CN108122011B - 基于多种不变性混合的目标跟踪方法和系统 - Google Patents

基于多种不变性混合的目标跟踪方法和系统 Download PDF

Info

Publication number
CN108122011B
CN108122011B CN201711439231.2A CN201711439231A CN108122011B CN 108122011 B CN108122011 B CN 108122011B CN 201711439231 A CN201711439231 A CN 201711439231A CN 108122011 B CN108122011 B CN 108122011B
Authority
CN
China
Prior art keywords
invariance
target
vectors
target candidate
size
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
Application number
CN201711439231.2A
Other languages
English (en)
Other versions
CN108122011A (zh
Inventor
王加庆
窦润江
刘力源
吴南健
秦琦
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.)
Institute of Semiconductors of CAS
Original Assignee
Institute of Semiconductors of CAS
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 Institute of Semiconductors of CAS filed Critical Institute of Semiconductors of CAS
Priority to CN201711439231.2A priority Critical patent/CN108122011B/zh
Publication of CN108122011A publication Critical patent/CN108122011A/zh
Application granted granted Critical
Publication of CN108122011B publication Critical patent/CN108122011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments

Landscapes

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

Abstract

一种基于多种不变性混合的目标跟踪方法和系统，该方法包括如下步骤：对输入图像进行滤波并选取目标候选区域、对目标候选区域提取旋转不变性特征、将旋转不变性特征转换成向量、对目标候选区域提取灰度不变性特征、将灰度不变性特征转换成向量、对目标候选区域提取尺寸不变性特征、将尺寸不变性特征转换成向量、将三个特征向量融合成一融合向量、利用分类器和融合向量进行分类选出分值最高的候选目标。本发明使用多种不变性特征对目标进行描述，使得在灰度发生变化、目标旋转、目标大小发生变化的场景中，该跟踪方法具有鲁棒性；并且该方法可并行度高，有利于做加速计算，可广泛应用于需要进行高速实时图像跟踪的场合。

Description

基于多种不变性混合的目标跟踪方法和系统
技术领域
本发明涉及图像处理、目标跟踪技术领域，尤其涉及一种基于多种不变性混合的目标跟踪方法和系统。
背景技术
目标跟踪在过去几十年中一直是学术研究及实际应用的热门课题。传统的跟踪方法有模板匹配和背景减除技术，模板匹配是利用前一帧或人为制定的目标特征作为模板，在当前帧搜索匹配点寻找到目标的方法。这是一种以目标的形态特征为判据的目标检索和跟踪方法。模板匹配应用于跟踪时具有较高的灵敏度和可靠性。背景减除技术是一种将当前图像和已有背景进行差分而得到目标的方法。与模板匹配方法相比，背景减除技术更简单快速。但背景减除技术不适合处理背景中存在各种干扰和变化的应用。无论是模板匹配方法还是背景减除技术都很难同时达到鲁棒性和实时性的要求。因此有人提出基于单特征与分类器的跟踪方法，该方法使用单类特征对目标进行描述，然后使用分类器进行目标分类，从而进行跟踪。由于可选择并行度较大的特征，因此该方法可达到较高的实时性。但是单特征无法应对场景灰度发生变化、目标大小发生变化和目标旋转等情况，该方法在不同场景的鲁棒性就会大大降低。
发明内容
有鉴于此，本发明的主要目的在于提出一种基于多种不变性混合的目标跟踪方法和系统，以期至少部分地解决上述已有技术中的不足之处。
为实现上述目的，作为本发明的一个方面，提出了一种基于多种不变性混合的目标跟踪方法，其特征在于，包括以下步骤：
A、对输入图像(1)的搜索区域(11)进行滤波并选取若干个目标候选区域(12)；
B、对所有目标候选区域(12)分别提取旋转不变性特征、灰度不变性特征和尺寸不变性特征，并分别将其转换成对应向量；
C、分别将上述步骤B得到的所有目标候选区域的三个不变性特征向量融合成一融合向量；
D、利用分类器对上述步骤C得到的所有目标候选区域的融合向量进行计算并分类，选出分值最高的候选目标。
其中步骤A中每一帧的搜索区域11大小一样，当前帧的搜索区域11由上一帧的目标位置确定，而第一帧的搜索区域11通过输入设备进行选定；
其中，步骤A中的滤波步骤是使用高斯滤波器仅对所述搜索区域11进行滤波处理；
其中，在所述搜索区域11内每移动一个像素则选取一个目标候选区域12，并将选取的所有目标候选区域12依次送入后续操作。
其中，步骤B中提取旋转不变性特征、灰度不变性特征和尺寸不变性特征时，目标候选区域12里的目标即使发生旋转、灰度改变、大小变化，对应提取得到的不变性特征的特征值也不会改变或改变量小于5％。
其中，步骤B中提取旋转不变性特征、灰度不变性特征和尺寸不变性特征时能够任意选择先后顺序来执行，或者通过并行算法同时执行上述步骤。
其中，步骤B中将旋转不变性特征、灰度不变性特征或尺寸不变性特征转换成向量时，需要将每个目标候选区域12划分成多个图像区域，在每个图像区域分别进行统计得到对应特征的子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。
其中，步骤C中在得到旋转不变性特征的向量、灰度不变性特征的向量和尺寸不变性特征的向量后，将这三种不变性特征的向量合并成一个向量。
其中，步骤D中的分类器使用adaboost分类器。
其中，步骤D中利用分类器对得到的所有目标候选区域的融合向量进行计算，选出分值最高的候选目标的步骤具体包括：
使用训练集训练好adaboost分类器的参数，然后将三种不变性特征的向量与adaboost分类器的参数做计算，每个目标候选区域12会得到一个计算结果，该结果为目标候选区域12与目标的相似度，最后选取计算结果最大的目标候选区域12的位置作为当前帧的目标位置。
作为本发明的另一个方面，提出了一种基于多种不变性混合的目标跟踪系统，其特征在于，包括：
处理器，用于执行存储在存储器中的程序；
存储器，存储有执行如上所述的基于多种不变性混合的目标跟踪方法的程序。
其中，所述处理器为图形处理器芯片、FPGA、单片机、单板机、台式机或服务器中的处理器。
从上述技术方案中可以看出，本发明具有以下有益效果：
a.本发明的基于多种不变性混合的目标跟踪方法，使用了三种不变性特征对目标进行描述，使得目标跟踪在亮度变化、尺寸变化和旋转变化的场景更具有鲁棒性；
b.本发明的基于多种不变性混合的目标跟踪方法，三种特征的向量可并行计算，适合在已有的视觉芯片上计算，加速跟踪速度。
附图说明
图1为本发明一实施例的基于多种不变性混合的目标跟踪方法的流程方框示意图。
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，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
在本说明书中，下述用于描述本发明原理的各种实施例只是说明，不应该以任何方式解释为限制发明的范围。参照附图的下述描述用于帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。下述描述包括多种具体细节来帮助理解，但这些细节应认为仅仅是示例性的。因此，本领域普通技术人员应认识到，在不悖离本发明的范围和精神的情况下，可以对本文中描述的实施例进行多种改变和修改。此外，为了清楚和简洁起见，省略了公知功能和结构的描述。此外，贯穿附图，相同附图标记用于相似功能和操作。
本发明公开了一种基于多种不变性混合的目标跟踪方法，包括以下步骤：
(1)对输入图像的搜索区域进行滤波并选取若干个目标候选区域；
(2)对所述所有目标候选区域分别提取旋转不变性特征、灰度不变性特征和尺寸不变性特征，并分别将其转换成对应向量；
(3)分别将得到的所有目标候选区域的三个不变性特征向量融合成一融合向量；
(4)利用分类器和融合向量进行分类，选出分值最高的候选目标来实现所述目标跟踪。
上述方案中，每一帧的搜索区域大小一样，当前帧的搜索区域由上一帧的目标位置确定，而第一帧的搜索区域由人通过输入设备选定；滤波是使用高斯滤波器仅对搜索区域进行滤波；在搜索区域内每移动一个像素选取一个目标候选区域，将选取的所有目标候选区域依次送入后续操作。
上述方案中，旋转不变性特征、灰度不变性特征和尺寸不变性特征的提取不分先后顺序，可以任意选择先后顺序来执行，也可以通过并行算法同时实现。
上述方案中，提取旋转不变性特征时，目标候选区域里的目标即使发生旋转，提取得到的特征值也不会发生变化或者只发生很微小的变化。
上述方案中，将旋转不变性特征转换成向量时，可以根据需要将每个目标候选区域划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。
上述方案中，提取灰度不变性特征时，输入图像里的场景即使灰度发生变化，提取得到的特征值也不会发生变化或者只发生很微小的变化。
上述方案中，将灰度不变性特征转换成向量时，可以根据需要将每个目标候选区域划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。
上述方案中，提取尺寸不变性特征时，目标候选区域里的目标即使大小发生变化，提取得到的特征值也不会发生变化或者只发生很微小的变化。
上述方案中，将尺寸不变性特征转换成向量时，可以根据需要将每个目标候选区域划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。
上述方案中，在得到旋转不变性特征向量、灰度不变性特征向量和尺寸不变性特征向量后，将这三种不变性特征向量合并成一融合向量。
上述方案中，分类器使用adaboost分类器；先在电脑上使用训练集训练好adaboost分类器的参数，然后将所有目标候选区域的融合向量与adaboost分类器的参数做计算，每个目标候选区会得到一个计算结果，该结果为目标候选区域与目标的相似度，最后选取计算结果最大的目标候选区域的位置作为当前帧的目标位置。
本发明还公开了一种基于多种不变性混合的目标跟踪系统，包括：
处理器，用于执行存储在存储器中的程序；
存储器，存储有执行如上所述的基于多种不变性混合的目标跟踪方法的程序。
其中，该处理器可以为图形处理器芯片、FPGA、单片机、单板机、台式机或服务器等中的处理器，只要能够运行上述程序以执行该方法。
下面结合附图对本发明的一个优选实施方式进行进一步阐述说明。
图1为依照本发明一实施例的基于多种不变性混合的目标跟踪方法的流程框架示意图。如图1所示，该目标跟踪方法包括9个步骤：
步骤1、对输入图像1的搜索区域11进行滤波并选取若干个目标候选区域12；
步骤2、对所有目标候选区域12分别提取旋转不变性特征；
步骤3、将旋转不变性特征转换成向量；
步骤4、对所有目标候选区域12分别提取灰度不变性特征；
步骤5、将灰度不变性特征转换成向量；
步骤6、对所有目标候选区域12分别提取尺寸不变性特征；
步骤7、将尺寸不变性特征转换成向量；
步骤8、将所有目标候选区域的三个不变性特征的向量分别融合成一个向量；
步骤9、利用分类器和融合向量进行分类，选出分值最高的候选目标。
如图1所示，在步骤1中每一帧的搜索区域11大小一样，当前帧的搜索区域11由上一帧的目标位置确定，而第一帧的搜索区域11由人为选定；滤波是使用高斯滤波器仅对搜索区域11进行滤波；在搜索区域11内每移动一个像素选取一个目标候选区域12，将选取的所有目标候选区域12依次送入后续操作。
步骤2提取旋转不变性特征时，目标候选区域12里的目标就算发生旋转，提取得到的特征值不会发生变化或者只发生很微小的变化。以GLLBP特征为例：GLLBP特征是融合了灰度级和LBP的一种特征，灰度级只涉及像素自身的计算，具有旋转不变性；而LBP也具有旋转不变性；因此由灰度级和LBP组合成的GLLBP也具有旋转不变性。计算灰度级时使用了4个灰度级：灰度值在0-63之间为灰度级0，灰度值在64-127之间为灰度级1，灰度值在128-191之间为灰度级2，灰度值在192-255之间为灰度级3；灰度级可根据具体场景有所增加或减少：当目标与背景灰度相近时可增加灰度级。计算每个像素LBP值时，分别比较周围8个像素与中心像素的大小，当周围像素灰度值比中心像素大时记为1，否则为0；当周围8个像素可分为n个连续1和8-n个连续0时，中心像素LBP值等于n，否则中心像素LBP值等于9；当计算区域超出图像范围，超出图像范围的填充0；每个像素LBP值在0-9范围。因此GLLBP值在0-39范围。
步骤3将旋转不变性特征转换成向量时，可以根据需要将每个目标候选区域12划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。以保证得到的向量仍具有一定的不变性，目标候选区域12只被划分成一个图像区域，即对整个目标候选区域进行直方图统计。
步骤4提取灰度不变性特征时，输入图像1里的场景就算灰度发生变化，提取得到的特征值也不会发生变化或者只发生很微小的变化。以LBP特征为例：由上述内容可知，计算LBP时，只涉及中心像素与周围像素的差值，当场景亮度变化时，所有像素发生同样的变化，相对大小不变，因此LBP具有灰度不变性。
步骤5将灰度不变性特征转换成向量时，可以根据需要将每个目标候选区域12划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。为保证特征能够对目标进行详细的描述，在保证计算效率的前提，可对目标候选区域进行尽量多的划分，以LBP特征为例，可使用3*3的划分。
步骤6提取尺寸不变性特征时，目标候选区域12里的目标就算大小发生变化，提取得到的特征值也不会发生变化或者只发生很微小的变化。
步骤7将尺寸不变性特征转换成向量时，可以根据需要将每个目标候选区域12划分成多个图像区域，在每个区域分别进行统计得到子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。为保证特征能够对目标进行详细的描述，在保证计算效率的前提，可对目标候选区域进行尽量多的划分。
如图1所示，计算旋转不变性特征的向量、灰度不变性特征的向量和尺寸不变性特征的向量的相关步骤相互独立，可进行并行计算，如果特征选择适当，可在视觉芯片上进行计算，视觉芯片具有并行计算能力，并且可对直方图统计进行加速。
步骤8在得到旋转不变性特征向量、灰度不变性特征向量和尺寸不变性特征向量后，依次将这三种不变性特征向量合并成一个融合向量。
在步骤9中分类器使用adaboost分类器；先在电脑上使用训练集训练好adaboost分类器的参数，然后将所有目标候选区域12的融合三种不变性特征向量的融合向量与adaboost分类器的参数做计算，每个目标候选区域12会得到一个计算结果，该结果为目标候选区域12与目标的相似度，最后选取计算结果最大的目标候选区域12的位置作为当前帧的目标位置。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多种不变性混合的目标跟踪方法，其特征在于，包括以下步骤：
A、对输入图像(1)的搜索区域(11)进行滤波并选取若干个目标候选区域(12)；
B、对所有目标候选区域(12)分别提取旋转不变性特征、灰度不变性特征和尺寸不变性特征，并分别将其转换成对应向量；
C、分别将上述步骤B得到的所有目标候选区域的三个不变性特征向量融合成一融合向量；
D、利用分类器对上述步骤C得到的所有目标候选区域的融合向量进行计算并分类，选出分值最高的候选目标；
其中步骤A中每一帧的搜索区域(11)大小一样，当前帧的搜索区域(11)由上一帧的目标位置确定，而第一帧的搜索区域(11)通过输入设备进行选定；
其中，步骤A中的滤波步骤是使用高斯滤波器仅对所述搜索区域(11)进行滤波处理；
其中，在所述搜索区域(11)内每移动一个像素则选取一个目标候选区域(12)，并将选取的所有目标候选区域(12)依次送入后续操作；
其中步骤B中将旋转不变性特征、灰度不变性特征或尺寸不变性特征转换成向量时，需要将每个目标候选区域(12)划分成多个图像区域，在每个图像区域分别进行统计得到对应特征的子直方图，然后再将所有子直方图依次合并成一个直方图，将每个直方图的bin看成一个向量的元素，即可得到一个向量。
2.根据权利要求1所述的目标跟踪方法，其特征在于，其中步骤B中提取旋转不变性特征、灰度不变性特征和尺寸不变性特征时，目标候选区域(12)里的目标即使发生旋转、灰度改变、大小变化，对应提取得到的不变性特征的特征值也不会改变或改变量小于5％。
3.根据权利要求1所述的目标跟踪方法，其特征在于，其中步骤B中提取旋转不变性特征、灰度不变性特征和尺寸不变性特征时能够任意选择先后顺序来执行，或者通过并行算法同时执行上述步骤。
4.根据权利要求1所述的目标跟踪方法，其特征在于，其中步骤C中在得到旋转不变性特征的向量、灰度不变性特征的向量和尺寸不变性特征的向量后，将这三种不变性特征的向量合并成一个向量。
5.根据权利要求1所述的目标跟踪方法，其特征在于，其中步骤D中的分类器使用adaboost分类器。
6.根据权利要求1所述的目标跟踪方法，其特征在于，其中步骤D中利用分类器对得到的所有目标候选区域的融合向量进行计算，选出分值最高的候选目标的步骤具体包括：
使用训练集训练好adaboost分类器的参数，然后将三种不变性特征的向量与adaboost分类器的参数做计算，每个目标候选区域(12)会得到一个计算结果，该结果为目标候选区域(12)与目标的相似度，最后选取计算结果最大的目标候选区域(12)的位置作为当前帧的目标位置。
7.一种基于多种不变性混合的目标跟踪系统，其特征在于，包括：
处理器，用于执行存储在存储器中的程序；
存储器，存储有执行如权利要求1至6任意一项所述的基于多种不变性混合的目标跟踪方法的程序。
8.根据权利要求7所述的目标跟踪系统，其特征在于，所述处理器为图形处理器芯片、FPGA、单片机、单板机、台式机或服务器中的处理器。
CN201711439231.2A 2017-12-26 2017-12-26 基于多种不变性混合的目标跟踪方法和系统 Active CN108122011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711439231.2A CN108122011B (zh) 2017-12-26 2017-12-26 基于多种不变性混合的目标跟踪方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711439231.2A CN108122011B (zh) 2017-12-26 2017-12-26 基于多种不变性混合的目标跟踪方法和系统

Publications (2)

Publication Number Publication Date
CN108122011A CN108122011A (zh) 2018-06-05
CN108122011B true CN108122011B (zh) 2021-09-03

Family

ID=62232041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711439231.2A Active CN108122011B (zh) 2017-12-26 2017-12-26 基于多种不变性混合的目标跟踪方法和系统

Country Status (1)

Country Link
CN (1) CN108122011B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221676B (zh) * 2021-04-25 2023-10-13 中国科学院半导体研究所 基于多维度特征的目标追踪方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070008271A (ko) * 2005-07-13 2007-01-17 엘지전자 주식회사 실시간으로 전방향 사람 검출 및 추적방법 및 이를 이용한로봇
CN101290681A (zh) * 2008-05-26 2008-10-22 华为技术有限公司 视频目标跟踪方法、装置及自动视频跟踪系统
CN102521838A (zh) * 2011-12-19 2012-06-27 国家计算机网络与信息安全管理中心 一种图像检索/匹配方法及系统
CN104537689A (zh) * 2014-12-25 2015-04-22 中国科学院自动化研究所 基于局部对比显著性联合特征的目标跟踪方法
CN105719292A (zh) * 2016-01-20 2016-06-29 华东师范大学 利用两层级联的Boosting分类算法实现视频目标跟踪的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070008271A (ko) * 2005-07-13 2007-01-17 엘지전자 주식회사 실시간으로 전방향 사람 검출 및 추적방법 및 이를 이용한로봇
CN101290681A (zh) * 2008-05-26 2008-10-22 华为技术有限公司 视频目标跟踪方法、装置及自动视频跟踪系统
CN102521838A (zh) * 2011-12-19 2012-06-27 国家计算机网络与信息安全管理中心 一种图像检索/匹配方法及系统
CN104537689A (zh) * 2014-12-25 2015-04-22 中国科学院自动化研究所 基于局部对比显著性联合特征的目标跟踪方法
CN105719292A (zh) * 2016-01-20 2016-06-29 华东师范大学 利用两层级联的Boosting分类算法实现视频目标跟踪的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OBJECT TRACKING VIA ONLINE TRAJECTORY OPTIMIZATION WITH MULTI-FEATURE FUSION;Weijian Ruan et al.;《Proceedings of the IEEE International Conference on Multimedia and Expo》;20170714;第1231-1236页 *

Also Published As

Publication number Publication date
CN108122011A (zh) 2018-06-05

Similar Documents

Publication Publication Date Title
Marin et al. Hand gesture recognition with leap motion and kinect devices
Jun et al. Robust face detection using local gradient patterns and evidence accumulation
Wang et al. RGB-D salient object detection via minimum barrier distance transform and saliency fusion
CN103927387A (zh) 图像检索系统及其相关方法和装置
CN112528976B (zh) 文本检测模型的生成方法和文本检测方法
CN113255694A (zh) 训练图像特征提取模型和提取图像特征的方法、装置
Zhu et al. Deep residual text detection network for scene text
Wang et al. Real-time hand posture recognition based on hand dominant line using kinect
Overett et al. Creating robust high-throughput traffic sign detectors using centre-surround HOG statistics
CN104281572A (zh) 一种基于互信息的目标匹配方法及其系统
Cai et al. Scene-adaptive vehicle detection algorithm based on a composite deep structure
CN109697240A (zh) 一种基于特征的图像检索方法及装置
Wang et al. Hand posture recognition from disparity cost map
CN109784275A (zh) 多点位人脸识别智能化辨识方法
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
CN108122011B (zh) 基于多种不变性混合的目标跟踪方法和系统
Fang et al. He-slam: A stereo slam system based on histogram equalization and orb features
Dai et al. An Improved ORB Feature Extraction Algorithm Based on Enhanced Image and Truncated Adaptive Threshold
Louis et al. Frontal face detection for surveillance purposes using dual Local Binary Patterns features
Zhou et al. Research on recognition and application of hand gesture based on skin color and SVM
Santoso et al. Learning-based human detection applied to RGB-D images
Dong et al. Research on a Pedestrian Detection Algorithm Based on Improved SSD Network
Ghimire et al. Online sequential extreme learning machine-based co-training for dynamic moving cast shadow detection
Roy et al. Detection and classification of geometric shape objects for industrial applications
Crudge et al. Landmark recognition using machine learning

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