CN113239882A - 一种基于深度学习的人员计数方法及其系统 - Google Patents
一种基于深度学习的人员计数方法及其系统 Download PDFInfo
- Publication number
- CN113239882A CN113239882A CN202110622249.6A CN202110622249A CN113239882A CN 113239882 A CN113239882 A CN 113239882A CN 202110622249 A CN202110622249 A CN 202110622249A CN 113239882 A CN113239882 A CN 113239882A
- Authority
- CN
- China
- Prior art keywords
- whole body
- frame
- body frame
- frames
- deep learning
- 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
- G06V40/161—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
- 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
Abstract
本发明公开了一种基于深度学习的人员计数方法及其系统,人工智能与目标检测技术领域。主要包括:获取环境图像,并将所述环境图像输入到YOLO_V4系统中;使用YOLO_V4系统对所述环境图像进行分析,输出生成框,其中所述生成框包括人脸框和全身框;通过欧氏距离算法对所述生成框进行匹配计算;采用上述技术方案,不仅增加了卷积核的感受野,提升了对大目标的检测精度,增加了系统对特征的融合效果,实现了高精度、高速度,在保证图像特征的轮廓、纹理和颜色的情况下减少了参数量,而且防止了系统出现错检和漏检的情况。
Description
技术领域
本发明涉及人工智能与目标检测技术领域,特别涉及一种基于深度学习的人员计数方法及其系统。
背景技术
随着硬件计算能力的飞速提升和新基建发展战略的逐步实施,人工智能已经应用与很多领域,包括工业机器人、智能摄像头和自动驾驶等领域,其中,深度学习是人工智能产品实现的主要方法。深度学习可解决的问题分为三个方向:图像类、语音类和强化学习。近年来,算法基础论研究取得了长足的进步,更多的算法可应用于工程领域,对提升工作效率和降低人力成本已有实质性的帮助。
深度学习在图像类的应用主要分为目标检测、图像分割和图像生成,计算流程为图像输入、系统计算和位置信息与分类信息的生成。在目标检测的应用中,深度学习算法主要分为两种计算方式。第一种为one-shot方式,对原始图像进行一次多卷积计算得出结果。第二种为two-shot方式,该方式对原始图像进行两次非连贯多卷积计算并得出结果。two-shot方式的计算精度高但是对计算速度慢、资源占用率高,难以实现对摄像头图像的实时检测。与之相比,one-shot方式计算精度略低于two-shot方式,但是计算速度快且资源占用率低,可实现摄像头图像的实时检测,随着近年来对one-shot方式的系统研究与优化,one-shot方式精度有了较大的提升。所以,one-shot方式在工业领域应用极为广泛,如物体检测、缺陷检测和图像去噪等。通过目标检测对城市安全、交通安全和智慧办公等应用场景的使用,对人员的密集度检测一直是人工智能的重要使用场景。
在目标检测算法实际使用时,摄像头传入的图像中人员相对较小,常用的标注方式为全身框和人脸框。在复杂环境场景中,全身常会发生遮挡,使用全身框标注会造成目标漏检。在摄像头位置较远的场景中,人脸的分辨率较低,使用人脸框标注同样会造成漏检。同时使用全身框和人脸框时,如果只计算单一种类的框个数会因为复杂环境场景和摄像头位置较远的原因造成人员计数不准确。
发明内容
本发明的目的在于克服现有技术中所存在的,在同时使用全身框和人脸框时,如果只计算单一种类的框个数会因为复杂环境和摄像头位置较远的原因造成人员计数不准确的问题,提供一种基于深度学习的人员计数系统及其实现方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于深度学习的人员计数方法,包括以下步骤:
S1:获取环境图像,并将所述环境图像输入到深度学习系统中;
S2:使用深度学习系统对所述环境图像进行分析,输出生成框,其中所述生成框包括人脸框和全身框;
S3:通过欧氏距离算法对所述生成框进行匹配计算,并输出人员数量;
所述S3包括以下步骤:
S31:对所述环境图像中每个人员的生成框进行匹配,筛选出某一全身框内有且仅有一个人脸框的情况,并且所述人脸框的中心位于所述全身框的上半部分,所述全身框也不与其他全身框重叠时,则判断其为同一目标的第一生成框,并输出所述第一生成框的数值为A;其中,所述人脸框和所述全身框之间的距离通过欧式距离计算;
S32:判断剩余生成框的状态,若某一人脸框的中心点不在欧式距离最近的全身框的边界内则所述人脸框判断为独立状态;若某一全身框内不包含任一人脸框的中心点,则所述全身框判断为独立状态;其余生成框的状态判断为重叠状态,输出所述重叠状态下的所述全身框的数值为B;
S33:根据预设的生成框阈值对独立状态下的所述人脸框和所述全身框进行筛选,并输出所述独立状态下的所述人脸框和所述全身框的数值为C;
S34:对所述S31、S32和S33分别输出的数字A、B和C进行累加,输出所述环境图像中的人员总数。
采用上述技术方案,具有高精度、高速度的特点,加入生成框匹配算法后,提高了整个系统的抗干扰能力和统计精度,设置生成阈值,防止了系统出现错检和漏检的情况。
作为本发明的优选方案,S1所述的深度学习系统为YOLO_V4系统,所述YOLO_V4系统是一种one-shot方式的目标检测系统,特征提取网络为CSP-Darknet53。
作为本发明的优选方案,所述特征提取网络CSP-Darknet53采用的是输出值跨卷积连接的方式。
作为本发明的优选方案,在所述YOLO_V4系统的结构的头部添加PAN结构,在所述YOLO_V4系统的结构的颈部添加SPP结构。
作为本发明的优选方案,所述生成框共九种,包括:12mm×16mm,19mm×36mm,40mm×28mm,36mm×75mm,76mm×55mm,72mm×146mm,142mm×110mm,192mm×243mm,405mm×400mm。
作为本发明的优选方案,所述S32所述的其余生成框的状态判断为重叠状态包括:判断重叠状态下的生成框的状态,先对重叠状态下的全身框进行姿态判定,当人员站立时,所述全身框的长宽比例大于1;当人员躺下时,所述全身框的长宽比例小于1;再对重叠状态下的人脸框的位置进行判定,当人员为站立姿态时,所述人脸框的位置在所述全身框的上半部分,所述全身框内的所述人脸框取中心点x值最小进行匹配,余下的人脸框在其他全身框中,则与其他全身框进行匹配;当人员为躺下姿态时,人脸框的位置在全身框的两侧,计算所述全身框与其内部的全部人脸框的欧式距离,取欧式距离最大的与所述全身框进行匹配,余下的人脸框在其他全身框中则与其他的全身框进行匹配,否则舍弃该人脸框。
作为本发明的优选方案,所述S33所述的预设的生成框阈值包括:全身框像素分辨率大于人脸框像素分辨率时,设置全身框的阈值大于0.8;当人脸框像素分辨率大于12×18时,设置人脸框的阈值大于0.85。
一种基于深度学习的人员计数系统,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;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上述技术方案中任一项所述的方法。
采用上述技术方案,提高了整个系统的抗干扰能力和统计精度,设置生成阈值,防止了系统出现错检和漏检的情况,实现了高精度、高速度。
与现有技术相比,本发明的有益效果:
本发明提出的一种基于深度学习的人员计数方法,主要包括:同一目标的全身框和人脸框的匹配;人员重叠状态下的生成框匹配;单独人脸框或全身框的匹配,加入生成框匹配算法后,提高了整个系统的抗干扰能力和统计精度,设置生成阈值,防止了系统出现错检和漏检的情况,实现了高精度、高速度,CSP-Darknet53采用了输出值跨卷积连接的方式,在保证环境图像特征的轮廓、纹理和颜色的情况下减少了参数量,在YOLO_V4的颈部网络中添加SPP结构,在YOLO_V4的头部增加PAN的结构,增加了卷积核的感受野,提升了对大目标的检测精度,并且增加了系统对特征的融合效果;所述人员计数系统的输入大小为416mm×416mm,最小检测框为12mm×8mm,最大检测框为405mm×400mm,检测框共9种,能够满足实际工程的需求。
本发明提出的一种基于深度学习的人员计数系统,提高了整个系统的抗干扰能力和统计精度,设置生成阈值,防止了系统出现错检和漏检的情况,实现了高精度、高速度。
附图说明
图1为本发明实施例1所述的一种基于深度学习的人员计数实现方法的流程图;
图2为本发明实施例1所述的一种基于深度学习的人员计数实现方法中同一目标的全身框和人脸框的匹配的结构图;
图3为本发明实施例1所述的一种基于深度学习的人员计数实现方法中同一目标的人员重叠状态下的生成框匹配的结构图;
图4为本发明实施例1所述的一种基于深度学习的人员计数实现方法中同一目标的单独人脸框或全身框的匹配的结构图;
图5为本发明实施例1所述的一种基于深度学习的人员计数实现方法的结构框图;
图6为本发明实施例1所述的一种基于深度学习的人员计数实现方法的结构图;
图7为本发明实施例2所述的一种基于深度学习的人员计数系统的结构框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于深度学习的人员计数方法,包括:
如图1所示,
S1:获取环境图像,并将所述环境图像输入到深度学习系统中;
S2:使用深度学习系统对所述环境图像进行分析,输出生成框,其中所述生成框包括人脸框和全身框;
S3:通过欧氏距离算法对所述生成框进行匹配计算,并输出人员数量;
输入的环境图像包括现场摄像头数据和开源数据,并设置YOLO_V4的网络参数,再匹配欧式距离进行人脸框和全身框的计算;
如图5和图6所示,在YOLO_V4的颈部网络中添加SPP结构,即增加了卷积核的感受野,在YOLO_V4的头部增加PAN的结构,所有分辨率尺寸的输出结果均来自同一特征图,在样本中加入人脸框减少了大尺寸被遮掩的漏检,系统的输入大小为416mm×416mm,最小检测框为12mm×8mm,最大检测框为405mm×400mm,检测框共9种,满足实际工程需求,样本共2万张,包括现场摄像头数据和开源数据,训练5000轮次后场景检测Map为93.3。
如图2所示,同一目标的全身框和人脸框的匹配,通过欧式距离计算所有人脸框与全身框的距离,将距离最近的人脸框和全身框进行匹配,在计算人脸框的中心点是否在全身框内,若某一人脸框的中心点不在最近的全身框的边界内则所述人脸框判断为独立状态,若某一全身框内不包含任一人脸框的中心点,则所述全身框判断为独立状态,此时的生成框为独立框。如果某一全身框不与其他全身框重叠且框内只有一个人脸框则进行人员计数的数值统计,但某全身框内有多个全身框则进行下一步的匹配计算,在完成这一步骤后,人员统计为1名。
如图3所示,人员重叠状态下的生成框匹配,余下的生成框为重叠状态和独立状态,在实际使用环境下,摄像头的位置总是高于人的头顶的,所以在判断生成框的重叠状态时,首先,对全身框进行姿态判定,如图2所示,当人员站立时全身框的长宽比大于1,当人员躺下时,全身框的长宽比小于1,在进行全身框姿态判定后,当人员站立姿态下,人脸框的位置应为全身框的上半部分,所以,全身框内的人脸框取中心点x值最小进行匹配,余下的人脸框若果也在其他全身框中则与之进行匹配,当人员为躺下姿态下,人脸框的位置应为全身的两侧,所以,计算全身框与其内部的全部人脸框的欧氏距离,取欧式距离最大的与之匹配,余下的人脸若也在其他全身框中则与之匹配,否则舍弃该人脸框,如图所示,在完成这一步骤后,人员统计为2名。
如图4所示,独立状态下的人脸框和全身框的匹配,如图2所示,所有生成框只剩下独立状态下的全身框和人脸框,当人员尺寸较小时,人脸像素分辨率低,容易出现漏检,全身像素分辨率远超于人脸像素分辨率,设置生成框阈值,去单独的全身框阈值大于0.8的框用于人员技术统计,只有当人脸框像素分辨率大于12×18时,人脸可被系统检测出来,此时的单独人脸框对应于被遮挡的人员检测结果,并设置阈值大于0.85防止系统出现错检,最后,将人脸框用于人员计数统计,在完成这一步骤后,人员统计为2名,生成框完成匹配算法后的三个步骤,各步骤人员统计数值累计相加得到该区域内的人员总数为5名,人员统计数值正确。
采用上述技术方案,提高了整个系统的抗干扰能力和统计精度,设置生成阈值,防止了系统出现错检和漏检的情况,实现了高精度、高速度,CSP-Darknet53采用了输出值跨卷积连接的方式,在保证环境图像特征的轮廓、纹理和颜色的情况下减少了参数量,在YOLO_V4的颈部网络中添加SPP结构,在YOLO_V4的头部增加PAN的结构,增加了卷积核的感受野,提升了对大目标的检测精度,并且增加了系统对特征的融合效果;所述人员计数系统的输入大小为416mm×416mm,最小检测框为12mm×8mm,最大检测框为405mm×400mm,检测框共9种,能够满足实际工程的需求。
实施例2
如图7所示,一种一种基于深度学习的人员计数系统,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;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前述实施例所述的一种基于深度学习的人员计数系统。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源用于为电子设备提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
采用上述技术方案,增加了卷积核的感受野,提升了对大目标的检测精度,并且增加了系统对特征的融合效果,并且能够满足实际工程的需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的人员计数方法,其特征在于,包括以下步骤:
S1:获取环境图像,并将所述环境图像输入到深度学习系统中;
S2:使用深度学习系统对所述环境图像进行分析,输出生成框,其中所述生成框包括人脸框和全身框;
S3:通过欧氏距离算法对所述生成框进行匹配计算,并输出人员数量;
所述S3包括以下步骤:
S31:对所述环境图像中每个人员的生成框进行匹配,筛选出某一全身框内有且仅有一个人脸框的情况,并且所述人脸框的中心位于所述全身框的上半部分,所述全身框也不与其他全身框重叠时,则判断其为同一目标的第一生成框,并输出所述第一生成框的数值为A;其中,所述人脸框和所述全身框之间的距离通过欧式距离计算;
S32:判断剩余生成框的状态,若某一人脸框的中心点不在欧式距离最近的全身框的边界内则所述人脸框判断为独立状态;若某一全身框内不包含任一人脸框的中心点,则所述全身框判断为独立状态;其余生成框的状态判断为重叠状态,输出所述重叠状态下的所述全身框的数值为B;
S33:根据预设的生成框阈值对独立状态下的所述人脸框和所述全身框进行筛选,并输出所述独立状态下的所述人脸框和所述全身框的数值为C;
S34:对所述S31、S32和S33分别输出的数字A、B和C进行累加,输出所述环境图像中的人员总数。
2.根据权利要求1所述的一种基于深度学习的人员计数方法,其特征在于,S1所述的深度学习系统为YOLO_V4系统,所述YOLO_V4系统是一种one-shot方式的目标检测系统,特征提取网络为CSP-Darknet53。
3.根据权利要求2所述的一种基于深度学习的人员计数方法,其特征在于,所述特征提取网络CSP-Darknet53采用的是输出值跨卷积连接的方式。
4.根据权利要求2所述的一种基于深度学习的人员计数方法,其特征在于,在所述YOLO_V4系统的结构的头部添加PAN结构,在所述YOLO_V4系统的结构的颈部添加SPP结构。
5.根据权利要求1所述的一种基于深度学习的人员计数方法,其特征在于,所述生成框共九种,包括:12mm×16mm,19mm×36mm,40mm×28mm,36mm×75mm,76mm×55mm,72mm×146mm,142mm×110mm,192mm×243mm,405mm×400mm。
6.根据权利要求1所述的一种基于深度学习的人员计数方法,其特征在于,所述S32所述的其余生成框的状态判断为重叠状态包括:判断重叠状态下的生成框的状态,先对重叠状态下的全身框进行姿态判定,当人员站立时,所述全身框的长宽比例大于1;当人员躺下时,所述全身框的长宽比例小于1;再对重叠状态下的人脸框的位置进行判定,当人员为站立姿态时,所述人脸框的位置在所述全身框的上半部分,所述全身框内的所述人脸框取中心点x值最小进行匹配,余下的人脸框在其他全身框中,则与其他全身框进行匹配;当人员为躺下姿态时,人脸框的位置在全身框的两侧,计算所述全身框与其内部的全部人脸框的欧式距离,取欧式距离最大的与所述全身框进行匹配,余下的人脸框在其他全身框中则与其他的全身框进行匹配,否则舍弃该人脸框。
7.根据权利要求1所述的一种基于深度学习的人员计数方法,其特征在于,所述S33所述的预设的生成框阈值包括:全身框像素分辨率大于人脸框像素分辨率时,设置全身框的阈值大于0.8;当人脸框像素分辨率大于12×18时,设置人脸框的阈值大于0.85。
8.一种基于深度学习的人员计数系统,其特征在于,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;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至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622249.6A CN113239882B (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习的人员计数方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622249.6A CN113239882B (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习的人员计数方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239882A true CN113239882A (zh) | 2021-08-10 |
CN113239882B CN113239882B (zh) | 2022-06-03 |
Family
ID=77136689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110622249.6A Active CN113239882B (zh) | 2021-06-03 | 2021-06-03 | 一种基于深度学习的人员计数方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239882B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407946A (zh) * | 2016-09-29 | 2017-02-15 | 北京市商汤科技开发有限公司 | 跨线计数方法和深度神经网络训练方法、装置和电子设备 |
CN108615027A (zh) * | 2018-05-11 | 2018-10-02 | 常州大学 | 一种基于长短期记忆-加权神经网络对视频人群计数的方法 |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及系统 |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测系统及方法 |
US20200065976A1 (en) * | 2018-08-23 | 2020-02-27 | Seoul National University R&Db Foundation | Method and system for real-time target tracking based on deep learning |
CN112215129A (zh) * | 2020-10-10 | 2021-01-12 | 江南大学 | 一种基于排序损失和双分支网络的人群计数方法及系统 |
US20210073528A1 (en) * | 2019-09-05 | 2021-03-11 | Beescanning Global Ab | Method for calculating deviation relations of a population |
-
2021
- 2021-06-03 CN CN202110622249.6A patent/CN113239882B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407946A (zh) * | 2016-09-29 | 2017-02-15 | 北京市商汤科技开发有限公司 | 跨线计数方法和深度神经网络训练方法、装置和电子设备 |
CN108615027A (zh) * | 2018-05-11 | 2018-10-02 | 常州大学 | 一种基于长短期记忆-加权神经网络对视频人群计数的方法 |
US20200065976A1 (en) * | 2018-08-23 | 2020-02-27 | Seoul National University R&Db Foundation | Method and system for real-time target tracking based on deep learning |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及系统 |
US20210073528A1 (en) * | 2019-09-05 | 2021-03-11 | Beescanning Global Ab | Method for calculating deviation relations of a population |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测系统及方法 |
CN112215129A (zh) * | 2020-10-10 | 2021-01-12 | 江南大学 | 一种基于排序损失和双分支网络的人群计数方法及系统 |
Non-Patent Citations (4)
Title |
---|
HAN WU: "High-Accuracy Crowd Counting Method Based on Mixed Labeled Dataset", 《IEEE》, 2 April 2021 (2021-04-02), pages 829 - 833 * |
YI-LE YANG: "A Method of Pedestrians Counting Based on Deep Learning", 《IEEE》, 18 May 2020 (2020-05-18), pages 2010 - 2013 * |
张友梅: "基于注意力卷积神经网络的人群计数算法研究", 《中国博士学位论文全文数据库》, no. 2019, 15 September 2019 (2019-09-15), pages 138 - 31 * |
曾鑫: "面向多尺度人群计数的深度神经网络算法研究", 《中国优秀硕士学位论文全文数据库》, no. 2021, 15 February 2021 (2021-02-15), pages 138 - 2047 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239882B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740775A (zh) | 一种三维人脸活体识别方法及其装置 | |
CN110287907B (zh) | 一种对象检测方法和装置 | |
CN109934108B (zh) | 一种多目标多种类的车辆检测和测距系统及实现方法 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
EP2557539A2 (en) | Image processing apparatus, image processing method, and image processing program | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
KR20180020123A (ko) | 비동기 신호 처리 방법 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN108710879B (zh) | 一种基于网格聚类算法的行人候选区域生成方法 | |
CN111710008B (zh) | 人流密度的生成方法、装置、电子设备以及存储介质 | |
CN112183356A (zh) | 驾驶行为检测方法、设备及可读存储介质 | |
CN110807409A (zh) | 人群密度检测模型训练方法和人群密度检测方法 | |
CN104978583A (zh) | 人物动作的识别方法及装置 | |
CN114419493A (zh) | 图像的标注方法、装置、电子设备和存储介质 | |
CN113239882B (zh) | 一种基于深度学习的人员计数方法及其系统 | |
CN113034544A (zh) | 一种基于深度相机的人流分析方法及装置 | |
Madessa et al. | Leveraging an instance segmentation method for detection of transparent materials | |
CN110826495A (zh) | 基于面部朝向的身体左右肢体一致性跟踪判别方法及系统 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
Xiao et al. | Facial mask detection system based on YOLOv4 algorithm | |
CN113255514B (zh) | 基于局部场景感知图卷积网络的行为识别方法 | |
CN110728222B (zh) | 一种用于机械臂抓取系统中目标物体的位姿估计方法 | |
CN114647361A (zh) | 一种基于人工智能的触摸屏物体定位方法及装置 |
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 |