CN110032929A - 一种基于图像识别的考勤方法及装置 - Google Patents
一种基于图像识别的考勤方法及装置 Download PDFInfo
- Publication number
- CN110032929A CN110032929A CN201910153996.2A CN201910153996A CN110032929A CN 110032929 A CN110032929 A CN 110032929A CN 201910153996 A CN201910153996 A CN 201910153996A CN 110032929 A CN110032929 A CN 110032929A
- Authority
- CN
- China
- Prior art keywords
- image
- attendance
- sample point
- tonal gradation
- work attendance
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及考勤技术领域,特别涉及一种基于图像识别的考勤方法及装置,通过响应考勤服务请求,按设定时间周期采集图像;选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;当判断有物体移动时,对采集到的图像进行人体识别;当识别到图像存在人体特征时,触发考勤启动指令,本公开通过有效利用考勤设备自带的摄像功能,无需硬件检测设备即可判断区域内是否有物体移动,采用便捷的方式进行人体识别,取代硬件检测装置,降低了硬件成本,也减少了终端的耗电量,从而达到降低成本的目的。
Description
技术领域
本发明涉及考勤技术领域,特别涉及一种基于图像识别的考勤方法及装置。
背景技术
目前,很多人脸识别考勤机是通过硬件检测装置来识别人员的存在,从而唤醒应用软件调用摄像头进行人脸识别。常见的硬件检测装置有红外感应模块等,然而,这种方案需要考虑到检测装置的选型与验证,模具的设计,硬件的抗干扰设计和功耗等,实现起来复杂,使用时,硬件检测装置也会耗费不少电量,总之,现有的人脸识别考勤机需要付出大量的生产和使用成本。
发明内容
为了解决上述问题,本发明提供一种基于图像识别的考勤方法及装置,可以取代硬件检测装置,达到降低成本的目的。
本发明解决其技术问题的解决方案是:
一方面,提供了一种基于图像识别的考勤方法,包括:
响应考勤服务请求,按设定时间周期采集图像;
选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;
当判断有物体移动时,对采集到的图像进行人体识别;
当识别到图像存在人体特征时,触发考勤启动指令。
优选地,所述选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动具体包括以下步骤:
对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级;
将抽样点的所述灰度等级的平均值作为灰度平均值;
将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;
检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
进一步,所述对图像的像素点进行抽样得到抽样点具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,其中,N为整数且≥2。
优选地,所述对采集到的图像进行人体识别具体包括以下步骤:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部特征;
将局部特征输入分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
进一步,所述方法还包括:当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求。
另一方面,提供了一种基于图像识别的考勤装置,包括:
采集模块,用于响应考勤服务请求,按设定时间周期采集图像;
检测模块,用于选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;
识别模块,用于当判断有物体移动时,对采集到的图像进行人体识别;
考勤模块,用于当识别到图像存在人体特征时,触发考勤启动指令。
进一步,所述检测模块具体用于:
对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级;
将抽样点的所述灰度等级的平均值作为灰度平均值;
将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;
检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
优选地,所述对图像的像素点进行抽样得到抽样点具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,其中,N为整数且≥2。
进一步,所述识别模块具体用于:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部特征;
将局部特征输入分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
进一步,所述考勤模块还用于:当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求。
本发明的有益效果是:本公开提供一种基于图像识别的考勤方法及装置,通过有效利用考勤设备自带的摄像功能,无需硬件检测设备即可判断区域内是否有物体移动,采用便捷的方式进行人体识别,取代硬件检测装置,降低了硬件成本,也减少了终端的耗电量,从而达到降低成本的目的。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员在不付出创造性劳动的前提下,还可以根据这些附图获得其他设计方案和附图。
图1是实施例一种基于图像识别的考勤方法的流程示意图;
图2是实施例步骤S200的流程示意图;
图3是实施例一种基于图像识别的考勤装置的结构示意图。
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。
图1是本实施例提供的一种基于图像识别的考勤方法,本实施例提供的考勤方法的执行主体为具有人脸识别考勤功能的考勤终端,该考勤终端自带摄像头,参见图1,该方法流程包括以下步骤:
步骤S100、响应考勤服务请求,按设定时间周期采集图像。
在一个实施例中,通过对考勤终端开启考勤服务功能,考勤终端响应于所述考勤服务请求,调用摄像头按设定时间周期采集图像。
在另一个实施例中,该考勤终端还具备通信功能,通过将考勤终端与第三方应用建立通信连接,第三方应用向考勤终端发送考勤服务请求,考勤终端响应于所述考勤服务请求,调用摄像头按设定时间周期采集图像。
在本实施例中,图像采集周期不宜过长,通过对摄像头的帧率进行设置,以确保连续2帧图像的时间间隔在合理范围内,满足考勤的响应速度,通过摄像头采集连续帧的图像,从而按设定时间周期采集图像。
通过多种方式灵活的对考勤终端发起考勤服务,方便控制和操作。
步骤S200、选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动。
采用图像的相似度比对方式来判断拍摄区域内是否有物体移动,取代现有技术中的硬件检测装置,从而降低硬件成本,也避免了因硬件检测设备发送故障而影响考勤终端的工作。
参考图2,在一个实施例中,所述步骤S200包括以下步骤:
步骤S210、对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级。
在一个实施例中,所述步骤S210具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,计算每个抽样点的灰度等级,其中,N为整数且≥2。
通过去除图像的复杂细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图像差异,提高相似度比对效率。
步骤S220、将抽样点的所述灰度等级的平均值作为灰度平均值。
在一个具体的实施例中,将拍摄到的图像缩小到8x8的像素点尺寸,总共64个像素点,将图像转化为64级灰度,计算64个像素点灰度等级的平均值。
步骤S230、将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;所述哈希值即为该张图像的标识。
步骤S240、检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
具体地,将相邻两张图像的哈希值逐一比较,有一位不同则标记位记为1,依次累加,得到两张图像哈希值的差值,当所述差值有n位不同则认为两张图像不一致,即视为有物体在移动,环境发生变化,其中,n为整数的阈值,且n<N。
步骤S300、当判断有物体移动时,对采集到的图像进行人体识别。
在本实施例中,当判断有物体移动时,需要进一步判断是否为行人。在一个实施例中,步骤S300中所述对采集到的图像进行人体识别是采用基于HOG和SVM的行人检测方法,具体包括以下步骤:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部HOG特征;
其中,HOG(方向梯度直方图Histogram of Oriented Gradients)是一种特征提取算子。
将局部HOG特征输入SVM分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
其中,SVM(支持向量机Support Vector Machine)是模式识别领域的一种经典分类方法。
步骤S400、当识别到图像存在人体特征时,触发考勤启动指令。
在一个实施例中,当识别到图像存在人体特征时,触发考勤终端开启人脸识别功能,考勤终端通过摄像头采集人脸图像,并对人脸图像进行识别,将识别结果进行考勤记录。
在另一个实施例中,当识别到图像存在人体特征时,考勤终端向第三方应用发送识别到图像存在人体特征的信息,第三方应用根据该信息触发考勤终端开启人脸识别功能,考勤终端通过摄像头采集人脸图像,并对人脸图像进行识别,将识别结果进行考勤记录。
在本发明实施例中,为了能够保持图像识别的持续运行,当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求,从而跳转到步骤S100。
人体检测的时间周期取决于硬件设备的性能,所述时间周期即为轮询的时间间隔,在一个或多个实施例中,按3-6秒的时间间隔轮询发送考勤服务请求。
本发明实施例提供的方法,通过有效利用考勤设备自带的摄像功能,无需硬件检测设备即可判断区域内是否有物体移动,采用便捷的方式进行人体识别,取代硬件检测装置,降低了硬件成本,也减少了终端的耗电量,从而达到降低成本的目的。
另一方面,参考图3,本实施例还提供了一种基于图像识别的考勤装置,包括:
采集模块100,用于响应考勤服务请求,按设定时间周期采集图像;
检测模块200,用于选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;
识别模块300,用于当判断有物体移动时,对采集到的图像进行人体识别;
考勤模块400,用于当识别到图像存在人体特征时,触发考勤启动指令。
作为本实施例的进一步改进,所述检测模块200具体用于:
对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级;
将抽样点的所述灰度等级的平均值作为灰度平均值;
将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;
检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
优选地,所述对图像的像素点进行抽样得到抽样点具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,其中,N为整数且≥2。
进一步,所述识别模块300具体用于:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部特征;
将局部特征输入分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
作为本实施例的进一步改进,所述考勤模块400还用于:当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于图像识别的考勤方法,其特征在于,包括:
响应考勤服务请求,按设定时间周期采集图像;
选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;
当判断有物体移动时,对采集到的图像进行人体识别;
当识别到图像存在人体特征时,触发考勤启动指令。
2.根据权利要求1所述的一种基于图像识别的考勤方法,其特征在于,所述选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动具体包括以下步骤:
对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级;
将抽样点的所述灰度等级的平均值作为灰度平均值;
将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;
检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
3.根据权利要求2所述的一种基于图像识别的考勤方法,其特征在于,所述对图像的像素点进行抽样得到抽样点具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,其中,N为整数且≥2。
4.根据权利要求1所述的一种基于图像识别的考勤方法,其特征在于,所述对采集到的图像进行人体识别具体包括以下步骤:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部特征;
将局部特征输入分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
5.根据权利要求1所述的一种基于图像识别的考勤方法,其特征在于,所述方法还包括:当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求。
6.一种基于图像识别的考勤装置,其特征在于,包括:
采集模块,用于响应考勤服务请求,按设定时间周期采集图像;
检测模块,用于选取相邻两幅图像进行相似度比对,判断拍摄区域内是否有物体移动;
识别模块,用于当判断有物体移动时,对采集到的图像进行人体识别;
考勤模块,用于当识别到图像存在人体特征时,触发考勤启动指令。
7.根据权利要求6所述的一种基于图像识别的考勤装置,其特征在于,所述检测模块具体用于:
对图像的像素点进行抽样得到抽样点,计算每个抽样点的灰度等级;
将抽样点的所述灰度等级的平均值作为灰度平均值;
将每个抽样点的灰度等级与灰度平均值进行比较,将灰度等级大于或等于灰度平均值的抽样点标记为1,将灰度等级小于灰度平均值的抽样点标记为0,将标记后抽样点的集合作为每张图像的哈希值;
检测相邻两张图像的哈希值的差值,当所述差值超过阈值时,则判定拍摄区域内有物体移动。
8.根据权利要求7所述的一种基于图像识别的考勤装置,其特征在于,所述对图像的像素点进行抽样得到抽样点具体包括:
对图像提取N×N个像素点作为抽样点,将图像转化为N2级灰度的抽样点集合,其中,N为整数且≥2。
9.根据权利要求6所述的一种基于图像识别的考勤装置,其特征在于,所述识别模块具体用于:
读取采集到的图像,采用固定的滑动窗口在图像上滑动,截取每个滑动窗口的图像作为分块图像;
提取分块图像的局部特征;
将局部特征输入分类器中,判断滑动窗口的图像是否有人体特征,如果有,则存下分块图像,如果没有,则继续检测分块图像。
10.根据权利要求6所述的一种基于图像识别的考勤装置,其特征在于,所述考勤模块还用于:当识别到图像不存在人体特征时,或在完成考勤记录后,发送考勤服务请求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153996.2A CN110032929A (zh) | 2019-03-01 | 2019-03-01 | 一种基于图像识别的考勤方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153996.2A CN110032929A (zh) | 2019-03-01 | 2019-03-01 | 一种基于图像识别的考勤方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110032929A true CN110032929A (zh) | 2019-07-19 |
Family
ID=67235757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910153996.2A Pending CN110032929A (zh) | 2019-03-01 | 2019-03-01 | 一种基于图像识别的考勤方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422907A (zh) * | 2021-06-27 | 2021-09-21 | 赣州德业电子科技有限公司 | 一种塔机司机离线监管系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527829A (zh) * | 2008-03-07 | 2009-09-09 | 华为技术有限公司 | 视频数据处理方法及装置 |
CN103400427A (zh) * | 2013-08-02 | 2013-11-20 | 深圳市金立通信设备有限公司 | 一种移动终端计时的方法及移动终端 |
CN104966060A (zh) * | 2015-06-16 | 2015-10-07 | 广东欧珀移动通信有限公司 | 一种运动物体的目标识别方法和装置 |
CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
CN106296112A (zh) * | 2016-07-28 | 2017-01-04 | 广州猫眼网络科技有限公司 | 基于人脸识别的考勤系统、方法及其装置 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN108986245A (zh) * | 2018-06-14 | 2018-12-11 | 深圳市商汤科技有限公司 | 基于人脸识别的考勤方法及终端 |
-
2019
- 2019-03-01 CN CN201910153996.2A patent/CN110032929A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527829A (zh) * | 2008-03-07 | 2009-09-09 | 华为技术有限公司 | 视频数据处理方法及装置 |
CN103400427A (zh) * | 2013-08-02 | 2013-11-20 | 深圳市金立通信设备有限公司 | 一种移动终端计时的方法及移动终端 |
CN104966060A (zh) * | 2015-06-16 | 2015-10-07 | 广东欧珀移动通信有限公司 | 一种运动物体的目标识别方法和装置 |
CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
CN106296112A (zh) * | 2016-07-28 | 2017-01-04 | 广州猫眼网络科技有限公司 | 基于人脸识别的考勤系统、方法及其装置 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN108986245A (zh) * | 2018-06-14 | 2018-12-11 | 深圳市商汤科技有限公司 | 基于人脸识别的考勤方法及终端 |
Non-Patent Citations (2)
Title |
---|
宓超等: "《装卸机器视觉及其应用》", 31 January 2016, 上海科学技术出版社 * |
李智勇等: "《动态图像分析》", 31 August 1999, 国防工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422907A (zh) * | 2021-06-27 | 2021-09-21 | 赣州德业电子科技有限公司 | 一种塔机司机离线监管系统 |
CN113422907B (zh) * | 2021-06-27 | 2023-02-07 | 赣州德业电子科技有限公司 | 一种塔机司机离线监管方法、系统及可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN102004906A (zh) | 人脸识别系统及方法 | |
CN108875602A (zh) | 监控环境下基于深度学习的人脸识别方法 | |
CN106951885A (zh) | 一种基于视频分析的人流量统计方法 | |
CN105551104A (zh) | 一种基于监控图像座位判别的中小学课堂自动考勤系统 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN109086763B (zh) | 一种指针式仪表读取方法及装置 | |
CN113516076A (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 | |
CN101803928A (zh) | 基于视频的驾驶员疲劳检测装置 | |
CN111104974A (zh) | 基于深度学习的安全帽佩戴识别方法 | |
Hartl | Computer-vision based pharmaceutical pill recognition on mobile phones | |
CN107491728A (zh) | 一种基于边缘计算模型的人脸侦测方法及装置 | |
CN105121620A (zh) | 图像处理设备、图像处理方法、程序和存储介质 | |
CN113096158A (zh) | 运动对象的识别方法、装置、电子设备及可读存储介质 | |
CN110287862A (zh) | 基于深度学习的防偷拍检测方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111950457A (zh) | 油田安全生产图像识别方法及系统 | |
CN110032929A (zh) | 一种基于图像识别的考勤方法及装置 | |
CN110222647A (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN109297626A (zh) | 腿部拉力实时测量机构 | |
CN109711311B (zh) | 一种基于动态人脸最优帧选取方法 |
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: 20190719 |
|
RJ01 | Rejection of invention patent application after publication |