CN110807367A - 一种动态识别运动中人员号码的方法 - Google Patents

一种动态识别运动中人员号码的方法 Download PDF

Info

Publication number
CN110807367A
CN110807367A CN201910946544.XA CN201910946544A CN110807367A CN 110807367 A CN110807367 A CN 110807367A CN 201910946544 A CN201910946544 A CN 201910946544A CN 110807367 A CN110807367 A CN 110807367A
Authority
CN
China
Prior art keywords
image
illumination
motion
enhancement
image enhancement
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
Application number
CN201910946544.XA
Other languages
English (en)
Inventor
张立
张凯文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Danzhu Sports Technology Co Ltd
Original Assignee
Shanghai Danzhu Sports Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Danzhu Sports Technology Co Ltd filed Critical Shanghai Danzhu Sports Technology Co Ltd
Priority to CN201910946544.XA priority Critical patent/CN110807367A/zh
Publication of CN110807367A publication Critical patent/CN110807367A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于复杂场景下的号码识别领域，尤其涉及使用机器视觉和图像增强技术实现实时动态识别运动中人员号码的方法。该方法包含步骤：1，训练推理模型；2，采集目标图像；3，图像增强预处理；4，分割号码；5，识别号码。本发明使用机器学习、图像增强、带置信度的分类器等技术实现了动态识别运动中人员号码的方法，实现了运动场景中背景复杂、光照条件恶劣、视角变化、图像模糊、号码被遮挡等情况下人员号码的识别，提高了运动场景下目标旋转，变形、遮挡及强烈光照下号码识别的准确率。

Description

一种动态识别运动中人员号码的方法
技术领域
本发明属于复杂场景下的号码识别领域，尤其涉及使用机器视觉和图像增强技术实现实时动态识别运动中人员号码的方法。
背景技术
在体育运动的训练和比赛中，智能训练和比赛系统需要至少具备两个能力：一是能实时动态识别训练和比赛中的人员身份，二是能智能测量训练和比赛的成绩和指标数据。目前一般采用静态的方法识别人员身份，在运动训练和比赛场地设置签到点，设置人脸、虹膜等生物特征采集和识别设备，或者设置RFID卡、身份证等读卡设备来识别人员身份，这种方法主要目的是对人员在训练和赛前签到，而不能识别正在训练和比赛中的人员身份，导致训练和比赛成绩不能自动和人员关联，需要手工做关联。在很多运动场景下，如足球比赛、田径比赛等，摄像头离运动中人员均较远，户外场景会有强烈太阳光照射，摄像头拍摄的高速运动中的人员的图像会模糊，同时人员在训练和比赛中不可能刻意去面向摄像头，所以在这样的场景下通过采集和识别人脸、虹膜等生物特征是不可行的，也就是无法通过人脸、虹膜等生物特征实时动态识别正在训练和比赛中的人员身份。
人员在训练和比赛中，通常会穿着胸前和背后印有号码的运动衣，或者在胸前和背后佩戴号码牌。号码通常是全数字的，并通常和运动员是一一对应的，所以号码是可以用来对运动员进行身份识别的，并且相对于生物特征来说，号码由于其面积更大、特征更明显，成为实时动态识别体育运动中的人员身份的较好手段。但号码和人脸图片等生物特征图片的采集一样，存在诸多复杂的场景问题：采集号码图像的摄像头离人员较远，户外场景会有强光照射导致号码成像时反光严重，采集的高速运动中的人员的号码图像会模糊，人员在运动中双手的挥舞动作会遮挡胸前号码，背后紧跟的人员（如中长跑）会遮挡背后的号码，人员在运动中不可能刻意去面向摄像头而让摄像头采集到正面的号码，号码通常是艺术字、手写字或经过设计的图形等等。所以如何正确、实时、动态识别运动中人员的号码成为一个有挑战性的问题。
目前现有的识别号码的方法有：模板匹配方法，特征分类方法，卷积神经网络方法。模板匹配方法，需要先定义出数字和字符模板，然后用该模板滑动匹配目标数字和字符。特征分类方法，分别通过特征设计、特征提取、特征分类识别出字符。卷积神经网络方法，使用人工神经网络充当特征提取器和分类器，输入是字符图像，输出是识别结果，准确率较高。尤其是卷积神经网络方法，经过长时间的发展，对常规场景下的印刷字体、手写字体识别都已经很优秀了，但是均不能很好解决运动场景下的号码识别。运动场景中的号码识别面临背景复杂、光照条件（尤其强光照射导致严重反光）、视角变化、遮挡、模糊、艺术字体等多种因素的影响，上述的方法在这种场景下的号码识别率较低。本发明使用了机器学习、精准定位号码位置、图像增强、去除光照影响、带置信度的分类器等技术，提高了目标旋转、变形、遮挡及强烈光照下号码识别的准确率。
发明内容
本发明的目的在于解决运动场景中背景复杂、光照条件恶劣、视角变化、图像模糊、号码被遮挡等情况下人员号码的识别，使用机器学习、图像增强、带置信度的分类器等技术实现动态识别运动中人员号码的方法，旨在解决和优化运动场景下目标旋转，变形、遮挡及强烈光照下号码识别的准确率。
本发明采用以下技术方案实现。
一种动态识别运动中人员号码的方法，包括：
步骤1，训练推理模型
收集样本号码图像数据，样本号码包括号码旋转、变形、部分被遮挡等场景数据，对图像进行二值化，标记和分割出图像中的每一个样本数字，并将数字统一缩放到相同像素大小，之后提取数字的特征。之后使用非线性分类器训练每个数字的特征数据，获得线非性分类器模型。
步骤2，采集目标图像
用人体识别模型识别和结构化待分析视频图像中的人体，截取人员上半身图片作为待识别的目标图像。
步骤3，图像增强预处理
对图像进行增强和灰度化以去除光照影响，并进行二值化处理以去除背景影响，得到二值化图像。
原始图像S是光照图像L和反射率图像R的乘积，图像增强的目的是从原始图像S中估计出光照图像L，从而分解出反射率图像R，消除光照不均、光照反射等影响，改善图像的视觉效果。其数学表达式为：。
Figure 359048DEST_PATH_IMAGE002
代表被人眼或摄像头接收到的原始图像信号，
Figure 676897DEST_PATH_IMAGE003
代表环境光的照射分量，
Figure 661033DEST_PATH_IMAGE004
表示携带图像细节信息的目标物体的反射分量。将上式两边取对数，即有关系式：
Figure 646307DEST_PATH_IMAGE005
。对原始图像进行图像模糊计算后得到光照图像
Figure 495631DEST_PATH_IMAGE003
，于是根据上式可以计算得出
Figure 549038DEST_PATH_IMAGE006
，之后将
Figure 123239DEST_PATH_IMAGE006
量化为0-255范围内的像素值，作为图像增强的输出，即生成图像增强后的灰度图像。
使用二值化模型处理图像增强后的灰度图像，得到二值化图像。二值化模型为：设置一个像素色彩的阈值，如果某个像素明显低于这个阈值，则设为黑色，否则设为白色。
步骤4，分割号码
找出图像增强预处理完成后的二值化图像内的所有轮廓，并筛选出可能包含各个数字的轮廓，分割各轮廓的外接矩形区域，保存为待识别的图像。
步骤5，识别号码
对分割处理后包含号码数字的图像进行特征提取，用步骤1训练好的非线性分类器模型对数字0-9分别进行分类推理，输出每个数字的概率，该概率就是图像内数字属于这个数字的置信度；取置信度大于阈值的最大值结果作为推理结果；识别出的所有的数字依照在原始图像中的位置顺序组合成人员号码。
附图说明
图1示出了本发明实施例提供的一种动态识别运动中人员号码的方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了实现运动场景下对运动中人员号码的识别，本实施例公开了一种动态识别运动中人员号码的方法，请参考图1，包括：
步骤S101，训练推理模型
收集样本号码图像数据，样本号码图像包括号码旋转、变形、部分被遮挡等场景数据，对图像进行二值化，标记和分割出图像中的每一个样本数字，并将数字统一缩放为20*20像素大小，之后提取数字的HOG（方向梯度直方图）特征。HOG的窗口大小为20*20，块大小为10*10，块滑动增量为5*5，胞元大小为10*10，梯度方向数为9。
之后使用非线性SVM分类器训练每个数字的特征数据，获得线非性分类器模型。针对号码中包含的每个样本数字进行图像分析时，该SVM分类器模型输出分类类别的概率，该概率就是样本数字属于这个类别的置信度。
步骤S102，采集目标图像
用人体识别模型识别和结构化待分析视频图像中的人体，截取人员上半身图片作为待识别的目标图像。
步骤S103，图像增强预处理
对图像进行增强和灰度化以去除光照影响，并进行二值化处理以去除背景影响，得到二值化图像。
原始图像S是光照图像L和反射率图像R的乘积，图像增强的目的是从原始图像S中估计出光照图像L，从而分解出反射率图像R，消除光照不均、光照反射等影响，改善图像的视觉效果。物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均匀性的影响,并具有一致性，而人眼和摄像头感知物体的亮度取决于环境的照明和物体表面对照射光的反射，其数学表达式为：
Figure 603898DEST_PATH_IMAGE008
。
Figure 880028DEST_PATH_IMAGE010
代表被人眼或摄像头接收到的原始图像信号，
Figure 471546DEST_PATH_IMAGE012
代表环境光的照射分量，
Figure 900253DEST_PATH_IMAGE014
表示携带图像细节信息的目标物体的反射分量。将上式两边取对数，则可抛开入射光的性质得到物体的本来面貌，即有关系式：
Figure 286235DEST_PATH_IMAGE016
。对原始图像
Figure 65973DEST_PATH_IMAGE010
进行高斯模糊计算后得到光照图像
Figure 461182DEST_PATH_IMAGE012
,于是根据上式可以计算得出 ，之后将
Figure 566858DEST_PATH_IMAGE018
量化为0-255范围内的像素值，作为图像增强的输出，即生成图像增强后的灰度图像。
之后使用自适应阈值二值化模型处理图像增强后的灰度图像，得到二值化图像，以去除背景的影响。自适应阈值二值化模型为：计算出一个移动窗口内像素色彩的平均值，如果某个像素明显低于这个平均值，则设为黑色，否则设为白色，窗口的大小由图像的大小决定，设为图像高度的1/7，同时不能小于5*5。
步骤S104，分割号码
找出图像增强预处理完成后的二值化图像内的所有轮廓。运动中人员所穿衣服上的号码必然是宽度高度相似且中心点高度相近的，据此可以筛选出可能包含各个数字的轮廓，分割各轮廓的最小外接矩形区域，并缩放至20*20的像素大小，保存为待识别的图像。
步骤S105，识别号码
对分割处理后包含号码数字的图像进行HOG特征提取，用步骤S101训练好的非线性分类器模型对数字0-9分别进行分类推理，输出每个数字的概率，该概率就是图像内数字属于这个数字的置信度；取置信度大于阈值的最大值结果作为推理结果；识别出的所有的数字依照在原始图像中的位置顺序组合成人员号码。
本实施例不对特征提取模型、非线性分类器、图像增强模型做限定，在未作特别申明的情况下，具体的模型对本实施例的技术方案不构成限制，应当理解为便于本领域技术人员理解技术方案而举的示例。
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种动态识别运动中人员号码的方法，其特征在于：1，训练推理模型；2，采集目标图像；3，图像增强预处理；4，分割号码；5，识别号码。
2.根据权利要求1所述的一种动态识别运动中人员号码的方法，其特征在于：所述训练推理模型，是收集样本号码图像数据，样本号码图像包括号码旋转、变形、部分被遮挡等场景数据，对图像进行二值化，标记和分割出图像中的每一个样本数字，提取数字的特征数据；之后使用分类器训练每个数字的特征数据，获得分类器模型。
3.根据权利要求1所述的一种动态识别运动中人员号码的方法，其特征在于：所述采集目标图像，是识别和结构化待分析视频图像中的人体，截取人员上半身图片作为待识别的目标图像。
4.根据权利要求1所述的一种动态识别运动中人员号码的方法，其特征在于：所述图像增强预处理，是对图像进行增强和灰度化以去除光照影响，并进行二值化处理以去除背景影响，得到二值化图像；
(1)、原始图像S是光照图像L和反射率图像R的乘积，图像增强的目的是从原始图像S中估计出光照图像L，从而分解出反射率图像R，消除光照不均、光照反射等影响，改善图像的视觉效果，其数学表达式为：
Figure 706334DEST_PATH_IMAGE001
，代表被人眼或摄像头接收到的原始图像信号，
Figure 241538DEST_PATH_IMAGE003
代表环境光的照射分量，
Figure 644706DEST_PATH_IMAGE004
表示携带图像细节信息的目标物体的反射分量；将上式两边取对数，即有关系式：；对原始图像进行图像模糊计算后得到光照图像,于是根据上式可以计算得出
Figure 729020DEST_PATH_IMAGE006
，之后将
Figure 149637DEST_PATH_IMAGE006
量化为0-255范围内的像素值，作为图像增强的输出，即生成图像增强后的灰度图像；
(2)、使用二值化模型处理图像增强后的灰度图像，去除背景影响，得到二值化图像；二值化模型为：设置一个阈值，如果某个像素明显低于这个阈值，则设为黑色，否则设为白色。
5.根据权利要求1所述的一种动态识别运动中人员号码的方法，其特征在于：所述分割号码，是找出图像增强预处理完成后的二值化图像内的所有轮廓，并筛选出位置相邻并包含各个数字的轮廓，分割各轮廓的外接矩形区域，保存为待识别的图像。
6.根据权利要求1所述的一种动态识别运动中人员号码的方法，其特征在于：所述识别号码，是对分割处理后包含号码数字的图像进行特征提取，用步骤1训练好的分类器模型对数字0-9分别进行分类推理，输出每个数字的概率，该概率就是图像内数字属于这个数字的置信度；取置信度大于阈值的最大值结果作为推理结果；识别出的所有的数字依照在原始图像中的位置顺序组合成人员号码。
CN201910946544.XA 2019-10-05 2019-10-05 一种动态识别运动中人员号码的方法 Pending CN110807367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910946544.XA CN110807367A (zh) 2019-10-05 2019-10-05 一种动态识别运动中人员号码的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910946544.XA CN110807367A (zh) 2019-10-05 2019-10-05 一种动态识别运动中人员号码的方法

Publications (1)

Publication Number Publication Date
CN110807367A true CN110807367A (zh) 2020-02-18

Family

ID=69488094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910946544.XA Pending CN110807367A (zh) 2019-10-05 2019-10-05 一种动态识别运动中人员号码的方法

Country Status (1)

Country Link
CN (1) CN110807367A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183345A (zh) * 2020-09-28 2021-01-05 天地伟业技术有限公司 一种复杂场景下的号服识别方法
CN112419249A (zh) * 2020-11-12 2021-02-26 厦门市美亚柏科信息股份有限公司 一种特殊服饰图片转化方法、终端设备及存储介质
CN112532927A (zh) * 2020-11-17 2021-03-19 南方电网海南数字电网研究院有限公司 一种施工现场智能安全管控系统
CN112883970A (zh) * 2021-03-02 2021-06-01 湖南金烽信息科技有限公司 一种基于神经网络模型的数字识别方法
CN114897499A (zh) * 2022-04-24 2022-08-12 重庆旅游云信息科技有限公司 一种景区员工工作状态判断的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529520A (zh) * 2016-10-09 2017-03-22 中国传媒大学 基于运动员号码识别的马拉松比赛照片管理方法
CN107705268A (zh) * 2017-10-20 2018-02-16 天津工业大学 一种基于改进的Retinex与Welsh近红外图像增强与彩色化算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529520A (zh) * 2016-10-09 2017-03-22 中国传媒大学 基于运动员号码识别的马拉松比赛照片管理方法
CN107705268A (zh) * 2017-10-20 2018-02-16 天津工业大学 一种基于改进的Retinex与Welsh近红外图像增强与彩色化算法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183345A (zh) * 2020-09-28 2021-01-05 天地伟业技术有限公司 一种复杂场景下的号服识别方法
CN112419249A (zh) * 2020-11-12 2021-02-26 厦门市美亚柏科信息股份有限公司 一种特殊服饰图片转化方法、终端设备及存储介质
CN112419249B (zh) * 2020-11-12 2022-09-06 厦门市美亚柏科信息股份有限公司 一种特殊服饰图片转化方法、终端设备及存储介质
CN112532927A (zh) * 2020-11-17 2021-03-19 南方电网海南数字电网研究院有限公司 一种施工现场智能安全管控系统
CN112883970A (zh) * 2021-03-02 2021-06-01 湖南金烽信息科技有限公司 一种基于神经网络模型的数字识别方法
CN114897499A (zh) * 2022-04-24 2022-08-12 重庆旅游云信息科技有限公司 一种景区员工工作状态判断的方法及装置

Similar Documents

Publication Publication Date Title
CN110807367A (zh) 一种动态识别运动中人员号码的方法
Adeyanju et al. Machine learning methods for sign language recognition: A critical review and analysis
CN107609549B (zh) 一种自然场景下证件图像的文本检测方法
CN106960202B (zh) 一种基于可见光与红外图像融合的笑脸识别方法
Wang et al. Detection and counting of immature green citrus fruit based on the Local Binary Patterns (LBP) feature using illumination-normalized images
CN108765371B (zh) 一种病理切片中非常规细胞的分割方法
CN111104943B (zh) 基于决策级融合的彩色图像感兴趣区域提取方法
CN101142584B (zh) 面部特征检测的方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
Harraj et al. OCR accuracy improvement on document images through a novel pre-processing approach
CN110717896A (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN112329779B (zh) 一种基于mask提高证件识别准确率的方法和相关装置
WO2009078957A1 (en) Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images
CN104794693B (zh) 一种人脸关键区域自动检测蒙版的人像优化方法
CN110059634B (zh) 一种大场景人脸抓拍方法
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN111832464B (zh) 一种基于近红外摄像头的活体检测方法及装置
CN112464885A (zh) 基于机器学习的面部色斑未来变化的图像处理系统
CN110826408A (zh) 一种分区域特征提取人脸识别方法
CN107516083A (zh) 一种面向识别的远距离人脸图像增强方法
CN116758641A (zh) 基于人工智能的体育训练不良姿态实时检测系统
CN115601807A (zh) 一种适用在线考试系统的人脸识别方法及其工作方法
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统
Giap et al. Adaptive multiple layer retinex-enabled color face enhancement for deep learning-based recognition

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