CN106650824A - 基于支持向量机的运动目标分类方法 - Google Patents
基于支持向量机的运动目标分类方法 Download PDFInfo
- Publication number
- CN106650824A CN106650824A CN201611263597.4A CN201611263597A CN106650824A CN 106650824 A CN106650824 A CN 106650824A CN 201611263597 A CN201611263597 A CN 201611263597A CN 106650824 A CN106650824 A CN 106650824A
- Authority
- CN
- China
- Prior art keywords
- image
- movement destination
- color video
- field picture
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于支持向量机的运动目标分类方法,主要解决现有运动目标分类方法中存在背景复杂、运动目标模糊以及分类效果差的问题。其实现步骤是:(1)利用摄像头读取视频;(2)提取视频帧;(3)读取一帧视频帧图像;(4)预处理;(5)提取处理后运动目标图像的边缘、梯度和信息熵特征;(6)判断是否读取所有的视频帧图像;(7)收集运动目标特征;(8)训练支持向量机;(9)得到分类结果。本发明具有能在复杂环境中提取精确的运动目标和运动目标特征,利用支持向量机达到精确分类的优点,可用于视频中的运动目标分类,为后续的目标追踪和识别提供可靠的数据。
Description
技术领域
本发明属于电子技术领域,更进一步涉及图像数据处理技术领域中的一种基于支持向量机的运动目标分类方法。本发明可用于对视频图像处理中的运动目标进行精确的分类,为后续的目标追踪和识别提供可靠数据。
背景技术
视频中运动目标的分类在对视频图像分析研究中起着重要的作用,为后续的目标追踪和行为分析等处理环节提供实时有效的结果和数据。
目前常用的运动目标分类方法有基于形状特征的方法、基于运动特征的方法和基于学习的方法等,但到目前为止还不存在一个通用的方法。基于形状特征的分类方法根据目标的形状特征达到分类的效果,但他依赖于目标的完整提取,当背景复杂,运动目标模糊的情况下,形状特征不能准确提取,分类精度不高。
目前有很多基于监督学习的目标识别算法应用到运动目标分类识别中,基于支持向量机的运动目标分类是最简单、使用最普遍的方法之一。
张壮署,蔡晓东在其发表的论文“监控视频中运动目标识别分类***研究”(《电视技术》2012年23期第165-167页)中公开了一种基于监控视频中运动目标识别分类算法。该算法通过提取视频中运动目标的高阶矩、长宽比和占空比,然后利用支持向量机来进行训练识别分类。该方法存在的不足之处是,当运动目标比较模糊时,运动目标的形状特征不明显,导致分类精确度不高。
北京环境特性研究所申请的专利文件“一种基于视频图像的目标分类方法”(专利申请号201510012901.7,公布号CN 104657741 A)公开了一种基于视频图像的运动目标分类方法。该方法的实现过程为,根据连续的视频图像进行监控区域的背景学习,获得监控区域的当前背景图形,根据当前背景图像对当前视频帧进行逐像素背景差分操作和图像分割操作,形成目标图像,从目标图像中提取目标区域,对各个目标区域进行主成份分析,计算目标区域的矩形饱和度特征,根据矩形饱和度特征和预设的阈值,对目标区域进行分类。该方法存在的不足之处是,通过逐像素背景差分得到目标图像,当背景复杂且存在背景运动干扰的情况下不能正确提取出运动目标。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于支持向量机的运动目标分类方法,将彩***图像转换成灰度图像,采用混合高斯背景建模建立背景图像,提取出视频中的运动目标,对运动目标进行形态学滤波,再对处理过的运动目标进行边缘,梯度,信息熵提取,训练支持向量机,得到分类器模型,从而在保证环境多变的情况下有效的完成视频运动目标的分类处理,提高了运动目标分类的精确度。
实现本发明目的的具体步骤如下:
(1)利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频;
(2)逐帧读取待分类运动目标的彩色红绿蓝RGB视频,得到彩***帧图像;
(3)在彩***图像中随机读取一帧图像,得到一帧待处理彩***图像;
(4)预处理;
(4a)按照下式,计算待处理彩***帧图像转换成灰度图像中每一像素点的灰度值,将计算后的灰度值组成灰度图像;
Grayi,j=0.299Ri,j+0.587Gi,j+0.114Bi,j
其中,Grayi,j表示灰度图像中第i行,第j列像素点的灰度值,Ri,j表示彩***帧图像中第i行,第j列的像素点的红色分量值,Gi,j表示彩***帧图像中第i行,第j列像素点的绿色分量值,Bi,j表示彩***帧图像中第i行,第j列像素点的蓝色分量值;
(4b)采用混合高斯背景建模建立背景图像,保存该混合高斯背景建模得到的最终背景图像;
(4c)用灰度图像减去最终背景图像,得到运动目标图像;
(4d)二值化运动目标图像,得到二值化运动目标图像;
(4e)对二值化运动目标图像进行形态学滤波,得到滤波后的运动目标图像;
(5)提取滤波后的运动目标图像的边缘、信源熵和梯度三个特征;
(5a)利用Canny算子,提取滤波后的运动目标图像的边缘强度,将所提取的边缘强度作为边缘强度特征值;
(5b)利用梯度强度公式,提取滤波后的运动目标图像的梯度强度;
(5c)利用信源熵公式,提取滤波后的运动目标图像的信源熵;
(6)判断是否读取完所有的彩***帧图像,若是,则执行步骤(7),否则,执行步骤(3);
(7)将所有运动目标图像的特征组成目标特征集。
(8)用目标特征集训练支持向量机;
(8a)将目标特征集均分为两部分,一部分作为训练特征集,一部分作为测试特征集;
(8b)将训练特征集投入到支持向量机中训练,得到检测模型分类器;
(8c)将测试特征集放入检测模型分类器中,得到与检测模型分类器的分类模式对应的分类结果;
(9)输出分类结果。
本发明与现有技术相比具有如下优点:
第一,由于本发明通过使用运动目标图像的边缘、信源熵和梯度三个特征来训练支持向量机,克服了现有技术中仅使用运动目标的形状特征来训练支持向量机,而该方法当运动目标比较模糊时,运动目标的形状特征不明显,分类精确度不高的缺点,使得本发明具有更加明显的运动目标特征,达到精确分类的优点。
第二,由于本发明采用了混合高斯背景建模建立背景图像,对运动目标图像进行形态学滤波来提取运动目标图像,克服了现有技术通过逐像素背景差分得到目标图像,而该方法当背景复杂且存在背景运动干扰的情况下,不能正确提取出运动目标的缺点,使得本发明具有减小了背景的干扰,使得提取的运动目标更加精确的优点。
附图说明
图1为本发明的流程图;
图2为采用本发明与现有技术提取的运动目标仿真实验对比图;
图3为本发明实测数据的分类结果示意图。
具体实施方式
下面结合附图,对本发明的具体实施步骤做进一步的详细描述。
参照附图1,本发明的具体步骤如下。
步骤1.利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频。
步骤2.逐帧读取待分类运动目标的彩色红绿蓝RGB视频,得到彩***帧图像。
步骤3.在彩***图像中随机读取一帧图像,得到一帧待处理彩***图像。
步骤4.预处理。
按照下式,计算待处理彩***帧图像转换成灰度图像中每一像素点的灰度值,将计算后的灰度值组成灰度图像。
Grayi,j=0.299Ri,j+0.587Gi,j+0.114Bi,j
其中,Grayi,j表示灰度图像中第i行,第j列像素点的灰度值,Ri,j表示彩***帧图像中第i行,第j列的像素点的红色分量值,Gi,j表示彩***帧图像中第i行,第j列像素点的绿色分量值,Bi,j表示彩***帧图像中第i行,第j列像素点的蓝色分量值。
采用混合高斯背景建模建立背景图像,保存该混合高斯背景建模得到的最终背景图像。
采用混合高斯背景建模建立背景图像的具体步骤如下:
第1步,在彩***图像中随机读取视频图像的一帧图像,将所读取的彩***帧图像作为参考帧图像,用参考帧图像初始化混合高斯背景模型,得到初始化背景图像。
第2步,在彩***帧图像中读取一帧没有读取过的彩***帧,根据所读取的彩***帧图像的像素点之间的关联程度,对该彩***帧图像进行抖动预判断和稳健处理,得到处理后的彩***帧图像。
第3步,对比初始化背景图像与处理后彩***帧图像的相似度,将初始化背景图像与处理后彩***帧图像的相似度小于85%时的处理后彩***帧图像,作为参考帧图像,将该参考帧图像放入高斯模型中更新该高斯模型。
第4步,判断是否读取完所有的彩***帧,若是,则执行第5步,否则,执行第2步。
第5步,将高斯模型更新后的最后一幅图像作为最终背景图像。
用灰度图像减去最终背景图像,得到运动目标图像。
利用二值化运动目标图像的公式,对运动目标图像进行二值化,得到二值化运动目标图像。
二值化运动目标图像的公式如下:
其中,M(x,y)表示二值化运动目标图像在像素点(x,y)的像素值,D(x,y)表示运动目标图像在像素点(x,y)的像素值,x表示运动目标图像的横坐标,y表示运动目标图像的纵坐标,T表示二值化的阈值,其大小为196个像素。
对二值化运动目标图像进行形态学滤波,得到滤波后的运动目标图像。
步骤5.提取滤波后的运动目标图像的边缘、信源熵和梯度三个特征。
利用Canny算子,提取滤波后的运动目标图像的边缘强度,将所提取的边缘强度作为边缘强度特征值。
利用Canny算子提取滤波后的运动目标图像的边缘强度,将所提取的边缘强度作为边缘强度特征值的具体步骤如下:
第1步,用滤波后的运动目标图像与高斯平滑滤波器做卷积,得到卷积后图像;
第2步,使用一阶有限差分对卷积后图像计算偏导数,得到两个阵列P和Q;
第3步,按照下式,计算卷积后图像的边缘强度M;
第4步,利用二分法,在[0,100]内选择一个自然数,将所选自然数作为Canny算子的阈值;
第5步,比较边缘强度与Canny算子阈值的大小,将边缘强度大于Canny算子阈值的边缘强度作为边缘强度特征值。
利用如下梯度强度公式,提取滤波后的运动目标图像的梯度强度。
其中,E表示滤波后运动目标图像的信源熵,∑表示求和操作,N表示滤波后运动目标图像的像素点总数,p(n)表示滤波后运动目标图像的第n个像素点对应灰度值的概率,log2表示以2为底的对数操作。
利用如下信源熵公式,提取滤波后的运动目标图像的信源熵。
其中,||Δf||2表示滤波后运动目标图像的梯度强度,表示平方根操作,Gu表示滤波后的运动目标图像水平方向的梯度幅值,Gv表示滤波后的运动目标图像垂直方向的梯度幅值,表示求偏导操作,f表示滤波后运动目标图像的信息量,u表示滤波后的运动目标图像空间的横坐标的坐标值,v表示滤波后的运动目标图像空间的纵坐标坐标值。
步骤6.判断是否读取完所有的彩***帧图像,若是,则执行步骤7,否则,执行步骤3。
步骤7.将所有运动目标图像的特征组成目标特征集。
步骤8.用目标特征集训练支持向量机。
将目标特征集均分为两部分,一部分作为训练特征集,一部分作为测试特征集。
将训练特征集投入到支持向量机中训练,得到检测模型分类器。
将测试特征集放入检测模型分类器中,得到与检测模型分类器的分类模式对应的分类结果。
步骤9.输出分类结果。
下面结合附图2对本发明的仿真效果做进一步的描述。
1.仿真实验的条件:
在CPU为core 3.06GHZ、内存2G、WINDOWS XP***上使用Microsoft Visual C++6.0编程环境进行仿真。
2.仿真实验的内容结果分析:
用本发明方法和现有的运动目标分类方法分别对采集的视频进行仿真,并比较其效果。本发明的仿真实验是采用本发明方法和现有技术的方法分别对实际场景的视频做处理。提取的运动目标对比结果如图2所示,其中图2(a)为逐像素背景差分算法提取的白天的运动目标;图2(b)为逐像素背景差分算法提取的夜晚的运动目标;图2(c)为本发明提取的白天的运动目标;图2(d)为逐像素背景差分算法提取的夜晚的运动目标。通过图2可见,像素背景差分算法提取的运动目标中包含了人的阴影,本发明提取的运动目标明显优于像素背景差分算法提取的运动目标。从图2仿真实验结果可以看出,采用高斯背景建模建立背景提取运动目标的方法,能够在保护运动目标完整性的前提下,避免复杂背景的影响,有效地提取出精确的运动目标,完整且较精确的运动目标可以使得分类更加精确。
通过本发明方法和现有方法对数据库中的10个视频中的运动目标进行分类,本次实验将目标分为人和其他运动目标,经过分类结果与真实运动目标的类型做比较,统计分类结果的正确率。据统计,本发明的分类准确率为96.76%,现有方法的分类准确率为95.98%。由此可以看出,本发明比现有方法能够获得更高的分类准确率。
Claims (6)
1.一种基于支持向量机的运动目标分类方法,包括如下步骤:
(1)利用摄像头读取待分类运动目标的彩色红绿蓝RGB视频;
(2)逐帧读取待分类运动目标的彩色红绿蓝RGB视频,得到彩***帧图像;
(3)在彩***图像中随机读取一帧图像,得到一帧待处理彩***图像;
(4)预处理;
(4a)按照下式,计算待处理彩***帧图像转换成灰度图像中每一像素点的灰度值,将计算后的灰度值组成灰度图像:
Grayi,j=0.299Ri,j+0.587Gi,j+0.114Bi,j
其中,Grayi,j表示灰度图像中第i行,第j列像素点的灰度值,Ri,j表示彩***帧图像中第i行,第j列的像素点的红色分量值,Gi,j表示彩***帧图像中第i行,第j列像素点的绿色分量值,Bi,j表示彩***帧图像中第i行,第j列像素点的蓝色分量值;
(4b)采用混合高斯背景建模建立背景图像,保存该混合高斯背景建模得到的最终背景图像;
(4c)用灰度图像减去最终背景图像,得到运动目标图像;
(4d)利用二值化运动目标图像的公式,对运动目标图像进行二值化,得到二值化运动目标图像;
(4e)对二值化运动目标图像进行形态学滤波,得到滤波后的运动目标图像;
(5)提取滤波后的运动目标图像的边缘、信源熵和梯度三个特征;
(5a)利用Canny算子,提取滤波后的运动目标图像的边缘强度,将所提取的边缘强度作为边缘强度特征值;
(5b)利用梯度强度公式,提取滤波后的运动目标图像的梯度强度;
(5c)利用信源熵公式,提取滤波后的运动目标图像的信源熵;
(6)判断是否读取完所有的彩***帧图像,若是,则执行步骤(7),否则,执行步骤(3);
(7)将所有运动目标图像的特征组成目标特征集;
(8)用目标特征集训练支持向量机;
(8a)将目标特征集均分为两部分,一部分作为训练特征集,一部分作为测试特征集;
(8b)将训练特征集投入到支持向量机中训练,得到检测模型分类器;
(8c)将测试特征集放入检测模型分类器中,得到与检测模型分类器的分类模式对应的分类结果;
(9)输出分类结果。
2.根据权利要求1所述的基于支持向量机的运动目标分类方法,其特征在于,步骤(4b)中所述采用混合高斯背景建模建立背景图像的具体步骤如下;
第1步,在彩***图像中随机读取视频图像的一帧图像,将所读取的彩***帧图像作为参考帧图像,用参考帧图像初始化混合高斯背景模型,得到初始化背景图像;
第2步,在彩***帧图像中读取一帧没有读取过的彩***帧,根据所读取的彩***帧图像的像素点之间的关联程度,对该彩***帧图像进行抖动预判断和稳健处理,得到处理后的彩***帧图像;
第3步,对比初始化背景图像与处理后彩***帧图像的相似度,将初始化背景图像与处理后彩***帧图像的相似度小于85%时的处理后彩***帧图像,作为参考帧图像,将该参考帧图像放入高斯模型中更新该高斯模型;
第4步,判断是否读取完所有的彩***帧,若是,则执行第5步,否则,执行第2步;
第5步,将高斯模型更新后的最后一幅图像作为最终背景图像。
3.根据权利要求1所述的基于支持向量机的运动目标分类方法,其特征在于,步骤(4d)所述的二值化运动目标图像的公式如下:
其中,M(x,y)表示二值化运动目标图像在像素点(x,y)的像素值,D(x,y)表示运动目标图像在像素点(x,y)的像素值,x表示运动目标图像的横坐标,y表示运动目标图像的纵坐标,T表示二值化的阈值,其大小为196个像素。
4.根据权利要求1所述的基于支持向量机的运动目标分类方法,其特征在于,步骤(5a)所述利用Canny算子提取滤波后的运动目标图像的边缘强度,将所提取的边缘强度作为边缘强度特征值的具体步骤如下:
第1步,用滤波后的运动目标图像与高斯平滑滤波器做卷积,得到卷积后图像;
第2步,使用一阶有限差分对卷积后图像计算偏导数,得到两个阵列P和Q;
第3步,按照下式,计算卷积后图像的边缘强度M;
第4步,利用二分法,在[0,100]内选择一个自然数,将所选自然数作为Canny算子的阈值;
第5步,比较边缘强度与Canny算子阈值的大小,将边缘强度大于Canny算子阈值的边缘强度作为边缘强度特征值。
5.根据权利要求1所述的基于支持向量机的运动目标分类方法,其特征在于,步骤(5b)所述的梯度强度公式如下;
其中,E表示滤波后运动目标图像的信源熵,∑表示求和操作,N表示滤波后运动目标图像的像素点总数,p(n)表示滤波后运动目标图像的第n个像素点对应灰度值的概率,log2表示以2为底的对数操作。
6.根据权利要求1所述的基于支持向量机的运动目标分类方法,其特征在于,步骤(5c)所述的信源熵公式如下;
其中,||Δf||2表示滤波后运动目标图像的梯度强度,表示平方根操作,Gu表示滤波后的运动目标图像水平方向的梯度幅值,Gv表示滤波后的运动目标图像垂直方向的梯度幅值,表示求偏导操作,f表示滤波后运动目标图像的信息量,u表示滤波后的运动目标图像空间的横坐标的坐标值,v表示滤波后的运动目标图像空间的纵坐标的坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263597.4A CN106650824B (zh) | 2016-12-30 | 2016-12-30 | 基于支持向量机的运动目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263597.4A CN106650824B (zh) | 2016-12-30 | 2016-12-30 | 基于支持向量机的运动目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650824A true CN106650824A (zh) | 2017-05-10 |
CN106650824B CN106650824B (zh) | 2019-08-13 |
Family
ID=58838378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611263597.4A Active CN106650824B (zh) | 2016-12-30 | 2016-12-30 | 基于支持向量机的运动目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650824B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111723861A (zh) * | 2020-06-17 | 2020-09-29 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN115147450A (zh) * | 2022-09-05 | 2022-10-04 | 中印云端(深圳)科技有限公司 | 基于运动帧差图像的移动目标检测方法及检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070092109A1 (en) * | 2002-11-27 | 2007-04-26 | Lee Harry C | Method of tracking a moving object by an emissivity of the moving object |
CN104112122A (zh) * | 2014-07-07 | 2014-10-22 | 叶茂 | 基于交通视频的车标自动识别方法 |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
-
2016
- 2016-12-30 CN CN201611263597.4A patent/CN106650824B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070092109A1 (en) * | 2002-11-27 | 2007-04-26 | Lee Harry C | Method of tracking a moving object by an emissivity of the moving object |
CN104112122A (zh) * | 2014-07-07 | 2014-10-22 | 叶茂 | 基于交通视频的车标自动识别方法 |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
Non-Patent Citations (3)
Title |
---|
XIAOFENG TONG ETAL.: "Body Detection and Tracking with Hierarchical Scheme in Dynamic Scenes", 《2007 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
吴会宁: "基于内容的花卉图像检索算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
曹炼强: "一种基于SVM的多目标实时检测算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111160486B (zh) * | 2019-12-31 | 2023-05-02 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111723861A (zh) * | 2020-06-17 | 2020-09-29 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN111723861B (zh) * | 2020-06-17 | 2024-04-16 | 西安科技大学 | 一种用于煤矿控制挡板的煤矸石百分比识别方法 |
CN115147450A (zh) * | 2022-09-05 | 2022-10-04 | 中印云端(深圳)科技有限公司 | 基于运动帧差图像的移动目标检测方法及检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106650824B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
Sun et al. | Traffic sign detection and recognition based on convolutional neural network | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及*** | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
Qu et al. | A pedestrian detection method based on yolov3 model and image enhanced by retinex | |
CN105894701B (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN105913003B (zh) | 一种多特征多模型的行人检测方法 | |
CN107301405A (zh) | 自然场景下的交通标志检测方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN105046206B (zh) | 基于视频中运动先验信息的行人检测方法及装置 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN107480607B (zh) | 一种智能录播***中站立人脸检测定位的方法 | |
CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、***及检测方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN107767400A (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
CN104680545B (zh) | 光学图像中存在显著目标的检测方法 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |