CN104408445A - 实时人体自动检测方法 - Google Patents
实时人体自动检测方法 Download PDFInfo
- Publication number
- CN104408445A CN104408445A CN201410789988.4A CN201410789988A CN104408445A CN 104408445 A CN104408445 A CN 104408445A CN 201410789988 A CN201410789988 A CN 201410789988A CN 104408445 A CN104408445 A CN 104408445A
- Authority
- CN
- China
- Prior art keywords
- cloud
- point
- human body
- data
- bunch
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种实时人体自动检测方法,属于体感交互领域。适用于体感控制器对于人体进行实时检测。步骤包括:(1)通过体感控制器采集深度信息图像,并将深度信息数据转化成3D点云数据,形成3D点云。(2)进行3D点云数据简化。(3)在简化后的3D点云中进行地平面移除。(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇。(5)对初步划分后的人体点云数据簇进行二次精细分类。(6)实现地面上多个人体的检测。优点在于:可以在标准CPU上以更高的效率实时检测人体,能对地面上的单个人体及多个人体进行自动、准确、实时的检测,无论对静止的人体还是行走中的人体,都能够进行较精确及快速的检测。
Description
技术领域
本发明涉及体感交互领域,特别涉及一种实时人体自动检测方法,实现体感控制器中的人体骨架识别技术。
背景技术
体感交互技术作为前沿科技技术,已经从微软的Kinect开始逐步向各个领域延伸,体感游戏也开始走进日常人的生活。体感互动中,人体骨架识别技术的研究与实现必不可少,而在进行人体骨架识别之前,需先进行人体检测。由于体感交互的实时性要求,使得人体检测成为一项极具挑战性的课题。
近年来,人们对人体检测进行了大量的研究,Bajracharya与Navarro-Serment等利用双目立体视觉与激光雷达技术对多传感器的特征进行融合,并将其用在机器人与车载应用的人体检测上,此方法计算量较大,实时性差。Spinello等提出了HOD(Histogram of oriented depths)深度特征提取算法,它模仿底层特征提取算法HOG,对深度差值的大小与方向进行直方图统计,提取深度特性,并结合RGB图像上的HOG特征进行人体检测。Shengyin等也对HOG特征进行改进,提出了HDD特征提取算法,算法将梯度方向从原来的180度的统计空间扩展到360度,对梯度不同方向的统计更加精细。L. Spinello和 K. O. Arras介绍了基于组合HOG和HOD描述子的深度数据人体检测算法,然而为了搜索人体需要密集的采集图像帧,这些算法只有在GPU上实现才能满足人体检测的实时性。同样W. Choi等人的算法也依赖于GPU的高速运算才能实现实时人体检测,D. Mitzel等人研究如何使用基于深度的ROI追踪算法以减少人体检测算法的计算量,然而要想获得ROIS同样也需要基于GPU的人体检测系统的密集扫描。
发明内容
本发明的目的在于提供一种实时人体自动检测方法,解决了现有技术存在的上述问题。本发明不仅能够检测出静止的多个人体,而且能够检测行走中的多个人体。实验结果表明,本发明实时性好,无论对静止的人体还是行走中的人体,都能够进行较精确及快速的检测。
本发明的上述目的通过以下技术方案实现:
实时人体自动检测方法,包括如下步骤:
(1)通过体感控制器采集深度信息图像,并将深度信息数据转化成3D点云数据,形成3D点云;
(2)用基于K邻域的离散点云简化算法进行3D点云数据简化;
(3)在简化后的3D点云中,采用RANSAC算法进行点云数据的地平面提取并移除;
(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇;
(5)对初步划分后的人体点云数据簇进行二次精细分类;
(6)实现地面上多个人体的检测。
所述的步骤(1)通过体感控制器采集深度信息图像,并将深度信息数据转化成3D点云数据,形成3D点云,具体是:借助体感控制器,采集人体及场景的深度图像和彩色RGB图像,进而转化成人体及场景的3D点云数据;对于点云的每个点P,用x,y,z来表示,其中x为点P在X轴方向的坐标,y为点P在Y轴方向的坐标,z为点P在Z轴方向的坐标。
所述的步骤(2)用基于K邻域的离散点云简化算法进行3D点云数据简化,具体是:采用基于K邻域密度的离散点云简化算法进行3D点云数据的简化,流程如下:
(2.1)输入原始点云数据;
(2.2)确立中心点;
(2.3)对于每个中心点,采用KD-Tree法搜索距离中心点最近的k个点,建立k-邻域,其中这些距离中心点最近点按照距离中心点由小到大顺序排列;
(2.4)判断每个k-邻域的密度大小;
(2.5)根据密度大小对点云进行简化,密度大处保留该邻域中所有点的平均点,密度小处则保留部分点,具体保留哪些点,依具体情况而定,原则上尽量保留中心点;
(2.6)若还有没简化完的k-邻域,则转(2.4),否则结束。
所述的步骤(3)在简化后的3D点云中,采用RANSAC算法进行点云数据的地平面提取并移除,其中地平面提取并移除的具体流程如下:
(3.1)输入简化后的点云数据;
(3.2)在显示的深度图中,随机选取 3个地面上的数据点,并用这3个数据点坐标计算平面方程的参数;
(3.3)对简化后的点云中的所有数据点,计算出每个点到步骤(3.2)得到的平面之间的欧氏距离,再将每个距离与阈值D进行比较,若在D范围内,则将该点归为“局内点”,否则归为“局外点”;
(3.4)对由局内点组成的地平面进行矫正,最后得到所有地平面的局内点,在接下来进行人体检测过程中,地平面范围内所有的点将不再参与计算;至此,地平面提取与移除过程结束。
所述的步骤(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇,具体是:在步骤(3)将地平面被移除之后,剩余的点云将不再通过地面相连;将剩余的点云聚类,即计算相邻的3D点欧几里德距离来判断是否属于同一点云簇,但是这里有两个问题,问题一是由于深度数据的丢失或者中断,同一个人的点云数据可能被分到不同的点云簇中去,问题二是不同人的点云数据可能被分到同一个点云簇中去。为了避免上述两个问题的发生,采用如下的流程来进行点云的初步分类:
(4.1)输入剩余点云数据;
(4.2)聚类建立多个点云簇;
(4.3)尽量合并靠近地平面坐标的点云簇,这样可以避免问题一的发生;
(4.4)将所有的点云坐标的Y值沿着X轴的方向进行直方图投影,得到波峰波谷的位置;
(4.5)按波谷的位置将已有的点云簇进行分割,初步确立人与人之间的分界,这样可以避免问题二的发生;
(4.6)输出目前已有的所有点云簇,初步分类完毕。
所述的步骤(5)对初步划分后的人体点云数据簇进行二次精细分类,具体是:对于步骤(4)得到的点云,接下来采用基于HOG的人体检测算法对其进行二次精细分类,即结合点云簇对应的RGB图运用基于HOG的人体检测算法,来识别人体特征;这里我们运用了与N. Dalal和 B. Triggs的论文中的同样的步骤和参数描述建立了SVM分类器来训练HOG检测器,这样实现了对人体特征的精确的检测和识别。
实现地面上多个人体的检测,并画出人体检测区域。
本发明的有益效果在于:可以在标准CPU上以更高的效率实时检测人体,能对地面上的单个人体及多个人体进行自动、准确、实时的检测,无论对静止的人体还是行走中的人体,都能够进行较精确及快速的检测。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为原始点云数据示意图;
图2为本发明的流程示意图;
图3为本发明的简化后的点云数据示意图;
图4为本发明的二次精细分类后的复杂背景人体检测效果图;
图5为本发明的单个静止人体检测效果图;
图6为本发明的单个运动人体检测效果图;
图7为本发明的多个静止人体检测效果图;
图8为本发明的多个运动人体检测效果图。
具体实施方式
下面结合附图进一步说明本发明的详细内容及其具体实施方式。
参见图1至图8所示,本发明的实时人体自动检测方法,包括以下几个步骤:
(1)借助体感控制器,采集人体及场景的深度图像和彩色RGB图像,进而转化成人体及场景的3D点云数据。
(2)用基于K邻域的离散点云简化算法进行3D点云数据简化。简化算法整体流程如下:
(2.1)输入原始点云数据;
(2.2)确立中心点;
(2.3)对于每个中心点,利用KD-Tree法搜索距离中心点最近的k个点,建立k-邻域,其中这些最近点按照距离中心点由小到大顺序排列;
(2.4)判断每个k-邻域的密度大小;
(2.5)根据密度大小对点云进行简化,密度大处保留该邻域中所有点的平均点,密度小处则保留部分点,具体保留哪些点,依具体情况而定,原则上尽量保留中心点;
(2.6)若还有没简化完的k-邻域,则转(2.4),否则,转(2.7);
(2.7)算法结束。
(3)在简化后的3D点云中,采用RANSAC算法进行点云数据的地平面提取并移除。地平面提取及移除算法流程如下:
(3.1)输入简化后的点云数据;
(3.2)在显示的深度图中,随机选取 3个地面上的数据点,并用这3个数据点坐标计算平面方程的参数;
(3.3)对简化后的点云中的所有数据点,计算出每个点到步骤(3.2)得到的平面之间的欧氏距离,在将每个距离与阈值D进行比较,若在D范围内,则将该点归为“局内点”,否则归为“局外点”;
(3.4)对由局内点组成的地平面进行矫正,最后得到所有地平面的局内点,在接下来进行人体检测过程中,地平面范围内所有的点将不再参与计算。至此,地平面提取与移除过程结束。
(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇。在上一步地平面被移除之后,剩余的点云将不再通过地面相连。下面可以将剩余的点云聚类,即计算相邻的3D点欧几里德距离来判断是否属于同一点云簇。但是这里有两个问题,问题一是由于深度数据的丢失或者中断,同一个人的点云数据可能被分到不同的点云簇中去,问题二是不同人的点云数据可能被分到同一个点云簇中去。为了避免上述两个问题的发生,采用如下的算法流程来进行点云的初步分类:
(4.1)输入剩余点云数据;
(4.2)聚类建立多个点云簇;
(4.3)尽量合并靠近地平面坐标的点云簇,这样可以避免问题一的发生;
(4.4)将所有的点云坐标的Y值沿着X轴的方向进行直方图投影,得到波峰波谷的位置;
(4.5)按波谷的位置将已有的点云簇进行分割,初步确立人与人之间的分界,这样可以避免问题二的发生。
(4.6)输出目前已有的所有点云簇,初步分类完毕。
(5)对初步划分后的人体点云数据簇进行二次精细分类。对于步骤(4)得到的点云,接下来采用基于HOG的人体检测算法对其进行二次精细分类,即结合点云簇对应的RGB图运用基于HOG的人体检测算法,来识别人体特征。这里我们运用了与N. Dalal和 B. Triggs的论文中的同样的步骤和参数描述建立了SVM分类器来训练HOG检测器,这样实现了对人体特征的精确的检测和识别。
实现地面上多个人体的检测。并画出人体检测区域。
实施例:
参见图1至图8所示,结合本发明在体感控制器检测人体的应用中来说明。具体实施步骤如下:
(1)借助体感控制器,采集人体及场景的深度图像和彩色RGB图像,进而转化成人体及场景的3D点云数据,得到的点云如图1所示。对于点云的每个点P,可以用(x,y,z)来表示,其中x为点P在X轴方向的坐标,y为点P在Y轴方向的坐标,其中z为点P在Z轴方向的坐标。
(2)对步骤(1)中得到的点集 进行变换,用基于K邻域的离散点云简化算法进行3D点云数据简化,确立中心点,建立K邻域。这里令k=20,共建立k-邻域24537个,原始有效点云数据为215521个,简化后点云数据为23311个,简化后的点云如图3所示。
(3)在通过步骤(2)简化后的3D点云中,共有23311个点,采用RANSAC算法进行点云数据的地平面提取并移除。首先确立地面上的三个随机点,并计算地平面方程参数,得到地平面方程。计算每个点到地平面方程的欧式距离,并与阈值D进行比较,距离值小于D的点归入地平面方程,大于D的点继续参与运算。
(4)利用投影直方图确立波峰波谷位置,并对步骤(3)中点云数据进行初步分类得到人体点云数据簇。输入剩余点云数据,聚类建立多个点云簇,尽量合并靠近地平面坐标的点云簇,将所有的点云坐标的Y值沿着X轴的方向进行直方图投影,得到波峰波谷的位置,按波谷的位置将已有的点云簇进行分割,初步确立人与人之间的分界。输出目前已有的所有点云簇,初步分类完毕。
(5)对初步划分后的人体点云数据簇进行二次精细分类。对于步骤(4)得到的点云,接下来采用基于HOG的人体检测算法对其进行二次精细分类,即结合点云簇对应的RGB图运用基于HOG的人体检测算法,来识别人体特征。二次精细划分后可以将人与其他物体明显分开。如图4所示。
(6)实现地面上多个人体的检测。并画出人体检测区域。如图5至图8所示。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种实时人体自动检测方法,其特征在于:包括如下步骤:
(1)通过体感控制器采集深度信息图像,并将深度信息数据转化成3D点云数据,形成3D点云;
(2)用基于K邻域的离散点云简化算法进行3D点云数据简化;
(3)在简化后的3D点云中,采用RANSAC算法进行点云数据的地平面提取并移除;
(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇;
(5)对初步划分后的人体点云数据簇进行二次精细分类;
(6)实现地面上多个人体的检测。
2.根据权利要求1所述的实时人体自动检测方法,其特征在于:所述的步骤(1)通过体感控制器采集深度信息图像,并将深度信息数据转化成3D点云数据,形成3D点云,具体是:借助体感控制器,采集人体及场景的深度图像和彩色RGB图像,进而转化成人体及场景的3D点云数据;对于点云的每个点P,用x,y,z来表示,其中x为点P在X轴方向的坐标,y为点P在Y轴方向的坐标,z为点P在Z轴方向的坐标。
3.根据权利要求1所述的实时人体自动检测方法,其特征在于:所述的步骤(2)用基于K邻域的离散点云简化算法进行3D点云数据简化,具体是:采用基于K邻域密度的离散点云简化算法进行3D点云数据的简化,流程如下:
(2.1)输入原始点云数据;
(2.2)确立中心点;
(2.3)对于每个中心点,采用KD-Tree法搜索距离中心点最近的k个点,建立k-邻域,其中这些距离中心点最近点按照距离中心点由小到大顺序排列;
(2.4)判断每个k-邻域的密度大小;
(2.5)根据密度大小对点云进行简化,密度大处保留该邻域中所有点的平均点,密度小处则保留部分中心点;
(2.6)若还有没简化完的k-邻域,则转(2.4),否则结束。
4.根据权利要求1所述的实时人体自动检测方法,其特征在于:所述的步骤(3)在简化后的3D点云中,采用RANSAC算法进行点云数据的地平面提取并移除,其中地平面提取并移除的具体流程如下:
(3.1)输入简化后的点云数据;
(3.2)在显示的深度图中,随机选取 3个地面上的数据点,并用这3个数据点坐标计算平面方程的参数;
(3.3)对简化后的点云中的所有数据点,计算出每个点到步骤(3.2)得到的平面之间的欧氏距离,再将每个距离与阈值D进行比较,若在D范围内,则将该点归为“局内点”,否则归为“局外点”;
(3.4)对由局内点组成的地平面进行矫正,最后得到所有地平面的局内点,在接下来进行人体检测过程中,地平面范围内所有的点将不再参与计算;至此,地平面提取与移除过程结束。
5.根据权利要求1所述的实时人体自动检测方法,其特征在于:所述的步骤(4)利用投影直方图确立波峰波谷位置对点云数据进行初步分类得到人体点云数据簇,具体是:在步骤(3)将地平面被移除之后,剩余的点云将不再通过地面相连;将剩余的点云聚类,即计算相邻的3D点欧几里德距离来判断是否属于同一点云簇,采用如下的流程来进行点云的初步分类:
(4.1)输入剩余点云数据;
(4.2)聚类建立多个点云簇;
(4.3)合并靠近地平面坐标的点云簇;
(4.4)将所有的点云坐标的Y值沿着X轴的方向进行直方图投影,得到波峰波谷的位置;
(4.5)按波谷的位置将已有的点云簇进行分割,初步确立人与人之间的分界;
(4.6)输出目前已有的所有点云簇,初步分类完毕。
6.根据权利要求1所述的实时人体自动检测方法,其特征在于:所述的步骤(5)对初步划分后的人体点云数据簇进行二次精细分类,具体是:对于步骤(4)得到的点云,接下来采用基于HOG的人体检测算法对其进行二次精细分类,即结合点云簇对应的RGB图运用基于HOG的人体检测算法,来识别人体特征,实现地面上多个人体的检测,并画出人体检测区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410789988.4A CN104408445A (zh) | 2014-12-19 | 2014-12-19 | 实时人体自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410789988.4A CN104408445A (zh) | 2014-12-19 | 2014-12-19 | 实时人体自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104408445A true CN104408445A (zh) | 2015-03-11 |
Family
ID=52646076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410789988.4A Pending CN104408445A (zh) | 2014-12-19 | 2014-12-19 | 实时人体自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408445A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732222A (zh) * | 2015-04-07 | 2015-06-24 | 中国科学技术大学 | 一种基于深度摄像头的多特征人体识别方法 |
CN106570939A (zh) * | 2016-11-09 | 2017-04-19 | 深圳奥比中光科技有限公司 | 一种3d地图的处理方法及系统 |
CN107016349A (zh) * | 2017-03-10 | 2017-08-04 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN107247926A (zh) * | 2017-05-19 | 2017-10-13 | 浙江大华技术股份有限公司 | 一种人体检测方法及装置 |
CN104751146B (zh) * | 2015-04-13 | 2018-04-10 | 中国科学技术大学 | 一种基于3d点云图像的室内人体检测方法 |
CN107992850A (zh) * | 2017-12-20 | 2018-05-04 | 大连理工大学 | 一种室外场景三维彩色点云分类方法 |
CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
CN109255815A (zh) * | 2018-08-30 | 2019-01-22 | 天津理工大学 | 一种基于零阶球谐函数的物体检测与识别方法 |
CN111045025A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
CN111045024A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN103971378A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 一种混合视觉系统中全景图像的三维重建方法 |
CN104063702A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 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 |
-
2014
- 2014-12-19 CN CN201410789988.4A patent/CN104408445A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN103971378A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 一种混合视觉系统中全景图像的三维重建方法 |
CN104063702A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 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 |
Non-Patent Citations (2)
Title |
---|
FRANCISCO F. SALES: "Real-time People Detection and Mapping System for a Mobile Robot using a RGB-D Sensor", 《ICINCO 2014-11TH INTERNATIONAL CONFERENCE IN INFORMATICS IN CONTROL,AUTOMATION AND ROBOTICS》 * |
MICHAEL VOLKHARDT: "Fallen Person Detection for Mobile Robot using 3D Depth Data", 《2013 IEEE INTERNATIONALCOFERENCE ON SYSTEMS,MAN,AND CYBERNETICS》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732222B (zh) * | 2015-04-07 | 2018-03-06 | 中国科学技术大学 | 一种基于深度摄像头的多特征人体识别方法 |
CN104732222A (zh) * | 2015-04-07 | 2015-06-24 | 中国科学技术大学 | 一种基于深度摄像头的多特征人体识别方法 |
CN104751146B (zh) * | 2015-04-13 | 2018-04-10 | 中国科学技术大学 | 一种基于3d点云图像的室内人体检测方法 |
CN106570939A (zh) * | 2016-11-09 | 2017-04-19 | 深圳奥比中光科技有限公司 | 一种3d地图的处理方法及系统 |
CN107016349B (zh) * | 2017-03-10 | 2020-11-06 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN107016349A (zh) * | 2017-03-10 | 2017-08-04 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN107247926A (zh) * | 2017-05-19 | 2017-10-13 | 浙江大华技术股份有限公司 | 一种人体检测方法及装置 |
CN107992850A (zh) * | 2017-12-20 | 2018-05-04 | 大连理工大学 | 一种室外场景三维彩色点云分类方法 |
CN109255815A (zh) * | 2018-08-30 | 2019-01-22 | 天津理工大学 | 一种基于零阶球谐函数的物体检测与识别方法 |
CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
CN111045025A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
CN111045024A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
CN111045024B (zh) * | 2018-10-15 | 2024-04-19 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408445A (zh) | 实时人体自动检测方法 | |
EP3096263B1 (en) | Human body orientation recognition method and system based on two-lens camera | |
CN103337072B (zh) | 一种基于纹理与几何属性联合模型的室内对象解析方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
US9390330B2 (en) | Apparatus and method for extracting correspondences between aerial images | |
CN104751146B (zh) | 一种基于3d点云图像的室内人体检测方法 | |
CN102902355A (zh) | 移动设备的空间交互方法 | |
CN103745218B (zh) | 一种深度图像中的姿势识别方法及装置 | |
CN110910443B (zh) | 基于单监控相机的接触网几何参数实时测量方法及装置 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
KR101759188B1 (ko) | 2d 얼굴 이미지로부터 3d 모델을 자동 생성하는 방법 | |
CN103020993A (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
CN102043957B (zh) | 基于图像凹点的车辆分割方法 | |
CN104915952B (zh) | 一种深度图像中基于多叉树的局部凸出对象提取方法 | |
CN103544478A (zh) | 一种全方位人脸检测的方法及系统 | |
Yi et al. | Long-range hand gesture recognition with joint ssd network | |
CN104992176B (zh) | 一种面向碑文的汉字提取方法 | |
CN103955673B (zh) | 一种基于头肩模型的人体识别方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN104504692A (zh) | 基于区域对比度的图像中显著对象的提取方法 | |
CN106503674A (zh) | 一种应用于复杂地形区域的点云滤波方法 | |
Ran et al. | Normal estimation algorithm for point cloud using KD-Tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150311 |
|
RJ01 | Rejection of invention patent application after publication |