CN112380892A - 一种图像识别方法、装置、设备及介质 - Google Patents
一种图像识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112380892A CN112380892A CN202010958787.8A CN202010958787A CN112380892A CN 112380892 A CN112380892 A CN 112380892A CN 202010958787 A CN202010958787 A CN 202010958787A CN 112380892 A CN112380892 A CN 112380892A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- suspicious
- vehicle
- preset time
- time length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010042635 Suspiciousness Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别方法、装置、设备及介质,用以解决现有技术中违规人员监控和识别智能化不高,违规人员识别效率低的问题。该方法包括:针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在该预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人,且根据该预设时间长度内获取的图像,确定该可疑行人的运动轨迹;若该可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将该可疑行人作为识别到的目标行人,因此可以实现对可疑行人的自动识别,最终确定目标行人,本发明可以广泛应用到违规人员的自动识别中,实现违规人员监控和识别智能化,提高违规人员识别的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像识别方法、装置、设备及介质。
背景技术
随着交通工具的快速发展,在日常出行中通过乘坐出租车、滴滴快车等方式的人也越来越多,但是也会有越来越多的违规人员和违规车辆企图通过违法揽客来谋取利益,并且越来越多的违规车辆与违规人员通过结合的方式进行揽客更加增大了查处难度。
在现有技术中,违规人员的管理主要依靠的是执法管理部门定期整治、现场识别的方法,其仅仅依靠现有的人工记录的违规人员库来对违规人员进行识别,并无可行的智能化的监控方法,因此,导致违规人员监控和识别智能化不高,违规人员识别效率低。
发明内容
本发明提供了一种图像识别方法、装置、设备及介质,用以解决现有技术中违规人员监控和识别智能化不高,违规人员识别效率低的问题。
第一方面,本发明提供了一种图像识别方法,所述方法包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
进一步地,所述若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值之后,则将该行人确定为可疑行人之前,所述方法还包括:
根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;
若否,则进行后续将该行人作为可疑行人的步骤。
进一步地,所述方法还包括:
若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
进一步地,所述根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹之前,所述方法还包括:
确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;
根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;
若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
进一步地,所述方法还包括:
若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
进一步地,所述方法还包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
进一步地,所述若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值之后,则将该车辆作为可疑车辆之前,包括:
根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;
若否,则进行后续将该车辆作为可疑车辆的步骤。
第二方面,本发明还提供了一种图像识别装置,所述装置包括:
确定模块,用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
所述确定模块,还用于根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
处理模块,用于若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
进一步地,所述确定模块,还用于根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;若否,则进行后续将该行人作为可疑行人的步骤。
进一步地,所述确定模块,还用于若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
进一步地,所述确定模块,还用于确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;
根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;
若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
进一步地,所述确定模块,还用于若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
进一步地,所述装置还包括:
识别模块,具体用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
所述处理模块,还用于若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
判断模块,用于确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
所述处理模块,还用于若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
进一步地,所述识别模块,具体用于根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;若否,则进行后续将该车辆作为可疑车辆的步骤。
第三方面,本发明还提供了一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述图像识别方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述图像识别方法的步骤。
在本发明中,针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在该预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人,且根据该预设时间长度内获取的图像,确定该可疑行人的运动轨迹;若该可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将该可疑行人作为识别到的目标行人,因此可以实现对可疑行人的自动识别,最终确定目标行人,本发明可以广泛应用到违规人员的自动识别中,实现违规人员监控和识别智能化,提高违规人员识别的效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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他的附图。
图1为本发明一些实施例提供的一种图像识别过程示意图;
图2为本发明一些实施例提供的一种可疑行人自动识别流程图;
图3为本发明一些实施例提供的一种违规人员自动识别流程图。
图4为本发明一些实施例提供的一种可疑车辆自动识别流程图;
图5为本发明一些实施例提供的一种违规车辆自动识别过程图;
图6为本发明一些实施例提供的一种黄车和违规车辆自动识别的物理结构;
图7为本发明一些实施例提供的一种黄车和违规车辆自动识别的物理结构图;
图8为本申请一些实施例提供的一种图像识别装置结构示意图;
图9为本发明一些实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员所获取的所有其他实施例,都属于本发明保护的范围。
为了实现可疑行人的智能化识别,提高可疑行人识别的效率,本发明实施例提供了一种图像识别方法、装置、设备及介质。
实施例1:
图1为本发明一些实施例提供的一种图像识别过程示意图,该过程包括以下步骤:
S101:针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人。
本发明实施例提供的图像识别方法应用于电子设备,该电子设备可以是后端服务器,也可以PC等能够进行图像识别的电子设备。
为了实现对图像中行人的识别,可以基于图像采集设备获取待识别的图像。为了尽可能的采集到可疑行人的信息,在需要进行监控的区域预先安装有图像采集设备,该图像采集设备用于采集其采集区域的图像。该图像识别方法可以用于识别可疑行人,该可疑行人可以是进行违法揽客的违规人员,也可以是在人群密集区域进行盗窃的小偷等。若可疑行人为机场或者火车站的违法揽客的违规人员时,则图像采集设备安装区域一般选为到达层出口、出租车上客区、换乘区、社会停车场违规人员活动频繁出现的区域。
其中,本发明实施例中,图像采集设备获取到每帧待识别的图像后,针对在预设时间长度内采集的任一图像,电子设备可以识别该任一图像中存在的行人。具体的可以通过人脸识别技术识别图像中存在的每个行人,该人脸识别技术为现有技术,在此不作赘述。
根据在预设时间长度内采集的每张图像中识别到的行人,统计该预设时间长度内每个行人出现的次数,确定该行人在该设定时间长度内出现的次数,若该次数大于次数阈值,则将该行人确定为可疑行人。其中,预设时间长度是预先设置的,该预设时间长度可以根据需求进行设置,例如可以是几天或者半个月等,需要保证在该预设时间长度内能够使图像采集设备充分采集到包含可疑行人的图像。
该次数阈值为预先设置的,可以根据需求设置该次数阈值的大小,如果想短时间内识别出目标行人,可以将该次数阈值设置的稍微大些,如果想提高可疑行人的识别的准确率,可以将该次数设置的稍微小些。
S102:根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹。
当确定可疑行人后,为了确定该可疑行人是否为目标行人,可以对该可疑行人进行进一步判断,在本发明实施例中可以获取该可疑行人的轨迹,基于该可疑行人的轨迹,确定该可疑行人是否为目标行人。
具体的,在获取该可疑行人的轨迹时,根据该预设时间长度内获取的图像,确定该可疑行人在该预设时间长度内出现的每张图像,针对获得的该可疑行人出现的每张图像,确定该张图像中该可疑行人在图像中的位置,并根据该可疑行人在图像中的位置,及每个图像采集设备安装的位置,确定可疑行人出现的每个具体的地理位置。当针对每张图像确定了可疑行人出现的每个具体的地理位置后,根据每张图像被采集的时间顺序,确定该可疑行人的运动轨迹。
地理位置可以是该行人实际所在物理位置,也可以是每个采集到了可疑行人出现的图像的图像采集设备的安装位置。
S103:若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,可疑行人作为识别到的目标行人。
为了准确的判断可疑行人是否为目标行人,电子设备中预先保存有多个标准轨迹,标准轨迹是在预设时间长度内,目标行人可能出现的运动轨迹。
在确定可疑行人是否为目标行人时,可以确定该可疑行人在预设时间长度内的轨迹与保存的任一标准轨迹的相似度,其中在确定相似度时,可以确定两个轨迹之间的欧式距离,将确定的欧式距离作为两者的相似度,具体的可以通过以下公式确定欧式距离:
其中,为可疑行人的运动轨迹,为可疑行人的第i个样本,该样本是在该设定时间长度的t时间采集的可疑行人的位置信息,具体的可以用采集到该可疑行人的监控点的位置信息代替,为标准轨迹,为标准轨迹对应的行人的第i个样本,该样本是在该设定时间长度的t时间采集的行人的位置信息。
针对任一标准轨迹,当确定了可疑行人的运动轨迹与该标准轨迹的相似度后,判断该相似度是否满足预设的条件,具体的可以是判断该相似度是否不大于预设相似性阈值Y,当di≤Y时,确定该可疑行人的运动轨迹与标准轨迹十分接近,此时确定该相似度满足预设条件,将该可疑行人确认为目标行人。
S104:若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度不满足预设的条件,则将所述行人确定为非可疑行人。
将该可疑行人的运动轨迹与电子设备中的保存的所有标准轨迹进行相似度对比,若该可疑行人的运动轨迹与所有标准轨迹的相似度都大于预设相似阈值,即di>Y,则确定该可疑行人的运动轨迹与电子设备中保存的所有标准轨迹都不接近,确定该可疑行人的运动轨迹与电子设备中保存的所有标准轨迹的相似度都不满足预设的条件,则将该行人确认为非可疑行人。
在本发明中,针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在该预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人,且根据该预设时间长度内获取的图像,确定该可疑行人的运动轨迹;若该可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将该可疑行人作为识别到的目标行人,因此可以实现对可疑行人的自动识别,最终确定目标行人,本发明可以广泛应用到违规人员的自动识别中,实现违规人员监控和识别智能化,提高违规人员识别的效率。
实施例2:
为了提高可疑行人识别的准确率,在上述实施例的基础上,在本发明实施例中,所述若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值之后,则将该行人确定为可疑行人之前,所述方法还包括:
根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的人脸图像;
若否,则进行后续将该行人作为可疑行人的步骤。
在本发明实施例中为了提高可疑行人识别的准确率,判断行人是否为可疑行人时,首先针对在图像中出现的任一行人,判断该行人在预设时间长度内出现的次数是否大于设定的次数阈值,若确定该行人在预设时间长度内出现的次数大于设定的次数阈值,则确定该行人频繁出现在监控区域内,具有一定的可疑性,但是频繁出现的还可能是在附近工作的工作人员,或者已经被确定为可疑人员的行人,即已有可疑行人。
因此为了判断该行人是否为新增的可疑行人,本发明实施例的电子设备中预先保存有工作人员和已有可疑行人的人脸数据库,其中可以将工作人员的人脸图像放在一个人脸数据库中,将已有可疑行人的人脸图像放在另一个人脸数据库,或者将可疑行人的人脸图像和工作人员的人脸图像保存到一个人脸数据库中。确定该行人在预设时间长度内出现的次数大于次数阈值之后,基于该行人出现的图像,获取该行人的人脸图像,基于该人脸数据库,确定该人脸数据库中是否存在与该行人的人脸图像匹配的人脸图像,若不存在与该行人的人脸图像匹配的人脸图像,则说明该行人不是工作人员或者已有可疑行人,则进行后续将该行人确定为可疑行人的步骤,即将该行人确定为可疑行人。
例如当预设时间长度为7天时,针对这7天内获取到图像,识别图像中出现的行人。设定次数阈值为5次时,若某一行人在7天内出现的次数大于5次时,则根据预先保存的工作人员和已有可疑行人的人脸数据库,确定该人脸数据库中是否存在与该行人的人脸图像匹配的人脸图像,若不存在,则将该行人确定为可疑行人。
为了准确确定可疑行人,在上述各实施例的基础上,在本发明实施例中,所述方法还包括:
若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的人脸图像,则将所述行人确定为非可疑行人。
在发明实施例中,针对预设时间长度内采集的图像进行人脸识别,确定在该设定时间长度内出现的每个行人,并针对每个行人对该预设时间长度内的出现次数进行统计,若任一行人在该预设时间长度内出现的次数不大于设定的次数阈值,说明该行人并非频繁出现,很可能是在监控场景中正常路过,因此,可以将该行人确定为正常行为,而非可疑行人。
另外,如果某一行人在该预设时间长度内出现的次数大于设定的次数阈值时,说明该行人为在该监控场景中频繁出现的人,可能为可疑行人,但也可能是在该监控场景工作的工作人员,或者为已有的可疑行人,为了降低后续识别可疑行人的工作量,已经被识别为可疑行人的行人可以不必再进行识别,并且为了保证识别的准确率,避免将工作人员识别为可疑行人,可以将该行人的人脸图像与预先保存的人脸数据库中的人脸图像进行匹配,若人脸数据库中存在与该行人的人脸图像匹配的人脸图像,则可以将该行人确定为非此次识别的可疑行人。具体的,若该行人的人脸图像和工作人员的人脸数据库中的人脸图像匹配,说明该行人是工作人员,若该行人的人脸图像和已有可疑行人的人脸数据库中的人脸图像匹配,说明该行人是已有可疑行人。
实施例3:
为了提高可疑行人识别的准确率,在上述各实施例的基础上,在本发明实施例中,所述根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹之前,所述方法还包括:
确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;
根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;
若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
本发明实施例提供的方案一般用于监控违规人员,也就是说检测到的可疑行人可能为违规人员,而违规人员一般会在某些到达层出口、出租车上客区、换乘区、社会停车场等区域频繁出现,且违规人员身边可能会与多个同伙结伴同行,也有可能与多个行人同行进行交谈以实现非法揽客,因此,为了提高识别的准确率,可以进一步通过与可疑行人同行的行人的数量确定该行人是否确实为可疑行人。
因此,当确定某一行人为可疑行人时,在本发明实施例中根据在预设时间长度内获取的图像,确定获取的图像中包含该可疑行人的目标图像。针对每张目标图像,识别该目标图像中该可疑行人的位置,具体的,该可疑行人的位置可以是该可疑行人的人脸对应的外接矩形的位置,或者身体对应的外接矩形的位置,并确定该目标图像中其他行人的位置。只要在进行检测时,采用相同的方式确定行人的位置即可。
当确定了可疑行人与每个其他行人在目标图像中的位置后,基于每个行人对应的外接矩形的中心进行距离的计算,从而确定该目标图像中该可疑行人与其他行人的距离。当然可以是基于外接矩形的其他位置的坐标,确定该可疑行人与其他行人的距离,例如外接矩形左上角顶点的位置,或者外接矩形右下角顶点的位置。
因为图像采集设备的位置固定,因此采集范围固定,采集的图像中每两个像素点之间的距离也是确定。因此当确定了图像中可疑行人与其他行人的距离后,可以基于该距离,确定可疑行人与其他行人的实际物理距离。
基于在预设时间长度内获取的每张目标图像,根据每张目标图像中与该可疑行人与其他行人的数量,可以确定对应数量的该可疑行人与其他行人之间的距离。将可疑行人与其他行人之间的每个距离与预设的距离阈值进行大小比较。
当该可疑行人与其他行人的距离小于该预设的距离阈值时,说明该可疑行人与其他行人之间为同行关系,否则,确定该可疑行人与其他行人之间为非同行关系,从而确定出每张目标图像中与该可疑行人同行的其他行人的数量,以及与该可疑行人非同行的其他行人的数量。
根据在预设时间长度内获取的图像中包含该可疑行人的每张目标图像,确定每张目标图像中与该可疑行人同行的其他行人的数量,并确定所有目标图像中与该可疑行人同行的其他行人总数量,将该总数量与预先设置的第一数量阈值进行比较,当该总数量大于预先设置的第一数量阈值时,则进行后续根据预设时间长度内获取的图像,确定预设时间长度内该可疑行人的运动轨迹的步骤。
为了提高可疑行人识别的准确率,在上述各实施例的基础上,在本发明实施例中,所述方法还包括:
若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
根据预设时间长度内获取的图像中包含该可疑行人的每张目标图像,确定每张目标图像中与该可疑行人同行的其他行人的数量,确定所有目标图像中与该可疑行人同行的其他行人总数量,将该总数量与预先设置的第一数量阈值进行比较,当该总数量不大于预先设置的第一数量阈值时,则将所述行人确定为非可疑行人,也就没有必要进行后续的根据预设时间长度内获取的图像,确定预设时间长度内该可疑行人的运动轨迹的步骤了。
图2为本发明一些实施例提供的一种可疑行人自动识别流程图,包括:
S201:针对在预设时间长度内获取的任一图像,识别出该图像中出现的行人,确定该图像中该行人在该预设时间长度内出现的次数。
S202:判断该行人在预设时间长度内出现的次数是否大于预设的次数阈值,若是,则进行S203,否则,进行S209。
S203:根据预先保存的已有可疑行人和工作人员的人脸数据库,判断该人脸数据库中是否存在与该行人的人脸图像匹配的人脸图像,若不存在,则进行 S204,否则,进行S209。
S204:将该行人确定为可疑行人,并确定在预设时间长度内与该可疑行人同行的其他行人的数量。
S205:判断该预设时间长度内与该可疑行人同行的其他行人的数量是否大于预设的第一数量阈值,若是,进行S206,否则,进行S209。
S206:确定该预设时间长度内该可疑行人的运动轨迹。
S207:判断该可疑行人的运动轨迹与保存的任一标准轨迹的相似度是否满足预设的条件,若是,进行S208,否则,进行S209。
S208:将该行人作为识别到的目标行人。
S209:将该行人作为非可疑行人。
若目标行人为违规人员时,针对违规人员的自动识别进行详细说明,图3 为本发明一些实施例提供的一种违规人员自动识别流程图。
针对在预设时间长度内获取的任一图像,识别出图像中出现的行人,确定图像中的任一行人在预时间长度内出现的次数,将任一行人在预设时间长度内出现的次数大于次数阈值并且保证该行人不是工作人员或者已有可疑行人的行人作为可疑行人。具体的,当预设时间长度为7天时,针对这7天内获取到图像,识别图像中出现的行人,设定次数阈值为5次时,将满足在7天内出现的次数大于5次的行人的人脸图像放在人脸库A中,预先将工作人员的人脸图像放在了员工库B中,将已有可疑人员的人脸图像放在了已有疑似违规人员库 C中,确定图像中识别到的行人中满足在7天内出现的次数大于5次但却不是工作人员或者已有可疑行人的人脸图像,将满足条件的人脸图像放入初始样本库S1中,其中S1=A-(A&B)-(A&C)。
根据在预设时间长度内与该可疑行人同行的其他行人的数量Ti,预先设置第一数量Y1,统计人脸图像在初始样本库S1中的行人中满足Ti≥Y1的行人,并将样本库S1中人脸图像对应的行人中满足Ti≥Y1的行人的人脸图像放在样本库S2中,即S2=[Ti≥Y1]。
根据在预设时间长度内该可疑行人的运动轨迹,针对预先保存的任一标准违规人员轨迹,计算人脸图像在样本库S2中的行人的轨迹与标准违规人员轨迹相似度di,预先设置相似性阈值Y2,将样本库S2中人脸图像对应的行人中满足di≤Y2条件的人脸图像放在样本库S3中,其中S3=[di≤Y2],最终将该样本库S3存入疑似违规人员库中。
实施例4:
为了实现对于目标车辆的识别,在上述各实施例的基础上,在本发明实施例中,所述方法还包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
目前车辆的识别主要应用在违法车辆的识别上,现有技术中主要是基于道路卡口积累的大数据,挖掘违法车辆和合法经营车辆的区别,大概率哪些是合法经营车辆,哪些是违法车辆,然而这种目标车辆识别方法不能够提供有效的执法证据,识别的智能化不高。
为了实现对图像中车辆的识别,可以基于图像采集设备获取待识别的图像。为了尽可能的采集到可疑车辆的信息,在需要进行监控的区域预先安装有图像采集设备,该图像采集设备用于采集其采集区域的图像。对车辆的图像进行采集的图像采集设备可以与进行可疑行人识别的图像采集设备相同,或不同,具体可以根据需要进行灵活设置。图像采集设备安装区域一般为停车场,该区域为违规车辆活动频繁区域。
其中,本发明实施例中,图像采集设备获取到每帧待识别的图像后,针对在预设时间长度内采集的任一图像,电子设备可以识别该任一图像中存在的车辆。具体的可以通过车辆识别技术识别图像中存在的每个车辆,该车辆识别技术为现有技术,在此不作赘述。
根据在预设时间长度内采集的每张图像中识别到的车辆,统计该预设时间长度内每个车辆出现的次数,确定该车辆在该设定时间长度内出现的次数,若该次数大于第二数量阈值,则将该车辆确定为可疑车辆。
该第二数量阈值为预先设置的,可以根据需求设置该第二数量阈值的大小,如果短时间识别出目标车辆,可以将该第二数量阈值设置的稍微大些,如果想提高可疑车辆的识别的准确率,可以将该第二数量阈值设置的稍微小些。
根据预设时间长度内获取的图像,确定获取的图像中包含目标行人的目标图像,再确定该目标图像中目标行人与该可疑车辆是否同时出现,最后确定在设定时间长度内目标图像中目标行人与该可疑车辆同时出现的次数。预先设置一个第三数量阈值,确定在设定时间长度内目标图像中目标行人与该可疑车辆同时出现的次数是否大于该第三数量阈值,若是,则将该可疑车辆作为目标车辆。否则,将该可疑车辆确定为非可疑车辆。
其中确定的目标行人可能有一个或者多个,在确定目标行人与该可疑车辆同时出现的次数时,可以针对每个目标行人,分别统计该目标行人与该可疑车辆同时出现的次数,针对每个次数进行判断。但是还可能出现不同的目标行人采用相同的可疑车辆执行违规行为,也就是多个违规人员采用一辆违规车辆执行违规行为,此时可以针对所有的目标行人,统计所有的目标行人与该可疑车辆同时出现的总次数,基于该总次数进行判断。
其中,针对某一个目标行人,第二数量阈值是用于与在图像中识别到的该可疑车辆在该设定时间长度内出现的次数进行对比的,而第三数量阈值是用于与在设定时间长度内目标图像中该目标行人与该可疑车辆同时出现的次数进行对比的,在该情况下,第二数量阈值大于或者等于第三数量阈值。
实施例5:
为了提高可疑车辆识别的准确率,在上述各实施例的基础上,在本发明实施例中,所述若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值之后,则将该车辆作为可疑车辆之前,包括:
根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;
若否,则进行后续将该车辆作为可疑车辆的步骤。
在本发明实施例中为了提高可疑车辆识别的准确率,判断车辆是否为可疑车辆时,首先针对在图像中出现的任一车辆,判断该车辆在预设时间长度内出现的次数是否大于设定的第二数量阈值,若确定该车辆在预设时间长度内出现的次数大于设定的第二数量阈值,则确定该车辆频繁出现在监控区域,具有一定的可疑性,但是频繁出现的还可能是在附近工作的工作人员的车辆,或者已经被确定的可疑车辆,即已有可疑车辆。
因此为了判断该车辆是否为新增的可疑车辆,本发明实施例的电子设备中预先保存有工作人员的车辆和已有可疑车辆的车辆数据库,其中可以将工作人员的车辆的图像放在一个车辆数据库,将已有可疑车辆的图像放在另一个车辆数据库,或者将已有可疑车辆的图像和工作人员的车辆的图像保存到一个车辆数据库中。确定该车辆在预设时间长度内出现的次数大于第二数量阈值之后,基于该车辆出现的图像,获取该车辆的图像,基于该车辆数据库,确定该车辆数据库中是否存在与该车辆的图像匹配的车辆的图像,若不存在与该车辆的图像匹配的车辆的图像,则说明该车辆不是工作人员车辆或者已有可疑车辆,则进行后续将该车辆作为可疑车辆的步骤,即将该车辆确定为可疑车辆。
图4为本发明一些实施例提供的一种可疑车辆自动识别流程图,包括:
S401:针对在预设时间长度内获取的任一图像,识别出该图像中出现的行人,确定该图像中该行人在该预设时间长度内出现的次数。
S402:判断该行人在预设时间长度内出现的次数是否大于预设的次数阈值,若是,则进行S403,否则,进行S409。
S403:根据预先保存的已有可疑行人和工作人员的人脸数据库,判断该人脸数据库中是否存在与该行人的人脸图像匹配的人脸图像,若不存在,则进行 S404,否则,进行S409。
S404:将该行人确定为可疑行人,并确定在预设时间长度内与该可疑行人同行的其他行人的数量。
S405:判断该预设时间长度内与该可疑行人同行的其他行人的数量是否大于预设的第一数量阈值,若是,进行S406,否则,进行S409。
S406:确定该预设时间长度内该可疑行人的运动轨迹。
S407:判断该可疑行人的运动轨迹与保存的任一标准轨迹的相似度是否满足预设的条件,若是,进行S408,否则,进行S409。
S408:将该行人作为识别到的目标行人。
S409:将该行人作为非可疑行人。
S410:针对在预设时间长度内获取的任一图像,识别出该图像中出现的车辆,确定该图像中任一车辆在预设时间长度内出现的次数。
S410:判断该车辆在预设时间长度内出现的次数是否大于预设的第二数量阈值,若是,进行S411,否则,进行S415。
S411:根据预先保存的已有可疑车辆和工作人员的车辆的车辆数据库,确定该车辆数据库中是否存在与该车辆的图像匹配的车辆的图像,若是,进行 S412,否则,进行S415。
S412:将该车辆作为可疑车辆,确定在预设时间长度内与目标行人与该可疑车辆同时出现的次数。
S413:判断在预设时间长度内与目标行人与该可疑车辆同时出现的次数是否大于预设的第三数量阈值,若是,进行S414,否则,进行S415。
S414:将该车辆作为识别到的目标车辆。
S415:将该车辆作为非可疑车辆。
若目标车辆为违规车辆,针对违规车辆的识别方法进行详细的说明,图5 为本发明一些实施例提供的一种违规车辆自动识别过程图。
针对在预设时间长度内获取的任一图像,识别出该图像中出现的车辆,并结合社会停车场出入场数据,确定该图像中的任一车辆在预时间长度内出现的次数,预先设置第二数量阈值,将任一车辆在预设时间长度内出现的次数大于第二数量阈值且保证该车辆不是工作人员车辆或者已有可疑车辆或者合法经营车辆的车辆作为可疑车辆。具体的,当预设时间长度为7天时,针对这7天内获取到图像,识别图像中出现的车辆,设定第二数量阈值为5次时,将满足在7天内出现的次数大于5次的车辆的车辆的图像放在车辆库A中,预先将工作人员车辆的车辆的图像放在了员工车辆库B中,将合法经营车辆的车辆的图像放在车辆库C中,将已有可疑车辆的车辆的图像放在了已有疑似违规车辆库 D中,确定图像中识别到的车辆中满足在7天内出现的次数大于5次但却不是工作人员车辆或者已有可疑车辆或者合法经营车辆的车辆的图像,将满足条件的车辆的图像放入初始样本库S4,其中S4=A-(A&B)-(A&C)-(A&D)。
统计在预设时间长度内样本库3中的人脸图像对应的行人与样本库S4中的车辆的图像对应的车辆同时出现的次数,即统计识别出的违规人员与样本库 S4中的车辆的图像对应的车辆同时出现的次数,预先设置第三数量阈值T,统计车辆的图像在初始样本库S4中的车辆中满足Ts≥T的车辆,并将样本库S4 中保存的车辆的图像对应的车辆中满足Ts≥T的车辆的车辆的图像放在样本库S5中,即S5=[Ts≥T],最终将该样本库S5存入疑似违规车辆库中。
下面将以目标行人为违规人员,目标车辆为违规车辆为例,针对违规人员和违规车辆的识别进行说明。
图6为本发明一些实施例提供的一种黄车和违规车辆自动识别的物理结构,图7为本发明一些实施例提供的一种黄车和违规车辆自动识别的物理结构图。现
结合图6和图7进行说明:
首先,在布控区域设置多个图像采集设备,图像采集设备进行视频的采集,针对图像采集设备采集的视频中的每帧图像,将该图像发送给电子设备,其中该电子设备可以是后端处理服务器,后端处理服务器分别采用人脸识别技术和车辆识别技术进行行人和车辆的识别。识别到违规人员后,将该新识别到的违规人员扩充到疑似违规人员库中,在识别到违规人员后,将在预设时间长度内违规人员出现的所有图像作为目标图像,当目标图像中违规人员与可疑违规车辆同时出现的次数大于预设的第三数据阈值时,将该车辆确认为违规车辆,最终识别出违规人员和违规车辆后,关联出现违规人员和或违规车辆的视频、图片等资源,对该资源进行储存和执法取证,并且在监测到违规车辆和违规人员出现后后端处理服务器会控制报警设备进行报警,现场运维人员前往警告并疏离,以此维护旅客的人身安全。
实施例6;
图8为本发明一些实施例提供的一种图像识别装置结构示意图,该装置包括:
确定模块801,用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
所述确定模块801,还用于根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
处理模块802,用于若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
在一种可能的实施方式中,所述确定模块801,还用于根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;若否,则进行后续将该行人作为可疑行人的步骤。
在一种可能的实施方式中,所述确定模块801,还用于若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
在一种可能的实施方式中,所述确定模块801,还用于确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
在一种可能的实施方式中,所述确定模块801,还用于若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度不满足预设的条件,则将所述行人确定为非可疑行人。
在一种可能的实施方式中,所述装置还包括:
识别模块803,用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
所述处理模块802,还用于若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
判断模块804,用于确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
所述处理模块802,还用于若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
在一种可能的实施方式中,所述识别模块803,具体用于根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;若否,则进行后续将该车辆作为可疑车辆的步骤。
实施例7:
在上述各实施例的基础上,本发明一些实施例还提供了一种电子设备,如图9所示,包括:处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。
所述存储器903中存储有计算机程序,当所述程序被所述处理器801执行时,使得所述处理器901执行如下步骤:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
进一步地,所述处理器901,还用于根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;若否,则进行后续将该行人作为可疑行人的步骤。
进一步地,所述处理器901,还用于若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
进一步地,所述处理器901,还用于确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
进一步地,所述处理器901,还用于若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
进一步地,所述处理器901,还用于若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度不满足预设的条件,则将所述行人确定为非可疑行人。
进一步地,所述处理器901,还用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
进一步地,所述处理器901,根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;若否,则进行后续将该车辆作为可疑车辆的步骤。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口902用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例8:
在上述各实施例的基础上,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行如下步骤:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
进一步地,所述若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值之后,则将该行人确定为可疑行人之前,所述方法还包括:
根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;
若否,则进行后续将该行人作为可疑行人的步骤。
进一步地,所述方法还包括:
若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
进一步地,所述根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹之前,所述方法还包括:
确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;
根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;
若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
进一步地,所述方法还包括:
若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
进一步地,所述方法还包括:
若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度不满足预设的条件,则将所述行人确定为非可疑行人。
进一步地,所述方法还包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
进一步地,所述若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值之后,则将该车辆作为可疑车辆之前,包括:
根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;
若否,则进行后续将该车辆作为可疑车辆的步骤。
由于在本发明中,针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在该预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人,且根据该预设时间长度内获取的图像,确定该可疑行人的运动轨迹;若该可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将该可疑行人作为识别到的目标行人,因此可以实现对可疑行人的自动识别,最终确定目标行人,本发明可以广泛应用到违规人员的自动识别中,实现违规人员监控和识别智能化,提高违规人员识别的效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种图像识别方法,其特征在于,该方法包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
2.根据权利要求1所述的方法,其特征在于,所述若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值之后,则将该行人确定为可疑行人之前,所述方法还包括:
根据预先保存的已有可疑行人和工作人员的人脸数据库,判断所述人脸数据库中是否存在与该行人的人脸图像匹配的图像;
若否,则进行后续将该行人作为可疑行人的步骤。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若任一行人在所述预设时间长度内出现的次数不大于设定的次数阈值,或所述人脸数据库中存在与该行人的人脸图像匹配的图像,则将所述行人确定为非可疑行人。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹之前,所述方法还包括:
确定所述预设时间长度内获取的图像中包含所述可疑行人的目标图像;
根据所述目标图像中所述可疑行人与其他行人的距离,确定与所述可疑行人同行的其他行人;
若所述预设时间长度内与所述可疑行人同行的其他行人的数量大于预设的第一数量阈值,则进行后续根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹的步骤。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述预设时间长度内与所述可疑行人同行的其他行人的数量不大于预设的第一数量阈值,则将所述行人确定为非可疑行人。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对在预设时间长度内获取到的任一图像,识别该图像中出现的车辆;
若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值,则将该车辆作为可疑车辆;
确定所述预设时间长度内获取的图像中包含所述目标行人的目标图像,并确定所述目标图像中所述目标行人与所述可疑车辆是否同时存在;
若在预设时间长度内所述目标行人与所述可疑车辆同时存在的次数大于预设的第三数量阈值,则将该可疑车辆作为目标车辆。
7.根据权利要求6所述的方法,其特征在于,所述若任一车辆在所述预设时间长度内出现的次数大于设定的第二数量阈值之后,则将该车辆作为可疑车辆之前,包括:
根据预先保存的已有可疑车辆以及合法运营车辆的车辆数据库,判断所述车辆数据库中是否存在该车辆匹配的车辆;
若否,则进行后续将该车辆作为可疑车辆的步骤。
8.一种图像识别装置,其特征在于,所述装置包括:
确定模块,用于针对在预设时间长度内获取到的任一图像,识别该图像中出现的行人,若任一行人在所述预设时间长度内出现的次数大于设定的次数阈值,则将该行人确定为可疑行人;
所述确定模块,还用于根据所述预设时间长度内获取的图像,确定所述预设时间长度内所述可疑行人的运动轨迹;
处理模块,用于若所述可疑行人的运动轨迹与保存的任一标准轨迹的相似度满足预设的条件,则将所述可疑行人作为识别到的目标行人。
9.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958787.8A CN112380892B (zh) | 2020-09-14 | 2020-09-14 | 一种图像识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958787.8A CN112380892B (zh) | 2020-09-14 | 2020-09-14 | 一种图像识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380892A true CN112380892A (zh) | 2021-02-19 |
CN112380892B CN112380892B (zh) | 2023-10-27 |
Family
ID=74586461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958787.8A Active CN112380892B (zh) | 2020-09-14 | 2020-09-14 | 一种图像识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380892B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158953A (zh) * | 2021-04-30 | 2021-07-23 | 青岛海信智慧生活科技股份有限公司 | 一种人员查找方法、装置、设备及介质 |
WO2023070833A1 (zh) * | 2021-10-26 | 2023-05-04 | 惠州市德赛西威汽车电子股份有限公司 | 车辆周围目标行人检测方法、挪车方法及装置 |
CN116311383A (zh) * | 2023-05-16 | 2023-06-23 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358158A (zh) * | 2017-06-07 | 2017-11-17 | 浙江大华技术股份有限公司 | 一种团伙作案预警方法及装置 |
US20190092320A1 (en) * | 2017-09-28 | 2019-03-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle control device |
CN110222640A (zh) * | 2019-06-05 | 2019-09-10 | 浙江大华技术股份有限公司 | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 |
CN110390232A (zh) * | 2018-04-20 | 2019-10-29 | 杭州海康威视***技术有限公司 | 确认违法驾驶的方法、装置、服务器和*** |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
CN111612675A (zh) * | 2020-05-18 | 2020-09-01 | 浙江宇视科技有限公司 | 同行对象确定方法、装置、设备及存储介质 |
-
2020
- 2020-09-14 CN CN202010958787.8A patent/CN112380892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358158A (zh) * | 2017-06-07 | 2017-11-17 | 浙江大华技术股份有限公司 | 一种团伙作案预警方法及装置 |
US20190092320A1 (en) * | 2017-09-28 | 2019-03-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle control device |
CN110390232A (zh) * | 2018-04-20 | 2019-10-29 | 杭州海康威视***技术有限公司 | 确认违法驾驶的方法、装置、服务器和*** |
CN110222640A (zh) * | 2019-06-05 | 2019-09-10 | 浙江大华技术股份有限公司 | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
CN111612675A (zh) * | 2020-05-18 | 2020-09-01 | 浙江宇视科技有限公司 | 同行对象确定方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158953A (zh) * | 2021-04-30 | 2021-07-23 | 青岛海信智慧生活科技股份有限公司 | 一种人员查找方法、装置、设备及介质 |
WO2023070833A1 (zh) * | 2021-10-26 | 2023-05-04 | 惠州市德赛西威汽车电子股份有限公司 | 车辆周围目标行人检测方法、挪车方法及装置 |
CN116311383A (zh) * | 2023-05-16 | 2023-06-23 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112380892B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153193A1 (zh) | 一种出租车运营监测方法、设备、存储介质和*** | |
CN112380892A (zh) | 一种图像识别方法、装置、设备及介质 | |
US6188329B1 (en) | Integrated traffic light violation citation generation and court date scheduling system | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
CN104282154B (zh) | 一种车辆超载监控***及方法 | |
US9704201B2 (en) | Method and system for detecting uninsured motor vehicles | |
WO2014072971A1 (en) | Method of determining a license plate of a vehicle tracked by a surveillance system | |
CA2526551C (en) | Automated site security, monitoring and access control system | |
CN110796819B (zh) | 一种针对站台黄线入侵越界人员的检测方法及*** | |
WO2008076463B1 (en) | Automated site security, monitoring and access control system | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN111223289B (zh) | 共享车辆违规停放事件抓拍方法及***、存储介质 | |
CN108230669B (zh) | 基于大数据和云分析的道路车辆违法检测方法及*** | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及*** | |
WO2018176191A1 (zh) | ***识别方法及装置 | |
CN111767776A (zh) | 一种异常车牌推选方法及装置 | |
Mohsin et al. | An automatic recognizer for iraqi license plates using elman neural network | |
CN116168457A (zh) | 一种地铁安检和售检票的安检票检一体化检验***及方法 | |
CN110348379B (zh) | 一种公共交通工具中目标对象确定方法、装置、***及存储介质 | |
CN113870185A (zh) | 基于图像抓拍的图像处理方法、终端及存储介质 | |
WO2017048148A1 (en) | Monitoring a flow of objects by a sim card detector | |
KR101887642B1 (ko) | 체납 차량 추적 관리 시스템 및 그 방법 |
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 |