CN110598716A - 一种人员属性识别方法、装置及系统 - Google Patents
一种人员属性识别方法、装置及系统 Download PDFInfo
- Publication number
- CN110598716A CN110598716A CN201910857738.2A CN201910857738A CN110598716A CN 110598716 A CN110598716 A CN 110598716A CN 201910857738 A CN201910857738 A CN 201910857738A CN 110598716 A CN110598716 A CN 110598716A
- Authority
- CN
- China
- Prior art keywords
- human body
- feature vector
- recognized
- body image
- identified
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术领域，公开了一种人员属性识别方法、装置及系统。所述人员属性识别方法包括：获取待识别图像帧；将所述待识别图像帧进行特征向量f1提取；对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。采用本发明技术方案通过在不影响精度的前提下减少信息处理量，不但提高了人员属性识别效率，同时还通过多尺度行人特征的提取识别提高了人员属性的准确率。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种人员属性识别方法、装置及系统。
背景技术
近年来，以卷积神经网络为代表的深度学习技术被广泛应用于各类人工智能任务，例如物体分类、人脸识别、行人身份再识别等。卷积神经网络在这些问题上取得的突破性进展源于其层次化的学习结构所带来的强大表达能力。城市生活中监控摄像头的广泛应用为人们日常安全保驾护航，为突发犯罪事件的侦破提供信息。但是，从海量的监控视频中找到有效信息需要耗费大量的精力，因此迫切需要一种快速准确的视频检索方法，而行人又是监控中最常见的目标，如果可以对监控视频中的行人属性做出自动准确的识别，将会大大降低视频检索的人力成本。
使用计算机视觉技术对监控视频中的行人自动检测分析属性是目前解决这一问题的主要方法，随着深度模型在各种识别问题中的优异表现，深度模型在行人属性的中也有越来越多的应用。例如：基于AlexNet网络微调的卷积神经网络模型提取行人属性特征，使用支持向量机做属性分类，支持向量机仅局限于小集群样本，对于观测样本太多时，效率较低，准确率难以提升。
然而，在现有技术方案的实现过程中，发明人发现现有技术至少存在如下技术问题：
现有技术中人员属性识别效率较低，准确率不高。
发明内容
本发明的目的在于提供一种人员属性识别方法、装置及系统，以克服现有技术中针对人员属性识别效率较低，准确率不高的问题。
为解决上述技术问题，本发明的实施方式提供了一种人员属性识别方法，包括：
获取待识别图像帧；
将所述待识别图像帧进行特征向量f1提取；
对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
本发明的实施方式还提供了一种人员属性识别装置，包括。
图像获取单元，用于获取待识别图像帧；
特征提取单元，用于将所述待识别图像帧进行特征向量f1提取；
特征压缩单元，用于对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
属性识别单元，用于对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
本发明的实施方式还提供了一种人员属性识别系统，包括如上所述的人员属性识别装置。
本发明提供的一种人员属性识别方法、装置及系统，通过采用加速模型性能网络PVA的简化模型结构C.ReLU在不影响精度的前提下减少信息处理量，不但提高了人员属性识别效率，同时还通过提取多尺度行人特征模块Inception对所述待识别人体图像进行多尺度行人特征的提取识别提高了人员属性的准确率。
附图说明
图1是本发明实施例提供的一种人员属性识别方法流程图；
图2是本发明实施例提供的另一种人员属性识别方法流程图；
图3是本发明实施例提供的一种人员属性识别装置结构示意图。
具体实施方式
为使本发明的目的、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方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，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方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种人员属性识别方法。具体流程如图1所示。该方法包括：
101：获取待识别图像帧；
102：将所述待识别图像帧进行特征向量f1提取；
103：对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
104：对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
基于以上实施例，以下通过设所述加速模型性能网络PVA包括：简化模型结构C.ReLU和提取多尺度行人特征模块Inception；设特征向量f1上均匀水平切块，分成6块；对上述人员属性识别方法进行详细说明如图2所示；具体步骤包括：
201：预设待识别人体图像框；
202：根据所述待识别人体图像框，从所述待识别图像帧中获取待识别人体图像；
203：将所述待识别人体图像输入加速模型性能网络PVA，进行卷积处理；获取特征向量f1；该步骤具体可以为：将所述待识别人体图像输入加速模型性能网络PVA的简化模型结构C.ReLU，简化所述待识别人体图像的卷积数量；将简化后的待识别人体图像输入提取多尺度行人特征模块Inception，进行多尺度特征卷积处理；
其中，所述待识别人体图像输入到PVA网络的五组卷积结构得到c*h*w维度的特征向量f1。
204：将所述特征向量f1均匀切成水平块，分为6块；
205：将所述切分后的每块分别进行全局的平均池化，获取特征向量f2；具体的讲，就是把特征向量f1平均切分成6个水平块，即得到6块c*(h/6)*w维的特征向量，在每块上做全局的平均池化得到c*6维的特征向量f2。
206：对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。具体的讲，就是将特征向量f2分别输入到n个全连接层做n种属性的分类，n种属性可以包含上半身颜色、下本身颜色、是否戴帽子和性别等。
PVA(Performance Vs Accuracy)网络结构中的C.ReLU结构可以在不影响精度的前提下减少计算量。行人属性识别中既包含是否戴眼镜、是否带帽这种细粒度属性，也包含衣服颜色等粗粒度的属性，Inception模块由于具有多种感受野的卷积核组合，因此能够满足行人属性识别中提取多尺度特征的需求。此外，本发明也引入提取局部特征(Part-basedConvolutional Baseline，简称PCB)结构。本发明基于上述方法提高识别精度，同时简化模型结构，减小运行消耗，提高运行效率。
需要说明的是，在实现该人员属性识别方法之前，还需如下训练模型，具体包括：
(1)收集包含各种监控拍摄角度和光线条件的包含行人的图像，对行人的位置和性别、上下身颜色、是否戴帽子等属性进行标注，形成行人属性的数据集，抽取10％的样本左测试集，余下90％作训练集。
(2)训练集样本增强：把标注的行人框子位置做若干扰动，同时增加亮度扰动、对比度扰动、模糊、锐化等操作。
(3)扰动后的行人区域抠图缩放到固定大小保存，作为训练数据。
(4)使用PVA网络和PCB结构加上全连接层训练出行人属性识别模型，基于上述方法的模型识别具有较高的识别精度和较快的运行速度。
其中，原始的PVA网络是应用于目标检测的，我们提取PVA网络的一部分和PCB结构组合成我们的网络，用来做行人属性识别，提取的PVA网络包含的主要模块有C.ReLU和Inception。
C.ReLU(concatenated ReLU)主要是用来减少计算量。所述C.ReLU基础网络卷积层参数，低层卷积核成对出现(参数互为相反数)，相当于卷积核存在冗余，有一半的计算是可以省掉的。因此，减小输出特征图个数为原始一半，另一半直接取相反数得到，再将两部分特征图连接，从而减少了卷积核数目。C.ReLU的定义如下：C.ReLU(x)＝[ReLU(x),ReLU(-x)]，中括号含义就是将特征向量连接起来，x就是前层网络的输出。
Inception模块主要用于提取不同尺度的特征。行人属性分析包含性别年龄等全局特征，也包含是否戴帽子、是否戴眼镜、衣服颜色类型等关注局部细节的特征，为了捕获图像中的大尺度特征，需要足够大的感受野，为了捕获细节特征，则需要小一点的感受野，Inception由于具有多种感受野的卷积核组合，因此能够适应多尺度特征的提取。
PCB结构对传统的全连接层进行替换，减少参数的数量，在结构上做正则化防止过拟合，将人体分块后计算各部分均值，提高属性识别指标。
本发明第二实施方式涉及一种人员属性识别装置，如图3所示，该装置包括：
图像获取单元301，用于获取待识别图像帧；
特征提取单元302，用于将所述待识别图像帧进行特征向量f1提取；
特征压缩单元303，用于对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
属性识别单元304，用于对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
需要说明的是，该装置还包括：
预设单元，用于预设待识别人体图像框；
所述特征提取单元，还用于根据所述待识别人体图像框，从所述待识别图像帧中获取待识别人体图像；根据所述待识别人体图像，进行特征向量f1提取。
还需要说明的是，所述加速模型性能网络PVA包括：简化模型结构C.ReLU和提取多尺度行人特征模块Inception；所述所述特征提取单元，还用于将所述待识别人体图像输入加速模型性能网络PVA的简化模型结构C.ReLU，简化所述待识别人体图像的卷积数量；将简化后的待识别人体图像输入提取多尺度行人特征模块Inception，进行多尺度特征卷积处理；获取特征向量f1。
还需要说明的是，所述特征压缩单元，用于将所述特征向量f1均匀切分成水平块，至少切分为5块；将所述切分后的每块分别进行全局的平均池化，获取特征向量f2。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本发明第三实施方式涉及一种人员属性识别系统，该系统包括：如上所述任意一种人员属性识别装置。
本发明提供的一种人员属性识别方法、装置及系统，通过采用加速模型性能网络PVA的简化模型结构C.ReLU在不影响精度的前提下减少信息处理量，不但提高了人员属性识别效率，同时还通过提取多尺度行人特征模块Inception对所述待识别人体图像进行多尺度行人特征的提取识别提高了人员属性的准确率。此外，通过PCB模块降低参数量，防止过拟合，进一步提高属性识别推广性。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人员属性识别方法，其特征在于，包括：
获取待识别图像帧；
将所述待识别图像帧进行特征向量f1提取；
对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
2.根据权利要求1所述的人员属性识别方法，其特征在于，还包括：
预设待识别人体图像框；
所述将所述待识别图像帧进行特征向量f1提取的步骤，包括：
根据所述待识别人体图像框，从所述待识别图像帧中获取待识别人体图像；
根据所述待识别人体图像，进行特征向量f1提取。
3.根据权利要求2所述的人员属性识别方法，其特征在于，所述根据所述待识别人体图像，进行特征向量f1提取的步骤，包括：
将所述待识别人体图像输入加速模型性能网络PVA，进行卷积处理；获取特征向量f1。
4.根据权利要求3所述的人员属性识别方法，其特征在于，所述将所述待识别人体图像输入加速模型性能网络PVA，进行卷积处理步骤，包括：
所述加速模型性能网络PVA包括：简化模型结构C.ReLU和提取多尺度行人特征模块Inception；
将所述待识别人体图像输入加速模型性能网络PVA的简化模型结构C.ReLU，简化所述待识别人体图像的卷积数量；
将简化后的待识别人体图像输入提取多尺度行人特征模块Inception，进行多尺度特征卷积处理。
5.据权利要求4所述的人员属性识别方法，其特征在于，所述对所述特征向量f1进行压缩，获取平均池化后的特征向量f2的步骤，包括：
将所述特征向量f1均匀切成水平块，至少切分为5块；
将所述切分后的每块分别进行全局的平均池化，获取特征向量f2。
6.一种人员属性识别装置，其特征在于，包括：
图像获取单元，用于获取待识别图像帧；
特征提取单元，用于将所述待识别图像帧进行特征向量f1提取；
特征压缩单元，用于对所述特征向量f1进行压缩，获取平均池化后的特征向量f2；
属性识别单元，用于对所述特征向量f2进行属性分类，获取所述待识别图像帧中的人员属性信息。
7.根据权利要求6所述的人员属性识别装置，其特征在于，还包括：
预设单元，用于预设待识别人体图像框；
所述特征提取单元，还用于根据所述待识别人体图像框，从所述待识别图像帧中获取待识别人体图像；根据所述待识别人体图像，进行特征向量f1提取。
8.根据权利要求7所述的人员属性识别装置，其特征在于，所述加速模型性能网络PVA包括：简化模型结构C.ReLU和提取多尺度行人特征模块Inception；所述所述特征提取单元，还用于将所述待识别人体图像输入加速模型性能网络PVA的简化模型结构C.ReLU，简化所述待识别人体图像的卷积数量；将简化后的待识别人体图像输入提取多尺度行人特征模块Inception，进行多尺度特征卷积处理；获取特征向量f1。
9.据权利要求8所述的人员属性识别装置，其特征在于，所述特征压缩单元，用于将所述特征向量f1切成水平块，至少切分为5块；将所述切分后的每块分别进行全局的平均池化，获取特征向量f2。
10.一种人员属性识别系统，其特征在于，包括：如权利要求6-9中任意一项所述人员属性识别装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857738.2A CN110598716A (zh) | 2019-09-09 | 2019-09-09 | 一种人员属性识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857738.2A CN110598716A (zh) | 2019-09-09 | 2019-09-09 | 一种人员属性识别方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598716A true CN110598716A (zh) | 2019-12-20 |
Family
ID=68858851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910857738.2A Withdrawn CN110598716A (zh) | 2019-09-09 | 2019-09-09 | 一种人员属性识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598716A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339991A (zh) * | 2020-03-12 | 2020-06-26 | 北京爱笔科技有限公司 | 一种人体属性识别方法及装置 |
| CN112307979A (zh) * | 2020-10-31 | 2021-02-02 | 成都新潮传媒集团有限公司 | 一种人员属性识别方法、装置及计算机设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107209864A (zh) * | 2015-01-27 | 2017-09-26 | 北京市商汤科技开发有限公司 | 人脸识别方法和系统 |
| CN107273872A (zh) * | 2017-07-13 | 2017-10-20 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| CN108960114A (zh) * | 2018-06-27 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 人体识别方法及装置、计算机可读存储介质及电子设备 |
| CN109145843A (zh) * | 2018-08-29 | 2019-01-04 | 上海萃舟智能科技有限公司 | 一种卡口高清相机全车信息识别系统及方法 |
| CN109359515A (zh) * | 2018-08-30 | 2019-02-19 | 东软集团股份有限公司 | 一种用于对目标对象的属性特征进行识别的方法及装置 |
| CN109902693A (zh) * | 2019-02-16 | 2019-06-18 | 太原理工大学 | 一种基于多注意力空间金字塔特征图像识别方法 |
| WO2019154383A1 (zh) * | 2018-02-06 | 2019-08-15 | 同方威视技术股份有限公司 | 刀具检测方法及装置 |
-
2019
- 2019-09-09 CN CN201910857738.2A patent/CN110598716A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107209864A (zh) * | 2015-01-27 | 2017-09-26 | 北京市商汤科技开发有限公司 | 人脸识别方法和系统 |
| CN107273872A (zh) * | 2017-07-13 | 2017-10-20 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| WO2019154383A1 (zh) * | 2018-02-06 | 2019-08-15 | 同方威视技术股份有限公司 | 刀具检测方法及装置 |
| CN108960114A (zh) * | 2018-06-27 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 人体识别方法及装置、计算机可读存储介质及电子设备 |
| CN109145843A (zh) * | 2018-08-29 | 2019-01-04 | 上海萃舟智能科技有限公司 | 一种卡口高清相机全车信息识别系统及方法 |
| CN109359515A (zh) * | 2018-08-30 | 2019-02-19 | 东软集团股份有限公司 | 一种用于对目标对象的属性特征进行识别的方法及装置 |
| CN109902693A (zh) * | 2019-02-16 | 2019-06-18 | 太原理工大学 | 一种基于多注意力空间金字塔特征图像识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| SANGHOON HONG等: "PVANet: Lightweight Deep Neural Networks for Real-time Object Detection", 《THE 1ST INTERNATIONAL WORKSHOP ON EFFICIENT METHODS FOR DEEP NEURAL NETWORKS》, no. 1, pages 1 - 7 * |
| 郑远攀;李广阳;李晔;: "深度学习在图像识别中的应用研究综述", 计算机工程与应用, no. 12, pages 25 - 41 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339991A (zh) * | 2020-03-12 | 2020-06-26 | 北京爱笔科技有限公司 | 一种人体属性识别方法及装置 |
| CN112307979A (zh) * | 2020-10-31 | 2021-02-02 | 成都新潮传媒集团有限公司 | 一种人员属性识别方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
| CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN108564052A (zh) | 基于mtcnn的多摄像头动态人脸识别系统与方法 | |
| CN110263712B (zh) | 一种基于区域候选的粗精行人检测方法 | |
| CN109241349A (zh) | 一种基于深度学习的监控视频多目标分类检索方法及系统 | |
| CN105488468A (zh) | 一种目标区域的定位方法和装置 | |
| CN111652035B (zh) | 一种基于ST-SSCA-Net的行人重识别方法及系统 | |
| CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
| CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN110852190A (zh) | 一种融合目标检测与手势识别的驾驶行为识别方法及系统 | |
| CN111027377A (zh) | 一种双流神经网络时序动作定位方法 | |
| CN113591674B (zh) | 一种面向实时视频流的边缘环境行为识别系统 | |
| CN113706481A (zh) | 精子质量检测方法、装置、计算机设备和存储介质 | |
| CN110598716A (zh) | 一种人员属性识别方法、装置及系统 | |
| CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN117392753A (zh) | 融合非均匀采样与特征强化的人体不文明行为检测方法 | |
| CN117893737A (zh) | 基于YOLOv5-LED的水母识别分类方法 | |
| Li et al. | Incremental learning of infrared vehicle detection method based on SSD | |
| CN117496570A (zh) | 一种基于多尺度卷积的人脸识别方法及系统 | |
| CN113139615A (zh) | 一种基于嵌入式设备的无人驾驶环境目标检测方法 | |
| CN115115976A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN111382685B (zh) | 一种基于深度学习的场景识别方法和系统 | |
| CN114581769A (zh) | 一种基于无监督聚类的在建房屋识别方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191220 |