CN104240264B - 一种运动物体的高度检测方法和装置 - Google Patents
一种运动物体的高度检测方法和装置 Download PDFInfo
- Publication number
- CN104240264B CN104240264B CN201410437736.5A CN201410437736A CN104240264B CN 104240264 B CN104240264 B CN 104240264B CN 201410437736 A CN201410437736 A CN 201410437736A CN 104240264 B CN104240264 B CN 104240264B
- Authority
- CN
- China
- Prior art keywords
- pixel
- object area
- sample image
- image
- shared
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种运动物体的高度检测方法和装置,以解决目前的物体高度检测方法过程繁琐,无法在物体运动时检测高度,并且检测的精度和效率不高的问题。其中方法包括:采集物体运动到某一位置的目标图像,并确定目标图像内的物体区域;在物体区域中统计物体的顶部到底部所占的第一像素数量;采用预先创建的比例函数计算物体区域中单位像素对应的高度值;采用第一像素数量和单位像素对应的高度值计算物体的实际高度。本发明中无需固定物体与摄像机间的距离,可以实现在物体运动过程中自动完成对物体高度的检测,并且无需标定摄像机的各种参数,检测过程简单,检测的精度和效率较高。
Description
技术领域
本发明涉及高度检测技术领域,特别是涉及一种运动物体的高度检测方法和装置。
背景技术
物体的高度是物体特征的一项重要指标,在很多情况下都要对物体的高度进行检测。例如,对于人体来说,高度是体型特征中的一项重要指标,关系着人身体的健康,在很多项目,如人体体质检测、人体建模等中均会涉及到人体高度的检测。目前的物体高度检测方法主要包括利用机械接触检测和利用计算机视觉处理技术检测。
利用机械接触检测的方法中,检测装置包括检测标杆和可上下移动的横杆,检测时被测者以背顶靠检测标杆站立,通过可上下移动的横杆进行顶部区域定位,从而得出被测者的高度。但是,这种方式需要被测者与检测装置接触,检测不方便,并且该种检测方式会受到被测者的站姿等因素的影响,检测误差较大。
利用计算机视觉处理技术检测的方法中,首先通过固定的2个摄像头拍摄物体的正视图和侧视图,然后提取2幅图像上的物体特征点,利用三维标定架标定相机的内外参数;利用双目视觉原理从2幅图像上的特征点计算出物体的检测点,完成人体尺寸参数计算。这种方法实现了自动检测,但检测时需固定物体与摄像机间的距离,并且需要标定摄像机的各种参数,检测的准备工作繁琐、原理复杂,同时检测的精度和效率不高。
总之,目前的物体高度检测方法过程繁琐,无法在物体运动时检测高度,并且检测的精度和效率不高。
发明内容
本发明提供了一种运动物体的高度检测方法和装置,以解决目前的物体高度检测方法过程繁琐,无法在物体运动时检测高度,并且检测的精度和效率不高的问题。
为了解决上述问题,本发明公开了一种运动物体的高度检测方法,其特征在于,包括:
采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域;
在所述物体区域中统计物体的顶部到底部所占的第一像素数量;
采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值;
采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度。
优选地,所述确定所述目标图像内的物体区域的步骤包括:
提取所述目标图像的方向梯度直方图HOG特征;
将所述目标图像的HOG特征与预先创建的物体检测器中保存的物体HOG特征和非物体HOG特征进行匹配;
将所述目标图像内与所述物体HOG特征相匹配的HOG特征组成的区域确定为物体区域。
优选地,所述采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值的步骤包括:
在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量;
采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
优选地,所述采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值的步骤包括:
确定所述第二像素数量所属的区段i;其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段;
获取所述区段i对应的三次样条插值比例函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3;其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数yi=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,yi为所提取的样本图像内物体区域中单位像素对应的高度值;
将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
优选地,所述采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值的步骤包括:
获取预先创建的支持向量机拟合比例函数其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值;
将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
优选地,所述物体为人体。
根据本发明的另一方面,还公开了一种运动物体的高度检测装置,其特征在于,包括:
采集模块,用于采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域;
统计模块,用于在所述物体区域中统计物体的顶部到底部所占的第一像素数量;
第一计算模块,用于采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值;
第二计算模块,用于采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度。
优选地,所述第一计算模块包括:
统计子模块,用于在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量;
计算子模块,用于采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
优选地,所述计算子模块包括:
区段确定子单元,用于确定所述第二像素数量所属的区段i;其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段;
第一获取子单元,用于获取所述区段i对应的三次样条插值比例函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3;其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数yi=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,yi为所提取的样本图像内物体区域中单位像素对应的高度值;
第一计算子单元,用于将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
优选地,所述计算子模块包括:
第二获取子单元,用于获取预先创建的支持向量机拟合比例函数其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值;
第二计算子单元,用于将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
与现有技术相比,本发明包括以下优点:
本发明中首先可以创建用于计算单位像素对应的高度值的比例函数,后续在物体运动过程中,采集物体运动到某一位置的目标图像,并确定该目标图像内的物体区域,然后在该物体区域中统计物体的顶部到底部所占的第一像素数量,并采用预先创建的比例函数计算该物体区域中单位像素对应的高度值,最后即可采用第一像素数量和单位像素对应的高度值计算物体的实际高度。本发明中无需固定物体与摄像机间的距离,可以实现在物体运动过程中自动完成对物体高度的检测,并且无需标定摄像机的各种参数,仅根据比例函数计算出物体区域中单位像素对应的高度值以及统计出物体的顶部到底部所占的第一像素数量即可得出物体的实际高度,检测过程简单,检测的精度和效率较高。
附图说明
图1是本发明实施例一的一种运动物体的高度检测方法的流程图;
图2是本发明实施例二的一种运动物体的高度检测方法的流程图;
图3是本发明实施例二的一种成像原理的示意图;
图4是本发明实施例三的一种运动物体的高度检测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前的物体高度检测方法主要包括利用机械接触检测和利用计算机视觉处理技术检测。但是这些检测方法存在过程繁琐,无法在物体运动时检测,检测的精度和效率不高的问题。本发明针对上述问题,提出了一种运动物体的高度检测方法和装置,能够实现在物体运动过程中自动完成对物体高度的检测,检测过程简单,检测的精度和效率较高。下面,分别通过以下各个实施例进行详细介绍。
实施例一:
参照图1,示出了本发明实施例一的一种运动物体的高度检测方法的流程图。该方法可以包括以下步骤:
步骤101,采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域。
首先可以通过具有摄像功能的设备,例如具有摄像头的监控设备、具有摄像头的智能电视等,实时采集物体在该设备所能覆盖的视场区域内运动过程中的图像。当要检测物体的高度时,可以采集物体运动到某一位置的目标图像,并确定该目标图像内的物体区域,然后根据该目标图像以及确定出的物体区域获取物体的高度。因此,本发明实施例中无论物体运动到该设备所能覆盖的视场区域内的哪一个位置,都可以检测该物体的高度,而无需将物体确定到一个固定位置进行检测。
步骤102,在所述物体区域中统计物体的顶部到底部所占的第一像素数量。
由于本发明实施例的目的是要计算物体的实际高度,而所采集到的图像是以像素为单位的,因此可以在所述物体区域中统计物体的顶部到底部所占的第一像素数量,即统计该物体在图像中占用了多少个像素。
步骤103,采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值。
本发明实施例中,可以预先创建比例函数,该比例函数可以用于计算所采集的图像内物体区域中单位像素对应的高度值。因此在确定出目标图像内的物体区域之后,即可采用预先创建的比例函数计算该物体区域中单位像素对应的高度值。
需要说明的是,本发明实施例中步骤102和步骤103并不限定于上述执行顺序,可以先执行步骤102,再执行步骤103,也可以先执行步骤103,再执行步骤102,还可以同时执行步骤102和步骤103,本发明实施例对此并不加以限制。
步骤104,采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度。
在计算出单位像素对应的高度值和物体所占的第一像素数量后,即可采用这两个参数计算出该物体的实际高度,也即单位像素对应的高度值和物体所占的第一像素数量的乘积即为该物体的实际高度。
本发明实施例中无需固定物体与摄像机间的距离,可以实现在物体运动过程中自动完成对物体高度的检测,并且无需标定摄像机的各种参数,仅根据比例函数计算出物体区域中单位像素对应的高度值以及统计出物体的顶部到底部所占的第一像素数量即可得出物体的实际高度,检测过程简单,检测的精度和效率较高。
实施例二:
参照图2,示出了本发明实施例二的一种运动物体的高度检测方法的流程图。该方法可以包括以下步骤:
步骤201,采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域。
通过具有摄像功能的设备采集物体运动到某一位置的目标图像,该图像中除了包括物体的影像,还会包括一些周围环境的影像,即还包括背景,因此本发明实施例中,要对物体的高度进行检测,首先要确定该目标图像内的物体区域。
在本发明的一种优选实施例中,可以预先创建物体检测器,通过该物体检测器检测图像中哪些区域属于物体区域。下面,具体介绍如何创建物体检测器。
物体检测器可以采用HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取+SVM(Support Vector Machine,支持向量机)分类来实现。
1、HOG特征提取:
HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。它的主要思想是在一幅图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。具体的实现方法是首先将图像分成小的连通区域,成为细胞单元;然后采集细胞单元中各像素点的梯度的或边缘的方向直方图;最后把这些直方图组合起来就可以构成特征描述器。
以某一幅图像为例,HOG特征提取的实现过程如下:
(1)检测图像窗口,将图像进行灰度化处理,即将图像看做一个x,y,z(灰度)的三维图像。
(2)对图像进行颜色空间的标准化即归一化。例如,可以采用Gamma校正法对图像进行颜色空间的归一化,归一化的目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。
(3)计算图像中每个像素的梯度(包括大小和方向)。目的是捕获轮廓信息,同时进一步弱化光照的干扰。
(4)将图像划分成多个小的细胞单元(cell),例如每6*6像素作为一个cell。
(5)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的特征描述(descriptor)。
(6)将每几个cell组成一个块(block),例如每3*3个cell作为一个block,一个block内所有cell的特征描述组合起来便得到该block的HOG特征描述。
(7)将图像内的所有block的HOG特征描述组合起来就可以得到该图像的HOG特征。
2、SVM分类
SVM利用分类间隔的思想进行训练,它依赖于对数据的预处理,即在更高维的空间表达原始模式。通过适当的到一个足够高维的非线性映射分别属于两类的原始数据就能够被一个超平面来分隔。它的基本思想可以概括为:首先通过非线性变换将输入空间变换到一个高维空间,然后在这个高维空间中求取最优线性分类面,而这种非线性变换是通过定义适当的内积函数来实现的。SVM求得的分类函数形式上类似于一个神经网络,其输出是若干中间层节点的线性组合,而每一个中间层节点对应于输入样本与一个支持向量的内积,因此也被叫做支持向量网络。
本发明实施例中SVM分类器的训练过程如下:
(1)获取训练样本图像集合,包括正样本图像集(即物体图像样本集)和负样本图像集(即非物体图像样本集)。样本图像应该是无限多的,而且应该覆盖实际应用过程中可能发生的各种情况。
(2)对各个样本图像进行裁剪,进一步提高样本图像的准确性。
(3)裁剪之后,将所有正样本图像保存在一个文件夹中;将所有负样本图像保存在另一个文件夹中,并将所有样本图像缩放到同样的尺寸大小。
(4)提取所有正样本图像的HOG特征,以及所有负样本图像的HOG特征。此处即可以采用上述HOG特征提取中所描述的方法提取样本图像的HOG特征。
(5)对所有正负样本图像赋予样本标签。例如,所有正样本图像标记为1,所有负样本图像标记为0。
(6)将正负样本图像的Hog特征和正负样本图像的标签,输入到SVM中进行训练;
(7)SVM训练之后,将结果进行保存,其中即包括了物体HOG特征和非物体HOG特征。
在通过上述方式创建物体检测器之后,即可采用该物体检测器确定采集到的目标图像内的物体区域。
在本发明的一种优选实施例中,该确定采集到的目标图像内的物体区域的步骤可以包括以下子步骤:
子步骤a1,提取所述目标图像的HOG特征。
该子步骤中即可以采用上述HOG特征提取中所描述的方法提取目标图像的HOG特征。
子步骤a2,将所述目标图像的HOG特征与预先创建的物体检测器中保存的物体HOG特征和非物体HOG特征进行匹配。
由于已经通过SVM分类的方式对多个样本图像进行了训练,获得了分类后的物体HOG特征和非物体HOG特征,因此在提取出目标图像的HOG特征之后,即可将该目标图像的HOG特征与物体检测器中保存的物体HOG特征和非物体HOG特征进行匹配。
子步骤a3,将所述目标图像内与所述物体HOG特征相匹配的HOG特征组成的区域确定为物体区域。
如果目标图像的HOG特征与物体HOG特征相匹配,则可以说明目标图像内的该HOG特征代表的是物体的特征,因此可以将目标图像内与物体HOG特征相匹配的HOG特征组成的区域确定为物体区域。
步骤202,在所述物体区域中统计物体的顶部到底部所占的第一像素数量。
本发明实施例中,物体的高度即可以看成是物体的顶部到底部之间的垂直距离,因此在确定出目标图像内的物体区域之后,可以进一步统计物体的顶部到底部所占的第一像素数量,即统计在该目标图像内物体的高度方向占用了多少像素。需要说明的是,此处物体的顶部到底部所占的第一像素数量指的是顶部到底部的垂直方向所占的像素数量。
例如,为了简便可以直接将物体区域的顶部作为物体的顶部,将物体区域的底部作为物体的底部,或者,为了使结果更加精确还可以进一步采用上述创建物体检测器的方式创建物体顶部和底部检测器,采用该物体顶部和底部检测器分别识别物体区域中物体的顶部和底部,具体过程参照上述的相关描述即可,本发明实施例在此不再详细论述。
步骤203,在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量。
本发明实施例中,还可以进一步在目标图像中统计物体的底部到目标图像下边缘所占的第二像素数量。需要说明的是,此处物体的底部到目标图像下边缘所占的第二像素数量指的是物体的底部的目标图像下边缘的垂直方向所占的像素数量。该第二像素数量主要是应用在后续采用比例函数计算物体区域中单位像素对应的高度值时,计算过程将在后面进行详细介绍。
步骤204,采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
在所采集的图像中,物体区域中单位像素对应的实际高度值与很多因素有关,如摄像头的内部、外部参数以及物体到摄像机的距离等,是一个非常复杂的非线性关系。本发明实施例中,为了避免标定摄像头参数以及固定物体到摄像机的距离,提出比例函数来逼近这种关系。在本发明的一种优选实施例中,可以采用三次样条插值比例函数和支持向量机拟合比例函数这两种方式计算物体区域中单位像素对应的高度值。
在本发明的一种优选实施例中,可以预先创建比例函数,可以通过已知高度的物体在具有摄像功能的设备所能覆盖的视场区域内运动,从而获得多个物体运动到不同位置的样本图像,然后利用这些样本图像训练比例函数。整体过程如下:采集物体运动到不同位置的多个样本图像,并确定各样本图像内的物体区域;获取物体的实际高度,并针对每个样本图像内的物体区域,在该物体区域中统计物体的顶部到底部所占的像素数量;针对每个样本图像内的物体区域,采用所述物体的实际高度和所述该物体区域中物体的顶部到底部所占的像素数量计算该物体区域中单位像素对应的实际高度;采用各物体区域中单位像素对应的实际高度计算比例函数的各个系数,得到比例函数。
进一步地,其中采用各物体区域中单位像素对应的实际高度计算比例函数的各个系数,得到比例函数的步骤可以包括:针对每个样本图像,在所述样本图像中统计物体的底部到所述样本图像下边缘所占的像素数量;采用各物体区域中单位像素对应的实际高度和对应的各物体的底部到所述样本图像下边缘所占的像素数量计算比例函数的各个系数,得到比例函数。
下面,分别针对三次样条插值比例函数和支持向量机拟合比例函数的创建过程进行详细介绍。
1、三次样条插值比例函数
三次样条曲线可以用以下公式1的三次样条插值函数表示:
Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3 公式1
公式1中,ai、bi、ci和di为多项式系数,本发明实施例中对三次样条插值比例函数的创建即是要计算ai、bi、ci和di这些系数。
假设所采集到的样本图像为M个,对该M个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量进行排序(例如从大到小或从小到大排序),在排序后划分区段,如果对M个样本图像划分n个区段,那么就要在M个样本图像中提取n+1个节点。每个区段内包括多个样本图像,每个区段都可以表明一个像素数量的范围,即从该区段内第一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量到最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量这个范围。例如有0~99这100个样本图像,需要划分10个区段,每个区段包括10个样本图像,则可以通过提取其中的0、9、19、29、39、49、59、69、79、89、99这11个节点,即最后划分的区段为(0~9)、(10~19)、(20~29)、(30~39)、(40~49)、(50~59)、(60~69)、(70~79)、(80~89)、(90~99)这10个,其中(0~9)这个区段即可表明样本图像0内物体区域中物体的底部到该样本图像下边缘所占的像素数量到样本图像9内物体区域中物体的底部到该样本图像下边缘所占的像素数量这一范围。
Si(x)是一个分段定义的公式,提取n+1个节点的情况下,共有n个区间,上述公式1即表示第i个区段对应的三次样条插值函数,满足以下条件:
(a)针对每一个区段[xi,xi+1](i=0,1,...n-1),S(x)=Si(x)都是一个三次多项式;
(b)满足S(xi)=yi(i=0,1,...,n);
(c)S(x),导数S′(x),二阶导数S″(x)在区间[a,b]内都是连续的,即S(x)曲线是光滑的。
因此,式中ai、bi、ci和di代表4n个未知系数。
对于上述公式1还具有以下条件:
(A)提取的n+1个节点[xi,yi],i=0,1,...,n;
(B)每一个区段都是三次多项式函数曲线;
(C)节点达到二阶连续;
(D)左右两端点处特性(自然边界,固定边界,非节点边界)。
针对每个区段对应的三次样条插值函数,计算出其中的4个系数,即可以得到该区段对应的三次样条插值比例函数。
如果将所提取的每个节点用一个坐标(x,y)来表示,则其中x代表该节点对应的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,y代表该节点对应的样本图像内物体区域中单位像素对应的高度值。假设提取了以下节点:x:a=x0<x1<…<xn=b,y:y0y1…yn,其中a,b为预设的边界值。
因此,如果区段i对应的三次样条插值函数为上述公式1,则在针对上述公式1计算其中的系数时,首先提取区段i中除第一个和最后一个样本图像之外的至少4个样本图像;然后将公式1中的xi替换为区段i中的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,将公式1中的x替换为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,将公式1中的Si(x)替换为所提取的样本图像内物体区域中单位像素对应的高度值,因此即可得到所提取的样本图像个数的方程式,根据这些方程式即可计算得到其中的4个系数,进而的得到区段i对应的三次样条插值比例函数fi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3,其中,xi为区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,ai、bi、ci和di为已计算出的系数。
2、支持向量机拟合比例函数
上述提到的三次样条插值比例函数可以在有限的训练样本下对函数变量之间的关系做出预测,在实践中由于训练样本有限,并且训练样本本身存在噪声和孤立点,用三次样条插值的方法进行函数拟合的结果往往不能满足要求。因此,本发明实施例中还提出利用基于尺度核函数的最小二乘支持向量机对函数进行拟合。支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。需要说明的是,上述步骤201中的支持向量机用于样本的训练,而此处提到的支持向量机用于函数的拟合。而最小二乘支持向量机是支持向量机的一种改进,这种方法采用最小二乘线性系统作为损失函数,求解过程变成了一组等式方程,求解速度相对加快,应用到模式识别和非线性函数估计中取得较好的效果。
基于尺度核函数的最小二乘支持向量机的原理如下:在线性回归情况下,给定L个训练样本图像集{(x1,y1),(x2,y2)…,(xL,yL)},其中x代表样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,y代表样本图像内物体区域中单位像素对应的高度值。
本发明实施例中的支持向量机拟合比例函数用以下公式2表示:
其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;要得到上述公式2的支持向量机拟合比例函数,就需要计算出其中的系数wi(即w)和b。
其中,通过选择合适的核函数k(xi,x),确定输入控件到特定空间的映射,其中常用的核函数为高斯函数,核函数k(xi,x)可以通过以下公式3计算:
k(xi,x)=exp(-||xi-x||2/2σ2) 公式3
公式3中,σ为核函数的可调参数,一般在[1,10000]里调整,符号“|| ||”表示范数。
本发明实施例中,可以通过以下公式4的拉格朗日函数计算系数wi(即w)和b:
其中,w为L行1列的矩阵,分别对应各个样本,wT为矩阵w的转置,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值。
在计算过程中,将上述公式4分别针对w和b计算偏微分并令计算偏微分后的值等于0,即可得到两个方程式,根据这两个方程式组成的方程组即可计算的到w和b,最终得到上述公式2所示的支持向量机拟合比例函数的表达式。
在得到上述比例函数之后,即可采用该比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
下面分别针对两种不同的比例函数对该步骤204的具体过程进行描述。
在比例函数为三次样条插值比例函数时,该步骤204可以包括以下子步骤:
子步骤b1,确定所述第二像素数量所属的区段i。
其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段。
由于三次样条插值比例函数是分段定义的,不同的区段对应的比例函数不同,而每个区段又能够表明一个像素数量的范围,因此首先可以确定所述第二像素数量所属的区段i,即属于哪个像素数量的范围。
子步骤b2,获取所述区段i对应的三次样条插值比例函数fi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3。
其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,Si(x)为所提取的样本图像内物体区域中单位像素对应的高度值。
子步骤b3,将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
在比例函数为支持向量机拟合比例函数时,该步骤204可以包括以下子步骤:
子步骤c1,获取预先创建的支持向量机拟合比例函数
其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值。
子步骤c2,将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
上述步骤203和步骤204对应的是实施例一中的步骤103,可以看作是步骤103的两个子步骤。
步骤205,采用所述第一像素数量和单位像素对应的高度值所述计算所述物体的实际高度。
在计算出单位像素对应的高度值和物体所占的第一像素数量后,即可采用这两个参数计算出该物体的实际高度,也即单位像素对应的高度值和物体所占的第一像素数量的乘积即为该物体的实际高度。
本发明实施例的检测方法可以应用于人体高度的检测。下面,以对人体的高度检测为例,介绍检测方法。
测量装置由软件和硬件2大部分组成。硬件部分可以包括PC(Personal Computer,个人计算机)和USB(Universal Serial Bus,通用串行总线)摄像头,其功能是利用USB摄像头按照一定的帧频将实时采集的数字化图像传输到PC中。在获取样本图像的过程中,可以让1个已知高度的人在摄像头所覆盖的视场范围内运动,从而得到多个样本图像,在获取目标图像的过程中,即可采集物体运动到某一位置的目标图像。下面,仅介绍高度检测的过程,对训练的过程不在详细论述。
参照图3,示出了本发明实施例二的一种成像原理的示意图。假设地面水平,摄像头光轴平行于地面,图像传感器垂直于地面,忽略镜头畸变。图3中,O点为摄像头光学系统中心,GH为图像传感器上的有效部分,∠COD为摄像头的视场角,C点为地面上与图像边缘相对应的点。假设高度为h0(单位为cm)的人位于B点,忽略人体的横向尺寸,其图像在像平面上为倒立的EF,高度为h1(单位为像素)。假设B、C两点之间的距离为x0(单位为cm),BC的像在像平面上为FG,高度为x(单位为像素)。用y=h0/h1表示人体区域上单位像素代表的实际高度(单位为cm/像素)。由于ΔABO∽ΔEFO,因此y的值与h0无关。当未知高度的人在摄像头所覆盖的视场范围内运动时,就可以采用比例函数根据x求出y,进而根据人体区域的顶部到底部的像素数h1得到高度值h=y h1。需要说明的是,图3所示的是倒立的像,在实际计算时应按正立计算,即E为人体区域的顶部,F为人体区域的底部,G为目标图像的下边缘,H为目标图像的上边缘。
物体区域中单位像素所代表的实际高度值与很多因素有关,如摄像机的内部数、外部参数以及物体到摄像机的距离等,是一个非常复杂的非线性关系。本发明实施例比例函数来模拟逼近这种关系,实现高度检测,避免了标定摄像机参数。该方法不仅易于实现,而且具有较高的精度。本发明不仅仅只针对特定高度的物体进行高度测量,也无需固定物体与摄像头之间的距离,无需固定采集平面与物体所在平面的夹角,无需通过去除背景的技术获取物体姿态后再测量高度,物体在视野范围内运动即可测量出高度,这种方式非常自然且容易实现。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
实施例三:
参照图4,示出了本发明实施例三的一种运动物体的高度检测装置的结构框图。该装置可以包括以下模块:
采集模块401,用于采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域;
统计模块402,用于在所述物体区域中统计物体的顶部到底部所占的第一像素数量;
第一计算模块403,用于采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值;
第二计算模块404,用于采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度。
在本发明的一种优选实施例中,所述采集模块乐意包括以下子模块:
提取子模块,用于提取所述目标图像的方向梯度直方图HOG特征;
匹配子模块,用于将所述目标图像的HOG特征与预先创建的物体检测器中保存的物体HOG特征和非物体HOG特征进行匹配;
确定子模块,用于将所述目标图像内与所述物体HOG特征相匹配的HOG特征组成的区域确定为物体区域。
所述第一计算模块可以包括以下子模块:
统计子模块,用于在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量;
计算子模块,用于采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
其中,所述计算子模块可以包括以下子模块:
区段确定子单元,用于确定所述第二像素数量所属的区段i;其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段;
第一获取子单元,用于获取所述区段i对应的三次样条插值比例函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3;其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数yi=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,yi为所提取的样本图像内物体区域中单位像素对应的高度值;
第一计算子单元,用于将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
所述计算子模块还可以包括以下子模块:
第二获取子单元,用于获取预先创建的支持向量机拟合比例函数其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值;
第二计算子单元,用于将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
需要说明的是,计算子模块可以仅包括上述区段确定子单元、第一获取子单元和第一计算子单元,也可以仅包括第二获取子单元和第二计算子单元,还可以同时包括区段确定子单元、第一获取子单元和第一计算子单元、第二获取子单元和第二计算子单元。
本发明实施例中首先可以创建用于计算单位像素对应的高度值的比例函数,后续在物体运动过程中,采集物体运动到某一位置的目标图像,并确定该目标图像内的物体区域,然后在该物体区域中统计物体的顶部到底部所占的第一像素数量,并采用预先创建的比例函数计算该物体区域中单位像素对应的高度值,最后即可采用第一像素数量和单位像素对应的高度值计算物体的实际高度。本发明实施例中无需固定物体与摄像机间的距离,可以实现在物体运动过程中自动完成对物体高度的检测,并且无需标定摄像机的各种参数,仅根据比例函数计算出物体区域中单位像素对应的高度值以及统计出物体的顶部到底部所占的第一像素数量即可得出物体的实际高度,检测过程简单,检测的精度和效率较高。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均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的部分互相参见即可。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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、商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、商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、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种运动物体的高度检测方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种运动物体的高度检测方法,其特征在于,包括:
采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域;
在所述物体区域中统计物体的顶部到底部所占的第一像素数量;
采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值;
采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度;
其中,
所述采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值的步骤包括:
在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量;
采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标图像内的物体区域的步骤包括:
提取所述目标图像的方向梯度直方图HOG特征;
将所述目标图像的HOG特征与预先创建的物体检测器中保存的物体HOG特征和非物体HOG特征进行匹配;
将所述目标图像内与所述物体HOG特征相匹配的HOG特征组成的区域确定为物体区域。
3.根据权利要求1所述的方法,其特征在于,所述采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值的步骤包括:
确定所述第二像素数量所属的区段i;其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段;
获取所述区段i对应的三次样条插值比例函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3;其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数yi=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,yi为所提取的样本图像内物体区域中单位像素对应的高度值;
将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
4.根据权利要求1所述的方法,其特征在于,所述采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值的步骤包括:
获取预先创建的支持向量机拟合比例函数其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值;
将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
5.根据权利要求1所述的方法,其特征在于,所述物体为人体。
6.一种运动物体的高度检测装置,其特征在于,包括:
采集模块,用于采集物体运动到某一位置的目标图像,并确定所述目标图像内的物体区域;
统计模块,用于在所述物体区域中统计物体的顶部到底部所占的第一像素数量;
第一计算模块,用于采用预先创建的比例函数计算所述物体区域中单位像素对应的高度值;
第二计算模块,用于采用所述第一像素数量和所述单位像素对应的高度值计算所述物体的实际高度;
其中,所述第一计算模块包括:
统计子模块,用于在所述目标图像中统计物体的底部到所述目标图像下边缘所占的第二像素数量;
计算子模块,用于采用预先创建的比例函数,结合所述第二像素数量计算所述物体区域中单位像素对应的高度值。
7.根据权利要求6所述的装置,其特征在于,所述计算子模块包括:
区段确定子单元,用于确定所述第二像素数量所属的区段i;其中,所述区段i为针对预先采集的多个样本图像按照其内物体区域中物体的底部到该样本图像下边缘所占的像素数量排序后划分的区段;
第一获取子单元,用于获取所述区段i对应的三次样条插值比例函数Si(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3;其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;ai、bi、ci和di为通过提取所述区段i中除第一个和最后一个样本图像之外的至少4个样本图像,根据所提取的样本图像按照预设的三次样条插值函数yi=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3计算得到的,其中,xi为所述区段i的第一个或最后一个样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量;x为所提取的样本图像内物体区域中物体的底部到该样本图像下边缘所占的像素数量,yi为所提取的样本图像内物体区域中单位像素对应的高度值;
第一计算子单元,用于将所述第二像素数量作为所述三次样条插值比例函数中x的值,计算所述Si(x)的值作为所述物体区域中单位像素对应的高度值。
8.根据权利要求6所述的装置,其特征在于,所述计算子模块包括:
第二获取子单元,用于获取预先创建的支持向量机拟合比例函数其中,L为预先采集的样本图像个数,wi为矩阵w中的第i个元素,k(xi,x)为核函数,xi为第i个样本图像内物体的底部到所述目标图像下边缘所占的像素数量;w和b为通过将预设的拉格朗日函数分别针对w和b计算偏微分并令计算偏微分后的值等于0计算得到的,其中,ai为预先设置的第i个样本图像对应的拉格朗日系数,xi为第i个样本图像内物体区域中物体的顶部到底部所占的像素数量,yi为第i个样本图像内物体区域中单位像素对应的高度值;
第二计算子单元,用于将所述第二像素数量作为所述支持向量机拟合比例函数中x的值,计算所述f(x)的值作为所述物体区域中单位像素对应的高度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437736.5A CN104240264B (zh) | 2014-08-29 | 2014-08-29 | 一种运动物体的高度检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437736.5A CN104240264B (zh) | 2014-08-29 | 2014-08-29 | 一种运动物体的高度检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104240264A CN104240264A (zh) | 2014-12-24 |
CN104240264B true CN104240264B (zh) | 2017-06-30 |
Family
ID=52228270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410437736.5A Expired - Fee Related CN104240264B (zh) | 2014-08-29 | 2014-08-29 | 一种运动物体的高度检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240264B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352124B (zh) * | 2015-11-20 | 2018-08-03 | 青岛海信电器股份有限公司 | 一种空调的调控方法和装置 |
CN106778452A (zh) * | 2015-11-24 | 2017-05-31 | 沈阳新松机器人自动化股份有限公司 | 服务机器人基于双目视觉的人体检测与跟踪方法 |
CN105300361B (zh) * | 2015-11-30 | 2017-08-08 | 国网浙江慈溪市供电公司 | 一种带电作业远程勘查智能装备 |
CN105913410A (zh) * | 2016-03-03 | 2016-08-31 | 华北电力大学(保定) | 一种基于机器视觉的远距离运动物体高度测量的装置与方法 |
CN107588511A (zh) * | 2017-09-21 | 2018-01-16 | 四川长虹电器股份有限公司 | 基于等高线及hog人体检测的空调能源管理系统及方法 |
CN109993022B (zh) * | 2017-12-29 | 2022-05-10 | 浙江宇视科技有限公司 | 高度检测方法及高度检测方程的建立方法 |
CN110490833B (zh) * | 2018-05-09 | 2023-04-18 | 北京中航安通科技有限公司 | 一种目标物体的体积测量方法及装置 |
CN110969898A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视系统技术有限公司 | 一种船舶高度的检测方法、装置及系统 |
CN110763190A (zh) * | 2019-10-29 | 2020-02-07 | 王君 | 参数大数据实时测量系统及方法 |
CN111091536B (zh) * | 2019-11-25 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、设备、介质以及内窥镜 |
CN112196518B (zh) | 2019-11-26 | 2021-05-04 | 中国科学院地质与地球物理研究所 | 一种基于图像识别的钻井方法、装置、设备及介质 |
CN111568217A (zh) * | 2020-02-28 | 2020-08-25 | 佛山市云米电器科技有限公司 | 饮水机控制方法、饮水机及计算机可读存储介质 |
CN113256701B (zh) * | 2021-05-31 | 2021-10-01 | 天津天瞳威势电子科技有限公司 | 一种距离的获取方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009265688A (ja) * | 2008-04-21 | 2009-11-12 | Toshiba Corp | 動き検出装置 |
CN103310194A (zh) * | 2013-06-07 | 2013-09-18 | 太原理工大学 | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 |
CN103366169A (zh) * | 2013-07-19 | 2013-10-23 | 中联重科股份有限公司 | 一种工程机械臂架多点状态识别方法、设备及系统 |
-
2014
- 2014-08-29 CN CN201410437736.5A patent/CN104240264B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009265688A (ja) * | 2008-04-21 | 2009-11-12 | Toshiba Corp | 動き検出装置 |
CN103310194A (zh) * | 2013-06-07 | 2013-09-18 | 太原理工大学 | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 |
CN103366169A (zh) * | 2013-07-19 | 2013-10-23 | 中联重科股份有限公司 | 一种工程机械臂架多点状态识别方法、设备及系统 |
Non-Patent Citations (1)
Title |
---|
非正方形像素之二值图形的面积计算;陈恳 等;《宁波大学学报(理工版)》;20060630;第19卷(第2期);摘要、第142-144页第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104240264A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104240264B (zh) | 一种运动物体的高度检测方法和装置 | |
CN107679503A (zh) | 一种基于深度学习的人群计数算法 | |
CN105427314B (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN110060272A (zh) | 人脸区域的确定方法、装置、电子设备及存储介质 | |
CN105022982B (zh) | 手部运动识别方法和装置 | |
CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及方法 | |
US20160027208A1 (en) | Image analysis method | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN104700404A (zh) | 一种果实定位识别方法 | |
CN106780591A (zh) | 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法 | |
EP2983131A1 (en) | Method and device for camera calibration | |
CN109359577B (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN112686152B (zh) | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 | |
CN110020627A (zh) | 一种基于深度图与特征融合的行人检测方法 | |
CN107403451A (zh) | 自适应二值特征单目视觉里程计方法及计算机、机器人 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
CN113139489A (zh) | 基于背景提取和多尺度融合网络的人群计数方法及系统 | |
CN106709432A (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN102867214B (zh) | 区域范围内人数统计管理方法 | |
CN113008380B (zh) | 一种智慧ai体温预警方法、系统及存储介质 | |
CN104123569B (zh) | 一种基于有监督学习的视频人数信息统计方法 | |
CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170630 Termination date: 20190829 |