CN105787436A - 一种基于大数据下的视频图像智能搜索的方法及系统 - Google Patents
一种基于大数据下的视频图像智能搜索的方法及系统 Download PDFInfo
- Publication number
- CN105787436A CN105787436A CN201610074543.7A CN201610074543A CN105787436A CN 105787436 A CN105787436 A CN 105787436A CN 201610074543 A CN201610074543 A CN 201610074543A CN 105787436 A CN105787436 A CN 105787436A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- video image
- matched
- user
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据下的视频图像智能搜索的方法及系统,其方法包括:基于Adaboost算法的统计学习方法对待检测用户进行检测;通过图像输入设备端采集待检测用户视频图像;对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配。本发明在海量的大数据中,大大加快了图像匹配速度和效率。
Description
技术领域
本发明涉及视频图像技术领域,具体涉及一种基于大数据下的视频图像智能搜索的方法及系统。
背景技术
视频图像处理过程中会涉及到对视频图像数据的采集、传输、处理、显示和回放等过程,这些过程共同形成了一个系统的整体周期,可以连续性的运作。在视频图像处理技术范围内最主要的就是包括了图像的压缩技术和视频图像的处理技术等。目前,市场上主流的视频图像处理技术包括:智能分析处理,视频透雾增透技术,宽动态处理,超分辨率处理,下面分别介绍以上四种处理技术。
智能视频分析技术是解决视频监控领域大数据筛选、检索技术问题的重要手段。目前国内智能分析技术可以分为两大类:一类是通过前景提取等方法对画面中的物体的移动进行检测,通过设定规则来区分不同的行为,如拌线、物品遗留、周界等;另一类是利用模式识别技术对画面中所需要监控的物体进行针对性的建模,从而达到对视频中的特定物体进行检测及相关应用,如车辆检测、人流统计、人脸检测等应用。
现有视频采集对动态要求性较高,整个视频采集的动态性要求高,以及整个视频图像的海量大数据,造成了数据采集不能实时性采集,整个匹配过程比较繁琐,对动态数据采集图像存在差异化定位,造成搜索难度加大,而采集到的视频图像与整个图像库中的搜索匹配计算繁琐,造成搜索速率慢,不能很好的自适应匹配搜索。
发明内容
本发明的目的是提供一种基于大数据下的视频图像智能搜索的方法及系统,减少采集视频数据的搜索匹配难度,实现大数据下的智能搜索功能。
为此,本发明提供了一种基于大数据下的视频图像智能搜索的方法,其特征在于,包括如下步骤:
基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;
在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;
对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
较佳的,所述对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧包括:
基于三帧差分的运动检测对所述待检测用户视频图像进行若干关键帧的提取。
较佳的,所述判断待检测用户是否进入到视频采集范围中包括:
提醒用户进入到视频采集范围,或者提醒用户未在视频采集范围内。
较佳的,所述扫描二值化处理后的帧图像并提取待检测用户视频图像特征流包括:
将二值化处理后的帧图像分为相同大小的4、9、16部分;
对4、9、16部分中的每一小部分,再平均分为4部分区域;
从上至下,从左至右,依次扫描整个二值图的各个最小区域,查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符;
扫描处理完整个二值化处理后的帧图像,得到二值化处理后的帧图像基于4、9、16部分的3个特征流。
较佳的,所述查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符的步骤中,像素点与特征符对应关系为:a=1000;b=0100;c=0010;d=0001;e=1100;f=0110;g=0011;h=1001;i=1010;j=0101;k=0111;l=1011;m=1101;n=1110;o=1111;p=0000,其中1代表该区域有像素点分布,0代表该区域无像素点分布,a至p表示特征符。
较佳的,所述将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配步骤包括:
取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;
分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;
在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
相应的,本发明还提供了一种基于大数据下的视频图像智能搜索的系统,包括:
视频检测模块,用于基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;
视频采集模块,用于在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;
视频预处理模块,用于对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
图像处理模块,用于对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
视频匹配模块,用于将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
所述视频匹配模块用于取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
与现有技术相比,本发明的基于大数据下的视频图像智能搜索的方法,基于Adaboost的人脸检测算法是一种统计学习算法,它通过对Haar特征的统计来判别是不是人脸,可以识别出待检测用户是否进入到视频采集范围,从而启动整个视频采集过程。针对采集视频的动态性,采取对视频图像进行运动检测,得到关键帧图像,从而对关键帧图像进行特征流提取,从而提交了视频图像需要匹配的目标图像的精度,根据目标图像在视频区域分布信息提取特征,将目标图像和待匹配图像进行特征匹配,从而识别或搜索相关视频区域,同时还可以进行在视频中进行跟踪。即使应用在海量的大数据中,针对匹配数据库中的容量,可以预先获得匹配数据库中每一匹配图像的特征流,在针对每一图像中特征流,根据各个小块目标点分布的具体情况得出特征符并形成特征流进行图像匹配,并且只需一次扫描整个目标区域即可,避免了重复计算,匹配,大大加快了图像匹配速度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例的基于大数据下的视频图像智能搜索的方法流程图;
图2是本发明实施例的基于大数据下的视频图像智能搜索的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如上所述,本发明提出了一种基于大数据下的视频图像智能搜索的方法,其基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
参考图1,图1示出了本发明实施例中的基于大数据下的视频图像智能搜索的方法流程图,该步骤包括如下:
S101、基于Adaboost算法的统计学习方法对待检测用户进行检测;
S102、判断待检测用户是否进入到视频采集范围,如果进入则进入到S103,否则继续S101;
基于Adaboost的人脸检测算法是一种统计学习算法,它通过对Haar特征的统计来判别是不是人脸,可以识别出待检测用户是否进入到视频采集范围,从而启动整个视频采集过程。
在具体实施过程中,还可以提醒用户进入到视频采集范围,或者提醒用户未在视频采集范围内,从而准确定位用户采集环境。
S103、通过图像输入设备端采集待检测用户视频图像;
S104、对待检测用户视频图像进行视频图像预处理,并对待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
在具体实施过程中,基于三帧差分的运动检测对所述待检测用户视频图像进行若干关键帧的提取。
S105、对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
整个图像特征流过程如下:
将二值化处理后的帧图像分为相同大小的4、9、16部分;
对4、9、16部分中的每一小部分,再平均分为4部分区域;
从上至下,从左至右,依次扫描整个二值图的各个最小区域,查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符;
扫描处理完整个二值化处理后的帧图像,得到二值化处理后的帧图像基于4、9、16部分的3个特征流。
需要说明的是,查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符的步骤中,像素点与特征符对应关系为:a=1000;b=0100;c=0010;d=0001;e=1100;f=0110;g=0011;h=1001;i=1010;j=0101;k=0111;l=1011;m=1101;n=1110;o=1111;p=0000,如下表表1所示,其中1代表该区域有像素点分布,0代表该区域无像素点分布,a至p表示特征符。
表1像素点分布与特征符对应表
定义一个字符x,y的匹配程度的方法,对应上表进行匹配,定义两个字符的相似度为dis(x,y):x与y异或后1的个数,dis(x,y)数值越大标明字符x,y代表的区域相似度越不高(例如,x与x匹配后,dis=0,标明这两个区域无限相似)。
S106、将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
在具体实施过程中:取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
整个匹配过程中,实现了整个匹配数据库中的图像与待检测视频间的搜索匹配关系,直至整个数据库中的图像搜索完成,再基于整个相似度值进行定位。
图2还示出了本发明实施例中的基于大数据下的视频图像智能搜索的系统结构示意图,该系统包括:
视频检测模块,用于基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;
视频采集模块,用于在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;
视频预处理模块,用于对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
图像处理模块,用于对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
视频匹配模块,用于将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
需要说明的是,视频匹配模块用于取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
在整个实施例中的提取特征流的步骤包括:将二值图依次分为相同大小的4、9、16部分;对每一小部分,再平均分为4部分区域;从上至下,从左至右,依次扫描整个二值图的各个最小区域,查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符;扫描处理完整个二值图,得到图像基于4、9、16部分的3个特征流。
本发明的基于大数据下的视频图像智能搜索的方法,基于Adaboost的人脸检测算法是一种统计学习算法,它通过对Haar特征的统计来判别是不是人脸,可以识别出待检测用户是否进入到视频采集范围,从而启动整个视频采集过程。针对采集视频的动态性,采取对视频图像进行运动检测,得到关键帧图像,从而对关键帧图像进行特征流提取,从而提交了视频图像需要匹配的目标图像的精度,根据目标图像在视频区域分布信息提取特征,将目标图像和待匹配图像进行特征匹配,从而识别或搜索相关视频区域,同时还可以进行在视频中进行跟踪。即使应用在海量的大数据中,针对匹配数据库中的容量,可以预先获得匹配数据库中每一匹配图像的特征流,在针对每一图像中特征流,根据各个小块目标点分布的具体情况得出特征符并形成特征流进行图像匹配,并且只需一次扫描整个目标区域即可,避免了重复计算,匹配,大大加快了图像匹配速度和效率。
以上对本发明实施例所提供的基于大数据下的视频图像智能搜索的方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于大数据下的视频图像智能搜索的方法,其特征在于,包括如下步骤:
基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;
在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;
对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
2.如权利要求1所述的基于大数据下的视频图像智能搜索的方法,其特征在于,所述对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧包括:
基于三帧差分的运动检测对所述待检测用户视频图像进行若干关键帧的提取。
3.如权利要求1所述的基于大数据下的视频图像智能搜索的方法,其特征在于,所述判断待检测用户是否进入到视频采集范围中包括:
提醒用户进入到视频采集范围,或者提醒用户未在视频采集范围内。
4.如权利要求1所述的基于大数据下的视频图像智能搜索的方法,其特征在于,所述扫描二值化处理后的帧图像并提取待检测用户视频图像特征流包括:
将二值化处理后的帧图像分为相同大小的4、9、16部分;
对4、9、16部分中的每一小部分,再平均分为4部分区域;
从上至下,从左至右,依次扫描整个二值图的各个最小区域,查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符;
扫描处理完整个二值化处理后的帧图像,得到二值化处理后的帧图像基于4、9、16部分的3个特征流。
5.如权利要求4所述的基于大数据下的视频图像智能搜索的方法,其特征在于,所述查看每一区域像素点的分布情况,根据不同的分布情况得到该区域不同的特征符的步骤中,像素点与特征符对应关系为:a=1000;b=0100;c=0010;d=0001;e=1100;f=0110;g=0011;h=1001;i=1010;j=0101;k=0111;l=1011;m=1101;n=1110;o=1111;p=0000,其中1代表该区域有像素点分布,0代表该区域无像素点分布,a至p表示特征符。
6.如权利要求5所述的基于大数据下的视频图像智能搜索的方法,其特征在于,所述将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配步骤包括:
取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;
分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;
在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
7.一种基于大数据下的视频图像智能搜索的系统,其特征在于,包括:
视频检测模块,用于基于Adaboost算法的统计学习方法对待检测用户进行检测,判断待检测用户是否进入到视频采集范围;
视频采集模块,用于在判断用户进入到视频采集范围时,通过图像输入设备端采集待检测用户视频图像;
视频预处理模块,用于对所述待检测用户视频图像进行视频图像预处理,并对所述待检测用户视频图像进行运动检测,提取待检测用户视频图像中的若干关键帧图像;
图像处理模块,用于对提取的若干关键帧图像中的每一帧图像进行二值化处理,扫描二值化处理后的帧图像并提取待检测用户视频图像特征流;
视频匹配模块,用于将待检测用户视频图像特征流与待匹配图像数据库中每一匹配图像所对应的待匹配特征流进行匹配,判断用户视频图像特征流与待匹配特征流是否匹配。
8.如权利要求7所述的基于大数据下的视频图像智能搜索的系统,其特征在于,所述视频匹配模块用于取出待匹配图像数据库中每一匹配图像所对应的待匹配特征流和待检测用户视频图像特征流;分别对比待匹配特征流和待检测用户视频图像特征流的3个特征流,统计对应的特征流的相似度,并得出待匹配图像数据库中每一匹配图像与待检测视频图像相似度值;在判断匹配数据库中的某一匹配图像所对应的相似度值大于阈值时,则判定待检测用户视频图像与待匹配图像数据库中的匹配图像存在匹配关系,否则判断所述待检测用户视频图像与待匹配图像数据库中的匹配图像不存在匹配关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074543.7A CN105787436A (zh) | 2016-02-02 | 2016-02-02 | 一种基于大数据下的视频图像智能搜索的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074543.7A CN105787436A (zh) | 2016-02-02 | 2016-02-02 | 一种基于大数据下的视频图像智能搜索的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787436A true CN105787436A (zh) | 2016-07-20 |
Family
ID=56402484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610074543.7A Pending CN105787436A (zh) | 2016-02-02 | 2016-02-02 | 一种基于大数据下的视频图像智能搜索的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787436A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599486A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种视频抄袭的检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6701014B1 (en) * | 2000-06-14 | 2004-03-02 | International Business Machines Corporation | Method and apparatus for matching slides in video |
CN101957920A (zh) * | 2010-09-08 | 2011-01-26 | 中国人民解放军国防科学技术大学 | 基于数字视频的车牌查找方法 |
CN102147861A (zh) * | 2011-05-17 | 2011-08-10 | 北京邮电大学 | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 |
CN102158690A (zh) * | 2011-05-23 | 2011-08-17 | 北京自动测试技术研究所 | 远程多路实时视频监控系统 |
CN102799821A (zh) * | 2012-07-11 | 2012-11-28 | 深圳市飞瑞斯科技有限公司 | 智能卡与持卡人身份验证的方法及人脸识别身份验证装置 |
CN103116890A (zh) * | 2013-02-27 | 2013-05-22 | 中山大学 | 一种基于视频图像的智能搜索匹配方法 |
-
2016
- 2016-02-02 CN CN201610074543.7A patent/CN105787436A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6701014B1 (en) * | 2000-06-14 | 2004-03-02 | International Business Machines Corporation | Method and apparatus for matching slides in video |
CN101957920A (zh) * | 2010-09-08 | 2011-01-26 | 中国人民解放军国防科学技术大学 | 基于数字视频的车牌查找方法 |
CN102147861A (zh) * | 2011-05-17 | 2011-08-10 | 北京邮电大学 | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 |
CN102158690A (zh) * | 2011-05-23 | 2011-08-17 | 北京自动测试技术研究所 | 远程多路实时视频监控系统 |
CN102799821A (zh) * | 2012-07-11 | 2012-11-28 | 深圳市飞瑞斯科技有限公司 | 智能卡与持卡人身份验证的方法及人脸识别身份验证装置 |
CN103116890A (zh) * | 2013-02-27 | 2013-05-22 | 中山大学 | 一种基于视频图像的智能搜索匹配方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599486A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种视频抄袭的检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104303193B (zh) | 基于聚类的目标分类 | |
CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
CN107944427B (zh) | 动态人脸识别方法及计算机可读存储介质 | |
US10558844B2 (en) | Lightweight 3D vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN117095349A (zh) | 外观搜索系统、方法和非暂时性计算机可读介质 | |
CN106845513B (zh) | 基于条件随机森林的人手检测器及方法 | |
CN111144366A (zh) | 一种基于联合人脸质量评估的陌生人脸聚类方法 | |
Wang et al. | Improving human action recognition by non-action classification | |
CN103295009B (zh) | 基于笔画分解的车牌字符识别方法 | |
CN103714181A (zh) | 一种层级化的特定人物检索方法 | |
CN101493887A (zh) | 基于半监督学习和哈希索引的眉毛图像分割方法 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN111401308B (zh) | 一种基于光流效应的鱼类行为视频识别方法 | |
CN105740675A (zh) | 一种基于动态人物识别触发授权管理的方法及系统 | |
CN105574519A (zh) | 一种识别动态人物特征进行智能门开启的方法及系统 | |
CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
CN102609715A (zh) | 一种结合多个兴趣点检测子的物体类识别方法 | |
CN110826449A (zh) | 基于轻量型卷积神经网络的非机动车再识别目标检索方法 | |
CN102129569A (zh) | 基于多尺度对比特征的对象检测设备和方法 | |
e Souza et al. | Survey on visual rhythms: A spatio-temporal representation for video sequences | |
CN105787436A (zh) | 一种基于大数据下的视频图像智能搜索的方法及系统 | |
CN106530300B (zh) | 一种低秩分析的火焰识别方法 | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN106778679B (zh) | 一种基于大数据机器学习的特定人群视频识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160720 |