CN106874894A - 一种基于区域全卷积神经网络的人体目标检测方法 - Google Patents
一种基于区域全卷积神经网络的人体目标检测方法 Download PDFInfo
- Publication number
- CN106874894A CN106874894A CN201710193100.4A CN201710193100A CN106874894A CN 106874894 A CN106874894 A CN 106874894A CN 201710193100 A CN201710193100 A CN 201710193100A CN 106874894 A CN106874894 A CN 106874894A
- Authority
- CN
- China
- Prior art keywords
- human body
- body target
- candidate frame
- region
- frame
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000405217 Viola <butterfly> Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
Abstract
本发明公开了一种基于区域全卷积神经网络的人体目标检测方法,标定人体目标上半身即人体头肩模型位置为标定框,这样减少了人体目标被遮挡的概率,减小了漏检率;同时,设定不同的五个图像尺度进行转换,以及选用{0.8,1.2}两个不同比例的宽高比和{48,96,144,192,240}五个不同比例尺度作为生成anchors的规则,进一步减小了漏检率。此外,本发明还通过计算一幅人体目标图像各区域候选框损失值,并选取损失值最大前B区域候选框作为难例样本,其损失值反馈到区域全卷积神经网络模型中,使用随机梯度下降法更新区域全卷积神经网络模型的参数,以提高复杂场景下的人体目标检测的准确率,减少漏检率和误检率。
Description
技术领域
本发明属于计算机视觉、模式识别、机器学习等技术领域,更为具体地讲,涉及在监控场景下一种基于区域全卷积神经网络的人体目标检测方法。
背景技术
近年来,随着科技的进步,各个行业开始越来越关注安全问题。在银行、机场、地铁、车站、小区等重要区域以及公共场所,人们都安装了监控摄像头进行视频监控。这些监控摄像头一般都安装在较高的位置,以俯视的角度进行监控。而我们所说的监控场景即是指在这种情景下拍摄的监控画面。
一般情况下,人是监控场景的主体,对人体目标的跟踪和后续的行为识别分析严重依赖于人体目标检测的精度,因此如何在监控场景下准确检测人体目标已经成为学术界和工业界广泛关注的热点之一。
早期的研究者一般将人体目标检测问题分为两个步骤来解决,首先是基于手工设计的模型进行特征提取,然后基于目标特征设计分类器训练检测模型。比如,Viola和Jones将采用haar小波特征,结合adaboost级联分类器的VJ模型应用于人体目标检测中。具体算法原理参见:Viola P,Jones M J,Snow D.Detecting pedestrians using patterns ofmotion and appearance[C].Computer Vision,2003.Proceedings.Ninth IEEEInternational Conference on.IEEE,2003:734-741。Dalal N与Triggs B提出了一种基于梯度直方图(Histograms of Oriented Gradients,HOG)特征和支持向量机(SupportVector Machine,SVM)框架的人体目标检测方法,具体算法原理参见:Dalal N,TriggsB.Histograms of oriented gradients for human detection[C].Computer Vision andPattern Recognition,2005.CVPR 2005.IEEE Computer Society Conference on.IEEE,2005,1:886-893。这些方法在简单监控场景下对人体目标检测取得了较好的结果,但是对于复杂的监控场景下的人体目标检测结果还是不能满足我们的实际需求。
随着最近几年深度学习的兴起,基于深度学习的方法在图像分类领域取得了优异的成绩。很多研究者基于此也尝试将深度学习应用于目标检测领域。Ren,Shaoqing提出了一种快速区域卷积神经网络(Faster r-cnn)的方法,将人体目标检测问题分为三个阶段,首先是获取人体目标区域候选框,然后是使用卷积神经网络进行目标特征提取,最后目标特征进行分类训练得到模型。相较于传统的人体目标检测方法,提高了57%的检测准确率。具体算法原理可以参见文献:Ren,Shaoqing,et al."Faster r-cnn:Towards real-timeobject detection with region proposal networks."Advances in neuralinformation processing systems.2015。
随后,Jifeng Dai和Yi Li等提出了一种基于区域全卷积网络(R-FCN)的检测模型,具体算法原理可以参见文献[4]:Dai J,Li Y,He K,et al.R-FCN:Object Detectionvia Region-based Fully Convolutional Networks[J].2016。R-FCN方法使用了一种位置敏感得分图来处理图像检测中的平移变换性的问题,使得该网络可以基于整幅图片进行全卷积计算,这种方法可以有效的降低网络模型的训练时间和检测时间。同时该模型使用残差网络(ResNet)作为自己的特征提取模型。在通用的目标检测平台Pascal VOC上,相较于Faster r-cnn,R-FCN不仅提高了目标检测的准确率同时也降低了目标检测的时间。
虽然R-FCN方法在通用的目标检测以及人体目标检测方面取得了较好的检测结果,但也还存在着一些问题,比如当人体目标之间存在遮挡时,存在将两人检测为单人的情况,造成漏检,以及当人体目标尺度较小时,存在漏检等检测失败的情况。此外,对于一些复杂的监控场景中的人体目标,比如:背景复杂、人体目标数量较多、人体遮挡比较严重这样的监控场景,现有人体目标检测方法还存在着一定程度的漏检和误检。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于区域全卷积神经网络的人体目标检测方法,以进一步减少漏检率和误检率,提高检测准确率。
为实现上述发明目的,本发明基于区域全卷积神经网络的人体目标检测方法,其特征在于,包括以下步骤:
(1)、采集不同监控场景、不同角度的人体目标图像,然后对于每一张采集的人体目标图像,标定人体目标上半身的所在位置作为人体目标的标定框,标定了人体目标标定框的人体目标图像构成训练集;
人体目标图像不仅包含单一人体目标的简单场景,也包含一些遮挡较为严重,人员数量较多的复杂情景;
(2)、设置五个不同的图像尺度,对于训练集中的每一幅人体目标图像,随机选择一个图像尺度,将人体目标图像的短边缩放到该尺度下之后输入到残差网络(ResidualNetwork)进行卷积运算,得到卷积特征;
(3)、将卷积特征输入到区域候选网络(Region Proposal Network,简称RPN),生成区域候选框;其中,生成区域候选框时所需锚(anchors),选用{0.8,1.2}两个不同比例的宽高比和{48,96,144,192,240}五个不同比例尺度作为生成anchors的规则;
(4)、根据卷积特征、区域候选框,计算位置敏感得分图,得到区域候选框为正候选框的概率Si以及负候选框的概率Sj;同时,根据人体目标标定框,得到区域候选框的真实类别概率S;其中,区域候选框与真实的人体目标标定框的交并比大于等于0.5时,判定区域候选框为正候选框样本,真实类别概率S为1;当候选框与真实的人体目标标定框的交并比小于0.5时,判定区域候选框为负候选框样本,真实类别概率S为0;
(5)、采用区域候选框的交叉熵损失值作为区域候选框的分类损失值Lcls,其具体计算公式如下:
采用区域候选框的一阶平滑损失值作为区域候选框的回归损失值Lreg,其具体计算公式如下:
Lreg=smoothL1(x*-x)+smoothL1(y*-y)+smoothL1(w*-w)+smoothL1(h*-h) (2),
其中,x和y表示区域候选框的左上位置坐标,w和h分别表示区域候选框的宽和高,x*和y*表示真实的人体目标标定框的左上位置坐标,w*和h*分别表示真实的人体目标标定框的宽和高;
其中,一阶平滑函数smoothL1计算公式下:
其中,σ根据具体监控场景确定,一般取3.0,z为公式(2)中括号内的差值;
(6)、对于每一个区域候选框,计算出其损失值,其计算公式如下:
其中,λ是分类损失与回归损失之间的平衡因子,根据具体实施情况确定,通常取值为1;
(7)、对人体目标图像,根据步骤(4)、(5),得到每一个区域候选框计算损失值,将区域候选框损失值进行排序,选择损失值最大的前B个区域候选框作为难例样本,然后将这些难例样本的损失值,反馈到区域全卷积神经网络模型中,使用随机梯度下降法更新区域全卷积神经网络模型的参数;
(8)、对于每一幅人体目标图像,根据步骤(2)~(6)不断更新区域全卷积神经网络的参数,从而得到人体目标检测的区域全卷积神经网络模型,用于监控场景下采集的图像的人体目标检测。
本发明的目的是这样实现的。
本发明基于区域全卷积神经网络的人体目标检测方法,标定人体目标上半身即人体头肩模型位置为标定框,这样减少了人体目标被遮挡的概率,减小了漏检率;同时,设定不同的五个图像尺度进行转换,以及选用{0.8,1.2}两个不同比例的宽高比和{48,96,144,192,240}五个不同比例尺度作为生成anchors的规则,在几乎不降低检测时间的情况下,对不同尺寸的人体目标均有较好的检测效果,也进一步减小了漏检率。此外,本发明还通过计算一幅人体目标图像各区域候选框损失值,并选取损失值最大前B区域候选框作为难例样本,其损失值反馈到区域全卷积神经网络模型中,使用随机梯度下降法更新区域全卷积神经网络模型的参数,以提高复杂场景下的人体目标检测的准确率,减少漏检率和误检率。
附图说明
图1是本发明基于区域全卷积神经网络的人体目标检测方法一种具体实施下的原理框图;
图2是本发明监控场景下基于人体目标全身标定与基于Omega(人体目标上半身)标定的图像对比图,其中,(a)为监控场景下人体目标图像;(b)为人体目标全身标定的图像;(c)为基于人体目标上半身标定的图像;
图3是本发明与R-FCN在不同残差模型下的FPPI-MR图;
图4是本发明与R-FCN分别在实际场景中的检测效果图,其中,(a)为监控场景下的人体目标图像,(b)为使用R-FCN方法得到的对应检测结果,(c)为使用本发明得到的对应检测结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于区域全卷积神经网络的人体目标检测方法一种具体实施下的原理框图。
在本实施例中,如图1所示,本发明基于区域全卷积神经网络的人体目标检测方法包括以下步骤:
1、人体目标标定
对于监控场景下的图像,如图1(a)所示,可以明显看出,当人体目标较多时,人体的下半身很容易被遮挡。在人体目标检测的问题中,人们一般将人体目标的全身图像作为人体目标的表征图像,如图1(b)所示。但是在监控场景下,人体目标的下半身图像很容易被遮挡,这样使得两个目标框之间存在着大量的重合。同时,采用这样的标定数据进行训练的网络很难把两个目标分开。为了降低人体目标在监控场景下被遮挡的概率,本发明采用基于人体头肩模型的人体目标上半身标定的图像作为人体目标的表征图像,如图1(c)中所示,从图1中可以看出,同样的监控场景下,基于人体上半身标定的目标框(标定框)之间具有更少的重叠,同时基于人体上半身标定的训练集也更容易让网络学习。这样让网络学习人体目标的上半身特征,这样可以解决监控场景下存在的遮挡问题,在一定程度上可以较少人体目标的漏检。
在本实施例中,我们采用包含人体目标的14422张图像作为实验所用的数据集,该数据集包含不同监控场景、不同角度的人体目标图像,其中不仅包含单一人体目标的简单场景,也包含一些遮挡较为严重,人员数量较多的复杂情景。对于每一张人体目标图像,我们标定人体目标上半身的所在位置作为人体目标的标定框。同时,将该数据集中的8653张图像作为训练集,将剩余的5769张图像作为测试集验证本发明。
2、图像尺度选择
对于监控场景下人体目标检测存在多图像尺度检测的问题。本发明提出了一种多尺度训练的算法去解决人体目标检测中存在的多尺图像度检测问题。在本发明中,在训练网络输入图像时,不同于常规的单一尺度的图像输入,本发明预先设置了五个图像尺度。随机选择一个图像尺度将训练图像转换到该尺度之后输入到残差网络(Residual Network)进行卷积运算,得到卷积特征。
本发明,设置了五个不同的图像尺度{200,400,600,800,1000},随机选择一个图像尺度,将输入图像即标定后的人体目标图像的短边缩放到该图像尺度下之后输入网络进行训练。图像尺度指的像素点数。
3、生成区域候选框
在本发明中,区域候选网络(region proposal network,RPN)生成候选框时,采用多个不同的尺度比和长宽比来生成anchors。对于生成anchors的规则,不同于通用物体检测时生成anchors的规则,本方法基于人体上半身图像的大小以及长宽比的范围,采用可以更容易训练提取人体目标候选框的生成规则,具体为:
将卷积特征输入到区域候选网络(Region Proposal Network,简称RPN),生成区域候选框;其中,生成区域候选框时所需锚(anchors),选用{0.8,1.2}两个不同比例的宽高比和{48,96,144,192,240}五个不同比例尺度作为生成anchors的规则。
4、计算位置敏感得分图
对于一些背景单一、人员数量较少、人体目标较为完整等一些简单监控场景下的人体目标,当下的人体目标检测方法已经取得了令人满意的检测结果。但是对于一些复杂的监控场景中的人体目标,比如:背景复杂、人体目标数量较多、人体遮挡比较严重这样的监控场景,现有的方法还存在着一定程度的漏检和误检。对于这些复杂的监控场景,本发明提出了一种难例挖掘算法来提高对复杂监控场景下难以检测到的人体目标检测能力。难例挖掘算法通过计算每一个区域候选框的损失值,然后对区域候选框进行排序,筛选前B个区域候选框作为难例样本。最后根据难例样本的损失值,反馈给网络,更新模型参数,这样可以使得训练过程更加的高效。
为此,在本发明中,首先根据卷积特征、区域候选框,计算位置敏感得分图,得到区域候选框为正候选框的概率Si以及负候选框的概率Sj;同时,根据人体目标标定框,得到区域候选框的真实类别概率S;其中,区域候选框与真实的人体目标标定框的交并比大于等于0.5时,判定区域候选框为正候选框样本,真实类别概率S为1;当候选框与真实的人体目标标定框的交并比小于0.5时,判定区域候选框为负候选框样本,真实类别概率S为0。
5、计算区域候选框的分类损失值和回归损失值
本发明中,采用区域候选框的交叉熵损失值作为区域候选框的分类损失值Lcls,其具体计算公式如下:
采用区域候选框的一阶平滑损失值作为区域候选框的回归损失值Lreg,其具体计算公式如下:
Lreg=smoothL1(x*-x)+smoothL1(y*-y)+smoothL1(w*-w)+smoothL1(h*-h) (2),
其中,x和y表示区域候选框的左上位置坐标,w和h分别表示区域候选框的宽和高,x*和y*表示真实的人体目标标定框的左上位置坐标,w*和h*分别表示真实的人体目标标定框的宽和高;
其中,一阶平滑函数smoothL1计算公式下:
其中,σ根据具体监控场景确定,一般取3.0,z为公式(2)中括号内的差值。
6、对于每一个区域候选框,计算出其损失值,其计算公式如下:
其中,λ是分类损失与回归损失之间的平衡因子,根据具体实施情况确定,通常取值为1。
7、对人体目标图像,根据步骤(4)、(5),得到每一个区域候选框计算损失值,将区域候选框损失值进行排序,选择损失值最大的前B个区域候选框作为难例样本,然后将这些难例样本的损失值,反馈到区域全卷积神经网络模型中,使用随机梯度下降法更新区域全卷积神经网络模型的参数。
8、对于每一幅人体目标图像,根据步骤(2)~(6)不断更新区域全卷积神经网络的参数,从而得到人体目标检测的区域全卷积神经网络模型,用于监控场景下采集的图像的人体目标检测。
为了验证本发明的有效性,我们首先使用自己制作的数据集进行模型的训练,然后基于采集的复杂场景下的监控场景人体目标图像进行人体目标检测效果的对比验证。在本实施例中,采用在图像邻域常用的深度学习框架caffe进行训练和测试,同时分别使用基于ImageNet图像数据集训练得到的ResNet-50和ResNet-101两个残差网络模型作为预训练模型。
对于网络模型的其它参数,我们设置学习率为0.001,每迭代20000次,学习率缩小10倍,总的迭代次数为40000次。动量设置为0.9,权重衰减项设置为0.0005。在训练阶段,每一次迭代输入两张图片。
我们采用在人体目标检测方法中较为通用的FPPI-MR图作为算法优劣的判别标准,FPPI(False Positive Per Image)指的是一个序列或数据集中所有图像的平均检测错误目标数,这里的错误目标指的是被分类器错误判别为目标的非人体目标图像,MR(MissRate)指的是一个序列或数据集中平均每一帧图像中,正确但没有被检测出来的目标数量。而对于检测框的判定,当检测框和真实标定框的交并比大于等于0.5时,即认为检测到了目标,否则判定为未检测到目标。
在此分别使用残差网络ResNet-50和ResNet-101两种模型进行训练。同时,基于在实际监控场景中采集的图像,本发明分别与基于R-FCN方法训练的网络模型进行人体目标检测效果的对比。对比实验得到的FPPI-MR图如图3所示。可以看出基于同样的预训练网络模型,本发明相对于R-FCN方法对人体目标具有更好的检测效果。图4是本方法与R-FCN方法在实际检测中某一帧的检测效果对比图。图4(a)为监控场景下的原始图像,图4(b)所示的是使用R-FCN方法得到的对应检测结果,图4(c)所示的是使用本发明得到的对应检测结果。同样也可以看出本发明对于遮挡情况下的人体目标具有较好的检测效果,而且,对于复杂的监控场景下,本发明也具有更少的漏检。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于区域全卷积神经网络的人体目标检测方法,其特征在于,包括以下步骤:
(1)、采集不同监控场景、不同角度的人体目标图像,然后对于每一张采集的人体目标图像,标定人体目标上半身的所在位置作为人体目标的标定框,标定了人体目标标定框的人体目标图像构成训练;
人体目标图像不仅包含单一人体目标的简单场景,也包含一些遮挡较为严重,人员数量较多的复杂情景;
(2)、设置五个不同的图像尺度,对于训练集中的每一幅人体目标图像,随机选择一个图像尺度,将人体目标图像的短边缩放到该尺度下之后输入到残差网络(ResidualNetwork)进行卷积运算,得到卷积特征;
(3)、将卷积特征输入到区域候选网络(Region Proposal Network,简称RPN),生成区域候选框;其中,生成区域候选框时所需锚(anchors),选用{0.8,1.2}两个不同比例的宽高比和{48,96,144,192,240}五个不同比例尺度作为生成anchors的规则;
(4)、根据卷积特征、区域候选框,计算位置敏感得分图,得到区域候选框为正候选框的概率Si以及负候选框的概率Sj;同时,根据人体目标标定框,得到区域候选框的真实类别概率S;其中,区域候选框与真实的人体目标标定框的交并比大于等于0.5时,判定区域候选框为正候选框样本,真实类别概率S为1;当候选框与真实的人体目标标定框的交并比小于0.5时,判定区域候选框为负候选框样本,真实类别概率S为0;
(5)、采用区域候选框的交叉熵损失值作为区域候选框的分类损失值Lcls,其具体计算公式如下:
采用区域候选框的一阶平滑损失值作为区域候选框的回归损失值Lreg,其具体计算公式如下:
Lreg=smoothL1(x*-x)+smoothL1(y*-y)+smoothL1(w*-w)+smoothL1(h*-h) (2),
其中,x和y表示区域候选框的左上位置坐标,w和h分别表示区域候选框的宽和高,x*和y*表示真实的人体目标标定框的左上位置坐标;
其中,一阶平滑函数smoothL1计算公式下:
其中,σ根据具体监控场景确定,一般取3.0,z为公式(2)中括号内的差值;
(6)、对于每一个区域候选框,计算出其损失值,其计算公式如下:
其中,λ是分类损失与回归损失之间的平衡因子;
(6)、对人体目标图像,根据步骤(4)、(5),得到每一个区域候选框计算损失值,将区域候选框损失值进行排序,选择损失值最大的前B个区域候选框作为难例样本,然后将这些难例样本的损失值,反馈到区域全卷积神经网络模型中,使用随机梯度下降法更新区域全卷积神经网络模型的参数;
(7)、对于每一幅人体目标图像,根据步骤(2)~(6)不断更新区域全卷积神经网络的参数,从而得到人体目标检测的区域全卷积神经网络模型,用于监控场景下采集的图像的人体目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710193100.4A CN106874894B (zh) | 2017-03-28 | 2017-03-28 | 一种基于区域全卷积神经网络的人体目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710193100.4A CN106874894B (zh) | 2017-03-28 | 2017-03-28 | 一种基于区域全卷积神经网络的人体目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874894A true CN106874894A (zh) | 2017-06-20 |
CN106874894B CN106874894B (zh) | 2020-04-14 |
Family
ID=59160389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710193100.4A Expired - Fee Related CN106874894B (zh) | 2017-03-28 | 2017-03-28 | 一种基于区域全卷积神经网络的人体目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874894B (zh) |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273933A (zh) * | 2017-06-27 | 2017-10-20 | 北京飞搜科技有限公司 | 一种图像追踪分类器的构建方法及应用其的人脸追踪方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积分裂网络的目标检测方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107463954A (zh) * | 2017-07-21 | 2017-12-12 | 华中科技大学 | 一种模糊异谱图像的模板匹配识别方法 |
CN107665498A (zh) * | 2017-08-29 | 2018-02-06 | 北京航空航天大学 | 基于典型示例挖掘的全卷积网络飞机检测方法 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及系统 |
CN107689053A (zh) * | 2017-07-31 | 2018-02-13 | 温州大学 | 一种基于标签传播和排序约束的目标跟踪方法 |
CN107886098A (zh) * | 2017-10-25 | 2018-04-06 | 昆明理工大学 | 一种基于深度学习的识别太阳黑子的方法 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
CN108090417A (zh) * | 2017-11-27 | 2018-05-29 | 上海交通大学 | 一种基于卷积神经网络的人脸检测方法 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
CN108154110A (zh) * | 2017-12-22 | 2018-06-12 | 任俊芬 | 一种基于深度学习人头检测的密集人流量统计方法 |
CN108230421A (zh) * | 2017-09-19 | 2018-06-29 | 北京市商汤科技开发有限公司 | 一种道路图生成方法、装置、电子设备和计算机存储介质 |
CN108256481A (zh) * | 2018-01-18 | 2018-07-06 | 中科视拓(北京)科技有限公司 | 一种利用身体上下文的行人头部检测方法 |
CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
CN108446662A (zh) * | 2018-04-02 | 2018-08-24 | 电子科技大学 | 一种基于语义分割信息的行人检测方法 |
CN108460329A (zh) * | 2018-01-15 | 2018-08-28 | 任俊芬 | 一种基于深度学习检测的人脸手势配合验证方法 |
CN108495061A (zh) * | 2018-03-15 | 2018-09-04 | 深圳市瀚晖威视科技有限公司 | 视频报警系统及利用该视频报警系统进行报警的方法 |
CN108681718A (zh) * | 2018-05-20 | 2018-10-19 | 北京工业大学 | 一种无人机低空目标精准检测识别方法 |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
CN108805016A (zh) * | 2018-04-27 | 2018-11-13 | 新智数字科技有限公司 | 一种头肩区域检测方法及装置 |
CN108830205A (zh) * | 2018-06-04 | 2018-11-16 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
CN109087329A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 基于深度网络的人体三维关节点估计框架及其定位方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109190458A (zh) * | 2018-07-20 | 2019-01-11 | 华南理工大学 | 一种基于深度学习的小人头检测方法 |
CN109214275A (zh) * | 2018-07-19 | 2019-01-15 | 中国科学院信息工程研究所 | 一种基于深度学习的低俗图片识别方法 |
CN109559300A (zh) * | 2018-11-19 | 2019-04-02 | 上海商汤智能科技有限公司 | 图像处理方法、电子设备及计算机可读存储介质 |
CN109871826A (zh) * | 2019-03-14 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 信息展示方法、装置、计算机可读存储介质和计算机设备 |
CN109919012A (zh) * | 2019-01-28 | 2019-06-21 | 北控水务(中国)投资有限公司 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
WO2019128254A1 (zh) * | 2017-12-26 | 2019-07-04 | 浙江宇视科技有限公司 | 图像分析方法、装置、电子设备及可读存储介质 |
CN110059672A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法 |
CN110111370A (zh) * | 2019-05-15 | 2019-08-09 | 重庆大学 | 一种基于tld和深度多尺度时空特征的视觉物体跟踪方法 |
CN110119737A (zh) * | 2018-02-07 | 2019-08-13 | 高德软件有限公司 | 一种目标检测方法及装置 |
CN110163106A (zh) * | 2019-04-19 | 2019-08-23 | 中国科学院计算技术研究所 | 一体式纹身检测与识别方法和系统 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110348437A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习与遮挡感知的目标检测方法 |
CN110443241A (zh) * | 2019-07-29 | 2019-11-12 | 北京迈格威科技有限公司 | 车牌识别模型训练方法、车牌识别方法及装置 |
CN110458087A (zh) * | 2019-08-07 | 2019-11-15 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习的患者问题部位标注方法 |
CN111027413A (zh) * | 2019-11-20 | 2020-04-17 | 佛山缔乐视觉科技有限公司 | 远距离多工位物体检测方法、系统及存储介质 |
CN111488766A (zh) * | 2019-01-28 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 目标检测方法和装置 |
WO2020155828A1 (zh) * | 2019-02-01 | 2020-08-06 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111738164A (zh) * | 2020-06-24 | 2020-10-02 | 广西计算中心有限责任公司 | 一种基于深度学习的行人检测方法 |
CN112639872A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种目标检测中难例挖掘的方法及装置 |
CN113111681A (zh) * | 2020-01-09 | 2021-07-13 | 北京君正集成电路股份有限公司 | 一种降低人形上半身检测误报的方法 |
CN113205067A (zh) * | 2021-05-26 | 2021-08-03 | 北京京东乾石科技有限公司 | 作业人员监控方法、装置、电子设备和存储介质 |
CN113111681B (zh) * | 2020-01-09 | 2024-05-03 | 北京君正集成电路股份有限公司 | 一种降低人形上半身检测误报的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
-
2017
- 2017-03-28 CN CN201710193100.4A patent/CN106874894B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
Non-Patent Citations (3)
Title |
---|
JIFENG DAI ET AL.: "R-FCN: Object Detection via Region-based Fully Convolutional Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
SHAOQING REN ET AL.: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
蔡师膑: "基于Omega形状特征的人体目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273933A (zh) * | 2017-06-27 | 2017-10-20 | 北京飞搜科技有限公司 | 一种图像追踪分类器的构建方法及应用其的人脸追踪方法 |
CN107463954A (zh) * | 2017-07-21 | 2017-12-12 | 华中科技大学 | 一种模糊异谱图像的模板匹配识别方法 |
CN107463954B (zh) * | 2017-07-21 | 2019-10-25 | 华中科技大学 | 一种模糊异谱图像的模板匹配识别方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积分裂网络的目标检测方法 |
CN107392214B (zh) * | 2017-07-26 | 2020-10-09 | 成都快眼科技有限公司 | 一种基于全卷积分裂网络的目标检测方法 |
CN107689053A (zh) * | 2017-07-31 | 2018-02-13 | 温州大学 | 一种基于标签传播和排序约束的目标跟踪方法 |
CN107689053B (zh) * | 2017-07-31 | 2021-06-04 | 温州大学 | 一种基于标签传播和排序约束的目标跟踪方法 |
CN107665498A (zh) * | 2017-08-29 | 2018-02-06 | 北京航空航天大学 | 基于典型示例挖掘的全卷积网络飞机检测方法 |
CN107665498B (zh) * | 2017-08-29 | 2021-07-20 | 北京航空航天大学 | 基于典型示例挖掘的全卷积网络飞机检测方法 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及系统 |
CN108230421A (zh) * | 2017-09-19 | 2018-06-29 | 北京市商汤科技开发有限公司 | 一种道路图生成方法、装置、电子设备和计算机存储介质 |
US11354893B2 (en) | 2017-09-19 | 2022-06-07 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for generating road map, electronic device, and computer storage medium |
CN107886098A (zh) * | 2017-10-25 | 2018-04-06 | 昆明理工大学 | 一种基于深度学习的识别太阳黑子的方法 |
CN107944442B (zh) * | 2017-11-09 | 2019-08-13 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
CN108090417A (zh) * | 2017-11-27 | 2018-05-29 | 上海交通大学 | 一种基于卷积神经网络的人脸检测方法 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108009515B (zh) * | 2017-12-14 | 2022-04-22 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
CN108154110A (zh) * | 2017-12-22 | 2018-06-12 | 任俊芬 | 一种基于深度学习人头检测的密集人流量统计方法 |
CN108154110B (zh) * | 2017-12-22 | 2022-01-11 | 任俊芬 | 一种基于深度学习人头检测的密集人流量统计方法 |
WO2019128254A1 (zh) * | 2017-12-26 | 2019-07-04 | 浙江宇视科技有限公司 | 图像分析方法、装置、电子设备及可读存储介质 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
CN108460329B (zh) * | 2018-01-15 | 2022-02-11 | 任俊芬 | 一种基于深度学习检测的人脸手势配合验证方法 |
CN108460329A (zh) * | 2018-01-15 | 2018-08-28 | 任俊芬 | 一种基于深度学习检测的人脸手势配合验证方法 |
CN108256481A (zh) * | 2018-01-18 | 2018-07-06 | 中科视拓(北京)科技有限公司 | 一种利用身体上下文的行人头部检测方法 |
CN110119737A (zh) * | 2018-02-07 | 2019-08-13 | 高德软件有限公司 | 一种目标检测方法及装置 |
CN108495061A (zh) * | 2018-03-15 | 2018-09-04 | 深圳市瀚晖威视科技有限公司 | 视频报警系统及利用该视频报警系统进行报警的方法 |
CN108446662A (zh) * | 2018-04-02 | 2018-08-24 | 电子科技大学 | 一种基于语义分割信息的行人检测方法 |
CN108805016B (zh) * | 2018-04-27 | 2022-02-08 | 新智数字科技有限公司 | 一种头肩区域检测方法及装置 |
CN108805016A (zh) * | 2018-04-27 | 2018-11-13 | 新智数字科技有限公司 | 一种头肩区域检测方法及装置 |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
US11250591B2 (en) | 2018-05-09 | 2022-02-15 | Beijing Kuangshi Technology Co., Ltd. | Target detection method, system, and non-volatile storage medium |
CN108681718B (zh) * | 2018-05-20 | 2021-08-06 | 北京工业大学 | 一种无人机低空目标精准检测识别方法 |
CN108681718A (zh) * | 2018-05-20 | 2018-10-19 | 北京工业大学 | 一种无人机低空目标精准检测识别方法 |
WO2019232836A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
CN108830205B (zh) * | 2018-06-04 | 2019-06-14 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
CN108830205A (zh) * | 2018-06-04 | 2018-11-16 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
US10977521B2 (en) | 2018-06-04 | 2021-04-13 | Jiangnan University | Multi-scale aware pedestrian detection method based on improved full convolutional network |
CN109214275B (zh) * | 2018-07-19 | 2022-04-15 | 中国科学院信息工程研究所 | 一种基于深度学习的低俗图片识别方法 |
CN109214275A (zh) * | 2018-07-19 | 2019-01-15 | 中国科学院信息工程研究所 | 一种基于深度学习的低俗图片识别方法 |
CN109190458A (zh) * | 2018-07-20 | 2019-01-11 | 华南理工大学 | 一种基于深度学习的小人头检测方法 |
CN109087329A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 基于深度网络的人体三维关节点估计框架及其定位方法 |
CN109087329B (zh) * | 2018-07-27 | 2021-10-15 | 中山大学 | 基于深度网络的人体三维关节点估计框架及其定位方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109559300A (zh) * | 2018-11-19 | 2019-04-02 | 上海商汤智能科技有限公司 | 图像处理方法、电子设备及计算机可读存储介质 |
CN109919012A (zh) * | 2019-01-28 | 2019-06-21 | 北控水务(中国)投资有限公司 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
CN111488766A (zh) * | 2019-01-28 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 目标检测方法和装置 |
WO2020155828A1 (zh) * | 2019-02-01 | 2020-08-06 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
TWI728621B (zh) * | 2019-02-01 | 2021-05-21 | 大陸商北京市商湯科技開發有限公司 | 圖像處理方法及其裝置、電子設備、電腦可讀儲存媒體和電腦程式 |
CN109871826A (zh) * | 2019-03-14 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 信息展示方法、装置、计算机可读存储介质和计算机设备 |
CN110163106A (zh) * | 2019-04-19 | 2019-08-23 | 中国科学院计算技术研究所 | 一体式纹身检测与识别方法和系统 |
CN110059672B (zh) * | 2019-04-30 | 2022-06-14 | 福州大学 | 一种对显微镜细胞图像检测模型进行增类学习的方法 |
CN110059672A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法 |
CN110111370B (zh) * | 2019-05-15 | 2023-05-30 | 重庆大学 | 一种基于tld和深度多尺度时空特征的视觉物体跟踪方法 |
CN110111370A (zh) * | 2019-05-15 | 2019-08-09 | 重庆大学 | 一种基于tld和深度多尺度时空特征的视觉物体跟踪方法 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110348437A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习与遮挡感知的目标检测方法 |
CN110443241A (zh) * | 2019-07-29 | 2019-11-12 | 北京迈格威科技有限公司 | 车牌识别模型训练方法、车牌识别方法及装置 |
CN110458087B (zh) * | 2019-08-07 | 2022-03-11 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习的患者问题部位标注方法 |
CN110458087A (zh) * | 2019-08-07 | 2019-11-15 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习的患者问题部位标注方法 |
CN111027413A (zh) * | 2019-11-20 | 2020-04-17 | 佛山缔乐视觉科技有限公司 | 远距离多工位物体检测方法、系统及存储介质 |
CN113111681A (zh) * | 2020-01-09 | 2021-07-13 | 北京君正集成电路股份有限公司 | 一种降低人形上半身检测误报的方法 |
CN113111681B (zh) * | 2020-01-09 | 2024-05-03 | 北京君正集成电路股份有限公司 | 一种降低人形上半身检测误报的方法 |
CN112639872A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种目标检测中难例挖掘的方法及装置 |
CN111738164B (zh) * | 2020-06-24 | 2021-02-26 | 广西计算中心有限责任公司 | 一种基于深度学习的行人检测方法 |
CN111738164A (zh) * | 2020-06-24 | 2020-10-02 | 广西计算中心有限责任公司 | 一种基于深度学习的行人检测方法 |
CN113205067A (zh) * | 2021-05-26 | 2021-08-03 | 北京京东乾石科技有限公司 | 作业人员监控方法、装置、电子设备和存储介质 |
CN113205067B (zh) * | 2021-05-26 | 2024-04-09 | 北京京东乾石科技有限公司 | 作业人员监控方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106874894B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874894A (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN110263774B (zh) | 一种人脸检测方法 | |
CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
US7986828B2 (en) | People detection in video and image data | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN110188720A (zh) | 一种基于卷积神经网络的目标检测方法及系统 | |
CN103390164B (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
CN102803991B (zh) | 物体检测设备 | |
CN107909027A (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN109934115A (zh) | 人脸识别模型的构建方法、人脸识别方法及电子设备 | |
CN109117876A (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
CN106164980A (zh) | 信息处理装置以及信息处理方法 | |
JP2014093023A (ja) | 物体検出装置、物体検出方法及びプログラム | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
CN108805016A (zh) | 一种头肩区域检测方法及装置 | |
CN107657244A (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
Zakaria et al. | Face detection using combination of Neural Network and Adaboost | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN109034134A (zh) | 基于多任务深度卷积神经网络的异常驾驶行为检测方法 | |
CN110458005A (zh) | 一种基于多任务渐进配准网络的旋转不变人脸检测方法 | |
Elihos et al. | Comparison of image classification and object detection for passenger seat belt violation detection using NIR & RGB surveillance camera images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200414 |
|
CF01 | Termination of patent right due to non-payment of annual fee |