CN110059591A - 运动目标区域的识别方法 - Google Patents

运动目标区域的识别方法 Download PDF

Info

Publication number
CN110059591A
CN110059591A CN201910255189.1A CN201910255189A CN110059591A CN 110059591 A CN110059591 A CN 110059591A CN 201910255189 A CN201910255189 A CN 201910255189A CN 110059591 A CN110059591 A CN 110059591A
Authority
CN
China
Prior art keywords
region
identified
area
reference area
target area
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
CN201910255189.1A
Other languages
English (en)
Other versions
CN110059591B (zh
Inventor
刘畅
赵潇
高明晋
周一青
石晶林
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.)
Beijing Zhongke Super Media Information Technology Co Ltd
Original Assignee
Beijing Zhongke Super Media Information Technology Co 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 Beijing Zhongke Super Media Information Technology Co Ltd filed Critical Beijing Zhongke Super Media Information Technology Co Ltd
Priority to CN201910255189.1A priority Critical patent/CN110059591B/zh
Publication of CN110059591A publication Critical patent/CN110059591A/zh
Application granted granted Critical
Publication of CN110059591B publication Critical patent/CN110059591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种运动目标区域的识别方法，包括：获得从图像中检测到的多个候选运动目标区域，选择面积最大的候选运动目标区域作为基准区域，将所述多个候选运动目标区域中除所述基准区域以外的候选运动目标区域作为待识别区域；对于每个待识别区域，根据该待识别区域与所述基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域；从所述多个候选运动目标区域中删除非运动目标区域，得到运动目标区域。本发明减少了由于光照等环境因素带来的非运动目标区域的影响，提高了运动目标区域识别结果的准确性，为智能视频监控系统中的进一步智能算法应用提供更为准确的目标区域信息。

Description

运动目标区域的识别方法
技术领域
本发明涉及目标识别与检索技术领域，具体而言，涉及一种运动目标区域的识别方法。
背景技术
当前，智能监控系统的应用越来越广泛，运动目标区域识别技术作为智能监控系统技术的核心，也受到越来越多的关注。现有的运动目标区域识别技术主要包括：光流法、帧差法、背景差分法等等。其中，光流法在目标运动时计算图像帧的光流场，将具有相同光流向量的区域看作一个运动目标，从而达到将运动目标分割出来的目的；帧差法利用视频流图像帧序列中先前的图像帧来计算当前图像帧中的运动目标区域；背景差分法首先利用视频流中的图像帧进行背景建模，得到监控场景下的背景图，然后利用当前帧与背景图的差值来获取前景目标，从而得到运动目标区域。
然而，就现有的运动目标区域识别技术而言，由于真实环境中存在大量不可预知的外界因素，例如气、光照、阴影及杂乱背景的干扰等等，因此导致对运动目标区域识别结果产生影响。举例而言，会造成识别结果中存在非运动目标区域(或称伪运动目标区域)。识别结果中存在非运动目标区域会增加目标区域分析等算法的复杂度，并且会对分析结果造成影响，从而影响后续的各种处理。
发明内容
为解决上述现有技术中存在的问题，根据本发明的一个实施例，提供一种运动目标区域的识别方法，包括：
获得从图像中检测到的多个候选运动目标区域，选择面积最大的候选运动目标区域作为基准区域，将所述多个候选运动目标区域中除所述基准区域以外的候选运动目标区域作为待识别区域；
对于每个待识别区域，根据该待识别区域与所述基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域；
从所述多个候选运动目标区域中删除非运动目标区域，得到运动目标区域。
上述方法中，待识别区域与所述基准区域的距离信息包括：该待识别区域与所述基准区域在x轴和y轴方向上的最小距离，和/或该待识别区域与所述基准区域的中心点的距离。
上述方法中，对于每个待识别区域，根据该待识别区域与所述基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域包括：
对于每个待识别区域，计算该待识别区域与所述基准区域在x轴方向和y轴方向上的最小距离之和作为边距，并且对所述边距进行归一化处理，得到该待识别区域与所述基准区域的归一化边距；
对于每个待识别区域，计算该待识别区域与所述基准区域的中心点的距离作为中心距，并且对所述中心距进行归一化处理，得到该待识别区域与所述基准区域的归一化中心距；
对于每个待识别区域，计算该待识别区域与所述基准区域的重叠面积，并且对所述重叠面积进行归一化处理，得到该待识别区域与所述基准区域的归一化重叠面积；
对于每个待识别区域，将该待识别区域与所述基准区域的归一化边距、归一化中心距和归一化重叠面积进行标准化操作，得到该待识别区域对应的标准化数据。
对所有待识别区域对应的标准化数据进行离群点检测，将检测到的离群点所对应的待识别区域作为非运动目标区域。
上述方法中，根据下式计算待识别区域与所述基准区域的边距：
dL(i)＝dxmin(i)+dymin(i)
其中，dL(i)表示待识别区域i与所述基准区域的边距，1≤i≤N-1，N为所述候选运动目标区域的数量；dxmin(i)表示待识别区域i与所述基准区域在x轴方向上的最小距离；dymin(i)表示待识别区域i与所述基准区域在y轴方向上的最小距离；以及根据下式对所述边距进行归一化处理：
其中，θL(i)表示待识别区域i与所述基准区域的归一化边距；dL(i)表示待识别区域i与所述基准区域的边距；表示所有待识别区域的平均边距；
上述方法中，根据下式计算待识别区域与所述基准区域的中心距：
其中，dO(i)表示待识别目标区域i与所述基准区域的中心距，(xi,yi)表示待识别区域i的中心点坐标，(x0,y0)表示所述基准区域的中心点坐标；以及根据下式对所述中心距进行归一化处理：
其中，θO(i)表示待识别区域i与所述基准区域的归一化中心距；表示所有待识别区域的平均中心距。
上述方法中，根据下式对所述重叠面积进行归一化处理：
θS(i)＝1-2SOL/S(i)
其中，θS(i)表示待识别区域i与所述基准区域的归一化重叠面积，SOL表示待识别区域i与所述基准区域的重叠面积，S(i)表示待识别区域i的面积。
上述方法中，对于每个待识别区域根据下式进行标准化操作：
其中，θ(i)表示待识别区域i对应的标准化数据；θL(i)表示待识别区域i与所述基准区域的归一化边距；θO(i)表示待识别区域i与所述基准区域的归一化中心距；θS(i)表示待识别区域i与所述基准区域的归一化重叠面积。
上述方法中，所述多个候选运动目标可以是利用背景差分法从所述图像中检测得到的。
本发明实施例具有如下的有益效果：
利用现有的运动目标区域识别技术对图像进行初始检测，从检测得到的区域中选择面积最大的区域作为基准区域，根据剩余区域与基准区域之间的边距、中心距和/或重叠面积来确定非运动目标区域，并且删除非运动目标区域，从而减少了由于光照等环境因素带来的非运动目标区域的影响，提高了运动目标区域识别结果的准确性，为智能视频监控系统中的进一步智能算法应用提供更为准确的目标区域信息。
附图说明
以下将通过参考附图对示例性实施例进行详细描述，附图意在描绘示例性实施例而不应被解释为对权利要求的预期范围加以限制。除非明确指出，否则附图不被认为依比例绘制。
图1示意性示出根据本发明一个实施例的运动目标区域的识别方法的流程图；
图2示意性示出根据本发明一个实施例的判断非运动目标区域的方法的流程图。
图3(a)是利用现有的运动目标区域识别技术对图像进行初始检测得到的候选运动目标区域的示意图；
图3(b)是从候选运动目标区域中删除非运动目标区域以得到最终的运动目标区域的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
根据本发明的一个实施例，提供一种运动目标区域的识别方法。概括而言，该方法包括：获得从图像中检测到的多个候选运动目标区域，从中选择面积最大的候选运动目标区域作为基准区域，其他的候选运动目标区域作为待识别区域；对于每个待识别区域，根据该待识别区域与基准区域的距离信息和/或重叠面积，来判断该待识别区域是否属于非运动目标区域；以及，从候选运动目标区域中删除非运动目标区域，得到最终的运动目标区域。
图1示意性地示出了该运动目标区域的识别方法的流程图，下文将参照图1，描述该方法的具体步骤：
步骤S101.对图像进行初始检测，得到多个候选运动目标区域。
在一个实施例中，利用背景差分法对智能监控系统监控到的图像进行检测，将检测得到的多个矩形区域作为候选运动目标区域。参见图3(a)，示出了对三幅监控图像分别进行检测后得到的候选运动目标区域，由于背景复杂，图3(a)中检测到的候选运动目标区域存在非运动目标区域，如垃圾桶旁边的阴影区域。
除了背景差分法，对于本领域技术人员而言，根据本发明的其他实施例，步骤S101中也可以采用光流法、帧差法等其他现有运动目标区域识别技术对图像进行初始检测。
步骤S102.获得所述多个候选运动目标区域，从中选择面积最大的候选运动目标区域作为基准区域，并且将除基准区域之外的其他候选运动目标区域作为待识别区域。
以面积最大的候选运动目标区域作为基准区域的原因在于，发明人通过大量实验发现，通过现有技术检测得到的面积最大的区域通常都是运动目标区域，并且其他运动目标区域与面积最大的区域在距离、重叠面积上具有一定的关联关系。
步骤S103.对于每个待识别区域，根据该待识别区域与基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域。根据本发明的一个实施例，距离信息可以包括：待识别区域与基准区域的边距(涉及待识别区域与基准区域在x轴和y轴方向上的最小距离)和中心距。
参见图2，在本发明的一个实施例中，步骤S103包括如下子步骤：
步骤S1031.计算每个待识别区域与基准区域的边距，并且对计算得到的边距进行归一化处理，得到每个待识别区域与基准区域的归一化边距。
假设对图像进行初始检测(参见步骤S101)得到N个(其中，N为大于1的整数)候选运动目标区域，以区域0表示基准区域，以区域1～N-1表示待识别区域，则对于待识别区域i(1≤i≤N-1)，其与基准区域在x轴和y轴方向上的最小距离之和为边距，表示如下：
dL(i)＝dxmin(i)+dymin(i) (1)
其中，dL(i)表示待识别区域i与基准区域的边距；dxmin(i)表示待识别区域i与基准区域在直角坐标系的x轴方向上的最小距离；dymin(i)表示待识别区域i与基准区域在直角坐标系的y轴方向上的最小距离。
接着，对计算得到的边距进行归一化处理，表示如下：
其中，θL(i)表示待识别区域i与基准区域的归一化边距；dL(i)表示待识别区域i与基准区域的边距；表示所有待识别区域的平均边距，即
步骤S1032.计算每个待识别区域与基准区域的中心距，并且对计算得到的中心距进行归一化处理，得到每个待识别区域与基准区域的归一化中心距。
仍以上述N个候选运动目标区域0～N-1为例，其中基准区域的中心点坐标为(x0,y0)，则对于待识别区域i(1≤i≤N-1),其中心点与基准区域的中心点的距离作为中心距，表示如下：
其中，dO(i)表示待识别区域i与基准区域的中心距，(xi,yi)表示待识别区域i的中心点坐标。
接着，对得到的中心距进行归一化处理，表示如下：
其中，θO(i)表示待识别区域i与基准区域的归一化中心距；表示所有待识别区域的平均中心距，即
S1033.计算每个待识别区域与基准区域的重叠面积，对重叠面积进行归一化处理，得到每个待识别区域与基准区域的归一化重叠面积。
本领域技术人员应理解，可利用现有技术对两个矩阵的重叠面积进行计算，归一化的重叠面积表示如下：
θS(i)＝1-2SOL/S(i) (5)
其中，θS(i)表示待识别区域i与基准区域的归一化重叠面积，SOL表示待识别区域i与基准区域的重叠面积，S(i)表示待识别区域i的面积。
步骤S1034.对于每个待识别区域，将该待识别区域与所述基准区域的归一化边距、归一化中心距和归一化重叠面积进行标准化操作，从而得到该待识别区域所对应的标准化数据。
其中，标准化(normalization)操作指的是将一个或多个数据按比例缩放，使之落入一个小的特定区间，从而使得不同维度的数据具有可比较性，并且能够提高计算的准确性。根据本发明的一个实施例，对待识别区域与基准区域的归一化边距、归一化中心距和归一化重叠面积进行标准化操作可表示如下：
其中，θ(i)表示待识别区域i对应的标准化数据；θL(i)表示待识别区域i与基准区域的归一化边距；θO(i)表示待识别区域i与基准区域的归一化中心距；θS(i)表示待识别区域i与基准区域的归一化重叠面积。
步骤S1035.对所有待识别区域对应的标准化数据进行离群点检测，将检测到的离群点所对应的待识别区域作为非运动目标区域。
在一个实施例中，采用T检验，或称student t检验(Student's t test)方法进行离群点检测。其中，将所有待识别区域对应的标准化数据作为样本进行T检验。
对于每个被检验的点(或样本，即被检验的标准化数据)，使用如下统计量：
其中，xd是被检验的点，即被检验的标准化数据；和s分别是由不包括xd在内的m个(假设如上文所述，待识别区域的数量为N-1，则m＝N-2)标准化数据计算得到的样本平均值和标准偏差，即(其中，xi为待识别区域i对应的样本，即待识别区域i对应的标准化数据θ(i))且
随后，根据预先确定的置信度和测定次数查表，如果K大于所查数值，则标准化数据xd为离群点，即xd对应的待识别区域为非运动目标区域，否则为运动目标区域。
步骤S104.从多个候选运动目标区域中删除非运动目标区域，得到最终的运动目标区域。
图3(b)的下半部示出了最终的运动目标区域，从图3(b)可见，一些非运动目标表区域(如垃圾桶旁的阴影)已被删除，使得识别结果更加准确，从而大大减少非运动目标区域对后续智能算法应用的影响。
在上述的实施例中，待识别区域对应的标准化数据包含待识别区域与基准区域的边距、中心距以及重叠面积这三个因素，而在其他的实施例中，该标准化数据也可以仅包含三个因素中的任意一个或两个因素，从而在一定程度上提高识别结果的准确性。
应注意到一些示例性方法被描绘为流程图。虽然流程图将操作表述为顺序执行，但可以理解的是，许多操作可以并行、同时或同步地执行。另外，可以重新排列操作的顺序。处理可以在操作完成时终止，但是也可以具有并未包括在图中或实施例中的另外的步骤。
上述方法可以通过硬件、软件、固件、中间件、伪代码、硬件描述语言或者它们的任意组合来实现。当以软件、固件、中间件或伪代码实施时，用来执行任务的程序代码或代码分段可以被存储在计算机可读介质中，诸如存储介质，处理器可以执行该任务。
应理解，软件实现的示例性实施例通常在一些形式的程序存储介质上进行编码或者在一些类型的传输介质上实现。程序存储介质可以是任意的非瞬态存储介质，诸如磁盘(例如，软盘或硬盘)或光盘(例如，紧凑盘只读存储器或“CD ROM”)，并且可以是只读的或者随机访问的。类似地，传输介质可以是双绞线、同轴线缆、光纤，或者本领域已知的一些其它适用的传输介质。
虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims (10)

1.一种运动目标区域的识别方法，包括：
获得从图像中检测到的多个候选运动目标区域，选择面积最大的候选运动目标区域作为基准区域，将所述多个候选运动目标区域中除所述基准区域以外的候选运动目标区域作为待识别区域；
对于每个待识别区域，根据该待识别区域与所述基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域；
从所述多个候选运动目标区域中删除非运动目标区域，得到运动目标区域。
2.根据权利要求1所述的方法，其中，待识别区域与所述基准区域的距离信息包括：
该待识别区域与所述基准区域在x轴和y轴方向上的最小距离，和/或该待识别区域与所述基准区域的中心点的距离。
3.根据权利要求1或2所述的方法，其中，对于每个待识别区域，根据该待识别区域与所述基准区域的距离信息和/或重叠面积，判断该待识别区域是否属于非运动目标区域包括：
对于每个待识别区域，计算该待识别区域与所述基准区域在x轴方向和y轴方向上的最小距离之和作为边距，并且对所述边距进行归一化处理，得到该待识别区域与所述基准区域的归一化边距；
对于每个待识别区域，计算该待识别区域与所述基准区域的中心点的距离作为中心距，并且对所述中心距进行归一化处理，得到该待识别区域与所述基准区域的归一化中心距；
对于每个待识别区域，计算该待识别区域与所述基准区域的重叠面积，并且对所述重叠面积进行归一化处理，得到该待识别区域与所述基准区域的归一化重叠面积；
对于每个待识别区域，将该待识别区域与所述基准区域的归一化边距、归一化中心距和归一化重叠面积进行标准化操作，得到该待识别区域对应的标准化数据。
对所有待识别区域对应的标准化数据进行离群点检测，将检测到的离群点所对应的待识别区域作为非运动目标区域。
4.根据权利要求3所述的方法，其中，根据下式计算待识别区域与所述基准区域的边距：
dL(i)＝dxmin(i)+dymin(i)
其中，dL(i)表示待识别区域i与所述基准区域的边距，1≤i≤N-1，N为所述候选运动目标区域的数量；dxmin(i)表示待识别区域i与所述基准区域在x轴方向上的最小距离；dymin(i)表示待识别区域i与所述基准区域在y轴方向上的最小距离；以及
根据下式对所述边距进行归一化处理：
其中，θL(i)表示待识别区域i与所述基准区域的归一化边距；dL(i)表示待识别区域i与所述基准区域的边距；表示所有待识别区域的平均边距；
5.根据权利要求3所述的方法，其中，根据下式计算待识别区域与所述基准区域的中心距：
其中，dO(i)表示待识别目标区域i与所述基准区域的中心距，(xi,yi)表示待识别区域i的中心点坐标，(x0,y0)表示所述基准区域的中心点坐标；以及
根据下式对所述中心距进行归一化处理：
其中，θO(i)表示待识别区域i与所述基准区域的归一化中心距；表示所有待识别区域的平均中心距。
6.根据权利要求3所述的方法，其中，根据下式对所述重叠面积进行归一化处理：
θS(i)＝1-2SOL/S(i)
其中，θS(i)表示待识别区域i与所述基准区域的归一化重叠面积，SOL表示待识别区域i与所述基准区域的重叠面积，S(i)表示待识别区域i的面积。
7.根据权利要求3所述的方法，其中，对于每个待识别区域根据下式进行标准化操作：
其中，θ(i)表示待识别区域i对应的标准化数据；θL(i)表示待识别区域i与所述基准区域的归一化边距；θO(i)表示待识别区域i与所述基准区域的归一化中心距；θS(i)表示待识别区域i与所述基准区域的归一化重叠面积。
8.根据权利要求1或2所述的方法，其中，所述多个候选运动目标是利用背景差分法从所述图像中检测得到的。
9.一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-8中任一项所述的方法。
CN201910255189.1A 2019-04-01 2019-04-01 运动目标区域的识别方法 Active CN110059591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910255189.1A CN110059591B (zh) 2019-04-01 2019-04-01 运动目标区域的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910255189.1A CN110059591B (zh) 2019-04-01 2019-04-01 运动目标区域的识别方法

Publications (2)

Publication Number Publication Date
CN110059591A true CN110059591A (zh) 2019-07-26
CN110059591B CN110059591B (zh) 2021-04-16

Family

ID=67317842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910255189.1A Active CN110059591B (zh) 2019-04-01 2019-04-01 运动目标区域的识别方法

Country Status (1)

Country Link
CN (1) CN110059591B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021093534A1 (zh) * 2019-11-12 2021-05-20 Oppo广东移动通信有限公司 主体检测方法和装置、电子设备、计算机可读存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100141753A1 (en) * 2000-05-03 2010-06-10 Aperio Technologies, Inc. Optimizing Virtual Slide Image Quality
CN101751679A (zh) * 2009-12-24 2010-06-23 北京中星微电子有限公司 运动目标的分类方法和检测方法及其装置
CN103473757A (zh) * 2012-06-08 2013-12-25 株式会社理光 在视差图中的对象跟踪方法和系统
JP5438466B2 (ja) * 2009-11-04 2014-03-12 パナソニック デバイスＳｕｎｘ株式会社 画像処理装置および画像処理方法
CN104156976A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种抗遮挡目标检测的多特征点跟踪方法
CN104700408A (zh) * 2015-03-11 2015-06-10 中国电子科技集团公司第二十八研究所 一种基于摄像机网络的室内单目标定位方法
US20150302252A1 (en) * 2014-04-16 2015-10-22 Lucas A. Herrera Authentication method using multi-factor eye gaze
CN105913441A (zh) * 2016-04-27 2016-08-31 四川大学 一种用于改善视频中目标检测性能的阴影去除方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
CN107886086A (zh) * 2017-12-01 2018-04-06 中国农业大学 一种基于图像视频的目标动物检测方法及装置
CN107992878A (zh) * 2017-10-30 2018-05-04 天津理工大学 一种基于ELM-Hierarchical Clustering 的离群点检测方法
CN108229307A (zh) * 2017-11-22 2018-06-29 北京市商汤科技开发有限公司 用于物体检测的方法、装置和设备
CN108960174A (zh) * 2018-07-12 2018-12-07 广东工业大学 一种目标检测结果优化方法及装置
CN109034065A (zh) * 2018-07-27 2018-12-18 西安理工大学 一种基于点云的室内场景物体提取方法
US10242442B2 (en) * 2016-10-27 2019-03-26 International Business Machines Corporation Detection of outlier lesions based on extracted features from skin images

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100141753A1 (en) * 2000-05-03 2010-06-10 Aperio Technologies, Inc. Optimizing Virtual Slide Image Quality
JP5438466B2 (ja) * 2009-11-04 2014-03-12 パナソニック デバイスＳｕｎｘ株式会社 画像処理装置および画像処理方法
CN101751679A (zh) * 2009-12-24 2010-06-23 北京中星微电子有限公司 运动目标的分类方法和检测方法及其装置
CN103473757A (zh) * 2012-06-08 2013-12-25 株式会社理光 在视差图中的对象跟踪方法和系统
CN104156976A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种抗遮挡目标检测的多特征点跟踪方法
US20150302252A1 (en) * 2014-04-16 2015-10-22 Lucas A. Herrera Authentication method using multi-factor eye gaze
CN104700408A (zh) * 2015-03-11 2015-06-10 中国电子科技集团公司第二十八研究所 一种基于摄像机网络的室内单目标定位方法
CN105913441A (zh) * 2016-04-27 2016-08-31 四川大学 一种用于改善视频中目标检测性能的阴影去除方法
US10242442B2 (en) * 2016-10-27 2019-03-26 International Business Machines Corporation Detection of outlier lesions based on extracted features from skin images
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
CN107992878A (zh) * 2017-10-30 2018-05-04 天津理工大学 一种基于ELM-Hierarchical Clustering 的离群点检测方法
CN108229307A (zh) * 2017-11-22 2018-06-29 北京市商汤科技开发有限公司 用于物体检测的方法、装置和设备
CN107886086A (zh) * 2017-12-01 2018-04-06 中国农业大学 一种基于图像视频的目标动物检测方法及装置
CN108960174A (zh) * 2018-07-12 2018-12-07 广东工业大学 一种目标检测结果优化方法及装置
CN109034065A (zh) * 2018-07-27 2018-12-18 西安理工大学 一种基于点云的室内场景物体提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHANG LIU 等: "Video Content Redundancy Elimination Based on the Convergence of Computing, Communication and Cache", 《2016 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 *
LING LIU 等: "Load aware joint Co MP clustering and inter-cell resource scheduling in heterogeneous ultra dense cellular networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
VAIBHAW SINGH CHANDEL: "Selective Search for Object Detection (C++ / Python)", 《HTTPS://WWW.LEARNOPENCV.COM/SELECTIVE-SEARCH-FOR-OBJECT-DETECTION-CPP-PYTHON/》 *
王田雨: "目标检测中候选区域生成算法的研究与改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
赵潇 等: "基于HVS 的视频监控目标提取方法研究", 《计算机应用研究》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021093534A1 (zh) * 2019-11-12 2021-05-20 Oppo广东移动通信有限公司 主体检测方法和装置、电子设备、计算机可读存储介质

Also Published As

Publication number Publication date
CN110059591B (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN105825524B (zh) 目标跟踪方法和装置
CN109360183B (zh) 一种基于卷积神经网络的人脸图像质量评估方法和系统
Luo et al. Aircraft target detection in remote sensing images based on improved YOLOv5
CN108960090B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
US11301712B2 (en) Pointer recognition for analog instrument image analysis
CN109117831A (zh) 物体检测网络的训练方法和装置
CN109115812A (zh) 一种焊缝底片缺陷识别方法及系统
CN109711437A (zh) 一种基于yolo网络模型的变压器部件识别方法
CN112508044A (zh) 人工智能ai模型的评估方法、系统及设备
CN109858547A (zh) 一种基于bssd的目标检测方法与装置
CN108489996A (zh) 一种绝缘子的缺陷检测方法、系统及终端设备
CN111510792B (zh) 基于自适应加权图差异分析的视频摘要生成方法及系统
CN112633174B (zh) 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质
CN104079798B (zh) 图像检测方法、装置及一种视频监控系统
CN109117746A (zh) 手部检测方法及机器可读存储介质
US20140040173A1 (en) System and method for detection of a characteristic in samples of a sample set
CN110335313A (zh) 音频采集设备定位方法及装置、说话人识别方法及系统
CN111368824B (zh) 一种仪表识别方法、移动设备及存储介质
CN112164093A (zh) 一种基于边缘特征和相关滤波的人物自动跟踪方法
CN111738319A (zh) 一种基于大规模样本的聚类结果评价方法及装置
CN110059591A (zh) 运动目标区域的识别方法
Liu et al. Research on surface defect detection based on semantic segmentation
CN116188940A (zh) 训练模型的方法、装置、存储介质以及电子设备
CN116091416A (zh) 印制电路板组装缺陷检测、变化检测模型训练方法及装置
CN115690514A (zh) 图像识别方法及相关设备

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