CN116246298A - 一种空间占用人数统计方法、终端设备及存储介质 - Google Patents
一种空间占用人数统计方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN116246298A CN116246298A CN202211077317.6A CN202211077317A CN116246298A CN 116246298 A CN116246298 A CN 116246298A CN 202211077317 A CN202211077317 A CN 202211077317A CN 116246298 A CN116246298 A CN 116246298A
- Authority
- CN
- China
- Prior art keywords
- head
- moving object
- image
- frame
- shoulder
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种空间占用人数统计方法、终端设备及存储介质,该方法中包括:采集俯视全景图片组成训练集并对人体头肩进行标注;构建头肩检测模型,通过训练集对模型进行训练;依序接收俯拍全景视频中的各帧图像,当接收到某一帧图像时,通过训练后的头肩检测模型对该帧图像进行头肩检测,同时通过前景分割算法进行前景分割;将该帧图像与前一次保存的图像进行运动目标跟踪,根据运动目标跟踪判断结果更新运动目标队列;根据头肩检测结果和运动目标队列综合判断得到人数统计结果。本发明在保留了目标检测网络较高的检测准确率的基础上,又结合了前景分割所提取的动静态信息,极大地减少了漏检和误检概率,能够保证人数统计的准确性。
Description
技术领域
本发明涉及空间占用统计领域,尤其涉及一种空间占用人数统计方法、终端设备及存储介质。
背景技术
空间占用统计是通过对视频画面中的人数统计来实现,目前对人数统计存在许多方案,如基于目标特征的统计方法、基于深度学习的行人检测方法和基于深度学习的头肩检测方法,这些方法在进行人数统计时存在以下问题:
1.基于目标特征的统计方法:一如形状特征,通过人头形状具有类圆的特性来提取人头进行统计,但当背景中也有类圆物体时,容易误检;二如颜色特征,通过在HIS颜色空间建立人头颜色模型,结合头发灰度范围来进行人头检测,然而人的头发颜色并不单一,容易漏检;三是先提特征再分类识别的方法,像HOG特征提取再用SVM分类的方法,该方法准确率较前两者有所提升,但依然达不到实际应用的要求。
2.基于深度学习的行人检测方法:用目前主流的目标检测网络对行人进行检测,从而统计人数。由于人体目标较大,在人流量较大的地方容易出现遮挡情况从而导致漏检,在复杂场景下表现较差。
3.基于深度学习的头肩检测方法:用目前主流的目标检测网络,对头肩进行检测从而统计人数。头肩目标较小,比较不容易出现遮挡,因此用头肩当检测目标会比行人的准确率要高。但头肩里头部的类圆特性明显,导致网络容易把背景中的类圆物体检测出来。
发明内容
为了解决上述问题,本发明提出了一种空间占用人数统计方法、终端设备及存储介质。
具体方案如下:
一种空间占用人数统计方法,包括以下步骤:
S1:采集俯视全景图片组成训练集,并对训练集中各俯视全景图片中的人体头肩进行标注;
S2:构建头肩检测模型,通过训练集对头肩检测模型进行训练;
S3:依序接收俯拍全景视频中的各帧图像,当接收到某一帧图像时,通过训练后的头肩检测模型对该帧图像进行头肩检测,以提取该帧图像中的头肩目标,同时通过前景分割算法进行前景分割,以提取该帧图像中的运动目标;
S4:判断前景分割结果中包含的运动目标是否满足存在像素面积大于像素面积阈值的运动目标或运动目标的总数大于运动目标总数阈值,如果满足,则舍弃该帧图像,返回S3;否则,保存该帧图像,进入S5;
S5:将该帧图像与前一次保存的图像进行运动目标跟踪,根据运动目标跟踪判断结果更新运动目标队列,以使运动目标队列中的内容始终为最新保存的图像中包含的运动目标;
S6:判断运动目标队列中新增运动目标是否存在于头肩检测结果中,如果存在,根据运动目标队列中包含的运动目标个数进行人数统计;如果不存在,进入S7;
S7:根据人体头部像素点应满足的统计学规律,判定该新增运动目标是否包含头部,如果是,则设定该新增运动目标参与人数统计;否则,设定该新增运动目标不参与人数统计。
进一步的,俯视全景图片可以通过鱼眼相机俯拍获得。
进一步的,对人体头肩进行标注的标注信息包括包含头肩的矩形框信息和头肩的关键点信息。
进一步的,头肩检测模型的网络结构中采用人脸检测器SCRFD网络作为主干网络,并加入用于检测头肩的关键点信息的头肩关键点检测分支。
进一步的,步骤S3通过前景分割算法提取该帧图像中的运动目标后,还包括剔除运动目标中的噪声。
进一步的,步骤S5中该帧图像与前一次保存的图像进行的运动目标跟踪通过计算该帧图像中的运动目标与前一次保存的图像中的运动目标的IOU值进行。
进一步的,步骤S5中根据运动目标跟踪判断结果更新运动目标队列的方法包括:
如果运动目标跟踪结果中,该帧图像中的一运动目标在前一次保存的图像中未找到匹配运动目标,则设定该帧图像中的该运动目标为新增运动目标,将其添加至运动目标队列内;
如果有运动目标队列中的运动目标在该帧图像中未出现,且该帧图像之后的连续多个新保存的图像中均未出现与该未出现的运动目标匹配的运动目标,则将该运动目标从运动目标队列中删除。
进一步的,还包括设定如果当前帧的人数统计结果相对于前一帧的人数统计结果有变化时,不立即更新实时人数统计结果,只有该当前帧的人数统计结果在之后的连续几帧内连续保持不变时,才以该当前帧的人数统计结果更新实时人数统计结果。
一种空间占用人数统计终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,在保留了目标检测网络较高的检测准确率的基础上,又结合了前景分割所提取的动静态信息,极大地减少了漏检和误检概率,能够保证人数统计的准确性。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中头肩关键点的标注方式示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种空间占用人数统计方法,如图1所示,所述方法包括以下步骤:
S1:采集俯视全景图片组成训练集,并对训练集中各俯视全景图片中的人体头肩进行标注。
俯视全景图片可以通过鱼眼相机俯拍获得。
本实施例中对人体头肩的标注信息包括包含头肩的矩形框信息和头肩的关键点信息,关键点的标注方式如图2所示。
S2:构建头肩检测模型,通过训练集对头肩检测模型进行训练。
本实施例中考虑到人脸检测与头肩检测的相似性,在头肩检测模型的网络结构中选用检测精度较高的人脸检测器SCRFD网络作为主干网络,并加入头肩关键点检测分支来提升模型的检测精度。
S3:依序接收俯拍全景视频中的各帧图像,当接收到某一帧图像时,通过训练后的头肩检测模型对该帧图像进行头肩检测,以提取该帧图像中的头肩目标,同时通过前景分割算法进行前景分割,以提取该帧图像中的运动目标。
由于前景分割后的运动目标中可能包含噪声,因此本实施例中还包括剔除其中的噪声。本实施例中前景分割采算法用VIBE算法,其可以进行画面中动态物的提取。噪声的剔除可以通过形态学处理方式进行。
S4:判断前景分割结果中包含的运动目标是否满足存在像素面积(即运动目标在图像中所在的像素的个数)大于像素面积阈值的运动目标或运动目标的总数大于运动目标总数阈值,如果满足,则判定该帧图像为环境变化(如开灯导致的光线突变)导致的异常图像,舍弃该帧图像,返回S3;否则,保存该帧图像,进入S5。
像素面积阈值和运动目标总数阈值本领域技术人员可以根据需求自行设定,在此不做限定。
S5:将该帧图像与前一次保存的图像进行运动目标跟踪,根据运动目标跟踪判断结果更新运动目标队列,以使运动目标队列中的内容始终为最新保存的图像中包含的运动目标。
运动目标跟踪通过计算两个运动目标的IOU(交并比)值进行,如果两个运动目标的IOU值大于IOU值阈值,则判定两个运动目标匹配,为同一运动目标。需要说明的是,用于计算IOU值的两个运动目标应分别为该帧图像中的一个运动目标和前一次保存的图像中的一个运动目标。
如果运动目标跟踪结果中,该帧图像中的一运动目标在前一次保存的图像中未找到匹配运动目标,则设定该帧图像中的该运动目标为新增运动目标,将其添加至运动目标队列内。
运动目标队列用于存储最新保存的图像中包含的运动目标,初始时,将第一次保存的图像中的所有运动目标添加至运动目标队列中,之后每当有新保存的图像时,如果新保存的图像中出现了运动目标队列中之外的运动目标,则将新出现的运动目标添加至运动目标队列中,如果新保存的图像(该帧图像)中有运动目标队列中的运动目标未出现,则认为该运动目标保持静止了,当之后的连续多个新保存的图像中均未出现与该运动目标匹配的运动目标,则将该运动目标从运动目标队列中删除。其中,连续多个新保存的图像的个数本领域技术人员可以根据需求进行设定。
S6:判断运动目标队列中新增运动目标是否存在于头肩检测结果中,如果存在,根据运动目标队列中包含的运动目标个数进行人数统计;如果不存在,进入S7。
新增运动目标不存在于头肩检测结果中,则需要进一步判断是否为头肩目标。
S7:根据人体头部像素点应满足的统计学规律,判定该新增运动目标是否包含头部,如果是,则设定该新增运动目标参与人数统计;否则,设定该新增运动目标不参与人数统计。
人体头部像素点的统计学规律即头部像素点的轮廓应满足头部的轮廓,其明显区别于颈部及以下的统计结果。
进一步的,本实施例中还考虑到可能出现偶尔的漏检或误检情况,因此本实施例中设定如果当前帧的人数统计结果相对于前一帧的人数统计结果有变化时,不立即更新人数统计结果,只有该当前帧的人数统计结果在之后的连续几帧内连续保持不变时,才以该当前帧的人数统计结果更新实时人数统计结果。实时人数统计结果即为需要输出的人数统计结果。
对于之后的每一帧,重复步骤S3-S7即可得到人数统计结果。
本发明实施例在保留了目标检测网络较高的检测准确率的基础上,又结合了前景分割所提取的动静态信息,极大地减少了漏检和误检概率,最后添加的容错机制更能够保证人数统计的准确性。
本发明实施例具有以下有益效果:
(1)基于鱼眼相机的全景视野:本实施例应用的场景是基于鱼眼相机俯拍的全景视野,并且检测目标是头肩,发生遮挡的概率要小很多,从客观条件上提升了人数统计准确率的上限。
(2)添加关键点检测分支提升网络精度:原始的目标检测网络一般输出类别信息和框信息,现在在这基础上加入头肩关键点检测分支,加强头肩的轮廓特征,提升网络的检测精度。
(3)添加动静态信息进一步提升人数统计精度:不同的目标检测网络性能有所差异,但都存在漏检和误检;基于该问题,从实际出发,我们假设场景中的人几乎不会常时间不动,因此,用前景分割的方法来提取人的动态信息,结合网络的检测结果来判断漏检和误检。
(4)对个别的漏检和误检有容错机制:算法优化后对存在的个别帧的漏检或误检,有相应的容错机制,不会因为漏检或误检导致人数统计产生突变。
实施例二:
本发明还提供一种空间占用人数统计终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述空间占用人数统计终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述空间占用人数统计终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述空间占用人数统计终端设备的组成结构仅仅是空间占用人数统计终端设备的示例,并不构成对空间占用人数统计终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述空间占用人数统计终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述空间占用人数统计终端设备的控制中心,利用各种接口和线路连接整个空间占用人数统计终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述空间占用人数统计终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述空间占用人数统计终端设备集成的模块/单元如果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,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种空间占用人数统计方法,其特征在于,包括以下步骤:
S1:采集俯视全景图片组成训练集,并对训练集中各俯视全景图片中的人体头肩进行标注;
S2:构建头肩检测模型,通过训练集对头肩检测模型进行训练;
S3:依序接收俯拍全景视频中的各帧图像,当接收到某一帧图像时,通过训练后的头肩检测模型对该帧图像进行头肩检测,以提取该帧图像中的头肩目标,同时通过前景分割算法进行前景分割,以提取该帧图像中的运动目标;
S4:判断前景分割结果中包含的运动目标是否满足存在像素面积大于像素面积阈值的运动目标或运动目标的总数大于运动目标总数阈值,如果满足,则舍弃该帧图像,返回S3;否则,保存该帧图像,进入S5;
S5:将该帧图像与前一次保存的图像进行运动目标跟踪,根据运动目标跟踪判断结果更新运动目标队列,以使运动目标队列中的内容始终为最新保存的图像中包含的运动目标;
S6:判断运动目标队列中新增运动目标是否存在于头肩检测结果中,如果存在,根据运动目标队列中包含的运动目标个数进行人数统计;如果不存在,进入S7;
S7:根据人体头部像素点应满足的统计学规律,判定该新增运动目标是否包含头部,如果是,则设定该新增运动目标参与人数统计;否则,设定该新增运动目标不参与人数统计。
2.根据权利要求1所述的空间占用人数统计方法,其特征在于:俯视全景图片可以通过鱼眼相机俯拍获得。
3.根据权利要求1所述的空间占用人数统计方法,其特征在于:对人体头肩进行标注的标注信息包括包含头肩的矩形框信息和头肩的关键点信息。
4.根据权利要求3所述的空间占用人数统计方法,其特征在于:头肩检测模型的网络结构中采用人脸检测器SCRFD网络作为主干网络,并加入用于检测头肩的关键点信息的头肩关键点检测分支。
5.根据权利要求1所述的空间占用人数统计方法,其特征在于:步骤S3通过前景分割算法提取该帧图像中的运动目标后,还包括剔除运动目标中的噪声。
6.根据权利要求1所述的空间占用人数统计方法,其特征在于:步骤S5中该帧图像与前一次保存的图像进行的运动目标跟踪通过计算该帧图像中的运动目标与前一次保存的图像中的运动目标的IOU值进行。
7.根据权利要求1所述的空间占用人数统计方法,其特征在于:步骤S5中根据运动目标跟踪判断结果更新运动目标队列的方法包括:
如果运动目标跟踪结果中,该帧图像中的一运动目标在前一次保存的图像中未找到匹配运动目标,则设定该帧图像中的该运动目标为新增运动目标,将其添加至运动目标队列内;
如果有运动目标队列中的运动目标在该帧图像中未出现,且该帧图像之后的连续多个新保存的图像中均未出现与该未出现的运动目标匹配的运动目标,则将该运动目标从运动目标队列中删除。
8.根据权利要求1所述的空间占用人数统计方法,其特征在于:还包括设定如果当前帧的人数统计结果相对于前一帧的人数统计结果有变化时,不立即更新实时人数统计结果,只有该当前帧的人数统计结果在之后的连续几帧内连续保持不变时,才以该当前帧的人数统计结果更新实时人数统计结果。
9.一种空间占用人数统计终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211077317.6A CN116246298A (zh) | 2022-09-05 | 2022-09-05 | 一种空间占用人数统计方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211077317.6A CN116246298A (zh) | 2022-09-05 | 2022-09-05 | 一种空间占用人数统计方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246298A true CN116246298A (zh) | 2023-06-09 |
Family
ID=86635372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211077317.6A Pending CN116246298A (zh) | 2022-09-05 | 2022-09-05 | 一种空间占用人数统计方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993550A (zh) * | 2023-08-25 | 2023-11-03 | 广州控智电子科技有限公司 | 控制教室开启的方法、系统、计算机设备及存储介质 |
-
2022
- 2022-09-05 CN CN202211077317.6A patent/CN116246298A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993550A (zh) * | 2023-08-25 | 2023-11-03 | 广州控智电子科技有限公司 | 控制教室开启的方法、系统、计算机设备及存储介质 |
CN116993550B (zh) * | 2023-08-25 | 2024-04-09 | 广州控智电子科技有限公司 | 控制教室开启的方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348294B (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
WO2019218824A1 (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
WO2020224221A1 (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
CN110245573B (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
CN111414910B (zh) | 基于双重卷积神经网络的小目标增强检测方法和装置 | |
CN112348778A (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
CN110580499A (zh) | 基于众包重复标签的深度学习目标检测方法及系统 | |
CN114973057A (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
CN116246298A (zh) | 一种空间占用人数统计方法、终端设备及存储介质 | |
CN113283351B (zh) | 一种使用cnn优化相似度矩阵的视频抄袭检测方法 | |
CN112883783A (zh) | 一种视频浓缩方法、装置、终端设备及存储介质 | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
US20220327862A1 (en) | Method for detecting whether a face is masked, masked-face recognition device, and computer storage medium | |
CN113378902B (zh) | 一种基于优化视频特征的视频抄袭检测方法 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN114283087A (zh) | 一种图像去噪方法及相关设备 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
CN113840135A (zh) | 色偏检测方法、装置、设备及存储介质 | |
CN113298702A (zh) | 基于大尺寸图像像素点的重新排序和分割方法 | |
CN112967321A (zh) | 运动目标的检测方法、装置、终端设备及存储介质 |
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 |