CN104112144A - 人车识别方法及装置 - Google Patents
人车识别方法及装置 Download PDFInfo
- Publication number
- CN104112144A CN104112144A CN201310694732.0A CN201310694732A CN104112144A CN 104112144 A CN104112144 A CN 104112144A CN 201310694732 A CN201310694732 A CN 201310694732A CN 104112144 A CN104112144 A CN 104112144A
- Authority
- CN
- China
- Prior art keywords
- layer
- grad
- pixel
- learning
- target 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.)
- Pending
Links
Abstract
本发明提供的人车识别方法及装置，将目标图像的梯度值进行深度学习，训练出最优的初始权值，再利用该权值对目标图像进行降维，得到目标图像低维度的梯度值，最后用SVM分类器对该低维度的梯度值进行分类，从而识别出人车。能够大大减少图像分类的处理数据，提升图像识别效率及准确率。
Description
技术领域
本申请涉及图像识别领域，尤其涉及一种人车识别方法及装置。
背景技术
在智能安全监控、机器视觉、模式识别等多个计算机视觉领域中，都需要对行人和车辆进行识别，例如，在智能交通监控系统中，需要识别出快速交通通道中的非法行人，进行自动报警。又如在公安侦查系统中，需要对视频进行智能分析，识别出特定的车辆或行人。
目前用于检测人车的普遍方法是对人车样本提取方向梯度直方图（HOG，histogram of oriented gradient）特征，再通过分类器进行判别。但是由于HOG特征维度过多，计算难度较大，使得识别速率降低，更降低了识别的准确率。
发明内容
本申请提供一种人车识别方法及装置，可以对视频图像进行人车识别。
根据本申请的第一方面，本申请提供一种人车识别方法，包括：
计算目标图像的原始梯度值；将所述目标图像的原始梯度值输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成限制波尔兹曼机模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数； 根据所述权值Wij，递归对所述目标图像进行降维，得到所述目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值；利用支持向量分类器SVM对第M层降维后的梯度值进行测试，识别出人车。
根据本申请的第二方面，本申请提供一种人车识别装置，包括：
计算单元，用于计算目标图像的原始梯度值；深度学习单元，用于将所述计算单元计算得到的所述目标图像的原始梯度值输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成一限制波尔兹曼机模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数；降维单元，用于根据所述权值Wij，递归对所述目标图像进行降维，得到所述目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值；测试单元，用于利用支持向量分类器SVM对第M层降维后的梯度值进行测试，识别出人车。
本发明提供的人车识别方法及装置，将目标图像的梯度值进行深度学习，训练出最优的初始权值，再利用该权值对目标图像进行降维，得到目标图像低维度的梯度值，最后用SVM分类器对该低维度的梯度值进行分类，从而识别出人车。能够大大减少图像分类的处理数据，提升图像识别效率及准确率。
附图说明
图1为本发明实施例一的方法流程图；
图2为本发明实施例的神经网络的结构示意图；
图3为本发明实施例二的提取目标图像的方法流程图；
图4为本发明实施三的人车识别装置的结构示意图；
图5为本发明装置的另一种结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在本申请实施例中，提供一种人车识别方法及装置，可以对视频图像进行人车识别。
实施例一：
请参考图1，图1为本发明实施例一的方法流程图。如图1所示，一种人车识别方法，可以包括以下步骤：
101、计算目标图像的原始梯度值。
具体地，需要对目标图像进行灰度化处理，以得到每个像素点的横向梯度值分量Vx以及纵向梯度值分量Vy，具体可以是：对目标图像的每个像素点的横向以及纵向分别采用[-1,0,1]的窗口进行滤波，得到每个像素点的横向梯度值分量vx以及纵向梯度值分量vy。
然后，采用 ，计算每个像素点的梯度值，其中，V表示像素点的原始梯度值。
102、将目标图像的原始梯度值输入到神经网络中进行深度学习，以递归计算得到相邻两层学习层之间的权值。
具体地，将所述目标图像的原始梯度值V输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成限制玻尔兹曼机（RBM，Restricted Boltzmann Machine）模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数。
所称深度学习指的是，通过一个小型中间层的神经网络将高维数据转换为低维数据，然后再重构出高维的输入向量的过程。该过程是个不断自学习的过程，通过不断优化权值而使输出的特征更合理，使重构的数据更接近原始高维数据。本发明实施例中，深度学习可以将输入的梯度值通过神经网络转换为低维度的梯度值。并且优化神经网络各个学习层之间的权值。
本发明所指RBM为包含两层学习层的神经网络，每一层学习层上的节点只与下一层学习层的节点连接，同一层学习层之间的节点是没有连接的，第一层学习层称为可视层（visual layer，记作VL），下一层学习层称为隐含层（hide layer，记作HL）。由于同一层学习层之间的节点没有连接，因此，已知VL时，HL中所有的节点之间都是条件独立的。同理，已知HL时，VL中所有的节点之间也是条件独立的。其中，所有的节点为0或1，同时假设节点的全概率分布p（VL , HL）满足波尔兹曼分布。当输入VL时，通过p(HL|VL)可以得到隐含层HL，而得到HL后，通过p(VL|HL)能得到重构的可视层梯度值VR。若VL与VR的差别在设定的区域内，则得到的隐含层数据HL是可视层输入数据VL的有效特征，即，HL为VL的降维后的数据表达形式。本发明实施例中的神经网络包含M层学习层，每相邻两层学习层之间均由RBM进行训练，也即，每两层相邻的学习层之间相当于构成一个RBM模型。
请参阅图2，图2为本发明实施例的神经网络的结构示意图。如图2所示，本发明实施例将目标图像的原始梯度值输入到神经网络中，神经网络中每两层相邻的学习层之间均构成一个RBM模型。其中，本发明实施例的神经网络，第i层学习层（i＞1）可以同时作为可视层和隐含层。将梯度值输入到第i-1层中，i-1层即为RBM模型的可视层，第i层即为RBM模型的隐含层，经RMB训练后，计算得出第i层的梯度值，再以第i层的梯度值作为输入值，此时第i层即为RBM模型的可视层，再计算第i+1层的梯度值，第i+1层即为隐含层。
由于相邻学习层之间构成一RBM模型，本发明实施例中，当上一层输入梯度值时，可以由RBM训练得到下一层学习层的梯度值和两学习层之间的权值，可以理解的是，所述上一层学习层相当于RBM的可视层，所述下一层学习层相当于RBM的隐含层。所述下一层学习层的梯度值是所述上一层学习层的梯度值的降维后的梯度值。根据权值和所述下一层学习层的梯度值，可以重构出恢复的上一层的梯度值，使得恢复的上一层的梯度值和梯度值在设定的范围内。
本发明中，为了获得适当的权值，可以将目标图像的原始梯度值V输入到第一层，由公式（1）得到的状态，即第二层的梯度值。得到第二层梯度值后，可以由公式（2）可以重构出恢复的第一层梯度值，即恢复的第一层的梯度值，若恢复的第一层梯度值与原有的原始梯度值差值在预设的范围内，则表示第二层的梯度值是有效的。此时，权值可以用于后续对目标图像进行降维。其中，VLi代表输入的第i层梯度值，HLj代表输出的第j层梯度值, Wij代表第i层与第j层之间的权值，j=i+1，aj 代表第j层像素值的偏斜率，bi代表第i层像素值的偏斜率。
优选的，在得到重构出恢复的第一层梯度值后，可以由公式（3）再次计算隐层的梯度值。以此更新权值,以及误差,。其中为纠正速度。一个优选的实施例，为了获得最优的权值，可以重复以上步骤10次。同时，可以构建至少3个学习层，利用至少两个RBM对梯度值进行训练。值得指出的是，在得到的第二层的梯度值时，将其输出，作为第三层的输入梯度值，按照RBM训练方式计算第三层的梯度值。一个优选的实施例中，可以构建4个学习层，即由3个RBM训练出适合的权值，保证得到的权值更优。本实施例图2以3072-1500-600-20的一组梯度值作为示意，即将原始梯度值3072维递归降维至20维。显然，降维后的梯度值需要分类的数据量降低，提高了准确率及分类效率。并且本发明的梯度值降维所使用的权值是经过训练得出的，因此权值接近全局最优，降维后的梯度值更能保留目标图像的有用特征，从而提高分类效果。
（公式1）
（公式2）
（公式3）
103、根据各个相邻两层之间的权值，递归对目标图像进行降维，得到目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值。
步骤102中构建了至少两个学习层对数据进行训练，得到至少一个的权值。可以利用所得到的权值逐步对目标图像进行降维，得到目标图像的原始梯度值在经过每个权值对应的梯度值，降维后得到适合SVM分类的低维度数据，使得分类的效率和准确率提高。
根据各个权值Wij，递归地对所述目标图像进行降维，得到Wij对应的降维后的梯度值，直至得到第M-1个梯度值。
举例如下：首先将原始梯度值V输入，作为第一层的可视层输入值VL1，通过步骤102中学习得到的第一层学习层与第二层学习层之间的权重值W12以及公式（1），计算得到第二层学习层（第一层RBM的隐含层）梯度值HL1。将HL1 作为输出，作为第三层学习层的可视层，结合权值W23 ，计算得到第三层学习层（第二层RBM的隐含层）梯度值HL2，之后递归地计算出每一层的梯度值。直到得到第M层的梯度值HLM。即得到第M-1个梯度值，这个梯度值为低维度的数据，能够提升图像分类的效率和准确率。
104、利用支持向量分类器SVM对第M层降维后的梯度值进行测试，识别出人车。
利用支持向量分类器SVM对第M-1个梯度值进行测试，识别出人车。
本发明实施例一提供的人车识别方法，将目标图像的梯度值进行深度学习，训练得到最优的初始权值，再利用该权值对目标图像进行降维，得到低维度的梯度值，最后用SVM分类器对该低维度的梯度值进行分类，从而识别出人车。能够大大减少图像分类的处理数据，提升图像识别效率及准确率。
实施例二：
请参考图3，图3为本发明实施例二的提取目标图像的方法流程图。
本发明实施例二的人车识别方法过程与实施例一相同，与实施例一的区别在于，本发明实施例二在计算目标图像的梯度值之前，增加了提取目标图像的具体过程，步骤可以如下:
201、采集视频图像。
202、对单帧所述视频图像进行背景初始化以及背景更新处理，确定出视频图像中的背景区域以及前景区域。
所述背景初始化包括：将单帧视频图像中的每个像素点以及与所述像素点相邻8个像素点归为一个备选单元，从所述备选单元中任意选取一个像素点作为比较像素，并重复20遍，得到每个像素点的20个比较像素；
所述背景更新包括：将所述单帧视频图像的像素值与每个像素点的20个比较像素的值进行比较，判断得到的差值的绝对值是否小于阈值，若是，则将所述比较像素点判为有效点；需要说明的是，所述阈值可以按照实际情况设置，本发明对此不作限定。
判断所述有效点是否多于两个，若是，则判断所述像素点属于背景区域，若否，则判断所述像素点属于前景区域。
203、提取所述视频图像中的所述前景区域，作为包含人车目标的目标图片。
204、对所述目标图片进行去噪、膨胀、填充、腐蚀等形态学处理。
205、将所述目标图片缩放成预设大小。
206、对缩放后的所述目标图片进行灰度化处理，得到目标图像。
实施例三：
请参考图4，图4为本发明实施三的人车识别装置的结构示意图。如图4所示，人车识别装置可以包括：
计算单元30，用于计算目标图像的原始梯度值。
计算单元30具体用于：对所述目标图像进行灰度化处理，包括：对目标图像的每个像素点的横向以及纵向分别采用[-1,0,1]的窗口进行滤波，得到每个像素点的横向梯度值分量Vx以及纵向梯度值分量Vy；采用计算每个像素点的梯度值。
深度学习单元31，用于将计算单元30计算得到的所述目标图像的原始梯度值输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成一限制波尔兹曼机模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数；
降维单元32，用于根据深度学习单元32学习得到的所述权值Wij，递归对所述目标图像进行降维，得到所述目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值；
测试单元33，用于利用支持向量分类器SVM对所述降维单元32经过第M层降维后的梯度值进行测试，识别出人车。
一个实施例中，请参阅图5，图5为本发明装置的另一种结构示意图。人车识别装置还可以包括：
采集单元34，用于采集视频图像。
处理单元35，用于对单帧采集单元34采集到的所述视频图像进行背景初始化以及背景更新处理，确定出视频图像中的背景区域以及前景区域。
优选的，处理单元35可以用于将单帧视频图像中的每个像素点以及与所述像素点相邻8个像素点归为一个备选单元，从所述备选单元中任意选取一个像素点作为比较像素，并重复20遍，得到每个像素点的20个比较像素；将所述单帧视频图像的像素值与每个像素点的20个比较像素的值进行比较，判断得到的差值的绝对值是否小于阈值，若是，则将所述比较像素点判为有效点。需要说明的是，所述阈值可以按照实际情况设置，本发明对此不作限定。判断所述有效点是否多于两个，若是，则判断所述像素点属于背景区域，若否，则判断所述像素点属于前景区域。
提取单元36，用于提取处理单元35确定出的所述视频图像中的所述前景区域，作为包含人车目标的目标图片。
形态学处理单元37，用于对提取单元36提取的所述目标图片进行去噪、膨胀、填充、腐蚀等形态学处理。
缩放单元38，用于将所述目标图片缩放成预设大小，得到目标图像。
本发明实施例三提供的人车识别装置，可以用于将目标图像的梯度值进行深度学习，得到最优的初始权值，再利用该权值对目标图像进行降维，得到低维度的梯度值，最后用SVM分类器对该低维度的梯度值进行分类，从而识别出人车。能够大大减少图像分类的处理数据，提升图像识别效率及准确率。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。
Claims (8)
1.一种人车识别方法,其特征在于，包括：
计算目标图像的原始梯度值；
将所述目标图像的原始梯度值输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成限制波尔兹曼机模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数；
根据所述权值Wij，递归对所述目标图像进行降维，得到所述目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值；
利用支持向量分类器SVM对第M层降维后的梯度值进行测试，识别出人车。
2.如权利要求1所述的人车识别方法，其特征在于，所述计算目标图像的梯度值之前包括：
采集视频图像；
对单帧所述视频图像进行背景初始化以及背景更新处理，确定出视频图像中的背景区域以及前景区域；
提取所述视频图像中的所述前景区域，作为包含人车目标的目标图片；
对所述目标图片进行去噪、膨胀、填充、腐蚀等形态学处理；
将所述目标图片缩放成预设大小，得到目标图像。
3.如权利要求2所述的人车识别方法,其特征在于，所述对单帧所述视频图像进行背景初始化以及背景更新处理，确定视频图像中的背景区域以及前景区域包括：
所述背景初始化包括：将单帧视频图像中的每个像素点以及与所述像素点相邻8个像素点归为一个备选单元，从所述备选单元中任意选取一个像素点作为比较像素，并重复20遍，得到每个像素点的20个比较像素；
所述背景更新包括：将所述单帧视频图像的像素值与每个像素点的20个比较像素的值进行比较，判断得到的差值的绝对值是否小于阈值，若是，则将所述比较像素点判为有效点；
判断所述有效点是否多于两个，若是，则判断所述像素点属于背景区域，若否，则判断所述像素点属于前景区域。
4. 如权利要求1-3中任意一项所述的人车识别方法,其特征在于，所述计算目标图像的梯度值包括：
对所述目标图像进行灰度化处理，包括：对目标图像的每个像素点的横向以及纵向分别采用[-1,0,1]的窗口进行滤波，得到每个像素点的横向梯度值分量Vx以及纵向梯度值分量Vy；
采用 计算每个像素点的梯度值。
5.一种人车识别装置，其特征在于，包括：
计算单元，用于计算目标图像的原始梯度值；
深度学习单元，用于将所述计算单元计算得到的所述目标图像的原始梯度值输入到包含M层学习层的神经网络中进行深度学习，以递归学习得到相邻两层学习层之间的权值Wij，其中i，j表示学习层的编号，j=i+1，i≤ M；所述神经网络的相邻两层学习层之间构成一限制波尔兹曼机模型，所述神经网络的第i层学习层输出的数据作为第j层学习层的输入数据，所述权值用于对第i层学习层的输入梯度值进行降维，训练出第j层学习层的梯度值和/或用于根据降维后的第j层学习层的梯度值，重构出第i层学习层的梯度值，所述M为大于2的整数；
降维单元，用于根据所述权值Wij，递归对所述目标图像进行降维，得到所述目标图像的原始梯度值在第i层学习层降维后的梯度值，直至得到第M层降维后的梯度值；
测试单元，用于利用支持向量分类器SVM对第M层降维后的梯度值进行测试，识别出人车。
6.如权利要求5所述的人车识别装置，其特征在于，还包括：
采集单元，用于采集视频图像；
背景处理单元，用于对单帧所述采集单元采集到的所述视频图像进行背景初始化以及背景更新处理，确定视频图像中的背景区域以及前景区域；
提取单元，用于提取所述处理单元确定出的所述视频图像中的所述前景区域，作为包含人车目标的目标图片；
形态学处理单元，用于对所述提取单元提取的所述目标图片进行去噪、膨胀、填充、腐蚀等形态学处理；
缩放单元，用于将所述目标图片缩放成预设大小，得到目标图像。
7.如权利要求6所述的人车识别装置，其特征在于，所述背景处理单元具体用于：将单帧视频图像中的每个像素点以及与所述像素点相邻8个像素点归为一个备选单元，从所述备选单元中任意选取一个像素点作为比较像素，并重复20遍，得到每个像素点的20个比较像素；
将所述单帧视频图像的像素值与每个像素点的20个比较像素的值进行比较，若得到的差值的绝对值是否小于阈值，若是，则将所述比较像素点判为有效点；
判断所述有效点是否多于两个，若是，则判断所述像素点属于背景区域，若否，则判断所述像素点属于前景区域。
8.如权利要求5-7中任意一项所述的人车识别装置，其特征在于，所述计算单元具体用于：
对所述目标图像进行灰度化处理，包括：对目标图像的每个像素点的横向以及纵向分别采用[-1,0,1]的窗口进行滤波，得到每个像素点的横向梯度值分量Vx以及纵向梯度值分量Vy；采用计算每个像素点的梯度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310694732.0A CN104112144A (zh) | 2013-12-17 | 2013-12-17 | 人车识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310694732.0A CN104112144A (zh) | 2013-12-17 | 2013-12-17 | 人车识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104112144A true CN104112144A (zh) | 2014-10-22 |
Family
ID=51708928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310694732.0A Pending CN104112144A (zh) | 2013-12-17 | 2013-12-17 | 人车识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104112144A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
| CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
| WO2020063436A1 (zh) * | 2018-09-26 | 2020-04-02 | 惠州学院 | 一种深度学习(dnn)的课堂学习行为分析方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5504780A (en) * | 1994-01-06 | 1996-04-02 | Bell Communications Research Inc. | Adaptive equalizer using self-learning neural network |
| CN102609716A (zh) * | 2012-01-10 | 2012-07-25 | 银江股份有限公司 | 一种基于改进的hog特征和pca的行人检测方法 |
-
2013
- 2013-12-17 CN CN201310694732.0A patent/CN104112144A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5504780A (en) * | 1994-01-06 | 1996-04-02 | Bell Communications Research Inc. | Adaptive equalizer using self-learning neural network |
| CN102609716A (zh) * | 2012-01-10 | 2012-07-25 | 银江股份有限公司 | 一种基于改进的hog特征和pca的行人检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴证等: "结合主元成分分析的受限玻耳兹曼机神经网络的降维方法", 《上海交通大学学报》 * |
| 张建飞等: "基于支持向量机的交通视频人车识别研究", 《视频应用与工程》 * |
| 杨惠等: "视频监控中运动目标检测的背景提取及更新", 《计算机技术与发展》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
| CN104331706B (zh) * | 2014-10-29 | 2018-03-16 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
| CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
| CN104636732B (zh) * | 2015-02-12 | 2017-11-07 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
| WO2020063436A1 (zh) * | 2018-09-26 | 2020-04-02 | 惠州学院 | 一种深度学习(dnn)的课堂学习行为分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| CN108876780B (zh) | 一种复杂背景下桥梁裂缝图像裂缝检测方法 | |
| CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
| Kumar et al. | A modern pothole detection technique using deep learning | |
| CN108921083B (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
| CN108710865A (zh) | 一种基于神经网络的司机异常行为检测方法 | |
| CN106204640A (zh) | 一种运动目标检测系统及方法 | |
| CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
| CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
| CN113420607A (zh) | 无人机多尺度目标检测识别方法 | |
| CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
| CN104112138A (zh) | 物体颜色分类方法及装置 | |
| CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN103699874A (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
| CN112084890A (zh) | 基于gmm和cqfl的多尺度识别交通信号标志的方法 | |
| CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
| CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
| CN114049572A (zh) | 识别小目标的检测方法 | |
| CN104200218A (zh) | 一种基于时序信息的跨视角动作识别方法及系统 | |
| CN104112144A (zh) | 人车识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Luohu District Baoan road Shenzhen city Guangdong province 518000 No. 2014 Zhenye building A, 17AB Applicant after: SHENZHEN HARZONE TECHNOLOGY CO., LTD. Address before: Luohu District Baoan road Shenzhen city Guangdong province 518000 No. 2014 Zhenye building A, 17AB Applicant before: SHENZHEN HARZONE TECHNOLOGY CO., LTD. |
|
| COR | Change of bibliographic data | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141022 |