CN107133558A - 一种基于概率传播的红外行人显著性检测方法 - Google Patents
一种基于概率传播的红外行人显著性检测方法 Download PDFInfo
- Publication number
- CN107133558A CN107133558A CN201710146420.4A CN201710146420A CN107133558A CN 107133558 A CN107133558 A CN 107133558A CN 201710146420 A CN201710146420 A CN 201710146420A CN 107133558 A CN107133558 A CN 107133558A
- Authority
- CN
- China
- Prior art keywords
- mrow
- pixel
- msub
- super
- cellular
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Organic Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
一种基于概率传播的红外行人显著性检测方法,其步骤如下:一:图像预处理;二:结合MSER提取和亮度滤波,得到基于MSER的局部稳定度;三:首先计算各超像素的亮度对比度,在此基础上加入权重作为补充,得到了结合垂直边缘的亮度对比度;四:构建了显著性传播模型,通过不断相互引导地更新达到显著性融合及优化的目的;通过以上步骤,针对红外行人图像能得到很好的显著性检测结果,行人被完整地突出,而背景几乎被完全抑制,在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
Description
(一)技术领域
本发明涉及一种基于概率传播的红外行人显著性检测方法,属于计算机视觉和数字图像处理领域。在目标分割、目标识别等领域中有广阔的应用前景。
(二)背景技术
显著性检测重点集中于图像中重要且突出的区域,其这一特性使得显著性被广泛应用于目标分割、图像压缩和目标检测等视觉课题中。然而将显著性应用到红外行人图像中对现有的算法来说仍然是具有挑战性的,但同时这一研究也十分具有现实意义,因为红外行人检测在智能交通领域有着重要的应用。
以往的显著性模型主要研究显著目标的颜色、方向和纹理等底层特征而随着人们对图像理解的深入,一些先验原则被引入到了显著性模型中,最常用的则包括中心先验和背景先验。而在最近的研究中,基于概率传播的显著性模型吸引了越来越多的注意,并取得了较好的成果。马尔可夫链、流形排序和随机游走是最常用的传播模型,于是诞生了许多基于这些传播方法的显著模型。除此之外,一些新的传播模型也不断被提出,同是在显著性中有较好的应用。例如,Gong等人提出了一种learning-to-teach和teaching-to-learn的策略作为显著性传播方式,从简单易判断的点出发逐渐向复杂点逐步扩散。Li等人则提出了一种共同转化的方式对背景标签和似物性标签进行传播,不仅考虑邻域间的传播同时也考虑了非邻域部分间的传播。Qin等人构建了一种元胞自动机模型,以超像素作为元胞并以邻域元胞不断影响显著性传播,对基于背景先验的初始显著度有很好的优化作用。
尽管多种多样的显著性模型不断被提出,但这些模型大多是针对可见光图像的。然而由于红外图像对比度低、信噪比低、并缺少颜色信息等缺点,使得当把这些模型直接应用于红外图像时,往往会产生较差的结果。一些学者提出了一些用于红外图像的显著性检测算法,如Ko等人利用中央-周围机制计算通过计算亮度对比度得到了红外图像的亮度显著图。Zhang等人则结合区域对比度和边缘对比度提出了针对红外小目标的显著性。然而,现有的针对红外图像的显著性模型往往不能提出能体现显著目标特征的有效的特征,并且难以适用于较复杂的场景。
考虑到现有的显著性方法所存在的缺点以及显著性检测在红外行人图像中的应用价值,本算法的研究是十分有必要的。本发明结合红外图像和行人特性提出了两种显著性特征:基于MSER的局部稳定度和结合垂直边缘权重的对比度,并构建了结合层内邻域和层间邻域的相互引导的显著性传播模型,对这两种特征进行融合及优化,最终针对红外行人的到了较好的显著性结果。
(三)发明内容
(1)本发明的目的
红外行人图像在智能交通领域有着重要的应用,例如行人监控系统中和车载行人检测系统中。由于红外相比可见光而言能够适用于黑夜以及一些特殊环境中,因此对与红外行人图像的研究是必不可少的。考虑到显著性具有自动判断图像中的显著目标,突出目标并抑制背景的作用,显著性可被用于目标检测之中。常用于显著性检测的图像中目标往往较大,且与背景有较大的差异,然而红外行人图像中行人大小不一,很多时候目标往往较小,另外红外图像中行人没有颜色和纹理信息,同时与背景对比度较低。这些特性使得现有的显著性模型往往不适用于红外行人图像。为了解决现有的问题,使得显著性能够较好的应用于红外行人图像中,突出行人并将行人与背景分离,本发明提出了一种基于概率传播的红外行人显著性检测方法。首先考虑到红外行人图像中的行人往往具有较高亮度,且作为一个整体被亮度较低的区域包围,这种特性可以被称为其局部亮度稳定性。而我们发现最大稳定极值区域即MSER可以很好的体现行人的这一稳定性,故提出了基于MSER的局部稳定度。另外,行人部分的亮度分布与背景有着明显的差异,同时行人具有竖直的行人特征。为了更准确稳健的描述行人的显著性特征,作为补充提出了结合垂直边缘的亮度对比度特征。最后为了进一步融合并优化这两个特征,构建了结合层内邻域和层间邻域的相互引导的显著性传播模型。最后得到的显著结果在很大程度上突出了行人并抑制了背景。
(2)技术方案
本发明的一种基于概率传播的红外行人显著性检测方法,其具体方法步骤如下:
步骤一:图像预处理;针对后续步骤,首先,通过超像素分割将输入图像分割为许多灰度相近,保留边界的超像素,并计算各超像素的平均位置和平均颜色;
超像素分割可以很大程度减少计算量,并起到局部平滑的作用,这对于信噪比较低的红外图像来说可以起到抑制局部噪音的作用;
其中,在步骤一中所述的“通过超像素分割将输入图像分割为许多灰度相近,保留边界的超像素,并计算各超像素的平均位置和平均颜色”,其作法如下:利用SLIC算法,将具有相似纹理、颜色、亮度等特征的相邻像素聚类为有一定视觉意义的不规则像素块,即超像素。各超像素的平均位置和平均颜色的计算公式为:
其中C(p)和I(p)分别代表像素p的位置坐标和颜色,SPi表示第i个超像素块,|SPi|则为其对应的面积;
步骤二:基于MSER的局部稳定度;首先提取红外图像中的最大稳定极值区域;然后并在此基础上以个像素包含的MSER个数判定该像素的稳定性程度,并得到像素级局部稳定度;然后将像素级局部稳定度映射到超像素,并结合亮度滤波得到最终的局部稳定度;
其中,在步骤二中所述的“提取红外图像中的最大稳定极值区域”,其作法如下:首先以对图像进行二值化,二值化阈值取[0,255];在阈值不断变化的过程中,连通域的个数以及连通域的面积也在不断变化;当阈值从0变化至255之中产生的所有连通域都被认为是极值区域,然而要从其中得到最大稳定极值区域即MSER,则需要对各个区域判定其稳定性,即在阈值变化过程中各区域的面积变化程度;稳定性判据被定义为:
其中代表极值区域Ri在阈值为g的二值图中的状态,|·|则表示面积,δ则为稳定度的范围参数;ψ值越小稳定度越高,则属于行人区域的可能性越大;当值小于经验阈值时,区域则可被认为是MSER;最后,可得到MSER的集SR={SR1,SR2,…SRK},共包含K个稳定区域。
其中,在步骤二中所述的“像素级局部稳定度”,该像素级稳定度的计算过程如下:首先要对各像素判断其包含稳定区域的情况,于是对每一个SRi都构建一个和输入图像宽高一致的矩阵Ei,并对各像素p进行标记,属于区域SRi的像素则标记为1,否则为0:
然后,通过加和可计算各像素包含的MSER的个数:
F则描述了像素级的稳定度。
其中,在步骤二中所述的“最终的局部稳定度”,其计算的过程如下:首先将像素级稳定度映射到超像素,即将各超像素所包含像素的稳定度均值作为该超像素的稳定性值;然后结合亮度滤波则可得到最终的局部稳定度SMLS,其计算公式为:
其中Ii为第i个超像素的灰度值,Iμ则表示原图的灰度均值,由于红外图像中行人亮度高于背景,加入亮度滤波可以抑制图像中的大部分背景。
步骤三:结合垂直边缘的亮度对比度;首先计算各超像素的亮度对比度,在此基础上加入权重作为补充,权重包含两部分内容:边缘权重和亮度权重;
其中,在步骤三中所述的“计算各超像素的亮度对比度”,其计算方法如下:
其中Ii和ci分别代表第i个超像素的亮度和位置,并分别由其内部所有像素的亮度均值和中心表示,N则表示超像素的总个数。
其中,在步骤三中所述的“加入权重作为补充”,其计算方法如下:首先计算权重:
其中表示亮度权重,以各超像素的亮度均值表示,即因为行人亮度往往高于背景,行人身体内部亮度往往高于其周围区域;则表示垂直边缘权重,其计算方法是首先对输入图像计算垂直方向的边缘梯度得到各像素的竖直梯度pve,以各超像素的边缘所包含的垂直梯度作为该超像素的垂直梯度权重,因为包含越多的垂直梯度,该超像素属于行人的可能性越大;垂直边缘权重被定义为:
其中Ei表示第i个超像素的边缘像素种子;最后,以乘法的形式结合对比度与权重
SVEC(i)=wi·Con(i)
SVEC表示本发明中提出的结合垂直边缘权重的对比度。
步骤四:相互引导的显著性传播;在超像素的基础上以元胞自动机模型为基础构建了传播模型;元胞自动机包括三部分:元胞,邻域,更新规则。以各超像素作为元胞,并构建了两种邻域,层内邻域和层间邻域;利用各元胞当前状态和邻域元胞状态及更新规则判断各元胞在下一阶段的状态,通过不断更新达到显著性传播的目的。当元胞显著性值变化程度小于一定时则停止循环,停止时各元胞的状态则作为其最后的显著值。
其中,在步骤四中所述的“元胞”,是指元胞自动机最基本的组成部分,又可称为细胞或基元;本发明中以超像素作为基元,一个超像素块对应一个元胞;
其中,在步骤四中所述的“邻域”,其定义如下:邻域表示元胞在空间中与其相邻的元胞集合,本方法中邻域由层内邻域和层间邻域两部分构成。首先层内邻域为与元胞直接相邻的元胞集合NB1及与NB1直接相邻的元胞集合NB2的并集,即NB=NB1∪NB2。因为相邻超像素之间应该具有相近的显著性,且与中心元胞亮度越相近的邻域元胞应该对中心元胞产生越大的影响。于是,用来衡量元胞之间相互影响的大小的相似性矩阵M=[mij]N×N被定义为:
然后将局部稳定度和结合权重的对比度这两个特征图中相同位置对应的元胞作为相互的层间邻域,因为各元胞最终的状态要综合考虑其对应的两个特征的值,要与其特征值相似。
其中,在步骤四中所述的“更新规则”,其更新的做法如下:由于层内邻域和层间邻域对元胞共同产生影响,因此需要构建影响矩阵来衡量两种邻域的影响强度,影响矩阵V={v1,v2,…,vN}被定义为j∈[1,N];当层内邻域与元胞具有较高的相似度即mij有较大值时,元胞应该与其层内邻域有较高的相似性,层内邻域也应该有较大的影响力;而层内邻域与元胞相似度较低时,元胞在下一时刻的显著性值应更依赖于层间邻域;于是,更新规则被定义为:
St表示第t次循环时得到的显著性结果,checkt则表示对应的显著性结果变化方差。每次循环都完成以上公式的更新,当checkt小于给定的阈值时,说明显著性结果已经到达了一个稳定的状态,则循环停止在checkt达到阈值的时刻T。循环停止时的显著性结果则作为最终的显著性结果:Sfinal=ST;
通过以上步骤,针对红外行人图像能得到很好的显著性检测结果,行人被完整地突出,而背景几乎被完全抑制,在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
(3)与现有技术相比,本发明的优点:
不同于以往红外显著性算法仅仅提取图像最基本的底层特征,本方法利用红外图像及行人的特性提出了基于MSER的局部稳定度和结合垂直边缘的对比度这两个有效且稳健的特征,能够很好的描述红外行人的显著特性。
本方法基于元胞自动机机制构建了相互引导的显著性传播模型。不同于以往元胞自动机仅仅利用相邻超像素作为元胞,本方法提出了结合层内邻域和层间邻域的概念。不仅仅利用相邻元胞间的相互影响,同时还引入了两个特征对应元胞作为层间邻域起到了相互引导的作用。此传播模型还实现了针对不同图像自适应确定循环次数,而非设置固定循环次数。
本方法相比以往的方法对于红外行人图像能产生更好的结果,对于行人能被完整地突出,背景也能被更完全地抑制。
(四)附图说明
图1为本发明所述检测方法的流程框图。
图2为本发明中步骤四中显著性传播的流程图。
图中序号、符号、代号说明如下:
i,j为超像素序列号;
t为循环次数计数;
N为超像素总数;
V为影响因子向量;
vi为第i个超像素在影响因子向量中对应的值;
M为相似性矩阵;
mij是超像素i和j在相似性矩阵中对应的相似性测度;
sum为求和函数;
为基于MSER的局部稳定度特征在第t次循环中的状态;
为结合垂直边缘权重的对比度特征在第t次循环中的状态;
Intra-scale为层内邻域部分;
Inner-scale为层间邻域部分;
St为显著性结果在第t次循环中的值;
var为求方差函数;
check为判断循环是否该停止的方差度量;
thresh为停止阈值;
Sfinal为最终的显著性。
(五)具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。
本发明的流程框图如图1所示,本发明一种基于概率传播的红外行人显著性检测方法,其具体实施步骤如下:
步骤一:图像预处理;
首先,通过超像素分割将输入图像分割为许多灰度相近,保留边界的超像素,并计算各超像素的平均位置和平均颜色;
步骤二:基于MSER的局部稳定度;
首先提取红外图像中的最大稳定极值区域;先对图像进行二值化,二值化阈值取[0,255]。在阈值不断变化的过程中,连通域的个数以及连通域的面积也在不断变化。当阈值从0变化至255之中产生的所有连通域都被认为是极值区域,然而要从其中得到最大稳定极值区域,则需要对各个区域判定其稳定性,即在阈值变化过程中各区域的面积变化程度。稳定性判据被定义为:
其中代表极值区域Ri在阈值为g的二值图中的状态,|·|则表示面积,δ则为稳定度的范围参数。ψ值越小稳定度越,则属于行人区域的可能性越大。当值小于经验阈值时,区域则可被认为是MSER。最后,可得到MSER的集SR={SR1,SR2,…SRK},共包含K个稳定区域。
然后计算像素级局部稳定度;首先要对各像素判断其包含稳定区域的情况,于是对每一个SRi都构建一个和输入图像宽高一致的矩阵Ei,并对各像素p进行标记,属于区域SRi的像素则标记为1,否则为0:
然后,通过加和可计算各像素包含的MSER的个数:
F则描述了像素级的稳定度。
接下来将像素级稳定度映射到超像素,即将各超像素所包含像素的稳定度均值作为该超像素的稳定性值;最后结合亮度滤波则可得到最终的局部稳定度SMLS,其计算公式为:
其中I(p)为像素p在原图中的灰度值,Iμ则表示原图的灰度均值,由于红外图像中行人亮度高于背景,加入亮度滤波可以抑制图像中的大部分背景。
步骤三:结合垂直边缘的亮度对比度;
首先计算各超像素的亮度对比度,其公式为:
在此基础上加入权重作为补充,权重包含两部分内容:边缘权重和亮度权重:
其中表示亮度权重,以各超像素的亮度均值表示,即因为行人亮度往往高于背景,行人身体内部亮度往往高于其周围区域。则表示垂直边缘权重,其计算方法是首先对输入图像计算垂直方向的边缘梯度得到各像素的竖直梯度pve,以各超像素的边缘所包含的垂直梯度作为该超像素的垂直梯度权重,因为包含越多的垂直梯度,该超像素属于行人的可能性越大。垂直边缘权重被定义为:
其中Ei表示第i个超像素的边缘像素种子。最后以乘法的形式结合对比度与权重:
SVEC(i)=wi·Con(i)
SVEC表示本发明中提出的结合垂直边缘权重的对比度。
步骤四:相互引导的显著性传播;
在超像素的基础上以元胞自动机模型为基础构建了传播模型。元胞自动机包括三部分:元胞组成,邻域,更新规则。以各超像素作为元胞,并构建了两种邻域,层内邻域和层间邻域。
其中层内邻域为与元胞直接相邻的元胞集合NB1及与NB1直接相邻的元胞集合NB2的并集,即NB=NB1∪NB2。因为相邻超像素之间应该具有相近的显著性,且与中心元胞亮度越相近的邻域元胞应该对中心元胞产生越大的影响。于是,用来衡量元胞之间相互影响的大小的相似性矩阵M=[mij]N×N被定义为:
然后将局部稳定度和结合权重的对比度这两个特征图中相同位置对应的元胞作为相互的层间邻域,因为各元胞最终的状态要综合考虑其对应的两个特征的值,要与其特征值相似。
由于层内邻域和层间邻域对元胞共同产生影响,因此需要构建影响矩阵来衡量两种邻域的影响强度,影响矩阵V={v1,v2,…,vN}被定义为j∈[1,N]。当层内邻域与元胞具有较高的相似度即mij有较大值时,元胞应该与其层内邻域有较高的相似性,层内邻域也应该有较大的影响力。而层内邻域与元胞相似度较低时,元胞在下一时刻的显著性值应更依赖于层间邻域。利用各元胞当前状态和邻域元胞状态及更新规则判断各元胞在下一阶段的状态,通过不断更新达到显著性传播的目的。更新规则被定义为:
St表示第t次循环时得到的显著性结果,checkt则表示对应的显著性结果变化方差。每次循环都完成以上公式的更新,当checkt小于给定的阈值时,说明显著性结果已经到达了一个稳定的状态,则循环停止在checkt达到阈值的时刻T。循环停止时的显著性结果则作为最终的显著性结果:Sfinal=ST;其显著性传播的流程图如图2所示。
Claims (10)
1.一种基于概率传播的红外行人显著性检测方法,其特征在于:其具体方法步骤如下:
步骤一:图像预处理;针对后续步骤,首先,通过超像素分割将输入图像分割为灰度相近,保留边界的超像素,并计算各超像素的平均位置和平均颜色;
步骤二:基于MSER的局部稳定度;首先提取红外图像中的最大稳定极值区域;然后并在此基础上以各像素包含的MSER个数判定该像素的稳定性程度,并得到像素级局部稳定度;然后将像素级局部稳定度映射到超像素,并结合亮度滤波得到最终的局部稳定度;
步骤三:结合垂直边缘的亮度对比度;首先计算各超像素的亮度对比度,在此基础上加入权重作为补充,权重包含两部分内容:边缘权重和亮度权重;
步骤四:相互引导的显著性传播;在超像素的基础上以元胞自动机模型为基础构建了传播模型;元胞自动机包括三部分:元胞,邻域,更新规则;以各超像素作为元胞,并构建了两种邻域,层内邻域和层间邻域;利用各元胞当前状态和邻域元胞状态及更新规则判断各元胞在下一阶段的状态,通过不断更新达到显著性传播的目的;当元胞显著性值变化程度小于一定时则停止循环,停止时各元胞的状态则作为其最后的显著值;
通过以上步骤,针对红外行人图像能得到很好的显著性检测结果,行人被完整地突出,而背景几乎被完全抑制,在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
2.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤一中所述的“通过超像素分割将输入图像分割为许多灰度相近,保留边界的超像素,并计算各超像素的平均位置和平均颜色”,其作法如下:利用SLIC算法,将具有相似纹理、颜色和亮度特征的相邻像素聚类为有视觉意义的不规则像素块,即超像素;各超像素的平均位置和平均颜色的计算公式为:
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中C(p)和I(p)分别代表像素p的位置坐标和颜色,SPi表示第i个超像素块,|SPi|则为其对应的面积。
3.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤二中所述的“提取红外图像中的最大稳定极值区域”,其作法如下:首先以对图像进行二值化,二值化阈值取[0,255];在阈值不断变化的过程中,连通域的个数以及连通域的面积也在不断变化;当阈值从0变化至255之中产生的所有连通域都被认为是极值区域,然而要从其中得到最大稳定极值区域即MSER,则需要对各个区域判定其稳定性,即在阈值变化过程中各区域的面积变化程度;稳定性判据被定义为:
<mrow>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mi>g</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>-</mo>
<mo>|</mo>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mo>-</mo>
<mi>&delta;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mo>|</mo>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mi>g</mi>
</msubsup>
<mo>|</mo>
</mrow>
其中代表极值区域Ri在阈值为g的二值图中的状态,|·|则表示面积,δ则为稳定度的范围参数;ψ值越小稳定度越高,则属于行人区域的可能性越大;当值小于经验阈值时,区域则可被认为是MSER;最后,得到MSER的集SR={SR1,SR2,…SRK},共包含K个稳定区域。
4.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤二中所述的“像素级局部稳定度”,该像素级稳定度的计算过程如下:首先要对各像素判断其包含稳定区域的情况,于是对每一个SRi都构建一个和输入图像宽高一致的矩阵Ei,并对各像素p进行标记,属于区域SRi的像素则标记为1,否则为0:
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>SR</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
然后,通过加和可计算各像素包含的MSER的个数:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
F则描述了像素级的稳定度。
5.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤二中所述的“最终的局部稳定度”,其计算的过程如下:首先将像素级稳定度映射到超像素,即将各超像素所包含像素的稳定度均值作为该超像素的稳定性值;然后结合亮度滤波则可得到最终的局部稳定度SMLS,其计算公式为:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>M</mi>
<mi>L</mi>
<mi>S</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>SP</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>&mu;</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中Ii为第i个超像素的灰度值,Iμ则表示原图的灰度均值,由于红外图像中行人亮度高于背景,加入亮度滤波可以抑制图像中的大部分背景。
6.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤三中所述的“计算各超像素的亮度对比度”,其计算方法如下:
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
其中Ii和ci分别代表第i个超像素的亮度和位置,并分别由其内部所有像素的亮度均值和中心表示,N则表示超像素的总个数。
7.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤三中所述的“加入权重作为补充”,其计算方法如下:首先计算权重:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
</mrow>
其中表示亮度权重,以各超像素的亮度均值表示,即因为行人亮度往往高于背景,行人身体内部亮度往往高于其周围区域;则表示垂直边缘权重,其计算方法是首先对输入图像计算垂直方向的边缘梯度得到各像素的竖直梯度pve,以各超像素的边缘所包含的垂直梯度作为该超像素的垂直梯度权重,因为包含越多的垂直梯度,该超像素属于行人的可能性越大;垂直边缘权重被定义为:
<mrow>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>p</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msup>
</mrow>
其中Ei表示第i个超像素的边缘像素种子;最后,以乘法的形式结合对比度与权重
SVEC(i)=wi·Con(i)
SVEC表示本发明中提出的结合垂直边缘权重的对比度。
8.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤四中所述的“元胞”,是指元胞自动机最基本的组成部分,又称为细胞及基元;本发明中以超像素作为基元,一个超像素块对应一个元胞。
9.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤四中所述的“邻域”,其定义如下:邻域表示元胞在空间中与其相邻的元胞集合,本方法中邻域由层内邻域和层间邻域两部分构成;首先层内邻域为与元胞直接相邻的元胞集合NB1及与NB1直接相邻的元胞集合NB2的并集,即NB=NB1∪NB2;因为相邻超像素之间应该具有相近的显著性,且与中心元胞亮度越相近的邻域元胞应该对中心元胞产生越大的影响;于是,用来衡量元胞之间相互影响的大小的相似性矩阵M=[mij]N×N被定义为:
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>j</mi>
<mi> </mi>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
然后将局部稳定度和结合权重的对比度这两个特征图中相同位置对应的元胞作为相互的层间邻域,因为各元胞最终的状态要综合考虑其对应的两个特征的值,要与其特征值相似。
10.根据权利要求1所述的一种基于概率传播的红外行人显著性检测方法,其特征在于:在步骤四中所述的“更新规则”,其更新的做法如下:由于层内邻域和层间邻域对元胞共同产生影响,因此需要构建影响矩阵来衡量两种邻域的影响强度,影响矩阵V={v1,v2,…,vN}被定义为j∈[1,N];当层内邻域与元胞具有较高的相似度即mij有较大值时,元胞应该与其层内邻域有较高的相似性,层内邻域也应该有较大的影响力;而层内邻域与元胞相似度较低时,元胞在下一时刻的显著性值应更依赖于层间邻域;于是,更新规则被定义为:
St表示第t次循环时得到的显著性结果,checkt则表示对应的显著性结果变化方差,每次循环都完成以上公式的更新,当checkt小于给定的阈值时,说明显著性结果已经到达了一个稳定的状态,则循环停止在checkt达到阈值的时刻T,循环停止时的显著性结果则作为最终的显著性结果:Sfinal=ST。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146420.4A CN107133558B (zh) | 2017-03-13 | 2017-03-13 | 一种基于概率传播的红外行人显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146420.4A CN107133558B (zh) | 2017-03-13 | 2017-03-13 | 一种基于概率传播的红外行人显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133558A true CN107133558A (zh) | 2017-09-05 |
CN107133558B CN107133558B (zh) | 2020-10-20 |
Family
ID=59721092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710146420.4A Expired - Fee Related CN107133558B (zh) | 2017-03-13 | 2017-03-13 | 一种基于概率传播的红外行人显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133558B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766857A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于图模型构建与标签传播的视觉显著性检测算法 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN109522813A (zh) * | 2018-10-24 | 2019-03-26 | 北京航空航天大学 | 一种基于行人显著特征的改进随机游走算法 |
CN109635733A (zh) * | 2018-12-12 | 2019-04-16 | 哈尔滨工业大学 | 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 |
CN110136183A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种图像处理的方法以及相关设备 |
CN110211115A (zh) * | 2019-06-03 | 2019-09-06 | 大连理工大学 | 一种基于深度引导元胞自动机的光场显著性检测实现方法 |
CN110298823A (zh) * | 2019-06-17 | 2019-10-01 | 天津大学 | 一种基于mser算法的红外图像辅助标注方法 |
CN114913472A (zh) * | 2022-02-23 | 2022-08-16 | 北京航空航天大学 | 一种联合图学习与概率传播的红外视频行人显著性检测方法 |
CN116109662A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院国家空间科学中心 | 一种红外图像的超像素分割方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103750A (zh) * | 2011-01-07 | 2011-06-22 | 杭州电子科技大学 | 基于韦伯定理和中央-周围假设的视觉显著性检测方法 |
CN103208115A (zh) * | 2013-03-01 | 2013-07-17 | 上海交通大学 | 基于测地线距离的图像显著性区域检测方法 |
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN103942774A (zh) * | 2014-01-20 | 2014-07-23 | 天津大学 | 一种基于相似性传播的多目标协同显著区域检测方法 |
CN104134217A (zh) * | 2014-07-29 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于超体素图割的视频显著物体分割方法 |
CN104240244A (zh) * | 2014-09-10 | 2014-12-24 | 上海交通大学 | 一种基于传播模式和流形排序的显著性物体检测方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
CN104933738A (zh) * | 2015-06-16 | 2015-09-23 | 中国人民解放军国防科学技术大学 | 一种基于局部结构检测和对比度的视觉显著图生成方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105654475A (zh) * | 2015-12-25 | 2016-06-08 | 中国人民解放军理工大学 | 基于可区分边界和加权对比度的图像显著性检测方法及其装置 |
CN105894502A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 基于超图模型的rgbd图像显著性检测方法 |
US20160350411A1 (en) * | 2015-05-29 | 2016-12-01 | Oracle International Corporation | Learning Topics By Simulation Of A Stochastic Cellular Automaton |
CN106203430A (zh) * | 2016-07-07 | 2016-12-07 | 北京航空航天大学 | 一种基于前景聚集度和背景先验的显著性物体检测方法 |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
-
2017
- 2017-03-13 CN CN201710146420.4A patent/CN107133558B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103750A (zh) * | 2011-01-07 | 2011-06-22 | 杭州电子科技大学 | 基于韦伯定理和中央-周围假设的视觉显著性检测方法 |
CN103208115A (zh) * | 2013-03-01 | 2013-07-17 | 上海交通大学 | 基于测地线距离的图像显著性区域检测方法 |
CN103942774A (zh) * | 2014-01-20 | 2014-07-23 | 天津大学 | 一种基于相似性传播的多目标协同显著区域检测方法 |
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
CN104134217A (zh) * | 2014-07-29 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于超体素图割的视频显著物体分割方法 |
CN104240244A (zh) * | 2014-09-10 | 2014-12-24 | 上海交通大学 | 一种基于传播模式和流形排序的显著性物体检测方法 |
US20160350411A1 (en) * | 2015-05-29 | 2016-12-01 | Oracle International Corporation | Learning Topics By Simulation Of A Stochastic Cellular Automaton |
CN104933738A (zh) * | 2015-06-16 | 2015-09-23 | 中国人民解放军国防科学技术大学 | 一种基于局部结构检测和对比度的视觉显著图生成方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105654475A (zh) * | 2015-12-25 | 2016-06-08 | 中国人民解放军理工大学 | 基于可区分边界和加权对比度的图像显著性检测方法及其装置 |
CN105894502A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 基于超图模型的rgbd图像显著性检测方法 |
CN106203430A (zh) * | 2016-07-07 | 2016-12-07 | 北京航空航天大学 | 一种基于前景聚集度和背景先验的显著性物体检测方法 |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
Non-Patent Citations (4)
Title |
---|
JUFENG ZHAO等: ""Real-time automatic small target detection using saliency extraction and morphological theory"", 《OPTICS & LASER TECHNOLOGY》 * |
刘琼等: ""基于边缘分割的车载单目远红外行人检测方法"", 《华南理工大学学报(自然科学版)》 * |
张晴等: ""基于区域对比度和背景先验的显著目标检测"", 《计算机工程与应用》 * |
范敏等: ""基于对比度与最小凸包的显著性区域检测算法"", 《仪器仪表学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766857A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于图模型构建与标签传播的视觉显著性检测算法 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN108182690B (zh) * | 2017-12-29 | 2019-02-15 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN110136183B (zh) * | 2018-02-09 | 2021-05-18 | 华为技术有限公司 | 一种图像处理的方法、装置以及摄像装置 |
US11250550B2 (en) | 2018-02-09 | 2022-02-15 | Huawei Technologies Co., Ltd. | Image processing method and related device |
CN110136183A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种图像处理的方法以及相关设备 |
CN109522813A (zh) * | 2018-10-24 | 2019-03-26 | 北京航空航天大学 | 一种基于行人显著特征的改进随机游走算法 |
CN109522813B (zh) * | 2018-10-24 | 2023-06-06 | 北京航空航天大学 | 一种基于行人显著特征的改进随机游走算法 |
CN109635733A (zh) * | 2018-12-12 | 2019-04-16 | 哈尔滨工业大学 | 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 |
CN110211115A (zh) * | 2019-06-03 | 2019-09-06 | 大连理工大学 | 一种基于深度引导元胞自动机的光场显著性检测实现方法 |
CN110298823A (zh) * | 2019-06-17 | 2019-10-01 | 天津大学 | 一种基于mser算法的红外图像辅助标注方法 |
CN114913472A (zh) * | 2022-02-23 | 2022-08-16 | 北京航空航天大学 | 一种联合图学习与概率传播的红外视频行人显著性检测方法 |
CN114913472B (zh) * | 2022-02-23 | 2024-06-25 | 北京航空航天大学 | 一种联合图学习与概率传播的红外视频行人显著性检测方法 |
CN116109662A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院国家空间科学中心 | 一种红外图像的超像素分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107133558B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133558A (zh) | 一种基于概率传播的红外行人显著性检测方法 | |
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 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
CN104240244B (zh) | 一种基于传播模式和流形排序的显著性物体检测方法 | |
CN108197606A (zh) | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 | |
Li et al. | Lung nodule detection with deep learning in 3D thoracic MR images | |
CN107038448A (zh) | 目标检测模型构建方法 | |
CN110136149A (zh) | 基于深度神经网络的白细胞定位与分割方法 | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN112580576B (zh) | 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统 | |
CN107657226A (zh) | 一种基于深度学习的人数估计方法 | |
CN111199214A (zh) | 一种残差网络多光谱图像地物分类方法 | |
CN109978807A (zh) | 一种基于生成式对抗网络的阴影去除方法 | |
CN107564022A (zh) | 基于贝叶斯融合的视频显著性检测方法 | |
CN108280397A (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN109446922B (zh) | 一种实时鲁棒的人脸检测方法 | |
CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
CN109360170A (zh) | 基于高级特征的人脸修复方法 | |
CN109508675A (zh) | 一种针对复杂场景的行人检测方法 | |
CN105844213B (zh) | 一种绿色果实识别方法 | |
CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201020 |