CN111062239A - 人体目标检测方法、装置、计算机设备及存储介质 - Google Patents
人体目标检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111062239A CN111062239A CN201910979218.9A CN201910979218A CN111062239A CN 111062239 A CN111062239 A CN 111062239A CN 201910979218 A CN201910979218 A CN 201910979218A CN 111062239 A CN111062239 A CN 111062239A
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- human
- preset
- targets
- 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
Images
Classifications
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人体目标检测方法、装置、计算机设备及存储介质。所述方法包括:获取待检测的视频帧图像;将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息;根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标;根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息;采用预设的存储格式保存所述有效目标的位置信息。本发明的技术方案在面对存在大量人体目标的复杂图像环境时,能够有效提高人体目标检测的精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种人体目标检测方法、装置、计算机设备及存储介质。
背景技术
人体目标检测一直是机器视觉研究中的重点,在人机交互、智能监控、行为分析、姿态捕捉等方面有着重要的应用价值,吸引着越来越多产业界研究者的目光。
现有的人体目标检测大都通过对目标图像进行特征提取和匹配,识别图像中的人体目标,这种方式对于图像中仅包含单个独立的人体目标的情况往往能够较为准确的进行检测和识别,但各种实际应用中目标图像中的人体目标受到穿着、姿态、视角等影响非常大,同时还会涉及到人数较多、大面积遮挡、人体之间或与其他物体的重叠等复杂图像环境,此时,传统的人体目标检测方式无法保证对多个人体目标检测的准确性,造成人体目标的检测精度下降。
发明内容
本发明实施例提供一种人体目标检测方法、装置、计算机设备及存储介质,以解决现有的人体目标检测在面对目标数量大和复杂图像环境时检测精度不高的问题。
一种人体目标检测方法,包括:
获取待检测的视频帧图像;
将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息,其中,所述关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标;
根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息;
采用预设的存储格式保存所述有效目标的位置信息。
一种人体目标检测装置,包括:
图像获取模块,用于获取待检测的视频帧图像;
姿态评估模块,用于将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息,其中,所述关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
目标筛选模块,用于根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标;
位置确定模块,用于根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息;
信息保存模块,用于采用预设的存储格式保存所述有效目标的位置信息。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述人体目标检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述人体目标检测方法的步骤。
上述人体目标检测方法、装置、计算机设备及存储介质中,在使用多人姿态评估模型对待检测的视频帧图像进行多个人体目标的姿态识别的基础上,根据多人姿态评估模型输出的人体目标中每个关键点的置信度,计算人体目标的综合置信度,并依据综合置信度从输出的多个人体目标中筛选出有效目标,实现对真实人体目标的准确筛选,再根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息,得到真实人体目标的具体位置,从而实现对视频帧图像中的多个真实人体进行准确的检测识别,使得在面对存在大量人体目标的复杂图像环境时,能够有效提高人体目标检测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中人体目标检测方法的一应用环境示意图;
图2是本发明一实施例中人体目标检测方法的一流程图;
图3是本发明一实施例中人体目标检测方法中步骤S1的一流程图;
图4是本发明一实施例中人体目标检测方法中步骤S2的一流程图;
图5是本发明一实施例中人体目标检测方法中步骤S3的一流程图;
图6是本发明一实施例中人体目标检测方法中步骤S4的一流程图;
图7是本发明一实施例中人体目标检测装置的一示意图;
图8是本发明一实施例中计算机设备的一示意图。
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。
本申请提供的人体目标检测方法,可应用在如图1所示的应用环境中,该应用环境包括服务端和客户端,其中,服务端和客户端之间通过网络进行连接,该网络可以是有线网络或者无线网络,客户端具体可以是单目摄像设备,服务端具体均可以用独立的服务器或者多个服务器组成的服务器集群实现。客户端将拍摄到的视频数据发送到服务端,服务端从视频数据中获取待检测的视频帧图像,并完成对视频帧图像中的人体目标检测。
在一实施例中,如图2所示,提供一种人体目标检测方法,以该方法应用在图1中的服务端为例进行说明,具体包括步骤S1至步骤S5,详述如下:
S1:获取待检测的视频帧图像。
具体地,客户端通过单目摄像头将拍摄到的视频数据发送给服务端,服务端从接收到的视频数据中进行视频帧提取,得到待检测的视频帧图像。
S2:将视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到视频帧图像中包含的人体目标和每个人体目标的关键点信息,其中,关键点信息包括N个关键点的坐标信息和置信度,N为正整数。
具体地,预设的多人姿态评估模型可以采用自顶向下或者自底向上的姿态估计方法,自顶向下的姿态评估方法先进行人体检测,得到人体边界框,然后在每个人体边界框中检测人体关键点,连接形成人体姿态,自底向上的姿态评估方法先检测图像中的所有的人体关键点部件,然后将属于不同人体的人体关键点部件进行区分,最后将每个人体的人体关键点连接形成人体姿态。
优选地,多人姿态评估模型具体可以是基于AlphaPose算法的多人姿势估计系统。AlphaPose算法是一个开源算法,包括人体检测框定位和人体关键点拼接两部分,通过人体检测框定位确定视频帧图像中包含的人体目标,通过关键点拼接确定每个人体目标的关键点信息。
其中,每个人体目标的关键点信息包含该人体目标的N个关键点在视频帧图像中的坐标信息,以及每个关键点的置信度。
关键点的数量N可以达到17,包括但不限于鼻子、左右眼睛、左右耳朵、嘴、左右肩部、左右手肘、左右手腕、左右臀部、左右膝盖、左右脚腕等。
关键点的置信度用于标识该关键点的可信任程度,其具体可以是该关键点属于其对应的真实人体部位的概率。
S3:根据每个人体目标对应的N个关键点的置信度,计算每个人体目标的综合置信度,并根据综合置信度从人体目标中筛选出有效目标。
具体地,针对每个人体目标,根据步骤S2得到的N个关键点的置信度,计算该人体目标的综合置信度,其计算方式具体可以是计算N个关键点的置信度的平均值或加权平均值。
综合置信度用于标识由N个关键点组成的人体目标的可信任程度。当关键点的置信度为该关键点属于其对应的真实人体部位的概率时,综合置信度即为人体目标属于真实人体的概率。
服务端根据计算得到的每个人体目标的综合置信度,筛选出综合置信度满足预设的置信度条件的人体目标,作为有效目标,其他综合置信度不满足预设的置信度条件的人体目标则被认定为不属于真实人体的无效目标。
S4:根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息。
具体地,服务端根据步骤S3得到的有效目标对应的N个关键点的坐标信息,使用OpenCV提供的视觉处理函数,得到有效目标的人体轮廓,并根据该人体轮廓在视频帧图像中的相对位置确定有效目标在该视频帧图像中的位置信息。
有效目标的位置信息具体可以是人体轮廓上每个像素点的位置坐标的集合,还可以是包含该人体轮廓的最小外接矩形的顶点位置坐标的集合。
S5:采用预设的存储格式保存有效目标的位置信息。
具体地,预设的存储格式可以是JS对象简谱(JavaScript Object Notation,JSON)格式,JSION格式是一种轻量级的数据交换格式,采用键值对的方式保存数据。
服务端将有效目标的位置信息转换为JSION格式的键值对数据进行保存。若有效目标的位置信息为人体轮廓上每个像素点的位置坐标的集合,则服务端将每个像素点的标识作为键名,将该像素点的位置坐标作为键值,组成键值对,若像素点的总数为K个,则得到K个键值对,服务端将该K个键值作为有效目标的位置信息保存在预设的数据库中。
若有效目标的位置信息为人体轮廓的最小外接矩形的顶点位置坐标的集合,则服务端将最小外接矩形的四个顶点的标识作为键名,将每个顶点的位置坐标作为键值,组成键值对,得到四个键值对,服务端将该四个键值作为有效目标的位置信息保存在预设的数据库中。
本实施例中,在使用多人姿态评估模型对待检测的视频帧图像进行多个人体目标的姿态识别的基础上,根据多人姿态评估模型输出的人体目标中每个关键点的置信度,计算人体目标的综合置信度,并依据综合置信度从输出的多个人体目标中筛选出有效目标,实现对真实人体目标的准确筛选,再根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息,得到真实人体目标的具体位置,从而实现对视频帧图像中的多个真实人体进行准确的检测识别,使得在面对存在大量人体目标的复杂图像环境时,能够有效提高人体目标检测的精度。
在一实施例中,如图3所示,在步骤S1中,获取待检测的视频帧图像,具体包括步骤S11至步骤S12,详述如下:
S11:获取预设时间段内的视频数据,并按照预设的提取方式对视频数据进行关键帧提取。
具体地,服务端接收客户端发送的实时视频数据,从实时视频数据中按照录制时间点提取预设时间段内的视频数据,并从该视频数据中提取关键帧。
其中,预设的提取方式可以根据实际应用的需要进行设置,此处不做限制,例如,预设的提取方式可以是每间隔预设帧数提取一帧关键帧,也可以根据视频录制帧率从每秒的视频数据中提取一定数量的关键帧。
为了降低服务端的处理负荷,服务端可以根据客户端的视频录制帧率和单帧分辨率确定每秒视频数据中的关键帧提取数量,并根据关键帧提取数量从每秒视频数据包含的连续视频帧中等间隔的提取一帧视频帧作为关键帧。例如,若单帧分辨率为960×576,视频录制帧率为60FPS(Frames Per Second,每秒传输帧数),则服务端可以从每秒的60帧连续视频帧中每4帧提取一帧关键帧。
S12:将提取到的关键帧与预设的均值图进行相同位置像素点的像素值差运算,得到待检测的视频帧图像。
具体地,预设的均值图为预先根据历史视频数据,计算每帧图像中每个相同位置的像素点的三通道像素的平均值,将三通道像素的平均值作为均值图中相同位置的像素点的像素值。
服务端计算关键帧中每个像素点的像素值与均值图中相同位置的像素点的像素值之间的差值,并将该差值作为视频帧图像中该相同位置的像素点的像素值,得到待检测的视频帧图像。
本实施例中,通过预设的提取方式从视频数据中提取关键帧,能够降低服务端的数据处理负荷,将提取到的关键帧与预设的均值图进行相同位置像素点的像素值差运算,得到待检测的视频帧图像,由于预设的均值图每个像素点的像素值是根据历史视频数据的每帧图像中每个相同位置的像素点的三通道像素的平均值,通过像素值差运算,体现每个视频帧图像与均值图之间的图像差异,再使用该视频帧图像进行人体姿态检测,能够降低运算量,提高运算速度和精度。
在一实施例中,如图4所示,在步骤S2中,将视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到视频帧图像中包含的人体目标和每个人体目标的关键点信息,具体包括步骤S21至步骤S23,详述如下:
S21:使用预设的以深度残缺网络作为骨干网络的单点多盒检测SSD网络,对视频帧图像进行人体对象识别,得到人体候选框。
具体地,深度残缺网络可以是50层的resnet网络,ResNet-50是进行大规模分布式深度学习的卷积神经网络,单点多盒检测SSD(Single Shot MultiBox Detector)网络通过均匀地在视频帧图像的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,然后利用卷积神经网络提取特征后直接进行分类与回归。
以ResNet-50作为骨干网络的SSD网络,丢弃resnet-50最终用于预测的fc层和loss层,将该骨干网络产生的mbox_loc层、mbox_conf层和mbox_priorbox拼接起来作为单独一层接入SSD网络。将视频帧图像输入该SSD网络进行人体对象识别,预测出包含人体图像的人体候选框。使用以ResNet-50作为骨干网络的SSD网络进行人体对象识别,虽然ResNet-50深度残缺网络在速度上会存在一定的牺牲,但能更加准确的进行图像特征识别,提高人体对象识别的准确度。
S22:按照预设的延伸比例,对人体候选框的高度和宽度进行延伸处理,并将延伸处理后的人体候选框输入预设的区域多人姿态估计RMPE框架,得到人体候选框对应的人体姿态信息。
具体地,预设的延伸比例可以是30%,即以人体候选框的中心点基准,将人体候选框的高度和宽度均延伸30%,并将延伸处理后的人体候选框输入区域多人姿态估计RMPE(Regional Multi-Person Pose Estimation)框架,对该人体候选框中的人体图像进行人体姿态识别,得到视频帧图像中每个人体候选框对应的人体姿态信息。
RMPE框架包括三个部分,分别为对称空间变换网络(Symmetric SpatialTransformer Network,SSTN)分支、并行单人姿态评估(Parallel Single-Person PoseEstimation,Parallel SPPE)分支和参数化姿态非极大值抑制(parametric pose Non-Maximum-Suppression,PP-NMS)分支,其中,SSTN分支包括空间变换网络(SpatialTransformer Network,STN)、空间反变换网络(Spatial De-Transformer Network,SDTN)和单人姿态评估(Single-Person Pose Estimation,SPPE)。STN接收延伸处理后的人体候选框,SPPE对人体候选框进行单人姿态估计,STDN产生人体姿态建议。
服务端将延伸处理后的人体候选框并行输入到RMPE框架的SSTN分支和ParallelSPPE分支,SSTN分支得到人体姿态建议,Parallel SPPE分支充当额外的正则化矫正器,得到候选人体姿态,然后,使用PP-NMS分支消除检测到的冗余姿态,得到最终的人体姿态信息。
其中,人体姿态信息包含了N个人体关键点的坐标信息和置信度。
S23:根据人体姿态信息从人体候选框中筛选出人体目标和每个人体目标的关键点信息。
具体地,服务端对步骤S22得到的人体姿态信息中N个人体关键点的置信度进行分析,若超过预设数量的人体关键点的置信度大于预设的关键点置信度阈值,则服务端将该人体姿态信息对应的人体候选框确定为人体目标,并将该人体候选框对应的人体姿态信息确定为该人体目标的关键点信息。
本实施例中,使用预设的以ResNet-50作为骨干网络的SSD网络,对视频帧图像进行人体对象识别,得到人体候选框,并按照预设的延伸比例,对人体候选框的高度和宽度进行延伸处理后,输入预设的RMPE框架进行人体姿态检测,得到人体候选框对应的人体姿态信息,最后根据人体姿态信息从人体候选框中筛选出人体目标和每个人体目标的关键点信息,实现了以ResNet-50作为骨干网络的SSD网络和RMPE框架的结合,使用ResNet-50作为骨干网络的SSD网络识别人体候选框,将resnet-50用于预测的fc层和loss层丢弃,将resnet-50产生的mbox_loc层、mbox_conf层和mbox_priorbox拼接起来作为单独一层接入SSD网络,虽然牺牲了一些人体候选框的识别速度,但是能够提高人体候选框的识别准确度,再使用RMPE框架得到人体姿态信息,完成在复杂图像环境中对多个人体目标的人体姿态检测,从而准确地获取人体目标的关键点信息。
在一实施例中,如图5所示,在步骤S3中,根据每个人体目标对应的N个关键点的置信度,计算每个人体目标的综合置信度,并根据综合置信度从人体目标中筛选出有效目标,具体包括步骤S31至步骤S32,详述如下:
S31:按照每个关键点对应的预设权重,对每个人体目标对应的N个关键点的置信度进行加权求和计算,得到每个人体目标的综合置信度。
具体地,服务端根据每个关键点所处的人体实际部位,为每个关键点分配预设权重,不同关键点的预设权重可以相同也可以不相同,N个关键点的预设权重之和为1。
服务端针对每个人体目标,根据每个关键点对应的预设权重,对N个关键点的置信度进行加权求和计算,得到每个人体目标的综合置信度。
S32:若综合置信度大于预设的置信度阈值,则将综合置信度对应的人体目标确定为有效目标。
具体地,若步骤S31得到的综合置信度大于预设的置信度阈值,则确认该置信度对应的人体目标为真实有效的人体目标,服务端将该人体目标确定为有效目标。
若步骤S31得到的综合置信度小于或等于预设的置信度阈值,则服务端确定该置信度对应的人体目标为误识别的无效人体目标,直接丢弃。
本实施例中,通过对N个关键点的置信度进行加权求和,得到人体目标的综合置信度,该综合置信度能够准确标识该人体目标属于真实有效的人体目标的概率,当综合置信度大于预设的置信度阈值时,将综合置信度对应的人体目标确定为有效目标,实现了对人体目标的准确识别。
在一实施例中,如图6所示,在步骤S4中,根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息,具体包括步骤S41至步骤S43,详述如下:
S41:根据有效目标包含的关键点的坐标信息,连接每个关键点,得到人体姿态图。
具体地,服务端筛选出有效目标后,针对每个有效目标,根据其包含的N个关键点的坐标信息获取每个关键点,并按照每个关键点对应的真实人体部位连接关键点,得到人体姿态图,该人体姿态图中包含体现人体姿态的每个像素点的像素值。
S42:将人体姿态图输入预设的轮廓提取函数,对有效目标进行轮廓提取,得到有效目标的轮廓数据。
具体地,预设的轮廓提取函数可以是OpenCV中的findContours函数,服务端将人体姿态图输入findContours函数进行处理,findContours函数输出若干个轮廓的轮廓数据,服务端选取面积最大的轮廓的轮廓数据作为有效目标的轮廓数据。
S43:使用预设的轮廓最小外接矩形函数,确定轮廓数据对应的最小外接矩形框的顶点坐标,并将顶点坐标作为有效目标的位置信息。
具体地,预设的轮廓最小外接矩形函数可以是OpenCV中的minAreaRect函数,服务端将有效目标的轮廓数据输入minAreaRect函数进行处理,minAreaRect函数输出包含该有效目标的最小外接矩形的中心点、大小、角度和矩形四个顶点的坐标,服务端将minAreaRect函数输出的矩形四个顶点的坐标作为有效目标的位置信息。
本实施例中,根据有效目标包含的关键点的坐标信息,连接每个关键点,得到人体姿态图后,使用OpenCV中的findContours函数对人体姿态图中的有效目标进行轮廓提取,并使用OpenCV中的minAreaRect函数对提取到的轮廓数据进行最小外接矩形框的识别和顶点坐标获取,得到有效目标的位置信息,实现了在利用多人姿态评估模型对目标图像中的多个人体目标进行姿态识别,得到真实准确的有效目标的基础上,利用OpenCV的视觉处理函数准确快速地获取人体目标的轮廓和位置坐标,从而进一步提高人体目标的检测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种人体目标检测装置,该人体目标检测装置与上述实施例中人体目标检测方法一一对应。如图7所示,该人体目标检测装置包括:图像获取模块10、姿态评估模块20、目标筛选模块30、位置确定模块40和信息保存模块50。各功能模块详细说明如下:
图像获取模块10,用于获取待检测的视频帧图像;
姿态评估模块20,用于将视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到视频帧图像中包含的人体目标和每个人体目标的关键点信息,其中,关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
目标筛选模块30,用于根据每个人体目标对应的N个关键点的置信度,计算每个人体目标的综合置信度,并根据综合置信度从人体目标中筛选出有效目标;
位置确定模块40,用于根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息;
信息保存模块50,用于采用预设的存储格式保存有效目标的位置信息。
进一步地,图像获取模块10包括:
提取子模块101,用于获取预设时间段内的视频数据,并按照预设的提取方式对视频数据进行关键帧提取;
运算子模块102,用于将提取到的关键帧与预设的均值图进行相同位置像素点的像素值差运算,得到待检测的视频帧图像。
进一步地,姿态评估模块20包括:
对象识别子模块201,用于使用以深度残缺网络作为骨干网络的单点多盒检测SSD网络,对视频帧图像进行人体对象识别,得到人体候选框;
姿态获取子模块202,用于按照预设的延伸比例,对人体候选框的高度和宽度进行延伸处理,并将延伸处理后的人体候选框输入预设的区域多人姿态估计RMPE框架,得到人体候选框对应的人体姿态信息;
筛选子模块203,用于根据人体姿态信息从人体候选框中筛选出人体目标和每个人体目标的所述关键点信息。
进一步地,目标筛选模块30包括:
加权计算子模块301,用于按照每个关键点对应的预设权重,对每个人体目标对应的N个关键点的置信度进行加权求和计算,得到每个人体目标的综合置信度;
阈值比较子模块302,用于若综合置信度大于预设的置信度阈值,则将综合置信度对应的人体目标确定为有效目标。
进一步地,位置确定模块40包括:
姿态图生成子模块401,用于根据有效目标包含的关键点的坐标信息,连接每个关键点,得到人体姿态图;
轮廓提取子模块402,用于将人体姿态图输入预设的轮廓提取函数,对有效目标进行轮廓提取,得到有效目标的轮廓数据;
位置获取子模块403,用于使用预设的轮廓最小外接矩形函数,确定轮廓数据对应的最小外接矩形框的顶点坐标,并将顶点坐标作为有效目标的位置信息。
关于人体目标检测装置的具体限定可以参见上文中对于人体目标检测方法的限定,在此不再赘述。上述人体目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人体目标检测方法。
在一实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中人体目标检测方法的步骤,例如处理器执行计算机程序时实现如下步骤:
获取待检测的视频帧图像;
将视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到视频帧图像中包含的人体目标和每个人体目标的关键点信息,其中,关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
根据每个人体目标对应的N个关键点的置信度,计算每个人体目标的综合置信度,并根据综合置信度从人体目标中筛选出有效目标;
根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息;
采用预设的存储格式保存有效目标的位置信息。
或者,处理器执行计算机程序时实现上述实施例中人体目标检测装置的各模块/单元的功能,例如图7所示模块10至模块50的功能,为避免重复,此处不再赘述。
在一实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中人体目标检测方法,例如计算机程序被处理器执行时实现如下步骤:
获取待检测的视频帧图像;
将视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到视频帧图像中包含的人体目标和每个人体目标的关键点信息,其中,关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
根据每个人体目标对应的N个关键点的置信度,计算每个人体目标的综合置信度,并根据综合置信度从人体目标中筛选出有效目标;
根据有效目标包含的关键点的坐标信息,确定有效目标的位置信息;
采用预设的存储格式保存有效目标的位置信息。
或者,该计算机程序被处理器执行时实现上述装置实施例中人体目标检测装置中各模块/单元的功能,为避免重复,此处不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人体目标检测方法,其特征在于,所述人体目标检测方法包括:
获取待检测的视频帧图像;
将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息,其中,所述关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标;
根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息;
采用预设的存储格式保存所述有效目标的位置信息。
2.如权利要求1所述的人体目标检测方法,其特征在于,所述获取待检测的视频帧图像包括:
获取预设时间段内的视频数据,并按照预设的提取方式对所述视频数据进行关键帧提取;
将提取到的所述关键帧与预设的均值图进行相同位置像素点的像素值差运算,得到所述待检测的视频帧图像。
3.如权利要求1所述的人体目标检测方法,其特征在于,所述将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息包括:
使用以深度残缺网络作为骨干网络的单点多盒检测SSD网络,对所述视频帧图像进行人体对象识别,得到人体候选框;
按照预设的延伸比例,对所述人体候选框的高度和宽度进行延伸处理,并将延伸处理后的所述人体候选框输入预设的区域多人姿态估计RMPE框架,得到所述人体候选框对应的人体姿态信息;
根据所述人体姿态信息从所述人体候选框中筛选出所述人体目标和每个所述人体目标的所述关键点信息。
4.如权利要求1所述的人体目标检测方法,其特征在于,所述根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标包括:
按照每个所述关键点对应的预设权重,对每个所述人体目标对应的N个所述关键点的所述置信度进行加权求和计算,得到每个所述人体目标的所述综合置信度;
若所述综合置信度大于预设的置信度阈值,则将所述综合置信度对应的所述人体目标确定为所述有效目标。
5.如权利要求1所述的人体目标检测方法,其特征在于,所述根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息包括:
根据所述有效目标包含的所述关键点的坐标信息,连接每个所述关键点,得到人体姿态图;
将所述人体姿态图输入预设的轮廓提取函数,对所述有效目标进行轮廓提取,得到所述有效目标的轮廓数据;
使用预设的轮廓最小外接矩形函数,确定所述轮廓数据对应的最小外接矩形框的顶点坐标,并将所述顶点坐标作为所述有效目标的所述位置信息。
6.一种人体目标检测装置,其特征在于,所述人体目标检测装置包括:
图像获取模块,用于获取待检测的视频帧图像;
姿态评估模块,用于将所述视频帧图像输入预设的多人姿态评估模型进行人体姿态检测,得到所述视频帧图像中包含的人体目标和每个所述人体目标的关键点信息,其中,所述关键点信息包括N个关键点的坐标信息和置信度,N为正整数;
目标筛选模块,用于根据每个所述人体目标对应的N个所述关键点的所述置信度,计算每个所述人体目标的综合置信度,并根据所述综合置信度从所述人体目标中筛选出有效目标;
位置确定模块,用于根据所述有效目标包含的所述关键点的坐标信息,确定所述有效目标的位置信息;
信息保存模块,用于采用预设的存储格式保存所述有效目标的位置信息。
7.如权利要求6所述的人体目标检测装置,其特征在于,所述图像获取模块包括:
提取子模块,用于获取预设时间段内的视频数据,并按照预设的提取方式对所述视频数据进行关键帧提取;
运算子模块,用于将提取到的所述关键帧与预设的均值图进行相同位置像素点的像素值差运算,得到所述待检测的视频帧图像。
8.如权利要求6所述的人体目标检测装置,其特征在于,所述姿态评估模块包括:
对象识别子模块,用于使用以深度残缺网络作为骨干网络的单点多盒检测SSD网络,对所述视频帧图像进行人体对象识别,得到人体候选框;
姿态获取子模块,用于按照预设的延伸比例,对所述人体候选框的高度和宽度进行延伸处理,并将延伸处理后的所述人体候选框输入预设的区域多人姿态估计RMPE框架,得到所述人体候选框对应的人体姿态信息;
筛选子模块,用于根据所述人体姿态信息从所述人体候选框中筛选出所述人体目标和每个所述人体目标的所述关键点信息。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的人体目标检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的人体目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979218.9A CN111062239A (zh) | 2019-10-15 | 2019-10-15 | 人体目标检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979218.9A CN111062239A (zh) | 2019-10-15 | 2019-10-15 | 人体目标检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062239A true CN111062239A (zh) | 2020-04-24 |
Family
ID=70297533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910979218.9A Pending CN111062239A (zh) | 2019-10-15 | 2019-10-15 | 人体目标检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062239A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563480A (zh) * | 2020-06-01 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 冲突行为检测方法、装置、计算机设备和存储介质 |
CN111695485A (zh) * | 2020-06-08 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种基于yolo和sppe的酒店发小卡片检测方法 |
CN111783724A (zh) * | 2020-07-14 | 2020-10-16 | 上海依图网络科技有限公司 | 一种目标对象识别方法和装置 |
CN111814749A (zh) * | 2020-08-12 | 2020-10-23 | Oppo广东移动通信有限公司 | 人体特征点的筛选方法、装置、电子设备以及存储介质 |
CN111914704A (zh) * | 2020-07-20 | 2020-11-10 | 北京格灵深瞳信息技术有限公司 | 一种三轮车载人的识别方法、装置、电子设备及存储介质 |
CN111985331A (zh) * | 2020-07-20 | 2020-11-24 | 中电天奥有限公司 | 预防商业秘密被窃照的检测方法及装置 |
CN112149762A (zh) * | 2020-11-24 | 2020-12-29 | 北京沃东天骏信息技术有限公司 | 目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
CN112200076A (zh) * | 2020-10-10 | 2021-01-08 | 福州大学 | 基于头部躯干特征进行多目标跟踪的方法 |
CN112417977A (zh) * | 2020-10-26 | 2021-02-26 | 青岛聚好联科技有限公司 | 一种目标对象查找方法和终端 |
CN112434671A (zh) * | 2020-12-18 | 2021-03-02 | 深研人工智能技术(深圳)有限公司 | 一种行人快照优选方法、装置、计算机设备及存储介质 |
CN112528850A (zh) * | 2020-12-11 | 2021-03-19 | 北京百度网讯科技有限公司 | 人体识别方法、装置、设备和存储介质 |
CN112560796A (zh) * | 2020-12-29 | 2021-03-26 | 平安银行股份有限公司 | 人体姿态实时检测方法、装置、计算机设备及存储介质 |
CN112613382A (zh) * | 2020-12-17 | 2021-04-06 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN112784760A (zh) * | 2021-01-25 | 2021-05-11 | 北京百度网讯科技有限公司 | 人体行为识别方法、装置、设备以及存储介质 |
CN113516092A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质及电子装置 |
WO2021217927A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 基于视频的运动评估方法、装置、计算机设备及存储介质 |
CN113743234A (zh) * | 2021-08-11 | 2021-12-03 | 浙江大华技术股份有限公司 | 目标动作确定方法、目标动作计数方法和电子装置 |
CN113780176A (zh) * | 2021-09-10 | 2021-12-10 | 平安科技(深圳)有限公司 | 局部遮挡对象识别方法、装置、设备及存储介质 |
CN113821148A (zh) * | 2020-06-19 | 2021-12-21 | 阿里巴巴集团控股有限公司 | 视频生成方法、装置、电子设备及计算机存储介质 |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN116189336A (zh) * | 2023-02-24 | 2023-05-30 | 广州奔智电子科技有限公司 | 一种智能门锁安防系统 |
CN117076941A (zh) * | 2023-07-13 | 2023-11-17 | 国网山东省电力公司泰安供电公司 | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070268295A1 (en) * | 2006-05-19 | 2007-11-22 | Kabushiki Kaisha Toshiba | Posture estimation apparatus and method of posture estimation |
CN105469113A (zh) * | 2015-11-19 | 2016-04-06 | 广州新节奏智能科技有限公司 | 一种二维视频流中的人体骨骼点追踪方法及系统 |
CN106295567A (zh) * | 2016-08-10 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN108229308A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标对象识别方法、装置、存储介质和电子设备 |
CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
CN108986169A (zh) * | 2018-07-06 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN110047095A (zh) * | 2019-03-06 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于目标检测的跟踪方法、装置及终端设备 |
-
2019
- 2019-10-15 CN CN201910979218.9A patent/CN111062239A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070268295A1 (en) * | 2006-05-19 | 2007-11-22 | Kabushiki Kaisha Toshiba | Posture estimation apparatus and method of posture estimation |
CN105469113A (zh) * | 2015-11-19 | 2016-04-06 | 广州新节奏智能科技有限公司 | 一种二维视频流中的人体骨骼点追踪方法及系统 |
CN106295567A (zh) * | 2016-08-10 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN108229308A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标对象识别方法、装置、存储介质和电子设备 |
CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
CN108986169A (zh) * | 2018-07-06 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN110047095A (zh) * | 2019-03-06 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于目标检测的跟踪方法、装置及终端设备 |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217927A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 基于视频的运动评估方法、装置、计算机设备及存储介质 |
CN111563480A (zh) * | 2020-06-01 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 冲突行为检测方法、装置、计算机设备和存储介质 |
CN111563480B (zh) * | 2020-06-01 | 2024-01-12 | 北京嘀嘀无限科技发展有限公司 | 冲突行为检测方法、装置、计算机设备和存储介质 |
CN111695485A (zh) * | 2020-06-08 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种基于yolo和sppe的酒店发小卡片检测方法 |
CN113821148A (zh) * | 2020-06-19 | 2021-12-21 | 阿里巴巴集团控股有限公司 | 视频生成方法、装置、电子设备及计算机存储介质 |
CN111783724B (zh) * | 2020-07-14 | 2024-03-26 | 上海依图网络科技有限公司 | 一种目标对象识别方法和装置 |
CN111783724A (zh) * | 2020-07-14 | 2020-10-16 | 上海依图网络科技有限公司 | 一种目标对象识别方法和装置 |
CN111985331A (zh) * | 2020-07-20 | 2020-11-24 | 中电天奥有限公司 | 预防商业秘密被窃照的检测方法及装置 |
CN111914704A (zh) * | 2020-07-20 | 2020-11-10 | 北京格灵深瞳信息技术有限公司 | 一种三轮车载人的识别方法、装置、电子设备及存储介质 |
CN111985331B (zh) * | 2020-07-20 | 2024-05-10 | 中电天奥有限公司 | 预防商业秘密被窃照的检测方法及装置 |
CN111914704B (zh) * | 2020-07-20 | 2024-03-19 | 北京格灵深瞳信息技术有限公司 | 一种三轮车载人的识别方法、装置、电子设备及存储介质 |
WO2022033264A1 (zh) * | 2020-08-12 | 2022-02-17 | Oppo广东移动通信有限公司 | 人体特征点的筛选方法、装置、电子设备以及存储介质 |
CN111814749A (zh) * | 2020-08-12 | 2020-10-23 | Oppo广东移动通信有限公司 | 人体特征点的筛选方法、装置、电子设备以及存储介质 |
CN112200076A (zh) * | 2020-10-10 | 2021-01-08 | 福州大学 | 基于头部躯干特征进行多目标跟踪的方法 |
CN112200076B (zh) * | 2020-10-10 | 2023-02-21 | 福州大学 | 基于头部躯干特征进行多目标跟踪的方法 |
CN112417977A (zh) * | 2020-10-26 | 2021-02-26 | 青岛聚好联科技有限公司 | 一种目标对象查找方法和终端 |
CN112417977B (zh) * | 2020-10-26 | 2023-01-17 | 青岛聚好联科技有限公司 | 一种目标对象查找方法和终端 |
CN112149762A (zh) * | 2020-11-24 | 2020-12-29 | 北京沃东天骏信息技术有限公司 | 目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
CN112528850B (zh) * | 2020-12-11 | 2024-06-04 | 北京百度网讯科技有限公司 | 人体识别方法、装置、设备和存储介质 |
CN112528850A (zh) * | 2020-12-11 | 2021-03-19 | 北京百度网讯科技有限公司 | 人体识别方法、装置、设备和存储介质 |
US11854237B2 (en) | 2020-12-11 | 2023-12-26 | Beijing Baidu Netcom Science and Technology Co., Ltd | Human body identification method, electronic device and storage medium |
CN112613382A (zh) * | 2020-12-17 | 2021-04-06 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN112613382B (zh) * | 2020-12-17 | 2024-04-30 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN112434671B (zh) * | 2020-12-18 | 2021-08-06 | 深研人工智能技术(深圳)有限公司 | 一种行人快照优选方法、装置、计算机设备及存储介质 |
CN112434671A (zh) * | 2020-12-18 | 2021-03-02 | 深研人工智能技术(深圳)有限公司 | 一种行人快照优选方法、装置、计算机设备及存储介质 |
CN112560796A (zh) * | 2020-12-29 | 2021-03-26 | 平安银行股份有限公司 | 人体姿态实时检测方法、装置、计算机设备及存储介质 |
CN112560796B (zh) * | 2020-12-29 | 2024-03-19 | 平安银行股份有限公司 | 人体姿态实时检测方法、装置、计算机设备及存储介质 |
CN112784760A (zh) * | 2021-01-25 | 2021-05-11 | 北京百度网讯科技有限公司 | 人体行为识别方法、装置、设备以及存储介质 |
CN112784760B (zh) * | 2021-01-25 | 2024-04-12 | 北京百度网讯科技有限公司 | 人体行为识别方法、装置、设备以及存储介质 |
CN113516092A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质及电子装置 |
CN113743234A (zh) * | 2021-08-11 | 2021-12-03 | 浙江大华技术股份有限公司 | 目标动作确定方法、目标动作计数方法和电子装置 |
CN113780176A (zh) * | 2021-09-10 | 2021-12-10 | 平安科技(深圳)有限公司 | 局部遮挡对象识别方法、装置、设备及存储介质 |
CN113780176B (zh) * | 2021-09-10 | 2023-08-25 | 平安科技(深圳)有限公司 | 局部遮挡对象识别方法、装置、设备及存储介质 |
CN114219803B (zh) * | 2022-02-21 | 2022-07-15 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN116189336B (zh) * | 2023-02-24 | 2023-09-08 | 广州奔智电子科技有限公司 | 一种智能门锁安防系统 |
CN116189336A (zh) * | 2023-02-24 | 2023-05-30 | 广州奔智电子科技有限公司 | 一种智能门锁安防系统 |
CN117076941A (zh) * | 2023-07-13 | 2023-11-17 | 国网山东省电力公司泰安供电公司 | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 |
CN117076941B (zh) * | 2023-07-13 | 2024-08-06 | 国网山东省电力公司泰安供电公司 | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062239A (zh) | 人体目标检测方法、装置、计算机设备及存储介质 | |
CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN108399367B (zh) | 手部动作识别方法、装置、计算机设备及可读存储介质 | |
CN110210302B (zh) | 多目标跟踪方法、装置、计算机设备及存储介质 | |
CN110991261A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN111062263B (zh) | 手部姿态估计的方法、设备、计算机设备和存储介质 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
TWI776176B (zh) | 手部作業動作評分裝置、方法及電腦可讀取存儲介質 | |
CN111325144A (zh) | 行为检测方法、装置、计算机设备和计算机可读存储介质 | |
CN113608663B (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN112464829A (zh) | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN112307984A (zh) | 基于神经网络的安全帽检测方法和装置 | |
Chen et al. | YOLOv7-WFD: A Novel Convolutional Neural Network Model for Helmet Detection in High-Risk Workplaces | |
CN114092515A (zh) | 用于障碍遮挡的目标跟踪检测方法、装置、设备及介质 | |
CN111640134B (zh) | 人脸跟踪方法、装置、计算机设备及其存储装置 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
US20210042510A1 (en) | Adaptive hand tracking and gesture recognition using face-shoulder feature coordinate transforms | |
US11610385B2 (en) | Information processing apparatus, control method, and non-transitory storage medium | |
US11527090B2 (en) | Information processing apparatus, control method, and non-transitory storage medium | |
CN114694263B (zh) | 动作识别方法、装置、设备及存储介质 | |
CN115311723A (zh) | 活体检测方法、装置及计算机可读存储介质 | |
Wang et al. | Tongue semantic segmentation based on fully convolutional neural network |
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 |