CN108764311A - 一种遮挡目标检测方法、电子设备、存储介质及*** - Google Patents

一种遮挡目标检测方法、电子设备、存储介质及*** Download PDF

Info

Publication number
CN108764311A
CN108764311A CN201810474758.7A CN201810474758A CN108764311A CN 108764311 A CN108764311 A CN 108764311A CN 201810474758 A CN201810474758 A CN 201810474758A CN 108764311 A CN108764311 A CN 108764311A
Authority
CN
China
Prior art keywords
image
multifactor
model
bayesian model
detection
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.)
Withdrawn
Application number
CN201810474758.7A
Other languages
English (en)
Inventor
陈鑫
叶淑阳
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.)
Tao Ran Horizon (hangzhou) Technology Co Ltd
Original Assignee
Tao Ran Horizon (hangzhou) Technology Co Ltd
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 Tao Ran Horizon (hangzhou) Technology Co Ltd filed Critical Tao Ran Horizon (hangzhou) Technology Co Ltd
Priority to CN201810474758.7A priority Critical patent/CN108764311A/zh
Publication of CN108764311A publication Critical patent/CN108764311A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种遮挡目标检测方法，包括：获取待测目标图像及预设数据库中的训练数据集；采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型。本发明提供的一种遮挡目标检测方法，通过采用贝叶斯框架构建多因素贝叶斯模型，再对贝叶斯模型进行训练优化处理得到已优化的贝叶斯模型，最后使用已优化贝叶斯模型对待测目标图像进行检测并得到精准的检测结果，使用多因素的贝叶斯模型避免了因为待测目标图像中的目标物之间出现遮挡或目标物被遮挡出现的待测目标图像信息损失造成漏检的现象。

Description

一种遮挡目标检测方法、电子设备、存储介质及***
技术领域
本发明涉及图像检测领域，尤其涉及一种遮挡目标检测方法、电子设备、存储介质及***。
背景技术
目标检测是通过提取目标的可判别特征，训练获得区分目标和背景的分类器，在图像中确定目标位置的过程。目标检测在视频监控、图像检索等领域有着广泛的应用价值。然而，由于真实世界中多目标之间复杂的空间位置关系，成像过程中存在大量的遮挡现象，致使目标检测丢失；现有方法在处理遮挡时，通常使用位置和遮挡类型，如规则网格的区域外观验证、网格二值可见性标记等；这种对于有遮挡状况下的目标检测是估测目标物的可见性，但是会出现对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种有遮挡的目标物检测方法，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。
本发明的目的之二在于提供一种电子设备，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。
本发明的目的之三在于提供一种存储介质，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。
本发明的目的之四在于提供一种遮挡目标检测方法，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。
本发明的目的之一采用以下技术方案实现：
一种遮挡目标检测方法，包括：
图像获取，获取待测目标图像及预设数据库中的训练数据集；
构建检测模型，采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；
权重优化学习，将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；
目标检测，将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。
进一步地，所述检测因素包括外观因素、形变因素及可见性因素，所述多因素贝叶斯模型包括外观项子模型、形变项子模型以及可见性项子模型。
进一步地，所述外观项子模型用于分析所述目标图像的外观相似度，所述形变项子模型用于分析所述目标图像的位置偏离程度，所述可见性项子模型用于描述所述目标图像在遮挡时引起的图像损失。
进一步地，所述对所述多因素贝叶斯模型进行优化处理具体为：采用最大化曲线下方面积学习所述多因素贝叶斯模型中的系数，采用贪婪算法对所述多因素贝叶斯模型中的所述检测因素的权重进行优化。
进一步地，在所述构建检测模型之前还包括图像预处理，根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。
本发明的目的之二采用以下技术方案实现：
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行本发明的一种遮挡目标检测方法。
本发明的目的之三采用以下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行本发明的一种遮挡目标检测方法。
本发明的目的之四采用以下技术方案实现：
一种遮挡目标检测***，包括：
图像获取模块，所述图像获取模块用于获取待测目标图像及预设数据库中的训练数据集；
构建检测模型模块，所述构建检测模型模块用于采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；
权重优化模块，所述权重优化模块用于将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；
目标检测模块，所述目标检测模块用于将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。
进一步地，还包括图像预处理模块，所述图像预处理模块用于根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。
进一步地，所述图像预处理模块包括灰度变换单元、滤波单元以及纹理消除单元，所述灰度变换单元用于根据加权平均法对所述待测目标图像进行灰度变换处理；所述滤波单元用于根据加权平均法对所述待测目标图像进行滤波处理；所述纹理消除单元用于根据加权平均法对所述待测目标图像进行纹理消除处理。
相比现有技术，本发明的有益效果在于：本发明的一种遮挡目标检测方法，包括获取待测目标图像及预设数据库中的训练数据集；采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果；本发明通过采用贝叶斯框架构建多因素贝叶斯模型，再对贝叶斯模型进行训练优化处理得到已优化的贝叶斯模型，最后使用已优化贝叶斯模型对待测目标图像进行检测并得到精准的检测结果，使用多因素的贝叶斯模型避免了因为待测目标图像中的目标物之间出现遮挡或目标物被遮挡出现的待测目标图像信息损失造成漏检的现象，在待测目标物图像中的目标物之间存在遮挡时也能最大化的采集到待测目标图像中的目标物特征并进行有效的识别，避免了目标物漏检的现象，提高了检测的精准率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的一种遮挡目标检测方法的流程图；
图2为本发明的一种遮挡目标检测***的模块框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在本发明实施例中的一种遮挡目标检测方法应用于对目标检测方面，特别是目标图像中出现多个子目标，且子目标之间出现遮挡现象，例如：在目标图像中包括动物和人，由于动物和人的位置关系，动物遮挡了人体的部分特征；本发明的一种遮挡目标检测方法，如图1所示，具体包括以下步骤：
图像获取，获取待测目标图像及预设数据库中的训练数据集；获取用于训练检测模型的训练数据集，本实施例中的预设数据库为PASCAL数据库，训练数据集包括若干张真实场景的图像。
图像预处理，根据加权平均法对待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理；先对待测目标图像进行灰度变换处理，对经过灰度变换处理后的待测目标图像进行均值滤波处理，经过灰度变换处理和滤波处理后的待测目标图像会存在一些字符带有阴影线，因此采用为了消除阴影线的影响，对待测目标图像进行纹理消除处理，本实施例中采用形态学的膨胀与收缩操作以降低阴影线的影响，膨胀操作为将待测目标图像中的每个像素的灰度值用它的领域内的像素中的灰度最大值替代，收缩即与膨胀相反，将待测驾驶证图像中各个像素的灰度值用它的领域内的像素中的灰度最小值替代。
构建检测模型，采用贝叶斯框架评价检测因素的重要性及对检测因素进行因素融合并得到多因素贝叶斯模型，本实施例中的检测因素包括外观因素、形变因素及可见性因素，多因素贝叶斯模型包括外观项子模型、形变项子模型以及可见性子模型；外观项子模型用于分析目标图像的外观相似度，形变项子模型用于分析目标图像的位置偏离程度，可见性项子模型用于描述目标图像在遮挡时引起的图像损失。本实施例中采用贝叶斯框架来评价外观因素、形变因素和可见性因素的重要性，将上述外观项因素中的外观率转化为能量函数形式，将形变项因素中的形变率转化为能量函数形式进行表达，将可见性项因素中的目标损失率转化为能量函数形式，在可见项因素的转化中不考虑外观退化因素。
权重优化学习，将训练集数据输入至多因素贝叶斯模型中并对多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型，本实施例中采用最大化曲线下方面积学习多因素贝叶斯模型中的系数，采用贪婪算法对多因素贝叶斯模型中的检测因素的权重进行优化。
目标检测，将待测目标图像输入至已优化贝叶斯模型中进行检测并得到检测结果，将经过图像预处理的待测目标图像输入值已优化贝叶斯模型中进行检测，最后得到检测结果，本实施例中的检测结果即提取最多目标的特征图像，即在待测目标图像中包含有遮挡的目标时，也尽可能的提取到没有被遮挡的部分，确保不会因为遮挡而存在特征丢失，目标图像漏的状况，并对特征图像进行识别，此种在视频监控领域的运用十分广泛，避免了因为遮挡而遗漏监控区域的目标对象。
本实施例还提供了对上述的遮挡目标检测方法的试验验证数据，为了评价本文所提出的多因素贝叶斯模型即MFB(Multi-factor Bayesian Model)在通用目标中的检测效果，我们在预设测试数据集上进行实验，并与Grammar模型、Poselet模型、部件模型、HSC模型和LS-HOGLBP模型作对比，其中Grammar模型和Poselet模型能够有效处理目标检测中的遮挡现象，而部件模型、HSC模型和LS-HOGLBP模型是当前先进的基于部件的目标检测模型。预设测试数据集包含2501张真实场景的图像，表1给出了多因素贝叶斯模型(MFB)与Grammar模型、Poselet模型在目标图像识别中遮挡目标检测结果；
表1：不同模型对遮挡目标图像检测的查准率
模型 Grammar模型 Poselet模型 MFB模型
平均查准率(％) 46.7 48.5 50.2
从上述表1中看出本发明申请采用的多因素贝叶斯模型的表现优于当前先进的遮挡检测方法。进一步具体分析可以得到如下结论：(1)、Poselet模型的检测精度比Grammar模型高出1.8％，这是因为Grammar模型在处理遮挡时仅关注部件的外观评价。而Poselet模型从空间布局中入手利用3D点注释选择一致的动作部件，避免了外观本身所具有的歧义性。(2)多因素贝叶斯模型(MFB)在行人检测上的表现比Poselet模型提高了1.7％，这是因为不同于以上两种模型，多因素贝叶斯模型(MFB)不仅考虑了部件可见性的物理度量，且通过贝叶斯框架将其与外观，形变因素相结合，采用权重优化学习，发挥了各个因素之间互补作用，从而能够更加有效地处理遮挡情况下的目标检测。根据上述实验数据验证，针对遮挡检测不准确的情况，本发明提出的遮挡目标检测方法根据可见性，并融合外观，形变因素扩展对待测目标图像进行检测描述，解决遮挡情况下由信息损失造成的漏检；本发明采用贝叶斯框架将外观、形变、遮挡多因素融合，并使用目标检测中的最大化曲线下方面积的评价指标对多因素的权重进行联合优化。
本发明提供了一种电子设备，包括：处理器；
存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行本发明的一种遮挡目标检测方法。
本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行本发明的一种遮挡目标检测方法。
本发明提供了一种遮挡目标检测***，如图2所示，具体包括：
图像获取模块，图像获取模块用于获取待测目标图像及预设数据库中的训练数据集；构建检测模型模块，构建检测模型模块用于采用贝叶斯框架评价检测因素的重要性及对检测因素进行因素融合并得到多因素贝叶斯模型；权重优化模块，权重优化模块用于将训练集数据输入至多因素贝叶斯模型中并对多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；目标检测模块，目标检测模块用于将待测目标图像输入至已优化贝叶斯模型中进行检测并得到检测结果。还包括图像预处理模块，图像预处理模块用于根据加权平均法对待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。图像预处理模块包括灰度变换单元、滤波单元以及纹理消除单元，灰度变换单元用于根据加权平均法对待测目标图像进行灰度变换处理；滤波单元用于根据加权平均法对待测目标图像进行滤波处理；纹理消除单元用于根据加权平均法对待测目标图像进行纹理消除处理。
本发明的一种遮挡目标检测方法，包括获取待测目标图像及预设数据库中的训练数据集；采用贝叶斯框架评价检测因素的重要性及对检测因素进行因素融合并得到多因素贝叶斯模型；将训练集数据输入至多因素贝叶斯模型中并对多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；将待测目标图像输入至已优化贝叶斯模型中进行检测并得到检测结果；本发明通过采用贝叶斯框架构建多因素贝叶斯模型，再对贝叶斯模型进行训练优化处理得到已优化的贝叶斯模型，最后使用已优化贝叶斯模型对待测目标图像进行检测并得到精准的检测结果，使用多因素的贝叶斯模型避免了因为待测目标图像中的目标物之间出现遮挡或目标物被遮挡出现的待测目标图像信息损失造成漏检的现象，在待测目标物图像中的目标物之间存在遮挡时也能最大化的采集到待测目标图像中的目标物特征并进行有效的识别，避免了目标物漏检的现象，提高了检测的精准率。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.一种遮挡目标检测方法，其特征在于包括：
图像获取，获取待测目标图像及预设数据库中的训练数据集；
构建检测模型，采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；
权重优化学习，将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；
目标检测，将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。
2.如权利要求1所述的一种遮挡目标检测方法，其特征在于：所述检测因素包括外观因素、形变因素及可见性因素，所述多因素贝叶斯模型包括外观项子模型、形变项子模型以及可见性项子模型。
3.如权利要求2所述的一种遮挡目标检测方法，其特征在于：所述外观项子模型用于分析所述目标图像的外观相似度，所述形变项子模型用于分析所述目标图像的位置偏离程度，所述可见性项子模型用于描述所述目标图像在遮挡时引起的图像损失。
4.如权利要求1所述的一种遮挡目标检测方法，其特征在于：所述对所述多因素贝叶斯模型进行优化处理具体为：采用最大化曲线下方面积学习所述多因素贝叶斯模型中的系数，采用贪婪算法对所述多因素贝叶斯模型中的所述检测因素的权重进行优化。
5.如权利要求1所述的一种遮挡目标检测方法，其特征在于：在所述构建检测模型之前还包括图像预处理，根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。
6.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行权利要求1-5任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-5任意一项所述的方法。
8.一种遮挡目标检测***，其特征在于包括：
图像获取模块，所述图像获取模块用于获取待测目标图像及预设数据库中的训练数据集；
构建检测模型模块，所述构建检测模型模块用于采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；
权重优化模块，所述权重优化模块用于将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；
目标检测模块，所述目标检测模块用于将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。
9.如权利要求8所述的一种遮挡目标检测***，其特征在于：还包括图像预处理模块，所述图像预处理模块用于根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。
10.如权利要求9所述的一种遮挡目标检测***，其特征在于：所述图像预处理模块包括灰度变换单元、滤波单元以及纹理消除单元，所述灰度变换单元用于根据加权平均法对所述待测目标图像进行灰度变换处理；所述滤波单元用于根据加权平均法对所述待测目标图像进行滤波处理；所述纹理消除单元用于根据加权平均法对所述待测目标图像进行纹理消除处理。
CN201810474758.7A 2018-05-17 2018-05-17 一种遮挡目标检测方法、电子设备、存储介质及*** Withdrawn CN108764311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810474758.7A CN108764311A (zh) 2018-05-17 2018-05-17 一种遮挡目标检测方法、电子设备、存储介质及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810474758.7A CN108764311A (zh) 2018-05-17 2018-05-17 一种遮挡目标检测方法、电子设备、存储介质及***

Publications (1)

Publication Number Publication Date
CN108764311A true CN108764311A (zh) 2018-11-06

Family

ID=64006755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810474758.7A Withdrawn CN108764311A (zh) 2018-05-17 2018-05-17 一种遮挡目标检测方法、电子设备、存储介质及***

Country Status (1)

Country Link
CN (1) CN108764311A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148723A (zh) * 2020-10-15 2020-12-29 珠海大横琴科技发展有限公司 一种基于电子围网的异常数据优化方法、装置及电子设备
CN113011298A (zh) * 2021-03-09 2021-06-22 北京百度网讯科技有限公司 截断物体样本生成、目标检测方法、路侧设备和云控平台

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148723A (zh) * 2020-10-15 2020-12-29 珠海大横琴科技发展有限公司 一种基于电子围网的异常数据优化方法、装置及电子设备
CN112148723B (zh) * 2020-10-15 2022-02-18 珠海大横琴科技发展有限公司 一种基于电子围网的异常数据优化方法、装置及电子设备
CN113011298A (zh) * 2021-03-09 2021-06-22 北京百度网讯科技有限公司 截断物体样本生成、目标检测方法、路侧设备和云控平台
CN113011298B (zh) * 2021-03-09 2023-12-22 阿波罗智联(北京)科技有限公司 截断物体样本生成、目标检测方法、路侧设备和云控平台

Similar Documents

Publication Publication Date Title
CN103116763B (zh) 一种基于hsv颜色空间统计特征的活体人脸检测方法
CN101551863B (zh) 基于非下采样轮廓波变换的遥感图像道路提取方法
CN109977790A (zh) 一种基于迁移学习的视频烟雾检测与识别方法
CN110059694A (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN110837768B (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN107909109B (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN109063572A (zh) 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN105184265A (zh) 一种基于自学习的手写表格数字字符串快速识别的方法
CN107507170A (zh) 一种基于多尺度图像信息融合的机场跑道裂缝检测方法
CN103778435A (zh) 一种基于视频的行人快速检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN102867195B (zh) 一种遥感图像多类目标检测和识别方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN110298297A (zh) 火焰识别方法和装置
CN100382600C (zh) 动态场景下的运动物体检测方法
CN111046827A (zh) 一种基于卷积神经网络的视频烟雾检测方法
CN115953666B (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN103971106A (zh) 多视角人脸图像性别识别方法及装置
CN108986142A (zh) 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法
CN104915642A (zh) 前方车辆测距方法及装置
CN105512622A (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
CN108764311A (zh) 一种遮挡目标检测方法、电子设备、存储介质及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181106