CN109255792A - 一种视频图像的分割方法、装置、终端设备及存储介质 - Google Patents

一种视频图像的分割方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN109255792A
CN109255792A CN201810874777.9A CN201810874777A CN109255792A CN 109255792 A CN109255792 A CN 109255792A CN 201810874777 A CN201810874777 A CN 201810874777A CN 109255792 A CN109255792 A CN 109255792A
Authority
CN
China
Prior art keywords
block
video image
connected domain
target area
split
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
Application number
CN201810874777.9A
Other languages
English (en)
Other versions
CN109255792B (zh
Inventor
沈伟
梁羽剑
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.)
Guangzhou Xin Fei Mdt Infotech Ltd
Original Assignee
Guangzhou Xin Fei Mdt Infotech 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 Guangzhou Xin Fei Mdt Infotech Ltd filed Critical Guangzhou Xin Fei Mdt Infotech Ltd
Priority to CN201810874777.9A priority Critical patent/CN109255792B/zh
Publication of CN109255792A publication Critical patent/CN109255792A/zh
Application granted granted Critical
Publication of CN109255792B publication Critical patent/CN109255792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

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

Abstract

本发明公开了一种视频图像的分割方法、装置、终端设备及存储介质，方法包括：输入待分割视频图像，并对待分割视频图像进行关键帧提取；采用边缘检测法检测关键帧的所有可能边缘，并确定相对应的连通域；根据连通域中最大内接矩形，对连通域进行等大区块分割；根据区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断区块的性质是否为目标区域的区块，并根据所有区块的性质判断连通域是否为目标区域；利用直线拟合算法对目标区域的连通域的边缘进行直线拟合，重复上述步骤，直至分割出待分割视频图像的目标区域。本发明能够运用图像识别技术和图像分割技术，快速、稳定且高效地对特征明显的特定区域进行图像分割。

Description

一种视频图像的分割方法、装置、终端设备及存储介质
技术领域
本发明涉及视频图像处理技术领域，尤其涉及一种视频图像的分割方法、装置、终端设备及存储介质。
背景技术
目前，图像识别是人工智能的一个重要领域。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。
图像分割是图像识别的基础。现有技术中，图像分割的方法主要有三类：基于边缘的图像分割、基于像素聚类的图像分割和基于区域的图像分割。
基于边缘的分割是利用对象与背景的明显边缘来提取对象的边缘轮廓，由闭合边缘线围成的区域就是对象的轮廓区域。基于边缘的分割方法有微分算子、边缘拟合、边界跟踪等，比较适合于分割边缘明显的图像，如卡通图、图形等。这类方法定位准确，但对噪声敏感，提取的边缘线常常不能闭合。
基于像素聚类的分割是利用图像中像素的共性(如颜色、邻域内的纹理特性、分形维数等)进行聚类，形成具有形似性质的像素聚类区域。同一对象的像素应该聚类为同一区域，从而实现对象的区域分割。这类方法应该是图像区域分割的理想方法，但实现的困难在于如何选择像素的性质，有时难以对对象的像素性质进行抽象和描述。目前用于聚类的像素性质主要有像素的颜色、邻域内的纹理、分形维数等，像素聚类的方法主要有阈值法、K-均值法、ISODATA聚类法、基于模糊C-均值聚类的彩色图像分割等。
基于区域的图像分割是对图像中性质上相似、空间上相连的像素聚合形成分离的区域，也是一种像素聚类过程。常用的方法有区域生长法、分裂合并法和松弛迭代法等。这类方法的难点也是在于确定像素聚类的规则和起始、终止条件，比较适用于颜色缓慢变化的大面积区域分割，如电脑生成的颜色渐变区域分割、自然界中的蓝天白云分割等。
现有技术存在如下问题：
(1)计算过程中引入的预定误差值选取不当时，还会引入误判，易受分析目标内部组织之间的重叠干扰影响。
(2)算法较复杂，计算量大，分裂还可能破坏区域的边界。
发明内容
本发明实施例所要解决的技术问题在于，提供基于一种视频图像的分割方法、装置、终端设备及存储介质，能够运用图像识别技术和图像分割技术，快速、稳定且高效地对特征明显的特定区域进行图像分割。
为解决上述问题，一方面，本发明的一个实施例提供一种视频图像的分割方法，适于在计算设备中执行，包括：
输入待分割视频图像，并对所述待分割视频图像进行关键帧提取；
采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域；
根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块；
根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域；
利用直线拟合算法对目标区域的连通域的边缘进行直线拟合，重复上述步骤，直至分割出所述待分割视频图像的目标区域。
进一步地，所述输入待分割视频图像，并对所述待分割视频图像进行关键帧提取，具体为：
计算待分割视频图像中的锐度和色彩饱和度，根据所述锐度和所述色彩饱和度，提取满足视频图像分割条件的视频图像帧作为关键帧。
进一步地，所述采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域，具体为：
采用Canny边缘检测法检测所述关键帧的所有可能边缘，对所述所有可能边缘进行连接操作，以确定相应的连通域。
进一步地，所述根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域，具体为：
计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度和粗略度；
判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。
进一步地，所述纹理特性根据所述区块的离散程度动态选择步长大小计得到；所述区块特征根据所述区块的复杂度计算得到。
另一方面，本实施例的一个实施例还提供了一种视频图像的拼接装置，包括：
提取模块，用于输入待分割视频图像，并对所述待分割视频图像进行关键帧提取；
边缘检测模块，用于采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域；
分块模块，用于根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块；
判断模块，用于根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域；
优化模块，用于对所判定的待分割区域进行优化处理，分割出待处理视频的目标区域。
进一步地，所述判断模块，具体用于计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度、粗略度；判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。
又另一方面，本实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的视频图像的分割方法
又另一方面，本实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的视频图像的分割方法。
本实施例提供的一种图像分割方法，能根据图像基本特性以及纹理特性和视觉感知特性，综合判断特定区域的边缘范围，并具有检测率高，误检率低，确定特定区域增加或减少，通过算法可以有效的区分特赌博个区域范围及非特定区域范围，具有较强的准确性。
附图说明
图1是本发明的一个实施例提供的一种视频图像的分割方法的流程示意图；
图2是本发明的一个实施例提供的一种视频图像的分割方法的另一流程示意图；
图3是图1中步骤S104的具体流程示意图；
图4是本发明的另一个施例提供的一种视频图像的分割装置。
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做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。
本发明第一实施例：
请参阅图1-3。
如图1-2所示，本实施例提供的一种视频图像的拼分割方法，适于在计算设备中执行，至少包括如下步骤：
S101、输入待分割视频图像，并对所述待分割视频图像进行关键帧提取。
具体的，计算待分割视频图像中的锐度和色彩饱和度，根据所述锐度和所述色彩饱和度，提取满足视频图像分割条件的视频图像帧作为关键帧。
在本实施例中，选取锐度和色彩饱和度较高的图像帧作为关键帧，以提高图像分割的效率。
可以理解的是，所述待分割视频图像为无人机视频，对无人机航拍的视频进行关键帧的提取，利用Canny边缘检测算子检测关键帧的边缘，并确定边缘图的连通域，继而对连通域图进行合理分块，分别对所分的区域块采用支持向量机的计算分析，以判定其区域块是否为河道水面，最后对所判定的河道水面区域块进行优化处理。
S102、采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域。
具体的，采用Canny边缘检测法检测所述关键帧的所有可能边缘，对所述所有可能边缘进行连接操作，以确定相应的连通域。
在本实施例中，Canny边缘检测算法通常都是从高斯模糊开始，到基于双阈值实现边缘连接结束。但是在实际工程应用中，考虑到输入图像都是彩色图像，最终边缘连接之后的图像要二值化输出显示。
S103、根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块。
S104、根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域。
S105、利用直线拟合算法对目标区域的连通域的边缘进行直线拟合，重复上述步骤，直至分割出所述待分割视频图像的目标区域。
在本实施例中，目标图像为河道水面区域图像。分割出来的图像具有较强的准确性。
在本实施例中，如图3所示，判断块性质，计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。所述目标区域为河道块区域。
在本实施例中，计算四种方向的纹理特性，包括：0度及180度，45度及225度，135度及315度，90度及270度。
本实施例提供的一种视频图像分割方法，能根据图像基本特性以及纹理特性和视觉感知特性，综合判断特定区域的边缘范围，并具有检测率高，误检率低，确定特定区域增加或减少，通过算法可以有效的区分特赌博个区域范围及非特定区域范围，具有较强的准确性。
本发明的第二实施例：
请参阅图4。
如图4所示，本实施例提供的一种视频图像的分割装置，包括：
提取模块201，用于输入待分割视频图像，并对所述待分割视频图像进行关键帧提取。
具体的，计算待分割视频图像中的锐度和色彩饱和度，根据所述锐度和所述色彩饱和度，提取满足视频图像分割条件的视频图像帧作为关键帧。
边缘检测模块202，用于采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域。
具体的，采用Canny边缘检测法检测所述关键帧的所有可能边缘，对所述所有可能边缘进行连接操作，以确定相应的连通域。
分块模块203，用于根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块。
判断模块204，用于根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域。
优化模块205，用于对所判定的待分割区域进行优化处理，分割出待处理视频的目标区域。
在本实施例中，如图3所示，判断块性质，计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。所述目标区域为河道块区域。
本实施例提供的一种视频图像分割装置，能根据图像基本特性以及纹理特性和视觉感知特性，综合判断特定区域的边缘范围，并具有检测率高，误检率低，确定特定区域增加或减少，通过算法可以有效的区分特赌博个区域范围及非特定区域范围，具有较强的准确性。
又另一方面，本实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的视频图像的分割方法
又另一方面，本实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的视频图像的分割方法。
以上所述是本发明的优选实施方式，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变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (9)

1.一种视频图像的分割方法，适于在计算设备中执行，其特征在于，包括：
输入待分割视频图像，并对所述待分割视频图像进行关键帧提取；
采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域；
根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块；
根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域；
利用直线拟合算法对目标区域的连通域的边缘进行直线拟合，重复上述步骤，直至分割出所述待分割视频图像的目标区域。
2.根据权利要求1所述的视频图像的分割方法，其特征在于，所述输入待分割视频图像，并对所述待分割视频图像进行关键帧提取，具体为：
计算待分割视频图像中的锐度和色彩饱和度，根据所述锐度和所述色彩饱和度，提取满足视频图像分割条件的视频图像帧作为关键帧。
3.根据权利要求1所述的视频图像的分割方法，其特征在于，所述采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域，具体为：
采用Canny边缘检测法检测所述关键帧的所有可能边缘，对所述所有可能边缘进行连接操作，以确定相应的连通域。
4.根据权利要求1所述的视频图像的分割方法，其特征在于，所述根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域，具体为：
计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度和粗略度；
判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。
5.根据权利要求4所述的视频图像的分割方法，其特征在于，所述纹理特性根据所述区块的离散程度动态选择步长大小计得到；所述区块特征根据所述区块的复杂度计算得到。
6.一种视频图像的拼接装置，其特征在于，包括：
提取模块，用于输入待分割视频图像，并对所述待分割视频图像进行关键帧提取；
边缘检测模块，用于采用边缘检测法检测所述关键帧的所有可能边缘，并根据所述所有可能边缘确定连通域；
分块模块，用于根据所述连通域中最大内接矩形，对所述连通域进行区块分割，得到若干等大的区块；
判断模块，用于根据所述区块的基于灰度共生矩阵的纹理特性和区域特性，运用支持向量机判断所述区块的性质是否为目标区域的区块，并根据所有所述区块的性质判断所述连通域是否为目标区域；
优化模块，用于对所判定的待分割区域进行优化处理，分割出待处理视频的目标区域。
7.根据权利要求6所述的一种视频分割装置，其特征在于，
所述判断模块，具体用于计算所述区块中基于灰度共生矩阵的纹理特性和基于视觉感知的区域特性；其中，所述纹理特性包括熵、能量、惯性矩，以及相关性与同质性，所述区域特性包括粗糙度、对比度、方向度、线性度、规整度、粗略度；判断所述纹理特性和所述区域特性的计算结果是否超过预设值，若是，则所述区块为目标区域的区块。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的视频图像的分割方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任一项所述的视频图像的分割方法。
CN201810874777.9A 2018-08-02 2018-08-02 一种视频图像的分割方法、装置、终端设备及存储介质 Active CN109255792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810874777.9A CN109255792B (zh) 2018-08-02 2018-08-02 一种视频图像的分割方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810874777.9A CN109255792B (zh) 2018-08-02 2018-08-02 一种视频图像的分割方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN109255792A true CN109255792A (zh) 2019-01-22
CN109255792B CN109255792B (zh) 2021-12-21

Family

ID=65048858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810874777.9A Active CN109255792B (zh) 2018-08-02 2018-08-02 一种视频图像的分割方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN109255792B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062984A (zh) * 2019-12-20 2020-04-24 广州市鑫广飞信息科技有限公司 视频图像区域面积的测量方法、装置、设备及存储介质
CN111193911A (zh) * 2020-01-15 2020-05-22 未来新视界文化科技(嘉善)有限公司 大数据视频的速传处理方法和装置
CN111339368A (zh) * 2020-02-20 2020-06-26 同盾控股有限公司 基于视频指纹的视频检索方法、装置和电子设备
CN111368785A (zh) * 2020-03-17 2020-07-03 广东智媒云图科技股份有限公司 一种摄像头遮挡判断方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090316964A1 (en) * 2008-06-20 2009-12-24 General Electric Company System and Methods for Computer Aided Analysis of Images
CN103426156A (zh) * 2012-05-15 2013-12-04 中国科学院声学研究所 一种基于svm分类器的sas图像分割方法及系统
CN107492106A (zh) * 2017-08-24 2017-12-19 广州市鑫广飞信息科技有限公司 一种水面区域分割方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090316964A1 (en) * 2008-06-20 2009-12-24 General Electric Company System and Methods for Computer Aided Analysis of Images
CN103426156A (zh) * 2012-05-15 2013-12-04 中国科学院声学研究所 一种基于svm分类器的sas图像分割方法及系统
CN107492106A (zh) * 2017-08-24 2017-12-19 广州市鑫广飞信息科技有限公司 一种水面区域分割方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法
CN108345880A (zh) * 2018-01-26 2018-07-31 金蝶软件（中国）有限公司 发票识别方法、装置、计算机设备和存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062984A (zh) * 2019-12-20 2020-04-24 广州市鑫广飞信息科技有限公司 视频图像区域面积的测量方法、装置、设备及存储介质
CN111062984B (zh) * 2019-12-20 2024-03-15 广州市鑫广飞信息科技有限公司 视频图像区域面积的测量方法、装置、设备及存储介质
CN111193911A (zh) * 2020-01-15 2020-05-22 未来新视界文化科技(嘉善)有限公司 大数据视频的速传处理方法和装置
CN111339368A (zh) * 2020-02-20 2020-06-26 同盾控股有限公司 基于视频指纹的视频检索方法、装置和电子设备
CN111339368B (zh) * 2020-02-20 2024-04-02 同盾控股有限公司 基于视频指纹的视频检索方法、装置和电子设备
CN111368785A (zh) * 2020-03-17 2020-07-03 广东智媒云图科技股份有限公司 一种摄像头遮挡判断方法、装置、设备及存储介质
CN111368785B (zh) * 2020-03-17 2023-08-25 广东智媒云图科技股份有限公司 一种摄像头遮挡判断方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109255792B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
CN110717489B (zh) Osd的文字区域的识别方法、装置及存储介质
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN109255792A (zh) 一种视频图像的分割方法、装置、终端设备及存储介质
CN108898610A (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
EP3073443B1 (en) 3d saliency map
CN107016682B (zh) 一种自然图像显著对象自适应分割方法
CN108710916B (zh) 图片分类的方法及装置
CN115330940B (zh) 一种三维重建方法、装置、设备和介质
CN110796141A (zh) 目标检测方法及相关设备
Galsgaard et al. Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement
Yogeswaran et al. 3d surface analysis for automated detection of deformations on automotive body panels
CN115908988B (zh) 一种缺陷检测模型生成方法、装置、设备以及存储介质
CN112528858A (zh) 人体姿态估计模型的训练方法、装置、设备、介质及产品
EP1109131A2 (en) Image processing apparatus
JP6787844B2 (ja) オブジェクト抽出装置およびそのスーパーピクセルラベリング方法
CN114359665A (zh) 全任务人脸识别模型的训练方法及装置、人脸识别方法
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质
CN109741306B (zh) 应用于危险化学品库房堆垛的图像处理方法
Sert A new modified neutrosophic set segmentation approach
WO2022222036A1 (zh) 车位确定方法及装置
Dimiccoli et al. Exploiting t-junctions for depth segregation in single images
WO2022045877A1 (en) A system and method for identifying occupancy of parking lots
JP2005241886A (ja) 地理画像間変化領域の抽出方法、地理画像間変化領域を抽出可能なプログラム、閉領域抽出方法及び閉領域抽出可能なプログラム

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