CN107766848A - 车辆前方的行人检测方法和存储介质 - Google Patents
车辆前方的行人检测方法和存储介质 Download PDFInfo
- Publication number
- CN107766848A CN107766848A CN201711195099.5A CN201711195099A CN107766848A CN 107766848 A CN107766848 A CN 107766848A CN 201711195099 A CN201711195099 A CN 201711195099A CN 107766848 A CN107766848 A CN 107766848A
- Authority
- CN
- China
- Prior art keywords
- luv
- gradient
- images
- image
- spatial value
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种车辆前方的行人检测方法和存储介质,方法包括:获取待处理图像,对待处理图像进行截取得到截取后的图像,所述图像为RGB图像;将图像缩小到预设尺寸,并将图像转换为LUV图像;将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理;分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值;按照图像尺寸由大到小的顺序将16幅LUV图像的LUV值、梯度幅值和梯度尺度空间值存储到数组中,所述数组为重采样后图像;对重采样后图像进行定位处理,得到行人图像。本发明解决了现有技术中对行人识别不准确的技术问题,提高了对行人的识别率。
Description
技术领域
本发明涉及图像领域,尤其涉及一种车辆前方的行人检测方法和存储介质。
背景技术
现有技术中,当车辆在前行过程中,当道路出现行人时,有时司机发现不及时会造成交通事故。
现有技术中虽然有一些技术能够对道路行人出现时提醒司机,但是由于识别不准确经常出现误报等问题。
发明内容
基于以上问题,本发明提出一种车辆前方的行人检测方法和存储介质,解决了现有技术中对行人识别不准确的技术问题,提高了对行人的识别率。
本发明提出一种车辆前方的行人检测方法,包括:
获取待处理图像,对待处理图像进行截取得到截取后的图像,所述图像为RGB图像;
将图像缩小到预设尺寸,并将图像转换为LUV图像;
将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理;
分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值;
按照图像尺寸由大到小的顺序将16幅LUV图像的LUV值、梯度幅值和梯度尺度空间值存储到数组中,所述数组为重采样后图像;
对重采样后图像进行定位处理,得到行人图像。
此外,所述对待处理图像进行截取包括:
找到待处理图像的中心点,以中心点为矩形的中心点,在待处理图像上截取与由预设长度和预设宽度形成的矩形大小相同的图像;
或者以坐标点(320,240)、(960,240)、(320,720)和(960,720)为矩形的四个顶点,在待处理图像上截取矩形图像。
此外,所述将图像缩小到预设尺寸包括:将图像缩小到252*188尺寸。
此外,所述对复制的15张LUV图像依次增大缩小比例进行缩小处理包括:
每两张LUV图像的缩小比例的比值相同。
此外,所述分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值包括:
计算LUV图像的梯度幅值和梯度尺度空间值,根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值;
计算第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
此外,所述计算LUV图像的梯度幅值和梯度尺度空间值包括:
遍历整个LUV图像,对LUV图像上的每一个像素点计算其对应的垂直方向分量和水平方向分量,找到所有像素中垂直方向分量和水平方向分量最大的像素点,采用垂直方向分量和水平方向分量最大的像素点的垂直方向分量和水平方向分量计算梯度幅值以及梯度角度,根据梯度幅值以及梯度角度计算梯度尺度空间值。
此外,采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
采用降采样的方法根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
此外,所述第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值根据LUV图像的梯度幅值和梯度尺度空间值计算得到。
此外,所述根据梯度幅值以及梯度角度计算梯度尺度空间值包括:获取减半后的LUV图像的梯度方向直方图,并将梯度方向直方图分为6块,根据梯度角度值,将梯度幅值放入对应的6个梯度直方区间对应位置。
此外,所述采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:
计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:将LUV图像的尺寸进行减半,并将减半后的LUV图像的L、U和V值存入数组中,将LUV图像的梯度幅值减半后依顺序存入数组中,根据梯度幅值以及梯度角度计算梯度尺度空间值并依次存入数组;
依次采用计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值的方法计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,并将计算出的数据依次存入数组;
依次计算第8-15张缩小后的LUV图像的梯度幅值和梯度尺度空间值并将计算出的数据依次存入数组。
此外,所述数组为新的图像数据,将数组进行边界扩充处理,对处理后的数组进行深度为2的决策树分类以及定位处理。
本发明提出一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行上述任一项所述的车辆前方的行人检测方法。
采用上述技术方案,具有以下有益效果:
本发明通过对图像进行转换、缩小处理、重采样和将图像的LUV值、梯度幅值、梯度尺度空间值存储到数组中等步骤,解决了现有技术中对行人识别不准确的技术问题,提高了对行人的识别率。
附图说明
图1是本发明一个实施例提供的车辆前方的行人检测方法的流程图;
图2是本发明一个实施例提供的图像示意图;
图3是本发明一个实施例提供的图像示意图;
图4是本发明一个实施例提供的图像示意图;
图5是本发明一个实施例提供的车辆前方的行人检测方法的流程图;
图6是本发明一个实施例提供的图像示意图;
图7是本发明一个实施例提供的图像示意图;
图8是本发明一个实施例提供的车辆前方的行人检测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明提出一种车辆前方的行人检测方法,包括:
步骤S001,获取待处理图像,对待处理图像进行截取得到截取后的图像,图像为RGB图像;
步骤S002,将图像缩小到预设尺寸,并将图像转换为LUV图像;
步骤S003,将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理;
步骤S004,分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值;
步骤S005,按照图像尺寸由大到小的顺序将16幅LUV图像的LUV值、梯度幅值和梯度尺度空间值存储到数组中,数组为重采样后图像;
步骤S006,对重采样后图像进行定位处理,得到行人图像。
首先,在车辆的挡风玻璃上安装一个或多个单目或双目摄像头获取路面实况图像,即获取待处理图像,如图2所示,对对待处理图像进行截取得到截取后的图像,图像为RGB图像,如图3所示,将图像缩小到预设尺寸,并将图像转换为LUV图像,如图4所示。
之后通过步骤S003,将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理;步骤S004,分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值;步骤S005,按照图像尺寸由大到小的顺序将16幅LUV图像的LUV值、梯度幅值和梯度尺度空间值存储到数组中,数组为重采样后图像;步骤S006,对重采样后图像进行定位处理,得到行人图像。
可选地,得到行人图像后,对行人图像进行判别,得到真正的行人图像,通过行人图像判断行人位置对司机进行提醒。
本发明通过对图像进行转换、缩小处理、重采样和将图像的LUV值、梯度幅值、梯度尺度空间值存储到数组中等步骤,解决了现有技术中对行人识别不准确的技术问题,提高了对行人的识别率。
参照图5,本发明实施例提出一种车辆前方的行人检测方法,包括:
步骤S201,从摄像头获取待处理图像,尺寸为1280*720*3的RGB图像;
步骤S202,将待处理图像切割为640*480*3的RGB图像;
步骤S203,将待处理图像缩小为252*188*3的RGB图像,并将RGB图像转换为LUV图像,对LUV图像做归一化处理;通过转换LUV,以规避光照对图像的影响。
步骤S204,将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理,将16张LUV图像分为1-8和9-16两个组;
将原LUV图像设为编号1,复制的15张LUV图像的编号依次为2-16。
步骤S205,计算第一幅LUV图像的梯度幅值M、角度值θ;
步骤S206,通过M,θ求解直方图特征H;
步骤S207,将减半后的LUV、减半后的M和H串联放入到数据存放器dc[i]中(i为图像的编号);此时i为1。
步骤S208,第2-8幅LUV图像根据上述LUV、M和H值进行相邻尺度近似计算,再降采样处理,将结果数据放入到dc[i]中;
步骤S209,根据第1幅LUV图像计算第9幅LUV图像的梯度幅值M、角度值θ;
步骤S210,通过第9幅图像的M,θ求解直方图特征H;
步骤S211,将第9幅计算所得的LUV进行减半后数据、M进行减半后数据和H数据串联放入到数据存放器dc[i]中(i为图像的编号);此时i为9。
步骤S212,第10-16幅LUV图像根据上述LUV、M、H进行相邻尺度近似计算,再降采样处理,将结果数据放入到dc[i];
步骤S213,将1-16幅LUV图像的LUV、M、H数据收集完成后,进行决策树处理,找到行人的位置,以及类别,将错误的数据剔除;
步骤S214,对行人进行定位以及粗分类过程完成。
图像的梯度幅值M和角度值θ的计算方法如下:
Gh(x,y)=f(x+1,y)-f(x-1,y),
Gv(x,y)=f(x,y+1)-f(x,y-1)。
Gh和Gv分别为垂直方向的分量和水平方向上面的分量,根据上述两个分量获得梯度幅值M和角度值θ,计算公式如下:
θ(x,y)=atan2(grad_yu[i][j],grad_xr[i][j])
其中,grad_yu相当于Gh,grad_xr相当于Gv)
通过对图像的遍历计算,找到最大的一组M值对应的Gh和Gv,利用这组数据确认梯度幅值M和角度值θ。
根据梯度幅值M和角度值θ计算梯度尺度空间H的方法如下:
将梯度方向的直方图分为6块,即将180°平均分为6份,每份30°,每30°对应一个直方图区域,然后根据θ将M值放入对应的梯度直方区间H中的相应位置上,对获取得到的6个区间数值进行cvSmooth光滑降噪处理,最后得到6个H值。
数组dc[i]的存放顺序为:
先存入LUV数据、再存入M值,最后存入6个H值。其中i代表图像的序号。LUV包括3组数据,M为1组数据,H为6组数据。
可以通过对第1幅图像的LUV数据除以2的方式获取第2幅图像的LUV数据,第2幅图像的LUV数据除以2的方式获取第3幅图像的LUV数据。
同样,可以通过对第1幅图像的M值除以2的方式获取第2幅图像的M值。
重采样:重构图像时,通过滤波器插零值从而实现重构的方法。
最后,对数组dc[i]的数据进行边界扩充零处理。宽左右各扩充3,高上下各扩充4,对上述获取到的dc数据进行深度为2的决策树分类以及位置的定位。
下面对定位后的行人图像进行错检的处理,需要更加细致的进行行人分类处理,定位图像如图6所示,将定位图像的宽度扩宽到高度大小,形成正方形图像,然后将行人的图像切割出来,如图7所示,将切分出来的图像缩放到28*28尺寸大小,并转换为灰度图像,以准备将28*28大小的灰度图像放入到二维数组,并进行卷积计算。
卷积计算采用现有技术中的卷积计算方法,对行人和非行人进行区分的流程见图8所示。
当行人被识别出来后,通过声音或者图像对驾驶员进行报警,以避免发生交通事故。
本发明实施例使对行人的识别和定位更加准确。
在其中的一个实施例中,对待处理图像进行截取包括:
找到待处理图像的中心点,以中心点为矩形的中心点,在待处理图像上截取与由预设长度和预设宽度形成的矩形大小相同的图像;
或者以坐标点(320,240)、(960,240)、(320,720)和(960,720)为矩形的四个顶点,在待处理图像上截取矩形图像。
在其中的一个实施例中,将图像缩小到预设尺寸包括:将图像缩小到252*188尺寸。
在其中的一个实施例中,对复制的15张LUV图像依次增大缩小比例进行缩小处理包括:
每两张LUV图像的缩小比例的比值相同。可选地,比值为2。
在其中的一个实施例中,分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值包括:
计算LUV图像的梯度幅值和梯度尺度空间值,根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值;
计算第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
在其中的一个实施例中,计算LUV图像的梯度幅值和梯度尺度空间值包括:
遍历整个LUV图像,对LUV图像上的每一个像素点计算其对应的垂直方向分量和水平方向分量,找到所有像素中垂直方向分量和水平方向分量最大的像素点,采用垂直方向分量和水平方向分量最大的像素点的垂直方向分量和水平方向分量计算梯度幅值以及梯度角度,根据梯度幅值以及梯度角度计算梯度尺度空间值。
在其中的一个实施例中,采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
采用降采样的方法根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
在其中的一个实施例中,第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值根据LUV图像的梯度幅值和梯度尺度空间值计算得到。
在其中的一个实施例中,根据梯度幅值以及梯度角度计算梯度尺度空间值包括:获取减半后的LUV图像的梯度方向直方图,并将梯度方向直方图分为6块,根据梯度角度值,将梯度幅值放入对应的6个梯度直方区间对应位置。
在其中的一个实施例中,采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:
计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:将LUV图像的尺寸进行减半,并将减半后的LUV图像的L、U和V值存入数组中,将LUV图像的梯度幅值减半后依顺序存入数组中,根据梯度幅值以及梯度角度计算梯度尺度空间值并依次存入数组;
依次采用计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值的方法计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,并将计算出的数据依次存入数组;
依次计算第8-15张缩小后的LUV图像的梯度幅值和梯度尺度空间值并将计算出的数据依次存入数组。
在其中的一个实施例中,数组为新的图像数据,将数组进行边界扩充处理,对处理后的数组进行深度为2的决策树分类以及定位处理。
本发明还提出一种存储介质,存储介质存储计算机指令,当计算机执行计算机指令时,用于执行上述任一个实施例提到的车辆前方的行人检测方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种车辆前方的行人检测方法,其特征在于,包括:
获取待处理图像,对待处理图像进行截取得到截取后的图像,所述图像为RGB图像;
将图像缩小到预设尺寸,并将图像转换为LUV图像;
将LUV图像复制15张,对复制的15张LUV图像依次增大缩小比例进行缩小处理;
分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值;
按照图像尺寸由大到小的顺序将16幅LUV图像的LUV值、梯度幅值和梯度尺度空间值存储到数组中,所述数组为重采样后图像;
对重采样后图像进行定位处理,得到行人图像。
2.根据权利要求1所述的车辆前方的行人检测方法,其特征在于,
所述对待处理图像进行截取包括:
找到待处理图像的中心点,以中心点为矩形的中心点,在待处理图像上截取与由预设长度和预设宽度形成的矩形大小相同的图像;
或者以坐标点(320,240)、(960,240)、(320,720)和(960,720)为矩形的四个顶点,在待处理图像上截取矩形图像。
3.根据权利要求1所述的车辆前方的行人检测方法,其特征在于,
所述将图像缩小到预设尺寸包括:将图像缩小到252*188尺寸。
4.根据权利要求1所述的车辆前方的行人检测方法,其特征在于,
所述对复制的15张LUV图像依次增大缩小比例进行缩小处理包括:
每两张LUV图像的缩小比例的比值相同。
5.根据权利要求4所述的车辆前方的行人检测方法,其特征在于,
所述分别对LUV图像和15张缩小后的LUV图像计算梯度幅值和梯度尺度空间值包括:
计算LUV图像的梯度幅值和梯度尺度空间值,根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值;
计算第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
6.根据权利要求5所述的车辆前方的行人检测方法,其特征在于,
所述计算LUV图像的梯度幅值和梯度尺度空间值包括:
遍历整个LUV图像,对LUV图像上的每一个像素点计算其对应的垂直方向分量和水平方向分量,找到所有像素中垂直方向分量和水平方向分量最大的像素点,采用垂直方向分量和水平方向分量最大的像素点的垂直方向分量和水平方向分量计算梯度幅值以及梯度角度,根据梯度幅值以及梯度角度计算梯度尺度空间值。
7.根据权利要求6所述的车辆前方的行人检测方法,其特征在于,
采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
采用降采样的方法根据第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值计算第8张至第15张缩小后的LUV图像的梯度幅值和梯度尺度空间值。
8.根据权利要求7所述的车辆前方的行人检测方法,其特征在于,
所述第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值根据LUV图像的梯度幅值和梯度尺度空间值计算得到。
9.根据权利要求7所述的车辆前方的行人检测方法,其特征在于,
所述根据梯度幅值以及梯度角度计算梯度尺度空间值包括:获取减半后的LUV图像的梯度方向直方图,并将梯度方向直方图分为6块,根据梯度角度值,将梯度幅值放入对应的6个梯度直方区间对应位置。
10.根据权利要求7所述的车辆前方的行人检测方法,其特征在于,
所述采用降采样的方法根据LUV图像的梯度幅值和梯度尺度空间值计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:
计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值包括:将LUV图像的尺寸进行减半,并将减半后的LUV图像的L、U和V值存入数组中,将LUV图像的梯度幅值减半后依顺序存入数组中,根据梯度幅值以及梯度角度计算梯度尺度空间值并依次存入数组;
依次采用计算第1张缩小后的LUV图像的梯度幅值和梯度尺度空间值的方法计算第1张至第7张缩小后的LUV图像的梯度幅值和梯度尺度空间值,并将计算出的数据依次存入数组;
依次计算第8-15张缩小后的LUV图像的梯度幅值和梯度尺度空间值并将计算出的数据依次存入数组。
11.根据权利要求10所述的车辆前方的行人检测方法,其特征在于,
所述数组为新的图像数据,将数组进行边界扩充处理,对处理后的数组进行深度为2的决策树分类以及定位处理。
12.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行权利要求1至11中任一项所述的车辆前方的行人检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711195099.5A CN107766848A (zh) | 2017-11-24 | 2017-11-24 | 车辆前方的行人检测方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711195099.5A CN107766848A (zh) | 2017-11-24 | 2017-11-24 | 车辆前方的行人检测方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766848A true CN107766848A (zh) | 2018-03-06 |
Family
ID=61275399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711195099.5A Pending CN107766848A (zh) | 2017-11-24 | 2017-11-24 | 车辆前方的行人检测方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766848A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425137A (zh) * | 2008-11-10 | 2009-05-06 | 北方工业大学 | 基于拉普拉斯金字塔的人脸图像融合方法 |
US20110249867A1 (en) * | 2010-04-13 | 2011-10-13 | International Business Machines Corporation | Detection of objects in digital images |
CN102542295A (zh) * | 2012-01-08 | 2012-07-04 | 西北工业大学 | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 |
CN103413145A (zh) * | 2013-08-23 | 2013-11-27 | 南京理工大学 | 基于深度图像的关节点定位方法 |
CN103617426A (zh) * | 2013-12-04 | 2014-03-05 | 东北大学 | 一种自然环境干扰和有遮挡时的行人目标检测方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN107045630A (zh) * | 2017-04-24 | 2017-08-15 | 杭州司兰木科技有限公司 | 一种基于rgbd的行人检测和身份识别方法及系统 |
-
2017
- 2017-11-24 CN CN201711195099.5A patent/CN107766848A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425137A (zh) * | 2008-11-10 | 2009-05-06 | 北方工业大学 | 基于拉普拉斯金字塔的人脸图像融合方法 |
US20110249867A1 (en) * | 2010-04-13 | 2011-10-13 | International Business Machines Corporation | Detection of objects in digital images |
CN102542295A (zh) * | 2012-01-08 | 2012-07-04 | 西北工业大学 | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 |
CN103413145A (zh) * | 2013-08-23 | 2013-11-27 | 南京理工大学 | 基于深度图像的关节点定位方法 |
CN103617426A (zh) * | 2013-12-04 | 2014-03-05 | 东北大学 | 一种自然环境干扰和有遮挡时的行人目标检测方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN107045630A (zh) * | 2017-04-24 | 2017-08-15 | 杭州司兰木科技有限公司 | 一种基于rgbd的行人检测和身份识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
俞俊生著: "《从云到终端提升移动流媒体性能技术研究》", 30 September 2015, 成都:电子科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
CN103530599B (zh) | 一种真实人脸和图片人脸的区别方法和系统 | |
Tsai et al. | Block-based vanishing line and vanishing point detection for 3D scene reconstruction | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN110070567B (zh) | 一种地面激光点云配准方法 | |
CN111738314A (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN107403168A (zh) | 一种面部识别系统 | |
CN109242888A (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN106780476A (zh) | 一种基于人眼立体视觉特性的立体图像显著性检测方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN105335952B (zh) | 匹配代价计算方法和装置、以及视差值计算方法和设备 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN109816051B (zh) | 一种危化品货物特征点匹配方法及系统 | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及系统 | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及系统 | |
CN109492647A (zh) | 一种电网机器人障碍物识别方法 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN112270330A (zh) | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN110675442A (zh) | 一种结合目标识别技术的局部立体匹配方法及系统 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 |
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: 20180306 |