CN103020644A - 一种目标识别方法及装置 - Google Patents
一种目标识别方法及装置 Download PDFInfo
- Publication number
- CN103020644A CN103020644A CN2012105460356A CN201210546035A CN103020644A CN 103020644 A CN103020644 A CN 103020644A CN 2012105460356 A CN2012105460356 A CN 2012105460356A CN 201210546035 A CN201210546035 A CN 201210546035A CN 103020644 A CN103020644 A CN 103020644A
- Authority
- CN
- China
- Prior art keywords
- background
- image
- target
- database
- identification
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例所述的目标识别方法及装置,依据现有的识别结果中目标的属性确定背景数据,并更新图像的背景数据库,再使用背景数据库处理图像的背景,对背景处理后的图像进行目标识别,因为背景数据是依据以识别出目标的属性获取的,因此,能够对已识别出的目标进行进一步的识别,使得对目标的识别更为细致。
Description
技术领域
本发明涉及模式识别领域,尤其涉及一种目标识别方法及装置。
背景技术
通常,需要从图像中识别出某些信息量较少且与相邻区域的像素明显不同的目标,例如,从某一区域的遥感图像中识别车辆。
现有的针对于此类目标的RX识别方法,利用识别目标中信息量少及与相邻区域的像素区别明显的特征,实现目标的识别,因此,现有方法只能识别出信息量较少且与相邻区域的像素明显不同的目标,而实际应用中,识别出的目标未必全部是用户希望得到的目标,例如,从某一区域的遥感图像中识别车辆时,会连带识别出房屋、信号塔等目标,而这些目标并不是用户希望得到的,由此可见,现有的目标识别方法只能识别出具有信息量较少且与相邻区域的像素明显不同这一通性的目标,而不能对识别出的目标进行更为细致的识别。
发明内容
有鉴于此,本发明实施例提供了一种目标识别方法及装置,目的在于解决现有的目标识别方法不能对识别出的目标进行更为细致的识别的问题。
为了实现上述目的,本发明实施例提供了以下技术方案:
一种目标识别方法,包括:
获取图像进行目标识别的结果;
接收依据所述识别的结果中目标的属性确定的背景数据;
依据所述背景数据更新所述图像的背景数据库;
当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别背景处理后图像中的目标。
优选地,所述图像包括:
高光谱图像;
所述识别的结果中目标的属性包括:
识别的结果中目标的光谱。
优选地,所述背景数据的确定过程包括:
依据所述目标的光谱,确定背景数据。
优选地,所述依据所述背景数据更新所述待检测图像的背景数据库包括:
将所述背景数据加入到图像的背景数据库中;或者,
从图像的背景数据库中删除所述背景数据。
优选地,所述依据更新后的背景数据库,处理所述图像的背景包括:
计算所述背景数据库的正交子空间;
将所述图像投影到所述背景数据库的正交子空间中,得到背景处理后的图像。
优选地,所述获取图像进行目标识别的结果包括:
接收图像进行目标识别的结果;或者,
使用预设算法,对图像进行识别。
优选地,所述预设的条件包括:
空条件;或者,
所述背景数据库满足预设的条件。
一种目标识别装置,包括:
获取模块,用于获取图像进行目标识别的结果;
接收模块,用于接收依据所述识别的结果中目标的属性确定的背景数据;
背景数据库管理模块,用于依据所述背景数据更新所述图像的背景数据库;
背景处理模块,用于当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别模块,用于识别背景处理后图像中的目标。
优选地,所述背景数据库管理模块包括:
添加单元,用于将所述背景数据加入到图像的背景数据库中;
删除单元,用于从图像的背景数据库中删除所述背景数据。
优选地,所述背景处理模块包括:
计算单元,用于计算所述背景数据库的正交子空间;
投影单元,用于将所述图像投影到所述背景数据库的正交子空间中,得到背景处理后的图像。
优选地,所述获取模块包括:
接收单元,用于接收图像进行目标识别的结果;或者,
识别单元,用于使用预设算法,对图像进行识别。
本发明实施例所述的目标识别方法及装置,依据现有的识别结果中目标的属性确定背景数据,并更新图像的背景数据库,再使用背景数据库处理图像的背景,对背景处理后的图像进行目标识别,因为背景数据是依据以识别出目标的属性获取的,因此,能够对已识别出的目标进行进一步的识别,使得对目标的识别更为细致。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种目标识别方法的流程图;
图2为本发明实施例公开的又一种目标识别方法的流程图;
图3为本发明实施例公开的一种目标识别装置的结构示意图;
图4为本发明实施例公开的又一种目标识别装置的结构示意图;
图5为本发明实施例公开的又一种目标识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
本发明实施例公开了一种目标识别方法,如图1所示,包括:
S101:获取图像进行目标识别的结果;
本实施例中,图像的目标识别结果指的是使用现有的目标识别算法得到的识别结果,现有的目标识别算法,往往是依据图像的属性,包括像素属性或统计属性进行目标的识别,因此只能反映像素特征,而不能反映目标自身的属性,例如:从某一区域的遥感图像中识别车辆时,会连带识别出房屋、信号塔等目标,因为不能反映自身的类别(车辆、房屋、铁塔),因此,将此类识别出的目标成为类似目标识别结果。
本实施例中,获取图像进行目标识别的结果的方法可以为:接收预先计算得到的结果,或者使用现有的方法对图像进行目标识别,得到标识别结果。
S102:接收依据所述识别的结果中目标的属性确定的背景数据;
接收的背景数据可以来自于用户的输入,也可以为依据不同目标的属性确定得到的。
S103:依据所述背景数据更新所述图像的背景数据库;
本实施例中,背景数据库可以为空数据库,也可以为已经包含背景信息的数据库,更新背景数据库的过程可以为:将背景数据添加到背景数据库中,或者,当背景数据库不为空时,删除背景数据库中已有的背景数据。
S104:依据更新后的背景数据库,处理所述图像的背景;
S105:识别背景处理后图像中的目标。
本实施例所述的目标识别方法,使用背景数据库处理图像的背景后再进行识别,相当于使用背景信息指导目标识别的过程,因为背景数据是依据已识别出目标的属性确定的,因此,本实施例所述的目标识别方法,不仅仅使用图像的属性来识别目标,同时还是用目标的属性来识别目标,因为增加了识别的约束条件,所以,识别出的目标更为细致。
本发明实施例公开的又一种目标识别方法,应用于高光谱遥感图像,如图2所示,所述方法包括:
S201:接收高光谱遥感图像;
通常,高光谱遥感图像为一个三维数据,例如高光谱遥感图像R为一个M行、N列、L层的三维数组,其中,L层中的每一层成为一个光谱波段。高光谱图像R具有M*N个像元。
S202:获取所述高光谱遥感图像进行目标识别的结果;
此步骤中,识别结果可以直接接收获得,也可以使用现有的识别算法,计算获得,直接获得时,可以从存储设备中获得,也可以从其它的计算设备获得;使用现有的识别算法计算获得时,可以使用RX算法计算获得,RX算法的原理为:利用目标像素的信息量少及与周围区域的像素的区别明显的属性,从背景中识别出目标,如前所述,识别出的目标只具有相同的像素属性,可能具有不同的自身属性,因此,识别不够细致。
以M行、N列、L层的高光谱图像R为例,使用RX算法进行图像中的目标识别的具体过程包括:
1、计算图像R的像元均值μ
2、计算R的协方差矩阵Γ
3、计算像元r(i,j)的识别结果
A(i,j)=[r(i,j)-μ]TГ-1[r(i,j)-μ],其中,全部像元的识别结果A是一个M行、N列、1波段的灰度图像,A中的像元A(i,j)是一个实数,与r(i,j)一一对应。
S203:接收依据所述识别的结果中目标的光谱确定的背景数据;
所述背景数据的确定具体过程包括:
依据所述目标的光谱,确定背景数据,即:
判断所述识别的结果中的目标的光谱是否为用户希望得到的目标的光谱,如果否,将所述类似目标识别结果确定为背景数据。
不同的事物在高光谱遥感图像中呈现的光谱是不同的,这是由事物自身的客观属性决定的。因此,在上述已经识别出的目标中,可以依据目标之间光谱的不同,从目标自身的属性,确定出真正的目标和“误判”的目标,这里的误判指的是用户角度的误判,而非现有的识别算法的误判。
例如,对一个以荒漠和枯草为主要背景的高光谱遥感图像进行目标识别,用户希望识别出的是车辆,使用现有的识别算法,在识别出车辆的同时,还会识别出与车辆具有相同或相似的像素属性的混凝土房屋、金属高压线塔、少量绿色植被等,而除车辆之外,其它的目标对于用户而言,均为误判目标。
在本实施例中,可以依据识别出的目标的光谱,确定其中的背景数据,即将用户认为“误判”的目标作为背景数据,例如,车辆、混凝土房屋、金属高压线塔、少量绿色植被的光谱是不同的,依据光谱,可以将车辆之外的混凝土房屋、金属高压线塔、少量绿色植被均确定为背景数据。
上述确定背景数据的过程可以由用户依据目标呈现的不同的光谱进行,也可以由其它设备进行,这里不做限定。
S204:依据所述背景数据更新所述图像的背景数据库;
需要说明的是,本实施例中,对应高光谱遥感图像,背景数据库为背景光谱库,如果没有针对当前高光谱遥感图像的背景光谱库,则创建一个与当前高光谱遥感图像对应的空矩阵作为背景光谱库。以M行、N列、L层的高光谱图像R为例,与其对应的背景光谱库为:L行、X列的矩阵,其中,每列为一个背景光谱,每个背景光谱为一个L维列向量,X为背景光谱的数量,随着对背景光谱的增减,X的值随着变化。
所述依据所述背景数据更新所述待检测图像的背景数据库包括:
将所述背景数据加入到图像的背景数据库中;或者,
从图像的背景数据库中删除所述背景数据。
即:当背景数据库中没有背景数据,则可以将背景数据添加到背景数据库中,当背景数据库中有背景数据,而用户不想将此背景数据作为背景时,可以从背景数据库中删除背景数据。
例如,将将车辆之外的混凝土房屋、金属高压线塔、少量绿色植被作为背景数据添加到背景数据库中。
本实施例中优选,将添加的背景数据加入到背景数据库的最后一列。
S205:计算所述背景数据库的正交子空间;
以与M行、N列、L层的高光谱图像R对应的背景光谱库B为例,背景光谱库B的正交子空间的矩阵表示为B⊥:
B⊥=I-B(BTB)-1BT
其中,I是L行、L列的单位矩阵(对角线上元素为1,其余为0),L为前述的波段数量。
S206:将高光谱遥感图像R投影到背景光谱库的正交子空间中,得到背景处理后的图像R';
即:r'(i,j)=B⊥·r(i,j)
其中,r'(i,j)为R中的像元r(i,j)的投影。
投影图像R'仍然是一个M行、N列、L个波段的高光谱图像,只不过与原高光谱图像R相比,各个位置上的数值发生了变化。投影过程从数学上看是一个矩阵运算,经过这个运算后,与背景光谱库线性相关的信息都会归零,那么以后无论再对这个数据做什么样的操作,已经归零的信息将不再产生影响,也就实现了“抑制背景”。
S207:识别背景处理后图像中的目标。
本实施例中,优选使用RX算法对背景处理后图像中的目标进行识别,具体过程包括:
1、计算图像R'的像元均值μ'
2、计算R'的协方差矩阵Γ'
3、计算像元r'(i,j)的识别结果
A'(i,j)=[r'(i,j)-μ]TΓ-1[r′(i,j)-μ],其中,全部像元的识别结果A′是一个M行、N列、1波段的灰度图像,A中的像元A′(i,j)是一个实数,与r′(i,j)一一对应。
例如,将混凝土房屋、金属高压线塔、少量绿色植被作为背景数据添加到背景数据库中后,R'中的混凝土房屋、金属高压线塔、少量绿色植被均被作为背景而被“抑制”,那么在使用RX算法进行目标识别时,在识别出车辆的同时,就不会再识别出混凝土房屋、金属高压线塔、少量绿色植被,因此,最终实现对目标的再分类,识别出用户希望得到的目标。
这里要说明的是,RX仅为本实施例的优选算法,也可以使用其它方法进行目标识别,这里的识别方法与S202中的识别方法可以相同,也可以不同,本实施例不做限定。
需要强调的是,本实施例中依据更新后的背景数据库,处理所述图像的背景可以依据预设的条件进行,即上述步骤S205至S207可以依据预设的条件进行,也就是说,可以不在背景数据库一有更新时即处理图像的背景,而是当背景数据库满足预设的条件时,执行后续步骤,所述预设的条件可以为背景数据库的更新次数达到预设的数值,也可以为更新内容满足预设的条件,这里不做限定。预设条件的目的在于,考虑到图像处理过程的计算量较大,因此,为了避免计算负担过重,当背景数据库更新到一定程度时,再进行一次图像的处理,从而减轻计算的负担。
现有技术中,通常使用RX算法识别背景中的目标,例如,从以荒漠和枯草为主要背景的高光谱遥感图像中识别出车辆,如前所述,在在识别出车辆的同时,还会识别出与车辆具有相同或相似的像素属性的混凝土房屋、金属高压线塔、少量绿色植被等,而除车辆之外,其它的目标对于用户而言,均为误判目标。通常,用户需要从所述识别出的目标中去除误判目标,以便于得到车辆目标,但如果所有目标中包含有10个车辆目标、20个房屋目标、40个高压线塔目标、80个绿色植被目标,那么,使用人工剔除误判目标的效率就很低,而本实施例中所述的目标识别方法,将除车辆以外的其它目标作为背景数据指导现有方法的识别,能够一次性剔除误判目标,提高了目标细致识别的效率。
当用户需要得到车辆和绿色植被时,可以从背景数据库中将绿色植被删除,则可以得到车辆和绿色植被的识别目标,因此,本实施例所述的识别方法,能够依据不同目标的光谱的不同,从图像中识别出用户希望的目标。
与上述方法实施例相对应的,本发明实施例还公开了一种目标识别装置,如图3所示,包括:
获取模块301,用于获取图像进行目标识别的结果;
接收模块302,用于接收依据所述识别的结果中目标的属性确定的背景数据;
背景数据库管理模块303,用于依据所述背景数据更新所述图像的背景数据库;
背景处理模块304,用于当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别模块305,用于识别背景处理后图像中的目标。
本实施例所述的目标识别装置,背景数据库管理模块及背景处理模块对识别模块进行识别提供了背景数据,使用背景信息指导目标识别的过程,因为背景数据是依据已识别出目标的属性确定的,因此,本实施例所述的目标识别装置,不仅仅使用图像的属性来识别目标,同时还是用目标的属性来识别目标,所以,识别出的目标更为细致。从而使得对图像中目标的识别能够依据目标的属性进行,实现了更为细致的目标识别。
本发明实施例公开的又一种目标识别装置,如图4所示,包括:
接收单元401,用于接收图像进行目标识别的结果;
接收模块402,用于接收依据所述识别的结果中目标的属性确定的背景数据;
本实施例中,接收模块优选为人机交互模块,接收用户依据所述识别的结果中目标的属性确定的背景数据。
背景数据库管理模块403,用于依据所述背景数据更新所述图像的背景数据库;
进一步地,所述背景数据库管理模块可以包括:
添加单元4031,用于将所述背景数据加入到图像的背景数据库中;
删除单元4032,用于从图像的背景数据库中删除所述背景数据。
计算单元404,用于计算所述背景数据库的正交子空间;
投影单元405,用于将所述图像投影到所述背景数据库的正交子空间中,得到背景处理后的图像。
计算及投影过程如上述方法实施例所述,这里不再赘述。
识别模块406,用于识别背景处理后图像中的目标。
本实施例所述的目标识别装置,依据现有的识别结果中目标的属性确定背景数据,并更新图像的背景数据库,再使用背景数据库处理图像的背景,对背景处理后的图像进行目标识别,因为背景数据是依据以识别出目标的属性获取的,因此,能够对已识别出的目标进行进一步的识别,使得对目标的识别更为细致。
上述实施例所述的目标识别装置,接收单元直接接收图像识别的结果,作为另外一种优选装置,本发明实施例还公开了一种目标识别装置,如图5所示,包括:
识别单元501,用于使用预设算法,对图像进行识别;
预设的算法优选RX算法。
接收模块502,用于接收依据所述识别的结果中目标的属性确定的背景数据;
背景数据库管理模块503,用于依据所述背景数据更新所述图像的背景数据库;
背景处理模块504,用于当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别模块505,用于识别背景处理后图像中的目标。
与上一实施例相比,本实施例中所述的装置,能够自行对图像进行识别,得到识别结果。
同样地,本实施例所述的目标识别装置,使用背景数据库处理图像的背景后再进行识别,相当于使用背景信息指导目标识别的过程,因为背景数据是依据已识别出目标的属性确定的,因此,本实施例所述的目标识别方法,不仅仅使用图像的属性来识别目标,同时还是用目标的属性来识别目标,因为增加了识别的约束条件,所以,识别出的目标更为细致。
上述实施例所述的目标识别装置,能够用于处理高光谱遥感图像,与现有技术相比,在使用现有的算法对高光谱遥感图像进行处理之后,本发明实施例所述的装置,依据获取的识别目标的属性(光谱),确定目标中的背景数据,并用背景数据更新背景数据库,最重要的是,使用背景数据库对高光谱图像进行背景处理,将经过背景处理后的高光谱遥感图像再进行目标识别,也就是说,在现有的目标识别之后,本实施例所述的装置利用识别的结果确定背景数据,使用背景数据抑制图像中的背景后,再次进行目标识别,从而使得目标识别的过程更为细致,得到用户真正希望的目标。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种目标识别方法,其特征在于,包括:
获取图像进行目标识别的结果;
接收依据所述识别的结果中目标的属性确定的背景数据;
依据所述背景数据更新所述图像的背景数据库;
当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别背景处理后图像中的目标。
2.根据权利要求1所述的方法,其特征在于,所述图像包括:
高光谱图像;
所述识别的结果中目标的属性包括:
识别的结果中目标的光谱。
3.根据权利要求2所述的方法,其特征在于,所述背景数据的确定过程包括:
依据所述目标的光谱,确定背景数据。
4.根据权利要求3所述的方法,其特征在于,所述依据所述背景数据更新所述待检测图像的背景数据库包括:
将所述背景数据加入到图像的背景数据库中;或者,
从图像的背景数据库中删除所述背景数据。
5.根据权利要求1所述的方法,其特征在于,所述依据更新后的背景数据库,处理所述图像的背景包括:
计算所述背景数据库的正交子空间;
将所述图像投影到所述背景数据库的正交子空间中,得到背景处理后的图像。
6.根据权利要求1所述的方法,其特征在于,所述获取图像进行目标识别的结果包括:
接收图像进行目标识别的结果;或者,
使用预设算法,对图像进行识别。
7.根据权利要求1所述的方法,其特征在于,所述预设的条件包括:
空条件;或者,
所述背景数据库满足预设的条件。
8.一种目标识别装置,其特征在于,包括:
获取模块,用于获取图像进行目标识别的结果;
接收模块,用于接收依据所述识别的结果中目标的属性确定的背景数据;
背景数据库管理模块,用于依据所述背景数据更新所述图像的背景数据库;
背景处理模块,用于当所述背景数据库满足预设的条件时,依据更新后的背景数据库,处理所述图像的背景;
识别模块,用于识别背景处理后图像中的目标。
9.根据权利要求8所述的装置,其特征在于,所述背景数据库管理模块包括:
添加单元,用于将所述背景数据加入到图像的背景数据库中;
删除单元,用于从图像的背景数据库中删除所述背景数据。
10.根据权利要求8所述的装置,其特征在于,所述背景处理模块包括:
计算单元,用于计算所述背景数据库的正交子空间;
投影单元,用于将所述图像投影到所述背景数据库的正交子空间中,得到背景处理后的图像。
11.根据权利要求8所述的装置,其特征在于,所述获取模块包括:
接收单元,用于接收图像进行目标识别的结果;或者,
识别单元,用于使用预设算法,对图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210546035.6A CN103020644B (zh) | 2012-12-14 | 2012-12-14 | 一种目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210546035.6A CN103020644B (zh) | 2012-12-14 | 2012-12-14 | 一种目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020644A true CN103020644A (zh) | 2013-04-03 |
CN103020644B CN103020644B (zh) | 2016-03-30 |
Family
ID=47969234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210546035.6A Active CN103020644B (zh) | 2012-12-14 | 2012-12-14 | 一种目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020644B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107091800A (zh) * | 2017-06-06 | 2017-08-25 | 深圳小孚医疗科技有限公司 | 用于显微成像粒子分析的聚焦系统和聚焦方法 |
CN109101990A (zh) * | 2018-07-04 | 2018-12-28 | 沈阳农业大学 | 一种图像数据处理方法与系统 |
CN111126147A (zh) * | 2019-11-22 | 2020-05-08 | 北京迈格威科技有限公司 | 图像处理方法、装置和电子系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050180600A1 (en) * | 2004-02-13 | 2005-08-18 | Quen-Zong Wu | Method for detecting motion pixels in image |
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
-
2012
- 2012-12-14 CN CN201210546035.6A patent/CN103020644B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050180600A1 (en) * | 2004-02-13 | 2005-08-18 | Quen-Zong Wu | Method for detecting motion pixels in image |
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107091800A (zh) * | 2017-06-06 | 2017-08-25 | 深圳小孚医疗科技有限公司 | 用于显微成像粒子分析的聚焦系统和聚焦方法 |
CN109101990A (zh) * | 2018-07-04 | 2018-12-28 | 沈阳农业大学 | 一种图像数据处理方法与系统 |
CN111126147A (zh) * | 2019-11-22 | 2020-05-08 | 北京迈格威科技有限公司 | 图像处理方法、装置和电子系统 |
CN111126147B (zh) * | 2019-11-22 | 2023-10-24 | 天津极豪科技有限公司 | 图像处理方法、装置和电子系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103020644B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110307838B (zh) | 机器人重定位方法、装置、计算机可读存储介质及机器人 | |
CN103026384B (zh) | 特征提取装置、特征提取方法以及图像处理装置 | |
US8953888B2 (en) | Detecting and localizing multiple objects in images using probabilistic inference | |
KR101546590B1 (ko) | 원을 위한 허프 변환 | |
CN104102920A (zh) | 一种基于形态学多特征融合的害虫图像分类方法及系统 | |
CN103218621B (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
CN107561549B (zh) | 终端位置的重定位方法、装置、终端及存储介质 | |
CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN102998664B (zh) | 一种基于合成孔径雷达的水华识别方法及装置 | |
Yoshinaga et al. | Object detection based on spatiotemporal background models | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
Zhang et al. | A study of image classification of remote sensing based on back-propagation neural network with extended delta bar delta | |
CN103020644A (zh) | 一种目标识别方法及装置 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Dima et al. | Enabling learning from large datasets: Applying active learning to mobile robotics | |
CN112232294B (zh) | 一种超参数优化、目标识别模型训练、目标识别方法及装置 | |
CN116522565B (zh) | 一种基于bim的电力工程设计配电网规划方法及计算机设备 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN116415210A (zh) | 图像侵权检测方法、装置及存储介质 | |
CN108898052A (zh) | 遥感图像中人工地物的检测方法及设备 | |
Wang et al. | A new stochastic simulation algorithm for image-based classification: Feature-space indicator simulation | |
CN113205067A (zh) | 作业人员监控方法、装置、电子设备和存储介质 | |
Othmani et al. | Region-based segmentation on depth images from a 3D reference surface for tree species recognition | |
CN110689549B (zh) | 对象提取方法、装置和设备 |
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 |