CN108154076A - 一种机器学习算法级联的铁轨行人检测方法 - Google Patents
一种机器学习算法级联的铁轨行人检测方法 Download PDFInfo
- Publication number
- CN108154076A CN108154076A CN201711136067.8A CN201711136067A CN108154076A CN 108154076 A CN108154076 A CN 108154076A CN 201711136067 A CN201711136067 A CN 201711136067A CN 108154076 A CN108154076 A CN 108154076A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- training
- sample
- vector
- detection
- 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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机器学习算法级联的铁轨行人检测方法,首先构建机器学习算法级联的铁轨行人检测系统,包括:特征向量库构建模块、分类器训练模块、提升树行人检测模块和支持向量机行人目标检测模块;然后通过采集铁轨附近行人图像,构建训练样本集合;采用提升树算法完成特征向量库的训练,利用支持向量机对方向直方图特征向量库进行训练;再次,加载提升树算法训练得到的分类器,在待检测图像中提取行人目标的粗检测区域;最后,在行人目标的粗检测区域利用分类器完成行人目标的确认。本方法采用提升树算法和支持向量机级联的方式,充分利用了提升树的高精度检测效果以及支持向量机良好的二分类性能,提升了铁轨附近行人的检测效果。
Description
技术领域
本发明涉及一种铁轨附近行人检测方法,特别是一种机器学习算法级联的铁轨行人检测方法。
背景技术
对铁轨附近行人进行检测,可以辅助列车安全驾驶,降低列车事故的发生。通常应用提升树算法进行行人目标检测,存在过于依赖弱分类器选择的缺点,而支持向量机对缺失数据敏感,因此,单独采用提升树算法或支持向量机训练分类器进行行人检测,易产生误检测和漏检测的结果,本发明采用一种机器学习算法级联的铁轨附近行人检测方法,首先,利用提升树训练得到的分类器完成行人目标的粗检测,然后,在行人目标的粗检测区域,利用支持向量机训练得到的分类器,完成最终的行人目标检测,采用提升树和支持向量机级联的方式,充分利用了提升树的高精度检测效果以及支持向量机良好的二分类性能,提升行人检测的效果。
发明内容
本发明目的在于提供一种机器学习算法级联的铁轨行人检测方法,解决单独一种机器学习算法易产生误检测和漏检测等问题。
一种机器学习算法级联的铁轨行人检测方法的具体步骤为:
第一步构建机器学习算法级联的铁轨行人检测系统
机器学习算法级联的铁轨行人检测系统,包括:特征向量库构建模块、分类器训练模块、提升树行人检测模块和支持向量机行人目标检测模块。所述:
特征向量库构建模块的功能为:构建训练样本的集合;
分类器训练模块的功能为:分别利用提升树算法和支持向量机对构建的训练样本集合进行训练,并得到分类器;
提升树行人检测模块的功能为:实现行人目标的粗检测;
支持向量机行人目标检测模块的功能为:对粗检测到的行人目标进行最终确认;
第二步特征向量库构建模块构建训练样本集合
采集行人图像,构建待训练的正样本和负样本,其中,正样本为包含行人的图像,标签记为1,负样本为不包含行人的图像,标签记为-1,样本总数为N,提取所有样本图像的局部二进制特征,构建特征向量库fL,得到训练集TL={(l1,y1),(l2,y2),...,(li,yi),...,(lN,yN)},li为特征库fL中第i个局部二进制向量,且1≤i≤N,yi为第i个向量的标签,且有yi∈Y={1,-1};同时,提取所有样本图像的方向直方图特征,构建特征向量库fH,得到训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},hi为特征库fH中第i个方向直方图向量,且1≤i≤N yi为第i个向量的标签;
第三步训练分类器模块完成训练集的训练
提升树算法通过训练得到25级弱分类器,组合得到的弱分类器形成强分类器,完成对样本的分类,对于得到的训练集TL={(l1,y1),(l2,y2),...,(lN,yN)},利用提升树算法对训练集TL的训练过程具体为:
首先,初始化训练数据的权值分布
D1=(w11,...,w1i,...,w1N) (1)
式中,D1表示训练样本第1级的权值分布,w1i表示第1级第i个向量的权值
然后,训练第m个弱分类器Gm(l)∈{-1,1},其中m=1,2,...,M,M为分类器的总个数,计算样本集在分类器Gm(l)上的分类错误率:
式中,em表示分类错误率,li表示第i个样本的局部二进制特征向量,yi表示第i个样本的标签,Gm(li)表示分类器对第i个样本的分类结果;wmi表示第m级第i个向量的权值;
之后,计算分类器Gm(l)的系数
然后,更新数据集的权值分布有
Dm+1=(wm+1,1,...,wm+1,i,...,wm+1,N) (4)
wm+1,i=wmizmi (5)
其中Dm+1表示训练样本第m+1级的权值分布,wmi表示第m级第i个向量的权值,wm+1,i表示第m+1级第i个向量的权值;
公式(5)中,i=1,2,...,N,zmi为归一化因子,有
再然后,经过公式(2)至公式(6)的多次迭代,得到M个弱分类器组合,最终的强分类器G(l)为
其中am为分类器Gm(l)的系数;
对于已获得的训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},结合行人特征在线性空间内线性可分的特点,采用线性支持向量机完成对训练集TH的训练,得到分类最优超平面H(w*,b)=w*·h+b,h为满足w*·hi+b=0的向量hi的集合,其中i=1,2,...,N,N为样本总数目;将行人和非行人分离开来,(w*,b)表示超平面的参数,其中w*表示超平面的法向量,b表示截距,寻求最优化分类平面的问题,转换为凸二次规划问题
约束条件为
式中C为惩罚参数,且C≥0,ξi为松弛变量,原始问题的对偶问题为下列凸二次规划:
其中αi和αj分别为第i和第j个样本的拉格朗日因子,yi和yj分别为第i和第j个样本的标签,hi和hj分别为第i和第j个样本的方向直方图特征向量,其中i=1,2,...,N,j=1,2,...,N;
约束条件为
求解公式(10)的凸二次规划问题,得到最优解结合公式(8)、(9)和(11),得到分类超平面的法向量和截距为
得到分类器P(h)为
第四步提升树行人检测模块实现行人目标的粗检测
加载分类器G(l),利用滑动窗口扫描待检测图像,在滑动窗口内提取图像的局部二进制特征向量利用公式(7),判断的符号,当大于0时,则该窗口为行人目标的粗检测区域,记为rs,扫描整幅图像得到行人粗检测区域的集合R={r1,...rs,...,rK},其中1≤s≤K,K为粗检测区域的总数目;当小于0时,则表示该窗口没有检测道行人目标;
第五步支持向量机行人目标检测模块对粗检测结果进行最终确认
加载分类器P(h),对于第四步得到的行人粗检测区域集合R的每一个子区域,提取图像的方向直方图特征向量利用公式(13),判断的符号,如果大于0,则该区域内检测到行人,否则,该区域为背景。
至此,通过提升树和支持向量机级联的方式完成了铁轨行人的检测。
本发明采用提升树算法和支持向量机级联的方式,充分利用了提升树的高精度检测效果以及支持向量机良好的二分类性能,能够有效实现铁轨行人的检测,具有很高的工程使用价值。
附图说明
图1一种机器学习算法级联的铁轨行人检测方法原理框图;
图2提升树行人目标粗检测示例图;
图3支持向量机行人目标最终确认示例图。
具体实施方式
一种机器学习算法级联的铁轨行人检测方法的具体实施步骤如下:
第一步构建机器学习算法级联的铁轨行人检测系统
机器学习算法级联的铁轨行人检测系统,包括:特征向量库构建模块、分类器训练模块、提升树行人检测模块和支持向量机行人目标检测模块。所述:
特征向量库构建模块的功能为:构建训练样本的集合;
分类器训练模块的功能为:分别利用提升树算法和支持向量机对构建的训练样本集合进行训练,并得到分类器;
提升树行人检测模块的功能为:实现行人目标的粗检测;
支持向量机行人目标检测模块的功能为:对粗检测到的行人目标进行最终确认;
第二步特征向量库构建模块构建训练样本集合
采集行人图像,构建待训练的正样本和负样本,其中,正样本为包含行人的图像,标签记为1,负样本为不包含行人的图像,标签记为-1,样本总数为N,提取所有样本图像的局部二进制特征,构建特征向量库fL,得到训练集TL={(l1,y1),(l2,y2),...,(li,yi),...,(lN,yN)},li为特征库fL中第i个局部二进制向量,且1≤i≤N,yi为第i个向量的标签,且有yi∈Y={1,-1};同时,提取所有样本图像的方向直方图特征,构建特征向量库fH,得到训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},hi为特征库fH中第i个方向直方图向量,且1≤i≤N yi为第i个向量的标签;
第三步训练分类器模块完成训练集的训练
提升树算法通过训练得到25级弱分类器,组合得到的弱分类器形成强分类器,完成对样本的分类,对于得到的训练集TL={(l1,y1),(l2,y2),...,(lN,yN)},利用提升树算法对训练集TL的训练过程具体为:
首先,初始化训练数据的权值分布
D1=(w11,...,w1i,...,w1N) (1)
式中,D1表示训练样本第1级的权值分布,w1i表示第1级第i个向量的权值
然后,训练第m个弱分类器Gm(l)∈{-1,1},其中m=1,2,...,M,M为分类器的总个数,计算样本集在分类器Gm(l)上的分类错误率:
式中,em表示分类错误率,li表示第i个样本的局部二进制特征向量,yi表示第i个样本的标签,Gm(li)表示分类器对第i个样本的分类结果;wmi表示第m级第i个向量的权值;
之后,计算分类器Gm(l)的系数
然后,更新数据集的权值分布有
Dm+1=(wm+1,1,...,wm+1,i,...,wm+1,N) (4)
wm+1,i=wmizmi (5)
其中Dm+1表示训练样本第m+1级的权值分布,wmi表示第m级第i个向量的权值,wm+1,i表示第m+1级第i个向量的权值;
公式(5)中,i=1,2,...,N,zmi为归一化因子,有
再然后,经过公式(2)至公式(6)的多次迭代,得到M个弱分类器组合,最终的强分类器G(l)为
其中am为分类器Gm(l)的系数;
对于已获得的训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},结合行人特征在线性空间内线性可分的特点,采用线性支持向量机完成对训练集TH的训练,得到分类最优超平面H(w*,b)=w*·h+b,h为满足w*·hi+b=0的向量hi的集合,其中i=1,2,...,N,N为样本总数目;将行人和非行人分离开来,(w*,b)表示超平面的参数,其中w*表示超平面的法向量,b表示截距,寻求最优化分类平面的问题,转换为凸二次规划问题
约束条件为
式中C为惩罚参数,且C≥0,ξi为松弛变量,原始问题的对偶问题为下列凸二次规划:
其中αi和αj分别为第i和第j个样本的拉格朗日因子,yi和yj分别为第i和第j个样本的标签,hi和hj分别为第i和第j个样本的方向直方图特征向量,其中i=1,2,...,N,j=1,2,...,N;
约束条件为
求解公式(10)的凸二次规划问题,得到最优解结合公式(8)、(9)和(11),得到分类超平面的法向量和截距为
得到分类器P(h)为
第四步提升树行人检测模块实现行人目标的粗检测
加载分类器G(l),利用滑动窗口扫描待检测图像,在滑动窗口内提取图像的局部二进制特征向量利用公式(7),判断的符号,当大于0时,则该窗口为行人目标的粗检测区域,记为rs,扫描整幅图像得到行人粗检测区域的集合R={r1,...rs,...,rK},其中1≤s≤K,K为粗检测区域的总数目;当小于0时,则表示该窗口没有检测道行人目标;如图2(a-d)所示,方框内区域为行人目标的粗检测结果示例;
第五步支持向量机行人目标检测模块对粗检测结果进行最终确认
加载分类器P(h),对于第四步得到的行人粗检测区域集合R的每一个子区域,提取图像的方向直方图特征向量利用公式(13),判断的符号,如果大于0,则该区域内检测到行人,否则,该区域为背景。如图3(a-d)所示,方框内的区域为最终确认的行人目标检测结果,其中图3(a-d)为图2(a-d)粗检测对应的检测结果示例.
以上就是本发明一种机器学习算法级联的铁轨行人检测方法的技术内容和方案。需要注意的是,以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换或改进等,均包含在本发明的保护范围之内。
Claims (6)
1.一种机器学习算法级联的铁轨行人检测方法,其特征在于具体步骤为:
第一步构建机器学习算法级联的铁轨行人检测系统
机器学习算法级联的铁轨行人检测系统,包括:特征向量库构建模块、分类器训练模块、提升树行人检测模块和支持向量机行人目标检测模块;所述:
第二步特征向量库构建模块构建训练样本集合;
第三步训练分类器模块分别利用提升树算法和支持向量机对构建的训练样本集合进行训练,并得到分类器;
第四步提升树行人检测模块实现行人目标的粗检测;
第五步支持向量机行人目标检测模块对粗检测到的行人目标进行最终确认;
至此,通过提升树和支持向量机级联的方式完成了铁轨行人的检测。
2.如权利要求1所述的机器学习算法级联的铁轨行人检测方法,其特征在于,
第二步特征向量库构建模块构建训练样本集合的具体过程为:
采集行人图像,构建待训练的正样本和负样本,其中,正样本为包含行人的图像,标签记为1,负样本为不包含行人的图像,标签记为-1,样本总数为N,提取所有样本图像的局部二进制特征,构建特征向量库fL,得到训练集TL={(l1,y1),(l2,y2),...,(li,yi),...,(lN,yN)},li为特征库fL中第i个局部二进制向量,且1≤i≤N,yi为第i个向量的标签,且有yi∈Y={1,-1};同时,提取所有样本图像的方向直方图特征,构建特征向量库fH,得到训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},hi为特征库fH中第i个方向直方图向量,且1≤i≤N yi为第i个向量的标签。
3.如权利要求2所述的机器学习算法级联的铁轨行人检测方法,其特征在于,
第三步训练分类器模块完成训练集的训练的具体过程为:
提升树算法通过训练得到多级弱分类器,组合得到的弱分类器形成强分类器,完成对样本的分类,对于得到的训练集TL={(l1,y1),(l2,y2),...,(lN,yN)},利用提升树算法对训练集TL的训练过程具体为:
首先,初始化训练数据的权值分布
D1=(w11,...,w1i,...,w1N) (1)
式中,D1表示训练样本第1级的权值分布,w1i表示第1级第i个向量的权值
然后,训练第m个弱分类器Gm(l)∈{-1,1},其中m=1,2,...,M,M为分类器的总个数,计算样本集在分类器Gm(l)上的分类错误率:
式中,em表示分类错误率,li表示第i个样本的局部二进制特征向量,yi表示第i个样本的标签,Gm(li)表示分类器对第i个样本的分类结果;wmi表示第m级第i个向量的权值;
之后,计算分类器Gm(l)的系数
然后,更新数据集的权值分布有
Dm+1=(wm+1,1,...,wm+1,i,...,wm+1,N) (4)
wm+1,i=wmizmi (5)
其中Dm+1表示训练样本第m+1级的权值分布,wmi表示第m级第i个向量的权值,wm+1,i表示第m+1级第i个向量的权值;
公式(5)中,i=1,2,...,N,zmi为归一化因子,有
再然后,经过公式(2)至公式(6)的多次迭代,得到M个弱分类器组合,最终的强分类器G(l)为
其中am为分类器Gm(l)的系数;
对于已获得的训练集TH={(h1,y1),(h2,y2),...,(hi,yi),...,(hN,yN)},结合行人特征在线性空间内线性可分的特点,采用线性支持向量机完成对训练集TH的训练,得到分类最优超平面H(w*,b)=w*·h+b,h为满足w*·hi+b=0的向量hi的集合,其中i=1,2,...,N,N为样本总数目;将行人和非行人分离开来,(w*,b)表示超平面的参数,其中w*表示超平面的法向量,b表示截距,寻求最优化分类平面的问题,转换为凸二次规划问题
约束条件为
式中C为惩罚参数,且C≥0,ξi为松弛变量,原始问题的对偶问题为下列凸二次规划:
其中αi和αj分别为第i和第j个样本的拉格朗日因子,yi和yj分别为第i和第j个样本的标签,hi和hj分别为第i和第j个样本的方向直方图特征向量,其中i=1,2,...,N,j=1,2,...,N;
约束条件为
求解公式(10)的凸二次规划问题,得到最优解结合公式(8)、(9)和(11),得到分类超平面的法向量和截距为
得到分类器P(h)为
4.如权利要求3所述的机器学习算法级联的铁轨行人检测方法,其特征在于,提升树算法通过训练得到25级弱分类器。
5.如权利要求3所述的机器学习算法级联的铁轨行人检测方法,其特征在于,
第四步提升树行人检测模块实现行人目标的粗检测的具体过程为:
加载分类器G(l),利用滑动窗口扫描待检测图像,在滑动窗口内提取图像的局部二进制特征向量利用公式(7),判断的符号,当大于0时,则该窗口为行人目标的粗检测区域,记为rs,扫描整幅图像得到行人粗检测区域的集合R={r1,...rs,...,rK},其中1≤s≤K,K为粗检测区域的总数目;当小于0时,则表示该窗口没有检测道行人目标。
6.如权利要求5所述的机器学习算法级联的铁轨行人检测方法,其特征在于,
第五步支持向量机行人目标检测模块对粗检测结果进行最终确认的具体过程为:加载分类器P(h),对于第四步得到的行人粗检测区域集合R的每一个子区域,提取图像的方向直方图特征向量利用公式(13),判断的符号,如果大于0,则该区域内检测到行人,否则,该区域为背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711136067.8A CN108154076A (zh) | 2017-11-16 | 2017-11-16 | 一种机器学习算法级联的铁轨行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711136067.8A CN108154076A (zh) | 2017-11-16 | 2017-11-16 | 一种机器学习算法级联的铁轨行人检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154076A true CN108154076A (zh) | 2018-06-12 |
Family
ID=62468791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711136067.8A Pending CN108154076A (zh) | 2017-11-16 | 2017-11-16 | 一种机器学习算法级联的铁轨行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154076A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325423A (zh) * | 2018-08-29 | 2019-02-12 | 安徽超清科技股份有限公司 | 一种针对行人检测的优化ssd算法 |
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN112288045A (zh) * | 2020-12-23 | 2021-01-29 | 深圳神目信息技术有限公司 | 一种印章真伪判别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201059A (zh) * | 2011-05-20 | 2011-09-28 | 北京大学深圳研究生院 | 一种行人检测方法及装置 |
KR101344034B1 (ko) * | 2013-08-21 | 2013-12-24 | 주식회사 넥스파시스템 | 보행자 인식기반 사고방지 시스템 및 그 제어 방법 |
-
2017
- 2017-11-16 CN CN201711136067.8A patent/CN108154076A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201059A (zh) * | 2011-05-20 | 2011-09-28 | 北京大学深圳研究生院 | 一种行人检测方法及装置 |
KR101344034B1 (ko) * | 2013-08-21 | 2013-12-24 | 주식회사 넥스파시스템 | 보행자 인식기반 사고방지 시스템 및 그 제어 방법 |
Non-Patent Citations (1)
Title |
---|
苏松志 等: "《行人检测 理论与实践》", 31 March 2016, 厦门大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325423A (zh) * | 2018-08-29 | 2019-02-12 | 安徽超清科技股份有限公司 | 一种针对行人检测的优化ssd算法 |
CN109325423B (zh) * | 2018-08-29 | 2021-09-21 | 安徽超清科技股份有限公司 | 一种针对行人检测的优化ssd方法 |
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109359574B (zh) * | 2018-09-30 | 2021-05-14 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN112288045A (zh) * | 2020-12-23 | 2021-01-29 | 深圳神目信息技术有限公司 | 一种印章真伪判别方法 |
CN112288045B (zh) * | 2020-12-23 | 2021-04-16 | 深圳神目信息技术有限公司 | 一种印章真伪判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN101329734B (zh) | 基于k-l变换和ls-svm的车牌字符识别方法 | |
CN104156734B (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN103310179A (zh) | 一种基于人脸识别技术的最优姿态检测方法及系统 | |
CN105069466A (zh) | 基于数字图像处理的行人服饰颜色识别方法 | |
CN103839279A (zh) | 一种目标检测中基于vibe的粘连目标分割方法 | |
CN104866829A (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN101980245B (zh) | 一种基于自适应模板匹配的客流统计方法 | |
CN102629385A (zh) | 一种基于多摄像机信息融合的目标匹配与跟踪系统及方法 | |
CN108154076A (zh) | 一种机器学习算法级联的铁轨行人检测方法 | |
CN105404886A (zh) | 特征模型生成方法和特征模型生成装置 | |
CN103279738B (zh) | 车标自动识别方法及系统 | |
WO2006054269A3 (en) | System and method for false positive reduction in computer-aided detection (cad) using a support vector machine (svm) | |
CN105447503A (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN102902974A (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN110210433B (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
Sharma et al. | A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN106485273A (zh) | 一种基于hog特征与dnn分类器的人脸检测方法 | |
CN103426004A (zh) | 基于纠错输出编码的车型识别方法 | |
CN112381806A (zh) | 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |