CN107832664B - 一种交通场景的感兴趣区域分析方法 - Google Patents
一种交通场景的感兴趣区域分析方法 Download PDFInfo
- Publication number
- CN107832664B CN107832664B CN201710934866.3A CN201710934866A CN107832664B CN 107832664 B CN107832664 B CN 107832664B CN 201710934866 A CN201710934866 A CN 201710934866A CN 107832664 B CN107832664 B CN 107832664B
- Authority
- CN
- China
- Prior art keywords
- image
- traffic
- matrix
- traffic scene
- dimensional
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 235000003976 Ruta Nutrition 0.000 description 1
- 240000005746 Ruta graveolens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010244 region-of-interest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000005806 ruta Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种交通场景的感兴趣区域分析方法。该方法首先对输入的彩色交通图像帧序列进行特征提取，提取包括色彩、统计、纹理、结构等相关特征，将所有提取后的特征进行堆叠，最终得到一个三维数据立方体，即为特征图像；将特征图像每一维度进行向量化，得到一个二维矩阵V，对此矩阵进行降维处理，并利用顶点成分分析方法将此矩阵分解成两个矩阵W与H乘积的形式；对于矩阵H，它的每一列均可以二维化，形成一个与输入交通图像大小一致的图像，在每一张图中，均有一个感兴趣区域。因此，通过提取特征，再进行分解的形式，得到交通场景的感兴趣区域，解决了非监督提取交通场景图像感兴趣区域的问题。
Description
技术领域
本发明涉及到一种采用特征图像分解的形式探索交通场景图像感兴趣区域的分析方法，属于人工智能技术领域。
背景技术
常见的智能交通图像处理系统包括四个部分：分割、检测、识别和跟踪。对于分割任务而言，研究者常根据视觉经验或相关先验采用阈值化方法。对于检测和识别任务而言，研究者设计不同的描述子，如边缘、梯度方向直方图、局部二值模式及扩展形式等来处理。例如，Ruta采用了Canny边缘检测算子，并且报道了100％的检测率，但仅限于一种交通标识。Haar-like特征也被广泛使用并得到了一定的效果。其它的特征也引起了研究者的关注。HOG就是一种典型的特征，它通过计算统计图像局部窗口的梯度方向直方图来构成特征，可以和boosting方法或支持向量机结合用以解决检测和识别的任务。除交通标识外，车辆和行人也是重要的目标。Negri et al.通过设计一族梯度直方图描述子和序列boosting分类器实现视频监控中的行人检测。Duric et al.利用Darboux运动模型估计交通场景中的车辆相对运动。通过建立贝叶斯模型，Jia et al.讨论了前视静态图像的车辆检测，并用马尔科夫链检测车辆。
尽管不同的方法被提出来处理交通场景图像，有一个问题尚未被认识及解决。即如何寻找具有普遍意义上的交通场景“感兴趣区域”，更多的工作集中精力于利用不同的机器视觉方法来处理交通图像，提取感兴趣区域的不同特征进行分类，从而完成目标检测识别等任务。但这些特征都是根据目标进行针对性的设计，而且更多利用了空间和纹理信息，针对“感兴趣区域是什么”这一更加普遍而根本的问题则研究较少。
发明内容
本发明的目的在于提供一种采用特征图像分解的形式得到交通场景图像感兴趣区域的分析方法。
本发明提出一种交通场景的感兴趣区域分析方法，包括：
S1：对交通场景图像进行特征提取与组合，形成交通特征图像；
S2：对获取的交通特征图像进行向量化，形成二维矩阵，并对二维矩阵进行降维；
S3：对所述交通特征图像的降维矩阵进行分解，构成解空间，得到分解结果；
S4：将分解结果转化为二维矩阵，并归一化展示为图像，得到感兴趣区域。
进一步的，所述交通特征图像是对原输入交通场景图像IM×N×L的颜色、统计、纹理、结构特征信息的提取，将提取信息组合成一个三维空间向量；所述三维空间向量的两维表示图像长宽，与所述原输入交通场景图像大小一致，另一维表示特征个数；其中M和N分别表示图像长宽，L表示图像光谱维度。
具体的，所述颜色特征信息Ic是原输入交通场景图像红绿蓝三通道信息以及HIS颜色空间中的色度和饱和度成分，具体为：
其中，Ir，Ig和Ib分别表示输入图像I的红绿蓝三波段，H，S和
表示HIS空间的色度，饱和度和亮度，θ1表示中间变量。
具体的，所述局部统计信息是在以i为中心的局部窗口
内像素的均值M(i)和方差信息V(i)，W表示窗口
内的像素个数。
具体的，所述纹理特征信息是利用Gabor滤波器计算求得的在不同参数条件下得到的纹理图像，所述Gabor滤波器为：
其中，
x′＝xcosθ+ysinθ
y′＝-xsinθ+ycosθ
λ表示正弦函数的波长，θ表示方向，σ表示高斯函数的标准差。
具体的，所述结构特征信息采用相对全变分RTV算法进行提取，对于输入交通场景图像I，假设其结构图像为S，则RTV模型可以由如下数学表达式得到，则求解此优化问题可以有效提取出结构图像S：
ε是一个常值小量，P是图像总数目，ρ是一个人工预设的参数。Φx(i)和Φy(i)为
这里j属于像素i邻域R(i)，
和
分别计算图像S在x和y方向的偏微分，gij为一个权重函数，定义为：
同时定义Ψx(i)和Ψy(i)如下。
进一步的，所述颜色、统计、纹理、结构特征信息四类特征图像大小一致，进行直接堆叠，可以得到所需的特征图像VM×N×B，B表示以上四类特征图像的维度总和。
进一步的，将所述特征图像V进行向量化，转换成二维矩阵AL×N。利用奇异值分解方法，将所述二维矩阵A降维至p维，得到矩阵Ap，具体方法如下：
S21：输入合成的交通数据特征图像V，并转换至二维数据AL×N；
S22：计算AAT并对其进行奇异值分解，得到矩阵UL×L，ΛL×N和VN×N，满足U×Λ×V＝AAT；
S23：初始化p＝1，增加p直到条件
首次满足，则此时的p为顶点数目，即需要降维的维度；
S24：使用奇异值分解A，保留p个特征，得到Up，Sp，Vp，满足Up×Sp×Vp≈A；最后得到
进一步的，对所述降维矩阵Ap进行分解，得到每一次矩阵Λ的分解形式Λ＝WP×λ×Hλ×λ；
其中H的行向量构成一个解空间，计算每一次分解的解空间体积大小，选择最大体积对应的结果作为最终的分解结果。
优选的，所述矩阵分解方法为顶点成分分析法，包括：
S31：输入降维数据；
S32：随机初始化B，并开始迭代；
S33：计算求得与B正交的向量f；
S34：将降维后的数据Ap投影至向量f，得到向量v；
S35：计算向量v中的极值，更新矩阵B及顶点矩阵w；
S36：计算w所张成单纯形的体积Vos；
S37：得到具有最大体积的单纯形；
S38：利用最小二乘法计算权重矩阵H。
对于权重矩阵H，其每一行可以被二维矩阵化，成为具有和原始交通图像相同空间大小的图像，在这些每个图像中，都有对应于顶点像素的地物在其中占据主要成分，即感兴趣区域。
本发明的优点在于：提出一种普适的提取交通场景感兴趣区域的方法，该方法不局限于对交通灯、交通标识等交通图像中重要特定目标的分析，而是对交通场景图像整个的感兴趣区域进行分析提取；采用一种利用交通场景基本特征组合的方式得到交通特征图像，构成了对交通场景描述的特殊数据，这类数据既有二维空间信息，同时又有第三位特征信息；通过对获取数据的降维分解，实现对特征数据的去除冗余等效果，同时得到了感兴趣区域的个数。采用顶点成分分析方法与最大体积结合的方式，是一种非监督学习的方法，避免了监督学习中需要大量训练样本的缺点。
附图说明
下面结合附图对发明作进一步详细描述。
图1是基于特征图像分解的感兴趣区域分析方法流程图。
图2是顶点成分分析示意图。
图3是最大体积法示意图。
图4是输入交通场景图像示例图。
图5是分解得到的感兴趣区域示意图。
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，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
现在将详细参考本发明的实施例，这些实施例的示例在附图中示出。元件的后缀“模块”和“单元”在此用于方便描述，并且因此可以可交换地被使用，而且没有任何可区别的意义或功能。
针对现有技术存在的缺陷，本发明实施例提供了一种交通场景的感兴趣区域分析方法，通过对原始交通图像进行特征提取，生成三维特征图像，之后对生成的图像进行矩阵分解，从而得到交通场景的感兴趣区域，具体如图1所示，包括：
S1：对交通场景图像进行特征提取与组合，形成交通特征图像；
进一步的，所述交通特征图像是对原输入交通场景图像IM×N×L的颜色、统计、纹理、结构特征信息的提取，将提取信息组合成一个三维空间向量；所述三维空间向量的两维表示图像长宽，与所述原输入交通场景图像大小一致，另一维表示特征个数；其中M和N分别表示图像长宽，L表示图像光谱维度。
具体的，所述颜色特征信息Ic是原输入交通场景图像红绿蓝三通道信息以及HIS颜色空间中的色度和饱和度成分，具体为：
其中，Ir，Ig和Ib分别表示输入图像I的红绿蓝三波段，H，S和
表示HIS空间的色度，饱和度和亮度。
具体的，所述局部统计信息是在以i为中心的局部窗口
内像素的均值M(i)和方差信息V(i)，W表示窗口
内的像素个数。
具体的，所述纹理特征信息是利用Gabor滤波器计算求得的在不同参数条件下得到的纹理图像，所述Gabor滤波器为：
其中，
x′＝xcosθ+ysinθ
y′＝-xsinθ+ycosθ
λ表示正弦函数的波长，θ表示方向，σ表示高斯函数的标准差。
优选的，取参数：λ＝{0.8，1，1.2}，θ＝{0°，45°，90°，135°}，σ＝{1，1.5，2，2.5，3，3.5，4}，因此，每一个像素将有84个响应值。
具体的，所述结构特征信息采用相对全变分RTV算法进行提取，对于输入交通场景图像I，假设其结构图像为S，则RTV模型可以由如下数学表达式得到，则求解此优化问题可以有效提取出结构图像S：
ε是一个常值小量，P是图像总数目，ρ是一个人工预设的参数。优选的，设定参数p＝{0.0005，0.001，0.0015}，ε＝10-5，则我们可以得到结构图像Is包含9维信息。
Φx(i)和Φy(i)为
这里j属于像素i邻域R(i)，
和
分别计算图像S在x和y方向的偏微分，gij为一个权重函数，定义为：
同时定义Ψx(i)和Ψy(i)如下。
进一步的，所述颜色、统计、纹理、结构特征信息四类特征图像大小一致，进行直接堆叠，可以得到所需的特征图像VM×N×B，B表示以上四类特征图像的维度总和。
S2：对获取的交通特征图像进行向量化，形成二维矩阵，并对二维矩阵进行降维；
进一步的，将所述特征图像V进行向量化，转换成二维矩阵AL×N。利用奇异值分解方法，将所述二维矩阵A降维至p维，得到矩阵Ap，具体方法如下：
S21：输入合成的交通数据特征图像V，并转换至二维数据AL×N；
S22：计算AAT并对其进行奇异值分解，得到矩阵UL×L，ΛL×N和VN×N，满足U×Λ×V＝AAT；
S23：初始化p＝1，增加p直到条件
首次满足，则此时的p为顶点数目，即需要降维的维度；优选的，δ＝0.999；
S24：使用奇异值分解A，保留p个特征，得到Up，Sp，Vp，满足Up×Sp×Vp≈A；最后得到
S3：对所述交通特征图像的降维矩阵进行分解，构成解空间，得到分解结果；
进一步的，对所述降维矩阵Ap进行分解，得到每一次矩阵Λ的分解形式A＝WP×λ×Hλ×λ；顶点成分分析法和最大体积法示意如附图2和3所示；
其中H的行向量构成一个解空间，计算每一次分解的解空间体积大小，选择最大体积对应的结果作为最终的分解结果。
优选的，所述矩阵分解方法为顶点成分分析法，包括：
S31：输入降维数据；
S32：随机初始化B，并开始迭代；
S33：计算求得与B正交的向量f；
S34：将降维后的数据Ap投影至向量f，得到向量v；
S35：计算向量v中的极值，更新矩阵B及顶点矩阵w；
S36：计算w所张成单纯形的体积Vos；
S37：得到具有最大体积的单纯形；
S38：利用最小二乘法计算权重矩阵H。
具体伪代码如下：
对于权重矩阵H，其每一行可以被二维矩阵化，成为具有和原始交通图像相同空间大小的图像，在这些每个图像中，都有对应于顶点像素的地物在其中占据主要成分，即感兴趣区域。
S4：将分解结果转化为二维矩阵，并归一化展示为图像，得到感兴趣区域。权重矩阵H的每一行可以被变形为具有和输入彩色交通图像相同空间大小的图像。因此在这些每个图像中，都有一类特定的交通场景感兴趣区域如交通灯、交通标识、车辆等凸显出来，如附图4、附图5所示。
本发明的优点在于：提出一种普适的提取交通场景感兴趣区域的方法，该方法不局限于对交通灯、交通标识等交通图像中重要特定目标的分析，而是对交通场景图像整个的感兴趣区域进行分析提取；采用一种利用交通场景基本特征组合的方式得到交通特征图像，构成了对交通场景描述的特殊数据，这类数据既有二维空间信息，同时又有第三位特征信息；通过对获取数据的降维分解，实现对特征数据的去除冗余等效果，同时得到了感兴趣区域的个数。采用顶点成分分析方法与最大体积结合的方式，是一种非监督学习的方法，避免了监督学习中需要大量训练样本的缺点。
Claims (9)
1.一种交通场景的感兴趣区域分析方法，包括：
S1：对交通场景图像进行特征提取与组合，形成交通特征图像；
S2：对获取的交通特征图像进行向量化，形成二维矩阵，并对二维矩阵进行降维；
S3：对所述交通特征图像的降维矩阵进行分解，构成解空间，得到分解结果；
S4：将分解结果转化为二维矩阵，并归一化展示为图像，得到感兴趣区域；
其中，所述交通特征图像是对原输入交通场景图像IM×N×L的颜色、统计、纹理、结构特征信息的提取，将提取信息组合成一个三维空间向量；所述三维空间向量的两维表示图像长宽，与所述原输入交通场景图像大小一致，另一维表示特征个数；其中M和N分别表示图像长宽，L表示图像光谱维度。
2.如权利要求1所述的交通场景的感兴趣区域分析方法，所述颜色特征信息Ic是原输入交通场景图像红绿蓝三通道信息以及HIS颜色空间中的色度和饱和度成分，具体为：
其中，Ir，Ig和Ib分别表示输入图像I的红绿蓝三波段，H，S和I表示HIS空间的色度，饱和度和亮度，θ1表示中间变量。
3.如权利要求1所述的交通场景的感兴趣区域分析方法，所述统计信息是在以i为中心的局部窗口
内像素的均值M(i)和方差信息V(i)，W0表示窗口
内的像素个数。
4.如权利要求1所述的交通场景的感兴趣区域分析方法，所述纹理特征信息是利用Gabor滤波器计算求得的在不同参数条件下得到的纹理图像，所述Gabor滤波器为：
其中，
x′＝xcosθ+ysinθ
y′＝-xsinθ+ycosθ
λ表示正弦函数的波长，θ表示方向，σ表示高斯函数的标准差。
5.如权利要求1所述的交通场景的感兴趣区域分析方法，所述结构特征信息采用相对全变分RTV算法进行提取，对于输入交通场景图像I，假设其结构图像为S，则RTV模型可以由如下数学表达式得到，则求解此优化问题可以有效提取出结构图像S：
ε是一个常值小量，P是图像总数目，ρ是一个人工预设的参数；Φx(i)和Φy(i)为
这里j属于像素i邻域R(i)，
和
分别计算图像S在x和y方向的偏微分,gij为一个权重函数，定义为：
同时定义Ψx(i)和Ψy(i)如下。
6.如权利要求1所述的交通场景的感兴趣区域分析方法，所述颜色、统计、纹理、结构特征信息四类特征图像大小一致，进行直接堆叠，可以得到所需的特征图像VM×N×B，B表示以上四类特征图像的维度总和。
7.如权利要求1所述的交通场景的感兴趣区域分析方法，将所述特征图像V进行向量化，转换成二维矩阵AL×N；利用奇异值分解方法，将所述二维矩阵A降维至p维，得到矩阵Ap，具体方法如下：
S21：输入合成的交通数据特征图像V，并转换至二维数据AL×N；
S22：计算AAT并对其进行奇异值分解，得到矩阵UL×L,ΛL×N和VN×N，满足U×Λ×V＝AAT；
S23：初始化p＝1,增加p直到条件
首次满足，则此时的p为顶点数目，即需要降维的维度；
S24：使用奇异值分解A，保留p个特征，得到Up,Sp,Vp，满足Up×Sp×Vp≈A；最后得到
8.如权利要求1所述的交通场景的感兴趣区域分析方法，对所述降维矩阵Ap进行分解，得到每一次矩阵Λ的分解形式Λ＝WP×λ×Hλ×λ；
其中H的行向量构成一个解空间，计算每一次分解的解空间体积大小，选择最大体积对应的结果作为最终的分解结果。
9.如权利要求8所述的交通场景的感兴趣区域分析方法，所述矩阵分解方法为顶点成分分析法，包括：
S31:输入降维数据；
S32:随机初始化B，并开始迭代；
S33：计算求得与B正交的向量f；
S34：将降维后的数据Ap投影至向量f，得到向量v；
S35：计算向量v中的极值，更新矩阵B及顶点矩阵w；
S36：计算w所张成单纯形的体积Vos；
S37:得到具有最大体积的单纯形；
S38:利用最小二乘法计算权重矩阵H0；
对于权重矩阵H0，其每一行可以被二维矩阵化，成为具有和原始交通图像相同空间大小的图像，在这些每个图像中，都有对应于顶点像素的地物在其中占据主要成分，即感兴趣区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710934866.3A CN107832664B (zh) | 2017-10-09 | 2017-10-09 | 一种交通场景的感兴趣区域分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710934866.3A CN107832664B (zh) | 2017-10-09 | 2017-10-09 | 一种交通场景的感兴趣区域分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107832664A CN107832664A (zh) | 2018-03-23 |
| CN107832664B true CN107832664B (zh) | 2020-10-09 |
Family
ID=61647661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710934866.3A Active CN107832664B (zh) | 2017-10-09 | 2017-10-09 | 一种交通场景的感兴趣区域分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832664B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7363675B2 (ja) * | 2020-06-15 | 2023-10-18 | 株式会社島津製作所 | イメージング質量分析装置、及びイメージング質量分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271469A (zh) * | 2008-05-10 | 2008-09-24 | 深圳先进技术研究院 | 一种基于三维模型库下二维图像的识别和物体的重建方法 |
| CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
| CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
| CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
| US9483822B2 (en) * | 2014-03-10 | 2016-11-01 | Case Western Reserve University | Co-occurrence of local anisotropic gradient orientations |
| CN106250893A (zh) * | 2016-07-25 | 2016-12-21 | 浙江零跑科技有限公司 | 一种基于后视单目相机的多列车铰接角测量方法 |
| CN106971158A (zh) * | 2017-03-23 | 2017-07-21 | 南京邮电大学 | 一种基于CoLBP共生特征与GSS特征的行人检测方法 |
-
2017
- 2017-10-09 CN CN201710934866.3A patent/CN107832664B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271469A (zh) * | 2008-05-10 | 2008-09-24 | 深圳先进技术研究院 | 一种基于三维模型库下二维图像的识别和物体的重建方法 |
| CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
| US9483822B2 (en) * | 2014-03-10 | 2016-11-01 | Case Western Reserve University | Co-occurrence of local anisotropic gradient orientations |
| CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
| CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
| CN106250893A (zh) * | 2016-07-25 | 2016-12-21 | 浙江零跑科技有限公司 | 一种基于后视单目相机的多列车铰接角测量方法 |
| CN106971158A (zh) * | 2017-03-23 | 2017-07-21 | 南京邮电大学 | 一种基于CoLBP共生特征与GSS特征的行人检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Traffic sign detection via interest region extraction;Samuele Salti 等;《Pattern Recognition》;20140609;第1039-1049页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107832664A (zh) | 2018-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | Material based salient object detection from hyperspectral images | |
| US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
| CN108256547B (zh) | 生成用于基于机器学习的对象识别系统的训练图像 | |
| CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
| CN112154451A (zh) | 提取图像中对象的代表性特征的方法、设备和计算机程序 | |
| Mohd Ali et al. | Performance comparison between RGB and HSV color segmentations for road signs detection | |
| CN107977661B (zh) | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 | |
| Kang et al. | Decolorization-based hyperspectral image visualization | |
| EP2074557B1 (en) | Method and system for learning spatio-spectral features in an image | |
| US9196053B1 (en) | Motion-seeded object based attention for dynamic visual imagery | |
| CN109034258A (zh) | 基于特定物体像素梯度图的弱监督目标检测方法 | |
| Nice et al. | Sky pixel detection in outdoor imagery using an adaptive algorithm and machine learning | |
| CN115063785B (zh) | 高速公路场景使用目标识别模型定位车牌的方法及装置 | |
| Chen et al. | Visual depth guided image rain streaks removal via sparse coding | |
| CN107832664B (zh) | 一种交通场景的感兴趣区域分析方法 | |
| Franzen et al. | Traffic sign recognition with neural networks in the frequency domain | |
| Bala et al. | Image simulation for automatic license plate recognition | |
| US8928815B1 (en) | System and method for outdoor scene change detection | |
| Parag | Coupled label and intensity MRF models for IR target detection | |
| Trongtirakul et al. | Transmission map optimization for single image dehazing | |
| Monna et al. | ERA: A new, fast, machine learning-based software to document rock paintings | |
| M-Desa et al. | Color-based shadow detection method in aerial images | |
| Miah | A real time road sign recognition using neural network | |
| CN116682057A (zh) | 一种基于窗口自注意力机制的变电站安全隐患检测方法 | |
| CN115601280A (zh) | 图像的处理方法和车辆 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yi Inventor after: Xu Bin Inventor after: Yang Yanshi Inventor after: Li Xiaojian Inventor after: Zhang Wei Inventor before: An Zhenyu Inventor before: Sun Ting Inventor before: Li Yi Inventor before: Shen Ziran Inventor before: Ye Yun Inventor before: Xu Bin |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |