CN104463144A - 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 - Google Patents
基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 Download PDFInfo
- Publication number
- CN104463144A CN104463144A CN201410833559.2A CN201410833559A CN104463144A CN 104463144 A CN104463144 A CN 104463144A CN 201410833559 A CN201410833559 A CN 201410833559A CN 104463144 A CN104463144 A CN 104463144A
- Authority
- CN
- China
- Prior art keywords
- picture
- piecemeal
- line segment
- principal direction
- profile line
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种图像处理领域的基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统,首先通过多张人头肩正样本训练图片进行分块和提取轮廓的办法并进行训练然后得到人头肩轮廓在不同分块所具有的权值分布。然后在检测阶段,对于检测图片同样进行分块和提取轮廓,之后对轮廓进行处理去掉其中不合适的轮廓线段,最后对于处理之后的轮廓线段根据训练得到的不同分块所具有的权值大小计算当前的权值大小总和,并与阈值进行比较来判断此检测图片是否是人头肩图片,利用本发明进行行人头肩检测最终可以实现总错误仅为14%。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统。
背景技术
行人检测是计算机视觉领域里的一个重要的基础研究,其含义为使用图像处理、机器学习以及有效的优化算法在图像以及视频信息中找到其中行人的准确位置。行人检测在视频监控,人群异常行为分析以及行人追踪等实用领域发挥着重要的作用。
行人检测的技术其实主要概括为以下两个步骤:首先是对图像或者视频提取有效的特征信息;然后是根据相应的特征信息使用机器学习里面适合的算法对特征信息进行判别并进行一定的优化和标注得到最终的结果。
2005年,法国研究人员Dalal等人在《IEEE Conference on Computer Vision and PatternRecognition》(IEEE计算机视觉和模式识别会议)发表了一篇名为“Histogram of OrientedGradients for Human Detection”(用于行人检测的梯度直方图)的论文中提出一种名为HoG(梯度直方图)的特征并结合SVM(支持向量机)的办法进行行人检测,检测有效性得到较大的提升。基于此算法,研究人员同时提出了许多相应的改进算法来进一步提升检测结果。之后,在2010年,Jianxin Wu等人在《IEEE transactions on Pattern Analysis and Machine Intelligence》(IEEE模式分析和机器智能期刊)上发表的“CENTRIST:A Visual Descriptors for SceneCategorization”(CENTRIST:场景分类的一个视觉描述子)中提出了一个名为CENTRIST的特征结合SVM的办法进行行人检测,实现了较HoG更加良好的结果。然而,在大多数场景中,由于行人的整体轮廓会由于身体的形变例如行人旁装,坐下以及弯腰等动作而发生较大的变化,因此具有一定的局限性,从而使得鲁棒性不强。
与行人检测算法通常检测整个人不同的是,行人头肩检测侧重于行人的头肩部分的检测,因为人的头肩相对于整个人体具有更加明显的“欧米茄”样子的特殊形状,而且此特殊形状在现实生活中并不是随处可见,因此对人的头肩部分做检测要相对由于对整个行人做检测。2010年,Chengbin Zeng等人在《International Conference on Pattern Recognition》(模式识别国际会议)上发表了一篇“Robust Head‐Shoulder Detection by PCA‐Based Multilevel HOG‐LBPDetector for People Counting”(用于人数统计的基于主成份分析的多尺度梯度直方图和局部二指模式的鲁棒性头肩检测器)中对于人的头肩模型提出来多尺度梯度直方图和局部二值模式特征进行行人检测。然而,现在多数存在的头肩检测算法都只是简单利用了相同的HoG(梯度直方图)特征。但是实验结果表明,HoG(梯度直方图)特征在物体纹理比较复杂容易产生误检,而且HoG(梯度直方图)特征是对整个滑动窗内的梯度进行统计,在头肩区域的局部小范围但是相对十分明显的“欧米茄”样子并没有有效提取,因此并不能完全表现行人头肩的全部细节特征。
在现阶段,比较好的行人检测算法有上述提到的Jianxin Wu发表的关于使用Centrist特征的行人检测算法和Chengbin Zeng发表的使用HoG‐LBP特征的头肩检测算法,但是这些算法无法解决的是对于类似于头肩形状的无法判断、拥挤场景下无法有效发挥作用以及背景复杂的情况会产生误判等问题,难以满足现有工业需要。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统,从人头肩区域所特有的“欧米茄”形状及其此形状不易形变的特点出发,紧密结合这些特点,能够在行人较为拥挤的场合下相对于其他检测具有较好的效果。
本发明是通过以下技术方案实现的:
本发明涉及一种基于局部主方向与能量分析策略的图像中行人头肩检测方法,根据训练图片中提取出的人头肩的连续轮廓线段进行分块,并根据每个分块的相对位置确定其权值并得到训练图片的权值和;然后提取待测图片的连续轮廓线段并进行分块,使用能量分析策略对于每一条连续轮廓线段进行处理以去除非人头肩区域,进一步采用局部主方向判断策略对剩余图片进行优化;最后将处理后的待测图片的分块根据训练图片的权值计算其总和,当待测图片的总权值大于阈值时判断为人头肩区域。
所述的相对位置是指:该训练图片中人头肩的连续轮廓线段是否经过此分块。
基于计算训练图片中所有正样本人头肩轮廓的不同分块的权值,可以知道在一副图片中那些分块权值不为零,而那些分块不权值不为零,则同时可以得到人头肩轮廓在一副图片中的大致分布区域。
所述的能量分析策略是指:对于待测图片,在提取轮廓过程中包含了不属于人头肩的轮廓,需要去除掉这些轮廓以防错误判断,因此对于属于人头肩轮廓的连续轮廓线段,其主要分布应该位于人头肩区域并予以保留。
所述的局部主方向判断策略是指:根据人头肩轮廓的形状将待测图片分成8个区域,不同区域定义一个人头肩轮廓在当前区域应该具有的局部主方向的变化判定范围;然后计算每一条连续轮廓线段的两个端点的连线与水平方向的夹角,用此夹角来表示当前轮廓线段的局部主方向;当前轮廓线段的局部主方向符合其所在区域定义的局部主方向的变化判定范围,则予以保留,否则予以去除。
本发明涉及一种实现上述方法的系统,包括:依次连接的连续轮廓线段提取模块、分块模块、能量分析策略处理模块以及局部主方向判断策略处理模块,其中:连续轮廓线段提取模块接收训练图片或待测图片,并采用Canny边缘提取算法将对应连续轮廓线段后输出至分块模块,分块模块根据预设尺寸对训练图片或待测图片进行分割,并以连续轮廓线段是否经过分块作为权值计算训练图片或待测图片的总权值,能量分析策略处理模块对分块模块得到的待测图片及其对应的总权值进行筛选,并将筛选结果输出至局部主方向判断策略处理模块,局部主方向判断策略处理模块通过分区域计算局部主方向进一步判断得出剩余的待测图片中是否包含行人头肩的结果。
技术效果
与现有技术相比,本发明的技术效果包括:
1)侧重于行人的头肩部分检测,所以即使对于特殊的情况,例如行人的碰撞,弯腰,跌倒等异常情况仍然可以有效的捕捉其特征。
2)相对于HoG(梯度直方图)特征,由于更加紧密的结合行人的头肩区域来提取轮廓特征,因此可以对梯度直方图容易混淆的一些近似特征图片、由于偏移而无法有效检测的特征图片都可以进行有效检测。
3)当前检测图片的连续轮廓线段的权值计算,是由实际场景下的训练图片得到,因此对于实际情况具有更好的鲁棒性。
附图说明
图1为实施例人头肩轮廓示意图。
图2为实施例人头肩轮廓分块示意图。
图3为实施例人头肩轮廓分布统计区域示意图。
图4为实施例检测图片分区域设定相应区域局部主方向变化范围示意图。
图5为实施例连续轮廓线段的主方向计算方法示意图。
图6为实施例有效检测结果对比示意图;
图中:a为实施例1检测结果,b为Centrist特征检测结果,c为HoG‐LBP检测结果。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例行人头肩检测方法,包括:训练部分和检测部分,其中:
所述的训练部分具体包括以下步骤:
第一步:对于输入的人头肩正样本训练图片,首先提取其轮廓,会得到许多连续轮廓线段,对这些连续轮廓线段有一些不属于人头肩的轮廓手动去除,则可以得到属于人头肩的连续轮廓线段。处理完毕的人头肩轮廓示意图如图1所示。
本方法所使用的提取轮廓的办法是Canny边缘提取算法。此算法的具体提取办法可以参考John Canny于1986年发表在“IEEE Transactions on Pattern Analysis and MachineIntelligence”(IEEE模式识别与机器智能期刊)上发表的一篇名为“A Computational Approach toEdge Detection”(一种边缘提取的可计算方法)。
第二步:对于处理完毕的人头肩轮廓图片,按照固定的大小,对其进行分块。图片分块示意图如图2所示。
在本实施例中训练使用的图片大小是48*48像素长宽大小的,然后分块大小是3*3像素宽度大小的,然后本实施例按照此固定大小进行分块。如图2所示。
第三步:按照不同人头肩轮廓在当前图片分块中的位置,分别计算当前图片不同分块所具有的权值。
此处不同分块所具有的权值大小代表的是人头肩轮廓是否经过此分块。
此处权值的计算方式是,对于一张训练图片,对于其中某个位置的分块来说,假设这个分块的位置坐标为(x,y),那么在当前分块位置,如果有连续轮廓线段经过,则当前分块的权值增加1,反之,如果没有连续轮廓线段经过,则当前分块的权值则为0。然后,当前图片不同位置的分块按照这种方式分别进行计算权值,其中权值计算公式可以用下式表示:
ei(x,y)代表的是在第i张正样本训练图片中,位置坐标为(x,y)处的分块的权值大小,如果在此分块处有轮廓线段,则为1,否则为0。
其中:N代表的是正样本的数目,本实施例中取N=1500,即1500张人头肩正样本训练数据。ei(x,y)代表的是在第i张正样本训练图片中,位置坐标为(x,y)处的分块的权值大小,如果在此分块处有轮廓线段,则为1,否则为0。E(x,y)代表的是最终得到的人头肩区域在位置坐标为(x,y)处的所训练出来的权值大小。
第四步:对所有正训练图片按照上述方式进行处理得到其不同分块所具有的权值并且对其进行求加和的操作,从而得到所有正训练图片在不同分块处所具有的总的权值。
经过此步骤计算所有正样本人头肩轮廓的不同分块的权值,即对不同位置的分块的权值进行相加操作,即可得到最终相应位置分块的最终权值大小,即其中:N代表的是正样本的数目,本实施例中取N=1500,即1500张人头肩正样本训练数据。ei(x,y)代表的是在第i张正样本训练图片中,位置坐标为(x,y)处的分块的权值大小。E(x,y)代表的是最终得到的人头肩区域在位置坐标为(x,y)处的所训练出来的权值大小。
同时,经过此步骤的计算,可以知道在一副图片中那些分块权值不为零,而那些分块不权值不为零,则可以得到人头肩轮廓在一副图片中的大致分布区域。人头肩轮廓分布区域统计图如图3所示。
所述的检测部分具体包括以下步骤:
第一步:对于输入的行人头肩检测图片,首先对其提取轮廓操作,得到许多条连续轮廓线段。
此处提取轮廓的方法同于训练部分提取轮廓的方法,具体步骤可以参考训练部分。
第二步:对第一步处理完成的图片进行分块操作,分块的方式与训练部分的分块方式相同。
即相同于训练部分,此部分的检测图片的大小是48*48像素长宽大小,分块大小是3*3像素长宽大小,按照这样的大小进行分块即可。
第三步:对于每一条连续轮廓线段,使用能量分析策略进行分析,去掉其中不属于人头肩区域的轮廓。
本方法的此步骤处理的出发点在于,对于检测图片,由于行人身上的纹理、背景的纹理以及背景的光影变换等都会在第一步提取轮廓的时候被提取出许多不属于人头肩的轮廓,因此,需要去除掉这些轮廓,防止后续判断中产生错误判断,其中:能量分析策略的出发点在于,对于属于人头肩轮廓的连续轮廓线段,其主要分布应该位于人头肩区域,如果不符合的话说明不是人头肩轮廓,所以予以去除。
在本实施例中的步骤是,对于每一条连续轮廓线段,分别计算当前轮廓线段所经过的分块数目多少。然后,再根据人头肩区域的分布区域统计图,即图3,计算当前轮廓线段所经过的有权值的分块的数目多少,然后计算两者的比较,即其中:代表的是第i条连续轮廓线段所经过的有权值分布的分块数目,num(TRi)代表的是第i条连续轮廓线段所经过的所有的分块数目,Disi代表的是前两项的比值。为了保证此连续轮廓线主要是属于人头肩区域的轮廓线段,设定一个阈值,本实施例中阈值大小为Tdis=60%,所以,当第i条轮廓线段的Disi小于此阈值,则去掉,否则予以保留。
第四步:对第三步处理剩下的每一条连续轮廓线段,再使用局部主方向判断策略进行分析,去掉其中不属于人头肩区域的轮廓。
同理,本方法的此步骤的出发点同样是为了去除不属于人头肩的轮廓部分,防止后续判断中产生错误判断。根据人头肩轮廓的形状,对于图片分成8个区域,不同区域定义一个人头肩轮廓在当前区域应该具有的局部主方向的变化判定范围。图片分区域的图示如图4所示。在本实施例中,分块的编号,从上到下,从左到右分别编号为1,2,3,4,5,6,7,8,则其局部主方向分别用tanθ1,tanθ2,tanθ3,tanθ4,tanθ5,tanθ6,tanθ7,tanθ8来表示,其中tanθ1为θ1的正
tanθ1∈(tan10°,tan30°)
tanθ2∈(tan150°,tan170°)
tanθ3∈(tan45°,tan75°)
tanθ4∈(tan105°,tan135°)
tanθ5∈(tan30°,tan60°)
tanθ6∈(tan120°,tan150°)
tanθ7∈(tan60°,tan85°)
切值。在本实施例中,其定义为tanθ8∈(tan95°,tan120°),其中:以tan10°表示10°度的正切值,tanθ1∈(tan10°,tan30°)表示第一个区域的局部主方向的变换范围从tan10°到tan30°。其他的意义与此相同。
然后,对于每一条连续轮廓线段,分别找到其两个端点,然后计算这两个端点的连线与水平方向的夹角,用此夹角来表示当前轮廓线段的局部主方向。在本实施例中以图片的左上角为原点坐标,如果其坐标分别为d1=(x1,y1),d2=(x2,y2),并且使得点d1始终位于点d2的上边来保证大小比较时候的一致性,则主方向为
然后,对于当前的连续轮廓线段,根据计算出来的其主方向与其所在的区块位置,看其是否符合其范围,如果符合在保留,不符合则去除。如果当前连续轮廓线段跨越两个区块,则对连续轮廓线段分割,分别计算对应的区域进行比较。
第五步:对于处理完毕的检测图片,根据训练部分得到的不同分块所具有的权值,计算当前检测图片不同分块处所具有的权值。
对于经过之前步骤处理过的检测图片,根据第一步训练出来的E(x,y)以及剩下的连续轮廓线段所经过分块的位置,可以计算出来不同位置的分块所具有的权值大小。
第六步:对所有的分块权值进行相加操作得到一个总的权值,与预先设定的阈值进行比较,大于此阈值则认为是人头肩区域,否则认为不是人头肩区域。
对于求出来的所有分块的总的权值大小,与一个阈值进行比较,在本实施例中,此阈值大小为Tall=260。如果权值之和大于此阈值,则认为是人头肩区域,否则认为不是人头肩区域。
最终,使用本发明与前面提到的Jianxin Wu的Centrist特征的行人检测算法与Chengbin Zeng的HoG-LBP特征的头肩检测算法进行比较,使用两个数据库进行比较,分别是来自于2006年的IEEE Conference on Computer Vision and Pattern Recognition(IEEE计算机视觉和模式识别会议)使用的公开数据库PETS2006(数据库地址:http://www.cvg.reading.ac.uk/PETS2006/data.html),另一个是来自于某商场外的实际监控场景。其中,某商场外的实际监控场景相对于PETS2006等数据库有更加复杂的背景,人流相对更加拥挤。效果比较采取了学术文章中通用的三个比较参数,包括漏检率(Miss),衡量的是对于存在的行人头肩没有有效捕捉到的情况,此数值越低代表性能越好。假真率(FalseAlarm),衡量的是对于错误的物体认为是行人头肩的情况,此数值越低越好,总错误率(TotalError Rates),衡量的是错误的物体被认为是行人头肩以及正确的行人头肩未有效捕捉到的总的情况,此数值越低越好,具体比较结果见以下两表:
PETS2006比较结果
实施例1 | Centrist特征算法 | HoG-LBP算法 | |
漏检率 | 10% | 32% | 24% |
假真率 | 21% | 59% | 38% |
总错误率 | 14% | 41% | 29% |
某商场外比较结果
实施例1 | Centrist特征算法 | HoG-LBP算法 | |
漏检率 | 11% | 28% | 29% |
假真率 | 25% | 59% | 41% |
总错误率 | 16% | 38% | 33% |
Claims (10)
1.一种基于局部主方向与能量分析策略的图像中行人头肩检测方法,其特征在于,根据训练图片中提取出的人头肩的连续轮廓线段进行分块,并根据每个分块的相对位置确定其权值并得到训练图片的权值和;然后提取待测图片的连续轮廓线段并进行分块,使用能量分析策略对于每一条连续轮廓线段进行处理以去除非人头肩区域,进一步采用局部主方向判断策略对剩余图片进行优化;最后将处理后的待测图片的分块根据训练图片的权值计算其总和,当待测图片的总权值大于阈值时判断为人头肩区域。
2.根据权利要求1所述的方法,其特征是,所述的根据每个分块的相对位置确定其权值是指:该训练图片中人头肩的连续轮廓线段是否经过此分块。
3.根据权利要求1或2所述的方法,其特征是,所述的根据每个分块的相对位置确定其权值是指:根据每个分块中是否有轮廓线段经过,当有轮廓线段经过,则当前分块的权值为1,否则为0,即第i张训练图片或待测图片,中坐标为(x,y)的分块的权值为
4.根据权利要求1所述的方法,其特征是,所述的能量分析策略是指:对于待测图片,计算当前连续轮廓线段经过的权值不为零的分块数目和经过的所有分块的数目的比值 当低于阈值则判定不属于人头肩区域并去除,否则保留,其中:代表的是第i条连续轮廓线段所经过的权值不为零分布的分块数目,num(TRi)代表的是第i条连续轮廓线段所经过的所有的分块数目。
5.根据权利要求1所述的方法,其特征是,所述的局部主方向判断策略是指:对于能量分析策略处理后余下的待测图片,根据人头肩轮廓的形状将待测图片分成8个区域,不同区域定义一个人头肩轮廓在当前区域应该具有的局部主方向的变化判定范围;然后计算每一条连续轮廓线段的两个端点的连线与水平方向的夹角,用此夹角来表示当前轮廓线段的局部主方向;当前轮廓线段的局部主方向符合其所在区域定义的局部主方向的变化判定范围,则予以保留,否则予以去除。
6.根据权利要求1或5所述的方法,其特征是,所述的局部主方向判断策略是指:对于能量分析策略处理后余下的待测图片中的每一条连续轮廓线段,分成八个不同的区域,并按从上到下、从左到右分别编号为1~8,对应其局部主方向为tanθ1~tanθ8,其中每个区域内的局部主方向为:以该区域左上角为原点,当连续轮廓线段在该区域中的两个端点坐标别为d1=(x1,y1),d2=(x2,y2),则该区域的局部主方向为当前轮廓线段的局部主方向符合其所在区域定义的局部主方向的变化判定范围,则予以保留。
7.根据权利要求6所述的方法,其特征是,不同的区域的局部主方向范围定义为:
tanθ1∈(tan100,tan300)
tanθ2∈(tan1500,tan1700)
tanθ3∈(tan450,tan750)
tanθ4∈(tan1050,tan1350)。
tanθ5∈(tan300,tan600)
tanθ6∈(tan1200,tan1500)
tanθ7∈(tan600,tan850)
tanθ8∈(tan950,tan1200)。
8.根据上述任一权利要求所述的方法,其特征是,所述的连续轮廓线段通过Canny算子从待测图片或训练图片中提取得到。
9.根据上述任一权利要求所述的方法,其特征是,所述的分块,其尺寸大小为3*3像素。
10.一种实现上述任一权利要求中所述方法的系统,其特征在于,包括:依次连接的连续轮廓线段提取模块、分块模块、能量分析策略处理模块以及局部主方向判断策略处理模块,其中:连续轮廓线段提取模块接收训练图片或待测图片,并采用Canny边缘提取算法将对应连续轮廓线段后输出至分块模块,分块模块根据预设尺寸对训练图片或待测图片进行分割,并以连续轮廓线段是否经过分块作为权值计算训练图片或待测图片的总权值,能量分析策略处理模块对分块模块得到的待测图片及其对应的总权值进行筛选,并将筛选结果输出至局部主方向判断策略处理模块,局部主方向判断策略处理模块通过分区域计算局部主方向进一步判断得出剩余的待测图片中是否包含行人头肩的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410833559.2A CN104463144A (zh) | 2014-12-26 | 2014-12-26 | 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410833559.2A CN104463144A (zh) | 2014-12-26 | 2014-12-26 | 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104463144A true CN104463144A (zh) | 2015-03-25 |
Family
ID=52909160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410833559.2A Pending CN104463144A (zh) | 2014-12-26 | 2014-12-26 | 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463144A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169976A (zh) * | 2017-04-20 | 2017-09-15 | 温州市鹿城区中津先进科技研究院 | 电商平台展示图片大数据的产品轮廓线绘制方法 |
CN108566534A (zh) * | 2018-04-23 | 2018-09-21 | Oppo广东移动通信有限公司 | 基于视频监控的报警方法、装置、终端及存储介质 |
CN111882582A (zh) * | 2020-07-24 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN113944396A (zh) * | 2021-10-25 | 2022-01-18 | 上海网车科技有限公司 | 一种车辆前后备箱门自动打开的系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107341A1 (en) * | 2006-11-02 | 2008-05-08 | Juwei Lu | Method And Apparatus For Detecting Faces In Digital Images |
CN103106409A (zh) * | 2013-01-29 | 2013-05-15 | 北京交通大学 | 一种针对头肩检测的混合特征提取方法 |
CN103455799A (zh) * | 2013-09-06 | 2013-12-18 | 西安邮电大学 | 一种人体头肩检测方法及其装置 |
-
2014
- 2014-12-26 CN CN201410833559.2A patent/CN104463144A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107341A1 (en) * | 2006-11-02 | 2008-05-08 | Juwei Lu | Method And Apparatus For Detecting Faces In Digital Images |
CN103106409A (zh) * | 2013-01-29 | 2013-05-15 | 北京交通大学 | 一种针对头肩检测的混合特征提取方法 |
CN103455799A (zh) * | 2013-09-06 | 2013-12-18 | 西安邮电大学 | 一种人体头肩检测方法及其装置 |
Non-Patent Citations (1)
Title |
---|
HUANG KAI ET AL: "Improved Human Head and Shoulder Detection with Local Main Gradient and Tracklets-based Feature", 《2014 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169976A (zh) * | 2017-04-20 | 2017-09-15 | 温州市鹿城区中津先进科技研究院 | 电商平台展示图片大数据的产品轮廓线绘制方法 |
CN108566534A (zh) * | 2018-04-23 | 2018-09-21 | Oppo广东移动通信有限公司 | 基于视频监控的报警方法、装置、终端及存储介质 |
CN111882582A (zh) * | 2020-07-24 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN111882582B (zh) * | 2020-07-24 | 2021-10-08 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN113944396A (zh) * | 2021-10-25 | 2022-01-18 | 上海网车科技有限公司 | 一种车辆前后备箱门自动打开的系统及方法 |
CN113944396B (zh) * | 2021-10-25 | 2023-06-06 | 上海网车科技有限公司 | 一种车辆前后备箱门自动打开的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103281477B (zh) | 基于多级别特征数据关联的多目标视觉跟踪方法 | |
Hu et al. | Single and multiple object tracking using log-Euclidean Riemannian subspace and block-division appearance model | |
Hsiao et al. | Occlusion reasoning for object detectionunder arbitrary viewpoint | |
Wang et al. | iVAT and aVAT: enhanced visual analysis for cluster tendency assessment | |
CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
Merad et al. | Fast people counting using head detection from skeleton graph | |
CN103310444B (zh) | 一种基于头顶摄像头的监控行人计数的方法 | |
JP2019505866A (ja) | 通行人の頭部識別方法及びシステム | |
CN104751491A (zh) | 一种人群跟踪及人流量统计方法及装置 | |
CN103679118A (zh) | 一种人脸活体检测方法及系统 | |
Kobayashi et al. | Three-way auto-correlation approach to motion recognition | |
Tripathi et al. | A framework for abandoned object detection from video surveillance | |
CN104463144A (zh) | 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 | |
CN102799859A (zh) | 一种交通标志识别方法 | |
Kim et al. | Autonomous vehicle detection system using visible and infrared camera | |
CN104794451A (zh) | 基于分块匹配结构的行人比对方法 | |
Khan et al. | Multiple human detection in depth images | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
Chen et al. | A precise information extraction algorithm for lane lines | |
Zhang et al. | Anomaly detection and localization in crowded scenes by motion-field shape description and similarity-based statistical learning | |
CN105654090A (zh) | 一种基于曲线波动度描述的行人轮廓检测方法 | |
Shah et al. | Multi-camera handoff for person re-identification | |
CN105590086A (zh) | 一种基于视觉标签识别的物品防盗检测方法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
Goto et al. | Cs-hog: Color similarity-based hog |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |
|
RJ01 | Rejection of invention patent application after publication |