CN110348305A - 一种基于监控视频的运动目标提取方法 - Google Patents
一种基于监控视频的运动目标提取方法 Download PDFInfo
- Publication number
- CN110348305A CN110348305A CN201910490852.6A CN201910490852A CN110348305A CN 110348305 A CN110348305 A CN 110348305A CN 201910490852 A CN201910490852 A CN 201910490852A CN 110348305 A CN110348305 A CN 110348305A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- moving region
- indicate
- region
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于监控视频的运动目标提取方法,包括:根据An的混合高斯模型得到An中的初步疑似运动区域Arn;计算An中的疑似运动区域Dn;计算An中的疑似运动区域集合{Drn}M;计算Arn和{Drn}M的交集J;若计算An中的最终运动区域;若更新第k帧背景图像;对第k帧图像Ak之前区域进行回溯;本发明可以在目标长时间滞留、小幅度运动等诸多复杂条件下,对运动目标提取和背景重建。
Description
技术领域
本发明属于视频监控技术领域,具体涉及一种基于监控视频的运动目标提取方法。
背景技术
视频监控是一种直观有效的记录、观察场景情况的重要手段,其中运动目标提取是分析视频监控的关键步骤,是当前研究的重点。其主要算法有基于像素的算法:根据像素分布规律构建概率模型,从而估计运动区域。但在建模中,需提供大量像素样品,人工成本较大;基于区域的算法:根据区域纹理特征的一致性,减小了照明对运动目标和背景的影响,但面对微小变化和特征不明显的运动目标区域检测效果不佳;基于图像帧的算法:根据光线变化规律构建全局模型对运动目标进行检测,但光线变化复杂多变,难以构建统一模型。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于监控视频的运动目标提取方法,解决现有技术无法满足检测精度和效率的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种基于监控视频的运动目标提取方法,包括以下步骤:
步骤1,输入图像序列{A1,...,An,...,AN},An表示第n帧图像,对An构建混合高斯模型,根据An的混合高斯模型得到An中的初步疑似运动区域集合Arn, 表示An中的第i个初步疑似运动区域;
步骤2,设背景帧图像序列为{B1,...,Bn,...,BN},Bn表示第n帧背景图像;
步骤3,令n=1,B1=A1;
步骤4,通过式(1)得到An中的疑似运动区域集合Dn, 表示An中的第j个疑似运动区域,M为大于1的整数;
式(1)中,Tn为分割阈值;
其中,Agn(x,y)表示An的灰度图像,Bgn(x,y)表示Bn的灰度图像;
步骤5,遍历Dn中每个疑似运动区域进行数学形态学操作,得到An中的初步运动区域集合Drn, 表示Drn中的第j个初步运动区域;
步骤6,通过式(2)计算和集合Drn中每个初步运动区域的交集J;
式(2)中,表示Drn中的第j个初步运动区域,表示An中的第i个初步疑似运动区域;
步骤7,通过式(3)得到An中的运动区域;
式(3)中,表示An中的第i个运动区域,表示An中的第i个初步疑似运动区域;
步骤8,设当n=k时,通过式(4)更新第k帧背景图像,得到更新后的第k帧背景图像Bk={Bk,1,Bk,2...Bk,h};
式(4)中,表示空集,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1},Ak,h(x,y)为第k帧图像Ak在h通道在坐标(x,y)的像素值,Bk,h(x,y)为第k帧背景图像Bk在h通道在坐标(x,y)的像素值;Tk,h为更新分割阈值;
其中,为所在的最小矩形框区域,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1};Qk为Ak中满足的像素点总数;
步骤9,根据更新后的第k帧背景图像Bk,获取第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}更新前的运动区域序列{Cr1′,...,Crl′,...,Crk′-1},将回溯至第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}的运动区域的运动区域序列{Cr1,...,Crl,...,Crk},其中
步骤10,n=n+1,Bn=Bn-1,重复步骤4至步骤9,直至n=N,即得到图像序列{A1,...,An,...,AN}中的运动区域序列{Cr1,...,Crn,...,CrN},其中
进一步地,步骤1中所述对An构建混合高斯模型,根据An的混合高斯模型得到An中的初步疑似运动区域Arn,包括:
步骤11,构建式(1)所示的混合高斯模型;
式(1)中,g表示高斯模型的个数,η表示高斯概率密度函数,ωi,n表示第n帧图像对第i个高斯模型权值,ui,n表示第n帧图像对第i个高斯模型均值,∑i,n表示第n帧图像对第i个高斯模型协方差矩阵;
步骤12,根据混合高斯模型,更新第n帧图像对第i个高斯模型权值ωi,n;
ωi,n=(1-α)ωi,n-1+α(Mi,n) (2)
式(2)中,α是学习因子;Mi,n是第n帧图像像素与第i个高斯模型匹配程度,
步骤13,根据式(3)选取b个高斯模型构建背景模型Bb;
式(3)中,T为预设阈值;
步骤14,根据背景模型Bb,通过式(4)得到初步运动区域每个像素点An(x,y)的像素值Arn(x,y);
将An中像素值Arn(x,y)为1的像素点所组成的区域作为初步疑似运动区域集合Arn。
本发明与现有技术相比,有益的技术效果是:
1.本发明将GMM与帧差法相融合,可实现目标静止、运动等不确定因数条件下,运动目标提取。
2.本发明建立重新回溯体系,可实现复杂背景下,重建纯背景。
3.本发明建立局部更新体系,平均处理速度快,达到0.35帧/s.
附图说明
图1是本发明方法的流程图;
图2是类型1的处理效果图;
图3是类型2的处理效果图;
图4是类型3的处理效果图;
图5是ROI分析图;
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例:
本实施例给出一种基于监控视频的运动目标提取方法,包括以下步骤:
步骤1,输入图像序列{A1,...,An,...,AN},An表示第n帧图像,对An构建混合高斯模型,根据An的混合高斯模型得到An中的初步疑似运动区域集合Arn,将Arn中的一个连通区域作为一个初步运动区域 表示An中的第i个初步疑似运动区域;
包括:
步骤11,构建式(1)所示的混合高斯模型;
式(1)中,k表示高斯模型的个数,η表示高斯概率密度函数,ωi,n表示第n帧图像对第i个高斯模型权值,ui,n表示第n帧图像对第i个高斯模型均值,∑i,n表示第n帧图像对第i个高斯模型协方差矩阵;
步骤12,根据混合高斯模型,更新第n帧图像对第i个高斯模型权值ωi,n;
ωi,n=(1-α)ωi,n-1+α(Mi,n) (2)
式(2)中,α是学习因子;
Mi,n是第n帧图像像素与第i个高斯模型匹配程度,其中,Mi,n的计算参考“金广智,石林锁,白向峰,等.基于混合高斯模型的新型目标检测***[J].计算机应用,2011,31(12):3360-3362.”中的方法。
步骤13,根据式(3)选取b个高斯模型构建背景模型Bb;
式(3)中,T为预设阈值;
步骤14,根据背景模型Bb,通过式(4)得到初步运动区域每个像素点An(x,y)的像素值Arn(x,y);
将An中像素值Arn(x,y)为1的像素点所组成的区域作为初步疑似运动区域Arn。
通过式(4)可得,像素值为1的区域为初步运动区域集合,像素值为1的区域中的连通区域即为一个初步运动区域。
步骤2,设背景帧图像序列为{B1,...,Bn,...,BN},Bn表示第n帧背景图像;
步骤3,令n=1,B1=A1;
步骤4,通过式(1)得到An中的疑似运动区域集合Dn,将Dn中的一个连通区域作为一个疑似运动区域,表示An中的第j个疑似运动区域,M为大于1的整数;
式(5)中,Tn为分割阈值;
其中,Agn(x,y)表示An的灰度图像,Bgn(x,y)表示Bn的灰度图像;
通过式(1)中可得像素值为1的区域即为疑似运动区域集合,将像素值为1的区域中的连通区域作为疑似运动区域。
步骤5,遍历Dn中每个疑似运动区域进行数学形态学操作,得到An中的初步运动区域集合Drn, 表示Drn中的第j个初步运动区域;
步骤6,通过式(2)计算和集合Drn中每个初步运动区域的交集J;
式(2)中,表示Drn中的第j个初步运动区域,表示An中的第i个初步疑似运动区域;
步骤7,通过式(3)得到An中的运动区域;
式(3)中,表示An中的第i个运动区域,表示An中的第i个初步疑似运动区域;
步骤8,设当n=k时,通过式(4)更新第k帧背景图像,得到更新后的第k帧背景图像Bk={Bk,1,Bk,2...Bk,h};
式(4)中,表示空集,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1},Ak,h(x,y)为第k帧图像Ak在h通道在坐标(x,y)的像素值,Bk,h(x,y)为第k帧背景图像Bk在h通道在坐标(x,y)的像素值;Tk,h为更新分割阈值;
其中,为所在的最小矩形框区域,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1};Qk为Ak中满足的像素点总数;
步骤9,根据更新后的第k帧背景图像Bk,获取第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}更新前的运动区域序列{Cr1′,...,Crl′,...,Cr′k-1}。将回溯至第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}的运动区域,的运动区域序列{Cr1,...,Crl,...,Crk}。其中
步骤10,n=n+1,Bn=Bn-1,重复步骤4至步骤9,直至n=N,即得到图像序列{A1,...,An,...,AN}中的运动区域序列{Cr1,...,Crn,...,CrN},其中
实验验证:
类型1:开始没有运动目标,然后目标一直运动。
类型2:开始目标运动,然后目标停留很长时间。
类型3:开始目标静止,然后目标运动。由于高斯混合模型为渐进学习过程,所以实验中选取视频前10帧图像予以学习。
本发明对类型1的处理效果如图2所示,通过高斯混合模型聚焦至运动区域,得到运动目标大致区域,但是不能有效提取局部变化不大的点,需要修补,然后将帧差法提取结果与高斯混合模型提取结果相融合精确的提取出运动目标{Cr50}1,重建背景B50。
本发明对类型2的处理效果如图3所示,通过高斯混合模型聚焦至运动区域,随着时间的推移,前景像素点会逐步转化为背景像素点。通过本方案的算法精确提取运动目标{Cr100}1,重建背景B100。随着时间进一步推移,最终前景运动区域全部湮没在背景中,但计算机无法确定该区域为目标长时间停留所致,还是停留在背景图像中,需要背景更新。通过本方案的算法精确提取运动目标{Cr1000}1,重建背景B1000。
本发明对类型3的处理效果如图4所示,由于高斯混合模型的算法,前景背景转化是一个渐进学习过程,会出现拖尾现象。计算机无法确定该区域为目标长时间停留所致,还是停留在背景图像中,需要背景更新。通过本方案的算法精确提取运动目标{Cr1000}1,重建背景B1000。在此基础上,通过背景回溯去除拖尾现象,得到运动目标{Cr100}1,重建背景B100。
统计ROI分布情况如图5所示。可知A816出现大量ROI,对比A815与A816,可知A816出现虚化,从侧面证明该算法可以有效检测细微的变化。
综上所述本发明可以在目标长时间滞留、小幅度运动等诸多复杂条件下,对运动目标提取和背景重建。
依据分割精度和处理时间对本发明提出方法与主流算法对比。采用面积交迭度(area overlap measure,AOM)作为分割效果的评价指标。其定义为:
其中,AOM为面积交迭度,υ为人工标记的运动区域,ν为算法分割出的运动区域,S(·)表示对应区域的像素点数,AOM取值越大表明分割效果越好。检测结果如表1所示。
表1 AOM和平均时间统计
根据上表可知,对于目标一直运动的情况,基于像素的低秩的算法,判断背景与运动目标,分割精度高,但该算法需对所有像素点进行计算,平均处理时间长。而基于帧的算法,仅考虑整体信息,处理时间快,但精度不高。而本文提出的基于格式塔原理的运动目标提取与背景重建算法,虽然在平均处理时间上略逊与帧的算法,在目标一直运动的情况下分割精度略逊于像素的算法,但从总体效果和在目标运动后,长时间停止和目标起始停止,后运动的情况,精度对比主流算法均有大幅度提高。
Claims (2)
1.一种基于监控视频的运动目标提取方法,其特征在于,包括以下步骤:
步骤1,输入图像序列{A1,...,An,...,AN},An表示第n帧图像,对An构建混合高斯模型,根据An的混合高斯模型得到An中的初步疑似运动区域集合Arn, 表示An中的第i个初步疑似运动区域;
步骤2,设背景帧图像序列为{B1,...,Bn,...,BN},Bn表示第n帧背景图像;
步骤3,令n=1,B1=A1;
步骤4,通过式(1)得到An中的疑似运动区域集合Dn, 表示An中的第j个疑似运动区域,M为大于1的整数;
式(1)中,Tn为分割阈值;
其中,Agn(x,y)表示An的灰度图像,Bgn(x,y)表示Bn的灰度图像;
步骤5,遍历Dn中每个疑似运动区域进行数学形态学操作,得到An中的初步运动区域集合Drn, 表示Drn中的第j个初步运动区域;
步骤6,通过式(2)计算和集合Drn中每个初步运动区域的交集J;
式(2)中,表示Drn中的第j个初步运动区域,表示An中的第i个初步疑似运动区域;
步骤7,通过式(3)得到An中的运动区域;
式(3)中,表示An中的第i个运动区域,表示An中的第i个初步疑似运动区域;
步骤8,设当n=k时,通过式(4)更新第k帧背景图像,得到更新后的第k帧背景图像Bk={Bk,1,Bk,2...Bk,h};
式(4)中,表示空集,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1},Ak,h(x,y)为第k帧图像Ak在h通道在坐标(x,y)的像素值,Bk,h(x,y)为第k帧背景图像Bk在h通道在坐标(x,y)的像素值;Tk,h为更新分割阈值;
h∈H,其中,为所在的最小矩形框区域,H为图像通道数,彩色图像H={1,2,3},灰度图像H={1};Qk为Ak中满足的像素点总数;
步骤9,根据更新后的第k帧背景图像Bk,获取第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}更新前的运动区域序列{Cr1′,...,Crl′,...,Crk′-1},将回溯至第k帧图像Ak之前的所有帧图像{A1,...,Al,...,Ak-1}的运动区域的运动区域序列{Cr1,...,Crl,...,Crk},其中
步骤10,n=n+1,Bn=Bn-1,重复步骤4至步骤9,直至n=N,即得到图像序列{A1,...,An,...,AN}中的运动区域序列{Cr1,...,Crn,...,CrN},其中
2.如权利要求1所述的运动目标提取方法,其特征在于,步骤1中所述对An构建混合高斯模型,根据An的混合高斯模型得到An中的初步疑似运动区域Arn,包括:
步骤11,构建式(1)所示的混合高斯模型;
式(1)中,g表示高斯模型的个数,η表示高斯概率密度函数,ωi,n表示第n帧图像对第i个高斯模型权值,ui,n表示第n帧图像对第i个高斯模型均值,∑i,n表示第n帧图像对第i个高斯模型协方差矩阵;
步骤12,根据混合高斯模型,更新第n帧图像对第i个高斯模型权值ωi,n;
ωi,n=(1-α)ωi,n-1+α(Mi,n) (2)
式(2)中,α是学习因子;
Mi,n是第n帧图像像素与第i个高斯模型匹配程度,
步骤13,根据式(3)选取b个高斯模型构建背景模型Bb;
式(3)中,T为预设阈值;
步骤14,根据背景模型Bb,通过式(4)得到初步运动区域每个像素点An(x,y)的像素值Arn(x,y);
将An中像素值Arn(x,y)为1的像素点所组成的区域作为初步疑似运动区域集合Arn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490852.6A CN110348305B (zh) | 2019-06-06 | 2019-06-06 | 一种基于监控视频的运动目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490852.6A CN110348305B (zh) | 2019-06-06 | 2019-06-06 | 一种基于监控视频的运动目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348305A true CN110348305A (zh) | 2019-10-18 |
CN110348305B CN110348305B (zh) | 2021-06-25 |
Family
ID=68181576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490852.6A Expired - Fee Related CN110348305B (zh) | 2019-06-06 | 2019-06-06 | 一种基于监控视频的运动目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348305B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259718A (zh) * | 2019-10-24 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯滞留检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077530A (zh) * | 2012-09-27 | 2013-05-01 | 北京工业大学 | 一种基于改进混合高斯和图像剪切的运动目标检测方法 |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
-
2019
- 2019-06-06 CN CN201910490852.6A patent/CN110348305B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077530A (zh) * | 2012-09-27 | 2013-05-01 | 北京工业大学 | 一种基于改进混合高斯和图像剪切的运动目标检测方法 |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
王春兰: "智能视频监控***中运动目标检测方法综述", 《自动化与仪器仪表》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259718A (zh) * | 2019-10-24 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯滞留检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110348305B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208275A1 (zh) | 一种交通视频背景建模方法及*** | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及*** | |
CN103870834B (zh) | 基于分层分割的滑动窗搜索方法 | |
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN104899877A (zh) | 基于超像素和快速三分图的图像前景提取方法 | |
Li et al. | Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN110399840A (zh) | 一种快速的草坪语义分割及边界检测方法 | |
CN109961070A (zh) | 一种输电线路智能化图像监测中区分雾体浓度的方法 | |
CN109191430A (zh) | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 | |
CN104063713A (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
CN116721414A (zh) | 一种医学图像细胞分割与跟踪方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN113177927A (zh) | 基于多特征和多分类器的骨髓细胞分类识别方法及*** | |
CN117495735A (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及*** | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model |
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: 20210625 |