CN104981844A - 移动物体检测 - Google Patents

移动物体检测 Download PDF

Info

Publication number
CN104981844A
CN104981844A CN201380072736.3A CN201380072736A CN104981844A CN 104981844 A CN104981844 A CN 104981844A CN 201380072736 A CN201380072736 A CN 201380072736A CN 104981844 A CN104981844 A CN 104981844A
Authority
CN
China
Prior art keywords
image
light stream
intensive light
time point
monocular camera
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
Application number
CN201380072736.3A
Other languages
English (en)
Inventor
郑文明
韩旭
阮宗才
张燕昆
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.)
Harman International Industries Ltd
Crown Audio Inc
Original Assignee
Crown Audio Inc
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 Crown Audio Inc filed Critical Crown Audio Inc
Publication of CN104981844A publication Critical patent/CN104981844A/zh
Pending legal-status Critical Current

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
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于移动物体检测的方法。所述方法包括：在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由所述单目相机捕捉的第二图像(S101)；基于所述第一图像和所述第二图像计算密集光流(S105)；以及基于所述计算获得的密集光流识别移动物体(S107和S109)。因为所述移动物体检测方法是基于密集光流和所述单目相机，所以可以兼顾高检测准确性和低成本。

Description

移动物体检测
技术领域
本公开内容大体涉及移动物体检测。
发明背景
有很多方法已经在驾驶辅助系统中被用于移动物体检测。一些解决方案基于稀疏光流，其可实现较快速度，但具有低可靠性。原因是特征点之间的错配会经常发生。一些解决方案基于密集光流以改善稳健性。但是，昂贵的立体相机(stereo camera)对于获得密集光流是必需的。因此，期望一种稳健但经济的方法来用于移动物体检测。
发明概要
根据本公开内容的一个实施方案，提供一种用于移动物体检测的方法。所述方法可以包括：在第一时间点获得由单目相机(monocularcamera)捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像；基于第一图像和第二图像计算密集光流；和基于计算获得的密集光流识别移动物体。因为移动物体检测方法是基于密集光流和单目相机，所以可以兼顾高检测准确性和低成本。
在一些实施方案中，可以基于第一图像中的像素的亮度值应等于第二图像中的对应像素的亮度值的假设来计算密集光流。
在一些实施方案中，可以基于TV-L1方法计算密集光流。
在一些实施方案中，可以在计算密集光流之前预处理第一图像和第二图像。在一些实施方案中，可以移除第一图像和第二图像的上部分，且可以基于第一图像和第二图像的剩余下部分计算所述密集光流。在一些实施方案中，基于ROF(Rundin、Osher、Fatime)模型的结构-纹理分解(structure-texture decomposition)可以用于预处理第一图像和第二图像。在一些实施方案中，可以应用金字塔限制(pyramid restriction)。结果，可以增加效率以及对抗照明改变的稳健性。
在一些实施方案中，基于计算获得的密集光流识别移动物体可以包括：通过利用至少一个图像特征将计算获得的密集光流的矢量信息进行编码来获得第三图像；以及，识别第三图像中与附近的其它块体(block)相比具有至少一个图像特征的突然改变的目标块体。静态物体具有的光流会进行规则的改变，但是移动物体具有的光流与移动物体附近的光流相比会具有突然的改变。因此，表示移动物体的目标块体与附近的其它块体相比可以具有至少一个图像特征的突然改变。使用现有的图像分割算法，可以方便地识别目标块体。
在一些实施方案中，计算获得的密集光流可以具有利用色调编码的方向和利用色彩饱和度编码的长度。在一些实施方案中，可以使用图像切割(image-cut)来分割目标块体。
根据本公开内容的一个实施方案，提供一种用于移动物体检测的系统。系统可以包括处理装置，其被配置来：在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像；基于第一图像和第二图像计算密集光流；和基于计算获得的密集光流识别移动物体。
在一些实施方案中，处理装置可以被配置来基于第一图像中的像素的亮度值应等于第二图像中的对应像素的亮度值的假设来计算密集光流。
在一些实施方案中，处理装置可以被配置来在获得密集光流之前预处理第一图像和第二图像。在一些实施方案中，可以移除第一图像和第二图像的上部分，且可以基于第一图像和第二图像的剩余下部分计算密集光流。在一些实施方案中，基于ROF(Rundin、Osher、Fatime)模型的结构-纹理分解可以用于预处理第一图像和第二图像。在一些实施方案中，可以应用金字塔限制。结果，可以增加效率和对抗照明改变的稳健性。
在一些实施方案中，处理装置可以被配置来通过以下方式识别移动物体：通过利用至少一个图像特征将计算获得的密集光流的矢量信息进行编码来获得第三图像；以及，识别第三图像中与附近的其它块体相比具有至少一个图像特征的突然改变的目标块体。
在一些实施方案中，处理装置可以被配置来分别利用色调和色彩饱和度将计算获得的密集光流的方向和长度进行编码。在一些实施方案中，处理装置可以被配置来使用图像切割来分割目标块体。
根据本公开内容的一个实施方案，提供一种用于移动物体检测的系统。系统可以包括：用于在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像的构件；用于基于第一图像和第二图像计算密集光流的构件；和用于基于计算获得的密集光流识别移动物体的构件。
根据本公开内容的一个实施方案，提供一种包含用于移动物体检测的计算机程序的非暂时性计算机可读介质。当所述计算机程序由处理器执行时，其将指示处理器：在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像；基于第一图像和第二图像计算密集光流；和基于计算获得的密集光流识别移动物体。
附图简述
本公开内容的前述和其它特征将从连同附图一起的以下描述和随附权利要求书更完全地了解。应理解，这些图只描绘根据本公开内容的若干实施方案，且因此，不应被认为是对其范围的限制，通过使用附图以额外特性和细节描述本公开内容。
图1示意性图示根据本公开内容的一个实施方案的用于移动物体检测的方法100；
图2图示在第一时间点由单目相机捕捉的第一图像；
图3图示在第二时间点由单目相机捕捉的第二图像；
图4图示基于图2和图3中所示的第一图像和第二图像计算的密集光流的图；以及
图5示意性图示从图4中所示的密集光流图转换的色彩图。
具体实施方式
在以下详细描述中，参考形成其部分的附图。在图中，除非上下文另有规定，否则类似符号通常表示类似组件。具体实施方式、附图和权利要求书中描述的说明性实施方案并非意在限制。可以在不脱离于这里呈现的主旨的精神或范围下利用其它实施方案且进行其它改变。将易于理解的是，如本文一般描述且在附图中图示的本公开内容的方面可以各种各样的不同配置布置、替代、组合和设计，所有以上方面被明确预期且组成本公开内容的部分。
图1示意性图示根据本公开内容的一个实施方案的用于移动物体检测的方法100。
参考图1，在S101中，在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像。
在一些实施方案中，两个图像可以从由相机捕捉的帧序列中获得。在一些实施方案中，两个图像可以是帧序列中的两个相邻帧。在一些实施方案中，两个图像可以在预定时间间隔内(例如，每1/30秒)获得。
图2和图3图示分别在第一时间点和第二时间点由单目相机捕捉的第一图像和第二图像。单目相机可以安装于行驶车辆、移动检测器等上。如图2和图3中所示，包括树、建筑物和道路的静态物体可在两个图像之间具有略微位置改变，但是移动物体(例如，移动的球)可具有更明显的位置改变。
可以理解，静态物体的略微位置改变可遵循一些规则，这些规则与相机的运动有关，但是移动物体的位置改变并非如此。
在S103中，预处理第一图像和第二图像。
在一些实施方案中，可以应用基于ROF(Rundin、Osher、Fatime)模型的结构-纹理分解以预处理第一图像和第二图像来减少照明改变、遮阴反射、阴影等的影响。因此，该方法可对于照明改变更具稳健性。
在一些实施方案中，可以切除第一图像和第二图像的上部分，且可对其剩余下部分执行以下处理。因为出现于车辆上方的移动物体通常对于驾驶而言无意义，所以移除上部分可以改善效率。
在一些实施方案中，可以应用金字塔限制。金字塔限制，还可称作金字塔表示(pyramid representing)或图像金字塔(image pyramid)，可以减少原始图像对(即，第一图像和第二图像)的分辨率。结果，可以获得具有多个尺度的多个图像对。其后，多个图像对可以受到相同于原始对的过程且可以近似地拟合多个处理结果，使得可以进一步改善稳健性。
应注意，可以存在适合于预处理第一图像和第二图像的其它方法，其可基于特定情境进行选择。S103可执行也可不执行。
在S105中，基于第一图像和第二图像计算密集光流。
点可以在第一图像与第二图像之间具有位置改变，从而产生光流。因为采用单目相机捕捉第一图像和第二图像，所以使用校准的方式计算密集光流的现有方法不再适用。因此，在本公开内容的一些实施方案中，可以基于第一图像中的像素的亮度值应等于第二图像中的对应像素的亮度值的假设来计算密集光流。
在一些实施方案中，可以基于TV-L1方法计算密集光流。TV-L1方法基于全变差(total variation，TV)正则和数据保真项中的稳健L1范数来建立公式(appealing formulation)。
明确来说，可以通过求解方程式(1)计算密集光流以得到最小化E：
E = ∫ Ω { λ | I 0 ( x ) - I 1 ( x + u ( x ) ) | + | ▿ u ( x ) | } d x   方程式(1)，
其中E代表能量函数，I0(x)代表像素的亮度值，该像素表示在第一图像中具有坐标x的点，I1(x+u(x))代表该点在第二图像中坐标为x+u(x)的对应像素的亮度值，u(x)代表从第一图像至第二图像的该点的光流，是u(x)的偏微分且λ是加权系数。
所述能量函数分为两项。第一项(数据项)还称作光流约束项，其假设I0(x)的和等于I1(x+u(x))的和，并用数学表达式来体现该假设。第二项(正则项)惩罚的高变差以获得平滑的位移场。
线性化和双迭代可以被调适用来求解方程式(1)。方程式(1)的详细计算的参考可以在由C.Zach、T.Pock和H.Bischof所写，收录于由Springer出版的“Pattern Recognization and Image Analysis,Third Iberian Conference”中的“A Duality Based Approach for RealtimeTV-L1 Optical Flow”中找到。
在一些实施方案中，中值滤波可以用于移除密集光流的异常值。
图4图示基于图2和图3中所示的第一图像和第二图像计算的密集光流的图。可以观察到，静态物体可具有规则地改变的光流，但是移动物体可具有与自身附近的光流相比突然改变的光流。因此，可以通过识别具有突然改变的光流来识别移动物体。
在下文，将阐述用于基于计算获得的密集光流识别移动物体的一些例示性实施方案。
在S107中，通过利用至少一个图像特征将计算的密集光流的矢量信息编码来获得第三图像。
所述至少一个图像特征可以包括色彩、灰阶等等。在一些实施方案中，可以使用色彩进行编码以获得第三图像。计算获得的密集光流可以的方向可以利用色调编码，长度可以利用色彩饱和度编码，因此第三图像可以是色彩图。
图5示意性图示从图4中所示的密集光流图转换的色彩图，其使用Middlebury流基准(Middlebury flow benchmark)获得。
参考图4和图5，当光流方向从左上方改变为左下方，接着改变为右下方且最后改变为右上方时，色彩图中反射的色调可以从蓝色改变为绿色，接着改变为红色且最后改变为紫色。而且，光流越长，色彩饱和度可能越高。结果，在图5中，即使表示移动的球的块体出现于左下角，其色调也是红色，因为其光流是向右的。进一步来说，因为表示静态物体的块体只具有略微位置改变，所以其为浅色，但是表示移动的球的块体为深色。
总之，表示移动物体的块体与附近的其它块体相比可以具有至少一个图像特征的突然改变。因此，可以通过使用图像分割算法识别具有显著图像特征的块体来识别移动物体。
在S109中，分割第三图像中与附近的其它块体相比具有至少一个图像特征的突然改变的目标块体。
图像分割算法在本领域中众所周知，且不在这里详细描述。在一些实施方案中，可以基于色彩或灰阶分割块体的图像切割可以用于分割表示移动物体的目标块体。
根据本公开内容的一个实施方案，提供一种用于移动物体检测的系统。系统可以包括处理装置，其被配置来：在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像；基于第一图像和第二图像计算密集光流；和基于计算获得的密集光流识别移动物体。在一些实施方案中，处理装置可以被配置来在计算密集光流之前预处理第一图像和第二图像。获得第一图像和第二图像，预处理第一图像和第二图像，计算密集光流和识别移动物体的详细信息可以参考以上描述获得且不在这里详细说明。
根据本公开内容的一个实施方案，提供一种用于移动物体检测的系统。系统可以包括：用于在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像的构件；用于基于第一图像和第二图像计算密集光流的构件；以及，用于基于计算获得的密集光流识别移动物体的构件。
根据本公开内容的一个实施方案，提供一种包含用于移动物体检测的计算机程序的非暂时性计算机可读介质。当计算机程序由处理器执行时，其将指示处理器：在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由单目相机捕捉的第二图像；基于第一图像和第二图像计算密集光流；以及，基于计算获得的密集光流识别移动物体。
在系统方面的硬件与软件实施之间几乎没有区别；硬件或软件的使用一般是表示成本对效率权衡的设计选择。例如，如果实施者确定速度和准确性最重要，那么实施者可以选择主要硬件和/或固件的车辆；如果灵活性最重要，那么实施者可以选择主要软件的实施；或再一次替代地，实施者可以选择硬件、软件和/或固件的一些组合
虽然本文已公开多个方面和实施方案，但是其它方面和实施方案对于所属领域的技术人员而言显而易见。本文公开的多个方面和实施方案是为了说明的目的且并非旨在进行限制，其真正的范围和精神由所附权利要求书指示。

Claims (11)

1.一种用于移动物体检测的方法，其包括：
在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由所述单目相机捕捉的第二图像；
基于所述第一图像和所述第二图像计算密集光流；和
基于所述计算获得的密集光流识别移动物体。
2.根据权利要求1所述的方法，其中基于所述第一图像中的像素的亮度值等于所述第二图像中的对应像素的亮度值的假设来计算所述密集光流。
3.根据权利要求1所述的方法，其中基于TV-L1方法计算所述密集光流。
4.根据权利要求1所述的方法，其中基于所述计算获得的密集光流识别所述移动物体包括：
通过利用至少一个图像特征将所述计算获得的密集光流的矢量信息进行编码来获得第三图像；和
识别所述第三图像中与附近的其它块体相比具有所述至少一个图像特征的突然改变的目标块体。
5.根据权利要求4所述的方法，其中使用Middlebury流基准的色彩编码获得所述第三图像且使用图像切割来分割所述目标块体。
6.一种用于移动物体检测的系统，其包括处理装置，所述处理装置被配置来：
在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由所述单目相机捕捉的第二图像；
基于所述第一图像和所述第二图像计算密集光流；和
基于所述计算获得的密集光流识别移动物体。
7.根据权利要求6所述的系统，其中所述处理装置被配置来基于所述第一图像中的像素的亮度值等于所述第二图像中的对应像素的亮度值的假设来计算所述密集光流。
8.根据权利要求6所述的系统，其中所述处理装置被配置来基于TV-L1方法计算所密集光流。
9.根据权利要求6所述的系统，其中所述处理装置被配置来以此基于所述计算获得的密集光流识别所述移动物体：
通过利用至少一个图像特征将所述计算的密集光流的矢量信息编码来获得第三图像；和
识别所述第三图像中与附近的其它块体相比具有所述至少一个图像特征的突然改变的目标块体。
10.根据权利要求9所述的系统，其中所述处理装置被配置来使用Middlebury流基准的色彩编码获得所述第三图像且使用图像切割来分割所述目标块体。
11.一种用于移动物体检测的系统，其包括
用于在第一时间点获得由单目相机捕捉的第一图像且在第二时间点获得由所述单目相机捕捉的第二图像的构件；
用于基于所述第一图像和所述第二图像计算密集光流的构件；和
用于基于所述计算获得的密集光流识别移动物体的构件。
CN201380072736.3A 2013-04-25 2013-04-25 移动物体检测 Pending CN104981844A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2013/074714 WO2014172875A1 (en) 2013-04-25 2013-04-25 Moving object detection

Publications (1)

Publication Number Publication Date
CN104981844A true CN104981844A (zh) 2015-10-14

Family

ID=51791004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380072736.3A Pending CN104981844A (zh) 2013-04-25 2013-04-25 移动物体检测

Country Status (4)

Country Link
US (1) US20160035107A1 (zh)
EP (1) EP2989611A4 (zh)
CN (1) CN104981844A (zh)
WO (1) WO2014172875A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614843A (zh) * 2017-09-19 2019-04-12 福特全球技术公司 色彩学习

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9928708B2 (en) 2014-12-12 2018-03-27 Hawxeye, Inc. Real-time video analysis for security surveillance
JP6528515B2 (ja) * 2015-04-02 2019-06-12 アイシン精機株式会社 周辺監視装置
GB2566524B (en) 2017-09-18 2021-12-15 Jaguar Land Rover Ltd Image processing method and apparatus
CN110569698B (zh) * 2018-08-31 2023-05-12 创新先进技术有限公司 一种图像目标检测及语义分割方法和装置
CN110135422B (zh) * 2019-05-20 2022-12-13 腾讯科技（深圳）有限公司 一种密集目标的检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090158309A1 (en) * 2007-12-12 2009-06-18 Hankyu Moon Method and system for media audience measurement and spatial extrapolation based on site, display, crowd, and viewership characterization
CN101569543A (zh) * 2008-04-29 2009-11-04 香港理工大学 弹性成像的二维位移估计方法
CN102685370A (zh) * 2012-05-10 2012-09-19 中国科学技术大学 一种视频序列的去噪方法及装置
CN102902981A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 基于慢特征分析的暴力视频检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4367475B2 (ja) * 2006-10-06 2009-11-18 アイシン精機株式会社 移動物体認識装置、移動物体認識方法及びコンピュータプログラム
TWI355615B (en) * 2007-05-11 2012-01-01 Ind Tech Res Inst Moving object detection apparatus and method by us
US20110019873A1 (en) * 2008-02-04 2011-01-27 Konica Minolta Holdings, Inc. Periphery monitoring device and periphery monitoring method
US8564657B2 (en) * 2009-05-29 2013-10-22 Honda Research Institute Europe Gmbh Object motion detection system based on combining 3D warping techniques and a proper object motion detection
JP5483535B2 (ja) * 2009-08-04 2014-05-07 アイシン精機株式会社 車両周辺認知支援装置
JP5365408B2 (ja) * 2009-08-19 2013-12-11 アイシン精機株式会社 移動体認識装置、移動体認識方法及びプログラム
US8553943B2 (en) * 2011-06-14 2013-10-08 Qualcomm Incorporated Content-adaptive systems, methods and apparatus for determining optical flow
JP5556748B2 (ja) * 2011-06-21 2014-07-23 株式会社デンソー 車両状態検出装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090158309A1 (en) * 2007-12-12 2009-06-18 Hankyu Moon Method and system for media audience measurement and spatial extrapolation based on site, display, crowd, and viewership characterization
CN101569543A (zh) * 2008-04-29 2009-11-04 香港理工大学 弹性成像的二维位移估计方法
CN102685370A (zh) * 2012-05-10 2012-09-19 中国科学技术大学 一种视频序列的去噪方法及装置
CN102902981A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 基于慢特征分析的暴力视频检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANDREAS WEDEL ET AL.: "An Improved Algorithm for TV-L1 Optical Flow", 《VISUAL MOTION ANALYSIS》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614843A (zh) * 2017-09-19 2019-04-12 福特全球技术公司 色彩学习

Also Published As

Publication number Publication date
EP2989611A4 (en) 2016-12-07
US20160035107A1 (en) 2016-02-04
EP2989611A1 (en) 2016-03-02
WO2014172875A1 (en) 2014-10-30

Similar Documents

Publication Publication Date Title
US11488308B2 (en) Three-dimensional object detection method and system based on weighted channel features of a point cloud
CN104981844A (zh) 移动物体检测
TWI520078B (zh) Optical flow tracking method and device
US10430951B2 (en) Method and device for straight line detection and image processing
RU2621480C1 (ru) Устройство оценки положения движущегося тела и способ оценки положения движущегося тела
JP2008046903A (ja) 対象個数検出装置および対象個数検出方法
US11030478B1 (en) System and method for correspondence map determination
US8867845B2 (en) Path recognition device, vehicle, path recognition method, and path recognition program
CN103903280B (zh) 一种改进水平集目标提取的子块权重Mean-Shift跟踪方法
JP2005128619A (ja) 物体計測装置、物体計測方法、およびプログラム
CN102063725B (zh) 一种基于深度信息的多目标跟踪方法
JP2005037378A (ja) 奥行計測方法と奥行計測装置
JP4872836B2 (ja) 情報処理システム
CN105809673A (zh) 基于surf算法和合并最大相似区域的视频前景分割方法
CN103743750A (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN112950594B (zh) 产品表面缺陷的检测方法、设备及存储介质
KR100691855B1 (ko) 영상정보의 특징 추출장치 및 그 방법
CN109492454B (zh) 对象识别方法及装置
Wang et al. SDSNet: Building extraction in high-resolution remote sensing images using a deep convolutional network with cross-layer feature information interaction filtering
CN105975975A (zh) 一种环境线特征提取方法
JP4994955B2 (ja) 移動体識別装置、移動体識別プログラム
EP3933341B1 (en) Computation device and parallax calculation method
JP4918615B2 (ja) 対象個数検出装置および対象個数検出方法
JP6127958B2 (ja) 情報処理装置、情報処理方法、並びにプログラム
KR101121777B1 (ko) 차선 감지 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151014