CN106960183A - 一种基于梯度提升决策树的图像行人检测算法 - Google Patents
一种基于梯度提升决策树的图像行人检测算法 Download PDFInfo
- Publication number
- CN106960183A CN106960183A CN201710125440.3A CN201710125440A CN106960183A CN 106960183 A CN106960183 A CN 106960183A CN 201710125440 A CN201710125440 A CN 201710125440A CN 106960183 A CN106960183 A CN 106960183A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- detection
- image
- decision tree
- detection window
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度提升决策树的图像行人检测算法。对输入图像进行预处理,将预处理后的图像进行缩放形成多个尺度图像,构建由多个尺度图像构成的快速金字塔模型;对其中各个尺度图像用检测窗口进行遍历扫描,并采用行人检测器模型对各个尺度图像上的所有检测窗口使用梯度提升决策树算法进行处理判断,获得所有包含行人的检测窗口;对所有包含行人的检测窗口再采用非极大值抑制方法选择最佳检测窗口,以最佳检测窗口作为图像中行人的位置。本发明能够达到实时的检测效果,提高图像检测的准确度和快速性,能满足实时图像快速处理的需求。
Description
技术领域
本发明涉及计算机视觉领域以及图像处理的相关技术,尤其涉及了一种基于梯度提升决策树的图像行人检测算法。
背景技术
经过近些年的探索和发展,计算机视觉已经在金融、机械加工、交通运输、娱乐、医疗、安防、军事等很多领域具有应用场景,创造出无可替代的价值。在计算机视觉领域中,目标检测是个极其重要的研究分支,本发明着眼于目标检测中一个很重要且极具应用价值的课题——行人检测,行人检测是姿态估计、行为分析、行人识别、行人跟踪等课题的研究基础和前提,一个优秀的行人检测算法能为以上诸多研究课题提供强有力的支持和保障。
行人检测算法,顾名思义,就是对于给定的图片或视频,使用预先训练好的模型对其进行检测,标注出图片或视频中行人所在的位置。这在现实生活中是非常具有应用价值的,如把行人检测算法用于辅助驾驶上,车辆能自动识别前方的行人,并获得与目标之间的精确距离,对行人及时进行避让,在发生紧急情况时发出警报,可以主动参与制动,让驾驶变得更轻松,让出行变得更安全、更放心;在监控***集成行人检测等算法,能及时检测出行人的所在位置,对其行为进行分析,如果发现逗留过久等异常行为及时给安全人员以报警,可以防患于未然,等等。
优秀的行人检测算法需要一种性能强大的分类算法以及拥有较强区分能力的特征,当前在行人检测算法中常用的分类算法有AdaBoost、支持向量机以及卷积神经网络中的Softmax分类函数。梯度提升决策树算法是数据挖掘领域中非常出众的回归分类算法,在商品搭配、个性化推荐、金融预测等诸多方面都取得较成功的应用案例,然而该算法目前还没有被应用于行人检测中。梯度提升决策树算法适用于回归分析和二分类问题,而行人检测实质上可以看作是一个二分类问题(即检测窗口要么是行人,要么是背景),因此可以考虑把该算法应用于行人检测中。经过精心设计的算法,把梯度提升决策树算法应用于行人检测中,能取得较优异的检测结果。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于梯度提升决策树的图像行人检测算法,实现了从图像中检测出行人所在的位置。
本发明采用的技术方案是包括如下步骤:
1)对输入图像进行预处理;
2)将预处理后的图像进行缩放形成多个尺度图像,构建由多个尺度图像构成的快速金字塔模型,并计算聚合通道特征,聚合通道特征用于后续步骤2)输入梯度提升决策树算法中进行处理判断;
3)对快速金字塔模型中的各个尺度图像用检测窗口进行遍历扫描,并采用预训练好的行人检测器模型及其聚合通道特征对各个尺度图像上的所有检测窗口位置使用梯度提升决策树算法进行处理判断,获得所有包含有行人的检测窗口;
4)对所有包含有行人的检测窗口再采用非极大值抑制方法选择最佳检测窗口,以最佳检测窗口作为图像中行人的位置,从而准确地检测出行人的位置。记录下来以便传送到输出模块。
所述步骤1)的预处理是进行卷积操作来实现平滑处理。
预训练好的行人检测器模型是指在方法步骤前通过带有行人的图像样本训练学习获得的模型。
所述的聚合通道特征包括LUV的三个颜色通道、梯度直方图六个通道和梯度幅值一个通道,共十个通道特征。
所述步骤3)使用级联方式的梯度提升决策树算法进行处理判断,获得可信度,可信度用于所述步骤4)中来选择最佳检测窗口。
由于多个尺度上可能会检测出同一个行人,即同一个行人可能会检测到在多个位置上,而最终要输出行人的准确位置,所以要在这些位置中选取一个最佳的位置作为行人最终所在的位置,因此本发明采用非极大值抑制算法来排除实际行人位置附近的检测窗口。
所述步骤4)中对于所有包含行人的检测窗口采用非极大值抑制的方法来选择最佳检测窗口,具体是:针对每个检测窗口,依次求取每个检测窗口与其它各个检测窗口之间的重叠面积,若重叠面积不小于预先设置的面积阈值,则认为两个检测窗口包含有同一个行人;然后,将包含有同一行人的所有检测窗口根据可信度由大到小进行排序,则选取可信度最大的检测窗口作为行人最终所在的位置。
本发明行人图像的检测中使用回归分类算法——梯度提升决策树算法,梯度提升决策树算法适用于回归分析和二分类问题,而本发明将行人检测实质上看作是一个二分类问题。
本发明通过在常用的行人数据集进行模型的训练,得到了一个检测效果好的模型,使用此模型来进行行人的检测。
本发明方法在具体实施采用包括以下三个模块的***:
1)输入模块,用于接收采集到的图像数据或视频序列;
2)行人检测模块,用于分析图像,检测出图像中行人所在的位置;
3)输出模块,把检测出的行人位置标注出来。
本发明的有益效果是:
本发明采用快速金字塔模型来计算特征,并以级联方式的梯度提升决策树算法模型来进行处理判断,所以能够达到实时的检测效果,提高图像检测的准确度和快速性,能满足实时图像快速处理的需求。
附图说明
图1为本发明算法的整体结构示意图。
图2为本发明方法的流程图。
图3为本发明提供的级联的梯度提升决策树模型的实施过程图。
图4为实施例在Inria数据集上的实施例结果比较附图。
图5为实施例在Caltech数据集上的实施例结果比较附图。
图6为实施例在Kitti数据集上的实施例结果比较附图。
图7为实施例非极大值抑制前后的效果示意图。
图8为实施例行人检测的效果示意图。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清晰、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的目的、技术方案及优点更加清楚明白,接下来将参照附图对本发明实施例进行详细的说明。
本发明的实施例如下:
如图1所示,实施例具体实施的***模块为:
输入模块,用来接收用户提供的图像数据或者视频序列,接下来送入行人检测模块进行行人检测。
行人检测模块,把接收到的图像进行预处理,然后构建特征金字塔、使用梯度提升决策树算法进行判决等一系列操作,检测出图像中的行人所在的位置,并送入输出模块。
输出模块,用于显示行人检测的结果,把行人检测模块所检测出的行人在原图像中的相应位置上标注出来。
如图2所示,其中行人检测模块主要完成本发明方法在行人图像中的检测工作,检测出不同尺度上的行人,采用固定检测窗口大小,放缩图像的方式进行,主要分为以下几个步骤:
1)对输入图像做卷积操作,进行平滑处理。
2)由预处理后的图像构建多尺度图像的快速金字塔模型,只对原图像尺度的以下倍数:1,1/2,1/4,1/8…,采用实际计算特征的方式,其他尺度上通过双线性插值计算的方式快速近似得到。
然后针对给定的检测窗口即可较快地查找出聚合通道特征,所计算的特征通道包括LUV颜色通道、梯度直方图通道、以及梯度幅值通道。
3)设置固定大小的检测窗口以及用于遍历的步进长度,遍历特征金字塔中的各个尺度用检测窗口进行遍历扫描,通过计算的特征通道采用预训练好的行人检测器模型依次对每个尺度上的所有检测窗口位置使用级联方式的梯度提升决策树算法进行比较判断,获得可信度。
由于采用级联判决的方式,对于非包含有行人的检测窗口位置,可信度小于预先设定的阈值则无需继续判断。对于包含有行人的检测窗口位置,可信度会大于等于预先设定的阈值,记录该检测窗口及其可信度。
一般来讲,图像中包含行人的检测窗口远小于整图的检测窗口数目,所以绝大多数的检测窗口只需极少的时间即可快速排出,只有对于疑似行人的检测窗口才会继续判断,因此使用决策树级联的方式可以让判决过程非常快速。
4)对于所有包含行人的检测窗口采用非极大值抑制的方法来选择最佳检测窗口,从而准确地检测出行人的位置。
具体是先针对每个检测窗口,依次求取每个检测窗口与其它各个检测窗口的重叠面积,若重叠面积不小于预先设置的阈值,则说明这些检测窗口实际上对应于图像中的同一个行人,从而进行归类,区分不同的行人。
然后对所有的检测窗口根据可信度由大到小进行排序,则选取可信度最大的那个检测窗口作为行人最终所在的位置,排除掉其他的重叠检测窗口。
5)经过非极大值抑制处理后的行人检测窗口,作为图像中检测到的行人所在的位置,记录下来以便传送到输出模块。
如图3,级联的梯度提升决策树模型由若干棵二叉决策树组成,判决过程采用决策树的分数值累加并与设定的阈值不断比较的方式,若当前累加的分数值小于阈值,则立即排除此检测窗口,否则继续用下一棵决策树进行判决,若所有的决策树的累加判决结果大于给定的阈值,则此检测窗口为检测到的行人检测窗口。
为验证本发明,在本领域已公开的具有挑战的行人检测数据集Inria、Caltech、Kitti上进行设计实验,将本发明算法与公开的Piotr Dollár的toolbox中的AdaBoost算法进行对比,把实验结果与测试集的标注框(ground truth)进行对比,绘制出错误率曲线作为衡量算法性能的标准。
在Inria数据集上,本发明算法比公开的Piotr Dollár的toolbox中的AdaBoost算法约提高了1.8%,如图4所示。
在Caltech数据集上,本发明算法比公开的Piotr Dollár的toolbox中的AdaBoost算法约提高了1%,如图5所示。
Kitti行人数据集中的训练集包含7481张图片,并包含丰富的标注信息,把此训练集一分为二,其中的3741张图片用来训练模型,余下的3740张图片用来验证模型的准确度,本发明算法比公开的Piotr Dollár的toolbox中的AdaBoost算法约提高了6%,如图6所示。
由此可见本发明算法均取得比行人检测领域中常用的算法更优秀的实验结果。
由于在一个行人的附近位置会检测出多个窗口,而这些检测窗口实际上对应于同一个行人,为准确定位行人的精确位置,本发明采用非极大值抑制的方法来选取最佳的检测窗口作为行人最终所在的位置,如图7所示。
行人检测的效果示意图如图8所示。图8中展示的在不同场景下的行人检测效果示意图,侧面的行人、背影的行人、不同姿势的行人、以及部分遮挡和低分辨率的行人均可以较准确地被检测出来。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。显然,本发明的技术方案并不限于上述实施例,还可以有许多变形。本领域的普通技术人员可在不脱离本发明的发明思想情况下,对于上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (5)
1.一种基于梯度提升决策树的图像行人检测算法,其特征在于包括如下步骤:
1)对输入图像进行预处理;
2)将预处理后的图像进行缩放形成多个尺度图像,构建由多个尺度图像构成的快速金字塔模型;
3)对快速金字塔模型中的各个尺度图像用检测窗口进行遍历扫描,并采用预训练好的行人检测器模型对各个尺度图像上的所有检测窗口位置使用梯度提升决策树算法进行处理判断,获得所有包含有行人的检测窗口;
4)对所有包含有行人的检测窗口再采用非极大值抑制方法选择最佳检测窗口,以最佳检测窗口作为图像中行人的位置,从而准确地检测出行人的位置。
2.根据权利要求1所述的一种基于梯度提升决策树的图像行人检测算法,其特征在于:所述步骤1)的预处理是进行卷积操作来实现平滑处理。
3.根据权利要求1所述的一种基于梯度提升决策树的图像行人检测算法,其特征在于:所述的聚合通道特征包括LUV的三个颜色通道、梯度直方图六个通道和梯度幅值一个通道,共十个通道特征。
4.根据权利要求1所述的一种基于梯度提升决策树的图像行人检测算法,其特征在于:所述步骤3)使用级联方式的梯度提升决策树算法进行处理判断,获得可信度,可信度用于所述步骤4)中来选择最佳检测窗口。
5.根据权利要求1所述的一种基于梯度提升决策树的图像行人检测算法,其特征在于:所述步骤4)中对于所有包含行人的检测窗口采用非极大值抑制的方法来选择最佳检测窗口,具体是:针对每个检测窗口,依次求取每个检测窗口与其它各个检测窗口之间的重叠面积,若重叠面积不小于预先设置的面积阈值,则认为两个检测窗口包含有同一个行人;然后,将包含有同一行人的所有检测窗口根据可信度由大到小进行排序,则选取可信度最大的检测窗口作为行人最终所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710125440.3A CN106960183A (zh) | 2017-03-04 | 2017-03-04 | 一种基于梯度提升决策树的图像行人检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710125440.3A CN106960183A (zh) | 2017-03-04 | 2017-03-04 | 一种基于梯度提升决策树的图像行人检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106960183A true CN106960183A (zh) | 2017-07-18 |
Family
ID=59470172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710125440.3A Pending CN106960183A (zh) | 2017-03-04 | 2017-03-04 | 一种基于梯度提升决策树的图像行人检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960183A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764212A (zh) * | 2018-06-14 | 2018-11-06 | 内蒙古蒙草生态环境(集团)股份有限公司 | 一种用于调查打草场地的遥感自动识别方法 |
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
CN104850844A (zh) * | 2015-05-27 | 2015-08-19 | 成都新舟锐视科技有限公司 | 一种基于快速构建图像特征金字塔的行人检测方法 |
CN105354549A (zh) * | 2015-11-02 | 2016-02-24 | 南京理工大学 | 基于似物性估计的快速行人检测方法 |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN106056101A (zh) * | 2016-06-29 | 2016-10-26 | 哈尔滨理工大学 | 用于人脸检测的非极大值抑制方法 |
CN106407894A (zh) * | 2016-08-29 | 2017-02-15 | 上海交通大学 | 一种改进基于ldcf的行人检测方法 |
-
2017
- 2017-03-04 CN CN201710125440.3A patent/CN106960183A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
CN104850844A (zh) * | 2015-05-27 | 2015-08-19 | 成都新舟锐视科技有限公司 | 一种基于快速构建图像特征金字塔的行人检测方法 |
CN105354549A (zh) * | 2015-11-02 | 2016-02-24 | 南京理工大学 | 基于似物性估计的快速行人检测方法 |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN106056101A (zh) * | 2016-06-29 | 2016-10-26 | 哈尔滨理工大学 | 用于人脸检测的非极大值抑制方法 |
CN106407894A (zh) * | 2016-08-29 | 2017-02-15 | 上海交通大学 | 一种改进基于ldcf的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
翟芬等: "基于局部行颜色自相似性特征的行人检测方法", 《研究与设计》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN108764212A (zh) * | 2018-06-14 | 2018-11-06 | 内蒙古蒙草生态环境(集团)股份有限公司 | 一种用于调查打草场地的遥感自动识别方法 |
CN108764212B (zh) * | 2018-06-14 | 2021-04-20 | 内蒙古小草数字生态产业有限公司 | 一种用于调查打草场地的遥感自动识别方法 |
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN113793502B (zh) * | 2021-09-15 | 2022-08-09 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079602B (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN102521565B (zh) | 低分辨率视频的服装识别方法及*** | |
CN102722698B (zh) | 多姿态人脸检测与跟踪方法及*** | |
US20070058856A1 (en) | Character recoginition in video data | |
CN108009473A (zh) | 基于目标行为属性视频结构化处理方法、***及存储装置 | |
CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
US9904868B2 (en) | Visual attention detector and visual attention detection method | |
CN105205486A (zh) | 一种车标识别方法及装置 | |
CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN106960183A (zh) | 一种基于梯度提升决策树的图像行人检测算法 | |
CN112215154B (zh) | 一种应用于人脸检测***的基于蒙版的模型评估方法 | |
KR102584708B1 (ko) | 과소 및 과밀 환경을 지원하는 군중위험관리시스템 및 방법 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
Wang et al. | A multiple-stage defect detection model by convolutional neural network | |
Sathiyabhama et al. | Tracing of vehicle region and number plate detection using deep learning | |
CN113989179B (zh) | 基于目标检测算法的列车轮对踏面缺陷检测方法及*** | |
CN111027482B (zh) | 基于运动向量分段分析的行为分析方法及装置 | |
CN112307894A (zh) | 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法 | |
Chahyati et al. | Multiple human tracking using Retinanet features, Siamese neural network, and Hungarian algorithm | |
CN110363164A (zh) | 一种基于lstm时间一致性视频分析的统一方法 | |
CN111027602B (zh) | 一种多级结构目标检测方法及*** | |
CN110312103A (zh) | 一种基于云计算平台的高速设备防盗监控视频处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170718 |