CN112560700A - 一种基于动作分析的信息关联方法、装置及电子设备 - Google Patents
一种基于动作分析的信息关联方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112560700A CN112560700A CN202011503087.6A CN202011503087A CN112560700A CN 112560700 A CN112560700 A CN 112560700A CN 202011503087 A CN202011503087 A CN 202011503087A CN 112560700 A CN112560700 A CN 112560700A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- action
- images
- track
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 230000009471 action Effects 0.000 claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种基于动作分析的信息关联方法、装置及电子设备，属于电学技术领域，具体包括：采集多帧预设区域内的初始图像；对全部初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；当收到触发指令时，检测触发指令时刻前一段预设时段内的轨迹图像和动作图像，确定目标人员；对目标人员的轨迹图像进行重识别操作，得到目标图像；将目标图像与目标人员对应的目标信息进行存储。通过本公开的方案，通过对采集到的初始图像进行实时的预处理，在收到触发指令时再根据轨迹图像和动作图像确定目标人员，并选取出目标人员对应的目标图像，然后将目标图像与目标信息进行对应存储，提高了匹配效率和管理精准度。
Description
技术领域
本公开涉及电学技术领域，尤其涉及一种基于动作分析的信息关联方法、装置及电子设备。
背景技术
目前，随着目标检测、目标识别、动作分析等底层计算机视觉技术的成熟，学术界开始关注在更高语义层面上如何描述目标与目标之间的语义关联，由此兴起了基于机器视觉的信息关联技术的研究，然而经过十几年的发展，现有的基于动作分析的信息关联方法大多是针对独立动作的分析处理，在缺少限定条件和场景的基础上导致计算量巨大，且容易出现关联误差。
可见，亟需一种匹配效率高且关联度精准的基于动作分析的信息关联方法。
发明内容
有鉴于此，本公开实施例提供一种基于动作分析的信息关联方法、装置及电子设备，至少部分解决现有技术中匹配效率和关联精准度较低的问题。
第一方面，本公开实施例提供了一种基于动作分析的信息关联方法，包括：
采集多帧预设区域内的初始图像；
对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
将所述目标图像与所述目标人员对应的目标信息进行存储。
根据本公开实施例的一种具体实现方式，所述对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像的步骤，包括：
提取全部所述初始图像内的人体框图像和动作框图像；
根据每一帧对应的人体框图像形成所述轨迹图像；
将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像。
根据本公开实施例的一种具体实现方式，所述将所述轨迹图像和所述动作框图像输入卷积神经网络，得到所述动作图像的步骤之前，所述方法还包括：
通过预设数量的样本图像训练所述卷积神经网络，得到所述预处理模型。
根据本公开实施例的一种具体实现方式，所述将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像的步骤之后，所述方法还包括：
计算全部所述初始人员的每一帧所述轨迹图像对应的质量值。
根据本公开实施例的一种具体实现方式，所述当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤之前，所述方法还包括：
在所述预设区域内标识目标点；
将所述目标点预设距离内区域作为匹配区域；
所述当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤，包括：
根据所述轨迹图像，将在所述预设时段内在所述匹配区域内的所述初始人员作为匹配人员；
根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合；
若所述匹配人员的动作与所述触发指令对应的操作符合，则将所述匹配人员作为所述目标人员。
根据本公开实施例的一种具体实现方式，所述根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合的步骤，包括：
识别所述匹配人员对应的动作图像内的动作特征；
将所述动作特征与所述触发指令对应的操作对应的参考特征进行比对；
若所述动作特征与所述参考特征符合，则判定所述匹配人员的动作与所述触发指令对应的操作符合。
根据本公开实施例的一种具体实现方式，所述对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像的步骤，包括：
获取所述触发指令发生时刻的所述目标人员的人体框图像；
将全部所述初始人员对应的人体框图像与所述人体框图像进行匹配；
将匹配成功的人体框图像作为所述目标人员对应的所述轨迹图像；
选取所述轨迹图像中所述质量值最高的作为所述目标图像。
第二方面，本公开实施例提供了一种基于动作分析的信息关联装置，包括：
采集模块，用于采集多帧预设区域内的初始图像；
预处理模块，用于对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
检测模块，用于当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
重识别模块，用于对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
存储模块，用于将所述目标图像与所述目标人员对应的目标信息进行存储。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于动作分析的信息关联方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于动作分析的信息关联方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于动作分析的信息关联方法。
本公开实施例中的基于动作分析的信息关联方案，包括：采集多帧预设区域内的初始图像；对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；将所述目标图像与所述目标人员对应的目标信息进行存储。通过本公开的方案，通过对采集到的初始图像进行实时的预处理，得到轨迹图像和动作图像，在收到触发指令时再根据轨迹图像和动作图像确定目标人员，并选取出目标人员对应的目标图像，然后将目标图像与目标人员对应的目标信息进行对应存储，提高了匹配效率和管理精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于动作分析的信息关联方法的流程示意图；
图2为本公开实施例提供的另一种基于动作分析的信息关联方法的流程示意图；
图3为本公开实施例提供的另一种基于动作分析的信息关联方法涉及的一种具体实施过程示意图；
图4为本公开实施例提供的一种基于动作分析的信息关联装置的结构示意图；
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
目前，随着目标检测、目标识别、动作分析等底层计算机视觉技术的成熟，学术界开始关注在更高语义层面上如何描述目标与目标之间的语义关联，由此兴起了基于机器视觉的信息关联技术的研究，然而经过十几年的发展，现有的基于动作分析的信息关联方法大多是针对独立动作的分析处理，在缺少限定条件和场景的基础上导致计算量巨大，且容易出现关联误差。本公开实施例提供一种基于动作分析的信息关联方法，所述方法可以应用于商店、仓库等智能化场景中的人员信息关联过程。
参见图1，为本公开实施例提供的一种基于动作分析的信息关联方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，采集多帧预设区域内的初始图像；
电子设备可以有内置的图像采集模块，或者外接有图像采集装置，所述图像采集模块或者图像采集装置在采集到所述预设区域内的初始图像后，可以将所述初始图像实时发送至处理器进行分析处理，也可以将所述初始图像存储至预设的存储空间进行存储，在需要进行分析处理时从所述预设的存储空间内提取所述初始图像。需要说明的是，可以同时设置多个所述图像采集模块或者所述图像采集装置，用于多角度采集所述预设区域内的初始图像，以便于选取更优质的图像。
S102，对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
例如，可以对全部所述初始图像进行特征提取，从而选取所述初始图像的人体特征或者动作特征等，根据提取到的所述人体特征形成所述堆积图像，或根据提取到的所述动作特征形成所述动作图像。
S103，当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
考虑到现有的检测技术，都是通过人员的动作图像直接进行识别操作，当人员作出与操作类似的动作时，会导致判定错误从而误报。可以在接收到所述触发指令时再进行检测，从而确定目标人员。
例如，当对商场客户进行检测时，当客户完成支付后，支付信息可以作为所述触发指令，然后可以设定收到支付信息前10秒作为所述预设时段，则可以将收到所述支付信息的前10秒的所述轨迹图像和所述动作图像进行检测，结合所述轨迹图像和所述动作图像选取在所述预设时段内靠近支付点以及做出支付动作的人员，作为所述目标人员。当然，所述预设时段可以根据实际需要进行设置。
S104，对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
考虑到是实时采集的图像，在确定所述目标人员之后，所述目标人员对应的所述轨迹图像和所述动作图像数量较多，全部对应处理会加大计算量。可以对所述目标人员的所述轨迹图像和所述动作图像进行重识别操作，针对所述目标人员只选取最优质的图像或者剔除人像质量较差的图像，得到所述目标图像，减小了资源占用。
S105，将所述目标图像与所述目标人员对应的目标信息进行存储。
在获取所述目标图像之后，可以将所述图像目标与所述目标人员对应的目标信息例如会员号、手机号、交易记录和商品信息等进行对应存储，从而完成信息关联。
本实施例的基于动作分析的信息关联方法，通过对采集到的初始图像进行实时的预处理，得到轨迹图像和动作图像，在收到触发指令时再根据轨迹图像和动作图像确定目标人员，并选取出目标人员对应的目标图像，然后将目标图像与目标人员对应的目标信息进行对应存储，提高了匹配效率和管理精准度。
在上述实施例的基础上，步骤S102所述的，对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像，包括：
提取全部所述初始图像内的人体框图像和动作框图像；
具体实施时，可以对全部所述初始图像进行特征提取，对所述初始图像进行一定的数学变换，将其转化为人工智能算法易于处理的人体框图像和动作框图像。
根据每一帧对应的人体框图像形成所述轨迹图像；
例如，可以根据连续采集到的5000帧所述人体框图像进行拼接，得到所述轨迹图像。
将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像。
可选的，所述将所述轨迹图像和所述动作框图像输入卷积神经网络，得到所述动作图像的步骤之前，所述方法还包括：
通过预设数量的样本图像训练所述卷积神经网络，得到所述预处理模型。
例如，可以采集100个工作人员完成支付操作的样本图像，然后将所述样本图像训练所述卷积神经网络，得到所述预处理模型，然后将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像。
进一步的，所述将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像的步骤之后，所述方法还包括：
计算全部所述初始人员的每一帧所述轨迹图像对应的质量值。
具体实施时，考虑到场景中会存在障碍物遮挡的情况，在得到所述轨迹图像之后，还可以计算全部所述初始人员的每一帧所述轨迹图像对应的质量值，所述质量值越高则代表所述初始人员被遮挡的区域越小。
在上述实施例的基础上，如图2所示，步骤S103所述的，当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤之前，所述方法还包括：
S201，在所述预设区域内标识目标点；
例如，所述预设区域为商场内的柜台区域，则可以将所述柜台区域内的收银台作为所述目标点。
S202，将所述目标点预设距离内区域作为匹配区域；
然后可以将所述目标点周围1米的区域作为所述匹配区域，当然，所述预设距离可以根据需求设置。
步骤S103所述的，当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤，包括：
根据所述轨迹图像，将在所述预设时段内在所述匹配区域内的所述初始人员作为匹配人员；
具体实施时，可以根据所述轨迹图像进行识别分析，将在所述预设时段内在所述匹配区域内的所述初始人员作为匹配人员。
根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合；
进一步的，步骤S202所述的，根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合的步骤，包括：
识别所述匹配人员对应的动作图像内的动作特征；
将所述动作特征与所述触发指令对应的操作对应的参考特征进行比对；
若所述动作特征与所述参考特征符合，则判定所述匹配人员的动作与所述触发指令对应的操作符合。
考虑到可能会存在多人同时等待支付的情况，从而轨迹符合的匹配人员可能存在多个，可以将所述匹配人员对应的动作图像进行分析，识别所述匹配人员对应的动作图像内的动作特征例如抬手、拿出手机等，然后将将所述动作特征与所述触发指令对应的操作对应的参考特征进行比对，当所述动作特征与所述参考特征符合时，则判定所述匹配人员的动作与所述触发指令对应的操作符合。
若所述匹配人员的动作与所述触发指令对应的操作符合，则将所述匹配人员作为所述目标人员。
具体实施时，若确定所述匹配人员的动作与所述触发指令对应的操作符合，则将所述匹配人员作为所述目标人员，从而进行下一步操作流程。
在上述实施例的基础上，步骤S104所述的，对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像的步骤，包括：
获取所述触发指令发生时刻的所述目标人员的人体框图像；
具体实施时，可以先获取所述触发指令发生时刻的所述目标人员的人体框图像。
将全部所述初始人员对应的人体框图像与所述人体框图像进行匹配；
具体实施时，考虑到实时采集的轨迹图像可能会因遮挡导致断裂，或者在预设区域内存在多个人员时，所述目标人员对所述初始图像内的全部轨迹图像并不能匹配，在这之前可以将全部所述初始人员对应的轨迹图像进行分析处理。可以将全部所述初始人员对应的人体框图像与所述人体框图像进行匹配，从而使得所述目标人员与其对应的轨迹图像进行关联。
将匹配成功的人体框图像作为所述目标人员对应的所述轨迹图像；
例如，可以根据所述触发指令发生时刻的所述目标人员的人体框图像设定一个阈值，在进行匹配时，计算全部所述初始人员对应的人体框图像与所述人体框图像之间的匹配度，当匹配度大于所述阈值时，则判定匹配成功，然后将匹配成功的全部人体框图像作为所述目标人员对应的所述轨迹图像。
选取所述轨迹图像中所述质量值最高的作为所述目标图像。
然后选取所述轨迹图纸中所述质量值最高的所述轨迹图像作为所述目标图像。当然，也可以根据所述质量值对所述轨迹图像进行排序，按排序顺序选取多张所述动作图像作为所述目标图像。
在一种具体实现方式中，所述基于动作分析的信息关联方法如图3所示，采集到的视频帧通过局域网发送至边缘端进行分析计算，然后筛选动作人信息，得到最佳质量行人图像，在收到触发信号时，将最佳质量行人图像和线上客户信息发送至云端进行关联存储。
与上面的方法实施例相对应，参见图4，本公开实施例还提供了一种基于动作分析的信息关联装置40，包括：
采集模块401，用于采集多帧预设区域内的初始图像；
预处理模块402，用于对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
检测模块403，用于当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
重识别模块404，用于对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
存储模块405，用于将所述目标图像与所述目标人员对应的目标信息进行存储。
图4所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图5，本公开实施例还提供了一种电子设备50，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于动作分析的信息关联方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于动作分析的信息关联方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于动作分析的信息关联方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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(LAN)或广域网(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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于动作分析的信息关联方法，其特征在于，包括：
采集多帧预设区域内的初始图像；
对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
将所述目标图像与所述目标人员对应的目标信息进行存储。
2.根据权利要求1所述的方法，其特征在于，所述对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像的步骤，包括：
提取全部所述初始图像内的人体框图像和动作框图像；
根据每一帧对应的人体框图像形成所述轨迹图像；
将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述轨迹图像和所述动作框图像输入卷积神经网络，得到所述动作图像的步骤之前，所述方法还包括：
通过预设数量的样本图像训练所述卷积神经网络，得到所述预处理模型。
4.根据权利要求2所述的方法，其特征在于，所述将所述轨迹图像和所述动作框图像输入预处理模型，得到所述动作图像的步骤之后，所述方法还包括：
计算全部所述初始人员的每一帧所述轨迹图像对应的质量值。
5.根据权利要求3所述的方法，其特征在于，所述当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤之前，所述方法还包括：
在所述预设区域内标识目标点；
将所述目标点预设距离内区域作为匹配区域；
所述当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员的步骤，包括：
根据所述轨迹图像，将在所述预设时段内在所述匹配区域内的所述初始人员作为匹配人员；
根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合；
若所述匹配人员的动作与所述触发指令对应的操作符合，则将所述匹配人员作为所述目标人员。
6.根据权利要求5所述的方法，其特征在于，所述根据所述匹配人员对应的所述动作图像，判断所述匹配人员的动作是否与所述触发指令对应的操作符合的步骤，包括：
识别所述匹配人员对应的动作图像内的动作特征；
将所述动作特征与所述触发指令对应的操作对应的参考特征进行比对；
若所述动作特征与所述参考特征符合，则判定所述匹配人员的动作与所述触发指令对应的操作符合。
7.根据权利要求4所述的方法，其特征在于，所述对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像的步骤，包括：
获取所述触发指令发生时刻的所述目标人员的人体框图像；
将全部所述初始人员对应的人体框图像与所述人体框图像进行匹配；
将匹配成功的人体框图像作为所述目标人员对应的所述轨迹图像；
选取所述轨迹图像中所述质量值最高的作为所述目标图像。
8.一种基于动作分析的信息关联装置，其特征在于，包括：
采集模块，用于采集多帧预设区域内的初始图像；
预处理模块，用于对全部所述初始图像进行预处理，得到全部初始人员对应的轨迹图像和动作图像；
检测模块，用于当收到触发指令时，检测所述触发指令时刻前一段预设时段内的所述轨迹图像和所述动作图像，确定目标人员；
重识别模块，用于对所述目标人员的所述轨迹图像进行重识别操作，得到目标图像；
存储模块，用于将所述目标图像与所述目标人员对应的目标信息进行存储。
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指令，所述指令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前述权利要求1-7中任一项所述的基于动作分析的信息关联方法。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的基于动作分析的信息关联方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503087.6A CN112560700B (zh) | 2020-12-17 | 2020-12-17 | 一种基于动作分析的信息关联方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503087.6A CN112560700B (zh) | 2020-12-17 | 2020-12-17 | 一种基于动作分析的信息关联方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560700A true CN112560700A (zh) | 2021-03-26 |
| CN112560700B CN112560700B (zh) | 2024-10-15 |
Family
ID=75063541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503087.6A Active CN112560700B (zh) | 2020-12-17 | 2020-12-17 | 一种基于动作分析的信息关联方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560700B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723242A (zh) * | 2021-08-20 | 2021-11-30 | 湖南全航信息通信有限公司 | 基于视频终端的视觉测谎方法、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173940A1 (en) * | 2016-12-19 | 2018-06-21 | Canon Kabushiki Kaisha | System and method for matching an object in captured images |
| CN110738101A (zh) * | 2019-09-04 | 2020-01-31 | 平安科技（深圳）有限公司 | 行为识别方法、装置及计算机可读存储介质 |
| CN110751056A (zh) * | 2019-09-27 | 2020-02-04 | 湖北工业大学 | 基于改进自顶向下法多人姿态检测的行人运动预测方法 |
| CN111145215A (zh) * | 2019-12-25 | 2020-05-12 | 北京迈格威科技有限公司 | 一种目标跟踪方法及装置 |
| CN112016538A (zh) * | 2020-10-29 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 视频处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-17 CN CN202011503087.6A patent/CN112560700B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173940A1 (en) * | 2016-12-19 | 2018-06-21 | Canon Kabushiki Kaisha | System and method for matching an object in captured images |
| CN110738101A (zh) * | 2019-09-04 | 2020-01-31 | 平安科技（深圳）有限公司 | 行为识别方法、装置及计算机可读存储介质 |
| CN110751056A (zh) * | 2019-09-27 | 2020-02-04 | 湖北工业大学 | 基于改进自顶向下法多人姿态检测的行人运动预测方法 |
| CN111145215A (zh) * | 2019-12-25 | 2020-05-12 | 北京迈格威科技有限公司 | 一种目标跟踪方法及装置 |
| CN112016538A (zh) * | 2020-10-29 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 视频处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| MARTELL, JM等: "The bmo-dirichlet problem for elliptic systems in the Upper half-sapce and quantitative characterizations of VMO", 《ANALYSIS &PDE》, 1 January 2019 (2019-01-01), pages 605 - 720 * |
| 吴骞: "融合时空差分信息的动作识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 August 2019 (2019-08-15), pages 138 - 650 * |
| 应锐;蔡瑾;冯辉;杨涛;胡波;: "基于运动块及关键帧的人体动作识别", 复旦学报(自然科学版), no. 06, 15 December 2014 (2014-12-15), pages 131 - 138 * |
| 陈冲;白硕;黄丽达;王晓萌;刘春慧;: "基于视频分析的人群密集场所客流监控预警研究", 中国安全生产科学技术, no. 04, 30 April 2020 (2020-04-30), pages 145 - 150 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723242A (zh) * | 2021-08-20 | 2021-11-30 | 湖南全航信息通信有限公司 | 基于视频终端的视觉测谎方法、电子设备及介质 |
| CN113723242B (zh) * | 2021-08-20 | 2024-04-26 | 湖南全航信息通信有限公司 | 基于视频终端的视觉测谎方法、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560700B (zh) | 2024-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、系统 | |
| CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
| CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
| CN111652087A (zh) | 验车方法、装置、电子设备和存储介质 | |
| CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
| CN114494935A (zh) | 视频信息的处理方法、装置、电子设备和介质 | |
| CN114783061B (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
| CN111191556A (zh) | 人脸识别方法、装置及电子设备 | |
| CN112560700B (zh) | 一种基于动作分析的信息关联方法、装置及电子设备 | |
| CN110879975B (zh) | 人员流量检测方法、装置及电子设备 | |
| CN114419480A (zh) | 一种多人身份和动作关联识别方法、装置及可读介质 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN112560690A (zh) | 基于多模态特征人物属性标注方法、装置、设备及介质 | |
| CN110348367B (zh) | 视频分类方法、视频处理方法、装置、移动终端及介质 | |
| CN110659580A (zh) | 一种快速认证身份信息的方法及装置 | |
| CN110852253A (zh) | 梯控场景检测方法、装置及电子设备 | |
| CN110751120A (zh) | 一种检测方法、装置及电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN112560958A (zh) | 基于人像识别的人员接待方法、装置及电子设备 | |
| CN114445711A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN110969189B (zh) | 人脸检测方法、装置及电子设备 | |
| CN113657293A (zh) | 活体检测方法、装置、电子设备、介质及程序产品 | |
| CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
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 |