CN103473549B - 图像目标检测方法和装置 - Google Patents
图像目标检测方法和装置 Download PDFInfo
- Publication number
- CN103473549B CN103473549B CN201310435274.9A CN201310435274A CN103473549B CN 103473549 B CN103473549 B CN 103473549B CN 201310435274 A CN201310435274 A CN 201310435274A CN 103473549 B CN103473549 B CN 103473549B
- Authority
- CN
- China
- Prior art keywords
- background
- foreground
- vector
- image
- foreground features
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像目标检测方法和装置,该图像目标检测方法包括:对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;利用至少一分界面对与图像存在关联的待检测图像进行目标检测。本发明能够实现在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,从而有效的提高了区分时的准确性。
Description
技术领域
本发明涉及图像处理领域,具体来说,涉及一种图像目标检测方法和装置。
背景技术
在图像处理***中,经常需要追踪或检测物体在图像中的运动,这些物体在图像中的运动是需要特殊的图像追踪或检测方法来进行追踪或检测的,例如,文献“ShaiAvidan.“Ensemble Tracking”.pami,2007”中所公开的图像目标追踪方法,这种图像目标追踪方法可以有效的处理前景的视角变化和杂乱的背景影响,在实际中获得了广泛的应用。然而,不管是上述文献所公开的图像目标的追踪方法,还是现有的其他图像目标的追踪或检测方法,在实际应用时,都会由于前/背景分类器的局限性(例如,前/背景分类器的分界面需要经过特征空间的原始坐标原点),导致一些前/背景的特征矢量分布无法进行正确区分(例如,无法找到一个通过坐标原点的超平面来有效区分前景特征矢量和背景特征矢量时,分类器则无法对前景特征矢量和背景特征矢量进行区分),从而使追踪性能或检测性能急剧下降,无法达到预期的效果。
针对相关技术中图像目标追踪或检测的方法会由于前/背景分类器的局限性,而导致前景特征矢量和背景特征矢量的分布无法被正确区分的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中图像目标追踪或检测的方法会由于前/背景分类器的局限性,而导致前景特征矢量和背景特征矢量的分布无法被正确区分的问题,本发明提出一种图像目标检测方法和装置,能够有效的解决现有相关技术中前/背景分类器的局限性问题,提高准确性。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种图像目标检测方法。
该图像目标检测方法包括:
对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
利用该至少一分界面对与图像存在关联的待检测图像进行目标检测。
其中,在确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域时,可先根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,根据背景特征矢量,确定背景特征矢量对应的背景聚类中心,再根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标原点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测方法还包括:根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
其中,如果在前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对与图像存在关联的待检测图像进行目标检测时,是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
根据本发明的另一方面,提供了一种图像目标检测装置。
该图像目标检测装置包括:
第一确定模块,用于对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
第二确定模块,用于确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
第三确定模块,用于根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
目标检测模块,用于利用至少一分界面对与图像存在关联的待检测图像进行目标检测。
其中,第二确定模块进一步包括:聚类中心确认模块,用于根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,还用于根据背景特征矢量,确定背景特征矢量对应的背景聚类中心;聚集区域确定模块,用于根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,还用于根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测装置还包括:坐标转换模块,用于根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
此外,如果前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,目标检测模块还用于在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对图像存在关联的待检测图像进行目标检测时,目标检测模块是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
本发明通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置,再通过确定的坐标原点来确定分类器的分界面,使得在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,从而有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的图像目标检测方法的流程示意图;
图2是根据本发明实施例的图像目标跟踪的***框图;
图3是根据本发明实施例的前/背景分类器的学习流程示意图;
图4是根据本发明实施例的现有图像目标追踪方法在进行区分前景特征矢量和背景特征矢量时的效果图;
图5是根据本发明实施例的图像目标检测方法在进行区分前景特征矢量和背景特征矢量时的效果图;
图6是根据本发明实施例的图像目标检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种图像目标检测方法。
如图1所示,根据本发明实施例的图像目标检测方法包括:
步骤S101,对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
步骤S103,确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
步骤S105,根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
步骤S107,利用该至少一分界面对与图像存在关联的待检测图像进行目标检测。
在上述过程中,前景特征矢量或背景特征矢量的个数可以是一个,也可以是多个,并且,在上述过程中,与图像存在关联的待检测图像可以是该图像所在的视频流中位于图像后一帧或多帧的图像,也可以是该图像所在的视频流中位于图像前一帧或多帧的图像。
其中,在确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域时,可先根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,根据背景特征矢量,确定背景特征矢量对应的背景聚类中心,再根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标原点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测方法还包括:根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
其中,如果在前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对与图像存在关联的待检测图像进行目标检测时,是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
以下通过具体实例对本发明的上述技术方案进行详细说明。
图2是图像目标跟踪(即检测)的***框图,如图2所示,***会根据目标在t帧的位置,首先从t帧的前景区域和背景区域求出代表前景和背景的前景特征矢量和背景特征矢量,然后学***移算法求得t+1帧中的目标位置。
其中,前/背景分类器的学习流程如图3所示,图3是前/背景分类器学习的流程示意图,从图3中可以看出,在训练前/背景分类器时,首先会对前景特征矢量和背景特征矢量分别求取聚类中心,求取聚类中心的计算公式如下:
其中,c为聚类中心,Si为前景特征矢量或背景特征矢量。
当求得前景特征矢量和背景特征矢量的聚类中心后,进一步,对求得的前景聚类中心和背景聚类中心求取其中点,求取中点的计算方式如下:
其中,cf和cb为求得的前景聚类中心和背景聚类中心。m为前景聚类中心和背景聚类中心之间的中点。
当求得前景聚类中心和背景聚类中心之间的中点后,用该中点m作为新的坐标原点对所有特征矢量点进行坐标变换,坐标转换的计算公式如下:
s'=s-m
其中,s为前景特征矢量或背景特征矢量在特征空间中的原始坐标,s为转换后的前景特征矢量或背景特征矢量在特征空间的新的坐标。
当前景特征矢量和背景特征矢量的坐标进行转换后,使用新的坐标原点和变换后的特征矢量数据s'来生成分类器,分类器的生成步骤如下:
首先对所有的特征矢量都赋予初始的权重,在赋予初始的权重后,用最小二乘法对加权后的特征矢量进行拟合,拟合出一个分界面,得到一个弱分类器,其中,生成弱分类器的计算公式如下:
h(x)=sign(pTx)
其中,x为待分类的特征矢量,P为从前/背景特征矢量学习得到的投影矢量。
其中,从前/背景特征矢量学习得到的投影矢量的计算公式如下:
p=(ATWTWA)-1ATWTWy
其中,A为前/背景特征矢量按照行排列的得到的矩阵,W为AdaBoost生成的权重排布在对角线上的对角阵,y为各个特征矢量是前景还是背景的标签矢量。
在上述过程中,如果得到的弱分类器的数量没有达到预设数量时,则可以通过AdaBoost的方法来进一步更新权重并利用最小二乘法再次生成弱分类器,而如果得到的弱分类器的数量达到预设数量时,则直接将所有得到的弱分类器进行组合得到最终的前/背景分类器。
在实际应用时,生成分类器的算法除上述最小二乘法以外,还可以是其他的算法(例如,黄金分割法、牛顿梯度下降法或共轭梯度下降法),只要能够生成分类器即可。当然,在进行进一步更新权重时,除上述的AdaBoost的方法以外,还可以利用LogitBoost、GentleBoost等方法来更新。
通过本发明的上述方案,能够实现在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,从而有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
以下通过两组对比效果图对本发明的上述技术效果进行详细说明。
图4是现有图像目标追踪方法在进行区分前景特征矢量和背景特征矢量时的效果图。从图4中可以看出,当前景特征矢量和背景特征矢量分布于经特征空间的可以被通过坐标原点的某个超平面分割时(即图4中左侧的图所呈现的情况),分类器则可以很好的区分出前景特征矢量和背景特征矢量,而当前景特征矢量和背景特征矢量始终无法找到这样的分割超平面时(即图4中右侧的图所呈现的情况),分类器则无法对前景特征矢量和背景特征矢量进行区分。
图5是本发明的图像目标检测方法在进行区分前景特征矢量和背景特征矢量时的效果图。从图5中可以看出,本发明在进行区分前景特征矢量和背景特征矢量时,分界面始终是处于前景特征矢量和背景特征矢量之间。而出现这种情况的原因是因为本发明是通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置的,而不是局限于特征空间的原始坐标原点,因此,在通过坐标原点确定分类器的分界面时,分界面会始终处于前景特征矢量和背景特征矢量之间,从而能够很好的区分出前景特征矢量和背景特征矢量。
根据本发明的实施例,还提供了一种图像目标检测装置。
如图6所示,根据本发明实施例的图像目标检测装置包括:
第一确定模块61,用于对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
第二确定模块62,用于确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
第三确定模块63,用于根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
目标检测模块64,用于利用至少一分界面对与图像存在关联的待检测图像进行目标检测。
在上述过程中,前景特征矢量或背景特征矢量的个数可以是一个,也可以是多个,并且,在上述过程中,与图像存在关联的待检测图像可以是该图像所在的视频流中位于图像后一帧或多帧的图像,也可以是该图像所在的视频流中位于图像前一帧或多帧的图像。
其中,第二确定模块62进一步包括:聚类中心确认模块(未示出),用于根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,还用于根据背景特征矢量,确定背景特征矢量对应的背景聚类中心;聚集区域确定模块(未示出),用于根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域;并且,还用于根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测装置还包括:坐标转换模块(未示出),用于根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
此外,如果前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,目标检测模块64还用于在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对图像存在关联的待检测图像进行目标检测时,目标检测模块64是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
综上所述,借助于本发明的上述技术方案,通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置,再通过确定的坐标原点来确定分类器的分界面,从而使得在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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)
1.一种图像目标检测方法,其特征在于,包括:
对图像的前景区域和背景区域进行分析,确定所述前景区域对应的前景特征矢量和所述背景区域对应的背景特征矢量;
确定所述前景特征矢量在特征空间中的前景聚集区域和所述背景特征矢量在特征空间中的背景聚集区域,并将所述特征空间中位于所述前景聚集区域和所述背景聚集区域之间的坐标点确定为坐标原点;
根据所述坐标原点,确定所述前景特征矢量和所述背景特征矢量之间的至少一分界面;
利用所述至少一分界面对与所述图像存在关联的待检测图像进行目标检测。
2.根据权利要求1所述的图像目标检测方法,其特征在于,确定所述前景特征矢量在特征空间中的前景聚集区域和所述背景特征矢量在特征空间中的背景聚集区域包括:
根据所述前景特征矢量,确定所述前景特征矢量对应的前景聚类中心,并且,根据所述背景特征矢量,确定所述背景特征矢量对应的背景聚类中心;
根据所述前景聚类中心,确定所述前景特征矢量在所述特征空间中的前景聚集区域;并且,根据所述背景聚类中心,确定所述背景特征矢量在所述特征空间中的背景聚集区域。
3.根据权利要求1所述的图像目标检测方法,其特征在于,所述坐标点为所述前景聚集区域与所述背景聚集区域之间的中点。
4.根据权利要求1所述的图像目标检测方法,其特征在于,进一步包括:
根据所述坐标原点,对所述前景特征矢量和所述背景特征矢量在所述特征空间中的坐标进行转换,促使所述前景特征矢量和所述背景特征矢量分布于以所述坐标原点为原点的空间坐标系中。
5.根据权利要求1至4任意一项所述的图像目标检测方法,其特征在于,如果在所述前景特征矢量和所述背景特征矢量之间确定了多个分界面,则在对所述待检测图像进行目标检测时,在所述分界面的数量达到预定数量的情况下,对所述多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
6.根据权利要求1至4任意一项所述的图像目标检测方法,其特征在于,利用所述分界面对与所述图像存在关联的待检测图像进行目标检测包括:
根据所述至少一分界面,判别所述待检测图像中的所述前景特征矢量和/或所述背景特征矢量。
7.一种图像目标检测装置,其特征在于,包括:
第一确定模块,用于对图像的前景区域和背景区域进行分析,确定所述前景区域对应的前景特征矢量和所述背景区域对应的背景特征矢量;
第二确定模块,用于确定所述前景特征矢量在特征空间中的前景聚集区域和所述背景特征矢量在特征空间中的背景聚集区域,并将所述特征空间中位于所述前景聚集区域和所述背景聚集区域之间的坐标点确定为坐标原点;
第三确定模块,用于根据所述坐标原点,确定所述前景特征矢量和所述背景特征矢量之间的至少一分界面;
目标检测模块,用于利用所述至少一分界面对与所述图像存在关联的待检测图像进行目标检测。
8.根据权利要求7所述的图像目标检测装置,其特征在于,所述第二确定模块进一步包括:
聚类中心确认模块,用于根据所述前景特征矢量,确定所述前景特征矢量对应的前景聚类中心,并且,还用于根据所述背景特征矢量,确定所述背景特征矢量对应的背景聚类中心;
聚集区域确定模块,用于根据所述前景聚类中心,确定所述前景特征矢量在所述特征空间中的前景聚集区域;并且,还用于根据所述背景聚类中心,确定所述背景特征矢量在所述特征空间中的背景聚集区域。
9.根据权利要求7所述的图像目标检测装置,其特征在于,所述坐标点为所述前景聚集区域与所述背景聚集区域之间的中点。
10.根据权利要求7至9任意一项所述的图像目标检测装置,其特征在于,进一步包括:
坐标转换模块,用于根据所述坐标原点,对所述前景特征矢量和所述背景特征矢量在所述特征空间中的坐标进行转换,促使所述前景特征矢量和所述背景特征矢量分布于以所述坐标原点为原点的空间坐标系中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310435274.9A CN103473549B (zh) | 2013-09-23 | 2013-09-23 | 图像目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310435274.9A CN103473549B (zh) | 2013-09-23 | 2013-09-23 | 图像目标检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473549A CN103473549A (zh) | 2013-12-25 |
CN103473549B true CN103473549B (zh) | 2017-04-19 |
Family
ID=49798393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310435274.9A Active CN103473549B (zh) | 2013-09-23 | 2013-09-23 | 图像目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473549B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033026B (zh) * | 2019-03-15 | 2021-04-02 | 深圳先进技术研究院 | 一种连续小样本图像的目标检测方法、装置及设备 |
CN110263794B (zh) * | 2019-06-26 | 2021-07-02 | 国网山东省电力公司建设公司 | 基于数据增强的目标识别模型的训练方法 |
CN111047624A (zh) * | 2019-12-27 | 2020-04-21 | 成都英飞睿技术有限公司 | 图像弱小目标检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464946A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 基于头部识别和跟踪特征的检测方法 |
CN102486827A (zh) * | 2010-12-03 | 2012-06-06 | 中兴通讯股份有限公司 | 复杂背景环境下的前景目标的提取方法和装置 |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
CN103020971A (zh) * | 2012-12-28 | 2013-04-03 | 青岛爱维互动信息技术有限公司 | 从图像中自动分割目标对象的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402680B (zh) * | 2010-09-13 | 2014-07-30 | 株式会社理光 | 人机交互***中手部、指示点定位方法和手势确定方法 |
-
2013
- 2013-09-23 CN CN201310435274.9A patent/CN103473549B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464946A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 基于头部识别和跟踪特征的检测方法 |
CN102486827A (zh) * | 2010-12-03 | 2012-06-06 | 中兴通讯股份有限公司 | 复杂背景环境下的前景目标的提取方法和装置 |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
CN103020971A (zh) * | 2012-12-28 | 2013-04-03 | 青岛爱维互动信息技术有限公司 | 从图像中自动分割目标对象的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103473549A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482181B2 (ja) | 画像処理装置、画像処理方法 | |
CN110135243B (zh) | 一种基于两级注意力机制的行人检测方法及*** | |
CN105447529B (zh) | 一种服饰检测及其属性值识别的方法和*** | |
CN102982341B (zh) | 一种可跨摄像机的自适应人群密度估计方法 | |
CN105205486B (zh) | 一种车标识别方法及装置 | |
CN105184830B (zh) | 一种对称图像对称轴检测定位方法 | |
US20150278589A1 (en) | Image Processor with Static Hand Pose Recognition Utilizing Contour Triangulation and Flattening | |
CN103530599A (zh) | 一种真实人脸和图片人脸的区别方法和*** | |
US20180114092A1 (en) | Devices, systems, and methods for anomaly detection | |
JP5227629B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN108428214A (zh) | 一种图像处理方法及装置 | |
CN109887021A (zh) | 基于跨尺度的随机游走立体匹配方法 | |
CN108875504B (zh) | 基于神经网络的图像检测方法和图像检测装置 | |
CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN103473549B (zh) | 图像目标检测方法和装置 | |
CN108830842A (zh) | 一种基于角点检测的医学图像处理方法 | |
CN105740751A (zh) | 一种目标检测与识别的方法和*** | |
CN102663733B (zh) | 基于特征组对的特征点匹配方法 | |
CN102693535B (zh) | 一种检测dr图像中束光器区域的方法 | |
CN104471436B (zh) | 用于计算对象的成像比例的变化的方法和设备 | |
Li et al. | YOLO-PL: Helmet wearing detection algorithm based on improved YOLOv4 | |
CN106780534A (zh) | 基于类间相对均匀性的图像自适应阈值化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201216 Address after: 3 / F, building 6, 768 Jingchang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province 310000 Patentee after: HANGZHOU ZENO-VIDEOPARK IMPORT EXPORT Co.,Ltd. Address before: 100101 room 117, building 1, 97 wanliuqiao south, zhengwangfen, Huaxiang, Fengtai District, Beijing Patentee before: BEIJING XENOINTEL TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |