CN111476074A - 基于毫米波图像的人体异物检测方法 - Google Patents
基于毫米波图像的人体异物检测方法 Download PDFInfo
- Publication number
- CN111476074A CN111476074A CN201911116812.1A CN201911116812A CN111476074A CN 111476074 A CN111476074 A CN 111476074A CN 201911116812 A CN201911116812 A CN 201911116812A CN 111476074 A CN111476074 A CN 111476074A
- Authority
- CN
- China
- Prior art keywords
- image
- human body
- millimeter wave
- region
- processed
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V40/107—Static hand or arm
- G06V40/11—Hand-related biometrics; Hand pose recognition
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于毫米波图像的人体异物检测方法,包含以下步骤:通过毫米波成像***采集人体图像;识别采集到的人体图像的头部区域和手部区域;调整识别到的头部区域和手部区域的灰度值;对处理后的人体图像进行降噪处理;识别处理后的人体图像的类别。本发明的有益之处在于提供的基于毫米波图像的人体异物检测方法通过预先识别采集到的人体图像的头部区域和手部区域,并对识别到的头部和手部区域进行预处理以减小后续的图像识别的难度,提高识别的速度以及精准性。
Description
技术领域
本发明涉及一种基于毫米波图像的人体异物检测方法。
背景技术
毫米波成像安检装置用于检测待检人员身体是否携带危险物品,一般携带危险物品的人员并不会把危险物品握持在手上,或藏于肩部以上容易被观测到的位置,实际操作中,手部和头部区域藏匿危险物品的可能性可忽略不计,然而,现有的图像识别方法识别成像图像的所有区域以判断待检测人员是否携带危险物品,增大了图像识别的运算量。
发明内容
为解决现有技术的不足,本发明提供了一种解决上述问题的基于毫米波图像的人体异物检测方法。
为了实现上述目标,本发明采用如下的技术方案:
一种基于毫米波图像的人体异物检测方法,包含以下步骤:通过毫米波成像***采集人体图像;识别采集到的人体图像的头部区域和手部区域;调整识别到的头部区域和手部区域的灰度值;对处理后的人体图像进行降噪处理;识别处理后的人体图像的类别。
进一步地,识别采集到的人体图像的头部区域和手部区域,具体为通过图像识别算法自动定位人体图像中的头部区域和手部区域;
进一步地,识别采集到的人体图像的头部区域和手部区域,具体为通过拍摄装置对人体进行拍照,通过图像识别算法自动定位摄装置拍摄的人体照片中的头部区域和手部区域,将所定位到的人体照片中的头部区域和手部区域映射到毫米波成像***采集到的人体图像上以标识人体图像上的头区域和手部区域。
进一步地,调整识别到的头部区域和手部区域的灰度值,具体为将采集到的人体图像的头部区域和手部区域的灰度值置为0。
进一步地,对处理后的人体图像进行降噪处理,包括以下步骤:对处理后的人体图像进行阈值化分割得到人体图像的二值图像;对阈值化分割后的二值图像进行形态学操作;将处理后的二值图像中的阈值较大的区域替换成原采集到的人体图像的对应灰度值。
进一步地,对处理后的人体图像进行阈值化分割得到图像的二值图像,具体为将处理后的图像中的灰度值小于预设阈值的区域的灰度值置为255,将大于预设阈值的区域的灰度值置0,以使对处理后的图像进行阈值化分割得到图像的二值图像为黑白图像。
进一步地,对阈值化分割后的二值图像进行形态学操作,具体为通过闭操作闭合图像缺损,通过开操作断开不同连通区域之间的弱小的连接,使噪声形成孤立的小区域,再通过设定面积阈值去除噪声。
进一步地,识别处理后的人体图像的类别,具体为,将降噪处理后的人体图像划分成多个子图像;提取每个子图像二维频谱;提取子图像二维频谱的特征向量;对提取出的特征向量进行分类。
进一步地,提取子图像二维频谱的特征向量,具体为,将二维频谱划分成多个扇区,每个扇区提取一个特征数构成特征向量。
进一步地,提取子图像二维频谱左半部分的特征向量。
本发明的有益之处在于提供的基于毫米波图像的人体异物检测方法通过预先识别采集到的人体图像的头部区域和手部区域,并对识别到的头部和手部区域进行预处理以减小后续的图像识别的难度,提高识别的速度以及精准性。
附图说明
图1是本发明的基于毫米波图像的人体异物检测方法的毫米波成像***采集的图像的示意图;
图2是本发明的基于毫米波图像的人体异物检测方法对采集到的图像进行识别和灰度处理的示意图;
图3是本发明的基于毫米波图像的人体异物检测方法对采集到的图像进行阈值化分割得到的二值图像的示意图;
图4是本发明的基于毫米波图像的人体异物检测方法对二值图像进行形态学操作处理后的示意图;
图5中本发明的基于毫米波图像的人体异物检测方法降噪处理后的图像的示意图;
图6是本发明基于毫米波图像的人体异物检测方法的划分二维频谱的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1至图4所示,一种基于毫米波图像的人体异物检测方法,包含以下步骤:S1通过毫米波成像***采集人体图像;S2识别采集到的人体图像的头部区域和手部区域;S3调整识别到的头部区域和手部区域的灰度值;S4对处理后的人体图像进行降噪处理;S5识别处理后的人体图像的类别。
对于步骤S1通过毫米波成像***采集人体图像:
利用毫米波成像***采集大量的人体目标图像,如图1所示。
对于步骤S2识别采集到的人体图像的头部区域和手部区域:
在本发明实施例中,识别采集到的人体图像的头部区域和手部区域,具体为通过图像识别算法自动定位人体图像中的头部区域和手部区域,如图2所示。
由于毫米波成像***直接采集的图像相比通过拍摄装置(如CCD等)直接获取的照片会丢失人体头部和手部重要信息,不利于图像识别算法识别头部和手部信息,作为一种更优选的方式,也可以通过CCD对人体进行拍照成像,首先通过图像识别算法识别照片中的头部和手部区域,再将所识别定位的照片中的头部和手部区域映射到毫米波成像***采集到的人体图像上,如此可提高识别算法识别的速度和准确度。
对于步骤S3调整识别到的头部区域和手部区域的灰度值;
识别到人体图像中的头部区域和手部区域后,调整该区域的灰度值,为配合后面步骤中的降噪处理,在该步骤中,将采集到的人体图像的头部区域和手部区域的灰度值置为0。
对于步骤S4对处理后的人体图像进行降噪处理:
为了后续的图像增强与特征提取、自动目标识别能取得良好的效果,需要通过图像增强算法去除噪声,改善图像质量。去噪的主要目标是去除背景噪声,并最大限度地保持人体图像的完整。对经过步骤S3处理后的的图像进行降噪处理,包括以下步骤:对处理后的图像进行阈值化分割得到图像的二值图像,对阈值化分割后的二值图像进行形态学操作,将处理后的二值图像中的灰度值较大的区域替换成原采集到的图像的对应区域的灰度值。
阈值分割方法是常用的图像分割方法,在前景物体和背景物体灰度值分布都比较均匀时能取得良好的效果。为了能对不同的太赫兹图像均能取得良好的分割效果,本发明实施例采用软阈值,软阈值通过 OTSU 法获得,以实现全局最优。
对处理后的图像进行阈值化分割得到图像的二值图像,具体为将处理后的图像中的灰度值小于预设阈值的区域的灰度值置为255,将大于预设阈值的区域的灰度值置0,以使对处理后的图像进行阈值化分割得到图像的二值图像为黑白图像,如图2所示。
阈值分割之后得到二值图像。由于背景像素中也存在高灰度值的像素,导致背景噪声不能完全去除,而人体图像中也存在低灰度值的像素,导致人体图像出现缺损,因此需要通过形态学处理进一步去除噪声和填补人体缺损部分。
对阈值化分割后的二值图像进行形态学操作,具体为通过闭操作闭合图像缺损,通过开操作断开不同连通区域之间的弱小的连接,使噪声形成孤立的小区域,再通过设定面积阈值去除噪声。
由于背景噪声较复杂,在实际项目实现中,为了达到最佳的去噪效果,需要通过不断尝试不同的结构元素,开、闭、腐蚀、膨胀等形态学操作也可以进行多次。
在本发明实施例中,采集到的是人体图像,针对人体两腿呈长条形的特点,形态学操作可以对上半身和下半身分别进行,其中上半身采用正方形结构元素,下半身采用长方形结构元素,形态学操作处理后如图3所示。
将处理后的二值图像中的灰度值较大的区域替换成原采集到的图像的对应区域的灰度值,本发明实施例中,具体为,将处理后的二值图像中的灰度值为255的白色区域替换成原采集到的图像的对应区域的灰度值。
为了让去噪后的图像看起来更自然,先对原含噪图像进行对比度拉伸,再还原灰度值。对比度拉伸通过顶帽变换和底帽变换进行:
im'=im+tophat(im,se)-bothat(im,se),
其中,se 表示结构元素,这里采用的结构元素为边长 60 的正方形。最后的去噪结果如图4所示。
对于步骤S5识别处理后的人体图像的类别:
识别处理后的人体图像的类别,具体为,S51将降噪处理后的人体图像划分成多个子图像,S51提取每个子图像二维频谱,S53提取子图像二维频谱的特征向量,S54对提取出的特征向量进行分类。
对于步骤S51将降噪处理后的图像划分成多个子图像:
由于目标只占据整幅图像的一小片区域,因此可以将图像划分成多个子图,分别判断每张子图中是否存在目标。这样一方面降低了识别的难度,另一方面能够实现对目标的定位。
对于步骤S52提取每个子图像二维频谱:
对于每张子图,可以提取其二维频谱作为识别的特征。自然的人体表面是变化平缓的,对应的二维频谱幅值将集中在低频部分,且幅值近似服从 1/f 分布;当人体表面存在其他物体时,其对应的灰度图像会出现灰度值跳变,对应的二维频谱的分布也将发生变化。
对于步骤S53提取子图像二维频谱的特征向量:
提取二维频谱的特征向量具体为,将二维频谱划分成多个扇区,每个扇区提取一个特征数构成特征向量,如此处理可以降低特征向量的维数。在本发明实施例中,将二维频谱划分成 8 个环,每个扇形张角 45°,则二维频谱对应的特征向量只有64维。这种扇区划分的方法,既能体现高频和低频的差别,又能体现频谱不同方向上的差别,因此可以很好地反映频谱的分布特性,且这种频谱特征的提取方法具有运算量小、速度快的优点。
鉴于二维频谱具有中心对称的性质,因此只需要取二维频谱的一半部分特征即可反映出完整的二维频谱的特征,因此,可以选取二维频谱的左半部分,则二维频谱对应的特征向量只有 32维。
对于步骤S54对提取出的特征向量进行分类:
对提取出的特征向量进行分类,具体为自动目标识提取出的特征向量,一类为1,表示有目标,一类为0,表示没目标。本发明实施例拟用通过网络进行分类识别,通过反向误差传播法来训练的多层感知机。通常来说,识别图像数据需要 10 到 20 层的隐藏层。输出采用Sigmoid 函数,求得每个子图存在目标的概率。
采集到的人体数据中,存在目标的子图只占全部子图的一小部分,通常一个目标占据的子图数不超过 4 个。总的来说,大约只有不超过 10%的子图能够用来作为神经网络分类器的训练和识别。为了使训练结果更可靠,既不偏向有目标的结果,也不偏向没目标的结果,训练中有目标的子图数和没目标的子图数应该相等。因此,为了具有足够的可用子图数,采集的人体图片应该足够多。
对于本发明方案,也可以选择先对采集到的图像进行降噪处理后再对降噪处理后的图像进行头部和手部区域识别和灰度调整。
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,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种基于毫米波图像的人体异物检测方法,其特征在于包含以下步骤:
通过毫米波成像***采集人体图像;识别采集到的人体图像的头部区域和手部区域;调整识别到的头部区域和手部区域的灰度值;对处理后的人体图像进行降噪处理;识别处理后的人体图像的类别。
2.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述识别采集到的人体图像的头部区域和手部区域,具体为通过图像识别算法自动定位人体图像中的头部区域和手部区域。
3.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述识别采集到的人体图像的头部区域和手部区域,具体为通过拍摄装置对人体进行拍照,通过图像识别算法自动定位摄装置拍摄的人体照片中的头部区域和手部区域,将所定位到的人体照片中的头部区域和手部区域映射到毫米波成像***采集到的人体图像上以标识人体图像上的头区域和手部区域。
4.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述调整识别到的头部区域和手部区域的灰度值,具体为将采集到的人体图像的头部区域和手部区域的灰度值置为0。
5.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述对处理后的人体图像进行降噪处理,包括以下步骤:对处理后的人体图像进行阈值化分割得到人体图像的二值图像;对阈值化分割后的二值图像进行形态学操作;将处理后的二值图像中的阈值较大的区域替换成原采集到的人体图像的对应灰度值。
6.根据权利要求5所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述对处理后的人体图像进行阈值化分割得到图像的二值图像,具体为将处理后的图像中的灰度值小于预设阈值的区域的灰度值置为255,将大于预设阈值的区域的灰度值置0,以使对处理后的图像进行阈值化分割得到图像的二值图像为黑白图像。
7.根据权利要求5所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述对阈值化分割后的二值图像进行形态学操作,具体为通过闭操作闭合图像缺损,通过开操作断开不同连通区域之间的弱小的连接,使噪声形成孤立的小区域,再通过设定面积阈值去除噪声。
8.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述识别处理后的人体图像的类别,具体为,将降噪处理后的人体图像划分成多个子图像;提取每个子图像二维频谱;提取子图像二维频谱的特征向量;对提取出的特征向量进行分类。
9.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
所述提取子图像二维频谱的特征向量,具体为,将二维频谱划分成多个扇区,每个扇区提取一个特征数构成特征向量。
10.根据权利要求1所述的基于毫米波图像的人体异物检测方法,其特征在于,
提取子图像二维频谱左半部分的特征向量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361202.3A CN109543582A (zh) | 2018-11-15 | 2018-11-15 | 基于毫米波图像的人体异物检测方法 |
CN2018113612023 | 2018-11-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476074A true CN111476074A (zh) | 2020-07-31 |
Family
ID=65848225
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361202.3A Pending CN109543582A (zh) | 2018-11-15 | 2018-11-15 | 基于毫米波图像的人体异物检测方法 |
CN201911116812.1A Pending CN111476074A (zh) | 2018-11-15 | 2019-11-15 | 基于毫米波图像的人体异物检测方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361202.3A Pending CN109543582A (zh) | 2018-11-15 | 2018-11-15 | 基于毫米波图像的人体异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109543582A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298797B (zh) * | 2019-06-12 | 2021-07-09 | 博微太赫兹信息科技有限公司 | 一种基于卷积神经网络的毫米波图像处理方法 |
CN113301240B (zh) * | 2020-02-21 | 2022-12-13 | Oppo广东移动通信有限公司 | 控制拍照的方法和装置、电子设备、计算机可读存储介质 |
CN111553310B (zh) * | 2020-05-08 | 2023-04-07 | 中国电子科技集团公司第三十八研究所 | 基于毫米波雷达的安检图像获取方法、***及安检设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001064462A1 (en) * | 2000-02-28 | 2001-09-07 | Donnelly Corporation | Tire inflation assistance monitoring system |
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
CN102629315A (zh) * | 2012-02-29 | 2012-08-08 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别装置 |
CN102708372A (zh) * | 2012-02-29 | 2012-10-03 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别方法 |
CN105513035A (zh) * | 2014-09-22 | 2016-04-20 | 北京计算机技术及应用研究所 | 一种被动毫米波图像中人体隐匿物品的检测方法及其*** |
CN107578028A (zh) * | 2017-09-20 | 2018-01-12 | 广东工业大学 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371148B (zh) * | 2016-09-27 | 2019-05-03 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及*** |
CN107730439B (zh) * | 2017-09-08 | 2021-02-05 | 深圳市无牙太赫兹科技有限公司 | 一种人体图像映射方法、***及终端设备 |
-
2018
- 2018-11-15 CN CN201811361202.3A patent/CN109543582A/zh active Pending
-
2019
- 2019-11-15 CN CN201911116812.1A patent/CN111476074A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001064462A1 (en) * | 2000-02-28 | 2001-09-07 | Donnelly Corporation | Tire inflation assistance monitoring system |
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
CN102629315A (zh) * | 2012-02-29 | 2012-08-08 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别装置 |
CN102708372A (zh) * | 2012-02-29 | 2012-10-03 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别方法 |
CN105513035A (zh) * | 2014-09-22 | 2016-04-20 | 北京计算机技术及应用研究所 | 一种被动毫米波图像中人体隐匿物品的检测方法及其*** |
CN107578028A (zh) * | 2017-09-20 | 2018-01-12 | 广东工业大学 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109543582A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240161265A1 (en) | Information processing device, information processing method, and storage medium | |
Lalonde et al. | Detecting ground shadows in outdoor consumer photographs | |
CN108319973B (zh) | 一种树上柑橘果实检测方法 | |
KR101011515B1 (ko) | 결합된 에지 크기 및 에지 방향 분석 기술들을 이용한 이미지 데이터 내의 물체 인식 방법 | |
EP1693782B1 (en) | Method for facial features detection | |
JP2018198053A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US11450087B2 (en) | System and method for multimedia analytic processing and display | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
TWI673683B (zh) | 用於辨識組織病徵影像的系統及方法 | |
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识*** | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
Murali et al. | A survey on shadow detection techniques in a single image | |
KR101769741B1 (ko) | 동공 탐지를 통한 홍채 인식 방법 및 홍채 인식 장치 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
Kotteswari et al. | Analysis of foreground detection in MRI images using region based segmentation | |
Soares et al. | Microaneurysms detection using a novel neighborhood analysis | |
CN111539242A (zh) | 毫米波成像图像处理方法 | |
CN116563659A (zh) | 一种结合先验知识和特征分类的光学烟雾检测方法 | |
Abdusalomov et al. | Robust shadow removal technique for improving image enhancement based on segmentation method | |
Abraham et al. | A fuzzy based automatic bridge detection technique for satellite images | |
Bal et al. | Plate Number Recognition Using Segmented Method With Artificial Neural Network |
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 |