CN108764110B - 基于hog特征行人检测器的递归错检校验方法、***及设备 - Google Patents
基于hog特征行人检测器的递归错检校验方法、***及设备 Download PDFInfo
- Publication number
- CN108764110B CN108764110B CN201810500871.8A CN201810500871A CN108764110B CN 108764110 B CN108764110 B CN 108764110B CN 201810500871 A CN201810500871 A CN 201810500871A CN 108764110 B CN108764110 B CN 108764110B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- target
- detection
- frame
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012795 verification Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
基于HOG特征行人检测器的递归错检校验方法、***及设备，属于车载辅助驾驶技术领域，为了解决车载单目摄像头行人检测中的行人目标错检的问题，计算行人目标框坐标
对应所包围的像素面积
和
的比值，并限定该比值落入的不同取值范围中，至少包括一种范围，其表示目标数据无法确定，比值落入该范围，则将行人检测框坐标
所对应的行人目标图像
作为待校验的行人目标图像
循环执行步骤S2～步骤S4之后，直至所述比值不再落入表示目标数据无法确定的范围。效果是通过递归结构计算，使***能够排除在实际应用中，因拍摄镜头角度、拍摄场景光照不均匀等因素导致的检测错误情况。
Description
技术领域
本发明属于车载辅助驾驶技术领域，具体涉及一种基于递归结构的行人目标校验方法。
背景技术
随着无人车时代的来临，行人检测相关的处理技术也成为了热点研究方向之一。基于HOG特征的行人检测器具有较高的计算精度和较低的复杂度而成为机器学习中的热门工具。这一类检测器数量众多，结构易于理解，但却由于待检测图像会因不同场景差异、不均匀光线、密集遮挡物等一系列因素导致检测信息的复杂程度提升，很容易使行人的特征信息出现误检现象，降低检测***的准确性。基于HOG特征的行人检测方法通过对采集的图像信息进行滤波、时频域转换等处理，得到置信度较高的行人特征从而完成对行人目标的检测。由于车载摄像头面对的环境较为多变，特征算法需要在算法复杂度较高、计算量较大的前提条件下才能够有效应对各种特殊情况中出现的行人目标框错检现象，难以在达到准确性的同时确保实时性。
对于上述的特殊、复杂场景条件，可以通过例如多检测器融合法、基于部件模型检测法、基于组合特征算法等不同的针对性算法来保证***的准确性，但针对性算法仅对特殊场景有功效，在无遮挡物、行人与背景区分度较高、正确标定行人目标较简单的非特殊场景下进行针对性算法运算时会带来不必要的运算时间，降低了算法的实时性，给行人检测***的实用性带来极大的影响，因此针对行人目标标定框错误现象，本发明提出基于HOG特征行人检测器的递归错检校验方法、***及设备的方法来进行有效地校验结果是否正确。为后续车载辅助驾驶等应用，给出明确地行人检测结果，尽可能地去除错误行人检测结果。
发明内容
为了解决车载单目摄像头行人检测中的行人目标错检的问题，本发明提供了一种针对HOG特征的行人目标递归校验方法。该方法能够改善HOG特征的边缘梯度特征，有效地降低错检行人概率，提高行人检测***的准确性和实用性。
本发明是通过以下技术方案实现的：
一种基于HOG特征行人检测器的递归错检校验方法，包括如下步骤：
S1.HOG特征行人检测***F输出行人检测框坐标Bi n及与其所对应行人目标图像Pi n；
S2.待校验的行人目标图像Pi n被锐化处理，并作为新的待检测图像输入HOG特征行人检测***F；
S3.HOG特征行人检测***F输出新的行人检测框坐标
和与其所对应的行人目标图像Pi n+1；
S4.计算行人目标框坐标
对应所包围的像素面积
和
的比值，并限定该比值落入的不同取值范围中，至少包括一种范围，其表示目标数据无法确定，比值落入该范围，则将行人检测框坐标对
所对应的行人目标图像Pi n+1作为待校验的行人目标图像Pi n，循环执行步骤S2～步骤S4之后，直至所述比值不再落入表示目标数据无法确定的范围。
进一步的，锐化处理待校验行人目标图像Pi n的具体算式为：
其中Kz表示核函数。
进一步的，Kz定义为：
Kz＝(Ku+LoG*Ku)，Ku＝h|xi-x|
该式中，LoG为拉普拉斯-高斯滤波器，*符号表示卷积计算，Ku表示独立适应性锐化参数，x表示原检测***HOG检测器输出的局部特征参数，xi表示x领域部分的特征参数，h表示面积平滑参数，初始值为1。
进一步的，行人目标框坐标对
对应所包围的像素面积
和
的比值：
当10％≤r＜60％，为目标数据无法确定。
一种基于HOG特征行人检测器的递归错检校验***，存储有多条指令，所述指令适于处理器加载并执行：
S1.HOG特征行人检测***F输出行人检测框坐标
及与其所对应行人目标图像Pi n；
S2.待校验的行人目标图像Pi n被锐化处理，并作为新的待检测图像输入HOG特征行人检测***F；
S3.HOG特征行人检测***F输出新的行人检测框坐标
和与其所对应的行人目标图像Pi n+1；
S4.计算行人目标框坐标
对应所包围的像素面积
和
的比值，并限定该比值落入的不同取值范围中，至少包括一种范围，其表示目标数据无法确定，比值落入该范围，则将行人检测框坐标
所对应的行人目标图像Pi n+1作为待校验的行人目标图像Pi n，循环执行步骤S2～步骤S4之后，直至所述比值不再落入表示目标数据无法确定的范围。
进一步的，锐化处理待校验行人目标图像Pi n的具体算式为：
其中Kz表示核函数。
进一步的，Kz定义为：
Kz＝(Ku+LoG*Ku)，Ku＝h|xi-x|
该式中，LoG为拉普拉斯-高斯滤波器，*符号表示卷积计算，Ku表示独立适应性锐化参数，x表示原检测***HOG检测器输出的局部特征参数，xi表示x领域部分的特征参数，h表示面积平滑参数，初始值为1。
进一步的，行人目标框坐标
和行人检测框坐标
对应所包围的像素面积
和
的比值：
当10％≤r＜60％，为目标数据无法确定。
一种基于HOG特征行人检测器的递归错检校验的设备，包括HOG特征行人检测***、判决模块、锐化处理模块；待校验的行人目标图像Pi n是HOG特征行人检测***输出的与行人检测框坐标
所对应行人目标图像，待校验的行人目标图像Pi n被锐化处理模块锐化处理，作为新的待检测图像输入所述HOG特征行人检测***，HOG特征行人检测***输出新的行人检测框坐标
以及与其所对应的行人目标图像Pi n+1；判决模块计算行人目标框坐标
对应所包围的像素面积
和
的比值，并限定该比值落入的不同取值范围中，至少包括一种范围，其表示目标数据无法确定，比值落入该范围，则将行人检测框坐标
所对应的行人目标图像Pi n+1作为待校验的行人目标图像Pi n以递归校验，直至所述比值不再落入表示目标数据无法确定的范围。
进一步的，由
和
的比值落入的范围还包括表示目标数据确认为正确的行人目标检测结果、目标数据确认为错误的行人目标检测结果。
有益效果：(1)本发明将递归结构运用于HOG特征行人检测***的输出结果，让原有的输出结果经锐化处理后作为反馈重新输入行人检测***，不改变现有HOG特征行人检测器的结构，并且可以将行人检测中由于算法精度不高、输入图像场景过于复杂以及不相干特性信息等因素而导致的错检行人标定框进行有效去除，提升行人检测***的准确度；(2)通过递归结构计算，使***能够排除在实际应用中，因拍摄镜头角度、拍摄场景光照不均匀等因素导致的检测错误情况；(3)锐化处理算法可以有效地让检测器重新启动监测机制，避免固定输出同一个检测结果，在待检测图像的背景、遮挡物特征信息并不复杂的普通环境下节约了额外进行校验算法的计算时间，提升了行人检测***的时效性；(4)本发明在递归校验运算并去除错检行人标定框的同时，能够有效地降低错检目标数量，为后续实际应用提供良好的行人目标检测结果。
附图说明
图1是递归结构行人目标校验方法的原理逻辑图
图2是实施实例1的待检测图像
图3是实例1未经递归校验计算而得到的检测输出图像
图4是实例1经递归校验计算得到的检测输出图像
图5是实施实例2的待检测图像
图6是实例2未经递归校验计算而得到的检测输出图像
图7是实例2经递归校验计算得到的检测输出图像
图8是实施实例3的待检测图像
图9是实例3未经递归校验计算而得到的检测输出图像
图10是实例3经递归校验计算得到的检测输出图像
图11是实施实例4的待检测图像
图12是实例4未经递归校验计算而得到的检测输出图像
图13是实例4经递归校验计算得到的检测输出图像
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
一种基于HOG特征行人检测器的递归错检校验方法，其递归结构行人检测方法的原理逻辑图如图1所示，该算法具体实施步骤如下：
第1步，将车载单目摄像头得到的实时视频图像分解成连续帧序列，对每一帧图像都送入HOG特征的行人检测器得到输出结果，包括行人检测框坐标对
与其所对应的行人目标图像Pi n；
第2步，对待校验行人目标图像Pi n进行图像锐化处理计算Sa后，重新送入行人检测***中，再次得到检测数据输出，该输出数据包括行人目标框坐标对
与其所对应的行人目标图像Pi n+1；
第3步，对比行人检测框坐标对
和行人目标框坐标对
所围面积的比值r，当r大于等于60％时，该目标确定为行人目标，将结果保留送至输出；当r小于10％时，该目标确定为非行人目标，将该目标检测结果删去；当r小于60％且大于等于10％时，该目标不确定状态，需要再次递归校验，即重复第2步～第3步的步骤。
具体的，基于HOG特征行人检测器的递归错检校验方法，其内容如下：
第1步，将车载单目摄像头得到的实时视频图像，作为该方法的输入，提供给HOG特征行人检测器F，得到检测***输出数据，该输出数据包括行人检测框坐标对
与其所对应的行人目标图像Pi n，其中
为行人目标检测框左上角坐标和右下角坐标(单位：像素)，Pi n为
坐标对所确定的图像，i为HOG特征检测器输出的目标数量；
第2步，对待校验行人目标图像Pi n，引入锐化核函数进行图像锐化处理计算Sa，具体算式为：
其中Kz表示核函数，定义为：
Kz＝(Ku+LoG*Ku)，Ku＝h|xi-x|
这里，LoG为拉普拉斯-高斯滤波器，*符号表示卷积计算，Ku表示独立适应性锐化参数，x表示原检测***HOG检测器输出的局部特征参数，xi表示x领域部分的特征参数，h表示面积平滑参数，初始值为1。
第3步，将处理后的行人目标图像Pi n作为新的待检测图像，重新输入至HOG特征行人检测***F，得到输出行人检测框坐标对
和行人目标图像Pi n+1；
第4步，分别计算行人目标框坐标对
和行人检测框坐标对
所包围的像素面积
和
并利用如下公式计算其比值：
(1)当r≥60％时，目标数据确认为正确行人目标检测结果，确定该目标是有效的行人检测结果，保留该行人检测框坐标
和对应的行人目标图像Pi n结果，将该正确结果输出后，从递归校验过程中删去该行人检测框坐标对
和行人目标图像Pi n+1，跳转至第6步；
(2)当r＜10％时,目标数据确认为错误的行人目标检测结果，确定该目标是无效的检测结果，将该行人检测框坐标
和对应的行人目标图像Pi n从递归检验过程中删去，跳转至第6步；
(3)当10％≤r＜60％，目标数据无法确定，将该行人检测框坐标
和对应的行人目标图像Pi n送入递归循环进行下一次检测校验，跳转至第5步；
第5步，将待检验目标数据作为输入数据从第2步开始并循环；
第6步，由终止判决条件决定递归终止。
由上述，本发明提出一种利用递归结构来校验行人检测结果中的错误目标是否正确的方法，即找到一个基于HOG特征的行人检测器输出里，哪些检测框里面包含有真的行人，哪些检测框里面包含的不是行人。对于确定的行人目标结果要正确保留并加以输出，而对于错误的行人检测结果要删除，避免输出错误结果，影响到行人检测***的后续其他应用。
现有技术中公开与本公开相关的方案如下：
2015年，张敏霞，武芳等人提出的《基于边缘对称性和IULBP的行人检测方法》，输入的图像进行垂直边缘完成行人初步检测，使用引入等价局部二值模式对边缘提升，实现行人目标检测效果的提升。不同点在于，本发明仅采用特定模板的基本边缘提升方法，其目的在于重启行人检测***，避免检测器陷入统一结果输出而无法完成校验功能。
2016年，张强等人《一种改进约束条件的简化非极大值抑制》一文中提及的误检是由于非极大值抑制时对于较小的行人目标进行了错误地删除，通过增加相应的非极大值抑制约束条件来找回错误删除的行人检测框。不同点在于，本发明是要从全部行人检测框中挑出哪些是正确的，哪些是错误的，有效地提高行人检测算法的输出正确率。
2017年，发明专利申请《一种基于权重的非极大值抑制的方法及装置》(公开号：CN107301431A)，公开了能够消除多个重叠的同一目标的冗余目标框，而这些冗余都来自于同一个目标，与该目标是否为错误目标完全没有任何关系。不同点在于，本发明是要解决错误的检测，而不是一个目标的多个冗余检测框。在基于HOG特征的行人检测过程中发现，非行人也存在多个冗余检测框现象，去冗余的方法仅仅去掉了重复，并没有解决错误的检测框存在问题。
实施例1：
室外单人环境行人标定框错检情况
本实施例针对室外单人环境实际待检测图像特征信息复杂导致输出的行人目标框错检现象，将本发明应用于图2作为输入行人检测***的待检测图像情况下，图3为未开始递归运算时带有错检行人目标框的输出结果，图4为递归计算校验后成功去除错检行人目标框的输出结果。
实施例2：
室内单人情况行人标定框错检情况
本实施例针对室内单人情况待检测图像特征信息复杂导致输出的行人目标框错检现象，将本发明应用于图5作为输入行人检测***的待检测图像情况下，图6为未开始递归运算时带有错检行人目标框的输出结果，图7为递归计算校验后成功去除错检行人目标框的输出结果。
实施例3：
室外多人环境行人标定框错检情况
本实施例针对室外多人环境实际待检测图像特征信息复杂导致输出的行人目标框错检现象，将本发明应用于图8作为输入行人检测***的待检测图像情况下，图9为未开始递归运算时带有错检行人目标框的输出结果，图10为递归计算校验后成功去除错检行人目标框的输出结果。
实施例4：
室内多人环境行人标定框错检情况
本实施例针对室内多人环境实际待检测图像特征信息复杂导致输出的行人目标框错检现象，将本发明应用于图11作为输入行人检测***的待检测图像情况下，图12为未开始递归运算时带有错检行人目标框的输出结果，图13为递归计算校验后成功去除错检行人目标框的输出结果。
以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。
Claims (1)
1.基于HOG特征行人检测器的递归错检校验方法，其特征在于，包括如下步骤：
S1.HOG特征行人检测***F输出行人检测框坐标
及与其所对应行人目标图像Pi n，
为行人目标检测框左上角坐标和右下角坐标；
S2.待校验的行人目标图像Pi n被锐化处理计算Sa，并作为新的待检测图像输入HOG特征行人检测***F；
S3.HOG特征行人检测***F输出新的行人检测框坐标
和与其所对应的行人目标图像Pi n+1，
为行人目标检测框左上角坐标和右下角坐标；
S4.计算行人目标框坐标
对应所包围的像素面积
和
的比值，并限定该比值落入的不同取值范围中，至少包括一种范围，其表示目标数据无法确定，比值落入该范围，则将行人检测框坐标对Bi n+1所对应的行人目标图像Pi n+1作为待校验的行人目标图像Pi n，循环执行步骤S2～步骤S4之后，直至所述比值不再落入表示目标数据无法确定的范围；
对比行人检测框坐标对
和行人目标框坐标对
所围面积的比值r，当r大于等于60％时，该目标确定为行人目标，将结果保留送至输出；当r小于10％时，该目标确定为非行人目标，将该目标检测结果删去；当r小于60％且大于等于10％时，该目标不确定状态；
锐化处理待校验行人目标图像Pi n的具体算式为：
其中Kz表示核函数；
Kz定义为：
Kz＝(Ku+LoG*Ku)，Ku＝h|xi-x|
该式中，LoG为拉普拉斯-高斯滤波器，*符号表示卷积计算，Ku表示独立适应性锐化参数，x表示原检测***HOG检测器输出的局部特征参数，xi表示x领域部分的特征参数，h表示面积平滑参数，初始值为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810500871.8A CN108764110B (zh) | 2018-05-23 | 2018-05-23 | 基于hog特征行人检测器的递归错检校验方法、***及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810500871.8A CN108764110B (zh) | 2018-05-23 | 2018-05-23 | 基于hog特征行人检测器的递归错检校验方法、***及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764110A CN108764110A (zh) | 2018-11-06 |
| CN108764110B true CN108764110B (zh) | 2021-03-23 |
Family
ID=64004893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810500871.8A Expired - Fee Related CN108764110B (zh) | 2018-05-23 | 2018-05-23 | 基于hog特征行人检测器的递归错检校验方法、***及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764110B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192290B (zh) * | 2019-12-05 | 2023-06-30 | 大连民族大学 | 行人图像检测的分块处理方法 |
| CN112667843B (zh) * | 2021-01-18 | 2024-06-18 | 马瑞利汽车电子(广州)有限公司 | 一种图像输出校验方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768726A (zh) * | 2011-05-06 | 2012-11-07 | 香港生产力促进局 | 一种预防行人碰撞的行人检测方法 |
| CN105975929A (zh) * | 2016-05-04 | 2016-09-28 | 北京大学深圳研究生院 | 一种基于聚合通道特征的快速行人检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
| CN107273870A (zh) * | 2017-07-07 | 2017-10-20 | 郑州航空工业管理学院 | 一种监控场景下融合上下文信息的行人位置检测方法 |
-
2018
- 2018-05-23 CN CN201810500871.8A patent/CN108764110B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768726A (zh) * | 2011-05-06 | 2012-11-07 | 香港生产力促进局 | 一种预防行人碰撞的行人检测方法 |
| CN105975929A (zh) * | 2016-05-04 | 2016-09-28 | 北京大学深圳研究生院 | 一种基于聚合通道特征的快速行人检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Recursive Coarse-to-Fine Localization for Fast Object Detection;Pedersoli M等;《Computer Vision-eccv -european Conference on Computer Vision》;20141231;第1-14页 * |
| 基于DM8127的行人检测智能前端设计与实现;龚燕冰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115;第10-50页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764110A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8385630B2 (en) | System and method of processing stereo images | |
| CN110378837B (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
| US11461997B2 (en) | Matching method and apparatus, electronic device, computer-readable storage medium, and computer program | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| KR102552968B1 (ko) | 다중 객체 추적 방법 및 이를 위한 장치 | |
| CN108764110B (zh) | 基于hog特征行人检测器的递归错检校验方法、***及设备 | |
| WO2021205219A1 (en) | Matching method and apparatus, electronic device, computer-readable storage medium, and computer program | |
| CN116342953A (zh) | 基于残差收缩注意力网络的双模态目标检测模型及方法 | |
| CN116092086A (zh) | 一种机床数据面板字符提取识别方法、***、装置和终端 | |
| CN114724246A (zh) | 危险行为识别方法及装置 | |
| CN108921015B (zh) | 基于递归结构车载单目摄像头下行人目标校验算法及*** | |
| CN111738085B (zh) | 实现自动驾驶同时定位与建图的***构建方法及装置 | |
| CN117671299A (zh) | 一种回环检测方法、装置、设备及存储介质 | |
| CN112949785A (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
| CN117197449A (zh) | 一种基于rgb-d语义分割的slam构建方法及*** | |
| CN109741370B (zh) | 一种目标跟踪方法和装置 | |
| CN115049731A (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
| KR20220144456A (ko) | Svm 원 영상을 기반으로 근접 주행 환경을 인식하는 방법 및 시스템 | |
| CN112686155A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
| WO2019228195A1 (zh) | 空间环境的感知方法及装置 | |
| KR20200106111A (ko) | 가우시안 특징점맵과 회귀 기법을 이용한 얼굴 특징점 검출 장치 및 방법 | |
| CN113099210B (zh) | 三维图像还原方法、装置、计算机设备和存储介质 | |
| CN116128734B (zh) | 一种基于深度学习的图像拼接方法、装置、设备和介质 | |
| CN117115145B (zh) | 检测方法及装置、电子设备、计算机可读介质 | |
| Zahari et al. | Stereo matching algorithm for autonomous vehicle navigation using integrated matching cost and non-local aggregation |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210323 |