CN112818173A - 关联对象的识别方法、装置及计算机可读存储介质 - Google Patents

关联对象的识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112818173A
CN112818173A CN202110084594.9A CN202110084594A CN112818173A CN 112818173 A CN112818173 A CN 112818173A CN 202110084594 A CN202110084594 A CN 202110084594A CN 112818173 A CN112818173 A CN 112818173A
Authority
CN
China
Prior art keywords
time
track
information
trajectory
space
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
Application number
CN202110084594.9A
Other languages
English (en)
Other versions
CN112818173B (zh
Inventor
高圣兴
王凯垚
何林强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110084594.9A priority Critical patent/CN112818173B/zh
Publication of CN112818173A publication Critical patent/CN112818173A/zh
Application granted granted Critical
Publication of CN112818173B publication Critical patent/CN112818173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本申请实施例提供了一种关联对象的识别方法、装置及计算机可读存储介质。该方法包括：获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。

Description

关联对象的识别方法、装置及计算机可读存储介质
技术领域
本申请实施例涉及安防数据分析领域，具体而言，涉及一种关联对象的识别方法、装置及计算机可读存储介质。
背景技术
随着安防领域的发展，积累了大量的人像视频图片数据。人像视频图片数据对管理部门进行人员的管理起到了很大的辅助作用，例如，通过对人像视频图片数据的分析，可以实现一种有意义的安防应用：对目标对象(例如，指定的目标人员或指定的目标物品)分析抓取与该目标对象相关联的对象(例如，与指定的目标人员同行的人员，或与指定的目标物品同时同区域出现的人员或物品)。
目前，如何准确地确定与目标对象相关联的对象，是安防领域应用中亟待解决的问题。
发明内容
本申请的一个或多个实施例提供了一种关联对象的识别方法、装置及计算机可读存储介质，以至少解决相关技术中如何准确地确定与目标对象相关联的对象的问题。
根据本申请的一个实施例，提供了一种关联对象的识别方法，包括：获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
在至少一个示例性实施例中，所述时间信息包括：对象出现的时间所属的第一时间块的信息和第二时间块的信息，其中，所述第一时间块为以第一起始时间为起点以第一时长为单位划分的时间块，所述第二时间块为以第二起始时间为起点以所述第一时长为单位划分的时间块，所述第一起始时间和所述第二起始时间不同，且所述第一起始时间和所述第二起始时间之间的间隔小于所述第一时长。
在至少一个示例性实施例中，确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点包括确定符合以下条件的轨迹点为匹配的轨迹点：对应的所述区域信息相同；以及所属的所述第一时间块的信息相同或所属的所述第二时间块的信息相同。
在至少一个示例性实施例中，所述区域信息包括：拍摄到对象的图像采集设备所属的区域的信息。
在至少一个示例性实施例中，在获取目标对象的时空轨迹和候选对象的时空轨迹之前，所述方法还包括：通过坐标编码***对图像采集设备的位置坐标信息进行编码，其中，属于相同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串相同，属于不同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串不同；相应地，在所述区域信息中，拍摄到所述对象的图像采集设备所属的区域的信息包括：拍摄到所述对象的图像采集设备对应的所述编码字符串。
在至少一个示例性实施例中，对于匹配的轨迹点，进行有效轨迹点筛选包括：从所述匹配的轨迹点中，筛选出所述时间信息的间隔大于第二时长的一组或多组匹配的轨迹点作为所述有效轨迹点。
在至少一个示例性实施例中，在具有多组匹配的轨迹点的情况下，进行有效轨迹点筛选包括以下至少之一：若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔小于或等于第二时长，则从所述多组匹配的轨迹点中筛选出一组匹配的轨迹点；若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔大于所述第二时长，则从所述多组匹配的轨迹点中筛选出多组匹配的轨迹点，其中，筛选出的多组匹配的轨迹点中，任意两组匹配的轨迹点之间所述时间信息的间隔大于所述第二时长。
在至少一个示例性实施例中，识别出所述关键轨迹点的情况包括以下之一：识别出存在所述关键轨迹点；识别出的所述关键轨迹点的数量超过第二阈值。
在至少一个示例性实施例中，获取目标对象的时空轨迹和候选对象的时空轨迹包括：获取第三时长内所述目标对象的时空轨迹和所述候选对象的时空轨迹，其中，所述第三时长为预设的统计区间或用户配置的统计区间。
根据本申请的另一个实施例，提供了一种关联对象的识别装置，包括：时空轨迹获取模块，设置为获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；轨迹点匹配模块，设置为确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；轨迹点后处理模块，设置为对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；关联对象确定模块，设置为在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
根据本申请的又一个实施例，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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请实施例中的方案，基于目标对象和候选对象的时空轨迹，进行时间和空间两个维度的匹配，对于确定匹配的轨迹点进行进一步的有效轨迹点筛选和/或关键轨迹点识别(同乘、同框)，并在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象，该方案能够解决如何准确地确定与目标对象相关联的对象的问题，实现更加准确的关联对象识别。
附图说明
图1是本申请实施例的一种关联对象的识别方法的监控设备的硬件结构框图；
图2是根据本申请实施例的关联对象的识别方法的流程图；
图3是根据本申请实施例的关联对象的识别装置的结构框图；
图4是根据本申请实施例的关联对象的识别装置的示例性结构框图；
图5是根据本发明实施例的关联对象的识别方法的详细流程图。
具体实施方式
为了解决如何准确地确定与目标对象相关联的对象的问题，本申请的一个或多个实施例中提供了一种关联对象的识别方法、装置及计算机可读存储介质，该方案通过对目标对象(例如，目标人员、目标物品)的时空轨迹进行分析，与数据库中其他对象(以下称为候选对象，例如可以是候选人员、候选物品等等)的时空轨迹进行对比，找到轨迹重合度高的对象，作为相关联的对象。
下文中将参考附图并结合实施例来详细说明本申请的实施例。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在监控设备、监控服务器、计算机终端或者类似的具有运算功能的装置中执行。以运行在监控设备上为例，图1是本申请实施例的一种关联对象的识别方法的监控设备的硬件结构框图。如图1所示，监控设备可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述监控设备还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述监控设备的结构造成限定。例如，监控设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的关联对象的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至监控设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据、或通过设备间直接通信的接口接收或者发送数据，其可以实现监控设备与图像采集设备之间的通信，包括向图像采集设备发送控制信息，或接收图像采集设备上报的采集图像、视频等等。上述的网络具体实例可包括监控设备的通信供应商提供的无线网络或有线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(RadioFrequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。在另一个实例中，传输装置106可以为设备间直接通信的接口。
在本实施例中提供了一种运行于监控设备、监控服务器、计算机终端或者类似的具有运算功能的装置的关联对象的识别方法，图2是根据本申请实施例的关联对象的识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息。
所述时间信息可以为任何能够表达对象的出现时间的信息。在实际应用中，为了节省处理资源，往往可以将时间划分为不同的时间块，例如，可以以一定的起始时间为起点以一定时长为单位划分出多个时间块，此时所述时间信息就包括时间块的信息(例如，时间块的索引或标识信息等等)，也就是说，当目标对象和候选对象出现的时间落在同一个时间块内，就可以认为二者是“同时”出现的。
在实际应用中，因为时间上的偶然性，如果根据单一时间块进行时空碰撞，往往会丢失一些精度，例如，只按照每日零点开始每30秒划分为一个时间块，每分钟的第29秒和每分钟的第31秒属于两个时间块，这样在进行碰撞时，会判定在第29秒出现的人员和第31秒出现的人员不是时间同行人员。为了解决这一问题，在至少一个示例性实施例中，所述时间信息可以包括：对象出现的时间所属的第一时间块的信息和第二时间块的信息，其中，所述第一时间块为以第一起始时间为起点以第一时长为单位划分的时间块，所述第二时间块为以第二起始时间为起点以所述第一时长为单位划分的时间块，所述第一起始时间和所述第二起始时间不同，且所述第一起始时间和所述第二起始时间之间的间隔小于所述第一时长。通过该方式，即使目标对象和候选对象的出现时间存在一个较小的时间差，使得二者对应的第一时间块(或第二时间块)不同，也可以依据第二时间块(或第一时间块)相同这个事实来判断二者实际属于时间上有关联的对象。该方法能够有效提高时间关联检测的精度，避免因时间上的偶然性导致时间关联情况的错误判断。
轨迹点的区域信息，是用来判断目标对象和候选对象之间在区域上的关联性的，该区域信息实际上体现了对象所在的位置区域，任何可以表达对象所在位置区域的信息都可以被用来作为区域信息。例如，可以根据图像识别出的位置作为对象的位置区域，此时需要进行较为精细的图像识别操作，会一定程度上浪费***资源。考虑到对象与采集图像的图像采集设备之间的距离往往不大，可以以图像采集设备所述的区域来表征对象所在的位置区域，因此在至少一个示例性实施例中，所述区域信息可以包括：拍摄到对象的图像采集设备所属的区域的信息。
图像采集设备所属的区域需要根据图像采集设备的位置来确定。为了实现区域的划分，在至少一个示例性实施例中，在步骤S202之前，所述方法还可以包括：
步骤S200，通过坐标编码***对图像采集设备的位置坐标信息进行编码，其中，属于相同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串相同，属于不同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串不同；相应地，在所述区域信息中，拍摄到所述对象的图像采集设备所属的区域的信息可以包括：拍摄到所述对象的图像采集设备对应的所述编码字符串。
通过该方法，实际是基于图像采集设备的坐标位置信息，通过坐标编码***进行编码从而实现区域划分，该方案最终得到的编码字符串具有以下性质：相同区域的图像采集设备对应的编码字符串相同，不同区域的图像采集设备对应的编码字符串不同，这样，通过简单的编码字符串是否相同就可以实现是否属于相同区域的判断，该判断过程较基于坐标位置信息的区域计算更加迅速、准确，且***资源占用较小。
在获取时空轨迹时，根据不同的统计区间，可以获取不同时长内的时空轨迹，例如，在至少一个示例性实施例中，步骤S202可以包括以下处理：
获取第三时长内所述目标对象的时空轨迹和所述候选对象的时空轨迹，其中，所述第三时长为预设的统计区间或用户配置的统计区间。其中，统计区间的长度可以包括以下至少之一：一天、三天、一周、半月、一月、一季、半年、一年等等，统计区间的长度也可以由用户任意选择。通过不同统计区间的时空轨迹的获取，可以实现不同统计区间内目标对象和候选对象之间关联关系的确定。
步骤S204，确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点。
在至少一个示例性实施例中，步骤S204可以包括确定符合以下条件的轨迹点为匹配的轨迹点：
对应的所述区域信息相同；以及
所属的所述第一时间块的信息相同或所属的所述第二时间块的信息相同。
通过上述条件所确定的匹配的轨迹点，是目标对象和候选对象之间在时间和空间维度上均匹配的轨迹点，并且如前所述，该方案在时间维度上的判断具有更高的精度，能够有效避免因时间上的偶然性导致时间关联情况的错误判断。
步骤S206，对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点。
有效轨迹点筛选，旨在去除轨迹中过于集中的轨迹点，防止因为短时间内多次匹配、长时间内却无匹配关系的错误匹配判断，在至少一个示例性实施例中，步骤S206中对于匹配的轨迹点，进行有效轨迹点筛选可以包括：
从所述匹配的轨迹点中，筛选出所述时间信息的间隔大于第二时长的一组或多组匹配的轨迹点作为所述有效轨迹点。
在至少一个示例性实施例中，在具有多组匹配的轨迹点的情况下，进行有效轨迹点筛选可以包括以下至少之一：
若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔小于或等于第二时长，则从所述多组匹配的轨迹点中筛选出一组匹配的轨迹点，在实际应用中，筛选出的一组匹配的轨迹点，可以是所述多组匹配的轨迹点中的第一组、或最后一组、或中间一组匹配的轨迹点；
若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔大于所述第二时长，则从所述多组匹配的轨迹点中筛选出多组匹配的轨迹点，其中，筛选出的多组匹配的轨迹点中，任意两组匹配的轨迹点之间所述时间信息的间隔大于所述第二时长，在实际应用中，筛选出的匹配的轨迹点，可以是间隔等于所述第二时长的多组匹配的轨迹点中的第一组、或最后一组、或中间一组匹配的轨迹点。
步骤S208，在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
在至少一个示例性实施例中，识别出所述关键轨迹点的情况可以包括以下之一：
识别出存在所述关键轨迹点；
识别出的所述关键轨迹点的数量超过第二阈值。
通过该方法，基于目标对象和候选对象的时空轨迹，进行时间和空间两个维度的匹配，对于确定匹配的轨迹点进行进一步的有效轨迹点筛选和/或关键轨迹点识别(同乘、同框)，并在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象，该方案能够解决如何准确地确定与目标对象相关联的对象的问题，实现更加准确的关联对象识别。
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根据上述实施例的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，本申请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ROM/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，或者网络设备等)执行本申请各个实施例所述的方法。
在本实施例中还提供了一种关联对象的识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请实施例的关联对象的识别装置的结构框图，如图3所示，该装置包括：时空轨迹获取模块32、轨迹点匹配模块34、轨迹点后处理模块36、关联对象确定模块38。以下分别进行详细描述。
时空轨迹获取模块32设置为获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息。
所述时间信息可以为任何能够表达对象的出现时间的信息。在实际应用中，为了节省处理资源，往往可以将时间划分为不同的时间块，例如，可以以一定的起始时间为起点以一定时长为单位划分出多个时间块，此时所述时间信息就包括时间块的信息(例如，时间块的索引或标识信息等等)，也就是说，当目标对象和候选对象出现的时间落在同一个时间块内，就可以认为二者是“同时”出现的。
在实际应用中，因为时间上的偶然性，如果根据单一时间块进行时空碰撞，往往会丢失一些精度，例如，只按照每日零点开始每30秒划分为一个时间块，每分钟的第29秒和每分钟的第31秒属于两个时间块，这样在进行碰撞时，会判定在第29秒出现的人员和第31秒出现的人员不是时间同行人员。为了解决这一问题，在至少一个示例性实施例中，所述时间信息可以包括：对象出现的时间所属的第一时间块的信息和第二时间块的信息，其中，所述第一时间块为以第一起始时间为起点以第一时长为单位划分的时间块，所述第二时间块为以第二起始时间为起点以所述第一时长为单位划分的时间块，所述第一起始时间和所述第二起始时间不同，且所述第一起始时间和所述第二起始时间之间的间隔小于所述第一时长。通过该方式，即使目标对象和候选对象的出现时间存在一个较小的时间差，使得二者对应的第一时间块(或第二时间块)不同，也可以依据第二时间块(或第一时间块)相同这个事实来判断二者实际属于时间上有关联的对象。该方法能够有效提高时间关联检测的精度，避免因时间上的偶然性导致时间关联情况的错误判断。
轨迹点的区域信息，是用来判断目标对象和候选对象之间在区域上的关联性的，该区域信息实际上体现了对象所在的位置区域，任何可以表达对象所在位置区域的信息都可以被用来作为区域信息。例如，可以根据图像识别出的位置作为对象的位置区域，此时需要进行较为精细的图像识别操作，会一定程度上浪费***资源。考虑到对象与采集图像的图像采集设备之间的距离往往不大，可以以图像采集设备所述的区域来表征对象所在的位置区域，因此在至少一个示例性实施例中，所述区域信息可以包括：拍摄到对象的图像采集设备所属的区域的信息。
时空轨迹获取模块32在获取时空轨迹时，根据不同的统计区间，可以获取不同时长内的时空轨迹，例如，在至少一个示例性实施例中，时空轨迹获取模块32可以设置为获取第三时长内所述目标对象的时空轨迹和所述候选对象的时空轨迹，其中，所述第三时长为预设的统计区间或用户配置的统计区间。其中，统计区间的长度可以包括以下至少之一：一天、三天、一周、半月、一月、一季、半年、一年等等，统计区间的长度也可以由用户任意选择。通过不同统计区间的时空轨迹的获取，可以实现不同统计区间内目标对象和候选对象之间关联关系的确定。
轨迹点匹配模块34设置为确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点。
在至少一个示例性实施例中，轨迹点匹配模块34可以设置为确定符合以下条件的轨迹点为匹配的轨迹点：
对应的所述区域信息相同；以及
所属的所述第一时间块的信息相同或所属的所述第二时间块的信息相同。
轨迹点匹配模块34通过上述条件所确定的匹配的轨迹点，是目标对象和候选对象之间在时间和空间维度上均匹配的轨迹点，并且如前所述，该轨迹点匹配模块34在时间维度上的判断具有更高的精度，能够有效避免因时间上的偶然性导致时间关联情况的错误判断。
轨迹点后处理模块36，设置为对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点。
轨迹点后处理模块36执行的有效轨迹点筛选，旨在去除轨迹中过于集中的轨迹点，防止因为短时间内多次匹配、长时间内却无匹配关系的错误匹配判断，在至少一个示例性实施例中，轨迹点后处理模块36设置为从所述匹配的轨迹点中，筛选出所述时间信息的间隔大于第二时长的一组或多组匹配的轨迹点作为所述有效轨迹点。
在至少一个示例性实施例中，在具有多组匹配的轨迹点的情况下，轨迹点后处理模块36可以设置为通过以下方式至少之一进行有效轨迹点筛选：
若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔小于或等于第二时长，则从所述多组匹配的轨迹点中筛选出一组匹配的轨迹点，在实际应用中，筛选出的一组匹配的轨迹点，可以是所述多组匹配的轨迹点中的第一组、或最后一组、或中间一组匹配的轨迹点；
若所述多组匹配的轨迹点中，所述时间信息最早的一组匹配的轨迹点和所述时间信息最晚的一组匹配的轨迹点之间的时间间隔大于所述第二时长，则从所述多组匹配的轨迹点中筛选出多组匹配的轨迹点，其中，筛选出的多组匹配的轨迹点中，任意两组匹配的轨迹点之间所述时间信息的间隔大于所述第二时长，在实际应用中，筛选出的匹配的轨迹点，可以是间隔等于所述第二时长的多组匹配的轨迹点中的第一组、或最后一组、或中间一组匹配的轨迹点。
关联对象确定模块38，设置为在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
在至少一个示例性实施例中，关联对象确定模块38确定识别出所述关键轨迹点的情况可以包括以下之一：
识别出存在所述关键轨迹点；
识别出的所述关键轨迹点的数量超过第二阈值。
通过该装置，基于目标对象和候选对象的时空轨迹，进行时间和空间两个维度的匹配，对于确定匹配的轨迹点进行进一步的有效轨迹点筛选和/或关键轨迹点识别(同乘、同框)，并在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象，该装置能够解决如何准确地确定与目标对象相关联的对象的问题，实现更加准确的关联对象识别。
图像采集设备所属的区域需要根据图像采集设备的位置来确定。为了实现区域的划分，还可以设置区域划分模块42，图4是根据本申请实施例的关联对象的识别装置的示例性结构框图，如图4所示，该装置除包括图3所示的所有模块外，还包括：
区域划分模块42，设置为通过坐标编码***对图像采集设备的位置坐标信息进行编码，其中，属于相同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串相同，属于不同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串不同；相应地，在所述区域信息中，拍摄到所述对象的图像采集设备所属的区域的信息可以包括：拍摄到所述对象的图像采集设备对应的所述编码字符串。
通过区域划分模块42，实际是基于图像采集设备的坐标位置信息，通过坐标编码***进行编码从而实现区域划分，该方案最终得到的编码字符串具有以下性质：相同区域的图像采集设备对应的编码字符串相同，不同区域的图像采集设备对应的编码字符串不同，这样，轨迹点匹配模块34通过简单的编码字符串是否相同就可以实现是否属于相同区域的判断，轨迹点匹配模块34实现该判断过程较基于坐标位置信息的区域计算更加迅速、准确，且***资源占用较小。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；
S2，确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；
S3，对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；
S4，在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；
S2，确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；
S3，对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；
S4，在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
以下以针对目标人员确定同行人员的场景为例，详细介绍本申请实施例的关联对象的识别方法的具体实施过程。
考虑到相关技术中，可能存在对不同场景下的同行人考虑不全(例如同时出行的人员，如果同行次数小于预设次数，则其同行关系被忽略)、只考虑当天同行关系没有考虑历史同行关系导致得到的同行可能不准确、只考虑在一个区域内的同行没考虑当天内长期同行关系的缺陷，本实施例提供了一种关联对象的识别方法，该方法在对人像时空轨迹进行分析碰撞的基础上，加入同框人和同乘人的分析，完善了同行人员分析的场景，并且在获取当日同行人员分析结果的基础上，对历史同行关系进行分析。
图5是根据本发明实施例的关联对象的识别方法的详细流程图，如图5所示，该关联对象的识别方法包括以下步骤：
步骤S501，本步骤分为两部分：分空间区域块和划分时间块。
分空间区域块，通过geohash编码将人像卡口抓拍设备划分为不同区域，处于同一区域内的卡口设备抓拍到的人员，视为同一空间内出现人员，具体geohash编码如下：
space_block＝geohash(gps_x,gps_y)
划分时间块，从每日零点开始，每30秒划分为一个时间块，由此得到时间块集合time_blocka。从每日零点零分十五秒开始，每30秒划分时间块，由此得到时间块集合time_blockb。两次划分时间块的原因是根据时间块进行时空碰撞时，会丢失一些精度，例如，只按照每日零点开始每30秒划分为一个时间块，每分钟的第29秒和每分钟的第31秒属于两个时间块，这样在进行碰撞时，会判定在第29秒出现的人员和第31秒出现的人员不是时间同行人员。两次划分时间块，并且碰撞时只要两个人员时间块time_blocka相等或者时间块time_blockb相等，均视为时间上同行，可以缓解以上问题。
如果满足time_blocka1＝time_blocka2 or time_blockb1＝time_blockb2，则人员A和人员B在该时间范围内同行。
步骤S502，全量遍历当日数据，取人员A的轨迹A与目标人员B的轨迹B进行碰撞，轨迹由轨迹点组成，每一个轨迹点由空间块和时间块组成，如下公式所示。若A和B的轨迹点空间区域space_block相同以及时间块time_block相同，则标记该轨迹点为同行轨迹点。
Figure BDA0002910351630000171
步骤S503，每二十分钟进行归总，无论人员A的轨迹Traj_a和人员B的轨迹Traj_b在这二十分钟内有多少个同行轨迹点，二十分钟内均只视为同行一次，更多的关注长时间同行的情况。即人员A存在两个与人员B存在两个或者多个同行轨迹点(traj_a1,traj_b1),...,(traj_a2,traj_b2)，如果traj_a1和traj_a2的时间差在20分钟之内，则只保留一个同行轨迹点(traj_a1,traj_b1)，可以解决短时间在一个区域内同行多次，长时间不同行的情况。
步骤S504，统计人员A和目标人员B归总后同行轨迹点的个数，若同行轨迹点个数超过某一阈值，则认为人员A与目标人员B当日同行。以此类推，其他人员情况类似，最终获取所有人员的同行人结果集。
上述得到的同行人有局限性，如果两人同行的次数小于同行点阈值，则认为这两人不同行。但事实上，可能是因为其被抓拍的次数小于预设同行次数，按照上述方法，会将一部分同行情况过滤掉。因此在上述方法获得同行人的基础上，增加同乘人与同框人场景。
步骤S505，识别同乘人场景：获取乘坐同一辆车辆，且两人处于主副驾驶位置，且相隔时间前后不差过60秒的数据，作为同乘人，将其并入同行人结果集，如下公式所示。
if plate_num_a＝plate_num_b
and time_a-time_b＜60S
and(drive_type_a＝3 and drive_type_b＝4)
or(drive_type_a＝4 and drive_type_b＝3)
步骤S506，识别同框人场景：被同一张图片抓拍到的人员视为一次同框，如果一天内，人员间有两次或以上同框，则视为同框人，将其并入同行人结果集。
步骤S507，获取每日同行人结果集，统计每个人员与其同行人员间的每月同行情况，每年同行情况，统计同行历史关系。
综上，本实施例提出了一种新的识别同行人方法，划分时间块和空间块，通过时间块和空间块碰撞来获取同行人信息；该方案在同行关系中新增同乘人场景以及同框人场景，丰富了同行情况，可以抓取到更多的同行关系；该方法中同行人关系中每二十分钟归总，可以去除短时间内同行多次的情况，保留长时间同行关系。该识别同行人方法具有以下技术优点：
(1)划分时间块以及geohash空间区域块，加快时空碰撞的效率。
(2)同行人关系中每二十分钟归总，可以去除短时间内同行多次的情况，保留长时间同行关系。
(3)同行关系中新增同乘人场景以及同框人场景，丰富了同行情况，可以抓取到更多的同行关系。
(4)因为是计算的全量轨迹，对异常点的敏感性不高，并且同时利用了轨迹的时间和空间信息。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种关联对象的识别方法，其特征在于，包括：
获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；
确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；
对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；
在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
2.根据权利要求1所述的方法，其特征在于，所述时间信息包括：对象出现的时间所属的第一时间块的信息和第二时间块的信息，其中，所述第一时间块为以第一起始时间为起点以第一时长为单位划分的时间块，所述第二时间块为以第二起始时间为起点以所述第一时长为单位划分的时间块，所述第一起始时间和所述第二起始时间不同，且所述第一起始时间和所述第二起始时间之间的间隔小于所述第一时长。
3.根据权利要求2所述的方法，其特征在于，确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点包括：
确定符合以下条件的轨迹点为匹配的轨迹点：
对应的所述区域信息相同；以及
所属的所述第一时间块的信息相同或所属的所述第二时间块的信息相同。
4.根据权利要求1所述的方法，其特征在于，所述区域信息包括：拍摄到对象的图像采集设备所属的区域的信息。
5.根据权利要求4所述的方法，其特征在于，在获取目标对象的时空轨迹和候选对象的时空轨迹之前，还包括：
通过坐标编码***对图像采集设备的位置坐标信息进行编码，其中，属于相同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串相同，属于不同区域的图像采集设备的所述位置坐标信息通过所述坐标编码***进行编码后得到的编码字符串不同；相应地，在所述区域信息中，拍摄到所述对象的图像采集设备所属的区域的信息包括：拍摄到所述对象的图像采集设备对应的所述编码字符串。
6.根据权利要求1所述的方法，其特征在于，对于匹配的轨迹点，进行有效轨迹点筛选包括：
从所述匹配的轨迹点中，筛选出所述时间信息的间隔大于第二时长的一组或多组匹配的轨迹点作为所述有效轨迹点。
7.根据权利要求1所述的方法，其特征在于，识别出所述关键轨迹点的情况包括以下之一：
识别出存在所述关键轨迹点；
识别出的所述关键轨迹点的数量超过第二阈值。
8.根据权利要求1所述的方法，其特征在于，获取目标对象的时空轨迹和候选对象的时空轨迹包括：
获取第三时长内所述目标对象的时空轨迹和所述候选对象的时空轨迹，其中，所述第三时长为预设的统计区间或用户配置的统计区间。
9.一种关联对象的识别装置，其特征在于，包括：
时空轨迹获取模块，设置为获取目标对象的时空轨迹和候选对象的时空轨迹，其中，所述时空轨迹包括多个轨迹点，每个轨迹点包括时间信息和区域信息；
轨迹点匹配模块，设置为确定所述目标对象的时空轨迹和所述候选对象的时空轨迹之间，所述时间信息和所述区域信息均匹配的轨迹点；
轨迹点后处理模块，设置为对于匹配的轨迹点，进行有效轨迹点筛选和/或关键轨迹点识别，其中，所述关键轨迹点包括：所述目标对象和所述候选对象乘坐同一车辆和/或出现在同一采集图像中的轨迹点；
关联对象确定模块，设置为在所述有效轨迹点的数量高于第一阈值、或识别出所述关键轨迹点的情况下，确定所述候选对象为所述目标对象的关联对象。
10.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
CN202110084594.9A 2021-01-21 2021-01-21 关联对象的识别方法、装置及计算机可读存储介质 Active CN112818173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110084594.9A CN112818173B (zh) 2021-01-21 2021-01-21 关联对象的识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110084594.9A CN112818173B (zh) 2021-01-21 2021-01-21 关联对象的识别方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112818173A true CN112818173A (zh) 2021-05-18
CN112818173B CN112818173B (zh) 2023-07-28

Family

ID=75858658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110084594.9A Active CN112818173B (zh) 2021-01-21 2021-01-21 关联对象的识别方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112818173B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468283A (zh) * 2021-06-29 2021-10-01 北京市商汤科技开发有限公司 数据处理方法、装置、设备、存储介质
CN114780796A (zh) * 2022-03-31 2022-07-22 杭州海康威视数字技术股份有限公司 轨迹关联方法、装置、电子设备及机器可读存储介质
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
WO2023098339A1 (zh) * 2021-12-03 2023-06-08 上海商汤智能科技有限公司 数据处理方法、装置、设备、存储介质及程序产品
CN117523472A (zh) * 2023-09-19 2024-02-06 浙江大华技术股份有限公司 客流数据统计方法、计算机设备及计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781467A (zh) * 2016-12-07 2017-05-31 华南理工大学 一种基于协同过滤的公交乘客刷卡站点信息提取方法
CN108805315A (zh) * 2017-04-27 2018-11-13 上海博泰悦臻网络技术服务有限公司 根据轨迹点绘制出行轨迹的方法及***、车载终端及车辆
CN109035787A (zh) * 2018-09-10 2018-12-18 华南理工大学 一种利用移动通信数据识别交通工具类别的方法
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
CN110874362A (zh) * 2019-10-29 2020-03-10 青岛海信网络科技股份有限公司 一种数据关联分析方法及装置
WO2020150896A1 (zh) * 2019-01-22 2020-07-30 深圳大学 视频目标的数据关联方法、装置及存储介质
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
CN112037927A (zh) * 2020-08-24 2020-12-04 北京金山云网络技术有限公司 与被追踪人关联的同行人确定方法、装置及电子设备
CN112100308A (zh) * 2020-11-02 2020-12-18 中科星图股份有限公司 一种北斗时空轨迹的相似性查询方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781467A (zh) * 2016-12-07 2017-05-31 华南理工大学 一种基于协同过滤的公交乘客刷卡站点信息提取方法
CN108805315A (zh) * 2017-04-27 2018-11-13 上海博泰悦臻网络技术服务有限公司 根据轨迹点绘制出行轨迹的方法及***、车载终端及车辆
CN109035787A (zh) * 2018-09-10 2018-12-18 华南理工大学 一种利用移动通信数据识别交通工具类别的方法
WO2020150896A1 (zh) * 2019-01-22 2020-07-30 深圳大学 视频目标的数据关联方法、装置及存储介质
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
CN110874362A (zh) * 2019-10-29 2020-03-10 青岛海信网络科技股份有限公司 一种数据关联分析方法及装置
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
CN112037927A (zh) * 2020-08-24 2020-12-04 北京金山云网络技术有限公司 与被追踪人关联的同行人确定方法、装置及电子设备
CN112100308A (zh) * 2020-11-02 2020-12-18 中科星图股份有限公司 一种北斗时空轨迹的相似性查询方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
涂刚凯等: "时空轨迹相似度计算方法研究与实现", 《计算机与数字工程》 *
誓约•追光者: "同行分析优化", 《HTTPS://BLOG.CSDN.NET/QQ_38284543/ARTICLE/DETAILS/108064409?SPM=1001.2014.3001.5502》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468283A (zh) * 2021-06-29 2021-10-01 北京市商汤科技开发有限公司 数据处理方法、装置、设备、存储介质
WO2023098339A1 (zh) * 2021-12-03 2023-06-08 上海商汤智能科技有限公司 数据处理方法、装置、设备、存储介质及程序产品
CN114780796A (zh) * 2022-03-31 2022-07-22 杭州海康威视数字技术股份有限公司 轨迹关联方法、装置、电子设备及机器可读存储介质
CN114780796B (zh) * 2022-03-31 2024-05-24 杭州海康威视数字技术股份有限公司 轨迹关联方法、装置、电子设备及机器可读存储介质
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN115033732B (zh) * 2022-08-11 2022-11-15 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN117523472A (zh) * 2023-09-19 2024-02-06 浙江大华技术股份有限公司 客流数据统计方法、计算机设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112818173B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN112818173A (zh) 关联对象的识别方法、装置及计算机可读存储介质
EP3855343A1 (en) Customer visit analysis method and apparatus, and storage medium
CN106570465B (zh) 一种基于图像识别的人流量统计方法及装置
US20210357624A1 (en) Information processing method and device, and storage medium
US20210357678A1 (en) Information processing method and apparatus, and storage medium
CN111291682A (zh) 确定目标对象的方法、装置、存储介质及电子装置
CN112419120B (zh) 群体性聚集事件预警方法、装置、***和电子设备
CN111010547A (zh) 目标对象的追踪方法及装置、存储介质、电子装置
CN111091106B (zh) 图像聚类方法及装置、存储介质、电子装置
CN112651398B (zh) 车辆的抓拍控制方法、装置及计算机可读存储介质
CN112770265B (zh) 一种行人身份信息获取方法、***、服务器和存储介质
CN113592785A (zh) 一种目标流量统计方法及装置
CN110796014A (zh) 垃圾投放习惯分析方法、***、装置及存储介质
CN114519879A (zh) 人体数据归档方法、装置、设备及存储介质
CN114155576A (zh) 一种图像处理方法及装置
CN113077018A (zh) 一种目标对象识别方法、装置、存储介质及电子装置
CN113963438A (zh) 行为识别方法及装置、设备和存储介质
CN112434049A (zh) 表格数据存储方法、装置、存储介质及电子装置
CN112926639A (zh) 一种轨迹跟踪方法、装置、存储介质及电子装置
CN109120896B (zh) 安防视频监控卫士***
CN114863364B (zh) 一种基于智能视频监控的安防检测方法及***
CN114359828A (zh) 目标行为的记录方法、装置、存储介质及电子装置
CN115880754A (zh) 一种多档合并的方法、装置及电子设备
CN114780304A (zh) 一种基于大数据的智慧城市运维管理方法及云平台
CN112613396B (zh) 一种任务紧急程度处理方法及***

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
GR01 Patent grant
GR01 Patent grant