CN108229452A - 基于深度神经网络和dsp芯片的人数统计装置和方法 - Google Patents

基于深度神经网络和dsp芯片的人数统计装置和方法 Download PDF

Info

Publication number
CN108229452A
CN108229452A CN201810228460.8A CN201810228460A CN108229452A CN 108229452 A CN108229452 A CN 108229452A CN 201810228460 A CN201810228460 A CN 201810228460A CN 108229452 A CN108229452 A CN 108229452A
Authority
CN
China
Prior art keywords
neural network
unit
converting units
deep neural
central control
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
Application number
CN201810228460.8A
Other languages
English (en)
Other versions
CN108229452B (zh
Inventor
李经纬
眭泽
孙敬博
焦雨泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201810228460.8A priority Critical patent/CN108229452B/zh
Publication of CN108229452A publication Critical patent/CN108229452A/zh
Application granted granted Critical
Publication of CN108229452B publication Critical patent/CN108229452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度神经网络和DSP芯片的人数统计装置和方法，涉及机器学习和嵌入式技术领域。该装置包括中央控制单元、存储单元、输入单元、输入A/D转换单元、输出A/D转换单元、显示单元、人机交互单元、仿真单元和CPLD器件。中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连。本发明还提供使用基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法。本发明提供的基于深度神经网络和DSP芯片的人数统计装置和方法，具有更高的计算处理能力，可以实现现场数据高精度、高速度实时采集，适用于多种复杂环境，且成本低，具有较高的实用价值。

Description

基于深度神经网络和DSP芯片的人数统计装置和方法
技术领域
本发明涉及机器学习和嵌入式技术领域，尤其涉及一种基于深度神经网络和DSP芯片的人数统计装置和方法。
背景技术
随着计算机技术和人工智能的发展，图像识别技术开始逐渐走进人们的生活。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术，是人工智能的一个重要领域，另外在地理学中也指将遥感图像进行分类的技术。目前人脸识别、多目标检测等的兴起也使得图像识别的发展方兴未艾。目前的图像识别技术主要是通过深度神经网络来实现，将深度神经网络应用到人数统计方面也有前车之鉴。运用深度神经网络进行人数统计，适应了当今经济社会发展的需要，将其运用到医院、商场、学校、室内等各种公共场所，能够有效地协助安全人员，在遇到紧急情况时更加及时的处理，保证公民的人身和财产安全。而使用神经网络的平台主要是PC和服务器，体积大，功耗大，成本高，不能满足嵌入式产品的需求。而DSP作为主要的嵌入式开发平台之一，并不能支持现有的神经网络框架所使用的语言。
发明内容
针对现有技术的缺陷，本发明提供一种基于深度神经网络和DSP芯片的人数统计装置和方法，将现有的神经网络框架植入到DSP芯片，实现对摄入图像中的人数进行统计。
一方面，本发明提供一种基于深度神经网络和DSP芯片的人数统计装置，包括中央控制单元、存储单元、输入单元、显示单元、输入A/D转换单元、输出A/D转换单元、人机交互单元、仿真单元和复杂可编程逻辑器件(Complex Programmable Logic Device，简称CPLD)；所述中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连；所述复杂可编程逻辑器件CPLD通过总线与中央控制单元相连；所述输入单元的输出端与输入A/D转换单元的输入端相连，所述显示单元的输入端与输出A/D转换单元的输出端相连；所述中央控制单元内置深度神经网络框架程序。
优选地，所述中央控制单元采用DSP微处理器。
优选地，所述存储单元包括数据存储器SDRAM和FLASH闪存，并且数据存储器SDRAM在200MHz下运行。
优选地，所述输入单元采用摄像头，显示单元采用TFT-LCD液晶显示器。
优选地，所述输入A/D转换单元和输出A/D转换单元均采用CMOS传感器。
优选地，所述人机交互单元采用键盘按键进行人机交互。
优选地，所述仿真单元采用XDS560仿真器，进行实时调试和检测。
另一方面，本发明还提供一种采用上述基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法，包括以下步骤：
步骤1、使用C语言在集成开发环境下对中央控制单元进行编程构建神经网络模型，然后烧写中央控制单元的电路；
所述编程构建神经网络模型的具体方法为：
步骤1.1、通过使用神经网络框架tensorflow获得所需要功能的深度神经网络的权值数据，将权值数据储存成npy格式，再将.npy文件中的数据通过python语言读取，并存储为.mat文件；
步骤1.2、使用一个结构体代替了面向对象编程中的类，并且作为权系数矩阵和数据流动过程临时数据的数据类型，搭建一个神经网络，具体方法为：
1、使用C语言读取png图片的数据，将图片信号转换为数字输入；
2、根据设计好的神经网络选择卷积核的数目、尺寸以及pad和stride并输入；
3、根据设计好的神经网络选择选择池化类型为最大池化或平均池化，定义池化的size、pad和stride并输入；
4、根据神经网络的结构，在卷积层或池化层后调用本系统的全连接层，并且在之后接softmax层用以计算图像各识别结果的概率；
5、将softmax层中概率最大的结果作为图像识别结果输出；
步骤2、按下人机交互单元的键盘按键，开启输入单元进行图像采集，并将其传送到输入A/D转换单元，将图像信息转换为数字信号，再按一次按键停止图像采集；
步骤3、输入A/D转换单元的输出端口与中央控制单元的视频端口相连接，预处理过的数字信号进入中央控制单元中，通过内置的深度神经网络模型对图像内容进行处理，图像识别结果再通过中央控制单元的视频输出端口输出到输出A/D转换单元进行数模转换，进而输出到显示单元，显示单元实时显示人数分布密度图，密度图人数的疏密通过颜色来体现；
步骤4、中央控制单元根据人数分布密度图，采用像素逐点统计的方法，计算出当前图片上的人数，并将计算结果输出到显示单元进行显示。
由上述技术方案可知，本发明的有益效果在于：本发明提供的基于深度神经网络和DSP芯片的人数统计装置和方法，通过C语言构建的深度学习神经网络模型框架，可以很好地实现各种图像识别功能，再将深度学习神经网络模型植入到中央控制单元中，使图像识别的平台具有具有更高的计算处理能力，可以实现现场数据高精度、高速度实时采集，适用于多种复杂环境，且成本低，具有较高的实用价值，同时，方便后续的开发使用。
附图说明
图1为本发明实施例提供的基于深度神经网络和DSP芯片的人数统计装置的结构框图；
图2为本发明实施例提供的中央控制单元所使用的TMS320DM642型DSP芯片的原理框图；
图3为本发明实施例提供的摄像头视频口的结构框图；
图4为本发明实施例提供的摄像头采集到的图像；
图5为本发明实施例提供的采集的图像经过中央控制单元处理后得到的人数分布密度图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
基于深度神经网络和DSP芯片的人数统计装置，如图1所示，包括中央控制单元、存储单元、输入单元、显示单元、输入A/D转换单元、输出A/D转换单元、人机交互单元、仿真单元和复杂可编程逻辑器件(Complex Programmable Logic Device，简称CPLD)。中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连。复杂可编程逻辑器件CPLD通过总线与中央控制单元相连，输入单元的输出端与输入A/D转换单元的输入端相连，显示单元的输入端与输出A/D转换单元的输出端相连，中央控制单元内置深度神经网络框架程序。
本实施例中，中央控制单元采用如图2所示型号为TMS320DM642DSP微处理器，其设有PPI、SPORT、SPI端口。存储单元包括型号为DDR-400的数据存储器SDRAM和FLASH闪存，并且数据存储器SDRAM在200MHz下运行。输入单元采用如图3所示型号为SNA-825ABC的摄像头，显示单元采用TFT-LCD液晶显示器。输入A/D转换单元和输出A/D转换单元均采用型号为SAA7113的CMOS传感器。人机交互单元采用键盘按键进行人机交互。仿真单元采用XDS560仿真器，进行实时调试和检测。
采用上述基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法，包括以下步骤：
步骤1、使用C语言在集成开发环境下对DSP微处理器进行编程构建神经网络模型，然后烧写DSP微处理器的电路；
编程构建神经网络模型的具体方法为：
步骤1.1、通过使用神经网络框架tensorflow获得所需要功能的深度神经网络的权值数据，将权值数据储存成npy格式，再将.npy文件中的数据通过python语言读取，并存储为.mat文件；
步骤1.2、使用一个结构体代替了面向对象编程中的类，并且作为权系数矩阵和数据流动过程临时数据的数据类型，搭建一个神经网络，具体方法为：
1、使用C语言读取png图片的数据，将图片信号转换为数字输入；
2、根据设计好的神经网络选择卷积核的数目、尺寸以及pad和stride并输入；
3、根据设计好的神经网络选择选择池化类型为最大池化或平均池化，定义池化的size、pad和stride并输入；
4、根据神经网络的结构，在卷积层或池化层后调用本系统的全连接层，并且在之后接softmax层用以计算图像各识别结果的概率；
5、将softmax层中概率最大的结果作为图像识别结果输出；
步骤2、按下人机交互单元的键盘按键，开启摄像头进行图像采集，并将其传送到作为输入A/D转换单元的CMOS传感器，将图像信息转换为数字信号，再按一次按键停止图像采集；
步骤3、输入A/D转换单元的输出端口与DSP微处理器的视频端口相连接，预处理过的数字信号进入DSP微处理器中，通过内置的深度神经网络模型对图像内容进行处理，图像识别结果再通过DSP微处理器的视频输出端口输出到作为输出A/D转换单元的CMOS传感器进行数模转换，进而输出到液晶显示器，液晶显示器实时显示人数分布密度图，密度图人数的疏密通过颜色来体现；
步骤4、DSP微处理器根据人数分布密度图，采用像素逐点统计的方法，计算出当前图片上的人数，并将计算结果输出到显示单元进行显示。
本实施例中，作为输入单元的摄像头采集到的图像如图4所示，该图像经过DSP微处理和CMOS传感器进行处理后在液晶显示器上进行显示的人数分布密度图如图5所示，图中白色区域表示人数集中的区域。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (9)

1.一种基于深度神经网络和DSP芯片的人数统计装置，其特征在于：包括中央控制单元、存储单元、输入单元、显示单元、输入A/D转换单元、输出A/D转换单元、人机交互单元、仿真单元和复杂可编程逻辑器件CPLD；所述中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连；所述复杂可编程逻辑器件CPLD通过总线与中央控制单元相连；所述输入单元的输出端与输入A/D转换单元的输入端相连，所述显示单元的输入端与输出A/D转换单元的输出端相连；所述中央控制单元内置深度神经网络框架程序。
2.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述中央控制单元采用DSP微处理器。
3.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述存储单元包括数据存储器SDRAM和FLASH闪存，并且数据存储器SDRAM在200MHz下运行。
4.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述输入单元采用摄像头，显示单元采用TFT-LCD液晶显示器。
5.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述输入A/D转换单元和输出A/D转换单元均采用CMOS传感器。
6.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述人机交互单元采用键盘按键进行人机交互。
7.根据权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置，其特征在于：所述仿真单元采用XDS560仿真器，进行实时调试和检测。
8.采用权利要求1所述的基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法包括以下步骤：
步骤1、使用C语言在集成开发环境下对中央控制单元进行编程构建神经网络模型，然后烧写中央控制单元的电路；
步骤2、按下人机交互单元的键盘按键，开启输入单元进行图像采集，并将其传送到输入A/D转换单元，将图像信息转换为数字信号，再按一次按键停止图像采集；
步骤3、输入A/D转换单元的输出端口与中央控制单元的视频端口相连接，预处理过的数字信号进入中央控制单元中，通过内置的深度神经网络模型对图像内容进行处理，图像识别结果再通过中央控制单元的视频输出端口输出到输出A/D转换单元进行数模转换，进而输出到显示单元，显示单元实时显示人数分布密度图，密度图人数的疏密通过颜色来体现；
步骤4、中央控制单元根据人数分布密度图，采用像素逐点统计的方法，计算出当前图片上的人数，并将计算结果输出到显示单元进行显示。
9.根据权利要求8所述的基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法，其特征在于：所述编程构建神经网络模型的具体方法为：
步骤1.1、通过使用神经网络框架tensorflow获得所需要功能的深度神经网络的权值数据，将权值数据储存成npy格式，再将.npy文件中的数据通过python语言读取，并存储为.mat文件；
步骤1.2、使用一个结构体代替了面向对象编程中的类，并且作为权系数矩阵和数据流动过程临时数据的数据类型，搭建一个神经网络，具体方法为：
1、使用C语言读取png图片的数据，将图片信号转换为数字输入；
2、根据设计好的神经网络选择卷积核的数目、尺寸以及pad和stride并输入；
3、根据设计好的神经网络选择选择池化类型为最大池化或平均池化，定义池化的size、pad和stride并输入；
4、根据神经网络的结构，在卷积层或池化层后调用本系统的全连接层，并且在之后接softmax层用以计算图像各识别结果的概率；
5、将softmax层中概率最大的结果作为图像识别结果输出。
CN201810228460.8A 2018-03-20 2018-03-20 基于深度神经网络和dsp芯片的人数统计装置和方法 Active CN108229452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810228460.8A CN108229452B (zh) 2018-03-20 2018-03-20 基于深度神经网络和dsp芯片的人数统计装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810228460.8A CN108229452B (zh) 2018-03-20 2018-03-20 基于深度神经网络和dsp芯片的人数统计装置和方法

Publications (2)

Publication Number Publication Date
CN108229452A true CN108229452A (zh) 2018-06-29
CN108229452B CN108229452B (zh) 2024-05-03

Family

ID=62658795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810228460.8A Active CN108229452B (zh) 2018-03-20 2018-03-20 基于深度神经网络和dsp芯片的人数统计装置和方法

Country Status (1)

Country Link
CN (1) CN108229452B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740444A (zh) * 2018-12-13 2019-05-10 深圳云天励飞技术有限公司 人流量信息展示方法及相关产品
CN110175562A (zh) * 2019-05-24 2019-08-27 深圳职业技术学院 一种基于并行计算的gpu加速行人检测算法
CN111224727A (zh) * 2020-04-24 2020-06-02 成都坤恒顺维科技股份有限公司 一种基于信道仿真仪的自适应拓扑结构的实现方法
CN112633249A (zh) * 2021-01-05 2021-04-09 北华航天工业学院 一种基于轻型深度学习框架的嵌入式人流量检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004086288A2 (en) * 2003-03-24 2004-10-07 Ntag Interactive Corporation Apparatus and method for enhancing face-to-face communication
CN101025790A (zh) * 2007-01-15 2007-08-29 中北大学 基于图像的公共汽车人数自动统计仪
CN203133982U (zh) * 2013-03-29 2013-08-14 长安大学 基于arm和数字图像处理的公交车客流自动计数装置
US20140313330A1 (en) * 2013-04-19 2014-10-23 James Carey Video identification and analytical recognition system
US20150317517A1 (en) * 2012-11-26 2015-11-05 Zte Corporation Method, apparatus and system for acquiring headcount
CN205582267U (zh) * 2016-03-25 2016-09-14 青岛智慧城市产业发展有限公司 一种可自动识别行人人数调整换灯节奏的智能人行红绿灯系统
US20170085839A1 (en) * 2015-09-17 2017-03-23 Dan Valdhorn Method and system for privacy preserving lavatory monitoring
CN107368857A (zh) * 2017-07-24 2017-11-21 深圳市图芯智能科技有限公司 图像对象检测方法、系统及模型处理方法、设备、终端
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN207882929U (zh) * 2018-03-20 2018-09-18 东北大学 基于深度神经网络和dsp芯片的人数统计装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004086288A2 (en) * 2003-03-24 2004-10-07 Ntag Interactive Corporation Apparatus and method for enhancing face-to-face communication
CN101025790A (zh) * 2007-01-15 2007-08-29 中北大学 基于图像的公共汽车人数自动统计仪
US20150317517A1 (en) * 2012-11-26 2015-11-05 Zte Corporation Method, apparatus and system for acquiring headcount
CN203133982U (zh) * 2013-03-29 2013-08-14 长安大学 基于arm和数字图像处理的公交车客流自动计数装置
US20140313330A1 (en) * 2013-04-19 2014-10-23 James Carey Video identification and analytical recognition system
US20170085839A1 (en) * 2015-09-17 2017-03-23 Dan Valdhorn Method and system for privacy preserving lavatory monitoring
CN205582267U (zh) * 2016-03-25 2016-09-14 青岛智慧城市产业发展有限公司 一种可自动识别行人人数调整换灯节奏的智能人行红绿灯系统
CN107368857A (zh) * 2017-07-24 2017-11-21 深圳市图芯智能科技有限公司 图像对象检测方法、系统及模型处理方法、设备、终端
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN207882929U (zh) * 2018-03-20 2018-09-18 东北大学 基于深度神经网络和dsp芯片的人数统计装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TRENT1985: "深度学习神经网络纯C语言基础版", pages 1 - 2, Retrieved from the Internet <URL:《https://blog.csdn.net/trent1985/article/details/76861775》> *
ZHU QIUYU等: "A novel approach of counting people based on stereovision and DSP", 《IEEE XPLORE》, pages 81 - 84 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740444A (zh) * 2018-12-13 2019-05-10 深圳云天励飞技术有限公司 人流量信息展示方法及相关产品
CN110175562A (zh) * 2019-05-24 2019-08-27 深圳职业技术学院 一种基于并行计算的gpu加速行人检测算法
CN110175562B (zh) * 2019-05-24 2024-01-16 深圳职业技术大学 一种基于并行计算的gpu加速行人检测算法
CN111224727A (zh) * 2020-04-24 2020-06-02 成都坤恒顺维科技股份有限公司 一种基于信道仿真仪的自适应拓扑结构的实现方法
CN111224727B (zh) * 2020-04-24 2020-07-31 成都坤恒顺维科技股份有限公司 一种基于信道仿真仪的自适应拓扑结构的实现方法
CN112633249A (zh) * 2021-01-05 2021-04-09 北华航天工业学院 一种基于轻型深度学习框架的嵌入式人流量检测方法

Also Published As

Publication number Publication date
CN108229452B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN108229452A (zh) 基于深度神经网络和dsp芯片的人数统计装置和方法
EP4002198A1 (en) Posture acquisition method and device, and key point coordinate positioning model training method and device
CN109558832B (zh) 一种人体姿态检测方法、装置、设备及存储介质
CN106469302B (zh) 一种基于人工神经网络的人脸肤质检测方法
CN110084281A (zh) 图像生成方法、神经网络的压缩方法及相关装置、设备
CN107358157A (zh) 一种人脸活体检测方法、装置以及电子设备
CN110135476A (zh) 一种个人安全装备的检测方法、装置、设备及系统
CN105512624A (zh) 一种人脸图像的笑脸识别方法及其装置
CN111222486B (zh) 手部姿态识别模型的训练方法、装置、设备及存储介质
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
CN108229300A (zh) 视频分类方法、装置、计算机可读存储介质和电子设备
CN110363093A (zh) 一种司机动作识别方法及装置
CN105184278A (zh) 一种人脸检测方法和装置
CN108416253A (zh) 基于人脸图像的体重监测方法、系统及移动终端
CN109063643A (zh) 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法
CN110516734A (zh) 一种图像匹配方法、装置、设备及存储介质
CN111797302A (zh) 模型处理方法、装置、存储介质及电子设备
CN109784140A (zh) 驾驶员属性识别方法及相关产品
CN207882929U (zh) 基于深度神经网络和dsp芯片的人数统计装置
CN111339943A (zh) 一种对象管理方法、系统、平台、设备及介质
Chen et al. Impact of sports wearable testing equipment based on vision sensors on the sports industry
CN112651333B (zh) 静默活体检测方法、装置、终端设备和存储介质
CN107590830A (zh) 基于图像的高度确定方法、装置及存储介质
CN111652168A (zh) 基于人工智能的群体检测方法、装置、设备及存储介质
He et al. High accuracy intelligent real-time framework for detecting infant drowning based on deep learning

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