CN118053128A - 一种适用于教育园区的智能管理方法 - Google Patents
一种适用于教育园区的智能管理方法 Download PDFInfo
- Publication number
- CN118053128A CN118053128A CN202410452358.1A CN202410452358A CN118053128A CN 118053128 A CN118053128 A CN 118053128A CN 202410452358 A CN202410452358 A CN 202410452358A CN 118053128 A CN118053128 A CN 118053128A
- Authority
- CN
- China
- Prior art keywords
- input end
- output end
- contrast
- pixel
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 18
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于教育园区的智能管理方法,属于图像处理技术领域,本发明中从摄像头采集的园区视频中提取多帧图像,对各帧图像的亮度进行统一,提高行人区域的识别精度,从亮度统一后的各帧图像中找到行人区域,再从行人区域中提取出人脸区域,剔除大量的园区背景,实现对监控视频中的各人员进行人脸识别,本发明从园区视频中找到人脸图像,再采用现有技术的人脸识别算法进行人脸识别,解决了背景干扰,提高了人脸识别精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种适用于教育园区的智能管理方法。
背景技术
在教育园区中,存在大量人员走动,人员复杂,虽然设有多个摄像头对园区各区域进行监控,但是无法对监控视频中的各人员进行人脸特征提取,进行人脸识别,核查是否存在外来人员。虽然现有技术中可采用YOLO神经网络对人脸进行特征提取并识别人脸,但是无法将YOLO神经网络直接使用到教育园区的人员智能管理中,因为教育园区中人员处于走动状态,摄像头采集的视频包含了大量的园区背景,直接采用YOLO神经网络进行教育园区内的人脸识别,存在识别精度不高的问题,会导致园区监管不到位。
发明内容
针对现有技术中的上述不足,本发明提供的一种适用于教育园区的智能管理方法解决了现有技术中仅采用摄像头对教育园区进行监控,但无法对监控视频中的各人员进行人脸识别的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种适用于教育园区的智能管理方法,包括以下步骤:
S1、通过园区内的摄像头采集园区视频;
S2、从园区视频中采集多帧图像;
S3、对各帧图像统一亮度,得到亮度统一的多帧图像;
S4、根据亮度统一的多帧图像,找到行人区域;
S5、对行人区域提取人脸区域,对人脸区域进行识别。
本发明的有益效果为:本发明中从摄像头采集的园区视频中提取多帧图像,对各帧图像的亮度进行统一,提高行人区域的识别精度,从亮度统一后的各帧图像中找到行人区域,再从行人区域中提取出人脸区域,剔除大量的园区背景,实现对监控视频中的各人员进行人脸识别。
进一步地,所述S3包括以下分步骤:
S31、取多帧图像中任意一张图像作为对比图像;
S32、从对比图像取多个像素点,作为对比像素点;
S33、从剩余图像中取多个与对比像素点所在位置相同的像素点,得到标记像素点;
S34、根据标记像素点和对比像素点的像素值的对比系数,得到亮度差距系数;
S35、根据亮度差距系数,将剩余图像与对比图像的亮度统一,得到亮度统一的多帧图像。
上述进一步地方案的有益效果为:本发明中取多帧图像中任意一张图像作为对比图像,以对比图像的亮度作为标准,将其余图像的像素值的亮度进行统一,本发明中取对比图像和剩余图像中多点相同位置的像素点,进行像素值比较,得到亮度差距系数,根据亮度差距系数对剩余图像进行亮度统一。
进一步地,所述S34包括以下分步骤:
S341、在一张剩余图像和对比图像中,计算标记像素点和对比像素点的像素值的对比系数;
S342、将各个对比系数构建成序列;
S343、根据序列中各个对比系数的相似度,将各个对比系数进行聚类处理,得到包含对比系数最多的类;
S344、根据包含对比系数最多的类,计算亮度差距系数。
上述进一步地方案的有益效果为:由于园区视频中存在人员走动,以及其它物品的挪动,因此,本发明中根据各个对比系数的相似度,将对比系数进行聚类处理,找到包含对比系数最多的类,排除各个干扰像素点,提高计算亮度差距系数的精度。
进一步地,所述S341中计算标记像素点和对比像素点的像素值的对比系数的公式为:
,
其中,γi为对比系数,Po,i为第i个对比像素点的像素值,Pb,i为与第i个对比像素点相同位置的标记像素点的像素值,i为正整数;
所述S344中计算亮度差距系数的公式为:
,
其中,γc为亮度差距系数,γn为包含对比系数最多的类中第n个对比系数,N为包含对比系数最多的类中对比系数的数量,n为正整数。
进一步地,所述S35中进行亮度统一的公式为:
,
其中,为第j张剩余图像亮度统一后的像素值,γc,j为第j张剩余图像对应的亮度差距系数,Pj为第j张剩余图像上未进行亮度统一前的任一像素值,j为正整数。
进一步地,所述S4包括以下分步骤:
S41、将时间相邻的两帧图像进行相同位置的像素值相减,得到像素差值图像;
S42、判断像素差值图像是否满足移动条件,若是,进入步骤S43,若否,则跳转至步骤S41,选择下一组时间相邻的两帧图像;
S43、保留像素差值图像中像素值不为0的像素点,并将像素值不为0的相邻像素点连通,得到各个疑似区域;
S44、筛选出面积在(Mdown, Mup)范围内的疑似区域,作为行人区域,其中,Mdown为下限面积门限,Mup为上限面积门限。
进一步地,所述S42中移动条件为:
,
其中,Pd,k为像素差值图像中第k个像素点的像素值,M为像素差值图像中像素点的数量,| |为绝对值运算,Pz,th为像素阈值,k为正整数。
上述进一步地方案的有益效果为:本发明中取时间相邻的两帧图像进行相同位置的像素值相减,得到像素差值图像,本发明已经对各帧图像进行了亮度统一,减少背景影响,通过像素差值图像体现变动区域,在变动区域满足移动条件时,相邻的两帧图像存在变化,再剔除像素值为0的区域,将像素值不为0的像素点连通,得到各个疑似区域,筛选出面积合适的区域,作为行人区域。
进一步地,所述S5包括以下分步骤:
S51、将行人区域进行缩放处理,得到多张缩放图像;
S52、设置固定大小的滑动窗口在每张缩放图像上滑动;
S53、采用判别器对每次滑动时滑动窗口下的图像区域进行识别,得到人脸区域;
S54、提取人脸区域的人脸特征,进行人脸特征比对,得到识别结果。
上述进一步地方案的有益效果为:由于不确定人脸在行人区域的具体位置,以及具体大小,因此,将行人区域进行缩放处理,设置固定大小的滑动窗口在每张缩放图像上滑动,遍历每张缩放图像,通过判别器对每次滑动时滑动窗口下的图像区域进行识别,找到人脸区域。
进一步地,所述S43中判别器包括:特征提取单元、双通道特征增强单元、Concat层和全连接层;
所述特征提取单元的输入端作为判别器的输入端,其第一输出端与双通道特征增强单元的第一输入端连接,其第二输出端与双通道特征增强单元的第二输入端连接;所述Concat层的输入端分别与双通道特征增强单元的第一输出端和第二输出端连接,其输出端与全连接层的输入端连接;所述全连接层的输出端作为判别器的输出端。
进一步地,所述特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一加法器A1和第二加法器A2;
所述第一卷积层的输入端分别与第四卷积层的输入端和第六卷积层的输入端连接,其输出端与第二卷积层的输入端连接;所述第三卷积层的输入端与第二卷积层的输出端连接,其输出端与第一加法器A1的第一输入端连接;所述第五卷积层的输入端与第四卷积层的输出端连接,其输出端分别与第一加法器A1的第二输入端和第二加法器A2的第一输入端连接;所述第一加法器A1的输出端作为特征提取单元的第一输出端;所述第二加法器A2的第二输入端与第六卷积层的输出端连接,其输出端作为特征提取单元的第二输出端;
所述双通道特征增强单元包括:第一全局池化层、第二全局池化层、第一sigmoid层、第二sigmoid层、第一乘法器M1和第二乘法器M2;
所述第一全局池化层的输入端与第一乘法器M1的第一输入端连接,并作为双通道特征增强单元的第一输入端;所述第二全局池化层的输入端与第二乘法器M1的第一输入端连接,并作为双通道特征增强单元的第二输入端;所述第一sigmoid层的输入端与第一全局池化层的输出端连接,其输出端与第一乘法器M1的第二输入端连接;所述第二sigmoid层的输入端与第二全局池化层的输出端连接,其输出端与第二乘法器M2的第二输入端连接;所述第一乘法器M1的输出端作为双通道特征增强单元的第一输出端;所述第二乘法器M1的输出端作为双通道特征增强单元的第二输出端。
上述进一步地方案的有益效果为:本发明设置了三条不同深度的卷积通道,提取图像特征,再通过加法器进行不同特征的融合,采用双通道特征增强单元对特征提取单元两个输出端输出的特征进行增强,实现自适应的根据特征对重要特征进行施加更高关注度,提高判别器的判别精度。
附图说明
图1为一种适用于教育园区的智能管理方法的流程图;
图2为判别器的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种适用于教育园区的智能管理方法,包括以下步骤:
S1、通过园区内的摄像头采集园区视频;
S2、从园区视频中采集多帧图像;
S3、对各帧图像统一亮度,得到亮度统一的多帧图像;
S4、根据亮度统一的多帧图像,找到行人区域;
S5、对行人区域提取人脸区域,对人脸区域进行识别。
在本发明中,将园区视频中人脸区域提取出来,再采用现有技术的人脸识别算法进行人脸识别,提高人脸识别精度,现有的人脸识别算法包括:YOLO神经网络等。
所述S3包括以下分步骤:
S31、取多帧图像中任意一张图像作为对比图像;
S32、从对比图像取多个像素点,作为对比像素点;
S33、从剩余图像中取多个与对比像素点所在位置相同的像素点,得到标记像素点;
S34、根据标记像素点和对比像素点的像素值的对比系数,得到亮度差距系数;
S35、根据亮度差距系数,将剩余图像与对比图像的亮度统一,得到亮度统一的多帧图像。
本发明中取多帧图像中任意一张图像作为对比图像,以对比图像的亮度作为标准,将其余图像的像素值的亮度进行统一,本发明中取对比图像和剩余图像中多点相同位置的像素点,进行像素值比较,得到亮度差距系数,根据亮度差距系数对剩余图像进行亮度统一。
所述S34包括以下分步骤:
S341、在一张剩余图像和对比图像中,计算标记像素点和对比像素点的像素值的对比系数;
S342、将各个对比系数构建成序列;
S343、根据序列中各个对比系数的相似度,将各个对比系数进行聚类处理,得到包含对比系数最多的类;
在本实施例中,步骤S343具体为,计算出各个对比系数的相似度,然后根据相似度,将相似的对比系数归为一类,得到聚类后的多个类;
S344、根据包含对比系数最多的类,计算亮度差距系数。
由于园区视频中存在人员走动,以及其它物品的挪动,因此,本发明中根据各个对比系数的相似度,将对比系数进行聚类处理,找到包含对比系数最多的类,排除各个干扰像素点,提高计算亮度差距系数的精度。
所述S341中计算标记像素点和对比像素点的像素值的对比系数的公式为:
,
其中,γi为对比系数,Po,i为第i个对比像素点的像素值,Pb,i为与第i个对比像素点相同位置的标记像素点的像素值,i为正整数;
所述S344中计算亮度差距系数的公式为:
,
其中,γc为亮度差距系数,γn为包含对比系数最多的类中第n个对比系数,N为包含对比系数最多的类中对比系数的数量,n为正整数。
所述S35中进行亮度统一的公式为:
,
其中,为第j张剩余图像亮度统一后的像素值,γc,j为第j张剩余图像对应的亮度差距系数,Pj为第j张剩余图像上未进行亮度统一前的任一像素值,j为正整数。
所述S4包括以下分步骤:
S41、将时间相邻的两帧图像进行相同位置的像素值相减,得到像素差值图像;
在本实施例中,步骤S41具体为:将相同位置的像素值进行相减,得到差值像素,将差值像素替代该位置原本的像素值,得到像素差值图像;
S42、判断像素差值图像是否满足移动条件,若是,进入步骤S43,若否,则跳转至步骤S41,选择下一组时间相邻的两帧图像;
S43、保留像素差值图像中像素值不为0的像素点,并将像素值不为0的相邻像素点连通,得到各个疑似区域;
在本实施例中,步骤S43为将相邻的像素点归为一类,则得到各个疑似区域,各个疑似区域分布在像素差值图像上;
S44、筛选出面积在(Mdown, Mup)范围内的疑似区域,作为行人区域,其中,Mdown为下限面积门限,Mup为上限面积门限。
所述S42中移动条件为:
,
其中,Pd,k为像素差值图像中第k个像素点的像素值,M为像素差值图像中像素点的数量,| |为绝对值运算,Pz,th为像素阈值,k为正整数。
本发明中取时间相邻的两帧图像进行相同位置的像素值相减,得到像素差值图像,本发明已经对各帧图像进行了亮度统一,减少背景影响,通过像素差值图像体现变动区域,在变动区域满足移动条件时,相邻的两帧图像存在变化,再剔除像素值为0的区域,将像素值不为0的像素点连通,得到各个疑似区域,筛选出面积合适的区域,作为行人区域。
所述S5包括以下分步骤:
S51、将行人区域进行缩放处理,得到多张缩放图像;
在本实施例中,缩放倍数具体为:原行人区域的1倍、0.8倍、0.5倍和0.3倍;
S52、设置固定大小的滑动窗口在每张缩放图像上滑动;
S53、采用判别器对每次滑动时滑动窗口下的图像区域进行识别,得到人脸区域;
S54、提取人脸区域的人脸特征,进行人脸特征比对,得到识别结果。
在本实施例中,步骤S54可采用YOLO神经网络进行人脸识别。
由于不确定人脸在行人区域的具体位置,以及具体大小,因此,将行人区域进行缩放处理,设置固定大小的滑动窗口在每张缩放图像上滑动,遍历每张缩放图像,通过判别器对每次滑动时滑动窗口下的图像区域进行识别,找到人脸区域。
如图2所示,所述S43中判别器包括:特征提取单元、双通道特征增强单元、Concat层和全连接层;
所述特征提取单元的输入端作为判别器的输入端,其第一输出端与双通道特征增强单元的第一输入端连接,其第二输出端与双通道特征增强单元的第二输入端连接;所述Concat层的输入端分别与双通道特征增强单元的第一输出端和第二输出端连接,其输出端与全连接层的输入端连接;所述全连接层的输出端作为判别器的输出端。
所述特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一加法器A1和第二加法器A2;
所述第一卷积层的输入端分别与第四卷积层的输入端和第六卷积层的输入端连接,其输出端与第二卷积层的输入端连接;所述第三卷积层的输入端与第二卷积层的输出端连接,其输出端与第一加法器A1的第一输入端连接;所述第五卷积层的输入端与第四卷积层的输出端连接,其输出端分别与第一加法器A1的第二输入端和第二加法器A2的第一输入端连接;所述第一加法器A1的输出端作为特征提取单元的第一输出端;所述第二加法器A2的第二输入端与第六卷积层的输出端连接,其输出端作为特征提取单元的第二输出端;
所述双通道特征增强单元包括:第一全局池化层、第二全局池化层、第一sigmoid层、第二sigmoid层、第一乘法器M1和第二乘法器M2;
所述第一全局池化层的输入端与第一乘法器M1的第一输入端连接,并作为双通道特征增强单元的第一输入端;所述第二全局池化层的输入端与第二乘法器M1的第一输入端连接,并作为双通道特征增强单元的第二输入端;所述第一sigmoid层的输入端与第一全局池化层的输出端连接,其输出端与第一乘法器M1的第二输入端连接;所述第二sigmoid层的输入端与第二全局池化层的输出端连接,其输出端与第二乘法器M2的第二输入端连接;所述第一乘法器M1的输出端作为双通道特征增强单元的第一输出端;所述第二乘法器M1的输出端作为双通道特征增强单元的第二输出端。
本发明设置了三条不同深度的卷积通道,提取图像特征,再通过加法器进行不同特征的融合,采用双通道特征增强单元对特征提取单元两个输出端输出的特征进行增强,实现自适应的根据特征对重要特征进行施加更高关注度,提高判别器的判别精度。
本发明中判别器可采用梯度下降法进行训练。
在本实施例中,第一卷积层、第四卷积层和第六卷积层的卷积核大小为11,第二卷积层、第三卷积层和第五卷积层的卷积核大小为3/>3。
本发明中从摄像头采集的园区视频中提取多帧图像,对各帧图像的亮度进行统一,提高行人区域的识别精度,从亮度统一后的各帧图像中找到行人区域,再从行人区域中提取出人脸区域,剔除大量的园区背景,实现对监控视频中的各人员进行人脸识别。
本发明从园区视频中找到人脸图像,再采用现有技术的人脸识别算法进行人脸识别,解决了背景干扰,提高了人脸识别精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种适用于教育园区的智能管理方法,其特征在于,包括以下步骤:
S1、通过园区内的摄像头采集园区视频;
S2、从园区视频中采集多帧图像;
S3、对各帧图像统一亮度,得到亮度统一的多帧图像;
S4、根据亮度统一的多帧图像,找到行人区域;
S5、对行人区域提取人脸区域,对人脸区域进行识别。
2.根据权利要求1所述的适用于教育园区的智能管理方法,其特征在于,所述S3包括以下分步骤:
S31、取多帧图像中任意一张图像作为对比图像;
S32、从对比图像取多个像素点,作为对比像素点;
S33、从剩余图像中取多个与对比像素点所在位置相同的像素点,得到标记像素点;
S34、根据标记像素点和对比像素点的像素值的对比系数,得到亮度差距系数;
S35、根据亮度差距系数,将剩余图像与对比图像的亮度统一,得到亮度统一的多帧图像。
3.根据权利要求2所述的适用于教育园区的智能管理方法,其特征在于,所述S34包括以下分步骤:
S341、在一张剩余图像和对比图像中,计算标记像素点和对比像素点的像素值的对比系数;
S342、将各个对比系数构建成序列;
S343、根据序列中各个对比系数的相似度,将各个对比系数进行聚类处理,得到包含对比系数最多的类;
S344、根据包含对比系数最多的类,计算亮度差距系数。
4.根据权利要求3所述的适用于教育园区的智能管理方法,其特征在于,所述S341中计算标记像素点和对比像素点的像素值的对比系数的公式为:
,
其中,γi为对比系数,Po,i为第i个对比像素点的像素值,Pb,i为与第i个对比像素点相同位置的标记像素点的像素值,i为正整数;
所述S344中计算亮度差距系数的公式为:
,
其中,γc为亮度差距系数,γn为包含对比系数最多的类中第n个对比系数,N为包含对比系数最多的类中对比系数的数量,n为正整数。
5.根据权利要求2所述的适用于教育园区的智能管理方法,其特征在于,所述S35中进行亮度统一的公式为:
,
其中,为第j张剩余图像亮度统一后的像素值,γc,j为第j张剩余图像对应的亮度差距系数,Pj为第j张剩余图像上未进行亮度统一前的任一像素值,j为正整数。
6.根据权利要求1所述的适用于教育园区的智能管理方法,其特征在于,所述S4包括以下分步骤:
S41、将时间相邻的两帧图像进行相同位置的像素值相减,得到像素差值图像;
S42、判断像素差值图像是否满足移动条件,若是,进入步骤S43,若否,则跳转至步骤S41,选择下一组时间相邻的两帧图像;
S43、保留像素差值图像中像素值不为0的像素点,并将像素值不为0的相邻像素点连通,得到各个疑似区域;
S44、筛选出面积在(Mdown, Mup)范围内的疑似区域,作为行人区域,其中,Mdown为下限面积门限,Mup为上限面积门限。
7.根据权利要求6所述的适用于教育园区的智能管理方法,其特征在于,所述S42中移动条件为:
,
其中,Pd,k为像素差值图像中第k个像素点的像素值,M为像素差值图像中像素点的数量,| |为绝对值运算,Pz,th为像素阈值,k为正整数。
8.根据权利要求1所述的适用于教育园区的智能管理方法,其特征在于,所述S5包括以下分步骤:
S51、将行人区域进行缩放处理,得到多张缩放图像;
S52、设置固定大小的滑动窗口在每张缩放图像上滑动;
S53、采用判别器对每次滑动时滑动窗口下的图像区域进行识别,得到人脸区域;
S54、提取人脸区域的人脸特征,进行人脸特征比对,得到识别结果。
9.根据权利要求8所述的适用于教育园区的智能管理方法,其特征在于,所述S43中判别器包括:特征提取单元、双通道特征增强单元、Concat层和全连接层;
所述特征提取单元的输入端作为判别器的输入端,其第一输出端与双通道特征增强单元的第一输入端连接,其第二输出端与双通道特征增强单元的第二输入端连接;所述Concat层的输入端分别与双通道特征增强单元的第一输出端和第二输出端连接,其输出端与全连接层的输入端连接;所述全连接层的输出端作为判别器的输出端。
10.根据权利要求9所述的适用于教育园区的智能管理方法,其特征在于,所述特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一加法器A1和第二加法器A2;
所述第一卷积层的输入端分别与第四卷积层的输入端和第六卷积层的输入端连接,其输出端与第二卷积层的输入端连接;所述第三卷积层的输入端与第二卷积层的输出端连接,其输出端与第一加法器A1的第一输入端连接;所述第五卷积层的输入端与第四卷积层的输出端连接,其输出端分别与第一加法器A1的第二输入端和第二加法器A2的第一输入端连接;所述第一加法器A1的输出端作为特征提取单元的第一输出端;所述第二加法器A2的第二输入端与第六卷积层的输出端连接,其输出端作为特征提取单元的第二输出端;
所述双通道特征增强单元包括:第一全局池化层、第二全局池化层、第一sigmoid层、第二sigmoid层、第一乘法器M1和第二乘法器M2;
所述第一全局池化层的输入端与第一乘法器M1的第一输入端连接,并作为双通道特征增强单元的第一输入端;所述第二全局池化层的输入端与第二乘法器M1的第一输入端连接,并作为双通道特征增强单元的第二输入端;所述第一sigmoid层的输入端与第一全局池化层的输出端连接,其输出端与第一乘法器M1的第二输入端连接;所述第二sigmoid层的输入端与第二全局池化层的输出端连接,其输出端与第二乘法器M2的第二输入端连接;所述第一乘法器M1的输出端作为双通道特征增强单元的第一输出端;所述第二乘法器M1的输出端作为双通道特征增强单元的第二输出端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410452358.1A CN118053128A (zh) | 2024-04-16 | 2024-04-16 | 一种适用于教育园区的智能管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410452358.1A CN118053128A (zh) | 2024-04-16 | 2024-04-16 | 一种适用于教育园区的智能管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118053128A true CN118053128A (zh) | 2024-05-17 |
Family
ID=91048625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410452358.1A Pending CN118053128A (zh) | 2024-04-16 | 2024-04-16 | 一种适用于教育园区的智能管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118053128A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614927A (zh) * | 2018-12-10 | 2019-04-12 | 河南理工大学 | 基于前后帧差异及特征降维的微表情识别 |
CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
CN114677607A (zh) * | 2020-12-10 | 2022-06-28 | 富泰华工业(深圳)有限公司 | 基于人脸识别的实时行人统计方法以及装置 |
CN115311328A (zh) * | 2022-07-29 | 2022-11-08 | 安徽海行云物联科技有限公司 | 一种多摄像头下轨迹跟踪方法 |
CN116452667A (zh) * | 2023-06-16 | 2023-07-18 | 成都实时技术股份有限公司 | 一种基于图像处理的目标识别与定位方法 |
US20230326215A1 (en) * | 2022-04-07 | 2023-10-12 | Waymo Llc | End-to-end object tracking using neural networks with attention |
-
2024
- 2024-04-16 CN CN202410452358.1A patent/CN118053128A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614927A (zh) * | 2018-12-10 | 2019-04-12 | 河南理工大学 | 基于前后帧差异及特征降维的微表情识别 |
CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
CN114677607A (zh) * | 2020-12-10 | 2022-06-28 | 富泰华工业(深圳)有限公司 | 基于人脸识别的实时行人统计方法以及装置 |
US20230326215A1 (en) * | 2022-04-07 | 2023-10-12 | Waymo Llc | End-to-end object tracking using neural networks with attention |
CN115311328A (zh) * | 2022-07-29 | 2022-11-08 | 安徽海行云物联科技有限公司 | 一种多摄像头下轨迹跟踪方法 |
CN116452667A (zh) * | 2023-06-16 | 2023-07-18 | 成都实时技术股份有限公司 | 一种基于图像处理的目标识别与定位方法 |
Non-Patent Citations (3)
Title |
---|
GEETANJALI BHOLA 等: ""Real-time Pedestrian Tracking based on Deep Features"", 《IEEE》, 19 June 2020 (2020-06-19), pages 1101 - 1106 * |
刘璐: ""基于深度神经网络的多任务视觉感知研究与应用"", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 2018, 15 September 2018 (2018-09-15), pages 138 - 321 * |
吴江: ""基于深度学习的行人重识别方法研究"", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 2020, 15 January 2020 (2020-01-15), pages 138 - 1829 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117827B (zh) | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 | |
CN107133969B (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
CN107622258B (zh) | 一种结合静态底层特征和运动信息的快速行人检测方法 | |
KR101964397B1 (ko) | 정보처리장치 및 정보처리방법 | |
CN106203274B (zh) | 一种视频监控中行人实时检测系统及方法 | |
CN104063883B (zh) | 一种基于对象和关键帧相结合的监控视频摘要生成方法 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN103996046B (zh) | 基于多视觉特征融合的人员识别方法 | |
Karaman et al. | Comparison of static background segmentation methods | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN106778645A (zh) | 一种图像处理方法及装置 | |
CN114973317B (zh) | 一种基于多尺度邻接交互特征的行人重识别方法 | |
CN105678811A (zh) | 一种基于运动检测的人体异常行为检测方法 | |
Ryan et al. | Crowd counting using group tracking and local features | |
CN108171196A (zh) | 一种人脸检测方法及装置 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN109190475A (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
WO2020233000A1 (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN110210379A (zh) | 一种结合关键运动特征和颜色特征的镜头边界检测方法 | |
CN113436229A (zh) | 一种多目标跨摄像机行人轨迹路径的生成方法 | |
CN115272940B (zh) | 一种基于神经网络的岩屑颗粒智能计量方法及系统 | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
Wu et al. | Video surveillance object recognition based on shape and color features | |
CN112686180A (zh) | 一种封闭空间人员数量计算方法 |
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 |