CN105512691A - 一种目标分类器自适应更新方法及装置 - Google Patents
一种目标分类器自适应更新方法及装置 Download PDFInfo
- Publication number
- CN105512691A CN105512691A CN201510859395.5A CN201510859395A CN105512691A CN 105512691 A CN105512691 A CN 105512691A CN 201510859395 A CN201510859395 A CN 201510859395A CN 105512691 A CN105512691 A CN 105512691A
- Authority
- CN
- China
- Prior art keywords
- position coordinates
- model
- standard deviation
- coordinate
- partial model
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种目标分类器自适应更新方法及装置,该方法包括:利用目标分类器对待检测图像进行目标检测;记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。通过本申请可实现不同场景下目标分类器的自适应更新,提高新场景下的目标检出率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种目标分类器自适应更新方法及装置。
背景技术
DPM(DeformablePartsModel,可形变部件模型)是目前较为流行的目标检测算法,该算法是一种基于部件的目标检测方法,对目标的形变具有很强的鲁棒性。但是,该算法的场景适应性差,对于未参与目标分类器训练的新场景,其目标检出率较低。
发明内容
有鉴于此,本申请提供一种目标分类器自适应更新方法及装置。
具体地,本申请是通过如下技术方案实现的:
本申请提供一种目标分类器自适应更新方法,该方法包括:
利用目标分类器对待检测图像进行目标检测;
记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;
通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;
根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
本申请还提供一种目标分类器自适应更新装置,该装置包括:
检测单元,用于利用目标分类器对待检测图像进行目标检测;
记录单元,用于记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;
获取单元,用于通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;
更新单元,用于根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
由以上描述可以看出,本申请在目标检测过程中,通过对记录的部件模型历史位置坐标建立高斯模型,确定当前场景是否发生部件模型偏移。在确定部件模型偏移后,计算部件模型的偏移量更新锚点坐标,从而完成针对当前场景的目标分类器更新,提高新场景下的目标检出率。
附图说明
图1是本申请一示例性实施例示出的一种目标分类器自适应更新方法流程图;
图2是本申请一示例性实施例示出的一种目标分类器自适应更新装置所在设备的基础硬件结构示意图;
图3是本申请一示例性实施例示出的一种目标分类器自适应更新装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
DPM是目前较为流行的目标检测算法,该算法是一种基于部件的目标检测方法,对目标的形变具有很强的鲁棒性。但是,该算法的场景适应性较差,对未涵盖在训练样本中的场景的目标检出率不高。例如,在实际场景中,当相机架设角度发生变化时,造成场景中目标偏移。采用现有目标分类器检测该场景中的目标时,若部件模型的位置坐标与锚点坐标偏移较大,将最终导致得分变小,影响目标检出率。
针对上述问题,本申请提出一种目标分类器自适应更新方法,该方法通过记录目标检测过程中部件模型的历史位置坐标,建立基于历史位置坐标的高斯模型,并根据该高斯模型的参数更新部件模型锚点坐标,进而完成目标分类器的更新,以适应新场景下的目标检测,提高新场景下的目标检出率。
参见图1,为本申请目标分类器自适应更新方法的一个实施例流程图,该实施例对目标分类器自适应更新过程进行描述。
步骤101,利用目标分类器对待检测图像进行目标检测。
本申请实施例首先采用现有DPM算法训练一个初始目标分类器,利用训练的目标分类器对待检测图像进行目标检测。具体为,构建待检测图像的尺度金字塔,通过滑动窗口对尺度金字塔的各个尺度进行检测,得到目标分类器在检测窗口处的综合得分。
综合得分公式如下:
其中,为根模型在l0层的得分;为第i个部件模型在l0-λ层的得分;b为偏移系数;n为部件模型个数;score(x0,y0,l0)为目标分类器在l0层以(x0,y0)为锚点的检测窗口的综合得分。
由于l0-λ层的特征分辨率是l0层特征分辨率的2倍,因此,l0层根模型锚点坐标(x0,y0)映射到l0-λ层为2(x0,y0);vi为部件模型锚点坐标(部件模型未发生形变时的标准坐标)在l0-λ层相对于根模型锚点坐标的偏移,即部件模型锚点的相对坐标;(2(x0,y0)+vi)为部件模型锚点的绝对坐标。
部件模型的得分公式可具体表示为:
公式(2)
其中,(x,y)为部件模型在l层的锚点坐标;(dx,dy)为部件模型相对于锚点坐标的偏移量;Ri,l(x+dx,y+dy)为部件模型在(x+dx,y+dy)处的得分;为偏移(dx,dy)所损失的得分,即形变花费, di为偏移损失系数,是目标分类器训练时需要学习的参数。目标分类器初始化时,di=(0,0,1,1),即偏移损失为偏移量相对于锚点坐标的欧式距离。
步骤102,记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标。
将步骤101计算的综合得分与训练得到的得分阈值进行比较,当综合得分大于得分阈值时,认为当前检测位置存在目标,记录此时各部件模型的位置坐标。该部件模型的位置坐标可表示为:
公式(3)
Pi(x,y)为记录的第i个部件模型的位置坐标,该位置坐标为第i个部件模型在各空间位置得分的最大值所对应的坐标。
为了避免对同一批目标执行后续高斯建模,本申请实施例预设了记录间隔时长(例如,1个小时),每隔记录间隔时长记录一次部件模型位置坐标。
步骤103,通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差。
对每一个部件模型均执行如下建模操作:
获取预设的位置坐标数量阈值。本申请实施例预先设定了建立高斯模型所需部件模型位置坐标的数量,例如,预设位置坐标数量阈值为10000个。
判断已记录的当前部件模型的位置坐标数量是否大于或等于预设的位置坐标数量阈值,当已记录的位置坐标数量大于或等于预设的位置坐标数量阈值时,建立当前部件模型的高斯模型,对应高斯模型公式如下:
其中,(x,y)为部件模型位置坐标;μ1为x坐标均值;μ2为y坐标均值;σ1为x坐标的标准差;σ2为y坐标的标准差。
本申请实施例根据目标检测结果不断更新部件模型的位置坐标,建立最新的高斯模型,从而获取当前反映部件模型位置坐标离散程度的位置坐标标准差(σ1,σ2)。
步骤104,根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
对每一个部件模型均执行如下锚点坐标更新操作:
判断当前部件模型的位置坐标标准差(σ1,σ2)是否小于预设的标准差阈值。本申请实施例通过部件模型的位置坐标标准差反映该部件模型在最近检测过程中的离散程度。
当位置坐标标准差小于预设的标准差阈值时,即σ1和σ2均较小时,说明当前部件模型位置坐标的离散程度较小,位置坐标的偏移具有同一方向性,因此,认为该部件模型确实发生了偏移,需要更新部件模型锚点坐标,以适应新场景下的目标检测。
部件模型锚点坐标计算公式如下:
其中,Pi(x,y)为记录的第i个部件模型的位置坐标;M为记录的第i个部件模型位置坐标中满足μ1-kσ1<x<μ1+kσ1和μ2-kσ2<y<μ2+kσ2的位置坐标个数;μ1为第i个部件模型x坐标均值;μ2为第i个部件模型y坐标均值;σ1为第i个部件模型x坐标的标准差;σ2为第i个部件模型y坐标的标准差;k为取值范围调节系数,例如,k=3;vi为第i个部件模型锚点的相对坐标。
由公式(5)可知,部件模型锚点的相对坐标为(μ1-kσ1<x<μ1+kσ1),(μ2-kσ2<y<μ2+kσ2)范围内部件模型位置坐标的均值。
当位置坐标标准差不小于预设的标准差阈值时,说明当前部件模型位置坐标的离散程度较大,位置坐标的偏移不具有同一方向性,因此,认为该部件模型没有真正发生偏移,不需要更新部件模型锚点坐标。
通过上述过程完成目标分类器中所有部件模型的锚点坐标更新,即完成了对目标分类器的更新,该目标分类器可用于当前新场景下的目标检测。
由上述描述可以看出,本申请在目标检测过程中,通过对记录的部件模型历史位置坐标建立高斯模型,确定当前场景是否发生部件模型偏移。在确定部件模型偏移后,计算部件模型的偏移量作为新的锚点坐标,从而完成针对当前场景的目标分类器更新,提高新场景下的目标检出率。
与前述目标分类器自适应更新方法的实施例相对应,本申请还提供了目标分类器自适应更新装置的实施例。
本申请目标分类器自适应更新装置的实施例可以应用在图像处理设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器运行存储器中对应的计算机程序指令形成的。从硬件层面而言,如图2所示,为本申请目标分类器自适应更新装置所在设备的一种硬件结构图,除了图2所示的处理器和存储器之外,实施例中装置所在的设备通常根据该设备的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图3,为本申请一个实施例中的目标分类器自适应更新装置的结构示意图。该目标分类器自适应更新装置包括检测单元301、记录单元302、获取单元303以及更新单元304,其中:
检测单元301,用于利用目标分类器对待检测图像进行目标检测;
记录单元302,用于记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;
获取单元303,用于通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;
更新单元304,用于根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
进一步地,
所述获取单元303,具体用于获取预设的位置坐标数量阈值;判断已记录的当前部件模型的位置坐标数量是否大于或等于预设的位置坐标数量阈值;当已记录的位置坐标数量大于或等于预设的位置坐标数量阈值时,建立当前部件模型的高斯模型;所述高斯模型公式为:
其中,(x,y)为部件模型位置坐标;μ1为x坐标均值;μ2为y坐标均值;σ1为x坐标的标准差;σ2为y坐标的标准差。
进一步地,所述更新单元304,包括:
标准差判断模块,用于判断当前部件模型的位置坐标标准差是否小于预设的标准差阈值;
锚点更新模块,用于当所述位置坐标标准差小于预设的标准差阈值时,更新当前部件模型的锚点坐标。
进一步地,
所述锚点更新模块,具体为
其中,
Pi(x,y)为记录的第i个部件模型的位置坐标;
M为记录的第i个部件模型位置坐标中满足μ1-kσ1<x<μ1+kσ1和μ2-kσ2<y<μ2+kσ2的位置坐标个数;
μ1为第i个部件模型x坐标均值;
μ2为第i个部件模型y坐标均值;
σ1为第i个部件模型x坐标的标准差;
σ2为第i个部件模型y坐标的标准差;
k为取值范围调节系数;
vi为第i个部件模型锚点的相对坐标。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (8)
1.一种目标分类器自适应更新方法,其特征在于,该方法包括:
利用目标分类器对待检测图像进行目标检测;
记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;
通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;
根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
2.如权利要求1所述的方法,其特征在于,所述通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差,包括:
获取预设的位置坐标数量阈值;
判断已记录的当前部件模型的位置坐标数量是否大于或等于预设的位置坐标数量阈值;
当已记录的位置坐标数量大于或等于预设的位置坐标数量阈值时,建立当前部件模型的高斯模型;
所述高斯模型公式为:
其中,(x,y)为部件模型位置坐标;μ1为x坐标均值;μ2为y坐标均值;σ1为x坐标的标准差;σ2为y坐标的标准差。
3.如权利要求1或2所述的方法,其特征在于,所述根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,包括:
判断当前部件模型的位置坐标标准差是否小于预设的标准差阈值;
当所述位置坐标标准差小于预设的标准差阈值时,更新当前部件模型的锚点坐标。
4.如权利要求3所述的方法,其特征在于,所述更新当前部件模型的锚点坐标,包括:
其中,
Pi(x,y)为记录的第i个部件模型的位置坐标;
M为记录的第i个部件模型位置坐标中满足μ1-kσ1<x<μ1+kσ1和μ2-kσ2<y<μ2+kσ2的位置坐标个数;
μ1为第i个部件模型x坐标均值;
μ2为第i个部件模型y坐标均值;
σ1为第i个部件模型x坐标的标准差;
σ2为第i个部件模型y坐标的标准差;
k为取值范围调节系数;
vi为第i个部件模型锚点的相对坐标。
5.一种目标分类器自适应更新装置,其特征在于,该装置包括:
检测单元,用于利用目标分类器对待检测图像进行目标检测;
记录单元,用于记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标;
获取单元,用于通过建立各部件模型位置坐标的高斯模型,获取各部件模型的位置坐标标准差;
更新单元,用于根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标,以实现目标分类器的自适应更新。
6.如权利要求5所述的装置,其特征在于:
所述获取单元,具体用于获取预设的位置坐标数量阈值;判断已记录的当前部件模型的位置坐标数量是否大于或等于预设的位置坐标数量阈值;当已记录的位置坐标数量大于或等于预设的位置坐标数量阈值时,建立当前部件模型的高斯模型;所述高斯模型公式为:
其中,(x,y)为部件模型位置坐标;μ1为x坐标均值;μ2为y坐标均值;σ1为x坐标的标准差;σ2为y坐标的标准差。
7.如权利要求5或6所述的装置,其特征在于,所述更新单元,包括:
标准差判断模块,用于判断当前部件模型的位置坐标标准差是否小于预设的标准差阈值;
锚点更新模块,用于当所述位置坐标标准差小于预设的标准差阈值时,更新当前部件模型的锚点坐标。
8.如权利要求7所述的装置,其特征在于:
所述锚点更新模块,具体为
其中,
Pi(x,y)为记录的第i个部件模型的位置坐标;
M为记录的第i个部件模型位置坐标中满足μ1-kσ1<x<μ1+kσ1和μ2-kσ2<y<μ2+kσ2的位置坐标个数;
μ1为第i个部件模型x坐标均值;
μ2为第i个部件模型y坐标均值;
σ1为第i个部件模型x坐标的标准差;
σ2为第i个部件模型y坐标的标准差;
k为取值范围调节系数;
vi为第i个部件模型锚点的相对坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510859395.5A CN105512691B (zh) | 2015-11-30 | 2015-11-30 | 一种目标分类器自适应更新方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510859395.5A CN105512691B (zh) | 2015-11-30 | 2015-11-30 | 一种目标分类器自适应更新方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512691A true CN105512691A (zh) | 2016-04-20 |
CN105512691B CN105512691B (zh) | 2019-02-15 |
Family
ID=55720657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510859395.5A Active CN105512691B (zh) | 2015-11-30 | 2015-11-30 | 一种目标分类器自适应更新方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512691B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740664A (zh) * | 2018-12-28 | 2019-05-10 | 东莞中国科学院云计算产业技术创新与育成中心 | 柔性物体分类方法、装置、计算机设备和存储介质 |
CN110376622A (zh) * | 2018-09-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 定位方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142078A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 基于部件结构模型的目标检测与识别方法 |
CN102750532A (zh) * | 2012-06-06 | 2012-10-24 | 西安电子科技大学 | 基于部件的目标检测方法 |
CN104134059A (zh) * | 2014-07-25 | 2014-11-05 | 西安电子科技大学 | 保持颜色信息的形变敏感器官模型下的不良图像检测方法 |
-
2015
- 2015-11-30 CN CN201510859395.5A patent/CN105512691B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142078A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 基于部件结构模型的目标检测与识别方法 |
CN102750532A (zh) * | 2012-06-06 | 2012-10-24 | 西安电子科技大学 | 基于部件的目标检测方法 |
CN104134059A (zh) * | 2014-07-25 | 2014-11-05 | 西安电子科技大学 | 保持颜色信息的形变敏感器官模型下的不良图像检测方法 |
Non-Patent Citations (3)
Title |
---|
M HAQUE.ETC: "A hybrid object detection technique from dynamic background using Gaussian Mixture Models", 《IEEE WORKSHOP ON MULTIMEDIA SIGNAL PROCESSING》 * |
徐凯等: "基于高斯模型的运动目标检测方法研究", 《激光与红外》 * |
陈耀东等: "一种面向目标检测的部件学习方法", 《计算机研究与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376622A (zh) * | 2018-09-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 定位方法和装置 |
CN109740664A (zh) * | 2018-12-28 | 2019-05-10 | 东莞中国科学院云计算产业技术创新与育成中心 | 柔性物体分类方法、装置、计算机设备和存储介质 |
CN109740664B (zh) * | 2018-12-28 | 2023-01-10 | 东莞中国科学院云计算产业技术创新与育成中心 | 柔性物体分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105512691B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488789B (zh) | 用于基于图像分析的监视的行人检测方法及装置 | |
CN107943874B (zh) | 知识图谱处理方法、装置、计算机设备及存储介质 | |
KR102175491B1 (ko) | 상관 필터 기반 객체 추적 방법 | |
WO2021227519A1 (zh) | 目标跟踪方法、装置、计算机可读存储介质及机器人 | |
CN110472594B (zh) | 目标跟踪方法、信息插入方法及设备 | |
CN109284280B (zh) | 仿真数据优化方法、装置及存储介质 | |
US10705216B2 (en) | Three-dimensional point cloud tracking apparatus and method using recurrent neural network | |
CN113822278B (zh) | 一种无受限场景车牌识别方法 | |
CN101770581A (zh) | 高分辨率城区遥感图像中道路中心线的半自动检测方法 | |
CN110413190A (zh) | 为触摸屏交互确定俯仰和偏航 | |
CN109919862B (zh) | 雷达图像去噪系统、方法及计算机设备 | |
CN101281648A (zh) | 低复杂度的尺度自适应视频目标跟踪方法 | |
CN110826581B (zh) | 一种动物数量识别方法、装置、介质及电子设备 | |
CN110135318A (zh) | 过车记录的确定方法、装置、设备及存储介质 | |
KR102508860B1 (ko) | 이미지에서의 키 포인트 위치의 인식 방법, 장치, 전자기기 및 매체 | |
CN105512691A (zh) | 一种目标分类器自适应更新方法及装置 | |
CN105389812A (zh) | 基于计算机视觉的车载信息终端功能自动测试方法 | |
CN111401240B (zh) | 一种课堂注意力检测方法、装置、设备及存储介质 | |
CN108133116A (zh) | Cad户型图墙厚自动识别方法及系统 | |
CN105447887A (zh) | 一种基于历史轨迹的目标跟踪方法及电子设备 | |
CN115687146A (zh) | Bios测试方法、装置、计算机设备和存储介质 | |
CN110320800B (zh) | 控制系统补偿方法、装置、介质及智能设备 | |
US9317782B2 (en) | Incremental category embedding for categorization | |
CN112508789A (zh) | 一种基于残差的贴片图像增强识别方法及装置 | |
CN113743428A (zh) | 一种结合摄像头进行精准除霜控制的方法及装置 |
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 |