CN116523911A - 一种建筑垃圾再生骨料生产监控系统 - Google Patents
一种建筑垃圾再生骨料生产监控系统 Download PDFInfo
- Publication number
- CN116523911A CN116523911A CN202310796814.XA CN202310796814A CN116523911A CN 116523911 A CN116523911 A CN 116523911A CN 202310796814 A CN202310796814 A CN 202310796814A CN 116523911 A CN116523911 A CN 116523911A
- Authority
- CN
- China
- Prior art keywords
- image
- recycled aggregate
- gaussian
- sampling step
- step length
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 212
- 239000012535 impurity Substances 0.000 claims abstract description 80
- 239000002699 waste material Substances 0.000 claims abstract description 74
- 238000010276 construction Methods 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 230000000875 corresponding effect Effects 0.000 claims description 142
- 239000013598 vector Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 239000002023 wood Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种建筑垃圾再生骨料生产监控系统,该系统实现的步骤包括:获取建筑垃圾再生骨料对应的目标图像;根据预设采样步长,对目标图像进行降采样;对初始采样图像进行不同高斯尺度的高斯差分;对高斯差分图像进行等分;确定预设采样步长对应的特征分布指标;判断预设采样步长是否合格;若预设采样步长合格,则根据预设采样步长,对目标图像进行SIFT算子特征提取,并对建筑垃圾再生骨料的生产进行杂质监控;若预设采样步长不合格,则将预设采样步长调整至合格,根据合格的采样步长,对建筑垃圾再生骨料的生产进行杂质监控。本发明通过对目标图像进行图像处理,提高了图像特征提取的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种建筑垃圾再生骨料生产监控系统。
背景技术
为了提高建筑垃圾再生骨料的质量,往往需要在建筑垃圾再生骨料生产过程中进行杂质监控,以实现对建筑垃圾再生骨料的生产监控。进行杂质监控时往往可以通过对采集的图像进行特征提取,判断建筑垃圾再生骨料中是否存在杂质。目前,对采集的图像进行特征提取时,通常采用的方式为:通过预先设置的采样步长,对采集的图像进行SIFT算子特征提取。
然而,当采用上述方式,对建筑垃圾再生骨料的图像进行特征提取时,经常会存在如下技术问题:
由于参与SIFT算子特征提取的采样步长往往是基于人为主观经验设置的采样步长,因此,作出的设置结果往往并不准确,从而往往导致对建筑垃圾再生骨料的图像进行特征提取的准确度低下,从而导致对建筑垃圾再生骨料的生产进行杂质监控的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决由于图像特征提取的准确度低下而导致的对建筑垃圾再生骨料的生产进行杂质监控的准确度低下的技术问题,本发明提出了一种建筑垃圾再生骨料生产监控系统。
本发明提供了一种建筑垃圾再生骨料生产监控系统,该系统实现的方法包括:
获取建筑垃圾再生骨料对应的目标图像;
根据预设采样步长,对所述目标图像进行降采样,得到初始采样图像集合;
对所述初始采样图像集合中的每个初始采样图像进行不同高斯尺度的高斯差分,得到所述初始采样图像对应的高斯差分图像集合;
对高斯差分图像集合中的每个高斯差分图像进行等分,得到所述高斯差分图像对应的子区域集合;
根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标;
根据所述预设采样步长对应的特征分布指标,判断所述预设采样步长是否合格;
若所述预设采样步长合格,则根据所述预设采样步长,对所述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控;
若所述预设采样步长不合格,则对所述预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对所述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
可选地,所述根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标,包括:
基于高斯差分时的不同高斯尺度,对每个初始采样图像对应的高斯差分图像集合进行排序,得到所述初始采样图像对应的高斯差分图像序列;
对于高斯差分图像序列中的每个高斯差分图像,从与所述高斯差分图像相邻的图像中筛选出参考图像;
对于高斯差分图像序列中的每个高斯差分图像,将所述高斯差分图像中特征点的数量与第一数量的差值的绝对值,确定为所述高斯差分图像对应的第一差异数量,其中,第一数量是所述高斯差分图像对应的参考图像中特征点的数量;
将子区域集合中子区域的数量,确定为第二数量;
将每个高斯差分图像中特征点的数量与所述第二数量的比值,确定为所述高斯差分图像对应的相对数量;
根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标。
可选地,所述根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标,包括:
对于每个高斯差分图像对应的子区域集合中的每个子区域,将所述子区域中特征点的数量与所述高斯差分图像对应的相对数量的差值的绝对值,确定为所述子区域对应的第二差异数量;
根据每个高斯差分图像对应的子区域集合中的各个子区域对应的第二差异数量,确定所述高斯差分图像对应的第三差异数量,其中,第二差异数量与第三差异数量呈正相关;
根据得到的所有高斯差分图像对应的第一差异数量和第三差异数量,确定所述预设采样步长对应的特征分布指标,其中,第一差异数量和第三差异数量均与特征分布指标呈正相关。
可选地,所述根据所述预设采样步长对应的特征分布指标,判断所述预设采样步长是否合格,包括:
当所述预设采样步长对应的特征分布指标小于预设分布阈值时,判定所述预设采样步长合格;
当所述预设采样步长对应的特征分布指标大于或等于预设分布阈值时,判定所述预设采样步长不合格。
可选地,所述基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控,包括:
基于提取的特征向量,通过训练完成的杂质监控网络,判断建筑垃圾再生骨料是否存在目标杂质;
若建筑垃圾再生骨料中存在目标杂质,则判定建筑垃圾再生骨料生产不合格;
若建筑垃圾再生骨料中不存在目标杂质,则判定建筑垃圾再生骨料生产合格。
可选地,所述杂质监控网络的训练过程,包括:
获取样本再生骨料集合中的每个样本再生骨料对应的样本图像和标签信息,其中,标签信息表征样本再生骨料中是否存在目标杂质;
根据每个样本再生骨料对应的样本图像,确定所述样本再生骨料对应的合格步长;
根据每个样本再生骨料对应的合格步长,对所述样本再生骨料对应的样本图像进行SIFT算子特征提取,得到所述样本再生骨料对应的样本向量;
构建杂质监控网络;
将样本再生骨料集合中的各个样本再生骨料对应的样本向量,确定为杂质监控网络的训练集,并将样本再生骨料集合中的各个样本再生骨料对应的标签信息,确定为杂质监控网络的训练标签,对构建的杂质监控网络进行训练,得到训练完成的杂质监控网络。
本发明具有如下有益效果:
本发明的一种建筑垃圾再生骨料生产监控系统,通过对目标图像进行图像处理,实现了对建筑垃圾再生骨料生产的杂质监控,解决了图像特征提取的准确度低下的技术问题,提高了图像特征提取的准确度,从而提高了对建筑垃圾再生骨料的生产进行杂质监控的准确度。首先,由于目标图像中包含着建筑垃圾再生骨料的信息,因此获取建筑垃圾再生骨料对应的目标图像,可以便于后续分析建筑垃圾再生骨料中的杂质情况。接着,由于对图像进行SIFT算子特征提取时,往往需要对图像进行降采样,因此基于预设采样步长,对目标图像进行降采样,可以便于后续判断采用预设采样步长是否为进行SIFT算子特征提取时合格的采样步长。然后,综合考虑得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,可以提高预设采样步长对应的特征分布指标确定的准确度。继续,基于预设采样步长对应的特征分布指标,可以提高对预设采样步长是否合格判断的准确度。最后,若预设采样步长合格,则根据预设采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控;若预设采样步长不合格,则对预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。所以,本发明量化了采样步长的特征分布指标,并基于特征分布指标,判断预设采样步长是否合格,当预设采样步长不合格时,自适应调整采样步长,使其合格,因此本发明采用合格的采样步长,对目标图像进行SIFT算子特征提取,相较于直接采用预设采样步长进行SIFT算子特征提取,提高了图像特征提取的准确度,从而提高了对建筑垃圾再生骨料的生产进行杂质监控的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明的一种建筑垃圾再生骨料生产监控系统实现的方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种建筑垃圾再生骨料生产监控系统,该系统实现的方法包括:
获取建筑垃圾再生骨料对应的目标图像;
根据预设采样步长,对目标图像进行降采样,得到初始采样图像集合;
对初始采样图像集合中的每个初始采样图像进行不同高斯尺度的高斯差分,得到初始采样图像对应的高斯差分图像集合;
对高斯差分图像集合中的每个高斯差分图像进行等分,得到高斯差分图像对应的子区域集合;
根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定预设采样步长对应的特征分布指标;
根据预设采样步长对应的特征分布指标,判断预设采样步长是否合格;
若预设采样步长合格,则根据预设采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控;
若预设采样步长不合格,则对预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
本发明提供了一种建筑垃圾再生骨料生产监控系统,该系统以实现如图1所示的步骤,具体步骤如下:
步骤S1,获取建筑垃圾再生骨料对应的目标图像。
在一些实施例中,可以获取建筑垃圾再生骨料对应的目标图像。
其中,建筑垃圾再生骨料可以是由建筑垃圾加工生产的再生骨料。目标图像可以是建筑垃圾再生骨料的图像。
作为示例,本步骤可以包括以下步骤:
第一步,通过相机,采集建筑垃圾再生骨料的表面图像,作为初始图像。
第二步,对初始图像进行图像预处理,将预处理后的初始图像,作为目标图像。
其中,图像预处理可以包括但不限于:背景去除、灰度化和去噪处理。背景去除可以是去除图像中的背景部分。
需要说明的是,由于目标图像中包含着建筑垃圾再生骨料的信息,因此获取建筑垃圾再生骨料对应的目标图像,可以便于后续分析建筑垃圾再生骨料中的杂质情况。
例如,对初始图像进行图像预处理可以包括以下子步骤:
第一子步骤,通过语义分割,对初始图像进行背景去除,并将进行背景去除的初始图像,确定为第二图像。
其中,第二图像可以是通过语义分割,去除掉初始图像中的背景部分的图像。初始图像中的背景部分可以是拍摄过程中拍摄到的除了建筑垃圾再生骨料之外的物体。
第二子步骤,对第二图像进行灰度化,将灰度化后的第二图像作为目标图像。
步骤S2,根据预设采样步长,对目标图像进行降采样,得到初始采样图像集合。
在一些实施例中,可以根据预设采样步长,对上述目标图像进行降采样,得到初始采样图像集合。
其中,预设采样步长可以是预先设置的采样步长。例如,预设采样步长可以是1。初始采样图像集合中的初始采样图像可以对目标图像进行降采样后,得到的图像。初始采样图像集合中的初始采样图像可以组成高斯金字塔。每个初始采样图像可以表征高斯金字塔的一层。初始采样图像集合中初始采样图像的数量可以等于预设数量。预设数量可以是预先设置的数量。例如,预设数量可以是10。进行降采样的数量可以等于预设数量减一。
需要说明的是,由于对图像进行SIFT算子特征提取时,往往需要对图像进行降采样,因此基于预设采样步长,对目标图像进行降采样,可以便于后续判断采用预设采样步长是否为进行SIFT算子特征提取时合格的采样步长。
作为示例,若预设采样步长为1,预设数量为3,则对目标图像进行两次降采样,得到的初始采样图像集合可以为{第一初始采样图像,第二初始采样图像,第三初始采样图像}。其中,第一初始采样图像可以是目标图像。第二初始采样图像可以是对目标图像进行降采样,得到的一个图像,其尺寸可以是目标图像的1/2。第三初始采样图像可以是对目标图像进行降采样,得到的一个图像,其尺寸可以是目标图像的1/4。
可选地,根据预设采样步长,可以先对目标图像进行一次升采样,得到的图像可以作为高斯金字塔的最底层图像,记为初始采样图像。接着,对目标图像进行降采样,得到多个初始采样图像。进行降采样的数量可以等于预设数量减二。
例如,若预设采样步长为1,预设数量为3,则先对目标图像进行一次升采样,后对目标图像进行降采样,得到的初始采样图像集合可以为{第四初始采样图像,第五初始采样图像,第六初始采样图像}。其中,第四初始采样图像可以是对目标图像进行升采样得到的图像,其尺寸可以是目标图像的2倍。第五初始采样图像可以是目标图像。第六初始采样图像可以是对目标图像进行降采样,得到的一个图像,其尺寸可以是目标图像的1/2。
步骤S3,对初始采样图像集合中的每个初始采样图像进行不同高斯尺度的高斯差分,得到初始采样图像对应的高斯差分图像集合。
在一些实施例中,可以对上述初始采样图像集合中的每个初始采样图像进行不同高斯尺度的高斯差分(DOG,Difference Of Gaussian),得到上述初始采样图像对应的高斯差分图像集合。
其中,高斯尺度也就是高斯差分中的方差(sigma)。初始采样图像对应的高斯差分图像集合中的高斯差分图像可以是初始采样图像所在的高斯金字塔层内不同高斯尺度下相邻两图像作差得到的图像。
作为示例,可以对初始采样图像所在的高斯金字塔层进行不同尺度的高斯差分,将高斯差分得到的图像,确定为高斯差分图像,得到高斯差分图像集合。
步骤S4,对高斯差分图像集合中的每个高斯差分图像进行等分,得到高斯差分图像对应的子区域集合。
在一些实施例中,可以对高斯差分图像集合中的每个高斯差分图像进行等分,得到上述高斯差分图像对应的子区域集合。
其中,子区域可以是对高斯差分图像进行等分时,产生的区域。子区域集合中子区域的数量可以是对高斯差分图像进行等分时,产生的区域数量。子区域集合中子区域的数量可以等于预先设置的等分数量。例如,等分数量可以为10。
作为示例,可以将高斯差分图像等分为10个区域,并将等分后的每个区域作为子区域,得到子区域集合。
步骤S5,根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定预设采样步长对应的特征分布指标。
在一些实施例中,可以根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定上述预设采样步长对应的特征分布指标。
其中,特征点可以是像素值不为0的像素点。
需要说明的是,综合考虑得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,可以提高预设采样步长对应的特征分布指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,基于高斯差分时的不同高斯尺度,对每个初始采样图像对应的高斯差分图像集合进行排序,得到上述初始采样图像对应的高斯差分图像序列。
例如,可以按照高斯差分时的高斯尺度,对高斯差分图像集合进行排序,得到高斯差分图像序列。
第二步,对于高斯差分图像序列中的每个高斯差分图像,从与上述高斯差分图像相邻的图像中筛选出参考图像。
例如,对于高斯差分图像序列中除了最后一个高斯差分图像之外的高斯差分图像,将该高斯差分图像的后一个高斯差分图像,作为该高斯差分图像对应的参考图像。比如,第一个高斯差分图像对应的参考图像可以是第二个高斯差分图像。对于高斯差分图像序列中的最后一个高斯差分图像,将该高斯差分图像的前一个高斯差分图像,作为该高斯差分图像对应的参考图像。比如,最后一个高斯差分图像对应的参考图像可以是倒数第二个高斯差分图像。
第三步,对于高斯差分图像序列中的每个高斯差分图像,将上述高斯差分图像中特征点的数量与第一数量的差值的绝对值,确定为上述高斯差分图像对应的第一差异数量。
其中,第一数量可以是上述高斯差分图像对应的参考图像中特征点的数量。
第四步,将子区域集合中子区域的数量,确定为第二数量。
第五步,将每个高斯差分图像中特征点的数量与上述第二数量的比值,确定为上述高斯差分图像对应的相对数量。
第六步,根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定上述预设采样步长对应的特征分布指标。
例如,根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定上述预设采样步长对应的特征分布指标可以包括以下子步骤:
第一子步骤,对于每个高斯差分图像对应的子区域集合中的每个子区域,将上述子区域中特征点的数量与上述高斯差分图像对应的相对数量的差值的绝对值,确定为上述子区域对应的第二差异数量。
第二子步骤,根据每个高斯差分图像对应的子区域集合中的各个子区域对应的第二差异数量,确定上述高斯差分图像对应的第三差异数量。
其中,第二差异数量可以与第三差异数量呈正相关。
第三子步骤,根据得到的所有高斯差分图像对应的第一差异数量和第三差异数量,确定上述预设采样步长对应的特征分布指标。
其中,第一差异数量和第三差异数量均可以与特征分布指标呈正相关。
比如,确定预设采样步长对应的特征分布指标对应的公式可以为:
其中,Index是预设采样步长对应的特征分布指标。是初始采样图像集合中第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的第一差异数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像中特征点的数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的参考图像中特征点的数量。/>是/>的绝对值。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的第三差异数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的子区域集合中子区域的数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的子区域集合中,第u个子区域中特征点的数量。B是第二数量,也就是对高斯差分图像进行等分得到的子区域的数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的相对数量。/>是第i个初始采样图像对应的高斯差分图像序列中,第j个高斯差分图像对应的子区域集合中,第u个子区域对应的第二差异数量。/>是/>的绝对值。n是初始采样图像集合中初始采样图像的数量。/>是第i个初始采样图像对应的高斯差分图像序列中高斯差分图像的数量。/>和/>均与Index呈正相关。和/>呈正相关。i是初始采样图像集合中初始采样图像的序号。j是第i个初始采样图像对应的高斯差分图像序列中高斯差分图像的序号。u是第j个高斯差分图像对应的子区域集合中子区域的序号。
需要说明的是,特征点的分布方式和分布规律往往影响着预设采样步长下对目标图像特征的保留程度,即高斯差分图像中特征点的分布越均匀,目标图像细节保留程度越好,对应到此场景中,对于木材杂质的提取效果越明显,因为分布越均匀意味着对应到目标图像中不同区域都能提取到特征点,即越具有代表性。高斯金字塔同一层的不同高斯尺度的高斯差分图像中特征点的数量越接近一致,对于目标图像细节特征的保留程度越好。如果高斯金字塔同一层的不同高斯尺度的高斯差分图像中特征点的数量相差太大,就可能会导致在某些高斯尺度中图像未能充分表达木材杂质的特征信息,降低了对细节特征的保留程度。另外,高斯金字塔同一层的不同高斯尺度的高斯差分图像中特征点数量接近一致,往往可以保证在特征匹配过程中,不同高斯尺度的特征点能够配对成功。如果高斯金字塔同一层的不同高斯尺度的高斯差分图像中特征点数量近似,往往可以减小特征点在尺度空间中的重复,降低尺度差异带来的匹配误差,保证了特征匹配的准确性。当越小时,第j个高斯差分图像与其相邻的高斯差分图像之间的特征点数量差异越小。当/>越小时,往往说明第u个子区域中特征点的数量越接近第j个高斯差分图像中子区域的平均特征点数量。因此当Index越小时,往往说明高斯差分图像中特征点的分布越均匀,高斯金字塔同一层的不同高斯尺度的高斯差分图像中特征点的数量越接近一致,目标图像细节保留程度越好,对应到此场景中,对于木材杂质的提取效果往往越明显。
步骤S6,根据预设采样步长对应的特征分布指标,判断预设采样步长是否合格。
在一些实施例中,可以根据上述预设采样步长对应的特征分布指标,判断上述预设采样步长是否合格。
需要说明的是,基于预设采样步长对应的特征分布指标,可以提高对预设采样步长是否合格判断的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,当上述预设采样步长对应的特征分布指标小于预设分布阈值时,判定上述预设采样步长合格。
其中,预设分布阈值可以是预先设置的阈值。例如,预设分布阈值可以是0.2。
第二步,当上述预设采样步长对应的特征分布指标大于或等于预设分布阈值时,判定上述预设采样步长不合格。
步骤S7,若预设采样步长合格,则根据预设采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
在一些实施例中,若上述预设采样步长合格,则可以根据上述预设采样步长,对上述目标图像进行SIFT(Scale Invariant Feature Transform,尺度不变特征变换)算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
需要说明的是,SIFT算子具有良好的鲁棒性,其对于光照强度、拍摄视角及图像旋转等具有良好的适应效果。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述预设采样步长,对上述目标图像进行SIFT算子特征提取。
例如,对目标图像进行SIFT算子特征提取时,进行降采样时的采样步长可以为预设采样步长。
第二步,基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控可以包括以下子步骤:
第一子步骤,基于提取的特征向量,通过训练完成的杂质监控网络,判断建筑垃圾再生骨料是否存在目标杂质。
其中,提取的特征向量可以表征对目标图像进行SIFT算子特征提取,得到的特征。目标杂质可以是木板杂质。木板杂质可以是废弃的木材。杂质监控网络可以用于判断是否存在目标杂质。杂质监控网络可以是DNN(Deep Neural Networks,深度神经网络)。
第二子步骤,若建筑垃圾再生骨料中存在目标杂质,则判定建筑垃圾再生骨料生产不合格。
第三子步骤,若建筑垃圾再生骨料中不存在目标杂质,则判定建筑垃圾再生骨料生产合格。
步骤S8,若预设采样步长不合格,则对预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
在一些实施例中,若上述预设采样步长不合格,则可以对上述预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对上述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
需要说明的是,在使用SIFT算子对再生骨料场景下的木材杂质进行特征提取,建立高斯金字塔对图像进行降采样的过程中,若采样步长设置的过长,则往往会导致图像部分细节丢失,如木材杂质部分的细节丢失,使得特征提取结果产生一定的误差;若采样步长设置的过短,则往往会导致冗余的计算及计算时间的增加,同时往往还会降低特征点的稳定性。因此对预设采样步长进行调整,直至调整后的采样步长合格,并根据合格的采样步长,对目标图像进行SIFT算子特征提取,可以提高特征提取的准确度,其次,合格的采样步长往往能够有效保留并放大木材杂质的特征。
作为示例,若上述预设采样步长不合格,则对上述预设采样步长进行调整,例如,可以将预设采样步长加一作为调整后的采样步长,并判断调整后的采样步长是否合格,若调整后的采样步长不合格,则重复对最新调整后的采样步长进行调整,即将采样步长调整为最新调整后的采样步长加一,直至调整后的采样步长合格,根据合格的采样步长,对上述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。其中,判断调整后的采样步长是否合格可以包括:将调整后的采样步长作为预设采样步长,执行步骤S2至步骤S6,以判断调整后的采样步长是否合格。
例如,根据合格的采样步长,对上述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控可以包括:将合格的采样步长作为预设采样步长,执行步骤S7,以实现根据合格的采样步长,对上述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
可选地,杂质监控网络的训练过程可以包括以下步骤:
第一步,获取样本再生骨料集合中的每个样本再生骨料对应的样本图像和标签信息。
其中,标签信息可以表征样本再生骨料中是否存在目标杂质。样本再生骨料可以是已知是否存在目标杂质的建筑垃圾再生骨料。样本图像可以是样本再生骨料的图像。
第二步,根据每个样本再生骨料对应的样本图像,确定上述样本再生骨料对应的合格步长。
例如,可以将样本再生骨料和样本图像,分别作为建筑垃圾再生骨料和目标图像,执行步骤S2至步骤S6,若预设采样步长合格,则将预设采样步长作为合格步长。若预设采样步长不合格,则对预设采样步长进行调整,直至调整后的采样步长合格,并将合格的采样步长作为合格步长。
第三步,根据每个样本再生骨料对应的合格步长,对上述样本再生骨料对应的样本图像进行SIFT算子特征提取,得到上述样本再生骨料对应的样本向量。
其中,样本向量可以表征对样本图像进行SIFT算子特征提取,得到的特征。
例如,可以将合格步长和样本图像,分别作为预设采样步长和目标图像,执行步骤S7包括的作为示例包括的第一步,得到的特征即为样本向量。
第四步,构建杂质监控网络。
例如,可以构建DNN,并将构建的DNN作为训练前的杂质监控网络。
第五步,将样本再生骨料集合中的各个样本再生骨料对应的样本向量,确定为杂质监控网络的训练集,并将样本再生骨料集合中的各个样本再生骨料对应的标签信息,确定为杂质监控网络的训练标签,对构建的杂质监控网络进行训练,得到训练完成的杂质监控网络。
其中,杂质监控网络训练过程中的损失函数可以采用交叉熵损失函数。
综上,本发明量化了采样步长的特征分布指标,并基于特征分布指标,判断预设采样步长是否合格,当预设采样步长不合格时,自适应调整采样步长,使其合格,因此本发明采用合格的采样步长,对目标图像进行SIFT算子特征提取,相较于直接采用预设采样步长进行SIFT算子特征提取,使得通过降采样得到的结果能够包含木材杂质的细节纹理;通过确定合格的采样步长,可以解决因为采样步长选取不当产生的计算量过大或细节纹理丢失等问题,提高了图像特征提取的准确度,从而提高了对建筑垃圾再生骨料的生产进行杂质监控的准确度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种建筑垃圾再生骨料生产监控系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现以下步骤:
获取建筑垃圾再生骨料对应的目标图像;
根据预设采样步长,对所述目标图像进行降采样,得到初始采样图像集合;
对所述初始采样图像集合中的每个初始采样图像进行不同高斯尺度的高斯差分,得到所述初始采样图像对应的高斯差分图像集合;
对高斯差分图像集合中的每个高斯差分图像进行等分,得到所述高斯差分图像对应的子区域集合;
根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标;
根据所述预设采样步长对应的特征分布指标,判断所述预设采样步长是否合格;
若所述预设采样步长合格,则根据所述预设采样步长,对所述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控;
若所述预设采样步长不合格,则对所述预设采样步长进行调整,直至调整后的采样步长合格,根据合格的采样步长,对所述目标图像进行SIFT算子特征提取,并基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控。
2.根据权利要求1所述的一种建筑垃圾再生骨料生产监控系统,其特征在于,所述根据得到的所有高斯差分图像集合中的各个高斯差分图像中特征点的数量和所有子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标,包括:
基于高斯差分时的不同高斯尺度,对每个初始采样图像对应的高斯差分图像集合进行排序,得到所述初始采样图像对应的高斯差分图像序列;
对于高斯差分图像序列中的每个高斯差分图像,从与所述高斯差分图像相邻的图像中筛选出参考图像;
对于高斯差分图像序列中的每个高斯差分图像,将所述高斯差分图像中特征点的数量与第一数量的差值的绝对值,确定为所述高斯差分图像对应的第一差异数量,其中,第一数量是所述高斯差分图像对应的参考图像中特征点的数量;
将子区域集合中子区域的数量,确定为第二数量;
将每个高斯差分图像中特征点的数量与所述第二数量的比值,确定为所述高斯差分图像对应的相对数量;
根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标。
3.根据权利要求2所述的一种建筑垃圾再生骨料生产监控系统,其特征在于,所述根据得到的所有高斯差分图像对应的第一差异数量、相对数量和子区域集合中的各个子区域中特征点的数量,确定所述预设采样步长对应的特征分布指标,包括:
对于每个高斯差分图像对应的子区域集合中的每个子区域,将所述子区域中特征点的数量与所述高斯差分图像对应的相对数量的差值的绝对值,确定为所述子区域对应的第二差异数量;
根据每个高斯差分图像对应的子区域集合中的各个子区域对应的第二差异数量,确定所述高斯差分图像对应的第三差异数量,其中,第二差异数量与第三差异数量呈正相关;
根据得到的所有高斯差分图像对应的第一差异数量和第三差异数量,确定所述预设采样步长对应的特征分布指标,其中,第一差异数量和第三差异数量均与特征分布指标呈正相关。
4.根据权利要求1所述的一种建筑垃圾再生骨料生产监控系统,其特征在于,所述根据所述预设采样步长对应的特征分布指标,判断所述预设采样步长是否合格,包括:
当所述预设采样步长对应的特征分布指标小于预设分布阈值时,判定所述预设采样步长合格;
当所述预设采样步长对应的特征分布指标大于或等于预设分布阈值时,判定所述预设采样步长不合格。
5.根据权利要求1所述的一种建筑垃圾再生骨料生产监控系统,其特征在于,所述基于提取的特征向量,对建筑垃圾再生骨料的生产进行杂质监控,包括:
基于提取的特征向量,通过训练完成的杂质监控网络,判断建筑垃圾再生骨料是否存在目标杂质;
若建筑垃圾再生骨料中存在目标杂质,则判定建筑垃圾再生骨料生产不合格;
若建筑垃圾再生骨料中不存在目标杂质,则判定建筑垃圾再生骨料生产合格。
6.根据权利要求5所述的一种建筑垃圾再生骨料生产监控系统,其特征在于,所述杂质监控网络的训练过程,包括:
获取样本再生骨料集合中的每个样本再生骨料对应的样本图像和标签信息,其中,标签信息表征样本再生骨料中是否存在目标杂质;
根据每个样本再生骨料对应的样本图像,确定所述样本再生骨料对应的合格步长;
根据每个样本再生骨料对应的合格步长,对所述样本再生骨料对应的样本图像进行SIFT算子特征提取,得到所述样本再生骨料对应的样本向量;
构建杂质监控网络;
将样本再生骨料集合中的各个样本再生骨料对应的样本向量,确定为杂质监控网络的训练集,并将样本再生骨料集合中的各个样本再生骨料对应的标签信息,确定为杂质监控网络的训练标签,对构建的杂质监控网络进行训练,得到训练完成的杂质监控网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796814.XA CN116523911B (zh) | 2023-07-03 | 2023-07-03 | 一种建筑垃圾再生骨料生产监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796814.XA CN116523911B (zh) | 2023-07-03 | 2023-07-03 | 一种建筑垃圾再生骨料生产监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523911A true CN116523911A (zh) | 2023-08-01 |
CN116523911B CN116523911B (zh) | 2023-09-12 |
Family
ID=87390643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796814.XA Active CN116523911B (zh) | 2023-07-03 | 2023-07-03 | 一种建筑垃圾再生骨料生产监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523911B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101926641B1 (ko) * | 2018-06-01 | 2018-12-07 | 민원 | 건설폐기물 중의 유기 이물질과 무기 이물질의 선별을 위한 분석시스템과 이를 이용한 순환골재 생산방법 |
CN109447850A (zh) * | 2018-10-09 | 2019-03-08 | 中建水务环保有限公司 | 建筑垃圾处理方法、系统、控制装置及存储介质 |
CN109993744A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种海上逆光环境下的红外目标检测方法 |
CN111299187A (zh) * | 2020-04-03 | 2020-06-19 | 广东弓叶科技有限公司 | 建筑垃圾识别方法及建筑垃圾分选设备 |
KR102142432B1 (ko) * | 2020-06-09 | 2020-08-07 | 안광석 | 폐골재 처리 장치 및 방법 |
CN113095412A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于多特征融合与支持向量机的混合细骨料分类识别方法 |
WO2022170273A1 (en) * | 2021-02-08 | 2022-08-11 | Sortera Alloys, Inc. | Sorting of dark colored and black plastics |
CN115147421A (zh) * | 2022-09-05 | 2022-10-04 | 深圳市洪桦环保科技有限公司 | 一种用于建筑垃圾回收的再生骨料分级评价方法 |
-
2023
- 2023-07-03 CN CN202310796814.XA patent/CN116523911B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101926641B1 (ko) * | 2018-06-01 | 2018-12-07 | 민원 | 건설폐기물 중의 유기 이물질과 무기 이물질의 선별을 위한 분석시스템과 이를 이용한 순환골재 생산방법 |
CN109447850A (zh) * | 2018-10-09 | 2019-03-08 | 中建水务环保有限公司 | 建筑垃圾处理方法、系统、控制装置及存储介质 |
CN109993744A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种海上逆光环境下的红外目标检测方法 |
CN111299187A (zh) * | 2020-04-03 | 2020-06-19 | 广东弓叶科技有限公司 | 建筑垃圾识别方法及建筑垃圾分选设备 |
KR102142432B1 (ko) * | 2020-06-09 | 2020-08-07 | 안광석 | 폐골재 처리 장치 및 방법 |
WO2022170273A1 (en) * | 2021-02-08 | 2022-08-11 | Sortera Alloys, Inc. | Sorting of dark colored and black plastics |
CN113095412A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于多特征融合与支持向量机的混合细骨料分类识别方法 |
CN115147421A (zh) * | 2022-09-05 | 2022-10-04 | 深圳市洪桦环保科技有限公司 | 一种用于建筑垃圾回收的再生骨料分级评价方法 |
Non-Patent Citations (3)
Title |
---|
ANWAR A ET AL.: "Towards Low-Cost Classification for Novel Fine-Grained Datasets", 《ELECTRONICS》, vol. 11, no. 17 * |
付波;张敏;赵熙临;李超顺;: "基于爬山搜索的高斯模糊不变SIFT算子", 计算机应用与软件, no. 06 * |
张朴;程明;: "基于智能视觉的透明液体可见异物检测软件设计", 计算机测量与控制, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523911B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN110580704A (zh) | 基于卷积神经网络的et细胞图像自动分割方法及系统 | |
CN109871885A (zh) | 一种基于深度学习和植物分类学的植物识别方法 | |
WO2020192849A1 (de) | Automatische erkennung und klassifizierung von adversarial attacks | |
CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
CN117456428A (zh) | 基于视频图像特征分析的垃圾投放行为检测方法 | |
CN112884147A (zh) | 神经网络训练方法、图像处理方法、装置及电子设备 | |
CN111027440B (zh) | 一种基于神经网络的人群异常行为检测装置和检测方法 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN116523911B (zh) | 一种建筑垃圾再生骨料生产监控系统 | |
CN107301652B (zh) | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 | |
CN106934339B (zh) | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 | |
CN113033371A (zh) | 基于csp模型的多级特征融合行人检测方法 | |
CN116364064A (zh) | 一种音频拼接方法、电子设备及存储介质 | |
CN112699810B (zh) | 一种提升室内监控系统人物识别精度的方法及装置 | |
CN114882441A (zh) | 一种基于深度学习的行人重识别方法及系统 | |
CN114495037A (zh) | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 | |
CN112529081A (zh) | 基于高效注意力校准的实时语义分割方法 | |
CN114792318B (zh) | 一种基于图像处理的纺织品摩尔纹消除方法及系统 | |
CN113129332A (zh) | 执行目标对象跟踪的方法和装置 | |
CN113743413B (zh) | 一种结合图像语义信息的视觉slam方法及系统 | |
CN116563170B (zh) | 一种图像数据处理方法、系统以及电子设备 |
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 |