CN109446895B - 一种基于人体头部特征的行人识别方法 - Google Patents
一种基于人体头部特征的行人识别方法 Download PDFInfo
- Publication number
- CN109446895B CN109446895B CN201811088752.2A CN201811088752A CN109446895B CN 109446895 B CN109446895 B CN 109446895B CN 201811088752 A CN201811088752 A CN 201811088752A CN 109446895 B CN109446895 B CN 109446895B
- Authority
- CN
- China
- Prior art keywords
- target
- head
- contour
- image
- pedestrian
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
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)
- Image Processing (AREA)
Abstract
本发明提供了一种基于人体头部特征的行人识别方法,具体包括如下步骤:对特殊特征、低频姿态的行人轮廓图进行收集定义、学习分类,建立一个姿态模板;利用激光扫描仪获取目标物体的原始图像,再对原始图像进行预处理,得到目标物体的轮廓图;将目标整体轮廓图外接矩形的高度与宽度之比作为整体特征对目标进行分类;根据整体轮廓图提取出目标头部轮廓图,计算其圆形度,作为识别的局部特征再次对目标分类。本发明针对具有特殊特征、低频特征的行人姿态建立模板,利用人体头肩部和腿部上下两部分不易同时被遮挡的优点,避免了***无法识别特殊特征的行人;本发明将人体头部圆形度作为行人识别的第二级分类,避免了***的误识别,进而提高行人识别率。
Description
技术领域
本发明创造属于感知技术领域,尤其是涉及一种基于人体头部特征的行人识别方法。
背景技术
近年来,三维激光扫描技术得到迅速发展。三维激光扫描***也称为三维激光成像***,是一种先进的远距离测量技术,能够快速、准确地获取物体的空间坐标信息,并可将采集到的数据存储于计算机中,进而快速重构出物体的三维模型,以便对其进行分析和处理。激光扫描仪所采集的数据信息是由离散的数据点的三维信息及反射率组成的点云。点云中的每一个数据点包含了该扫描点的距离值、角度值、反射率等。利用该技术可以实现对各种大型、复杂、不规则实体三维数据的完整采集,进而快速获取实体目标点、线、面、体等各种几何数据以便进行多种后处理工作。
在行人识别中,普遍采用单线激光雷达的识别方法,然而由于单线激光雷达只能得到物体的一个横截面,不能得到较完整的立体信息。
发明内容
有鉴于此,本发明创造旨在提出一种基于人体头部特征的行人识别方法,能够有效降低行人的漏检率。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种基于人体头部特征的行人识别方法,具体包括如下步骤:
(1)对特殊特征、低频姿态的行人轮廓图进行收集定义、学习分类,建立一个姿态模板;
(2)利用激光扫描仪获取目标物体的原始图像,再对原始图像进行预处理,得到目标物体的轮廓图;
(3)将目标整体轮廓图外接矩形的高度与宽度之比作为整体特征对目标进行分类;
(4)根据整体轮廓图提取出目标头部轮廓图,计算其圆形度,作为识别的局部特征再次对目标分类。
进一步的,所述步骤(1)中,所述姿态模板为特殊特征、低频姿态的行人轮廓图,姿态模板利用人体头肩部与腿部轮廓特征进行匹配。
进一步的,所述步骤(2)中图像预处理包括对图像进行图像增强、噪声滤除、边缘检测,再采用选取阈值等二值化分割算法对相应的图像实施分割处理,得到目标物体的轮廓图。
进一步的,所述步骤(3)中具体包括:
(31)根据目标轮廓外接矩形的高度H和宽度W,计算宽高比K;
(32)根据行人宽高比分布图取宽高比范围;
(33)判断K值是否在所述宽高比范围内;
(34)若K值不在所述宽高比范围内,将不满足K值的目标轮廓与步骤(1)所述姿态模板进行匹配;
(35)若K值在所述宽高比范围内,对满足宽高比的目标轮廓提取头部轮廓边界。
进一步的,所述步骤(34)具体包括
(341)进行目标与模板匹配之前,首先对目标物体图像进行边缘检测,得到目标物体边缘的二值图像,利用欧氏距离转换对边缘图像进行距离转换得到其DT图像;
(342)将DT图像与姿态模板逐个做卷积,利用姿态模板图像F中的特征点f所在的坐标相对应到DT图像中的距离相加,再求其平均值,即Chamfer距离,计算公式为:
(343)边缘图像的Chamfer值为检测区域中最小值时,需验证特征点数量是否满足判断阈值,特征点需要满足一定程度的数量,保证不会因为特征点过少影响匹配精度,特征点数量为判别式如下:
(344)目标轮廓与模板匹配结果满足步骤(342)、(343)所述两个条件,认为匹配成功,则将目标识别为行人;若不满足,则将目标识别为其他物类。
进一步的,所述步骤(35)具体包括:
(351)对满足宽高比的目标轮廓进行遵循从左到右,自上而下的扫描顺序提取像素点坐标;
(352)定义头部轮廓二值化图像边界坐标为(0,0),头部轮廓边界像素点第一行最左端像素点坐标为(l,j),最右端像素点边界坐标为(l,k);
(353)按照步骤(351)中的扫描顺序定义第m行最左端像素点边界坐标为(m,n),最右端像素点边界坐标为(m,h),则第m+5行的最左端像素点边界坐标为(m+5,x),最右端像素点边界坐标为(m+5,y);
(354)确定第m行为头部轮廓下边界,第m+5行为肩部像素点,则其列坐标值应有较大变化,故设定坐标关系满足下式
y-x≥1.3×(h-k);
(355)根据提取的头部轮廓计算其圆形度e,定义头部轮廓面积为S,周长为L,则圆形度计算公式为:
(356)计算头部轮廓面积,采用顺序扫描边界内坐标点,每个像素点所占区域面积为Ai,则头部轮廓总面积为:
(357)计算头部轮廓边界周长,L1为竖直方向周长,Cst为相邻两行像素点之间的长度,L2为轮廓上边界和轮廓下边界即水平长度,计算公式如下:
(358)根据二值化图像中一般人体头部的圆形度,设定人体头部圆形度区间范围;
(359)判断e是否在设定的人体头部圆形度区间范围,若为是,则判定目标为行人,若为否,则判定目标无其他物类。
相对于现有技术,本发明创造所述的一种基于人体头部特征的行人识别方法具有以下优势:
(1)本发明针对具有特殊特征、低频特征的行人姿态建立模板,利用人体头肩部和腿部上下两部分不易同时被遮挡的优点,避免了***无法识别特殊特征的行人;
(2)本发明将人体头部圆形度作为行人识别的第二级分类,避免了***的误识别,进而提高行人识别率。人体作为非刚体目标可能呈现各种不同姿态,现有行人识别方法中的特征常常在姿态变换中被遮挡,或者出现较大变动,这样很难进行统一的描述,而人体头部则很少会出现形状上的改变,满足易统一描述的要求
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明主要步骤流程示意图;
图2为本发明创造实施例所述的一般行人头肩部轮廓示意图;
图3为本发明创造实施例所述的头部轮廓像边界提取流程示意图;
图4为本发明识别效果图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明创造。
本发明提供一种基于人体头部特征的行人识别方法,该方法为了准确、全面的识别道路中的行人,在人体的几何形状特征的基础上,对目标进行二级分类,并且将自建模板匹配作为第一级分类的补充识别。
如图1-4所示,识别方法包括步骤:
1、对特殊特征、低频行人姿态建立姿态模板。姿态模板为人体轮廓图,人体头肩部和腿部轮廓作为姿态模板的识别特征;
2、激光扫描仪的距离图像采取图像增强、噪声滤除、边缘检测、再采用选取阈值等二值化分割算法对相应的图像实施分割处理等,得到了目标物体的轮廓图;(利用激光扫描仪获取目标物体的原始图像,再对原始图像进行预处理,得到目标物体的轮廓图);
3、根据目标轮廓外接矩形的高度H(竖直方向像素点数量)和宽度W(水平方向像素点数量),计算宽高比K=W/H;(求取目标物体的轮廓图的外接矩形,高度为H、宽度为W,计算宽高比K=W/H)
4、根据行人宽高比分布图,宽高比均值为0.4。由分布图特点取宽高比范围为(0.2,0.7);
5、判断K值是否满足步骤4所述宽高比范围,若为是,则执行步骤7,若为否,则执行步骤6;
6、将不满足K值的目标轮廓与步骤1所述姿态模板进行匹配;所述匹配方法包括以下步骤:
1)进行目标与模板匹配之前,首先对目标物体图像进行边缘检测,得到目标物体边缘的二值图像,利用欧氏距离转换对边缘图像进行距离转换得到其DT图像;
2)将DT图像与姿态模板逐个做卷积,利用姿态模板图像F中的特征点f所在的坐标相对应到DT图像中的距离相加,再求其平均值(对模板的大小进行归一化处理),即Chamfer距离,计算公式为:
3)边缘图像的Chamfer值为检测区域中最小值时,需验证特征点数量是否满足判断阈值,特征点需要满足一定程度的数量,保证不会因为特征点过少影响匹配精度,特征点数量为判别式如下:
4)目标轮廓与模板匹配结果满足2)、3)所述两个条件,认为匹配成功,则将目标识别为行人;若不满足,则将目标识别为其他物类。整体流程见图1;
7、对满足宽高比的目标轮廓提取头部轮廓边界;所述提取头部轮廓边界包括以下步骤:
1)对满足宽高比的目标轮廓进行像素点坐标的提取;
2)步骤1)所述像素点坐标的提取遵循从左到右,自上而下的顺序扫描;
3)定义头部轮廓二值化图像边界坐标为(0,0);
4)对应步骤3)定义头部轮廓边界像素点第一行最左端像素点坐标为(l,j),最右端像素点边界坐标为(l,k);
5)按照步骤2)扫描顺序,定义第m行最左端像素点边界坐标为(m,n),最右端像素点边界坐标为(m,h);
6)对应步骤5)所述,第m+5行的最左端像素点边界坐标为(m+5,x),最右端像素点边界坐标为(m+5,y);
7)确定第m行为头部轮廓下边界,第m+5行为肩部像素点,则其列坐标值应有较大变化,故设定步骤5)与步骤6)所述坐标关系满足以下关系:
y-x≥1.3×(h-k);
8)根据提取的头部轮廓计算其圆形度e,定义头部轮廓面积为S,周长为L,则圆形度计算公式为:
9)计算头部轮廓面积,采用顺序扫描边界内坐标点,每个像素点所占区域面积为Ai,则头部轮廓总面积为:
10)计算头部轮廓边界周长,L1为竖直方向周长,Cst为相邻两行像素点之间的长度,L2为轮廓上边界和轮廓下边界即水平长度,计算公式如下:
11)根据二值化图像中一般人体头部的圆形度,设定人体头部圆形度区间范围(0.7,1);
12)计算得出8)所述圆形度e,判断是否满足11)所述区间范围,若为是,则判定目标为行人,若为否,则判定目标无其他物类,见流程图1。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (2)
1.一种基于人体头部特征的行人识别方法,其特征在于:具体包括如下步骤:
(1)对特殊特征、低频姿态的行人轮廓图进行收集定义、学习分类,建立一个姿态模板;
(2)利用激光扫描仪获取目标物体的原始图像,再对原始图像进行预处理,得到目标物体的轮廓图;
(3)将目标整体轮廓图外接矩形的高度与宽度之比作为整体特征对目标进行分类;
(4)根据整体轮廓图提取出目标头部轮廓图,计算其圆形度,作为识别的局部特征再次对目标分类;
所述步骤(1)中,所述姿态模板为特殊特征、低频姿态的行人轮廓图,姿态模板利用人体头肩部与腿部轮廓特征进行匹配;
所述步骤(2)中图像预处理包括对图像进行图像增强、噪声滤除、边缘检测,再采用选取阈值等二值化分割算法对相应的图像实施分割处理,得到目标物体的轮廓图;
所述步骤(3)中具体包括:
(31)根据目标轮廓外接矩形的高度H和宽度W,计算宽高比K;
(32)根据行人宽高比分布图取宽高比范围;
(33)判断K值是否在所述宽高比范围内;
(34)若K值不在所述宽高比范围内,将不满足K值的目标轮廓与步骤(1)所述姿态模板进行匹配;
(35)若K值在所述宽高比范围内,对满足宽高比的目标轮廓提取头部轮廓边界;
所述步骤(35)具体包括:
(351)对满足宽高比的目标轮廓进行遵循从左到右,自上而下的扫描顺序提取像素点坐标;
(352)定义头部轮廓二值化图像边界坐标为(0,0),头部轮廓边界像素点第一行最左端像素点坐标为(l,j),最右端像素点边界坐标为(l,k);
(353)按照步骤(351)中的扫描顺序定义第m行最左端像素点边界坐标为(m,n),最右端像素点边界坐标为(m,h),则第m+5行的最左端像素点边界坐标为(m+5,x),最右端像素点边界坐标为(m+5,y);
(354)确定第m行为头部轮廓下边界,第m+5行为肩部像素点,则其列坐标值应有较大变化,故设定坐标关系满足下式
y-x≥1.3×(h-k);
(355)根据提取的头部轮廓计算其圆形度e,定义头部轮廓面积为S,周长为L,则圆形度计算公式为:
(356)计算头部轮廓面积,采用顺序扫描边界内坐标点,每个像素点所占区域面积为Ai,则头部轮廓总面积为:
(357)计算头部轮廓边界周长,L1为竖直方向周长,Cst为相邻两行像素点之间的长度,L2为轮廓上边界和轮廓下边界即水平长度,计算公式如下:
(358)根据二值化图像中一般人体头部的圆形度,设定人体头部圆形度区间范围;
(359)判断e是否在设定的人体头部圆形度区间范围,若为是,则判定目标为行人,若为否,则判定目标无其他物类。
2.根据权利要求1所述的一种基于人体头部特征的行人识别方法,其特征在于:所述步骤(34)具体包括
(341)进行目标与模板匹配之前,首先对目标物体图像进行边缘检测,得到目标物体边缘的二值图像,利用欧氏距离转换对边缘图像进行距离转换得到其DT图像;
(342)将DT图像与姿态模板逐个做卷积,利用姿态模板图像F中的特征点f所在的坐标相对应到DT图像中的距离相加,再求其平均值,即Chamfer距离,计算公式为:
(343)边缘图像的Chamfer值为检测区域中最小值时,需验证特征点数量是否满足判断阈值,特征点需要满足一定程度的数量,保证不会因为特征点过少影响匹配精度,特征点数量为判别式如下:
(344)目标轮廓与模板匹配结果满足步骤(342)、(343)所述两个条件,认为匹配成功,则将目标识别为行人;若不满足,则将目标识别为其他物类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811088752.2A CN109446895B (zh) | 2018-09-18 | 2018-09-18 | 一种基于人体头部特征的行人识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811088752.2A CN109446895B (zh) | 2018-09-18 | 2018-09-18 | 一种基于人体头部特征的行人识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446895A CN109446895A (zh) | 2019-03-08 |
CN109446895B true CN109446895B (zh) | 2022-04-08 |
Family
ID=65530551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811088752.2A Active CN109446895B (zh) | 2018-09-18 | 2018-09-18 | 一种基于人体头部特征的行人识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446895B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899042B (zh) * | 2019-05-06 | 2024-04-30 | 广州腾讯科技有限公司 | 恶意曝光广告行为的检测方法、装置、存储介质及终端 |
CN110321865A (zh) * | 2019-07-09 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 头部特效处理方法及装置、存储介质 |
CN110889390A (zh) * | 2019-12-05 | 2020-03-17 | 北京明略软件***有限公司 | 姿势识别方法、装置、控制设备和机器可读存储介质 |
CN111246177A (zh) * | 2020-01-23 | 2020-06-05 | 深圳市大拿科技有限公司 | 一种用户安全告警提示方法及*** |
CN111292504A (zh) * | 2020-01-23 | 2020-06-16 | 深圳市大拿科技有限公司 | 一种通过图像识别进行安全告警方法及*** |
CN111915898B (zh) * | 2020-07-24 | 2022-07-08 | 杭州金通科技集团股份有限公司 | 一种停车监控ai电子驿站 |
CN112472481A (zh) * | 2020-12-15 | 2021-03-12 | 沈阳工业大学 | 一种躯干遮挡状态下动态人***姿识别嵌入式平台 |
CN112949625A (zh) * | 2021-01-29 | 2021-06-11 | 西安电子科技大学 | 基于质心轮廓距离的目标识别方法与*** |
CN115393620B (zh) * | 2022-09-21 | 2023-07-14 | 齐鲁工业大学 | 一种光笔式三坐标测量***零件姿态识别方法及光笔 |
CN115880783B (zh) * | 2023-02-21 | 2023-05-05 | 山东泰合心康医疗科技有限公司 | 用于儿科保健的儿童运动姿态识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101167086A (zh) * | 2005-05-31 | 2008-04-23 | 实物视频影像公司 | 用于安全应用的人体检测和跟踪 |
CN102169543A (zh) * | 2011-04-15 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多源信息融合和在线学习的人头计数方法 |
CN103279741A (zh) * | 2013-05-20 | 2013-09-04 | 大连理工大学 | 一种基于车载红外图像的行人预警***及其工作方法 |
CN104598889A (zh) * | 2015-01-30 | 2015-05-06 | 北京信息科技大学 | 人体行为识别的方法和装置 |
CN104794790A (zh) * | 2015-04-23 | 2015-07-22 | 南京信息工程大学 | 一种景区游客统计与疏导方法 |
CN105160328A (zh) * | 2015-09-17 | 2015-12-16 | 国家电网公司 | 一种基于二值化图像的人体轮廓识别方法 |
CN105320917A (zh) * | 2014-06-27 | 2016-02-10 | 南京理工大学 | 一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法 |
CN106886994A (zh) * | 2017-02-08 | 2017-06-23 | 青岛大学 | 一种基于深度相机的人流量智能检测装置和检测方法 |
-
2018
- 2018-09-18 CN CN201811088752.2A patent/CN109446895B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101167086A (zh) * | 2005-05-31 | 2008-04-23 | 实物视频影像公司 | 用于安全应用的人体检测和跟踪 |
CN102169543A (zh) * | 2011-04-15 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多源信息融合和在线学习的人头计数方法 |
CN103279741A (zh) * | 2013-05-20 | 2013-09-04 | 大连理工大学 | 一种基于车载红外图像的行人预警***及其工作方法 |
CN105320917A (zh) * | 2014-06-27 | 2016-02-10 | 南京理工大学 | 一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法 |
CN104598889A (zh) * | 2015-01-30 | 2015-05-06 | 北京信息科技大学 | 人体行为识别的方法和装置 |
CN104794790A (zh) * | 2015-04-23 | 2015-07-22 | 南京信息工程大学 | 一种景区游客统计与疏导方法 |
CN105160328A (zh) * | 2015-09-17 | 2015-12-16 | 国家电网公司 | 一种基于二值化图像的人体轮廓识别方法 |
CN106886994A (zh) * | 2017-02-08 | 2017-06-23 | 青岛大学 | 一种基于深度相机的人流量智能检测装置和检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446895A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
JP6125188B2 (ja) | 映像処理方法及び装置 | |
CN104008553B (zh) | 融合影像梯度信息和分水岭方法的裂缝检测方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
US9639748B2 (en) | Method for detecting persons using 1D depths and 2D texture | |
CN101147159A (zh) | 利用统计模板匹配进行对象检测的快速方法 | |
Pang et al. | Training-based object recognition in cluttered 3d point clouds | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及*** | |
Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
CN107730439B (zh) | 一种人体图像映射方法、***及终端设备 | |
CN110634131B (zh) | 一种裂缝图像识别与建模方法 | |
CN112329587B (zh) | 饮料瓶的分类方法、装置及电子设备 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN110895683B (zh) | 一种基于Kinect的单视点手势姿势识别方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN107392953B (zh) | 基于等高线的深度图像识别方法 | |
CN107944350B (zh) | 一种基于外观和几何信息融合的单目视觉道路识别方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
Gour et al. | Fingerprint feature extraction using midpoint ridge contour method and neural network | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
Khaliluzzaman et al. | Zebra-crossing detection based on geometric feature and vertical vanishing point | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |