CN112037148B - 大数据运动目标检测识别方法及系统 - Google Patents

大数据运动目标检测识别方法及系统 Download PDF

Info

Publication number
CN112037148B
CN112037148B CN202010925966.1A CN202010925966A CN112037148B CN 112037148 B CN112037148 B CN 112037148B CN 202010925966 A CN202010925966 A CN 202010925966A CN 112037148 B CN112037148 B CN 112037148B
Authority
CN
China
Prior art keywords
shadow
pixel
image
value
motion blur
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
CN202010925966.1A
Other languages
English (en)
Other versions
CN112037148A (zh
Inventor
杨仙莲
姜培生
卢海鹏
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.)
Chelianyun (Shenzhen) Technology Co.,Ltd.
Original Assignee
Chelianyun Shenzhen Technology 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 Chelianyun Shenzhen Technology Co ltd filed Critical Chelianyun Shenzhen Technology Co ltd
Priority to CN202010925966.1A priority Critical patent/CN112037148B/zh
Publication of CN112037148A publication Critical patent/CN112037148A/zh
Application granted granted Critical
Publication of CN112037148B publication Critical patent/CN112037148B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20201—Motion blur correction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种区块链的大数据运动目标检测识别方法及系统，所述方法包括:在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；在进行了恢复视频中进行目标检测，得到需要检测识别的目标。基于恢复后的视频进行目标检测，并对目标进行相应的调整，提高了运动目标检测的准确性。

Description

大数据运动目标检测识别方法及系统
技术领域
本发明涉及交通领域，具体而言，涉及统一种大数据运动目标检测识别方法及系统。
背景技术
在物体进行高速运动或者相机发生剧烈抖动的情况下，拍摄的视频会出现不清楚的情况，即视频中存在运动模糊。例如在公路中，车辆一旦进行高速运动(例如高速公路)，目前对于公路上的车辆监测系统来说，在车辆进行高速运动的情况下，因为摄像系统拍摄的视频存在运动模糊的情况。对于犯罪分子逃跑时，犯罪分子逃跑速度块，市政的监控系统拍摄的监控视频也会存在运动模糊。现有技术中，目标检测方法主要依赖于背景差算法，但是，在存在运动模糊的视频中，通过背景差算法检测目标的准确性低。
发明内容
本发明的目的在于提供了一种大数据运动目标检测识别方法及系统，用以解决现有技术中存在的上述问题。
第一方面，本申请提供了一种大数据运动目标检测识别方法，包括:
在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
检测出图像中的运动模糊阴影；
获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；
对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；
对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；
在进行了恢复视频中进行目标检测，得到需要检测识别的目标。
可选的，在对所述恢复区域进行瘦身，得到瘦身区域之后，所述方法还包括：
获得运动模糊阴影的像素值的平均值作为像素值均值，以像素值均值作为图像的运动阴影全局像素值；
对图像的运动阴影全局像素值进行调整。
可选的，所述对图像的运动阴影全局像素值进行调整，包括：
对于当前帧图像是第j帧图像，获得第j-1帧图像的运动模糊阴影的像素值的平均值m与第j帧图像的运动模糊阴影的像素值的平均值w的差值h1，j是正整数；
获得第j+1帧图像的运动模糊阴影的像素值的平均值r与第j帧图像的运动模糊阴影的像素值的平均值w的差值h2；
第j-1帧图像与第j帧图像的角度为0°，第j+1帧图像与第j帧图像的角度为180°；
按照公式
Figure GDA0003256983650000021
计算得到第j帧图像的损失像素值，此时，n表示与第j帧图像相邻的图像的数量，n＝2,qk表示与第j帧图像相邻的第k个图像与第j帧图像的运动模糊阴影的像素值的平均值的差值，
Figure GDA0003256983650000022
表示第j帧图像相邻的第k个图像与第j帧图像之间的角度，Qi表示第j帧图像的损失像素值；
将第j帧图像的运动阴影全局像素值加上第j帧图像的损失像素值，得到调整后的第j帧图像的损失像素值的运动阴影全局像素值，即调整后的第j帧图像的损失像素值的运动阴影全局像素值为I+Qi。
可选的，在对图像的运动阴影全局像素值进行调整之后，所述方法还包括：
以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域。
可选的，所述以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域，包括：
对于调整后的图像的运动模糊阴影，获得调整后的运动模糊阴影中每个像素点的像素值与像素值均值的比值，以比值作为调整因子；
以运动模糊阴影中的每个像素点的像素值加上调整因子与图像的损失像素值之间的乘积，得到二次恢复区域的像素值。
第二方面，本申请还提供了一种运动目标的检测识别系统，包括:
检测监控模块，用于在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
检测出图像中的运动模糊阴影；
获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；
对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；
对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；
目标检测模块，用于在进行了恢复视频中进行目标检测，得到初测目标；
调整模块，用于对初测目标进行调整，得到最终检测的目标。
可选的，检测监控模块，还用于：
获得运动模糊阴影的像素值的平均值作为像素值均值，以像素值均值作为图像的运动阴影全局像素值；
对图像的运动阴影全局像素值进行调整。
可选的，所述对图像的运动阴影全局像素值进行调整，包括：
对于当前帧图像是第j帧图像，获得第j-1帧图像的运动模糊阴影的像素值的平均值m与第j帧图像的运动模糊阴影的像素值的平均值w的差值h1，j是正整数；
获得第j+1帧图像的运动模糊阴影的像素值的平均值r与第j帧图像的运动模糊阴影的像素值的平均值w的差值h2；
第j-1帧图像与第j帧图像的角度为0°，第j+1帧图像与第j帧图像的角度为180°；
按照公式
Figure GDA0003256983650000041
计算得到第j帧图像的损失像素值，此时，n表示与第j帧图像相邻的图像的数量，n＝2,qk表示与第j帧图像相邻的第k个图像与第j帧图像的运动模糊阴影的像素值的平均值的差值，
Figure GDA0003256983650000042
表示第j帧图像相邻的第k个图像与第j帧图像之间的角度，Qi表示第j帧图像的损失像素值；
将第j帧图像的运动阴影全局像素值加上第j帧图像的损失像素值，得到调整后的第j帧图像的损失像素值的运动阴影全局像素值，即调整后的第j帧图像的损失像素值的运动阴影全局像素值为I+Qi。
可选的，检测监控模块，还用于：
以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域。
可选的，所述以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域，包括：
对于调整后的图像的运动模糊阴影，获得调整后的运动模糊阴影中每个像素点的像素值与像素值均值的比值，以比值作为调整因子；
以运动模糊阴影中的每个像素点的像素值加上调整因子与图像的损失像素值之间的乘积，得到二次恢复区域的像素值。
相对于现有技术，本发明实施例达到的有益效果如下：
本发明的目的在于提供了一种大数据运动目标检测识别方法及系统，所述方法包括:在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：检测出图像中的运动模糊阴影；获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；在进行了恢复视频中进行目标检测，得到需要检测识别的目标。
在视频采集的时候，周边像素点对应的目标点(物理坐标的实物)会对该像素点的成像有影响，对应的，会反映在周边像素点对该像素点的影响上，为此，基于这种影响对像素点进行像素值恢复，因为每个像素点的周边像素点与该像素点之前存在夹角，那么在对该像素点进行像素值恢复时，考虑到不同的周边像素点在运动时给该像素点带来的影响有方向的影响，那么通过周边像素点与该像素点之前存在夹角作为这个方向影响的因子，进而以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值，该损失像素值可以准确表示像素点在周边像素点的影响下损失的像素值，将所述像素点的像素值加上所述损失像素值，提高了像素值恢复的准确性。由于目标在运动过程中会出现运动模糊阴影(运动形变)，运动模糊阴影的尺寸会大于目标(形成阴影的实物)本来的尺寸，如此，需要对恢复像素值以后的运动模糊阴影进行瘦身，以提高目标所在视频中位置的准确性，如此，基于恢复后的视频进行目标检测，并对目标进行相应的调整，提高了运动目标检测的准确性。
附图说明
图1是本发明实施例提供的一种大数据运动目标检测识别方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图标：500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。
具体实施方式
下面结合附图，对本发明作详细的说明。
视频中出现运动模糊的主要原因在于：在相机暴光的过程中，场景发生变化，则映射到相机成像传感器上的光的量发生变化，则就会产生模糊的画面。具体来说，相机曝光有一个曝光时长，假设曝光时长是T。正常情况下，如果成像传感器中每个像素点在曝光时长T内接收到的光的量都稳定且足够，才会获得清晰的图像，从而得到清晰的视频。但是，在相机和目标之间存在高速的相对运动情况下(相机相对于目标抖动，或者目标高速运动，或者二者都发生了运动)，对于成像传感器中的某个像素点，其接收到的光的量是不稳定的。假设在一次拍摄过程中，曝光时长是T，照射在目标(人脸)上的光强不变，在初始曝光时刻t1时，成像传感器中的相邻三个像素点a、b、c分别对应的是人的左眼、山根、右眼，即左眼、山根、右眼的反射光线分别被像素点a、b、c接收。如果在整个曝光过程(曝光时长T)中，一直都保持左眼、山根、右眼的反射光线分别被像素点a、b、c接收，如图1所示，那么在图像中就会对应得到左眼、山根、右眼的特征信息，特征信息包括颜色、亮度等。但是，如果在时刻t2(t2>t1，|t1-t2|<＝T)左眼、山根、右眼与像素点a、b、c的相对位置发生了变化，例如相机相对于人头发生了向左的运动，如图1所示，像素点a、b、c分别对应的是人的左耳朵、左眼、山根，即左耳朵、左眼、山根的反射光线分别被像素点a、b、c接收。由于左耳朵、左眼、山根的反射光线的能量与左眼、山根、右眼的反射光线的能量不同，因此，发生了相对运动后，在曝光时长T内，像素点a、b、c在不同的时刻(t1、t2)接收到的光不同，为此，得到的图像不能准确反应左耳朵、左眼、山根、右眼的特征信息，这种情况下，像素点a、b、c最终对应的图像看起来是相似的，但是事实上，左耳朵、左眼、山根、右眼的特征完全不同，就单说颜色都是不同的，但是图像并没有反应出左耳朵、左眼、山根、右眼的不同。同样的道理，出现运动模糊的图像难以反应出目标的特征，则出现运动模糊的视频同样的难以反应出目标的特征。在一个视频中，会包括多帧拍摄时间相邻的图像，如果在这个视频中出现一帧的图像有运动模糊，那么大概率的，该图像相邻的图像也存在运动模糊。为此，基于背景差算法是不能在存在运动模糊的时中检测出目标的。
因此，本文申请出一种能够在存在运动模糊的视频中检测目标的算法，即前文所述的大数据运动目标检测识别方法，其能够在存在运动模糊的视频中检测目标，应用于高速公路、市政交通等的监控系统中。
实施例
本申请提供了一种大数据运动目标检测识别方法，用于检测运动的车辆、行人、飞机、轮船等目标，例如应用于高速公路的车辆检测。在阐述本申请提供的大数据运动目标检测识别方法之前，需要说明的是，所述的监控视频是由摄像装置(含有摄像头)拍摄得到后，传输到云计算终端的大数据库中存储备案，由云计算终端发放到各个区块链节点。本申请所述的大数据运动目标检测识别方法的执行主体就是区块链节点，区块链节点可以是高速公路监控室、城市交通监控室、地铁监控室中的电脑、服务器等设备，区块链中包括多个实现资源共享的电子设备，组成一个区块链系统。监控视频包括多张图像。所述的大数据运动目标检测识别系统是区块链节点执行的软件模块或者硬件模块。以下介绍本申请提供的一种大数据运动目标检测识别方法。
请参阅图1，本申请提供的一种大数据运动目标检测识别方法包括：
S101：在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复。
因为运动速度越快，目标的运动模糊阴影所占的面积越大，目标检测越难。为此，需要去除运动模糊阴影。其中，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
1、检测出图像中的运动模糊阴影。
2、获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值。
具体的，按照下述公式计算得到损失像素值：
Figure GDA0003256983650000071
其中，Pi表示运动模糊阴影中的第i个像素点的损失像素值，
Figure GDA0003256983650000072
表示第i个像素点的第k个周边像素点与第i个像素点之间的连线与以Pi为中心点的坐标系的横坐标正向的角度，正向为运动目标的运动方向的反方向。pk表示第k个周边像素点的像素值与像素点i的像素值的差值，n表示第i个像素点的周边像素点的数量，i是正整数。n的取值可以3、4、5、8，即周边像素点与像素点i(第i个像素点)构成一个以像素点i为中心的像素窗口。
Figure GDA0003256983650000073
的值可以是0°、45°、90°、135°、180°、225°、270°、315°。
3、对于运动模糊阴影中的每个像素点，将像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域。具体的，将第i个像素点的像素值加上所述损失像素值，得到所述像素点i的恢复像素值。
对运动模糊阴影中的每个像素点都进行上述2-3的操作，则得到运动模糊阴影对应的恢复区域。如此得到的灰度区域，虽然没有解决运动模糊中出现的前拖和后拖现象，但是，对其像素值进行了恢复。因为恢复像素值过程中，对差值的加权求和是按照角度的余弦值来计算的，这样考虑到了相机与目标发生相对运动时，对相机中的某个像素点最终采集到的像素值受到其周围像素点(对应到物理坐标就是目标的其他部位)的影响的大小。如果运动模糊阴影只有一行像素点，那么如果相机相对于目标是向后运动(那么，运动模糊区域的第一个像素点只会受到第二个像素点对应的目标点对其的影响。第二个像素点的像素值会受到第一个像素点对应的目标点和第三个像素点目标点的影响，但是，因为是向后的运动，理论上第一个像素点对应的目标点对第二个像素点的影响是没有的，但是由于漫反射的存在，第一个像素点对应的目标点也会对第二个像素点的像素值有影响，所以，必须减去该影响，因此，以第一个像素点到第二个像素点的角度大于90°，小于270°，其余弦值都是负的，以余弦值作为权值就可以除去了在前的像素点对应的目标点对在后的像素点的像素点的影响。在运动过程中，曝光有一定的时长，对于第二个像素点，其在接收到了第二个目标点(第二个像素点对应的物理坐标的目标点)反射的光以外，还会接收到第三个目标点(第叁个像素点对应的物理坐标的目标点)反射的光，如图1所示，如此。需要加上第三个像素点对第二个像素点的像素值的影响值(像素值差值)，第三个像素点与第二个像素点的角度为0，0的余弦值为1，即完全加上差值，是合理的。如此可以提高了对运动模糊阴影的像素值恢复的精度。
在对运动模糊阴影进行像素值灰度后(得到了恢复区域)，还需要对运动模糊阴影(恢复区域)进行位置的恢复和调整，具体的按照下述4进行操作。
4、对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像。
求中，对所述恢复区域进行瘦身，得到瘦身区域包括：对恢复区域进行特征点检测和对恢复区域进行形变。具体的，可以对恢复区域进行特征点检测，例如检测角点，通过移动最小二乘法变形算法、反距离加权变形算法、基于最小二乘法的移动网格变形算法等对恢复区域进行瘦身，得到瘦身区域。
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像。
S102：在进行了恢复视频中进行目标检测，得到需要检测识别的目标。
通过采用以上方案，在视频采集的时候，周边像素点对应的目标点(物理坐标的实物)会对该像素点的成像有影响，对应的，会反映在周边像素点对该像素点的影响上，为此，基于这种影响对像素点进行像素值恢复，因为每个像素点的周边像素点与该像素点之前存在夹角，那么在对该像素点进行像素值恢复时，考虑到不同的周边像素点在运动时给该像素点带来的影响有方向的影响，那么通过周边像素点与该像素点之前存在夹角作为这个方向影响的因子，进而以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值，该损失像素值可以准确表示像素点在周边像素点的影响下损失的像素值，将所述像素点的像素值加上所述损失像素值，提高了像素值恢复的准确性。由于目标在运动过程中会出现运动模糊阴影(运动形变)，运动模糊阴影的尺寸会大于目标(形成阴影的实物)本来的尺寸，如此，需要对恢复像素值以后的运动模糊阴影进行瘦身，以提高目标所在视频中位置的准确性，如此，基于恢复后的视频进行目标检测，并对目标进行相应的调整，提高了运动目标检测识别的准确性。
由于相机相对于目标是向后的运动，那么不但在后的像素点对在先的像素点的像素值有影响，在后帧的图像对在先帧的图像的像素值也有影响。为此，为了提高目标检测的准确性，在S102之前，在在对所述恢复区域进行瘦身，得到瘦身区域(一次恢复)之后，所述大数据运动目标检测识别方法还包括：
获得运动模糊阴影的像素值的平均值作为像素值均值，以像素值均值作为图像的运动阴影全局像素值；对图像的运动阴影全局像素值进行调整。
可选的，在对图像的运动阴影全局像素值进行调整之后，所述方法还包括：以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域。
即，在进行了S101的操作后(具体是上述步骤4之后)的视频中，获得每张图像中的运动模糊阴影的像素值的平均值(像素值均值)，以像素值均值作为图像的运动阴影全局像素值以图像作为一个像素点看待，按照上述步骤2-3相同的方式对图像的运动阴影全局像素值进行调整，再以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值。具体为：
获得每张图像中的运动模糊阴影的像素值的平均值(像素值均值)，以像素值均值作为图像的运动阴影全局像素值。
对于当前帧图像是第j帧图像，获得第j-1帧图像的运动模糊阴影的像素值的平均值m与第j帧图像的运动模糊阴影的像素值的平均值w的差值h1，j是正整数。获得第j+1帧图像的运动模糊阴影的像素值的平均值r与第j帧图像的运动模糊阴影的像素值的平均值w的差值h2。
第j-1帧图像与第j帧图像的角度为0°，第j+1帧图像与第j帧图像的角度为180°。
按照公式
Figure GDA0003256983650000101
计算得到第j帧图像的损失像素值，此时，n表示与第j帧图像相邻的图像的数量，n＝2,qk表示与第j帧图像相邻的第k个图像与第j帧图像的运动模糊阴影的像素值的平均值的差值，
Figure GDA0003256983650000102
表示第j帧图像相邻的第k个图像与第j帧图像之间的角度，Qi表示第j帧图像的损失像素值。展开来说，按照公式Qi＝(h1-h2)/2计算得到第j帧图像的损失像素值。
将第j帧图像的运动阴影全局像素值加上第j帧图像的损失像素值，得到调整后的第j帧图像的损失像素值的运动阴影全局像素值(调整运动阴影全局像素值，I+Qi)。I是调整前的第j帧图像的运动阴影全局像素值(像素值均值)。
在调整了运动阴影全局像素值后，以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值。具体为：
对于第j帧图像的运动模糊阴影(调整后的)，获得调整后的运动模糊阴影中每个像素点的像素值(I+Qi)与像素值均值(I)的比值，以比值作为调整因子。
以运动模糊阴影中的每个像素点的像素值加上调整因子与第j帧图像的损失像素值之间的乘积，得到最终调整后的运动模糊阴影。具体为：
P＝Is+Qi(I+Qi)/I，Is为运动模糊阴影中的第s个像素点的像素值(得到二次恢复区域的像素值)，s为正整数。
即对于调整后的图像的运动模糊阴影，获得调整后的运动模糊阴影中每个像素点的像素值与像素值均值的比值，以比值作为调整因子；以运动模糊阴影中的每个像素点的像素值加上调整因子与图像的损失像素值之间的乘积，得到二次恢复区域的像素值。
经过二轮的像素值恢复和调整后，再对视频进行目标检测，得到的初测目标的准确性更高。
可选的，在进行了恢复视频中进行目标检测，得到需要检测识别的目标，可以采用光流法直接在恢复视频中进行目标检测。也可以按照如下方式检测得到目标：
在进行了二次恢复后的视频中采用光流法进行目标检测，得到初测目标，然后按照下述方法对初测目标进行调整，得到最终检测的目标，对初测目标进行调整的方法为：
对监控视频进行目标检测，得到运动尺度变化目标。其中，目标检测的方法可以是光流法。
获得运动尺度目标与初测目标之间的差值，差值的计算如下：
获得运动尺度目标的轮廓像素点与初测目标的轮廓像素点的距离，轮廓像素点有多个，对应得到多个距离；
获得多个所述距离的均值，以均值作为差值；
若所述差值大于预设值(预设值可以是0.5到1.5之间，用像素点的个数表示，即所述距离用像素点的个数，实际上是像素点的个数乘以每个像素点的尺寸)，将所述初测目标整体位置往运动模糊阴影形变最大的方向移动所述差值的距离，以移动后的初测目标作为最终检测的目标。
可选的，所述获得运动尺度目标的轮廓像素点与初测目标的轮廓像素点的距离，轮廓像素点有多个，对应得到多个距离，包括：
对运动尺度变化目标和初测目标进行边缘点匹配，获得多组匹配的边缘点对，每组匹配的边缘点对包括两个相互匹配的第一像素点和第二像素点，第一像素点属于初测目标的边缘像素点，第二像素点属于运动尺度变化目标的边缘像素点；
获得相互匹配的第一像素点和第二像素点的距离。
可选的，所述对运动尺度变化目标和初测目标进行边缘点匹配，获得多组匹配的边缘点对，包括：
检测得到所述运动尺度变化目标的边缘特征点和所述初测目标的边缘特征点；
获得所述运动尺度变化目标的边缘特征点与所述初测目标的边缘特征点的距离；
针对运动尺度变化目标的边缘特征点，若所述边缘特征点的像素值与所述初测目标的边缘特征点的像素值的差值在小于第一阈值(第一阈值为10)，且所述边缘特征点与所述初测目标的边缘特征点之间的距离小于第二阈值(第二阈值为0.08)，确定所述边缘特征点为第二基准像素点，确定与所述第二基准像素点匹配的所述初测目标的边缘特征点为第一基准像素点；
构建以所述第一基准像素点为中心的第一窗口和以第二基准像素点为中心的第二窗口；所述第一窗口和所述第二窗口的尺寸相同；
获得所述第一窗口与所述第二窗口中的像素点的像素值之差的绝对值之和；
若所述和小于第三阈值(第三阈值为50)，确定所述第二基准像素点与第一基准像素点匹配，即所述第二基准像素点为第二像素点，第一基准像素点为与所述第二像素点匹配的第一像素点；
以所述第一基准像素点为基准点，以初测目标的边缘中与第一基准像素点相邻的边缘像素点为中心构建第一窗口；以所述第二基准像素点为基准点，以运动尺度变化目标的边缘中与第二基准像素点相邻的边缘像素点为中心构建第二窗口，获得所述第一窗口与所述第二窗口中的像素点的像素值之差的绝对值之和；
若所述和小于第三阈值，确定所述第二基准像素点相邻的边缘像素点与第一基准像素点相邻的边缘像素点匹配，即所述第二基准像素点相邻的边缘像素点为第二像素点，第一基准像素点相邻的边缘像素点为与所述第二像素点匹配的第一像素点；
每组匹配的边缘点对包括一个第一像素点和一个第二像素点。
可选的，所述在进行了恢复视频中进行目标检测，得到初测目标，包括：采用光流法在恢复视频中进行目标检测，得到初测目标。
针对上述实施例提供一种大数据运动目标检测识别方法，本申请实施例还对应提供大数据运动目标检测识别系统，大数据运动目标检测识别系统用于执行上述的大数据运动目标检测识别方法。大数据运动目标检测识别系统包括：
检测监控模块，用于在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
检测出图像中的运动模糊阴影；
获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；
对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；
对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；
目标检测模块，用于在进行了恢复视频中进行目标检测，得到初测目标；
调整模块，用于对初测目标进行调整，得到最终检测的目标。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在上述有关方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备，其中，所述的服务端和客户端可以是所述的电子设备。如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前所述的大数据运动目标检测识别方法的任一方法的步骤。
其中，在图2中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述大数据运动目标检测识别方法的任一方法的步骤。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种大数据运动目标检测识别方法，其特征在于，包括:
在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
检测出图像中的运动模糊阴影；
获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；
对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；
对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；
在进行了恢复视频中进行目标检测，得到需要检测识别的目标。
2.根据权利要求1所述的方法，其特征在于，在对所述恢复区域进行瘦身，得到瘦身区域之后，所述方法还包括：
获得运动模糊阴影的像素值的平均值作为像素值均值，以像素值均值作为图像的运动阴影全局像素值；
对图像的运动阴影全局像素值进行调整。
3.根据权利要求2所述的方法，其特征在于，所述对图像的运动阴影全局像素值进行调整，包括：
对于当前帧图像是第j帧图像，获得第j-1帧图像的运动模糊阴影的像素值的平均值m与第j帧图像的运动模糊阴影的像素值的平均值w的差值h1，j是正整数；
获得第j+1帧图像的运动模糊阴影的像素值的平均值r与第j帧图像的运动模糊阴影的像素值的平均值w的差值h2；
第j-1帧图像与第j帧图像的角度为0°，第j+1帧图像与第j帧图像的角度为180°；
按照公式Qi=
Figure 549280DEST_PATH_IMAGE001
计算得到第j帧图像的损失像素值，此时，n表示与第j帧图像 相邻的图像的数量，n=2,
Figure 162795DEST_PATH_IMAGE002
表示与第j帧图像相邻的第k个图像与第j帧图像的运动模糊阴 影的像素值的平均值的差值，
Figure 541824DEST_PATH_IMAGE003
表示第j帧图像相邻的第k个图像与第j帧图像之间的 角度，Qi表示第j帧图像的损失像素值；
将第j帧图像的运动阴影全局像素值加上第j帧图像的损失像素值，得到调整后的第j帧图像的损失像素值的运动阴影全局像素值，即调整后的第j帧图像的损失像素值的运动阴影全局像素值为I+Qi。
4.根据权利要求2所述的方法，其特征在于，在对图像的运动阴影全局像素值进行调整之后，所述方法还包括：
以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域。
5.根据权利要求3所述的方法，其特征在于，所述以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域，包括：
对于调整后的图像的运动模糊阴影，获得调整后的运动模糊阴影中每个像素点的像素值与像素值均值的比值，以比值作为调整因子；
以运动模糊阴影中的每个像素点的像素值加上调整因子与图像的损失像素值之间的乘积，得到二次恢复区域的像素值。
6.一种运动目标的检测识别系统，其特征在于，包括:
检测监控模块，用于在监控视频中检测出存在运动模糊阴影的图像，对存在运动模糊阴影的图像进行运动模糊阴影恢复，对存在运动模糊阴影的图像进行运动模糊阴影恢复，包括：
检测出图像中的运动模糊阴影；
获得运动模糊阴影中的每个像素点的周边像素点与所述像素点的像素值差值，获得每个周边像素点与所述像素点的角度，以所述角度的余弦值作为权值，按照所述权值对所述像素值差值进行加权求和，以求和得到的值除以周边像素点的数量，得到所述像素点的损失像素值；
对于运动模糊阴影中的每个像素点，将所述像素点的像素值加上所述损失像素值，得到所述像素点的恢复像素值，每个像素点的像素值恢复成恢复像素值的运动模糊阴影是恢复区域；
对所述恢复区域进行瘦身，得到瘦身区域，包含了瘦身区域的图像就是恢复好的图像；
在监控视频中检测出存在运动模糊阴影的图像都恢复完成后，监控视频变成恢复视频，所述恢复视频包括多张进行了运动模糊阴影恢复的图像；
目标检测模块，用于在进行了恢复视频中进行目标检测，得到初测目标；
调整模块，用于对初测目标进行调整，得到最终检测的目标。
7.根据权利要求6所述的系统，其特征在于，检测监控模块，还用于：
获得运动模糊阴影的像素值的平均值作为像素值均值，以像素值均值作为图像的运动阴影全局像素值；
对图像的运动阴影全局像素值进行调整。
8.根据权利要求7所述的系统，其特征在于，所述对图像的运动阴影全局像素值进行调整，包括：
对于当前帧图像是第j帧图像，获得第j-1帧图像的运动模糊阴影的像素值的平均值m与第j帧图像的运动模糊阴影的像素值的平均值w的差值h1，j是正整数；
获得第j+1帧图像的运动模糊阴影的像素值的平均值r与第j帧图像的运动模糊阴影的像素值的平均值w的差值h2；
第j-1帧图像与第j帧图像的角度为0°，第j+1帧图像与第j帧图像的角度为180°；
按照公式Qi=
Figure 467054DEST_PATH_IMAGE001
计算得到第j帧图像的损失像素值，此时，n表示与第j帧图像 相邻的图像的数量，n=2,
Figure 956942DEST_PATH_IMAGE002
表示与第j帧图像相邻的第k个图像与第j帧图像的运动模糊阴 影的像素值的平均值的差值，
Figure 284018DEST_PATH_IMAGE003
表示第j帧图像相邻的第k个图像与第j帧图像之间的 角度，Qi表示第j帧图像的损失像素值；
将第j帧图像的运动阴影全局像素值加上第j帧图像的损失像素值，得到调整后的第j帧图像的损失像素值的运动阴影全局像素值，即调整后的第j帧图像的损失像素值的运动阴影全局像素值为I+Qi。
9.根据权利要求8所述的系统，其特征在于，检测监控模块，还用于：
以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域。
10.根据权利要求8所述的系统，其特征在于，所述以调整后的运动阴影全局像素值作为基准，重新调整图像中的运动模糊阴影的像素点的像素值，得到二次恢复区域，包括：
对于调整后的图像的运动模糊阴影，获得调整后的运动模糊阴影中每个像素点的像素值与像素值均值的比值，以比值作为调整因子；
以运动模糊阴影中的每个像素点的像素值加上调整因子与图像的损失像素值之间的乘积，得到二次恢复区域的像素值。
CN202010925966.1A 2020-09-07 2020-09-07 大数据运动目标检测识别方法及系统 Active CN112037148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010925966.1A CN112037148B (zh) 2020-09-07 2020-09-07 大数据运动目标检测识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010925966.1A CN112037148B (zh) 2020-09-07 2020-09-07 大数据运动目标检测识别方法及系统

Publications (2)

Publication Number Publication Date
CN112037148A CN112037148A (zh) 2020-12-04
CN112037148B true CN112037148B (zh) 2022-02-08

Family

ID=73590857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010925966.1A Active CN112037148B (zh) 2020-09-07 2020-09-07 大数据运动目标检测识别方法及系统

Country Status (1)

Country Link
CN (1) CN112037148B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362370B (zh) * 2021-08-09 2022-01-11 深圳市速腾聚创科技有限公司 目标对象的运动信息确定方法、装置、介质及终端
CN117892155B (zh) * 2024-03-14 2024-05-31 福州一城天天出行科技有限公司 一种充电桩数据处理方法及其系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103317A (zh) * 2017-04-12 2017-08-29 湖南源信光电科技股份有限公司 基于图像融合和盲反卷积的模糊车牌图像识别算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080137978A1 (en) * 2006-12-07 2008-06-12 Guoyi Fu Method And Apparatus For Reducing Motion Blur In An Image
TW200834459A (en) * 2007-02-05 2008-08-16 Huper Lab Co Ltd Video object segmentation method applied for rainy situations
US20110135011A1 (en) * 2009-12-04 2011-06-09 Apple Inc. Adaptive dithering during image processing
US20150193947A1 (en) * 2014-01-06 2015-07-09 Qualcomm Incorporated System and method to generate high dynamic range images with reduced ghosting and motion blur

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103317A (zh) * 2017-04-12 2017-08-29 湖南源信光电科技股份有限公司 基于图像融合和盲反卷积的模糊车牌图像识别算法

Also Published As

Publication number Publication date
CN112037148A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN110675418B (zh) 一种基于ds证据理论的目标轨迹优化方法
CN109635685B (zh) 目标对象3d检测方法、装置、介质及设备
US10169664B2 (en) Re-identifying an object in a test image
CN110689562A (zh) 一种基于生成对抗网络的轨迹回环检测优化方法
CN112037148B (zh) 大数据运动目标检测识别方法及系统
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN115861380B (zh) 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置
CN111899345B (zh) 一种基于2d视觉图像的三维重建方法
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
Milford et al. Long exposure localization in darkness using consumer cameras
CN108229281B (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
Li et al. Vehicle object detection based on rgb-camera and radar sensor fusion
CN112019723B (zh) 区块链的大数据目标监控方法及系统
CN113658265A (zh) 相机标定方法、装置、电子设备及存储介质
CN112927127A (zh) 一种运行在边缘设备上的视频隐私数据模糊化方法
Li et al. Monocular 3-D Object Detection Based on Depth-Guided Local Convolution for Smart Payment in D2D Systems
Sun et al. Multi-Task Cross-Modality Attention-Fusion for 2D Object Detection
CN117315547A (zh) 一种解决动态物体大占比的视觉slam方法
CN117156298A (zh) 一种基于人虫复合仿生的低慢小目标感知方法及系统
CN117115616A (zh) 一种基于卷积神经网络的实时低照度图像目标检测方法
CN114565597B (zh) 一种基于YOLO v3-tiny-DB和迁移学习的夜间道路行人检测方法
CN110717457A (zh) 用于车辆的行人位姿解算方法
CN115249269A (zh) 目标检测方法、计算机程序产品、存储介质及电子设备
Beemelmanns et al. Multicorrupt: A multi-modal robustness dataset and benchmark of lidar-camera fusion for 3d object detection
CN113569803A (zh) 一种基于多尺度卷积的多模态数据融合车道目标检测的方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220120

Address after: 518066 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Chelianyun (Shenzhen) Technology Co.,Ltd.

Address before: 556000 No.38, Yingpan West Road, Ximen street, Kaili City, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Province

Applicant before: Yang Xianlian

GR01 Patent grant
GR01 Patent grant