CN103177248A - 一种基于视觉的快速行人检测方法 - Google Patents
一种基于视觉的快速行人检测方法 Download PDFInfo
- Publication number
- CN103177248A CN103177248A CN2013101329651A CN201310132965A CN103177248A CN 103177248 A CN103177248 A CN 103177248A CN 2013101329651 A CN2013101329651 A CN 2013101329651A CN 201310132965 A CN201310132965 A CN 201310132965A CN 103177248 A CN103177248 A CN 103177248A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- feature
- parameter
- expression
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉的快速行人检测方法,该方法首先通过安装在车辆上的摄像头获取车辆前进道路上的视频图像,然后采用类哈尔特征作为行人描述特征,构建多尺度级联分类器作为行人检测器,采用串联级联策略实现快速的实时行人与非行人的分类识别,最后用非极大值抑制算法确定与行人特征最匹配的滑动窗口,确定行人的位置。若经过上述步骤判断后没有与行人特征相匹配的滑动窗口,则判断输入的图像中无行人。本发明方法将行人检测技术推向实用化,使行人检测技术能够适用于实际的工程应用中,如在安防视频监控领域、汽车主动防御安全领域均有巨大的适用前景。
Description
技术领域
本发明涉及计算机视觉技术及汽车先进辅助驾驶领域,尤其涉及一种基于视觉的快速行人检测方法。
技术背景
随着最近十年汽车数量的急速增长,道路交通安全已成为一个全球范围内的重要问题,一份世界卫生组织的报告显示交通事故是造成伤亡的主要原因之一,每年全球因交通事故导致伤亡大约有1000万人,其中200-300万人为严重伤亡。那些易受伤害的道路使用者(如行人,骑自行车者和其他小型交通工具乘坐者)占据了交通事故中受害者的绝大部分。根据2003年美国报道的交通事故数据统计,在美国35,000例道路交通伤亡事故中,有5,000例涉及到行人与车辆碰撞;在欧盟地区,由于车辆与行人的碰撞,导致了150,000人受伤,7,000死亡。因此,面对频发且日趋严重的道路交通事故,国内外的研究机构从车辆自主防御的角度提出了先进驾驶辅助***(Advanced Driver Assistance Systems, ADAS)来避免交通事故的发生或者减小交通事故的严重性,提高道路交通安全。而其中的一个重要组成部分就是行人检测***(Pedestrian Detection Systems, PDS)就是从保护道路行人的角度提出的汽车主动防御***。
行人检测***是指通过安装在车辆的传感器(光学摄像头、红外摄像头、雷达等)获取车辆前进方向的道路信息,然后借助一定的智能检测算法判断车辆行驶环境中出现的行人,并判断行人与车辆的空间关系,对可能发生危险情况向驾驶员发出警报或者对车辆执行自动刹车。基于视觉的车载行人检测***,采用光学摄像头作为主要的传感器,一方面能够辅助扩展驾驶员的视野,减小因车辆结构造成的驾驶员视觉盲区,能够提前预警出现在盲区中的行人,避免车辆与盲区中突现的行人或车辆发生碰撞。尤其对于存在较大视觉盲区的大型工程车,基于视觉的行人检测***具有非常重要的工程意义;另一方面基于视觉的车载行人检测***能够辅助经验不足的驾驶员,判断车辆与行人的距离关系,提高驾驶员行车的安全性,减少道路交通事故的发生。。
目前基于视觉的行人检测***一般对道路的适应能力差,且检测速度比较慢,处理速度一般低于1秒每帧(frame per second, fps)。同时行人检测的准确率普遍不高。因此针对基于视觉的行人检测***计算速率低,道路适应能力差等问题,本发明提出了一种基于视觉方案的快速行人检测方法,该方法能够实现实时速率的行人检测速率,保证一定的行人检测准备率,同时,该方法具备较强的道路、行人多样性的适应能力,具备工程应用的前景。
发明内容
本发明的目的是克服现有的基于视觉的行人检测技术的不足,提供一种基于视觉的快速行人检测方法。
本发明的目的是通过以下技术方案来实现的: 一种基于视觉的快速行人检测方法,该方法包括以下内容:
(1)通过安装在车辆上的摄像头获取车辆前进道路上的视频图像;
(2)将步骤1获取的视频图像进行逐帧处理:对输入图像分别计算色彩不变参数特征通道图像、HOG特征通道图像、梯度幅值特征通道图像,得到 、、和特征通道图像,其中,、、为色彩不变参数特征通道图像,为HOG特征通道图像,梯度幅值特征通道图像;
(4)采用不同尺度的滑动窗口遍历步骤3中得到的各整型特征通道图像,计算每个滑动窗口内的类哈尔特征作为行人描述特征;
(5)使用行人检测器检测步骤4计算得到的行人描述特征,判断输入的特征是否是与行人相关的特征;
(6)采用串联级联策略提高步骤5中行人检测器检测输入特征的速率和效率;
(7)用非极大值抑制算法确定与行人特征最匹配的滑动窗口,确定行人的位置;若经过上述步骤判断后没有与行人特征相匹配的滑动窗口,则判断输入的图像中无行人。
本发明的有益效果是,本发明在保证行人检测准确率的前提下,提高了行人检测方法检测道路中行人的速率,使检测速率达到了实时检测的水平。同时该快速行人检测方法具有较强的道路、行人多样性的适应能力。上述对行人检测方法技术性的提高将行人检测方法进一步推向实用化,是行人检测方法具备了工程应用价值。
附图说明
图1是图像采集示意图;
图2是基于4*4邻域的梯度直方图示意图;
图3是拉普拉斯算子示意图;
图4是类哈尔特征示意图。
具体实施方式
下面结合附图详细描述本发明,本发明的目的和效果将变得更加明显。本发明基于色彩不变参数的背景减除方法包括如下步骤:
步骤1:通过安装在车辆上的摄像头获取车辆前进道路上的视频图像。
本发明方法采集图像的具体方法如图1所示,采用的摄像头为PAL制式,每帧图像的分辨率为352*288。
特征通道图像是指将输入的图像进行特征计算得到的图像,色彩不变参数特征通道图像、HOG特征通道图像、梯度幅值特征通道图像分别是指将输入图像计算色彩不变参数特征、HOG特征、梯度幅值特征得到的特征通道图像。色彩不变参数特征、HOG特征、梯度幅值特征通道图像计算过程如下:
2.1、色彩不变参数特征通道图像
色彩不变参数是通过结合图像中关于色彩的光谱信息和空间结构信息计算得到的特征参数。该参数在图像局部邻域范围内具有平移不变性,尺度不变形及色彩不变性等特点,具有极强的色彩区分能力,对光线变化有很好的适应性。计算色彩不变参数首先需要对图像按如下公式进行物理建模:
2.2)HOG特征通道图像
对输入的图像计算其梯度图像,再依次以每个像素为中心8*8邻域内计算以该像素为中心的8*8邻域内各个像素的梯度直方图分布。直方图的统计规则如下:8*8邻域内每个像素的梯度幅值为该像素的权重,直方图以梯度的方向(0-180°)为划分区间,分为6个区间。每个像素根据自身梯度的方向落入对应的区间,再将各个区间内存在的像素的对应的梯度幅值相加,最终得到梯度直方图,如图2所示。
2.3)梯度幅值特征通道图像
采用二阶微分算子——拉普拉斯算子来计算图像的梯度幅值。图像二阶偏微分的定义如下:
(5)
即,
在实际计算中,采用图3所示的拉普拉斯算子与图像的每个像素进行滤波再取膜得到图像的梯度幅值特征通道图像。
步骤3:分别计算步骤2中的色彩不变参数特征通道图像、HOG特征通道图像和梯度幅值特征通道图像对应的整型图像表示方法,获得各特征通道图像对应的整型特征通道图像。
整型图像表示计算法方式如下:
步骤4:采用不同尺度的滑动窗口遍历步骤3中得到的各整型特征通道,计算每个滑动窗口内的类哈尔特征作为行人描述特征。
在滑动窗口内采用4*4大小的矩阵,主要计算了3种类哈尔特征,分别是基于2个相邻矩形的类哈尔特征、基于3个相邻矩形的类哈尔特征和基于4个相邻矩形的类哈尔特征。如图4所示,A和B所示的基于2个相邻矩形的类哈尔特征,该特征为两个相邻矩形中值的总和的差值,即:
(12)
步骤5:使用行人检测器检测步骤4计算得到的行人描述特征,判断输入的特征是否是与行人相关的特征。
本步骤中涉及的行人检测器是指预先训练好的行人检测分类器。训练行人检测分类器的具体步骤如下:
5.1)采用INRIA行人图像数据库作为计算训练分类器样本数据的图像集。
5.2)根据步骤2-4计算INRIA行人图像数据库中图像的行人描述特征集合,下面用集合的形式表示特征集合:
其中,表示分类器的训练样本,表示行人特征集合,表示非行人特征集合,表示行人特征集合中的一个元素,表示该元素对应的特征值,1表示该元素的分类属性为行人特征,表示非行人特征集合中的一个元素,表示该元素对应的特征值,-1表示该元素的分类属性为非行人特征。
5.3)采用一组由2级判定树构成cascade结构的分类器,cascade分类器表示为:
(16)
5.4)用步骤5.2)中计算所得的训练样本数据训练步骤5.3)定义的分类器。采用Adaboost算法训练分类器,确定每个判定树的参数以及其对于的权值。
5.5)用步骤5.4)的方法训练5个标准尺度分类器,分类器尺度取决于用于训练分类器的样本数据对应的滑动窗口的尺寸。本发明方法以25*15、50*30、100*60、200*120、250*150 5个尺寸的窗口作为标准尺寸滑动窗口,将这五个尺寸遍历图像产生的行人描述特征作为训练样本数据,得到5个标准尺度分类器。
5.6)以步骤5.5)中训练得到的5个标准尺度分类器为基础,采用尺度估计的方法构建一组完备尺度的分类器。构建方法如下:
(17)
其中、为标准尺度分类器的参数,、为待估计尺度的分类器参数,为特征值在尺度1和尺度的比值。为尺度值,、、、分别为上采样和下采样参数需要经过大量实验确定其值。本发明方法中对HOG和梯度幅值特征采用,,、;对色彩不变参数特征采用,,、。
5.7)以步骤5.5)中训练得到的5个标准尺度分类器为基础,采用步骤5.6)中的方法,构建50个尺度完备分类器集合,即行人检测器。
步骤6:采用Crosstalk Cascade(串联级联)策略提高步骤5)中行人检测器检测输入特征的速率和效率。
Crosstalk Cascade策略是完成快速行人检测的关键,具体执行步骤如下:
6.1)对滑动窗口内的行人描述特征参数按soft cascade(疏松级联) 规则用行人检测分类器进行滤波筛选潜在的属于行人特征的特征参数。soft cascade规则为:
其中,为输入行人检测进行分类的行人描述特征参数,表示构成行人检测器的判定树的数量,=1,…,=1,…, 、 均表示判定树的下标,表示第个判定树,为对应的权值,表示第1到第i棵判定树输出值的总和,为判定的阈值。如果公式(20)成立,则判定过程结束,判定为非行人特征,即判断所在的滑动窗口中不包含行人。
6.2)若行人描述特征经过步骤6.1)判断为潜在的行人描述特征,则以滑动窗口为单位,以特征所在的滑动窗口为中心,选择7*7*3个滑动窗口内的行人描述特征参数输入行人检测器。其中7*7*3对应于w*h*d,w表示水平方向上滑动窗口的个数,h表示垂直方向上滑动窗口的个数,d表示图像中某个位置对于的d个相邻尺度的滑动窗口。将7*7*3个滑动窗口内的特征记作:
(23)
其中,表示步骤6.2)中得到的行人描述特征,为判定阈值,表示构成行人检测器的判定树的数量,=1,…,=1,…, 、 均表示判定树的下标,表示第个判定树,为对应的权值,表示第1到第i棵判定树输出值的总和,为判定的阈值。当公式(23)成立时,判定为非行人特征,即判断所在的滑动窗口中不包含行人。
6.4)采用inhibitory cascade(截止级联)规则对步骤6.3)、6.1)中得到的特征参数集进行筛选。inhibitory cascade规则如下:
步骤7:用非极大值抑制算法确定与行人特征最匹配的滑动窗口,确定行人的位置。若经过上述步骤判断后没有与行人特征相匹配的滑动窗口,则判断输入的图像中无行人。
经过行人检测器的检测,可能存在多个都与行人特张相匹配的窗口,因此需要从这些窗口中选择最佳匹配的窗口,采用非极大值抑制算法能够有效快速的选择出该窗口。
本发明方法针对传统的行人检测方法中计算费时的问题,提出了一种基于视觉的快速行人检测方法。该方法在提高检测速率的同时也保证了行人检测的准确率。本发明方法主要从以下三个方面提高行人检测方法的执行速率:1)通过定义有效同时便于计算的行人描述特征通道:色彩不变参数特征通道、梯度直方图特征通道(Histogram of Gradient, HOG)、梯度幅值特征通道;2)通过构建多尺度分类器的方法,将检测过程中费时的环节预先在训练行人检测器阶段完成,同时该方法也提高了检测的准确率;3)采用Crosstalk Cascade策略使训练好的分类器在实施实时检测时快速高效的完成行人特征的检测。本发明方法将行人检测技术推向实用化,使行人检测技术能够适用于实际的工程应用中,如在安防视频监控领域、汽车主动防御安全领域均有巨大的适用前景。
Claims (8)
1.一种基于视觉的快速行人检测方法,其特征在于,该方法包括以下内容:
(1)通过安装在车辆上的摄像头获取车辆前进道路上的视频图像;
(2)将步骤1获取的视频图像进行逐帧处理:对输入图像分别计算色彩不变参数特征通道图像、HOG特征通道图像、梯度幅值特征通道图像,得到 、、和特征通道图像,其中,、、为色彩不变参数特征通道图像,为HOG特征通道图像,梯度幅值特征通道图像;
(4)采用不同尺度的滑动窗口遍历步骤3中得到的各整型特征通道图像,计算每个滑动窗口内的类哈尔特征作为行人描述特征;
(5)使用行人检测器检测步骤4计算得到的行人描述特征,判断输入的特征是否是与行人相关的特征;
(6)采用串联级联策略提高步骤5中行人检测器检测输入特征的速率和效率;
(7)用非极大值抑制算法确定与行人特征最匹配的滑动窗口,确定行人的位置;若经过上述步骤判断后没有与行人特征相匹配的滑动窗口,则判断输入的图像中无行人。
2.根据权利要求1所述的基于视觉的快速行人检测方法,其特征在于,所述步骤2中,色彩不变参数特征通道定义如下:
色彩不变参数是通过结合图像中关于色彩的光谱信息和空间结构信息计算得到的特征参数;该参数在图像局部邻域范围内具有平移不变性,尺度不变形及色彩不变性等特点,具有极强的色彩区分能力,对光线变化有很好的适应性;计算色彩不变参数首先需要对图像按如下公式进行物理建模,
(1)
(2)
(3)
3.根据权利要求1所述的基于视觉的快速行人检测方法,其特征在于,所述步骤2中,HOG特征通道定义如下:
对输入的图像计算其梯度图像,再依次以每个像素为中心8*8邻域内计算以该像素为中心的8*8邻域内各个像素的梯度直方图分布;直方图的统计规则如下:8*8邻域内每个像素的梯度幅值为该像素的权重,直方图以梯度的方向(0-180°)为划分区间,分为6个区间;每个像素根据自身梯度的方向落入对应的区间,再将各个区间内存在的像素的对应的梯度幅值相加,最终得到梯度直方图。
7.根据权利要求1所述的基于视觉的快速行人检测方法,其特征在于,所述步骤5中,行人检测器的构建及训练方法如下:
(5.1)采用INRIA行人图像数据库作为计算训练分类器样本数据的图像集;
(5.2)根据步骤2-4计算INRIA行人图像数据库中图像的行人描述特征集合,下面用集合的形式表示特征集合:
其中,表示分类器的训练样本,表示行人特征集合,表示非行人特征集合,表示行人特征集合中的一个元素,表示该元素对应的特征值,1表示该元素的分类属性为行人特征,表示非行人特征集合中的一个元素,表示该元素对应的特征值,-1表示该元素的分类属性为非行人特征;
(5.3)采用一组由2级判定树构成cascade(级联)结构的分类器,cascade分类器表示为:
(5.4)用步骤5.2中计算所得的训练样本数据训练步骤5.3)定义的分类器;采用Adaboost算法训练分类器,确定每个判定树的参数以及其对于的权值;
(5.5)用步骤5.4的方法训练5个标准尺度分类器,分类器尺度取决于用于训练分类器的样本数据对应的滑动窗口的尺寸;方法以25*15、50*30、100*60、200*120、250*150 5个尺寸的窗口作为标准尺寸滑动窗口,将这五个尺寸遍历图像产生的行人描述特征作为训练样本数据,得到5个标准尺度分类器;
(5.6)以步骤5.5中训练得到的5个标准尺度分类器为基础,采用尺度估计的方法构建一组完备尺度的分类器;构建方法如下:
(18)
其中、为标准尺度分类器的参数,、为待估计尺度的分类器参数,为特征值在尺度1和尺度的比值;为尺度值,、、、分别为上采样和下采样参数需要经过大量实验确定其值;对HOG和梯度幅值特征采用,,、;对色彩不变参数特征采用,,、;
(5.7)以步骤5.5中训练得到的5个标准尺度分类器为基础,采用步骤5.6中的方法,构建50个尺度完备分类器集合,即行人检测器。
8.根据权利要求1所述的基于视觉的快速行人检测方法,其特征在于,所述步骤6中,串联级联策略定义如下:
(6.1)对滑动窗口内的行人描述特征参数按疏松级联规则用行人检测分类器进行滤波筛选潜在的属于行人特征的特征参数;疏松级联规则为:
其中,为输入行人检测进行分类的行人描述特征参数,表示构成行人检测器的判定树的数量,=1,…,=1,…, 、 均表示判定树的下标,表示第个判定树,为对应的权值,表示第1到第i棵判定树输出值的总和,为判定的阈值;如果公式(20)成立,则判定过程结束,判定为非行人特征,即判断所在的滑动窗口中不包含行人;
(6.2)若行人描述特征经过步骤6.1判断为潜在的行人描述特征,则以滑动窗口为单位,以特征所在的滑动窗口为中心,选择7*7*3个滑动窗口内的行人描述特征参数输入行人检测器;其中7*7*3对应于w*h*d,w表示水平方向上滑动窗口的个数,h表示垂直方向上滑动窗口的个数,d表示图像中某个位置对于的d个相邻尺度的滑动窗口;将7*7*3个滑动窗口内的特征记作:
(6.3)采用激励级联规则对步骤6.2中得到的内的行人描述特征参数进行筛选;激励级联规则如下:
(23)
其中,表示步骤6.2中得到的行人描述特征,为判定阈值,表示构成行人检测器的判定树的数量,=1,…,=1,…, 、 均表示判定树的下标,表示第个判定树,为对应的权值,表示第1到第i棵判定树输出值的总和,为判定的阈值;当公式(23)成立时,判定为非行人特征,即判断所在的滑动窗口中不包含行人;
(6.4)采用截止级联规则对步骤6.3、6.1中得到的特征参数集进行筛选;截止级联规则如下:
(6.5)将经过上述步骤判定后未被筛选掉的行人描述特征参数判断为行人特征,即特征对应的窗口中包含行人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310132965.1A CN103177248B (zh) | 2013-04-16 | 2013-04-16 | 一种基于视觉的快速行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310132965.1A CN103177248B (zh) | 2013-04-16 | 2013-04-16 | 一种基于视觉的快速行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177248A true CN103177248A (zh) | 2013-06-26 |
CN103177248B CN103177248B (zh) | 2016-03-23 |
Family
ID=48637090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310132965.1A Active CN103177248B (zh) | 2013-04-16 | 2013-04-16 | 一种基于视觉的快速行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177248B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
CN103942541A (zh) * | 2014-04-11 | 2014-07-23 | 浙江大学 | 一种基于车载视觉的盲区内电动车自动检测方法 |
CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及*** |
CN114463653A (zh) * | 2022-04-12 | 2022-05-10 | 浙江大学 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622258B (zh) * | 2017-10-16 | 2020-10-30 | 中南大学 | 一种结合静态底层特征和运动信息的快速行人检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356539A (zh) * | 2006-04-11 | 2009-01-28 | 三菱电机株式会社 | 在摄像机获取的场景的测试图像中检测人物的方法和*** |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102081741A (zh) * | 2011-01-15 | 2011-06-01 | 中国人民解放军军械工程学院 | 一种基于视觉注意原理的行人检测方法和*** |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
US20110293136A1 (en) * | 2010-06-01 | 2011-12-01 | Porikli Fatih M | System and Method for Adapting Generic Classifiers for Object Detection in Particular Scenes Using Incremental Training |
CN102609682A (zh) * | 2012-01-13 | 2012-07-25 | 北京邮电大学 | 一种针对感兴趣区域的反馈式行人检测方法 |
-
2013
- 2013-04-16 CN CN201310132965.1A patent/CN103177248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356539A (zh) * | 2006-04-11 | 2009-01-28 | 三菱电机株式会社 | 在摄像机获取的场景的测试图像中检测人物的方法和*** |
US20110293136A1 (en) * | 2010-06-01 | 2011-12-01 | Porikli Fatih M | System and Method for Adapting Generic Classifiers for Object Detection in Particular Scenes Using Incremental Training |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102081741A (zh) * | 2011-01-15 | 2011-06-01 | 中国人民解放军军械工程学院 | 一种基于视觉注意原理的行人检测方法和*** |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN102609682A (zh) * | 2012-01-13 | 2012-07-25 | 北京邮电大学 | 一种针对感兴趣区域的反馈式行人检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
CN103425967B (zh) * | 2013-07-21 | 2016-06-01 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
CN103942541A (zh) * | 2014-04-11 | 2014-07-23 | 浙江大学 | 一种基于车载视觉的盲区内电动车自动检测方法 |
CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及*** |
CN114463653A (zh) * | 2022-04-12 | 2022-05-10 | 浙江大学 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
US11875515B2 (en) | 2022-04-12 | 2024-01-16 | Zhejiang University | Method for morphology identification, trajectory tracking and velocity measurement of high-concentration microbubbles |
Also Published As
Publication number | Publication date |
---|---|
CN103177248B (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及*** | |
Wang et al. | Appearance-based brake-lights recognition using deep learning and vehicle detection | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
Dai et al. | Multi-task faster R-CNN for nighttime pedestrian detection and distance estimation | |
CN103400111B (zh) | 基于视频检测技术的高速公路隧道火灾事件检测方法 | |
CN102982313B (zh) | 烟雾检测的方法 | |
Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
CN104318206B (zh) | 一种障碍物检测方法和装置 | |
CN103034843B (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN109948455B (zh) | 一种遗留物体检测方法及装置 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
CN103177248B (zh) | 一种基于视觉的快速行人检测方法 | |
CN103530640A (zh) | 基于AdaBoost与SVM的无牌车辆检测方法 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN110097571B (zh) | 快速高精度的车辆碰撞预测方法 | |
Xia et al. | Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach | |
CN116153108A (zh) | 一种使用随机森林模型评估照明对交叉口安全影响的方法 | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
Ramchandani et al. | A comparative study in pedestrian detection for autonomous driving systems | |
Dike et al. | Unmanned aerial vehicle (UAV) based running person detection from a real-time moving camera | |
Bourja et al. | Real time vehicle detection, tracking, and inter-vehicle distance estimation based on stereovision and deep learning using YOLOv3 | |
CN105740819A (zh) | 一种基于整数规划的人群密度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |