CN105138987B - 一种基于聚合通道特征和运动估计的车辆检测方法 - Google Patents

一种基于聚合通道特征和运动估计的车辆检测方法 Download PDF

Info

Publication number
CN105138987B
CN105138987B CN201510528942.1A CN201510528942A CN105138987B CN 105138987 B CN105138987 B CN 105138987B CN 201510528942 A CN201510528942 A CN 201510528942A CN 105138987 B CN105138987 B CN 105138987B
Authority
CN
China
Prior art keywords
detection
image
vehicle
feature
converging channels
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.)
Active
Application number
CN201510528942.1A
Other languages
English (en)
Other versions
CN105138987A (zh
Inventor
解梅
陈熊
于国辉
罗招材
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.)
Houpu Clean Energy Group Co ltd
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201510528942.1A priority Critical patent/CN105138987B/zh
Publication of CN105138987A publication Critical patent/CN105138987A/zh
Application granted granted Critical
Publication of CN105138987B publication Critical patent/CN105138987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于聚合通道特征和运动估计的车辆检测方法，将一种聚合通道特征运用于车辆检测，聚合通道特征根据梯度直方图的每个细胞单元来描述，具有很高的鲁棒性，而且检测精度相比积分通道特征有所提高。样本图像中不仅选取了车辆的正面和背面图像，同时也选取了侧面、遮挡、暗光下的多种正负样本图像来作训练样本，使检测子更具鲁棒性。在检测过程中根据运动估计来对车辆的位置进行粗定位，然后在局部感兴趣区域进行滑窗操作，不仅使得检测效果得到提升，检测速度也达到了实时性。

Description

一种基于聚合通道特征和运动估计的车辆检测方法
技术领域
本发明属于数字图像处理技术，特别涉及计算机视觉和模式识别技术。
技术背景
机器视觉的发展使得视频监控技术得到进一步提升，基于单摄像头的车辆检测与跟踪成为可能。当前常用的车辆检测方法分为如下两类：
I基于静态图像的车辆检测方法：
①Haar+adaBoost：Haar特征是各种不同大小的矩形框，通过矩形框的运算求得相应的特征，Haar特征可以通过积分图快速计算。这种方法最早运用于人脸检测(Viola P,Jones M.Rapid object detection using a boosted cascade of simple features[C].2001.)。
②HOG+SVM：HOG(Histograms of Oriented Gradients)即梯度直方图，是根据各个像素点的梯度方向组成细胞，并进行直方图归一化，再由多个细胞组成块进行归一化，最后求得特征。这种方法最早运用于行人检测(Dalal N,Triggs B.Histograms of orientedgradients for human detection[C].IEEE,2005.)。
③ICF+AdaBoost：ICF(Integral Channel Features)即积分通道特征，是在HOG特征的基础上，采用Haar特征的方式在梯度直方图上随机取其矩形框特征，并加入了L通道和梯度通道的积分通道特征(Dollár P,Perona P,Tu Z.Integral Channel Features[J].20135th International Conference on Intelligent Human-Machine Systems andCybernetics.2009,2:190-193.)。
④DPM+LSVM：DPM(Deformable Parts Model)即可变性部件模型，利用金字塔在不同分辨率上提取HOG特征(Felzenszwalb P F,Girshick R B,Mcallester D,et al.ObjectDetection with Discriminatively Trained Part-Based Models[J].Pattern Analysisand Machine Intelligence,IEEE Transactions on.2010,32(9):1627-1645.)。
II基于视频流的车辆检测方法：
①混合高斯背景建模：使用K(K为3到5)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。
②光流法：它指的是景物中可见像素点的三维速度矢量在成像表面投影形成的二维瞬时速度场。光流法检测运动目标，其基本思想是赋予图像中的每一个像素点一个速度矢量，从而形成了该图像的运动场。若图像中不存在运动目标，那么光流矢量在整个图像区域则是连续变化的，而当物体和图像背景中存在相对运动时，运动物体所形成的速度矢量则必然不同于邻域背景的速度矢量，从而将运动物体的位置检测出来。当车辆较多有并排汽车或车辆拥挤时无法将各车辆分出来。
③粒子滤波：粒子滤波(PF:Particle Filter)的思想基于蒙特卡洛方法(MonteCarlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。
发明内容
本发明所要解决的技术问题是，提供一种实时性高、精度高，基于静态图像的的车辆检测方法。
本发明为解决上述技术问题所采样的技术方案是，一种基于聚合通道特征和运动估计的车辆检测方法，包括以下步骤：
1)分类器训练
将采集的样本图像转化为LUV图像，得到LUV色彩空间的L、U、V三通道特征；所述样本图像包括多方向多状况下的图像，所述多方向包括车辆的正面、背面以及侧面；多状况包括正常光照下、暗光下以及有遮挡的情况；
再求LUV图像的梯度图得到梯度直方图HOG特征；
将L、U、V三通道特征与HOG各方向特征进行级联得到聚合通道特征；
将样本图像的聚合通道特征输入AdaBoost分类器进行训练；
2)车辆检测
2-1采用滑窗检测当前帧图像，提取滑窗内的图像的聚合通道特征输入训练好到AdaBoost分类器，得到检测结果，当检测到目标时，进入步骤2-2进行下一帧检测，否则返回步骤2-1进行下一帧检测；
2-2根据上一帧检测到目标的窗口位置通过光流法得到当前帧的检测范围，在检测范围内进行滑窗检测，得到当前帧的检测结果，若当前帧的检测范围内检测出目标，返回步骤2-2进行下一帧检测；若当前帧的检测范围内没有检测出目标，则表示目标离开视野或有新的目标进入视野，返回步骤2-1进行下一帧检测。
本发明将一种新的特征检测子(聚合通道特征)运用于车辆检测。不同于积分通道特征和haar-like特征的是，聚合通道特征并没有在各个通道上利用矩形框来描述特征，而是根据梯度直方图的每个细胞单元来描述。聚合通道特征具有很高的鲁棒性，而且检测精度相比积分通道特征ICF也有所提高。利用聚合通道特征对样本图像进行描述，本发明样本图像中不仅选取了车辆的正面和背面图像，同时也选取了侧面、遮挡、暗光下的多种正负样本图像来作AdaBoost的训练样本，使检测子更具鲁棒性。在检测过程中并不是单纯的运用滑窗操作，而是根据运动估计来对车辆的位置进行粗定位，然后在局部感兴趣区域进行滑窗操作，不仅使得检测效果得到提升，检测速度也达到了实时性。
本发明的有益效果是，能实时的、准确的定位车辆，具有很强的鲁棒性。
附图说明
图1为本发明流程图。
具体实施方式
为了方便地描述本发明内容，首先对一些术语进行说明。
CIE XYZ色彩空间。CIE XYZ色彩空间也叫做CIE1931色彩空间，是其中一个最先采用数学方式来定义的色彩空间，它由国际照明委员会(CIE)于1931年创立。人类眼睛有对于短(S)、中(M)和长(L)波长光的感受器(叫做视锥细胞)，所以原则上只要三个参数便能描述颜色感觉了。在三色加色法模型中，如果某一种颜色和另一种混合了不同份量的三种原色的颜色，均使人类看上去是相同的话，我们把这三种原色的份量称作该颜色的三色刺激值。
Luv通道特征。LUV色彩空间全称CIE 1976(L,u,v)(也作CIELUV)色彩空间，L表示物体亮度，u和v是色度。于1976年由国际照明委员会CIE提出，由CIE XYZ空间经简单变换得到，具视觉统一性。类似的色彩空间有CIELAB。对于一般的图像，u和v的取值范围为-100到+100，亮度为0到100。
梯度通道特征。梯度通道特征即为一副图像的梯度图，梯度可以有多种求法，例如Prewitt算子，Sobel算子。然而[-101]这种最简单的算子却有更好的表现。梯度用来对车辆图像的边缘进行描述。由于Luv通道与RGB通道之间只是线性变化，因此为了方便，可在求得Luv通道之后在Luv通道上求取图像的梯度图。
双线性插值。双线性插值，又称为双线性内插。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。通过对各个方向上的比例用此方向上的值进行逼近，最终得到插值结果。但双线性插值插值方法这种方法并不是线性的，首先进行y方向的插值，然后进行x方向的插值，与首先进行x方向的插值，然后进行y方向的插值，所得到的R1与R2是不一样的。
三线性插值。三线性插值是在三维离散采样数据的张量积网格上进行线性插值的方法。这个张量积网格可能在每一维度上都有任意不重叠的网格点，这种方法通过网格上数据点在局部的矩形棱柱上线性地近似计算点(x,y,z)的值。也即在三维空间中根据各个张量的方向不同进行的插值方法。
梯度直方图。梯度直方图即HOG，在求得梯度图和梯度方向图后，利用梯度方向图将每个4*4细胞的像素点的梯度根据最近邻或线性插值分配到6个方向上，然后在每一个方向块上依据是否采用三线性插值将所有梯度累加到6个梯度方向上，并在2*2的块上进行归一化，以此来得到6个梯度直方图。
AdaBoost。Adaboost是Boosting家族的代表算法之一，全称为AdaptiveBoosting。Adaboost是一种基于级联分类模型的分类器，级联分类器就是将多个强分类器连接在一起进行操作，每一个强分类器都由若干个弱分类器加权组成。该方法根据弱学习的结果反馈适应地调整假设的错误率，所以Adaboost不需要预先知道假设的错误率下限。
BootStrap。BootStrap是在训练每一个AdaBoost强分类器时，对负样本的不同选择方法。具体的有，从原始负样本中随机选取；从上一级分类器中选取一部分重新加入原始负样本等方法。
按照本方法进行车辆图像的检测，如图1所示，包含下列步骤：
训练过程
步骤1、色彩空间转换
摄像头采集的样本图像一般为RGB图像，RGB图像不利于颜色的聚类。为了能很好的描述车辆的灰度、色度信息，需要将RGB图像转化为LUV图像。具体做法为：
首先将RGB图像转化为CIE XYZ
然后将CIE XYZ转化为Luv
u＝13L(u'-un') (3)
v＝13L(v'-vn') (4)
其中，
Yn为其亮度，(un',vn')为色度坐标。
步骤2、梯度计算
梯度计算有很多种方法，比如Prewitt算子和Sobel算子和然而在这里采用最简单的算子[-1 0 1]和进行滤波获得的效果更好。
步骤3、采样及归一化
由于在计算梯度直方图时要将4*4的细胞分配到6个方向上，也即梯度直方图的长宽比为原样本图像的1/4，为了使得所有通道的长宽比保持一致，需将Luv通道图像和梯度图像进行下采样，此处采样并不影响检测结果。在采样过程中使用双线性插值法，以获得较好的效果。
为了抑制梯度计算中噪声的影响，需要对梯度图进行归一化操作。归一化操作有L1-norm，L2-norm和L1-sqrt。
L1-norm：v→v/(||v||1+ε) (5)
其中,ε为是一个很小的数，比如0.01，v为梯度，||·||1表示一范数，||·||2表示二范数。在本实施例中采用L2-norm。
步骤4、梯度直方图计算
经过步骤2得到的梯度图，对4*4的单元中的每一个像素点为梯度元素的方向在梯度方向直方图上进行投票，从而形成方向梯度直方图。直方图的方向在0-180度或0-360度之间均分，为了减少混叠现象，梯度投票在相邻两个方向上的中心之间需要进行方向和位置上的双线性插值。投票的权重根据梯度幅值进行计算，可以取幅值本身、幅值的平方或者幅值的平方根。实践表明，使用梯度本身作为投票权重效果最好。
由于局部光照的变化，以及前景背景对比度的变化，使得梯度强度的变化范围非常大，这就需要对梯度做局部对比度归一化。具体的做法是将细胞单元组成更大的空间块，然后针对每个块进行对比度归一化，归一化过程和步骤3一样，最终的描述子是检测窗口内所有块内的细胞单元的直方图构成的向量。事实上，块之间是有重叠的，也就是说，每个细胞单元的直方图都会被多次用于最终的描述子的计算。此方法看起来有冗余，但可以显著的提升性能。
步骤5、AdaBoost训练
AdaBoost算法是通过训练多个决策树来选取特征的。开始时，每个样本对应的权重是相同的，针对每个特征j训练一个分类器hj，分类器的错误率εj定义为
其中ωi为各样本的权重，xi为第i个样本，yi为xi对应的正负样本标号。选择使得分类器ht(表示第t个弱分类器)具有最小错误率εt的特征，根据选择的特征对分类正确的样本更新权重
其中最后进行对权重进行归一化
ωt,j表示归一化后的权重。
至此，一棵决策树训练完毕，再重复训练多个决策树，进行级联便可得到一个AdaBoost分类器。在训练每一个AdaBoost分类器时，负样本可通过BootStrap由上一个分类器中被错误分类的样本或在所有负样本中采样得到。
检测过程
对于视频流的第一帧或者目标变化后的第一帧，采用滑窗检测当前帧图像，提取滑窗内的图像的聚合通道特征输入训练好到AdaBoost分类器，对于不是目标的窗口将很快的被排除掉，第一帧的检测速度得到保证，当检测到目标时，进入下一步骤进行下一帧检测，否则返回本步骤进行下一帧检测；滑窗每个窗口的移动步长为4像素，每个窗口的大小为样本的大小80*80像素
对于检测出目标之后的每一帧上，在上一帧的检测到的目标窗口位置周围划定一个稍大的窗口作为当前的检测范围，此窗口的选定是通过光流法得到的。即根据上一帧检测到目标的窗口位置通过光流法得到当前帧的检测范围，在检测范围内进行滑窗检测，得到当前帧的检测结果，若当前帧的检测范围内检测出目标，检测范围内目标划定成功，则由于检测范围内只是图像本身的一部分，检测速度将大大提高，返回本步骤进行下一帧检测；若当前帧的检测范围内没有检测出目标，则表示目标离开视野或有新的目标进入视野，便要重新在原图上进行滑窗检测，即返回上一步骤进行下一帧检测。
实施例方法在C++平台上实现算法，与现有车辆检测方法比较，基于聚合通道特征的车辆检测算法不仅利用了多个通道的全局信息，而且在每个通道上也充分利用了车辆的局部信息，提高了车辆检测精度；利用运动估计使得检测区域得到缩小，因此检测速度得到提升。

Claims (3)

1.一种基于聚合通道特征和运动估计的车辆检测方法，其特征在于，包括以下步骤：
1)分类器训练
1-1将采集的样本图像转化为LUV图像，得到LUV色彩空间的L、U、V三通道特征；所述样本图像包括多方向多状况下的图像，所述多方向包括车辆的正面、背面以及侧面；多状况包括正常光照下、暗光下以及有遮挡的情况；
1-2求LUV图像的梯度图得到梯度直方图HOG特征；
1-3将L、U、V三通道特征与HOG各方向特征进行级联得到聚合通道特征；
1-4将样本图像的聚合通道特征输入AdaBoost分类器进行训练；
2)车辆检测
2-1采用滑窗检测当前帧图像，提取滑窗内的图像的聚合通道特征输入训练好到AdaBoost分类器，得到检测结果，当检测到目标时，进入步骤2-2进行下一帧检测，否则返回步骤2-1进行下一帧检测；
2-2根据上一帧检测到目标的窗口位置通过光流法得到当前帧的检测范围，在检测范围内进行滑窗检测，得到当前帧的检测结果，若当前帧的检测范围内检测出目标，返回步骤2-2进行下一帧检测；若当前帧的检测范围内没有检测出目标，则表示目标离开视野或有新的目标进入视野，返回步骤2-1进行下一帧检测。
2.如权利要求1所述方法，其特征在于，步骤1-2中计算梯度图的算子为[-1 0 1]和
3.如权利要求1所述方法，其特征在于，对步骤1-2中梯度图与梯度直方图均进行对比度归一化处理。
CN201510528942.1A 2015-08-26 2015-08-26 一种基于聚合通道特征和运动估计的车辆检测方法 Active CN105138987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510528942.1A CN105138987B (zh) 2015-08-26 2015-08-26 一种基于聚合通道特征和运动估计的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510528942.1A CN105138987B (zh) 2015-08-26 2015-08-26 一种基于聚合通道特征和运动估计的车辆检测方法

Publications (2)

Publication Number Publication Date
CN105138987A CN105138987A (zh) 2015-12-09
CN105138987B true CN105138987B (zh) 2018-05-18

Family

ID=54724331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510528942.1A Active CN105138987B (zh) 2015-08-26 2015-08-26 一种基于聚合通道特征和运动估计的车辆检测方法

Country Status (1)

Country Link
CN (1) CN105138987B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787470A (zh) * 2016-03-25 2016-07-20 黑龙江省电力科学研究院 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法
CN106228106B (zh) * 2016-06-27 2019-05-10 开易（北京）科技有限公司 一种改进的实时车辆检测过滤方法及系统
CN106485226A (zh) * 2016-10-14 2017-03-08 杭州派尼澳电子科技有限公司 一种基于神经网络的视频行人检测方法
CN106682600A (zh) * 2016-12-15 2017-05-17 深圳市华尊科技股份有限公司 一种目标检测方法及终端
CN106845520B (zh) * 2016-12-23 2018-05-18 深圳云天励飞技术有限公司 一种图像处理方法及终端
CN107491762B (zh) * 2017-08-23 2018-05-15 珠海安联锐视科技股份有限公司 一种行人检测方法
CN107609555B (zh) * 2017-09-15 2020-10-27 北京文安智能技术股份有限公司 车牌检测方法、应用其的车型识别方法及相关装置
CN108492292B (zh) * 2018-03-20 2022-03-25 西安工程大学 基于红外图像处理的导线散股检测方法
CN113743488B (zh) * 2021-08-24 2023-09-19 江门职业技术学院 基于平行车联网的车辆监控方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964063A (zh) * 2010-09-14 2011-02-02 南京信息工程大学 一种改进的AdaBoost分类器构造方法
KR20130015976A (ko) * 2011-08-05 2013-02-14 엘지전자 주식회사 차량을 검출하기 위한 방법 및 장치
CN103034843A (zh) * 2012-12-07 2013-04-10 电子科技大学 一种基于单目视觉的夜间车辆检测方法
CN103246896A (zh) * 2013-05-24 2013-08-14 成都方米科技有限公司 一种鲁棒性车辆实时检测与跟踪方法
CN103455820A (zh) * 2013-07-09 2013-12-18 河海大学 基于机器视觉技术的车辆检测和跟踪方法及系统
CN103514460A (zh) * 2013-07-30 2014-01-15 深圳市智美达科技有限公司 视频监控多视角车辆检测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964063A (zh) * 2010-09-14 2011-02-02 南京信息工程大学 一种改进的AdaBoost分类器构造方法
KR20130015976A (ko) * 2011-08-05 2013-02-14 엘지전자 주식회사 차량을 검출하기 위한 방법 및 장치
CN103034843A (zh) * 2012-12-07 2013-04-10 电子科技大学 一种基于单目视觉的夜间车辆检测方法
CN103246896A (zh) * 2013-05-24 2013-08-14 成都方米科技有限公司 一种鲁棒性车辆实时检测与跟踪方法
CN103455820A (zh) * 2013-07-09 2013-12-18 河海大学 基于机器视觉技术的车辆检测和跟踪方法及系统
CN103514460A (zh) * 2013-07-30 2014-01-15 深圳市智美达科技有限公司 视频监控多视角车辆检测方法和装置

Also Published As

Publication number Publication date
CN105138987A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
CN105138987B (zh) 一种基于聚合通道特征和运动估计的车辆检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
Santra et al. Learning a patch quality comparator for single image dehazing
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子系统
CN110210474A (zh) 目标检测方法及装置、设备及存储介质
CN104408742B (zh) 一种基于空间‑时间频谱联合分析的运动目标检测方法
CN105184779A (zh) 一种基于快速特征金字塔的车辆多尺度跟踪方法
Mahmood et al. Towards a fully automated car parking system
CN103177446A (zh) 基于邻域和非邻域平滑先验的图像前景精准提取方法
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
CN110298281B (zh) 视频结构化方法、装置、电子设备及存储介质
CN104781848A (zh) 用于估计单体的倾斜度的图像监测装置及其方法
US9196053B1 (en) Motion-seeded object based attention for dynamic visual imagery
Momin et al. Vehicle detection and attribute based search of vehicles in video surveillance system
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
Sakpal et al. Adaptive background subtraction in images
JP2019016114A (ja) 画像処理装置、学習装置、フォーカス制御装置、露出制御装置、画像処理方法、学習方法、及びプログラム
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN104851089A (zh) 一种基于三维光场的静态场景前景分割方法和装置
CN104008404B (zh) 一种基于显著直方图特征的行人检测方法及系统
CN106909883A (zh) 一种基于ros的模块化手部区域检测方法和装置
Murugan et al. Automatic moving vehicle detection and classification based on artificial neural fuzzy inference system
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
Zhao et al. Image dehazing based on haze degree classification

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210514

Address after: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee after: Houpu clean energy Co.,Ltd.

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee after: Houpu clean energy (Group) Co.,Ltd.

Address before: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee before: Houpu clean energy Co.,Ltd.