CN113362375A - 用于车辆的运动目标检测方法 - Google Patents
用于车辆的运动目标检测方法 Download PDFInfo
- Publication number
- CN113362375A CN113362375A CN202110663381.1A CN202110663381A CN113362375A CN 113362375 A CN113362375 A CN 113362375A CN 202110663381 A CN202110663381 A CN 202110663381A CN 113362375 A CN113362375 A CN 113362375A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- moving object
- image
- value
- binary 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 30
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 20
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 27
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000005286 illumination Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于车辆的运动目标检测方法，包括读取交通监控视频数据Q中连续的三帧图像，利用三帧差分法获取运动目标A,再通过Canny算法边缘检测，连通域填充，形态学处理获取运动目标二值图像D2k；同时使用高斯混合模型对交通监控视频数据Q的背景图像进行建模得到运动目标B，再利用高斯滤波和中值滤波进行滤波处理，最后采用数学形态学处理得到运动目标二值图像D1k；对得到的运动目标D2k与得到的运动目标D1k进行逻辑“与”运算得到Dk，Dk经过形态学处理，最终获取检测的运动目标。
Description
技术领域
本发明涉及车辆领域，具体的说，是涉及一种用于车辆的运动目标检测方法。
背景技术
运动目标检测，是目前研究的重点领域，也是当下计算机领域基础研究之一。不管是在民用领域上还是在军事领域上都有很广的应用。其主要的任务是把图像中的前景目标即运动目标从图像的背景中进行分离，进而得到需要的运动目标信息。
而用于汽车的目标检测方法也是一直以来各个学者研究的热门领域。目前，大量的研究学者提出了自己新的算法，绝大多数是根据经典算法来改进的，例如：背景差分法，虽然算法简单，实现容易，但是不适于运动的摄像头和对背景图像进行更新困难；帧间差分法实时性好，时间复杂度低，不易受环境光线影响，但对变化小的像素点难以进行检测，还会出现“空洞”的情况。码本算法能够适应移动和光照缓慢变化的场景，且有较好的鲁棒性，不过需要对背景进行学习建模，因此，时间耗费长，且有“鬼影”伴随出现。混合高斯建模利用对像素点建模从而可以很好的避免复杂背景带来的噪声干扰，例如光照的变化、相机的移动等情况，但是计算过程中容易产生一些孤立的噪声，计算量比较大，时间消耗多。
发明内容
针对上述现有技术中的不足，本发明提供一种能够有效消除前景检测带来的噪声和“空洞”，而且还能有效避免产生的“阴影”的用于车辆的运动目标检测方法。
本发明所采取的技术方案是：
一种用于车辆的运动目标检测方法，
步骤1：获取十字路口交通监控视频数据；
步骤2：读取视频中连续的三帧图像，利用三帧差分法获取汽车运动目标A，再经过Canny算法边缘检测，连通域填充，形态学处理获取运动目标D2k；
步骤3：与步骤2同步进行，读取视频图像，进行混合高斯背景建模，再利用高斯滤波和中值滤波去除干扰，获取运动目标D1k；
步骤4：将步骤2得到的运动目标D2k与步骤3得到的运动目标D1k进行逻辑“与”运算得到Dk，Dk经过形态学处理，最终获取检测的运动目标。
优选的，所述步骤2中按照以下步骤进行三帧差分法：
第一步读取视频序列中连续的三帧图像Ik-1，Ik，Ik+1，将其处理成灰度图像，分别计算连续两帧图像的差值图像d1(i,i-1)和d2(i+1,i)，以下是差分的公式，如下所示：
第二步对差分运算的图像进行二值化处理，如下所示：
式中，设定 T为二值化的阈值，b(x,y)为二值化之后的图像；
第三步将计算后的二值化图像做逻辑“与”运算，得到Ii(x,y)的二值图像，如下面的公式所示：
优选的，将得到的二值图像进行Canny算子边缘检测与连通域填充得到填充后的二值图像，具体步骤如下：
a)对输入图像进行高斯平滑，降低错误率。
b)计算梯度幅度和方向来估计每一点处的边缘强度与方向。
c)根据梯度方向，对梯度幅值进行非极大值抑制。
d)用双阈值处理和连接边缘。
将得到的二值图像进行形态学处理，最终获取视频中的运动目标A，具体步骤如下：
首先将得到的二值图像进行形态学处理，先进行腐蚀处理，然后再进行膨胀运算；使用结构元素B对A进行开运算，记作A o B,可表示为：
优选的，步骤3中按照以下步骤进行三帧差分混合高背景建模：
混合高斯背景建模方法用K个高斯分布的混合来模拟每个像素的强度；
某个像素在时间t具有Xt值的概率可以表示为:
其中，k代表分布的数量，Wk,t是时间t混合模型中第K个权重，而η(Xt,uk,t,∑k,t)是概率密度函数；
其中uk,t是第K个分布在时间t上的平均值，∑k,t是第K个分布的在时间t上的协方差；为了计算的方便，假设协方差矩阵具有以下形式：
K个高斯表示模型按照w/σ的值进行排序，然后用第一个B分布来作为背景模型，如下式所示：
每个新的像素值Xt依次与现有的K高斯分布进行匹配对照，按照匹配原则进行寻找，直到找到相匹配的为止；
匹配原则被定义为分布的2.5个以内的像素值；
而未被匹配的高斯分布只进行权重w的更新，这样就实现了在线K均值的近似更新；
参数更新按照如下所示的公式进行：
上式中yes表示找到可匹配的高斯模型，no表示没有寻找到可匹配的模型。
如果未找到相匹配的，则最后的分布设定为新的高斯分布，其中当前值为其均值，初始为高方差和低权重参数。
优选的，将混合高斯背景建模得到的二值图像进行高斯滤波，能够有效抑制噪声，尤其是高斯噪声。其原理是取滤波窗口内像素的均值来作为输出值，高斯滤波器的模板系数是根据距离模板来改变的，离距离模板中心越大，系数就越小；
使用均值为零的二维高斯函数就可得到高斯滤波器模板的系数，公式如下所示：
式中的(x,y)是像素点的坐标；σ为标准差。
将高斯滤波后的二值图像进行中值滤波；
中值滤波可以对图像噪声有效抑制，尤其是对椒盐噪声和点状的噪声，而且还能起到保护图像边缘信息的作用。它能够利用适当的点来替代污染的点，这就是效果比较理想的原因。
中值滤波通过对邻域中的像素点的灰度值大小进行排序，并且选择中间值像素点作为目标像素点输出的像素值；定义如下式所示：
式子中的f(x,y)是输出的像素值；g(x-i,y-j)是输入的像素值；w是模板窗口。
优选的，将高斯模型处理后得到的运动目标D1k与三帧差分法处理后得到的运动目标D2k进行逻辑“与”运算，具体步骤如下：
将得到的Dk经过形态学处理，得到最终的检测目标，具体步骤如下：
首先是对得到的Dk进行形态学膨胀处理，然后再进行腐蚀运算。
例如，结构元素B对A进行闭运算表示为：
本发明相对现有技术的有益效果：
本发明与现有技术相比具有以下优点：
（1）在时间复杂度上，混合高斯模型的时间和本发明的检测时间相近，在3分钟分辨率为320*240的交通监控视频上时间前者用了14秒，后者用了14.3秒，虽然融合了两种不同的算法，但时间上并没有增加。
（2）本发明采用三帧差分与混合高斯模型融合的方式能消除了帧差法在目标前景检测带来的 “空洞”问题（所谓“空洞”就是由于运动物体相邻三帧时常存在重叠的区域，重叠的区域就会识别不出来产生空洞。），本发明是利用canny算子检测出重叠区域产生的‘空洞’区域，并对检测出的“空洞”区域进行连通域填充来使车辆形状更加饱满，轮廓更加清晰，检测结果更加可靠。
（3）本发明采用三帧差分与混合高斯模型融合的方式能消除了混合高斯模型带来的“阴影”（所谓“阴影”就是由于光照等原因导致检测出车辆的“影子”），本发明利用三帧法与混合高斯建模两个二值图像的逻辑“与”来消除“阴影”，信息利用更加充分，检测结果更加准确。
（4）本发明采用三帧差分与混合高斯模型融合的方式既能适应光照变化大场景又能适应因背景的干扰问题如目标前景与背景变化不大，刮风带来的摄像机晃动造成的干扰这种场景，更好的鲁棒性。
附图说明
图1为用于汽车的运动目标检测方法的流程示意图；
图2为用于汽车的运动目标检测方法的三帧差分算法的流程示意图；
图3用于汽车的运动目标检测方法的混合高斯背景建模算法的流程示意图。
具体实施方式
以下参照附图及实施例对本发明进行详细的说明：
如图1所示：一种用于汽车的运动目标检测方法，包括三帧差分法，混合高斯背景建模，Canny算子边缘检测，连通域填充，高斯滤波，中值滤波，形态学处理以及逻辑运算这几部分组成。
附图1-3可知，一种用于车辆的运动目标检测方法，
步骤1：获取十字路口交通监控视频数据；
步骤2：读取视频中连续的三帧图像，利用三帧差分法获取汽车运动目标A，再经过Canny算法边缘检测，连通域填充，形态学处理获取运动目标D2k；
步骤3：与步骤2同步进行，读取视频图像，进行混合高斯背景建模得到运动目标B，再利用高斯滤波和中值滤波去除干扰，获取运动目标D1k；
步骤4：将步骤2得到的运动目标D2k与步骤3得到的运动目标D1k进行逻辑“与”运算得到Dk，Dk经过形态学处理，最终获取检测的运动目标。
所述步骤2中按照以下步骤进行三帧差分法：
第一步读取视频序列中连续的三帧图像Ik-1，Ik，Ik+1，将其处理成灰度图像，分别计算连续两帧图像的差值图像d1(i,i-1)和d2(i+1,i)，以下是差分的公式，如下所示：
第二步对差分运算的图像进行二值化处理，如下所示：
式中，设定 T为二值化的阈值，b(x,y)为二值化之后的图像；
第三步将计算后的二值化图像做逻辑“与”运算，得到Ii(x,y)的二值图像，如下面的公式所示：
将得到的二值图像进行Canny算子边缘检测与连通域填充得到填充后的二值图像，具体步骤如下：
a)对输入图像进行高斯平滑，降低错误率。
b)计算梯度幅度和方向来估计每一点处的边缘强度与方向。
c)根据梯度方向，对梯度幅值进行非极大值抑制。
d)用双阈值处理和连接边缘。
将得到的二值图像进行形态学处理，最终获取视频中的运动目标A，具体步骤如下：
首先将得到的二值图像进行形态学处理，先进行腐蚀处理，然后再进行膨胀运算；使用结构元素B对A进行开运算，记作A o B，可表示为：
步骤3中按照以下步骤进行三帧差分混合高背景建模：
混合高斯背景建模方法用K个高斯分布的混合来模拟每个像素的强度；
某个像素在时间t具有Xt值的概率可以表示为：
其中，k代表分布的数量，Wk,t是时间t混合模型中第K个权重，而η(Xt,uk,t,∑k,t)是概率密度函数；
其中uk,t是第K个分布在时间t上的平均值，∑k,t是第K个分布的在时间t上的协方差；为了计算的方便，假设协方差矩阵具有以下形式：
K个高斯表示模型按照w/σ的值进行排序，然后用第一个B分布来作为背景模型，如下式所示：
每个新的像素值Xt依次与现有的K高斯分布进行匹配对照，按照匹配原则进行寻找，直到找到相匹配的为止；
匹配原则被定义为分布的2.5个以内的像素值；
而未被匹配的高斯分布只进行权重w的更新，这样就实现了在线K均值的近似更新；
参数更新按照如下所示的公式进行：
上式中yes表示找到可匹配的高斯模型，no表示没有寻找到可匹配的模型。
如果未找到相匹配的，则最后的分布设定为新的高斯分布，其中当前值为其均值，初始为高方差和低权重参数。
将混合高斯背景建模得到的二值图像进行高斯滤波，能够有效抑制噪声，尤其是高斯噪声。其原理是取滤波窗口内像素的均值来作为输出值，高斯滤波器的模板系数是根据距离模板来改变的，离距离模板中心越大，系数就越小；
使用均值为零的二维高斯函数就可得到高斯滤波器模板的系数，公式如下所示：
式中的(x,y)是像素点的坐标；σ为标准差。
将高斯滤波后的二值图像进行中值滤波；
中值滤波可以对图像噪声有效抑制，尤其是对椒盐噪声和点状的噪声，而且还能起到保护图像边缘信息的作用。它能够利用适当的点来替代污染的点，这就是效果比较理想的原因。
中值滤波通过对邻域中的像素点的灰度值大小进行排序，并且选择中间值像素点作为目标像素点输出的像素值；定义如下式所示：
式子中的f(x,y)是输出的像素值；g(x-i,y-j)是输入的像素值；w是模板窗口。
优选的，将高斯模型处理后得到的运动目标D1k与三帧差分法处理后得到的运动目标D2k进行逻辑“与”运算，具体步骤如下：
将得到的Dk经过形态学处理，得到最终的检测目标，具体步骤如下：
首先是对得到的Dk进行形态学膨胀处理，然后再进行腐蚀运算。
例如，结构元素B对A进行闭运算表示为：
本发明用于车辆的运动目标检测方法，整体检测效果要好于帧差法以及混合高斯背景建模，其方法的检测时间跟混合高斯背景建模差不多；融合算法能够适应各种复杂的路况，能去除帧差法在目标前景检测带来的噪声和“空洞”问题，还能将高斯模型产生的“阴影”有效的避免。
以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。
Claims (6)
1.一种用于车辆的运动目标检测方法，其特征在于，
步骤1：获取十字路口交通监控视频数据Q；
步骤2：读取视频中连续的三帧图像，利用三帧差分法获取运动目标A，再经过Canny算法边缘检测，连通域填充，形态学处理获取运动目标二值图像D2k；
步骤3：与步骤2同步进行，读取交通监控视频图像，进行混合高斯背景建模得到运动目标B，再利用高斯滤波和中值滤波去除干扰，获取运动目标二值图像D1k；
步骤4：将步骤2得到的运动目标D2k与步骤3得到的运动目标D1k进行逻辑“与”运算得到Dk，Dk经过形态学处理，最终获取检测的运动目标。
2.根据权利要求1所述用于车辆的运动目标检测方法，其特征在于：所述步骤2中按照以下步骤进行三帧差分法：
第一步读取视频序列中连续的三帧图像Ik-1，Ik，Ik+1，将其处理成灰度图像，分别计算连续两帧图像的差值图像d1(i,i-1)和d2(i+1,i)，以下是差分的公式，如下所示：
第二步对差分运算的图像进行二值化处理，如下所示：
式中，设定 T为二值化的阈值，b(x,y)为二值化之后的图像；
第三步将计算后的二值化图像做逻辑“与”运算，得到Ii(x,y)的二值图像，如下面的公式所示：
3.根据权利要求2所述用于车辆的运动目标检测方法，其特征在于：
将得到的二值图像进行Canny算子边缘检测与连通域填充得到填充后的二值图像，具体步骤如下：
对输入图像进行高斯平滑，降低错误率；
计算梯度幅度和方向来估计每一点处的边缘强度与方向；
根据梯度方向，对梯度幅值进行非极大值抑制；
用双阈值处理和连接边缘；
将得到的二值图像进行形态学处理，最终获取视频中的运动目标A，具体步骤如下：
首先将得到的二值图像进行形态学处理，先进行腐蚀处理，然后再进行膨胀运算；使用结构元素B对A进行开运算，记作A o B，可表示为：
4.根据权利要求1所述用于车辆的运动目标检测方法，其特征在于：步骤3中按照以下步骤进行三帧差分混合高背景建模：
混合高斯背景建模方法用K个高斯分布的混合来模拟每个像素的强度；
某个像素在时间t具有Xt值的概率可以表示为:
其中，k代表分布的数量，Wk,t是时间t混合模型中第K个权重，而η(Xt,uk,t,∑k,t)是概率密度函数；
其中uk,t是第K个分布在时间t上的平均值，∑k,t是第K个分布的在时间t上的协方差；协方差矩阵具有以下形式：
K个高斯表示模型按照w/σ的值进行排序，然后用第一个B分布来作为背景模型，如下式所示：
每个新的像素值Xt依次与现有的K高斯分布进行匹配对照，按照匹配原则进行寻找，直到找到相匹配的为止；
匹配原则被定义为分布的2.5个以内的像素值；
而未被匹配的高斯分布只进行权重w的更新，这样就实现了在线K均值的近似更新；
参数更新按照如下所示的公式进行：
上式中yes表示找到可匹配的高斯模型，no表示没有寻找到可匹配的模型；
如果未找到相匹配的，则最后的分布设定为新的高斯分布，其中当前值为其均值，初始为高方差和低权重参数。
5.根据权利要求4所述用于车辆的运动目标检测方法，其特征在于：
将混合高斯背景建模得到的二值图像进行高斯滤波，能够有效抑制噪声，尤其是高斯噪声；其原理是取滤波窗口内像素的均值来作为输出值，高斯滤波器的模板系数是根据距离模板来改变的，离距离模板中心越大，系数就越小；
使用均值为零的二维高斯函数就可得到高斯滤波器模板的系数，公式如下所示：
式中的(x,y)是像素点的坐标；σ为标准差；
将高斯滤波后的二值图像进行中值滤波；
中值滤波通过对邻域中的像素点的灰度值大小进行排序，并且选择中间值像素点作为目标像素点输出的像素值；定义如下式所示：
式子中的f(x,y)是输出的像素值；g(x-i,y-j)是输入的像素值；w是模板窗口。
6.根据权利要求1所述用于车辆的运动目标检测方法，其特征在于：
将高斯模型处理后得到的运动目标D1k与三帧差分法处理后得到的运动目标D2k进行逻辑“与”运算，具体步骤如下：
将得到的Dk经过形态学处理，得到最终的检测目标，具体步骤如下：
首先是对得到的Dk进行形态学膨胀处理，然后再进行腐蚀运算;结构元素B对A进行闭运算表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663381.1A CN113362375A (zh) | 2021-06-16 | 2021-06-16 | 用于车辆的运动目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663381.1A CN113362375A (zh) | 2021-06-16 | 2021-06-16 | 用于车辆的运动目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362375A true CN113362375A (zh) | 2021-09-07 |
Family
ID=77534408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110663381.1A Pending CN113362375A (zh) | 2021-06-16 | 2021-06-16 | 用于车辆的运动目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362375A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886935A (zh) * | 2019-01-28 | 2019-06-14 | 南京威翔科技有限公司 | 一种基于深度学习的道面异物检测方法 |
| CN114663841A (zh) * | 2022-05-23 | 2022-06-24 | 安徽送变电工程有限公司 | 基于深度学习的移动目标识别方法及系统 |
| CN114972276A (zh) * | 2022-06-05 | 2022-08-30 | 长沙烽铭智能科技有限公司 | 一种车辆自动驾驶距离判断算法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258332A (zh) * | 2013-05-24 | 2013-08-21 | 浙江工商大学 | 一种抗光照变化的运动目标检测方法 |
| CN105303562A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于c-均值聚类法的运动目标检测方法 |
| CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
| CN107507221A (zh) * | 2017-07-28 | 2017-12-22 | 天津大学 | 结合帧差法和混合高斯模型的运动目标检测与跟踪方法 |
| CN109919964A (zh) * | 2019-03-01 | 2019-06-21 | 南阳理工学院 | 基于数学形态学的高斯背景建模技术进行图像处理的方法 |
| CN111640082A (zh) * | 2020-06-09 | 2020-09-08 | 南京信息工程大学 | 一种基于高斯混合模型与暗通道理论的水下图像恢复方法 |
| CN112036254A (zh) * | 2020-08-07 | 2020-12-04 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
-
2021
- 2021-06-16 CN CN202110663381.1A patent/CN113362375A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258332A (zh) * | 2013-05-24 | 2013-08-21 | 浙江工商大学 | 一种抗光照变化的运动目标检测方法 |
| CN105303562A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于c-均值聚类法的运动目标检测方法 |
| CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
| CN107507221A (zh) * | 2017-07-28 | 2017-12-22 | 天津大学 | 结合帧差法和混合高斯模型的运动目标检测与跟踪方法 |
| CN109919964A (zh) * | 2019-03-01 | 2019-06-21 | 南阳理工学院 | 基于数学形态学的高斯背景建模技术进行图像处理的方法 |
| CN111640082A (zh) * | 2020-06-09 | 2020-09-08 | 南京信息工程大学 | 一种基于高斯混合模型与暗通道理论的水下图像恢复方法 |
| CN112036254A (zh) * | 2020-08-07 | 2020-12-04 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886935A (zh) * | 2019-01-28 | 2019-06-14 | 南京威翔科技有限公司 | 一种基于深度学习的道面异物检测方法 |
| CN114663841A (zh) * | 2022-05-23 | 2022-06-24 | 安徽送变电工程有限公司 | 基于深度学习的移动目标识别方法及系统 |
| CN114972276A (zh) * | 2022-06-05 | 2022-08-30 | 长沙烽铭智能科技有限公司 | 一种车辆自动驾驶距离判断算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A deep learning based image enhancement approach for autonomous driving at night | |
| CN113362375A (zh) | 用于车辆的运动目标检测方法 | |
| CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
| CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
| Kuanar et al. | Night time haze and glow removal using deep dilated convolutional network | |
| CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
| CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
| CN106846359A (zh) | 基于视频序列的运动目标快速检测方法 | |
| CN109215053B (zh) | 一种无人机航拍视频中含暂停状态的运动车辆检测方法 | |
| 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 | |
| CN105913392A (zh) | 复杂环境下退化图像综合质量提升方法 | |
| CN107507223A (zh) | 动态环境下基于多特征聚类匹配的目标跟踪方法 | |
| CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
| Fan et al. | Multiscale cross-connected dehazing network with scene depth fusion | |
| Cheng et al. | A highway traffic image enhancement algorithm based on improved GAN in complex weather conditions | |
| CN116229359A (zh) | 一种基于改进经典光流法模型的烟雾识别方法 | |
| CN114581914A (zh) | 一种雾霾环境下的车牌识别方法 | |
| Nguyen et al. | UnfairGAN: An enhanced generative adversarial network for raindrop removal from a single image | |
| CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
| CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
| CN107301625B (zh) | 基于亮度融合网络的图像去雾方法 | |
| CN110544216A (zh) | 基于深度学习的视频去雾系统 | |
| Cao et al. | Remote sensing image recovery and enhancement by joint blind denoising and dehazing | |
| CN115719319A (zh) | 一种基于物理先验与深度学习的单幅图像去雾方法 |
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 |