CN111507182B - 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 - Google Patents
基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 Download PDFInfo
- Publication number
- CN111507182B CN111507182B CN202010167698.1A CN202010167698A CN111507182B CN 111507182 B CN111507182 B CN 111507182B CN 202010167698 A CN202010167698 A CN 202010167698A CN 111507182 B CN111507182 B CN 111507182B
- Authority
- CN
- China
- Prior art keywords
- image
- heat map
- littering
- human body
- garbage
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法。本发明采集包含乱丢垃圾行为的图像集进行预训练;获取预训练后图像集中乱丢垃圾行为个体的图像训练集,并对其中图像人工定义乱丢垃圾行为的人体骨骼点分布;基于人体骨骼点分布制作图像训练集中每个图像的骨骼点热图;构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测网络;将预训练后图像集输入乱丢垃圾行为检测网络,使用梯度下降法迭代更新网络获取最优乱丢垃圾行为检测网络;将测试集中连续几帧的检测图像输入最优乱丢垃圾行为检测网络中,获取相应的骨骼点分布序列,并进行相似度计算,判断是否为乱丢垃圾行为。本发明能够在复杂场景中十分准确地检测乱丢垃圾行为。
Description
技术领域
本发明涉及计算机视觉和图像识别,具体涉及一种基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法,属于计算机视觉图像处理技术领域。
背景技术
目前国家正处于高速城镇化的阶段,环境问题是当前亟待解决的问题。利用目前的图像处理技术进行乱丢垃圾行为检测对于建设美好城镇具有重要意义。已经存在基于图像语义信息的抛物识别方法,它是基于轨迹检测的,通过绘制抛掷物品的轨迹以及背景界限,判断是否为乱丢垃圾,但是该方法严重依赖图像背景,应用范围狭隘。由于深度学习在图像识别方面的成熟应用,基于人体姿态估计检测乱丢垃圾行为的方法被提出,能够降低环境依赖性,应用范围更广。但是人体姿态检测存在一些缺陷,早期通过将局部检测器与构造约束相结合来实现人体姿态估计,随着卷积神经网络的应用,虽然极大地提升了检测性能,但是卷积过程会造成图像信息的缺失,在高遮挡、背景环境和人体区分不大等的情况下,会产生错误的骨骼点估计。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法,能适应复杂环境下的乱丢垃圾行为检测,以解决目前基于人体姿态检测方法在遮挡和复杂环境下难以精确估计视频中人物骨骼点、计算量大的难题。
基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法,包括以下步骤:
步骤(S1)采集乱丢垃圾行为图像训练集,进行预训练;
步骤(S2)通过目标检测算法获取乱丢垃圾行为的个体,人工定义训练集中乱丢垃圾行为的人体骨骼点分布;
步骤(S3)基于步骤S2,制作训练图像的骨骼点热图;
步骤(S4)构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法的网络架构;
步骤(S5)输入乱丢垃圾图像集训练网络,使用梯度下降法迭代更新网络;
步骤(S6)输入连续几帧的检测图像获取相应的骨骼点分布序列,并进行相似度计算,判断是否为乱丢垃圾行为。
本发明具有的优点如下:
1.利用神经网络强大的自我学习性,通过人体姿态检测可以减低行为检测对背景环境的依赖性,扩大适用范围;
2.引入了空洞卷积,能够在不增加额外参数的情况下增大输入图像的感受野,极大地降低了计算复杂性;
3.通过循环模块携带的上下文语义信息,可以从身体其他关键点的分布推断出被遮挡部位的关节点。
附图说明
图1是本发明的整体实施方案流程图;
图2是本发明的训练模型示意图;
图3是本发明的循环空洞卷积示意图;
具体实施方式
下面结合附图对本发明作进一步描述。
本发明的整体实施方案流程图参照图1,基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法,包括以下步骤:
步骤(S1)采集包含乱丢垃圾行为的图像集,进行预训练;
步骤(S2)通过目标检测算法获取预训练后图像集中乱丢垃圾行为个体的图像训练集,并对获取的图像训练集中的图像人工定义乱丢垃圾行为的人体骨骼点分布;
步骤(S3)基于人体骨骼点分布制作图像训练集中每个图像的骨骼点热图;
步骤(S4)构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测网络;
步骤(S5)将预训练后图像集输入乱丢垃圾行为检测网络,使用梯度下降法迭代更新网络,获取最优乱丢垃圾行为检测网络;
步骤(S6)将测试集中连续几帧的检测图像输入最优乱丢垃圾行为检测网络中,获取相应的骨骼点分布序列,并进行相似度计算,判断是否为乱丢垃圾行为。
进一步的,所述步骤(S1)具体过程如下:
S1.1选取不同场地,在不同角度放置监控摄像头,采集不同人物个体乱丢垃圾行为的视频;
S1.2整理采集到的视频,提取每一个视频的连续几帧,转化为一个相应的图像序列并存储在原始人体姿态数据集中,同时对该图像序列Ⅰ进行人工分类;所述的人工分类是指同一地方同一时间段内的同一个人乱丢垃圾行为作为一类;
S1.3将存储的原始人体姿态数据集进行数据增强预处理,并使用高斯滤波处理图像,用以减少图像噪声,获取预处理的人体姿态数据集Ⅰ。
进一步的,所述步骤(S2)具体过程如下:
S2.1将经过步骤S1.3处理后的人体姿态数据集Ⅰ中的每个图像进行目标检测算法识别出单独的人物,消除图像中的无关信息,获取人体姿态数据集Ⅱ;
S2.2人工标注人体姿态数据集Ⅱ中乱丢垃圾的人物个体的各个人体骨骼点分布,获得人体骨骼点分布图像集。
进一步的,所述步骤(S3)具体过程如下:
S3.1对于人体骨骼点分布图像集中的每张图像,以每个骨骼点坐标为中心,生成对应的高斯热图,对于图像中缺失的骨骼点生成空白图;例如:7个骨骼点中有一个缺失,则生成6个高斯热图和一个空白图;根据人体结构连接各个骨骼点后对应的高斯热图,称之为身体部位热图;
S3.2根据人体骨骼点分布图像集,将其中每张图像中的骨骼点根据人体结构对应连接,获得骨骼点连接图,该图各个骨骼点之间的连接处标记为关节点,以每个关节点为坐标中心生成对应的高斯热图,同时根据人体结构连接相应的高斯热图,获得关节点热图;通过融合关节点热图以及相对应的身体部位热图得到骨骼点热图,从而获取乱丢垃圾行为的人体姿态,建立相应的乱丢垃圾人体姿态数据库;
进一步的,所述步骤(S4)具体过程如下:
S4.1构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测网络,该网络由4层网络组成,前两层为前向传播模块,第三层为引入了空洞卷积的循环模块,第4层是输出的骨骼点热图和损失值;
S4.2前两层的前向传播模块(第1、2层)使用了3*3的过滤器卷积核,之后然后进行池化,减小输入图片的分辨率,进一步提取特征;并且每次卷积加入非线性激活函数,以保证卷积性能;
S4.3第二层的前向传播模块的输出串联第三层的输出作为第三层循环模块的输入;循环模块内部迭代了3个空洞卷积网络,在每次迭代中,第二层的前向传播模块的输出作为第三层循环模块的输入都是固定的,而第三层的输出则是根据上一次迭代的输出而更新;
所述的循环模块引入的空洞卷积网络,设置了三个卷积核大小为3,空洞率分别为1、2、5的过滤器,由于空洞卷积的特性,它能够在不增加额外参数的情况下,增大感受野,获取不同感受野上的语义信息,极大地简化了计算复杂性;
S4.4第四层有四部分输出,分别输出不同深度的目标热图和损失值;每部分的目标热图中包含骨骼点热图和身体部位热图,身体部位热图主要用于捕获肢体,能够作为关节点热图的建模的数据增强;前三部分的骨骼点热图和损失值作为辅助信息来提高反向传播期间的梯度幅度;第四部分输出的骨骼点热图就是我们网络预测的最终结果,同时,该部分的损失值在网络的训练过程中用于优化参数;
进一步的,所述步骤(S5)具体过程如下:
S5.1将预训练好的网络参数加载到乱丢垃圾行为检测网络中,完成网络的参数初始化,设置学习率为10-5(逐步降低到10-6);
S5.2将人体姿态数据集Ⅱ输入到初始化后的乱丢垃圾行为检测网络中,采用Adam优化器进行训练,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学***稳;
在训练过程中,均等的加权第四层输出的骨骼点热图,使用均方误差,对预测的骨骼点热图与人工标注的骨骼点热图之间的像素方差进行平方损失计算,训练函数如下所示:
其中,hk是人工标注的真实骨骼点热图,f(*)表示特征图迭代训练模型,经过训练后能够得到预测的骨骼点热图,θ表示学习参数,x表示特征图,y表示迭代次数,K表示骨骼点热图总数;S5.3使用反向传播和梯度下降法完成对乱丢垃圾行为检测网络的训练;
进一步的,所述步骤(S6)具体过程如下:
S6.1从需要检测的视频中提取连续几帧的检测图像,输入训练好的乱丢垃圾行为检测网络中,将输出的骨骼点热图相连接,得到人体姿态图序列;
S6.2将得到的人体姿态图序列与乱丢垃圾人体姿态数据库中的序列做相似度计算,若相似度小于阈值,则判定为乱丢垃圾,反之不然;相似度公式如下:
其中,sk表示第k个骨骼点,a表示检测的结果,b表示人工定义的乱丢垃圾行为数据库的结果,K表示所有骨骼点的个数,S越小,相似度越高。
所述的构建的训练模型示意图参照图2,其中,Conv表示卷积过程,Rt_x表示第x个输出骨骼点热图,lossx表示第x个损失值:
本发明模型由四层网络组成,前两层为前向传播模块,第三层为引入了空洞卷积的循环结构,第4层是输出的骨骼点热图和损失值;
前向传播模块的初始卷积层(第一层)我们使用了3*3的过滤器,之后进行步长为2的池化,减小输入图片的分辨率,进一步提取特征。第二层使用较大的卷积滤波器(5*5)来了解更多的人体结构,每一次卷积之后使用非线性激活函数Relu,保证卷积性能。
第二层网络的输出作为第三层循环模块的初始输入。在循环模块内部,迭代了3个空洞卷积,每次迭代,网络的输入都是结合了第二层和上一次迭代更新结果的输出。每一次迭代都设置输出一个目标热图和损失值,目标热图中包含了关节点热图以及身体部位热图,身体部位热图主要用于捕获肢体,能够作为关节点热图的建模的数据增强,作为辅助损失函数来提高反向传播期间的梯度幅度,优化网络的参数设置。
本发明所述的构建的循环空洞卷积结构示意图参照图3,其中,K表示卷积核大小,Rate表示空洞率:
空洞卷积首先应用于图像分割领域,由于其优良性,能够在不增加额外参数的情况下,通过增加设置一个叫空洞率的超参数来获取输入图像不同感受野的特征信息,极大的简化了提取特征的过程,便也被引入到人群计数当中。本发明设置三个卷积核大小为3*3,空洞率分别为1、2、5的过滤器来获取包含不同信息的特征,设置步长为1,能够保证高分辨率。
Claims (1)
1.基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法,其特征在于包括以下步骤:
步骤S1采集包含乱丢垃圾行为的图像集,进行预训练;
步骤S2通过目标检测算法获取预训练后图像集中乱丢垃圾行为个体的图像训练集,并对获取的图像训练集中的图像人工定义乱丢垃圾行为的人体骨骼点分布;
步骤S3基于人体骨骼点分布制作图像训练集中每个图像的骨骼点热图;
步骤S4构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测网络;
步骤S5将预训练后图像集输入乱丢垃圾行为检测网络,使用梯度下降法迭代更新网络,获取最优乱丢垃圾行为检测网络;
步骤S6将测试集中连续几帧的检测图像输入最优乱丢垃圾行为检测网络中,获取相应的骨骼点分布序列,并进行相似度计算,判断是否为乱丢垃圾行为;
步骤S1具体过程如下:
S1.1选取不同场地,在不同角度放置监控摄像头,采集不同人物个体乱丢垃圾行为的视频;
S1.2整理采集到的视频,提取每一个视频的连续几帧,转化为一个相应的图像序列并存储在原始人体姿态数据集中,同时对该图像序列进行人工分类;所述的人工分类是指同一地方同一时间段内的同一个人乱丢垃圾行为作为一类;
S1.3将存储的原始人体姿态数据集进行数据增强预处理,并使用高斯滤波处理图像,用以减少图像噪声,获取预处理的人体姿态数据集I;
步骤S2具体过程如下:
S2.1将经过步骤S1.3处理后的人体姿态数据集I中的每个图像进行目标检测算法识别出单独的人物,消除图像中的无关信息,获取人体姿态数据集II;
S2.2人工标注人体姿态数据集II中乱丢垃圾的人物个体的各个人体骨骼点分布,获得人体骨骼点分布图像集;
步骤S3具体过程如下:
S3.1对于人体骨骼点分布图像集中的每张图像,以每个骨骼点坐标为中心,生成对应的高斯热图,对于图像中缺失的骨骼点生成空白图;根据人体结构连接各个骨骼点后对应的高斯热图,称之为身体部位热图;
S3.2根据人体骨骼点分布图像集,将其中每张图像中的骨骼点根据人体结构对应连接,获得骨骼点连接图,该图各个骨骼点之间的连接处标记为关节点,以每个关节点为坐标中心生成对应的高斯热图,同时根据人体结构连接相应的高斯热图,获得关节点热图;通过融合关节点热图以及相对应的身体部位热图得到骨骼点热图,从而获取乱丢垃圾行为的人体姿态,建立相应的乱丢垃圾人体姿态数据库;
步骤S4具体过程如下:
S4.1构建基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测网络,该网络由4层网络组成,前两层为前向传播模块,第三层为引入了空洞卷积的循环模块,第四层是输出的骨骼点热图和损失值;
S4.2前两层的前向传播模块,即第一、二层使用了3*3的过滤器卷积核,之后进行池化,减小输入图片的分辨率,进一步提取特征;并且每次卷积加入非线性激活函数Relu,以保证卷积性能;
S4.3第二层的前向传播模块的输出串联第三层的输出作为第三层循环模块的输入;循环模块内部迭代了3个空洞卷积网络,在每次迭代中,第二层的前向传播模块的输出作为第三层循环模块的输入都是固定的,而第三层的输出则是根据上一次迭代的输出而更新;
所述的循环模块引入的空洞卷积网络,设置了三个卷积核大小为3,空洞率分别为1、2、5的过滤器,由于空洞卷积的特性,它能够在不增加额外参数的情况下,增大感受野,获取不同感受野上的语义信息,极大地简化了计算复杂性;
S4.4第四层有四部分输出,分别输出不同深度的目标热图和损失值;每部分的目标热图中包含骨骼点热图和身体部位热图,身体部位热图主要用于捕获肢体,能够作为关节点热图的建模的数据增强;前三部分的骨骼点热图和损失值作为辅助信息来提高反向传播期间的梯度幅度;第四部分输出的骨骼点热图就是网络预测的最终结果,同时该部分的损失值在网络的训练过程中用于优化参数;
步骤S5具体过程如下:
S5.1将预训练好的网络参数加载到乱丢垃圾行为检测网络中,完成网络的参数初始化,设置学习率为10-5;
S5.2将人体姿态数据集II输入到初始化后的乱丢垃圾行为检测网络中,采用Adam优化器进行训练,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学***稳;
在训练过程中,均等的加权第四层输出的骨骼点热图,使用均方误差,对预测的骨骼点热图与人工标注的骨骼点热图之间的像素方差进行平方损失计算,训练函数如下所示:
其中,hk是人工标注的真实骨骼点热图,f(*)表示特征图迭代训练模型,经过训练后能够得到预测的骨骼点热图,θ表示学习参数,x表示特征图,y表示迭代次数,K表示骨骼点热图总数;
S5.3使用反向传播和梯度下降法完成对乱丢垃圾行为检测网络的训练;
步骤S6具体过程如下:
S6.1从需要检测的视频中提取连续几帧的检测图像,输入训练好的乱丢垃圾行为检测网络中,将输出的骨骼点热图相连接,得到人体姿态图序列;
S6.2将得到的人体姿态图序列与乱丢垃圾人体姿态数据库中的序列做相似度计算,若相似度小于阈值,则判定为乱丢垃圾,反之不然;相似度公式如下:
其中,sn表示第n个骨骼点,a表示检测的结果,b表示人工定义的乱丢垃圾行为数据库的结果,N表示所有骨骼点的个数,S越小,相似度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167698.1A CN111507182B (zh) | 2020-03-11 | 2020-03-11 | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167698.1A CN111507182B (zh) | 2020-03-11 | 2020-03-11 | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507182A CN111507182A (zh) | 2020-08-07 |
CN111507182B true CN111507182B (zh) | 2021-03-16 |
Family
ID=71863907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167698.1A Active CN111507182B (zh) | 2020-03-11 | 2020-03-11 | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507182B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115846B (zh) * | 2020-09-15 | 2024-03-01 | 上海迥灵信息技术有限公司 | 乱丢垃圾行为的识别方法、识别装置和可读存储介质 |
CN112418418A (zh) * | 2020-11-11 | 2021-02-26 | 江苏禹空间科技有限公司 | 基于神经网络的数据处理方法、装置、存储介质及服务器 |
CN112541891B (zh) * | 2020-12-08 | 2022-09-09 | 山东师范大学 | 一种基于空洞卷积高分辨率网络的人群计数方法及*** |
CA3202649A1 (en) * | 2020-12-21 | 2022-06-30 | Huy Quoc PHAN | Joint angle determination under limited visibility |
CN112861723B (zh) * | 2021-02-07 | 2023-09-01 | 北京卓视智通科技有限责任公司 | 基于人体姿势识别的体育动作识别计数方法、装置及计算机可读存储介质 |
CN113392765B (zh) * | 2021-06-15 | 2023-08-01 | 广东工业大学 | 一种基于机器视觉的摔倒检测方法和*** |
CN113435419B (zh) * | 2021-08-26 | 2021-11-12 | 城云科技(中国)有限公司 | 违规丢弃垃圾行为检测方法、装置及应用 |
CN114170685A (zh) * | 2021-12-06 | 2022-03-11 | 南京美基森信息技术有限公司 | 一种基于rgbd图像行人搭乘自动扶梯摔倒行为的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN108647639A (zh) * | 2018-05-10 | 2018-10-12 | 电子科技大学 | 实时人体骨骼关节点检测方法 |
CN110443144A (zh) * | 2019-07-09 | 2019-11-12 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
WO2019222951A1 (en) * | 2018-05-24 | 2019-11-28 | Nokia Technologies Oy | Method and apparatus for computer vision |
CN110751107A (zh) * | 2019-10-23 | 2020-02-04 | 北京精英***科技有限公司 | 一种检测人员丢弃物品的事件的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10162844B1 (en) * | 2017-06-22 | 2018-12-25 | NewVoiceMedia Ltd. | System and methods for using conversational similarity for dimension reduction in deep analytics |
CN108399361A (zh) * | 2018-01-23 | 2018-08-14 | 南京邮电大学 | 一种基于卷积神经网络cnn和语义分割的行人检测方法 |
CN108549841A (zh) * | 2018-03-21 | 2018-09-18 | 南京邮电大学 | 一种基于深度学习的老人跌倒行为的识别方法 |
CN110334589B (zh) * | 2019-05-23 | 2021-05-14 | 中国地质大学(武汉) | 一种基于空洞卷积的高时序3d神经网络的动作识别方法 |
CN110348445B (zh) * | 2019-06-06 | 2021-07-27 | 华中科技大学 | 一种融合空洞卷积和边缘信息的实例分割方法 |
-
2020
- 2020-03-11 CN CN202010167698.1A patent/CN111507182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN108647639A (zh) * | 2018-05-10 | 2018-10-12 | 电子科技大学 | 实时人体骨骼关节点检测方法 |
WO2019222951A1 (en) * | 2018-05-24 | 2019-11-28 | Nokia Technologies Oy | Method and apparatus for computer vision |
CN110443144A (zh) * | 2019-07-09 | 2019-11-12 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN110751107A (zh) * | 2019-10-23 | 2020-02-04 | 北京精英***科技有限公司 | 一种检测人员丢弃物品的事件的方法 |
Non-Patent Citations (1)
Title |
---|
A Multi-Stage Convolution Machine with Scaling and Dilation for Human Pose Estimation;Yali Nie et al;《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》;20190630;第13卷(第6期);第3182-3198页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111507182A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507182B (zh) | 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法 | |
CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN104615983B (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
CN110852267B (zh) | 基于光流融合型深度神经网络的人群密度估计方法及装置 | |
CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN110458046B (zh) | 一种基于关节点提取的人体运动轨迹分析方法 | |
CN106204646A (zh) | 基于bp神经网络的多运动目标跟踪方法 | |
CN105488456A (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
CN116012950B (zh) | 一种基于多重心时空注意图卷积网络的骨架动作识别方法 | |
CN113128424B (zh) | 基于注意力机制的图卷积神经网络动作识别方法 | |
CN111709321A (zh) | 一种基于图卷积神经网络的人体行为识别方法 | |
CN107146237A (zh) | 一种基于在线状态学习与估计的目标跟踪方法 | |
CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及*** | |
CN113989261A (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
CN109060838A (zh) | 一种基于机器视觉的产品表面划痕检测方法 | |
CN114897728A (zh) | 图像增强方法、装置、终端设备以及存储介质 | |
CN116342953A (zh) | 基于残差收缩注意力网络的双模态目标检测模型及方法 | |
CN114694261A (zh) | 一种基于多级监督图卷积的视频三维人体姿态估计方法及*** | |
CN113705445A (zh) | 一种基于事件相机的人体姿态识别的方法及设备 | |
CN112767277B (zh) | 一种基于参考图像的深度特征排序去模糊方法 | |
CN112446253A (zh) | 一种骨架行为识别方法及装置 | |
CN111401209B (zh) | 一种基于深度学习的动作识别方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200807 Assignee: Hangzhou Greentown Information Technology Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2023330000109 Denomination of invention: Detection of littering behavior based on bone point fusion and cyclic void convolution Granted publication date: 20210316 License type: Common License Record date: 20230311 |
|
EE01 | Entry into force of recordation of patent licensing contract |