CN106157332A - 一种基于ViBe算法的运动检测优化方法 - Google Patents
一种基于ViBe算法的运动检测优化方法 Download PDFInfo
- Publication number
- CN106157332A CN106157332A CN201610534268.2A CN201610534268A CN106157332A CN 106157332 A CN106157332 A CN 106157332A CN 201610534268 A CN201610534268 A CN 201610534268A CN 106157332 A CN106157332 A CN 106157332A
- Authority
- CN
- China
- Prior art keywords
- background model
- background
- sample
- pixel
- point
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ViBe背景建模算法的运动检测优化方法,利用一种新的方法获得一组背景模型,这种新的背景模型同时具有时间和空间信息,能够降低误检率,减小背景更新的错误率;理想的背景模型是由真实的背景点组成的,因此在背景更新过程中,希望得到可信度尽可能高的背景模型,本发明通过一种简单的方法将背景模型中样本分为置信度高与置信度低两组,对置信度高的样本保留,对置信度低的背景模型采取随机更新,采取这种更新方法,留下的背景模型样本点可信度会越来越高;后处理除了形态学操作,同时加入滤波处理,进一步去除了前景图像中的异常点。
Description
技术领域
本发明涉及图像处理中运动目标检测算法领域,具体是一种基于ViBe算法的运动检测优化方法。
背景技术
运动目标检测技术是计算机视觉中信息提取的关键步骤之一,其核心是如何快速准确地从视频序列中提取出运动目标,是后续图像分析的重要基础。广泛应用于视频监控、人体检测、2D-3D视频转换及交通检测等领域。
运动检测算法按照其工作原理主要分为三类:光流法,帧差法,背景减除法。光流法能够实现在运动的摄像机拍摄中的视频中提取出运动物体,但其具有很大的计算量,用途较小;帧差法是用相邻两帧相减,通过与选定的适当的阈值比较得到运动物体,因为其只要使用两帧图像就能够进行运动检测,所以具有较快的速度,实时性比较高,在其后来发展出的三帧差法也同样具有这样的优点,但是,使用帧差法得到的运动目标难以获取完整的目标轮廓,无法获得准确的运动检测结果,往往作为运动检测的一种辅助方法;背景减除法是运动检测中使用最为广泛的办法,其主要思想是先构建一个静态背景模型,再将新一帧与背景模型相减,与选定的分割阈值相比较后获得运动目标。
基于背景减除法的运动检测算法主要面对有以下一些难以处理的困难:背景中存在如树叶摆动、水纹波动、烟雾等情况,光照变化(分为光照突变和缓慢变化)以及间歇性运动物体存在等现象。目前已经提出很多解决上述一些问题的办法,但是没有一种算法可以完美适应各种场景。已有的算法中有包括建立基于颜色信息的背景模型,基于纹理信息的背景模型,处理范围也有基于像素点的处理方法以及基于区域的处理方法,但大多数的算法往往以牺牲实时性为代价而提高处理效果的,这在硬件应用领域无疑又会带来新的挑战。
ViBe算法是一个有代表性的背景减除算法,它具有很快的运动检测速度以及不俗的检测结果。但是其在动态背景的场景下表现不佳,检测结果具有很多噪点,运动物体完整性也有欠缺。从ViBe算法的原理来看,其建立背景模型的过程是从像素点x的八个领域像素点采样20次,会存在重复的样本点,在阈值分割过程中,可能就会因为这些错误的重复点得到错误的分割结果,其模型的随机更新也很难尽快去除这些异常的样本点。ViBe算法对于缓慢移动的大物体也具有较差的处理结果。
发明内容
本发明的目的是提供一种基于ViBe算法的运动检测优化方法,针对背景减除法在动态场景下处理的缺陷,在ViBe背景建模算法的基础上,在关键的步骤提出优化方法,使之成为快速的具有背景自适应能力的抵制异常点的背景减除运动检测算法。
为了达到上述目的,本发明所采用的技术方案为:
一种基于ViBe算法的运动检测优化方法,其特征在于:包括以下步骤:
(1)选取视频序列的前八帧,使用这八帧初始化背景模型;
(2)从第九帧开始,提取前景图像作为运动目标;
(3)对背景模型进行更新;
(4)对提取出的前景图像进行后处理,得到更为精确的二值前景图像。
所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(1)中,对于任一像素点x,首先需要建立背景模型B(x),其后才能进行运动检测,背景模型B(x)表达式如下:
B(x)={B1(x),B2(x),…,Bk(x),…BN(x)},N=40;
其中,B(x)表示本发明提出的背景模型,Bk(x)表示背景模型中第k个背景模型样本,N是样本的总数,取N为40;
要求背景模型从视频序列的前八帧中获得,获取方式为:在每一帧中,以某个像素点为中心的3*3像素的八邻域为随机采样范围,每一帧中随机采样五次,在前八帧共计采样到40个背景值;这种方式获取的背景模型具有颜色和纹理信息所携带的特性,同时具有时间和空间信息,并且具有很低的计算量。
所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(2)中,给定一个分割阈值R,从第九帧开始,按如下公式对新一帧像素点的前后景归属进行判别:
其中,F(x)=1时表示像素点x划分为前景点,F(x)=0时为背景点,I(x)表示当前像素点,Bk(x)表示背景模型中第k个样本,dist(I(x),Bk(x))表示该像素点与背景模型里第k个样本点的欧氏距离,#是求和算符,#min表示最小满足条件,欧式距离的计算公式如下所示:
dist(I(x),Bk(x))=|I(x)-Bk(x)|。
所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(3)中,当像素点被划分为背景点的时候,将有更新率T对背景模型进行更新,具体的更新过程如下所述:
在步骤(2)求dist(I(x),Bk(x))的过程中,根据dist(I(x),Bk(x))和R的大小关系将背景模型中40个背景模型样本分为置信度高和置信度低两种:
更新仅仅针对背景模型中M个置信度低的样本值,对于(N-M)个置信度高的背景模型样本值给予全部保留;同时,采取随机选取的方式,选取M个置信度低的样本的其中一个进行更新,用新判定的背景点替换这个样本点;背景点一般不会独立存在,其邻域点很有可能也是背景点,但是也不绝对是背景点,所以采用更新背景点邻域点的背景模型来实现这个思路,具体做法是用邻域点的像素值随机替换它的一个背景模型样本值,更新率也为T;这样在邻域点的检测中,最小满足条件变为#min-1,某种程度上也做到了自适应。
所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(4)中,给前景点赋255,背景点赋0后得到分割后的二值图像,先对此二值图像进行形态化处理,其后再对其进行中值滤波处理,经实验测试,相比于其他窗口大小的中值滤波,9*9的中值滤波模板能够得到更好的结果。
本发明针对ViBe算法的不良表现,在背景模型建立,背景的更新以及后处理等关键步骤提出创新和改进,能够有效的抑制ViBe算法检测的异常点,在动态背景检测中具有良好的表现。
本发明通过一种简单的方法将背景模型中样本分为置信度高与置信度低两组,对置信度高的样本保留,对置信度低的背景模型采取随机更新,采取这种更新方法,留下的背景模型样本点可信度会越来越高;后处理除了形态学操作,同时加入滤波处理,进一步去除了前景图像中的异常点。该算法能够适应多种类型的场景,跟ViBe等其他运动检测算法相比,具有更高的精确率,同时具有很快的处理速度。
附图说明
图1为本发明整个流程图。
图2为本发明的实验结果与其他算法的实验结果对比。
具体实施方式
本发明本质上是运动检测中的背景建模算法,一个经典的背景建模算法包括建立背景模型、决策分割前景、背景更新、后处理几个步骤,如图1所示,本算法也是严格按照这样的步骤执行。下面就从这几个步骤介绍本发明的具体实施方法。
1.建立背景模型。一个好的背景模型是背景减除法有良好表现的关键,本发明是基于像素点的检测算法,对于一帧图像中的每一个像素点x,都应建立一组背景模型。初始化像素点的背景模型,选取该像素点的前八帧的八邻域范围,在前八帧的每一帧中采取随机采样的方式采样五次,如此,总共能够采样40个样本作为该像素点的背景模型:
B(x)={B1(x),B2(x),…,BN(x)},N=40;
B(x)表示本发明提出的背景模型,Bk(x)表示背景模型中第k个背景模型样本,N是样本的总数,本发明通过实验决定N取40。ViBe算法仅采用第一帧图像初始化背景模型,虽然其在第二帧图像就能够检测,具有很高的实时性,但是对于准确性却存在着大风险,具体分析如下:一帧图像中的像素可分为三类,有图像四个顶角,边缘处以及图像内三类,相应的3*3邻域分别包含三个、五个和八个像素点,在这极少数的邻域像素中采样20次得到的背景模型无疑会包含许多重复的像素点,在后面的阈值分割过程中将会很容易带来错误的结果。
本算法在前八帧中初始化背景模型,在每一帧随机选取少量的样本点,大大减少了重复的样本点,能够避免ViBe算法的风险,另外,八帧之间包含着丰富的时间信息,八邻域包含空间信息,由此可见,本发明提出的背景模型具有时空特性。
2.前后景分割。从第九帧开始提取运动目标,用新一帧像素点与每个背景模型样本计算欧式距离:
dist(I(x),Bk(x))=|I(x)-Bk(x)|
若满足dist(I(xi),Bk(x))<R,表示新一帧像素点与该背景样本特性相近,统计这样的背景模型样本个数,记为
#{dist(I(x),Bk(x))<R},
若#{dist(I(x),Bk(x))<R}不小于#min,就将像素点x标记为背景点。
用完整的公式表示提取前景点策略,即为:
F(x)=1时表示像素点x划分为前景点,F(x)=0时为背景点。I(x)表示当前像素点,Bk(x)表示背景模型中第k个样本。dist(I(x),Bk(x))表示该像素点与背景模型里第k个样本点的欧氏距离,"#"是求和算符,#min表示最小满足条件。
3.更新背景模型。若有像素点被划分为背景点,则有T的更新率去更新背景,参数T称为更新率。ViBe算法中对N个背景模型样本采取随机更新的策略,即随机选取一个背景模型样本,用新的背景像素点去替代它,这样很可能会替代掉原来表现就很好的背景模型样本,在本发明中,发明人根据dist(I(x),Bk(x))和R的大小关系,将N个背景模型样本分为置信度高和置信度低两类:
在置信度低的一类中,可采取随机更新的方式对背景模型进行更新。按照本发明的更新背景方式,背景模型将更加精确高效。
4.后处理。ViBe算法在后处理中仅用了简单的形态学处理,从实验结果来看,它无法处理图像中留下来的噪声点,同时在运动目标中还会留下很多细小的空洞。本发明在原算法的后处理的基础上加入中值滤波处理,经过实验的调试,9*9的中值滤波模板能够表现更佳。
上述方法,首先在前八帧图片中随机选取像素点初始化背景模型,然后从第九帧开始前后景分割得到初始前景,在分割决策过程中,将背景模型点划分为置信度高的点和置信度低的点,置信度高的点保留以确保后续分割的准确性,对置信度低的点随机更新,以提高背景模型的总体置信度,最后对得到的初始前景进行形态学处理以及中值滤波等后处理,输出最终结果。
为了验证本方法的高效性,本发明利用changedetection.net网站提供的测试图片中的dynamic background分类进行测试,本组实验有针对性的选取其中canoe,boats,fountain几个视频进行测试,这几组视频流包含的动态背景既有摇晃的树叶也有水纹波动。采用召回率(Recall),准确率(Precision),以及F1-measure等参数对实验结果量化评比,具体参数定义如下:
其中TP,TN分别表示正确的前景点数目和背景点数目,FP,FN分别表示错误的前景点和背景点数目。
图2中a列为测试图片,b列表示GroundTruth,c列表示Vibe算法的前景检测结果,d列则表示本发明所提出的方法的检测结果。可以从看出本发明的检测结果明显要好于前面的算法,误检点更少。本发明在ViBe算法基础上进行优化,取得了一定效果,与其他一些运动检测算法相比也有一定优势,表1列出了本发明与其他运动检测算法量化比较。
表1是本发明的数据与别的算法的比较结果,F1_measure能够最直观的看出一种算法的优劣,本算法的F1-measure值可以达到0.7960,明显领先于其他几种运动检测算法。
表1本发明的数据与别的算法的比较结果表。
从上述比较可以看出本算法较其他一些典型的运动检测算法有较大的优势,使运动检测更为精确。
Claims (5)
1.一种基于ViBe算法的运动检测优化方法,其特征在于:包括以下步骤:
(1)选取视频序列的前八帧,使用这八帧初始化背景模型;
(2)从第九帧开始,提取前景图像作为运动目标;
(3)对背景模型进行更新;
(4)对提取出的前景图像进行后处理,得到更为精确的二值前景图像。
2.根据权利要求1所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(1)中,对于任一像素点x,首先需要建立背景模型B(x),其后才能进行运动检测,背景模型B(x)表达式如下:
B(x)={B1(x),B2(x),…,Bk(x),…BN(x)},N=40;
其中,B(x)表示本发明提出的背景模型,Bk(x)表示背景模型中第k个背景模型样本,N是样本的总数,取N为40;
要求背景模型从视频序列的前八帧中获得,获取方式为:在每一帧中,以某个像素点为中心的3*3像素的八邻域为随机采样范围,每一帧中随机采样五次,在前八帧共计采样到40个背景值;这种方式获取的背景模型具有颜色和纹理信息所携带的特性,同时具有时间和空间信息,并且具有很低的计算量。
3.根据权利要求1所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(2)中,给定一个分割阈值R,从第九帧开始,按如下公式对新一帧像素点的前后景归属进行判别:
其中,F(x)=1时表示像素点x划分为前景点,F(x)=0时为背景点,I(x)表示当前像素点,Bk(x)表示背景模型中第k个样本,dist(I(x),Bk(x))表示该像素点与背景模型里第k个样本点的欧氏距离,#是求和算符,#min表示最小满足条件,欧式距离的计算公式如下所示:
dist(I(x),Bk(x))=|I(x)-Bk(x)|。
4.根据权利要求1所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(3)中,当像素点被划分为背景点的时候,将有更新率T对背景模型进行更新,具体的更新过程如下所述:
在步骤(2)求dist(I(x),Bk(x))的过程中,根据dist(I(x),Bk(x))和R的大小关系将背景模型中40个背景模型样本分为置信度高和置信度低两种:
更新仅仅针对背景模型中M个置信度低的样本值,对于(N-M)个置信度高的背景模型样本值给予全部保留;同时,采取随机选取的方式,选取M个置信度低的样本的其中一个进行更新,用新判定的背景点替换这个样本点;背景点一般不会独立存在,其邻域点很有可能也是背景点,但是也不绝对是背景点,所以采用更新背景点邻域点的背景模型来实现这个思路,具体做法是用邻域点的像素值随机替换它的一个背景模型样本值,更新率也为T;这样在邻域点的检测中,最小满足条件变为#min-1,某种程度上也做到了自适应。
5.根据权利要求1所述的一种基于ViBe算法的运动检测优化方法,其特征在于:步骤(4)中,给前景点赋255,背景点赋0后得到分割后的二值图像,先对此二值图像进行形态化处理,其后再对其进行中值滤波处理,经实验测试,相比于其他窗口大小的中值滤波,9*9的中值滤波模板能够得到更好的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610534268.2A CN106157332A (zh) | 2016-07-07 | 2016-07-07 | 一种基于ViBe算法的运动检测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610534268.2A CN106157332A (zh) | 2016-07-07 | 2016-07-07 | 一种基于ViBe算法的运动检测优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106157332A true CN106157332A (zh) | 2016-11-23 |
Family
ID=58061582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610534268.2A Pending CN106157332A (zh) | 2016-07-07 | 2016-07-07 | 一种基于ViBe算法的运动检测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157332A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598046A (zh) * | 2016-11-29 | 2017-04-26 | 北京智能管家科技有限公司 | 机器人躲避控制方法和装置 |
CN107403436A (zh) * | 2017-06-26 | 2017-11-28 | 中山大学 | 一种基于深度图像的人物轮廓快速检测与跟踪方法 |
CN107578424A (zh) * | 2017-08-04 | 2018-01-12 | 中山大学 | 一种基于时空分类的动态背景差分检测方法、系统及装置 |
CN107749065A (zh) * | 2017-06-19 | 2018-03-02 | 江西洪都航空工业集团有限责任公司 | 基于cuda的vibe背景建模方法 |
CN108257157A (zh) * | 2018-02-09 | 2018-07-06 | 西安电子科技大学 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
CN108921078A (zh) * | 2018-06-27 | 2018-11-30 | 天津大学 | 基于视频的时空背景建模运动前景检测算法 |
CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
CN110264422A (zh) * | 2019-06-14 | 2019-09-20 | 西安电子科技大学 | 基于ViBe模型消除光学闪烁像素的光学图像处理方法 |
CN110580709A (zh) * | 2019-07-29 | 2019-12-17 | 浙江工业大学 | 一种基于ViBe和三帧差分融合的目标检测方法 |
CN111460949A (zh) * | 2020-03-25 | 2020-07-28 | 上海电机学院 | 一种输电线路防外力破坏实时监测方法和系统 |
CN112003999A (zh) * | 2020-09-15 | 2020-11-27 | 东北大学 | 基于Unity 3D的三维虚拟现实合成算法 |
CN112101232A (zh) * | 2020-09-16 | 2020-12-18 | 国网上海市电力公司 | 一种基于多分类器的火焰检测方法 |
CN112532927A (zh) * | 2020-11-17 | 2021-03-19 | 南方电网海南数字电网研究院有限公司 | 一种施工现场智能安全管控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169538A (zh) * | 2011-04-12 | 2011-08-31 | 广州市威宝网络科技有限公司 | 一种基于像素置信度的背景建模方法 |
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 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
CN104616290A (zh) * | 2015-01-14 | 2015-05-13 | 合肥工业大学 | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 |
CN104680521A (zh) * | 2015-02-06 | 2015-06-03 | 哈尔滨工业大学深圳研究生院 | 一种改进的背景建模及前景检测方法 |
-
2016
- 2016-07-07 CN CN201610534268.2A patent/CN106157332A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169538A (zh) * | 2011-04-12 | 2011-08-31 | 广州市威宝网络科技有限公司 | 一种基于像素置信度的背景建模方法 |
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 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
CN104616290A (zh) * | 2015-01-14 | 2015-05-13 | 合肥工业大学 | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 |
CN104680521A (zh) * | 2015-02-06 | 2015-06-03 | 哈尔滨工业大学深圳研究生院 | 一种改进的背景建模及前景检测方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598046A (zh) * | 2016-11-29 | 2017-04-26 | 北京智能管家科技有限公司 | 机器人躲避控制方法和装置 |
CN106598046B (zh) * | 2016-11-29 | 2020-07-10 | 北京儒博科技有限公司 | 机器人躲避控制方法和装置 |
CN107749065A (zh) * | 2017-06-19 | 2018-03-02 | 江西洪都航空工业集团有限责任公司 | 基于cuda的vibe背景建模方法 |
CN107403436A (zh) * | 2017-06-26 | 2017-11-28 | 中山大学 | 一种基于深度图像的人物轮廓快速检测与跟踪方法 |
CN107403436B (zh) * | 2017-06-26 | 2021-03-23 | 中山大学 | 一种基于深度图像的人物轮廓快速检测与跟踪方法 |
CN107578424A (zh) * | 2017-08-04 | 2018-01-12 | 中山大学 | 一种基于时空分类的动态背景差分检测方法、系统及装置 |
CN107578424B (zh) * | 2017-08-04 | 2020-09-29 | 中山大学 | 一种基于时空分类的动态背景差分检测方法、系统及装置 |
CN108257157B (zh) * | 2018-02-09 | 2020-06-23 | 西安电子科技大学 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
CN108257157A (zh) * | 2018-02-09 | 2018-07-06 | 西安电子科技大学 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
CN108805897B (zh) * | 2018-05-22 | 2022-01-21 | 安徽大学 | 一种改进的运动目标检测vibe方法 |
CN108921078A (zh) * | 2018-06-27 | 2018-11-30 | 天津大学 | 基于视频的时空背景建模运动前景检测算法 |
CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
CN110111361B (zh) * | 2019-04-22 | 2021-05-18 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
CN110264422A (zh) * | 2019-06-14 | 2019-09-20 | 西安电子科技大学 | 基于ViBe模型消除光学闪烁像素的光学图像处理方法 |
CN110580709A (zh) * | 2019-07-29 | 2019-12-17 | 浙江工业大学 | 一种基于ViBe和三帧差分融合的目标检测方法 |
CN111460949A (zh) * | 2020-03-25 | 2020-07-28 | 上海电机学院 | 一种输电线路防外力破坏实时监测方法和系统 |
CN111460949B (zh) * | 2020-03-25 | 2023-09-29 | 上海电机学院 | 一种输电线路防外力破坏实时监测方法和系统 |
CN112003999A (zh) * | 2020-09-15 | 2020-11-27 | 东北大学 | 基于Unity 3D的三维虚拟现实合成算法 |
CN112101232A (zh) * | 2020-09-16 | 2020-12-18 | 国网上海市电力公司 | 一种基于多分类器的火焰检测方法 |
CN112532927A (zh) * | 2020-11-17 | 2021-03-19 | 南方电网海南数字电网研究院有限公司 | 一种施工现场智能安全管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157332A (zh) | 一种基于ViBe算法的运动检测优化方法 | |
CN109840471B (zh) | 一种基于改进Unet网络模型的可行道路分割方法 | |
CN108875624B (zh) | 基于多尺度的级联稠密连接神经网络的人脸检测方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN108388885B (zh) | 面向大型直播场景的多人特写实时识别与自动截图方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN110059694A (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN108090919A (zh) | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN113191969A (zh) | 一种基于注意力对抗生成网络的无监督图像除雨方法 | |
CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
CN111062967A (zh) | 一种基于目标动态跟踪的电力营业厅客流统计方法及系统 | |
CN113361645A (zh) | 基于元学习及知识记忆的目标检测模型构建方法及系统 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN105389820A (zh) | 一种基于倒谱的红外图像清晰度评价方法 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN107220945A (zh) | 多重退化的极模糊图像的复原方法 | |
CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
Li et al. | Incremental learning of infrared vehicle detection method based on SSD |
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: 20161123 |