CN113887384A - 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 - Google Patents
基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113887384A CN113887384A CN202111150133.3A CN202111150133A CN113887384A CN 113887384 A CN113887384 A CN 113887384A CN 202111150133 A CN202111150133 A CN 202111150133A CN 113887384 A CN113887384 A CN 113887384A
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- image
- trajectory
- frame
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 88
- 230000006870 function Effects 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于多轨迹融合的行人轨迹分析方法,包括:构建预设空间的三维模型,对该预设空间中不同方位的摄像头抓拍到的监控录像进行分析,以获取不同摄像头监控录像中目标的位置信息、人脸特征及人体特征,进而根据位置信息、人脸特征及人体特征判断不同摄像头中的运动轨迹是否属于同一个目标。此外,本发明还涉及区块链技术,监控画面可存储于区块链的节点。本发明还提出一种基于多轨迹融合的行人轨迹分析装置、电子设备以及存储介质。本发明可以提高进行行人轨迹识别的精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于多轨迹融合的行人轨迹分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们对生活安全的愈发重视,人们越来越多地利用摄像头、录像机等设备对生活环境进行监控与分析,例如,对摄像头的录像进行分析,进而从众多行人轨迹中分辨出目标行人的轨迹等,但摄像头监控画面为二维平面,导致单个摄像头监控范围有限,多个摄像头监控到的画面中即便是同一个人的轨迹,也不会重合,因此如何对监控画面进行分析,以确定不同摄像头监控到的轨迹是否为同一行人的轨迹,成为了亟待解决的问题。
现有追踪并分辨目标行人轨迹方法多为摄像头捕捉到的行人的人脸,通过人脸识别技术判断是否为同一个人,进而根据判断结果对不同摄像头的监控画面进行分析,实现对行人的轨迹进行追踪。但该方法中,由于技术或成本等因素影响,大部分摄像头分辨率不够高,情况难以捕捉到行人清晰的正脸,造成人脸识别效果不理想,若仅依据人脸识别从多个轨迹中确定的轨迹判断,会导致无法精确地识别出不同摄像头的两个轨迹是否为同一个人的轨迹。
发明内容
本发明提供一种基于多轨迹融合的行人轨迹分析方法、装置及计算机可读存储介质,其主要目的在于解决进行行人轨迹识别的精确度较低的问题。
为实现上述目的,本发明提供的一种基于多轨迹融合的行人轨迹分析方法,包括:
获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹;
从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
可选地,所述根据所述监控画面建立所述预设空间的三维模型,包括:
获取所述监控画面中从不同角度对同一目标进行拍摄的拍摄画面;
逐个选取其中一个角度对应的拍摄画面为目标画面,随机从所述目标画面中选取所述目标的任一像素点为目标像素点;
以拍摄所述拍摄画面的摄像机为原点向所述目标像素点方向生成向量;
测量所述向量与水平方向的水平夹角,测量所述向量与垂直方向的垂直夹角;
根据所述向量的模长、所述水平夹角和所述垂直夹角计算拍摄所述拍摄画面的摄像机的空间坐标;
以所述目标像素点为原点,并以每一个不同位置的摄像头的空间坐标为已知坐标构建三维坐标系,并确定所述三维坐标系为所述预设空间的三维模型。
可选地,所述识别出所述第一监控录像内每一帧图像中第一目标的位置信息,包括:
从所述第一监控录像中逐个选取其中一帧图像为目标图像;
对所述目标图像进行卷积、池化操作,得到所述目标图像的图像特征;
确定所述图像特征在所述目标图像中的位置为所述第一目标的位置信息。
可选地,所述将所述每一帧图像中目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,包括:
以所述目标图像的中心像素为原点在所述目标图像中构建平面坐标系;
从所述平面坐标系中统计所述目标图像包含的位置信息对应的位置坐标;
利用预设的映射函数将所述位置坐标映射至所述三维模型中,得到所述位置信息在所述三维模型中的三维坐标;
连接所述每一帧图像中目标的位置信息在所述三维模型中的三维坐标,得到所述第一目标在所述三维模型中的第一运动轨迹。
可选地,所述从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征,包括:
按照位置信息对所述第一监控录像中每一帧图像进行裁剪,得到每一帧图像对应的人体图像区域;
逐个选取所述第一监控录像中一帧图像对应的人体图像区域为目标区域,根据所述目标区域中的像素梯度生成所述目标区域的全局特征,并将所述全局特征作为所述第一人体特征;
利用预设激活函数计算所述人体图像区域中每个像素点为人脸像素的概率值,并确定所述概率值大于预设阈值的像素点所在的区域为人脸区域;
利用预设的滑动窗口对所述人脸区域进行逐一框选,得到像素窗口;
根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,并将所述局部特征作为所述第一人脸特征。
可选地,所述根据所述目标区域中的像素梯度生成所述目标区域的全局特征,包括:
统计所述目标区域中每个像素点的像素值;
将所述像素值中最大像素值与最小像素值作为预设的映射函的输入,并利用所述映射函数将所述目标区域中每个像素点的像素值映射至预设范围内;
计算映射后的所述目标区域中每一行像素的像素梯度,将每一行像素的像素梯度转换为行向量,将所述行向量拼接为所述目标区域的全局特征。
可选地,所述根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,包括:
从所述像素窗口中逐个选取其中一个像素点为目标像素点;
判断所述目标像素点的像素值在所述像素窗口内是否为极值;
当所述目标像素点的像素值在所述像素窗口内不是极值时,返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤;
当所述目标像素点的像素值在所述像素窗口内是极值时,则确定所述目标像素点为关键点;
将所有像素窗口内的所有关键点的像素值进行向量化,并将得到的向量汇集为所述目标区域的局部特征。
为了解决上述问题,本发明还提供一种基于多轨迹融合的行人轨迹分析装置,所述装置包括:
三维模型构建模块,用于获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
位置识别模块,用于获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
第一轨迹分析模块,用于将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,用于从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
第二轨迹分析模块,用于获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
轨迹判断模块,用于根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于多轨迹融合的行人轨迹分析方法。
为了解决上述问题,本发明还提供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至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多轨迹融合的行人轨迹分析方法。
本发明实施例能够通过对预设空间不同位置的监控画面构建该空间的三维模型,并利用从不同拍摄角度对第一目标和第二目标进行分析,以将第一目标与第二目标的运动轨迹映射至三维模型中,并结合第一目标与第二目标的人体特征与人脸特征进行综合判断,进而确定所述第一目标与所述第二目标的运动轨迹是否属于同一个人,实现了对运动轨迹的精确分析。因此本发明提出的基于多轨迹融合的行人轨迹分析方法、装置、电子设备及计算机可读存储介质,可以解决进行行人轨迹识别的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于多轨迹融合的行人轨迹分析方法的流程示意图;
图2为本发明一实施例提供的分析第一目标的位置信息的流程示意图;
图3为本发明一实施例提供的分析第一运动轨迹的流程示意图;
图4为本发明一实施例提供的基于多轨迹融合的行人轨迹分析装置的功能模块图;
图5为本发明一实施例提供的实现所述基于多轨迹融合的行人轨迹分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多轨迹融合的行人轨迹分析方法。所述基于多轨迹融合的行人轨迹分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多轨迹融合的行人轨迹分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于多轨迹融合的行人轨迹分析方法的流程示意图。在本实施例中,所述基于多轨迹融合的行人轨迹分析方法包括:
S1、获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型。
本发明实施例中,所述预设空间可以为任何可被摄像头进行监控的空间,例如,卧室、医院监护区、工作室或户外公园等空间。
详细地,所述监控画面是指在所述预设空间中不同方位的摄像头从多个方位对所述预设空间进行监控获取到的画面,例如,利用摄像头从所述预设空间的东、南、西、北等至少两个方向对所述预设空间进行监控获取的画面。
具体地,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从对该预设空间中不同位置的摄像头对应的数据存储区域抓取所述监控画面,所述数据存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明实施例中,由于所述监控画面中包含该预设空间中不同位置的摄像头监控到的画面,不同画面之间的空间位置不统一,无法用于后续对行人轨迹进行统一地分析,因此,可通过所述监控画面建立所述预设空间的三维模型,进而使得处于不同位置的每一个摄像头在监控到画面是,可实现将画面中物体坐标维度的统一,进而提高对行人轨迹进行分析的精确度。
本发明实施例中,所述根据所述监控画面建立所述预设空间的三维模型,包括:
获取所述监控画面中从不同角度对同一目标进行拍摄的拍摄画面;
逐个选取其中一个角度对应的拍摄画面为目标画面,随机从所述目标画面中选取所述目标的任一像素点为目标像素点;
以拍摄所述拍摄画面的摄像机为原点向所述目标像素点方向生成向量;
测量所述向量与水平方向的水平夹角,测量所述向量与垂直方向的垂直夹角;
根据所述向量的模长、所述水平夹角和所述垂直夹角计算拍摄所述拍摄画面的摄像机的空间坐标;
以所述目标像素点为原点,并以每一个不同位置的摄像头的空间坐标为已知坐标构建三维坐标系,并确定所述三维坐标系为所述预设空间的三维模型。
详细地,可从不同位置的摄像头对同一目标捕获的画面中选取该目标上任一像素点为原点,实现对每一个摄像头坐标的统一化,并以拍摄所述拍摄画面的摄像机为原点向所述目标像素点方向生成向量,利用余弦定理测量出所述向量与水平方向的水平夹角,以及所述向量与垂直方向的垂直夹角。
具体地,可将所述目标像素点作为所述预设空间的原点,根据所述水平夹角、所述垂直夹角和所述向量的模长,确定该摄像头在所述预设空间中的坐标信息,进而构建出包含所述原点以及每一个摄像头的三维坐标系,并将该三维坐标系作为所述预设空间的三维模型。
S2、获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息。
本发明实施例中,所述第一监控录像为在所述预设空间中第一位置的摄像头捕获到的所述预设空间的画面,所述获取所述预设空间中第一位置的摄像头的第一监控录像的步骤,与S1中获取预设空间中不同位置的摄像头的监控画面的步骤一致,在此不做赘述。
本发明实施例中,可分别对所述第一监控录像中的每一帧图像进行分析,以获取第一目标在每一帧图像中的位置信息,其中所述第一目标可以为被所述第一位置的摄像头监控到的在所述预设空间中进行活动的物体、行人等。
本发明实施例中,参图2所示,所述识别出所述第一监控录像内每一帧图像中第一目标的位置信息,包括:
S21、从所述第一监控录像中逐个选取其中一帧图像为目标图像;
S22、对所述目标图像进行卷积、池化操作,得到所述目标图像的图像特征;
S23、确定所述图像特征在所述目标图像中的位置为所述第一目标的位置信息。
详细地,可利用具有特征提取功能的人工智能模型对所述目标图像进行卷积、池化等操作,以获取目标图像中的多个图像特征,其中,所述人工智能模型包括但不限于Vgg-net网络模型、Rcnn-net网络模型等。
具体地,在获取所述目标图像的图像特征后,可将所述图像特征在所述目标图像中的位置信息作为所述第一目标的位置信息,进而对所述第一监控录像中每一帧图像进行上述操作,获取该第一监控录像中每一帧图像内所述第一目标的位置信息。
S3、将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹。
本发明实施例中,由于步骤S2中提取到的第一目标在所述第一监控录像中每一帧内的位置信息是在该第一监控录像对应的摄像头获取的平面画面中的位置信息,对于空间轨迹分析的效果较差,因此,可将所述每一帧图像中目标的位置信息映射至所述三维模型中,得到所述第一目标在所述三维模型中的第一运动轨迹。
本发明实施例中,可利用yoloV5网络对每一帧图像中目标的位置信息进行分析,并利用deepsort(追踪)技术对该位置信息进行追踪,以实现获取所述位置信息在所述三维模型中的变化轨迹,得到第一运动轨迹。
本发明另一实施例中,参图3所示,所述将所述每一帧图像中目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,包括:
S31、以所述目标图像的中心像素为原点在所述目标图像中构建平面坐标系;
S32、从所述平面坐标系中统计所述目标图像包含的位置信息对应的位置坐标;
S33、利用预设的映射函数将所述位置坐标映射至所述三维模型中,得到所述位置信息在所述三维模型中的三维坐标;
S34、连接所述每一帧图像中目标的位置信息在所述三维模型中的三维坐标,得到所述第一目标在所述三维模型中的第一运动轨迹。
详细地,可以在所述目标图像中以中心像素点为原点构建平面坐标系,进而在所述平面坐标系中统计出所述位置信息对应的位置坐标,并利用预设的映射函数将所述位置坐标映射至所述三维模型中,以得到所述位置信息在所述三维模型中的三维坐标,其中,所述映射函数包括但不限于高斯函数、map函数。
具体地,当所述第一监控录像中每一帧内目标的位置信息均被映射至所述三维模型中后,可利用平滑地曲线将所述三维模型中所有被映射出来的三维坐标进行连接,并将连接得到的曲线作为所述第一目标的第一运动轨迹。
S4、从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征。
本发明其中一个实际应用场景中,由于仅利用图像特征来对行人的运动轨迹进行分析会造成分析条件过于单一,导致分析结果的精确性较低,因此,为了提高最终进行行人轨迹分析地精确性,可从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征,进而有利于后续结合运动轨迹、人体特征和人脸特征对行人轨迹进行分析。
详细地,所述人体特征是指所述第一目标的体态特征,如,胖、瘦、高、矮等;所述第一人脸特征是指所述第一目标的人脸部分的局部特征,例如,人脸纹理、人脸关键点等。
本发明实施例中,所述从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征,包括:
按照位置信息对所述第一监控录像中每一帧图像进行裁剪,得到每一帧图像对应的人体图像区域;
逐个选取所述第一监控录像中一帧图像对应的人体图像区域为目标区域,根据所述目标区域中的像素梯度生成所述目标区域的全局特征,并将所述全局特征作为所述第一人体特征;
利用预设激活函数计算所述人体图像区域中每个像素点为人脸像素的概率值,并确定所述概率值大于预设阈值的像素点所在的区域为人脸区域;
利用预设的滑动窗口对所述人脸区域进行逐一框选,得到像素窗口;
根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,并将所述局部特征作为所述第一人脸特征。
本发明其中一个实施例中,可采用HOG(Histogram of Oriented Gradient,方向梯度直方图)、DPM(Deformable Part Model,可变性组件模型)、LBP(Local BinaryPatterns,局部二值模式)等方式来提取所述目标图像的全局特征,或者,可采用预先训练的具体图像特征提取功能的人工智能模型来提取所述目标图像的全局特征,所述人工智能模型包括但不限于VGG-net模型、U-net模型。
本发明另一实施例中,所述根据所述目标区域中的像素梯度生成所述目标区域的全局特征,包括:
统计所述目标区域中每个像素点的像素值;
将所述像素值中最大像素值与最小像素值作为预设的映射函的输入,并利用所述映射函数将所述目标区域中每个像素点的像素值映射至预设范围内;
计算映射后的所述目标区域中每一行像素的像素梯度,将每一行像素的像素梯度转换为行向量,将所述行向量拼接为所述目标区域的全局特征。
示例性地,所述预设的映射函可以为:
其中,Yi为目标区域中第i个像素点映射至预设范围内后的像素值,xi为目标区域中第i个像素点的像素值,max(X)为目标区域中最大像素值,min(X)为目标区域中最小像素值。
进一步地,可利用预设激活函数计算所述人体图像区域中每个像素点为人脸像素的概率值,进而从所述人体图像区域中选取所述概率值大于预设阈值的像素点所在的区域为人脸区域,其中,所述预设激活函数包括但不限于softma激活函数、sigmoid激活函数、relu激活函数。
本发明实施例中,可利用预设的梯度算法计算映射后的所述目标区域中每一行像素的像素梯度,所述梯度算法包括但不限于二维离散求导算法、soble算子等。
本申请实施例中,可将每一行像素的像素梯度转换为行向量,并拼接为所述目标区域的全局特征。
例如,选取的目标区域中包括三行像素,第一行像素的像素梯度为a,b,c,第二行像素的像素梯度为d,e,f,第三行像素的像素梯度为g,h,i,则可分别将每一行像素的像素梯度作为行向量,拼接为如下全局特征:
进一步地,所述根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,包括:
从所述像素窗口中逐个选取其中一个像素点为目标像素点;
判断所述目标像素点的像素值在所述像素窗口内是否为极值;
当所述目标像素点的像素值在所述像素窗口内不是极值时,返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤;
当所述目标像素点的像素值在所述像素窗口内是极值时,则确定所述目标像素点为关键点;
将所有像素窗口内的所有关键点的像素值进行向量化,并将得到的向量汇集为所述目标区域的局部特征。
本申请实施例中,所述滑动窗口可以为预先构建的具有一定面积的选择框,可用于对所述目标区域中的像素进行框选,例如,以10像素为高度,10像素为宽度构建的方形选择框。
详细地,所述极值包括极大值与极小值,当所述目标像素点的像素值在所述像素窗口内为极大值或极小值时,即确定所述目标像素点为所述像素窗口的关键点。
具体地,所述将所述像素窗口内所有关键点的像素值进行向量化的步骤,和所述计算映射后的所述目标区域中每一行像素的像素梯度,将每一行像素的像素梯度转换为行向量的步骤一致,再次不做赘述。
S5、获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征。
本发明实施例中,所述第二位置的摄像头是所述预设空间中与所述第一位置的摄像头处于不同位置的任意摄像头。
详细地,所述获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征的步骤,与S2至S4中从第一监控录像中提取出第一目标的第一运行动轨迹、第一人体特征与第一人脸特征的步骤一致,再次不做赘述。
S6、根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
本发明实施例中,可利用预设的距离函数对所述第一运动轨迹和所述第二运动轨迹、所述第一人体特征和所述第二人体特征以及所述第一人脸特征和所述第二人脸特征进行计算,分别计算出所述第一运动轨迹和所述第二运动轨迹之间的距离值,所述第一人体特征和所述第二人体特征之间的距离值,以及所述第一人脸特征和所述第二人脸特征之间的距离值,进而根据计算的三个距离值对所述第一目标与所述第二目标的重合度进行计算,以根据所述重合度判断所述第一目标与所述第二目标是否为同一个目标。
示例性地,可利用如下距离算法计算出所述第一运动轨迹和所述第二运动轨迹之间的距离值:
其中,D为所述第一运动轨迹和所述第二运动轨迹之间的距离值,n为所述第一运动轨迹,m为所述第二运动轨迹。
本发明其他实施例中,还可通过欧式距离算法、余弦距离算法等具有距离值计算功能的算法计算出所述第一运动轨迹和所述第二运动轨迹之间的距离值。
详细地,计算所述第一人体特征和所述第二人体特征之间的距离值,以及计算所述第一人脸特征和所述第二人脸特征之间的距离值的步骤,与计算所述第一运动轨迹和所述第二运动轨迹之间的距离值的步骤一致,在此不做赘述。
本发明实施例中,所述根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,包括:
利用如下权重算法计算所述第一目标与所述第二目标的重合度:
C=α*A+β*B+γ*C
其中,C为所述第一目标与所述第二目标的重合度,A为所述第一运动轨迹和所述第二运动轨迹之间的距离值,B为所述第一人体特征和所述第二人体特征之间的距离值,C为所述第一人脸特征和所述第二人脸特征之间的距离值,α、β和γ为预设权重系数。
本发明实施例中,可将所述重合度与预设重合阈值进行比对,当所述重合度大于所述预设重合阈值时,则可确定所述第一目标与所述第二目标的轨迹一致,进而确定所述第一目标与所述第二目标相同;当所述重合度小于或等于所述预设重合阈值时,则可确定所述第一目标与所述第二目标的轨迹不一致,进而确定所述第一目标与所述第二目标不相同。
本发明实施例能够通过对预设空间不同位置的监控画面构建该空间的三维模型,并利用从不同拍摄角度对第一目标和第二目标进行分析,以将第一目标与第二目标的运动轨迹映射至三维模型中,并结合第一目标与第二目标的人体特征与人脸特征进行综合判断,进而确定所述第一目标与所述第二目标的运动轨迹是否属于同一个人,实现了对运动轨迹的精确分析。因此本发明提出的基于多轨迹融合的行人轨迹分析方法,可以解决进行行人轨迹识别的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于多轨迹融合的行人轨迹分析装置的功能模块图。
本发明所述基于多轨迹融合的行人轨迹分析装置100可以安装于电子设备中。根据实现的功能,所述基于多轨迹融合的行人轨迹分析装置100可以包括三维模型构建模块101、位置识别模块102、第一轨迹分析模块103、第二轨迹分析模块104及轨迹判断模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述三维模型构建模块101,用于获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
所述位置识别模块102,用于获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
所述第一轨迹分析模块103,用于将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,用于从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
所述第二轨迹分析模块104,用于获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
所述轨迹判断模块105,用于根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
详细地,本发明实施例中所述基于多轨迹融合的行人轨迹分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多轨迹融合的行人轨迹分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于多轨迹融合的行人轨迹分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多轨迹融合的行人轨迹分析程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多轨迹融合的行人轨迹分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于多轨迹融合的行人轨迹分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多轨迹融合的行人轨迹分析程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹;
从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹;
从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多轨迹融合的行人轨迹分析方法,其特征在于,所述方法包括:
获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹;
从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
2.如权利要求1所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述根据所述监控画面建立所述预设空间的三维模型,包括:
获取所述监控画面中从不同角度对同一目标进行拍摄的拍摄画面;
逐个选取其中一个角度对应的拍摄画面为目标画面,随机从所述目标画面中选取所述目标的任一像素点为目标像素点;
以拍摄所述拍摄画面的摄像机为原点向所述目标像素点方向生成向量;
测量所述向量与水平方向的水平夹角,测量所述向量与垂直方向的垂直夹角;
根据所述向量的模长、所述水平夹角和所述垂直夹角计算拍摄所述拍摄画面的摄像机的空间坐标;
以所述目标像素点为原点,并以每一个不同位置的摄像头的空间坐标为已知坐标构建三维坐标系,并确定所述三维坐标系为所述预设空间的三维模型。
3.如权利要求1所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述识别出所述第一监控录像内每一帧图像中第一目标的位置信息,包括:
从所述第一监控录像中逐个选取其中一帧图像为目标图像;
对所述目标图像进行卷积、池化操作,得到所述目标图像的图像特征;
确定所述图像特征在所述目标图像中的位置为所述第一目标的位置信息。
4.如权利要求1所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述将所述每一帧图像中目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,包括:
以所述目标图像的中心像素为原点在所述目标图像中构建平面坐标系;
从所述平面坐标系中统计所述目标图像包含的位置信息对应的位置坐标;
利用预设的映射函数将所述位置坐标映射至所述三维模型中,得到所述位置信息在所述三维模型中的三维坐标;
连接所述每一帧图像中目标的位置信息在所述三维模型中的三维坐标,得到所述第一目标在所述三维模型中的第一运动轨迹。
5.如权利要求1至4中任一项所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征,包括:
按照位置信息对所述第一监控录像中每一帧图像进行裁剪,得到每一帧图像对应的人体图像区域;
逐个选取所述第一监控录像中一帧图像对应的人体图像区域为目标区域,根据所述目标区域中的像素梯度生成所述目标区域的全局特征,并将所述全局特征作为所述第一人体特征;
利用预设激活函数计算所述人体图像区域中每个像素点为人脸像素的概率值,并确定所述概率值大于预设阈值的像素点所在的区域为人脸区域;
利用预设的滑动窗口对所述人脸区域进行逐一框选,得到像素窗口;
根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,并将所述局部特征作为所述第一人脸特征。
6.如权利要求5所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述根据所述目标区域中的像素梯度生成所述目标区域的全局特征,包括:
统计所述目标区域中每个像素点的像素值;
将所述像素值中最大像素值与最小像素值作为预设的映射函的输入,并利用所述映射函数将所述目标区域中每个像素点的像素值映射至预设范围内;
计算映射后的所述目标区域中每一行像素的像素梯度,将每一行像素的像素梯度转换为行向量,将所述行向量拼接为所述目标区域的全局特征。
7.如权利要求5所述的基于多轨迹融合的行人轨迹分析方法,其特征在于,所述根据每一个所述像素窗口中的像素值生成所述目标区域的局部特征,包括:
从所述像素窗口中逐个选取其中一个像素点为目标像素点;
判断所述目标像素点的像素值在所述像素窗口内是否为极值;
当所述目标像素点的像素值在所述像素窗口内不是极值时,返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤;
当所述目标像素点的像素值在所述像素窗口内是极值时,则确定所述目标像素点为关键点;
将所有像素窗口内的所有关键点的像素值进行向量化,并将得到的向量汇集为所述目标区域的局部特征。
8.一种基于多轨迹融合的行人轨迹分析装置,其特征在于,所述装置包括:
三维模型构建模块,用于获取预设空间中不同位置的摄像头的监控画面,根据所述监控画面建立所述预设空间的三维模型;
位置识别模块,用于获取所述预设空间中第一位置的摄像头的第一监控录像,识别出所述第一监控录像内每一帧图像中第一目标的位置信息;
第一轨迹分析模块,用于将所述每一帧图像中第一目标的位置信息映射至所述三维模型中,得到所述第一目标的第一运动轨迹,用于从所述每一帧图像中提取出所述第一目标的第一人体特征与第一人脸特征;
第二轨迹分析模块,用于获取所述预设空间中第二位置的摄像头的第二监控录像,根据所述第二监控录像生成第二目标的第二运动轨迹、第二人体特征与第二人脸特征;
轨迹判断模块,用于根据所述第一运动轨迹、所述第二运动轨迹、所述第一人体特征、所述第二人体特征、所述第一人脸特征与所述第二人脸特征计算所述第一目标与所述第二目标的重合度,并根据所述重合度确认所述第一运动轨迹与所述第二运动轨迹是否属于同一个人的运动轨迹。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于多轨迹融合的行人轨迹分析方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于多轨迹融合的行人轨迹分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150133.3A CN113887384B (zh) | 2021-09-29 | 2021-09-29 | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150133.3A CN113887384B (zh) | 2021-09-29 | 2021-09-29 | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887384A true CN113887384A (zh) | 2022-01-04 |
CN113887384B CN113887384B (zh) | 2024-06-28 |
Family
ID=79008031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150133.3A Active CN113887384B (zh) | 2021-09-29 | 2021-09-29 | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887384B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862089A (zh) * | 2022-10-11 | 2023-03-28 | 深圳捷易建设集团有限公司 | 基于人脸识别的安防监控方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330371A (zh) * | 2017-06-02 | 2017-11-07 | 深圳奥比中光科技有限公司 | 3d脸部模型的脸部表情的获取方法、装置和存储装置 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN111325657A (zh) * | 2020-02-18 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN111553231A (zh) * | 2020-04-21 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于信息融合的人脸抓拍与去重***、方法、终端及介质 |
CN112307912A (zh) * | 2020-10-19 | 2021-02-02 | 科大国创云网科技有限公司 | 一种基于摄像头确定人员轨迹的方法及*** |
CN113139129A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-29 CN CN202111150133.3A patent/CN113887384B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330371A (zh) * | 2017-06-02 | 2017-11-07 | 深圳奥比中光科技有限公司 | 3d脸部模型的脸部表情的获取方法、装置和存储装置 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN111325657A (zh) * | 2020-02-18 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN111553231A (zh) * | 2020-04-21 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于信息融合的人脸抓拍与去重***、方法、终端及介质 |
CN112307912A (zh) * | 2020-10-19 | 2021-02-02 | 科大国创云网科技有限公司 | 一种基于摄像头确定人员轨迹的方法及*** |
CN113139129A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862089A (zh) * | 2022-10-11 | 2023-03-28 | 深圳捷易建设集团有限公司 | 基于人脸识别的安防监控方法、装置、设备及介质 |
CN115862089B (zh) * | 2022-10-11 | 2023-09-26 | 深圳捷易建设集团有限公司 | 基于人脸识别的安防监控方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113887384B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458895B (zh) | 图像坐标系的转换方法、装置、设备及存储介质 | |
CN112446919B (zh) | 物***姿估计方法、装置、电子设备及计算机存储介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN109934873B (zh) | 标注图像获取方法、装置及设备 | |
CN113011280A (zh) | 人员接触距离的检测方法、装置、计算机设备和存储介质 | |
CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
CN116347045A (zh) | 基于通信及卫星技术的监控方法、装置、设备及存储介质 | |
CN113887384B (zh) | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 | |
CN111353429A (zh) | 基于眼球转向的感兴趣度方法与*** | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN113658265A (zh) | 相机标定方法、装置、电子设备及存储介质 | |
CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN113850836B (zh) | 基于行为轨迹的员工行为识别方法、装置、设备及介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN112581525B (zh) | 人体佩戴物品的状态检测方法、装置、设备及存储介质 | |
CN112102398B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN113888086A (zh) | 基于图像识别的物品签收方法、装置、设备及存储介质 | |
CN112488076A (zh) | 一种人脸图像采集方法、***以及设备 | |
CN112541436A (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN117333929B (zh) | 基于深度学习实现道路施工下的异常人员识别方法及*** | |
CN117218162B (zh) | 一种基于ai的全景追踪控视*** | |
CN115862089B (zh) | 基于人脸识别的安防监控方法、装置、设备及介质 |
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 |