CN114067421B - 一种人员去重识别方法、存储介质及计算机设备 - Google Patents
一种人员去重识别方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN114067421B CN114067421B CN202210046435.4A CN202210046435A CN114067421B CN 114067421 B CN114067421 B CN 114067421B CN 202210046435 A CN202210046435 A CN 202210046435A CN 114067421 B CN114067421 B CN 114067421B
- Authority
- CN
- China
- Prior art keywords
- face
- person
- information
- similarity
- face information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/10—Movable barriers with registering means
- G07C9/15—Movable barriers with registering means with arrangements to prevent the passage of more than one individual at a time
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人员去重识别方法、存储介质及计算机设备,涉及图像处理技术领域,本发明通过维护一个缓存队列T,能有效针对名单内人员或非名单内人员的陌生人进行人员区分性去重识别;采用人脸框位置重叠度配合人脸算法的相似度双阈值,一方面能解决人员由于视频解码掉帧或人脸算法检测率低等,导致的人员跟丢问题,有效减少名单内人员通行时,产生的额外错误通行记录;另一方面,采用人脸算法的相似度双阈值,实现对静态目标和非静态目标都进行有效去重;不论是人脸框位置重叠度还是人脸算法的相似度计算,计算过程对算力要求不高,能在大部分设备上流畅运行。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种人员去重识别方法、存储介质及计算机设备。
背景技术
随着人脸识别技术的成熟和发展,人脸识别在智能门禁***中的应用越来越广泛,市场上出现了很多对应的人脸识别门禁***。但由于人员在摄像头面前走过时,往往不止抓拍到一两张人脸照片,使得人脸识别智能门禁***会产生很多差异不大,但又属于同一个人的人脸图像记录。为此需要通过去重算法,尽量减少此类记录。目前主要的人脸图像去重算法,主要有基于传统图像特征(例如颜色直方图、LBP直方图)的去重方法、基于运动匹配的快速去重方法和基于跟踪的去重算法。
其中,基于传统图像特征的去重方法,能去除50%的重复人脸,误去重比较低。但由于不同视频监控场景光线差异过大,无法使用同一个阈值实现兼容所有应用场景,不具备通用性;基于运动匹配的快速去重方法,需要设置像素差异阈值和差异比率这两个参数值,主要是去除静态重复目标,无法处理非静态目标的去重;基于跟踪的去重算法,需要设置三个参数:跟踪频率,去重频率和保留频率,去重效果依赖于检测算法和跟踪算法。若检测频率较低或检测算法检出率较差,都会导致人员跟丢;又由于有最低检测频率要求,对机器性能要求较高。
同时,以上几种去重算法,均没有考虑在实际门禁应用上,人员会有分类(即是名单内人员,还是陌生人),没有特别针对性处理;特别的是,当名单内人员刚出现在摄像头画面时,抓拍到的人脸可能无法达到识别相似度阈值,会被判定为陌生人通行记录;当走到视频监控中间区域时,抓拍到的人脸可能达到识别相似度阈值,则会又判定为名单内人员通行记录;当名单内人员快离开摄像头画面时,抓拍到的人脸可能又无法达到识别相似度阈值,又会被判定为陌生人通行记录;诸如此类,名单内人员在经过摄像头时,出现两种不同分类通行记录的情况;这些都是在没有考虑应用上会有人员分类的情况下,产生的额外错误通行记录。
发明内容
本发明的目的在于提供一种人员去重识别方法、存储介质及计算机设备,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种人员去重识别方法,包括以下步骤:
S2、从网络摄像头循环取出解码后的画面;假设其中一帧解码后的画面为,并获取当前时刻的秒级时间戳;检查缓存队列内所有队列元素的秒级时间戳,若当前时刻的秒级时间戳减去某队列元素的秒级时间戳,得到的差值则进一步判断队列元素的分类标志位的值,为人员在摄像头前正常通过时所需花费的时间,精确到秒;若,则推送该队列元素的数据,并从缓存队列中删除该队列元素;若,则直接从缓存队列中删除该队列元素;
S4、分别对画面内所有人脸信息提取到的人脸特征码与名单内人员的人脸特征码一一进行人脸特征码第一相似度计算,并进行相似度值降序排序;若最大相似度值大于等于算法判定同一个人的相似度阈值,则认为该人脸信息对应人员为名单内人员,否则视为非名单内的陌生人;
S7、若不存在其中一个元素与某个人脸信息满足人脸框位置重叠度阈值或人脸特征码第二相似度阈值;则新建一个元素,将人脸信息和时间戳补充到元素;进一步根据人员类型进行分类判断,设置新元素对应分类标志位;将新元素存入缓存队列中,完成新缓存记录添加。
进一步的,两个矩形边沿重叠不认为是重叠。
进一步的,在步骤S6中:
进一步的,在步骤S64中:
进一步的,在步骤S7中,若不存在其中一个元素与该人脸信息满足人脸框位置重叠度阈值或人脸特征码第二相似度阈值,则认为该人脸信息对应的人员没有出现过,需要添加该人脸信息为新缓存记录;新建一个元素,将人脸信息的人脸框位置,人脸姿态角,人脸图像,人脸特征码,秒级时间戳补充到元素;进一步根据人员类型进行分类判断,若该人脸信息对应人员为名单内人员,则马上推送该人脸信息,并将新元素分类标志位的值置为1;若该人脸信息对应人员为非名单内人员的陌生人,则将新元素推送标志位的值置为0;并将新元素存入缓存队列中,完成新缓存记录添加。
本发明还提供了一种用于人员去重识别的存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时,实现上述任一项所述的一种人员去重识别方法的步骤。
本发明还提供了一种用于人员去重识别的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现上述任一项所述的一种人员去重识别方法。
与现有技术相比,本发明所达到的有益效果是:
1、本发明通过对每一帧识别到的所有人脸都进行上述操作,并维护一个缓存队列,能有效针对名单内人员或非名单内人员的陌生人进行人员区分性去重识别;由于本发明没有采用其他传统特征,所需的去重特征为人脸框位置、人脸姿态角得到的人脸姿态分数和人脸相似度值;这些特征都是一般人脸算法都具备的信息,与摄像头场景无关,具备通用性;采用人脸框位置重叠度配合人脸算法的相似度双阈值,一方面能解决人员由于视频解码掉帧或人脸算法检测率低等,导致的人员跟丢问题,通过人脸算法的第二相似度阈值再次匹配跟踪上,有效减少名单内人员通行时,产生的额外错误通行记录;另一方面,采用人脸算法的相似度双阈值,即使人员长时间静止也能有效比对出,实现对静态目标和非静态目标都进行有效去重;不论是人脸框位置重叠度还是人脸算法的相似 度计算,计算过程对算力要求不高,能在大部分设备上流畅运行;
2、本发明当名单内人员刚出现在摄像头画面时,抓拍到的人脸可能无法达到识别相似度阈值,会被判定为陌生人通行记录,但由于采用延迟秒推送,所以此时不会马上推送,仅会存在缓存队列内;当走到视频监控中间区域时,抓拍到的人脸可能达到识别相似度阈值,则会又判定为名单内人员通行记录,此时根据本发明的判断逻辑,会马上推送名单内人员信息,并在缓存队列内匹配到缓存记录,对该记录进行数据更新,且更新其分类标记为1;当名单内人员快离开摄像头画面时,抓拍到的人脸可能又无法达到识别相似度阈值,又会被判定为陌生人通行记录,此时根据缓存队列内的缓存记录,可以正常匹配到满足条件的缓存记录,且其分类标记为1,***并不会推送此条陌生人信息;因此,本发明能最大程度保证单人单次通过时,仅产生一条正确通行记录。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明矩形不重叠时的示意图;
图2是本发明矩形重叠时的示意图;
图3是本发明人脸姿态角的示意图。
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,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图3所示的一种人员去重识别方法,包括以下步骤:
S2、从网络摄像头循环取出解码后的画面;假设其中一帧解码后的画面为,并获取当前时刻的秒级时间戳;检查缓存队列内所有队列元素的秒级时间戳,若当前时刻的秒级时间戳减去某队列元素的秒级时间戳,得到的差值则进一步判断队列元素的分类标志位的值,为人员在摄像头前正常通过时所需花费的时间,精确到秒;若,则推送该队列元素的数据,并从缓存队列中删除该队列元素;若,则直接从缓存队列中删除该队列元素,在步骤S2中,为正整数;在步骤S5中,人脸框位置重叠度为去重第一特征计算,人脸特征码第二相似度为去重第二特征计算;
S4、分别对画面内所有人脸信息提取到的人脸特征码与名单内人员的人脸特征码一一进行人脸特征码第一相似度计算,并进行相似度值降序排序;若最大相似度值大于等于算法判定同一个人的相似度阈值,则认为该人脸信息对应人员为名单内人员,否则视为非名单内的陌生人;
S7、若不存在其中一个元素与该人脸信息满足人脸框位置重叠度阈值或人脸特征码第二相似度阈值,则认为该人脸信息对应的人员没有出现过,需要添加该人脸信息为新缓存记录;新建一个元素,将人脸信息的人脸框位置,人脸姿态角,人脸图像,人脸特征码,秒级时间戳补充到元素;进一步根据人员类型进行分类判断,若该人脸信息对应人员为名单内人员,则马上推送该人脸信息,并将新元素分类标志位的值置为1;若该人脸信息对应人员为非名单内人员的陌生人,则将新元素推送标志位的值置为0;并将新元素存入缓存队列中,完成新缓存记录添加。
本发明还提供了一种用于人员去重识别的存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时,实现上述任一项所述的一种人员去重识别方法的步骤。
本发明还提供了一种用于人员去重识别的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现上述任一项所述的一种人员去重识别方法。
由于在人脸识别智能门禁***中,当识别出名单内人员时,应该马上推送名单内相关人员的识别记录,并进行开门操作;而对于非名单内人员的陌生人记录,则可采取延迟秒的方式进行准实时推送,即陌生人离开摄像头画面范围秒后才推送记录;这种陌生人延迟推送不会影响人脸智能门禁***的主要功能;其中一般等于人员在摄像头前正常通过时所需花费的时间(即在摄像头画面范围内出现的时间,精确到秒);由于摄像头的镜头焦距不同,且摄像头安装的高度、倾斜角度不同,的取值范围可以为任意正整数,因为每个人员在摄像头范围出现的时间是不固定的,有可能逗留导致出现很长时间;这里的是强调人员正常通过的耗时;
本发明开始先连接网络摄像头,并循环从网络摄像头取出解码后的画面进行去重识别;假设其中一帧解码后的画面为,并获取当前时刻的秒级时间;检查缓存队列内所有队列元素的秒级时间戳,若当前时刻的秒级时间戳减去某队列元素的秒级时间戳得到的差值(为正整数),则进一步判断队列元素的分类标志位的值;若,则推送该队列元素的数据,并从缓存队列中删除该队列元素;若,则直接从缓存队列中删除该队列元素;
假设其中一个人脸信息包含:人脸框位置,人脸姿态分数,人脸图像,人脸特征码;将人脸特征码与名单内人员的人脸特征码一一进行人脸特征码第一相似度计算,并进行相似度值降序排序;若最大相似度值大于等于算法判定同一个人的相似度阈值,则认为该人脸信息对应人员为名单内人员,否则视为非名单内的陌生人;
其中,人脸框位置重叠度(去重第一特征)计算的详细过程如下:
由于人脸框一般是矩形,且矩形的边一般平行于像素点的坐标轴;为此计算人脸框的重叠度问题,就是计算两个矩形的重叠度问题;假设有矩形的左上角顶点坐标分别为、,其高度和宽度分别为和,矩形的左上角顶点坐标分别为、,其高度和宽度分别为和;要计算两个矩形的重叠度问题,首先要判断两个矩形是否重叠(边沿重叠不认为是重叠);由于两个矩形重叠的情况过多,若按照每种情况逐一列举,过于复杂;为此可以通过反向思考的方式,先判断两个矩形不重叠时的情况,再取反得到重叠情况的判断;
综合上述式子,可推导出以下公式:
若存在其中一个元素与该人脸信息满足人脸框位置重叠度阈值或人脸特征码第二相似度阈值,则认为该人脸信息对应的人员已经出现过,进一步根据人员类型进行分类判断;若该人脸信息对应人员为名单内人员,且元素内推送标志位的值为0,则马上推送该人脸信息,并修改元素内推送标志位的值为1,然后进行人脸姿态分数计算;若该人脸信息为名单内人员,且元素内推送标志位的值为1,则直接进行人脸姿态分数计算;若该人脸信息对应人员为非名单内人员,则不需判断元素内推送标志位的值,直接进行人脸姿态分数计算;
人脸姿态分数,根据人脸姿态角进行计算,其分别由、和三个角度组成(如图3所示),三个角度的值范围均在度范围内,任意一个角度值越接近于零,人脸姿态角越好,对应的人脸姿态分数越高;本发明中,人脸姿态分数计算的公式如下:
若不存在其中一个元素与该人脸信息满足人脸框位置重叠度阈值或人脸特征码第二相似度阈值,则认为该人脸信息对应的人员没有出现过,需要添加该人脸信息为新缓存记录;新建一个元素,将人脸信息的人脸框位置,人脸姿态角,人脸图像,人脸特征码,秒级时间戳补充到元素;进一步根据人员类型进行分类判断,若该人脸信息对应人员为名单内人员,则马上推送该人脸信息,并将新元素分类标志位的值置为1;若该人脸信息对应人员为非名单内人员的陌生人,则将新元素推送标志位的值置为0;并将新元素存入缓存队列中,完成新缓存记录添加;
其中,原因是一般人脸识别算法都会有一个相似度推荐阈值,用于判定两张人脸图像所提取到的人脸特征码相似度是否可以判定为同一个人;但单一的阈值会出现,同一个人两张人脸图像提取到的人脸特征码相似度值,不满足阈值要求,从而会被判定为两个人;为此,本发明设置的第二相似度阈值也可适当低于算法判定同一个人的相似度推荐阈值;
通过对每一帧识别到的所有人脸都进行上述操作,并维护一个缓存队列,能有效针对名单内人员或非名单内人员的陌生人进行人员区分性去重识别;由于本发明没有采用其他传统特征,所需的去重特征为人脸框位置、人脸姿态角得到的人脸姿态分数和人脸相似度值;这些特征都是一般人脸算法都具备的信息,与摄像头场景无关,具备通用性;采用人脸框位置重叠度配合人脸算法的相似度双阈值,一方面能解决人员由于视频解码掉帧或人脸算法检测率低等,导致的人员跟丢问题,通过人脸算法的第二相似度阈值再次匹配跟踪上,有效减少名单内人员通行时,产生的额外错误通行记录;另一方面,采用人脸算法的相似度双阈值,即使人员长时间静止也能有效比对出,实现对静态目标和非静态目标都进行有效去重;不论是人脸框位置重叠度还是人脸算法的相似度计算,计算过程对算力要求不高,能在大部分设备上流畅运行;
综合上述优势,当名单内人员刚出现在摄像头画面时,抓拍到的人脸可能无法达到识别相似度阈值,会被判定为陌生人通行记录,但由于采用延迟秒推送,所以此时不会马上推送,仅会存在缓存队列内;当走到视频监控中间区域时,抓拍到的人脸可能达到识别相似度阈值,则会又判定为名单内人员通行记录,此时根据本发明的判断逻辑,会马上推送名单内人员信息,并在缓存队列内匹配到缓存记录,对该记录进行数据更新,且更新其分类标记为1;当名单内人员快离开摄像头画面时,抓拍到的人脸可能又无法达到识别相似度阈值,又会被判定为陌生人通行记录,此时根据缓存队列内的缓存记录,可以正常匹配到满足条件的缓存记录,且其分类标记为1,***并不会推送此条陌生人信息;因此,本发明能最大程度保证单人单次通过时,仅产生一条正确通行记录。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人员去重识别方法,其特征在于:包括以下步骤:
S2、从网络摄像头循环取出解码后的画面;假设其中一帧解码后的画面为,并获取当前时刻的秒级时间戳;检查缓存队列内所有队列元素的秒级时间戳,若当前时刻的秒级时间戳减去某队列元素的秒级时间戳,得到的差值则进一步判断队列元素的分类标志位的值,为人员在摄像头前正常通过时所需花费的时间,精确到秒;若,则推送该队列元素的数据,并从缓存队列中删除该队列元素;若,则直接从缓存队列中删除该队列元素;
S4、分别对画面内所有人脸信息提取到的人脸特征码与名单内人员的人脸特征码一一进行人脸特征码第一相似度计算,并进行相似度值降序排序;若最大相似度值大于等于算法判定同一个人的相似度阈值,则认为该人脸信息对应人员为名单内人员,否则视为非名单内的陌生人;
4.根据权利要求3所述的一种人员去重识别方法,其特征在于:两个矩形边沿重叠不认为是重叠。
9.一种用于人员去重识别的存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时,实现权利要求1-8中任一项所述的一种人员去重识别方法的步骤。
10.一种用于人员去重识别的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时,实现权利要求1-8中任一项所述的一种人员去重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046435.4A CN114067421B (zh) | 2022-01-17 | 2022-01-17 | 一种人员去重识别方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046435.4A CN114067421B (zh) | 2022-01-17 | 2022-01-17 | 一种人员去重识别方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067421A CN114067421A (zh) | 2022-02-18 |
CN114067421B true CN114067421B (zh) | 2022-04-19 |
Family
ID=80231019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046435.4A Active CN114067421B (zh) | 2022-01-17 | 2022-01-17 | 一种人员去重识别方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067421B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084103A (zh) * | 2019-03-15 | 2019-08-02 | 深圳英飞拓科技股份有限公司 | 一种基于人脸识别技术的同行人分析方法及*** |
CN110222627A (zh) * | 2019-05-31 | 2019-09-10 | 深圳算子科技有限公司 | 一种人脸补录方法 |
WO2020094091A1 (zh) * | 2018-11-07 | 2020-05-14 | 杭州海康威视数字技术股份有限公司 | 一种图像抓拍方法、监控相机及监控*** |
CN113255621A (zh) * | 2021-07-13 | 2021-08-13 | 浙江大华技术股份有限公司 | 人脸图像过滤方法、电子设备和计算机可读存储介质 |
CN113269127A (zh) * | 2021-06-10 | 2021-08-17 | 北京睿芯高通量科技有限公司 | 实时自动建库的人脸识别和行人重识别监控方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10691925B2 (en) * | 2017-10-28 | 2020-06-23 | Altumview Systems Inc. | Enhanced face-detection and face-tracking for resource-limited embedded vision systems |
EP3706035A1 (en) * | 2019-03-07 | 2020-09-09 | Koninklijke Philips N.V. | Device, system and method for tracking and/or de-identification of faces in video data |
US11334746B2 (en) * | 2019-05-01 | 2022-05-17 | EMC IP Holding Company LLC | Facial recognition for multi-stream video using high probability group |
CN112241687A (zh) * | 2020-09-16 | 2021-01-19 | 安徽超视野智能科技有限公司 | 一种具有陌生人脸库功能的人脸识别方法及*** |
CN113537107A (zh) * | 2021-07-23 | 2021-10-22 | 山东浪潮通软信息科技有限公司 | 一种基于深度学习的人脸识别及追踪方法、装置及设备 |
-
2022
- 2022-01-17 CN CN202210046435.4A patent/CN114067421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020094091A1 (zh) * | 2018-11-07 | 2020-05-14 | 杭州海康威视数字技术股份有限公司 | 一种图像抓拍方法、监控相机及监控*** |
CN110084103A (zh) * | 2019-03-15 | 2019-08-02 | 深圳英飞拓科技股份有限公司 | 一种基于人脸识别技术的同行人分析方法及*** |
CN110222627A (zh) * | 2019-05-31 | 2019-09-10 | 深圳算子科技有限公司 | 一种人脸补录方法 |
CN113269127A (zh) * | 2021-06-10 | 2021-08-17 | 北京睿芯高通量科技有限公司 | 实时自动建库的人脸识别和行人重识别监控方法及*** |
CN113255621A (zh) * | 2021-07-13 | 2021-08-13 | 浙江大华技术股份有限公司 | 人脸图像过滤方法、电子设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Face Identification With Top-Push Constrained Generalized Low-Rank Approximation of Matrices;YUANJIAN CHEN .et.al;《IEEE ACCESS》;20191114;第7卷;160998-161007 * |
多路实时监控视频数据处理与分析***的设计与实现;杜爽;《全国优秀硕士学位论文全文数据库 信息科技辑》;20220115(第1期);I136-1957 * |
Also Published As
Publication number | Publication date |
---|---|
CN114067421A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019218824A1 (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
Bäuml et al. | Multi-pose face recognition for person retrieval in camera networks | |
Kart et al. | How to make an rgbd tracker? | |
US11676390B2 (en) | Machine-learning model, methods and systems for removal of unwanted people from photographs | |
JP2001216515A (ja) | 人物の顔の検出方法およびその装置 | |
WO2021139167A1 (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
Yen et al. | Facial feature extraction using genetic algorithm | |
Avrithis et al. | Broadcast news parsing using visual cues: A robust face detection approach | |
Tsai et al. | Robust in-plane and out-of-plane face detection algorithm using frontal face detector and symmetry extension | |
CN113537107A (zh) | 一种基于深度学习的人脸识别及追踪方法、装置及设备 | |
CN111445442A (zh) | 基于神经网络的人群计数方法、装置、服务器及存储介质 | |
CN109146913B (zh) | 一种人脸跟踪方法及装置 | |
CN114067421B (zh) | 一种人员去重识别方法、存储介质及计算机设备 | |
e Souza et al. | Survey on visual rhythms: A spatio-temporal representation for video sequences | |
Vural et al. | Multi-view fast object detection by using extended haar filters in uncontrolled environments | |
CN108334811B (zh) | 一种人脸图像处理方法及装置 | |
Wei et al. | Omni-face detection for video/image content description | |
Nakashima et al. | Privacy protection for social video via background estimation and CRF-based videographer's intention modeling | |
CN112258575B (zh) | 一种同步定位和地图构建中物体的快速识别方法 | |
CN115115976A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
US10147199B2 (en) | Method and apparatus for determining an orientation of a video | |
Duanmu et al. | A multi-view pedestrian tracking framework based on graph matching | |
Nigam et al. | EgoTracker: Pedestrian tracking with re-identification in egocentric videos | |
Schmidt Feris et al. | Detection and tracking of facial features in video sequences | |
Shen et al. | Towards intelligent photo composition-automatic detection of unintentional dissection lines in environmental portrait photos |
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 |