CN111144280A - 一种监控视频树叶遮挡检测方法 - Google Patents
一种监控视频树叶遮挡检测方法 Download PDFInfo
- Publication number
- CN111144280A CN111144280A CN201911355503.XA CN201911355503A CN111144280A CN 111144280 A CN111144280 A CN 111144280A CN 201911355503 A CN201911355503 A CN 201911355503A CN 111144280 A CN111144280 A CN 111144280A
- Authority
- CN
- China
- Prior art keywords
- image
- occlusion
- leaf
- network model
- layer
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种监控视频树叶遮挡检测方法，包括如下步骤：S1、建立用于图像异物识别的卷积神经网络模型，将视频监控图像分为多个图像数据集，使用图像数据集对卷积神经网络模型进行训练，得到具有遮挡的图像；S2、建立深度置信网络模型，将具有遮挡的图像作为输入层，通过判别输入的图像数据实现对遮挡类型的分类并对其中树叶遮挡的图像进行标记，完成对监控视频中树叶遮挡的检测。本发明的方法有效地实现了对视频图像中树叶遮挡的检测识别，方法整体的运行时间短、准确率高、漏检率与误识率均大大低于现有技术。
Description
技术领域
本发明涉及一种遮挡检测方法，具体而言，涉及一种基于深度学习的监控视频树叶遮挡检测方法，属于人工智能技术领域。
背景技术
针对监控视频的遮挡检测是一种用于保障监控视频持续、有效运作的一种检测技术，近年来，关于监控视频的遮挡检测，技术人员已开展了诸多研究并取得了一定的研究成果。
例如，Ribnick E等人提出利用当前帧与前一帧之间颜色直方图的差异来检测人为遮挡。Lin Daw-Tung等人使用DSP框架对比帧间灰度直方图实现遮挡检测。王宝君等人提出加入角点特征，使摄像头干扰检测算法对光线强度变化不敏感、鲁棒性更强。Saglam A等人提出一种自适应阈值的背景差分方法来检测人为遮挡。Yin Hongpeng等人提出利用尺度不变特征迸行人为遮挡检测。
由以上描述可以看出，这些方法基本上都仅针对人为遮挡、即人为用异物遮挡监控摄像头的情况，这些方法大体上都考虑的是监控场景在短期内由于人为遮挡会发生剧烈变化，从而通过对比帧间某些特征来实现遮挡检测。但是，在现实环境中，监控摄像头外部的树叶遮挡是因渐变的植物生长过程而引发，不会存在场景短期剧变现象。所以，上述诸多方法都不适用于进行监控视频树叶遮挡检测。
对于树叶遮挡问题，袁渊等人曾提出，采用累积帧差法分割视频中疑似树叶区域，提取视频中某一帧图像的整个区域和疑似树叶区域的颜色和面积信息作为视频特征，最后采用支持向量机进行树叶遮挡检测。在样本有限的条件下，该方法能取得较好的识别效果，但它仅依赖于颜色和面积信息，提取的特征过于单一，很容易出现误报现象。另外，利用连续的帧差来分割疑似树叶区域受限于内存中保留的视频信息，一旦前一帧视频图像无法获得时，该算法便失去作用。
总体而言，上述各项方法均存在着诸如准确率较低、鲁棒性较差、检测时间较长等各项不足。也正因如此，如何在现有技术的基础上提出一种全新的基于深度学习的监控视频树叶遮挡检测方法，以克服现有技术中的各种不足，也就成为了本领域内技术人员亟待解决的问题。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于深度学习的监控视频树叶遮挡检测方法，具体如下。
一种监控视频树叶遮挡检测方法，包括如下步骤：
S1、卷积神经网络阶段，建立用于图像异物识别的卷积神经网络模型，将视频监控图像分为多个图像数据集，使用图像数据集对所述卷积神经网络模型进行训练，得到具有遮挡的图像；
S2、深度置信网络阶段，建立深度置信网络模型，将具有遮挡的图像作为输入层，通过判别输入的图像数据实现对遮挡类型的分类并对其中树叶遮挡的图像进行标记，完成对监控视频中树叶遮挡的检测。
优选地，S1中所述卷积神经网络模型为13层卷积神经网络，所述卷积神经网络模型由卷积、激活函数、池化以及归一化四部分构成。
优选地，S1所述卷积神经网络阶段，包括如下步骤：
S11、建立用于图像异物识别的卷积神经网络模型；
S12、将视频监控图像分为24个图像数据集、并对全部图像数据集进行收集；
S13、随后将所述图像数据集中的原始视频监控图像降采样为64×64的大小，再进行局部对比归一化操作，将图像分割为8×8的图像块作为所述卷积神经网络模型的输入。
优选地，S1所述卷积神经网络阶段，还包括如下步骤：
S14、将图像数据集输入所述卷积神经网络模型的卷积层中进行特征提取，将提取的特征经由激活函数变换后构成卷积特征图；
S15、采用对应最大池化层进行特征映射，通过对所述卷积特征图进行下采样后构成池化特征图；
S16、采用全连接层对所得到的所述池化特征图进行适量变换，构成特征向量输送给分类层，随后利用Softmax分类器对图像进行分类，一类为具有遮挡的图像、另一类为没有遮挡的图像，随即得到具有遮挡的图像。
优选地，所述具有遮挡的图像包括树叶遮挡图像以及其他遮挡图像，其中，所述树叶遮挡图像包括树叶全遮挡图像以及树叶半遮挡图像。
优选地，S2中所述深度置信网络模型由多个限制玻尔兹曼机堆叠而成，所述深度置信网络模型的每层均由若干神经元组成、独立计算该层所接收的数据，每层的节点间互不连接，所述深度置信网络模型还包含一用于接收来自外界的输入数据的输入层。
优选地，所述深度置信网络模型的第一层与第二层之间构成一个限制玻尔兹曼机模型，通过无监督学习的方法调整网络参数、使限制玻尔兹曼机达到能量平衡。
优选地，S2所述深度置信网络阶段，包括如下步骤：
建立深度置信网络模型，将具有遮挡的图像作为输入层，判别输入的图像，通过Softmax层对具有遮挡的图像进行分类，将具有遮挡的图像分为树叶遮挡图像及以及其他遮挡图像，并对其中的树叶遮挡图像进行标记，最终完成对监控视频中树叶遮挡的检测。
本发明的优点主要体现在以下几个方面：
本发明针对视频图像树叶遮挡识别问题，提出了一种视频图像树叶遮挡检测方法，结合卷积神经网络和深度置信网络，先主动学习视频图像特征，将具有遮挡的图片像进行特征识别学习，然后对具有遮挡的图像进行分类检测，最终得到树叶遮挡的图像。本发明的方法有效地实现了对视频图像中树叶遮挡的检测识别，方法整体的运行时间短、准确率高、漏检率与误识率均大大低于现有技术。
此外，本发明的方法具有十分广阔的应用前景。研究人员可以以本发明的技术方案为基础进行拓展延伸，将类似技术运用于同领域内其他遮挡检测技术的相关方案中，实现技术的推广应用。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明方法的流程示意图；
图2为本发明中图像数据集的示意图；
图3为本发明中卷积神经网络模型的示意图；
图4为本发明中深度置信网络模型的示意图。
具体实施方式
对视频图像树叶遮挡识别问题，本发明提出了一种基于深度学习的监控视频树叶遮挡检测方法，可以更准确地识别出视频图像中的树叶遮挡，具体的方案如下。
如图1所示，一种监控视频树叶遮挡检测方法，包括如下步骤。
S1、卷积神经网络阶段。建立用于图像异物识别的卷积神经网络模型，将视频监控图像分为多个图像数据集，使用图像数据集对所述卷积神经网络模型进行训练，得到具有遮挡的图像。其具体包括：
S11、建立用于图像异物识别的卷积神经网络模型，本实施例中所述卷积神经网络模型为13层卷积神经网络，所述卷积神经网络模型由卷积、激活函数、池化以及归一化四部分构成，其结构如图3所示。
S12、将视频监控图像分为24个图像数据集、并对全部图像数据集进行收集；图像数据集结果如图2所示。
S13、随后将所述图像数据集中的原始视频监控图像降采样为64×64的大小，再进行局部对比归一化操作，将图像分割为8×8的图像块作为所述卷积神经网络模型的输入。此处对图像进行分块不仅增加了训练样本数据量，满足深度学习对海量数据的要求，还有利于增加识别准确率。
S14、将图像数据集输入所述卷积神经网络模型的卷积层中进行特征提取，将提取的特征经由激活函数变换后构成卷积特征图（与输入图像特征相对应）。
S15、采用对应最大池化层进行特征映射，通过对所述卷积特征图进行下采样后构成池化特征图；
S16、采用全连接层对所得到的所述池化特征图进行适量变换，构成特征向量输送给分类层，随后利用Softmax分类器对图像进行分类，一类为具有遮挡的图像、另一类为没有遮挡的图像，随即得到具有遮挡的图像。
需要说明的是，所述具有遮挡的图像包括树叶遮挡图像以及其他遮挡图像，其中，所述树叶遮挡图像包括树叶全遮挡图像以及树叶半遮挡图像。
S2、深度置信网络阶段。建立深度置信网络模型，所述深度置信网络（DBN）模型由多个限制玻尔兹曼机（RBM）堆叠而成，所述深度置信网络模型的每层均由若干神经元组成、独立计算该层所接收的数据，每层的节点间互不连接，所述深度置信网络模型还包含一用于接收来自外界的输入数据的输入层v。
所述深度置信网络模型的第一层与第二层之间构成一个典型的限制玻尔兹曼机模型，通过无监督学习的方法调整网络参数、使限制玻尔兹曼机达到能量平衡。逐层训练和微调整个网络权值的过程使得限制玻尔兹曼机具有较好的分类能力。
限制玻尔兹曼机是一种有效的特征提取方法，堆叠多个限制玻尔兹曼机组成的深度置信网络能提取更加抽象的特征，并在顶层级联一个Softmax层来实现分类的功能，本发明中所使用的级联Softmax层的深度置信网络模型结构如图4所示。
随后将上述卷积神经网络输出的具有遮挡的图像作为输入层，判别输入的图像，通过Softmax层对具有遮挡的图像进行分类，将具有遮挡的图像分为树叶遮挡图像及以及其他遮挡图像，并对其中的树叶遮挡图像进行标记，最终完成对监控视频中树叶遮挡的检测。
为了验证上述方法的有效性，在单台2.6GHzCPU、内存为8GB的个人电脑上进行实验。采用交叉验证的方法，将2000个实验样本分为三个子集，其中30%作为训练集，30%作为验证集，其余40%作为测试集，训练集、验证集和测试集在图像内容上是绝对独立的。采用准确率、漏检率和误识率来评价算法的检测性能，计算公式如下：
通过上述实验，得出的检测结果如表1所示，可以得知，本发明的方法具有较高的准确率，漏检率和误识率较低。
表1检测结果
| 名称 | 样本数量 | 准确率/% | 漏检率/% | 误识率/% |
| 训练集 | 600 | 88.83 | 2.50 | 9.17 |
| 验证集 | 600 | 89.67 | 2.00 | 8.83 |
| 测试集 | 800 | 91.25 | 2.13 | 8.00 |
| 总数 | 2000 | 90.05 | 2.20 | 8.60 |
为了验证本发明的方法相较于现有方法具有更高的准确率，将本发明的方法与袁渊等人提出的基于支持向量机的监控视频遮挡树叶检测以及乌美银等人提出的稀疏自编码与限制玻尔兹曼机结合的监控视频树叶遮挡检测进行对比，三种算法均使用相同的含有1000张样本的数据集进行对比测试，对比结果如表2所示。
表2对比结果
| 名称 | 准确率/% | 漏检率/% | 误识率/% |
| 本发明方法 | 91.60 | 2.30 | 8.10 |
| 袁渊等人 | 84.10 | 13.50 | 17.70 |
| 乌美银等人 | 88.90 | 10.40 | 11.40 |
由表2的结果可以得知，相比于其他两种算法，本发明的方法具有较高的准确率，漏检率与误识率大大低于其他两种算法。
由于树叶遮挡主要是由于监控点位置不可变，因时间和季节的变化以及树木的自然生长，从而导致原本没有被遮挡的监控视频摄像头在特定阶段或安装一段时间后被树叶遮挡。针对这一问题，本发明提出了一种视频图像树叶遮挡检测方法，结合卷积神经网络和深度置信网络，先主动学习视频图像特征，将具有遮挡的图片像进行特征识别学习，然后对具有遮挡的图像进行分类检测，最终得到树叶遮挡的图像。本发明的方法有效地实现了对视频图像中树叶遮挡的检测识别，方法整体的运行时间短、准确率高、漏检率与误识率均大大低于现有技术。
此外，本发明的方法具有十分广阔的应用前景。研究人员可以以本发明的技术方案为基础进行拓展延伸，将类似技术运用于同领域内其他遮挡检测技术的相关方案中，实现技术的推广应用。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种监控视频树叶遮挡检测方法，其特征在于，包括如下步骤：
S1、卷积神经网络阶段，建立用于图像异物识别的卷积神经网络模型，将视频监控图像分为多个图像数据集，使用图像数据集对所述卷积神经网络模型进行训练，得到具有遮挡的图像；
S2、深度置信网络阶段，建立深度置信网络模型，将具有遮挡的图像作为输入层，通过判别输入的图像数据实现对遮挡类型的分类并对其中树叶遮挡的图像进行标记，完成对监控视频中树叶遮挡的检测。
2.根据权利要求1所述的一种监控视频树叶遮挡检测方法，其特征在于：S1中所述卷积神经网络模型为13层卷积神经网络，所述卷积神经网络模型由卷积、激活函数、池化以及归一化四部分构成。
3.根据权利要求1所述的一种监控视频树叶遮挡检测方法，S1所述卷积神经网络阶段，包括如下步骤：
S11、建立用于图像异物识别的卷积神经网络模型；
S12、将视频监控图像分为24个图像数据集、并对全部图像数据集进行收集；
S13、随后将所述图像数据集中的原始视频监控图像降采样为64×64的大小，再进行局部对比归一化操作，将图像分割为8×8的图像块作为所述卷积神经网络模型的输入。
4.根据权利要求3所述的一种监控视频树叶遮挡检测方法，S1所述卷积神经网络阶段，还包括如下步骤：
S14、将图像数据集输入所述卷积神经网络模型的卷积层中进行特征提取，将提取的特征经由激活函数变换后构成卷积特征图；
S15、采用对应最大池化层进行特征映射，通过对所述卷积特征图进行下采样后构成池化特征图；
S16、采用全连接层对所得到的所述池化特征图进行适量变换，构成特征向量输送给分类层，随后利用Softmax分类器对图像进行分类，一类为具有遮挡的图像、另一类为没有遮挡的图像，随即得到具有遮挡的图像。
5.根据权利要求1所述的一种监控视频树叶遮挡检测方法，其特征在于：所述具有遮挡的图像包括树叶遮挡图像以及其他遮挡图像，其中，所述树叶遮挡图像包括树叶全遮挡图像以及树叶半遮挡图像。
6.根据权利要求1所述的一种监控视频树叶遮挡检测方法，其特征在于：S2中所述深度置信网络模型由多个限制玻尔兹曼机堆叠而成，所述深度置信网络模型的每层均由若干神经元组成、独立计算该层所接收的数据，每层的节点间互不连接，所述深度置信网络模型还包含一用于接收来自外界的输入数据的输入层。
7.根据权利要求6所述的一种监控视频树叶遮挡检测方法，其特征在于：所述深度置信网络模型的第一层与第二层之间构成一个限制玻尔兹曼机模型，通过无监督学习的方法调整网络参数、使限制玻尔兹曼机达到能量平衡。
8.根据权利要求1所述的一种监控视频树叶遮挡检测方法，S2所述深度置信网络阶段，包括如下步骤：
建立深度置信网络模型，将具有遮挡的图像作为输入层，判别输入的图像，通过Softmax层对具有遮挡的图像进行分类，将具有遮挡的图像分为树叶遮挡图像及以及其他遮挡图像，并对其中的树叶遮挡图像进行标记，最终完成对监控视频中树叶遮挡的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355503.XA CN111144280A (zh) | 2019-12-25 | 2019-12-25 | 一种监控视频树叶遮挡检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355503.XA CN111144280A (zh) | 2019-12-25 | 2019-12-25 | 一种监控视频树叶遮挡检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144280A true CN111144280A (zh) | 2020-05-12 |
Family
ID=70519933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911355503.XA Pending CN111144280A (zh) | 2019-12-25 | 2019-12-25 | 一种监控视频树叶遮挡检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144280A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控系统及方法 |
| CN113516042A (zh) * | 2021-05-17 | 2021-10-19 | 江苏奥易克斯汽车电子科技股份有限公司 | 高空抛物检测方法、装置和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
| CN110309841A (zh) * | 2018-09-28 | 2019-10-08 | 浙江农林大学 | 一种基于深度学习的山核桃常见害虫识别方法 |
| CN110399785A (zh) * | 2019-05-31 | 2019-11-01 | 安徽四创电子股份有限公司 | 一种基于深度学习与传统算法的树叶遮挡的检测方法 |
-
2019
- 2019-12-25 CN CN201911355503.XA patent/CN111144280A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
| CN110309841A (zh) * | 2018-09-28 | 2019-10-08 | 浙江农林大学 | 一种基于深度学习的山核桃常见害虫识别方法 |
| CN110399785A (zh) * | 2019-05-31 | 2019-11-01 | 安徽四创电子股份有限公司 | 一种基于深度学习与传统算法的树叶遮挡的检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控系统及方法 |
| CN113516042A (zh) * | 2021-05-17 | 2021-10-19 | 江苏奥易克斯汽车电子科技股份有限公司 | 高空抛物检测方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109768985B (zh) | 一种基于流量可视化与机器学习算法的入侵检测方法 | |
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
| Mayr et al. | Weakly supervised segmentation of cracks on solar cells using normalized L p norm | |
| CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
| US11263435B2 (en) | Method for recognizing face from monitoring video data | |
| CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
| WO2021254205A1 (zh) | 一种目标检测方法及装置 | |
| WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
| CN111310662B (zh) | 一种基于集成深度网络的火焰检测识别方法及系统 | |
| CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
| CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
| CN111401145B (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
| CN110929679A (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
| CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
| CN110826390B (zh) | 一种基于人脸矢量特征的视频数据处理方法 | |
| CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
| CN112862849A (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
| CN111144280A (zh) | 一种监控视频树叶遮挡检测方法 | |
| CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| Xiao et al. | Traffic sign detection based on histograms of oriented gradients and boolean convolutional neural networks | |
| CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 | |
| CN114818963B (zh) | 一种基于跨图像特征融合的小样本检测方法 | |
| Sun et al. | A fast fabric defect detection framework for multi-layer convolutional neural network based on histogram back-projection |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210208 Address after: 400050 1 / F, standard workshop, building 2, high end equipment manufacturing park, 39 Xinggu Road, Jiulongpo District, Chongqing Applicant after: Chongqing aoyikesi Technology Co.,Ltd. Address before: 215000 south of Lianyang Road, east of Shunfeng Road, Wujiang Economic and Technological Development Zone, Suzhou City, Jiangsu Province Applicant before: SUZHOU AECS AUTOMOTIVE ELECTRONICS Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |
|
| WD01 | Invention patent application deemed withdrawn after publication |