CN111340852B - 一种基于优化语义分割的图像序列光流计算方法 - Google Patents
一种基于优化语义分割的图像序列光流计算方法 Download PDFInfo
- Publication number
- CN111340852B CN111340852B CN202010160371.1A CN202010160371A CN111340852B CN 111340852 B CN111340852 B CN 111340852B CN 202010160371 A CN202010160371 A CN 202010160371A CN 111340852 B CN111340852 B CN 111340852B
- Authority
- CN
- China
- Prior art keywords
- pixel
- representing
- optical flow
- current frame
- 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.)
- Active
Links
Images
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
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及图像序列光流计算技术领域,具体涉及一种基于优化语义分割的图像序列光流计算方法。
背景技术
光流场是分析序列图像中运动目标的重要方法。光流场不仅包含了被观察物体的运动信息,而且携带有光景物三维结构的信息,所以光流场在不同的领域中具有很重要的作用:在计算机视觉中,诸如目标分割、识别、跟踪、机器人导航以及形状信息恢复等及其重要的任务;光流场计算在工业和军事应用领域具有重要的现实意义,诸如在完成各种工业或军事任务的机器人视觉系统,基于运动分析的空间卫星跟踪系统;地对空导弹火控系统,进行资源勘探、天气预报或卫星照片的自动分析系统,医学上器官异常的分析和诊断系统等中均有广泛应用。
近年来,随着光流估计方法的发展,针对简单场景图像序列光流估计技术已经取得较大进步,但是在针对图像序列包含诸如运动边缘保护,光照突变等具有挑战性的困难场景光流估计仍然具有较大误差。
发明内容
本发明的目的在于针对现有技术的缺陷和不足,提供一种基于优化语义分割的图像序列光流计算方法,首先对输入图像序列并利用ZNCC算法减少图像序列中光照突变的影响计算出初始光流,然后同时利用全连接分层模型对图像序列分割图进行优化,将初始图象、优化分割图与初始光流同时作为输入,建立光流估计模型,以解决针对场景图像序列的光照突变以及运动边缘保护的问题。
为实现上述目的,本发明采用的技术方案是:它包含如下步骤:
一、输入连续两帧图片,利用去均值归一化光流模型计算连续两帧间的前景后景光流,模型如式(1)所示:
E(u,v)=λ·Edata(u,v)+Esmooth(u,v) (1)
式(1)中数据项Edata能量泛函如式(2):
式中u是光流的水平方向分量;v是光流的垂直方向分量;ui表示像素i的光流的水平方向分量;vi表示像素i的光流的垂直方向分量;Ω={(x,y)|1≤x≤N,1≤y≤M}代表图像中的所有像素点集合;k代表图像金字塔的层数;wi=(ui,vi)T表示像素i的光流值;C(·)代表匹配块之间的去均值归一化;
平滑项Esmooth(u,v)为:
式中:
代表像素i的邻域像素;Ω代表图像中的所有像素点集合;bfi,s代表平滑项权重,表示像素i和s属于同一物体的可能性;i和s属于同一个对象时bfi,s接近于1,如果该度量值bfi,s接近零,忽略该像素;bfi,s的计算公式如下:
式中Δc(i,s)为的i和s之间的的Lab颜色空间距离;Δd(i,s)计算的i和s之间的位置距离;σc和σd代表相似性测度系数;
二、输入连续两帧图片,利用Deeplabv3+语义模型分割出连续两帧的标签图;
三、将步骤一计算出的光流以及步骤二的标签图作为输入,利用全连接分层算法,得到优化分割图像,式(5)为全连接局部分层模型:
其中,式中u是光流的水平方向分量;v是光流的垂直方向分量;g代表物体所属的标签类别;θ表示输出运动模型的参数;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λtime表示时间项系数;λspace表示空间项系数;gt代表当前帧像素的语义标签;gt+1代表当下一帧像素的语义标签;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;
数据项Edata公式如下:
其中ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;gt代表物体当前帧时间所属的标签类别;gt+1代表物体下一帧时间所属的标签类别;表示当前帧像素p的语义标签,表示下一帧像素q的语义标签,k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;代表当和的两层的负对数似然;
空间项Espace公式如下:
时间项Etime公式如下:
四、将步骤一中的连续两帧图片和计算出的光流结果以及步骤三中的优化分割结果作为输入量,利用前景光流模型计算最终光流结果:
其中,u是光流的水平方向分量;v是光流的垂直方向分量;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λmotion表示运动项系数;λtime表示时间项系数;λspace表示空间项系数;kt代表当前帧像素的标签层;kt+1代表当下一帧像素的标签层;It代表当前帧图像的灰度,It+1代表下一帧图像的灰度;
Edata数据项表示为:
其中,ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;p表示当前帧的像素点;q表示像素p在下一帧的匹配像素;ρD表示鲁棒惩罚函数;表示当前帧像素p的灰度值;表示下一帧像素q的灰度值;λD表示对遮挡像素的恒定惩罚;表示指示函数;表示当前帧像素p的所在层,表示下一帧像素q的所在层,并当时,表示像素p与像素q处于不同的层,发生遮挡,此时Edata同时施加外观一致性和遮挡惩罚;当时,表示像素p与经过运动后的匹配像素q处于相同的前景或背景层,未发生遮挡,此时Edata仅施加外观一致性;
运动项Emotion公式如下:
其中,r表示像素p的相邻像素;第一项中Np包含像素p的四个最近邻域,ρ表示运动项惩罚函数,表示当前帧像素p的运动向量,表示当前帧像素r的运动向量,表示当前帧像素p的所处层,表示当前帧像素r的所处层,当时,表明像素p与相邻像素r处于同一前景层,则像素p与相邻像素r具有相似的运动,施加相似运动一致项;第二项中λaff表示仿射运动的平滑系数,ρaff表示添加形变后的仿射运动惩罚函数;表示全局运动模型;
空间项Espace鼓励分层的空间邻接性,对非相邻空间的像素施加惩罚,表示为:
Etime时间项代表着相同像素在时间的推移下前后景不会发生改变,保证了分层模型的时间一致性:
最小化能量泛函,最终输出计算光流。
采用上述方案后,本发明有益效果为:本发明所述的一种基于优化语义分割的图像序列光流计算方法,采用全连接去均值归一化模型上加入了边窗滤波计算光流,然后使用全连接分层模型优化的分割图先验信息,最终利用前景光流模型优化最终光流,克服了针对光照突变场景图像序列光流计算结果精度较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中KITTI图像序列连续两帧图片的第一帧图像;
图2是本发明实施例中KITTI图像序列连续两帧图片的第二帧图像;
图3是本发明实施例中去均值归一化光流估计程序流程框图;
图4是本发明实施例中语义分割图像优化模型图;
图5是KITTI图像序列连续两帧分割图像优化分割图;
图6是本发明实施例完整程序流程框图;
图7是本发明实施例计算所得的KITTI图像序列光流图。
具体实施方式
下面结合附图,对本发明作进一步的说明。
本实施例采用的技术方案是:它包含如下步骤:参看图6所示,
一、输入图1和图2是KITTI图像序列中连续两帧图片;其中图1是第一帧图像,图2是第二帧图像;
利用deeplabv3+语义模型分割出的KITTI图像序列连续两帧分割图像;
如图1-2所示,将原始图像序列建立去均值归一化光流模型计算连续两帧间的前景后景光流,模型如式(1):
E(u,v)=λ·Edata(u,v)+Esmooth(u,v) (1)
式(1)中数据项Edata能量泛函如下:
式中u是光流的水平方向分量;v是光流的垂直方向分量;ui表示像素i的光流的水平方向分量;vi表示像素i的光流的垂直方向分量;Ω={(x,y)|1≤x≤N,1≤y≤M}代表图像中的所有像素点集合;k代表图像金字塔的层数;wi=(ui,vi)T表示像素i的光流值;C(·)代表匹配块之间的去均值归一化;
平滑项Esmooth(u,v)为:
代表像素i的邻域像素;Ω代表图像中的所有像素点集合;bfi,s代表平滑项权重,表示像素i和s属于同一物体的可能性;i和s属于同一个对象时bfi,s接近于1,如果该度量值bfi,s接近零,忽略该像素;bfi,s的计算公式如下:
式中Δc(i,s)为的i和s之间的的Lab颜色空间距离;Δd(i,s)计算的i和s之间的位置距离;σc和σd代表相似性测度系数;
二、输入步骤一中连续两帧图片,利用Deeplabv3+语义模型分割出连续两帧的标签图;
三、如图3-5所示,将步骤一计算出的光流以及步骤二标签图作为输入,利用全连接分层算法,得到优化分割图像,建立全连接局部分层,模型如式(5)所示:
其中,u是光流的水平方向分量;v是光流的垂直方向分量;g代表物体所属的标签类别;θ表示输出运动模型的参数;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λtime表示时间项系数;λspace表示空间项系数;gt代表当前帧像素的语义标签;gt+1代表当下一帧像素的语义标签;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;
数据项Edata公式如下:
其中,ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;gt代表物体当前帧时间所属的标签类别;gt+1代表物体下一帧时间所属的标签类别;表示当前帧像素p的语义标签,表示下一帧像素q的语义标签,k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;代表当和的两层的负对数似然;
空间项Espace公式如下:
时间项Etime公式如下:
四、如图7所示,将步骤一中的连续两帧图片和计算出的光流结果以及步骤三中的优化分割结果作为输入量,建立前景光流模型,模型如式(9)所示:
其中,u是光流的水平方向分量;v是光流的垂直方向分量;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λmotion表示运动项系数;λtime表示时间项系数;λspace表示空间项系数;kt代表当前帧像素的标签层;kt+1代表当下一帧像素的标签层;It代表当前帧图像的灰度,It+1代表下一帧图像的灰度;
Edata数据项表示为:
其中,ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;p表示当前帧的像素点;q表示像素p在下一帧的匹配像素;ρD表示鲁棒惩罚函数;表示当前帧像素p的灰度值;表示下一帧像素q的灰度值;λD表示对遮挡像素的恒定惩罚;表示指示函数;表示当前帧像素p的所在层,表示下一帧像素q的所在层,并当时,表示像素p与像素q处于不同的层,发生遮挡,此时Edata同时施加外观一致性和遮挡惩罚;当时,表示像素p与经过运动后的匹配像素q处于相同的前景或背景层,未发生遮挡,此时Edata仅施加外观一致性;
运动项Emotion公式如下:
其中,r表示像素p的相邻像素;第一项中Np包含像素p的四个最近邻域,ρ表示运动项惩罚函数,表示当前帧像素p的运动向量,表示当前帧像素r的运动向量,表示当前帧像素p的所处层,表示当前帧像素r的所处层,当时,表明像素p与相邻像素r处于同一前景层,则像素p与相邻像素r具有相似的运动,施加相似运动一致项;第二项中λaff表示仿射运动的平滑系数,ρaff表示添加形变后的仿射运动惩罚函数;表示全局运动模型;
空间项Espace鼓励分层的空间邻接性,对非相邻空间的像素施加惩罚,表示为:
Etime时间项代表着相同像素在时间的推移下前后景不会发生改变,保证了分层模型的时间一致性:
最小化能量泛函,最终输出计算光流,图7展示了光流计算的结果。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于优化语义分割的图像序列光流计算方法,其特征在于它包含如下步骤:
一、输入连续两帧图片,利用去均值归一化光流模型计算连续两帧间的前景后景光流,模型如式(1)所示:
E(u,v)=λ·Edata(u,v)+Esmooth(u,v) (1)
式(1)中数据项Edata能量泛函如式(2):
式中u是光流的水平方向分量;v是光流的垂直方向分量;ui表示像素i的光流的水平方向分量;vi表示像素i的光流的垂直方向分量;Ω={(x,y)|1≤x≤N,1≤y≤M}代表图像中的所有像素点集合;k代表图像金字塔的层数;wi=(ui,vi)T表示像素i的光流值;C(·)代表匹配块之间的去均值归一化;
平滑项Esmooth(u,v)为:
式中:
代表像素i的邻域像素;Ω代表图像中的所有像素点集合;bfi,s代表平滑项权重,表示像素i和s属于同一物体的可能性;i和s属于同一个对象时bfi,s接近于1,如果该度量值bfi,s接近零,忽略该像素;bfi,s的计算公式如下:
式中Δc(i,s)为的i和s之间的Lab颜色空间距离;Δd(i,s)计算的i和s之间的位置距离;σc和σd代表相似性测度系数;
二、输入连续两帧图片,利用Deeplabv3+语义模型分割出连续两帧的标签图;
三、将步骤一计算出的光流以及步骤二的标签图作为输入,利用全连接分层算法,得到优化分割图像,式(5)为全连接局部分层模型:
其中,式中u是光流的水平方向分量;v是光流的垂直方向分量;g代表物体所属的标签类别;θ表示输出运动模型的参数;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λtime表示时间项系数;λspace表示空间项系数;gt代表当前帧像素的语义标签;gt+1代表当下一帧像素的语义标签;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;
数据项Edata公式如下:
其中ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;gt代表物体当前帧时间所属的标签类别;gt+1代表物体下一帧时间所属的标签类别;表示当前帧像素p的语义标签,表示下一帧像素q的语义标签,k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;代表当和的两层的负对数似然;
空间项Espace公式如下:
时间项Etime公式如下:
四、将步骤一中的连续两帧图片和计算出的光流结果以及步骤三中的优化分割结果作为输入量,利用前景光流模型计算最终光流结果:
其中,u是光流的水平方向分量;v是光流的垂直方向分量;ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;I表示输入图像的灰度;k表示像素所在的图层,k∈{1,2};t表示当前帧时间序号,t+1表示下一帧时间序号;λmotion表示运动项系数;λtime表示时间项系数;λspace表示空间项系数;kt代表当前帧像素的标签层;kt+1代表当下一帧像素的标签层;It代表当前帧图像的灰度,It+1代表下一帧图像的灰度;
Edata数据项表示为:
其中,ut代表当前帧的光流的水平方向分量;vt代表当前帧的光流的垂直方向分量;p表示当前帧的像素点;q表示像素p在下一帧的匹配像素;ρD表示鲁棒惩罚函数;表示当前帧像素p的灰度值;表示下一帧像素q的灰度值;λD表示对遮挡像素的恒定惩罚;表示指示函数;表示当前帧像素p的所在层,表示下一帧像素q的所在层,并当时,表示像素p与像素q处于不同的层,发生遮挡,此时Edata同时施加外观一致性和遮挡惩罚;当时,表示像素p与经过运动后的匹配像素q处于相同的前景或背景层,未发生遮挡,此时Edata仅施加外观一致性;
运动项Emotion公式如下:
其中,r表示像素p的相邻像素;第一项中Np包含像素p的四个最近邻域,ρ表示运动项惩罚函数,表示当前帧像素p的运动向量,表示当前帧像素r的运动向量,表示当前帧像素p的所处层,表示当前帧像素r的所处层,当时,表明像素p与相邻像素r处于同一前景层,则像素p与相邻像素r具有相似的运动,施加相似运动一致项;第二项中λaff表示仿射运动的平滑系数,ρaff表示添加形变后的仿射运动惩罚函数;表示全局运动模型;
空间项Espace鼓励分层的空间邻接性,对非相邻空间的像素施加惩罚,表示为:
Etime时间项代表着相同像素在时间的推移下前后景不会发生改变,保证了分层模型的时间一致性:
最小化能量泛函,最终输出计算光流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160371.1A CN111340852B (zh) | 2020-03-10 | 2020-03-10 | 一种基于优化语义分割的图像序列光流计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160371.1A CN111340852B (zh) | 2020-03-10 | 2020-03-10 | 一种基于优化语义分割的图像序列光流计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340852A CN111340852A (zh) | 2020-06-26 |
CN111340852B true CN111340852B (zh) | 2022-09-27 |
Family
ID=71182268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160371.1A Active CN111340852B (zh) | 2020-03-10 | 2020-03-10 | 一种基于优化语义分割的图像序列光流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340852B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
CN103955948B (zh) * | 2014-04-03 | 2016-10-05 | 西北工业大学 | 一种动态环境下的空间运动目标检测方法 |
EP3249609A1 (en) * | 2016-05-25 | 2017-11-29 | Rational Pixels S.L. | Computer-implemented method and system for processing video with temporal consistency |
CN107644429A (zh) * | 2017-09-30 | 2018-01-30 | 华中科技大学 | 一种基于强目标约束视频显著性的视频分割方法 |
CN108986136A (zh) * | 2018-07-23 | 2018-12-11 | 南昌航空大学 | 一种基于语义分割的双目场景流确定方法及系统 |
CN109753913A (zh) * | 2018-12-28 | 2019-05-14 | 东南大学 | 计算高效的多模式视频语义分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6972756B2 (ja) * | 2017-08-10 | 2021-11-24 | 富士通株式会社 | 制御プログラム、制御方法、及び情報処理装置 |
US11157985B2 (en) * | 2017-11-29 | 2021-10-26 | Ditto Technologies, Inc. | Recommendation system, method and computer program product based on a user's physical features |
-
2020
- 2020-03-10 CN CN202010160371.1A patent/CN111340852B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955948B (zh) * | 2014-04-03 | 2016-10-05 | 西北工业大学 | 一种动态环境下的空间运动目标检测方法 |
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
EP3249609A1 (en) * | 2016-05-25 | 2017-11-29 | Rational Pixels S.L. | Computer-implemented method and system for processing video with temporal consistency |
CN107644429A (zh) * | 2017-09-30 | 2018-01-30 | 华中科技大学 | 一种基于强目标约束视频显著性的视频分割方法 |
CN108986136A (zh) * | 2018-07-23 | 2018-12-11 | 南昌航空大学 | 一种基于语义分割的双目场景流确定方法及系统 |
CN109753913A (zh) * | 2018-12-28 | 2019-05-14 | 东南大学 | 计算高效的多模式视频语义分割方法 |
Non-Patent Citations (4)
Title |
---|
"Areal Multistart Method of Optimization for Image Recognition";Galyna Shcherbakova 等;《2018 IEEE Second International Conference on Data Stream Mining & Processing》;20181004;605-608 * |
"Edge-Preserving Stereo Matching Using Minimum Spanning Tree";Zhang Congxuan 等;《IEEE Access》;20191210;第7卷;177909-177921 * |
"基于视觉的三维目标检测算法研究综述";李宇杰 等;《计算机工程与应用》;20191012;第56卷(第1期);11-23 * |
"相互结构引导滤波TV-L1变分光流估计";张聪炫 等;《电子学报》;20190331;第47卷(第3期);707-713 * |
Also Published As
Publication number | Publication date |
---|---|
CN111340852A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN110097568B (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
CN108596053B (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
CN108665496B (zh) | 一种基于深度学习的端到端的语义即时定位与建图方法 | |
Li et al. | A deep learning method of water body extraction from high resolution remote sensing images with multisensors | |
Zhou et al. | BOMSC-Net: Boundary optimization and multi-scale context awareness based building extraction from high-resolution remote sensing imagery | |
CN113610778B (zh) | 一种基于语义分割的桥梁表面裂纹检测方法与系统 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN110827320B (zh) | 基于时序预测的目标跟踪方法和装置 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN113223045A (zh) | 基于动态物体语义分割的视觉与imu传感器融合定位系统 | |
CN115375737B (zh) | 基于自适应时间与序列化时空特征的目标跟踪方法与系统 | |
Gil et al. | Comparing features for target tracking in traffic scenes | |
CN111612825A (zh) | 基于光流与多尺度上下文的图像序列运动遮挡检测方法 | |
CN116486102A (zh) | 一种基于混合空间调制特征卷积神经网络的红外弱小目标检测方法 | |
CN111354016A (zh) | 基于深度学习和差异值哈希的无人机舰船跟踪方法及系统 | |
CN112509014B (zh) | 金字塔遮挡检测块匹配的鲁棒插值光流计算方法 | |
CN116188550A (zh) | 一种基于几何约束的自监督深度视觉里程计 | |
CN111340852B (zh) | 一种基于优化语义分割的图像序列光流计算方法 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN108492308B (zh) | 一种基于相互结构引导滤波的变分光流的确定方法及系统 | |
Li et al. | Progressive attention-based feature recovery with scribble supervision for saliency detection in optical remote sensing image | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
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 |