CN108921877A - 一种基于宽度学习的长期目标跟踪算法 - Google Patents
一种基于宽度学习的长期目标跟踪算法 Download PDFInfo
- Publication number
- CN108921877A CN108921877A CN201810823527.2A CN201810823527A CN108921877A CN 108921877 A CN108921877 A CN 108921877A CN 201810823527 A CN201810823527 A CN 201810823527A CN 108921877 A CN108921877 A CN 108921877A
- Authority
- CN
- China
- Prior art keywords
- target
- learning system
- width learning
- image
- node
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于宽度学习的长期目标跟踪算法,包括以下步骤:建立宽度学习系统;基于宽度学习系统的跟踪和基于加速稳健特征算法的全图检测机制。本发明是基于宽度学习系统的长期目标跟踪,而宽度学习架构层次较浅,对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。本发明得到目标跟踪模型,训练速度快,重构代价小,时间成本大大降低,并且对目标跟踪过程中发生的形变、旋转、遮挡的检测也具有很大的优越性。由于本发明应用基于SURF算法的全图检测机制,针对目标完全被遮挡,宽度学习系统判断目标丢失的状态下,当目标重新出现时能够快速获取目标信息,更新目标位置,使得跟踪效果更加稳定、鲁棒、可靠。
Description
技术领域
本发明涉及计算机视觉技术领域的目标跟踪,特别涉及一种基于宽度学习的长期目标跟踪算法。
背景技术
目标跟踪在视觉导航、行为识别、智能交通、环境监测、战场侦察、军事打击等众多领域有非常广泛的研究和应用。目前,经典的跟踪方法对于目标的缩放、旋转、遮挡等适应性不佳;研究比较热门的以尺度不变特征变换方法即SIFT算法为代表,SIFT算法通过计算多个尺度下不同窗口的高斯滤波处理图像来实现对目标的多尺度缩放、旋转、模糊等的鲁棒性,但其计算量大、复杂度高,难以满足实时处理需求;而均值漂移理论采用直方图作为特征并用核概率密度估计的方法实现目标跟踪,其虽然对目标的遮挡、旋转有一定鲁棒性,但对于大角度的旋转以及超平面旋转则效果不佳;以粒子滤波、卡尔曼滤波为代表的基于滤波理论的目标跟踪方法以滤波预测为核心思想,对目标的部分和全部遮挡有很好的鲁棒性,但是目标跟踪尚有很多问题,如目标的大尺度缩放、旋转、超平面旋转、光照变化、部分遮挡、模糊、目标在视场中消失后的重新捕获等。总之,目前还没有很好的完整的解决方案,随着深度学习在图像领域的应用,对目标跟踪的准确性和实时性都有了较大的提升,而且针对一般滤波算法的缺点也得到了改进。但是,深度学习网络复杂,训练周期长,其构建和更新过程时间长、计算量大、跟踪的实时性需要加强。本发明所提出的方法从目标的建模、跟踪、检测,到联合、学习更新是一个完整的实现长期、稳定目标跟踪的构架,可以很好解决以上所有问题。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种网络简单、训练速度快、网络重构代价小,能保证跟踪的实时性和准确性的基于宽度学习的长期目标跟踪算法。
为了实现上述目的,本发明的技术方案如下:
一种基于宽度学习的长期目标跟踪算法,包括以下步骤:
A、建立宽度学习系统
通过预先经过训练好的目标跟踪模型对视频流中每一帧图像进行目标检测,所述目标跟踪模型为宽度学习网络结构,为两层网络,即输入层和输出层。提取图像特征生成特征节点和特征节点的增强节点共同作为宽度学习系统的输入层;
特征节点Zi通过函数得到,即将输入图像数据X映射并产生第i组特征节点Zi。若产生n个特征节点,表达如下:
其中,是权重系数,是偏置项,两者都是随机产生的。给定记号Zi≡[Z1...Zi]表示所有的输入图像映射的特征节点。
增强节点是对特征节点的所代表的特征进行增强,通过函数得到,被记为Hj,前j组所有增强节点被记为Hj≡[H1,...,Hj]。是权重系数,是偏置项,两者都是随机产生的。第m组增强节点表示为:
此时宽度学习系统用如下公式表示:
整个宽度学习系统的权重参数Wm通过伪逆得到结果,设Y为宽度学习系统的输出值,即:
Y=V3×Wm
则通过伪逆得:
c为正则化参数,V3是特征节点与增强节点列拼接,共同作为输入层,表达式为:
V3=(Zn Hm)
在宽度学习系统训练过程中,Y的值为训练集给定输出值。求解得到Wm,宽度学习系统的训练就完成了。
B、基于宽度学习系统的跟踪和基于加速稳健特征算法的全图检测机制
B1、读取图像序列和宽度学习系统训练的目标跟踪模型。
B2、读取图像目标位置信息,如果是第一帧则取初始位置;如果为空则读取下一帧图像,累计丢失帧数,进入步骤B5;如果目标位置存在,读取下一帧图像,再根据目标位置周围选取多张图像作为输入图像。为方便起见,将输入图像称为备选图像。
B3、将备选图像输入到宽度学习系统预先训练的目标跟踪模型,获得输出值,即每张备选图像的评价值。
B4、而当所有的备选图像评价值小于预设阈值时,进入步骤B5;否则,评价值最高的备选图像位置,即认定为目标所在位置。将目标物位置保存,进入步骤B2。
B5、统计累计丢失帧数,未到规定值时,进入步骤B2;否则,判断当前目标为长期丢失状态,需要进行全图范围内的重新定位,采用基于加速稳健特征算法即SURF算法的全图检测机制,应用SURF算法,建立Hessian矩阵,生成当前图像的特征点和预先保存含有目标的参考图像的特征点,计算两幅图像的特征点的欧氏距离确定匹配度;欧氏距离越短,代表两个特征点的匹配度越好。当匹配度大于预设阈值时,表示成功匹配,记录当前特征点。
B6、成功匹配的特征点达到规定量时,认为目标已经出现,统计记录的特征点位置信息加权平均找到中心点,中心点即为重新捕获的目标位置。保存目标位置,丢失帧数归零。否则,认为当前帧目标没有出现,保存目标位置为空,转步骤B2。
与现有技术相比,本发明具有以下有益效果:
1、本发明是基于宽度学习系统的长期目标跟踪,而宽度学习架构层次较浅,对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。
2、本发明通过宽度学习进行离线训练,得到目标跟踪模型,训练速度快,重构代价小,时间成本大大降低,并且对目标跟踪过程中发生的形变、旋转、遮挡的检测也具有很大的优越性。
3、由于本发明应用基于SURF算法的全图检测机制,针对目标完全被遮挡,宽度学习系统判断目标丢失的状态下,当目标重新出现时能够快速获取目标信息,更新目标位置,使得跟踪效果更加稳定、鲁棒、可靠。
附图说明
图1是本发明的宽度学习系统结构图。
图2是本发明的实施例过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2所示,为本申请实施例提供的目标跟踪模型的示例图,本申请提供的目标跟踪模型包括一个宽度学习系统(Broad learning system)和一个基于SURF算法的全图检测机制。
下面首先说明目标跟踪模型的训练过程。
本申请实施例基于宽度学习系统提取目标特征。计算特征节点和增强节点到目标值的伪逆是宽度学习中重要的部分。特征节点和增强节点共同作为宽度学习系统的输入。
首先,建立输入数据的特征节点映射。设Tp×q为训练集的训练数据,p为样本个数,q为样本图像像素总数,对Tp×q进行Z分数标准化;为了在生成特征节点时可以直接通过矩阵运算增加偏置项,对Tp×q进行增广,Tp×q最后增加一列,变为T1(p×(q+1))。然后生成每个窗口的特征节点:先生成随机权重矩阵We,We是一个(q+1)×N1的随机权重矩阵,其中N1是每个窗口特征节点的个数,We取值(0,1)之间呈均匀分布,得到特征节点H1,H1=T1×We,之后进行归一化;接下来对H1进行稀疏表示,采用lasso方法找到稀疏矩阵Wβ,使得T1×Wβ=H1。当前窗口的特征节点为V1=normal(T1×Wβ),normal表示归一化。设N2为迭代次数;并把上述生成特征节点步骤迭代N2次。这样,最后得到特征节点矩阵y是一个p×(N2×N1)的矩阵。在本发明实施例中N1=10,N2=6。
之后再生成增强节点,首先对特征节点矩阵y增加偏置项并进行标准化,得到H2;然后设N3为增强节点数,在本发明实施例中,N3=150。增强节点的系数矩阵Wh大小为(N1×N2+1)×N3且经过正交规范化的随机矩阵;对增强节点进行激活,则:
s为增强节点的缩放尺度,tansig是BP神经网络中常用的激活函数,可以最大程度将增强节点所表达的特征进行激活;增强节点不用稀疏表示,也不用窗口迭代,最终得到生成网络的输入V3=[y V2],每个样本的特征维度为N1×N2+N3。
基于神经网络的分类主要是求解输入到输出的映射,而这个过程就要求解输入量的逆,但对于输入量来说,有时求不出逆或者根本没有逆,因此需要求伪逆来近似代替矩阵的真逆。在求解伪逆的过程中,Y=V3×W,则在训练过程中,在本发明实施例中c=2-30,Y的取值为训练集给定的输出值。
这样整个宽度学习系统就训练完成,宽度学习系统结构如图1所示,在本发明实施例中训练集有3000张训练样本,每张图像的大小为36×36。
本实例目标跟踪的具体步骤如下:
1、读取图像序列和宽度学习系统训练的目标模型。
2、读取图像目标位置信息(如果是第一帧则取初始位置),如果为空则读取下一帧图像,累计丢失帧数,进入步骤5;如果目标位置位置存在,读取下一帧图像,在根据目标位置周围选取9张图像,步长为4,去除超过图像边界的窗口,剩余的图像归一化为36×36,作为输入图像。
3、将备选图像输入到宽度学习系统预先训练的目标跟踪模型,获得输出值,即每张备选图像的评价值。
4、而当所有的备选图像评价值小于0.4时,进入步骤5;否则,评价值最高的备选图像位置,即认定为目标所在位置。将目标物位置保存。进入步骤2。
5、统计累计丢失帧数,小于5帧时,进入步骤2;否则,判断当前目标为长期丢失状态,需要进行全图范围内的重新定位,采用基于加速稳健特征算法即SURF算法的全图检测机制,应用SURF算法,建立Hessian矩阵,生成当前图像的特征点和预先保存含有目标的参考图像的特征点,计算两幅图像特征点的欧氏距离确定匹配度。当匹配度大于0.7时,表示成功匹配,记录当前特征点。
6、成功匹配的特征点的个数大于等于4时,认为目标已经出现,统计记录的特征点位置信息加权平均找到中心点,中心点即为重新捕获的目标位置。保存目标位置,丢失帧数归零;否则,认为当前帧目标没有出现,保存目标位置为空,进入步骤2。
完整的基于宽度学习的长期目标跟踪算法的流程图如图2所示。
Claims (1)
1.一种基于宽度学习的长期目标跟踪算法,其特征在于:包括以下步骤:
A、建立宽度学习系统
通过预先经过训练好的目标跟踪模型对视频流中每一帧图像进行目标检测,所述目标跟踪模型为宽度学习网络结构,包括两层网络,包括输入层和输出层;提取图像特征生成特征节点和特征节点的增强节点共同作为宽度学习系统的输入层;
特征节点Zi通过函数得到,即将输入图像数据X映射并产生第i组特征节点Zi;若产生n个特征节点,表达如下:
其中,是权重系数,是偏置项,两者都是随机产生的;给定记号Zi≡[Z1...Zi]表示所有的输入图像映射的特征节点;
增强节点是对特征节点的所代表的特征进行增强,通过函数得到,被记为Hj,前j组所有增强节点被记为Hj≡[H1,...,Hj];是权重系数,是偏置项,两者都是随机产生的;第m组增强节点表示为:
此时宽度学习系统用如下公式表示:
整个宽度学习系统的权重参数Wm通过伪逆得到结果,设Y为宽度学习系统的输出值,即:
Y=V3×Wm
则通过伪逆得:
Wm=(V3 T*V3+In+m*c)-1*V3 T*Y
c为正则化参数,V3是特征节点与增强节点列拼接,共同作为输入层,表达式为:
V3=(Zn Hm)
在宽度学习系统训练过程中,Y的值为训练集给定输出值;求解得到Wm,宽度学习系统的训练就完成了;
B、基于宽度学习系统的跟踪和基于加速稳健特征算法的全图检测机制
B1、读取图像序列和宽度学习系统训练的目标跟踪模型;
B2、读取图像目标位置信息,如果是第一帧则取初始位置;如果为空则读取下一帧图像,累计丢失帧数,进入步骤B5;如果目标位置存在,读取下一帧图像,再根据目标位置周围选取多张图像作为输入图像;为方便起见,将输入图像称为备选图像;
B3、将备选图像输入到宽度学习系统预先训练的目标跟踪模型,获得输出值,即每张备选图像的评价值;
B4、而当所有的备选图像评价值小于预设阈值时,进入步骤B5,否则,评价值最高的备选图像位置,即认定为目标所在位置;将目标物位置保存;进入步骤B2;
B5、统计累计丢失帧数,未到规定值时,进入步骤B2;否则,判断当前目标为长期丢失状态,需要进行全图范围内的重新定位,采用基于加速稳健特征算法即SURF算法的全图检测机制,应用SURF算法,建立Hessian矩阵,生成当前图像的特征点和预先保存含有目标的参考图像的特征点,计算两幅图像的特征点的欧氏距离确定匹配度;欧氏距离越短,代表两个特征点的匹配度越好;当匹配度大于预设阈值时,表示成功匹配,记录当前特征点;
B6、成功匹配的特征点达到规定量时,认为目标已经出现,统计记录的特征点位置信息加权平均找到中心点,中心点即为重新捕获的目标位置;保存目标位置,丢失帧数归零;否则,认为当前帧目标没有出现,保存目标位置为空;,转步骤B2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823527.2A CN108921877B (zh) | 2018-07-25 | 2018-07-25 | 一种基于宽度学习的长期目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810823527.2A CN108921877B (zh) | 2018-07-25 | 2018-07-25 | 一种基于宽度学习的长期目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921877A true CN108921877A (zh) | 2018-11-30 |
CN108921877B CN108921877B (zh) | 2021-07-16 |
Family
ID=64418007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810823527.2A Active CN108921877B (zh) | 2018-07-25 | 2018-07-25 | 一种基于宽度学习的长期目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921877B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884886A (zh) * | 2019-03-29 | 2019-06-14 | 大连海事大学 | 一种基于宽度学习的船舶运动无模型自适应最优控制方法 |
CN110084247A (zh) * | 2019-04-17 | 2019-08-02 | 上海师范大学 | 一种基于模糊特征的多尺度显著性检测方法及装置 |
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN111507241A (zh) * | 2020-04-14 | 2020-08-07 | 四川聚阳科技集团有限公司 | 一种轻量级网络课堂表情监测方法 |
CN111538341A (zh) * | 2020-06-02 | 2020-08-14 | 大连海事大学 | 基于宽度学习自适应动态规划的船舶动力定位优化控制方法 |
CN111854732A (zh) * | 2020-07-27 | 2020-10-30 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
WO2020239140A1 (zh) * | 2019-05-30 | 2020-12-03 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN112508192A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种具有深度结构的增量堆叠式宽度学习系统 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534766A (zh) * | 2015-09-09 | 2017-03-22 | 广州市维安电子技术有限公司 | 一种使用ptz摄像机对目标进行自动跟踪的方法及装置 |
US9898682B1 (en) * | 2012-01-22 | 2018-02-20 | Sr2 Group, Llc | System and method for tracking coherently structured feature dynamically defined within migratory medium |
-
2018
- 2018-07-25 CN CN201810823527.2A patent/CN108921877B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898682B1 (en) * | 2012-01-22 | 2018-02-20 | Sr2 Group, Llc | System and method for tracking coherently structured feature dynamically defined within migratory medium |
CN106534766A (zh) * | 2015-09-09 | 2017-03-22 | 广州市维安电子技术有限公司 | 一种使用ptz摄像机对目标进行自动跟踪的方法及装置 |
Non-Patent Citations (4)
Title |
---|
C. L. PHILIP CHEN等: ""Broad learning system: A new learning paradigm and system without going deep"", 《2017 32ND YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 * |
C. L. PHILIP CHEN等: ""Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
吴凡路等: ""嫦娥三号全景相机图像全景镶嵌方法的研究"", 《光学学报》 * |
王招娣等: ""基于加速鲁棒特征的非特定目标跟踪算法研究"", 《微型机与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884886A (zh) * | 2019-03-29 | 2019-06-14 | 大连海事大学 | 一种基于宽度学习的船舶运动无模型自适应最优控制方法 |
CN110084247A (zh) * | 2019-04-17 | 2019-08-02 | 上海师范大学 | 一种基于模糊特征的多尺度显著性检测方法及装置 |
WO2020239140A1 (zh) * | 2019-05-30 | 2020-12-03 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN111507241A (zh) * | 2020-04-14 | 2020-08-07 | 四川聚阳科技集团有限公司 | 一种轻量级网络课堂表情监测方法 |
CN111538341A (zh) * | 2020-06-02 | 2020-08-14 | 大连海事大学 | 基于宽度学习自适应动态规划的船舶动力定位优化控制方法 |
CN111538341B (zh) * | 2020-06-02 | 2023-04-14 | 大连海事大学 | 基于宽度学习自适应动态规划的船舶动力定位优化控制方法 |
CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
CN111854732A (zh) * | 2020-07-27 | 2020-10-30 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
CN111854732B (zh) * | 2020-07-27 | 2024-02-13 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
CN112508192A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种具有深度结构的增量堆叠式宽度学习系统 |
CN112508192B (zh) * | 2020-12-21 | 2022-04-22 | 华南理工大学 | 一种具有深度结构的增量堆叠式宽度学习系统 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
CN113657479B (zh) * | 2021-08-12 | 2022-12-06 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108921877B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921877A (zh) | 一种基于宽度学习的长期目标跟踪算法 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
Tao et al. | Smoke detection based on deep convolutional neural networks | |
Xue et al. | Remote sensing scene classification based on multi-structure deep features fusion | |
CN108427924B (zh) | 一种基于旋转敏感特征的文本回归检测方法 | |
CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
CN110020592A (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN108647588A (zh) | 物品类别识别方法、装置、计算机设备和存储介质 | |
CN108596053A (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN108615226A (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN110210493B (zh) | 基于非经典感受野调制神经网络的轮廓检测方法及系统 | |
CN103617413B (zh) | 一种在图像中识别物体的方法 | |
Gleason et al. | A fusion approach for tree crown delineation from lidar data. | |
CN108182695A (zh) | 目标跟踪模型训练方法及装置、电子设备和存储介质 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
CN106887012A (zh) | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 | |
CN111832414A (zh) | 一种基于图正则光流注意力网络的动物计数方法 |
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 |