CN110547803B - 一种适用于鱼眼相机俯视拍摄的行人身高估计方法 - Google Patents

一种适用于鱼眼相机俯视拍摄的行人身高估计方法 Download PDF

Info

Publication number
CN110547803B
CN110547803B CN201910685526.0A CN201910685526A CN110547803B CN 110547803 B CN110547803 B CN 110547803B CN 201910685526 A CN201910685526 A CN 201910685526A CN 110547803 B CN110547803 B CN 110547803B
Authority
CN
China
Prior art keywords
pedestrian
image
neural network
height
head
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.)
Active
Application number
CN201910685526.0A
Other languages
English (en)
Other versions
CN110547803A (zh
Inventor
谢龙汉
杨烈
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.)
Lizhi Medical Technology Guangzhou Co ltd
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910685526.0A priority Critical patent/CN110547803B/zh
Publication of CN110547803A publication Critical patent/CN110547803A/zh
Application granted granted Critical
Publication of CN110547803B publication Critical patent/CN110547803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种适用于鱼眼相机俯视拍摄的行人身高估计方法。用基于鱼眼相机俯视拍摄的行人头部检测数据集训练一个用于行人头部检测的深度卷积神经网络；使用训练好头部检测神经网络对鱼眼图像中的行人头部进行检测，得到图像中行人头部的位置；接着根据行人的头部位置对图像进行旋转操作，并将图像中的该行人截取出来；然后对截取出来的行人图像进行填补并进行语义分割，从而得到行人准确边框，计算出行人的图上身高；根据行人的图上身高和鱼眼相机的数学模型进行行人身高估计。重复以上过程，对图像中的行人逐个进行身高估计，从而实现同时对多个行人进行身高估计。本发明针对鱼眼相机俯视拍摄场景提出了一种准确、有效的行人身高估计方法。

Description

一种适用于鱼眼相机俯视拍摄的行人身高估计方法
技术领域
本发明主要涉及视频图像中的行人身高估计领域，具体而言，是一种适用于鱼眼相机俯视拍摄的行人身高估计方法。
背景技术
近年来，随着信息产业的飞速发展和计算机性能的不断提高，利用计算机来检测视频图像中的行人信息已经是智能视频监控系统发展的主要任务。行人身高信息是监控系统需要获取的重要信息之一。目前虽然有一些针对普通相机的行人身高估计方法。然而，随着监控范围的不断扩大，普通摄像机已经不能满足使用需求，由于鱼眼相机的视角范围比较大，可以达到180°甚至超过180°，其监控范围远大于普通相机，使用鱼眼相机进行对象检测可以减少相机的数目，节约监控成本，因此在安防监控领域鱼眼相机的使用越来越广泛。
但是，鱼眼相机所拍摄图片存在较大的畸变，使得行人身高估计变得比较困难；另外为了实现大范围的监控我们将鱼眼相机安装在监控区域顶部的中心位置，俯视拍摄也极大增加了行人身高估计的难度。因此，鱼眼相机俯视拍摄场景下的行人身高估计是一项极具挑战性的任务，目前还没有方法能实现鱼眼相机俯视场景下，同时对多个行人进行身高估计。
发明内容
为了解决以上技术问题，本发明提出了一种适用于鱼眼相机俯视拍摄场景的行人身高估计方法。该方法将语义分割神经网络和鱼眼相机数学模型相结合，实现了鱼眼相机俯视拍摄场景下，同时对多个行人进行身高估计。
本发明的目的至少通过如下技术方案之一实现。
一种适用于鱼眼相机俯视拍摄的行人身高估计方法，包括以下步骤：
S1、制作基于鱼眼相机俯视拍摄的行人头部检测数据集，并用该数据集训练用于行人头部检测的深度卷积神经网络，获得训练好的行人头部检测神经网络；
S2、用训练好的行人头部检测神经网络进行行人头部检测，根据目标行人头部位置对图像进行旋转，将图像中的目标行人旋转至直立状态，然后将目标行人从图像中截取出来；
S3、对截取后的图像进行填补并对填补之后的图像中的行人进行语义分割，从而得到行人在图像中的准确边框，并根据准确边框计算行人的图上身高；
S4、根据鱼眼相机的数学模型和目标行人的图上身高，对该目标行人进行身高估计；
S5、选择不同的目标行人，重复S2至S4，依次对图像中的行人进行身高估计，从而实现对多个行人进行身高估计。
进一步地，步骤S1具体包括以下步骤：
S1.1、首先采集不同场景下的鱼眼相机俯视拍摄的视频，然后从视频中截取样本图像，并用方框手动标注出每张图像中出现的行人的头部，同时将标注框的左上角和右下角坐标写入到标注文件中，完成数据集的制作，此处标注框的左上角和右下角坐标用于S1.3的神经网络微调训练过程中计算损失，从而根据损失值优化网络参数，实现对行人头部边框的回归；
S1.2、基于单次检测器(Single Shot Detector，SSD)构建一个用于行人头部检测的深度神经网络即检测器，其特征提取部分使用VGG-16，然后使用Pascal VOC数据集，采用批量梯度下降的方式对检测器进行预训练，该行人头部检测神经网络的基本结构和损失函数与SSD框架相同；
S1.3、使用S1.1中制作的鱼眼相机俯视场景下行人头部检测数据集来对预训练后的检测器进行微调训练。在微调训练过程中，行人头部检测神经网络的结构和损失函数与预训练过程相同，首先加载预训练得到的网络参数，然后采用批量梯度下降的方式进行训练，获得训练好的行人头部检测神经网络。
进一步地，步骤S2具体包括以下步骤：
S2.1、从S1中鱼眼相机俯视拍摄的视频中一帧一帧地读取图像，然后用训练好的行人头部检测神经网络对图像进行行人头部检测，从而得到图像中各个行人的头部位置；
S2.2、从图像中选择一个目标行人Oi，i为图像中行人的序号，i＝1，2，3...，根据其头部边框计算其头部中心点Hi，然后计算图像中心点C0和头部中心点Hi的连线
Figure BDA0002146177590000021
与竖直向上方向的夹角θ，并根据θ对图像进行旋转，将行人旋转至直立状态；
S2.3、假设行人的图上身高为H0，行人在图像中的宽度为W0；根据H0和W0得到目标行人的粗略边框，并根据该粗略边框将行人从图像中截取出来。
进一步地，步骤S3具体包括以下步骤：
S3.1、基于掩模区域卷积网络(Mask R-CNN)预先构建一个用于语义分割神经网络，该神经网络的卷积部分使用ResNet-50，然后使用MSCOCO数据集，采用批量梯度下降的方式对该神经网络进行训练，得到训练好的语义分割神经网络的网络参数，该语义分割神经网络的损失函数和基本结构与MaskR-CNN相同；
S3.2、训练完成之后，加载训练好的网络参数，并将语义分割神经网络中的类别列表改为只包含人，从而实现仅对人体进行语义分割；
S3.3、根据语义分割神经网络输入图像的长宽比，用黑色对S2.3中截取出来的图像进行填补，并将填补之后的图像的尺寸调整为与语义分割网络的输入要求一致；
S3.4、用预先构建并训练调整好的语义分割神经网络对调整尺寸之后的图像进行语义分割，从而得到该行人在图像中的准确边框，将该准确边框上边的中点a和下边中点b分别作为行人在图像中的头顶点和脚底中心点，a的像素坐标为(u1，v1)，b的像素坐标为(u2，v2)。
进一步地，步骤S4具体包括以下步骤：
S4.1、根据鱼眼相机的数学模型r＝f·g(θ)和行人在鱼眼相机俯视拍摄场景下的成像几何关系可得：
ra＝f·g(α)； (1)
rb＝f·g(β)； (2)
tan(α)＝D/(H-h)； (3)
tan(β)＝D/H； (4)
其中，f是相机的焦距，g(θ)＝2f·sin(θ/2)，H为相机的安装高度，h为行人的实际高度即所求的行人身高的估计值，r为像点到图像中心的像素距离，ra为a点到图像中心的像素距离，rb为b点到图像中心的像素距离，D为行人与相机安装位置在水平面上的实际距离，α为a点与相机中心点连线与竖直向下方向的夹角，β为b点与相机中心点连线与竖直向下方向的夹角。
联立(1)、(2)、(3)和(4)可得：
h＝H{1-tan[g-1(ra/f)]/tan[g-1(rb/f)]}； (5)
S4.2、根据图像中心点C0(cx，cy)以及a、b两点的坐标可得：
Figure BDA0002146177590000031
Figure BDA0002146177590000032
将ra和rb的值代入到(5)中，得到行人身高的估计值h。
与现有技术相比，本发明的优点和效果在于：
本发明使用深度神经网络进行行人头部检测从而得到图像中行人的大致位置，然后根据行人的位置将行人从图像中单独截取出来，从而对图像中的多个行人单独进行考虑，避免行人之间的相互干扰，以便实现同时对多个行人进行身高估计。本发明通过使用深度神经网络对图像中的行人进行语义分割来得到行人在图像中的身高，从而根据图上身高估计出行人的实际身高。
附图说明
图1为一种适用于鱼眼相机俯视拍摄的行人身高估计方法的步骤流程图。
图2为鱼眼相机俯视拍摄场景下行人头部检测结果图。
图3为根据行人头部位置对图像进行旋转的结果图。
图4为将行人从图像中截取出来的并进行填补的结果图。
图5为对图像中的行人进行语义分割的结果图。
图6为行人在鱼眼相机俯视拍摄场景下的成像示意图。
具体实施方式
下面将结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此。
如图1所示，一种适用于鱼眼相机俯视拍摄的行人身高估计方法，包括以下的步骤：
S1、制作基于鱼眼相机俯视拍摄的行人头部检测数据集，并用该数据集训练用于行人头部检测的深度卷积神经网络，获得训练好的行人头部检测神经网络，具体包括以下步骤：
S1.1、首先采集不同场景下的鱼眼相机俯视拍摄的视频，然后从视频中截取样本图像，并用方框手动标注出每张图像中出现的行人的头部，如图2所示，同时将标注框的左上角和右下角坐标写入到标注文件中，完成数据集的制作。此处标注框的左上角和右下角坐标用于S1.3的神经网络微调训练过程中计算损失，从而根据损失值优化网络参数，实现对行人头部边框的回归；
S1.2、从第三方库GluonCV的Model Zoo中加载基于VGG-16的SSD模型ssd_512_vgg16_atrous_voc作为检测器，并加载在PascalVOC数据集上训练好的网络参数作为预训练参数；
S1.3、使用S1.1中制作的基于鱼眼相机俯视拍摄的行人头部检测数据集来对加载了预训练参数的检测器进行微调训练，获得训练好的行人头部检测神经网络。此处微调训练采用批量梯度下降的方式训练检测器，批量大小为16，学习率为0.0005，训练次数为500epochs；
S2、用训练好的行人头部检测神经网络进行行人头部检测，根据目标行人头部位置对图像进行旋转，将图像中的目标行人旋转至直立状态，然后将目标行人从图像中截取出来，具体包括以下步骤：
S2.1、从S1中鱼眼相机俯视拍摄的视频中一帧一帧地读取图像，然后用训练好的行人头部检测神经网络对图像进行行人头部检测，从而得到图像中各个行人的头部位置；
S2.2、如图3a所示，从图像中选择一个目标行人Oi，i为图像中行人的序号，i＝1，2，3...，根据其头部边框计算其头部中心点Hi，然后计算图像中心点C0和头部中心点Hi的连线
Figure BDA0002146177590000051
与竖直向上方向的夹角θ，并根据θ对图像进行旋转，如图3b所示，将行人旋转至直立状态；
S2.3、假设行人的图上身高为H0，行人在图像中的宽度为W0，其中H0＝2.5m，W0为检测到的该行人头部边框的宽度的4倍；如图4a所示，根据H0和W0得到目标行人的粗略边框，并根据该粗略边框将行人从图像中截取出来；
S3、对截取后的图像进行填补并对填补之后的图像中的行人进行语义分割，从而得到行人在图像中的准确边框，并根据准确边框计算行人的图上身高，具体包括以下步骤：
S3.1、预先从第三方库GluonCV的ModelZoo中加载基于ResNet-50的Mask R-CNN的网络模型mask_rcnn_resnet50_v1b_coco用于对图像进行语义分割，并加载在MSCOCO数据集上训练好的网络参数；
S3.2、训练完成之后，加载训练好的网络参数，并将语义分割神经网络中的类别列表改为只包含人，从而实现仅对人体进行语义分割；
S3.3、根据语义分割神经网络输入图像的长宽比，用黑色对S2.3中截取出来的图像进行填补，并将填补之后的图像的尺寸调整为与语义分割网络的输入要求一致；
S3.4、用预先构建并训练调整好的语义分割神经网络对填补之后的图像进行语义分割，如图5a所示，得到该行人在图像中的准确边框，如图5b所示，将该准确边框上边的中点a和下边中点b分别作为行人在图像中的头顶点和脚底中心点，a的像素坐标为(u1，v1)，b的像素坐标为(u2，v2)。
S4、根据鱼眼相机的数学模型和目标行人的图上身高，对该目标行人进行身高估计，具体包括以下步骤：
S4.1、图6为鱼眼相机成像过程的示意图，图中半圆弧
Figure BDA0002146177590000052
表示鱼眼相机的半球形的镜头，O点为镜头的焦点，EI为鱼眼相机的成像平面，根据鱼眼相机的数学模型r＝f·g(θ)和行人在鱼眼相机俯视拍摄场景下的成像几何关系可得：
ra＝f·g(α)； (1)
rb＝f·g(β)； (2)
tan(α)＝D/(H-h)； (3)
tan(β)＝D/H； (4)
其中，f是相机的焦距，g(θ)＝2f·sin(θ/2)，A为实际行人的头部，B为实际行人脚底中心点，H为相机的安装高度，h为行人的实际高度即所求的行人身高的估计值，r为像点到图像中心的像素距离，ra为a点到图像中心的像素距离，rb为b点到图像中心的像素距离，D为行人与相机安装位置在水平面上的实际距离，α为a点与相机中心点连线与竖直向下方向的夹角，β为b点与相机中心点连线与竖直向下方向的夹角；
联立(1)、(2)、(3)和(4)可得：
h＝H{1-tan[g-1(ra/f)]/tan[g-1(rb/f)]}； (5)
S4.2、根据图像中心点C0(cx，cy)以及a、b两点的坐标可得：
Figure BDA0002146177590000061
Figure BDA0002146177590000062
将ra和rb的值代入到(5)中，得到行人身高的估计值h。
S5、选择不同的目标行人，重复S2至S4，依次对图像中的行人进行身高估计，从而实现对多个行人进行身高估计。

Claims (1)

1.一种适用于鱼眼相机俯视拍摄的行人身高估计方法，其特征在于，包括以下步骤：
S1、制作基于鱼眼相机俯视拍摄的行人头部检测数据集，并用该数据集训练用于行人头部检测的深度卷积神经网络，获得训练好的行人头部检测神经网络；具体包括以下步骤：
S1.1、首先采集不同场景下的鱼眼相机俯视拍摄的视频，然后从视频中截取样本图像，并用方框手动标注出每张图像中出现的行人的头部，同时将标注框的左上角和右下角坐标写入到标注文件中，完成数据集的制作，此处标注框的左上角和右下角坐标用于S1.3的神经网络微调训练过程中计算损失，从而根据损失值优化网络参数，实现对行人头部边框的回归；
S1.2、基于单次检测器构建一个用于行人头部检测的深度神经网络即检测器，其特征提取部分使用VGG-16，然后使用Pascal VOC数据集，采用批量梯度下降的方式对检测器进行预训练，该行人头部检测神经网络的基本结构和损失函数与单次检测器的框架相同；
S1.3、使用S1.1中制作的鱼眼相机俯视场景下行人头部检测数据集来对预训练后的检测器进行微调训练；在微调训练过程中，行人头部检测神经网络的结构和损失函数与预训练过程相同，首先加载预训练得到的网络参数，然后采用批量梯度下降的方式进行训练，获得训练好的行人头部检测神经网络；
S2、用训练好的行人头部检测神经网络进行行人头部检测，根据目标行人头部位置对图像进行旋转，将图像中的目标行人旋转至直立状态，然后将目标行人从图像中截取出来；具体包括以下步骤：
S2.1、从S1中鱼眼相机俯视拍摄的视频中一帧一帧地读取图像，然后用训练好的行人头部检测神经网络对图像进行行人头部检测，从而得到图像中各个行人的头部位置；
S2.2、从图像中选择一个目标行人Oi，i为图像中行人的序号，i＝1,2,3…，根据其头部边框计算其头部中心点Hi，然后计算图像中心点C0和头部中心点Hi的连线
Figure FDA0003190414800000011
与竖直向上方向的夹角θ，并根据θ对图像进行旋转，将行人旋转至直立状态；
S2.3、假设行人的图上身高为H0，行人在图像中的宽度为W0；根据H0和W0得到目标行人的粗略边框，并根据该粗略边框将行人从图像中截取出来；
S3、对截取后的图像进行填补并对填补之后的图像中的行人进行语义分割，从而得到行人在图像中的准确边框，并根据准确边框计算行人的图上身高；具体包括以下步骤：
S3.1、基于掩模区域卷积网络预先构建一个用于语义分割神经网络，该神经网络的卷积部分使用ResNet-50，然后使用MSCOCO数据集，采用批量梯度下降的方式对该神经网络进行训练，得到训练好的语义分割神经网络的网络参数，该语义分割神经网络的损失函数和基本结构与MaskR-CNN相同；
S3.2、训练完成之后，加载训练好的网络参数，并将语义分割神经网络中的类别列表改为只包含人，从而实现仅对人体进行语义分割；
S3.3、根据语义分割神经网络输入图像的长宽比，用黑色对S2.3中截取出来的图像进行填补，并将填补之后的图像的尺寸调整为与语义分割网络的输入要求一致；
S3.4、用预先构建并训练调整好的语义分割神经网络对调整尺寸之后的图像进行语义分割，从而得到该行人在图像中的准确边框，将该准确边框上边的中点a和下边中点b分别作为行人在图像中的头顶点和脚底中心点，a的像素坐标为(u1,v1)，b的像素坐标为(u2,v2)；
S4、根据鱼眼相机的数学模型和目标行人的图上身高，对该目标行人进行身高估计；具体包括以下步骤：
S4.1、根据鱼眼相机的数学模型r＝f·g(θ)和行人在鱼眼相机俯视拍摄场景下的成像几何关系可得：
ra＝f·g(α)； (1)rb＝f·g(β)； (2)
tan(α)＝D/(H-h)； (3)
tan(β)＝D/H； (4)
其中，f是相机的焦距，g(θ)＝2f·sin(θ/2)，H为相机的安装高度，h为行人的实际高度即所求的行人身高的估计值，r为像点到图像中心的像素距离，ra为a点到图像中心的像素距离，rb为b点到图像中心的像素距离，D为行人与相机安装位置在水平面上的实际距离，α为a点与相机中心点连线与竖直向下方向的夹角，β为b点与相机中心点连线与竖直向下方向的夹角；
联立(1)、(2)、(3)和(4)可得：
h＝H{1-tan[g-1(ra/f)]/tan[g-1(rb/f)]}； (5)
S4.2、根据图像中心点C0(cx,cy)以及a、b两点的坐标可得：
Figure FDA0003190414800000021
Figure FDA0003190414800000022
将ra和rb的值代入到(5)中，得到行人身高的估计值h；
S5、选择不同的目标行人，重复S2至S4，依次对图像中的行人进行身高估计，从而实现对多个行人进行身高估计。
CN201910685526.0A 2019-07-27 2019-07-27 一种适用于鱼眼相机俯视拍摄的行人身高估计方法 Active CN110547803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910685526.0A CN110547803B (zh) 2019-07-27 2019-07-27 一种适用于鱼眼相机俯视拍摄的行人身高估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910685526.0A CN110547803B (zh) 2019-07-27 2019-07-27 一种适用于鱼眼相机俯视拍摄的行人身高估计方法

Publications (2)

Publication Number Publication Date
CN110547803A CN110547803A (zh) 2019-12-10
CN110547803B true CN110547803B (zh) 2021-12-21

Family

ID=68736545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910685526.0A Active CN110547803B (zh) 2019-07-27 2019-07-27 一种适用于鱼眼相机俯视拍摄的行人身高估计方法

Country Status (1)

Country Link
CN (1) CN110547803B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815519B (zh) * 2020-09-01 2021-04-30 南京甄视智能科技有限公司 旋转目标检测方法、装置、系统与可读介质
CN114399785B (zh) * 2021-10-29 2023-02-21 平安科技（深圳）有限公司 人体身高识别方法、装置、计算机设备及存储介质
CN117953834B (zh) * 2024-03-27 2024-05-28 安徽触威电子科技有限公司 一种防火显示屏显示控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866425A (zh) * 2010-06-02 2010-10-20 北京交通大学 基于鱼眼摄像头的人体检测方法
CN105844584A (zh) * 2016-03-19 2016-08-10 上海大学 校正鱼眼镜头图像畸变的方法
JP2017220785A (ja) * 2016-06-07 2017-12-14 キヤノン株式会社 画像処理装置、画像処理方法、およびプログラム
CN108537094A (zh) * 2017-03-03 2018-09-14 株式会社理光 图像处理方法、装置和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866425A (zh) * 2010-06-02 2010-10-20 北京交通大学 基于鱼眼摄像头的人体检测方法
CN105844584A (zh) * 2016-03-19 2016-08-10 上海大学 校正鱼眼镜头图像畸变的方法
JP2017220785A (ja) * 2016-06-07 2017-12-14 キヤノン株式会社 画像処理装置、画像処理方法、およびプログラム
CN108537094A (zh) * 2017-03-03 2018-09-14 株式会社理光 图像处理方法、装置和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Generic Camera Model and Calibration Method for Conventional,Wide-Angle, and Fish-Eye Lenses;Juho Kannala等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20060831;第28卷(第8期);全文 *
Pedestrian Detection in Fish-eye Images using Deep Learning: Combine Faster R-CNN with an effective Cutting Method;Hongli Lin等;《Proceedings of the 2018 International Conference on Signal Processing and Machine Learning》;20181130;全文 *
People Detection in Fish-eye Top-views;Meltem Demirkus等;《In Proceedings of the 12th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications》;20171231;全文 *

Also Published As

Publication number Publication date
CN110547803A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110547803B (zh) 一种适用于鱼眼相机俯视拍摄的行人身高估计方法
CN107659774B (zh) 一种基于多尺度相机阵列的视频成像系统及视频处理方法
CN109190508B (zh) 一种基于空间坐标系的多摄像头数据融合方法
US20210243362A1 (en) Techniques for enhanced image capture using a computer-vision network
US9286678B2 (en) Camera calibration using feature identification
CN109816708B (zh) 基于倾斜航空影像的建筑物纹理提取方法
CN109118544B (zh) 基于透视变换的合成孔径成像方法
CN105608671A (zh) 一种基于surf算法的图像拼接方法
CN110555377B (zh) 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法
CN106485753A (zh) 用于无人驾驶汽车的摄像机标定的方法和装置
CN110930411B (zh) 一种基于深度相机的人体分割方法及系统
CN113435282B (zh) 基于深度学习的无人机影像麦穗识别方法
CN111798373A (zh) 一种基于局部平面假设及六自由度位姿优化的快速无人机图像拼接方法
CN110738601A (zh) 一种基于三维人脸模型低分辨率人脸图像超分辨率重建方法
CN115239820A (zh) 一种分体式飞行车辆鸟瞰图实时拼接及车位检测方法
CN113686314A (zh) 船载摄像头的单目水面目标分割及单目测距方法
CN114372992A (zh) 一种基于动平台的边缘角点检测四目视觉算法
CN110378995B (zh) 一种利用投射特征进行三维空间建模的方法
CN114998448A (zh) 一种多约束双目鱼眼相机标定与空间点定位的方法
CN111738071A (zh) 一种基于单目摄像机的运动变化的逆透视变换方法
CN108460333B (zh) 基于深度图的地面检测方法及装置
CN110826364B (zh) 一种库位识别方法及装置
CN111461008B (zh) 结合场景透视信息的无人机航拍目标检测方法
WO2021146970A1 (zh) 基于语义分割的测距方法、装置、设备及系统
CN117036404A (zh) 一种单目热成像同时定位与建图方法和系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240316

Address after: Room 401, Floor 4, Building 3, Industrial Internet Innovation Center, No.1, Ketai 1st Road, Guangzhou Private Science Park, Baiyun District, Guangzhou, Guangdong 510080

Patentee after: Lizhi medical technology (Guangzhou) Co.,Ltd.

Country or region after: China

Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District

Patentee before: SOUTH CHINA University OF TECHNOLOGY

Country or region before: China