CN106845458A - 一种基于核超限学习机的快速交通标识检测方法 - Google Patents

一种基于核超限学习机的快速交通标识检测方法 Download PDF

Info

Publication number
CN106845458A
CN106845458A CN201710125697.9A CN201710125697A CN106845458A CN 106845458 A CN106845458 A CN 106845458A CN 201710125697 A CN201710125697 A CN 201710125697A CN 106845458 A CN106845458 A CN 106845458A
Authority
CN
China
Prior art keywords
sample
window
core
learning machine
fraction
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.)
Granted
Application number
CN201710125697.9A
Other languages
English (en)
Other versions
CN106845458B (zh
Inventor
段立娟
王聪聪
苗军
马伟
乔元华
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201710125697.9A priority Critical patent/CN106845458B/zh
Publication of CN106845458A publication Critical patent/CN106845458A/zh
Application granted granted Critical
Publication of CN106845458B publication Critical patent/CN106845458B/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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V2201/09—Recognition of logos

Abstract

本发明公开了一种基于核超限学习机的快速交通标识检测方法，属于图像信号处理及模式识别领域。首先，首先，读取原始样本图像，利用基于BING的objectness方法，产生可能包含交通标识的区域，提取候选区域的HOG特征，送入核超限学习机分类器中，得到最后的检测结果；本发明摒弃传统的滑动窗口扫描方法，使用BING算法减少搜索空间，提高检测速度。传统的ELM算法是单隐层结构，在分析复杂信号方面有很大的局限性，本发明采取KELM进行分类检测，核超限学习机可以使学习模型更加稳定、泛化性能更强，提升了检测性能，并且保持了ELM低耗时的优势。

Description

一种基于核超限学习机的快速交通标识检测方法
技术领域
本发明属于图像信号处理及模式识别领域，涉及一种应用二值化规范梯度(BING)及核超限学习机进行快速交通标识检测的方法。
背景技术
当今社会，随着经济的发展，人们生活水平日益提高，私家车的数量日益增多。与此同时，城市道路交通安全问题亦日益严峻，于是智能交通系统应运而生并快速发展。智能交通系统包括汽车导航系统、碰撞预警系统、交通标识识别系统(Traffic SignRecognition System,TSR)以及其他智能化系统。前两个系统已普及应用，而TSR目前还未达到实际应用的水平。无论实际驾驶还是无人驾驶，都对TSR系统有着极高的要求。因在自然场景下受到复杂背景、天气、光照、汽车速度等的影响，交通标识检测作为TSR的一部分，其实时性和准确性尚不能满足实际应用的要求。这就亟需提出一种能满足自然场景下交通标识检测应用的方法。
目前，多数交通标识的检测的研究都是基于简单背景交通标识图像的处理，然而，实际环境中包含了大量的复杂背景，这会直接影响到系统的检测效果。由于交通标识通常具有特殊的颜色和形状，很多学者针对这两种特性，提出了许多不同的检测方法。具体可以分为3类：①基于颜色信息分割的方法；②基于形状分割的方法；③基于机器学习和分类器的分割方法。然而这类基于机器学习和分类器的算法训练成本很高，很难满足自然条件下实时检测交通标志的要求。且此类方法采用传统的穷举式滑动窗口扫描方法，其搜索空间更大，计算机量更大，使得检测速度大大减慢。故本发明摒弃传统的滑动窗口扫描方法，使用BING算法减少搜索空间，在特定尺度下进行固定窗口大小扫描，这使得保持较高召回率的同时减少了运算量，提升了检测速度。
Huang提出基于单隐层前馈神经网络(Single-hidden Layer Feed forwardNeural Network，SLFN)的超限学习机(Extreme Learning Machine，ELM)方法，其训练速度与BP神经网络以及支持向量机(SVM)相比有明显提升。在此基础上，针对ELM自身因输入层权值随机产生等引起的风险问题，引入SVM核映射的思想，Huang等人提出了核超限学习机(KELM)。核超限学习机可以使学习模型更加稳定、泛化性能更强，提升了检测性能。本发明将BING及KELM相结合，旨在通过结合两者的优势使自然场景下的交通标识检测速度有所提升，检测结果更加精确。
发明内容
本发明采用一种基于二值化规范梯度和核超限学习机进行自然条件下交通标识检测的方法，对自然条件下交通场景进行检测，提高其检测准确率和检测速度。
实现本发明方法的主要思路是：首先，读取原始样本图像，利用基于BING的objectness方法，筛选出可能包含交通标识的候选区域，根据阈值提取相应候选区域的HOG特征，送入核超限学习机分类器中，得到最后的检测结果；
基于核超限学习机的快速交通标识检测方法，包括以下步骤：
步骤一，读取原始样本图像，将原图像缩放到预定义大小(36种不同尺寸)，计算图像的规范梯度(Normed Gradient，NG)特征，对NG特征进行二值化处理，得到BING特征映射图；
步骤二，利用8*8大小的滑动窗口扫描步骤一得到的BING特征映射图；
步骤三，利用第一级SVM线性模型计算步骤二得到的所有窗口的滤波分数，分数越高，包含物体的概率越大；
步骤四，根据步骤三得到的分数，在每一预定义尺寸下使用非极大值抑制方法选择部分窗口作为包含物体的候选窗口，使用第二级SVM线性模型计算所有候选窗口的物体分数；
步骤五，根据物体分数对窗口进行排序，选取分数高于一定阈值的窗口作为物体区域，并对这些窗口提取HOG特征，输入到核超限学习机中进行分类，得到检测结果。
与现有技术相比，本发明的方法具有以下优点：
本发明摒弃传统的滑动窗口扫描方法，使用BING算法减少搜索空间，提高检测速度。传统的ELM算法是单隐层结构，在分析复杂信号方面有很大的局限性，本发明采取KELM进行分类检测，核超限学习机可以使学习模型更加稳定、泛化性能更强，提升了检测性能，并且保持了ELM低耗时的优势。
附图说明
图1是本发明所涉及方法的主流程图。
图2是本发明所涉及的KELM分类方法示意图。
具体实施方式
下面结合附图1-2和具体实施方式对本发明做进一步的说明。
假设有训练数据集TrainData和一组测试数据集TestData，TrainData的样本量为N，每个样本均包含交通标识，已知交通标识的Ground-truth；TestData的样本量为M，其中有不包含交通标识的样本；其中TrainData与TestData中样本属于K个类别；
基于核超限学习机的快速交通标识检测方法，流程图如图1所示。
步骤一，分别读取TrainData和TestData中的原始样本图像，将原图像缩放到预定义大小(36种不同尺度)；在不同尺度下计算图像的NG特征，每一点梯度均标准化到[0，255]之间；对NG特征进行二值化处理，得到Btraindata以及BtestData。
步骤二，利用8*8大小的滑动窗口扫描步骤一得到的BtestData，得到64维大小的BING特征作为BTestfeature；然后利用8*8大小的滑动窗口扫描步骤一得到的Btraindata，当扫描框跟Ground-truth的重合率大于0.5的时候，重合率即扫描框与Ground-truth的交集面积除以其并集面积，则该样本为正样本数据；反之为负样本数据。统计不同尺度下的正样本个数，并剔除正样本个数少的尺度下所有样本；得到所有剩余样本的64维BING特征作为BTrainfeature。将正样本的BING特征进行水平翻转，同时添加进BTrainfeature中。
步骤三，用步骤二得到的BTrainfeature进行第一级SVM线性模型训练。利用训练得到的第一级SVM线性模型分别计算步骤二得到的BTestfeature各个窗口的滤波分数，计算公式为：
sl＝<ω,gl> (1)
l＝(i,x,y) (2)
其中：sl为滤波分数；gl为NG特征；l为窗口位置；i为预定义尺度；(x,y)为窗口坐标
步骤四，训练第二级SVM线性模型时，首先得到BTrainfeature在原始图像中对应的方框，该方框为可能目标框。然后，将不同尺度下对应的可能目标框根据重合率划分为正负样本。按照尺度，将BTrainfeature的正负样本重新划分为{BTrainfeature1,BTrainfeature2,…,BTrainfeature36}，并分别在不同尺度下，用BTrainfeaturei进行第二级SVM线性模型训练，得到训练模型υi。根据步骤三得到的BTestfeature所对应的滤波分数，在每一预定义尺寸下使用非极大值抑制算法选择部分窗口作为包含物体的候选窗口，使用第二级SVM线性模型计算所有候选窗口的物体分数；每一尺寸下物体分数的计算公式如下：
ol＝υi·sl+ti (3)
其中：υi为线性模型；ti为偏差项。
步骤五，根据物体分数对窗口进行排序，选取分数高于一定阈值的窗口作为物体区域，并分别提取物体区域在TestData中所对应窗口位置的HOG特征作为TestFeature。针对TrainData，根据重合率随机采集总样本量为W的正负样本。提取正负样本的HOG的特征作为TrainFeature，用TrainFeature进行核超限学习机的训练，然后将TestFeature输入到核超限学习机中进行分类，得到检测结果。
以下为提取HOG特征的步骤：
将分数高于一定阈值的窗口区域的尺寸变换到同一个尺寸。分别计算窗口区域的HOG特征。首先将窗口区域灰度化，然后分别计算灰度图像中的每个像素的梯度，梯度包括大小和方向。
图像中像素点(x,y)梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (4)
Gy(x,y)＝H(x,y+1)-H(x,y-1) (5)
式中Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。像素点(x,y)处的梯度幅值和梯度方向分别为：
把窗口区域分割成若干个像素的单元格，把梯度方向平均分成9个区间，在每个单元格里面对所有像素的梯度方向在各个区间用直方图进行统计，得到一个9维的特征向量，将相邻的4个单元格构成一个块，把一个块内的向量连接起来得到4*9＝36维的特征向量，用块对样本图像进行扫描，扫描步长设置为1个单元。最后将所有的特征串联起来，就得到当前图像块的HOG特征表达。
KELM的具体方法如下：
设第i个训练图像样本有ni个正负候选区域。对于N个训练图像样本，其候选区域个数记为n＝{n1,n2,n3…nN}，共有个正负训练样本。对于S个正负训练样本，记为其中xj为样本特征向量，yj为样本标签向量；正样本为1，负样本为0。因为送入分类器是已经提取好的特征，故在本方法中，xj实际上代表TrainFeaturej。
(1)给定正则化系数C，核函数K(μ,υ)，输出函数为：
其中，
K(xi,xj)是核函数的形式，核函数有多项式核函数、高斯径向基核函数、线性核函数、小波核函数。通过对比以上四种核函数的性能，选择出最优核函数。
通过实验对比发现小波核函数的性能更好，小波核函数为
(2)将TestFeaturej即输入到核超限学习机中进行分类，得到检测结果。计算测试样本类别标签
本实施例选择德国交通标识检测标准(German Traffic Sign DetectionBenchmark,GTSDB)数据集以及通过行车记录仪采集的数据集进行检验。本发明在保证实施例正确率的情况下，提高了实施例的检测速度，比用滑动窗口的搜索策略耗时缩短一半左右，比提取HOG特征后用SVM作为分类器的算法训练速度更快。该发明同样适用于其他目标检测问题。

Claims (3)

1.一种基于核超限学习机的快速交通标识检测方法，其特征在于：
首先，读取原始样本图像，利用基于BING的objectness方法，筛选出可能包含交通标识的候选区域，根据阈值提取相应候选区域的HOG特征，送入核超限学习机分类器中，得到最后的检测结果；
基于核超限学习机的快速交通标识检测方法，包括以下步骤：
步骤一，读取原始样本图像，将原图像缩放到预定义大小，计算图像的规范梯度特征即NG特征，对NG特征进行二值化处理，得到BING特征映射图；
步骤二，利用8*8大小的滑动窗口扫描步骤一得到的BING特征映射图；
步骤三，利用第一级SVM线性模型计算步骤二得到的所有窗口的滤波分数，分数越高，包含物体的概率越大；
步骤四，根据步骤三得到的分数，在每一预定义尺寸下使用非极大值抑制算法选择部分窗口作为包含物体的候选窗口，使用第二级SVM线性模型计算所有候选窗口的物体分数；
步骤五，根据物体分数对窗口进行排序，选取分数高于一定阈值的窗口作为物体区域，并对这些窗口提取HOG特征，输入到核超限学习机中进行分类，得到检测结果。
2.根据权利要求1所述的一种基于核超限学习机的快速交通标识检测方法，其特征在于：假设有训练数据集TrainData和一组测试数据集TestData，TrainData的样本量为N，每个样本均包含交通标识，已知交通标识的Ground-truth；TestData的样本量为M，其中有不包含交通标识的样本；其中TrainData与TestData中样本属于K个类别；
基于核超限学习机的快速交通标识检测方法，
步骤一，分别读取TrainData和TestData中的原始样本图像，将原图像缩放到预定义大小；在不同尺度下计算图像的NG特征，每一点梯度均标准化到[0，255]之间；对NG特征进行二值化处理，得到Btraindata以及BtestData；
步骤二，利用8*8大小的滑动窗口扫描步骤一得到的BtestData，得到64维大小的BING特征作为BTestfeature；然后利用8*8大小的滑动窗口扫描步骤一得到的Btraindata，当扫描框跟Ground-truth的重合率大于0.5的时候，则该样本为正样本数据；反之为负样本数据；统计不同尺度下正样本个数，并剔除正样本个数少的尺度下所有样本；得到所有剩余样本的64维BING特征作为BTrainfeature；将正样本的BING特征进行水平翻转，同时添加进BTrainfeature中；
步骤三，用步骤二得到的BTrainfeature进行第一级SVM线性模型训练；利用训练得到的第一级SVM线性模型分别计算步骤二得到的BTestfeature各个窗口的滤波分数，计算公式为：
sl＝<ω,gl> (1)
l＝(i,x,y) (2)
其中：sl为滤波分数；gl为NG特征；l为窗口位置；i为预定义尺度；(x,y)为窗口坐标
步骤四，训练第二级SVM线性模型时，首先得到BTrainfeature在原始图像中对应的方框，该方框为可能目标框；然后，将不同尺度下对应的可能目标框根据重合率划分为正负样本；按照尺度，将BTrainfeature的正负样本重新划分为{BTrainfeature1,BTrainfeature2,…,BTrainfeature36}，并分别在不同尺度下，用BTrainfeaturei进行第二级SVM线性模型训练，得到训练模型υi；根据步骤三得到的BTestfeature所对应的滤波分数，在每一预定义尺寸下使用非极大值抑制算法选择部分窗口作为包含物体的候选窗口，使用第二级SVM线性模型计算所有候选窗口的物体分数；每一尺寸下物体分数的计算公式如下：
ol＝υi·sl+ti (3)
其中：υi为线性模型；ti为偏差项；
步骤五，根据物体分数对窗口进行排序，选取分数高于一定阈值的窗口作为物体区域，并分别提取物体区域在TestData中所对应窗口位置的HOG特征作为TestFeature；针对TrainData，根据重合率随机采集总样本量为W的正负样本；提取正负样本的HOG的特征作为TrainFeature，用TrainFeature进行核超限学习机的训练，然后将TestFeature输入到核超限学习机中进行分类，得到检测结果；
以下为提取HOG特征的步骤：
将分数高于一定阈值的窗口区域的尺寸变换到同一个尺寸；分别计算窗口区域的HOG特征；首先将窗口区域灰度化，然后分别计算灰度图像中的每个像素的梯度(包括大小和方向)；
图像中像素点(x,y)梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (4)
Gy(x,y)＝H(x,y+1)-H(x,y-1) (5)
式中Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值；像素点(x,y)处的梯度幅值和梯度方向分别为：
把窗口区域分割成若干个像素的单元格，把梯度方向平均分成9个区间，在每个单元格里面对所有像素的梯度方向在各个区间用直方图进行统计，得到一个9维的特征向量，将相邻的4个单元格构成一个块，把一个块内的向量连接起来得到4*9＝36维的特征向量，用块对样本图像进行扫描，扫描步长设置为1个单元；最后将所有的特征串联起来，就得到当前图像块的HOG特征表达。
3.根据权利要求2所述的一种基于核超限学习机的快速交通标识检测方法，其特征在于：
步骤五中KELM的具体方法如下：
设第i个训练图像样本有ni个正负候选区域；对于N个训练图像样本，其候选区域个数记为n＝{n1,n2,n3…nN}，共有个正负训练样本；对于S个正负训练样本，记为其中xj为样本特征向量，yj为样本标签向量(正样本为1，负样本为0)；因为送入分类器是已经提取好的特征，故在本发明中，xj实际上代表TrainFeaturej；
(1)给定正则化系数C，核函数K(μ,v)，输出函数为：
其中，
K(xi,xj)是核函数的形式，常用的核函数有多项式核函数、高斯径向基核函数、线性核函数、小波核函数；通过对比以上四种核函数的性能，选择出最优核函数；
通过实验对比发现小波核函数的性能更好，小波核函数为
(2)将TestFeaturej即输入到核超限学习机中进行分类，得到检测结果；计算测试样本类别标签
CN201710125697.9A 2017-03-05 2017-03-05 一种基于核超限学习机的快速交通标识检测方法 Active CN106845458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710125697.9A CN106845458B (zh) 2017-03-05 2017-03-05 一种基于核超限学习机的快速交通标识检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710125697.9A CN106845458B (zh) 2017-03-05 2017-03-05 一种基于核超限学习机的快速交通标识检测方法

Publications (2)

Publication Number Publication Date
CN106845458A true CN106845458A (zh) 2017-06-13
CN106845458B CN106845458B (zh) 2020-11-27

Family

ID=59138649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710125697.9A Active CN106845458B (zh) 2017-03-05 2017-03-05 一种基于核超限学习机的快速交通标识检测方法

Country Status (1)

Country Link
CN (1) CN106845458B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734200A (zh) * 2018-04-24 2018-11-02 北京师范大学珠海分校 基于bing特征的人体目标视觉检测方法和装置
CN109284665A (zh) * 2017-07-20 2019-01-29 罗伯特·博世有限公司 用于减少对象识别方法的检测候选者数量的方法和装置
CN109584172A (zh) * 2018-11-12 2019-04-05 北京农业信息技术研究中心 基于迭代模糊超限学习机的背光补偿方法及装置
CN110215202A (zh) * 2019-05-14 2019-09-10 杭州电子科技大学 基于步态非线性特征的心电rr间隔预测关联方法
CN110751005A (zh) * 2018-07-23 2020-02-04 合肥工业大学 融合深度感知特征和核极限学习机的行人检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN104992165A (zh) * 2015-07-24 2015-10-21 天津大学 基于极限学习机的交通标志识别方法
CN105512609A (zh) * 2015-11-25 2016-04-20 北京工业大学 一种基于核超限学习机的多模融合视频情感识别方法
CN105631477A (zh) * 2015-12-25 2016-06-01 天津大学 基于极限学习机和自适应提升的交通标志识别方法
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN104992165A (zh) * 2015-07-24 2015-10-21 天津大学 基于极限学习机的交通标志识别方法
CN105512609A (zh) * 2015-11-25 2016-04-20 北京工业大学 一种基于核超限学习机的多模融合视频情感识别方法
CN105631477A (zh) * 2015-12-25 2016-06-01 天津大学 基于极限学习机和自适应提升的交通标志识别方法
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284665A (zh) * 2017-07-20 2019-01-29 罗伯特·博世有限公司 用于减少对象识别方法的检测候选者数量的方法和装置
CN108734200A (zh) * 2018-04-24 2018-11-02 北京师范大学珠海分校 基于bing特征的人体目标视觉检测方法和装置
CN108734200B (zh) * 2018-04-24 2022-03-08 北京师范大学珠海分校 基于bing特征的人体目标视觉检测方法和装置
CN110751005A (zh) * 2018-07-23 2020-02-04 合肥工业大学 融合深度感知特征和核极限学习机的行人检测方法
CN110751005B (zh) * 2018-07-23 2022-09-30 合肥工业大学 融合深度感知特征和核极限学习机的行人检测方法
CN109584172A (zh) * 2018-11-12 2019-04-05 北京农业信息技术研究中心 基于迭代模糊超限学习机的背光补偿方法及装置
CN110215202A (zh) * 2019-05-14 2019-09-10 杭州电子科技大学 基于步态非线性特征的心电rr间隔预测关联方法

Also Published As

Publication number Publication date
CN106845458B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN110543837B (zh) 一种基于潜在目标点的可见光机场飞机检测方法
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
Börcs et al. Instant object detection in lidar point clouds
CN106910186B (zh) 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
Chen et al. Vehicle detection in high-resolution aerial images via sparse representation and superpixels
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN109284669A (zh) 基于Mask RCNN的行人检测方法
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法
CN110866430B (zh) 一种车牌识别方法及装置
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN104077577A (zh) 一种基于卷积神经网络的商标检测方法
CN105512683A (zh) 基于卷积神经网络的目标定位方法及装置
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN110659550A (zh) 交通标志牌识别方法、装置、计算机设备和存储介质
CN106203237A (zh) 集装箱拖车编号的识别方法和装置
CN109635733B (zh) 基于视觉显著性和队列修正的停车场和车辆目标检测方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN107330365A (zh) 基于最大稳定极值区域和svm的交通标志识别方法
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
Li et al. Robust vehicle detection in high-resolution aerial images with imbalanced data

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170613

Assignee: Henan zhuodoo Information Technology Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2024980000138

Denomination of invention: A Fast Traffic Sign Detection Method Based on Kernel Overlimit Learning Machine

Granted publication date: 20201127

License type: Common License

Record date: 20240104

Application publication date: 20170613

Assignee: Luoyang Lexiang Network Technology Co.,Ltd.

Assignor: Beijing University of Technology

Contract record no.: X2024980000083

Denomination of invention: A Fast Traffic Sign Detection Method Based on Kernel Overlimit Learning Machine

Granted publication date: 20201127

License type: Common License

Record date: 20240104