CN103886305B - 面向基层治安、维稳及反恐的特异人脸搜索方法 - Google Patents
面向基层治安、维稳及反恐的特异人脸搜索方法 Download PDFInfo
- Publication number
- CN103886305B CN103886305B CN201410137540.4A CN201410137540A CN103886305B CN 103886305 B CN103886305 B CN 103886305B CN 201410137540 A CN201410137540 A CN 201410137540A CN 103886305 B CN103886305 B CN 103886305B
- Authority
- CN
- China
- Prior art keywords
- face
- dnn
- neural network
- image
- deeply
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及面向基层治安、维稳及反恐的特异人脸搜索方法。该方法首先提取其中的运动帧，然后在运动帧中结合动态聚类分析和AAM方法快速检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件，再针对各部件基于动态联合深度神经网络提取其特征，最后将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索。该方法只针对连续n帧关键帧的运动部分进行人脸检测和识别、搜索处理，有效降低处理资源，缩小处理范围，提高处理效率；基于动态加权的方法融合多个局部人脸部件分类结果，可有效体现局部部件特异性的强弱，使搜索结果更准确。
Description
技术领域
本发明涉及面向基层治安、维稳及反恐的特异人脸搜索方法。
背景技术
我国大力开展了城市监控系统建设，运用视频采集、网络传输、图像处理等现代技术，依法有组织地整体建设城市监控体系，目前已经在各级政府所在地、主要街道和社区、娱乐场所、重要路口、车站、卡口等地点设立视频监视系统，将视频图像通过网络传输到各级公安机关进行存储。公安机关目前主要采用人工观察的方式从海量监视视频进行过滤和分析，通过监控中心人工发现异常情况做出应急响应，或是公安机关相关部门通过时候查阅，获取破案线索。目前的工作模式存在以下不足：
效率低：监视摄像机数以万计，且每个监控场景中人员众多，单纯依靠监控中心人工观察的方式工作量大、遗漏率非常高；
存储压力大：现有模式对全部摄像机获取的所有数据进行存储，数据量极其庞大；
智能处理能力弱：现有监控系统的数据自动分析功能弱，难以实现更高级、更深层次应用；
为提高重要位置、重要人员的管控效率，进一步加强安全管理，有效维护社会稳定，迫切地需要采用视频图像分析与理解技术，智能监管重要位置出入人员，形成安全、可靠、便捷的视频监管体系。
发明内容
针对重要位置、重要人员的管控问题，本发明设计一种面向基层的特异人脸搜索方法，该方法主要针对卡口、大门、通道等重要场所的实时监视视频流或者视频存储文件进行处理，首先提取其中的运动帧；然后在运动帧中采用动态聚类分析，利用AAM方法快速检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件，针对各部件基于动态联合深度神经网络提取其特征；最后将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索。其完整处理流程如图1所示：
具体步骤如下：
1、针对运动帧的目标提取
若是针对视频中每一帧图像进行处理，增大了系统资源消耗，并且其中存在大量冗余处理，效率不高。本发明采取的策略是：对视频流或者视频文件进行运动分析，仅针对视频流中的连续n 帧关键帧中发生了运动的部分，进行后续人脸检测和搜索处理，其中n取3～5。具体流程为：
Step1：针对视频文件进行解码，提取连续n 帧关键帧；
Step2：针对连续n 帧关键帧，进行运动检测，提取运动部分；
Step3：针对提取到的运动部分进行后续检测、识别处理。
2、采用结合动态聚类分析和AAM（Active Appearance Mode）方法实现人脸快速检测和分割
传统人脸检测方法比如肤色分割、Adaboost、Hough Transform等，误检率较高；基于ASM、AAM的方法检测准确率较高，但计算量大，耗时较多。本发明根据人脸区域内灰度变化缓慢的特点，针对检测到的运动区域，首先对图像灰度进行动态聚类分析，提取出灰度相近的若干区域；然后仅针对此类区域采用AAM方法检测和定位人脸。当检测到人脸时，AAM可同时实现人脸各部件的分割。
具体阐述如下：
(1) 动态聚类分析
Step1：初始化聚类中心
其中，为第1类聚类中心，为第类聚类中心；为聚类类型数量，分别为各自迭代次数，针对人脸检测应用，=2，即是人脸或不是人脸两类；
Step2：假设已进行r-1次迭代运算，针对第r次迭代，所有采样按照最小距离原则分类为类：
式中为采样数据，为以为中心的分类；为第i类聚类中心，为第j类聚类中心，i，j为聚类序号。
Step3：计算新分类的中心：
式中为从属于分类的样本数量；
Step4：如果，聚类结束，否则跳转到step2。其中，为图像中求两点距离运算，为该幅图像中任意两点距离的最大值，为聚类相似度阈值，为人工可设置。
基于上述处理，将原一帧图像数据范围，缩小到k个聚类区域，有效减少后续处理的范围；同时，通过人工设置取不同的值，可调节该处理的迭代复杂度，从而调节处理时间。
在此基础上，针对人脸区域采用AAM方法，可快速准确定位人脸关键点，实现人脸局部部件分割。
3、采用深度神经网络权重动态计算方法进行人脸特征提取
深度神经网络（Deeply Neural Network，下文简称为DNN）是一种智能化的特征提取方法，将已知训练图像集输入该网络，部分处理及参数设置可通过训练生成并优化，因此能获得更佳的质量与效率。本发明采用的方法为，将人脸分割为左眉、右眉、左眼、右眼、鼻子、嘴、胡须、面部疤痕或胎记8种部件，对每一部件构造对应的DNN进行特征提取。针对多个DNN的综合问题，传统方法将多个网络输出结果求平均作为最终结果，当人脸各部件的特异程度有差别时，简单的平均不能更有效地体现人脸特征。创新地，本发明对各DNN输出结果进行动态加权综合，使人脸部件的特异性特征得到体现。其示意图2为：
针对本发明提出的动态联合深度神经网络，其主要创新点主要在于对多个单独DNN输出值的综合过程，该方法描述如下：
Step1：针对每一种单独DNN，输入对应人脸部件图像进行训练，建立该DNN；
Step2：将待处理人脸的部件图像输入已建立的对应DNN，令输出的识别结果为该部件类型的第类，该DNN输出值的权重为，且基于该DNN，第类标准类型的最终映射矢量为，待识别部件的最终映射矢量为，计算该DNN其待识别部件与分类结果的距离为：
Step3：计算该待处理人脸的整体识别模糊差异为：
Step4：采用拉格朗日最速下降法，计算该对应该人脸，各DNN输出结果的动态最佳权重为：
通过上述处理，实现对每个待处理人脸，动态地对其8个部件图像的DNN输出结果赋予权重。
4、基于深度神经网络动态联合进行人脸特异性比对
现有的人脸比对方法主要是将目标人脸直接与模板人脸进行比对，当二者源自不同的采集环境或经过不同的传输降质后，二者之间的整体特征常存在较大差异，从而影响比对结果。
本发明提出的创新方法为，在前述建立人脸部件对应的多个DNN基础上，将目标人脸和模板人脸部件分别输入DNN，输出两种人脸各局部部件分类的类型及权重，在此基础上，综合生成两种人脸的整体相似矢量，从而可计算其最终相似度，实现人脸搜索。该方法的处理示意图为图3：
具体步骤为：
Step1：将待处理人脸部件图像和模板人脸部件图像分别输入对应DNN，得到两种图像各部件的分类结果，及其各部件权值，并构造相似性矢量为：
其中，为前文所述人脸部件序号，分别为模板人脸某一部件经过DNN分类后的类别及其权值，分别为待处理人脸某一部件经过DNN分类后的类别及其权值；
Step2：计算未知人脸与模板的总相似度为：
其中为类别判断函数，其表达式为
Step3：判断总相似度的大小，如其大于某一预设阈值，该阈值大于0小于1，则认为待处理人脸与该模板人脸相似，返回搜索匹配结果。
本方法的优点在于：
(1) 完全基于视频本身进行处理，无需额外触发硬件，适用范围更广泛，智能化程度更高；
(2) 只针对连续n 帧关键帧的运动部分进行人脸检测和识别、搜索处理，有效降低处理资源，缩小处理范围，提高处理效率；
(3) 基于灰度图像的处理方法，使整个处理不受颜色影响；
(4) 结合动态聚类分析和AAM的方法进行人脸检测和分割，有效缩小处理范围，有利于提高整体处理速度；
(5) 基于局部特异性描述和提取人脸特征，而不是基于整张人脸的全局特征进行处理。人脸局部部件的特异特征比全局特征更鲜明和稳定，不易受表情和姿态影响；
(6) 依据局部部件的特异性程度，自动地调整权重，从而有助于体现人脸局部特征；
(7) 依据局部部件的特异性，将待处理人脸部件和模板人脸部件分类为若干特异类型，而非直接比对，减少了因成像来源不同引起的微观差异影响，而着重体现局部部件的宏观特征，有利于提高分类正确性；
(8) 基于动态加权的方法融合多个局部人脸部件分类结果，可有效体现局部部件特异性的强弱，使搜索结果更准确。
附图说明
图1整体处理流程图，
图2动态联合深度神经网络示意图，
图3人脸特异性比对示意图。
具体实施方式
面向基层治安、维稳及反恐的特异人脸搜索方法首先提取其中的运动帧，然后在运动帧中采用基于聚类分析的快速AAM方法检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件，再针对各部件基于动态联合深度神经网络提取其特征，最好并将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索。
具体步骤为：
1、针对运动帧的目标提取
对视频流或者视频文件进行运动分析，仅针对视频流中的连续n帧关键帧中发生了运动的部分，进行后续人脸检测和搜索处理，其中n 取3～5。具体流程为：
Step1：针对视频文件进行解码，提取连续n 帧关键帧；
Step2：针对连续n 帧关键帧，进行运动检测，提取运动部分；
Step3：针对提取到的运动部分进行后续检测、识别处理。
2、采用结合动态聚类分析和AAM方法实现人脸快速检测和分割
根据人脸区域内灰度变化缓慢的特点，针对检测到的运动区域，首先对图像灰度进行动态聚类分析，提取出灰度相近的若干区域；然后仅针对此类区域采用AAM方法检测和定位人脸。当检测到人脸时，AAM可同时实现人脸各部件的分割。
具体步骤如下：
(1) 动态聚类分析
Step1：初始化聚类中心
其中，为第1类聚类中心，为第类聚类中心；为聚类类型数量， 分别为各自迭代次数，针对人脸检测应用，=2，即是人脸或不是人脸两类；
Step2：假设已进行r-1次迭代运算，针对第r次迭代，所有采样按照最小距离原则分类为类：
式中为采样数据，为以为中心的分类；为第i类聚类中心，为第j类聚类中心，i，j为聚类序号。
Step3：计算新分类的中心：
式中为从属于分类的样本数量；
Step4：如果，聚类结束，否则跳转到step2。其中，为图像中求两点距离运算，为该幅图像中任意两点距离的最大值，为聚类相似度阈值，为人工可设置。
基于上述处理，将原一帧图像数据范围，缩小到k个聚类区域，有效减少后续处理的范围；同时，通过人工设置取不同的值，可调节该处理的迭代复杂度，从而调节处理时间
在此基础上，针对人脸区域采用AAM方法，可快速准确定位人脸关键点，实现人脸局部部件分割。
3、采用深度神经网络权重动态计算方法进行人脸特征提取
将人脸分割为左眉、右眉、左眼、右眼、鼻子、嘴、胡须、面部疤痕或胎记8种部件，对每一部件构造对应的DNN进行特征提取。对各DNN输出结果进行动态加权综合，使人脸部件的特异性特征得到体现。
具体步骤如下：
Step1：针对每一种单独DNN，输入对应人脸部件图像进行训练，建立该DNN；
Step2：将待处理人脸的部件图像 输入已建立的对应DNN，令输出的识别结果为该部件类型的第类，该DNN输出值的权重为，且基于该DNN，第类标准类型的最终映射矢量为，待识别部件的最终映射矢量为，计算该DNN其待识别部件与分类结果的距离为：
Step3：计算该待处理人脸的整体识别模糊差异为：
Step4：采用拉格朗日最速下降法，计算该对应该人脸，各DNN输出结果的动态最佳权重为：
通过上述处理，实现对每个待处理人脸，动态地对其8个部件图像的DNN输出结果赋予权重。
4、基于深度神经网络动态联合进行人脸特异性比对
在前述建立人脸部件对应的多个DNN基础上，将目标人脸和模板人脸部件分别输入DNN，输出两种人脸各局部部件分类的类型及权重，在此基础上，综合生成两种人脸的整体相似矢量，从而可计算其最终相似度，实现人脸搜索。
具体步骤为：
Step1：将待处理人脸部件图像和模板人脸部件图像分别输入对应DNN，得到两种图像各部件的分类结果，及其各部件权值，并构造相似性矢量为：
其中，为前文所述人脸部件序号，分别为模板人脸某一部件经过DNN分类后的类别及其权值，分别为待处理人脸某一部件经过DNN分类后的类别及其权值；
Step2：计算未知人脸与模板的总相似度为：
其中为类别判断函数，其表达式为
Step3：判断总相似度的大小，如其大于某一预设阈值，则认为待处理人脸与该模板人脸相似，返回搜索匹配结果。
Claims (5)
1.面向基层治安、维稳及反恐的特异人脸搜索方法，针对卡口、大门、通道重要场所的实时监视视频流或者视频存储文件进行处理，其特征在于，首先提取其中的运动帧；然后在运动帧中采用基于聚类分析的快速AAM即“Active Appearance Mode”方法检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件；接着针对各部件基于动态联合深度神经网络提取其特征；最后将该特征与目标人脸库进行比对，返回比对结果，实现搜索；具体步骤如下：
步骤一、针对运动帧的目标提取
对视频流或者视频文件进行运动分析，仅针对视频流中的连续n 帧关键帧中发生了运动的部分，进行后续人脸检测和搜索处理，其中n 取3～5；
步骤二、采用结合动态聚类分析和AAM即“Active Appearance Mode”方法实现人脸快速检测和分割
根据人脸区域内灰度变化缓慢的特点，针对检测到的运动区域，首先对图像灰度进行动态聚类分析，提取出灰度相近的若干区域；然后仅针对此类区域采用AAM即“ActiveAppearance Mode”方法检测和定位人脸，当检测到人脸时，AAM即“Active AppearanceMode”可同时实现人脸各部件的分割；
步骤三、采用深度神经网络权重动态计算方法进行人脸特征提取
将人脸分割为左眉、右眉、左眼、右眼、鼻子、嘴、胡须、面部疤痕或胎记8种部件，对每一部件构造对应的DNN即“Deeply Neural Network”进行特征提取，对各DNN输出结果进行动态加权综合，使人脸部件的特异性特征得到体现；
步骤四、基于深度神经网络动态联合进行人脸特异性比对
在已建立人脸部件对应的多个DNN即“Deeply Neural Network”基础上，将目标人脸和模板人脸部件分别输入DNN即“Deeply Neural Network”，输出两种人脸各局部部件分类的类型及权重，在此基础上，综合生成两种人脸的整体相似矢量，从而计算其最终相似度，实现人脸搜索。
2.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤一包括如下步骤：
Step1：针对视频文件进行解码，提取连续n帧关键帧；
Step2：针对连续n帧关键帧，进行运动检测，提取运动部分；
Step3：针对提取到的运动部分进行后续检测、识别处理。
3.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤二包括如下步骤：
(1) 动态聚类分析
Step2.1：初始化聚类中心
其中，为第1类聚类中心，为第类聚类中心；为聚类类型数量，分别为各自迭代次数，针对人脸检测应用，=2，即是人脸或不是人脸两类；
Step2.2：假设已进行r-1次迭代运算，针对第r次迭代，所有采样按照最小距离原则分类为类：
式中为采样数据，为以为中心的分类；为第i类聚类中心，为第j类聚类中心，i，j为聚类序号；
Step2.3：计算新分类的中心：
式中为从属于分类的样本数量；
Step2.4：如果，聚类结束，否则跳转到step2.2；
其中，为图像中求两点距离运算，为该幅图像中任意两点距离的最大值，为聚类相似度阈值，
基于上述处理，将原一帧图像数据范围，缩小到k个聚类区域，有效减少后续处理的范围；同时，通过人工设置取不同的值，可调节该处理的迭代复杂度，从而调节处理时间。
4.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤三包括如下步骤：
Step3.1：针对每一种单独DNN即“Deeply Neural Network”，输入对应人脸部件图像进行训练，建立该DNN即“Deeply Neural Network”；
Step3.2：将待处理人脸的部件图像输入已建立的对应DNN即“Deeply NeuralNetwork”，令输出的识别结果为该部件类型的第类，该DNN即“Deeply Neural Network”输出值的权重为，且基于该DNN即“Deeply Neural Network”，第类标准类型的最终映射矢量为，待识别部件的最终映射矢量为，计算该DNN即“Deeply Neural Network”其待识别部件与分类结果的距离为：
Step3.3：计算该待处理人脸的整体识别模糊差异为：
Step3.4：采用拉格朗日最速下降法，计算该对应该人脸，各DNN即“Deeply NeuralNetwork”输出结果的动态最佳权重为：
通过上述处理，实现对每个待处理人脸，动态地对其8个部件图像的DNN即“DeeplyNeural Network”输出结果赋予权重。
5.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤四包括如下步骤：
Step4.1：将待处理人脸部件图像和模板人脸部件图像分别输入对应DNN即“DeeplyNeural Network”，得到两种图像各部件的分类结果，及其各部件权值，并构造相似性矢量为：
其中，为前文所述人脸部件序号，分别为模板人脸某一部件经过DNN即“Deeply Neural Network”分类后的类别及其权值，分别为待处理人脸某一部件经过DNN即“Deeply Neural Network”分类后的类别及其权值；
Step4.2：计算未知人脸与模板的总相似度为：
其中为类别判断函数，其表达式为
Step4.3：判断总相似度的大小，如其大于某一预设阈值，则认为待处理人脸与该模板人脸相似，返回搜索匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410137540.4A CN103886305B (zh) | 2014-04-08 | 2014-04-08 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410137540.4A CN103886305B (zh) | 2014-04-08 | 2014-04-08 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103886305A CN103886305A (zh) | 2014-06-25 |
| CN103886305B true CN103886305B (zh) | 2017-01-25 |
Family
ID=50955188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410137540.4A Active CN103886305B (zh) | 2014-04-08 | 2014-04-08 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103886305B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6612855B2 (ja) | 2014-09-12 | 2019-11-27 | マイクロソフト テクノロジー ライセンシング，エルエルシー | 出力分布による生徒ｄｎｎの学習 |
| US11062228B2 (en) | 2015-07-06 | 2021-07-13 | Microsoft Technoiogy Licensing, LLC | Transfer learning techniques for disparate label sets |
| CN106446797B (zh) * | 2016-08-31 | 2019-05-07 | 腾讯科技（深圳）有限公司 | 图像聚类方法及装置 |
| CN108229493A (zh) * | 2017-04-10 | 2018-06-29 | 商汤集团有限公司 | 对象验证方法、装置和电子设备 |
| US10885900B2 (en) | 2017-08-11 | 2021-01-05 | Microsoft Technology Licensing, Llc | Domain adaptation in speech recognition via teacher-student learning |
| CN107945188A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的人物装扮方法及装置、计算设备 |
| CN108985153A (zh) * | 2018-06-05 | 2018-12-11 | 成都通甲优博科技有限责任公司 | 一种面部识别方法及装置 |
| CN109446890A (zh) * | 2018-09-11 | 2019-03-08 | 浙江大有集团有限公司 | 集体企业外包业务现场施工人员人脸识别装置 |
| TWI749870B (zh) * | 2020-04-08 | 2021-12-11 | 四零四科技股份有限公司 | 處理視訊內容分析的裝置 |
| US11386656B2 (en) | 2020-04-08 | 2022-07-12 | Moxa Inc. | Device and method of handling video content analysis |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
| CN102682291A (zh) * | 2012-05-07 | 2012-09-19 | 深圳市贝尔信智能系统有限公司 | 一种场景人数统计方法、装置和系统 |
| WO2013075295A1 (zh) * | 2011-11-23 | 2013-05-30 | 浙江晨鹰科技有限公司 | 低分辨率视频的服装识别方法及系统 |
-
2014
- 2014-04-08 CN CN201410137540.4A patent/CN103886305B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| WO2013075295A1 (zh) * | 2011-11-23 | 2013-05-30 | 浙江晨鹰科技有限公司 | 低分辨率视频的服装识别方法及系统 |
| CN102682291A (zh) * | 2012-05-07 | 2012-09-19 | 深圳市贝尔信智能系统有限公司 | 一种场景人数统计方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103886305A (zh) | 2014-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103886305B (zh) | 面向基层治安、维稳及反恐的特异人脸搜索方法 | |
| CN106650693B (zh) | 一种用于人脸比对的多特征融合识别算法 | |
| CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和系统 | |
| CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
| CN103839065B (zh) | 人群动态聚集特征提取方法 | |
| Zhang et al. | Tiny YOLO optimization oriented bus passenger object detection | |
| CN109117797A (zh) | 一种基于人脸质量评价的人脸抓拍识别方法 | |
| CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
| Arif et al. | Automated body parts estimation and detection using salient maps and Gaussian matrix model | |
| CN105574510A (zh) | 一种步态识别方法及装置 | |
| CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
| CN110188653A (zh) | 基于局部特征聚合编码和长短期记忆网络的行为识别方法 | |
| CN103632147A (zh) | 实现面部特征标准化语义描述的系统及方法 | |
| CN110348416A (zh) | 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法 | |
| CN103440645A (zh) | 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法 | |
| CN109902558A (zh) | 一种基于cnn-lstm的人体健康深度学习预测方法 | |
| Ma et al. | A region histogram of oriented optical flow (RHOOF) feature for apex frame spotting in micro-expression | |
| CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
| CN102254183A (zh) | 一种基于AdaBoost算法的人脸检测方法 | |
| CN103198330A (zh) | 基于深度视频流的实时人脸姿态估计方法 | |
| CN109711232A (zh) | 基于多目标函数的深度学习行人重识别方法 | |
| CN102142083A (zh) | 一种基于lda子空间学习的人脸识别方法 | |
| CN106845386B (zh) | 一种基于动态时间规整与多核学习的动作识别方法 | |
| CN110046601A (zh) | 针对十字路口场景的行人检测方法 | |
| CN111310587B (zh) | 一种基于渐弱运动轨迹图的步态特征表示和特征提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |