CN111091526A - 一种视频模糊的检测方法和系统 - Google Patents

一种视频模糊的检测方法和系统 Download PDF

Info

Publication number
CN111091526A
CN111091526A CN201811236497.1A CN201811236497A CN111091526A CN 111091526 A CN111091526 A CN 111091526A CN 201811236497 A CN201811236497 A CN 201811236497A CN 111091526 A CN111091526 A CN 111091526A
Authority
CN
China
Prior art keywords
image
sub
judging
current
detection
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
CN201811236497.1A
Other languages
English (en)
Other versions
CN111091526B (zh
Inventor
曾雄伟
方榆
代青平
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 Hongdu Information Technology Co ltd
Original Assignee
Guangzhou Hongdu 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 Guangzhou Hongdu Information Technology Co ltd filed Critical Guangzhou Hongdu Information Technology Co ltd
Priority to CN201811236497.1A priority Critical patent/CN111091526B/zh
Publication of CN111091526A publication Critical patent/CN111091526A/zh
Application granted granted Critical
Publication of CN111091526B publication Critical patent/CN111091526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T7/13—Edge detection
    • 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)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种视频模糊的检测方法和系统，该方法包括以下步骤：获取步骤：从视频流中获取一帧图像；分割步骤：将所述图像分割成若干个子图；检测步骤：对所述若干个子图进行模糊检测；判定步骤：若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。本发明通过将待检测的图像进行分割，并针对子图进行模糊检测，只要检测到其中一个子图是清晰图像，则可以判定该图像为清晰图像，使得本发明在具有大块平坦区域的监控画面中具有更高的准确度；本发明通过局部检测，能够很快地判别出清晰的视频，相对于全局检测，有效地减少运算量。本发明可以广泛应用于图像处理技术。

Description

一种视频模糊的检测方法和系统
技术领域
本发明涉及图像处理技术，尤其是一种视频模糊的检测方法和系统。
背景技术
视频图像模糊一般是由于摄像头蒙尘或对焦不准导致人眼感觉视频不清晰的现象。目前检测技术大体分为两类，一类是有参考类检测，一类是无参考类检测。有参考类检测由于图像受环境因素变换很大，因此难于确定固定的参考图像，逐渐被淘汰。现在主流无参考检测主要有几种：1)基于图像梯度均方差的检测方法，这种方法简单，容易实现。2)基于DCT(离散余弦变换)变换系数，然后采用SVM进行分类为清晰、不清晰图像，从而达到检测目的。3)基于重叠双正交变换图像变换检测图像，然后重建图像，跟原始图像比较，然后对比差异的方法。4)将图像进行小波变换，然后求取模糊因子的方法。
而目前上述算法的应用，主要基于全局检测，对于存在大块平坦区域的图像，如高速公路路面等图像的检测效果比较差。因此，目前检测技术的准确率待提升。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种提升检测效果和检测效率的视频模糊的检测方法和系统。
本发明所采取的第一种技术方案是：
一种视频模糊的检测方法，包括以下步骤：
获取步骤：从视频流中获取一帧图像；
分割步骤：将所述图像分割成若干个子图；
检测步骤：对所述若干个子图进行模糊检测；
判定步骤：若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。
进一步，在所述获取步骤和检测步骤之间还包括以下步骤：
将所述图像灰度化或者将所述若干个子图灰度化。
进一步，所述模糊检测具体包括：
计算当前子图的梯度均方差；
若当前子图的梯度均方差大于第一设定阈值且当前子图上不存在文字，则判定当前子图为清晰图像；
若当前子图的梯度均方差大于第一设定阈值且当前子图上存在文字，则判定当前子图为非清晰图像；
若当前子图的梯度均方差小于等于第一设定阈值且当前子图不处于文字区域，则执行检测子步骤；
若当前子图的梯度均方差小于等于第一设定阈值且当前子图处于文字区域，则判定当前子图为非清晰图像；
若当前子图为清晰图像，则执行所述判定步骤；
若当前子图为非清晰图像，则判断当前子图是否为最后一个子图，若是，则执行所述判定步骤，反之，则对下一个子图进行模糊检测；
所述检测子步骤包括：
生成当前子图的直方图；
采用OTSU算法求取目标阈值；
在直方图中查找目标阈值两边的局部最大值；
根据两个局部最大值查找两峰之间的波谷值；
判断波谷值是否小于第二设定阈值，若是，则判定当前子图为清晰图像，反之，则判定当前子图为非清晰图像。
进一步，所述当前子图上是否存在文字通过以下步骤判断：
判断当前子图是否处于文字区域，若是，则检测当前子图是否存在文字；反之，则判定当前子图上不存在文字。
进一步，所述检测当前子图是否存在文字，其具体包括：
生成当前子图的直方图；
判断直方图在左侧设定区域或者右侧设定区域内是否存在波峰且波峰与波谷之比大于第三设定阈值；若是，则判定当前子图存在文字；反之，则判定当前子图不存在文字。
进一步，所述文字区域位于图像的四周。
进一步，所述检测步骤具体为：
按照设定次序对所述若干个子图进行模糊检测；
所述设定次序为：先检测不处于文字区域的子图，再检测处于文字区域的子图。
进一步，所述子图的大小为240*160。
本发明所采取的第二种技术方案是：
一种视频模糊的检测系统，包括：
获取模块，用于从视频流中获取一帧图像；
分割模块，用于将所述图像分割成若干个子图；
检测模块，用于对所述若干个子图进行模糊检测；
判定模块，用于若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。
本发明所采取的第三种技术方案是：
一种视频模糊的检测系统，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行一种视频模糊的检测方法。
本发明的有益效果是：通过将待检测的图像进行分割，并针对子图进行模糊检测，只要检测到其中一个子图是清晰图像，则可以判定该图像为清晰图像，使得本发明在具有大块平坦区域的监控画面中具有更高的准确度；同时，在城市的监控中，清晰的视频占多数，本发明通过局部检测，能够很快地判别出清晰的视频，相对于全局检测，有效地减少运算量。
附图说明
图1为本发明一种具体实施例的视频模糊的检测方法的主要步骤的流程图；
图2为本发明一种具体实施例中清晰子图的直方图；
图3为本发明一种具体实施例中模糊子图的直方图；
图4为本发明一种具体实施例的视频模糊的检测方法的详细步骤的流程图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
参照图1，一种视频模糊的检测方法，包括以下步骤：
获取步骤：从视频流中获取一帧图像；所述视频流为监控摄像头所拍摄的视频流，我们可以根据视频流的格式进行解码，从而获取视频流中的图像。
分割步骤：将所述图像分割成若干个子图。本步骤，我们可以根据预先设定的大小对图像进行分割。例如，针对1080P的视频，我们可以采用240*160像素的大小对图像进行分割。也可以按照480*320的大小进行分割，具体的分割大小可以根据实验结果决定。
检测步骤：对所述若干个子图进行模糊检测。所述模糊检测的方法有多种，例如可以采用梯度均方差的检测方法或者其他现有算法实现。
判定步骤：若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。通过本步骤，一方面可以提升算法的准确度，另一方面可以有效减少系统的运算量。同时，由于现有技术基于全局识别，如果图像中出现大片平坦区域，会影响现有算法对清晰度的判断，导致判断阈值难以确定。而本实施例将图像进行分割，并且只需要识别出一个清晰的子图即可判定该图像为清晰图像，这样的技术方案，在设置判断阈值时，相对容易。
作为优选的实施例，为了便于后续的图像处理，本实施例在所述获取步骤和检测步骤之间还包括以下步骤：
将所述图像灰度化或者将所述若干个子图灰度化。
然而，现实中监控视频的画面会被监控系统自动添加上位置、识别ID和时间等等文字。例如，黄埔大道，监控13，2018年10月01日，12时11分35秒。而这些文字由于是后期添加到视频中的，并且通常与画面的颜色具有较高的差异，界限明显，这些文字的存在容易让算法认为该图像是清晰图像，从而造成误检。不过，这些文字通常有规律地分布图像的四周，即接近图像上下左右四个边缘的部分，我们可以根据经验，区分哪些区域是文字可能出现的区域，哪些区域是文字不会出现的区域。
作为优选的实施例，所述模糊检测具体包括：
计算当前子图的梯度均方差。
若当前子图的梯度均方差大于第一设定阈值且当前子图上不存在文字，则判定当前子图为清晰图像。不存在文字的情况有两种，一种情况是当前子图不处于文字区域，即不处于我们认为可能出现文字而预先设定的区域；另一种情况是当前子图处于文字区域，但是通过检测算法没有检测到任何的文字。
若当前子图的梯度均方差大于第一设定阈值且当前子图上存在文字，则判定当前子图为非清晰图像。
若当前子图的梯度均方差小于等于第一设定阈值且当前子图不处于文字区域，则执行检测子步骤。
若当前子图的梯度均方差小于等于第一设定阈值且当前子图处于文字区域，则判定当前子图为非清晰图像。
若当前子图为清晰图像，则执行所述判定步骤。
若当前子图为非清晰图像，则判断当前子图是否为最后一个子图，若是，则执行所述判定步骤，反之，则对下一个子图进行模糊检测。
所述检测子步骤包括：
生成当前子图的直方图。如图2和图3所示，清晰图像的直方图和模糊图像的直方图具有明显的区别，模糊子图双峰之间的波谷值明显比较大，因此我们可以利用两者在直方图上的特征，对通过梯度均方差未能判断为清晰图像的子图进行二次判断，以提升准确率。
采用OTSU算法求取目标阈值。所述OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。所述目标阈值其实就是指OTSU算法里面的阈值，采用目标阈值的称谓仅仅是为了与第一设定阈值和第二设定阈值区分开，目标一次对本名词不做任何限定。
在直方图中查找目标阈值两边的局部最大值。
根据两个局部最大值查找两峰之间的波谷值。
判断波谷值是否小于第二设定阈值，若是，则判定当前子图为清晰图像，反之，则判定当前子图为非清晰图像。
本实施例仅仅是对主要判断的条件进行罗列，由于判断的条件有多个，因此本领域技术人员可以根据实际情况，对各条件的判断的先后顺序进行调整和组合。
作为代替的实施例，所述梯度均方差也可以采用其他参数代替，例如，我们可以对当前的子图进行DCT变换，然后进行量化重建，再将量化重建前后的两个子图的像素值作差，求算像素值的均方差，以像素值的均方差替代梯度均方差作为判断参数。
参照图4，本实施例给一种优选的判断逻辑顺序，本实施例包括以下步骤：
S1、对图像进行分割。
S2、判断子图是否全部完成处理。若是，则判定图像为模糊图像，反之，则更换下一个子图，并执行步骤S3。
S3、计算子图的梯度均方差。
S4、判断梯度均方差是否大于第一设定阈值；若是，则执行步骤S5；反之执行步骤S8。
S5、判断子图是否存在于文字区域，若是，则执行步骤S6；反之，则判定图像为清晰图像。
S6、检测文字。
S7、判断是否存在文字；若是，则返回步骤S2；反之，则判定图像为清晰图像。
S8、判断子图是否存在于文字区域，若是，则执行步骤S2；反之，则执行步骤S9。
S9、生成子图的直方图。
S10、通过OTSU算法计算目标阈值。
S11、计算目标阈值两侧峰值之间的波谷值。
S12、判断波谷值是否小于第二设定阈值，若是，则判定图像为清晰图像。反之，则执行步骤S2。
作为优选的实施例，为了减少文字检测的执行次数，我们可以根据子图是否出现在文字区域对其进行排除，如果子图没有出现在文字区域，那么意味着该子图上不大可能出现文字，因此我们可以不对这些区域进行文字检测。本实施例中，所述当前子图上是否存在文字通过以下步骤判断：
判断当前子图是否处于文字区域，若是，则检测当前子图是否存在文字；反之，则判定当前子图上不存在文字。所述识别，可以是可以通过直方图的特征来判断，也可以采用其他图像识别算法实现。
通过本实施例的步骤，能够减少文字的识别量，提升系统的效率。
作为优选的实施例，本实施例给出一种具体的文字识别方法，本实施例具有较高的精度。所述检测当前子图是否存在文字，其具体包括：
生成当前子图的直方图；
判断直方图在左侧设定区域或者右侧设定区域内是否存在波峰且波峰与波谷之比大于第三设定阈值；若是，则判定当前子图存在文字；反之，则判定当前子图不存在文字。
作为优选的实施例，所述文字区域位于图像的四周。即图像的上下左右四侧的边缘部分。
作为优选的实施例，为了提高清晰的先被子图被检测的可能性，所述检测步骤具体为：
按照设定次序对所述若干个子图进行模糊检测；
所述设定次序为：先检测不处于文字区域的子图，再检测处于文字区域的子图。由于受到文字区域的干扰，容易造成子图因为存在文字而被排除，本实施例先检测不处于文字区域的子图，再检测处于文字区域的子图，可以有效提升清晰的子图先被发现的可能性，从而提升了系统的效率。
作为优选的实施例，针对1080P和720P的视频进行分割，所述子图的大小为240*160时，在检测精度和检测效率的综合性能较高。
本实施例公开了一种实现如图1所示的方法的视频模糊的检测系统，包括：
获取模块，用于从视频流中获取一帧图像；
分割模块，用于将所述图像分割成若干个子图；
检测模块，用于对所述若干个子图进行模糊检测；
判定模块，用于若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。
本实施例公开了一种视频模糊的检测系统，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行一种如图1所示的视频模糊的检测方法。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种视频模糊的检测方法，其特征在于：包括以下步骤：
获取步骤：从视频流中获取一帧图像；
分割步骤：将所述图像分割成若干个子图；
检测步骤：对所述若干个子图进行模糊检测；
判定步骤：若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。
2.根据权利要求1所述的一种视频模糊的检测方法，其特征在于：在所述获取步骤和检测步骤之间还包括以下步骤：
将所述图像灰度化或者将所述若干个子图灰度化。
3.根据权利要求2所述的一种视频模糊的检测方法，其特征在于：所述模糊检测具体包括：计算当前子图的梯度均方差；
若当前子图的梯度均方差大于第一设定阈值且当前子图上不存在文字，则判定当前子图为清晰图像；
若当前子图的梯度均方差大于第一设定阈值且当前子图上存在文字，则判定当前子图为非清晰图像；
若当前子图的梯度均方差小于等于第一设定阈值且当前子图不处于文字区域，则执行检测子步骤；
若当前子图的梯度均方差小于等于第一设定阈值且当前子图处于文字区域，则判定当前子图为非清晰图像；
若当前子图为清晰图像，则执行所述判定步骤；
若当前子图为非清晰图像，则判断当前子图是否为最后一个子图，若是，则执行所述判定步骤，反之，则对下一个子图进行模糊检测；
所述检测子步骤包括：
生成当前子图的直方图；
采用OTSU算法求取目标阈值；
在直方图中查找目标阈值两边的局部最大值；
根据两个局部最大值查找两峰之间的波谷值；
判断波谷值是否小于第二设定阈值，若是，则判定当前子图为清晰图像，反之，则判定当前子图为非清晰图像。
4.根据权利要求3所述的一种视频模糊的检测方法，其特征在于：所述当前子图上是否存在文字通过以下步骤判断：
判断当前子图是否处于文字区域，若是，则检测当前子图是否存在文字；反之，则判定当前子图上不存在文字。
5.根据权利要求4所述的一种视频模糊的检测方法，其特征在于：所述检测当前子图是否存在文字，其具体包括：
生成当前子图的直方图；
判断直方图在左侧设定区域或者右侧设定区域内是否存在波峰且波峰与波谷之比大于第三设定阈值；若是，则判定当前子图存在文字；反之，则判定当前子图不存在文字。
6.根据权利要求3所述的一种视频模糊的检测方法，其特征在于：所述文字区域位于图像的四周。
7.根据权利要求3所述的一种视频模糊的检测方法，其特征在于：所述检测步骤具体为：
按照设定次序对所述若干个子图进行模糊检测；
所述设定次序为：先检测不处于文字区域的子图，再检测处于文字区域的子图。
8.根据权利要求3所述的一种视频模糊的检测方法，其特征在于：所述子图的大小为240*160。
9.一种视频模糊的检测系统，其特征在于：包括：
获取模块，用于从视频流中获取一帧图像；
分割模块，用于将所述图像分割成若干个子图；
检测模块，用于对所述若干个子图进行模糊检测；
判定模块，用于若所述若干个子图中的任意子图被判定为清晰图像，则判定所述图像为清晰图像，反之，则判定所述图像为模糊图像。
10.一种视频模糊的检测系统，其特征在于：包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1-8任一项所述的视频模糊的检测方法。
CN201811236497.1A 2018-10-23 2018-10-23 一种视频模糊的检测方法和系统 Active CN111091526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811236497.1A CN111091526B (zh) 2018-10-23 2018-10-23 一种视频模糊的检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811236497.1A CN111091526B (zh) 2018-10-23 2018-10-23 一种视频模糊的检测方法和系统

Publications (2)

Publication Number Publication Date
CN111091526A true CN111091526A (zh) 2020-05-01
CN111091526B CN111091526B (zh) 2023-06-13

Family

ID=70392003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811236497.1A Active CN111091526B (zh) 2018-10-23 2018-10-23 一种视频模糊的检测方法和系统

Country Status (1)

Country Link
CN (1) CN111091526B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066024A (zh) * 2021-03-19 2021-07-02 北京达佳互联信息技术有限公司 图像模糊检测模型的训练方法、图像模糊检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100315512A1 (en) * 2008-03-05 2010-12-16 Huawei Device Co., Ltd Method and System for Processing Images
CN104301722A (zh) * 2014-11-03 2015-01-21 电子科技大学 一种基于频域的视频流模糊检测方法
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
CN106651774A (zh) * 2016-12-27 2017-05-10 深圳市捷顺科技实业股份有限公司 一种车牌超分辨率模型重建方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100315512A1 (en) * 2008-03-05 2010-12-16 Huawei Device Co., Ltd Method and System for Processing Images
CN104301722A (zh) * 2014-11-03 2015-01-21 电子科技大学 一种基于频域的视频流模糊检测方法
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
CN106651774A (zh) * 2016-12-27 2017-05-10 深圳市捷顺科技实业股份有限公司 一种车牌超分辨率模型重建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
焦敬品;李思源;常予;吴斌;何存富;: "集箱管接头内焊缝表面缺陷识别方法研究" *
王雪玮;梁晓;郑津津;周洪军;: "自然图像的无参考模糊检测与局部模糊区域分割" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066024A (zh) * 2021-03-19 2021-07-02 北京达佳互联信息技术有限公司 图像模糊检测模型的训练方法、图像模糊检测方法及装置
CN113066024B (zh) * 2021-03-19 2023-03-10 北京达佳互联信息技术有限公司 图像模糊检测模型的训练方法、图像模糊检测方法及装置

Also Published As

Publication number Publication date
CN111091526B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
US10497121B2 (en) Method and system for extracting a main subject of an image
US9158985B2 (en) Method and apparatus for processing image of scene of interest
JP5908174B2 (ja) 画像処理装置及び画像処理方法
WO2018099136A1 (zh) 一种低照度图像降噪方法、装置及存储介质
WO2021008019A1 (zh) 姿态跟踪方法、装置及计算机可读存储介质
US20100079453A1 (en) 3D Depth Generation by Vanishing Line Detection
KR101436369B1 (ko) 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
JP2012038318A (ja) ターゲット検出方法及び装置
US20160259990A1 (en) Region-of-interest detection apparatus, region-of-interest detection method, and recording medium
CN101742292B (zh) 基于图像内容信息的环路滤波方法和滤波器
CN110717922A (zh) 一种图像清晰度评价方法及装置
CN111383244A (zh) 一种目标检测跟踪方法
Zhu et al. Automatic object detection and segmentation from underwater images via saliency-based region merging
US20190385283A1 (en) Image pre-processing for object recognition
WO2017128646A1 (zh) 一种图像处理的方法及装置
KR101615479B1 (ko) 적응적 전/후처리 필터링을 이용하는 초해상도 영상 처리 방법
KR101195978B1 (ko) 동영상에 포함된 오브젝트를 처리하는 방법 및 장치
CN111091526A (zh) 一种视频模糊的检测方法和系统
Fang et al. 1-D barcode localization in complex background
WO2023160061A1 (zh) 图像中运动对象的确定方法、装置、电子设备和存储介质
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
JP2004038980A (ja) 画像を解析する方法、しきい値を生成する方法、該方法を実行するコンピュータプログラム、該プログラムを記憶するコンピュータ可読媒体および該方法を実行するように適応した装置
CN115830513A (zh) 一种图像场景变化确定的方法、装置、系统及存储介质
CN115239551A (zh) 视频增强方法和装置
CN110321828B (zh) 一种基于双目摄像机和车底阴影的前方车辆检测方法

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