CN114092744B - 一种颈动脉超声图像斑块分类检测方法及*** - Google Patents
一种颈动脉超声图像斑块分类检测方法及*** Download PDFInfo
- Publication number
- CN114092744B CN114092744B CN202111424971.5A CN202111424971A CN114092744B CN 114092744 B CN114092744 B CN 114092744B CN 202111424971 A CN202111424971 A CN 202111424971A CN 114092744 B CN114092744 B CN 114092744B
- Authority
- CN
- China
- Prior art keywords
- plaque
- carotid
- video information
- carotid artery
- cross
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 31
- 238000002604 ultrasonography Methods 0.000 claims abstract description 27
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 24
- 230000036262 stenosis Effects 0.000 claims abstract description 24
- 208000037804 stenosis Diseases 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于图像分类检测领域,提供了一种颈动脉超声图像斑块分类检测方法及***。其中,该方法包括获取颈动脉横切面视频信息和颈动脉纵切面视频信息;分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
Description
技术领域
本发明属于图像分类检测领域,尤其涉及一种颈动脉超声图像斑块分类检测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
颈动脉斑块会导致多种脑部疾病,由于斑块存在不同种类型,一旦易损斑块发生破损,对人体会引起难以挽回的损伤,为了及早发现斑块的类型以至于可以及时防范不同种斑块变化带来的损伤,需要一种颈动脉斑块分类检测***,来进行辅助诊断,提高诊断效率。
在颈动脉超声图像中,存在不同大小不同类型的斑块,之前技术进行检测一般使用全部斑块标签全监督学习或者没有标签无监督学习,这样会使标记工作量增大或者准确率不够。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种颈动脉超声图像斑块分类检测方法及***,其能够降低颈动脉超声图像的标记工作量的同时,保障斑块检测分类的准确性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种颈动脉超声图像斑块分类检测方法,其包括:
获取颈动脉横切面视频信息和颈动脉纵切面视频信息;
分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;
对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;
根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;
根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
本发明的第二个方面提供一种颈动脉超声图像斑块分类检测***,其包括:
视频信息获取模块,其用于获取颈动脉横切面视频信息和颈动脉纵切面视频信息;
特征增强模块,其用于分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;
像素级分割模块,其用于对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;
斑块信息确定模块,其用于根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;
斑块类型确定模块,其用于根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的颈动脉超声图像斑块分类检测方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的颈动脉超声图像斑块分类检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强,再对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联,根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率,最终根据斑块大小和面积及狭窄率确定斑块类型,输出不同程度的预警提示,不需要标记斑块标签,节省了大量工作量的同时,还能够保障斑块类型检测的准确度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的颈动脉超声图像斑块分类检测方法流程图;
图2是本发明实施例的颈动脉超声图像斑块分类检测应用示例图;
图3是本发明实施例的颈动脉超声图像斑块分类检测***结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种颈动脉超声图像斑块分类检测方法,其具体包括如下步骤:
S101:获取颈动脉横切面视频信息和颈动脉纵切面视频信息。
在具体实施中,颈动脉横切面视频信息和颈动脉纵切面视频信息通过超声设备采集获得。
需要说明的是,所述超声采集模块包括但不限于超声采集仪器、掌上超声设备以及5G远程超声采集设备等。
S102:分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强。
在具体实施的过程中,关键连续帧提取的过程为:
按帧数分别将颈动脉横切面视频信息和颈动脉纵切面视频信息对应分成若干段,判断每段中关键帧数量,选取相关段作为相应连续关键帧。
具体地,对所提取的关键连续帧均进行特征增强的过程包括:
对各个关键连续帧进行特征提取;
将提取的特征进行去噪,以实现特征增强。
例如:进行图像变换去噪等特征增强,可使用盲像素级去噪,借鉴真实图像去噪方法,在全局区域搜索相似像素以增强去噪性能。
其中,对各个关键连续帧进行特征提取的算法包括但不限于SIFI算法、方差梯度直方图、高斯函数差分、MDS以及深度学习中稀疏模式自动编码等;
实现特征增强的算法包括但不限于RETINEX图像增强算法、SSD算法等,最大程度上避免因超声机器噪声所造成的干扰。
S103:对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联。
其中,对于横切面和纵切面的图像均进行像素级分割,采用端到端实例分割方法,增加动态跟踪任务头来预测实例在连续视频帧中的身份信息实现时间域上的关联,以及跟踪策略,先检测后跟踪。
S104:根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率。
在具体实施中,基于确定的坐标,确定出纵切面左侧至右侧以及上方至下方的垂直距离,计算出斑块大小和面积。
基于确定的坐标、横切面测量颈动脉正常直径以及狭窄直径,使用狭窄率计算公式计算出狭窄率。
S105:根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
根据斑块大小和面积及狭窄率,基于预先训练完成的深度学习网络来确定斑块类型。
其中,深度学习网络包括但不限于SVM、AlexNet、ResNet、Faster R-CNN、CNN+LSTM等算法。所述斑块类型包括硬斑、软斑以及混合斑。
本实施例利用弱监督方式对颈动脉斑块进行检测分类,并进行实时显示进行辅助诊断,提高诊断效率。
如图2所示,根据分类结果通过计算易损指数等参数预测斑块性质。在进行斑块检测和分类之后可以进行实时显示,同时也可以显示出预测出的斑块性质。
实施例二
如图3所示,本实施例提供了一种颈动脉超声图像斑块分类检测***,其具体包括如下模块:
视频信息获取模块201,其用于获取颈动脉横切面视频信息和颈动脉纵切面视频信息;
特征增强模块202,其用于分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;
像素级分割模块203,其用于对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;
斑块信息确定模块204,其用于根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;
斑块类型确定模块205,其用于根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的颈动脉超声图像斑块分类检测方法中的步骤。
其中,计算机可读存储介质诸如磁盘、光盘、磁光盘、半导体存储器等等。
实施例四
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的。颈动脉超声图像斑块分类检测方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种颈动脉超声图像斑块分类检测方法,其特征在于,包括:
获取颈动脉横切面视频信息和颈动脉纵切面视频信息;
分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;
对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;
根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;
根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
2.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,关键连续帧提取的过程为:
按帧数分别将颈动脉横切面视频信息和颈动脉纵切面视频信息对应分成若干段,判断每段中关键帧数量,选取相关段作为相应连续关键帧。
3.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,对所提取的关键连续帧均进行特征增强的过程包括:
对各个关键连续帧进行特征提取;
将提取的特征进行去噪,以实现特征增强。
4.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,基于确定的坐标,确定出纵切面左侧至右侧以及上方至下方的垂直距离,计算出斑块大小和面积。
5.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,基于确定的坐标、横切面测量颈动脉正常直径以及狭窄直径,使用狭窄率计算公式计算出狭窄率。
6.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,根据斑块大小和面积及狭窄率,基于预先训练完成的深度学习网络来确定斑块类型。
7.如权利要求1所述的颈动脉超声图像斑块分类检测方法,其特征在于,所述斑块类型包括硬斑、软斑以及混合斑。
8.一种颈动脉超声图像斑块分类检测***,其特征在于,包括:
视频信息获取模块,其用于获取颈动脉横切面视频信息和颈动脉纵切面视频信息;
特征增强模块,其用于分别对颈动脉横切面视频信息和颈动脉纵切面视频信息进行关键连续帧提取,对所提取的关键连续帧均进行特征增强;
像素级分割模块,其用于对特征增强后的颈动脉横切面图像和颈动脉纵切面图像先进行身份预测,再追踪各个身份对应的图像并进行像素级分割,以实现身份信息与分割结果在时间域上的关联;
斑块信息确定模块,其用于根据分割结果,遍历掩膜像素的每一列并通过色差标记确定坐标,确定出所述分割结果关联的身份信息对应的斑块大小和面积以及狭窄率;
斑块类型确定模块,其用于根据斑块大小和面积及狭窄率确定斑块类型,以输出不同程度的预警提示。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的颈动脉超声图像斑块分类检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的颈动脉超声图像斑块分类检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424971.5A CN114092744B (zh) | 2021-11-26 | 2021-11-26 | 一种颈动脉超声图像斑块分类检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424971.5A CN114092744B (zh) | 2021-11-26 | 2021-11-26 | 一种颈动脉超声图像斑块分类检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092744A CN114092744A (zh) | 2022-02-25 |
CN114092744B true CN114092744B (zh) | 2024-05-17 |
Family
ID=80305107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424971.5A Active CN114092744B (zh) | 2021-11-26 | 2021-11-26 | 一种颈动脉超声图像斑块分类检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092744B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663372B (zh) * | 2022-03-11 | 2022-09-23 | 北京医准智能科技有限公司 | 一种基于视频的病灶分类方法、装置、电子设备及介质 |
CN115222665B (zh) * | 2022-06-13 | 2023-04-07 | 北京医准智能科技有限公司 | 一种斑块检测方法、装置、电子设备及可读存储介质 |
CN117115187B (zh) * | 2023-10-24 | 2024-02-09 | 北京联影智能影像技术研究院 | 颈动脉壁分割方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409371A (zh) * | 2017-08-18 | 2019-03-01 | 三星电子株式会社 | 用于图像的语义分割的***和方法 |
CN110246136A (zh) * | 2019-05-29 | 2019-09-17 | 山东大学 | 一种基于混合算法的血管内超声参数提取方法及*** |
CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110428417A (zh) * | 2019-08-13 | 2019-11-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110766651A (zh) * | 2019-09-05 | 2020-02-07 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、训练方法及超声设备 |
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN113192062A (zh) * | 2021-05-25 | 2021-07-30 | 湖北工业大学 | 一种基于图像复原的动脉斑块超声图像自监督分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5765823B2 (ja) * | 2010-03-26 | 2015-08-19 | 国立大学法人徳島大学 | 頸動脈プラークのエコー画像生成方法及び評価装置 |
US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
-
2021
- 2021-11-26 CN CN202111424971.5A patent/CN114092744B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409371A (zh) * | 2017-08-18 | 2019-03-01 | 三星电子株式会社 | 用于图像的语义分割的***和方法 |
CN110246136A (zh) * | 2019-05-29 | 2019-09-17 | 山东大学 | 一种基于混合算法的血管内超声参数提取方法及*** |
CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110428417A (zh) * | 2019-08-13 | 2019-11-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
CN110766651A (zh) * | 2019-09-05 | 2020-02-07 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、训练方法及超声设备 |
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN113192062A (zh) * | 2021-05-25 | 2021-07-30 | 湖北工业大学 | 一种基于图像复原的动脉斑块超声图像自监督分割方法 |
Non-Patent Citations (3)
Title |
---|
基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究;吴秋雯;周书怡;耿辰;李郁欣;曹鑫;耿道颖;杨丽琴;;上海医学;20200525(第05期);全文 * |
基于深度学习的颈动脉超声图像斑块分割算法;蔡梦媛;周然;程新耀;丁明跃;;生命科学仪器;20200625(第03期);全文 * |
血管粘连型肺结节图像的序列分割方法;张伟;张小龙;赵涓涓;强彦;唐笑先;;计算机工程与设计;20180816(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114092744A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092744B (zh) | 一种颈动脉超声图像斑块分类检测方法及*** | |
CN108053419B (zh) | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 | |
Von Stumberg et al. | Gn-net: The gauss-newton loss for multi-weather relocalization | |
KR102275452B1 (ko) | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN107424171B (zh) | 一种基于分块的抗遮挡目标跟踪方法 | |
CN105740758A (zh) | 基于深度学习的互联网视频人脸识别方法 | |
CN110569855B (zh) | 基于相关滤波与特征点匹配融合的长时间目标跟踪方法 | |
CN105512618B (zh) | 视频跟踪方法 | |
CN111160203B (zh) | 一种基于头肩模型和iou跟踪的徘徊逗留行为分析方法 | |
CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN105760846A (zh) | 基于深度数据的目标检测与定位方法及*** | |
CN105374035A (zh) | 杂光干扰下星敏感器星点提取方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN106447672B (zh) | 一种交叉遮挡鱼体识别计数方法 | |
CN103761768A (zh) | 一种三维重建的立体匹配方法 | |
CN110598570A (zh) | 一种行人异常行为检测方法、***、存储介质及计算机设备 | |
CN116381672A (zh) | 基于孪生网络雷达x波段多扩展目标自适应跟踪方法 | |
CN105913425A (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
Chen et al. | Multi-lane detection and tracking using temporal-spatial model and particle filtering | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN111091583A (zh) | 长期目标跟踪方法 | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
CN116052120A (zh) | 基于图像增强和多传感器融合的挖掘机夜间物体检测方法 |
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 |