CN108710858B - 一种基于表情识别的城市幸福指数动态热力图生成方法 - Google Patents
一种基于表情识别的城市幸福指数动态热力图生成方法 Download PDFInfo
- Publication number
- CN108710858B CN108710858B CN201810497799.8A CN201810497799A CN108710858B CN 108710858 B CN108710858 B CN 108710858B CN 201810497799 A CN201810497799 A CN 201810497799A CN 108710858 B CN108710858 B CN 108710858B
- Authority
- CN
- China
- Prior art keywords
- happiness
- city
- index
- happiness index
- steps
- 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.)
- Active
Links
Images
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
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
Abstract
本发明公开了一种基于表情识别的城市幸福指数动态热力图生成方法,基于深度学习卷积神经网络的表情识别技术,通过人脸的表情评分机制和城市区域出入口的人流量构造幸福指数函数并绘制幸福指数动态热力图。人脸表情直观地反映人的幸福感,只需采集处理视频就能可靠地计算幸福指数,免去调查问卷的繁琐,突破了以经济指标评价城市幸福指数的传统模式。通过城市幸福指数热力图可以观察城市不同区域的市民的幸福感差异情况,而幸福指数动态热力图可以反映不同区域不同时段的幸福指数变化,同时可以促进社会学家对幸福指数的研究和提高幸福指数的实用性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及监控视频中人脸检测、人脸表情识别等技术领域。具体设计是对监控视频中人脸表情和城市区域人流量数据分析计算得到城市幸福指数,并生成城市幸福指数热力图。
背景技术
幸福感是一种心理体验,它既是对生活的客观条件和所处状态的一种事实判断,又是对于生活的主观意义和满足程度的一种价值判断。它表现为在生活满意度基础上产生的一种积极心理体验。而幸福指数,就是衡量幸福感具体程度的主观指标数值。随着人们生活水平的提高,人们越来越关注辛福感。幸福感可以反映区域的经济、政治、治安管理和科学文化状况。
人们也普遍认为:幸福指数,是体现老百姓幸福感的“无须调查统计的”反应,是挂在人民群众脸上“指数”,利用公共场合的人脸表情识别得出的幸福指数可信度很高,因为客观因素例如财富并不一定会真正反映人们的幸福感,而幸福感往往自然流露在脸上。基于表情识别的城市幸福指数动态热力图方法通过摄像头捕捉城市公共场合的人脸表情来评价市民的幸福感,突破以衣食住行等因素评价幸福感的传统模式,具有一定和科学性和创造性。
如果说GDP是衡量国富、民富的标准,那么,百姓幸福指数就可以成为一个衡量百姓幸福感的标准。从城市幸福感研究的意义出发,通过对城市的小区、学校、公园、和商场的辛福指数的横向和纵向比较,我们可以观察到一个区域的市民幸福感的变化和城市人口幸福感的分布情况,有助于对影响幸福感的客观因素的研究。而且,基于表情识别的城市幸福指数动态热力图还可以用作“最具幸福感城市评比”,这样可以突破以经济指标评价城市幸福指数的传统模式。将重心放在市民的生活满意度上,让城市决策者更关注市民的幸福感。
发明内容
为了突破以经济指标评价城市幸福指数的传统模式,避免调查问卷的繁琐和信息获取难的问题,本发明提出了一种基于表情识别的城市幸福指数动态热力图生成方法,基于深度学习卷积神经网络的表情识别技术,通过人脸的表情评分机制和城市区域出入口的人流量构造幸福指数函数并绘制幸福指数热力图。只需采集处理视频就能可靠地计算幸福指数,具有一定和科学性和创造性。
基于表情识别的城市幸福指数动态热力图生成方法,所述方法包括以下步骤:
步骤1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,并在这些区域进行人脸检测;
步骤2:基于深度学习卷积神经网络结构,对所有检测出来的人脸进行表情识别;
步骤3:统计检测出的人脸个数并计算城市各个区域的人流量;
步骤4:基于不同表情的人脸个数和人流量计算城市各个区域的幸福指数;
步骤5:对城市的学校、公园、商场等区域重复步骤1-4计算城市各个区域的幸福指数和城市平均幸福指数,并且得出城市各个区域市民的幸福感差异和排名;
步骤6:重复步骤1-5计算每周和每月不同区域的平均幸福指数,并且根据城市不同区域不同时间的幸福指数绘制城市幸福指数动态热力图;
进一步地,步骤1包括以下步骤:
步骤:1.1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,在一天中的n个不同时段用设置的摄像头进行人脸检测,时段分布为(t1,t1+Δt),(t2,t2+Δt),...,(tn-1,tn-1+Δt),(tn,tn+Δt),式中t1,t2,..,tn分别为人脸检测的不同开始时刻并且t1<t2...<tn-1<tn,Δt为检测时长。
步骤:1.2:通过深度学习人脸检测方法对各段视频进行人脸检测并保存检测到的人脸,计算出不同时段的人脸出现的个数,记作s1,s2,..,sn-1,sn。
进一步地,步骤2包括以下步骤:
步骤2.1:训练深度学习表情识别网络,训练正样本是包含自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类人脸表情的人脸图片。
步骤2.2:将城市某区域一天中截取的人脸图片作为网络的输入,根据表情识别结果分别得到自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情人脸的个数,分别记作n1,n2,...,n7。
进一步地,上述步骤3由检测出的各个时段的人脸个数和检测时长计算城市某个区域的人流量d;
其中,si为城市某区域不同时段检测出的人脸个数,nΔt为一天中此区域人脸检测的总时长。
进一步地,上述步骤4包括以下步骤:
步骤4.1:自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情和人的幸福程度密切相关,根据经验值分别给出相应的权值参λ1,λ2,λ3,λ4,λ5,λ6,λ7,因为开心与幸福指数正相关,而愤怒和悲伤等与幸福指数负相关。所以参数λ有正数也有负数,例如,λ1,λ2,λ3,λ4,λ5,λ6,λ7分别取值0,-3,-4,-2,5,-4,2。
步骤4.2:当城市人流量较小时市民会有孤独感而降低幸福感,较大时会交通拥挤而降低幸福感,根据经验值给出最佳人流量L。则城市区域幸福感指数计算公式为:
其中α是表情和人流量的权重系数。
进一步地,上述步骤5包括以下步骤:
步骤5.1:重复步骤1-4计算城市各个区域的幸福指数和平均幸福指数,其中包括不同地点的同类型的区域,例如城市中一共有t个公园,分别表示为A1,A2,...,At,重复步骤1-4分别计算t个公园的幸福指数,分别用表示,比较的大小并排序,可以看出城市所以公园的发展和经营情况,城市中t个公园的平均幸福指数为:
步骤5.2:重复步骤1-4和步骤5.1计算城市各个不同类型区域的幸福指数和平均幸福指数,分别得到公园、商场、学校、小区等区域的平均幸福指数,分别用表示,其中A,B,C,D,...分别表示城市的公园、商场、学校、小区等区域。比较的大小并排序,可以看出城市不同区域的幸福感的差异,同时为城市建设提供一个参考。对所有平均幸福指数加权取平均得到城市平均幸福指数。利用以上所有步骤可以得到其他城市的平均幸福指数,可以比较不同城市居民的幸福感差异。
进一步地,上述步骤6通过对幸福指数设定阈值h1,h2,h3,h4,其中h1<h2<h3<h4,在城市地图上对城市的不同区域绘画成不同颜色,当幸福指数H>h1时绘画成红色,h1≤H<h2时绘画成黄色,h2≤H<h3时绘画成蓝色,h3≤H<h4时绘画成绿色,H≥h4时绘画成橙色。绘制成的彩色地图就是城市幸福指数热力图。为计算城市动态幸福指数热力图,重复步骤1-5计算每周不同区域的平均幸福指数,设置n个周的平均幸福指数H1,H2,H3,...,Hn对应颜色在热力图上依次持续显示一秒钟,这样就得到了每周的城市动态幸福指数热力图。同理可以得到每月、每年的城市幸福指数动态热力图。
附图说明
图1为总技术流程图;
图2为单个区域幸福指数计算流程图;
图3为人脸表情分类情况图;
图4为人脸表情分类识别网络结构图;
图5为城市幸福指数热力图示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,本发明的基于表情识别的城市幸福指数动态热力图生成方法,包括以下步骤:
步骤1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,并在这些区域进行人脸检测,子步骤如下:
步骤:1.1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,在一天中的n个不同时段用设置的摄像头进行人脸检测,时段分布为(t1,t1+Δt),(t2,t2+Δt),...,(tn-1,tn-1+Δt),(tn,tn+Δt),式中t1,t2,..,tn分别为人脸检测的不同开始时刻并且t1<t2...<tn-1<tn,Δt为检测时长。
步骤:1.2:通过深度学习人脸检测方法对各段视频进行人脸检测并保存检测到的人脸,计算出不同时段的人脸出现的个数,记作s1,s2,..,sn-1,sn。
步骤2:基于深度学习卷积神经网络结构,对所有检测出来的人脸进行表情识别,子步骤如下:
步骤2.1:训练深度学习表情识别网络,如图3所示,训练中所利用的正样本是包含自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类人脸表情的人脸图片。训练好的深度学习表情识别网络如图4所示。
步骤2.2:将城市某区域一天中截取的人脸图片作为网络的输入,根据表情识别结果分别得到自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情人脸的个数,分别记作n1,n2,...,n7。
步骤3:由检测出的各个时段的人脸个数和视频拍摄时长计算城市某个区域的人流量d:
其中,si为城市某区域不同时段检测出的人脸个数,nΔt为一天中此区域人脸检测的总时长。
步骤4:基于不同表情的人脸个数和人流量计算城市某个区域的幸福指数,子步骤如下:
步骤4.1:自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情和人的幸福程度密切相关,根据经验值分别给出相应的权值参λ1,λ2,λ3,λ4,λ5,λ6,λ7,因为开心与幸福指数正相关,而愤怒和悲伤等与幸福指数负相关。所以参数λ有正数也有负数,例如,λ1,λ2,λ3,λ4,λ5,λ6,λ7分别取值0,-3,-4,-2,5,-4,2。
步骤4.2:当城市人流量较小时市民会有孤独感而降低幸福感,较大时会交通拥挤而降低幸福感,根据经验值给出最佳人流量L。则城市区域幸福感指数计算公式为:
其中α是表情和人流量的权重系数。
步骤5:对城市的学校、公园、商场等区域重复图2中所示的单个区域幸福指数计算流程图来计算城市各个区域的幸福指数和城市平均幸福指数,并且得出城市各个区域市民的幸福感差异和排名,子步骤如下:
步骤5.1:重复步骤1-4计算城市各个区域的幸福指数和平均幸福指数,其中包括不同地点的同类型的区域,例如城市中一共有t个公园,分别表示为A1,A2,...,At,,重复步骤1-4分别计算t个公园的幸福指数,分别用表示,比较的大小并排序,可以看出城市所以公园的发展和经营情况,城市中t个公园的平均幸福指数为:
步骤5.2:重复步骤1-4和步骤5.1计算城市各个不同类型区域的幸福指数和平均幸福指数,分别得到公园、商场、学校、小区等区域的平均幸福指数,分别用表示,其中A,B,C,D,...分别表示城市的公园、商场、学校、小区等区域。比较的大小并排序,可以看出城市不同区域的幸福感的差异,同时为城市建设提供一个参考。对所有平均幸福指数加权取平均得到城市平均幸福指数。利用以上所有步骤可以得到其他城市的平均幸福指数,可以比较不同城市居民的幸福感差异。
步骤6:通过对幸福指数设定阈值h1,h2,h3,h4,其中h1<h2<h3<h4,在城市地图上对城市的不同区域绘画成不同颜色,当幸福指数H>h1时绘画成红色,h1≤H<h2时绘画成黄色,h2≤H<h3时绘画成蓝色,h3≤H<h4时绘画成绿色,H≥h4时绘画成橙色。如图5所示,绘制成的彩色图就是城市幸福指数热力图。为计算城市动态幸福指数热力图,重复步骤1-5计算每周不同区域的平均幸福指数,设置n个周的平均幸福指数H1,H2,H3,...,Hn对应颜色在热力图上依次持续显示一秒钟,这样就得到了每周的城市动态幸福指数热力图。同理可以得到每月、每年的城市幸福指数动态热力图。
Claims (3)
1.一种基于表情识别的城市幸福指数动态热力图生成方法,其特征包括以下步骤:
步骤1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,并在这些区域进行人脸检测;
步骤2:基于深度学习卷积神经网络结构,对所有检测出来的人脸进行表情识别;
步骤3:统计检测出的人脸个数并计算城市各个区域的人流量;
步骤4:基于不同表情的人脸个数和人流量计算城市各个区域的幸福指数;
步骤5:对城市的学校、公园、商场区域重复步骤1-4计算城市各个区域的幸福指数和城市平均幸福指数,并且得出城市各个区域市民的幸福感差异和排名;
步骤6:重复步骤1-5计算每周和每月不同区域的平均幸福指数,并且根据城市不同区域不同时间的幸福指数绘制城市幸福指数动态热力图;
上述步骤1中具体步骤如下:
步骤:1.1:根据城市地图,在城市的封闭区域的出入口和非封闭区域人流较多的区域分别设置摄像头,在一天中的n个不同时段用设置的摄像头进行人脸检测,时段分布为(t1,t1+Δt),(t2,t2+Δt),...,(tn-1,tn-1+Δt),(tn,tn+Δt),式中t1,t2,..,tn分别为人脸检测的不同开始时刻并且t1<t2...<tn-1<tn,Δt为检测时长;
步骤:1.2:通过深度学习人脸检测方法对各段视频进行人脸检测并保存检测到的人脸,计算出不同时段的人脸出现的个数,记作s1,s2,..,sn-1,sn;
上述步骤2中具体步骤如下:
步骤2.1:训练深度学习表情识别网络,训练正样本是包含自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类人脸表情的人脸图片;
步骤2.2:将城市某区域一天中截取的人脸图片作为网络的输入,根据表情识别结果分别得到自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情人脸的个数,分别记作n1,n2,...,n7;
上述步骤3由检测出的各个时段的人脸个数和检测时长计算城市某个区域的人流量d;
其中,si为城市某区域不同时段检测出的人脸个数,nΔt为一天中此区域人脸检测的总时长;
上述步骤4中具体步骤如下:
步骤4.1:自然,愤怒,厌恶,恐惧,开心,悲伤和惊讶这七类表情和人的幸福程度密切相关,根据经验值分别给出相应的权值参数λ1,λ2,λ3,λ4,λ5,λ6,λ7,因为开心与幸福指数正相关,而愤怒和悲伤与幸福指数负相关;所以参数λ有正数也有负数;
步骤4.2:当城市人流量较小时市民会有孤独感而降低幸福感,较大时会交通拥挤而降低幸福感,根据经验值给出最佳人流量L;则城市区域幸福感指数计算公式为:
其中α是表情和人流量的权重系数。
2.根据权利要求1所述的一种基于表情识别的城市幸福指数动态热力图生成方法,其特征在于:上述步骤5中具体步骤如下:
步骤5.1:重复步骤1-4计算城市各个区域的幸福指数和平均幸福指数,其中包括不同地点的同类型的区域,城市中一共有t个公园,分别表示为A1,A2,...,At,重复步骤1-4分别计算t个公园的幸福指数,分别用表示,比较的大小并排序,可以看出城市所以公园的发展和经营情况,城市中t个公园的平均幸福指数为:
3.根据权利要求1所述的一种基于表情识别的城市幸福指数动态热力图生成方法,其特征在于:上述步骤6通过对幸福指数设定阈值h1,h2,h3,h4,其中h1<h2<h3<h4,在城市地图上对城市的不同区域绘画成不同颜色,当幸福指数H>h1时绘画成红色,h1≤H<h2时绘画成黄色,h2≤H<h3时绘画成蓝色,h3≤H<h4时绘画成绿色,H≥h4时绘画成橙色;绘制成的彩色图就是城市幸福指数热力图;为计算城市动态幸福指数热力图,重复步骤1-5计算每周不同区域的平均幸福指数,设置n个周的平均幸福指数H1,H2,H3,...,Hn对应颜色在热力图上依次持续显示一秒钟,这样就得到了每周的城市动态幸福指数热力图;同理可以得到每月、每年的城市幸福指数动态热力图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497799.8A CN108710858B (zh) | 2018-05-22 | 2018-05-22 | 一种基于表情识别的城市幸福指数动态热力图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497799.8A CN108710858B (zh) | 2018-05-22 | 2018-05-22 | 一种基于表情识别的城市幸福指数动态热力图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710858A CN108710858A (zh) | 2018-10-26 |
CN108710858B true CN108710858B (zh) | 2021-07-06 |
Family
ID=63869262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810497799.8A Active CN108710858B (zh) | 2018-05-22 | 2018-05-22 | 一种基于表情识别的城市幸福指数动态热力图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710858B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856979B (zh) * | 2018-12-21 | 2022-03-25 | 深圳云天励飞技术有限公司 | 环境调节方法、系统、终端及介质 |
CN110287895B (zh) * | 2019-04-17 | 2021-08-06 | 北京阳光易德科技股份有限公司 | 一种基于卷积神经网络进行情绪测量的方法 |
GB201909222D0 (en) * | 2019-06-27 | 2019-08-14 | Givaudan Sa | Improvements in or relating to organic compounds |
CN110378736B (zh) * | 2019-07-23 | 2023-01-03 | 中国科学院东北地理与农业生态研究所 | 通过人脸表情识别评价游客对自然资源体验满意度的方法 |
CN110796020B (zh) * | 2019-09-30 | 2022-03-25 | 深圳云天励飞技术有限公司 | 一种心情指数分析方法及相关装置 |
CN113177519B (zh) * | 2021-05-25 | 2021-12-14 | 福建帝视信息科技有限公司 | 一种基于密度估计的后厨脏乱差评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960473A (zh) * | 2017-03-27 | 2017-07-18 | 北京交通大学 | 一种行为感知系统及方法 |
CN107977634A (zh) * | 2017-12-06 | 2018-05-01 | 北京飞搜科技有限公司 | 一种针对视频的表情识别方法、装置及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170330029A1 (en) * | 2010-06-07 | 2017-11-16 | Affectiva, Inc. | Computer based convolutional processing for image analysis |
JP2016538333A (ja) * | 2013-10-13 | 2016-12-08 | ザ ボード オブ トラスティーズ オブ ザ ユニバーシティ オブ アーカンソー | ヒトパピローマウイルス治療ワクチン |
CN105631427A (zh) * | 2015-12-29 | 2016-06-01 | 北京旷视科技有限公司 | 可疑人员检测方法与系统 |
CN106976096A (zh) * | 2017-05-26 | 2017-07-25 | 成都福莫斯智能系统集成服务有限公司 | 有效提升教学效率的教学机器人 |
CN107452104A (zh) * | 2017-07-26 | 2017-12-08 | 北京声迅电子股份有限公司 | 一种基于智能监控的车辆卡口的车辆控制方法及系统 |
CN107609480A (zh) * | 2017-08-10 | 2018-01-19 | 青岛萨纳斯新能源科技有限公司 | 一种基于实时视频检测表情的公共安全视频监测算法 |
-
2018
- 2018-05-22 CN CN201810497799.8A patent/CN108710858B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960473A (zh) * | 2017-03-27 | 2017-07-18 | 北京交通大学 | 一种行为感知系统及方法 |
CN107977634A (zh) * | 2017-12-06 | 2018-05-01 | 北京飞搜科技有限公司 | 一种针对视频的表情识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108710858A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710858B (zh) | 一种基于表情识别的城市幸福指数动态热力图生成方法 | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
US8238615B2 (en) | Method for comparing photographer aesthetic quality | |
JP5818799B2 (ja) | デジタル画像の美的品質の推定方法 | |
CN107480624B (zh) | 常住人口获取方法、装置及系统、计算机装置和存储介质 | |
CN102081810B (zh) | 户外媒体远程监测方法和系统 | |
CN109447008A (zh) | 基于注意力机制和可变形卷积神经网络的人群分析方法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
WO2017141454A1 (ja) | 混雑解析装置、混雑解析方法および混雑解析プログラム | |
CN109815936B (zh) | 一种目标对象分析方法及装置、计算机设备和存储介质 | |
CN108984657A (zh) | 图像推荐方法和装置、终端、可读存储介质 | |
CN110942055A (zh) | 展示区域的状态识别方法、装置、设备及存储介质 | |
CN110163137A (zh) | 一种图像处理方法、装置和存储介质 | |
CN109993269A (zh) | 基于注意力机制的单张图像人群计数方法 | |
CN110111565A (zh) | 一种基于实时视频流下的人车流量统计系统与方法 | |
CN108197544B (zh) | 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 | |
CN109902912A (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
WO2022205632A1 (zh) | 目标检测方法、装置、设备及存储介质 | |
CN110533119A (zh) | 标识识别方法及其模型的训练方法、装置及电子系统 | |
CN110110671A (zh) | 一种性格分析方法、装置及电子设备 | |
Heng et al. | How to assess the quality of compressed surveillance videos using face recognition | |
CN110378736A (zh) | 通过人脸表情识别评价游客对自然资源体验满意度的方法 | |
CN109344726A (zh) | 一种广告投放方法和装置 | |
CN110807117A (zh) | 一种用户关系预测方法及装置、计算机可读存储介质 | |
CN111767881A (zh) | 一种基于ai技术的自适应人群密度估计装置 |
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 |