CN111222420A - 一种基于ftp协议的低带宽要求的安全帽识别方法 - Google Patents
一种基于ftp协议的低带宽要求的安全帽识别方法 Download PDFInfo
- Publication number
- CN111222420A CN111222420A CN201911351890.XA CN201911351890A CN111222420A CN 111222420 A CN111222420 A CN 111222420A CN 201911351890 A CN201911351890 A CN 201911351890A CN 111222420 A CN111222420 A CN 111222420A
- Authority
- CN
- China
- Prior art keywords
- head
- safety helmet
- ftp protocol
- helmet
- human body
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于FTP协议的低带宽要求的安全帽识别方法,包括如下步骤:步骤S1:图像获取装置上传图片至服务器;步骤S2:检测人体、人头和安全帽位置,进行第一次计算;步骤S3:所述步骤S2中如果检测到人头,将安全帽和人头分配到具体的人体,如果人体没有分配到安全帽,但分配到了人头,则认为没有戴安全帽,计结果为1;如果既没有分配到安全帽,也没有分配到人头,则忽略;步骤S4:对步骤S3中的结果进行过滤,将过滤结果送入超分辨率模块。本发明通过FTP协议将图片数据传输到云端平台进行识别,对带宽要求低,服务器处理速度更快;对小目标识别时,引入超分辨率模块,得到更加清晰和精细的目标之后再识别,大大提升了准确率。
Description
技术领域
本发明涉及一种图像识别方法,特别涉及一种基于FTP协议的低带宽要求的安全帽识别方法。
背景技术
在建筑工地、矿井等高危现场,工作人员佩戴安全帽是必要的安全措施。目前,大多数生产现场以人工值守和视频监控的方式对工人进行监管,容易出现信息滞后、疏漏等情况,耗费人力物力,却得不到良好的监管效果。而借助于计算机视觉的方法,可以实现及时预警,减轻值守工人的负担,也让问题溯源更容易。
目标检测是计算机视觉中最常见的问题之一,随着深度学习的发展,基于卷积神经网络的模型已经被广泛应用于安防、教育、自动驾驶等领域。
针对安全帽检测的问题,现有方法大多采用区域定位和分类的思路。传统方法有基于HOG特征、Haar-Like特征的Adaboost级联分类器,由于采用了单一特征,对目标的表征能力不足,导致模型环境适应性较差,准确率低。基于深度学习的目标检测方法分为两阶段、单阶段和Anchor-Free,分别以Faster RCNN,SSD/Yolo,CenterNet为代表,在准确率上极大的超越了传统算法,让复杂环境下的目标检测成为现实。
但施工现场通常安装球机以监控更多的区域,工人在整个画面中尺寸较小,导致目前大多数算法难以准确判断工人是否佩戴安全帽。现有技术缺点包括:
1)当目标(头部区域)在画面中尺寸较小,低于50*50像素时,算法准确率急剧下降
2)基于视频的实时智能分析对硬件和带宽要求高
3)现有技术大多采用自上而下的方式来进行识别,算法耗时与人数成正比。
现有的一些技术也存在一些其他的缺陷,如申请号为201910350959.0中国发明专利申请,采用AlphaPose得到人体关键点,但是AlphaPose运算量较大,达不到实时的效果,且AlphaPose是一种自上而下的方法,耗时与人数成正比,同样也存在距离较远精度下降的问题;再比如申请号为201910064486.8的中国发明专利申请,基于机器视觉算法,先检测人体,然后逐个检测人是否戴了安全帽,耗时与人数成正比,当距离稍远时,准确率下降明显。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供一种基于FTP协议的低带宽要求的安全帽识别方法。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明一种基于FTP协议的低带宽要求的安全帽识别方法,包括如下步骤:
步骤S1:图像获取装置上传图片至服务器;
步骤S2:检测人体、人头和安全帽位置,进行第一次计算;
步骤S3:所述步骤S2中如果检测到人头,将安全帽和人头分配到具体的人体,如果人体没有分配到安全帽,但分配到了人头,则认为没有戴安全帽,计结果为1;
如果既没有分配到安全帽,也没有分配到人头,则忽略;这种情况说明人头被遮挡了。
步骤S4:对所述步骤S3中的结果进行过滤,将过滤结果送入超分辨率模块;
步骤S5:对所述步骤S4中进入超分辨率模块的区域进行再次检测。
作为本发明的一种优选技术方案,所述步骤S5之后,还包括,
步骤S6:若所述步骤S5中再次检测未检测到安全帽,则认为没有戴安全帽,否则将该区域从结果1中剔除,得到结果2。
作为本发明的一种优选技术方案,所述步骤S1中,图像获取装置通过FTP协议上传图片至服务器。
作为本发明的一种优选技术方案,所述步骤S2中,第一次计算采用Centernet算法。
作为本发明的一种优选技术方案,所述步骤S3中,采用匈牙利算法将安全帽和人头分配到具体的人体。
作为本发明的一种优选技术方案,所述步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块。
作为本发明的一种优选技术方案,所述步骤S5中,求取人头和人体的并集区域,多个区域组成一张图片,送入超分辨率网络进行细节放大。
本发明所达到的有益效果是:本发明利用摄像头端移动侦测抓拍图片,再通过FTP协议将图片数据传输到云端平台进行识别,同等摄像头数量下,与实时监控相比,对带宽要求低,且省去了多通道视频解码环节,服务器处理速度会更快;同时,对小目标识别时,引入超分辨率模块,得到更加清晰和精细的目标之后再识别,大大提升了准确率。最后,本发明采用自下而上的方式,借助Centernet算法,同时检测人体、人头和安全帽,再通过匈牙利算法,根据算法检测出的人头位置(模型训练了3个类别,人体、人头、安全帽)和安全帽位置的IOU进行匹配,最终确定未佩戴安全帽的人的位置。与自上而下的方式相比,耗时较短,且随人数变化,时间波动不大;而超分辨率技术可以将摄像头捕捉到的模糊影像放大,形成更为精细、清晰的图像,极大提升算法的准确率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明中FSRCNN超分网络的示意图;
图2是本发明中CenterNet网络的示意图;
图3是本发明中超分辨率网络模型的示意图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例
如图1-3所示,本发明提供一种基于FTP协议的低带宽要求的安全帽识别方法,基于CenterNet网络和超分辨率网络,包括如下步骤:
步骤S1:图像获取装置上传图片至服务器;
步骤S2:检测人体、人头和安全帽位置,进行第一次计算;
步骤S3:所述步骤S2中如果检测到人头,将安全帽和人头分配到具体的人体,如果人体没有分配到安全帽,但分配到了人头,则认为没有戴安全帽,计结果为1;
如果既没有分配到安全帽,也没有分配到人头,则忽略,此种情况说明人头被遮挡了;
步骤S4:对所述步骤S3中的结果进行过滤,将过滤结果送入超分辨率模块,求取人头和人体的并集区域,多个区域组成一张图片,送入超分辨率网络进行细节放大。以减少单个区域处理的很耗时;
步骤S5:对步骤S4中进入超分辨率模块的区域进行再次检测。
步骤S5之后,还包括,
步骤S6:若步骤S5中再次检测未检测到安全帽,则认为没有戴安全帽,否则将该区域从结果1中剔除,得到结果2。
步骤S1中,图像获取装置通过FTP协议上传图片至服务器。
步骤S2中,第一次计算采用Centernet算法,在本发明的另一个较佳的实施例中,采用删减后的Centernet算法,在该实施例中,由于检测目标只有三类,因此在原始网络的基础上进行了剪裁,将模型体积从77.16M压缩到了8M。
步骤S3中,采用匈牙利算法将安全帽和人头分配到具体的人体。
步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块,FSRCNN超分网络的输入为低分辨率图像,整个网络包含特征提取、非线性映射、重建三部分,结构如图1所示。
具体的,步骤一、人体、人头、安全帽训练:
1)对施工现场视频进行抽帧得到图片集合,记为P,P的数量记为N;将图像集合P中的安全帽、人头、人体进行人工位置标注,目标位置记为其中分别记为第k张图像中第j个目标的中心坐标,分别记为第k张图像中第j个目标的宽和高,T为第k张图像中目标的数量。将图片集合P按照r1∶r2的比例随机划分为训练集和测试集,分别记为Ωr1和Ωr2。
2)构建和初始化CenterNet网络模型,记为Wc,其中Wc由特征提取网络及中心点预测分支、尺寸预测分支、中心点偏移预测分支构成。特征提取网络记为WFeature,中心点预测分支记为WCenter,中心点偏移预测分支记为WOffset,尺寸预测分支记为WSize。WFeature采用DLA-34全卷积语义分割网络,WOffset,WSize分别由2个卷积层构成,其中第一个卷积层的尺寸为3*3,输出通道数为256,第二个卷积层尺寸为1*1,输出通道数为2。WCenter由2个卷积层和一个尺寸为3*3的max pooling层组成,卷积层参数配置与WOffset相同。
3)将训练集Ωr1和测试集Ωr2转换成coco数据集格式,并按照官方标准训练方法进行训练,得到人体、人头、安全帽检测模型。
网络模型结构示意图如图2所示。
步骤二、FSRCNN超分辨率网络模型训练
1)使用广泛使用的91图像数据集及General-100数据集作为训练集,BSD200作为测试集。
2)构建和初始化FSRCNN模型,记为Wf,其中Wf由7个卷积层及1个转置卷积层构成。按照官方标准训练方法进行训练,得到超分辨率网络模型。
网络模型结构示意图如图3所示。
步骤三、构建未佩戴安全帽检测系统
在具体实施过程中,现场高清摄像头采集图像数据,并通过FTP协议传输至分析服务器。检测过程如下:将图像缩放至512*512尺寸送入检测模型中,经过特征提取网络得到128*128尺寸的热力图,然后将热力图分别送入中心点预测分支、尺寸预测分支和中心点偏移预测分支,据网络预测的中心点,加上回归的中心点偏移量,结合回归的目标边框大小得到最终的检测结果。1)若检测结果中不存在人头,则结束判断。2)若检测结果中存在人头,则根据匈牙利算法把所有安全帽边框、人头边框分别分配到各个人体边框上。根据匹配结果,将人头边框按尺寸进行分类,大于30*30分为类别1,小于等于30*30分为类别2,未匹配到人体的分为类别3。对于类别3,认为此结果是误检测,放弃处理;对于类别1,确认对应的人没有佩戴安全帽,系统产生预警;对于类别2,将里面的人头区域排列在一张图片上,并将该图片送入超分辨率网络,放大三倍,进行细节重建,得到相对高清的图像HR,再将HR送入检测网络,若未检测到安全帽,则认为没有佩戴安全帽,系统产生预警。
本发明利用摄像头端移动侦测抓拍图片,再通过FTP协议将图片数据传输到云端平台进行识别,同等摄像头数量下,与实时监控相比,对带宽要求低,且省去了多通道视频解码环节,服务器处理速度会更快;同时,对小目标识别时,引入超分辨率模块,得到更加清晰和精细的目标之后再识别,大大提升了准确率。最后,本发明采用自下而上的方式,借助Centernet算法,同时检测人体、人头和安全帽,再通过匈牙利算法,根据算法检测出的人头位置(模型训练了3个类别,人体、人头、安全帽)和安全帽位置的IOU进行匹配,最终确定未佩戴安全帽的人的位置。与自上而下的方式相比,耗时较短,且随人数变化,时间波动不大;而超分辨率技术可以将摄像头捕捉到的模糊影像放大,形成更为精细、清晰的图像,极大提升算法的准确率。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,包括如下步骤:
步骤S1:图像获取装置上传图片至服务器;
步骤S2:检测人体、人头位置和安全帽位置,进行第一次计算;
步骤S3:所述步骤S2中如果检测到人头,将安全帽和人头分配到具体的人体,如果人体没有分配到安全帽,但分配到了人头,则认为没有戴安全帽,计结果为1;
如果既没有分配到安全帽,也没有分配到人头,则忽略;
步骤S4:对所述步骤S3中的结果进行过滤,将过滤结果送入超分辨率模块;
步骤S5:对所述步骤S4中进入超分辨率模块的区域进行再次检测。
2.根据权利要求1所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S5之后,还包括,
步骤S6:若所述步骤S5中再次检测未检测到安全帽,则认为没有戴安全帽,否则将该区域从结果1中剔除,得到结果2。
3.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S1中,图像获取装置通过FTP协议上传图片至服务器。
4.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S2中,第一次计算采用Centernet算法。
5.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S3中,采用匈牙利算法将安全帽和人头分配到具体的人体。
6.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块。
7.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法,其特征在于,所述步骤S5中,求取人头和人体的并集区域,多个区域组成一张图片,送入超分辨率网络进行细节放大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351890.XA CN111222420A (zh) | 2019-12-24 | 2019-12-24 | 一种基于ftp协议的低带宽要求的安全帽识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351890.XA CN111222420A (zh) | 2019-12-24 | 2019-12-24 | 一种基于ftp协议的低带宽要求的安全帽识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222420A true CN111222420A (zh) | 2020-06-02 |
Family
ID=70827896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911351890.XA Pending CN111222420A (zh) | 2019-12-24 | 2019-12-24 | 一种基于ftp协议的低带宽要求的安全帽识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222420A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906533A (zh) * | 2021-02-07 | 2021-06-04 | 成都睿码科技有限责任公司 | 一种基于自适应检测区域的安全帽佩戴检测方法 |
CN113052140A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于视频的变电站人员车辆违规检测方法及系统 |
CN113553963A (zh) * | 2021-07-27 | 2021-10-26 | 广联达科技股份有限公司 | 安全帽的检测方法、装置、电子设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
CN106600536A (zh) * | 2016-12-14 | 2017-04-26 | 同观科技(深圳)有限公司 | 一种视频图像超分辨率重建方法及装置 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
US20180189590A1 (en) * | 2015-07-14 | 2018-07-05 | Panasonic Intellectual Property Management Co., Ltd. | Identification medium recognition device and identification medium recognition method |
US20190042860A1 (en) * | 2017-08-04 | 2019-02-07 | Samsung Electronics Co., Ltd. | Method and apparatus of detecting object of interest |
CN110119686A (zh) * | 2019-04-17 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络的安全帽实时检测方法 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
CN110210274A (zh) * | 2018-02-28 | 2019-09-06 | 杭州海康威视数字技术股份有限公司 | 安全帽检测方法、装置及计算机可读存储介质 |
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
-
2019
- 2019-12-24 CN CN201911351890.XA patent/CN111222420A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189590A1 (en) * | 2015-07-14 | 2018-07-05 | Panasonic Intellectual Property Management Co., Ltd. | Identification medium recognition device and identification medium recognition method |
CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
CN106600536A (zh) * | 2016-12-14 | 2017-04-26 | 同观科技(深圳)有限公司 | 一种视频图像超分辨率重建方法及装置 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
US20190042860A1 (en) * | 2017-08-04 | 2019-02-07 | Samsung Electronics Co., Ltd. | Method and apparatus of detecting object of interest |
CN110210274A (zh) * | 2018-02-28 | 2019-09-06 | 杭州海康威视数字技术股份有限公司 | 安全帽检测方法、装置及计算机可读存储介质 |
CN110119686A (zh) * | 2019-04-17 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络的安全帽实时检测方法 |
CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
Non-Patent Citations (3)
Title |
---|
CHAO DONG 等: "Accelerating the Super-Resolution Convolutional Neural Network", 《ARXIV:1608.00367》 * |
朱富云 等: "基于视频监控的变电站内安全帽检测算法研究", 《电网与清洁能源》 * |
黄斯茜: "智能视频分析算法在变电所中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906533A (zh) * | 2021-02-07 | 2021-06-04 | 成都睿码科技有限责任公司 | 一种基于自适应检测区域的安全帽佩戴检测方法 |
CN113052140A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于视频的变电站人员车辆违规检测方法及系统 |
CN113553963A (zh) * | 2021-07-27 | 2021-10-26 | 广联达科技股份有限公司 | 安全帽的检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738127B (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN111191586B (zh) | 一种施工现场人员安全帽佩戴情况巡检方法及系统 | |
CN111222420A (zh) | 一种基于ftp协议的低带宽要求的安全帽识别方法 | |
CN110188724A (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
CN108053427A (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
CN108009473A (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
CN103902970B (zh) | 自动指纹姿态估计方法及系统 | |
CN112149513A (zh) | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 | |
CN104951773A (zh) | 一种实时人脸识别监视系统 | |
CN106951889A (zh) | 井下高危区域动目标监测和管理系统 | |
CN103425967A (zh) | 一种基于行人检测和跟踪的人流监控方法 | |
CN108376246A (zh) | 一种多人脸识别及跟踪系统及方法 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN107241572A (zh) | 学员实训视频追踪评价系统 | |
CN111126219A (zh) | 一种基于人工智能的变电站人员的身份识别系统和方法 | |
CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
CN105844245A (zh) | 一种伪装人脸检测方法及系统 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN113705372A (zh) | 一种应用于配网作业现场违章的ai识别系统 | |
CN104077568A (zh) | 一种高精度的驾驶员行为识别与监控方法及系统 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 |
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: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |