CN111476815A - 基于运动区域颜色概率的运动目标检测方法 - Google Patents

基于运动区域颜色概率的运动目标检测方法 Download PDF

Info

Publication number
CN111476815A
CN111476815A CN202010259585.4A CN202010259585A CN111476815A CN 111476815 A CN111476815 A CN 111476815A CN 202010259585 A CN202010259585 A CN 202010259585A CN 111476815 A CN111476815 A CN 111476815A
Authority
CN
China
Prior art keywords
target
probability
color
moving
mot
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
CN202010259585.4A
Other languages
English (en)
Other versions
CN111476815B (zh
Inventor
徐之海
何壮
李奇
冯华君
陈跃庭
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010259585.4A priority Critical patent/CN111476815B/zh
Publication of CN111476815A publication Critical patent/CN111476815A/zh
Application granted granted Critical
Publication of CN111476815B publication Critical patent/CN111476815B/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
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于运动区域颜色概率的运动目标检测方法。基于卷积神经网络提取输入图像对的卷积特征；通过图像特征差分来获取图像对之间的显著运动区域；对输入图像以及显著运动区域分别进行颜色直方图统计，并依据最大后验概率公式求解各颜色直方图属于目标的概率；利用该概率对输入图像逐像素赋值，得到目标概率图；基于图像特征差分结果在目标概率图上生成初始运动目标检测框，利用梯度下降法求解最优检测框，得到运动目标检测结果。本发明能够有效识别场景中的运动目标，并以矩形框的形式表示目标在图像中的位置。方法运算速度快，准确度高。可以作为多种算法的前端，如目标跟踪、行人重检测。在实际中具有重要应用意义。

Description

基于运动区域颜色概率的运动目标检测方法
技术领域
本发明属于计算机视觉领域，涉及目标检测，运动识别，特征提取等技术，具体涉及一种基于运动区域颜色概率的运动目标检测方法。
背景技术
运动目标检测是对场景中显著运动的目标进行提取并检测其在场景中的位置。在监控安防、目标识别、人机交互等领域有着重要的应用价值。经典的运动目标检测方法有帧差法、背景消除法和光流法。其中背景消除法需要对场景进行建模，而光流法需要求解图像中每个像素的运动情况，因此这两种方法都比较耗时，难以满足当前实时检测的需求。帧差法虽然速度较快，但容易受到相机抖动、背景杂乱以及噪声的干扰，且检测结果通常难以完全检测出目标整体，因此检测稳定性较低，难以满足当前对检测准确度的要求。
近年来，基于卷积神经网络深度学习的目标检测方法取得了一定的成效。主要包括两个方面：显著性检测和似物性检测。其中显著性检测是识别图像中视觉上最独特的目标或区域，然后将它们从背景中分割出来，该类方法更注重图像的语义信息，忽略了图像的运动信息，因此检测结果有时与预期不符；而似物性检测则是提取场景中某种目标所在的区域，其中很多的方法已经实现了快速且准确的检测效果，但该类方法需要提前知道所检测的目标的种类，因此在实际应用中仍然受到很多限制。
发明内容
针对上述现有技术中存在的技术问题，本发明提供了一种基于运动区域颜色概率的运动目标检测方法，能够准确高效的识别场景中的运动区域，并提取运动目标所在的位置。本发明不需提前知道目标所属类别，且能检测场景中最为显著的运动目标。同时本发明方法速度快，能满足实时应用。
本发明的目的是通过以下技术方案来实现的：基于运动区域颜色概率的运动目标检测方法，该方法包括以下步骤：
(1)提取输入图像对的卷积特征，并通过特征差分及二值化的方式提取图像对之间的显著运动区域，所述图像对为包含同一运动目标的两张图像，计算公式如下：
Figure BDA0002438788390000021
Itho＝f(Idff,tho) (2)
其中，I1和I2分别表示输入的两张图像，
Figure BDA0002438788390000022
表示提取输入图像的卷积特征，Idff表示特征差分结果，f(·)表示特征二值化操作，tho为二值化阈值，Itho表示二值化结果；将二值化结果与输入图像相乘得到显著运动区域对应的图像Imot：
Imot＝Itho·I2 (3)
(2)对输入图像I2以及显著运动区域图像Imot分别进行颜色直方图统计，并依据最大后验概率公式求解直方图划分出的各颜色属于运动目标的概率，计算公式如下：
Hmot＝hist(Imot) (4)
H2＝hist(I2) (5)
Htarget＝P(Hmot,H2) (6)
其中，hist(·)表示对输入图像提取颜色直方图，Hmot和H2分别表示运动区域的颜色直方图和图像I2的颜色直方图，P(·,·)表示最大后验概率公式，Htarget表示各颜色属于运动目标的概率；
(3)根据步骤(2)得到的Htarget对输入图像I2进行目标概率赋值，得到目标概率图Itarget；所述目标概率赋值过程如下：对输入图像I2进行逐像素操作，判断当前像素所属的颜色直方图，找到其在Htarget上对应的目标概率，将当前像素的像素值赋值为该目标概率。最后得到的目标概率图Itarget为二维图像。
(4)根据步骤(1)中得到的显著运动区域图像Imot，在目标概率图Itarget上生成初始运动目标检测框，生成的初始运动目标检测框为矩形框形式，由(x,y,w,h)表示；其中(x,y)表示矩形框的中心位置坐标，(w,h)表示矩形框的宽度和高度；然后利用梯度下降法求解最优检测框，将其做为运动目标检测结果。
进一步地，步骤(1)中，输入图像为RGB三通道格式，若为灰度图像，则将其复制三通道格式。采取的卷积特征为VGG16的layer14。
进一步地，步骤(1)中，二值化过程中，首先将输入的特征差分结果Idff在第三维度(通道维度)进行累加求和，二值化阈值为累加后的特征的最大值的0.6倍。
进一步地，步骤(2)中，颜色直方图统计过程中将每个通道等分为16份，生成的颜色直方图长度为16*16*16＝4096，得到的Htarget为4096长度的向量，其数值表示对应颜色属于运动目标的概率。
进一步地，步骤(2)中，各颜色属于目标的最大后验概率求解公式为：
Figure BDA0002438788390000031
其中，c表示颜色直方图中颜色的索引号，取值范围为1到4096，Htarget(c)表示颜色c属于目标的概率，P(c|mot)表示颜色c在显著运动区域Imot中出现的概率，P(mot)表示输入图像中显著运动发生的概率，可由显著运动区域Imot和输入图像I2的像素数目之比得到，P(c)表示颜色c在输入图像I2中出现的概率。
进一步地，步骤(4)中，获得初始目标检测框中心位置坐标(x,y)的方法为：对二值化的显著运动区域Imot进行循环腐蚀运算，直到最后仅剩下1个像素，将该像素的坐标做为初始目标检测框中心位置坐标(x,y)。
进一步地，步骤(4)中，进行循环腐蚀运算的方法为：利用直径为1的圆形模板，对二值化的显著运动区域Imot进行形态学滤波中的腐蚀运算，对腐蚀运算得到的结果再次进行腐蚀，循环该步骤，直到最后仅剩下1个像素。
进一步地，步骤(4)中初始目标检测框宽度和高度(w,h)的计算公式为：
Figure BDA0002438788390000032
其中，N表示二值化的显著运动区域Imot的像素数目。
进一步地，步骤(4)中利用梯度下降法求解最优检测框的方法为：
对初始目标检测框(x,y,w,h)进行迭代优化，每次迭代的公式为：
Figure BDA0002438788390000033
Figure BDA0002438788390000034
Figure BDA0002438788390000035
Figure BDA0002438788390000041
其中lr＝0.05表示学习率，S(·)表示矩形框的得分计算公式，Δx、Δy、Δw、Δh分别表示对矩形框x、y、w、h的随机扰动，在1～10之间随机取值。迭代循环上述优化过程直至检测框(x,y,w,h)不变，或者迭代次数达到100时，停止循环。得到的结果即为最终求得的运动目标检测框。
进一步地，步骤(4)中矩形框的得分计算公式如下：
Figure BDA0002438788390000042
其中，sum(Itarget,(x,y,w,h))表示对目标概率图Itarget中，矩形框(x,y,w,h)内像素的像素值进行求和。
本发明与现有技术相比的优点在于：
一、本发明能够有效检测场景中显著运动的目标，且运算速度快，准确度高。
二、本发明应用场景较为广泛，不需规定所检测的目标种类。尤其适用于监控安防等对未知目标进行检测的场景。
三、本发明以矩形框的形式表示目标在图像中的位置和区域。可以作为多种算法的前端，如目标跟踪、行人重检测。便于对目标的记录、特征分析及识别。
附图说明
图1是输入的两帧相邻图像；
图2是两帧图像的特征差分结果；
图3是特征差分结果二值化图；
图4是显著运动区域对应的图像；
图5是目标概率图，其中白色矩形框表示初始目标检测框；
图6是本发明的运动目标检测结果；
图7是帧差法的运动目标检测结果；
图8是当前最优的一种似物性检测算法Fast-RCNN(Girshick R.Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision.2015:1440-1448.)的检测结果。
具体实施方式
现在详细描述本发明的示例性实施过程，并与帧差法、Fast-RCNN(当前最优的一种似物性检测算法)进行对比来说明本发明的效果优势。
本发明实施例如下：
本发明对输入的相邻两帧图像之间的显著运动目标进行检测。输入的相邻两帧图像如图1所示。提取这两帧输入图像的卷积特征，并进行特征差分：
Figure BDA0002438788390000051
其中，I1和I2分别表示输入的包含同一运动目标的两张图像，输入图像为RGB三通道格式，若为灰度图像，则将其复制成为三通道格式。
Figure BDA0002438788390000052
表示提取输入图像的卷积特征，采取的是VGG16的layer14。Idff表示特征差分结果，如图2所示。
对特征差分结果进行二值化来提取图像对之间的显著运动区域，计算公式如下：
Itho＝f(Idff,tho) (2)
其中，f(·)表示特征二值化操作，tho为二值化阈值。二值化过程中，首先将输入特征Idff在第三维度(通道维度)进行累加求和，二值化阈值为累加后的特征的最大值的0.6倍。Itho表示二值化结果，如图3所示。将二值化结果与输入图像相乘得到显著运动区域对应的图像Imot：
Imot＝Itho·I2 (3)
如图4所示；
对输入图像I2以及显著运动区域图像Imot分别进行颜色直方图统计，
Hmot＝hist(Imot) (4)
H2＝hist(I2) (5)
其中，hist(·)表示对输入图像提取颜色直方图，Hmot和H2分别表示运动区域的颜色直方图和图像I2的颜色直方图。直方图统计过程中将每个通道等分为16份，最后生成的颜色直方图长度为16*16*16＝4096。
依据最大后验概率公式求解直方图划分出的各颜色属于运动目标的概率，计算公式如下：
Htarget＝P(Hmot,H2) (6)
P(·,·)表示最大后验概率公式，Htarget表示各颜色属于运动目标的概率；具体计算过程如下：
Figure BDA0002438788390000061
其中，c表示颜色直方图中颜色的索引号，取值范围为1到4096，Htarget(c)表示颜色c属于目标的概率，P(c|mot)表示颜色c在显著运动区域Imot中出现的概率，P(mot)表示输入图像I2中显著运动发生的概率，可由显著运动区域Imot和输入图像I2的像素数目之比得到，P(c)表示颜色c在输入图像I2中出现的概率。最后得到的Htarget为4096长度的向量，其数值表示对应颜色属于运动目标的概率。
基于得到的Htarget对输入图像I2进行运动目标概率赋值，得到目标概率图Itarget；目标概率赋值过程如下：对输入图像I2进行逐像素操作，判断当前像素所属的颜色直方图c，找到其在Htarget上对应的目标概率Htarget(c)，将当前像素的像素值赋值为该目标概率。最后得到的目标概率图Itarget为二维图像，如图5所示。
基于得到的显著运动区域Imot，在目标概率图上生成初始运动目标检测框。生成的初始运动目标检测框为矩形框形式，可由(x,y,w,h)表示，如图5白色矩形框所示。其中(x,y)表示矩形框的中心位置坐标，(w,h)表示矩形框的宽度和高度。
获得初始目标检测框中心位置坐标(x,y)的方法为：对二值化的显著运动区域Imot进行循环腐蚀运算，具体为：利用直径为1的圆形模板，对二值化的显著运动区域Imot进行形态学滤波中的腐蚀运算，对腐蚀运算得到的结果再次进行腐蚀，循环该步骤，直到最后仅剩下1个像素。将该像素的坐标做为初始目标检测框中心位置坐标(x,y)。
获得初始目标检测框宽度和高度(w,h)的计算公式为：
Figure BDA0002438788390000062
其中，N表示二值化的显著运动区域Imot的像素数目。
利用梯度下降法对初始目标检测框进行优化，来求解最优检测框。具体为：
对初始目标检测框(x,y,w,h)迭代优化，每次迭代的公式为：
Figure BDA0002438788390000071
Figure BDA0002438788390000072
Figure BDA0002438788390000073
Figure BDA0002438788390000074
其中，lr＝0.05表示学习率，Δx、Δy、Δw、Δh分别表示对矩形框x、y、w、h的随机扰动，在1～10之间随机取值。S(·)表示矩形框的得分计算公式，如下：
Figure BDA0002438788390000075
其中，sum(Itarget,(x,y,w,h))表示对目标概率图Itarget中，矩形框(x,y,w,h)内像素的像素值进行求和。
迭代循环上述优化过程直至检测框(x,y,w,h)不变，或者迭代次数达到100时，停止循环。得到的结果即为最终求得的运动目标检测框。检测结果如图6所示。
此外，还将本方法的检测结果与帧差法、Fast-RCNN法的检测结果进行了比对。帧差法的检测结果如图7所示，Fast-RCNN法的检测结果如图8所示。结果显示，本发明能够准确的检测图像中显著运动目标所属的区域。此外本申请还对运算速度进行了测试，在CPU为i7-9500H，GPU为GTX1660Ti，python3.7运算环境下，对640*480的图像运算时间为80ms，运算速度快，便于实时应用。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于运动区域颜色概率的运动目标检测方法，其特征在于，该方法包括以下步骤：
(1)提取输入图像对的卷积特征，并通过特征差分及二值化的方式提取图像对之间的显著运动区域，所述图像对为包含同一运动目标的两张图像，计算公式如下：
Figure FDA0002438788380000011
Itho＝f(Idff,tho) (2)
其中，I1和I2分别表示输入的两张图像，
Figure FDA0002438788380000012
表示提取输入图像的卷积特征，Idff表示特征差分结果，f(·)表示特征二值化操作，tho为二值化阈值，Itho表示二值化结果；将二值化结果与输入图像相乘得到显著运动区域对应的图像Imot：
Imot＝Itho·I2 (3)
(2)对输入图像I2以及显著运动区域图像Imot分别进行颜色直方图统计，并依据最大后验概率公式求解颜色直方图中各种颜色属于运动目标的概率，计算公式如下：
Hmot＝hist(Imot) (4)
H2＝hist(I2) (5)
Htarget＝P(Hmot,H2) (6)
其中，hist(·)表示对输入图像提取颜色直方图，Hmot和H2分别表示运动区域的颜色直方图和图像I2的颜色直方图，P(·,·)表示最大后验概率公式，Htarget表示各颜色属于运动目标的概率。
(3)根据步骤(2)得到的Htarget对输入图像I2进行目标概率赋值，得到目标概率图Itarget；所述目标概率赋值过程如下：对输入图像I2进行逐像素操作，判断当前像素所属的颜色直方图，找到其在Htarget上对应的目标概率，将当前像素的像素值赋值为该目标概率。最后得到的目标概率图Itarget为二维图像。
(4)根据步骤(1)中得到的显著运动区域图像Imot，在目标概率图Itarget上生成初始运动目标检测框，生成的初始运动目标检测框为矩形框形式，由(x,y,w,h)表示；其中(x,y)表示矩形框的中心位置坐标，(w,h)表示矩形框的宽度和高度；然后利用梯度下降法求解最优检测框，将其做为运动目标检测结果。
2.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(1)中，输入图像为RGB三通道格式，若为灰度图像，则将其复制三通道格式。采取的卷积特征为VGG16的layer14。
3.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(1)中，二值化过程中，首先将输入的特征差分结果Idff在第三维度(通道维度)进行累加求和，二值化阈值为累加后的特征的最大值的0.6倍。
4.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(2)中，颜色直方图统计过程中将每个通道等分为16份，生成的颜色直方图长度为16*16*16＝4096，得到的Htarget为4096长度的向量，其数值表示对应颜色属于目标的概率。
5.根据权利要求4所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(2)中，各颜色属于目标的最大后验概率求解公式为：
Figure FDA0002438788380000021
其中，c表示颜色直方图中颜色的索引号，取值范围为1到4096，Htarget(c)表示颜色c属于目标的概率，P(c|mot)表示颜色c在显著运动区域Imot中出现的概率，P(mot)表示输入图像中显著运动发生的概率，可由显著运动区域Imot和输入图像I2的像素数目之比得到，P(c)表示颜色c在输入图像I2中出现的概率。
6.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(4)中，获得初始目标检测框中心位置坐标(x,y)的方法为：对二值化的显著运动区域Imot进行循环腐蚀运算，直到最后仅剩下1个像素，将该像素的坐标做为初始目标检测框中心位置坐标(x,y)。
7.根据权利要求6所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(4)中，进行循环腐蚀运算的方法为：利用直径为1的圆形模板，对二值化的显著运动区域Imot进行形态学滤波中的腐蚀运算，对腐蚀运算得到的结果再次进行腐蚀，循环该步骤，直到最后仅剩下1个像素。
8.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(4)中初始目标检测框宽度和高度(w,h)的计算公式为：
Figure FDA0002438788380000031
其中，N表示二值化的显著运动区域Imot的像素数目。
9.根据权利要求1所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(4)中利用梯度下降法求解最优检测框的方法为：
对初始目标检测框(x,y,w,h)进行迭代优化，每次迭代的公式为：
Figure FDA0002438788380000032
Figure FDA0002438788380000033
Figure FDA0002438788380000034
Figure FDA0002438788380000035
其中lr＝0.05表示学习率，S(·)表示矩形框的得分计算公式，Δx、Δy、Δw、Δh分别表示对矩形框x、y、w、h的随机扰动，在1～10之间随机取值。迭代循环上述优化过程直至检测框(x,y,w,h)不变，或者迭代次数达到100时，停止循环。得到的结果即为最终求得的运动目标检测框。
10.根据权利要求9所述的基于运动区域颜色概率的运动目标检测方法，其特征在于，所述步骤(4)中矩形框的得分计算公式为：
Figure FDA0002438788380000036
其中，sum(Itarget,(x,y,w,h))表示对目标概率图Itarget中，矩形框(x,y,w,h)内像素的像素值进行求和。
CN202010259585.4A 2020-04-03 2020-04-03 基于运动区域颜色概率的运动目标检测方法 Active CN111476815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010259585.4A CN111476815B (zh) 2020-04-03 2020-04-03 基于运动区域颜色概率的运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010259585.4A CN111476815B (zh) 2020-04-03 2020-04-03 基于运动区域颜色概率的运动目标检测方法

Publications (2)

Publication Number Publication Date
CN111476815A true CN111476815A (zh) 2020-07-31
CN111476815B CN111476815B (zh) 2022-05-17

Family

ID=71749764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010259585.4A Active CN111476815B (zh) 2020-04-03 2020-04-03 基于运动区域颜色概率的运动目标检测方法

Country Status (1)

Country Link
CN (1) CN111476815B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030081215A1 (en) * 2001-01-09 2003-05-01 Ajay Kumar Defect detection system for quality assurance using automated visual inspection
KR20030060328A (ko) * 2002-01-08 2003-07-16 삼성전자주식회사 동영상에서 칼라 기반의 객체를 추적하는 방법 및 그 장치
CN101141633A (zh) * 2007-08-28 2008-03-12 湖南大学 一种复杂场景中的运动目标检测与跟踪方法
CN101159859A (zh) * 2007-11-29 2008-04-09 北京中星微电子有限公司 一种运动检测方法、装置以及一种智能监控系统
CN102332166A (zh) * 2011-09-26 2012-01-25 北京航空航天大学 一种基于概率模型的运动摄像机自动目标跟踪方法
CN102567705A (zh) * 2010-12-23 2012-07-11 北京邮电大学 一种检测和跟踪夜间行驶车辆的方法
CN102903120A (zh) * 2012-07-19 2013-01-30 中国人民解放军国防科学技术大学 基于时空条件信息的运动目标检测方法
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN103325124A (zh) * 2012-03-21 2013-09-25 东北大学 一种基于fpga的背景差分法目标检测跟踪系统及方法
US20170003388A1 (en) * 2015-06-30 2017-01-05 Northrop Grumman Systems Corporation Generating a map conveying the probability of detecting terrestrial targets

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030081215A1 (en) * 2001-01-09 2003-05-01 Ajay Kumar Defect detection system for quality assurance using automated visual inspection
KR20030060328A (ko) * 2002-01-08 2003-07-16 삼성전자주식회사 동영상에서 칼라 기반의 객체를 추적하는 방법 및 그 장치
CN101141633A (zh) * 2007-08-28 2008-03-12 湖南大学 一种复杂场景中的运动目标检测与跟踪方法
CN101159859A (zh) * 2007-11-29 2008-04-09 北京中星微电子有限公司 一种运动检测方法、装置以及一种智能监控系统
CN102567705A (zh) * 2010-12-23 2012-07-11 北京邮电大学 一种检测和跟踪夜间行驶车辆的方法
CN102332166A (zh) * 2011-09-26 2012-01-25 北京航空航天大学 一种基于概率模型的运动摄像机自动目标跟踪方法
CN103325124A (zh) * 2012-03-21 2013-09-25 东北大学 一种基于fpga的背景差分法目标检测跟踪系统及方法
CN102903120A (zh) * 2012-07-19 2013-01-30 中国人民解放军国防科学技术大学 基于时空条件信息的运动目标检测方法
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
US20170003388A1 (en) * 2015-06-30 2017-01-05 Northrop Grumman Systems Corporation Generating a map conveying the probability of detecting terrestrial targets

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI HONGGUANG等: "Target Tracking Based on Multi-color Joint Probability Statistics Model", 《2011 4TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 *
王志会: "基于模型的ISAR图像空间目标典型结构类型识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN111476815B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Yousif et al. Toward an optimized neutrosophic K-means with genetic algorithm for automatic vehicle license plate recognition (ONKM-AVLPR)
WO2017190656A1 (zh) 行人再识别方法和装置
CN110008867A (zh) 一种基于人物异常行为的预警方法、装置及存储介质
Asi et al. A coarse-to-fine approach for layout analysis of ancient manuscripts
CN111260684A (zh) 基于帧差法和背景差分法结合的前景像素提取方法及系统
Kheirkhah et al. A hybrid face detection approach in color images with complex background
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统
Gui et al. A fast caption detection method for low quality video images
CN107507190B (zh) 一种基于可见光序列图像的低空运动目标检测方法
CN106446832B (zh) 一种基于视频的实时检测行人的方法
CN114639159A (zh) 移动行人检测方法、电子设备及机器人
CN111476815B (zh) 基于运动区域颜色概率的运动目标检测方法
Mol et al. Text recognition using poisson filtering and edge enhanced maximally stable extremal regions
CN112926676B (zh) 一种虚假目标识别方法、装置及计算机设备
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置
CN114820801A (zh) 一种空间目标检测方法
CN114821482A (zh) 一种基于鱼眼探头的矢量拓扑一体化客流计算方法及系统
CN107451574B (zh) 一种基于类Haar视觉特征感知的运动估计方法
CN113297990B (zh) 基于高斯掩模光流的人体足部运动目标检测方法
Pan et al. A new license plate extraction framework based on fast mean shift
Jiang et al. Background subtraction algorithm based on combination of grabcut and improved ViBe
CN112598088B (zh) 一种工业部件视觉多目标鲁棒模板获取的方法
Ali et al. A fast approach for person detection and tracking
CN109271986B (zh) 一种基于Second-Confirm的数字识别方法

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