CN108447060B - 基于rgb-d图像的前后景分离方法及其前后景分离装置 - Google Patents

基于rgb-d图像的前后景分离方法及其前后景分离装置 Download PDF

Info

Publication number
CN108447060B
CN108447060B CN201810085964.9A CN201810085964A CN108447060B CN 108447060 B CN108447060 B CN 108447060B CN 201810085964 A CN201810085964 A CN 201810085964A CN 108447060 B CN108447060 B CN 108447060B
Authority
CN
China
Prior art keywords
image
rgb
background
mask matrix
foreground
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
CN201810085964.9A
Other languages
English (en)
Other versions
CN108447060A (zh
Inventor
王俊
刘佩林
邹耀
应忍冬
葛昊
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 Data Miracle Intelligent Technology Co ltd
Original Assignee
Shanghai Data Miracle Intelligent Technology Co ltd
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 Data Miracle Intelligent Technology Co ltd filed Critical Shanghai Data Miracle Intelligent Technology Co ltd
Priority to CN201810085964.9A priority Critical patent/CN108447060B/zh
Publication of CN108447060A publication Critical patent/CN108447060A/zh
Application granted granted Critical
Publication of CN108447060B publication Critical patent/CN108447060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开的一种基于RGB‑D图像的前后景分离方法，包括以下步骤：1.对RGB‑D图像进行读取，其中RGB‑D图像由RGB图像和深度图像构成；2.分别对RGB图像和深度图像进行背景掩码矩阵计算，获取RGB图像和深度图像的背景掩码矩阵；3.将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取RGB‑D图像的最终的前景图像。还公开了一种前后景分离装置。本发明的有益效果在于：本发明结合RGB‑D图像中的RGB图像和深度图像，从而实现将RGB‑D图像的前后景图像进行分离，克服了现有的前后景分离方法存在易受光照、环境等因素影响的缺点。

Description

基于RGB-D图像的前后景分离方法及其前后景分离装置
技术领域
本发明涉及前后景分离技术领域，尤其涉及一种基于RGB-D图像的前后景分离方法及其前后景分离装置。
背景技术
目标检测是视觉跟踪和行为识别等领域的核心问题，也是计算机视觉的重要研究方向。目前比较流行的目标检测算法包括帧间运动估计方法，例如光流法和块匹配法；帧间差分法，通过连续两帧图像差分分离前景目标；背景差分法，为背景构建模型，通过比较当前帧与背景模型来提取运动目标。其中，背景差分法是目前较为常用的运动目标检测算法。
Vibe算法是2011年提出的一种背景建模算法，该算法采用领域像素来创建背景模型，通过比对背景模型和当前输入像素值来检测前景，具体可分为三个步骤：步骤1，初始化单帧图像中每个像素点的背景模型；步骤2，对后续的图像序进行前景目标分隔操作；步骤3，更新背景模型。这种方法是一种具有随机性的非参数化背景差分算法，其具有初始化速度快、判断过程简单的优点。但也存在以下一些缺点：1、容易出现背景变化被识别为前景的情况；2、RGB图像容易受到外界光照或环境的影响，从而影响分割精度；3、前景物体在初始帧中会被误识别为背景模型。
为此，申请人进行了有益的探索和尝试，找到了解决上述问题的办法，下面将要介绍的技术方案便是在这种背景下产生的。
发明内容
本发明所要解决的技术问题之一在于：针对现有技术的不足而提供一种避免出现背景变化被识别为前景的情况、改善前景物体在初始帧中被误识别为背景模型的问题、提高前后景分离准确度的基于RGB-D图像的前后景分离方法。
本发明所要解决的技术问题之二在于：提供一种实现上述基于RGB-D图像的前后景分离方法的前后景分离装置。
作为本发明第一方面的一种基于RGB-D图像的前后景分离方法，包括以下步骤：
步骤S10，获取需要进行前后景分离的RGB-D图像，并对获取到的RGB-D图像进行读取，其中所述RGB-D图像由RGB图像和深度图像构成；
步骤S20，分别对所述RGB图像和深度图像进行背景掩码矩阵计算，获取所述RGB图像和深度图像的背景掩码矩阵；
步骤S30，将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取所述RGB-D图像的最终的前景图像，从而实现将所述RGB-D图像的前后景图像进行分离。
在本发明的一个优选实施例中，在所述步骤S20中，对所述RGB-D图像中的深度图像进行背景掩码矩阵计算，获取深度图像的背景掩码矩阵，包括以下步骤：
步骤S211，计算固定数量的初始化深度图的均值和方差；
步骤S212，找出深度图中的静止区域，即其方差小于门限的区域；
步骤S213，根据静止区域更新深度图的背景数据，并优先考虑远距离的背景数据。
步骤S214，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S213计算得到的背景区域设置为1，其余区域设置为0。
在本发明的一个优选实施例中，在所述步骤S20中，对所述RGB-D图像中的RGB图像进行前景掩码矩阵计算，获取RGB图像的背景掩码矩阵，包括以下步骤：
步骤S221，根据固定数量的RGB图像的初始帧建立背景模型；
步骤S222，计算RGB图像的背景区域，对每一帧图像，每一个像素点和背景模型作比较，判断其是否属于背景；
步骤S223，根据计算得到的背景区域更新背景模型。
步骤S224，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S222计算得到的背景区域设置为1，其余区域设置为0。
在本发明的一个优选实施例中，在所述步骤S30中，将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，包括以下步骤：
步骤S31，将深度图像的像素坐标转换成世界坐标，根据深度相机的摄像头内部参数来计算深度图像的像素坐标与世界坐标的对应关系；
步骤S32，将RGB图像的像素坐标转换成世界坐标，根据RGB相机的摄像头内部参数来计算RGB图像的像素坐标与世界坐标的对应关系；
步骤S33，根据深度图像的像素坐标和RGB图像的像素坐标与世界坐标的对应关系，转换成深度图像的像素坐标和RGB图像的像素坐标的对应关系；
步骤S34，根据深度图像的像素坐标和RGB图像的像素坐标的对应关系，对深度图像的背景掩码矩阵与RGB图像的背景掩码矩阵进行融合处理，得到RGB-D图像的最终的背景掩码矩阵。
作为本发明第二方面的一种实现上述基于RGB-D图像的前后景分离方法的前后景分离装置，包括：
一图像读取单元，所述图像读取单元用于读取需要进行前后景分离的RGB-D图像，并可将读取后的RGB-D图像分解成RGB图像和深度图像；
一背景掩码矩阵计算单元，所述背景掩码矩阵计算单元由一RGB图像背景掩码矩阵计算模块和一深度图像背景掩码矩阵计算模块构成，所述RGB图像背景掩码矩阵计算模块用于对所述图像读取单元读取的RGB-D图像的RGB图像进行背景掩码矩阵计算，并获取RGB图像的背景掩码矩阵，所述深度图像背景掩码矩阵计算模块用于对所述图像读取单元读取的RGB-D图像的深度图像进行背景掩码矩阵计算，并获取深度图像的背景掩码矩阵；以及
一融合及校准单元，所述融合及校准单元用于将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取所述RGB-D图像的最终的前景图像。
由于采用了如上的技术方案，本发明的有益效果在于：
1、本发明结合RGB-D图像中的RGB图像和深度图像，从而实现将RGB-D图像的前后景图像进行分离，克服了现有的前后景分离方法存在易受光照、环境等因素影响的缺点；
2、本发明引入深度图像数据，完善了背景的定义，同时改进了远处背景物体运动被误识别成前景的问题；
3、本发明改进了Vibe算法中前景物体存在初始帧中造成背景误识别的问题；
4、本发明可实时运行，具有前后景分离准确度高的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的前后景分离方法的流程示意图。
图2是本发明的前后景分离装置的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
参见图1，图中给出的是一种基于RGB-D图像的前后景分离方法，包括以下步骤：
步骤S10，获取需要进行前后景分离的RGB-D图像，并对获取到的RGB-D图像进行读取，其中RGB-D图像由RGB图像和深度图像构成；
步骤S20，分别对RGB图像和深度图像进行背景掩码矩阵计算，获取RGB图像和深度图像的背景掩码矩阵；
步骤S30，将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取RGB-D图像的最终的前景图像，从而实现将RGB-D图像的前后景图像进行分离。
在上述步骤S20中，对RGB-D图像中的深度图像进行背景掩码矩阵计算，获取深度图像的背景掩码矩阵，包括以下步骤：
步骤S211，计算固定数量的初始化深度图的均值和方差；
步骤S212，找出深度图中的静止区域，即其方差小于门限的区域；
步骤S213，根据静止区域更新深度图的背景数据，并优先考虑远距离的背景数据。
步骤S214，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S213计算得到的背景区域设置为1，其余区域设置为0。
在上述步骤S20中，对RGB-D图像中的RGB图像进行前景掩码矩阵计算，获取RGB图像的背景掩码矩阵，包括以下步骤：
步骤S221，根据固定数量的RGB图像的初始帧建立背景模型；
步骤S222，计算RGB图像的背景区域，对每一帧图像，每一个像素点和背景模型作比较，判断其是否属于背景；
步骤S223，根据计算得到的背景区域更新背景模型。
步骤S224，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S222计算得到的背景区域设置为1，其余区域设置为0。
在上述步骤S30中，将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，包括以下步骤：
步骤S31，将深度图像的像素坐标转换成世界坐标，根据深度相机的摄像头内部参数来计算深度图像的像素坐标与世界坐标的对应关系；
步骤S32，将RGB图像的像素坐标转换成世界坐标，根据RGB相机的摄像头内部参数来计算RGB图像的像素坐标与世界坐标的对应关系；
步骤S33，根据深度图像的像素坐标和RGB图像的像素坐标与世界坐标的对应关系，转换成深度图像的像素坐标和RGB图像的像素坐标的对应关系；
步骤S34，根据深度图像的像素坐标和RGB图像的像素坐标的对应关系，对深度图像的背景掩码矩阵与RGB图像的背景掩码矩阵进行融合处理，得到RGB-D图像的最终的背景掩码矩阵。
参见图2，图中给出的是一种实现上述基于RGB-D图像的前后景分离方法的前后景分离装置，包括图像读取单元100、背景掩码矩阵计算单元200以及融合及校准单元300。
图像读取单元100用于读取需要进行前后景分离的RGB-D图像，并可将读取后的RGB-D图像分解成RGB图像和深度图像；
背景掩码矩阵计算单元200由一RGB图像背景掩码矩阵计算模块210和一深度图像背景掩码矩阵计算模块220构成，RGB图像背景掩码矩阵计算模块210用于对图像读取单元读取的RGB-D图像的RGB图像进行背景掩码矩阵计算，并获取RGB图像的背景掩码矩阵，深度图像背景掩码矩阵计算模块220用于对图像读取单元读取的RGB-D图像的深度图像进行背景掩码矩阵计算，并获取深度图像的背景掩码矩阵。
融合及校准单元300用于将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取RGB-D图像的最终的前景图像。
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 (4)

1.一种基于RGB-D图像的前后景分离方法，其特征在于，包括以下步骤：
步骤S10，获取需要进行前后景分离的RGB-D图像，并对获取到的RGB-D图像进行读取，其中所述RGB-D图像由RGB图像和深度图像构成；
步骤S20，分别对所述RGB图像和深度图像进行背景掩码矩阵计算，获取所述RGB图像和深度图像的背景掩码矩阵；
步骤S30，将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取所述RGB-D图像的最终的前景图像，从而实现将所述RGB-D图像的前后景图像进行分离；
所述步骤S20中，对所述RGB-D图像中的深度图像进行背景掩码矩阵计算，获取深度图像的背景掩码矩阵，包括以下步骤：
步骤S211，计算固定数量的初始化深度图的均值和方差；
步骤S212，找出深度图中的静止区域，即其方差小于门限的区域；
步骤S213，根据静止区域更新深度图的背景数据，并优先考虑远距离的背景数据；
步骤S214，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S213计算得到的背景区域设置为1，其余区域设置为0。
2.如权利要求1所述的基于RGB-D图像的前后景分离方法，其特征在于，在所述步骤S20中，对所述RGB-D图像中的RGB图像进行前景掩码矩阵计算，获取RGB图像的背景掩码矩阵，包括以下步骤：
步骤S221，根据固定数量的RGB图像的初始帧建立背景模型；
步骤S222，计算RGB图像的背景区域，对每一帧图像，每一个像素点和背景模型作比较，判断其是否属于背景；
步骤S223，根据计算得到的背景区域更新背景模型；
步骤S224，计算背景掩码矩阵，背景掩码矩阵是一个0-1二值矩阵，将步骤S222计算得到的背景区域设置为1，其余区域设置为0。
3.如权利要求1所述的基于RGB-D图像的前后景分离方法，其特征在于，在所述步骤S30中，将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，包括以下步骤：
步骤S31，将深度图像的像素坐标转换成世界坐标，根据深度相机的摄像头内部参数来计算深度图像的像素坐标与世界坐标的对应关系；
步骤S32，将RGB图像的像素坐标转换成世界坐标，根据RGB相机的摄像头内部参数来计算RGB图像的像素坐标与世界坐标的对应关系；
步骤S33，根据深度图像的像素坐标和RGB图像的像素坐标与世界坐标的对应关系，转换成深度图像的像素坐标和RGB图像的像素坐标的对应关系；
步骤S34，根据深度图像的像素坐标和RGB图像的像素坐标的对应关系，对深度图像的背景掩码矩阵与RGB图像的背景掩码矩阵进行融合处理，得到RGB-D图像的最终的背景掩码矩阵。
4.一种实现如权利要求1至3中任一项所述的基于RGB-D图像的前后景分离方法的前后景分离装置，其特征在于，包括：
一图像读取单元，所述图像读取单元用于读取需要进行前后景分离的RGB-D图像，并可将读取后的RGB-D图像分解成RGB图像和深度图像；
一背景掩码矩阵计算单元，所述背景掩码矩阵计算单元由一RGB图像背景掩码矩阵计算模块和一深度图像背景掩码矩阵计算模块构成，所述RGB图像背景掩码矩阵计算模块用于对所述图像读取单元读取的RGB-D图像的RGB图像进行背景掩码矩阵计算，并获取RGB图像的背景掩码矩阵，所述深度图像背景掩码矩阵计算模块用于对所述图像读取单元读取的RGB-D图像的深度图像进行背景掩码矩阵计算，并获取深度图像的背景掩码矩阵；以及
一融合及校准单元，所述融合及校准单元用于将所述RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取所述RGB-D图像的最终的前景图像。
CN201810085964.9A 2018-01-29 2018-01-29 基于rgb-d图像的前后景分离方法及其前后景分离装置 Active CN108447060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810085964.9A CN108447060B (zh) 2018-01-29 2018-01-29 基于rgb-d图像的前后景分离方法及其前后景分离装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810085964.9A CN108447060B (zh) 2018-01-29 2018-01-29 基于rgb-d图像的前后景分离方法及其前后景分离装置

Publications (2)

Publication Number Publication Date
CN108447060A CN108447060A (zh) 2018-08-24
CN108447060B true CN108447060B (zh) 2021-07-09

Family

ID=63191248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810085964.9A Active CN108447060B (zh) 2018-01-29 2018-01-29 基于rgb-d图像的前后景分离方法及其前后景分离装置

Country Status (1)

Country Link
CN (1) CN108447060B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084826B (zh) * 2018-11-30 2023-09-12 叠境数字科技（上海）有限公司 基于tof相机的头发分割方法
CN111462164A (zh) * 2020-03-12 2020-07-28 深圳奥比中光科技有限公司 一种前景分割方法以及基于图像合成的数据增强方法
CN111652884A (zh) * 2020-04-24 2020-09-11 深圳奥比中光科技有限公司 基于3d摄像头的人像分割方法及系统
CN112541936B (zh) * 2020-12-09 2022-11-08 中国科学院自动化研究所 执行机构操作空间视觉信息确定方法及系统
CN113344942B (zh) * 2021-05-21 2024-04-02 深圳瀚维智能医疗科技有限公司 人体按摩区域分割方法、装置、系统及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729860A (zh) * 2013-12-31 2014-04-16 华为软件技术有限公司 一种图像目标跟踪的方法和装置
CN104700404A (zh) * 2015-03-02 2015-06-10 中国农业大学 一种果实定位识别方法
CN106254893A (zh) * 2015-12-30 2016-12-21 深圳超多维科技有限公司 主播类互动平台客户端场景切换方法及其装置、客户端
CN106780592A (zh) * 2016-06-30 2017-05-31 华南理工大学 基于相机运动和图像明暗的Kinect深度重建算法
CN107085848A (zh) * 2017-04-20 2017-08-22 安徽大学 一种rgb‑d图显著性的检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729860A (zh) * 2013-12-31 2014-04-16 华为软件技术有限公司 一种图像目标跟踪的方法和装置
CN104700404A (zh) * 2015-03-02 2015-06-10 中国农业大学 一种果实定位识别方法
CN106254893A (zh) * 2015-12-30 2016-12-21 深圳超多维科技有限公司 主播类互动平台客户端场景切换方法及其装置、客户端
CN106780592A (zh) * 2016-06-30 2017-05-31 华南理工大学 基于相机运动和图像明暗的Kinect深度重建算法
CN107085848A (zh) * 2017-04-20 2017-08-22 安徽大学 一种rgb‑d图显著性的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Rui Min等.KinectFaceDB: A Kinect Database for Face Recognition.《IEEE Transactions on Systems, Man, and Cybernetics: Systems 》.2014, *
基于时空测地线传播的RGB-D视频分割;王斌等;《计算机辅助设计与图形学学报》;20151031;第1816-1822页 *

Also Published As

Publication number Publication date
CN108447060A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108447060B (zh) 基于rgb-d图像的前后景分离方法及其前后景分离装置
CN109753913B (zh) 计算高效的多模式视频语义分割方法
CN108734210B (zh) 一种基于跨模态多尺度特征融合的对象检测方法
CN109509156B (zh) 一种基于生成对抗模型的图像去雾处理方法
CN112184759A (zh) 一种基于视频的运动目标检测与跟踪方法及系统
CN107480585B (zh) 基于dpm算法的目标检测方法
CN105741319B (zh) 基于盲目更新策略和前景模型的改进视觉背景提取方法
CN110809785A (zh) 用于主动立体声系统的基于学习的匹配
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN111242026B (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
WO2021243947A1 (zh) 对象再识别方法及装置、终端和存储介质
WO2016165064A1 (zh) 基于多视角学习的鲁棒性前景检测方法
CN113139544A (zh) 一种基于多尺度特征动态融合的显著性目标检测方法
CN112200056A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质
Cho et al. Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation
CN114821048A (zh) 目标物分割方法和相关装置
Huang et al. Random sampling-based background subtraction with adaptive multi-cue fusion in RGBD videos
CN117132503A (zh) 一种图像局部高亮区域修复方法、系统、设备及存储介质
CN110826564A (zh) 一种复杂场景图像中的小目标语义分割方法及系统
CN116523959A (zh) 一种基于人工智能的运动目标检测方法及系统
CN107330436B (zh) 一种基于尺度判据的全景图像sift优化方法
CN115358981A (zh) 胶水缺陷的确定方法、装置、设备及存储介质
CN112802053B (zh) 一种面向动态环境稠密建图的动态物体检测方法

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
GR01 Patent grant
GR01 Patent grant