CN112232309A - 用于热像人脸识别的方法、电子设备和存储介质 - Google Patents
用于热像人脸识别的方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112232309A CN112232309A CN202011421701.4A CN202011421701A CN112232309A CN 112232309 A CN112232309 A CN 112232309A CN 202011421701 A CN202011421701 A CN 202011421701A CN 112232309 A CN112232309 A CN 112232309A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- neural network
- network model
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000001931 thermography Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 16
- 238000011176 pooling Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种用于热像人脸识别的方法，其包括：获得人脸红外热像图；将人脸红外热像图转换为灰度图；对灰度图中的人脸的真实框进行标记，作为标签；基于灰度图和标签，构建用于热像人脸检测的数据集，该数据集包括训练集、验证集和测试集；构建神经网络模型；基于所述训练集对所述神经网络模型进行训练；保存训练中验证集准确率最高的神经网络模型及模型参数；将所述测试集中的灰度图输入保存的经训练的所述神经网络模型，以得到关于人脸部位的预测框和温度信息；以及判断温度是否正常。本申请还涉及一种电子设备和计算机可读存储介质。由此，能够有效融合图像的高低层语义信息，提升目标检测的精度。
Description
技术领域
本申请的实施例总体涉及信息处理领域，具体涉及用于热像人脸识别的方法、电子设备和计算机存储介质。
背景技术
以YOLO、SSD(Single Shot MultiBox Detector) 为代表的一阶段（one stage）检测算法，不需要RPN阶段，可以直接得到检测结果，所以检测速度较快，但对热像人脸的检测效果较差。
为此，本领域持续需要开发一种速度快且检测精度高的用于热像人脸识别的深度学习方法。
发明内容
为了解决上述现有技术中的技术问题，本申请一种用于热像人脸识别的深度学习方法，其采用YOLO设计思想，既继承了YOLO的检测速度，又同时改善其检测精度，特别是提升对热像人脸的检测性能。本文所述的用于热像人脸识别的深度学习方法能够有效融合图像的高低层语义信息，提升目标检测的精度。
本申请之目的还在于提供一种电子设备和非瞬时计算机可读存储介质。
为了解决上述技术问题，本申请提供以下技术方案。
根据本申请的第一方面，提供了一种用于热像人脸识别的方法，其特征在于，所述方法包括：
获得人脸红外热像图；
将人脸红外热像图转换为灰度图；
对灰度图中的人脸的真实框进行标记，作为与灰度图相关联的标签；
基于所述灰度图和所述与灰度图相关联的标签，构建用于热像人脸检测的数据集，该数据集包括训练集、验证集和测试集；
构建神经网络模型，该神经网络模型包括骨干特征提取网络、增加感受野网络和特征聚合网络；
基于所述训练集对所述神经网络模型进行训练；
保存训练中验证集准确率最高的神经网络模型及模型参数；
将所述测试集中的灰度图输入保存的经训练的所述神经网络模型，以得到关于人脸部位的预测框；
基于所述预测框在所述灰度图中的位置和所述人脸红外热像图中的温度信息，确定所述人脸部位的温度；
如果确定所述温度大于或等于预定温度，则确定所述人脸部位的温度异常；
以及，如果确定所述温度小于预定温度，则确定所述人脸部位的温度正常；
其中，在构建神经网络模型的步骤中，所述骨干特征提取网络用于从所述灰度图确定第一特征图、第二特征图和第三特征图，所述第一特征图的尺寸大于所述第二特征图，所述第二特征图的尺寸大于所述第三特征图；
其中，在构建神经网络模型的步骤中，所述增加感受野网络用于从所述第三特征图确定第四特征图；
其中，在构建神经网络模型的步骤中，所述特征聚合网络用于将所述第四特征图经过上采样的结果与所述第二特征图进行串联，以得到第一串联特征图，将所述第一串联特征图经过上采样的结果与所述第一特征图进行串联，以得到第二串联特征图，将所述第二串联特征图经过下采样的结果与所述第四特征图进行串联，以得到第三串联特征图，所述神经网络模型基于所述第一串联特征图、所述第二串联特征图和所述第三串联特征图，确定人脸的预测框。
在第一方面的一种实施方式中，所述人脸红外热像图包括戴口罩人脸的红外热像图和不戴口罩人脸的红外热像图。
在第一方面的一种实施方式中，所述骨干特征提取网络包括至少三个特征图层，用于输出所述第一特征图、所述第二特征图和所述第三特征图，所述特征图层包括残差单元、跨阶段残差边单元和串联单元，所述残差单元与所述跨阶段残差单元并联，所述串联单元用于将所述残差单元的输出和所述跨阶段残差单元的输出串联作为所述特征图层的输出。
在第一方面的一种实施方式中，所述骨干特征提取网络是经过样本集预先训练的。
在第一方面的一种实施方式中，所述增加感受野网络包括短接分支和多个卷积分支，所述卷积分支包括卷积层和空洞卷积层，所述多个卷积分支之间的卷积核大小和膨胀因子不同，所述多个卷积分支的输出经过串联得到的结果与所述短接分支的输出经过相加得到所述感受野网络的输出。
在第一方面的一种实施方式中，所述多个卷积分支包括3个卷积分支。
在第一方面的一种实施方式中，在基于所述训练集对所述神经网络模型进行训练的步骤中，损失函数包括目标位置回归损失、目标类别分类损失和置信度损失三部分，其中目标类别分类损失和置信度损失均使用交叉熵，其中目标位置回归损失采用DIoU，其公式如下：
其中， b和b gt 分别代表了所述预测框和所述真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，IoU表示所述预测框和所述真实框的交集的面积除以所述预测框和所述真实框的并集的面积得到的结果。
根据本申请的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
根据本申请的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本申请的第一方面的方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：
图1是根据本申请的实施例的信息处理环境100的示意图；
图2是根据本申请的实施例的用于热像人脸识别的方法200的示意图；
图3是根据本申请的实施例的神经网络模型300的示例框图；
图4是图3中部分缩略语的解释；
以及，图5是用来实现根据本公开实施例的用于热像人脸识别的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。本文中的缩写含义如下:Conv:卷积；Conv_unit：卷积单元;BN：批量归一化;LeakRelu：常用函数;CBL：自创词，是三个模块的首字母。
如上所述，现有的原始的YOLOv3算法采用Darknet-53网络提取目标特征，该网络骨干（BackBone）结构借鉴了Resnet的思想，交替使用1x1和3x3的卷积核构成残差块，避免了网络层数增加后梯度消失的问题。Darknet-53网络将卷积层(Conv)、跨小批量归一化层(Cross mini-Batch Normalization)、激活函数层(Mish)作为构建模型的最小单元，默认所有的卷积层后都有批量归一化层和激活函数层，提高网络的泛化性，同时使网络易于训练。整个网络中使用步长为2的卷积层代替池化层来调整输出尺寸，避免了使用池化后小目标特征丢失。检测时使用多个尺度的特征图层(FM)，可以对不同尺度的目标进行检测。FM的宽、高分别为原始输入的1/32、1/16、1/8。该网络Neck结构借鉴了FPN，融合了浅层特征与深层特征。
但是，原始的YOLOv3算法在识别精度上存在很大不足。ResNet中残差单元Resblock具有比较明显的冗余性和过拟合现象。以大小为256*256的图片为例，原始的YOLOv3网络最终划分的网格大小分别为32*32、16*16、8*8，并将高层语义信息融合了低层语义信息，但低层语义特征并未融合高层语义信息，从而使得检测精度不高。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本申请的示例实施例提出了一种用于热像人脸识别的方案。在该方案中，利用红外热像仪检测人脸，获得人脸红外热像图，所述人脸红外热像图包括戴口罩人脸的红外热像图和不待口罩人脸的红外热像图；将所述人脸红外热像图转换为灰度图；对所述灰度图中的人脸的真实框进行标记，作为与所述灰度图相关联的标签；基于所述灰度图和与所述灰度图相关联的所述标签，构建用于热像人脸检测的数据集，所述数据集包括训练集、验证集和测试集；构建神经网络模型，所述神经网络模型包括骨干特征提取网络、增加感受野网络和特征聚合网络，所述骨干特征提取网络用于从所述灰度图确定第一特征图、第二特征图和第三特征图，所述第一特征图的尺寸大于所述第二特征图，所述第二特征图的尺寸大于所述第三特征图，其中所述骨干特征提取网络包括至少三个特征图层，用于输出所述第一特征图、所述第二特征图和所述第三特征图，所述特征图层包括残差单元、跨阶段残差边单元和串联单元，所述残差单元与所述跨阶段残差单元并联，所述串联单元用于将所述残差单元的输出和所述跨阶段残差单元的输出串联作为所述特征图层的输出，所述骨干特征提取网络是经过样本集预先训练的；所述增加感受野网络用于从所述第三特征图确定第四特征图，所述增加感受野网络包括短接分支和多个卷积分支，所述卷积分支包括卷积层和空洞卷积层，所述多个卷积分支之间的卷积核大小和膨胀因子不同，所述多个卷积分支的输出经过串联得到的结果与所述短接分支的输出经过相加得到所述增加感受野网络的输出；所述特征聚合网络用于将所述第四特征图经过上采样的结果与所述第二特征图进行串联，以得到第一串联特征图，将所述第一串联特征图经过上采样的结果与所述第一特征图进行串联，以得到第二串联特征图，将所述第二串联特征图经过下采样的结果与所述第四特征图进行串联，以得到第三串联特征图，所述神经网络模型基于所述第一串联特征图、所述第二串联特征图和所述第三串联特征图，确定人脸的预测框；基于所述训练集对所述神经网络模型进行训练，其中损失函数包括目标位置回归损失、目标类别分类损失、置信度损失三部分，其中目标位置回归损失使用MSE损失函数，目标类别分类损失和置信度损失均使用交叉熵，其中目标位置回归损失采用DIoU，其公式如下：
其中，b和b gt 分别代表了所述预测框和所述真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，IoU表示所述预测框和所述真实框的交集的面积除以所述预测框和所述真实框的并集的面积得到的结果；保存训练中验证集准确率最高的神经网络模型及模型参数；将所述测试集中的灰度图输入保存的经训练的所述神经网络模型，以得到关于人脸部位的预测框；基于所述预测框在所述灰度图中的位置和所述人脸红外热像图中的温度信息，确定所述人脸部位的温度；如果确定所述温度大于或等于预定温度，则确定所述人脸部位的温度异常；如果确定所述温度小于预定温度，则确定所述人脸部位的温度正常。
由此，降低了模型的冗余性和过拟合，使得模型泛化能力更强，并且能够将诸如第三特征图的低层语义信息逐级向诸如第一特征图的高层语义消息融合，然后将诸如第一特征图的高层语义信息向诸如第三特征图的低层语义信息融合，实现高低层语义信息有效融合，使得三个特征层进行识别的过程中能够运用更多的语义信息，提升目标检测的精度，对于热像人脸的检测具有更好的效果。
在下文中，将结合附图更详细地描述本方案的具体示例。
图1示出了根据本申请的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、人脸红外热像图120和人脸的预测框130。
计算设备110例如包括但不限于个人计算机、服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。
图2示出了根据本申请的实施例的用于热像人脸识别的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。
在框202处，计算设备110利用红外热像仪检测人脸，获得人脸红外热像图，人脸红外热像图包括戴口罩人脸的红外热像图和不待口罩人脸的红外热像图。
在框204处，计算设备110将人脸红外热像图转换为灰度图。
在框206处，计算设备110对灰度图中的人脸的真实框进行标记，作为与灰度图相关联的标签。
在框208处，计算设备110基于灰度图和与灰度图相关联的标签，构建用于热像人脸检测的数据集，数据集包括训练集、验证集和测试集。
在框210处，计算设备110构建神经网络模型，神经网络模型包括骨干特征提取网络、增加感受野网络和特征聚合网络，骨干特征提取网络用于从灰度图确定第一特征图、第二特征图和第三特征图，第一特征图的尺寸大于第二特征图，第二特征图的尺寸大于第三特征图，其中骨干特征提取网络包括至少三个特征图层，用于输出第一特征图、第二特征图和第三特征图，特征图层包括残差单元、跨阶段残差边单元和串联单元，残差单元与跨阶段残差单元并联，串联单元用于将残差单元的输出和跨阶段残差单元的输出串联作为特征图层的输出，骨干特征提取网络是经过样本集预先训练的；增加感受野网络用于从第三特征图确定第四特征图，增加感受野网络包括短接分支和多个卷积分支，卷积分支包括卷积层和空洞卷积层，多个卷积分支之间的卷积核大小和膨胀因子不同，多个卷积分支的输出经过串联得到的结果与短接分支的输出经过相加得到增加感受野网络的输出；特征聚合网络用于将第四特征图经过上采样的结果与第二特征图进行串联，以得到第一串联特征图，将第一串联特征图经过上采样的结果与第一特征图进行串联，以得到第二串联特征图，将第二串联特征图经过下采样的结果与第四特征图进行串联，以得到第三串联特征图，神经网络模型基于第一串联特征图、第二串联特征图和第三串联特征图，确定人脸的预测框。
在框212处，计算设备110基于训练集对神经网络模型进行训练，其中损失函数包括目标位置回归损失、目标类别分类损失、置信度损失三部分，其中目标位置回归损失使用MSE损失函数，目标类别分类损失和置信度损失均使用交叉熵，其中目标位置回归损失采用DIoU，其公式如下：
其中，b和b gt 分别代表了所述预测框和所述真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，IoU表示预测框和真实框的交集的面积除以预测框和真实框的并集的面积得到的结果。
DIoU更加符合目标框（预测框）回归的机制，将目标（预测框）与锚定（真实框）之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，避免了IoU会出现训练过程中发散等问题。
具体来说，计算设备110计算出总的损失值后进行误差反向传播。优化器选用SGD，设置初始学习率为0.01，衰减率decay＝0.0001，动量momentum=0.9，当误差变化很平缓时令学习率减小10倍。设置批次大小为16，训练迭代次数为100次，使用批归一化BN和LeakReLU激活函数，这样可避免出现网络退化现象并加速网络训练。
在框214处，计算设备110保存训练中验证集准确率最高的神经网络模型及模型参数。
在框216处，计算设备110将测试集中的灰度图输入保存的经训练的神经网络模型，以得到关于人脸部位的预测框。也就是在测试集的灰度图中确定关于人脸部位的预测框。
在框218处，计算设备110基于预测框在灰度图中的位置和人脸红外热像图中的温度信息，确定人脸部位的温度。这里的人脸红外热像图与灰度图相对应。
在框220处，计算设备110确定温度是否大于预定温度。预定温度例如包括但不限于预先设定的人脸正常温度上限。
如果在框220处，计算设备110确定温度大于或等于预定温度，则在框222确定人脸部位的温度异常。
如果在框220处，计算设备110确定温度小于预定温度，则在框224确定人脸部位的温度正常。
由此，降低了模型的冗余性和过拟合，使得模型泛化能力更强，并且能够将诸如第三特征图的低层语义信息逐级向诸如第一特征图的高层语义消息融合，然后将诸如第一特征图的高层语义信息向诸如第三特征图的低层语义信息融合，实现高低层语义信息有效融合，使得三个特征层进行识别的过程中能够运用更多的语义信息，提升目标检测的精度，对于热像人脸的检测具有更好的效果。通过准确检测人脸，能够更准确确定人脸的温度，从而确定人脸以及人脸对应的人温度是否异常。
下面结合图3和图4描述根据本申请的实施例的神经网络模型300的示例框图。如图3和图4所示，神经网络模型300包括骨干特征提取网络301、增加感受野网络302和特征聚合网络303。其中骨干特征提取网络301包括1-52层，增加感受野网络302包括53-57层，以及特征聚合网络303包括58-62层。
第1-2层为卷积层，卷积核大小均为3x3，步长分别为1和2。
第3~4层是由1个残差单元(ResNeXt block)所得到的特征图(FM，Feature Map)和1个跨阶段残差边(CSP, Cross Stage Partial)的特征图(FM)进行串联组合形成。
第5层为过渡层，由卷积层和池化层组成，卷积层的卷积核大小为1×1，步长为1，池化层为平均池化，池化核大小为2×2，步长为2。
第6~9层是由2个残差单元所得到的特征图和1个跨阶段残差边的特征图进行串联组合而成。
第10层为过渡层，由卷积层和池化层组成，卷积核大小为1×1，步长为1，平均池化的池化核大小为2×2，步长为2。
第11~26层是由8个残差单元所得到的特征图和1个跨阶段残差边的特征图进行串联组合形成。
第27层为过渡层，由卷积层和池化层组成，卷积核大小为1×1，步长为1，平均池化的池化核大小为2×2，步长为2。
第28~43层是由8个残差单元所得到的特征图和1个跨阶段残差边的特征图进行串联组合形成。
第44层为过渡层，由卷积层和池化层组成，卷积核大小为1×1，步长为1，平均池化的池化核大小为2×2，步长为2。
第45~52层是由4个残差单元所得到的特征图和1个跨阶段残差边的特征图进行串联组合形成。
第58~62层是将第43层得到的结果经过卷积核大小为1×1，步长为1的卷积操作后，与58层输出进行串联后，经过5个卷积层，卷积核大小依次为1*1、3*3、1*1、3*3和1*1，其中步长均为1，输出到第二YOLO检测头（YOLO Head2）。
第63层为1个卷积层和上采样层，卷积核大小为1×1，步长为1。
第64~68层是将第26层得到的结果经过卷积核大小为1×1，步长为1的卷积操作后，与58层输出进行串联后，经过5个卷积层，卷积核大小依次为1*1、3*3、1*1、3*3和1*1，其中步长均为1，输出到第一YOLO检测头（YOLO Head1）。
第69层为1个卷积层和下采样层，卷积核大小为1×1，步长为1。
第70~74层是将第57层得到的结果与第69层输出进行串联后，经过5个卷积层，卷积核大小依次为1*1、3*3、1*1、3*3和1*1，其中步长均为1，最终输出到第三YOLO 检测头（YOLO Head3）。
在上述实施方式中，第一YOLO检测头包括尺寸为3*3、步长为1的2维卷积，以及尺寸为1*1、步长为1的2维卷积，输出特征图尺寸为52*52*18，其中52*52是特征图平面尺寸，18是特征图通道数。第二YOLO检测头包括尺寸为3*3、步长为1的2维卷积，以及尺寸为1*1、步长为1的2维卷积，输出特征图尺寸为26*26*18，其中26*26是特征图平面尺寸，18是特征图通道数。第三YOLO检测头包括尺寸为3*3、步长为1的2维卷积，以及尺寸为1*1、步长为1的2维卷积，输出特征图尺寸为13*13*18，其中13*13是特征图平面尺寸，18是特征图通道数。其中三个检测头都具有18个通道，以第三检测头YOLO Head3中1*1*18为例，第1~6为第一个预测框的参数，7~12为第二个预测框的参数，13~18为第三个预测框的参数。第一个预测框的参数中，第1个参数是布尔变量，预测框内存在前景则为1反之为0；第2个参数是框内目标为人脸的概率；第3~6个参数是预测框的4个位置调整参数，第二和第三个预测框的参数与第一个预测框的参数顺序一致。
下面接续结合图3详细描述特征图层的一个示例。如图3左侧第一虚框所示，特征图层例如可实现为CSPResNeXt块（CSPResXBlock），特征图层可以包括残差单元3011、跨阶段残差边单元3012(CSP, Cross Stage Partial)和串联单元3013。残差单元3011与跨阶段残差单元3012并联，串联单元3013用于将残差单元的输出和跨阶段残差单元的输出串联作为特征图层的输出。其中残差单元3011例如包括ResNeXt单元（ResX_unit），数量可以为一个或多个。ResNeXt单元例如图3的左侧第二虚框所示，包括多个Conv_unit和残差边，多个Conv_unit的输出相加后与残差边的输出相加后经过LeakReLU后输出。还如图3所示，Conv_unit可以包括1*1 CBL、3*3 CBL、1*1卷积和批归一化BN。k*k CBL可以包括k*k卷积、批归一化BN和LeakReLU。
由于Resblock具有比较明显的冗余性和过拟合现象，本公开对YOLOv3网络的骨干特征提取网络Darknet-53进行了替换，采用76层CSPResNeXt作为骨干特征提取网络，相较于ResNet，该模型具有更好的参数有效性，而且“稠密”的设计还改善了整个网络的信息流和梯度，采用这一骨干特征提取网络降低了模型的冗余性和过拟合，使得模型泛化能力更强。
下面继续参照图3说明增加感受野网络302的示例框图。如图3的右侧虚框所示，增加感受野网络的第一个分支包括1个卷积层和1个空洞卷积层，卷积层的卷积核大小为1*1，步长为1，空洞卷积层的卷积核大小为3*3，膨胀因子R（rate）=1；第二个分支包括1个卷积层和1个空洞卷积层，卷积层的卷积核大小为3*3，步长为1，空洞卷积层的卷积核大小为3*3，膨胀因子R=3；第三个分支包括1个卷积层和1个空洞卷积层，卷积层的卷积核大小为5*5，步长为1，空洞卷积层的卷积核大小为3*3，膨胀因子R=5；第四个分支是一个相当于残差边的短接层。前三个分支所得特征图FM进行串联后经过1个卷积核大小为1*1、步长为1的卷积层后得到特征图，随后特征层与第四个分支像素级相加，在经过1个卷积核大小为1*1、步长为1的卷积层后输出。
由此，能够在骨干特征提取网络的基础上增加了增加感受野网络，以增加特征图的感受野，确保检测时没有忽略重要信息，从而提高识别精度。同时只是略微增加了网络运行速度，因为增加感受野网络采用了空洞卷积。空洞卷积与普通卷积相比，增加了感受野，但是不会增加需要训练的参数的量，因为感受野增加范围内的其他像素点是选择性的跳过，能看得到，但是不需要计算。
图5示出了可以用来实施本公开内容的实施例的示例设备400的示意性框图。例如，如图1所示的计算设备110可以由设备400来实施。如图所示，设备400包括中央处理单元（CPU）401，其可以根据存储在只读存储器（ROM）402中的计算机程序指令或者从存储单元808加载到随机访问存储器（RAM）403中的计算机程序指令，来执行各种适当的动作和处理。在RAM 403中，还可存储设备800操作所需的各种程序和数据。CPU 401、ROM 402以及RAM403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标、麦克风等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200，可由处理单元401执行。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序被加载到RAM 403并由CPU 401执行时，可以执行上文描述的方法200的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种用于热像人脸识别的方法，其特征在于，所述方法包括：
获得人脸红外热像图；
将人脸红外热像图转换为灰度图；
对灰度图中的人脸的真实框进行标记，作为与灰度图相关联的标签；
基于所述灰度图和所述与灰度图相关联的标签，构建用于热像人脸检测的数据集，该数据集包括训练集、验证集和测试集；
构建神经网络模型，该神经网络模型包括骨干特征提取网络、增加感受野网络和特征聚合网络；
基于所述训练集对所述神经网络模型进行训练；
保存训练中验证集准确率最高的神经网络模型及模型参数；
将所述测试集中的灰度图输入保存的经训练的所述神经网络模型，以得到关于人脸部位的预测框；
基于所述预测框在所述灰度图中的位置和所述人脸红外热像图中的温度信息，确定所述人脸部位的温度；
如果确定所述温度大于或等于预定温度，则确定所述人脸部位的温度异常；
以及，如果确定所述温度小于预定温度，则确定所述人脸部位的温度正常；
其中，在构建神经网络模型的步骤中，所述骨干特征提取网络用于从所述灰度图确定第一特征图、第二特征图和第三特征图，所述第一特征图的尺寸大于所述第二特征图，所述第二特征图的尺寸大于所述第三特征图；
其中，在构建神经网络模型的步骤中，所述增加感受野网络用于从所述第三特征图确定第四特征图；
其中，在构建神经网络模型的步骤中，所述特征聚合网络用于将所述第四特征图经过上采样的结果与所述第二特征图进行串联，以得到第一串联特征图，将所述第一串联特征图经过上采样的结果与所述第一特征图进行串联，以得到第二串联特征图，将所述第二串联特征图经过下采样的结果与所述第四特征图进行串联，以得到第三串联特征图，所述神经网络模型基于所述第一串联特征图、所述第二串联特征图和所述第三串联特征图，确定人脸的预测框。
2.如权利要求1所述的方法，其特征在于，所述人脸红外热像图包括戴口罩人脸的红外热像图和不戴口罩人脸的红外热像图。
3.如权利要求1或权利要求2所述的方法，其特征在于，所述骨干特征提取网络包括至少三个特征图层，用于输出所述第一特征图、所述第二特征图和所述第三特征图，所述特征图层包括残差单元、跨阶段残差边单元和串联单元，所述残差单元与所述跨阶段残差单元并联，所述串联单元用于将所述残差单元的输出和所述跨阶段残差单元的输出串联作为所述特征图层的输出。
4.如权利要求3所述的方法，其特征在于，所述骨干特征提取网络是经过样本集预先训练的。
5.如权利要求4所述的方法，其特征在于，所述增加感受野网络包括短接分支和多个卷积分支，所述卷积分支包括卷积层和空洞卷积层，所述多个卷积分支之间的卷积核大小和膨胀因子不同，所述多个卷积分支的输出经过串联得到的结果与所述短接分支的输出经过相加得到所述感受野网络的输出。
6.如权利要求5所述的方法，其特征在于，所述多个卷积分支包括3个卷积分支。
7.如权利要求1或权利要求2所述的方法，其特征在于，在基于所述训练集对所述神经网络模型进行训练的步骤中，损失函数包括目标位置回归损失、目标类别分类损失和置信度损失三部分，其中目标类别分类损失和置信度损失均使用交叉熵，其中目标位置回归损失采用DIoU，其公式如下：
其中， b和b gt 分别代表了所述预测框和所述真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，IoU表示所述预测框和所述真实框的交集的面积除以所述预测框和所述真实框的并集的面积得到的结果。
8.一种电子设备，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权利要求1-7中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421701.4A CN112232309B (zh) | 2020-12-08 | 2020-12-08 | 用于热像人脸识别的方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421701.4A CN112232309B (zh) | 2020-12-08 | 2020-12-08 | 用于热像人脸识别的方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232309A true CN112232309A (zh) | 2021-01-15 |
| CN112232309B CN112232309B (zh) | 2021-03-09 |
Family
ID=74124480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011421701.4A Active CN112232309B (zh) | 2020-12-08 | 2020-12-08 | 用于热像人脸识别的方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232309B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801912A (zh) * | 2021-02-09 | 2021-05-14 | 华南理工大学 | 一种人脸图像复原方法、系统、装置及存储介质 |
| CN113065511A (zh) * | 2021-04-21 | 2021-07-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
| CN113361397A (zh) * | 2021-06-04 | 2021-09-07 | 重庆邮电大学 | 一种基于深度学习的人脸口罩佩戴情况检测方法 |
| CN113505768A (zh) * | 2021-09-10 | 2021-10-15 | 北京的卢深视科技有限公司 | 模型训练、人脸识别方法、电子设备及存储介质 |
| CN117710868A (zh) * | 2024-01-22 | 2024-03-15 | 北京动视嘉能文化传媒有限公司 | 一种对实时视频目标的优化提取系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956080A (zh) * | 2019-10-14 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111582124A (zh) * | 2020-04-30 | 2020-08-25 | 沈阳天眼智云信息科技有限公司 | 红外热像仪的人脸识别及测温方法 |
| CN211477416U (zh) * | 2020-03-26 | 2020-09-11 | 吉林省中业光电技术有限公司 | 红外人体温度测量系统 |
| CN111967315A (zh) * | 2020-07-10 | 2020-11-20 | 华南理工大学 | 一种基于人脸识别和红外检测的人体综合信息获取方法 |
| CN112001922A (zh) * | 2020-10-29 | 2020-11-27 | 飞础科智慧科技(上海)有限公司 | 带电设备的缺陷诊断方法及设备 |
-
2020
- 2020-12-08 CN CN202011421701.4A patent/CN112232309B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956080A (zh) * | 2019-10-14 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN211477416U (zh) * | 2020-03-26 | 2020-09-11 | 吉林省中业光电技术有限公司 | 红外人体温度测量系统 |
| CN111582124A (zh) * | 2020-04-30 | 2020-08-25 | 沈阳天眼智云信息科技有限公司 | 红外热像仪的人脸识别及测温方法 |
| CN111967315A (zh) * | 2020-07-10 | 2020-11-20 | 华南理工大学 | 一种基于人脸识别和红外检测的人体综合信息获取方法 |
| CN112001922A (zh) * | 2020-10-29 | 2020-11-27 | 飞础科智慧科技(上海)有限公司 | 带电设备的缺陷诊断方法及设备 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801912A (zh) * | 2021-02-09 | 2021-05-14 | 华南理工大学 | 一种人脸图像复原方法、系统、装置及存储介质 |
| CN112801912B (zh) * | 2021-02-09 | 2023-10-31 | 华南理工大学 | 一种人脸图像复原方法、系统、装置及存储介质 |
| CN113065511A (zh) * | 2021-04-21 | 2021-07-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
| CN113065511B (zh) * | 2021-04-21 | 2024-02-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
| CN113361397A (zh) * | 2021-06-04 | 2021-09-07 | 重庆邮电大学 | 一种基于深度学习的人脸口罩佩戴情况检测方法 |
| CN113361397B (zh) * | 2021-06-04 | 2022-07-12 | 重庆邮电大学 | 一种基于深度学习的人脸口罩佩戴情况检测方法 |
| CN113505768A (zh) * | 2021-09-10 | 2021-10-15 | 北京的卢深视科技有限公司 | 模型训练、人脸识别方法、电子设备及存储介质 |
| CN117710868A (zh) * | 2024-01-22 | 2024-03-15 | 北京动视嘉能文化传媒有限公司 | 一种对实时视频目标的优化提取系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232309B (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232309B (zh) | 用于热像人脸识别的方法、电子设备和存储介质 | |
| CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
| US11586851B2 (en) | Image classification using a mask image and neural networks | |
| JP6581068B2 (ja) | 画像処理装置、画像処理方法、プログラム、運転制御システム、および、車両 | |
| CN110111334B (zh) | 一种裂缝分割方法、装置、电子设备及存储介质 | |
| WO2019240964A1 (en) | Teacher and student based deep neural network training | |
| CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
| CN110008961B (zh) | 文字实时识别方法、装置、计算机设备及存储介质 | |
| CN109377532B (zh) | 基于神经网络的图像处理方法及装置 | |
| WO2019240900A1 (en) | Attention loss based deep neural network training | |
| US10082787B2 (en) | Estimation of abnormal sensors | |
| CN113792526B (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备和介质 | |
| CN115578735B (zh) | 文本检测方法和文本检测模型的训练方法、装置 | |
| CN112749695A (zh) | 文本识别的方法和装置 | |
| CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
| CN111178363B (zh) | 文字识别方法、装置、电子设备以及可读存储介质 | |
| CN108229680B (zh) | 神经网络系统、遥感图像识别方法、装置、设备及介质 | |
| CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
| CN113313114B (zh) | 证件信息获取方法、装置、设备以及存储介质 | |
| CN113468330A (zh) | 信息获取方法、装置、设备及介质 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN112949779A (zh) | 全局特征增强的小目标特征提取方法及装置 | |
| CN116524206A (zh) | 目标图像的识别方法及装置 | |
| CN115937875A (zh) | 文本识别方法及装置、存储介质、终端 | |
| CN111612714B (zh) | 图像修复方法、装置和电子设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: Room 703-704, no.238, JIANGCHANG Third Road, Jing'an District, Shanghai, 200436 Patentee after: SHANGHAI THERMAL IMAGE SCIENCE AND TECHNOLOGY Co.,Ltd. Address before: 201306 Room 201, building 10, 1211 Hongyin Road, Nicheng Town, Pudong New Area, Shanghai Patentee before: Feichuke Intelligent Technology (Shanghai) Co.,Ltd. |