CN112270330A - 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 - Google Patents
一种基于Mask R-CNN神经网络被关注目标的智能检测方法 Download PDFInfo
- Publication number
- CN112270330A CN112270330A CN202011220944.1A CN202011220944A CN112270330A CN 112270330 A CN112270330 A CN 112270330A CN 202011220944 A CN202011220944 A CN 202011220944A CN 112270330 A CN112270330 A CN 112270330A
- Authority
- CN
- China
- Prior art keywords
- target
- mask
- intelligent detection
- target object
- neural network
- 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 64
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 28
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/435—Computation of moments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Mask R‑CNN神经网络被关注目标的智能检测方法,包括:建立图像数据集并利用ImageNet训练Mask R‑CNN网络;采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库;利用所述已被训练的Mask R‑CNN网络检测所述测试图像上的目标物体,并输出处理后的目标物体轮廓二值图;基于所述目标物体和所述标准对比图的轮廓进行轮廓特征匹配,判断所述目标物是否发生遮挡,输出判定未被遮挡的物体;计算所述未被遮挡的物体中的体积最大的目标并作为最终输出,完成被关注目标的智能检测。本发明可以实现基于图像的被关注目标的智能检测;复杂度低,运行速度快;适用范围广,可以应用于不同领域,可迁移性强。
Description
技术领域
本发明涉及计算机视觉的技术领域,尤其涉及一种基于Mask R-CNN神经网络被关注目标的智能检测方法。
背景技术
基于图像的目标检测是计算机视觉研究领域中的一个基本问题,主要是对图像中的多个物体进行识别和定位,目前,物体检测被广泛应用于安全布防、智能交通等工程领域,物体检测的方法主要分为两种:一是利用传统的机器学习方法,二是利用深度学习方法,传统的机器学习方法虽然能够取得较好的检测效果,但具有计算复杂度高、鲁棒性较差等明显缺点;近两年,深度学习方法在计算机视觉领域不断突破,涌现出许多有代表性的物体检测算法,相比于传统方法有着更高的准确度,深度学习的物体检测方法分为端到端的方法和区域选择方法。端到端的方法是根据给定图像直接回归出多个物体的类别和位置边框;区域选择方法是先生成待检测目标物的候选区域,再利用神经网络进行特征提取等操作,Mask R-CNN算法就属于区域选择方法,它的特点是不仅能检测出图像上的目标物体,而且还能检测出目标物体的轮廓,因而在检测领域,Mask R-CNN算法得到了广泛应用。
目前的目标检测算法都能直接检测到图像中各种状态下的指定目标类型,但无法分辨目标的显著性,即无法确认图像中的实际关注目标。但在某些应用中,希望对被检测目标类型进行进一步分类和甄别,自动识别图像被拍摄时的被关注目标,比如,在变电站机器巡检时,机器捕获的图像中往往捕获到多个同类型设备,但受限于清晰度和检测精度,仅需对当前关注目标进行故障判断或智能读取。通常情况下,被关注目标为未被遮挡的完整物体中占据图像面积最大的一个,因此,本发明专利着力于实现图像中的被关注目标检测。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:传统方案计算复杂度高、鲁棒性较差、准确度低。
为解决上述技术问题,本发明提供如下技术方案:建立图像数据集并利用ImageNet训练Mask R-CNN网络;采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库;利用所述已被训练的Mask R-CNN网络检测所述测试图像上的目标物体,并输出处理后的目标物体轮廓二值图;基于所述目标物体和所述标准对比图的轮廓进行轮廓特征匹配,判断所述目标物是否发生遮挡,输出判定未被遮挡的物体;计算所述未被遮挡的物体中的体积最大的目标并作为最终输出,完成被关注目标的智能检测。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:所述轮廓匹配的原理包括根据两个物体的Hu矩特征进行匹配,所述特征匹配计算公式包括,
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:所述Hu矩包括,
h1=η20+η02
h3=(η30-3η12)2+(3η21-η03)2
h4=(η30+η12)2+(η21+η03)2
h5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21-η03)2]+(3η21-η03)(η21+η03)[3(3η21+η03)2-(η21+η03)2]
h6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:所述标准对比样本图包括,
所述物体的正视图、后视图、左侧视图、右侧视图、前斜45°图和后斜45°图。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:利用所述Mask R-CNN网络实现所述数据样本图的前景与背景分离,包括,前景物体颜色设置为黑色,背景设置为白色,即转换成标准对比轮廓图保存。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:所述处理后的目标信息包括检测框位置和轮廓信息。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:判断所述目标物是否发生遮挡的标准包括所述物体的匹配度。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:判断所述目标物是否发生遮挡的标准进一步包括,当所述目标物轮廓与六个标准轮廓中的任意一个的匹配度大于设定的阈值时,则所述目标物与这一方向上的轮廓最接近且完整性较高,说明所述物体未被遮挡,输出所述目标物的标签,反之,则说明所述目标物被遮挡。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:判断所述最大目标的标准包括每个目标中包含像素个数。
作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案,其中:所述Hu矩图像特征包括旋转、缩放和平移不变性,为归一化矩的线性组合。
本发明的有益效果:可以实现基于图像的被关注目标的智能检测;复杂度低,运行速度快;适用范围广,可以应用于不同领域,可迁移性强。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于Mask R-CNN神经网络被关注目标的智能检测方法的基本流程示意图;
图2为本发明一个实施例提供的基于Mask R-CNN神经网络被关注目标的智能检测方法的摄像头采集的标准对比图;
图3为本发明一个实施例提供的基于Mask R-CNN神经网络被关注目标的智能检测方法的处理后的标准轮廓二值图;
图4为本发明一个实施例提供的基于Mask R-CNN神经网络被关注目标的智能检测方法的Mask R-CNN检测的可视化结果图;
图5为本发明一个实施例提供的基于Mask R-CNN神经网络被关注目标的智能检测方法的提取出的物体轮廓图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明基于Mask R-CNN和轮廓匹配算法,提出了一种关注目标的检测方法,此方法能检测出图像上最具显著性的目标物体,能满足检测到物体之后的进一步检测要求,实现检测方面的特色功能。
参照图1~5,为本发明的一个实施例,提供了一种基于Mask R-CNN神经网络被关注目标的智能检测方法,包括:
S1:建立图像数据集并利用ImageNet训练Mask R-CNN网络。
具体的,用摄像头采集图像,建立合适的数据集,用训练数据集对采用ImageNet预训练过的Mask R-CNN网络进行训练,得到针对相应数据类型(指比如我们需要检测车,这里就是车的数据库)的最优网络参数,建立网络模型。
S2:采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库;
需要说明的是:标准对比样本图包括:
物体的正视图、后视图、左侧视图、右侧视图、前斜45°图和后斜45°图。
具体的,建立Hu矩匹配数据库:用摄像头采集待检测类别目标的标准对比样本图,每个样本采集六张不同方向的无遮挡图像,分别为该目标的正视图、后视图、左侧视图、右侧视图,前斜45°图和后斜45°图,如图2及图3所示,利用Mask R-CNN网络实现上述数据样本的前景与背景分离,如图4所示,前景物体颜色设置为黑色,背景设置为白色,即转换成标准对比轮廓图保存,如图5(以图中的轿车为例)所示。
S3:利用已被训练的Mask R-CNN网络检测测试图像上的目标物体,并输出处理后的目标物体轮廓二值图;
需要说明的是:利用Mask R-CNN网络实现数据样本图的前景与背景分离,包括:
前景物体颜色设置为黑色,背景设置为白色,即转换成标准对比轮廓图保存。
其中,处理后的目标信息包括检测框位置和轮廓信息。
具体的,将测试图像输入Mask R-CNN网络进行目标检测,输出每个目标物体的检测框位置和轮廓信息,并对每个目标物绘制出仅含有物体轮廓的二值图像,其中,设置目标物轮廓及其内部为黑色,其余背景部分为白色,对被检测目标进行尺度变换,使其等于目标物对应类别的标准轮廓图的尺寸,以便于进行后续的轮廓匹配步骤。
S4:基于目标物体和标准对比图的轮廓进行轮廓特征匹配,判断目标物是否发生遮挡,输出判定未被遮挡的物体;
需要说明的是,轮廓匹配的原理包括根据两个物体的Hu矩特征进行匹配,特征匹配计算公式包括,
其中,Hu矩包括,
h1=η20+η02
h3=(η30-3η12)2+(3η21-η03)2
h4=(η30+η12)2+(η21+η03)2
h5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21-η03)2]+(3η21-η03)(η21+η03)[3(3η21+η03)2-(η21+η03)2]
h6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
进一步的,Hu矩图像特征包括旋转、缩放和平移不变性,为归一化矩的线性组合。
其中,判断目标物是否发生遮挡的标准包括物体的匹配度。
判断目标物是否发生遮挡的标准进一步包括,
当目标物轮廓与六个标准轮廓中的任意一个的匹配度大于设定的阈值时,则目标物与这一方向上的轮廓最接近且完整性较高,说明物体未被遮挡,输出目标物的标签,反之,则说明目标物被遮挡。
具体的,将每一个目标物的二值轮廓图分别与其对应的六个标准轮廓图进行基于Hu矩的特征匹配,计算得到的的结果即为两个物体的匹配度,匹配度越高,说明匹配效果越好,两者越接近,当目标物轮廓与六个标准轮廓中的任意一个的匹配度大于设定的阈值时,说明目标物与这一方向上的轮廓最接近且完整性较高,说明物体未被遮挡,输出该目标物的标签,反之,则说明目标物被遮挡。
S5:计算未被遮挡的物体中的体积最大的目标并作为最终输出,完成被关注目标的智能检测。
判断最大目标的标准包括每个目标中包含像素个数。
具体的,Hu矩满足匹配条件的目标中,依据每个目标中包含像素个数,选取像素数量最多的目标为最终结果输出。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例以传统的技术方案与本发明方法进行对比,以验证本方法所具有的真实效果。
传统的技术方案:利用传统图像特征匹配实现目标检测,再采用轮廓矩或归一化矩实现未遮挡目标检测,其中,基于传统图像特征匹配的目标检测方法有mean-shift算法;轮廓矩是将对轮廓上所有点进行积分运算而得到的值作为轮廓的粗略特征,公式为:
但当两个轮廓相同但大小不同的物体进行匹配时,用这种简单的轮廓矩不能输出准确的匹配值,归一化矩能够忽略物体的大小,只考虑物体的轮廓,计算公式为:
其中,xavg=m10/m00,yavg=m10/m00;但归一化矩依赖于所选的坐标系,因而当物体发生旋转等变化时,会影响到匹配结果的准确性。
本发明方法利用深度学习的Mask-RCNN网络实现目标检测,再通过Hu矩提取目标特征进行匹配实现无遮挡目标的检测;本发明方法与传统方案的对比实验数据如下表所示:
与传统方法相比,利用Mask-RCNN网络实现目标检测可以达到95%的正确检测率,远高于采用meanshift算法的83%的正确检测率;在目标检测的基础上,利用Hu矩针对Mask-RCNN网络检测结果进行特征匹配能够实现最终87%的无遮挡目标正确检测率,而采用传统的meanshift+轮廓矩的算法,仅能实现54%的正确识别率。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于Mask R-CNN神经网络被关注目标的智能检测方法,其特性在于,包括:
建立图像数据集并利用ImageNet训练Mask R-CNN网络;
采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库;
利用所述已被训练的Mask R-CNN网络检测所述测试图像上的目标物体,并输出处理后的目标物体轮廓二值图;
基于所述目标物体和所述标准对比图的轮廓进行轮廓特征匹配,判断所述目标物是否发生遮挡,输出判定未被遮挡的物体;
计算所述未被遮挡的物体中的体积最大的目标并作为最终输出,完成被关注目标的智能检测。
3.如权利要求1或2所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:所述Hu矩包括,
h1=η20+η02
h3=(η30-3η12)2+(3η21-η03)2
h4=(η30+η12)2+(η21+η03)2
h5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21-η03)2]+(3η21-η03)(η21+η03)[3(3η21+η03)2-(η21+η03)2]
h6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
4.如权利要求1所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:所述标准对比样本图包括,
所述物体的正视图、后视图、左侧视图、右侧视图、前斜45°图和后斜45°图。
5.如权利要求1或4所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:利用所述Mask R-CNN网络实现所述数据样本图的前景与背景分离,包括,
前景物体颜色设置为黑色,背景设置为白色,即转换成标准对比轮廓图保存。
6.如权利要求5所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:所述处理后的目标信息包括检测框位置和轮廓信息。
7.如权利要求6所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:判断所述目标物是否发生遮挡的标准包括所述物体的匹配度。
8.如权利要求7所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:判断所述目标物是否发生遮挡的标准进一步包括,
当所述目标物轮廓与六个标准轮廓中的任意一个的匹配度大于设定的阈值时,则所述目标物与这一方向上的轮廓最接近且完整性较高,说明所述物体未被遮挡,输出所述目标物的标签,反之,则说明所述目标物被遮挡。
9.如权利要求1或7所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:判断所述最大目标的标准包括每个目标中包含像素个数。
10.如权利要求3所述的基于Mask R-CNN神经网络被关注目标的智能检测方法,其特征在于:所述Hu矩图像特征包括旋转、缩放和平移不变性,为归一化矩的线性组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220944.1A CN112270330A (zh) | 2020-11-05 | 2020-11-05 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220944.1A CN112270330A (zh) | 2020-11-05 | 2020-11-05 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270330A true CN112270330A (zh) | 2021-01-26 |
Family
ID=74346117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220944.1A Pending CN112270330A (zh) | 2020-11-05 | 2020-11-05 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270330A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784771A (zh) * | 2021-01-27 | 2021-05-11 | 浙江芯昇电子技术有限公司 | 人形检测方法、***和监控设备 |
CN113283322A (zh) * | 2021-05-14 | 2021-08-20 | 柳城牧原农牧有限公司 | 一种牲畜外伤检测方法、装置、设备和存储介质 |
CN115641455A (zh) * | 2022-09-16 | 2023-01-24 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903282A (zh) * | 2014-04-08 | 2014-07-02 | 陕西科技大学 | 一种基于LabVIEW的目标跟踪方法 |
CN107766855A (zh) * | 2017-10-25 | 2018-03-06 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、***、存储介质及机器人 |
CN108898079A (zh) * | 2018-06-15 | 2018-11-27 | 上海小蚁科技有限公司 | 一种监控方法及装置、存储介质、拍摄终端 |
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及*** |
CN110084146A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 基于遮挡感知自监督学习的行人检测方法及装置 |
CN111754441A (zh) * | 2020-06-29 | 2020-10-09 | 国网甘肃省电力公司电力科学研究院 | 一种图像复制粘贴伪造被动检测方法 |
-
2020
- 2020-11-05 CN CN202011220944.1A patent/CN112270330A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903282A (zh) * | 2014-04-08 | 2014-07-02 | 陕西科技大学 | 一种基于LabVIEW的目标跟踪方法 |
CN107766855A (zh) * | 2017-10-25 | 2018-03-06 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、***、存储介质及机器人 |
CN108898079A (zh) * | 2018-06-15 | 2018-11-27 | 上海小蚁科技有限公司 | 一种监控方法及装置、存储介质、拍摄终端 |
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及*** |
CN110084146A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 基于遮挡感知自监督学习的行人检测方法及装置 |
CN111754441A (zh) * | 2020-06-29 | 2020-10-09 | 国网甘肃省电力公司电力科学研究院 | 一种图像复制粘贴伪造被动检测方法 |
Non-Patent Citations (2)
Title |
---|
谢金路: "基于图像视觉的分拣机器人运动控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 36 - 37 * |
魏中雨 等: "基于机器视觉和深度神经网络的零件装配检测", 《组合机床与自动化加工技术》, pages 74 - 77 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784771A (zh) * | 2021-01-27 | 2021-05-11 | 浙江芯昇电子技术有限公司 | 人形检测方法、***和监控设备 |
CN113283322A (zh) * | 2021-05-14 | 2021-08-20 | 柳城牧原农牧有限公司 | 一种牲畜外伤检测方法、装置、设备和存储介质 |
CN115641455A (zh) * | 2022-09-16 | 2023-01-24 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
CN115641455B (zh) * | 2022-09-16 | 2024-01-09 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
CN112270330A (zh) | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN108256456B (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
WO2019227954A1 (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN107066933A (zh) | 一种道路标牌识别方法及*** | |
CN111738314A (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN106682601A (zh) | 一种基于多维信息特征融合的驾驶员违规通话检测方法 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
CN106570439B (zh) | 一种车辆检测方法及装置 | |
CN111241975A (zh) | 一种基于移动端边缘计算的人脸识别检测方法及*** | |
CN106951869A (zh) | 一种活体验证方法及设备 | |
CN109460787A (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN110675442B (zh) | 一种结合目标识别技术的局部立体匹配方法及*** | |
CN115346197A (zh) | 一种基于双向视频流的驾驶员分心行为识别方法 | |
CN110503049B (zh) | 基于生成对抗网络的卫星视频车辆数目估计方法 | |
CN115661757A (zh) | 一种受电弓拉弧自动检测方法 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测*** | |
CN111160107A (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN114332655A (zh) | 一种车辆自适应融合检测方法及*** | |
CN108932471B (zh) | 一种车辆检测方法 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 |
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 |