CN104952083A - 一种基于显著性目标背景建模的视频显著性检测算法 - Google Patents
一种基于显著性目标背景建模的视频显著性检测算法 Download PDFInfo
- Publication number
- CN104952083A CN104952083A CN201510369137.9A CN201510369137A CN104952083A CN 104952083 A CN104952083 A CN 104952083A CN 201510369137 A CN201510369137 A CN 201510369137A CN 104952083 A CN104952083 A CN 104952083A
- Authority
- CN
- China
- Prior art keywords
- background
- pixel
- frame
- image
- remarkable
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性目标背景建模的视频显著性检测算法,包括:步骤1,对初始帧(当前帧)进行静态图像显著性检测,获取其显著图,根据显著图获取残余背景;步骤2,对残余背景图像中像素值为0的像素点进行相似性填充获取初始帧背景模型;步骤3,根据初始背景模型,对下一帧利用背景减除法减去初始背景模型得到下一帧显著区域,且对该显著区域进行信息冗余度判别,如果冗余度较小,则认为该显著区域正确,如果显著区域冗余较高则需重新对当前帧按照步骤1和步骤2所述方法重新进行背景建模。最后,依次循环得到最终显著视频。该算法无需对视频中每一帧进行背景建模,因此会有较快计算速度。
Description
技术领域
本发明涉及计算机视觉与多媒体处理技术领域,具体涉及一种基于显著性目标背景建模的视频显著性检测算法。
背景技术
近年来,随着基于内容的视频重定位研究的发展,要求重定位后的视频能够适应多种屏幕尺寸显示,并且要尽可能多的保留视频中的重要信息。这些基于内容的视频重定位技术中,如何快速、准确的检测出视觉显著性区域,仍然是一个亟待解决的具有挑战性的问题。
传统的基于背景建模的视频显著性方法如混合高斯模型背景建模法和基于四元数傅里叶变换视频目标检测算法需要结合视频中初始多帧图像进行背景建模,因此无法对初始几帧图像进行检测,且由于其加入帧间相关信息,会存在建模复杂度高的缺点。未引入每一帧显著图质量判定规则,因此显著视频质量无法有效的保证。
因此,提出一种基于显著性目标背景建模的视频显著性检测算法,已成为本领域目前亟待解决的技术问题之一。
发明内容
本发明提出了一种基于显著性目标背景建模的视频显著性检测算法。其目的在于通过静态图像显著图快速获取视频背景模型,根据视频背景模型利用背景减除法获取显著视频。
本发明的目的是通过下述技术方案来实现的。
一种基于显著性目标背景建模的视频显著性检测算法,包括以下步骤:
步骤1,用静态图像显著性检测方法进行显著性目标检测,得到初始帧显著图,根据初始帧显著图提取显著目标并获取残余背景图像;
步骤2,根据残余背景图像进行背景建模,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型;
步骤3,进行视频显著性检测:根据初始帧背景模型,对下一帧利用背景减除法减去初始背景模型得到下一帧显著区域,且对该显著区域进行信息冗余度判别;如果冗余度较小,则认为该显著区域正确;如果显著区域冗余较高,则重复步骤1-步骤2重新进行背景建模;最后,依次循环得到最终显著视频。
优选地,步骤1进一步包括,对初始帧图像I用静态图像显著性检测方法进行显著性目标检测,得到初始帧显著图Is,对显著图进行简单阈值分割,得到显著图的二值图像:
式中:Is′为显著图的二值图像,T为阈值;
利用显著图的二值图像对原始图像中目标进行提取得到目标图像:
Io=Is′.*I (2)
式中:Io为所得目标图像,根据目标图像获取残余背景图像:
Ib′=I-Io (3)
式中:Ib′为残余背景图像,对残余背景中像素值为0的位置进行填充,得到初始帧背景模型。
优选地,步骤2进一步包括,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像四个顶点时,向周围两个方向寻找不为0的像素点,进行计算填充。
优选地,步骤2进一步包括,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像边界但不在顶点时,向周围三个方向寻找不为0的像素点,进行计算填充。
优选地,步骤2进一步包括,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像中心区域时,向周围四个方向寻找不为0的像素点,进行计算填充。
进一步地,向周围方向寻找不为0的像素点,进行计算填充方法如下:
1)选中待填充像素p0其空间坐标记为(x0,y0),以p0为起始点向周围方向逐层寻找值不为0的像素点,当在某一层寻找到值不为0的像素点时结束寻找,记像素值不为0的点为p1,p2,...,pn坐 标分别为(x1,y1),(x2,y2),...,(x,ny)n,分别计算p0到各个点的欧氏距离:
式中:sn为p1,p2,...,pn到p0点的欧氏距离;
2)从中挑选出离待填充像素欧氏距离最近的像素点,记为pk(k≤n),并对p0进行填充:
式中:p0′为计所得待填充位置像素值,K为离待填充像素欧氏距离最近的不为0像素点的个数;
3)按照上述方式对残余背景图像Ib′中所有为0的像素点进行填充后,得到最终的背景模型Ib。
优选地,步骤3进一步包括,进行视频显著性检测:包括下述步骤:
1)输入视频第n帧,记为Fn(n=1,2,...,n),初始帧F1背景模型记为B1,第n帧背景模型记为Bn,第一帧图像的显著图由静态图像显著性检测所得记为F′s1;
第2帧图像显著图F′s2由下式得到:
F′s2=|F2-B1| (6)
因此,第n帧图像其显著图:
F′sn=|Fn-Bn-1| (7)
第n帧背景模型Bn:
式中,H2D(Fsn)为第n帧显著图的2-D熵;
公式(8)中求第n帧显著图的2-D熵H2D(Fsn),如果其2-D熵小于所设定阈值T,则认为第n帧图像背景较前一帧变化不大,其背景能够用前一帧背景替代,无需重新建模;相反,如果其2-D大于等于所设阈值,则认为其背景较前一帧变化大,则需重新对背景模型进行更新,记更新后的背景模型为Bn-new做为第n帧背景,结合公式(7)获取每一帧的显著图组成显著视频Vs。
本发明结合背景减除法,提出了一种基于显著性目标背景建模的视频显著性检测算法。与传 统算法相比,本发明所提方法,无需结合帧间信息进行背景建模,因此可以对每一帧视频图像进行显著性检测。且背景建模只需在空域中对残余背景填充,因此计算复杂度较低。此外,由于加入冗余度判别且无需对视频每一帧都进行背景建模,因此会具有较快的计算速度和计算精度。
本发明算法能够清楚的检测出视频中的运动对象。在对背景变化不大的视频序列,一个背景模型就可以完成对多帧图像的检测,从而节省了时间。在背景变化较大情况下即H2D>T时能够自动完成背景更新,从而使得检测结果更加精准有效。
附图说明
图1为本发明的流程;
图2(a)-图2(f)为本发明背景建模过程;
图3为本发明背景建模算法示意图;
图4(a)-图4(d)为本发明所提背景建模结果示例;
图5为同一背景模型下显著视频2-D熵变化情况;
图6为本发明所提算法对视频序列的检测结果示例。
具体实施方式
下面结合附图及具体实施方式进一步说明本发明。
本发明一种基于显著性目标背景建模的视频显著性检测算法如图1所示,其重要步骤介绍如下:
1、获取初始帧(当前帧)残余背景
对初始帧(当前帧)图像I)(输入图像图(2a))用静态图像显著性检测方法进行显著性目标检测,得到初始帧显著图Is如图2(b)所示,对显著图进行简单阈值(T∈[0,255])分割,得到显著图的二值图像:
式中:Is′为显著图的二值图像,T为阈值,如图2(c)所示。利用显著图的二值图像对原始图像中目标进行提取得到目标图像:
Io=Is′.*I (2)
式中:Io为所得目标图像,如图2(d)所示。根据目标图像获取残余背景图像:
Ib′=I-Io (3)
式中:Ib′为残余背景图像如图2(e)所示。对残余背景中像素值为0的位置进行填充,得到初始帧背景模型,如图2(f)所示。
2残余背景填充
建立背景模型关键是要对残余背景图像Ib′中像素点为0的元素进行填充,使得其更加接近真实背景。本发明提出一种基于周围像素均值替代的背景填充方法,图3为本发明所提残余背景填充算法示意图。具体实施如下:
对残余背景图像Ib′中某一像素值为0的点,可分为以下三种情况进行填充:当该点位于图像四个顶点时,向周围两个方向寻找不为0的像素点,进行计算填充;当该点位于图像边界但不在顶点时,向周围三个方向寻找不为0的像素点,进行计算填充;当该点位于图像中心区域时,向周围四个方向寻找不为0的像素点,进行计算填充。下面以第三种情况为例,详细介绍残余背景填充方法。
如图3中选中待填充像素p0其空间坐标记为(x0,y0),以p0为起始点向周围四个方向逐层寻找值不为0的像素点,当在某一层找到值不为0的像素点时结束找寻。记像素值不为0的点为p1,p2,...,pn坐标分别为(x1,y1),(x2,y2),...,(x,n y)n,分别计算p0到各个点的欧氏距离:
式中:sn为p1,p2,...,pn到p0点的欧氏距离。从中挑选出离待填充像素欧氏距离最近的像素点,记为pk(k≤n),并对p0进行填充:
式中:p0′为计所得待填充位置像素值,K为离待填充像素欧氏距离最近的不为0像素点的个数;
按照上述方式对残余背景图像Ib′中所有为0的像素点进行填充后,得到最终的背景模型 Ib。图4为本文所提背景建模结果示例,其中图4(a)为输入视频帧,图4(b)为静态图像显著性检测结果,图4(c)为所获取的残余背景图像,图4(d)为所建立的背景模型。
3视频显著性检测
本发明所提视频显著性检测方法,先对初始帧建立背景模型,再利用背景减除法检测视频中的显著目标。
输入视频第n帧记为Fn(n=1,2,...,n),初始帧F1背景模型记为B1,第n帧背景模型记为Bn,第一帧图像的显著图由第三章所提算法所得记为F′s1。第2帧图像显著图F′s2由下式得到:
F′s2=|F2-B1| (6)
因此,对第n帧图像其显著图:
F′sn=|Fn-Bn-1| (7)
由于视频背景是在不断变化的,因此需要对背景模型进行实时更新。这里本发明将视频背景分为两类即:(1)较前一帧变化小的背景,对于此类背景在进行显著性检测时本发明用前一帧背景作为当前帧背景;(2)较前一帧变化大的背景,对于此类背景,在显著性检测时需要用上述背景建模法重新建立背景模型。为了区分这两类背景本发明设计如下算法:
公式(8)中求第n帧显著图的2-D熵H2D(Fsn),如果其2-D熵小于所设定阈值T,则认为第n帧图像背景较前一帧变化不大,其背景可以用前一帧背景替代,无需重新建模。相反,如果其2-D大于等于所设阈值,则认为其背景较前一帧变化大,则需重新对背景模型进行更新,记更新后的背景模型为Bn-new做为第n帧背景。结合公式(7)获取每一帧的显著图组成显著视频Vs。
从图5中可以看出在相同背景模型下对不同帧(第1帧-8帧),由于其背景变化,其2-D熵也在变化,当背景与初始背景差异度较大情况下,显著图中信息冗余度就越高,2-D熵值就越大。换而言之,显著图中包含背景信息越多2-D熵就越大。因此,可以使用这一指标来判断是否需要对背景更新。在本发明公式(8)中取阈值T=H2D(Fs0)+6,其他经验阈值皆可。如果显著图的熵值大于这一阈值则需重新对背景建模。
图6为本发明所提算法对一视频序列的检测结果,可以看到本发明算法能够清楚的检测出视 频中的运动对象。在对背景变化不大的视频序列如第1帧到第11帧,一个背景模型就可以完成对多帧图像的检测,从而节省了时间。在背景变化较大情况下即H2D>T时如第12帧能够自动完成背景更新,从而使得检测结果更加精准有效。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (7)
1.一种基于显著性目标背景建模的视频显著性检测算法,其特征在于,包括以下步骤:
步骤1,用静态图像显著性检测方法进行显著性目标检测,得到初始帧显著图,根据初始帧显著图提取显著目标并获取残余背景图像;
步骤2,根据残余背景图像进行背景建模,对残余背景图像中目标区域即像素值为0的像素点进行相似性填充,获取初始帧背景模型;
步骤3,进行视频显著性检测:根据初始帧背景模型,对下一帧利用背景减除法减去初始背景模型得到下一帧显著区域,且对该显著区域进行信息冗余度判别;如果冗余度较小,则认为该显著区域正确;如果显著区域冗余较高,则重复步骤1-步骤2重新进行背景建模;最后,依次循环得到最终显著视频。
2.根据权利要求1所述的方法,其特征在于:步骤1中,对初始帧图像I用静态图像显著性检测方法进行显著性目标检测,得到初始帧显著图Is,对显著图进行简单阈值分割,得到显著图的二值图像:
式中:Is′为显著图的二值图像,T为阈值;
利用显著图的二值图像对原始图像中目标进行提取得到目标图像:
Io=Is′.*I (2)
式中:Io为所得目标图像,根据目标图像获取残余背景图像:
Ib′=I-Io (3)
式中:Ib′为残余背景图像,对残余背景中目标区域即像素值为0的位置进行填充,得到初始帧背景模型。
3.根据权利要求1所述的方法,其特征在于:步骤2中,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像四个顶点时,向周围两个方向寻找不为0的像素点,进行计算填充。
4.根据权利要求1所述的方法,其特征在于:步骤2中,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像边界但不在顶点时,向周围三个方向寻找不为0的像素点,进行计算填充。
5.根据权利要求1所述的方法,其特征在于:步骤2中,对残余背景图像中像素值为0的像素点进行相似性填充,获取初始帧背景模型,当该点位于图像中心区域时,向周围四个方向寻找不为0的像素点,进行计算填充。
6.根据权利要求3-5任一项所述的方法,其特征在于:向周围方向寻找不为0的像素点,进行计算填充方法如下:
1)选中待填充像素p0其空间坐标记为(x0,y0),以p0为起始点向周围方向逐层寻找值不为0的像素点,当在某一层寻找到值不为0的像素点时,结束寻找,记该像素值不为0的点为p1,p2,...,pn,坐标分别为分别计算p0到各个点的欧氏距离:
式中:sn为p1,p2,...,pn到p0点的欧氏距离;
2)从中挑选出离待填充像素欧氏距离最近的像素点,记为pk(k≤n),并对p0进行填充:
式中:p0′为计所得待填充位置像素值,K为离待填充像素欧氏距离最近的不为0像素点的个数;
3)按照上述方式对残余背景图像Ib′中所有为0的像素点进行填充后,得到最终的背景模型Ib。
7.根据权利要求1所述的方法,其特征在于:步骤3中,进行视频显著性检测:包括下述步骤:
1)输入视频第n帧,记为Fn(n=1,2,...,n),初始帧F1背景模型记为B1,第n帧背景模型记为Bn,第一帧图像的显著图静态显著性检测所得记为F′s1;
第2帧图像显著图F′s2由下式得到:
F′s2=|F2-B1| (6)
因此,第n帧图像其显著图:
F′sn=|Fn-Bn-1| (7)
第n帧背景模型Bn:
式中,H2D(Fsn)为第n帧显著图的2-D熵;
公式(8)中求第n帧显著图的2-D熵H2D(Fsn),如果其2-D熵小于所设定阈值T,则认为第n帧图像背景较前一帧变化不大,其背景能够用前一帧背景替代,无需重新建模;相反,如果其2-D熵大于等于所设阈值,则认为其背景较前一帧变化大,则需重新对背景模型进行更新,记更新后的背景模型为Bn-new做为第n帧背景,结合公式(7)获取每一帧的显著图组成显著视频Vs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369137.9A CN104952083B (zh) | 2015-06-26 | 2015-06-26 | 一种基于显著性目标背景建模的视频显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369137.9A CN104952083B (zh) | 2015-06-26 | 2015-06-26 | 一种基于显著性目标背景建模的视频显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952083A true CN104952083A (zh) | 2015-09-30 |
CN104952083B CN104952083B (zh) | 2018-01-23 |
Family
ID=54166711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510369137.9A Expired - Fee Related CN104952083B (zh) | 2015-06-26 | 2015-06-26 | 一种基于显著性目标背景建模的视频显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952083B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709472A (zh) * | 2017-01-17 | 2017-05-24 | 湖南优象科技有限公司 | 一种基于光流特征的视频目标检测与跟踪方法 |
CN107194870A (zh) * | 2017-05-24 | 2017-09-22 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN108257151A (zh) * | 2017-12-22 | 2018-07-06 | 西安电子科技大学 | 基于显著性分析的PCANet图像变化检测方法 |
CN108492279A (zh) * | 2018-02-11 | 2018-09-04 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆篷布开关状态检测方法和系统 |
CN108629225A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于多幅子图与图像显著性分析的车辆检测方法 |
CN108629806A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于图像对比度的图像显著性物体检测方法及系统 |
CN108629778A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 基于局部特征加权增强的图像显著性物体检测方法及系统 |
CN108664967A (zh) * | 2018-04-17 | 2018-10-16 | 上海交通大学 | 一种多媒体页面视觉显著性预测方法及系统 |
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和系统 |
CN112381076A (zh) * | 2021-01-18 | 2021-02-19 | 西南石油大学 | 一种视频显著性检测任务中图片预处理的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096931A (zh) * | 2011-03-04 | 2011-06-15 | 中南大学 | 基于分层背景建模的运动目标实时检测方法 |
CN103034865A (zh) * | 2012-12-13 | 2013-04-10 | 南京航空航天大学 | 一种基于多尺度相对熵的视觉显著区域提取方法 |
CN103258208A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 基于视觉的头势有无意图判别方法 |
US20140133746A1 (en) * | 2011-10-24 | 2014-05-15 | International Business Machines Corporation | Background understanding in video data |
-
2015
- 2015-06-26 CN CN201510369137.9A patent/CN104952083B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096931A (zh) * | 2011-03-04 | 2011-06-15 | 中南大学 | 基于分层背景建模的运动目标实时检测方法 |
US20140133746A1 (en) * | 2011-10-24 | 2014-05-15 | International Business Machines Corporation | Background understanding in video data |
CN103034865A (zh) * | 2012-12-13 | 2013-04-10 | 南京航空航天大学 | 一种基于多尺度相对熵的视觉显著区域提取方法 |
CN103258208A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 基于视觉的头势有无意图判别方法 |
Non-Patent Citations (1)
Title |
---|
薛丽霞等: "基于帧间差分的自适应运动目标检测方法", 《计算机应用与研究》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709472A (zh) * | 2017-01-17 | 2017-05-24 | 湖南优象科技有限公司 | 一种基于光流特征的视频目标检测与跟踪方法 |
CN108629225B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技(上海)股份有限公司 | 一种基于多幅子图与图像显著性分析的车辆检测方法 |
CN108629225A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于多幅子图与图像显著性分析的车辆检测方法 |
CN108629806A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于图像对比度的图像显著性物体检测方法及系统 |
CN108629778A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 基于局部特征加权增强的图像显著性物体检测方法及系统 |
CN108629778B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技(上海)股份有限公司 | 基于局部特征加权增强的图像显著性物体检测方法及系统 |
CN108629806B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技(上海)股份有限公司 | 一种基于图像对比度的图像显著性物体检测方法及系统 |
CN107194870B (zh) * | 2017-05-24 | 2020-07-28 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN107194870A (zh) * | 2017-05-24 | 2017-09-22 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN108257151A (zh) * | 2017-12-22 | 2018-07-06 | 西安电子科技大学 | 基于显著性分析的PCANet图像变化检测方法 |
CN108492279A (zh) * | 2018-02-11 | 2018-09-04 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆篷布开关状态检测方法和系统 |
CN108492279B (zh) * | 2018-02-11 | 2020-05-05 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆篷布开关状态检测方法和系统 |
CN108664967B (zh) * | 2018-04-17 | 2020-08-25 | 上海媒智科技有限公司 | 一种多媒体页面视觉显著性预测方法及系统 |
CN108664967A (zh) * | 2018-04-17 | 2018-10-16 | 上海交通大学 | 一种多媒体页面视觉显著性预测方法及系统 |
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和系统 |
CN112381076A (zh) * | 2021-01-18 | 2021-02-19 | 西南石油大学 | 一种视频显著性检测任务中图片预处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104952083B (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104952083A (zh) | 一种基于显著性目标背景建模的视频显著性检测算法 | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
Ma et al. | Feature split–merge–enhancement network for remote sensing object detection | |
Zhang et al. | Scale adaptive proposal network for object detection in remote sensing images | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN108388879B (zh) | 目标的检测方法、装置和存储介质 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
Wang et al. | Centernet-auto: A multi-object visual detection algorithm for autonomous driving scenes based on improved centernet | |
CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
CN112434618B (zh) | 基于稀疏前景先验的视频目标检测方法、存储介质及设备 | |
EP2864933A1 (en) | Method, apparatus and computer program product for human-face features extraction | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
US20210150182A1 (en) | Cloud detection from satellite imagery | |
RU2697649C1 (ru) | Способы и системы сегментации документа | |
Zhang et al. | Coarse-to-fine object detection in unmanned aerial vehicle imagery using lightweight convolutional neural network and deep motion saliency | |
Jing et al. | Occlusion-aware bi-directional guided network for light field salient object detection | |
Zhao et al. | Multiresolution airport detection via hierarchical reinforcement learning saliency model | |
Lei et al. | Boundary extraction constrained siamese network for remote sensing image change detection | |
Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
Luo et al. | A lightweight face detector by integrating the convolutional neural network with the image pyramid | |
Zong et al. | A cascaded refined rgb-d salient object detection network based on the attention mechanism | |
Choi et al. | Robust change detection using channel-wise co-attention-based Siamese network with contrastive loss function | |
Lin et al. | A traffic sign recognition method based on deep visual feature | |
CN106682669A (zh) | 一种图像处理方法及移动终端 | |
Zhang et al. | RoI fusion strategy with self-attention mechanism for object detection in remote sensing images |
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: 20180123 Termination date: 20190626 |