CN108710824A - 一种基于局部区域划分的行人识别方法 - Google Patents
一种基于局部区域划分的行人识别方法 Download PDFInfo
- Publication number
- CN108710824A CN108710824A CN201810314925.1A CN201810314925A CN108710824A CN 108710824 A CN108710824 A CN 108710824A CN 201810314925 A CN201810314925 A CN 201810314925A CN 108710824 A CN108710824 A CN 108710824A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- target
- value
- image
- comprehensive characteristics
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本发明提供一种基于局部区域划分的行人识别方法,属于行人识别领域,包括:对目标行人图像处理后先划分目标子区域再对其提取综合特征值;同样对样本行人图像处理后先划分样本子区域再对其提取综合特征值;将样本子区域的综合特征值与目标子区域的综合特征值对比;根据对比结果选取有效区域,判定目标行人图像中行人的身份。基于上述行人识别方法,与现有把行人外观看成一个整体进行识别的方法相比,该行人识别方法通过对处理后的目标行人图像进行划分得到目标子区域,在所有目标子区域中选取受光照、行人姿势、行人附属物体遮挡等影响较小的有效区域,根据有效区域判定目标行人图像中行人身份,从而提高了识别精度。
Description
技术领域
本发明属于行人识别领域,特别涉及一种基于局部区域划分的行人识别方法。
背景技术
随着计算机视觉技术的发展,行人识别在视频监控领域广泛应用。但是由于人体姿态、光照、以及行人附属物体的遮挡等因素的影响,影响到了识别行人的身份,导致识别行人身份仍是一个具有挑战性的任务。
目前,有很多研究者提出了许多方案,Javad等人利用摄像机的拓扑结构,根据行人的轨迹寻找行人可能出现的位置,ZLiao等人提出了一种有效的特征描述符LOLO,可以精确的提取行人的特征。然而,这些方法都是把视频图像中行人外观看成一个整体来进行识别,把行人外观看成一个整体进行识别会受到人体姿态、光照、以及行人附属物体的遮挡等因素影响,可能无法识别出视频图像中行人的身份,从而使得识别精度较低。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提供了一种基于局域区域划分的行人识别方法,通过在目标行人图像处理后划分得到的目标子区域中选取有效区域,判定目标行人图像中行人的身份,从而提高了识别精度。
为了达到上述技术目的,本发明提供了一种基于局部区域划分的行人识别方法,所述行人识别方法,包括:
步骤一,从视频图像提取目标行人图像,对目标行人图像进行处理后得到目标行人轮廓图像;
步骤二,将目标行人轮廓图像划分N个不重叠的目标子区域,从每个目标子区域提取与每个目标子区域相对应的综合特征值,其中,N≥2;
步骤三,从视频图像提取已知行人身份的样本行人图像,对样本行人图像进行处理后得到样本行人轮廓图像;
步骤四,通过与目标行人轮廓图像相同的划分方式将样本行人轮廓图像划分N个不重叠的样本子区域,从每个样本子区域提取与每个样本子区域相对应的综合特征值;
步骤五,根据样本子区域的综合特征值与位置相对应目标子区域的综合特征值处理后得到每个目标子区域的匹配值;
步骤六,将所有目标子区域的匹配值按照从高到低的顺序进行排列,选取前m个匹配值对应的子区域为有效区域;
对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份。
可选的,所述从每个目标子区域提取与每个目标子区域相对应的综合特征值,包括:
从每个目标子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个目标子区域的综合特征值。
可选的,所述从每个样本子区域提取与每个样本子区域相对应的综合特征值,包括:
从每个样本子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个样本子区域的综合特征值。
可选的,所述步骤五,包括:
将样本子区域的综合特征值与位置相对应目标子区域的综合特征值代入公式一处理,得到每个目标子区域的匹配值,
其中,Ai表示每个样本子区域的综合特征值,Bi表示每个目标子区域的综合特征值,cosθ表示A和B的相似度,即目标子区域的匹配值,n表示综合特征值的个数,i的取值范围为[1,n]。
可选的,所述对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份,包括:
将所有有效区域的匹配值求和得到总匹配值,将总匹配值与预设阈值进行比较,如果总匹配值不小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份一致;
如果总匹配值小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份不一致。
本发明提供的技术方案带来的有益效果是:
基于上述行人识别方法,与现有把行人外观看成一个整体进行识别的方法相比,该行人识别方法通过对处理后的目标行人图像进行划分得到目标子区域,在所有目标子区域中选取受光照、行人姿势、行人附属物体遮挡等影响较小的有效区域,根据有效区域判定目标行人图像中行人身份,从而提高了识别精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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是本发明提供的一种基于局部区域划分的行人识别方法的流程图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了一种基于局部区域划分的行人识别方法,所述行人识别方法,如图1所示,包括:
步骤一,从视频图像提取目标行人图像,对目标行人图像进行处理后得到目标行人轮廓图像;
步骤二,将目标行人轮廓图像划分N个不重叠的目标子区域,从每个目标子区域提取与每个目标子区域相对应的综合特征值,其中,N≥2;
步骤三,从视频图像提取已知行人身份的样本行人图像,对样本行人图像进行处理后得到样本行人轮廓图像;
步骤四,通过与目标行人轮廓图像相同的划分方式将样本行人轮廓图像划分N个不重叠的样本子区域,从每个样本子区域提取与每个样本子区域相对应的综合特征值;
步骤五,根据样本子区域的综合特征值与位置相对应目标子区域的综合特征值处理后得到每个目标子区域的匹配值;
步骤六,将所有目标子区域的匹配值按照从高到低的顺序进行排列,选取前m个匹配值对应的子区域为有效区域;
对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份。
在实施中,基于目前识别方法都是把行人外观看成一个整体来进行识别,导致行人识别的识别精度较低。为了提高行人识别的识别精度,本实施例提供了一种基于局部区域划分的行人识别方法,具体处理步骤如下:
步骤一,从视频图像提取目标行人图像,该目标行人图像属于受人体姿态、光照、以及行人附属物体遮挡影响的图像,对该目标行人图像分两步处理,第一步为了增加目标行人图像的有用信息,克服目标行人图像低分辨率的影响,通过双线性插值法对目标行人图像进行定向扩大,第二步为了减少背景信息的干扰,将定向扩大后的目标行人图像通过FCN(Fully Convolutional Networks,全卷积网络)剔除背景,获得目标行人轮廓图像;
步骤二,为了提高识别精度,将目标行人轮廓图像划分N个不重叠的目标子区域,考虑通常情况下行人的遮挡物都是矩形的,该子区域为矩形子区域,其中,N≥2,并从每个目标子区域提取综合特征,根据从每个目标子区域提取到的综合特征得到相对应的综合特征值;
步骤三,从视频图像提取已知行人身份的样本行人图像,该样本行人图像属于不受人体姿态、光照、以及行人附属物体遮挡影响的图像,对该样本行人图像分两步处理,第一步为了增加样本行人图像的有用信息,克服样本行人图像低分辨率的影响,通过双线性插值法以与目标行人图像相等的扩大倍数对样本行人图像进行定向扩大,第二步为了减少背景信息的干扰,通过FCN剔除定向扩大后的样本行人图像的背景,获得样本行人轮廓图像;
步骤四,通过与目标行人轮廓图像相同的划分方式对样本行人轮廓图像进行划分得到样本子区域,并从每个样本子区域提取综合特征,根据每个样本子区域得到相对应的综合特征值。其中,该样本子区域的位置、形状、以及数量分别与目标子区域的位置、形状、以及数量一致;
步骤五,将样本子区域的综合特征值与位置相对应目标子区域的综合特征值进行处理,得到每个目标子区域的匹配值;
步骤六,为了能有效地去除影响到行人识别的区域,提高识别精度,将所有目标子区域的匹配值按照从高到低的顺序进行排列,选取前m个匹配值对应的目标子区域为有效区域。其中,有效区域指受光照、行人姿势、行人附属物体遮挡等影响较小的区域。
最终对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份。从而达到在不降低准确率的前提下提高了识别精度的目的。
基于上述行人识别方法,对目标行人图像和样本人图像分别处理后得到目标行人轮廓图像和样本行人轮廓图像,对目标行人轮廓图像先划分目标子区域再对其提取综合特征值;同样对样本行人轮廓图像先划分样本子区域再对其提取综合特征值;将样本子区域的综合特征值与目标子区域的综合特征值对比;选取有效区域,判定目标行人图像中行人的身份。基于上述行人识别方法,与把行人外观看成一个整体进行识别的方法相比,该行人识别方法通过对处理后的目标行人图像进行划分得到目标子区域,在所有目标子区域中选取受光照、行人姿势、行人附属物体遮挡等影响较小的有效区域,根据有效区域判定目标行人图像中行人身份,从而提高了识别精度。
可选的,所述从每个目标子区域提取与每个目标子区域相对应的综合特征值,包括:
从每个目标子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个目标子区域的综合特征值。
在实施中,为了提高目标子区域的特征表达能力,从每个目标子区域分别提取HSV(Hue色调,Saturation饱和度,Value明度)直方图特征和SILTP(Scale Invariant LocalTernary Pattern,尺度不变局部三值模式)直方图特征,根据HSV直方图特征得到HSV直方图特征值,以及根据SILTP直方图特征得到SILTP直方图特征值,将HSV直方图特征值和SILTP直方图特征值结合,得到每个目标子区域的综合特征值。
可选的,所述从每个样本子区域提取与每个样本子区域相对应的综合特征值,包括:
从每个样本子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个样本子区域的综合特征值。
在实施中,为了提高样本子区域的特征表达能力,从每个样本子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征得到HSV直方图特征值,以及根据SILTP直方图特征得到SILTP直方图特征值,将HSV直方图特征值和SILTP直方图特征值结合,得到每个样本子区域的综合特征值。
可选的,所述步骤五,包括:
将样本子区域的综合特征值与位置相对应目标子区域的综合特征值代入公式一处理,得到每个目标子区域的匹配值,
其中,Ai表示每个样本子区域的综合特征值,Bi表示每个目标子区域的综合特征值,cosθ表示A和B的相似度,即目标子区域的匹配值,n表示综合特征值的个数,i的取值范围为[1,n]。
在实施中,为了判定样本子区域与位置相对应目标子区域的相似度,执行如下步骤:将样本子区域的综合特征值与位置相对应目标子区域的综合特征值代入上述公式一处理,得到样本子区域与位置相对应目标子区域的相似度,该相似度即目标子区域的匹配值。重复执行上述步骤,直至算出每个目标子区域的匹配值。
可选的,所述对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份,包括:
将所有有效区域的匹配值求和得到总匹配值,将总匹配值与预设阈值进行比较,如果总匹配值不小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份一致;
如果总匹配值小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份不一致。
在实施中,把所有的有效区域组合起来看成整个行人外观,将所有的有效区域的匹配值求和得到总匹配值,将得到总匹配值与预设阈值进行比较,根据比较结果判定目标行人图像中行人与样本行人图像中行人之间的相似度。
如果总匹配值不小于预设阈值,说明目标行人图像中行人与样本行人图像中行人之间的相似度较高,则判定目标行人图像中行人身份与样本行人图像中行人身份一致;如果总匹配值小于预设阈值,说明目标行人图像中行人与样本行人图像中行人的相似度较低,则判定目标行人图像中行人身份与样本行人图像中行人身份不一致。
本发明提供一种基于局部区域划分的行人识别方法,包括:对目标行人图像处理后先划分目标子区域再对其提取综合特征值;同样对样本行人图像处理后先划分样本子区域再对其提取综合特征值;将样本子区域的综合特征值与目标子区域的综合特征值对比;根据对比结果选取有效区域,判定目标行人图像中行人的身份。基于上述行人识别方法,与现有把行人外观看成一个整体进行识别的方法相比,该行人识别方法通过对处理后的目标行人图像进行划分得到目标子区域,在所有目标子区域中选取受光照、行人姿势、行人附属物体遮挡等影响较小的有效区域,根据有效区域判定目标行人图像中行人身份,从而提高了识别精度。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于局部区域划分的行人识别方法,其特征在于,所述行人识别方法,包括:
步骤一,从视频图像提取目标行人图像,对目标行人图像进行处理后得到目标行人轮廓图像;
步骤二,将目标行人轮廓图像划分N个不重叠的目标子区域,从每个目标子区域提取与每个目标子区域相对应的综合特征值,其中,N≥2;
步骤三,从视频图像提取已知行人身份的样本行人图像,对样本行人图像进行处理后得到样本行人轮廓图像;
步骤四,通过与目标行人轮廓图像相同的划分方式将样本行人轮廓图像划分N个不重叠的样本子区域,从每个样本子区域提取与每个样本子区域相对应的综合特征值;
步骤五,根据样本子区域的综合特征值与位置相对应目标子区域的综合特征值处理后得到每个目标子区域的匹配值;
步骤六,将所有目标子区域的匹配值按照从高到低的顺序进行排列,选取前m个匹配值对应的子区域为有效区域;
对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份。
2.根据权利要求1所述的一种基于局部区域划分的行人识别方法,其特征在于,所述从每个目标子区域提取与每个目标子区域相对应的综合特征值,包括:
从每个目标子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个目标子区域的综合特征值。
3.根据权利要求1所述的一种基于局部区域划分的行人识别方法,其特征在于,所述从每个样本子区域提取与每个样本子区域相对应的综合特征值,包括:
从每个样本子区域分别提取HSV直方图特征和SILTP直方图特征,根据HSV直方图特征和SILTP直方图特征分别得到HSV直方图特征值和SILTP直方图特征值;
将HSV直方图特征值和SILTP直方图特征值结合,得到每个样本子区域的综合特征值。
4.根据权利要求1所述的一种基于局部区域划分的行人识别方法,其特征在于,所述步骤五,包括:
将样本子区域的综合特征值与位置相对应目标子区域的综合特征值代入公式一处理,得到每个目标子区域的匹配值,
其中,Ai表示每个样本子区域的综合特征值,Bi表示每个目标子区域的综合特征值,cosθ表示A和B的相似度,即目标子区域的匹配值,n表示综合特征值的个数,i的取值范围为[1,n]。
5.根据权利要求1所述的一种基于局部区域划分的行人识别方法,其特征在于,所述对有效区域进行行人识别,根据识别结果判定目标行人图像中行人的身份,包括:
将所有有效区域的匹配值求和得到总匹配值,将总匹配值与预设阈值进行比较,如果总匹配值不小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份一致;
如果总匹配值小于预设阈值,则判定目标行人图像中行人身份与样本行人图像中行人身份不一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810314925.1A CN108710824A (zh) | 2018-04-10 | 2018-04-10 | 一种基于局部区域划分的行人识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810314925.1A CN108710824A (zh) | 2018-04-10 | 2018-04-10 | 一种基于局部区域划分的行人识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710824A true CN108710824A (zh) | 2018-10-26 |
Family
ID=63867165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810314925.1A Pending CN108710824A (zh) | 2018-04-10 | 2018-04-10 | 一种基于局部区域划分的行人识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739254A (zh) * | 2018-11-20 | 2019-05-10 | 国网浙江省电力有限公司信息通信分公司 | 一种电力巡检中采用视觉图像定位的无人机及其定位方法 |
CN112200009A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下基于关键点特征对齐的行人重识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049736A (zh) * | 2011-10-17 | 2013-04-17 | 天津市亚安科技股份有限公司 | 一种基于最大稳定极值区域的人脸识别方法 |
CN103793721A (zh) * | 2014-03-04 | 2014-05-14 | 武汉大学 | 一种基于区域相关反馈的行人重识别方法及系统 |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
CN106781236A (zh) * | 2016-12-29 | 2017-05-31 | 东南大学 | 一种基于人物检测和再识别方法的远程报警装置及远程监控方法 |
-
2018
- 2018-04-10 CN CN201810314925.1A patent/CN108710824A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049736A (zh) * | 2011-10-17 | 2013-04-17 | 天津市亚安科技股份有限公司 | 一种基于最大稳定极值区域的人脸识别方法 |
CN103793721A (zh) * | 2014-03-04 | 2014-05-14 | 武汉大学 | 一种基于区域相关反馈的行人重识别方法及系统 |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
CN106781236A (zh) * | 2016-12-29 | 2017-05-31 | 东南大学 | 一种基于人物检测和再识别方法的远程报警装置及远程监控方法 |
Non-Patent Citations (2)
Title |
---|
HUIFANG CHU: "Local region partition for person re-", 《SPRINGERLINK》 * |
仇春春: "基于特征表示的行人再识别技术综述", 《信息技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739254A (zh) * | 2018-11-20 | 2019-05-10 | 国网浙江省电力有限公司信息通信分公司 | 一种电力巡检中采用视觉图像定位的无人机及其定位方法 |
CN109739254B (zh) * | 2018-11-20 | 2021-11-09 | 国网浙江省电力有限公司信息通信分公司 | 一种电力巡检中采用视觉图像定位的无人机及其定位方法 |
CN112200009A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下基于关键点特征对齐的行人重识别方法 |
CN112200009B (zh) * | 2020-09-15 | 2023-10-17 | 青岛邃智信息科技有限公司 | 社区监控场景下基于关键点特征对齐的行人重识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
KR20160143494A (ko) | 현저성 정보 취득 장치 및 현저성 정보 취득 방법 | |
CN105205480B (zh) | 一种复杂场景中人眼定位方法及系统 | |
CN109344701A (zh) | 一种基于Kinect的动态手势识别方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN108596197A (zh) | 一种印章匹配方法及装置 | |
CN110084135A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN106446862A (zh) | 一种人脸检测方法及系统 | |
CN113095263B (zh) | 遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置 | |
CN106485260A (zh) | 对图像的对象进行分类的方法和设备及计算机程序产品 | |
CN110555464A (zh) | 一种基于深度学习模型的车辆颜色识别方法 | |
CN105913441A (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
JP6932402B2 (ja) | スマートホームシーン向けのマルチジェスチャー精分割方法 | |
KR19990034361A (ko) | 동영상을 이용한 객체 추출방법 | |
JPH03274983A (ja) | 画像認識装置 | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
Pamplona Segundo et al. | Pore-based ridge reconstruction for fingerprint recognition | |
CN106097354A (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN108710824A (zh) | 一种基于局部区域划分的行人识别方法 | |
Ma et al. | An all-weather lane detection system based on simulation interaction platform | |
KR100903816B1 (ko) | 정지영상에서의 얼굴추출시스템과 그 방법 | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |