分为多个统计子时段,统计子时段的时间区间长度过长会使得目标人员可能在统计子时段多次进入统计区域;统计子时段过短会使得图像采集设备在相邻两个统计子时段内均针对同一目标人员的同一次通行操作进行拍摄,从而最终导致重复统计目标人员的通行次数。因此统计子时段的时间区间长度需合理设计,使得同一目标人员在单个统计子时段内尽可能只经过统计区域一次,比如可以以8:00(am)为基准,每隔5分钟对统计时段进行划分,得到多个统计子时段。在每个统计子时段结束时,服务器基于该统计子时段采集的现场图像刷新人员通行次数。
服务器获取图像采集设备发送的在统计子时段内采集的全部现场图像,并提取全部现场图像中目标人员的人员特征信息,根据人员特征信息对全部现场图像进行分类,得到不同类别的现场图像。其中,相同类别的现场图像是指针对同一目标人员所拍摄的多张图像帧,即相同类别的现场图像中具有同一目标人员的人脸图像;人员特征信息可以反映出人员的性别、人员衣着颜色、人员发型、人员配饰等其中一种或多种特征信息。比如,A为佩戴有某种特殊配饰的入园人员,服务器根据人员特征信息,从接收到的全部现场图像中筛选出具有相同配饰的现场图像,并将基于配饰信息筛选出的现场图像作为针对A采集的现场图像;又比如,服务器根据现场图像中的人员发型特征,将多张人脸图像进行分类,得到不同目标人员的不同现场图像。
服务器依次遍历每一类现场图像,并从同一类现场图像中筛选出人脸朝向为正向的正向现场图像。服务器计算正向现场图像中人脸的面积占比,并将人脸面积占比最大的正向现场图像作为该类别的第一人脸图像。比如,服务器将现场图像分为A与B两种类型,服务器分别获取A与B两种类型中的人脸面积占比最大的正向现场图像,并将从A类型的现场图像中获取得到的人脸面积占比最大的正向现场图像作为与A目标人员对应的第一人脸图像,将从B类型的现场图像中获取得到的人脸面积占比最大的正向现场图像作为与B目标人员对应的第一人脸图像。
在一个实施例中,图像采集设备在采集到图像帧后,可检测该图像帧中是否存在人脸,若存在人脸,则获取该图像帧作为现场图像并发送至服务器。
在一个实施例中,服务器优先基于易于辨别的人员特征信息对全部现场图像进行分类,得到不同目标人员的不同现场图像。比如服务器优先基于人员衣着颜色、人员发型特征对全部现场图像进行分类。
通过优先基于易分辨的人员特征对现场图像进行分类,不仅可以提升分类的效率,而且可以节约服务器在进行图像分类时所耗费的资源。
在一个实施例中,当采集的现场图像中具有多张人脸时,服务器确定各张人脸在现场图像中所占的面积大小,并将面积占比最大的人脸作为目标人员。服务器提取目标人员的人员特征信息,并根据人员特征信息对现场图像进行分类。
在一个实施例中,服务器获取针对同一目标人员拍摄的现场图像,并确定每张现场图像的采集时间以及人脸在相应现场图像中的位置坐标。服务器从针对同一目标人员拍摄的多张现场图像中筛选出采集时间相邻且位置坐标的差异小于第一阈值的图像帧,并从筛选出的图像帧中选取正向现场图像,从而基于正向现场图像中的人脸面积占比确定第一人脸图像。
从时间(采集时间)和空间(位置坐标)两个维度判断不同人脸图像是否具有位置变化连续性,可以提高对可判定为同一目标人员的现场图像的判定结果的置信程度,从而提升人员通行次数统计的准确性。
S204,将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配。
其中,人脸库中存放有在统计时段被统计到的首次出现在统计区域的人员的面部特征信息。
具体地,当服务器获取得到目标人员的第一人脸图像后,服务器将第一人脸图像输入至预设的特征识别模型中。特征识别模型根据输入的图像信息确定第一人脸图像中的面部特征点,并识别面部特征点的具体坐标,之后根据面部特征点的具体坐标确定对应的面部特征信息。比如,特征识别模型可以根据眼角的具体坐标确定眼部宽度,从而将眼部宽度作为第一人脸的面部特征信息。其中,面部特征信息为反映人员面部特征的数据,面部特征信息可以反映出人员的鼻子、嘴以及各个脸部器官之间的距离等其中的一种或多种特征信息。
当服务器确定第一人脸的面部特征信息后,服务器将第一人脸的面部特征信息分别与人脸库中的面部特征信息进行相似度匹配,从而确定第一人脸图像与人脸库中的人脸图像的相似度。
在一个实施例中,服务器判断人脸库中是否具有面部特征信息,当人脸库中不存在面部特征信息时,服务器将第一人脸图像的面部特征信息存放于人脸库中,并将第一人脸图像所对应的目标人员的通行次数设置为1。
在一个实施例中,特征识别模型可以基于神经网络训练而成。人员流量统计***的开发人员通过预先收集大量的人脸图像,并对收集的人脸图像进行手工标注面部特征点,之后将标注了面部特征点的人脸图像送入服务器,以使服务器根据已经标注了面部特征点的人脸图像进行模型训练,最终得到特征识别模型。
通过神经网络对特征识别模型进行训练,能够有效提高面部特征信息的可靠性,从而提升相似度匹配的准确性。
在一个实施例中,服务器截取第一人脸图像中人脸区域,并将人脸区域输入特征识别模型,以使特征识别模型基于人脸区域确定面部特征信息。
通过对应截取人脸区域,使得特征识别模型所识别的图像信息更为纯粹,从而可以减少由于背景区域的干扰而降低面部特征信息识别的准确性的概率。
S206,将相似度符合条件的一个第二人脸图像确定为目标人脸图像。
具体地,服务器获取预设的一系列数值不同的相似度阈值,将多个相似度阈值按升序排列,并将按升序排列后的相似度阈值依次存储于阈值列表中,其中,将数值最小的相似度阈值存储于阈值列表第一位,将数值最大的相似度阈值存储于阈值列表最后一位。为了便于描述,下述将位于阈值列表第一位的相似度阈值称为第一阈值,将位于第二位的相似度阈值称为第二阈值,将位于第n位的相似度阈值称为第n阈值。
当服务器将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配之后,服务器从阈值列表中提取第一阈值,并从第二人脸图像中筛选出相似度大于第一阈值的相似图像,之后服务器统计筛选出的相似图像的图像数量,当图像数量大于1时,服务器获取第二阈值,并从相似图像中再次筛选出相似度大于第二阈值的相似图像,服务器统计相似度大于第二阈值的相似图像的图像数量,当图像数量依旧大于1时,服务器获取第三阈值,并基于第三阈值对相似图像进行筛选,直至筛选出的相似图像的图像数量小于或等于1。
当基于当前顺序的筛选操作筛选出的相似图像的图像数量等于1时,可以认为最终筛选出的相似图像与第一人脸图像均为针对同一人员所采集的图像帧,此时服务器将最终筛选出的一帧相似图像作为目标人脸图像;当基于当前顺序的筛选操作筛选出的相似图像小于1时,服务器获取基于前一顺序的筛选操作筛选出的相似图像,并将基于前一顺序的筛选操作筛选出的多张相似图像中相似度最大的图像帧作为目标人脸图像。
在一个实施例中,人员流量***的开发人员可以预先收集多张同一人员在不同时刻的人脸图像,并将采集得到的多张人脸图像传入服务器。服务器从多张人脸图像中选择一张人脸图像作为基准图像,并计算基准图像与其余人脸图像之间的相似度。服务器将计算得到的多个相似度进行叠加,得到相似度总和,基于相似度总和以及传入服务器的人脸图像的数量,计算平均相似度,之后,服务器将平均相似度作为第一阈值,并按照固定增量,依次得到第二阈值、第三阈值,直至相似度为100%,比如第一阈值为90%,固定增量为1%,则第二阈值为91%,第三阈值为92%。
在一个实施例中,当目标人员有多个时,服务器将与多个目标人员对应的多个平均相似度进行叠加,并将叠加后的平均相似度总和除以目标人员数量,从而得到第一阈值。
基于平均相似度得到第一阈值,可以提高对可判定为目标人脸图像的判定结果的置信程度,从而提升人员通行次数统计的准确性。
S208,识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计。
其中,人员标识是能够唯一标识一个人脸特征的信息,如编号、对人脸特征进行哈希运算得到的哈希值等。通行次数是指自然人在统计时段内进入统计区域的次数,比如在统计时段内通过园区入口处进入园区的次数。
具体地,同一人员可能在不同统计时段多次出现在统计区域,从而同一人员标识可能会被统计到多次。当服务器在统计时段内统计到首次出现在统计区域中的目标人员时,服务器创建目标人员的人员标识,将与新创建的人员标识对应的通行次数设置为1,并将人员标识与通行次数对应存储于统计表中。其中,统计表为存储人员标识以及对应的通行次数的存储空间。
当服务器确定目标人脸图像后,可以认为与目标人脸图像对应的目标人员不是首次出现在统计区域,此时服务器根据预设的人员标识生成规则,确定与目标图像对应的目标人员的人员标识,并查看统计表中是否存在与目标人员标识相同的人员标识,当统计表中存在与目标人员标识相同的人员标识时,服务器获取目标人员标识的通行次数,并将通行次数加1。
S210,根据不同人员标识所对应的人员通行次数,确定统计区域在统计时段的人员流量。
具体地,服务器获取统计时段的结束时间与当前统计子时段的结束时间,并判断当前统计子时段的结束时间是否等于统计时段的结束时间,当等于时,可以认为此时图像采集器已经将在统计时段内采集的现场图像全部发送至服务器,此时服务器判断是否已经基于当前统计子时段上报的第一人脸图像完成通行次数的统计刷新。其中,若预先确定了多个起始时间和结束时间均确定的统计子时段,则将图像采集器正在发送现场图像的时间片段所属的统计子时段称为当前统计子时段。
在已经基于当前统计子时段上报的第一人脸图像完成人员通行次数的统计时,服务器获取统计表,并根据统计表中存储的人员标识与通行次数的对应关系确定统计区域在统计时段的人员流量。
在一个实施例中,服务器可以将各人员标识所对应的通行次数进行叠加,得到在统计时段内,进入统计区域的人次。其中将统计区域内一个自然人从进入到离开记作一人次。
在一个实施例中,服务器获取在统计时段内通行次数大于阈值的人员标识,并将与人员标识对应的人员确定为常住人员。服务器获取统计表中不重复人员标识的数量,将常住人员数量除以不重复人员标识的数量,得到常住人员占比,从而根据常住人员占比确定对应的安防策略。
在一个实施例中,当服务器完成对统计区域在当前时段的人员流量统计时,服务器将统计表备份发送至云端,以便后续对统计表进行处理。
上述人员流量统计方法中,基于采集到的第一人脸图像,可以将人脸图像与人脸库中的第二人脸图像进行相似度匹配;通过相似度匹配,可以从人脸库中筛选出一个符合条件的且与第一人脸最为相似的目标人脸图像,从而在一定置信程度上能够认为目标人脸图像与第一人脸图像均为针对同一人员所采集的图像帧;通过识别目标人脸图像中的,可以基于目标人员的人员标识进行人员通行次数的统计,从而在统计结束时,可以根据不同人员标识所对应的人员通行次数,确定统计区域在统计时段的人员流量。由于目标人脸图像是根据第一人脸图像与第二人脸图像的相似度匹配结果确定的,因此在当人脸库中存在目标人员图像时,通过直接将目标人脸图像所对应的人员标识的人员通行次数加1,来实现对不同人员标识所对应的人员通行次数的统计。
在一个实施例中,获取统计区域在统计时段内拍摄的第一人脸图像包括:获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;计算现场图像的质量评分;将质量评分最高的现场图像作为第一人脸图像。
其中,质量评分是指现场图像中的人脸在清晰度、人脸朝向、人脸遮挡程度、是否闭眼、是否张嘴中一项或多项指标的平均值。清晰度是指现场图像中人脸区域所对应的像素值,像素值越大人脸越清晰。人脸朝向是指人脸相对于图像采集设备的采集方向的偏角,偏角越小,人脸图像中的人脸越趋向于正脸图像。
具体地,图像采集设备会以预设的采集频率针对同一人员拍摄多于一帧的现场图像,并将采集得到的现场图像发送至服务器。当服务器获取得到在统计子时段内针对同一人员拍摄的多于一帧的现场图像时,服务器根据预设的人脸质量评估策略分别对每帧现场图像进行质量评分,并将质量评分最高的现场图像作为目标人员的第一人脸图像。
在另一个实施例中,人员流量统计***的开发人员可以预先基于各人脸质量评估项的重要程度对多项指标进行权重设置,从而服务器可以基于设置好的权重对现场图像的质量进行评估。
在另一个实施例中,当服务器得到在统计子时段内针对同一人员拍摄的多于一帧的现场图像时,服务器判断每帧现场图像的清晰度是否大于清晰度阈值,人脸遮挡面积的占比是否大于面积阈值,人脸相对于图像采集设备的采集方向的偏角是否大于偏角阈值,当人脸图像的清晰度小于清晰度阈值或人脸遮挡面积的占比大于面积阈值或人脸偏转的角度大于偏角阈值时,服务器将对应现场图像删除,并基于删除后的现场图像进行质量评分。通过预先删除不符合要求的现场图像,可以减少进行质量评分的图像数量,不仅节约服务器在进行质量评分时所耗费的资源,而且还可以提升质量评分的效率。
本实施例中,通过对现场图像进行质量评分,将质量评分最高的现场图像作为第一人脸图像,从而可以减少低质量的现场图像对人员流量统计结果的影响。
在一个实施例中,获取统计区域在统计时段内拍摄的第一人脸图像包括:获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;获取每帧现场图像的面部特征信息;根据每帧现场图像的面部特征信息,计算多于一帧的现场图像的平均面部特征信息,并将平均面部特征信息确定为第一人脸图像的面部特征信息;将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:将第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
具体地,当服务器接收到图像采集设备上传的在统计自时段内采集的现场图像时,服务器根据现场图像中的人员特征信息对现场图像进行分类,得到在统计子时段内针对同一人员拍摄的多帧现场图像。服务器分别将多帧现场图像输入至预设的特征识别模型中,得到各现场图像的面部特征信息。服务器将相应面部特征点所对应的面部特征信息进行叠加,并处以现场图像的数量,得到平均面部特征信息。比如,当面部特征信息为人上嘴唇与下嘴唇之间的宽度值时,服务器将多帧现场图像中的嘴唇宽度值进行叠加,并除以现场图像的数量,得到目标人员的平均嘴唇宽度值。
服务器将平均面部特征信息作为第一人脸的面部特征信息,并将第一人脸的面部特征信息与第二人脸的面部特征信息进行相似度对比,从而得到对比结果。
本实施例中,将平均面部特征信息作为第一人脸图像的面部特征信息,使得第一人脸的面部特征更为准确,从而能够减少具有偏差的面部特征信息对匹配结果的影响。
在一个实施例中,将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:获取第一人脸图像的面部特征信息;将第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;将第一人脸图像的面部特征信息与聚类簇中的面部特征信息进行相似度匹配。
其中,聚类簇为一组相似数据的集合,比如聚类簇可以为相似人脸的面部特征信息。
具体地,服务器将第一人脸图像输入特征识别模型中,并根据特征识别模型确定第一人脸图像的面部特征信息,之后,服务器将第一人脸的面部特征信息与人脸库中的面部特征信息进行聚类处理。其中,对面部特征信息进行聚类处理所使用的算法可以为K-means聚类算法、chinese-whisper算法等,在此不做限定。以chinese-whisper算法为例进行说明,服务器将每个人脸的面部特征信息作为一个节点,并将每个节点作为一个类别,计算不同节点之间的相似度。当不同节点之间的相似度大于预设阈值时,服务器将两个节点相连接,形成关联边,并将相连两个节点之间的相似度作为关联边的权重。服务器随机选取一个节点i,并在相邻节点中选取权重最大的关联边,得到与关联边相连接的节点j,此时服务器将节点i归为j类。服务器遍历全部节点,直至全部节点均聚类完毕。
服务器确定第一人脸图像所处的聚类簇,并判断聚类簇中存放的面部特征信息的数量,当聚类簇中具有至少两个人员的面部特征信息时,服务器将第一人脸图像的面部特征信息与聚类簇中除第一人脸图像的面部特征信息之外的面部特征信息进行相似度计算。
本实施例中,通过首先从人脸库中筛选与第一人脸图像较为相似的人脸图像,再将第一人脸图像与筛选出的较为相似的图像进行相似度计算,可以减少进行相似度计算的图像数量,从而提升相似度对比的效率。
在一个实施例中,将相似度符合条件的一个第二人脸图像确定为目标人脸图像包括:从第二人脸图像中筛选出相似度大于阈值的相似图像;当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
具体地,当服务器将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配之后,服务器从第二人脸图像中筛选出相似度大于阈值的相似图像,之后服务器统计筛选出的相似图像的图像数量,当图像数量大于1时,服务器将相似度最大的第二人脸图像确定为目标人脸图像;当图像数量等于1时,服务器将从第二人脸图像中筛选出的图像作为目标人脸图像;当图像数量小于1时,可以认为第一人脸图像所指向的人员的面部特征信息还未添加至人脸库中,此时,服务器将第一人脸图像以及第一人脸图像的面部特征信息添加至人脸库中。其中,阈值可以按需求自由设定,如90%,阈值设置过高,会增加错失筛选出目标人脸图像的概率,阈值设置过低,会导致筛选出的人脸图像与第一人脸图像不为针对同一人员所采集的图像帧,因此需合理设置。
本实施例中,当具有两帧或两帧以上的相似图像时,通过将相似度最大的第二人脸图像确定为目标人脸图像,可以增加目标图像与第一人脸图像均为同一人员的人脸图像的置信度,从而增加人员流量统计结果的准确性。
在一个实施例中,上述人员流量统计方法还包括:当第二人脸图像中不存在相似度大于阈值的相似图像,将第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;根据目标人员所对应的面部特征信息创建对应的人员标识;根据创建的人员标识进行人员通行次数的统计。
具体地,当人脸库中不存在相似度大于阈值的相似图像时,服务器将第一人脸图像以及第一人脸图像的面部特征信息添加至人脸库中,并根据第一人脸图像的面部特征信息生成对应的人员标识。比如将面部特征信息进行哈希运算,得到与第一人脸图像对应的目标人员的人员标识。之后,服务器将与第一人脸图像对应的目标人员的通行次数设置为1,将新创建的人员标识与通行次数对应存储于统计表中。
在另一个实施例中,当服务器获取到第一人脸的面部特征信息后,服务器可以从互联网中查找与面部特征信息相关联的如职业、籍贯等身份信息,并将身份信息、人员标识与通行次数对应存储,以便后续统计区域管理人员能够根据目标人员的身份信息以及通行次数选择对应的管理策略。
本实施例中,当人脸库中不存在第一人脸图像的面部特征信息时,通过将首次出现的第一人脸的面部特征信息添加至人脸库,使得后续当在统计时段内再次接收到第一人脸图像中的目标人员的人脸图像时,可以在当前通行次数的基础上对应增加通行次数。
在一个实施例中,将相似度符合筛选条件的一个第二人脸图像确定为目标人脸图像包括:从第二人脸图像中筛选出相似度大于阈值的相似图像;基于第一人脸图像以及相似图像构建相应的目标图像确认任务;将目标图像确认任务发送至终端;目标图像确认任务用于根据终端用户的选择操作确定相似图像中是否具有目标人脸图像;接收终端返回的基于目标图像确认任务的确认结果,并根据所述确认结果从所述相似图像中筛选出目标人脸图像。
具体地,当服务器将第一人脸图像的面部特征信息与第二人脸图像的面部特征信息进行相似度对比,并从第二人脸图像中筛选出相似度大于阈值的相似图像时,服务器根据筛选得到的相似图像以及第一人脸图像生成目标图像确认任务,并将目标图像确认任务发送至终端。终端从目标图像确认任务中提取出相似图像以及目标图像,并在如图3所示的显示界面对应展示提取出的图像帧。图3为一个实施例中终端显示界面示意图。
终端用户如统计区域管理人员可以在显示界面中选择与第一人脸图像最为相似的人脸图像,从而终端可以根据用户的选择操作为对应的人脸图像设置特定的标签,如可以为用户选择的人脸图像设置目标图像字样的标签。之后,终端将人脸图像以及标签进行打包返回至服务器。
服务器接收终端返回的人脸图像,从返回的人脸图像中筛选出具有特定标签的图像帧,并将具有特定标签的图像帧确定为目标人脸图像。
在另一个实施例中,终端可以至显示界面对应展示相似图像的相似度,从而可以辅助终端用户可以进行目标人脸图像的判断。
在另一个实施例中,上述人员流量统计方法还包括:当确认结果明确相似图像中不具有目标图像时,将第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;根据目标人员所对应的面部特征信息创建对应的人员标识;根据创建的人员标识进行人员通行次数的统计。
具体地,当从终端返回的人脸图像中不具有添加了特定标识的图像帧时,可以认为相似图像中不具有目标人脸图像,此时服务器将第一人脸图像以及第一人脸图像的面部特征信息添加至人脸库中,并根据第一人脸图像的面部特征信息生成对应的人员标识,之后服务器将与第一人脸图像对应的目标人员的通行次数设置为1,并存储新创建的人员标识与通行次数于统计表中。
当人脸库中不存在第一人脸图像的面部特征信息时,通过将首次出现的第一人脸的面部特征信息添加至人脸库,使得后续当在统计时段内再次接收到第一人脸图像中的目标人员的人脸图像时,可以在当前通行次数的基础上对应增加通行次数。
本实施例中,由于相似度算法具有一定的准确性,在当人脸库中具有相似人脸时,通过以人工标注的方式确定目标人脸图像,可以提升目标人脸图像的置信度,从而后续能够在确定选择出的图像帧为真实的目标人脸图像时,再对相应人员进行通行次数的统计。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了便于理解,图4提供了另一种人员流量统计方法的流程示意图,如图4所示,当服务器获取到第一人脸图像后,服务器将第一人脸图像与人脸库中的第二人脸图像进行相似度对比,当人脸库中不存在相似度大于阈值的相似图像时,服务器将第一人脸图像添加至人脸库中,并将第一人脸图像确定为目标人脸图像;当人脸库中具有相似度大于阈值的相似图像时,服务器判断相似图像的数量,若相似图像的数量只为1时,服务器将唯一的一张相似图像确定为目标人脸图像;若相似图像的数量不为1时,服务器将相似度最大的相似图像确定为目标人脸图像。之后服务器识别相似人脸图像中的目标人员,并根据目标人员的人员标识进行人员通行次数的统计。服务器判断是否到达统计时段的结束时间,若已到达统计时段的结束时间,服务器根据不同人员标识对应的人员通行次数确定人员流量,若还未到达结束时间,服务器继续接收第一人脸图像。
在一个实施例中,如图5所示,提供了一种人员流量统计装置500,包括:第一人脸图像确定模块502、目标人脸图像确定模块504和流量统计模块506,其中:
第一人脸图像确定模块502,用于获取统计区域在统计时段内拍摄的第一人脸图像。
目标人脸图像确定模块504,用于将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;将相似度符合条件的一个第二人脸图像确定为目标人脸图像。
人员流量统计模块506,用于识别目标人脸图像中的目标人员,根据目标人员所对应的人员标识进行人员通行次数的统计;根据不同人员标识所对应的人员通行次数,确定统计区域在统计时段的人员流量。
在一个实施例中,如图6所示,上述第一人脸图像确定模块502还包括质量评分模块5021,用于获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;计算现场图像的质量评分;将质量评分最高的现场图像作为第一人脸图像。
在一个实施例中,上述第一人脸图像确定模块502还包括平均特征信息确定模块5022,用于获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;获取每帧现场图像的面部特征信息;根据每帧现场图像的面部特征信息,计算多于一帧的现场图像的平均面部特征信息,并将平均面部特征信息确定为第一人脸图像的面部特征信息;将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:将第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
在一个实施例中,目标人脸图像确定模块504还用于获取第一人脸图像的面部特征信息;将第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;将所述第一人脸图像的面部特征信息与所述聚类簇中的面部特征信息进行相似度匹配。
在一个实施例中,目标人脸图像确定模块504还包括最大相似度获取模块5041,用于从所述第二人脸图像中筛选出相似度大于阈值的相似图像;当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
在一个实施例中,最大相似度获取模块5041还用于当所述第二人脸图像中不存在相似度大于阈值的相似图像,将第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;根据目标人员所对应的面部特征信息创建对应的人员标识;根据创建的人员标识进行人员通行次数的统计。
在一个实施例中,目标人脸图像确定模块504还包括任务构建模块5042,用于从第二人脸图像中筛选出相似度大于阈值的相似图像;基于第一人脸图像以及相似图像构建相应的目标图像确认任务;将目标图像确认任务发送至终端;目标图像确认任务用于根据终端用户的选择操作确定相似图像中是否具有目标人脸图像;接收终端返回的基于目标图像确认任务的确认结果,并根据确认结果从相似图像中筛选出目标人脸图像。
在一个实施例中,任务构建模块5042还用于当确认结果明确相似图像中不具有目标图像时,将第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;根据目标人员所对应的面部特征信息创建对应的人员标识;根据创建的人员标识进行人员通行次数的统计。
关于人员流量统计装置的具体限定可以参见上文中对于人员流量统计方法的限定,在此不再赘述。上述人员流量统计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储人员通行次数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人员流量统计方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取统计区域在统计时段内拍摄的第一人脸图像;
将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别目标人脸图像中的目标人员,根据目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定统计区域在统计时段的人员流量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
计算现场图像的质量评分;
将质量评分最高的现场图像作为第一人脸图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
获取每帧现场图像的面部特征信息;
根据每帧现场图像的面部特征信息,计算多于一帧的现场图像的平均面部特征信息,并将平均面部特征信息确定为第一人脸图像的面部特征信息;
将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
将第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取第一人脸图像的面部特征信息;
将第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;
将第一人脸图像的面部特征信息与聚类簇中的面部特征信息进行相似度匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从第二人脸图像中筛选出相似度大于阈值的相似图像;
当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第二人脸图像中不存在相似度大于阈值的相似图像,将第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;
根据目标人员所对应的面部特征信息创建对应的人员标识;
根据创建的人员标识进行人员通行次数的统计。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从第二人脸图像中筛选出相似度大于阈值的相似图像;
基于第一人脸图像以及相似图像构建相应的目标图像确认任务;
将目标图像确认任务发送至终端;目标图像确认任务用于根据终端用户的选择操作确定相似图像中是否具有目标人脸图像;
接收终端返回的基于目标图像确认任务的确认结果,并根据确认结果从相似图像中筛选出目标人脸图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取统计区域在统计时段内拍摄的第一人脸图像;
将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别目标人脸图像中的目标人员,根据目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定统计区域在所述统计时段的人员流量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
计算现场图像的质量评分;
将质量评分最高的现场图像作为第一人脸图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤;
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
获取每帧现场图像的面部特征信息;
根据每帧现场图像的面部特征信息,计算多于一帧的现场图像的平均面部特征信息,并将平均面部特征信息确定为第一人脸图像的面部特征信息;
将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
将第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取第一人脸图像的面部特征信息;
将第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;
将第一人脸图像的面部特征信息与聚类簇中的面部特征信息进行相似度匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从第二人脸图像中筛选出相似度大于阈值的相似图像;
当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第二人脸图像中不存在相似度大于阈值的相似图像,将所述第一人脸图像添加至人脸库,并识别第一人脸图像中的目标人员;
根据目标人员所对应的面部特征信息创建对应的人员标识;
根据创建的人员标识进行人员通行次数的统计。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从第二人脸图像中筛选出相似度大于阈值的相似图像;
基于第一人脸图像以及相似图像构建相应的目标图像确认任务;
将目标图像确认任务发送至终端;目标图像确认任务用于根据终端用户的选择操作确定相似图像中是否具有目标人脸图像;
接收终端返回的基于目标图像确认任务的确认结果,并根据确认结果从相似图像中筛选出目标人脸图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人员流量统计方法,所述方法包括:
获取统计区域在统计时段内拍摄的第一人脸图像;
将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;
将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;
根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
2.根据权利要求1所述的方法,其特征在于,所述获取统计区域在统计时段内拍摄的第一人脸图像包括:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
计算所述现场图像的质量评分;
将质量评分最高的现场图像作为第一人脸图像。
3.根据权利要求1所述的方法,其特征在于,所述获取统计区域在统计时段内拍摄的第一人脸图像包括:
获取统计区域在统计时段内针对同一人员拍摄的多于一帧的现场图像;
获取每帧现场图像的面部特征信息;
根据所述每帧现场图像的面部特征信息,计算所述多于一帧的现场图像的平均面部特征信息,并将所述平均面部特征信息确定为所述第一人脸图像的面部特征信息;
所述将第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
将所述第一人脸图像的面部特征信息与人脸库中的面部特征信息进行相似度匹配。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配包括:
获取第一人脸图像的面部特征信息;
将所述第一人脸图像的面部特征信息与人脸数据库中的面部特征信息聚类,得到与第一人脸图像同类别的聚类簇;
将所述第一人脸图像的面部特征信息与所述聚类簇中的面部特征信息进行相似度匹配。
5.根据权利要求1所述的方法,其特征在于,所述将相似度符合条件的一个第二人脸图像确定为目标人脸图像包括:
从所述第二人脸图像中筛选出相似度大于阈值的相似图像;
当具有两帧或两帧以上的相似图像时,将相似度最大的第二人脸图像确定为目标人脸图像。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
当所述第二人脸图像中不存在相似度大于阈值的相似图像,将所述第一人脸图像添加至所述人脸库,并识别所述第一人脸图像中的目标人员;
根据所述目标人员所对应的面部特征信息创建对应的人员标识;
根据所述创建的人员标识进行人员通行次数的统计。
7.根据权利要求1所述的方法,其特征在于,所述将所述相似度符合筛选条件的一个第二人脸图像确定为目标人脸图像包括:
从所述第二人脸图像中筛选出相似度大于阈值的相似图像;
基于所述第一人脸图像以及相似图像构建相应的目标图像确认任务;
将所述目标图像确认任务发送至终端;所述目标图像确认任务用于根据终端用户的选择操作确定所述相似图像中是否具有目标人脸图像;
接收终端返回的基于所述目标图像确认任务的确认结果,并根据所述确认结果从所述相似图像中筛选出目标人脸图像。
8.一种人员流量统计装置,其特征在于,所述装置包括:
第一人脸图像确定模块,用于获取统计区域在统计时段内拍摄的第一人脸图像;
目标人脸图像确定模块,用于将所述第一人脸图像与人脸库中的第二人脸图像进行相似度匹配;将相似度符合条件的一个第二人脸图像确定为目标人脸图像;
人员流量统计模块,用于识别所述目标人脸图像中的目标人员,根据所述目标人员所对应的人员标识进行人员通行次数的统计;根据不同人员标识所对应的人员通行次数,确定所述统计区域在所述统计时段的人员流量。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173178.5A CN111191506A (zh) | 2019-11-26 | 2019-11-26 | 人员流量统计方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173178.5A CN111191506A (zh) | 2019-11-26 | 2019-11-26 | 人员流量统计方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191506A true CN111191506A (zh) | 2020-05-22 |
Family
ID=70710958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173178.5A Pending CN111191506A (zh) | 2019-11-26 | 2019-11-26 | 人员流量统计方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191506A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597854A (zh) * | 2020-12-15 | 2021-04-02 | 重庆电子工程职业学院 | 无配合式人脸识别***及方法 |
CN112597880A (zh) * | 2020-12-21 | 2021-04-02 | 杭州海康威视***技术有限公司 | 客流批次识别方法、装置、计算机设备及可读存储介质 |
CN112835954A (zh) * | 2021-01-26 | 2021-05-25 | 浙江大华技术股份有限公司 | 一种确定目标服务对象的方法和装置及设备 |
CN113887541A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种应用于公司管理的多区域员工数量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570465A (zh) * | 2016-10-31 | 2017-04-19 | 深圳云天励飞技术有限公司 | 一种基于图像识别的人流量统计方法及装置 |
CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 人员流量统计方法、装置和计算机设备 |
-
2019
- 2019-11-26 CN CN201911173178.5A patent/CN111191506A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570465A (zh) * | 2016-10-31 | 2017-04-19 | 深圳云天励飞技术有限公司 | 一种基于图像识别的人流量统计方法及装置 |
CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 人员流量统计方法、装置和计算机设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597854A (zh) * | 2020-12-15 | 2021-04-02 | 重庆电子工程职业学院 | 无配合式人脸识别***及方法 |
CN112597880A (zh) * | 2020-12-21 | 2021-04-02 | 杭州海康威视***技术有限公司 | 客流批次识别方法、装置、计算机设备及可读存储介质 |
CN112597880B (zh) * | 2020-12-21 | 2024-03-08 | 杭州海康威视***技术有限公司 | 客流批次识别方法、装置、计算机设备及可读存储介质 |
CN112835954A (zh) * | 2021-01-26 | 2021-05-25 | 浙江大华技术股份有限公司 | 一种确定目标服务对象的方法和装置及设备 |
CN112835954B (zh) * | 2021-01-26 | 2023-05-23 | 浙江大华技术股份有限公司 | 一种确定目标服务对象的方法和装置及设备 |
CN113887541A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种应用于公司管理的多区域员工数量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191506A (zh) | 人员流量统计方法、装置、计算机设备和存储介质 | |
CN110334569B (zh) | 客流量进出识别方法、装置、设备及存储介质 | |
CN109644255B (zh) | 标注包括一组帧的视频流的方法和装置 | |
CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
US20210382933A1 (en) | Method and device for archive application, and storage medium | |
CN114491148B (zh) | 目标人员搜索方法、装置、计算机设备及存储介质 | |
CN111161206A (zh) | 一种图像抓拍方法、监控相机及监控*** | |
CN110691202A (zh) | 视频剪辑方法、装置及计算机存储介质 | |
CN110889314B (zh) | 图像处理方法、装置、电子设备、服务器及*** | |
CN109961031A (zh) | 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及*** | |
CN111429476B (zh) | 确定目标人物行动轨迹的方法和装置 | |
CN111241928A (zh) | 人脸识别底库优化方法、***、设备、可读存储介质 | |
CN111159476B (zh) | 目标对象的搜索方法、装置、计算机设备及存储介质 | |
CN110334568B (zh) | 轨迹生成与监控方法、装置、设备及存储介质 | |
CN110175553B (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
CN109359689B (zh) | 一种数据识别方法及装置 | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN110968719B (zh) | 一种人脸聚类方法及装置 | |
CN116612498A (zh) | 一种鸟类识别模型训练方法、鸟类识别方法、装置及设备 | |
WO2022134916A1 (zh) | 身份特征生成方法、设备及存储介质 | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN115909583A (zh) | 智慧通行处理***、方法及电子设备 | |
CN113158953B (zh) | 一种人员查找方法、装置、设备及介质 | |
CN111062294B (zh) | 一种客流排队时间的检测方法、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 |