CN104200236B - 基于dpm的快速目标检测方法 - Google Patents

基于dpm的快速目标检测方法 Download PDF

Info

Publication number
CN104200236B
CN104200236B CN201410417722.7A CN201410417722A CN104200236B CN 104200236 B CN104200236 B CN 104200236B CN 201410417722 A CN201410417722 A CN 201410417722A CN 104200236 B CN104200236 B CN 104200236B
Authority
CN
China
Prior art keywords
dpm
score
video
target detection
detection method
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
Application number
CN201410417722.7A
Other languages
English (en)
Other versions
CN104200236A (zh
Inventor
李茂林
沈锦祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shenghui Lighting Co Ltd
Original Assignee
Zhejiang Shenghui Lighting Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Shenghui Lighting Co Ltd filed Critical Zhejiang Shenghui Lighting Co Ltd
Priority to CN201410417722.7A priority Critical patent/CN104200236B/zh
Publication of CN104200236A publication Critical patent/CN104200236A/zh
Priority to US15/024,278 priority patent/US9846821B2/en
Priority to EP15833530.7A priority patent/EP3183691A4/en
Priority to PCT/CN2015/085271 priority patent/WO2016026371A1/en
Application granted granted Critical
Publication of CN104200236B publication Critical patent/CN104200236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于DPM的快速目标检测方法，步骤如下：一，导入已经训练好的目标检测分类器；二，通过摄像头读取视频，获取一帧图像；三，利用基于BING的objectness测量方法，产生可能含有目标的区域；四，计算图像HOG特征金字塔；五，针对上述检测出的区域进行DPM检测，对产生的每一个区域的特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于事先设定的阈值，则把该点记录下来，如此循环到第N层；六，利用非极大值抑制算法，用矩形框标出检测的物体；七，重复步骤三至六，处理下一帧视频，直到视频结束。本发明为目标检测降低了搜索范围，并且利用look‑up‑table，加速了HOG特征计算。

Description

基于DPM的快速目标检测方法
技术领域
本发明涉及基于目标检测的图像分析技术领域，具体涉及一种基于DPM的快速目标检测方法。
背景技术
目标检测是计算机视觉中，重要的一个研究方向，是进一步分析目标的基础，在此基础上，可以对目标跟踪、行为分析等等。目前，目标检测在学术上有许多模型，其中可形变部件模型(deformable part models，简称DPM)是最近两年最为流行的图像中物体检测模型，由于能准确地检测出目标而受到欢迎，是公认的最好目标检测算法。
可变形部件模型(DPM)由三部分组成：(1)一个较为粗糙的、覆盖整个目标的全局根模版(或叫做根滤波器)；(2)几个高分辨率的部件模版(或叫做部件滤波器)；(3)部件模版相对于根模版的空间位置。
该方法依据检测窗口的得分判断是否含有待检测的目标，而检测窗口的得分是根滤波器的分数加上各个部件滤波器的分数的总和，每个部件滤波器的分数是此部件滤波器的各个空间位置得分的最大值，每个部件滤波器的空间位置得分是部件滤波器在该子窗口上滤波器的得分减去变形花费。
objectness测量是为了检测出可能含有目标的区域，提高目标检测的准确率。一个非常好的objectness测量可以加快目标检测的速度，其需要满足以下几个条件：
1、较高的检测率；
2、尽可能少的疑似目标区域；
3、较高的计算效率；
4、具有可扩展性。
如上所述，现有的可形变部件模型(DPM)目标检测方法虽然能准确检测出待检测目标，在一序列挑战中，取得了较好成绩，但是消耗的时间较高，一般很难直接用到实际产品中。而objectness测量的优点是较高地检出率，具有可扩展性，达到实时性，缺点是所用的学习方法比较简单，产生的较多的区域。因此有必要提供一种新的检测方法，即先进行objectness测量，然后针对可能含有的目标区域进行基于DPM的快速傅立叶目标检测，即ODDPM。
发明内容
本发明克服了上述现有技术中存在的不足，提出了一种具有实时性优点的基于DPM的快速目标检测方法。
本发明的技术方案是这样实现的：
一种基于DPM的快速目标检测方法，用于视频图像分析，所述方法包括以下步骤：
步骤1：导入已经训练好的目标检测分类器；
步骤2：通过摄像头读取视频，获取一帧图像；
步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；
步骤4：计算图像HOG特征金字塔；
步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于某个阈值，则把该点记录下来，如此循环到第N层；
步骤6：利用包围合预测和非最大值抑制，用矩形框标出检测的物体；
步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束。
优选地，所述步骤5中最终形成窗口得分的计算公式如下：
优选地，在所述步骤4中，利用look-up-table计算图像HOG特征金字塔，以加速特征计算。
采用了上述技术方案的本发明的有益效果是：
本发明提供的基于DPM的快速目标检测方法针对objectness测量的缺点，学习方法采用随机森林代替SVM，有效地减少了可能含目标区域的个数，为目标检测降低了搜索范围，并且利用look-up-table，加速了HOG特征计算。另外，针对基于可形变部件模型DPM算法耗时较大的缺点，针对计算根滤波器、部件滤波器得分时提出ODDPM快速傅立叶变换算法，做到实时性，从而有效地运用到工程上。
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它的附图。
图1是本发明基于DPM的快速目标检测方法的流程图。
具体实施方式
本发明的具体实施方式如下：
实施例：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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
首先，在描述本发明的基于DPM的快速目标检测方法之前，先重点描述一下目标检测算法的过程：
含有n个部件的目标模型可以形式上定义为一个(n+2)元组：(F0,P1,...,Pn,b)，F0是根滤波器，Pi是第i个部件的模型，b是表示偏差的实数值。每个部件模型用一个三元组定义：(Fi,vi,di)，Fi是第i个部件的滤波器；vi是一个二维向量，指定第i个滤波器的锚点位置(anchor position，即未发生形变时的标准位置)相对于根的坐标；di是一个四维向量，指定了一个二次函数的参数，此二次函数表示部件的每个可能位置相对于锚点位置的变形花费(deformation cost)。
每个目标假设都指定了模型中每个滤波器在特征金字塔中的位置：z＝(p0,...,pn)，其中pi＝(xi,yi,li)表示第i个滤波器所在的层和位置坐标。我们这里需要每个部件所在层的特征分辨率都是根滤波器所在层的特征分辨率的两倍，即li层特征是l0层特征的分辨率的两倍，并且li＝l0–λ(i>0)。目标假设的得分等于每个滤波器在各自位置的得分(从数据来看)减去此位置相对于根位置的变形花费(从空间来看)再加上偏差值：
其中，
(dxi，dyi)＝(xi，yi)-(2(x0，y0)+vi) （2)
给出了第i个部件相对于其锚点位置的位移：(x0,y0)是根滤波器在其所在层的坐标，为了统一到部件滤波器所在层需乘以2。vi是部件i的锚点相对于根的坐标偏移，所以2(x0,y0)+vi表示未发生形变时部件i的绝对坐标(锚点的绝对坐标)。
Fi′是第i个滤波器，H是HOG特征，Pi是第i个滤波器的位置，Φ(H,Pi)是HOG权重向量。
而
φd(dx，dy)＝(dx，dy，dx 2，dy2) (3)
是变形特征(水平、垂直位移及其平方)。如果di＝(0,0,1,1)，则第i个部件的变形花费就是它实际位置与锚点位置距离的平方。通常情况下，变形花费是位移的任意可拆分二次函数。
引入偏差值是为了在将多个模型组成混合模型时，使多个模型的得分具有可比性。目标假设z的得分可以表示成点积的形式：β·ψ(H,z)，β是模型参数向量，ψ(H,z)是特征向量，如下：
β＝(F′0，...，F′n，d1，...，dn，b). (4)
这就将模型和线性分类器联系起来了，我们使用隐藏变量SVM(LSVM)来学习模型参数。
具体地，参考图1，本发明基于DPM的快速目标检测方法包括如下步骤：
步骤1：导入已经训练好的目标检测分类器；
步骤2：通过摄像头读取视频，获取一帧图像；
步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；
步骤4：利用look-up-table计算图像HOG特征金字塔，以加速特征计算；
步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成窗口得分为：
如果这个得分大于事先设定的阈值，则把该点记录下来，如此循环到第N层；
步骤6：利用非最大值抑制算法，用矩形框标出检测的物体；
步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束。
与现有技术相比，本发明提供了一种基于DPM的快速目标检测方法，此方法优点在于：(1)利用look-up-table，加速了HOG特征计算；(2)利用基于BINGobjectness测量，过滤了不含目标区域，加速了检测过程；(3)针对基于可形变部件模型(DPM)算法耗时较大的缺点，提出ODDPM快速傅立叶变换算法，做到实时性，从而有效地运用到工程上。
本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。以上公开的仅为本申请的几个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。

Claims (3)

1.一种基于DPM的快速目标检测方法，用于视频图像分析，其特征在于：所述方法包括以下步骤：
步骤1：导入已经训练好的目标检测分类器；
步骤2：通过摄像头读取视频，获取一帧图像；
步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；
步骤4：计算图像HOG特征金字塔；
步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于事先设定的阈值，则把像素点记录下来，如此循环到第N层；
步骤6：利用非极大值抑制算法，用矩形框标出检测的物体；
步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束；
其中，DPM为可形变部件模型的简称。
2.根据权利要求1所述的基于DPM的快速目标检测方法，其特征在于，所述步骤5中最终形成窗口得分的计算公式如下：
其中，b表示偏差的实数值。
3.根据权利要求1所述的基于DPM的快速目标检测方法，其特征在于，在所述步骤4中，利用look-up-table计算图像HOG特征金字塔，以加速特征计算。
CN201410417722.7A 2014-08-22 2014-08-22 基于dpm的快速目标检测方法 Active CN104200236B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201410417722.7A CN104200236B (zh) 2014-08-22 2014-08-22 基于dpm的快速目标检测方法
US15/024,278 US9846821B2 (en) 2014-08-22 2015-07-28 Fast object detection method based on deformable part model (DPM)
EP15833530.7A EP3183691A4 (en) 2014-08-22 2015-07-28 Fast object detection method based on deformable part model (dpm)
PCT/CN2015/085271 WO2016026371A1 (en) 2014-08-22 2015-07-28 Fast object detection method based on deformable part model (dpm)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410417722.7A CN104200236B (zh) 2014-08-22 2014-08-22 基于dpm的快速目标检测方法

Publications (2)

Publication Number Publication Date
CN104200236A CN104200236A (zh) 2014-12-10
CN104200236B true CN104200236B (zh) 2018-10-26

Family

ID=52085525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410417722.7A Active CN104200236B (zh) 2014-08-22 2014-08-22 基于dpm的快速目标检测方法

Country Status (4)

Country Link
US (1) US9846821B2 (zh)
EP (1) EP3183691A4 (zh)
CN (1) CN104200236B (zh)
WO (1) WO2016026371A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200236B (zh) * 2014-08-22 2018-10-26 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN104504381B (zh) * 2015-01-09 2017-12-26 新智认知数据服务有限公司 非刚体目标检测方法及其系统
WO2017054941A1 (en) 2015-09-30 2017-04-06 Fotonation Limited A method and system for tracking an object
WO2017108222A1 (en) * 2015-12-23 2017-06-29 Fotonation Limited Image processing system
US10460198B2 (en) 2015-12-23 2019-10-29 Fotonation Limited Image processing system
CN106022231A (zh) * 2016-05-11 2016-10-12 浙江理工大学 一种基于多特征融合的行人快速检测的技术方法
CN105956632B (zh) * 2016-05-20 2019-06-11 浙江宇视科技有限公司 一种检测目标的方法和装置
CN106067022A (zh) * 2016-05-28 2016-11-02 北方工业大学 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法
CN106326916B (zh) * 2016-08-11 2019-08-13 电子科技大学 基于多尺度特征估计和高阶bing特征的目标检测方法
CN106446890B (zh) * 2016-10-28 2019-09-06 中国人民解放军信息工程大学 一种基于窗口打分和超像素分割的候选区域提取方法
CN106504580A (zh) * 2016-12-07 2017-03-15 深圳市捷顺科技实业股份有限公司 一种车位检测方法及装置
CN106920247A (zh) * 2017-01-19 2017-07-04 博康智能信息技术有限公司上海分公司 一种基于比对网络的目标跟踪方法及装置
CN106909885A (zh) * 2017-01-19 2017-06-30 博康智能信息技术有限公司上海分公司 一种基于目标候选的目标跟踪方法及装置
CN106920248A (zh) * 2017-01-19 2017-07-04 博康智能信息技术有限公司上海分公司 一种目标跟踪方法及装置
CN106909936B (zh) * 2017-01-21 2020-02-21 江苏大学 一种基于双车辆可变形部件模型的车辆检测方法
CN106932905A (zh) * 2017-02-27 2017-07-07 阿里巴巴集团控股有限公司 虚拟现实头戴设备
CN106920264B (zh) * 2017-03-01 2020-07-24 智擎信息系统（上海）有限公司 一种基于可形变部件模型算法的目标检测硬件结构
CN106845458B (zh) * 2017-03-05 2020-11-27 北京工业大学 一种基于核超限学习机的快速交通标识检测方法
CN107403132A (zh) * 2017-05-04 2017-11-28 深圳市美好幸福生活安全系统有限公司 一种基于可形变部件模型的实时行人检测方法
CN107316018A (zh) * 2017-06-23 2017-11-03 中国人民解放军陆军军官学院 一种基于组合部件模型的多类典型目标识别方法
CN108241869A (zh) * 2017-06-23 2018-07-03 上海远洲核信软件科技股份有限公司 一种基于快速可变形模型和机器学习的图像目标识别方法
US10460470B2 (en) 2017-07-06 2019-10-29 Futurewei Technologies, Inc. Recognition and reconstruction of objects with partial appearance
CN107368832A (zh) * 2017-07-26 2017-11-21 中国华戎科技集团有限公司 基于图像的目标检测及分类方法
CN108229380B (zh) * 2017-12-29 2022-02-15 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
CN108154130B (zh) * 2017-12-29 2022-04-15 深圳市神州云海智能科技有限公司 一种目标图像的检测方法、装置及存储介质、机器人
US10540554B2 (en) 2018-03-29 2020-01-21 Toyota Jidosha Kabushiki Kaisha Real-time detection of traffic situation
CN109741368A (zh) * 2018-12-26 2019-05-10 南京邮电大学 基于结构化数据模型的分布式目标跟踪方法
CN109977965B (zh) * 2019-02-28 2021-04-13 北方工业大学 一种在遥感机场图像中确定检测目标的方法及装置
CN111008608B (zh) * 2019-12-11 2023-08-01 湖南大学 一种基于深度学习的夜间车辆检测方法
US11954175B2 (en) * 2020-08-07 2024-04-09 Carnegie Mellon University Feature pyramids for object detection
CN113435407B (zh) * 2021-07-20 2023-01-24 广东电网有限责任公司 一种输电系统的小目标识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186790A (zh) * 2011-12-27 2013-07-03 北京三星通信技术研究有限公司 对象检测系统和方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2115901A (en) * 1999-10-21 2001-04-30 Arch Development Corporation Method, system and computer readable medium for computerized processing of contralateral and temporal subtraction images using elastic matching
US6975894B2 (en) * 2001-04-12 2005-12-13 Trustees Of The University Of Pennsylvania Digital topological analysis of trabecular bone MR images and prediction of osteoporosis fractures
US7253832B2 (en) * 2001-08-13 2007-08-07 Olympus Corporation Shape extraction system and 3-D (three dimension) information acquisition system using the same
US6795521B2 (en) * 2001-08-17 2004-09-21 Deus Technologies Llc Computer-aided diagnosis system for thoracic computer tomography images
US7203356B2 (en) * 2002-04-11 2007-04-10 Canesta, Inc. Subject segmentation and tracking using 3D sensing technology for video compression in multimedia applications
US7251346B2 (en) * 2002-11-19 2007-07-31 Honda Motor Co., Ltd. Moving object detection device, moving object detection method, and moving object detection program
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
KR100682889B1 (ko) * 2003-08-29 2007-02-15 삼성전자주식회사 영상에 기반한 사실감 있는 3차원 얼굴 모델링 방법 및 장치
JP4297501B2 (ja) * 2004-08-11 2009-07-15 国立大学法人東京工業大学 移動体周辺監視装置
US8488023B2 (en) * 2009-05-20 2013-07-16 DigitalOptics Corporation Europe Limited Identifying facial expressions in acquired digital images
KR100695136B1 (ko) * 2005-01-04 2007-03-14 삼성전자주식회사 영상의 얼굴검출장치 및 방법
US7873185B2 (en) * 2005-08-03 2011-01-18 Siemens Medical Solutions Usa, Inc. Method for detection and tracking of deformable objects
RU2484531C2 (ru) * 2009-01-22 2013-06-10 Государственное научное учреждение центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК) Устройство обработки видеоинформации системы охранной сигнализации
JP5343617B2 (ja) * 2009-02-25 2013-11-13 富士通株式会社 文字認識プログラム、文字認識方法および文字認識装置
WO2010117575A2 (en) * 2009-04-07 2010-10-14 Virginia Commonwealth University Accurate pelvic fracture detection for x-ray and ct images
CN101872477B (zh) * 2009-04-24 2014-07-16 索尼株式会社 检测图像中的对象的方法、装置，及包括该装置的系统
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
KR101283262B1 (ko) * 2011-10-21 2013-07-11 한양대학교 산학협력단 영상 처리 방법 및 장치
US8848068B2 (en) * 2012-05-08 2014-09-30 Oulun Yliopisto Automated recognition algorithm for detecting facial expressions
US9053367B2 (en) * 2012-11-09 2015-06-09 Seiko Epson Corporation Detector evolution with multi-order contextual co-occurrence
US9317764B2 (en) * 2012-12-13 2016-04-19 Qualcomm Incorporated Text image quality based feedback for improving OCR
US9305205B2 (en) * 2013-02-14 2016-04-05 Microbrightfield, Inc. Methods and systems for tracking movement of microscopic worms and worm-like organisms, and software therefor
US9262671B2 (en) * 2013-03-15 2016-02-16 Nito Inc. Systems, methods, and software for detecting an object in an image
US9558396B2 (en) * 2013-10-22 2017-01-31 Samsung Electronics Co., Ltd. Apparatuses and methods for face tracking based on calculated occlusion probabilities
US10586570B2 (en) * 2014-02-05 2020-03-10 Snap Inc. Real time video processing for changing proportions of an object in the video
CN104200236B (zh) 2014-08-22 2018-10-26 浙江生辉照明有限公司 基于dpm的快速目标检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186790A (zh) * 2011-12-27 2013-07-03 北京三星通信技术研究有限公司 对象检测系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于物体检测的场景分类方法研究;谢守志;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第04期);第1.4、2.2-2.3节，图2.2 *
移动摄像下目标检测与跟踪研究;郭义凡;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815(第08期);第2.1.4、2.4.1、3.3、5.1、6.1节，图5-3 *

Also Published As

Publication number Publication date
EP3183691A1 (en) 2017-06-28
EP3183691A4 (en) 2017-11-08
WO2016026371A1 (en) 2016-02-25
CN104200236A (zh) 2014-12-10
US9846821B2 (en) 2017-12-19
US20160210530A1 (en) 2016-07-21

Similar Documents

Publication Publication Date Title
CN104200236B (zh) 基于dpm的快速目标检测方法
US11488308B2 (en) Three-dimensional object detection method and system based on weighted channel features of a point cloud
US11643076B2 (en) Forward collision control method and apparatus, electronic device, program, and medium
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN108292362B (zh) 用于光标控制的手势识别
Fourie et al. Harmony filter: a robust visual tracking system using the improved harmony search algorithm
CN110246151B (zh) 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN111539938B (zh) 一种轧带钢带头曲度检测方法、系统、介质及电子终端
CN104933738A (zh) 一种基于局部结构检测和对比度的视觉显著图生成方法
CN106022266A (zh) 一种目标跟踪方法及装置
CN103400368A (zh) 基于图论和超像素的并行快速sar图像分割方法
KR20100065677A (ko) 고해상도 영상에서의 효과적인 움직이는 다중 물체 검출 방법 및 시스템
Luo et al. Robot detection and localization based on deep learning
CN106600613B (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN110147750A (zh) 一种基于运动加速度的图像搜索方法、系统及电子设备
CN104168444A (zh) 一种跟踪球机的目标跟踪方法及跟踪球机
JP2015082287A (ja) 画像処理装置、画像処理方法および画像処理プログラム
JP2020109644A (ja) 転倒検出方法、転倒検出装置及び電子機器
Junejo et al. Single-class SVM for dynamic scene modeling
CN105335751A (zh) 一种基于视觉图像的泊位飞机前轮定位方法
CN103533332A (zh) 一种2d视频转3d视频的图像处理方法
Junejo et al. Dynamic scene modeling for object detection using single-class SVM
CN117367404A (zh) 基于动态场景下slam的视觉定位建图方法及系统
Okarma et al. A fast image analysis technique for the line tracking robots
CN104236518B (zh) 一种基于光学成像与模式识别的天线主波束指向探测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Fast Target Detection Method Based on DPM

Effective date of registration: 20230302

Granted publication date: 20181026

Pledgee: Tongxiang Yunbei Investment Construction Co.,Ltd.

Pledgor: ZHEJIANG SHENGHUI LIGHTING Co.,Ltd.

Registration number: Y2023980033495