CN113011228A - 基于图像处理的地铁车内人群拥挤度检测方法 - Google Patents
基于图像处理的地铁车内人群拥挤度检测方法 Download PDFInfo
- Publication number
- CN113011228A CN113011228A CN201911321090.3A CN201911321090A CN113011228A CN 113011228 A CN113011228 A CN 113011228A CN 201911321090 A CN201911321090 A CN 201911321090A CN 113011228 A CN113011228 A CN 113011228A
- Authority
- CN
- China
- Prior art keywords
- crowd
- image
- carriage
- neural network
- video 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的地铁车内人群拥挤度检测方法,包括步骤:一、视频图像采集及传输;二、视频图像预处理;三、所述车厢人群拥挤度识别计算机将人群目标图像输入预先构建好的基于果蝇算法优化的BP神经网络模型中,自动输出人群拥挤度识别结果。本发明方法步骤简单,实现方便且成本低,采用车厢实景检测器获取车厢内动态人群的视频图像,再采用采用基于果蝇算法优化的BP神经网络对地铁车厢人群拥挤程度进行预测,实现了地铁车厢人群拥挤程度的实时预警,地铁车内人群拥挤度检测效率和精度高,使用效果好,便于推广使用。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于图像处理的地铁车内人群拥挤度检测方法。
背景技术
近几年来,随着人们消费水平的提高,商场、超市、公交站和地铁等地方涌现了大量的人群,对于人群数目的识别也逐渐成为了各个专家学者竞相研究的内容。作为人员数目识别的关键技术,视频监控分析技术的目的是利用计算机视觉技术、视频图像处理技术和人工智能技术对监控视频的内容对象进行描述、分析和理解,抽象为可识别的特征,并根据得出的特征进行安全预警、实时控制等。此外,在地铁站的应用中,实时统计地铁车厢内等公共场所的人流量,能有效地反馈出各节车厢的拥挤程度,可用于告知下一车站的乘客以便乘客们选择合适的车厢入口乘车,可有效地减缓车厢内部的拥挤程度。但是,现有技术中还缺乏能够很好地应用于地铁车内人群拥挤度检测的方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于图像处理的地铁车内人群拥挤度检测方法,其方法步骤简单,实现方便且成本低,实现了地铁车厢人群拥挤程度的实时预警,拥挤度检测效率和精度高,使用效果好,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种基于图像处理的地铁车内人群拥挤度检测方法,该方法包括以下步骤:
步骤一、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤二、视频图像预处理,具体过程为:
步骤201、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤202、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤203、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤204、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来;
步骤三、所述车厢人群拥挤度识别计算机将人群目标图像输入预先构建好的基于果蝇算法优化的BP神经网络模型中,自动输出人群拥挤度识别结果,所述人群拥挤度识别结果包括宽松、较拥挤和非常拥挤;
其中,所述基于果蝇算法优化的BP神经网络模型的构建方法为:
步骤301、训练样本获取;
步骤302、BP神经网络模型构建:使BP神经网络的输入节点对应人群目标图像,使BP神经网络的输出节点对应人群拥挤度识别结果,O(k)的取值为O(k)∈[0,1],其中,当O(k)∈[0.75,1]为“非常拥挤”,当O(k)∈(0.25,0.75)为“较拥挤”,当O(k)∈[0,0.25]为“宽松”,对应BP神经网络输出层的节点数k=1;将BP神经网络隐含层的节点数设置为10层;
步骤303、所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到权值W和阈值B最优的训练好的三层BP神经网络。
上述的基于图像处理的地铁车内人群拥挤度检测方法,步骤301中所述训练样本获取的具体过程为:
步骤3011、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤3012、视频图像预处理,具体过程为:
步骤30121、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤30122、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤30123、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤30124、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来。
上述的基于图像处理的地铁车内人群拥挤度检测方法,步骤303中所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化果蝇群体位置;果蝇群体位置为三层BP神经网络中当前迭代中的权值和阈值的集合;
步骤B、赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤C、计算与原点的距离D,再计算味道浓度判定值S;
步骤D、把S带入味道浓度判定函数;
步骤E、求此果蝇群体中的味道浓度最高的果蝇;
步骤F、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置;
步骤J、判定是否达到了预设的最大迭代次数,当达到最大的迭代次数时,结束,将最后一次迭代确定出的果蝇群体位置对应的三层BP神经网络的权值W和阈值B确定为基于果蝇算法优化的BP神经网络模型的权值W和阈值B;否则,返回执行步骤A至步骤I。
上述的基于图像处理的地铁车内人群拥挤度检测方法,步骤J中所述预设的最大迭代次数为300次。
本发明与现有技术相比具有以下优点:
1、本发明的方法步骤简单,实现方便且成本低。
2、本发明采用车厢实景检测器获取车厢内动态人群的视频图像,再采用采用基于果蝇算法优化的BP神经网络对地铁车厢人群拥挤程度进行预测,实现了地铁车厢人群拥挤程度的实时预警。
3、本发明的地铁车内人群拥挤度检测效率和精度高,使用效果好,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示,本发明的基于图像处理的地铁车内人群拥挤度检测方法,包括以下步骤:
步骤一、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤二、视频图像预处理,具体过程为:
步骤201、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤202、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤203、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤204、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来;
步骤三、所述车厢人群拥挤度识别计算机将人群目标图像输入预先构建好的基于果蝇算法优化的BP神经网络模型中,自动输出人群拥挤度识别结果,所述人群拥挤度识别结果包括宽松、较拥挤和非常拥挤;
其中,所述基于果蝇算法优化的BP神经网络模型的构建方法为:
步骤301、训练样本获取;
步骤302、BP神经网络模型构建:使BP神经网络的输入节点对应人群目标图像,使BP神经网络的输出节点对应人群拥挤度识别结果,O(k)的取值为O(k)∈[0,1],其中,当O(k)∈[0.75,1]为“非常拥挤”,当O(k)∈(0.25,0.75)为“较拥挤”,当O(k)∈[0,0.25]为“宽松”,对应BP神经网络输出层的节点数k=1;将BP神经网络隐含层的节点数设置为10层;
步骤303、所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到权值W和阈值B最优的训练好的三层BP神经网络。
本方法中,步骤301中所述训练样本获取的具体过程为:
步骤3011、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤3012、视频图像预处理,具体过程为:
步骤30121、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤30122、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤30123、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤30124、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来。
本方法中,步骤303中所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化果蝇群体位置;果蝇群体位置为三层BP神经网络中当前迭代中的权值和阈值的集合;
步骤B、赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤C、计算与原点的距离D,再计算味道浓度判定值S;
步骤D、把S带入味道浓度判定函数;
步骤E、求此果蝇群体中的味道浓度最高的果蝇;
步骤F、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置;
步骤J、判定是否达到了预设的最大迭代次数,当达到最大的迭代次数时,结束,将最后一次迭代确定出的果蝇群体位置对应的三层BP神经网络的权值W和阈值B确定为基于果蝇算法优化的BP神经网络模型的权值W和阈值B;否则,返回执行步骤A至步骤I。
本方法中,步骤J中所述预设的最大迭代次数为300次。
综上所述,本发明的方法步骤简单,实现方便且成本低,采用车厢实景检测器获取车厢内动态人群的视频图像,再采用采用基于果蝇算法优化的BP神经网络对地铁车厢人群拥挤程度进行预测,实现了地铁车厢人群拥挤程度的实时预警,地铁车内人群拥挤度检测效率和精度高,使用效果好,便于推广使用。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于图像处理的地铁车内人群拥挤度检测方法,其特征在于,该方法包括以下步骤:
步骤一、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤二、视频图像预处理,具体过程为:
步骤201、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤202、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤203、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤204、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来;
步骤三、所述车厢人群拥挤度识别计算机将人群目标图像输入预先构建好的基于果蝇算法优化的BP神经网络模型中,自动输出人群拥挤度识别结果,所述人群拥挤度识别结果包括宽松、较拥挤和非常拥挤;
其中,所述基于果蝇算法优化的BP神经网络模型的构建方法为:
步骤301、训练样本获取;
步骤302、BP神经网络模型构建:使BP神经网络的输入节点对应人群目标图像,使BP神经网络的输出节点对应人群拥挤度识别结果,O(k)的取值为O(k)∈[0,1],其中,当O(k)∈[0.75,1]为“非常拥挤”,当O(k)∈(0.25,0.75)为“较拥挤”,当O(k)∈[0,0.25]为“宽松”,对应BP神经网络输出层的节点数k=1;将BP神经网络隐含层的节点数设置为10层;
步骤303、所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到权值W和阈值B最优的训练好的三层BP神经网络。
2.按照权利要求1所述的基于图像处理的地铁车内人群拥挤度检测方法,其特征在于:步骤301中所述训练样本获取的具体过程为:
步骤3011、视频图像采集及传输:多个车厢实景检测器分别对其所处车厢内的视频图像进行实时检测,图像采集卡将所采集到的视频图像进行模数转换后实时传输给车厢人群拥挤度识别计算机;
步骤3012、视频图像预处理,具体过程为:
步骤30121、图像去噪处理:所述车厢人群拥挤度识别计算机对其接收到的视频图像进行低通滤波处理,获得消除噪声后的视频图像;
步骤30122、图像增强处理:所述车厢人群拥挤度识别计算机采用直方图均衡化算法对视频图像进行图像增强处理;
步骤30123、图像二值化处理:所述车厢人群拥挤度识别计算机对视频图像进行二值化处理,获得人群目标图像;
步骤30124、图像分割处理:所述车厢人群拥挤度识别计算机采用区域生长分割算法对视频图像进行图像分割处理,将人群目标图像从背景中分离出来。
3.按照权利要求1所述的基于图像处理的地铁车内人群拥挤度检测方法,其特征在于:步骤303中所述车厢人群拥挤度识别计算机对三层BP神经网络进行训练,且在进行训练的过程中调用果蝇算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化果蝇群体位置;果蝇群体位置为三层BP神经网络中当前迭代中的权值和阈值的集合;
步骤B、赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤C、计算与原点的距离D,再计算味道浓度判定值S;
步骤D、把S带入味道浓度判定函数;
步骤E、求此果蝇群体中的味道浓度最高的果蝇;
步骤F、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置;
步骤J、判定是否达到了预设的最大迭代次数,当达到最大的迭代次数时,结束,将最后一次迭代确定出的果蝇群体位置对应的三层BP神经网络的权值W和阈值B确定为基于果蝇算法优化的BP神经网络模型的权值W和阈值B;否则,返回执行步骤A至步骤I。
4.按照权利要求3所述的基于图像处理的地铁车内人群拥挤度检测方法,其特征在于:步骤J中所述预设的最大迭代次数为300次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911321090.3A CN113011228A (zh) | 2019-12-19 | 2019-12-19 | 基于图像处理的地铁车内人群拥挤度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911321090.3A CN113011228A (zh) | 2019-12-19 | 2019-12-19 | 基于图像处理的地铁车内人群拥挤度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011228A true CN113011228A (zh) | 2021-06-22 |
Family
ID=76381542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911321090.3A Pending CN113011228A (zh) | 2019-12-19 | 2019-12-19 | 基于图像处理的地铁车内人群拥挤度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011228A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869269A (zh) * | 2021-10-13 | 2021-12-31 | 平安银行股份有限公司 | 活动现场拥挤度检测方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-19 CN CN201911321090.3A patent/CN113011228A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869269A (zh) * | 2021-10-13 | 2021-12-31 | 平安银行股份有限公司 | 活动现场拥挤度检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583342B (zh) | 基于迁移学习的人脸活体检测方法 | |
CN110555368B (zh) | 基于三维卷积神经网络的跌倒行为识别方法 | |
JP6570731B2 (ja) | 乗客の混雑度の算出方法及びそのシステム | |
CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
CN106447674B (zh) | 一种视频的背景去除方法 | |
CN109977774B (zh) | 一种基于自适应卷积的快速目标检测方法 | |
Murugan et al. | A deep learning RCNN approach for vehicle recognition in traffic surveillance system | |
CN105760847B (zh) | 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法 | |
CN109523476B (zh) | 用于视频侦查的车牌去运动模糊方法 | |
CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
Trnovszký et al. | Comparison of background subtraction methods on near infra-red spectrum video sequences | |
CN109117788A (zh) | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 | |
CN104036278A (zh) | 人脸算法标准脸部图像的提取方法 | |
CN113537008A (zh) | 基于自适应运动放大和卷积神经网络的微表情识别方法 | |
CN105913002B (zh) | 视频场景下在线自适应的异常事件检测方法 | |
CN104835145A (zh) | 基于自适应Codebook背景模型的前景检测方法 | |
CN114998603B (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN105513066A (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN111027377A (zh) | 一种双流神经网络时序动作定位方法 | |
CN105005773A (zh) | 一种融合时域信息和空域信息的行人检测方法 | |
CN111832461A (zh) | 一种基于视频流的非机动车骑行人员头盔佩戴检测方法 | |
CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210622 |
|
WD01 | Invention patent application deemed withdrawn after publication |