CN115205902A - 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 - Google Patents
基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 Download PDFInfo
- Publication number
- CN115205902A CN115205902A CN202210837246.9A CN202210837246A CN115205902A CN 115205902 A CN115205902 A CN 115205902A CN 202210837246 A CN202210837246 A CN 202210837246A CN 115205902 A CN115205902 A CN 115205902A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- fast
- rcnn
- video
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,包括:采集含有行人的视频流数据,采用滑动窗对所述视频流数据进行切分得到数个视频图像;获得视频图像中的行人候选框;对行人候选框进行背景剔除和二值化处理,得到行人模型数据;搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型;采集车辆行驶过程中的视频流数据,采用滑动窗切分得到待检测的视频图像;将待检测的视频图像输入至训练后的Fast-RCNN网络模型,结合Graph-Based算法和CFAR算法得到含有行人的图像;利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其是基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法。
背景技术
行人检测是计算机视觉中最重要的任务之一,尤其在自动驾驶技术中。目前,现有技术中的行人检测多采用建立行人姿态数据,并进行模型训练和识别,例如专利公开号为“CN110084118A”、名称为“行人检测训练数据库的建立方法、行人检测方法及装置”的中国发明专利,其在初始行人检测训练数据库中扩增指定数量的包含指定卧姿的行人样例图像数据,获得第一扩增数据库;将第一扩增数据库中的非卧姿行人样例图像数据进行基于颜色替换的行人样例图像扩增,获得第二扩增数据库;将第二扩增数据库中的非卧姿行人样例图像数据进行基于人体比例的行人样例图像扩增,获得行人检测训练数据库。
再如专利公开号为“CN113505648A”、名称为“行人检测方法、装置、终端设备及存储介质”的中国发明专利,其根据行人检测模型中的编码器对样本行人图像进行特征提取,得到行人特征,根据行人检测模型中的特征增强网络中预设的卷积核,分别对行人特征进行反卷积处理,得到特征向量;根据特征向量和与样本行人图像对应的样本行人检测结果,分别确定行人检测模型的行人重识别损失值和行人检测损失值;根据行人重识别损失值和行人检测损失值对行人检测模型进行参数更新,直至行人检测模型收敛,将待检测图像输入收敛后的行人检测模型中进行行人检测,得到行人检测结果。
上述技术存在以下问题:
第一,若采集的图像范围较广,行人在图像中分布的位置有远有近,在智能驾驶过程中,远距离的行人检测的价值不高,并且增加的计算的工作量;
第二,若行人较多或者行人与周边环境的分界线不明显时,其识别的效率较低,因此,存在误检测的问题;
因此,急需要提出一种逻辑简单、准确可靠、计算工作量少的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法。
发明内容
针对上述问题,本发明的目的在于提供基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,本发明采用的技术方案如下:
第一部分:
本技术提供了一种基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其包括以下步骤:
采集含有行人的视频流数据,并采用滑动窗对所述视频流数据进行切分,得到数个视频图像;
对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,并获得视频图像中的行人候选框;
对行人候选框进行背景剔除和二值化处理,得到行人模型数据;所述行人模型数据含有数个行人姿态;
搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型;
采集车辆行驶过程中的视频流数据,并对视频图像进行滑动窗切分,得到待检测的视频图像;将待检测的视频图像输入至训练后的Fast-RCNN网络模型,结合Graph-Based算法和CFAR算法得到含有行人的图像;
利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。
第二部分:
本技术提供了一种基于Fast-RCNN和联合概率数据关联滤波器的行人检测的装置,其包括:
视频采集模块,采集视频流数据;
视频切分模块,与视频采集模块连接,采用滑动窗对所述视频流数据进行切分,得到数个视频图像;
行人候选框提取模块,与视频切分模块连接,对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,并获得视频图像中的行人候选框;
训练数据模块,与行人候选框提取模块连接,对行人候选框进行背景剔除和二值化处理,得到行人模型数据;所述行人模型数据含有数个行人姿态;
Fast-RCNN网络模型模块,搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型;
图像输出模块,与Fast-RCNN网络模型模块连接,利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。
第三部分:
本技术提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法。
第四部分:
本技术提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地采用Fast-RCNN网络模型进行行人检测,并且同时对行人与车辆之间的间距进行测量,既能减少超出阈值的目标检测的计算工作量,又能解决行人的多目标跟踪容易产生检测偏移以及对行人的漏检的问题;
(2)本发明采用Graph-Based算法和CFAR算法联合特征提取的方式,其能实现背景与目标无明显分界条件下的候选框可靠选取,并且进一步地解决漏检的问题;
(3)本发明通过联合概率数据关联滤波器计算含有行人的图像的关联概率,保证检测的准确性,其与Graph-Based算法和CFAR算法进行配合,彻底解决误检测的问题;
(4)本发明通过预设关联概率阈值,以剔除图像中目标短暂停留或者误检测目标,在提高准确率的同时,还能减少计算工作量;
综上所述,本发明具有逻辑简单、准确可靠、计算工作量少等优点,在智能驾驶技术领域具有很高的实用价值和推广价值。
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使用的附图作简单介绍,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保护范围的限定,对于本领域技术人员来说,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为本发明的逻辑流程图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
实施例
如图1所示,本实施例提供了基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其包括以下步骤:
第一步,采集含有行人的视频流数据,并采用滑动窗对所述视频流数据进行切分,得到数个连续的视频图像。
第二步,对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,并获得视频图像中的行人候选框;在训练数据采集和识别过程中,均涉及的行人候选框的绘制,为了保证候选框选取可靠,解决背景与行人目标无明显分界或分辨较难的问题。本实施例的对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,包括:
(1)采用Graph-Based算法对视频图像进行行人和背景的界限划分,得到行人图像。在此,利用视频图像中任一像素点与其相邻的像素点的不相似度,根据不相似度区分背景与行人,选选框选取更可靠;
(2)对行人图像进行形态学滤波处理,得到视频图像中的行人候选框。本实施例中,在Graph-Based算法做出分界区分的基础上,利用形态学确认是否为行人,如此一来,便能保证识别的准确性。
第三步,在训练数据获取时,对行人候选框进行背景剔除和二值化处理,得到行人模型数据;所述行人模型数据含有数个行人姿态。在训练数据中,采用实际的行人模型数据,较传统搭建行人姿态数据更可靠。
第四步,搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型。Fast-RCNN在网络的尾部采用并行的全连接层,可同时输出分类结果和窗口回归结果,实现了端到端的多任务训练,且不需要额外的特征存储空间。
第五步,采集车辆行驶过程中的视频流数据,并对视频图像进行滑动窗切分,得到待检测的视频图像;将待检测的视频图像输入至训练后的Fast-RCNN网络模型,结合Graph-Based算法和CFAR算法得到含有行人的图像。
在检测时,为了减少计算工作量,剔除远离较远的行人目标,本实施例还包括:
(1)测量视频图像中的行人与视频采集设备的间距;
(2)预设视频采集设备与视频图像中的行人的阈值;
(3)若当前视频图像中的行人与视频采集设备的间距大于阈值,则剔除对应的行人候选框。
第六步,利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。在本实施例中,采用卡尔曼滤波算法剔除输出关联概率小于或等于关联概率阈值对应的图像,并对输出关联概率大于关联概率阈值对应的图像进行拼接,得到行人在图像中的跟踪轨迹。例如:某一行人目标在视频图像中极短的时间出现(如10ms),且距离也在阈值范围内,但是,在后续的视频中又无该行人目标,那么,对该目标进行连续跟踪是没有价值。或者,视频中出现误数据信号,其下一时刻又无该数据信号,此处,采用关联概率阈值就能可靠剔除。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (10)
1.基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,包括以下步骤:
采集含有行人的视频流数据,并采用滑动窗对所述视频流数据进行切分,得到数个视频图像;
对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,并获得视频图像中的行人候选框;
对行人候选框进行背景剔除和二值化处理,得到行人模型数据;所述行人模型数据含有数个行人姿态;
搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型;
采集车辆行驶过程中的视频流数据,并对视频图像进行滑动窗切分,得到待检测的视频图像;将待检测的视频图像输入至训练后的Fast-RCNN网络模型,结合Graph-Based算法和CFAR算法得到含有行人的图像;
利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。
2.根据权利要求1所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,还包括:
采集视频流数据,并测量视频图像中的行人与视频采集设备的间距;
预设视频采集设备与视频图像中的行人的阈值;
若当前视频图像中的行人与视频采集设备的间距大于阈值,则剔除对应的行人候选框。
3.根据权利要求1所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,还包括:
剔除输出关联概率小于或等于关联概率阈值对应的图像,并对输出关联概率大于关联概率阈值对应的图像进行拼接,得到行人在图像中的跟踪轨迹。
4.根据权利要求1或2或3所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,包括:
采用Graph-Based算法对视频图像进行行人和背景的界限划分,得到行人图像;
对行人图像进行形态学滤波处理,得到视频图像中的行人候选框。
5.根据权利要求4所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,还包括:测量行人图像的行人与视频采集设备的间距。
6.根据权利要求1所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法,其特征在于,根据预设的关联概率阈值,采用卡尔曼滤波算法剔除小于关联概率阈值的行人目标,并输出关联概率大于关联概率阈值对应的图像。
7.一种基于Fast-RCNN和联合概率数据关联滤波器的行人检测的装置,其特征在于,包括:
视频采集模块,采集视频流数据;
视频切分模块,与视频采集模块连接,采用滑动窗对所述视频流数据进行切分,得到数个视频图像;
行人候选框提取模块,与视频切分模块连接,对任一视频图像采用Graph-Based算法和CFAR算法联合特征提取,并获得视频图像中的行人候选框;
训练数据模块,与行人候选框提取模块连接,对行人候选框进行背景剔除和二值化处理,得到行人模型数据;所述行人模型数据含有数个行人姿态;
Fast-RCNN网络模型模块,搭建Fast-RCNN网络模型,并利用行人模型数据对Fast-RCNN网络模型进行训练,得到训练后的Fast-RCNN网络模型;
图像输出模块,与Fast-RCNN网络模型模块连接,利用联合概率数据关联滤波器计算含有行人的图像的关联概率,根据预设的关联概率阈值,输出关联概率大于关联概率阈值对应的图像。
8.根据权利要求7所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测的装置,其特征在于,还包括:
测距模块,测量视频图像中的行人与视频采集设备的间距;
图像筛选模块,预设视频采集设备与视频图像中的行人的阈值,并剔除间距大于阈值对应的行人候选框。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权要求1至6任一项所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权要求1至6任一项所述的基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837246.9A CN115205902B (zh) | 2022-07-15 | 2022-07-15 | 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837246.9A CN115205902B (zh) | 2022-07-15 | 2022-07-15 | 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115205902A true CN115205902A (zh) | 2022-10-18 |
CN115205902B CN115205902B (zh) | 2023-06-30 |
Family
ID=83582396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837246.9A Active CN115205902B (zh) | 2022-07-15 | 2022-07-15 | 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205902B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
CN102831620A (zh) * | 2012-08-03 | 2012-12-19 | 南京理工大学 | 基于多假设跟踪数据关联的红外弱小目标搜索跟踪方法 |
CN109145872A (zh) * | 2018-09-20 | 2019-01-04 | 北京遥感设备研究所 | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
CN112258552A (zh) * | 2020-09-15 | 2021-01-22 | 青岛邃智信息科技有限公司 | 一种社区监控场景下行人多目标跟踪方法 |
CN112505679A (zh) * | 2019-09-13 | 2021-03-16 | 英飞凌科技股份有限公司 | 人体目标跟踪系统及方法 |
CN114202743A (zh) * | 2021-09-10 | 2022-03-18 | 湘潭大学 | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
-
2022
- 2022-07-15 CN CN202210837246.9A patent/CN115205902B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
CN102831620A (zh) * | 2012-08-03 | 2012-12-19 | 南京理工大学 | 基于多假设跟踪数据关联的红外弱小目标搜索跟踪方法 |
CN109145872A (zh) * | 2018-09-20 | 2019-01-04 | 北京遥感设备研究所 | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
CN112505679A (zh) * | 2019-09-13 | 2021-03-16 | 英飞凌科技股份有限公司 | 人体目标跟踪系统及方法 |
CN112258552A (zh) * | 2020-09-15 | 2021-01-22 | 青岛邃智信息科技有限公司 | 一种社区监控场景下行人多目标跟踪方法 |
CN114202743A (zh) * | 2021-09-10 | 2022-03-18 | 湘潭大学 | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
Non-Patent Citations (8)
Title |
---|
FENG CHEN 等: "GRAPH-BASED SHIP EXTRACTION SCHEME FOR OPTICAL SATELLITE IMAGE" * |
SHANSHAN ZHANG 等: "Fast moving pedestrian detection based on motion segmentation and new motion features" * |
SILVIO JAMIL F. GUIMARÃES 等: "AN EFFICIENT HIERARCHICAL GRAPH BASED IMAGE SEGMENTATION" * |
YUHAO CHEN等: "A Graph-Based Track-Before-Detec Algorithm for Automotive Radar Target Detection" * |
云红全;徐力;孙骁;明德烈;鞠雯;: "基于超像素时空显著性的运动目标检测算法" * |
左治江;胡军;郑文远;梅天灿;: "结合动态概率定位模型的道路目标检测" * |
常沛;夏勇;李玉景;吴涛;: "基于CNN的SAR车辆目标检测" * |
胡炎;单子力;高峰;: "基于Faster-RCNN和多分辨率SAR的海上舰船目标检测" * |
Also Published As
Publication number | Publication date |
---|---|
CN115205902B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
WO2017000466A1 (zh) | 一种基于光流法的运动目标跟踪方法及系统 | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
US10255511B2 (en) | Real time traffic sign recognition | |
TWI734472B (zh) | 基於深度學習的行車輔助系統及其方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
WO2016059643A1 (en) | System and method for pedestrian detection | |
CN112949451B (zh) | 通过模态感知特征学习的跨模态目标跟踪方法及系统 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN112084957B (zh) | 一种移动目标滞留检测方法及系统 | |
CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
CN115205902B (zh) | 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法 | |
Xiang et al. | Research on target detection method based on HSV fusion Gaussian mixture model | |
Mo et al. | A novel edge detection method based on adaptive threshold | |
Othman et al. | A statistical approach of multiple resolution levels for canny edge detection | |
CN113139526A (zh) | 一种基于OpenCV的停车泊位线识别方法 | |
Zhao et al. | Research on vehicle detection and vehicle type recognition under cloud computer vision | |
CN114022753A (zh) | 基于显著性和边缘分析的对空小目标检测算法 | |
CN108492320B (zh) | 一种基于并行处理的红外弱小目标检测方法 | |
CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 | |
CN107862294B (zh) | 一种基于形态学重建的车道线检测方法与装置 | |
CN111523583A (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
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 |