CN111612094B - 一种速度误检和修正方法、设备及计算机可读存储介质 - Google Patents

一种速度误检和修正方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111612094B
CN111612094B CN202010479459.XA CN202010479459A CN111612094B CN 111612094 B CN111612094 B CN 111612094B CN 202010479459 A CN202010479459 A CN 202010479459A CN 111612094 B CN111612094 B CN 111612094B
Authority
CN
China
Prior art keywords
speed
image
data value
value
error
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
Application number
CN202010479459.XA
Other languages
English (en)
Other versions
CN111612094A (zh
Inventor
姚禹霖
吕培
魏直晟
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202010479459.XA priority Critical patent/CN111612094B/zh
Publication of CN111612094A publication Critical patent/CN111612094A/zh
Application granted granted Critical
Publication of CN111612094B publication Critical patent/CN111612094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V20/48—Matching video sequences

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种速度误检和修正方法、设备及计算机可读存储介质，该方法包括获取具有速度标识的模板图像；从模板图像中提取速度图像；从速度图像中识别提取速度数据值；对识别错误的速度数据值进行修正，生成修正数据集；本发明从模板图像中提取速度图像，并从速度图像中识别提取速度数据值，对识别错误的速度数据值进行修正，获得修正数据集，可以将修正数据集直接应用到需要速度数据的模块中，对于错误的速度数据值进行修正，保证了速度数据值的准确性，进而可以确保其他需要用到车辆速度数据值的模块可以不受速度错误识别的干扰。

Description

一种速度误检和修正方法、设备及计算机可读存储介质
技术领域
本发明涉及视觉和计算机图形学领域，尤其涉及的是一种速度误检和修正方法、设备及计算机可读存储介质。
背景技术
模板匹配是计算机视觉和图形图像处理领域研究的主要内容之一。在计算机识别物体的过程中，常常需要把不同传感器(CCD或CMOS)在不同时间段、环境下，将获取到同一物体的多幅图像信息进行对准，或者根据已知模板图像在被搜索图中寻找与之相似的子图像。模板匹配是计算模板与图像之间的相似度实现的，在针对视频中速度模块的速度识别模板匹配算法得以广泛的应用。
内蒙古农业大学硕士论文《Study Oil Template Matching Algorithms Basedon Gray Value》中提到了模板匹配的缺陷所在：基于灰度的模板匹配算法尽管已十分普遍，但这些算法还存在着一定的缺陷，如时间复杂度高、光照敏感和图像尺寸变化等。
这些问题在一段视频中对速度的判定影响是比较大的，并且对不同的图像增强算法针对不同的视频图像会具有不同的处理效果，选用合适的图像增强算法也是图像处理中重要的组成部分。加上自身视频清晰度的原因经常造成一系列的识别错误，有时候尽管尝试了多种图像增强的算法还是会出现问题，例如：针对图像缩放后再次进行模板匹配，对图像进行二值化加放大的处理，对图像转为灰度图……虽然有些处理可以对识别率提升有些许帮助，但是最后还是不能实质性解决速度识别出现错误的问题，所以针对识别后的速度提出了速度修正的方法。
发明内容
本发明主要解决的技术问题是针对无法有效选择哪种增强算法、识别准确度低、模板匹配识别出的速度无法直接应用的问题，提供一种速度误检和修正方法、设备及计算机可读存储介质。
为解决上述技术问题，本发明采用的一个技术方案是：一种速度误检和修正方法，包括以下步骤：
获取具有速度标识的模板图像；
从模板图像中提取速度图像；
从速度图像中识别提取速度数据值；
对识别错误的速度数据值进行修正，生成修正数据集。
在本发明速度误检和修正方法另一实施例中，包括有使用模板匹配识别方法对模板图像进行预处理。
在本发明速度误检和修正方法另一实施例中，模板匹配识别方法中包括有相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法。
在本发明速度误检和修正方法另一实施例中，使用opencv选取模板匹配识别方法中相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法的一种。
在本发明速度误检和修正方法另一实施例中，模板图像由速度监控视频中的每一帧的单幅图像组成。
在本发明速度误检和修正方法另一实施例中，识别提取速度数据值中包括有设定阈值，将前一帧速度图像中的速度值与当前帧的速度图像中的速度值进行对比，当前帧的速度与前一帧的速度差大于阈值时，将当前帧的速度图像上的数值判定为错误数据值。
在本发明速度误检和修正方法另一实施例中，对错误数据值进行修正的方法为将前一帧速度图像上的速度数据值中位数上正确的数值替换为当前帧速度图像上速度数据值中位数上错误的数值。
在本发明速度误检和修正方法另一实施例中，包括有对识别错误的速度数据值的错误类型进行分类。
一种速度误检和修正设备，包括：
获取模块，用于获取具有速度标识的模板图像；
提取模块，用于从模板图像中提取速度图像；
识别模块，用于从速度图像中识别提取速度数据值；
修正模块，用于对识别错误的速度数据值进行修正，生成修正数据集。
一种用于速度误检和修正的计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现速度误检和修正方法的步骤。
本发明从模板图像中提取速度图像，并从速度图像中识别提取速度数据值，并对识别错误的速度数据值进行修正，获得修正数据集，可以将修正数据集直接应用到需要速度数据的模块中，对于不合乎常理的速度数据值进行后期的修正，保证了速度数据值的准确性，进而可以确保其他需要用到车辆速度数据值的模块可以不受速度错误识别的干扰。
附图说明
图1是根据本发明速度误检和修正方法从模板图像中提取得到的速度图像的集合示意图；
图2是根据本发明速度误检和修正方法一实施例的错误类型示意图；
图3是根据图2中的错误类型进行修正后的修正数据集示意图；
图4是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图5是根据图4中的错误类型进行修正后的修正数据集示意图；
图6是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图7是根据图6中的错误类型进行修正后的修正数据集示意图；
图8是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图9是根据图8中的错误类型进行修正后的修正数据集示意图；
图10是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图11是根据图10中的错误类型进行修正后的修正数据集示意图；
图12是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图13是根据图12中的错误类型进行修正后的修正数据集示意图；
图14是根据本发明速度误检和修正方法另一实施例的错误类型示意图；
图15是根据图14中的错误类型进行修正后的修正数据集示意图；
图16是根据本发明速度误检和修正方法一实施例的基本流程图；
图17是本发明速度误检和修正设备一实施例的结构示意图；
图18是本发明用于速度误检和修正的计算机储存介质一实施例的结构示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
为了解决无法有效选择哪种增强算法、识别准确度低、模板匹配识别出的速度无法直接应用的问题，提供一种速度误检和修正方法，包括以下步骤：
获取具有速度标识的模板图像；模板图像由速度监控视频中的每一帧的单幅图像组成。通过摄像头拍摄汽车移动速度，获得在视频任一位置上具有显示当前汽车移动速度的速度监控视频，将速度监控视频分成多个单幅图像。优选的是每秒速度监控视频包括8帧具有速度标识的单幅模板图像。
图1是从模板图像中提取获得的多个速度图像；速度图像的命名方式为：算法识别的速度-随机数，模板图像中包含多种信息如车辆、道路、环境等信息，而通过模板匹配识别方法对模板图像进行预处理。将模板图像中包含有速度标识的局部特征模块提取出来，获取具有速度标识的速度图像并对速度图像进行增强渲染，提取出速度图像。
优选的，在使用模板匹配识别方法进行特征提取时，模板匹配识别方法中包括有相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法。根据视频拍摄时间的不同，光线的不同，外界环境信息的不同，每一种方法的提取精度均不相同，如何选取精度高的方法同样重要。
优选的，使用opencv选取模板匹配识别方法中相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法的一种。使用opencv分别使用不同的方法对模板图像进行速度图像提取，选取速度图像中速度错误数据数量最少的方法，对该视频中的模块图像进行处理。不同视频中的模块图像选取的方法不同，使用opencv可以极大的提高速度识别的准确度，减少修正时间，提高识别效率。
图2、图4、图6、图8、图10、图12、图14所示从速度图像中识别提取速度数据值；
优选的，识别提取速度数据值中包括有设定阈值，将前一帧速度图像中的速度值与当前帧的速度图像中的速度值进行对比，当前帧的速度与前一帧的速度差大于阈值时，将当前帧的速度图像上的数值判定为错误数据值。在提取速度图像的同时，会出现当前提取的速度图像数值与前一帧提取的速度图像数值差别较大，出现提取错误的现象，所以在提取时，设定一个阈值，阈值可以为3 km/h -8km/h，优选4 km/h。当前一帧速度图像中的速度数据值与当前帧的速度图像中的速度数据值进行对比，当前帧的速度数据值与前一帧的速度数据值的差大于阈值时，将当前帧的速度数据值判定为错误的速度数据值。例如提取到的当前帧的速度图像上的速度数据值为72 km/h时，前一帧的速度图像上的速度数据值为79km/h，当前帧的速度数据值与前一帧的速度数据值相差7km/h，大于阈值4km/h，则当前帧识别出的速度数据值为错误的速度数据值。阈值的设定可以根据需要进行选择，当设定的速度阈值较小时，正常的速度变化有可能会被识别为错误的速度数据值，将正确的速度数据值进行修正，会影响速度数据集的准确度。当设定的速度阈值较大时，会出现不能识别出错误的速度数据集，同样会造成速度数据集的准确度降低。
优选的，包括有对识别错误的速度数据值的错误类型进行分类。分类的目的在于能够清晰的检测到错误的速度数据值属于哪种错误类型，从而根据不同的错误类型来检测是由什么原因造成的错误，以便于调整选择模板匹配的算法。
速度错误数据的错误类型包括有：
个位错误，十位和百位正确；
十位错误，个位和百位正确；
百位错误，个位和十位正确；
个位和十位错误，百位正确；
个位和百位错误，十位正确；
十位和百位错误，个位正确；
个位、十位和百位错误。
错误包括有位数跨度大于阈值和该位数数值丢失的情况。将错误类型进行分类，能够帮助检测人员检查哪种错误类型较多或教少，当某一个错误类型较多时，可以查询是什么原因引起该错误类型较多，例如是由于图像的遮挡，光线的亮度影响等，检查出引起错误类型较多的情况后，可以对摄像头处的环境进行改变，去除遮挡障碍物，提高亮度等。
在实际识别提取速度数据值中，出现识别错误的概率较低，数千副图片中或许只有一个速度数据值识别错误，所以在图片中仅仅显示错误的速度数据值的前五个和后五个数据速度值，以便于清楚简要的进行说明。
如图2所示，速度图像的命名方式为：算法识别的速度-随机数，例如图2中第一个速度图像的名称为：56-40.9224691477829029.png，56为识别出的速度数据值，40.9224691477829029为随机数，可以随机生成，png为图片格式。图4、图6、图8、图10、图12、图14中速度图像的命名方式相同。
图2中第六个速度图像中的速度数据值为57 km/h，前一帧的速度数据值为57 km/h，识别出的速度数据值为50 km/h（可从速度图像文件的命名中得知）。显然识别出的速度数据值50 km/h与前一帧的速度数据值57 km/h相差7 km/h，7km/h的速度数据值大于阈值4km/h，所以识别出的速度数据值50 km/h为错误的速度数据值。
对识别错误的速度数据值进行修正，生成修正数据集。
图3所示，对图2中错误的速度数据值，进行修正。图3中数据集的组成形式为：视频：<视频名称> +lastv：数据值+ V：数据值+name：速度图像文件名+突变次数：数值。如图3中第一行所示，视频：<VideoCapture 00000141D54114B0> lastV：56 V：56 name：56-40.9224691477829029.png 突变次数：0。其中，VideoCapture 00000141D54114B0为视频名称，lastV：56 是上一帧速度图像提取识别出的速度数据值为56 km/h，V：56是当前帧速度图像提取识别出的速度数据值为56 km/h，56-40.9224691477829029.png为当前帧速度图像的文件名，与图2中的名称对应。突变次数：0是指之前的识别错误的次数为0，即之前识别无错误，每识别错误一个速度数据值，突变次数加1，以便于直观的了解在整个速度数据集的获取中，出现多少次识别错误的速度数据值，从而便于对模板匹配的算法进行选择调整。
图3所示，在第六行中，视频：<VideoCapture 00000141D54114B0> lastV：57errorV：50 name：50-30.2061322582921693.png 突变次数：1 修正结果：57，errorV：50指的是当识别出的速度数据值与上一帧的速度数据值相差大于阈值时，将错误的速度数据值命名为errorV，并在将突变次数加1，在句尾中标识出修正结果：57，修正结果：57指的是修正后的速度数据值为57 km/h，修正方法为：将前一帧速度图像上的速度数据值中位数上正确的数值替换为当前帧速度图像上速度数据值中位数上错误的数值。例如，前一帧的速度数据值个位上的数值为7，错误的速度数据值错误的位置为个位上的数值0，用数值7替换数值0即可获得修正后的速度数据值57 km/h。即可获得修正数据集，将修正数据集作为数据直接应用到其他速度数据分析模块中，能够极大的提高准确度。在识别出错误速度数据值时，可以立即进行修正，最终可以将正确的完整的修正数据集直接输入到需要速度数据的其他模块或设备中。
修正方法并不采用直接替换前一帧的速度数据值，例如，如果前一帧识别的速度数据值为57km/h，而当前帧识别出的速度数据值为68km/h（正确的速度数据值为58km/h，十位出错，个位正确），如果将68km/h直接替换成前一帧的速度数据值57 km/h，就会出现个位数值上的偏差，而造成数据集的不精准。所以仅仅只对识别有误的速度数据值上的位数进行替换，保证不影响到其他位，确保修正数据集的准确性。
图4为十位错误，个位和百位正确的错误类型，使用同样的方法进行修正，即可获得图5中修正后的修正数据集。
图6为百位错误，个位和十位正确的错误类型，使用同样的方法进行修正，即可获得图7中修正后的修正数据集。
图8为个位和十位错误，百位正确的错误类型，使用同样的方法进行修正，即可获得图9中修正后的修正数据集。
图10为个位和百位错误，十位正确的错误类型，使用同样的方法进行修正，即可获得图11中修正后的修正数据集。
图12为十位和百位错误，个位正确的错误类型，使用同样的方法进行修正，即可获得图13中修正后的修正数据集。
图14为个位、十位和百位错误的错误类型，使用同样的方法进行修正，即可获得图15中修正后的修正数据集。
在图3、图5、图7、图9、图11、图13、图15中，由于在大量的数据中，错误类型的出现是随机的，在一个视频中会出现不同的错误类型，出现的次序无法确定，错误的类型无法确定，也许一个视频中自始至终不会出现其中一个错误类型，所以在图中修正次数的顺序并不是严格按照数字的排序进行的，为了便于显示所有的错误类型，选取了不同时段，不同视频的错误来对错误类型进行完整的说明。
如图16，一种速度误检和修正方法，包括：
S10，获取具有速度标识的模板图像；
S20，从所述模板图像中提取速度图像；
S30，从所述速度图像中识别提取速度数据值；
S40，对识别错误的速度数据值进行修正，生成修正数据集。
如图17，一种速度误检和修正设备50，包括：
获取模块501，用于获取具有速度标识的模板图像；
提取模块502，用于从模板图像中提取速度图像；
识别模块503，用于从速度图像中识别提取速度数据值；
修正模块504，用于对识别错误的速度数据值进行修正，生成修正数据集。
如图18，一种用于速度误检和修正的计算机可读存储介质60，计算机可读存储介质上存储有计算机程序601，计算机程序601被处理器执行时实现速度误检和修正方法的步骤。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种速度误检和修正方法，其特征在于，包括以下步骤：
获取具有速度标识的模板图像，所述的模板图像由速度监控视频中的每一帧的单幅图像组成；
从所述模板图像中提取速度图像；
从所述速度图像中识别提取速度数据值，所述识别提取速度数据值中包括有设定阈值，将前一帧速度图像中的速度值与当前帧的速度图像中的速度值进行对比，当前帧的速度与前一帧的速度差大于阈值时，将当前帧的速度图像上的数值判定为错误数据值；
对所述错误数据值进行修正，包括将前一帧速度图像上的速度数据值中位数上正确的数值替换为当前帧速度图像上速度数据值中位数上错误的数值，生成修正数据集。
2.根据权利要求1所述的速度误检和修正方法，其特征在于，包括有使用模板匹配识别方法对所述模板图像进行预处理。
3.根据权利要求2所述的速度误检和修正方法，其特征在于，所述模板匹配识别方法中包括有相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法。
4.根据权利要求3所述的速度误检和修正方法，其特征在于，使用opencv选取所述模板匹配识别方法中相关法、误差法、二次匹配误差算法、高速模板匹配法或序贯相似性检测算法的一种。
5.根据权利要求1所述的速度误检和修正方法，其特征在于，包括有对识别错误的速度数据值的错误类型进行分类。
6.一种速度误检和修正设备，其特征在于，包括：
获取模块，用于获取具有速度标识的模板图像，所述的模板图像由速度监控视频中的每一帧的单幅图像组成；
提取模块，用于从所述模板图像中提取速度图像；
识别模块，用于从所述速度图像中识别提取速度数据值，所述识别提取速度数据值中包括有设定阈值，将前一帧速度图像中的速度值与当前帧的速度图像中的速度值进行对比，当前帧的速度与前一帧的速度差大于阈值时，将当前帧的速度图像上的数值判定为错误数据值；
修正模块，用于对所述错误数据值进行修正，包括将前一帧速度图像上的速度数据值中位数上正确的数值替换为当前帧速度图像上速度数据值中位数上错误的数值，生成修正数据集。
7.一种用于速度误检和修正的计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的速度误检和修正方法的步骤。
CN202010479459.XA 2020-05-30 2020-05-30 一种速度误检和修正方法、设备及计算机可读存储介质 Active CN111612094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010479459.XA CN111612094B (zh) 2020-05-30 2020-05-30 一种速度误检和修正方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010479459.XA CN111612094B (zh) 2020-05-30 2020-05-30 一种速度误检和修正方法、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111612094A CN111612094A (zh) 2020-09-01
CN111612094B true CN111612094B (zh) 2023-07-21

Family

ID=72203887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010479459.XA Active CN111612094B (zh) 2020-05-30 2020-05-30 一种速度误检和修正方法、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111612094B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143195A (zh) * 2014-07-04 2014-11-12 华南理工大学 一种手势跟踪过程中手形变化导致跟踪偏移的修正方法
CN110675442A (zh) * 2019-09-23 2020-01-10 的卢技术有限公司 一种结合目标识别技术的局部立体匹配方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140119445A1 (en) * 2012-10-26 2014-05-01 Lsi Corporation Method of concealing picture header errors in digital video decoding

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143195A (zh) * 2014-07-04 2014-11-12 华南理工大学 一种手势跟踪过程中手形变化导致跟踪偏移的修正方法
CN110675442A (zh) * 2019-09-23 2020-01-10 的卢技术有限公司 一种结合目标识别技术的局部立体匹配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张晶 ; 李志敏 ; 黄凡 ; .一种改进的自适应模板匹配法.微计算机信息.2008,(27),全文. *

Also Published As

Publication number Publication date
CN111612094A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
Pape et al. 3-D histogram-based segmentation and leaf detection for rosette plants
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
US20170039457A1 (en) Business discovery from imagery
CN111666842B (zh) 一种基于双流空洞卷积神经元网络的阴影检测方法
EP2672396A1 (en) Method for annotating images
EP3495989A1 (en) Best image crop selection
CN111814690B (zh) 一种目标重识别方法、装置和计算机可读存储介质
JP2007156655A (ja) 変動領域検出装置及びその方法
KR20170038144A (ko) 어텐션 검출 장치 및 어텐션 검출 방법
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及系统
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN111275040A (zh) 定位方法及装置、电子设备、计算机可读存储介质
CN117036737A (zh) 基于信息熵、gms与lc显著检测的特征提取与匹配方法
CN116228741A (zh) 一种pcba元器件缺陷检测方法及装置
Ling et al. A model for automatic recognition of vertical texts in natural scene images
CN111598913A (zh) 一种基于机器人视觉的图像分割方法和系统
CN113989563A (zh) 一种多尺度多标签融合的中医舌象分类方法
CN111612094B (zh) 一种速度误检和修正方法、设备及计算机可读存储介质
CN116934737A (zh) 一种焊缝组合缺陷识别及分类方法
CN113052019A (zh) 目标跟踪方法及装置、智能设备和计算机存储介质
Hu et al. Automatic detection of pecan fruits based on Faster RCNN with FPN in orchard
CN111832497A (zh) 一种基于几何特征的文本检测后处理方法
KR101068288B1 (ko) 세그먼트 특징을 이용한 내용 기반 동영상 검출 방법
CN111723719B (zh) 基于类别外部记忆的视频目标检测方法、系统、装置

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