CN108182442B - 一种图像特征提取方法 - Google Patents
一种图像特征提取方法 Download PDFInfo
- Publication number
- CN108182442B CN108182442B CN201711476513.XA CN201711476513A CN108182442B CN 108182442 B CN108182442 B CN 108182442B CN 201711476513 A CN201711476513 A CN 201711476513A CN 108182442 B CN108182442 B CN 108182442B
- Authority
- CN
- China
- Prior art keywords
- pixel
- gradient
- calculating
- pixels
- interval
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供图像特征提取方法,方法包括:设置梯度运算矩阵大小的步骤;计算所述梯度运算矩阵各像素的梯度的步骤;确定所述各像素的梯度所属梯度区间的步骤;根据所述各像素的梯度计算其梯度长度的步骤;计算块特征值的步骤。本发明实现了图像特征提取速度的大幅提升。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像特征提取方法。
背景技术
HOG(Histogram of Oriented Gradient,梯度方向直方图)是2005年CVPR会议上,由法国国家计算机科学及自动控制研究所的Dalal等人提出的一种解决人体目标检测的图像描述子,该方法使用梯度方向直方图特征来表达人体,提取人体的外形信息和运动信息,形成丰富的特征集。
HOG特征提取的过程为:将一幅图像分成一个或多个检测窗口(WIN),一般检测窗口大小默认为128*64。检测窗口由多个块(BLOCK)组成,每个块由相邻的16个像素点构成,而每个块又均分为若干个(例如4个)相同大小的单元格(CELL)。
将图像预处理后,通过反正切函数求出梯度方向,再将梯度方向平均划分为9个方向区间,在每个单元格里面,对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量,每个单元格形成一个9维的特征向量,把一个块的特征向量联起来得到36维的特征向量,用块对样本图像进行扫描,扫描步长为一个单元格;最后将所有块的特征串联起来,就得到了人体的特征。
HOG描述算子是针对一个检测窗口而言的,一个128*64大小的检测窗口有105个块,一个块有4个单元格,一个单元格的HOG描述子向量的长度是9,所以一个检测窗口的HOG描述算子的向量长度是105*4*9=3780维。
在具体的运算过程中,单元格在块上移动,块也在移动,因此实际上有很多重复的单元格运算,并且在整个块内单元格数量众多,按照此方法,128*64的图像,在双核台式机上运行一次约需要0.14秒,而对于高级驾驶辅助系统(ADAS)产品,图像分辨率一般是1280*720,因此,采用这种方式虽然准确性高,但是计算复杂,特征生成过程冗长,导致速度慢,实时性差,有很大的迟滞感。
因此,现有技术有待进一步改进。
发明内容
本发明提供一种图像特征提取方法,旨在解决现有技术中的缺陷,实现图像特征提取速度的大幅提升。
为达到上述目的,本发明所采取的技术方案为:
本发明提供一种图像特征提取方法,包括:
设置梯度运算矩阵大小的步骤;
计算所述梯度运算矩阵各像素的梯度的步骤;
确定所述各像素的梯度所属梯度区间的步骤;
根据所述各像素的梯度计算其梯度长度的步骤;
计算块特征值的步骤。
具体地,所述计算所述梯度运算矩阵各像素的梯度的步骤包括:
计算各像素的初始灰度G0(x,y);
对所述初始灰度G0(x,y)进行Gamma变换,得到优化灰度G(x,y);
根据所述各像素的优化灰度G(x,y)及各像素X、Y方向的梯度算子Go,计算所述各像素X、Y方向的梯度dx、dy。
具体地,所述Go={-3,-2,-1,0,1,2,3}。
具体地,所述各像素X方向梯度:
dx=G(x+3,y)*3+G(x+2,y)*2+G(x+1,y)-G(x-3,y)*3-G(x-2,y)*2-G(x-1,y),其中,G(x+1,y)、G(x+2,y)、G(x+3,y)分别表示中心像素水平方向后一像素、后二像素、后三像素的优化灰度,G(x-1,y)、G(x-2,y)、G(x-3,y)分别表示中心像素水平方向前一像素、前二像素、前三像素的优化灰度;
所述各像素Y方向梯度:
dy=G(x,y+3)*3+G(x,y+2)*2+G(x,y+1)-G(x,y-1)-G(x,y-2)*2-G(x,y-3)*3,其中,G(x,y+1)、G(x,y+2)、G(x,y+3)分别表示中心像素垂直方向后一像素、后二像素、后三像素的优化灰度,G(x,y-1)、G(x,y-2)、G(x,y-3)分别表示中心像素垂直方向前一像素、前二像素、前三像素的优化灰度。
具体地,所述确定所述各像素的梯度所属梯度区间的步骤包括:
将梯度区间分为预设等份n;
计算所述各像素的弧度A(x,y);
根据所述各像素的弧度A(x,y)确定所述各像素的梯度所属梯度区间k。
具体地,所述根据所述各像素的弧度A(x,y)确定所述各像素的梯度所属梯度区间k的步骤包括:
根据所述各像素的弧度A(x,y)计算第一参数k0;
根据所述第一梯度区间参数k0计算第二参数k1;
根据所述第二参数k1确定所述各像素的梯度所属梯度区间k;
所述k0=(A(x,y)*n)/3.14-0.5,k1=rd(k0),其中,rd()表示向下取整数;
k=k1,当k1≥0时;k=k1+n,当k1<0时。
具体地,所述计算块特征值的步骤包括:
计算各像素对其所属梯度区间及下一个梯度区间的影响权重;
计算各像素对其所属梯度区间的贡献权重;
计算所述各像素的特征贡献值,所述各像素的特征贡献值包括对其所属梯度区间的特征贡献值,以及对下一个梯度区间的特征贡献值;
将各像素的特征贡献值求和得到块特征值;
对所述块特征值归一化。
具体地,所述计算各像素对其所属梯度区间的贡献权重的步骤包括:
计算所述各像素X、Y方向到块中心线的距离;
根据所述各像素X、Y方向到块中心线的距离计算所述像素对其所属梯度区间的贡献权重W。
具体地,所述W=exp(-(Lx*Lx+Ly*Ly)/32),其中,exp()表示以自然数e为的幂函数运算,Lx表示所述像素X方向到块中心线的距离,Ly表示所述像素Y方向到块中心线的距离。
具体地,所述各像素对其所属梯度区间的特征贡献值M0(x,y)=B(k)0*W*r,所述各像素对下一个梯度区间的特征贡献值M1(x,y)=B(k)1*W*r,其中B(k)0表示各像素对所属梯度区间的影响权重,B(k)1表示各像素对其下一个梯度区间的影响权重。
具体地,所述B(k)0=1-(k0-k1),B(k)1=k0-k1。
本发明的有益效果在于:本发明通过采用大梯度运算矩阵,划分更多的梯度区间,并且省略了HOG单元格移动的计算,大大减少了运算量,整体速度提升约4倍,非常适合对实时性要求较高的应用场合。
附图说明
图1是本发明的图像特征提取方法的流程示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,附图仅供参考和说明使用,不构成对本发明专利保护范围的限制。
本发明的实施例提供一种图像特征提取方法,包括:
步骤1、设置梯度运算矩阵大小。
在本实施例中,采用7*7梯度运算矩阵,则像素(x,y)的X、Y梯度为其本身及前3点像素、后3点像素的灰度运算结果。也就是说,这样计算得到的梯度包含了前后3行和前后3列的像素信息。
步骤2、计算所述梯度运算矩阵各像素的梯度。
具体包括如下步骤:
步骤21、计算各像素的初始灰度G0(x,y)。
对于RGB像素p(x,y),通过平均值法得到其初始灰度G0(x,y),即:
G0(x,y)=[R(x,y)+G(x,y)+B(x,y)]/3,其中,R(x,y)、G(x,y)、B(x,y)分别表示像素p(x,y)的R、G、B值。
例如:
像素p(10,10)的RGB值分别为155、200、89,则其初始灰度G0(10,10)=(143+200+89)/3=144;
水平方向前一像素p(9,10)的RGB值分别为90、100、90,则其初始灰度G0(9,10)=93.33;
水平方向前二像素p(8,10)的RGB值分别为80、100、80,则其初始灰度G0(8,10)=86.67;
水平方向前三像素p(7,10)的RGB值分别为70、100、70,则其初始灰度G0(7,10)=80;
水平方向后一像素p(11,10)的RGB值分别为110、100、110,则其初始灰度G0(11,10)=106.67;
水平方向后二像素p(12,10)的RGB值分别为120、100、120,则其初始灰度G0(12,10)=113.33;
水平方向后三像素p(13,10)的RGB值分别为130、100、130,则其初始灰度G0(13,10)=120;
垂直方向前一像素p(10,9)的RGB值分别为100、90、90,则其初始灰度G0(10,9)=93.33;
垂直方向前二像素p(10,8)的RGB值分别为100、80、80,则其初始灰度G0(10,8)=86.67;
垂直方向前三像素p(10,7)的RGB值分别为100、70、70,则其初始灰度G0(10,7)=80;
垂直方向后一像素p(10,11)的RGB值分别为100、110、110,则其初始灰度G0(10,11)=106.67;
垂直方向后二像素p(10,12)的RGB值分别为100、120、120,则其初始灰度G0(10,12)=113.33;
垂直方向后三像素G0(10,13)的RGB值分别为100、130、130,则其初始灰度G0(10,13)=120;
步骤22、对所述初始灰度G0(x,y)进行Gamma变换,得到优化灰度G(x,y)。
为了减少光照因素的影响,对所述像素的初始灰度G0(x,y)进行Gamma变换,得到优化灰度G(x,y),这种处理能够有效地降低图像局部的阴影和光照变化,具体是:
G(x,y)=sqrt[G0(x,y)],其中,sqrt表示开方运算。
例如:
像素p(10,10)经过Gamma变换后,其优化灰度G(10,10)=sqrt(144)=12;
水平方向前一像素p(9,10)经过Gamma变换后,其优化灰度G(9,10)=9.66;
水平方向前二像素p(8,10)经过Gamma变换后,其优化灰度G(8,10)=9.31;
水平方向前三像素p(7,10)经过Gamma变换后,其优化灰度G(7,10)=8.94;
水平方向后一像素p(11,10)经过Gamma变换后,其优化灰度G(11,10)=10.33;
水平方向后二像素p(12,10)经过Gamma变换后,其优化灰度G(12,10)=10.65;
水平方向后三像素p(13,10)经过Gamma变换后,其优化灰度G(13,10)=10.95;
垂直方向前一像素p(10,9)经过Gamma变换后,其优化灰度G(10,9)=9.66;
垂直方向前二像素p(10,8)经过Gamma变换后,其优化灰度G(10,8)=9.31;
垂直方向前三像素p(10,7)经过Gamma变换后,其优化灰度G(10,7)=8.94;
垂直方向后一像素p(10,11)经过Gamma变换后,其优化灰度G(10,11)=10.33;
垂直方向后二像素p(10,12)经过Gamma变换后,其优化灰度G(10,12)=10.65;
垂直方向后三像素p(10,13)经过Gamma变换后,其优化灰度G(10,13)=10.95。
步骤23、根据所述各像素的优化灰度G(x,y)及各像素X、Y方向的梯度算子Go,计算所述各像素X、Y方向的梯度dx、dy。
在本实施例中,Go={-3,-2,-1,0,1,2,3}。
步骤231、计算所述各像素X方向的梯度。
在本实施例中,所述各像素X方向梯度:
dx=G(x+3,y)*3+G(x+2,y)*2+G(x+1,y)-G(x-3,y)*3-G(x-2,y)*2-G(x-1,y),其中,G(x+1,y)、G(x+2,y)、G(x+3,y)分别表示中心像素水平方向后一像素、后二像素、后三像素的优化灰度,G(x-1,y)、G(x-2,y)、G(x-3,y)分别表示中心像素水平方向前一像素、前二像素、前三像素的优化灰度。
例如:
像素p(10,10)的X方向梯度:
dx=G(13,10)*3+G(12,10)*2+G(11,10)-G(7,10)*3-G(8,10)*2-G(9,10)=10.95*3+10.65*2+10.33-8.94*3-9.31*2-9.66=9.38。
步骤232、计算所述各像素Y方向的梯度。
在本实施例中,所述各像素Y方向梯度:
dy=G(x,y+3)*3+G(x,y+2)*2+G(x,y+1)-G(x,y-1)-G(x,y-2)*2-G(x,y-3)*3,其中,G(x,y+1)、G(x,y+2)、G(x,y+3)分别表示中心像素垂直方向后一像素、后二像素、后三像素的优化灰度,G(x,y-1)、G(x,y-2)、G(x,y-3)分别表示中心像素垂直方向前一像素、前二像素、前三像素的优化灰度。
例如:
像素p(10,10)的Y方向梯度:
dy=G(10,13)*3+G(10,12)*2+G(10,11)-G(10,7)*3-G(10,8)*2-G(10,9)=9.38。
步骤3、确定所述各像素的梯度所属梯度区间。
步骤31、将梯度区间分为预设等份n。
例如,将梯度区间分成12等份(即n=12),即在一个圆周360度内,每30度为一个梯度区间,用bin(k)表示,k为0~n-1之间的整数。
步骤32、计算所述各像素的弧度A(x,y)。
所述各像素的弧度A(x,y)=Arctan(dy/dx),其中,Arctan为反正切函数,dx表示所述像素X方向梯度,dy表示所述像素Y方向梯度。
例如:
像素p(10,10)的弧度A(10,10)=Arctan(dy/dx)=Arctan(9.38/9.38)=0.785。
步骤33、根据所述各像素的弧度A(x,y)确定所述各像素的梯度所属梯度区间k。
具体包括如下步骤:
步骤331、根据所述各像素的弧度A(x,y)计算第一参数k0。具体是:
k0=(A(x,y)*n)/3.14-0.5。
步骤332、根据所述第一梯度区间参数k0计算第二参数k1。具体是:
k1=rd(k0),其中,rd()表示向下取整数;
步骤333、根据所述第二参数k1确定所述各像素的梯度所属梯度区间k。具体是:
k=k1,当k1≥0时;
k=k1+n,当k1<0时。
例如:
对于像素p(10,10),k1=r((A(10,10)*12)/3.14-0.5)=rd(2.5)=2,因此k=k1=2,所以,像素p(10,10)归为梯度区间bin(2)。
步骤4、根据所述各像素的梯度计算其梯度长度。
所述梯度长度r=sqrt(dx*dx+dy*dy),其中sqrt表示开方运算。
例如:对于像素p(10,10),r=sqrt(9.38*9.38+9.38*9.38)=18.76。
步骤5、计算块特征值。
步骤51、计算各像素对其所属梯度区间及下一个梯度区间的影响权重。
每个像素不仅对自身所属梯度区间bin(k)有影响,并且对其下一个梯度区间bin(k+1)也会产生影响,因此,各像素对其所属梯度区间及下一个梯度区间的影响权重的计算方法如下:
各像素对所属梯度区间bin(k)的影响权重B(k)0=1-(k0-k1);
各像素对其下一个梯度区间bin(k+1)的影响权重B(k)1=k0-k1。
例如,对于像素p(10,10),根据前面算出的k0和k1,可得:
B(2)0=1-(2.5-2)=0.5,B(2)1=2.5-2=0.5。
步骤52、计算各像素对其所属梯度区间的贡献权重。
同一个块中,不同位置的像素对其所属单元格的方向梯度直方图对应的梯度区间的贡献大小也不一样。
具体计算方法如下:
步骤521、计算所述各像素X、Y方向到块中心线的距离。
在本实施例中,所述像素X方向到块中心线的距离Lx=x-16/2,Y方向到块中心线的距离Ly=y-16/2。
步骤522、根据所述各像素X、Y方向到块中心线的距离计算所述像素对其所属梯度区间的贡献权重W。
在本实施例中,所述贡献权重W的计算如下:
W=exp(-(Lx*Lx+Ly*Ly)/32),其中,exp()表示以自然数e为的幂函数运算。
例如,对于像素p(10,10),Lx=10-8=2,Ly=10-8=2,则其贡献权重W:
W=exp(-8/32)=exp(-1/4)=0.78。
步骤53、计算所述各像素的特征贡献值。
在本实施例中,所述各像素的特征贡献值包括对其所属梯度区间的特征贡献值M0(x,y),以及对下一个梯度区间的特征贡献值M1(x,y),具体是:
所述各像素对其所属梯度区间的特征贡献值M0(x,y)=B(k)0*W*r,所述各像素对下一个梯度区间的特征贡献值M1(x,y)=B(k)1*W*r。
例如,像素p(10,10)归为梯度区间bin(2),其对梯度区间bin(2)的特征贡献值M0(10,10)=B0*W*r=0.5*0.78*18.76=7.3164;其对下一个梯度区间bin(3)的特征贡献值M1(10,10)=B1*W*r=0.5*0.78*18.76=7.3164。
步骤54、将各像素的特征贡献值求和得到块特征值。
当所述各像素的特征贡献值M1计算完后,将其求和得到块特征值M,即:
M=∑M1(x,y)。
步骤55、对所述块特征值归一化。
此过程与现有的HOG计算方法相同,不再赘述。
以上所揭露的仅为本发明的较佳实施例,不能以此来限定本发明的权利保护范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (3)
1.一种图像特征提取方法,其特征在于,包括:
设置梯度运算矩阵大小的步骤;
计算所述梯度运算矩阵各像素的梯度的步骤;
确定所述各像素的梯度所属梯度区间的步骤,包括:将梯度区间分为预设等份n;计算所述各像素的弧度A(x,y);根据所述各像素的弧度A(x,y)确定所述各像素的梯度所属梯度区间k;
所述根据所述各像素的弧度A(x,y)确定所述各像素的梯度所属梯度区间k的步骤包括:
根据所述各像素的弧度A(x,y)计算第一参数k0;
根据所述第一梯度区间参数k0计算第二参数k1;
根据所述第二参数k1确定所述各像素的梯度所属梯度区间k;
所述k0=(A(x,y)*n)/3.14-0.5,k1=rd(k0),其中,rd()表示向下取整数;
k=k1,当k1≥0时;k=k1+n,当k1<0时;(x,y)表示像素点的坐标值;
根据所述各像素的梯度计算其梯度长度的步骤;
计算块特征值的步骤,包括:计算各像素对其所属梯度区间及下一个梯度区间的影响权重;计算各像素对其所属梯度区间的贡献权重;计算所述各像素的特征贡献值,所述各像素的特征贡献值包括各像素对其所属梯度区间的特征贡献值,以及各像素对下一个梯度区间的特征贡献值;将各像素的特征贡献值求和得到块特征值;对所述块特征值归一化;
所述计算各像素对其所属梯度区间的贡献权重的步骤包括:
计算所述各像素X、Y方向到块中心线的距离;
根据所述各像素X、Y方向到块中心线的距离计算所述像素对其所属梯度区间的贡献权重W;
所述W=exp(-(Lx*Lx+Ly*Ly)/32),其中,exp()表示以自然数e为的幂函数运算,Lx表示所述像素X方向到块中心线的距离,Ly表示所述像素Y方向到块中心线的距离;
所述各像素对其所属梯度区间的特征贡献值M0(x,y)= B(k)0*W*r,所述各像素对下一个梯度区间的特征贡献值M1(x,y)= B(k)1*W*r,其中B(k)0表示各像素对所属梯度区间的影响权重,B(k)1表示各像素对其下一个梯度区间的影响权重,r表示梯度长度;
所述B(k)0=1-(k0-k1),B(k)1=k0-k1。
2.根据权利要求1所述的图像特征提取方法,其特征在于,所述计算所述梯度运算矩阵各像素的梯度的步骤包括:
计算各像素的初始灰度G0(x,y);
对所述初始灰度G0(x,y)进行Gamma变换,得到优化灰度G(x,y);
根据所述各像素的优化灰度G(x,y)及各像素X、Y方向的梯度算子Go,计算所述各像素X、Y方向的梯度dx、dy。
3.根据权利要求2所述的图像特征提取方法,其特征在于,所述各像素X方向梯度:
dx=G(x+3,y)*3+G(x+2,y)*2+G(x+1,y)-G(x-3,y)*3-G(x-2,y)*2-G(x-1,y),其中, G(x+1,y)、G(x+2,y)、G(x+3,y)分别表示中心像素水平方向后一像素、后二像素、后三像素的优化灰度,G(x-1,y)、G(x-2,y)、G(x-3,y)分别表示中心像素水平方向前一像素、前二像素、前三像素的优化灰度;
所述各像素Y方向梯度:
dy=G(x,y+3)*3+G(x,y+2)*2+G(x,y+1)-G(x,y-1)-G(x,y-2)*2-G(x,y-3)*3,其中,G(x,y+1)、G(x,y+2)、G(x,y+3)分别表示中心像素垂直方向后一像素、后二像素、后三像素的优化灰度,G(x,y-1)、G(x,y-2)、G(x,y-3)分别表示中心像素垂直方向前一像素、前二像素、前三像素的优化灰度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476513.XA CN108182442B (zh) | 2017-12-29 | 2017-12-29 | 一种图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476513.XA CN108182442B (zh) | 2017-12-29 | 2017-12-29 | 一种图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182442A CN108182442A (zh) | 2018-06-19 |
CN108182442B true CN108182442B (zh) | 2022-03-15 |
Family
ID=62549239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711476513.XA Active CN108182442B (zh) | 2017-12-29 | 2017-12-29 | 一种图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182442B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100543707B1 (ko) * | 2003-12-04 | 2006-01-20 | 삼성전자주식회사 | 서브그룹별 pca 학습을 이용한 얼굴인식방법 및 장치 |
US7853072B2 (en) * | 2006-07-20 | 2010-12-14 | Sarnoff Corporation | System and method for detecting still objects in images |
KR102330322B1 (ko) * | 2014-09-16 | 2021-11-24 | 삼성전자주식회사 | 영상 특징 추출 방법 및 장치 |
CN104598929A (zh) * | 2015-02-03 | 2015-05-06 | 南京邮电大学 | 一种hog特征快速提取方法 |
CN105654092B (zh) * | 2015-11-25 | 2019-08-30 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN106845503B (zh) * | 2017-01-22 | 2018-04-17 | 深圳市保千里电子有限公司 | 一种Hog并行化设计方法及系统 |
CN106940791B (zh) * | 2017-03-09 | 2019-11-26 | 中南大学 | 一种基于低维方向梯度直方图的行人检测方法 |
CN106934403B (zh) * | 2017-03-09 | 2019-09-06 | 湖南第一师范学院 | 一种低维方向梯度直方图特征的提取方法 |
CN107038416B (zh) * | 2017-03-10 | 2020-02-18 | 华南理工大学 | 一种基于二值图像改进型hog特征的行人检测方法 |
CN107133647A (zh) * | 2017-05-04 | 2017-09-05 | 湘潭大学 | 一种快速手写体识别方法 |
CN107730518B (zh) * | 2017-09-30 | 2021-06-01 | 惠州华阳通用电子有限公司 | 一种基于fpga的canny算法阈值获取方法及装置 |
-
2017
- 2017-12-29 CN CN201711476513.XA patent/CN108182442B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108182442A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | An improved tiny-yolov3 pedestrian detection algorithm | |
CN112489096B (zh) | 基于图匹配模型的低配准精度下遥感图像变化检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN104933738A (zh) | 一种基于局部结构检测和对比度的视觉显著图生成方法 | |
CN105608457B (zh) | 直方图灰度矩阈值分割法 | |
CN107146219B (zh) | 一种基于流形正则化支持向量机的图像显著性检测方法 | |
CN109859187B (zh) | 一种爆堆矿岩颗粒图像分割方法 | |
CN116310800B (zh) | 一种基于深度学习的梯田自动提取方法及装置 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN105184317A (zh) | 一种基于svm分类的车牌字符分割方法 | |
CN108182442B (zh) | 一种图像特征提取方法 | |
CN112101113A (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN116429082A (zh) | 一种基于st-orb特征提取的视觉slam方法 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN105139433B (zh) | 基于均值模型的红外弱小目标图像序列仿真方法 | |
Yin et al. | Crack identification method of highway tunnel based on image processing | |
CN106485733A (zh) | 一种在红外图像中跟踪感兴趣目标的方法 | |
CN107358616B (zh) | 基于各向异性形态学方向比率的sar图像边缘检测方法 | |
Yuan et al. | GDCP-YOLO: Enhancing steel surface defect detection using lightweight machine learning approach | |
CN105930789A (zh) | 基于对数欧式空间词袋模型的人体行为识别 | |
CN110059544B (zh) | 一种基于道路场景的行人检测方法和系统 | |
CN117132886A (zh) | 道路平面交叉口提取方法、装置、设备以及存储介质 |
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 |