CN108564052A - 基于mtcnn的多摄像头动态人脸识别系统与方法 - Google Patents

基于mtcnn的多摄像头动态人脸识别系统与方法 Download PDF

Info

Publication number
CN108564052A
CN108564052A CN201810370279.0A CN201810370279A CN108564052A CN 108564052 A CN108564052 A CN 108564052A CN 201810370279 A CN201810370279 A CN 201810370279A CN 108564052 A CN108564052 A CN 108564052A
Authority
CN
China
Prior art keywords
face
mtcnn
frame
video
server
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
Application number
CN201810370279.0A
Other languages
English (en)
Inventor
桂冠
江斌
任强
戴菲
熊健
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810370279.0A priority Critical patent/CN108564052A/zh
Publication of CN108564052A publication Critical patent/CN108564052A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于MTCNN的多摄像头动态人脸识别系统与方法，适用场景为包括安装在管理区域的多个摄像头监控摄像头，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；方法包括步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；步骤S2，采用MTCNN方法来对所有脸部帧提取人脸特征；步骤S3，对提取到的特征进行分类，以实现人脸识别。本发明结合多摄像头和服务器的硬件平台，将深度学习和特征识别应用在监控系统上面，对提高治安管理具有重要的意义。

Description

基于MTCNN的多摄像头动态人脸识别系统与方法
技术领域
本发明涉及人脸识别技术领域，具体涉及一种基于MTCNN的多摄像头动态人脸识别系统，还涉及此系统的识别方法，可应用于安防监控系统。
背景技术
随着人工智能技术的迅猛发展和视频监控设备的日益普及，智能监控以其准确、及时和功能丰富而受到社会各界的广泛关注。目前，国内很多场合都布有监控，视频监控已经成为继数字电视、视频会议之后的又一个重大视频应用，而且日益成为“体量”最大的一个视频应用系统。治安管理监控作为视频监控领域的一个重要应用。可面对视频监控功能单一，记录繁多，智能监控在不同角度不同光照条件下对于人脸的特征学习率不高等诸多缺点，如何提高智能视频监控的特征提取率，如何使得智能监控在复杂环境下训练学习所得的模型欠拟合等问题面临重大挑战。随着未来安防系统性价比的不断提高和数字高清化、智能化等技术的发展，市场应用空间将不断增长。
目前，视频监控关键处理算法包括自动曝光算法、自动白平衡算法、自动聚焦算法、宽动态算法等。优良的处理算法可以实现更好的色彩还原，使所采集的图像更加逼真，在低照度和光线变化较大的情况下使监控场景的视频有更好的表现。而硬盘存储经常出现反复记录导致的硬盘碎片、突发掉电导致的硬盘数据损坏、多个硬盘工作时带来的高热和振动等问题，由于安防行业的特殊性，要求视音频数据存储全天24小时不间断稳定工作，应用场合较为复杂。智能视频分析技术是监控技术第三个发展阶段“机器眼+机器脑”中的“机器脑”部分，利用机器，将“人脑”对于视频画面的监控判断，进行数据分析提炼特征形成算法植入机器，形成“机器脑”对视频画面自动检测分析，并作出报警或其他动作。它借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动分析、抽取视频源中的关键有用信息，从而使摄像机不但成为人的眼睛，也使计算机成为人的大脑。
现有技术中对于智能视频监控进行特征提取仍然存在不能满足现实高要求的问题，例如：
1)缺乏针对不同光照对人脸识别率影响的研究，现有方案大都是只能在相似光照条件下对人脸进行识别匹配，而忽略了不同时间段不同地点的光照对监控效果的影响。
2)缺乏针对不同角度对人脸识别率影响的研究，现有监控方案忽略了监控视野范围内不同人人脸拍摄角度的影响，一旦超出一定倾斜范围就无法识别。
3)多摄像头模型共享动态监控问题：目前多摄像头实时的智能监控存在识别特征无法共享的问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于MTCNN的多摄像头动态人脸识别系统与方法，采用MTCNN框架对人脸多维度的特征进行建模匹配识别，可以提升识别率和加快运行速率。
为解决上述技术问题，本发明提供了一种基于MTCNN的多摄像头动态人脸识别系统，适用场景为包括安装在管理区域的多个摄像头监控摄像头，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；此人脸识别系统包括视频采集模块、特征提取模块和特征分类模块，
其中，视频采集模块，所有监控系统基于各自的摄像头从不同角度实时采集行人视频流；并将所有视频流发送至服务器；
特征提取模块，服务器中逐帧从视频流中裁剪出脸部帧，采用MTCNN算法来对脸部帧提取人脸特征；
特征分类模块，用来对提取到的人脸特征进行分类，以实现人脸识别。
进一步的，服务器中将训练好的MTCNN模型共享至服务器连接的所有监控系统。
相应的，本发明还提供了一种基于MTCNN的多摄像头动态人脸识别方法，包括以下步骤：
步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；
步骤S2，采用MTCNN方法来对所有脸部帧提取人脸特征；
步骤S3，对提取到的特征进行分类，以实现人脸识别。
进一步的，MTCNN特征描述符主要包括三部分：人脸/非人脸人脸分类器，边界框回归和地标位置；
人脸/非人脸判定采用交叉熵损失函数
其中pi是人脸的概率，而是背景的真实标记；
人脸框回归采用欧式距离损失函数
其中，是通过网络预测的，是实际的实际背景坐标；是一个四元组；
特征点定位也采用欧式距离损失函数
与边界回归一样，计算预测的地标位置与实际实际地标之间的欧几里得距离，并将距离最小化，其中，是通过网络预测的，是实际的地标坐标。
进一步的，步骤S2中，MTCNN训练过程中，一次只有前70％样本的梯度向后传输。
进一步的，步骤S3中，采用KNN方法进行分类。
与现有技术相比，本发明所达到的有益效果是：本发明结合了MTCNN算法对人脸特征进行建模匹配识别，能够有效提高安防监控系统对不同角度不同光照条件的人脸识别能力；并将模型共享至服务器连接的所有监控，即所有的监控设备都可以通过服务器平台直接调用同一训练模型，及时识别目标身份。相比于传统监控方案，极大地提升了监控系统的智能性和安全性。
附图说明
图1为本发明方法的流程图；
图2为实施例中采集连续帧进行人脸检测的示意图；
图3为MTCNN算法的原理示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的一种基于MTCNN的多摄像头动态人脸识别系统，适用场景为包括安装在管理区域的多个摄像头监控摄像头，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；此人脸识别系统包括视频采集模块、特征提取模块和特征分类模块，
其中，视频采集模块，所有监控系统基于各自的摄像头从不同角度实时采集行人视频流；并将所有视频流发送至服务器；
特征提取模块，服务器中逐帧从视频流中裁剪出脸部帧，采用MTCNN算法来对脸部帧提取人脸特征；
特征分类模块，用来对提取到的人脸特征进行分类，以实现人脸识别。
在特征识别方面，本发明结合了MTCNN对代表人脸图像的多维度矩阵的特征进行建模匹配识别，可以提升识别率和加快运行速率。该发明可以应用于视频监控的多个场合，包括银行、商场、企业等。
相应的，本发明的一种基于MTCNN的多摄像头动态人脸识别方法，如图1所示，包括以下步骤：
步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；
OpenCV打开摄像头，实时收集视频流存入Mat矩阵并通过网络传给服务器。然后，服务器逐帧提取视频流的脸部帧并对其进行排序，并且选择可以在连续帧中精确地用于识别的脸部图像(参见图2)，并且将这些过滤后的连续帧用作MTCNN算法的输入。
步骤S2，采用MTCNN方法对脸部帧提取人脸特征；
当服务器获得了一个序列的Mat矩阵后，首先读取标度的人脸图片数据，把图片中人脸的区域绘制出来，通过滑动窗口的方法获取训练数据，训练数据的正样本的IOU(Intersection-Over-Union)大于0.65，负样本的IOU小于0.3，中间样本的IOU大于0.4小于0.65。接着在对训练数据进行回归框预测的时候采用回归框的坐标偏移进行预测，相当于归一化的一种方式。人脸的面部轮廓关键点同样使用的是回归值，该回归值对应的是人脸区域的相对坐标。当我们获得了这些坐标后，只需提取对应坐标在多维度矩阵中的特征值，即可提取出对应的人脸特征。因为是通过代表人脸的多维度矩阵的对应坐标提取的特征值，所以并不考虑整个图片的其他特征(如光照和角度)，所以对于不同光照和不同角度的人脸检测具有较好的效果。详细算法原理如下：
首先使用全卷积神经网络，其原理参见图3所示，该模型由三个步骤组成：步骤一：P-NET，该步骤主要生成了一堆候选区域的边框，并采用NMS(非极大值)机制进行相应的合并。这与目标检测过程中的原理类似。步骤二：R-NET，即对步骤一的结果再进一步细划，得到更精细的候选区域。步骤三：O-NET，输出结果。(人脸边框和特征点位置)P-Net来获得候选形式和边界回归向量。同时，候选表单根据边界框进行校准。然后，使用NMS方法删除重叠的窗口。然后将包含由P-Net确定的候选表单的图片在R-Net网络中训练，最终网络采用全连接方式进行训练。使用边界框矢量来微调候选表单，然后使用NMS删除重叠表单。最后，网络结构比R-Net更具卷积性。功能与R-Net相同。它只显示删除重叠候选窗口时的人脸关键位置。
MTCNN特征描述符主要包括三部分：人脸/非人脸人脸分类器，边界框回归和地标位置。
人脸/非人脸判定采用交叉熵损失函数
其中pi是人脸的概率，而是背景的真实标记。
人脸框回归采用欧式距离损失函数
其中，是通过网络预测的，是实际的实际背景坐标。是一个四元组。
特征点定位也采用欧式距离损失函数
与边界回归一样，计算预测的地标位置与实际实际地标之间的欧几里得距离，并将距离最小化。其中，是通过网络预测的，是实际的地标坐标。由于每个点总共有5个点和2个坐标，所以属于十元组。
在训练过程中，为了获得更好的结果，一次只有前70％样本的梯度向后传输，以确保传输的数字是有效的。它类似于潜在的SVM，但它体现了深度学习的端到端学习。
步骤S3，对提取到的特征进行分类，以实现人脸识别和身份匹配。
本发明实施例中，采用现有技术中KNN算法对上一步提取到的特征进行分类。KNN是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离或曼哈顿距离：
欧氏距离：
其中，x和y为欧式空间坐标。
曼哈顿距离：
其中，x和y为曼哈顿空间坐标。
同时，KNN通过依据K个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN算法的优势。KNN算法进行分类的具体过程为：在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，其算法的描述为：
1)计算测试数据与各个训练数据之间的距离；
2)按照距离的递增关系进行排序；
3)选取距离最小的K个点；
4)确定前K个点所在类别的出现频率；
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。
将模型共享至服务器连接的所有监控，即所有的监控设备都可以通过服务器平台直接调用同一训练模型，一旦识别特征与数据库中的人脸特征相似，则在服务器内部进行身份匹配。
本发明所提出的基于MTCNN的多摄像头动态人脸识别系统与方法，结合了MTCNN算法对人脸特征进行建模匹配识别，能够有效提高安防监控系统对不同角度不同光照条件的人脸识别能力；并将模型共享至服务器连接的所有监控，即所有的监控设备都可以通过服务器平台直接调用同一训练模型，及时识别目标身份。相比于传统监控方案，极大地提升了监控系统的智能性和安全性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.基于MTCNN的多摄像头动态人脸识别系统，适用场景为包括安装在管理区域的多个摄像头监控摄像头，其特征是，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；此人脸识别系统包括视频采集模块、特征提取模块和特征分类模块，
其中，视频采集模块，所有监控系统基于各自的摄像头从不同角度实时采集行人视频流；并将所有视频流发送至服务器；
特征提取模块，服务器中逐帧从视频流中裁剪出脸部帧，采用MTCNN算法来对脸部帧提取人脸特征；
特征分类模块，用来对提取到的人脸特征进行分类，以实现人脸识别。
2.根据权利要求1所述的基于MTCNN的多摄像头动态人脸识别系统，其特征是，服务器中将训练好的MTCNN模型共享至服务器连接的所有监控系统。
3.基于MTCNN的多摄像头动态人脸识别方法，其特征是，包括以下步骤：
步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；
步骤S2，采用MTCNN方法来对所有脸部帧提取人脸特征；
步骤S3，对提取到的特征进行分类，以实现人脸识别。
4.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，MTCNN特征描述符主要包括三部分：人脸/非人脸人脸分类器，边界框回归和地标位置；
人脸/非人脸判定采用交叉熵损失函数
其中pi是人脸的概率，而是背景的真实标记；
人脸框回归采用欧式距离损失函数
其中，是通过网络预测的，是实际的实际背景坐标；是一个四元组；
特征点定位也采用欧式距离损失函数
与边界回归一样，计算预测的地标位置与实际实际地标之间的欧几里得距离，并将距离最小化，其中，是通过网络预测的，是实际的地标坐标。
5.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，步骤S2中，MTCNN训练过程中，一次只有前70％样本的梯度向后传输。
6.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，步骤S3中，采用KNN方法进行分类。
CN201810370279.0A 2018-04-24 2018-04-24 基于mtcnn的多摄像头动态人脸识别系统与方法 Pending CN108564052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810370279.0A CN108564052A (zh) 2018-04-24 2018-04-24 基于mtcnn的多摄像头动态人脸识别系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810370279.0A CN108564052A (zh) 2018-04-24 2018-04-24 基于mtcnn的多摄像头动态人脸识别系统与方法

Publications (1)

Publication Number Publication Date
CN108564052A true CN108564052A (zh) 2018-09-21

Family

ID=63536229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810370279.0A Pending CN108564052A (zh) 2018-04-24 2018-04-24 基于mtcnn的多摄像头动态人脸识别系统与方法

Country Status (1)

Country Link
CN (1) CN108564052A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359603A (zh) * 2018-10-22 2019-02-19 东南大学 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法
CN109447053A (zh) * 2019-01-09 2019-03-08 江苏星云网格信息技术有限公司 一种基于双重限制注意力神经网络模型的人脸识别方法
CN109446946A (zh) * 2018-10-15 2019-03-08 浙江工业大学 一种基于多线程的多摄像头实时检测方法
CN109543545A (zh) * 2018-10-25 2019-03-29 北京陌上花科技有限公司 快速人脸检测方法及装置
CN109635768A (zh) * 2018-12-20 2019-04-16 深圳市捷顺科技实业股份有限公司 一种图像帧中停车位状态检测方法、系统及相关设备
CN109711384A (zh) * 2019-01-09 2019-05-03 江苏星云网格信息技术有限公司 一种基于深度卷积神经网络的人脸识别方法
CN109948550A (zh) * 2019-03-20 2019-06-28 北京百分点信息科技有限公司 一种智慧火车站人流量监控系统及方法
CN110163114A (zh) * 2019-04-25 2019-08-23 厦门瑞为信息技术有限公司 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
CN110378296A (zh) * 2019-07-23 2019-10-25 上海大学 基于神经网络的低网络带宽需求的监控方法及系统
CN110516600A (zh) * 2019-08-28 2019-11-29 杭州律橙电子科技有限公司 一种基于人脸检测的公交客流检测方法
CN110718227A (zh) * 2019-10-17 2020-01-21 深圳市华创技术有限公司 一种基于多模态交互的分布式物联网设备协同方法及其系统
CN110738607A (zh) * 2019-09-09 2020-01-31 平安国际智慧城市科技股份有限公司 基于人工智能拍摄驾驶证的方法、装置、设备及存储介质
CN111241975A (zh) * 2020-01-07 2020-06-05 华南理工大学 一种基于移动端边缘计算的人脸识别检测方法及系统
CN111310562A (zh) * 2020-01-10 2020-06-19 中国平安财产保险股份有限公司 基于人工智能的车辆驾驶风险管控方法及其相关设备
CN111524145A (zh) * 2020-04-13 2020-08-11 北京智慧章鱼科技有限公司 图片智能裁剪方法、系统、计算机设备及存储介质
CN112203122A (zh) * 2020-10-10 2021-01-08 腾讯科技（深圳）有限公司 基于人工智能的相似视频处理方法、装置及电子设备
CN112287877A (zh) * 2020-11-18 2021-01-29 上海泗科智能科技有限公司 一种多角色特写镜头追踪方法
CN113591634A (zh) * 2021-07-19 2021-11-02 青岛新奥燃气有限公司 一种基于深度学习的lng卸车风险监控系统及方法
CN113628206A (zh) * 2021-08-25 2021-11-09 深圳市捷顺科技实业股份有限公司 一种车牌检测方法、装置、介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150078623A1 (en) * 2011-06-10 2015-03-19 Amazon Technologies, Inc. Enhanced face recognition in video
CN107480658A (zh) * 2017-09-19 2017-12-15 苏州大学 基于多角度视频的人脸识别装置和方法
CN107609512A (zh) * 2017-09-12 2018-01-19 上海敏识网络科技有限公司 一种基于神经网络的视频人脸捕捉方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150078623A1 (en) * 2011-06-10 2015-03-19 Amazon Technologies, Inc. Enhanced face recognition in video
CN107609512A (zh) * 2017-09-12 2018-01-19 上海敏识网络科技有限公司 一种基于神经网络的视频人脸捕捉方法
CN107480658A (zh) * 2017-09-19 2017-12-15 苏州大学 基于多角度视频的人脸识别装置和方法

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446946B (zh) * 2018-10-15 2022-03-18 浙江工业大学 一种基于多线程的多摄像头实时检测方法
CN109446946A (zh) * 2018-10-15 2019-03-08 浙江工业大学 一种基于多线程的多摄像头实时检测方法
CN109359603A (zh) * 2018-10-22 2019-02-19 东南大学 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法
CN109543545A (zh) * 2018-10-25 2019-03-29 北京陌上花科技有限公司 快速人脸检测方法及装置
CN109543545B (zh) * 2018-10-25 2023-07-28 北京陌上花科技有限公司 快速人脸检测方法及装置
CN109635768A (zh) * 2018-12-20 2019-04-16 深圳市捷顺科技实业股份有限公司 一种图像帧中停车位状态检测方法、系统及相关设备
CN109635768B (zh) * 2018-12-20 2023-02-28 深圳市捷顺科技实业股份有限公司 一种图像帧中停车位状态检测方法、系统及相关设备
CN109711384A (zh) * 2019-01-09 2019-05-03 江苏星云网格信息技术有限公司 一种基于深度卷积神经网络的人脸识别方法
CN109447053A (zh) * 2019-01-09 2019-03-08 江苏星云网格信息技术有限公司 一种基于双重限制注意力神经网络模型的人脸识别方法
CN109948550A (zh) * 2019-03-20 2019-06-28 北京百分点信息科技有限公司 一种智慧火车站人流量监控系统及方法
CN110163114A (zh) * 2019-04-25 2019-08-23 厦门瑞为信息技术有限公司 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
CN110163114B (zh) * 2019-04-25 2022-02-15 厦门瑞为信息技术有限公司 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
CN110378296A (zh) * 2019-07-23 2019-10-25 上海大学 基于神经网络的低网络带宽需求的监控方法及系统
CN110516600A (zh) * 2019-08-28 2019-11-29 杭州律橙电子科技有限公司 一种基于人脸检测的公交客流检测方法
CN110738607A (zh) * 2019-09-09 2020-01-31 平安国际智慧城市科技股份有限公司 基于人工智能拍摄驾驶证的方法、装置、设备及存储介质
CN110718227A (zh) * 2019-10-17 2020-01-21 深圳市华创技术有限公司 一种基于多模态交互的分布式物联网设备协同方法及其系统
CN111241975A (zh) * 2020-01-07 2020-06-05 华南理工大学 一种基于移动端边缘计算的人脸识别检测方法及系统
CN111241975B (zh) * 2020-01-07 2023-03-31 华南理工大学 一种基于移动端边缘计算的人脸识别检测方法及系统
CN111310562A (zh) * 2020-01-10 2020-06-19 中国平安财产保险股份有限公司 基于人工智能的车辆驾驶风险管控方法及其相关设备
CN111524145A (zh) * 2020-04-13 2020-08-11 北京智慧章鱼科技有限公司 图片智能裁剪方法、系统、计算机设备及存储介质
CN111524145B (zh) * 2020-04-13 2024-06-04 北京智慧章鱼科技有限公司 图片智能裁剪方法、系统、计算机设备及存储介质
CN112203122A (zh) * 2020-10-10 2021-01-08 腾讯科技（深圳）有限公司 基于人工智能的相似视频处理方法、装置及电子设备
CN112203122B (zh) * 2020-10-10 2024-01-26 腾讯科技（深圳）有限公司 基于人工智能的相似视频处理方法、装置及电子设备
CN112287877A (zh) * 2020-11-18 2021-01-29 上海泗科智能科技有限公司 一种多角色特写镜头追踪方法
CN112287877B (zh) * 2020-11-18 2022-12-02 苏州爱可尔智能科技有限公司 一种多角色特写镜头追踪方法
CN113591634A (zh) * 2021-07-19 2021-11-02 青岛新奥燃气有限公司 一种基于深度学习的lng卸车风险监控系统及方法
CN113628206A (zh) * 2021-08-25 2021-11-09 深圳市捷顺科技实业股份有限公司 一种车牌检测方法、装置、介质

Similar Documents

Publication Publication Date Title
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN109819208B (zh) 一种基于人工智能动态监控的密集人群安防监控管理方法
CN110210276A (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
CN110516586A (zh) 一种人脸图像聚类方法、系统、产品及介质
CN107230267B (zh) 基于人脸识别算法的幼儿园智能签到方法
CN111325051B (zh) 一种基于人脸图像roi选取的人脸识别方法及装置
CN110163041A (zh) 视频行人再识别方法、装置及存储介质
Nguyen et al. Anomaly detection in traffic surveillance videos with gan-based future frame prediction
CN104883548B (zh) 监控视频人脸抓取处理方法及其系统
CN113536972B (zh) 一种基于目标域伪标签的自监督跨域人群计数方法
CN112183468A (zh) 一种基于多注意力联合多级特征的行人再识别方法
CN108416256A (zh) 基于特征识别的家庭云智能监控系统和监控方法
WO2021139171A1 (zh) 人脸增强识别方法、装置、设备及存储介质
CN109902681B (zh) 用户群体关系确定方法、装置、设备及存储介质
CN114973317A (zh) 一种基于多尺度邻接交互特征的行人重识别方法
CN108363771B (zh) 一种面向公安侦查应用的图像检索方法
CN112766119A (zh) 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法
CN111445442A (zh) 基于神经网络的人群计数方法、装置、服务器及存储介质
CN116824641B (zh) 姿态分类方法、装置、设备和计算机存储介质
KR20170095599A (ko) 동영상 검색 시스템 및 그 방법
CN108564053A (zh) 基于FaceNet的多摄像头动态人脸识别系统与方法
CN115346169B (zh) 一种睡岗行为检测方法及系统
CN110110620A (zh) 一种基于人脸识别的学生行为管理系统及设计方法
CN112488072A (zh) 一种人脸样本集获取方法、系统及设备
Ahmed et al. An image-based digital forensic investigation framework for crime analysis

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: 20180921