CN106934403B - 一种低维方向梯度直方图特征的提取方法 - Google Patents

一种低维方向梯度直方图特征的提取方法 Download PDF

Info

Publication number
CN106934403B
CN106934403B CN201710147660.6A CN201710147660A CN106934403B CN 106934403 B CN106934403 B CN 106934403B CN 201710147660 A CN201710147660 A CN 201710147660A CN 106934403 B CN106934403 B CN 106934403B
Authority
CN
China
Prior art keywords
pixel
block region
region
cell compartment
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
CN201710147660.6A
Other languages
English (en)
Other versions
CN106934403A (zh
Inventor
傅红普
邹北骥
刘晴
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.)
Central South University
Hunan First Normal University
Original Assignee
Central South University
Hunan First Normal University
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 Central South University, Hunan First Normal University filed Critical Central South University
Publication of CN106934403A publication Critical patent/CN106934403A/zh
Application granted granted Critical
Publication of CN106934403B publication Critical patent/CN106934403B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种低维方向梯度直方图特征的提取方法，包括如下步骤：步骤1，计算整幅图像或者图像窗口中每个像素的梯度；步骤2，对图像窗口进行区域划分；步骤3，对块区域及其紧邻细胞区域中像素的梯度值在细胞区域之间进行位置线性插值；步骤4，计算细胞区域的方向梯度直方图；步骤5，计算块区域的方向梯度直方图；步骤6，计算图像窗口的方向梯度直方图特征。通过将减弱区域量化走样的措施由块区域重叠替换为将块区域之外紧邻的细胞区域纳入位置线性插值范围，该方法取消了块区域部分重叠，能提取出维度低得多的方向梯度直方图HOG特征。通过块内块外不同权重的高斯平滑，进一步减弱了区域量化走样。

Description

一种低维方向梯度直方图特征的提取方法
技术领域
本发明属于计算机视觉领域，特别涉及一种低维方向梯度直方图特征的提取方法。
背景技术
文献1(Dalal,N and Bill Triggs,B.Histograms of oriented gradients forhuman detection.CVPR2005:886-893.)中记载了使用方向梯度直方图特征(histogramsof oriented gradients,HOG)的技术。至少因为以下三个原因，方向梯度直方图在计算机视觉领域颇受关注。首先，“视觉相似性”可以通过方向梯度直方图的余弦距离度量；其次，它是人类视觉相似性的合适模型，其中使用的基础信息是像素梯度而不是像素强度，对全局对比度比较鲁棒；第三，文献1所述方法梯度方向和细胞区域位置上的三线性插值以及块区域部分重叠措施极大消除了量化走样。
方向梯度直方图被应用到了各种对象类的检测和识别上，包括刚体如汽车等和可形变体如人、鸟、马等。在图像检索、图像内容理解、图像和场景分类等其他应用中方向梯度直方图也得到了广泛应用。近些年，在目标检测领域获得最好性能的工作都采用了方向梯度直方图特征或者类似的特征。
为降低后续应用的计算量，对方向梯度直方图特征进行降维是一个很重要的工作。针对某些目标检测问题，Felzenszwalb等在文献2(Felzenszwalb P F,Girshick R B,McAllester D,et al.Object detection with discriminatively trained part-basedmodels.IEEE transactions on pattern analysis and machine intelligence,2010,32(9):1627-1645.)中对块区域维度为36的方向梯度直方图进行主成分分析，再利用点积运算将块区域的方向梯度直方图的维度由36降为13。针对特定应用，文献3(Dang L,Bui B,Vop D,et al,Improved HOG Descriptors.ICKSE2011:186-189.)的工作通过略去检测图像窗口中信息量较少区域的特征来减少方向梯度直方图的维度。
但是，现有降维技术对特定应用的先验知识具有依赖性，并且一般也需要增加额外的计算负荷来进行降维。
发明内容
本发明提供了一种低维方向梯度直方图特征的提取方法，其目的在于，通过扩大参与块区域内细胞区域位置线性插值的像素范围到块的紧邻细胞区域，以及为块内块外像素采用不同高斯权重进行平滑处理，取消了提取图像窗口方向梯度直方图特征时的块区域部分重叠，以不增加计算负荷方式实现了不针对特定应用的特征降维。
一种低维方向梯度直方图特征的提取方法，包括以下步骤：
步骤1：对待提取直方图的图像窗口中的每个像素进行像素梯度计算；
步骤2：对待提取直方图的图像窗口进行区域划分；
将待提取直方图的尺寸为w*h的图像窗口划分成多个边长为b的块区域，并对每个块区域划分成多个边长为c的细胞区域；
划分的块区域和细胞区域均不存在重叠部分；
若图像窗口的大小为w*h，块区域大小为b*b，则计算图像窗口直方图特征时需涉及的块区域数量为(w*h)/(b*b)。文献1所述方法中因为采取了块区域部分重叠的方式，导致一个图像窗口中参与特征计算的块数量远大于本发明的方法，从而特征的维度也高得多。
步骤3：量化像素梯度方向为若干方向项；
所述梯度方向项是对像素梯度的方向角范围量化后的一个区间单元；
对像素梯度的方向角范围均匀划分为n个方向项角区间，并将像素梯度值在其本身方向角所对应的两个相邻方向项上进行线性插值，得到像素在相邻梯度方向项上的梯度值；
步骤4：以块区域为处理单元，依次对块区域内的每个细胞区域中的像素进行位置线性插值，按以下公式获得当前块区域中每个细胞区域的梯度直方图向量；
其中，hθ(i)表示当前块区域中第i个细胞区域在方向项θ上的直方图分量，(xi,yi)表示当前块区域中第i个细胞区域的中心坐标，Mθ(x,y)表示像素(x,y)在方向项θ上的梯度值；dx和dy分别是两个相邻细胞区域中心在x轴和y轴方向的距离；
从上述的公式可以看出，参与块区域内细胞区域位置线性插值的像素范围扩大到了块区域的紧邻细胞区域。
步骤5：按照相同的顺序连接每一块区域中的所有细胞区域的梯度直方图向量，得到块区域的梯度直方图向量；
步骤6：按照步骤5的顺序连接所有的块区域的梯度直方图向量，得到待提取直方图的图像窗口的梯度直方图向量。
进一步地，在步骤3进行量化处理前，对待进行位置线性插值处理的块及其紧邻细胞区域进行高斯平滑处理；
每个块区域和与该块区域紧邻的细胞区域中各像素的梯度值采用不同高斯权重进行高斯平滑处理：
ωb(x,y)＝exp(-((x-xc)2+(y-yc)2)/2σ2) x,y∈Ω
ωe(x,y)＝exp(-((x-xc|-bx)2+(y-yc|-by)2)/2σ2)x,y∈P
其中，ωb(x,y)和ωe(x,y)分别表示像素位于块区域时和像素位于与块区域紧邻的细胞区域时采用的高斯权重因子；
Ω表示以(xc,yc)为中心的块区域，P表示以(xc,yc)为中心的块区域的紧邻细胞区域；
bx和by分别表示x轴和y偏轴移补偿量，σ表示高斯核。
每个块区域进行完平滑处理后，再进行方向量化，然后才进入步骤4的处理流程，即对一个块及相邻的细胞区域的像素进行平滑处理后，再进行方向量化，紧接着对经平滑处理及方向量化后的块区域中的细胞区域的像素进行位置线性插值，然后再处理下一个块及相邻的细胞区域的像素的平滑处理，直至最后一个块区域；
进一步地，在所述步骤5之后，分别对所有的块区域的梯度直方图向量进行规范化处理。
进一步地，采用L2范数进行规范化处理。
进一步地，所述块区域边长b取值为16，所述细胞区域边长c取值为8。
进一步地，所述步骤3中的量化的方向项数量为9。
有益效果
本发明提供了一种低维方向梯度直方图特征的提取方法，包括如下步骤：步骤1，计算整幅图像或者图像窗口中每个像素的梯度；步骤2，将图像窗口划分为块区域，将块区域划分为细胞区域；步骤3，对块区域及其紧邻细胞区域中像素的梯度值在细胞区域之间进行位置线性插值；步骤4，计算细胞区域的方向梯度直方图；步骤5，计算块区域的方向梯度直方图；步骤6，计算图像窗口的方向梯度直方图特征。该方法通过取消块区域的重叠，避免了细胞区域位置线性插值和块区域部分重叠在减弱区域量化走样上的等效性，在一个图像窗口上，将块区域之外紧邻的细胞区域纳入位置线性插值范围，相较于文献1所提的方法能提取出维度低得多的方向梯度直方图HOG特征。同时，通过块内块外不同权重的高斯平滑，进一步减弱了区域量化走样。
本发明所述在不增加额外计算量、无需知道特定应用的先验知识的情况下，能提取低维度方向梯度直方图特征。
以一个图像窗口面积为四个块区域大小，一个块区域包含四个细胞区域为例。本发明的方法中一个块参与位置线性插值的像素个数为标准方法的7/4倍，但是窗口中需要计算特征的块区域的数量为文献1所述方法的4/9倍。计算这样一个图像窗口的梯度方向直方图，本发明的方法计算量为文献1所述方法的7/4*4/9＝7/9倍，并且窗口越大，计算量降低得越多。
相对于现有技术文献1所述方法提取出的特征，本发明提取出的特征维度大幅降低，并且性能维持不变。
附图说明
图1是本发明方法的流程图；
图2是文献1所述方法中对像素梯度在块范围内对细胞区域位置线性插值方式的示意图；
图3是文献1所述方法中相邻块区域部分重叠和块区域上高斯权重分布的示意图；
图4是本发明所述方法中块区域及其紧邻细胞区域上高斯权重分布的示意图；
图5是本发明的方法中像素梯度在块范围内对细胞区域位置线性插值方式的示意图。
图6是本发明的方法提取出的方向梯度直方图特征在公开图像集Inria上对行人检测的性能进行比较的结果示意图。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
如图1所示流程，一种低维方向梯度直方图特征的提取方法，包括以下步骤：
步骤1：计算像素梯度；
计算像素梯度有很多方式，比如可以采用无平滑的1-D梯度算子及其转置在3*3大小的邻域上计算梯度。即，可以分别使用如下的式(1)和式(2)得到梯度的值和方向角。
θ(x,y)＝arctan((I(x,y+1)-I(x,y-1))/(I(x+1,y)-I(x-1,y))) (式2)
其中，I(x,y)是坐标(x,y)处像素的值。
步骤2：对待提取直方图的图像窗口进行区域划分；
将待提取直方图的尺寸为w*h的图像窗口划分成多个边长为b的块区域，并对每个块区域划分成多个边长为c的细胞区域；
划分的块区域和细胞区域均不存在重叠部分；
对于不同应用，图像窗口大小不同，以行人检测为例，一个典型的窗口尺寸为128*64(循惯例，采用像素为图像尺寸的基本单位)，选择块区域大小为16*16，细胞区域大小为8*8。
在本发明的方法中，一个窗口中包含的的块区域数量为32个。文献1所述方法采用了相邻块区域之间重叠一半块面积的方式(见图3)，一个窗口中包含的块区域数量为105个。因此，本发明的方法提取出的特征维度仅为标准方法的31/105倍。
步骤3：量化像素梯度方向为若干方向项；
所述梯度方向项是对像素梯度的方向角范围量化后的一个区间单元；
对像素梯度的方向角范围均匀划分为n个方向项，并将像素梯度值在其本身方向角所对应的两个相邻方向项上进行线性插值，得到像素在相邻梯度方向项上的梯度值；
比如，将方向角范围考虑为180度，量化为9个方向项。
步骤4：以块区域为处理单元，依次对块区域内的每个细胞区域中的像素进行位置线性插值，按以下公式获得当前块区域中每个细胞区域的梯度直方图向量；
其中，hθ(i)表示当前块区域中第i个细胞区域在方向项θ上的直方图分量，(xi,yi)表示当前块区域中第i个细胞区域的中心坐标，Mθ(x,y)表示像素(x,y)在方向项θ上的梯度值；dx和dy分别是两个相邻细胞区域中心在x轴和y轴方向的距离；
从上述的公式可以看出，参与块区域内细胞区域位置线性插值的像素范围扩大到了块区域的紧邻细胞区域。
在现有技术文献1所述的方法中，对像素梯度在块范围内对细胞区域位置上线性插值方式如图2所示，图中的一个块区域包含4个细胞区域。图中具体示意了左上角细胞区域的像素梯度对其他细胞插值的情况；相邻块区域部分重叠和块区域上高斯权重分布如图3所示，相邻的块区域之间重叠一半面积。
如图5所示，插值时，块区域从概念上被分成了四个子区域。
位于块四个顶点处的子区域不对其他细胞区域插值；
处于块中心区域的四个子区域对四个细胞区域都进行插值；
其他子区域在自身和与其紧邻的细胞区域上进行插值。
此外，块区域之外紧邻的半个细胞宽度的额外面积上的像素也参与位置插值。
在插值之前先对像素梯度值进行平滑，如图4所示，对块区域内的像素和紧邻该块区域的细胞区域中的像素的采用不同的高斯权重，因为只需考虑线性插值的范围，所以只需对半个细胞区域宽度的块外区域进行平滑。权重的设置可分别按下述公式来进行设置。
ωb(x,y)＝exp(-((x-xc)2+(y-yc)2)/2σ2) x,y∈Ω
ωe(x,y)＝exp(-((x-xc|-bx)2+(y-yc|-by)2)/2σ2)x,y∈P
其中，ωb(x,y)和ωe(x,y)分别表示像素位于块区域时和像素位于与块区域紧邻的细胞区域时采用的高斯权重因子；
Ω表示以(xc,yc)为中心的块区域，P表示以(xc,yc)为中心的块区域的紧邻细胞区域；
bx和by分别表示x轴和y偏轴移补偿量，本实例中bx和by都是8个像素，该补偿防止块之外参与插值像素的权重过小。σ表示高斯核，本实例中取8。
步骤5：按照相同的顺序连接每一块区域中的所有细胞区域的梯度直方图向量，得到块区域的梯度直方图向量；
步骤6：按照步骤5的顺序连接所有的块区域的梯度直方图向量，得到待提取直方图的图像窗口的梯度直方图向量。
连接的次序只要统一即可，比如，可采用从左到右、从上往下的次序。
实验效果
图6是本发明的方法提取出的方向梯度直方图特征在公开图像集Inria上的行人检测性能比较结果。参与比较的特征分别为文献1所述方法提取出的特征S-HOG，按文献1所述方法但是取消了块区域重叠提取出的特征NL-HOG和本发明方法提取出的特征EL-HOG。图中，水平轴表示每幅图像假正数量，垂直轴表示遗漏率。图6以ROC曲线来衡量性能的，曲线下面与两个坐标轴之间围的区域面积越小则对应特征性能越好。可以看出本发明的方法提取出的低维特征的性能与文献1所述方法提取出的特征性能相当，而只是取消块部分重叠的方法提取出的特征性能差了很多。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对本发明所述技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或者替换，都应当视为属于本发明的保护范围。

Claims (5)

1.一种低维方向梯度直方图特征的提取方法，其特征在于，包括以下步骤：
步骤1：对待提取直方图的图像窗口中的每个像素进行像素梯度计算；
步骤2：对待提取直方图的图像窗口进行区域划分；
将待提取直方图的尺寸为w*h的图像窗口划分成多个边长为b的块区域，并对每个块区域划分成多个边长为c的细胞区域；
划分的块区域和细胞区域均不存在重叠部分；
步骤3：量化像素梯度方向为若干方向项；
所述方向项是对像素梯度的方向角范围量化后的一个区间单元；
对像素梯度的方向角范围均匀划分为n个方向项，并将像素梯度值在其本身方向角所对应的两个相邻方向项上进行线性插值，得到像素在相邻梯度方向项上的梯度值；
步骤4：以块区域为处理单元，依次对块区域内的每个细胞区域中的像素进行位置线性插值，按以下公式获得当前块区域中每个细胞区域的梯度直方图向量；
其中，hθ(i)表示当前块区域中第i个细胞区域在方向项θ上的直方图分量，(xi,yi)表示当前块区域中第i个细胞区域的中心坐标，Mθ(x,y)表示像素(x,y)在方向项θ上的梯度值；dx和dy分别是两个相邻细胞区域中心在x轴和y轴方向的距离；
参与块区域内细胞区域位置线性插值的像素范围扩大到了块区域的紧邻细胞区域；
步骤5：按照相同的顺序连接每一块区域中的所有细胞区域的梯度直方图向量，得到块区域的梯度直方图向量；
步骤6：按照步骤5的顺序连接所有的块区域的梯度直方图向量，得到待提取直方图的图像窗口的梯度直方图向量；
在步骤3进行方向量化处理前，对待进行位置线性插值处理的块及其紧邻细胞区域进行高斯平滑处理；
每个块区域和与该块区域紧邻的细胞区域中各像素的梯度值采用不同高斯权重进行高斯平滑处理：
ωb(x,y)＝exp(-((x-xc)2+(y-yc)2)/2σ2)x,y∈Ω
ωe(x,y)＝exp(-((|x-xc|-bx)2+(|y-yc|-by)2)/2σ2)x,y∈P
其中，ωb(x,y)和ωe(x,y)分别表示像素位于块区域时和像素位于与块区域紧邻的细胞区域时采用的高斯权重因子；
Ω表示以(xc,yc)为中心的块区域，P表示以(xc,yc)为中心的块区域的紧邻细胞区域；
bx和by分别表示x轴和y轴偏移补偿量，σ表示高斯核。
2.根据权利要求1所述的方法，其特征在于，在所述步骤5之后，分别对所有的块区域的梯度直方图向量进行规范化处理。
3.根据权利要求2所述的方法，其特征在于，采用L2范数进行规范化处理。
4.根据权利要求1所述的方法，其特征在于，所述块区域边长b取值为16，所述细胞区域边长c取值为8。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述步骤3中的量化的方向项数量为9。
CN201710147660.6A 2017-03-09 2017-03-13 一种低维方向梯度直方图特征的提取方法 Expired - Fee Related CN106934403B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710138892 2017-03-09
CN2017101388925 2017-03-09

Publications (2)

Publication Number Publication Date
CN106934403A CN106934403A (zh) 2017-07-07
CN106934403B true CN106934403B (zh) 2019-09-06

Family

ID=59432306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710147660.6A Expired - Fee Related CN106934403B (zh) 2017-03-09 2017-03-13 一种低维方向梯度直方图特征的提取方法

Country Status (1)

Country Link
CN (1) CN106934403B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182442B (zh) * 2017-12-29 2022-03-15 惠州华阳通用电子有限公司 一种图像特征提取方法
CN114076866A (zh) * 2021-11-08 2022-02-22 湖州市检验检测中心 一种用于机电产品电气安全远程检验系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598929A (zh) * 2015-02-03 2015-05-06 南京邮电大学 一种hog特征快速提取方法
CN104850852A (zh) * 2015-04-27 2015-08-19 小米科技有限责任公司 特征向量计算方法和装置
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598929A (zh) * 2015-02-03 2015-05-06 南京邮电大学 一种hog特征快速提取方法
CN104850852A (zh) * 2015-04-27 2015-08-19 小米科技有限责任公司 特征向量计算方法和装置
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方向梯度直方图及其扩展;傅红普;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150531;第39卷(第5期);论文第2-5章

Also Published As

Publication number Publication date
CN106934403A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
Seff et al. 2D view aggregation for lymph node detection using a shallow hierarchy of linear classifiers
CN106940791B (zh) 一种基于低维方向梯度直方图的行人检测方法
Peng et al. A training-free nose tip detection method from face range images
US20160379038A1 (en) Valid finger area and quality estimation for fingerprint imaging
CN104680158A (zh) 一种基于对尺度块局部多值模式的人脸识别方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
CN106934403B (zh) 一种低维方向梯度直方图特征的提取方法
CN107909083A (zh) 一种基于轮廓匹配优化的矩形检测提取方法
Hussein et al. A comprehensive evaluation framework and a comparative study for human detectors
El-tawel et al. An edge detection scheme based on least squares support vector machine in a contourlet HMT domain
CN117314901B (zh) 一种尺度自适应的芯片检测神经网络系统
Takarli et al. Combination of high-level features with low-level features for detection of pedestrian
Bai et al. Patch similarity based edge-preserving background estimation for single frame infrared small target detection
Goto et al. Cs-hog: Color similarity-based hog
Gendy et al. Automatic car registration plate recognition using fast Hough transform
Mustafa et al. Segmentation based features for wide-baseline multi-view reconstruction
Zhang et al. Pedestrian detection with EDGE features of color image and HOG on depth images
CN116563254A (zh) 一种电子元器件表面印刷图案的纹理检测与匹配方法
US8792725B2 (en) Information processing apparatus, control method for information processing apparatus and storage medium
CN110363192A (zh) 物件影像辨识系统及物件影像辨识方法
CN112508113B (zh) 被动式太赫兹人体图像隐蔽目标的检测方法及装置
CN110263777B (zh) 基于空谱结合的局部保持投影算法的目标检测方法及系统
CN108171750A (zh) 基于视觉的箱子装卸定位识别系统
CN108280453B (zh) 基于深度学习的低功耗快速检测图像目标方法
CN107451574B (zh) 一种基于类Haar视觉特征感知的运动估计方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190906

Termination date: 20210313

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