CN107358646A - 一种基于机器视觉的疲劳检测系统及方法 - Google Patents
一种基于机器视觉的疲劳检测系统及方法 Download PDFInfo
- Publication number
- CN107358646A CN107358646A CN201710469455.1A CN201710469455A CN107358646A CN 107358646 A CN107358646 A CN 107358646A CN 201710469455 A CN201710469455 A CN 201710469455A CN 107358646 A CN107358646 A CN 107358646A
- Authority
- CN
- China
- Prior art keywords
- micro
- expression
- fatigue
- face
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于机器视觉的疲劳检测系统及方法,本发明根据人在疲劳状态下所发出的微小信号在人脸微表情上的体现,通过实时跟踪捕捉人脸微表情,将捕捉到的微表情与预先建立的人脸微表情模型进行匹配,通过分析匹配度提取疲劳判定参数F,同时结合心率变异性分析,以一定的权重将二者融合得出最终的疲劳等级,最大程度消除可能存在的误差,精确判断出人体当前所处疲劳状态。其操作简单,成本较低,即使是细微的疲劳信号也能精确捕捉,对提高工作效率,减少事故的发生以及保护人体健康,避免积劳成疾都有很大的作用。
Description
技术领域
本发明属于图像处理技术领域,涉及到人体微表情的检测,具体涉及一种基于机器视觉的疲劳检测系统及方法。
背景技术
随着经济与科技的高速发展,人们的生活节奏不断加快,长时间连续不间断的学习或工作模式俨然成了现如今人们的生活常态,这种快节奏的生活方式在促进社会发展和人类进步的同时,也无可避免地带来了一些副作用。事实上,人的生理承受能力是有限的,长时间不间断地工作会使人的生理机能下降,使人体产生疲劳感。在疲劳状态下工作或学习会使得人的注意力难以高度集中,导致学习或工作效率下降,甚至某些情景下还可能引发意外事故。同时,长此以往对人体的健康也有较大的危害。但是人们在投入工作时,往往会忽视身体所发出的细微的疲劳信号,只有在人体极度疲劳的情况下才会停止工作。而目前的技术大多也仅限于捕捉人体疲劳特征表现得较为明显时所给出的疲劳信号。因此,能够准确而直观地捕捉到人体所发出的微小的疲劳信号就成了当前社会所急需解决的问题。
目前对人体疲劳检测有较多的方法,按类别主要可分为基于被测者生理信号的检测和生理反应特征的检测等。基于生理信号(脑电信号、心电信号等)判别疲劳的准确性较高,且能捕捉到相对较为细微的信号,一定程度上能满足对人体疲劳检测的要求,但传统的接触式生理信号采集方式为实际应用带来了很多不便,具有明显的局限性;基于人的生理反应特征的疲劳判别方法是指利用人的眼睛特性、嘴部运动特征等推断被测者的疲劳状态,这些信息被认为是反映疲劳的重要特征,眨眼幅度、眨眼频率、平均闭合时间和打哈欠的动作等都可直接用于检测疲劳,但通常是在人深度疲劳状态下才能给出较为准确的判断结果。不能满足对于检测轻度疲劳状态的要求。
近年来,随着国内外对于微表情的深入研究,微表情识别逐渐应用于各个领域,这也为捕捉人体细微的疲劳信号带来了可行性,本发明通过对微表情的识别来检测人体疲劳程度。
发明内容
根据以上现有技术的不足,本发明所要解决的技术问题是提出一种基于机器视觉的疲劳检测系统及方法,通过通过人脸微表情检测,并结合心率变异性分析,综合得出人体的不同疲劳状态。
为了解决上述技术问题,本发明采用的技术方案为:一种基于机器视觉的疲劳检测系统,包括微表情模型建立单元、图像获取单元、图像处理单元、特征模型匹配单元、心率变异性分析单元和融合处理单元,微表情模型建立单元建立人脸在不同疲劳程度下的微表情模型,图像获取单元实时采集人脸面部图像并传递给图像处理单元和心率变异性分析单元;图像处理单元提取人脸微表情变化,建立人脸虚拟微表情模型;特征模型匹配单元将得到的实时虚拟微表情模型与预先建立的微表情疲劳模型进行匹配,根据匹配结果提取匹配度E作为疲劳判定参数;心率变异性分析单元提取人脸微表情变化获得心率,根据心率与心率变异性之间的指数衰减型关系得到心率变异性HRV,作为疲劳判定参数;融合处理单元将疲劳判定参数E和HRV以一定的权重a和b进行融合,得到被测者疲劳状态信息,输出被测者疲劳程度。
一种基于机器视觉的疲劳检测方法,包括如下步骤:
A、采集在不同疲劳程度下的微表情模型为样本;
B、对模型中主要特征进行STIP时空特征点检测分析后,建立特征统计模型,即特征点变化程度的参数描述;
C、将获取到的特征点及局部微小的移动变量进行三维处理,引入空间和时间尺度值,定点计算、捕捉时空域特征点,并根据特征点的数据建立三维虚拟人脸模型;
D、实时捕捉人脸图像,提取人脸微表情变化,建立人脸虚拟微表情模型,并与预先建立的样本标准模型匹配得到匹配度E,作为疲劳判定参数;
E、分析微表情变化得到被测者心率数值,从而得到心率变异性数值HRV;
F、将匹配度E与心率变异性数值HRV进行权重融合,最终给出被测者疲劳程度。
作为一种优选实施方式,所述步骤B具体为:
在人脸图像中标定坐标点(x1,y1)、(x2,y2)、(x3,y3)、…、(xn,yn),用坐标点来定义特征的形状,将图像窗口平移[m,n]个单位,此时图像产生灰度变化:
其中,h(x,y)是图像窗口函数,I(x+m,y+n)是平移后的图像灰度图,I(x,y)是灰度图,其中E为平移后产生的图像灰度变化函数,
对于局部微小的移动变量[m,n]有:
作为一种优选实施方式,所述坐标点设置有116点,面部外部轮廓27个点,眉目10个点,眼睛12个点,鼻子轮廓13个点,嘴巴内外轮廓各16个点。
作为一种优选实施方式,所述步骤C具体为:
C1、Harris3D检测将图像序列I(·)用线性尺度空间表示为:
L(·;σ2,τ2)=g(·;σ2,τ2)*I(·)
其中g(·;σ2,τ2)为高斯卷积核,σ2,τ2分别为空间和时间尺度值;
其中x,y为人脸图像中标定的坐标点,t为时间变量。
C2、基于Harris3D检测将二阶矩阵扩展到时空领域M=μ(·;sσ2,sτ2)
其中w(x,y,t)为三维图像窗口时间变化函数;
C3、Harris3D时空域特征点检测H,通过计算H的局部极值点找到兴趣特征点:
H=det(M)-ktrace3(M),
C4、以捕捉到的特征点数据驱动不同的微表情模型,根据特征点的数据实现表情的动画重现,将捕捉到的特征点数据映射到三维虚拟人脸模型,建立人脸在不同程度疲劳状态下的微表情模型,并存储微表情模型。
作为一种优选实施方式,所述步骤D具体为:通过图像获取单元读取实时图像,跟踪捕捉人脸,提取人脸微表情变化,将得到的人脸微表情图像投射到二维或三维虚拟人物上,实时建立人脸虚拟微表情模型,将得到的实时虚拟微表情模型与预先建立的微表情疲劳模型进行匹配,特征模型匹配单元根据匹配结果提取匹配度E作为疲劳判定参数。
作为一种优选实施方式,所述步骤E具体为:分析由图像获取单元捕捉提取的微表情变化,心率变异性分析单元根据血液在人体内流动导致皮肤表面反射光线的微弱变化得出被测者心率具体数值;根据心率与心率变异性之间的指数衰减型关系,在曲线上找到所得心率对应的心率变异性数值HRV,作为疲劳判定参数。
作为一种优选实施方式,所述步骤F具体为:融合处理单元将疲劳判定参数E和HRV以一定的权重a和b进行融合,得到被测者疲劳状态信息,输出被测者所处疲劳程度T,T=a*E+b*HRV,a、b为权值。
本发明有益效果是:该方法解决了现有方法的局限性,由于被检测者的表情特征、生理反应及习惯的差异,采用微表情结合心率检测疲劳的精确度更高,且相对静态的面部表情检测而言感知力更敏锐,同时避免传统的接触式测量给被检测者带来的不便,达到智能检测人体疲劳的效果。能用最简单的方法捕捉到人体所发出的极细微的疲劳信号,精确判断出人体当前所处疲劳状态。对提高工作效率,减少事故的发生以及保护人体健康,避免积劳成疾都有很大的作用。
附图说明
下面对本说明书附图所表达的内容及图中的标记作简要说明:
图1是本发明的具体实施方式的检测微表情方法流程图。
图2是本发明的具体实施方式的基于机器视觉的疲劳检测方法流程图。
具体实施方式
下面通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
为实现上述目的,本发明提供的技术方案如下:一种基于机器视觉的疲劳检测方法,包括以下步骤:
1、建立不同状态下的人脸微表情模型;
2、通过摄像头实时捕捉人脸图像,提取微表情变化;
3、将提取到的人脸微表情变化投射到二维或三维虚拟人物上,实时建立人脸虚拟微表情模型;
4、将虚拟微表情模型输入到第一处理器中,与预先建立的不同状态下的疲劳模型进行匹配,提取匹配度,作为疲劳判定参数E;
5、分析微表情图像,提取具体心率数值输给第二处理器。
6、在第二处理器中,根据心率与心率变异性之间的指数衰减型关系,在曲线上找到所得心率对应的心率变异性数值,作为疲劳判定参数HRV,并输入到第三处理器;
7、在第三处理器中,将疲劳判定参数E和HRV以一定的权重a和b进行融合,得到被测者疲劳状态信息,输出被测者所处疲劳状态。
在上述方法中首先建立微表情疲劳模型。通过摄像头采集在各种情景下因疲劳自然诱发的真实微表情模型为样本,对模型中主要特征进行STIP时空特征点检测分析,征如眉目、眼睛、嘴巴、鼻子和面部轮廓线等的位置变化进行定位、测量、确定其大小、距离、形状及相互比例等特征。
其次建立特征统计模型即特征点变化程度的参数描述。在人脸图像中标定116点,面部外部轮廓27个点,眉目10个点,眼睛12个点,鼻子轮廓13个点,嘴巴内外轮廓各16个点。用坐标点来定义某类特征点的形状,在二维图像中,目标的形状用一系列的点的坐标(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)来表示,将图像窗口平移[m,n]个单位,此时图像产生灰度变化:
其中h(x,y)是图像窗口函数,I(x+m,y+n)是平移后的图像灰度图,I(x,y)是灰度图。
对于局部微小的移动变量[m,n]:
得:
Harris3D检测将图像序列I(·),用线性尺度空间表示为:
L(·;σ2,τ2)=g(·;σ2,τ2)*I(·)
其中g(·;σ2,τ2)为高斯卷积核,σ2,τ2分别为空间和时间尺度值。
基于Harris3D检测将二阶矩阵扩展到时空领域后M=μ(·;sσ2,sτ2)
Harris3D时空域特征点检测H,通过计算H的局部极值点找到兴趣特征点:
H=det(M)-ktrace3(M)
以捕捉到的特征点数据驱动不同的微表情模型,根据特征点的数据实现表情的动画重现,将捕捉到的特征点数据映射到三维虚拟人脸模型,建立人脸在疲劳状态下不同的微表情模型;
把上述建立好的微表情疲劳模型存储于第一处理器中,将得到的当前人脸图像进行Harris3D检测建立三维虚拟微表情模型与预先建立的人脸表情模型进行匹配,根据第一处理器输出的结果去提取疲劳判定参数E。
作为优选的,在上述方法进行的同时,同步进行其他的步骤还包括:
分析由摄像头捕捉提取的微表情变化,根据血液在人体内流动导致皮肤表面反射光线的微弱变化得出被测者心率具体数值并输入给第二处理器;
在第二处理器中,根据心率与心率变异性之间的指数衰减型关系,在曲线上找到所测心率对应的心率变异性数值,作为疲劳判定参数HRV,并输入到第三处理器,最终从第三处理器中输出被测者所属疲劳状态。
上面对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (8)
1.一种基于机器视觉的疲劳检测系统,其特征在于,包括微表情模型建立单元、图像获取单元、图像处理单元、特征模型匹配单元、心率变异性分析单元和融合处理单元,微表情模型建立单元建立人脸在不同疲劳程度下的微表情模型,图像获取单元实时采集人脸面部图像并传递给图像处理单元和心率变异性分析单元;图像处理单元提取人脸微表情变化,建立人脸虚拟微表情模型;特征模型匹配单元将得到的实时虚拟微表情模型与预先建立的微表情疲劳模型进行匹配,根据匹配结果提取匹配度E作为疲劳判定参数;心率变异性分析单元提取人脸微表情变化获得心率,根据心率与心率变异性之间的指数衰减型关系得到心率变异性HRV,作为疲劳判定参数;融合处理单元将疲劳判定参数E和HRV以一定的权重a和b进行融合,得到被测者疲劳状态信息,输出被测者疲劳程度。
2.根据权利要求1所述的基于机器视觉的疲劳检测系统的检测方法,其特征在于,包括如下步骤:
A、采集在不同疲劳程度下的微表情模型为样本;
B、对模型中主要特征进行STIP时空特征点检测分析后,建立特征统计模型,即特征点变化程度的参数描述;
C、将获取到的特征点及局部微小的移动变量进行三维处理,引入空间和时间尺度值,定点计算、捕捉时空域特征点,并根据特征点的数据建立三维虚拟人脸模型;
D、实时捕捉人脸图像,提取人脸微表情变化,建立人脸虚拟微表情模型,并与预先建立的样本标准模型匹配得到匹配度E,作为疲劳判定参数;
E、分析微表情变化得到被测者心率数值,从而得到心率变异性数值HRV;
F、将匹配度E与心率变异性数值HRV进行权重融合,最终给出被测者疲劳程度。
3.根据权利要求2所述的基于机器视觉的疲劳检测方法,其特征在于,所述步骤B具体为:
在人脸图像中标定坐标点(x1,y1)、(x2,y2)、(x3,y3)、…、(xn,yn),用坐标点来定义特征的形状,将图像窗口平移[m,n]个单位,此时图像产生灰度变化:
其中,h(x,y)是图像窗口函数,I(x+m,y+n)是平移后的图像灰度图,I(x,y)是灰度图,E为平移后所产生的图像灰度变化函数;
对于局部微小的移动变量[m,n]有:
4.根据权利要求3所述的基于机器视觉的疲劳检测方法,其特征在于,所述坐标点设置有116点,面部外部轮廓27个点,眉目10个点,眼睛12个点,鼻子轮廓13个点,嘴巴内外轮廓各16个点。
5.根据权利要求2所述的基于机器视觉的疲劳检测方法,其特征在于,所述步骤C具体为:
C1、Harris3D检测将图像序列I(·)用线性尺度空间表示为:
L(·;σ2,τ2)=g(·;σ2,τ2)*I(·)
其中g(·;σ2,τ2)为高斯卷积核,σ2,τ2分别为空间和时间尺度值;
其中x,y为人脸图像中标定的坐标点,t为时间变量;
C2、基于Harris3D检测将二阶矩阵扩展到时空领域M=μ(·;sσ2,sτ2)
其中w(x,y,t)为三维图像窗口时间变化函数;
C3、Harris3D时空域特征点检测H,通过计算H的局部极值点找到兴趣特征点:
H=det(M)-ktrace3(M),
C4、以捕捉到的特征点数据驱动不同的微表情模型,根据特征点的数据实现表情的动画重现,将捕捉到的特征点数据映射到三维虚拟人脸模型,建立人脸在不同程度疲劳状态下的微表情模型,并存储微表情模型。
6.根据权利要求2所述的基于机器视觉的疲劳检测方法,其特征在于,所述步骤D具体为:通过图像获取单元读取实时图像,跟踪捕捉人脸,提取人脸微表情变化,将得到的人脸微表情图像投射到二维或三维虚拟人物上,实时建立人脸虚拟微表情模型,将得到的实时虚拟微表情模型与预先建立的微表情疲劳模型进行匹配,特征模型匹配单元根据匹配结果提取匹配度E作为疲劳判定参数。
7.根据权利要求2所述的基于机器视觉的疲劳检测方法,其特征在于,所述步骤E具体为:分析由图像获取单元捕捉提取的微表情变化,心率变异性分析单元根据血液在人体内流动导致皮肤表面反射光线的微弱变化得出被测者心率具体数值;根据心率与心率变异性之间的指数衰减型关系,在曲线上找到所得心率对应的心率变异性数值HRV,作为疲劳判定参数。
8.根据权利要求2所述的基于机器视觉的疲劳检测系统的检测方法,其特征在于,所述步骤F具体为:融合处理单元将疲劳判定参数E和HRV以一定的权重a和b进行融合,得到被测者疲劳状态信息,输出被测者所处疲劳程度T,T=a*E+b*HRV,a、b为权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469455.1A CN107358646A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的疲劳检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469455.1A CN107358646A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的疲劳检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358646A true CN107358646A (zh) | 2017-11-17 |
Family
ID=60272935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710469455.1A Pending CN107358646A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的疲劳检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358646A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992825A (zh) * | 2017-12-01 | 2018-05-04 | 青岛海尔智能家电科技有限公司 | 一种基于增强现实的人脸识别的方法及系统 |
CN108670260A (zh) * | 2018-03-09 | 2018-10-19 | 广东小天才科技有限公司 | 一种基于移动终端的用户疲劳检测方法及移动终端 |
CN109298783A (zh) * | 2018-09-03 | 2019-02-01 | 北京旷视科技有限公司 | 基于表情识别的标注监控方法、装置及电子设备 |
CN110786869A (zh) * | 2019-10-29 | 2020-02-14 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
CN111507139A (zh) * | 2019-01-31 | 2020-08-07 | 北京字节跳动网络技术有限公司 | 图像效果生成方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714660A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
CN104166831A (zh) * | 2013-05-15 | 2014-11-26 | 五邑大学 | 一种基于albp与src算法的疲劳检测方法与系统 |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
-
2017
- 2017-06-20 CN CN201710469455.1A patent/CN107358646A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166831A (zh) * | 2013-05-15 | 2014-11-26 | 五邑大学 | 一种基于albp与src算法的疲劳检测方法与系统 |
CN103714660A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
Non-Patent Citations (4)
Title |
---|
IVAN SIPIRAN 等: "Harris 3D: a robust extension of the Harris operator for interest point detection on 3D meshes", 《THE VISUAL COMPUTER》 * |
唐佑轶: "基于人脸特征识别的疲劳驾驶预警系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
曾峦: "《侦察图像获取与融合技术》", 31 May 2015, 北京:国防工业出版社 * |
王金伟: "基于表情时空特征的认知情感状态识别研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992825A (zh) * | 2017-12-01 | 2018-05-04 | 青岛海尔智能家电科技有限公司 | 一种基于增强现实的人脸识别的方法及系统 |
CN108670260A (zh) * | 2018-03-09 | 2018-10-19 | 广东小天才科技有限公司 | 一种基于移动终端的用户疲劳检测方法及移动终端 |
CN109298783A (zh) * | 2018-09-03 | 2019-02-01 | 北京旷视科技有限公司 | 基于表情识别的标注监控方法、装置及电子设备 |
CN109298783B (zh) * | 2018-09-03 | 2021-10-01 | 北京旷视科技有限公司 | 基于表情识别的标注监控方法、装置及电子设备 |
CN111507139A (zh) * | 2019-01-31 | 2020-08-07 | 北京字节跳动网络技术有限公司 | 图像效果生成方法、装置和电子设备 |
CN110786869A (zh) * | 2019-10-29 | 2020-02-14 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
CN110786869B (zh) * | 2019-10-29 | 2021-12-21 | 浙江工业大学 | 一种程序员的疲劳程度的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358646A (zh) | 一种基于机器视觉的疲劳检测系统及方法 | |
CN105631439B (zh) | 人脸图像处理方法和装置 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN101558996B (zh) | 基于人体运动结构正投影三维重建的步态识别方法 | |
CN108805009A (zh) | 基于多模态信息融合的课堂学习状态监测方法及系统 | |
CN104484644B (zh) | 一种手势识别方法和装置 | |
CN109543526A (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
CN105740780A (zh) | 人脸活体检测的方法和装置 | |
CN105740779A (zh) | 人脸活体检测的方法和装置 | |
CN107007263A (zh) | 一种普适化的睡眠质量测评方法和系统 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
KR20120052610A (ko) | 신경망 학습을 통한 동작 인식 방법 및 장치 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN109528217A (zh) | 一种基于生理振动分析的情绪检测和预警方法 | |
Al-Ghannam et al. | Prayer activity monitoring and recognition using acceleration features with mobile phone | |
CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
CN112099624B (zh) | 多模态菱形框架式电容感应手势识别系统 | |
CN112487948B (zh) | 一种基于多空间融合的学习者学习过程的专注度感知方法 | |
CN106503651A (zh) | 一种手势图像的提取方法及系统 | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
CN101726498A (zh) | 基于视觉仿生的铜带表面质量智能检测装置及方法 | |
CN105930793A (zh) | 一种基于sae特征可视化学习的人体检测方法 | |
Liu et al. | The study on human action recognition with depth video for intelligent monitoring | |
CN103870814A (zh) | 基于智能相机的非接触式实时眼动识别方法 |
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 |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |