CN108388883A - 一种基于hog+svm的视频人数统计方法 - Google Patents
一种基于hog+svm的视频人数统计方法 Download PDFInfo
- Publication number
- CN108388883A CN108388883A CN201810219143.XA CN201810219143A CN108388883A CN 108388883 A CN108388883 A CN 108388883A CN 201810219143 A CN201810219143 A CN 201810219143A CN 108388883 A CN108388883 A CN 108388883A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- svm
- people
- training
- 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.)
- Withdrawn
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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于HOG+SVM的视频人数统计方法,其特征是,包括如下步骤:S10采集样本;S20 监督学习;S30设置摄像头;S40实时头部检测;S50光流法跟踪;S60设置和处理ROI;S70人数统计。这种方法成本低、统计精确度高。
Description
技术领域
本发明涉及图像采集分析技术,具体是一种基于HOG+SVM的视频人数统计方法。
背景技术
随着电子信息产业制造技术的提高、硬件成本的降低,以及如今传统机器学习的日渐成熟,视频图像分析技术得以用到各个行业领域,因而视频图像分析技术得以成为一项热门研究。人流量是一项重要指标,直接体现当前位置的人员流动情况和人们的热度。通过商圈中人流量指标可以合理地进行店面布局;通过商圈中某段时间的人流量统计可以科学地运营店面。
传统的商圈人流量统计有:通过人工统计的方法;通过机器设备的统计的方法。人工统计的方法可以满足实时人数,并能够进行人群的年龄、性别分类,但人工统计的方法并不能满足24小时统计,消耗大量人力物力。通过机器设备的统计方法则可以有红外线发生装置、重力感应器等,能够方便有效不花人力地进行人流量统计,但这类方法在判断拥挤人群,在判断人员年龄、性别和人员行进方向时往往发挥不好。本发明是一种基于视频分析技术的实时人流量统计方法,利用从行人顶部进行视频监控的方式,有效地解决了人流拥挤时统计会影响人流量的准确度的问题。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于HOG+SVM的视频人数统计方法。这种方法成本低、统计精确度高。
实现本发明目的的技术方案是:
一种基于HOG+SVM的视频人数统计方法,与现有技术不同的是,包括如下步骤:
S10采集样本:在人流量大的地方进行视频录制,对视频进行人头图像的采集工作,对人头图像与非人头图像进行标记分类,人头图像为正样本,非人头图像为负样本,并将正样本训练集和负样本训练集中的图像归一化处理,使得图像成为32*32像素的图像;
S20 监督学习:对人头图像与非人头图像进行分类和监督学习,此过程为离线学习,先分别提取训练输入图像和监控区域图像帧的梯度方向直方图特征即HOG,然后进行SVM分类器训练:即使用同一样本集训练第一SVM分类器和第二SVM分类器,对训练输入图像的梯度方向直方图特征进行SVM头部分类器的离线训练,把6463个经过HOG提取处理后的正样本训练图像集和负样本训练图像集作为支持向量机模型进行训练的输入第一分类器,把第一分类器检测大于0的检测的分区域记录下来,将第一SVM分类器分出检测结果大于0的区域送到第二SVM分类器进行检测,线性加权组合第一SVM分类器和第二SVM分类器检测得分,若大于预设的值,则更新分类器的训练数据,以得到最优特征值和支持向量,支持向量机SVM是一种努力寻求结构风险最小化的一种机器学习方法;
S30设置摄像头:连接摄像头进行实时监控,使用OpenCV接口打开摄像头,将视频图像进行缩放,以达到滑动窗口处理图像时行人头部能够在32*32像素图像中;
S40实时头部检测:对视频帧经过步骤S20进行处理,在视频图像中设置行人监控区域,使用训练好的SVM分类器在视频图像中检测行人头部,并在视频中标记出人头部位置;
S50光流法跟踪:采用光流法对检测到的行人头部图像进行跟踪,并记录行人运动轨迹;
S60设置和处理ROI:采用OpenCV库里面的ROI设置来实现感兴趣区域,只对感兴趣区域进行识别处理;
S70人数统计:根据头部的运动轨迹,对比预先设定的需要统计人数的区域范围通过坐标值的比较可判断行人进出方向,当运动物体先碰到进口标记然后继续运动碰到出口标记为进门行为,当运动物体先碰到出口标记然后继续运动碰到进口标记为出门行为,最后,根据进出口标志和头部运动轨迹判断进出行为,以实现人数的计数统计。
所述视频包括采用摄像设备从行人头顶部区域获取的至少一组行人监控样本视频和一组行人监控检测视频,样本可以分为3类:训练样本、测试样本和验证样本;这里分为两类:训练前和测试后。
所述步骤S30包括:
S31:输入正负样本图片;
S32:HOG特征值计算;
S33:第一SVM分类器训练;
S34:合并重叠区域;
S35:记录每个区域的SVM得分最大值;
S36:每个区域计算颜色直方图;
S37:第二SVM分类器训练;
S38:组合两个SVM得分;
S39:最优特征值和支持向量。
所述步骤S40包括:
S41:按帧图读取视频(需要统计人数的监控视频);
S42:滑动窗口遍历输入的视频图像并分割视频图像的每一帧到分类器;
S43:分割完成的视频图像,输入到训练完成的分类器进行判定,即把一个图像帧分割为若干个小图像,输入到svm分类器中进行分类;
S44:采用矩形框来标记出人头区域;
S45:重复矩形框合并。
所述步骤S60包括:
S61视频采集:通过摄像头获取实时图像并按帧读取视频;
S62零点设置:设置ROI区域的坐标原点;
S63设置ROI区:设置需要统计人数的矩形区域包括长度和宽度;
S64标记ROI区:每个尺度下的图像的检测结果装在ROI结构体中;
S65对ROI区域处理:将ROI区域中的人头矩形分别与正负样本库中的人头进行匹配;
S66取消ROI:对已经处理完的ROI区域进行计数并且将图像指针转到下一帧图像。
这种方法成本低、统计精确度高。
附图说明
图1为实施例方法的流程图示意图;
图2为实施例中的步骤S30的流程示意图;
图3为实施例中的步骤S40的流程示意图;
图4为实施例中的步骤S70的流程示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于HOG+SVM的视频人数统计方法,包括如下步骤:
S10采集样本:在人流量大的地方进行视频录制,对视频进行人头图像的采集工作,对人头图像与非人头图像进行标记分类,人头图像为正样本,非人头图像为负样本,并将正样本训练集和负样本训练集中的图像归一化处理,使得图像成为32*32像素的图像;
S20 监督学习:对人头图像与非人头图像进行分类和监督学习,此过程为离线学习,先分别提取训练输入图像和监控区域图像帧的梯度方向直方图特征即HOG,然后进行SVM分类器训练:即使用同一样本集训练第一SVM分类器和第二SVM分类器,对训练输入图像的梯度方向直方图特征进行SVM头部分类器的离线训练,把6463个经过HOG提取处理后的正样本训练图像集和负样本训练图像集作为支持向量机模型进行训练的输入第一分类器,把第一分类器检测大于0的检测的分区域记录下来,将第一SVM分类器分出检测结果大于0的区域送到第二SVM分类器进行检测,线性加权组合第一SVM分类器和第二SVM分类器检测得分,若大于预设的值,则更新分类器的训练数据,以得到最优特征值和支持向量,支持向量机SVM是一种努力寻求结构风险最小化的一种机器学习方法;
S30设置摄像头:连接摄像头进行实时监控,使用OpenCV接口打开摄像头,将视频图像进行缩放,以达到滑动窗口处理图像时行人头部能够在32*32像素图像中;
S40实时头部检测:对视频帧经过步骤S20进行处理,在视频图像中设置行人监控区域,使用训练好的SVM分类器在视频图像中检测行人头部,并在视频中标记出人头部位置;
S50光流法跟踪:采用光流法对检测到的行人头部图像进行跟踪,并记录行人运动轨迹;
S60设置和处理ROI:采用OpenCV库里面的ROI设置来实现感兴趣区域,只对感兴趣区域进行识别处理;
S70人数统计:根据头部的运动轨迹,对比预先设定的需要统计人数的区域范围通过坐标值的比较可判断行人进出方向,当运动物体先碰到进口标记然后继续运动碰到出口标记为进门行为,当运动物体先碰到出口标记然后继续运动碰到进口标记为出门行为,最后,根据进出口标志和头部运动轨迹判断进出行为,以实现人数的计数统计。
所述视频包括采用摄像设备从行人头顶部区域获取的至少一组行人监控样本视频和一组行人监控检测视频,样本可以分为3类:训练样本、测试样本和验证样本;这里分为两类:训练前和测试后。
所述视频包括采用摄像设备从行人头顶部区域获取的至少一组行人监控样本视频和一组行人监控检测视频,样本可以分为3类:训练样本、测试样本和验证样本;这里分为两类:训练前和测试后。
如图2所示,所述步骤S30包括:
S31:输入正负样本图片;
S32:HOG特征值计算;
S33:第一SVM分类器训练;
S34:合并重叠区域;
S35:记录每个区域的SVM得分最大值;
S36:每个区域计算颜色直方图;
S37:第二SVM分类器训练;
S38:组合两个SVM得分;
S39:最优特征值和支持向量。
如图3所示,所述步骤S40包括:
S41:按帧图读取视频(需要统计人数的监控视频);
S42:滑动窗口遍历输入的视频图像并分割视频图像的每一帧到分类器;
S43:分割完成的视频图像,输入到训练完成的分类器进行判定,即把一个图像帧分割为若干个小图像,输入到svm分类器中进行分类;
S44:采用矩形框来标记出人头区域;
S45:重复矩形框合并。
如图4所示,所述步骤S60包括:
S61视频采集:通过摄像头获取实时图像并按帧读取视频;
S62零点设置:设置ROI区域的坐标原点;
S63设置ROI区:设置需要统计人数的矩形区域包括长度和宽度;
S64标记ROI区:每个尺度下的图像的检测结果装在ROI结构体中;
S65对ROI区域处理:将ROI区域中的人头矩形分别与正负样本库中的人头进行匹配;
S66取消ROI:对已经处理完的ROI区域进行计数并且将图像指针转到下一帧图像。
Claims (5)
1.一种基于HOG+SVM的视频人数统计方法,其特征是,包括如下步骤:
S10采集样本:在人流量大的地方进行视频录制,对视频进行人头图像的采集工作,对人头图像与非人头图像进行标记分类,人头图像为正样本,非人头图像为负样本,并将正样本训练集和负样本训练集中的图像归一化处理,使得图像成为32*32像素的图像;
S20 监督学习:对人头图像与非人头图像进行分类和监督学习,先分别提取训练输入图像和监控区域图像帧的梯度方向直方图特征即HOG,然后进行SVM分类器训练:即使用同一样本集训练第一SVM分类器和第二SVM分类器,对训练输入图像的梯度方向直方图特征进行SVM头部分类器的离线训练,把6463个经过HOG提取处理后的正样本训练图像集和负样本训练图像集作为支持向量机模型进行训练的输入第一分类器,把第一分类器检测大于0的检测的分区域记录下来,将第一SVM分类器分出检测结果大于0的区域送到第二SVM分类器进行检测,线性加权组合第一SVM分类器和第二SVM分类器检测得分,若大于预设的值,则更新分类器的训练数据,以得到最优特征值和支持向量;
S30设置摄像头:连接摄像头进行实时监控,使用OpenCV接口打开摄像头,将视频图像进行缩放,以达到滑动窗口处理图像时行人头部能够在32*32像素图像中;
S40实时头部检测:对视频帧经过步骤S20进行处理,在视频图像中设置行人监控区域,使用训练好的SVM分类器在视频图像中检测行人头部,并在视频中标记出人头部位置;
S50光流法跟踪:采用光流法对检测到的行人头部图像进行跟踪,并记录行人运动轨迹;
S60设置和处理ROI:采用OpenCV库里面的ROI设置来实现感兴趣区域,只对感兴趣区域进行识别处理;
S70人数统计:根据头部的运动轨迹,对比预先设定的需要统计人数的区域范围通过坐标值的比较可判断行人进出方向,当运动物体先碰到进口标记然后继续运动碰到出口标记为进门行为,当运动物体先碰到出口标记然后继续运动碰到进口标记为出门行为,最后,根据进出口标志和头部运动轨迹判断进出行为,以实现人数的计数统计。
2.根据权利要求1所述的基于HOG+SVM的视频人数统计方法,其特征是,所述视频包括采用摄像设备从行人头顶部区域获取的至少一组行人监控样本视频和一组行人监控检测视频。
3.根据权利要求1所述的基于HOG+SVM的视频人数统计方法,其特征是,所述步骤S20包括:
S21:输入正负样本图片;
S22:HOG特征值计算;
S23:第一SVM分类器训练;
S24:合并重叠区域;
S25:记录每个区域的SVM得分最大值;
S26:每个区域计算颜色直方图;
S27:第二SVM分类器训练;
S28:组合两个SVM得分;
S29:最优特征值和支持向量。
4.根据权利要求1所述的基于HOG+SVM的视频人数统计方法,其特征是,所述步骤S40包括:
S41:按帧读取视频;
S42:滑动窗口遍历输入的视频图像并分割视频图像的每一帧到分类器;
S43:分割完成的视频图像,输入到训练完成的分类器进行判定,即把一个图像帧分割为若干个小图像,输入到SVM分类器中进行分类;
S44:采用矩形框来标记人头区域;
S45:重复矩形框合并。
5.根据权利要求1所述的基于HOG+SVM的视频人数统计方法,其特征是,所述步骤S60包括:
S61视频采集:通过摄像头获取实时图像并按帧读取视频;
S62零点设置:设置ROI区域的坐标原点;
S63设置ROI区:设置需要统计人数的矩形区域包括长度和宽度;
S64标记ROI区:每个尺度下的图像的检测结果装在ROI结构体中;
S65对ROI区域处理:将ROI区域中的人头矩形分别与正负样本库中的人头进行匹配;
S66取消ROI:对已经处理完的ROI区域进行计数并且将图像指针转到下一帧图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810219143.XA CN108388883A (zh) | 2018-03-16 | 2018-03-16 | 一种基于hog+svm的视频人数统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810219143.XA CN108388883A (zh) | 2018-03-16 | 2018-03-16 | 一种基于hog+svm的视频人数统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108388883A true CN108388883A (zh) | 2018-08-10 |
Family
ID=63066694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810219143.XA Withdrawn CN108388883A (zh) | 2018-03-16 | 2018-03-16 | 一种基于hog+svm的视频人数统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388883A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272487A (zh) * | 2018-08-16 | 2019-01-25 | 北京此时此地信息科技有限公司 | 一种基于视频的公共区域内人群的数量统计方法 |
CN109446999A (zh) * | 2018-10-31 | 2019-03-08 | 中电科新型智慧城市研究院有限公司 | 基于统计计算的动态人体运动的快速感知系统及方法 |
CN111680569A (zh) * | 2020-05-13 | 2020-09-18 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464946A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 基于头部识别和跟踪特征的检测方法 |
CN101477626A (zh) * | 2009-01-16 | 2009-07-08 | 清华大学 | 一种在复杂场景的视频中进行人体头肩检测的方法 |
CN102799935A (zh) * | 2012-06-21 | 2012-11-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频分析技术的人流量统计方法 |
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN106951885A (zh) * | 2017-04-08 | 2017-07-14 | 广西师范大学 | 一种基于视频分析的人流量统计方法 |
-
2018
- 2018-03-16 CN CN201810219143.XA patent/CN108388883A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464946A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 基于头部识别和跟踪特征的检测方法 |
CN101477626A (zh) * | 2009-01-16 | 2009-07-08 | 清华大学 | 一种在复杂场景的视频中进行人体头肩检测的方法 |
CN102799935A (zh) * | 2012-06-21 | 2012-11-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频分析技术的人流量统计方法 |
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN106951885A (zh) * | 2017-04-08 | 2017-07-14 | 广西师范大学 | 一种基于视频分析的人流量统计方法 |
Non-Patent Citations (3)
Title |
---|
XIFENG DING 等: "A cascade SVM approach for head-shoulder detection using histograms of oriented gradients", 《IEEE INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTS》 * |
李彬: "室内实时人数统计算法与设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑翔翔 等: "基于头部检测和跟踪的人数统计方法", 《计算机应用与软件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272487A (zh) * | 2018-08-16 | 2019-01-25 | 北京此时此地信息科技有限公司 | 一种基于视频的公共区域内人群的数量统计方法 |
CN109446999A (zh) * | 2018-10-31 | 2019-03-08 | 中电科新型智慧城市研究院有限公司 | 基于统计计算的动态人体运动的快速感知系统及方法 |
CN109446999B (zh) * | 2018-10-31 | 2021-08-31 | 中电科新型智慧城市研究院有限公司 | 基于统计计算的动态人体运动的快速感知系统及方法 |
CN111680569A (zh) * | 2020-05-13 | 2020-09-18 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
CN111680569B (zh) * | 2020-05-13 | 2024-04-19 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631399B (zh) | 用于体育视频识别的快速对象跟踪框架 | |
US9400935B2 (en) | Detecting apparatus of human component and method thereof | |
KR101441333B1 (ko) | 인체 부분 검출 장치 및 그 방법 | |
WO2018036454A1 (en) | Method and apparatus for annotating a video stream comprising a sequence of frames | |
CN104637058B (zh) | 一种基于图像信息的客流量识别统计方法 | |
CN105512618B (zh) | 视频跟踪方法 | |
CN106951885A (zh) | 一种基于视频分析的人流量统计方法 | |
CN102281385B (zh) | 基于运动视频的周期运动检测方法 | |
CN108388883A (zh) | 一种基于hog+svm的视频人数统计方法 | |
CN108229407A (zh) | 一种视频分析中的行为检测方法与系统 | |
CN109829382B (zh) | 基于行为特征智能分析的异常目标预警追踪系统及方法 | |
JP2014521139A (ja) | スポーツ動作のビデオを解析する方法 | |
US20140301602A1 (en) | Queue Analysis | |
CN112580552A (zh) | 一种鼠类行为分析方法及装置 | |
CN104200218B (zh) | 一种基于时序信息的跨视角动作识别方法及系统 | |
Kim et al. | Applying pose estimation to predict amateur golf swing performance using edge processing | |
CN111640135A (zh) | 一种基于硬件前端的tof摄像头行人计数方法 | |
Liu et al. | Learning-based hand motion capture and understanding in assembly process | |
CN112288771B (zh) | 群体环境中多猪体运动轨迹提取和行为分析方法 | |
CN117133057A (zh) | 基于人体姿态识别的体育运动计数和违规动作判别方法 | |
CN110738149A (zh) | 目标跟踪方法、终端及存储介质 | |
CN106919889A (zh) | 对视频图像中的人头进行检测的方法和装置 | |
CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 | |
Jiang et al. | Deep learning application in broadcast tennis video annotation | |
CN111773651A (zh) | 一种基于大数据的羽毛球训练监控评估系统及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180810 |