CN105913020B - 基于codebook背景建模的行人检测方法 - Google Patents

基于codebook背景建模的行人检测方法 Download PDF

Info

Publication number
CN105913020B
CN105913020B CN201610222003.9A CN201610222003A CN105913020B CN 105913020 B CN105913020 B CN 105913020B CN 201610222003 A CN201610222003 A CN 201610222003A CN 105913020 B CN105913020 B CN 105913020B
Authority
CN
China
Prior art keywords
pedestrian
foreground area
area
block models
interim block
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
Application number
CN201610222003.9A
Other languages
English (en)
Other versions
CN105913020A (zh
Inventor
张瑜
李诗扬
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.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Chengdu Ebit Automation Equipment Co Ltd
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 Chengdu Ebit Automation Equipment Co Ltd filed Critical Chengdu Ebit Automation Equipment Co Ltd
Priority to CN201610222003.9A priority Critical patent/CN105913020B/zh
Publication of CN105913020A publication Critical patent/CN105913020A/zh
Application granted granted Critical
Publication of CN105913020B publication Critical patent/CN105913020B/zh
Expired - Fee Related 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
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种能够有效快速的检测出视频中的行人、对光照突变具有很好的鲁棒性的基于codebook背景建模的行人检测方法。该基于codebook背景建模的行人检测方法是在codebook背景建模算法的基础上，引入行人分类器，使其具有检测视频图像中行人的能力，加速了传统行人分类器通过遍历全图检测行人的过程，针对codebook背景建模算法不能处理光照突然改变的情况，结合行人检测的特征，构建临时块模型，将行人分类器融入到背景更新环节中，能够有效快速的检测出视频中的行人，对光照突变具有很好的鲁棒性，在实际场景中能取得较好的检测的效果，同时该方法不需要额外的传感器，对于人少且背景较稳定的监控场景加速明显，实时性较好。适合在输电线路巡检技术领域推广应用。

Description

基于codebook背景建模的行人检测方法
技术领域
本发明涉及输电线路巡检技术领域，尤其是一种基于codebook背景建模的行人检测方法。
背景技术
行人检测在视频监控领域有着广阔的应用前景，通过对监控视频中检测出的行人进行分析，能满足许多应用场合的需求，如家庭安防、智能辅助驾驶、智能机器人等。可将当前行人检测的方法大概可分为两类：基于背景建模的方法和基于统计学习的方法。
目前基于统计学习进行行人检测的方法基本上是基于Navneet Dalal，BillTriggs等提出的HOG+SVM的方法，通过计算图像的HOG(Histograms of OrientedGradient)特征，并送入线性SVM训练分类器，依靠滑动窗口的方式检测图像中的行人，在原始的MIT行人数据库取得了很好的效果，但由于需要在大量的滑动窗口中计算局部特征，因此基于滑动窗进行分类检测的算法实时性大都不好，很难达到实用的要求；SubhransuMaji，Alexander C.Berg等人针对线性SVM分类准确率不高的问题，在保证不提高算法的计算复杂度的前提下，提出使用交叉核等非线性核来训练分类器，大大提高了检测性能；Ming-Ming Cheng等通过训练传统的显著性检测方法为待检测目标提供候选区域，减小滑动窗口的数量，大大加速了传统上依靠滑动窗进行检测的算法，达到300fps。
背景建模方法能通过提取场景中运动目标，减少分类器搜索的范围，提高基于滑动窗进行检测的统计学习方法的速度。常见的背景建模方法有混和高斯模型，核密度估计和码本模型等。
Kyungnam Kim等在《Real-time foreground-background segmentation usingcodebook model》中提出使用码本模型，通过将背景信息压缩成码本来对背景建模，提取运动前景目标，但该算法不能很好的应对光照突变的影响，比如，在开门关门的时候由于光线的变化，背景建模方法很容易将光线变化的区域检测为行人，很容易造成误检。2005年NavneetDalal，Bill Triggs等在《Histograms of Oriented Gradients for HumanDetection》中提出使用方向梯度直方图(HOG)特征，送入支撑向量机(SVM)训练行人分类器，并构建检测器检测图像中的行人，但实时性差，不能满足应用的需求，该算法主要的计算瓶颈之一在于全图遍历寻找存在行人的候选区域。
发明内容
本发明所要解决的技术问题是提供一种能够有效快速的检测出视频中的行人，对光照突变具有很好的鲁棒性的基于codebook背景建模的行人检测方法。
本发明解决其技术问题所采用的技术方案为：该基于codebook背景建模的行人检测方法，包括以下步骤：
A、利用视频图像中的第1至n帧的先验知识构建码本背景模型，同时从视频图像中获取能反映监控场景的行人正负样本，并将获取的能反映监控场景的行人正负样本送入SVM分类器训练行人分类器，构建出行人检测器；
B、利用码本背景模型对视频图像中的第n+1帧进行处理，分割出背景区域a1和前景区域b1，将分割出的前景区域b1利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果；若检测结果为不存在行人，则前景区域b1为非行人前景区域c1，将所有的非行人前景区域c1构建成临时块模型；
C、利用码本背景模型对视频图像中的第n+2帧进行处理，分割出背景区域a2和前景区域b2，将分割出的前景区域b2利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域b2为非行人前景区域c2，接着分别确定每一个非行人前景区域c2与临时块模型中的非行人前景区域c1的位置关系；若非行人前景区域c2与临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域c2，同时将临时块模型中与该非行人前景区域c2存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域c2与临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域c2更新到临时块模型中成为一个新的非行人前景区域c1；
D、利用码本背景模型依次对视频图像中的第n+i至n+m帧进行处理，其中3≤i≤m，分割出背景区域ai和前景区域bi，将分割出的前景区域bi利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域bi为非行人前景区域ci，接着分别确定每一个非行人前景区域ci与上一次更新的临时块模型中的非行人前景区域c1的位置关系；若该非行人前景区域ci与上一次更新的临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域ci，同时将临时块模型中与该非行人前景区域ci存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域ci与上一次更新的临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域ci更新到临时块模型中成为一个新的非行人前景区域c1；
E、当利用码本背景模型对视频图像中的第m帧处理后，对临时块模型进行归零处理，即将临时块模型中被定义为重复访问的非行人前景区域c1更新到码本背景模型中，同时将其它非行人前景区域c1舍弃；
F、重复步骤B至步骤E，利用更新后的码本背景模型对视频图像中的第n+m+1帧至第n+km帧进行处理，其中k为大于2的任意整数。
进一步的是，步骤C中，采用如下方法判断非行人前景区域c2与非行人前景区域c1的位置关系：首先，所述临时块模型中的每一个非行人前景区域c1用一个矩形框r1＝(x1,y1,w1,h1)表示，矩形框r1的重心o1＝(x1+w1/2,y1+h1/2)，非行人前景区域c2用一个矩形框r2＝(x2,y2,w2,h2)表示，矩形框r2的重心o2＝(x2+w2/2,y2+h2/2)，o1和o2间的水平距离dx和垂直距离dy：dx＝|x2-x1+(w2-w1)/2|，dy＝|y2-y1+(h2-h1)/2|，通过如下关系式判断非行人前景区域c2与非行人前景区域c1的位置关系，所述关系式为，
本发明的有益效果：该基于codebook背景建模的行人检测方法是在codebook背景建模算法的基础上，引入行人分类器，使其具有检测视频图像中行人的能力，加速了传统行人分类器通过遍历全图检测行人的过程，针对codebook背景建模算法不能处理光照突然改变的情况，结合行人检测的特征，构建临时块模型，将行人分类器融入到背景更新环节中，能够有效快速的检测出视频中的行人，对光照突变具有很好的鲁棒性，在实际场景中能取得较好的检测的效果，同时该方法不需要额外的传感器，对于人少且背景较稳定的监控场景加速明显，实时性较好。
附图说明
图1表示非行人前景区域c2与非行人前景区域c1相交；
图2表示非行人前景区域c2与非行人前景区域c1相离；
图3表示非行人前景区域c2与非行人前景区域c1包含
图4表示测试视频图像序列中的其中四帧图像；
图5为通过codebook背景建模算法分割的前景区域；
图6为利用行人检测器对分割出的前景区域检测的结果；
图7为对未检测到行人的前景区域的自我更新过程。
具体实施方式
本发明所述的基于codebook背景建模的行人检测方法，包括以下步骤：
该基于codebook背景建模的行人检测方法，包括以下步骤：
A、利用视频图像中的第1至n帧的先验知识构建码本背景模型，同时从视频图像中获取能反映监控场景的行人正负样本，并将获取的能反映监控场景的行人正负样本送入SVM分类器训练行人分类器，构建出行人检测器；
B、利用码本背景模型对视频图像中的第n+1帧进行处理，分割出背景区域a1和前景区域b1，将分割出的前景区域b1利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果；若检测结果为不存在行人，则前景区域b1为非行人前景区域c1，将所有的非行人前景区域c1构建成临时块模型；
C、利用码本背景模型对视频图像中的第n+2帧进行处理，分割出背景区域a2和前景区域b2，将分割出的前景区域b2利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域b2为非行人前景区域c2，接着分别确定每一个非行人前景区域c2与临时块模型中的非行人前景区域c1的位置关系；若非行人前景区域c2与临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域c2，同时将临时块模型中与该非行人前景区域c2存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域c2与临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域c2更新到临时块模型中成为一个新的非行人前景区域c1；
D、利用码本背景模型依次对视频图像中的第n+i至n+m帧进行处理，其中3≤i≤m，分割出背景区域ai和前景区域bi，将分割出的前景区域bi利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域bi为非行人前景区域ci，接着分别确定每一个非行人前景区域ci与上一次更新的临时块模型中的非行人前景区域c1的位置关系；若该非行人前景区域ci与上一次更新的临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域ci，同时将临时块模型中与该非行人前景区域ci存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域ci与上一次更新的临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域ci更新到临时块模型中成为一个新的非行人前景区域c1；
E、当利用码本背景模型对视频图像中的第m帧处理后，对临时块模型进行归零处理，即将临时块模型中被定义为重复访问的非行人前景区域c1更新到码本背景模型中，同时将其它非行人前景区域c1舍弃；
F、重复步骤B至步骤E，利用更新后的码本背景模型对视频图像中的第n+m+1帧至第n+km帧进行处理，其中k为大于2的任意整数。
该基于codebook背景建模的行人检测方法是在codebook背景建模算法的基础上，引入行人分类器，使其具有检测视频图像中行人的能力，加速了传统行人分类器通过遍历全图检测行人的过程，针对codebook背景建模算法不能处理光照突然改变的情况，结合行人检测的特征，构建临时块模型，将行人分类器融入到背景更新环节中，能够有效快速的检测出视频中的行人，对光照突变具有很好的鲁棒性，在实际场景中能取得较好的检测的效果，同时该方法不需要额外的传感器，对于人少且背景较稳定的监控场景加速明显，实时性较好。
进一步的是，步骤C中，采用如下方法判断非行人前景区域c2与非行人前景区域c1的位置关系：首先，所述临时块模型中的每一个非行人前景区域c1用一个矩形框r1＝(x1,y1,w1,h1)表示，矩形框r1的重心o1＝(x1+w1/2,y1+h1/2)，非行人前景区域c2用一个矩形框r2＝(x2,y2,w2,h2)表示，矩形框r2的重心o2＝(x2+w2/2,y2+h2/2)，o1和o2间的水平距离dx和垂直距离dy：dx＝|x2-x1+(w2-w1)/2|，dy＝|y2-y1+(h2-h1)/2|，通过如下关系式判断非行人前景区域c2与非行人前景区域c1的位置关系，
所述关系式为
非行人前景区域c2与非行人前景区域c1的位置关系如图1至图3所示，图1表示非行人前景区域c2与非行人前景区域c1相交；图2表示非行人前景区域c2与非行人前景区域c1相离；图3表示非行人前景区域c2与非行人前景区域c1包含。
在步骤A中，利用视频图像中的第1至n帧的先验知识构建码本背景模型的方法如下所述：首先，每一个像素建立码本φ＝{c1,c2,...,cL}，每个码本由L个码字组成，在RGB空间，每一个码字ci，i＝1...L，由一个RGB向量和一组六元参数qi>构成。表示每个码字中最小和最大亮度值；fi表示这个码字被访问的频率；最大负运行时间λi表示在训练阶段码字未被重新访问的最大时间间隔；pi,qi分别表示码字首次和末次被访问的时间；接着，设置原始码本φ为空集，包含码字L为0，对于时间从t＝1到N，Xt＝(R,G,B)，在每一个像素建立的码本φ＝{ci|1≤i≤L}中寻找是否有cm与Xt满足条件
Colordist(Xt,Vm)≤ε1
如果φ为空或者未找到匹配，码字个数加一，并按下面的规则初始化一个新的码字cL
VL＝(R,G,B)
auXL＝＜I,I,1,t-1,t,t＞
否则，更新当前匹配的码字cm
对每一个码字ci，i＝1...L，循环设置λi＝max{λi,(N-qi+pi-1)}
在训练阶段构建码本模型结束后，通过设置时间阈值Tu为训练时间的一半N/2，根据公式U＝{cm∈φ∧λm≤Tu}得到滤除冗余码本后的码本背景模型U。
图4表示测试视频图像序列中的其中四帧图像，图5为通过codebook背景建模算法分割的前景区域，从图5中可看出光照突然的改变对codebook背景建模算法检测性能带来的影响，；图6为利用行人检测器对分割出的前景区域检测的结果；图7为对未检测到行人的前景区域的自我更新过程，由图可以看出，当行人打开门后，带来局部光照的突然改变，该算法能应对光照突然的改变。

Claims (2)

1.基于codebook背景建模的行人检测方法，其特征在于包括以下步骤：
A、利用视频图像中的第1至n帧的先验知识构建码本背景模型，同时从视频图像中获取能反映监控场景的行人正负样本，并将获取的能反映监控场景的行人正负样本送入SVM分类器训练行人分类器，构建出行人检测器；
B、利用码本背景模型对视频图像中的第n+1帧进行处理，分割出背景区域a1和前景区域b1，将分割出的前景区域b1利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果；若检测结果为不存在行人，则前景区域b1为非行人前景区域c1，将所有的非行人前景区域c1构建成临时块模型；
C、利用码本背景模型对视频图像中的第n+2帧进行处理，分割出背景区域a2和前景区域b2，将分割出的前景区域b2利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域b2为非行人前景区域c2，接着分别确定每一个非行人前景区域c2与临时块模型中的非行人前景区域c1的位置关系；若非行人前景区域c2与临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域c2，同时将临时块模型中与该非行人前景区域c2存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域c2与临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域c2更新到临时块模型中成为一个新的非行人前景区域c1；
D、利用码本背景模型依次对视频图像中的第n+i至n+m帧进行处理，其中3≤i≤m，分割出背景区域ai和前景区域bi，将分割出的前景区域bi利用行人检测器检测是否存在行人，若检测结果为存在行人，输出检测结果，若检测结果为不存在行人，则前景区域bi为非行人前景区域ci，接着分别确定每一个非行人前景区域ci与上一次更新的临时块模型中的非行人前景区域c1的位置关系；若该非行人前景区域ci与上一次更新的临时块模型中的其中一个非行人前景区域c1存在包含关系，舍弃该非行人前景区域ci，同时将临时块模型中与该非行人前景区域ci存在包含关系的非行人前景区域c1定义为重复访问；若该非行人前景区域ci与上一次更新的临时块模型中的任何一个非行人前景区域c1都存在相离或相交的关系，则将该非行人前景区域ci更新到临时块模型中成为一个新的非行人前景区域c1；
E、当利用码本背景模型对视频图像中的第m帧处理后，对临时块模型进行归零处理，即将临时块模型中被定义为重复访问的非行人前景区域c1更新到码本背景模型中，同时将其它非行人前景区域c1舍弃；
F、重复步骤B至步骤E，利用更新后的码本背景模型对视频图像中的第n+m+1帧至第n+km帧进行处理，其中k为大于2的任意整数。
2.如权利要求1所述的基于codebook背景建模的行人检测方法，其特征在于：步骤C中，采用如下方法判断非行人前景区域c2与非行人前景区域c1的位置关系：首先，所述临时块模型中的每一个非行人前景区域c1用一个矩形框r1＝(x1,y1,w1,h1)表示，矩形框r1的重心o1＝(x1+w1/2,y1+h1/2)，非行人前景区域c2用一个矩形框r2＝(x2,y2,w2,h2)表示，矩形框r2的重心o2＝(x2+w2/2,y2+h2/2)，o1和o2间的水平距离dx和垂直距离dy：dx＝|x2-x1+(w2-w1)/2|，dy＝|y2-y1+(h2-h1)/2|，通过如下关系式判断非行人前景区域c2与非行人前景区域c1的位置关系，所述关系式为，
CN201610222003.9A 2016-04-12 2016-04-12 基于codebook背景建模的行人检测方法 Expired - Fee Related CN105913020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610222003.9A CN105913020B (zh) 2016-04-12 2016-04-12 基于codebook背景建模的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610222003.9A CN105913020B (zh) 2016-04-12 2016-04-12 基于codebook背景建模的行人检测方法

Publications (2)

Publication Number Publication Date
CN105913020A CN105913020A (zh) 2016-08-31
CN105913020B true CN105913020B (zh) 2019-01-29

Family

ID=56745064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610222003.9A Expired - Fee Related CN105913020B (zh) 2016-04-12 2016-04-12 基于codebook背景建模的行人检测方法

Country Status (1)

Country Link
CN (1) CN105913020B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310206A (zh) * 2013-07-06 2013-09-18 中国科学技术大学 一种基于多特征与多帧信息融合的助力车检测方法
CN103578119A (zh) * 2013-10-31 2014-02-12 苏州大学 基于超像素的Codebook动态场景中目标检测方法
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310206A (zh) * 2013-07-06 2013-09-18 中国科学技术大学 一种基于多特征与多帧信息融合的助力车检测方法
CN103578119A (zh) * 2013-10-31 2014-02-12 苏州大学 基于超像素的Codebook动态场景中目标检测方法
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂场景下的行人检测方法研究;方旭;《中国优秀硕士学位论文全文数据库》;20141015;全文

Also Published As

Publication number Publication date
CN105913020A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105844295B (zh) 一种基于颜色模型与运动特征的视频烟雾精细分类方法
CN110363122A (zh) 一种基于多层特征对齐的跨域目标检测方法
CN107169985A (zh) 一种基于对称帧间差分和背景更新的运动目标检测方法
CN110109060A (zh) 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN108256450A (zh) 一种基于深度学习的人脸识别和人脸验证的监督学习方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN111882586A (zh) 一种面向剧场环境的多演员目标跟踪方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN111507413A (zh) 一种基于字典学习的城市管理案件图像识别方法
CN106570885A (zh) 基于亮度和纹理融合阈值的背景建模方法
CN113096085A (zh) 基于两阶段卷积神经网络的集装箱表面损伤检测方法
CN105868269A (zh) 基于区域卷积神经网络的精确图像检索方法
CN110222735A (zh) 一种基于神经网络与背景建模的物品被盗遗留识别方法
CN112819837A (zh) 一种基于多源异构遥感影像的语义分割方法
CN105631405A (zh) 基于多级分块的交通视频智能识别背景建模方法
CN112837281B (zh) 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备
CN105913020B (zh) 基于codebook背景建模的行人检测方法
Rao et al. Roads detection of aerial image with FCN-CRF model
CN116597174A (zh) 一种基于深度学习的视觉slam回环检测系统及其方法
Song et al. MsfNet: a novel small object detection based on multi-scale feature fusion
Li et al. Image object detection algorithm based on improved Gaussian mixture model
CN104134218B (zh) 一种基于分层匹配五元组Codebook的运动目标检测方法
Chen et al. Faster rcnn for multi-class foreign objects detection of transmission lines
Cao et al. Enhanced receptive field smoke detection model embedded with attention mechanism

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
CB03 Change of inventor or designer information

Inventor after: Zhang Yu

Inventor after: Li Shiyang

Inventor after: Zheng Wulue

Inventor before: Zhang Yu

Inventor before: Li Shiyang

CB03 Change of inventor or designer information
TR01 Transfer of patent right

Effective date of registration: 20191204

Address after: 510663, science Avenue, Luogang District Science City, Guangdong, 181, A4, ninth to 11, Guangzhou

Patentee after: Guangzhou Bureau of Extra High Voltage Transmission Company of China Southern Power Grid Co., Ltd.

Address before: 1, No. 610000, 11 floor, No. 69, Tianfu Third Street, Chengdu hi tech Zone, Sichuan, 1115

Patentee before: CHENGDU EBIT AUTOMATION EQUIPMENT CO., LTD.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190129

Termination date: 20200412

CF01 Termination of patent right due to non-payment of annual fee