CN109657592B - 一种智能挖掘机的人脸识别方法 - Google Patents
一种智能挖掘机的人脸识别方法 Download PDFInfo
- Publication number
- CN109657592B CN109657592B CN201811518087.6A CN201811518087A CN109657592B CN 109657592 B CN109657592 B CN 109657592B CN 201811518087 A CN201811518087 A CN 201811518087A CN 109657592 B CN109657592 B CN 109657592B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- distance
- excavator
- module
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种智能挖掘机的人脸识别方法,属于智能挖掘机应用技术领域。该方法首先通过视频采集模块获取实时图像信息,然后利用训练好的人脸检测模型进行人脸检测;之后将对齐后的人脸图像输入训练好的人脸识别模型中进行人脸识别并进行距离计算;最后执行模块对是否为工作人员以及所测人员是否处于安全距离进行判断和预警。本发明可实时监测施工现场人员情况,可及时检测出是否有人员靠近挖掘机,并实施避让,保证施工安全。本发明的检测算法在FDDB数据集上达到了84.23%的检测准确率,在自建人脸数据识别数据集上达到了99%的识别准确率。
Description
技术领域
本发明属于智能挖掘机应用技术领域,涉及一种智能挖掘机的人脸识别方法。特别涉及到利用卷积神经网络对人脸进行检测及识别的深度学习方法。
背景技术
挖掘机作为矿山开采的主力,广泛应用于矿山开采、沟壑挖掘、公路铁路修建等领域,其工作场景复杂,工作环境恶劣,同时需要操作者具有较高的操作能力。
随着无人驾驶技术的发展,无人挖掘机也受到人们越来越多的关注,为了防止无人智能挖掘机在施工过程中误伤到可能出现在施工现场的工作人员,为智能挖掘机加装一套人脸检测及识别系统是十分有必要的。传统的人脸识别算法主要采用模板匹配、haar特征等,取得了一定的效果,然而在无法满足安全级别较高的无人挖掘机人脸检测识别模块。
随着深度学习的发展,基于卷积神经网络的物体检测算法获得了巨大的成功,不断刷新着世界公开数据集上的准确率。因此,本发明设计了一个卷积神经网络算法进行人脸检测及识别。
发明内容
为了防止无人挖掘机在施工过程中对进入现场的工作人员造成伤害,本发明设计一种能实时检测并识别人脸的方法,对现场工作情况进行实时检测,及时发现并避让工作人员。为解决传统人脸识别算法对人脸检测及识别精度不高的问题,本发明采用基于卷积神经网络的算法进行检测识别算法搭建。
本发明的技术方案:
一种智能挖掘机的人脸识别方法,该人脸识别方法基于一种人脸识别系统实现,所述的人脸识别系统包括视频采集模块、人脸检测模块、人脸识别模块、测距模块、执行模块和总控模块。其中,视频采集模块采用双目摄像机进行视频采集,分布安装于智能挖掘机的机身,以全方位对人脸进行图像采集;人脸检测模块利用人脸检测模型检测所采集的图像中是否有人脸存在;人脸识别模块利用人脸识别模型对进入施工区域的人员进行判别,来识别是否为工作人员。测距模块采用双目视觉的算法,输出人脸与智能挖掘机的距离信息,供智能挖掘机进行判断是否应该避让。执行模块为智能挖掘机的行进控制系统,执行避让动作,并响起警报,提示人员远离施工区域;总控模块用于协调其它模块之间的运行。
一种智能挖掘机的人脸识别方法,包括以下步骤:
步骤一、图像采集:利用视频采集模块中不同位置的双目摄像机实时采集图像。
步骤二、人脸检测:利用训练好的人脸检测模型进行人脸检测,当检测到步骤一所采集图像中含有人脸时,按照人脸检测模型所检测出的人脸位置裁剪人脸所在区域,将该区域部分的图像输入到人脸识别模块中进行识别;同时将步骤一所采集图像输入到测距模块中进行测距。
步骤三、人脸识别:接收人脸检测模块传来的人脸所在区域的图像,并对人脸图像进行对齐操作。将对齐后的人脸图像输入训练好的人脸识别模型中进行人脸识别,得到人脸的N维特征向量;计算所得N维特征向量与数据库中人脸向量的相似度。当相似度大于等于某阈值时,则判定为此人属于工作人员,反之则否。所述的数据库为预先采集的实际工作人员的人脸图像。所述的相似度匹配方法为欧氏距离或余弦距离。
步骤四、距离计算:将检测到的人脸采用半全局块匹配(Semi-Global BlockMatching,SGBM)算法对人脸区域进行双目匹配,计算人脸相对无人挖掘机的位置坐标。
步骤五、当识别为工作人员且距离挖掘机小于安全距离时,总控模块控制执行模块执行避让动作,并语音提醒工作人员保持安全距离;当识别为工作人员且距离挖掘机大于安全距离时,无需进行避让操作;当识别为非工作人员且距离挖掘机小于安全距离时,总控模块控制执行模块进行避让,并语音提醒此人保持安全距离,同时将此人图像传回控制室,以提醒工作人员有外来人员进入施工现场;当识别为非工作人员且距离挖掘机大于安全距离时,则只需将此人图像传回控制室提醒工作人员注意即可。
所述的人脸检测模型训练过程如下:
(2.1)数据采集:采集不同场景下包含不同人物在内的图像,作为初始数据;对初始数据添加标签及归一化操作。
(2.2)搭建两阶段级联卷积神经网络:第一阶段网络共四层,其中第一层网络为全卷积神经网络;第二阶段网络共五层,其中最后一层为全连接层。
(2.3)构建第一阶段网络训练数据集:将初始数据的图像通过交并比IOU裁剪保存,分为人脸区、非人脸区、部分人脸区,将图像中与真实边框的交并比大于0.7的边框标记为人脸区、介于0.3~0.7之间记为部分人脸区、小于0.3记为非人脸区,并将图像大小设为(15,15)。
(2.4)第一阶段网络训练:将步骤(2.3)裁剪的数据集归一化,将归一化后的数据输入第一阶段网络进行前向传播,并对输出结果进行训练。
第一阶段网络中的分类损失函数为交叉熵分类损失函数:
第一阶段网络中的回归损失函数采用欧式距离平方损失函数:
第一阶段网络的输出结果分为:图像是否为人脸、图像人脸关键点位置、图像与真实人脸框的回归量。
(2.5)构建第二阶段网络训练数据集:训练数据集包括第一阶段网络错误分类的图像,以及重新以(1.3)方式随机裁剪获得的;将所有训练数据集的图像大小设为(30,30)。
(2.6)第二阶段网络训练:先对训练数据集的数据进行归一化操作,再利用Adam梯度下降算法对第二阶段网络进行训练,其中分类损失函数和回归损失函数与第一阶段网络训练的相同。
所述的人脸识别模型的训练过程如下:
(3.1)训练人脸识别模型时采用的训练集为三元人脸对(A,P,N),其中A代表目标人脸,P代表与目标人脸为同一人的不同图像,N为不同于目标人脸的图像,将这些三元人脸对设为(160,160)的灰度图像。
(3.2)搭建14层的卷积神经网络作为主干网络,卷积神经网络包括卷积、池化、relu操作,卷积层采用3*3卷积方式,池化方式为2*2最大池化,输出通道种类分别为64、128、256、512层,为了防止过拟合,在卷积神经网络结尾添加dropout操作,提高模型的泛化能力。卷积层权重的初始化方式为截断的正态分布。卷积神经网络输出为三元人脸对中代表每张图像特征向量的N维向量,对每张图像特征向量进行正则化,挑选出人脸图像中同一人脸距离大于不同人脸距离的三元人脸对作为损失,反向传播进行参数优化。正则化计算公式为:
(2.3)利用动量梯度下降算法优化卷积神经网络,优化完成后,将模型权重保存,即可供挖掘机人脸识别模块调用。
本发明的有益效果:可实时监测施工现场人员情况,可及时检测出是否有人员靠近挖掘机,并实施避让,保证施工安全。本发明的检测算法在Face Detection Data Setand Benchmark(FDDB)数据集上达到了84.23%的检测准确率,在自建人脸数据识别数据集上达到了99%的识别准确率。
附图说明
图1是该方法的流程图;
图2挖掘机人脸检测模块模型训练流程图;
图3挖掘机人脸识别模块模型训练流程图;
图4检测模块在FDDB上的检测ROC曲线。
具体实施方式
为使本发明实施例的目的、技术方案及其优点更加清楚,下面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的描述。整体方法流程图如图1所示。
一种智能挖掘机的人脸识别方法,包括以下步骤:
步骤一、图像采集:通过双目摄像机采集图像。
步骤二、人脸检测:利用训练好的人脸检测模型进行人脸检测,当图像中含有人脸时,将该图像输入到人脸识别模块和测距模块中进行识别和测距。
步骤三、人脸识别:接收人脸检测模块传来的人脸图片,对图像进行对齐操作,采用的对齐方式为5点对齐。将对齐的人脸输入训练好的人脸识别模型中进行人脸识别,得到采集图像中人脸的160维特征向量;计算所得160维特征向量与数据库中的人脸向量的相似度。当相似度大于等于0.85时,则判定为此人存在数据库中,即为工作人员,反之则否。
步骤四、距离计算:将检测到的人脸则采用sgbm算法对人脸区域进行双目匹配,计算人脸相对无人挖掘机的位置坐标。
步骤五、当识别为工作人员且距离挖掘机小于安全距离3米时,执行模块执行避让动作并语音提醒工作人员保持安全距离;当识别为工作人员且距离挖掘机大于安全距离时,无需进行避让操作;当识别为非工作人员且距离挖掘机小于安全距离时,执行模块进行避让,并语音提醒其保持安全距离。同时将此人图像传回控制室提醒工作人员有外来人员进入施工现场;当识别为非工作人员且距离挖掘机大于安全距离时,则只需将此人图像传回控制室提醒工作人员注意。
所述人的脸检测模型训练过程如下:
(1.1)数据采集:采集自然条件下(包含多种姿态、光照、遮挡、表情等干扰以及以矿山、沟壑、公路等工作场景为背景)的人脸数据集,对数据进行添加标签及归一化操作。
(1.2)搭建两阶段级联卷积神经网络,第一阶段共四层,为了能接收不同尺寸的图像,第一阶段网络为全卷积神经网络;第二阶段共五层,最后一层为全连接层。
(1.3)构建第一阶段网络训练数据集:将人脸区域通过交并比IOU裁剪保存,分为人脸区、非人脸区、部分人脸区,将图像中与真实边框的交并比大于0.7的边框标记为人脸区、介于(0.3,0.7)之间记为部分人脸区、小于0.3记为非人脸区,将获取的图像归一化到(-1,1)区间,,并将图像大小设为(15,15)。
(1.4)第一阶段网络训练:利用裁剪出的数据集输入第一阶段网络进行前向传播,并对输出结果进行训练。分类损失函数为交叉熵分类损失函数:
回归损失采用欧式距离平方损失函数:
网络第一阶段输出结果分为:图像是否为人脸、图像人脸关键点位置、图像与真实人脸框的回归量。
(1.6)构建第二阶段网络训练数据集:训练集分为两类:第一阶段网络错误分类的;重新以(1.2)方式随机裁剪获得的。并将数据归一化,图像大小设为(30,30)。
(1.6)第二阶段网络训练:利用Adam梯度下降算法对第二阶段网络进行训练,其中损失函数同第一阶段。
所述的人脸识别模型的训练过程如下:
(2.1)训练人脸识别模型时采用的训练集为三元人脸对,(A,P,N)其中A代表目标人脸,P代表与目标人脸为同一人的不同图像,N为不同于目标人脸的图像,并将这些三元人脸对设为(160,160)的灰度图像。
(2.2)搭建14层的卷积神经网络作为主干网络,其中包括卷积、池化、relu等操作,其中卷积层采用3*3卷积方式,池化方式为2*2最大池化,输出通道种类非别为由64、128、256、512层,为了防止过拟合,在网络结尾添加dropout操作,提高模型的泛化能力。卷积层权重的初始化方式为截断的正态分布。网络输出为三元人脸对中代表每张图像特征向量的160维向量,并进行正则化,挑选出人脸图像中同一人脸距离大于不同人脸距离的三元人脸对作为损失,进行反向传播。其计算公式为:
(2.3)利用动量梯度下降算法进行优化,优化完成后,将模型权重保存,即可供挖掘机人脸识别模块调用。
本发明可实时监测施工现场人员情况,可及时检测出是否有人员靠近挖掘机,并实施避让,保证施工安全。本发明的检测算法在Face Detection Data Set and Benchmark(FDDB)数据集上达到了84.23%的检测准确率,在自建人脸数据识别数据集上达到了99%的识别准确率。
Claims (1)
1.一种智能挖掘机的人脸识别方法,该方法基于一种人脸识别系统实现,所述的人脸识别系统包括视频采集模块、人脸检测模块、人脸识别模块、测距模块、执行模块和总控模块;其中,视频采集模块采用双目摄像机进行视频采集,分布安装于智能挖掘机的机身,以全方位对人脸进行图像采集;人脸检测模块利用人脸检测模型检测所采集的图像中是否有人脸存在;人脸识别模块利用人脸识别模型对进入施工区域的人员进行判别,来识别是否为工作人员;测距模块采用双目视觉的算法,输出人脸与智能挖掘机的距离信息,供智能挖掘机进行判断是否应该避让;执行模块为智能挖掘机的行进控制系统,执行避让动作,并响起警报,提示人员远离施工区域;总控模块用于协调其它模块之间的运行;
其特征在于,包括以下步骤:
步骤一、图像采集:利用视频采集模块中不同位置的双目摄像机实时采集图像;
步骤二、人脸检测:利用训练好的人脸检测模型进行人脸检测,当检测到步骤一所采集图像中含有人脸时,按照人脸检测模型所检测出的人脸位置裁剪人脸所在区域,将该区域部分的图像输入到人脸识别模块中进行识别;同时将步骤一所采集图像输入到测距模块中进行测距;
步骤三、人脸识别:接收人脸检测模块传来的人脸所在区域的图像,并对人脸图像进行对齐操作;将对齐后的人脸图像输入训练好的人脸识别模型中进行人脸识别,得到人脸的N维特征向量;计算所得N维特征向量与数据库中人脸向量的相似度;当相似度大于等于某阈值时,则判定为此人属于工作人员,反之则否;所述的数据库为预先采集的实际工作人员的人脸图像;所述的相似度匹配方法为欧氏距离或余弦距离;
步骤四、距离计算:将检测到的人脸采用半全局块匹配SGBM算法对人脸区域进行双目匹配,计算人脸相对无人挖掘机的位置坐标;
步骤五、当识别为工作人员且距离挖掘机小于安全距离时,总控模块控制执行模块执行避让动作,并语音提醒工作人员保持安全距离;当识别为工作人员且距离挖掘机大于安全距离时,无需进行避让操作;当识别为非工作人员且距离挖掘机小于安全距离时,总控模块控制执行模块进行避让,并语音提醒此人保持安全距离,同时将此人图像传回控制室,以提醒工作人员有外来人员进入施工现场;当识别为非工作人员且距离挖掘机大于安全距离时,则只需将此人图像传回控制室提醒工作人员注意即可;
所述的人脸检测模型训练过程如下:
(2.1)数据采集:采集不同场景下包含不同人物在内的图像,作为初始数据;对初始数据添加标签及归一化操作;
(2.2)搭建两阶段级联卷积神经网络:第一阶段网络共四层,其中第一层网络为全卷积神经网络;第二阶段网络共五层,其中最后一层为全连接层;
(2.3)构建第一阶段网络训练数据集:将初始数据的图像通过交并比IOU裁剪保存,分为人脸区、非人脸区、部分人脸区,将图像中与真实边框的交并比大于0.7的边框标记为人脸区、介于0.3~0.7之间记为部分人脸区、小于0.3记为非人脸区,并将图像大小设为(15,15);
(2.4)第一阶段网络训练:将步骤(2.3)裁剪的数据集归一化,将归一化后的数据输入第一阶段网络进行前向传播,并对输出结果进行训练;
第一阶段网络中的分类损失函数为交叉熵分类损失函数:
第一阶段网络中的回归损失函数采用欧式距离平方损失函数:
第一阶段网络的输出结果分为:图像是否为人脸、图像人脸关键点位置、图像与真实人脸框的回归量;
(2.5)构建第二阶段网络训练数据集:训练数据集包括第一阶段网络错误分类的图像,以及重新以(1.3)方式随机裁剪获得的;将所有训练数据集的图像大小设为(30,30);
(2.6)第二阶段网络训练:先对训练数据集的数据进行归一化操作,再利用Adam梯度下降算法对第二阶段网络进行训练,其中分类损失函数和回归损失函数与第一阶段网络训练的相同;
所述的人脸识别模型的训练过程如下:
(3.1)训练人脸识别模型时采用的训练集为三元人脸对(A,P,N),其中A代表目标人脸,P代表与目标人脸为同一人的不同图像,N为不同于目标人脸的图像,将这些三元人脸对设为(160,160)的灰度图像;
(3.2)搭建14层的卷积神经网络作为主干网络,卷积神经网络包括卷积、池化、relu操作,卷积层采用3*3卷积方式,池化方式为2*2最大池化,输出通道种类分别为64、128、256、512层,为了防止过拟合,在卷积神经网络结尾添加dropout操作,提高模型的泛化能力;卷积层权重的初始化方式为截断的正态分布;卷积神经网络输出为三元人脸对中代表每张图像特征向量的N维向量,对每张图像特征向量进行正则化,挑选出人脸图像中同一人脸距离大于不同人脸距离的三元人脸对作为损失,反向传播进行参数优化;正则化计算公式为:
(2.3)利用动量梯度下降算法优化卷积神经网络,优化完成后,将模型权重保存,即可供挖掘机人脸识别模块调用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518087.6A CN109657592B (zh) | 2018-12-12 | 2018-12-12 | 一种智能挖掘机的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518087.6A CN109657592B (zh) | 2018-12-12 | 2018-12-12 | 一种智能挖掘机的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657592A CN109657592A (zh) | 2019-04-19 |
CN109657592B true CN109657592B (zh) | 2021-12-03 |
Family
ID=66113990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518087.6A Active CN109657592B (zh) | 2018-12-12 | 2018-12-12 | 一种智能挖掘机的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657592B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287767A (zh) * | 2019-05-06 | 2019-09-27 | 深圳市华付信息技术有限公司 | 可防攻击的活体检测方法、装置、计算机设备及存储介质 |
CN110909693B (zh) * | 2019-11-27 | 2023-06-20 | 深圳华付技术股份有限公司 | 3d人脸活体检测方法、装置、计算机设备及存储介质 |
JP2021163260A (ja) * | 2020-03-31 | 2021-10-11 | 株式会社小松製作所 | 検出システムおよび検出方法 |
CN111552249A (zh) * | 2020-05-12 | 2020-08-18 | 三一重机有限公司 | 一种操作控制系统、操作控制方法及工程机械 |
CN113656113B (zh) * | 2020-08-10 | 2022-11-25 | 广东电网有限责任公司 | 电力现场作业中基于人脸识别的人员资质算法 |
CN112163497B (zh) * | 2020-09-22 | 2023-08-04 | 广东工业大学 | 一种基于图像识别的工地事故预测方法及装置 |
CN112784712B (zh) * | 2021-01-08 | 2023-08-18 | 重庆创通联智物联网有限公司 | 一种基于实时监控的失踪儿童预警实现方法、装置 |
CN112434678B (zh) * | 2021-01-27 | 2021-06-04 | 成都无糖信息技术有限公司 | 基于人工神经网络的人脸测量特征空间搜索系统及方法 |
CN113033374A (zh) * | 2021-03-22 | 2021-06-25 | 开放智能机器(上海)有限公司 | 人工智能识别危险行为方法、装置、电子设备和存储介质 |
CN115731588A (zh) * | 2021-08-27 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 模型处理方法及装置 |
CN114016567A (zh) * | 2021-11-17 | 2022-02-08 | 山东常林机械集团股份有限公司 | 远程遥控挖掘机周边人员安全预警系统 |
CN115205929B (zh) * | 2022-06-23 | 2023-07-28 | 池州市安安新材科技有限公司 | 避免电火花切割机床工作台误控制的认证方法及系统 |
CN115830762A (zh) * | 2023-01-17 | 2023-03-21 | 四川三思德科技有限公司 | 一种平安社区出入口管控平台、管控方法及管控终端 |
CN115879776B (zh) * | 2023-03-02 | 2023-06-06 | 四川宏华电气有限责任公司 | 一种应用于石油钻机的危险区域预警方法及系统 |
CN116070139A (zh) * | 2023-03-06 | 2023-05-05 | 中川建投集团有限公司 | 一种智能工地安全检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602947B1 (en) * | 1996-05-15 | 2009-10-13 | Lemelson Jerome H | Facial-recognition vehicle security system |
US7843313B2 (en) * | 2003-09-05 | 2010-11-30 | Honeywell International Inc. | Distributed stand-off verification and face recognition systems (FRS) |
CN106289254A (zh) * | 2016-07-18 | 2017-01-04 | 乐视控股(北京)有限公司 | 导航方法及装置 |
CN107161100A (zh) * | 2017-05-04 | 2017-09-15 | 广东轻工职业技术学院 | 一种行人安全保护方法和系统 |
-
2018
- 2018-12-12 CN CN201811518087.6A patent/CN109657592B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602947B1 (en) * | 1996-05-15 | 2009-10-13 | Lemelson Jerome H | Facial-recognition vehicle security system |
US7843313B2 (en) * | 2003-09-05 | 2010-11-30 | Honeywell International Inc. | Distributed stand-off verification and face recognition systems (FRS) |
CN106289254A (zh) * | 2016-07-18 | 2017-01-04 | 乐视控股(北京)有限公司 | 导航方法及装置 |
CN107161100A (zh) * | 2017-05-04 | 2017-09-15 | 广东轻工职业技术学院 | 一种行人安全保护方法和系统 |
Non-Patent Citations (2)
Title |
---|
Automatic Vehicle Detection and Driver Identification Framework for Secure Vehicle Parking;Zahid Mahmood etal.;《2015 13th International Conference on Frontiers of Information Technology (FIT)》;20160229;全文 * |
互联网背景下人脸识别安全管理的方法及措施;李厚恩等;《数字技术与应用》;20181031;第36卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109657592A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657592B (zh) | 一种智能挖掘机的人脸识别方法 | |
CN110502965B (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及系统 | |
CN109492581A (zh) | 一种基于tp-stg框架的人体动作识别方法 | |
CN111488804A (zh) | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 | |
CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN105512624A (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
CN111582129A (zh) | 一种盾构机司机工作状态实时监测报警方法及装置 | |
CN112560745B (zh) | 一种电力作业现场人员甄别方法及相关装置 | |
CN109255298A (zh) | 一种动态背景中的安全帽检测方法与系统 | |
US20220180534A1 (en) | Pedestrian tracking method, computing device, pedestrian tracking system and storage medium | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
CN112435414A (zh) | 一种基于人脸识别的安防监控系统及其监控方法 | |
CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
CN113505704A (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
CN113221667A (zh) | 一种基于深度学习的人脸口罩属性分类方法及系统 | |
CN111626197A (zh) | 一种人体行为识别网络模型及识别方法 | |
CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
CN116342645A (zh) | 一种针对游泳馆场景下的多目标跟踪方法 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及系统 |
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 |