CN105631862A - 一种基于邻域特征和灰度信息的背景建模方法 - Google Patents
一种基于邻域特征和灰度信息的背景建模方法 Download PDFInfo
- Publication number
- CN105631862A CN105631862A CN201510974877.5A CN201510974877A CN105631862A CN 105631862 A CN105631862 A CN 105631862A CN 201510974877 A CN201510974877 A CN 201510974877A CN 105631862 A CN105631862 A CN 105631862A
- Authority
- CN
- China
- Prior art keywords
- pixel
- neighborhood
- gray
- neighborhood characteristics
- background
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于邻域特征和灰度信息的背景建模方法。该方法通过将像素的邻域特征加入到背景模型当中,提高了背景模型对于光照变化以及扰动的鲁棒性。获取输入视频序列的第一帧,对每个像素计算邻域特征,初始化它的背景邻域模型和背景灰度模型。对于视频的后续帧,将每个像素的邻域特征和灰度与背景邻域模型和背景灰度模型比较,判断像素是前景点还是背景点。最后,根据判断结果更新背景邻域模型和背景灰度模型。该背景建模方法模型简单,便于实现,可以满足实时智能监控系统的需求。
Description
本发明属于智能视频监控领域,特别地涉及一种基于邻域特征和灰度信息的背景建模方法。
背景技术
背景建模算法是智能视频监控邻域的一种常用算法,主要可以用来提取视频中的前景目标,以便对视频进行目标识别,行为检测等智能化分析。它根据输入视频通过建模的方法得到监控场景的背景,然后利用当前图像与背景进行比较得到前景目标。典型的背景建模算法有:帧间差法,均值函数法,中值函数法,高斯背景建模,W4算法,码书模型算法,基于贝叶斯统计的模型算法,内核密度估计算法,meanshift算法等。
虽然现在已经有很多不同的背景建模方法,背景建模的效果也在不断提升,但是仍然不能满足实际工程应用的需要。这里主要有两方面的原因:1)实际的视频场景存在光照变化,背景扰动等不确定因素,使得基于像素点本身的背景建模很难获得良好的鲁棒性;2)实际应用中,背景建模算法往往作为某些智能化分析算法(如目标识别)的前置算法,计算复杂度要严格控制,给后续算法留出足够的计算时间。
所以,设计一种既具有较高的鲁棒性,又快速高效的背景建模方法,是很多智能监控邻域技术人员努力的方向。
发明内容
为解决上述问题,本发明的目的在于提供了一种基于邻域特征和灰度信息的背景建模方法。该方法通过利用像素点的邻域特征,对背景的光照变化和扰动具有较高的鲁棒性,同时计算复杂度可以满足实时智能视频监控系统的需求。
为实现上述目的,本发明的技术方案为:一种基于邻域特征和灰度信息的背景建模方法,该方法为:
步骤1:输入视频序列的第一帧,对每个像素点(x,y)利用邻域特征算子计算第一帧的邻域特征向量。
步骤2:根据第一帧的邻域特征向量,初始化背景邻域特征模型;根据第一帧中的像素点的灰度值,初始化背景灰度模型;
步骤3:输入视频序列的下一帧,对于这一帧中的每个像素点(x,y),利用邻域特征算子计算该点在这一帧中的邻域特征向量;
步骤4:用这一帧中的邻域特征向量与上一帧的背景邻域特征模型比较,计算两者的相似度,若相似度小于阈值Tneighbor,则判断该点为前景点;反之,若相似度大于或等于阈值Tneighbor,则分为两种情况:1)若该点在这一帧中的邻域特征向量属于非平滑类型,则将该点判断为背景点;2)若该点在这一帧中的邻域特征向量属于平滑类型,则进入步骤5。
步骤5:取该点在这一帧中的灰度值,与上一帧的背景灰度模型计算相似度。若相似度小于阈值Tgray,则判断该点为前景点;若相似度大于或等于阈值Tgray,则判断该点为背景点。
步骤6:根据步骤3-5的判断结果,对上一帧的背景邻域特征模型和背景灰度模型进行更新;
步骤7:重复步骤3-6,直到视频的最后一帧。
进一步的,上述步骤中的邻域特征向量vv(x,y)通过以下的邻域特征算子计算得到:
(1)对于像素点(x,y),将它的灰度值I(x,y)与每个8邻域像素的灰度值I(x+i,y+j)带入如下公式计算得到二进制邻域特征码code(i,j):
上述公式中,Tcode是可调阈值参数。对于每个邻域像素,得到的是2个比特位的二进制特征码。由于一共要与8个邻域像素进行比较,所以一共得到2×8=16比特的二进制邻域特征码。
(2)对(1)中得到的8个2比特二进制特征码,经过串联得到长度为16比特的邻域特征向量串联顺序是:以像素(x,y)为中心的8邻域像素,从左上角的像素(x-1,y-1)开始,按顺时针方向串联。
进一步的,所述步骤2中的背景邻域特征模型Mneighbor(x,y)和背景灰度模型Mgray(x,y),通过以下方法初始化:
(1)对于像素点(x,y),以n个邻域特征向量的集合作为此点的背景邻域特征模型,记为:
(2)对于视频序列中第一帧的每个像素点(x,y),计算其邻域特征向量并复制n份组成集合Mneighbor(x,y),作为初始的背景邻域特征模型。
(3)对于像素点(x,y),以其m个历史灰度值I1,I2,…,Im的集合作为此点的背景灰度模型,记为:Mgray(x,y)={I1,I2,…,Im}。
(4)对于视频序列中第一帧的每个像素点(x,y),取其灰度值并复制m份组成集合Mgray(x,y),作为初始的背景灰度模型。
进一步的,所述步骤4中的像素点邻域特征与背景邻域特征模型Mneighbor(x,y)的相似度Simneighbor(x,y),具体通过以下步骤计算得到:
(1)对于像素点(x,y)的邻域特征向量从该点的背景邻域特征模型Mneighbor(x,y)中取一个邻域特征向量通过以下方法判定与是否是相似的邻域特征:
上述公式中,t(i)是一个16位二进制数。对t(i)的16个比特位进行统计,若有dneighbor个及其以上的比特位是1,则判定与不相似,即s(i)=0;若只有dneighbor个以下(不包含dneighbor个)的比特位是1,则判定与是相似的邻域特征,即s(i)=1。
(2)利用如下公式计算像素点(x,y)的邻域特征向量与该点的背景邻域特征模型Mneighbor(x,y)的相似度:
进一步的,所述步骤4中的邻域特征向量是否为平滑类型,通过以下方法判断:
对于的16个比特位,统计值为1的比特个数,若值为1的比特数小于等于Tsmooth个,则判定该邻域特征向量为平滑类型;反之,则判断该邻域特征向量为非平滑类型。
进一步的,所述步骤5中的像素点(x,y)处的灰度值与背景灰度模型Mgray(x,y)的相似度Simgray(x,y),具体通过以下公式计算得到:
其中,dgray是可调阈值。
进一步的,所述步骤6中的背景邻域模型和背景灰度模型,通过以下方法更新:
(1)背景邻域模型的更新方法是:对于像素点(x,y),当前帧的邻域特征向量以概率pneighbor加入到背景邻域特征模型Mneighbor(x,y)中。将邻域特征向量加入背景邻域模型的具体操作方法是:从Mneighbor(x,y)集合中等概率随机选取一个邻域特征向量并将其替换为
(2)背景灰度模型的更新方法是:对于像素点(x,y),当前图像的灰度I(x,y)以概率pgray加入到背景灰度模型Mgray(x,y)中。将灰度值I(x,y)加入背景灰度模型的具体操作方法是:从Mgray(x,y)集合中等概率随机选取一个灰度值并将其替换为I(x,y)。
本发明的有益效果是:
(1)利用像素点的邻域特征,提高了背景模型对于光照变化和扰动的鲁棒性。
(2)背景模型简单,易于实现,计算速度快,可以满足实时智能监控系统的需求。
附图说明
图1为本发明实施例的邻域特征和灰度信息的背景建模方法的步骤流程图;
图2为本发明实施例的邻域特征示意图。
图3为本发明实施例处理的一个视频序列的其中一帧。上面一幅图是这一帧的图像,下面一幅图是这一帧的前景与背景分离结果,其中黑色为背景点,白色为前景点。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本邻域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
图1所示为本发明实施例的基于邻域特征和灰度信息的背景建模方法的步骤流程图。
步骤1:输入视频序列的第一帧,对每个像素点(x,y)利用邻域特征算子计算第一帧的邻域特征向量。
步骤2:根据第一帧的邻域特征向量,初始化背景邻域特征模型;根据第一帧中的像素点的灰度值,初始化背景灰度模型;
步骤3:输入视频序列的下一帧,对于这一帧中的每个像素点(x,y),利用邻域特征算子计算这一帧的邻域特征向量;
步骤4:用这一帧的邻域特征向量与上一帧的背景邻域特征模型比较,计算两者的相似度,若相似度小于阈值Tneighbor(本实施例中,值为2),则判断该点为前景点;反之,若相似度大于或等于阈值Tneighbor,则分为两种情况:1)若该点在这一帧中的邻域特征向量属于非平滑类型,则将该点判断为背景点;2)若该点在这一帧中的邻域特征向量属于平滑类型,则进入步骤5。
步骤5:取该点在这一帧中的灰度值,与上一帧的背景灰度模型计算相似度。若相似度小于阈值Tgray(本实施例中,值为2),则判断该点为前景点;若相似度大于或等于阈值Tgray,则判断该点为背景点。
步骤6:根据步骤3-5的判断结果,对上一帧的背景邻域特征模型和背景灰度模型进行更新;
步骤7:重复步骤3-6,直到视频的最后一帧。
上述步骤中的邻域特征向量通过以下的邻域特征算子计算得到:
(1)对于像素点(x,y),将它的灰度值I(x,y)与每个8邻域像素的灰度值I(x+i,y+j)带入如下公式计算得到二进制邻域特征码code(i,j):
上述公式中,Tcode是可调阈值参数,在本实施例中,值为1。对于每个邻域像素,得到的是2个比特位的二进制特征码。由于一共要与8个邻域像素进行比较,所以一共得到2×8=16比特的二进制邻域特征码。
(2)对(1)中得到的8个2比特二进制特征码,经过串联得到长度为16比特的邻域特征向量串联顺序是:以像素(x,y)为中心的8邻域像素,从左上角的像素(x-1,y-1)开始,按顺时针方向串联。图2为本发明实施例的邻域特征计算方法示意图。
所述步骤2中的背景邻域特征模型Mneighbor(x,y)和背景灰度模型Mgray(x,y),通过以下方法初始化:
(1)对于像素点(x,y),以n(本实施例中,值为10)个邻域特征向量的集合作为此点的背景邻域特征模型,记为:
(2)对于视频序列中第一帧的每个像素点(x,y),计算其邻域特征向量并复制n份组成集合Mneighbor(x,y),作为初始的背景邻域特征模型。
(3)对于像素点(x,y),以其m(本实施例中,值为10)个历史灰度值I1,I2,…,Im的集合作为此点的背景灰度模型,记为:Mgray(x,y)={I1,I2,…,Im}。
(4)对于视频序列中第一帧的每个像素点(x,y),取其灰度值并复制m份组成集合Mgray(x,y),作为初始的背景灰度模型。
所述步骤4中的像素点邻域特征与背景邻域特征模型Mneighbor(x,y)的相似度Simneighbor(x,y),具体通过以下步骤计算得到:
(1)对于像素点(x,y)的邻域特征向量从该点的背景邻域特征模型Mneighbor(x,y)中取一个邻域特征向量通过以下方法判定与是否是相似的邻域特征:
上述公式中,t(i)是一个16位二进制数。对t(i)的16个比特位进行统计,若有dneighbor(本实施例中,值为3)个及其以上的比特位是1,则判定与不相似,即s(i)=0;若只有dneighbor个以下(不包含dneighbor个)的比特位是1,则判定与是相似的邻域特征,即s(i)=1。
(2)利用如下公式计算像素点(x,y)的邻域特征向量与该点的背景邻域特征模型Mneighbor(x,y)的相似度:
所述步骤4中的邻域特征向量是否为平滑类型,通过以下方法判断:
对于的16个比特位,统计值为1的比特个数,若值为1的比特数小于等于Tsmooth(本实施例中,值为3)个,则判定该邻域特征向量为平滑类型;反之,则判断该邻域特征向量为非平滑类型。
进一步的,所述步骤5中的像素点(x,y)处的灰度值与背景灰度模型Mgray(x,y)的相似度Simgray(x,y),具体通过以下公式计算得到:
其中,dgray是可调阈值,本实施例中,值为2。
所述步骤6中的背景邻域模型和背景灰度模型,通过以下方法更新:
(1)背景邻域模型的更新方法是:对于像素点(x,y),当前帧的邻域特征向量以概率pneighbor(本实施例中,值为0.05)加入到背景邻域特征模型Mneighbor(x,y)中。将邻域特征向量加入背景邻域模型的具体操作方法是:从Mneighbor(x,y)集合中等概率随机选取一个邻域特征向量并将其替换为
(2)背景灰度模型的更新方法是:对于像素点(x,y),当前图像的灰度I(x,y)以概率pgray(本实施例中,值为0.05)加入到背景灰度模型Mgray(x,y)中。将灰度值I(x,y)加入背景灰度模型的具体操作方法是:从Mgray(x,y)集合中等概率随机选取一个灰度值并将其替换为I(x,y)。
图3为本发明实施例处理的一个视频序列的其中一帧的效果图。上面一幅图是这一帧的图像,下面一幅图是这一帧的前景与背景分离结果,其中黑色为背景点,白色为前景点。从中可以看出本发明实施例可以较好的把作为前景的运行车辆和行人与背景分离。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于邻域特征和灰度信息的背景建模方法,其特征在于,该方法为:
步骤1:输入视频序列的第一帧,对每个像素点(x,y)利用邻域特征算子计算第一帧的邻域特征向量。
步骤2:根据第一帧的邻域特征向量,初始化背景邻域特征模型;根据第一帧中的像素点的灰度值,初始化背景灰度模型;
步骤3:输入视频序列的下一帧,对于这一帧中的每个像素点(x,y),利用邻域特征算子计算该点在这一帧中的邻域特征向量;
步骤4:用这一帧中的邻域特征向量与上一帧的背景邻域特征模型比较,计算两者的相似度,若相似度小于阈值Tneighbor,则判断该点为前景点;反之,若相似度大于或等于阈值Tneighbor,则分为两种情况:1)若该点在这一帧中的邻域特征向量属于非平滑类型,则将该点判断为背景点;2)若该点在这一帧中的邻域特征向量属于平滑类型,则进入步骤5。
步骤5:取该点在这一帧中的灰度值,与上一帧的背景灰度模型计算相似度。若相似度小于阈值Tgray,则判断该点为前景点;若相似度大于或等于阈值Tgray,则判断该点为背景点。
步骤6:根据步骤3-5的判断结果,对上一帧的背景邻域特征模型和背景灰度模型进行更新;
步骤7:重复步骤3-6,直到视频的最后一帧。
2.根据权利要求1所述的方法,其特征在于,所述邻域特征向量vv(x,y)通过以下的邻域特征算子计算得到:
(1)对于像素点(x,y),将它的灰度值I(x,y)与每个8邻域像素的灰度值I(x+i,y+j)带入如下公式计算得到二进制邻域特征码code(i,j):
上述公式中,Tcode是可调阈值参数。对于每个邻域像素,得到的是2个比特位的二进制特征码。由于一共要与8个邻域像素进行比较,所以一共得到2×8=16比特的二进制邻域特征码。
(2)对(1)中得到的8个2比特二进制特征码,经过串联得到长度为16比特的邻域特征向量串联顺序是:以像素(x,y)为中心的8邻域像素,从左上角的像素(x-1,y-1)开始,按顺时针方向串联。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中的背景邻域特征模型Mneighbor(x,y)和背景灰度模型Mgray(x,y),通过以下方法初始化:
(1)对于像素点(x,y),以n个邻域特征向量的集合作为此点的背景邻域特征模型,记为:
(2)对于视频序列中第一帧的每个像素点(x,y),计算其邻域特征向量并复制n份组成集合Mneighbor(x,y),作为初始的背景邻域特征模型。
(3)对于像素点(x,y),以其m个历史灰度值I1,I2,…,Im的集合作为此点的背景灰度模型,记为:Mgray(x,y)={I1,I2,…,Im}。
(4)对于视频序列中第一帧的每个像素点(x,y),取其灰度值并复制m份组成集合Mgray(x,y),作为初始的背景灰度模型。
4.根据权利要求1所述的方法,其特征在于,所述步骤4中的像素点邻域特征与背景邻域特征模型Mneighbor(x,y)的相似度Simneighbor(x,y),具体通过以下步骤计算得到:
(1)对于像素点(x,y)的邻域特征向量从该点的背景邻域特征模型Mneighbor(x,y)中取一个邻域特征向量通过以下方法判定与是否是相似的邻域特征:
上述公式中,t(i)是一个16位二进制数。对t(i)的16个比特位进行统计,若有dneighbor个及其以上的比特位是1,则判定与不相似,即s(i)=0;若只有dneighbor个以下(不包含dneighbor个)的比特位是1,则判定与是相似的邻域特征,即s(i)=1。
(2)利用如下公式计算像素点(x,y)的邻域特征向量与该点的背景邻域特征模型Mneighbor(x,y)的相似度:
5.根据权利要求1所述的方法,其特征在于,所述步骤4中的邻域特征向量是否为平滑类型,通过以下方法判断:
对于的16个比特位,统计值为1的比特个数,若值为1的比特数小于等于Tsmooth个,则判定该邻域特征向量为平滑类型;反之,则判断该邻域特征向量为非平滑类型。
6.根据权利要求1所述的方法,其特征在于,所述步骤5中的像素点(x,y)处的灰度值与背景灰度模型Mgray(x,y)的相似度Simgray(x,y),具体通过以下公式计算得到:
其中,dgray是可调阈值。
7.根据权利要求1所述的方法,其特征在于,所述步骤6中的背景邻域模型和背景灰度模型,通过以下方法更新:
(1)背景邻域模型的更新方法是:对于像素点(x,y),当前帧的邻域特征向量以概率pneighbor加入到背景邻域特征模型Mneighbor(x,y)中。将邻域特征向量加入背景邻域模型的具体操作方法是:从Mneighbor(x,y)集合中等概率随机选取一个邻域特征向量并将其替换为v
(2)背景灰度模型的更新方法是:对于像素点(x,y),当前图像的灰度I(x,y)以概率pgray加入到背景灰度模型Mgray(x,y)中。将灰度值I(x,y)加入背景灰度模型的具体操作方法是:从Mgray(x,y)集合中等概率随机选取一个灰度值并将其替换为I(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974877.5A CN105631862B (zh) | 2015-12-21 | 2015-12-21 | 一种基于邻域特征和灰度信息的背景建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510974877.5A CN105631862B (zh) | 2015-12-21 | 2015-12-21 | 一种基于邻域特征和灰度信息的背景建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631862A true CN105631862A (zh) | 2016-06-01 |
CN105631862B CN105631862B (zh) | 2019-05-24 |
Family
ID=56046748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510974877.5A Active CN105631862B (zh) | 2015-12-21 | 2015-12-21 | 一种基于邻域特征和灰度信息的背景建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631862B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724426A (zh) * | 2019-03-19 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种背景建模方法及用于背景建模的相机 |
CN112434185A (zh) * | 2020-10-26 | 2021-03-02 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244769A (zh) * | 2010-05-14 | 2011-11-16 | 鸿富锦精密工业(深圳)有限公司 | 物件及其关键人监控系统与方法 |
US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
CN104166983A (zh) * | 2014-06-30 | 2014-11-26 | 中国传媒大学 | 基于结合图割(Graph Cut)的Vibe改进算法的运动目标实时提取方法 |
CN104408747A (zh) * | 2014-12-01 | 2015-03-11 | 杭州电子科技大学 | 一种适用于深度图像的人体运动检测方法 |
-
2015
- 2015-12-21 CN CN201510974877.5A patent/CN105631862B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244769A (zh) * | 2010-05-14 | 2011-11-16 | 鸿富锦精密工业(深圳)有限公司 | 物件及其关键人监控系统与方法 |
US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
CN104166983A (zh) * | 2014-06-30 | 2014-11-26 | 中国传媒大学 | 基于结合图割(Graph Cut)的Vibe改进算法的运动目标实时提取方法 |
CN104408747A (zh) * | 2014-12-01 | 2015-03-11 | 杭州电子科技大学 | 一种适用于深度图像的人体运动检测方法 |
Non-Patent Citations (3)
Title |
---|
OJALA T等: "Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns", 《PATTERNANALYSISANDMACHINEINTELLIGENCE》 * |
张进辉: "视觉运动目标检测与跟踪相关算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨国亮等: "基于SILTP纹理信息的运动目标检测算法", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724426A (zh) * | 2019-03-19 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种背景建模方法及用于背景建模的相机 |
CN111724426B (zh) * | 2019-03-19 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 一种背景建模方法及用于背景建模的相机 |
CN112434185A (zh) * | 2020-10-26 | 2021-03-02 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
CN112434185B (zh) * | 2020-10-26 | 2023-07-14 | 国家广播电视总局广播电视规划院 | 一种查找相似视频片段的方法、系统、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105631862B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921875B (zh) | 一种基于航拍数据的实时车流检测与追踪方法 | |
Gosala et al. | Bird’s-eye-view panoptic segmentation using monocular frontal view images | |
CN102378992B (zh) | 关节状区域检测装置及其方法 | |
WO2017004803A1 (en) | An apparatus and a method for semantic image labeling | |
CN104820997B (zh) | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 | |
CN103119625B (zh) | 一种视频人物分割的方法及装置 | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN103578119A (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
CN109117788A (zh) | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 | |
CN104574440A (zh) | 一种视频运动目标跟踪方法及装置 | |
CN113657560B (zh) | 基于节点分类的弱监督图像语义分割方法及系统 | |
CN105335701A (zh) | 一种基于hog与d-s证据理论多信息融合的行人检测方法 | |
CN102469302B (zh) | 应用于影像监控的可适应光线变化的背景模型学习系统 | |
CN105913457B (zh) | 基于加强粒子群优化的粒子滤波目标跟踪方法 | |
CN112766089B (zh) | 一种基于全局-局部对抗学习框架的跨域道路提取方法 | |
CN112651274B (zh) | 路上障碍物检测装置、路上障碍物检测方法及记录介质 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN104751484A (zh) | 一种运动目标检测方法及实现运动目标检测方法的检测系统 | |
CN105718841A (zh) | 一种对行人分类器实现动态更新的人数统计方法 | |
CN101777186A (zh) | 一种多模态自动更新替换的背景建模方法 | |
CN110866455A (zh) | 一种路面水体检测方法 | |
CN104463242A (zh) | 基于特征变换和词典学习的多特征动作识别方法 | |
Yan et al. | A combination of convolutional and graph neural networks for regularized road surface extraction | |
CN107222726A (zh) | 电力设施防外破预警方案 |
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 |