CN105893957B - 基于视觉湖面船只检测识别与跟踪方法 - Google Patents

基于视觉湖面船只检测识别与跟踪方法 Download PDF

Info

Publication number
CN105893957B
CN105893957B CN201610194910.7A CN201610194910A CN105893957B CN 105893957 B CN105893957 B CN 105893957B CN 201610194910 A CN201610194910 A CN 201610194910A CN 105893957 B CN105893957 B CN 105893957B
Authority
CN
China
Prior art keywords
target
frame number
conspicuousness
svm classifier
detecting
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
CN201610194910.7A
Other languages
English (en)
Other versions
CN105893957A (zh
Inventor
王贺升
陈卫东
张香利
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201610194910.7A priority Critical patent/CN105893957B/zh
Publication of CN105893957A publication Critical patent/CN105893957A/zh
Application granted granted Critical
Publication of CN105893957B publication Critical patent/CN105893957B/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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于视觉湖面船只识别与跟踪方法，包括显著性检测步骤：提取湖面岸线部分区域ROI进行岸线检测，对所述湖面区域进行显著性检测，得到目标存在的确定度；SVM分类器检测步骤：提取湖面区域ROI，进行SVM分类器检测，检测目标存在的确定度；目标判断步骤：利用显著性检测和SVM分类器分别对视频帧连续检测15帧，综合判断是否检测到目标；确定目标船只跟踪步骤：若检测到目标，则对目标进行跟踪；若没有检测到目标，则对视频帧重新检测。本发明识别和检测准确率高，跟踪目标鲁棒性强，并且结合了显著性检测目标，分类器识别目标和压缩感知在线跟踪三种方法，能够更加准确的实现湖面船只的检测识别和跟踪。

Description

基于视觉湖面船只检测识别与跟踪方法
技术领域
本发明涉及计算机视觉技术领域，具体地，涉及一种基于视觉湖面船只检测识别与跟踪方法。
背景技术
目标检测、识别与跟踪广泛应用于计算机视觉领域的多个方面，例如安全监控、机器人视觉系统和湖面船只等。在检测识别的过程中的各种干扰，如背景干扰、遮挡、目标形状和光照变化等，仍是需要解决的技术难题。另外，在跟踪过程中，当目标运动速度快，目标模型变化大，容易导致方法失效。
为了能自动检测和识别目标并准确进行目标跟踪，研究人员提出很多不同的方法。基于二分类SVM方法，在小样本训练集上能够得到比其它算法好很多的结果，但是难以适应新的环境；而基于颜色、亮度等特征进行全局对比度显著性检测目标的方法容易受复杂环境和光照的影响，因此急需一种效果良好的目标检测识别和跟踪的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于视觉湖面船只检测识别与跟踪方法。
根据本发明提供的基于视觉湖面船只检测识别与跟踪方法，包括如下步骤：
显著性检测步骤：提取湖面岸线部分区域ROI进行岸线检测，并根据岸线检测结果提取出湖面区域，对所述湖面区域进行显著性检测，得到目标存在的确定度；
SVM分类器检测步骤：提取湖面区域ROI，进行SVM分类器检测，检测目标存在的确定度；
目标判断步骤：利用显著性检测和SVM分类器分别对视频帧连续检测，根据两种方法检测到目标的确定度结果，综合判断是否检测到目标；
确定目标船只跟踪步骤：若检测到目标，则利用在线压缩跟踪CT(CompressiveTracking)方法对目标进行跟踪；若没有检测到目标，则显著性和SVM分类器方法分别对视频帧重新检测。
优选地，所述显著性检测步骤包括：
步骤a1：连续检测15帧，提取每帧图像中所包含的岸线的ROI区域进行岸线检测；
步骤a2：根据岸线检测结果提取出湖面部分区域；
步骤a3：根据提取出的湖面部分区域采用Lab颜色空间的颜色亮度特征进行目标显著性检测后得到显著图，将所述显著图二值化，并提取得到目标轮廓和目标位置；
步骤a4：统计经检测的15帧中显著性检测到目标的帧数，记为c1。
优选地，所述SVM分类器检测步骤包括：
步骤b1：连续检测15帧，提取每帧图像中包含的湖面的ROI区域；
步骤b2：利用离线训练好的SVM分类器对提取的湖面的ROI区域进行检测，得到目标位置；
步骤b3：统计经检测的15帧中SVM分类器检测到目标的帧数，记为c2。
优选地，所述确定跟踪方案步骤中的跟踪方案包括：
当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均大于或等于设定的阈值帧数时，则确定是目标船只，并用压缩跟踪CT方法对目标船只进行跟踪；
当显著性检测步骤中检测到目标帧数c1大于或等于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2小于设定的阈值帧数时，则利用压缩跟踪CT方法对显著性检测到的目标进行跟踪，并每隔一定帧数统计显著性检测到目标的帧数m，若m大于或等于设定的阈值帧数，则认为显著性检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1小于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2大于等于设定的阈值帧数时，则利用压缩跟踪CT方法对SVM分类器检测到的目标进行跟踪，并每隔一定帧数统计SVM分类器检测到目标的帧数n，若n大于或等于设定的阈值帧数，则认为SVM分类器检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均小于设定的阈值帧数时，则重新执行显著性检测步骤、SVM分类器检测步骤；
另外，当目标超出视野范围后再次进入视野时，重新执行显著性检测步骤、SVM分类器检测步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提供的基于视觉湖面船只检测识别与跟踪方法，识别和检测准确率高，跟踪目标鲁棒性强，并且结合了显著性检测目标，分类器识别目标和压缩感知在线跟踪三种方法，能够更加准确的实现湖面船只的检测识别和跟踪。
2、本发明提供的基于视觉湖面船只检测识别与跟踪方法能够适应新的环境，尤其是对复杂环境和光照条件下的目标检测识别和跟踪。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的基于视觉湖面船只检测识别与跟踪方法的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的基于视觉湖面船只检测识别与跟踪方法，包括如下步骤：
显著性检测步骤：提取包含湖面岸线部分区域ROI(Region Of Interest，感兴趣区域)，进行岸线检测，并根据岸线检测结果提取出湖面区域，对所述湖面区域进行显著性检测，得到目标存在的确定度；
SVM分类器检测步骤：提取包含湖面区域ROI，进行SVM分类器(Support VectorMachine，支持向量机)检测，检测目标存在的确定度；
目标判断步骤：利用显著性检测和SVM分类器分别对视频帧连续检测15帧，并统计在这15帧中利用显著性检测到目标船只的帧数c1和利用SVM分类器检测到目标船只的帧数c2,综合判断是否检测到目标。
确定目标船只跟踪步骤：若检测到目标，则利用在线压缩跟踪CT(CompressiveTracking)方法对目标进行跟踪；若没有检测到目标，则显著性和SVM分类器方法分别重新检测。
所述跟踪方案包括：
连续检测视频帧15帧，当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均大于或等于设定的阈值帧数时，则确定是目标船只，并用压缩跟踪CT方法对目标船只进行跟踪。
当显著性检测步骤中检测到目标帧数c1大于或等于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2小于设定的阈值帧数时，则利用CT跟踪方法对显著性检测到的目标进行跟踪，并每隔一定帧数统计显著性检测到目标的帧数m，若m大于或等于设定的阈值帧数，则认为显著性检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1小于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2大于等于设定的阈值帧数时，则利用CT跟踪方法对SVM分类器检测到的目标进行跟踪，并每隔一定帧数统计SVM分类器检测到目标的帧数n，若n大于或等于设定的阈值帧数，则认为SVM分类器检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均小于设定的阈值帧数时，则重新执行显著性检测步骤、SVM分类器检测步骤；
另外，当目标超出视野范围当再次进入视野时，重新执行显著性检测步骤、SVM分类器检测步骤。
具体地，对本发明做进一步地说明。
步骤S1：首先从视频第一帧图像中提取包含岸线的ROI区域，利用霍夫变换(HoughTransform)检测岸线，由于真实场景岸线并不是一条直线，为了能比较准确的提取岸线位置，采用的方法是将整帧图像从中间分成两帧小图像，然后对每个小图像进行霍夫变换(Hough Transform)检测出直线段，分四种情况：
A1：检测出一条直线段，则将这条直线段延长至整个小图像作为岸线；
A2：检测出2条直线段，则连接两条直线段并延长至整个小图像作为岸线；
A3：检测出2条以上直线段，则选择离湖面最近的两条线段，并连接该两条线段并延长至整个小图像作为岸线；
A4：没有检测出岸线，则将ROI区域转换到HIS空间根据亮度分量，亮度变化最大的地方作为岸线，因为湖面和岸线交界处亮度变化急剧；
步骤S2：根据步骤S1中检测到岸线提取湖面区域部分，在Lab颜色空间对这部分区域进行显著性检测，并将检测结果给定一个合理的阈值进行二值化，然后根据目标轮廓(如船只是长方体)及面积大小(船只有一定面积，排除波纹等一些小面积干扰物的影响)检测是否有可疑目标，如果有可疑目标，就将可疑目标的位置保存到一个二维向量V1当中；
步骤S3：从视频第一帧图像中提取包含整个湖面的大致ROI区域，利用离线训练好的SVM分类器对这块区域进行检测，若检测到可疑目标，就将可疑目标的位置保存到一个二维向量V2当中；
步骤S4：对输入视频的15帧图像依次执行步骤S1、步骤S2、步骤S3，在每帧中将检测到的目标和上一帧利用同一方法检测到的目标的位置进行比较，若位置小于或等于设定的阈值(两个位置之间的距离)，则认为是同一目标，并将这个目标保存在同一行，否则保存到下一行。例如第t-1帧利用步骤S2中显著性检测方法检测到目标和第t帧利用步骤S2中显著性检测方法检测到目标位置小于或等于设定的阈值，则把第t帧目标位置保存到和第t-1帧相同行，否则另立一行保存；同理，采用SVM分类器检测目标时，在每帧中将SVM分类器检测到的目标和上一帧利用SVM分类器检测到的目标的位置进行比较，若位置小于或等于设定的阈值，则认为是同一目标，并将这个目标保存在同一行，否则保存到下一行。若在检测的过程中目标出界，则返回步骤S1重新执行。
步骤S5：分别遍历输入视频的15帧图像中利用步骤S2的显著性检测方法和、步骤S3中SVM分类器检测方法检测的可疑目标保存在二维向量中每一行的个数，若二维向量V1和V2的行中有大于等于6个(设定15帧当中检测到目标的最低阈值)可疑目标船只，就选择行中目标船只个数最多的那一行作为目标位置，并标记为检测到目标；具体地，分四种情况：
B1：显著性和SVM分类器同时检测到目标，并比较利用两种方法检测到目标的位置是否小于或等于设定的距离阈值，若是，则认为是真正目标，在以后的检测跟踪中，选取目标周围一定ROI区域，只利用在线压缩跟踪和SVM分类器检测相结合对这块ROI区域进行检测跟踪，并隔一定帧数(例如100帧)统计SVM分类器检测到距离目标位置不大于设定的距离阈值的目标框的个数，若满足一定阈值(例如>＝30帧)，则认为跟踪目标有效，反之，重新执行步骤S1、步骤S2、步骤S3、步骤S4；
B2：显著性未检测到目，SVM分类器检测到目标；则以SVM检测到的目标为主进行跟踪，并隔一定帧数(例如50帧)统计SVM分类器检测到距离目标位置不大于设定的距离阈值的目标框的个数，若满足一定阈值(例如>＝15帧)，则认为跟踪目标有效，反之，重新执行步骤S1、步骤S2、步骤S3、步骤S4；
B3：显著性检测到目标，SVM分类器未检测到目标，以显著性检测到的目标进行跟踪，并隔一定帧数(例如50帧)分别统计SVM分类器和显著性检测到距离目标位置不大于设定的距离阈值的目标框的个数，若两种检测中只要其中之一满足一定阈值(例如>＝15帧)，则认为跟踪目标有效，反之，重新执行步骤S1、步骤S2、步骤S3、步骤S4；
B4：显著性和SVM分类器均未检测到目标，重新执行步骤S1、步骤S2、步骤S3、步骤S4；
6)若在跟踪的过程中目标出界，停止跟踪，重新执行步骤S1、步骤S2、步骤S3、步骤S4、步骤S5。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (3)

1.一种基于视觉湖面船只检测识别与跟踪方法，其特征在于，包括如下步骤：
显著性检测步骤：提取湖面岸线部分区域ROI进行岸线检测，并根据岸线检测结果提取出湖面区域，对所述湖面区域进行显著性检测，得到目标存在的确定度；
SVM分类器检测步骤：提取湖面区域ROI，进行SVM分类器检测，检测目标存在的确定度；
目标判断步骤：利用显著性检测和SVM分类器分别对视频帧连续检测，根据两种方法检测到目标的确定度结果，综合判断是否检测到目标；
确定目标船只跟踪步骤：若检测到目标，则利用在线压缩跟踪CT方法对目标进行跟踪；若没有检测到目标，则显著性和SVM分类器方法分别对视频帧重新检测；
当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均大于或等于设定的阈值帧数时，则确定是目标船只，并用压缩跟踪CT方法对目标船只进行跟踪；
当显著性检测步骤中检测到目标帧数c1大于或等于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2小于设定的阈值帧数时，则利用压缩跟踪CT方法对显著性检测到的目标进行跟踪，并每隔一定帧数统计显著性检测到目标的帧数m，若m大于或等于设定的阈值帧数，则认为显著性检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1小于设定的阈值帧数，而SVM分类器检测步骤中检测到目标帧数c2大于等于设定的阈值帧数时，则利用压缩跟踪CT方法对SVM分类器检测到的目标进行跟踪，并每隔一定帧数统计SVM分类器检测到目标的帧数n，若n大于或等于设定的阈值帧数，则认为SVM分类器检测到的是目标船只，继续进行跟踪，若小于设定的阈值帧数，则重新执行显著性检测步骤、SVM分类器检测步骤；
当显著性检测步骤中检测到目标帧数c1和SVM分类器检测步骤中检测到目标帧数c2均小于设定的阈值帧数时，则重新执行显著性检测步骤、SVM分类器检测步骤；
另外，当目标超出视野范围后再次进入视野时，重新执行显著性检测步骤、SVM分类器检测步骤。
2.根据权利要求1所述的基于视觉湖面船只检测识别与跟踪方法，其特征在于，所述显著性检测步骤包括：
步骤a1：连续检测15帧，提取每帧图像中所包含的岸线的ROI区域进行岸线检测；
步骤a2：根据岸线检测结果提取出湖面部分区域；
步骤a3：根据提取出的湖面部分区域采用Lab颜色空间的颜色亮度特征进行目标显著性检测后得到显著图，将所述显著图二值化，并提取得到目标轮廓和目标位置；
步骤a4：统计经检测的15帧中显著性检测到目标的帧数，记为c1。
3.根据权利要求1所述的基于视觉湖面船只检测识别与跟踪方法，其特征在于，所述SVM分类器检测步骤包括：
步骤b1：连续检测15帧，提取每帧图像中包含的湖面的ROI区域；
步骤b2：利用离线训练好的SVM分类器对提取的湖面的ROI区域进行检测，得到目标位置；
步骤b3：统计经检测的15帧中SVM分类器检测到目标的帧数，记为c2。
CN201610194910.7A 2016-03-30 2016-03-30 基于视觉湖面船只检测识别与跟踪方法 Active CN105893957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610194910.7A CN105893957B (zh) 2016-03-30 2016-03-30 基于视觉湖面船只检测识别与跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610194910.7A CN105893957B (zh) 2016-03-30 2016-03-30 基于视觉湖面船只检测识别与跟踪方法

Publications (2)

Publication Number Publication Date
CN105893957A CN105893957A (zh) 2016-08-24
CN105893957B true CN105893957B (zh) 2019-03-22

Family

ID=57014387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610194910.7A Active CN105893957B (zh) 2016-03-30 2016-03-30 基于视觉湖面船只检测识别与跟踪方法

Country Status (1)

Country Link
CN (1) CN105893957B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372590A (zh) * 2016-08-29 2017-02-01 江苏科技大学 一种基于机器视觉的海面船只智能跟踪系统及其方法
CN107818326B (zh) * 2017-12-11 2018-07-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
CN108694725A (zh) * 2018-05-14 2018-10-23 肇庆学院 一种基于视觉显著性的机器人动态跟踪方法及系统
CN109120932B (zh) * 2018-07-12 2021-10-26 东华大学 Hevc压缩域双svm模型的视频显著性预测方法
CN111931552A (zh) * 2020-05-27 2020-11-13 淮阴工学院 一种基于直接线性变换的湖面船舶定位方法
CN111639623B (zh) * 2020-06-09 2022-04-26 中国地质大学（武汉） 结合空间距离约束的多尺度船企场景识别与提取方法
CN114399457A (zh) * 2021-11-24 2022-04-26 复旦大学附属眼耳鼻喉科医院 一种检测核黄素在角膜中渗透深度的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法
CN103679694A (zh) * 2013-05-29 2014-03-26 哈尔滨工程大学 一种基于全景视觉的舰船小目标检测方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN105405138A (zh) * 2015-11-10 2016-03-16 上海交通大学 基于显著性检测的水面目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法
CN103679694A (zh) * 2013-05-29 2014-03-26 哈尔滨工程大学 一种基于全景视觉的舰船小目标检测方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN105405138A (zh) * 2015-11-10 2016-03-16 上海交通大学 基于显著性检测的水面目标跟踪方法

Also Published As

Publication number Publication date
CN105893957A (zh) 2016-08-24

Similar Documents

Publication Publication Date Title
CN105893957B (zh) 基于视觉湖面船只检测识别与跟踪方法
Dhankhar et al. A review and research of edge detection techniques for image segmentation
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
US10691947B2 (en) Monitoring device
CN107392885A (zh) 一种基于视觉对比机制的红外弱小目标检测方法
CN106530271B (zh) 一种红外图像显著性检测方法
CN104408482A (zh) 一种高分辨率sar图像目标检测方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN106682641A (zh) 基于fhog‑lbph特征的图像行人识别方法
Li et al. High-level visual features for underwater place recognition
Fan et al. Moving target detection algorithm based on Susan edge detection and frame difference
US12020478B1 (en) Thermal image-based hybrid object detection method using YOLO model and object tracking technique
CN109658437A (zh) 一种快速检测运动物体的方法及装置
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
Gui et al. A fast caption detection method for low quality video images
Fei et al. Change detection in remote sensing images of damage areas with complex terrain using texture information and SVM
CN112686122A (zh) 人体及影子的检测方法、装置、电子设备、存储介质
Wang et al. Deep learning-based human activity analysis for aerial images
Yang et al. Method for building recognition from FLIR images
CN108664853A (zh) 人脸检测方法及装置
Yao et al. A novel method for real-time multiple moving targets detection from moving IR camera
Wen et al. Feature-level image fusion for SAR and optical images
CN110781769A (zh) 一种快速行人检测与跟踪的方法
Khongpit et al. 2D Gun's type classification using edge detection algorithm and SUSAN low level image processing
CN106250859B (zh) 基于特征矢量运动杂乱度的视频火焰检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant