CN112651347B - 一种基于双光谱成像的吸烟行为样本生成的方法与*** - Google Patents
一种基于双光谱成像的吸烟行为样本生成的方法与*** Download PDFInfo
- Publication number
- CN112651347B CN112651347B CN202011593064.9A CN202011593064A CN112651347B CN 112651347 B CN112651347 B CN 112651347B CN 202011593064 A CN202011593064 A CN 202011593064A CN 112651347 B CN112651347 B CN 112651347B
- Authority
- CN
- China
- Prior art keywords
- cigarette end
- end target
- target point
- visible light
- point
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双光谱成像的吸烟行为样本生成的方法与***,方法包括:对可见光摄像头与红外成像摄像头进行像素匹配,得到单应性变换矩阵;基于可见光摄像头获取可见光图像,并对可见光图像中的人物进行单人骨架检测得到每一人物的人体躯干关键点;基于红外成像摄像头获取红外图像,并对红外图像进行高温点检测,确定红外图像中的烟头目标点,通过单应性变换矩阵计算烟头目标点在可见光图像中的像素坐标;匹配人物以及烟头目标点;标注可见光图像中成功匹配烟头目标点的人物的人体躯干关键点的最小外包络矩形,完成样本数据集制作。本发明省去了人工标注的过程,降低数据集制作难度。
Description
技术领域
本申请属于人工智能安全监控领域,具体涉及一种基于双光谱成像的吸烟行为样本生成的方法与***。
背景技术
在很多生产建设场景如仓储、实验室、装修等,吸烟是重要的安全隐患。受限于成本,目前常用的吸烟检测是烟雾报警器或通过可见光摄像头进行自动识别。
目前基于卷积神经网络(Convolutional Neural Network,CNN)的智慧监控技术越来越发达,CNN是一种基于感受野的包含卷积计算的前馈神经网络,是深度学习代表算法之一。CNN通过不断地提取图像特征,结合全连接层完成分类或回归任务。主要用于图像分类、目标检测等任务。但是CNN网络中的权重参数需要依靠数据训练,一般数据越多,训练出来的参数正则化效果越好。虽然现在网上有许多公开的数据集,但这些都是公用的,并不是针对某一项具体的任务。在吸烟检测任务中,需要搜集大量人物吸烟的图像,目前还没有与该任务相关的较为丰富的公开数据集,因此需要人工搜集。对搜集到的数据还需进行人工手动标记归纳整理等工序,是一项十分艰巨的任务。
发明内容
本申请的目的在于提供一种基于双光谱成像的吸烟行为样本生成的方法与***,省去了人工标注的过程,降低数据集制作难度。
为实现上述目的,本申请所采取的技术方案为:
一种基于双光谱成像的吸烟行为样本生成的方法,所述双光谱成像包括可见光摄像头与红外成像摄像头的成像,所述基于双光谱成像的吸烟行为样本生成的方法,包括:
步骤1、对可见光摄像头与红外成像摄像头进行像素匹配,得到单应性变换矩阵;
步骤2、基于所述可见光摄像头获取可见光图像,并对可见光图像中的人物进行单人骨架检测得到每一人物的人体躯干关键点;
步骤3、基于所述红外成像摄像头获取红外图像,并对红外图像进行高温点检测,确定红外图像中的烟头目标点,通过单应性变换矩阵计算烟头目标点在可见光图像中的像素坐标;
步骤4、匹配人物以及烟头目标点,包括:
步骤4.1、计算烟头目标点与人体躯干关键点的匹配概率:
式中,Ptij表示人物i的人体躯干关键点t与的烟头目标点j的匹配概率,μ、σ为匹配系数,x为烟头目标点j与人物i的人体躯干关键点t之间的像素距离;
步骤4.2、若烟头目标点与人体躯干关键点的匹配概率大于匹配阈值,则建立对应的烟头目标点与人物的人体躯干关键点之间的连接关系;
步骤4.3、计算烟头目标点的无匹配概率:
式中,Pj为烟头目标点j的无匹配概率,k为与烟头目标点j具有连接关系的人物的数量,m∈[1,k],Pm为第m个人物与烟头目标点j之间最大的匹配概率;
步骤4.4、确定烟头目标点的最佳匹配:
式中,τj为烟头目标点j的最佳匹配,n为烟头目标点的总数量,j∈[1,n],P′j包含烟头目标点j的无匹配概率Pj和与人体躯干关键点的匹配概率Ptij;
步骤5、标注可见光图像中成功匹配烟头目标点的人物的人体躯干关键点的最小外包络矩形,完成样本数据集制作。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
作为优选,所述对可见光摄像头与红外成像摄像头进行像素匹配,包括:
作为优选,所述人体躯干关键点包括骨架的头部关键点hs(u,v),左手腕关键点ls(u,v),右手腕关键点rs(u,v),同时记录骨架头部宽度l。
作为优选,所述匹配系数μ、σ,包括:
作为优选,所述对红外图像进行高温点检测,确定红外图像中的烟头目标点,包括:
对红外图像中温度大于温度阈值的像素点进行标记,得到一个或多个可疑区域;
滤除所述可疑区域中像素点的数量小于个数阈值的可疑区域;
取每个剩余的可疑区域中温度最高的像素点作为烟头目标点。
作为优选,所述基于双光谱成像的吸烟行为样本生成的方法还包括对标注人体骨架包络后的可见光图像进行数据增强。
本申请还提供一种基于双光谱成像的吸烟行为样本生成的***,所述基于双光谱成像的吸烟行为样本生成的***包括可见光摄像头、红外成像摄像头以及主控制器,所述主控制器分别与可见光摄像头、红外成像摄像头连接;
所述主控制器包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现所述的基于双光谱成像的吸烟行为样本生成的方法的步骤。
本申请提供的基于双光谱成像的吸烟行为样本生成的方法与***,通过可见光摄像头和红外成像摄像头的配合得到人物信息以及烟头信息,并通过对两者的匹配完成吸烟行人数据集的制作,免去了需要人为搜索大量吸烟行人图像的过程,同时通过自动的匹配与标注也免去了需要人为进行图像标注的过程,极大了简化了吸烟行为数据集制作过程,并且有利于得到数据量更大、图像更加丰富的数据集。
附图说明
图1为本申请的基于双光谱成像的吸烟行为样本生成的方法的流程图;
图2为本申请建立烟头目标点与人物的人体躯干关键点之间的连接关系的一种示意图;
图3为本申请的基于双光谱成像的吸烟行为样本生成的***的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
其中一个实施例中,提供一种基于双光谱成像的吸烟行为样本生成的方法,其中双光谱成像指可见光成像以及红外成像,即该方法基于可见光摄像头与红外成像摄像头即可实现,自主完成吸烟行为图像的采集以及标注。
如图1所示,本实施例的基于双光谱成像的吸烟行为样本生成的方法,包括以下步骤:
步骤1、对可见光摄像头与红外成像摄像头进行像素匹配,得到单应性变换矩阵。计算单应性变换矩阵是为了建立所采集的可见光图像和红外图像之间的对应关系,以便于针对同一时间以及同一场景结合可见光图像和红外图像进行综合分析。像素匹配为图像处理领域较为成熟的技术,本实施例不对具体采用的方式进行限定,例如可以采用以下方式实现:
采用8×8棋盘格标定板,记录角点像素在可见光摄像头获取的可见光图像中的位置以及记录在红外成像摄像头获取的红外图像中的位置ω{(ui,vi),i=1,2,3...49},然后计算位置和位置ω二者之间的单应性变换矩阵H,使得完成像素匹配。其中计算单应性变换矩阵可以使用opencv中的函数findHomography进行计算。
步骤2、基于所述可见光摄像头获取可见光图像,并对可见光图像中的人物进行单人骨架检测得到每一人物的人体躯干关键点。
从执行步骤的角度来看,处理可见光图像和红外图像这两者之间并没有严格的先后顺序,但考虑到通常识别场景中是否存在人物的准确度比识别场景中是否存在烟头高温点的准确度高,因此本实施例建议先处理可见光图像。
即对可见光图像进行单人骨架检测时识别到当前场景中不存在人物,即可不继续执行后续步骤,结束本次执行,以便于继续展开下一次的图像采集以及处理,提高数据集制作速度。
由于吸烟行人涉及的人体躯干关键点主要在头部和手腕,因此本实施例中人体躯干关键点包括骨架的头部关键点hs(u,v),左手腕关键点ls(u,v),右手腕关键点rs(u,v),同时记录骨架头部宽度l(像素单位),骨架头部宽度根据脸部轮廓即可得到。
需要说明的是,提取人体躯干点为人物识别领域较为成熟的技术,本实施例中不对具体的提取方法进行限制,例如可以是GCN网络、OpenPose网络等,能够获取关键点以及脸部轮廓,通过计算轮廓包络的宽度可以获得头部宽度。
步骤3、基于所述红外成像摄像头获取红外图像,并对红外图像进行高温点检测,确定红外图像中的烟头目标点,通过单应性变换矩阵计算烟头目标点在可见光图像中的像素坐标。
红外图像能够呈现出具有不同温度的像素点,基于该特性本实施例从红外图像中确定烟头目标点,在确定烟头目标点时可以将每一块连续具有高温的像素点区域作为一个烟头目标点。但为了降低环境干扰,在一个实施例中,确定烟头目标点的方法如下:
对红外图像中温度大于温度阈值(例如150℃)的像素点进行标记,得到一个或多个可疑区域;滤除可疑区域中像素点的数量小于个数阈值(例如5个)的可疑区域;取每个剩余的可疑区域中温度最高的像素点作为烟头目标点。
需要说明的是,若滤除后不存在可疑区域,则表示当前环境中不存在吸烟行为,则丢弃本次获取的可见光图像和红外图像,重新返回步骤2进行新一次的数据集制作。
步骤4、关联人物以及烟头目标点,包括:
步骤4.1、计算烟头目标点与人体躯干关键点的匹配概率:
式中,Ptij表示人物i的人体躯干关键点t与的烟头目标点j的匹配概率,i∈[1,q],q为本次获取的可见光图像中的人物数量,j∈[1,n],n为烟头目标点的总数量,t∈[1,r],r人体躯干关键点的类型的数量,本实施中r=3,μ、σ为匹配系数,x为烟头目标点j与人物i的人体躯干关键点t之间的像素距离。
由于烟头目标点在头部和手腕的概率存在差异,因此在一个实施例中,若烟头目标点与骨架的头部关键点进行匹配,则若烟头目标点与左手腕关键点或右手腕关键点进行匹配,则μ=l,以提高烟头目标点与人体躯干关键点的匹配概率计算的准确性。
步骤4.2、若烟头目标点与人体躯干关键点的匹配概率大于匹配阈值(例如0.4),则建立对应的烟头目标点与人物的人体躯干关键点之间的连接关系(即进行连线,如图2所示)。
步骤4.3、计算烟头目标点的无匹配概率:
式中,Pj为烟头目标点j的无匹配概率,k为与烟头目标点j具有连接关系的人物的数量,m∈[1,k],Pm为第m个人物与烟头目标点j之间最大的匹配概率。无匹配概率考虑到当前的烟头目标点可能为干扰点或其他情况,即本实施例在寻找每一烟头目标点的最佳匹配时,考虑了与人物之间的匹配,同时也考虑了存在无匹配人物的情况,避免强行将烟头目标点与人物进行匹配的情况,提高最终得到的数据集的可靠性。
步骤4.4、确定烟头目标点的最佳匹配:
式中,τj为烟头目标点j的最佳匹配,P′j包含烟头目标点j的无匹配概率Pj和与人体躯干关键点的匹配概率Ptij。即从烟头目标点与人体躯干关键点的匹配概率以及无匹配概率中选择出概率最大的作为该烟头目标点的匹配情况。
步骤4、标注可见光图像中成功匹配烟头目标点的人物的人体躯干关键点的最小外包络矩形,完成样本数据集制作。
本实施例中进行标注时,优选标注人物的人体骨架所对应的最小矩形框的四个端角位置的像素坐标,以便于准确记录吸烟人物在图像中的位置,并将标注信息采用xml文件进行保存。
在实际应用中,不断重复步骤2~4即可得到足够数量的样本,并且可以基于多对安装在不同场景下的可见光摄像头和红外成像摄像头进行图像采集,保证样本集的丰富度。
另外本实施例的基于双光谱成像的吸烟行为样本生成的方法还包括对标注人体骨架包络后的可见光图像进行数据增强以扩充数据集。
对标注后的可见光图像做数据增强,例如进行旋转90°,旋转180°,旋转270°,水平翻转,垂直翻转,旋转90°加水平翻转,旋转90°加垂直翻转7种方式的扩充,整个数据集的数据量增长了7倍。
如图3所示,在另一实施例中,还提供一种基于双光谱成像的吸烟行为样本生成的***,该基于双光谱成像的吸烟行为样本生成的***包括可见光摄像头2、红外成像摄像头1以及主控制器3。
本实施例中的主控制器3分别与可见光摄像头2、红外成像摄像头1连接(网线连接),主控制器可以是视频处理服务器,其包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序以实现所述的基于双光谱成像的吸烟行为样本生成的方法的步骤。
该主控制器可以是终端,包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该主控制器的处理器用于提供计算和控制能力。该主控制器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该主控制器的网络接口用于与外部的终端通过网络连接通信。该主控制器的显示屏可以是液晶显示屏或者电子墨水显示屏,该主控制器的输入装置可以是显示屏上覆盖的触摸层,也可以是主控制器外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于双光谱成像的吸烟行为样本生成的方法,其特征在于,所述双光谱成像包括可见光摄像头与红外成像摄像头的成像,所述基于双光谱成像的吸烟行为样本生成的方法,包括:
步骤1、对可见光摄像头与红外成像摄像头进行像素匹配,得到单应性变换矩阵;
步骤2、基于所述可见光摄像头获取可见光图像,并对可见光图像中的人物进行单人骨架检测得到每一人物的人体躯干关键点;
步骤3、基于所述红外成像摄像头获取红外图像,并对红外图像进行高温点检测,确定红外图像中的烟头目标点,通过单应性变换矩阵计算烟头目标点在可见光图像中的像素坐标;
步骤4、匹配人物以及烟头目标点,包括:
步骤4.1、计算烟头目标点与人体躯干关键点的匹配概率:
式中,Ptij表示人物i的人体躯干关键点t与的烟头目标点j的匹配概率,μ、σ为匹配系数,x为烟头目标点j与人物i的人体躯干关键点t之间的像素距离;
步骤4.2、若烟头目标点与人体躯干关键点的匹配概率大于匹配阈值,则建立对应的烟头目标点与人物的人体躯干关键点之间的连接关系;
步骤4.3、计算烟头目标点的无匹配概率:
式中,Pj为烟头目标点j的无匹配概率,k为与烟头目标点j具有连接关系的人物的数量,m∈[1,k],Pm为第m个人物与烟头目标点j之间最大的匹配概率;
步骤4.4、确定烟头目标点的最佳匹配:
式中,τj为烟头目标点j的最佳匹配,n为烟头目标点的总数量,j∈[1,n],P′j包含烟头目标点j的无匹配概率Pj和与人体躯干关键点的匹配概率Ptij;
步骤5、标注可见光图像中成功匹配烟头目标点的人物的人体躯干关键点的最小外包络矩形,完成样本数据集制作。
3.如权利要求1所述的基于双光谱成像的吸烟行为样本生成的方法,其特征在于,所述人体躯干关键点包括骨架的头部关键点hs(u,v),左手腕关键点ls(u,v),右手腕关键点rs(u,v),同时记录骨架头部宽度l。
5.如权利要求1所述的基于双光谱成像的吸烟行为样本生成的方法,其特征在于,所述对红外图像进行高温点检测,确定红外图像中的烟头目标点,包括:
对红外图像中温度大于温度阈值的像素点进行标记,得到一个或多个可疑区域;
滤除所述可疑区域中像素点的数量小于个数阈值的可疑区域;
取每个剩余的可疑区域中温度最高的像素点作为烟头目标点。
6.如权利要求1所述的基于双光谱成像的吸烟行为样本生成的方法,其特征在于,所述基于双光谱成像的吸烟行为样本生成的方法还包括对标注人体骨架包络后的可见光图像进行数据增强。
7.一种基于双光谱成像的吸烟行为样本生成的***,其特征在于,所述基于双光谱成像的吸烟行为样本生成的***包括可见光摄像头、红外成像摄像头以及主控制器,所述主控制器分别与可见光摄像头、红外成像摄像头连接;
所述主控制器包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现权利要求1~6任一项所述的基于双光谱成像的吸烟行为样本生成的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593064.9A CN112651347B (zh) | 2020-12-29 | 2020-12-29 | 一种基于双光谱成像的吸烟行为样本生成的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593064.9A CN112651347B (zh) | 2020-12-29 | 2020-12-29 | 一种基于双光谱成像的吸烟行为样本生成的方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651347A CN112651347A (zh) | 2021-04-13 |
CN112651347B true CN112651347B (zh) | 2022-07-05 |
Family
ID=75363913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011593064.9A Active CN112651347B (zh) | 2020-12-29 | 2020-12-29 | 一种基于双光谱成像的吸烟行为样本生成的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651347B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测*** |
CN108759844A (zh) * | 2018-06-07 | 2018-11-06 | 科沃斯商用机器人有限公司 | 机器人重定位与环境地图构建方法、机器人及存储介质 |
CN109804622A (zh) * | 2016-09-30 | 2019-05-24 | 微软技术许可有限责任公司 | 红外图像流的重新着色 |
CN110081982A (zh) * | 2019-03-11 | 2019-08-02 | 中林信达(北京)科技信息有限责任公司 | 一种基于双光谱光电搜索的无人机目标定位方法 |
JP6617237B1 (ja) * | 2019-04-03 | 2019-12-11 | 株式会社Mujin | ロボットシステム、ロボットシステムの方法及び非一時的コンピュータ可読媒体 |
-
2020
- 2020-12-29 CN CN202011593064.9A patent/CN112651347B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测*** |
CN109804622A (zh) * | 2016-09-30 | 2019-05-24 | 微软技术许可有限责任公司 | 红外图像流的重新着色 |
CN108759844A (zh) * | 2018-06-07 | 2018-11-06 | 科沃斯商用机器人有限公司 | 机器人重定位与环境地图构建方法、机器人及存储介质 |
CN110081982A (zh) * | 2019-03-11 | 2019-08-02 | 中林信达(北京)科技信息有限责任公司 | 一种基于双光谱光电搜索的无人机目标定位方法 |
JP6617237B1 (ja) * | 2019-04-03 | 2019-12-11 | 株式会社Mujin | ロボットシステム、ロボットシステムの方法及び非一時的コンピュータ可読媒体 |
Also Published As
Publication number | Publication date |
---|---|
CN112651347A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Co-saliency detection via mask-guided fully convolutional networks with multi-scale label smoothing | |
Yang et al. | Visual perception enabled industry intelligence: state of the art, challenges and prospects | |
Li et al. | Contour knowledge transfer for salient object detection | |
CN108764065B (zh) | 一种行人重识别特征融合辅助学习的方法 | |
CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
Zhang et al. | RGB-D face recognition via deep complementary and common feature learning | |
Bhattacharya et al. | Recognition of complex events: Exploiting temporal dynamics between underlying concepts | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
Hou et al. | Content-attention representation by factorized action-scene network for action recognition | |
CN110555481A (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
CN112733802B (zh) | 图像的遮挡检测方法、装置、电子设备及存储介质 | |
CN109766840A (zh) | 人脸表情识别方法、装置、终端及存储介质 | |
CN106648078B (zh) | 应用于智能机器人的多模态交互方法及*** | |
CN109086659B (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN113627402B (zh) | 一种图像识别方法及相关装置 | |
CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
Xia et al. | Face occlusion detection using deep convolutional neural networks | |
CN112200110A (zh) | 一种基于深度干扰分离学习的人脸表情识别方法 | |
CN115862055A (zh) | 基于对比学习和对抗训练的行人重识别方法及装置 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
Jain et al. | Literature review of vision‐based dynamic gesture recognition using deep learning techniques | |
Yuan et al. | Thermal infrared target tracking: A comprehensive review | |
CN112651347B (zh) | 一种基于双光谱成像的吸烟行为样本生成的方法与*** | |
Ma et al. | Loop closure detection via locality preserving matching with global consensus | |
CN112712051A (zh) | 对象跟踪方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |