CN115019224A - 基于图像频率和亮度中值的昼夜判别方法 - Google Patents
基于图像频率和亮度中值的昼夜判别方法 Download PDFInfo
- Publication number
- CN115019224A CN115019224A CN202210473865.4A CN202210473865A CN115019224A CN 115019224 A CN115019224 A CN 115019224A CN 202210473865 A CN202210473865 A CN 202210473865A CN 115019224 A CN115019224 A CN 115019224A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- white light
- target
- frequency gradient
- 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
- 238000012850 discrimination method Methods 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图像频率和亮度中值的昼夜判别方法，包括步骤：检测设备发现目标，双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像；计算抽取的一帧白光光电图像的频率梯度，根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域；判断滤除了高频的频率梯度中的中值与预设阈值的大小，从而判断为白天或是夜晚。本发明通过预判断目标的方式，对当前的昼夜环境进行实时监测，并通过智能算法自动选择白光光电图像进行频率梯度的计算，使用深度卷积的方式对图像的像素值进行处理，可以排除图像中有外强光源的影响，并且保留了图像最真实的线条，然后通过计算频率梯度的中值，能够更准确的实现昼夜区分。
Description
技术领域
本发明涉及智能安防技术领域，特别涉及一种基于图像频率和亮度中值的昼夜判别方法。
背景技术
随着人工智能技术的不断完善与发展，智能识别技术在智能安防领域得到兴起与应用，现在该技术在智能安防领域已经是不可或缺的一部分。检测目标出现时，可通过人工智能技术，使检测设备发现、识别和跟踪检测目标，以达到降低警戒人员的压力，提高对入侵目标的识别速度和准确率的目的。
而为了保证当前监测图像是否符合智能识别的标准，需要对当前检测环境进行监测，现如今对入侵目标的全天候检测一般采用如下方法：通过传感器或内部时钟等方法对当前的环境亮度等参数进行采集并判断昼夜，白天使用真彩图像对目标进行识别，夜晚使用红外图像对目标进行识别。
目前对昼夜图像的判断方式主要有三种：
（1）分别对白光图像（白天的图像）和红外图像（夜晚的图像）进行目标检测，基于深度学习的目标实时检测算法需要高配置的算法处理硬件单元，同时对白光图像和红外图像进行目标检测造成硬件成本高。
（2）基于时间或者直方图判断昼夜情况，分别对白光图像或者红外图像进行目标识别，需要人工频繁干预调整因四季和时差导致的昼夜更替不一致，使用便捷性相对较差。且基于直方图判断昼夜的方式基本虽能达到要求，但这种方式在地图出现强光源时，会造成误判的几率变大。
（3）基于温度传感器或光照传感器判断昼夜情况，分别对白光图像或者红外图像进行目标识别的方式虽然能够实时调节拍摄图像切换，但环境中出现单个强光源或当前处于识别临界点时，会导致昼夜识别效果不理想，降低入侵目标识别率。
发明内容
本发明的目的是在识别目标之前，能准确判断当前环境是白天还是黑夜，从而精准的识别目标，提供一种基于图像频率和亮度中值的昼夜判别方法。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
基于图像频率和亮度中值的昼夜判别方法，包括以下步骤：
步骤S1，检测设备发现目标，双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像；所述双光电设备包括白光光电设备、红外光电设备，其中白光光电设备用于拍摄白光光电图像，红外光电设备用于拍摄红外光电图像；
步骤S2，计算抽取的一帧白光光电图像的频率梯度，根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域；其中高频为大于频率梯度中最小值与最大值的平均值的频率；
步骤S3，判断滤除了高频的频率梯度中的中值与预设阈值的大小，若中值大于预设阈值则判断为白天，并使用白光光电图像进行目标识别；若中值小于预设阈值则判断为夜晚，并使用红外光电图像进行目标识别。
更进一步地，所述检测设备发现目标的步骤，包括：
所述检测设备为雷达，雷达经云台转动回到初始位置后开始初始扫描，以确认当前环境并形成扫描频谱图，使用所述扫描频谱图作为参照环境；
雷达经云台持续扫描，当扫描的环境与参照环境不一致时，对比确定不一致的扫描点，并对该扫描点进行持续跟踪，得到该扫描点的移动轨迹，从而确定发现的目标。
更进一步地，所述双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像的步骤，包括：
根据目标对雷达反射面和当前环境不同所产生的差异点确定目标在所述参照环境中的位置，将该位置转换为由平面角度、俯仰角度、距离雷达位置构成的坐标数据，由RJ45网络通讯将坐标数据传输至显控计算机；
显控计算机通过CAN通讯调度云台，将双光电设备转动至目标所在方向，并通过RJ45网络通讯接收目标的坐标数据，使得双光电设备锁定目标拍摄视频画面；
双光电设备将拍摄的视频画面通过RJ45网络通讯传输至显控计算机，显控计算机对其中白光光电设备拍摄的每2s视频画面中随机抽取一帧白光光电图像。
更进一步地，所述计算抽取的一帧白光光电图像的频率梯度的步骤，包括：
z=I(x,y)
其中x为白光光电图像中某一像素点的横坐标，y为该像素点的纵坐标，z为该像素点的像素值；
获取坐标点横坐标x、纵坐标y的滤波核Sx、Sy；并分别对滤波核人工进行标签插值，得到标签系数Gx、Gy；再对滤波核进行判别强化，得到强化度数Nx、Ny；
根据标签系数、强化度数对滤波核进行卷积：
其中，
、
分别为标签系数Gx、Gy的真实期望值；
、
分别为标签系数Gx、Gy的预期期望值；
为判别系数；
为微分符号；
根据卷积后的滤波核
、
计算频率梯度向量：
根据频率梯度向量计算出该像素点的频率梯度：
对该帧白光光电图像的所有像素点进行频率梯度的计算，从而获得该帧白光光电图像的频率梯度F={
}，i表示第i个像素点。
更进一步地，所述根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域的步骤，包括：
将频率梯度F={
}中所有像素点的频率梯度
按照从小到大或从大到小的顺序排序，形成新的频率梯度F`={
}；
将频率梯度F`中的最小值
与最大值
的平均值
作为高频阈值，频率梯度F`中大于高频阈值的为高频，将高频从频率梯度F`中滤除。
与现有技术相比，本发明的有益效果：
本发明通过预判断目标的方式，对当前的昼夜环境进行实时监测，并通过智能算法自动选择白光光电图像进行频率梯度的计算，使用深度卷积的方式对图像的像素值进行处理，可以排除图像中有外强光源的影响，并且保留了图像最真实的线条，然后通过计算频率梯度的中值，能够更准确的实现昼夜区分。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明昼夜判别方法流程图；
图2为本发明双光电设备模块示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例：
本发明通过下述技术方案实现，如图1所示，基于图像频率和亮度中值的昼夜判别方法，包括以下步骤：
步骤S1，检测设备发现目标，双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像。
请参见图2，所述双光电设备包括白光光电设备、红外光电设备，其中白光光电设备用于拍摄白光光电图像，红外光电设备用于拍摄红外光电图像。
所述检测设备可以为雷达或其他的设备，本实施例使用雷达。雷达经云台转动回到初始位置后开始初始扫描，以确认当前环境并形成扫描频谱图，使用所述扫描频谱图作为参照环境。雷达经云台持续扫描，当扫描的环境与参照环境不一致时，对比确定不一致的扫描点，并对该扫描点进行持续跟踪，得到该扫描点的移动轨迹，从而确定发现的目标。
步骤S2，计算抽取的一帧白光光电图像的频率梯度，根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域；其中高频为大于频率梯度中最小值与最大值的平均值的频率。
根据目标对雷达反射面和当前环境不同所产生的差异点确定目标在所述参照环境中的位置，将该位置转换为由平面角度、俯仰角度、距离雷达位置构成的坐标数据，由RJ45网络通讯将坐标数据传输至显控计算机。显控计算机通过CAN通讯调度云台，将双光电设备转动至目标所在方向，并通过RJ45网络通讯接收目标的坐标数据，使得双光电设备锁定目标拍摄视频画面。双光电设备将拍摄的视频画面通过RJ45网络通讯传输至显控计算机，显控计算机对其中白光光电设备拍摄的每2s视频画面中随机抽取一帧白光光电图像，计算其频率梯度。比如视频画面是30帧的视频流，则2s的视频画面即有60帧图像，从60帧图像中随机抽取一张作为该帧白光光电图像。
z=I(x,y)
其中x为白光光电图像中某一像素点的横坐标，y为该像素点的纵坐标，z为该像素点的像素值；
获取坐标点横坐标x、纵坐标y的滤波核Sx、Sy；并分别对滤波核人工进行标签插值，得到标签系数Gx、Gy；再对滤波核进行判别强化，得到强化度数Nx、Ny；
根据标签系数、强化度数对滤波核进行卷积：
其中，
、
分别为标签系数Gx、Gy的真实期望值；
、
分别为标签系数Gx、Gy的预期期望值；
为判别系数；
为微分符号；
根据卷积后的滤波核
、
计算频率梯度向量：
根据频率梯度向量计算出该像素点的频率梯度：
对该帧白光光电图像的所有像素点进行频率梯度的计算，从而获得该帧白光光电图像的频率梯度F={
}，i表示第i个像素点。比如求得该帧白光光电图像的频率梯度F={3,1,2,5,7}。
本方案对图像的频率梯度进行计算时，融合深度学习的卷积对像素值进行处理，最后计算得到的频率是在图像进行滤波和强化后的，可以排除图像中外强光源的影响，保留了图像最真实的线条。
然后将频率梯度F={
}中所有像素点的频率梯度
按照从小到大或从大到小的顺序排序，形成新的频率梯度F`={
}。比如将频率梯度F={3,1,2,5,7}中的像素点按照从小到大的顺序排序后，得到F`={1,2,3,5,7}。
最后将频率梯度F`中的最小值
与最大值
的平均值
作为高频阈值，频率梯度F`中大于高频阈值的为高频，将高频从频率梯度F`中滤除。比如频率梯度F`中的最小值为1，最大值为7，则高频阈值为4，只要F`中大于4的频率都属于高频，则将高频从F`中滤除，剩下F`={1,2,3}。
步骤S3，判断滤除了高频的频率梯度中的中值与预设阈值的大小，若中值大于预设阈值则判断为白天，并使用白光光电图像进行目标识别；若中值小于预设阈值则判断为夜晚，并使用红外光电图像进行目标识别。
选择中值可以克服线性滤波带来的图像细节的模糊问题，特别是针对被椒盐噪声污染的图像。剩下的频率梯度F`={1,2,3}的中值为2，如果将预设阈值设置为1.5，则判断当前环境为白天，并使用白光光电图像对目标进行继续追踪和识别；如果将预设阈值设置我3，则判断当前环境为夜晚，并使用红外光电图像对目标进行继续追踪和识别。
容易理解的，如果频率梯度F`中剩下的频率数是双数，则取中间两个值的平均值作为中值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.基于图像频率和亮度中值的昼夜判别方法，其特征在于：包括以下步骤：
步骤S1，检测设备发现目标，双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像；所述双光电设备包括白光光电设备、红外光电设备，其中白光光电设备用于拍摄白光光电图像，红外光电设备用于拍摄红外光电图像；
步骤S2，计算抽取的一帧白光光电图像的频率梯度，根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域；其中高频为大于频率梯度中最小值与最大值的平均值的频率；
步骤S3，判断滤除了高频的频率梯度中的中值与预设阈值的大小，若中值大于预设阈值则判断为白天，并使用白光光电图像进行目标识别；若中值小于预设阈值则判断为夜晚，并使用红外光电图像进行目标识别。
2.根据权利要求1所述的基于图像频率和亮度中值的昼夜判别方法，其特征在于：所述检测设备发现目标的步骤，包括：
所述检测设备为雷达，雷达经云台转动回到初始位置后开始初始扫描，以确认当前环境并形成扫描频谱图，使用所述扫描频谱图作为参照环境；
雷达经云台持续扫描，当扫描的环境与参照环境不一致时，对比确定不一致的扫描点，并对该扫描点进行持续跟踪，得到该扫描点的移动轨迹，从而确定发现的目标。
3.根据权利要求1所述的基于图像频率和亮度中值的昼夜判别方法，其特征在于：所述双光电设备获取目标所在区域的视频画面，并抽取视频画面中的一帧白光光电图像的步骤，包括：
根据目标对雷达反射面和当前环境不同所产生的差异点确定目标在所述参照环境中的位置，将该位置转换为由平面角度、俯仰角度、距离雷达位置构成的坐标数据，由RJ45网络通讯将坐标数据传输至显控计算机；
显控计算机通过CAN通讯调度云台，将双光电设备转动至目标所在方向，并通过RJ45网络通讯接收目标的坐标数据，使得双光电设备锁定目标拍摄视频画面；
双光电设备将拍摄的视频画面通过RJ45网络通讯传输至显控计算机，显控计算机对其中白光光电设备拍摄的每2s视频画面中随机抽取一帧白光光电图像。
4.根据权利要求1所述的基于图像频率和亮度中值的昼夜判别方法，其特征在于：所述计算抽取的一帧白光光电图像的频率梯度的步骤，包括：
z=I(x,y)
其中x为白光光电图像中某一像素点的横坐标，y为该像素点的纵坐标，z为该像素点的像素值；
获取坐标点横坐标x、纵坐标y的滤波核Sx、Sy；并分别对滤波核人工进行标签插值，得到标签系数Gx、Gy；再对滤波核进行判别强化，得到强化度数Nx、Ny；
根据标签系数、强化度数对滤波核进行卷积：
其中，
、
分别为标签系数Gx、Gy的真实期望值；
、
分别为标签系数Gx、Gy的预期期望值；
为判别系数；
为微分符号；
根据卷积后的滤波核
、
计算频率梯度向量：
根据频率梯度向量计算出该像素点的频率梯度：
对该帧白光光电图像的所有像素点进行频率梯度的计算，从而获得该帧白光光电图像的频率梯度F={
}，i表示第i个像素点。
5.根据权利要求4所述的基于图像频率和亮度中值的昼夜判别方法，其特征在于：所述根据频率梯度滤除该帧白光光电图像中高频围绕的亮度区域的步骤，包括：
将频率梯度F={
}中所有像素点的频率梯度
按照从小到大或从大到小的顺序排序，形成新的频率梯度F`={
}；
将频率梯度F`中的最小值
与最大值
的平均值
作为高频阈值，频率梯度F`中大于高频阈值的为高频，将高频从频率梯度F`中滤除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210473865.4A CN115019224A (zh) | 2022-04-29 | 2022-04-29 | 基于图像频率和亮度中值的昼夜判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210473865.4A CN115019224A (zh) | 2022-04-29 | 2022-04-29 | 基于图像频率和亮度中值的昼夜判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115019224A true CN115019224A (zh) | 2022-09-06 |
Family
ID=83068046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210473865.4A Pending CN115019224A (zh) | 2022-04-29 | 2022-04-29 | 基于图像频率和亮度中值的昼夜判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019224A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211407A (zh) * | 2006-12-29 | 2008-07-02 | 沈阳东软软件股份有限公司 | 昼夜图像识别方法和装置 |
| CN106156776A (zh) * | 2015-04-18 | 2016-11-23 | 宁波中国科学院信息技术应用研究院 | 一种交通视频监控中的光照识别方法 |
| CN109587392A (zh) * | 2018-10-18 | 2019-04-05 | 北京集光通达科技股份有限公司 | 监控设备的调整方法及装置、存储介质、电子装置 |
| WO2020062276A1 (zh) * | 2018-09-30 | 2020-04-02 | 浙江宇视科技有限公司 | 昼夜切换方法、装置、电子设备及可读存储介质 |
| CN111612734A (zh) * | 2020-04-03 | 2020-09-01 | 苗锡奎 | 一种基于图像结构复杂度的背景杂波表征方法 |
-
2022
- 2022-04-29 CN CN202210473865.4A patent/CN115019224A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211407A (zh) * | 2006-12-29 | 2008-07-02 | 沈阳东软软件股份有限公司 | 昼夜图像识别方法和装置 |
| CN106156776A (zh) * | 2015-04-18 | 2016-11-23 | 宁波中国科学院信息技术应用研究院 | 一种交通视频监控中的光照识别方法 |
| WO2020062276A1 (zh) * | 2018-09-30 | 2020-04-02 | 浙江宇视科技有限公司 | 昼夜切换方法、装置、电子设备及可读存储介质 |
| CN109587392A (zh) * | 2018-10-18 | 2019-04-05 | 北京集光通达科技股份有限公司 | 监控设备的调整方法及装置、存储介质、电子装置 |
| CN111612734A (zh) * | 2020-04-03 | 2020-09-01 | 苗锡奎 | 一种基于图像结构复杂度的背景杂波表征方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2009295350B2 (en) | Detection of vehicles in an image | |
| 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 | |
| CN112800860B (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 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN108205891B (zh) | 一种监控区域的车辆监测方法 | |
| US20060221181A1 (en) | Video ghost detection by outline | |
| CN105046218B (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
| CN113177467A (zh) | 火焰识别方法及系统、装置、介质 | |
| CN111860120A (zh) | 车载相机自动遮挡检测方法和装置 | |
| CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
| CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
| CN109948474A (zh) | Ai热成像全天候智能监控方法 | |
| CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
| CN112613568B (zh) | 基于可见光及红外多光谱图像序列的目标识别方法和装置 | |
| Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification | |
| CN113989732A (zh) | 基于深度学习的实时监控方法、系统、设备和可读介质 | |
| CN112770090A (zh) | 一种基于异动检测与目标跟踪的监控方法 | |
| CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
| CN115019224A (zh) | 基于图像频率和亮度中值的昼夜判别方法 | |
| CN114022468B (zh) | 一种安防监控中物品遗留丢失检测方法 | |
| CN113066077B (zh) | 火焰检测方法及装置 | |
| Qiuyu et al. | Design and implementation of video-based detection system for wharf ship | |
| CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
| Zhao et al. | Research on vehicle detection and vehicle type recognition under cloud computer vision | |
| CN108171168B (zh) | 弱小目标变动智能图像检测方法及装置 |
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 |