一种基于行人检测的建库方法、装置、设备及存储介质与流程

1.本发明涉及图像识别技术领域，特别涉及一种基于行人检测的建库方法、装置、设备及存储介质。


背景技术：

2.在建筑施工场所需要安装监控设备来管理进出施工场所的行人，可使用监控设备来追踪识别行人的身份信息从而建立包含行人身份信息的行人库，最常用的方法是通过人脸识别的功能实现追踪识别行人的面部特征信息，而在实际的建筑施工场所中，由于监控设备的安置位置较高，行人面部成像像素较小，无法准确进行人脸识别，并且由于光照影响，行人面部颜色变化较大，也就难以准确识别行人的面部图像，进而导致同一行人的图像被分布在行人库的多个不同的行人文件中。
3.因此，如何准确追踪识别行人并在行人库中为每个行人建立纯净的行人文件成为了本领域技术人员亟待解决的技术问题。


技术实现要素：

4.本发明的目的在于提供一种基于行人检测的建库方法、装置、设备及存储介质，能够准确的进行行人识别并高效的建立行人库。
5.根据本发明的一个方面，提供了一种基于行人检测的建库方法，所述方法包括：
6.获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取出多个检测图片帧；
7.依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置；
8.判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的；
9.若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所述行人组存储到所述行人库中新建的行人文件中。
10.可选的，所述依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组，包括：
11.从截取的所有检测图片帧中获取相邻两张检测图片帧，并确定所述相邻两张检测图片帧的监控时间；
12.从所述相邻两张检测图片帧中监控时间靠前的检测图片帧中确定出用于标识行人的第一检测框，并基于所述第一检测框进行行人预测以得到预测框；其中，所述预测框用于表征出现在所述目标图像帧的前一图像帧中的行人在所述目标图像帧中的预测位置；
13.从所述相邻两张检测图片帧中监控时间靠后的检测图片帧中确定出第二检测框；
14.计算所述预测框和所述第二检测框的余弦距离，并基于所述余弦距离得到代价矩
阵；
15.将所述代价矩阵输入匈牙利匹配算法中以得到相匹配的预测框和第二检测框；
16.计算所述相匹配的预测框和第二检测框的中心距离是否小于预设距离，若是，则确认所述第一检测框和所述第二检测框为同一目标行人并将所述第一检测框和所述第二检测框添加至同一行人组。
17.可选的，所述判断在预设的行人库中是否存在与所述行人组相匹配的行人文件，包括：
18.根据所述行人组中行人检测框的特征向量计算出所述行人组的平均特征向量；
19.判断在行人库中是否存在与所述行人组的平均特征向量相匹配的综合特征向量；
20.若是，则所述行人库中存在与所述行人组相匹配的行人文件，若否，则为所述行人组创建行人文件。
21.可选的，所述判断在行人库中是否存在与所述行人组的平均特征向量相匹配的综合特征向量，包括：
22.当所述平均特征向量与所述综合特征向量的余弦距离大于等于预设距离阈值时，获取所述综合特征向量对应的行人文件，并将所述行人文件对应的行人id添加在所述行人组的行人检测框中；
23.当所述平均特征向量与所述综合特征向量的余弦距离小于预设距离阈值时，为所述行人组创建行人文件以及行人id，并将所述行人id添加在所述行人组的行人检测框中。
24.可选的，所述将所述行人组存储到相匹配的行人文件中，包括：
25.将所述行人组中的行人检测框和所述行人检测框的特征向量存储至相匹配的行人文件中；
26.计算所述行人文件中的所有行人检测框的特征向量的平均值，并将计算结果作为所述行人文件的综合特征向量。
27.可选的，在所述将所述行人组存储到相匹配的行人文件中之后，包括：
28.当监测到向所述行人文件中存储所述行人检测框时，确定所述行人检测框的监控时间；
29.获取与所述行人检测框对应的监控视频并确定所述监控视频数据对应的目标摄像头和目标摄像头位置；
30.将所述行人检测框的监控时间、目标摄像头和目标摄像头位置关联的添加至所述行人文件中。
31.为了实现上述目的，本发明还提供一种基于行人检测的建库装置，所述装置包括：
32.截取模块，用于获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取出多个检测图片帧；
33.聚类模块，用于依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置；
34.判断模块，用于判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的；
35.存储模块，用于若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所
述行人组存储到所述行人库中新建的行人文件中。
36.可选的，所述装置还包括：
37.框取模块，用于将所述行人组中的行人检测框和所述行人检测框的特征向量存储至相匹配的行人文件中；
38.计算模块，用于计算所述行人文件中的所有行人检测框的特征向量的平均值，并将计算结果作为所述行人文件的综合特征向量。
39.为了实现上述目的，本发明还提供一种计算机设备，该计算机设备具体包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述介绍的基于行人检测的建库方法的步骤。
40.为了实现上述目的，本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述介绍的基于行人检测的建库方法的步骤。
41.本发明提供的基于行人检测的建库方法、装置、设备及存储介质，通过检测经过截取处理的监控视频中的行人检测框，聚类同一行人的所有行人检测框以得到行人组，并将行人组与行人库进行匹配，并根据匹配结果将行人组存储至行人库的行人文件中，使得本发明提供的行人检测算法无需识别行人面部特征，仅通过行人预测和行人识别确定监控视频中的同一行人，摒除了光线、环境对行人人脸识别的影响，降低了识别难度，同时克服了行人轨迹无序、行人检测框重叠的问题，提高了识别准确率和识别效率，还将识别结果与行人库实时比对、更新，保证了行人库中行人文件的纯净性。
附图说明
42.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附图中：
43.图1为实施例一提供的基于行人检测的建库的一种可选的流程示意图；
44.图2为实施例一提供的一种行人文件的示意图；
45.图3为实施例一提供的一种行人文件存储的行人检测框的示意图；
46.图4为实施例一提供的一种行人检测的效果图；
47.图5为实施例三提供的基于行人检测的建库的一种可选的组成结构示意图；
48.图6为实施例四提供的计算机设备的一种可选的硬件架构示意图。
具体实施方式
49.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
50.实施例一
51.本发明实施例提供了一种基于行人检测的建库方法，如图1所示，该方法具体包括以下步骤：
52.步骤s101：获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取
出多个检测图片帧。
53.优选的，所述预设帧数为12帧。
54.在实际建筑施工场所中，存在大量用来实时监控进出施工场所的行人的摄像头，为了便于管理行人，需要对摄像头拍摄到的监控视频中的行人进行行人检测来识别行人身份，并基于检测结果建立行人库。一方面可以通过建立的行人库更好的提高行人检测的效果，另一方面还可以通过行人库中不断存储的行人图片来完善行人特征以实现更精准的识别行人。
55.在本实施例中，常规的行人识别是对监控视频进行逐帧分解，获取每一帧的行人检测框，并利用卡尔曼滤波算法对行人检测框进行行人轨迹预测，但是实际应用中，由于行人行动灵活，行动轨迹多变，所以本实施例按照预设帧数对监控视频进行截取，不同于常规使用逐帧识别的行人检测方式，该截取方式得到的检测图片帧既可以避免相邻检测图片帧中多个行人的行人图片重叠而影响行人检测结果，还能在不影响行人检测准确性的情况下，节约计算机资源，提高计算速度和检测效率。
56.步骤s102：依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置。
57.其中，所述行人检测框是通过目标检测算法对检测图片帧进目标检测得到的检测框，行人检测框框定了每个行人在检测图片帧中的实际位置，此外，该行人检测框的大小由行人在检测图片帧中的实际大小决定。
58.由于行人在监控视频中的运动轨迹是连续的，所以存在一段监控视频截取的多个检测图片帧中均出现同一行人，将同一行人在不同检测图片帧中的行人检测框聚类为一个行人组，则可以得到表征该行人不同动作、姿态的多个行人图片。
59.具体的，所述步骤s102包括以下步骤：
60.步骤a1：从截取的所有检测图片帧中获取相邻两张检测图片帧，并确定所述相邻两张检测图片帧的监控时间。
61.步骤a2：从所述相邻两张检测图片帧中监控时间靠前的检测图片帧中确定出用于标识行人的第一检测框，并基于所述第一检测框进行行人预测以得到预测框；其中，所述预测框用于表征出现在所述目标图像帧的前一图像帧中的行人在所述目标图像帧中的预测位置。
62.其中，所述第一检测框是基于deepsort多目标跟踪算法中的运动目标检测算法对相邻两张检测图片帧中监控时间靠前的检测图片帧中的每个行人进行检测并框取得到的。进而通过卡尔曼滤波算法对检测图片帧中的每个第一检测框进行轨迹预测，以得到预测框，该预测框用于表征行人在目标测图片帧中的预测轨迹位置。
63.步骤a3：从所述相邻两张检测图片帧中监控时间靠后的检测图片帧中确定出第二检测框。
64.其中，所述第二检测框是基于deepsort多目标跟踪算法中的运动目标检测器对相邻两张检测图片帧中监控时间靠后的检测图片帧中的每个行人进行检测框取得到的。第二检测框用于与预测框进行比对，来判断预测框的预测结果是否准确。
65.步骤a4：计算所述预测框和所述第二检测框的余弦距离，并基于所述余弦距离得
到代价矩阵。
66.其中，所述余弦距离用于表示预测框和第二检测框之间的行人特征相似度，由于一张检测图片帧中可能存在多个行人，即多个第一检测框，所以针对每个第一检测框经过卡尔曼滤波算法计算都会得到一个预测框，所以欲获取与预测框对应的第二检测框则需要计算任意一个预测框与任意一个第二检测框之间的余弦距离，并基于计算出的余弦距离生成代价矩阵(cost matrix)。
67.步骤a5：将所述代价矩阵输入匈牙利匹配算法中以得到相匹配的预测框和第二检测框。
68.其中，所述匈牙利匹配算法可以将根据余弦距离生成的代价矩阵进行匹配计算，为预测框匹配到第二检测框，以初步认定相匹配的预测框和第二检测框中的行人为同一行人。
69.步骤a6：计算所述相匹配的预测框和第二检测框的中心距离是否小于预设距离，若是，则确认所述第一检测框和所述第二检测框为同一目标行人并将所述第一检测框和所述第二检测框添加至同一行人组。
70.优选的，所述预设距离为50像素。
71.其中，所述中心距离是预测框和检测框在目标图片帧中的像素距离。将第一检测框和第二检测框添加至同一行人组，是将第一检测框和第二检测框框定的行人图片添加至同一行人组。通过对获取的检测图片帧进行如步骤a1-步骤a5的算法的处理后，将输出结果进行后处理，即计算中心距离，进一步确认中心距离要与预设距离的第一检测框和第二检测框框定的行人图片为同一行人，提高了行人重识别检测的准确率，同时为后续将检测框对应的行人图片存储至行人库中提供了丰富的行人素材。
72.在本实施例中，改进了原始的deepsort多目标跟踪算法，无需将卡尔曼滤波计算得到的预测框进行马氏距离计算，由于本实施例中对监控视频的截取是按照预设帧数进行截取的，间隔12帧的两张检测检测图片帧中同一行人的运动轨迹灵活不再贴合高斯分布，所以摒除了计算预测框的马氏距离的过程，仅需计算预测框和第二检测框的余弦距离，利用余弦距离来生成代价矩阵，便可将代价矩阵输入到匈牙利匹配算法中以得到相匹配的预测框和第二检测框，简化了对同一行人在不同检测图片帧中的行人检测框的匹配过程，节约了计算机资源。同时，增加了计算预测框和第二检测框的中心距离的逻辑，使得对同一行人的不同行人检测框的检测结果更加精准。
73.步骤s103：判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的。
74.其中，如图2所示，所述行人库中的每个行人文件对应一个行人，如图3所示，在行人文件中存储该行人在各个摄像头的监控视频中截取的不同姿态、不同位置的图片。
75.具体的，所述步骤s103包括以下步骤：
76.步骤b1：根据所述行人组中行人检测框的特征向量计算出所述行人组的平均特征向量。
77.其中，通过聚合通过行人检测得到的同一行人的所有行人检测框，并对所有行人检测框的特征向量进行均值计算，以得到表征该行人在该监控视频截取的检测图片帧中的行人特征信息的平均特征向量。
78.步骤b2：判断在行人库中是否存在与所述行人组的平均特征向量相匹配的综合特征向量。
79.其中，所述综合特征向量是通过计算一个行人文件中的所有行人图片的特征向量的平均值得到的。综合特征向量用于表征一个行人文件对应的行人的特征信息，当该行人文件中的行人图片数量越多，行人图片中行人姿态越丰富，计算出来的综合特征向量越能准确的表征一个行人的行人特征信息。
80.进一步的，所述步骤b2包括以下步骤：
81.步骤b21：当所述平均特征向量与所述综合特征向量的余弦距离大于等于预设距离阈值时，获取所述综合特征向量对应的行人文件，并将所述行人文件对应的行人id添加在所述行人组的行人检测框中。
82.其中，一个行人对应一个行人文件，同时，一个行人文件对应一个独特的行人id，通过计算平均特征向量与综合特征向量的余弦距离，判断行人库中是否存在与该行人组聚类得到的平均特征向量相似的综合特征向量，即判断在行人库中是否存储了该行人组对应的行人。
83.需要注意的是，如图4所示，为行人检测框添加行人id是将行人id添加在该行人组的行人检测框中，同时还需要将行人id添加在检测图片帧的行人检测框中。
84.步骤b22：当所述平均特征向量与所述综合特征向量的余弦距离小于预设距离阈值时，为所述行人组创建行人文件以及行人id，并将所述行人id添加在所述行人组的行人检测框中。
85.其中，当行人库中未存储该行人组对应的行人时，在行人库中最大的行人id的数值上加1得到该行人组的行人id，并对应行人id创建行人文件，避免行人id重复。
86.步骤b3：若是，则所述行人库中存在与所述行人组相匹配的行人文件，若否，则为所述行人组创建行人文件。
87.更进一步的，所述步骤b3包括以下步骤：
88.步骤b31：将所述行人组中的行人检测框和所述行人检测框的特征向量存储至相匹配的行人文件中。
89.其中，根据行人组中行人检测框的行人id查找在行人库中与该行人id对应的行人文件。需要说明的是，在本实施例中，将行人组中的行人检测框存储至相匹配的行人文件中等同于将行人检测框框定的行人图片进行存储。
90.步骤b32：计算所述行人文件中的所有行人检测框的特征向量的平均值，并将计算结果作为所述行人文件的综合特征向量。
91.其中，所述综合特征向量用于表征一个行人文件对应的行人的特征信息，当该行人文件中的行人图片数量越多，行人图片中行人姿态越丰富，计算出来的综合特征向量越能准确的表征一个行人的行人特征信息。
92.步骤s104：若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所述行人组存储到所述行人库中新建的行人文件中。
93.其中，将所述行人组存储到相匹配的行人文件中是将行人组中的行人检测框框取的行人图片以及所述行人图片的特征向量一起存储至行人文件中。
94.在本实施例中，通过不断对各个摄像头的监控视频进行行人检测，同时将行人检
测框框取的行人图片存储至行人库的行人文件中，可以使得行人库中每个行人的行人图片越来越丰富，进而使得计算每个行人文件的综合特征向量越来越贴合对应行人，判断行人库中是否存在与行人组对应的行人文件的判断结果越来越准确。此外，通过本实施例提供的行人检测的检测逻辑和判断逻辑保障了行人库中每个行人文件的纯净性，极大程度避免了将一个行人的不同行人检测框分别存储至不同的行人文件中的情况。
95.具体的，所述步骤s104包括以下步骤：
96.步骤c1：当监测到向所述行人文件中存储所述行人检测框时，确定所述行人检测框对应的行人检测框的监控时间。
97.其中，所述监控时间是该行人检测框所属的检测图片帧中显示的监控时间。
98.步骤c2：获取与所述行人检测框对应的监控视频并确定所述监控视频数据对应的目标摄像头和目标摄像头位置。
99.步骤c3：将所述行人检测框的监控时间、目标摄像头和目标摄像头位置关联的添加至所述行人文件中。
100.在本实施例中，通过检测经过截取处理的监控视频中的行人检测框，聚类同一行人的所有行人检测框以得到行人组，并将行人组与行人库进行匹配，并根据匹配结果将行人组存储至行人库的行人文件中，使得本发明提供的行人检测算法无需识别行人面部特征，仅通过行人预测和行人识别确定监控视频中的同一行人，摒除了光线、环境对行人人脸识别的影响，降低了识别难度，同时克服了行人轨迹无序、行人检测框重叠的问题，提高了识别准确率和识别效率，还将识别结果与行人库实时比对、更新，保证了行人库中行人文件的纯净性。此外，通过获取行人检测框对应的监控时间、目标摄像头和目标摄像头位置一起进行存储，可以有助于对行人行为进行追踪溯源，提高安全防范，便利对施工场所人员的管理。
101.实施例二
102.本发明实施例还提供了一种基于行人检测的建库方法，该方法具体包括以下步骤：
103.步骤s1：获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取出多个检测图片帧。
104.步骤s2：从截取的所有检测图片帧中获取相邻两张检测图片帧，并确定所述相邻两张检测图片帧的监控时间。
105.步骤s3：从所述相邻两张检测图片帧中监控时间靠前的检测图片帧中确定出用于标识行人的第一检测框，并基于所述第一检测框进行行人预测以得到预测框；其中，所述预测框用于表征出现在所述目标图像帧的前一图像帧中的行人在所述目标图像帧中的预测位置。
106.步骤s4：从所述相邻两张检测图片帧中监控时间靠后的检测图片帧中确定出第二检测框。
107.步骤s5：计算所述预测框和所述第二检测框的余弦距离，并基于所述余弦距离得到代价矩阵。
108.步骤s6：将所述代价矩阵输入匈牙利匹配算法中以得到相匹配的预测框和第二检测框。
109.步骤s7：计算所述相匹配的预测框和第二检测框的中心距离是否小于预设距离，若是，则确认所述第一检测框和所述第二检测框为同一目标行人并将所述第一检测框和所述第二检测框添加至同一行人组。
110.对所有检测图片帧按照步骤s2至步骤s7重复执行，直至获取全部聚类完成的行人组。
111.步骤s8：根据所述行人组中行人检测框的特征向量计算出所述行人组的平均特征向量。
112.步骤s9：判断在行人库中是否存在与所述行人组的平均特征向量相匹配的综合特征向量；若是，则所述行人库中存在与所述行人组相匹配的行人文件，若否，则为所述行人组创建行人文件。
113.步骤s901：当所述平均特征向量与所述综合特征向量的余弦距离大于等于预设距离阈值时，获取所述综合特征向量对应的行人文件，并将所述行人文件对应的行人id添加在所述行人组的行人检测框中。
114.步骤s902：当所述平均特征向量与所述综合特征向量的余弦距离小于预设距离阈值时，为所述行人组创建行人文件以及行人id，并将所述行人id添加在所述行人组的行人检测框中。
115.步骤s10：将所述行人组中的行人检测框和所述行人检测框的特征向量存储至相匹配的行人文件中。
116.步骤s11：计算所述行人文件中的所有行人检测框的特征向量的平均值，并将计算结果作为所述行人文件的综合特征向量。
117.步骤s12：当监测到向所述行人文件中存储所述行人检测框时，确定所述行人检测框的监控时间。
118.步骤s13：获取与所述行人检测框对应的监控视频并确定所述监控视频数据对应的目标摄像头和目标摄像头位置。
119.步骤s14：将所述行人检测框的监控时间、目标摄像头和目标摄像头位置关联的添加至所述行人文件中。
120.在本实施例中，通过检测经过截取处理的监控视频中的行人检测框，聚类同一行人的所有行人检测框以得到行人组，并将行人组与行人库进行匹配，并根据匹配结果将行人组存储至行人库的行人文件中，使得本发明提供的行人检测算法无需识别行人面部特征，仅通过行人预测和行人识别确定监控视频中的同一行人，摒除了光线、环境对行人人脸识别的影响，降低了识别难度，同时克服了行人轨迹无序、行人检测框重叠的问题，提高了识别准确率和识别效率，还将识别结果与行人库实时比对、更新，保证了行人库中行人文件的纯净性，此外，通过获取行人图片对应的监控时间、目标摄像头和目标摄像头位置一起进行存储，可以有助于对行人行为进行追踪溯源，提高安全防范，便利对施工场所人员的管理。
121.实施例三
122.本发明实施例提供了一种基于行人检测的建库装置，如图5所示，该装置具体包括以下组成部分：
123.截取模块501，用于获取目标摄像头的监控视频，并按照预设帧数从所述监控视频
中截取出多个检测图片帧；
124.聚类模块502，用于依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置；
125.判断模块503，用于判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的；
126.存储模块504，用于若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所述行人组存储到所述行人库中新建的行人文件中。
127.其中，聚类模块502，用于：
128.从截取的所有检测图片帧中获取相邻两张检测图片帧，并确定所述相邻两张检测图片帧的监控时间；
129.从所述相邻两张检测图片帧中监控时间靠前的检测图片帧中确定出用于标识行人的第一检测框，并基于所述第一检测框进行行人预测以得到预测框；其中，所述预测框用于表征出现在所述目标图像帧的前一图像帧中的行人在所述目标图像帧中的预测位置；
130.从所述相邻两张检测图片帧中监控时间靠后的检测图片帧中确定出第二检测框；
131.计算所述预测框和所述第二检测框的余弦距离，并基于所述余弦距离得到代价矩阵；
132.将所述代价矩阵输入匈牙利匹配算法中以得到相匹配的预测框和第二检测框；
133.计算所述相匹配的预测框和第二检测框的中心距离是否小于预设距离，若是，则确认所述第一检测框和所述第二检测框为同一目标行人并将所述第一检测框和所述第二检测框添加至同一行人组。
134.具体的，判断模块503，包括：
135.计算单元，用于根据所述行人组中行人检测框的特征向量计算出所述行人组的平均特征向量；
136.判断单元，用于判断在行人库中是否存在与所述行人组的平均特征向量相匹配的综合特征向量；
137.匹配单元，用于若是，则所述行人库中存在与所述行人组相匹配的行人文件，若否，则为所述行人组创建行人文件。
138.进一步的，判断单元，用于：
139.当所述平均特征向量与所述综合特征向量的余弦距离大于等于预设距离阈值时，获取所述综合特征向量对应的行人文件，并将所述行人文件对应的行人id添加在所述行人组的行人检测框中；
140.当所述平均特征向量与所述综合特征向量的余弦距离小于预设距离阈值时，为所述行人组创建行人文件以及行人id，并将所述行人id添加在所述行人组的行人检测框中。
141.更进一步的，匹配单元，用于：
142.将所述行人组中的行人检测框和所述行人检测框的特征向量存储至相匹配的行人文件中；
143.计算所述行人文件中的所有行人检测框的特征向量的平均值，并将计算结果作为所述行人文件的综合特征向量。
144.进一步的，存储模块504，用于：
145.当监测到向所述行人文件中存储所述行人检测框时，确定所述行人检测框对应的行人检测框的监控时间；
146.获取与所述行人检测框对应的监控视频并确定所述监控视频数据对应的目标摄像头和目标摄像头位置；
147.将所述行人检测框的监控时间、目标摄像头和目标摄像头位置关联的添加至所述行人文件中。
148.实施例四
149.本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图6所示，本实施例的计算机设备60至少包括但不限于：可通过系统总线相互通信连接的存储器601、处理器602。需要指出的是，图6仅示出了具有组件601-602的计算机设备60，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
150.本实施例中，存储器601(即存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器601可以是计算机设备60的内部存储单元，例如该计算机设备60的硬盘或内存。在另一些实施例中，存储器601也可以是计算机设备60的外部存储设备，例如该计算机设备60上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器601还可以既包括计算机设备60的内部存储单元也包括其外部存储设备。在本实施例中，存储器601通常用于存储安装于计算机设备60的操作系统和各类应用软件。此外，存储器601还可以用于暂时地存储已经输出或者将要输出的各类数据。
151.处理器602在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他基于行人检测的建库的芯片。该处理器602通常用于控制计算机设备60的总体操作。
152.具体的，在本实施例中，处理器602用于执行存储器601中存储的基于行人检测的建库方法的程序，所述基于行人检测的建库方法的程序被执行时实现如下步骤：
153.获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取出多个检测图片帧；
154.依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置；
155.判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的；
156.若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所述行人组存储到所述行人库中新建的行人文件中。
157.上述方法步骤的具体实施例过程可参见实施例一，本实施例在此不再重复赘述。
158.实施例五
159.本实施例还提供一种计算机存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
160.获取目标摄像头的监控视频，并按照预设帧数从所述监控视频中截取出多个检测图片帧；
161.依次从每个检测图片帧中确定出行人检测框，并将所有检测图片帧中属于同一行人的行人检测框聚类为一行人组；其中，所述行人检测框用于表征行人在检测图片帧中的实际位置；
162.判断在预设的行人库中是否存在与所述行人组相匹配的行人文件；其中，所述行人库中的各个行人文件是基于其他摄像头的监控视频得到的；
163.若是，则将所述行人组存储到相匹配的行人文件中，若否，则将所述行人组存储到所述行人库中新建的行人文件中。
164.上述方法步骤的具体实施例过程可参见实施例一，本实施例在此不再重复赘述。
165.需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
166.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
167.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
168.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。