CN114549444A - 一种跨摄像头目标检测与跟踪***及方法 - Google Patents
一种跨摄像头目标检测与跟踪***及方法 Download PDFInfo
- Publication number
- CN114549444A CN114549444A CN202210140025.6A CN202210140025A CN114549444A CN 114549444 A CN114549444 A CN 114549444A CN 202210140025 A CN202210140025 A CN 202210140025A CN 114549444 A CN114549444 A CN 114549444A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- module
- detection
- target detection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种跨摄像头目标检测与跟踪***及方法,包括目标检测模块、目标关联模块、目标跟踪模块和结果可视化模块,所述目标检测模块、目标关联模块和目标跟踪模块逐次处理摄像头视频数据,所述结果可视化模块将上述模块处理结果进行可视化处理;目标检测模块,用于对获取到的摄像头视频数据进行目标检测;目标关联模块,用于基于目标检测结果构建目标数据集以及有效目标列表,对目标进行关联;目标跟踪模块,用于根据不同摄像头目标检测结果以及目标关联结果,在不同摄像头下进行目标跟踪;结果可视化模块,用于保持跟踪过程同一目标编号不变和实时更新有效目标列表。与现有技术相比,本发明具有目标检测与跟踪准确性高以及实时性好的优点。
Description
技术领域
本发明涉及智能交通领域,尤其是涉及一种跨摄像头目标检测与跟踪***及方法。
背景技术
随着摄像头硬件成本降低与存储器容量的提升,以及网络技术和通信技术的快速发展,摄像头己经遍布大街小巷,目标检测与跟踪技术作为智能视频监控***的关键组成部分,具有很高的研究价值与应用价值。目前主要以单摄像头目标跟踪为研究方向,但是单个摄像头监控范围有限,导致其存在较大的局限性,无法对目标进行连续跟踪。
跨摄像头目标跟踪***由于使用的多个摄像头位于不同位置,其视域能够拼接成一个更大的空间区域,从而克服了单摄像头目标跟踪***存在的固有缺陷,可以实现对目标的长时连续跟踪,因此跨摄像头目标检测具有更加广阔的应用前景。
目前摄像头的使用已非常普遍,但对于大量的视频数据,只能通过人工处理,此方法容易出错,对监控人员来说也很枯燥无味,同时浪费人力。
针对以上问题,亟需设计一种准确性高、实时性好的跨摄像头目标检测与跟踪***及方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种准确性高以及实时性好的跨摄像头目标检测与跟踪***及方法。
本发明的目的可以通过以下技术方案来实现:
根据本发明的第一方面,提供了一种跨摄像头目标检测与跟踪***,该***包括目标检测模块、目标关联模块、目标跟踪模块和结果可视化模块,所述目标检测模块、目标关联模块和目标跟踪模块逐次处理摄像头视频数据,所述结果可视化模块将上述模块处理结果进行可视化处理,具体为:
目标检测模块,用于对获取到的摄像头视频数据进行目标检测;
目标关联模块,用于基于所述目标检测结果构建目标数据集以及有效目标列表,对目标进行关联;
目标跟踪模块,用于根据不同摄像头目标检测结果以及目标关联结果,在不同摄像头下进行目标跟踪;
结果可视化模块,用于保持跟踪过程同一目标编号不变和实时更新有效目标列表。
优选地,所述目标检测模块、目标关联模块以及目标跟踪模块相对独立,级联处理数据,满足接口要求时实时更新数据。
根据本发明的第二方面,提供了一种跨摄像头目标检测与跟踪方法,该方法包括以下步骤:
步骤1、目标检测:对获取到的摄像头视频数据进行目标检测;
步骤2、目标关联:基于不同摄像头的目标检测结果构建目标数据集以及有效目标列表,对目标进行关联,并对关联结果赋予目标编号;
步骤3、目标跟踪:基于目标关联结果,对目标进行跟踪并保持跟踪期间目标编号不变;
步骤4、结果可视化:将目标检测结果、目标关联结果以及目标跟踪结果通过检测框以及目标编号的形式显示出来,保持跟踪过程同一目标编号不变和实时更新有效目标列表。
优选地,所述步骤1中的目标检测具体为:采用卷积神经网络对获取到的摄像头视频数据进行目标检测。
优选地,所述步骤2中的目标关联具体为:基于不同摄像头的目标检测结果构建目标数据集以及有效目标列表,采用注意力机制提取当前所有目标的特征信息,并通过识别不同摄像头下的同一目标,对目标检测结果进行目标关联,将关联的目标赋予相同的目标编号。
优选地,所述目标跟踪具体包括以下子步骤:
1)基于目标关联过程赋予的目标编号,确定第一帧目标编号;
2)利用卡尔曼滤波算法对前一帧目标进行位置预测,并与当前帧目标进行匹配;
3)使用神经网络对检测到的目标进行特征提取;
4)使用马氏距离计算预测位置图像特征与目标图像特征之间的相似度;
5)使用匈牙利算法对预测位置图像和目标图像进行目标匹配,并基于所述匹配结果更新同一摄像头下相同目标在不同时刻位置,实现目标跟踪。
优选地,所述步骤5)中使用匈牙利算法对预测位置图像和目标图像进行目标匹配,具体为:
使用匈牙利算法对预测位置图像和检测到的目标图像进行目标匹配,若匹配成功,则沿用之前编号;否则将检测到的目标图像与有效目标列表中的目标图像数据集进行匹配,以判断是否是历史目标复现,若为复现目标则仍使用历史目标编号,否则赋予目标新编号。
优选地,所述特征包括目标特征和目标上下文特征。
优选地,所述有效目标列表仅保存生存期T范围内的目标图像数据。
优选地,所述目标包括行人和车辆。
与现有技术相比,本发明具有以下优点:
1)本发明设计的跨摄像头目标检测与跟踪***通过目标检测模块、目标关联模块以及目标跟踪模块逐次处理摄像头视频数据,并通过结果可视化模块将上述模块处理结果进行可视化处理,提高了目标检测与跟踪的准确性以及及时性;此外,本发明的***通过完成多个摄像头下的目标关联,克服现有单摄像头***固有缺陷,实现对目标长时间跨区域的识别跟踪;
2)本发明的目标检测与跟踪方法基于深度学习模型,在保留传统处理方法和传统深度学习算法优点时引入包含通道和位置的注意力机制,克服了传统识别方式中跨摄像头噪声干扰问题,提高了准确性和实时性;
3)本发明基于时空一致性优化目标检测结果,采用卡尔曼滤波算法判断目标可能存在的时空区域,减小计算量,提高准确性,再将目标的多种特征进行融合判断目标是否存在,从而实现跨摄像头间的目标关联;
4)本发明可实现通过路侧摄像头与车辆来协助感知,解决现有智能车载本身感知成本过高以及车载感知无法有效克服遮挡的问题;
5)本发明可应用于协助车辆感知,可以使车辆对可能存在的危险有提前感知能力,以减少交通事故发生。
附图说明
图1为本发明的***示意图;
图2为本发明的方法示意图;
图3为目标匹配过程流程示意图;
图4为实施例2中路口摄像头位置放置示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,给出本发明的***实施例,一种跨摄像头目标检测与跟踪***,该***包括目标检测模块、目标关联模块、目标跟踪模块和结果可视化模块,所述目标检测模块、目标关联模块和目标跟踪模块逐次处理摄像头视频数据,所述结果可视化模块将上述模块处理结果进行可视化处理,具体为:
目标检测模块,用于对获取到的摄像头视频数据进行目标检测;
目标关联模块,用于基于所述目标检测结果构建目标数据集以及有效目标列表,对目标进行关联;
目标跟踪模块,用于根据不同摄像头目标检测结果以及目标关联结果,在不同摄像头下进行目标跟踪;
结果可视化模块,用于保持跟踪过程同一目标编号不变和实时更新有效目标列表。
所述目标检测模块、目标关联模块以及目标跟踪模块相对独立,级联处理数据,满足接口要求及时更新数据。
本实施例的***实现了各模块协同工作,可以协助车辆感知与车联网产业相结合,同时也可以和安防行业相结合实现智能监控***等,具体可实现以下功能:
1)提供动态感知服务,与车联网行业相结合,以路侧摄像头为感知设备,弥补车辆感知设备视域有限的缺陷。同时利用深度学习神经网络的方法联合处理多个摄像头数据,对联合区域内目标进行检测与跟踪。由于联合区域要大于车辆区域,因此可以对车辆可能遇到的危险提前提醒,协助车辆感知,减少交通事故的发生;
2)提供智能监控服务,目前摄像头的使用已非常普遍,产生了大量的视频数据。本发明的研究,可以大量减小监控人员的工作强度,减轻他们的工作压力,提升监控***的工作性能,提高工作效率;
3)提供可视化服务,可根据检测、关联、追踪结果,使用识别框和每个目标的编号进行可视化处理,便于标识所识别目标以及方便后期分析目标轨迹。
在某些实施方式中,以跨摄像头目标检测与跟踪***软件程序处理数据,在硬件设备方面***要求较少。硬件设施中摄像头可以是常见的网络摄像头,或者是工业摄像头;计算设备可以是工业计算机或者是边缘服务器,可提供较好的图像处理能力即可。数据处理可以为用于车路协同的实时处理方式,也可以为公安侦查中的录制回放方式。
接下来,结合图2和图3给出本发明的方法实施例,一种跨摄像头目标检测与跟踪方法,该方法包括以下步骤:
步骤1、目标检测:采用卷积神经网络对获取到的摄像头视频数据进行目标检测;其中,目标包括行人和车辆。
步骤2、目标关联:基于不同摄像头的目标检测结果构建目标数据集以及有效目标列表,采用包含通道和位置的注意力机制提取当前所有目标的特征信息,并通过识别不同摄像头下的同一目标,对目标检测结果进行目标关联,将关联的目标赋予相同的目标编号。如图2所示,在目标检测和目标关联基础上进行目标间的匹配,具体包括:
对检测到的目标利用卡尔曼滤波算法推算目标当前时刻可能存在的位置;
利用目标检测模块进行视频帧检测;
提取当前帧目标位置特征与预测位置的特征;
基于两个所提取的特征进行相似度量,获得匹配结果,所述匹配结果包括匹配成功、历史目标未匹配和新目标未匹配;
进行相似度量时,先将预测位置的特征与检测特征进行相似度量,若匹配结果为未匹配目标,则再将检测目标的特征与有效目标列表中的历史图像特征进行相似度量。其中,将预测位置的特征与检测特征进行相似度量对应图3中过程①,在匹配中使用深度卷积网络提取图像特征,并利用匈牙利匹配算法进行目标匹配。如果未匹配成功则进行图3中过程②过程,该过程将检测目标的特征与有效目标列表中的历史图像特征进行相似度量。如果与有效目标列表中的历史图像匹配成功则是历史目标重现,将使用历史目标的编号;如果未匹配成功则判定为新出现目标,赋予新编号。
有效目标列表需要实时更新,以减少匹配过程的计算量。列表只记录生存期T中出现的历史目标信息,超过生存期的信息将会在更新时被清除。如果目标在超过生存期T后出现则可能是已经发生了较大的外观变化,其外观特征和上下文信息特征将会发生较大差异,所以当成新出现目标进行编号以减少***损失。
步骤3、目标跟踪:基于目标关联结果,对目标进行跟踪并保持跟踪期间目标编号不变,具体包括以下子步骤:
1)基于目标关联过程赋予的目标编号,确定第一帧目标编号;
2)利用卡尔曼滤波算法对前一帧目标进行位置预测,并与当前帧目标进行匹配;
3)使用神经网络对检测到的目标进行特征提取;其中,特征包括目标特征和目标上下文特征;
4)使用马氏距离计算预测位置图像特征与目标图像特征之间的相似度;
5)使用匈牙利算法对预测位置图像和目标图像进行目标匹配,并基于所述匹配结果更新同一摄像头下相同目标在不同时刻位置,实现目标跟踪,具体为:
使用匈牙利算法对预测位置图像和检测到的目标图像进行目标匹配,若匹配成功,则沿用之前编号;否则将检测到的目标图像与有效目标列表中的目标图像数据集进行匹配,以判断是否是历史目标复现,若为复现目标则仍使用历史目标编号,否则赋予目标新编号。
步骤4、结果可视化:将目标检测结果、目标关联结果以及目标跟踪结果通过检测框以及目标编号的形式显示出来,保持跟踪过程同一目标编号不变和实时更新有效目标列表。
实施例2
如图4所示的一个路口的场景,以3向路口为例,每个方向都安装有一摄像头,分别监控对应方向区域。根据在不同应用场景中对离线计算、在线计算等不同要求而使用不同的计算设备。
本实施例的跨摄像头目标检测与跟踪方法的具体工作过程包括:
步骤S1、为路口的所有摄像头分配IP,并获取摄像头数据;
步骤S2、将所有的摄像头视频数据传输到计算单元,并利用深度卷积神经网络进行目标检测,输出检测的目标信息,构建目标数据集和有效目标列表;
步骤S3、根据检测信息,使用注意力机制提取当前所有目标的特征信息,包括目标的外观特征和上下文信息特征等;
步骤S4、对不同摄像头下的目标进行关联,将关联的目标赋予相同的目标编号;
步骤S5、对同一摄像头上下帧目标进行匹配,具体如图2所示,并对匹配结果赋予相应的编号,然后输出当前的匹配结果;
步骤S6、对步骤S5中的匹配结果进行可视化处理,可视化具体如图4可视化模块所示;
步骤S7、更新有效目标列表,读取下一帧的视频信息,开始新的一轮目标检测与追踪迭代更新。
其余设置与实施例1相同。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种跨摄像头目标检测与跟踪***,其特征在于,该***包括目标检测模块、目标关联模块、目标跟踪模块和结果可视化模块,所述目标检测模块、目标关联模块和目标跟踪模块逐次处理摄像头视频数据,所述结果可视化模块将上述模块处理结果进行可视化处理,具体为:
目标检测模块,用于对获取到的摄像头视频数据进行目标检测;
目标关联模块,用于基于所述目标检测结果构建目标数据集以及有效目标列表,对目标进行关联;
目标跟踪模块,用于根据不同摄像头目标检测结果以及目标关联结果,在不同摄像头下进行目标跟踪;
结果可视化模块,用于保持跟踪过程同一目标编号不变和实时更新有效目标列表。
2.根据权利要求1所述的一种跨摄像头目标检测与跟踪***,其特征在于,所述目标检测模块、目标关联模块以及目标跟踪模块相对独立,级联处理数据,满足接口要求时实时更新数据。
3.一种跨摄像头目标检测与跟踪方法,其特征在于,该方法包括以下步骤:
步骤1、目标检测:对获取到的摄像头视频数据进行目标检测;
步骤2、目标关联:基于不同摄像头的目标检测结果构建目标数据集以及有效目标列表,对目标进行关联,并对关联结果赋予目标编号;
步骤3、目标跟踪:基于目标关联结果,对目标进行跟踪并保持跟踪期间目标编号不变;
步骤4、结果可视化:将目标检测结果、目标关联结果以及目标跟踪结果通过检测框以及目标编号的形式显示出来,保持跟踪过程同一目标编号不变和实时更新有效目标列表。
4.根据权利要求3所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述步骤1中的目标检测具体为:采用卷积神经网络对获取到的摄像头视频数据进行目标检测。
5.根据权利要求3所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述步骤2中的目标关联具体为:基于不同摄像头的目标检测结果构建目标数据集以及有效目标列表,采用注意力机制提取当前所有目标的特征信息,并通过识别不同摄像头下的同一目标,对目标检测结果进行目标关联,将关联的目标赋予相同的目标编号。
6.根据权利要求3所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述目标跟踪具体包括以下子步骤:
1)基于目标关联过程赋予的目标编号,确定第一帧目标编号;
2)利用卡尔曼滤波算法对前一帧目标进行位置预测,并与当前帧目标进行匹配;
3)使用神经网络对检测到的目标进行特征提取;
4)使用马氏距离计算预测位置图像特征与目标图像特征之间的相似度;
5)使用匈牙利算法对预测位置图像和目标图像进行目标匹配,并基于所述匹配结果更新同一摄像头下相同目标在不同时刻位置,实现目标跟踪。
7.根据权利要求6所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述步骤5)中使用匈牙利算法对预测位置图像和目标图像进行目标匹配,具体为:
使用匈牙利算法对预测位置图像和检测到的目标图像进行目标匹配,若匹配成功,则沿用之前编号;否则将检测到的目标图像与有效目标列表中的目标图像数据集进行匹配,以判断是否是历史目标复现,若为复现目标则仍使用历史目标编号,否则赋予目标新编号。
8.根据权利要求6所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述特征包括目标特征和目标上下文特征。
9.根据权利要求3所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述有效目标列表仅保存生存期T范围内的目标图像数据。
10.根据权利要求3所述的一种跨摄像头目标检测与跟踪方法,其特征在于,所述目标包括行人和车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140025.6A CN114549444A (zh) | 2022-02-16 | 2022-02-16 | 一种跨摄像头目标检测与跟踪***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140025.6A CN114549444A (zh) | 2022-02-16 | 2022-02-16 | 一种跨摄像头目标检测与跟踪***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549444A true CN114549444A (zh) | 2022-05-27 |
Family
ID=81675562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210140025.6A Pending CN114549444A (zh) | 2022-02-16 | 2022-02-16 | 一种跨摄像头目标检测与跟踪***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549444A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649432A (zh) * | 2023-12-04 | 2024-03-05 | 成都臻识科技发展有限公司 | 一种跨相机多目标跟踪方法、设备及可读存储介质 |
-
2022
- 2022-02-16 CN CN202210140025.6A patent/CN114549444A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649432A (zh) * | 2023-12-04 | 2024-03-05 | 成都臻识科技发展有限公司 | 一种跨相机多目标跟踪方法、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI425454B (zh) | 行車路徑重建方法、系統及電腦程式產品 | |
DE102013205810B4 (de) | System und verfahren zum einschätzen von verfügbaren parkplätzen zum parken auf der strasse mit mehreren plätzen | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN104902258A (zh) | 一种基于立体视觉的多场景人流量统计方法、***以及双目相机 | |
CN111209777A (zh) | 车道线检测方法、装置、电子设备及可读存储介质 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
CN107506753B (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
CN112084892A (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN114549444A (zh) | 一种跨摄像头目标检测与跟踪***及方法 | |
CN117197019A (zh) | 一种车辆三维点云图像融合方法及*** | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN113850837B (zh) | 视频处理方法、装置、电子设备、存储介质及计算机产品 | |
CN113824880B (zh) | 一种基于目标检测和uwb定位的车辆跟踪方法 | |
CN113450385B (zh) | 一种夜间工作工程机械视觉跟踪方法、装置及存储介质 | |
CN114972731A (zh) | 交通灯检测识别方法及装置、移动工具、存储介质 | |
CN114708544A (zh) | 一种基于边缘计算的违规行为智能监测头盔及其监测方法 | |
CN114267021A (zh) | 对象识别方法和装置、存储介质及电子设备 | |
CN113255422A (zh) | 一种基于深度学习的工序衔接目标识别管理方法及*** |
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 |