申请/专利权人：合肥工业大学

申请日：2023-06-20

公开（公告）日：2024-03-29

公开（公告）号：CN117789107A

主分类号：G06V20/52

分类号：G06V20/52;G06V20/40;G06V40/16;G06V10/82;G06N3/0464;G06N3/08;G06V10/762

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及行人跟踪智能处理技术领域，尤其涉及一种基于机器视觉的行人跟踪以及人流检测算法方法。其技术方案实现具体步骤为：步骤一：视频终端实时的人脸数据同步至数据库；步骤二：图片输入度卷积神经网络模型；步骤三：选择锚框；步骤四：图像输入特征金字塔模块；步骤五：利用损失函数对正负样本不平衡的问题解决；步骤六：对接上端公共网络；步骤七：预测行人下一步的位置和信息；步骤八：将上一步预测的目标和检测到的目标进行关联，并对下一步见到的行人与之前的轨迹进行匹配；步骤九：结合行人人脸识别和行人追踪算法对行人流量检测。本发明对监控图像中的目标人物快速的定位、识别和跟踪，在解决公共安防问题中发挥着重要作用。

主权项：1.一种基于机器视觉的行人跟踪以及人流检测算法方法，包括深度卷积神经网络模型、特征金字塔模块，其特征在于：所述算法实现的具体步骤为：步骤一：采集视频终端实时的人脸数据，并对采集的人脸数据进行处理和人识别分类，并同步至数据库；步骤二：识别的图片输入至深度卷积神经网络模型内识别处理；步骤三：设计深度卷积神经网络模型的锚框，并选择适当的锚框用于滑动定位人脸位置，进行识别对比；步骤四：深度卷积神经网络模型输入特征金字塔模块，对输入特征提取，用于不同尺度的输入的信息特征融合，兼顾语义信息和图像细节，对人脸目标信息检测利用；步骤五：利用损失函数对正负样本不平衡的问题解决；步骤六：将采集到的人脸数据输入构建完成的深度卷积神经网络模型获得目标检测结果，对接上端公共网络用于实时获取人脸数据对照；步骤七：深度卷积神经网络模型采集实时视频中的每一帧图像，输入Deep-SORT算法进行行人追踪；使用卡尔曼滤波结合行人当前位置预测行人下一步的位置和信息；步骤八：利用匈牙利算法将上一步预测的目标和检测到的目标进行关联，并对下一步见到的行人与之前的轨迹进行匹配；步骤九：结合行人人脸识别和行人追踪算法对行人流量检测，排除无关背景。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于机器视觉的行人跟踪以及人流检测算法方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD