CN109522838A - 一种基于宽度学习的安全帽图像识别算法 - Google Patents

一种基于宽度学习的安全帽图像识别算法 Download PDF

Info

Publication number
CN109522838A
CN109522838A CN201811355123.1A CN201811355123A CN109522838A CN 109522838 A CN109522838 A CN 109522838A CN 201811355123 A CN201811355123 A CN 201811355123A CN 109522838 A CN109522838 A CN 109522838A
Authority
CN
China
Prior art keywords
safety cap
node
image recognition
recognition model
cap image
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
CN201811355123.1A
Other languages
English (en)
Inventor
李铁山
王扬
田野
陈俊龙
左毅
杨赫
蒋龙
彭东成
韩野
杨晶晶
肖杨
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Publication of CN109522838A publication Critical patent/CN109522838A/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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备；S2、基于宽度学习训练安全帽图像识别模型；S3、基于宽度学习系统的安全帽图像检测机制：S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；S33、将有人但无安全帽的图片进行标记，并发出警告。本发明是基于宽度学习系统的安全帽图像识别技术，而宽度学习架构层次较浅，对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。

Description

一种基于宽度学习的安全帽图像识别算法
技术领域
本发明涉及安全设施检测领域，特别涉及一种基于宽度学习的安全帽图像识别算法。
背景技术
随着社会经济的发展，航运业发展越来越快，相应的，航运业带来的安全隐患也越发的引人注意。物流仓储码头中有诸多现场作业，不可避免的会带来一些安全问题，例如高空坠物，作业人员以及施工场地的工作人员急需一些安全保护措施，例如佩戴安全帽，以有效的防止安全事故的发生。
由于工作人员的安全意识不高，或者是由于某些外界因素导致工作人员忘记佩戴安全帽，导致安全事故屡屡发生，可见，对安全帽的准确检测，以提醒未佩戴安全帽的工作人员进行佩戴，有利于在一定程度上避免安全事故的发生。
现有技术中，对工作人员安全帽佩戴的检测方法采用机器学习的方式，通过对摄像头采集一定区域内的整体图像或者当前用户的整体图像，进行提取特征，然后结合模式识别技术进行判断。
由于检测的区域较大，是否佩戴安全帽的特征，相对来说，不是很明显，容易造成检测不准确，无法准确的对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故。
发明内容
为解决现有技术存在的上述问题，本发明要设计一种网络简单、训练速度快、网络重构代价小，能保证跟踪的实时性和准确性的基于宽度学习的安全帽图像识别算法。本发明采用的技术手段如下：
一种基于宽度学习的安全帽图像识别算法，具有如下步骤：
S1、宽度学习系统的数据准备
将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；
将这三类图片分别使用K折交叉验证法从中抽取(K-1)折作为图像训练集，1折作为图像测试集；
S2、基于宽度学习训练安全帽图像识别模型
对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；
提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；
特征节点通过函数得到，即将输入的图像训练集中的图像数据X映射并产生第i组特征节点；
若产生n个特征节点，表达如下：
其中，X为输入的图像训练集中的图像数据，是权重系数，是偏置项，和都是随机产生的；
给定记号Zi≡[Z1...Zi]表示所有的输入的图像训练集中的图像数据映射的特征节点；
增强节点是对特征节点的所代表的特征进行增强；
增强节点通过函数得到，被记为Hj，前j组所有增强节点被记为Hj≡[H1,...,Hj]，其中，是权重系数，是偏置项，和都是随机产生的，第m组增强节点表示为：
此时所述安全帽图像识别模型用如下公式表示：
整个所述安全帽图像识别模型的权重参数Wm通过伪逆得到结果，设Y为所述安全帽图像识别模型的输出值，即：
Y＝V3×Wm；
则通过伪逆得：
其中，c为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：
V3＝(Zn Hm)；
在所述安全帽图像识别模型训练过程中，Y的值为训练集给定输出值；
求解得到Wm，所述安全帽图像识别模型的训练完成；
S3、基于宽度学习系统的安全帽图像检测机制
S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；
S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值，即对作业人员是否佩戴安全帽进行判断；
S33、将有人但无安全帽的图片进行标记，并发出警告。
所述步骤S2中，提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层的具体步骤如下：
S21、建立输入数据的特征节点映射：
设Tp×q为图像训练集的训练数据，p为样本个数，q为样本图像像素总数，对Tp×q进行Z分数标准化；为了在生成特征节点时可以直接通过矩阵运算增加偏置项，对Tp×q进行增广，Tp×q最后增加一列，变为T1(p×(q+1))；
S22、生成每个窗口的特征节点：
生成随机权重矩阵We，We是一个(q+1)×N1的随机权重矩阵，其中N1是每个窗口特征节点的个数，We取值(0,1)之间呈均匀分布，得到特征节点H1，H1＝T1×We，之后进行归一化处理；
对H1进行稀疏表示，采用lasso方法找到稀疏矩阵Wβ，使得T1×Wβ＝H1，则当前窗口的特征节点为V1＝normal(T1×Wβ)，normal表示归一化；
设N2为迭代次数；并把上述生成特征节点步骤迭代N2次，得到的特征节点矩阵y为一个p×(N2×N1)的矩阵；
S23、生成增强节点；
特征节点矩阵y增加偏置项并进行标准化，得到H2；
设N3为增强节点数，则增强节点的系数矩阵Wh为大小为(N1×N2+1)×N3且经过正交规范化的随机矩阵；
对增强节点进行激活，则：
其中，s为增强节点的缩放尺度，tan sig是BP神经网络中常用的激活函数，可以最大程度将增强节点所表达的特征进行激活；增强节点不用稀疏表示，也不用窗口迭代，
S24、得到输入层V3＝[y V2]，每个样本的特征维度为N1×N2+N3。
与现有技术相比，本发明具有以下有益效果：
1、本发明是基于宽度学习系统的安全帽图像识别技术，而宽度学习架构层次较浅，对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。
2、本发明通过宽度学习进行离线训练，得到安全帽图像识别模型，训练速度快，重构代价小，时间成本大大降低，在图像识别的实时性上具有巨大的优势。
基于上述理由本发明可在安全设施检测等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的宽度学习系统结构图。
图2是本发明的实施例过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图2所示，一种基于宽度学习的安全帽图像识别算法，具有如下步骤：
S1、宽度学习系统的数据准备
将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；
将这三类图片分别使用K折交叉验证法从中抽取(K-1)折作为图像训练集，1折作为图像测试集；
S2、基于宽度学习训练安全帽图像识别模型
对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；
提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；
特征节点通过函数得到，即将输入图像数据X映射并产生第i组特征节点；
若产生n个特征节点，表达如下：
其中，X为输入的图像训练集中的图像数据，是权重系数，是偏置项，和都是随机产生的；
给定记号Zi≡[Z1...Zi]表示所有的输入的图像训练集中的图像数据映射的特征节点；
增强节点是对特征节点的所代表的特征进行增强，增强节点通过函数得到，被记为Hj，前j组所有增强节点被记为Hj≡[H1,...,Hj]，其中，是权重系数，是偏置项，和都是随机产生的，第m组增强节点表示为：
此时所述安全帽图像识别模型用如下公式表示：
整个所述安全帽图像识别模型的权重参数Wm通过伪逆得到结果，设Y为所述安全帽图像识别模型的输出值，即：
Y＝V3×Wm；
则通过伪逆得：
其中，c为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：
V3＝(Zn Hm)；
在所述安全帽图像识别模型训练过程中，Y的值为训练集给定输出值；
求解得到Wm，所述安全帽图像识别模型的训练完成；
S3、基于宽度学习系统的安全帽图像检测机制
S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；
S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值，即对作业人员是否佩戴安全帽进行判断；
S33、将有人但无安全帽的图片进行标记，并发出警告。
所述步骤S2中，提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层的具体步骤如下：
S21、建立输入数据的特征节点映射：
设Tp×q为图像训练集的训练数据，p为样本个数，q为样本图像像素总数，对Tp×q进行Z分数标准化；为了在生成特征节点时可以直接通过矩阵运算增加偏置项，对Tp×q进行增广，Tp×q最后增加一列，变为T1(p×(q+1))；
S22、生成每个窗口的特征节点：
生成随机权重矩阵We，We是一个(q+1)×N1的随机权重矩阵，其中N1是每个窗口特征节点的个数，We取值(0,1)之间呈均匀分布，得到特征节点H1，H1＝T1×We，之后进行归一化处理；
对H1进行稀疏表示，采用lasso方法找到稀疏矩阵Wβ，使得T1×Wβ＝H1，则当前窗口的特征节点为V1＝normal(T1×Wβ)，normal表示归一化；
设N2为迭代次数；并把上述生成特征节点步骤迭代N2次，得到的特征节点矩阵y为一个p×(N2×N1)的矩阵；在本发明实施例中N1＝104，N2＝30。
S23、生成增强节点；
特征节点矩阵y增加偏置项并进行标准化，得到H2；
设N3为增强节点数，在本发明实施例中，N3＝1020，则增强节点的系数矩阵Wh为大小为(N1×N2+1)×N3且经过正交规范化的随机矩阵；
对增强节点进行激活，则：
其中，s为增强节点的缩放尺度；
S24、得到输入层V3＝[y V2]，每个样本的特征维度为N1×N2+N3。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：
S1、宽度学习系统的数据准备
将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；
将这三类图片分别使用K折交叉验证法从中抽取(K-1)折作为图像训练集，1折作为图像测试集；
S2、基于宽度学习训练安全帽图像识别模型
对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；
提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；
特征节点通过函数得到；
若产生n个特征节点，表达如下：
其中，X为输入的图像训练集中的图像数据，是权重系数，是偏置项，和都是随机产生的；
给定记号Zi≡[Z1...Zi]表示所有的输入的图像训练集中的图像数据映射的特征节点；
增强节点通过函数得到，被记为Hj，前j组所有增强节点被记为Hj≡[H1,...,Hj]，其中，是权重系数，是偏置项，和都是随机产生的，第m组增强节点表示为：
此时所述安全帽图像识别模型用如下公式表示：
整个所述安全帽图像识别模型的权重参数Wm通过伪逆得到结果，设Y为所述安全帽图像识别模型的输出值，即：
Y＝V3×Wm；
则通过伪逆得：
Wm＝(V3 T*V3+In+m*c)-1*V3 T*Y，其中，c为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：
V3＝(Zn Hm)；
在所述安全帽图像识别模型训练过程中，Y的值为训练集给定输出值；
求解得到Wm，所述安全帽图像识别模型的训练完成；
S3、基于宽度学习系统的安全帽图像检测机制
S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；
S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；
S33、将有人但无安全帽的图片进行标记，并发出警告。
2.根据权利要求1所述的基于宽度学习的安全帽图像识别算法，其特征在于，所述步骤S2中，提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层的具体步骤如下：
S21、建立输入数据的特征节点映射：
设Tp×q为图像训练集的训练数据，p为样本个数，q为样本图像像素总数，对Tp×q进行Z分数标准化；对Tp×q进行增广，Tp×q最后增加一列，变为T1(p×(q+1))；
S22、生成每个窗口的特征节点：
生成随机权重矩阵We，We是一个(q+1)×N1的随机权重矩阵，其中N1是每个窗口特征节点的个数，We取值(0,1)之间呈均匀分布，得到特征节点H1，H1＝T1×We，之后进行归一化处理；
对H1进行稀疏表示，采用lasso方法找到稀疏矩阵Wβ，使得T1×Wβ＝H1，则当前窗口的特征节点为V1＝normal(T1×Wβ)，normal表示归一化；
设N2为迭代次数；并把上述生成特征节点步骤迭代N2次，得到的特征节点矩阵y为一个p×(N2×N1)的矩阵；
S23、生成增强节点；
特征节点矩阵y增加偏置项并进行标准化，得到H2；
设N3为增强节点数，则增强节点的系数矩阵Wh为大小为(N1×N2+1)×N3且经过正交规范化的随机矩阵；
对增强节点进行激活，则：
其中，s为增强节点的缩放尺度；
S24、得到输入层V3＝[y V2]，每个样本的特征维度为N1×N2+N3。
CN201811355123.1A 2018-11-09 2018-11-14 一种基于宽度学习的安全帽图像识别算法 Pending CN109522838A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018113335868 2018-11-09
CN201811333586 2018-11-09

Publications (1)

Publication Number Publication Date
CN109522838A true CN109522838A (zh) 2019-03-26

Family

ID=65777858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811355123.1A Pending CN109522838A (zh) 2018-11-09 2018-11-14 一种基于宽度学习的安全帽图像识别算法

Country Status (1)

Country Link
CN (1) CN109522838A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884886A (zh) * 2019-03-29 2019-06-14 大连海事大学 一种基于宽度学习的船舶运动无模型自适应最优控制方法
CN110197203A (zh) * 2019-05-08 2019-09-03 湖北民族大学 基于宽度学习神经网络的桥梁路面裂缝分类识别方法
CN110334775A (zh) * 2019-07-12 2019-10-15 广东工业大学 一种基于宽度学习的无人机线路故障识别方法和装置
CN111507241A (zh) * 2020-04-14 2020-08-07 四川聚阳科技集团有限公司 一种轻量级网络课堂表情监测方法
CN112152806A (zh) * 2020-09-25 2020-12-29 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备
CN112308159A (zh) * 2020-11-05 2021-02-02 湖南科技大学 基于预测增量宽度学习的图像识别分类方法
CN112802011A (zh) * 2021-02-25 2021-05-14 上海电机学院 一种基于vgg-bls的风机叶片缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446926A (zh) * 2016-07-12 2017-02-22 重庆大学 一种基于视频分析的变电站工人安全帽佩戴检测方法
US20180151085A1 (en) * 2014-08-29 2018-05-31 Dhiraj JEYANANDARAJAN Systems and methods for customizing a learning experience of a user
CN108337255A (zh) * 2018-01-30 2018-07-27 华中科技大学 一种基于web自动化测试和宽度学习的钓鱼网站检测方法
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180151085A1 (en) * 2014-08-29 2018-05-31 Dhiraj JEYANANDARAJAN Systems and methods for customizing a learning experience of a user
CN106446926A (zh) * 2016-07-12 2017-02-22 重庆大学 一种基于视频分析的变电站工人安全帽佩戴检测方法
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN108337255A (zh) * 2018-01-30 2018-07-27 华中科技大学 一种基于web自动化测试和宽度学习的钓鱼网站检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
C. L. PHILIP CHEN 等，: "Broad learning system: A new learning paradigm and system without going deep", 《2017 32ND YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 *
C. L. PHILIP CHEN 等。: "Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
MEILING XU 等，: "Recurrent Broad Learning Systems for Time Series Prediction", 《IEEEXPLORE》 *
贾晨 等，: "基于宽度学习方法的多模态信息融合", 《智能系统学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884886A (zh) * 2019-03-29 2019-06-14 大连海事大学 一种基于宽度学习的船舶运动无模型自适应最优控制方法
CN110197203A (zh) * 2019-05-08 2019-09-03 湖北民族大学 基于宽度学习神经网络的桥梁路面裂缝分类识别方法
CN110197203B (zh) * 2019-05-08 2022-06-10 湖北民族大学 基于宽度学习神经网络的桥梁路面裂缝分类识别方法
CN110334775A (zh) * 2019-07-12 2019-10-15 广东工业大学 一种基于宽度学习的无人机线路故障识别方法和装置
CN111507241A (zh) * 2020-04-14 2020-08-07 四川聚阳科技集团有限公司 一种轻量级网络课堂表情监测方法
CN112152806A (zh) * 2020-09-25 2020-12-29 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备
CN112152806B (zh) * 2020-09-25 2023-07-18 青岛大学 一种云辅助且支持隐私保护的图像识别方法、装置及设备
CN112308159A (zh) * 2020-11-05 2021-02-02 湖南科技大学 基于预测增量宽度学习的图像识别分类方法
CN112802011A (zh) * 2021-02-25 2021-05-14 上海电机学院 一种基于vgg-bls的风机叶片缺陷检测方法

Similar Documents

Publication Publication Date Title
CN109522838A (zh) 一种基于宽度学习的安全帽图像识别算法
CN108549873B (zh) 三维人脸识别方法和三维人脸识别系统
US10380788B2 (en) Fast and precise object alignment and 3D shape reconstruction from a single 2D image
Meyer et al. Learning an uncertainty-aware object detector for autonomous driving
CN109409297B (zh) 一种基于双通道卷积神经网络的身份识别方法
CN112949633B (zh) 一种基于改进YOLOv3的红外目标检测方法
CN112598643B (zh) 深度伪造图像检测及模型训练方法、装置、设备、介质
CN111507248B (zh) 一种低分辨热力图的人脸额头区域检测与定位方法及其系统
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
Yu et al. Railway obstacle detection algorithm using neural network
CN107895160A (zh) 人脸检测与识别装置及方法
CN110084165A (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110232379A (zh) 一种车辆姿态检测方法及系统
CN109376637A (zh) 基于视频监控图像处理的人数统计系统
CN109063625A (zh) 一种基于级联深度网络的人脸关键点检测方法
CN113326735B (zh) 一种基于YOLOv5的多模态小目标检测方法
CN111191535B (zh) 基于深度学习的行人检测模型构建方法及行人检测方法
CN113378675A (zh) 一种同时检测和特征提取的人脸识别方法
Xu et al. Moving object detection based on improved three frame difference and background subtraction
CN108898623A (zh) 目标跟踪方法及设备
Li et al. Gadet: A geometry-aware x-ray prohibited items detector
Liu et al. Implementation System of Human Eye Tracking Algorithm Based on FPGA.
CN117152844A (zh) 基于计算机视觉的高完整性工人施工姿态检测方法及系统
Liu et al. Abnormal behavior analysis strategy of bus drivers based on deep learning
Zhang et al. Machine Learning‐Based Multitarget Tracking of Motion in Sports Video

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

Application publication date: 20190326

RJ01 Rejection of invention patent application after publication