CN113111699B - 一种基于红外摄像头的人体运动检测方法 - Google Patents
一种基于红外摄像头的人体运动检测方法 Download PDFInfo
- Publication number
- CN113111699B CN113111699B CN202110200082.4A CN202110200082A CN113111699B CN 113111699 B CN113111699 B CN 113111699B CN 202110200082 A CN202110200082 A CN 202110200082A CN 113111699 B CN113111699 B CN 113111699B
- Authority
- CN
- China
- Prior art keywords
- graph
- motion detection
- values
- infrared camera
- gray level
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了图像识别技术领域的一种基于红外摄像头的人体运动检测方法,包括:步骤S10、实时获取红外摄像头拍摄的视频帧,并将各所述视频帧转换为灰度图,记为图A;步骤S20、对各所述图A分别进行均值滤波下采样,得到图B;步骤S30、分别计算连续的两张所述图B的差分值,得到图C;步骤S40、对各所述图C分别进行最大池化下采样,得到图D;步骤S50、设定一阈值n,基于所述阈值n对连续的图D进行max操作,得到图E;步骤S60、设定一灰度阈值、创建一滑动窗口,利用所述滑动窗口遍历各图E,计算所述滑动窗口滑动过程中的灰度值之和,基于所述灰度值之和以及灰度阈值进行人体运动检测。本发明的优点在于:极大的提升了人体运动检测的精度。
Description
技术领域
本发明涉及图像识别技术领域,特别指一种基于红外摄像头的人体运动检测方法。
背景技术
随着科技的进步,出现了人脸识别的门禁设备,即人脸识别通过才能开启门禁设备。为了降低门禁设备的功耗并保护屏幕,传统上通过红外传感器判断前方是否有人,当红外线强度高于设定的阈值时,说明前方有人,这时才点亮屏幕并同时启动摄像头进行人脸识别。
但是,传统的方法应用在户外环境时,由于阳光里的红外线强度很高,红外传感器的识别精度容易受到阳光的影响。因此,如何提供一种基于红外摄像头的人体运动检测方法,实现提升人体运动检测精度,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于红外摄像头的人体运动检测方法,实现提升人体运动检测精度。
本发明是这样实现的:一种基于红外摄像头的人体运动检测方法,包括如下步骤:
步骤S10、实时获取红外摄像头拍摄的视频帧,并将各所述视频帧转换为灰度图,记为图A;
步骤S20、对各所述图A分别进行均值滤波下采样,得到图B;
步骤S30、分别计算连续的两张所述图B的差分值,得到图C;
步骤S40、对各所述图C分别进行最大池化下采样,得到图D;
步骤S50、设定一阈值n,基于所述阈值n对连续的图D进行max操作,得到图E;
步骤S60、设定一灰度阈值、创建一滑动窗口,利用所述滑动窗口遍历各图E,计算所述滑动窗口滑动过程中的灰度值之和,基于所述灰度值之和以及灰度阈值进行人体运动检测。
进一步地,所述步骤S20具体包括:
步骤S21、设定一分割尺寸,基于所述分割尺寸将图A不重复的分割成若干块子图A’;
所述图A的高为a1,宽为b1;所述分割尺寸的高为a2,宽为b2;其中a1、a2、b1、b2为大于等于8的正整数;
步骤S22、计算各所述子图A’的灰度值的平均值;
步骤S23、创建一高为a2/a1,宽为b2/b1的图B,将各所述平均值按子图A’的顺序填充进图B中,完成均值滤波下采样。
进一步地,所述步骤S30具体为:
分别计算连续的两张所述图B相同坐标像素点的灰度值的绝对差,得到与所述图B相同分辨率的图C:
图Ci=abs(图Bi-图Bi+1),其中i为正整数。
进一步地,所述步骤S40具体包括:
步骤S41、设定一采样尺寸,基于所述采样尺寸将图C不重复的分割成若干块子图C’;
所述采样尺寸的高为a3,宽为b3;其中a3小于a2/a1、b3小于b2/b1,且均为正整数;
步骤S42、对各所述子图C’进行最大池化计算,得到池化值;
步骤S43、创建一高为a2/(a1*a3*2),宽为b2/(b1*b3*2)的图D,将各所述池化值按子图C’的顺序填充进图D中,完成最大池化下采样。
进一步地,所述步骤S50具体为:
设定一阈值n,按顺序依次从连续的n张所述图D中,选取灰度值之和最大的所述图D作为图E:
图Ei=max{图Di,图Di+1,……,图Di+n-1},其中i为正整数。
进一步地,所述步骤S50中,所述n的取值范围为[3,7]。
进一步地,所述步骤S60中,所述基于所述灰度值之和以及灰度阈值进行人体运动检测具体为:
判断所述灰度值之和是否大于灰度阈值,若是,说明存在人体运动;若否,说明不存在人体运动。
进一步地,所述步骤S60中,所述滑动窗口的高大于宽。
本发明的优点在于:
1、通过对连续的两张所述图B进行差分计算得到图C,使得图C间灰度值的差别极小,使得短时变化不大的强烈阳光不会产生干扰;通过设置尺寸较大的所述分割尺寸,并计算分割后的所述子图A’的灰度值的平均值,对图像画面异常扰动有较强的鲁棒性,可有效过滤远处树叶轻微摇晃、风扇转动等异常扰动场景;通过最大池化下采样以及max操作,即分别在空间和时间维度上进行max操作,强化了变化的特征,可有效提取人体运动特征;通过设置所述滑动窗口的高大于宽,即基于人体区域形状进行区分,因车辆的形状为扁的矩形,能有效过滤车辆路过产生的抖动,最终极大的提升了人体运动检测的精度。
2、通过红外摄像头拍摄视频,由于存在红外补光,相对于RGB摄像头,不仅能在白天拍摄,还能在晚上拍摄,极大的提升了适用范围。
3、通过红外摄像头进行人体运动检测,由于门禁设备本身自带红外摄像头和RGB摄像头,即省去了额外的红外传感器,进而降低了人体运动检测的成本。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于红外摄像头的人体运动检测方法的流程图。
图2是本发明均值滤波下采样的示意图。
图3是本发明最大池化下采样的示意图。
图4是本发明max操作的示意图。
图5是本发明滑动窗口遍历的示意图。
具体实施方式
请参照图1至图5所示,本发明一种基于红外摄像头的人体运动检测方法的较佳实施例之一,包括如下步骤:
步骤S10、实时获取红外摄像头拍摄的视频帧,并将各所述视频帧转换为灰度图,记为图A;通过红外摄像头拍摄视频,由于存在红外补光,相对于RGB摄像头,不仅能在白天拍摄,还能在晚上拍摄,极大的提升了适用范围;且由于门禁设备本身自带红外摄像头,省去了额外的红外传感器,进而降低了人体运动检测的成本;
步骤S20、对各所述图A分别进行均值滤波下采样,得到图B;
步骤S30、分别计算连续的两张所述图B的差分值,得到图C;通过对连续的两张所述图B进行差分计算得到图C,使得图C间灰度值的差别极小,使得短时变化不大的强烈阳光不会产生干扰;
步骤S40、对各所述图C分别进行最大池化下采样,得到图D;
步骤S50、设定一阈值n,基于所述阈值n对连续的图D进行max操作,得到图E;通过最大池化下采样以及max操作,即分别在空间和时间维度上进行max操作,强化了变化的特征,可有效提取人体运动特征;
步骤S60、设定一灰度阈值、创建一滑动窗口,利用所述滑动窗口遍历各图E,计算所述滑动窗口滑动过程中的灰度值之和,基于所述灰度值之和以及灰度阈值进行人体运动检测。具体实施时,可基于各所述灰度值之和创建图F。
所述步骤S20具体包括:
步骤S21、设定一分割尺寸,基于所述分割尺寸将图A不重复的分割成若干块子图A’;
所述图A的高为a1,宽为b1;所述分割尺寸的高为a2,宽为b2;其中a1、a2、b1、b2为大于等于8的正整数;通过设置尺寸较大的所述分割尺寸,并计算分割后的所述子图A’的灰度值的平均值,对图像画面异常扰动有较强的鲁棒性,可有效过滤远处树叶轻微摇晃、风扇转动等异常扰动场景;
步骤S22、计算各所述子图A’的灰度值的平均值;
步骤S23、创建一高为a2/a1,宽为b2/b1的图B,将各所述平均值按子图A’的顺序填充进图B中,完成均值滤波下采样。
所述步骤S30具体为:
分别计算连续的两张所述图B相同坐标像素点的灰度值的绝对差,得到与所述图B相同分辨率的图C:
图Ci=abs(图Bi-图Bi+1),其中i为正整数。
所述步骤S40具体包括:
步骤S41、设定一采样尺寸,基于所述采样尺寸将图C不重复的分割成若干块子图C’;
所述采样尺寸的高为a3,宽为b3;其中a3小于a2/a1、b3小于b2/b1,且均为正整数;
步骤S42、对各所述子图C’进行最大池化计算,得到池化值;
步骤S43、创建一高为a2/(a1*a3*2),宽为b2/(b1*b3*2)的图D,将各所述池化值按子图C’的顺序填充进图D中,完成最大池化下采样。
所述步骤S50具体为:
设定一阈值n,按顺序依次从连续的n张所述图D中,选取灰度值之和最大的所述图D作为图E:
图Ei=max{图Di,图Di+1,……,图Di+n-1},其中i为正整数。
所述步骤S50中,所述n的取值范围为[3,7]。
所述步骤S60中,所述基于所述灰度值之和以及灰度阈值进行人体运动检测具体为:
判断所述灰度值之和是否大于灰度阈值,若是,说明存在人体运动;若否,说明不存在人体运动。
所述步骤S60中,所述滑动窗口的高大于宽;通过设置所述滑动窗口的高大于宽,即基于人体区域形状进行区分,因车辆的形状为扁的矩形,能有效过滤车辆路过产生的抖动,最终极大的提升了人体运动检测的精度。
本发明一种基于红外摄像头的人体运动检测方法的较佳实施例之二,包括如下步骤:
步骤S10、实时获取红外摄像头拍摄的视频帧,并将各所述视频帧转换为灰度图,记为图A;所述图A的高为480,宽为640;
步骤S20、对各所述图A分别进行均值滤波下采样,得到图B;所述图A的高为48,宽为64;
步骤S30、分别计算连续的两张所述图B相同坐标像素点的灰度值的绝对差,得到与所述图B相同分辨率的图C:
图Ci=abs(图Bi-图Bi+1),其中i为正整数;
步骤S40、对各所述图C分别进行最大池化下采样,得到图D;所述图D的高为12,宽为16;
步骤S50、按顺序依次从连续的5张所述图D中,选取灰度值之和最大的所述图D作为图E:
图Ei=max{图Di,图Di+1,图Di+2,图Di+3,图Di+4},其中i为正整数;
步骤S60、设定一灰度阈值、创建一高为8,宽为4的滑动窗口,利用所述滑动窗口遍历各图E,计算所述滑动窗口滑动过程中的灰度值之和,判断所述灰度值之和是否大于灰度阈值,若是,说明存在人体运动;若否,说明不存在人体运动。
可基于各所述灰度值之和创建一高为5,宽为13的图F,通过判断图F中是否存在大于所述灰度阈值的像素点即可判断是否存在人体运动。
所述步骤S20具体包括:
步骤S21、设定一大小为10*10的分割尺寸,基于所述分割尺寸将图A不重复的分割成若干块子图A’;
步骤S22、计算各所述子图A’的灰度值的平均值;
步骤S23、创建一高为48,宽为64的图B,将各所述平均值按子图A’的顺序填充进图B中,完成均值滤波下采样。
所述步骤S40具体包括:
步骤S41、设定一大小为2*2的采样尺寸,基于所述采样尺寸将图C不重复的分割成若干块子图C’;
步骤S42、对各所述子图C’进行最大池化计算,得到池化值;
步骤S43、创建一高为12,宽为16的图D,将各所述池化值按子图C’的顺序填充进图D中,完成最大池化下采样。
综上所述,本发明的优点在于:
1、通过对连续的两张所述图B进行差分计算得到图C,使得图C间灰度值的差别极小,使得短时变化不大的强烈阳光不会产生干扰;通过设置尺寸较大的所述分割尺寸,并计算分割后的所述子图A’的灰度值的平均值,对图像画面异常扰动有较强的鲁棒性,可有效过滤远处树叶轻微摇晃、风扇转动等异常扰动场景;通过最大池化下采样以及max操作,即分别在空间和时间维度上进行max操作,强化了变化的特征,可有效提取人体运动特征;通过设置所述滑动窗口的高大于宽,即基于人体区域形状进行区分,因车辆的形状为扁的矩形,能有效过滤车辆路过产生的抖动,最终极大的提升了人体运动检测的精度。
2、通过红外摄像头拍摄视频,由于存在红外补光,相对于RGB摄像头,不仅能在白天拍摄,还能在晚上拍摄,极大的提升了适用范围。
3、通过红外摄像头进行人体运动检测,由于门禁设备本身自带红外摄像头和RGB摄像头,即省去了额外的红外传感器,进而降低了人体运动检测的成本。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (8)
1.一种基于红外摄像头的人体运动检测方法,其特征在于:包括如下步骤:
步骤S10、实时获取红外摄像头拍摄的视频帧,并将各所述视频帧转换为灰度图,记为图A;
步骤S20、对各所述图A分别进行均值滤波下采样,得到图B;
步骤S30、分别计算连续的两张所述图B的差分值,得到图C;
步骤S40、对各所述图C分别进行最大池化下采样,得到图D;
步骤S50、设定一阈值n,基于所述阈值n对连续的图D进行max操作,得到图E;
步骤S60、设定一灰度阈值、创建一滑动窗口,利用所述滑动窗口遍历各图E,计算所述滑动窗口滑动过程中的灰度值之和,基于所述灰度值之和以及灰度阈值进行人体运动检测。
2.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S20具体包括:
步骤S21、设定一分割尺寸,基于所述分割尺寸将图A不重复的分割成若干块子图A’;
所述图A的高为a1,宽为b1;所述分割尺寸的高为a2,宽为b2;其中a1、a2、b1、b2为大于等于8的正整数;
步骤S22、计算各所述子图A’的灰度值的平均值;
步骤S23、创建一高为a2/a1,宽为b2/b1的图B,将各所述平均值按子图A’的顺序填充进图B中,完成均值滤波下采样。
3.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S30具体为:
分别计算连续的两张所述图B相同坐标像素点的灰度值的绝对差,得到与所述图B相同分辨率的图C:
图Ci=abs(图Bi-图Bi+1),其中i为正整数。
4.如权利要求2所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S40具体包括:
步骤S41、设定一采样尺寸,基于所述采样尺寸将图C不重复的分割成若干块子图C’;
所述采样尺寸的高为a3,宽为b3;其中a3小于a2/a1、b3小于b2/b1,且均为正整数;
步骤S42、对各所述子图C’进行最大池化计算,得到池化值;
步骤S43、创建一高为a2/(a1*a3*2),宽为b2/(b1*b3*2)的图D,将各所述池化值按子图C’的顺序填充进图D中,完成最大池化下采样。
5.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S50具体为:
设定一阈值n,按顺序依次从连续的n张所述图D中,选取灰度值之和最大的所述图D作为图E:
图Ei=max{图Di,图Di+1,……,图Di+n-1},其中i为正整数。
6.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S50中,所述n的取值范围为[3,7]。
7.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S60中,所述基于所述灰度值之和以及灰度阈值进行人体运动检测具体为:
判断所述灰度值之和是否大于灰度阈值,若是,说明存在人体运动;若否,说明不存在人体运动。
8.如权利要求1所述的一种基于红外摄像头的人体运动检测方法,其特征在于:所述步骤S60中,所述滑动窗口的高大于宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200082.4A CN113111699B (zh) | 2021-02-23 | 2021-02-23 | 一种基于红外摄像头的人体运动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200082.4A CN113111699B (zh) | 2021-02-23 | 2021-02-23 | 一种基于红外摄像头的人体运动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111699A CN113111699A (zh) | 2021-07-13 |
CN113111699B true CN113111699B (zh) | 2023-11-14 |
Family
ID=76709955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200082.4A Active CN113111699B (zh) | 2021-02-23 | 2021-02-23 | 一种基于红外摄像头的人体运动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111699B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03138595A (ja) * | 1989-10-25 | 1991-06-12 | Ikegami Tsushinki Co Ltd | 監視システム |
CN106875391A (zh) * | 2017-03-02 | 2017-06-20 | 深圳可思美科技有限公司 | 皮肤图像的识别方法及电子设备 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN111242983A (zh) * | 2020-01-22 | 2020-06-05 | 兰州大学 | 一种采用统计意义背景减除法的运动目标检测方法 |
CN111815662A (zh) * | 2019-04-11 | 2020-10-23 | 上海集森电器有限公司 | 一种基于人脸检测的行为识别实现方法 |
-
2021
- 2021-02-23 CN CN202110200082.4A patent/CN113111699B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03138595A (ja) * | 1989-10-25 | 1991-06-12 | Ikegami Tsushinki Co Ltd | 監視システム |
CN106875391A (zh) * | 2017-03-02 | 2017-06-20 | 深圳可思美科技有限公司 | 皮肤图像的识别方法及电子设备 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN111815662A (zh) * | 2019-04-11 | 2020-10-23 | 上海集森电器有限公司 | 一种基于人脸检测的行为识别实现方法 |
CN111242983A (zh) * | 2020-01-22 | 2020-06-05 | 兰州大学 | 一种采用统计意义背景减除法的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
视频图像序列中人体目标的提取与跟踪;曹丽武;;计算机与数字工程(03);第125-127页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111699A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539273B (zh) | 一种交通视频背景建模方法及系统 | |
CN108596169B (zh) | 基于视频流图像的分块信号转换与目标检测方法及装置 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
Singh et al. | Dehazing of outdoor images using notch based integral guided filter | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
CN112800860A (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
US20230394829A1 (en) | Methods, systems, and computer-readable storage mediums for detecting a state of a signal light | |
CN114627150A (zh) | 基于事件相机的数据处理及运动估计方法及装置 | |
US20160035107A1 (en) | Moving object detection | |
CN112241745A (zh) | 一种基于光照不变颜色空间的特征点提取方法 | |
Liu et al. | Single image haze removal via depth-based contrast stretching transform | |
Angelo | A novel approach on object detection and tracking using adaptive background subtraction method | |
CN115063331A (zh) | 基于多尺度块lbp算子无鬼影多曝光图像融合算法 | |
CN114757977A (zh) | 融合改进光流和目标检测网络的移动物体轨迹提取方法 | |
Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
Lv et al. | Two adaptive enhancement algorithms for high gray-scale RAW infrared images based on multi-scale fusion and chromatographic remapping | |
CN111667498B (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
CN113111699B (zh) | 一种基于红外摄像头的人体运动检测方法 | |
JPH07249128A (ja) | 車両用画像処理装置 | |
Chandrasekhar et al. | A survey of techniques for background subtraction and traffic analysis on surveillance video | |
CN115690190A (zh) | 基于光流图像和小孔成像的运动目标检测与定位方法 |
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 |