CN109117719A - 基于局部可变形部件模型融合特征的驾驶姿态识别方法 - Google Patents
基于局部可变形部件模型融合特征的驾驶姿态识别方法 Download PDFInfo
- Publication number
- CN109117719A CN109117719A CN201810710828.4A CN201810710828A CN109117719A CN 109117719 A CN109117719 A CN 109117719A CN 201810710828 A CN201810710828 A CN 201810710828A CN 109117719 A CN109117719 A CN 109117719A
- Authority
- CN
- China
- Prior art keywords
- score
- local
- driver
- partial model
- deformable partial
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部可变形部件模型融合特征的驾驶姿态识别方法。本发明的方法包括如下步骤:(1)采用视频传感器获取驾驶员姿态图像,并定义驾驶姿态局部核心区域;(2)采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数,构建驾驶姿态局部核心区域检测的局部可变形部件模型;(3)分别构建驾驶姿态局部核心区域的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶姿态局部核心区域的局部特征向量;(4)采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量;(5)采用基于RBF核的支持向量机对驾驶员姿态进行识别。本发明能够有效地对驾驶员的驾驶姿态进行检测和识别。
Description
技术领域:
本发明涉及一种基于局部可变形部件模型融合特征的驾驶姿态识别方法,属于智能交通技术领域。
背景技术:
在智能交通监控领域范围,有效的对驾驶员的驾驶行为进行实时监控是规避交通风险的重要举措。种种研究表明,驾驶员的失误是构成交通事故的核心因素,因此对异常驾驶行为及姿态情况的高速、高鲁棒性检测和识别尤为重要,在识别精度和速度上提出新的方法也成为一种挑战。
可变形部件模型(Deformable Part Model,DPM)是由Felzenszwalb等人提出的目标检测模型,检测过程基于窗口扫描方法,并通过构建图像金字塔以达到尺度不变性。然而,基于全局的DPM驾驶姿态识别方法处理驾驶姿态图像时包含许多冗杂信息,针对关键身体部位的识别鲁棒性不强,在识别速度上具有明显的缺陷,不适用于高速行车条件下的高效反馈及预警。因此,因此,本专利并定义了驾驶姿态头部局部核心区域、躯干局部核心区域和手部局部核心区域,提出了一种基于局部可变形部件模型融合特征的驾驶姿态识别方法。
发明内容
本发明的目的是提供一种基于局部可变形部件模型融合特征的驾驶姿态识别方法,能够有效地对驾驶员的驾驶姿态进行检测和识别,提高识别的效率和灵敏度。
上述的目的通过以下技术方案实现:
基于局部可变形部件模型融合特征的驾驶姿态识别方法,该方法包括如下步骤:
(1)采用视频传感器获取驾驶员姿态图像,并定义驾驶姿态局部核心区域(Driving Posture Core Area,DPCA),分别为驾驶员头部区域、躯干区域和手部区域;
(2)采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数,构建驾驶姿态局部核心区域检测的局部可变形部件模型,并采用该模型分别在驾驶员头部区域、躯干区域和手部区域中检测驾驶员的头部区域、躯干区域和手部区域;
(3)分别构建驾驶员头部区域、躯干区域和手部区域的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量;
(4)基于获取的驾驶员头部区域、躯干区域和手部区域的局部特征向量,采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量;
(5)根据获取局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别。
作为优选,步骤(1)中所述定义驾驶姿态局部核心区域,根据驾驶员姿态动作的空间位置关系,定义驾驶员头部区域、躯干区域和手部区域三个局部核心区域,分别命名为DPCA1、DPCA2和DPCA3,如图1所示。
作为优选,步骤(2)中所述的构建驾驶姿态局部核心区域检测的局部可变形部件模型的具体方法是:针对驾驶姿态头部局部核心区域DPCA1、躯干局部核心区域DPCA2和手部局部核心区域DPCA3,采用线性判别式分析分别计算1~5个组件的检测率,选用检测率最高的组件数作为核心区域DPCA1、DPCA2和DPCA3检测的局部可变形部件模型的组件个数,根据目标检测的准确率(precision rate)和召回率(recall rate),构造F1分数(F1 Score)函数来确定局部可变形部件模型的阈值,即
根据确定的局部核心区域的组件个数及阈值,构建驾驶姿态局部核心区域检测的局部可变形部件模型,将构建的三个局部可变形部件模型用于检测驾驶员的头部、躯干和手部,对于匹配过程中得到每个目标实例的多个重叠检测,采用非极大值抑制方法来消除重复检测。
作为优选,步骤(3)中所述的分别构建驾驶员头部、躯干和手部的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量的具体方法是:
将驾驶员i类姿态图片作为正样本,非i类姿态图片作为负样本,使用支持向量机训练根滤波器,通过对驾驶员非i类姿态类别的负样本的子集进行数据挖掘,使得滤波器权重根据驾驶员姿态类别i类的独特形状来选取;基于获到的根滤波器,采用贪心算法初始化部件滤波器和空间位置关系;采用隐变量支持向量机来训练得到得分模型,采用构建的得分模型分别计算驾驶员的头部、躯干和手部的得分,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量[Score1,Score2,...,Score4]、[Score5,Score6,...,Score8]、[Score9,Score10,...,Score12]。
作为优选,步骤(4)中所述的基于获取的驾驶员头部区域、躯干区域和手部区域的局部特征向量,采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量,具体是:
基于驾驶员头部区域局部特征向量[Score1,Score2,...,Score4]、躯干区域局部特征向量[Score5,Score6,...,Score8]和手部区域的局部特征向量[Score9,Score10,...,Score12],采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量[Score1,Score2,...,Score12]。
作为优选,步骤(5)中所述的根据获取局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别,具体方法是:
通过RBF核SVM对得分向量进行分类,利用SVM在得分向量的样本特征空间中找出各类别特征样本与其他特征样本的最优分类超平面,得到代表各样本特征的支持向量集及其相应的VC可信度,形成判断各特征类别的判别函数,并采用分类判决函数得出驾驶员姿态的识别结果。
本发明所产生的有益效果:
本发明在传统可变形部件模型的基础上,根据驾驶姿态特点定义了驾驶员头部区域、躯干区域和手部区域三个局部核心区域,构建了驾驶姿态局部核心区域检测的局部可变形部件模型和得分模型,并采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别。
本发明有效地获取驾驶员头部、躯干和手部三个局部核心区域的细节特征向量,并基于串行融合规则构建驾驶员姿态的融合特征向量,能够减小计算量,并且提高识别速度和精度。在对驾驶员异常驾驶姿态的监控和识别中,具有较好的反馈快速性和很强的时效性。
附图说明
图1为驾驶姿态局部核心区域划分示意图;
图2为驾驶员的头部、躯干和手部检测过程图;
图3为局部可变形部件模型的得分模型及融合特征图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于局部可变形部件模型融合特征的驾驶姿态识别方法,包括以下步骤:
第一步:采用视频传感器获取驾驶员姿态图像,并定义驾驶姿态局部核心区域(Driving Posture Core Area,DPCA),分别为驾驶员头部区域、躯干区域和手部区域:如图1所示为驾驶姿态局部核心区域划分示意图,提出驾驶姿态核心区域的概念,用以对驾驶员姿态进行精准定位和准确识别。它的意义在于可用最小的信息量来刻画行为,提高模型鲁棒性,还能帮助区分机器视觉里比较相似的行为,如右手打电话和喝水。根据手及手臂区域定义头部、躯干和方向盘周围三个核心区域,分别命名为DPCA1、DPCA2和DPCA3。
第二步:采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数,构建驾驶姿态局部核心区域检测的局部可变形部件模型,并采用该模型分别在驾驶员头部区域、躯干区域和手部区域中检测驾驶员的头部、躯干和手部。
针对驾驶姿态头部局部核心区域DPCA1、躯干局部核心区域DPCA2和手部局部核心区域DPCA3,采用线性判别式分析分别计算1~5个组件的检测率,选用检测率最高的组件数作为核心区域DPCA1、DPCA2和DPCA3检测的局部可变形部件模型的组件个数。根据目标检测的准确率(precision rate)和召回率(recall rate),构造F1分数(F1 Score)函数来确定局部可变形部件模型的阈值,即
根据确定的局部核心区域的组件个数及阈值,构建驾驶姿态局部核心区域检测的局部可变形部件模型,将构建的三个局部可变形部件模型用于检测驾驶员的头部、躯干和手部;具体过程如图2所示;对于匹配过程中得到每个目标实例的多个重叠检测,采用非极大值抑制方法来消除重复检测。
第三步:分别构建驾驶员头部、躯干和手部的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶员头部、躯干和手部的局部特征向量:
将驾驶员i类姿态图片作为正样本,非i类姿态图片作为负样本,使用支持向量机训练根滤波器,通过对驾驶员非i类姿态类别的负样本的子集进行数据挖掘,使得滤波器权重根据驾驶员姿态类别i类的独特形状来选取;基于获到的根滤波器,采用贪心算法初始化部件滤波器和空间位置关系;采用隐变量支持向量机来训练得到得分模型。采用构建的得分模型分别计算驾驶员的头部、躯干和手部的得分,该模型的计算结果作为驾驶员头部、躯干和手部的局部特征向量[Score1,Score2,...,Score4]、[Score5,Score6,...,Score8]、[Score9,Score10,...,Score12]。过程如图3所示。
第四步:基于获取的驾驶员头部、躯干和手部的局部特征向量,采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量;
基于驾驶员头部局部特征向量[Score1,Score2,...,Score4]、躯干局部特征向量[Score5,Score6,...,Score8]和手部的局部特征向量[Score9,Score10,...,Score12],采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量[Score1,Score2,...,Score12]。
第五步:根据获取局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别:
通过RBF核SVM对得分向量进行分类,利用SVM在得分向量的样本特征空间中找出各类别特征样本与其他特征样本的最优分类超平面,得到代表各样本特征的支持向量集及其相应的VC可信度,形成判断各特征类别的判别函数,并采用分类判决函数得出驾驶员姿态的识别结果。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,该方法包括如下步骤:
(1)采用视频传感器获取驾驶员姿态图像,并定义驾驶姿态局部核心区域,分别为驾驶员头部区域、躯干区域和手部区域;
(2)采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数,构建驾驶姿态局部核心区域检测的局部可变形部件模型,并采用该模型分别在驾驶员头部区域、躯干区域和手部区域中检测驾驶员的头部区域、躯干区域和手部区域;
(3)分别构建驾驶员头部区域、躯干区域和手部区域的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量;
(4)基于获取的驾驶员头部区域、躯干区域和手部区域的局部特征向量,采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量;
(5)根据获取局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别。
2.根据权利要求1所述的基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,步骤(1)中所述定义驾驶姿态局部核心区域,根据驾驶员姿态动作的空间位置关系,定义驾驶员头部区域、躯干区域和手部区域三个局部核心区域,分别命名为DPCA1、DPCA2和DPCA3。
3.根据权利要求1所述的基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,步骤(2)中所述的构建驾驶姿态局部核心区域检测的局部可变形部件模型的具体方法是:针对驾驶姿态头部局部核心区域DPCA1、躯干局部核心区域DPCA2和手部局部核心区域DPCA3,采用线性判别式分析分别计算1~5个组件的检测率,选用检测率最高的组件数作为核心区域DPCA1、DPCA2和DPCA3检测的局部可变形部件模型的组件个数,根据目标检测的准确率(precision rate)和召回率(recall rate),构造F1分数(F1Score)函数来确定局部可变形部件模型的阈值,即
根据确定的局部核心区域的组件个数及阈值,构建驾驶姿态局部核心区域检测的局部可变形部件模型,将构建的三个局部可变形部件模型用于检测驾驶员的头部、躯干和手部,对于匹配过程中得到每个目标实例的多个重叠检测,采用非极大值抑制方法来消除重复检测。
4.根据权利要求1所述的基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,步骤(3)中所述的分别构建驾驶员头部、躯干和手部的局部可变形部件模型的得分模型,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量的具体方法是:
将驾驶员i类姿态图片作为正样本,非i类姿态图片作为负样本,使用支持向量机训练根滤波器,通过对驾驶员非i类姿态类别的负样本的子集进行数据挖掘,使得滤波器权重根据驾驶员姿态类别i类的独特形状来选取;基于获到的根滤波器,采用贪心算法初始化部件滤波器和空间位置关系;采用隐变量支持向量机来训练得到Msi得分模型,采用构建的Msi得分模型分别计算驾驶员的头部、躯干和手部的得分,该模型的计算结果作为驾驶员头部区域、躯干区域和手部区域的局部特征向量[Score1,Score2,...,Score4]、[Score5,Score6,...,Score8]、[Score9,Score10,...,Score12]。
5.根据权利要求1所述的基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,步骤(4)中所述的基于获取的驾驶员头部区域、躯干区域和手部区域的局部特征向量,采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量,具体是:
基于驾驶员头部区域局部特征向量[Score1,Score2,...,Score4]、躯干区域局部特征向量[Score5,Score6,...,Score8]和手部区域的局部特征向量[Score9,Score10,...,Score12],采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量[Score1,Score2,...,Score12]。
6.根据权利要求1所述的基于局部可变形部件模型融合特征的驾驶姿态识别方法,其特征在于,步骤(5)中所述的根据获取局部可变形部件模型融合特征向量,采用基于RBF核的支持向量机对驾驶员姿态进行识别,具体方法是:
通过RBF核SVM对得分向量进行分类,利用SVM在得分向量的样本特征空间中找出各类别特征样本与其他特征样本的最优分类超平面,得到代表各样本特征的支持向量集及其相应的VC可信度,形成判断各特征类别的判别函数,并采用分类判决函数得出驾驶员姿态的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810710828.4A CN109117719B (zh) | 2018-07-02 | 2018-07-02 | 基于局部可变形部件模型融合特征的驾驶姿态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810710828.4A CN109117719B (zh) | 2018-07-02 | 2018-07-02 | 基于局部可变形部件模型融合特征的驾驶姿态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117719A true CN109117719A (zh) | 2019-01-01 |
CN109117719B CN109117719B (zh) | 2020-04-14 |
Family
ID=64822446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810710828.4A Active CN109117719B (zh) | 2018-07-02 | 2018-07-02 | 基于局部可变形部件模型融合特征的驾驶姿态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117719B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298257A (zh) * | 2019-06-04 | 2019-10-01 | 东南大学 | 一种基于人体多部位特征的驾驶员行为识别方法 |
CN112101301A (zh) * | 2020-11-03 | 2020-12-18 | 武汉工程大学 | 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567743A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 基于视频图像的驾驶员姿态自动识别方法 |
CN105373783A (zh) * | 2015-11-17 | 2016-03-02 | 高新兴科技集团股份有限公司 | 基于混合多尺度可变形部件模型的未系安全带检测方法 |
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106934355A (zh) * | 2017-02-28 | 2017-07-07 | 西交利物浦大学 | 基于深度卷积神经网络的车内手检测方法 |
CN107122726A (zh) * | 2017-04-19 | 2017-09-01 | 高新兴科技集团股份有限公司 | 一种多姿态行人检测方法 |
-
2018
- 2018-07-02 CN CN201810710828.4A patent/CN109117719B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567743A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 基于视频图像的驾驶员姿态自动识别方法 |
CN105373783A (zh) * | 2015-11-17 | 2016-03-02 | 高新兴科技集团股份有限公司 | 基于混合多尺度可变形部件模型的未系安全带检测方法 |
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106934355A (zh) * | 2017-02-28 | 2017-07-07 | 西交利物浦大学 | 基于深度卷积神经网络的车内手检测方法 |
CN107122726A (zh) * | 2017-04-19 | 2017-09-01 | 高新兴科技集团股份有限公司 | 一种多姿态行人检测方法 |
Non-Patent Citations (4)
Title |
---|
张亚须等: "基于改进DPM 模型的行人检测方法研究", 《大理大学学报》 * |
肖志勇: "基于可变形部件模型融合上下文的物体类检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
贾楚: "基于改进 HOG特征的行人检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵旭东: "基于DPM和XCF的行人检测算法改进和系统实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298257A (zh) * | 2019-06-04 | 2019-10-01 | 东南大学 | 一种基于人体多部位特征的驾驶员行为识别方法 |
CN110298257B (zh) * | 2019-06-04 | 2023-08-01 | 东南大学 | 一种基于人体多部位特征的驾驶员行为识别方法 |
CN112101301A (zh) * | 2020-11-03 | 2020-12-18 | 武汉工程大学 | 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109117719B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559791B (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
CN101894252B (zh) | 基于3轴加速度传感器信号的步行运动分类方法 | |
CN105654067A (zh) | 一种车辆检测方法及装置 | |
US9626599B2 (en) | Reconfigurable clear path detection system | |
CN110992683A (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
CN106648078B (zh) | 应用于智能机器人的多模态交互方法及系统 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 | |
CN110859609B (zh) | 基于语音分析的多特征融合疲劳驾驶检测方法 | |
CN103617426A (zh) | 一种自然环境干扰和有遮挡时的行人目标检测方法 | |
CN104281839A (zh) | 一种人体姿势识别方法和装置 | |
CN105224104A (zh) | 基于智能手机持握方式的行人运动状态识别方法 | |
Mahjoub et al. | Human action recognition using RGB data | |
JP2007310805A (ja) | 物体認識装置 | |
CN103106414A (zh) | 一种智能视频监控中行人的检测方法 | |
CN109117719A (zh) | 基于局部可变形部件模型融合特征的驾驶姿态识别方法 | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
JP5691834B2 (ja) | 画像識別装置及びプログラム | |
CN105184850A (zh) | 通过手机摄像头进行动物模型建模和打印的方法及系统 | |
CN103455826A (zh) | 基于快速鲁棒性特征的高效匹配核人体检测方法 | |
CN107292908A (zh) | 基于klt特征点跟踪算法的行人跟踪方法 | |
CN113029153A (zh) | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 | |
CN104966064A (zh) | 基于视觉的前方行人测距方法 | |
CN103984965A (zh) | 基于多分辨率特征关联的行人检测方法 |
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 |