CN106096499A - 一种视频图像中星月图案检测的方法及*** - Google Patents
一种视频图像中星月图案检测的方法及*** Download PDFInfo
- Publication number
- CN106096499A CN106096499A CN201610363846.0A CN201610363846A CN106096499A CN 106096499 A CN106096499 A CN 106096499A CN 201610363846 A CN201610363846 A CN 201610363846A CN 106096499 A CN106096499 A CN 106096499A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- detection
- star moon
- video image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种视频图像中星月图案检测的方法及***,该方法通过在一帧视频图像感兴趣区域;对感兴趣区域按预设前景检测方法进行前景检测获取前景图像;在前景图像轮廓中用包含预设星月特征的分类器检测星月图案,标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用分类器检测该前景图像所在帧以后连续的预定数目帧图像中在统计区域中的星月图案,在检测到的次数符合条件时输出报警提示;从而为在视频图像中有效地进行星月图案检测提供一种有效的检测手段。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种视频图像星月图案检测的方法及***。
背景技术
在一些不安全的地区,为了社会安全的需要,需要对一些穿着特别服饰的人物进行特别地提前预防检测识别。目前虽然可以采用图像采集设备实时采集监控区域的图像进行监测,但现有监测技术仅是事后的监测,对于一些不安定的人物如带星月图案标志的人物无法做到事前检测识别并提前预警,无法做到事前监测、事前预防。
发明内容
本发明的目的在于解决上述的技术问题而提供一种视频图像中星月图案检测的方法及***。
为实现上述目的,本发明采用如下技术方案:
一种视频图像中星月图案检测的方法,包括以下步骤:
获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
若在该轮廓中检测到星月图案,则标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
若所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,则输出报警提示。
所述感兴趣区域为该帧视频图像中清晰度符合预设清晰度值的人脸区域。
所述预设前景检测方法为Vibe前景检测方法。
所述分类器为adaboost级联强分类器。
所述获取所述前景图像的轮廓的步骤具为:
对所述二值化的前景图像做多次腐蚀后连通成为一个区域,再通过边缘检测获得前景图像所在矩形的轮廓。
本发明的目的还在于提供一种视频图像中星月图案检测的***,包括:
检测区域设置模块,用于获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
前景图像获取模块,用于对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
图案检测模块,用于获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
后续帧检测模块,用于在该轮廓中检测到星月图案后,标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
报警模块,用于在所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,输出报警提示。
本发明通过以上技术方案,可以快速地在视频图像中检测出图像中的人物身体上是否有星月图案,并在检测出星月图案的次数达到设定的次数值时进行报警,从而为在视频图像中检测图像中的人物身体上的星月图案的有效性提供了一种有效的检测解决方法。
附图说明
图1为本发明实施例提供的视频图像中星月图案检测的方法的流程图;
图2所示级联强分类器的示意图。
具体实施方式
下面,结合实例对本发明的实质性特点和优势作进一步的说明,但本发明并不局限于所列的实施例。
参见图1所示,一种视频图像中星月图案检测的方法,包括:
S101:获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
S102:对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
S103:获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
S104:若在该轮廓中检测到星月图案,则标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
S105:若所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,则输出报警提示,否则返回S101检测。
其中,本发明中,所述感兴趣区域为该帧视频图像中清晰度符合预设清晰度值的人脸区域,即指整个视频图像中人脸区域较为清晰的区域。
具体的,步骤S101中,获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域具体为:
获取视频图像序列的宽和高,根据视频图像序列的宽和高计算出感兴趣区域的在视频图像中的位置和宽高,从而实现对感兴趣区域的设置。
通过设置感兴趣区域后,后续的检测将在感兴趣区域内进行,通过设置感兴趣区域,要比在整幅图像中检测所用时间要少很多,从而提高了检测速度。
所述步骤S102中,对所述感兴趣区域按预设前景检测方法进行前景检测,主要是为了判断所述感兴趣区域中是否存在前景图像,如存在则输出二值化的图像,否则返回S101检测,在检测到有前景图像时,获取前景图像的轮廓并在前景轮廓中用包含星月特征的分类器进行检测,以判断是否为星月图案。
所述的包含星月特征的分类器是adaboost级联分类器。
本发明中,所述预设前景检测方法为Vibe(Visual Background extractor)前景检测方法。
其中,本发明中,所述获取所述前景图像的轮廓的步骤具为:
对所述二值化的前景图像做多次腐蚀后连通成为一个区域,再通过边缘检测获得前景图像所在矩形的轮廓。
所述Vibe前景检测方法即是利用ViBe模型进行实现的,下面对ViBe前景检测模型进行说明。
1、ViBe模型工作原理
背景物体是指静止的或是非常缓慢的移动的物体,前景物体是对应移动的物体。可以把物体检测看成一个分类问题,也就是来确定一个像素点是否属于背景点。在ViBe模型中,背景模型为每个背景点存储了一个样本集,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点,这样就可知道如果一个新的观察值属于背景点,那么它应该和样本集中的采样值比较接近。
具体的讲,记v(x):x点处的像素值;M(x)={V1,V2,…VN}为x处的背景样本集(样本集大小为N);SR(v(x)):以x为中心R为半径的区域,如果M(x)[{SR(v(x))∩{v1,v2,...,vN}}]大于一个给定阈值min,那么认为x点属于背景点。
2、ViBe模型初始化方法
ViBe初始化就是填充像素的样本集的过程,由于在一帧图像中不可能包含像素点的时空分布信息,可利用了相近像素点拥有相近的时空分布特性,具体来讲是:对于一个像素点,随机的选择它的邻居点的像素值作为它的模型样本值。M0(x)={v0(y|y∈NG(x))},t=0初始时刻,NG(x)即为邻居点。这种初始化方法优点是对于噪声的反应比较灵敏,计算量小速度快,可以很快的进行运动物体的检测。
3、ViBe模型更新策略
更新策略可以是保守的更新策略+前景点计数方法。前景点计数:对像素点进行统计,如果某个像素点连续N次被检测为前景,则将其更新为背景点。随机子采样:在每一个新的视频帧中都去更新背景模型中的每一个像素点的样本值是没有必要的,当一个像素点被分类为背景点时,它有1/φ的概率去更新背景模型。
具体更新方法:每一个背景点有1/φ的概率去更新自己的模型样本值,同时也有1/φ的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性,背景模型逐渐向外扩散,这也有利于Ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景,并有1/φ的概率去更新自己的模型样本值。在选择要替换的样本集中的样本值时候,随机选取一个样本值进行更新,这样可以保证样本值的平滑的生命周期由于是随机的更新,这样一个样本值在时刻t不被更新的概率是(N-1)/N,假设时间是连续的,那么在dt的时间过去后,样本值仍然保留的概率是:
也可写作,
表明一个样本值在模型中是否被替换与时间t无关,随机策略是合适的。
通过前景检测得出的是一个二值图像,前景图像像素值为1,背景图像像素值为0,由于前景图像并不为一个连通区域,对此二值图像做5次腐蚀,将其连通成为一个区域,再通过边缘检测获得前景图像区域所在矩形的大小和位置,从而确定前景图像的轮廓。
其中,本发明中,所述分类器为adaboost级联分类器。adaboost级联分类器是通过采集了5000个包含星月图案的特征的正样本和30万负样本训练成的一个adaboost级联分类器。用此分类器在前景图像的轮廓区域进行检测,若检测出星月图案则输出其在图像中的位置及大小。
Adaboost级联分类器的原理如下:
Adaboost级联分类器是利用分类能力一般的弱分类器通过一定的方法叠加(boost)起来,构成分类能力很强的强分类器。Adaboost训练强分类器的算法描述如下:
给定一系列训练样本(x1,y1),(x2,y2),...(xn,yn),其中xi表示第i个样本,yi=1时为正样本(人脸),yi=0表示负样本(非人脸)。对每个特征featurej,训练一个弱分类器hj(x),之后对每个特征生成的弱分类器计算权重误差:
将具有最小权重误差ej的分类器叠加到强分类器中,并更新训练样本的概率分布:
其中βj=εj/1-εj,ei=0表示样本xi被正确分类,ei=1表示未被正确分类,最终构成强分类器:
其中,b为设置的阈值,默认为0。
Adaboost级联分类器见图2所示,将多个Haar-like特征F1F2…Fn联合起来形成决策树,通过将输入数据与该多个Haar-like特征F1F2…Fn进行比较,判断符合的输出为人脸(face),一级一级地比较不符合的输出为非人脸(not face)。
Viola-Jones检测器利用瀑布(Cascade)算法分类器组织为筛选式的级联分类器,级联的每个节点是AdaBoost训练得到的强分类器。在级联的每个节点设置阈值b,使得几乎所有人脸样本都能通过,而绝大部分非人脸样本不能通过。节点由简单到复杂排列,位置越靠后的节点越复杂,即包含越多的弱分类器。这样能最小化拒绝图像但区域时的计算量,通知保证分类器的高检测率和低拒绝率。例如在识别率为99.9%,拒绝率为50%时,(99.9%的人脸和50%的非人脸可以通过),20个节点的总识别率为:98%,而错误接受率仅为:0.0001%。
本发明中,为了保证检测的精度,运用连续帧统计的方法排除误检,具体的,可以是以10帧为单位进行统计,当某帧检测到星月图案时,根据前面获得前景图像区域在图像中的位置及大小,将前景图像区域所在矩形为中心,向外扩大其边长的1/3,将该区域作为统计区域,若该帧后连续的9帧中在该统计区域内检测到的星月图案小于5帧则,判定为误检,返回步骤S101继续检测,否则判定为正检测,输出报警。
本发明的目的还在于提供一种视频图像中星月图案检测的***,包括:
检测区域设置模块,用于获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
前景图像获取模块,用于对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
图案检测模块,用于获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
后续帧检测模块,用于在该轮廓中检测到星月图案后,标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
报警模块,用于在所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,输出报警提示。
本发明通过以上技术方案,可以快速地在视频图像中检测出图像中的人物身体上是否有星月图案,并在检测出星月图案的次数达到设定的次数值时进行报警,从而为在视频图像中检测图像中的人物身体上的星月图案的有效性提供了一种有效的检测解决方法。
该视频图像中星月图案检测的***的检测过程以及方法,请参见前面所述的视频图像中星月图案检测的方法的检测过程以及方法,此处不再进行详细说明。
本发明通过以上技术方案,可以快速地在视频图像中检测出图像中的人物身体上是否有星月图案,并在检测出星月图案的次数达到设定的次数值时进行报警,从而为在视频图像中检测图像中的人物身体上的星月图案的有效性提供了一种有效的检测解决方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种视频图像中星月图案检测的方法,其特征在于,包括以下步骤:
获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
若在该轮廓中检测到星月图案,则标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
若所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,则输出报警提示。
2.根据权利要求1所述视频图像中星月图案检测的方法,其特征在于,所述感兴趣区域为该帧视频图像中清晰度符合预设清晰度值的人脸区域。
3.根据权利要求1所述视频图像中星月图案检测的方法,其特征在于,所述预设前景检测方法为Vibe前景检测方法。
4.根据权利要求1所述视频图像中星月图案检测的方法,其特征在于,所述分类器为adaboost级联强分类器。
5.根据权利要求1-4任一项所述视频图像中星月图案检测的方法,其特征在于,所述获取所述前景图像的轮廓的步骤具为:
对所述二值化的前景图像做多次腐蚀后连通成为一个区域,再通过边缘检测获得前景图像所在矩形的轮廓。
6.一种视频图像中星月图案检测的***,其特征在于,包括:
检测区域设置模块,用于获取一帧视频图像并设置该帧视频图像中待检测的感兴趣区域;
前景图像获取模块,用于对所述感兴趣区域按预设前景检测方法进行前景检测,输出二值化的前景图像;
图案检测模块,用于获取所述前景图像的轮廓并在该轮廓中用包含预设星月特征的分类器检测是否有星月图案;
后续帧检测模块,用于在该轮廓中检测到星月图案后,标记该前景图像并以该前景图像所在区域为中心向外扩大形成一个预设扩大区域作为后续帧图像检测的统计区域,然后用所述分类器检测该前景图像所在帧以后连续的预定数目帧图像中在该统计区域中是否有星月图案;
报警模块,用于在所述预定数目帧图像中检测到有星月图案的帧数大于预设误检帧数,输出报警提示。
7.根据权利要求6所述视频图像中星月图案检测的***,其特征在于,所述感兴趣区域为该帧视频图像中清晰度符合预设清晰度值的人脸区域。
8.根据权利要求6所述视频图像中星月图案检测的***,其特征在于,所述预设前景检测方法为Vibe前景检测方法。
9.根据权利要求6所述视频图像中星月图案检测的***,其特征在于,所述分类器为adaboost级联强分类器。
10.根据权利要求6-9任一项所述视频图像中星月图案检测的***,其特征在于,所述图案检测模块包括:
图像轮廓获取单元,用于对所述二值化的前景图像做多次腐蚀后连通成为一个区域,再通过边缘检测获得前景图像的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363846.0A CN106096499A (zh) | 2016-05-26 | 2016-05-26 | 一种视频图像中星月图案检测的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363846.0A CN106096499A (zh) | 2016-05-26 | 2016-05-26 | 一种视频图像中星月图案检测的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096499A true CN106096499A (zh) | 2016-11-09 |
Family
ID=57229772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363846.0A Pending CN106096499A (zh) | 2016-05-26 | 2016-05-26 | 一种视频图像中星月图案检测的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096499A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322699A (zh) * | 2018-01-23 | 2018-07-24 | 东南大学 | 一种基于视频图像检测电弧闪光的方法 |
CN110363197A (zh) * | 2019-06-22 | 2019-10-22 | 东北电力大学 | 基于改进视觉背景提取模型的视频感兴趣区域提取方法 |
CN112733666A (zh) * | 2020-12-31 | 2021-04-30 | 湖北亿咖通科技有限公司 | 一种难例图像的搜集、及模型训练方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147869A (zh) * | 2011-03-31 | 2011-08-10 | 上海交通大学 | 基于前景分析和模式识别的行人检测方法 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
CN104866843A (zh) * | 2015-06-05 | 2015-08-26 | 中国人民解放军国防科学技术大学 | 一种面向监控视频的蒙面人脸检测方法 |
CN105095869A (zh) * | 2015-07-24 | 2015-11-25 | 深圳市佳信捷技术股份有限公司 | 行人检测方法及装置 |
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
-
2016
- 2016-05-26 CN CN201610363846.0A patent/CN106096499A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147869A (zh) * | 2011-03-31 | 2011-08-10 | 上海交通大学 | 基于前景分析和模式识别的行人检测方法 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
CN104866843A (zh) * | 2015-06-05 | 2015-08-26 | 中国人民解放军国防科学技术大学 | 一种面向监控视频的蒙面人脸检测方法 |
CN105095869A (zh) * | 2015-07-24 | 2015-11-25 | 深圳市佳信捷技术股份有限公司 | 行人检测方法及装置 |
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322699A (zh) * | 2018-01-23 | 2018-07-24 | 东南大学 | 一种基于视频图像检测电弧闪光的方法 |
CN108322699B (zh) * | 2018-01-23 | 2020-02-18 | 东南大学 | 一种基于视频图像检测电弧闪光的方法 |
CN110363197A (zh) * | 2019-06-22 | 2019-10-22 | 东北电力大学 | 基于改进视觉背景提取模型的视频感兴趣区域提取方法 |
CN112733666A (zh) * | 2020-12-31 | 2021-04-30 | 湖北亿咖通科技有限公司 | 一种难例图像的搜集、及模型训练方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10445567B2 (en) | Pedestrian head identification method and system | |
Chackravarthy et al. | Intelligent crime anomaly detection in smart cities using deep learning | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN107194346A (zh) | 一种汽车疲劳驾驶预测方法 | |
CN109255298A (zh) | 一种动态背景中的安全帽检测方法与*** | |
CN106355154B (zh) | 一种监控视频中检测频繁过人的方法 | |
CN112287816A (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN110378233B (zh) | 一种基于人群行为先验知识的双分支异常检测方法 | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN111507235B (zh) | 基于视频的铁路周界异物入侵检测方法 | |
CN102930248A (zh) | 基于机器学习的人群异常行为检测方法 | |
CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和*** | |
CN112489368A (zh) | 智能跌倒识别与检测报警方法及*** | |
CN112464701A (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
CN106096499A (zh) | 一种视频图像中星月图案检测的方法及*** | |
CN109344886A (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN105975952A (zh) | 一种视频图像中大胡子检测的方法及*** | |
CN104200218A (zh) | 一种基于时序信息的跨视角动作识别方法及*** | |
CN102867214B (zh) | 区域范围内人数统计管理方法 | |
CN109447064B (zh) | 一种基于cnn的双行车牌分割方法及*** | |
CN109472220A (zh) | 一种基于Faster R-CNN的变电站工人安全帽检测方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |