CN112036244A - 一种基于神经网络的人体姿态估计方法 - Google Patents
一种基于神经网络的人体姿态估计方法 Download PDFInfo
- Publication number
- CN112036244A CN112036244A CN202010748164.8A CN202010748164A CN112036244A CN 112036244 A CN112036244 A CN 112036244A CN 202010748164 A CN202010748164 A CN 202010748164A CN 112036244 A CN112036244 A CN 112036244A
- Authority
- CN
- China
- Prior art keywords
- human body
- body posture
- human
- image
- neural network
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于神经网络的人体姿态估计方法,包括以下步骤:对待检测的输入图像进行人形检测,得到人形边界框;对所述人形边界框中的人进行人体姿态估计,获得人体姿态估计结果;对所述人体姿态估计结果通过优化算法进行优化。与现有技术相比,能够克服图像中的不同视角、外观、遮挡和固有的几何模糊性影响,对采集图像要求不高,进而提高人体姿态估计的准确度,使得人体姿态估计效率更高、成本更低。
Description
技术领域
本发明涉及人体姿态估计领域,特别涉及一种基于神经网络的人体姿态估计方法。
背景技术
目前,我国人体姿态估计相关的课题研究已经越来越贴近于日常生活,人体姿态估计的研究成果广泛应用于动作识别、人机交互和服装解析等领域。目前,传统的人体姿态估计方法通常是基于图结构和形变部件模型,然后在此基础上设计二维人体部件检测器,运用图模型建立各部件的连通性,再通过结合人体运动学的相关约束不断优化图结构模型从而实现对人体姿态的估计。这种传统的人体姿态估计方法提取的人体特征以人工设定的定向直方图和尺度不变特征变换为主,从而不能充分利用图像信息,容易受图像中的不同视角、外观、遮挡和固有的几何模糊性影响,另外,传统的人体姿态估计方法大多基于深度数字图像,而采集深度图像通常需要使用专业的采集设备,导致传统人体姿态估计成本较高。
发明内容
本发明提供一种基于神经网络的人体姿态估计方法,能够克服图像中的不同视角、外观、遮挡和固有的几何模糊性影响,对采集图像要求不高,进而提高人体姿态估计的准确度,使得人体姿态估计效率更高、成本更低。
本发明一种基于神经网络的人体姿态估计方法的技术方案包括:
对待检测的输入图像进行人形检测,得到人形边界框;
对所述人形边界框中的人进行人体姿态估计,获得人体姿态估计结果;
对所述人体姿态估计结果通过优化算法进行优化。
优选地,所述对待检测的输入图像进行人形检测得到人形边界框步骤具体包括:
输入待检测的人体图像,通过图像处理工具进行图像处理,将图像变为符合神经网络输入的固定尺寸;
使处理后的人体图像通过人形检测器的骨干卷积神经网络,产生对应的人体姿态特征图;
把产生的所述人体姿态特征图送入区域推荐神经网络,从而得到人形检测候选区域并使之映射到所述人体姿态特征图上;
使用区域特征聚集算法对人形检测候选区域的人体姿态特征图进行变换,从而得到固定大小的的人体姿态特征图像;
对人形检测候选区域的人体姿态特征图像进行分类和边框回归操作。
优选地,所述区域推荐神经网络为RPN网络。
优选地,所述区域特征聚集算法为ROIAlign算法。
优选地,所述对所述人形边界框中的人进行人体姿态估计步骤具体包括:
输入待检测的人体图像,通过变换矩阵将人形边界框中区域裁剪下来并设置为尺寸固定图像;
使处理后的尺寸固定的人体图像通过骨干神经网络,产生对应的人体姿态特征图;
通过对产生的对应的人体姿态特征图进行反卷积操作,得到高分辨率的人体姿态特征图;
在获得的高分辨率的人体姿态特征图像上使用归一化指数函数,得到人体各个关键点的热图;
通过人体各个关键点的热图得到人体图像中准确的人体关键点位置,连接各个关键点位置得到人体形状。
优选地,所述骨干神经网络为特征提取网络ResNet。
优选地,所述使处理后的尺寸固定的人体图像通过骨干神经网络,产生对应的人体姿态特征图步骤所用算法为Simple Pose。
优选地,所述对所述人体姿态估计结果通过优化算法进行优化步骤具体包括:
输入一组经过前述处理后的图像和一组需要进行优化的位姿;
通过高斯热图的方式表示需要优化的位姿;
通过人体姿态估计中的误差分布和实际的位姿来合成相应的训练位姿;
输入人体姿态估计结果和处理后的人体图像,输出进行了优化训练的人体姿态。
优选地,所述用高斯热图表示这些需要优化的位姿步骤所用算法为PoseFix算法。
优选地,所述输出进行了优化训练的人体姿态步骤利用了soft-argmax函数,生成通过坐标表示的最优位姿。
与现有技术相比较,本发明的有益效果如下:
本发明通过神经网络对人体姿态进行估计,利用神经网络能够提取出比人工特征更为准确和鲁棒的卷积特征,进而能够预测更为复杂的人体姿态,提高了人体姿态估计的准确率;利用日常生活中单目摄像头采集的彩色图像进行人体姿态估计,进而有效节省了人体姿态估计的成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明实施例一种基于神经网络的人体姿态估计方法的一个实施例流程示意图;
图2是本发明实施例一种基于神经网络的人体姿态估计方法的另一个实施例流程示意图。
具体实施方式
本发明提供一种无人机功能模块快速拆装结构,实现便捷快速安装和更换功能模块。
本发明实施例提供了一种基于神经网络的人体姿态估计方法,图1是根据本发明实施例的一种基于神经网络的人体姿态估计方法的流程图,如图1所示,包括以下步骤:
步骤S101:对待检测的输入图像进行人形检测,得到人形边界框;
步骤S102:对所述人形边界框中的人进行人体姿态估计,获得人体姿态估计结果;
步骤S103:对所述人体姿态估计结果通过优化算法进行优化。
在实施过程中,在步骤S101中,首先输入待检测的人体图像,通过图像处理工具进行图像处理操作,将图像变为符合神经网络输入的固定尺寸。
进一步的,上述神经网络可以是VGG16,VGG19,GooLeNet,ResNet50,ResNet101等神经网络结构。
进一步的,使处理后的人体图像通过人形检测器的骨干卷积神经网络,产生对应的人体姿态特征图。
进一步的,把产生的人体姿态特征图送入区域推荐神经网络,从而得到人形检测候选区域并使之映射到人体姿态特征图上。
进一步的,使用区域特征聚集算法对人形检测候选区域的人体姿态特征图像进行变换,从而得到固定大小的的人体姿态特征图像。
进一步的,对人形检测候选区域的人体姿态特征图像进行分类和边框回归等操作。
在实施过程中,在步骤S102中,首先输入待检测的人体图像,通过变换矩阵将人形边界框中区域裁剪下来并设置为尺寸固定图像。
进一步的,使处理后的人体图像通过骨干神经网络,产生对应的人体姿态特征图。
进一步的,通过对产生的人体姿态特征图进行反卷积操作,得到高分辨率的人体姿态特征图。
进一步的,在最后获得的人体姿态特征图像上使用归一化指数函数,得到人体各个关键点的热图。
进一步的,通过人体各个关键点的热图得到人体图像中准确的人体关键点位置,连接各个关键点位置得到人体形状。
在实施过程中,在步骤S103中,首先输入一组经过处理后的图像和一组需要进行优化的位姿。
进一步的,通过高斯热图的方式表示需要优化的位姿。
进一步的,通过人体姿态估计中的误差分布和实际的位姿来合成相应的训练位姿。
进一步的,输入人体姿态估计结果和处理后的人体图像,输出进行了优化训练的人体姿态。
为了使本发明的技术方案和实现方法更加清楚,下面将结合优选的实施例对其实现过程进行详细描述。
实施例一
本实施例提供另一种基于神经网络的人体姿态估计方法,如图2所示,图2是根据本发明实施例的另一种基于神经网络的人体姿态估计方法的流程示意图,包括:
步骤S201:输入待检测的人体图像,通过图像处理工具进行图像处理操作,将图像变为符合神经网络输入的固定尺寸;
本发明实施例中,上述待检测的人体图像可以为单人图像,也可以为多人图像,本实施例不做限定,上述步骤S201的具体实施方式为:
首先将人体图像的短边按照1024的大小进行等比例缩放,然后再将图像以零像素填充到1024的大小,从而得到1024*1024大小的输入图像;
步骤S202:使处理后的人体图像通过人形检测器的骨干卷积神经网络,产生对应的人体姿态特征图;
本发明实施例中,上述神经网络可以是VGG16,VGG19,GooLeNet,ResNet50,ResNet101等神经网络结构,本实施例不做限定,上述步骤S202的具体实施方式为:
用输入的人体图像与卷积神经网络的卷积核做卷积,提取输入图像特征,具体为:
conv=σ(imgMat*W+b)
其中,“σ”为激活函数,“imgMat”为灰度图像矩阵,“*”为卷积操作,“W”为卷积核,“b”为偏置值;
将卷积结果进行批量归一化BN操作,具体为,先进行近似白化预处理,计算公式为:
BN训练过程采用的是batch随机梯度下降方法,“E[x(K)]”为每一批训练数据神经元“x(k)”的平均值,分母为每一批数据神经元“x(k)”激活度的标准差;
步骤S203:把产生的人体姿态特征图送入区域推荐神经网络,从而得到人形检测候选区域并使之映射到人体姿态特征图上;
具体实施方式为:
采用MaskR-CNN方法建立FPN网络和生成Anchor锚框,借助Anchor建立RPN网络训练的正类和负类,具体为:
首先找到并排除所有框中框住多个人体的框,然后计算每个Anchors与这个图像中标注的真实框的groundtruth之间的IOU,如果IOU的值大于0.7,标记为正样本,如果IOU的值小于0.3,则标记为负样本,保证正样本和负样本数均为128个;
步骤S204:使用区域特征聚集算法对人形检测候选区域的人体姿态特征图像进行变换,从而得到固定大小的的人体姿态特征图像,并对人形检测候选区域的人体姿态特征图像进行分类和边框回归等操作;
具体实施方式为:
使用基于Softmax函数的交叉熵损失函数对RPN网络进行分类,Softmax的函数公式为:
其中,“αj”为类别j经过前向传播网络计算得分,“Sj”表示类别j经过Softmax函数后换算所得概率,基于Softmax交叉熵公式为:
步骤S205:通过对产生的人体姿态特征图进行反卷积操作,得到高分辨率的人体姿态特征图;具体实施方式为:
在Resnet网络结构的基础上,取最后的残差模块输出特征层,并命名为C5,然后在C5后面接上3个反卷积模块,三个模块分别为Deconv、batchnorm和relu,每个模块都具有256个通道,44个卷积核;
步骤S206:在最后获得的人体姿态特征图像上使用归一化指数函数,得到人体各个关键点的热图;
步骤S207:通过人体各个关键点的热图得到人体图像中准确的人体关键点位置,连接各个关键点位置得到人体形状;
本发明实施例中,上述获得人体关键点位置用到了光流法检测的方法,建立了使用贪心匹配Greddy Match相识度矩阵的方法进行匹配分配当前帧,相识度计算公式为:
首先对前面几帧的姿态运用光流法进行姿态转移,然后计算OKS指标,OKS指标的计算公式为:
其中p为人的编号,i为人体关键点的编号,dpi为每个人的预测的关键点的欧式距离,Sp为当前的人的尺度因子,σi为第i个人体骨骼点的归一化因子,反映了当前的骨骼标注的标准差,值越大表示这个点越难标注,υpi表示第p个人的第i个关键点是否可见;
步骤S208:输入一组经过前述处理后的图像和一组需要进行优化的位姿,并通过高斯热图的方式表示需要优化的位姿;
本发明实施例中,上述位姿的表示为:
其中Pn输入的高斯热图,(in,jn)为第n个关键点的二维坐标,σ为高斯峰的标准差;
步骤S209:通过人体姿态估计中的误差分布和实际的位姿来合成相应的训练位姿;
本发明实例中,人体姿态优化网络会根据输入的高斯热图逐个生成第n个关键点的热图Hn和关键点的坐标Cn,一般使用热向量对其进行监督以使结果更精细,二维坐标计算公式为:
步骤S210:输入人体姿态估计结果和前述处理后的人体图像,输出进行了优化训练的人体姿态;
本次实施例中,使用最小化的交叉熵损失来对网络进行训练,具体为:
L=LH+LC
LH使得人体姿态优化在估计的高斯热图中选择一个网格点,LC使得人体姿态优化的过程中能够更加准确地定位人体的关键点位置;
综上,通过上述实施例,可以运用神经网络对人体姿态进行估计,运用人体检测器获取待检测的输入图像中的人体边界框,进而通过神经网络训练生成高分辨率的特征图,最后通过人体姿态估计优化算法处理得到人体姿态估计的结果,使用神经网络进行人体姿态估计节省了人体姿态估计的成本,充分利用了采集的人体图像,可以提高人体姿态估计结果的准确性,也提高了人体姿态估计的效率
以上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。
Claims (10)
1.一种基于神经网络的人体姿态估计方法,其特征在于,包括以下步骤:
对待检测的输入图像进行人形检测,得到人形边界框;
对所述人形边界框中的人进行人体姿态估计,获得人体姿态估计结果;
对所述人体姿态估计结果通过优化算法进行优化。
2.根据权利要求1所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述对待检测的输入图像进行人形检测得到人形边界框步骤具体包括:
输入待检测的人体图像,通过图像处理工具进行图像处理,将图像变为符合神经网络输入的固定尺寸;
使处理后的人体图像通过人形检测器的骨干卷积神经网络,产生对应的人体姿态特征图;
把产生的所述人体姿态特征图送入区域推荐神经网络,从而得到人形检测候选区域并使之映射到所述人体姿态特征图上;
使用区域特征聚集算法对人形检测候选区域的人体姿态特征图进行变换,从而得到固定大小的的人体姿态特征图像;
对人形检测候选区域的人体姿态特征图像进行分类和边框回归操作。
3.根据权利要求2所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述区域推荐神经网络为RPN网络。
4.根据权利要求2所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述区域特征聚集算法为ROIAlign算法。
5.根据权利要求1所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述对所述人形边界框中的人进行人体姿态估计步骤具体包括:
输入待检测的人体图像,通过变换矩阵将人形边界框中区域裁剪下来并设置为尺寸固定图像;
使处理后的尺寸固定的人体图像通过骨干神经网络,产生对应的人体姿态特征图;
通过对产生的对应的人体姿态特征图进行反卷积操作,得到高分辨率的人体姿态特征图;
在获得的高分辨率的人体姿态特征图像上使用归一化指数函数,得到人体各个关键点的热图;
通过人体各个关键点的热图得到人体图像中准确的人体关键点位置,连接各个关键点位置得到人体形状。
6.根据权利要求5所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述骨干神经网络为特征提取网络ResNet。
7.根据权利要求5所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述使处理后的尺寸固定的人体图像通过骨干神经网络,产生对应的人体姿态特征图步骤所用算法为Simple Pose。
8.根据权利要求1所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述对所述人体姿态估计结果通过优化算法进行优化步骤具体包括:
输入一组经过前述处理后的图像和一组需要进行优化的位姿;
通过高斯热图的方式表示需要优化的位姿;
通过人体姿态估计中的误差分布和实际的位姿来合成相应的训练位姿;
输入人体姿态估计结果和处理后的人体图像,输出进行了优化训练的人体姿态。
9.根据权利要求8所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述用高斯热图表示这些需要优化的位姿步骤所用算法为PoseFix算法。
10.根据权利要求8所述的一种基于神经网络的人体姿态估计方法,其特征在于,所述输出进行了优化训练的人体姿态步骤利用了soft-argmax函数,生成通过坐标表示的最优位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010748164.8A CN112036244A (zh) | 2020-07-30 | 2020-07-30 | 一种基于神经网络的人体姿态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010748164.8A CN112036244A (zh) | 2020-07-30 | 2020-07-30 | 一种基于神经网络的人体姿态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036244A true CN112036244A (zh) | 2020-12-04 |
Family
ID=73583554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010748164.8A Pending CN112036244A (zh) | 2020-07-30 | 2020-07-30 | 一种基于神经网络的人体姿态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036244A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800991A (zh) * | 2021-02-02 | 2021-05-14 | 厦门美图之家科技有限公司 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070247648A1 (en) * | 2006-04-25 | 2007-10-25 | Xerox Corporation | Method for tetrahedral interpolation computations using data-level parallelism |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
CN108229445A (zh) * | 2018-02-09 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于级联金字塔网络的多人姿态估计方法 |
CN109934111A (zh) * | 2019-02-12 | 2019-06-25 | 清华大学深圳研究生院 | 一种基于关键点的健身姿态估计方法及系统 |
CN110135375A (zh) * | 2019-05-20 | 2019-08-16 | 中国科学院宁波材料技术与工程研究所 | 基于全局信息整合的多人姿态估计方法 |
CN110443144A (zh) * | 2019-07-09 | 2019-11-12 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
KR102060761B1 (ko) * | 2019-04-09 | 2019-12-30 | 주식회사 에이치랩 | 기계 학습을 활용한 rf 기반의 낙상 판단 시스템 및 그의 낙상 판단 방법 |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
-
2020
- 2020-07-30 CN CN202010748164.8A patent/CN112036244A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070247648A1 (en) * | 2006-04-25 | 2007-10-25 | Xerox Corporation | Method for tetrahedral interpolation computations using data-level parallelism |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
CN108229445A (zh) * | 2018-02-09 | 2018-06-29 | 深圳市唯特视科技有限公司 | 一种基于级联金字塔网络的多人姿态估计方法 |
CN109934111A (zh) * | 2019-02-12 | 2019-06-25 | 清华大学深圳研究生院 | 一种基于关键点的健身姿态估计方法及系统 |
KR102060761B1 (ko) * | 2019-04-09 | 2019-12-30 | 주식회사 에이치랩 | 기계 학습을 활용한 rf 기반의 낙상 판단 시스템 및 그의 낙상 판단 방법 |
CN110135375A (zh) * | 2019-05-20 | 2019-08-16 | 中国科学院宁波材料技术与工程研究所 | 基于全局信息整合的多人姿态估计方法 |
CN110443144A (zh) * | 2019-07-09 | 2019-11-12 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800991A (zh) * | 2021-02-02 | 2021-05-14 | 厦门美图之家科技有限公司 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728200B (zh) | 一种基于深度学习的实时行人检测方法及系统 | |
CN111582059B (zh) | 一种基于变分自编码器的人脸表情识别方法 | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN110852182B (zh) | 一种基于三维空间时序建模的深度视频人体行为识别方法 | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN109800659B (zh) | 一种动作识别方法及装置 | |
CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN114724120A (zh) | 基于雷视语义分割自适应融合的车辆目标检测方法及系统 | |
CN110334584A (zh) | 一种基于区域全卷积网络的手势识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN112396655A (zh) | 一种基于点云数据的船舶目标6d位姿估计方法 | |
CN106846399B (zh) | 一种获取图像的视觉重心的方法及装置 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN112036244A (zh) | 一种基于神经网络的人体姿态估计方法 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN112084840A (zh) | 一种基于三维nmi的指静脉识别方法 | |
CN116580326A (zh) | 一种航空环境安全风险防控检测及预警系统 | |
CN114898464B (zh) | 一种基于机器视觉的轻量化精准手指语智能算法识别方法 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
CN114111647A (zh) | 一种基于人工智能的绝缘子伞裙破损面积测量方法及测量系统 |
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 |