[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111222404A - 检测同行人的方法及装置、系统、电子设备和存储介质 - Google Patents

检测同行人的方法及装置、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN111222404A
CN111222404A CN201911120558.2A CN201911120558A CN111222404A CN 111222404 A CN111222404 A CN 111222404A CN 201911120558 A CN201911120558 A CN 201911120558A CN 111222404 A CN111222404 A CN 111222404A
Authority
CN
China
Prior art keywords
person
image
information
determining
group
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
Application number
CN201911120558.2A
Other languages
English (en)
Inventor
郭勇智
马嘉宇
钟细亚
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201911120558.2A priority Critical patent/CN111222404A/zh
Publication of CN111222404A publication Critical patent/CN111222404A/zh
Priority to PCT/CN2020/105560 priority patent/WO2021093375A1/zh
Priority to JP2021512888A priority patent/JP2022514726A/ja
Priority to SG11202101225XA priority patent/SG11202101225XA/en
Priority to US17/166,041 priority patent/US20210166040A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种检测同行人的方法及装置、系统、电子设备和存储介质，所述方法包括：获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。本公开实施例可实现提高同行人检测的准确性。

Description

检测同行人的方法及装置、系统、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种检测同行人的方法及装置、系统、电子设备和存储介质。
背景技术
同行人即为到店时间相近，关注产品相同，购买决定权集中的一定数量的人。对于某些零售行业来说，同行人的识别很重要，例如：产品价值高、购买频率低的4S店、珠宝店、房产等行业，识别同行人对于提高客户体验及节约人力成本至关重要。
相关技术还可以采用人脸识别的方法进行同行人识别，该方法是基于固定位置设置的图像采集设备来采集人脸图像，通过将预置的时间间隔内识别到的行人确定为同行人，准确率很低。
发明内容
本公开提出了一种用于检测同行人的方法技术方案，能够解决同行人识别准确率低的技术问题。
根据本公开的一方面，提供了一种检测同行人的方法，包括：
获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；
对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
在一种可能的实现方式中，所述根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息，包括：
针对所述每个人物对应的图像集合中的每张人物图像，确定所述人物图像中的目标人物在与所述人物图像对应的视频图像中的第一位置信息；
根据所述第一位置信息以及第二位置信息，确定所述目标人物在空间坐标系内的空间位置坐标，所述第二位置信息为用于采集与所述人物图像对应的视频图像的图像采集设备的位置信息；
根据所述空间位置坐标以及采集所述人物图像对应的视频图像的时间，得到所述目标人物在时空坐标系内的时空位置坐标；
根据所述多个人物的时空位置坐标，得到在所述时空坐标系中的所述每个人物的轨迹信息。
在一种可能的实现方式中，所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，包括：
对所述多个人物的轨迹信息进行聚类，得到至少一组聚类集合；
将属于同一聚类集合中的多组轨迹信息分别对应的人物确定为一组同行人。
在一种可能的实现方式中，所述每个人物的轨迹信息包括所述时空坐标系中的点群；
所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，包括：
针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度；
基于所述相似度与第一相似度阈值之间的大小关系，确定多组人物对，其中，每组人物对包括两个人物，且所述每组人物对的所述相似度的取值大于所述第一相似度阈值；
根据所述多组人物对，确定至少一组同行人。
在一种可能的实现方式中，所述根据所述多组人物对，确定至少一组同行人，包括：
根据所述多组人物对中的第一人物对建立同行人集合；
从所述多组人物对中除所述同行人集合中包括的人物对以外的至少一个第二人物对中，确定关联人物对，所述关联人物对包括所述同行人集合中的至少一个人物；
添加所述关联人物对至所述同行人集合中；
确定所述同行人集合中的人物为一组同行人。
在一种可能的实现方式中，所述添加所述关联人物对至所述同行人集合中，包括：
确定所述关联人物对中第一人物所在人物对的数量；
在所述第一人物所在人物对的数量小于人物对数量阈值的情况下，添加所述关联人物对至所述同行人集合中。
在一种可能的实现方式中，在所述根据所述多组人物对，确定至少一组同行人之后，所述方法还包括：
在所述一组同行人包括的人物数量大于第一数量阈值的情况下，将所述多组人物对中所述相似度的取值大于第二相似度阈值的至少一组人物对，确定为一组同行人，以使所述一组同行人中包括的人物数量小于所述第一数量阈值，所述第二相似度阈值大于所述第一相似度阈值。
在一种可能的实现方式中，所述针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度，包括：
确定所述每两个人物中第一人物对应的所述时空坐标系中的每个第一时空位置坐标，与所述每两个人物中第二人物对应的所述时空坐标系中的每个第二时空位置坐标之间的空间距离；
确定小于或等于距离阈值的所述空间距离对应的第一时空位置坐标的第一数量，以及小于或等于所述距离阈值的所述空间距离对应的第二时空位置坐标的第二数量；
确定所述第一数量与所述第一时空位置坐标总数量的第一比值，以及所述第二数量与所述第二时空位置坐标总数量的第二比值；
将所述第一比值与所述第二比值中的最大值确定为所述两个人物的相似度。
在一种可能的实现方式中，所述对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，包括：
对所述视频图像进行人物检测，得到包括检测信息的人物图像，所述人物检测包括人脸检测和人体检测中的至少一项，其中，在所述人物检测包括人脸检测的情况下，所述检测信息包括人脸信息，在所述人物检测包括人体检测的情况下，所述检测信息包括人体信息；
根据所述人物图像确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述根据所述人物图像确定所述多个人物中每个人物对应的图像集合，包括：
对包括人脸信息的所述人物图像进行聚类处理，得到人脸聚类结果，所述人脸聚类结果包括各个包括人脸信息的所述人物图像的人脸身份；
对包括人体信息的所述人物图像进行聚类处理，得到人体聚类结果，所述人体聚类结果包括各个包括人体信息的所述人物图像的人体身份；
根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合，包括：
确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系；
根据所述对应关系中的第一对应关系，从所述人物图像中获取包括所述第一对应关系中人脸信息和/或人体信息的所述人物图像，以形成一个人物对应的图像集合。
在一种可能的实现方式中，所述确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系，包括：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人体身份进行分组，得到至少一个人体图像组，其中，同一人体图像组中的人物图像具有相同的人体身份；
针对所述人体图像组中的第一人体图像组，确定所述第一人体图像组中各人物图像分别对应的人脸身份，并根据所述第一人体图像组中每个人脸身份所对应的人物图像的数量，确定所述第一人体图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系，包括：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人脸身份进行分组，得到至少一个人脸图像组，其中，同一人脸图像组中的人物图像具有相同的人脸身份；
针对所述人脸图像组中的第一人脸图像组，确定所述第一人脸图像组中各人物图像分别对应的人体身份，并根据所述第一人脸图像组中每个人体身份所对应的人物图像的数量，确定所述第一人脸图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合，包括：
对于不属于所述图像集合的包括人脸信息的人物图像，根据所述人物图像的人脸身份，确定出至少一个人物对应的图像集合。
在一种可能的实现方式中，在所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人之后，所述方法还包括：
根据所述多个人物中的同行人，确定针对所述同行人的营销方案，和/或，确定所述同行人中的异常人物。
根据本公开的一方面，提供了一种检测同行人的装置，包括：
获取模块，用于获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；
第一确定模块，用于对所述获取模块获取的所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
第二确定模块，用于根据所述多个图像采集设备的位置信息、所述通过所述第二确定模块得到的每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
第三确定模块，用于根据所述第二确定模块得到的所述多个人物的轨迹信息，确定所述多个人物中的同行人。
在一种可能的实现方式中，所述第二确定模块，还用于：
针对所述每个人物对应的图像集合中的每张人物图像，确定所述人物图像中的目标人物在与所述人物图像对应的视频图像中的第一位置信息；
根据所述第一位置信息以及第二位置信息，确定所述目标人物在空间坐标系内的空间位置坐标，所述第二位置信息为用于采集与所述人物图像对应的视频图像的图像采集设备的位置信息；
根据所述空间位置坐标以及采集所述人物图像对应的视频图像的时间，得到所述目标人物在时空坐标系内的时空位置坐标；
根据所述多个人物的时空位置坐标，得到在所述时空坐标系中的所述每个人物的轨迹信息。
在一种可能的实现方式中，所述第三确定模块，还用于：
对所述多个人物的轨迹信息进行聚类，得到至少一组聚类集合；
将属于同一聚类集合中的多组轨迹信息分别对应的人物确定为一组同行人。
在一种可能的实现方式中，所述每个人物的轨迹信息包括所述时空坐标系中的点群；所述第二确定模块，还用于：
所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，包括：
针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度；
基于所述相似度与第一相似度阈值之间的大小关系，确定多组人物对，其中，每组人物对包括两个人物，且所述每组人物对的所述相似度的取值大于所述第一相似度阈值；
根据所述多组人物对，确定至少一组同行人。
在一种可能的实现方式中，所述第二确定模块，还用于：
根据所述多组人物对中的第一人物对建立同行人集合；
从所述多组人物对中除所述同行人集合中包括的人物对以外的至少一个第二人物对中，确定关联人物对，所述关联人物对包括所述同行人集合中的至少一个人物；
添加所述关联人物对至所述同行人集合中；
确定所述同行人集合中的人物为一组同行人。
在一种可能的实现方式中，所述第二确定模块，还用于：
确定所述关联人物对中第一人物所在人物对的数量；
在所述第一人物所在人物对的数量小于人物对数量阈值的情况下，添加所述关联人物对至所述同行人集合中。
在一种可能的实现方式中，所述装置还包括：
第四确定模块，用于在所述一组同行人包括的人物数量大于第一数量阈值的情况下，将所述多组人物对中所述相似度的取值大于第二相似度阈值的至少一组人物对，确定为一组同行人，以使所述一组同行人中包括的人物数量小于所述第一数量阈值，所述第二相似度阈值大于所述第一相似度阈值。
在一种可能的实现方式中，所述第二确定模块，还用于：
确定所述每两个人物中第一人物对应的所述时空坐标系中的每个第一时空位置坐标，与所述每两个人物中第二人物对应的所述时空坐标系中的每个第二时空位置坐标之间的空间距离；
确定小于或等于距离阈值的所述空间距离对应的第一时空位置坐标的第一数量，以及小于或等于所述距离阈值的所述空间距离对应的第二时空位置坐标的第二数量；
确定所述第一数量与所述第一时空位置坐标总数量的第一比值，以及所述第二数量与所述第二时空位置坐标总数量的第二比值；
将所述第一比值与所述第二比值中的最大值确定为所述两个人物的相似度。
在一种可能的实现方式中，所述第一确定模块，还用于：
对所述视频图像进行人物检测，得到包括检测信息的人物图像，所述人物检测包括人脸检测和人体检测中的至少一项，其中，在所述人物检测包括人脸检测的情况下，所述检测信息包括人脸信息，在所述人物检测包括人体检测的情况下，所述检测信息包括人体信息；
根据所述人物图像确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还用于：
对包括人脸信息的所述人物图像进行聚类处理，得到人脸聚类结果，所述人脸聚类结果包括各个包括人脸信息的所述人物图像的人脸身份；
对包括人体信息的所述人物图像进行聚类处理，得到人体聚类结果，所述人体聚类结果包括各个包括人体信息的所述人物图像的人体身份；
根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还用于：
确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系；
根据所述对应关系中的第一对应关系，从所述人物图像中获取包括所述第一对应关系中人脸信息和/或人体信息的所述人物图像，以形成一个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还用于：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人体身份进行分组，得到至少一个人体图像组，其中，同一人体图像组中的人物图像具有相同的人体身份；
针对所述人体图像组中的第一人体图像组，确定所述第一人体图像组中各人物图像分别对应的人脸身份，并根据所述第一人体图像组中每个人脸身份所对应的人物图像的数量，确定所述第一人体图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述第一确定模块，还用于：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人脸身份进行分组，得到至少一个人脸图像组，其中，同一人脸图像组中的人物图像具有相同的人脸身份；
针对所述人脸图像组中的第一人脸图像组，确定所述第一人脸图像组中各人物图像分别对应的人体身份，并根据所述第一人脸图像组中每个人体身份所对应的人物图像的数量，确定所述第一人脸图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述第一确定模块，还用于：
对于不属于所述图像集合的包括人脸信息的人物图像，根据所述人物图像的人脸身份，确定出至少一个人物对应的图像集合。
在一种可能的实现方式中，所述装置还包括：
第五确定模块，用于根据所述多个人物中的同行人，确定针对所述同行人的营销方案，和/或，确定所述同行人中的异常人物。
根据本公开的一方面，提供了一种检测同行人的系统，所述系统包括多个设置于不同区域的图像采集设备及处理设备，其中，
所述多个图像采集设备，用于采集视频图像，并向所述处理设备发送；
所述处理设备，用于对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
所述处理设备，还用于根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
所述处理设备，还用于根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
在一种可能的实现方式中，所述处理设备集成在所述图像采集设备中。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
这样，通过对预设时段内，部署在不同区域的多个图像采集设备采集到的视频图像进行人物检测，根据人物检测结果可以确定多个人物中每个人物对应的包括人物图像的图像集合，进而根据多个图像采集设备的位置信息、每个人物对应的图像集合以及人物图像采集的时间，可以确定每个人物的轨迹信息，根据多个人物的轨迹信息，可以确定多个人物中的同行人。根据本公开提供的检测同行人的方法及装置、系统、电子设备和存储介质，可以基于通过部署于不同区域的多个图像采集设备在预设时段内采集的每一人物对应的图像的位置信息及采集的时间，建立每一人物的轨迹信息，进而根据每一人物的轨迹信息从多个人物中确定同行人，由于轨迹信息能更好的反映各人物的动态，因此，基于轨迹信息来确定同行人，可以提高同行人检测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的检测同行人的方法的流程图；
图2示出根据本公开实施例的检测同行人的装置的框图；
图3示出根据本公开实施例的一种电子设备800的框图；
图4示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的检测同行人的方法的流程图，该对象关联方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述对象关联方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述对象关联方法。
如图1所示，所述对象关联方法可以包括：
在步骤S11中，获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像。
举例来说，可以在多个不同区域部署图像采集设备，通过多个图像采集设备采集各个区域的视频图像。之后从采集到的视频图像中，可以获取多个图像采集设备在预设时段内采集的视频图像。其中，预设时段为预先设置的一段或是多段时长，每段时长的取值大小可以根据需求设定，本公开在此不做限定。例如，在预设时段包括一段时长的情况下，这段时长可以设置为5分钟，那么可以获取5分钟内多个图像采集设备采集的多张视频图像。例如，对于每个图像采集设备在5分钟内采集的视频流，进行采样。比如，采用间隔预置时间间隔(预设的时间间隔，例如：1s)进行解析抽帧，得到多张视频图像。
需要说明的是，上述部署在多个不同区域的图像采集设备中，每两个图像采集设备所能够采集到的区域可以部分不同或是完全不同。其中，两个图像采集设备所能够采集到的区域部分不同，指的是，两个图像采集设备在同一时刻采集到的视频图像中存在部分重叠区域。
在步骤S12中，对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像。
举例来说，人物检测用于实现对视频图像中的人物进行检测，在本申请实施例中，可以用于检测具有人脸信息和/或人体信息的视频图像，并根据人脸信息和/或人体信息从视频图像中得到具有人脸信息、或者具有人体信息、或者同时具有人脸信息及人体信息的人物图像。之后通过人物图像确定多个人物中每个人物对应的图像集合，其中，每个人物对应的图像集合中可以包括至少一张人物图像。
在步骤S13中，根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息。
举例来说，可以将图像采集设备的位置信息作为采集的视频图像的第二位置信息，将该视频图像的第二位置信息作为对应的人物图像的第二位置信息，将该视频图像的采集时间作为对应的人物图像采集的时间。针对每个人物，根据该人物对应的图像集合中的各人物图像的第二位置信息及该人物在各人物图像中的第一位置信息，及人物图像采集的时间，可以确定该人物的轨迹信息。
举例来说，针对每个人物对应的图像集合，可以根据该图像集合中的人物图像的第二位置信息及采集的时间，确定该图像集合对应的人物的时空位置坐标。其中，时空位置坐标指的是在三维的时空坐标系中的点坐标。在本申请实施例中，三维的时空坐标系中的各个点可以用于反映人物所处的地理位置，以及采集该人物的视频图像的时间。比如，可以将人物所处的地理位置，即人物的位置信息，用x轴和y轴来标识，而采集该人物的视频图像的时间为可以用z轴来表示。以单个人物为例，根据该单个人物的图像集合包括的多张人物图像对应的时空位置坐标，可以建立该人物的轨迹信息。考虑到多张人物图像是通过采样的方式从视频序列中获取的，因此，该单个人物的轨迹信息可以表示为时空位置坐标组成的点群，且点群中的各个点为时空坐标系中离散的点。
在步骤S14中，根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
举例来说，在确定多个人物中每个人物的轨迹信息后，可以根据轨迹信息确定多个人物中的同行人。例如：可以将轨迹信息相类似的至少两个人物确定为同行人，或者，可以对各个人物的轨迹信息进行聚类，确定聚类后得到的每组人物都分别对应一组同行人。
例如：下午3点顾客A和顾客B同时来到4S店，并在接待处驻留15分钟后，同时动身前往XXF6型号车，顾客A在XXF6型号车处驻留10分钟后，前往XXF7型号车，顾客B在XXF6型号车处驻留13分钟后，前往XXF7型号车，并同时于4点离开4S店。
通过对接待处所处区域、XXF6所处区域及XXF7所处区域分别部署的图像采集设备采集到的视频图像进行人物检测后，分别得到顾客A和顾客B的多张人物图像。根据多张人物图像可以分别得到顾客A的人物图像组成的图像集合1，以及顾客B的人物图像组成的图像集合2。以顾客A的人物图像组成的图像集合1为例，通过图像集合1中每张人物图像对应的视频图像的采集时间、用于采集该视频图像的图像采集设备所处的位置(即第二位置信息)，及顾客A在每张人物图像中的第一位置信息，可以得到顾客A的轨迹信息1。同理，可以根据顾客B的人物图像组成的图像集合2，得到顾客B的轨迹信息2。由于顾客A与顾客B在相同时间抵达接待处所处区域，而后在两个相同区域出现，并且在这两个相同区域出现/离开的时间相同或是相近，最终在同一时间离开最后到访的区域，因此，基于轨迹信息1及轨迹信息2，可以确定顾客A与顾客B为同行人。
可以基于通过部署于不同区域的多个图像采集设备在预设时段内采集的每一人物对应的图像的位置信息及采集的时间，建立每一人物的轨迹信息，进而根据每一人物的轨迹信息从多个人物中确定同行人，由于轨迹信息能更好的反映各人物的动态，因此，基于轨迹信息来确定同行人，可以提高同行人检测的准确性。
在一种可能的实现方式中，所述对所述人物图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，可以包括：
对所述视频图像进行人物检测，得到包括检测信息的人物图像，所述人物检测包括人脸检测和人体检测中的至少一项，其中，在所述人物检测包括人脸检测的情况下，所述检测信息包括人脸信息，在所述人物检测包括人体检测的情况下，所述检测信息包括人体信息包括人体信息；
根据所述人物图像确定所述多个人物中每个人物对应的图像集合。
举例来说，可以对视频图像进行人脸检测，检测到人脸信息后，将所述视频图像中包括人脸信息的框图区域以矩形框等形式提取出来，作为人物图像，也即该视频图像中包括人脸信息；和/或，可以对视频图像进行人体检测，检测到人体信息后，将所述视频图像中包括人体信息的区域以矩形框等形式框图提取出来，作为人物图像。其中，人体信息中可以包括人脸信息，也就意味着通过提取人体信息的区域的方式得到的人物图像中，可以包括人体信息，或者同时包括人脸信息及人体信息。
需要说明的是，获取人物图像的过程可以包括但不限于上述例举的情况。比如，在从视频图像中提取人物图像的过程中，还可以采用其他形式对包括人脸信息和/或人体信息的区域进行提取等。
通过人物图像中包括的人脸信息和/或人体信息，可以将人物图像按照所属人物划分集合，得到多个人物中每个人物的图像集合。即将每个人物所对应的人物图像作为一个图像集合。这样，可以在得到包括人脸信息和/或人体信息的人物图像后，根据人物图像建立分别对应于各个人物的图像集合。针对每个人物对应的图像集合，可以确定该人物的轨迹信息，即根据图像集合中的人物图像可以拟合出人物的轨迹信息，从而依据多个人物各自对应的图像集合，分别拟合出多个人物各自的轨迹信息。
在一种可能的实现方式中，所述根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息，可以包括：
针对所述每个人物对应的图像集合中的每张人物图像，确定所述人物图像中的目标人物在与所述人物图像对应的视频图像中的第一位置信息；
根据所述第一位置信息以及第二位置信息，确定所述目标人物在空间坐标系内的空间位置坐标，所述第二位置信息为用于采集与所述人物图像对应的视频图像的图像采集设备的位置信息；
根据所述空间位置坐标以及采集所述人物图像对应的视频图像的时间，得到所述目标人物在时空坐标系内的时空位置坐标；
根据所述多个人物的时空位置坐标，得到在所述时空坐标系中的所述每个人物的轨迹信息。
举例来说，针对每个图像集合的每张人物图像，可以识别该图像合集对应的人物在这一张人物图像中的第一位置信息，进而根据该人物在人物图像中的第一位置信息及采集人物图像对应的视频图像的图像采集设备所处的第二位置信息，确定该人物在空间坐标系对应的空间位置坐标。其中，空间坐标系中的点可以用于表示人物实际所处的地理位置信息，比如，可以用(x,y)来表示。结合人物图像对应视频图像的采集时间t，可以得到时空坐标系中用于表示该人物的点，比如，可以用时空位置坐标(x，y，t)来表示。同样的，针对同一图像集合，可以得到该图像集合中每张人物图像的时空位置坐标，构成该同一图像集合对应人物的轨迹信息。该轨迹信息可以表示为由多个时空位置坐标组成的点群，在本申请实施例中，由于人物图像是通过采样后的视频图像得到的，因此，点群可以为离散的点所构成的集合。采用类似的实现方式，可以得到每个图像集合对应的点群，即每个图像集合对应人物的轨迹信息。
由于每个人物的轨迹信息可以反映人物所处位置和时间的关系，而同行人在本申请实施例中，指的往往是移动趋势相近或是一致的两个甚至更多的人物，因此通过轨迹信息可以从多个人物中更准确的确定至少一组同行人，进而可以提高同行人的检测准确度。
在一种可能的实现方式中，上述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，可以包括：
对所述多个人物的轨迹信息进行聚类，得到至少一组聚类集合；
将属于同一聚类集合中的多组轨迹信息分别对应的人物确定为一组同行人。
举例来说，可以对得到的多个人物的轨迹信息进行聚类，以得到聚类结果，其中，聚类结果指的是通过聚类的方式，将多个人物的轨迹信息划分为至少一组聚类集合。每一聚类集合中至少包括一个人物的轨迹信息。在本申请实施例的一种实现方式中，可以将属于同一聚类集合中的轨迹信息对应的人物确定为一组同行人。本公开对于对轨迹信息进行聚类的方式不作限定。
这样，由于轨迹信息可以表示人物在移动过程中所处的各位置和时间之间的关系，因此通过轨迹信息对多个人物进行聚类，可以得到移动过程更为相近的一组人物，而这样的一组人物就是本申请实施例所定义的一组同行人，进而可以提高同行人的检测的准确率。
在一种可能的实现方式中，上述每个人物的轨迹信息包括所述时空坐标系中的点群；上述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，可以包括：
针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度；
基于所述相似度与第一相似度阈值之间的大小关系，确定多组人物对，其中，每组人物对包括两个人物，且所述每组人物对的所述相似度的取值大于所述第一相似度阈值；
根据所述多组人物对，确定至少一组同行人。
举例来说，可以根据每两个人物对应的时空坐标系中的点群中的时空位置坐标，确定该两个人物对应的时空坐标系中的点群的相似度。在该两个人物对应的时空坐标系中的点群的相似度大于或者等于第一相似度阈值的情况下，可以将该两个人物确定为一组人物对。其中，相似度阈值是预设的用于判断两个人物是否为同行人的数值。第一相似度阈值可以为预设的初次用于判断两个人物是否为同行人的数值。下述实现方式中的第二相似度阈值可以为预设的用于二次判断两个人物是否为同行人的数值。其中，第二相似度阈值的取值大于第一相似度阈值。第一相似度阈值的取值和第二相似度阈值的取值都可以根据需求确定，本公开在此不对第一相似度阈值及第二相似度阈值的取值进行限定。针对多个人物中每两个人物均可以采用上述方式确定是否可以组成人物对，进而可以从多个人物中确定多组人物对，并根据多组人物对中包括的人物的重合情况从多组人物对中确定至少一组同行人。
例如：多个人物A、B、C、D、E、F，组成了多组人物对，多组人物对分别为AB、AC、CD、EF，则由于AB、AC、CD中至少两组人物对之间存在重复出现的人物，比如，AB与AC中都存在A，故人物A、B、C、D组成一组同行人，人物E、F组成一组同行人。
这样，通过确定两个人物在空间坐标系的点群的相似度，可以确定该两个人物是否为可以组成同行人，即组成人物对，依次类推，可以从多个人物中确定多组人物对，进一步的可以根据多组人物对之间是否存在重叠，即是否存在相同的一个人物，来从多个人物对中确定至少一组同行人。
在一种可能的实现方式中，上述针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中离的点群，确定相似度，可以包括：
确定所述每两个人物中第一人物对应的所述时空坐标系中的每个第一时空位置坐标，与所述每两个人物中第二人物对应的所述时空坐标系中的每个第二时空位置坐标之间的空间距离；
确定小于或等于距离阈值的所述空间距离对应的第一时空位置坐标的第一数量，以及小于或等于所述距离阈值的所述空间距离的第二时空位置坐标的第二数量；
确定所述第一数量与所述第一时空位置坐标总数量的第一比值，以及所述第二数量与所述第二时空位置坐标总数量的第二比值；
将所述第一比值与所述第二比值中的最大值确定为所述两个人物的相似度。
举例来说，可以随机或者按照一定规则，从多个人物中确定两个人物，即第一人物及第二人物。之后确定第一人物对应的时空坐标系中的点群中每个时空位置坐标为第一时空位置坐标，确定第二人物对应的时空坐标系中的点群中每个时空位置坐标为第二时空位置坐标。确定每个第一时空位置坐标与每个第二时空位置坐标的空间距离。即以某一个第一时空位置为基准，分别与各个第二时空位置坐标之间计算空间距离，并针对每个第一时空位置都执行上述操作，这样就可以得到针对每个第一时空位置坐标计算出的与每个第二时空位置坐标之间的空间距离。假设第一人物的时空坐标系中的点群中具有a个第一时空位置坐标，第二人物的时空坐标系中的点群中具有b个第二时空位置坐标，则共可以确定a×b个时空距离。本公开对于空间距离的计算方式不作具体限定。
第一人物每一个第一时空位置坐标分别对应b个时空距离，以一个第一时空位置坐标为例，在存在一个基于该第一时空位置坐标确定的时空距离小于或者等于距离阈值(该距离阈值可以是预设的数值，可以按照需求进行取值，本公开对于距离阈值的取值不作限定)的情况下，可以确定该第一时空位置坐标所对应的时空距离小于或者等于距离阈值。采用上述方式，分别确定第一人物的a个第一时空位置坐标对应的时空距离中小于或者等于距离阈值的第一时空位置坐标的第一数量c。其中，c小于或者等于第一人物的第一时空位置坐标的总数量。同理，确定第二人物的b个第二时空位置坐标对应的时空距离中小于或者等于距离阈值(预设的数值)的第二时空位置坐标的第二数量d。其中，d小于或者等于第二人物的第一时空位置坐标的总数量。基于上述内容，可以确定第一人物对应的第一比值为：c/a，第二人物对应的第二比值为d/b，之后将第一比值与第二比值中的最大值，确定为第一人物与第二人物的相似度，即在c/a大于d/b时，可以确定c/a为第一人物与第二人物的相似度，在c/a小于d/b时可以确定d/b为第一人物与第二人物的相似度。需要说明的是，在第一比值与第二比值相同的情况下，可以将第一比值和/或第二比值确定为第一人物与第二人物的相似度。
这样一来，针对多个人物中的每两个人物，可以采用上述方法确定相似度，从而得到每两个人物的轨迹信息的相似度。
在一种可能的实现方式中，上述根据所述多组人物对，确定至少一组同行人，包括：
根据所述多组人物对中的第一人物对建立同行人集合；
从所述多组人物对中除所述同行人集合中包括的人物对以外的至少一个第二人物对中，确定关联人物对，所述关联人物对包括所述同行人集合中的至少一个人物；
添加所述关联人物对至所述同行人集合中；
确定所述同行人集合中的人物为一组同行人。
举例来说，可以从多组人物对中随机选择一组人物对作为第一人物对，并将第一人物对中包括的两个人物作为同行人集合中的两个人物，以建立一个同行人集合，或是按照一定规则，比如，可以选择多组人物对中相似度较高的一组人物对作为第一人物对，以建立一个同行人集合。之后，将不完全属于同行人集合的人物对确定为第二人物对，其中，第二人物对中可以包括同行人集合中的人物或是不包括同行人集合中的人物。将第二人物对中包括同行人集合中的任一人物的人物对，作为关联人物对，添加至该同行人集合中，直至对所有的第二人物对中完成筛选。这样就可以基于第一人物对实现一组同行人的确定。需要说明的是，对于第二人物对中未被归属于上述一组同行人的人物对而言，可以采用类似的实现方式，再次建立至少一组同行人。
例如，仍以上述示例为例，以多组人物对：AB、AC、CD、EF中的人物对AB为第一人物对建立一个同行人集合，此时同行人集合中包括人物A和人物B。确定剩余的多组人物对为第二人物对(即AC、CD和EF)，其中第二人物对中的人物对AC包括人物A，则将该人物对AC作为关联人物对添加至同行人集合，此时同行人集合中包括人物A、人物B和人物C。确定剩余第二人物对中的人物对CD包括人物C，则将该人物对CD作为关联人物对添加至同行人集合，此时同行人集合中包括人物A、人物B、人物C和人物D，至此剩余的第二人物对EF不包括该同行人集合中的任一人物，因此同行人集合中人物A、人物B、人物C和人物D确定为一组同行人。同理，人物对EF可以被确定为另一组同行人。这样就可以得到多组人物对中的两组同行人。即根据多组人物对中包括的人物的重合关系，可以从多对人物对中得到至少一组同行人。
在门店营销的场景中，可能存在同一工作人员陪同多组人物的情况，那么与工作人员构成人物对的人物会有很多；或是，在特定场所中，可能存在小偷等可疑人物尾随各个人物实施盗窃等，那么小偷等可疑人物也会被归为多组人物对中。其中，工作人员指的可以是销售等在门店营销场景中为各人物提供服务的人员。考虑到同行人分组的目的，可以在于针对同行人确定有针对性的适应于一组人物的营销方案，因此，对于销售人员等不具备购买意向的人物而言，通常不予考虑。为了解决上述误识别所造成的一组同行人中存在不属于同行人的人物的情况，在一种可能的实现方式中，上述添加所述关联人物对至所述同行人集合中，可以包括：
确定所述关联人物对中第一人物所在人物对的数量；
在所述第一人物所在人物对的数量小于人物对数量阈值的情况下，添加所述关联人物对至所述同行人集合中。
举例来说，可以确定关联人物对中的任一人物为第一人物，可以确定该第一人物组成的人物对的数量，例如：关联人物对AC中的人物A分别和人物B及人物C组成了人物对AB和AC，故人物A所在人物对的数量为2。在关联人物对中的任一人物所在人物对的数量小于人物对数量阈值(为预设的数值，可以根据需要对人物对数量阈值进行取值，本公开在此不对人物对数量阈值的取值进行限定)时，可以确定该关联人物对可以添加至同行人集合中，与同行人集合中的人物组成一组同行人；在关联人物对中的任一人物所在人物对的数量大于或者人物对数量阈值时，可以确定该人物为工作人员，不添加该人物对至同行人集合中，以避免因该工作人员将其它组同行人与该组同行人合并的情况发生。
考虑到采用本申请实施例提供的技术方案，很可能得到包括人物较多的一组同行人，为了提升确定一组同行人的准确率，可以在一组同行人中包括的人物数量较多的情况下，对该一组同行人包括的人物进行筛选，以从该一组同行人中删除不太可能成为同行人的某一个或是多个人物。在一种可能的实现方式中，上述在所述根据所述多组人物对，确定至少一组同行人之后，所述方法还可以包括：
在所述一组同行人包括的人物数量大于第一数量阈值的情况下，将所述多组人物对中所述相似度的取值大于第二相似度阈值的至少一组人物对，确定为一组同行人，以使所述一组同行人中包括的人物数量小于所述第一数量阈值，所述第二相似度阈值大于所述第一相似度阈值。
举例来说，第一数量阈值为预设的一组同行人的最多人数，可以根据需求对第一数量阈值进行取值，本公开对第一数量阈值的取值不做限定。在一组同行人包括的人物数量大于第一数量阈值时，可以将同行人中的多组人物对对应的相似度大于第二相似度阈值的至少一组人物对确定为一组同行人，进而使得同行人的数量满足要求的同时，可以提高同行人的检测精度。其中，第二相似度阈值为预设的大于第一相似度阈值的数值，可以根据需求对第二相似度阈值进行取值，本公开对第二相似度阈值的取值不做限定。由此可见，基于已得到的一组同行人，可以采用二次筛选的方式，过滤掉相似度小于或等于第二相似度阈值的人物对，从而减少该一组同行人包括的人物数量。
在一种可能的实现方式中，所述根据所述人物图像确定所述多个人物中每个人物对应的图像集合，包括：
对包括人脸信息的所述人物图像进行聚类处理，得到人脸聚类结果，所述人脸聚类结果包括各个包括人脸信息的所述人物图像的人脸身份；
对包括人体信息的所述人物图像进行聚类处理，得到人体聚类结果，所述人体聚类结果包括各个包括人体信息的所述人物图像的人体身份；
根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合。
举例来说，可以从人物图像中确定包括人脸信息的人物图像，及从人物图像中确定包括人体信息的人物图像。可以对包括人脸信息的人物图像进行聚类处理，例如：可以提取各人物图像中的人脸特征，并通过提取到的人脸特征进行人脸聚类，得到人脸聚类结果。示例性的，可以采用训练好的模型，比如，预训练的用于人脸聚类的神经网络模型，对包括人脸信息的人物图像进行人脸聚类处理，将包括人脸信息的人物图像聚为多个类别，并为每一类别赋予一个人脸身份，以使得各包括人脸信息的人物图像均具有人脸身份，且归属于同一类的包括人脸信息的人物图像具有相同的人脸身份，归属于不同类的包括人脸信息的人物图像所具有的人脸身份不同，从而得到人脸聚类结果。本公开对人脸聚类的具体方式不作限制。
同理，可以对包括人体信息的人物图像进行聚类处理，例如：可以提取各人物图像中的人体特征，并通过提取到的人体特征进行聚类，得到人体聚类结果。示例性的，可以采用训练好的模型，比如，预训练的用于人体聚类的神经网络模型，对包括人体信息的人物图像进行人体聚类处理，将包括人体信息的人物图像聚为多个类别，并为每一类别赋予一个人体身份，以使得各包括人体信息的人物图像均具有人体身份，且归属于同一类的包括人体信息的人物图像具有相同的人体身份，归属于不同类的包括人体信息的人物图像所具有的人体身份不同，从而得到人体聚类结果。本公开对人体聚类的具体方式不作限制。
对于同时具有人脸信息及人体信息的人物图像，其既进行了人脸聚类，得到了人脸身份；又进行了人体聚类，得到了人体身份。通过同时具有人脸信息及人体信息的人物图像可以将人脸身份与人体身份进行关联，根据关联的人脸身份及人体身份可以确定属于同一人物的人物图像(包括人脸信息的人物图像及包括人体信息的人物图像)，进而得到属于该人物的图像集合。
在一种可能的实现方式中，对包括人体信息的人物图像进行聚类处理之前，可以根据人物图像中包括的人体信息的完整性，对所述人物图像进行过滤，并对过滤后的人物图像进行聚类处理，得到人体聚类结果，以排除精度不够，不具有参考意义的人物图像，进而提高聚类精度。例如：可以预设人体关键点信息，并可以检测人物图像中的人体关键点信息，可以根据检测到的人体关键点信息与预设的人体关键点信息的匹配程度确定人物图像中的人体信息是否完整，对于人体信息不完整的人物图像进行删除处理，以实现对人物图像的过滤。示例性的，可以采用预训练的用于检测人体信息的完整性的神经网络对所述人物图像进行过滤，本公开在此不再赘述。
在一种可能的实现方式中，上述根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合，可以包括：
确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系；
根据所述对应关系中的第一对应关系，从所述人物图像中获取包括所述第一对应关系中人脸信息和/或人体信息的人物图像，以形成一个人物对应的图像集合。
上述第一对应关系可以为所有对应关系中随机选取的一个，或是按照一定规则选取的。举例来说，可以确定同时包括人脸信息及人体信息的人物图像，该人物图像既参与了人脸聚类，得到了人脸身份；也参与了人体聚类，得到了人体身份，也即该人物图像同时具有人脸身份及人体身份。
通过该包括人脸信息及人体信息的人物图像，可以将对应同一人物的人体身份及人脸身份关联起来，进而通过该人体身份与人脸身份的对应关系，获取到对应于同一人物的三类人物图像，其一为仅包括人体信息的人物图像，其二为仅包括人脸信息的人物图像，其三为即包括人体信息又包括人脸信息的人物图像，将上述三类获取的人物图像组成该人物对应的图像集合，进而根据该图像集合中的人物实际所处的地理位置信息及采集的时间建立该人物的轨迹信息。
根据每个对应关系均采用上述方法可以确定每个对应关系对应的人物所对应的图像集合，这样一来，通过人脸聚类结果及人体聚类结果相互补充，可以丰富人物对应的图像集合中的人物图像，进而通过丰富的人物图像确定更为丰富的轨迹信息。
由于人体聚类的准确性低于人脸聚类的准确性，可能导致对应同一人体身份的多个人物图像，对应了多个人脸身份。例如：存在20张既有人脸信息又有人体信息的人物图像对应人体身份BID1，但该20张人物图像却对应了3个人脸身份：FID1、FID2、FID3，则需要从该3个人脸身份中确定与人体身份BID1对应同一人物的人脸身份。
在一种可能的实现方式中，上述确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系，包括：
获取包括人脸信息及人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像按照所属的人体身份进行分组，得到至少一个人体图像组，其中，同一人体图像中的人物图像具有相同的人体身份；
针对所述人体图像组中的第一人体图像组，确定所述第一人体图像组中各的人物图像分别对应的人脸身份，并根据所述第一人体图像组中每个人脸身份所对应的人物图像的数量，确定所述第一人体图像组中的人物图像的人脸身份与人体身份之间的对应关系。
举例来说，可以确定包括人脸信息及人体信息的人物图像，并获取该人物图像的人脸身份及人体身份。按照该人物图像所属的人体身份进行分组，例如：存在50张包括人脸信息和人体信息的人物图像，其中，对应BID1这一人体身份的人物图像有10张，该10张人物图像可以组成人体图像组1，对应BID2这一人体身份的人物图像有30张，该30张人物图像可以组成人体图像组2，对应BID3这一人体身份的人物图像有10张，该10张人物图像可以组成人体图像组3。
第一人体图像组可以是所有人体图像组中随机选取的一个，或者可以是按照一定规则选取的。针对第一人体图像组，可以确定该第一人体图像组中各人物图像对应的人脸身份，并确定对应同一人脸身份的人物图像的数量，并根据第一人体图像组中各个人脸身份所对应的人物图像的数量，确定该第一人体图像组中的人物图像的人脸身份与人体身份之间的对应关系。
例如：可以确定第一人体图像组中对应人物图像的数量最多的人脸身份，与所述人体身份相对应，或者，可以确定第一人体图像组中对应人物图像的数量在第一人体图像组中所占比例高于阈值的人脸身份，与所述人体身份相对应。
以上述示例中的人体图像组2为例，确定该人体图像组2中的30张人物图像中具有FID1这一身份的人物图像有20张，具有FID2这一身份的人物图像有4张，具有FID2这一身份的人物图像有6张，则可以确定与BID2这一人体身份相关联的人脸身份为FID1。或者，假设阈值设置为50％，则FID1所占比例为67％，FID2所占比例为13％，FID1所占比例为20％，则可以确定与BID2这一人体身份相关联的人脸身份为FID1。
根据每个人体图像组均采用上述方法可以确定每个包括人脸信息及人体信息的人物图像的人脸身份和人体身份的对应关系。这样一来，通过人脸聚类结果及人体聚类结果相互纠正，可以提高聚类准确率，进而提高根据人体聚类结果及人脸聚类结果得到的人物对应的图像集合的准确率，进而通过准确性更高的图像集合可以确定更为准确的轨迹信息。
在一种可能的实现方式中，所述确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系，包括：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述第二图像按照所属的人脸身份进行分组，得到至少一个人脸图像组，其中，同一人脸图像组中的人物图像具有相同的人脸身份；
针对所述人脸图像组中的第一人脸图像组，确定所述第一人脸图像组中各人物图像分别对应的人体身份，并根据第一所述人脸图像组中每个人体身份所对应的人物图像的数量，确定所述第一人脸图像组中的人物图像的人脸身份与人体身份之间的对应关系。
举例来说，可以确定包括人脸信息及人体信息的人物图像，并获取该人物图像的人脸身份及人体身份。按照该人物图像所属的人脸身份进行分组，例如：存在50张包括人脸信息和人体信息的人物图像，其中，对应FID1这一人体身份的人物图像有10张，该10张人物图像可以组成人脸图像组1，对应FID2这一人脸身份的人物图像有30张，该30张人物图像可以组成人脸图像组2，对应FID3这一人脸身份的人物图像有10张，该10张人物图像可以组成人脸图像组3。
第一人脸图像组可以是所有人脸图像组中随机选取的一个，或者可以是按照一定规则选取的。针对第一人脸图像组，可以确定该第一人脸图像组中各人物图像对应的人体身份，并确定对应同一人体身份的人物图像的数量，并根据第一人脸图像组中各个人体身份所对应的人物图像的数量，确定该第一人脸图像组中的人物图像的人脸身份与人体身份之间的对应关系。
例如：可以确定第一人脸图像组中对应人物图像的数量最多的人体身份，与所述人脸身份相对应，或者，可以确定第一人脸图像组中对应人物图像的数量在人脸图像组中所占比例高于阈值的人体身份，与所述人脸身份相对应。
以上述示例中的人脸图像组2为例，确定该人脸图像组2中的30张人物图像中具有BID1这一人体身份的人物图像有20张，具有BID2这一人体身份的人物图像有4张，具有BID2这一人体身份的人物图像有6张，则可以确定与FID2这一人脸身份相关联的人体身份为BID1。或者，假设阈值设置为50％，则BID1所占比例为67％，BID2所占比例为13％，BID1所占比例为20％，则可以确定与FID2这一人脸身份相关联的人体身份为BID1。
根据每个人脸图像组均采用上述方法可以确定每个包括人脸信息及人体信息的人物图像的人脸身份和人体身份的对应关系。这样一来，通过人脸聚类结果及人体聚类结果相互纠正，可以提高聚类准确率，进而提高根据人体聚类结果及人脸聚类结果得到的人物对应的图像集合的准确率，进而通过准确率较高的图像集合可以确定更为准确的轨迹信息。
在一种可能的实现方式中，所述根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合，可以包括：
对于所述图像集合的包括人脸信息的人物图像，根据人物图像的人脸身份，确定出至少一个人物对应的图像集合。
举例来说，针对人物图像中不归属于任一图像集合的包括人脸特征的人物图像，可以将该类人物图像按照其所属的人脸身份建立至少一个图像集合，对于建立的任一图像集合中的第二图像具有相同的人脸身份。
通过这种方式，可得到多个图像集合，从而实现所有人物图像的聚类。进而能够根据各个图像集合中的人物图像的第二位置信息及采集的时间建立相应的人物的轨迹信息，实现根据各个人物的轨迹信息从多个人物中确定至少一组同行人。
在一种可能的实现方式中，在所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人之后，上述方法还可以包括：
根据所述多个人物中的同行人，确定针对所述同行人的营销方案，和/或，确定所述同行人中的异常人物。
例如：在确定多个人物中的同行人后，可以将该一组同行人交由一个工作人员负责跟进和服务，根据该一组同行人的行为数据等信息制定针对该一组同行人的营销方案，统计该一组同行人的行为数据，确定订单的转化率等。或者，还可以从一组同行人中确定异常人物，例如：小偷，犯罪嫌疑人等。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了检测同行人的装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种检测同行人的方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图2示出根据本公开实施例的检测同行人的装置的框图，如图2所示，所述检测同行人的装置包括：
获取模块201，可以用于获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；
第一确定模块202，用于对所述获取模块201获取的所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
第二确定模块203，用于根据所述多个图像采集设备的位置信息、所述通过所述第二确定模块202得到的每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
第三确定模块204，用于根据所述第二确定模块203得到的所述多个人物的轨迹信息，确定所述多个人物中的同行人。
这样，通过对预设时段内，部署在不同区域的多个图像采集设备采集到的视频图像进行人物检测，根据人物检测结果可以确定多个人物中每个人物对应的包括人物图像的图像集合，进而根据多个图像采集设备的位置信息、每个人物对应的图像集合以及人物图像采集的时间，可以确定每个人物的轨迹信息，根据多个人物的轨迹信息，可以确定多个人物中的同行人。根据本公开提供的检测同行人的装置，可以基于通过部署于不同区域的多个图像采集设备在预设时段内采集的每一人物对应的图像的位置信息及采集的时间，建立每一人物的轨迹信息，进而根据每一人物的轨迹信息从多个人物中确定同行人，由于轨迹信息能更好的反映各人物的动态，因此，基于轨迹信息来确定同行人，可以提高同行人检测的准确性。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
针对所述每个人物对应的图像集合中的每张人物图像，确定所述人物图像中的目标人物在与所述人物图像对应的视频图像中的第一位置信息；
根据所述第一位置信息以及第二位置信息，确定所述目标人物在空间坐标系内的空间位置坐标，所述第二位置信息为用于采集与所述人物图像对应的视频图像的图像采集设备的位置信息；
根据所述空间位置坐标以及采集所述人物图像对应的视频图像的时间，得到所述目标人物在时空坐标系内的时空位置坐标；
根据所述多个人物的时空位置坐标，得到在所述时空坐标系中的所述每个人物的轨迹信息。
在一种可能的实现方式中，所述第三确定模块，还可以用于：
对所述多个人物的轨迹信息进行聚类，得到至少一组聚类集合；
将属于同一聚类集合中的多组轨迹信息分别对应的人物确定为一组同行人。
在一种可能的实现方式中，所述每个人物的轨迹信息包括所述时空坐标系中的点群；所述第二确定模块，还可以用于：
所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，包括：
针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度；
基于所述相似度与第一相似度阈值之间的大小关系，确定多组人物对，其中，每组人物对包括两个人物，且所述每组人物对的所述相似度的取值大于所述第一相似度阈值；
根据所述多组人物对，确定至少一组同行人。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
根据所述多组人物对中的第一人物对建立同行人集合；
从所述多组人物对中除所述同行人集合中包括的人物对以外的至少一个第二人物对中，确定关联人物对，所述关联人物对包括所述同行人集合中的至少一个人物；
添加所述关联人物对至所述同行人集合中；
确定所述同行人集合中的人物为一组同行人。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
确定所述关联人物对中第一人物所在人物对的数量；
在所述第一人物所在人物对的数量小于人物对数量阈值的情况下，添加所述关联人物对至所述同行人集合中。
在一种可能的实现方式中，所述装置还可以包括：
第四确定模块，用于在所述一组同行人包括的人物数量大于第一数量阈值的情况下，将所述多组人物对中所述相似度的取值大于第二相似度阈值的至少一组人物对，确定为一组同行人，以使所述一组同行人中包括的人物数量小于所述第一数量阈值，所述第二相似度阈值大于所述第一相似度阈值。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
确定所述每两个人物中第一人物对应的所述时空坐标系中的每个第一时空位置坐标，与所述每两个人物中第二人物对应的所述时空坐标系中的每个第二时空位置坐标之间的空间距离；
确定小于或等于距离阈值的所述空间距离对应的第一时空位置坐标的第一数量，以及小于或等于所述距离阈值的所述空间距离对应的第二时空位置坐标的第二数量；
确定所述第一数量与所述第一时空位置坐标总数量的第一比值，以及所述第二数量与所述第二时空位置坐标总数量的第二比值；
将所述第一比值与所述第二比值中的最大值确定为所述两个人物的相似度。
在一种可能的实现方式中，所述第一确定模块，还可以用于：
对所述视频图像进行人物检测，得到包括检测信息的人物图像，所述人物检测包括人脸检测和人体检测中的至少一项，其中，在所述人物检测包括人脸检测的情况下，所述检测信息包括人脸信息，在所述人物检测包括人体检测的情况下，所述检测信息包括人体信息；
根据所述人物图像确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还可以用于：
对包括人脸信息的所述人物图像进行聚类处理，得到人脸聚类结果，所述人脸聚类结果包括各个包括人脸信息的所述人物图像的人脸身份；
对包括人体信息的所述人物图像进行聚类处理，得到人体聚类结果，所述人体聚类结果包括各个包括人体信息的所述人物图像的人体身份；
根据所述人脸聚类结果及所述人体聚类结果，确定所述多个人物中每个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还用于：
确定每一包括人脸信息和人体信息的所述人物图像中人脸身份与人体身份之间的对应关系；
根据所述对应关系中的第一对应关系，从所述人物图像中获取包括所述第一对应关系中人脸信息和/或人体信息的所述人物图像，以形成一个人物对应的图像集合。
在一种可能的实现方式中，所述第一确定模块，还用于：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人体身份进行分组，得到至少一个人体图像组，其中，同一人体图像组中的人物图像具有相同的人体身份；
针对所述人体图像组中的第一人体图像组，确定所述第一人体图像组中各人物图像分别对应的人脸身份，并根据所述第一人体图像组中每个人脸身份所对应的人物图像的数量，确定所述第一人体图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述第一确定模块，还用于：
获取包括人脸信息和人体信息的所述人物图像的人脸身份及人体身份；
对所述包括人脸信息和人体信息的所述人物图像，按照所属的人脸身份进行分组，得到至少一个人脸图像组，其中，同一人脸图像组中的人物图像具有相同的人脸身份；
针对所述人脸图像组中的第一人脸图像组，确定所述第一人脸图像组中各人物图像分别对应的人体身份，并根据所述第一人脸图像组中每个人体身份所对应的人物图像的数量，确定所述第一人脸图像组中的人物图像的人脸身份与人体身份之间的对应关系。
在一种可能的实现方式中，所述第一确定模块，还用于：
对于不属于所述图像集合的包括人脸信息的人物图像，根据所述人物图像的人脸身份，确定出至少一个人物对应的图像集合。
在一种可能的实现方式中，所述装置还包括：
第五确定模块，用于根据所述多个人物中的同行人，确定针对所述同行人的营销方案，和/或，确定所述同行人中的异常人物。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例提供了一种检测同行人的系统，该系统包括多个设置于不同区域的图像采集设备及处理设备，其中，
所述多个图像采集设备，用于采集视频图像，并向所述处理设备发送；
所述处理设备，用于对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
所述处理设备，还用于根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
所述处理设备，还用于根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
在一种可能的实现方式中，上述处理设备可以集成在所述图像采集设备中。
通过部署于不同区域的多个图像采集设备采集视频图像，并向处理设备发送采集的视频图像，处理设备可以根据采集的视频图像确定同行人，具体过程可以参照前述实施例，本公开在此不再赘述。
根据本公开提供的检测同行人的系统，可以基于通过部署于不同区域的多个图像采集设备在预设时段内采集的每一人物对应的图像的位置信息及采集的时间，建立每一人物的轨迹信息，进而根据每一人物的轨迹信息从多个人物中确定同行人，由于轨迹信息能更好的反映各人物的动态，因此，基于轨迹信息来确定同行人，可以提高同行人检测的准确性。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。如静态随机存取存储器(Static Random-Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(erasable programmable read-only memory，EPROM)，可编程只读存储器(Programmable read-only memory，PROM)，只读存储器(Read-OnlyMemory，ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(Liquid Crystal Display，LCD)和触摸面板(Touch Panel，TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(Microphone，MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(Complementary Metal Oxide Semiconductor，CMOS)或电荷耦合元件(Charge-coupled Device，CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(Near FieldCommunication，NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RadioFrequency Identification，RFID)技术，红外数据协会(Infrared Data Association，IrDA)技术，超宽带(Ultra Wide Band，UWB)技术，蓝牙(bluetooth，BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(Digital Signal Processing Device，DSPD)、可编程逻辑器件(programmable logic device，PLD)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(randomaccess memory，RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(Static Random-Access Memory，SRAM)、便携式压缩盘只读存储器(CompactDisc Read-Only Memory，CD-ROM)、数字多功能盘(Digital Video Disc，DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(Local Area Network，LAN)或广域网(WideArea Network，WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(Field ProgrammableGate Array，FPGA)或可编程逻辑阵列(Programmable logic arrays，PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种检测同行人的方法，其特征在于，包括：
获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；
对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息，包括：
针对所述每个人物对应的图像集合中的每张人物图像，确定所述人物图像中的目标人物在与所述人物图像对应的视频图像中的第一位置信息；
根据所述第一位置信息以及第二位置信息，确定所述目标人物在空间坐标系内的空间位置坐标，所述第二位置信息为用于采集与所述人物图像对应的视频图像的图像采集设备的位置信息；
根据所述空间位置坐标以及采集所述人物图像对应的视频图像的时间，得到所述目标人物在时空坐标系内的时空位置坐标；
根据所述多个人物的时空位置坐标，得到在所述时空坐标系中的所述每个人物的轨迹信息。
3.根据权利要求2所述的方法，其特征在于，所述每个人物的轨迹信息包括所述时空坐标系中的点群；
所述根据所述多个人物的轨迹信息，确定所述多个人物中的同行人，包括：
针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度；
基于所述相似度与第一相似度阈值之间的大小关系，确定多组人物对，其中，每组人物对包括两个人物，且所述每组人物对的所述相似度的取值大于所述第一相似度阈值；
根据所述多组人物对，确定至少一组同行人。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多组人物对，确定至少一组同行人，包括：
根据所述多组人物对中的第一人物对建立同行人集合；
从所述多组人物对中除所述同行人集合中包括的人物对以外的至少一个第二人物对中，确定关联人物对，所述关联人物对包括所述同行人集合中的至少一个人物；
添加所述关联人物对至所述同行人集合中；
确定所述同行人集合中的人物为一组同行人。
5.根据权利要求3所述的方法，其特征在于，所述针对所述多个人物的轨迹信息中每两个人物对应的所述时空坐标系中的点群，确定相似度，包括：
确定所述每两个人物中第一人物对应的所述时空坐标系中的每个第一时空位置坐标，与所述每两个人物中第二人物对应的所述时空坐标系中的每个第二时空位置坐标之间的空间距离；
确定小于或等于距离阈值的所述空间距离对应的第一时空位置坐标的第一数量，以及小于或等于所述距离阈值的所述空间距离对应的第二时空位置坐标的第二数量；
确定所述第一数量与所述第一时空位置坐标总数量的第一比值，以及所述第二数量与所述第二时空位置坐标总数量的第二比值；
将所述第一比值与所述第二比值中的最大值确定为所述两个人物的相似度。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，包括：
对所述视频图像进行人物检测，得到包括检测信息的人物图像，所述人物检测包括人脸检测和人体检测中的至少一项，其中，在所述人物检测包括人脸检测的情况下，所述检测信息包括人脸信息，在所述人物检测包括人体检测的情况下，所述检测信息包括人体信息；
根据所述人物图像确定所述多个人物中每个人物对应的图像集合。
7.一种检测同行人的装置，其特征在于，包括：
获取模块，用于获取在预设时段内，通过部署在不同区域的多个图像采集设备，分别采集到的视频图像；
第一确定模块，用于对所述获取模块获取的所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
第二确定模块，用于根据所述多个图像采集设备的位置信息、所述通过所述第二确定模块得到的每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
第三确定模块，用于根据所述第二确定模块得到的所述多个人物的轨迹信息，确定所述多个人物中的同行人。
8.一种检测同行人的系统，其特征在于，所述系统包括多个设置于不同区域的图像采集设备及处理设备，其中，
所述多个图像采集设备，用于采集视频图像，并向所述处理设备发送；
所述处理设备，用于对所述视频图像进行人物检测，以根据得到的人物检测结果，确定多个人物中每个人物对应的图像集合，所述图像集合包括人物图像；
所述处理设备，还用于根据所述多个图像采集设备的位置信息、所述每个人物对应的图像集合以及所述人物图像采集的时间，确定所述每个人物的轨迹信息；
所述处理设备，还用于根据所述多个人物的轨迹信息，确定所述多个人物中的同行人。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN201911120558.2A 2019-11-15 2019-11-15 检测同行人的方法及装置、系统、电子设备和存储介质 Pending CN111222404A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201911120558.2A CN111222404A (zh) 2019-11-15 2019-11-15 检测同行人的方法及装置、系统、电子设备和存储介质
PCT/CN2020/105560 WO2021093375A1 (zh) 2019-11-15 2020-07-29 检测同行人的方法及装置、系统、电子设备和存储介质
JP2021512888A JP2022514726A (ja) 2019-11-15 2020-07-29 同行人を検出する方法および装置、システム、電子機器、記憶媒体及びコンピュータプログラム
SG11202101225XA SG11202101225XA (en) 2019-11-15 2020-07-29 Method, apparatus and system for detecting companions, electronic device and storage medium
US17/166,041 US20210166040A1 (en) 2019-11-15 2021-02-03 Method and system for detecting companions, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911120558.2A CN111222404A (zh) 2019-11-15 2019-11-15 检测同行人的方法及装置、系统、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111222404A true CN111222404A (zh) 2020-06-02

Family

ID=70827703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911120558.2A Pending CN111222404A (zh) 2019-11-15 2019-11-15 检测同行人的方法及装置、系统、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20210166040A1 (zh)
JP (1) JP2022514726A (zh)
CN (1) CN111222404A (zh)
SG (1) SG11202101225XA (zh)
WO (1) WO2021093375A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112256747A (zh) * 2020-09-18 2021-01-22 珠海市新德汇信息技术有限公司 一种面向电子数据的人物刻画方法
CN112712013A (zh) * 2020-12-29 2021-04-27 杭州海康威视数字技术股份有限公司 一种移动轨迹构建方法及装置
WO2021093375A1 (zh) * 2019-11-15 2021-05-20 北京市商汤科技开发有限公司 检测同行人的方法及装置、系统、电子设备和存储介质
CN113704533A (zh) * 2021-01-25 2021-11-26 浙江大华技术股份有限公司 对象关系的确定方法及装置、存储介质、电子装置
WO2022001122A1 (zh) * 2020-06-30 2022-01-06 北京市商汤科技开发有限公司 数据处理方法、装置、设备以及存储介质
CN114862946A (zh) * 2022-06-06 2022-08-05 重庆紫光华山智安科技有限公司 位置预测方法、系统、设备及介质
CN116486438A (zh) * 2023-06-20 2023-07-25 苏州浪潮智能科技有限公司 一种人员轨迹的检测方法、装置、系统、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757987B (zh) * 2022-10-30 2023-08-22 深圳市巨龙创视科技有限公司 基于轨迹分析的伴随对象确定方法、装置、设备及介质
CN117523472B (zh) * 2023-09-19 2024-10-15 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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796468A (zh) * 2015-04-14 2015-07-22 蔡宏铭 实现同行人即时通讯及同行信息共享的方法和系统
US20170111245A1 (en) * 2015-10-14 2017-04-20 International Business Machines Corporation Process traces clustering: a heterogeneous information network approach
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
CN109376639A (zh) * 2018-10-16 2019-02-22 上海弘目智能科技有限公司 基于人像识别的伴随人员预警系统及方法
CN109740516A (zh) * 2018-12-29 2019-05-10 深圳市商汤科技有限公司 一种用户识别方法、装置、电子设备及存储介质
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系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7139411B2 (en) * 2002-06-14 2006-11-21 Honda Giken Kogyo Kabushiki Kaisha Pedestrian detection and tracking with night vision
JP2006236255A (ja) * 2005-02-28 2006-09-07 Mitsubishi Electric Corp 人物追跡装置および人物追跡システム
US8295597B1 (en) * 2007-03-14 2012-10-23 Videomining Corporation Method and system for segmenting people in a physical space based on automatic behavior analysis
US9740977B1 (en) * 2009-05-29 2017-08-22 Videomining Corporation Method and system for recognizing the intentions of shoppers in retail aisles based on their trajectories
US11004093B1 (en) * 2009-06-29 2021-05-11 Videomining Corporation Method and system for detecting shopping groups based on trajectory dynamics
CN104933201A (zh) * 2015-07-15 2015-09-23 蔡宏铭 基于同行信息的内容推荐方法及系统
JP6898165B2 (ja) * 2017-07-18 2021-07-07 パナソニック株式会社 人流分析方法、人流分析装置及び人流分析システム
CN111670456B (zh) * 2018-02-08 2023-09-15 三菱电机株式会社 信息处理装置、追踪方法和记录介质
CN109784217A (zh) * 2018-12-28 2019-05-21 上海依图网络科技有限公司 一种监控方法及装置
CN109948494B (zh) * 2019-03-11 2020-12-29 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
US20200380299A1 (en) * 2019-05-31 2020-12-03 Apple Inc. Recognizing People by Combining Face and Body Cues
CN110837512A (zh) * 2019-11-15 2020-02-25 北京市商汤科技开发有限公司 访客信息管理方法及装置、电子设备和存储介质
CN111222404A (zh) * 2019-11-15 2020-06-02 北京市商汤科技开发有限公司 检测同行人的方法及装置、系统、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796468A (zh) * 2015-04-14 2015-07-22 蔡宏铭 实现同行人即时通讯及同行信息共享的方法和系统
US20170111245A1 (en) * 2015-10-14 2017-04-20 International Business Machines Corporation Process traces clustering: a heterogeneous information network approach
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
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
CN109376639A (zh) * 2018-10-16 2019-02-22 上海弘目智能科技有限公司 基于人像识别的伴随人员预警系统及方法
CN109740516A (zh) * 2018-12-29 2019-05-10 深圳市商汤科技有限公司 一种用户识别方法、装置、电子设备及存储介质
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系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021093375A1 (zh) * 2019-11-15 2021-05-20 北京市商汤科技开发有限公司 检测同行人的方法及装置、系统、电子设备和存储介质
WO2022001122A1 (zh) * 2020-06-30 2022-01-06 北京市商汤科技开发有限公司 数据处理方法、装置、设备以及存储介质
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
CN112256747A (zh) * 2020-09-18 2021-01-22 珠海市新德汇信息技术有限公司 一种面向电子数据的人物刻画方法
CN112712013A (zh) * 2020-12-29 2021-04-27 杭州海康威视数字技术股份有限公司 一种移动轨迹构建方法及装置
CN112712013B (zh) * 2020-12-29 2024-01-05 杭州海康威视数字技术股份有限公司 一种移动轨迹构建方法及装置
CN113704533A (zh) * 2021-01-25 2021-11-26 浙江大华技术股份有限公司 对象关系的确定方法及装置、存储介质、电子装置
CN114862946A (zh) * 2022-06-06 2022-08-05 重庆紫光华山智安科技有限公司 位置预测方法、系统、设备及介质
CN116486438A (zh) * 2023-06-20 2023-07-25 苏州浪潮智能科技有限公司 一种人员轨迹的检测方法、装置、系统、设备及存储介质
CN116486438B (zh) * 2023-06-20 2023-11-03 苏州浪潮智能科技有限公司 一种人员轨迹的检测方法、装置、系统、设备及存储介质

Also Published As

Publication number Publication date
US20210166040A1 (en) 2021-06-03
JP2022514726A (ja) 2022-02-15
WO2021093375A1 (zh) 2021-05-20
SG11202101225XA (en) 2021-06-29

Similar Documents

Publication Publication Date Title
CN111222404A (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN109740516B (zh) 一种用户识别方法、装置、电子设备及存储介质
CN109753920B (zh) 一种行人识别方法及装置
CN110942036B (zh) 人员识别方法及装置、电子设备和存储介质
US20220084056A1 (en) Methods and apparatuses for managing visitor information, electronic devices and storage media
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN111814629A (zh) 人员检测方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
WO2022227562A1 (zh) 身份识别方法及装置、电子设备、存储介质和计算机程序产品
CN110633700A (zh) 视频处理方法及装置、电子设备和存储介质
CN112101216A (zh) 人脸识别方法、装置、设备及存储介质
CN111652107A (zh) 对象计数方法及装置、电子设备和存储介质
CN109034106B (zh) 人脸数据清洗方法及装置
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN110929545A (zh) 人脸图像的整理方法及装置
CN112016443B (zh) 同行识别方法及装置、电子设备和存储介质
CN111062407B (zh) 图像处理方法及装置、电子设备和存储介质
CN111209769B (zh) 身份验证系统及方法、电子设备和存储介质
CN110781975B (zh) 图像处理方法及装置、电子设备和存储介质
CN111753753A (zh) 图像识别方法及装置、电子设备和存储介质
CN111275055A (zh) 网络训练方法及装置、图像处理方法及装置
CN111209768A (zh) 身份验证系统及方法、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602