CN109568123A - 一种基于yolo目标检测的穴位定位方法 - Google Patents
一种基于yolo目标检测的穴位定位方法 Download PDFInfo
- Publication number
- CN109568123A CN109568123A CN201811301190.5A CN201811301190A CN109568123A CN 109568123 A CN109568123 A CN 109568123A CN 201811301190 A CN201811301190 A CN 201811301190A CN 109568123 A CN109568123 A CN 109568123A
- Authority
- CN
- China
- Prior art keywords
- image
- acupuncture point
- user
- localization method
- detection model
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H39/00—Devices for locating or stimulating specific reflex points of the body for physical therapy, e.g. acupuncture
- A61H39/02—Devices for locating such points
Landscapes
- Health & Medical Sciences (AREA)
- Rehabilitation Therapy (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的基于YOLO目标检测的穴位定位方法,包括获取第一用户在第一用户终端选择的第一穴位名称,并将第一穴位对应的提示信息发送至第一用户终端;获取第一用户的第一部位图像;判断第一部位图像中的第一穴位所在的方位是否正确;若是,则通过预设的识别检测模型对第一部位图像进行识别检测,得到反馈信息,并将反馈信息发送至第一用户终端;识别检测模型是基于YOLO网络生成的,且识别检测模型用于对用户终端上传的部位图像进行穴位定位并标记穴位,能够有效地提高识别速度和工作效率,并且达到穴位定位精准、误差低的效果。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于YOLO目标检测的穴位定位方法。
背景技术
随着现代生活节奏的不断加快,人们身体经常处于一种亚健康状态。穴位按摩作为一种传统保健方法,凭借操作方便、副作用小、见效快的特点受到普罗大众青睐。但是,用户普遍不具备中医基本常识,难以确认穴位的准确位置,而市面穴位定位方法仅停留在文字描述或直接在假人上模拟操作。
为了利于穴位按摩在日常生活中得到普及,市面涌现了一系列的穴位定位方法,而穴位定位的前提是能够识别穴位所属的人体部位。根据调查研究,上述方法主要采用RCNN系列模型网络结构来实现人体部位识别,而该模型结构存在以下不足:需要生成建议框,在建议框上进行分类与回归,识别速度慢;建议框之间有重叠,带来很多重复工作,工作效率低;检测范围是在建议框内,误检率高,定位精度欠佳。
发明内容
本发明实施例的目的是提供一种基于YOLO目标检测的穴位定位方法,能够有效地提高识别速度和工作效率,并且达到穴位定位精准、误差低的效果。
为实现上述目的,本发明实施例提供了一种基于YOLO目标检测的穴位定位方法,包括以下步骤:
获取第一用户在第一用户终端选择的第一穴位名称,并将所述第一穴位对应的提示信息发送至所述第一用户终端;其中,所述提示信息包括所述第一穴位对应的部位图像,以及所述第一穴位的方位的语音提示或文字提示;
获取所述第一用户的第一部位图像;其中,所述第一部位图像为所述第一用户根据所述提示信息拍摄的身体部位图像;
判断所述第一部位图像中的第一穴位所在的方位是否正确;
若是,则通过预设的识别检测模型对所述第一部位图像进行识别检测,得到反馈信息,并将所述反馈信息发送至所述第一用户终端;所述识别检测模型是基于YOLO网络生成的,且所述识别检测模型用于对用户终端上传的部位图像进行穴位定位并标记穴位;其中,所述反馈信息包括所述第一穴位与所述第一部位图像的位置比例,以及所述第一穴位在所述第一部位图像的定位标记。
进一步的,所述识别检测模型是基于YOLO网络生成的,具体为:
获取人体穴位图像,并根据所述人体穴位图像建立穴位位置比例数据库;
获取多个人体部位的图像,并将所述多个人体部位的图像进行灰度处理,得到灰度处理后的图像,根据所述灰度处理后的图像建立部位样本数据库;其中,所述部位样本数据库记录了若干个训练图像和测试图像;
对所述灰度处理后的图像的主体部位作矩形框标记,得到多个标记框中心点坐标;其中,所述主体部位为所述灰度处理后的图像中占取面积最大的部位;
将所述部位样本数据库中的若干个训练图像、所述若干个训练图像的标记框中心点坐标以及所述若干个训练图像对应的部位名称,作为训练输入并进行预设次数的训练,根据所述测试图像和损失函数得出识别检测的准确率;
当所述准确率达到预设的阈值时,则停止训练,并构建所述识别检测模型。
进一步的,所述对所述灰度处理后的图像的主体部位作矩形框标记,得到多个标记框中心点坐标,具体为:
将所述灰度处理后的图像的主体部位作矩形框标记,分别得到所述灰度处理后的图像的标记框坐标参数、标记框宽度参数以及标记框高度参数;
将所述标记框坐标参数、所述标记框宽度参数以及所述标记框高度参数进行转换,得到所述灰度处理后的图像的标记框中心点坐标。
进一步的,所述预设次数为20万次。
进一步的,所述预设的阈值为80%,当所述预设检测模型对所述部位样本数据库的测试图像的识别测试准确率为80%时,则停止所述识别检测模型的训练。
进一步的,在获取所述第一用户的第一部位图像之后,还包括:
当判断所述第一部位图像中的第一穴位所在的方位不正确时,出现重新上传部位图像的信息。
进一步的,所述判断所述第一部位图像中的第一穴位所在的方位是否正确,具体为:
根据所述提示信息中穴位方位的提示,判断所述第一穴位是否根据所述提示信息在所述第一部位的侧面或者正面的方位。
进一步的,所述获取所述第一用户的第一部位图像,具体为:
获取由所述第一用户根据所述提示信息,并通过所述第一用户终端拍摄的身体部位图像;
或者,获取由所述第一用户根据所述提示信息,并通过预设的摄像头拍摄的身体部位图像。
与现有技术相比,具有如下有益效果:
本发明实施例提供的基于YOLO目标检测的穴位定位方法,包括获取第一用户在第一用户终端选择的第一穴位名称,并将第一穴位对应的提示信息发送至第一用户终端;获取第一用户终端上传的第一部位图像;判断第一部位图像中的第一穴位所在的方位是否正确;若是,则通过预设的识别检测模型对第一部位图像进行识别检测,得到反馈信息,并将反馈信息发送至第一用户终端;识别检测模型基于YOLO网络用于对用户终端上传的部位图像进行穴位定位并标记穴位,能够有效地提高识别速度和工作效率,并且达到穴位定位精准、误差低的效果。
附图说明
图1是本发明提供的基于YOLO目标检测的穴位定位方法的一个实施例的流程示意图;
图2是本发明提供的构建识别检测模型的一种实施例的流程示意图。
具体实施方式
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,所描述的实施例仅仅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作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。
参见图1,图1是本发明提供的基于YOLO目标检测的穴位定位方法的一个实施例的流程示意图;本发明实施例提供一种基于YOLO目标检测的穴位定位方法,包括步骤S1至S4;
S1,获取第一用户在第一用户终端选择的第一穴位名称,并将第一穴位对应的提示信息发送至第一用户终端。
在本发明实施例中,提示信息包括第一穴位对应的部位图像,以及第一穴位的方位的语音提示或文字提示。
S2,获取第一用户的第一部位图像。
在本发明实施例中,第一部位图像可以通过第一用户用第一终端上传,也可以通过预设的摄像头进行实时拍摄;第一部位图像为第一用户身体部位图像,如:面部、背部、左前臂、右足底等。
S3,判断第一部位图像中的第一穴位所在的方位是否正确。
在本发明实施例中,根据提示信息中穴位方位的提示,判断第一穴位是否根据提示信息在第一部位的侧面或者正面的方位。
需要说明的是,若穴位在所属部位的侧面,方位则是正侧面;若穴位在所属部位的正面,方位则是正面;根据提示信息,能够判断第一穴位是否处于第一部位图像的正确方位,不仅方便了用户的使用,还提高了识别速度和工作的效率。
S4,通过预设的识别检测模型对第一部位图像进行识别检测,得到反馈信息,并将反馈信息发送至第一用户终端;识别检测模型是基于YOLO网络生成的,且识别检测模型用于对用户终端上传的部位图像进行穴位定位并标记穴位。
在本发明实施例中,反馈信息包括第一穴位与第一部位图像的位置比例,以及第一穴位在第一部位图像的定位标记,能够实现穴位的定位精准且误差低的效果。
本发明提供的基于YOLO目标检测的穴位定位方法,在获取所述第一用户的第一部位图像之后还包括:
当判断第一部位图像中的第一穴位所在的方位不正确时,出现重新上传部位图像的信息。
作为本发明的另一种实施例,参见图2,图2是本发明提供的构建识别检测模型的一种实施例的流程示意图;本发明提供的构建识别检测模型包括步骤:S10至S14;
S10,获取人体穴位图像,并根据人体穴位图像建立穴位位置比例数据库。
在本实施例中,通过中医养生网站获取标准的人体穴位图像,根据部位名称对图像进行拆分以及归类,如:面部、背部、左前臂、右足底等。基于现成工具,如:Photoshop,得出各部位的长宽信息以及各穴位在所属部位的纵横坐标,从而得出各穴位在所属部位的位置比例,穴位位置比例数据库建立完毕。
S11,获取多个人体部位的图像,并将多个人体部位的图像进行灰度处理,得到灰度处理后的图像,根据灰度处理后的图像建立部位样本数据库。
在本发明实施例中,通过摄像头以多角度大量抓拍人体各部位的静态图像,如:面部、背部、左前臂、右足底等,并将所有图片进行灰度处理,得到灰度处理后的图像,部位样本数据库建立完毕,采用灰度处理不但提高图像处理效率,而且不会影响图像纹理特征。
在本实施例中,部位样本数据库包括训练图像和测试图像。
S12,对灰度处理后的图像的主体部位作矩形框标记,得到多个标记框中心点坐标。
在本实施例中,主体部位为灰度处理后的图像中占取面积最大的部位。
在本发明实施例中,基于部位样本数据库,得到了大量人体部位图像。由于获取的图像或许会出现不止一个身体部位,如:拍摄手前臂时,也会把前臂连接的上臂一部分一同拍摄。为了确保识别检测模型训练样本的质量,对所有部位样本图像的主体部位作矩形框标记,一张样本图像对应一个人体部位,得出各样本对应的部位标记框坐标、宽度以及高度参数,通过现成工具,如:Photoshop,对上述标记框参数进行转换,得出各样本对应的部位标记框中心点坐标。
S13,将部位样本数据库中的若干个训练图像、若干个训练图像的标记框中心点坐标以及若干个训练图像对应的部位名称,作为训练输入并进行预设次数的训练,根据测试图像和损失函数得出识别检测的准确率。
需要说明的是,本实例的识别检测模型采用YOLO网络。该网络将输入图像分成SxS个格子,每个格子负责中心在该格子的目标检测,采用一次性预测所有格子所含目标的边界框、定位置信度以及所有类别概率向量。YOLO没有显示求取regionproposal的过程,相对于R-CNN系列的“看两眼”(即:候选框提取与分类),YOLO只需要“看一眼”,模型结构更简单。此外,YOLO统一为一个回归问题,而R-CNN将检测结果分为物体类别(分类问题)和物体位置(回归问题)两部分求解,检测速度更快。
基于YOLO网络结构,将部位样本数据库的训练图像统一分成SxS个格子,并作为模型训练的输入图像。系统把输入图像、图像部位标记框中心点坐标以及图像部位名称传输给识别检测模型反复训练,实现基于中心点检测识别部位的目的。
在本发明实施例中,当识别检测模型与部位样本数据库训练图像反复训练的次数达到预设的阀值,如:20万次,识别检测模型训练停止。系统把识别检测模型与部位样本数据库测试图像进行试运行测试,根据损失函数得出识别检测模型识别准确率,以下是YOLO损失函数公式:
其中,coordErr代表坐标误差,iouErr代表IOU误差,clsErr代表分类误差。
S14,当准确率达到预设的阈值时,则停止训练,并构建识别检测模型。
在本发明实施例中,当识别检测模型对部位样本数据库的测试图像的识别测试准确率为80%时,则停止识别检测模型的训练,并将识别检测模型应用于现场识别,否则继续与部位样本数据库训练图像反复训练。
本发明实施例提供的基于YOLO目标检测的穴位定位方法,包括获取第一用户在第一用户终端选择的第一穴位名称,并将第一穴位对应的提示信息发送至第一用户终端;获取第一用户的第一部位图像;判断第一部位图像中的第一穴位所在的方位是否正确;若是,则通过预设的识别检测模型对第一部位图像进行识别检测,得到反馈信息,并将反馈信息发送至第一用户终端;识别检测模型是基于YOLO网络生成的,且识别检测模型用于对用户终端上传的部位图像进行穴位定位并标记穴位,能够有效地提高识别速度和工作效率,并且达到穴位定位精准、误差低的效果。另外,采用YOLO网络技术,使得构建模型结构更简单、检测速度更快、误检率更低、定位精度更高,并且实现了基于中心点识别检测部位的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于YOLO目标检测的穴位定位方法,其特征在于,包括以下步骤:
获取第一用户在第一用户终端选择的第一穴位名称,并将所述第一穴位对应的提示信息发送至所述第一用户终端;其中,所述提示信息包括所述第一穴位对应的部位图像,以及所述第一穴位的方位的语音提示或文字提示;
获取所述第一用户的第一部位图像;其中,所述第一部位图像为所述第一用户根据所述提示信息拍摄的身体部位图像;
判断所述第一部位图像中的第一穴位所在的方位是否正确;
若是,则通过预设的识别检测模型对所述第一部位图像进行识别检测,得到反馈信息,并将所述反馈信息发送至所述第一用户终端;所述识别检测模型是基于YOLO网络生成的,且所述识别检测模型用于对用户终端上传的部位图像进行穴位定位并标记穴位;其中,所述反馈信息包括所述第一穴位与所述第一部位图像的位置比例,以及所述第一穴位在所述第一部位图像的定位标记。
2.如权利要求1所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述识别检测模型是基于YOLO网络生成的,具体为:
获取人体穴位图像,并根据所述人体穴位图像建立穴位位置比例数据库;
获取多个人体部位的图像,并将所述多个人体部位的图像进行灰度处理,得到灰度处理后的图像,根据所述灰度处理后的图像建立部位样本数据库;其中,所述部位样本数据库记录了若干个训练图像和测试图像;
对所述灰度处理后的图像的主体部位作矩形框标记,得到多个标记框中心点坐标;其中,所述主体部位为所述灰度处理后的图像中占取面积最大的部位;
将所述部位样本数据库中的若干个训练图像、所述若干个训练图像的标记框中心点坐标以及所述若干个训练图像对应的部位名称,作为训练输入并进行预设次数的训练,根据所述测试图像和损失函数得出识别检测的准确率;
当所述准确率达到预设的阈值时,则停止训练,并构建所述识别检测模型。
3.如权利要求2所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述对所述灰度处理后的图像的主体部位作矩形框标记,得到多个标记框中心点坐标,具体为:
将所述灰度处理后的图像的主体部位作矩形框标记,分别得到所述灰度处理后的图像的标记框坐标参数、标记框宽度参数以及标记框高度参数;
将所述标记框坐标参数、所述标记框宽度参数以及所述标记框高度参数进行转换,得到所述灰度处理后的图像的标记框中心点坐标。
4.如权利要求2或3所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述预设次数为20万次。
5.如权利要求4所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述预设的阈值为80%,当所述预设检测模型对所述部位样本数据库的测试图像的识别测试准确率为80%时,则停止所述识别检测模型的训练。
6.如权利要求1所述的基于YOLO目标检测的穴位定位方法,其特征在于,在获取所述第一用户的第一部位图像之后,还包括:
当判断所述第一部位图像中的第一穴位所在的方位不正确时,出现重新上传部位图像的信息。
7.如权利要求1所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述判断所述第一部位图像中的第一穴位所在的方位是否正确,具体为:
根据所述提示信息中穴位方位的提示,判断所述第一穴位是否根据所述提示信息在所述第一部位的侧面或者正面的方位。
8.如权利要求1所述的基于YOLO目标检测的穴位定位方法,其特征在于,所述获取所述第一用户的第一部位图像,具体为:
获取由所述第一用户根据所述提示信息,并通过所述第一用户终端拍摄的身体部位图像;
或者,获取由所述第一用户根据所述提示信息,并通过预设的摄像头拍摄的身体部位图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301190.5A CN109568123B (zh) | 2018-11-02 | 2018-11-02 | 一种基于yolo目标检测的穴位定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301190.5A CN109568123B (zh) | 2018-11-02 | 2018-11-02 | 一种基于yolo目标检测的穴位定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109568123A true CN109568123A (zh) | 2019-04-05 |
CN109568123B CN109568123B (zh) | 2021-02-02 |
Family
ID=65921269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811301190.5A Active CN109568123B (zh) | 2018-11-02 | 2018-11-02 | 一种基于yolo目标检测的穴位定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109568123B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111437185A (zh) * | 2020-05-21 | 2020-07-24 | 南京艾益智能科技有限公司 | 机器人自动定位经脉方法及应用 |
CN111494191A (zh) * | 2020-05-23 | 2020-08-07 | 南京艾益智能科技有限公司 | 中医按摩机器人及全自动按摩方法 |
CN114022554A (zh) * | 2021-11-03 | 2022-02-08 | 北华航天工业学院 | 一种基于yolo的按摩机器人穴位检测与定位方法 |
CN115984970A (zh) * | 2023-03-13 | 2023-04-18 | 浙江宇视科技有限公司 | 行人身高确定方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004242708A (ja) * | 2003-02-10 | 2004-09-02 | Sanyo Electric Co Ltd | マッサージ機 |
CN102930534A (zh) * | 2012-10-15 | 2013-02-13 | 北京工业大学 | 人体背部穴位自动定位方法 |
CN103479510A (zh) * | 2013-09-26 | 2014-01-01 | 深圳先进技术研究院 | 一种穴位定位方法和系统 |
CN105930810A (zh) * | 2016-04-26 | 2016-09-07 | 北京工业大学 | 基于特征点定位算法的面部穴位定位方法和定位装置 |
CN107041840A (zh) * | 2017-01-09 | 2017-08-15 | 东南大学 | 基于数据库表方法的超声成像穴位识别仪及其识别方法 |
CN107095393A (zh) * | 2017-03-22 | 2017-08-29 | 青岛小步科技有限公司 | 一种基于图像识别及三维建模技术的定制鞋制作方法及系统 |
CN107137225A (zh) * | 2017-06-22 | 2017-09-08 | 山东中医药大学 | 个性化头面部穴位识别模型建立、定位的方法和系统 |
CN107845059A (zh) * | 2017-10-12 | 2018-03-27 | 北京宇航时代科技发展有限公司 | 人体经络穴位状态动态标准化数字分析系统和方法 |
CN108537215A (zh) * | 2018-03-23 | 2018-09-14 | 清华大学 | 一种基于图像目标检测的火焰检测方法 |
-
2018
- 2018-11-02 CN CN201811301190.5A patent/CN109568123B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004242708A (ja) * | 2003-02-10 | 2004-09-02 | Sanyo Electric Co Ltd | マッサージ機 |
CN102930534A (zh) * | 2012-10-15 | 2013-02-13 | 北京工业大学 | 人体背部穴位自动定位方法 |
CN103479510A (zh) * | 2013-09-26 | 2014-01-01 | 深圳先进技术研究院 | 一种穴位定位方法和系统 |
CN105930810A (zh) * | 2016-04-26 | 2016-09-07 | 北京工业大学 | 基于特征点定位算法的面部穴位定位方法和定位装置 |
CN107041840A (zh) * | 2017-01-09 | 2017-08-15 | 东南大学 | 基于数据库表方法的超声成像穴位识别仪及其识别方法 |
CN107095393A (zh) * | 2017-03-22 | 2017-08-29 | 青岛小步科技有限公司 | 一种基于图像识别及三维建模技术的定制鞋制作方法及系统 |
CN107137225A (zh) * | 2017-06-22 | 2017-09-08 | 山东中医药大学 | 个性化头面部穴位识别模型建立、定位的方法和系统 |
CN107845059A (zh) * | 2017-10-12 | 2018-03-27 | 北京宇航时代科技发展有限公司 | 人体经络穴位状态动态标准化数字分析系统和方法 |
CN108537215A (zh) * | 2018-03-23 | 2018-09-14 | 清华大学 | 一种基于图像目标检测的火焰检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111437185A (zh) * | 2020-05-21 | 2020-07-24 | 南京艾益智能科技有限公司 | 机器人自动定位经脉方法及应用 |
CN111494191A (zh) * | 2020-05-23 | 2020-08-07 | 南京艾益智能科技有限公司 | 中医按摩机器人及全自动按摩方法 |
CN111494191B (zh) * | 2020-05-23 | 2023-11-24 | 南京艾益智能科技有限公司 | 中医按摩机器人及全自动按摩方法 |
CN114022554A (zh) * | 2021-11-03 | 2022-02-08 | 北华航天工业学院 | 一种基于yolo的按摩机器人穴位检测与定位方法 |
CN114022554B (zh) * | 2021-11-03 | 2023-02-03 | 北华航天工业学院 | 一种基于yolo的按摩机器人穴位检测与定位方法 |
CN115984970A (zh) * | 2023-03-13 | 2023-04-18 | 浙江宇视科技有限公司 | 行人身高确定方法、装置、电子设备和存储介质 |
CN115984970B (zh) * | 2023-03-13 | 2023-08-18 | 浙江宇视科技有限公司 | 行人身高确定方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109568123B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109568123A (zh) | 一种基于yolo目标检测的穴位定位方法 | |
CN109815907B (zh) | 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法 | |
CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
Li et al. | [Retracted] Intelligent Sports Training System Based on Artificial Intelligence and Big Data | |
CN109344693A (zh) | 一种基于深度学习的人脸多区域融合表情识别方法 | |
CN108234870A (zh) | 图像处理方法、装置、终端及存储介质 | |
CN106599800A (zh) | 一种基于深度学习的人脸微表情识别方法 | |
CN108171700A (zh) | 基于对抗网络的医学图像肺结节检测方法 | |
CN111931585A (zh) | 一种课堂专注度的检测方法及装置 | |
CN109621332A (zh) | 一种健身动作的属性确定方法、装置、设备和存储介质 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN108205684A (zh) | 图像消歧方法、装置、存储介质和电子设备 | |
CN109409348A (zh) | 一种用户体征的确定方法、装置、设备和存储介质 | |
CN106909887A (zh) | 一种基于cnn和svm的动作识别方法 | |
CN109872305A (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
CN110047071A (zh) | 一种图像质量评估方法、装置和介质 | |
CN109785400B (zh) | 一种剪影图像制作方法、装置、电子设备及存储介质 | |
CN108900896A (zh) | 视频剪辑方法及装置 | |
CN109858476A (zh) | 标签的扩充方法和电子设备 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
CN108985200A (zh) | 一种基于终端设备的非配合式的活体检测算法 | |
CN109117753A (zh) | 部位识别方法、装置、终端及存储介质 | |
CN110309799A (zh) | 基于摄像头的说话判断方法 | |
CN106447695A (zh) | 一种多物体追踪中判断同一物体的方法和装置 |
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 |