CN113516112A - 一种基于聚类的规则排列物体自动识别及编号方法 - Google Patents

一种基于聚类的规则排列物体自动识别及编号方法 Download PDF

Info

Publication number
CN113516112A
CN113516112A CN202111073408.8A CN202111073408A CN113516112A CN 113516112 A CN113516112 A CN 113516112A CN 202111073408 A CN202111073408 A CN 202111073408A CN 113516112 A CN113516112 A CN 113516112A
Authority
CN
China
Prior art keywords
target object
regularly arranged
clustering
target
numbering
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
CN202111073408.8A
Other languages
English (en)
Other versions
CN113516112B (zh
Inventor
汪彦明
朱为
徐新文
涂丹
曹正午
谢志恒
徐东
胡青霞
王涛
郑冰
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.)
CHANGSHA PENGYANG INFORMATION TECHNOLOGY CO LTD
Original Assignee
CHANGSHA PENGYANG INFORMATION TECHNOLOGY CO LTD
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 CHANGSHA PENGYANG INFORMATION TECHNOLOGY CO LTD filed Critical CHANGSHA PENGYANG INFORMATION TECHNOLOGY CO LTD
Priority to CN202111073408.8A priority Critical patent/CN113516112B/zh
Publication of CN113516112A publication Critical patent/CN113516112A/zh
Application granted granted Critical
Publication of CN113516112B publication Critical patent/CN113516112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30232—Surveillance

Landscapes

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

Abstract

本发明公开了一种基于聚类的规则排列物体自动识别及编号方法，包括获得视频监控图像；针对获得的每帧图像，识别出图中每个待识别的目标物体；对目标物体检测结果进行精调；对连续n帧图像目标检测和精调；校正拍摄图像；对两组样本进行聚类分析，以获取目标物体的行列数目；最优聚类结果，生成目标物体的编号。利用计算机视觉技术和人工智能技术，通过聚类分析，实现对规则排列的物体的自动识别，获取其排列信息如行列数等，从而实现对这些规则物体的自动识别和编号。本发明通过自动化分析手段识别、编号规则排列的物体，为后续的智能分析提供了坚实的支撑。

Description

一种基于聚类的规则排列物体自动识别及编号方法
技术领域
本发明涉及计算机视觉领域和人工智能技术领域，特别地，涉及一种基于聚类的规则排列物体自动识别及编号方法。
背景技术
随着科学技术的发展，我们日常生活中越来越依赖于智能化设备。利用广泛布置的摄像机和人工智能、计算机视觉技术，人们可以智能地分析和识别各种物体，从而辅助人们进行更为复杂的智能分析。例如，在电影院中，一种需求是是自动识别场景中的所有座位，对有人的座位进行行列编号定位，从而方便进行观影人数的统计和分析；在大型演出场景中，需要对规则排列的座位进行识别分析，对有人的座位和无人的座位进行行列编号定位，实行合理空位监控和调度；在露天铺设的光伏发电厂中，人们期望利用摄像机自动识别所有的光伏板对其中由于损坏或其他原因缺失的光伏板进行行列编号定位，从而通知维修人员快速找到对应光伏板。
发明内容
本发明的目的在于提供一种基于聚类的规则排列物体自动识别及编号方法，以解决背景技术中提出的问题。
为实现上述目的，本发明提供了一种基于聚类的规则排列物体自动识别及编号方法，包括以下步骤：
S1、获取视频监控图像；
S2、针对获得的每帧图像，采用基于深度学习的目标检测技术识别出图像中每个待识别的目标物体；
S3、利用实例分割方法对上步骤S2中的目标检测结果进行精调；
S4、对连续的n帧图像进行步骤S2、步骤S3的目标检测和精调；
S5、校正拍摄图像，获取待识别的目标物体的中心位置ｘ轴和ｙ轴坐标值；根据相机内参和外参，构建放射变换矩阵，并对目标检测结果进行放射变幻，去除透视效果；分别对变换后的中心位置做ｘ轴和ｙ轴投影，获得目标物体的中心位置ｘ轴和ｙ轴两组样本
Figure 100002_DEST_PATH_IMAGE001
和
Figure 100002_DEST_PATH_IMAGE002
，m为检测出来的目标物体数量；
S6、对两组样本
Figure 769650DEST_PATH_IMAGE001
和
Figure 358894DEST_PATH_IMAGE002
分别进行聚类分析，以获取目标物体的行列数目；
S7、根据步骤S6中每个检测结果在ｘ轴投影的最优聚类结果和ｙ轴投影的最优聚类结果，生成目标物体的编号。
进一步的，所述步骤S1中，采用网络摄像机获取视频监控图像，所述网络摄像机能够拍摄到规则排列物体的全部或部分区域。
进一步的，所述步骤S2中，利用Yolo系列检测算法检测出待识别目标物体的矩形框区域，待识别物体包括会议室中的座位、教室中的课桌、电影院中的座椅或光伏厂中铺设的光伏板。
进一步的，所述步骤S3中，利用BlendMask实例分割算法分割出目标物体区域，检验步骤S6中所选出的目标区域是否存在合理的实例分割结果，对其位置进行精调和修正。
进一步的，所述步骤S4为避免存在单帧图像中某些位置的目标物体被遮挡或者未检测出的情况发生，通过对多帧检测结果进行融合，可以获得稳定的目标区域位置。
进一步的，对多帧检测结果进行融合的具体方法是：统计图像中每个像素位置出现在检测矩形框中的次数，若其次数超过
Figure 100002_DEST_PATH_IMAGE003
，则认为该像素属于待识别物体区域，并将其周围同属于待识别物体区域的像素区域连接起来，寻找一个最小连接矩形，将该矩形区域作为物体检测区域。
进一步的，所述步骤S6中，获取目标物体的行列数目的具体方法如下：
（1）、对样本
Figure 100002_DEST_PATH_IMAGE004
做k-means聚类分析，通过采用不同k值的聚类分析，筛选出最可能的行列数；分别令
Figure 100002_DEST_PATH_IMAGE005
，依次进行k-means聚类；
（2）、统计每次k取值时的所有聚类方差
Figure 100002_DEST_PATH_IMAGE006
，计算其相邻两个方差值之间的绝对值，寻找其绝对值最大值，若
Figure 100002_DEST_PATH_IMAGE007
值最大，则认为该最优聚类类别数是
Figure 100002_DEST_PATH_IMAGE008
，即行数为
Figure 279577DEST_PATH_IMAGE008
；
（3）、对样本
Figure 940365DEST_PATH_IMAGE002
分别进行上述的聚类分析，获取列数
Figure 100002_DEST_PATH_IMAGE009
。
相比于现有技术，本发明具有以下有益效果：
本发明的一种基于聚类的规则排列物体自动识别及编号方法，利用计算机视觉技术和人工智能技术，通过聚类分析，实现对规则排列的物体的自动识别，如对会议室中的座位、教室中的课桌、电影院中的座椅或光伏厂中铺设的光伏板等进行自动识别，获取其排列信息如行列数等，从而实现对这些规则物体的自动识别和编号。本发明通过自动化分析手段识别、编号规则排列的物体，为后续的智能分析提供了坚实的支撑。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于聚类的规则排列物体自动识别及编号方法的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
请参见图1，本实施例提供一种基于聚类的规则排列物体自动识别及编号方法，包括以下步骤：
步骤一、获取视频监控图像；在特定位置（如会议室、教室正前方顶部，光伏厂高处）布置网络摄像机（如高清球机或枪机等），该网络摄像机能够拍摄到规则排列物体的全部或部分区域。
步骤二、针对获得的每帧图像，采用基于深度学习的目标检测技术识别出图像中每个待识别的目标物体；具体实施实例可以为，利用Yolo系列检测算法检测出待识别物体的矩形框区域；其中，待识别目标物体可以根据场景需求为会议室中的座位、教室中的课桌、电影院中的座椅或者光伏厂中铺设的光伏板等。
步骤三、为了进一步校正目标物体的位置检测结果，利用实例分割方法对上述步骤S2中的目标检测结果进行精调；具体为：利用BlendMask等实例分割算法分割出目标物体区域，检验步骤二中所选出的目标区域是否存在合理的实例分割结果，对其位置进行精调和修正。
步骤四、对连续的n帧图像进行步骤二和步骤三的目标检测和精调；这样做的目标是为了避免存在单帧图像中某些位置的目标物体被遮挡或者未检测出的情况发生，通过对多帧检测结果进行融合，可以获得稳定的目标区域位置。具体的融合方法是，其中，统计图像中每个像素位置出现在检测矩形框中的次数，若其次数超过n✕60%，则认为该像素属于待识别物体区域，并将其周围同属于待识别物体区域的像素区域连接起来，寻找一个最小连接矩形，将该矩形区域作为物体检测区域。其中，n可以取值100或其他自定义值。
步骤五、校正拍摄图像，获取待识别物体的中心位置ｘ轴和ｙ轴坐标值；根据相机内参和外参，构建放射变换矩阵，并对目标检测结果进行放射变幻，去除透视效果；分别对变换后的中心位置做ｘ轴和ｙ轴投影，获得目标物体的中心位置ｘ轴和ｙ轴两组样本
Figure 928306DEST_PATH_IMAGE001
和
Figure 16348DEST_PATH_IMAGE002
，m为检测出来的目标物体数量。
步骤六、对两组样本
Figure 548960DEST_PATH_IMAGE001
和
Figure 888806DEST_PATH_IMAGE002
分别进行聚类分析，以获取目标物体的行列数目。具体方法如下：
（1）、对
Figure 823264DEST_PATH_IMAGE004
做k-means聚类分析，由于无法预先知道目标物体分布的行列数，所以这里通过采用不同k值的聚类分析，筛选出最可能的行列数。为此，尝试不同的k值，即分别令
Figure DEST_PATH_IMAGE010
，依次进行k-means聚类。
（2）、统计每次k取值时的所有聚类方差
Figure DEST_PATH_IMAGE011
，计算其相邻两个方差值之间的绝对值，寻找其绝对值最大值，若
Figure 488732DEST_PATH_IMAGE007
值最大，则认为该最优聚类类别数是
Figure 508640DEST_PATH_IMAGE008
，即行数为
Figure 511231DEST_PATH_IMAGE008
。
（3）、对
Figure 300196DEST_PATH_IMAGE002
分别进行上述的聚类分析，获取列数
Figure DEST_PATH_IMAGE012
。
步骤七、根据步骤六中每个检测结果在ｘ轴投影的最优聚类结果和ｙ轴投影的最优聚类结果，生成目标物体的编号。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于聚类的规则排列物体自动识别及编号方法，其特征在于，包括以下步骤：
S1、获取视频监控图像；
S2、针对获得的每帧图像，采用基于深度学习的目标检测技术识别出图像中每个待识别的目标物体；
S3、利用实例分割方法对步骤S2中的目标检测结果进行精调；
S4、对连续的n帧图像进行步骤S2、步骤S3的目标检测和精调；
S5、校正拍摄图像，获取待识别的目标物体的中心位置ｘ轴和ｙ轴坐标值；根据相机内参和外参，构建放射变换矩阵，并对目标检测结果进行放射变幻，去除透视效果；分别对变换后的中心位置做ｘ轴和ｙ轴投影，获得目标物体的中心位置ｘ轴和ｙ轴两组样本
Figure DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
，m为检测出来的目标物体数量；
S6、对两组样本
Figure DEST_PATH_IMAGE003
和
Figure 345761DEST_PATH_IMAGE002
分别进行聚类分析，以获取目标物体的行列数目；
S7、根据步骤S6中每个检测结果在ｘ轴投影的最优聚类结果和ｙ轴投影的最优聚类结果，生成目标物体的编号。
2.根据权利要求1所述的规则排列物体自动识别及编号方法，其特征在于，所述步骤S1中，采用网络摄像机获取视频监控图像，所述网络摄像机能够拍摄到规则排列物体的全部或部分区域。
3.根据权利要求1所述的规则排列物体自动识别及编号方法，其特征在于，所述步骤S2中，利用Yolo系列检测算法检测出待识别目标物体的矩形框区域，待识别目标物体包括会议室中的座位、教室中的课桌、电影院中的座椅或光伏厂中铺设的光伏板。
4.根据权利要求1所述的规则排列物体自动识别及编号方法，其特征在于，所述步骤S3中，利用BlendMask实例分割算法分割出目标物体区域，检验步骤S2中所选出的目标区域是否存在合理的实例分割结果，对其位置进行精调和修正。
5.根据权利要求1所述的规则排列物体自动识别及编号方法，其特征在于，所述步骤S4为避免存在单帧图像中目标物体被遮挡或者未检测出的情况发生，通过对多帧检测结果进行融合，可以获得稳定的目标区域位置。
6.根据权利要求5所述的规则排列物体自动识别及编号方法，其特征在于，对多帧检测结果进行融合的具体方法是：统计图像中每个像素位置出现在检测矩形框中的次数，若其次数超过
Figure DEST_PATH_IMAGE004
，则认为该像素属于待识别物体区域，并将其周围同属于待识别物体区域的像素区域连接起来，寻找一个最小连接矩形，将该矩形区域作为物体检测区域。
7.根据权利要求1所述的规则排列物体自动识别及编号方法，其特征在于，所述步骤S6中，获取目标物体的行列数目的具体方法如下：
（1）、对样本
Figure 528480DEST_PATH_IMAGE003
做k-means聚类分析，通过采用不同k值的聚类分析，筛选出最可能的行列数；分别令
Figure DEST_PATH_IMAGE005
，依次进行k-means聚类；
（2）、统计每次k取值时的所有聚类方差
Figure DEST_PATH_IMAGE006
，计算其相邻两个方差值之间的绝对值，寻找其绝对值最大值，若
Figure DEST_PATH_IMAGE007
值最大，则认为该最优聚类类别数是
Figure DEST_PATH_IMAGE008
，即行数为
Figure 918004DEST_PATH_IMAGE008
；
（3）、对样本
Figure 47634DEST_PATH_IMAGE002
分别进行上述的聚类分析，获取列数
Figure DEST_PATH_IMAGE009
。
CN202111073408.8A 2021-09-14 2021-09-14 一种基于聚类的规则排列物体自动识别及编号方法 Active CN113516112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111073408.8A CN113516112B (zh) 2021-09-14 2021-09-14 一种基于聚类的规则排列物体自动识别及编号方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111073408.8A CN113516112B (zh) 2021-09-14 2021-09-14 一种基于聚类的规则排列物体自动识别及编号方法

Publications (2)

Publication Number Publication Date
CN113516112A true CN113516112A (zh) 2021-10-19
CN113516112B CN113516112B (zh) 2021-11-30

Family

ID=78063146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111073408.8A Active CN113516112B (zh) 2021-09-14 2021-09-14 一种基于聚类的规则排列物体自动识别及编号方法

Country Status (1)

Country Link
CN (1) CN113516112B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118072128A (zh) * 2024-04-19 2024-05-24 深圳爱莫科技有限公司 一种细粒度多模态大模型训练方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8543576B1 (en) * 2012-05-23 2013-09-24 Google Inc. Classification of clustered documents based on similarity scores
DE102014207009A1 (de) * 2014-04-11 2015-10-15 Siemens Aktiengesellschaft Erkennung einer Sitzbelegung mittels einer Kamera
CN105126338A (zh) * 2015-08-18 2015-12-09 中山市金马科技娱乐设备股份有限公司 一种适用于光枪射击游戏的视频定位系统
US20160239714A1 (en) * 2013-10-09 2016-08-18 Nec Corporation Passenger counting device, passenger counting method, and program recording medium
CN109815882A (zh) * 2019-01-21 2019-05-28 南京行者易智能交通科技有限公司 一种基于图像识别的地铁车厢客流密度监控系统及方法
CN109902628A (zh) * 2019-02-28 2019-06-18 广州大学 一种基于视觉物联网的图书馆座位管理系统
CN110930412A (zh) * 2019-11-29 2020-03-27 南通大学 一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法
CN112200764A (zh) * 2020-09-02 2021-01-08 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN112953383A (zh) * 2017-08-30 2021-06-11 深圳市大疆创新科技有限公司 检测光伏板的方法、设备及无人机
CN113065597A (zh) * 2021-04-02 2021-07-02 北京京东拓先科技有限公司 一种聚类方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8543576B1 (en) * 2012-05-23 2013-09-24 Google Inc. Classification of clustered documents based on similarity scores
US20160239714A1 (en) * 2013-10-09 2016-08-18 Nec Corporation Passenger counting device, passenger counting method, and program recording medium
DE102014207009A1 (de) * 2014-04-11 2015-10-15 Siemens Aktiengesellschaft Erkennung einer Sitzbelegung mittels einer Kamera
CN105126338A (zh) * 2015-08-18 2015-12-09 中山市金马科技娱乐设备股份有限公司 一种适用于光枪射击游戏的视频定位系统
CN112953383A (zh) * 2017-08-30 2021-06-11 深圳市大疆创新科技有限公司 检测光伏板的方法、设备及无人机
CN109815882A (zh) * 2019-01-21 2019-05-28 南京行者易智能交通科技有限公司 一种基于图像识别的地铁车厢客流密度监控系统及方法
CN109902628A (zh) * 2019-02-28 2019-06-18 广州大学 一种基于视觉物联网的图书馆座位管理系统
CN110930412A (zh) * 2019-11-29 2020-03-27 南通大学 一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法
CN112200764A (zh) * 2020-09-02 2021-01-08 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN113065597A (zh) * 2021-04-02 2021-07-02 北京京东拓先科技有限公司 一种聚类方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SEYFALLAH BOURAOUI 等: "A system to detect residential area in multispectral satellite images", 《2010 25TH INTERNATIONAL CONFERENCE OF IMAGE AND VISION COMPUTING NEW ZEALAND》 *
丁世浩: "基于计算机视觉的光伏组件缺陷诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118072128A (zh) * 2024-04-19 2024-05-24 深圳爱莫科技有限公司 一种细粒度多模态大模型训练方法

Also Published As

Publication number Publication date
CN113516112B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
US9749526B2 (en) Imaging system for immersive surveillance
CN1156151C (zh) 自动确定对应于电视会议参加者的预置位置的方法
US10958854B2 (en) Computer-implemented method for generating an output video from multiple video sources
CN104506857B (zh) 一种摄像头位置偏离检测方法及设备
CN101621634B (zh) 动态前景分离的大幅面视频拼接方法
CN110545378B (zh) 一种多人场景的智能识别拍摄的系统和方法
CN112036257A (zh) 一种无感知人脸图像采集方法和系统
CN106780303A (zh) 一种基于局部配准的图像拼接方法
CN102446272A (zh) 一种台标分割及识别的方法、装置及电视机
CN113516112B (zh) 一种基于聚类的规则排列物体自动识别及编号方法
CN110225315A (zh) 电力系统视屏监控画面融合方法
US10867175B1 (en) Simulation method for detecting dim environment based on virtual reality
CN107403410A (zh) 一种热红外图像的拼接方法
JPH0844874A (ja) 画像変化検出装置
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
CN111343431B (zh) 基于图像矫正的机场目标检测系统
CN117057996A (zh) 光伏板图像的处理方法、装置、设备及介质
CN111860378A (zh) 基于枪球联动和视频事件感知的商场消防设施巡检方法
Medioni et al. Real-time billboard substitution in a video stream
CN115375549A (zh) 一种多包裹分离系统多相机图像拼接算法设计
CN113160236B (zh) 一种光伏电池阴影遮挡的图像识别方法
CN110276233A (zh) 一种基于深度学习的多相机协同跟踪系统
CN114170506A (zh) 一种面向机器人的基于场景图的视觉场景理解系统及方法
JP2018190132A (ja) 画像認識用コンピュータプログラム、画像認識装置及び画像認識方法
CN107979753B (zh) 摄影装置画面异常种类的检测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220620

Address after: 410000 401, building A20, phase II, CLP Software Park, No. 18, Jianshan Road, high tech Development Zone, Changsha, Hunan

Patentee after: Hunan langguo Visual Recognition Research Institute Co.,Ltd.

Address before: Room 802, building 1, Xiangyu wisdom, No. 579, Station North Road, Dongfeng Road, Kaifu District, Changsha City, Hunan Province

Patentee before: CHANGSHA PENGYANG INFORMATION TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230518

Address after: Room 802, Building 1, Xiangyu Zhihui, No. 579, Chezhan North Road, Dongfeng Road Street, Kaifu District, Changsha, Hunan 410003

Patentee after: CHANGSHA PENGYANG INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 410000 401, building A20, phase II, CLP Software Park, No. 18, Jianshan Road, high tech Development Zone, Changsha, Hunan

Patentee before: Hunan langguo Visual Recognition Research Institute Co.,Ltd.