本发明公开了一种目标数据的确定方法及装置、存储介质及电子装置，其中，上述方法包括:获取待分析数据，并根据待分析数据确定目标对象在多个时刻的位置信息；在确定目标对象在第一时刻位于第一位置的情况下，根据预设的第一阈值以及轨迹预测模型确定所在目标对象在第二时刻位于第二位置的目标状态，其中，第一时刻早于第二时刻；在目标状态为异常状态的情况下，基于预设的第二阈值以及轨迹预测模型确定第二时刻的多个目标位置信息；根据多个目标位置信息确定待分析数据中的目标区域，并根据训练好的分类模型确定目标区域中的目标数据。采用上述技术方案，解决了传统的检测算法不能从数据检测精度低的问题。

本发明公开了一种人脸静默活体检测方法、装置、可读存储介质及设备，属于人脸识别领域。该方法获取待检测人脸图像并进行预处理；将预处理后的人脸图像输入预先训练的多级联网络，判断人脸图像是否为活体；其中，多级联网络包括前后级联的多级神经网络，每级神经网络用于一个假体攻击类型的活体判断，当当前级神经网络判断为活体时进入下一级神经网络，当任一级神经网络判断为假体时则判断人脸图像为假体，当最后一级神经网络判断为活体时则判断人脸图像为活体。本发明采用深度学习的方法，使用多个浅层网络级联的方式进行人脸静默活体检测，提高了活体检测的准确率和效率，大幅提升算法的稳定性。

本申请提供一种体征信息识别方法、系统和电子设备，该方法的一具体实施方式包括:获取待识别图像；所述待识别图像中包括体征信息；通过信息识别模型的图像特征提取模块提取所述待识别图像中表征生理指标区域的图像特征，得到目标特征图；以及通过所述信息识别模型的信息识别模块在所述目标特征图中识别所述体征信息。该方法可以提高获取体征信息的准确性以及时效性。

本发明公开了一种基于动态卷积金字塔的遥感图像实例分割方法及模型，属于遥感图像处理技术领域，其方法包括以下步骤:构建基于动态卷积金字塔模块的遥感图像实例分割模型，所述遥感图像实例分割模型包括依次连接的特征提取网络、特征融合网络、以及基于动态卷积金字塔模块的检测头；对所述遥感图像实例分割模型进行训练；利用训练好的遥感图像实例分割模型对待测遥感图像进行实例分割。通过上述方法和模型，本发明能够在不同尺度下更有效地提取特征，解决了遥感图像实例分割模型中的目标掩码区域定位精度不足的问题。

本申请涉及数据处理技术领域，尤其是涉及一种基于数字化的有效数据监管方法、系统及电子设备，方法包括:获取核心摄像头采集的第一视频；利用目标检测模型对第一视频进行目标检测，得到检测结果；若目标类型为正常类型，则根据类型与关键特征的对应关系确定目标类型对应的关键特征；确定目标对应的图像中是否存在关键特征；当符合预设条件时，确定目标为可疑目标，并基于第一视频利用行为识别模型对可疑目标进行行为识别确定是否存在行为异常事件。本申请能够实现对核心摄像头采集的视频中的目标进行精确的检测和识别；特别是当目标类型正常时，通过确定其关键特征并检查目标图像中是否存在这些特征，能够有效地筛选出可疑目标。

本申请涉及SAR图像修复领域，具体公开了一种SAR图像的空洞修复方法、设备及介质，其中方法包括:将预处理之后的目标数据进行直接正射校正处理，获得初始SAR正射影像；对初始SAR正射影像进行图像分割以及滤波处理，以对初始SAR正射影像中的第一空洞进行分割及修复，以得到中间正射影像；对中间正射影像进行图像分割及图像修复算法，以对中间正射影像中的第二空洞进行分割及修复，从而得到空洞修复后的目标SAR正射影像。首先进行对小空洞的修复，保证了SAR影像数据的原始信息，还提高了运算速率。然后针对大空洞进行修复，自动排除影像背景值，提取大空洞掩膜进行修复，避免了人工参与绘制掩膜。

本发明提供基于相对非均匀高斯模糊的z‑stack图像快速配准方法，包括:输入z‑stack图像g1和z‑stack图像g2，通过相对二次梯度能量RGE，选取两幅图像中边缘丰富且相对高斯模糊的图像块Ω(u

本发明实施例提供了一种阴影图确定方法及装置，获取应用场景的当前视频帧和当前视频帧的前一视频帧；分别获取当前视频帧的第一3D视锥和前一视频帧的第二3D视锥；分别对第一3D视锥和第二3D视锥进行分割获得第一类子3D视锥和第二类子3D视锥；对分割结果进行排序，将序号相同的第一类子3D视锥和第二类子3D视锥确定为子3D视锥对；计算子3D视锥对的子3D视锥的中心点在预设坐标系中坐标的变化值；若不存在大于预设值的变化值，将前一视频帧中已显示的物体的阴影图确定为当前视频帧中待显示的物体的阴影图；若存在绘制当前视频帧中待显示的物体的阴影图，能够使应用场景中物体的影子更加真实，提高用户在应用场景中的用户体验。

 本发明公开了一种基于融合注意力的全局到局部关键点定位方法及装置，包括以下步骤:步骤1：用摄像头采集图片并标注其关键点，对图片数据进行预处理构建关键点定位数据集；步骤2：构建全局回归模型并进行监督训练；步骤3：在全局回归模型的基础上构建局部回归模型，通过联合损失对其进行监督训练；步骤4：将预处理后的图片输入全局回归模型得到关键点预测坐标。本发明提出的全局回归模型提取图像深层特征，将与关键点相关的图像特征融合并映射到热图空间，实现在整张图片上的关键点高精度定位。此外，融合注意力模块能够有效捕捉全局特征和局部特征间的关系，引导图像全局特征向局部特征靠拢，实现在局部块内逐渐精确定位关键点坐标。

 本发明公开了一种结构引导的多先验输入图像增强方法及装置，包括以下步骤:步骤1：收集低质量图像以及对应的高质量图像构成数据集；将数据集划分为训练集、验证集和测试集；步骤2：构建多视角输入增强网络，多视角输入增强网络用于对低质量图像进行初步的增强；并设计多视角增强联合损失函数L＆lt;subgt;mve＆lt;/subgt;，指定训练轮次，对多视角输入增强网络模型进行训练与优化，并保存最优模型的权重；步骤3：构建结构引导增强网络，结构引导增强网络基于结构提取模块提取的结构信息对图像数据进行二次增强；并设计结构引导增强联合损失函数L＆lt;subgt;sge＆lt;/subgt;，指定训练轮次，对结构引导增强网络模型进行训练与优化，并保存最优模型的权重。