CN111882656A - 基于人工智能的图形处理方法、设备及存储介质 - Google Patents
基于人工智能的图形处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111882656A CN111882656A CN202010570683.XA CN202010570683A CN111882656A CN 111882656 A CN111882656 A CN 111882656A CN 202010570683 A CN202010570683 A CN 202010570683A CN 111882656 A CN111882656 A CN 111882656A
- Authority
- CN
- China
- Prior art keywords
- image data
- target object
- artificial intelligence
- processing method
- graphics processing
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于人工智能的图形处理方法、设备及存储介质,所述方法包括:获取包括同一目标对象的多段影像数据,所述多段影像数据分别包括所述目标对象在同一时间、不同方位的影像;对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型;根据所述目标对象的多个三维模型生成所述目标对象的三维图像数据。本发明通过将多段影像数据相结合,生成目标对象的三维图像数据,从而可实现目标对象图像数据的快速提取,同时提高目标对象图像数据的精度。
Description
技术领域
本发明涉及人工智能影像处理领域,更具体地说,涉及一种基于人工智能的图形处理方法、设备及存储介质。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,基于人脸识别通常也叫做人像识别、面部识别。
随着社会经济的快速发展,科技的快速进步,基于人脸识别的远程视频、视频监控等应用越来越广,例如安装于道路、商业广场、超市以及学校等公共安全较为重要场合的视频监控系统。
在上述基于人脸识别的应用中,主要针对一个摄像装置所拍摄的影像进行分析以及人脸识别。由于视频监控系统中的摄像装置位置固定,每一摄像装置只能拍摄到监控对象的局部影像,且由于摄像装置距离被监控对象距离较远,往往需要较长时间才能获得被监控对象的所有角度的图像数据,大大影响了被监控对象的识别效率,甚至造成无法识别或识别错误。
发明内容
本发明要解决的技术问题在于,针对上述视频监控系统中对象识别效率较低、存在无法识别或识别错误的问题,提供一种基于人工智能的图形处理方法、设备及存储介质。
本发明解决上述技术问题的技术方案是,提供一种基于人工智能的图形处理方法,包括:
获取包括同一目标对象的多段影像数据,所述多段影像数据分别包括所述目标对象在同一时间、不同方位的影像;
对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型;
根据所述目标对象的多个三维模型生成所述目标对象的三维图像数据。
优选地,所述多段影像数据分别来自位于公共区域的多个摄像装置。
优选地,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
从所述影像数据的每一帧图像数据中攫取目标对象图像数据;
通过深度学习模型对从每一帧图像数据中攫取的目标对象图像数据进行处理,生成目标对象的三维模型。
优选地,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
在从所述影像数据的图像帧中攫取的目标对象图像数据的分辨率小于预设分辨率时,使用人工智能算法对所述攫取的目标对象图像数据进行插值处理,使所述攫取的目标对象图像数据的分辨率达到预设分辨率。
优选地,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
在任一段所述影像数据的帧率小于预设帧率时,使用人工智能插帧算法对所述攫取的目标对象图像数据进行插帧处理,使目标对象图像数据的帧率达到预设帧率。
优选地,在所述目标对象的三维图像数据中的任一位置的图像数据,由所述目标对象的多个三维模型在同一位置处的细节数据最多的一个构成。
优选地,所述目标对象为人的头部或脸部。
本发明还提供一种基于人工智能的图形处理设备,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上所述基于人工智能的图形处理方法的步骤。
本发明还提供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上所述基于人工智能的图形处理方法的步骤。
本发明基于人工智能的图形处理方法、设备及存储介质,通过将多段影像数据相结合,生成目标对象的三维图像数据,从而可实现目标对象图像数据的快速提取,同时提高目标对象图像数据的精度。本发明可应用于视频监控,特别是分布有多个摄像装置的公共场所的视频监控系统,提高目标对象的识别精度和识别效率。
附图说明
图1是本发明实施例提供的基于人工智能的图形处理方法的流程示意图;
图2是本发明实施例提供的基于人工智能的图形处理方法中获取多段影像数据的示意图;
图3是本发明实施例提供的基于人工智能的图形处理方法中生成目标对象的三维模型的流程示意图;
图4是本发明实施例提供的基于人工智能的图形处理设备的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明实施例提供的基于人工智能的图形处理方法的流程示意图,该方法可应用于视频监控系统,特别是具有多个摄像装置的公共场所中,特定对象的识别或动态跟踪系统。本实施例的方法具体包括如下步骤:
步骤S11:获取包括同一目标对象的多段影像数据,且该多段影像数据分别包括目标对象在同一时间、不同方位的影像。即每一段影像数据分别从目标对象的某一方位拍摄形成。上述目标对象具体可以为行人的头部或脸部。
在本发明的一个实施例中,上述多段影像数据分别来自位于公共区域的多个摄像装置。即每一段影像数据由一个位于公共区域的摄像装置拍摄生成。上述位于公共区域的摄像装置可以是安装于灯柱的道路监控摄像头、安装于车辆的行车记录仪、安装于建筑外墙或内墙的监控摄像头等。结合图2所示,该多个摄像装置21的朝向各不相同,在目标对象(例如为行人22)进入各个摄像装置21的拍摄范围后,各个摄像装置可同时从该行人22的不同方位对行人22进行拍摄,并分别形成多段包括同一行人的影像数据。
并且,在该步骤中,当多段影像数据或任一段影像数据包括多个目标对象时,可根据各个摄像装置的拍摄范围以及目标对象在影像数据中的位置来确认是否为同一目标对象。例如当图2中的三个摄像装置21所拍摄的影像中分别包括多个行人22时,该步骤S11可将三个摄像装置21所拍摄画面中对应于同一物理位置处的行人22作为目标对象。
步骤S12:对每一段影像数据分别通过深度学习模型进行处理,生成一个目标对象的三维模型。即当步骤S12获取了三段影像数据时,该步骤S12分别根据该三段影像数据生成同一目标对象的三个三维模型,且每一三维模型均包括完整的目标对象。上述目标对象的三维模型为中间处理量,在通常情况下无需存储或输出。
例如,上述深度学习模型可以是现有的生成式对抗网络(GenerativeAdversarial Networks,GAN),当然,在实际应用中,该步骤也可通过其他类型的深度学习模型。
该步骤可基于经过人脸(或头部)图片训练后的生成式对抗网络,即无需再进行目标对象训练,而只需将每一段影像数据中的每一帧图像输入到生成式对抗网络的生成模型(Generative Model),并获取生成模型输出的图像,并基于上述生成模型输出的图片生成目标对象的三维模型。基于生成式对抗网络创建新的图像,以及根据多帧相关联的图像生成三维模型的方案属于现有技术,在此不在赘述。
步骤S13:根据目标对象的多个三维模型生成目标对象的三维图像数据。具体地,该步骤可通过以下方式生成目标对象的三维图像数据:在目标对象的三维图像数据中的任一位置的图像数据,由目标对象的多个三维模型在同一位置处的细节数据最多的一个构成。也就是说,分别取多个三维模型中,相对的细节数据最多的一个,组成目标对象的三维图像数据。
例如,当第一个三维模型中的鼻部的细节数据较其他三维模型中的鼻部的细节数据多时,取该第一个三维模型中的鼻部的细节数据作为目标对象的三维图像数据的鼻部数据;当第二个三维模型中的左耳部的细节数据较其他三维模型中的左耳部的细节数据多时,取该第二个三维模型中的左耳部的细节数据作为目标对象的三维图像数据的左耳部数据,以此类推。
上述基于人工智能的图形处理方法,通过将多段影像数据相结合生成目标对象的三维图像数据,从而可分别根据不同段影像数据获取目标对象不同位置的精确的图像数据,实现目标对象整体图像数据的快速提取,同时提高目标对象图像数据的精度。当该方法应用于视频监控系统时,可结合人脸识别系统快速进行目标对象识别,即人脸识别系统根据可上述基于人工智能的图形处理方法所获得的目标对象的三维图像数据,对目标对象进行快速、准确地识别。
当然,在实际应用中,随着目标对象22的移动,可能脱离某一摄像装置21的拍摄范围,或者进入到另一摄像装置21的拍摄范围,此时步骤S11获取的影像数据可来自新的摄像装置21,从而可实现目标对象的跟踪识别。
上述基于人工智能的图形处理方法可运行于具有较强图形处理能力的设备,例如视频监控系统服务器,或者连接到视频监控系统服务器的专用图像处理终端。
如图3所示,上述对每一段影像数据分别通过深度学习模型进行处理,生成一个目标对象的三维模型,具体可通过以下方式实现:
步骤S121:从影像数据的每一帧图像数据中攫取目标对象图像数据。该步骤可基于神经网络、基于小波矩或基于分形特征等任意现有方法实现目标对象图像数据的识别和攫取,在此不再赘述。
特别地,当每一帧图像数据中包括多个目标对象时,可根据图像数据的帧间位置关系来确认某一特定的目标对象,而将其他目标对象作为背景过滤掉。当然,当需要同时识别多个目标对象时,可同时从每一帧图像数据中分别攫取多个目标对象图像数据。
步骤S122:通过深度学习模型对从每一帧图像数据中攫取的目标对象图像数据进行处理,生成目标对象的三维模型。该步骤可在设备本地(视频监控系统服务器,或者连接到视频监控系统服务器的专用图像处理终端)执行,也可借助于公开的深度学习模型实现,即将从每一帧图像数据中攫取的目标对象图像数据发送到公开的运行有深度学习模型的服务器,并从上述服务器获取新的、更完善的目标对象图像数据。
上述深度学习模型可以是现有的生成式对抗网络(Generative AdversarialNetworks,GAN),当然,在实际应用中,该步骤也可通过其他类型的深度学习模型。
该步骤可基于经过人脸(或头部)图片训练后的生成式对抗网络,即无需再进行目标对象训练,而只需将每一段影像数据中的每一帧图像输入到生成式对抗网络的生成模型(Generative Model),并获取生成模型输出的图像,并基于上述生成模型输出的图片生成目标对象的三维模型。基于生成式对抗网络创建新的图像,以及根据多帧相关联的图像生成三维模型的方案属于现有技术,在此不在赘述。
对于由公共场所的摄像装置拍摄获得的图像数据,由于其拍摄的角度、距离等因素,导致原始图像数据的质量很差,通过深度学习模型对目标对象图像数据进行处理,可大大提高三维模型的质量,从而可大大提高对目标对象识别的准确性。
特别地,当上述多段影像数据由公共场所的摄像装置拍摄获得时,由于各个摄像装置的解析度不同,在生成目标对象的三维模型时,还可包括以下步骤:在从影像数据的图像帧中攫取的目标对象图像数据的分辨率(或原始的影像数据的图像帧的分辨率)小于预设分辨率时,可使用人工智能算法对攫取的目标对象图像数据进行插值处理,使攫取的目标对象图像数据的分辨率达到预设分辨率。单一图像的人工智能插值算法属于常规技术,在此不再赘述。通过该方式,可进一步提高生成的三维模型的质量。
此外,由于各个摄像装置的拍摄的帧率不同,在生成目标对象的三维模型时,还可包括以下步骤:在任一段影像数据的帧率小于预设帧率时,使用人工智能插帧算法对攫取的目标对象图像数据进行插帧处理,使目标对象图像数据的帧率达到预设帧率。图像的人工智能插帧算法属于常规技术,在此不再赘述。通过该方式,同样可提高生成的三维模型的质量。
如图3所示,是本发明实施例提供的基于人工智能的图形处理设备的示意图。该基于人工智能的图形处理设备4可以为视频监控系统中的服务器,或连接到视频监控服务器的终端设备,且该设备4包括存储器41、处理器42以及存储在存储器41中并可在处理器42上运行的计算机程序,其中处理器42可在执行存储器41中的计算机程序时实现如上所述基于人工智能的图形处理方法的步骤。
本实施例中的基于人工智能的图形处理设备4与上述图1对应实施例中的基于人工智能的图形处理方法属于同一构思,其具体实现过程详细见对应的方法实施例,且方法实施例中的技术特征在本设备实施例中均对应适用,这里不再赘述。
在一个实施例中,本发明还提供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如上所述基于人工智能的图形处理方法的步骤。
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,即将所述系统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 (9)
1.一种基于人工智能的图形处理方法,其特征在于,包括:
获取包括同一目标对象的多段影像数据,所述多段影像数据分别包括目标对象在同一时间、不同方位的影像;
对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型;
根据所述目标对象的多个三维模型生成所述目标对象的三维图像数据。
2.根据权利要求1所述的基于人工智能的图形处理方法,其特征在于,所述多段影像数据分别来自位于公共区域的多个摄像装置。
3.根据权利要求1所述的基于人工智能的图形处理方法,其特征在于,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
从所述影像数据的每一帧图像数据中攫取目标对象图像数据;
通过深度学习模型对从每一帧图像数据中攫取的目标对象图像数据进行处理,生成目标对象的三维模型。
4.根据权利要求3所述的基于人工智能的图形处理方法,其特征在于,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
在从所述影像数据的图像帧中攫取的目标对象图像数据的分辨率小于预设分辨率时,使用人工智能算法对所述攫取的目标对象图像数据进行插值处理,使所述攫取的目标对象图像数据的分辨率达到预设分辨率。
5.根据权利要求3所述的基于人工智能的图形处理方法,其特征在于,所述对每一段影像数据分别通过深度学习模型进行处理,并生成一个目标对象的三维模型,包括:
在任一段所述影像数据的帧率小于预设帧率时,使用人工智能插帧算法对所述攫取的目标对象图像数据进行插帧处理,使目标对象图像数据的帧率达到预设帧率。
6.根据权利要求1所述的基于人工智能的图形处理方法,其特征在于,在所述目标对象的三维图像数据中的任一位置的图像数据,由所述目标对象的多个三维模型在同一位置处的细节数据最多的一个构成。
7.根据权利要求1所述的基于人工智能的图形处理方法,其特征在于,所述目标对象为人的头部或脸部。
8.一种基于人工智能的图形处理设备,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7任一项所述基于人工智能的图形处理方法的步骤。
9.一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7任一项所述基于人工智能的图形处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570683.XA CN111882656A (zh) | 2020-06-19 | 2020-06-19 | 基于人工智能的图形处理方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570683.XA CN111882656A (zh) | 2020-06-19 | 2020-06-19 | 基于人工智能的图形处理方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882656A true CN111882656A (zh) | 2020-11-03 |
Family
ID=73156603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010570683.XA Pending CN111882656A (zh) | 2020-06-19 | 2020-06-19 | 基于人工智能的图形处理方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144716A (zh) * | 2007-10-15 | 2008-03-19 | 清华大学 | 一种多视角运动目标检测、定位与对应方法 |
CN104036546A (zh) * | 2014-06-30 | 2014-09-10 | 清华大学 | 一种基于自适应形变模型的任意视角人脸三维重构方法 |
CN107093171A (zh) * | 2016-02-18 | 2017-08-25 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置、系统 |
CN109118581A (zh) * | 2018-08-22 | 2019-01-01 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2019130889A1 (ja) * | 2017-12-26 | 2019-07-04 | 学校法人慶應義塾 | 手術映像表示装置、手術映像表示装置の制御方法、及びプログラム |
CN110287776A (zh) * | 2019-05-15 | 2019-09-27 | 北京邮电大学 | 一种人脸识别的方法、装置以及计算机可读存储介质 |
CN110334652A (zh) * | 2019-07-05 | 2019-10-15 | 无锡睿勤科技有限公司 | 图像处理方法、电子设备及存储介质 |
CN110933315A (zh) * | 2019-12-10 | 2020-03-27 | Oppo广东移动通信有限公司 | 图像数据处理方法及相关设备 |
CN111028330A (zh) * | 2019-11-15 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 三维表情基的生成方法、装置、设备及存储介质 |
CN111161399A (zh) * | 2019-12-10 | 2020-05-15 | 盎锐(深圳)信息科技有限公司 | 基于二维影像生成三维模型的数据处理方法及组件 |
-
2020
- 2020-06-19 CN CN202010570683.XA patent/CN111882656A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144716A (zh) * | 2007-10-15 | 2008-03-19 | 清华大学 | 一种多视角运动目标检测、定位与对应方法 |
CN104036546A (zh) * | 2014-06-30 | 2014-09-10 | 清华大学 | 一种基于自适应形变模型的任意视角人脸三维重构方法 |
CN107093171A (zh) * | 2016-02-18 | 2017-08-25 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置、系统 |
WO2019130889A1 (ja) * | 2017-12-26 | 2019-07-04 | 学校法人慶應義塾 | 手術映像表示装置、手術映像表示装置の制御方法、及びプログラム |
CN109118581A (zh) * | 2018-08-22 | 2019-01-01 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
CN110287776A (zh) * | 2019-05-15 | 2019-09-27 | 北京邮电大学 | 一种人脸识别的方法、装置以及计算机可读存储介质 |
CN110334652A (zh) * | 2019-07-05 | 2019-10-15 | 无锡睿勤科技有限公司 | 图像处理方法、电子设备及存储介质 |
CN111028330A (zh) * | 2019-11-15 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 三维表情基的生成方法、装置、设备及存储介质 |
CN110933315A (zh) * | 2019-12-10 | 2020-03-27 | Oppo广东移动通信有限公司 | 图像数据处理方法及相关设备 |
CN111161399A (zh) * | 2019-12-10 | 2020-05-15 | 盎锐(深圳)信息科技有限公司 | 基于二维影像生成三维模型的数据处理方法及组件 |
Non-Patent Citations (3)
Title |
---|
刘翠: "基于多摄像头的人脸识别系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 2 * |
李玺;查宇飞;张天柱;崔振;左旺孟;侯志强;卢湖川;王菡子;: "深度学习的目标跟踪算法综述", 中国图象图形学报, no. 12 * |
王赞;闫明;刘爽;陈俊洁;张栋迪;吴卓;陈翔;: "深度神经网络测试研究综述", 软件学报, no. 05 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334569B (zh) | 客流量进出识别方法、装置、设备及存储介质 | |
US11093737B2 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
WO2020094088A1 (zh) | 一种图像抓拍方法、监控相机及监控系统 | |
GB2409028A (en) | Face detection | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN112989962B (zh) | 轨迹生成方法、装置、电子设备及存储介质 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN112906483B (zh) | 一种目标重识别方法、装置及计算机可读存储介质 | |
CN113191180B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110675426B (zh) | 人体跟踪方法、装置、设备及存储介质 | |
CN110969118A (zh) | 轨迹监控系统和方法 | |
CN112036242B (zh) | 人脸图片采集方法、装置、计算机设备及存储介质 | |
CN111259813A (zh) | 人脸检测跟踪方法、装置、计算机设备和存储介质 | |
KR101821242B1 (ko) | 영상 인식에 기반하여 차량을 계수하는 방법 및 이를 이용한 장치 | |
CN111882656A (zh) | 基于人工智能的图形处理方法、设备及存储介质 | |
CN113014876A (zh) | 视频监控方法、装置、电子设备及可读存储介质 | |
CN113033348A (zh) | 行人重识别的俯视图像校正方法、存储介质和电子设备 | |
JP2018201146A (ja) | 画像補正装置、画像補正方法、注目点認識装置、注目点認識方法及び異常検知システム | |
KR20210114309A (ko) | 다중 cctv 환경에서의 보행자 추적 장치 및 방법 | |
CN116309729A (zh) | 目标追踪方法、装置、终端、系统及可读存储介质 | |
CN113553990B (zh) | 多人脸跟踪识别的方法、装置、计算机设备及存储介质 | |
CN112257666B (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 | |
KR102426594B1 (ko) | 크라우드소싱 환경에서 객체의 위치를 추정하는 시스템 및 방법 | |
JP6548306B2 (ja) | カメラの撮影画像に映る人物を追跡する画像解析装置、プログラム及び方法 | |
CN111368608B (zh) | 一种人脸识别方法、装置及系统 |
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 |