CN112541434A - 一种基于中心点跟踪模型的人脸识别方法 - Google Patents
一种基于中心点跟踪模型的人脸识别方法 Download PDFInfo
- Publication number
- CN112541434A CN112541434A CN202011466389.0A CN202011466389A CN112541434A CN 112541434 A CN112541434 A CN 112541434A CN 202011466389 A CN202011466389 A CN 202011466389A CN 112541434 A CN112541434 A CN 112541434A
- Authority
- CN
- China
- Prior art keywords
- face
- sequence
- tracking
- features
- images
- 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
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器视觉技术领域,具体公开了一种基于中心点跟踪模型的人脸识别方法,包括:获取多帧目标图像;对前后帧的目标图像进行人脸跟踪,并确定对应的跟踪序列ID;对跟踪序列ID的人脸图像进行人脸对齐,并提取对应的人脸特征;在一个跟踪序列ID结束后,构建前处理人脸ID序列;对前处理人脸ID序列中的人脸图像进行质量评估,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID序列特征组;对人脸ID序列特征组中的人脸特征进行去噪,并通过人脸特征的重新排序,确定最终人脸识别结果。本发明可以降低动态视频环境下,光照、人流遮挡、人脸角度等因素对人脸识别效果的影响,提高了人脸识别的精度。
Description
技术领域
本发明涉及机器视觉技术领域,更具体地,涉及一种基于中心点跟踪模型的人脸识别方法。
背景技术
随着视频监控系统的普及和计算机视觉技术的飞速发展,基于视频的动态人脸识别技术得到了长足的进步,并在智能交通、智慧城市、信息安全以及安防等领域逐步实现工业化。
动态人脸识别方法的应用场景多为视频对静态图像识别,所述视频对静态图像识别常采用逐帧的人脸图像作为输入,通过和静态图像人脸数据库进行比对,按照余弦距离、欧氏距离或多数投票来融合所有帧的结果来实现识别或验证。一方面,这种逐帧比对的方式需要消耗很大的服务器计算量;另一方面,逐帧的比对无疑增加了识别的错误率。同时,在动态视频环境下,受光照、人流遮挡、人脸角度等因素的影响,如何有效地过滤和补偿视频里的各种人脸变化也是提高人脸识别鲁棒性的关键。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供了一种基于中心点跟踪模型的人脸识别方法,可以降低动态视频环境下,光照、人流遮挡、图像拍摄质量、人脸角度等因素对人脸识别效果的影响,提高了人脸识别的精度。
作为本发明的第一个方面,提供一种基于中心点跟踪模型的人脸识别方法,包括:
步骤S1:获取监控视频中的多帧目标图像;
步骤S2:对前后帧的目标图像进行人脸跟踪,并确定对应的跟踪序列ID,同时得到人脸检测框和人脸关键点;
步骤S3:对跟踪序列ID的人脸图像进行人脸对齐,并提取对应的人脸特征,计算跟踪序列ID中当前帧人脸特征与前一帧人脸特征之间的余弦距离,如果同一跟踪序列ID之间的余弦距离大于设定阈值,则判断为同一跟踪对象,如果小于所述设定阈值,则将其同其他跟踪序列ID的前一帧人脸特征进行比对,若有有匹配的跟踪序列ID,则将该人脸图像纳入匹配的跟踪序列ID,反之,则认定为新的目标人脸图像并分配新的跟踪序列ID;
步骤S4:在一个跟踪序列ID结束后,依据其包含的人脸图像和人脸属性信息构建前处理人脸ID序列,所述人脸属性信息包括人脸检测框、人脸关键点以及人脸特征;
步骤S5:对所述前处理人脸ID序列中的人脸图像进行质量评估,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID序列特征组;
步骤S6:对清洗后的人脸ID序列特征组中的人脸特征进行去噪,及对人脸特征进行人证匹配,并通过人脸特征的重新排序,确定最终人脸识别结果。
进一步地,所述步骤S1中,还包括:
所述监控视频由摄像头实时采集得到。
进一步地,所述步骤S2中,还包括:
将前后帧的目标图像作为输入,带入基于中心点跟踪模型中,获取人脸和人脸关键点热力图其中,W为目标图像宽度,H为目标图像高度,R为输出的尺寸缩放比例,1表示一个人脸中心点热力图,c表示c个人脸关键点热力图,所述人脸关键点热力图包含一个人脸中心点热力图和c个人脸关键点热力图;
通过人脸中心点热力图获取人脸中心点,通过c个人脸关键点热力图获取c 个人脸关键点,并附带输出所述人脸检测框的宽高、人脸中心点的偏移以及人脸关键点的偏移,依据所述人脸中心点、人脸检测框的宽高和人脸中心点的偏移得到对应的跟踪序列ID。
进一步地,所述步骤S5中,还包括:
通过人脸质量评价机制对所述前处理人脸ID序列中的人脸图像进行亮度、清晰度、完整度以及人脸角度属性评估,通过对每一项属性的评估得分进行加权求和,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID 序列特征组,得分公式如下(1):
其中,S为所述前处理人脸ID序列中的人脸图像的最终质量评估得分,wi为对应属性的权重,Qi为不同属性的评估得分。
进一步地,所述步骤S6中,还包括:
将清洗后的人脸ID序列特征组中的人脸特征进行内部去噪,排除同一个ID 序列中距离远的图像来优化人脸ID序列;
对优化的人脸ID序列进行人证比对,生成候选对象;
对候选对象进一步重新排序,通过统计同一个人脸ID序列中的多条排序获得最终人脸识别结果。
本发明提供的基于中心点跟踪模型的人脸识别方法具有以下优点:实现了人脸检测、关键点检测及跟踪三位一体的端到端模型,有效减少资源开支;在中心点跟踪模型中,融入DeepSort思想,进一步降低前后帧人脸图像跟踪出错的概率;通过质量模型优化人脸ID序列,选取质量较高的人脸图像,该预处理明显减少了人脸识别中图像输入端可能造成识别错误的影响;在人脸特征对比上,用人脸ID序列特征代替单帧人脸特征进行人证比对,并在此基础上融入ReRanking思想,进一步提高人脸识别的识别精度;因此,该发明能够有效减少复杂环境对人脸识别成功率的影响,提升人脸识别精度,适用于银行、机场、智能监控场景等多种对人脸识别精度有较高要求的复杂场景,且具有良好的推广应用价值。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的基于中心点跟踪模型的人脸识别方法的流程图。
图2为本发明提供的确定人脸跟踪序列ID的流程图。
图3为本发明提供的基于中心点跟踪模型的人脸识别方法的具体实施方式流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于中心点跟踪模型的人脸识别方法其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
在本实施例中提供了一种基于中心点跟踪模型的人脸识别方法,如图1所示,基于中心点跟踪模型的人脸识别方法包括:
步骤S1:获取监控视频中的多帧目标图像;
通过摄像头实时采集到的视频或者基于已保存好的监控视频获取多帧目标图像;
步骤S2:对前后帧的目标图像进行人脸跟踪,并确定对应的跟踪序列ID,同时得到人脸检测框和人脸关键点;
步骤S3:对跟踪序列ID的人脸图像进行人脸对齐,并提取对应的人脸特征,计算跟踪序列ID中当前帧人脸特征与前一帧人脸特征之间的余弦距离,如果同一跟踪序列ID之间的余弦距离大于设定阈值,则判断为同一跟踪对象,如果小于所述设定阈值,则将其同其他跟踪序列ID的前一帧人脸特征进行比对,若有有匹配的跟踪序列ID,则将该人脸图像纳入匹配的跟踪序列ID,反之,则认定为新的目标人脸图像并分配新的跟踪序列ID;
步骤S4:在一个跟踪序列ID结束后,依据其包含的人脸图像和人脸属性信息构建前处理人脸ID序列,所述人脸属性信息包括人脸检测框、人脸关键点以及人脸特征;
步骤S5:对所述前处理人脸ID序列中的人脸图像进行质量评估,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID序列特征组;
步骤S6:对清洗后的人脸ID序列特征组中的人脸特征进行去噪,及对人脸特征进行人证匹配,并通过人脸特征的重新排序,确定最终人脸识别结果。
优选地,所述步骤S1中,还包括:
所述监控视频由摄像头实时采集得到。
优选地,如图2-3所示,所述步骤S2中,还包括:
结合CenterPoint跟踪框架,训练一种基于人脸中心点的跟踪模型;
将前后帧的目标图像作为输入,带入基于中心点跟踪模型(CenterPoint)中,获取人脸和人脸关键点热力图其中,W为目标图像宽度,H 为目标图像高度,R为输出的尺寸缩放比例,1表示一个人脸中心点热力图,c表示c个人脸关键点热力图,所述人脸关键点热力图包含一个人脸中心点热力图和 c个人脸关键点热力图;
通过人脸中心点热力图获取人脸中心点cPoint(x,y),通过c个人脸关键点热力图获取c个人脸关键点c×kPoint(x,y),并附带输出所述人脸检测框的宽高 hw(hf,wf)、人脸中心点的偏移coffset(xf,yf)以及人脸关键点的偏移,依据所述人脸中心点、人脸检测框的宽高和人脸中心点的偏移coffset(xf,yf)得到对应的跟踪序列ID;
该CenterPoint模型可实现跟踪的同时获取人脸及人脸关键点,为后续人脸识别步骤做准备。
需要说明的是,通过人脸检测框的宽高hw(hf,wf)和人脸中心点的偏移 coffset(xf,yf),来获取人脸框坐标bbox(xlt,ylt,xrb,yrb);
通过人脸中心点cPoint(x,y)和人脸关键点的偏移coffset(xk,yk)初步获取关键点坐标PointK(xk,yk),再通过匹配人脸关键点热力图中的关键点坐标,得到最终的人脸关键点;
这两种坐标能在步骤S3中,人脸对齐以及人脸特征提取中得到应用,并且可以在步骤S4中再度利用人脸关键点坐标,估计人脸角度来筛选问题图片。
优选地,所述步骤S3中,还包括:
基于DeepSort对跟踪序列特征比对的思想对ID序列做deep操作,通过人脸关键点和人脸关键点的偏移对人脸图像进行人脸对齐;
将对齐后的人脸输入InsightFace人脸识别模型,提取人脸特征,利用当前帧人脸特征与前一帧匹配到的人脸特征带入余弦公式计算距离,通过距离判断是否为前一帧的人脸,如果同一ID之间的余弦距离大于阈值,则判断为同一跟踪对象,如果小于阈值,则将其同其他ID的前一帧人脸识别特征进行比对,如有匹配的ID,则将该人脸纳入匹配的ID序列,反之则认定为新的目标并分配新的ID。
优选地,所述步骤S4中,还包括:
通过对每一帧图像进行跟踪,获取每一帧图像中的人脸,按跟踪结果将它们保存成人脸ID序列,在一个跟踪ID序列结束后,将其包含的人脸图像和人脸属性信息(人脸框、关键点、人脸特征)构建前处理清洗之后的人脸图片及人脸属性组合成人脸ID序列。
优选地,所述步骤S5中,还包括:
通过人脸质量评价机制对所述前处理人脸ID序列中的人脸图像进行亮度、清晰度、完整度以及人脸角度属性评估,通过对每一项属性的评估得分进行加权求和,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID 序列特征组,如10个,得分公式如下(1):
其中,S为所述前处理人脸ID序列中的人脸图像的最终质量评估得分,wi为对应属性的权重,Qi为不同属性的评估得分。
优选地,所述步骤S6中,还包括:
将清洗后的人脸ID序列特征组中的人脸特征进行内部Ranking去噪,排除同一个ID序列中距离远的图像来优化人脸ID序列;
对优化的人脸ID序列进行人证比对,每张图像生成N个候选对象;
基于ReRanking思想,对N个候选对象进一步重新排序,通过统计同一个人脸ID序列中的多条排序获得最终人脸识别结果。
本发明提供的基于中心点跟踪模型的人脸识别方法,实现了人脸检测、关键点检测及跟踪三位一体的端到端模型,有效减少资源开支;在中心点跟踪模型中,融入DeepSort思想,进一步降低前后帧人脸图像跟踪出错的概率;通过质量模型优化人脸ID序列,选取质量较高的人脸图像,该预处理明显减少了人脸识别中图像输入端可能造成识别错误的影响;在人脸特征对比上,用人脸ID 序列特征代替单帧人脸特征进行人证比对,并在此基础上融入ReRanking思想,进一步提高人脸识别的识别精度;因此,该发明能够有效减少复杂环境对人脸识别成功率的影响,提升人脸识别精度,适用于银行、机场、智能监控场景等多种对人脸识别精度有较高要求的复杂场景,且具有良好的推广应用价值。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于中心点跟踪模型的人脸识别方法,其特征在于,包括:
步骤S1:获取监控视频中的多帧目标图像;
步骤S2:对前后帧的目标图像进行人脸跟踪,并确定对应的跟踪序列ID,同时得到人脸检测框和人脸关键点;
步骤S3:对跟踪序列ID的人脸图像进行人脸对齐,并提取对应的人脸特征,计算跟踪序列ID中当前帧人脸特征与前一帧人脸特征之间的余弦距离,如果同一跟踪序列ID之间的余弦距离大于设定阈值,则判断为同一跟踪对象,如果小于所述设定阈值,则将其同其他跟踪序列ID的前一帧人脸特征进行比对,若有有匹配的跟踪序列ID,则将该人脸图像纳入匹配的跟踪序列ID,反之,则认定为新的目标人脸图像并分配新的跟踪序列ID;
步骤S4:在一个跟踪序列ID结束后,依据其包含的人脸图像和人脸属性信息构建前处理人脸ID序列,所述人脸属性信息包括人脸检测框、人脸关键点以及人脸特征;
步骤S5:对所述前处理人脸ID序列中的人脸图像进行质量评估,选取质量最好的前Num个人脸图像中的人脸特征作为清洗后的人脸ID序列特征组;
步骤S6:对清洗后的人脸ID序列特征组中的人脸特征进行去噪,及对人脸特征进行人证匹配,并通过人脸特征的重新排序,确定最终人脸识别结果。
2.根据权利要求1所述的基于中心点跟踪模型的人脸识别方法,其特征在于,所述步骤S1中,还包括:
所述监控视频由摄像头实时采集得到。
5.根据权利要求1所述的基于中心点跟踪模型的人脸识别方法,其特征在于,所述步骤S6中,还包括:
将清洗后的人脸ID序列特征组中的人脸特征进行内部去噪,排除同一个ID序列中距离远的图像来优化人脸ID序列;
对优化的人脸ID序列进行人证比对,生成候选对象;
对候选对象进一步重新排序,通过统计同一个人脸ID序列中的多条排序获得最终人脸识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466389.0A CN112541434B (zh) | 2020-12-14 | 2020-12-14 | 一种基于中心点跟踪模型的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466389.0A CN112541434B (zh) | 2020-12-14 | 2020-12-14 | 一种基于中心点跟踪模型的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541434A true CN112541434A (zh) | 2021-03-23 |
CN112541434B CN112541434B (zh) | 2022-04-12 |
Family
ID=75018539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011466389.0A Active CN112541434B (zh) | 2020-12-14 | 2020-12-14 | 一种基于中心点跟踪模型的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541434B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990167A (zh) * | 2021-05-19 | 2021-06-18 | 北京焦点新干线信息技术有限公司 | 图像处理方法及装置、存储介质及电子设备 |
CN113255627A (zh) * | 2021-07-15 | 2021-08-13 | 广州市图南软件科技有限公司 | 一种快速获取尾随人员信息方法及装置 |
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN113674318A (zh) * | 2021-08-16 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种目标跟踪方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306290A (zh) * | 2011-10-14 | 2012-01-04 | 刘伟华 | 一种基于视频的人脸跟踪识别技术 |
WO2017016516A1 (zh) * | 2015-07-24 | 2017-02-02 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
CN108388885A (zh) * | 2018-03-16 | 2018-08-10 | 南京邮电大学 | 面向大型直播场景的多人特写实时识别与自动截图方法 |
CN108734107A (zh) * | 2018-04-24 | 2018-11-02 | 武汉幻视智能科技有限公司 | 一种基于人脸的多目标跟踪方法及系统 |
US20190318151A1 (en) * | 2018-04-13 | 2019-10-17 | Omron Corporation | Image analysis apparatus, method, and program |
-
2020
- 2020-12-14 CN CN202011466389.0A patent/CN112541434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306290A (zh) * | 2011-10-14 | 2012-01-04 | 刘伟华 | 一种基于视频的人脸跟踪识别技术 |
WO2017016516A1 (zh) * | 2015-07-24 | 2017-02-02 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
CN108388885A (zh) * | 2018-03-16 | 2018-08-10 | 南京邮电大学 | 面向大型直播场景的多人特写实时识别与自动截图方法 |
US20190318151A1 (en) * | 2018-04-13 | 2019-10-17 | Omron Corporation | Image analysis apparatus, method, and program |
CN108734107A (zh) * | 2018-04-24 | 2018-11-02 | 武汉幻视智能科技有限公司 | 一种基于人脸的多目标跟踪方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN113283305B (zh) * | 2021-04-29 | 2024-03-26 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN112990167A (zh) * | 2021-05-19 | 2021-06-18 | 北京焦点新干线信息技术有限公司 | 图像处理方法及装置、存储介质及电子设备 |
CN112990167B (zh) * | 2021-05-19 | 2021-08-10 | 北京焦点新干线信息技术有限公司 | 图像处理方法及装置、存储介质及电子设备 |
CN113255627A (zh) * | 2021-07-15 | 2021-08-13 | 广州市图南软件科技有限公司 | 一种快速获取尾随人员信息方法及装置 |
CN113255627B (zh) * | 2021-07-15 | 2021-11-12 | 广州市图南软件科技有限公司 | 一种快速获取尾随人员信息方法及装置 |
CN113674318A (zh) * | 2021-08-16 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种目标跟踪方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112541434B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541434B (zh) | 一种基于中心点跟踪模型的人脸识别方法 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
Tran et al. | Extreme 3D Face Reconstruction: Seeing Through Occlusions. | |
CN106570507B (zh) | 单目视频场景三维结构的多视角一致的平面检测解析方法 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN109919977B (zh) | 一种基于时间特征的视频运动人物跟踪与身份识别方法 | |
CN103593464B (zh) | 基于视觉特征的视频指纹检测及视频序列匹配方法及系统 | |
CN108717531B (zh) | 基于Faster R-CNN的人体姿态估计方法 | |
CN104573614B (zh) | 用于跟踪人脸的设备和方法 | |
US11017215B2 (en) | Two-stage person searching method combining face and appearance features | |
CN110427905A (zh) | 行人跟踪方法、装置以及终端 | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
Tang et al. | ESTHER: Joint camera self-calibration and automatic radial distortion correction from tracking of walking humans | |
CN111161313B (zh) | 一种视频流中的多目标追踪方法及装置 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN111027555B (zh) | 一种车牌识别方法、装置及电子设备 | |
CN104504162B (zh) | 一种基于机器人视觉平台的视频检索方法 | |
CN114419102A (zh) | 一种基于帧差时序运动信息的多目标跟踪检测方法 | |
Makris et al. | Robust 3d human pose estimation guided by filtered subsets of body keypoints | |
Bajpai et al. | An experimental comparison of face detection algorithms | |
CN112613457B (zh) | 图像采集方式检测方法、装置、计算机设备和存储介质 | |
CN114429662A (zh) | 一种基于大数据的人脸识别与检索系统 | |
CN110059651B (zh) | 一种相机实时跟踪注册方法 |
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 |