CN111797733A - 一种基于图像的行为识别方法、装置、设备和存储介质 - Google Patents
一种基于图像的行为识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111797733A CN111797733A CN202010575337.0A CN202010575337A CN111797733A CN 111797733 A CN111797733 A CN 111797733A CN 202010575337 A CN202010575337 A CN 202010575337A CN 111797733 A CN111797733 A CN 111797733A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- frame
- deflection angle
- behavior
- 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 52
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 123
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种基于图像的行为识别方法、装置、设备和存储介质，该方法包括：对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；根据所述目标对象的图像特征，确定所述各帧图像的图像质量；筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。整个过程不需要将视频中的各帧图像都用于进行行为识别，只需要将满足预设质量要求的图像进行行为识别即可。故此，实现对需要进行行为识别的图像采用复杂的行为识别方式进行识别，而过滤掉一些无需进行识别的图像从而提高识别的效率。此外，对高质量图像进行行为识别，能够避免低质量图像容易行为识别错误对整个行为识别结果造成不良影响的问题。
Description
技术领域
本发明涉及人工智能领域，特别涉及一种基于图像的行为识别方法、装置、设备和存储介质。
背景技术
随着计算机视觉、人工智能、机器学习等技术的发展，智慧教育的概念应运而生，同时产生了对课堂教学视频中目标行为识别的需求。目前行为分析识别技术在视频监控、人机交互、虚拟现实等领域有着较为广泛应用，逐渐成为计算机视觉领域的研究热点。行为识别技术是通过一系列的算法，使得计算机能够根据视频流或者图像序列中目标的行为进行识别分析，最终得到符合预期的识别结果。
现有技术中，在进行行为识别时，会对输入的视频流或者图片序列进行检测，但是检测的耗时较长。因此，急需一种新的方式来解决上述问题。
发明内容
本公开提供一种基于图像的行为识别方法、装置、设备和存储介质，用于解决现有技术中检测耗时较长的问题。
第一方面，本公开提供一种基于图像的行为识别方法，所述方法包括：
对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
在一个实施例中，所述图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度；其中，
所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；
所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量，包括：
根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分。
在一个实施例中，所述根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分，包括：
根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重是通过训练第一神经网络得到的，所述方法还包括：
通过以下方法训练所述第一神经网络：
获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
在一个实施例中，所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，还包括：
根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；
若根据所述运动轨迹确定所述目标对象为运动目标时，则执行根据所述目标对象的图像特征，确定所述各帧图像的图像质量的步骤。
在一个实施例中，所述图像特征还包括置信度；
所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，还包括：
针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
在一个实施例中，所述图像特征还包括轮廓信息；
所述筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别，包括：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
第二方面，本公开提供一种基于图像的行为识别装置，所述装置包括：
目标检测模块，用于对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
图像质量确定模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
行为识别模块，用于筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
在一个实施例中，所述图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度；其中，
所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；
所述图像质量确定模块，还用于：
根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分。
在一个实施例中，所述图像质量确定模块，还用于：
根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重是通过训练第一神经网络得到的，所述装置还包括：
训练样本获取模块，用于通过以下方法训练所述第一神经网络：获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
评分模块，用于将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
比对模块，用于将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
权重获取模块，用于根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
在一个实施例中，所述装置还包括：
跟踪模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；
运动目标确定模块，用于若根据所述运动轨迹确定所述目标对象为运动目标时，则执行根据所述目标对象的图像特征，确定所述各帧图像的图像质量的步骤。
在一个实施例中，所述图像特征还包括置信度；所述装置还包括：
过滤模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
在一个实施例中，所述图像特征还包括轮廓信息；
所述行为识别模块，还用于：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
根据本公开实施例的第四方面，提供一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
根据本公开实施例提供的第五方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开提供一种基于图像的行为识别方法、装置、设备和存储介质。所述方法包括：对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；根据所述目标对象的图像特征，确定所述各帧图像的图像质量；筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。整个过程不需要将视频中的各帧图像都用于进行行为识别，只需要将满足预设质量要求的图像进行行为识别即可。故此，实现对需要进行行为识别的图像采用复杂的行为识别方式进行识别，而过滤掉一些无需进行识别的图像从而提高识别的效率。此外，对高质量图像进行行为识别，能够避免低质量图像容易行为识别错误对整个行为识别结果造成不良影响的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1为根据本公开一个实施例中的适用场景示意图；
图2为根据本公开一个实施例中的基于图像的行为识别的示例图之一；
图3为根据本公开一个实施例中的基于图像的行为识别的示例图之二；
图4为根据本公开一个实施例的基于图像的行为识别的流程示意图之一；
图5为根据本公开一个实施例的训练第一神经网络的流程示意图；
图6为根据本公开一个实施例的基于图像的行为识别的流程示意图之二；
图7为根据本公开一个实施例的基于图像的行为识别装置；
图8为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
为进一步说明本公开实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
本公开实施例中术语“多个”是指两个或两个以上，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本公开，并不用于限定本公开，并且在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
发明人研究发现，在现有的行为识别方法中，会对输入的视频流或者图片序列中的同一目标的每一帧图像都进行检测，由此，会导致检测的耗时较长。并且成像效果差的图像帧还会影响最终的识别结果，可能会导致识别错误。
由此，本公开提出一种基于图像的行为识别方法、装置、设备和存储介质。下面结合附图，对本公开进行详细的说明。
图1为基于图像的行为识别的场景示意图，该应用场景中包括多个终端设备110和服务器120，图1中是以三个终端设备110为例，实际上不限制终端设备110的数量。终端设备110和服务器120之间可以通过通信网络进行通信。终端设备110例如手机、平板电脑和个人计算机等。服务器120可以通过单个服务器实现，也可以通过多个服务器实现。服务器120可以通过实体服务器实现，也可以通过虚拟服务器实现。
在一种可能的应用场景中，服务器120对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；然后根据得到的目标对象的图像特征，确定各帧图像的图像质量，最后服务器120筛选出图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别，得到最终的行为识别结果，将所述最终的行为识别结果发送给终端设备110进行显示。
本申请实施例中，可以通过先对输入的视频流或者图片序列中的图像进行图像质量的筛选，将符合图像质量的图像用于进行图像识别。其中，挑选的规则可根据具体的实际情况而定，可包括两种思路：如图2所示，图2为从指定时间段内的视频中挑选出符合质量的图像用于进行图像识别。其中，t代表指定时间段。图3为从指定帧数的视频中挑选出符合质量的图像进行图像识别。本公开中所说的待检测视频可以为指定时间段内的视频，也可以是指定帧数的视频，本公开在不进行限定。下面，结合附图，对本公开进行详细的说明。
如图4所示，图4为该基于图像的行为识别方法的流程示意图，可包括以下步骤：
步骤401：对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
步骤402：根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
步骤403：筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
由此，本公开通过对视频中的各帧图像进行目标检测，得到目标对象的图像特征，然后通过图像特征确定各帧图像的图像质量，并筛选出满足预设质量要求的图像，进行行为识别。故此，实现了对需要进行行为识别的图像采用复杂的行为识别方式进行识别，而过滤掉一些无需进行识别的图像从而提高识别的效率。此外，对高质量图像进行行为识别，能够避免低质量图像容易行为识别错误对整个行为识别结果造成不良影响的问题。
前文所述的图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度，其中，所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；例如，目标对象的面部朝向与摄像机的镜头之间的夹角为60度，则确定目标对象的偏转角度为60度。
在一个实施例中，步骤402可具体实施为：根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分，所述图像质量的评分用于标识所述图像进行行为识别时的图像质量高低。
例如，根据预设的评分规则，确定出第一帧图像的图像质量的评分为A，第二帧图像的图像质量的评分为B，第三帧图像的图像质量为C，若A>B>C,则确定出第一帧图像的图像质量>第二帧图像的图像质量>第三帧图像的图像质量。
由此，可通过预设的评分规则对各帧图像进行图像质量的评分，以此来标识各帧图像质量的高低，以便于筛选出质量好的图像用于进行行为识别，以此来提高识别的准确率。
在一个实施例中，确定图像质量的评分，可根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和而得到。可根据公式(1)计算出各帧图形的图像质量的评分：
S＝A*x+B*y(1)；
其中，S代表图像质量的评分，A代表目标对象的偏转角度的权重。B代表目标对象的图像清晰度的权重，x代表目标对象的偏转角度，y代表图像清晰度。
需要说明的是，所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重可以通过经验值设定，使用时可提供用户接口对权重进行设置和修改。在另一种实施例中，各权重可以通过训练第一神经网络得到。
如图5所示，图5为训练第一神经网络的流程示意图，可包括以下步骤：步骤501：获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
步骤502：将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
步骤503：将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
步骤504：根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
由此，通过训练第一神经网络得到目标对象的偏转角度的权重以及目标对象的图像清晰度的权重，使得对图像质量的评分是基于大量的真实可靠的样本进行学习到的，使得权重的设置更加的准确。
在执行步骤402之前，需要先判断该目标对象是否为运动目标，在一个实施例中，根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；若根据所述运动轨迹确定所述目标对象为运动目标时，则执行步骤402。其中，得到的运动轨迹可输出，以便于用户观看目标对象的历史表现。
需要说明的是，当根据运动轨迹确定出目标对象不是运动目标时，则不需要执行步骤402。因为当确定出目标对象不是运动目标时，则可确定该目标对象可能是检测错误，需要重新进行目标检测。
由此，确定出的运动目标才需要进行图像质量的确定，并不需要对各帧图像都进行图像质量的确定，故此，节省了计算量并且提高了识别结果的准确性。
本公开还可通过过滤的方式来节省计算量，在一个实施例中，针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
例如，第一预设阈值为M，第二预设阈值为N，目标对象的偏转角度的置信度为m,图像清晰度的置信度为n。当m>M，且n>N时，即可执行步骤402。若任意一帧图像，不满足上述的指定条件，即m<M和/或n<N时，则将所述该帧图像进行过滤，即该帧图像不需要进行确定图像质量。
由此，当确定出的一帧或多帧图像不符合条件时，则将该一帧或多帧图像进行过滤。以此来节省计算量。
在一个实施例中，图像特征还包括轮廓信息，前文所述的步骤403可实施为：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
其中，需要说明的是，行为特征可以为目标对象的肢体特征。面部属性特征为目标对象头部与水平方向的角度。例如，抬头的角度，低头的角度和平视。
例如，在识别学生的行为时，得到的行为特征为坐着，并且得到的面部属性特征为平视，将面部属性特征结合行为特征得到的行为特征矩阵，与预先标注的行为特征矩阵进行匹配，可得到最终的行为识别结果为阅读。
由此，利用行为识别得到的行为特征结合面部识别得到的面部属性特征，得到最终的行为识别结果，可以进一步的提高识别的准确率。
为了进一步的了解本公开的技术方案，下面结合图6进行详细的说明，可包括以下步骤：
步骤601：对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；所述图像特征包括所述目标对象的偏转角度、所述目标对象的图像清晰度和轮廓信息；
其中，所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角。
步骤602：所述图像特征还包括置信度；针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值；
步骤603：根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
步骤603：筛选出所述图像质量满足预设质量要求的图像；
步骤604：获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；
步骤605：将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
其中，需要说明的是，步骤605和步骤606的执行顺序在此不做限定。
步骤606：将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
基于相同的发明构思，本公开如上所述的一种基于图像的行为识别方法还可以由一种基于图像的行为识别装置实现。该装置的效果与前述方法的效果相似，在此不再赘述。
图7为根据本公开一个实施例的基于图像的行为识别方法的结构示意图。
如图7所示，本公开的基于图像的行为识别装置700可以包括目标检测模块710、图像质量确定模块720、行为识别模块730。
目标检测模块710，用于对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
图像质量确定模块720，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
行为识别模块730，用于筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
在一个实施例中，所述图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度；其中，
所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；
所述图像质量确定模块720，还用于：
根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分。
在一个实施例中，所述图像质量确定模块720，还用于：
根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重是通过训练第一神经网络得到的，所述装置还包括：
训练样本获取模块740，用于通过以下方法训练所述第一神经网络：获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
评分模块750，用于将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
比对模块760，用于将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
权重获取模块770，用于根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
在一个实施例中，所述装置还包括：
跟踪模块780，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；
运动目标确定模块790，用于若根据所述运动轨迹确定所述目标对象为运动目标时，则执行根据所述目标对象的图像特征，确定所述各帧图像的图像质量的步骤。
在一个实施例中，所述图像特征还包括置信度；所述装置还包括：
过滤模块791，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
在一个实施例中，所述图像特征还包括轮廓信息；
所述行为识别模块730，还用于：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
在介绍了本申请示例性实施方式的一种基于图像的行为识别方法之后，接下来，介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的基于图像的行为识别方法中的步骤。例如，处理器可以执行如图4中所示的步骤401-403。
下面参照图8来描述根据本申请的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用电子设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理器801、上述至少一个计算机存储介质802、连接不同系统组件(包括计算机存储介质802和处理器801)的总线803。
总线803表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机存储介质802可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)821和/或高速缓存存储介质822，还可以进一步包括只读计算机存储介质(ROM)823。
计算机存储介质802还可以包括具有一组(至少一个)程序模块824的程序/实用工具825，这样的程序模块824包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备800也可以与一个或多个外部设备805(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口805进行。并且，电子设备800还可以通过网络适配器806与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器806通过总线803与用于电子设备800的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的一种基于图像的行为识别方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种基于图像的行为识别方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
本申请的实施方式的用于基于图像的行为识别的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读计算机存储介质中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种基于图像的行为识别方法，其特征在于，所述方法包括：
对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
2.根据权利要求1所述的方法，其特征在于，所述图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度；其中，
所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；
所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量，包括：
根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分，包括：
根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重是通过训练第一神经网络得到的，所述方法还包括：
通过以下方法训练所述第一神经网络：
获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，还包括：
根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；
若根据所述运动轨迹确定所述目标对象为运动目标时，则执行根据所述目标对象的图像特征，确定所述各帧图像的图像质量的步骤。
5.根据权利要求2所述的方法，其特征在于，所述图像特征还包括置信度；
所述根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，还包括：
针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
6.根据权利要求1所述的方法，其特征在于，所述图像特征还包括轮廓信息；
所述筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别，包括：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
7.一种基于图像的行为识别装置，其特征在于，所述装置包括：
目标检测模块，用于对待检测视频中的各帧图像进行目标检测，得到目标对象的图像特征；
图像质量确定模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量；
行为识别模块，用于筛选出所述图像质量满足预设质量要求的图像，进行针对所述目标对象的行为识别。
8.根据权利要求7所述的装置，其特征在于，所述图像特征包括所述目标对象的偏转角度以及所述目标对象的图像清晰度；其中，
所述目标对象的偏转角度用于标识所述目标对象的面部朝向与摄像机的镜头平面之间的夹角；
所述图像质量确定模块，还用于：
根据预设的图像质量评分规则，确定所述各帧图像在所述目标对象的偏转角度以及所述目标对象的图像清晰度下的图像质量的评分。
9.根据权利要求8所述的装置，其特征在于，所述图像质量确定模块，还用于：
根据所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重进行加权求和，得到所述图像质量的评分；
所述目标对象的偏转角度的权重以及所述目标对象的图像清晰度的权重是通过训练第一神经网络得到的，所述装置还包括：
训练样本获取模块，用于通过以下方法训练所述第一神经网络：获取第一图像特征训练样本，所述第一图像特征训练样本中包括各帧图像的目标对象的偏转角度、所述目标对象的图像清晰度、所述目标对象的偏转角度的初始权重、所述目标对象的图像清晰度的初始权重以及预先标注的所述各帧图像的预设评分；
评分模块，用于将所述第一图像特征训练样本输入至所述第一神经网络中，根据所述各帧图像的目标对象的偏转角度和所述目标对象的图像清晰度对所述各帧图像进行评分，得到所述第一神经网络预测的所述各帧图像的图像质量的评分；
比对模块，用于将所述得到的所述各帧图像的图像质量的评分与所述各帧图像的预设评分作比对，得出损失值；
权重获取模块，用于根据所述损失值训练所述第一神经网络得到所述目标对象的偏转角度的权重以及所述图像清晰度的权重。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
跟踪模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，根据所述待检测视频对所述目标对象进行跟踪，得到所述目标对象的运动轨迹；
运动目标确定模块，用于若根据所述运动轨迹确定所述目标对象为运动目标时，则执行根据所述目标对象的图像特征，确定所述各帧图像的图像质量的步骤。
11.根据权利要求8所述的装置，其特征在于，所述图像特征还包括置信度；所述装置还包括：
过滤模块，用于根据所述目标对象的图像特征，确定所述各帧图像的图像质量之前，针对任一帧图像，若所述图像的目标对象的偏转角度的置信度和所述目标对象的图像清晰度的置信度不满足指定条件时，则将所述图像过滤；所述指定条件包括所述目标对象的偏转角度的置信度大于第一预设阈值和所述目标对象的图像清晰度的置信度大于第二预设阈值。
12.根据权利要求7所述的装置，其特征在于，所述图像特征还包括轮廓信息；
所述行为识别模块，还用于：
获取所述筛选出的图像中的目标对象的轮廓信息；并将所述筛选出的图像输入到用于行为识别的第二神经网络中，得到行为特征；并，
将所述筛选出的图像输入到用于面部识别的第三神经网络中，得到面部属性特征；
将所述面部属性特征结合所述行为特征得到的行为特征矩阵与预先标注的行为特征矩阵进行匹配，得到最终行为识别结果。
13.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令；所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-6中任一项所述的方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010575337.0A CN111797733A (zh) | 2020-06-22 | 2020-06-22 | 一种基于图像的行为识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010575337.0A CN111797733A (zh) | 2020-06-22 | 2020-06-22 | 一种基于图像的行为识别方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797733A true CN111797733A (zh) | 2020-10-20 |
Family
ID=72804580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010575337.0A Pending CN111797733A (zh) | 2020-06-22 | 2020-06-22 | 一种基于图像的行为识别方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797733A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926542A (zh) * | 2021-04-09 | 2021-06-08 | 博众精工科技股份有限公司 | 一种性别检测方法、装置、电子设备及存储介质 |
| CN113392241A (zh) * | 2021-06-29 | 2021-09-14 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
| CN114037991A (zh) * | 2021-11-03 | 2022-02-11 | 北京百度网讯科技有限公司 | 图像质量的确定方法、装置、设备以及存储介质 |
| CN114565538A (zh) * | 2022-03-10 | 2022-05-31 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
| CN114627036A (zh) * | 2022-03-14 | 2022-06-14 | 北京有竹居网络技术有限公司 | 多媒体资源的处理方法、装置、可读介质和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263720A (zh) * | 2019-06-21 | 2019-09-20 | 中国民航大学 | 基于深度图像和骨骼信息的动作识别方法 |
| WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN110796108A (zh) * | 2019-11-04 | 2020-02-14 | 北京锐安科技有限公司 | 一种人脸质量检测的方法、装置、设备及存储介质 |
| CN111027347A (zh) * | 2018-10-09 | 2020-04-17 | 杭州海康威视数字技术股份有限公司 | 一种视频识别方法、装置和计算机设备 |
-
2020
- 2020-06-22 CN CN202010575337.0A patent/CN111797733A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN111027347A (zh) * | 2018-10-09 | 2020-04-17 | 杭州海康威视数字技术股份有限公司 | 一种视频识别方法、装置和计算机设备 |
| CN110263720A (zh) * | 2019-06-21 | 2019-09-20 | 中国民航大学 | 基于深度图像和骨骼信息的动作识别方法 |
| CN110796108A (zh) * | 2019-11-04 | 2020-02-14 | 北京锐安科技有限公司 | 一种人脸质量检测的方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姜开永;甘俊英;谭海英;: "基于深度学习的人脸美丽预测模型及其应用", 五邑大学学报(自然科学版), no. 02 * |
| 董莹荷;胡国胜;: "视频监控系统中异常行为检测与识别", 机械设计与制造工程, no. 03 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926542A (zh) * | 2021-04-09 | 2021-06-08 | 博众精工科技股份有限公司 | 一种性别检测方法、装置、电子设备及存储介质 |
| CN112926542B (zh) * | 2021-04-09 | 2024-04-30 | 博众精工科技股份有限公司 | 一种性别检测方法、装置、电子设备及存储介质 |
| CN113392241A (zh) * | 2021-06-29 | 2021-09-14 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
| CN114037991A (zh) * | 2021-11-03 | 2022-02-11 | 北京百度网讯科技有限公司 | 图像质量的确定方法、装置、设备以及存储介质 |
| CN114565538A (zh) * | 2022-03-10 | 2022-05-31 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
| CN114565538B (zh) * | 2022-03-10 | 2024-03-01 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
| CN114627036A (zh) * | 2022-03-14 | 2022-06-14 | 北京有竹居网络技术有限公司 | 多媒体资源的处理方法、装置、可读介质和电子设备 |
| CN114627036B (zh) * | 2022-03-14 | 2023-10-27 | 北京有竹居网络技术有限公司 | 多媒体资源的处理方法、装置、可读介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797733A (zh) | 一种基于图像的行为识别方法、装置、设备和存储介质 | |
| JP7147078B2 (ja) | ビデオフレームの情報ラベリング方法、装置、機器及びコンピュータプログラム | |
| Mathe et al. | Actions in the eye: Dynamic gaze datasets and learnt saliency models for visual recognition | |
| CN109344755B (zh) | 视频动作的识别方法、装置、设备及存储介质 | |
| US20180114071A1 (en) | Method for analysing media content | |
| CN109740499A (zh) | 视频分割方法、视频动作识别方法、装置、设备及介质 | |
| US10671895B2 (en) | Automated selection of subjectively best image frames from burst captured image sequences | |
| CN110633610B (zh) | 一种基于yolo的学员状态检测方法 | |
| CN107886048A (zh) | 目标跟踪方法及系统、存储介质及电子终端 | |
| US20220375225A1 (en) | Video Segmentation Method and Apparatus, Device, and Medium | |
| CN113691733B (zh) | 视频抖动检测方法、装置、电子设备和存储介质 | |
| CN112488071B (zh) | 提取行人特征的方法、装置、电子设备和存储介质 | |
| CN113537374B (zh) | 一种对抗样本生成方法 | |
| CN107992790B (zh) | 目标长时跟踪方法及系统、存储介质及电子终端 | |
| CN112149615A (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
| CN112712068B (zh) | 一种关键点检测方法、装置、电子设备及存储介质 | |
| US11195024B1 (en) | Context-aware action recognition by dual attention networks | |
| CN114549557A (zh) | 一种人像分割网络训练方法、装置、设备及介质 | |
| EP3885934A1 (en) | Video search method and apparatus, computer device, and storage medium | |
| CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN115527083B (zh) | 图像标注方法、装置和电子设备 | |
| CN111783613A (zh) | 异常检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN114461078B (zh) | 一种基于人工智能的人机交互方法 | |
| CN111385659B (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
| US10032079B2 (en) | Evaluation of models generated from objects in video |
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 |