CN108664886A - 一种适应变电站进出监控需求的人脸快速识别方法 - Google Patents
一种适应变电站进出监控需求的人脸快速识别方法 Download PDFInfo
- Publication number
- CN108664886A CN108664886A CN201810229497.2A CN201810229497A CN108664886A CN 108664886 A CN108664886 A CN 108664886A CN 201810229497 A CN201810229497 A CN 201810229497A CN 108664886 A CN108664886 A CN 108664886A
- Authority
- CN
- China
- Prior art keywords
- face
- characteristic value
- substation
- identified
- face recognition
- 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
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种适应变电站进出监控需求的人脸快速识别方法。上述适应变电站进出监控需求的人脸快速识别方法,包括以下步骤:首先,将待识别图像输入参数已知的YOLO神经网络并输出图像中每个人的边界框;其次,从所述边界框中提取出人物图片并依次形成一系列子图片;再次,对所述子图片进行灰度化处理并计算得到待识别的人脸特征值;最后,根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的距离以得出人脸识别结果。本发明提出了一种适应变电站进出监控需求的人脸快速识别方法,可对监控视频出现的人员进行实时分析,能够全面地提升变电站人员进出安全系数,对变电站的安全工作具有重要的意义。
Description
技术领域
本发明涉及人脸识别领域,特别涉及一种适应变电站进出监控需求的 人脸快速识别方法。
背景技术
目前变电站的进出监控依赖于人为的核准与监督而实行。人工核验需 要用户的配合,效率低下,其准确率受限于检验人员的工作效能。基于机 器学习的人脸检测技术具有不需要用户的主动配合,具有准确率高以及检 测效率不随着时间变化而降低的优点。现有的人脸检测技术在图片尺寸较 小的时候能够达到实时检测,但由于变电站属于开阔空间地带,摄像头需 要覆盖较大的视野范围,其图片尺寸也会相应的增加。而在变电站的监控 视频图片尺寸较大的时候,则无法在较少的时间内得出检测结果,因为当 图片尺寸增加,其所包含的像素点会呈平方次数增加,在人脸检测单位处 理速度不变的情况下,处理的时间也会呈平方次数增加。
在变电站内,人脸快速识别具有极其重要的意义。只有对视频内出现 的人员进行实时分析,对不符合要求的人员及时识别报警并提醒值班人员 关注,才能够有效地防患事故于未然。因此,在视频监控系统中,快速人 脸识别算法能够保证视频监控报警的有效性,能够全面地提升变电站的安 全系数,对变电站的安全工作具有重要的意义。
发明内容
本发明的目的在于变电站进出监控中如何对人脸进行快速识别的问 题,旨在提供一种适应变电站进出监控需求的人脸快速识别方法,以保证 视频监控报警的有效性,更全面地提升变电站的安全系数。
本发明提出一种适应变电站进出监控需求的人脸快速识别方法,包括 以下步骤:
一种适应变电站进出监控需求的人脸快速识别方法,其特征在于包括 以下步骤:
(1)将待识别图像Iw*h*3输入参数已知的YOLO神经网络并输出图像中 每个人的边界框;
(2)根据所得到的边界框,将每个检测到的人物从图像Iw*h*3中提取出 来,得到子图片集合
(3)对所述子图片进行灰度化处理并计算得到待识别的人脸特征值;
(4)根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的距 离L以得出人脸识别结果。
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,一个视频由许多帧的的图片所组成,可定义一帧图像Iw*h*3,为一个三 维张量(Tensor),其中w为图片宽,h为图片高,3为图片通道数,分别 为RGB通道。
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,神经网络可定义为一个函数Y=f(W,X),W是神经网络的参数;神经网 络的输入X与输出Y是一个张量,其参数通过梯度下降法求解得出;所述 梯度下降法是一阶优化算法,求解过程为通过多次迭代寻找能够使得函数 取得局部极小值的参数;
所述YOLO神经网络为众多神经网络的一种,可接受一张608*608像 素的图像作为输入,图片像素与多个卷积池化层以及全连接层的参数进行 运算,最后输出检测到的物体的边界框;YOLO神经网络的参数可通过梯 度下降法求解得到,YOLO神经网络的输出为N个边界框 {Bboxi|i∈0,1,2,...,N},其中第i个边界框可表示为Bboxi=(xi,yi,wi,hi); 边界框指示了检测到的人在输入图片的位置,其中xi,yi为边界框的中心坐 标,wi,hi分别为边界框的宽和高。
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,所述“对所述子图片进行灰度化处理”是指将所述子图片集合 转化成灰度图集合其中中 每个元素由公式(1)得到:
式中,为灰度图在位置i,j的元素;则是在位置i,j,0的 元素;则是在位置i,j,1的元素;则是在位置i,j,2的 元素。
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,所述“计算得到待识别的人脸特征值”是指对于每一张人脸灰度图 首先将其缩放到150*150像素,即得到If,然后使用神经网络f提取 一个128维的特征Y=f(WResNet-34,If)=(y0,y1,…,y127),其中WResNet-34是在 ImageNet数据集上所学习到的ResNet-34网络参数,对于人脸数据库中各 人脸图像Iface也可计算得到特征X=(x0,x1,…,x127);上述ImageNet数据集为 一个图像识别数据库。
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,所述“根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的 距离L”是指通过公式(2)计算待识别的人脸特征值和每一张已知人脸的特 征值的L距离,具体为:
上述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在 于,所述“得出人脸识别结果”是指当L≤0.6成立时,则表示人脸识别匹 配成功,即当前待识别的人脸图片在人脸数据库中;否则表示匹配失败, 即当前待识别的人脸图片不在人脸数据库中。
与现有技术相比,本发明的有益效果在于:
(1)基于机器学习的人脸检测技术具有不需要用户的主动配合,具有准 确率高以及检测效率不随着时间变化而降低的优点;
(2)可对监控视频出现的人员进行实时分析,能够全面地提升变电站人 员进出安全系数。
附图说明
图1是一种适应变电站进出监控需求的人脸快速识别方法的流程示意 图。
图2是一张待识别的现场图片。
图3是根据图2提取得到每个人的边界框。
图4是根据图3检测到人脸的图片。
图5是人脸数据库中的两张人脸图片。
具体实施方式
以下结合附图和实例对本发明的具体实施做进一步说明。
图1反映了一种适应变电站进出监控需求的人脸快速识别方法的具体 流程。一种适应变电站进出监控需求的人脸快速识别方法包括:
(1)将待识别图像Iw*h*3输入参数已知的YOLO神经网络并输出图像中 每个人的边界框;
(2)根据所得到的边界框,将每个检测到的人物从图像Iw*h*3中提取出 来,得到子图片集合
(3)对所述子图片进行灰度化处理并计算得到待识别的人脸特征值;
(4)根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的距 离L以得出人脸识别结果。
以下是本发明方法的一个实际算例,以一张待识别的现场图片进行分 析统计,图2为该待识别的现场图片。
(1)给定一张输入图片并使用YOLO神经网络检测,得到图片中每个 行人的边界框,即图2中的绿色框;
(2)提取行人图片,结果如图3所示;
(3)检测行人图片中是否存在人脸,其中图3(a)无法检测到人脸,而图 3(b)检测的人脸进行灰度化处理后如图4所示;
计算检测到的人脸特征值为:
Y=[-0.0653979,0.0481431,0.0459506,-0.00297655,-0.0784676,-0.0707229,0.0017481,-0.129902,0.0899502,-0.0961162,0.18472,-0.04566,-0.177452,-0.119043,-0.00185613,0.123365,-0.101321,-0.0666383,-0.0822533,-0.0954023,0.0388882,0.0508717,0.0408848,0.0335565,-0.048666,-0.263044,-0.0828425,-0.0912373,0.0823404,-0.022558,0.0207027,0.0748649,-0.162295,-0.0786254,-0.00673984,0.034479,-0.0504447,-0.0587812,0.283734,-0.0457539,-0.132397,-0.00317 59,0.0189574,0.271597,0.222758,-0.0507444,-0.00261238,-0.0372537,0.14765 1,-0.213665,0.0485419,0.125421,0.116833,0.0580825,0.0118643,-0.092228,0.0441321,0.137712,-0.203144,0.0675892,0.0768298,-0.168619,-0.037038,-0.0307111,0.145781,0.0454205,-0.0487946,-0.157138,0.140418,-0.18163,-0.0306611,0.0311677,-0.13422,-0.139509,-0.310455,0.0523049,0.299887,0.160369,-0.182182,0.0295619,-0.0594396,-0.00560254,0.131522,0.030557,-0.0181286,-0.0943769,-0.115649,0.0168677,0.160838,-0.0744993,-0.0537497,0.240962,0.023917 1,-0.00718346,0.0277776,0.00476684,-0.0710697,0.0229204,-0.126025,0.0441 402,0.0814756,-0.113622,0.0699524,0.109151,-0.174594,0.17626,-0.0370767,0.0387941,0.0300786,-0.0633792,-0.155115,-0.0208994,0.190634,-0.121869,0.197604,0.131385,0.0213304,0.151944,0.101643,0.104232,-0.0347045,-0.027247 4,-0.172505,-0.0462738,0.0765506,0.0254679,0.0702121,0.0738493]。
(4)计算图5(a)和图5(b)中人脸图片的特征值,其中图5(a)的特征值为:
X1=[-0.117174,0.0432565,0.0615167,-0.0455164,-0.0706958,-0.0455732,-0.0510033,-0.166344,0.0750411,-0.131235,0.231625,-0.0978745,-0.196297,-0.163042,-0.0387142,0.198247,-0.165635,-0.0940813,-0.0818975,0.00266437,0.097009,0.00571842,0.0382776,0.0467014,-0.0377104,-0.343167,-0.142302,-0.0462031,0.0399787,-0.0398614,-0.0901296,0.0863726,-0.138756,-0.102175,0.0238005,0.0919469,0.0509093,-0.101035,0.16137,-0.0239519,-0.19225,0.0776478,0.0727825,0.227224,0.25847,0.0510676,0.033865,-0.11599,0.153841,-0.180689,0.0471576,0.0887595,0.0761694,0.0240254,0.0222875,-0.123475,0.0528614,0.109238,-0.154681,0.0114299,0.109626,-0.131581,-0.0354409,-0.0367509,0.172551,0.117364,-0.0914756,-0.234913,0.116833,-0.154709,-0.0901379,0.0099572 7,-0.212836,-0.0959615,-0.36433,0.0252173,0.399847,0.113429,-0.17775,0.0973187,-0.0163856,0.0396124,0.172737,0.177377,-0.0107027,-0.0259293,-0.0973322,-0.00115101,0.166939,-0.0176149,-0.0846889,0.226914,-0.00471437,0.0738132,0.0667178,0.0158959,-0.0309987,0.0283487,-0.114391,0.0181091,0.0817547,-0.0177323,0.0326894,0.116774,-0.121201,0.112234,-0.0803487,0.10843,0.0436463,-0.0872214,-0.0972368,0.0326281,0.0974472,-0.205026,0.155965,0.162803,0.0626691,0.0859266,0.165243,0.100398,0.0339094,0.0320152,-0.21955 5,-0.0229654,0.125368,-0.0185362,0.124461,0.0339912];
图5(b)的特征值为:
X2=[-0.0886385,0.0549423,-0.00546047,-0.0652526,-0.0734701,-0.0891774,-0.0802805,-0.107656,0.0891029,-0.0775417,0.223884,-0.0995733,-0.182051 ,-0.155407,-0.0623404,0.169066,-0.209147,-0.105432,-0.0768067,0.0224611,0.0916727,0.0154249,0.0561431,0.00278886,-0.0536536,-0.389321,-0.0723899,-0.0686888,0.0249965,-0.0387781,0.0280211,0.0195251,-0.205907,-0.0690564,0.0598259,0.045773,-0.000860474,-0.047665,0.166677,-0.000445154,-0.22201 8,-0.000221765,0.0265393,0.212571,0.173407,0.0996724,0.0324839,-0.161677 ,0.152244,-0.151677,0.0278293,0.153962,0.0366221,0.0213522,0.013047,-0.0643532,0.0583508,0.143498,-0.139628,-0.0140229,0.11262,-0.0348965,-0.0218506,-0.100726,0.203176,-0.00134878,-0.11952,-0.173758,0.0945559,-0.13104,-0.0708779,0.0354774,-0.12939,-0.165783,-0.316124,-0.00536548,0.363126,0.0811748,-0.144772,0.0391074,-0.0603582,0.0201964,0.123615,0.112289,-0.0304 388,0.01851,-0.0759722,-0.0475834,0.213184,-0.0673732,-0.0385347,0.189155 ,-0.0458143,0.0599411,0.0131644,-0.028812,-0.0700638,0.057142,-0.0723014,0.00542674,0.0530222,-0.050184,0.0077821,0.0820619,-0.12622,0.10774,-0.0368184,0.0628868,0.0506034,-0.0115336,-0.0934998,-0.0939013,0.0922058,-0.190224,0.232884,0.183856,0.110786,0.120159,0.135563,0.100329,-0.0339753,0.0397254,-0.180747,-0.0519826,0.084807,0.0213815,0.0910269,-0.0357912];
分别计算Y与X1,X2的距离L,可得:
‖X1-Y‖2=0.574211989425;‖X2-Y‖2=0.604223930903;
由于‖X1-Y‖2小于0.6,说明当前人脸数据库中的人脸图片图5(a)与图 3(b)匹配。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领 域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干 变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范 围应以所附权利要求为准。
Claims (5)
1.一种适应变电站进出监控需求的人脸快速识别方法,其特征在于包括以下步骤:
(1)将待识别图像Iw*h*3输入参数已知的YOLO神经网络并输出图像中每个人的边界框;
(2)根据所得到的边界框,将每个检测到的人物从图像Iw*h*3中提取出来,得到子图片集合
(3)对所述子图片进行灰度化处理并计算得到待识别的人脸特征值;
(4)根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的距离L以得出人脸识别结果。
2.根据权利要求1所述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在于:步骤(3)所述“对所述子图片进行灰度化处理”是指将所述子图片集合转化成灰度图集合其中中每个元素由公式(1)得到:
式中,为灰度图在位置i,j的元素;则是在位置i,j,0的元素;则是在位置i,j,1的元素;则是在位置i,j,2的元素。
3.根据权利要求1所述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在于:步骤(3)所述“计算得到待识别的人脸特征值”是指对于每一张人脸灰度图首先将其缩放到150*150像素,即得到If,然后使用神经网络f提取一个128维的特征值Y=f(WResNet-34,If)=(y0,y1,…,y127),其中WResNet-34是在ImageNet数据集上所学习到的ResNet-34网络参数,对于人脸数据库中各人脸图像Iface也可计算得到特征值X=(x0,x1,…,x127)。
4.根据权利要求1所述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在于:步骤(4)所述“根据所述待识别的人脸特征值与人脸数据库中各人脸特征值的距离L”是指通过公式(2)计算待识别的人脸特征值和每一张已知人脸的特征值的L距离,具体为:
5.根据权利要求1所述的一种适应变电站进出监控需求的人脸快速识别方法,其特征在于:步骤(4)所述“得出人脸识别结果”是指当L≤0.6成立时,则表示人脸识别匹配成功,即当前待识别的人脸图片在人脸数据库中;否则表示匹配失败,即当前待识别的人脸图片不在人脸数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229497.2A CN108664886A (zh) | 2018-03-20 | 2018-03-20 | 一种适应变电站进出监控需求的人脸快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229497.2A CN108664886A (zh) | 2018-03-20 | 2018-03-20 | 一种适应变电站进出监控需求的人脸快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664886A true CN108664886A (zh) | 2018-10-16 |
Family
ID=63781971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810229497.2A Pending CN108664886A (zh) | 2018-03-20 | 2018-03-20 | 一种适应变电站进出监控需求的人脸快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664886A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389729A (zh) * | 2018-12-03 | 2019-02-26 | 广东电网有限责任公司 | 一种智能电网多场景人脸识别监控系统 |
CN109993874A (zh) * | 2018-10-22 | 2019-07-09 | 大连艾米移动科技有限公司 | 基于人脸识别的智能会议排座系统 |
CN111539351A (zh) * | 2020-04-27 | 2020-08-14 | 广东电网有限责任公司广州供电局 | 一种多任务级联的人脸选帧比对方法 |
CN111832405A (zh) * | 2020-06-05 | 2020-10-27 | 天津大学 | 一种基于hog和深度残差网络的人脸识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200431A (zh) * | 2014-08-21 | 2014-12-10 | 浙江宇视科技有限公司 | 图像灰度化的处理方法及处理装置 |
CN106991370A (zh) * | 2017-02-28 | 2017-07-28 | 中科唯实科技(北京)有限公司 | 基于颜色和深度的行人检索方法 |
US20170344808A1 (en) * | 2016-05-28 | 2017-11-30 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN107609497A (zh) * | 2017-08-31 | 2018-01-19 | 武汉世纪金桥安全技术有限公司 | 基于视觉跟踪技术的实时视频人脸识别方法及系统 |
CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
-
2018
- 2018-03-20 CN CN201810229497.2A patent/CN108664886A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200431A (zh) * | 2014-08-21 | 2014-12-10 | 浙江宇视科技有限公司 | 图像灰度化的处理方法及处理装置 |
US20170344808A1 (en) * | 2016-05-28 | 2017-11-30 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN106991370A (zh) * | 2017-02-28 | 2017-07-28 | 中科唯实科技(北京)有限公司 | 基于颜色和深度的行人检索方法 |
CN107609497A (zh) * | 2017-08-31 | 2018-01-19 | 武汉世纪金桥安全技术有限公司 | 基于视觉跟踪技术的实时视频人脸识别方法及系统 |
CN107644204A (zh) * | 2017-09-12 | 2018-01-30 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
Non-Patent Citations (1)
Title |
---|
史家昆 等: "基于改进损失函数的残差深度学习网络人脸识别算法", 《中国科技论文在线》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993874A (zh) * | 2018-10-22 | 2019-07-09 | 大连艾米移动科技有限公司 | 基于人脸识别的智能会议排座系统 |
CN109389729A (zh) * | 2018-12-03 | 2019-02-26 | 广东电网有限责任公司 | 一种智能电网多场景人脸识别监控系统 |
CN111539351A (zh) * | 2020-04-27 | 2020-08-14 | 广东电网有限责任公司广州供电局 | 一种多任务级联的人脸选帧比对方法 |
CN111539351B (zh) * | 2020-04-27 | 2023-11-03 | 广东电网有限责任公司广州供电局 | 一种多任务级联的人脸选帧比对方法 |
CN111832405A (zh) * | 2020-06-05 | 2020-10-27 | 天津大学 | 一种基于hog和深度残差网络的人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090458A (zh) | 人体跌倒检测方法和装置 | |
CN105426870B (zh) | 一种人脸关键点定位方法及装置 | |
CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
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 | |
CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
CN105701467A (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN109583499B (zh) | 一种基于无监督sdae网络的输电线路背景目标分类系统 | |
TW201308254A (zh) | 適用複雜場景的移動偵測方法 | |
CN109241814A (zh) | 基于yolo神经网络的行人检测方法 | |
CN103207995A (zh) | 基于pca的3d人脸识别方法 | |
CN108960169A (zh) | 基于计算机视觉的仪器设备状态在线监测方法及系统 | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN112580778A (zh) | 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN112241694A (zh) | 基于CenterNet实现的未佩戴安全带识别方法 | |
CN114220084A (zh) | 一种基于红外图像的配电设备缺陷识别方法 | |
CN112288019A (zh) | 一种基于关键点定位的厨师帽检测方法 | |
CN112435240A (zh) | 一种面向工人违规使用手机的深度视觉手机检测系统 | |
CN110502992A (zh) | 一种基于关系图谱的固定场景视频的人脸快速识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |