CN116030500A - 一种人员着装规范识别方法及系统 - Google Patents
一种人员着装规范识别方法及系统 Download PDFInfo
- Publication number
- CN116030500A CN116030500A CN202310120820.3A CN202310120820A CN116030500A CN 116030500 A CN116030500 A CN 116030500A CN 202310120820 A CN202310120820 A CN 202310120820A CN 116030500 A CN116030500 A CN 116030500A
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- attribute
- human
- original image
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人员着装规范识别方法,包括以下步骤:S1:获取实时原始图像;S2:对所述原始图像进行目标检测,得到人体目标的位置集合;S3:根据所述人体目标位置将原始图像进行第一特征处理,得到人体图像并对所述人体图像进行人体属性分类;S4:根据所述人体属性分类得到每张所述人体图像的属性概率;S5:根据所述属性概率判断人员着装是否规范。本申请通过对实时原始图像进行目标检测和人体属性分类,得到原始图像中人体属性概率,有效提升识别的准确度,减少漏检。
Description
技术领域
本发明是关于生物特征识别领域,特别是关于一种人员着装规范识别方法及系统。
背景技术
着装规范广泛存在于各行各业的日常生产经营活动中,不仅能够树立公司形象,更对保障生产秩序和劳工生命安全有着重要意义,特别在机械、化工、医药、精密电子等产业中,环境条件要求严苛,稍有疏忽可能造成重大生命财产损失。为此,有必要对人员的着装规范进行检查。
长久以来,着装检查主要通过人工进行,如多人作业时互相穿戴、互相检查,或独自作业时通过闭路电视远程检查。这种方式简单可靠,能够发现细节问题并及时纠正,是当前各行业的主流。不过,完全依赖人工也存在风险,如检查只在作业前执行一次,忽视了作业过程中的可能意外,且长期重复的检查流程易使人产生松懈或厌烦,进而疏忽着装,引发危险。
因此,寻找一种能够通过计算机视觉和人工智能根据特定场景判断人体是否符合着装规范、且有较高识别准确性的识别方法,是本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的在于提供一种人员着装规范识别方法,包括以下步骤:
S1:获取实时原始图像;
S2:对所述原始图像进行目标检测,得到人体目标的位置集合;
S3:根据所述人体目标位置将原始图像进行第一特征处理,得到人体图像并对所述人体图像进行人体属性分类;
S4:根据所述人体属性分类得到每张所述人体图像的属性概率;
S5:根据所述属性概率判断人员着装是否规范。
在本发明的一实施方式中,所述目标检测采用CenterNet模型对原始图像进行识别,得到所述人体目标的位置集合,所述人体位置目标的位置集合包括人体目标矩形框的左上角的横坐标和纵坐标以及右下点的横坐标和纵坐标。
在本发明的一实施方式中,所述目标检测的具体包括:
采用第一卷积主干网络对所述原始图像进行检测;所述第一卷积主干网络使用ResNet-50残差网络;
检测后的图像分别采用位置回归、偏移回归以及尺寸回归预测目标的类激活图、中心点位置偏移和长度,经过非极大值抑制后得到所述人体目标的位置集合。
在本发明的一实施方式中,所述第一特征处理包括:
根据所述人体目标的位置将原始图像中含有人体的子区域提取出来并进行裁切;
将裁切的人体子区域缩放并进行对齐处理。
在本发明的一实施方式中,所述人体属性分类采用MCAR多标签分类框架对所述人体图像进行识别。
在本发明的一实施方式中,人体属性分类具体包括以下步骤:
采用第二主干网络提取所述人体图像中的全局特征;所述第二主干网络使用ResNet-18残差网络;
对所述全局特征进行全局平均池化和全连接层操作,将所述全局特征的维数降至目标属性数;
使用sigmoid激活函数进行归一化操作,得到每个目标属性的出现概率;
对所述全局特征进行卷积,并将通道数降维至目标属性数,且上采样至原始图像大小,得到每个目标属性对应的类激活图;所述类激活图为每个类别的对象在空间位置上的分布概率;
从所述原始图像上裁切提取高于阈值的子区域,并再次输入主干网络,得到局部特征;
通过所述局部特征计算每个目标属性的最大激活值作为对应的出现概率;
分别对所述全局特征和局部特征计算损失,得到最终概率分布。
在本发明的一实施方式中,计算每个目标属性的最大激活值之前还包括:
对所述局部特征依次进行全局平均池化和全连接层操作,并使用sigmoid激活函数进行归一化处理。
本申请还提供一种人员着装规范识别系统,包括:
获取模块,用于获取实时原始图像;
人体目标检测模块,用于采用CenterNet模型检测所述原始图像中人体位置;
人体属性分类模块,用于采用MCAR多标签分类框架根据所述原始图像中人体位置进行人体属性分类;
判断模块,用于根据所述人体属性分类的属性概率判断人员着装规范。
本申请还提供一种计算机设备,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行上述任一项所述的人员着装规范识别方法的步骤。
本申请还提供一种计算机可读存储介质,其包括程序代码,当程序代码在电子设备上运行时,所述程序代码用于使所述电子设备执行上述任一项所述的人员着装规范识别方法的步骤。
与现有技术相比,本申请具有以下有益效果:
1、本申请通过CenterNet模型和MCAR多标签分类框架对实时原始图像进行目标检测和人体属性分类,得到原始图像中人体属性概率,根据人体属性概率判断出人员着装是否符合规范,实现了实时、准确的人员着装识别,并在保持识别准确性的基础上简化算法复杂度,提升鲁棒性。
2、本申请采用MCAR多标签分类框架在目标检测的基础上引入类激活图和局部特征,对敏感区域进行提升和二次识别,在复杂的分类任务上能够有效提升识别的准确度,减少漏检。
附图说明
图1是根据本发明一实施方式的人员着装规范识别方法流程图;
图2是根据本发明一实施方式的CenterNet结构框图;
图3是根据本发明一实施方式的MCAR结构框图;
图4是根据本发明一实施方式的人员着装规范识别系统框图;
图5是根据本发明一实施方式的人员着装规范识别系统结构图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性,此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本申请的一实施例提供一种人员着装规范识别方法,包括以下步骤:
S1:获取实时原始图像;
S2:对所述原始图像进行目标检测,得到人体目标的位置集合;
S3:根据所述人体目标位置将原始图像进行第一特征处理,得到人体图像并对所述人体图像进行人体属性分类;
S4:根据所述人体属性分类得到每张所述人体图像的属性概率;
S5:根据所述属性概率判断人员着装是否规范。
作为本申请的进一步实施例,所述目标检测采用CenterNet模型对原始图像进行识别,其中,CenterNet模型使用FocalLoss作为训练阶段的损失函数,得到所述人体目标的位置集合,所述人体位置目标的位置集合包括人体目标矩形框的左上角的横坐标和纵坐标以及右下点的横坐标和纵坐标。所述人体属性分类采用MCAR(Multi-ClassAttentionalRegions)多标签分类框架对所述人体图像进行识别,MCAR多标签分类框架使用WightedBCELoss作为训练阶段的损失函数。
在本申请实施例中,通过CenterNet模型对原始图像进行目标检测,得到所有人体目标的位置集合,并利用MCAR多标签分类框架识别人体具有和不具有的属性要素,如男性/女性,正面/背面,带安全帽/未带安全帽等,得到人体图像的局部属性概率,本申请通过CenterNet模型和MCAR多标签分类框架执行逻辑判断得到人体图像的局部属性,进而对人员着装进行判断,即人员着装有帽子,且帽子戴在头上,而非拿在手上,提高人员着装规范识别的准确度。
作为本领域技术人员可以理解的,人体实时原始图像可以来自监控摄像头的实时图像,从而防止在作业时人员着装不规范,提高人员着装规范识别的查全率。
作为本申请的进一步实施例,所述目标检测的具体包括:
采用第一卷积主干网络对所述原始图像进行检测;所述第一卷积主干网络使用ResNet-50残差网络;
检测后的图像分别采用位置回归、偏移回归以及尺寸回归预测目标的类激活图、中心点位置偏移和长度,经过非极大值抑制后得到所述人体目标的位置集合。
如图2所示,具体的,ResNet-50残差网络包括Stage-0卷积层和Stage-1到Stage-4四个残差模块,每个残差模块由多层Bottlenect瓶颈结构和残差连结堆叠而成。通过采用ResNet-50残差网络对原始图像进行检测,其中,CenterNet模型的检测头包括类别回归、中心点回归以及长宽回归三条平行分支,分别对原始图像进行位置回归、偏移回归以及尺寸回归,进而预测目标类别(即人体)的类激活图、中心点位置偏移和长宽,并经过非极大值抑制后得到目标类别的位置集合。
具体的,所述非极大值抑制(Non-Maximum Suppression)具体包括以下步骤:
对所述类激活图进行池化,得到与类激活图尺寸相同的特征图;其中所述池化过程具体包括进行卷积核大小kernel_size=(3,3),步长stride=1,填充padding=1的最大池化,得到与类激活图尺寸相同的特征图;
计算=的位置,得到二值化的掩码M;
计算×M,得到目标类别的位置集合。
作为本申请的进一步实施例,所述第一特征处理包括:
根据所述人体目标的位置将原始图像中含有人体的子区域提取出来并进行裁切;
将裁切的人体子区域缩放并进行对齐处理。
在本申请实施例中,原始图像经过CenterNet模型进行目标检测后对应原始图像上所有人体的位置和大小,将含有人体的子区域进行裁切和提取,并进行缩放对齐,再进行人体属性分类。
作为本申请的进一步实施例,人体属性分类具体包括以下步骤:
采用第二主干网络提取所述人体图像中的全局特征;所述第二主干网络使用ResNet-18残差网络;
对所述全局特征进行全局平均池化和全连接层操作,将所述全局特征的维数降至目标属性数;
使用sigmoid激活函数进行归一化操作,得到每个目标属性的出现概率;
对所述全局特征进行卷积,并将通道数降维至目标属性数,且上采样至原始图像大小,得到每个目标属性对应的类激活图;所述类激活图为每个类别的对象在空间位置上的分布概率;
从所述原始图像上裁切提取高于阈值的子区域,并再次输入第二主干网络,得到局部特征;
通过所述局部特征计算每个目标属性的最大激活值作为对应的出现概率;
分别对所述全局特征和局部特征计算损失,得到最终概率分布。
如图3所示,具体地,ResNet-18残差网络包括Stage-0卷积层和Stage-1到Stage-4四个残差模块,每个残差模块由多层卷积层和残差连结堆叠而成。通过采用ResNet-18残差网络识别经过CenterNet模型识别后的图像并提取全局特征,再进行全局平均池化和全连接层将图像降维至目标属性数,并通过激活函数sigmoid完成归一化,得到每个目标属性出现的概率;再对全局特征进行3×3卷积,将通道数降维至目标属性数,并上采样至原始图片大小,得到每个目标属性对应的类激活图。对照类激活图,从原始图像上裁切提取高于阈值的子区域,即细节图像,将所述细节图像经缩放对齐后再次输入第二主干网络,得到局部特征,计算每个目标属性的最大激活值并作为原始图像中对应的人体局部属性出现概率。全局特征和局部特征在训练时分别计算损失,推理时则按属性元素计算最大值,得到最终概率分布。
具体的,所述阈值为可以根据实际需求进行设置,如阈值t=0.8,计算所述特征图阈值大于t的最大连通域,并计算连通域的外接矩形,将外接矩形作为裁剪的子区域,其中阈值t代表类激活图上目标矩形区域的左、右边界和上、下边界。
人体图像的属性概率在计算过程中隐式的包含了逻辑判断过程,这是通过模型对特征的抽象学习得到的,作为结果,模型不仅能够判断客观事实(如有安全帽),同时能够判断图像中各元素之间的依赖关系(如人戴着安全帽而非拿在手中),在确保识别准确性的基础上极大简化了算法复杂度,提升鲁棒性。
作为本申请的进一步实施例,计算每个目标属性的最大激活值之前还包括:
对所述局部特征依次进行全局平均池化和全连接层操作,并使用sigmoid激活函数进行归一化处理。
进一步参照图4和图5,本申请还提供一种人员着装规范识别系统,包括获取模块、人体目标检测模块、人体属性分类模块以及判断模块,获取模块用于获取实时原始图像;人体目标检测模块用于采用CenterNet模型检测所述原始图像中人体位置;人体属性分类模块用于采用MCAR多标签分类框架根据所述原始图像中人体位置进行人体属性分类;判断模块用于根据所述人体属性分类的属性概率判断人员着装规范。
本申请通过对实时原始图像采用CenterNet模型和MCAR多标签分类框架进行目标检测和人体属性分类,得到原始图像中局部人体属性概率,根据属性概率更进一步执行逻辑判断,即不仅通过CenterNet模型识别出人员着装规范中有帽子,并且判断出帽子是戴在头上,而非拿在手上,进一步提升了人员着装识别的准确度,有效减少漏检。本申请采用CenterNet模型和MCAR多标签分类框架进行目标检测和人体属性分类不仅可以用于着装规范检查,还可以应用于场景识别、行为识别、物体检测等领域。
本申请提供一种计算机设备,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行上述任一项所述的人员着装规范识别方法的步骤。
本申请还提供一种计算机可读存储介质,其包括程序代码,当程序代码在电子设备上运行时,所述程序代码用于使所述电子设备执行上述任一项所述的人员着装规范识别方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种人员着装规范识别方法,其特征在于,包括以下步骤:
S1:获取实时原始图像;
S2:对所述原始图像进行目标检测,得到人体目标的位置集合;
S3:根据所述人体目标位置将原始图像进行第一特征处理,得到人体图像并对所述人体图像进行人体属性分类;
S4:根据所述人体属性分类得到每张所述人体图像的属性概率;
S5:根据所述属性概率判断人员着装是否规范。
2.如权利要求1所述的一种人员着装规范识别方法,其特征在于,所述目标检测采用CenterNet模型对原始图像进行识别,得到所述人体目标的位置集合,所述人体位置目标的位置集合包括人体目标矩形框的左上角的横坐标和纵坐标以及右下点的横坐标和纵坐标。
3.如权利要求2所述的一种人员着装规范识别方法,其特征在于,所述目标检测的具体包括:
采用第一卷积主干网络对所述原始图像进行检测;所述第一卷积主干网络使用ResNet-50残差网络;
检测后的图像分别采用位置回归、偏移回归以及尺寸回归预测目标的类激活图、中心点位置偏移和长度,经过非极大值抑制后得到所述人体目标的位置集合。
4.如权利要求1所述的一种人员着装规范识别方法,其特征在于,所述第一特征处理包括:
根据所述人体目标的位置将原始图像中含有人体的子区域提取出来并进行裁切;
将裁切的人体子区域缩放并进行对齐处理。
5.如权利要求1所述的一种人员着装规范识别方法,其特征在于,所述人体属性分类采用MCAR多标签分类框架对所述人体图像进行识别。
6.如权利要求5所述的一种人员着装规范识别方法,其特征在于,人体属性分类具体包括以下步骤:
采用第二主干网络提取所述人体图像中的全局特征;所述第二主干网络使用ResNet-18残差网络;
对所述全局特征进行全局平均池化和全连接层操作,将所述全局特征的维数降至目标属性数;
使用sigmoid激活函数进行归一化操作,得到每个目标属性的出现概率;
对所述全局特征进行卷积,并将通道数降维至目标属性数,且上采样至原始图像大小,得到每个目标属性对应的类激活图;所述类激活图为每个类别的对象在空间位置上的分布概率;
从所述原始图像上裁切提取高于阈值的子区域,并再次输入主干网络,得到局部特征;
通过所述局部特征计算每个目标属性的最大激活值作为对应的出现概率;
分别对所述全局特征和局部特征计算损失,得到最终概率分布。
7.如权利要求6所述的一种人员着装规范识别方法,其特征在于,计算每个目标属性的最大激活值之前还包括:
对所述局部特征依次进行全局平均池化和全连接层操作,并使用sigmoid激活函数进行归一化处理。
8.一种人员着装规范识别系统,其特征在于,包括:
获取模块,用于获取实时原始图像;
人体目标检测模块,用于采用CenterNet模型检测所述原始图像中人体位置;
人体属性分类模块,用于采用MCAR多标签分类框架根据所述原始图像中人体位置进行人体属性分类;
判断模块,用于根据所述人体属性分类的属性概率判断人员着装规范。
9.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行如权利要求1-7任一项所述的人员着装规范识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,其包括程序代码,当程序代码在电子设备上运行时,所述程序代码用于使所述电子设备执行权利要求1~7任一项所述的人员着装规范识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120820.3A CN116030500B (zh) | 2023-02-16 | 2023-02-16 | 一种人员着装规范识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120820.3A CN116030500B (zh) | 2023-02-16 | 2023-02-16 | 一种人员着装规范识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030500A true CN116030500A (zh) | 2023-04-28 |
CN116030500B CN116030500B (zh) | 2023-07-18 |
Family
ID=86073933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120820.3A Active CN116030500B (zh) | 2023-02-16 | 2023-02-16 | 一种人员着装规范识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030500B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596878A (zh) * | 2023-05-15 | 2023-08-15 | 湖北纽睿德防务科技有限公司 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689086A (zh) * | 2019-10-08 | 2020-01-14 | 郑州轻工业学院 | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 |
US20200356767A1 (en) * | 2018-05-30 | 2020-11-12 | Tencent Technology (Shenzhen) Company Limited | Human body attribute recognition method, apparatus, and device and medium |
CN113536842A (zh) * | 2020-04-15 | 2021-10-22 | 普天信息技术有限公司 | 电力作业人员安全着装识别方法及装置 |
WO2021253510A1 (zh) * | 2020-06-18 | 2021-12-23 | 中国科学院自动化研究所 | 基于双向交互网络的行人搜索方法、系统、装置 |
US20210397828A1 (en) * | 2020-06-18 | 2021-12-23 | Institute Of Automation, Chinese Academy Of Sciences | Bi-directional interaction network (binet)-based person search method, system, and apparatus |
CN115457332A (zh) * | 2022-09-28 | 2022-12-09 | 云南大学 | 基于图卷积神经网络和类激活映射的图像多标签分类方法 |
-
2023
- 2023-02-16 CN CN202310120820.3A patent/CN116030500B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200356767A1 (en) * | 2018-05-30 | 2020-11-12 | Tencent Technology (Shenzhen) Company Limited | Human body attribute recognition method, apparatus, and device and medium |
CN110689086A (zh) * | 2019-10-08 | 2020-01-14 | 郑州轻工业学院 | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 |
CN113536842A (zh) * | 2020-04-15 | 2021-10-22 | 普天信息技术有限公司 | 电力作业人员安全着装识别方法及装置 |
WO2021253510A1 (zh) * | 2020-06-18 | 2021-12-23 | 中国科学院自动化研究所 | 基于双向交互网络的行人搜索方法、系统、装置 |
US20210397828A1 (en) * | 2020-06-18 | 2021-12-23 | Institute Of Automation, Chinese Academy Of Sciences | Bi-directional interaction network (binet)-based person search method, system, and apparatus |
CN115457332A (zh) * | 2022-09-28 | 2022-12-09 | 云南大学 | 基于图卷积神经网络和类激活映射的图像多标签分类方法 |
Non-Patent Citations (1)
Title |
---|
李秋珍;熊饶饶;王汝鹏;祁迪;: "基于SSD算法的实时无人机识别方法研究", 舰船电子工程, no. 05, pages 35 - 40 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596878A (zh) * | 2023-05-15 | 2023-08-15 | 湖北纽睿德防务科技有限公司 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
CN116596878B (zh) * | 2023-05-15 | 2024-04-16 | 湖北纽睿德防务科技有限公司 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116030500B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
CN109657533B (zh) | 行人重识别方法及相关产品 | |
Harrou et al. | An integrated vision-based approach for efficient human fall detection in a home environment | |
CN105095829B (zh) | 一种人脸识别方法及系统 | |
CN109684981B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
CN110210302B (zh) | 多目标跟踪方法、装置、计算机设备及存储介质 | |
CN110188724A (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
CN111753643B (zh) | 人物姿态识别方法、装置、计算机设备和存储介质 | |
CN112560741A (zh) | 一种基于人体关键点的安全穿戴检测方法 | |
CN109697716B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
CN116030500B (zh) | 一种人员着装规范识别方法及系统 | |
CN110555875A (zh) | 瞳孔半径的检测方法、装置、计算机设备和存储介质 | |
CN111524608A (zh) | 智能检测与防疫系统和方法 | |
CN108428224B (zh) | 基于卷积神经网的动物体表温度检测方法及装置 | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
CN113516017B (zh) | 服药过程的监督方法、装置、终端设备及存储介质 | |
CN110659588A (zh) | 一种客流量统计方法、装置及计算机可读存储介质 | |
CN113706579A (zh) | 一种基于工厂化养殖的对虾多目标跟踪系统及方法 | |
CN112115803A (zh) | 口罩状态提醒方法、装置及移动终端 | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
CN116778214A (zh) | 一种行为检测方法、装置、设备及其存储介质 | |
CN114565531A (zh) | 一种图像修复方法、装置、设备和介质 | |
CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN112861711A (zh) | 区域入侵检测方法、装置、电子设备及存储介质 |
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 |