CN112507765A - 移动检测方法及移动检测系统 - Google Patents
移动检测方法及移动检测系统 Download PDFInfo
- Publication number
- CN112507765A CN112507765A CN201910872374.5A CN201910872374A CN112507765A CN 112507765 A CN112507765 A CN 112507765A CN 201910872374 A CN201910872374 A CN 201910872374A CN 112507765 A CN112507765 A CN 112507765A
- Authority
- CN
- China
- Prior art keywords
- image
- moving object
- sub
- processor
- original image
- 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 116
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 101150013335 img1 gene Proteins 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 101150071665 img2 gene Proteins 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及移动检测方法及移动检测系统。移动检测方法包含捕获原始图像；依据原始图像，利用移动检测器检测移动对象图像；依据移动对象图像，由原始图像裁切出对应移动对象图像的子图像；以及将子图像输入至处理器，以判断子图像中的移动对象是否对应检测类别。处理器包含类神经网络。子图像为多边形图像。
Description
技术领域
本申请描述一种移动检测方法及移动检测系统，尤指一种低运算复杂度及高精确度的移动检测方法及移动检测系统。
背景技术
随着科技日新月异，现今的图像消费性产品除了提供图像串流(Image Stream)功能外，也配置智能视频分析(Intelligent Video Analytics)的功能。智能视频分析的功能可以应用于安全控管。当智能视频分析的功能应用于安全控管时，人形检测(PeopleDetection)是一项重要且不可或缺的技术。图像串流可以输入至处理器中，以判断某些帧的图像内是否有人存在。
然而，随着图像的分辨率变高且图像串流的高带宽需求，要达到实时(Real-Time)且准确的人形检测效能并不容易。通常，人形检测的处理时间越短或是越准确，需要庞大的计算量或是将浮点数运算的算法改良(如定点化)。然而，将硬件复杂度的提升或是将算法改良需要额外的设计成本以及测试成本。因此，设计一种可应用于低运算能力的系统(或是嵌入式系统)下，且具有高准确度的人形检测方法，是智慧视频分析领域设计的重要议题。
发明内容
本申请一实施例提出一种移动检测方法。移动检测方法包含捕获原始图像，依据原始图像，利用移动检测器检测移动对象图像，依据移动对象图像，由原始图像裁切出对应移动对象图像的子图像，及将子图像输入至处理器，以判断子图像中的移动对象是否对应检测类别。处理器包含类神经网络，且子图像为多边形图像。
本申请另一实施例提出一种移动检测系统。移动检测系统包含图像捕获设备、移动检测器、内存及处理器。图像捕获设备用以捕获原始图像。移动检测器耦接于图像捕获设备。内存用以缓存图像数据。处理器耦接于图像捕获设备、移动检测器及内存。在图像捕获设备捕获原始图像后，移动检测器依据原始图像，检测移动对象图像。处理器依据移动对象图像，由原始图像裁切出对应移动对象图像的子图像，并缓存于内存中。处理器判断子图像中的移动对象是否对应检测类别。处理器包含类神经网络，且子图像为多边形图像。
附图说明
图1为本申请的移动检测系统的实施例的框图。
图2为图1的移动检测系统中，图像捕获设备所捕获的原始图像的示意图。
图3为图1的移动检测系统中，移动检测器检测原始图像中的移动对象，以产生移动检测图像的示意图。
图4为图1的移动检测系统中，产生移动对象图像的示意图。
图5为图1的移动检测系统中，由原始图像裁切出对应移动对象图像的子图像的示意图。
图6为图1的移动检测系统执行移动检测方法的流程图。
具体实施方式
图1为移动检测系统100的实施例的框图。移动检测系统100包含图像捕获设备10、移动检测器(Motion Detector)11、内存12及处理器13。图像捕获设备10用以捕获原始图像。图像捕获设备10可为任何具有感光功能的装置，如相机、录像机等等。移动检测器11耦接于图像捕获设备10。移动检测器11可用图像帧差(Frame Difference)程序检测原始图像中的移动对象图像。图像帧差程序可将两帧或多帧的图像进行比对，以取得每一个对象图像的坐标偏移，进而检测移动对象的存在性。移动检测器11也可用背景模型(BackgroundModeling)建立程序，以检测原始图像中的移动对象图像。背景模型建立程序可利用多个图像帧，先产生固定对象所组成的背景模型，再利用像素的色调差距检测移动对象的存在性以及范围。然而，本申请非局限移动检测器11检测移动对象的方法。内存12用以缓存图像数据。内存12可为硬盘、随机存取内存或是闪存等任何数据缓存装置。处理器13耦接于移动检测器11及内存12。在移动检测系统100中，当图像捕获设备10捕获原始图像后，移动检测器11可依据原始图像检测移动对象图像。随后，处理器13可依据移动对象图像，由原始图像裁切出对应移动对象图像的子图像，并将其缓存于内存12中。处理器13可判断子图像中的移动对象是否对应检测类别。在移动检测系统100中，处理器13可包含类神经网络。例如，处理器13可包含卷积神经网络(Convolutional Neural Networks，CNN)的人形检测器，但非限定于此。由原始图像裁切出的子图像可为多边形图像。因此，移动检测系统100可以视为一个输入输出系统，具有输入原始图像以分析并输出移动对象图像是否存在的信息。移动检测系统100的移动检测方法的细节将于后文描述。
图2为移动检测系统100中，图像捕获设备10所捕获的原始图像IMG1的示意图。图像捕获设备10(例如相机)可以捕获街景的原始图像IMG1。原始图像IMG1可包含移动对象ObjA以及非移动对象ObjB。在图2中，原始图像IMG1的移动对象ObjA为自行车(包含骑行者)，非移动对象ObjB可为停泊车辆或是树木等等。
图3为移动检测系统100中，移动检测器11检测原始图像IMG1中的移动对象，以产生移动检测图像IMG2的示意图。如前述提及，移动检测器11可依据原始图像IMG1，利用图像帧差程序或是背景模型建立程序检测移动对象图像，细节如下。首先，使用者可以通过处理器13设定移动检测系统100的检测类别，例如设定移动检测系统100执行人形检测。接着，图像捕获设备10可将原始图像IMG1输入至移动检测器11。移动检测器11的信息记录方式可为，将原始图像IMG1分为移动对象图像及背景图像，且移动对象图像属于前景图像(Foreground Image)。举例而言，移动对象图像IMG2可包含自行车(包含骑行者)的移动对象ObjA'(为了避免混淆，在图3中的代号使用ObjA')，具有第一灰阶度，如白色。背景图像可包含图2中停泊车辆的非移动对象ObjB(为了避免混淆，在图3中的代号使用ObjB')，具有第二灰阶度，如黑色。背景图像映射非移动对象且为单一色调，故背景图像的细节将会被屏蔽。然而，移动检测器11的信息记录方式也非限定于图3中使用黑白两色的像素信息记录方式。移动检测器11使用任何合理的电磁记录方式以区隔移动对象ObjA'与非移动对象ObjB'均属于本申请所揭露的范畴。
图4为移动检测系统100中，产生移动检测图像ObjIMG的示意图。如前述提及，移动检测器11的信息记录方式可使用黑白两色的像素信息记录方式。因此图4将承接黑白两色的移动检测图像IMG2续行说明。在移动检测器11检测如图3中的移动对象ObjA'后，可以依据移动对象ObjA'的轮廓，产生多边形(例如矩形)的移动检测图像ObjIMG。换句话说，移动检测图像ObjIMG的边界可依据移动对象ObjA'的轮廓而决定。移动对象ObjA'的范围越大(例如近距离的人或是车)，框选出的移动检测图像ObjIMG的范围也越大。相反的，移动对象ObjA'的范围越小(例如远处的人或是车)，框选出的移动检测图像ObjIMG的范围也越小。并且，移动检测器11产生移动对象图像ObjIMG后，处理器13可以调整移动对象图像ObjIMG的尺寸比例(Resize)。调整移动对象图像ObjIMG的尺寸比例可平衡移动检测系统100执行图像处理的计算复杂度。并且，处理器13可将移动对象图像ObjIMG中的多个像素进行至少一种图像处理，以产生完整且连续的图像信息。举例而言，移动对象图像ObjIMG中的多个对应移动对象ObjA'的像素可以进行侵蚀处理(Erosion Process)、膨胀处理(DilationProcess)、连通处理(Connected Component Process)中至少一种的图像处理。并且，为了增加检测效率，移动检测系统100还可以引入筛选机制来辅助检测。举例而言，处理器13可利用筛选机制，将原始图像IMG1中对应非检测类别的至少一个移动对象图像过滤，且筛选机制可依据长宽比和/或移动对象图像的默认尺寸范围而设计。以实际例子而言，使用者通过处理器13设定移动检测系统100执行人形检测。人类的身高常态标准为1至2公尺，且臂展范围也约为1至2公尺。因此，小型的动物(例如小狗，身长小于1公尺)虽然也为移动对象，然而小型的动物的移动对象图像会被过滤。利用筛选机制，移动检测系统100可以降低后续图像处理的运算复杂度，以提高检测效率。
如前述提及，移动检测系统100的内存12可用以缓存图像数据。图像数据为数字化的图像数据。举例而言，移动检测器11所产生的移动检测图像ObjIMG的范围以及位置可用数字数据的形式存入内存12中，说明如下。在图4中，处理器13可以取得移动对象图像ObjIMG的矩形范围任一个顶点的二维坐标，如左上顶点A的坐标A(x,y)。并且，处理器13还可取得移动对象图像ObjIMG的矩形范围的宽度W及高度H。换句话说，移动对象图像ObjIMG的矩形范围以及位置可被数字化为顶点A的坐标A(x,y)、宽度W及高度H。这些数字数据将会缓存于内存12中。
图5为移动检测系统100中，由原始图像IMG1裁切出对应移动对象图像ObjIMG的子图像SIMG的示意图。如前述提及，移动对象图像ObjIMG的矩形范围可被数字化为顶点A的坐标A(x,y)、宽度W及高度H。因此，处理器13由内存12取得移动对象图像ObjIMG的矩形范围的顶点A的坐标A(x,y)、宽度W及高度H后，可依此对原始图像IMG1裁切，以产生子图像SIMG。子图像SIMG符合移动对象图像ObjIMG的尺寸比例。举例而言，若移动对象图像ObjIMG为在某个位置的宽高比为W/H的矩形，则原始图像IMG1裁切出的子图像SIMG也为该位置的宽高比为W/H的矩形。并且，处理器13也可以调整子图像SIMG的大小，以平衡移动检测系统100执行图像处理的计算复杂度。
于前述提及，使用者可预先设定移动检测系统100检测类别。处理器13内的类神经网络可依据检测类别进行训练(Training)。并且，类神经网络被训练后，处理器13即可具有判断子图像SIMG是否包含对应检测类别之移动对象的能力。因此，在处理器13获取子图像SIMG的信息后，可利用已训练的类神经网络对子图像SIMG进行分析，以判断子图像SIMG是否包含对应检测类别的移动对象。举例而言，如图5所示，用户设定移动检测系统100执行人形检测。子图像SIMG包含移动对象ObjA。移动对象ObjA包含自行车以及骑行者。因此，在子图像SIMG利用处理器13的类神经网络进行分析后，处理器13即可输出「人形图像存在」的检测结果。换句话说，在用户设定移动检测系统100执行人形检测后，移动检测系统100可以视为一个具有人形检测能力的输入输出系统。移动检测系统100的输入为原始图像。移动检测系统100的输出为人形图像是否存在的检测结果。
图6为移动检测系统100执行移动检测方法的流程图。移动检测方法的流程包含步骤S601至步骤S607。任何合理的技术内容变更都属于本申请所公开的范围。步骤S601至步骤S607描述于下：
步骤S601：捕获原始图像IMG1；
步骤S602：依据原始图像IMG1，利用移动检测器11检测移动对象图像ObjIMG；
步骤S603：调整移动对象图像ObjIMG的尺寸比例，以及将移动对象图像ObjIMG中的多个像素进行至少一种图像处理，以产生完整且连续的图像信息；
步骤S604：利用筛选机制，将原始图像IMG1中对应非检测类别的至少一个移动对象图像过滤；
步骤S605：由原始图像IMG1裁切出对应移动对象图像ObjIMG的子图像SIMG；
步骤S606：将子图像SIMG输入至处理器13，以判断子图像SIMG中的移动对象ObjA是否对应检测类别；
步骤S607：处理器13输出检测结果。
步骤S601至步骤S607的细节已于前文详述，故于此将不再赘述。并且，移动检测系统100执行移动检测方法的流程非局限于步骤S601至步骤S607。举例而言，步骤S603以及步骤S604可以省略。或者，步骤S603以及步骤S604的执行顺序也可以互换。移动检测系统100也可以同时对多个移动对象图像进行检测。任何合理的技术内容变更都属于本申请所公开的范围。移动检测系统100利用步骤S601至步骤S607的流程，可降低移动检测系统100的运算复杂度，以达到实时(Real-Time)且准确的人形检测效能。
移动检测系统100利用低运算复杂度的方式执行移动检测方法的原理于下说明。在移动检测系统100，于基于类神经网络的人形检测器的前端，串接移动检测器11。因此，移动检测系统100不需要对全幅的原始图像进行分析，以检测移动对象。移动检测系统100仅需要针对移动检测器11所检测出包含移动对象的子图像进行分析即可。由于包含移动对象的子图像的像素量相较于全幅的原始图像的像素量少很多，故对于后续的图像处理机制而言，具有大幅度降低运算复杂度的功效。
综上所述，本申请描述一种移动检测方法及移动检测系统。移动检测方法及移动检测系统具有低运算复杂度，故可用低运算能力的硬件实现。在移动检测系统中，由于引入移动检测器来检测原始图像中具有移动对象的子图像(热区，有兴趣的区域)，故移动检测系统仅需要针对移动检测器所检测出包含移动对象的子图像进行分析即可。因此，取代传统的移动检测系统需要对全幅的原始图像进行分析，本申请的移动检测系统可降低运算复杂度，以达到实时且准确的检测效能。
以上所述仅为本申请的优选实施例，凡依本申请专利范围所做的均等变化与修饰，皆应属本申请的涵盖范围。
【符号说明】
100 移动检测系统
10 图像捕获设备
11 移动检测器
12 内存
13 处理器
IMG1 原始图像
ObjA及ObjA' 移动对象
ObjB及ObjB' 非移动对象
IMG2 移动检测图像
A(x,y) 顶点坐标
W 宽度
H 高度
ObjIMG 移动对象图像
SIMG 子图像
S601至S607 步骤。
Claims (10)
1.一种移动检测方法，包含：
捕获一原始图像；
依据该原始图像，利用一移动检测器检测一移动对象图像；
依据该移动对象图像，由该原始图像裁切出对应该移动对象图像的一子图像；以及
将该子图像输入至一处理器，以判断该子图像中的一移动对象是否对应一检测类别；
其中该处理器包含一类神经网络，且该子图像为一多边形图像。
2.根据权利要求1所述的方法，还包含：
在该移动检测器检测该移动对象图像后，调整该移动对象图像的一尺寸比例；及
将该移动对象图像中的多个像素进行至少一种图像处理，以产生完整且连续的图像信息；
其中该子图像符合移动对象图像的该尺寸比例，且该至少一种图像处理包含一侵蚀处理、一膨胀处理、一连通处理中至少之一者。
3.根据权利要求1所述的方法，其中依据该原始图像，利用该移动检测器检测该移动对象图像包含：
将该原始图像输入至该移动检测器；及
该移动检测器将该图像分为该移动对象图像及一背景图像；
其中该移动对象图像属于一前景图像。
4.根据权利要求3所述的方法，其中该前景图像具有一第一灰阶度，该背景图像具有一第二灰阶度，且该第一灰阶度与该第二灰阶度不同。
5.根据权利要求1所述的方法，还包含：
利用一筛选机制，将该原始图像中对应非检测类别的至少一个移动对象图像过滤；
其中该筛选机制是依据一长宽比和/或该移动对象图像的一默认尺寸范围而设计。
6.根据权利要求1所述的方法，其中该原始图像裁切出包含该移动对象图像的该子图像为一矩形。
7.根据权利要求1所述的方法，还包含：
取得该移动对象图像的一矩形范围中，一顶点的一二维坐标；
取得该移动对象图像的该矩形范围的一宽度及一高度；以及
依据该顶点的该二维坐标、该矩形范围的该宽度及该高度，对该原始图像裁切，以产生该子图像。
8.根据权利要求1所述的方法，还包含：
设定该处理器的该检测类别；以及
训练该处理器内的该类神经网络；
其中该类神经网络被训练后，该处理器具有判断该子图像中是否包含对应该检测类别的移动对象的能力。
9.根据权利要求1所述的方法，其中该移动检测器检测该移动对象图像，为该移动检测器利用一图像帧差程序或一背景模型建立程序，以检测该移动对象图像。
10.一种移动检测系统，包含：
一图像捕获设备，用以捕获一原始图像；
一移动检测器，耦接于该图像捕获设备；
一内存，用以缓存图像数据；以及
一处理器，耦接于该移动检测器和该内存；
其中在该图像捕获设备捕获该原始图像后，该移动检测器依据该原始图像，检测一移动对象图像，该处理器依据该移动对象图像，由该原始图像裁切出对应该移动对象图像的一子图像，并缓存于该内存中，该处理器判断该子图像中的一移动对象是否对应一检测类别，该处理器包含一类神经网络，且该子图像为一多边形图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910872374.5A CN112507765A (zh) | 2019-09-16 | 2019-09-16 | 移动检测方法及移动检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910872374.5A CN112507765A (zh) | 2019-09-16 | 2019-09-16 | 移动检测方法及移动检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112507765A true CN112507765A (zh) | 2021-03-16 |
Family
ID=74923860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910872374.5A Pending CN112507765A (zh) | 2019-09-16 | 2019-09-16 | 移动检测方法及移动检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507765A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050105765A1 (en) * | 2003-11-17 | 2005-05-19 | Mei Han | Video surveillance system with object detection and probability scoring based on object class |
| TW200703154A (en) * | 2005-02-15 | 2007-01-16 | Objectvideo Inc | Video surveillance system |
| US20090208062A1 (en) * | 2008-02-20 | 2009-08-20 | Samsung Electronics Co., Ltd. | Method and a handheld device for capturing motion |
| CN105160328A (zh) * | 2015-09-17 | 2015-12-16 | 国家电网公司 | 一种基于二值化图像的人体轮廓识别方法 |
| CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
| CN109285181A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 用于识别图像的方法和装置 |
| CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
| US20190034734A1 (en) * | 2017-07-28 | 2019-01-31 | Qualcomm Incorporated | Object classification using machine learning and object tracking |
-
2019
- 2019-09-16 CN CN201910872374.5A patent/CN112507765A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050105765A1 (en) * | 2003-11-17 | 2005-05-19 | Mei Han | Video surveillance system with object detection and probability scoring based on object class |
| TW200703154A (en) * | 2005-02-15 | 2007-01-16 | Objectvideo Inc | Video surveillance system |
| US20090208062A1 (en) * | 2008-02-20 | 2009-08-20 | Samsung Electronics Co., Ltd. | Method and a handheld device for capturing motion |
| CN105160328A (zh) * | 2015-09-17 | 2015-12-16 | 国家电网公司 | 一种基于二值化图像的人体轮廓识别方法 |
| US20190034734A1 (en) * | 2017-07-28 | 2019-01-31 | Qualcomm Incorporated | Object classification using machine learning and object tracking |
| CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
| CN109285181A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 用于识别图像的方法和装置 |
| CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| KIM C, ET AL: "A hybrid framework combining background subtraction and deep neural networks for rapid person detection", 《JOURNAL OF BIG DATA》, vol. 5, no. 22, 10 July 2018 (2018-07-10), pages 1 - 24 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI749364B (zh) | 移動偵測方法及移動偵測系統 | |
| US11457138B2 (en) | Method and device for image processing, method for training object detection model | |
| WO2021004402A1 (zh) | 图像识别方法及装置、存储介质和处理器 | |
| WO2021164322A1 (zh) | 基于人工智能的对象分类方法以及装置、医学影像设备 | |
| CN110334635B (zh) | 主体追踪方法、装置、电子设备和计算机可读存储介质 | |
| CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
| Chen et al. | Multi-cue event information fusion for pedestrian detection with neuromorphic vision sensors | |
| CN110879982B (zh) | 一种人群计数系统及方法 | |
| WO2020134818A1 (zh) | 图像处理方法及相关产品 | |
| CN112104869B (zh) | 一种视频大数据存储及转码优化系统 | |
| CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
| CN107194946B (zh) | 一种基于fpga的红外显著物体检测方法 | |
| JP2014006586A (ja) | 情報処理装置及びその制御方法、コンピュータプログラム | |
| CN111160291A (zh) | 基于深度信息与cnn的人眼检测方法 | |
| CN112528961A (zh) | 一种基于Jetson Nano的视频分析方法 | |
| CN104202596A (zh) | 一种应用于智能终端的图像色偏检测方法及系统 | |
| CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
| KR101726692B1 (ko) | 객체 추출 장치 및 방법 | |
| CN103093467A (zh) | 一种基于双重检测模型的镜头边界检测方法 | |
| CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
| JP7372391B2 (ja) | 入力データにおける異常を検知するための概念 | |
| CN112507765A (zh) | 移动检测方法及移动检测系统 | |
| CN115565107A (zh) | 一种基于双流架构的视频显著性预测方法 | |
| Xu et al. | Deep Learning-Based Pedestrian Detection Using RGB Images and Sparse LiDAR Point Clouds | |
| CN105203045A (zh) | 一种基于异步时域视觉传感器的产品形状完整性检测系统及检查方法 |
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 |