CN103605979A - 一种基于形状片段的物体识别方法及系统 - Google Patents
一种基于形状片段的物体识别方法及系统 Download PDFInfo
- Publication number
- CN103605979A CN103605979A CN201310641637.4A CN201310641637A CN103605979A CN 103605979 A CN103605979 A CN 103605979A CN 201310641637 A CN201310641637 A CN 201310641637A CN 103605979 A CN103605979 A CN 103605979A
- Authority
- CN
- China
- Prior art keywords
- edge shape
- fragment
- shape fragment
- edge
- reference point
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于形状片段的物体识别方法,包括:分别提取训练图像的边缘形状片段和测试图像的边缘形状片段;使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;根据所述待测物体参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。有效地解决了传统方法对柔性物体以及外观特征不稳定物体难以识别的问题。
Description
技术领域
本申请涉及计算机视觉技术领域,更具体地说,涉及一种基于形状片段的物体识别方法及系统。
背景技术
物体检测及姿态估计是计算机视觉领域中较为活跃的研究课题。现有的物体检测方法一般都是基于物体局部特征或全局特征来识别物体,但是这种方法一般都是应用在无背景噪声的情况下,很少应用于自然环境中物体的识别过程。针对柔性物体、外观特征不稳定物体(如物体外表观表征对光照敏感、物体外观受干扰如人经常换衣服等),现有的基于物体局部特征或全局特征的检测方法很难精确识别。因此,需要一种新的物体识别方法来有效地实现对自然形状物体的识别。
发明内容
有鉴于此,本申请提供了一种基于形状片段的物体识别方法及系统,用于解决传统方法对柔性物体以及外观特性不稳定物体难以识别的问题。
为了实现上述目的,现提出的方案如下:
一种基于形状片段的物体识别方法,包括:
利用相同的提取方法,分别提取训练图像的边缘形状片段和测试图像的边缘形状片段;
使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
优选地,所述提取训练图像的边缘形状片段具体为:
对所述训练图像进行边缘处理;
将所有边缘点间距小于第二阈值的边缘点连接,将连接在一起的边缘点划分为一个边缘组;
判断所述边缘组是否为边缘形状片段基元;
如果否,则剔除该边缘组,如果是,则将相连的多个所述边缘形状片段基元组合为边缘形状片段。
优选地,所述构建物体边缘形状片段模型的过程具体为:采用码表表征的物体建模方法,利用监督方式训练得到物体边缘形状片段模型。
优选地,所述构建物体边缘形状片段模型的过程中采用了多尺度处理方式。
优选地,所述码表表征的物体建模方法具体为:将训练图像的边缘形状片段描述作为码表中所述训练图像的边缘形状片段的属性;
将所述训练图像的边缘形状片段上的边缘点相对于所述待测物体的参考点位置的位移矢量作为所述码表的每一个通道的属性。
优选地,所述相似度的计算过程为:
分别对所述测试图像的边缘形状片段和所述物体边缘形状片段模型中的边缘形状片段进行边缘形状片段描述,所述边缘形状片段描述为边缘形状片段的起点、末端点和曲率最大点分别到达所述边缘形状片段的质心的位移矢量,以及所述起点至所述曲率最大点之间的边缘点的梯度的平均值、所述末端点至所述曲率最大点之间的边缘点的梯度的平均值;
计算两个不同的边缘形状片段的描述的相似度,并与所述第一阈值比较。
优选地,所述利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置的具体过程为:
由所述训练图像的边缘形状片段得出所述待测物体的形状特性,根据所述待测物体的形状特性建立Hough空间;
由所述测试图像的边缘形状片段得出所述测试图像的形状特性,根据所述测试图像的形状特性计算出相对于各个边缘点的所有可能参考点位置;
在所述Hough空间中对每一个可能的所述参考点位置进行投票,所述投票为当有一个边缘点对应的参考点位置位于所述Hough空间某一个点时,即对该点累加值加1;
当所述投票结束后,确定所述Hough空间累加值最大的点,通过反Hough变换,将所述Hough空间累加值最大的点对应的所述待测物体上的点确定为所述待测物体的参考点位置。
优选地,所述根据所述待测物体参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段的过程具体为:
根据所述反Hough变换和所述待测物体参考点位置,验证所述候选边缘形状片段,剔除不符合条件的候选边缘形状片段,得到实际物体轮廓片段。
优选地,所述对所述训练图像进行边缘处理具体为:采用Canny算子对所述训练图像进行边缘处理。
一种基于形状片段的物体识别系统,包括:
第一边缘形状片段提取单元,用于提取训练图像的边缘形状片段;
第二边缘形状片段提取单元,用于提取测试图像的边缘形状片段;
模型构建单元,用于使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
片段选取单元,用于从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
参考点位置确定单元,用于利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
片段筛选单元,用于根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
从上述的技术方案可以看出,本申请公开的物体识别方法,通过提取训练图像和测试图像中的边缘形状片段,由训练图像的边缘形状片段构成物体边缘形状片段模型,然后对比测试图像的边缘形状片段与模型中的边缘形状片段,选出相似度大于第一阈值的作为候选边缘形状片段,再通过Hough变换确定待测物体的参考点位置,根据参考点位置对候选边缘形状片段进行筛选,得到实际物体轮廓片段。有效地解决了传统方法对柔性物体以及外观特征不稳定物体难以识别的问题,通过本申请的识别方法,可以精确定位物体边缘,识别效果良好。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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它的附图。
图1为本申请实施例公开的一种基于形状片段的物体识别方法流程图;
图2为本申请实施例公开的一种边缘形状片段提取方法流程图;
图3为本申请实施例公开的利用Hough变换确定待测物体参考点位置的方法流程图;
图4为本申请实施例公开的一种基于形状片段的物体识别系统结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
实施例一
参见图1,图1为本申请实施例公开的一种基于形状片段的物体识别方法流程图。
如图1所示,该方法包括:
步骤101:利用相同的提取方法,分别提取训练图像的边缘形状片段和测试图像的边缘形状片段;
具体地,我们采用相同的提取方法,对训练图像和测试图像分别提取边缘形状片段。
步骤102:使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
步骤103:从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
具体地,根据形状片段间的相似度,对比测试图像的边缘形状片段与物体边缘形状片段模型中的训练图像的边缘形状片段,从测试图像的边缘形状片段中选取相似度大于第一阈值的边缘形状片段,作为候选边缘形状片段。具体地,第一阈值的大小是人为设定的,该值的大小可以根据多次实验获得。
步骤104:利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
具体地,将物体检测问题转换为Hough空间概率问题,求出Hough空间的概率最大值对应的点,对应的该点也就是待测物体的参考点位置在Hough空间的映射。其中,待测物体的参考点位置是我们人为指定的,举例来说,我们检测一匹马的轮廓,可以指定马的心脏处为参考点位置,或指定马的眼睛为参考点位置等等,一旦参考点的位置确定了,那么整匹马的边缘各点相对于参考点的距离及方向等信息也就确定了。
步骤105:根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
本实施例公开的物体识别方法,通过提取训练图像和测试图像中的边缘形状片段,由训练图像的边缘形状片段构成物体边缘形状片段模型,然后对比测试图像的边缘形状片段与模型中的边缘形状片段,选出相似度大于第一阈值的作为候选边缘形状片段,再通过Hough变换确定待测物体的参考点位置,根据参考点位置对候选边缘形状片段进行筛选,得到实际物体轮廓片段。有效地解决了传统方法对柔性物体以及外观特征不稳定物体难以识别的问题,通过本申请的识别方法,可以精确定位物体边缘,识别效果良好。
实施例二
对训练图像和测试图像的边缘形状片段的提取我们采用相同的方法,只是针对的对象不同而已。下面以对训练图像的边缘形状片段提取为例,具体的提取方法如下:
参见图2,图2为本申请实施例公开的一种边缘形状片段提取方法流程图。
如图2所示,该方法包括:
步骤201:对所述训练图像进行边缘处理,得到边缘图像;
具体地,我们可以采用Canny算子来对训练图像进行边缘处理。
步骤202:采用链码的方法,将所有边缘点间距小于第二阈值的边缘点连接起来,将连接在一起的边缘点划分为一个边缘组;
具体地,第二阈值的大小根据人为设定,可以根据图片像素的大小,选择一个适应的值。
步骤203:判断每个边缘组是否为边缘形状片段基元;
具体地,划分后会存在多个边缘组,但是并不是所有的边缘组都是边缘形状片段基元,我们要对每个边缘组进行判断。我们可以记S为边缘组C的起点,E为边缘组C的末端点,Cvi为边缘组C的边缘点。那么我们可以采用下式来判断:
其中,S指起点的像素位置、方向梯度,E指末端点的像素位置、方向梯度,|S-E|计算两点之间的距离,是对边缘点的个数进行统计,是计算形状片段的理论计算长度与实际像素点累加长度的差值。至于式中的0.9则是人为设定的一个值,可以根据实际情况而变动。
需要说明的是,边缘形状片段基元是组成边缘形状片段的最小单元,符合上式的边缘组可以认为其是边缘形状片段基元。
步骤204:当判断结果为否的情况下,剔除该边缘组;
步骤205:当判断结果为是的情况下,将相连的多个所述边缘形状片段基元组合为边缘形状片段。
实施例三
在本实施例中,我们介绍构件物体边缘形状片段模型的过程:具体地我们可以采用码表表征的物体建模方法,在构件模型时,采用多尺度处理方式,因此当训练集和测试集之间的比例因子处于一定范围内时,具有尺度不变性。另外,本实施例可以采用监督方式训练得到物体边缘形状片段模型,即需要在训练集中标记出物体所处的区域,在大部分的数据库中都提供了训练集中物体区域,如ETHZ形状库。
需要说明的是,在采用码表表征的物体建模方法时,除了以训练图像的边缘形状片段描述作为码表中训练图像的边缘形状片段的属性外,我们还可以加入训练图像的边缘形状片段上的边缘点相对于待测物体的参考点位置的位移矢量,作为码表的每一个通道的属性。
其中,训练图像的边缘形状片段描述可以参考下述:
我们定义一个形状片段的起点为CS,形状片段的末端点为CE,形状片段的曲率最大处的点为K点,按照检测顺序来确定起点CS和末端点为CE。利用简化方法,通过K、CS、CE计算形状片段的质心G,G=(K+CS+CE)/3。起点、末端点和K点到质心G的位移矢量为RS、RE、RK。对起点到K点之间的所有边缘点的梯度求平均值得到θ1,对末端点到K点之间的所有边缘点的梯度求平均值得到θ2。因此,形状片段的描述为:其中N是起点、末端点、K点到质心G的距离的最大值。
实施例四
在从测试图像的边缘形状片段中选取候选边缘形状片段的过程中,我们用到了边缘形状片段的相似度判断过程。具体地相似度计算过程如下:
首先根据实施例三中的训练图像的边缘形状片段的描述方法,对测试图像的边缘形状片段也使用同样的方法进行描述。
需要说明的是,上述描述方法并不是唯一的,我们也可以选取形状片段的重心或中心等等其它位置来代替质心,然后计算起点、K点和末端点到该点的位移矢量,进而对边缘形状片段进行描述。
显而易见地,当T越小时,两个边缘形状片段的相似度越高。我们可以设定一个第一阈值,当T小于该第一阈值时,则认为两个边缘形状片段相似度符合要求。
需要说明的是,上面计算相似度的公式只是一种例子而已,我们还可以用其它的计算公式来计算两个边缘形状片段的相似度,例如去掉公式中每一项的平方,只进行对应参数差值的求和等。
实施例五
本实施例详细介绍了利用Hough变换,确定待测物体的参考点位置的过程,参见图3,图3为本申请实施例公开的利用Hough变换确定待测物体参考点位置的方法流程图。
如图3所示,该方法包括:
步骤301:由所述训练图像的边缘形状片段得出所述待测物体的形状特性,根据所述待测物体的形状特性建立Hough空间;
具体地,待测物体的形状特性包括:待测物体边缘点相对于参考点位置的距离、方向、灰度等信息。
步骤302:由所述测试图像的边缘形状片段得出所述测试图像的形状特性,根据所述测试图像的形状特性计算出相对于测试图像的各个边缘点的所有可能参考点位置;
具体地,测试图像的形状特性包括:测试图像的边缘点相对于参考点位置的距离、方向、灰度等信息。根据这些信息,可以计算出相对于测试图像的各个边缘点的所有可能参考点位置。
步骤303:在所述Hough空间中对每一个可能的所示参考点位置进行投票;
具体地,所述投票为当有一个边缘点对应的参考点位置位于所述Hough空间某一个点时,即对该点累加值加1。
步骤304:当所述投票结束后,通过反Hough变换,将所述Hough空间累加值最大的点对应的所述待测物体上的点确定为所述待测物体的参考点位置。
具体地,待测物体的形状特性与Hough空间中的每一点都是对应关系,我们可以根据物体形状特性建立Hough空间,当然也可以通过反Hough变换,将Hough空间中的点对应到真实物体中。因此,该步骤中,我们把Hough空间中投票数最多的点,确定为待测物体的参考点位置在Hough空间的映射,通过反Hough变换,确定待测物体的参考点位置。
实施例六
实施例五中讲解了如何确定待测物体的参考点位置的过程,本实施例中,在得到待测物体的参考点位置之后,对候选的边缘形状片段进行筛选,得到实际物体轮廓片段。具体过程如下:
在得到了待测物体的参考点位置之后,我们可以通过反Hough变换,根据边缘片段的形状特性和参考点位置,来反向推导验证每一个边缘形状片段,剔除掉那些不符合条件的边缘形状片段,最终得到实际物体轮廓片段。
实施例七
参见图4,图4为本申请实施例公开的一种基于形状片段的物体识别系统结构图。
如图4所示,该系统包括:
第一边缘形状片段提取单元41,用于提取训练图像的边缘形状片段;
第二边缘形状片段提取单元42,用于提取测试图像的边缘形状片段;
模型构建单元43,用于使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
片段选取单元44,用于从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
参考点位置确定单元45,用于利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
片段筛选单元46,用于根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
本实施例公开的物体识别系统,通过提取训练图像和测试图像中的边缘形状片段,由模型构建单元43根据训练图像的边缘形状片段构成物体边缘形状片段模型,然后由片段选取单元44对比测试图像的边缘形状片段与模型中的边缘形状片段,选出相似度大于第一阈值的作为候选边缘形状片段,再经参考点位置确定单元45进行Hough变换,确定待测物体的参考点位置,片段筛选单元46根据参考点位置对候选边缘形状片段进行筛选,得到实际物体轮廓片段。有效地解决了传统方法对柔性物体以及外观特征不稳定物体难以识别的问题,通过本申请的识别方法,可以精确定位物体边缘,识别效果良好。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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他实施例的不同之处,各个实施例之间相同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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (10)
1.一种基于形状片段的物体识别方法,其特征在于,包括:
利用相同的提取方法,分别提取训练图像的边缘形状片段和测试图像的边缘形状片段;
使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
2.根据权利要求1所述的方法,其特征在于,所述提取训练图像的边缘形状片段具体为:
对所述训练图像进行边缘处理;
将所有边缘点间距小于第二阈值的边缘点连接,将连接在一起的边缘点划分为一个边缘组;
判断所述边缘组是否为边缘形状片段基元;
如果否,则剔除该边缘组,如果是,则将相连的多个所述边缘形状片段基元组合为边缘形状片段。
3.根据权利要求1所述的方法,其特征在于,所述构建物体边缘形状片段模型的过程具体为:采用码表表征的物体建模方法,利用监督方式训练得到物体边缘形状片段模型。
4.根据权利要求1所述的方法,其特征在于,所述构建物体边缘形状片段模型的过程中采用了多尺度处理方式。
5.根据权利要求3所述的方法,其特征在于,所述码表表征的物体建模方法具体为:将训练图像的边缘形状片段描述作为码表中所述训练图像的边缘形状片段的属性;
将所述训练图像的边缘形状片段上的边缘点相对于所述待测物体的参考点位置的位移矢量作为所述码表的每一个通道的属性。
6.根据权利要求1所述的方法,其特征在于,所述相似度的计算过程为:
分别对所述测试图像的边缘形状片段和所述物体边缘形状片段模型中的边缘形状片段进行边缘形状片段描述,所述边缘形状片段描述为边缘形状片段的起点、末端点和曲率最大点分别到达所述边缘形状片段的质心的位移矢量,以及所述起点至所述曲率最大点之间的边缘点的梯度的平均值、所述末端点至所述曲率最大点之间的边缘点的梯度的平均值;
计算两个不同的边缘形状片段的描述的相似度,并与所述第一阈值比较。
7.根据权利要求1所述的方法,其特征在于,所述利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置的具体过程为:
由所述训练图像的边缘形状片段得出所述待测物体的形状特性,根据所述待测物体的形状特性建立Hough空间;
由所述测试图像的边缘形状片段得出所述测试图像的形状特性,根据所述测试图像的形状特性计算出相对于各个边缘点的所有可能参考点位置;
在所述Hough空间中对每一个可能的所述参考点位置进行投票,所述投票为当有一个边缘点对应的参考点位置位于所述Hough空间某一个点时,即对该点累加值加1;
当所述投票结束后,确定所述Hough空间累加值最大的点,通过反Hough变换,将所述Hough空间累加值最大的点对应的所述待测物体上的点确定为所述待测物体的参考点位置。
8.根据权利要求7所述的方法,其特征在于,所述根据所述待测物体参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段的过程具体为:
根据所述反Hough变换和所述待测物体参考点位置,验证所述候选边缘形状片段,剔除不符合条件的候选边缘形状片段,得到实际物体轮廓片段。
9.根据权利要求2所述的方法,其特征在于,所述对所述训练图像进行边缘处理具体为:采用Canny算子对所述训练图像进行边缘处理。
10.一种基于形状片段的物体识别系统,其特征在于,包括:
第一边缘形状片段提取单元,用于提取训练图像的边缘形状片段;
第二边缘形状片段提取单元,用于提取测试图像的边缘形状片段;
模型构建单元,用于使用所述训练图像的边缘形状片段,构建物体边缘形状片段模型;
片段选取单元,用于从所述测试图像的边缘形状片段中选取出特定的边缘形状片段作为候选边缘形状片段,所述特定的边缘形状片段与所述物体边缘形状片段模型中的边缘形状片段的相似度必须大于第一阈值;
参考点位置确定单元,用于利用Hough变换,求出Hough空间的概率最大值点,确定待测物体的参考点位置;
片段筛选单元,用于根据所述待测物体的参考点位置,对所述候选边缘形状片段进行筛选,得到实际物体轮廓片段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310641637.4A CN103605979A (zh) | 2013-12-03 | 2013-12-03 | 一种基于形状片段的物体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310641637.4A CN103605979A (zh) | 2013-12-03 | 2013-12-03 | 一种基于形状片段的物体识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103605979A true CN103605979A (zh) | 2014-02-26 |
Family
ID=50124199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310641637.4A Pending CN103605979A (zh) | 2013-12-03 | 2013-12-03 | 一种基于形状片段的物体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605979A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072172A1 (zh) * | 2016-10-20 | 2018-04-26 | 深圳配天智能技术研究院有限公司 | 图像中的形状识别方法、装置、设备及计算机存储介质 |
CN108764206A (zh) * | 2018-06-07 | 2018-11-06 | 广州杰赛科技股份有限公司 | 目标图像识别方法和系统、计算机设备 |
CN109766802A (zh) * | 2018-12-28 | 2019-05-17 | 东莞中国科学院云计算产业技术创新与育成中心 | 柔性物体识别方法、装置、计算机设备和存储介质 |
CN110018174A (zh) * | 2019-05-22 | 2019-07-16 | 合肥联宝信息技术有限公司 | 一种检测物体外观的方法和装置 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN112464950A (zh) * | 2020-11-23 | 2021-03-09 | 武汉舜陈技术有限公司 | 一种基于柔性材料的图形识别定位方法 |
-
2013
- 2013-12-03 CN CN201310641637.4A patent/CN103605979A/zh active Pending
Non-Patent Citations (5)
Title |
---|
MICHAEL STARK, ET AL.: ""A Shape-Based Object Class Model for Knowledge Transfer"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
VITTORIO FERRARI, ET AL.: ""From Images to Shape Models for Object Detection"", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
纪红军等: ""利用局部算子检测峰值的改进Hough变换算法"", 《计算机应用研究》 * |
陈国栋等: ""一种利用形状片段的物体检测方法"", 《自动化学报》 * |
陈国栋等: ""一种基于形状信息描述的图像特征匹配算法"", 《中南大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072172A1 (zh) * | 2016-10-20 | 2018-04-26 | 深圳配天智能技术研究院有限公司 | 图像中的形状识别方法、装置、设备及计算机存储介质 |
CN108764206A (zh) * | 2018-06-07 | 2018-11-06 | 广州杰赛科技股份有限公司 | 目标图像识别方法和系统、计算机设备 |
CN108764206B (zh) * | 2018-06-07 | 2020-07-28 | 广州杰赛科技股份有限公司 | 目标图像识别方法和系统、计算机设备 |
CN109766802A (zh) * | 2018-12-28 | 2019-05-17 | 东莞中国科学院云计算产业技术创新与育成中心 | 柔性物体识别方法、装置、计算机设备和存储介质 |
CN110018174A (zh) * | 2019-05-22 | 2019-07-16 | 合肥联宝信息技术有限公司 | 一种检测物体外观的方法和装置 |
CN110018174B (zh) * | 2019-05-22 | 2021-10-22 | 合肥联宝信息技术有限公司 | 一种检测物体外观的方法和装置 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN111832433B (zh) * | 2020-06-24 | 2023-12-29 | 奇点微(上海)光电科技有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN112464950A (zh) * | 2020-11-23 | 2021-03-09 | 武汉舜陈技术有限公司 | 一种基于柔性材料的图形识别定位方法 |
CN112464950B (zh) * | 2020-11-23 | 2023-08-08 | 武汉舜陈技术有限公司 | 一种基于柔性材料的图形识别定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
CN103605979A (zh) | 一种基于形状片段的物体识别方法及系统 | |
Sirmacek et al. | A probabilistic framework to detect buildings in aerial and satellite images | |
Chen et al. | A spectral gradient difference based approach for land cover change detection | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN104166841A (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 | |
CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN103942577A (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN109509222B (zh) | 直线类物体的检测方法及装置 | |
CN104200240A (zh) | 一种基于内容自适应哈希编码的草图检索方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
CN106845341A (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
CN105809107A (zh) | 基于面部特征点的单样本人脸识别方法及系统 | |
CN104881671A (zh) | 一种基于2D-Gabor的高分遥感影像局部特征提取方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN107481235A (zh) | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN105354555A (zh) | 一种基于概率图模型的三维人脸识别方法 | |
CN103218825A (zh) | 一种尺度不变的时空兴趣点快速检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN107251048A (zh) | 可靠指尖和手掌检测 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140226 |