CN111797707A - 一种基于聚类的镜头关键帧提取方法 - Google Patents
一种基于聚类的镜头关键帧提取方法 Download PDFInfo
- Publication number
- CN111797707A CN111797707A CN202010534738.1A CN202010534738A CN111797707A CN 111797707 A CN111797707 A CN 111797707A CN 202010534738 A CN202010534738 A CN 202010534738A CN 111797707 A CN111797707 A CN 111797707A
- Authority
- CN
- China
- Prior art keywords
- cluster
- frame
- color histogram
- clusters
- hsv
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于聚类的镜头关键帧提取方法,首先针对视频,提取视频帧的HSV颜色直方图作为特征向量;接着对HSV颜色直方图进行聚类,动态生成若干个簇,每个簇中包含镜头的若干个视频帧;然后对规模较小的簇进行合并,某个簇的大小小于预设值,则将该簇合并到其他簇中;最后根据颜色直方图距离或者图像熵选取关键帧。本方法能根据镜头内容的复杂程度自动确定镜头内关键帧的数量,因而选取的关键帧能准确代表镜头内容,且没有冗余。
Description
技术领域
本发明属于视频分析技术领域,涉及一种镜头关键帧提取方法,具体涉及一种基于聚类的镜头关键帧提取方法。
技术背景
新闻视频拆分是将一段长时间、完整的新闻视频拆分成独立的新闻故事单元、镜头以及关键帧。如果用户需要快速浏览或者需要查找到自己关注的新闻片段,就需要提前对新闻视频进行拆分。新闻视频拆分是个性化推送、短视频、视频摘要、智能拆条等应用的基础。
传统的人工视频拆分方式存在诸多缺点。首先,对于视频镜头分割需要浏览完视频的全部内容,整个过程需要消耗大量的时间和人力,处理效率低,难以批量生产;其次,对于视频中关键帧的选取存在很大的主观因素,没有一个选取关键帧的客观标准,不同的人选取出的关键帧可能会不同;最后,拆分的镜头不够准确,有可能出现遗漏和误判。为此,需要一个自动化的新闻视频拆分算法,对新闻视频进行高效精确的处理。
由于镜头中的帧是摄像机连续拍摄得到的,因此,在镜头内相邻帧之间的内容重复度极高。通常而言,只需要阅览镜头中少数的几帧,就可以了解到该镜头表达的核心内容。但是选取体现镜头核心内容的关键帧因视频内容而异,镜头内关键帧的数量由镜头复杂程度决定,当镜头内容越复杂,所取得的关键帧的个数也就越多;反之,当镜头内容基本稳定,即使镜头的时间再长,所提取的关键帧也应该比较少。
聚类算法被广泛应用于视频关键帧提取,基于K-means聚类的关键帧提取是其中的典型代表。尽管K-means算法能够有效的选取出镜头中存在的关键帧,且选出的关键帧具有一定的代表性,但是,由于K是事先设定的值,选取出的关键帧数量无法随着镜头内容复杂程度变化而变化。
发明内容
为了解决传统的K-means聚类方法提取关键帧存在的缺陷,本发明提出了一种改进的基于聚类的镜头关键帧提取方法,能够动态的确定簇的个数,且能合并规模较小的簇,从而提高选出的关键帧的代表性并且降低关键帧的冗余度。
本发明所采用的技术方案是:一种基于聚类的镜头关键帧提取方法,其特征在于,包括以下步骤:
步骤1:针对视频,提取视频帧的HSV颜色直方图作为特征向量;
步骤2:对HSV颜色直方图进行聚类,动态生成若干个簇,每个簇中包含镜头的若干个视频帧;
步骤3:对规模较小的簇进行合并,若某个簇的大小小于预设值,则将该簇合并到其他簇中;
步骤4:根据颜色直方图距离或者图像熵选取关键帧。
本发明具有如下优点和积极效果:
(1)本方法选取的关键帧能准确代表镜头内容,且没有冗余。
(2)能根据镜头内容的复杂程度自动确定镜头内关键帧的数量。镜头内容越复杂,所取得的关键帧的个数也就越多;镜头内容越稳定,即使镜头的时间再长,所提取的关键帧也较少。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的《新闻三十分》片段中提取关键帧的比较示意图;
图3为本发明实施例的《新闻联播》片段中提取关键帧的比较示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
关键帧是视频镜头内能够代表镜头内容的一帧或多帧,请见图1,本发明提供的一种基于聚类的镜头关键帧提取方法,包括以下步骤:
步骤1:针对视频,提取视频帧的HSV颜色直方图作为特征向量;
相比于其它颜色空间,HSV颜色空间更符合人眼视觉感知特性。因此,本方法提取HSV颜色特征作为特征向量。具体通过openCV中的cvtColor()方法实现RGB颜色空间向HSV颜色空间的转换;然后,利用openCV中的calcHist()方法计算每一帧的HSV颜色直方图。
步骤2:对HSV颜色直方图进行聚类,动态生成若干个簇,每个簇中包含镜头的若干个视频帧;
步骤2.1:对HSV颜色直方图进行归一化;
归一化公式为:
其中Nk代表新生成的HSV归一化颜色直方图中第k级的值,Ok代表原先HSV颜色直方图中第k级的值,i取值范围为1~颜色直方图的总级数;
步骤2.2:生成一个新的簇,该簇包含视频的第一帧,簇的质心为第一帧的HSV归一化颜色直方图的值;
步骤2.3:对于视频中非第一帧的帧X,计算该帧HSV颜色直方图与当前存在的所有簇的颜色直方图的距离;
颜色直方图i与颜色直方图j间的距离定义为:
其中,m代表颜色分量,即色调H、饱和度S和明度V;vi,m,k代表在m颜色分量下,归一化颜色直方图i的第k级的值;N代表颜色直方图的总级数;Wm为颜色分量m在计算距离时所占的权重;
步骤2.4:判断是否存在一个簇C,使帧X与簇C的颜色直方图距离小于设定的阈值Threshold;
若是,则判断帧X属于簇C,并且更新簇C的质心;簇的质心计算公式如下:
其中Nk′为更新后质心颜色直方图第k级的值,Ck为更新前质心颜色直方图第k级的值,FK为新加入帧的颜色直方图第k级的值;S为帧X加入簇C后,簇中包含的总帧数;
若否,则帧X属于一个全新簇D;将全新簇D的质心初始化为帧X的HSV归一化颜色直方图的值;
步骤2.5:重复步骤2.3-2.4,直至完成视频中所有帧的处理。
步骤3:对规模较小的簇进行合并,若某个簇的大小小于预设值,则将该簇合并到其他簇中;
在聚类完成之后,会动态生成多个簇,每个簇中包含镜头的多个视频帧。但是每个簇之中的视频帧数不一致,有些簇中的视频帧较多,而有些簇中的视频帧较少。如果一个簇中所包含的视频帧数量较少,说明该簇所代表的颜色在镜头内出现时间较短,不具有代表性。如果不经过处理,直接从规模较小的簇中选取关键帧,提取出的关键帧将不具有代表性,关键帧之间也会存在冗余。为此,将规模较小的簇合并到规模较大的簇中。具体方法如下:
(1)若某个簇的大小满足:
S<W×F;
则将该簇进行合并。其中S为簇中包含的帧数,W为设定的权值,F为镜头的总帧数。
(2)计算该簇质心与其它簇之间的颜色直方图距离,选取距离最小的簇进行合并,并更新合并后的簇的质心。
经过上述处理后,规模较小的簇将合并到规模较大的簇中,并且相应地更新合并后簇的质心。
步骤4:根据颜色直方图距离或者图像熵选取关键帧;
本发明提供了两种选取关键帧的方式。
(1)遍历每一个簇中的每一帧,计算该帧HSV归一化颜色直方图与所属簇的质心的颜色直方图的距离;选取距离最小的帧作为该簇的关键帧。因此,若聚类结束后存在k个簇,则能选取出k个关键帧。
(2)遍历每一个簇中的每一帧,计算该帧HSV颜色直方图的图像熵H:
其中N为颜色直方图的级数,pi为颜色直方图某一级i出现的概率。从中选取图像熵最大的帧作为该簇的关键帧。因此,若聚类结束后存在k个簇,则能选取出k个关键帧。
为了尽量避免冗余,适当提高步骤2中的阈值Threshold,但如果Threshold取值过高,则无法检测出多个关键帧,导致关键帧失去代表性。同时,对于步骤3中的权值W,也需要慎重选取。若权值W取值过高,则会使多个簇合并到一个簇,无法选出多个关键帧;若权值W取值过低,则无法达到去除规模较小的簇的效果。
将本方法自动生成的关键帧与用户手工提取的关键帧进行比较。由于关键帧的提取结果不唯一,只要能选出能代表整个镜头的关键帧,即使选取出的视频帧的位置存在差异,也被认为是一次有效的提取。
图2是《新闻三十分》片段中提取出的关键帧,图3是《新闻联播》片段中提取的关键帧。每个片段都经过了两个用户手工提取。
结果显示,本发明提取出的镜头关键帧与用户提取出的关键帧有很强的相似性,从而证实了算法的准确性和有效性。由图2和图3还可以看出,通过本发明提取出的关键帧之间没有冗余,并且十分有代表性,能够准确反映镜头的主题内容。
应当理解的是,本说明书未详细阐述的部分均属于现有技术;上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于聚类的镜头关键帧提取方法,其特征在于,包括以下步骤:
步骤1:针对视频,提取视频帧的HSV颜色直方图作为特征向量;
步骤2:对HSV颜色直方图进行聚类,动态生成若干个簇,每个簇中包含镜头的若干个视频帧;
步骤3:对规模较小的簇进行合并,若某个簇的大小小于预设值,则将该簇合并到其他簇中;
步骤4:根据颜色直方图距离或者图像熵选取关键帧。
2.根据权利要求1所述的基于聚类的镜头关键帧提取方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:对HSV颜色直方图进行归一化;
归一化公式为:
其中Nk代表新生成的HSV归一化颜色直方图中第k级的值,Ok代表原先HSV颜色直方图中第k级的值,i取值范围为1~颜色直方图的总级数;
步骤2.2:生成一个新的簇,该簇包含视频的第一帧,簇的质心为第一帧的HSV归一化颜色直方图的值;
步骤2.3:对于视频中非第一帧的帧X,计算该帧HSV颜色直方图与当前存在的所有簇的颜色直方图的距离;
颜色直方图i与颜色直方图j间的距离定义为:
其中,m代表颜色分量,即色调H、饱和度S和明度V;vi,m,k代表在m颜色分量下,归一化颜色直方图i的第k级的值;N代表颜色直方图的总级数;Wm为颜色分量m在计算距离时所占的权重;
步骤2.4:判断是否存在一个簇C,使帧X与簇C的颜色直方图距离小于设定的阈值Threshold;
若是,则判断帧X属于簇C,并且更新簇C的质心;簇的质心计算公式如下:
其中Nk′为更新后质心颜色直方图第k级的值,Ck为更新前质心颜色直方图第k级的值,FK为新加入帧的颜色直方图第k级的值;S为帧X加入簇C后,簇中包含的总帧数;
若否,则帧X属于一个全新簇D;将全新簇D的质心初始化为帧X的HSV归一化颜色直方图的值;
步骤2.5:重复步骤2.3-2.4,直至完成视频中所有帧的处理。
3.根据权利要求1所述的基于聚类的镜头关键帧提取方法,其特征在于:步骤3中,若某个簇的大小满足S<W×F,则将该簇进行合并;其中S为簇中包含的帧数,W为设定的权值,F为镜头的总帧数;计算该簇质心与其它簇之间的颜色直方图距离,选取距离最小的簇进行合并,并更新合并后的簇的质心。
4.根据权利要求1-3任意一项所述的基于聚类的镜头关键帧提取方法,其特征在于:步骤4中,遍历每一个簇中的每一帧,计算该帧HSV归一化颜色直方图与所属簇的质心的颜色直方图的距离;选取距离最小的帧作为该簇的关键帧;因此,若聚类结束后存在k个簇,则能选取出k个关键帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534738.1A CN111797707B (zh) | 2020-06-12 | 2020-06-12 | 一种基于聚类的镜头关键帧提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534738.1A CN111797707B (zh) | 2020-06-12 | 2020-06-12 | 一种基于聚类的镜头关键帧提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797707A true CN111797707A (zh) | 2020-10-20 |
CN111797707B CN111797707B (zh) | 2022-03-15 |
Family
ID=72803229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010534738.1A Active CN111797707B (zh) | 2020-06-12 | 2020-06-12 | 一种基于聚类的镜头关键帧提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797707B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其系统 |
CN113255781A (zh) * | 2021-05-28 | 2021-08-13 | 上海市胸科医院 | Cp-ebus的代表性图片选取方法、装置以及诊断系统 |
CN113361426A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 车辆定损图像获取方法、介质、装置和电子设备 |
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN115205768A (zh) * | 2022-09-16 | 2022-10-18 | 山东百盟信息技术有限公司 | 一种基于分辨率自适应网络的视频分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012105205A (ja) * | 2010-11-12 | 2012-05-31 | Nikon Corp | キーフレーム抽出装置、キーフレーム抽出プログラム、キーフレーム抽出方法、撮像装置、およびサーバ装置 |
KR101323369B1 (ko) * | 2012-09-21 | 2013-10-30 | 한양대학교 에리카산학협력단 | 영상 프레임 군집화 장치 및 방법 |
CN104679818A (zh) * | 2014-12-25 | 2015-06-03 | 安科智慧城市技术(中国)有限公司 | 一种视频关键帧提取方法及系统 |
CN105025392A (zh) * | 2015-06-25 | 2015-11-04 | 西北工业大学 | 基于摘要空间特征学习的视频摘要关键帧提取方法 |
US20150326833A1 (en) * | 2014-05-12 | 2015-11-12 | Sony Corporation | Image processing method, image processing device and monitoring system |
CN106960211A (zh) * | 2016-01-11 | 2017-07-18 | 北京陌上花科技有限公司 | 关键帧获取方法及装置 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
-
2020
- 2020-06-12 CN CN202010534738.1A patent/CN111797707B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012105205A (ja) * | 2010-11-12 | 2012-05-31 | Nikon Corp | キーフレーム抽出装置、キーフレーム抽出プログラム、キーフレーム抽出方法、撮像装置、およびサーバ装置 |
KR101323369B1 (ko) * | 2012-09-21 | 2013-10-30 | 한양대학교 에리카산학협력단 | 영상 프레임 군집화 장치 및 방법 |
US20150326833A1 (en) * | 2014-05-12 | 2015-11-12 | Sony Corporation | Image processing method, image processing device and monitoring system |
CN105100688A (zh) * | 2014-05-12 | 2015-11-25 | 索尼公司 | 图像处理方法、图像处理装置和监视系统 |
CN104679818A (zh) * | 2014-12-25 | 2015-06-03 | 安科智慧城市技术(中国)有限公司 | 一种视频关键帧提取方法及系统 |
CN105025392A (zh) * | 2015-06-25 | 2015-11-04 | 西北工业大学 | 基于摘要空间特征学习的视频摘要关键帧提取方法 |
CN106960211A (zh) * | 2016-01-11 | 2017-07-18 | 北京陌上花科技有限公司 | 关键帧获取方法及装置 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
HUAYONG L.等: "Key frame extraction of online video based on optimized frame difference", 《2012 9TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
朱映映 等: "一种基于视频聚类的关键帧提取方法", 《计算机工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其系统 |
CN113255781A (zh) * | 2021-05-28 | 2021-08-13 | 上海市胸科医院 | Cp-ebus的代表性图片选取方法、装置以及诊断系统 |
CN113361426A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 车辆定损图像获取方法、介质、装置和电子设备 |
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN114419523B (zh) * | 2022-03-29 | 2022-07-08 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN115205768A (zh) * | 2022-09-16 | 2022-10-18 | 山东百盟信息技术有限公司 | 一种基于分辨率自适应网络的视频分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111797707B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797707B (zh) | 一种基于聚类的镜头关键帧提取方法 | |
CN109151501B (zh) | 一种视频关键帧提取方法、装置、终端设备及存储介质 | |
CN110909205B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN108898145A (zh) | 一种结合深度学习的图像显著目标检测方法 | |
US8358837B2 (en) | Apparatus and methods for detecting adult videos | |
US8064641B2 (en) | System and method for identifying objects in video | |
Xiao et al. | A fast method for particle picking in cryo-electron micrographs based on fast R-CNN | |
CN106851437A (zh) | 一种提取视频摘要的方法 | |
CN105049875B (zh) | 一种基于混合特征与突变检测的精确关键帧提取方法 | |
CN111062314B (zh) | 图像选取方法、装置、计算机可读存储介质及电子设备 | |
WO2021143865A1 (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
TW202018666A (zh) | 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統 | |
CN108710883B (zh) | 一种采用轮廓检测的完整显著性物体检测方法 | |
CN112561976A (zh) | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 | |
CN110188625B (zh) | 一种基于多特征融合的视频精细结构化方法 | |
CN112258545A (zh) | 一种烟叶图像在线背景处理系统及在线背景处理方法 | |
CN110807790B (zh) | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 | |
CN108985244B (zh) | 一种电视节目类型识别方法及装置 | |
CN108764258B (zh) | 一种用于群体图像插入的最优图像集选取方法 | |
CN109977738B (zh) | 一种视频场景分割判断方法、智能终端及存储介质 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN115049865A (zh) | 基于计算机视觉的烟叶分级方法和系统 | |
CN113676752A (zh) | 一种互联网视频广告关键帧提取方法 | |
CN110516686B (zh) | 三色rgb图像的蚊虫识别方法 | |
CN110210311B (zh) | 一种基于通道特征融合稀疏表示的人脸识别方法 |
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 |