CN113516006A - 一种用于智能机器人的高效信息处理方法及系统 - Google Patents
一种用于智能机器人的高效信息处理方法及系统 Download PDFInfo
- Publication number
- CN113516006A CN113516006A CN202110358038.6A CN202110358038A CN113516006A CN 113516006 A CN113516006 A CN 113516006A CN 202110358038 A CN202110358038 A CN 202110358038A CN 113516006 A CN113516006 A CN 113516006A
- Authority
- CN
- China
- Prior art keywords
- image
- video block
- video
- data
- frame
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于智能机器人的高效信息处理方法及系统,通过将视频数据分割成F个视频块并将各个视频块构建数据矩阵;对数据矩阵中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;从V中删除所有不是关键帧的图像帧得到V1;将视频块连接合并成为压缩视频数据并传输到服务器端;从而快速的并行目标检测,从各个分割的视频数据块中剔除掉非关键帧,并且能够快速的进行图像压缩处理,并且保障了数据后期处理的完整性和高压缩比,与此同时失真度较小,并且处理速度快。
Description
技术领域
本公开属于机器人、信息处理技术领域,具体涉及一种用于智能机器人的高效信息处理方法及系统。
背景技术
智能机器人一般是通过计算机系统与用户进行人机对话、对各种环境中进行信号检测,从而快速的进行控制或者查询操作,自身带有一定的数据运算能量和自动操作功能,可以自动的执行一些基于专家系统的智能数据推送、轨迹生成显示、客服问答,目前智能机器人的发展趋势是人工进行干预控制的场景越来越少,趋向于智能化、网络化,随之带来的信息处理的运算量越来越大,在处理智能机器人的信息系统实时采集的数据流处理方法中,针对实时性和数据的准确性要求越来越高,如果遇到外部的运算请求时进行信息处理,需要快速的实时对进行信息处理结果的反馈,而目前的智能机器人的信息处理速度和准确度显然达不到要求,因此,需要对智能机器人的信息处理方法进行优化和改进,以适应网络化和智能化的高速信息处理环境。
发明内容
本发明的目的在于提出一种用于智能机器人的高效信息处理方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本公开的一方面,提供一种用于智能机器人的高效信息处理方法,所述方法包括以下步骤:
S100,机器人采集视频数据;
S200,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
S300,对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
S400,从V中删除所有不是关键帧的图像帧得到V1;(由于非关键帧一般不用于后续目标检测任务的保存作业,所以删除掉这些部分并不影响视频的完整性);
S500,依次将V1中各个视频块连接合并成为压缩视频数据并将压缩视频数据传输到服务器端。
进一步地,在S100中,机器人为履带式机器人或爬行机器人,通过搭载的摄像头、CCD相机设备采集视频数据。
进一步地,在S200中,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V的方法为:
按照每个视频块包含k帧图像的大小帧图像将视频数据分割成为F个视频块V0到VF-1;
构建视频块矩阵其中,Vij为第i个视频块Vi中第j帧图像,注,如果第F-1个视频块中图像帧不足k-1个,将视频块VF-1,q到VF-1,k-1均以VF-1,q-1填充,即将第F-1个视频块中的第q个图像帧到k-1个图像帧均填充为第F-1个视频块中第q-1个图像帧,其中,q=|mod(G,F)|,G为所有视频块中图像帧的总数,mod为求余函数,i的取值范围为[0,F-1],F为视频块的总数量;j的取值范围为[0,k-1],k为每个视频块中图像帧的数量。
进一步地,在S300中,对数据矩阵F中各个视频块进行目标检测处理任务,计算各个视频块构建数据矩阵V中每个视频块中出现目标的图像帧数量的方法为:
S301,令视频块矩阵其中,Vij为第i个视频块中第j帧图像,注,如果第F-1个视频块中图像帧不足k-1个,则令G为所有视频块中图像帧的总数,将视频块VF-1,q到VF-1,k-1均以VF-1,q-1填充,即将第F-1个视频块中的第q个图像帧到k-1个图像帧均填充为第F-1个视频块中第q-1个图像帧,其中,q=|mod(G,F)|,mod为求余函数,i的取值范围为[0,F-1],F为视频块的总数量;j的取值范围为[0,k-1],k为每个视频块中图像帧的数量;
S302,对数据矩阵F中各个视频块进行目标检测处理任务为通过YOLOv5目标检测算法通过目标图像依次对视频块V0到VF-1中每一帧图像进行目标检测框选出目标图像;
进一步地,在S302中,对数据矩阵F中各个视频块进行目标检测处理任务为通过机器人的多核处理器并行处理各个视频块的目标检测处理任务,即对各个视频块同时执行YOLOv5目标检测算法框选目标图像;
进一步地,在S302中,当YOLOv5目标检测算法检测到视频块中的目标时,标记目标的边界框的信息并在视频块的各个图像帧中以边界框框选出目标图像作为视频块的目标图像;
进一步地,在S302中,YOLOv5目标检测算法中训练YOLOv5使用训练图像为通过PCA降维并提取预设模板图像中的特征作为目标图像,具体包括以下步骤:
对预设模板图像进行归一化处理得到归一化图像;
构建归一化图像的协方差矩阵;
计算协方差矩阵的特征值和相应的特征向量;
选择前K个最大特征值对应的特征向量,其中K≤2;
通过前K个特征向量构建映射矩阵W;
通过映射矩阵W将预设模板图像转换为K维的特征子空间从而得到训练图像;
其中,所述预设模板图像为预存的包括了检测对象的图像,例如包括了人脸、车牌、动物等检测对象的图像;
进一步地,在S302中,YOLOv5算法也可以替换为faster-RCNN,SSD中任意一种目标检测算法。
进一步地,在S300中,视频块的动态阈值的计算方法为:计算视频块的每个图像帧中目标图像的数量,并计算所有图像帧中目标图像的数量的平均值作为该视频块的动态阈值。
进一步地,服务器端为与机器人线缆连接或者无线连接的用于存储数据的服务器。
本发明还提供了一种用于智能机器人的高效信息处理系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
视频数据采集单元,用于通过机器人采集视频数据;
数据矩阵构建单元,用于将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
关键帧标记单元,用于对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
非关键帧去除单元,用于从V中删除所有不是关键帧的图像帧得到V1;
数据处理传输单元,用于依次将V1中各个视频块连接合并成为压缩视频数据并传输到服务器端。
本公开的有益效果为:本发明提供一种用于智能机器人的高效信息处理方法及系统,通过快速的并行目标检测,计算出每个视频流数据中每个视频块的非关键的图像帧,从而从各个分割的视频数据块中剔除掉非关键帧,并且能够快速的进行图像压缩处理,并且保障了数据后期处理的完整性和高压缩比,与此同时失真度较小,并且处理速度快。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种用于智能机器人的高效信息处理方法的流程图;
图2所示为一种用于智能机器人的高效信息处理系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种用于智能机器人的高效信息处理方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种用于智能机器人的高效信息处理方法,所述方法包括以下步骤:
S100,机器人采集视频数据;
S200,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
S300,对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
S400,从V中删除所有不是关键帧的图像帧得到V1;(由于非关键帧一般不用于后续目标检测任务的保存作业,所以删除掉这些部分并不影响视频的完整性);
S500,依次将V1中各个视频块连接合并成为压缩视频数据并将压缩视频数据传输到服务器端。
进一步地,在S100中,机器人为履带式机器人或爬行机器人,通过搭载的摄像头、CCD相机设备采集视频数据。
进一步地,在S200中,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V的方法为:
按照每个视频块包含k帧图像的大小帧图像将视频数据分割成为F个视频块V0到VF-1;
构建视频块矩阵其中,Vij为第i个视频块Vi中第j帧图像,注,如果第F-1个视频块中图像帧不足k-1个,将视频块VF-1,q到VF-1,k-1均以VF-1,q-1填充,即将第F-1个视频块中的第q个图像帧到k-1个图像帧均填充为第F-1个视频块中第q-1个图像帧,其中,q=|mod(G,F)|,G为所有视频块中图像帧的总数,mod为求余函数,i的取值范围为[0,F-1],F为视频块的总数量;j的取值范围为[0,k-1],k为每个视频块中图像帧的数量。
进一步地,在S300中,对数据矩阵F中各个视频块进行目标检测处理任务,计算各个视频块构建数据矩阵V中每个视频块中出现目标的图像帧数量的方法为:
S301,令视频块矩阵其中,Vij为第i个视频块中第j帧图像,注,如果第F-1个视频块中图像帧不足k-1个,则令G为所有视频块中图像帧的总数,将视频块VF-1,q到V F-1,k-1均以VF-1,q-1填充,即将第F-1个视频块中的第q个图像帧到k-1个图像帧均填充为第F-1个视频块中第q-1个图像帧,其中,q=|mod(G,F)|,mod为求余函数,i的取值范围为[0,F-1],F为视频块的总数量;j的取值范围为[0,k-1],k为每个视频块中图像帧的数量;
S302,对数据矩阵F中各个视频块进行目标检测处理任务为通过YOLOv5目标检测算法通过目标图像依次对视频块V0到VF-1中每一帧图像进行目标检测框选出目标图像;
进一步地,在S302中,对数据矩阵F中各个视频块进行目标检测处理任务为通过机器人的多核处理器并行处理各个视频块的目标检测处理任务,即对各个视频块同时执行YOLOv5目标检测算法框选目标图像;
进一步地,在S302中,当YOLOv5目标检测算法检测到视频块中的目标时,标记目标的边界框的信息并在视频块的各个图像帧中以边界框框选出目标图像作为视频块的目标图像;
进一步地,在S302中,YOLOv5目标检测算法中训练YOLOv5使用训练图像为通过PCA降维并提取预设模板图像中的特征作为目标图像,具体包括以下步骤:
对预设模板图像进行归一化处理得到归一化图像;
构建归一化图像的协方差矩阵;
计算协方差矩阵的特征值和相应的特征向量;
选择前K个最大特征值对应的特征向量,其中K≤2;
通过前K个特征向量构建映射矩阵W;
通过映射矩阵W将预设模板图像转换为K维的特征子空间从而得到训练图像;
其中,所述预设模板图像为预存的包括了检测对象的图像,例如包括了人脸、车牌、动物等检测对象的图像;
进一步地,在S302中,YOLOv5算法也可以替换为faster-RCNN,SSD中任意一种目标检测算法。
进一步地,在S300中,视频块的动态阈值的计算方法为:计算视频块的每个图像帧中目标图像的数量,并计算所有图像帧中目标图像的数量的平均值作为该视频块的动态阈值。
进一步地,服务器端为与机器人线缆连接或者无线连接的用于存储数据的服务器。
本公开的实施例提供的一种用于智能机器人的高效信息处理系统,如图2所示为本公开的一种用于智能机器人的高效信息处理系统结构图,该实施例的一种用于智能机器人的高效信息处理系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种用于智能机器人的高效信息处理系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
视频数据采集单元,用于通过机器人采集视频数据;
数据矩阵构建单元,用于将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
关键帧标记单元,用于对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
非关键帧去除单元,用于从V中删除所有不是关键帧的图像帧得到V1;
数据处理传输单元,用于依次将V1中各个视频块连接合并成为压缩视频数据并传输到服务器端。
所述一种用于智能机器人的高效信息处理系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种用于智能机器人的高效信息处理系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种用于智能机器人的高效信息处理系统的示例,并不构成对一种用于智能机器人的高效信息处理系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种用于智能机器人的高效信息处理系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种用于智能机器人的高效信息处理系统运行系统的控制中心,利用各种接口和线路连接整个一种用于智能机器人的高效信息处理系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种用于智能机器人的高效信息处理系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.一种用于智能机器人的高效信息处理方法,其特征在于,所述方法包括以下步骤:
S100,机器人采集视频数据;
S200,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
S300,对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
S400,从V中删除所有不是关键帧的图像帧得到V1;
S500,依次将V1中各个视频块连接合并成为压缩视频数据并传输到服务器端。
2.根据权利要求1所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S100中,机器人为履带式机器人或爬行机器人,通过搭载的摄像头、CCD相机设备采集视频数据。
3.根据权利要求1所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S200中,将视频数据分割成F个视频块并将各个视频块构建数据矩阵V的方法为:
按照每个视频块包含k帧图像的大小帧图像将视频数据分割成为F个视频块V0到VF-1;
4.根据权利要求3所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S300中,对数据矩阵F中各个视频块进行目标检测处理任务,计算各个视频块构建数据矩阵V中每个视频块中出现目标的图像帧数量的方法为:
S301,令视频块矩阵其中,Vij为第i个视频块中第j帧图像,注,如果第F-1个视频块中图像帧不足k-1个,则令G为所有视频块中图像帧的总数,将视频块VF-1,q到VF-1,k-1均以VF-1,q-1填充,即将第F-1个视频块中的第q个图像帧到k-1个图像帧均填充为第F-1个视频块中第q-1个图像帧,q=|mod(G,F)|,mod为求余函数,i的取值范围为[0,F-1],F为视频块的总数量;j的取值范围为[0,k-1],k为每个视频块中图像帧的数量;
S302,对数据矩阵F中各个视频块进行目标检测处理任务为通过YOLOv5目标检测算法通过目标图像依次对视频块V0到VF-1中每一帧图像进行目标检测框选出目标图像。
5.根据权利要求4所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S302中,对数据矩阵F中各个视频块进行目标检测处理任务为通过机器人的多核处理器并行处理各个视频块的目标检测处理任务,即对各个视频块同时执行YOLOv5目标检测算法框选目标图像;当YOLOv5目标检测算法检测到视频块中的目标时,标记目标的边界框的信息并在视频块的各个图像帧中以边界框框选出目标图像作为视频块的目标图像;
其中,YOLOv5目标检测算法中训练YOLOv5使用训练图像为通过PCA降维并提取预设模板图像中的特征作为目标图像,具体包括以下步骤:
对预设模板图像进行归一化处理得到归一化图像;
构建归一化图像的协方差矩阵;
计算协方差矩阵的特征值和相应的特征向量;
选择前K个最大特征值对应的特征向量,其中K≤2;
通过前K个特征向量构建映射矩阵W;
通过映射矩阵W将预设模板图像转换为K维的特征子空间从而得到训练图像;
其中,所述预设模板图像为预存的包括了检测对象的图像,包括了人脸、车牌、动物中任意一种或多种检测对象的图像。
6.根据权利要求5所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S302中,YOLOv5算法也可以替换为faster-RCNN,SSD中任意一种目标检测算法。
7.根据权利要求1所述的一种用于智能机器人的高效信息处理方法,其特征在于,在S300中,视频块的动态阈值的计算方法为:计算视频块的每个图像帧中目标图像的数量,并计算所有图像帧中目标图像的数量的平均值作为该视频块的动态阈值。
8.一种用于智能机器人的高效信息处理系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
视频数据采集单元,用于通过机器人采集视频数据;
数据矩阵构建单元,用于将视频数据分割成F个视频块并将各个视频块构建数据矩阵V;
关键帧标记单元,用于对数据矩阵F中各个视频块进行目标检测处理任务,标记各个视频块构建数据矩阵V中每个视频块的图像帧中框选出的目标图像的数量超过该视频块的动态阈值的图像帧为关键帧;
非关键帧去除单元,用于从V中删除所有不是关键帧的图像帧得到V1;
数据处理传输单元,用于依次将V1中各个视频块连接合并成为压缩视频数据并传输到服务器端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358038.6A CN113516006A (zh) | 2021-04-01 | 2021-04-01 | 一种用于智能机器人的高效信息处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358038.6A CN113516006A (zh) | 2021-04-01 | 2021-04-01 | 一种用于智能机器人的高效信息处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516006A true CN113516006A (zh) | 2021-10-19 |
Family
ID=78062167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358038.6A Pending CN113516006A (zh) | 2021-04-01 | 2021-04-01 | 一种用于智能机器人的高效信息处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516006A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363344A (zh) * | 2022-01-04 | 2022-04-15 | 保利和悦生活科技服务有限公司 | 一种基于云计算的智能化社区服务管理方法及系统 |
CN115604462A (zh) * | 2022-09-07 | 2023-01-13 | 天津市国瑞数码安全系统股份有限公司(Cn) | 一种应用成分分析的视频压缩方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646312A (zh) * | 2012-05-11 | 2012-08-22 | 武汉大学 | 一种适于分布式并行处理的森林烟火监测识别方法 |
CN103686345A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种基于数字信号处理器的视频内容比对方法 |
CN104519323A (zh) * | 2014-12-26 | 2015-04-15 | 桂林远望智能通信科技有限公司 | 一种人车目标分类系统和方法 |
WO2016041311A1 (zh) * | 2014-09-17 | 2016-03-24 | 小米科技有限责任公司 | 视频浏览方法及装置 |
CN110427800A (zh) * | 2019-06-17 | 2019-11-08 | 平安科技(深圳)有限公司 | 视频物体加速检测方法、装置、服务器及存储介质 |
CN110970056A (zh) * | 2019-11-18 | 2020-04-07 | 清华大学 | 一种从视频中分离音源的方法 |
CN111105382A (zh) * | 2019-12-31 | 2020-05-05 | 北京大学 | 视频修复方法 |
CN111144376A (zh) * | 2019-12-31 | 2020-05-12 | 华南理工大学 | 视频目标检测特征提取方法 |
CN112272305A (zh) * | 2020-09-28 | 2021-01-26 | 天下秀广告有限公司 | 一种多路实时交互视频缓存存储方法 |
-
2021
- 2021-04-01 CN CN202110358038.6A patent/CN113516006A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646312A (zh) * | 2012-05-11 | 2012-08-22 | 武汉大学 | 一种适于分布式并行处理的森林烟火监测识别方法 |
CN103686345A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种基于数字信号处理器的视频内容比对方法 |
WO2016041311A1 (zh) * | 2014-09-17 | 2016-03-24 | 小米科技有限责任公司 | 视频浏览方法及装置 |
CN104519323A (zh) * | 2014-12-26 | 2015-04-15 | 桂林远望智能通信科技有限公司 | 一种人车目标分类系统和方法 |
CN110427800A (zh) * | 2019-06-17 | 2019-11-08 | 平安科技(深圳)有限公司 | 视频物体加速检测方法、装置、服务器及存储介质 |
CN110970056A (zh) * | 2019-11-18 | 2020-04-07 | 清华大学 | 一种从视频中分离音源的方法 |
CN111105382A (zh) * | 2019-12-31 | 2020-05-05 | 北京大学 | 视频修复方法 |
CN111144376A (zh) * | 2019-12-31 | 2020-05-12 | 华南理工大学 | 视频目标检测特征提取方法 |
CN112272305A (zh) * | 2020-09-28 | 2021-01-26 | 天下秀广告有限公司 | 一种多路实时交互视频缓存存储方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363344A (zh) * | 2022-01-04 | 2022-04-15 | 保利和悦生活科技服务有限公司 | 一种基于云计算的智能化社区服务管理方法及系统 |
CN115604462A (zh) * | 2022-09-07 | 2023-01-13 | 天津市国瑞数码安全系统股份有限公司(Cn) | 一种应用成分分析的视频压缩方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898087B (zh) | 人脸关键点定位模型的训练方法、装置、设备及存储介质 | |
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
WO2020199478A1 (zh) | 图像生成模型训练方法、图像生成方法、装置、设备及存储介质 | |
CN109598250B (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
CN111832437A (zh) | 建筑图纸识别方法、电子设备及相关产品 | |
CN113516006A (zh) | 一种用于智能机器人的高效信息处理方法及系统 | |
TWI740726B (zh) | 卷積神經網路的排序方法、運算方法及裝置 | |
CN107944381B (zh) | 人脸跟踪方法、装置、终端及存储介质 | |
CN109982088B (zh) | 图像处理方法及装置 | |
CN111240746B (zh) | 一种浮点数据反量化及量化的方法和设备 | |
CN115293993B (zh) | 一种滤除椒盐噪声的采样方法及系统 | |
US20230143985A1 (en) | Data feature extraction method and related apparatus | |
WO2023173646A1 (zh) | 一种表情识别方法及装置 | |
CN110598732B (zh) | 一种基于图像识别的植物健康检测方法及装置 | |
WO2024022060A1 (zh) | 一种图像配准方法、装置及存储介质 | |
WO2024077785A1 (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
CN111402177A (zh) | 一种清晰度检测方法、系统、设备和介质 | |
CN115439938A (zh) | 一种防分裂的人脸档案数据归并处理方法及系统 | |
CN113191364B (zh) | 车辆外观部件识别方法、装置、电子设备和介质 | |
CN110647796A (zh) | 一种虹膜识别方法及装置 | |
CN110674949A (zh) | 一种基于大数据的工件故障智能补偿方法及装置 | |
CN113095211B (zh) | 一种图像处理方法、系统及电子设备 | |
CN113515508B (zh) | 一种用于智能机器人的信息采集方法及系统 | |
WO2023134068A1 (zh) | 数字识别模型的训练方法、装置、设备及存储介质 | |
CN112465007A (zh) | 目标识别模型的训练方法、目标识别方法及终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |
|
RJ01 | Rejection of invention patent application after publication |