CN112561949A - 一种基于rpca和支持向量机的快速运动目标检测算法 - Google Patents

一种基于rpca和支持向量机的快速运动目标检测算法 Download PDF

Info

Publication number
CN112561949A
CN112561949A CN202011540986.3A CN202011540986A CN112561949A CN 112561949 A CN112561949 A CN 112561949A CN 202011540986 A CN202011540986 A CN 202011540986A CN 112561949 A CN112561949 A CN 112561949A
Authority
CN
China
Prior art keywords
rpca
foreground
pixel
video
support vector
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.)
Granted
Application number
CN202011540986.3A
Other languages
English (en)
Other versions
CN112561949B (zh
Inventor
李阳
朱爱玺
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.)
Jiangsu Vocational College of Information Technology
Original Assignee
Jiangsu Vocational College of Information Technology
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 Jiangsu Vocational College of Information Technology filed Critical Jiangsu Vocational College of Information Technology
Priority to CN202011540986.3A priority Critical patent/CN112561949B/zh
Publication of CN112561949A publication Critical patent/CN112561949A/zh
Application granted granted Critical
Publication of CN112561949B publication Critical patent/CN112561949B/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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及目标检测算法技术领域，具体涉及一种基于RPCA和支持向量机的快速运动目标检测算法，它包括：首先使用RPCA对视频矩阵进行分解得到视频的前景信息，同时通过超像素分割对视频进行分割，再提取前景和背景超像素块对应的稀疏矩阵的异常值的特征，并通过SVM进行模型训练；在进行检测时，提取前景和背景超像素块对应的稀疏矩阵的异常值的特征，再使用已经训练好的模型进行判断超像素块是否属于前景。本发明的有益效果为：在保证检测结果F‑measure值在0.85左右的情况下，检测速度是已有RPCA扩展模型的50倍左右，可以用于智能安防监控中实时提取出运动目标，可以作为后续的图像分类、目标检测、目标识别的基础工作。

Description

一种基于RPCA和支持向量机的快速运动目标检测算法
技术领域
本发明涉及目标检测算法技术领域，特别是涉及一种基于RPCA和支持向量机的快速运动目标检测算法。
背景技术
现有的Robust Principal Component Analysis(RPCA)模型只能处理简单的运动目标检测，如果场景中有动态背景干扰，那么准确率会受到很大影响，RPCA扩展模型虽然提高了运动检测的准确率，但是由于模型较为复杂，运算速度非常慢，为了提高RPCA及其扩展模型在运动目标检测中的准确率和实效性，本发明旨在提出了一种基于RPCA和支持向量机(Support Vector Machine，SVM)的快速运动目标检测算法，以解决上述存在的问题。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供一种基于RPCA和支持向量机的快速运动目标检测算法，在保证检测结果F-measure值在0.85左右的情况下，检测速度是已有RPCA扩展模型的50倍左右，可以用于智能安防监控中实时提取出运动目标，可以作为后续的图像分类、目标检测、目标识别的基础工作。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于RPCA和支持向量机的快速运动目标检测算法，包括模型训练、目标检测，所述模型训练优先于目标检测进行；
所述模型训练包括如下五个步骤：
A、超像素分割：将视频中的每一帧图像提取出来，并对每一帧图像进行超像素分割；
B、灰度化：对彩色视频进行灰度化，将视频中的每一帧图像提取出来，并将每一张图像进行灰度化处理，灰度化处理通过对彩色图像中的三分量亮度求平均得到灰度值；
C、合并向量：对灰度化后的视频中的列化成向量，将每一帧对应的列向量组成一个二维矩阵；
D、RPCA分解：对步骤C中得到的二维矩阵进行RPCA分解，得到视频的前景矩阵和背景矩阵，前景矩阵和背景矩阵的维度是一致的，前景矩阵中的像素值都属于异常值，且前景矩阵中包含了噪声和运动目标；
E、提取特征：提取前景和背景超像素块的特征，具体方法为，得到一个超像素块所有像素的坐标，然后根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图；
F、模型训练：使用SVM对提取到的前景和背景特征进行训练。
进一步地，所述目标检测包括如下六个步骤：
A、超像素分割；B、灰度化；C、合并向量；D、RPCA分解；
G、提出待检测视频帧所有超像素的特征：得到一个超像素块所有像素的坐标，根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图；
H、根据已经训练好的模型计算超像素特征是否属于前景，最后输出前景运动目标。
进一步地，所述均值特征的获取公式为：
Figure BDA0002854861980000021
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数。
进一步地，所述方差特征的获取公式为：
Figure BDA0002854861980000022
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数，
Figure BDA0002854861980000025
为均值特征。
进一步地，所述0范数的均值表示一个超像素块非0元素个数占所有元素个数的比例，获取公式为：
Figure BDA0002854861980000023
其中，X为一个像素块中的异常值向量，n为一个超像素中包含的像素的个数。
进一步地，所述直方图特征获取步骤如下：假设输入超像素块Ci，其中1≤i≤N，N为此超像素块中包含的所有像素的个数，像素值的整个动态范围为[-255,255]，将此动态范围平均分为k个区间，k＝34，因此每个区间的动态范围宽度为15，每个区间的概率密度记为：
Figure BDA0002854861980000024
其中，nk表示灰度级为Xk时的像素个数，p(Ck)表示为一个1×34的向量。
进一步地，所述均值、方差、0范数和直方图计算完毕后，将所有特征组成一个特征向量F，F为一个1×37的向量，公式如下：
F＝[X,S2,L0,p(Ck)] (5)
综上所述，本发明具有以下有益效果：
本发明解决了现有的RPCA扩展模型较为复杂，时间复杂度较高，不能实现实时的运动目标检测的问题，提高了RPCA及其扩展模型在运动目标检测中的准确率和实效性，在保证检测结果F-measure值在0.85左右的情况下，检测速度是已有RPCA扩展模型的50倍左右，可以用于智能安防监控中实时提取出运动目标，可以作为后续的图像分类、目标检测、目标识别的基础工作。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1是本发明中模型训练的流程图；
图2是本发明中目标检测的流程图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至附图2对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
下面将参照附图描述本发明的各示例性的实施例。
实施例1：一种基于RPCA和支持向量机的快速运动目标检测算法，包括模型训练、目标检测，模型训练优先于目标检测进行；
模型训练包括如下五个步骤：
A、超像素分割；B、灰度化；C、合并向量；D、RPCA分解；E、提取特征；F、模型训练。
首先进行超像素分割，即将视频中的每一帧图像提取出来，并对每一帧图像进行超像素分割；随后对彩色视频进行灰度化，将视频中的每一帧图像提取出来，并将每一张图像进行灰度化处理，灰度化处理通过对彩色图像中的三分量亮度求平均得到灰度值；之后，对灰度化后的视频中的列化成向量，将每一帧对应的列向量组成一个二维矩阵；对上述步骤中得到的二维矩阵进行RPCA分解，得到视频的前景矩阵和背景矩阵，前景矩阵和背景矩阵的维度是一致的，前景矩阵中的像素值都属于异常值，且前景矩阵中包含了噪声和运动目标；最后提取前景和背景超像素块的特征，具体方法为，得到一个超像素块所有像素的坐标，然后根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图。
均值特征的获取公式为：
Figure BDA0002854861980000041
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数。
方差特征的获取公式为：
Figure BDA0002854861980000042
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数，
Figure BDA0002854861980000043
为均值特征。
0范数的均值表示一个超像素块非0元素个数占所有元素个数的比例，获取公式为：
Figure BDA0002854861980000044
其中，X为一个像素块中的异常值向量，n为一个超像素中包含的像素的个数。
直方图特征获取步骤如下：假设输入超像素块Ci，其中1≤i≤N，N为此超像素块中包含的所有像素的个数，像素值的整个动态范围为[-255,255]，将此动态范围平均分为k个区间，k＝34，因此每个区间的动态范围宽度为15，每个区间的概率密度记为：
Figure BDA0002854861980000045
其中，nk表示灰度级为Xk时的像素个数，p(Ck)表示为一个1×34的向量。
均值、方差、0范数和直方图计算完毕后，将所有特征组成一个特征向量F，F为一个1×37的向量，公式如下：
F＝[X,S2,L0,p(Ck)] (5)
最后，使用SVM对提取到的前景和背景特征进行训练。
目标检测包括如下六个步骤：
A、超像素分割；B、灰度化；C、合并向量；D、RPCA分解；G、提出待检测视频帧所有超像素的特征；H、根据已经训练好的模型计算超像素特征是否属于前景，最后输出前景运动目标。
上述前四个步骤与训练模型时的前四步骤相同，在第五步中，变为对当前检测目标提取特征，得到一个超像素块所有像素的坐标，根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图，计算方法如上述的公式(1)至公式(5)得出结果后，将四个特征按照公式(5)组成特征向量，根据已经训练好的模型计算超像素特征是否属于前景，如何属于前景则输出前景运动目标。
以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。

Claims (7)

1.一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于：
包括模型训练、目标检测，所述模型训练优先于目标检测进行；
所述模型训练包括如下六个步骤：
超像素分割：将视频中的每一帧图像提取出来，并对每一帧图像进行超像素分割；
灰度化：对彩色视频进行灰度化，将视频中的每一帧图像提取出来，并将每一张图像进行灰度化处理，灰度化处理通过对彩色图像中的三分量亮度求平均得到灰度值；
合并向量：对灰度化后的视频中的列化成向量，将每一帧对应的列向量组成一个二维矩阵；
RPCA分解：对步骤C中得到的二维矩阵进行RPCA分解，得到视频的前景矩阵和背景矩阵，前景矩阵和背景矩阵的维度是一致的，前景矩阵中的像素值都属于异常值，且前景矩阵中包含了噪声和运动目标；
提取特征：提取前景和背景超像素块的特征，具体方法为，得到一个超像素块所有像素的坐标，然后根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图；
模型训练：使用SVM对提取到的前景和背景特征进行训练。
2.根据权利要求1所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于，所述目标检测包括如下六个步骤：
超像素分割；B、灰度化；C、合并向量；D、RPCA分解；
提出待检测视频帧所有超像素的特征：得到一个超像素块所有像素的坐标，根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量，提取异常值向量的如下四个特征：均值、方差、0范数和直方图；
H、根据已经训练好的模型计算超像素特征是否属于前景，最后输出前景运动目标。
3.根据权利要求2所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于，
所述均值特征的获取公式为：
Figure FDA0002854861970000011
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数。
4.根据权利要求3所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于，
所述方差特征的获取公式为：
Figure FDA0002854861970000021
其中，Xi为超像素块中的一个像素,n为一个超像素中包含的像素的个数，
Figure FDA0002854861970000022
为均值特征。
5.根据权利要求4所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于，
所述0范数的均值表示一个超像素块非0元素个数占所有元素个数的比例，获取公式为：
Figure FDA0002854861970000023
其中，X为一个像素块中的异常值向量，n为一个超像素中包含的像素的个数。
6.根据权利要求5所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于，
所述直方图特征获取步骤如下：假设输入超像素块Ci，其中1≤i≤N，N为此超像素块中包含的所有像素的个数，像素值的整个动态范围为[-255,255]，将此动态范围平均分为k个区间，k＝34，因此每个区间的动态范围宽度为15，每个区间的概率密度记为：
Figure FDA0002854861970000024
其中，nk表示灰度级为Xk时的像素个数，p(Ck)表示为一个1×34的向量。
7.根据权利要求6所述的一种基于RPCA和支持向量机的快速运动目标检测算法，其特征在于：
所述均值、方差、0范数和直方图计算完毕后，将所有特征组成一个特征向量F，F为一个1×37的向量，公式如下：
Figure FDA0002854861970000025
CN202011540986.3A 2020-12-23 2020-12-23 一种基于rpca和支持向量机的快速运动目标检测算法 Active CN112561949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011540986.3A CN112561949B (zh) 2020-12-23 2020-12-23 一种基于rpca和支持向量机的快速运动目标检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011540986.3A CN112561949B (zh) 2020-12-23 2020-12-23 一种基于rpca和支持向量机的快速运动目标检测算法

Publications (2)

Publication Number Publication Date
CN112561949A true CN112561949A (zh) 2021-03-26
CN112561949B CN112561949B (zh) 2023-08-22

Family

ID=75032289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011540986.3A Active CN112561949B (zh) 2020-12-23 2020-12-23 一种基于rpca和支持向量机的快速运动目标检测算法

Country Status (1)

Country Link
CN (1) CN112561949B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393585A (zh) * 2022-08-11 2022-11-25 江苏信息职业技术学院 一种基于超像素融合网络的运动目标检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504734A (zh) * 2014-09-16 2015-04-08 浙江工业大学 一种基于语义的图像颜色传输方法
CN104680184A (zh) * 2015-03-14 2015-06-03 西安电子科技大学 基于深度rpca的极化sar地物分类方法
CN105528575A (zh) * 2015-11-18 2016-04-27 首都师范大学 基于上下文推理的天空检测算法
CN106056139A (zh) * 2016-05-26 2016-10-26 东华大学 一种基于图像分割的森林火灾烟雾检测方法
CN107564029A (zh) * 2017-07-24 2018-01-09 南京信息工程大学 基于高斯极值滤波和群稀疏rpca的运动目标检测方法
CN108399620A (zh) * 2018-03-19 2018-08-14 嘉兴学院 一种基于低秩稀疏矩阵分解的图像质量评价方法
CN108764177A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于低秩分解和表示联合学习的运动目标检测方法
CN109886945A (zh) * 2019-01-18 2019-06-14 嘉兴学院 基于对比度增强的无参考对比度失真图像质量评价方法
CN110503113A (zh) * 2019-08-28 2019-11-26 江苏建筑职业技术学院 一种基于低秩矩阵恢复的图像显著性目标检测方法
CN111160180A (zh) * 2019-12-16 2020-05-15 浙江工业大学 一种苹果采摘机器人夜间青苹果识别方法
CN111709359A (zh) * 2020-06-15 2020-09-25 浙江理工大学 复杂动态背景下基于群稀疏的运动目标检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504734A (zh) * 2014-09-16 2015-04-08 浙江工业大学 一种基于语义的图像颜色传输方法
CN104680184A (zh) * 2015-03-14 2015-06-03 西安电子科技大学 基于深度rpca的极化sar地物分类方法
CN105528575A (zh) * 2015-11-18 2016-04-27 首都师范大学 基于上下文推理的天空检测算法
CN106056139A (zh) * 2016-05-26 2016-10-26 东华大学 一种基于图像分割的森林火灾烟雾检测方法
CN107564029A (zh) * 2017-07-24 2018-01-09 南京信息工程大学 基于高斯极值滤波和群稀疏rpca的运动目标检测方法
CN108399620A (zh) * 2018-03-19 2018-08-14 嘉兴学院 一种基于低秩稀疏矩阵分解的图像质量评价方法
CN108764177A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于低秩分解和表示联合学习的运动目标检测方法
CN109886945A (zh) * 2019-01-18 2019-06-14 嘉兴学院 基于对比度增强的无参考对比度失真图像质量评价方法
CN110503113A (zh) * 2019-08-28 2019-11-26 江苏建筑职业技术学院 一种基于低秩矩阵恢复的图像显著性目标检测方法
CN111160180A (zh) * 2019-12-16 2020-05-15 浙江工业大学 一种苹果采摘机器人夜间青苹果识别方法
CN111709359A (zh) * 2020-06-15 2020-09-25 浙江理工大学 复杂动态背景下基于群稀疏的运动目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG LI: ""Moving object detection via segmentation and saliency constrained RPCA"", 《NEUROCOMPUTING》, pages 2 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393585A (zh) * 2022-08-11 2022-11-25 江苏信息职业技术学院 一种基于超像素融合网络的运动目标检测方法

Also Published As

Publication number Publication date
CN112561949B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN108256562B (zh) 基于弱监督时空级联神经网络的显著目标检测方法及系统
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN110111361B (zh) 一种基于多阈值自优化背景建模的运动目标检测方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN112837303A (zh) 一种用于模具监视的缺陷检测方法、装置、设备及介质
CN110428450B (zh) 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法
CN111784624B (zh) 目标检测方法、装置、设备及计算机可读存储介质
CN110930327A (zh) 基于级联深度残差网络的视频去噪方法
CN1564600A (zh) 动态场景下的运动物体检测方法
CN107871315B (zh) 一种视频图像运动检测方法和装置
CN109871790B (zh) 一种基于混合神经网络模型的视频去色方法
CN112561949A (zh) 一种基于rpca和支持向量机的快速运动目标检测算法
CN114494318A (zh) 基于大津算法的角膜动态形变视频提取角膜轮廓的方法
CN106022310B (zh) 基于htg-hog和stg特征的人体行为识别方法
CN110503625B (zh) 一种cmos图像信号相关噪声参数估计方法
CN114612456B (zh) 一种基于深度学习的钢坯自动语义分割识别方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN109978916A (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN112767321B (zh) 一种基于随机森林的荧光结核杆菌检测方法
CN111223050A (zh) 一种实时图像边缘检测算法
CN112532938B (zh) 一种基于大数据技术的视频监控系统
CN114820718A (zh) 一种视觉动态定位跟踪算法
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置
CN114519832A (zh) 基于仿射逆变换模型的视频全局运动补偿方法

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
GR01 Patent grant
GR01 Patent grant