CN105260715B - 面向偏僻地段的小动物目标检测方法 - Google Patents
面向偏僻地段的小动物目标检测方法 Download PDFInfo
- Publication number
- CN105260715B CN105260715B CN201510665714.9A CN201510665714A CN105260715B CN 105260715 B CN105260715 B CN 105260715B CN 201510665714 A CN201510665714 A CN 201510665714A CN 105260715 B CN105260715 B CN 105260715B
- Authority
- CN
- China
- Prior art keywords
- target
- small animal
- image
- background
- value
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 241001465754 Metazoa Species 0.000 claims description 59
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 3
- 241000938605 Crocodylia Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
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)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向偏僻地段的小动物目标检测方法。是基于多背景差和多特征融合的小动物目标检测方法，首先采用多背景差法检测视频中的小运动目标，降低偏僻地段草木运动对目标检测的影响；然后提取目标区域的Hu不变矩特征，初步筛选出疑似小动物目标；最后提取疑似小动物目标区域空间灰度的Haar‑like特征，依据Adaboost方法进行训练和分类，检测小动物目标。本发明采用多背景差法提高运动检测的环境适应能力，融合目标区域特征和空间灰度特征降低小动物目标检测虚警率，可广泛应用于智能监控系统。
Description
技术领域
本发明涉及一种面向偏僻地段的小动物目标检测方法, 属于目标检测技术领域。
背景技术
随着电子技术的迅猛发展，基于视频的监控技术越来越普及，成为安全监控的主流。然而，目前视频监控需要人工辅助监视，智能化水平较低，耗费人力资源多，且易受人的主观因素影响，经常会遗漏许多可疑目标，导致重大损失。为提高视频监控的安全等级和降低人的劳动强度，越来越多的智能化方法被应用于视频监控领域。专利“周界智能防范系统（201420490640，2014）”采用雷达和红外传感器辅助视频监控，雷达传感器可以检测运动目标，红外传感器可以检测具有特定温度范围的目标，这两种传感器的检测信号采用“与”的方式进行融合，可以有效检测运动人体目标，并减少风吹草动等许多非人体运动引起的虚警现象。专利“一种面向周界防护的可疑目标监测方法（201110318587.7，2013）”采用区域HOG特征和SVM方法实现人体与车辆目标的智能检测，可以有效降低可疑人体与车辆目标对监视场所的威胁。文献“Rapid object detection using a boosted cascade of simplefeatures（CVPR，2001）”、“Histograms of oriented gradients for human detection（CVPR，2005）”等提出了基于图像灰度信息检测人体目标的方法，可以区分图像中的人体和背景。然而在偏僻地段，人体和车辆目标很少，视频监控需要关注的往往是一些小动物目标。尽管采用雷达与红外传感器也可以检测小动物目标，但虚警率较高。目前还未见有采用视频分析手段智能检测小动物目标的方法。
发明内容
为解决上述问题，本发明特提出一种面向偏僻地段的小动物目标检测方法，是一种基于多背景差和多特征融合的小动物目标检测方法，首先采用基于多背景差法的小运动目标检测方法，检测复杂环境下的运动目标；然后采用基于多特征融合的小动物目标分类方法，确认运动目标是否为小动物；最后将检测结果上传给视频监控系统，为监控系统的安全预警提供依据。
为实现上述的发明目的，本发明采用下述的技术方案，流程图如图1所示：
1基于多背景差法的小运动目标快速检测方法
对于监控场景，需要防范的目标首先是运动的。因此，需要先提取运动目标，再辨别目标属性。常用的运动检测方法有背景差法、帧差法和光流法。其中光流法速度太慢，难以满足监控系统的实时性要求，在实用系统中很少考虑；帧差法检测的运动目标常存在孔洞或断裂现象，对辨别目标属性非常不利。故本发明采用背景差法检测运动目标。然而，背景差法受环境变化影响较大。在偏僻地段，一般草木茂盛，当有风时场景中运动非常复杂，导致真实运动目标与草木的运动很难区分，尤其是小运动目标很难提取。为提高算法对环境的适应能力，本发明提出一种多背景差法，采用随机运算对背景进行更新，通过融合多背景差分结果过滤环境干扰，实现复杂环境下的小运动目标检测。具体步骤为：
Step1 背景初始化
对于初始帧图像，随机生成幅背景图像，记为，：
其中，表示第幅背景图像像素点处的灰度。为随机偏移量，表示为
其中，函数rand为随机数，为变量，表示取值范围为变量a和b构成的闭区间上的随机数，为一整数。
本发明中，取=20。
Step2 距离计算
对当前帧图像，计算像素点与背景图像序列的距离：
Step3 像素点属性判断
当像素点与背景图像序列的个距离中如果存在个小于阈值，那么判定像素点为背景，记为0，否则为目标，记为1。
其中，BW（x，y）为二值图像BW在（x，y）处的取值；
表示满足条件的数量。本发明中，取=5，=10。
Step4 背景更新
采用随机更新策略，对背景图像进行更新，具体地
其中，参数是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里取值为0.02。
Step5 采用数学形态学的“顶帽变换”方法对二值图像BW进行滤波，然后采用8-邻接连通方法搜索和标记目标。
2、基于多特征融合的小动物目标检测方法
小动物主要指猫、狗、狼等爬行动物，这些动物有一些共同的特征，譬如四肢爬行、有尾巴等，可以采用形状特征进行区分。常用的形状特征有三类：区域特征（如长宽比、面积、Hu不变矩）、轮廓特征（如傅里叶描述子、链码）、空间灰度特征（如Haar-like、HoG）。区域特征比较简单，求解速度快，但区分能力弱；轮廓特征受目标分割效果影响很大，实用价值不大；空间灰度特征区分能力强，但求解速度非常慢。结合上述特征的优缺点，本发明提出一种基于多特征融合的小动物目标检测方法，首先对于运动目标提取区域的Hu不变矩特征，初步筛选出疑似小动物目标；然后提取Haar-like特征，结合Adaboost方法，辨别疑似目标是否为小动物。通过融合区域特征和空间灰度特征，可以快速可靠检测小动物目标。详细介绍如下。
（1）区域特征提取与分类
对于运动目标的二值图像BW，提取七个Hu不变矩特征：
其中，
其中，W和H分别为运动目标的宽度和高度,BW(i,j)表示二值图像BW上像素点(i,j)的灰度值。中p、q为标记符号，如中p=2、q=0。
然后，按照最小欧式距离准则，计算运动目标块的Hu不变矩与训练得到的小动物目标的Hu不变矩的距离：
其中，表示运动目标块的第k个Hu不变矩，表示训练样本中小动物目标的第k个Hu矩（k=1,2，…，7），获取方法为：通过人工裁剪的方式，获取监控视频中的小动物目标，并二值化，得到小动物目标的二值图像，然后求取Hu不变矩，不同训练样本中的小动物目标的Hu不变矩特征通过均值滤波方法，得到。
最后，采用固定阈值法筛选疑似小动物目标，具体地，如果d<T2，则认为当前运动目标为疑似小动物目标，进一步进行空间灰度特征的提取与分类；否则，继续检测下一目标。本发明取T2=8.0。
（2）空间灰度特征提取与分类
对于疑似小动物目标的灰度图像I，提取空间灰度的Haar-like特征，采用Adaboost方法进行训练和分类，辨别目标属性，主要步骤包括：
Step1：特征提取
Haar-like特征有四种类型，如图2所示。
Haar-like特征值为：用黑色矩形内所有象素的灰度和减去白色矩形内所有象素的灰度和。为了便于计算和表示，可以采用下式计算Haar-like特征值：
Value=graySum(black)weight(black)-graySum(all)
其中，graySum(black)为黑色矩形特征内所有象素的灰度和，weight(black)为黑色矩形的权重，其值为整个大矩形的面积除以黑色矩形的面积，graySum(all)为整个大的矩形的灰度和。
由于图像中目标尺寸不同，Haar-like特征值需要进行归一化处理，具体实现方法是用上式得到的特征值除以整个矩形的面积。
具体实现时，可以采用积分图方法快速求取Haar-like特征值。对于输入图像I，像素点处的积分图定义如下：
其中，为图像在点处的像素值。如图3所示，积分图等于图中灰色部分的所有像素值的和。
为了得到输入图像I的积分图像，需要逐点扫描图像一次。设为输入图像各点的像素灰度值，为输入图像中像素点所在纵坐标不超过该点的所有像素灰度值之和，则图像I的积分图可按如下递推公式计算：
其中，x和y从0开始，定义,。
Step2 特征训练与分类
在训练阶段，将小动物目标作为正样本、其他目标作为负样本，提取目标图像的Haar-like特征，构建如下弱分类器：
其中，表示第j个特征的特征值；表示弱分类器的值，1表示为小动物目标，0表示其他目标；表示弱分类器的阈值；表示不等号的方向，取值为-1或+1，如果正样本被分类在阈值以下，，否则；x表示一个待检子窗口。
采用Adaboost方法挑选出一些最能代表小动物目标的弱分类器，按照加权投票方式将弱分类器训练成一个强分类器。在分类阶段，使用一定的搜索窗口对目标区域图像进行逐像素扫描，然后对每一个搜索窗口，使用图4所示的级联分类器去判断其是否为小动物目标，具体实现过程详见“Rapid object detection using a boosted cascade ofsimple features（CVPR，2001）”。
如果检测到小动物目标，将检测结果上传给视频监控系统，为监控系统的安全预警提供依据。
本发明的优点在于：提出基于多背景图像差分和多特征融合的小动物目标检测方法，提高了小动物目标检测的速度和精度，可以智能检测监控视频中是否存在小动物目标，提高智能监控系统的安全性和智能化水平。
附图说明
图1 小动物目标检测流程图，
图2 Haar-like特征类型，
图3 积分图像，
图4 级联分类器结构。
具体实施方式
本发明提出一种基于多背景差和多特征融合的小动物目标检测方法，首先采用多背景差法检测视频中的小运动目标，降低偏僻地段草木运动对目标检测的影响；然后提取目标区域的Hu不变矩特征，初步筛选出疑似小动物目标；最后提取疑似小动物目标区域空间灰度的Haar-like特征，依据Adaboost方法进行训练和分类，检测小动物目标。本发明采用多背景差法提高运动检测的环境适应能力，融合目标区域特征和空间灰度特征降低小动物目标检测虚警率，可广泛应用于智能监控系统。
Claims (1)
1.面向偏僻地段的小动物目标检测方法，是基于多背景差和多特征融合的小动物目标检测方法，首先采用基于多背景差法的小运动目标检测方法，检测复杂环境下的运动目标；然后采用基于多特征融合的小动物目标分类方法，确认运动目标是否为小动物；最后将检测结果上传给视频监控系统，为监控系统的安全预警提供依据，其特征在于，具体步骤如下：
步骤1、基于多背景差法的小运动目标快速检测方法
采用一种多背景差法检测运动目标，采用随机运算对背景进行更新，通过融合多背景差分结果过滤环境干扰，实现复杂环境下的小运动目标检测，
步骤2、基于多特征融合的小动物目标检测方法
首先对于运动目标提取区域的Hu不变矩特征，初步筛选出疑似小动物目标；然后提取Haar-like特征，结合Adaboost方法，辨别疑似目标是否为小动物，通过融合区域特征和空间灰度特征，检测小动物目标，
步骤3、如果检测到小动物目标，将检测结果上传给视频监控系统，为监控系统的安全预警提供依据；
所述步骤1具体内容为：
Step1.1背景初始化
对于初始帧图像I0，随机生成N幅背景图像，记为Bi，i＝0,1,…,N-1：
Bi(x,y)＝I0(x+dx,y+dy)
其中，Bi(x,y)表示第i幅背景图像像素点(x,y)处的灰度，(dx,dy)为随机偏移量，表示为
其中，函数rand(a,b)表示取值范围为变量a和b构成的闭区间[a,b]上的随机数，为一整数；本发明中，取N＝20；
Step1.2距离计算
对当前帧图像I，计算像素点(x,y)与背景图像序列的距离：
Di(x,y)＝|I(x,y)-Bi(x,y)|,i＝0,1,…,N
Step1.3像素点属性判断
当像素点(x,y)与背景图像序列的N个距离中如果存在M个小于阈值T，那么判定像素点(x,y)为背景，记为0，否则为目标，记为1；
其中，Num(q)表示满足条件q的数量，本发明中，取M＝5，T＝10，BW(x，y)为二值图像BW在(x，y)处的取值；
Step1.4背景更新
采用随机更新策略，对背景图像进行更新，具体地
其中，参数α是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里取值为0.02；
Step1.5采用数学形态学的“顶帽变换”方法对二值图像BW进行滤波，然后采用8-邻接连通方法搜索和标记目标；
所述步骤2具体内容为：
(1)区域特征提取与分类
对于运动目标的二值图像BW，提取七个Hu不变矩特征：
Φ1＝η20+η02
Φ2＝(η20-η02)2+4η11 2
Φ3＝(η30-3η12)2+(3η21-η03)2
Φ4＝(η30+η12)2+(η21+η03)2
Φ5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21+η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
Φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
Φ7＝(3η12-η30)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21+η03)[3(η30+η12)2-(η12+η30)2]
其中，
其中，W和H分别为运动目标的宽度和高度，BW(i,j)表示二值图像BW上像素点(i,j)的灰度值；ηpq中p、q为标记符号；
然后，按照最小欧式距离准则，计算运动目标块的Hu不变矩与训练得到的小动物目标的Hu不变矩的距离：
其中，Φk表示运动目标块的第k个Hu不变矩，Φk (0)表示训练样本中小动物目标的第k个Hu矩(k＝1,2，…，7)，获取方法为：通过人工裁剪的方式，获取监控视频中的小动物目标，并二值化，得到小动物目标的二值图像，然后求取Hu不变矩，不同训练样本中的小动物目标的Hu不变矩特征通过均值滤波方法，得到Φk (0)；
最后，采用固定阈值法筛选疑似小动物目标，具体地，如果d<T2，则认为当前运动目标为疑似小动物目标，进一步进行空间灰度特征的提取与分类；否则，继续检测下一目标，本发明取T2＝8.0；
(2)空间灰度特征提取与分类
对于疑似小动物目标的灰度图像I，提取空间灰度的Haar-like特征，采用Adaboost方法进行训练和分类，辨别目标属性，步骤包括：
Step2.1：特征提取
Haar-like特征有四种类型，
Haar-like特征值为：用黑色矩形内所有象素的灰度和减去白色矩形内所有象素的灰度和，采用下式计算Haar-like特征值：
Value＝graySum(black)×weight(black)-graySum(all)
其中，graySum(black)为黑色矩形特征内所有象素的灰度和，weight(black)为黑色矩形的权重，其值为整个大矩形的面积除以黑色矩形的面积，graySum(all)为整个大的矩形的灰度和；
由于图像中目标尺寸不同，Haar-like特征值需要进行归一化处理，具体实现方法是用上式得到的特征值除以整个矩形的面积；
具体实现时，采用积分图方法求取Haar-like特征值，对于输入图像I，像素点(x,y)处的积分图ii(x,y)定义如下：
其中，I(x',y')为图像在点(x',y')处的像素值，积分图ii(x,y)等于图中灰色部分的所有像素值的和；
为了得到输入图像I的积分图像，需要逐点扫描图像一次，设I(x,y)为输入图像各点的像素灰度值，为输入图像中像素点(x,y)所在纵坐标不超过该点的所有像素灰度值之和，则图像I的积分图按如下递推公式计算：
其中，x和y从0开始，定义s(x,-1)＝0,ii(-1,y)＝0，
Step2.2特征训练与分类
在训练阶段，将小动物目标作为正样本、其他目标作为负样本，提取目标图像的Haar-like特征，构建如下弱分类器：
其中，fj(x)表示第j个特征的特征值；hj(x)表示弱分类器的值，1表示为小动物目标，0表示其他目标：θj表示弱分类器的阈值；Pj表示不等号的方向，取值为-1或+1，如果正样本被分类在阈值以下，Pj＝+1，否则Pj＝-1；x表示一个待检子窗口；
采用Adaboost方法挑选出一些最能代表小动物目标的弱分类器，按照加权投票方式将弱分类器训练成一个强分类器，在分类阶段，使用一定的搜索窗口对目标区域图像进行逐像素扫描，然后对每一个搜索窗口，使用级联分类器去判断其是否为小动物目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510665714.9A CN105260715B (zh) | 2015-10-16 | 2015-10-16 | 面向偏僻地段的小动物目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510665714.9A CN105260715B (zh) | 2015-10-16 | 2015-10-16 | 面向偏僻地段的小动物目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105260715A CN105260715A (zh) | 2016-01-20 |
| CN105260715B true CN105260715B (zh) | 2018-07-06 |
Family
ID=55100396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510665714.9A Expired - Fee Related CN105260715B (zh) | 2015-10-16 | 2015-10-16 | 面向偏僻地段的小动物目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105260715B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
| CN107292233A (zh) * | 2017-05-16 | 2017-10-24 | 开易（北京）科技有限公司 | 辅助驾驶中基于部件的行人检测和基于特征的跟踪方法、系统 |
| CN107633266B (zh) * | 2017-09-07 | 2020-07-28 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
| CN108540773B (zh) * | 2018-04-12 | 2021-01-01 | 云丁网络技术(北京)有限公司 | 一种监控方法、装置、系统及云服务器 |
| CN109886130B (zh) * | 2019-01-24 | 2021-05-28 | 上海媒智科技有限公司 | 目标对象的确定方法、装置、存储介质和处理器 |
| CN110488258B (zh) * | 2019-08-30 | 2022-08-05 | 成都纳雷科技有限公司 | 一种周界区域安防中虚警抑制方法及装置 |
| CN110646792B (zh) * | 2019-11-04 | 2022-04-12 | 中国人民解放军空军工程大学 | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 |
| CN112528962B (zh) * | 2021-01-01 | 2021-07-20 | 生态环境部卫星环境应用中心 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103456028A (zh) * | 2013-08-30 | 2013-12-18 | 浙江立元通信技术有限公司 | 一种运动目标检测方法 |
| CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪系统 |
| CN104537688A (zh) * | 2014-12-24 | 2015-04-22 | 南京邮电大学 | 一种基于背景差分和hog特征的运动目标检测方法 |
| CN104866842A (zh) * | 2015-06-05 | 2015-08-26 | 中国人民解放军国防科学技术大学 | 一种人体目标入侵检测方法 |
-
2015
- 2015-10-16 CN CN201510665714.9A patent/CN105260715B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪系统 |
| CN103456028A (zh) * | 2013-08-30 | 2013-12-18 | 浙江立元通信技术有限公司 | 一种运动目标检测方法 |
| CN104537688A (zh) * | 2014-12-24 | 2015-04-22 | 南京邮电大学 | 一种基于背景差分和hog特征的运动目标检测方法 |
| CN104866842A (zh) * | 2015-06-05 | 2015-08-26 | 中国人民解放军国防科学技术大学 | 一种人体目标入侵检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105260715A (zh) | 2016-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105260715B (zh) | 面向偏僻地段的小动物目标检测方法 | |
| AU2017233723B2 (en) | System and method for training object classifier by machine learning | |
| Gajjar et al. | Human detection and tracking for video surveillance: A cognitive science approach | |
| CN109740478B (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
| CN107247956B (zh) | 一种基于网格判断的快速目标检测方法 | |
| US8744125B2 (en) | Clustering-based object classification | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| Liu et al. | The method of insulator recognition based on deep learning | |
| Park et al. | Wildfire smoke detection using spatiotemporal bag-of-features of smoke | |
| CN105893963B (zh) | 一种筛选视频中单个行人目标的最佳易识别帧的方法 | |
| CN113177467A (zh) | 火焰识别方法及系统、装置、介质 | |
| CN105096342A (zh) | 一种基于傅里叶描述子和方向梯度直方图的入侵检测算法 | |
| Munian et al. | Intelligent system for detection of wild animals using HOG and CNN in automobile applications | |
| CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
| Negri et al. | Detecting pedestrians on a movement feature space | |
| Wang et al. | Research on flame detection algorithm based on multi-feature fusion | |
| CN110084160B (zh) | 一种基于运动和亮度显著性特征的视频森林烟火检测方法 | |
| Lee et al. | Fast object localization using a CNN feature map based multi-scale search | |
| Arthi et al. | Object detection of autonomous vehicles under adverse weather conditions | |
| CN107169439A (zh) | 一种行人车辆检测与分类方法 | |
| Borhade et al. | Advanced driver assistance system | |
| CN114842235B (zh) | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 | |
| Chen et al. | Real‐time dynamic vehicle detection on resource‐limited mobile platform | |
| Soundrapandiyan et al. | Robust pedestrian detection in infrared images using rotation and scale invariant-based structure element descriptor | |
| Rajavarshini et al. | Comparative analysis of image processing techniques for obstacle avoidance and path deduction |
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 |
Granted publication date: 20180706 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |