CN112507952B - 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 - Google Patents
自适应人体测温区域筛选方法及额头无遮挡区域提取方法 Download PDFInfo
- Publication number
- CN112507952B CN112507952B CN202011516442.3A CN202011516442A CN112507952B CN 112507952 B CN112507952 B CN 112507952B CN 202011516442 A CN202011516442 A CN 202011516442A CN 112507952 B CN112507952 B CN 112507952B
- Authority
- CN
- China
- Prior art keywords
- area
- forehead
- face
- human body
- temperature measurement
- 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.)
- Active
Links
- 210000001061 forehead Anatomy 0.000 title claims abstract description 59
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012216 screening Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000036760 body temperature Effects 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 210000000887 face Anatomy 0.000 claims description 2
- 208000006440 Open Bite Diseases 0.000 claims 1
- 238000003331 infrared imaging Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 210000004209 hair Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种自适应人体测温区域筛选方法及额头无遮挡区域提取方法,本发明利用深度学习中的YOLOv3‑tiny算法和自适应区域选择的融合算法,利用红外成像、可见光成像的优势,可以实现人脸特征测温区域的高准确率和精度的实时定位和选择,给出了一种将深度学习方法应用于实时人体温度筛查和温度监测方式。本发明方法可以实现人脸测温区域的自动识别和定位,可以细化测温区域的筛查与选择,在避免误检测的基础上可以提高温度测量比对的规范性、一致性和确定性,在人体温度筛查领域具有广泛的应用前景。
Description
技术领域
本发明涉及红外成像人体温度测量技术领域,尤其涉及一种自适应人体测温区域筛选方法及额头无遮挡区域提取方法,利用深度学习中YOLOv3-tiny算法辅助红外成像多点测温的测温区域选择和定位方法,以实时选择和定位人体测温区域,并可以根据人脸遮挡情况进行适当调整测温区域,提高检测的准确性。
背景技术
近20年以来,因具有非接触式、响应快速、可动态测温等优势,红外测温技术在工业生产、科学研究、医疗卫生等领域得到了广泛的应用。现有的人体测温方法可以分为接触式和非接触式两大类。基于红外热成像技术的非接触式测温仪器测量速度快,可以实现远离被测人自动测量,避免接触感染的风险。
红外热成像人体温度测量的现有测温区域筛选方式主要以人脸最高温度为基准,这样的测温方式容易受到脸部其他高温部分的影响,如人中等,造成人体温度的误检测,影响测量精度。而以额头作为测温区域符合日常测温习惯,与现有测温方式相一致,便于可比性。
针对大范围自由空间内人体温度的非接触式测量,本发明发明了一种基于YOLOv3-tiny自动选择和定位人体测温区域的方法,即一种利用深度学习方法和图像处理方法相融合的额头检测定位流程。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种自适应人体测温区域筛选方法及额头无遮挡区域提取方法,以一种额头自动选取的方法自动确定测温区域位置,有利于红外成像温度测量的规范性、一致性和确定性,并根据自适应筛选细化测温区域的选择,可以避免人脸中奇特遮挡区域的影响,实现红外成像测温“准”,精度“高”,使用“方便的优点。
本发明是通过以下技术方案实现的:
一种自适应人体测温区域筛选方法,具体包括以下步骤:
(1)利用深度学习中的YOLOv3-tiny模型对人脸进行检测,实现人脸区域的自动检测和定位;
(2)根据自动检测和定位的人脸区域,从人脸区域中提取正确的额头部分,同时对额头是否被遮挡进行判断。
步骤(1)所述的利用深度学习中的YOLOv3-tiny模型对人脸进行检测,实现人脸区域的自动检测和定位,具体过程如下:
1.1) 针对不同场景下的人体图像,制作人体测温区域的数据集进行模型训练,通过调整曝光度、饱和度和色调数据来增加样本的多样性;
1.2)使用训练得到的深层特征抽取网络对可见光图像的深度特征进行提取,将原始红外测温图像转换为高纬度下的多组特征分布图;
1.3)对不同的特征分布图进行多尺度推断,从推断结果中回归出不同尺度的人脸相对位置和置信度信息;
1.4)对神经网络前向推理出的原始信息进行聚类和极大值抑制处理,得到最终的人脸筛选框,实现人脸区域的自动检测和定位。
步骤(2)所述的从人脸区域中提取正确的额头部分,同时对额头是否被遮挡进行判断,具体方法如下:
2.1)根据相对位置关系,从人脸区域A中得到同时包含额头和除额头以外的区域B;
2.2)根据区域A和区域B两部分的相对灰度关系,对区域B进行自适应的二值化操作,将额头和除额头以外的其他部分区分开来;
2.3)在二值化的区域B中提取面积最大的矩形,这个矩形就是最大额头区域C;
2.4)通过区域A和区域C的面积之比,判断实际用于检测的额头大小。
一种额头无遮挡区域提取方法,从利用YOLOv3-tiny模型对人脸进行检测得到的人脸区域中通过二值化操作来提取无遮挡的额头部分。
本发明的优点是:本发明利用深度学习中的YOLOv3-tiny算法和自适应区域选择的融合算法,利用红外成像、可见光成像的优势,可以实现人脸特征测温区域的高准确率和精度的实时定位和选择,给出了一种将深度学习方法应用于实时人体温度筛查和温度监测方式。
相较于传统的非接触式红外测温方法,本发明方法可以实现人脸测温区域的自动识别和定位,可以细化测温区域的筛查与选择,在避免误检测的基础上可以提高温度测量比对的规范性、一致性和确定性,在人体温度筛查领域具有广泛的应用前景。
附图说明
图1为人脸区域的自动检测和定位效果图。
图2为本发明自适应人体测温区域筛选方法实现流程图。
图3为额头区域提取流程示意图。
图4为人体测温区域提取效果示意图。
图5为人体测温区域提取最佳实施方式示意图。
具体实施方式
如图2所示,通过一种YOLOv3-tiny自动识别算法,完成人脸区域的定位和测温区域的初级筛选,避免背景温度的影响。(2)通过一种自适应额头筛选的方法,实现测温区域的精细化筛选,避免刘海和其他遮挡物的影响,提升温度阈值报警的可信性。具体过程如下:
1、基于YOLOv3-tiny的人脸特征测温区域识别和定位方法
采用红外成像方式对人体温度进行测量,首先需要确定测量区域的位置。对于测量区域的选择,现有测温产品大多将整个人脸区域视为测温区域,提取人脸区域的最高温度值作为人体温度。这种方法容易受到误差波动和人脸温度分布实时变化的影响。并且在额头被部分遮挡时,不能给出正确的提示。能否从整幅图像中提取正确的额头部分,并排除刘海等遮挡的干扰是影响测温准确性的首要因素。为此,本发明给出了两阶段的额头检测算法。第一步是利用深度学习中的YOLOv3-tiny模型对人脸进行检测,第二步是根据人脸检测的信息,从人脸框中提取正确的额头部分,同时对额头是否被遮挡进行判断。
YOLO算法是一种常用的深度学习目标检测算法。相比于传统方法,基于深度卷积神经网络的算法可以学习到更多的高维特征,具有快速,通用,准确率高,鲁棒性强等优点。
本发明中使用YOLO算法进行人脸特征测温区域识别和定位方法的流程如下:(1)针对不同场景下的人体图像,制作了专门的人体测温区域的数据集进行模型训练,通过调整曝光度、饱和度和色调数据增强方法来增加样本的多样性。(2)使用训练得到的深层特征抽取网络对可见光图像的深度特征进行提取,将原始红外测温图像转换为高纬度下的多组特征分布图。(3)对不同的特征分布图进行多尺度推断,从推断结果中回归出不同尺度的人脸相对位置和置信度信息,增强神经网络对各种目标大小的鲁棒性。(4)对神经网络前向推理出的原始信息进行聚类和极大值抑制处理。得到最终的人脸筛选框,实现人脸区域的自动检测和定位。本发明方法的具体效果如图1所示。
2.基于动态规划的额头无遮挡区域提取方法
从可见光图像中成功检测到人脸所在区域后,需要再从人脸区域中提取出额头部分的位置信息,才能实现精准测温。而每个人的额头位置,大小都不一样,额头区域受到头发遮挡也会影响检测效果。为了解决这些问题,本发明给出了一种根据人脸灰度值自适应的额头区域提取算法,可以实现从人脸框中提取出无遮挡额头区域的目的。
本发明算法的基本步骤包括:1、根据相对位置关系,从人脸区域A中得到同时包含额头和其他无关信息的区域B。2、根据A和B两部分的相对灰度关系,对区域B进行自适应的二值化操作,将额头和其他部分区分开来。3、在二值化的区域B中提取面积最大的矩形,认为这个矩形就是不包含头发无关信息的最大额头区域C。4、通过A区域和C区域的面积之比,可以判断实际可用于检测的额头大小。如果比值偏大,认为头发遮挡太多,不进行温度检测。
本发明方法的流程如图3所示,从左到右分别为人脸区域A,同时包含额头和无关信息的区域B,自适应二值化处理后的区域B,可用于检测的最大矩形区域C。对于第一帧人脸,最终提取到的可靠额头区域占比较大,认为额头区域没有被明显遮挡,可以进行后续的温度测量(图3(a))。图3(b)所示为最终提取到的可靠额头区域占比较小,认为额头被遮挡情况较为严重,此时得到的测温结果不可靠,应在排除遮挡后重新进行检测。
通过上述方法,本发明可以将人体测温区域定位在人脸无遮挡的额头区域上,实现对测温区域的自动选择和定位,在可见光下,最终效果如图4所示。
本发明给出的一种自适应人体测温区域筛选方法具体实施方式如下,实施方式的系统结构如图5所示:
1、红外测温元件及辅助器件的准备:本发明需要一个可见光相机和一个红外测温相机,通过将可见光相机和红外相机连接在MIniPC平台上,获得双通道的图像。为保证测温的准确性,测量环境不应出现剧烈的环境温度波动。
2、当被测者走进可见光和红外相机的视场中时,首先对可见光图像进行处理,在对获取的图像进行去畸变,图像增强等的图像预处理操作后,在获取的可见光图像上运用深度学习YOLOv3-tiny的检测方法,对人脸特征进行识别,筛选得到人体上人脸的区域,并进一步定位,得到初步的粗略测温区域。
3、在人脸粗略测温区域中,通过自适应的额头区域提取方法,避免光照、人脸形态对额头提取的影响,从人脸区域中提取出所需要的额头测温区域,去除遮挡物对温度测量的影响,达到测温区域的细化。
4、在自动筛选和定位得到的区域上读取对应的红外测温相机的测量值,通过数据处理后获得人体额温的测量结果。
Claims (2)
1.一种自适应人体测温区域筛选方法,其特征在于:具体包括以下步骤:
(1)利用深度学习中的YOLOv3-tiny模型对人脸进行检测,实现人脸区域的自动检测和定位;
(2)根据自动检测和定位的人脸区域,从人脸区域中提取正确的额头部分,同时对额头是否被遮挡进行判断;
步骤(1)所述的利用深度学习中的YOLOv3-tiny模型对人脸进行检测,实现人脸区域的自动检测和定位,具体过程如下:
1.1) 针对不同场景下的人体图像,制作人体测温区域的数据集进行模型训练,通过调整曝光度、饱和度和色调数据来增加样本的多样性;
1.2)使用训练得到的深层特征抽取网络对可见光图像的深度特征进行提取,将原始红外测温图像转换为高纬度下的多组特征分布图;
1.3)对不同的特征分布图进行多尺度推断,从推断结果中回归出不同尺度的人脸相对位置和置信度信息;
1.4)对神经网络前向推理出的原始信息进行聚类和极大值抑制处理,得到最终的人脸筛选框,实现人脸区域的自动检测和定位;
步骤(2)所述的从人脸区域中提取正确的额头部分,同时对额头是否被遮挡进行判断,具体方法如下:
2.1)根据相对位置关系,从人脸区域A中得到同时包含额头和除额头以外的区域B;
2.2)根据区域A和区域B两部分的相对灰度关系,对区域B进行自适应的二值化操作,将额头和除额头以外的其他部分区分开来;
2.3)在二值化的区域B中提取面积最大的矩形,这个矩形就是最大额头区域C;
2.4)通过区域A和区域C的面积之比,判断实际用于检测的额头大小。
2.一种用于权利要求1所述方法的额头无遮挡区域提取方法,其特征在于:从利用YOLOv3-tiny模型对人脸进行检测得到的人脸区域中通过二值化操作来提取无遮挡的额头部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011516442.3A CN112507952B (zh) | 2020-12-21 | 2020-12-21 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011516442.3A CN112507952B (zh) | 2020-12-21 | 2020-12-21 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507952A CN112507952A (zh) | 2021-03-16 |
CN112507952B true CN112507952B (zh) | 2023-04-28 |
Family
ID=74921785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011516442.3A Active CN112507952B (zh) | 2020-12-21 | 2020-12-21 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507952B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820018A (zh) * | 2021-09-13 | 2021-12-21 | 深圳市巨龙创视科技有限公司 | 一种基于红外成像的测温方法、装置、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046703A (zh) * | 2018-10-12 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 人脸防伪检测方法、装置及多目相机 |
CN111220277A (zh) * | 2020-02-27 | 2020-06-02 | 北京遥感设备研究所 | 一种智能红外体温筛查系统 |
AU2020101210A4 (en) * | 2020-06-30 | 2020-08-06 | Anguraj, Dinesh Kumar Dr | Automated screening system of covid-19 infected persons by measurement of respiratory data through deep facial recognition |
CN111829661A (zh) * | 2020-06-12 | 2020-10-27 | 深圳禾思众成科技有限公司 | 一种基于人脸解析的额温测量方法及系统 |
CN112016447A (zh) * | 2020-08-27 | 2020-12-01 | 华南理工大学 | 基于Yolo神经网络的智能额头测温方法及其应用 |
CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10165949B2 (en) * | 2015-06-14 | 2019-01-01 | Facense Ltd. | Estimating posture using head-mounted cameras |
-
2020
- 2020-12-21 CN CN202011516442.3A patent/CN112507952B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046703A (zh) * | 2018-10-12 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 人脸防伪检测方法、装置及多目相机 |
CN111220277A (zh) * | 2020-02-27 | 2020-06-02 | 北京遥感设备研究所 | 一种智能红外体温筛查系统 |
CN111829661A (zh) * | 2020-06-12 | 2020-10-27 | 深圳禾思众成科技有限公司 | 一种基于人脸解析的额温测量方法及系统 |
AU2020101210A4 (en) * | 2020-06-30 | 2020-08-06 | Anguraj, Dinesh Kumar Dr | Automated screening system of covid-19 infected persons by measurement of respiratory data through deep facial recognition |
CN112016447A (zh) * | 2020-08-27 | 2020-12-01 | 华南理工大学 | 基于Yolo神经网络的智能额头测温方法及其应用 |
CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
W. Yang 等.Real-time face detection based on YOLO.《2018 1st IEEE International Conference on Knowledge Innovation and Invention (ICKII)》.2018,221-224. * |
冯相明 等.基于LBP和YOLO的人脸检测方法.《电视技术》.2020,第43卷(第18期),56-60. * |
Also Published As
Publication number | Publication date |
---|---|
CN112507952A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021047232A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN105956578B (zh) | 一种基于身份证件信息的人脸验证方法 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
Jain et al. | Facial marks: Soft biometric for face recognition | |
CN102419819B (zh) | 人脸图像识别方法和系统 | |
CN108171201B (zh) | 基于灰度形态学的睫毛快速检测方法 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN108171223A (zh) | 一种基于多模型多通道的人脸识别方法及系统 | |
CN104598888B (zh) | 一种人脸性别的识别方法 | |
WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
CN106909879A (zh) | 一种疲劳驾驶检测方法及系统 | |
CN109325408A (zh) | 一种手势判断方法及存储介质 | |
CN105320948A (zh) | 一种基于图像的性别识别方法、装置及系统 | |
CN112507952B (zh) | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 | |
CN116386120A (zh) | 一种无感监控管理系统 | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
CN107315997B (zh) | 一种基于快速特征点定位的视线朝向判断方法及系统 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
Gogoi et al. | Facial mole detection: an approach towards face identification | |
Tarek et al. | Eye Detection-Based Deep Belief Neural Networks and Speeded-Up Robust Feature Algorithm. | |
Gao et al. | On Designing a SwinIris Transformer Based Iris Recognition System | |
Dey et al. | Facial landmark detection using FAST Corner Detector of UGC-DDMC Face Database of Tripura tribes | |
CN112215113A (zh) | 人脸识别方法及装置 | |
Takano et al. | Rotation invariant iris recognition method adaptive to ambient lighting variation |
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 |