CN112183438A - 基于小样本学习神经网络的违规行为的图像识别方法 - Google Patents

基于小样本学习神经网络的违规行为的图像识别方法 Download PDF

Info

Publication number
CN112183438A
CN112183438A CN202011089614.3A CN202011089614A CN112183438A CN 112183438 A CN112183438 A CN 112183438A CN 202011089614 A CN202011089614 A CN 202011089614A CN 112183438 A CN112183438 A CN 112183438A
Authority
CN
China
Prior art keywords
image
network
neural network
violation
distance
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
Application number
CN202011089614.3A
Other languages
English (en)
Other versions
CN112183438B (zh
Inventor
张世雄
李楠楠
龙仕强
安欣赏
李革
张伟民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
Original Assignee
Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Instritute Of Intelligent Video Audio Technology Longgang Shenzhen filed Critical Instritute Of Intelligent Video Audio Technology Longgang Shenzhen
Priority to CN202011089614.3A priority Critical patent/CN112183438B/zh
Publication of CN112183438A publication Critical patent/CN112183438A/zh
Application granted granted Critical
Publication of CN112183438B publication Critical patent/CN112183438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/214—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明的基于小样本学习神经网络的违规行为的图像识别方法，包括如下步骤：收集数据、人工标注、训练网络、测试网络、合格判断、部署应用、获取图片、分割图块、提出特征、度量距离和输出结果，该图像识别方法通过少量的样本学习，训练出一个性能很好的网络，用来识别日常工作生产中的人员违规行为；该方法可应用于加油站、公共场所的吸烟识别。

Description

基于小样本学习神经网络的违规行为的图像识别方法
技术领域
本发明涉及到图像识别技术领域，具体涉及一种基于小样本学习的人员违规识别方法，尤其涉及基于小样本学习神经网络的违规行为的图像识别方法。
背景技术
在当前生产日益趋于标准化规范化，其中对人员在车间相关场地的行为规范尤其重要，例如有相当多的地方要求禁止吸烟，并且各个地方区域也制定严格的禁止吸烟管理措施。有些场所禁止吸烟和打电话，例如加油站。目前主要依靠人员的自我规范和相关检查人员的巡视。当前采用的方法效率比较低下，一方面有的人员自我约束力不强，违法规定的行为时有发生；另一方面，靠人工巡视，成本较高也无法起到实时发现的作用。以先进的计算机视觉技术代替人工巡检，可以有效的提高效率，节约成本，提高震慑效果。
基于计算机视觉的检测识别技术，依靠深度神经网络强大的拟合能力，通过人工智能的方法对这些异常违规的行为进行检测。但是通常训练深度神经网络需要大量的数据，由于异常违规的行为只有少数情况下会发生，发生的概率也不是很频繁，因此存在着数据严重不足，训练数据短缺的情况，使得深度神经网络不能得到很好的训练。现实中，人类可以通过少数的几个示例的学习，就能举一反三，认识某些物体或学会某种模式。计算机也可以设计通过少数样本的学习，就可以学习到这些样本的特征。在违规行为的检测中，学习少量违规行为的样本，就可以实现对违规行为的检测，例如违规吸烟和违规打电话。
发明内容
本发明提供一种基于小样本学习神经网络的违规行为的图像识别方法。具体来说，本发明提出的基于小样本学习神经网络的违规行为的图像识别方法是基于度量学习的小样本学习算法，用来识别日常工作生产中的人员违规行为。例如加油站及各种场所的吸烟识别，一方面吸烟的图像收集数量少，吸烟难检测，各种吸烟行为，还有场景多的问题，这时候就需要小样本学习，可以通过少量的样本就可以训练出一个性能很好的网络。
小样本的学习方法可以分为三类，一种是基于模型学习的方法，第二种是基于度量学习的方法，第三种是基于优化的学习方法。本发明属于基于度量学习的学习方法。本发明采用的度量方式度量两个样本间相似性。“陆地移动距离”—Earth Mover’s Distance是一种度量距离的方式。主要应用在测量两个分布的之间的距离。本发明主要利用“陆地移动距离”来测量样本间的类间距离。
本发明的原理是：1)在小样本学习中采用人体识别的图像分块的策略。2)采用预训练模型提取图块特征，并将特征转换成特征向量。3)利用EMD的方面度量不同样本间图块的距离，并且为不同的图块分配不同的权重。4)将训练好的网络部署到由监控摄像机和芯片模块组成的边缘端进行应用。
本发明的基于小样本学习神经网络的违规行为的图像识别方法，包括如下步骤：
步骤一、收集数据：首先收集有关违规行为数据集，并对数据集进行过滤筛查；
步骤二、人工标注：通过人工处理的方式对收集到的数据集进行标注和处理，将数据按照需求分成若干个类，每个类中使得数据集可以应用到神经网络的训练；
步骤三、训练网络：利用标注好的数据集训练设计好的小样本学习网络，小样本在训练过程中会学习到这种特征间的度量方法，这种度量方法能够较好的判断两个样本间的相似性；
步骤四、测试网络：用测试样本里面的数据测试小样本网络，看是否达到预期准确率；
步骤五、合格判断：测试网络不合格，则重复步骤三和步骤四，直到测试合格进入步骤六；
步骤六、部署应用：测试合格后，将算法部署在由监控摄像机和芯片边缘端并应用在不同的特定的区域场所；
步骤七、获取图像：通过监控摄像机获取到图像后，图像进行归一化处理，就是将图像设置为固定的统一的尺寸，然后将统一大小的图像输入到网络中；
步骤八、分割图块：对图像进行人体骨架提取获得人体骨架关键点位置图，并按区域分割图块；
步骤九、提取特征：利用预训练好的网络提取图块特征，并将特征转换为特征向量；
步骤十、度量距离：计算特征向量与之前训练样本的距离，判断特征属于那一类，并输出结果；
步骤十一、输出结果：判断特征属于那一类，并输出结果。
进一步，所述的步骤一、收集数据的具体过程或方法是：对于违规行为的数据集收集主要来源于场景的日常监控，从日常监控中收集到相关违规行为的图像信息，如果日常监控中违规行为太少或没有，则通过人工模拟违规行为进行拍摄，来收集数据。
进一步，所述的步骤二、人工标注的具体过程或方法是：收集完数据后，需要对违规行为进行标准，标注的方法是利用手动的方式框取画面中违规人物所在位置，然后提取矩形框图四个角的坐标已完成标注。
进一步，步骤九、提取特征是：利用预训练好的模型提取特征，采用预训练好的ResNet-101来对每个图块分别进行特征的提取，提取完特征后再进行距离计算。将高维的特征转换为一维的特征向量。
基于小样本学习神经网络的违规行为的图像识别方法与现有技术相比具有如下优点：
1、本发明采用一种先进的智能的计算机视觉的方法去检测特定场合的人员违规行为，利用视频图像的检测的方法改变了利用以往人工巡检的传统模式。利用视频的方式检测人员违规行为，扩大了检测范围，提高检测效率，降低了检测成本。
2、本发明设计了一种独特的小样本的学习模式，只需要少量经过标注的违规图像，算法就可以学习到相关行为特征，解决了违规行为样本较少，种类多的较为难学习的难点，有效了提升算法学习的效率，减少了数据成本。
3、本发明设计了一种度量方式，这种方式可以用来测量在不同分布间的距离的方法。这种方式基于“陆地移动距离”方法优化改进，将以往利用整张图特征计算距离优化为基于图块特征来计算距离，使其成功应用于小样本的违规行为识别中。并且这种度量方法可以有效的避免背景对小样本违规行为识别的干扰，提高了小样本学习的识别效率和准确率。
本发明分别针对常见的加油站打电话、吸烟两种违规行为进行测试，每种行为各有训练样本5个，训练后，利用一百张图像测试，准确率分别达到89％和85％。本发明利用较小的训练成本就可以达到可以实用的效果。
附图说明
图1为本发明中人体骨架关键点位置图，
图2为本发明的流程方框图。
具体实施方式
以下结合附图，通过具体实施例，对本发明进行详细说明。
图2为本发明的流程方框图，如图2所示，本发明实施例的基于小样本学习神经网络的违规行为的图像识别方法包括如下步骤：
步骤一、收集数据S1：首先收集有关违规行为数据集，并对数据集进行过滤筛查。数据筛查主要保留到数据的多样性，主要筛选出同一违规行为的不同状态的图像。筛查完之后，将数据随机分为支撑集和测试集。
步骤二、人工标注S2：通过人工处理的方式对收集到的数据集进行标注和处理，标注是利用人眼观察的方式，将违规行为用矩形框在图像中框出来，框的时候要附带违规行为的关键物体，例如，违规接打手机要除了框出人体外还要框出手机位置，框好后，记录矩形框四个角的坐标，然后将标注好的数据按照需求分成若干个类，每个类中的数据集可以应用到神经网络的训练。
步骤三、训练网络S3：利用标注好的数据集训练设计好的小样本学习网络，小样本在训练过程中会学习到这种特征间的度量方法，这种度量方法能够较好的判断两个样本间的相似性。
步骤四、测试网络S4：用测试样本里面的数据测试小样本网络，看是否达到预期准确率，一般定义为对一个类识别的准确率到达80％，就可以应用到实际中。
步骤五、合格判断S5：测试网络不合格即测试中某一类的准确率没有达到80％，则重复步骤3～4，直到测试合格进入步骤6。
步骤六、部署应用S6：测试合格后，将算法部署在由监控摄像机和芯片边缘端并应用在不同的特定的区域场所，用来获取图像的监控摄像头需要安装在特定的场所，如在加油站监控违规行为，要将摄像头安装在高度在2.5m到3m的高度，保证可以获得人体全部图像，以便于对图像进行分块。
步骤七、获取图像S7：通过监控摄像机获取到图像后，图像进行归一化处理，就是将图像设置为固定的统一的尺寸，然后将统一大小的图像输入到网络中。
步骤八、分割图块S8：对图像进行人体骨架分区，并按区域分割图块。
本发明采用图像分块策略，图像图块的分割方式是根据人体的结构来进行切块的，因为异常违规行为往往跟人有关系，本发明利用posenet骨架提取网络提取人体骨架，本发明按照骨架提取的关键点，以脖子和腰部为界，将图像分为：头部，左上半身，右上半身，左下半身，右下半身，然后将这五个部分送入步骤二中提取特征。
图1为本发明人体关键点位置图，如图1所示，提供了所用的人体关键点，在步骤S8中本发明将图像按照人体关键点进行分块，其中分块中的头部包含关键点：15、16、17、18、0，左上半身包含关键点：1、2、3、4、9、8，右上半身包含的关键点：1、5、6、7、8、12，左下半身包含的关键点：8，9，10，11，22，23，24.右下半身包含的关键点：8、12、13、14、19、20、21。
步骤九、提取特征S9：利用预训练好的网络提取图块特征，并将特征转换为特征向量。该提取特征S9，是利用预训练好的模型提取特征，采用预训练好的ResNet-101来对每个图块分别进行特征的提取，提取完特征后再进行距离计算。将高维的特征转换为一维的特征向量。
步骤十、度量距离S10：计算特征向量与之前训练样本的距离，判断特征属于那一类，并输出结果。
本发明设计了以一种图块间的特征计算方式，主要考虑的是局部图块之间的距离关系。图块经过前面特征提取后，将图像块压缩为一个特征向量。本发明利用EMD方法，首先为不同图块分配不同的权重如公式(1)所示，其中j，k分别表示图块的特征，w表示图块的权重，为显著区域分配的权重多一些，然后通过线性规划的方式寻找各个图块之间的距离，距离计算如公式(3)所示，其中z表示图块与图块最优匹配的值，而v则表示图块特征向量之间匹配的代价，从而计算出两组图块之间的距离。这是一种注意力机制，相当于给目标区域更多注意力。将图像分块，计算每个图块之间的距离，避免了背景干扰、图像对齐等问题。
计算
J＝{(j1，wj1)，(j2，wj2)，(j3，wj3)，.....，(jm，wjm)} (1)
K＝{(k1，wk1)，(k2，wk2)，(k3，wk3)，.....，(kn，wkn)} (2)
Figure BDA0002721649430000051
在公式(1)中，J表示的测试图块集，j表示测试图块集里的图块特征，w表示图块的不同权重；在公式(2)中K表示的是支持图块集，k表示支持图块集的图块特征，w也是表示着图块的不同权重；公式(3)中则是计算J测试图块集和K支持图块集之间的距离。距离越小表示二者归属于同一类的概率越大。z表示图块与图块最优匹配的值，v则表示图块特征向量之间匹配的代价。
步骤十一、输出结果S11：判断特征属于那一类，并输出结果。
本发明设计一种边缘端的部署应用方式，使得训练好的网络可以部署在摄像机边缘端，摄像机边缘端是由一个监控摄像机和一个嵌入式芯片组成。将训练好的小样本学习网络植入到芯片模块中，然后监控摄像机将拍摄到的画面输入到芯片模块中，芯片就会输出检测结果。
根据实际的需要，本发明方法可以重复步骤七至步骤十。
本发明的基于小样本学习神经网络的违规行为的图像识别方法设计了一种边缘端的部署应用方式，使得训练好的网络可以部署在摄像机边缘端，摄像机边缘端是由一个监控摄像机和一个嵌入式芯片组成。将训练好的小样本学习网络植入到芯片模块中，然后监控摄像机将拍摄到的画面输入到芯片模块中，芯片就会输出检测结果。经实验，本发明的基于小样本学习神经网络的违规行为的图像识别方法具有良好的效果,表1为AP50和AP75实用效果对照表，其中AP50和AP75分别是国际公认的评测指标，表示平均召回率，AP50指平均召回率阈值为50％，AP75表示阈值为75％。详见表中数值。
表1为AP50和AP75实用效果对照表
样本类型 AP50 AP75
3-way 2-shot 55％ 39％
3-way 3-shot 73％ 46％
3-way 5-shot 89％ 65％
由于没有人做过这类实验，但从对比于结果来看，相对于其它方法在AP50中60％的平均成绩，本发明的最高可以到89％达到可以实用的效果。表中，3way表示需要识别的类别数量，这里表示3类违规行为，2-shot表示样本数量，2表示两个样本，3表示三个样本，5个表示五个样本量，样本量越多效果越理想。
以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.基于深度学习神经网络的人员违规行为的图像识别方法，包括如下步骤：
步骤一、收集数据：首先收集有关违规行为数据集，并对数据集进行过滤筛查。
步骤二、人工标注：通过人工处理的方式对收集到的数据集进行标注和处理，将数据按照需求分成若干个类，每个类中使得数据集可以应用到神经网络的训练。
步骤三、训练网络：利用标注好的数据集训练设计好的小样本学习网络，小样本在训练过程中会学习到这种特征间的度量方法，这种度量方法能够较好的判断两个样本间的相似性。
步骤四、测试网络：用新的样本测试小样本网络，看是否达到预期准确率。
步骤五、合格判断：测试网络不合格，则重复步骤三和步骤四，直到测试合格进入第6步
步骤六、部署应用：测试合格后，将算法部署在由监控摄像机和芯片边缘端并应用在不同的特定的区域场所
步骤七、获取图像：监控摄像头获取到图像后，将图像输入到小样本学习网络中
步骤八、分割图块：对图像进行人体骨架提取获得人体骨架关键位置图，并按区域分割图块；
步骤九、提取特征：利用预训练好的网络提取图块特征，并将特征转换为特征向量
步骤十、度量距离：计算特征向量与之前训练样本的距离，判断特征属于那一类，并输出结果。
步骤十一、输出结果：判断特征属于那一类，并输出结果。
2.根据权利要求1所述的基于深度学习神经网络的人员违规行为的图像识别方法，其特征在于：所述的步骤一、收集数据的具体过程或方法是：对于违规行为的数据集收集主要来源于场景的日常监控，从日常监控中收集到相关违规行为的图像信息，如果日常监控中违规行为太少或没有，则通过人工模拟违规行为进行拍摄，来收集数据。
3.根据权利要求1所述的基于深度学习神经网络的人员违规行为的图像识别方法，其特征在于：所述的步骤二、人工标注的具体过程或方法是：收集完数据后，需要对违规行为进行标准，标注的方法是利用手动的方式框取画面中违规人物所在位置，然后提取矩形框图四个角的坐标已完成标注。
4.根据权利要求1所述的基于深度学习神经网络的人员违规行为的图像识别方法，其特征在于：所述的步骤八、分割图块具体是：利用posenet骨架提取网络提取人体骨架，按照骨架提取的关键点，以脖子和腰部为界，将图像分为：头部，左上半身，右上半身，左下半身，右下半身，然后将这五个部分送入步骤二中提取特征。
5.根据权利要求1所述的基于深度学习神经网络的人员违规行为的图像识别方法，其特征在于：所述的步骤九、提取特征：是利用预训练好的模型提取特征，采用预训练好的ResNet-101来对每个图块分别进行特征的提取，提取完特征后再进行距离计算；将高维的特征转换为一维的特征向量。
6.根据权利要求5所述的基于深度学习神经网络的人员违规行为的图像识别方法，其特征在于：所述的计算是利用EMD方法，首先为不同图块分配不同的权重如公式(1)所示，其中j，k分别表示图块的特征，w表示图块的权重，为显著区域分配的权重多一些，然后通过线性规划的方式寻找各个图块之间的距离，距离计算如公式(3)所示，其中z表示图块与图块最优匹配的值，而v则表示图块特征向量之间匹配的代价，从而计算出两组图块之间的距离；计算
Figure FDA0002721649420000021
Figure FDA0002721649420000022
Figure FDA0002721649420000023
在公式(1)中，J表示的测试图块集，j表示测试图块集里的图块特征，w表示图块的不同权重；在公式(2)中K表示的是支持图块集，k表示支持图块集的图块特征，w也是表示着图块的不同权重；公式(3)中则是计算J测试图块集和K支持图块集之间的距离。距离越小表示二者归属于同一类的概率越大，z表示图块与图块最优匹配的值，v则表示图块特征向量之间匹配的代价。
CN202011089614.3A 2020-10-13 2020-10-13 基于小样本学习神经网络的违规行为的图像识别方法 Active CN112183438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011089614.3A CN112183438B (zh) 2020-10-13 2020-10-13 基于小样本学习神经网络的违规行为的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011089614.3A CN112183438B (zh) 2020-10-13 2020-10-13 基于小样本学习神经网络的违规行为的图像识别方法

Publications (2)

Publication Number Publication Date
CN112183438A true CN112183438A (zh) 2021-01-05
CN112183438B CN112183438B (zh) 2022-11-04

Family

ID=73949502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011089614.3A Active CN112183438B (zh) 2020-10-13 2020-10-13 基于小样本学习神经网络的违规行为的图像识别方法

Country Status (1)

Country Link
CN (1) CN112183438B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155555A (zh) * 2021-12-02 2022-03-08 北京中科智易科技有限公司 人体行为人工智能判断系统和方法
CN114422751A (zh) * 2021-12-25 2022-04-29 国网北京市电力公司 基于多路摄像头物理拓扑的智能视频识别联动系统及方法
CN115104753A (zh) * 2022-07-13 2022-09-27 四川中烟工业有限责任公司 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置
CN116092199A (zh) * 2023-04-11 2023-05-09 山东易视智能科技有限公司 一种员工工作状态识别方法及识别系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955914A (zh) * 2014-02-27 2014-07-30 西安电子科技大学 基于随机投影和Signature/EMD框架的SAR图像分割方法
CN106055573A (zh) * 2016-05-20 2016-10-26 西安邮电大学 一种多示例学习框架下的鞋印图像检索方法及系统
CN107135402A (zh) * 2016-02-29 2017-09-05 无锡天脉聚源传媒科技有限公司 一种识别电视台图标的方法及装置
CN110163110A (zh) * 2019-04-23 2019-08-23 中电科大数据研究院有限公司 一种基于迁移学习和深度特征融合的行人重识别方法
CN111259366A (zh) * 2020-01-22 2020-06-09 支付宝(杭州)信息技术有限公司 一种基于自监督学习的验证码识别器的训练方法和装置
CN111339883A (zh) * 2020-02-19 2020-06-26 国网浙江省电力有限公司 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN111539276A (zh) * 2020-04-14 2020-08-14 国家电网有限公司 一种在电力场景下安全帽实时检测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955914A (zh) * 2014-02-27 2014-07-30 西安电子科技大学 基于随机投影和Signature/EMD框架的SAR图像分割方法
CN107135402A (zh) * 2016-02-29 2017-09-05 无锡天脉聚源传媒科技有限公司 一种识别电视台图标的方法及装置
CN106055573A (zh) * 2016-05-20 2016-10-26 西安邮电大学 一种多示例学习框架下的鞋印图像检索方法及系统
CN110163110A (zh) * 2019-04-23 2019-08-23 中电科大数据研究院有限公司 一种基于迁移学习和深度特征融合的行人重识别方法
CN111259366A (zh) * 2020-01-22 2020-06-09 支付宝(杭州)信息技术有限公司 一种基于自监督学习的验证码识别器的训练方法和装置
CN111339883A (zh) * 2020-02-19 2020-06-26 国网浙江省电力有限公司 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN111539276A (zh) * 2020-04-14 2020-08-14 国家电网有限公司 一种在电力场景下安全帽实时检测的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155555A (zh) * 2021-12-02 2022-03-08 北京中科智易科技有限公司 人体行为人工智能判断系统和方法
CN114155555B (zh) * 2021-12-02 2022-06-10 北京中科智易科技有限公司 人体行为人工智能判断系统和方法
CN114422751A (zh) * 2021-12-25 2022-04-29 国网北京市电力公司 基于多路摄像头物理拓扑的智能视频识别联动系统及方法
CN115104753A (zh) * 2022-07-13 2022-09-27 四川中烟工业有限责任公司 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置
CN115104753B (zh) * 2022-07-13 2023-01-20 四川中烟工业有限责任公司 一种基于孪生神经网络的卷烟烘丝机故障检测方法及装置
CN116092199A (zh) * 2023-04-11 2023-05-09 山东易视智能科技有限公司 一种员工工作状态识别方法及识别系统

Also Published As

Publication number Publication date
CN112183438B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN112183438B (zh) 基于小样本学习神经网络的违规行为的图像识别方法
CN104166841B (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN105095856B (zh) 基于掩模的有遮挡人脸识别方法
CN104063722B (zh) 一种融合hog人体目标检测和svm分类器的安全帽识别方法
CN113516076B (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN105787472B (zh) 一种基于时空拉普拉斯特征映射学习的异常行为检测方法
CN105574550A (zh) 一种车辆识别方法及装置
CN102214309B (zh) 一种基于头肩模型的特定人体识别方法
CN107506703A (zh) 一种基于无监督局部度量学习和重排序的行人再识别方法
CN109977897A (zh) 一种基于深度学习的船舶特征重识别方法、应用方法及系统
CN106250936A (zh) 基于机器学习的多特征多线程安检违禁品自动识别方法
CN112434562B (zh) 口罩佩戴状态的检测方法、设备、电子装置和存储介质
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN109886242A (zh) 一种行人重识别的方法及系统
CN113869162A (zh) 一种基于人工智能的违章识别方法及系统
CN112241692B (zh) 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN107330027A (zh) 一种弱监督的深度台标检测方法
CN109492534A (zh) 一种基于Faster RCNN的跨场景多姿态的行人检测方法
CN103390151A (zh) 人脸检测方法及装置
CN105160285A (zh) 基于立体视觉的自动人体跌倒识别方法及系统
CN113343926A (zh) 一种基于卷积神经网络的驾驶员疲劳检测方法
CN114187664B (zh) 一种基于人工智能的跳绳计数系统
CN114841920A (zh) 基于图像处理的火焰识别方法、装置及电子设备
CN108681928A (zh) 一种智能广告投放方法

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