CN111860436A - 一种提高检测系统检测可靠性的方法 - Google Patents

一种提高检测系统检测可靠性的方法 Download PDF

Info

Publication number
CN111860436A
CN111860436A CN202010758545.4A CN202010758545A CN111860436A CN 111860436 A CN111860436 A CN 111860436A CN 202010758545 A CN202010758545 A CN 202010758545A CN 111860436 A CN111860436 A CN 111860436A
Authority
CN
China
Prior art keywords
frame
time
moment
detection
improving
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.)
Pending
Application number
CN202010758545.4A
Other languages
English (en)
Inventor
高岩
高明
凌泽乐
郝虹
金长新
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.)
Jinan Inspur Hi Tech Investment and Development Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development 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 Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN202010758545.4A priority Critical patent/CN111860436A/zh
Publication of CN111860436A publication Critical patent/CN111860436A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/41—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

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

Abstract

本发明公开了一种提高检测系统检测可靠性的方法，包括：S1，对图像进行推理，得到包括多个框元素的框集合；S2，对比t0‑△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0‑△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，判断变化差值是否超过阈值；若是，S3，t0‑△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为不同的对象，否则，S4，t0‑△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为相同的对象；S5，将t0‑△t时刻的框集合与t0时刻的框集合进行融合。通过将对连续图像在一定时间内的多次推理结果进行融合，提高系统整体的检测可靠性。

Description

一种提高检测系统检测可靠性的方法
技术领域
本发明涉及卷积神经网络技术领域，特别是涉及一种提高检测系统检测可靠性的方法。
背景技术
采用摄像机、照相机对指定的物体进行拍摄，已经在各个领域得到广泛的使用。可以将美好的记忆留住，也可以将重要的信息留住，如采用高速摄像机对武器的弹头进行监控，获得其飞行轨迹，然后可以在此基础上获得更好性能的武器，工业上对设备的运行进行监控，提高对设备的管理，在居民区或者其它公共区域进行监控，可以有效减少犯罪事件的发生。
在获得拍摄视频之后，可以采用人工进行检测，也可以采用机器自动检测，而采用人工智能件检测能具有较高的检测效率。但是，当前许多人工智能对视频的检测系统利用卷积神经网络模型检测视频当中的帧，检测结果随着技术的进步已经相当准确，但是并非全部正确。
一般来说，多数帧的检测结果都是正确的，但是其中会出现一些错误结果，同时，检测结果的位置信息误差较小，与之相比，分类信息出错较多，且对系统影响较大。
发明内容
本发明的目的是提供了一种提高检测系统检测可靠性的方法，通过将多次推理进行融合，提高了检测可靠性。
为解决上述技术问题，本发明实施例提供了一种提高检测系统检测可靠性的方法，包括：
S1，对图像进行推理，得到包括多个框元素的框集合；
S2，对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，判断变化差值是否超过阈值；
若是，S3，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为不同的对象，否则，S4，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为相同的对象；
S5，将t0-△t时刻的框集合与t0时刻的框集合进行融合。
其中，在所述S3之后，还包括：
S6，将t0时刻的框集合与t0-△t时刻的框集合的不同对象添加到所述t0-△t时刻的框集合中。
其中，在所述S5之后，还包括：
判断当前时刻的框集合是否全部完成融合；
若是，则进行下一时刻的框集合融合操作。
其中，所述框元素包含中心点坐标、宽度、高度和类别置信度分布。
其中，所述S5之后，还包括：
对将t0-△t时刻的框集合的类别置信度与t0时刻的框集合的类别置信度分布进行融合。
其中，在所述S1和S2之间，还包括：
判断所述框集合的置信度列表中最新的非零检测结果的时间与当前时刻的间隔是否超过有效周期T；
若是，则删除所述框集合。
其中，在所述S2之前，还包括：
设置所述有效周期T的长度。
其中，还包括：
平均设置所述框集合在有效周期T内的推理的类别置信度权重。
其中，所述框元素为矩形框元素、椭圆形框元素或圆形框元素。
其中，还包括对所述框元素的形状进行设置。
本发明实施例所提供的提高检测系统检测可靠性的方法，与现有技术相比，具有以下优点：
本发明实施例提供的提高检测系统检测可靠性的方法，对图像进行推理，得到包括多个框元素的框集合之后，判断相邻t0-△t时刻和t0时刻对应的对象是否相同，通过对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，变化差值是否超过阈值，最后将t0-△t时刻的框集合与t0时刻的相同对应的框集合进行融合，使得通过将对连续图像在一定时间内的多次推理结果进行融合，提高系统整体的检测可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的提高检测系统检测可靠性的方法的一个实施例的步骤流程示意图；
图2为本发明实施例提供的提高检测系统检测可靠性的方法的另一个实施例的步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1～图2，图1为本发明实施例提供的提高检测系统检测可靠性的方法的一个实施例的步骤流程示意图；图2为本发明实施例提供的提高检测系统检测可靠性的方法的另一个实施例的步骤流程示意图。
在一种具体实施方式中，所述提高检测系统检测可靠性的方法，包括：
S1，对图像进行推理，得到包括多个框元素的框集合；
S2，对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，判断变化差值是否超过阈值；
若是，S3，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为不同的对象，否则，S4，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为相同的对象；
S5，将t0-△t时刻的框集合与t0时刻的框集合进行融合。
对图像进行推理，得到包括多个框元素的框集合之后，判断相邻t0-△t时刻和t0时刻对应的对象是否相同，通过对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，变化差值是否超过阈值，最后将t0-△t时刻的框集合与t0时刻的相同对应的框集合进行融合，使得通过将对连续图像在一定时间内的多次推理结果进行融合，提高系统整体的检测可靠性。
由于在进行推理融合过程中，存在不同对象的情况，为了提高融合效率，将某一时刻的框集合尽可能融合，在所述S3之后，还包括：
S6，将t0时刻的框集合与t0-△t时刻的框集合的不同对象添加到所述t0-△t时刻的框集合中。
将不能融合的框集合添加到之前时刻的框集合中，这样就能够将一个确定时刻的框集合或者融合，或者添加到其它时刻的框集合，从而将一个时刻的框集合全部消除。
在本发明中可以是同时对多个框集合进行融合，也可以是分别进行融合，其中分别融合的过程如下，在所述S5之后，还包括：
判断当前时刻的框集合是否全部完成融合；
若是，则进行下一时刻的框集合融合操作。
本发明对于完成融合的标志不做限定，可以是在完成融合之后，发出融合完成信号，下一时刻的框集合开启融合操作，或者采用其它的操作，如在完成融合之后，将被融合的框集合进行删除操作，通过检测删除指令作为触发信号，或者是检测上一时刻的框集合是否还存在，如果不存在，即视为完成融合，可以开启下一时刻的融合操作。
本发明对于框元素包含的子元素不做限定，所述框元素包含中心点坐标、宽度、高度和类别置信度分布，还可以为其它框元素信息。
更进一步，为了提高框集合融合程度，在一个实施例中，所述S5之后，还包括：
对将t0-△t时刻的框集合的类别置信度与t0时刻的框集合的类别置信度分布进行融合。
为了进一步保证图像的检测可靠性，在一个实施例中，在所述S1和S2之间，还包括：
判断所述框集合的置信度列表中最新的非零检测结果的时间与当前时刻的间隔是否超过有效周期T；
若是，则删除所述框集合。
通过判断框集合是否在有效周期内，实现提高融合的可靠性。
本发明对于有效周期不做限定，可以是固定设置，可以是在临时设置，也可以是随机设置，为了具有更好的灵活性，在一个实施例中，所述S2之前，还包括：
设置所述有效周期T的长度。
本发明中对于框集合在有效周期T内的推理的类别置信度权重不做限定，可以是采用不同的权重，也可以是采用相同的权重，甚至还可以在局部采用设定权重，在其它位置采用相等的权重等，一般为了实现高效率融合，在一个实施例中，所述提高检测系统检测可靠性的方法还包括：
平均设置所述框集合在有效周期T内的推理的类别置信度权重。
本发明中对于框集合中的框元素的现状不做限定，所述框元素为矩形框元素、椭圆形框元素或圆形框元素，但是由于一般采用坐标的方式进行判断，为了提高处理效率，采用矩形矿元素，即框集合为矩形框集合，这样只需要设置极少的参数即可完成框集合的确定。
为了实现不同的用户需求，在一个实施例中，所述提高检测系统检测可靠性的方法还包括对所述框元素的形状进行设置。
本发明对于框元素的形状进行设置不做限定，可以采用预设的形状进行选择，这样直接选择形状模式即可，也可以采用自定义实现。
本发明中的提高检测系统检测可靠性的方法，一个实施例中，主要包括：
1、检测序列的位置信息融合。图像传感器和拍摄内容几乎总是发生相对位移，以及物体检测模型的推理误差，导致同一个物体对象在不同时刻采集的图像中产生位移，对象的中心位置和宽度、高度均可能发生改变。然而这些属性的变化基本为连续性的变化，如果两张图像的采集时刻相差非常小，则大部分属性差距也十分小。
深度神经网络物体检测模型输出对输入图像的检测结果，将每一次的推理结果视为矩形框的集合，集合中的每一个矩形框元素包含中心点坐标、宽度、高度和类别置信度分布等信息。假定在某一时刻，对第一张图像进行推理，得到矩形框集合。在下一时刻，推理第二张图像，得到这一时刻的矩形框集合，对该时刻的推理结果和上一时刻的结果进行融合，融合方法如下所述。
首先，对上一时刻的任一矩形框，根据其中心坐标在水平和竖直两个方向的数值与该时刻的矩形框集合中的所有矩形框的坐标进行对比，变化差值超过设定的阈值，则判定为不同的对象，继续对比后续矩形框，变化差值在设定的阈值之内，则继续对比与该矩形框的宽度和高度变化，当宽度和高度变化差值超过阈值则为不同对象，继续对比后续矩形框，当宽度和高度变化差值在阈值之内，则判定两个矩形框为同一个对象，将两个矩形框进行合并，合并后矩形框的位置更新为该时刻的位置，结束对该矩形框的融合，继续对上一时刻未融合的矩形框进行融合，直到所有矩形框遍历一次。
最后，将该时刻未被融合的所有矩形框加入到上一时刻的推理结果中，然后将合并后的集合记为当前时刻的推理结果。当下一时刻的图像进行推理后，继续进行如上所述的融合。
2、检测序列的置信度分布融合。当位置信息融合发生矩形框的融合时，对该矩形框的类别置信度分布也进行融合。将所有有效期内的推理的类别置信度视为同等权重的独立分布，基于此，对当前时刻与之前一定间隔内的所有时刻的推理结果进行平均。
在一个实施例中，具体的融合过程如下：
初始化融合后的结果为集合BT＝Φ，即空集合，T为设定的有效周期，规定一个有效周期内检测的图像序列长度不小于2。
记第一次检测发生在t0时刻，使用检测模型对该时刻图像进行检测，对应的检测结果为集合
Figure BDA00026123869900000710
Figure BDA0002612386990000071
其中，
Figure BDA0002612386990000072
表示矩形框的中心坐标和宽度、高度，
Figure BDA0002612386990000073
表示该矩形框类别置信度的分布，O为类别个数。
使用位置信息融合和置信度分布融合，对t0时刻的结果
Figure BDA0002612386990000074
与初始化后的结果BT进行融合，因为此时B为空集合，直接将
Figure BDA0002612386990000075
合并到BT。
在t1时刻发生第二次检测，对应的检测结果为集合
Figure BDA0002612386990000076
Figure BDA0002612386990000077
使用位置信息融合和置信度分布融合，对t1时刻的结果
Figure BDA0002612386990000078
与BT进行融合。遍历BT中的每一个矩形框，如果
Figure BDA0002612386990000079
中的矩形框j被判定为同一个对象，则将
Figure BDA0002612386990000081
中的该矩形框的位置坐标
Figure BDA0002612386990000082
取代BT中的该矩形框的位置，同时将类别置信度分布
Figure BDA0002612386990000083
添加到
Figure BDA0002612386990000084
中的该矩形框的置信度列表中。如果在BT中存在矩形框，该矩形框在
Figure BDA0002612386990000085
中找不到一个矩形框可判定为同一个矩形框，则将(0,0,…,0)添加到该矩形框的置信度列表中。同时，Bt1中可能存在矩形框，与BT中的所有矩形框都无法判定为同一个，则直接将该矩形框合并到BT中。最后，遍历更新后的BT，删除矩形框置信度列表中超过时间间隔T的置信度分布，然后如果一个矩形框的置信度列表中最新的非零检测结果的时间与当前时刻的间隔超过有效期T，则删除该矩形框。
以此类推，对任意时刻t的推理结果可进行融合，融合后的结果为BT，对BT种的任意一个矩形框，系统输出其位置坐标为BT中的坐标，输出的类别置信度为该矩形框的置信度分布列表的平均分布。
综上所述，本发明实施例提供的提高检测系统检测可靠性的方法，对图像进行推理，得到包括多个框元素的框集合之后，判断相邻t0-△t时刻和t0时刻对应的对象是否相同，通过对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，变化差值是否超过阈值，最后将t0-△t时刻的框集合与t0时刻的相同对应的框集合进行融合，使得通过将对连续图像在一定时间内的多次推理结果进行融合，提高系统整体的检测可靠性。
以上对本发明所提供的提高检测系统检测可靠性的方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种提高检测系统检测可靠性的方法，其特征在于，包括：
S1，对图像进行推理，得到包括多个框元素的框集合；
S2，对比t0-△t时刻的任一框集合的中心坐标在水平和竖直两个方向的数值与t0时刻的所有框集合中的框集合的对应坐标，或t0-△t时刻的任一框集合与t0时刻的所有框集合中的框集合的宽度或高度，判断变化差值是否超过阈值；
若是，S3，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为不同的对象，否则，S4，t0-△t时刻的框集合对应的对象与t0时刻的框集合对应的对象为相同的对象；
S5，将t0-△t时刻的框集合与t0时刻的框集合进行融合。
2.如权利要求1所述提高检测系统检测可靠性的方法，其特征在于，在所述S3之后，还包括：
S6，将t0时刻的框集合与t0-△t时刻的框集合的不同对象添加到所述t0-△t时刻的框集合中。
3.如权利要求2所述提高检测系统检测可靠性的方法，其特征在于，在所述S5之后，还包括：
判断当前时刻的框集合是否全部完成融合；
若是，则进行下一时刻的框集合融合操作。
4.如权利要求3所述提高检测系统检测可靠性的方法，其特征在于，所述框元素包含中心点坐标、宽度、高度和类别置信度分布。
5.如权利要求4所述提高检测系统检测可靠性的方法，其特征在于，所述S5之后，还包括：
对将t0-△t时刻的框集合的类别置信度与t0时刻的框集合的类别置信度分布进行融合。
6.如权利要求5所述提高检测系统检测可靠性的方法，其特征在于，在所述S1和S2之间，还包括：
判断所述框集合的置信度列表中最新的非零检测结果的时间与当前时刻的间隔是否超过有效周期T；
若是，则删除所述框集合。
7.如权利要求6所述提高检测系统检测可靠性的方法，其特征在于，在所述S2之前，还包括：
设置所述有效周期T的长度。
8.如权利要求7所述提高检测系统检测可靠性的方法，其特征在于，还包括：
平均设置所述框集合在有效周期T内的推理的类别置信度权重。
9.如权利要求8所述提高检测系统检测可靠性的方法，其特征在于，所述框元素为矩形框元素、椭圆形框元素或圆形框元素。
10.如权利要求9所述提高检测系统检测可靠性的方法，其特征在于，还包括对所述框元素的形状进行设置。
CN202010758545.4A 2020-07-31 2020-07-31 一种提高检测系统检测可靠性的方法 Pending CN111860436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010758545.4A CN111860436A (zh) 2020-07-31 2020-07-31 一种提高检测系统检测可靠性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010758545.4A CN111860436A (zh) 2020-07-31 2020-07-31 一种提高检测系统检测可靠性的方法

Publications (1)

Publication Number Publication Date
CN111860436A true CN111860436A (zh) 2020-10-30

Family

ID=72953548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010758545.4A Pending CN111860436A (zh) 2020-07-31 2020-07-31 一种提高检测系统检测可靠性的方法

Country Status (1)

Country Link
CN (1) CN111860436A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013136395A1 (ja) * 2012-03-12 2013-09-19 日本電気株式会社 検知装置、検知方法、プログラムが格納された記憶媒体
CN104732187A (zh) * 2013-12-18 2015-06-24 杭州华为企业通信技术有限公司 一种图像跟踪处理的方法及设备
CN106960446A (zh) * 2017-04-01 2017-07-18 广东华中科技大学工业技术研究院 一种面向无人艇应用的水面目标检测跟踪一体化方法
GB201910639D0 (en) * 2019-07-25 2019-09-11 Bae Systems Plc System and method for processing images
CN110232350A (zh) * 2019-06-10 2019-09-13 哈尔滨工程大学 一种基于在线学习的实时水面多运动目标检测跟踪方法
CN111126299A (zh) * 2019-12-25 2020-05-08 中国科学院自动化研究所 面向时序目标检测的优化方法和评估系统
US20210174149A1 (en) * 2018-11-20 2021-06-10 Xidian University Feature fusion and dense connection-based method for infrared plane object detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013136395A1 (ja) * 2012-03-12 2013-09-19 日本電気株式会社 検知装置、検知方法、プログラムが格納された記憶媒体
CN104732187A (zh) * 2013-12-18 2015-06-24 杭州华为企业通信技术有限公司 一种图像跟踪处理的方法及设备
CN106960446A (zh) * 2017-04-01 2017-07-18 广东华中科技大学工业技术研究院 一种面向无人艇应用的水面目标检测跟踪一体化方法
US20210174149A1 (en) * 2018-11-20 2021-06-10 Xidian University Feature fusion and dense connection-based method for infrared plane object detection
CN110232350A (zh) * 2019-06-10 2019-09-13 哈尔滨工程大学 一种基于在线学习的实时水面多运动目标检测跟踪方法
GB201910639D0 (en) * 2019-07-25 2019-09-11 Bae Systems Plc System and method for processing images
CN111126299A (zh) * 2019-12-25 2020-05-08 中国科学院自动化研究所 面向时序目标检测的优化方法和评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董冲: "基于多尺度特征融合的目标检测研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN106295594B (zh) 一种基于动态路径树的跨摄像头目标跟踪方法及装置
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN112132893B (zh) 一种适用于室内动态环境的视觉slam方法
EP3667557B1 (en) Method and device for tracking an object
CN111724439B (zh) 一种动态场景下的视觉定位方法及装置
CN107833236A (zh) 一种动态环境下结合语义的视觉定位系统和方法
CN112163516B (zh) 跳绳计数的方法、装置及计算机存储介质
CN111709975B (zh) 多目标跟踪方法、装置、电子设备及存储介质
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
CN112381171B (zh) 一种基于组合模型的多传感器节点缺失数据填充方法
CN110889328A (zh) 检测道路交通状况的方法、装置、电子设备和存储介质
CN108629254B (zh) 一种运动目标的检测方法及装置
CN114564648A (zh) 基于大数据的个性化服务内容优化方法及人工智能云系统
CN112597995B (zh) 车牌检测模型训练方法、装置、设备及介质
CN111860436A (zh) 一种提高检测系统检测可靠性的方法
CN109815902A (zh) 一种行人属性区域信息获取方法、装置及设备
CN104408710B (zh) 一种全局视差估计方法和系统
CN116309775A (zh) 一种将基于多基的深度补全网络与slam融合的方法
CN111814767B (zh) 跌倒检测方法、装置、电子设备和存储介质
CN111489317B (zh) 一种骨灰盒智能存放系统
WO2023039331A1 (en) Object detection systems and methods including an object detection model using a tailored training dataset
CN110276233A (zh) 一种基于深度学习的多相机协同跟踪系统
CN112561956A (zh) 视频目标跟踪方法、装置、电子设备及存储介质
CN112529739A (zh) 一种建筑质量全局检测方法及系统
CN112529738A (zh) 一种建筑工程的整体检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication