CN108241869A - 一种基于快速可变形模型和机器学习的图像目标识别方法 - Google Patents

一种基于快速可变形模型和机器学习的图像目标识别方法 Download PDF

Info

Publication number
CN108241869A
CN108241869A CN201710484088.2A CN201710484088A CN108241869A CN 108241869 A CN108241869 A CN 108241869A CN 201710484088 A CN201710484088 A CN 201710484088A CN 108241869 A CN108241869 A CN 108241869A
Authority
CN
China
Prior art keywords
model
component
integrogram
image
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
CN201710484088.2A
Other languages
English (en)
Inventor
黄建华
俞启尧
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.)
Shanghai Far Chau Nuclear Software Polytron Technologies Inc
Original Assignee
Shanghai Far Chau Nuclear Software Polytron Technologies Inc
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 Shanghai Far Chau Nuclear Software Polytron Technologies Inc filed Critical Shanghai Far Chau Nuclear Software Polytron Technologies Inc
Priority to CN201710484088.2A priority Critical patent/CN108241869A/zh
Publication of CN108241869A publication Critical patent/CN108241869A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Abstract

本发明公开了一种基于快速可变形模型和机器学习的图像目标识别方法，包括以下步骤：A、对输入图像进行2采样计算，生成多个分辨率和尺寸的图像；B、对于金字塔的每一层计算各像素梯度，并计算积分图；C、在每个尺度空间上进行窗口滑动，获得一个匹配分数；D、对于步骤C中给出的每个候选区域进行窗口滑动，对于每个子窗口区域进行分类；E、对每个部件子窗口计算HOG特征值，获得匹配分数；F、计算所有模板与根模板的匹配分数的和；G、对所有检测目标的输出进行非极大值抑制，以合并相邻区域和尺度的重叠的检测结果。本发明能够改进现有技术的不足，能够以较快的速度达到较高的检测性能，可以用于实时的视频分析中。

Description

一种基于快速可变形模型和机器学习的图像目标识别方法
技术领域
本发明涉及图像目标识别技术领域，尤其是一种基于快速可变形模型和机器学习的图像目标识别方法。
背景技术
随着视频图像设备的普及，图像与视频的数量呈爆炸趋势。利用计算机视觉技术对这些图像和视频进行自动化的信息提取、标注、存储、搜索，已成为了迫在眉睫的需求。这些需求遍及互联网应用、安防、智能交通、自动驾驶等领域和行业。而基于图像的目标检测技术，则是实现自动化的图像和视频目标提取的基础。传统的图像目标检测技术通常假定目标不具有太大的形变，采用基于HOG、LBP等特征的刚性模板来匹配，比如《Histograms oforiented gradients for human detection》(N.Dalal and B.Triggs，in IEEEConference on Computer Vision and Pattern Recognition，2005)。这类方法虽然速度尚可，但对于形变较大的物体适应性差。而较新的一些方法，比如基于HOG特征的DPM(可变形部件模型)，比如《Object detection with discriminatively trained part basedmodels》(P.Felzenszwalb，R.Girshick，D.McAllester，and D.Ramanan，IEEETrans.Pattern Anal.Mach.Intell.，vol.32，no.9，pp.1627-1645，Sep.2010)，和基于深度学习的R-CNN，比如《Rich feature hierarchies for accurate object detection andsemantic segmentation》(Girshick R，Donahue J，Darrell T，et al，CVPR，2014)，虽然有较好的通用性和检测性能，但计算量极大，以至于因为速度太慢而无法用在实际项目中。
发明内容
本发明要解决的技术问题是提供一种基于快速可变形模型和机器学习的图像目标识别方法，能够解决现有技术的不足，能够以较快的速度达到较高的检测性能，可以用于实时的视频分析中。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于快速可变形模型和机器学习的图像目标识别方法，包括以下步骤：
A、对输入图像进行2采样的金字塔模型计算，生成多个分辨率和尺寸的图像；
B、对于金字塔的每一层计算各像素梯度，并投影到8个不同方向；对梯度幅值和8个方向上的权值计算积分图，即每层9个积分图；
C、在每个尺度空间上进行窗口滑动，基于步骤B中生成的积分图计算窗口区域的HOG特征值，并与DPM模型的根模板进行卷积，获得一个匹配分数；匹配分数代表了窗口下的图像区域与待检测目标种类的相似度，对相似度低于阈值的图像区域进行删除；
D、对于步骤C中给出的每个候选区域，在各部件相应的可能出现的位置区域上进行窗口滑动，对于每个子窗口区域，应用ACF模型的cascade adaboost分类器进行分类，过滤掉与检测目标的部件不相似的区域；
E、在步骤D过滤基础上，对每个部件子窗口计算HOG特征值，并与DPM模型的相应的部件模板进行卷积，获得匹配分数；匹配分数代表了该子窗口下的图像区域与待检测目标种类的相应部件的相似度；对相似度低于阈值的趋向区域进行删除；
F、计算所有模板与根模板的匹配分数的和，当满足模型阈值时，生成一个检测目标的输出；
G、对所有检测目标的输出进行非极大值抑制，以合并相邻区域和尺度的重叠的检测结果。
作为优选，步骤A中，
对原始图像计算2x2块的均值，并生成分辨率下降一半的图像，并对新生成的低分辨率图像重复此过程，直到生成给定层数的金字塔模型。
作为优选，步骤B中，
每个像素点(x，y)的水平、垂直梯度分别为
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
式中I(x，y)表示(x，y)处的像素值，像素点(x，y)的梯度幅值和方向则分别为
α(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
相应积分图的生成公式则为
H(x，y)＝∑i≤x，j≤yG(i，j)
Hn(x，y)＝∑i≤x，j≤yG(i，j)Δn(i，j)
其中，H(x，y)为梯度幅度的积分图在(x，y)位置的值，Hn(x，y)为梯度方向为n(0≤n＜8)的积分图在(x，y)位置的值。
作为优选，步骤C中，匹配分数的计算公式为，
score(p0)＝F0·φ(H，p0)，
其中，p0代表根模板，F0为根模板的系数，φ(H，p0)为根据积分图H和根模板参数所计算获得的HOG特征。
作为优选，步骤D中，滑动区域限定在DPM模型的相应部件锚位置附近。
作为优选，步骤E中，匹配分数的计算方法为，
其中，p1至pn代表n个部件模板，F1至Fn为n个部件模板的系数，φ(H，pi)为根据积分图H和部件模板i的参数所计算获得的HOG特征，dxi，dyi为当前子窗口与部件模板i的锚位置的偏移，φd(dx，dy)＝(dx，dy，dx2，dy2)，di为部件模板i的变形系数，-di·φd(dxi，dyi)给出了变形的代价。
采用上述技术方案所带来的有益效果在于：本发明通用性好，对刚性物体和大变形物体都具有良好的检测性能；速度快。速度提升不仅是由于底层特征的计算量小并且可以用积分图这样的手段进行快速计算，更是因为引入ACF模型对各部件的过滤避免了大量的卷积计算。
本发明去除了HOG提取过程中最耗时的三线性插值及高斯加权，并且可以采用积分图这种快速计算方法，可以大幅度提高DPM的计算速度。ACF是一种刚性模板匹配方法，其采用机器学习中的boosting方法选择和集成特征用于匹配，以速度较快为特性。本发明用ACF对DPM的检测结果的各部件进行匹配，并综合各匹配结果进行过滤，既保留了ACF的高速性能，又扩展了ACF的适用范围使其可适用于大变形物体，将ACF过滤前置于部件卷积之前，并通过cascade adaboost的方法进行了加速，缩减了计算时间。本发明只计算2采样的图像金字塔模型，相邻层之间的尺度空间的对应计算与检测则由较高分辨率层的图像近似获得。
本发明采用了独特的8个方向12维的块HOG特征，这既不同于现有技术中的大量各方向HOG特征组成的特征池，也不同于现有技术中的9个梯度方向31维的块HOG特征。这种12维的特征能够很好的利用CPU的向量并行处理特性进行加速，结合积分图的加速机制做到了最大化。在使用cascade adaboost分类器进行分类时，针对的是形变较小的各部件而非现有技术中的对整个检测目标，避免了cascade adaboost分类器对大形变物体的低效率。
本发明由于2采样对于尺度空间的采样过于粗糙，所以金字塔的相邻层之间会被细分为N个尺度空间，这N个尺度称为金字塔相邻下层的相关尺度。对金字塔的每一层的每一个相关尺度进行目标检测。检测过程中，用一个固定大小W×H的窗口在图像空间进行滑动，窗口下的图像区域计算HOG特征并与DPM的根模板进行相似度计算。其中，HOG的计算是把窗口划分成很多块(这里每个块是8x8个像素，块与块之间不重叠)，每个块的特征包括归一化后的梯度方向直方图和4个归一化相关参数，形成一个12维的特征。所有块的特征串联起来，形成一个维度为12×(W/8)×(H/8)的HOG特征。由于步骤B中已经计算获得了积分图，则任意一个块的梯度方向直方图都可以简单的通过该块的4个角点的积分图值加减获得，而无需访问块内的每个像素，极大的减少了计算量。更具有意义的是，积分图的计算只需在2采样的粗尺度上进行，细分尺度上的目标检测和HOG特征计算则只需相应的增加滑动窗口和块的大小即可(比如9x9、10x10的块)。
附图说明
图1是本发明一个具体实施方式的流程图。
图2是本发明一个具体实施方式中金字塔模型的示意图。
图3是本发明一个具体实施方式中cascade级联分类器的示意图。
具体实施方式
参照图1-3，本发明一个具体实施方式包括以下步骤：
A、对输入图像进行2采样的金字塔模型计算，生成多个分辨率和尺寸的图像；
B、对于金字塔的每一层计算各像素梯度，并投影到8个不同方向；对梯度幅值和8个方向上的权值计算积分图，即每层9个积分图；
C、在每个尺度空间上进行窗口滑动，基于步骤B中生成的积分图计算窗口区域的HOG特征值，并与DPM模型的根模板进行卷积，获得一个匹配分数；匹配分数代表了窗口下的图像区域与待检测目标种类的相似度，对相似度低于阈值的图像区域进行删除；
D、对于步骤C中给出的每个候选区域，在各部件相应的可能出现的位置区域上进行窗口滑动，对于每个子窗口区域，应用ACF模型的cascade adaboost分类器进行分类，过滤掉与检测目标的部件不相似的区域；
E、在步骤D过滤基础上，对每个部件子窗口计算HOG特征值，并与DPM模型的相应的部件模板进行卷积，获得匹配分数；匹配分数代表了该子窗口下的图像区域与待检测目标种类的相应部件的相似度；对相似度低于阈值的趋向区域进行删除；
F、计算所有模板与根模板的匹配分数的和，当满足模型阈值时，生成一个检测目标的输出；
G、对所有检测目标的输出进行非极大值抑制，以合并相邻区域和尺度的重叠的检测结果。
步骤A中，
对原始图像计算2x2块的均值，并生成分辨率下降一半的图像，并对新生成的低分辨率图像重复此过程，直到生成给定层数的金字塔模型。
步骤B中，
每个像素点(x，y)的水平、垂直梯度分别为
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
式中I(x，y)表示(x，y)处的像素值，像素点(x，y)的梯度幅值和方向则分别为
α(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
相应积分图的生成公式则为
H(x，y)＝∑i≤x，j≤yG(i，j)
Hn(x，y)＝∑i≤x，j≤yG(i，j)Δn(i，j)
其中，H(x，y)为梯度幅度的积分图在(x，y)位置的值，Hn(x，y)为梯度方向为n(0≤n＜8)的积分图在(x，y)位置的值。
步骤C中，匹配分数的计算公式为，
Score(p0)＝F0·φ(H，p0)，
其中，p0代表根模板，F0为根模板的系数，φ(H，p0)为根据积分图H和根模板参数所计算获得的HOG特征。
步骤D中，滑动区域限定在DPM模型的相应部件锚位置附近。
步骤E中，匹配分数的计算方法为，
其中，p1至pn代表n个部件模板，F1至Fn为n个部件模板的系数，φ(H，pi)为根据积分图H和部件模板i的参数所计算获得的HOG特征，dxi，dyi为当前子窗口与部件模板i的锚位置的偏移，φd(dx，dy)＝(dx，dy，dx2，dy2)，di为部件模板i的变形系数，-di·φd(dxi，dyi)给出了变形的代价。
本实施例在基于INRIA的行人数据集上的人形检测结果，与当前除深度学习外的最好方法《Object detection with discriminatively trained part based models》(P.Felzenszwalb，R.Girshick，D.McAllester，and D.Ramanan，IEEE Trans.PatternAnal.Mach.Intell.，vol.32，no.9，pp.1627-1645，Sep.2010)持平，但速度提高了30倍以上。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于快速可变形模型和机器学习的图像目标识别方法，其特征在于包括以下步骤：
A、对输入图像进行2采样的金字塔模型计算，生成多个分辨率和尺寸的图像；
B、对于金字塔的每一层计算各像素梯度，并投影到8个不同方向；对梯度幅值和8个方向上的权值计算积分图，即每层9个积分图；
C、在每个尺度空间上进行窗口滑动，基于步骤B中生成的积分图计算窗口区域的HOG特征值，并与DPM模型的根模板进行卷积，获得一个匹配分数；匹配分数代表了窗口下的图像区域与待检测目标种类的相似度，对相似度低于阈值的图像区域进行删除；
D、对于步骤C中给出的每个候选区域，在各部件相应的可能出现的位置区域上进行窗口滑动，对于每个子窗口区域，应用ACF模型的cascade adaboost分类器进行分类，过滤掉与检测目标的部件不相似的区域；
E、在步骤D过滤基础上，对每个部件子窗口计算HOG特征值，并与DPM模型的相应的部件模板进行卷积，获得匹配分数；匹配分数代表了该子窗口下的图像区域与待检测目标种类的相应部件的相似度；对相似度低于阈值的趋向区域进行删除；
F、计算所有模板与根模板的匹配分数的和，当满足模型阈值时，生成一个检测目标的输出；
G、对所有检测目标的输出进行非极大值抑制，以合并相邻区域和尺度的重叠的检测结果。
2.根据权利要求1所述的基于快速可变形模型和机器学习的图像目标识别方法，其特征在于：步骤A中，
对原始图像计算2x2块的均值，并生成分辨率下降一半的图像，并对新生成的低分辨率图像重复此过程，直到生成给定层数的金字塔模型。
3.根据权利要求1所述的基于快速可变形模型和机器学习的图像目标识别方法，其特征在于：步骤B中，
每个像素点(x，y)的水平、垂直梯度分别为
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
式中I(x，y)表示(x，y)处的像素值，像素点(x，y)的梯度幅值和方向则分别为
α(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
相应积分图的生成公式则为
H(x，y)＝∑i≤x，j≤yG(i，j)
Hn(x，y)＝Σi≤x，j≤yG(i，j)Δn(i，j)
其中，H(x，y)为梯度幅度的积分图在(x，y)位置的值，Hn(x，y)为梯度方向为n(0≤n＜8)的积分图在(x，y)位置的值。
4.根据权利要求1所述的基于快速可变形模型和机器学习的图像目标识别方法，其特征在于：步骤C中，匹配分数的计算公式为，
score(p0)＝F0·φ(H，p0)，
其中，p0代表根模板，F0为根模板的系数，φ(H，p0)为根据积分图H和根模板参数所计算获得的HOG特征。
5.根据权利要求1所述的基于快速可变形模型和机器学习的图像目标识别方法，其特征在于：步骤D中，滑动区域限定在DPM模型的相应部件锚位置附近。
6.根据权利要求1所述的基于快速可变形模型和机器学习的图像目标识别方法，其特征在于：步骤E中，匹配分数的计算方法为，
其中，p1至pn代表n个部件模板，F1至Fn为n个部件模板的系数，φ(H，pi)为根据积分图H和部件模板i的参数所计算获得的HOG特征，dxi，dyi为当前子窗口与部件模板i的锚位置的偏移，φd(dx，dy)＝(dx，dy，dx2，dy2)，di为部件模板i的变形系数，-di·φd(dxi，dyi)给出了变形的代价。
CN201710484088.2A 2017-06-23 2017-06-23 一种基于快速可变形模型和机器学习的图像目标识别方法 Pending CN108241869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710484088.2A CN108241869A (zh) 2017-06-23 2017-06-23 一种基于快速可变形模型和机器学习的图像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710484088.2A CN108241869A (zh) 2017-06-23 2017-06-23 一种基于快速可变形模型和机器学习的图像目标识别方法

Publications (1)

Publication Number Publication Date
CN108241869A true CN108241869A (zh) 2018-07-03

Family

ID=62700655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710484088.2A Pending CN108241869A (zh) 2017-06-23 2017-06-23 一种基于快速可变形模型和机器学习的图像目标识别方法

Country Status (1)

Country Link
CN (1) CN108241869A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805220A (zh) * 2018-07-25 2018-11-13 广东奥普特科技股份有限公司 一种基于梯度积分的快速模板匹配算法
CN109190456A (zh) * 2018-07-19 2019-01-11 中国人民解放军战略支援部队信息工程大学 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN113343745A (zh) * 2021-02-26 2021-09-03 北京中科慧眼科技有限公司 基于双目相机的远距离目标检测方法、系统和智能终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886308A (zh) * 2014-04-15 2014-06-25 中南大学 一种使用聚合通道特征和软级联分类器的行人检测方法
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN105678805A (zh) * 2016-01-05 2016-06-15 清华大学 基于arm平台的航拍目标检测系统
CN106067022A (zh) * 2016-05-28 2016-11-02 北方工业大学 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法
CN106407958A (zh) * 2016-10-28 2017-02-15 南京理工大学 基于双层级联的面部特征检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886308A (zh) * 2014-04-15 2014-06-25 中南大学 一种使用聚合通道特征和软级联分类器的行人检测方法
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN105678805A (zh) * 2016-01-05 2016-06-15 清华大学 基于arm平台的航拍目标检测系统
CN106067022A (zh) * 2016-05-28 2016-11-02 北方工业大学 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法
CN106407958A (zh) * 2016-10-28 2017-02-15 南京理工大学 基于双层级联的面部特征检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PAUL VIOLA 等: "Rapid Object Detection using a Boosted Cascade of Simple Features", 《PROCEEDINGS OF THE 2001 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION. CVPR 2001》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190456A (zh) * 2018-07-19 2019-01-11 中国人民解放军战略支援部队信息工程大学 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN109190456B (zh) * 2018-07-19 2020-11-20 中国人民解放军战略支援部队信息工程大学 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN108805220A (zh) * 2018-07-25 2018-11-13 广东奥普特科技股份有限公司 一种基于梯度积分的快速模板匹配算法
CN113343745A (zh) * 2021-02-26 2021-09-03 北京中科慧眼科技有限公司 基于双目相机的远距离目标检测方法、系统和智能终端

Similar Documents

Publication Publication Date Title
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
Zhang et al. Dense and small object detection in uav vision based on cascade network
Dvornik et al. On the importance of visual context for data augmentation in scene understanding
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN107833213B (zh) 一种基于伪真值自适应法的弱监督物体检测方法
Li et al. Weighted feature pyramid networks for object detection
Quan et al. Lacunarity analysis on image patterns for texture classification
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
Shin et al. Data augmentation method of object detection for deep learning in maritime image
Sugiharto et al. Traffic sign detection based on HOG and PHOG using binary SVM and k-NN
Li et al. Robust vehicle detection in high-resolution aerial images with imbalanced data
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
Zhang et al. Multi-scale defect detection of printed circuit board based on feature pyramid network
Liu et al. An improved faster-RCNN algorithm for object detection in remote sensing images
CN108241869A (zh) 一种基于快速可变形模型和机器学习的图像目标识别方法
Zhao et al. Real-time pedestrian detection based on improved YOLO model
Al-Heety Moving vehicle detection from video sequences for traffic surveillance system
Bharadhwaj et al. Detecting vehicles on the edge: Knowledge distillation to improve performance in heterogeneous road traffic
Harianto et al. Data augmentation and faster rcnn improve vehicle detection and recognition
Dilawari et al. Toward generating human-centered video annotations
Oluchi et al. Development of a Nigeria vehicle license plate detection system
Pawar et al. Miniscule object detection in aerial images using YOLOR: a review

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: 20180703

RJ01 Rejection of invention patent application after publication