# 1 基于机器视觉的人体姿态行为识别
人体姿态估计是通过将图片中已检测到的人体关键点正确的联系起来,从而估计人体姿态。
人体关键点通常对应人体上有一定自由度的关节,比如颈、肩、肘、腕、腰、膝、踝等。
通过对人体关键点在三维空间相对位置的计算,来估计人体当前的姿态。
进一步,增加时间序列,看一段时间范围内人体关键点的位置变化,可以更加准确的检测姿态,估计目标未来时刻姿态,以及做更抽象的人体行为分析,例如判断一个人是否在打电话等。
2 基于深度学习的安检管制物品识别系统
将改进后的Yolov5算法应用到武器识别中,将武器图片中的武器快速识别出来,提取武器的相关信息,并将其放入三维的武器展现系统中进行展示。
3 基于深度学习的抽烟行为检测算法实现
通过目前应用比较广泛的 Web 开发平台,将模型训练完成的算法模型部署,部署于 Web 平台。
并且利用目前流行的前后端技术在该平台进行整合实现运营车辆驾驶员吸烟行为检测系统,方便用户使用。
驾驶员吸烟行为检测系统结合了当前机器学习技术以及深度学习技术,通过对真实拍摄的驾驶员车内视频数据进行测试,最终实现吸烟检测功能。
4 基于深度学习的驾驶行为检测(玩手机)
采用YOLO算法
在pytorch环境下编写
Mosaic数据增强技术采用了四张图片的随机缩放、随机剪裁、随机排布的方式对数据进行拼接,相比CutMix数据增强多用了两张图片。
5 基于深度学习的图像修复算法 DCGAN
此次模型采用优化一次判别器,再优化一次生成器的方法进行图像生成,下图展示了图像生成的过程。
输入为100维随机噪声向量,经过迭代不断生成假图片的过程