CN106548195A - 一种基于改进型hog‑ulbp特征算子的目标检测方法 - Google Patents
一种基于改进型hog‑ulbp特征算子的目标检测方法 Download PDFInfo
- Publication number
- CN106548195A CN106548195A CN201610893993.9A CN201610893993A CN106548195A CN 106548195 A CN106548195 A CN 106548195A CN 201610893993 A CN201610893993 A CN 201610893993A CN 106548195 A CN106548195 A CN 106548195A
- Authority
- CN
- China
- Prior art keywords
- hog
- ulbp
- modified model
- features
- model
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
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
本发明公开了一种基于改进型HOG‑ULBP特征算子的目标检测方法,包括学习阶段和决策阶段,学习阶段包括:建立正负样本库;对样本提取感兴趣区域;提取HOG特征和ULBP特征,二者合并成HOG‑ULBP向量后进行高斯归一化处理;利用LCC(局部坐标编码)得到改进型HOG‑ULBP特征算子;根据改进型HOG‑ULBP特征算子建立线性SVM模型;决策阶段包括:对待检测视频帧图像提取HOG特征和ULBP特征,根据改进型HOG‑ULBP特征算子得到线性SVM模型输出,如果模型输出判定为正样本,则检测到目标,输出目标位置。本发明有效解决了HOG和LBP合并后维数过大带来的过拟合现象,提高了目标物体检测率。
Description
技术领域
本发明属于计算机视觉目标检测领域,特别涉及一种基于改进型HOG-ULBP特征算子的目标检测方法。
背景技术
随着计算机技术、通信技术和网络技术的快速发展,当代社会已处于信息爆炸的时代,我们的生活中充斥着各种各样的信息。尤其是伴随着互联网的兴起,图像和视频越来越成为承载信息的主要形式。如何对海量的图像和视频信息进行处理,是亟待解决的热点和难点问题。
目标检测就是图像处理领域的研究热点之一。目标检测在现实生活中有着极其广泛的应用,例如飞机航拍或卫星图像中的道路检测,视频监控中的车辆行人检测,CT图像中的肿瘤检测等等。因此对目标检测技术的深入研究有着重要的实用价值。
基于局部特征的目标检测方法包括两个阶段:学习阶段和决策阶段。在学习阶段,首先在给定的训练集上提取各类目标的局部特征,然后采用统计学习方法,如支持向量机(Support Vector Machine,SVM),对训练数据进行学习,得到用于判别目标物体与其他物体的判别式模型。在决策阶段,对测试图像进行从左到右、从上到下的扫窗,在每个窗上提取局部特征,用判别式模型判别该窗是否包含目标物体。
HOG描述子对目标边缘和形状特征比较敏感,在目标检测领域得到广泛的应用。以车辆检测应用为例,可利用确定的目标区域,以HOG特征作为目标的特征向量,使用线性SVM分类器作为机器学习分类器,对潜在区域进行目标检测。相对于边缘和形状,在纹理方面,LBP(Local Binary Pattern,局部二值模式)特征描述方法具有敏感度高、算法执行效率高以及光照不变性的优势。现有技术中,已有研究人员提出将HOG和LBP合并,进而同时得到边缘特征和纹理特征的方法。但这种方法存在以下缺点:1)特征合并后特征向量维数增加过大,容易导致过拟合现象;2)在实时检测领域,实时性要求非常高,合并后导致的运算量增大使得实时性变差。
为此,寻求一种克服上述问题的目标检测方法,具有重要的研究意义和实用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于改进型HOG-ULBP特征算子的目标检测方法,其有效解决了HOG和LBP合并后维数过大带来的过拟合现象,提高了目标物体检测率。
本发明的目的通过以下方式实现,一种基于改进型HOG-ULBP特征算子的目标检测方法,包括以下步骤:
S1:学习阶段,包括:
S1.1:建立正负样本库;
S1.2:对样本提取感兴趣区域;
S1.3:提取感兴趣区域的HOG特征和ULBP特征;
S1.4:将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理,然后得到归一化的HOG-ULBP特征向量;
S1.5:利用LCC(局部坐标编码)对归一化的HOG-ULBP特征向量进行编码,得到改进型HOG-ULBP特征算子;
S1.6:根据改进型HOG-ULBP特征算子,利用正负样本训练,得到SVM模型中各个参数,建立线性SVM模型;
S2:决策阶段,包括:对待检测视频帧图像进行预处理,提取感兴趣区域,执行步骤S1.3-S1.5,计算得到当前的改进型HOG-ULBP特征算子,将其输入步骤S1.6得到的线性SVM模型,如果模型输出判定为正样本,则检测到目标,输出目标位置。
优选的,步骤S1.1中正负样本库的选择遵循以下两个规则:
规则1:负样本与正样本数量比例在10:1;
规则2:利用第一次训练的SVM,检测负样本中被误检的负样本作为难负样本,提高这些难负样本的比例。
优选的,步骤S1.3中ULBP的检测窗口和块大小与HOG的保持一致,块间不重叠。
优选的,步骤S1.4得到归一化的HOG-ULBP特征向量的步骤是:
S1.4.1:定义在感兴趣区域提取的HOG特征A为{hog1,…hogm},ULBP特征B为{ulbp1,…ulbpn},将提取的两个特征合并得到HOG-ULBP向量G为{hog1,…hogm,ulbp1,…ulbpn};
S1.4.2:对HOG-ULBP向量G进行高斯归一化处理,即对{hog1,…hogm,ulbp1,…ulbpn}特征向量中的每一个元素v采用如下公式处理:
其中μn、σn表示分量v的均值和方差,这样得到的分量v'的取值范围99%将落在[0,1]之间;由此得到归一化的HOG-ULBP特征向量Ζ。
优选的,所述步骤S1.5得到改进型HOG-ULBP特征算子的具体步骤如下:
将B=[b1,…,bp]∈Rd*p作为码书,其中d是HOG与ULBP特征向量的维数和,p是码书的维数,R是空间的符号表示;
使用K-means算法求取码书B:首先在N个样本中的HOG-ULBP特征向量Ζ=[z1,...,zt]T中随机选取K个样本特征向量作为质心,满足如下公式:
J函数表示的是每个样本HOG-ULBP特征向量zi到质心uj的距离平方和,最终迭代的最优K个质心点作为码书B;
利用求出的码书B,通过最小二乘法,使得取得最小值,最终获得系数αz作为改进型HOG-ULBP特征算子。
进一步的,K的取值为30。
优选的,所述步骤S1.6建立线性SVM模型的具体步骤如下:
f(x)=wTx+b;
其中,f(x)表示线性SVM模型,x是改进型HOG-ULBP特征算子,α,wT和b是通过正负样本训练得到的SVM参数。
优选的,步骤S2中,对待检测视频帧图像进行预处理,提取感兴趣区域的步骤是:
对输入视频提取帧图像,将RGB图像转换成灰度图,经过滤波处理后,利用边界分割的方法将最低的中心同质区域定义为目标区域,统计目标区域像素的均值m和标准差σ,利用m-3σ确定目标区域的阈值,然后利用该阈值做阈值分割处理,将分割出来的区域作为感兴趣区域。
优选的,步骤S2中,针对感兴趣区域,利用金字塔模型,通过窗口遍历的方式检测遍历的每个窗口是否出现目标,检测的标准是利用线性SVM参数,比较输出结果是否大于0;金字塔模型每层的缩放率都是0.95,依次对每层图像进行提取HOG特征和ULBP特征。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明利用LCC编码方式对HOG与ULBP特征进行重新编码组合,使得新的特征向量维数更低,有效解决了维数过大带来的过拟合问题,检测结果得到明显改善,大大提高目标物体检测率。
2、本发明在实时检测中,利用对灰度图像阈值分割提取出初步的目标区域,将目标区域先提取出来,再做检测,这能大大降低检测时间,使得目标检测的实时性得到增强。
3、本发明同时采用HOG特征与ULBP特征,既考虑了边缘形状信息,也考虑了纹理信息,具有更强的鲁棒性。
附图说明
图1是本实施例方法的流程图;
图2是HOG描述梯度原理图;
图3是ULBP编码示意原理图;
图4是物体检测金字塔模型。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本实施例一种基于改进型HOG-ULBP特征算子的目标检测方法,如图1,包括以下步骤:
学习阶段,包括:
S1.1:建立训练用的正负样本库。
该正负样本库的选择遵循以下两个规则:
规则1:负样本与正样本数量比例在10:1;
规则2:利用第一次训练的SVM,检测负样本中被误检的负样本作为难负样本,提高这些难负样本的比例。从而可以进一步提高建立的模型的准确度。
S1.2:对样本提取感兴趣区域。
可以是人工手动提取,也可采用如下的自动提取方法:
将样本图像从RGB图像转换成灰度图,经过滤波处理后,利用边界分割的方法将最低的中心同质区域定义为道路区域,统计道路区域像素的均值m和标准差σ,利用m-3σ确定目标区域的阈值,然后利用该阈值做阈值分割处理,将分割出来的区域作为感兴趣区域。
S1.3:提取感兴趣区域的HOG特征和ULBP(uniform LBP)特征。
HOG特征梯度需分别计算水平梯度图和垂直梯度图,水平梯度卷积算子是[-1,0,1],垂直梯度卷积算子是[-1,0,1]。随后获得幅值和相位。如图2,特征提取窗口大小是64*128,块大小是16*16,单元大小是8*8,块步长为8*8;根据4个单元组成一个块,每个单元像素点归一化到9个bin值做直方图统计,组成每个块内HOG有36维特征向量,每个窗口有105个Block,所以HOG特征向量为3780维向量。ULBP特征是利用图像像素与它局部周围像素做比较,利用目前已知的LBP提取公式计算得到,
这里取得R(区域圆的半径)为2,P(区域圆像素个数)为8,如图3,以R为半径的P点邻域,gc为中心,gp为邻域点,区分邻域比中心亮度大还是小;从上述公式得到LBP特征值的二进制串,这种编码方式有2p种不同的模式,根据LBP特征值的二进制串中的0-1的跳变次数小于等于2归于均匀模式类,其他的统归于混合模式类,对均匀模式类根据LBP特征值进行排序,当p取8时,均匀模式类共58种模式,ULBP特征值根据均匀模式类中的LBP特征值从小到大排序赋值为0-57,其他的混合模式类赋值为58。根据像素间0-1跳变次数小于2归为一类,其他的统一为一类,这将LBP特征256维降低到59维。为了与HOG特征匹配,选取的块是16*16,块步长是16,检测窗大小为64*128,最终检测窗ULBP特征向量为1888维的特征向量。ULBP的检测窗口和块大小与HOG的保持一致,块间不重叠。
S1.4:将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理,然后得到归一化的HOG-ULBP特征向量;
具体采用以下步骤:
S1.4.1在感兴趣区域提取HOG特征{hog1,…hog3780}和ULBP特征{ulbp1,…ulbp1888},其中hogi表示在角度上做的幅值的直方图统计,将提取的两个特征合并为HOG-ULBP特征向量G{hog1,…hog3780,ulbp1,…ulbp1888}。
S1.4.2:对HOG-ULBP特征向量G进行高斯归一化处理,即对{hog1,…hog3780,ulbp1,…ulbp1888}向量中的每一个元素v采用如下公式处理:
其中μn、σn分别表示分量v的均值和方差,这样得到的分量v'的取值范围99%将落在[0,1]之间;由此得到归一化的HOG-ULBP特征向量Ζ。
S1.5:利用LCC对归一化的HOG-ULBP特征向量进行编码,得到改进型HOG-ULBP特征算子。
将B=[b1,…,bp]∈Rd*p作为码书,其中d是HOG与ULBP特征向量的维数和,p是码书的维数,R是空间的符号表示;
使用K-means算法求取码书B:首先在N个样本中的HOG-ULBP特征向量Ζ=[z1,…,zn]T中随机选取K=30个样本特征向量作为质心,满足如下公式:
J函数表示的是每个样本HOG-ULBP特征向量zi到质心uj的距离平方和,最终迭代的最优30个质心点作为码书B;
利用求出的码书B,通过最小二乘法,使得取得最小值,最终获得系数αz作为改进型HOG-ULBP特征算子。
S1.6:建立线性SVM模型。
建立线性SVM模型:f(x)=wTx+b,f(x)表示线性SVM模型,x是改进型HOG-ULBP特征算子,α,wT和b就是通过正负样本训练得到的SVM参数。
决策阶段,包括步骤:
S2.1:对待检测视频帧图像进行预处理,提取目标物体的潜在区域(即感兴趣区域)。
本实施例中,在车辆目标检测中,预处理的具体步骤:对输入视频提取帧图像,将RGB图像转换成灰度图,经过滤波处理后,利用边界分割的方法将最低的中心同质区域定义为道路区域,统计道路区域像素的均值m和标准差σ,利用m-3σ确定目标区域的阈值,然后利用该阈值做阈值分割处理,将分割出来的区域作为感兴趣区域。
S2.2:进行物体目标检测。
图4中金字塔模型,level0指的是原始灰度图,level1是指对原始灰度图缩小0.95倍后的图像,依次类推直到缩放至图像分辨率不大于64*64。每层的缩放率都是0.95。依次对每层图像提取HOG特征和ULBP特征,然后将HOG特征和ULBP特征合并后进行高斯归一化处理,得到归一化的HOG-ULBP特征向量;利用LCC对归一化的HOG-ULBP特征向量进行编码,得到改进型HOG-ULBP特征算子。根据线性SVM模型中f(x)=wTx+b学习得到的模型参数,再将新的改进型HOG-ULBP特征算子导入,根据大于0为正样本的规则,输出目标位置。
通过步骤S2.1获得的感兴趣区域,利用金字塔模型,通过窗口遍历的方式检测遍历的每个窗口是否出现目标。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,包括以下步骤:
S1:学习阶段,包括:
S1.1:建立正负样本库;
S1.2:对样本提取感兴趣区域;
S1.3:提取感兴趣区域的HOG特征和ULBP特征;
S1.4:将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理,然后得到归一化的HOG-ULBP特征向量;
S1.5:利用LCC对归一化的HOG-ULBP特征向量进行编码,得到改进型HOG-ULBP特征算子;
S1.6:根据改进型HOG-ULBP特征算子,利用正负样本训练,得到SVM模型中各个参数,建立线性SVM模型;
S2:决策阶段,包括:对待检测视频帧图像进行预处理,提取感兴趣区域,执行步骤S1.3-S1.5,计算得到当前的改进型HOG-ULBP特征算子,将其输入步骤S1.6得到的线性SVM模型,如果模型输出判定为正样本,则检测到目标,输出目标位置。
2.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,步骤S1.1中正负样本库的选择遵循以下两个规则:
规则1:负样本与正样本数量比例在10:1;
规则2:利用第一次训练的SVM,检测负样本中被误检的负样本作为难负样本,提高这些难负样本的比例。
3.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,步骤1.3中ULBP的检测窗口和块大小与HOG的保持一致,块间不重叠。
4.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,步骤S1.4得到归一化的HOG-ULBP特征向量的步骤是:
S1.4.1:定义在感兴趣区域提取的HOG特征A为{hog1,…hogm},ULBP特征B为{ulbp1,…ulbpn},将提取的两个特征合并得到HOG-ULBP向量G为{hog1,…hogm,ulbp1,…ulbpn};
S1.4.2:对HOG-ULBP向量G进行高斯归一化处理,即对{hog1,…hogm,ulbp1,…ulbpn}特征向量中的每一个元素v采用如下公式处理:
其中μn、σn分别表示分量v的均值和方差,这样得到的分量v'的取值范围99%将落在[0,1]之间;由此得到归一化的HOG-ULBP特征向量Ζ。
5.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,所述步骤S1.5得到改进型HOG-ULBP特征算子的具体步骤如下:
将B=[b1,…,bp]∈Rd*p作为码书,其中d是HOG与ULBP特征向量的维数和,p是码书的维数,R是空间的符号表示;
使用K-means算法求取码书B:首先在N个样本中的HOG-ULBP特征向量Ζ=[z1,...,zt]T中随机选取K个样本特征向量作为质心,满足如下公式:
J函数表示的是每个样本HOG-ULBP特征向量zi到质心uj的距离平方和,最终迭代的最优K个质心点作为码书B;
利用求出的码书B,通过最小二乘法,使得取得最小值,最终获得系数αz作为改进型HOG-ULBP特征算子。
6.根据权利要求5所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,K的取值为30。
7.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,所述步骤S1.6建立线性SVM模型的具体步骤如下:
f(x)=wTx+b;
其中,f(x)表示线性SVM模型,x是改进型HOG-ULBP特征算子,α,wT和b是通过正负样本训练得到的SVM参数。
8.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,步骤S2中,对待检测视频帧图像进行预处理,提取感兴趣区域的步骤是:
对输入视频提取帧图像,将RGB图像转换成灰度图,经过滤波处理后,利用边界分割的方法将最低的中心同质区域定义为目标区域,统计目标区域像素的均值m和标准差σ,利用m-3σ确定目标区域的阈值,然后利用该阈值做阈值分割处理,将分割出来的区域作为感兴趣区域。
9.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,步骤S2中,针对感兴趣区域,利用金字塔模型,通过窗口遍历的方式检测遍历的每个窗口是否出现目标,检测的标准是利用线性SVM参数,比较输出结果是否大于0。
10.根据权利要求9所述的基于改进型HOG-ULBP特征算子的目标检测方法,其特征在于,金字塔模型每层的缩放率都是0.95,依次对每层图像进行提取HOG特征和ULBP特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893993.9A CN106548195A (zh) | 2016-10-13 | 2016-10-13 | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893993.9A CN106548195A (zh) | 2016-10-13 | 2016-10-13 | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106548195A true CN106548195A (zh) | 2017-03-29 |
Family
ID=58368712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610893993.9A Pending CN106548195A (zh) | 2016-10-13 | 2016-10-13 | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548195A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622237A (zh) * | 2017-09-18 | 2018-01-23 | 江苏省特种设备安全监督检验研究院 | 一种电梯中目标的检测方法 |
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN110472600A (zh) * | 2019-08-20 | 2019-11-19 | 北京百度网讯科技有限公司 | 眼底图识别及其训练方法、装置、设备和存储介质 |
CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663409A (zh) * | 2012-02-28 | 2012-09-12 | 西安电子科技大学 | 一种基于hog-lbp描述的行人跟踪方法 |
US8842883B2 (en) * | 2011-11-21 | 2014-09-23 | Seiko Epson Corporation | Global classifier with local adaption for objection detection |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
-
2016
- 2016-10-13 CN CN201610893993.9A patent/CN106548195A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8842883B2 (en) * | 2011-11-21 | 2014-09-23 | Seiko Epson Corporation | Global classifier with local adaption for objection detection |
CN102663409A (zh) * | 2012-02-28 | 2012-09-12 | 西安电子科技大学 | 一种基于hog-lbp描述的行人跟踪方法 |
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
GUOLONG GAN ET AL.: "Pedestrian Detection Based on HOG-LBP feature", 《2011 SEVENTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY》 * |
YUANQING LIN ET AL.: "Large-scale Image Classification:Fast Feature Extraction and SVM Training", 《IEEE》 * |
徐望明: "面向图像检索和分类任务的稀疏特征学习", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622237A (zh) * | 2017-09-18 | 2018-01-23 | 江苏省特种设备安全监督检验研究院 | 一种电梯中目标的检测方法 |
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN108229342B (zh) * | 2017-12-18 | 2021-10-26 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN110472600A (zh) * | 2019-08-20 | 2019-11-19 | 北京百度网讯科技有限公司 | 眼底图识别及其训练方法、装置、设备和存储介质 |
CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
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 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN104268552B (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN108268865A (zh) | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN106372624A (zh) | 人脸识别方法及系统 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170329 |