CN112733594A - 一种基于可变形卷积网络的机房人物重识别方法 - Google Patents
一种基于可变形卷积网络的机房人物重识别方法 Download PDFInfo
- Publication number
- CN112733594A CN112733594A CN202011379236.2A CN202011379236A CN112733594A CN 112733594 A CN112733594 A CN 112733594A CN 202011379236 A CN202011379236 A CN 202011379236A CN 112733594 A CN112733594 A CN 112733594A
- Authority
- CN
- China
- Prior art keywords
- convolution
- machine room
- method based
- network
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可变形卷积网络的机房人物重识别方法，包括以下步骤：步骤S1：将需要进行重识别的人员作为重识别目标，截取其正面、背面及侧面图像作为输入的视频样本；步骤S2：将视频样本逐帧输入到骨干网络中进行特征提取，获得与后续重识别结果高度相关的深层次特征；步骤S3：此后对特征向量进行拼接，输入至全连接层后经三元损失函数得到与目标人物相关的概率，当该概率大于设定阈值时即判定检测到目标，模型将标记出目标人物并保存当前帧。本发明的方法能够提升识别精度，满足实际检测场景需求。
Description
技术领域
本发明涉及视频监控图像识别及数据处理技术领域，特别涉及一种基于可变形卷积网络的机房人物重识别方法。
背景技术
机房管理是企业稳定运行的重要内容之一。机房内的服务器受到破坏、盗窃、信息泄露等问题时将对企业造成不可逆转的损失。因此，机房内的安全管理和安全监控愈加受到重视和关注。其中，视频安全监控能够实现实时监控和集中管理，是企业维稳的重要方式。但是目前还没有专门用于机房重要人物轨迹监控的***，常规的监控技术在后续处理一些目标人物的行动轨迹的时候，存在图像不连续、视景模糊和不够准确的问题。
发明内容
有鉴于此，本发明的第一方面的目的是提供一种基于可变形卷积网络的机房人物重识别方法。能够在各个监控的视频帧中准确捕捉到目标人物的行动轨迹，实现全面的人物轨迹识别。
本发明的第一方面的目的是通过以下技术方案实现的：。
该种基于可变形卷积网络的机房人物重识别方法，包括以下步骤：
步骤S1：将需要进行重识别的人员作为重识别目标，截取其正面、背面及侧面图像作为输入的视频样本；
步骤S2：将视频样本逐帧输入到骨干网络中进行特征提取，获得与后续重识别结果高度相关的深层次特征；
步骤S3：此后对特征向量进行拼接，输入至全连接层后经三元损失函数得到与目标人物相关的概率，当该概率大于设定阈值时即判定检测到目标，模型将标记出目标人物并保存当前帧。
特别地，模型的骨干网络选用了ResNet50-vd。
特别地，所述ResNet50-vd将下采样环节放置到后续的3*3卷积层中，使卷积核在以步长为2的滑动过程中依旧能获取每个像素点的信息。
特别地，所述ResNet50-vd在残差支路中设计了一个平均池化层，最大限度上保留了原始输入的信息。
特别地，在ResNet50-vd中融入可变形卷积网络，通过设置“偏移变量”，令卷积核可以在当前位置附近随意采样和学习特征。
特别地，使用三元损失作为模型的损失函数，其表达式如下：
式中：a、p、n分别代表Anchor(随机样本)、Positive(与Anchor为同类样本)、Negative(与Anchor非同类样本)；||**||2表示计算欧氏距离，以此衡量嵌入空间距离，故
为Anchor与Positive间的距离度量值，
则为Anchor与Negative间的距离度量值；α为最小间隔值；“+”代表括号内的值在小于0时取值为0，否则不变。
特别地，在步骤S1中，将CoordConv结构应用于ResNet50-vd每个残差块第一个卷积结构，帮助卷积获取过滤器的位置。
本发明的第二方面的的目的是提供一种计算机装置，包括存储器、处理器及储存在存储器上并能够在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如前所述的方法。
本发明的第三方面的目的是提供一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果是：本发明的方法中使用了ResNet-vd，卷积核在以步长为2的滑动过程中依旧能获取每个像素点的信息，同样最大限度上保留了原始输入的信息。另外在ResNet50-vd的残差块中使用可变形卷积结构，从而在保证重识别速度的情况下保证识别精度，本发明的方法能够提升识别精度，满足实际检测场景需求。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为人物检测模型总体结构图；
图2为ResNet50-vd的残差单元原理图；
图3为可变形卷积原理图；
图4为CoordConv原理图；
图5为CoordConv实现效果图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本实施例的一种基于可变形卷积网络的机房人物重识别方法，包括以下步骤：
步骤S1：将需要进行重识别的人员作为重识别目标，截取其正面、背面及侧面图像作为输入的视频样本；
步骤S2：将视频样本逐帧输入到骨干网络中进行特征提取，获得与后续重识别结果高度相关的深层次特征；本发明所述深层次特征即深度网络中自适应学习到的高维度特征，这类特征与原视频帧高度相关；
步骤S3：此后对特征向量进行拼接，输入至全连接层后经三元损失函数得到与目标人物相关的概率，当该概率大于设定阈值时即判定检测到目标，模型将标记出目标人物并保存当前帧。
在步骤S1中，一般是将每天值班的负责人作为重识别目标，截取其正面、背面及侧面图像作为输入样本，在机房作业结束后使用人物重识别模型对各个视频样本进行逐帧检测，获取目标出现的视频帧并保存，以此记录和追踪负责人的作业轨迹，便于后续的技术评估及责任追查。本实施例中，本发明的方法在实施中的硬件条件为：两块GeForce 2080Ti图像处理器，每块GPU显存为12G；CPU为I9 9900K，处理频率为5.0GHz；32GB内存。软件部分选用Windows 10操作***，深度学习框架为Pytorch。本发明使用的模型总体结构如图1所示。
模型的骨干网络选用了ResNet50-vd，它的内部原理以及与ResNet50的不同之处均在图2中进行了表示。传统的ResNet网络在每个残差块的下采样单元中均会设计一个步长为2的1*1卷积，已达到缩减特征图尺寸、减少计算量的目的。但这样的方式往往使得特征图中大量信息没有得到有效利用，从而造成信息流失。ResNet-vd则巧妙地弥补了这一问题。一方面，它将下采样环节放置到后续的3*3卷积层中，使卷积核在以步长为2的滑动过程中依旧能获取每个像素点的信息；另一方面，它在残差支路(Shortcut)中设计了一个平均池化层(AvgPool)，同样最大限度上保留了原始输入的信息。
此外，将在backbone中融入可变形卷积网络(Deformable ConvolutionalNetworks)思想。其核心思想在于设计“偏移变量”，令卷积核可以在当前位置附近随意采样和学习特征，而不仅仅限于之前规则的感受野。其原理图可由图3表示。
图中展示了卷积核大小为3x3的正常卷积和可变形卷积的采样方式，(a)所示的正常卷积规律的采样点，(b)(c)(d)为可变形卷积，在正常的采样坐标上加上一个位移量(箭头所示)，其中(c)(d)作为(b)的特殊情况，展示了可变形卷积可以作为尺度变换，比例变换和旋转变换的特殊情况。事实上，可变形卷积单元中增加的偏移量是网络结构的一部分，通过另外一个平行的标准卷积单元计算得到，进而也可以通过梯度反向传播进行端到端的学习。加上该偏移量的学习之后，可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整，其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化，从而适应不同物体的形状、大小等几何形变。可变形卷积结构仅在ResNet50-vd的最后两个残差块中使用，从而在保证重识别速度的情况下保证识别精度。
在步骤S3中，为学习一种人物嵌入方式，使得相同人物在嵌入空间中距离相近，不同人物的距离尽量增大，本发明使用三元损失作为模型的损失函数。其表达式如下：
式中：a、p、n分别代表Anchor(随机样本)、Positive(与Anchor为同类样本)、Negative(与Anchor非同类样本)；||**||2表示计算欧氏距离，以此衡量嵌入空间距离，故
为Anchor与Positive间的距离度量值，
则为Anchor与Negative间的距离度量值；α为最小间隔值；“+”代表括号内的值在小于0时取值为0，否则不变。
卷积神经网络无法将空间表示转换成笛卡尔空间中的坐标和one-hot像素空间中的坐标，这在一定程度上影响了它的特征提取能力。卷积是等变的，也就是说当每个过滤器应用到输入特征上时，并不知道每个过滤器在哪。CoordConv结构可以帮助卷积获知过滤器的位置。这一过程需要在输入上添加两个通道实现，一个表示x坐标，另一个表示y坐标。其实现原理如图4所示。图中，x和y分别表示以1为步长，取区间[1,w]和区间[1,h]的像素点位置
该结构将应用于ResNet50-vd每个残差块第一个卷积结构中，其实现效果如图5所示。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于可变形卷积网络的机房人物重识别方法，其特征在于：包括以下步骤：
步骤S1：将需要进行重识别的人员作为重识别目标，作为目标人物，截取其正面、背面及侧面图像作为输入的视频样本；
步骤S2：将视频样本逐帧输入到骨干网络中进行特征提取，获得与后续重识别结果高度相关的深层次特征；
步骤S3：此后对特征向量进行拼接，输入至全连接层后经三元损失函数得到与目标人物相关的概率，当该概率大于设定阈值时即判定检测到目标，模型将标记出目标人物并保存当前帧。
2.根据权利要求1所述的一种基于可变形卷积网络的机房人物重识别方法，其特征在于：模型的骨干网络选用了ResNet50-vd。
3.根据权利要求2所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：所述ResNet50-vd将下采样环节放置到后续的3*3卷积层中，使卷积核在以步长为2的滑动过程中依旧能获取每个像素点的信息。
4.根据权利要求2或3所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：所述ResNet50-vd在残差支路中设计了一个平均池化层，最大限度上保留了原始输入的信息。
5.根据权利要求4所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：在ResNet50-vd中融入可变形卷积网络，通过设置“偏移变量”，令卷积核可以在当前位置附近随意采样和学习特征。
6.根据权利要求1所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：使用三元损失作为模型的损失函数，其表达式如下：
式中：a、p、n分别代表Anchor(随机样本)、Positive(与Anchor为同类样本)、Negative(与Anchor非同类样本)；||**||2表示计算欧氏距离，以此衡量嵌入空间距离，故
为Anchor与Positive间的距离度量值，
则为Anchor与Negative间的距离度量值；α为最小间隔值；“+”代表括号内的值在小于0时取值为0，否则不变。
7.根据权利要求1所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：在步骤S1中，将CoordConv结构应用于ResNet50-vd每个残差块第一个卷积结构，帮助卷积获取过滤器的位置。
8.一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379236.2A CN112733594A (zh) | 2020-12-01 | 2020-12-01 | 一种基于可变形卷积网络的机房人物重识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379236.2A CN112733594A (zh) | 2020-12-01 | 2020-12-01 | 一种基于可变形卷积网络的机房人物重识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112733594A true CN112733594A (zh) | 2021-04-30 |
Family
ID=75598026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011379236.2A Pending CN112733594A (zh) | 2020-12-01 | 2020-12-01 | 一种基于可变形卷积网络的机房人物重识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733594A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019347A (zh) * | 2022-06-24 | 2022-09-06 | 北京交通大学 | 基于跨类别矩阵满秩约束的行人搜索方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832672A (zh) * | 2017-10-12 | 2018-03-23 | 北京航空航天大学 | 一种利用姿态信息设计多损失函数的行人重识别方法 |
| KR20180133657A (ko) * | 2017-06-07 | 2018-12-17 | 한화에어로스페이스 주식회사 | 기계 학습을 이용한 다중 뷰포인트 차량 인식 장치 |
| CN110059616A (zh) * | 2019-04-17 | 2019-07-26 | 南京邮电大学 | 基于融合损失函数的行人重识别模型优化方法 |
| CN110457992A (zh) * | 2019-06-25 | 2019-11-15 | 上海高重信息科技有限公司 | 基于贝叶斯优化技术的行人重识别方法、装置和*** |
| CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及*** |
| CN111814661A (zh) * | 2020-07-07 | 2020-10-23 | 西安电子科技大学 | 基于残差-循环神经网络的人体行为识别方法 |
-
2020
- 2020-12-01 CN CN202011379236.2A patent/CN112733594A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180133657A (ko) * | 2017-06-07 | 2018-12-17 | 한화에어로스페이스 주식회사 | 기계 학습을 이용한 다중 뷰포인트 차량 인식 장치 |
| CN107832672A (zh) * | 2017-10-12 | 2018-03-23 | 北京航空航天大学 | 一种利用姿态信息设计多损失函数的行人重识别方法 |
| CN110059616A (zh) * | 2019-04-17 | 2019-07-26 | 南京邮电大学 | 基于融合损失函数的行人重识别模型优化方法 |
| CN110457992A (zh) * | 2019-06-25 | 2019-11-15 | 上海高重信息科技有限公司 | 基于贝叶斯优化技术的行人重识别方法、装置和*** |
| CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及*** |
| CN111814661A (zh) * | 2020-07-07 | 2020-10-23 | 西安电子科技大学 | 基于残差-循环神经网络的人体行为识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| MANSOOR LQBAL等: ""A deep learning approach for face recognition based on angularly discriminative features"", 《PATTERN RECOGNITION LETTERS》 * |
| 李愈瞳: ""基于混合对比注意力的行人重识别算法"", 《中国优秀硕士学位论文全文数据库 》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019347A (zh) * | 2022-06-24 | 2022-09-06 | 北京交通大学 | 基于跨类别矩阵满秩约束的行人搜索方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826519B (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
| CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
| WO2022134337A1 (zh) | 人脸遮挡检测方法、***、设备及存储介质 | |
| US11238272B2 (en) | Method and apparatus for detecting face image | |
| US11093737B2 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
| CN111598038B (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
| CN108875534B (zh) | 人脸识别的方法、装置、***及计算机存储介质 | |
| CN109241842B (zh) | 疲劳驾驶检测方法、装置、计算机设备及存储介质 | |
| CN111199230B (zh) | 目标检测的方法、装置、电子设备及计算机可读存储介质 | |
| CN110232326B (zh) | 一种三维物体识别方法、装置及存储介质 | |
| WO2021051547A1 (zh) | 暴力行为检测方法及*** | |
| CN105556539A (zh) | 检测兴趣区域的检测装置和方法 | |
| CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
| CN112990232B (zh) | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 | |
| CN112381061B (zh) | 一种面部表情识别方法及*** | |
| CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
| CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
| CN111597910A (zh) | 一种人脸识别方法、装置、终端设备及介质 | |
| CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
| CN112581446A (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
| CN114616591A (zh) | 物体跟踪装置以及物体跟踪方法 | |
| CN112766028B (zh) | 人脸模糊处理方法、装置、电子设备及存储介质 | |
| CN105844204B (zh) | 人体行为识别方法和装置 | |
| CN108460388A (zh) | 定位标志的检测方法、装置及计算机可读存储介质 | |
| CN113128428B (zh) | 基于深度图预测的活体检测方法和相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |