CN109446953A - 一种基于轻量化卷积神经网络的行人重识别方法 - Google Patents
一种基于轻量化卷积神经网络的行人重识别方法 Download PDFInfo
- Publication number
- CN109446953A CN109446953A CN201811206061.8A CN201811206061A CN109446953A CN 109446953 A CN109446953 A CN 109446953A CN 201811206061 A CN201811206061 A CN 201811206061A CN 109446953 A CN109446953 A CN 109446953A
- Authority
- CN
- China
- Prior art keywords
- image
- input
- neural networks
- convolutional neural
- network
- 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
-
- 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
- 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
Abstract
本发明涉及一种基于轻量化卷积神经网络的行人重识别方法,包括以下步骤:步骤S1:从大型公用数据集中提取取行人重识别数据集;步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作,得到预处理后的数据集;步骤S3:将预处理后的数据集,采用灰度拉伸的图像增强的算法进行处理,得到增强后的数据集;步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络,得到训练好的轻量化卷积神经网络模型;步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中,判断待识别匹配的行人是否为目标人物。本发明能够有效地实现行人重识别。
Description
技术领域
本发明涉及模式识别与计算机视觉领域,具体涉及一种基于轻量化卷积神经网络的行人重识别方法。
背景技术
在人的感知系统所获得的信息中,视觉信息大约占到80%-85%。图像与视频等相关的应用在国民日常生活的地位日益突出。图像处理学科既是科学领域中具有挑战性的理论研究方向,也是工程领域中的重要应用技术。行人重识别(Person Re-identification),是近几年智能视频分析领域兴起的一项新技术,属于在复杂视频环境下的图像处理和分析范畴,是许多监控和安防应用中的主要任务,并且在计算机视觉领域获得了越来越多的关注。
行人重识别是指在已有的可能来源于非重叠摄像机视域的视频序列中识别出目标行人。在监控视频中,由于相机分辨率和拍摄角度等缘故,通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下,行人重识别就成为了一个非常重要的替代品技术。行人重识别有一个非常重要的特性就是跨摄像头检索出不同摄像头下的相同行人图片。当多个镜头是无重叠的,视域完全不同,假设我们要对在摄像头2中拍摄到的目标个体1在其它镜头中进行重识别,需要在其他的摄像头中定位到这个目标,除了目标本身在不同镜头下外观上的不同,还会受到其他个体的影响,比如在摄像头2中目标个体1需要与摄像头1中的4个目标个体都进行比较。因此研究该问题对公共安全和刑侦有着非常重要的现实意义。
行人重识别的研究面临着诸如图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等带来的诸多挑战。
发明内容
有鉴于此,本发明的目的在于提供一种基于轻量化卷积神经网络的行人重识别方法,能够有效地实现行人重识别。
为实现上述目的,本发明采用如下技术方案:
一种基于轻量化卷积神经网络的行人重识别方法,包括以下步骤:
步骤S1:从大型公用数据集中提取取行人重识别数据集;
步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作,得到预处理后的数据集;
步骤S3:将预处理后的数据集,采用灰度拉伸的图像增强的算法进行处理,得到增强后的数据集;
步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络,得到训练好的轻量化卷积神经网络模型;
步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中,判断待识别匹配的行人是否为目标人物。
进一步的,所述大型公用数据集包括PRW,CAMPUS,Market-1501,VIPeR,CUHK03。
进一步的,所述中值滤波的方法具体为:
步骤S21:将模板在图中漫游,并将模板中心与途中像素位置重合;
步骤S22:读取模板下各对应像素的灰度值,并将这些灰度值从小到大排成一列;
步骤S23:找出这些值里排在中间的一个,将这个中间值赋给对应模板中心位置的图像。
进一步的,所述灰度拉伸的图像增强的算法具体为:灰度拉伸采用最简单的分段线性变换函数:灰度变换函数的运算结果是将原图在a和b之间的灰度值拉伸到c和d之间,假设在二维坐标系中,a的坐标为(x1,0),b的坐标为(x2,0),c的坐标为(0,y1),d的坐标为(0,y2),(x,0)为横坐标上的任意一个点,(y,0)为(x,0)进行灰度变换后的位置,则其函数关系为:
x≤x1,y=y1÷x1×x
x1<x<x2,y=(y2-y1)÷(x2-x1)×(x-x1)+y1
x≥x2,y=(255-y2)÷(255-x2)×(x-x2)+y2
若一幅图像的灰度集中在较暗的区域而导致图像偏暗,可以用灰度拉伸功能来拉伸物体灰度区间以改善图像;同样如果图像灰度集中在较亮的区域而导致图像偏亮,也可以用灰度拉伸功能来压缩物体灰度区间以改善图像质量。
进一步的,所述步骤S4具体为:
步骤S41:将增强后的数据集分为训练集、验证集和测试集,并将其生成lmdb格式的数据;
步骤S42:轻量化卷积神经网络在训练时使用分类的任务进行训练,将原始数据作为输入,并且随机将输入图片剪裁为224×224;
步骤S43:将步骤S42的输出输入到一个卷积层中,卷积层中的卷积核大小为7×7,步长为2,由卷积核提取特征;
步骤S44:将步骤S43的输出作为池化层的输入;
步骤S45:将步骤S44池化层的输入作为激活层的输入,这里的激活函数采用sigmoid函数,假设池化层的输入为t,则其输出S(t)为:
步骤S46:将步骤S45的输出作为之后3个Network in Network网络的输入;其中,每个Network in Network网络由卷积层、sigmoid激活层,卷积层,sigmoid激活层,池化层组成,Network in Network级联的跨特征图整合过程,可以使得网络学习到复杂和有用的跨特征图特征;
步骤S47:将步骤S46的输出作为全连接的输入,之后再经过一个激活层;
步骤S48:将激活层的输出作为最后一层全连接层的分类层的输入,并通过softmax函数计算交叉熵用于回归计算。
进一步的,所述步骤S5具体为:
步骤S51:将输入的待识别匹配图像随机剪裁成尺寸为224×224大小的图片,并输出;
步骤S52:将S51的输出作为卷积神经网络的输入,用卷积核对其进行特征提取;
步骤S53:将步骤S52中的输出先后输入到池化层和sigmoid激活函数中;
步骤S54:将激活函数的输出作为3个Network in Network网络的输入;
步骤S55:将S54的3个Network in Network网络的输出作为全连接层的输入,并经过激活函数激活,最终得到待识别匹配图像的特征向量;
步骤S56:对目标人物同样执行步骤S51-S55操作,得到目标人物的特征向量;
步骤S57:对提取到的目标人物和待识别匹配图像的特征向量,用欧氏距离的度量方法进行相似度运算,通过相似度的值最终判断两个人是否为同一个人,假设目标人物的特征向量A为(m11,m12,m13,...,m1n),待识别匹配的行人的特征向量B为(n11,n12,n13,...,n1n),其中n为特征向量的维度,则其A和B之间的欧氏距离为dAB为:
本发明与现有技术相比具有以下有益效果:
1、本发明本发明构建的一种基于轻量化卷积神经网络的行人重识别,提升了行人重识别的准确率与召回率。
2、本发明采用轻量化的卷积神经网络,在取得较好的效果的同时,由于其网络结构被简化,时间和空间都得到了优化。
附图说明
图1是本发明本发明的原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于轻量化卷积神经网络的行人重识别方法,包括以下步骤:
步骤S1:从大型公用数据集中提取取行人重识别数据集;
步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作,得到预处理后的数据集;
步骤S3:将预处理后的数据集,采用灰度拉伸的图像增强的算法进行处理,得到增强后的数据集;
步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络,得到训练好的轻量化卷积神经网络模型;
步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中,判断待识别匹配的行人是否为目标人物。
在本实施例中,大型公用数据集包括PRW,CAMPUS,Market-1501,VIPeR,CUHK03,并选取了Market-1501来作为本次使用的行人重识别数据集。
在本实施例中,图像平滑处理的目的是为了抑制噪声,改善图像质量,可以在空间域和频域中进行,这里采用中值滤波方法对数据进行预处理。进行中值滤波不仅可以去除孤点噪声,而且可以保持图像的边缘特性,不会使图像产生显著的模糊,比较适合实验中的行人图像。
本实施例采用中值滤波的方法,具体为:
步骤S21:将模板在图中漫游,并将模板中心与途中像素位置重合;
步骤S22:读取模板下各对应像素的灰度值,并将这些灰度值从小到大排成一列;
步骤S23:找出这些值里排在中间的一个,将这个中间值赋给对应模板中心位置的图像。
在本实施例中,所述灰度拉伸的图像增强的算法具体为:灰度拉伸采用最简单的分段线性变换函数:灰度变换函数的运算结果是将原图在a和b之间的灰度值拉伸到c和d之间,假设在二维坐标系中,a的坐标为(x1,0),b的坐标为(x2,0),c的坐标为(0,y1),d的坐标为(0,y2),(x,0)为横坐标上的任意一个点,(y,0)为(x,0)进行灰度变换后的位置,则其函数关系为:
x≤x1,y=y1÷x1×x
x1<x<x2,y=(y2-y1)÷(x2-x1)×(x-x1)+y1
x≥x2,y=(255-y2)÷(255-x2)×(x-x2)+y2
若一幅图像的灰度集中在较暗的区域而导致图像偏暗,可以用灰度拉伸功能来拉伸物体灰度区间以改善图像;同样如果图像灰度集中在较亮的区域而导致图像偏亮,也可以用灰度拉伸功能来压缩物体灰度区间以改善图像质量。
在本实施例中,所述步骤S4具体为:
步骤S41:将增强后的数据集分为训练集、验证集和测试集,并将其生成lmdb格式的数据;
步骤S42:轻量化卷积神经网络在训练时使用分类的任务进行训练,将原始数据作为输入,并且随机将输入图片剪裁为224×224;
步骤S43:将步骤S42的输出输入到一个卷积层中,卷积层中的卷积核大小为7×7,步长为2,由卷积核提取特征;
步骤S44:将步骤S43的输出作为池化层的输入;
步骤S45:将步骤S44池化层的输入作为激活层的输入,这里的激活函数采用sigmoid函数,假设池化层的输入为t,则其输出S(t)为:
步骤S46:将步骤S45的输出作为之后3个Network in Network网络的输入;其中,每个Network in Network网络由卷积层、sigmoid激活层,卷积层,sigmoid激活层,池化层组成,Network in Network级联的跨特征图整合过程,可以使得网络学习到复杂和有用的跨特征图特征;
步骤S47:将步骤S46的输出作为全连接的输入,之后再经过一个激活层;
步骤S48:将激活层的输出作为最后一层全连接层的分类层的输入,并通过softmax函数计算交叉熵用于回归计算。
在本实施例中,所述步骤S5具体为:
步骤S51:将输入的待识别匹配图像随机剪裁成尺寸为224×224大小的图片,并输出;
步骤S52:将S51的输出作为卷积神经网络的输入,用卷积核对其进行特征提取;
步骤S53:将步骤S52中的输出先后输入到池化层和sigmoid激活函数中;
步骤S54:将激活函数的输出作为3个Network in Network网络的输入;
步骤S55:将S54的3个Network in Network网络的输出作为全连接层的输入,并经过激活函数激活,最终得到待识别匹配图像的特征向量;
步骤S56:对目标人物同样执行步骤S51-S55操作,得到目标人物的特征向量;
步骤S57:对提取到的目标人物和待识别匹配图像的特征向量,用欧氏距离的度量方法进行相似度运算,通过相似度的值最终判断两个人是否为同一个人,假设目标人物的特征向量A为(m11,m12,m13,...,m1n),待识别匹配的行人的特征向量B为(n11,n12,n13,...,n1n),其中n为特征向量的维度,则其A和B之间的欧氏距离为dAB为:
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于轻量化卷积神经网络的行人重识别方法,其特征在于,包括以下步骤:
步骤S1:从大型公用数据集中提取取行人重识别数据集;
步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作,得到预处理后的数据集;
步骤S3:将预处理后的数据集,采用灰度拉伸的图像增强的算法进行处理,得到增强后的数据集;
步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络,得到训练好的轻量化卷积神经网络模型;
步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中,判断待识别匹配的行人是否为目标人物。
2.根据权利要求1所述的一种基于轻量化卷积神经网络的行人重识别方法,其特征在于:所述大型公用数据集包括PRW,CAMPUS,Market-1501,VIPeR,CUHK03。
3.根据权利要求1所述的一种基于轻量化卷积神经网络的行人重识别方法,其特征在于:所述中值滤波的方法具体为:
步骤S21:将模板在图中漫游,并将模板中心与途中像素位置重合;
步骤S22:读取模板下各对应像素的灰度值,并将这些灰度值从小到大排成一列;
步骤S23:找出这些值里排在中间的一个,将这个中间值赋给对应模板中心位置的图像。
4.根据权利要求1所述的一种基于轻量化卷积神经网络的行人重识别方法,其特征在于:所述灰度拉伸的图像增强的算法具体为:灰度拉伸采用最简单的分段线性变换函数:灰度变换函数的运算结果是将原图在a和b之间的灰度值拉伸到c和d之间,假设在二维坐标系中,a的坐标为(x1,0),b的坐标为(x2,0),c的坐标为(0,y1),d的坐标为(0,y2),(x,0)为横坐标上的任意一个点,(y,0)为(x,0)进行灰度变换后的位置,则其函数关系为:
x≤x1,y=y1÷x1×x
x1<x<x2,y=(y2-y1)÷(x2-x1)×(x-x1)+y1
x≥x2,y=(255-y2)÷(255-x2)×(x-x2)+y2
若一幅图像的灰度集中在较暗的区域而导致图像偏暗,可以用灰度拉伸功能来拉伸物体灰度区间以改善图像;同样如果图像灰度集中在较亮的区域而导致图像偏亮,也可以用灰度拉伸功能来压缩物体灰度区间以改善图像质量。
5.根据权利要求1所述的一种基于轻量化卷积神经网络的行人重识别方法,其特征在于:所述步骤S4具体为:
步骤S41:将增强后的数据集分为训练集、验证集和测试集,并将其生成lmdb格式的数据;
步骤S42:轻量化卷积神经网络在训练时使用分类的任务进行训练,将原始数据作为输入,并且随机将输入图片剪裁为224×224;
步骤S43:将步骤S42的输出输入到一个卷积层中,卷积层中的卷积核大小为7×7,步长为2,由卷积核提取特征;
步骤S44:将步骤S43的输出作为池化层的输入;
步骤S45:将步骤S44池化层的输入作为激活层的输入,这里的激活函数采用sigmoid函数,假设池化层的输入为t,则其输出S(t)为:
步骤S46:将步骤S45的输出作为之后3个Network in Network网络的输入;其中,每个Network in Network网络由卷积层、sigmoid激活层,卷积层,sigmoid激活层,池化层组成,Network in Network级联的跨特征图整合过程,可以使得网络学习到复杂和有用的跨特征图特征;
步骤S47:将步骤S46的输出作为全连接的输入,之后再经过一个激活层;
步骤S48:将激活层的输出作为最后一层全连接层的分类层的输入,并通过softmax函数计算交叉熵用于回归计算。
6.根据权利要求1所述的一种基于轻量化卷积神经网络的行人重识别方法,其特征在于:所述步骤S5具体为:
步骤S51:将输入的待识别匹配图像随机剪裁成尺寸为224×224大小的图片,并输出;
步骤S52:将S51的输出作为卷积神经网络的输入,用卷积核对其进行特征提取;
步骤S53:将步骤S52中的输出先后输入到池化层和sigmoid激活函数中;
步骤S54:将激活函数的输出作为3个Network in Network网络的输入;
步骤S55:将S54的3个Network in Network网络的输出作为全连接层的输入,并经过激活函数激活,最终得到待识别匹配图像的特征向量;
步骤S56:对目标人物同样执行步骤S51-S55操作,得到目标人物的特征向量;
步骤S57:对提取到的目标人物和待识别匹配图像的特征向量,用欧氏距离的度量方法进行相似度运算,通过相似度的值最终判断两个人是否为同一个人,假设目标人物的特征向量A为(m11,m12,m13,...,m1n),待识别匹配的行人的特征向量B为(n11,n12,n13,...,n1n),其中n为特征向量的维度,则其A和B之间的欧氏距离为dAB为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206061.8A CN109446953A (zh) | 2018-10-17 | 2018-10-17 | 一种基于轻量化卷积神经网络的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206061.8A CN109446953A (zh) | 2018-10-17 | 2018-10-17 | 一种基于轻量化卷积神经网络的行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109446953A true CN109446953A (zh) | 2019-03-08 |
Family
ID=65546719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206061.8A Pending CN109446953A (zh) | 2018-10-17 | 2018-10-17 | 一种基于轻量化卷积神经网络的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446953A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209865A (zh) * | 2019-05-24 | 2019-09-06 | 广州市云家居云科技有限公司 | 一种基于深度学习的物体识别及匹配方法 |
CN110334233A (zh) * | 2019-07-12 | 2019-10-15 | 福建省趋普物联科技有限公司 | 基于深度卷积神经网络模型的广告图像分类方法 |
CN110706178A (zh) * | 2019-09-30 | 2020-01-17 | 杭州海康威视数字技术股份有限公司 | 图像融合装置、方法、设备及存储介质 |
CN111401518A (zh) * | 2020-03-04 | 2020-07-10 | 杭州嘉楠耘智信息科技有限公司 | 一种神经网络量化方法、装置及计算机可读存储介质 |
CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
CN112766176A (zh) * | 2021-01-21 | 2021-05-07 | 深圳市安软科技股份有限公司 | 轻量化卷积神经网络的训练方法及人脸属性识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399016A (zh) * | 2013-07-26 | 2013-11-20 | 齐鲁工业大学 | 冷轧铝板表面缺陷在线检测系统及其检测方法 |
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106651882A (zh) * | 2016-12-29 | 2017-05-10 | 广东工业大学 | 一种基于机器视觉的燕窝杂质识别与检测方法及装置 |
CN108009512A (zh) * | 2017-12-14 | 2018-05-08 | 西北工业大学 | 一种基于卷积神经网络特征学习的人物再识别方法 |
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
-
2018
- 2018-10-17 CN CN201811206061.8A patent/CN109446953A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399016A (zh) * | 2013-07-26 | 2013-11-20 | 齐鲁工业大学 | 冷轧铝板表面缺陷在线检测系统及其检测方法 |
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106651882A (zh) * | 2016-12-29 | 2017-05-10 | 广东工业大学 | 一种基于机器视觉的燕窝杂质识别与检测方法及装置 |
CN108009512A (zh) * | 2017-12-14 | 2018-05-08 | 西北工业大学 | 一种基于卷积神经网络特征学习的人物再识别方法 |
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
XIANG WU等: "A Lightened CNN for Deep Face Representation", 《ARXIV:1511.02683V1》 * |
邓超等: "《数字图像处理与模式识别研究》", 30 June 2018 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209865A (zh) * | 2019-05-24 | 2019-09-06 | 广州市云家居云科技有限公司 | 一种基于深度学习的物体识别及匹配方法 |
CN110334233A (zh) * | 2019-07-12 | 2019-10-15 | 福建省趋普物联科技有限公司 | 基于深度卷积神经网络模型的广告图像分类方法 |
CN110706178A (zh) * | 2019-09-30 | 2020-01-17 | 杭州海康威视数字技术股份有限公司 | 图像融合装置、方法、设备及存储介质 |
CN111401518A (zh) * | 2020-03-04 | 2020-07-10 | 杭州嘉楠耘智信息科技有限公司 | 一种神经网络量化方法、装置及计算机可读存储介质 |
CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
CN112766176A (zh) * | 2021-01-21 | 2021-05-07 | 深圳市安软科技股份有限公司 | 轻量化卷积神经网络的训练方法及人脸属性识别方法 |
CN112766176B (zh) * | 2021-01-21 | 2023-12-01 | 深圳市安软科技股份有限公司 | 轻量化卷积神经网络的训练方法及人脸属性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446953A (zh) | 一种基于轻量化卷积神经网络的行人重识别方法 | |
Rao et al. | Selfie video based continuous Indian sign language recognition system | |
Taskiran et al. | A real-time system for recognition of American sign language by using deep learning | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN110838119B (zh) | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 | |
Liu | A camera phone based currency reader for the visually impaired | |
CN105426829B (zh) | 基于人脸图像的视频分类方法和装置 | |
CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
Shrenika et al. | Sign language recognition using template matching technique | |
CN114783024A (zh) | 基于YOLOv5的公共场所戴口罩的人脸识别系统 | |
CN105046202A (zh) | 自适应的人脸识别光照处理方法 | |
CN114360071A (zh) | 基于人工智能实现离线手写签名验证的方法 | |
EP2790130A1 (en) | Method for object recognition | |
Abraham | Moiré pattern detection using wavelet decomposition and convolutional neural network | |
Byeon et al. | A surveillance system using CNN for face recognition with object, human and face detection | |
KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
Hadis et al. | The impact of preprocessing on face recognition using pseudorandom pixel placement | |
kumar Shukla et al. | A novel method for identification and performance improvement of Blurred and Noisy Images using modified facial deblur inference (FADEIN) algorithms | |
Arafah et al. | Face recognition system using Viola Jones, histograms of oriented gradients and multi-class support vector machine | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
Fathy et al. | Benchmarking of pre-processing methods employed in facial image analysis | |
D RAJ et al. | British sign language recognition using HOG | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
KR20180092453A (ko) | Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법 |
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: 20190308 |