CN113807286A - 一种人脸识别大数据训练方法 - Google Patents

一种人脸识别大数据训练方法 Download PDF

Info

Publication number
CN113807286A
CN113807286A CN202111118937.5A CN202111118937A CN113807286A CN 113807286 A CN113807286 A CN 113807286A CN 202111118937 A CN202111118937 A CN 202111118937A CN 113807286 A CN113807286 A CN 113807286A
Authority
CN
China
Prior art keywords
terahertz
image
big data
images
face recognition
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
CN202111118937.5A
Other languages
English (en)
Other versions
CN113807286B (zh
Inventor
吴泽徐
许晓东
王书琪
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.)
Fujian Pingtan Ruiqian Intelligent Technology Co ltd
Original Assignee
Fujian Pingtan Ruiqian Intelligent Technology Co ltd
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 Fujian Pingtan Ruiqian Intelligent Technology Co ltd filed Critical Fujian Pingtan Ruiqian Intelligent Technology Co ltd
Priority to CN202111118937.5A priority Critical patent/CN113807286B/zh
Publication of CN113807286A publication Critical patent/CN113807286A/zh
Application granted granted Critical
Publication of CN113807286B publication Critical patent/CN113807286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸识别大数据训练方法，属于安防技术领域；本发明方法包括：将视频采集装置与太赫兹装置放置于同一视角；采集的太赫兹图像及人物视频流发至服务器进行预处理；将步骤200处理的数据导入大数据处理单元进行训练；将训练得到的模型存入神经网络模型的处理单元；本发明采用太赫兹+高清摄像头+深度相机构建了多模态人体数据并融合重组，融合后的图像便可避免太赫兹图像分辨率较低，白噪声过大的问题，同时骨骼关键点可以反映出人体大致信息，满足危险物部位的识别；本发明方法大幅度减少图像信息，利用骨骼重建的方式代替太赫兹图像中的人物主体信息，大大提高算法的精准度，应用于安检中可以实现无人值守识别。

Description

一种人脸识别大数据训练方法
技术领域
本发明属于安防技术领域，特别涉及一种人脸识别大数据训练方法。
背景技术
主流人体安检手段是在机场等重要场所由手持安检仪的安检人员或设置安检门、安检通道进行强制检测，其局限性在于对地点、设备、安检人员和被检人配合度高度依赖。随着图像技术的发展，人脸识别安检门、安检人脸识别系统等一体化安检系统逐渐投入使用，大幅提高了安检速度和精度，实现了安检系统的功能升级。但传统的手持安检仪、安检门等采用的电磁场、X射线和X射线背散射等技术，因其工作原理必须依赖有人值守式的强制安检，远远无法满足上述需求。随着科技发展，太赫兹人体安检仪依据太赫兹技术研发设计的，其工作原理是太赫兹人体安检仪通过被动接收人体自身向外辐射的太赫兹波，形成人体的二维太赫兹强度图，当人体携带违禁物品通过安检通道时，随身携带的物品会对人体发出的太赫兹波做不同程度的遮挡，并在对应部位留下物品形状阴影，检测人员通过阴影形状就可以判断人体是否携带危险物品，以及危险物品的种类。但太赫兹技术仍存在较大的不足如成像分辨率交底、报警准确率不高，仍需后台人员值守等问题。申请人依据上述情况进行分析造成上述问题的原因在于以下几个方面：1)目前采用人脸+太赫兹识别的方式进行安检设备的研发，而非利用人脸图像与太赫兹图像的数据融合；2)太赫兹图像分辨率较低，白噪声过大，进而导致完整的太赫兹图像进行大数据分析时多模图像的直接融合较为困难。
发明内容
(一)要解决的技术问题
(1)人脸+太赫兹的数据融合；
(2)基于人脸+太赫兹的大数据训练方法；。
(二)技术方案
本发明通过如下技术方案实现：一种人脸识别大数据训练方法；所述方法包括如下步骤：
步骤100：将视频采集装置与太赫兹装置放置于同一视角；
步骤200：采集的太赫兹图像及人物视频流发至服务器进行预处理；
步骤300：将步骤200处理的数据导入大数据处理单元进行训练；
步骤400：将训练得到的模型存入神经网络模型的处理单元。
作为上述方案的进一步说明，所述步骤100视频采集装置包括红外线发射器、RGB摄像头、深度感应器、高清摄像头；所述太赫兹装置为被动太赫兹成像装置、主动太赫兹成像装置中的一种；所述同一视角指视频采集装置与太赫兹装置的辐射视角一致。
作为上述方案的进一步说明，所述步骤200太赫兹图像预处理方式包括如下步骤：
步骤201：不同身高、体重的真人将危险物体放入任意身体部位；
步骤202：反复利用视频采集装置与太赫兹装置采集人物数据；
步骤203：利用图像分割算法提取太赫兹图像中危险物位置图像；
步骤204：根据身体部位对太赫兹图像进行分类并标注。
作为上述方案的进一步说明，所述步骤200人物视频流预处理方式包括如下步骤：
步骤205：根据太赫兹装置的帧率提取视频流中对应帧图像；
步骤206：依据对应帧图像建立人体骨骼关键点图像；
步骤207：危险物太赫兹图像映射至人体骨骼关键点图像进行融合；
步骤208：依据危险物的位置对融合后的新数据进行分类并标注。
作为上述方案的进一步说明，所述步骤200人物视频流预处理方式还包括如下步骤：
步骤209：图像分割算法将对应帧图像中的人脸进行提取；
步骤210：将提取的人脸图片与步骤207融合后的新数据进行对应，将融合的新数据标注为第一分类。
作为上述方案的进一步说明，所述步骤200人物视频流预处理方式还包括如下步骤：
步骤211：不同身高、体重的真人不携带危险物反复利用视频采集装置与太赫兹装置采集人物数据；
步骤212利用提取太赫兹图像中身体部位图像，根据身体部位对太赫兹图像进行分类并标注；
步骤213：根据太赫兹装置的帧率提取视频流中对应帧图像；
步骤214：依据对应帧图像建立人体骨骼关键点图像；
步骤215：提取的太赫兹图像中身体部位图像映射至人体骨骼关键点图像进行融合；
步骤216：将提取的人脸图片再次进行融合并标注为第二分类。
作为上述方案的进一步说明，所述步骤300大数据处理单元进行训练包括如下步骤
步骤301：将步骤200处理后的两组分类进行数据集分割；
步骤302：将数据集导入深度学习网络并进行训练与进度评估；
步骤303：评估最终网络导出学习模型。
作为上述方案的进一步说明，所述步骤400将训练得到的模型存入神经网络模型的处理单元，视频采集装置与太赫兹装置在安检过程中采集并输入图像，图像传入神经网络模型的处理单元，通过处理单元中的模型判断图像中人的信息、危险物的信息、危险物位置信息。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中Kinect V2构建的骨骼关键点图像；
图2为本发明实施例中经过步骤200重组融合后的图像；
图中：头部1、肩中心2、右肩3、右肘4、右手腕5、右手6、左肩7、左肘8、左手腕9、左手10、脊椎11、髋中心12、右髋13、右膝14、右踝15、右脚16、左髋17、左膝18、左踝19、左脚20、分割后的人脸图像21、分割后的太赫兹检测到危险物的图像22。
(三)有益效果
本发明相对于现有技术，具有以下有益效果：本发明采用太赫兹+高清摄像头+深度相机三种组合的方式分别构建了人脸、危险物、人体骨骼三种数据，利用图像分割算法分别提取太赫兹图像中危险物的图像以及人脸识别中人脸的图像，两者与深度相机重建的骨骼进行融合重组，融合后的图像便可避免太赫兹图像分辨率较低，白噪声过大的问题，同时骨骼关键点可以反映出人体大致信息，例如部位、身高等信息，也可满足危险物部位的识别；本发明方法大幅度减少图像信息，利用骨骼重建的方式代替太赫兹图像中的人物主体信息，大大提高算法的精准度，应用于安检中可以实现无人值守识别。
具体实施方式
实施例
步骤100：将视频采集装置与太赫兹装置放置于同一视角；视频采集装置包括红外线发射器、RGB摄像头、深度感应器、高清摄像头；所述太赫兹装置为被动太赫兹成像装置、主动太赫兹成像装置中的一种；所述同一视角指视频采集装置与太赫兹装置的辐射视角一致。
需要进一步说明的是在本实施例中视频采集装置选用的是微软公司发布的KinectV2以及定制的高清摄像头组成；KinectV2其上采用的是红外线发射器、彩色RGB摄像头、红外CMOS摄像机构成的3D结构光深度感应器；红外发射器主动投射经调制的近红外光线，红外光线照到视野里的物体上就会发生反射，红外相机接收反射回来的红外线，采用TOF技术测量深度，计算光的时间差(通常是通过相位差来计算的)，根据可得物体的深度(即物体到深度相机的距离)。高清摄像头采用的是Basler公司出品的Basler ace2a2A5320-23umPRO面阵相机与富士公司出品的Fujinon Lens CF8ZA-1S F1.8 f8mm固定焦距镜头组合；
步骤200：采集的太赫兹图像及人物视频流发至服务器进行预处理；其中太赫兹图像预处理方式包括如下步骤：
步骤201：不同身高、体重的真人将危险物体放入任意身体部位；本实施例中危险物指的是不同尺寸、体积的金属、非金属、液体、粉末、枪支、管制刀具、爆炸物；身体部位包括手、手臂、胸部、胯部、腿部、脚部；
步骤202：反复利用视频采集装置与太赫兹装置采集人物数据；
步骤203：利用图像分割算法提取太赫兹图像中危险物位置图像；
所述图像分割算法具体的利用ImageBox2Xml将太赫兹图像依据危险物的种类进行标签处理；利用ImageBox2Xml中的LabelTool界面对太赫兹图像绘制出危险物体框区域，并定义危险物的种类；
步骤204：根据身体部位对太赫兹图像进行分类并标注。
需要进一步说明的是分类和标注指的是将分割后的太赫兹图像依据手、手臂、胸部、胯部、腿部、脚部的部位放在同一目录下的“手”、“手臂”、“胸部”、“胯部”、“腿部”、“腿部”的文件夹中；
人物视频流预处理方式包括如下步骤：
步骤205：根据太赫兹装置的帧率提取视频流中对应帧图像；
需要进一步说明的是在本实施例中采用的是被动式太赫兹装置，其成像帧率为10fps，即一帧为1/10s；因此基于1/10s为跨度提取视频流中对应的帧图像；需要进一步说明的是，在本实施例中此处所指的视频流包括Kinect V2提取的视频流用于建立骨骼关键点图像及高清摄像头提取的视频流用于提取人脸图像两个部分；后续构筑骨骼关键点的步骤中所用的视频流为Kinect V2提取的视频流；提取人脸的步骤中所用的视频流为高清摄像头提取的视频流。
步骤206：依据对应帧图像建立人体骨骼关键点图像；
需要进一步说明的是在本实施例中人体骨骼关键点图像是通过Kinect的骨架追踪系统构建人体骨骼关键点图，采用OpenCV提取对应的图像；对于算法部分不再进行过多赘述，此处只对人体骨骼关键点图进行解释，参阅图1，其号码对应的关键点如下表所示：
表1各关节点编号所对应的含义
关节编号 关节名称 关节编号 关节名称
1 头部 11 脊椎
2 肩中心 12 髋中心
3 右肩 13 右髋
4 右肘 14 右膝
5 右手腕 15 右踝
6 右手 16 右脚
7 左肩 17 左髋
8 左肘 18 左膝
9 左手腕 19 左踝
10 左手 20 左脚
步骤207：危险物太赫兹图像映射至人体骨骼关键点图像进行融合；
需要进一步说明的是，由于危险物放置的位置可能与部分关节点进行重合，因此需要对关节点进行归类，使之与危险物放置部位进行一一对应，具体的对应如下表所示：
表2关节点与放置部位的对应关系
Figure BDA0003276379120000071
步骤208：依据危险物的位置对融合后的新数据进行分类并标注。
人物视频流预处理方式还包括如下步骤：
步骤209：图像分割算法将对应帧图像中的人脸进行提取；
其具体的流程包括图像中检测脸部，脸部分割，脸部校正两个步骤；
步骤210：将提取的人脸图片与步骤207融合后的新数据进行对应，将融合的新数据标注为第一分类，此分类命名为“danger”；需要进一步说明的是，人脸图片的融合方式采用将分割后的人脸图片嵌入关节点1头部组合成新的数据，最后得到的图像参阅图2，图中21表示分割后的人脸图像，22为分割后的太赫兹检测到危险物的图像。
步骤200人物视频流预处理方式还包括如下步骤：
步骤211：不同身高、体重的真人不携带危险物反复利用视频采集装置与太赫兹装置采集人物数据；
步骤212利用提取太赫兹图像中身体部位图像，根据身体部位对太赫兹图像进行分类并标注；
步骤213：根据太赫兹装置的帧率提取视频流中对应帧图像；
步骤214：依据对应帧图像建立人体骨骼关键点图像；
步骤215：提取的太赫兹图像中身体部位图像映射至人体骨骼关键点图像进行融合；
步骤216：将提取的人脸图片再次进行融合并标注为第二分类，此分类命名为“safe”。
上述步骤与步骤201-步骤210相似，此处不再进行赘述；
步骤300：将步骤200处理的数据导入大数据处理单元进行训练；
步骤301：将步骤200处理后的两组分类进行数据集分割；
步骤302：将数据集导入深度学习网络并进行训练与进度评估；
需要进一步说明的是，步骤200构建完成数据后，在大数据处理单元中进行大数据训练，在本实施例中利用德国MVtec公司开发的Halcon软件进行处理，其优点在于HALCON支持2D和3D图像采集设备数量的5倍，提供更高的位深度图像处理，GPU加速，对Windows，MACOS X和Linux和多个嵌入式平台的支持，以及对COM，.NET和本机C的持续支持，C#，C++和Delphi编程。HALCON还支持OCR工具和通用视觉检查的深度学习技术。MVTec的唯一重点是具有完全硬件独立性的PC和嵌入式视觉处理的机器视觉。
在本实施例中调用Halcon中的预训练网络：pretrained_dl_classifier_compact.hdl；在本实施例中基于步骤200重组构建的图像共采集到7532张图像，其中“danger”图像3489张，“safe”图像4043张，将“danger”和“safe”分类的图像按照标注类别分别存放在同一目中的“danger”和“safe”文件夹，用read_dl_classifier_data_set直接读取对应数据集即可获得文件及图像所述的类别标签；由于步骤200已经对数据进行分割充足，因此在大数据训练过程中跳过预处理阶段；下一步对数据集进行分割，按照70：15：15的比例划分为训练集、验证集和测试集；分割完成后设置对应的参数开始进行网络的训练及进度评估；本实施例对获取的图像进行训练，并将训练完成的网络用于测试集图像进行分类，准确率为92％以上。
步骤303：评估最终网络导出学习模型。
步骤400：将训练得到的模型存入神经网络模型的处理单元。将训练得到的模型存入神经网络模型的处理单元，视频采集装置与太赫兹装置在安检过程中采集并输入图像，通过步骤200的重组融合，得到融合后的图像，再将图像传入神经网络模型的处理单元，通过处理单元中的模型判断图像中人的信息、危险物的信息、危险物位置信息。
需要进一步说明的是本发明方法仅适用于通道式的安检装置，这是因为Kinect最多可同时侦测到6个人，包含同时辨识2个人的动作；每个人共可记录20组细节；因此受限于Kinect的机能，本发明提出的方法并不适用于大范围的检测。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种人脸识别大数据训练方法；其特征在于：所述方法包括如下步骤：
步骤100：将视频采集装置与太赫兹装置放置于同一视角；
步骤200：采集的太赫兹图像及人物视频流发至服务器进行预处理；
步骤300：将步骤200处理的数据导入大数据处理单元进行训练；
步骤400：将训练得到的模型存入神经网络模型的处理单元。
2.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤100视频采集装置包括红外线发射器、RGB摄像头、深度感应器、高清摄像头；所述太赫兹装置为被动太赫兹成像装置、主动太赫兹成像装置中的一种；所述同一视角指视频采集装置与太赫兹装置的辐射视角一致。
3.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤200太赫兹图像预处理方式包括如下步骤：
步骤201：不同身高、体重的真人将危险物体放入任意身体部位；
步骤202：反复利用视频采集装置与太赫兹装置采集人物数据；
步骤203：利用图像分割算法提取太赫兹图像中危险物位置图像；
步骤204：根据身体部位对太赫兹图像进行分类并标注。
4.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤200人物视频流预处理方式包括如下步骤：
步骤205：根据太赫兹装置的帧率提取视频流中对应帧图像；
步骤206：依据对应帧图像建立人体骨骼关键点图像；
步骤207：危险物太赫兹图像映射至人体骨骼关键点图像进行融合；
步骤208：依据危险物的位置对融合后的新数据进行分类并标注。
5.如权利要求4所述的一种人脸识别大数据训练方法，其特征在于：所述步骤200人物视频流预处理方式还包括如下步骤：
步骤209：图像分割算法将对应帧图像中的人脸进行提取；
步骤210：将提取的人脸图片与步骤207融合后的新数据进行对应，将融合的新数据标注为第一分类。
6.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤200人物视频流预处理方式还包括如下步骤：
步骤211：不同身高、体重的真人不携带危险物反复利用视频采集装置与太赫兹装置采集人物数据；
步骤212利用提取太赫兹图像中身体部位图像，根据身体部位对太赫兹图像进行分类并标注；
步骤213：根据太赫兹装置的帧率提取视频流中对应帧图像；
步骤214：依据对应帧图像建立人体骨骼关键点图像；
步骤215：提取的太赫兹图像中身体部位图像映射至人体骨骼关键点图像进行融合；
步骤216：将提取的人脸图片再次进行融合并标注为第二分类。
7.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤300大数据处理单元进行训练包括如下步骤
步骤301：将步骤200处理后的两组分类进行数据集分割；
步骤302：将数据集导入深度学习网络并进行训练与进度评估；
步骤303：评估最终网络导出学习模型。
8.如权利要求1所述的一种人脸识别大数据训练方法，其特征在于：所述步骤400将训练得到的模型存入神经网络模型的处理单元，视频采集装置与太赫兹装置在安检过程中采集并输入图像，图像传入神经网络模型的处理单元，通过处理单元中的模型判断图像中人的信息、危险物的信息、危险物位置信息。
CN202111118937.5A 2021-09-24 2021-09-24 一种人脸识别大数据训练方法 Active CN113807286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111118937.5A CN113807286B (zh) 2021-09-24 2021-09-24 一种人脸识别大数据训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111118937.5A CN113807286B (zh) 2021-09-24 2021-09-24 一种人脸识别大数据训练方法

Publications (2)

Publication Number Publication Date
CN113807286A true CN113807286A (zh) 2021-12-17
CN113807286B CN113807286B (zh) 2023-04-07

Family

ID=78896544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111118937.5A Active CN113807286B (zh) 2021-09-24 2021-09-24 一种人脸识别大数据训练方法

Country Status (1)

Country Link
CN (1) CN113807286B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846823A (zh) * 2018-06-22 2018-11-20 西安天和防务技术股份有限公司 一种太赫兹图像和可见光图像的融合方法
CN109726617A (zh) * 2017-10-30 2019-05-07 同方威视科技江苏有限公司 安检系统以及安检方法
CN112183583A (zh) * 2020-09-08 2021-01-05 昆明理工大学 一种注意力导向的太赫兹图像中的小目标检测方法
CN112269215A (zh) * 2020-11-05 2021-01-26 上海亨临光电科技有限公司 一种基于被动式太赫兹安检仪的智能安检系统及方法
CN112394421A (zh) * 2019-08-15 2021-02-23 上海微波技术研究所（中国电子科技集团公司第五十研究所） 太赫兹人体安检方法、系统、介质及设备
CN112612066A (zh) * 2019-09-18 2021-04-06 同方威视技术股份有限公司 人员安检方法及人员安检系统
JP2021128145A (ja) * 2020-02-12 2021-09-02 キヤノン株式会社 テラヘルツ波カメラシステム、およびテラヘルツ波カメラシステムの制御方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726617A (zh) * 2017-10-30 2019-05-07 同方威视科技江苏有限公司 安检系统以及安检方法
CN108846823A (zh) * 2018-06-22 2018-11-20 西安天和防务技术股份有限公司 一种太赫兹图像和可见光图像的融合方法
CN112394421A (zh) * 2019-08-15 2021-02-23 上海微波技术研究所（中国电子科技集团公司第五十研究所） 太赫兹人体安检方法、系统、介质及设备
CN112612066A (zh) * 2019-09-18 2021-04-06 同方威视技术股份有限公司 人员安检方法及人员安检系统
JP2021128145A (ja) * 2020-02-12 2021-09-02 キヤノン株式会社 テラヘルツ波カメラシステム、およびテラヘルツ波カメラシステムの制御方法
CN112183583A (zh) * 2020-09-08 2021-01-05 昆明理工大学 一种注意力导向的太赫兹图像中的小目标检测方法
CN112269215A (zh) * 2020-11-05 2021-01-26 上海亨临光电科技有限公司 一种基于被动式太赫兹安检仪的智能安检系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A A MOROZOV ET AL.: "Development of a Method of Terahertz Intelligent Video Surveillance Based on the Semantic Fusion of Terahertz and 3D Video Images", 《INFORMATION TECHNOLOGY AND NANOTECHNOLOGY》 *
邓维立: "太赫兹/毫米波人体安检和人脸识别技术深度融合应用研究", 《警察技术》 *

Also Published As

Publication number Publication date
CN113807286B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110298291B (zh) 基于Mask-RCNN的牛脸及牛脸关键点检测方法
CN107194987B (zh) 对人体测量数据进行预测的方法
CN104636707B (zh) 自动检测香烟的方法
CN109299659A (zh) 一种基于rgb相机和深度学习的人体姿态识别方法与系统
US20100290677A1 (en) Facial and/or Body Recognition with Improved Accuracy
CN106295544B (zh) 一种基于Kinect的视角不变性步态识别方法
CN107004279A (zh) 自然用户界面相机校准
US20120242800A1 (en) Apparatus and system for interfacing with computers and other electronic devices through gestures by using depth sensing and methods of use
CN112069933A (zh) 基于体态识别和人体生物力学的骨骼肌肉受力估计方法
CN105956586A (zh) 一种基于tof 3d摄像机的智能跟踪系统
Hołowko et al. Application of multi-resolution 3D techniques in crime scene documentation with bloodstain pattern analysis
CN110074788B (zh) 一种基于机器学习的身体数据获取方法和装置
CN113435236A (zh) 居家老人姿态检测方法、系统、存储介质、设备及应用
CN110457980A (zh) 一种人体影像识别方法
CN109978892A (zh) 一种基于太赫兹成像的智能安检方法
CN109934047A (zh) 基于深度学习的人脸识别系统及其人脸识别方法
CN112016497A (zh) 基于人工智能的单视角太极拳动作分析及考核系统
Jabnoun et al. Object recognition for blind people based on features extraction
CN109785446A (zh) 图像识别系统及其方法
CN107704851B (zh) 人物识别方法、公共传媒展示装置、服务器和系统
Che et al. Paragraph generation network with visual relationship detection
Wang et al. Dynamic human body reconstruction and motion tracking with low-cost depth cameras
CN113807286B (zh) 一种人脸识别大数据训练方法
CN109919128A (zh) 控制指令的获取方法、装置及电子设备
Chan et al. ReSPEcT: privacy respecting thermal-based specific person recognition

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