CN109829409A - 驾驶员情绪状态检测方法及系统 - Google Patents
驾驶员情绪状态检测方法及系统 Download PDFInfo
- Publication number
- CN109829409A CN109829409A CN201910064138.0A CN201910064138A CN109829409A CN 109829409 A CN109829409 A CN 109829409A CN 201910064138 A CN201910064138 A CN 201910064138A CN 109829409 A CN109829409 A CN 109829409A
- Authority
- CN
- China
- Prior art keywords
- facial image
- driver
- network
- emotion identification
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种驾驶员情绪状态检测方法及检测系统，检测方法包括：对包括疲劳状态、情绪激动状态和正常状态的人脸图像样本进行训练和迭代，形成情绪识别网络；采集驾驶员整体图像；利用深度学习中的神经网络对采集的驾驶员整体图像进行检测和提取，获取人脸图像；将获取的所述人脸图像输入至所述情绪识别网络进行情绪识别，识别驾驶员是否处于疲劳状态或者情绪激动状态。本发明在识别检测驾驶员疲劳状态的同时还能够识别检测情绪激动状态。
Description
技术领域
本发明实施例涉及汽车技术领域，特别涉及一种驾驶员情绪状态检测方法 及系统。
背景技术
随着经济高速发展和人类物质水平的提高，汽车已经成为目前最常用的交 通工具之一。车辆安全驾驶是人们日常生活中非常关注的一项内容，在车辆行 驶过程中，驾驶员的情绪状态是与车辆安全驾驶相关的一个重要因素。
驾驶员在疲劳状态下易出现注意力不集中、识别能力下降等情况，进而危 机个人及公众的交通安全，因此对驾驶员进行疲劳状态检测能够预防疲劳驾驶 出现的交通事故。除疲劳状态外，驾驶员由于受到行车压力或者挫折等而出现 情绪激动甚至失控也是造成交通事故的重要因素之一。
然而，现有针对驾驶员的情绪状态检测方法中对驾驶员情绪状态检测的方 法有待改进。
发明内容
本发明实施例解决的技术问题在于提供一种驾驶员情绪状态检测方法及系 统，在识别驾驶员疲劳状态的同时还能够识别驾驶员是否处于情绪激动状态。
为解决上述技术问题，本发明实施例提供一种驾驶员情绪状态检测方法， 包括：对包括疲劳状态、情绪激动状态和正常状态的人脸图像样本进行训练和 迭代，形成情绪识别网络；采集驾驶员整体图像；利用深度学习中的神经网络 对采集的驾驶员整体图像进行检测和提取，获取人脸图像；将获取的所述人脸 图像输入至所述情绪识别网络进行情绪识别，识别驾驶员是否处于疲劳状态或 者情绪激动状态。
本发明实施例还提供一种驾驶员情绪状态检测系统，包括：情绪识别网络 训练模块，用于对疲劳状态、情绪激动状态和正常状态的人脸图像样本进行训 练和迭代，形成情绪识别网络；整体图像采集模块，用于采集驾驶员整体图像； 与所述整体图像采集模块连接的人脸图像获取模块，用于利用深度学习中的神 经网络对采集的驾驶员整体图像进行检测和提取，获取人脸图像；与所述人脸 图像获取模块以及所述情绪识别网络训练模块连接的情绪识别模块，用于存储 所述情绪识别网络，并将获取的所述人脸图像输入至所述情绪识别网络中，识 别驾驶员是否处于疲劳状态或者情绪激动状态。
与现有技术相比，本发明实施例提供的技术方案具有以下优点：
本发明实施例提供的驾驶员情绪状态检测方法的技术方案中，对包括疲劳 状态、情绪激动状态和正常状态的人脸图像样本进行训练和迭代，形成情绪识 别网络；采用驾驶员整体图像，利用深度学习中的神经网络对采集的驾驶员整 体图像进行检测和提取，获取人脸图像；然后将获取的人脸图像输入至情绪识 别网络进行情绪识别，通过驾驶员全脸识别的方式识别驾驶员是否处于疲劳状 态或者情绪激动状态，减小对驾驶员状态造成的漏检或者误检的概率，并且由 于在识别驾驶员的疲劳状态的同时还对驾驶员是否处于情绪激动状态进行识 别，从而减小由于情绪激动甚至失控造成的交通事故的概率。
另外，在将获取的人脸图像输入至情绪识别网络之前，还基于人脸图像中 人脸水平线与标准水平线之间的偏移量，对人脸图像进行情绪角度校正，有利 于进一步的提高识别驾驶员状态的正确率。
另外，情绪识别网络的总体损失包括人脸图像样本之间的三元组损失函数， 有利于进一步的提高识别驾驶员状态的正确率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示 例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示 为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明实施例提供的驾驶员情绪状态检测方法的各步骤对应流程示 意图；
图2为本发明实施例提供的驾驶员情绪状态检测的流程示意图；
图3为本发明实施例提供的驾驶员情绪检测系统的结构示意图。
具体实施方式
由背景技术可知，现有技术针对驾驶员的情绪状态检测方法中对驾驶员情 绪状态检测的方法有待改进。
分析发现，现有中主要有两种情绪状态检测方法。主要如下：
方法一：通过采集驾驶员视频图像，检测并获取人脸图像；在得到的人脸 图像中，通过图像匹配或者设置灰度值阈值的方式获取眼睛的位置，进一步通 过提取眼睛关键区域的纹理等图像特征，用于识别驾驶员是否处于疲劳状态。
然而，上述方法进行人脸关键部位特征的提取的抗干扰能力差，在复杂情 景下特征的设计难度大；并且，用于描绘和识别疲劳状态的图像特征过于简单， 难以充分和准确地达到疲劳状态的描述而容易和其他状态混淆起来，造成误识 别；此外，上述方法中未涉及驾驶员激动情绪状态进行检测。
方法二：利用深度学习中的目标检测技术，对采集的驾驶员视频图像检测 人体的关键点；在获取关键点后，通过特征分立，识别出驾驶员是否有睡眠、 打哈欠、打电话抽烟等处于疲劳状态或者其他危及驾驶安全的行为。
然而，上述方法采用动作识别的方式对驾驶员情绪状态进行检测，而非采 用面部特征进行检测，可能造成误检或者漏检的情况；并且，上述方法并没有 对驾驶员的激动情绪状态进行检测。
为解决上述问题，本发明提供一种驾驶员情绪状态检测方法，采用面部特 征检测疲劳状态的同时，还采用面部特征检测。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对 本发明的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解， 在本发明各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。 但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以 实现本申请所要求保护的技术方案。
图1为本发明实施例提供的驾驶员情绪状态检测方法的各步骤对应流程示 意图。
参考图1，执行步骤S1、对包括疲劳状态、情绪激动状态和正常状态的人 脸图像样本进行训练和迭代，形成情绪识别网络。
具体地，将人脸图像样本划分为疲劳状态、情绪激动状态和正常状态三类 样本；利用深度学习，对所述三类样本进行训练和迭代，其中，深度学习可以 采取神经网络或者残差网络(Residual Network，ResNet)，相应形成的情绪识别 网络为神经网络或者残差网络。
本实施例中，所述情绪识别网络为ResNet-50，所述情绪识别网络可训练参 数的层数为50。在其他实施例中，情绪识别网络还可以为ResNet-18、ResNet-34、 ResNet-101或者ResNet-152。
由于关于人脸情绪识别的训练和迭代属于相似度高的分类任务，为了提高 利用形成的情绪识别网络识别驾驶员情绪状态的准确率，在进行训练和迭代过 程中，还结合人脸图像样本之间的三元组损失进行训练和预测。
因而，训练形成的情绪识别网络考虑了人脸图像样本之间的三元组损失。 本实施例中，所述情绪识别网络的总体损失为L，L满足：L＝Lsoftmax+Ltriploss，其 中，Lsoftmax为情绪识别网络的交叉熵损失函数，Ltriploss为人脸图像样本之间的三 元组损失函数。
执行步骤S2、采集驾驶员整体图像。
本实施例中，利用摄像装置对驾驶员进行图像采集，获取驾驶员整体图像。 其中，整体图像包括人脸图像、肢体动作图像等。
执行步骤S3、利用深度学习中的神经网络对采集的驾驶员整体图像进行检 测和提取，获取人脸图像。
本实施例中，所述神经网络为多任务卷积网络(Multi-task ConvolutionalNetworks，Multi-task CNN)，通过多任务级联的方式在所述整体图像中检测和提 取出人脸图像。
所述多任务级联的方式包括三个阶段：第一阶段，浅层的卷积网络(CNN) 快速产生候选框；第二阶段，通过更复杂的CNN精炼候选框，丢弃大部分的重 叠候选框；第三阶段，使用更加强大的CNN实现候选框去留，同时还输出五个 人脸关键点位置信息。
具体地，所述多任务卷积网络包括P-Net(Proposal Network)子网络、R-Net(Refine Network)子网络和O-net(Output Network)子网络。
其中，将驾驶员整体图像输入P-Net子网络，所述P-Net子网络进行粗略的 人脸候选框回归，并返回多个候选框位置。R-Net子网络将P-Net子网络得到的 候选框缩放至固定尺寸并输入，对候选框进一步进行其是否为人脸的判别和筛 选，并对候选框位置进行再一次回归。O-Net子网络将R-Net筛选出的候选框再 做进一步筛选和位置回归，并输出人脸的五个人脸关键点位置信息，其中，五 个关键点分别为眉毛、左眼、右眼、左嘴角和右嘴角。
由于驾驶员人脸可能出现倾斜，影响驾驶员的情绪状态识别，为此，在将 获取的人脸图像输入至情绪识别网络之前，基于人脸图像中的人脸水平线与标 准水平线之间的偏移量，对人脸图像进行倾斜角度校正；在对人脸图像进行倾 斜角度校正后，将倾斜角度校正后的人脸图像输入至情绪识别网络进行情绪识 别。
本实施例中，所述神经网络输出多个人脸关键点位置信息，所述多个人脸 关键点位置信息用于对所述人脸图像进行倾斜角度校正。更加详细的，多任务 卷积网络输出眉毛、左眼、右眼、左嘴角和右嘴角五个人脸关键点位置信息。
由于人脸中左眼和右眼相对于人脸的位置而言较为稳定，为此，选取左眼 和右眼之间的连线代表人脸水平线，获取的人脸图像中人脸水平线与标准水平 线之间的偏移量能够更为如实的反映驾驶员人脸倾斜角度。
本实施例中，所述多个人脸关键点包括左眼和右眼，左眼坐标为(x1，y1)， 右眼坐标为(x2，y2)；将所述人脸图像旋转α以进行倾斜角度校正，其中，α 满足：α＝arc tan((y2-y1)/(x2-x1))。
执行步骤S4、将获取的所述人脸图像输入至所述情绪识别网络进行情绪识 别，识别驾驶员是否处于疲劳状态或者情绪激动状态。
本实施例中，利用深度学习获取人脸图像后，将所述人脸图像整体作为输 入，输入至所述情绪识别网络中进行情绪识别。
在其他实施例中，还可以提取人脸图像中的各部位特征作为输入，输入至 所述情绪识别网络进行情绪识别。具体地，各部位特征可以为各部位传统图像 特征如纹理特征，各部位特征还可以为深度学习特征如神经网络特征。
图2为本发明实施例提供的驾驶员情绪状态检测的流程示意图。参考图2， 本实施例中驾驶员情绪状态检测流程包括：采集驾驶员整体图像101；将所述驾 驶员整体图像101输入至深度学习中的神经网络102中，神经网络102为多任 务卷积网络；所述神经网络102反馈输出多个人脸关键点103以及人脸图像104， 并且，利用所述多个人脸关键点103位置信息还对所述人脸图像104进行倾斜 角度校正；接着，将人脸图像104输入至情绪识别网络105，情绪识别网络105 输出驾驶员处于疲劳状态106、情绪激动状态107或者正常状态108。
本实施例中，输入人脸图像利用面部表情对驾驶员的情绪状态进行识别， 因而具有比动作识别更易捕捉、识别难度更低的特点。并且，在识别驾驶员是 否疲劳的同时，还对驾驶员的激动情绪进行检测识别驾驶员是否处于情绪激动 状态，从而能够为相应的提醒警报提供依据，进而帮助提醒驾驶员稳定情绪， 以减少因驾驶员情绪失控带来的交通事故的概率。
另外，本实施例中，在将人脸图像输入至情绪识别网状进行情绪识别之前， 还对人脸图像进行倾斜角度校正，从而有利于提高情绪识别正确率。
同时，在训练形成情绪识别网络过程中考虑了人脸图像样本之间的三元组 损失，因而情绪识别网络对于疲劳状态、情绪激动状态以及正常状态的区分更 加精确，进而有利于进一步的提高情绪识别正确率。
本实施例中，识别驾驶员是否处于疲劳状态或者情绪激动状态的正确率超 过90％。
相应的，本发明实施例还提供一种驾驶员情绪状态检测系统，图3为本发 明实施例提供的驾驶员情绪检测系统的结构示意图。
参考图3，驾驶员情绪状态检测系统包括：
情绪识别网络训练模块200，用于对疲劳状态、情绪激动状态和正常状态的 人脸图像样本进行训练和迭代，形成情绪识别网络。
关于所述情绪识别网络的训练和迭代方法的相应描述，可参考前一实施例 的详细说明，在此不再赘述。
整体图像采集模块201，用于采集驾驶员整体图像。
本实施例中，所述整体图像采集模块201包括整体图像采集单元以及整体 图像存储单元。其中，整体图像采集单元可以包括摄像头。
与所述整体图像采集模块201连接的人脸图像获取模块202，用于利用深度 学习中的神经网络对采集的驾驶员整体图像进行检测和提取，获取人脸图像。
本实施例中，所述人脸图像获取模块202包括：神经网络单元212，用于对 采集的驾驶员整体图像进行检测和提取，获取人脸图像，并输出多个人脸关键 点位置信息；与所述神经网络单元212连接的倾斜角度校正单元222，用于基于 所述人脸关键点位置信息对人脸图像进行倾斜角度校正。
与所述人脸图像获取模块202以及情绪识别网络训练模块200连接的情绪 识别模块203，用于存储所述情绪识别网络，并将获取的所述人脸图像输入至所 述情绪识别网络中，识别驾驶员是否处于疲劳状态或者情绪激动状态。
本实施例提供的驾驶员情绪状态检测系统，对驾驶员全脸进行情绪识别， 而不是通过对驾驶员眼睛状态或者人体动作进行情绪识别，提高了情绪识别的 正确率，减小误检或者漏检的概率；并且，同时对驾驶员进行疲劳状态和情绪 激动状态进行检测，减小由于驾驶员情绪激动甚至失控造成的交通事故概率。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实 施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本 发明的精神和范围。
Claims (10)
1.一种驾驶员情绪状态检测方法，其特征在于，包括：
对包括疲劳状态、情绪激动状态和正常状态的人脸图像样本进行训练和迭代，形成情绪识别网络；
采集驾驶员整体图像；
利用深度学习中的神经网络对采集的驾驶员整体图像进行检测和提取，获取人脸图像；
将获取的所述人脸图像输入至所述情绪识别网络进行情绪识别，识别驾驶员是否处于疲劳状态或者情绪激动状态。
2.如权利要求1所述的检测方法，其特征在于，所述神经网络包括多任务卷积网络，通过多任务级联的方式在所述整体图像中检测和提取出人脸图像。
3.如权利要求1所述的检测方法，其特征在于，在将获取的人脸图像输入至情绪识别网络之前，基于所述人脸图像中的人脸水平线与标准水平线之间的偏移量，对所述人脸图像进行倾斜角度校正。
4.如权利要求3所述的检测方法，其特征在于，所述神经网络输出多个人脸关键点位置信息，所述多个人脸关键点位置信息用于对所述人脸图像进行倾斜角度校正。
5.如权利要求4所述的检测方法，其特征在于，所述多个人脸关键点包括左眼和右眼，左眼坐标为(x1，y1)，右眼坐标为(x2，y2)；将所述人脸图像旋转α以进行倾斜角度校正，其中，α满足：α＝arc tan((y2-y1)/(x2-x1))。
6.如权利要求1所述的检测方法，其特征在于，所述情绪识别网络包括ResNet-50网络。
7.如权利要求1或6所述的检测方法，其特征在于，所述情绪识别网络的总体损失为L，L满足：L＝Lsoftmax+Ltriploss，其中，Lsoftmax为情绪识别网络的交叉熵损失函数，Ltriploss为人脸图像样本之间的三元组损失函数。
8.如权利要求1所述的检测方法，其特征在于，将获取的人脸图像输入至所述情绪识别网络中的方法包括：将所述人脸图像整体作为输入；或者，提取所述人脸图像中的各部位特征作为输入。
9.一种驾驶员情绪状态检测系统，其特征在于，包括：
情绪识别网络训练模块，用于对疲劳状态、情绪激动状态和正常状态的人脸图像样本进行训练和迭代，形成情绪识别网络；
整体图像采集模块，用于采集驾驶员整体图像；
与所述整体图像采集模块连接的人脸图像获取模块，用于利用深度学习中的神经网络对采集的驾驶员整体图像进行检测和提取，获取人脸图像；
与所述人脸图像获取模块以及所述情绪识别网络训练模块连接的情绪识别模块，用于存储所述情绪识别网络，并将获取的所述人脸图像输入至所述情绪识别网络中，识别驾驶员是否处于疲劳状态或者情绪激动状态。
10.如权利要求9所述的检测系统，其特征在于，所述人脸图像获取模块包括：神经网络单元，用于对采集的驾驶员整体图像进行检测和提取，获取人脸图像，并输出多个人脸关键点位置信息；与所述神经网络单元连接的倾斜角度校正单元，用于基于所述人脸关键点位置信息对人脸图像进行倾斜角度校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064138.0A CN109829409A (zh) | 2019-01-23 | 2019-01-23 | 驾驶员情绪状态检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064138.0A CN109829409A (zh) | 2019-01-23 | 2019-01-23 | 驾驶员情绪状态检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829409A true CN109829409A (zh) | 2019-05-31 |
Family
ID=66862155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910064138.0A Pending CN109829409A (zh) | 2019-01-23 | 2019-01-23 | 驾驶员情绪状态检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829409A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427867A (zh) * | 2019-07-30 | 2019-11-08 | 华中科技大学 | 基于残差注意力机制的面部表情识别方法及系统 |
| CN112528906A (zh) * | 2020-12-18 | 2021-03-19 | 武汉理工大学 | 一种驾驶员状态检测设备 |
| CN112767782A (zh) * | 2021-01-19 | 2021-05-07 | 武汉理工大学 | 一种用于实时检测教师情绪的智能教鞭系统 |
| CN112801403A (zh) * | 2021-02-10 | 2021-05-14 | 武汉科技大学 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
| CN115439836A (zh) * | 2022-11-09 | 2022-12-06 | 成都工业职业技术学院 | 一种基于计算机的健康驾驶辅助方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650633A (zh) * | 2016-11-29 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 一种驾驶员情绪识别方法和装置 |
| CN107742117A (zh) * | 2017-11-15 | 2018-02-27 | 北京工业大学 | 一种基于端到端模型的人脸表情识别方法 |
| CN108664947A (zh) * | 2018-05-21 | 2018-10-16 | 五邑大学 | 一种基于表情识别的疲劳驾驶预警方法 |
| CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
| US20190019068A1 (en) * | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
-
2019
- 2019-01-23 CN CN201910064138.0A patent/CN109829409A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650633A (zh) * | 2016-11-29 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 一种驾驶员情绪识别方法和装置 |
| US20190019068A1 (en) * | 2017-07-12 | 2019-01-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
| CN107742117A (zh) * | 2017-11-15 | 2018-02-27 | 北京工业大学 | 一种基于端到端模型的人脸表情识别方法 |
| CN108664947A (zh) * | 2018-05-21 | 2018-10-16 | 五邑大学 | 一种基于表情识别的疲劳驾驶预警方法 |
| CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| BHARGAVA REDDY ET.AL: "Real-time Driver Drowsiness Detection for Embedded System Using Model Compression of Deep Neural Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 * |
| BINDU VERMA ET.AL: "Deep Learning Based Real-Time Driver Emotion Monitoring", 《2018 IEEE INTERNATIONAL CONFERENCE ON VEHICULAR ELECTRONICS AND SAFETY (ICVES)》 * |
| CHAUDHARY MUHAMMAD AQDUS ILYAS ET.AL: "Rehabilitation of Traumatic Brain Injured Patients: Patient Mood Analysis from Multimodal Video", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
| 徐顺: "主动表观模型在情感识别中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427867A (zh) * | 2019-07-30 | 2019-11-08 | 华中科技大学 | 基于残差注意力机制的面部表情识别方法及系统 |
| CN112528906A (zh) * | 2020-12-18 | 2021-03-19 | 武汉理工大学 | 一种驾驶员状态检测设备 |
| CN112767782A (zh) * | 2021-01-19 | 2021-05-07 | 武汉理工大学 | 一种用于实时检测教师情绪的智能教鞭系统 |
| CN112801403A (zh) * | 2021-02-10 | 2021-05-14 | 武汉科技大学 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
| CN115439836A (zh) * | 2022-11-09 | 2022-12-06 | 成都工业职业技术学院 | 一种基于计算机的健康驾驶辅助方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829409A (zh) | 驾驶员情绪状态检测方法及系统 | |
| JP5010905B2 (ja) | 顔認証装置 | |
| CN107784294B (zh) | 一种基于深度学习的人脸检测与跟踪方法 | |
| CN111439170B (zh) | 儿童状态检测方法及装置、电子设备、存储介质 | |
| CN107403142B (zh) | 一种微表情的检测方法 | |
| US20050201594A1 (en) | Movement evaluation apparatus and method | |
| Eweiwi et al. | Temporal key poses for human action recognition | |
| CN108681737B (zh) | 一种复杂光照下图像特征提取方法 | |
| JP2005056387A (ja) | 画像処理装置、撮像装置、画像処理方法 | |
| CN101329722A (zh) | 基于神经网络进行识别的算法的人脸识别方法 | |
| US10282601B2 (en) | Electronic device and gesture recognition method applied therein | |
| CN108805094A (zh) | 基于人工脸的数据增强方法 | |
| CN107944398A (zh) | 基于深度特征联合表示图像集人脸识别方法、装置和介质 | |
| Zhao et al. | Real-time sign language recognition based on video stream | |
| Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
| CN111738178A (zh) | 一种基于深度学习的戴口罩人脸表情识别方法 | |
| CN113920568A (zh) | 基于视频图像的人脸和人体姿态情绪识别方法 | |
| Ribarić et al. | A neural-network-based system for monitoring driver fatigue | |
| CN110263663A (zh) | 一种基于多维面部特征的驾驶员多级疲劳度识别方法 | |
| CN110119702A (zh) | 基于深度学习先验的人脸表情识别方法 | |
| Faria et al. | Interface framework to drive an intelligent wheelchair using facial expressions | |
| CN113205060A (zh) | 采用循环神经网络依据骨骼形态判断的人体动作检测方法 | |
| CN113627256A (zh) | 基于眨眼同步及双目移动检测的伪造视频检验方法及系统 | |
| Abusham | Face verification using local graph stucture (LGS) | |
| CN109255218A (zh) | 一种基于生物识别终端的运动感应解锁方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |