CN108171214A - 一种基于深度学习的视频监控异常识别方法及系统 - Google Patents
一种基于深度学习的视频监控异常识别方法及系统 Download PDFInfo
- Publication number
- CN108171214A CN108171214A CN201810063068.2A CN201810063068A CN108171214A CN 108171214 A CN108171214 A CN 108171214A CN 201810063068 A CN201810063068 A CN 201810063068A CN 108171214 A CN108171214 A CN 108171214A
- Authority
- CN
- China
- Prior art keywords
- frame
- present frame
- abnormal
- anomalous identification
- characteristic pattern
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明公开了一种基于深度学习的视频监控异常识别方法及系统,涉及视频监控异常识别领域;其方法包括:1)采集监控视频流的第一帧,将第一帧作为当前帧和参考帧;2)基于步骤1从特征提取网络获取当前帧特征图和参考帧特征图;3)判断当前帧特征图和参考帧特征图的差异值是否大于阈值,若是,则当前帧为异常帧,对其进行异常识别后,跳至步骤4;若否,则当前帧无异常,跳至步骤5;4)将监控视频流的下一帧作为当前帧,将异常帧作为参考帧后跳至步骤2;5)将监控视频流的下一帧作为当前帧,保持此时的参考帧不变后跳至步骤2;本发明解决了现有视频监控仅通过比较图像的像素值进行异常识别,导致无法识别异常类型、识别准确率低的问题。
Description
技术领域
本发明涉及视频监控异常识别领域,尤其是一种基于深度学习的视频监控异常识别方法及系统。
背景技术
视频监控具有直观、准确、及时和信息丰富等特点,作为安防系统的重要组成部分,广泛运用于多种场合;传统的视频监控系统包含视频采集设备、视频传输设备和视频监控平台,视频采集设备能够实时采集监控画面,并通过视频传输设备将采集到的监控画面传输至视频监控平台,用户可以通过视频监控平台实时监控现场的画面,但是视频监控平台通常为一台固定的显示设备,需要用户安排监控人员长时间不断的观察监控画面,在发生异常时采取相关措施;在长时间、持续的监控下,易造成监控人员的疲劳;不仅监控的效率低下,而且发现异常的检测率较低,尤其是当需要调用保存的监控视频资料时,由于没有对异常进行记录和识别,在获取关键异常画面时效率低下,浪费大量的人力和物力。
现有基于视频监控的异常识别方法通常采用在原图像上进行像素值的比较,不能识别出异常的类型,导致异常识别的准确性差、实用性差、效果不佳。
发明内容
本发明的目的在于:本发明提供了一种基于深度学习的视频监控异常识别方法及系统,解决了现有视频监控仅通过比较图像的像素值进行异常识别,导致无法识别异常类型、识别准确率低的问题。
本发明采用的技术方案如下:
一种基于深度学习的视频监控异常识别方法,包括如下步骤:
步骤1:采集监控视频流的第一帧,将第一帧作为当前帧和参考帧;
步骤2:基于当前帧和参考帧从特征提取网络获取当前帧特征图和参考帧特征图;
步骤3:判断当前帧特征图和参考帧特征图的差异值是否大于阈值,若是,则当前帧为异常帧,对其进行异常识别后,跳至步骤4;若否,则当前帧无异常,跳至步骤5;
步骤4:将监控视频流的下一帧作为当前帧,将异常帧作为参考帧后跳至步骤2;
步骤5:将监控视频流的下一帧作为当前帧,保持此时的参考帧不变后跳至步骤2。
优选地,所述步骤2包括如下步骤:
步骤2.1:将当前帧和参考帧输入特征提取网络进行特征提取后,获得当前特征图和参考特征图。
优选地,所述特征提取网络包括24个卷积层。
优选地,所述步骤3包括如下步骤:
步骤3.1:根据当前帧特征图获得当前帧特征向量,根据参考帧特征图获得参考帧特征向量;
步骤3.2:将当前帧特征向量和参考帧特征向量分别代入马氏距离公式得到差异值,马氏距离公式如下:
步骤3.3:判断差异值是否大于阈值,若是,则当前帧为异常帧,跳至步骤3.4利用YOLO算法进行异常识别;若否,则当前帧无异常,跳至步骤5;
步骤3.4:在YOLO算法中的全连接层进行异常识别后结合时钟模块和存储模块记录异常识别的类型、位置和时间后,并跳至步骤4;
优选地,所述步骤3.4包括如下步骤:
步骤3.41:将当前图像压缩并将压缩后的图像分为N*N网格;
步骤3.42:检测落入每个网格的物体,每个网格输出B个boundingbox信息(包含位置、尺度和confidence)和C个conditional classprobability(条件类别概率);
步骤3.43:将步骤3.42所得代入维度公式定义识别结果所用到的数据,维度公式如下:S=N*N(B*5+C);
步骤3.44:根据每个boundingbox信息中的confidence与conditionalclassprobability(条件类别概率)相乘得到每个boundingbox的具体类别的confidencescore,判断其是否大于阈值,若是,则得出异常识别的类别;
步骤3.45:时钟模块记录对应时间后,并利用存储模块将异常信息(类别、位置和尺度)和时间记录保存。
一种基于深度学习的视频监控异常识别系统,包括
图像采集模块,用于采集监控画面后获取当前帧,并将当前第一帧作为参考帧;
异常检测模块,用于从特征提取网络中获取当前帧特征图和参考帧的特征图,并根据其进行异常检测,若异常,则将异常帧送至异常识别模块进行异常识别并将异常帧作为参考帧进行下一轮的异常检测,若正常则继续获取当前帧;
异常识别模块,用于根据异常帧使用YOLO算法获取异常的类别及位置信息;
时钟模块,用于获取异常帧的时间戳;
控制中心,用于控制图像采集模块的图像采集、调用时钟模块以及控制异常检测模块和异常识别模块;
存储模块,用于存储异常帧的时间戳、异常的类别和位置信息。
优选地,所述异常检测模块包括特征提取网络,所述特征提取网络包括24个卷积层,所述卷积层用于提取图像特征。
优选地,所述异常识别模块包括2个全连接层,所述连接层用于获取图像中物体的位置及其类别的概率值。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明在深度学习网络中利用特征提取网格进行异常检测并识别异常的物体属性,并将异常识别的类别、位置和时间等信息存储,解决了现有视频监控仅通过比较图像的像素值进行异常识别,导致无法识别异常类型、识别准确率低的问题,达到了提高异常识别的准确性和全面性,便于后期查看,提高安保的工作效率的效果;
2.本发明的异常检测通过将视频流的帧通过深度学习网络利用网格提取特征图,并将特征图的参考帧和当前帧通过计算马氏距离后进行比较得出异常帧,将异常帧作为下一轮比较的参考镇,进一步提高异常检测的准确性,从而提高异常识别的属性的准确性;
3.本发明通过在深度学习网络的卷积层和全连接层之间设置异常检测,进一步提高异常检测的效率,通过异常识别模块识别异常的类型、位置,时钟模块记录异常时间,从而完善异常识别,便于后期安保人员查看,提高安保人员工作效率,避免现有视频监控无法进行异常识别和异常识别相关信息的存储导致安保工作人员工作量大、工作效率低的缺点。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的流程图;
图2是本发明的结构示意图;
图3是本发明的系统框图;
图4是本发明的异常识别流程示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-4对本发明作详细说明。
实施例1
一种基于深度学习的视频监控异常识别方法,包括如下步骤:
步骤1:采集监控视频流的第一帧,将第一帧作为当前帧和参考帧;
步骤2:基于当前帧和参考帧从特征提取网络获取当前帧特征图和参考帧特征图;
步骤3:判断当前帧特征图和参考帧特征图的差异值是否大于阈值,若是,则当前帧为异常帧,对其进行异常识别后,跳至步骤4;若否,则当前帧无异常,跳至步骤5;
步骤4:将监控视频流的下一帧作为当前帧,将异常帧作为参考帧后跳至步骤2;
步骤5:将监控视频流的下一帧作为当前帧,保持此时的参考帧不变后跳至步骤2。
一种基于深度学习的视频监控异常识别系统,包括
图像采集模块,用于采集监控画面后获取当前帧,并将当前第一帧作为参考帧;
异常检测模块,用于从特征提取网络中获取当前帧特征图和参考帧的特征图,并根据其进行异常检测,若异常,则将异常帧送至异常识别模块进行异常识别并将异常帧作为参考帧进行下一轮的异常检测,若正常则继续获取当前帧;
异常识别模块,用于根据异常帧使用YOLO算法获取异常的类别及位置信息;
时钟模块,用于获取异常帧的时间戳;
控制中心,用于控制图像采集模块的图像采集、调用时钟模块以及控制异常检测模块和异常识别模块;
存储模块,用于存储异常帧的时间戳、异常的类别和位置信息。
异常检测模块包括特征提取网络,所述特征提取网络包括24个卷积层,所述卷积层用于提取图像特征。
异常识别模块包括2个全连接层,所述连接层用于获取图像中物体的位置及其类别的概率值。
实施例2
步骤1:采集监控视频流的第一帧,将第一帧作为当前帧和参考帧;
步骤2:基于当前帧和参考帧从特征提取网络获取当前帧特征图和参考帧特征图;
步骤2.1:将当前帧和参考帧输入特征提取网络进行特征提取后,获得当前特征图和参考特征图;特征提取网络包括24个卷积层;
步骤3:判断当前帧特征图和参考帧特征图的差异值是否大于阈值,若是,则当前帧为异常帧,对其进行异常识别后,跳至步骤4;若否,则当前帧无异常,跳至步骤5;
步骤3.1:根据当前帧特征图获得当前帧特征向量,根据参考帧特征图获得参考帧特征向量;
步骤3.2:将当前帧特征向量x和参考帧特征向量y分别代入马氏距离公式得到差异值d,马氏距离公式如下:
步骤3.3:判断差异值是否大于阈值,若是,则当前帧为异常帧,跳至步骤3.4利用YOLO算法进行异常识别;若否,则当前帧无异常,跳至步骤5;
步骤3.4:在YOLO算法中的全连接层进行异常识别后结合时钟模块和存储模块记录异常识别的类型、位置、尺度和时间,具体包括如下步骤:
步骤3.41:将当前图像压缩并将压缩后的图像分为N*N网格;图像压缩至448*448,N取7;
步骤3.42:检测落入每个网格的物体,每个网格输出B个boundingbox信息和C个conditional class probability(条件类别概率)即Pr(Classi|Object);
boundingbox信息为(x,y,w,h,confidence);其中x,y是指当前格子预测得到的物体的boundingbox的中心位置的坐标;w,h是boundingbox的宽度和高度;confidence反映当前boundingbox是否包含物体及物体位置的准确性,计算方式为:
confidence=P(object)*IoU
(其中,IoU为预测的boundingbox和物体真实区域的交集面积与并集面积之比;若boundingbox包含物体,则P(object)=1,否则P(object)=0);Pr(Classi|Object)代表存在物体时属于某类物体的概率;boundingbox信息包含异常物体的位置和尺度;
步骤3.43:将步骤3.41和步骤3.42所得计算一个网格的特征维度为B*5+C,所有网格的特征维度为S,维度公式如下:S=N*N(B*5+C);特征维度为计算识别结果所用到数据的定义;
步骤3.44:将每个网格的conditional classprobability与每个boundingbox的confidence相乘得到每个boundingbox的具体类别的confidence score,表达式如下:
confidence score=Pr(Classi|Object)*P(object)*IoU=Pr(Classi)*IoU
当前网格中最大的confidence score大于阈值时,则该confidence score对应的object类别为识别异常的类型;若当前网格中最大的confidence score小于阈值时,则认为当前网格中不存在异常。
步骤3.45:时钟模块记录对应时间后,并利用存储模块将异常信息(类别、位置和尺度)和时间记录保存;
步骤4:将监控视频流的下一帧作为当前帧,将异常帧作为参考帧后跳至步骤2;
步骤5:将监控视频流的下一帧作为当前帧,保持此时的参考帧不变后跳至步骤2。
本发明在深度学习网络中利用特征提取网格进行异常检测并识别异常的物体属性,并将异常识别的类别、位置和时间等信息存储,解决了现有视频监控仅通过比较图像的像素值进行异常识别,导致无法识别异常类型、识别准确率低的问题,达到了提高异常识别的准确性和全面性,便于后期查看,提高安保的工作效率的效果。
Claims (8)
1.一种基于深度学习的视频监控异常识别方法,其特征在于:包括如下步骤:
步骤1:采集监控视频流的第一帧,将第一帧作为当前帧和参考帧;
步骤2:基于当前帧和参考帧从特征提取网络获取当前帧特征图和参考帧特征图;
步骤3:判断当前帧特征图和参考帧特征图的差异值是否大于阈值,若是,则当前帧为异常帧,对其进行异常识别后,跳至步骤4;若否,则当前帧无异常,跳至步骤5;
步骤4:将监控视频流的下一帧作为当前帧,将异常帧作为参考帧后跳至步骤2;
步骤5:将监控视频流的下一帧作为当前帧,保持此时的参考帧不变后跳至步骤2。
2.根据权利要求1所述的一种基于深度学习的视频监控异常识别方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1:将当前帧和参考帧输入特征提取网络进行特征提取后,获得当前特征图和参考特征图。
3.根据权利要求2所述的一种基于深度学习的视频监控异常识别方法,其特征在于:所述特征提取网络包括24个卷积层。
4.根据权利要求3所述的一种基于深度学习的视频监控异常识别方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:根据当前帧特征图获得当前帧特征向量,根据参考帧特征图获得参考帧特征向量;
步骤3.2:将当前帧特征向量和参考帧特征向量分别代入马氏距离公式得到差异值,马氏距离公式如下:
步骤3.3:判断差异值是否大于阈值,若是,则当前帧为异常帧,跳至步骤3.4利用YOLO算法进行异常识别;若否,则当前帧无异常,跳至步骤5;
步骤3.4:在YOLO算法中的全连接层进行异常识别后结合时钟模块和存储模块记录异常识别的类型、位置和时间后,并跳至步骤4;
5.根据权利要求4所述的一种基于深度学习的视频监控异常识别方法,其特征在于:所述步骤3.4包括如下步骤:
步骤3.41:将当前图像压缩并将压缩后的图像分为N*N网格;
步骤3.42:检测落入每个网格的物体,每个网格输出B个bounding box信息(包含位置、尺度和confidence)和C个conditional class probability(条件类别概率);
步骤3.43:将步骤3.42所得代入维度公式定义识别结果所用到的数据,维度公式如下:S=N*N(B*5+C);
步骤3.44:根据每个bounding box信息中的confidence与conditional classprobability(条件类别概率)相乘得到每个bounding box的具体类别的confidencescore,判断其是否大于阈值,若是,则得出异常识别的类别;
步骤3.45:时钟模块记录对应时间后,并利用存储模块将异常信息(类别、位置和尺度)和时间记录保存。
6.一种基于深度学习的视频监控异常识别系统,其特征在于:包括
图像采集模块,用于采集监控画面后获取当前帧,并将当前第一帧作为参考帧;
异常检测模块,用于从特征提取网络中获取当前帧特征图和参考帧的特征图,并根据其进行异常检测,若异常,则将异常帧送至异常识别模块进行异常识别并将异常帧作为参考帧进行下一轮的异常检测,若正常则继续获取当前帧;
异常识别模块,用于根据异常帧使用YOLO算法获取异常的类别及位置信息;
时钟模块,用于获取异常帧的时间戳;
控制中心,用于控制图像采集模块的图像采集、调用时钟模块以及控制异常检测模块和异常识别模块;
存储模块,用于存储异常帧的时间戳、异常的类别和位置信息。
7.根据权利要求6所述的一种基于深度学习的视频监控异常识别系统,其特征在于:所述异常检测模块包括特征提取网络,所述特征提取网络包括24个卷积层,所述卷积层用于提取图像特征。
8.根据权利要求7所述的一种基于深度学习的视频监控异常识别系统,其特征在于:所述异常识别模块包括2个全连接层,所述连接层用于获取图像中物体的位置及其类别的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063068.2A CN108171214A (zh) | 2018-01-23 | 2018-01-23 | 一种基于深度学习的视频监控异常识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810063068.2A CN108171214A (zh) | 2018-01-23 | 2018-01-23 | 一种基于深度学习的视频监控异常识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171214A true CN108171214A (zh) | 2018-06-15 |
Family
ID=62515609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810063068.2A Pending CN108171214A (zh) | 2018-01-23 | 2018-01-23 | 一种基于深度学习的视频监控异常识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171214A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008916A (zh) * | 2019-04-11 | 2019-07-12 | 深圳云朵数据科技有限公司 | 一种视频图像存储方法、装置、设备及存储介质 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN111723603A (zh) * | 2019-03-19 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 物料监控方法、系统及装置 |
CN112001237A (zh) * | 2020-07-13 | 2020-11-27 | 苏宁智能终端有限公司 | 视频监播自动化测试方法及装置 |
CN112949456A (zh) * | 2021-02-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
CN115171328A (zh) * | 2022-06-30 | 2022-10-11 | 国网北京市电力公司 | 基于视频压缩编码的烟火识别方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360184A (zh) * | 2008-09-22 | 2009-02-04 | 腾讯科技(深圳)有限公司 | 提取视频关键帧的系统及方法 |
CN101720006A (zh) * | 2009-11-20 | 2010-06-02 | 张立军 | 一种适用于视频关键帧提取的代表帧定位方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
-
2018
- 2018-01-23 CN CN201810063068.2A patent/CN108171214A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360184A (zh) * | 2008-09-22 | 2009-02-04 | 腾讯科技(深圳)有限公司 | 提取视频关键帧的系统及方法 |
CN101720006A (zh) * | 2009-11-20 | 2010-06-02 | 张立军 | 一种适用于视频关键帧提取的代表帧定位方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
Non-Patent Citations (1)
Title |
---|
王宇宁等: "基于YOLO算法的车辆实时检测", 《武汉理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723603A (zh) * | 2019-03-19 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 物料监控方法、系统及装置 |
CN110008916A (zh) * | 2019-04-11 | 2019-07-12 | 深圳云朵数据科技有限公司 | 一种视频图像存储方法、装置、设备及存储介质 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110543908B (zh) * | 2019-08-30 | 2022-03-25 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN112001237A (zh) * | 2020-07-13 | 2020-11-27 | 苏宁智能终端有限公司 | 视频监播自动化测试方法及装置 |
CN112949456A (zh) * | 2021-02-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
CN112949456B (zh) * | 2021-02-26 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
CN115171328A (zh) * | 2022-06-30 | 2022-10-11 | 国网北京市电力公司 | 基于视频压缩编码的烟火识别方法、装置、设备及介质 |
CN115171328B (zh) * | 2022-06-30 | 2023-11-10 | 国网北京市电力公司 | 基于视频压缩编码的烟火识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171214A (zh) | 一种基于深度学习的视频监控异常识别方法及系统 | |
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
CN111191576B (zh) | 人员行为目标检测模型构建方法、智能分析方法及系统 | |
US8619135B2 (en) | Detection of abnormal behaviour in video objects | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
CN109034092A (zh) | 用于监控系统的异常事件检测方法 | |
CN111767823A (zh) | 一种睡岗检测方法、装置、系统及存储介质 | |
CN108830185B (zh) | 基于多任务联合学习的行为识别及定位方法 | |
WO2021114896A1 (zh) | 一种基于计算机视觉的异常检测方法、装置及电子设备 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN109117774B (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN111783685A (zh) | 一种基于单阶段网络模型的目标检测改进算法 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
CN114926781A (zh) | 支持实时监控场景的多人时空域异常行为定位方法及系统 | |
CN111597921A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN114639046A (zh) | 一种基于时间序列检测的打斗行为识别方法 | |
CN113392779A (zh) | 基于生成对抗网络的人群监控方法、装置、设备及介质 | |
CN112287884A (zh) | 一种考试异常行为检测方法、装置及计算机可读存储介质 | |
CN110086860B (zh) | 一种物联网大数据环境下的数据异常检测方法及装置 | |
CN115346169B (zh) | 一种睡岗行为检测方法及系统 | |
KR20210055881A (ko) | 소장 정결도를 진단하는 시스템 및 방법 | |
CN109934193A (zh) | 全局上下文先验约束的抗遮挡人脸超分辨率方法及其系统 | |
CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
CN114973135A (zh) | 一种基于头肩的时序视频睡岗识别方法、系统及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |