CN110602504A - 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 - Google Patents
一种基于YOLOv2目标检测算法的视频解压缩方法及系统 Download PDFInfo
- Publication number
- CN110602504A CN110602504A CN201910952403.9A CN201910952403A CN110602504A CN 110602504 A CN110602504 A CN 110602504A CN 201910952403 A CN201910952403 A CN 201910952403A CN 110602504 A CN110602504 A CN 110602504A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- key
- information
- target
- 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.)
- Pending
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开一种基于YOLOv2目标检测算法的视频解压缩方法及系统,涉及视频处理技术领域,采用方案包括:获取固定摄像机采集的监控视频;对视频序列进行分组,利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;保存前述得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;对前述存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。本发明提取和保存视频运动目标的,并结合关键帧提取,完成视频压缩工作,降低压缩时的存储空间。
Description
技术领域
本发明涉及视频压缩技术领域,具体的说是一种基于YOLOv2目标检测算法的视频解压缩方法及系统。
背景技术
人工智能技术逐渐取代人类完成无意义的重复劳动,催生多种无人参与的行业,例如现在正流行的新零售概念。在这类不由人参与的行业中,视频监控室必不可少的环节之一,随之带来的是海量的视频存储,因此衍生出多种视频压缩技术。视频压缩一直是视频监控领域的研究热点,视频监控的主要任务之一是检测场景中图像的变化并提取运动目标。
在传统的视频压缩方法中,由于运动目标存在遮挡、变化速度过快、孔径和匹配误差等问题,分割效果不尽如人意。其次,待检测目标种类多、数量多,传统的特征描述子语义信息少、泛化程度低,给检测带来很大的挑战。另外,目标模型需要从大规模标记数据集中学习得到,而数据采集和标注通常是很大的工程,耗费大量的人力物力,这些情况导致目标检测的计算复杂性很高。最后,动态变化的环境需要时常更新视觉模型,提高模型对复杂环境的自适应能力。
随着深度学习技术的发展,很多基于深度学习的目标检测方法陆续被提出,在精度上显著优于传统方法,成为最新的研究热点。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种基于YOLOv2目标检测算法的视频解压缩方法及系统,通过对视频序列关键帧的提取、对运动目标的检测与提取,完成视频所包含帧的压缩和重构。
首先,本发明提供一种基于YOLOv2目标检测算法的视频解压缩方法,解决上述技术问题采用的技术方案如下:
一种基于YOLOv2目标检测算法的视频解压缩方法,该方法应用于无人工作场所,该方法的实现过程包括:
S10、获取固定摄像机采集的监控视频;
S20、对视频序列进行分组,利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
S30、利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
S40、对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
S50、保存步骤S20-S40得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
S60、对步骤S50存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
在步骤S20中,利用帧间差法获取视频关键帧的具体操作为:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
在步骤S20中,在利用帧间差法获取视频关键帧的过程中,可以直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
在步骤S30中,利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标,具体执行步骤包括:
首先需要对目标检测网络进行单一图像数据集的预训练,
然后对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整,
最后利用训练好的模型参数进行目标检测和标定。
其次,本发明提供一种基于YOLOv2目标检测算法的视频解压缩系统,解决上述技术问题采用的技术方案如下:
一种基于YOLOv2目标检测算法的视频解压缩系统,该系统应用于无人工作场所,该系统包括:
视频获取模块,用于获取固定摄像机采集的监控视频;
关键帧获取模块,用于对视频序列进行分组,进而利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
检测标定模块,用于利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
记录模块,用于对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
保存模块,用于保存得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
解压缩模块,用于对保存模块存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
具体的,所涉及关键帧获取模块利用帧间差法获取视频关键帧的具体过程包括:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
具体的,所涉及视频解压缩系统还包括提取计算模块;
所述提取计算模块直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
具体的,所涉及检测标定模块包括:
预训练子模块,用于对目标检测网络进行单一图像数据集的预训练;
变换优化子模块,用于对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整;
检测标定子模块,用于利用训练好的模型参数进行目标检测和标定。
本发明的一种基于YOLOv2目标检测算法的视频解压缩方法及系统,与现有技术相比具有的有益效果是:
1)本发明基于YOLOv2目标检测算法进行视频运动目标的提取和保存,并结合关键帧提取完成视频压缩工作,有效降低压缩时的存储空间;
2)本发明适用于没有店员参与的智能化购物场所,将该场所的工作环境作为关键帧,随后进一步对监控视频中的运动目标进行检测并标定运动目标,可以有效地解决智能化购物场所中固定摄像机采集的监控视频重复率压缩导致的工作效率低等问题。
附图说明
附图1是本发明实施例一的方法流程图;
附图2是本发明实施例二的连接框图。
附图中各标号信息表示:
1、视频获取模块,2、关键帧获取模块,3、检测标定模块,
4、记录模块,5、保存模块,6、解压缩模块,7、提取计算模块;
8、预训练子模块,9、变换优化子模块,10、检测标定子模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。
实施例一:
结合附图1,本实施例提出一种基于YOLOv2目标检测算法的视频解压缩方法,该方法应用于无人工作场所,该方法的实现过程包括:
S10、获取固定摄像机采集的监控视频;
S20、对视频序列进行分组,利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
S30、利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
S40、对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
S50、保存步骤S20-S40得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
S60、对步骤S50存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
在步骤S20中,利用帧间差法获取视频关键帧的具体操作为:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
在步骤S20中,在利用帧间差法获取视频关键帧的过程中,可以直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
在步骤S30中,利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标,具体执行步骤包括:
首先需要对目标检测网络进行单一图像数据集的预训练,
然后对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整,
最后利用训练好的模型参数进行目标检测和标定。
实施例二:
结合附图2,本实施例提出一种基于YOLOv2目标检测算法的视频解压缩系统,该系统应用于无人工作场所,该系统包括:
视频获取模块1,用于获取固定摄像机采集的监控视频;
关键帧获取模块2,用于对视频序列进行分组,进而利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
检测标定模块3,用于利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
记录模块4,用于对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
保存模块5,用于保存得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
解压缩模块6,用于对保存模块存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
在本实施例中,所涉及关键帧获取模块2利用帧间差法获取视频关键帧的具体过程包括:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
在本实施例中,所涉及视频解压缩系统还包括提取计算模块7;
所涉及提取计算模块7直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
在本实施例中,所涉及检测标定模块3包括:
预训练子模块8,用于对目标检测网络进行单一图像数据集的预训练;
变换优化子模块9,用于对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整;
检测标定子模块10,用于利用训练好的模型参数进行目标检测和标定。
综上可知,采用本发明的一种基于YOLOv2目标检测算法的视频解压缩方法及系统,可以对视频中的运动目标进行提取和保存,并结合关键帧的提取完成视频压缩工作,以有效降低压缩时的存储空间。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于YOLOv2目标检测算法的视频解压缩方法,其特征在于,该方法应用于无人工作场所,该方法的实现过程包括:
S10、获取固定摄像机采集的监控视频;
S20、对视频序列进行分组,利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
S30、利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
S40、对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
S50、保存步骤S20-S40得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
S60、对步骤S50存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
2.根据权利要求1所述的一种基于YOLOv2目标检测算法的视频解压缩方法,其特征在于,在步骤S20中,利用帧间差法获取视频关键帧的具体操作为:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
3.根据权利要求1所述的一种基于YOLOv2目标检测算法的视频解压缩方法,其特征在于,在步骤S20中,在利用帧间差法获取视频关键帧的过程中,可以直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
4.根据权利要求1所述的一种基于YOLOv2目标检测算法的视频解压缩方法,其特征在于,在步骤S30中,利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标,具体执行步骤包括:
首先需要对目标检测网络进行单一图像数据集的预训练,
然后对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整,
最后利用训练好的模型参数进行目标检测和标定。
5.一种基于YOLOv2目标检测算法的视频解压缩系统,其特征在于,该系统应用于无人工作场所,该系统包括:
视频获取模块,用于获取固定摄像机采集的监控视频;
关键帧获取模块,用于对视频序列进行分组,进而利用帧间差法获取视频关键帧并保存,作为图像重构的背景模型;
检测标定模块,用于利用YOLOv2目标检测算法对监控视频中的运动目标进行检测并标定运动目标;
记录模块,用于对检测得到的运动目标进行帧数和坐标记录,作为后期视频帧图像重构的关键信息进行保存;
保存模块,用于保存得到的关键帧和帧内运动目标信息,作为压缩后的信息存储;
解压缩模块,用于对保存模块存储的信息进行解压缩,利用存储的关键帧以及帧内运动目标信息进行逐帧重构,还原原监控视频的信息。
6.根据权利要求5所述的一种基于YOLOv2目标检测算法的视频解压缩系统,其特征在于,所述关键帧获取模块利用帧间差法获取视频关键帧的具体过程包括:
首先计算所有镜头内的帧的平均差值,
随后找出镜头内帧的差值大于平均值的倍数的帧,
若不存在,说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧,亮度过于黑暗的帧忽略不计。
7.根据权利要求5所述的一种基于YOLOv2目标检测算法的视频解压缩系统,其特征在于,视频解压缩系统还包括提取计算模块;
所述提取计算模块直接选择不包含运动目标的视频帧图像作为关键帧,即图像重构的背景模型,同时,根据镜头内帧的变化来确定关键帧的数量。
8.根据权利要求5所述的一种基于YOLOv2目标检测算法的视频解压缩系统,其特征在于,所述检测标定模块包括:
预训练子模块,用于对目标检测网络进行单一图像数据集的预训练;
变换优化子模块,用于对图像数据进行多尺度变换操作,对目标检测网络的参数进行优化调整;
检测标定子模块,用于利用训练好的模型参数进行目标检测和标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952403.9A CN110602504A (zh) | 2019-10-09 | 2019-10-09 | 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952403.9A CN110602504A (zh) | 2019-10-09 | 2019-10-09 | 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110602504A true CN110602504A (zh) | 2019-12-20 |
Family
ID=68865899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910952403.9A Pending CN110602504A (zh) | 2019-10-09 | 2019-10-09 | 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110602504A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212287A (zh) * | 2020-01-15 | 2020-05-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像插值法的视频压缩方法 |
CN111246176A (zh) * | 2020-01-20 | 2020-06-05 | 北京中科晶上科技股份有限公司 | 一种节带化视频传输方法 |
CN111639600A (zh) * | 2020-05-31 | 2020-09-08 | 石家庄铁道大学 | 基于中心偏移的视频关键帧提取方法 |
CN114827714A (zh) * | 2022-04-11 | 2022-07-29 | 咪咕文化科技有限公司 | 基于视频指纹的视频还原方法、终端设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179402A (zh) * | 2013-03-19 | 2013-06-26 | 中国科学院半导体研究所 | 一种视频压缩编码与解码方法及其装置 |
CN103686095A (zh) * | 2014-01-02 | 2014-03-26 | 中安消技术有限公司 | 一种视频浓缩方法和系统 |
WO2016173277A1 (zh) * | 2015-04-30 | 2016-11-03 | 杭州海康威视数字技术股份有限公司 | 视频编码方法、解码方法及其装置 |
CN107729809A (zh) * | 2017-09-11 | 2018-02-23 | 汕头大学 | 一种自适应生成视频摘要的方法、装置及其可读存储介质 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN109246488A (zh) * | 2017-07-04 | 2019-01-18 | 北京航天长峰科技工业集团有限公司 | 一种用于安保监控系统的视频摘要生成方法 |
CN109951710A (zh) * | 2019-03-26 | 2019-06-28 | 中国民航大学 | 基于深度学习的机坪监控视频压缩方法及系统 |
-
2019
- 2019-10-09 CN CN201910952403.9A patent/CN110602504A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179402A (zh) * | 2013-03-19 | 2013-06-26 | 中国科学院半导体研究所 | 一种视频压缩编码与解码方法及其装置 |
CN103686095A (zh) * | 2014-01-02 | 2014-03-26 | 中安消技术有限公司 | 一种视频浓缩方法和系统 |
WO2016173277A1 (zh) * | 2015-04-30 | 2016-11-03 | 杭州海康威视数字技术股份有限公司 | 视频编码方法、解码方法及其装置 |
CN109246488A (zh) * | 2017-07-04 | 2019-01-18 | 北京航天长峰科技工业集团有限公司 | 一种用于安保监控系统的视频摘要生成方法 |
CN107729809A (zh) * | 2017-09-11 | 2018-02-23 | 汕头大学 | 一种自适应生成视频摘要的方法、装置及其可读存储介质 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN109951710A (zh) * | 2019-03-26 | 2019-06-28 | 中国民航大学 | 基于深度学习的机坪监控视频压缩方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212287A (zh) * | 2020-01-15 | 2020-05-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像插值法的视频压缩方法 |
CN111246176A (zh) * | 2020-01-20 | 2020-06-05 | 北京中科晶上科技股份有限公司 | 一种节带化视频传输方法 |
CN111639600A (zh) * | 2020-05-31 | 2020-09-08 | 石家庄铁道大学 | 基于中心偏移的视频关键帧提取方法 |
CN111639600B (zh) * | 2020-05-31 | 2023-07-28 | 石家庄铁道大学 | 基于中心偏移的视频关键帧提取方法 |
CN114827714A (zh) * | 2022-04-11 | 2022-07-29 | 咪咕文化科技有限公司 | 基于视频指纹的视频还原方法、终端设备及存储介质 |
CN114827714B (zh) * | 2022-04-11 | 2023-11-21 | 咪咕文化科技有限公司 | 基于视频指纹的视频还原方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110602504A (zh) | 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 | |
CN106875437B (zh) | 一种面向rgbd三维重建的关键帧提取方法 | |
CN109299703B (zh) | 对鼠情进行统计的方法、装置以及图像采集设备 | |
GB2607749A (en) | Fine-grained visual recognition in mobile augmented reality | |
US20200089997A1 (en) | Product onboarding machine | |
EP2549759B1 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras as well as method and system for obtaining object tracking between two or more video cameras | |
WO2003036557A1 (en) | Method and apparatus for background segmentation based on motion localization | |
CN109902601B (zh) | 一种结合卷积网络和递归网络的视频目标检测方法 | |
CN111582300A (zh) | 一种基于事件相机的高动态目标检测方法 | |
CN109614933B (zh) | 一种基于确定性拟合的运动分割方法 | |
CN109377499B (zh) | 一种像素级物体分割方法及装置 | |
US20210248427A1 (en) | Method and system of neural network object recognition for image processing | |
CN111199556A (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN113424516A (zh) | 处理从基于事件的光传感器的像素阵列异步地接收的一系列事件的方法 | |
CN113409355A (zh) | 一种基于fpga的运动目标识别系统及方法 | |
CN111325773A (zh) | 运动目标的检测方法、装置、设备及可读存储介质 | |
CN113011403A (zh) | 手势识别方法、系统、介质及设备 | |
CN114708287A (zh) | 一种镜头边界检测方法、设备及存储介质 | |
CN109785357B (zh) | 一种适用于战场环境的机器人智能化全景光电侦察的方法 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
KR101296318B1 (ko) | 적응적 블록 분할에 의한 객체 추적 장치 및 방법 | |
Zhang et al. | An optical flow based moving objects detection algorithm for the UAV | |
CN110753228A (zh) | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 | |
CN116824641A (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
Zhao et al. | An improved VIBE algorithm for fast suppression of ghosts and static objects |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |