CN112435190A - 一种基于车辆运动与数据增广的运动模糊目标检测方法 - Google Patents
一种基于车辆运动与数据增广的运动模糊目标检测方法 Download PDFInfo
- Publication number
- CN112435190A CN112435190A CN202011329184.8A CN202011329184A CN112435190A CN 112435190 A CN112435190 A CN 112435190A CN 202011329184 A CN202011329184 A CN 202011329184A CN 112435190 A CN112435190 A CN 112435190A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- motion
- vehicle
- coordinate system
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000013434 data augmentation Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000003190 augmentative effect Effects 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 230000000593 degrading effect Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000001131 transforming effect Effects 0.000 claims abstract description 7
- 230000015556 catabolic process Effects 0.000 claims description 20
- 238000006731 degradation reaction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007850 degeneration Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012952 Resampling Methods 0.000 description 6
- 230000003416 augmentation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于车辆运动与数据增广的运动模糊目标检测方法，包括以下步骤：S1：建立车辆运动学模型与摄像头线性模型的联合模型，并通过仿真获取模糊参数的分布；S2：获取图像数据集，并进行极坐标变换，得到极坐标系下的图像；S3：根据模糊参数分布，对极坐标系下的图像进行退化，得到退化图像矩阵；S4：将退化图像矩阵变换至笛卡尔坐标系，得到增广后的图像数据；S5：使用原始图像数据集和增广后的图像数据进行神经网络训练，得到训练完成的运动模糊目标检测网络；S6：将摄像头拍摄的图像输入训练完成的运动模糊目标检测网络，进行运动模糊目标检测，与现有技术相比，本发明具有提高运动模糊目标检测准确率等优点。
Description
技术领域
本发明涉及计算机视觉与模式识别领域，尤其是涉及一种基于车辆运动与数据增广的运动模糊目标检测方法。
背景技术
目标检测是计算机视觉和数字图像处理的一个热门方向，并广泛应用于智能驾驶中，而在现有的目标检测算法中，存在着运动模糊的问题；运动模糊是指由于物体与相机的相对运动速度大于相机的快门速度引起的成像模糊，图片中存在运动模糊对象会导致目标检测算法容易出现检测失效的情况。现有目标检测算法中，当物体成像较为清晰时，检测效果较好，而当物体成像模糊时，很容易出现误检、漏检的情况。但是在现实情况中，汽车经常处于高速运动状态，相机的运动速度较大，在图像采集过程中，比较容易出现运动模糊的现象，而现有目标检测算法对运动模糊目标进行检测时成功率较低，容易出现误检与漏检的情况，会导致智能汽车的安全性下降。
现有的运动模糊目标检测算法主要可以分为两大类，第一类是基于图像盲复原的运动模糊目标检测算法，该类算法具有结构弹性较好、易于修改的优点，但是其检测速度较慢、计算量较大；第二类是基于非图像盲复原的运动模糊目标检测，其具有实时性好、检测成功率较高的优点，但是该类算法的算法集成度较高、结构弹性较差，且该类方法大多依赖于时序信息，需要连续帧作为训练基础。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测速度快、结构弹性好且不依赖于时序信息的基于车辆运动与数据增广的运动模糊目标检测方法，该方法有助于解决由于车辆高速运动时摄像机成像模糊导致误检漏检的问题，进一步提升目标检测的效果。
本发明的目的可以通过以下技术方案来实现：
一种基于车辆运动与数据增广的运动模糊目标检测方法，包括以下步骤：
S1：建立车辆运动学模型与摄像头线性模型的联合模型，并通过仿真获取模糊参数的分布；
S2：获取图像数据集，并进行极坐标变换，得到极坐标系下的图像；
S3：根据模糊参数分布，对极坐标系下的图像进行退化，得到退化图像矩阵；
S4：将退化图像矩阵变换至笛卡尔坐标系，得到增广后的图像数据；
S5：使用原始图像数据集和增广后的图像数据进行神经网络训练，得到训练完成的运动模糊目标检测网络；
S6：将摄像头拍摄的图像输入训练完成的运动模糊目标检测网络，进行运动模糊目标检测。
进一步地，所述的模糊参数包括模糊长度和模糊角度，所述的步骤S1中，通过蒙特卡洛仿真法获取在不同情况各模糊参数数值的分布概率。
更进一步地，所述的不同情况包括不同车速、快门速度和目标位置。
进一步地，所述的步骤S3具体包括：
S31：根据不同车速、快门速度和物体位置下模糊参数数值的分布概率，为图像数据集中每张图像选取一组模糊参数的数值；
S32：根据模糊参数计算退化矩阵H；
S33：利用退化矩阵H，对极坐标系下的图像进行退化，得到退化图像矩阵G(x,y)。
更进一步地，所述的退化矩阵H为一个m×m大小的矩阵，其每一行对应原始图像中某一像素灰度值退化因子的行向量，所述的行向量中各项的加权系数的一般计算式为：
所述的行向量中各项的加权系数的特殊计算式为：
ci-k＝1-(ci+ci-1+…+ci-k-1)
当已得到的加权系数之和首次大于1时，采用特殊计算式计算加权系数，其余情况下采用一般计算式计算加权系数；
其中，ci-k表示退化矩阵H行向量中第i-k项的加权系数，t’i表示像点经过第i个像元所用的时间，T表示相机每帧成像时间，i表示距离图像中心的像元序号，ξi表示图像的模糊程度，其中，ξi的计算公式为：
其中，v为相机与物体相对运动速度，L为物体与相机的初始距离。
更进一步地，所述的对极坐标系下的图像进行退化的表达式为：
G(x,y)＝HF(x,y)
其中，H为退化矩阵，F(x,y)为极坐标系下的清晰图像矩阵，G(x,y)为退化图像矩阵。
进一步地，所述的步骤S1中，使用Matlab/Simulink软件，将车辆运动学模型与摄像头线性模型进行联合。
进一步地，所述的进行极坐标变换具体为：使用扇形网格进行采样，然后将扇形网格沿任意半径剪开，并进行拉伸后变换成矩形，形成极坐标系下的图像，。
进一步地，所述的车辆运动学模型中，车辆坐标系原点Ov坐标的表达式为：
xv＝xg,t-Lrcos(ψg,t)
yv＝yg,t-Lrsin(ψg,t)
其中，xg,t和yg,t分别为车辆重心在时间t的坐标，Lr为车辆后轴距重心的距离，Ψg,t为车辆重心在t时刻的横摆角；
所述的摄像头线性模型包括内参矩阵和外参矩阵，所述的内参矩阵的表达式为：
所述的外参矩阵的表达式为：
其中，f为相机焦距，w和h分别为传感器尺寸数据，W和H分别为图像分辨率数据，hx和hz分别为相机初始安装偏距，xv和yv分别为车辆坐标系原点坐标。
所述的模糊长度和模糊角度的表达式为：
Ang＝tan-1(dv/du)
其中，du表示两帧中像素点横轴位移，dv表示梁振中像素点纵轴位移。
与现有技术相比，本发明具有以下优点：
1)本发明建立了车辆运动模型与摄像机线性模型的联合仿真模型，能够在已知车速、行人位置、快门速度的情况下，通过蒙特卡洛仿真获得模糊图像的模糊参数分布，以供在数据增广过程中进行选择，对原始图像数据集进行数据增广，使得训练数据涵盖包括模糊运动的图像，通过数据增广的数据训练得到的神经网络模型，能够对运动模糊图像进行目标检测，解决智能驾驶中由于车速过快造成摄像机拍摄图像模糊导致目标检测出现误检与漏检的问题，可以不依赖于时序信息，检测速度快、结构弹性好；
2)本发明使用径向模糊图像生成算法，经过图像极坐标变换、选取基于蒙特卡洛仿真的模糊参数、图像退化矩阵求解、图像退化、图像笛卡尔坐标变换等步骤，获得原始图像数据集的增广数据，该增广数据的选取合理、可靠性高，最终训练得到的神经网络模型的目标检测准确性高；
3)本发明方法为前处理方法，通过基于车辆运动的数据增广方式，利用数据增广的训练集对神经网络进行训练，实现对运动模糊目标的检测，适用于大多数神经网络。
附图说明
图1为本发明流程示意图；
图2为本发明模型训练的流程示意图；
图3为实施例中自行车模型与摄像头线性模型联合仿真模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明提供一种基于车辆运动与数据增广的运动模糊目标检测方法，包括以下步骤：
S1：建立车辆运动学模型与摄像头线性模型的联合模型，并通过仿真获取模糊参数的分布；
S2：获取图像数据集，并进行极坐标变换，得到极坐标系下的图像；
S3：根据模糊参数分布，对极坐标系下的图像进行退化，得到退化图像矩阵；
S4：将退化图像矩阵变换至笛卡尔坐标系，得到增广后的图像数据；
S5：使用原始图像数据集和增广后的图像数据进行神经网络训练，得到训练完成的运动模糊目标检测网络；
S6：将摄像头拍摄的图像输入训练完成的运动模糊目标检测网络，进行运动模糊目标检测。
如图2所示，模型训练的整体流程包括：
步骤1：使用基于Matlab/Simulink的车辆运动学模型与摄像头线性模型联合模型与蒙特卡洛仿真法确定模糊参数分布，本实施例中，建立如图2所示的自行车模型与摄像机线性模型联合仿真模型：
于是车辆坐标系原点Ov坐标如下：
xv＝xg,t-Lrcos(ψg,t)
yv＝yg,t-Lrsin(ψg,t)
其中xg,t、yg,t为车辆重心在时间t的坐标，Lr为车辆后轴距重心的距离，Ψg,t为车辆重心在t时刻的横摆角；对于摄像机线性模型，其含有内参与外参，内参矩阵与外参矩阵如下：
其中，f为相机焦距，w、h为传感器尺寸，W、H为图像分辨率，hx、hz为相机初始安装偏距，xv、yv为车辆坐标系原点坐标。于是模糊参数中模糊长度与模糊角度可以由下式得出：
Ang＝tan-1(dv/du)
其中，du表示两帧中像素点横轴位移，dv表示梁振中像素点纵轴位移。接下来基于联合仿真模型进行蒙特卡洛仿真以获得模糊长度与模糊角度的分布，在本实施例的仿真中，设置车速范围为10-80km/h，快门速度为30-60Hz，物体与车辆距离为0-20m。
步骤2：使用扇形网格采样来代替矩形网格重新采样，然后将扇形网格沿任意半径剪开、拉伸、变换成矩形，组成一张极坐标变换下的图像。
重新采样时，将极坐标的原点定为直角坐标下图像的对称中心，设矩形图像大小为k*k，极坐标图像大小为m*n，则径向采样数与角度采样数如下：
n＝[(2m-1)π]
使用双线性插值法对原始图像进行重采样，即可获得极坐标下的重采样图像。
步骤3：根据模糊参数分布概率选取每张极坐标系下图像的模糊参数，计算退化矩阵。首先根据步骤1中所获得的模糊参数的分布概率，为图像数据集中每张图像选取一组模糊参数的值，然后进行退化矩阵的计算。退化矩阵H为一个m*m大小的矩阵，每一行对应着原始图像中某一像素灰度值的退化因子的行向量，该行向量可以通过下式计算：
其中，ci-k表示退化矩阵某行中第i-k项的加权系数，L表示物体与相机的距离，v表示物体与相机的相对运动速度，t’i表示像点经过第i个像元所用时间；T表示相机每帧成像时间；i表示距离图像中心的像元序号；ξi表示图像的模糊程度；
其中，ξi的计算公式为：
其中，v为相机与物体相对运动速度，L为物体与相机的初始距离。
当第一次出现各个加权系数之和大于1时，此时其加权系数应由下式计算：
ci-k＝1-(ci+ci-1+…+ci-k-1)
经过逐行计算便可得到整个退化矩阵H。
步骤4：对极坐标下的图像进行退化。由于将笛卡尔坐标系下的图像转化到了极坐标下，于是可以将非线性问题转化为线性问题进行求解，使用矩阵向量形式表示该数学模型为：
G(x,y)＝HF(x,y)
其中，F(x,y)为极坐标系下的清晰图像矩阵，H为退化矩阵，G(x,y)为退化图像矩阵。
步骤5：将图片由极坐标变换到笛卡尔坐标系，根据步骤2中的扇形网格重采样变换，建立其逆变换过程，使用矩形矩阵重新对扇形矩阵进行重采样，获得笛卡尔坐标系下的退化图像。根据步骤2中的将图像由笛卡尔坐标系变换至极坐标系的过程，建立其逆变换过程如下式：
p＝ρ-1
其中，p，q为极坐标图像的像素点坐标，ρ、
为该点坐标对应的极径和极角，c为极坐标图像宽度，使用双线性插值法进行重采样变换，从而得到笛卡尔坐标系下的退化图像。
步骤6：将原图像数据集图像与增广后的图像进行合并，组成新的训练集，根据需要选择任意所需要的神经网络进行训练。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，包括以下步骤：
S1：建立车辆运动学模型与摄像头线性模型的联合模型，并通过仿真获取模糊参数的分布；
S2：获取图像数据集，并进行极坐标变换，得到极坐标系下的图像；
S3：根据模糊参数分布，对极坐标系下的图像进行退化，得到退化图像矩阵；
S4：将退化图像矩阵变换至笛卡尔坐标系，得到增广后的图像数据；
S5：使用原始图像数据集和增广后的图像数据进行神经网络训练，得到训练完成的运动模糊目标检测网络；
S6：将摄像头拍摄的图像输入训练完成的运动模糊目标检测网络，进行运动模糊目标检测。
2.根据权利要求1所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的模糊参数包括模糊长度和模糊角度，所述的步骤S1中，通过蒙特卡洛仿真法获取在不同情况各模糊参数数值的分布概率。
3.根据权利要求2所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的不同情况包括不同车速、快门速度和目标位置。
4.根据权利要求2所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的步骤S3具体包括：
S31：根据不同车速、快门速度和物体位置下模糊参数数值的分布概率，为图像数据集中每张图像选取一组模糊参数的数值；
S32：根据模糊参数计算退化矩阵H；
S33：利用退化矩阵H，对极坐标系下的图像进行退化，得到退化图像矩阵G(x,y)。
5.根据权利要求4所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的退化矩阵H为一个m×m大小的矩阵，其每一行对应原始图像中某一像素灰度值退化因子的行向量，所述的行向量中各项的加权系数的一般计算式为：
所述的行向量中各项的加权系数的特殊计算式为：
ci-k＝1-(ci+ci-1+…+ci-k-1)
当已得到的加权系数之和首次大于1时，采用特殊计算式计算加权系数，其余情况下采用一般计算式计算加权系数；
其中，ci-k表示退化矩阵H行向量中第i-k项的加权系数，t’i表示像点经过第i个像元所用的时间，T表示相机每帧成像时间，i表示距离图像中心的像元序号，ξi表示图像的模糊程度。
6.根据权利要求4所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的对极坐标系下的图像进行退化的表达式为：
G(x,y)＝HF(x,y)
其中，H为退化矩阵，F(x,y)为极坐标系下的清晰图像矩阵，G(x,y)为退化图像矩阵。
7.根据权利要求1所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的步骤S1中，使用Matlab/Simulink软件，将车辆运动学模型与摄像头线性模型进行联合。
8.根据权利要求1所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的进行极坐标变换具体为：使用扇形网格进行采样，然后将扇形网格沿任意半径剪开，并进行拉伸后变换成矩形，形成极坐标系下的图像。
9.根据权利要求2所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的车辆运动学模型中，车辆坐标系原点Ov坐标的表达式为：
xv＝xg,t-Lrcos(ψg,t)
yv＝yg,t-Lrsin(ψg,t)
其中，xg,t和yg,t分别为车辆重心在时间t的坐标，Lr为车辆后轴距重心的距离，Ψg,t为车辆重心在t时刻的横摆角；
所述的摄像头线性模型包括内参矩阵和外参矩阵，所述的内参矩阵的表达式为：
所述的外参矩阵的表达式为：
其中，f为相机焦距，w和h分别为传感器尺寸数据，W和H分别为图像分辨率数据，hx和hz分别为相机初始安装偏距，xv和yv分别为车辆坐标系原点坐标。
10.根据权利要求9所述的一种基于车辆运动与数据增广的运动模糊目标检测方法，其特征在于，所述的模糊长度和模糊角度的表达式为：
Ang＝tan-1(dv/du)
其中，du表示两帧中像素点横轴位移，dv表示梁振中像素点纵轴位移。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011329184.8A CN112435190A (zh) | 2020-11-24 | 2020-11-24 | 一种基于车辆运动与数据增广的运动模糊目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011329184.8A CN112435190A (zh) | 2020-11-24 | 2020-11-24 | 一种基于车辆运动与数据增广的运动模糊目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112435190A true CN112435190A (zh) | 2021-03-02 |
Family
ID=74693970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011329184.8A Pending CN112435190A (zh) | 2020-11-24 | 2020-11-24 | 一种基于车辆运动与数据增广的运动模糊目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435190A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361380A (zh) * | 2021-06-03 | 2021-09-07 | 上海哔哩哔哩科技有限公司 | 人体关键点检测模型训练方法、检测方法及装置 |
| CN114529555A (zh) * | 2021-12-31 | 2022-05-24 | 红云红河烟草(集团)有限责任公司 | 一种基于图像识别的烟箱高效进出库检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
| CN102542530A (zh) * | 2010-12-07 | 2012-07-04 | 沈阳理工大学 | 一种运动模糊图像清晰装置 |
| CN102752484A (zh) * | 2012-06-25 | 2012-10-24 | 清华大学 | 一种快速非全局一致图像抖动模糊去除算法及其系统 |
| CN107169993A (zh) * | 2017-05-12 | 2017-09-15 | 甘肃政法学院 | 利用公安视频监控模糊图像对目标物进行检测识别方法 |
| CN107742278A (zh) * | 2017-10-25 | 2018-02-27 | 重庆邮电大学 | 结合l0范数和空间尺度信息的运动模糊图像盲复原方法 |
| CN107945127A (zh) * | 2017-11-27 | 2018-04-20 | 南昌大学 | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 |
| CN109003234A (zh) * | 2018-06-21 | 2018-12-14 | 东南大学 | 针对运动模糊图像复原的模糊核计算方法 |
-
2020
- 2020-11-24 CN CN202011329184.8A patent/CN112435190A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
| CN102542530A (zh) * | 2010-12-07 | 2012-07-04 | 沈阳理工大学 | 一种运动模糊图像清晰装置 |
| CN102752484A (zh) * | 2012-06-25 | 2012-10-24 | 清华大学 | 一种快速非全局一致图像抖动模糊去除算法及其系统 |
| CN107169993A (zh) * | 2017-05-12 | 2017-09-15 | 甘肃政法学院 | 利用公安视频监控模糊图像对目标物进行检测识别方法 |
| CN107742278A (zh) * | 2017-10-25 | 2018-02-27 | 重庆邮电大学 | 结合l0范数和空间尺度信息的运动模糊图像盲复原方法 |
| CN107945127A (zh) * | 2017-11-27 | 2018-04-20 | 南昌大学 | 一种基于图像列灰度概率一致性的高速运动图像去模糊方法 |
| CN109003234A (zh) * | 2018-06-21 | 2018-12-14 | 东南大学 | 针对运动模糊图像复原的模糊核计算方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘安: "运动模糊图像复原", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 吴庆等: "基于运动检测的图像去模糊算法", 《计算机与现代化》 * |
| 张立军，黄露莹，孟德建: "基于轨迹预测和模糊分析的商用车盲区防碰撞预警", 《同济大学学报（自然科学版）》 * |
| 曹峰梅等: "基于坐标变换的相向运动图像模糊复原方法", 《北京理工大学学报》 * |
| 李大寨: "《机器人综合实验教程》", 31 March 2020 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361380A (zh) * | 2021-06-03 | 2021-09-07 | 上海哔哩哔哩科技有限公司 | 人体关键点检测模型训练方法、检测方法及装置 |
| CN114529555A (zh) * | 2021-12-31 | 2022-05-24 | 红云红河烟草(集团)有限责任公司 | 一种基于图像识别的烟箱高效进出库检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109801215B (zh) | 基于对抗生成网络的红外超分辨率成像方法 | |
| JP6211263B2 (ja) | 道路の垂直輪郭検出 | |
| CN110910453B (zh) | 基于无重叠视域多相机系统的车辆位姿估计方法及其系统 | |
| CN111731187A (zh) | 一种汽车a柱盲区图像显示系统及方法 | |
| CN112435190A (zh) | 一种基于车辆运动与数据增广的运动模糊目标检测方法 | |
| CN113159466B (zh) | 一种短时光伏发电功率预测系统及方法 | |
| CN112731436B (zh) | 基于点云上采样的多模态数据融合可行驶区域检测方法 | |
| CN113313732A (zh) | 一种基于自监督学习的前视场景深度估计方法 | |
| CN111292369B (zh) | 激光雷达的伪点云数据生成方法 | |
| CN112949493A (zh) | 一种结合语义分割和注意力机制的车道线检测方法及系统 | |
| CN105957058A (zh) | 一种星图的预处理方法 | |
| CN109272014B (zh) | 一种基于畸变适应卷积神经网络的图像分类方法 | |
| CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
| CN113837936A (zh) | 一种全景图像的生成方法和装置 | |
| CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
| CN110930433A (zh) | 一种基于图像复原的高速移动对象机器视觉目标检测方法 | |
| CN108122209B (zh) | 一种基于对抗生成网络的车牌去模糊方法 | |
| CN113409254A (zh) | 一种针对模糊成像环境的印刷品缺陷检测方法 | |
| CN107734294A (zh) | 监控图像复原系统及方法 | |
| CN112037148A (zh) | 区块链的大数据运动目标检测识别方法及系统 | |
| CN112884727A (zh) | 一种风力机叶片振动监测方法 | |
| CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
| CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
| CN112016568A (zh) | 一种目标对象的图像特征点的跟踪方法及装置 | |
| CN116188265A (zh) | 一种基于真实退化的空间可变核感知盲超分重建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |