CN114140493B - 目标多角度展示动作连续性检测方法 - Google Patents
目标多角度展示动作连续性检测方法 Download PDFInfo
- Publication number
- CN114140493B CN114140493B CN202111465500.9A CN202111465500A CN114140493B CN 114140493 B CN114140493 B CN 114140493B CN 202111465500 A CN202111465500 A CN 202111465500A CN 114140493 B CN114140493 B CN 114140493B
- Authority
- CN
- China
- Prior art keywords
- target
- moving target
- angle
- angle display
- continuous
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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]
Abstract
目标多角度展示动作连续性检测方法,应用于检测视频中多角度展示动作是否连续,包括以下步骤:步骤1:提取视频中的运动目标作为检测目标;步骤2:判断所述运动目标是否移出摄像头;步骤3:进一步判断运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果。该方法能实现在线上办理业务的应用场景下,通过对客户提供的展示视频的目标多角度展示动作的连续性进行判断,从而判定客户在视频中多角度展示的目标是否来自同一个实物。
Description
技术领域
本申请涉及目标检测、目标跟踪技术领域,尤其是涉及目标多角度展示动作连续性检测方法。
背景技术
随着数字媒体和互联网在各个领域的深入发展,越来越多的行业和机构开始将视频作为一种档案留存的载体,以方便后续查找和取证。视频存档的优势是所见即所得,视频中包含录制环境、参与人员的动作、语音等较多信息,因而发生纠纷时较难抵赖。根据监管部门的要求,银行、证券、保险等金融机构在销售理财产品时,必须进行录音录像(简称双录)。在录音录像的过程中销售人员需向摄像头展示自己的从业资格证、客户证件和销售文件等。对于从业资格证或者客户证件(如二代证)这类刚体通常需要展示证件的正反面以唯一标识身份信息(姓名、性别、出生日期、证件标号、人脸图像)和证件有效期。而对于销售文件这类非刚体,通常需要突出展示多个关键部分,如产品名称、产品期限、风险等级、收益信息、消费者签章等。文件的版面过大或者包含多页会导致无法同时清晰展示这些关键部分,只能通过多个角度来分别展示或者对每一页分别展示。为保护消费者的合法权益,避免不法分子收集过期证件的正面和尚在有效期内的证件的反面来展示,或者收集多份文件分别展示多个关键部分,我们需要判定展示的正反面是否来自同一个实物,多个关键部分是否来自同一份文件。如果展示的正反面来自同一个实物,展示的多个关键部分来自同一个文档,那么整个展示动作是连续的,展示过程中前后帧的目标存在共同部分。我们可以利用这个共同部分来进行目标多角度展示动作的连续性判断。
判断多角度展示的目标是否来自同一个实物本质上属于目标跟踪的范畴,可以使用跟踪的方法来做。但是在展示实物发生大角度旋转或者形变的过程中,目标的表观也不断发生变化,导致跟踪漂移甚至跟丢。跟踪漂移的问题需要通过不断更新目标的表观模型来解决,而跟丢的问题只能通过目标检测器来解决。在更新目标表观模型的过程中,容易引入背景导致跟踪失败。同时,对于视频中可能展示的任何物体,在样本有限的情况下,不可能都提前训练一个目标检测器。
发明内容
在被跟踪目标发生大角度旋转或者形变的过程中,为了解决现有跟踪算法对目标表观不断发生变化导致的跟踪漂移甚至跟丢问题,本申请提供一种目标多角度展示动作连续性检测方法。采用如下的技术方案:
目标多角度展示动作连续性检测方法,应用于检测视频中多角度展示动作是否连续,包括以下步骤:
步骤1:提取视频中的运动目标作为检测目标;
步骤2:判断所述运动目标是否移出摄像头,若检测到运动目标移出摄像头,则判定运动目标多角度展示动作不连续;
步骤3:步骤2中若判定运动目标未检测到运动目标移出摄像头,则进一步判断运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果。
通过采用上述技术方案,提取视频中的运动目标作为检测目标,然后对运动目标判定是否存在移出摄像头的动作,若存在,则直接判定所述运动目标的多角度展示不连续,若不存在,则进一步判定运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果。
可选的,所述步骤1中,采用背景差分法、帧间差分法或光流法检测视频中的运动目标,记录下所述运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
通过采用上述技术方案,采用本领域常用的背景差分法、帧间差分法或光流法能完成对待检测视频运动目标的检测,完成对运动目标出现和消失的帧号的提取,同时提取之间每帧图片的运动目标区域mask作为检测目标。
可选的,采用GrabCut、FCN或DeepLab图像分割方法对检测出的运动目标像素做精细化提取操作,记录下所述运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
通过采用上述技术方案,采用背景差分法、帧间差分法或光流法等方法检测视频中的运动目标,检测到的目标精度不够,再利用传统的图像分割方法(比如GrabCut)或深度学习的图像分割方法(比如FCN、DeepLab)等,对检测出的运动目标像素做进一步的精细化提取操作。
可选的,所述步骤2中采用以下具体方法判断运动目标是否移出摄像头,检测跟踪运动目标区域mask的位置变化,若运动目标区域mask逐渐朝向图像的边缘移动,且运动目标区域mask到达图像边缘处后区域面积逐渐变小,结合光流法可判定目标是移出摄像头。
通过采用上述技术方案,当运动目标是做移出摄像头的运动时,因为该动作也是连续的,且相邻帧之间的目标差异也可能比较小,后续就无法通过判断相邻帧之间目标差异的方法来判断多角度展示动作或者内容平移是否连续,所以需要先判断目标是否在做移出摄像头的运动。目标在移出摄像头的过程中,目标区域一般会越来越小直至消失。而当目标在做翻转运动时,目标区域同样会由大变小。结合目标区域的位置变化,如果目标区域越来越靠近图像的边缘且到达边缘处后区域面积越来越小,那么判定运动目标是移出摄像头。
所述步骤3中采用以下具体方法判定运动目标多角度展示动作是否连续:
①.基于SIFT或SURF方法分别计算所述运动目标任意相邻帧运动目标区域mask的特征点ptns,pt(n+1)s;
②.采用最近邻搜索算法确定步骤①中的ptns和pt(n+1)s最近的匹配点对;
③.剔除步骤②中匹配点对之间距离比率大于阈值tn的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>;
其中,num(pairs)表明匹配成功的点对pairs的数量,num(ptns)表明特征点ptns的数量。
设定相似程度阈值T,若存在任意相邻两帧的simi<T或者num(pairs)=0,则判定运动目标多角度展示动作不连续,若所有相邻两帧的simi≥T,则判定运动目标多角度展示动作连续。
通过采用上述技术方案,需要进一步判定该动作展示是否连续,计算所述运动目标任意相邻两帧的目标相似程度(颜色距离、纹理距离、线条、版面、logo、特征点匹配程度等)。若存在任意两帧目标区域的相似程度比设定阈值小,则说明该目标多角度展示动作不连续,若任意两帧目标区域的相似程度都比设定阈值大,则判定运动目标多角度展示动作连续。
可选的,所述阈值tn设为1/1.5,所述相似程度阈值T设为0.02-0.06,优选T=0.04。
通过采用上述技术方案,剔除步骤②中匹配点对之间距离比率大于阈值tn,tn设为1/1.5的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>,相似程度阈值T设为0.04,当simi<0.04或者num(pairs)=0,说明存在任意相邻两帧的相似度较差,可以判定运动目标多角度展示动作不连续,若simi≥0.04,可以判定运动目标多角度展示动作连续,进而可以判定目标多角度展示动作连续。
可选的,所述视频可以是存储器里的拍摄好的视频文件,也可以是在线视频会议等类似的直接视频连线的应用场景下的实时在线视频。
本发明还公开了一种电子设备,包括:处理器;以及,存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述的检测方法。所述电子设备含包括视频录入模块。
通过采用上述技术方案,目标多角度展示动作连续性检测方法可以应用于对已录制好的视频文件中的目标多角度展示动作是否连续的检测,也可以应用于对实时在线视频的目标多角度展示动作是否连续的检测。
综上所述,本申请包括以下至少一种有益技术效果:
1.本发明首先通过背景差分法和图像分割等方法自动提取出视频中的运动目标。假设展示动作缓慢的条件下,通过判断目标出现和目标消失时间段中相邻帧目标区域的差异来判断目标的展示动作是否连续;
2.该方法能实现在线上办理业务的应用场景下,通过对客户提供的展示视频的目标多角度展示动作的连续性进行判断,从而判断客户在视频中多角度展示的目标是否来自于同一个实物。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下结合附图1对本申请作进一步详细说明。
本申请实施例公开目标多角度展示动作连续性检测方法。
参照图1,目标多角度展示动作连续性检测方法,应用于检测视频中多角度展示动作是否连续,包括以下步骤:
步骤1:提取视频中的运动目标作为检测目标;
步骤2:判断运动目标是否移出摄像头,若检测到运动目标移出摄像头,则判定运动目标多角度展示动作不连续;
步骤3:步骤2中若判定运动目标未检测到运动目标移出摄像头,则进一步判断运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果。
提取视频中的运动目标作为检测目标,然后对运动目标判定是否存在移出摄像头的动作,若存在,则直接判定所述运动目标的多角度展示不连续,若不存在,则进一步判定运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果。
步骤1中,采用背景差分法、帧间差分法或光流法检测视频中的运动目标,记录下运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
采用本领域常用的背景差分法、帧间差分法或光流法能完成对待检测视频运动目标的检测,完成对运动目标出现和消失的帧号的提取,同时提取之间每帧图片的运动目标区域mask作为检测目标。
采用GrabCut、FCN或DeepLab图像分割方法对检测出的运动目标像素做精细化提取操作,记录下运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
采用背景差分法、帧间差分法或光流法等方法检测视频中的运动目标,检测到的目标精度不够,再利用传统的图像分割方法(比如GrabCut)或深度学习的图像分割方法(比如FCN、DeepLab)等,对检测出的运动目标像素做进一步的精细化提取操作。
步骤2中采用以下具体方法判断运动目标是否移出摄像头,检测跟踪运动目标区域mask的位置变化,若运动目标区域mask逐渐朝向图像的边缘移动,且运动目标区域mask到达图像边缘处后区域面积逐渐变小,结合光流法可判定目标是移出摄像头。
当运动目标是做移出摄像头的运动时,因为该动作也是连续的,且相邻帧之间的目标差异也可能比较小,后续就无法通过判断相邻帧之间目标差异的方法来判断多角度展示动作或者内容平移是否连续,所以需要先判断目标是否在做移出摄像头的运动,目标在移出摄像头的过程中,目标区域一般会越来越小直至消失。而当目标在做翻转运动时,目标区域同样会由大变小。结合目标区域的位置变化,如果目标区域越来越靠近图像的边缘且到达边缘处后区域面积越来越小,那么判定目标是移出摄像头。
步骤3中采用以下具体方法判定运动目标多角度展示动作是否连续:
①.基于SIFT或SURF方法分别计算运动目标任意相邻帧运动目标区域mask的特征点ptns,pt(n+1)s;
②.采用最近邻搜索算法确定步骤①中的ptns和pt(n+1)s最近的匹配点对;
③.剔除步骤②中匹配点对之间距离比率大于阈值tn的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>;
其中,num(pairs)表明匹配成功的点对pairs的数量,num(ptns)表明特征点ptns的数量。
设定相似程度阈值T,若存在任意相邻两帧的simi<T或者num(pairs)=0,则判定运动目标多角度展示动作不连续,若所有相邻两帧的simi≥T,则判定运动目标多角度展示动作连续。
当目标存在多角度展示时,需要进一步判定该动作展示是否连续,计算运动目标任意相邻两帧的目标相似程度(颜色距离、纹理距离、线条、版面、logo、特征点匹配程度等)。若存在任意两帧目标区域的相似程度比设定阈值小,则说明该目标多角度展示动作不连续,若任意两帧目标区域的相似程度都比设定阈值大,则判定运动目标多角度展示动作连续。
阈值tn设为1/1.5,相似程度阈值T设为0.02-0.06,优选T=0.04。
剔除步骤②中匹配点对之间距离比率大于阈值tn,tn设为1/1.5的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>,相似度阈值T设为0.04,当simi<0.04或者num(pairs)=0,说明存在任意相邻两帧的相似度较差,可以判定运动目标多角度展示动作不连续,若simi≥0.04,可以判定运动目标多角度展示动作连续,进而可以判定目标多角度展示动作连续。
视频可以是存储器里的拍摄好的视频文件,也可以是在线视频会议等类似的直接视频连线的应用场景下的实时在线视频。
目标多角度展示动作连续性检测方法可以应用于对已录制好的视频文件中的目标多角度展示动作是否连续的检测,也可以应用于对实时在线视频的目标多角度展示动作是否连续的检测。
本发明还公开了一种电子设备,包括:处理器;以及,存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述的检测方法。所述电子设备含包括视频录入模块。
通过采用上述技术方案,目标多角度展示动作连续性检测方法可以应用于对已录制好的视频文件中的目标多角度展示动作是否连续的检测,也可以应用于对实时在线视频的目标多角度展示动作是否连续的检测。
本申请实施例目标多角度展示动作连续性检测方法的实施原理为:
以一个视频为例,通过以下实施步骤判断目标多角度展示动作是否连续:
步骤1:采用本领域常用的背景差分法、帧间差分法或光流法完成对待检测视频运动目标的检测,完成对运动目标出现和消失的帧号的提取,同时提取之间每帧图片的运动目标区域mask作为检测目标。采用背景差分法、帧间差分法或光流法等方法检测视频中的运动目标,检测到的目标精度不够,再利用传统的图像分割方法(比如GrabCut)或深度学习的图像分割方法(比如FCN、DeepLab)等,对运动目标区域mask像素做进一步的精细化提取操作,记录下运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
步骤2:判断运动目标是否移出摄像头,结合运动目标区域的位置变化,运动目标区域不存在靠近图像的边缘,则判定运动目标不存在移出摄像头的可能。
步骤3:采用以下具体方法判定运动目标多角度展示动作是否连续:
①.基于SIFT或SURF方法分别计算运动目标任意相邻帧运动目标区域mask的特征点ptns,pt(n+1)s;
②.采用最近邻搜索算法确定步骤①中的ptns和pt(n+1)s最近的匹配点对;
③.剔除步骤②中匹配点对之间距离比率大于阈值tn的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>;
④.相邻两帧目标的相似程度为
设定相似程度阈值T=0.04,通过计算,若所有相邻两帧的simi≥0.04,则判定运动目标多角度展示动作连续;若至少存在其中一组相邻两帧的相似度simi<0.04,则输出目标多角度展示动作不连续的最终结果。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.目标多角度展示动作连续性检测方法,其特征在于:应用于检测视频中多角度展示动作是否连续,包括以下步骤:
步骤1:提取视频中的运动目标作为检测目标;
步骤2:判断所述运动目标是否移出摄像头,若检测到运动目标移出摄像头,则判定运动目标多角度展示动作不连续;
步骤3:步骤2中若判定运动目标未移出摄像头,则进一步判断运动目标多角度展示动作是否连续,并输出目标多角度展示动作是否连续的结果;
判断运动目标多角度展示动作是否连续的方法为计算所述运动目标任意相邻两帧的目标相似程度,若存在任意两帧目标区域的相似程度比设定阈值小,则说明该目标多角度展示动作不连续,若任意两帧目标区域的相似程度都比设定阈值大,则判定运动目标多角度展示动作连续;基于目标多角度展示动作是否连续的结果,确定多角度展示目标是否为同一实物。
2.根据权利要求1所述的目标多角度展示动作连续性检测方法,其特征在于:所述步骤1中,采用背景差分法、帧间差分法或光流法检测视频中的运动目标,记录下所述运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
3.根据权利要求2所述的目标多角度展示动作连续性检测方法,其特征在于:采用GrabCut、FCN或DeepLab图像分割方法对检测出的运动目标像素做精细化提取操作,记录下所述运动目标出现和消失的帧号分别为ts、te,并保存ts到te帧之间每帧图片的运动目标区域mask作为检测目标。
4.根据权利要求1或2所述的目标多角度展示动作连续性检测方法,其特征在于:所述步骤2中采用以下具体方法判断运动目标是否移出摄像头,检测跟踪运动目标区域mask的位置变化,若运动目标区域mask逐渐朝向图像的边缘移动,且运动目标区域mask到达图像边缘后区域面积逐渐变小,结合光流法可判定目标是移出摄像头。
5.根据权利要求1或2所述的目标多角度展示动作连续性检测方法,其特征在于:所述步骤3中采用以下具体方法判定运动目标多角度展示动作是否连续:
①.基于SIFT或SURF方法分别计算所述运动目标ts+1至te-1帧之间任意相邻帧运动目标区域mask的特征点ptns,pt(n+1)s;
②.采用最近邻搜索算法确定步骤①中的ptns和pt(n+1)s最近的匹配点对;
③.剔除步骤②中匹配点对之间距离比率大于阈值tn的误匹配点对后,剩余的匹配成功的点对为pairs<ptn,pt(n+1)>;
设定相似程度阈值T,若存在任意相邻两帧的simi<T或者num(pairs)=0,则判定运动目标多角度展示动作不连续,若所有相邻两帧的simi≥T,则判定运动目标多角度展示动作连续。
6.根据权利要求5所述的目标多角度展示动作连续性检测方法,其特征在于:所述阈值tn设为1/1.5,所述相似程度阈值T设为0.02-0.06。
7.根据权利要求1-3任一所述的目标多角度展示动作连续性检测方法,其特征在于:所述视频是存储器里的视频文件。
8.根据权利要求1-3任一所述的目标多角度展示动作连续性检测方法,其特征在于:所述视频是实时在线视频文件。
9.一种电子设备,其特征在于,包括:处理器;以及,存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1~8中任一项所述的检测方法。
10.根据权利要求9所述的电子设备,其特征在于:所述电子设备还包括视频录入模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465500.9A CN114140493B (zh) | 2021-12-03 | 2021-12-03 | 目标多角度展示动作连续性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465500.9A CN114140493B (zh) | 2021-12-03 | 2021-12-03 | 目标多角度展示动作连续性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140493A CN114140493A (zh) | 2022-03-04 |
CN114140493B true CN114140493B (zh) | 2022-07-19 |
Family
ID=80387650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111465500.9A Active CN114140493B (zh) | 2021-12-03 | 2021-12-03 | 目标多角度展示动作连续性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140493B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481269A (zh) * | 2017-08-08 | 2017-12-15 | 西安科技大学 | 一种矿井用多摄像头运动目标连续跟踪方法 |
CN109871727A (zh) * | 2017-12-01 | 2019-06-11 | 九阳股份有限公司 | 一种冰箱存取方向的判断方法 |
CN113476824A (zh) * | 2021-07-19 | 2021-10-08 | 网易(杭州)网络有限公司 | 游戏中道具的操作方法、触控终端、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897658B (zh) * | 2015-12-18 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 人脸活体的鉴别方法和装置 |
CN105761277B (zh) * | 2016-02-01 | 2018-09-14 | 西安理工大学 | 一种基于光流的运动目标跟踪方法 |
CN106874876A (zh) * | 2017-02-20 | 2017-06-20 | 深圳市科漫达智能管理科技有限公司 | 一种人脸活体检测方法及装置 |
TWI666933B (zh) * | 2018-04-02 | 2019-07-21 | 緯創資通股份有限公司 | 物件監控方法及其運算裝置 |
CN109409277B (zh) * | 2018-10-18 | 2020-11-24 | 北京旷视科技有限公司 | 手势识别方法、装置、智能终端及计算机存储介质 |
CN109886080A (zh) * | 2018-12-29 | 2019-06-14 | 深圳云天励飞技术有限公司 | 人脸活体检测方法、装置、电子设备及可读存储介质 |
CN110909687B (zh) * | 2019-11-26 | 2022-10-21 | 爱菲力斯(深圳)科技有限公司 | 动作特征有效性判定方法、计算机存储介质和电子装置 |
CN111489330B (zh) * | 2020-03-24 | 2021-06-22 | 中国科学院大学 | 基于多源信息融合的弱小目标检测方法 |
CN112700478A (zh) * | 2020-12-31 | 2021-04-23 | 北京澎思科技有限公司 | 目标跟踪方法、系统、计算机可读存储介质和程序产品 |
-
2021
- 2021-12-03 CN CN202111465500.9A patent/CN114140493B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481269A (zh) * | 2017-08-08 | 2017-12-15 | 西安科技大学 | 一种矿井用多摄像头运动目标连续跟踪方法 |
CN109871727A (zh) * | 2017-12-01 | 2019-06-11 | 九阳股份有限公司 | 一种冰箱存取方向的判断方法 |
CN113476824A (zh) * | 2021-07-19 | 2021-10-08 | 网易(杭州)网络有限公司 | 游戏中道具的操作方法、触控终端、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114140493A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A survey on image tampering and its detection in real-world photos | |
Scherhag et al. | Detecting morphed face images using facial landmarks | |
US11017215B2 (en) | Two-stage person searching method combining face and appearance features | |
Kim et al. | Edge and identity preserving network for face super-resolution | |
Zeng et al. | Dynamic image mosaic via SIFT and dynamic programming | |
CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
Yu et al. | Unbiased multi-modality guidance for image inpainting | |
Wang et al. | An empirical study of detection-based video instance segmentation | |
Zhang et al. | Complementary networks for person re-identification | |
Zhu et al. | Recaptured image forensics based on normalized local ternary count histograms of residual maps | |
CN114140493B (zh) | 目标多角度展示动作连续性检测方法 | |
Li et al. | AMDFNet: Adaptive multi-level deformable fusion network for RGB-D saliency detection | |
Mohiuddin et al. | Duplicate frame detection in forged videos using sequence matching | |
Rai et al. | An end-to-end real-time face identification and attendance system using convolutional neural networks | |
Liu et al. | Video decolorization based on the CNN and LSTM neural network | |
Wang et al. | SIHRNet: a fully convolutional network for single image highlight removal with a real-world dataset | |
Manu et al. | Visual artifacts based image splicing detection in uncompressed images | |
Sarangi et al. | Automatic attendance system using face recognition | |
Taş et al. | Camera-based wildfire smoke detection for foggy environments | |
CN115147705A (zh) | 人脸翻拍检测方法、装置、电子设备及存储介质 | |
Agarwal et al. | Unmasking the potential: evaluating image inpainting techniques for masked face reconstruction | |
Robinson et al. | Foreground segmentation in atmospheric turbulence degraded video sequences to aid in background stabilization | |
Hu et al. | An attention-erasing stripe pyramid network for face forgery detection | |
Chen et al. | Content-aware video resizing based on salient visual cubes | |
Utami et al. | Face spoof detection by motion analysis on the whole video frames |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method for detecting the continuity of target multi angle display actions Effective date of registration: 20231009 Granted publication date: 20220719 Pledgee: Bank of China Limited Wuhan Economic and Technological Development Zone sub branch Pledgor: HUBEI MICROPATTERN TECHNOLOGY DEVELOPMENT CO.,LTD. Registration number: Y2022420000271 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |