CN110232703B - 一种基于颜色和纹理信息的运动目标识别装置及方法 - Google Patents
一种基于颜色和纹理信息的运动目标识别装置及方法 Download PDFInfo
- Publication number
- CN110232703B CN110232703B CN201910506528.9A CN201910506528A CN110232703B CN 110232703 B CN110232703 B CN 110232703B CN 201910506528 A CN201910506528 A CN 201910506528A CN 110232703 B CN110232703 B CN 110232703B
- Authority
- CN
- China
- Prior art keywords
- information
- color
- texture
- feature
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于颜色和纹理信息的运动目标识别装置及方法,包括视频采集单元、显示单元、目标识别单元和PC控制单元,所述目标识别单元包括FPGA模块和数字信号处理模块,所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算,并将识别计算结果通过PC控制单元传输至显示单元;本发明通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取,可以提高对目标识别过程中对非均匀光照的鲁棒性,通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取,可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率。
Description
技术领域
本发明涉及计算机视觉信息处理技术领域,尤其涉及一种基于颜色和纹理信息的运动目标识别装置及方法。
背景技术
视觉目标的识别是当前计算机视觉领域中的热点问题,受到国内外学术界和工业界的广泛关注,在智能监控、机器人导航、智能交通、视频内容分析与理解等应用领域取得了一定的成功,目标识别的任务是从序列图像或视频中准确识别出既定目标,该任务在识别过程中经常受到多种因素的影响,比如目标的形变,前景与背景区分度低,图像中光照环境的变化等,如何对感兴趣目标进行高精度的识别一直是计算机视觉和模式识别领域中一个极具挑战性的难题。
颜色信息是图像处理中一种非常重要并被广泛应用的特征表述,传统的彩色图像分析是基于RGB色度空间的,但是RGB空间适合于彩色空间的显示,并不适合人的视觉特性,并且对目标物体的颜色模式描述复杂,各个分量之间冗余信息多,计算量大,利用颜色特征进行描述通常不足以描述目标的复杂特性和变化,如目标与背景颜色相似,颜色受光照变化的影响,单一的依靠颜色特征不足以描述目标的复杂特性和变化,因此,本发明提出及一种基于颜色和纹理信息的运动目标识别装置及方法,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取,可以提高对目标识别过程中对非均匀光照的鲁棒性,通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取,可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率。
本发明提出一种基于颜色和纹理信息的运动目标识别装置,包括视频采集单元、显示单元、目标识别单元和PC控制单元,所述视频采集单元和显示单元均连接目标识别单元,所述标识别单元连接PC控制单元,所述目标识别单元包括FPGA模块和数字信号处理模块,所述FPGA模块上嵌设有BRAM1和BRAM2,所述BRAM1连接BRAM2,所述视频采集单元连接BRAM1,所述视频采集单元采集图像数据后通过FPGA模块进行图像的预处理,并将采集的图像数据保存在BRAM1内,所述FPGA模块连接数字信号处理模块,所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算,并将识别计算结果通过PC控制单元传输至显示单元。
进一步改进在于:所述BRAM1和BRAM2之间可以进行数据交互。
进一步改进在于:所述视频采集单元连接显示单元,所述视频采集单元采集的图像数据通过显示单元进行显示。
一种基于颜色和纹理信息的运动目标识别方法,其特征在于,包括以下步骤:
步骤一:将视频采集单元采集的图像通过FPGA模块进行图像的预处理,并将预处理后的照片转化为HSV颜色空间的图像和灰度图像;
步骤二:利用数字信号处理模块进行图像的基于颜色信息的特征提取,首先将RGB空间模型先转换为HSV空间模型,再对光照不敏感的H和S分量进行提取,作为运动目标的颜色特征信息;
步骤三:利用数字信号处理模块进行图像的基于纹理信息的目标特征提取,采用曲率中的主曲率来提取图像表面的纹理信息,根据hessian矩阵定义公式求解hessian矩阵的特征值,然后对特征值中的极大值和极小值进行量化,得到危险区域运动目标的纹理结构信息,再对量化后的纹理结构信息按照局部二值模式的编码方式进行编码,最后进行提取局部纹理特征信息的LBP;
步骤四:对量化后的纹理结构信息和提取局部纹理特征信息的LBP采用直方图并联的方式进行特征融合,生成具有强区分能力和对光照和旋转不变的纹理特征描述,最后采用卡方距离核进行相似性度量;
步骤五:利用数字信号处理模块,根据颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合,特征融合如公式(1)所示:
其中,N为训练集样本的个数,为测试样本第s个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωs为第s个特征的权值,V为融合后的匹配得分;S为融合特征的种类数;
步骤六:利用数字信号处理模块,并采用最邻近分类器对融合后的特征进行匹配与识别。
进一步改进在于:所述步骤一中图像的预处理具体过程为:将视频采集单元采集的需要进行预处理的图像序列利用中值滤波法去除椒盐噪声。
进一步改进在于:所述步骤二中转换及提取H和S分量的计算过程如公式(2)、(3)、(4)和(5)所示,并对H和S分量的颜色信息进行加权线性融合,融合结果如公式(6)所示:
C=(1-α)H+αS (6)
对融合结果C进行量化和计算得到一个关于H和S联合分布的颜色直方图,并采用Bhattacharrya系数作为相似性度量。
进一步改进在于:所述步骤三中对于一个灰度图像I(x,y),hessian矩阵定义如公式(7)所示:
其中,*为卷积符号,Gxx,Gyy和Gxy分别为沿着x,y和xy方向上的三个高斯二阶导数滤波器。
进一步改进在于:所述步骤三中对特征值中的极大值和极小值进行量化过程如公式(8)和(9)所示:
其中,ξ即为最终检测出的矿井下危险区域运动目标的纹理结构信息。
进一步改进在于:所述步骤三中对量化后的纹理结构信息按照局部二值模式的编码方式进行编码的过程如公式(10)所示,提取局部纹理特征信息的LBP定义如公式(11)和(12)所示:
其中,k为整幅图像的ξ的平均值;
其中,P为采样中心点C在半径为R上均匀分布的邻域像素点的个数,gp和gc分别为邻域像素和中心像素的灰度值。
进一步改进在于:所述步骤五中进行颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合操作前需要对颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行相似度的归一化处理,归一化处理公式如公式(13)所示:
其中,M为所有测试集与训练集根据各自的相似性度量方法求得的相似度向量;m为M中某个元素,h为归一化后的匹配分值。
本发明的有益效果为:通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取,可以提高对目标识别过程中对非均匀光照的鲁棒性,通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取,可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率,通过利用将经典的LBP特征提取信息与利用图像表面的几何曲率提取的信息相结合的方法,可以实现对光照和旋转变化情况下的运动目标的鲁棒特征提取,通过采用Bhattacharrya系数和卡方距离核分别对颜色和纹理信息进行相似性度量,可以提高两种特征信息的可信度和利用率,通过将颜色特征信息与纹理特征信息进行融合可以解决单一特征模式下对颜色背景相似干扰或者光照及旋转变化敏感的问题,实现对目标的精确和鲁棒识别。
附图说明
图1为本发明装结构示意图。
图2为本发明方法流程示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2所示,本实施例提出一种基于颜色和纹理信息的运动目标识别装置,包括视频采集单元、显示单元、目标识别单元和PC控制单元,所述视频采集单元和显示单元均连接目标识别单元,所述标识别单元连接PC控制单元,所述目标识别单元包括FPGA模块和数字信号处理模块,所述FPGA模块上嵌设有BRAM1和BRAM2,所述BRAM1连接BRAM2,所述视频采集单元连接BRAM1,所述视频采集单元采集图像数据后通过FPGA模块进行图像的预处理,并将采集的图像数据保存在BRAM1内,所述FPGA模块连接数字信号处理模块,所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算,并将识别计算结果通过PC控制单元传输至显示单元。
所述BRAM1和BRAM2之间可以进行数据交互。
所述视频采集单元连接显示单元,所述视频采集单元采集的图像数据通过显示单元进行显示。
一种基于颜色和纹理信息的运动目标识别方法,其特征在于,包括以下步骤:
步骤一:将视频采集单元采集的图像通过FPGA模块进行图像的预处理,将视频采集单元采集的需要进行预处理的图像序列利用中值滤波法去除椒盐噪声,并将预处理后的照片转化为HSV颜色空间的图像和灰度图像;
步骤二:利用数字信号处理模块进行图像的基于颜色信息的特征提取,首先将RGB空间模型先转换为HSV空间模型,再对光照不敏感的H和S分量进行提取,作为运动目标的颜色特征信息,转换及提取H和S分量的计算过程如公式(2)、(3)、(4)和(5)所示,并对H和S分量的颜色信息进行加权线性融合,融合结果如公式(6)所示;
C=(1-α)H+αS (6)
对融合结果C进行量化和计算得到一个关于H和S联合分布的颜色直方图,并采用Bhattacharrya系数作为相似性度量;
步骤三:利用数字信号处理模块进行图像的基于纹理信息的目标特征提取,采用曲率中的主曲率来提取图像表面的纹理信息,根据hessian矩阵定义公式求解hessian矩阵的特征值,然后对特征值中的极大值和极小值进行量化,得到危险区域运动目标的纹理结构信息,再对量化后的纹理结构信息按照局部二值模式的编码方式进行编码,最后进行提取局部纹理特征信息的LBP,对于一个灰度图像I(x,y),hessian矩阵定义如公式(7)所示:
其中,*为卷积符号,Gxx,Gyy和Gxy分别为沿着x,y和xy方向上的三个高斯二阶导数滤波器;
对特征值中的极大值和极小值进行量化过程如公式(8)和(9)所示:
其中,ξ即为最终检测出的矿井下危险区域运动目标的纹理结构信息;
对量化后的纹理结构信息按照局部二值模式的编码方式进行编码的过程如公式(10)所示,提取局部纹理特征信息的LBP定义如公式(11)和(12)所示:
其中,k为整幅图像的ξ的平均值;
其中,P为采样中心点C在半径为R上均匀分布的邻域像素点的个数,gp和gc分别为邻域像素和中心像素的灰度值;
步骤四:对量化后的纹理结构信息和提取局部纹理特征信息的LBP采用直方图并联的方式进行特征融合,生成具有强区分能力和对光照和旋转不变的纹理特征描述,最后采用卡方距离核进行相似性度量;
步骤五:利用数字信号处理模块,根据颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合,特征融合如公式(1)所示,进行颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合操作前需要对颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行相似度的归一化处理,归一化处理公式如公式(13)所示:
其中,N为训练集样本的个数,为测试样本第s个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωs为第s个特征的权值,V为融合后的匹配得分;S为融合特征的种类数,在实施例明中是将颜色和纹理信息进行融合,所以S取2;
其中,M为所有测试集与训练集根据各自的相似性度量方法求得的相似度向量;m为M中某个元素,h为归一化后的匹配分值;
步骤六:利用数字信号处理模块,并采用最邻近分类器对融合后的特征进行匹配与识别。
通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取,可以提高对目标识别过程中对非均匀光照的鲁棒性,通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取,可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率,通过利用将经典的LBP特征提取信息与利用图像表面的几何曲率提取的信息相结合的方法,可以实现对光照和旋转变化情况下的运动目标的鲁棒特征提取,通过采用Bhattacharrya系数和卡方距离核分别对颜色和纹理信息进行相似性度量,可以提高两种特征信息的可信度和利用率,通过将颜色特征信息与纹理特征信息进行融合可以解决单一特征模式下对颜色背景相似干扰或者光照及旋转变化敏感的问题,实现对目标的精确和鲁棒识别。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于颜色和纹理信息的运动目标识别装置,其特征在于:包括视频采集单元、显示单元、目标识别单元和PC控制单元,所述视频采集单元和显示单元均连接目标识别单元,所述标识别单元连接PC控制单元,所述目标识别单元包括FPGA模块和数字信号处理模块,所述FPGA模块上嵌设有BRAM1和BRAM2,所述BRAM1连接BRAM2,所述视频采集单元连接BRAM1,所述视频采集单元采集图像数据后通过FPGA模块进行图像的预处理,并将采集的图像数据保存在BRAM1内,所述FPGA模块连接数字信号处理模块,所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算,并将识别计算结果通过PC控制单元传输至显示单元;
所述BRAM1和BRAM2之间进行数据交互;
所述目标识别装置用于执行以下步骤:
步骤一:将视频采集单元采集的图像通过FPGA模块进行图像的预处理,并将预处理后的照片转化为HSV颜色空间的图像和灰度图像;
步骤二:利用数字信号处理模块进行图像的基于颜色信息的特征提取,首先将RGB空间模型先转换为HSV空间模型,再对光照不敏感的H和S分量进行提取,作为运动目标的颜色特征信息;
步骤三:利用数字信号处理模块进行图像的基于纹理信息的目标特征提取,采用曲率中的主曲率来提取图像表面的纹理信息,根据hessian矩阵定义公式求解hessian矩阵的特征值,然后对特征值中的极大值和极小值进行量化,得到危险区域运动目标的纹理结构信息,再对量化后的纹理结构信息按照局部二值模式的编码方式进行编码,最后进行提取局部纹理特征信息的LBP;
步骤四:对量化后的纹理结构信息和提取局部纹理特征信息的LBP采用直方图并联的方式进行特征融合,生成具有强区分能力和对光照和旋转不变的纹理特征描述,最后采用卡方距离核进行相似性度量;
步骤五:利用数字信号处理模块,根据颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合,特征融合如公式(1)所示:
其中,N为训练集样本的个数,为测试样本第s个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωs为第s个特征的权值,V为融合后的匹配得分;S为融合特征的种类数;
步骤六:利用数字信号处理模块,并采用最邻近分类器对融合后的特征进行匹配与识别;
所述步骤二中转换及提取H和S分量的计算过程如公式(2)、(3)、(4)和(5)所示,并对H和S分量的颜色信息进行加权线性融合,融合结果如公式(6)所示:
C=(1-α)H+αS (6)
对融合结果C进行量化和计算得到一个关于H和S联合分布的颜色直方图,并采用Bhattacharrya系数作为相似性度量;
所述步骤三中对于一个灰度图像I(x,y),hessian矩阵定义如公式(7)所示:
其中,*为卷积符号,Gxx,Gyy和Gxy分别为沿着x,y和xy方向上的三个高斯二阶导数滤波器;
所述步骤三中对特征值中的极大值和极小值进行量化过程如公式(8)和(9)所示:
其中,ξ即为最终检测出的矿井下危险区域运动目标的纹理结构信息;
所述步骤三中对量化后的纹理结构信息按照局部二值模式的编码方式进行编码的过程如公式(10)所示,提取局部纹理特征信息的LBP定义如公式(11)和(12)所示:
其中,k为整幅图像的ξ的平均值;
其中,P为采样中心点C在半径为R上均匀分布的邻域像素点的个数,gp和gc分别为邻域像素和中心像素的灰度值;
所述步骤五中进行颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合操作前需要对颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行相似度的归一化处理,归一化处理公式如公式(13)所示:
其中,M为所有测试集与训练集根据各自的相似性度量方法求得的相似度向量;m为M中某个元素,h为归一化后的匹配分值。
2.根据权利要求1所述的一种基于颜色和纹理信息的运动目标识别装置,其特征在于:所述视频采集单元连接显示单元,所述视频采集单元采集的图像数据通过显示单元进行显示。
3.一种基于颜色和纹理信息的运动目标识别方法,其特征在于,包括以下步骤:
步骤一:将视频采集单元采集的图像通过FPGA模块进行图像的预处理,并将预处理后的照片转化为HSV颜色空间的图像和灰度图像;
步骤二:利用数字信号处理模块进行图像的基于颜色信息的特征提取,首先将RGB空间模型先转换为HSV空间模型,再对光照不敏感的H和S分量进行提取,作为运动目标的颜色特征信息;
步骤三:利用数字信号处理模块进行图像的基于纹理信息的目标特征提取,采用曲率中的主曲率来提取图像表面的纹理信息,根据hessian矩阵定义公式求解hessian矩阵的特征值,然后对特征值中的极大值和极小值进行量化,得到危险区域运动目标的纹理结构信息,再对量化后的纹理结构信息按照局部二值模式的编码方式进行编码,最后进行提取局部纹理特征信息的LBP;
步骤四:对量化后的纹理结构信息和提取局部纹理特征信息的LBP采用直方图并联的方式进行特征融合,生成具有强区分能力和对光照和旋转不变的纹理特征描述,最后采用卡方距离核进行相似性度量;
步骤五:利用数字信号处理模块,根据颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合,特征融合如公式(1)所示:
其中,N为训练集样本的个数,为测试样本第s个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωs为第s个特征的权值,V为融合后的匹配得分;S为融合特征的种类数;
步骤六:利用数字信号处理模块,并采用最邻近分类器对融合后的特征进行匹配与识别;
所述步骤二中转换及提取H和S分量的计算过程如公式(2)、(3)、(4)和(5)所示,并对H和S分量的颜色信息进行加权线性融合,融合结果如公式(6)所示:
C=(1-α)H+αS (6)
对融合结果C进行量化和计算得到一个关于H和S联合分布的颜色直方图,并采用Bhattacharrya系数作为相似性度量;
所述步骤三中对于一个灰度图像I(x,y),hessian矩阵定义如公式(7)所示:
其中,*为卷积符号,Gxx,Gyy和Gxy分别为沿着x,y和xy方向上的三个高斯二阶导数滤波器;
所述步骤三中对特征值中的极大值和极小值进行量化过程如公式(8)和(9)所示:
其中,ξ即为最终检测出的矿井下危险区域运动目标的纹理结构信息;
所述步骤三中对量化后的纹理结构信息按照局部二值模式的编码方式进行编码的过程如公式(10)所示,提取局部纹理特征信息的LBP定义如公式(11)和(12)所示:
其中,k为整幅图像的ξ的平均值;
其中,P为采样中心点C在半径为R上均匀分布的邻域像素点的个数,gp和gc分别为邻域像素和中心像素的灰度值;
所述步骤五中进行颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行融合操作前需要对颜色信息获得的相似度向量与根据纹理信息获得的相似度向量进行相似度的归一化处理,归一化处理公式如公式(13)所示:
其中,M为所有测试集与训练集根据各自的相似性度量方法求得的相似度向量;m为M中某个元素,h为归一化后的匹配分值。
4.根据权利要求3所述的一种基于颜色和纹理信息的运动目标识别方法,其特征在于:所述步骤一中图像的预处理具体过程为:将视频采集单元采集的需要进行预处理的图像序列利用中值滤波法去除椒盐噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506528.9A CN110232703B (zh) | 2019-06-12 | 2019-06-12 | 一种基于颜色和纹理信息的运动目标识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506528.9A CN110232703B (zh) | 2019-06-12 | 2019-06-12 | 一种基于颜色和纹理信息的运动目标识别装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232703A CN110232703A (zh) | 2019-09-13 |
CN110232703B true CN110232703B (zh) | 2023-07-25 |
Family
ID=67859013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506528.9A Active CN110232703B (zh) | 2019-06-12 | 2019-06-12 | 一种基于颜色和纹理信息的运动目标识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232703B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382751B (zh) * | 2020-03-11 | 2023-04-18 | 西安应用光学研究所 | 一种基于颜色特征的目标再识别方法 |
CN111565300B (zh) * | 2020-05-22 | 2020-12-22 | 深圳市百川安防科技有限公司 | 基于对象的视频文件处理方法、设备及*** |
CN116430921B (zh) * | 2023-03-28 | 2023-11-17 | 南京龙盾智能科技有限公司 | 基于物联网数据的机库智能控制方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
CN105187785A (zh) * | 2015-08-31 | 2015-12-23 | 桂林电子科技大学 | 一种基于动态选取显著特征的跨卡口行人识别***与方法 |
CN105631001A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于多特征融合的hsv空间图像检索的彩色图像检索方法 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
CN107194413A (zh) * | 2017-04-24 | 2017-09-22 | 东北大学 | 一种基于多特征融合的判别型级联外观模型的目标匹配方法 |
-
2019
- 2019-06-12 CN CN201910506528.9A patent/CN110232703B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
CN105187785A (zh) * | 2015-08-31 | 2015-12-23 | 桂林电子科技大学 | 一种基于动态选取显著特征的跨卡口行人识别***与方法 |
CN105631001A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于多特征融合的hsv空间图像检索的彩色图像检索方法 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
CN107194413A (zh) * | 2017-04-24 | 2017-09-22 | 东北大学 | 一种基于多特征融合的判别型级联外观模型的目标匹配方法 |
Non-Patent Citations (1)
Title |
---|
A Multiresolution Gray-Scale and Rotation Invariant Descriptor for Texture Classification;Qiqi Kou等;《IEEE Access》;20180530;第30691~30701页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110232703A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN110232703B (zh) | 一种基于颜色和纹理信息的运动目标识别装置及方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN103729631A (zh) | 一种基于视觉的连接器表面特征自动识别方法 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN109447062A (zh) | 基于巡检机器人的指针型仪表识别方法 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN112132117A (zh) | 一种辅助胁迫检测的融合身份认证*** | |
CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读*** | |
CN117197700B (zh) | 智能化无人巡检接触网缺陷识别*** | |
CN109784257B (zh) | 一种变压器温度表检测与识别方法 | |
CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
CN109299655A (zh) | 一种基于无人机的海上溢油在线快速识别方法 |
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 |