CN107798328A - 一种目标对象搜索方法和装置 - Google Patents

一种目标对象搜索方法和装置 Download PDF

Info

Publication number
CN107798328A
CN107798328A CN201610779545.6A CN201610779545A CN107798328A CN 107798328 A CN107798328 A CN 107798328A CN 201610779545 A CN201610779545 A CN 201610779545A CN 107798328 A CN107798328 A CN 107798328A
Authority
CN
China
Prior art keywords
scanning
window
destination object
parallel
scanning window
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
Application number
CN201610779545.6A
Other languages
English (en)
Inventor
王荔枝
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.)
Hefei Jun Zheng Science And Technology Ltd
Original Assignee
Hefei Jun Zheng Science And Technology Ltd
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 Hefei Jun Zheng Science And Technology Ltd filed Critical Hefei Jun Zheng Science And Technology Ltd
Priority to CN201610779545.6A priority Critical patent/CN107798328A/zh
Publication of CN107798328A publication Critical patent/CN107798328A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06T2207/10004—Still image; Photographic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种目标对象搜索方法和装置，其中，该方法包括：设置多个扫描窗口；通过所述多个扫描窗口并行对待检测图像进行扫描；并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。本发明实施例解决了现有仅设置一个扫描窗口而导致的目标对象搜索效率低下的技术问题，达到了有效提高搜索效率的技术效果。

Description

一种目标对象搜索方法和装置
技术领域
本发明涉及图像识别技术领域，特别涉及一种目标对象搜索方法和装置。
背景技术
目前，图像处理和识别的需求越来越多，特别是目标对象的识别，在人们生活中占据着越来越重要的作用。现有的图像识别一般都是通过分类器进行的，即，将待识别图像等放入预先建立的识别模型(即，分类器)中，从而识别出图像中是否有目标对象。
当下，常用的方法是设置一个扫描窗口，然后控制扫描窗口移动以实现对整张图像的目标对象扫描。这种处理方式容易导致的问题就是当图像较大的时候，或者分类器层级比较多的时候，处理周期比较久。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标对象搜索方法，以达到有效提高搜索效率的目的，该方法包括：
设置多个扫描窗口；
通过所述多个扫描窗口并行对待检测图像进行扫描；
并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
在一个实施方式中，所述待检测图像为图形图像，或者，特征图像。
在一个实施方式中，所述特征图像为LBP特征图像。
在一个实施方式中，通过所述多个扫描窗口并行对待检测图像进行扫描，包括：
控制所述多个扫描窗口按照从左到右，从上大小的顺序并行对所述待检测图像进行扫描。
在一个实施方式中，相邻的扫描窗口之间相差的步长个数是相同的。
在一个实施方式中，在确定所述多个扫描窗口扫描的区域中是否有目标对象之后，所述方法还包括：
按照预设步长移动所述多个扫描窗口。
在一个实施方式中，通过SIMD运算并行对所述多个扫描窗口的扫描结果进行处理。
在一个实施方式中，并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象，包括：
通过多个强分类器分别对所述多个扫描窗口中各个窗口的扫描结果进行筛选；
将通过所述多个强分类器中各个强分类器筛选的扫描结果所对应的扫描窗口所在的区域确定为所述目标对象。
在一个实施方式中，每个强分类器中设置有多个弱分类器，将通过强分类器中所有弱分类器筛选的扫描结果作为通过该强分类器筛选的扫描结果。
本发明实施例还提供了一种目标对象搜索装置，以达到有效提高搜索效率的目的，该装置包括：
窗口设置模块，用于设置多个扫描窗口；
扫描模块，用于通过所述多个扫描窗口并行对待检测图像进行扫描；
处理模块，用于并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
在本发明实施例中，通过设置多个扫描窗口并行对对待检测图像进行扫描，且采用并行的方式对扫描结果进行处理以确定是否有目标对象，通过这种方式解决了现有仅设置一个扫描窗口而导致的目标对象搜索效率低下的技术问题，达到了有效提高搜索效率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是根据本发明实施例的目标对象搜索方法的方法流程图；
图2是根据本发明实施例的扫描窗口一种示意图；
图3是根据本发明实施例的扫描窗口另一种示意图；
图4是根据本发明实施例的目标对象搜索装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
为了更好地说明本发明，下面对一些名词进行解释如下：
1)LBP(Local Binary Pattern，局部二值模式)特征，是一种描述图像局部纹理特征的算子。对于3*3大小的窗口，取邻域8个像素点与窗口中心像素点进行比较，如果邻域像素值大于中心像素值，则该邻域像素点的位置被标记为1，否则为0，将比较结果按顺时针或逆时针顺序排列得到一个8比特的二进制数，即为该窗口中心像素点的LBP特征值；
2)SIMD(单指令流多数据流)，是一种执行单条指令完成多个操作数运算，实现数据级并行的技术；
3)目标检测，也可以称为目标提取，是将满足一定几何和统计特征的目标从图像中分割出来；
4)分类器，是对目标对象或非目标对象进行分类的算法；
5)弱分类器，指代对一组概念的识别率只比随机分类器好一点的分类器，一般一个弱分类器是一个单层决策树；
6)强分类器，指代对一组概率的识别率很高的分类器，一般是按照加权投票机制将多个弱分类器联合起来构成一个强分类器，因此，每一个强分类器都由若干个弱分类器组成；
7)级联分类器，指代将多个强分类器连接在一起进行操作；
8)滑动窗口机制，是指设置一个子窗口在待检测图像中做横向和纵向滑动，每滑动一个位置，就判断当下窗口中是否有目标对象，如果没有就继续滑动。
9)步长：相邻滑动子窗口之间的位移。
针对现有的目标对象搜索的过程中效率低下的问题，发明人考虑到可以采用多个扫描窗口并行的方式进行处理，即，设置多个扫描窗口，通过这些扫描窗口一同对待检测图像进行扫描，从而有效提高目标对象搜索的速度和效率。如图1所示，该目标对象搜索方法可以包括以下步骤：
步骤101：设置多个扫描窗口；
步骤102：通过所述多个扫描窗口并行对待检测图像进行扫描；
步骤103：并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
待检测图像可以是图形图像(即，原始的图像，源图像)，也可以是特征图像，即对图形图像进行特征提取处理后形成的图像，例如，可以是LBP特征图像。其中，LBP特征图像与源图像的像素点是一一对应的，因此，直接扫描LBP特征图像与扫描源图像并计算对应LBP特征值是一样的。然而，值得注意的是，在实际实现的时候，不是仅可以选择LBP特征图像，还可以选择其它特征的特征图像，在本例中，是以LBP特征作为示例进行说明，但并不构成对本发明的不当限定。
在实际实现的时候，如果是图形图像，就计算出子窗口内的特征值，然后，用级联分类器对该特征进行筛选，一旦该特征通过了所有强分类器的筛选，则判定该区域为目标对象，否则不是。如果是特征图像，则直接提取子窗口中的特征值，然后，用级联分类器对该特征进行筛选，一旦该特征通过了所有强分类器的筛选，则判定该区域为目标对象，否则不是。
在上述步骤102通过所述多个扫描窗口并行对待检测图像进行扫描中，具体地，可以如图2所示，控制多个扫描窗口按照从左到右，从上大小的顺序并行对所述待检测图像进行扫描。然而值得注意的是图2中仅是一种示意性描述，多个扫描窗口是在左右方向上间隔预定步长，在实际执行的时候，扫描窗口也可以在上下方向上间隔预定步长。进一步的，相邻窗口之间可以是等间隔的，也可以是不等间隔的，具体选择那种方向，或者是具体如何设置窗口之间的距离，可以按照实际需要，本申请对此不作限定。
在当前位置所有扫描窗口都扫描且确定完之后，就可以对扫描窗口进行移动，移动的时候可以是按照预设步长进行的移动，例如，如果相邻窗口之间左右方向上相差一个步长，一共五个扫描窗口，那么一次可以移动五个步长的距离，这样可以避免同一区域被多次扫描和识别，造成不必要的资源浪费。在一个实施方式中，在确定所述多个扫描窗口扫描的区域中是否有目标对象之后，可以按照预设步长移动所述多个扫描窗口。预设步长可以按照扫描窗口相互之间间隔关系等确定。
为了提高目标对象搜索的速度，在进行扫描结果处理的时候，也需要采用并行的方式，即，并行对所述多个扫描窗口的扫描结果进行处理。发明人考虑到SIMD是一种执行单条指令完成多个操作数运算，实现数据级并行的技术，因此，可以通过SIMD运算并行对多个扫描窗口的扫描结果进行处理。
在进行扫描结果的处理的时候，主要是为了识别出扫描窗口中是否有目标对象，可以通过级联分类器进行扫描结果的处理，即，通过级联分类器进行目标对象识别。所谓的级联分类器就是将多个强分类器连接在一起进行操作，通过级联分类器对特征筛选进行按照以下方式进行：
训练好每个弱分类器对应的一个特征值(例如，可以是LBP特征值)和两个阈值，对于待检测图像中的某一检测区域而言，计算第k个弱分类器对应的特征值，将特征值与该弱分类器的第一个阈值进行比较，如果大于第一个阈值，则取左叶子节点的值作为第k个弱分类器的权重，否则取右叶子节点的值作为第k个弱分类器的权重，并将权重累加到前k-1个弱分类器的权重累加值上，将当前累加值与该弱分类器的第二个阈值进行比较，如果大于第二个阈值，则表示该特征通过当前弱分类器的筛选，否则表示该特征未通过当前弱分类器的筛选。因为一般情况下，各弱分类器的识别率是不同的，一般按照识别率的高低降序排列，通过将识别率高的弱分类器放在前面可以最大限度地剔除非目标对象，减少检测时间。进一步的，由于采用累积权重进行特征筛选，因此，每个弱分类器依赖于它之前所有弱分类器的权重。只要特征值没有通过某一级的弱分类器，那么可以直接判断包含该弱分类器的强分类器没有通过，无需再判断剩下的弱分类器。
只有特征值通过所有弱分类器的筛选才可以判定通过包含这些弱分类器的强分类器，同样的，强分类器之间也可以设置优先级，当某一检测区域的特征值通过所有强分类器的筛选才可以判定该检测区域为目标对象，否则为非目标对象。
也就是说，并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象，可以包括：通过多个强分类器分别对多个扫描窗口中各个窗口的扫描结果进行筛选；将通过多个强分类器中各个强分类器筛选的扫描结果所对应的扫描窗口所在的区域确定为所述目标对象，其中，每个强分类器中设置有多个弱分类器，将通过强分类器中所有弱分类器筛选的扫描结果作为通过该强分类器筛选的扫描结果。
下面结合一具体实施例对上述目标对象搜索方法进行说明，然而值得注意的是，该具体实施例仅是为了更好地说明本发明，并不构成对本发明的不当限定。
假设强弱分类器的个数、LBP特征值的位置、左右叶子节点值、用于弱分类器判定的两个门限阈值都是在线下训练好的。
设定根据训练模型已知有Ns个强分类器，记为S[i]，其中，i＝0，1，...，Ns-1。第i个强分类器S[i]下包含M[i]个弱分类器，记为Wi[k]，其中，k＝o，1，...，M[i]-1。弱分类器Wi[k]对应的LBP特征值记为Pi(k)，对应如图3所示的实心点，左右叶子节点值为Li(k)和Ri(k)，两个门限阈值记为Ti(k)和Hi(k)。
如图3所示，假设此时判定滑动子窗口区域是否能通过强分类器S[i]的筛选，需要依次判定该滑动子窗口区域内的LBP特征是否通过M[i]个弱分类器的筛选。当滑动子窗口按固定步长向右移动时，LBP特征值Pi(k)的横坐标也随之向右按固定步长移动。当固定步长Step＝1时，对于n个连续滑动的子窗口，Pi(k)是LBP特征图像中一行n个连续像素点。取出这n个Pi(k)装载到向量寄存器(例如，可以是128位的向量寄存器)中，记为n个Pi(k)对应的SIMD变量形式，当n＝16时，就表示将16个滑动子窗口并行实现。
下文中Pi(k)表示包含n个LBP特征值的SIMD向量，可以从LBP特征图像中直接获取，Qi(k)表示对应的n个权重的SIMD向量，sum表示权重累加值向量，两者都是通过SIMD指令计算得到。Li(k)和Ri(k)分别表示n个相同的左右叶子节点值组成的SIMD向量，Ti(k)和Hi(k)是n个相同的门限域值构成的SIMD向量。f(k)是包含n个元素的SIMD向量，用来描述n个滑动子窗口的LBP特征值是否通过弱分类器Wi[k]以及Wi[k]之前的k-1个弱分类器的筛选，如果f(k)为零，表示没通过，如果f(k)非零，则表示通过。
具体地，筛选过程可以包括：
S1：初始化f(k)，赋值全1，i初始值为0；
S2：取出第i个强分类器S[i]，获取该强分类器下包含的弱分类器的个数M[i]，初始化k＝0，sum＝0；
S3：取出S[i]的第k个弱分类器Wi[k]的LBP特征值Pi(k)；
S4：按照以下公式，计算权重Qi(k)及权重累加值sum：
sum+＝Qi(k)
S5：f(k)＝f(k)&(sum＞Hi(k))
S6：如果f(k)全为0，则表示当前n个滑动子窗口所在区域都是非目标对象，直接跳到步骤(10)；
S7：如果f(k)中元素至少有一个是非零的，那就表明至少有一个滑动子窗口所在区域的LBP特征值通过了弱分类器Wi[k]的筛选，重复步骤S3至S7，直至M[i]个弱分类器全部通过；
S8：i++，如果i＜Ns，跳到步骤S2进行下一个强分类器的判定；
S9：否则，所有强分类器判定结束，此时f(k)的元素至少有一个非零，将f(k)中非零元素所对应的滑动子窗口区域判定为目标对象，其他为非目标对象；
S10：确定滑动子窗口是否到达LBP特征图像的最右端，如果没有，则滑动子窗口继续向右移位step，跳回步骤S1；
S11：确定滑动子窗口是否到达LBP特征图像的最下端，如果没有，则滑动子窗口继续向下移位step，并回到最左端，跳回步骤S1。
在本例中，利用SIMD数据并行技术将串行结构的级联分类器并行实现，提高了目标检测的效率。
基于同一发明构思，本发明实施例中还提供了一种目标对象搜索装置，如下面的实施例所述。由于目标对象搜索装置解决问题的原理与目标对象搜索方法相似，因此目标对象搜索装置的实施可以参见目标对象搜索方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图4是本发明实施例的目标对象搜索装置的一种结构框图，如图4所示可以包括：窗口设置模块401、扫描模块402和处理模块403，下面对该结构进行说明。
窗口设置模块401，用于设置多个扫描窗口；
扫描模块402，用于通过所述多个扫描窗口并行对待检测图像进行扫描；
处理模块403，用于并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
在一个实施方式中，所述待检测图像为图形图像，或者，特征图像。
在一个实施方式中，所述特征图像为LBP特征图像。
在一个实施方式中，扫描模块402具体控制所述多个扫描窗口按照从左到右，从上大小的顺序并行对所述待检测图像进行扫描。
在一个实施方式中，相邻的扫描窗口之间相差的步长个数是相同的。
在一个实施方式中，上述目标对象搜索装置还可以包括：移动模块，用于在确定所述多个扫描窗口扫描的区域中是否有目标对象之后，按照预设步长移动所述多个扫描窗口。
在一个实施方式中，处理模块403可以通过SIMD运算并行对多个扫描窗口的扫描结果进行处理。
在一个实施方式中，处理模块403具体可以用于通过多个强分类器分别对所述多个扫描窗口中各个窗口的扫描结果进行筛选；将通过所述多个强分类器中各个强分类器筛选的扫描结果所对应的扫描窗口所在的区域确定为所述目标对象。
在一个实施方式中，每个强分类器中可以设置有多个弱分类器，将通过强分类器中所有弱分类器筛选的扫描结果作为通过该强分类器筛选的扫描结果。
在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
从以上的描述中，可以看出，本发明实施例实现了如下技术效果：
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种目标对象搜索方法，其特征在于，包括：
设置多个扫描窗口；
通过所述多个扫描窗口并行对待检测图像进行扫描；
并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
2.如权利要求1所述的方法，其特征在于，所述待检测图像为图形图像，或者，特征图像。
3.如权利要求2所述的方法，其特征在于，所述特征图像为LBP特征图像。
4.如权利要求1所述的方法，其特征在于，通过所述多个扫描窗口并行对待检测图像进行扫描，包括：
控制所述多个扫描窗口按照从左到右，从上大小的顺序并行对所述待检测图像进行扫描。
5.如权利要求4所述的方法，其特征在于，相邻的扫描窗口之间相差的步长个数是相同的。
6.如权利要求1所述的方法，其特征在于，在确定所述多个扫描窗口扫描的区域中是否有目标对象之后，所述方法还包括：
按照预设步长移动所述多个扫描窗口。
7.如权利要求1至6中任一项所述的方法，其特征在于，并行对所述多个扫描窗口的扫描结果进行处理，包括：
通过SIMD运算并行对所述多个扫描窗口的扫描结果进行处理。
8.如权利要求1至6中任一项所述的方法，其特征在于，并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象，包括：
通过多个强分类器分别对所述多个扫描窗口中各个窗口的扫描结果进行筛选；
将通过所述多个强分类器中各个强分类器筛选的扫描结果所对应的扫描窗口所在的区域确定为所述目标对象。
9.如权利要求8所述的方法，其特征在于，每个强分类器中设置有多个弱分类器，将通过强分类器中所有弱分类器筛选的扫描结果作为通过该强分类器筛选的扫描结果。
10.一种目标对象搜索装置，其特征在于，包括：
窗口设置模块，用于设置多个扫描窗口；
扫描模块，用于通过所述多个扫描窗口并行对待检测图像进行扫描；
处理模块，用于并行对所述多个扫描窗口的扫描结果进行处理，以确定所述多个扫描窗口扫描的区域中是否有目标对象。
CN201610779545.6A 2016-08-30 2016-08-30 一种目标对象搜索方法和装置 Pending CN107798328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610779545.6A CN107798328A (zh) 2016-08-30 2016-08-30 一种目标对象搜索方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610779545.6A CN107798328A (zh) 2016-08-30 2016-08-30 一种目标对象搜索方法和装置

Publications (1)

Publication Number Publication Date
CN107798328A true CN107798328A (zh) 2018-03-13

Family

ID=61529486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610779545.6A Pending CN107798328A (zh) 2016-08-30 2016-08-30 一种目标对象搜索方法和装置

Country Status (1)

Country Link
CN (1) CN107798328A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898111A (zh) * 2018-07-02 2018-11-27 京东方科技集团股份有限公司 一种图像处理方法、电子设备及计算机可读介质
CN111222509A (zh) * 2020-01-17 2020-06-02 北京字节跳动网络技术有限公司 目标检测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328386A (zh) * 2001-07-11 2001-12-26 信息产业部电信传输研究所 并行滑动窗最大后验概率算法及其高速Turbo码译码器
US20100226583A1 (en) * 2004-11-24 2010-09-09 Bourdev Lubomir D Detecting an Object Within an Image by Incrementally Evaluating Subwindows of the Image in Parallel
CN102479329A (zh) * 2010-11-22 2012-05-30 索尼公司 分类器生成装置和方法,检测图像中的对象的装置和方法
CN104166852A (zh) * 2013-05-20 2014-11-26 南京壹进制信息技术有限公司 利用simd提高lbp的提取速度
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328386A (zh) * 2001-07-11 2001-12-26 信息产业部电信传输研究所 并行滑动窗最大后验概率算法及其高速Turbo码译码器
US20100226583A1 (en) * 2004-11-24 2010-09-09 Bourdev Lubomir D Detecting an Object Within an Image by Incrementally Evaluating Subwindows of the Image in Parallel
CN102479329A (zh) * 2010-11-22 2012-05-30 索尼公司 分类器生成装置和方法,检测图像中的对象的装置和方法
CN104166852A (zh) * 2013-05-20 2014-11-26 南京壹进制信息技术有限公司 利用simd提高lbp的提取速度
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王佶梁: "Adaboost算法的VLSI设计研究和FPGA实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898111A (zh) * 2018-07-02 2018-11-27 京东方科技集团股份有限公司 一种图像处理方法、电子设备及计算机可读介质
CN108898111B (zh) * 2018-07-02 2021-03-02 京东方科技集团股份有限公司 一种图像处理方法、电子设备及计算机可读介质
CN111222509A (zh) * 2020-01-17 2020-06-02 北京字节跳动网络技术有限公司 目标检测方法、装置及电子设备
CN111222509B (zh) * 2020-01-17 2023-08-18 北京字节跳动网络技术有限公司 目标检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106570453B (zh) 用于行人检测的方法、装置和系统
Chetverikov et al. Feature point tracking for incomplete trajectories
JP4942510B2 (ja) 車両画像認識装置およびその方法
JP2832646B2 (ja) ２次元ｃｄｄイメージ中のバーコード・シンボルの精細な方位角を求める方法および装置
JP4517633B2 (ja) 対象物検出装置及び方法
CN111079674B (zh) 一种基于全局和局部信息融合的目标检测方法
US8325998B2 (en) Multidirectional face detection method
CN107463892A (zh) 一种结合上下文信息和多级特征的图像中行人检测方法
JP2008117391A (ja) デジタル画像における顔を検出する方法、およびデジタル画像における顔を検出する装置
CN108198135B (zh) 一种全景图像拼接最优缝合线搜索方法
Rashwan et al. Matrix Nets: A new deep architecture for object detection
Lee et al. License plate detection using local structure patterns
JP2009026326A (ja) 集団学習装置及び方法
CN107798328A (zh) 一种目标对象搜索方法和装置
US20070223785A1 (en) Image processor and method
JP2010165052A (ja) 画像処理装置及び画像処理方法
US8526738B2 (en) Information processing apparatus including a plurality of multi-stage connected information processing units
KR20080079443A (ko) 영상으로부터의 객체 검출 방법 및 장치
JP5754813B2 (ja) 画像中の特徴点を検出する特徴点検出プログラム、画像処理装置及び方法
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
US20220139007A1 (en) Image forming apparatus, determination apparatus, image forming method, and non-transitory computer readable medium storing image forming program
Bhattacharya et al. Recognition of handprinted Bangla numerals using neural network models
CN113033427A (zh) 一种基于dl的车底异物自动识别方法
JP2012128622A (ja) オブジェクト判別装置、方法、及びプログラム
KR101791514B1 (ko) 아다부스트 알고리즘 기반 학습 장치 및 방법

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

Application publication date: 20180313

RJ01 Rejection of invention patent application after publication