CN112966638A - 基于多种特征的变电站作业人员鉴别及定位方法 - Google Patents
基于多种特征的变电站作业人员鉴别及定位方法 Download PDFInfo
- Publication number
- CN112966638A CN112966638A CN202110301911.8A CN202110301911A CN112966638A CN 112966638 A CN112966638 A CN 112966638A CN 202110301911 A CN202110301911 A CN 202110301911A CN 112966638 A CN112966638 A CN 112966638A
- Authority
- CN
- China
- Prior art keywords
- gait
- face
- personnel
- template image
- camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005021 gait Effects 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002360 preparation method Methods 0.000 claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000007639 printing Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多种特征的变电站作业人员鉴别及定位方法。本发明采用的技术方案为,离线准备阶段:构建变电站平面坐标系,确定站内所有摄像头的位置坐标,并建立摄像头拍摄覆盖区域到站内坐标的映射关系;构建并训练人体与人脸检测模块、人脸特征提取模块及人脸匹配模块、步态特征提取模块及步态匹配模块;在线应用阶段:通过摄像头获取监控视频流,获取作业人员的人脸和步态特征,以人脸为主、步态为辅的互补方式区分多个统一着装的作业人员;根据摄像头拍摄覆盖区域到平面坐标的映射关系计算作业人员当前位置。本发明可有效解决统一着装作业人员在人脸获取困难时的身份鉴别难的问题,结合摄像头可实现人员的初步定位及轨迹跟踪。
Description
技术领域
本发明属于智能视频监控领域,涉及一种基于多种特征的变电站作业人员鉴别及定位方法,可应用于变电站的视频监控***。
背景技术
随着无人值守变电站的建设,基于摄像头的视频监控技术在变电站中的应用得到普及,为变电站内设备及周界环境安全提供了可靠而有效的监控手段。然而,随着电力需求持续增长,变电站数量也相应增长。
目前,变电站内的作业人员管理和行为管控大多数情况下完全依靠人工核查和监护,高度依赖人员责任心。虽然已经出现了依靠信息化视频监控技术进行作业现场的安全管控手段,但是作业现场的监控视频仍需要人工观看核查,大量的现场实时视频需要大量人工查看,人力有限,无法同时顾及所有视频画面,也就无法实现全方位无死角的管控。同时,作业人员因工作需求统一着装,进入变电站之后很难区分,也就难以实现对作业人员的动态定位,以及进一步的行动轨迹绘制。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于多种特征的变电站作业人员鉴别及定位方法。
为实现上述目的,本发明采用的技术方案为:基于多种特征的变电站作业人员鉴别及定位方法,其包括离线准备阶段和在线应用阶段;
所述的离线准备阶段:首先,构建变电站平面坐标系,确定变电站内所有摄像头的位置坐标,并建立摄像头拍摄覆盖区域到平面坐标的映射关系;其次,构建并训练人体检测模块、人脸检测模块、人脸特征提取模块、人脸匹配模块、步态特征提取模块和步态匹配模块;
所述的在线应用阶段:首先,通过摄像头获取监控视频流,由人体检测模块、人脸检测模块、人脸特征提取模块和步态特征提取模块获取作业人员的人脸和步态特征,以人脸为主、步态为辅的互补方式区分多个统一着装的作业人员;然后,根据摄像头拍摄覆盖区域到平面坐标的映射关系计算作业人员当前位置。
本发明引入了步态特征,可有效解决统一着装作业人员在人脸获取困难时的身份鉴别难的问题,结合摄像头可实现作业人员的初步定位及轨迹跟踪,且实施方案简单易行,易于推广,可作为变电站视频监控***的扩展功能。
作为上述方法的补充,所述离线准备阶段的具体步骤如下:
步骤1,建立变电站平面坐标系;
步骤2,对变电站内所有摄像头进行编号,并建立摄像头及视角到该视角下所拍摄的模板图像的映射关系,记为f(摄像头编号,视角标识)=模板图像;
步骤3,将模板图像均分为若干子区域,建立模板图像中各子区域编号到变电站内坐标的映射关系,记为f(模板图像,子区域编号)=站内坐标;
步骤4,构建并训练基于目标检测算法的人体检测模块;
步骤5,构建并训练基于目标检测算法的人脸检测模块;
步骤6,构建并训练人脸特征提取模块和人脸匹配模块;
步骤7,构建并训练步态特征提取模块和步态匹配模块;
步骤8,构建人脸特征数据库和步态特征数据库,初始为空。
作为上述方法的补充,所述在线应用阶段的具体步骤如下:
步骤9,采用人体检测模块对监控视频流的视频帧进行分析;
步骤10,若检测到人体,则采用人脸检测模块对视频帧进行分析;
步骤11,若检测到清晰人脸,则采用人脸特征对人员进行鉴别并打上标签;
步骤12,若未检测到清晰人脸,则采用步态特征对人员进行鉴别并打上标签;
步骤13,对监控视频流中出现的人员进行定位,即<人员标签,站内坐标>。
作为上述方法的补充,所述的步骤1中,
所述的建立变电站平面坐标系,有以下两个途径:一,根据变电站平面布置图建立坐标系;二,通过实地勘测建立坐标系。
作为上述方法的补充,所述的离线准备阶段只需要执行一次,但是当变电站内新增摄像头、替换摄像头或摄像头安装位置变动情况发生时,对应的需要对其中两个映射关系进行更新修改。
作为上述方法的补充,所述的步骤2包括:
步骤2-1,对摄像头进行编号;
步骤2-2,将摄像头的视角范围均分为若干份,并对每个视角进行标识;
步骤2-3,在每个视角下拍摄一张图片作为模板图像,必须确保图片清晰;
步骤2-4,以摄像头编号和视角标识作为索引保存模板图像,即f(摄像头编号,视角标识)=模板图像。
作为上述方法的补充,所述的步骤3包括:
步骤3-1,将模板图像划分成x个子区域,形成x宫格;
步骤3-2,找出每个宫格中心点对应的变电站内的位置;
步骤3-3,通过勘测距离来计算上述位置的站内坐标;
步骤3-4,将模板图像中各子区域编号与变电站内坐标一一对应形成映射关系f(模板图像,子区域编号)=站内坐标。
作为上述方法的补充,所述的步骤11包括:
步骤11-1,采用人脸特征提取模块提取当前所有人的人脸特征;
步骤11-2,采用步态特征提取模块提取当前所有人的步态特征;
步骤11-3,采用人脸匹配模块同当前人脸特征数据库比对;
步骤11-4,若比对成功,则采用数据库中的标签,并形成<人员标签,人脸特征>记录;
步骤11-5,若无匹配,则自动打上唯一的人员标签,并形成<人员标签,人脸特征>记录;
步骤11-6,将<人员标签,人脸特征>记录存入人脸特征数据库;
步骤11-7,将<人员标签,步态特征>记录存入步态特征数据库。
以人脸特征检测到的时候顺便同时保存步态特征,作为步态数据库的来源,是为了后续人脸检测不到的时候采用数据库里已有的步态特征来匹配,提高步态特征匹配的准确率。
作为上述方法的补充,所述的步骤12包括:
步骤12-1,采用步态特征提取模块提取当前所有人的步态特征;
步骤12-2,采用步态匹配模块同当前步态特征数据库比对;
步骤12-3,若比对成功,则采用数据库中的标签,并形成<人员标签,步态特征>记录;
步骤12-4,若无匹配,则自动打上唯一的人员标签,并形成<人员标签,步态特征>记录;
步骤12-5,将<人员标签,步态特征>记录存入步态特征数据库。
作为上述方法的补充,所述的步骤13包括:
步骤13-1,获取拍摄当前视频帧的摄像头编号;
步骤13-2,获取当前视频帧的拍摄视角,即视角标识;
步骤13-3,通过映射f(摄像头编号,视角标识)=模板图像获得模板图像;
步骤13-4,通过匹配模板图像和视频帧计算人员所在子区域编号;
步骤13-5,通过映射f(模板图像,子区域编号)=站内坐标获取人员当前的站内坐标;
步骤13-6,完成人员定位,即<人员标签,站内坐标>。
本发明可应用于变电站视频监控***,依托变电站内的监控摄像头,通过事先建立好的关联映射关系,以及预先训练好的人脸、步态特征提取和匹配模块,能够快速地对作业人员进行身份鉴别与定位,提高作业现场安全管控水平。本发明可解决作业人员着装统一和人脸难以获取等场景下的人员身份识别问题,且实施方案简单易行,易于推广。
附图说明
图1是本发明方法离线准备阶段的流程图;
图2是本发明方法在线应用阶段的流程图;
图3是本发明方法步骤2的具体流程图;
图4是本发明方法步骤3的具体流程图;
图5是本发明方法步骤11的具体流程图;
图6是本发明方法步骤12的具体流程图;
图7是本发明方法步骤13的具体流程图。
具体实施方式
以下结合说明书附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
实施例1
如图1和图2所示,本发明提供的基于多种特征的变电站作业人员鉴别及定位方法,包括离线准备阶段和在线定位阶段。
如图1所示,离线准备阶段的具体实施步骤如下:
步骤1:建立变电站平面坐标系。以变电站平面布置图为依据,选取变电站中某一点为坐标原点,以正北方向作为Y轴正方向,以正东方向为X轴正方向。其中,坐标原点可以为变电站中心、正门中点、角落点,根据现场情况选定,坐标精确到0.1米。
步骤2:对变电站内所有摄像头进行编号,编号以“camera+数字”形式组成,编号在站内唯一。建立摄像头及视角到该视角下所拍摄的模板图像的映射关系,记为f(摄像头编号,视角标识)=模板图像。如图3所示,步骤2的实施步骤如下:
步骤2-1:对摄像头进行编号。
步骤2-2:将摄像头的视角范围均分为若干份,并对每个视角进行标识。摄像头视角范围呈扇形,视角标识以当前视觉朝向角度值表示,且当前所在视角朝向角度能够通过视频监控***自动获取。
步骤2-3:在每个视角下拍摄一张图片作为模板图像,必须确保图片清晰。
步骤2-4:以摄像头编号和视角标识作为索引保存模板图像,即f(摄像头编号,视角标识)=模板图像。采用数据库存储模板图像,以摄像头编号和视角标识的组合作为主键。
步骤3:将模板图像均分为若干子区域,建立模板图像中各子区域编号到变电站内坐标的映射关系,记为f(模板图像,子区域编号)=站内坐标。如图4所示,步骤3的实施步骤如下:
步骤3-1:将模板图像从长和宽两个维度均分为同样个数的段,交叉形成宫格,根据精确度需求可以选择划分段数,本实施例划分为4段,共形成16宫格。
步骤3-2:找出每个宫格中心点对应的变电站内的位置。
步骤3-3:通过勘测距离来计算上述位置的站内坐标。
步骤3-4:将模板图像中各子区域编号与变电站内坐标一一对应形成映射关系f(模板图像,子区域编号)=站内坐标。通过数据库存储映射关系。
步骤4:构建并训练基于目标检测算法的人体检测模块。本实施例采用的是基于深度学习的目标检测算法,通过公开数据集训练后能够检测到监控视频中的人体。
步骤5:构建并训练基于目标检测算法的人脸检测模块。本实施例采用的是基于深度学习的人脸检测算法,通过公开数据集训练后能够检测到监控视频中的人脸。
步骤6:构建并训练人脸特征提取模块和人脸匹配模块。本实施例采用基于深度学习的人脸特征提取算法,基于提取的特征,构建人脸匹配算法用于比对两张人脸是否同属于一个人。
步骤7:构建并训练步态特征提取模块和步态匹配模块。本实施例采用基于深度学习的视频流步态特征提取算法,基于提取的特征,构建步态匹配算法用于比对两种步态特征是否同属于一个人。
步骤8,构建人脸特征数据和步态特征数据库,初始为空。人脸特征数据库以<人员标签,人脸特征>为一条记录,步态特征数据库以<人员标签,步态特征>为一条记录。其中,人员标签唯一,与特征之间是一对多的关系,在特征匹配时需要逐条比对。
以上离线准备阶段完成后就可以通过摄像头对拍摄到的人员进行身份鉴别和定位,需要经过本发明的在线应用阶段,如图2所示,实施步骤如下:
步骤9:采用人体检测模块对视频帧进行分析。目的是检测视频中是否存在人员。
步骤10:若检测到人体,则进一步采用人脸检测模块对视频帧进行分析。目的是检测视频中是否存在清晰人脸。
步骤11:若检测到清晰人脸,则采用人脸特征对人员进行鉴别并打上标签。人脸识别准确度较高,因此以人脸特征为主。如图5所示,步骤11的实施步骤如下:
步骤11-1:采用人脸特征提取模块提取当前所有人脸的特征。
步骤11-2:采用步态特征提取模块提取当前所有人的步态特征。
步骤11-3:采用人脸匹配模块同当前人脸特征数据库比对。
步骤11-4:若比对成功,则采用数据库中的标签,并形成<人员标签,人脸特征>记录。只要其中一条记录比对成功,则判定匹配。
步骤11-5:若无匹配,则自动打上唯一的人员标签,并形成<人员标签,人脸特征>记录。
步骤11-6:将<人员标签,人脸特征>记录存入人脸特征数据库。同一个人员标签可以有多条记录。
步骤11-7:将<人员标签,步态特征>记录存入步态特征数据库。同一个人员标签可以有多条记录。
步骤12:若未检测到清晰人脸,则采用步态特征对人员进行鉴别并打上标签。人脸识别不到的情况下,以步态特征作为辅助。如图6所示,步骤12的实施步骤如下:
步骤12-1:采用步态特征提取模块提取当前所有人的步态特征。
步骤12-2:采用步态匹配模块同当前步态特征数据库比对。
步骤12-3:若比对成功,则采用数据库中的标签,并形成<人员标签,步态特征>记录。只要其中一条记录比对成功,则判定匹配。
步骤12-4:若无匹配,则自动打上唯一的人员标签,并形成<人员标签,步态特征>记录。
步骤12-5:将<人员标签,步态特征>记录存入步态特征数据库。同一个人员标签可以有多条记录。
步骤13:对监控视频流中出现的人员进行定位,即<人员标签,站内坐标>。如图7所示,步骤13的实施步骤如下:
步骤13-1,获取拍摄当前视频帧的摄像头编号。
步骤13-2,获取当前视频帧的拍摄视角,即视角标识。
步骤13-3,通过映射f(摄像头编号,视角标识)=模板图像获得模板图像。
步骤13-4,通过匹配模板图像和视频帧计算人员所在子区域编号。
步骤13-5,通过映射f(模板图像,子区域编号)=站内坐标获取人员当前的站内坐标。
步骤13-6,完成人员定位,即<人员标签,站内坐标>。
本发明基于多种特征实现变电站作业人员的身份鉴别,然后通过建立预设位置与变电站内摄像头及拍摄视角、拍摄图像之间的关联映射关系来实现作业人员的动态定位,方法原理简单,无需新建基础设施。
通过上述优选实施例已经对本发明的技术方案做了进一步的详细介绍,但应该强调的是,以上所述具体实施方式不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,在不脱离本发明的技术方案的思想前提下,对于本发明做出的多种修改、替换、润饰都将是显而易见的,都应视为本发明的保护范围。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,包括离线准备阶段和在线应用阶段;
所述的离线准备阶段:首先,构建变电站平面坐标系,确定变电站内所有摄像头的位置坐标,并建立摄像头拍摄覆盖区域到平面坐标的映射关系;其次,构建并训练人体检测模块、人脸检测模块、人脸特征提取模块和人脸匹配模块、步态特征提取模块和步态匹配模块;
所述的在线应用阶段:首先,通过摄像头获取监控视频流,由人体检测模块、人脸检测模块、人脸特征提取模块和步态特征提取模块获取作业人员的人脸和步态特征,以人脸为主、步态为辅的互补方式区分多个统一着装的作业人员;然后,根据摄像头拍摄覆盖区域到平面坐标的映射关系计算作业人员当前位置。
2.根据权利要求1所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述离线准备阶段的具体步骤如下:
步骤1,建立变电站平面坐标系;
步骤2,对变电站内所有摄像头进行编号,并建立摄像头及视角到该视角下所拍摄的模板图像的映射关系,记为f(摄像头编号,视角标识)=模板图像;
步骤3,将模板图像均分为若干子区域,建立模板图像中各子区域编号到变电站内坐标的映射关系,记为f(模板图像,子区域编号)=站内坐标;
步骤4,构建并训练基于目标检测算法的人体检测模块;
步骤5,构建并训练基于目标检测算法的人脸检测模块;
步骤6,构建并训练人脸特征提取模块和人脸匹配模块;
步骤7,构建并训练步态特征提取模块和步态匹配模块;
步骤8,构建人脸特征数据库和步态特征数据库,初始为空。
3.根据权利要求1所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述在线应用阶段的具体步骤如下:
步骤9,采用人体检测模块对监控视频流的视频帧进行分析;
步骤10,若检测到人体,则采用人脸检测模块对视频帧进行分析;
步骤11,若检测到清晰人脸,则采用人脸特征对人员进行鉴别并打上标签;
步骤12,若未检测到清晰人脸,则采用步态特征对人员进行鉴别并打上标签;
步骤13,对监控视频流中出现的人员进行定位,即<人员标签,站内坐标>。
4.根据权利要求2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤1中,
所述的建立变电站平面坐标系,有以下两个途径:一,根据变电站平面布置图建立坐标系;二,通过实地勘测建立坐标系。
5.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,
所述的离线准备阶段只需要执行一次,但是当变电站内新增摄像头、替换摄像头或摄像头安装位置变动情况发生时,对应的需要对其中两个映射关系进行更新修改。
6.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤2包括:
步骤2-1,对所有摄像头进行编号;
步骤2-2,将摄像头的视角范围均分为若干份,并对每个视角进行标识;
步骤2-3,在每个视角下拍摄一张图片作为模板图像,必须确保图片清晰;
步骤2-4,以摄像头编号和视角标识作为索引保存模板图像,即f(摄像头编号,视角标识)=模板图像。
7.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤3包括:
步骤3-1,将模板图像划分成x个子区域,形成x宫格;
步骤3-2,找出每个宫格中心点对应的变电站内的位置;
步骤3-3,通过勘测距离计算上述位置的站内坐标;
步骤3-4,将模板图像中各子区域编号与变电站内坐标一一对应形成映射关系f(模板图像,子区域编号)=站内坐标。
8.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤11包括:
步骤11-1,采用人脸特征提取模块提取当前所有人的人脸特征;
步骤11-2,采用步态特征提取模块提取当前所有人的步态特征;
步骤11-3,采用人脸匹配模块同当前人脸特征数据库比对;
步骤11-4,若比对成功,则采用数据库中的标签,并形成<人员标签,人脸特征>记录;
步骤11-5,若无匹配,则自动打上唯一的人员标签,并形成<人员标签,人脸特征>记录;
步骤11-6,将<人员标签,人脸特征>记录存入人脸特征数据库;
步骤11-7,将<人员标签,步态特征>记录存入步态特征数据库。
9.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤12包括:
步骤12-1,采用步态特征提取模块提取当前所有人的步态特征;
步骤12-2,采用步态匹配模块同当前步态特征数据库比对;
步骤12-3,若比对成功,则采用数据库中的标签,并形成<人员标签,步态特征>记录;
步骤12-4,若无匹配,则自动打上唯一的人员标签,并形成<人员标签,步态特征>记录;
步骤12-5,将<人员标签,步态特征>记录存入步态特征数据库。
10.根据权利要求1、2或3所述的基于多种特征的变电站作业人员鉴别及定位方法,其特征在于,所述的步骤13包括:
步骤13-1,获取拍摄当前视频帧的摄像头编号;
步骤13-2,获取当前视频帧的拍摄视角,即视角标识;
步骤13-3,通过映射f(摄像头编号,视角标识)=模板图像获得模板图像;
步骤13-4,通过匹配模板图像和视频帧计算人员所在子区域编号;
步骤13-5,通过映射f(模板图像,子区域编号)=站内坐标获取人员当前的站内坐标;
步骤13-6,完成人员定位,即<人员标签,站内坐标>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301911.8A CN112966638A (zh) | 2021-03-22 | 2021-03-22 | 基于多种特征的变电站作业人员鉴别及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301911.8A CN112966638A (zh) | 2021-03-22 | 2021-03-22 | 基于多种特征的变电站作业人员鉴别及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966638A true CN112966638A (zh) | 2021-06-15 |
Family
ID=76277954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110301911.8A Pending CN112966638A (zh) | 2021-03-22 | 2021-03-22 | 基于多种特征的变电站作业人员鉴别及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966638A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705376A (zh) * | 2021-08-11 | 2021-11-26 | 中国科学院信息工程研究所 | 一种基于rfid和摄像机的人员定位方法及*** |
CN113723188A (zh) * | 2021-07-28 | 2021-11-30 | 国网浙江省电力有限公司电力科学研究院 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004908A (zh) * | 2010-11-30 | 2011-04-06 | 汉王科技股份有限公司 | 一种自适应的人脸识别方法及装置 |
CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微***技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
CN105095831A (zh) * | 2014-05-04 | 2015-11-25 | 深圳市贝尔信智能***有限公司 | 一种人脸识别的方法、装置及*** |
CN106778556A (zh) * | 2016-12-01 | 2017-05-31 | 大连因特视智能传感科技有限公司 | 基于动态人脸识别和步态识别融合的智能身份识别*** |
CN108399375A (zh) * | 2018-02-07 | 2018-08-14 | 厦门瑞为信息技术有限公司 | 一种基于联想记忆的身份识别方法 |
CN109086739A (zh) * | 2018-08-23 | 2018-12-25 | 成都睿码科技有限责任公司 | 一种无人脸数据训练的人脸识别方法和*** |
CN109145742A (zh) * | 2018-07-19 | 2019-01-04 | 银河水滴科技(北京)有限公司 | 一种行人识别方法及*** |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和*** |
CN110163146A (zh) * | 2019-05-21 | 2019-08-23 | 银河水滴科技(北京)有限公司 | 一种基于人体特征的监控方法及装置 |
CN110175553A (zh) * | 2019-05-23 | 2019-08-27 | 银河水滴科技(北京)有限公司 | 基于步态识别与人脸识别建立特征库的方法及装置 |
CN110717061A (zh) * | 2019-09-09 | 2020-01-21 | 国网浙江省电力有限公司电力科学研究院 | 基于摄像头和关联映射的变电站设备定位方法和*** |
CN111160195A (zh) * | 2019-12-23 | 2020-05-15 | 哈尔滨工程大学 | 一种基于多生物特征识别技术的船舶人员管理*** |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别***和方法 |
CN111859000A (zh) * | 2020-06-24 | 2020-10-30 | 天津大学 | 一种深度学习模型下的人脸特征数据库构建和更新方法 |
CN112149638A (zh) * | 2020-10-23 | 2020-12-29 | 贵州电网有限责任公司 | 基于多模态生物特征的人员身份识别***构建及使用方法 |
CN112199530A (zh) * | 2020-10-22 | 2021-01-08 | 天津众颐科技有限责任公司 | 多维度脸库图片自动更新方法、***、设备及介质 |
CN112307453A (zh) * | 2020-11-09 | 2021-02-02 | 西安建筑科技大学 | 基于人脸识别的人员管理方法及*** |
-
2021
- 2021-03-22 CN CN202110301911.8A patent/CN112966638A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004908A (zh) * | 2010-11-30 | 2011-04-06 | 汉王科技股份有限公司 | 一种自适应的人脸识别方法及装置 |
CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微***技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
CN105095831A (zh) * | 2014-05-04 | 2015-11-25 | 深圳市贝尔信智能***有限公司 | 一种人脸识别的方法、装置及*** |
CN106778556A (zh) * | 2016-12-01 | 2017-05-31 | 大连因特视智能传感科技有限公司 | 基于动态人脸识别和步态识别融合的智能身份识别*** |
CN108399375A (zh) * | 2018-02-07 | 2018-08-14 | 厦门瑞为信息技术有限公司 | 一种基于联想记忆的身份识别方法 |
CN109145742A (zh) * | 2018-07-19 | 2019-01-04 | 银河水滴科技(北京)有限公司 | 一种行人识别方法及*** |
CN109086739A (zh) * | 2018-08-23 | 2018-12-25 | 成都睿码科技有限责任公司 | 一种无人脸数据训练的人脸识别方法和*** |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和*** |
CN110163146A (zh) * | 2019-05-21 | 2019-08-23 | 银河水滴科技(北京)有限公司 | 一种基于人体特征的监控方法及装置 |
CN110175553A (zh) * | 2019-05-23 | 2019-08-27 | 银河水滴科技(北京)有限公司 | 基于步态识别与人脸识别建立特征库的方法及装置 |
CN110717061A (zh) * | 2019-09-09 | 2020-01-21 | 国网浙江省电力有限公司电力科学研究院 | 基于摄像头和关联映射的变电站设备定位方法和*** |
CN111160195A (zh) * | 2019-12-23 | 2020-05-15 | 哈尔滨工程大学 | 一种基于多生物特征识别技术的船舶人员管理*** |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别***和方法 |
CN111859000A (zh) * | 2020-06-24 | 2020-10-30 | 天津大学 | 一种深度学习模型下的人脸特征数据库构建和更新方法 |
CN112199530A (zh) * | 2020-10-22 | 2021-01-08 | 天津众颐科技有限责任公司 | 多维度脸库图片自动更新方法、***、设备及介质 |
CN112149638A (zh) * | 2020-10-23 | 2020-12-29 | 贵州电网有限责任公司 | 基于多模态生物特征的人员身份识别***构建及使用方法 |
CN112307453A (zh) * | 2020-11-09 | 2021-02-02 | 西安建筑科技大学 | 基于人脸识别的人员管理方法及*** |
Non-Patent Citations (1)
Title |
---|
李海霞;张擎;: "结合并行融合的序列化多模态生物特征识别***框架" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723188A (zh) * | 2021-07-28 | 2021-11-30 | 国网浙江省电力有限公司电力科学研究院 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
CN113723188B (zh) * | 2021-07-28 | 2024-06-21 | 国网浙江省电力有限公司电力科学研究院 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
CN113705376A (zh) * | 2021-08-11 | 2021-11-26 | 中国科学院信息工程研究所 | 一种基于rfid和摄像机的人员定位方法及*** |
CN113705376B (zh) * | 2021-08-11 | 2024-02-06 | 中国科学院信息工程研究所 | 一种基于rfid和摄像机的人员定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和*** | |
US9852631B2 (en) | Mobile on-street parking occupancy detection | |
CN104506857A (zh) | 一种摄像头位置偏离检测方法及设备 | |
CN111079600A (zh) | 多摄像头的行人识别方法及识别*** | |
CN102457680A (zh) | 图像处理装置及图像处理方法 | |
CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
CN112966638A (zh) | 基于多种特征的变电站作业人员鉴别及定位方法 | |
CN105160884A (zh) | 一种融合视频监控和rfid的车辆识别方法及装置 | |
CN111027462A (zh) | 跨多摄像头的行人轨迹识别方法 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及*** | |
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN107358236A (zh) | 一种基于摄像装置的车牌号码识别***及方法 | |
CN114972490B (zh) | 一种数据自动标注方法、装置、设备及存储介质 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN111489380A (zh) | 一种目标物体轨迹分析方法 | |
CN115100716A (zh) | 一种智慧社区行人跟踪定位方法及*** | |
CN105447463B (zh) | 变电站基于人体特征识别的跨摄像机自动跟踪*** | |
CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
Espino et al. | Rail and turnout detection using gradient information and template matching | |
CN207923179U (zh) | 智能巡检车 | |
CN113743380B (zh) | 一种基于视频图像动态监测的主动跟踪方法 | |
CN113824880B (zh) | 一种基于目标检测和uwb定位的车辆跟踪方法 | |
KR102446320B1 (ko) | 복수의 카메라에 기반한 맵기반 객체추적 및 이벤트 검출장치 및 그 장치의 구동방법 | |
CN112232272B (zh) | 一种激光与视觉图像传感器融合的行人识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |