CN106709903B - 基于图像质量的pm2.5浓度预测方法 - Google Patents
基于图像质量的pm2.5浓度预测方法 Download PDFInfo
- Publication number
- CN106709903B CN106709903B CN201611031140.0A CN201611031140A CN106709903B CN 106709903 B CN106709903 B CN 106709903B CN 201611031140 A CN201611031140 A CN 201611031140A CN 106709903 B CN106709903 B CN 106709903B
- Authority
- CN
- China
- Prior art keywords
- image
- concentration
- window
- model
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于图像质量的PM2.5浓度预测方法,属于图像处理技术领域。该方法首先对收集的数据集(筛选掉雨天拍摄图像)做图像配准,并抠取满足暗通道原理的图像块作为最终训练集。然后恢复训练集的透射率图,利用滑动窗口方法对透射率图像提取特征,并对图像特征标准化,消除相对湿度对其影响。接着利用稳健性回归分析方法分析训练集提取特征和真实PM2.5浓度之间的关系,进而得到PM2.5浓度预测模型。最后完成PM2.5浓度预测。实验结果表明,本发明中所给出算法预测PM2.5浓度优于现有算法,且能够克服相对湿度气象条件对大气成像的影响,对日常生活中PM2.5浓度监控具有重要意义。
Description
技术领域
本发明涉及一种PM2.5浓度预测方法,特别是一种基于图像质量的PM2.5浓度预测方法。
背景技术
PM2.5是悬浮于空气中直径小于等于2.5μm的所有颗粒物总称,它是衡量空气质量的一个重要指标,且对人体健康有很大的影响。目前,检测空气中PM2.5浓度的都是一些大设备,这些设备成本较高且需要定期维护。经过观察发现,不同空气质量情况下拍摄到的图像,质量上存在明显差异。因此想设计出一种图像质量与PM2.5浓度相关性模型构建方法。现有的基于图像处理的PM2.5浓度预测方法主要是提取一些能反映图像质量的特征。近几年主要出现了如下两种基于图像处理的PM2.5浓度预测方法:
(1)基于图像视觉特征的方法。该类方法提取图像的梯度、色彩特征。用所拍图像的天空颜色差异估计PM2.5浓度,该方法受天气的影响,如:阴天灰沉沉的,增加了估计的误差。用图像的梯度特征没有考虑到相对湿度对图像质量的影响。
(2)基于图像物理特征的方法。该方法利用了大气成像物理模型,并采用暗原色先验估计方法恢复图像的透射率图,用滑动窗口策略对透射率图提取特征矩阵,并利用稳健性回归分析方法建立特征矩阵和真实PM2.5浓度之间的关系模型。但该方法没有考虑相对湿度对大气成像的影响。相对湿度会影响空气中颗粒物PM2.5的消光能力,相对湿度越大,空气中PM2.5吸收的水份越多,对大气光的散射能力越强,成像越模糊。
因此,现有的基于图像处理的PM2.5预测方法没有考虑相对湿度对大气成像的影响,导致PM2.5浓度估计准确度偏低。
发明内容
本发明的目的在于提供一种图像质量与PM2.5浓度相关性模型构建的新方法。
实现本发明的目的的技术解决方案为:一种图像质量与PM2.5浓度相关性模型构建的新方法,包括以下步骤:
步骤1、定点定时采集自然图像,并对图像做预处理;
步骤2、采用基于暗通道先验理论去雾算法提取收集图像的透射率图;
步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵;
步骤4、对步骤3得到的特征矩阵进行标准化处理,消除相对湿度对其影响;
步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型;
步骤6、用步骤5得到的模型对PM2.5浓度进行预测。
本发明与现有技术相比,其显著优点为:1)本发明考虑和克服了相对湿度对大气成像的影响,提高了PM2.5估计的预测精度。2)本方法只扣取了图像中符合暗通道原理的块来建立预测模型;简单有效的剔除了图像中无用块,大大的缩短了建模时间,同时也减少了建模所需内存空间。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于图像处理估计PM2.5浓度新方法的流程图。
图2是标准化相对湿度对图像透射率特征影响的流程图。
图3是用智能手机收集到的自然图像。
图4是从原始图像中抠取的有用图像块。
图5是自然图像透射率图。
图6是空气中颗粒物散射吸湿增长因子经验公式f(RH)示意图。
图7是区域优先顺序图。
图8是本发明方法得到的训练模型。
图9是基于图像物理特征的方法得到的训练模型。
图10是本发明方法PM2.5浓度估计值和真实值对比图。
图11是基于图像物理特征的方法PM2.5浓度估计值和真实值对比图。
具体实施方式
结合图1,本发明的基于图像处理估计PM2.5浓度新方法,包括以下步骤:
步骤1、定点定时采集自然图像,并对图像做预处理;具体为:
步骤1-1、筛选掉数据集中雨天拍摄的图像;
步骤1-2、对剩余数据集做图像配准,选择一幅图像作为基准图像对其余图像做配准,配准时用的是Generalized Dual Bootstrap-ICP算法,变换模型选择相似性Similarity;
步骤1-3、抠取数据集中图像的某一块作为最终的训练集,去除图像无用信息,图像块包含满足暗通道原理的景物。
步骤2、采用基于暗通道先验理论去雾算法提取收集图像的透射率图;具体为:
步骤2-1:对训练集中图像R、G、B三个通道分别做最小值滤波,窗口大小p为:
1).p=m*m
2).m=floor(max([3,w*kenlRatio,h*kenlRatio]))
其中m是窗口直径,w是图像的宽度,h是图像的高度,kenlRatio是一个比例,取值在0.01到0.05之间;对三个通道做完最小值滤波后,选取三个通道中像素最小亮度值作为暗通道图对应像素点亮度值,从而恢复出暗通道图;
步骤2-2:求出每幅图像的大气光照强度A:首先,从暗通道中按照亮度的大小取前0.1%的像素;其次,在这些位置中,在原始有雾图像I中寻找对应的具有最高亮度的点的值,作为A值;
步骤2-3:构建大气成像物理模型:I(x)=J(x)t(x)+A(1-t(x)),其中x是像素点坐标,I是观测到的有雾图像,J是清晰的无雾图像,A是全局大气光照强度,t用来描述光线通过介质透射到成像设备过程中没有被散射的部分,透射率;
步骤2-4:构建暗通道先验理论模型为:其中x是像素点坐标,c代表了任意通道,y是像素点x的领域像素点坐标,J是清晰地无雾图像,Jduck(x)是暗通道图,该模型表明,在绝大多数非天空的局部区域里,某一些像素总会具有很低的值,趋于0;
步骤2-5:根据上述公式推导得到公式其中x是像素点坐标,c代表了任意通道,y是像素点x的领域像素点坐标,I是观测到的有雾图像,t(x)是待求的透射率图;通过该公式恢复粗透射率图,然后用指导性滤波器进行细化粗透射图,细化后的透射率图即为所求透射率图。
透射率图像一般符合近大远小规律,因为空气中的颗粒物是均匀分布的,离得近的物体发出的光在空气中传播的距离短,进入相机的光多,对应透射率值就大。反之,远处的物体透射率值就小。
步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵;具体为:
步骤3-2、将滑动窗口沿着透射率图像的横纵方向逐步移动,并计算窗口亮度的平均值的对数作为窗口的特征值,进而得到特征矩阵,一幅图像对应一个特征矩阵。
步骤4、对步骤3得到的特征矩阵进行标准化处理,消除相对湿度对其影响;具体为:
步骤4-1、确定不同地区空气中颗粒物散射吸湿增长因子经验公式f(RH)=1+a*(RH/100)b中两个参数a,b的取值,其中RH是相对湿度,参数a,b的取值如表1所示:
表1
空气中颗粒物类型 | a | b |
城市型 | 2.06 | 3.60 |
海洋/城市混合型 | 3.26 | 3.85 |
海洋型 | 4.92 | 5.04 |
步骤4-2、用确定的f(RH)标准化特征矩阵,即用特征矩阵中的每个特征值除以f(RH),消除相对湿度对特征值的影响。
步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型;具体为:
步骤5-1、用稳健性回归分析方法分析训练集每个窗口的特征值和真实PM2.5浓度之间的关系,并计算特征值和真实PM2.5浓度之间的相关性;
步骤5-2、选择与真实PM2.5浓度相关性最高的窗口作为最优窗口,并将该窗口对应的关系模型作为最终的训练模型进行PM2.5浓度估计,模型总共包括四个部分,关系模型、最优窗口坐标、窗口大小ws、移动步长step。
步骤6、用步骤5得到的模型对PM2.5浓度进行预测。该预测模型只能用来预测训练集采集当地当时拍摄到的图像所对应的PM2.5浓度,具体为:
步骤6-1、按照上述步骤提取待测图像的特征矩阵;
步骤6-2、将待测图像最优窗口对应特征值作为输入传给预测模型,预测模型返回一个预测值即为待测图像拍摄当地当时的PM2.5浓度。
本发明考虑和克服了相对湿度对大气成像的影响,提高了PM2.5估计的预测精度。本方法只抠取了图像中符合暗通道原理的块来建立预测模型;简单有效的剔除了图像中无用块,大大的缩短了建模时间,同时也减少了建模所需内存空间。
下面结合实施例对本发明做进一步详细的说明:
本***发明以智能手机拍摄到的自然图像作为输入,采用图像处理手段由输入图像预测图像拍摄当地当时的PM2.5浓度。为了预测输入图像拍摄当地当时的PM2.5的浓度,首先需要去输入图像拍摄地每天在输入图像拍摄时间用智能手机采集图像,图像数量15幅以上。然后,用本发明动态构建预测模型,最后即可预测输入图像拍摄当地当时的PM2.5浓度。
本实施例的流程如图1所示,通过智能手机成像设备采集到的定点定时自然彩色图像大小为4160×3120,图像共20幅,拍摄图像如图3所示。首先筛选掉雨天拍摄的图像,然后对剩余15幅图像做图像配准。图像配准用的是Generalized Dual Bootstrap-ICP算法,配准时变换模型选择的是相似性Similarity。接着抠取图像块,图4给出了本实例真正用到的图像块,大小为400×300。
对15幅图像做配准、抠图预处理完后,采用基于暗通道先验理论去雾算法恢复15幅图像的透射率图,如图5所示,具体步骤为:
第一步:对15幅图像R、G、B三个通道分别做最小值滤波,窗口大小为20*20。选取三个通道中像素最小亮度值作为暗通道图对应像素点亮度值。
第二步:求出每幅图像的大气光照强度A:首先,从暗通道中按照亮度的大小取前0.1%的像素;其次,在这些位置中,在原始有雾图像I中寻找对应的具有最高亮度的点的值,作为A值。
恢复透射率图后,利用滑动窗口方法对透射率图像提取特征矩阵。具体步骤为:
第一步:本实例中滑动窗口大小设置为15*15,窗口移动步长为2.
第二步:将滑动窗口沿着透射率图像的横纵方向逐步移动,并计算窗口亮度的平均值的对数作为窗口的特征值,进而得到特征矩阵。
提取完15幅图像的特征矩阵,对特征矩阵进行标准化处理,消除相对湿度对其影响。图6给出了空气中颗粒物散射吸湿增长因子经验公式f(RH)示意图。总体上,f(RH)随着RH的增大而增大,在RH<40%,f(RH)的值接近1,说明环境相对湿度较低时,空气中颗粒物的粒径没有明显的增加。另外,不同地区的f(RH)在相同湿度条件下具有明显的差别。本实例中a=1.24,b=6.27.按照图2给的步骤对得到的特征矩阵做标准化,消除相对湿度的影响。
接着用稳健性回归分析方法建模得到PM2.5浓度预测模型。本实例图像集15幅,采用余一法估计每幅图像拍摄当地当时的PM2.5浓度,即每次用其中的14幅图像作为训练集建模,剩余一幅作为测试集测试,共进行15次。具体步骤为:
第一步:用稳健性回归分析方法(matlab自带函数robustfit函数)分析14幅图像每个窗口的特征值(特征矩阵中的每个特征值)和真实PM2.5浓度之间的关系构建预测模型,并计算特征值和真实PM2.5浓度之间的相关性,得到区域优先顺序图,如图7所示,每个窗口对应一个模型相关性,颜色越深代表相关性越高。颜色最深的窗口记为最优窗口,最优窗口坐标为x=23,y=90。
第二步:将最优窗口x=23,y=90对应的关系模型(如图8所示)作为最终的训练模型进行PM2.5浓度估计。
最后用得到的预测模型对测试集图像进行PM2.5浓度预测,具体为测试集的最优窗口(x=23,y=90)对应特征值带入预测模型,预测模型返回一个PM2.5浓度预测值。
图9为现有的提取图像物理特征的方法得到的PM2.5浓度预测模型。图10是本实例得到的PM2.5浓度估计值和真实值对比图。图11是基于图像物理特征的方法PM2.5浓度估计值和真实值对比图。表2是本发明方法和已有方法的比较。
表2
标准化前 | 标准化后 | 改进 | |
R | 0.8741 | 0.9056 | 0.0315 |
MAE(ug/m3) | 7.0219 | 5.7105 | 1.3114 |
从图10、图11、表2可知:本发明得到的PM2.5浓度预测模型能够较准确地估计智能手机拍摄图像当时当地的PM2.5浓度,且克服了相对湿度对大气成像的影响,PM2.5浓度估计值和真实值之间的相关性R和绝对平均误差MAE都优于现有的方法,且本方法只扣取了图像中符合暗通道原理的块来建立预测模型。简单有效的剔除了图像中无用块,大大的缩短了建模时间。时间的缩短和估计精度的提高为日常生活PM2.5浓度预测和监控提供了方便。
Claims (5)
1.一种基于图像质量的PM2.5浓度预测方法,其特征在于,包括以下步骤:
步骤1、定点定时采集自然图像,并对图像做预处理;具体为:
步骤1-1、筛选掉数据集中雨天拍摄的图像;
步骤1-2、对剩余数据集做图像配准,选择一幅图像作为基准图像对其余图像做配准,配准时用的是Generalized Dual Bootstrap-ICP算法,变换模型选择相似性Similarity;
步骤1-3、抠取数据集中图像的某一块作为最终的训练集,去除图像无用信息,图像块包含满足暗通道原理的景物;
步骤2、采用基于暗通道先验理论去雾算法恢复采集图像的透射率图,具体为:
步骤2-1:对训练集中图像R、G、B三个通道分别做最小值滤波,窗口大小p为:
1).p=m*m
2).m=floor(max([3,w*kenlRatio,h*kenlRatio]))
其中m是窗口直径,w是图像的宽度,h是图像的高度,kenlRatio是一个比例,取值在0.01到0.05之间;对三个通道做完最小值滤波后,选取三个通道中像素最小亮度值作为暗通道图对应像素点亮度值,从而恢复出暗通道图;
步骤2-2:求出每幅图像的大气光照强度A:首先,从暗通道中按照亮度的大小取前0.1%的像素;其次,在这些位置中,在原始有雾图像I中寻找对应的具有最高亮度的点的值,作为A值;
步骤2-3:构建大气成像物理模型:I(x)=J(x)t(x)+A(1-t(x)),其中x是像素点坐标,I是观测到的有雾图像,J是清晰的无雾图像,A是全局大气光照强度,t用来描述光线通过介质透射到成像设备过程中没有被散射的部分,透射率;
步骤2-4:构建暗通道先验理论模型为:其中x是像素点坐标,c代表了任意通道,y是像素点x的领域像素点坐标,J是清晰地无雾图像,Jdark(x)是暗通道图,该模型表明,在绝大多数非天空的局部区域里,某一些像素总会趋于0;
步骤2-5:根据上述公式推导得到公式其中x是像素点坐标,c代表了任意通道,y是像素点x的领域像素点坐标,I是观测到的有雾图像,t(x)是待求的透射率图;通过该公式恢复粗透射率图,然后用指导性滤波器进行细化粗透射图,细化后的透射率图即为所求透射率图;
步骤3、利用滑动窗口方法对步骤2中得到的透射率图像提取特征矩阵;
步骤4、对步骤3得到的特征矩阵进行标准化处理,消除相对湿度对其影响;
步骤5、用稳健性回归分析方法建模得到PM2.5浓度预测模型;
步骤6、用步骤5得到的模型对PM2.5浓度进行预测。
3.根据权利要求1所述的基于图像质量的PM2.5浓度预测方法,其特征在于,步骤4对特征矩阵进行标准化处理,具体为:
步骤4-1、确定不同地区空气中颗粒物散射吸湿增长因子经验公式f(RH)=1+a*(RH/100)b中两个参数a,b的取值,其中RH是相对湿度,参数a,b的取值如表1所示:
表1
步骤4-2、用确定的f(RH)标准化特征矩阵,即用特征矩阵中的每个特征值除以f(RH),消除相对湿度对特征值的影响。
4.根据权利要求1所述的基于图像质量的PM2.5浓度预测方法,其特征在于,步骤5用稳健性回归分析方法建模得到PM2.5浓度预测模型具体为:
步骤5-1、用稳健性回归分析方法分析训练集每个窗口的特征值和真实PM2.5浓度之间的关系,并计算特征值和真实PM2.5浓度之间的相关性;
步骤5-2、选择与真实PM2.5浓度相关性最高的窗口作为最优窗口,并将该窗口对应的关系模型作为最终的训练模型进行PM2.5浓度估计,模型总共包括四个部分,关系模型、最优窗口坐标、窗口大小ws、移动步长step。
5.根据权利要求1所述的基于图像质量的PM2.5浓度预测方法,其特征在于,步骤6用得到的模型对PM2.5浓度进行预测,该预测模型只能用来预测训练集采集当地当时拍摄到的图像所对应的PM2.5浓度,具体为:
步骤6-1、按照上述步骤提取待测图像的特征矩阵;
步骤6-2、将待测图像最优窗口对应特征值作为输入传给预测模型,预测模型返回一个预测值即为待测图像拍摄当地当时的PM2.5浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031140.0A CN106709903B (zh) | 2016-11-22 | 2016-11-22 | 基于图像质量的pm2.5浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031140.0A CN106709903B (zh) | 2016-11-22 | 2016-11-22 | 基于图像质量的pm2.5浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709903A CN106709903A (zh) | 2017-05-24 |
CN106709903B true CN106709903B (zh) | 2020-06-19 |
Family
ID=58941184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611031140.0A Active CN106709903B (zh) | 2016-11-22 | 2016-11-22 | 基于图像质量的pm2.5浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709903B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761571A (zh) * | 2018-04-03 | 2018-11-06 | 北方民族大学 | 基于神经网络的大气能见度预测方法及*** |
CN108693087B (zh) * | 2018-04-13 | 2020-09-01 | 中国科学院城市环境研究所 | 一种基于图像理解的空气质量监测方法 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、***、存储介质及电子设备 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN112580600A (zh) * | 2020-12-29 | 2021-03-30 | 神华黄骅港务有限责任公司 | 粉尘浓度检测方法、装置、计算机设备和存储介质 |
CN113433037B (zh) * | 2021-05-13 | 2023-05-12 | 北京理工大学 | 手机型pm2.5观测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903273A (zh) * | 2014-04-17 | 2014-07-02 | 北京邮电大学 | 一种基于手机终端的pm2.5等级快速评价*** |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN105735416A (zh) * | 2016-04-12 | 2016-07-06 | 顾美红 | 一种可远程操控的空气净化制水机 |
-
2016
- 2016-11-22 CN CN201611031140.0A patent/CN106709903B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903273A (zh) * | 2014-04-17 | 2014-07-02 | 北京邮电大学 | 一种基于手机终端的pm2.5等级快速评价*** |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN105735416A (zh) * | 2016-04-12 | 2016-07-06 | 顾美红 | 一种可远程操控的空气净化制水机 |
Non-Patent Citations (2)
Title |
---|
《Influences of relative humidity and particle chemical composition on aerosol scattering properties during the 2006 PRD campaign》;Xingang Liu;《Atmospheric Environment》;20080331;第1525-1536页 * |
《PM2.5 Monitoring using Images from Smartphones in Participatory Sensing》;Xiaoyang Liu;《The first International Workshop on Smart Cities and Urban Informatics 2015》;20150501;第630-635页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106709903A (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709903B (zh) | 基于图像质量的pm2.5浓度预测方法 | |
Rakibe et al. | Background subtraction algorithm based human motion detection | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
Li et al. | Meteorological visibility evaluation on webcam weather image using deep learning features | |
CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN105930822A (zh) | 一种人脸抓拍方法及*** | |
CN105069818A (zh) | 一种基于图像分析的皮肤毛孔识别方法 | |
CN110441320B (zh) | 一种煤矸石检测方法、装置及*** | |
CN110503637B (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
CN103344583A (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测***及方法 | |
CN114241511A (zh) | 一种弱监督行人检测方法、***、介质、设备及处理终端 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
Li et al. | Real-time instance-level detection of asphalt pavement distress combining space-to-depth (SPD) YOLO and omni-scale network (OSNet) | |
CN116703787B (zh) | 一种建筑施工安全风险预警方法及*** | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN103400395A (zh) | 一种基于haar特征检测的光流跟踪方法 | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN104820818A (zh) | 一种移动物体的快速识别方法 | |
Loke et al. | Testing dataset for head segmentation accuracy for the algorithms in the ‘BGSLibrary’v3. 0.0 developed by Andrews Sobral |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |