CN111563479B - 同行人去重方法、团伙分析方法、装置及电子设备 - Google Patents
同行人去重方法、团伙分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111563479B CN111563479B CN202010455227.0A CN202010455227A CN111563479B CN 111563479 B CN111563479 B CN 111563479B CN 202010455227 A CN202010455227 A CN 202010455227A CN 111563479 B CN111563479 B CN 111563479B
- Authority
- CN
- China
- Prior art keywords
- person
- time
- snapshot
- image
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000012806 monitoring device Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了同行人去重方法、团伙分析方法、装置及电子设备,包括:获取包括第一人的人脸的图像;根据该图像获取包括第一人的人脸的图像类;根据图像类中每张图像的抓拍时间和抓拍摄像头确定第一人的轨迹,第一人的轨迹包括至少一个轨迹点;根据该轨迹确定第一人的同行人;在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定第二人与第一人在第一轨迹点同行一次,第二人为同行人中的任一人,第一轨迹点为该至少一个轨迹点中的任一轨迹点。本发明实施例,可以提高同行次数的准确性。
Description
技术领域
本发明涉及计算机技术领域,具体涉及同行人去重方法、团伙分析方法、装置及电子设备。
背景技术
随着电子技术的不断发展,监控摄像头的使用场合越来越多。随着人脸识别技术的不断发展,可以通过人脸识别对监控摄像头抓拍的图像或视频进行分析得到一个人的轨迹,基于这个人的轨迹可以确定这个人的同行人,以及确定同行人中每个同行人的同行次数。目前,确定同行人中每个同行人的同行次数的方法为:将同行人在这个人的轨迹中出现的次数确定为同行人的同行次数。上述方法中,确定的同行人的同行次数较高,以致降低了同行次数的准确性。
发明内容
本发明实施例提供同行人去重方法、团伙分析方法及相关装置,用于提高提高同行人次数的准确性。
第一方面提供一种同行人去重方法,包括:获取包括第一人的人脸的图像;根据所述图像获取包括所述第一人的人脸的图像类;根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹,所述第一人的轨迹包括至少一个轨迹点;根据所述轨迹确定所述第一人的同行人;在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定所述第二人与所述第一人在所述第一轨迹点同行一次,所述第二人为所述同行人中的任一人,所述第一轨迹点为所述至少一个轨迹点中的任一轨迹点。
本发明实施例中,在同行人与目标人在目标人的轨迹中的一个轨迹点,不管同行人出现了多少次,都认为同行人与目标人在这个轨迹点同行了一次,可以避免对短时间内同一人的多次抓拍进行多次统计导致同行次数过高的情况,从而可以提高同行次数的准确性。
作为一种可能的实施方式,所述根据所述图像获取包括所述第一人的人脸的图像类包括:从所述图像中提取所述人脸的人脸特征;确定所述人脸特征的标签;根据标签与图像类的对应关系获取所述标签对应的图像类,得到包括所述第一人的人脸的图像类。
本发明实施例中,由于预先将包括同一人的人脸的图像聚类为一个图像类,为人脸特征标记了标签,建立了这个图像类与相应的人脸特征的标签的对应关系,因此,可以通过人脸特征快速地查找到对应的图像类,从而可以提高同行人去重效率。
作为一种可能的实施方式,所述根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹包括:获取所述图像类中每张图像的抓拍时间和抓拍摄像头;将所述图像类中的图像按照所述抓拍摄像头进行分类,得到M类图像,M为所述抓拍摄像头的数量;在所述M类图像中当前类图像包括一张图像的情况下,确定第一抓拍摄像头和第一时间段为所述第一人的一个轨迹点,所述第一抓拍摄像头为所述当前类图像对应的抓拍摄像头,所述第一时间段为第一抓拍时间前阈值时间与所述第一抓拍时间后阈值时间之间的时间段,所述第一抓拍时间为所述一张图像的抓拍时间;根据所述第一人的轨迹点确定所述第一人的轨迹。
本发明实施例中,在确定目标人的轨迹时,在图像类中图像的抓拍摄像头不同的情况下,不需要考虑抓拍时间之间的时间间隔。
作为一种可能的实施方式,在所述当前类图像包括两张图像的情况下,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,所述第二抓拍时间为所述两张图像中一张图像的抓拍时间,所述第三抓拍时间为所述两张图像中另一张图像的抓拍时间;在所述第一时间间隔大于阈值的情况下,确定所述第一抓拍摄像头和第二时间段为所述第一人的一个轨迹点,以及所述第一抓拍摄像头和第三时间段为所述第一人的另一个轨迹点,所述第二时间段为所述第二抓拍时间前阈值时间与所述第二抓拍时间后阈值时间之间的时间段,所述第三时间段为所述第三抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段;在所述第一时间间隔不大于所述阈值的情况下,确定所述第一抓拍摄像头和第四时间段为所述第一人的一个轨迹点,所述第四时间段为所述第二抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段,所述第二抓拍时间早于所述第三抓拍时间。
本发明实施例中,在确定目标人的轨迹时,在同一摄像头抓拍的两张图像的抓拍时间之间的时间间隔较大的情况下,可以根据这两张图像的抓拍时间分别确定目标人的两个轨迹点,可以避免将抓拍时间相差较远的同一摄像头抓拍的图像确定为同一轨迹点抓拍的图像,进一步可以避免同一摄像头的两张抓拍时间相差较远的图像中同一人在同一轨迹点进行统计导致同行次数较低的情况,从而可以进一步提高同行次数的准确性。在同一摄像头抓拍的两张图像的抓拍时间之间的时间间隔较小的情况下,可以根据这两张图像的抓拍时间确定目标人的一个轨迹点,可以避免位置相同的不同轨迹点在时间上的重合,即可以避免一个摄像头在一个抓拍时间抓拍的图像被同时确定为另一个轨迹点抓拍的图像,也即可以避免将短时间内同一摄像头(即同一位置)抓拍的目标人的多张抓拍图像确定为多个轨迹点抓拍的图像,进一步可以避免对同一图像中的同一人在不同轨迹点进行重复统计导致同行次数较高的情况,从而可以进一步提高同行次数的准确性。
作为一种可能的实施方式,在所述当前类图像包括N张图像的情况下,将所述N张图像的抓拍时间按照时间先后顺序进行排序,得到排序表,N为大于或等于3的整数;计算所述排序表中相邻两个抓拍时间之间的时间间隔;按照所述时间间隔将N个抓拍时间划分为K组抓拍时间,K为小于或等于N的整数,所述K组抓拍时间中任意两组抓拍时间之间的时间间隔大于所述阈值;根据所述K组抓拍时间确定所述第一人的K个轨迹点。
本发明实施例中,在确定目标人的轨迹时,在同一摄像头抓拍的多张图像的多个抓拍时间中每个抓拍时间与相邻抓拍时间之间的时间间隔较小的情况下,可以根据这多个抓拍时间确定目标人的一个轨迹点,可以避免位置相同的不同轨迹点在时间上的重合,即可以避免一个摄像头在一个抓拍时间抓拍的图像被同时确定为不同轨迹点抓拍的图像,也即可以避免将短时间内同一摄像头(即同一位置)抓拍的目标人的多张抓拍图像确定为多个轨迹点抓拍的图像,进一步可以避免对同一图像中的同一人在不同轨迹点进行重复统计导致同行次数较高的情况,从而可以进一步提高同行次数的准确性。
作为一种可能的实施方式,所述根据所述轨迹确定所述第一人的同行人包括:将所述轨迹中所有轨迹点抓拍的图像中除所述第一人之外的人确定为所述第一人的同行人。
作为一种可能的实施方式,所述方法还包括:确定所述同行人中每个同行人与所述第一人的同行次数。
第二方面提供一种团伙分析方法,包括:确定第一人的同行人中每个同行人与所述第一人的同行次数,所述同行次数根据上面所提供的方法确定;将所述同行人按照所述同行次数从高到低的顺序进行排序得到第一排序表,或者将所述同行人按照所述同行次数从低到高的顺序进行排序得到第二排序表;将所述第一排序表中排序在前面的L个人确定为所述第一人的团伙,或者将所述第二排序表中排序在后面的L个人确定为所述第一人的团伙,L为大于1的整数。
本发明实施例中,在统计同行人与目标人的同行次数的时候,在目标人的轨迹中的一个轨迹点,不管同行人出现了多少次,都认为同行人与目标人在这个轨迹点同行了一次,可以避免对短时间内同一人的多次抓拍进行多次统计导致同行次数过高的情况,从而可以提高同行次数的准确性,进一步可以提高团伙分析的准确性。
第三方面提供一种同行人去重装置,包括:第一获取单元,用于获取包括第一人的人脸的图像;第二获取单元,用于根据所述图像获取包括所述第一人的人脸的图像类;第一确定单元,用于根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹,所述第一人的轨迹包括至少一个轨迹点;第二确定单元,用于根据所述轨迹确定所述第一人的同行人;第三确定单元,用于在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定所述第二人与所述第一人在所述第一轨迹点同行一次,所述第二人为所述同行人中的任一人,所述第一轨迹点为所述至少一个轨迹点中的任一轨迹点。
作为一种可能的实施方式,所述第二获取单元具体用于:从所述图像中提取所述人脸的人脸特征;确定所述人脸特征的标签;根据标签与图像类的对应关系获取所述标签对应的图像类,得到包括所述第一人的人脸的图像类。
作为一种可能的实施方式,所述第一确定单元具体用于:获取所述图像类中每张图像的抓拍时间和抓拍摄像头;将所述图像类中的图像按照所述抓拍摄像头进行分类,得到M类图像,M为所述抓拍摄像头的数量;在所述M类图像中当前类图像包括一张图像的情况下,确定第一抓拍摄像头和第一时间段为所述第一人的一个轨迹点,所述第一抓拍摄像头为所述当前类图像对应的抓拍摄像头,所述第一时间段为第一抓拍时间前阈值时间与所述第一抓拍时间后阈值时间之间的时间段,所述第一抓拍时间为所述一张图像的抓拍时间;根据所述第一人的轨迹点确定所述第一人的轨迹。
作为一种可能的实施方式,所述第一确定单元具体还用于:在所述当前类图像包括两张图像的情况下,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,所述第二抓拍时间为所述两张图像中一张图像的抓拍时间,所述第三抓拍时间为所述两张图像中另一张图像的抓拍时间;在所述第一时间间隔大于阈值的情况下,确定所述第一抓拍摄像头和第二时间段为所述第一人的一个轨迹点,以及所述第一抓拍摄像头和第三时间段为所述第一人的另一个轨迹点,所述第二时间段为所述第二抓拍时间前阈值时间与所述第二抓拍时间后阈值时间之间的时间段,所述第三时间段为所述第三抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段;在所述第一时间间隔不大于所述阈值的情况下,确定所述第一抓拍摄像头和第四时间段为所述第一人的一个轨迹点,所述第四时间段为所述第二抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段,所述第二抓拍时间早于所述第三抓拍时间。
作为一种可能的实施方式,所述第一确定单元具体还用于:在所述当前类图像包括N张图像的情况下,将所述N张图像的抓拍时间按照时间先后顺序进行排序,得到排序表,N为大于或等于3的整数;计算所述排序表中相邻两个抓拍时间之间的时间间隔;按照所述时间间隔将N个抓拍时间划分为K组抓拍时间,K为小于或等于N的整数,所述K组抓拍时间中任意两组抓拍时间之间的时间间隔大于所述阈值;根据所述K组抓拍时间确定所述第一人的K个轨迹点。
作为一种可能的实施方式,所述第二确定单元,具体用于将所述轨迹中所有轨迹点抓拍的图像中除所述第一人之外的人确定为所述第一人的同行人。
作为一种可能的实施方式,所述装置还包括:第四确定单元,用于确定所述同行人中每个同行人与所述第一人的同行次数。
第四方面提供一种团伙分析装置,包括:第一确定单元,用于确定第一人的同行人中每个同行人与所述第一人的同行次数,所述同行次数根据上面所提供的方法确定;排序单元,用于将所述同行人按照所述同行次数从高到低的顺序进行排序得到第一排序表,或者将所述同行人按照所述同行次数从低到高的顺序进行排序得到第二排序表;第二确定单元,用于将所述第一排序表中排序在前面的L个人确定为所述第一人的团伙,或者将所述第二排序表中排序在后面的L个人确定为所述第一人的团伙,L为大于1的整数。
第五方面提供一种电子设备,包括处理器和存储器,存储器用于存储计算机程序,处理器用于调用存储器存储的计算机程序执行如第一方面或第一方面中任一种可能的实施方式提供的同行人去重方法。
第六方面提供一种电子设备,包括处理器和存储器,存储器用于存储计算机程序,处理器用于调用存储器存储的计算机程序执行如第二方面提供的团伙分析方法。
第七方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序代码,该程序代码当被处理器执行时使该处理器执行第一方面或第一方面中任一种可能的实施方式提供的同行人去重方法。
第八方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序代码,该程序代码当被处理器执行时使该处理器执行第二方面提供的团伙分析方法。
第九方面提供一种应用程序,该应用程序用于在运行时执行第一方面或第一方面中任一种可能的实施方式提供的同行人去重方法。
第十方面提供一种应用程序,该应用程序用于在运行时执行第二方面提供的团伙分析方法。
附图说明
图1是本发明实施例提供的一种网络架构示意图;
图2是本发明实施例提供的一种同行人去重方法的流程示意图;
图3是本发明实施例提供的一种轨迹确定方法的流程示意图;
图4是本发明实施例提供的一种轨迹点确定的示意图;
图5是本发明实施例提供的一种按照时间间隔将六个抓拍时间划分为三组抓拍时间的示意图;
图6是本发明实施例提供的一种团伙分析方法的流程示意图;
图7是本发明实施例提供的一种同行人去重装置的结构示意图;
图8是本发明实施例提供的一种团伙分析装置的结构示意图;
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
本发明实施例提供同行人去重方法、团伙分析方法、装置及电子设备,用于提高同行人次数的准确性。以下分别进行详细说明。
为了更好地对本发明实施例提供的同行人去重方法、团伙分析方法、装置及电子设备进行理解,下面先对本发明实施例使用的网络架构进行描述。请参阅图1,图1是本发明实施例提供的一种网络架构示意图。如图1所示,该网络架构可以包括摄像头101、解析服务器102和处理设备103。摄像头101,用于实时地或周期性地采集图像。摄像头101可以为监控设备中的摄像头,监控设备可以向解析服务器102发送摄像头101采集的图像,可以是监控设备实时地或周期性地主动向解析服务器102发送摄像头101采集的图像,也可以是监控设备接收到来自解析服务器102的用于获取图像的信息之后,向解析服务器102发送摄像头101采集的图像。摄像头101也可以为相机,在相机没有通信功能的情况下,可以通过相机的存储卡将采集的图像上传到解析服务器102。摄像头101还可以为手机等设备中的摄像头。
解析服务器102,用于为静态库中的人脸特征标记标签,从摄像头101采集的图像中提取人脸的人脸特征,根据人脸特征在多维空间的分布用聚类算法将聚合在一起的人脸特征进行聚合分类得到多个图像类,将多个图像类中每个图像类对应的人脸特征与静态库中的人脸特征进行比对,建立比对结果符合置信标准的图像类与静态库里的人脸特征对应的标签之间的对应关系。标签可以为人脸特征对应的人的姓名、序号等。
处理设备103,用于获取包括一个人的人脸的图像,根据该图像从解析服务器102获取包括这个人的人脸的图像类,根据图像类确定这个人的同行人以及同行人中每个同行人与这个人的同行次数。
其中,处理设备103为具有图像处理能力和计算能力的设备,如基于私有云部署的服务器、边缘设备等。
基于图1所示的网络架构,请参阅图2,图2是本发明实施例提供的一种同行人去重方法的流程示意图。其中,该同行人去重方法是从处理设备103的角度描述的。如图2所示,该同行人去重方法可以包括以下步骤。
201、获取包括第一人的人脸的图像。
在需要确定第一人的同行人以及同行人中每个同行人与第一人的同行次数的情况下,可以根据用户输入的指令或生成的指令获取包括第一人的人脸的图像。第一人的人脸的图像可以为包括第一人的人脸的全身图像,也可以为包括第一人的人脸的半身图像。包括第一人的人脸的图像可以是从本地获取的,也可以是从其他设备获取的,还可以是用户上传的。
202、根据包括第一人的人脸的图像获取包括第一人的人脸的图像类。
获取到包括第一人的人脸的图像之后,可以根据包括第一人的人脸的图像获取包括第一人的人脸的图像类。处理设备可以预先从解析服务器获取存储的人脸特征、这些人脸特征的标签以及图像类,之后将获取的人脸特征、这些人脸特征的标签以及图像类存储在本地,以便后续调用。可以先从包括第一人的人脸的图像中提取第一人的人脸的人脸特征得到第一人脸特征,之后确定第一人脸特征的标签,最后根据第一人脸特征的标签与图像类的对应关系获取第一人脸特征的标签对应的图像类得到包括第一人的人脸的图像类。在确定第一人脸特征的标签时,可以将存储的从解析服务器获取的人脸特征中的每个人脸特征确定为一个类,根据聚类算法对第一人脸特征进行聚类,将第一人脸特征聚类后所属的类的人脸特征的标签确定为第一人脸特征的标签。
也可以向解析服务器发送用于获取包括第一人的人脸的图像类的信息获取请求,该信息获取请求携带有包括第一人的人脸的图像。解析服务器接收到该信息获取请求之后,可以根据上述方法确定包括第一人的人脸的图像类,以及将包括第一人的人脸的图像类发送给处理设备。处理设备可以接收到来自解析服务器的包括第一人的人脸的图像类。
还可以先从包括第一人的人脸的图像中提取第一人的人脸的人脸特征得到第一人脸特征,之后向解析服务器发送用于获取包括第一人脸特征对应的图像类的信息获取请求,该信息获取请求携带有第一人脸特征。解析服务器接收到该信息获取请求之后,可以确定第一人脸特征的标签,最后根据第一人脸特征的标签与图像类的对应关系获取第一人脸特征的标签对应的图像类得到包括第一人的人脸的图像类,以及将包括第一人的人脸的图像类发送给处理设备。处理设备可以接收到来自解析服务器的包括第一人的人脸的图像类。
203、根据图像类中每张图像的抓拍时间和抓拍摄像头确定第一人的轨迹。
根据包括第一人的人脸的图像获取到包括第一人的人脸的图像类之后,可以根据图像类中每张图像的抓拍时间和抓拍摄像头确定第一人的轨迹。第一人的轨迹包括至少一个轨迹点,即包括一个或一个以上轨迹点,也即包括一个或多个轨迹点。每个轨迹点包括一个时间段和一个摄像头,即一个位置信息,也即一个摄像头对应一个位置信息。
204、根据第一人的轨迹确定第一人的同行人。
根据图像类中每张图像的抓拍时间和抓拍摄像头确定出第一人的轨迹之后,可以根据第一人的轨迹确定第一人的同行人。可以将第一人的轨迹中所有轨迹点抓拍的图像中除第一人之外的人确定为第一人的同行人。可以先获取第一人的轨迹中每个轨迹点抓拍的图像,之后将获取的这些图像中除第一人之外的人确定为第一人的同行人。获取的这些图像包括第一人的人脸的图像类中的图像。一个轨迹点抓拍的图像即这个轨迹点包括的抓拍摄像头在这个轨迹点包括的时间段内抓拍的所有图像。
205、在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定第二人与第一人在第一轨迹点同行一次。
根据第一人的轨迹确定出第一人的同行人之后,可以对第一人的轨迹中每个轨迹点出现多次的一个同行人进行去重,即在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定第二人与第一人在第一轨迹点同行一次,也即在一个轨迹点不管一个人出现几次,在这个轨迹点同行次数都为一次。第二人为第一人的同行人中的任一人,第一轨迹点为至少一个轨迹点中的任一轨迹点。
在步骤205之后或同时,可以确定第一人的同行人中每个同行人与第一人的同行次数,即统计第一人的同行人中每个同行人出现在第一人的轨迹包括的轨迹点的数量,例如,针对第二人,可以统计第二人出现的轨迹点的次数得到第二人与第一人的同行次数。第二人与第一人的同行次数大于或等于0且小于或等于第一人的轨迹包括的轨迹点的数量。
在图2所描述的同行人去重方法中,在同行人与目标人在目标人的轨迹中的一个轨迹点,不管同行人出现了多少次,都认为同行人与目标人在这个轨迹点同行了一次,可以避免对短时间内同一人的多次抓拍进行多次统计导致同行次数过高的情况,从而可以提高同行次数的准确性。
请参阅图3,图3是本发明实施例提供的一种轨迹确定方法的流程示意图。如图3所示,步骤203具体可以包括以下步骤。
301、获取图像类中每张图像的抓拍时间和抓拍摄像头。
302、将图像类中的图像按照抓拍摄像头进行分类,得到M类图像。
获取到图像类中每张图像的抓拍时间和抓拍摄像头之后,可以将图像类中的图像按照抓拍摄像头进行分类得到M类图像,即将图像类中同一抓拍摄像头抓拍的图像归为一类得到M类图像。M为抓拍摄像头的数量。
303、确定当前类图像包括的图像数量。
将图像类中的图像按照抓拍摄像头进行分类得到M类图像之后,可以将M类图像中的任一类图像确定为当前类图像,之后确定当前类图像包括的图像数量。
304、在当前类图像包括一张图像的情况下,确定第一抓拍摄像头和第一时间段为第一人的一个轨迹点。
第一抓拍摄像头为当前类图像对应的抓拍摄像头,第一时间段为第一抓拍时间前阈值时间与第一抓拍时间后阈值时间之间的时间段,第一抓拍时间为这张图像的抓拍时间。第一时间段也可以为第一抓拍时间前第一阈值时间与第一抓拍时间后第二阈值时间之间的时间段,第一阈值可以大于第二阈值,也可以小于第二阈值。
305、在当前类图像包括两张图像的情况下,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔。
第二抓拍时间为两张图像中一张图像的抓拍时间,第三抓拍时间为两张图像中另一张图像的抓拍时间。
306、判断第一时间间隔是否大于(或者大于或等于)阈值,在第一时间间隔大于(或者大于或等于)阈值的情况下,执行步骤307,在第一时间间隔不大于(或者小于)阈值的情况下,执行步骤308。
307、确定第一抓拍摄像头和第二时间段为第一人的一个轨迹点,以及第一抓拍摄像头和第三时间段为第一人的另一个轨迹点。
第二时间段为第二抓拍时间前阈值时间与第二抓拍时间后阈值时间之间的时间段,第三时间段为第三抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段。
308、确定第一抓拍摄像头和第四时间段为第一人的一个轨迹点。
第四时间段为第二抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段,第二抓拍时间早于第三抓拍时间。
请参阅图4,图4是本发明实施例提供的一种轨迹点确定的示意图。如图4所示,阈值为X秒,将同一个抓拍摄像头抓拍的两张图像的抓拍时间的前后X秒时间段取并集得到一个轨迹点的时间段。
309、在当前类图像包括N张图像的情况下,将N张图像的抓拍时间按照时间先后顺序进行排序得到排序表,计算排序表中相邻两个抓拍时间之间的时间间隔,按照时间间隔将N个抓拍时间划分为K组抓拍时间,根据K组抓拍时间确定第一人的K个轨迹点。
N为大于或等于3的整数。在当前类图像包括三张或三张以上图像的情况下,可以先将N张图像的抓拍时间按照时间先后顺序进行排序得到排序表,之后计算排序表中相邻两个抓拍时间之间的时间间隔。之后按照时间间隔将N个抓拍时间划分为K组抓拍时间,即在排序表中时间间隔大于阈值的位置进行切割,得到K组抓拍时间。K为小于或等于N的整数,K组抓拍时间中任意两组抓拍时间之间的时间间隔大于阈值。请参阅图5,图5是本发明实施例提供的一种按照时间间隔将六个抓拍时间划分为三组抓拍时间的示意图。如图5所示,排序表中的第二个抓拍时间与第三个抓拍时间之间的时间间隔4小时10分钟大于30秒(即阈值时间),排序表中的第四个抓拍时间与第五个抓拍时间之间的时间间隔6小时10分钟2秒大于30秒,因此,可以在第二个抓拍时间与第三个抓拍时间之间以及第四个抓拍时间与第五个抓拍时间之间进行切割得到三组抓拍时间。之后可以根据K组抓拍时间确定第一人的K个轨迹点,即根据K组抓拍时间中每组抓拍时间分别确定一个轨迹点。K个轨迹点中每个轨迹点包括当前抓拍摄像头以及对应的一组抓拍时间确定的时间段。确定时间段的方式为一组抓拍时间中最早抓拍时间前阈值时间与这组抓拍时间中最晚抓拍时间后阈值时间之间的时间段。
在当前类图像包括N张图像的情况下,也可以先将N张图像的抓拍时间按照时间先后顺序进行排序得到排序表,之后计算排序表中相邻两个抓拍时间之间的时间间隔。之后判断第一个时间间隔是否大于阈值,在判断出第一个时间间隔大于阈值的情况下,可以将当前摄像头和第一个抓拍时间前阈值时间与第一个抓拍时间后阈值时间之间的时间间隔确定为第一人的一个轨迹点。在判断出第一个时间间隔小于或等于阈值的情况下,可以继续判断第二个时间间隔是否大于阈值,在判断出第二个时间间隔大于阈值的情况下,可以将当前摄像头和第一个抓拍时间前阈值时间与第二个抓拍时间后阈值时间之间的时间间隔确定为第一人的一个轨迹点。在判断出第二个时间间隔小于或等于阈值的情况下,可以继续判断第三个时间间隔是否大于阈值,在判断出第三个时间间隔大于阈值的情况下,可以将当前摄像头和第一个抓拍时间前阈值时间与第三个抓拍时间后阈值时间之间的时间间隔确定为第一人的一个轨迹点,直到对计算出的所有时间间隔都进行判断并做出了相应处理。此处的第一个抓拍时间、第二个抓拍时间、…、第N个抓拍时间是抓拍时间在排序表中的排序。同理,第一个时间间隔、…、第N-1个时间间隔是按照抓拍时间在排序表中的排序计算出的时间间隔的排序。
在执行完步骤304、步骤307、步骤308或步骤309之后,可以继续判断是否处理完了M类图像,在判断出未处理完M类图像的情况下,将M类图像中未处理的任一类图像确定为当前类图像,之后执行步骤303-步骤310。在判断出处理完了M类图像的情况下,结束。
基于图1所示的网络架构,请参阅图6,图6是本发明实施例提供的一种团伙分析方法的流程示意图。其中,该团伙分析方法是从处理设备103的角度描述的。如图6所示,该团伙分析方法可以包括以下步骤。
601、确定第一人的同行人中每个同行人与第一人的同行次数。
其中,确定第一人的同行人中每个同行人与第一人的同行次数的详细描述可以参考上面的描述,在此不加赘述。
602、将第一人的同行人按照同行次数从高到低的顺序进行排序得到第一排序表,或者将第一人的同行人按照同行次数从低到高的顺序进行排序得到第二排序表。
确定出第一人的同行人中每个同行人与第一人的同行次数之后,可以将第一人的同行人按照同行次数从高到低的顺序进行排序得到第一排序表,即将第一人的同行人按照同行次数进行降序排列。也可以将第一人的同行人按照同行次数从低到高的顺序进行排序得到第二排序表,即将第一人的同行人按照同行次数进行升序排列。
603、将第一排序表中排序在前面的L个人确定为第一人的团伙,或者将第二排序表中排序在后面的L个人确定为第一人的团伙。
将第一人的同行人按照同行次数从高到低的顺序进行排序得到第一排序表之后,可以可以将第一排序表中排序在前面的L个人确定为第一人的团伙。将第一人的同行人按照同行次数从低到高的顺序进行排序得到第二排序表之后,可以将第二排序表中排序在后面的L个人确定为第一人的团伙。通过该方法可以确定犯罪团伙等团伙。L为大于1的整数,具体的值可以根据需要调整。
在图6所描述的团伙分析方法中,在统计同行人与目标人的同行次数的时候,在目标人的轨迹中的一个轨迹点,不管同行人出现了多少次,都认为同行人与目标人在这个轨迹点同行了一次,可以避免对短时间内同一人的多次抓拍进行多次统计导致同行次数过高的情况,可以提高同行次数的准确性,从而可以提高团伙分析的准确性。
基于图1所示的网络架构,请参阅图7,图7是本发明实施例提供的一种同行人去重装置的结构示意图。其中,该同行人去重装置可以设置在处理设备103中,也可以为处理设备103。如图7所示,该同行人去重装置可以包括:
第一获取单元701,用于获取包括第一人的人脸的图像;
第二获取单元702,用于根据包括第一人的人脸的图像获取包括第一人的人脸的图像类;
第一确定单元703,用于根据图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹,第一人的轨迹包括至少一个轨迹点;
第二确定单元704,用于根据第一人的轨迹确定第一人的同行人;
第三确定单元705,用于在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定第二人与第一人在第一轨迹点同行一次,第二人为同行人中的任一人,第一轨迹点为至少一个轨迹点中的任一轨迹点。
在一些实施例中,第二获取单元702具体用于:
从包括第一人的人脸的图像中提取第一人的人脸的人脸特征;
确定该人脸特征的标签;
根据标签与图像类的对应关系获取该标签对应的图像类,得到包括第一人的人脸的图像类。
在一些实施例中,第一确定单元703具体用于:
获取图像类中每张图像的抓拍时间和抓拍摄像头;
将图像类中的图像按照抓拍摄像头进行分类,得到M类图像,M为抓拍摄像头的数量;
在M类图像中当前类图像包括一张图像的情况下,确定第一抓拍摄像头和第一时间段为第一人的一个轨迹点,第一抓拍摄像头为当前类图像对应的抓拍摄像头,第一时间段为第一抓拍时间前阈值时间与第一抓拍时间后阈值时间之间的时间段,第一抓拍时间为该一张图像的抓拍时间;
根据第一人的轨迹点确定第一人的轨迹。
在一些实施例中,第一确定单元703具体还用于:
在当前类图像包括两张图像的情况下,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,第二抓拍时间为两张图像中一张图像的抓拍时间,第三抓拍时间为两张图像中另一张图像的抓拍时间;
在第一时间间隔大于阈值的情况下,确定第一抓拍摄像头和第二时间段为第一人的一个轨迹点,以及第一抓拍摄像头和第三时间段为第一人的另一个轨迹点,第二时间段为第二抓拍时间前阈值时间与第二抓拍时间后阈值时间之间的时间段,第三时间段为第三抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段;
在第一时间间隔不大于阈值的情况下,确定第一抓拍摄像头和第四时间段为第一人的一个轨迹点,第四时间段为第二抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段,第二抓拍时间早于第三抓拍时间。
在一些实施例中,第一确定单元703具体还用于:
在当前类图像包括N张图像的情况下,将N张图像的抓拍时间按照时间先后顺序进行排序,得到排序表,N为大于或等于3的整数;
计算排序表中相邻两个抓拍时间之间的时间间隔;
按照计算出的时间间隔将N个抓拍时间划分为K组抓拍时间,K为小于或等于N的整数,K组抓拍时间中任意两组抓拍时间之间的时间间隔大于阈值;
根据K组抓拍时间确定第一人的K个轨迹点。
在一些实施例中,第二确定单元704,具体用于将第一人的轨迹中所有轨迹点抓拍的图像中除第一人之外的人确定为第一人的同行人。
在一些实施例中,该同行人去重装置还可以包括:
第四确定单元706,用于确定第一人的同行人中每个同行人与第一人的同行次数。
本实施例可对应于本申请实施例中方法实施例描述,并且各个单元的上述和其它操作和/或功能分别为了实现图2-图3中各方法中的相应流程,为了简洁,在此不再赘述。
基于图1所示的网络架构,请参阅图8,图8是本发明实施例提供的一种团伙分析装置的结构示意图。其中,该团伙分析装置可以设置在处理设备103中,也可以为处理设备103。如图8所示,该团伙分析装置可以包括:
第一确定单元801,用于确定第一人的同行人中每个同行人与第一人的同行次数,第一人的同行人中每个同行人与第一人的同行次数根据上述方法确定;
排序单元802,用于将第一人的同行人按照同行次数从高到低的顺序进行排序得到第一排序表,或者将第一人的同行人按照同行次数从低到高的顺序进行排序得到第二排序表;
第二确定单元803,用于将第一排序表中排序在前面的L个人确定为第一人的团伙,或者将第二排序表中排序在后面的L个人确定为第一人的团伙,L为大于1的整数。
本实施例可对应于本申请实施例中方法实施例描述,并且各个单元的上述和其它操作和/或功能分别为了实现图2-图6中各方法中的相应流程,为了简洁,在此不再赘述。
基于图1所示的网络架构,请参阅图9,图9是本发明实施例公开的一种电子设备的结构示意图。如图9所示,该电子设备可以包括:至少一个处理器901,如CPU,存储器902、收发器903以及至少一个总线904。总线904,用于实现这些组件之间的连接通信。其中:
在一种情况下,存储器902中存储有一组计算机程序,处理器901用于调用存储器902中存储的计算机程序执行以下操作:
获取包括第一人的人脸的图像;
根据包括第一人的人脸的图像获取包括第一人的人脸的图像类;
根据图像类中每张图像的抓拍时间和抓拍摄像头确定第一人的轨迹,第一人的轨迹包括至少一个轨迹点;
根据第一人的轨迹确定第一人的同行人;
在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定第二人与第一人在第一轨迹点同行一次,第二人为同行人中的任一人,第一轨迹点为至少一个轨迹点中的任一轨迹点。
在一些实施例中,处理器901根据包括第一人的人脸的图像获取包括第一人的人脸的图像类包括:
从包括第一人的人脸的图像中提取第一人的人脸的人脸特征;
确定该人脸特征的标签;
根据标签与图像类的对应关系获取该标签对应的图像类,得到包括第一人的人脸的图像类。
在一些实施例中,处理器901根据图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹包括:
获取图像类中每张图像的抓拍时间和抓拍摄像头;
将图像类中的图像按照抓拍摄像头进行分类,得到M类图像,M为抓拍摄像头的数量;
在M类图像中当前类图像包括一张图像的情况下,确定第一抓拍摄像头和第一时间段为第一人的一个轨迹点,第一抓拍摄像头为当前类图像对应的抓拍摄像头,第一时间段为第一抓拍时间前阈值时间与第一抓拍时间后阈值时间之间的时间段,第一抓拍时间为该一张图像的抓拍时间;
根据第一人的轨迹点确定第一人的轨迹。
在一些实施例中,处理器901根据图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹还包括:
在当前类图像包括两张图像的情况下,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,第二抓拍时间为两张图像中一张图像的抓拍时间,第三抓拍时间为两张图像中另一张图像的抓拍时间;
在第一时间间隔大于阈值的情况下,确定第一抓拍摄像头和第二时间段为第一人的一个轨迹点,以及第一抓拍摄像头和第三时间段为第一人的另一个轨迹点,第二时间段为第二抓拍时间前阈值时间与第二抓拍时间后阈值时间之间的时间段,第三时间段为第三抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段;
在第一时间间隔不大于阈值的情况下,确定第一抓拍摄像头和第四时间段为第一人的一个轨迹点,第四时间段为第二抓拍时间前阈值时间与第三抓拍时间后阈值时间之间的时间段,第二抓拍时间早于第三抓拍时间。
在一些实施例中,处理器901根据图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹还包括:
在当前类图像包括N张图像的情况下,将N张图像的抓拍时间按照时间先后顺序进行排序,得到排序表,N为大于或等于3的整数;
计算排序表中相邻两个抓拍时间之间的时间间隔;
按照计算出的时间间隔将N个抓拍时间划分为K组抓拍时间,K为小于或等于N的整数,K组抓拍时间中任意两组抓拍时间之间的时间间隔大于阈值;
根据K组抓拍时间确定第一人的K个轨迹点。
在一些实施例中,处理器901根据第一人的轨迹确定第一人的同行人包括:
将第一人的轨迹中所有轨迹点抓拍的图像中除第一人之外的人确定为第一人的同行人。
在一些实施例中,处理器901还用于调用存储器902中存储的计算机程序执行以下操作:
确定第一人的同行人中每个同行人与第一人的同行次数。
在一些实施例中,收发器903,用于收发信息。
在另一种情况下,存储器902中存储有一组计算机程序,处理器901用于调用存储器902中存储的计算机程序执行以下操作:
确定第一人的同行人中每个同行人与第一人的同行次数,第一人的同行人中每个同行人与第一人的同行次数根据上述方法确定;
将第一人的同行人按照同行次数从高到低的顺序进行排序得到第一排序表,或者将第一人的同行人按照同行次数从低到高的顺序进行排序得到第二排序表;
将第一排序表中排序在前面的L个人确定为第一人的团伙,或者将第二排序表中排序在后面的L个人确定为第一人的团伙,L为大于1的整数。
在一些实施例中,收发器903,用于收发信息。
上述电子设备还可以用于执行前述方法实施例中执行的各种方法,不再赘述。
在一些实施例中提供了一种计算机可读存储介质,该计算机可读存储介质用于存储应用程序,应用程序用于在运行时执行图2的同行人去重方法或图6的团伙分析方法。
在一些实施例中提供了一种应用程序,该应用程序用于在运行时执行图2的同行人去重方法或图6的团伙分析方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种同行人去重方法,其特征在于,包括:
获取包括第一人的人脸的图像;
根据所述图像获取包括所述第一人的人脸的图像类;
根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹,所述第一人的轨迹包括至少一个轨迹点;所述根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹包括:获取所述图像类中每张图像的抓拍时间和抓拍摄像头;将所述图像类中的图像按照所述抓拍摄像头进行分类,得到M类图像,M为所述抓拍摄像头的数量;当前类图像包括两张图像,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,所述第二抓拍时间为所述两张图像中一张图像的抓拍时间,所述第三抓拍时间为所述两张图像中另一张图像的抓拍时间;在所述第一时间间隔大于阈值的情况下,确定第一抓拍摄像头和第二时间段为所述第一人的一个轨迹点,以及所述第一抓拍摄像头和第三时间段为所述第一人的另一个轨迹点,所述第二时间段为所述第二抓拍时间前阈值时间与所述第二抓拍时间后阈值时间之间的时间段,所述第三时间段为所述第三抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段;在所述第一时间间隔不大于所述阈值的情况下,确定所述第一抓拍摄像头和第四时间段为所述第一人的一个轨迹点,所述第四时间段为所述第二抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段,所述第二抓拍时间早于所述第三抓拍时间;根据所述第一人的轨迹点确定所述第一人的轨迹;
根据所述轨迹确定所述第一人的同行人;
在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定所述第二人与所述第一人在所述第一轨迹点同行一次,所述第二人为所述同行人中的任一人,所述第一轨迹点为所述至少一个轨迹点中的任一轨迹点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述图像获取包括所述第一人的人脸的图像类包括:
从所述图像中提取所述人脸的人脸特征;
确定所述人脸特征的标签;
根据标签与图像类的对应关系获取所述标签对应的图像类,得到包括所述第一人的人脸的图像类。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹还包括:
在所述当前类图像包括N张图像的情况下,将所述N张图像的抓拍时间按照时间先后顺序进行排序,得到排序表,N为大于或等于3的整数;
计算所述排序表中相邻两个抓拍时间之间的时间间隔;
按照所述时间间隔将N个抓拍时间划分为K组抓拍时间,K为小于或等于N的整数,所述K组抓拍时间中任意两组抓拍时间之间的时间间隔大于所述阈值;
根据所述K组抓拍时间确定所述第一人的K个轨迹点。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述轨迹确定所述第一人的同行人包括:
将所述轨迹中所有轨迹点抓拍的图像中除所述第一人之外的人确定为所述第一人的同行人。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
确定所述同行人中每个同行人与所述第一人的同行次数。
6.一种团伙分析方法,其特征在于,包括:
确定第一人的同行人中每个同行人与所述第一人的同行次数,所述同行次数根据权利要求5所述的方法确定;
将所述同行人按照所述同行次数从高到低的顺序进行排序得到第一排序表,或者将所述同行人按照所述同行次数从低到高的顺序进行排序得到第二排序表;
将所述第一排序表中排序在前面的L个人确定为所述第一人的团伙,或者将所述第二排序表中排序在后面的L个人确定为所述第一人的团伙,L为大于1的整数。
7.一种同行人去重装置,其特征在于,包括:
第一获取单元,用于获取包括第一人的人脸的图像;
第二获取单元,用于根据所述图像获取包括所述第一人的人脸的图像类;
第一确定单元,用于根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹,所述第一人的轨迹包括至少一个轨迹点;所述根据所述图像类中每张图像的抓拍时间和抓拍摄像头确定所述第一人的轨迹包括:获取所述图像类中每张图像的抓拍时间和抓拍摄像头;将所述图像类中的图像按照所述抓拍摄像头进行分类,得到M类图像,M为所述抓拍摄像头的数量;当前类图像包括两张图像,计算第二抓拍时间与第三抓拍时间之间的时间间隔,得到第一时间间隔,所述第二抓拍时间为所述两张图像中一张图像的抓拍时间,所述第三抓拍时间为所述两张图像中另一张图像的抓拍时间;在所述第一时间间隔大于阈值的情况下,确定第一抓拍摄像头和第二时间段为所述第一人的一个轨迹点,以及所述第一抓拍摄像头和第三时间段为所述第一人的另一个轨迹点,所述第二时间段为所述第二抓拍时间前阈值时间与所述第二抓拍时间后阈值时间之间的时间段,所述第三时间段为所述第三抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段;在所述第一时间间隔不大于所述阈值的情况下,确定所述第一抓拍摄像头和第四时间段为所述第一人的一个轨迹点,所述第四时间段为所述第二抓拍时间前阈值时间与所述第三抓拍时间后阈值时间之间的时间段,所述第二抓拍时间早于所述第三抓拍时间;根据所述第一人的轨迹点确定所述第一人的轨迹;
第二确定单元,用于根据所述轨迹确定所述第一人的同行人;
第三确定单元,用于在第二人在第一轨迹点抓拍的至少一张图像中出现的情况下,确定所述第二人与所述第一人在所述第一轨迹点同行一次,所述第二人为所述同行人中的任一人,所述第一轨迹点为所述至少一个轨迹点中的任一轨迹点。
8.一种团伙分析装置,其特征在于,包括:
第一确定单元,用于确定第一人的同行人中每个同行人与所述第一人的同行次数,所述同行次数根据权利要求5所述的方法确定;
排序单元,用于将所述同行人按照所述同行次数从高到低的顺序进行排序得到第一排序表,或者将所述同行人按照所述同行次数从低到高的顺序进行排序得到第二排序表;
第二确定单元,用于将所述第一排序表中排序在前面的L个人确定为所述第一人的团伙,或者将所述第二排序表中排序在后面的L个人确定为所述第一人的团伙,L为大于1的整数。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序执行如权利要求1-5任一项所述的同行人去重方法。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序执行如权利要求6所述的团伙分析方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的同行人去重方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求6所述的团伙分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455227.0A CN111563479B (zh) | 2020-05-26 | 2020-05-26 | 同行人去重方法、团伙分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455227.0A CN111563479B (zh) | 2020-05-26 | 2020-05-26 | 同行人去重方法、团伙分析方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563479A CN111563479A (zh) | 2020-08-21 |
CN111563479B true CN111563479B (zh) | 2023-11-03 |
Family
ID=72073773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010455227.0A Active CN111563479B (zh) | 2020-05-26 | 2020-05-26 | 同行人去重方法、团伙分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563479B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511816A (zh) * | 2020-11-16 | 2022-05-17 | 杭州海康威视***技术有限公司 | 数据处理方法、装置、电子设备及机器可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
CN109117714A (zh) * | 2018-06-27 | 2019-01-01 | 北京旷视科技有限公司 | 一种同行人员识别方法、装置、***及计算机存储介质 |
CN110276272A (zh) * | 2019-05-30 | 2019-09-24 | 罗普特科技集团股份有限公司 | 确认标签人员的同行人员关系的方法、装置、存储介质 |
-
2020
- 2020-05-26 CN CN202010455227.0A patent/CN111563479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
CN109117714A (zh) * | 2018-06-27 | 2019-01-01 | 北京旷视科技有限公司 | 一种同行人员识别方法、装置、***及计算机存储介质 |
CN110276272A (zh) * | 2019-05-30 | 2019-09-24 | 罗普特科技集团股份有限公司 | 确认标签人员的同行人员关系的方法、装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111563479A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beery et al. | Efficient pipeline for camera trap image review | |
CN109117714B (zh) | 一种同行人员识别方法、装置、***及计算机存储介质 | |
CN110175549B (zh) | 人脸图像处理方法、装置、设备及存储介质 | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
US20160224826A1 (en) | Identifying Images Using Face Recognition | |
JP2022518469A (ja) | 情報処理方法および装置、記憶媒体 | |
CN108563651B (zh) | 一种多视频的目标搜索方法、装置及设备 | |
JP2017033547A (ja) | 情報処理装置及びその制御方法及びプログラム | |
CN111275060B (zh) | 识别模型更新处理方法、装置、电子设备及存储介质 | |
CN111985348B (zh) | 人脸识别方法和*** | |
CN111368622A (zh) | 人员识别方法及装置、存储介质 | |
JP2022518459A (ja) | 情報処理方法および装置、記憶媒体 | |
CN111107319B (zh) | 基于区域摄像头的目标追踪方法、装置及*** | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN112818149A (zh) | 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN111985360A (zh) | 一种人脸识别的方法、装置、设备和介质 | |
CN113963303A (zh) | 图像处理方法、视频识别方法、装置、设备及存储介质 | |
CN116244609A (zh) | 一种客流量统计方法、装置、计算机设备及存储介质 | |
CN112306829A (zh) | 性能信息的确定方法及装置、存储介质、终端 | |
CN111563479B (zh) | 同行人去重方法、团伙分析方法、装置及电子设备 | |
CN109241316B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN114519879A (zh) | 人体数据归档方法、装置、设备及存储介质 | |
CN114863364B (zh) | 一种基于智能视频监控的安防检测方法及*** | |
CN111061916A (zh) | 一种基于多目标库图像识别的视频共享*** |
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 |