CN103279742B - 一种基于多任务模型的多分辨率行人检测方法及其装置 - Google Patents
一种基于多任务模型的多分辨率行人检测方法及其装置 Download PDFInfo
- Publication number
- CN103279742B CN103279742B CN201310196658.XA CN201310196658A CN103279742B CN 103279742 B CN103279742 B CN 103279742B CN 201310196658 A CN201310196658 A CN 201310196658A CN 103279742 B CN103279742 B CN 103279742B
- Authority
- CN
- China
- Prior art keywords
- resolution
- sample
- pedestrian
- different resolution
- projection matrix
- 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 45
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013100 final test Methods 0.000 claims description 5
- ZUOUZKKEUPVFJK-UHFFFAOYSA-N diphenyl Chemical compound C1=CC=CC=C1C1=CC=CC=C1 ZUOUZKKEUPVFJK-UHFFFAOYSA-N 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000004308 accommodation Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001215 vagina Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012017 passive hemagglutination assay Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明针对不同分辨率的行人检测,公开了一种基于多任务模型的行人检测方法,其包括如下步骤:对于不同分辨率下的行人,首先进行纹理特征的提取;对于不同分辨率下提取的纹理特征,分别优化各自的投影矩阵,这些投影矩阵将不同分辨率的纹理特征投影至一个所有分辨率公共空间中;最终,在此公共空间中共享一个行人检测器。在模型的训练过程中,迭代地优化分辨率相关的投影矩阵和检测器。本发明能够提高行人检测精度,尤其是对于低分辨率的行人,本发明检测精度高,适应范围广。
Description
技术领域
本发明涉及图像处理与模式识别技术领域,尤其是一种基于多任务模型的多分辨率行人检测方法及其装置。
背景技术
行人检测在基于行人的计算机视觉、模式识别应用中占有很重要的地位,例如视频监控和自动驾驶系统等。得益于鲁棒的梯度纹理特征和行人模型等,当前的行人检测技术在较高分辨率下的数据集中取得了很大的进步。但是,这些行人检测技术的检测效果随着行人样本分辨率的降低而降低。
传统的行人检测方法,往往遵循尺度无关的原则,即在一个较高分辨率的样本中提取尺度无关的特征纹理去训练行人检测器,并使用这个检测器去检测不同分辨率下的行人。然而,不同分辨率下的行人往往表象特征相差很大,从而降低最终检测效果。例如,低分辨率下的行人样本丢失了很多表象特征信息,使得在高分辨率行人样本下训练的检测器难以检测低分辨率的行人。由于这种信息的丢失在训练过程中会误导检测器,因此直接将低分辨率的行人样本加入到训练样本当中的方案也是不可取的。由于实际应用中行人分辨率的这种差异性,传统的行人检测并不能达到令人满意的效果。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于多任务模型的行人检测方法,该方法可以同时兼顾不同的分辨率下的行人。
本发明所提出的一种基于多任务模型的行人检测方法,其包括如下步骤:
步骤1,将训练样本中的行人样本,分为不同分辨率的行人样本;
步骤2,将训练样本分为包括不同分辨率行人样本的训练样本集,分别提取不同分辨率的样本纹理特征;
步骤3,对不同分辨率样本纹理特征,初始化不同分辨率投影矩阵,并根据所述不同分辨率投影矩阵,将不同分辨率样本纹理特征投影到一个公共子空间上;
步骤4,在所述公子空间上定义一个分类器以检测投影后的检测样本是否为行人样本,所述分类器和不同分辨率投影矩阵共同组成不同分辨率下的行人检测器;
步骤5,在训练阶段,利用训练样本迭代地优化不同分辨率投影矩阵以及所述分类器;
步骤6,在检测阶段,对于待检测图像,根据其分辨率的不同使用不同分辨率下的行人检测器进行检测,并得到最终的检测结果。
本发明还公开了一种基于多任务模型的行人检测装置,其包括:
样本区分模块,其用于将训练样本中的行人样本,分为不同分辨率的行人样本;
特征提取模块,其用于将训练样本分为包括不同分辨率行人样本的训练样本集,并分别提取不同分辨率的样本纹理特征;
投影模块,其用于对不同分辨率样本纹理特征,初始化不同分辨率投影矩阵,并根据所述不同分辨率投影矩阵,将不同分辨率样本纹理特征投影到一个公共子空间上;
行人检测器模块,其用于在所述公子空间上定义一个分类器以检测投影后的检测样本是否为行人样本,所述分类器和不同分辨率投影矩阵共同组成不同分辨率下的行人检测器;
优化模块,其用于在训练阶段,利用训练样本迭代地优化不同分辨率投影矩阵以及所述分类器;
检测模块,其用于在检测阶段,对于待检测图像,根据其分辨率的不同使用不同分辨率下的行人检测器进行检测,并得到最终的检测结果。
本发明同时利用不同分辨率下的行人训练样本,针对不同的分辨率分别获取投影矩阵,从而考虑了不同分辨率的差异性。而分类器在公共投影空间上得到,从而同时兼顾了不同分辨率的共性。在模型训练过程中同时优化分辨率相关的投影矩阵和分类器,得到最终的多任务行人检测器。本发明方法可以提高行人检测精度,尤其是对低分辨率的行人。其检测精度高,适应范围广。
附图说明
图1是本发明中基于多任务模型的行人检测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
图1是本发明中基于多任务模型的行人检测方法流程图,如图1所示,所述多任务模型的行人检测方法包括如下步骤:
步骤1,收集训练样本,包括行人样本和背景样本。对训练样本中的行人样本,分为不同的分辨率。对于分辨率的区分有很多不同的标准,对分辨率精细化的区分会提高检测的精度但同时也相应增加计算复杂度。此处以高分辨率和低分辨率为例,则训练样本可分为高分辨率训练样本IH和低分辨率训练样本IL,其中高分辨率训练样本IH包括背景样本和高分辨率的行人样本的训练样本,用于在训练阶段训练高分辨率的行人检测器;低分辨率训练样本IL包括背景样本和低分辨率的行人样本的训练样本,用于在训练阶段训练低分辨率的行人检测器;注意到将这种分辨率的区分推广到多分辨率是很自然的。
步骤2,对不同分辨率对应的训练样本,分别提取纹理特征φ,本发明中优选HOG特征。以高分辨率训练样本IH和低分辨训练样本IL为例,提取高分辨率样本纹理特征φ(IH)和低分辨率样本纹理特征φ(IL)。
步骤3,对不同分辨率样本纹理特征,初始化投影矩阵P。以高分辨率样本纹理特征φ(IH)和低分辨率样本纹理特征φ(IL)为例,高分辨率投影矩阵定义为PH和低分辨投影矩阵定义为PL。利用投影矩阵将不同分辨率下的样本纹理特征投影到一个公共子空间,φ(IH)和φ(IL)投影后的特征分别为PH·φ(IH)和PL·φ(IL)。
对一个训练样本,提取纹理特征之后其维度为nf×nc。其中nc是HOG特征cell的个数,nf是每个cell特征的维数。定义投影矩阵P维度大小为nd×nf,从而可以将训练样本纹理特征投影到一个nd×nc的公共子空间当中。对于投影矩阵P的初始化,有很多种方法,在此举例说明:一般nd≤nf,则利用随机提取的纹理特征做主成分分析(Principal component analysis,PCA),并取其前nd特征值作为初始化的投影矩阵P。其中nd的大小决定了不同分辨率之间多少信息进行共享,优选地,取nf为31时,测试得到nd的最优值为8。
步骤4,在公共子空间Φ上定义一个分类器D来区分投影后的行人检测样本和背景(非行人)样本。则IH与D的组合可以作为高分辨率的行人检测器,而PL与D的组合可以作为低分辨率的行人检测器。
传统的单分辨率的HOG(梯度直方图特征)+SVM(支持向量机)行人检测器中,参数为一个维数为的nf×nc矩阵W,用于在特征空间上区分行人和非行人。则对于一个输入图像I及其一个可能的行人检测位置,也就是滑框L,有检测得分为
S(I,L,W)=Tr(WT·φ(I))
其中,Tr(·)为矩阵主对角线所有元素之和,φ为滑框L中提取的特征纹理,当获取的分数S(I,L)>T时,则认为滑框L为一个行人。其中T是事先规定好的阈值。
对于单个分辨率的行人检测任务,这种检测器足以满足需求,但是对于图像I中包含不同尺度,不同分辨率的行人时,这种检测器由于没有考虑到不同分辨率下的行人表象特征的不同,往往不能得到满意的检测精度。例如,在较高分辨率下训练的行人检测器,对较低分辨率下行人的检测效果往往会很差。
注意到,实际上不同分辨率下的行人虽然在表象特征上差距会很大,但是其在结构上的特征是相似的。这样针对不同分辨率下的行人检测,其检测器的训练方式很自然地有两种方法可供选择:(1)将所有分辨率下的行人样本放置在一起做训练集,不加以区分地训练出行人检测器。这种方式看似整合了不同分辨率行人样本的特性,但是实际上由于较低分辨率下的行人样本往往丢失过多的表象信息,其表象特征与较高分辨率下的行人样本有很大不同,造成最终检测结果反而下降。(2)针对不同分辨率的行人样本分别训练独立的行人检测器。对于较高分辨率行人样本,使用此类样本可以获取到较高质量的行人表象特征纹理,则训练出行人检测器可有效地检测出较高分辨率下的行人,但是对于单纯以低分辨行人样本作为训练样本而构建的行人检测器,由于此类样本丢失了较多的表象特征信息,使得其与非行人样本有较大的相似,则训练出的检测器不能有效区分行人与非行人,造成检测精度下降,综合而言,此种训练策略的整体检测效果并不理想。
针对这种情况,考虑到虽然不同分辨率下的行人其表象信息相差很大,但是其结构信息相似,本发明提出一个多任务模型,综合考虑不同分辨率下的行人样本,保留不同分辨率下行人样本的共性与差异,采用投影矩阵P将不同分辨率下的行人纹理特征投影到一个共同空间,并在这个共同空间上训练行人检测器D。
这里以高分辨率和低分辨两种分辨率为例说明,分别地,对于高分辨率样本纹理特征φ(IH)有投影矩阵Ph,对于低分辨率样本纹理特征φ(IL)有投影矩阵PL。对于检测中的滑窗L,本发明使用如下的方式进行打分:
其中Tr里面的三个矩阵进行矩阵乘法运算。注意上式的参数矩阵W的维度为nd×nc。对于不同分辨率下的训练样本,分别有相应的投影矩阵,从而得到一个多任务的行人检测器。
步骤5,在训练阶段,利用训练样本迭代地优化PH,PL以及参数矩阵W。
使用如下的目标函数来同时优化PH,PL以及参数矩阵W:
其中f由于描述单分辨率下损失,以高分辨率情况为例,其定义为:
其中||·||F是Frobenius范数,NH是高分辨率训练样本的个数,yn是样本的标签,为+1(行人)或者-1(背景)。C为指定的常数,用于调整权重,比如0.01。
由于上述目标函数不是凸函数,本发明提出使用下面的方式来迭代的优化投影矩阵P和参数矩阵W。
首先,依据初始化的投影矩阵PH和PL,以及训练样本IH和IL,求解当前状态下的最优的W。则目标函数转换为一个最优化问题:
其中对于高分辨率训练样本φ*(In)为A-0.5PHφ(In),In为第n个训练样本。对低分辨率样本φ*(In)为A-0.5PLφ(Im),而W*为A0.5W。而A定义为PHPH T+PLPL T。该函数可以等加成一个二次规划问题,可以使用标准的求解器求得全局最优解W*。得到W*后原问题的W可以通过(PHPH T+PLPL T)-0.5W*得到。
然后固定W,求解当前状态下最优的PH和PL。可以证明这种情况下,原问题等价于分别求解PH和PL。求解PH为例,本发明把目标函数转化成如下的最优化问题:
其中IHn为高分辨率的第n个样本,PH*为B0.5PH,φ*(IHn)为B-0.5Wφ(IHn)。而B定义为WWT。该函数可以等加成一个二次规划问题,可以使用标准的求解器求得全局最优解PH*。求解得到后PH*,PH可以通过(WWT)-.5PH*得到。
重复上述迭代过程,直到参数收敛,即得到多任务行人检测器的各个参数。该过程需要一个初始值,初始化方法有多种选择,比如对提取的纹理特征做主成分分析,并取其前nd个特征向量作为初始化投影矩阵。
步骤6,在测试阶段,输入待检测图像,进行标准的滑框检测。这个过程是指,把待检测的区域分成很多重叠的窗口作为候选的行人区域,即滑窗。对于每一个滑框,根据其分辨率不同选取不同分辨率的行人检测器,获取超过阈值T的滑框。最后再使用非极大值抑制去除重复的滑框,即得到最终的检测结果。
对于输入的待检测图像,本发明采用了金字塔缩放图像方式,将输入图像缩放为若干个不同的尺度,并将这些缩放后的图像重叠在一起组成一个金字塔。固定滑框H的大小,在金字塔进行遍历滑框检测。根据滑框H的分辨率,选取相应的投影矩阵和分类器组合,获得分数超过阈值的滑框。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多任务模型的行人检测方法,其特征在于,该方法包括以下步骤:
步骤1,将训练样本中的行人样本,分为不同分辨率的行人样本;
步骤2,将训练样本分为包括不同分辨率行人样本的训练样本集,分别提取不同分辨率的样本纹理特征;
步骤3,对不同分辨率样本纹理特征,初始化不同分辨率投影矩阵,并根据所述不同分辨率投影矩阵,将不同分辨率样本纹理特征投影到一个公共子空间上;
步骤4,在所述公共子空间上定义一个分类器以检测投影后的检测样本是否为行人样本,所述分类器和不同分辨率投影矩阵共同组成不同分辨率下的行人检测器;
步骤5,在训练阶段,利用训练样本迭代地优化不同分辨率投影矩阵以及所述分类器;
步骤6,在检测阶段,对于待检测图像,根据其分辨率的不同使用不同分辨率下的行人检测器进行检测,并得到最终的检测结果;
步骤5中使用如下目标函数迭代优化不同分辨率投影矩阵以及所述分类器:
其中,f表示迭代优化的目标函数,W表示所述分类器参数矩阵,PH表示高分辨率投影矩阵,PL表示低分辨率投影矩阵,IH表示包括高分辨率行人样本的训练样本集,IL表示包括低分辨率行人样本的训练样本集。
2.根据权利要求1所述的方法,其特征在于,所述不同分辨率投影矩阵如下初始化:对所提取的不同分辨率样本纹理特征做主成分分析,并取其前nd特征值作为相应地初始化的不同分辨率投影矩阵,nd为所述公共子空间的维度。
3.根据权利要求1所述的方法,其特征在于,对于高分辨率投影矩阵,所述迭代优化目标函数如下表示:
其中,||·||F是Frobenius范数,NH是包括高分辨率行人样本的训练样本的个数,yn是表示样本是否为行人的标签,Tr(·)为矩阵主对角线所有元素之和;C为指定的常数;WT是W的转置矩阵;φ(IH)为IH的纹理特征;
所述低分辨率投影矩阵,迭代优化目标函数与上式相同。
4.根据权利要求1所述的方法,其特征在于,步骤5中迭代优化不同分辨率投影矩阵以及所述分类器包括如下步骤:
步骤51、根据初始化的不同分辨率投影矩阵和不同分辨率训练样本,求解当前状态下的分类器参数;
步骤52、固定分类器参数,求解当前状态下最优的不同分辨率投影矩阵;
步骤53、重复执行上述迭代步骤,直至收敛。
5.根据权利要求4所述的方法,其特征在于,步骤51中,对于高分辨率投影矩阵,求解问题如下表示:
其中,φ*(In)为A-0.5PHφ(In),In为第n个训练样本,φ(In)为In的纹理特征,A定义为PHPH T+PLPL T,使用标准的求解器求得全局最优解W*,然后根据(PHPH T+PLPL T)-0.5W*得到W,N表示行人样本的数量;
所述低分辨率投影矩阵,其求解过程与高分辨率投影矩阵相同。
6.如权利要求4所述的方法,其特征在于,步骤52中,对于高分辨率投影矩阵,求解问题如下表示:
其中,C为指定的常数,用于调整权重,NH表示包括高分辨率行人样本的训练样本数量,IHn为高分辨率的第n个训练样本,PH*为B0.5PH,φ*(IHn)为B-0.5Wφ(IHn),φ(IHn)为IHn的纹理特征,B定义为WWT,然后使用标准的求解器求得全局最优解PH*,并通过(WWT)-0.5PH*得到PH;
所述低分辨率投影矩阵,其求解过程与高分辨率投影矩阵相同。
7.根据权利要求1所述的方法,其特征在于,步骤6中根据其分辨率的不同使用不同分辨率下的行人检测器进行检测具体为:通过标准的滑框检测,将待检测图像分成很多重叠的窗口作为滑框,并根据每个滑框的分辨率大小选取不同的行人检测器,并根据所述行人检测器得到最终的检测结果。
8.如权利要求7所述的方法,其特征在于,步骤6中对于每个滑框,根据如下公式对其打分,最终得到检测结果:
其中,I表示待检测图像,L表示滑窗,Tr(·)为矩阵主对角线所有元素之和,W表示所述分类器参数,P表示滑窗L所在分辨率对应的投影矩阵,φ(·)表示得到的纹理特征。
9.一种基于多任务模型的行人检测装置,其包括:
样本区分模块,其用于将训练样本中的行人样本,分为不同分辨率的行人样本;
特征提取模块,其用于将训练样本分为包括不同分辨率行人样本的训练样本集,并分别提取不同分辨率的样本纹理特征;
投影模块,其用于对不同分辨率样本纹理特征,初始化不同分辨率投影矩阵,并根据所述不同分辨率投影矩阵,将不同分辨率样本纹理特征投影到一个公共子空间上;
行人检测器模块,其用于在所述公共子空间上定义一个分类器以检测投影后的检测样本是否为行人样本,所述分类器和不同分辨率投影矩阵共同组成不同分辨率下的行人检测器;
优化模块,其用于在训练阶段,利用训练样本迭代地优化不同分辨率投影矩阵以及所述分类器;
检测模块,其用于在检测阶段,对于待检测图像,根据其分辨率的不同使用不同分辨率下的行人检测器进行检测,并得到最终的检测结果;
其中,优化模块使用如下目标函数迭代优化不同分辨率投影矩阵以及所述分类器:
其中,f表示迭代优化的目标函数,W表示所述分类器参数矩阵,PH表示高分辨率投影矩阵,PL表示低分辨率投影矩阵,IH表示包括高分辨率行人样本的训练样本集,IL表示包括低分辨率行人样本的训练样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310196658.XA CN103279742B (zh) | 2013-05-24 | 2013-05-24 | 一种基于多任务模型的多分辨率行人检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310196658.XA CN103279742B (zh) | 2013-05-24 | 2013-05-24 | 一种基于多任务模型的多分辨率行人检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279742A CN103279742A (zh) | 2013-09-04 |
CN103279742B true CN103279742B (zh) | 2016-08-10 |
Family
ID=49062257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310196658.XA Active CN103279742B (zh) | 2013-05-24 | 2013-05-24 | 一种基于多任务模型的多分辨率行人检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279742B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036258A (zh) * | 2014-06-25 | 2014-09-10 | 武汉大学 | 一种基于稀疏表示处理低分辨率下的行人检测方法 |
CN104732248B (zh) * | 2015-03-24 | 2017-11-21 | 电子科技大学 | 基于Omega形状特征的人体目标检测方法 |
CN105243356B (zh) * | 2015-09-10 | 2019-02-12 | 北京大学 | 一种建立行人检测模型的方法及装置及行人检测方法 |
CN106056101A (zh) * | 2016-06-29 | 2016-10-26 | 哈尔滨理工大学 | 用于人脸检测的非极大值抑制方法 |
CN107590469A (zh) * | 2017-09-18 | 2018-01-16 | 维沃移动通信有限公司 | 一种人脸检测方法及移动终端 |
US10967514B2 (en) * | 2018-08-22 | 2021-04-06 | Abb Schweiz Ag | Apparatus and method to monitor robot mechanical condition |
CN111783716A (zh) * | 2020-07-10 | 2020-10-16 | 中国科学院自动化研究所 | 基于姿态信息的行人检测方法、系统、装置 |
CN112906803B (zh) * | 2021-03-01 | 2022-11-01 | 重庆紫光华山智安科技有限公司 | 模型集成方法、装置、服务器和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012230494A (ja) * | 2011-04-25 | 2012-11-22 | Saxa Inc | 歩行者検出装置 |
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
-
2013
- 2013-05-24 CN CN201310196658.XA patent/CN103279742B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012230494A (ja) * | 2011-04-25 | 2012-11-22 | Saxa Inc | 歩行者検出装置 |
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
Non-Patent Citations (2)
Title |
---|
"Multiresolution Models for Object Detection";Dennis Park,Deva Ramanan,Charless Fowlkes;《Computer Vision ECCV 2010》;20101231;第1、2、8页 * |
"Object Detection with Discriminatively Trained Part-Based Models";Pedro F.Felzenszwalb,Ross B.Girshick,David McAllester等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20090922;第32卷(第9期);第2、12、13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103279742A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279742B (zh) | 一种基于多任务模型的多分辨率行人检测方法及其装置 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN104424466B (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
CN102867188B (zh) | 一种基于级联结构的会场内座位状态检测方法 | |
CN106372666B (zh) | 一种目标识别方法及装置 | |
WO2016138838A1 (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN111695522A (zh) | 一种平面内的旋转不变人脸检测方法、装置及存储介质 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN102034107B (zh) | 基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法 | |
CN107133651A (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
Xie et al. | Fewer is more: Efficient object detection in large aerial images | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN103761504A (zh) | 一种人脸识别系统 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN105096307A (zh) | 在成对的立体图像中检测物体的方法 | |
CN104025118A (zh) | 使用扩展surf特征的对象检测 | |
CN103699874A (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
Gao et al. | Counting dense objects in remote sensing images | |
KR20160080717A (ko) | 차량검출방법, 차량검출을 위한 데이터베이스의 구조, 및 차량검출을 위한 데이터베이스 구축방법 | |
CN106940791A (zh) | 一种基于低维方向梯度直方图的行人检测方法 | |
CN112907595A (zh) | 一种表面缺陷检测方法及装置 |
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 | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20160829 Address after: 100191, Haidian District, Zhichun Road, Beijing No. 7 to the real building, block D, 17, 1702 Patentee after: Beijing Keaosen Data Technology Co. Ltd. Address before: 100190 Zhongguancun East Road, Beijing, No. 95, No. Patentee before: Institute of Automation, Chinese Academy of Sciences |