CN101957918A - 用于识别图案的方法、图案识别器和计算机程序 - Google Patents

用于识别图案的方法、图案识别器和计算机程序 Download PDF

Info

Publication number
CN101957918A
CN101957918A CN2010102289319A CN201010228931A CN101957918A CN 101957918 A CN101957918 A CN 101957918A CN 2010102289319 A CN2010102289319 A CN 2010102289319A CN 201010228931 A CN201010228931 A CN 201010228931A CN 101957918 A CN101957918 A CN 101957918A
Authority
CN
China
Prior art keywords
reference value
pattern
zone
ref
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.)
Granted
Application number
CN2010102289319A
Other languages
English (en)
Other versions
CN101957918B (zh
Inventor
图奥马斯·凯尔凯宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gurulogic Microsystems Oy
Original Assignee
Gurulogic Microsystems Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gurulogic Microsystems Oy filed Critical Gurulogic Microsystems Oy
Publication of CN101957918A publication Critical patent/CN101957918A/zh
Application granted granted Critical
Publication of CN101957918B publication Critical patent/CN101957918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于识别图案的方法、图案识别器和计算机程序，为了快速地和以最低的可能计算能力识别图案所述图案识别器包括：存储器(12)，用于存储特定于区域的参考值(REF)，所述特定于区域的参考值(REF)基于包含要识别的图案的部分的图像区域的图像信息来计算；以及，处理器(14)，被配置为将接收到的图像划分(15)为区域，基于所述区域的图像信息来计算(16)特定于区域的参考值(REF)，将所计算的参考值(REF)与存储在存储器(12)中的参考值(REF)相比较(17)，如果在接收到的图像中找到由相邻区域构成的部分，则指示(18)识别到图案，其中，所述区域的参考值(REF)以足够的精度对应于存储在存储器(12)中的参考值(REF)。

Description

用于识别图案的方法、图案识别器和计算机程序
技术领域
本发明涉及图案识别，其中，监控接收到的图像以查明在图像中是否出现了可识别的图案。
背景技术
在视频图像中的图案识别需要所使用的设备具有相当大的计算能力。因此，已知的解决方案不能利用具有较低计算能力的设备进行有效和快速的图案识别。
发明内容
本发明的目的是解决上述问题，并且提供新的和比以前更有效的解决方案来识别在图像中的图案。这通过独立权利要求1的方法、独立权利要求6的图案识别器、独立权利要求12的计算机程序和独立权利要求13的计算机可读介质实现。
本发明利用了把要识别的图案和在其中搜索图案的图像划分为区域的可能性，对于所述区域，基于在所述区域中的图像信息来计算特定于区域的参考值。其后，有可能通过将正在处理的图像区域的参考值和包含图案部分的区域的参考值相互比较来搜索在图像中的图案。然后，如果正在处理的图像包括如下部分，其中在该部分中区域的参考值以足够的精度对应于包括图案部分的区域的参考值，则有可能指示图案的识别。通过以这种方式执行，图案识别变得比以前更简单和更快速，因此，所使用的设备的计算容量不必像在现有技术解决方案中那么高。
在所附的从属权利要求中公开了本发明的方法和图案识别器的优选实施例。
附图说明
下面，将参考附图通过示例更详细地描述本发明，其中：
图1图示将图像划分为区域，
图2a至2e图示图像区域的采样，
图3图示本发明的优选实施例，
图4图示图案识别器的第一优选实施例，并且
图5图示图案识别器的第二优选实施例。
具体实施方式
图1图示了将图像1划分为区域A1至An。可以根据特定情况来选择区域的数量和大小。一种选择是将图像划分为区域，使得每个区域包括8x8像素。优选地，像素的色度是至少24位(RGB，红-绿-蓝)，但是通过使用尽可能饱和的色度，例如64位的色度，来实现最佳结果。更大的移动区域要求更好的色度来实现特定区域。
图2a至2e图示在图像区域中的采样。例如，可以假定，图2a至2e示出了在图1中的区域A1的采样，据此，根据该区域的图像信息将特定的像素选择为采样。
可以通过使用本身已知(per se)的超级采样技术来执行采样选择，据此，在图2a的情况下，使用网格算法来获得由图2a中的点指示的位置上的9个采样。每个采样因此表示位于所述点的像素的数值，该数值实际上确定这个像素的颜色。替代地，可以通过随机算法(图2b)、PoissonDisc算法(图2c)、抖动算法(图2d)或旋转网格算法(图2e)来执行采样。
当根据需要已经对正在处理的区域进行采样时，基于该采样来对所述图像区域计算参考值。可以计算参考值以对应于在区域中获得的采样，即像素的数值，的平均值。实际测试已经示出，例如通过使用4x4或8x8的图像区域、超级采样技术和像素的24位色度以及1920x1080像素的原始图像大小来获得良好的结果。在那种情况下，可以通过例如下述方式来实现超级采样：
1)将源图像划分为相等大小的矩形，每个矩形对应于一个图像区域；
2)计算位于矩形内部或由矩形相交的所有像素的加权和。如果像素位于矩形的内部，则向这个像素值提供加权值1。如果由矩形相交的像素和该矩形具有相交面积a＜1，则向该像素值提供a的加权值。
3)为了计算参考值，将加权和除以矩形的表面面积(被表达为像素，由此，该表面区域是在矩形中的像素的水平数量乘以在矩形中的像素的垂直数量)。
上面，举例说明了在参考值的计算中考虑区域中的所有像素，并且该区域在形状上明确地为矩形的。但是，这不是必需的，也可以通过仅采样在区域中的一些像素并且通过将图像划分为不同于矩形形状的区域，例如划分为三角区域，来执行参考值计算。
图3图示本发明的优选实施例。
在步骤A中，接收到包含要识别的图案的图像。在这一点上，应当广义地将概念“图案”理解为包括例如人、物体或货品以及各种图形的部分，随后因为一个或另一个原因而需要在接收到的图像中识别它们。在步骤A中，包含图案的图像也被划分为区域，例如划分为如上所述的矩形的、相等大小的区域。
在步骤B中，计算包含图案部分的图像区域的参考值。可以如上所述执行参考值计算。包含图案部分的每个图像区域将因此具有特定的参考值。
在步骤C中，将所计算的参考值存储在存储器中。在一些实施例中，有利地，在存储器中不仅存储参考值，而且存储位置数据。该位置数据指示该参考值所对应的区域的相互位置。在步骤C后，完成要识别的图案的定义，接下来，有可能在一个或多个图像中开始识别要识别的图案。
在步骤D，开始图像的接收。问题可以例如是由摄像机产生并且实际上由多个独立的、连续的图像组成的视频图像的问题。
在步骤E中，将独立的、接收到的图像划分为区域。如在步骤A中的那样以对应的方式来执行区域的划分。
在步骤F中，例如基于如上所述的图像区域的图像信息来计算该图像区域的参考值。
在步骤G中，将所计算的正在处理的图像的参考值与存储在存储器中的参考值相比较。如果在所处理的图像中发现由相邻区域组成的图像部分，其中所述区域的参考值以足够的精度对应于所存储的参考值，则在步骤H中，指示找到了要识别的图案。如何指示图案识别取决于应用。在一些情况下，有可能触发音频信号以在显示装置上显示信息，或例如当具有允许的牌照号码的汽车接近时控制例如车库门或停车场的吊杆的装置。
有可能在所有的情况下，所存储的包含图案部分的区域的参考值不完全地对应于要识别的图案所位于的图像部分中的参考值。因此，该比较示出参考值彼此以足够的精度对应就已足够。该足够的精度根据特定情况而改变。例如，有可能在下述情况下在该部分中的区域的参考值以足够的精度对应于所存储的参考值：在所述部分中找到的并且其参考值对应于所存储的参考值的区域与所有的所存储的参考值的区域的比例超过给定的极限值。用户可以因此确定极限值，该极限值用于表示在所述图像部分中找到所存储的参考区域的例如70％的情况下将指示图案识别。在那种情况下，如果在存储器中存储包含图像部分的10个区域的参考值，并且在该图像部分中找到其参考值对应于在存储器中存储的那些区域的七个区域，则指示图案识别。
也可以设想该参考值比较不要求绝对的相同值，但是如果两个参考值彼此偏差不超过由用户定义的给定变化范围，则两个参考值被视为彼此对应。因此，例如，如果发现参考值R在[R-10，...，R+10]的范围内，则可以认为找到了参考值R。
在实际实施方式中，优选地，在步骤G中使用神经网络来推断是否识别到图案。
在步骤I中，查看所处理的图像是否是最后一个。如果否，则过程返回到块D，来处理随后的图像。
在上面，通过举例来描述，与图案识别相关，仅指示识别到图案。与此不同，也可以设想，与该指示相关，也产生关于识别到的图案的至少行进方向和速度的信息。为了使能这一点，在步骤H中，在存储器中存储关于在其中识别到的图案在图像中的位置的信息。当随后在另一个图像中识别到图案时，将在存储器中存储的图案的位置与在其另一个图像中的位置相比较。其后，根据该位置，有可能计算行进方向。如果在第一位置出现图案时的时间点也被存储在存储器中，并且找到在第二位置出现该图案时的时间点，则有可能计算图案的速度。
例如，当要识别几个不同的图案时，上述实施例非常有效。在那种情况下，同一存储器将包含要识别的所有图案的特定于区域的参考值。在图像的接收期间，查看这个存储器是否包含最新接收到的图像的特定于区域的参考值足以。如果否，则不需要另外的查看，而是，可以开始下面的接收到的图像的处理。
实际上，例如可以由计算机程序实现图3的步骤，该计算机程序被存储在盘或其他计算机可读媒体上，并且控制可编程装置来实现步骤A至I。
图4图示了图案识别器10的第一优选实施例。实际上，图案识别器可以由例如计算机、IP摄像机、移动电话或掌上型计算机的可编程装置组成，所述可编程装置连接到或集成到摄像机，并且被布置为执行控制该装置的计算机程序。
在图4的示例中，举例来说，假定图案识别器10从外部装置接收所计算的参考值REF和位置数据POS，所计算的参考值用于包含要识别的图案的部分的区域，该位置数据POS表示与参考值对应的区域的相互位置。因此，不必通过图4的图案识别器而是通过独立的设备来执行图3的步骤A至C。应当注意，不是在所有的实施例中必须考虑位置数据POS，而是对于与图案识别相关联的比较而言，要比较的参考值以足够的精度彼此对应足以，而不需考虑对应区域的相互位置。
在图4的情况下，图案识别器10包括输入11，例如串行总线，通过输入11来接收参考值RFF和位置数据POS并存储在存储器12中。
通过摄像机13，图案识别器10产生将发送用于处理器14的视频信号。实际上，处理器14可以由电路方案、计算机软件或其组合实现。在这个实施例中，处理器的采样块15将接收到的图像划分为区域，并且执行如上述的区域的采样。其后，处理器的计算块16根据采样计算特定于区域的参考值。参考值REF和与其相关联的并且由采样块产生的区域的位置数据POS被发送到处理器14的比较块17。比较块17通过使用在存储器12中存储的数据来执行结合图3的块G所描述的比较。基于该比较结果，处理器14的指示块18如结合图3的块H所述的指示识别到图案。与该指示相关，也可能产生关于识别到的图案的行进方向和/或速度的信息。
图5图示了图案识别器20的第二优选实施例。图5的图案识别器很大程度地对应于图4的图案识别器，并且因此，以下主要通过强调在实施例之间的差异来描述图5的实施例。
图5的图案识别器20包括用户接口29，通过用户接口29，图案识别器的操作员可以控制图案识别器20的处理器24以执行如结合在图3的步骤A至C所描述的在存储器12中存储参考值，。
用户接口29可以包括显示器和键盘，通过它们，用户可以在由摄像机13中产生的图像中指示要识别的图案的部分所位于的区域。对于这些区域，采样块15、计算块16和比较块27关注参考值REF和相对位置数据POS被存储在存储器12中。如上所述，位置数据POS的存储不是在所有的实施方式中必需的。
因为在图5的实施例中，有可能关注参考值REF和位置数据POS将被存储在存储器中，所以为了此目的不需要结合图4所述的输入11。
应当明白，上述说明和相关的附图仅意欲对本发明进行说明。对于本领域内的技术人员显然，在不偏离权利要求的范围的情况下，可以修改或改变本发明。

Claims (13)

1.一种用于识别图像中的图案的方法，其特征在于：
将包含要识别的图案的图像划分(A)为多个区域(A1至An)，
根据要识别的图案的部分所位于的区域的图像信息来计算(B)特定于区域(A1至An)的参考值(REF)，
在存储器(12)中存储(C)所计算的特定于区域的参考值(REF)，
开始(D)在接收到的图像中搜索所述图案，由此，对接收到的图像进行：
将所述图像划分(E)为区域(A1至An)，
根据所述区域的所述图像信息计算(F)所述特定于区域(A1至An)的参考值，
将所计算的参考值(REF)与存储在所述存储器(12)中的参考值(REF)相比较(G)，以及
如果在接收到的图像中找到由相邻区域(A1至An)构成的部分，则指示(H)识别到图案，其中，所述区域的参考值(REF)以足够的精度对应于所存储的参考值(REF)。
2.根据权利要求1所述的方法，其特征在于，通过计算由所述区域的独立像素值构成的采样的平均值来计算所述区域(A1至An)的参考值(REF)。
3.根据权利要求1或2所述的方法，其特征在于，在所述方法中，通过超级采样技术来计算所述区域(A1至An)的参考值(REF)。
4.根据权利要求1至3的任何一项所述的方法，其特征在于，如果在所述部分中找到的、并且其参考值(REF)对应于所存储的参考值(REF)的区域(A1至An)与所有存储的参考值的区域的比例超过给定的极限值，则在所述部分中的区域(A1至An)的参考值(REF)以足够的精度对应于所存储的参考值(REF)。
5.根据权利要求1至4的任何一项所述的方法，其特征在于：
当找到识别的图案时，在所述存储器(12)中存储关于所述图案在所述图像中的位置的信息，以及
当下一次在另一个图像中找到所述识别的图案时，基于所述图案的位置和在所述存储器(12)中存储的所述图案的位置来计算所述图案的至少行进方向或速度，并且所述至少行进方向或速度将被指示(H)。
6.一种图案识别器，其特征在于，所述图案识别器(10，20)包括：
存储器(12)，用于存储基于包含要识别的图案的部分的图像区域(A1至An)的图像信息而计算的特定于区域的参考值(REF)，以及
处理器(14，24)，被配置来：
将接收到的图像划分(15)为区域，
基于所述区域(A1至An)的图像信息来以特定于区域的形式计算(16)参考值(REF)，
将所述参考值(REF)与存储在所述存储器(12)中的参考值(REF)相比较(17，27)，以及
如果在接收到的图像中找到由相邻区域(A1至An)构成的部分，则指示(18)识别到图案，其中，所述区域的参考值(REF)以足够的精度对应于存储在所述存储器(12)中的参考值(REF)。
7.根据权利要求6所述的图案识别器，其特征在于，处理器(14，24)通过计算由所述区域的独立像素值构成的采样的平均值来计算所述区域(A1至An)的参考值(REF)。
8.根据权利要求6或7所述的图案识别器，其特征在于，所述处理器(14，24)通过超级采样技术来计算所述区域(A1至An)的参考值(REF)。
9.根据权利要求6至8的任何一项所述的图案识别器，其特征在于，
当找到识别的图案时，在所述存储器(12)中存储关于所述图案在图像中的位置的信息，以及
当下一次在另一个图像中找到所述识别的图案时，基于所述图案的位置和存储在所述存储器(12)中的所述图案的位置来计算所述图案的至少行进方向或速度，并且所述至少行进方向或速度将被指示(18)。
10.根据权利要求6至9的任何一项所述的图案识别器，其特征在于：
所述图案识别器(20)进一步包括用户接口(29)，通过所述用户接口(29)，用户可以在所述图像中选择其中出现要识别的图案的部分的图像区域(A1至An)，以及
所述处理器(24)被配置为基于通过所述用户接口(29)选择的所述图像区域(A1至An)的图像信息来计算(16)所述图像区域的参考值(REF)，并且在所述存储器(12)中存储所述参考值。
11.根据权利要求6至9的任何一项所述的图案识别器，其特征在于，所述图案识别器(10)进一步包括输入(11)，用于接收并在所述存储器(12)中存储特定于区域的参考值(REF)，所述特定于区域的参考值(REF)是基于包含所述图案的部分的图像区域(A1至An)的图像信息来计算的。
12.一种计算机程序，其特征在于，所述计算机程序被配置为控制用于实现权利要求1至5的任何一项所述的方法的可编程装置。
13.一种计算机可读介质，其特征在于，所述介质包含根据权利要求12的计算机程序。
CN201010228931.9A 2009-07-13 2010-07-09 用于识别图案的方法、图案识别器和计算机程序 Active CN101957918B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20095785 2009-07-13
FI20095785A FI20095785A (fi) 2009-07-13 2009-07-13 Menetelmä hahmon tunnistamiseksi, hahmontunnistaja ja tietokoneohjelma

Publications (2)

Publication Number Publication Date
CN101957918A true CN101957918A (zh) 2011-01-26
CN101957918B CN101957918B (zh) 2015-03-25

Family

ID=40935865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010228931.9A Active CN101957918B (zh) 2009-07-13 2010-07-09 用于识别图案的方法、图案识别器和计算机程序

Country Status (5)

Country Link
US (1) US8615137B2 (zh)
EP (1) EP2278531A3 (zh)
CN (1) CN101957918B (zh)
FI (1) FI20095785A (zh)
RU (1) RU2487408C2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069578A (zh) * 2017-08-23 2019-07-30 富士通株式会社 更新地图信息的方法、装置和电子设备
CN113343891A (zh) * 2021-06-24 2021-09-03 深圳市起点人工智能科技有限公司 一种孩子踢被的检测装置和检测方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8832641B2 (en) * 2008-09-05 2014-09-09 International Business Machines Corporation Model-operative pattern representation and operational enablement using declarative componential-driven domain-specific programming language
US8522198B2 (en) * 2009-11-05 2013-08-27 International Business Machines Corporation Model-operative pattern representation harvesting using an automated exemplar-directed approach
WO2011068429A1 (en) * 2009-12-01 2011-06-09 Intel Corporation Detecting artifacts in quantization noise in images compresses using discrete cosine transforms
RU2562753C1 (ru) * 2014-04-14 2015-09-10 Владимир Борисович Грачев Способ идентификации и/или верификации изображений
RU197198U1 (ru) * 2019-10-28 2020-04-10 Юлия Борисовна Камалова Портативное устройство распознавания и классификации зерен пыльцы
RU2755377C2 (ru) * 2020-03-10 2021-09-15 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-Морского Флота "Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова" Устройство распознавания образов
RU198852U1 (ru) * 2020-03-27 2020-07-30 Общество с ограниченной ответственностью «Сенсор-Тех» Портативное устройство захвата и распознавания зрительных образов

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5805727A (en) * 1994-12-05 1998-09-08 International Business Machines Corporation Image recognition method and apparatus
JPH1185989A (ja) * 1997-09-04 1999-03-30 Canon Inc 画像認識装置
US20020168097A1 (en) * 2001-03-28 2002-11-14 Claus Neubauer System and method for recognizing markers on printed circuit boards
US20030091238A1 (en) * 2001-10-23 2003-05-15 Laurent Plaza Detection of a pattern in a digital image
US20090080770A1 (en) * 2007-09-24 2009-03-26 Broadcom Corporation Image pixel subsampling to reduce a number of pixel calculations
US20090174773A1 (en) * 2007-09-13 2009-07-09 Gowdy Jay W Camera diagnostics

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5675489A (en) * 1995-07-06 1997-10-07 Carnegie Mellon University System and method for estimating lateral position
JP3688489B2 (ja) 1998-12-25 2005-08-31 株式会社東芝 画像認識方法および画像認識装置
US6678414B1 (en) * 2000-02-17 2004-01-13 Xerox Corporation Loose-gray-scale template matching
JP3653438B2 (ja) * 2000-02-21 2005-05-25 株式会社日立製作所 画像判定方法および欠陥検査装置
US6807286B1 (en) * 2000-04-13 2004-10-19 Microsoft Corporation Object recognition using binary image quantization and hough kernels
US7536043B2 (en) * 2003-08-18 2009-05-19 Siemens Medical Solutions Usa, Inc. Flow representation method and system for medical imaging
US20050152586A1 (en) * 2004-01-13 2005-07-14 Tri-D Systems, Inc. Print analysis
US7801328B2 (en) * 2005-03-31 2010-09-21 Honeywell International Inc. Methods for defining, detecting, analyzing, indexing and retrieving events using video image processing
RU2297039C2 (ru) 2005-04-18 2007-04-10 Государственное образовательное учреждение высшего профессионального образования Академия Федеральной службы Российской Федерации (Академия ФСО России) Способ распознавания сложного графического объекта
US7639890B2 (en) * 2005-10-25 2009-12-29 General Electric Company Automatic significant image generation based on image characteristics
RU2361273C2 (ru) 2007-03-12 2009-07-10 Государственное образовательное учреждение высшего профессионального образования Курский государственный технический университет Способ и устройство для распознавания изображений объектов
DE102007041893A1 (de) * 2007-09-04 2009-03-05 Robert Bosch Gmbh Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm
JP4709889B2 (ja) 2008-11-20 2011-06-29 パナソニック株式会社 移動物体監視装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5805727A (en) * 1994-12-05 1998-09-08 International Business Machines Corporation Image recognition method and apparatus
JPH1185989A (ja) * 1997-09-04 1999-03-30 Canon Inc 画像認識装置
US20020168097A1 (en) * 2001-03-28 2002-11-14 Claus Neubauer System and method for recognizing markers on printed circuit boards
US20030091238A1 (en) * 2001-10-23 2003-05-15 Laurent Plaza Detection of a pattern in a digital image
US20090174773A1 (en) * 2007-09-13 2009-07-09 Gowdy Jay W Camera diagnostics
US20090080770A1 (en) * 2007-09-24 2009-03-26 Broadcom Corporation Image pixel subsampling to reduce a number of pixel calculations

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069578A (zh) * 2017-08-23 2019-07-30 富士通株式会社 更新地图信息的方法、装置和电子设备
CN113343891A (zh) * 2021-06-24 2021-09-03 深圳市起点人工智能科技有限公司 一种孩子踢被的检测装置和检测方法

Also Published As

Publication number Publication date
EP2278531A3 (en) 2012-10-03
CN101957918B (zh) 2015-03-25
FI20095785A0 (fi) 2009-07-13
FI20095785A (fi) 2011-01-14
EP2278531A2 (en) 2011-01-26
RU2487408C2 (ru) 2013-07-10
RU2010128934A (ru) 2012-01-20
US20110007971A1 (en) 2011-01-13
US8615137B2 (en) 2013-12-24

Similar Documents

Publication Publication Date Title
CN101957918A (zh) 用于识别图案的方法、图案识别器和计算机程序
CN107403424B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN108053381B (zh) 动态色调映射方法、移动终端及计算机可读存储介质
CN109146855B (zh) 一种图像摩尔纹检测方法、终端设备及存储介质
CN106997453B (zh) 事件信号处理方法和设备
CN107577979B (zh) DataMatrix型二维码快速识别方法、装置及电子设备
CN108268811B (zh) 图像处理方法、装置及计算机可读存储介质
CN110070551A (zh) 视频图像的渲染方法、装置和电子设备
CN113469971B (zh) 一种图像匹配方法及检测装置、存储介质
CN114332702A (zh) 目标区域的检测方法和装置、存储介质及电子设备
CN112487979A (zh) 目标检测方法和模型训练方法、装置、电子设备和介质
CN110619597A (zh) 一种半透明水印去除方法、装置、电子设备及存储介质
CN112749596A (zh) 异常画面检测方法、装置、电子设备和存储介质
CN110667593A (zh) 基于深度学习的驾驶提醒方法、装置、设备及存储介质
CN113391779A (zh) 类纸屏幕的参数调节方法、装置及设备
US9600495B2 (en) Image search system, image search method, image search device, program, and information recording medium
CN112348855B (zh) 视觉里程计特征点提取方法、系统、电子设备和存储介质
CN112102272A (zh) 螺母孔径检测方法及装置、存储介质及终端设备
CN104978731A (zh) 一种信息处理方法及电子设备
CN116228861A (zh) 探针台标记物定位方法、装置、电子设备及存储介质
CN109144379B (zh) 对终端进行操作的方法、终端检测设备、系统及存储介质
CN110719401B (zh) 云台扫描的控制方法、装置、电子设备及存储介质
CN110399754B (zh) 自动化信息重现系统
US10678408B2 (en) Display apparatus and method of highlighting object on image displayed by a display apparatus
CN112508065A (zh) 机器人及其定位方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant