CN111611912A - 一种基于人体关节点的行人低头异常行为的检测方法 - Google Patents
一种基于人体关节点的行人低头异常行为的检测方法 Download PDFInfo
- Publication number
- CN111611912A CN111611912A CN202010424789.9A CN202010424789A CN111611912A CN 111611912 A CN111611912 A CN 111611912A CN 202010424789 A CN202010424789 A CN 202010424789A CN 111611912 A CN111611912 A CN 111611912A
- Authority
- CN
- China
- Prior art keywords
- human body
- frame
- wrist
- joint points
- pedestrian
- 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.)
- Granted
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 23
- 210000000746 body region Anatomy 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims abstract description 3
- 210000000707 wrist Anatomy 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 208000028752 abnormal posture Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人体关节点的行人低头异常行为的检测方法,包括如下步骤:步骤一,获取视频流中的每帧图像,将视频流展开为图像序列,针对序列中的每一帧,采用人体检测算法检测视频帧中的每个行人,并裁剪人体区域框;步骤二,在生成的人体区域框内,采用人体姿态算法独立估计每个行人的姿态;步骤三,将估计的人体姿态映射回原图,微调人体区域框,直至生成准确的人体关节点的坐标信息;步骤四,重复步骤一、二、三,直至人体区域框位置不再发生变化;步骤五,训练时,采用异常行为拟合算法将准确的具有正常行为的人体关节点信息拟合为异常行为,生成负样本,拟合前的正常行为为正样本,正负样本构成训练集训练行为分类器,生成最优模型;步骤六,测试时,将生成的准确关节点的坐标信息直接送入训练好的行为分类器中,检测并输出结果。本发明解决复杂环境中多个行人的异常行为检测容易出现的准确率低下的问题,实现在复杂场景中高准确率的多人实时检测的效果。
Description
技术领域
本发明涉及交通安全管理技术领域,具体涉及一种基于人体关节点的行人低头异常行为的检测方法。
背景技术
手机的智能化发展让人们投入越来越多的精力,但当行人穿越人行横道或等待红绿灯时,如果低头看手机,容易分散其注意力,降低其对外界危险的反应速度。据世界卫生组织调查,全世界每年有超过27万行人死于路面交通事故,而途中使用手机是交通事故发生的最主要原因。世界各国纷纷采取各项措施整治低头族,却反响平平。因此,自动化检测识别行人的低头异常行为迫在眉睫。
异常行为检测作为人体行为识别中的一个热点问题,目前已被广泛应用于智能交通、家居、安防监控等领域。根据其具体所使用的场景,不同的场景对异常行为有着不同的定义:例如,在密集人群中打架斗殴等被视为异常行为,在智能家居场景中老人、儿童摔倒被视为异常行为等,目前国内外学者针对上述异常行为检测已经有许多深入的研究。而针对行人低头使用手机这类异常行行为检测的方法,仅有北京交通大学提供的一种行人分心行为检测方法(CN108960029A),其主要采用梯度和纹理特征集成方法对行人图像进行检测处理,以获取行人位置区域,然后在该区域内使用选择性搜索方法获取敏感部位图像,并对敏感部位图像进行特征提取,最后得到敏感特征矩阵,以此训练Adaboost分类器,并输出检测结果。上述方法主要是基于行人的表观图像特征,只能处理单人检测问题,当存在遮挡或更加复杂的场景时,易出现检测准确率低下等问题。
发明内容
本发明的目的在于解决复杂环境中多个行人的异常行为检测容易出现的准确率低下的问题,提供一种基于人体关节点的行人低头异常行为的检测方法,实现在复杂场景中高准确率的多人实时检测的效果。
本发明采用的技术方案是:
一种基于人体关节点的行人低头异常行为的检测方法,包括如下步骤:
步骤一,获取视频流中的每帧图像,将视频流展开为图像序列,针对序列中的每一帧,采用人体检测算法检测视频帧中的每个行人,并裁剪人体区域框;
步骤二,在生成的人体区域框内,采用人体姿态算法独立估计每个行人的姿态;
步骤三,将估计的人体姿态映射回原图,微调人体区域框,直至生成准确的人体关节点的坐标信息;
步骤四,重复步骤一、二、三,直至人体区域框位置不再发生变化;
步骤五,训练时,采用异常行为拟合算法将准确的具有正常行为的人体关节点信息拟合为异常行为,生成负样本,拟合前的正常行为为正样本,正负样本构成训练集训练行为分类器,生成最优模型;
步骤六,测试时,将生成的准确关节点的坐标信息直接送入训练好的行为分类器中,检测并输出结果。
优选地,步骤一中人体区域框的裁剪方法为:在采用人体检测算法得到多个检测框中,选择分值最高的检测框作为该行人的区域框,记录并保存区域框的左上、右下两个坐标值,根据该区域框将行人裁剪出来。
优选地,步骤二中人体姿态的获取方法为:通过在每个关键点位置上放置一个高斯响应的方法构造响应图的真值,获取每个人17个关节点置信度最大的响应,该17个关节点从序号1到17分别是鼻子,右眼,左眼,右耳,左耳,右肩,左肩,右肘,左肘,右腕,左腕,右臀,左臀,右膝,左膝,右脚,左脚,并将视频帧名称及17个坐标值保存至相应的文本文件中。
优选地,步骤三中区域框微调的方法为:参考关节点坐标,对先前检测出的区域框微调,使估计的人体姿态位于区域框的中间位置,得到高质量的准确区域框。
优选地,步骤五中负样本的拟合流程为:获取人体一个手臂的关节点信息,包括肩、肘、腕三处关节点,其坐标位置分别记作P1(x1,y1)、P2(x2,y2)、P3(x3,y3);将P2到P1的水平线l的距离记作h12,用l12、l23分别表示上臂、下臂的长度,其中,对应l12计算方式为:对应l23计算方式为:使用手机时,只是将手腕抬高,整条手臂的长度保持不变,因此拟合的过程即寻找抬高后的手腕坐标即P′(x′3,y′3),其中将纵坐标定义如下:而横坐标x′3的计算分为手腕在手肘内侧和手腕在手肘外侧两种情况,两种情况原理相同;具体方式如下:当手腕在手肘内侧时,此时x2>x3;如果在△P2OP′3中,x′3=x2-Δx,其中:如果此时无法构成△P2OP′3,OP3′的长度用OP2近似代替,即则x′3=x2-Δx;当手腕在手肘外侧时,此时x2≤x3;如果在△P2OP′3中,x′3=x2+Δx,其中:如果此时无法构成△P2OP′3,OP′3的长度用OP2近似代替,即则x′3=x2+Δx。
本发明的优点和积极效果是:
(1)本发明提供了一种基于人体关节点的行人低头异常行为的检测方法,根据现有多数行人使用手机姿态规律,在识别人体关节点的基础上,设计了一种将正常行人姿态拟合为手持电子设备的异常姿态,解决了当前使用手机这类数据集缺乏且需要大量人工采集标注问题;
(2)本发明提供了一种基于人体关节点的行人低头异常行为的检测方法,充分利用头部与手臂信息,能够有效地实现复杂环境中多人异常行为检测,可以及时准确的为驾驶员、车载辅助驾驶以及无人驾驶系统提供必要的参考信息。
附图说明
图1为本发明实施例提供的一种算法简要流程图;
图2为本发明实施例提供的一种全身关节点示意图及拟合结果示意图;
图3为本发明实施例提供的一种手臂关节点拟合过程示意图;
图4为本发明实施例提供的一种真实数据集正确识别结果。
附图标记说明:
P1-肩关节点坐标;P2-肘关节点坐标;P3-腕关节点坐标;P′3-抬高后的腕关节坐标;l-过P1点所作的水平线;l'-过P′3点所作的水平线;h12-P2到l的垂直距离;O-l'与OP2两条线的垂直交点;Δx-线段OP′3的长度;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,本发明的实施方式不限于此。
图1中的算法简要流程图包含六个步骤:
步骤一,获取视频流中的每帧图像,采用人体检测模型定位该帧中每个行人的人体区域框,在得到的多个检测框中,选择分值最高的作为该行人的区域框,记录并保存区域框的左上、右下两个坐标值,并根据该区域框将行人裁剪出来,此时得到的区域框可能是不准确的;
步骤二,在检测框的基础上,采用人体姿态网络模型独立估计每个区域框中的人体姿态,通过在每个关键点位置上放置一个高斯响应的方法,来构造响应图的真值,获取每个人17个关节点置信度最大的响应,该17个关节点从序号1到17分别是鼻子,右眼,左眼,右耳,左耳,右肩,左肩,右肘,左肘,右腕,左腕,右臀,左臀,右膝,左膝,右脚,左脚。如图2中(b)所示,并将视频帧名称及17个坐标值保存至相应的文本文件中。
步骤三,将步骤二中估计的每个行人关节点坐标结果映射回原视频帧中,参考关节点坐标对先前检测出的区域框微调,使估计的人体姿态位于检测框的中间位置,以此得到高质量的准确区域框,更新步骤二中的坐标信息;
步骤四,重复步骤一、二、三直至区域框位置不再发生变化。
步骤五,训练时,采用异常行为拟合算法将准确的具有正常行为的人体关节点信息拟合为异常行为,生成负样本,拟合前的正常行为为正样本,正负样本构成训练集训练行为分类器,生成最优模型;
在该步骤中,如图3所示,负样本的拟合流程为:获取左右臂(以左臂为例)关节点信息,包括左肩、左肘、左腕三处关节点,其坐标位置分别记作P1(x1,y1)、P2(x2,y2)、P3(x3,y3)。将P2到线l的距离记作h12,用l12、l23分别表示上臂、下臂的长度,其中,对应l12计算方式为:对应l23计算方式为:使用手机时,只是将手腕抬高,整条手臂的长度保持不变,因此拟合的过程即寻找抬高后的手腕坐标即P′3(x′3,y′3),其中将纵坐标定义如下:而横坐标x′3的计算分为手腕在手肘内侧和手腕在手肘外侧两种情况,两种情况原理相同。具体方式如下:当手腕在手肘内侧时,此时x2>x3。如果在△P2OP′3中,x′3=x2-Δx,其中:如果此时无法构成△P2OP′3,OP′3的长度用OP2近似代替,即则x′3=x2-Δx。当手腕在手肘外侧时,此时x2≤x3;如果在△P2OP′3中,x′3=x2+Δx,其中:如果此时无法构成△P2OP′3,OP′3的长度用OP2近似代替,即则x′3=x2+Δx。
步骤六,测试时,将生成的准确关节点信息直接送入训练好的行为分类器中,检测并输出结果。部分实验结果如图4所示,其中正常行人检测结果为矩形框,异常行人检测结果为椭圆框。
以上所述,仅是本发明的部分实例,并非是对本发明的限制。凡是根据本发明的技术实质对以上实例所做出的变形和改进,都属于本发明的范围。
Claims (5)
1.一种基于人体关节点的行人低头异常行为的检测方法,其特征在于,包括如下步骤:
步骤一,获取视频流中的每帧图像,将所述视频流展开为图像序列,针对所述图像序列中的每一帧,采用人体检测算法检测所述视频帧中的每个行人,并裁剪人体区域框;
步骤二,在生成的所述人体区域框内,采用人体姿态算法独立估计每个行人的姿态;
步骤三,将所述估计的人体姿态映射回原图,微调所述人体区域框,直至生成准确的人体关节点的坐标信息;
步骤四,重复步骤一、二、三,直至所述人体区域框位置不再发生变化;
步骤五,训练时,采用异常行为拟合算法将准确的具有正常行为的所述人体关节点的坐标信息拟合为异常行为,生成负样本,拟合前的正常行为为正样本,所述正负样本构成训练集训练行为分类器,生成最优模型;
步骤六,测试时,将生成的所述准确关节点的坐标信息直接送入训练好的行为分类器中,检测并输出结果。
2.根据权利要求1所述的一种基于人体关节点的行人低头异常行为的检测方法,其特征在于,所述步骤一中所述人体区域框的裁剪方法为:在采用所述人体检测算法得到多个检测框中,选择分值最高的检测框作为该行人的区域框,记录并保存所述区域框的左上、右下两个坐标值,根据所述区域框将行人裁剪出来。
3.根据权利要求1所述的一种基于人体关节点的行人低头异常行为的检测方法,其特征在于,所述步骤二中所述人体姿态的获取方法为:通过在每个关键点位置上放置一个高斯响应的方法构造响应图的真值,获取每个人17个关节点置信度最大的响应,所述17个关节点从序号1到17分别是鼻子,右眼,左眼,右耳,左耳,右肩,左肩,右肘,左肘,右腕,左腕,右臀,左臀,右膝,左膝,右脚,左脚,并将视频帧名称及17个坐标值保存至相应的文本文件中。
4.根据权利要求1所述的一种基于人体关节点的行人低头异常行为的检测方法,其特征在于,所述步骤三中所述区域框微调的方法为:参考所述关节点的坐标信息,对先前检测出的所述区域框微调,使所述估计的人体姿态位于所述区域框的中间位置,得到高质量的准确区域框。
5.根据权利要求1所述的一种基于人体关节点的行人低头异常行为的检测方法,其特征在于,所述步骤五中所述负样本的拟合流程为:获取人体一个手臂的关节点信息,包括肩、肘、腕三处关节点,其坐标位置分别记作P1(x1,y1)、P2(x2,y2)、P3(x3,y3);将所述P2到水平线l的距离记作h12,用l12、l23分别表示上臂、下臂的长度,其中,所述l12计算方式为:所述l23计算方式为:使用手机时,只是将手腕抬高,整条手臂的长度保持不变,因此所述拟合的过程即寻找抬高后的手腕坐标即P′3(x′3,y′3),其中将纵坐标定义如下:而横坐标x′3的计算分为手腕在手肘内侧和手腕在手肘外侧两种情况,两种情况原理相同;具体方式如下:当手腕在手肘内侧时,此时x2>x3;如果在△P2OP′3中,x′3=x2-Δx,其中:如果此时无法构成△P2OP′3,OP′3的长度用OP2近似代替,即则x′3=x2-Δx;当手腕在手肘外侧时,此时x2≤x3;如果在△P2OP′3中,x′3=x2+Δx,其中:如果此时无法构成△P2OP′3,OP′3的长度用OP2近似代替,即则x′3=x2+Δx。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424789.9A CN111611912B (zh) | 2020-05-19 | 2020-05-19 | 一种基于人体关节点的行人低头异常行为的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010424789.9A CN111611912B (zh) | 2020-05-19 | 2020-05-19 | 一种基于人体关节点的行人低头异常行为的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611912A true CN111611912A (zh) | 2020-09-01 |
CN111611912B CN111611912B (zh) | 2024-03-19 |
Family
ID=72200762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010424789.9A Active CN111611912B (zh) | 2020-05-19 | 2020-05-19 | 一种基于人体关节点的行人低头异常行为的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611912B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990060A (zh) * | 2021-03-30 | 2021-06-18 | 北京工业大学 | 一种关节点分类和关节点推理的人体姿态估计分析方法 |
CN113052139A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于深度学习双流网络的攀爬行为检测方法及系统 |
CN114495165A (zh) * | 2022-01-14 | 2022-05-13 | 云从科技集团股份有限公司 | 一种行人手部是否持有物体的识别方法及装置 |
CN112990060B (zh) * | 2021-03-30 | 2024-05-28 | 北京工业大学 | 一种关节点分类和关节点推理的人体姿态估计分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657597A (zh) * | 2018-12-13 | 2019-04-19 | 南京邮电大学 | 面向个体直播场景的异常行为检测方法 |
WO2019118222A1 (en) * | 2017-12-14 | 2019-06-20 | Magic Leap, Inc. | Contextual-based rendering of virtual avatars |
CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
CN110688921A (zh) * | 2019-09-17 | 2020-01-14 | 东南大学 | 一种基于人体动作识别技术的驾驶员抽烟行为检测方法 |
CN110738124A (zh) * | 2019-09-19 | 2020-01-31 | 平安科技(深圳)有限公司 | 基于关节点坐标的人体姿势识别方法及系统 |
CN111046840A (zh) * | 2019-12-26 | 2020-04-21 | 天津理工大学 | 污染修复环境中基于人工智能的人员安全监测方法及系统 |
-
2020
- 2020-05-19 CN CN202010424789.9A patent/CN111611912B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019118222A1 (en) * | 2017-12-14 | 2019-06-20 | Magic Leap, Inc. | Contextual-based rendering of virtual avatars |
CN109657597A (zh) * | 2018-12-13 | 2019-04-19 | 南京邮电大学 | 面向个体直播场景的异常行为检测方法 |
CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
CN110688921A (zh) * | 2019-09-17 | 2020-01-14 | 东南大学 | 一种基于人体动作识别技术的驾驶员抽烟行为检测方法 |
CN110738124A (zh) * | 2019-09-19 | 2020-01-31 | 平安科技(深圳)有限公司 | 基于关节点坐标的人体姿势识别方法及系统 |
CN111046840A (zh) * | 2019-12-26 | 2020-04-21 | 天津理工大学 | 污染修复环境中基于人工智能的人员安全监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
C LIN等: "Arm Poses Modeling for Pedestrians with Motion Prior", 《JOURNAL OF SIGNAL PROCESSING SYSTEMS》, vol. 84, 1 October 2015 (2015-10-01) * |
李彬;谢翟;段渭军;杨荣;: "基于Kinect的课堂教学状态监测系统", 传感器与微系统, no. 01, 20 January 2017 (2017-01-20) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990060A (zh) * | 2021-03-30 | 2021-06-18 | 北京工业大学 | 一种关节点分类和关节点推理的人体姿态估计分析方法 |
CN112990060B (zh) * | 2021-03-30 | 2024-05-28 | 北京工业大学 | 一种关节点分类和关节点推理的人体姿态估计分析方法 |
CN113052139A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于深度学习双流网络的攀爬行为检测方法及系统 |
CN114495165A (zh) * | 2022-01-14 | 2022-05-13 | 云从科技集团股份有限公司 | 一种行人手部是否持有物体的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111611912B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460403A (zh) | 一种图像中多尺度特征融合的目标检测方法与系统 | |
CN104778453B (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN112149761B (zh) | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN111191667B (zh) | 基于多尺度生成对抗网络的人群计数方法 | |
CN108830145A (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
CN105335722A (zh) | 一种基于深度图像信息的检测系统及方法 | |
CN109817013A (zh) | 基于视频流的停车位状态识别方法及装置 | |
JP2016062610A (ja) | 特徴モデル生成方法及び特徴モデル生成装置 | |
CN109711309B (zh) | 一种自动识别人像图片是否闭眼的方法 | |
CN104123543A (zh) | 一种基于人脸识别的眼球运动识别方法 | |
CN105426882B (zh) | 一种人脸图像中快速定位人眼的方法 | |
CN106250825A (zh) | 一种在医保应用中场景自适应的人脸识别系统 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
CN111611912A (zh) | 一种基于人体关节点的行人低头异常行为的检测方法 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN109117717A (zh) | 一种城市行人检测方法 | |
CN110490150A (zh) | 一种基于车辆检索的违章图片自动审核系统及方法 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
TW202020724A (zh) | 影像適應性特徵提取法及其應用 | |
CN103426005B (zh) | 微表情自动识别的建库视频自动切段方法 | |
CN109165636A (zh) | 一种基于部件级多特征融合的珍稀鸟类稀疏识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |