CN111401308B - 一种基于光流效应的鱼类行为视频识别方法 - Google Patents
一种基于光流效应的鱼类行为视频识别方法 Download PDFInfo
- Publication number
- CN111401308B CN111401308B CN202010270884.8A CN202010270884A CN111401308B CN 111401308 B CN111401308 B CN 111401308B CN 202010270884 A CN202010270884 A CN 202010270884A CN 111401308 B CN111401308 B CN 111401308B
- Authority
- CN
- China
- Prior art keywords
- video
- behavior
- optical flow
- image
- sequence
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光流效应的鱼类行为视频识别方法,涉及生物行为的监测和分析方法技术领域;包括如下步骤:视频采集;利用摄像装置将被检测物体的视频进行录制;数据初处理;将摄像机采集的图像进行处理;数据输入;数据再处理;光流计算;后处理;序列编码;行为分类;对写入行为序列库的运动矢量编码进行语义描述;序列比对;鱼类行为特征匹配主要依赖图像特征提取和相似度判别,进而实现行为的分类和聚类。本发明采用视频图像中的光流效应,以抽取并分类视频的时空特征,进而实现对行为的关注,利用光流效应一方面比较容易判断出交互时运动行为的方向,还解决了空间跟踪、识别的准确性问题。
Description
技术领域
本发明涉及生物行为的监测和分析方法技术领域,尤其涉及一种基于光流效应的鱼类行为视频识别方法。
背景技术
运动物体识别一直是计算机视觉领域中较为前沿且热门的课题,主要分析过程是从视频图像中提取离散的关键图像帧,对背景进行差分后识别运动物体,在转换成运动轨迹后,计算运动物体的位置差异,由此,分析运动物体的行为,这种方法一般是对图像识别,而不是视频识别,因为行为一般存在连续性,所以很难断定生物行为;另一方面,现有的图像识别检测方法,过分关注背景和运动物体的检测,当图像遇到图像噪声时,背景会将噪声识别为运动物体,引起识别偏差;当视频监测的是群体运动时,由于空间有限,常规图像算法采集的时离散帧,难以对交互进行准确识别,使得运动物体发生交互时,导致跟踪、识别偏差。给行为的统计分析带来瓶颈,不能很好的反映鱼类行为与外界环境之间的关系。
经检索,中国专利申请号为CN105069487B的专利,公开了一种运动物体识别方法,该方法通过将采集的实时图像先进行梯度计算,然后将图像按宽与高的约数将图像均分成若干个小块,通过选定不同的图像中像素点对的偏移方式来对分出的每一个小块进行扫描生成一个共生的特征向量矩阵,再通过选择最优的特征向量来确定最优的分类器,利用得到的最优分类器即可快速的识别出运动中的物体。上述专利中的运动物体识别方法存在以下不足:使用图像中的像素点来计算运动中的物体,而不是使用视频识别,由于运动中的物体是一个连续的过程,所以此种方法很难判断运动中物体的行为。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于光流效应的鱼类行为视频识别方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于光流效应的鱼类行为视频识别方法,包括如下步骤:
S1:视频采集;利用摄像装置将被检测物体的视频进行录制;
S2:数据初处理;将摄像机采集的图像进行处理;
S3:数据输入;将处理后视频流作为识别分析系统的输入视频数据;
S4:数据再处理;在视频流文件中提取连续帧进行处理;
S5:光流计算;连续帧中的每个图像都是由像素点组成的,在每个像素点增加一个运动矢量MV=(x,y,u,v);
S6:后处理;主要是形态学处理,对二值化图像进行空挡填充,边界提取等,来达到提高运动目标检测精度的效果;
S7:序列编码;将鱼类行为通过运动矢量编码来描述,如:S=22456358;
S8:行为分类;通过前期鱼类视频图像,执行进行S1-S5的环节;
S9:行为序列库;对写入行为序列库的运动矢量编码进行语义描述;
S10:序列比对;鱼类行为特征匹配主要依赖图像特征提取和相似度判别,进而实现行为的分类和聚类。
优选地:所述S1中的摄像采集装置使用RGB摄像头,RGB摄像头可对环境以及物体的动态景象进行采集。
优选地:所述S2中数据初处理包括:
S21:将采集到的视频影像进行过滤;
S22:将过滤后的视频影像中的音频信息丢弃。
优选地:所述S4中的数据再处理包括:
S41:对视频流文件中提取连续帧进行降噪处理;
S42:确定运动物体的运动区域。
优选地:所述S5中的运动矢量MV=(x,y,u,v),其中(x,y)表示运动物体在空间中的位置,(u,v)分别代表了光流矢量在水平方向和垂直方向的分量大小,因此,每帧图像有M*N个像素,也就有M*N个四维的光流矢量,计算量大,需进行降维处理。
优选地:所述S5中的对运动矢量进行将维处理包括:
S51:将(u,v)转换为极坐标θ表示,进而降维为MV=(x,y,θ);
S52:进一步利用直方图化简为一维数组,MV=(a);
S53:设定阈值对得到的光流值进行阈值分割,实现动态目标提取。
优选地:所述S8中的行为分类包括:
S81:分别对连续视频中的频率较高的子串进行检索和匹配,如t=563,t=6358,t=24563分别是基于3个参考序列、4个参考序列和5个序列的则模板;
S82:将匹配较高的序列写入到行为序列库中。
优选地:所述S10中的包括全局特征比较和局部特征比较,因光流场提取分析的是一组图像时间序列,因此采用序列对比较的方式判断相似度,分全局特征比较和局部特征比较两种形式。
优选地:所述全局比较是对完整图像序列比较。
优选地:所述局部特征是找出最大相似的子序列,因生物行为检测背景变化小,所以,此处我们选择局部特征比较的方式,进一步需要对局部特征进行序列比对,本发明采用最大公共子序列来比对相似性,进而实现对鱼类行为的识别。
本发明的有益效果为:
1.本发明采用视频图像中的光流效应,以抽取并分类视频的时空特征,进而实现对行为的关注,光流效应的方法主要是利用摄像机成像中,运动物体在固定背景下产生变化,它给图像中的每一个像素点增加一个速度向量,这样就形成了图像运动场,利用光流效应一方面比较容易判断出交互时运动行为的方向,还解决了空间跟踪、识别的准确性问题。
2.本发明采用视频图像中的光流效应,减轻了离散帧图像处理对背景和运动物体的依赖,并改善运动物体交叉时,跟踪识别错位照成的误识别问题,可以很好的监测鱼类行为的群聚行为。
3.本发明在进行数据计算时,将四维运动矢量MV=(x,y,u,v)通过降维转换为MV=(x,y,θ),再经过进一步简化为一维数组MV=(a),从而大大减少了计算量,提高了计算效率。
附图说明
图1为本发明提出的一种基于光流效应的鱼类行为视频识别方法中识别流程示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
在本专利的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“设置”应做广义理解,例如,可以是固定相连、设置,也可以是可拆卸连接、设置,或一体地连接、设置。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本专利中的具体含义。
实施例1:
一种基于光流效应的鱼类行为视频识别方法,包括如下步骤:
S1:视频采集;利用摄像装置将被检测物体的视频进行录制;
S2:数据初处理;将摄像机采集的图像进行处理;
S3:数据输入;将处理后视频流作为识别分析系统的输入视频数据;
S4:数据再处理;在视频流文件中提取连续帧进行处理;
S5:光流计算;连续帧中的每个图像都是由像素点组成的,在每个像素点增加一个运动矢量MV=(x,y,u,v);
S6:后处理;主要是形态学处理,对二值化图像进行空挡填充,边界提取等,来达到提高运动目标检测精度的效果;
S7:序列编码;将鱼类行为通过运动矢量编码来描述,如:S=22456358;
S8:行为分类;通过前期鱼类视频图像,执行进行S1-S5的环节;
S9:行为序列库;对写入行为序列库的运动矢量编码进行语义描述;
S10:序列比对;鱼类行为特征匹配主要依赖图像特征提取和相似度判别,进而实现行为的分类和聚类。
所述S1中的摄像采集装置使用RGB摄像头,RGB摄像头可对环境以及物体的动态景象进行采集。
所述S2中数据初处理包括:
S21:将采集到的视频影像进行过滤;
S22:将过滤后的视频影像中的音频信息丢弃。
所述S4中的数据再处理包括:
S41:对视频流文件中提取连续帧进行降噪处理;
S42:确定运动物体的运动区域。
所述S5中的运动矢量MV=(x,y,u,v),其中(x,y)表示运动物体在空间中的位置,(u,v)分别代表了光流矢量在水平方向和垂直方向的分量大小,因此,每帧图像有M*N个像素,也就有M*N个四维的光流矢量。
所述S8中的行为分类包括:
S81:分别对连续视频中的频率较高的子串进行检索和匹配,如t=563,t=6358,t=24563分别是基于3个参考序列、4个参考序列和5个序列的则模板;
S82:将匹配较高的序列写入到行为序列库中。
所述S9中的运动矢量编码进行语义描述如S=24563,表示个体鱼的转弯,由此实现对鱼类行为的识别和描述,包括个体行为和群体行为。
所述S10中的序列比对方法为:因光流场提取分析的是一组图像时间序列,因此采用序列对比较的方式判断相似度,分全局特征比较和局部特征比较两种形式,全局比较是对完整图像序列比较,而局部特征是找出最大相似的子序列,因生物行为检测背景变化小,所以,此处我们选择局部特征比较的方式,进一步需要对局部特征进行序列比对,本发明采用最大公共子序列来比对相似性,进而实现对鱼类行为的识别。
实施例2
一种基于光流效应的鱼类行为视频识别方法,包括如下步骤:
S1:视频采集;利用摄像装置将被检测物体的视频进行录制;
S2:数据初处理;将摄像机采集的图像进行处理;
S3:数据输入;将处理后视频流作为识别分析系统的输入视频数据;
S4:数据再处理;在视频流文件中提取连续帧进行处理;
S5:光流计算;连续帧中的每个图像都是由像素点组成的,在每个像素点增加一个运动矢量MV=(x,y,u,v);
S6:后处理;主要是形态学处理,对二值化图像进行空挡填充,边界提取等,来达到提高运动目标检测精度的效果;
S7:序列编码;将鱼类行为通过运动矢量编码来描述,如:S=22456358;
S8:行为分类;通过前期鱼类视频图像,执行进行S1-S5的环节;
S9:行为序列库;对写入行为序列库的运动矢量编码进行语义描述;
S10:序列比对;鱼类行为特征匹配主要依赖图像特征提取和相似度判别,进而实现行为的分类和聚类。
所述S1中的摄像采集装置使用RGB摄像头,RGB摄像头可对环境以及物体的动态景象进行采集。
所述S2中数据初处理包括:
S21:将采集到的视频影像进行过滤;
S22:将过滤后的视频影像中的音频信息丢弃。
所述S4中的数据再处理包括:
S41:对视频流文件中提取连续帧进行降噪处理;
S42:确定运动物体的运动区域。
所述S5中的运动矢量MV=(x,y,u,v),其中(x,y)表示运动物体在空间中的位置,(u,v)分别代表了光流矢量在水平方向和垂直方向的分量大小,因此,每帧图像有M*N个像素,也就有M*N个四维的光流矢量,计算量大,需进行降维处理。
所述S5中的对运动矢量进行将维处理包括:
S51:将(u,v)转换为极坐标θ表示,进而降维为MV=(x,y,θ);
S52:进一步利用直方图化简为一维数组,MV=(a);
S53:设定阈值对得到的光流值进行阈值分割,实现动态目标提取。
所述S8中的行为分类包括:
S81:分别对连续视频中的频率较高的子串进行检索和匹配,如t=563,t=6358,t=24563分别是基于3个参考序列、4个参考序列和5个序列的则模板;
S82:将匹配较高的序列写入到行为序列库中。
所述S9中的运动矢量编码进行语义描述如S=24563,表示个体鱼的转弯,由此实现对鱼类行为的识别和描述,包括个体行为和群体行为。
所述S10中的序列比对方法为:因光流场提取分析的是一组图像时间序列,因此采用序列对比较的方式判断相似度,分全局特征比较和局部特征比较两种形式,全局比较是对完整图像序列比较,而局部特征是找出最大相似的子序列,因生物行为检测背景变化小,所以,此处我们选择局部特征比较的方式,进一步需要对局部特征进行序列比对,本发明采用最大公共子序列来比对相似性,进而实现对鱼类行为的识别。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于光流效应的鱼类行为视频识别方法,其特征在于,包括如下步骤:
S1:视频采集;利用摄像装置将被检测物体的视频进行录制;
S2:数据初处理;将摄像机采集的图像进行处理;
S3:数据输入;将处理后视频流作为识别分析系统的输入视频数据;
S4:数据再处理;在视频流文件中提取连续帧进行处理;
S5:光流计算;连续帧中的每个图像都是由像素点组成的,在每个像素点增加一个运动矢量MV=(x,y,u,v);
S6:后处理;主要是形态学处理,对二值化图像进行空挡填充,边界提取等,来达到提高运动目标检测精度的效果;
S7:序列编码;将鱼类行为通过降维后的运动矢量编码来描述,如:S=22456358;
S8:行为分类;通过前期鱼类视频图像,执行进行S1-S5的环节;
S9:行为序列库;对写入行为序列库的运动矢量编码进行语义描述;
S10:序列比对;鱼类行为特征匹配主要依赖图像特征提取和相似度判别,进而实现行为的分类和聚类。
2.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S1中的摄像采集装置使用RGB摄像头,RGB摄像头可对环境以及物体的动态景象进行采集。
3.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S2中数据初处理包括:
S21:将采集到的视频影像进行过滤;
S22:将过滤后的视频影像中的音频信息丢弃。
4.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S4中的数据再处理包括:
S41:对视频流文件中提取连续帧进行降噪处理;
S42:确定运动物体的运动区域。
5.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S5中的运动矢量MV=(x,y,u,v),其中(x,y)表示运动物体在空间中的位置,(u,v)分别代表了光流矢量在水平方向和垂直方向的分量大小,因此,每帧图像有M*N个像素,也就有M*N个四维的光流矢量,计算量大,需进行降维处理。
6.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S5中的对运动矢量进行将维处理包括:
S51:将(u,v)转换为极坐标θ表示,进而降维为MV=(x,y,θ);
S52:进一步利用直方图化简为一维数组,MV=(a);
S53:设定阈值对得到的光流值进行阈值分割,实现动态目标提取。
7.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S8中的行为分类包括:
S81:分别对连续视频中的频率较高的子串进行检索和匹配,如t=563,t=6358,t=24563分别是基于3个参考序列、4个参考序列和5个序列的则模板;
S82:将匹配较高的序列写入到行为序列库中。
8.根据权利要求1所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述S10中的包括全局特征比较和局部特征比较,因光流场提取分析的是一组图像时间序列,因此采用序列对比较的方式判断相似度,分全局特征比较和局部特征比较两种形式。
9.根据权利要求8所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述全局比较是对完整图像序列比较。
10.根据权利要求9所述的一种基于光流效应的鱼类行为视频识别方法,其特征在于,所述局部特征是找出最大相似的子序列,因生物行为检测背景变化小,所以,此处我们选择局部特征比较的方式,进一步需要对局部特征进行序列比对,本发明采用最大公共子序列来比对相似性,进而实现对鱼类行为的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270884.8A CN111401308B (zh) | 2020-04-08 | 2020-04-08 | 一种基于光流效应的鱼类行为视频识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270884.8A CN111401308B (zh) | 2020-04-08 | 2020-04-08 | 一种基于光流效应的鱼类行为视频识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401308A CN111401308A (zh) | 2020-07-10 |
CN111401308B true CN111401308B (zh) | 2023-03-24 |
Family
ID=71431496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010270884.8A Active CN111401308B (zh) | 2020-04-08 | 2020-04-08 | 一种基于光流效应的鱼类行为视频识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401308B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112262806B (zh) * | 2020-11-12 | 2022-04-05 | 中国水产科学研究院长江水产研究所 | 一种大型水生动物水下形态标识的装置及方法 |
CN112287913B (zh) * | 2020-12-25 | 2021-04-06 | 浙江渔生泰科技有限公司 | 一种鱼类视频识别的智能监管系统 |
CN114972422B (zh) * | 2022-05-07 | 2024-06-07 | 安徽工业大学科技园有限公司 | 图像序列运动遮挡检测方法、装置、存储器和处理器 |
CN115170942B (zh) * | 2022-07-25 | 2023-10-17 | 大连海洋大学 | 一种声音与视觉多级融合的鱼类行为识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
CN108241849B (zh) * | 2017-08-28 | 2021-09-07 | 北方工业大学 | 基于视频的人体交互动作识别方法 |
CN108416266B (zh) * | 2018-01-30 | 2021-10-08 | 同济大学 | 一种利用光流提取运动目标的视频行为快速识别方法 |
-
2020
- 2020-04-08 CN CN202010270884.8A patent/CN111401308B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111401308A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401308B (zh) | 一种基于光流效应的鱼类行为视频识别方法 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
KR102560308B1 (ko) | 외관 탐색을 위한 시스템 및 방법 | |
Zhang et al. | Extraction of text objects in video documents: Recent progress | |
CN107798272B (zh) | 快速多目标检测与跟踪系统 | |
Granger et al. | A comparison of CNN-based face and head detectors for real-time video surveillance applications | |
CN110795595A (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
Tu et al. | MSR-CNN: Applying motion salient region based descriptors for action recognition | |
CN112329656B (zh) | 一种视频流中人体动作关键帧的特征提取方法 | |
Liu et al. | A novel shot detection approach based on ORB fused with structural similarity | |
Vedhaviyassh et al. | Comparative analysis of easyocr and tesseractocr for automatic license plate recognition using deep learning algorithm | |
CN111027482A (zh) | 基于运动向量分段分析的行为分析方法及装置 | |
Satish et al. | Edge assisted fast binarization scheme for improved vehicle license plate recognition | |
Hato | Temporal video segmentation using optical flow estimation | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
CN114445787A (zh) | 非机动车重识别方法及相关设备 | |
Gaikwad et al. | Video scene segmentation to separate script | |
Gunawan et al. | Indonesian Plate Number Identification Using YOLACT and Mobilenetv2 in the Parking Management System | |
Li et al. | A multiple frame integration and mathematical morphology based technique for video text extraction | |
CN110830734A (zh) | 一种突变和渐变镜头切换识别方法 | |
Geetha et al. | Image text extraction and recognition using hybrid approach of region based and connected component methods | |
CN109120932B (zh) | Hevc压缩域双svm模型的视频显著性预测方法 | |
CN117152826B (zh) | 基于目标跟踪和异常检测的实时跨镜追踪方法 | |
Sujini | Automatic Logo Detection with Deep Region-based Convolutional Networks |
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 |