-
公开(公告)号：CN109446927A
公开(公告)日：2019-03-08
申请号：CN201811181408.8
申请日：2018-10-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于先验知识的双人交互行为识别方法，主要解决现有技术对于双人交互行为不能准确识别的问题。其实现方案是：1.准备基础行为识别网络ST-GCN网络结构文件及相关文件；2.由每类交互动作建立先验知识连接关系,依照先验知识的连接关系修改网络结构文件和训练参数文件；3.利用修改后的文件对双人交互行为识别网络进行训练，得到训练好的模型；4.利用训练好的模型可以对已有数据、Kinect提取的数据或者openpose采集的数据进行识别。本发明的提高了双人交互行为的识别准确率，且适应性强，实时性好，可用于视频监控，视频分析。
-
公开(公告)号：CN110110649A
公开(公告)日：2019-08-09
申请号：CN201910365668.9
申请日：2019-05-02
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于速度方向的可选择性人脸检测方法，主要解决现有技术检测效果差的问题。其实现方案是：1.采集摄像头拍摄的实时监控视频，对视频中所有行人进行目标检测，获取所有行人的检测框；2.构建并训练深度特征提取网络，将所有行人的检测框输入到该网络，得到所有检测框的特征向量；3.预测跟踪目标的状态向量，利用特征向量和预测的状态向量对跟踪目标进行关联匹配，得到最佳匹配检测框；4.获取行人最佳匹配检测框的速度方向，标注所有面向摄像头移动的行人；5.对所有带标注的行人提取其人脸区域，并将此作为最终检测结果。本发明的检测效果好，且适应性强，可用于摄像视频监控。
-
公开(公告)号：CN110110649B
公开(公告)日：2023-04-07
申请号：CN201910365668.9
申请日：2019-05-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于速度方向的可选择性人脸检测方法，主要解决现有技术检测效果差的问题。其实现方案是：1.采集摄像头拍摄的实时监控视频，对视频中所有行人进行目标检测，获取所有行人的检测框；2.构建并训练深度特征提取网络，将所有行人的检测框输入到该网络，得到所有检测框的特征向量；3.预测跟踪目标的状态向量，利用特征向量和预测的状态向量对跟踪目标进行关联匹配，得到最佳匹配检测框；4.获取行人最佳匹配检测框的速度方向，标注所有面向摄像头移动的行人；5.对所有带标注的行人提取其人脸区域，并将此作为最终检测结果。本发明的检测效果好，且适应性强，可用于摄像视频监控。
-
Patent Agency Ranking
公开(公告)号：CN109472247B
公开(公告)日：2021-11-30
申请号：CN201811369244.1
申请日：2018-11-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度学习非配合式人脸识别方法，其步骤为：1、生成深度学习网络训练数据集；2、分别构建检测深度学习网络和识别深度学习网络；3、分别训练检测深度学习网络和识别深度学习网络；4、制备非配合人脸特征数据库；5、摄像头对视频流实时采样；6、检测并跟踪图像的人脸区域；7、特征匹配；8、人脸识别。本发明通过在传统的检测识别人脸的过程中引入跟踪算法，能够持续地对同一个人进行识别分析，不仅能实现快速识别非配合式人脸，而且对遮挡和形变的人脸具有较好的识别率，可用于对视频监控环境下非配合拍摄的人脸进行识别。
-
公开(公告)号：CN109446927B
公开(公告)日：2021-11-23
申请号：CN201811181408.8
申请日：2018-10-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于先验知识的双人交互行为识别方法，主要解决现有技术对于双人交互行为不能准确识别的问题。其实现方案是：1.准备基础行为识别网络ST‑GCN网络结构文件及相关文件；2.由每类交互动作建立先验知识连接关系,依照先验知识的连接关系修改网络结构文件和训练参数文件；3.利用修改后的文件对双人交互行为识别网络进行训练，得到训练好的模型；4.利用训练好的模型可以对已有数据、Kinect提取的数据或者openpose采集的数据进行识别。本发明的提高了双人交互行为的识别准确率，且适应性强，实时性好，可用于视频监控，视频分析。
-
公开(公告)号：CN109472247A
公开(公告)日：2019-03-15
申请号：CN201811369244.1
申请日：2018-11-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度学习非配合式人脸识别方法，其步骤为：1、生成深度学习网络训练数据集；2、分别构建检测深度学习网络和识别深度学习网络；3、分别训练检测深度学习网络和识别深度学习网络；4、制备非配合人脸特征数据库；5、摄像头对视频流实时采样；6、检测并跟踪图像的人脸区域；7、特征匹配；8、人脸识别。本发明通过在传统的检测识别人脸的过程中引入跟踪算法，能够持续地对同一个人进行识别分析，不仅能实现快速识别非配合式人脸，而且对遮挡和形变的人脸具有较好的识别率，可用于对视频监控环境下非配合拍摄的人脸进行识别。
-
公开(公告)号：CN110110650A
公开(公告)日：2019-08-09
申请号：CN201910365672.5
申请日：2019-05-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种行人中的人脸识别方法，主要解决现有技术里人脸跟踪丢造成误识的问题。其实现方案是：1、制备网络训练数据集；2、用网络训练数据集对行人检测网络、人脸检测网络、人脸识别网络这三个网络分别进行训练；3、制备多角度人脸特征数据库；4、用训练好的行人检测网络检测图像行人区域并跟踪行人区域；5、用训练好的人脸检测网络在行人区域内检测人脸区域；6、用训练好的人脸识别网络对人脸区域进行特征提取；7、将提取的特征与人脸特征数据库进行特征匹配，取特征匹配最好的结果作为人脸识别结果。本发明提高了人脸识别的准确率和稳定性，可用于多角度下的视频监控。
-
公开(公告)号：CN109492594A
公开(公告)日：2019-03-19
申请号：CN201811369227.8
申请日：2018-11-16
Applicant: 西安电子科技大学
Abstract: 一种基于深度学习网络的课堂听课者抬头率检测方法，其步骤为：1、生成训练集、验证集和测试集；2、构建深度学习网络；3、训练深度学习网络；4、检测人脸的得分值及位置信息；5、设置检测状态；6、获得课堂抬头率。本发明通过搭建两个分支的深度学习网络，保证了深度学习网络对多尺度的人脸的检测，利用随机梯度下降方法对深度学习网络在大数据集上进行训练，保证了深度学习网络对人脸检测的鲁棒性，并且使得训练能够在较短时间内完成，然后利用设置检测状态的方法，有效地区分了抬头和低头两种状态，同时，本发明对课堂听课者抬头率的检测具有很好的实时性，能够对实时视频流进行检测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
