CN107103303A - 一种基于gmm背景差分与联合特征的行人检测方法 - Google Patents

一种基于gmm背景差分与联合特征的行人检测方法 Download PDF

Info

Publication number
CN107103303A
CN107103303A CN201710284943.5A CN201710284943A CN107103303A CN 107103303 A CN107103303 A CN 107103303A CN 201710284943 A CN201710284943 A CN 201710284943A CN 107103303 A CN107103303 A CN 107103303A
Authority
CN
China
Prior art keywords
image
pedestrian
difference
gmm
backgrounds
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
Application number
CN201710284943.5A
Other languages
English (en)
Inventor
吴建德
郑锐
周唯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201710284943.5A priority Critical patent/CN107103303A/zh
Publication of CN107103303A publication Critical patent/CN107103303A/zh
Pending legal-status Critical Current

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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (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)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于GMM背景差分与联合特征的行人检测方法，属于视频监控与识别技术领域。本发明包括步骤：先使用混合高斯模型对视频图像的背景建模，得到背景图像之后与视频当前帧做差分运算，得出运动前景物体的位置，确定图像的待检测区域，再使用联合特征训练的分类器对待检测区域进行检测，最后得到行人的框图。本发明能够有效地缩小分类器滑动窗口的检索区域与减少分类器的检索次数，在确定运动目标的前提下迅速得到行人的具***置，针对群行人目标也有较好的检测效果，实验证明相对之前的方法达到了更好的效果。

Description

一种基于GMM背景差分与联合特征的行人检测方法
技术领域
本发明涉及一种基于GMM背景差分与联合特征的行人检测方法，属于视频监控与识别技术领域。
背景技术
行人作为交通及日常视频场景中出现最多的对象之一，对于视频自动识别技术的研究至关重要，所以近年来行人检测技术成为研究热点，在智能交通和智能安防等领域发展迅速。但是经过近十几年的发展行人检测技术虽然取得了一定的成绩，但是目前还没有一种行人检测***能够在任何环境和背景之下通用。
近年来基于机器学习与特征设计的行人检测方法已经成为行人检测领域的主流研究方向，设计的特征包括角点特征（haar），LBP（局部二值模式），edgelet（边缘特征），梯度方向直方图（HOG）等，而机器学习算法则主要采用支持向量机（SVM）和级联分类器（Adaboost），现有的行人检测技术有着检测速度慢，检出率不高，误检率较高等问题。
当前视频序列中运动物体的检测主要有帧差法和背景差法，而GMM背景差方法正是应用混合高斯模型方法为图像中的每个像素建立高斯背景模型展会，使用视频序列中出现概率较大点组成背景图像，具有背景清晰，运算速度能满足实时性等优点。
梯度方向直方图（Histogram of Oriented Gradient，HOG）是一种在计算机视觉和图像处理领域中用来进行物体检测的特征描述子，他通过计算和统计图像局部区域的梯度直方图来构成特征。HOG描述子最早由法国科学家Dalal提出，但是HOG描述子结合SVM机器学习算法训练的分类器对于图片的正确检出率不高，且在检测时检测效率较低，不能满足视频中实时性的要求。
发明内容
本发明提供了一种基于GMM背景差分与联合特征的行人检测方法，该方法针对传统的机器学习+特征描述子训练的分类器对于视频序列检测速度较慢的问题，检测正确率低，提出了一种结合视频图像物体运动信息的行人检测方法，先使用混合高斯模型对视频图像的背景建模，得到背景图像之后与视频当前帧做差分运算，得出运动前景物体的位置，确定图像的待检测区域，再使用联合特征训练的分类器对待检测区域进行检测，最后得到行人的框图。
所述方法的具体步骤如下：
Step1、采集视频序列图像；
Step2、对步骤Step 1中采集的序列图像应用混合高斯模型方法进行背景建模，得到背景图像；
Step3、将当前帧图像与背景帧图像做差分运算，得出差异图像区域，并对该差异区域做腐蚀，膨胀，最大化操作，对联通的区域进行最大化矩形区域得出一个矩形区域，将矩形区域的位置映射至当前帧图像，映射后当前帧的位置也就是行人待检测窗口；
Step4、使用基于HOG与LBP联合特征并采用支持向量机SVM方法训练的行人检测分类器以步骤Step3中得出的窗口位置为ROI，在当前帧图像上进行检测；
Step5、对当前帧中的行人待检测窗口进行多尺度检测，检出行人图像，并使用矩形框标出。
所述步骤Step2的背景图像提取的方法使用的是基于混合高斯模型的背景差分算法。
所述步骤Step3中对差异图像区域进行腐蚀膨胀操作后，在最大化操作中设定补偿值，将腐蚀后的区域进行联通，对接近的差异图像区域连通，即将满足补偿值的相邻差异图像区域进行联通。
所述的步骤Step3中，相邻区域的连通条件为，左右，上下相邻像素的距离均小于补偿值0.03（x+y），其中x为视频图像的像素宽度，y为视频图像的像素长度。
所述步骤Step4中， SVM方法训练出来的模型的检测原理为目标图像的ROI，即感兴趣区域。
所述的步骤Step5中，对图像的检测结果最终在原图像中呈现。
本发明的有益效果是：
1、相对于先前的单独使用模型对静态图片进行检测，本方法通过使用运动信息对行人大致位置进行判定，缩小窗口扫描的区域，大大减小检测时间，提高行人检测***的效率；
2、相对于先前单独使用混合高斯方法检测运动目标，本方法直接判别出行人分类，进一步提高运动目标检测的针对性；
3、相对于先前单独使用混合高斯模型方法会将整片区域群行人目标不加辨别的提取出来，本方法对群行人的单个行人目标分别给出具体的位置；
4、相对于传统方法增加了检测的准确度，在公共数据集的测试中提升约两个百分点；
5、本发明的单帧测试速度达到60ms，在不影响检测准确率的情况下基本满足实时性的要求。
附图说明
图1为本发明中的流程图；
图2为本发明得到的效果图。
具体实施方式
实施例1：如图1-2所示，一种基于GMM背景差分与联合特征的行人检测方法，
先使用混合高斯模型对视频图像的背景建模，得到背景图像之后与视频当前帧做差分运算，得出运动前景物体的位置，确定图像的待检测区域，再使用联合特征训练的分类器对待检测区域进行检测，最后得到行人的框图。
所述方法的具体步骤如下：
Step1、采集视频序列图像；
Step2、对步骤Step 1中采集的序列图像应用混合高斯模型方法进行背景建模，得到背景图像；
Step3、将当前帧图像与背景帧图像做差分运算，得出差异图像区域，并对该差异区域做腐蚀，膨胀，最大化操作，对联通的区域进行最大化矩形区域得出一个矩形区域，将矩形区域的位置映射至当前帧图像，映射后当前帧的位置也就是行人待检测窗口；
Step4、使用基于HOG与LBP联合特征并采用支持向量机SVM方法训练的行人检测分类器以步骤Step3中得出的窗口位置为ROI，在当前帧图像上进行检测；
Step5、对当前帧中的行人待检测窗口进行多尺度检测，检出行人图像，并使用矩形框标出。
作为本发明的优选方案，所述步骤Step2的背景图像提取的方法使用的是基于混合高斯模型的背景差分算法。
作为本发明的优选方案，所述步骤Step3中对差异图像区域进行腐蚀膨胀操作后，在最大化操作中设定补偿值，将腐蚀后的区域进行联通，对接近的差异图像区域连通，即将满足补偿值的相邻差异图像区域进行联通。
作为本发明的优选方案，所述的步骤Step3中，相邻区域的连通条件为，左右，上下相邻像素的距离均小于补偿值0.03（x+y），其中x为视频图像的像素宽度，y为视频图像的像素长度。
作为本发明的优选方案，所述步骤Step4中， SVM方法训练出来的模型的检测原理为目标图像的ROI，即感兴趣区域。
作为本发明的优选方案，所述的步骤Step5中，对图像的检测结果最终在原图像中呈现。
实施例2：如图1-2所示，一种基于GMM背景差分与联合特征的行人检测方法，如图1-2所示：所述的GMM背景建模差分与联合特征的行人检测方法，算法主要分为两个部分，一部分是提取视频中运动目标的运动特征作为待检测区域，一部分针对待检测区域使用联合特征训练的分类器进行检测，确定运动物体是否为行人。
如图1-2所示：所述的GMM背景建模差分与联合特征的行人检测方法，使用背景差分模型进行行人运动特征提取：使用GMM方法对背景进行实时建模，得到背景图像，背景图像能够相隔时间进行更新，以减弱光线变化和图像中微小扰动的影响。
如图1-2所示：所述的GMM背景建模差分与联合特征的行人检测方法，使用联合特征训练分类器进行待检测区域的检测，训练的特征分类器训练样本采用包括行人的正样本和不包括行人的负样本，使用支持向量机的方法对样本进行训练，得出分类器模型。
如图1-2所示：所述的GMM背景建模差分与联合特征的行人检测方法在提取运动特征过程中具体步骤为，当前帧与背景帧差分之后得到差分图像，对差分图像进行阈值化操作，在使用形态学闭操作对图像的断续处处理，得到不完全的矩形区域，对矩形区域进行补偿最终得到行人待检测区域。
如图1-2所示：所述的GMM背景建模差分与联合特征的行人检测方法的实现效果可以对相重合区域行人进行检测，有效缩小图片中的检索区域，提高检测速度。
表1 四种不同方法的准确率对比
表2 四种方法的运算速度对比
本发明能够有效地缩小分类器滑动窗口的检索区域与减少分类器的检索次数，在确定运动目标的前提下迅速得到行人的具***置，针对群行人目标也有较好的检测效果，实验证明相对之前的方法达到了更好的效果。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种基于GMM背景差分与联合特征的行人检测方法，其特征在于：先使用混合高斯模型对视频图像的背景建模，得到背景图像之后与视频当前帧做差分运算，得出运动前景物体的位置，确定图像的待检测区域，再使用联合特征训练的分类器对待检测区域进行检测，最后得到行人的框图。
2.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述方法的具体步骤如下：
Step1、采集视频序列图像；
Step2、对步骤Step 1中采集的序列图像应用混合高斯模型方法进行背景建模，得到背景图像；
Step3、将当前帧图像与背景帧图像做差分运算，得出差异图像区域，并对该差异区域做腐蚀，膨胀，最大化操作，对联通的区域进行最大化矩形区域得出一个矩形区域，将矩形区域的位置映射至当前帧图像，映射后当前帧的位置也就是行人待检测窗口；
Step4、使用基于HOG与LBP联合特征并采用支持向量机SVM方法训练的行人检测分类器以步骤Step3中得出的窗口位置为ROI，在当前帧图像上进行检测；
Step5、对当前帧中的行人待检测窗口进行多尺度检测，检出行人图像，并使用矩形框标出。
3.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述步骤Step2的背景图像提取的方法使用的是基于混合高斯模型的背景差分算法。
4.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述步骤Step3中对差异图像区域进行腐蚀膨胀操作后，在最大化操作中设定补偿值，将腐蚀后的区域进行联通对接近的差异图像区域连通。
5.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述的步骤Step3中，相邻区域的连通条件为，左右，上下相邻像素的距离均小于补偿值0.03（x+y），其中x为视频图像的像素宽度，y为视频图像的像素长度。
6.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述步骤Step4中， SVM方法训练出来的模型的检测原理为目标图像的ROI，即感兴趣区域。
7.根据权利要求1所述的基于GMM背景差分与联合特征的行人检测方法，其特征在于：所述的步骤Step5中，对图像的检测结果最终在原图像中呈现。
CN201710284943.5A 2017-04-27 2017-04-27 一种基于gmm背景差分与联合特征的行人检测方法 Pending CN107103303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710284943.5A CN107103303A (zh) 2017-04-27 2017-04-27 一种基于gmm背景差分与联合特征的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710284943.5A CN107103303A (zh) 2017-04-27 2017-04-27 一种基于gmm背景差分与联合特征的行人检测方法

Publications (1)

Publication Number Publication Date
CN107103303A true CN107103303A (zh) 2017-08-29

Family

ID=59658182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710284943.5A Pending CN107103303A (zh) 2017-04-27 2017-04-27 一种基于gmm背景差分与联合特征的行人检测方法

Country Status (1)

Country Link
CN (1) CN107103303A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010047A (zh) * 2017-11-23 2018-05-08 南京理工大学 一种结合样本一致性和局部二值模式的运动目标检测方法
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法
CN109359549A (zh) * 2018-09-20 2019-02-19 广西师范大学 一种基于混合高斯和hog_lbp的行人检测方法
CN109389152A (zh) * 2018-08-30 2019-02-26 广东工业大学 一种输电线路垂坠物的精细化识别方法
CN109785386A (zh) * 2017-11-14 2019-05-21 中国电信股份有限公司 物体识别定位方法和装置
CN112581492A (zh) * 2019-09-27 2021-03-30 北京京东尚科信息技术有限公司 一种运动目标检测方法和装置
CN112883906A (zh) * 2021-03-15 2021-06-01 珠海安联锐视科技股份有限公司 一种基于目标检测的人员状态分析方法
CN113343820A (zh) * 2021-05-31 2021-09-03 湖北微特传感物联研究院有限公司 一种行人检测方法、装置、计算机设备及存储介质
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663409A (zh) * 2012-02-28 2012-09-12 西安电子科技大学 一种基于hog-lbp描述的行人跟踪方法
CN103530638A (zh) * 2013-10-29 2014-01-22 无锡赛思汇智科技有限公司 多摄像头下的行人匹配方法
CN104268899A (zh) * 2014-09-22 2015-01-07 河海大学 基于帧间差分和背景差分的运动目标检测方法
CN105005773A (zh) * 2015-07-24 2015-10-28 成都市高博汇科信息科技有限公司 一种融合时域信息和空域信息的行人检测方法
CN105354548A (zh) * 2015-10-30 2016-02-24 武汉大学 一种基于ImageNet检索的监控视频行人重识别方法
CN106022231A (zh) * 2016-05-11 2016-10-12 浙江理工大学 一种基于多特征融合的行人快速检测的技术方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663409A (zh) * 2012-02-28 2012-09-12 西安电子科技大学 一种基于hog-lbp描述的行人跟踪方法
CN103530638A (zh) * 2013-10-29 2014-01-22 无锡赛思汇智科技有限公司 多摄像头下的行人匹配方法
CN104268899A (zh) * 2014-09-22 2015-01-07 河海大学 基于帧间差分和背景差分的运动目标检测方法
CN105005773A (zh) * 2015-07-24 2015-10-28 成都市高博汇科信息科技有限公司 一种融合时域信息和空域信息的行人检测方法
CN105354548A (zh) * 2015-10-30 2016-02-24 武汉大学 一种基于ImageNet检索的监控视频行人重识别方法
CN106022231A (zh) * 2016-05-11 2016-10-12 浙江理工大学 一种基于多特征融合的行人快速检测的技术方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGBIN ZENG 等: "Fast Human Detection Using Mi-SVM and a Cascade of HOG-LBP Features", 《PROCEEDINGS OF 2010 IEEE 17TH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
商磊 等: "基于密集光流的步态识别", 《大连理工大学学报》 *
徐渊 等: "结合SVM分类器与HOG特征提取的行人检测", 《计算机工程》 *
黄炎 等: "联合梯度直方图和局部二值模式特征的人体检测", 《光学精密工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785386A (zh) * 2017-11-14 2019-05-21 中国电信股份有限公司 物体识别定位方法和装置
CN108010047A (zh) * 2017-11-23 2018-05-08 南京理工大学 一种结合样本一致性和局部二值模式的运动目标检测方法
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法
CN109389152A (zh) * 2018-08-30 2019-02-26 广东工业大学 一种输电线路垂坠物的精细化识别方法
CN109359549A (zh) * 2018-09-20 2019-02-19 广西师范大学 一种基于混合高斯和hog_lbp的行人检测方法
CN112581492A (zh) * 2019-09-27 2021-03-30 北京京东尚科信息技术有限公司 一种运动目标检测方法和装置
CN112883906A (zh) * 2021-03-15 2021-06-01 珠海安联锐视科技股份有限公司 一种基于目标检测的人员状态分析方法
CN113343820A (zh) * 2021-05-31 2021-09-03 湖北微特传感物联研究院有限公司 一种行人检测方法、装置、计算机设备及存储介质
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

Similar Documents

Publication Publication Date Title
CN107103303A (zh) 一种基于gmm背景差分与联合特征的行人检测方法
Wei et al. Multi-vehicle detection algorithm through combining Harr and HOG features
WO2018072233A1 (zh) 一种基于选择性搜索算法的车标检测识别方法及***
CN105930791B (zh) 基于ds证据理论的多摄像头融合的路面交通标志识别方法
Greenhalgh et al. Recognizing text-based traffic signs
Alvarez et al. 3D scene priors for road detection
Pan et al. A robust system to detect and localize texts in natural scene images
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
CN106384345B (zh) 一种基于rcnn的图像检测以及流量统计方法
CN104978567A (zh) 基于场景分类的车辆检测方法
Liang et al. Moving object classification using a combination of static appearance features and spatial and temporal entropy values of optical flows
CN103310194A (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
Masita et al. Pedestrian detection using R-CNN object detector
CN103020614A (zh) 基于时空兴趣点检测的人体运动识别方法
Deng et al. Detection and recognition of traffic planar objects using colorized laser scan and perspective distortion rectification
Elbamby et al. Real-time automatic multi-style license plate detection in videos
Hou et al. A cognitively motivated method for classification of occluded traffic signs
CN103077383B (zh) 基于时空梯度特征的分部位的人体运动识别方法
Lin et al. A traffic sign recognition method based on deep visual feature
CN112347967B (zh) 一种复杂场景下融合运动信息的行人检测方法
Zhang et al. Pedestrian detection aided by fusion of binocular information
Lokkondra et al. DEFUSE: deep fused end-to-end video text detection and recognition
CN107609454A (zh) 一种识别图像中的手势的方法及装置
Feng et al. Non-motor vehicle illegal behavior discrimination and license plate detection based on real-time video

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: 20170829