CN110287761A - 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 - Google Patents
一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 Download PDFInfo
- Publication number
- CN110287761A CN110287761A CN201910242037.8A CN201910242037A CN110287761A CN 110287761 A CN110287761 A CN 110287761A CN 201910242037 A CN201910242037 A CN 201910242037A CN 110287761 A CN110287761 A CN 110287761A
- Authority
- CN
- China
- Prior art keywords
- age
- training
- convolutional neural
- feature
- neural networks
- 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
- 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
- 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
-
- 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
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络和隐变量分析的人脸年龄估计方法,其整体步骤为:S1:构建数据集并将数据集划分为训练集、验证集两部分;S2:训练卷积神经网络模型并用训练好的模型提取图片特征;S3:训练隐变量分析模型并使用该模型从S2提取的特征中过滤掉年龄无关的特征;S4:使用S3处理后的特征训练一个线性回归器,完成对被测人脸图像中人物年龄的估计。本发明将卷积神经网络和隐变量分析算法相结合,相比较原始的基于卷积神经网络的方法可以有针对性地分析图片特征,从而提高了年龄估计的准确性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于卷积神经网络和隐变量分析的人脸年龄估计方法。
背景技术
人脸年龄估计是计算机视觉领域的一个研究热点,在现实生活中有着非常广泛的应用,例如智能安防,智能零售,人机交互等等。近些年来随着深度学习特别是卷积神经网络领域的发展,人脸年龄估计算法的性能也得到了快速的提高。但是人脸年龄估计至今仍然是一个具有挑战性的问题,最主要的原因是人脸的老化过程充满了随机性,并且在不同人脸上老化过程的表现有很大的差异。这就导致了一些年老的人看起来比一些年少的人还要年轻,反之亦然。目前基于卷积神经网络的人脸年龄估计方法大致上可以分为两种,一种是基于大型模型的方法,一类是基于紧凑模型的方法。前者通常使用较大的输入图片尺寸,比较庞大复杂的卷积神经网络模型以及一些额外的信息(例如在一些研究中添加的年龄之间的序列信息)。大型模型通常性能较好,但是训练过程复杂,使用时占用的内存和计算资源都很大,不适合在一些内存和计算资源受限的场景下使用。后者通常是为嵌入式设备或手机设备设计的,使用的内存和计算资源都比较小,网络模型也比较简单,例如移动网络(MobileNet)和层数较少的密集网络(DenseNet)等,但是目前这些紧凑型模型的性能相比大型模型还不够理想。
模型中的隐变量无法直接观测,但是可以通过统计模型估计出其概率分布,这个过程就是隐变量分析。隐变量分析方法广泛应用于心理学、经济学等领域。在人脸年龄估计中,人脸图片中包含的各种类别的信息(例如年龄相关的信息、性别相关的信息、表情相关的信息等)可以看作是一组隐变量。运用隐变量分析方法可以对人脸的特征进行更加精细的分析,从而提高年龄估计的准确性。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种基于卷积神经网络和隐变量分析的人脸年龄估计方法,包含以下步骤。
步骤一、数据预处理阶段:利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位,裁剪出人脸区域并将图片缩放到64×64大小保存。
步骤二、数据集划分:随机划分出年龄数据集中的80%数据作为训练集,剩下20%作为验证集,保证同一个人的数据仅出现在一个集合中。
步骤三、训练集分组:将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存。
步骤四、搭建卷积神经网络模型:选用由3个密集连接块(DenseBlock)和3个转换块(TransBlock)组成的密集网络(DenseNet)作为卷积神经网络模型。其中每个密集连接块包含3个3×3的卷积层,每个转换块包含1个1×1的卷积层,另外在第1个密集连接块前连接1个3×3的卷积层,在最后1个转换块后连接1个全局平均池化层和3个全连接层。
步骤五、训练卷积神经网络:首先在大型数据集上预训练步骤四中搭建的卷积神经网络模型,使得网络具有一定的提取图片特征的能力。然后使用步骤二中划分的训练集和验证集,以平均绝对误差作为损失函数,采用基于小型批处理(Mini-batch)梯度下降法训练卷积神经网络模型。损失函数表示为公式一:
其中,N是批处理的样本个数,yi是真实年龄,yi是估计年龄,训练阶段收敛后保存训练后的模型。
步骤六、使用卷积神经网络提取图片特征:将步骤二中划分的训练集作为输入,送入步骤五训练好的卷积神经网络模型中,提取网络中的计算结果作为提取的图片特征保存。
步骤七、训练隐变量分析模型:将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合,建模形式如公式二:
t=β+Ux+Vy+ε 公式二
其中,t是提取的特征,β是训练集中特征的均值,Ux表示的是年龄相关的特征,Vy表示的是身份相关的特征,ε表示其他无关噪声,假设其服从正态分布:ε~N(0,δ2I)。首先计算出β,然后根据步骤三中按照年龄段和身份信息划分的样本组,利用最大期望(Expectation maximization)算法估计出参数U,V,δ。接着根据公式三从原特征中计算出年龄相关的特征并保存:
f=UUTΣ-1(t-β) 公式三
其中,Σ=δ2I+UUT+VVT。
步骤八、训练线性回归器:将步骤七中提取的年龄相关的特征作为输入,训练一个线性回归器模型并保存,本发明采用的是现有的线性支撑向量回归(LinearSVR)函数库来完成回归器的训练。
步骤九、方法测评:在上述步骤完成后,将验证集中的图片先经过步骤五中训练好的卷积神经网络模型,提取最后一个卷积层的输出作为图片特征。再使用步骤七中训练好的隐变量分析模型,根据公式三提取出年龄相关的特征。最后将年龄相关特征送入步骤八中训练好的线性回归器得到预测的年龄,并使用平均绝对误差作为评价指标评估算法性能,平均绝对误差的计算公式见公式一。
综上所述,本发明将卷积神经网络和隐变量分析算法进行结合,隐变量分析模型对卷积神经网络提取的图片特征做了有针对性的精细化分析,剔除了年龄无关的信息,降低了特征维度的同时,也使得保留的特征都是高度年龄相关的,从而提高了年龄估计的准确性。
附图说明
图1是本发明中卷积神经网络的结构图。
图2是发明的总体流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于卷积神经网络和隐变量分析的人脸年龄估计方法,其整体步骤如下。
步骤一、数据预处理阶段:利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点(68个关键点)定位,裁剪出人脸区域(如果没有检测出人脸则将该图片删除),按照两个瞳孔和上嘴唇的位置将图片对齐并缩放到64×64大小保存。本步骤包括但不限于基于68点进行人脸对齐。
步骤二、数据集划分:为了避免模型在数据集上过拟合,提高模型的泛化能力。需要将数据集进行划分,随机划分出80%的数据作为训练集,剩下的20%作为验证集,并保证同一个人的数据仅出现在一个集合中。
步骤三、训练集分组:为了训练隐变量分析模型,需要将训练集的数据分别按照年龄段和身份信息分组,值得注意的是,按照年龄段分组需要考虑到数据集样本的年龄分布情况,划分的年龄段要保证每个段内的训练样本数目接近。
步骤四、搭建神经网络模型:选用由3个密集连接块(DenseBlock)和3个转换块(TransBlock)组成的密集网络(DenseNet)作为卷积神经网络模型。1个密集连接块后连接1个转换块作为1组,一共3组。其中每个密集连接块包含3个3×3的卷积层,每个转换块包含1个1×1的卷积层,另外在第1个密集连接块前连接1个3×3的卷积层,在最后1个转换块后连接1个全局平均池化层和3个全连接层,具体结构如图1所示。
步骤五、训练卷积神经网络:首先使用“互联网电影资料库-维基百科”(IMDB-WIKI)数据集(或者是“图片网络”(ImageNet)数据集加“互联网电影资料库-维基百科”数据集),使用人脸检测及关键点定位算法剔除数据集中的噪声后,在该数据集上预训练步骤四中搭建的卷积神经网络模型,使得网络具有一定的提取图片特征的能力。然后使用步骤二中划分的训练集和验证集,以平均绝对误差作为损失函数,采用基于小型批处理(mini-batch)的梯度下降法训练卷积神经网络模型。损失函数表示为公式一:
其中,N是批处理的样本个数,yi是真实年龄,yi是估计年龄,训练阶段收敛后保存训练后的模型。
步骤六、使用卷积神经网络提取图片特征:将步骤二中划分的训练集作为输入,送入步骤五训练好的卷积神经网络模型中,提取网络中的计算结果(本发明使用的是网络中最后一个卷积层的输出)作为提取的图片特征保存,本步骤包括但不限于提取最后一个卷积层的输出当作图片特征。
步骤七、训练隐变量分析模型:将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合,建模形式如公式二:
t=β+Ux+Vy+ε 公式二
其中,t是提取的特征,β是训练集中特征的均值,Ux表示的是年龄相关的特征,x是年龄相关特征的隐变量因子,假设其服从正态分布:x~N(0,I),U是待估计的参数。Vy表示的是身份相关的特征,y是身份相关特征的隐变量因子,假设其服从正态分布:y~N(0,I),V是待估计的参数。ε表示其他无关噪声,假设其服从正态分布:ε~N(0,δ2I)。首先计算出β,然后根据步骤三中按照年龄段和身份信息划分的样本组,利用最大期望(Expectationmaximization)算法估计出参数U,V,δ。接着根据公式三从原特征中计算出年龄相关的特征并保存:
f=UUTΣ-1(t-β) 公式三
其中,Σ=δ2I+UUT+VVT。
步骤八、训练线性回归器:将步骤七中提取的年龄相关的特征作为输入,训练一个线性回归器模型并保存,本发明采用的是现有的线性支撑向量回归(LinearSVR)函数库完成回归器的训练。
步骤九、方法测评:在上述步骤完成后,将验证集中的图片先经过步骤五中训练好的卷积神经网络模型,提取最后一个卷积层的输出作为图片特征。再使用步骤七中训练好的隐变量分析模型,根据公式三提取出年龄相关的特征。最后将年龄相关特征送入步骤八中训练好的线性回归器得到预测的年龄,并使用平均绝对误差作为评价指标评估算法性能,平均绝对误差的计算公式见公式一。
本发明总体流程如图2所示,本发明的创新点以及关键点如下。
(1)将卷积神经网络和隐变量分析算法相结合,隐变量分析模型可以对卷积神经网络提取的图片特征进行有针对性的精细化分析,剔除了年龄无关信息对年龄估计的干扰,从而提高了年龄估计的准确性。
(2)由于隐变量分析算法可以从图片特征中精炼出年龄相关的信息,这就降低了后续年龄估计的难度。所以本发明使用一个轻量级的卷积神经网络作为特征提取模型,并使用一个简单的线性回归器就可以较好的完成人脸年龄估计任务。这也使得本发明的模型在运行时对内存和计算资源要求不高,适合部署在嵌入式和移动端设备上。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (3)
1.一种基于卷积神经网络和隐变量分析的人脸年龄估计方法,其特征在于:所述方法的整体步骤为:
步骤一、数据预处理阶段:利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位,裁剪出人脸区域并将图片缩放到64×64大小保存;
步骤二、数据集划分:随机划分出年龄数据集中的80%数据作为训练集,剩下20%作为验证集,保证同一个人的数据仅出现在一个集合中;
步骤三、训练集分组:将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存;
步骤四、搭建神经网络模型:选用由3个密集连接块(DenseBlock)和3个转换块(TransBlock)组成的密集网络(DenseNet)作为卷积神经网络模型;
步骤五、训练卷积神经网络:首先在大型数据集上预训练步骤四中搭建的卷积神经网络模型,使得网络具有一定的提取图片特征的能力;
然后使用步骤二中划分的训练集和验证集,以平均绝对误差作为损失函数,采用基于小型批处理(Mini-batch)梯度下降法训练卷积神经网络模型;
损失函数表示为公式一:
其中,N是批处理的样本个数,yi是真实年龄,yi是估计的年龄,训练阶段收敛后保存训练后的模型;
步骤六、使用卷积神经网络提取图片特征:将步骤二中划分的训练集作为输入送入步骤五训练好的卷积神经网络模型中,提取网络中的计算结果作为提取的图片特征保存;
步骤七、训练隐变量分析模型:将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合,建模形式如公式二:
t=β+Ux+Vy+ε 公式二
其中,t是提取的特征,β是训练集中特征的均值,Ux表示的是年龄相关的特征,Vy表示的是身份相关的特征,ε表示其他无关噪声,假设其服从正态分布:ε~N(0,δ2I);
首先计算出β,然后根据步骤三中按照年龄段和身份信息划分的样本组,利用最大期望(Expectation maximization)算法估计出参数U,V,δ;
接着根据公式三从原特征中计算出年龄相关的特征并保存:
f=UUTΣ-1(t-β) 公式三
其中,Σ=δ2I+UUT+VVT;
步骤八、训练线性回归器:将步骤七中提取的年龄相关的特征作为输入,训练一个线性回归器模型并保存,本发明采用的是现有的线性支撑向量回归(LinearSVR)函数库来完成回归器的训练;
步骤九、方法测评:在上述步骤完成后,将验证集中的图片先经过步骤五中训练好的卷积神经网络模型,提取最后一个卷积层的输出作为图片特征;
再使用步骤七中训练好的隐变量分析模型,根据公式三提取出年龄相关的特征;
最后将年龄相关特征送入步骤八中训练好的线性回归器得到预测的年龄,并使用平均绝对误差作为评价指标评估算法性能,平均绝对误差的计算公式见公式一。
2.如权利要求1所述的方法,其特征在于:所述步骤四中每个密集连接块(DenseBlock)包含3个3×3的卷积层,每个转换块(TransBlock)包含1个1×1的卷积层,在第1个密集连接块前连接1个3×3的卷积层,在最后1个转换块后连接1个全局平均池化层和3个全连接层。
3.如权利要求1或2所述的方法,其特征在于:将所述步骤六中卷积神经网络提取的特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合,并使用最大期望算法估计隐变量分析模型中的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242037.8A CN110287761A (zh) | 2019-03-28 | 2019-03-28 | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242037.8A CN110287761A (zh) | 2019-03-28 | 2019-03-28 | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110287761A true CN110287761A (zh) | 2019-09-27 |
Family
ID=68001258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242037.8A Pending CN110287761A (zh) | 2019-03-28 | 2019-03-28 | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287761A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184876A (zh) * | 2020-09-28 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN117095434A (zh) * | 2023-07-24 | 2023-11-21 | 山东睿芯半导体科技有限公司 | 一种不同年纪人脸识别方法、芯片及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN106650753A (zh) * | 2016-12-20 | 2017-05-10 | 电子科技大学 | 一种基于特征选择的视觉映射方法 |
CN108256482A (zh) * | 2018-01-18 | 2018-07-06 | 中科视拓(北京)科技有限公司 | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 |
-
2019
- 2019-03-28 CN CN201910242037.8A patent/CN110287761A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN106650753A (zh) * | 2016-12-20 | 2017-05-10 | 电子科技大学 | 一种基于特征选择的视觉映射方法 |
CN108256482A (zh) * | 2018-01-18 | 2018-07-06 | 中科视拓(北京)科技有限公司 | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 |
Non-Patent Citations (2)
Title |
---|
DIHONG GONG等: "Hidden Factor Analysis for Age Invariant Face Recognition", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
GUODONG GUO等: "Human Age Estimation Using Bio-inspired Features", 《《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184876A (zh) * | 2020-09-28 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN117095434A (zh) * | 2023-07-24 | 2023-11-21 | 山东睿芯半导体科技有限公司 | 一种不同年纪人脸识别方法、芯片及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN110287960A (zh) | 自然场景图像中曲线文字的检测识别方法 | |
CN108875708A (zh) | 基于视频的行为分析方法、装置、设备、系统及存储介质 | |
CN109214343A (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN110021051A (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
CN110135427A (zh) | 用于识别图像中的字符的方法、装置、设备和介质 | |
CN107609572A (zh) | 基于神经网络和迁移学习的多模态情感识别方法、系统 | |
CN107871101A (zh) | 一种人脸检测方法及装置 | |
CN112464865A (zh) | 一种基于像素和几何混合特征的人脸表情识别方法 | |
CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN110399788A (zh) | 图像的au检测方法、装置、电子设备及存储介质 | |
CN110309723A (zh) | 一种基于人体特征细分类的驾驶员行为识别方法 | |
CN109492627A (zh) | 一种基于全卷积网络的深度模型的场景文本擦除方法 | |
CN110008961A (zh) | 文字实时识别方法、装置、计算机设备及存储介质 | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN109344920A (zh) | 顾客属性预测方法、存储介质、系统及设备 | |
CN108364662A (zh) | 基于成对鉴别任务的语音情感识别方法与系统 | |
CN114549850B (zh) | 一种解决模态缺失问题的多模态图像美学质量评价方法 | |
CN111680550B (zh) | 情感信息识别方法、装置、存储介质及计算机设备 | |
CN110705428B (zh) | 一种基于脉冲神经网络的脸部年龄识别系统及方法 | |
CN108664885A (zh) | 基于多尺度级联HourGlass网络的人体关键点检测方法 | |
CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN110288513A (zh) | 用于改变人脸属性的方法、装置、设备和存储介质 | |
CN108985200A (zh) | 一种基于终端设备的非配合式的活体检测算法 | |
CN111723667A (zh) | 基于人体关节点坐标的智慧灯杆人群行为识别方法和装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190927 |
|
WD01 | Invention patent application deemed withdrawn after publication |