CN106530300B - 一种低秩分析的火焰识别方法 - Google Patents

一种低秩分析的火焰识别方法 Download PDF

Info

Publication number
CN106530300B
CN106530300B CN201611079029.9A CN201611079029A CN106530300B CN 106530300 B CN106530300 B CN 106530300B CN 201611079029 A CN201611079029 A CN 201611079029A CN 106530300 B CN106530300 B CN 106530300B
Authority
CN
China
Prior art keywords
image
matrix
threshold value
value
flame
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
CN201611079029.9A
Other languages
English (en)
Other versions
CN106530300A (zh
Inventor
尹红然
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.)
TIANSHI COLLEGE
Original Assignee
TIANSHI COLLEGE
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 TIANSHI COLLEGE filed Critical TIANSHI COLLEGE
Priority to CN201611079029.9A priority Critical patent/CN106530300B/zh
Publication of CN106530300A publication Critical patent/CN106530300A/zh
Application granted granted Critical
Publication of CN106530300B publication Critical patent/CN106530300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T2207/10048—Infrared image
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种低秩分析的火焰识别算法，首先用红外摄像仪采集视频图像，用高斯平滑滤波对图像预处理，灰度图像二值化，提取当前帧可疑区域的外接矩形，缩放，将外界矩形的数据作为列向量，依次取该帧后连续n‑1帧图像，同样的提取火焰区域外接矩形的数据，缩放为同样的大小，逐帧将数据作为列向量，所有的列向量构成矩阵D，矩阵D分解成低秩矩阵A与稀疏误差矩阵E之和，对低秩矩A求奇异值分解，以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值来确定奇异值的个数，规定个数为矩阵D的新秩rank(D)，通过实验求得分界点θ*，当大于等于θ*时报警。通过大量实验，证明该算法具有较好的识别率和鲁棒性，证明了该方法的有效性。

Description

一种低秩分析的火焰识别方法
技术领域
本发明涉及火焰识别技术领域，尤其涉及一种低秩分析的火焰识别方法。
背景技术
随着计算机处理能力的不断增强和信息社会对多媒体信息处理要求的不断增加，基于图象处理的火焰检测技术得到了飞速的发展，这类探测技术具有响应速度快、检测范围广、环境污染小等特点，具有显著优势和广阔的前景。
近些年，许多学者进行了基于图像处理的火焰识别算法研究。现有技术有的基于支持向量机和线性分类器的视频进行火焰识别算法；有的现有技术根据火焰的温度、边界不规则、轮廓变化、面积变化等特点来识别火焰还有的现有技术提出采用小波特征和色彩特征，采用神经网络识别火焰，该算法对火焰素材要求较高，要能获取比较完备的火焰素材库，实现起来具有一定的难度。
发明内容
本发明克服现有技术存在的不足，所要解决的技术问题为提供一种低秩分析的火焰识别方法。
为了解决上述技术问题，本发明采用的技术方案为:
一种低秩分析的火焰识别方法，包括如下步骤:
步骤一：视频图像的采集；
采用红外摄像仪采集视频图像，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯干扰物的图像集合，记为ω0；
步骤二：图像预处理；
将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像进行预处理；
步骤三：灰度图像二值化；
将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整-体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；
步骤四：图像序列低秩分析
①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为
||·||*表示矩阵的核范数，定义为矩阵的奇异值之和；||·||1表示l1范数，定义为矩阵所有元素的绝对值之和；λ是低秩矩阵和误差矩阵之间的权衡参数；
②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；
③依次取所述当前帧后连续n-1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D2,,Dn；
④把所有的Di作为列构成矩阵D，其中1≤i≤n，即D＝(D1,D2,,Dn)；
⑤求解满足式(1)的低秩矩阵A，求A的奇异值；
⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；
定义信噪比：
给定阈值：
⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*
公式(4)中Precision表示准确率，Recall表示召回率，t表示算法计算时间，length表示序列长度。
设ω1是火焰图像的集合，ω0是白炽灯干扰物图像的集合，分类公式如式(5)
公式(5)中当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。
进一步的，所述步骤一中图像采集采用工业ccd型号为：acA640-300gm，分辨率为640x 480,接口为GIGE千兆以太网，PC平台为：intel i7windows x64，编程环境为：MatlabR2010a。
进一步的，所述步骤二对采集的图像采用高斯平滑滤波算法进行预处理，如公式(6)：
f'(i,j)＝f(i,j)×g(i,j) (6)
其中表示高斯函数，f(i,j)表示输入的像素值，f'(i,j)表示输出的像素值。
进一步的，所述步骤三中采用近似一维Means方法寻找二值化阈值，步骤如下：
①采用人工设置或者根据随机方法，生成一个初始化阈值T1；
②根据阈值将每个像素数据P(h1，h2)分为对象像素数据G1与背景像素数据G2，其中h1为行，h2为列；
③G1的平均值是m1，G2的平均值是m2；
④一个新的阈值T’＝(m1+m2)/2
⑤回到步骤②，用新的阈值继续将像素数据为对象像素数据和背景像素数据，继续步骤②-④，直到计算出来的新阈值等于上一次的阈值。
进一步的，所述步骤四中权衡参数λ的取值为时，其中，m表示D的行数，n表示D的列数，公式(1)有最优解。
本发明的有益效果在于：本发明的算法，可对检测区域二十四小时不间断检测，取得了较好的实时探测效果，建立了更加准确可靠的火焰低秩识别方法，能够有效的去除灯光对于图像火焰探测技术的干扰。进一步解决了火焰图像探测技术的误报率问题，为大空间及室外大尺度开放空间场所火灾早期灭火与人员疏散节省了时间，减少经济损失及人员伤亡。
附图说明
图1是本发明的灯泡图像序列(A)与火焰样本序列(B)的对比图。
图2是本发明的原始图像(A)与阈值分割(B)的结果对比图。
图3是本发明在长度＝10时秩的频数柱状图。
图4是本发明在长度＝20时秩的频数柱状图。
图5是本发明在长度＝30时秩的频数柱状图。
图6是本发明在长度＝40时秩的频数柱状图。
图7是本发明在长度＝50时秩的频数柱状图。
图8是本发明在长度＝60时秩的频数柱状图。
图9是本发明在长度＝70时秩的频数柱状图。
图10是本发明在长度＝80时秩的频数柱状图。
图11是本发明在长度＝90时秩的频数柱状图。
图12是本发明操作流程图。
具体实施方式
下面结合具体实施例对本发明作进一步详细的说明。
下面结合实施例对本发明作进一步的详细说明，但本发明不限于所给出的。
一种低秩分析的火焰识别方法，包括如下步骤，
步骤一：视频图像的采集；
实验图像采集采用工业ccd型号为：acA640-300gm，分辨率为640x 480,接口为GIGE千兆以太网，PC平台为：intel i7windows x64，编程环境为：Matlab R2010a，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯干扰物的图像集合，记为ω0，样本一和样本二图像各1800张，如图1所示，第一行是原始图像，第二行是提取的外接矩形区域，第三行是外接矩形区域数据对应的列向量，从图1可以看出，火焰图像序列的变化远远高于灯泡图像序列的变化。
步骤二：图像预处理；
一幅数字图像由若干个数据点构成，每个数据点称为像素。比如一幅256×400，就是指该图像是由水平方向256列像素和垂直方向400行像素组成的矩形图。每一个像素具有自己的属性，如颜色、灰度等，灰度是决定一幅图像的关键因素之一。将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像采用高斯平滑滤波算法进行预处理，如公式(6)：
f'(i,j)＝f(i,j)×g(i,j) (6)
其中表示高斯函数，f(i,j)表示输入的像素值，f'(i,j)表示输出的像素值。
步骤三：灰度图像二值化；
将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；
采用近似一维Means方法寻找二值化阈值，步骤如下：
①采用人工设置或者根据随机方法，生成一个初始化阈值T1；
②根据阈值将每个像素数据P(h1，h2)分为对象像素数据G1与背景像素数据G2，其中h1为行，h2为列；
③G1的平均值是m1，G2的平均值是m2；
④一个新的阈值T’＝(m1+m2)/2
⑤回到步骤②，用新的阈值继续将像素数据为对象像素数据和背景像素数据，继续步骤②-④，直到计算出来的新阈值等于上一次的阈值，实验中，一帧图片的阈值分割结果如图2所示，阈值分割完整的提取出了火焰区域，但同时也保留了高温干扰物区域，对此，还要利用火焰的其他特征进行排除。
步骤四：图像序列低秩分析
①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为
||·||*表示矩阵的核范数，定义为矩阵的奇异值之和；||·||1表示l1范数，定义为矩阵所有元素的绝对值之和；λ是低秩矩阵和误差矩阵之间的权衡参数；验证参数λ的取值为时，其中，m表示D的行数，n表示D的列数，公式(1)有最优解，采用不精确增广拉格朗日乘子法求解公式(1)。
构造拉格朗日函数如下：
则矩阵A和E迭代更新公式如下：
得到不精确的拉格朗日乘子法算法流程如下：
Input：观测矩阵D,参数λ
Initialize：Y0＝E0＝0；μO＞0；ρ＞1
While not converge do
1:
2：
3：Yk+1＝Yk+μk(D-Ak+1-Ek+1)
4：更新μk至μk+1
5：k←k+1
end While
②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；
③依次取所述当前帧后连续n-1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D2,,Dn；
④把所有的Di(1≤i≤n)作为列构成矩阵D，即D＝(D1,D2,,Dn)；
⑤求解满足式(4)的低秩矩阵A，取参数求A的奇异值；
⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；
定义信噪比：
给定阈值：
⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*
公式(4)中Precision表示准确率，Recall表示召回率，t表示算法计算时间，
设ω1是火焰图像的集合，ω0是白炽灯等干扰物图像的集合，分类公式如式(5)
公式(5)中当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。
本发明采用以下三个指标来对模型进行θ的选取：
1、准确率(见表1)(Precision)＝(TP+TN)/(P+N)； (10)
2、召回率(见表2)(Recall)＝TP/P； (11)
3、每组计算时间t(见表3)
其中，P(Positive)表示样本一的总个数，N(Negative)表示样本二的总个数，TP(True Positive)表示被正确判定为火的个数，TN(True Negative)表示被正确判定为干扰物的个数。
表1θ取不同值时的准确率(％)
表1数据是θ取不同值时各序列长度下的准确率，SL表示序列长度，从表中可以看出，θ固定时准确率先递增后递减。
表2θ取不同值时的召回率(％)
SL/θ 2 3 4 5 6 7 8 9
10 56.11 1.00 0.06 0.00 0.00 0.00 0.00 0.00
20 96.44 69.83 34.11 8.33 0.06 0.00 0.00 0.00
30 97.00 92.83 65.44 41.94 23.56 0.06 0.00 0.00
40 97.89 94.94 90.67 59.61 41.50 7.50 0.00 0.00
50 98.33 96.50 94.06 79.78 58.17 26.72 0.00 0.00
60 98.44 97.50 95.39 88.44 71.22 48.22 1.39 0.00
70 98.94 98.22 96.17 93.44 83.28 63.39 11.22 0.72
80 99.78 98.94 97.22 95.00 87.44 74.67 24.33 6.39
90 99.83 99.11 98.17 96.67 90.17 83.33 42.06 12.44
100 99.94 99.17 98.61 97.67 93.17 86.67 63.22 21.17
表2数据是θ取不同值时各序列长度下的召回率，从表中可以看出，θ固定时召回率逐渐递减。
表3计算时间t(秒)
SL 10 20 30 40 50 60 70 80 90
t 0.19 0.20 0.22 0.24 0.28 0.34 0.36 0.41 0.47
表3数据是θ取不同值时程序算法用时时间，从表中可以看出，随着序列长度的增加用时越长。
满足的条件下，选取长度＝90，分界点θ*＝5合理。

Claims (5)

1.一种低秩分析的火焰识别方法，其特征在于，包括如下步骤:
步骤一：视频图像的采集；
采用红外摄像仪采集视频图像，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯干扰物的图像集合，记为ω0；
步骤二：图像预处理；
将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像进行预处理；
步骤三：灰度图像二值化；
将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整-体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；
步骤四：图像序列低秩分析
①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为
||·||*表示矩阵的核范数，定义为矩阵的奇异值之和；||·||1表示l1范数，定义为矩阵所有元素的绝对值之和；λ是低秩矩阵和误差矩阵之间的权衡参数；
②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；
③依次取所述当前帧后连续n-1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D2,…,Dn；
④把所有的Di作为列构成矩阵D，其中1≤i≤n，即D＝(D1,D2,…,Dn)；
⑤求解满足式(1)的低秩矩阵A，求A的奇异值；
⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；
定义信噪比：
给定阈值：
⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*
公式(4)中Precision表示准确率，Recall表示召回率，t表示算法计算时间，length表示序列长度，
设ω1是火焰图像的集合，ω0是白炽灯干扰物图像的集合，分类公式如式(5)
公式(5)中当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。
2.如权利要求1所述的一种低秩分析的火焰识别方法，其特征在于，所述步骤一中图像采集采用工业ccd型号为：acA640-300gm，分辨率为640x480,接口为GIGE千兆以太网，PC平台为：inteli7windowsx64，编程环境为：MatlabR2010a。
3.如权利要求1所述的一种低秩分析的火焰识别方法，其特征在于，所述步骤二对采集的图像采用高斯平滑滤波算法进行预处理，如公式(6)：
f'(i,j)＝f(i,j)×g(i,j) (6)
其中表示高斯函数，f(i,j)表示输入的像素值，f'(i,j)表示输出的像素值。
4.如权利要求1所述的一种低秩分析的火焰识别方法，其特征在于，所述步骤三中采用近似一维Means方法寻找二值化阈值，步骤如下：
①采用人工设置或者根据随机方法，生成一个初始化阈值T1；
②根据阈值将每个像素数据P(h1，h2)分为对象像素数据G1与背景像素数据G2，其中h1为行，h2为列；
③G1的平均值是m1，G2的平均值是m2；
④一个新的阈值T’＝(m1+m2)/2
⑤回到步骤②，用新的阈值继续将像素数据为对象像素数据和背景像素数据，继续步骤②-④，直到计算出来的新阈值等于上一次的阈值。
5.如权利要求1所述的一种低秩分析的火焰识别方法，其特征在于，所述步骤四中权衡参数λ的取值为时，其中，m表示D的行数，n表示D的列数，公式(1)有最优解。
CN201611079029.9A 2016-11-30 2016-11-30 一种低秩分析的火焰识别方法 Active CN106530300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611079029.9A CN106530300B (zh) 2016-11-30 2016-11-30 一种低秩分析的火焰识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611079029.9A CN106530300B (zh) 2016-11-30 2016-11-30 一种低秩分析的火焰识别方法

Publications (2)

Publication Number Publication Date
CN106530300A CN106530300A (zh) 2017-03-22
CN106530300B true CN106530300B (zh) 2019-05-17

Family

ID=58355325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611079029.9A Active CN106530300B (zh) 2016-11-30 2016-11-30 一种低秩分析的火焰识别方法

Country Status (1)

Country Link
CN (1) CN106530300B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341803B (zh) * 2017-07-25 2020-11-10 电子科技大学 一种基于角点检测的数字图像物体微小移动监测算法
CN110163278B (zh) * 2019-05-16 2023-04-07 东南大学 一种基于图像识别的火焰稳定性监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059435A (zh) * 2007-05-17 2007-10-24 西北工业大学 基于彩色ccd图像分析的森林火情烟雾检测方法
CN101826153A (zh) * 2010-02-11 2010-09-08 上海交通大学 火灾检测方法
CN103839077A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 一种基于超像素特征的低秩表示的极化sar图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7098796B2 (en) * 2004-05-13 2006-08-29 Huper Laboratories Co., Ltd. Method and system for detecting fire in a predetermined area
US20080136934A1 (en) * 2006-12-12 2008-06-12 Industrial Technology Research Institute Flame Detecting Method And Device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059435A (zh) * 2007-05-17 2007-10-24 西北工业大学 基于彩色ccd图像分析的森林火情烟雾检测方法
CN101826153A (zh) * 2010-02-11 2010-09-08 上海交通大学 火灾检测方法
CN103839077A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 一种基于超像素特征的低秩表示的极化sar图像分类方法

Also Published As

Publication number Publication date
CN106530300A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
CN106909884B (zh) 一种基于分层结构和可变形部分模型的手部区域检测方法和装置
Li et al. Real-time video-based smoke detection with high accuracy and efficiency
Shen et al. Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement
CN106023249A (zh) 一种基于局部二值相似性模式的运动目标检测方法
Salunke et al. Power point control using hand gesture recognition based on hog feature extraction and K-NN classification
CN106909883A (zh) 一种基于ros的模块化手部区域检测方法和装置
CN106530300B (zh) 一种低秩分析的火焰识别方法
Zhou et al. A study on attention-based LSTM for abnormal behavior recognition with variable pooling
Liang et al. JTCR: Joint Trajectory Character Recognition for human action recognition
Mohamed et al. Face detection based neural networks using robust skin color segmentation
CN108446606A (zh) 一种基于加速二进制特征提取的人脸关键点检测方法
Wu et al. Video surveillance object recognition based on shape and color features
CN109711387B (zh) 一种基于多类能量图的步态图像预处理方法
CN108564020B (zh) 基于全景3d图像的微手势识别方法
Li et al. Research on hybrid information recognition algorithm and quality of golf swing
Wang et al. Video Smoke Detection Based on Multi-feature Fusion and Modified Random Forest.
Lin et al. One-shot learning gesture recognition based on improved 3D SMoSIFT feature descriptor from RGB-D videos
Wang et al. A fall detection system based on convolutional neural networks
CN112241682B (zh) 一种基于分块以及多层信息融合的端到端行人搜索方法
CN114926761B (zh) 一种基于时空平滑特征网络的动作识别方法
Zhou Lip Print Recognition Algorithm Based on Convolutional Network
Yao et al. A cuboid bi-level log operator for action classification
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
Yi Target tracking feature selection algorithm based on adaboost
Yang et al. Research on Computer Vision Image Classification System Based on Deep Learning

Legal Events

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