CN108664970A - 一种快速目标检测方法、电子设备、存储介质及系统 - Google Patents
一种快速目标检测方法、电子设备、存储介质及系统 Download PDFInfo
- Publication number
- CN108664970A CN108664970A CN201810474148.7A CN201810474148A CN108664970A CN 108664970 A CN108664970 A CN 108664970A CN 201810474148 A CN201810474148 A CN 201810474148A CN 108664970 A CN108664970 A CN 108664970A
- Authority
- CN
- China
- Prior art keywords
- image
- candidate region
- feature vector
- module
- vector
- 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.)
- Withdrawn
Links
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种快速目标检测方法,包括:获取预设数据库中的训练图像以及需要检测的待测目标图像;对训练图像进行样本选择处理得到正样本图像和负样本图像;提取正样本图像和负样本图像的特征描述符;将特征描述符输入至词包模型中得到特征向量;将特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,对已训练分类器进行约简处理得到精简SVM分类器;提取待测目标图像中的候选区域图像以及候选区域特征描述符;将候选区域特征描述符输入至词包模型中并得到候选区域特征向量;根据精简SVM分类器对候选区域特征向量进行检测并得到检测结果。本发明提供的一种快速目标检测方法,通过大量训练图像对分类器进行训练使目标检测不再有局限性。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种快速目标检测方法、电子设备、存储介质及系统。
背景技术
目标检测是计算机领域的一个很重要的方向。如何能够在保证检测率的前提下,提高检测器的实时性,一直是该方向研究的热点。目前大多使用支持向量机(即SVM分类器),但随着待检测图像中的支持向量数目的增长,其分类速度也随之下降,如果支持向量数目过大,SVM分类器的分类速度则会很慢,这使得SVM分类器在实时性要求较高的场合中变得十分受限,且使对于目标检测的精度下降。因此现有的目标检测存在检测速度很慢,检测具有一定的局限性,且精度并不高。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种快速目标检测方法,其能解决目标检测存在检测速度很慢,检测具有一定的局限性的问题。
本发明的目的之二在于提供一种电子设备,其能解决目标检测存在检测速度很慢,检测具有一定的局限性的问题。
本发明的目的之三在于提供一种存储介质,其能解决目标检测存在检测速度很慢,检测具有一定的局限性的问题。
本发明的目的之四在于提供一种快速目标检测系统,其能解决目标检测存在检测速度很慢,检测具有一定的局限性的问题。
本发明的目的之一采用以下技术方案实现:
一种快速目标检测方法,包括:
图像获取,获取预设数据库中的训练图像以及需要检测的待测目标图像;
样本选择,对所述训练图像进行样本选择处理得到正样本图像和负样本图像;
第一特征提取,采用SIFT算法提取所述正样本图像和所述负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;
第一构建特征向量,将所述正样本特征描述符及所述负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;
分类器训练,将所述正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器;
提取候选区域图像,采用selective search算法提取所述待测目标图像中的候选区域图像;
第二特征提取,采用SIFT算法提取所述候选区域图像中的特征描述符并得到候选区域特征描述符;
第二构建特征向量,将所述候选区域特征描述符输入至词包模型中并得到候选区域特征向量;
候选区域检测,根据所述精简SVM分类器对所述候选区域特征向量进行检测并得到检测结果。
进一步地,在所述图像获取之前还包括构建预设数据库,获取不同领域及不同种类的若干实景图像,对所述实景图像进行图像预处理并得到已处理实景图像,对所述已处理实景图像进行存储并得到预设数据库。
进一步地,在所述分类器训练之前还包括构建分类器,采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器。
进一步地,所述第一构建特征向量之前还包括词包模型构建,采用SIFT算法提取预设训练集中的特征描述符得到训练集特征描述符,采用硬聚类算法对所述训练集特征描述符进行聚类处理并得到视觉词典,存储所述视觉词典并得到词包模型。
进一步地,所述根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器具体为根据支持向量约简算法对所述已训练分类器中的所述正样本特征向量及负样本特征向量进行约简处理得到新的含有所述正样本特征向量及负样本特征向量的向量集,对所述向量集进行优化处理并得到精简SVM分类器。
本发明的目的之二采用以下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行本发明的一种快速目标检测方法。
本发明的目的之三采用以下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行本发明的一种快速目标检测方法。
本发明的目的之四采用以下技术方案实现:
一种快速目标检测系统,包括:
图像获取模块,所述图像获取模块用于获取预设数据库中的训练图像以及需要检测的待测目标图像;
样本选择模块,所述样本选择模块用于对所述训练图像进行样本选择处理得到正样本图像和负样本图像;
第一特征提取模块,所述第一特征提取模块用于采用SIFT算法提取所述正样本图像和所述负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;
第一构建特征向量模块,所述第一构建特征向量模块用于将所述正样本特征描述符及所述负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;
分类器训练模块,所述分类器训练模块用于将所述正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器;
提取候选区域图像模块,所述提取候选区域图像模块用于采用selective search算法提取所述待测目标图像中的候选区域图像;
第二特征提取模块,所述第二特征提取模块用于采用SIFT算法提取所述候选区域图像中的特征描述符并得到候选区域特征描述符;
第二构建特征向量模块,所述第二构建特征向量模块用于将所述候选区域特征描述符输入至词包模型中并得到候选区域特征向量;
候选区域检测模块,所述候选区域检测模块用于根据所述精简SVM分类器对所述候选区域特征向量进行检测并得到检测结果。
进一步地,还包括构建预设数据库模块,所述构建预设数据库模块用于获取不同领域及不同种类的若干实景图像,对所述实景图像进行图像预处理并得到已处理实景图像,对所述已处理实景图像进行存储并得到预设数据库。
进一步地,还包括构建分类器模块,所述构建分类器模块用于采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器。
相比现有技术,本发明的有益效果在于:本发明的一种快速目标检测方法,通过对训练图像进行样本选择处理得到正样本图像和负样本图像,采用SIFT算法提取正样本图像和负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符,将正样本特征描述符及负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量,将正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对已训练分类器进行约简处理得到精简SVM分类器,提取待测目标图像中的候选区域图像的候选区域特征描述符,并采用词包模型构建候选区域特征向量,最后将特征向量输入至精简SVM分类器中进行检测得到精准的检测结构,整个监测过程由于精简了SVM分类器,缩短了检测时间,采用selective search算法提取待测目标图像中的候选区域图像,采用SIFT算法提取候选区域图像中特征描述符使检测结果更加精准,通过大量训练图像对分类器进行训练使精简SVM分类器可以检测实时性要求比较高目标图像,目标检测不再有局限性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种快速目标检测方法的流程图;
图2为本发明的一种快捷目标检测系统的模块框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本实施例中的一种快速目标检测方法应用于目标检测领域,尤其是计算机设备对于检测的图像进行识别,具体步骤如图1所示,包括以下步骤:
构建预设数据库,获取不同领域及不同种类的若干实景图像,对实景图像进行图像预处理并得到已处理实景图像,对已处理实景图像进行存储并得到预设数据库;在本实施例中的实景图像可分为自然风光类、人物类、人物与景结合类等多个种类,涵盖了大多数的目标场景,本实施例中的图像预处理具体为对实景图像进行灰度变换处理,数据增强处理。
图像获取,获取预设数据库中的训练图像以及需要检测的待测目标图像;获取预设数据库中的实景图像作为训练图像;
样本选择,对训练图像进行样本选择处理得到正样本图像和负样本图像;正样本图像为训练图像中的目标图像,负样本图像为训练图像中的背景图像。
第一特征提取,采用SIFT算法提取正样本图像和负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;
词包模型构建,采用SIFT算法提取预设训练集中的特征描述符得到训练集特征描述符,采用硬聚类算法对训练集特征描述符进行聚类处理并得到视觉词典,存储视觉词典并得到词包模型;本实施例中的词包模型即为视觉词包模型,本实施例中首先选取了预设训练集中的100张图像,对其采用SIFT算法提取图像中的特征描述符,接着利用硬聚类算法(K-Means)对训练集特征描述符进行聚类处理。
第一构建特征向量,将正样本特征描述符及负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;
构建分类器,采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器,在本实施例中预设训练集为预设的作为训练用的训练图像,将训练集分为若干组,可按场景进行分类,例如场景为草地的为一组,场景为天空的为一组,场景为建筑物的为一组,场景为复杂背景(即一种图像中含有多种场景),基于预设训练集采用高斯核函数进行训练得到非线性SVM分类器;
分类器训练,将正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对已训练分类器进行约简处理得到精简SVM分类器;
提取候选区域图像,采用selective search算法提取待测目标图像中的候选区域图像;selective search算法(选择性搜索算法)的原理是采用了图像分割和层次算法结合图像的颜色、尺度和纹理形状等特征得到一些原始区域,然后使用区域合并策略对这些原始区域进行合并,得到一个层次化的区域结构,这些结构包含着可能被检测的目标。本实施例中采用selective search算法提取待测试目标图像中的候选区域图像,并对提取到的候选区域进行分类。
第二特征提取,采用SIFT算法提取候选区域图像中的特征描述符并得到候选区域特征描述符。由于SIFT特征对几何变化、光照、遮挡和视角变化有着良好的鲁棒性,所以本发明申请中我们采取了密集采集的方式对图像提取SIFT描述符,在计算过程中将候选区域图像分割为大小为16×16(像素)的图像块,并以8为步长逐步地计算每个区域的特征描述符。每个16×16(像素)的图像块,进一步被分成4×4的子区域,并在子区域内逐像素的计算其方向和梯度,然后统计其直方图,最后将直方图连接在一起得到一个128维的候选区域特征描述符。
第二构建特征向量,将候选区域特征描述符输入至词包模型中并得到候选区域特征向量;候选区域检测,根据精简SVM分类器对候选区域特征向量进行检测并得到检测结果。
本发明提供一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行本发明的一种快速目标检测方法。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行本发明的一种快速目标检测方法。
如图2所示,本发明还提供一种快速目标检测系统,包括:图像获取模块,图像获取模块用于获取预设数据库中的训练图像以及需要检测的待测目标图像;样本选择模块,样本选择模块用于对训练图像进行样本选择处理得到正样本图像和负样本图像;第一特征提取模块,第一特征提取模块用于采用SIFT算法提取正样本图像和负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;第一构建特征向量模块,第一构建特征向量模块用于将正样本特征描述符及负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;分类器训练模块,分类器训练模块用于将正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对已训练分类器进行约简处理得到精简SVM分类器;提取候选区域图像模块,提取候选区域图像模块用于采用selective search算法提取待测目标图像中的候选区域图像;第二特征提取模块,第二特征提取模块用于采用SIFT算法提取候选区域图像中的特征描述符并得到候选区域特征描述符;第二构建特征向量模块,第二构建特征向量模块用于将候选区域特征描述符输入至词包模型中并得到候选区域特征向量;候选区域检测模块,候选区域检测模块用于根据精简SVM分类器对候选区域特征向量进行检测并得到检测结果;还包括构建预设数据库模块,构建预设数据库模块用于获取不同领域及不同种类的若干实景图像,对实景图像进行图像预处理并得到已处理实景图像,对已处理实景图像进行存储并得到预设数据库。还包括构建分类器模块,构建分类器模块用于采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器。
本发明的一种快速目标检测方法,通过对训练图像进行样本选择处理得到正样本图像和负样本图像,采用SIFT算法提取正样本图像和负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符,将正样本特征描述符及负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量,将正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对已训练分类器进行约简处理得到精简SVM分类器,提取待测目标图像中的候选区域图像的候选区域特征描述符,并采用词包模型构建候选区域特征向量,最后将特征向量输入至精简SVM分类器中进行检测得到精准的检测结构,整个监测过程由于精简了SVM分类器,缩短了检测时间,采用selective search算法提取待测目标图像中的候选区域图像,采用SIFT算法提取候选区域图像中特征描述符使检测结果更加精准,通过大量训练图像对分类器进行训练使精简SVM分类器可以检测实时性要求比较高目标图像,目标检测不再有局限性。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种快速目标检测方法,其特征在于包括:
图像获取,获取预设数据库中的训练图像以及需要检测的待测目标图像;
样本选择,对所述训练图像进行样本选择处理得到正样本图像和负样本图像;
第一特征提取,采用SIFT算法提取所述正样本图像和所述负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;
第一构建特征向量,将所述正样本特征描述符及所述负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;
分类器训练,将所述正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器;
提取候选区域图像,采用selective search算法提取所述待测目标图像中的候选区域图像;
第二特征提取,采用SIFT算法提取所述候选区域图像中的特征描述符并得到候选区域特征描述符;
第二构建特征向量,将所述候选区域特征描述符输入至词包模型中并得到候选区域特征向量;
候选区域检测,根据所述精简SVM分类器对所述候选区域特征向量进行检测并得到检测结果。
2.如权利要求1所述的一种快速目标检测方法,其特征在于:在所述图像获取之前还包括构建预设数据库,获取不同领域及不同种类的若干实景图像,对所述实景图像进行图像预处理并得到已处理实景图像,对所述已处理实景图像进行存储并得到预设数据库。
3.如权利要求1所述的一种快速目标检测方法,其特征在于:在所述分类器训练之前还包括构建分类器,采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器。
4.如权利要求1所述的一种快速目标检测方法,其特征在于:所述第一构建特征向量之前还包括词包模型构建,采用SIFT算法提取预设训练集中的特征描述符得到训练集特征描述符,采用硬聚类算法对所述训练集特征描述符进行聚类处理并得到视觉词典,存储所述视觉词典并得到词包模型。
5.如权利要求1所述的一种快速目标检测方法,其特征在于:所述根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器具体为根据支持向量约简算法对所述已训练分类器中的所述正样本特征向量及负样本特征向量进行约简处理得到新的含有所述正样本特征向量及负样本特征向量的向量集,对所述向量集进行优化处理并得到精简SVM分类器。
6.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-5任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-5任意一项所述的方法。
8.一种快速目标检测系统,其特征在于包括:
图像获取模块,所述图像获取模块用于获取预设数据库中的训练图像以及需要检测的待测目标图像;
样本选择模块,所述样本选择模块用于对所述训练图像进行样本选择处理得到正样本图像和负样本图像;
第一特征提取模块,所述第一特征提取模块用于采用SIFT算法提取所述正样本图像和所述负样本图像的特征描述符并得到正样本特征描述符及负样本特征描述符;
第一构建特征向量模块,所述第一构建特征向量模块用于将所述正样本特征描述符及所述负样本特征描述符输入至词包模型中并得到正样本特征向量及负样本特征向量;
分类器训练模块,所述分类器训练模块用于将所述正样本特征向量及负样本特征向量输入至非线性SVM分类器中进行训练得到已训练SVM分类器,根据支持向量约简算法对所述已训练分类器进行约简处理得到精简SVM分类器;
提取候选区域图像模块,所述提取候选区域图像模块用于采用selective search算法提取所述待测目标图像中的候选区域图像;
第二特征提取模块,所述第二特征提取模块用于采用SIFT算法提取所述候选区域图像中的特征描述符并得到候选区域特征描述符;
第二构建特征向量模块,所述第二构建特征向量模块用于将所述候选区域特征描述符输入至词包模型中并得到候选区域特征向量;
候选区域检测模块,所述候选区域检测模块用于根据所述精简SVM分类器对所述候选区域特征向量进行检测并得到检测结果。
9.如权利要求8所述的一种快速目标检测系统,其特征在于:还包括构建预设数据库模块,所述构建预设数据库模块用于获取不同领域及不同种类的若干实景图像,对所述实景图像进行图像预处理并得到已处理实景图像,对所述已处理实景图像进行存储并得到预设数据库。
10.如权利要求8所述的一种快速目标检测系统,其特征在于:还包括构建分类器模块,所述构建分类器模块用于采用高斯核函数对预设训练集进行训练并得到非线性SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474148.7A CN108664970A (zh) | 2018-05-17 | 2018-05-17 | 一种快速目标检测方法、电子设备、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474148.7A CN108664970A (zh) | 2018-05-17 | 2018-05-17 | 一种快速目标检测方法、电子设备、存储介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664970A true CN108664970A (zh) | 2018-10-16 |
Family
ID=63776128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474148.7A Withdrawn CN108664970A (zh) | 2018-05-17 | 2018-05-17 | 一种快速目标检测方法、电子设备、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664970A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446984A (zh) * | 2018-10-26 | 2019-03-08 | 重庆大学 | 自然场景中道路交通标志识别方法 |
CN110263622A (zh) * | 2019-05-07 | 2019-09-20 | 平安科技(深圳)有限公司 | 列车火情监测方法、装置、终端及存储介质 |
CN110288633A (zh) * | 2019-06-04 | 2019-09-27 | 东软集团股份有限公司 | 目标追踪方法、装置、可读存储介质及电子设备 |
CN112926463A (zh) * | 2021-03-02 | 2021-06-08 | 普联国际有限公司 | 一种目标检测方法和装置 |
CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
CN113361477A (zh) * | 2021-07-02 | 2021-09-07 | 江西理工大学 | 一种无人机的识别方法及系统 |
-
2018
- 2018-05-17 CN CN201810474148.7A patent/CN108664970A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446984A (zh) * | 2018-10-26 | 2019-03-08 | 重庆大学 | 自然场景中道路交通标志识别方法 |
CN110263622A (zh) * | 2019-05-07 | 2019-09-20 | 平安科技(深圳)有限公司 | 列车火情监测方法、装置、终端及存储介质 |
CN110288633A (zh) * | 2019-06-04 | 2019-09-27 | 东软集团股份有限公司 | 目标追踪方法、装置、可读存储介质及电子设备 |
CN110288633B (zh) * | 2019-06-04 | 2021-07-23 | 东软集团股份有限公司 | 目标追踪方法、装置、可读存储介质及电子设备 |
CN112926463A (zh) * | 2021-03-02 | 2021-06-08 | 普联国际有限公司 | 一种目标检测方法和装置 |
CN112926463B (zh) * | 2021-03-02 | 2024-06-07 | 普联国际有限公司 | 一种目标检测方法和装置 |
CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
CN113342910B (zh) * | 2021-04-28 | 2024-06-07 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
CN113361477A (zh) * | 2021-07-02 | 2021-09-07 | 江西理工大学 | 一种无人机的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN110689037B (zh) | 用于使用深度网络的自动对象注释的方法和系统 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN111445459B (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110599463B (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN110472081B (zh) | 一种基于度量学习的鞋图片跨域检索方法 | |
CN111382766A (zh) | 一种基于Faster R-CNN的设备故障检测方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN111259808A (zh) | 一种基于改进ssd算法的交通标识的检测识别方法 | |
CN115147644A (zh) | 图像描述模型的训练和描述方法、系统、设备及存储介质 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
CN116883893A (zh) | 基于红外热成像的隧道掌子面地下水智能判识方法及系统 | |
CN109376619B (zh) | 一种细胞检测方法 | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
CN114373144B (zh) | 一种用于高速视频中圆形标识点的自动识别方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181016 |