CN110807407A - 一种用于视频中高度近似动态目标的特征提取方法 - Google Patents
一种用于视频中高度近似动态目标的特征提取方法 Download PDFInfo
- Publication number
- CN110807407A CN110807407A CN201911041346.5A CN201911041346A CN110807407A CN 110807407 A CN110807407 A CN 110807407A CN 201911041346 A CN201911041346 A CN 201911041346A CN 110807407 A CN110807407 A CN 110807407A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- video frame
- video
- axis direction
- 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
Images
Classifications
-
- 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
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于视频中高度近似动态目标的特征提取方法,包括:获取视频序列,视频序列包括连续的视频帧,连续的视频帧存在一个或多个目标;依据连续的视频帧,获取同一个目标在每一个视频帧中的位置信息;依据同一个目标在每一个视频帧中的位置信息,将同一个目标在每一个视频帧中的图像信息叠加至同一图像,获取目标叠影图像;依据目标叠影图像,提取目标叠影特征。对颜色纹理单一、不同物体形状高度近似的小物体图像的处理提供了解决方案,加强了视频分析方法的精度与智能程度。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种用于视频中高度近似动态目标的特征提取方法。
背景技术
现有技术在对图像分析处理时,提取的特征主要包括颜色特征、纹理特征、形状特征和空间特征。
颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质,颜色特征的提取包括:颜色矩、颜色直方图、颜色集、颜色聚合向量和颜色相关图。纹理特征也是一种全局特征,也描述了图像或图像区域所对应的景物的表面性质,纹理特征的提取包括:统计方法的典型代表灰度共生矩阵GLCM以及模型法中的马尔可夫(Markov)随机场(MRF)模型法和Gibbs随机场模型法。形状特征的提取包括:边界特征法中的Hough变换检测平行直线方法、傅里叶形状描述符法和其他经典方法(限元法、小波描述符法等)。空间特征是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等;空间特征的提取包括:基于模型的姿态估计方法和基于学习的姿态估计方法。
然而,对颜色纹理单一的物体图像进行处理,颜色纹理特征并不明显,提取图像颜色纹理特征很难区分出物体本身和背景;对两个形状高度近似的物体图像进行处理,形状特征很难对两个物体进行区分;对小物体图像进行处理,小物体的可利用特征较少,导致小物体图像分析难度大。可见,现有提取的特征很难对颜色纹理单一、不同物体形状高度近似的小物体图像进行处理。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种用于视频中高度近似动态目标的特征提取方法。对颜色纹理单一、不同物体形状高度近似的小物体图像的处理提供了解决方案,加强了视频分析方法的精度与智能程度。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种用于视频中高度近似动态目标的特征提取方法,包括:获取视频序列,视频序列包括连续的视频帧,连续的视频帧存在一个或多个目标;依据连续的视频帧,获取同一个目标在每一个视频帧中的位置信息;依据同一个目标在每一个视频帧中的位置信息,将同一个目标在每一个视频帧中的图像信息叠加至同一图像,获取目标叠影图像;依据目标叠影图像,提取目标叠影特征。
作为本发明方法的一种改进,依据连续的视频帧,获取同一个目标在每一个视频帧中的位置信息,包括:对每一个视频帧进行图像分割,获取每一个二值视频帧;依据每一个二值视频帧,获取每一个视频帧中每一个目标的位置信息;采用KNN算法对每两个连续视频帧进行处理,获取同一个目标在每两个连续视频帧中的位置信息;依据同一个目标在每两个连续视频帧中的位置信息,获取同一个目标在每一个视频帧中的位置信息。
作为本发明方法的一种改进,对每一个视频帧进行图像分割,获取每一个二值视频帧,包括:通过腐蚀、膨胀形态学方法对每一个视频帧进行预处理,获取每一个预处理的视频帧;基于graythresh函数对每一个预处理的视频帧进行二值化处理,获取每一个二值视频帧。
作为本发明方法的一种改进,依据目标叠影图像,提取目标叠影特征,包括:依据目标叠影图像,确定目标叠影图像的切面图像;对切面图像进行特征统计,获得叠影特征向量。
作为本发明方法的一种改进,依据目标叠影图像,确定目标叠影图像的切面图像,包括:依据目标叠影图像,沿X轴方向以第一预定步长做切片处理,获取目标叠影图像在X轴方向上的切面图像;依据目标叠影图像,沿Y轴方向以第二预定步长做切片处理,获取目标叠影图像在Y轴方向上的切面图像;依据目标叠影图像,沿Z轴方向以第三预定步长做切片处理,获取目标叠影图像在Z轴方向上的切面图像。
作为本发明方法的一种改进,对切面图像进行特征统计,获得叠影特征向量,包括:将X轴方向上的切面图像加在一起,获取第一累加结果;将Y轴方向上的切面图像加在一起,获取第二累加结果;将Z轴方向上的切面图像加在一起,获取第三累加结果;分别对第一累加结果、第二累加结果和第三累加结果进行特征统计,获得三个叠影特征向量。
作为本发明方法的一种改进,采用卷积神经网络VGG16对切面图像进行特征统计。
(三)有益效果
本发明的有益效果是:
1、本发明综合了目标在视频中从出现到结束的所有信息,加强了视频分析方法的精度与智能程度,形成了一种全新的特征。
2、本发明方法对颜色纹理单一、不同物体形状高度近似的小物体图像的处理提供了解决方案;并且也解决了现有目标跟踪、动态目标分析和视频分析等方法中,因为视频本身质量导致目标物体出现残像、重影的问题,提高准确率。
附图说明
本发明借助于以下附图进行描述:
图1为本发明具体实施方式中用于视频中高度近似动态目标的特征提取方法的流程图;
图2为本发明具体实施方式中人类精子细胞视频序列的某一帧图片;
图3为本发明具体实施方式中图像分割后的视频帧;
图4为本发明具体实施方式中的目标叠影图像;
图5为本发明具体实施方式中中心化处理后的目标叠影图像;
图6为本发明具体实施方式中目标叠影图像的三维显示;
图7为本发明具体实施方式中沿X轴方向切片处理的示意图;
图8为本发明具体实施方式中沿Y轴方向切片处理的示意图;
图9为本发明具体实施方式中沿Z轴方向切片处理的示意图;
图10为本发明具体实施方式中X轴方向特征向量的ANN分类结果;
图11为本发明具体实施方式中Y轴方向特征向量的ANN分类结果;
图12为本发明具体实施方式中Z轴方向特征向量的ANN分类结果;
图13为本发明具体实施方式中XYZ轴三个方向特征向量融合的ANN分类结果;
图14为本发明具体实施方式中X轴方向特征向量的RF分类结果;
图15为本发明具体实施方式中Y轴方向特征向量的RF分类结果;
图16为本发明具体实施方式中Z轴方向特征向量的RF分类结果;
图17为本发明具体实施方式中XYZ轴三个方向特征向量融合的RF分类结果。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
申请人发现在颜色纹理单一、不同物体形状高度近似的小物体视频序列中,不同目标的运动叠影会存在很大差异,这是由于在运动叠影中包含有更多的信息。将物体运动的每一次图像保存下来形成运动叠影(如图5所示),在该运动叠影中保存了物体运动信息(包括路径长度、位移长度、运动时间、运动速度、行为特征等),甚至对于大物体而言还包括颜色纹理信息。运动叠影的三维图片显示如图3所示,可见该运动叠影中包含了很多信息。因此在本发明中,申请人基于运动叠影图像提取叠影特征,对颜色纹理单一、不同物体形状高度近似的小物体图像进行图像处理。
为此,本发明提供一种用于视频中高度近似动态目标的特征提取方法,如图1所示,包括以下步骤:
步骤S1、获取视频序列,视频序列包括连续的视频帧,连续的视频帧存在一个或多个目标。
在本发明一具体实施例中,获取人类精子细胞的视频序列。人类精子细胞的视频序列包含了颜色纹理单一、不同精子形状高度近似、小物体等一系列难题,保证了实验难度。人类精子细胞视频序列中某一帧图片如图2所示。需要说明的是,本发明方法是以精子显微视频流中的图像为实施对象而不是直接以有生命的人体或动物体为实施对象,并且本发明方法主要应用于医疗设备中来对图像进行处理,能够没有任何障碍地在产业上大规模利用和推广。
步骤S2、依据连续的视频帧,获取同一个目标在每一个视频帧中的位置信息;依据同一个目标在每一个视频帧中的位置信息,将同一个目标在每一个视频帧中的图像信息叠加至同一图像,获取目标叠影图像,如图4所示。
具体地,依据连续的视频帧,获取同一个目标在每一个视频帧中的位置信息,包括:对每一个视频帧进行图像分割,获取每一个二值视频帧;依据每一个二值视频帧,获取每一个视频帧中每一个目标的位置信息。采用KNN算法对每两个连续视频帧进行处理,获取同一个目标在每两个连续视频帧中的位置信息;依据同一个目标在每两个连续视频帧中的位置信息,获取同一个目标在每一个视频帧中的位置信息。
对每一个视频帧进行图像分割,获取每一个二值视频帧,包括:通过腐蚀、膨胀形态学方法对每一个视频帧进行预处理,获取每一个预处理的视频帧;基于graythresh函数对每一个预处理的视频帧进行二值化处理,获取每一个二值视频帧,如图3所示。当然,采用形态学处理中的膨胀与腐蚀结合graythresh函数进行图像分割仅仅是优选,可以想见,采用Otsu阈值分割、区域生长法、分水岭分割、全局阈值分割也可以实现类似的效果。
具体地,步骤S2还包括:对目标叠影图像进行中心化处理,如图5所示。
步骤S3、依据目标叠影图像,提取目标叠影特征。
具体地,步骤S3包括:依据目标叠影图像,确定目标叠影图像的切面图像;对切面图像进行特征统计,获得叠影特征向量。
依据目标叠影图像,确定目标叠影图像的切面图像,包括:目标叠影图像的三维显示如图6所示;依据目标叠影图像,沿X轴方向以第一预定步长做切片处理(如图7所示),获取目标叠影图像在X轴方向上的切面图像;依据目标叠影图像,沿Y轴方向以第二预定步长做切片处理(如图8所示),获取目标叠影图像在Y轴方向上的切面图像;依据目标叠影图像,沿Z轴方向以第三预定步长做切片处理(如图9所示),获取目标叠影图像在Z轴方向上的切面图像。
切片处理中的步长依据每个方向像素范围的最大值确定,由于X轴和Z轴的像素范围大(一般是几百或者几千),根据对很多精子目标对象数据的汇总,确定第一预定步长和第三预定步长均为20像素;同理Y轴像素范围小(一般是几十),确定第二预定步长为2像素。
可以想见,依据目标叠影图像,沿斜45°方向做切片处理,获取目标叠影图像的切面图像;或者,依据目标叠影图像,沿图像的四维角度做切片处理,获取目标叠影图像的切面图像,也可以实现类似的效果
对切面图像进行特征统计,获得叠影特征向量,包括:将X轴方向上的切面图像加在一起,获取第一累加结果;将Y轴方向上的切面图像加在一起,获取第二累加结果;将Z轴方向上的切面图像加在一起,获取第三累加结果;分别对第一累加结果、第二累加结果和第三累加结果进行特征统计,获得三个叠影特征向量。可选地,分别对每个方向上的每个切面图像进行特征统计,获得输出结果;依据切片处理的方向,对对应的输出结果进行相加或最大池化(maxpooling)处理,获得三个叠影特征向量。
优选地,采用卷积神经网络VGG16对切面图像进行特征统计。可以想见,采用尺度不变特征变换法(SIFT)、方向梯度直方图法(HOG)、InceptionV3、卷积神经网络VGG19对切面图像进行特征统计,也可以实现类似地效果。
综上所述,本发明综合了目标在视频中从出现到结束的所有信息,加强了视频分析方法的精度与智能程度,形成了一种全新的特征。本发明方法对颜色纹理单一、不同物体形状高度近似的小物体图像的处理提供了解决方案;并且也解决了现有目标跟踪、动态目标分析和视频分析等方法中,因为视频本身质量导致目标物体出现残像、重影的问题,提高准确率。
选择1378个精子目标叠影图像的X轴、Y轴、Z轴、XYZ三轴融合一共四个角度,使用ANN和RF两种经典的分类器用于验证叠影特征的实用性。其中,分类器设计采用三分类,将运动位移小于70像素的目标定义为类1,运动位移大于70像素小于120像素的目标定义为类2,将运动位移大于120像素的目标定义为类3;并用混淆矩阵来表示分类结果。在混淆矩阵中,第四行、第四列分别表示该行该列所对应的类分类准确率,第四行第四列的数值表示整体分类的准确率。
获得的分类结果:图10为X轴方向特征向量的ANN分类结果,图11为Y轴方向特征向量的ANN分类结果,图12为Z轴方向特征向量的ANN分类结果,图13为XYZ轴三个方向特征向量融合的ANN分类结果。图14为X轴方向特征向量的RF分类结果,图15为Y轴方向特征向量的RF分类结果,图16为Z轴方向特征向量的RF分类结果,图17为XYZ轴三个方向特征向量融合的RF分类结果。
可以看出,得到的分类结果对于小物体目标适应性增强,对于颜色纹理单一的区分能力提高,对于不同精子形状几乎相同的两个目标区分结果理想。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (7)
1.一种用于视频中高度近似动态目标的特征提取方法,其特征在于,包括:
获取视频序列,所述视频序列包括连续的视频帧,所述连续的视频帧存在一个或多个目标;
依据所述连续的视频帧,获取同一个目标在每一个视频帧中的位置信息;依据所述同一个目标在每一个视频帧中的位置信息,将同一个目标在每一个视频帧中的图像信息叠加至同一图像,获取目标叠影图像;
依据所述目标叠影图像,提取目标叠影特征。
2.根据权利要求1所述的方法,其特征在于,所述依据所述连续的视频帧,获取同一个目标在每一个视频帧中的位置信息,包括:
对每一个视频帧进行图像分割,获取每一个二值视频帧;依据所述每一个二值视频帧,获取每一个视频帧中每一个目标的位置信息;
采用KNN算法对每两个连续视频帧进行处理,获取同一个目标在所述每两个连续视频帧中的位置信息;依据同一个目标在所述每两个连续视频帧中的位置信息,获取同一个目标在每一个视频帧中的位置信息。
3.根据权利要求2所述的方法,其特征在于,所述对每一个视频帧进行图像分割,获取每一个二值视频帧,包括:
通过腐蚀、膨胀形态学方法对所述每一个视频帧进行预处理,获取每一个预处理的视频帧;基于graythresh函数对所述每一个预处理的视频帧进行二值化处理,获取每一个二值视频帧。
4.根据权利要求1所述的方法,其特征在于,所述依据所述目标叠影图像,提取目标叠影特征,包括:
依据所述目标叠影图像,确定目标叠影图像的切面图像;
对所述切面图像进行特征统计,获得叠影特征向量。
5.根据权利要求4所述的方法,其特征在于,所述依据所述目标叠影图像,确定目标叠影图像的切面图像,包括:
依据所述目标叠影图像,沿X轴方向以第一预定步长做切片处理,获取目标叠影图像在X轴方向上的切面图像;
依据所述目标叠影图像,沿Y轴方向以第二预定步长做切片处理,获取目标叠影图像在Y轴方向上的切面图像;
依据所述目标叠影图像,沿Z轴方向以第三预定步长做切片处理,获取目标叠影图像在Z轴方向上的切面图像。
6.根据权利要求5所述的方法,其特征在于,所述对所述切面图像进行特征统计,获得叠影特征向量,包括:
将所述X轴方向上的切面图像加在一起,获取第一累加结果;将所述Y轴方向上的切面图像加在一起,获取第二累加结果;将所述Z轴方向上的切面图像加在一起,获取第三累加结果;
分别对所述第一累加结果、所述第二累加结果和所述第三累加结果进行特征统计,获得三个叠影特征向量。
7.根据权利要求4至6任一项所述的方法,其特征在于,采用卷积神经网络VGG16对所述切面图像进行特征统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041346.5A CN110807407B (zh) | 2019-10-30 | 2019-10-30 | 一种用于视频中高度近似动态目标的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041346.5A CN110807407B (zh) | 2019-10-30 | 2019-10-30 | 一种用于视频中高度近似动态目标的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807407A true CN110807407A (zh) | 2020-02-18 |
CN110807407B CN110807407B (zh) | 2023-04-18 |
Family
ID=69489562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041346.5A Active CN110807407B (zh) | 2019-10-30 | 2019-10-30 | 一种用于视频中高度近似动态目标的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807407B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191319A (zh) * | 2021-05-21 | 2021-07-30 | 河南理工大学 | 一种人体姿态智能识别方法及计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138478A1 (en) * | 2007-05-08 | 2010-06-03 | Zhiping Meng | Method of using information set in video resource |
CN104081757A (zh) * | 2012-02-06 | 2014-10-01 | 索尼公司 | 图像处理设备、图像处理方法、程序和记录介质 |
CN105809975A (zh) * | 2016-05-30 | 2016-07-27 | 北京精英智通科技股份有限公司 | 一种异常停车判断方法和装置 |
CN106157274A (zh) * | 2015-04-01 | 2016-11-23 | 武汉大学 | 一种基于图像位置块近邻嵌入的人脸幻构方法 |
CN106803909A (zh) * | 2017-02-21 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 一种视频文件的生成方法及终端 |
WO2018006825A1 (zh) * | 2016-07-08 | 2018-01-11 | 腾讯科技(深圳)有限公司 | 视频编码方法和装置 |
US20180137665A1 (en) * | 2016-11-16 | 2018-05-17 | Beijing Kuangshi Technology Co., Ltd. | Facial feature adding method, facial feature adding apparatus, and facial feature adding device |
CN108737852A (zh) * | 2018-04-26 | 2018-11-02 | 深圳天珑无线科技有限公司 | 一种视频处理方法、终端、具有存储功能的装置 |
CN110288632A (zh) * | 2019-05-15 | 2019-09-27 | 北京旷视科技有限公司 | 一种图像处理方法、装置、终端及存储介质 |
CN110309832A (zh) * | 2019-06-19 | 2019-10-08 | 创新奇智(成都)科技有限公司 | 一种基于图像的物体分类方法、系统及电子设备 |
-
2019
- 2019-10-30 CN CN201911041346.5A patent/CN110807407B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138478A1 (en) * | 2007-05-08 | 2010-06-03 | Zhiping Meng | Method of using information set in video resource |
CN104081757A (zh) * | 2012-02-06 | 2014-10-01 | 索尼公司 | 图像处理设备、图像处理方法、程序和记录介质 |
CN106157274A (zh) * | 2015-04-01 | 2016-11-23 | 武汉大学 | 一种基于图像位置块近邻嵌入的人脸幻构方法 |
CN105809975A (zh) * | 2016-05-30 | 2016-07-27 | 北京精英智通科技股份有限公司 | 一种异常停车判断方法和装置 |
WO2018006825A1 (zh) * | 2016-07-08 | 2018-01-11 | 腾讯科技(深圳)有限公司 | 视频编码方法和装置 |
US20180137665A1 (en) * | 2016-11-16 | 2018-05-17 | Beijing Kuangshi Technology Co., Ltd. | Facial feature adding method, facial feature adding apparatus, and facial feature adding device |
CN106803909A (zh) * | 2017-02-21 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 一种视频文件的生成方法及终端 |
CN108737852A (zh) * | 2018-04-26 | 2018-11-02 | 深圳天珑无线科技有限公司 | 一种视频处理方法、终端、具有存储功能的装置 |
CN110288632A (zh) * | 2019-05-15 | 2019-09-27 | 北京旷视科技有限公司 | 一种图像处理方法、装置、终端及存储介质 |
CN110309832A (zh) * | 2019-06-19 | 2019-10-08 | 创新奇智(成都)科技有限公司 | 一种基于图像的物体分类方法、系统及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191319A (zh) * | 2021-05-21 | 2021-07-30 | 河南理工大学 | 一种人体姿态智能识别方法及计算机设备 |
CN113191319B (zh) * | 2021-05-21 | 2022-07-19 | 河南理工大学 | 一种人体姿态智能识别方法及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110807407B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN109753975B (zh) | 一种训练样本获得方法、装置、电子设备和存储介质 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
Liu et al. | Tracking objects using shape context matching | |
Teo et al. | Detection and segmentation of 2d curved reflection symmetric structures | |
CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
Dewangan | Importance & applications of digital image processing | |
CN111199245A (zh) | 油菜害虫识别方法 | |
Gao et al. | Agricultural image target segmentation based on fuzzy set | |
Zoidi et al. | Stereo object tracking with fusion of texture, color and disparity information | |
CN110807407B (zh) | 一种用于视频中高度近似动态目标的特征提取方法 | |
Yalic et al. | Automatic Object Segmentation on RGB-D Data using Surface Normals and Region Similarity. | |
Sun et al. | Pig detection algorithm based on sliding windows and PCA convolution | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
Srinivasan et al. | Segmentation techniques for target recognition | |
Lezoray | Supervised automatic histogram clustering and watershed segmentation. Application to microscopic medical color images | |
CN116563591A (zh) | 一种基于特征提取的海天背景下的光学烟雾检测方法 | |
CN116563659A (zh) | 一种结合先验知识和特征分类的光学烟雾检测方法 | |
Patil | Techniques and methods for detection and tracking of moving object in a video | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
CN112419392A (zh) | 基于机器视觉计算运动物体实际大小的方法、设备及介质 | |
CN117037049B (zh) | 基于YOLOv5深度学习的图像内容检测方法及系统 | |
CN104794725B (zh) | 一种基于局部不变特征的遥感影像对象表达方法 |
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 |