CN114419491A - 视频识别方法、装置及计算机存储介质 - Google Patents
视频识别方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN114419491A CN114419491A CN202111633795.6A CN202111633795A CN114419491A CN 114419491 A CN114419491 A CN 114419491A CN 202111633795 A CN202111633795 A CN 202111633795A CN 114419491 A CN114419491 A CN 114419491A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- images
- feature
- comparison result
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 51
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种视频识别方法、装置、计算机存储介质，包括：将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果；根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。因此，可适用于不同场景下的视频识别，且仅需少量的参考图像即可实现较高的识别准确性。
Description
技术领域
本申请实施例涉及图像技术领域，特别涉及一种视频识别方法、装置及计算机存储介质。
背景技术
随着社会的发展，越来越多的工作单位无论是考虑安全性还是专业性，都开始越来越重视方方面面的规范化。其中，较为基本的就是在工作环境中要求人员穿着配备统一规范的工作服，例如，施工场所人员要求穿戴工程工作服以及安全帽，工厂人员要求穿着统一的车间服装等。
目前，针对这些特殊工作场景的着装检查，基本依赖于专人监督方式来实现，不但浪费人力且存在着检查不方便也不及时的问题。
发明内容
鉴于上述问题，本申请提供一种视频识别方法、装置及计算机存储至，可至少部分地解决上述技术问题。
本申请第一方面提供一种视频识别方法，包括：将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果；根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。
本申请第二方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述第一方面所述的方法中各步骤的各指令。
本申请第三方面提供一种视频识别装置，包括：图像比对模块，用于将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果；视频识别模块，用于根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。
综上所述，本申请提供的视频识别方案，可在无需执行模型训练，且仅需少量的参考图像的前提下，即可实现不同场景下的视频识别，具有成本低廉、应用范围广泛、视频识别准确性高等优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请示例性实施例的视频识别方法的流程示意图。
图2为本申请示例性实施例的视频识别方法的流程示意图。
图3为本申请示例性实施例的视频识别装置的结构框图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
目前针对一些特殊工作场景的着装检查，基本依赖于专人监督方式来实现，不但浪费人力且存在着检查不方便也不及时的问题。
随着深度学习技术迅速发展，利用深度学习训练检测网络，自动检查特殊工作场景下的着装要求的方法应运而生。此方法主要通过采集大量指定场景下的样本数据，然后分别利用穿着有指定工作服的图片样本以及未穿着有指定工作服的图片样本标注标签并针对模型执行分类训练，以利用训练好的模型来自动识别视频中的目标对象是否穿着了指定工作服。此方式最大的弊端在于对于训练模型的训练样本数据的需求量较大，且因应不同的场景都分别采集相应的样本数据、并执行数据标注以及重新训练网络，导致了部署流程时间较长且耗费成本较高的问题。
有鉴于此，本申请提出一种视频识别方案，可解决上述种种技术问题。
以下将结合各附图详细描述本申请的各实施例。
图1示出了本申请示例性实施例的视频识别方法的流程示意图。如图所示，本实施例主要包括以下步骤：
步骤S102，将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各目标图像对应的各比对结果。
可选地，可基于预设帧间隔，获取目标视频中的多个目标图像。
于本实施例中，预设帧间隔可介于1至5帧之间。
可选地，目标视频可为各类工作场景下的监控视频，例如，车间、施工现场等工作场景下的监控视频。
可选地，可建立各应用场景对应的各特征底库，其中，每一个特征底库可用于存储相应应用场景所对应的参考特征的多个参考图像，亦即，同一特征底库中存储有具有相同参考特征的多个参考图像。
于本实施例中，特征底库中的参考图像的数量可介于10至100之间。
可选地，可将每一个目标图像分别与特征底库中的部分参考图像或所有参考图像执行一一比对，获得每一个目标图像包含或不包含参考特征的比对结果。
可选地，可基于同步方式或异步方式执行目标图像与参考图像之间的比对处理，亦即，可将目标图像依次与特征底库中的各个参考图像执行比对，或者，将目标图像同时与特征底库中的各个参考图像执行比对。
步骤S104，根据各目标图像对应的各比对结果，获得目标视频是否包含参考特征的识别结果。
可选地，可根据各目标图像对应的各比对结果，若比对结果为包含参考特征的目标图像的数量满足第二预设数量阈值，获得目标视频包含参考特征的识别结果。
于本实施例中，第二预设数量阈值可为大于或等于5，但并不以此为限，可根据实际识别精度需求进行调整，本申请对此不作限制。
可选地，可根据各目标图像对应的各时间帧执行按序排列，获得包含各目标图像的图像序列；并根据各目标图像对应的各比对结果，将识别结果为包含参考特征的各目标图像确定为候选图像，且当判断候选图像在图像序列中的连续数量超过预设连续阈值时，获得目标视频包含参考特征的识别结果。
于本实施例中，预设连续阈值可设置为大于或等于5，也就是当图像序列中存在有连续5个候选图像时，获得目标视频包含参考特征的识别结果。
于本实施例中，第二预设数量阈值、预设连续阈值均可根据实际应用场景进行调整，本申请对此不作限制。
相较于现有技术，本实施例的视频识别方法，无需执行模型训练，仅需构建少量的具有相同参考特征的参考图像，即可识别出目标视频中是否包含有参考特征，具有成本低廉、适用场景广泛、识别准确性高的优点。
图2示出了本申请另一示例性实施例的视频识别方法的处理流程图。本实施例为上述步骤S102的具体实施方案，如图所示，本实施例主要包括以下步骤：
步骤S202,根据各目标图像对应的各时间帧，依序获取一个目标图像，以作为当前图像。
步骤S204，检测当前图像中的目标对象，并针对目标对象执行特征提取，以获得当前图像的目标特征向量。
于本实施例中，可检测当前图像中的目标对象，获得目标对象的目标检测框，并针对目标检测框内的目标对象执行特征提取，以获得当前图像的目标特征向量。
可选地，可利用行人重识别(ReID)检测当前图像中的目标对象。
于本实施例中，可提取目标对象的目标制服特征，获得当前图像的目标特征向量。
可选地，目标制服特征可包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个。
步骤S206，根据当前图像的目标特征向量、各参考图像对应的各参考特征向量，获得当前图像是否包含参考特征的比对结果。
于本实施例中，参考特征为基于参考图像的应用场景下的参考制服所确定。
可选地，参考特征可包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个。
于本实施例中，具有相同参考特征的各参考图像可具有不同的参考特征向量。
可选地，参考图像的参考特征向量可基于参考图像的成像角度、成像光源中的至少一个所确定。
例如，在对应于车间工作场景的特征底库中，可存储包含有相同车间工作服(参考特征)的多个参考图像，但各参考图像的拍摄角度、拍摄光源各不相同，使得具有相同车间工作服(参考特征)的各参考图像可具有不同的参考特征向量。
由于本申请所构建的具有相同参考特征的各参考图像可具有不同的参考特征向量，此可能导致目标图像将与各参考图像中的一部分的相似度较高，而与各参考图像中的另一部分的相似度较低，有鉴于此，本申请设计了两种相似度比对方式，来识别目标图像中是否包含有参考特征：
于一示例性比对方式中，可将当前图像的目标特征向量分别与各参考图像对应的各参考特征向量执行相似度比对，获得各参考图像对应的各相似度值，并根据各参考图像的各相似度值、第一预设相似度阈值，若相似度值大于第一预设相似度阈值的参考图像的数量满足第一预设数量阈值，获得当前图像包含参考特征的比对结果。
可选地，可计算当前图像的目标特征向量与参考图像的参考特征向量之间的余弦相似度，获得参考图像的相似度值。
可选地，第一预设相似度阈值介于0.3-0.7之间，第一预设数量阈值为所述参考图像的总数的1/10。
于本实施例中，底库中具有相同的参考特征的参考图像数量可介于10至100之间，第一预设数量阈值较佳为不超过10张。
于另一示例性比对方式中，可根据各参考图像对应的各参考特征向量，获得平均特征向量，并根据当前图像的目标特征向量、平均特征向量，若目标特征向量与平均特征向量之间的相似度值超过第二预设相似度阈值，获得当前图像包含参考特征的比对结果。
需说明的是，上述的第一预设相似度阈值、第一预设数量阈值、第二预设相似度阈值，均可根据实际应用场景进行任意调整，本申请对此不作限制。
综上所述，本实施例的视频识别方法，通过构建具有相同参考特征且不同参考特征向量的各参考图像，据以识别目标图像是否包含参考特征，因此，本申请可针对具有不同成像角度和/或不同成像光源的目标图像进行识别，可以提高识别结果的鲁棒性。
本申请的示例性实施例还提供一种计算机存储介质，所述计算机存储介质中存储有用于执行上述各实施例所述的视频识别方法中各步骤的各指令。
图3示出了本申请示例性实施例的视频识别装置的结构框图。如图所示，本实施例的视频识别装置300主要包括：
图像比对模块302，用于将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果
视频识别模块304，用于根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。
可选地，图像比对模块302还用于：根据预设帧间隔，获取所述目标视频中的所述多个目标图像；其中，所述预设帧间隔介于1至5帧之间。
可选地，图像比对模块302还用于：根据各所述目标图像对应的各时间帧，依序获取一个所述目标图像，以作为当前图像：检测所述当前图像中的目标对象，并针对所述目标对象执行特征提取，以获得所述当前图像的目标特征向量；根据所述当前图像的目标特征向量、各参考图像对应的各参考特征向量，获得所述当前图像是否包含所述参考特征的比对结果。
可选地，图像比对模块302还用于：提取所述目标对象的目标制服特征，获得所述当前图像的目标特征向量；其中，所述目标制服特征包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个。
可选地，所述参考特征为基于所述参考图像的应用场景下的参考制服所确定，所述参考特征包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个；具有相同参考特征的各所述参考图像具有不同的参考特征向量，所述参考特征向量为基于所述参考图像的成像角度、成像光源中的至少一个所确定。
可选地，图像比对模块302还用于：将所述当前图像的目标特征向量分别与各参考图像对应的各参考特征向量执行相似度比对，获得各所述参考图像对应的各相似度值；根据各所述参考图像的各所述相似度值、第一预设相似度阈值，若所述相似度值大于所述第一预设相似度阈值的所述参考图像的数量满足第一预设数量阈值，获得所述当前图像包含所述参考特征的比对结果。
可选地，所述第一预设相似度阈值介于0.3-0.7之间；所述第一预设数量阈值为所述参考图像的总数的1/10；较佳地，所述第一预设数量阈值为不超过10。
可选地，图像比对模块302还用于：根据各所述参考图像对应的各所述参考特征向量，获得平均特征向量；根据所述当前图像的目标特征向量、所述平均特征向量，若所述目标特征向量与所述平均特征向量之间的相似度值超过第二预设相似度阈值，获得所述当前图像包含所述参考特征的比对结果。
可选地，视频识别模块304还用于：根据各所述目标图像对应的各所述比对结果，若比对结果为包含所述参考特征的所述目标图像的数量满足第二预设数量阈值，获得所述目标视频包含所述参考特征的识别结果；其中，所述第二预设数量阈值为不小于5。
可选地，视频识别模块304还用于：根据各所述目标图像对应的各时间帧执行按序排列，获得包含各所述目标图像的图像序列；根据各所述目标图像对应的各所述比对结果，将识别结果为包含所述参考特征的各所述目标图像确定为候选图像；若在所述图像序列中所述候选图像的连续数量超过预设连续阈值，获得所述目标视频包含所述参考特征的识别结果；其中，所述预设连续阈值为不小于5。
综上所述，本申请提供的视频识别方案，无需执行模型训练，即可针对不同应用场景下的指定特征进行识别，具有应用范围广泛、部署成本低廉的优点。
再者，本申请提供的视频识别方案，仅需少量的参考样本即可实现较高的识别准确率。
最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (12)
1.一种视频识别方法，包括：
将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果；
根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。
2.根据权利要求1所述的方法，其中，所述方法还包括：
根据预设帧间隔，获取所述目标视频中的所述多个目标图像；
其中，所述预设帧间隔介于1至5帧之间。
3.根据权利要求1所述的方法，其中，所述将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果，包括：
根据各所述目标图像对应的各时间帧，依序获取一个所述目标图像，以作为当前图像：
检测所述当前图像中的目标对象，并针对所述目标对象执行特征提取，以获得所述当前图像的目标特征向量；
根据所述当前图像的目标特征向量、各参考图像对应的各参考特征向量，获得所述当前图像是否包含所述参考特征的比对结果。
4.根据权利要求3所述的方法，其中，所述针对所述目标对象执行特征提取，以获得所述当前图像的目标特征向量，包括：
提取所述目标对象的目标制服特征，获得所述当前图像的目标特征向量；
其中，所述目标制服特征包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个。
5.根据权利要求3或4所述的方法，
其中，所述参考特征为基于所述参考图像的应用场景下的参考制服所确定，所述参考特征包括上衣特征、下衣特征、帽子特征、鞋子特征中的至少一个；
其中，具有相同参考特征的各所述参考图像具有不同的参考特征向量，所述参考特征向量为基于所述参考图像的成像角度、成像光源中的至少一个所确定。
6.根据权利要求5所述的方法，其中，所述根据所述当前图像的目标特征向量、各参考图像对应的各参考特征向量，获得所述当前图像是否包含所述参考特征的比对结果，包括：
将所述当前图像的目标特征向量分别与各参考图像对应的各参考特征向量执行相似度比对，获得各所述参考图像对应的各相似度值；
根据各所述参考图像的各所述相似度值、第一预设相似度阈值，若所述相似度值大于所述第一预设相似度阈值的所述参考图像的数量满足第一预设数量阈值，获得所述当前图像包含所述参考特征的比对结果。
7.根据权利要求6中任一项所述的方法，其中，
所述第一预设相似度阈值介于0.3-0.7之间；
所述第一预设数量阈值为所述参考图像的总数的1/10；
较佳地，所述第一预设数量阈值为不超过10。
8.根据权利要求5所述的方法，其中，所述根据所述当前图像的目标特征向量、各参考图像对应的各参考特征向量，获得所述当前图像是否包含所述参考特征的比对结果，包括：
根据各所述参考图像对应的各所述参考特征向量，获得平均特征向量；
根据所述当前图像的目标特征向量、所述平均特征向量，若所述目标特征向量与所述平均特征向量之间的相似度值超过第二预设相似度阈值，获得所述当前图像包含所述参考特征的比对结果。
9.根据权利要求1、3、6、8中任一项所述的方法，其中，所述根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果，包括：
根据各所述目标图像对应的各所述比对结果，若比对结果为包含所述参考特征的所述目标图像的数量满足第二预设数量阈值，获得所述目标视频包含所述参考特征的识别结果；
其中，所述第二预设数量阈值为不小于5。
10.根据权利要求1、3、6、8中任一项所述的方法，其中，所述根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果，包括：
根据各所述目标图像对应的各时间帧执行按序排列，获得包含各所述目标图像的图像序列；
根据各所述目标图像对应的各所述比对结果，将识别结果为包含所述参考特征的各所述目标图像确定为候选图像；
若在所述图像序列中所述候选图像的连续数量超过预设连续阈值，获得所述目标视频包含所述参考特征的识别结果；
其中，所述预设连续阈值为不小于5。
11.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述权利要求1至10中任一项所述的方法中各步骤的各指令。
12.一种视频识别装置，包括：
图像比对模块，用于将目标视频中的多个目标图像，分别与具有相同参考特征的多个参考图像执行比对，获得各所述目标图像对应的各比对结果；
视频识别模块，用于根据各所述目标图像对应的各所述比对结果，获得所述目标视频是否包含所述参考特征的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111633795.6A CN114419491A (zh) | 2021-12-28 | 2021-12-28 | 视频识别方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111633795.6A CN114419491A (zh) | 2021-12-28 | 2021-12-28 | 视频识别方法、装置及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419491A true CN114419491A (zh) | 2022-04-29 |
Family
ID=81269725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111633795.6A Pending CN114419491A (zh) | 2021-12-28 | 2021-12-28 | 视频识别方法、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419491A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
| CN111144241A (zh) * | 2019-12-13 | 2020-05-12 | 深圳奇迹智慧网络有限公司 | 基于图像校验的目标识别方法、装置和计算机设备 |
| CN111259763A (zh) * | 2020-01-13 | 2020-06-09 | 华雁智能科技(集团)股份有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
| CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
| CN112906798A (zh) * | 2021-02-25 | 2021-06-04 | 云从科技集团股份有限公司 | 图像匹配方法、装置及计算机存储介质 |
| CN113313186A (zh) * | 2021-06-09 | 2021-08-27 | 广东电网有限责任公司 | 一种不规范穿戴工作服识别方法及系统 |
-
2021
- 2021-12-28 CN CN202111633795.6A patent/CN114419491A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
| CN111144241A (zh) * | 2019-12-13 | 2020-05-12 | 深圳奇迹智慧网络有限公司 | 基于图像校验的目标识别方法、装置和计算机设备 |
| CN111259763A (zh) * | 2020-01-13 | 2020-06-09 | 华雁智能科技(集团)股份有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
| CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
| CN112906798A (zh) * | 2021-02-25 | 2021-06-04 | 云从科技集团股份有限公司 | 图像匹配方法、装置及计算机存储介质 |
| CN113313186A (zh) * | 2021-06-09 | 2021-08-27 | 广东电网有限责任公司 | 一种不规范穿戴工作服识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘晓阳;霍祎炜;: "多尺度分区统一化LBP算子井下人员人脸识别方法", 煤炭科学技术, no. 12, 15 December 2019 (2019-12-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858371B (zh) | 人脸识别的方法及装置 | |
| US10037467B2 (en) | Information processing system | |
| KR101917354B1 (ko) | 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법 | |
| KR20170015639A (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
| CN105279496A (zh) | 一种人脸识别的方法和装置 | |
| CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
| CN112163572A (zh) | 识别对象的方法和装置 | |
| CN113989858B (zh) | 一种工作服识别方法及系统 | |
| US20110280442A1 (en) | Object monitoring system and method | |
| CN113436229A (zh) | 一种多目标跨摄像机行人轨迹路径的生成方法 | |
| CN113269127A (zh) | 实时自动建库的人脸识别和行人重识别监控方法及系统 | |
| US9984294B2 (en) | Image classification method and apparatus for preset tour camera | |
| CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
| KR101214858B1 (ko) | 클러스터링 기법을 이용한 이동물체 검출장치 및 방법 | |
| CN114419491A (zh) | 视频识别方法、装置及计算机存储介质 | |
| CN112699810B (zh) | 一种提升室内监控系统人物识别精度的方法及装置 | |
| CN112232113B (zh) | 人员识别方法、人员识别装置、存储介质与电子设备 | |
| Xu et al. | Abnormal behavior detection in crowd scenes | |
| CN114359646A (zh) | 一种视频分析方法、装置、系统、电子设备和介质 | |
| KR102589150B1 (ko) | 누적 차영상을 이용한 원거리 객체 검지 시스템 | |
| Molina-Giraldo et al. | Video segmentation framework by dynamic background modelling | |
| CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
| CN111753601A (zh) | 一种图像处理的方法、装置以及存储介质 | |
| CN112818922B (zh) | 一种基于图像的店员识别方法 | |
| CN114783000B (zh) | 一种明厨亮灶场景下工作人员着装规范检测方法及装置 |
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 |