CN114004877A - 视觉场景中物体稀疏性的判断方法、系统和设备 - Google Patents

视觉场景中物体稀疏性的判断方法、系统和设备 Download PDF

Info

Publication number
CN114004877A
CN114004877A CN202111651670.6A CN202111651670A CN114004877A CN 114004877 A CN114004877 A CN 114004877A CN 202111651670 A CN202111651670 A CN 202111651670A CN 114004877 A CN114004877 A CN 114004877A
Authority
CN
China
Prior art keywords
sparsity
visual scene
convex
area
cluster
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
CN202111651670.6A
Other languages
English (en)
Other versions
CN114004877B (zh
Inventor
黄凯奇
张岩
丰效坤
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202111651670.6A priority Critical patent/CN114004877B/zh
Publication of CN114004877A publication Critical patent/CN114004877A/zh
Application granted granted Critical
Publication of CN114004877B publication Critical patent/CN114004877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像分析领域，具体涉及了一种视觉场景中物体稀疏性的判断方法、系统和设备，旨在解决现有的沙盘游戏通常利用经验来判断沙盘作品的稀疏性，具有很大的主观性，不同分析师给出的结果会有一定的偏差的问题。本发明包括：获取视觉场景图像，对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇，提取每个聚类簇中的凸包络，计算凸包络的面积，计算所有所述凸包络的面积之和与视觉场景图像面积的比值r，预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。本发明能够准确判断物体目标的稀疏性，能够避免沙盘分析师的主观经验影响，提高沙盘分析对空洞主题识别的准确性和一致性。

Description

视觉场景中物体稀疏性的判断方法、系统和设备
技术领域
本发明属于图像分析领域，具体涉及了一种视觉场景中物体稀疏性的判断方法、系统和设备。
背景技术
沙盘游戏最初是作为一种心理治疗的方法应用于临床实践，随着沙盘游戏的应用，研究者逐渐发现其心理疾病诊断功能。
沙盘中，游戏者可以自由地选择各种玩具，按个人偏好组合出一副独特的作品。无意识、投射及象征性等理论表明，沙盘可以表现出游戏者的心理状况，沙盘制作过程就是游戏者投射其心理内容的过程。
沙盘游戏已被作为诊断工具而研究，通过对比病人与正常人沙盘之间的差异。现有的沙盘理论主要基于沙盘主题来识别出心理症状阳性者，沙盘分析师通过理论和经验结合，分析心理沙盘中出现的主题类别，由此达到初始沙盘在临床诊断上的应用。在识别过程中，准确的找到沙盘中出现的主题成为识别是否准确的关键。其中沙盘的“空洞”主题的主要识别指标是沙盘中沙具分布的稀疏性，一个沙盘作品，如果沙具摆放的比较稀疏，大部分面积为空白，那么我们就称这个沙盘作品满足“空洞”主题。
首先，沙盘分析师通常利用经验来判断沙盘作品是否满足空洞主题，识别准确率高低取决于沙盘分析师的水平；其次，人工识别有很大的主观性，不同分析师给出的结果会有一定的偏差。为了更加客观的识别沙盘的空洞主题，我们提出了一种自动化检测识别沙盘视觉图像中的物体稀疏性的方法，帮助沙盘分析师准确识别空调主题。
发明内容
为了解决现有技术中的上述问题，即现有的沙盘游戏通常利用经验来判断沙盘作品的稀疏性，具有很大的主观性，不同分析师给出的结果会有一定的偏差的问题，本发明提出一种视觉场景中物体稀疏性的判断方法，包括：
步骤S100，获取视觉场景图像；
步骤S200，对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
步骤S300，提取每个聚类簇中的凸包络；
步骤S400，计算凸包络的面积；
步骤S500，计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
步骤S600，预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
在一些优选的实施方式中，所述视觉场景图像，包括在心理沙盘中排放沙具获得的沙盘场景图，以沙具为物体目标，包含沙具位置和沙具尺寸的信息。
在一些优选的实施方式中，所述步骤S200，具体为通过DBSCAN距离方法对物体目标进行聚类，包括：
步骤S210，预先设定最小邻域距离
Figure 907452DEST_PATH_IMAGE001
和最小簇样本点数MinPts；
步骤S220，提取物体目标的像素，判定距离小于所述最小邻域距离
Figure 542701DEST_PATH_IMAGE001
的两个样本点 为密度可达，即认定这两个样本点属于同一个聚类；
步骤S230，遍历所有像素点，若一个聚类中含有的样本点数大于所述最小簇样本点数MinPts，则认定该聚类为一个聚类簇。
在一些优选的实施方式中，所述最小邻域距离
Figure 588018DEST_PATH_IMAGE001
，还包括自适应调节最小邻域距离
Figure 655331DEST_PATH_IMAGE001
的方法，具体为，基于所述视觉场景图像，获取包围物体目标的最小外接圆半径，在判断 两个样本点是否密度可达时，两个样本点的空间距离小于其所在最小外接圆的半径之和， 则认为两个样本点密度可达；即以两个样本点所在的最小外接圆的半径之和作为最小邻域 距离
Figure 735282DEST_PATH_IMAGE001
。
在一些优选的实施方式中，所述步骤S300，通过Graham扫描法提取每个聚类簇中的凸包络，具体包括：
步骤S310，选取凸包上的一个点作为基准点；
步骤S320，以所述基准点为参照，对剩余所有点进行极角排序，并依次遍历，确定凸包点；
步骤S330，将所有聚类簇作为输入通过如步骤S310-步骤S320的方法，获取所有凸包点，获得凸包络。
在一些优选的实施方式中，所述步骤S400，包括将凸包络的形状分解为若干三角形，分别计算多个三角形的面积并求和获得凸包络的面积。
在一些优选的实施方式中，所述分别计算多个三角形的面积并求和获得凸包络的面积，具体为在凸包络中任选一点作为面积计算基本点，以面积计算基本点为中心，按顺时针或逆时针的方向依次得到两个点与基本点构成三角形，通过向量叉乘获得三角形面积，将所有的三角形面积加和获得凸包络的面积。
本发明的另一方面，提出了一种视觉场景中物体稀疏性的判断系统，所述系统包括图像获取模块、物体聚类模块、凸包络提取模块、凸包络面积计算模块、面积比值计算模块和稀疏性判断模块；
所述图像获取模块，配置为获取视觉场景图像；
所述物体聚类模块，配置为对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
所述凸包络提取模块，配置为提取每个聚类簇中的凸包络；
所述凸包络面积计算模块，配置为计算凸包络的面积；
所述面积比值计算模块，配置为计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
所述稀疏性判断模块，配置为预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的视觉场景中物体稀疏性的判断方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的视觉场景中物体稀疏性的判断方法。
本发明的有益效果：
本发明通过提出一种自动化识别图像中物体稀疏性的方法，能够准确判断物体目标的稀疏性，减小沙盘分析师的工作量，增加咨询效率，并且能够避免沙盘分析师的主观经验影响，提高沙盘分析对空洞主题识别的准确性和一致性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例视觉场景中物体稀疏性的判断方法的流程示意图；
图2是本发明实施例中以沙具文件作为视觉场景图像实行本发明的流程示意图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种视觉场景中物体稀疏性的判断方法，包括：
步骤S100，获取视觉场景图像；
步骤S200，对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
步骤S300，提取每个聚类簇中的凸包络；
步骤S400，计算凸包络的面积；
步骤S500，计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
步骤S600，预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
本系统提出一种自动化识别图像中物体稀疏性的方法，能够准确判断物体目标的稀疏性，减小沙盘分析师的工作量，增加咨询效率，并且能够避免沙盘分析师的主观经验影响，提高沙盘分析对空洞主题识别的准确性和一致性。
为了更清晰地对本发明进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的视觉场景中物体稀疏性的判断方法，包括步骤S100-步骤S600，各步骤详述如下：
本发明主要应用于心理沙盘的自动分析，针对缺少经验的沙盘分析师识别心理沙盘空洞主题准确率低的问题，开发了一种基于图像识别的物理稀疏性的算法。针对不同沙盘分析师对心理沙盘空洞主题识别偏差的问题，我们开发了一套自动化识别框架，有较好的客观性和一致性。
随着网络数据的增长以及硬件算力资源的提升，计算机视觉技术取得了快速的发展，其在图像分类，目标检测等领域领域几乎达到了人类的水平。然而，人们不仅希望机器能检测出图像中某一个物体的类别与其在图片整体中的位置，还希望机器能够“理解”图片中某些或全部物体所体现的语义，基于这些语义信息可使得机器更好地感知图片，从而为计算机视觉应用于更多的场景提供可能。
本专利以视觉图片中所出现的目标为研究对象（如前文所言，现有的目标检测技术可以较精确地给出图片中目标的位置以及其在图片整体中的分布区域），以图片的“稀疏”语义为研究目标，设计了一种基于目标空间分布属性的目标稀疏性判断方法。
步骤S100，获取视觉场景图像；
在本实施例中，所述视觉场景图像，包括在心理沙盘中排放沙具获得的沙盘场景图，以沙具为物体目标，包含沙具位置和沙具尺寸的信息,如图2所示。以3D沙盘游戏平台为例，在心理沙盘中排放沙具得到沙盘场景图，将沙盘场景图设置为视觉场景图像。
步骤S200，对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
在本实施例中，所述步骤S200，具体为通过DBSCAN距离方法（Density-BasedSpatial Clustering of Applications with Noise）对物体目标进行聚类，包括：
由稀疏性的含义一种宽松，不稠密的状态可知，视觉场景整体的稀疏性与场景中所含物体目标的分布面积有关。为了更好地度量分布面积，不应简单地将所有物体目标在图片中的分布面积相加，而是结合物体目标的空间分布特点进行聚簇处理，将簇包络面积作为视觉场景的稀疏性判断指标。
步骤S210，预先设定最小邻域距离
Figure 715002DEST_PATH_IMAGE001
和最小簇样本点数MinPts；
步骤S220，提取物体目标的像素，判定距离小于所述最小邻域距离
Figure 247614DEST_PATH_IMAGE001
的两个样本点 为密度可达，即认定这两个样本点属于同一个聚类；
在本实施例中，所述最小邻域距离
Figure 853039DEST_PATH_IMAGE001
，还包括自适应调节最小邻域距离
Figure 53076DEST_PATH_IMAGE001
的方法， 具体为，基于所述视觉场景图像，获取包围物体目标的最小外接圆半径，在判断两个样本点 是否密度可达时，两个样本点的空间距离小于其所在最小外接圆的半径之和，则认为两个 样本点密度可达；即以两个样本点所在的最小外接圆的半径之和作为最小邻域距离
Figure 312019DEST_PATH_IMAGE001
。
步骤S230，遍历所有像素点，若一个聚类中含有的样本点数大于所述最小簇样本点数MinPts，则认定该聚类为一个聚类簇。
步骤S300，提取每个聚类簇中的凸包络；
在本实施例中，所述步骤S300，通过Graham扫描法提取每个聚类簇中的凸包络，具体包括：
步骤S310，选取凸包上的一个点作为基准点；通常将二维点集坐标y轴坐标最小的点一定是凸包上的点；
步骤S320，以所述基准点为参照，对剩余所有点进行极角排序，并依次遍历，确定凸包点；
步骤S330，将所有聚类簇作为输入通过如步骤S310-步骤S320的方法，获取所有凸包点，获得凸包络。
步骤S400，计算凸包络的面积；
在本实施例中，所述步骤S400，包括将凸包络的形状分解为若干三角形，分别计算多个三角形的面积并求和获得凸包络的面积。
在本实施例中，所述分别计算多个三角形的面积并求和获得凸包络的面积，具体为在凸包络中任选一点作为面积计算基本点，以面积计算基本点为中心，按顺时针或逆时针的方向依次得到两个点与基本点构成三角形，通过向量叉乘获得三角形面积，将所有的三角形面积加和获得凸包络的面积。
步骤S500，计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
步骤S600，预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
本实施例中，以沙具覆盖比值作为凸包络的面积之和与场景图像的面积比值r，设置沙具覆盖比值小于1%时，稀疏等级为3；沙具覆盖比值处于1%~15%时，稀疏等级为2；沙具覆盖比值处于15%~20%时，稀疏等级为1；沙具覆盖比值大于20%时，稀疏等级为0。通过稀疏等级可以反映情绪低落的程度，进而反映用户的抑郁程度等级。
本发明第二实施例的视觉场景中物体稀疏性的判断系统，包括：图像获取模块、物体聚类模块、凸包络提取模块、凸包络面积计算模块、面积比值计算模块和稀疏性判断模块；
所述图像获取模块，配置为获取视觉场景图像；
所述物体聚类模块，配置为对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
所述凸包络提取模块，配置为提取每个聚类簇中的凸包络；
所述凸包络面积计算模块，配置为计算凸包络的面积；
所述面积比值计算模块，配置为计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
所述稀疏性判断模块，配置为预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的视觉场景中物体稀疏性的判断方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的视觉场景中物体稀疏性的判断方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种视觉场景中物体稀疏性的判断方法，其特征在于，所述方法包括：
步骤S100，获取视觉场景图像；
步骤S200，对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
步骤S300，提取每个聚类簇中的凸包络；
步骤S400，计算凸包络的面积；
步骤S500，计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
步骤S600，预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
2.根据权利要求1所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述视觉场景图像，包括在心理沙盘中排放沙具获得的沙盘场景图，以沙具为物体目标，包含沙具位置和沙具尺寸的信息。
3.根据权利要求1所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述步骤S200，具体为通过DBSCAN距离方法对物体目标进行聚类，包括：
步骤S210，预先设定最小邻域距离
Figure 749920DEST_PATH_IMAGE001
和最小簇样本点数MinPts；
步骤S220，提取物体目标的像素，判定距离小于所述最小邻域距离
Figure 198219DEST_PATH_IMAGE001
的两个样本点为密 度可达，即认定这两个样本点属于同一个聚类；
步骤S230，遍历所有像素点，若一个聚类中含有的样本点数大于所述最小簇样本点数MinPts，则认定该聚类为一个聚类簇。
4.根据权利要求3所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述最小邻 域距离
Figure 7650DEST_PATH_IMAGE001
，还包括自适应调节最小邻域距离
Figure 668438DEST_PATH_IMAGE001
的方法，具体为，基于所述视觉场景图像，获取 包围物体目标的最小外接圆半径，在判断两个样本点是否密度可达时，两个样本点的空间 距离小于其所在最小外接圆的半径之和，则认为两个样本点密度可达；即以两个样本点所 在的最小外接圆的半径之和作为最小邻域距离
Figure 13969DEST_PATH_IMAGE001
。
5.根据权利要求1所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述步骤S300，通过Graham扫描法提取每个聚类簇中的凸包络，具体包括：
步骤S310，选取凸包上的一个点作为基准点；
步骤S320，以所述基准点为参照，对剩余所有点进行极角排序，并依次遍历，确定凸包点；
步骤S330，将所有聚类簇作为输入通过如步骤S310-步骤S320的方法，获取所有凸包点，获得凸包络。
6.根据权利要求1所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述步骤S400，包括将凸包络的形状分解为若干三角形，分别计算多个三角形的面积并求和获得凸包络的面积。
7.根据权利要求6所述的视觉场景中物体稀疏性的判断方法，其特征在于，所述分别计算多个三角形的面积并求和获得凸包络的面积，具体为在凸包络中任选一点作为面积计算基本点，以面积计算基本点为中心，按顺时针或逆时针的方向依次得到两个点与基本点构成三角形，通过向量叉乘获得三角形面积，将所有的三角形面积加和获得凸包络的面积。
8.一种视觉场景中物体稀疏性的判断系统，其特征在于，所述系统包括：图像获取模块、物体聚类模块、凸包络提取模块、凸包络面积计算模块、面积比值计算模块和稀疏性判断模块；
所述图像获取模块，配置为获取视觉场景图像；
所述物体聚类模块，配置为对所述视觉场景图像中的物体目标进行聚类，获得多个聚类簇；
所述凸包络提取模块，配置为提取每个聚类簇中的凸包络；
所述凸包络面积计算模块，配置为计算凸包络的面积；
所述面积比值计算模块，配置为计算所有所述凸包络的面积之和与视觉场景图像面积的比值r；
所述稀疏性判断模块，配置为预设物体稀疏性判断区间，当所述比值r处于对应的稀疏性判断区间时，获得视觉场景图像的稀疏性。
9.一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的视觉场景中物体稀疏性的判断方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的视觉场景中物体稀疏性的判断方法。
CN202111651670.6A 2021-12-31 2021-12-31 视觉场景中物体稀疏性的判断方法、系统和设备 Active CN114004877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111651670.6A CN114004877B (zh) 2021-12-31 2021-12-31 视觉场景中物体稀疏性的判断方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111651670.6A CN114004877B (zh) 2021-12-31 2021-12-31 视觉场景中物体稀疏性的判断方法、系统和设备

Publications (2)

Publication Number Publication Date
CN114004877A true CN114004877A (zh) 2022-02-01
CN114004877B CN114004877B (zh) 2022-03-08

Family

ID=79932307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111651670.6A Active CN114004877B (zh) 2021-12-31 2021-12-31 视觉场景中物体稀疏性的判断方法、系统和设备

Country Status (1)

Country Link
CN (1) CN114004877B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550943A (zh) * 2022-04-21 2022-05-27 武汉烽火凯卓科技有限公司 一种基于医疗影像的冲击波入射点仿真规划方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140072213A1 (en) * 2012-09-13 2014-03-13 Los Alamos National Security, Llc Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
EP2811423A1 (en) * 2013-06-03 2014-12-10 Ricoh Company, Ltd. Method and apparatus for detecting target
US20180276885A1 (en) * 2017-03-27 2018-09-27 3Dflow Srl Method for 3D modelling based on structure from motion processing of sparse 2D images
US20200097764A1 (en) * 2018-09-26 2020-03-26 Oath Inc. System and method for learning scene embeddings via visual semantics and application thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140072213A1 (en) * 2012-09-13 2014-03-13 Los Alamos National Security, Llc Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection
EP2811423A1 (en) * 2013-06-03 2014-12-10 Ricoh Company, Ltd. Method and apparatus for detecting target
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
US20180276885A1 (en) * 2017-03-27 2018-09-27 3Dflow Srl Method for 3D modelling based on structure from motion processing of sparse 2D images
US20200097764A1 (en) * 2018-09-26 2020-03-26 Oath Inc. System and method for learning scene embeddings via visual semantics and application thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘建清等: "纹理的不变性特征和识别性能的视觉心理学研究", 《兰州石化职业技术学院学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550943A (zh) * 2022-04-21 2022-05-27 武汉烽火凯卓科技有限公司 一种基于医疗影像的冲击波入射点仿真规划方法及系统
CN114550943B (zh) * 2022-04-21 2022-07-29 武汉烽火凯卓科技有限公司 一种基于医疗影像的冲击波入射点仿真规划方法及系统

Also Published As

Publication number Publication date
CN114004877B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN108492272B (zh) 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统
US8533162B2 (en) Method for detecting object
US9275277B2 (en) Using a combination of 2D and 3D image data to determine hand features information
US20140219569A1 (en) Image recognition system and method for identifying similarities in different images
CN109726746B (zh) 一种模板匹配的方法及装置
JP6317725B2 (ja) 取得された画像内のクラッタを決定するためのシステム及び方法
CN114004877B (zh) 视觉场景中物体稀疏性的判断方法、系统和设备
US7068824B2 (en) Fingerprint matching method and apparatus
JP2010000133A (ja) 画像表示装置、画像表示方法及びプログラム
Yekutieli et al. Expert assisting computerized system for evaluating the degree of certainty in 2d shoeprints
Wiesner et al. Dataset of digitized RACs and their rarity score analysis for strengthening shoeprint evidence
US20210312620A1 (en) Generating annotation data of tissue images
US20070250548A1 (en) Systems and methods for displaying a cellular abnormality
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN115393351B (zh) 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置
CN114648683B (zh) 基于不确定性分析的神经网络性能提升方法和设备
Sapkota Segmentation of coloured point cloud data
JP2009514057A (ja) 目標物の自動識別システム
CN109325943B (zh) 一种三维体积测量方法及装置
CN108537092B (zh) 变异红细胞识别方法及装置
CN116703912B (zh) 一种迷你主机网口完整性视觉检测方法
CN116893953B (zh) 一种基于眼动追踪的界面可用性评估方法和系统
CN114120047B (zh) 基于视觉分析的物体联结性的判断方法、系统和设备
US20150332113A1 (en) Logo detection by edge matching
Jackson et al. PUGTIFs: Passively User-Generated Thermal Invariant Features

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