CN111461044A - 一种视频合成方法、系统及计算机存储介质 - Google Patents

一种视频合成方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN111461044A
CN111461044A CN202010266759.XA CN202010266759A CN111461044A CN 111461044 A CN111461044 A CN 111461044A CN 202010266759 A CN202010266759 A CN 202010266759A CN 111461044 A CN111461044 A CN 111461044A
Authority
CN
China
Prior art keywords
detection
frame image
current frame
image
video
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
CN202010266759.XA
Other languages
English (en)
Other versions
CN111461044B (zh
Inventor
刘智嘉
祁海军
赵金博
夏寅辉
高旭辉
翟漫
徐长彬
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.)
Beijing Bop Opto Electronics Technology Co ltd
Original Assignee
Beijing Bop Opto Electronics 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 Beijing Bop Opto Electronics Technology Co ltd filed Critical Beijing Bop Opto Electronics Technology Co ltd
Priority to CN202010266759.XA priority Critical patent/CN111461044B/zh
Publication of CN111461044A publication Critical patent/CN111461044A/zh
Application granted granted Critical
Publication of CN111461044B publication Critical patent/CN111461044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种视频合成方法、系统及计算机存储介质，其方法包括，S1，将待合成视频分解成顺序逐帧图像；S2，判断当前帧图像是否被检测；若否，则使当前帧图像跳过检测，并将上一次图像检测过程中得到的检测信息复制至当前帧图像；若是，则对当前帧图像进行检测，得到检测信息，并标注在当前帧图像上；S3，判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至S2；若是，则逐步减小检测间隔或保持当前检测模式，并返回至S2；S4，以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的当前帧图像与上一帧图像合成视频。本发明对视频序列图像进行自适应隔帧检测，在保证检测实时性的同时不改变检测模型的准确率。

Description

一种视频合成方法、系统及计算机存储介质
技术领域
本发明涉及视频处理领域，具体涉及一种视频合成方法、系统及计算机存储介质。
背景技术
红外智能车辅利用红外摄像设备作为成像设备，可实现全天候全时段成像及对特定目标检测，作为受可见光成像条件约束的可见光智能车辆辅助驾驶系统的重要解决方案，红外智能车辆辅助驾驶系统受到智能辅助驾驶和自动驾驶领域相关研究者的关注。基于智能检测算法的车辆辅助驾驶系统虽然具有较高的检测准确率，但由于其通过大量卷积运算对目标全部特征进行提取，所以检测速度相对利用图像处理方式仅提取目标轮廓特征的传统方法而言缓慢的多，而且受到应用终端硬件运算性能较低及功耗受限等问题制约，导致往往简化模型结构来提升检测速度，以满足实时检测的基本需求。但在实际应用中频频出现的汽车加速或者天气恶劣等情况会导致辅助驾驶系统的检测速度突然大幅下降，系统检测及成像出现卡顿，严重影响驾驶员判断甚至可能导致交通事故发生。
现有解决方案为删减智能算法中卷积结构以减少卷积运算来达到节省计算资源的目的，进而提升智能识别算法的检测速度。但该方法使用彻底降低检测准确率的方法来提升检测速度，以应对应用中可能出现的意外降速问题。现有方案对模型结构的缩减会直接导致在任何情况下检测准确率均在较低水平，检测效果不佳的同时检测速度却在占据绝大部分时间的非极端情况下以较大幅度超过实时检测需求，浪费系统资源。
发明内容
本发明所要解决的技术问题是提供一种视频合成方法、系统及计算机存储介质，在不降低检测准确率的条件下，针对红外智能车辅应用过程中因环境变化而导致检测速度下降的情况有很好的提速效果，能够有效的解决画面卡顿现象。
本发明解决上述技术问题的技术方案如下：一种视频合成方法，包括以下步骤，
S1，将待合成视频分解成顺序逐帧图像；
S2，判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
S3，判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至S2执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至S2执行下一帧图像；
S4，以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
基于上述一种视频合成方法，本发明还提供一种视频合成系统。
一种视频合成系统，包括以下模块，
视频分解模块，其用于将待合成视频分解成顺序逐帧图像；
自适应隔帧检测模块，其用于判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
检测速度自适应调整模块，其用于判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至自适应隔帧检测模块执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至自适应隔帧检测模块执行下一帧图像；
视频合成模块，其用于以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
基于上述一种视频合成方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时，实现如上述所述的方法步骤。
本发明一种视频合成方法、系统及计算机存储介质的有益效果是：本发明利用对视频序列图像进行隔帧检测来提升检测速度；间隔帧的数量可以根据即时检测情况进行自适应调整：当检测速度不满足实时性需求时增加隔帧数量；当检测速度恢复正常后，可以逐渐减少隔帧检测数量，直至恢复至逐帧检测；有效的保证了车辆辅助驾驶系统的实时性；本发明在保证检测实时性的同时不改变检测模型的准确率，当特殊情况改善后恢复较高检测准确率的实时检测，实现系统自主调整检测准确率与检测速度的平衡。
附图说明
图1为本发明一种视频合成方法的流程图；
图2为本发明一种视频合成方法的原理图；
图3为本发明一种视频合成系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1和图2所示，一种视频合成方法，包括以下步骤，
S1，将待合成视频分解成顺序逐帧图像；
S2，判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
S3，判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至S2执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至S2执行下一帧图像；
S4，以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
现有红外智能识别算法对视频检测过程的本质是将视频分解为逐帧图像，然后通过检测模型对分解出的图像依照序列顺序逐帧进行检测，再将带有检测信息的图像合成视频输出至显示设备。每帧图像的检测信息包括被检图像内所有被检测出目标的检测框的坐标信息和被检测出目标的类别信息，并且在检测模型对单帧图像进行检测时会根据该单帧图像的检测速度计算出即时检测效率FPS，当即时检测效率FPS的计算公式为：FPS＝1/t，其中，t为检测模型检测该单帧图像所用的时间，即时检测效率FPS由检测模型直接输出，FPS不低于25时即可实现实时检测。
现有的检测模型具体为深度学习算法网络模型，其常规检测流程如下：
(1)采集视频或者已录制视频作为输入读入至识别网络；
(2)待检测视频拆分为顺序逐帧图像；
(3)被拆分图像连续送至检测模型；
(4)检测模型对送入图像进行检测并标记检测信息；
(5)完成检测图像按先前顺序重新合成视频；
(6)输出检测识别视频至显示设备。
经过持续循环步骤(1)至(6)直至完成视频全部内容检测并输出。
在研究了现有车辆辅助驾驶系统的视频检测流程，对现有红外智能车辆辅助驾驶系统在某些情况下出现的卡顿情况进行分析后，对本发明作如下详细说明。
本发明的S2具体为：
根据当前隔帧数RJF判断所述当前帧图像是否被检测；
若当前隔帧数RJF＞0，则使所述当前帧图像跳过检测，将临时变量存储空间中存储的检测信息复制至所述当前帧图像，且将检测框标注至所述当前帧图像的相应位置；此时，所述临时变量存储空间中存储的检测信息为上一次检测过程中得到的检测信息；
若当前隔帧数RJF＝0，则所述当前帧图像被检测，对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上，同时将得到的检测信息更新存储在临时变量存储空间中。
在S2中，RJF为当前隔帧数，若RJF>0，则表示当前帧图像为被隔图像，被隔图像不进行检测，而是直接复制临时变量存储空间中的检测信息后与前序图像合成视频；若RJF＝0，则表示当前帧图像需进行检测，RJF缺省值为0。临时变量存储空间存储的是检测模型对被检图像检测过程中生成的最新的检测信息及当前的即时检测效率FPS的临时变量。
本发明的S3具体为：
S31，根据隔帧总数JF和即时检测效率FPS计算出即时检测速度JFPS，其中，即时检测速度JFPS的计算公式为JFPS＝(JF+1)×FPS；
S32，若即时检测速度JFPS＜阈值下限LT，则令JF＝JF+1，RJF＝JF；并返回S2执行下一帧图像；
若即时检测速度JFPS＞阈值上限HT，且隔帧总数JF＞0，则令JF＝JF-1，RJF＝JF；并返回S2执行下一帧图像；
若即时检测速度JFPS＞阈值上限HT，且隔帧总数JF≤0，或，若预设阈值下限LT≤即时检测速度JFPS≤预设阈值上限HT，则令RJF＝RJF-1；其中，如果RJF<0，则令RJF＝JF；并返回S2执行下一帧图像。
在S3中，隔帧总数JF表示检测模式为每隔JF帧图像检测一帧图像，缺省值为0；即时检测速度JFPS表示每秒检测图像数量，由于检测过程输出的即时速度不包括隔帧帧数，所以应重新计算全部图像的平均识别速度，也就是即时检测速度JFPS，其计算公式为：JFPS＝(JF+1)×FPS，即当逐帧检测时，JF为0，JFPS即为FPS。若隔帧总数JF为1，则速度加快一倍，以此类推。在本具体实施例中，由于实时检测最低检测速度为25帧/秒，故阈值下限LT预设为25帧/秒；由于智能检测每秒帧数在正常情况下也会小范围波动，所以会设置一个阈值上限HT，本具体实施例中，阈值上限HT预设为32帧/秒；阈值下限LT和阈值上限HT可根据具体使用场景设置。
本发明的整体原理如下：
待合成视频输入后被拆分为逐帧图像，图像依次进入检测模型前通过RJF数值对当前帧图像是否被检测进行判断。由于参数设置，首帧图像默认为被检测图像，检测所获得的检测信息及当前的即时检测效率FPS保存于临时变量存储空间中，并且根据即时检测速度JFPS对隔帧总数JF进行操作：若即时检测速度JFPS高于实时检测速度，则保持目前检测状态不变；若即时检测速度JFPS低于实时检测速度，则JF值增加并将更新后的JF值赋于RJF，从下一帧图像开始增加隔帧数量，以提升检测速度，直至满足实时检测及显示的速度需求。被隔图像跳过检测流程直接将临时变量存储空间中的检测信息复制至图像并显示检测框及类别信息；同时根据临时变量存储空间中保存的即时检测效率FPS计算当前的即时检测速度JFPS，并根据当前的即时检测速度JFPS进行判断以选择后续隔帧检测模式。
当即时检测速度JFPS超过阈值上限HT，则说明检测条件好转，可减少隔帧数量，则JF减少并赋值于RJF，立即增加检测图像数量，随后根据即时检测速度JFPS继续判断是否继续增加JF，直至恢复逐帧检测。
由于被隔图像不进行目标检测，图像中没有检测框的图形显示，所以将临时变量存储空间中的检测信息直接复制至被隔图像，避免合成视频后仅被检图像具有检测框而出现的画面中检测框闪烁的情况而不利于使用者观察，同时保存在临时变量存储空间中的即时检测效率FPS用于计算不同隔帧模式下的即时检测速度JFPS。
本发明具体流程如下：
(1)待合成视频作为输入读入至识别网络；
(2)待合成视频拆分为顺序逐帧图像；
(3)判断当前帧图像是否被检测：
如果RJF>0：
复制临时变量存储空间中的检测信息至当前帧图像，并将检测框标注至当前帧图像的相应位置；
转至流程(6)；
否则：
进行下一步；
(4)当前帧图像送至检测模型；
(5)检测模型对当前帧图像进行检测并标记检测信息，且将当前帧图像的检测信息及即时检测效率FPS更新存储至临时变量存储空间中；
(6)利用公式JFPS＝(JF+1)×FPS计算当前的即时检测速度JFPS；
(7)即时检测速度JFPS判断：
如果JFPS<LT：/增加隔帧数/
JF＝JF+1；
RJF＝JF；
跳转至(3)，执行下一帧图像；
如果JFPS>30：/减少隔帧数/
如果JF>0：
JF＝JF-1；
RJF＝JF；
跳转至(3)，执行下一帧图像；
否则：/保持目前检测模式，隔帧图像循环/
RJF＝RJF-1；
如果RJF<0:
RJF＝JF；
跳转至(3)，执行下一帧图像；
(8)依照拆分顺序合成视频；
(9)合成视频输出，终端显示。
视频的检测过程为上述过程的持续循环，直至视频检测结束。
基于上述一种是视频合成方法，本发明还提供一种视频合成系统。
如图3所示，一种视频合成系统，包括以下模块，
视频分解模块，其用于将待合成视频分解成顺序逐帧图像；
自适应隔帧检测模块，其用于判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
检测速度自适应调整模块，其用于判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至自适应隔帧检测模块执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至自适应隔帧检测模块执行下一帧图像；
视频合成模块，其用于以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
基于上述一种是视频合成方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时，实现上述所述的方法步骤。
在本发明一种视频合成方法中，利用对视频序列图像进行隔帧检测来提升检测速度；间隔帧的数量可以根据即时检测情况进行自适应调整：当检测速度不满足实时性需求时增加隔帧数量；当检测速度恢复正常后，可以逐渐减少隔帧检测数量，直至恢复至逐帧检测；有效的保证了车辆辅助驾驶系统的实时性；本发明在保证检测实时性的同时不改变检测模型的准确率，当特殊情况改善后恢复较高检测准确率的实时检测，实现系统自主调整检测准确率与检测速度的平衡。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种视频合成方法，其特征在于：包括以下步骤，
S1，将待合成视频分解成顺序逐帧图像；
S2，判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
S3，判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至S2执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至S2执行下一帧图像；
S4，以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
2.根据权利要求1所述的视频合成方法，其特征在于：所述S2具体为，
根据当前隔帧数RJF判断所述当前帧图像是否被检测；
若当前隔帧数RJF＞0，则使所述当前帧图像跳过检测，将临时变量存储空间中存储的检测信息复制至所述当前帧图像，且将检测框标注至所述当前帧图像的相应位置；此时，所述临时变量存储空间中存储的检测信息为上一次检测过程中得到的检测信息；
若当前隔帧数RJF＝0，则所述当前帧图像被检测，对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上，同时将得到的检测信息更新存储在临时变量存储空间中。
3.根据权利要求2所述的视频合成方法，其特征在于：所述S3具体为，
S31，根据隔帧总数JF和即时检测效率FPS计算出即时检测速度JFPS，其中，即时检测速度JFPS的计算公式为JFPS＝(JF+1)×FPS；
S32，若即时检测速度JFPS＜阈值下限LT，则令JF＝JF+1，RJF＝JF；并返回S2执行下一帧图像；
若即时检测速度JFPS＞阈值上限HT，且隔帧总数JF＞0，则令JF＝JF-1，RJF＝JF；并返回S2执行下一帧图像；
若即时检测速度JFPS＞阈值上限HT，且隔帧总数JF≤0，或，若预设阈值下限LT≤即时检测速度JFPS≤预设阈值上限HT，则令RJF＝RJF-1；其中，如果RJF<0，则令RJF＝JF；并返回S2执行下一帧图像。
4.根据权利要求2或3所述的视频合成方法，其特征在于：所述首帧图像作为视频的开始，其设定为被检测的图像。
5.根据权利要求2或3所述的视频合成方法，其特征在于：所述检测信息包括被检图像内所有被检测出目标的检测框的坐标信息和被检测出目标的类别信息；
若所述当前帧图像被检测，则在对所述当前帧图像进行检测的过程中，还包括计算出即时检测效率FPS，即时检测效率FPS的计算公式为，FPS＝1/t，其中，t为检测所述当前帧图像所用的时间；
若所述当前帧图像被检测后，则所述当前帧图像的检测信息和即时检测效率FPS被存储在所述临时变量存储空间中。
6.一种视频合成系统，其特征在于：包括以下模块，
视频分解模块，其用于将待合成视频分解成顺序逐帧图像；
自适应隔帧检测模块，其用于判断当前帧图像是否被检测；若否，则使所述当前帧图像跳过检测，并将上一次检测过程中得到的检测信息复制至所述当前帧图像；若是，则对所述当前帧图像进行检测，得到检测信息，并标注在所述当前帧图像上；
检测速度自适应调整模块，其用于判断即时检测速度是否满足实时检测要求；若否，则逐步增大检测间隔，并返回至自适应隔帧检测模块执行下一帧图像；若是，则逐步减小检测间隔或保持当前检测模式，并返回至自适应隔帧检测模块执行下一帧图像；
视频合成模块，其用于以首帧图像作为视频的开始，后续根据检测顺序将带有检测信息的所述当前帧图像与带有检测信息的上一帧图像合成视频。
7.一种计算机存储介质，其特征在于：包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的方法步骤。
CN202010266759.XA 2020-04-07 2020-04-07 一种视频合成方法、系统及计算机存储介质 Active CN111461044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010266759.XA CN111461044B (zh) 2020-04-07 2020-04-07 一种视频合成方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010266759.XA CN111461044B (zh) 2020-04-07 2020-04-07 一种视频合成方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111461044A true CN111461044A (zh) 2020-07-28
CN111461044B CN111461044B (zh) 2021-01-08

Family

ID=71685923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010266759.XA Active CN111461044B (zh) 2020-04-07 2020-04-07 一种视频合成方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111461044B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1109419A2 (en) * 1999-12-14 2001-06-20 Nec Corporation Frame construction method and device, and data transfer system capable of accommodating STM traffic and best effort traffic in common frame format
CN101448100A (zh) * 2008-12-26 2009-06-03 西安交通大学 一种快速准确的视频字幕提取方法
CN104036226A (zh) * 2013-03-04 2014-09-10 联想(北京)有限公司 一种目标物信息获取方法及电子设备
CN104166614A (zh) * 2013-05-17 2014-11-26 腾讯科技（深圳）有限公司 一种移动设备的帧率探测方法和相关装置
CN105957017A (zh) * 2016-06-24 2016-09-21 电子科技大学 一种基于自适应关键帧采样的视频拼接方法
CN107273782A (zh) * 2016-04-08 2017-10-20 微软技术许可有限责任公司 使用递归神经网络的在线动作检测
CN108510527A (zh) * 2017-12-07 2018-09-07 上海悠络客电子科技股份有限公司 一种基于帧差法和运动点聚类的运动目标检测方法
CN109101917A (zh) * 2018-08-01 2018-12-28 北京旷视科技有限公司 用于行人重识别的标注方法、训练方法、装置及系统
WO2019114835A1 (en) * 2017-12-15 2019-06-20 Zhejiang Dahua Technology Co., Ltd. Methods and systems for generating video synopsis
CN110598042A (zh) * 2019-08-29 2019-12-20 北京睿企信息科技有限公司 一种基于增量更新的视频结构化实时更新方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1109419A2 (en) * 1999-12-14 2001-06-20 Nec Corporation Frame construction method and device, and data transfer system capable of accommodating STM traffic and best effort traffic in common frame format
CN101448100A (zh) * 2008-12-26 2009-06-03 西安交通大学 一种快速准确的视频字幕提取方法
CN104036226A (zh) * 2013-03-04 2014-09-10 联想(北京)有限公司 一种目标物信息获取方法及电子设备
CN104166614A (zh) * 2013-05-17 2014-11-26 腾讯科技（深圳）有限公司 一种移动设备的帧率探测方法和相关装置
CN107273782A (zh) * 2016-04-08 2017-10-20 微软技术许可有限责任公司 使用递归神经网络的在线动作检测
CN105957017A (zh) * 2016-06-24 2016-09-21 电子科技大学 一种基于自适应关键帧采样的视频拼接方法
CN108510527A (zh) * 2017-12-07 2018-09-07 上海悠络客电子科技股份有限公司 一种基于帧差法和运动点聚类的运动目标检测方法
WO2019114835A1 (en) * 2017-12-15 2019-06-20 Zhejiang Dahua Technology Co., Ltd. Methods and systems for generating video synopsis
CN109101917A (zh) * 2018-08-01 2018-12-28 北京旷视科技有限公司 用于行人重识别的标注方法、训练方法、装置及系统
CN110598042A (zh) * 2019-08-29 2019-12-20 北京睿企信息科技有限公司 一种基于增量更新的视频结构化实时更新方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OLIVIER BARNICH等: "ViBe: A Universal Background Subtraction", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
姜军等: "一种自适应背景差分运动目标检测算法", 《西南科技大学学报》 *

Also Published As

Publication number Publication date
CN111461044B (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN113286194A (zh) 视频处理方法、装置、电子设备及可读存储介质
CN111611947B (zh) 一种车牌检测方法、装置、设备及介质
CN106971185B (zh) 一种基于全卷积网络的车牌定位方法及装置
CN112257569B (zh) 一种基于实时视频流的目标检测和识别方法
CN111582300A (zh) 一种基于事件相机的高动态目标检测方法
CN111652081B (zh) 一种基于光流特征融合的视频语义分割方法
CN104182721A (zh) 提升人脸识别率的图像处理系统及图像处理方法
CN1279756C (zh) 应用场景静止检测的视频信号自适应递归降噪方法
CN115631407B (zh) 基于事件相机与彩色帧图像融合的水下透明生物检测
CN114220126A (zh) 一种目标检测系统及获取方法
CN111882581A (zh) 一种深度特征关联的多目标跟踪方法
CN111461044B (zh) 一种视频合成方法、系统及计算机存储介质
CN113158992A (zh) 一种基于深度学习的黑暗条件下动作识别方法
CN1278553C (zh) 一种像素静止检测的多窗口多阈值方法
CN111291663B (zh) 一种利用时空信息的快速视频目标物体分割方法
Lee et al. A design of image dehazing engine using DTE and DAE techniques
US8588458B2 (en) Image processing apparatus, image processing method, and program
CN115908618A (zh) 基于脉冲数据的重构图像生成方法、装置、设备及介质
CN116132818A (zh) 用于自动驾驶的图像处理方法及系统
CN115439386A (zh) 图像融合方法、装置、电子设备和存储介质
CN112738413B (zh) 一种基于tof的人像区域亮度自动调节方法
CN111881834B (zh) 一种基于改进大津算法的结构化道路车道线识别方法
Wang et al. Low-light traffic objects detection for automated vehicles
CN114419630A (zh) 一种基于自动机器学习中神经网络搜索的文本识别方法
TWI373961B (en) Fast video enhancement method and computer device using the method

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