CN103902976A - 一种基于红外图像的行人检测方法 - Google Patents
一种基于红外图像的行人检测方法 Download PDFInfo
- Publication number
- CN103902976A CN103902976A CN201410126887.9A CN201410126887A CN103902976A CN 103902976 A CN103902976 A CN 103902976A CN 201410126887 A CN201410126887 A CN 201410126887A CN 103902976 A CN103902976 A CN 103902976A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- feature
- infrared image
- window
- 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
Abstract
本发明公开了一种基于红外图像的行人检测方法。建立红外图像的行人和非行人标准数据集;提取样本图像梯度方向直方图特征(HOG);提取样本图像强度直方图特征(HOI);设计行人分类特征-梯度方向和强度直方图特征(HOGI);提取样本图像HOGI特征并训练行人分类器;基于多尺度滑动窗口法对红外图像进行搜索检测;融合多窗口分类结果确定行人位置。本发明在研究目前常用的行人检测特征的基础上,提出了专门针对于红外图像的行人检测特征。结合HOG以及HOI特征各自的优点,通过支持向量机(SVM)的帮助,得到了适合红外图像行人检测的HOGI特征。实现夜间环境的行人检测,具有检测率高,误检率低,环境适应性好等特点。
Description
技术领域
本发明涉及行人检测方法,尤其涉及基于红外图像的行人检测方法。
背景技术
行人检测技术是计算机视觉的一个重要应用,在日常的生活和生产中具有很高的实用价值。行人检测的目的就是把图像或视频序列中出现的行人从背景中分割出来并精确定位。汽车安全技术的进步可以提高车辆驾驶的安全性,从而减少交通事故的发生,减轻医疗系统的负担。而行人检测系统是智能辅助驾驶系统、无人驾驶汽车等汽车安全技术的核心技术之一。此外,随着智能视频监控等技术的发展,行人检测(尤其是夜晚环境)也成为其中必不可少的功能之一。
目前夜间的行人检测技术主要采用的是可见光图像、激光雷达、红外图像等技术。在夜间,由于光照等条件不理想,可见光相机等探测器的成像与环境监测效果较差。而激光雷达是无人自主车上用于道路扫描、障碍物检测等的重要工具。激光雷达依据测距原理来测量前方障碍物的距离,拥有测速快、精度高、不易受干扰、不受光照等因素的影响等优点,可以全天候工作,因此也可用于行人检测。然而行人相比于车辆等物体,尺度较小,在激光雷达获得的点云数据中,随着行人与雷达的距离变大,行人的点云数据变得更少、更稀疏,使得远距离的行人检测非常困难。而红外探测器具备出众的夜视能力,对不同环境都有较强的适应能力。影响红外图像中物体亮度的主要因素是温度和热辐射,通常情况下,行人要比道路、树木等背景对象辐射出更多的热量,所以一般情况下行人比背景更亮,因此,在红外图像的行人检测(特别是在夜间)具有很大的潜力。
发明内容
为克服在夜间等光照不理想环境下,自动行人检测困难、检测率低、误检率高等缺点,本发明的目的在于提供了一种基于红外图像的行人检测方法,在研究目前常用的行人检测特征的基础上,提出了专门针对于红外图像的行人检测特征。结合HOG以及强度直方图(HOI)特征各自的优点,通过支持向量机(SVM)的帮助,得到了一种新的适合红外图像行人检测的特征——梯度方向和强度直方图混合特征(HOGI)。有效地实现了夜间环境的行人检测,具有检测率高,误检率低,环境适应性好等特点。
本发明的目的是通过以下技术方案来实现的:
该方法包括以下步骤:
(1)建立红外图像的行人和非行人标准数据集;
(2)提取样本图像梯度方向直方图特征,标记为HOG;
(3)提取样本图像强度直方图特征,标记为HOI;
(4)设计行人分类特征-梯度方向和强度直方图特征,标记为HOGI;
(5)提取样本图像HOGI特征并训练行人分类器;
(6)基于多尺度滑动窗口法对红外图像进行搜索检测;
(7)融合多窗口分类结果确定行人位置。
所述步骤(1)建立红外图像的行人和非行人标准数据集的步骤如下:
利用红外相机采集各种不同场景下的红外图像,然后从采集到的红外图像中提取行人样本和非行人样本;标注行人样本时采用包含行人的最小矩形窗口,由于行人一般站在地面上,而地面的特征通常相对稳定,所以标注的训练样本最好对该窗口进行扩充,尤其是向下延伸,要保持行人的宽高比。
所述步骤(2)提取样本图像梯度方向直方图特征的步骤如下:
采用梯度算子Δx和Δy对原图像做卷积运算得到每个像素的水平和垂直方向的梯度分量Gx(i,j)、Gy(i,j);
然后获得像素点(i,j)的梯度大小G(i,j)和方向D(i,j)如下:
之后将图像分成若干个单元,将每个单元的梯度方向分成若干个区间,将单元内每个像素的梯度方向映射到固定方向区间,就可以得到这个单元的特征编码——梯度方向直方图,并且用梯度幅值作为权值,对梯度方向进行加权,从而更突出人体的边缘轮廓特征;
权值
梯度方向直方图:
用若干个单元组成空间上连通的块,块与块之间是互有重叠,然后将每个块的特征向量进行归一化;
最后收集检测窗口中所有重叠块的特征向量,并将它们结合成最终用于分类的描述物体边缘轮廓特性的梯度方向直方图特征,标记为HOG。
所述步骤(3)提取样本图像强度直方图特征的步骤如下:
将图像分成若干个大的块,每个块划分成多个单元,这里的块与单元结构与HOG的相同,将强度值分成若干个区间,为每个单元构建强度直方图;用若干个单元组成空间上连通的块,块与块之间是互有重叠,然后将每个块的特征向量进行归一化;最后将各个块的特征向量组合起来就构成了描述物体亮度信息的强度直方图特征,标记为HOI。
所述步骤(4)设计行人分类特征-梯度方向和强度直方图特征的步骤如下:
将HOG和HOI特征向量串联起来输入到同一支持向量机中训练,支持向量机也成为SVM,通过训练后获得的模型中包含参数w,即SVM权值;每一维特征向量都有其对应的w值,w表示每一维特征向量对分类的贡献权值,w正值越大,代表该w对应的那一维特征越能表征行人的特点;训练后获得了HOG和HOI每一维特征向量的w值;每一个块内有多维向量,分析时分别统计HOG和HOI特征每一个块内的最大正w权值P_HOG、P_HOI;通过比较来决定每个块是计算HOG还是HOI,通过选择权值更大的来决定;
从而融合HOG和HOI特征,得到一种针对于红外图像的行人检测新特征——梯度方向和强度直方图混合特征,标记为HOGI。
所述步骤(5)提取样本图像HOGI特征并训练行人分类器的步骤如下:
先将红外图像的行人和非行人样本统一缩放到同一尺度,如64*128,再提取行人样本的HOGI特征向量,标注分类标签为+1;提取非行人样本的HOGI特征向量,标注分类标签为0;然后将行人样本的HOGI特征向量、分类标签以及非行人样本的HOGI特征向量、分类标签统一输入到SVM中训练,通过SVM的学习训练获得行人分类器。
所述步骤(6)基于多尺度滑动窗口法对红外图像进行搜索检测的步骤如下:
根据行人在图像中的尺度范围来确定图像缩放的尺度空间,假设图像的分辨率为Wi×Hi,Wi代表图像宽度,Hi代表图像高度,Sr表示缩放比例,检测窗口的大小为Wn×Hn,其中Wn表示检测窗口的宽度,Hn表示检测窗口的高度,初始尺度为Ss=1,终止缩放尺度为Se=min(Wi/Wn,Hi/Hn),窗口滑动步长为Ns以及平滑参数σx,σy,σs;对每一个尺度的图像选取一个固定大小的窗口依次滑动窗口,对每个窗口提取HOGI特征,利用事先训练好的行人分类器来判断窗口内是否有行人,通过滑动窗口来遍历图像,将检测结果为行人的窗口存入链表中。
所述步骤(7)融合多窗口分类结果确定行人位置的步骤如下:
对图像进行多尺度滑动窗口检测后,图像中的同一个行人可能出现在不同尺度上不同的检测窗口中,为了使系统最终输出为一个行人对应唯一的窗口,采用非极大值抑制的方法将上述链表中的多个中间检测结果融合在一起;假设第i个检测结果中心点的位置和尺度分别表示为Xi=[xi,yi],Si';检测结果响应的强度用wi表示,wi>0;由位置和尺度构成的三维空间中的点表示为Y=[x,y,s],其中s=log(s');然后根据公式diag[Hi]=[(exp(si)σx)2,(exp(si)σy)2,σs 2]计算三维空间中每一个点Yi对应的协方差矩阵Hi,为每一个点Yi用式迭代计算直到收敛,收敛后的点为最终的融合后的点,其中满足最后对应每个融合后的点在原始图像中标出行人的位置。
本发明具有的有益效果是:
本发明基于红外图像实现了行人检测的目的,而且利用机器学习的方法专门针对红外图像设计了行人检测特征——HOGI。HOGI特征的创建思想是一种新的特征融合方式,在不增加特征维数和计算量的情况下通过机器学习的方法来智能的融合多种特征,而不是简单的特征串联到一起。HOGI特征在降低计算复杂度的情况下提高了检测率。与HOG相比,HOGI在同等误检率下漏报率平均降低了50%,计算效率平均提高40%。
附图说明
图1是本发明的总流程图。
图2是本发明实施例中HOG特征的正w权值分布图。
图3是本发明实施例中HOI特征的正w权值分布图。
图4是本发明实施例中HOGI特征的分类模板图。
图5是本发明实施例中HOGI特征的正w权值分布图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,本发明的具体实施步骤如下:
1、建立红外图像的行人和非行人标准数据集
采用红外相机对不同场景下的红外图像,采集的场景包括:校园林荫道路环境、草坪环境、校园门口、操场、交通路口等各种场景,采集图片超过10000张。然后采用最小矩形窗口提取红外图像中的行人样本和非行人样本,其中提取行人样本时让矩形窗口适当的向下延伸包含部分地面。提取行人样本6000多张,非行人样本5000多张,并统一将样本缩放到64×128的尺寸。
2、提取样本图像梯度方向直方图特征(HOG)
采用梯度算子Δx和Δy对原图像做卷积运算得到每个像素的水平和垂直方向的梯度分量Gx(i,j)、Gy(i,j)。
将64×128大小的样本图像分成若干个单元(cell),每个cell为8×8个像素。再将每个cell的梯度方向分成9个区间(bin)。这样,将cell内每个像素的梯度方向映射到固定方向区间(bin),就可以得到这个cell的特征编码——梯度方向直方图。并用梯度幅值作为权值,对梯度方向进行加权,这样每个单元内就得到了一个9维的特征向量。
每相邻的4个单元组成一个块,用块对样本图像进行扫描,扫描步长为一个单元,对每个块内的特征进行归一化,最后将所有块的特征串联起来,就得到了HOG特征。
3、提取样本图像强度直方图特征(HOI)
将64×128大小的样本图像分成若干个单元(cell),每个cell为8×8个像素。再将cell的强度范围[0,255]分成9个强度区间。在每个单元里面对所有像素的强度值在各个强度区间进行直方图统计,得到一个9维的特征向量。每相邻的4个单元组成一个块,用块对样本图像进行扫描,扫描步长为一个单元,对每个块内的特征进行归一化,最后将所有块的特征串联起来,就得到了HOI特征。
4、设计行人分类特征模板
将HOG+HOI的串联复合特征输入到SVM中进行训练,SVM采用线性核函数。线性SVM是通过线性判别函数wx+b=0来进行分类的。通过训练后获得的模型中包含参数w和b。每一维特征向量都有其对应的w值(SVM权值),w表示每一维特征向量对分类的贡献权值,w正值越大,代表该w对应的那一维特征越能表征行人的特点。
训练后获得了HOG和HOI每一维特征向量的w值。每一个block内有多维向量,分析时分别统计HOG和HOI特征每一个block内的最大正w权值P_HOG、P_HOI,用该SVM权值的分布情况来表征每一个block的分类特性。如采用8×8像素组成一个cell,2×2个cell组成一个block,分别统计出图像中每一个block内HOG特征的最大正w值和HOI特征的最大正w值。从而得到HOG和HOI的正权值分布图,如图2、图3所示。
根据权值分布的情况,比较HOG和HOI在相同位置的block的正w值的大小,通过比较来决定在HOGI中每个block是计算HOG还是HOI(选择权值更大的),如式2-11。
这样就获得了一种嵌套着HOG和HOI两种block的新特征HOGI,图4的分类模板表示图中各个位置的块是计算HOG还是HOI,其中黑色块代表计算HOI,白色块代表计算HOG。图5是根据上述方法得到的HOGI特征的正w值分布图。
5、提取样本图像HOGI特征并训练行人分类器
将红外图像的行人和非行人样本统一缩放到同一尺度,如64*128,再提取行人样本的HOGI特征向量,特征维数为3780维,标注分类标签为+1;提取非行人样本的HOGI特征向量,特征维数为3780维,标注分类标签为0。然后将行人样本的HOGI特征向量、分类标签以及非行人样本的HOGI特征向量、分类标签统一输入到支持向量机(SVM)中训练,通过SVM的学习训练获得行人分类器。
6、基于多尺度滑动窗口法对红外图像进行搜索检测
图像的分辨率为720*480,缩放比例1.1,检测窗口的大小为64*128,初始尺度为Ss=1,终止缩放尺度为Se=min(Wi/Wn,Hi/Hn)=3.75,窗口滑动步长为Ns=8以。对每一个尺度的图像选取一个固定大小的窗口依次滑动窗口,对每个窗口提取HOGI特征,利用事先训练好的行人分类器来判断窗口内是否有行人,通过滑动窗口来遍历图像,将检测结果为行人的窗口存入链表中。
7、融合多窗口分类结果确定行人位置
通过对图像进行多尺度滑动窗口检测后,图像中的同一个行人可能出现在不同尺度上不同的检测窗口中,为了使系统最终输出为一个行人对应唯一的窗口,采用非极大值抑制的方法将上述链表中的多个中间检测结果融合在一起。假设第i个检测结果中心点的位置和尺度分别表示为Xi=[xi,yi],Si'。检测结果响应的强度(confidence)用wi表示,wi>0;由位置和尺度构成的三维空间中的点表示为Y=[x,y,s],其中s=log(s')。然后根据公式diag[Hi]=[(exp(si)σx)2,(exp(si)σy)2,σs 2]计算三维空间中每一个点Yi对应的协方差矩阵Hi,为每一个点Yi用式迭代计算直到收敛,收敛后的点为最终的融合后的点,其中满足最后对应每个融合后的点在原始图像中标出行人的位置。
Claims (8)
1.一种基于红外图像的行人检测方法,其特征在于,该方法包括以下步骤:
(1)建立红外图像的行人和非行人标准数据集;
(2)提取样本图像梯度方向直方图特征,标记为HOG;
(3)提取样本图像强度直方图特征,标记为HOI;
(4)设计行人分类特征-梯度方向和强度直方图特征,标记为HOGI;
(5)提取样本图像HOGI特征并训练行人分类器;
(6)基于多尺度滑动窗口法对红外图像进行搜索检测;
(7)融合多窗口分类结果确定行人位置。
2.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(1)建立红外图像的行人和非行人标准数据集的步骤如下:
利用红外相机采集各种不同场景下的红外图像,然后从采集到的红外图像中提取行人样本和非行人样本;标注行人样本时采用包含行人的最小矩形窗口,由于行人一般站在地面上,而地面的特征通常相对稳定,所以标注的训练样本最好对该窗口进行扩充,尤其是向下延伸,要保持行人的宽高比。
3.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(2)提取样本图像梯度方向直方图特征的步骤如下:
采用梯度算子Δx和Δy对原图像做卷积运算得到每个像素的水平和垂直方向的梯度分量Gx(i,j)、Gy(i,j);
然后获得像素点(i,j)的梯度大小G(i,j)和方向D(i,j)如下:
之后将图像分成若干个单元,将每个单元的梯度方向分成若干个区间,将单元内每个像素的梯度方向映射到固定方向区间,就可以得到这个单元的特征编码——梯度方向直方图,并且用梯度幅值作为权值,对梯度方向进行加权,从而更突出人体的边缘轮廓特征;
权值
梯度方向直方图:
用若干个单元组成空间上连通的块,块与块之间是互有重叠,然后将每个块的特征向量进行归一化;
最后收集检测窗口中所有重叠块的特征向量,并将它们结合成最终用于分类的描述物体边缘轮廓特性的梯度方向直方图特征,标记为HOG。
4.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(3)提取样本图像强度直方图特征的步骤如下:
将图像分成若干个大的块,每个块划分成多个单元,这里的块与单元结构与HOG的相同,将强度值分成若干个区间,为每个单元构建强度直方图;用若干个单元组成空间上连通的块,块与块之间是互有重叠,然后将每个块的特征向量进行归一化;最后将各个块的特征向量组合起来就构成了描述物体亮度信息的强度直方图特征,标记为HOI。
5.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(4)设计行人分类特征-梯度方向和强度直方图特征的步骤如下:
将HOG和HOI特征向量串联起来输入到同一支持向量机中训练,支持向量机也成为SVM,通过训练后获得的模型中包含参数w,即SVM权值;每一维特征向量都有其对应的w值,w表示每一维特征向量对分类的贡献权值,w正值越大,代表该w对应的那一维特征越能表征行人的特点;训练后获得了HOG和HOI每一维特征向量的w值;每一个块内有多维向量,分析时分别统计HOG和HOI特征每一个块内的最大正w权值P_HOG、P_HOI;通过比较来决定每个块是计算HOG还是HOI,通过选择权值更大的来决定;
从而融合HOG和HOI特征,得到一种针对于红外图像的行人检测新特征——梯度方向和强度直方图混合特征,标记为HOGI。
6.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(5)提取样本图像HOGI特征并训练行人分类器的步骤如下:
先将红外图像的行人和非行人样本统一缩放到同一尺度,如64*128,再提取行人样本的HOGI特征向量,标注分类标签为+1;提取非行人样本的HOGI特征向量,标注分类标签为0;然后将行人样本的HOGI特征向量、分类标签以及非行人样本的HOGI特征向量、分类标签统一输入到SVM中训练,通过SVM的学习训练获得行人分类器。
7.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(6)基于多尺度滑动窗口法对红外图像进行搜索检测的步骤如下:
根据行人在图像中的尺度范围来确定图像缩放的尺度空间,假设图像的分辨率为Wi×Hi,Wi代表图像宽度,Hi代表图像高度,Sr表示缩放比例,检测窗口的大小为Wn×Hn,其中Wn表示检测窗口的宽度,Hn表示检测窗口的高度,初始尺度为Ss=1,终止缩放尺度为Se=min(Wi/Wn,Hi/Hn),窗口滑动步长为Ns以及平滑参数σx,σy,σs;对每一个尺度的图像选取一个固定大小的窗口依次滑动窗口,对每个窗口提取HOGI特征,利用事先训练好的行人分类器来判断窗口内是否有行人,通过滑动窗口来遍历图像,将检测结果为行人的窗口存入链表中。
8.根据权利要求1所述的一种基于红外图像的行人检测方法,其特征在于,所述步骤(7)融合多窗口分类结果确定行人位置的步骤如下:
对图像进行多尺度滑动窗口检测后,图像中的同一个行人可能出现在不同尺度上不同的检测窗口中,为了使系统最终输出为一个行人对应唯一的窗口,采用非极大值抑制的方法将上述链表中的多个中间检测结果融合在一起;假设第i个检测结果中心点的位置和尺度分别表示为Xi=[xi,yi],Si';检测结果响应的强度用wi表示,wi>0;由位置和尺度构成的三维空间中的点表示为Y=[x,y,s],其中s=log(s');然后根据公式diag[Hi]=[(exp(si)σx)2,(exp(si)σy)2,σs 2]计算三维空间中每一个点Yi对应的协方差矩阵Hi,为每一个点Yi用式迭代计算直到收敛,收敛后的点为最终的融合后的点,其中满足最后对应每个融合后的点在原始图像中标出行人的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410126887.9A CN103902976B (zh) | 2014-03-31 | 2014-03-31 | 一种基于红外图像的行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410126887.9A CN103902976B (zh) | 2014-03-31 | 2014-03-31 | 一种基于红外图像的行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103902976A true CN103902976A (zh) | 2014-07-02 |
CN103902976B CN103902976B (zh) | 2017-12-29 |
Family
ID=50994288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410126887.9A Expired - Fee Related CN103902976B (zh) | 2014-03-31 | 2014-03-31 | 一种基于红外图像的行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103902976B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301676A (zh) * | 2014-10-14 | 2015-01-21 | 浙江宇视科技有限公司 | 一种监控目标搜索方法和装置以及球型摄像机 |
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
CN104778453A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于红外行人亮度统计特征的夜间行人检测方法 |
CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及系统 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN105404857A (zh) * | 2015-11-04 | 2016-03-16 | 北京联合大学 | 一种基于红外的夜间智能车前方行人检测方法 |
CN105447457A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于自适应特征的车牌字符识别方法 |
CN105787456A (zh) * | 2016-03-02 | 2016-07-20 | 江苏大学 | 一种夜间远红外图像中的行人检测方法 |
CN106067041A (zh) * | 2016-06-03 | 2016-11-02 | 河海大学 | 一种改进的基于稀疏表示的多目标检测方法 |
CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
CN106570523A (zh) * | 2016-10-25 | 2017-04-19 | 浙江工业大学 | 一种多特征联合的机器人足球识别方法 |
TWI628624B (zh) * | 2017-11-30 | 2018-07-01 | 國家中山科學研究院 | Improved thermal image feature extraction method |
CN108763266A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于图像特征提取的商标检索方法 |
CN108764246A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于多尺度特征提取的图像检索方法 |
CN108780507A (zh) * | 2015-12-17 | 2018-11-09 | 线性代数技术有限公司 | 用于提供图像分类器的系统和方法 |
CN108846843A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种图像特征提取方法 |
CN108875753A (zh) * | 2018-04-03 | 2018-11-23 | 南昌奇眸科技有限公司 | 一种商标图像检索特征提取方法 |
CN108898095A (zh) * | 2018-06-26 | 2018-11-27 | 杭州晶智能科技有限公司 | 基于自学习的红外图像人体识别方法 |
CN106023650B (zh) * | 2016-07-01 | 2018-11-30 | 南京邮电大学 | 基于交通路口视频及计算机并行处理的实时行人预警方法 |
CN109241985A (zh) * | 2017-07-11 | 2019-01-18 | 普天信息技术有限公司 | 一种图像识别方法及装置 |
CN109657633A (zh) * | 2018-12-26 | 2019-04-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于超限学习机的远红外安防监控方法 |
CN110163161A (zh) * | 2019-05-24 | 2019-08-23 | 西安电子科技大学 | 基于尺度不变的多特征融合行人检测方法 |
CN110720046A (zh) * | 2017-06-14 | 2020-01-21 | 三菱电机株式会社 | 经年劣化诊断装置和经年劣化诊断方法 |
CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
CN111382718A (zh) * | 2020-03-17 | 2020-07-07 | 电子科技大学中山学院 | 一种夜间行人检测系统及基于该系统的行人检测方法 |
CN111666920A (zh) * | 2020-06-24 | 2020-09-15 | 浙江大华技术股份有限公司 | 目标物品佩戴检测方法、装置、存储介质及电子装置 |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511046A (zh) * | 2009-12-02 | 2012-06-20 | 塔塔咨询服务有限公司 | 使用近红外照相机对行人进行检测、分类并追踪的有成本效益的系统及方法 |
US20120300078A1 (en) * | 2010-01-28 | 2012-11-29 | Hitachi, Ltd | Environment recognizing device for vehicle |
CN103310213A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 车辆检测方法和装置 |
CN103632379A (zh) * | 2012-08-22 | 2014-03-12 | 佳能株式会社 | 物体检测装置及其控制方法 |
-
2014
- 2014-03-31 CN CN201410126887.9A patent/CN103902976B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511046A (zh) * | 2009-12-02 | 2012-06-20 | 塔塔咨询服务有限公司 | 使用近红外照相机对行人进行检测、分类并追踪的有成本效益的系统及方法 |
US20120300078A1 (en) * | 2010-01-28 | 2012-11-29 | Hitachi, Ltd | Environment recognizing device for vehicle |
CN103310213A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 车辆检测方法和装置 |
CN103632379A (zh) * | 2012-08-22 | 2014-03-12 | 佳能株式会社 | 物体检测装置及其控制方法 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104298989B (zh) * | 2014-08-20 | 2017-08-04 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104301676B (zh) * | 2014-10-14 | 2018-12-07 | 浙江宇视科技有限公司 | 一种监控目标搜索方法和装置以及球型摄像机 |
CN104301676A (zh) * | 2014-10-14 | 2015-01-21 | 浙江宇视科技有限公司 | 一种监控目标搜索方法和装置以及球型摄像机 |
CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
CN104778453A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于红外行人亮度统计特征的夜间行人检测方法 |
CN104778453B (zh) * | 2015-04-02 | 2017-12-22 | 杭州电子科技大学 | 一种基于红外行人亮度统计特征的夜间行人检测方法 |
CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及系统 |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105260749B (zh) * | 2015-11-02 | 2018-11-13 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105404857A (zh) * | 2015-11-04 | 2016-03-16 | 北京联合大学 | 一种基于红外的夜间智能车前方行人检测方法 |
CN105447457A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于自适应特征的车牌字符识别方法 |
US11600059B2 (en) | 2015-12-17 | 2023-03-07 | Movidius Limited | Systems and methods for providing an image classifier |
CN108780507B (zh) * | 2015-12-17 | 2022-03-29 | 莫维迪乌斯有限公司 | 用于提供图像分类器的系统和方法 |
CN108780507A (zh) * | 2015-12-17 | 2018-11-09 | 线性代数技术有限公司 | 用于提供图像分类器的系统和方法 |
CN105787456A (zh) * | 2016-03-02 | 2016-07-20 | 江苏大学 | 一种夜间远红外图像中的行人检测方法 |
CN106067041A (zh) * | 2016-06-03 | 2016-11-02 | 河海大学 | 一种改进的基于稀疏表示的多目标检测方法 |
CN106067041B (zh) * | 2016-06-03 | 2019-05-31 | 河海大学 | 一种改进的基于稀疏表示的多目标检测方法 |
CN106023650B (zh) * | 2016-07-01 | 2018-11-30 | 南京邮电大学 | 基于交通路口视频及计算机并行处理的实时行人预警方法 |
CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
CN106570523A (zh) * | 2016-10-25 | 2017-04-19 | 浙江工业大学 | 一种多特征联合的机器人足球识别方法 |
CN106570523B (zh) * | 2016-10-25 | 2019-07-26 | 浙江工业大学 | 一种多特征联合的机器人足球识别方法 |
CN110720046A (zh) * | 2017-06-14 | 2020-01-21 | 三菱电机株式会社 | 经年劣化诊断装置和经年劣化诊断方法 |
CN110720046B (zh) * | 2017-06-14 | 2022-03-18 | 三菱电机株式会社 | 经年劣化诊断装置和经年劣化诊断方法 |
CN109241985A (zh) * | 2017-07-11 | 2019-01-18 | 普天信息技术有限公司 | 一种图像识别方法及装置 |
TWI628624B (zh) * | 2017-11-30 | 2018-07-01 | 國家中山科學研究院 | Improved thermal image feature extraction method |
CN108846843A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种图像特征提取方法 |
CN108875753A (zh) * | 2018-04-03 | 2018-11-23 | 南昌奇眸科技有限公司 | 一种商标图像检索特征提取方法 |
CN108763266B (zh) * | 2018-04-03 | 2022-04-29 | 南昌奇眸科技有限公司 | 一种基于图像特征提取的商标检索方法 |
CN108764246A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于多尺度特征提取的图像检索方法 |
CN108763266A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于图像特征提取的商标检索方法 |
CN108898095B (zh) * | 2018-06-26 | 2021-07-02 | 广东唯仁医疗科技有限公司 | 基于自学习的红外图像人体识别方法 |
CN108898095A (zh) * | 2018-06-26 | 2018-11-27 | 杭州晶智能科技有限公司 | 基于自学习的红外图像人体识别方法 |
CN109657633A (zh) * | 2018-12-26 | 2019-04-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于超限学习机的远红外安防监控方法 |
CN110163161A (zh) * | 2019-05-24 | 2019-08-23 | 西安电子科技大学 | 基于尺度不变的多特征融合行人检测方法 |
CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
CN111382718A (zh) * | 2020-03-17 | 2020-07-07 | 电子科技大学中山学院 | 一种夜间行人检测系统及基于该系统的行人检测方法 |
CN111382718B (zh) * | 2020-03-17 | 2023-08-11 | 电子科技大学中山学院 | 一种夜间行人检测系统及基于该系统的行人检测方法 |
CN111666920A (zh) * | 2020-06-24 | 2020-09-15 | 浙江大华技术股份有限公司 | 目标物品佩戴检测方法、装置、存储介质及电子装置 |
CN111666920B (zh) * | 2020-06-24 | 2023-09-01 | 浙江大华技术股份有限公司 | 目标物品佩戴检测方法、装置、存储介质及电子装置 |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103902976B (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103902976A (zh) | 一种基于红外图像的行人检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
Börcs et al. | Instant object detection in lidar point clouds | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
Philipsen et al. | Traffic light detection: A learning algorithm and evaluations on challenging dataset | |
CN111079586B (zh) | 基于深度学习与双目摄像的自动驾驶目标检测系统及方法 | |
CN103034843B (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN101388145B (zh) | 道路交通安全自动警示方法及装置 | |
Kühnl et al. | Spatial ray features for real-time ego-lane extraction | |
Zhou et al. | Self‐supervised learning to visually detect terrain surfaces for autonomous robots operating in forested terrain | |
CN106127137A (zh) | 一种基于3d轨迹分析的目标检测识别算法 | |
Kühnl et al. | Monocular road segmentation using slow feature analysis | |
CN104933708A (zh) | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN104778453A (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN104091171B (zh) | 基于局部特征的车载远红外行人检测系统及方法 | |
Ohgushi et al. | Road obstacle detection method based on an autoencoder with semantic segmentation | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
CN105574488A (zh) | 一种基于低空航拍红外图像的行人检测方法 | |
CN103617426A (zh) | 一种自然环境干扰和有遮挡时的行人目标检测方法 | |
CN107301378A (zh) | 图像中多分类器集成的行人检测方法和系统 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |