CN115719472A - 一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 - Google Patents
一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115719472A CN115719472A CN202210773056.5A CN202210773056A CN115719472A CN 115719472 A CN115719472 A CN 115719472A CN 202210773056 A CN202210773056 A CN 202210773056A CN 115719472 A CN115719472 A CN 115719472A
- Authority
- CN
- China
- Prior art keywords
- detection
- detected
- target
- tracking
- track
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 230000000295 complement effect Effects 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001629 suppression Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于检测和跟踪的互补优化方法、系统、设备及存储介质，所述方法包括以下步骤：获取待检测目标；根据所述待检测目标，确定检测框，并为每个检测框分配标识号；根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；将获取的待检测目标的轨迹图像进行噪声抑制。本发明通过将获取的待检测目标的轨迹图像进行噪声抑制，可以有效降低实际应用过程中的误报率。
Description
技术领域
本发明涉及基于检测和跟踪的互补优化技术领域，尤其是涉及人工智能技术和智能安防技术，具体地说，涉及一种基于检测和跟踪的互补优化方法、系统、设备及存储介质。
背景技术
在一些智能安防监控设备落地的过程中，往往因数据集不足或环境复杂等因素导致检测算法不够准确，出现大量的误检漏检等情况；同时带有深度特征提取匹配的跟踪算法对算力要求太高，不适合部署到端侧设备中。
传统的应用于智能安防监控设备中的检测算法，有基于传统算法的边缘检测、动态物体检测等算法，有基于深度学习的神经网络检测算法，但是不论哪种算法，在室外环境下都难以达到95％以上的准确率，有些算法在起初上线的时候甚至只有70％的准确率。
因此，尤其是在复杂场景下,检测算法和跟踪算法单独来看均有缺陷，在实际应用中效果不好。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种降低误报率、提高了准确性的基于检测和跟踪的互补优化方法、系统、设备及存储介质。
为解决上述技术问题，本发明采用技术方案的基本构思是：
第一方面，一种基于检测和跟踪的互补优化方法，所述方法包括以下步骤：
获取待检测目标；
根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
将获取的待检测目标的轨迹图像进行噪声抑制。
在上述任一方案中优选的实施例，所述根据所述待检测目标，确定检测框，并为每个检测框分配标识号，包括：
根据所述待检测目标，通过检测算法检出待检测目标的检测框；
根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
根据所述当前位置点，使用跟踪算法为每个检测框分配标识号。
在上述任一方案中优选的实施例，所述检测算法为：
边缘检测算法，或动态物体检测算法，或基于深度学习的神经网络检测算法。
在上述任一方案中优选的实施例，所述跟踪算法为匈牙利算法和卡尔曼滤波算法。
在上述任一方案中优选的实施例，所述根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器，包括：
若当前标识号对应的轨迹缓存器中的轨迹图像为空，则添加位置点；若当前标识号对应的轨迹缓存器中的轨迹图像不为空，则求该位置点与轨迹缓存器中的最后一个位置点的欧氏距离；
若该位置点与轨迹缓存器中的最后一个位置点的欧氏距离大于设置的阈值，则抛弃该位置点，并创建一个抛弃次数记录器，记录该标识号被抛弃位置数累加；
若被抛弃次数大于设置的阈值，则清空该轨迹缓存器中的轨迹图像；
若该位置点与轨迹缓存器中的轨迹图像的最后一个位置点的欧氏距离小于设置的阈值，则添加该位置点，同时删除抛弃次数记录器中相应的标识号记录，若抛弃次数记录器中没有记录，则忽略。
在上述任一方案中优选的实施例，所述将获取的待检测目标的轨迹图像进行噪声抑制，包括：
当轨迹缓存器中的轨迹点少于轨迹点缓存阈值时,不对该待检测目标进行后续判断；或者，
选择轨迹缓存器最后三个点a1、a2、a3；
通过欧式距离计算，当(a3-a2)/(a2-a1)大于轨迹点缓存阈值时，则该点为异常噪点，不进行后续处理。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
通过将获取的待检测目标的轨迹图像进行噪声抑制，可以有效降低实际应用过程中的误报率。
第二方面，一种基于检测和跟踪的互补优化系统，包括：
一种基于检测和跟踪的互补优化系统，包括：
获取模块，用于获取待检测目标；
分配模块，用于根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
设立模块，用于根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
处理模块，用于将获取的待检测目标的轨迹图像进行噪声抑制。
在上述任一方案中优选的实施例，所述分配模块，包括：
识别模块，用于根据所述待检测目标，通过检测算法检出待检测目标的检测框；
确定模块，用于根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
标识模块，用于根据所述当前位置点，使用跟踪算法为每个检测框分配标识号。
采用上述技术方案后，第二方面与第一方面的有益效果相同，故在此不再赘述。
第三方面，一种基于检测和跟踪的互补优化设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的基于检测和跟踪的互补优化方法的步骤。
第三方面与第一方面其有益效果一致，故在此不再赘述。
第四方面，一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的基于检测和跟踪的互补优化方法。
第四方面与第一方面其有益效果一致，故在此不再赘述。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1是本发明基于检测和跟踪的互补优化方法的流程示意图。
图2是本发明基于检测和跟踪的互补优化方法的将获取的待检测目标的轨迹图像进行噪声抑制流程示意图。
图3为本申请实施例基于检测和跟踪的互补优化系统示意图。
图4为本申请实施例基于检测和跟踪的互补优化设备示意图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1和图2所示，本发明提供了一种基于检测和跟踪的互补优化方法，所述方法包括以下步骤：
步骤1：获取待检测目标；
步骤2：根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
步骤3：根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
步骤4：将获取的待检测目标的轨迹图像进行噪声抑制。
在本发明实施例所述的基于检测和跟踪的互补优化方法中，通过图像采集设备采集图像，然后根据图像中的内容选择需要进行检测的区域制定一个检测框，从而对检测框内的区域实时进行采集和分析，并且将检测框中的图像进行标注，以方便分辨，然后实时采集在检测框中目标的轨迹图像，并将其储存在轨迹缓存器中，然后将获取的待检测目标的轨迹图像进行噪声抑制，可以有效降低实际应用过程中的误报率。
在本发明实施例中，所述根据所述待检测目标，确定检测框，并为每个检测框分配标识号，包括：
步骤21：根据所述待检测目标，通过检测算法检出待检测目标的检测框，所述检测算法为：边缘检测算法，或动态物体检测算法，或基于深度学习的神经网络检测算法；
步骤22：根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
步骤23：根据所述当前位置点，使用跟踪算法为每个检测框分配标识号，所述跟踪算法为匈牙利算法和卡尔曼滤波算法。
在本发明实施例所述的基于检测和跟踪的互补优化方法中，所述边缘检测算法，具体包括：滤波，增强，检测和定位，边缘检测的实质是提取出图像中对象与背景间的交界线，将边缘定义为图像中灰度发生急剧变化的区域边界，图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获得边缘检测算子，通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的，因此，通过采用边缘检测算法，可以大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
所述基于深度学习的神经网络检测算法可以识别出一张图像中的多种不同的物体并通过边界框将其定位出来，并采用实例分割，当使用时，它将整幅图像分成一个一个的像素组然后对其进行标记和分类，它在语义上理解图像中的每个像素所代表的事物并通过不同的像素组确定了每个物体的边界，相比于语义分割，实例分割不仅仅对图像中的所有像素点进行分类，还需要区分相同类别中的不同个体，因此，图像分类只是对图像进行单一的分类和识别，目标检测对图像进行多类型的分类及粗糙的矩形框定位，而语义分割对整个图像的所有部分进行多类型标注分类及精确的物体分割定位。
在本发明实施例中，所述根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器，包括：
步骤31：若当前标识号对应的轨迹缓存器中的轨迹图像为空，则添加位置点；若当前标识号对应的轨迹缓存器中的轨迹图像不为空，则求该位置点与轨迹缓存器中的最后一个位置点的欧氏距离；
步骤32：若该位置点与轨迹缓存器中的最后一个位置点的欧氏距离大于设置的阈值，则抛弃该位置点，并创建一个抛弃次数记录器，记录该标识号被抛弃位置数累加；
步骤33：若被抛弃次数大于设置的阈值，则清空该轨迹缓存器中的轨迹图像；
步骤34：若该位置点与轨迹缓存器中的轨迹图像的最后一个位置点的欧氏距离小于设置的阈值，则添加该位置点，同时删除抛弃次数记录器中相应的标识号记录，若抛弃次数记录器中没有记录，则忽略。
在本发明实施例所述的基于检测和跟踪的互补优化方法中，欧氏距离(EuclidDistance)也称欧几里得度量、欧几里得距离,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离，在二维空间中的欧氏距离就是两点之间的直线段距离。
所述将获取的待检测目标的轨迹图像进行噪声抑制，包括：
步骤41：当轨迹缓存器中的轨迹点少于轨迹点缓存阈值时,不对该待检测目标进行后续判断；或者，
步骤42：选择轨迹缓存器最后三个点a1、a2、a3；
步骤43：通过欧式距离计算，当(a3-a2)/(a2-a1)大于轨迹点缓存阈值时，则该点为异常噪点，不进行后续处理。
如图3所示，一种基于检测和跟踪的互补优化系统，包括：
一种基于检测和跟踪的互补优化系统，包括：
获取模块，用于获取待检测目标；
分配模块，用于根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
设立模块，用于根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
处理模块，用于将获取的待检测目标的轨迹图像进行噪声抑制。
在本发明实施例中，所述分配模块，包括：
识别模块，用于根据所述待检测目标，通过检测算法检出待检测目标的检测框；
确定模块，用于根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
标识模块，用于根据所述当前位置点，使用跟踪算法为每个检测框分配标识号。
如图4所示，一种基于检测和跟踪的互补优化设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如所述基于检测和跟踪的互补优化方法的步骤。其中，处理器用于控制该测量设备的整体操作，以完成上述的基于检测和跟踪的互补优化方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该测量设备的操作，这些数据例如可以包括用于在该测量设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现。
例如静态随机存取存储器(StaticRandomAccessMemory，简称SRAM)；电可擦除可编程只读存储器ElectricallyErasableProgrammableRead-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory，简称EPROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口为处理器和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件用于该测量设备与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G、4G或5G，或它们中的一种或几种的组合，因此相应的该通信组件可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，测量设备可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)；
数字信号处理器(DigitalSignalProcessor，简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice，简称DSPD)；
可编程逻辑器件(ProgrammableLogicDevice，简称PLD)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于检测和跟踪的互补优化方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于检测和跟踪的互补优化方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由测量设备的处理器执行以完成上述的基于检测和跟踪的互补优化方法。
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于检测和跟踪的互补优化方法可相互对应参照。
第四方面，一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于检测和跟踪的互补优化方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，上述实施例中的实施方案也可以进一步组合或者替换，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。
Claims (10)
1.一种基于检测和跟踪的互补优化方法，其特征在于，所述方法包括以下步骤：
获取待检测目标；
根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
将获取的待检测目标的轨迹图像进行噪声抑制。
2.根据权利要求1所述的基于检测和跟踪的互补优化方法，其特征在于，所述根据所述待检测目标，确定检测框，并为每个检测框分配标识号，包括：
根据所述待检测目标，通过检测算法检出待检测目标的检测框；
根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
根据所述当前位置点，使用跟踪算法为每个检测框分配标识号。
3.根据权利要求2所述的基于检测和跟踪的互补优化方法，其特征在于，所述检测算法为：
边缘检测算法，或动态物体检测算法，或基于深度学习的神经网络检测算法。
4.根据权利要求3所述的基于检测和跟踪的互补优化方法，其特征在于，所述跟踪算法为匈牙利算法和卡尔曼滤波算法。
5.根据权利要求4所述的基于检测和跟踪的互补优化方法，其特征在于，所述根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器，包括：
若当前标识号对应的轨迹缓存器中的轨迹图像为空，则添加位置点；若当前标识号对应的轨迹缓存器中的轨迹图像不为空，则求该位置点与轨迹缓存器中的最后一个位置点的欧氏距离；
若该位置点与轨迹缓存器中的最后一个位置点的欧氏距离大于设置的阈值，则抛弃该位置点，并创建一个抛弃次数记录器，记录该标识号被抛弃位置数累加；
若被抛弃次数大于设置的阈值，则清空该轨迹缓存器中的轨迹图像；
若该位置点与轨迹缓存器中的轨迹图像的最后一个位置点的欧氏距离小于设置的阈值，则添加该位置点，同时删除抛弃次数记录器中相应的标识号记录，若抛弃次数记录器中没有记录，则忽略。
6.根据权利要求5所述的基于检测和跟踪的互补优化方法，其特征在于，所述将获取的待检测目标的轨迹图像进行噪声抑制，包括：
当轨迹缓存器中的轨迹点少于轨迹点缓存阈值时,不对该待检测目标进行后续判断；或者，
选择轨迹缓存器最后三个点a1、a2、a3；
通过欧式距离计算，当(a3-a2)/(a2-a1)大于轨迹点缓存阈值时，则该点为异常噪点，不进行后续处理。
7.一种基于检测和跟踪的互补优化系统，其特征在于，包括：
获取模块，用于获取待检测目标；
分配模块，用于根据所述待检测目标，确定检测框，并为每个检测框分配标识号；
设立模块，用于根据所述标识号，获取对应的所述待检测目标的轨迹图像，并为每个待检测目标设立轨迹缓存器；
处理模块，用于将获取的待检测目标的轨迹图像进行噪声抑制。
8.根据权利要求7所述的基于检测和跟踪的互补优化系统，其特征在于，所述分配模块，包括：
识别模块，用于根据所述待检测目标，通过检测算法检出待检测目标的检测框；
确定模块，用于根据所述检测框，以检测框的下边沿中心点作为待检测目标的当前位置点；
标识模块，用于根据所述当前位置点，使用跟踪算法为每个检测框分配标识号。
9.一种基于检测和跟踪的互补优化设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6中任一项所述的基于检测和跟踪的互补优化方法的步骤。
10.一种存储介质，其特征在于，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的基于检测和跟踪的互补优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210773056.5A CN115719472A (zh) | 2022-06-30 | 2022-06-30 | 一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210773056.5A CN115719472A (zh) | 2022-06-30 | 2022-06-30 | 一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115719472A true CN115719472A (zh) | 2023-02-28 |
Family
ID=85253819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210773056.5A Pending CN115719472A (zh) | 2022-06-30 | 2022-06-30 | 一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719472A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710734A (zh) * | 2023-12-13 | 2024-03-15 | 北京百度网讯科技有限公司 | 用于获得语义数据的方法、装置、电子设备、介质 |
-
2022
- 2022-06-30 CN CN202210773056.5A patent/CN115719472A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710734A (zh) * | 2023-12-13 | 2024-03-15 | 北京百度网讯科技有限公司 | 用于获得语义数据的方法、装置、电子设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124888B (zh) | 录制脚本的生成方法和装置及电子装置 | |
| CN111062974B (zh) | 一种使用去除鬼影对前景目标提取的方法及系统 | |
| CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
| CN110675407B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN107678551B (zh) | 手势识别方法和装置、电子设备 | |
| CN108108731A (zh) | 基于合成数据的文本检测方法及装置 | |
| CN110060278B (zh) | 基于背景减法的运动目标的检测方法及装置 | |
| CN110349138B (zh) | 基于实例分割框架的目标物体的检测方法及装置 | |
| WO2020202505A1 (en) | Image processing apparatus, image processing method and non-transitoty computer readable medium | |
| CN111753775B (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
| JP2024501642A (ja) | 画像内の注釈付きの関心領域の検出 | |
| CN113673454A (zh) | 遗留物检测方法、相关设备和存储介质 | |
| CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
| CN115719472A (zh) | 一种基于检测和跟踪的互补优化方法、系统、设备及存储介质 | |
| Wang et al. | High quality impulse noise removal via non‐uniform sampling and autoregressive modelling based super‐resolution | |
| CN113837255B (zh) | 预测以细胞为基质的抗体核型类别的方法、设备和介质 | |
| CN110111311B (zh) | 一种图像质量评价方法和装置 | |
| CN117121051A (zh) | 用于从图像和视频中去除反射特征的基于实时机器学习的隐私过滤器 | |
| CN113298122A (zh) | 目标检测方法、装置和电子设备 | |
| CN116597361A (zh) | 清洗机的图像识别跟踪方法、装置、设备及可读存储介质 | |
| CN111444834A (zh) | 图像文本行检测方法、装置、设备及存储介质 | |
| CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
| CN113096024B (zh) | 用于深度数据的去飞点方法及其系统和电子设备 | |
| CN112862855A (zh) | 图像标注方法、装置、计算设备及存储介质 |
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 |