CN107480607A - 一种智能录播系统中站立人脸检测定位的方法 - Google Patents
一种智能录播系统中站立人脸检测定位的方法 Download PDFInfo
- Publication number
- CN107480607A CN107480607A CN201710632091.4A CN201710632091A CN107480607A CN 107480607 A CN107480607 A CN 107480607A CN 201710632091 A CN201710632091 A CN 201710632091A CN 107480607 A CN107480607 A CN 107480607A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- action
- zone
- standing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009471 action Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000007717 exclusion Effects 0.000 claims abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 230000000717 retained effect Effects 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000004140 cleaning Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能录播系统领域,涉及一种智能录播系统中站立人脸检测定位的方法,具体操作步骤包括:初始化摄像机录制的视频文件并做帧处理,选择合适的阈值,将差分图像二值化,再对图像进行形态学操作,标记活动区域并以最小外接矩形保留,并对其进行光照补偿,之后再通过肤色检测来筛选掉具有干扰性的活动区域,根据人脸面积占比分类筛选,排除存在肤色但无人脸区域,最后根据处理后的数据进行数据分析,以标记出人脸,该方法设计构思巧妙,检测原理简单,操作使用方便,只通过一台摄像机就能够完成站立人脸检测定位,设备要求低,同时检测结果准确度高,应用环境友好,市场前景广阔。
Description
技术领域:
本发明属于智能录播系统领域,涉及一种录播系统中人脸的检测定位方法,特别是一种智能录播系统中站立人脸检测定位的方法,在帧差法的基础上结合光照补偿、肤色检测、形态学处理手段,通过人脸检测来确定学生站立的位置。
背景技术:
随着教育信息化和精品课程建设的发展与推进,智能录播系统被广泛地应用于课堂教学以及教学研究中。学生的课堂表现以及教师引导的整个教学过程作为课堂教学活动的主体,既是教学活动的重点,也是教育教学研究的重点。在课堂教学过程中,为达到实时关注每一个学生的学习与互动以及教师教学与引导的目的,需要摄像设备准确地定位学生的行为,因此,站立学生人脸的检测定位是关键。
近年来,大量的研究者对人脸检测方法进行了深入研究,先后提出了一些有效的方法。张抒等提取人脸局部区域作为训练样本,学习得到具有较强判别性的字典,基于各检测窗口稀疏编码的响应判断人脸某一局部区域是否出现,利用人脸局部区域的检测结果和位置约束进行投票,完成人脸定位;许燕等利用基于边界追踪和多角度成像的方法对摄像机进行定位,结合DWT算法进行人脸检测与特征定位;王小玉等提出了一种基于多块局部二值模式特征的adaboost算法和模板匹配的人眼定位方法;余家林提出了基于运动成像模型和自适应均值运动滤波算法的稳像算法用于视频人脸图像的检测;刘王胜等提出了一种改进的AdaBoost人脸检测算法,算法综合利用人体肤色模型、人脸运动检测模型以及改进背景提取方法检测人脸;该算法提高了检测速度,但是对光线的突变鲁棒性不高,叶学义等提出一种基于概率态多层受限玻尔兹曼机(RBM)级联神经网络的检测方法,该方法以P-RBM为核心,通过级联多个P-RBM形成多隐藏层神经网络,然后组合隐藏层中各神经元状态,实现非理想状态下的人脸检测,但是上述方法均无法解决如何在蹲坐人群中快速检测定位到发生站立的人的问题,现有技术中,申请号为CN201110032341.3的中国专利公开了一种教学智能录播系统学生起坐检测方法,学生起立区域设置至少两台摄像机,检测的步骤为:图像采集和标定,每个摄像机的采集卡均采集一帧视频,每个摄像机均标定学生起立区域;运动检测,采用了将运动部分检测出来,以及使用图像间的减法;学生检测,本发明的优点在于不需要改装学生座椅,易于维护,但是本发明需要多台摄像机进行同时操作,设备比较复杂,工作环境要求高,因此设计制备一种智能录播系统中站立人脸检测定位的方法,通过摄像机就能够完成人脸检测定位,实用性能好。
发明内容:
本发明的目的在于克服现有技术存在的问题,寻求设计提供一种只通过一台摄像机就能够实现智能录播系统中站立人脸检测定位的方法,该方法能在有效排除弯腰、晃动、举手等各种干扰的同时实现学生站立行为的检测,不仅具有较强的鲁棒性,在检测的准确率方面也有较大的提高,较好地满足了教育教学研究以及课堂实时教学的需求。
为了实现上述目的,本发明涉及的智能录播系统中站立人脸检测定位的方法的具体操作步骤如下:
(1)初始化摄像机录制的视频文件并做帧处理,获取间隔为5的两帧的图像循环做差得到差分图像D(x,y),即D(x,y)=|fk(x,y)-fk-5(x,y)|,其中,fk(x,y)为第k帧图像的灰度值,fk-1(x,y)为第k-1帧图像的灰度值,D(x,y)为差分后得到的图像;所述帧差法基本公式为:
D(x,y)=|fk(x,y)-fk-1(x,y)| (1)
(2)选择合适的阈值,将差分图像D(x,y)二值化,得到二值图像R(x,y);T为阈值,R(x,y)为图像阈值化后得到的二值图像;
(3)选取圆形结构元素对图像R(x,y)进行形态学操作,在尽量不改变活动区域大小的前提下,消除图像R(x,y)的噪点,以减少干扰的影响,增加检测的准确性;
(4)标记步骤(3)中的活动区域并以最小外接矩形保留,记录下每个矩形的坐标和长宽值,用以当某个学生活动较大时来保留一整块的活动区域,避免出现‘碎片’区域,影响检测结果;
(5)对步骤(4)获得的最小外接矩形所对应的原图像的每个矩形区域进行光照补偿,用以在光照补偿后的照片上进行肤色检测时,提高检测结果的精确性和准确性;
(6)利用基于R、G、B色彩空间的简单阈值肤色识别方法,对每个矩形区域进行肤色检测,若检测结果中不存在肤色区域,则表明不存在人脸,则删除该活动区域;肤色筛选用以排除无关活动区域对站立行为检测的干扰,并提高检测的效率和准确率,肤色筛选之后的活动区域个数明显减少,证明肤色筛选筛掉了具有干扰性的活动区域;
(7)对步骤(6)中剩余的活动区域进行人脸检测,读入图像,记录活动区域的坐标值以及长宽,计算活动区域的面积,根据人脸面积占比分类筛选,排除存在肤色但无人脸区域,保存筛选后的图片的矩形区域的坐标、矩形长宽以及读取序号;
(8)对步骤(7)处理后的数据进行数据分析,以标记出人脸,具体判断方式为:(a)由于站立是一个连续动作,如果发生站立行为则前后两帧必然存在重叠区域,根据这处理规则来删除不存在重叠的运动区域;(b)分析连续两帧之间以及间隔帧差为5的两帧之间的运动人脸区域的高度差、水平方向的位移和运动过程中人脸占比和人脸的长宽比确定所标记的运动人脸的是否存在站立行为,排除包括左右的晃动和低头抬头小幅度的动作,最后用矩形标记产生站立行为的人脸;由于在整个图片中不同位置存在高度差,为了精确定位站立学生,本发明采取对整幅图像分区的方法,并且利用角度变化作上为辅助量,克服在整个图像中不同区域中本身就存在水平方向和垂直方向的距离差的问题。
本发明所述的光照补偿的计算方式如下:先把彩色图像转换成灰度图像,得出每个像素的灰度值,统计每个灰度值的像素的个数,循环得到前5%的高亮像素的灰度值作为参考白,得到参考白像素的亮度平均值averageGray为:
averageGray=Grayref/GrayrefNum (3)
式中Grayref为参考白像素总的灰度值;GrayrefNum为参考白总的像素数;
计算光照补偿的系数co:
co=255.0/averageGray (4)
原像素值的R、G、B分量分别乘以光照补偿系数co,对原图进行光照补偿,该算法采取了对每个活动区域而不是对整幅图像光照补偿的方法,使光照补偿更具有针对性,提高了活动区域的亮度,有助于更好地区分肤色区域。
本发明所述的肤色检测是采用的一种基于RGB颜色空间的简单阈值肤色识别方法,先通过对所选区域的每一个像素的R、G、B分量的值的范围进行限定,确定肤色区域,再在RGB颜色空间中利用肤色聚类性,在相同的日光条件下,用以下的判别式判定肤色:
|R-G|>15, (6)
R>G AND R>B (7)
本发明与现有技术相比,设计构思巧妙,检测原理简单,操作使用方便,只通过一台摄像机就能够完成站立人脸检测定位,设备要求低,克服了以往需要多台设备进行检测的缺陷,同时检测结果准确度高,应用环境友好,市场前景广阔。
说明书附图:
图1为本发明涉及的智能录播系统中站立人脸检测定位的方法流程图。
图2为本发明涉及的智能录播系统中站立人脸检测定位的方法的原始图像。
图3为本发明涉及的智能录播系统中站立人脸检测定位的方法的二值化图像。
图4本发明涉及的形态学运算后的原理示意图。
图5本发明涉及的形态学运算后确定的活动区域图。
图6本发明涉及的剔除无肤色的活动区域后得到的原理示意图。
图7本发明涉及的对筛选后的活动区域以最小外接矩形保留得到的原理示意图。
具体实施方式:
下面通过实施例并结合附图对本发明作进一步说明。
实施例1:
本实施例提供了一种智能录播系统中站立人脸检测定位的方法,该方法在CPU为Intel(R)Core(TM)i5-4590 3.30GHz,内存为4.00GB的计算机进行,并用Matlab 2013b进行编程实现,通过教室中的一台与所述的计算机相连接的摄像机来录制学生上课视频,再取学生上课期间的视频进行实验,以其中连续30帧图像为例对本实施例的检测效果进行分析验证,其中包含某一位同学站立的完整动作,其具体具体包括如下步骤:
(1)初始化视频文件并做帧处理,获取间隔为5的两帧的图像循环做差得到差分图像D(x,y),即D(x,y)=|fk(x,y)-fk-5(x,y)|,其中,fk(x,y)为第k帧图像的灰度值,fk-1(x,y)为第k-1帧图像的灰度值,D(x,y)为差分后得到的图像;所述帧差法基本公式为:
D(x,y)=|fk(x,y)-fk-1(x,y)| (1)
(2)选择合适的阈值,将差分图像D(x,y)二值化,得到二值图像R(x,y);T为阈值,R(x,y)为图像阈值化后得到的二值图像;
(3)选取圆形结构元素对图像R(x,y)进行形态学操作,在尽量不改变活动区域大小的前提下,消除图像R(x,y)的噪点,以减少干扰的影响,增加检测的准确性;
(4)标记步骤(3)中的活动区域并以最小外接矩形保留,记录下每个矩形的坐标和长宽值,用以当某个学生活动较大时来保留一整块的活动区域,避免出现‘碎片’区域,影响检测结果;
(5)对步骤(4)获得的最小外接矩形所对应的原图像的每个矩形区域进行光照补偿,用以在光照补偿后的照片上进行肤色检测时,提高检测结果的精确性和准确性;
(6)利用基于R、G、B色彩空间的简单阈值肤色识别方法,对每个矩形区域进行肤色检测,若检测结果中不存在肤色区域,则表明不存在人脸,则删除该活动区域;肤色筛选用以排除无关活动区域对站立行为检测的干扰,并提高检测的效率和准确率,肤色筛选之后的活动区域个数明显减少,证明肤色筛选筛掉了具有干扰性的活动区域;
(7)对步骤(6)中剩余的活动区域进行人脸检测,读入图像,记录活动区域的坐标值以及长宽,计算活动区域的面积,根据人脸面积占比分类筛选,排除存在肤色但无人脸区域,保存筛选后的图片的矩形区域的坐标、矩形长宽以及读取序号;
(8)对步骤(7)处理后的数据进行数据分析,以标记出人脸,具体判断方式为:(a)由于站立是一个连续动作,如果发生站立行为则前后两帧必然存在重叠区域,根据这处理规则来删除不存在重叠的运动区域;(b)分析连续两帧之间以及间隔帧差为5的两帧之间的运动人脸区域的高度差、水平方向的位移和运动过程中人脸占比和人脸的长宽比确定所标记的运动人脸的是否存在站立行为,排除包括左右的晃动和低头抬头小幅度的动作,最后用矩形标记产生站立行为的人脸;由于在整个图片中不同位置存在高度差,为了精确定位站立学生,本实施例采取对整幅图像分区的方法,并且利用角度变化作为辅助量,克服在整个图像中不同区域中本身就存在水平方向和垂直方向上的距离差的问题。
实施例2:
本实施例取学生上课期间的视频进行测试,以其中连续30帧图像为例对实施例1所述的检测方法的准确性进行分析,其中包含某一位同学站立的完整动作,确定帧间隔为5,帧差阈值5,分别选取第6帧图像和第10帧图像,如图2(a)、(b)所示,再将其差分以后得到二值化图像如图3所示,再将图3的图像进行形态学运算来获得完整人脸图像,再获取每个活动区域所对应的原始图像的最小外接矩形,对每个区域依次光照补偿、肤色检测,剔除没有肤色的活动区域,再将剩余的活动区域通过肤色筛选来排除无关活动区域对站立行为检测的干扰,来得到最终的检测结果如图7所示。
实施例3:
本实施例选取不同教室的3段视频分别用本文算法进行测试,以验证实施例1中所述方法的准确性,由于实际课堂状况的复杂性和教室条件的差异等因素,在检测过程中不可避免的会出误检、漏检的情况,经过对多个视频反复测试,检测平均准确率能够达到80%以上,具体测试结果如表1所示:
表1 本文算法检测结果
Claims (4)
1.一种智能录播系统中站立人脸检测定位的方法,其特征在于具体操作步骤如下:
(1)初始化摄像机录制的视频文件并做帧处理,获取间隔为5的两帧的图像循环做差得到差分图像D(x,y),即D(x,y)=|fk(x,y)-fk-5(x,y)|,其中,fk(x,y)为第k帧图像的灰度值,fk-1(x,y)为第k-1帧图像的灰度值,D(x,y)为差分后得到的图像;所述帧差法基本公式为:
D(x,y)=|fk(x,y)-fk-1(x,y)| (1)
(2)选择合适的阈值,将差分图像D(x,y)二值化,得到二值图像R(x,y);T为阈值,R(x,y)为图像阈值化后得到的二值图像;
(3)选取圆形结构元素对图像R(x,y)进行形态学操作,在尽量不改变活动区域大小的前提下,消除图像R(x,y)的噪点,以减少干扰的影响,增加检测的准确性;
(4)标记步骤(3)中的活动区域并以最小外接矩形保留,记录下每个矩形的坐标和长宽值,用以当某个学生活动较大时来保留一整块的活动区域,避免出现‘碎片’区域,影响检测结果;
(5)对步骤(4)获得的最小外接矩形所对应的原图像的每个矩形区域进行光照补偿,用以在光照补偿后的照片上进行肤色检测时,提高检测结果的精确性和准确性;
(6)利用基于R、G、B色彩空间的简单阈值肤色识别方法,对每个矩形区域进行肤色检测,若检测结果中不存在肤色区域,则表明不存在人脸,则删除该活动区域;肤色筛选用以排除无关活动区域对站立行为检测的干扰,并提高检测的效率和准确率,肤色筛选之后的活动区域个数明显减少,证明肤色筛选筛掉了具有干扰性的活动区域;
(7)对步骤(6)中剩余的活动区域进行人脸检测,读入图像,记录活动区域的坐标值以及长宽,计算活动区域的面积,根据人脸面积占比分类筛选,排除存在肤色但无人脸区域,保存筛选后的图片的矩形区域的坐标、矩形长宽以及读取序号;
(8)对步骤(7)处理后的数据进行数据分析,以标记出人脸,具体判断方式为:(a)由于站立是一个连续动作,如果发生站立行为则前后两帧必然存在重叠区域,根据这处理规则来删除不存在重叠的运动区域;(b)分析连续两帧之间以及间隔帧差为5的两帧之间的运动人脸区域的高度差、水平方向的位移和运动过程中人脸占比和人脸的长宽比确定所标记的运动人脸的是否存在站立行为,排除包括左右的晃动和低头抬头小幅度的动作,最后用矩形标记产生站立行为的人脸;由于在整个图片中不同位置存在高度差,为了精确定位站立学生,本发明采取对整幅图像分区的方法,并且利用角度变化作上为辅助量,克服在整个图像中不同区域中本身就存在水平方向和垂直方向的距离差的问题。
2.根据权利要求1所述的智能录播系统中站立人脸检测定位的方法,其特征在于所述的光照补偿的计算方式如下:先把彩色图像转换成灰度图像,得出每个像素的灰度值,统计每个灰度值的像素的个数,循环得到前5%的高亮像素的灰度值作为参考白,得到参考白像素的亮度平均值averageGray为:
averageGray=Grayref/GrayrefNum (3)
式中Grayref为参考白像素总的灰度值;GrayrefNum为参考白总的像素数;
计算光照补偿的系数co:
co=255.0/averageGray (4)
原像素值的R、G、B分量分别乘以光照补偿系数co,对原图进行光照补偿,该算法采取了对每个活动区域而不是对整幅图像光照补偿的方法,使光照补偿更具有针对性,提高了活动区域的亮度,有助于更好地区分肤色区域。
3.根据权利要求1所述的智能录播系统中站立人脸检测定位的方法,其特征在于所述的肤色检测是采用的一种基于RGB颜色空间的简单阈值肤色识别方法,先通过对所选区域的每一个像素的R、G、B分量的值的范围进行限定,确定肤色区域,再在RGB颜色空间中利用肤色聚类性,在相同的日光条件下,用以下的判别式判定肤色:
|R-G|>15, (6)
R>GANDR>B (7) 。
4.根据权利要求1-3任一权利要求所述的智能录播系统中站立人脸检测定位的方法,其特征在于该方法通过教室中的一台与计算机相连接的摄像机来实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710632091.4A CN107480607B (zh) | 2017-07-28 | 2017-07-28 | 一种智能录播系统中站立人脸检测定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710632091.4A CN107480607B (zh) | 2017-07-28 | 2017-07-28 | 一种智能录播系统中站立人脸检测定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480607A true CN107480607A (zh) | 2017-12-15 |
CN107480607B CN107480607B (zh) | 2020-04-07 |
Family
ID=60597875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710632091.4A Active CN107480607B (zh) | 2017-07-28 | 2017-07-28 | 一种智能录播系统中站立人脸检测定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480607B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387945A (zh) * | 2018-02-02 | 2018-08-10 | 珠海格力电器股份有限公司 | 一种传感器检测区域确定方法、装置、存储介质及设备 |
CN110503017A (zh) * | 2019-08-12 | 2019-11-26 | 北京交通大学 | 基于图像处理的智慧节能室内人数检测系统与方法 |
CN111815653A (zh) * | 2020-07-08 | 2020-10-23 | 深圳市梦网视讯有限公司 | 一种人脸与身体肤色区域的分割方法、系统和设备 |
CN112541860A (zh) * | 2019-09-23 | 2021-03-23 | 深圳开阳电子股份有限公司 | 肤色美化校正方法及装置 |
CN112597800A (zh) * | 2020-11-24 | 2021-04-02 | 安徽天虹数码科技股份有限公司 | 一种录播系统中学生起坐动作的检测方法及系统 |
TWI768387B (zh) * | 2020-06-29 | 2022-06-21 | 宏碁股份有限公司 | 顯示偽裝影像幀的電子設備及其操作方法 |
CN115278272A (zh) * | 2022-05-18 | 2022-11-01 | 江苏农林职业技术学院 | 一种教育实践在线指导系统及方法 |
CN112183227B (zh) * | 2020-09-08 | 2023-12-22 | 瑞芯微电子股份有限公司 | 一种智能泛人脸区域的编码方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101795400A (zh) * | 2010-03-16 | 2010-08-04 | 上海复控华龙微系统技术有限公司 | 一种婴幼儿主动跟踪监护的方法及其实现系统 |
US20100195911A1 (en) * | 2009-02-02 | 2010-08-05 | Jonathan Yen | System and method for image facial area detection employing skin tones |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN105069421A (zh) * | 2015-07-29 | 2015-11-18 | 杭州晨安视讯数字技术有限公司 | 一种基于图像的人体站立行为自动检测方法和装置 |
CN106682571A (zh) * | 2016-11-08 | 2017-05-17 | 中国民航大学 | 基于肤色分割和小波变换的人脸检测方法 |
-
2017
- 2017-07-28 CN CN201710632091.4A patent/CN107480607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195911A1 (en) * | 2009-02-02 | 2010-08-05 | Jonathan Yen | System and method for image facial area detection employing skin tones |
CN101795400A (zh) * | 2010-03-16 | 2010-08-04 | 上海复控华龙微系统技术有限公司 | 一种婴幼儿主动跟踪监护的方法及其实现系统 |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN105069421A (zh) * | 2015-07-29 | 2015-11-18 | 杭州晨安视讯数字技术有限公司 | 一种基于图像的人体站立行为自动检测方法和装置 |
CN106682571A (zh) * | 2016-11-08 | 2017-05-17 | 中国民航大学 | 基于肤色分割和小波变换的人脸检测方法 |
Non-Patent Citations (2)
Title |
---|
SURYA PRAKASH AHIRWAR 等: "Automatic Face Detection Using Color Based Segmentation and Computing Eigen face", 《INTERNATIONAL JOURNAL OF ENHANCED RESEARCH IN SCIENCE TECHNOLOGY & ENGINEERING》 * |
杨国典: "视频监控中人脸识别定位方法研究", 《电子世界 》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387945A (zh) * | 2018-02-02 | 2018-08-10 | 珠海格力电器股份有限公司 | 一种传感器检测区域确定方法、装置、存储介质及设备 |
CN108387945B (zh) * | 2018-02-02 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种传感器检测区域确定方法、装置、存储介质及设备 |
CN110503017A (zh) * | 2019-08-12 | 2019-11-26 | 北京交通大学 | 基于图像处理的智慧节能室内人数检测系统与方法 |
CN112541860A (zh) * | 2019-09-23 | 2021-03-23 | 深圳开阳电子股份有限公司 | 肤色美化校正方法及装置 |
TWI768387B (zh) * | 2020-06-29 | 2022-06-21 | 宏碁股份有限公司 | 顯示偽裝影像幀的電子設備及其操作方法 |
CN111815653A (zh) * | 2020-07-08 | 2020-10-23 | 深圳市梦网视讯有限公司 | 一种人脸与身体肤色区域的分割方法、系统和设备 |
CN111815653B (zh) * | 2020-07-08 | 2024-01-30 | 深圳市梦网视讯有限公司 | 一种人脸与身体肤色区域的分割方法、系统和设备 |
CN112183227B (zh) * | 2020-09-08 | 2023-12-22 | 瑞芯微电子股份有限公司 | 一种智能泛人脸区域的编码方法和设备 |
CN112597800A (zh) * | 2020-11-24 | 2021-04-02 | 安徽天虹数码科技股份有限公司 | 一种录播系统中学生起坐动作的检测方法及系统 |
CN112597800B (zh) * | 2020-11-24 | 2024-01-26 | 安徽天虹数码科技股份有限公司 | 一种录播系统中学生起坐动作的检测方法及系统 |
CN115278272A (zh) * | 2022-05-18 | 2022-11-01 | 江苏农林职业技术学院 | 一种教育实践在线指导系统及方法 |
CN115278272B (zh) * | 2022-05-18 | 2023-06-20 | 江苏农林职业技术学院 | 一种教育实践在线指导系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480607B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480607A (zh) | 一种智能录播系统中站立人脸检测定位的方法 | |
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 | |
CN109816689A (zh) | 一种多层卷积特征自适应融合的运动目标跟踪方法 | |
CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN107025652B (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN106446933B (zh) | 基于上下文信息的多目标检测方法 | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
CN107481264A (zh) | 一种自适应尺度的视频目标跟踪方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN100440246C (zh) | 一种人脸特征点定位方法 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN109670429A (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
CN106874884B (zh) | 基于部位分割的人体再识别方法 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN107133955B (zh) | 一种多层次结合的协同显著性检测方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计系统 | |
CN109543688A (zh) | 一种新型的基于多层卷积神经网络的水表读数检测与识别的方法 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN106934386A (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 |
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 |