CN112016537B - 一种基于计算机视觉的综合检测老鼠的方法 - Google Patents
一种基于计算机视觉的综合检测老鼠的方法 Download PDFInfo
- Publication number
- CN112016537B CN112016537B CN202011161524.0A CN202011161524A CN112016537B CN 112016537 B CN112016537 B CN 112016537B CN 202011161524 A CN202011161524 A CN 202011161524A CN 112016537 B CN112016537 B CN 112016537B
- Authority
- CN
- China
- Prior art keywords
- mouse
- mice
- identified
- algorithm
- frame
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于计算机视觉的综合检测老鼠的方法,用于对相机采集图像中的老鼠进行检测,所述方法采用老鼠识别算法对相机采集的单帧图像进行老鼠识别,在对老鼠进行识别时,还要进行以下操作:操作一:对于识别出老鼠的单帧图像,进一步地进行多帧老鼠识别判定;操作二:结合人体识别算法对老鼠识别算法进行修正;操作三:结合老鼠追踪算法对老鼠识别算法中识别的老鼠进行追踪管理;根据老鼠识别算法的识别结果结合上述三个操作共同实现对相机采集图像中的老鼠进行检测。本发明减少了与老鼠类似的静置干扰物对于老鼠识别的干扰;减少了人体上与老鼠类似的运动干扰物对于老鼠识别的干扰;减少了老鼠追踪丢失的问题。
Description
技术领域
本发明属于计算机图像识别技术领域,具体地说,涉及一种基于计算机视觉的综合检测老鼠的方法。
背景技术
老鼠是很多疾病的贮存宿主或媒介,已知老鼠对人类传播的疾病有鼠疫、流行性出血热、钩端螺旋体、斑疹伤寒、蜱性回归热等57种。老鼠对于人类日常生活的各方面卫生以及健康都有很大的影响,特别是在食品领域,老鼠的危害特别大。如果能及时发现老鼠的活动,更是保证食品安全的一个重要条件。
但由于现有计算机视觉中对老鼠的检测只依赖图像识别算法模型的准确率,因为实际应用中摄像机拍摄的老鼠呈现的效果受老鼠品种、场景复杂度、光照条件、相机型号及相机参数设置的影响。算法模型不能对每一种场景进行针对性的训练的情况下,往往效果不好,老鼠检出率不高而误报率较高,在实际场景的应用中会出现各种各样的影响因素,如环境的影响:在明亮的厨房处于对于老鼠的检测精准度要高于在灯光阴暗的仓库。同时在宽广少障碍物干扰物的环境中的检测效果也要远远优于在杂物众多的环境中。现有技术理论上的单帧图像识别精度较佳,但在实际的应用中却常常存在以下各种问题:
(1)因老鼠移动速度过快,导致老鼠追踪效果不佳;
(2)因干扰物过多,总会将人的鞋子、发辫、帽子、手套等等判断为老鼠;
(3)因干扰物过多,总是会出现将类似老鼠形状的灰黑色静物识别为老鼠。
发明内容
本发明针对上述现有技术对于老鼠的检测经常出现误报的缺陷,提出了一种基于计算机视觉的综合检测老鼠的方法,基于老鼠识别算法,结合多帧识别,老鼠追踪算法和人体识别算法,从而减少了实际应用中老鼠识别精度低下,经常出现误报的情况,大大提高了老鼠识别的精度。
本发明具体实现内容如下:
本发明提出了一种基于计算机视觉的综合检测老鼠的方法,用于对相机采集图像中的老鼠进行检测,所述方法采用老鼠识别算法对相机采集的单帧图像进行老鼠识别,在对老鼠进行识别时,还要进行以下操作:
操作一:对于识别出老鼠的单帧图像,进一步地进行多帧老鼠识别判定;
操作二:结合人体识别算法对老鼠识别算法进行修正;
操作三:结合老鼠追踪算法对老鼠识别算法中识别的老鼠进行追踪管理;
根据老鼠识别算法的识别结果结合上述三个操作共同实现对相机采集图像中的老鼠进行检测。
为了更好地实现本发明,进一步地,所述操作一具体内容为:设定判定帧数m,若在某一单帧图像中识别出老鼠,对接下来的连续m个单帧图像使用老鼠识别算法进行老鼠识别,并进一步判断在m个单帧图像中识别出的老鼠是否移动;若判断为移动,则认为使用老鼠识别算法识别出的老鼠为真的老鼠,反之则认为识别出的不是真的老鼠;所述判定帧数m为根据实际需求可调节大小的正整数。
为了更好地实现本发明,进一步地,所述判定在m个单帧图像中识别出的老鼠是否移动的判定方法为:采用前后两个连续的单帧图像进行判定,设定识别出的老鼠在前一单帧图像中的位置为A,在后一单帧图像中的位置为B,并设定老鼠移动量为IOU;将两个单帧图像进行重叠,判断IOU的值是否小于50%,若小于,则判断为移动,反之则判断为未移动;当老鼠的连续移动帧数大于等于n的时候,认为识别出的为真正的老鼠,反之则认为识别出的不是真正的老鼠;所述判定帧数m为大于等于n的正整数;所述IOU的计算方法为:
为了更好地实现本发明,进一步地,所述老鼠识别算法采用5帧/秒的算法判断频率,所述n取值为5。
为了更好地实现本发明,进一步地,所述操作二具体内容为:在对单帧图像采用老鼠识别算法时,同样采用人体识别算法对单帧图像进行人体识别,若被检测的单帧图像中识别出人体,则将识别出人体的单帧图像及其前后3秒内的老鼠识别结果丢弃。
为了更好地实现本发明,进一步地,所述操作三具体内容为:使用老鼠追踪算法对识别到的老鼠进行持续追踪识别;且被追踪的老鼠在后续的单帧图像中丢失后,又再次识别到老鼠时,则对两次识别到的老鼠进行距离判断,若判断为两次识别到的老鼠距离相近,则认定为同一只老鼠,继续使用老鼠追踪算法进行追踪,若判断为两次识别到的老鼠距离不相近,则将再次识别到的老鼠标记为新的老鼠进行持续追踪识别。
为了更好地实现本发明,进一步地,设置所述距离判断时判断为距离相近的范围为像素点d范围内。
为了更好地实现本发明,进一步地,所述像素点d范围为400像素点。
为了更好地实现本发明,进一步地,所述老鼠识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行老鼠识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对老鼠的识别。
为了更好地实现本发明,进一步地,所述人体识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行人体识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对人体的识别。
本发明与现有技术相比具有以下优点及有益效果:
(1)减少了与老鼠类似的静置干扰物对于老鼠识别的干扰;
(2)减少了人体上与老鼠类似的运动干扰物对于老鼠识别的干扰;
(3)减少了老鼠追踪丢失的问题。
附图说明
图1为本发明综合流程示意图;
图2为本发明老鼠识别算法识别单帧图像并结合操作一多帧识别的的流程示意图;
图3为本发明通过前后单帧图像判断老鼠是否移动的示意图;
图4为操作三使用老鼠追踪算法的流程示意图;
图5为本发明操作二使用人体识别算法的流程示意图;
图6为使用本发明和常规单帧识别的效果对比示意图;
图7为白天使用本发明识别出老鼠的示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
实施例1:
本实施例提出了一种基于计算机视觉的综合检测老鼠的方法,如图1、图6所示,用于对相机采集图像中的老鼠进行检测,所述方法采用老鼠识别算法对相机采集的单帧图像进行老鼠识别,在对老鼠进行识别时,还要进行以下操作:
操作一:对于识别出老鼠的单帧图像,进一步地进行多帧老鼠识别判定;
操作二:结合人体识别算法对老鼠识别算法进行修正;
操作三:结合老鼠追踪算法对老鼠识别算法中识别的老鼠进行追踪管理;
根据老鼠识别算法的识别结果结合上述三个操作共同实现对相机采集图像中的老鼠进行检测。
工作原理:当检测出老鼠后,会对老鼠图像进行跟踪检测。当老鼠图像在每帧达到位移值50%后,我们判定此老鼠为活体老鼠类。此算法可以过滤场景中微小深色物体,比如黑色杯子、息屏手机、深色抹布等干扰项。此时再检测此场景中是否出现了人,因为当人出现在场景中时,由于身上的一些类似老鼠的特征,比如发髻,衣带,或者与场景有交互动作,如拖动拖把、拿起手机等均会造成类老鼠动态误判,所以在此处会对有人场景进行丢弃处理。并对丢弃时间延长至人员进入画面的前后3秒。综合结果后再通过老鼠跟踪算法,进行多帧识别判断。最后输出结果。如图6所示,使用本发明的精确率高达95%。
实施例2:
本实施例在上述实施例1的基础上,如图2、图3、图7所示,为了更好地实现本发明,进一步地,所述操作一具体内容为:设定判定帧数m,若在某一单帧图像中识别出老鼠,对接下来的连续m个单帧图像使用老鼠识别算法进行老鼠识别,并进一步判断在m个单帧图像中识别出的老鼠是否移动;若判断为移动,则认为使用老鼠识别算法识别出的老鼠为真的老鼠,反之则认为识别出的不是真的老鼠;所述判定帧数m为根据实际需求可调节大小的正整数。
为了更好地实现本发明,进一步地,所述判定在m个单帧图像中识别出的老鼠是否移动的判定方法为:采用前后两个连续的单帧图像进行判定,设定识别出的老鼠在前一单帧图像中的位置为A,在后一单帧图像中的位置为B,并设定老鼠移动量为IOU;将两个单帧图像进行重叠,判断IOU的值是否小于50%,若小于,则判断为移动,反之则判断为未移动;当老鼠的连续移动帧数大于等于n的时候,认为识别出的为真正的老鼠,反之则认为识别出的不是真正的老鼠;所述判定帧数m为大于等于n的正整数;所述IOU的计算方法为:
为了更好地实现本发明,进一步地,所述老鼠识别算法采用5帧/秒的算法判断频率,所述n取值为5。
工作原理:由于不同的摄像头场景不统一,我们将老鼠图片视作一个长方形框,如图7所示,长方形框的大小等于老鼠在图像中的长宽像素。当新的长方形框产生后,与上一帧老鼠的长方形框进行重合度及IOU对比,当发现重合度低于50%后,则判定为非老鼠物体。老鼠检测算法判断频率为5帧/秒,故0.2秒之内老鼠完成身体50%的位移值,50%数值是由长期观察和总结的数据。注意,实际应用中长方形框为红色,在附图中因为附图要求的缘故,显示不佳,但在实际显示中为清晰可辨的红色。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1-2任一项的基础上,为了更好地实现本发明,如图5所示,进一步地,所述操作二具体内容为:在对单帧图像采用老鼠识别算法时,同样采用人体识别算法对单帧图像进行人体识别,若被检测的单帧图像中识别出人体,则将识别出人体的单帧图像及其前后3秒内的老鼠识别结果丢弃。
工作原理:由于人进入画面前和进入画面后,只出现部分身体部位,比如头发或皮鞋脚尖,容易误判成老鼠,所以进行丢弃处理。丢弃时间由大量数据采样结果得出。
本实施例的其他部分与上述实施例1-2任一项相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上,为了更好地实现本发明,如图4所示,进一步地,所述操作三具体内容为:使用老鼠追踪算法对识别到的老鼠进行持续追踪识别;且被追踪的老鼠在后续的单帧图像中丢失后,又再次识别到老鼠时,则对两次识别到的老鼠进行距离判断,若判断为两次识别到的老鼠距离相近,则认定为同一只老鼠,继续使用老鼠追踪算法进行追踪,若判断为两次识别到的老鼠距离不相近,则将再次识别到的老鼠标记为新的老鼠进行持续追踪识别。
为了更好地实现本发明,进一步地,设置所述距离判断时判断为距离相近的范围为像素点d范围内。
为了更好地实现本发明,进一步地,所述像素点d范围为400像素点。
工作原理:在一些特殊情况下,例如,老鼠移动过快,算法模型在某几帧漏检了老鼠,或者掉帧严重的情况下,会追丢老鼠,导致同一只老鼠多报或者漏报的情况发生。所以设计了老鼠追踪的优化方法来改善效果,如图4所示,具体步骤如下:
步骤1:老鼠丢失;
步骤2:检测到新的老鼠;
步骤3:判断新出现的老鼠与丢失的老鼠的距离是否相近(默认取400像素点,可以调节);
步骤4:如果距离相近的话,认为是同一只老鼠,继续判定流程。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项的基础上,为了更好地实现本发明,进一步地,所述老鼠识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行老鼠识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对老鼠的识别。
为了更好地实现本发明,进一步地,所述人体识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行人体识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对人体的识别。
工作原理:本发明中使用的老鼠识别算法,人体识别算法,老鼠追踪算法等等算法都为现有手段,现有技术中可以实现前述实施例中效果的算法都可以应用于本方案中,故不对具体的算法进行赘述。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (9)
1.一种基于计算机视觉的综合检测老鼠的方法,用于对相机采集图像中的老鼠进行检测,其特征在于,采用老鼠识别算法对相机采集的单帧图像进行老鼠识别,在对老鼠进行识别时,还要进行以下操作:
操作一:对于识别出老鼠的单帧图像,进一步地进行多帧老鼠识别判定;
操作二:结合人体识别算法对老鼠识别算法进行修正:在对单帧图像采用老鼠识别算法时,同样采用人体识别算法对单帧图像进行人体识别,若被检测的单帧图像中识别出人体,则将识别出人体的单帧图像及其前后3秒内的老鼠识别结果丢弃;
操作三:结合老鼠追踪算法对老鼠识别算法中识别的老鼠进行追踪管理;
根据老鼠识别算法的识别结果结合上述三个操作共同实现对相机采集图像中的老鼠进行检测。
2.如权利要求1所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述操作一具体内容为:设定判定帧数m,若在某一单帧图像中识别出老鼠,对接下来的连续m个单帧图像使用老鼠识别算法进行老鼠识别,并进一步判断在m个单帧图像中识别出的老鼠是否移动;若判断为移动,则认为使用老鼠识别算法识别出的老鼠为真的老鼠,反之则认为识别出的不是真的老鼠;所述判定帧数m为根据实际需求可调节大小的正整数。
4.如权利要求3所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述老鼠识别算法采用5帧/秒的算法判断频率,所述n取值为5。
5.如权利要求1所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述操作三具体内容为:使用老鼠追踪算法对识别到的老鼠进行持续追踪识别;且被追踪的老鼠在后续的单帧图像中丢失后,又再次识别到老鼠时,则对两次识别到的老鼠进行距离判断,若判断为两次识别到的老鼠距离相近,则认定为同一只老鼠,继续使用老鼠追踪算法进行追踪,若判断为两次识别到的老鼠距离不相近,则将再次识别到的老鼠标记为新的老鼠进行持续追踪识别。
6.如权利要求5所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,设置所述距离判断时判断为距离相近的范围为像素点d范围内。
7.如权利要求6所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述像素点d范围为400像素点。
8.如权利要求1-7任一项所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述老鼠识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行老鼠识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对老鼠的识别。
9.如权利要求1所述的一种基于计算机视觉的综合检测老鼠的方法,其特征在于,所述人体识别算法采用融合多感受野特征映射与高斯概率模型的检测算法进行人体识别,具体操作为:将输入图像通过三个不同扩张率的扩张卷积,得到三种不同尺度的中心点热图;再将三种不同尺度的中心点热图与高斯分布的标准差自适应的高斯概率模型相结合得到另外一种不同感受野的中心点热图,对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构,最终实现对人体的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161524.0A CN112016537B (zh) | 2020-10-27 | 2020-10-27 | 一种基于计算机视觉的综合检测老鼠的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161524.0A CN112016537B (zh) | 2020-10-27 | 2020-10-27 | 一种基于计算机视觉的综合检测老鼠的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016537A CN112016537A (zh) | 2020-12-01 |
CN112016537B true CN112016537B (zh) | 2021-01-08 |
Family
ID=73527672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011161524.0A Active CN112016537B (zh) | 2020-10-27 | 2020-10-27 | 一种基于计算机视觉的综合检测老鼠的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016537B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792604A (zh) * | 2021-08-16 | 2021-12-14 | 中科巨匠人工智能技术(广州)有限公司 | 基于人工智能特征图分割的老鼠检测算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN109284735A (zh) * | 2018-10-17 | 2019-01-29 | 思百达物联网科技(北京)有限公司 | 鼠情监控方法、装置、处理器及存储介质 |
CN109784208A (zh) * | 2018-12-26 | 2019-05-21 | 武汉工程大学 | 一种基于图像的宠物行为检测方法 |
CN109886130A (zh) * | 2019-01-24 | 2019-06-14 | 上海媒智科技有限公司 | 目标对象的确定方法、装置、存储介质和处理器 |
CN109886996A (zh) * | 2019-01-15 | 2019-06-14 | 东华大学 | 一种视觉追踪优化方法 |
CN111461011A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于概率化管道滤波的弱小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9542751B2 (en) * | 2015-05-08 | 2017-01-10 | Qualcomm Incorporated | Systems and methods for reducing a plurality of bounding regions |
-
2020
- 2020-10-27 CN CN202011161524.0A patent/CN112016537B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN109284735A (zh) * | 2018-10-17 | 2019-01-29 | 思百达物联网科技(北京)有限公司 | 鼠情监控方法、装置、处理器及存储介质 |
CN109784208A (zh) * | 2018-12-26 | 2019-05-21 | 武汉工程大学 | 一种基于图像的宠物行为检测方法 |
CN109886996A (zh) * | 2019-01-15 | 2019-06-14 | 东华大学 | 一种视觉追踪优化方法 |
CN109886130A (zh) * | 2019-01-24 | 2019-06-14 | 上海媒智科技有限公司 | 目标对象的确定方法、装置、存储介质和处理器 |
CN111461011A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于概率化管道滤波的弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016537A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
EP2801078B1 (en) | Context aware moving object detection | |
CN106815859B (zh) | 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法 | |
CN108062525B (zh) | 一种基于手部区域预测的深度学习手部检测方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN102982537B (zh) | 一种检测场景变换的方法和系统 | |
CN110221699B (zh) | 一种前置摄像头视频源的眼动行为识别方法 | |
CN112506340B (zh) | 设备控制方法、装置、电子设备及存储介质 | |
CN110287907B (zh) | 一种对象检测方法和装置 | |
CN112287868B (zh) | 一种人体动作识别方法及装置 | |
US9852341B2 (en) | Method and system for detecting moving objects | |
CN107403451B (zh) | 自适应二值特征单目视觉里程计方法及计算机、机器人 | |
Nallasivam et al. | Moving human target detection and tracking in video frames | |
KR20210157194A (ko) | 영상처리를 이용한 작물 생육량 측정 장치 및 그 방법 | |
CN112016537B (zh) | 一种基于计算机视觉的综合检测老鼠的方法 | |
Zhou et al. | A study on attention-based LSTM for abnormal behavior recognition with variable pooling | |
Dulai et al. | Mean shift tracking through scale and occlusion | |
KR101275869B1 (ko) | 동적 프로그래밍과 캠쉬프트 알고리즘을 이용한 영상 센서 기반 항공기 탐지 장치 및 방법 | |
Wu et al. | NDMFCS: An automatic fruit counting system in modern apple orchard using abatement of abnormal fruit detection | |
CN107358621A (zh) | 对象跟踪方法及装置 | |
CN111145216B (zh) | 一种视频图像目标的跟踪方法 | |
WO2012153868A1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Sadkhan et al. | An investigate on moving object tracking and detection in images | |
Hammer et al. | Motion segmentation and appearance change detection based 2D hand tracking | |
Ravikiran et al. | Improving Industrial Safety Gear Detection through Re-ID conditioned Detector |
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 |