CN107679467B - 一种基于hsv和sdalf的行人重识别算法实现方法 - Google Patents
一种基于hsv和sdalf的行人重识别算法实现方法 Download PDFInfo
- Publication number
- CN107679467B CN107679467B CN201710863075.6A CN201710863075A CN107679467B CN 107679467 B CN107679467 B CN 107679467B CN 201710863075 A CN201710863075 A CN 201710863075A CN 107679467 B CN107679467 B CN 107679467B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pixel
- picture
- hsv
- pictures
- 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
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于HSV和SDALF的行人重识别算法实现方法,步骤包括:用摄像头采集行人视频数据;运用离散傅立叶和局部频域特征提取运动对象并生成行人图片库;从行人图片库中选出一张行人图片,将该RGB三通道图片转换成以HSV颜色空间表示的图片;用Graph Cut算法将行人目标与背景区分并对行人目标进行分块;采用空间分布覆盖算子和色双边算子计算HSV直方图并得出行人特征描述符,再用欧几里得距离计算图片相似度;用惩罚函数对行人图片库中的行人图片进行排序并输出前六张行人图片,得到行人检测最终结果集。本发明能有效地解决目前行人重识别中存在的检测精度不高的问题且具有算法清晰、易于实现理解、行人重识别精度高的优点。
Description
技术领域
本发明属于图像检索领域,具体涉及一种基于HSV和SDALF的行人重识别算法实现方法。
背景技术
行人重识别是指利用计算机视觉技术判断图像序列中是否存在特定行人的技术。行人重识别技术主要是应用在视频监控、图像检索方面。在刑侦工作中,刑侦人员经常要浏览多个摄像头中的视频,查找某个特定的行人在哪些摄像头曾经出现过。
目前行人重识别的方法很多,如专利号为CN201611199109.8的中国发明专利公开了一种基于深度学习和强化学习的行人重识别方法及系统,该行人重识别方法以及系统用包含了行人身份标签和朝向标签的行人训练数据集训练利用多任务学习方法构建的深度神经网络,然后根据预设的强化学习模型对决策空间中决策类别进行训练计算最优决策模型。该发明专利有效地提高了行人重识别的准确率,但是其不足之处在于训练神经网络时需要大量的数据,数据包括了行人图片和行人标签,在小数据量的行人图片库不适合用该发明专利公开的方法。专利号为201610922236.X的中国发明专利公开了一种行人重识别方法,该方法的行人特征提取主要采用了滑动窗口提取图像颜色直方图,其不足之处在于行人特征提取的滑动窗口大小的设置难以把握,如果滑动窗口的大小设置偏大,很有可能引起非行人的特征被提取,如果滑动窗口的大小设置偏小,很有可能行人的特征未被提取到,因此滑动窗口大小难以把握。
发明内容
本发明实施例的目的在于提供一种基于HSV和SDALF的行人重识别算法实现方法,能够有效地解决在小数据量情况下行人重识别精度不高、行人特征提取效果差问题。
本发明实施例是这样实现的,一种基于HSV和SDALF的行人重识别算法实现方法包括以下步骤:
步骤一:用摄像头采集行人视频数据;
步骤二:运用离散傅立叶和局部频域特征提取视频中的运动对象,生成行人图片库;
进一步,在步骤二中的运用离散傅立叶和局部频域特征提取运动对象方法,其具体实现过程如下:
a.像素级局部频域特征提取:采用加窗的离散傅立叶变换从图像中的局部区域提取局部频域信息,给定一幅输入行人图像f(x),其局部频域信息可通过加窗的离散傅立叶变换在像素x附近k×k大小的邻域窗口中计算得F(μ,x)=∑f(x-y)exp{-j2πμTy},其中y是大小为k×k的邻域窗口内的一个像素点,u=[ux,uy]为频率向量,ux和uy分别表示图像行和列方向上的频率设置,j是虚数符号。
b.视频背景建模:一段时长为t的视频帧序列进行局部频率模式操作后在位置x的特征序列可以表示为其中yi是3×3邻域内的第i个像素,M(x)为像素x在频率u上所获得响应的模值,若(M(yi)-M(x))≥0,则s(M(yi)-M(x))=1,若(M(yi)-M(x))<0,则s(M(yi)-M(x))=0;因此,一个像素属于背景模型的概率为其中wi是对于每一个历史样本对应的权重系数,KH是代表带宽为H的核函数,B代表背景;当像素邻域估计的概率的中值大于所设定的阈值T则定为背景,否则为行人运动前景对象,
步骤三:从行人图片库中选出一张行人图片,用matlab内置函数rgb2hsv()将该RGB三通道图片转换成以HSV颜色空间表示的图片;
其中H,S分量用于表示颜色距离,颜色距离指代表两种颜色之间的数值差异。
步骤四:用Graph Cut算法将行人目标与背景区分并用matlab内置函数round()对行人目标进行对称分块,分别分为头部、上身左半部分、上身右半部分、下身左半部分和下身右半部分;
进一步,在步骤四中的Graph Cut算法采用了一种区分性的外观模型,该外观模型对于图片的每一个像素,提取一个多维的特征向量,并且通过训练一个分类器将行人目标与背景区分。该分类器采用了逻辑回归器以寻找一个最优的分类面。某一点的像素p的特征向量为fp,其中fp=(1,h,s,v,h2,s2,v2,hs,hv,sv),h,s,v分别表示像素点p的HSV值,像素p的标记为lp,当lp=1表示该像素位于行人目标区域,其概率为当lp=0表示该像素位于背景区域,其概率为θ是指逻辑回归器的参数。
传统的Graph Cut算法均是采用颜色特征划分,其分别对目标和背景进行颜色进行颜色建模,常见的模型传统的算法都是基于颜色特征去划分的,分别对目标和背景进行颜色建模。当目标与背景颜色很相似时,仅凭颜色特征很难将目标和背景区分开来。本发明采用了提出一种优化的区分性的外观模型。对于每个像素,提取出一个多维的特征向量,并通过训练一个分类器,将目标与背景有效地区分开。
传统方法对行人分割一般采用全身像和半身像,然后进行特征提取,但在本发明在本步骤中先用优化过的Graph Cut算法将行人目标与背景相分离,然后再采用基于人身体对称性的特征提取方法,该方法累积颜色特征并基于对称中轴对特征进行加权,越靠近中轴权值越高。最后对每个部分的颜色特征进行精确匹配。
步骤五:采用空间分布覆盖算子和色双边算子计算HSV直方图并且得出行人特征描述符,再用欧几里得距离计算图片相似度;
进一步,在步骤五中的空间分布覆盖算子被定义为其中i表示水平切分轴的高度,δ表示垂直扩展的距离,J表示行人目标的宽度,色双边算子被定义为其中pi和分别表示以i为对称轴两边的像素点的值,d(·,·)为欧几里得距离。空间分布覆盖算子和色双边算子分别计算人体的每一个字块的H,S,V直方图,其最后的行人描述符可用如下表示:
Ai表示行人图片库A中的第i张图片,Hhsv是HSV颜色直方图,n是身体子块的数量,根据划分,n=5。
进一步,在步骤五中的用欧几里得距离计算图片间的相似度,设匹配两张图片的上身左半部分,上身左半部分有n个像素点,用n个元素值(x1,x2,......xn)组成该部分图像的特征组即像素点矩阵中所有的像素点,特征组形成了n维空间,特征组中的每一个像素点构成了每一维的数值,第一个像素点即x1对应一维,第二个像素点即x2对应二维,第n个像素点即xn对应n维。在n维空间下,两个图像矩阵各形成了一个点,然后用欧氏距离公式计算两点之间的距离,欧氏距离具体实现方式如下:
其中image表示一张行人图片,A1表示行人图片库A中的第一张图片,distance越小,这两张图片的相似度越高。
步骤六:用惩罚函数计算惩罚分数并根据惩罚分数高低对行人图片库中的行人图片进行排序并输出前六张行人图片,得到行人检测最终结果集;
步骤七:最终结果集内的行人目标与步骤三中选出的行人图片中的行人目标一致。
本发明提供的行人重识别技术,利用了将RGB颜色空间表示的行人图片转换成HSV颜色空间表示的行人图片,再采用空间分布覆盖算子和色双边算子得出特征描述符,最后用欧氏距离计算相似度并用惩罚函数计算惩罚分数得出最终结果集,可提升在背景,遮挡等因素的影响下的匹配效果,提高重识别的准确率。
本发明公开了一种基于HSV和SDALF的行人重识别算法实现方法,步骤包括:用摄像头采集行人视频数据;运用离散傅立叶和局部频域特征提取运动对象并生成行人图片库;从行人图片库中选出一张行人图片,将该RGB三通道图片转换成以HSV颜色空间表示的图片;用Graph Cut算法将行人目标与背景区分并对行人目标进行分块;采用空间分布覆盖算子和色双边算子计算HSV直方图并得出行人特征描述符,再用欧几里得距离计算图片相似度;用惩罚函数对行人图片库中的行人图片进行排序并输出前六张行人图片,得到行人检测最终结果集;最终结果集内的行人目标与选出的行人图片中的行人目标一致。本发明能有效地解决目前行人重识别中存在的识别精度不高的问题且具有算法清晰、易于实现理解、行人重识别精度高的优点。
附图说明
图1为本发明实施例提供的行人重识别算法的流程示意图;
图2为采用本发明的算法的行人重识别效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下是对本发明涉及的术语进行解释和说明。
A:是行人图片库,A的数据集来源于监控视频,数据量大约几十张;
a:是A中一张包含行人目标的图片;
参阅图1为本发明一种基于HSV和SDALF的行人重识别算法实现方法的流程示意图:
S201:用摄像头采集行人视频数据;
S202:运用离散傅立叶和局部频域特征提取视频中的运动对象,生成行人图片库;
S203:从行人图片库中选出一张行人图片,用matlab内置函数rgb2hsv()将该RGB三通道图片转换成以HSV颜色空间表示的图片;
S204:用Graph Cut算法将行人目标与背景区分并用matlab内置函数round()对行人目标进行对称分块,分别分为头部、上身左半部分、上身右半部分、下身左半部分和下身右半部分;
S205:采用空间分布覆盖算子和色双边算子计算HSV直方图并且得出行人特征描述符,再用欧几里得距离计算图片相似度;
S206:用惩罚函数计算惩罚分数并根据惩罚分数高低对行人图片库中的行人图片进行排序并输出前六张行人图片,得到行人检测最终结果集;
S207:最终结果集内的行人目标与步骤三中选出的行人图片中的行人目标一致。
参阅图2为采用本发明的算法的行人重识别效果示意图。图2(a)中行人图片是A中一张包含行人目标的图片,图2(b)为a与行人图片库A中的行人图片依次匹配,按匹配度从高到低对A排序并输出A中前六张行人图片。
本发明的实施例1:
提取图片a中的每一个像素点R、G、B值,并用V=max(R,G,B),将由RGB表示的行人图片a转换成由HSV表示的图片。对已经经过转换的图片a用优化的Graph Cut算法提取多维的特征向量并用逻辑回归器找到一个最优分类面将行人目标与背景区分并对行人目标进行分块。用空间分布覆盖算子和色双边算子计算HSV直方图并得出行人特征描述符为
Ai表示行人图片库A中的第i张图片,Hhsv是HSV颜色直方图,n是身体子块的数量,根据划分,n=5。
设a和A1即A数据库中的第一张图片匹配上身左半部分,a图上身左半部分有n个像素点,用n个元素值(x1,x2,......xn)组成该部分图像的特征组即像素点矩阵中所有的像素点,特征组形成了n维空间,A1上身左半部分也有n个像素点,用n个元素值(y1,y2,......yn)表示,其中特征组中的每一个像素点构成了每一维的数值,第一个像素点即x1对应一维,第二个像素点即x2对应二维,第n个像素点即xn对应n维。在n维空间下,两个图像矩阵各形成了一个点,然后用计算两点之间的距离,用distance2计算得到惩罚分数,其中γ取2,依次a与行人图片库A中的每一张行人图片按照上述方法计算惩罚分数,惩罚分数越高则两张图片的匹配度越高,根据匹配度的高低对行人图片库A中的行人图片依次排序,匹配度值高则放置于前面,最后显示前六张行人图片。
以上所述仅为本发明的较佳实施例而已,但本发明的技术特征并不局限于此,任何本领域的技术人员在本发明的领域内,所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (3)
1.一种基于HSV和SDALF的行人重识别算法实现方法,其特征在于,该行人重识别算法实现方法包括以下步骤:
步骤一:用摄像头采集行人视频数据;
步骤二:运用离散傅立叶和局部频域特征提取视频中的运动对象,生成行人图片库;
步骤三:从行人图片库中选出一张行人图片,用matlab内置函数rgb2hsv()将RGB三通道图片转换成以HSV颜色空间表示的图片;
步骤四:用Graph Cut算法将行人目标与背景区分并用matlab内置函数round()对行人目标进行对称分块,分别分为头部、上身左半部分、上身右半部分、下身左半部分和下身右半部分;
步骤五:采用空间分布覆盖算子和色双边算子计算HSV直方图并且得出行人特征描述符,再用欧几里得距离计算图片相似度;
步骤六:用惩罚函数计算惩罚分数并根据惩罚分数高低对行人图片库中的行人图片进行排序并输出前六张行人图片,得到行人检测最终结果集;
步骤七:最终结果集内的行人目标与步骤三中选出的行人图片中的行人目标一致;
在步骤四中的Graph Cut算法采用了一种区分性的外观模型,该外观模型对于图片的每一个像素,提取一个多维的特征向量,并且通过训练一个分类器将行人目标与背景区分;该分类器采用了逻辑回归器以寻找一个最优的分类面;某一点的像素p的特征向量为fp,其中fp=(1,h,s,v,h2,s2,v2,hs,hv,sv),h,s,v分别表示像素点p的HSV值,像素p的标记为lp,当lp=1表示该像素位于行人目标区域,其概率为
当lp=0表示该像素位于背景区域,其概率为
θ是指逻辑回归器的参数;
步骤五中的用欧几里得距离计算图片间的相似度,设匹配两张图片的头部,头部有n个像素点,用n个元素值(x1,x2,......xn)组成该头部图像的特征组即像素点矩阵中所有的像素点,特征组形成了n维空间;在n维空间下,两个图像矩阵各形成了一个点,然后用欧氏距离公式计算两点之间的距离,欧氏距离具体实现方式如下:
其中image表示一张行人图片,A1表示行人图片库A中的第一张图片,distance越小,这两张图片的相似度越高;
步骤六中的惩罚函数定义为
其中Ai表示行人图片库A中的第i张图片,γ是一个调节变化的参数;根据欧式距离得到惩罚分数对行人图片库A中的行人图片进行排序并输出前六张行人图片,得到最终检测结果集。
2.如权利要求1所述的一种基于HSV和SDALF的行人重识别算法实现方法,其特征在于,在步骤二中的运用离散傅立叶和局部频域特征提取运动对象方法,其具体实现过程如下:
a.像素级局部频域特征提取:采用加窗的离散傅立叶变换从图像中的局部区域提取局部频域信息,给定一幅输入行人图像f(x),其局部频域信息可通过加窗的离散傅立叶变换在像素x附近k×k大小的邻域窗口中计算得F(μ,x)=∑f(x-y)exp{-j2πμTy},其中y是大小为k×k的邻域窗口内的一个像素点,u=[ux,uy]为频率向量,ux和uy分别表示图像行和列方向上的频率设置,j是虚数符号;
b.视频背景建模:一段时长为t的视频帧序列进行局部频率模式操作后在位置x的特征序列可以表示为
其中yi是3×3邻域内的第i个像素,M(x)为像素x在频率u上所获得响应的模值,若(M(yi)-M(x))≥0,则s(M(yi)-M(x))=1,若(M(yi)-M(x))<0,则s(M(yi)-M(x))=0;因此,一个像素属于背景模型的概率为
其中wi是对于每一个历史样本对应的权重系数,KH是代表带宽为H的核函数,B代表背景;当像素邻域估计的概率的中值大于所设定的阈值T则定为背景,否则为行人运动前景对象,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710863075.6A CN107679467B (zh) | 2017-09-19 | 2017-09-19 | 一种基于hsv和sdalf的行人重识别算法实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710863075.6A CN107679467B (zh) | 2017-09-19 | 2017-09-19 | 一种基于hsv和sdalf的行人重识别算法实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679467A CN107679467A (zh) | 2018-02-09 |
CN107679467B true CN107679467B (zh) | 2021-12-21 |
Family
ID=61137793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710863075.6A Active CN107679467B (zh) | 2017-09-19 | 2017-09-19 | 一种基于hsv和sdalf的行人重识别算法实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679467B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776784A (zh) * | 2018-05-31 | 2018-11-09 | 广东新康博思信息技术有限公司 | 一种基于图像识别的移动执法系统 |
CN110458139B (zh) * | 2019-08-19 | 2022-02-11 | 浙江工业大学 | 基于行人身体子区域颜色直方图的行人重识别预匹配方法 |
CN112001251A (zh) * | 2020-07-22 | 2020-11-27 | 山东大学 | 基于人体解析与衣着颜色相结合的行人重识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
CN105023008A (zh) * | 2015-08-10 | 2015-11-04 | 河海大学常州校区 | 基于视觉显著性及多特征的行人再识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008886A1 (en) * | 2002-07-02 | 2004-01-15 | Yuri Boykov | Using graph cuts for editing photographs |
US7400767B2 (en) * | 2005-07-15 | 2008-07-15 | Siemens Medical Solutions Usa, Inc. | System and method for graph cuts image segmentation using a shape prior |
-
2017
- 2017-09-19 CN CN201710863075.6A patent/CN107679467B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
CN105023008A (zh) * | 2015-08-10 | 2015-11-04 | 河海大学常州校区 | 基于视觉显著性及多特征的行人再识别方法 |
Non-Patent Citations (3)
Title |
---|
An efficient pixel-wise method for moving object detection in complex scenes;Weiguo Feng等;《2013 10th IEEE International Conference on Advanced Video and Signal Based Surveillance》;20131021;390-392 * |
SDALF: Modeling Human Appearance with Symmetry-Driven Accumulation of Local Features;Loris Bazzani等;《Person Re-Identification》;20140104;48-59 * |
基于HSV模型和特征点匹配的行人重识别算法;彭志勇等;《光电子·激光》;20150831;第26卷(第8期);1575-1582 * |
Also Published As
Publication number | Publication date |
---|---|
CN107679467A (zh) | 2018-02-09 |
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 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
US8340420B2 (en) | Method for recognizing objects in images | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN111914664A (zh) | 基于重识别的车辆多目标检测和轨迹跟踪方法 | |
CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN111241975B (zh) | 一种基于移动端边缘计算的人脸识别检测方法及系统 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
CN106845374A (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN102214309B (zh) | 一种基于头肩模型的特定人体识别方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN106933816A (zh) | 基于全局特征和局部特征的跨镜头目标检索系统及方法 | |
CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
Daramola et al. | Automatic vehicle identification system using license plate | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN107679467B (zh) | 一种基于hsv和sdalf的行人重识别算法实现方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
Mo et al. | Vehicles detection in traffic flow | |
EP2860661A1 (en) | Mean shift tracking method | |
CN110738672A (zh) | 一种基于分层高阶条件随机场的图像分割方法 |
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 |