CN116824463A - 视频的关键帧提取方法、计算机可读存储介质及电子设备 - Google Patents
视频的关键帧提取方法、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN116824463A CN116824463A CN202311113616.5A CN202311113616A CN116824463A CN 116824463 A CN116824463 A CN 116824463A CN 202311113616 A CN202311113616 A CN 202311113616A CN 116824463 A CN116824463 A CN 116824463A
- Authority
- CN
- China
- Prior art keywords
- frames
- time division
- key
- updating
- extracting
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种视频的关键帧提取方法、计算机可读存储介质及电子设备，涉及视频处理技术领域；该方法包括以下的步骤：S10、特征提取与聚类，通过预训练模型ResNet‑18对无人机影像的每一帧进行特征提取，并对无人机影像中的帧进行聚类；S20、时间分割初始化，将聚类后的帧映射到原影像中的位置，获得时间分割；S30、关键帧初始化，提取每一个时间分割中的关键帧；S40、时间分割的更新，通过相邻帧之间的关系，进行时间分割的更新和关键帧的提取，重新确定每一对相邻关键帧之间的边界，完成时间分割的更新；S50、关键帧的更新；S60、迭代更新；本发明的有益效果是：使得关键帧的提取更加准确，减小了计算量。
Description
技术领域
本发明涉及视频处理技术领域，更具体的说，本发明涉及一种视频的关键帧提取方法、计算机可读存储介质及电子设备。
背景技术
视频可以包括一连串的视频帧，每个视频帧包含图像场景的视频快照。一连串的视频帧可以以适当的帧速率在显示器上再现，以提供视频的回放。
视频系统可以包括提取视频的视频帧子集以用作关键帧的能力。例如，可以从视频中提取一组关键帧从而为视频构建情节串连图板(storyboard)。通过将所提取的关键帧再现为一连串的缩略图像来构建情节串连图板，一连串的缩略图像向观众提供视频内容的可视指示。
在部件级实景三维中，常常使用无人机对部件（如建筑物等）通过倾斜摄影、优视摄影等进行视频数据的采集。然后从采集的数据中选取关键帧，并围绕关键帧对部件进行三维建模。因此关键帧的提取对于部件级的实景三维建模至关重要。
发明内容
为了克服现有技术的不足，本发明提供一种视频的关键帧提取方法，该方法使得关键帧的提取更加准确，减小了计算量。
本发明解决其技术问题所采用的技术方案是：一种视频的关键帧提取方法，其改进之处在于，该方法包括以下的步骤：
S10、特征提取与聚类，通过预训练模型ResNet-18对无人机影像的每一帧进行特征提取，并对无人机影像中的帧进行聚类；
S20、时间分割初始化，将聚类后的帧映射到原影像中的位置，获得时间分割；
S30、关键帧初始化，在每一个时间分割中通过基于信息熵的目标函数，计算提取能够有效表达该时间分割的帧，作为初始化的视频关键帧；
S40、时间分割的更新，通过相邻帧之间的关系，进行时间分割的更新和关键帧的提取，重新确定每一对相邻关键帧之间的边界，完成时间分割的更新；
S50、关键帧的更新，采用步骤S30中的方式进行关键帧的提取；
S60、迭代更新，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新，直至时间分割不再更新时迭代停止。
进一步的，步骤S10中，采用预训练模型ResNet-18对无人机影像的每一帧进行pool5层的特征提取，特征维度为512维；
此后采用DBSCAN对无人机影像中的帧进行聚类，获得多个聚类。
进一步的，步骤S20中，获得多个时间分割。
进一步的，步骤S30包括以下步骤：
S301、设定某时间分割中的视频帧的集合为A，从A中提取的关键帧为，该时间分割中剩余的帧/>，其中\表示为去除计算，其目标函数为：
；
其中，H1(p|Q)为变量集合Q条件下变量p的信息熵，|表示条件；
S302、步骤S301中目标函数的求解，使用贪婪的方式遍历该时间分割中的每一个帧，来获得关键帧；同时求解过程中使用ResNet-18提取的各帧的特征向量进行条件熵的计算；
S303、步骤S302中使用高斯过程，特征向量集合Q条件下特征向量p的信息熵H1(p|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算。
进一步的，步骤S40中，包括以下步骤：
S401、设定两个关键帧及其之间的帧构成的集合为B，一个边界将其划分为左半边和右半边/>，其目标函数表示为：
；
其中，H2(P|Q)为变量集合Q条件下变量集合P的信息熵；
S402、步骤S401中目标函数的求解，使用贪婪的方式遍历集合B的每一种划分，以获取最优划分；同时求解过程中使用ResNet-18提取各帧的特征向量进行条件熵的计算；
S403、特征向量集合Q条件下特征向量集合P的信息熵H2(P|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算；
S404、依次重新确定每一对关键帧之间的边界，完成时间分割的更新。
进一步的，所述步骤S50中，在时间分割和关键帧的提取中，大量使用两帧的协方差，通过提前计算两帧之间的协方差并进行存储。
进一步的，步骤S50中，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新时，计算中通过查询的方式获得两帧之间的协方差。
进一步的，步骤S60中，迭代结束时的关键帧则是最终的关键帧，该关键帧用于部件级的实景三维建模。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其改进之处在于，所述计算机程序被处理器执行时实现如上所述的视频的关键帧提取方法。
本发明还提供了一种电子设备，其改进之处在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的视频的关键帧提取方法。
本发明的有益效果是：本发明采用分级提取的方式，先对视频进行时间分割，再在时间分割中提取关键帧，相比整个视频中提取关键帧，对视频进行粗精度（时间分割）到细粒度（帧）的逐层分析，使得关键帧提取更加准确，同时也使得计算量减小。
附图说明
图1为本发明的一种视频的关键帧提取方法的流程示意图。
图2为本发明中一种视频的关键帧提取方法的具体实施例图。
图3为本发明中预训练模型ResNet-18的结构示意图。
图4为本发明中两个时间分割的边界划分的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，本发明中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明提供了一种视频的关键帧提取方法，是一种应用于无人机采集的部件级实景三维视频的关键帧提取技术。本发明通过对部件级实景三维视频进行时间分割进行初始化，然后在每个时间分割中提取关键帧，完成关键帧的初始化；然后不断迭代进行时间分割的更新和关键帧的更新。本发明的关键帧提取思想是：提取的关键帧能够最有效的表达该时间分割中剩余的帧；时间分割思想是相邻的两个时间分割之间具备很强的独立性。
基于此，结合图1、图2所示，本发明提供的一种视频的关键帧提取方法，包括以下步骤：
S10、特征提取与聚类，通过预训练模型ResNet-18对无人机影像的每一帧进行特征提取，并对无人机影像中的帧进行聚类；
本方案中，使用如图3所示的ResNet-18的预训练模型对无人机影像的每一帧进行pool5层的特征提取，特征维度为512维；此后采用DBSCAN对无人机影像中的帧进行聚类，获得三个聚类。需要说明的是，聚类的数量根据实际情况确定。
S20、时间分割初始化，将聚类后的帧映射到原影像中的位置，获得时间分割；本方案中，获得六个时间分割。
S30、关键帧初始化，在每一个时间分割中通过基于信息熵的目标函数，计算提取能够有效表达该时间分割的帧，作为初始化的视频关键帧；针对步骤S30，本发明提供了一个具体实施例，步骤S30包括以下步骤：
S301、设定某时间分割中的视频帧的集合为A，从A中提取的关键帧为，该时间分割中剩余的帧/>，其中\表示为去除计算，其目标函数为：
；
其中，H1(p|Q)为变量集合Q条件下变量p的信息熵，|表示条件；
S302、步骤S301中目标函数的求解，使用贪婪的方式遍历该时间分割中的每一个帧，来获得关键帧；同时求解过程中使用ResNet-18提取的各帧的特征向量进行条件熵的计算；
S303、步骤S302中使用高斯过程，特征向量集合Q条件下特征向量p的信息熵H1(p|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算。
S40、时间分割的更新，通过相邻帧之间的关系，进行时间分割的更新和关键帧的提取，重新确定每一对相邻关键帧之间的边界，完成时间分割的更新；
本实施例中，通过步骤S10至步骤S30形成的时间分割，使用聚类方法，在每一帧的计算中，考虑了过多的相距较远的时间分割中的帧，如帧3的分割计算使用到了帧12-帧15；因此需要借助相邻帧间的关系，进行时间分割的更新和关键帧的提取。
结合图4所示，针对步骤S40，本发明提供了一具体实施例，步骤S40包括以下步骤：
S401、设定两个关键帧及其之间的帧构成的集合为B，一个边界将其划分为左半边和右半边/>，本方法希望能够划分后的左半边/>和右半边/>之间尽量不能够相互表达，属于不同的分割，即具备很强的独立性,其目标函数表示为：
；
其中，H2(P|Q)为变量集合Q条件下变量集合P的信息熵；
S402、步骤S401中目标函数的求解，使用贪婪的方式遍历集合B的每一种划分，以获取最优划分；同时求解过程中使用ResNet-18提取各帧的特征向量进行条件熵的计算；
S403、特征向量集合Q条件下特征向量集合P的信息熵H2(P|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算；
S404、依次重新确定每一对关键帧之间的边界，完成时间分割的更新。
S50、关键帧的更新，采用步骤S30中的方式进行关键帧的提取；
步骤S50中，在时间分割和关键帧的提取中，大量使用两帧的协方差，通过提前计算两帧之间的协方差并进行存储。并且，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新时，计算中通过查询的方式获得两帧之间的协方差。
S60、迭代更新，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新，直至时间分割不再更新时迭代停止。
步骤S60中，迭代结束时的关键帧则是最终的关键帧，该关键帧用于部件级的实景三维建模。
基于此，本发明提供了一种关键帧提取方法，本发明采用分级提取的方式，先对视频进行时间分割，再在时间分割中提取关键帧，相比整个视频中提取关键帧，对视频进行粗精度（时间分割）到细粒度（帧）的逐层分析，使得关键帧提取更加准确，同时也使得计算量减小。在进行迭代优化过程中，通过迭代进行时间分割和关键帧提取，不断精细化时间分割的边界和关键帧的提取；使得时间分割和关键帧越来越准确。另外，本发明的计算简单且效率高，在每次迭代中计算简单，仅仅使用两帧之间的协方差；同时通过提前计算协方差，计算中使用查询的方式获得两帧之间的协方差，极大提高了计算效率。
另外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，并且，所述计算机程序被处理器执行时实现如上所述的视频的关键帧提取方法。
本发明还提供了一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的视频的关键帧提取方法。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种视频的关键帧提取方法，其特征在于，该方法包括以下的步骤：
S10、特征提取与聚类，通过预训练模型ResNet-18对无人机影像的每一帧进行特征提取，并对无人机影像中的帧进行聚类；
S20、时间分割初始化，将聚类后的帧映射到原影像中的位置，获得时间分割；
S30、关键帧初始化，在每一个时间分割中通过基于信息熵的目标函数，计算提取能够有效表达该时间分割的帧，作为初始化的视频关键帧；
S40、时间分割的更新，通过相邻帧之间的关系，进行时间分割的更新和关键帧的提取，重新确定每一对相邻关键帧之间的边界，完成时间分割的更新；
S50、关键帧的更新，采用步骤S30中的方式进行关键帧的提取；
S60、迭代更新，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新，直至时间分割不再更新时迭代停止。
2.根据权利要求1所述的视频的关键帧提取方法，其特征在于，步骤S10中，采用预训练模型ResNet-18对无人机影像的每一帧进行pool5层的特征提取，特征维度为512维；
此后采用DBSCAN对无人机影像中的帧进行聚类，获得多个聚类。
3.根据权利要求2所述的视频的关键帧提取方法，其特征在于，步骤S20中，获得多个时间分割。
4.根据权利要求2所述的视频的关键帧提取方法，其特征在于，步骤S30包括以下步骤：
S301、设定某时间分割中的视频帧的集合为A，从A中提取的关键帧为，该时间分割中剩余的帧/>，其中表示为去除计算，其目标函数为：
；
其中，H1(p|Q)为变量集合Q条件下变量p的信息熵，|表示条件；
S302、步骤S301中目标函数的求解，使用贪婪的方式遍历该时间分割中的每一个帧，来获得关键帧；同时求解过程中使用ResNet-18提取的各帧的特征向量进行条件熵的计算；
S303、步骤S302中使用高斯过程，特征向量集合Q条件下特征向量p的信息熵H1(p|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算。
5.根据权利要求4所述的视频的关键帧提取方法，其特征在于，步骤S40中，包括以下步骤：
S401、设定两个关键帧及其之间的帧构成的集合为B，一个边界将其划分为左半边和右半边/>，其目标函数表示为：
；
其中，H2(P|Q)为变量集合Q条件下变量集合P的信息熵；
S402、步骤S401中目标函数的求解，使用贪婪的方式遍历集合B的每一种划分，以获取最优划分；同时求解过程中使用ResNet-18提取各帧的特征向量进行条件熵的计算；
S403、特征向量集合Q条件下特征向量集合P的信息熵H2(P|Q)：
；
；
其中，K(•,•)为两个特征向量的协方差计算；
S404、依次重新确定每一对关键帧之间的边界，完成时间分割的更新。
6.根据权利要求5所述的视频的关键帧提取方法，其特征在于，所述步骤S50中，在时间分割和关键帧的提取中，大量使用两帧的协方差，通过提前计算两帧之间的协方差并进行存储。
7.根据权利要求6所述的视频的关键帧提取方法，其特征在于，步骤S50中，迭代步骤S40的时间分割的更新和步骤S50的关键帧的更新时，计算中通过查询的方式获得两帧之间的协方差。
8.根据权利要求7所述的视频的关键帧提取方法，其特征在于，步骤S60中，迭代结束时的关键帧则是最终的关键帧，该关键帧用于部件级的实景三维建模。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的视频的关键帧提取方法。
10.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的视频的关键帧提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113616.5A CN116824463B (zh) | 2023-08-31 | 2023-08-31 | 视频的关键帧提取方法、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113616.5A CN116824463B (zh) | 2023-08-31 | 2023-08-31 | 视频的关键帧提取方法、计算机可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824463A true CN116824463A (zh) | 2023-09-29 |
| CN116824463B CN116824463B (zh) | 2023-12-19 |
Family
ID=88127920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311113616.5A Active CN116824463B (zh) | 2023-08-31 | 2023-08-31 | 视频的关键帧提取方法、计算机可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824463B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095317A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市森歌数据技术有限公司 | 一种无人机三维影像实体识别与时间定位方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6807306B1 (en) * | 1999-05-28 | 2004-10-19 | Xerox Corporation | Time-constrained keyframe selection method |
| CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
| CN110197135A (zh) * | 2019-05-13 | 2019-09-03 | 北京邮电大学 | 一种基于多维分割的视频结构化方法 |
| CN112163120A (zh) * | 2020-09-04 | 2021-01-01 | Oppo（重庆）智能科技有限公司 | 一种分类方法、终端及计算机存储介质 |
| JP2021047468A (ja) * | 2019-09-15 | 2021-03-25 | 伊藤 博文 | 画像処理装置、画像処理方法、および画像処理プログラム |
| CN113269133A (zh) * | 2021-06-16 | 2021-08-17 | 大连理工大学 | 一种基于深度学习的无人机视角视频语义分割方法 |
| CN114898263A (zh) * | 2022-05-09 | 2022-08-12 | 浙江理工大学 | 一种基于图像信息熵和hog_ssim的视频关键帧提取方法 |
| CN115410125A (zh) * | 2022-08-29 | 2022-11-29 | 西安汇智信息科技有限公司 | 基于aocfs-ap聚类的行车视频关键帧提取方法 |
| CN116258978A (zh) * | 2023-05-16 | 2023-06-13 | 江西啄木蜂科技有限公司 | 一种自然保护区遥感影像弱标注的目标检测方法 |
| CN116363554A (zh) * | 2023-03-04 | 2023-06-30 | 西安电子科技大学青岛计算技术研究院 | 一种监控视频关键帧提取方法、系统、介质、设备及终端 |
| WO2023155258A1 (zh) * | 2022-02-21 | 2023-08-24 | 武汉大学 | 基于关键帧滑窗滤波的含自标定的视觉惯性里程计方法 |
-
2023
- 2023-08-31 CN CN202311113616.5A patent/CN116824463B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6807306B1 (en) * | 1999-05-28 | 2004-10-19 | Xerox Corporation | Time-constrained keyframe selection method |
| CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
| CN110197135A (zh) * | 2019-05-13 | 2019-09-03 | 北京邮电大学 | 一种基于多维分割的视频结构化方法 |
| JP2021047468A (ja) * | 2019-09-15 | 2021-03-25 | 伊藤 博文 | 画像処理装置、画像処理方法、および画像処理プログラム |
| CN112163120A (zh) * | 2020-09-04 | 2021-01-01 | Oppo（重庆）智能科技有限公司 | 一种分类方法、终端及计算机存储介质 |
| CN113269133A (zh) * | 2021-06-16 | 2021-08-17 | 大连理工大学 | 一种基于深度学习的无人机视角视频语义分割方法 |
| WO2023155258A1 (zh) * | 2022-02-21 | 2023-08-24 | 武汉大学 | 基于关键帧滑窗滤波的含自标定的视觉惯性里程计方法 |
| CN114898263A (zh) * | 2022-05-09 | 2022-08-12 | 浙江理工大学 | 一种基于图像信息熵和hog_ssim的视频关键帧提取方法 |
| CN115410125A (zh) * | 2022-08-29 | 2022-11-29 | 西安汇智信息科技有限公司 | 基于aocfs-ap聚类的行车视频关键帧提取方法 |
| CN116363554A (zh) * | 2023-03-04 | 2023-06-30 | 西安电子科技大学青岛计算技术研究院 | 一种监控视频关键帧提取方法、系统、介质、设备及终端 |
| CN116258978A (zh) * | 2023-05-16 | 2023-06-13 | 江西啄木蜂科技有限公司 | 一种自然保护区遥感影像弱标注的目标检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHANMUKHAPPA ANGADI ET.A: "Entropy Based Fuzzy C Means Clustering and Key Frame Extraction for Sports Video Summarization", 《 2014 FIFTH INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING (ICSIP 2014)》, pages 271 - 279 * |
| 汤宁丽: "基于密度峰值聚类和网络社团结构的视频摘要生成方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 002 - 81 * |
| 王华秋;殷志恒;: "采用自适应聚类的教学视频关键帧研究", 计算机时代, no. 12 * |
| 高永;郝晓丽;吕进来;: "互信息熵和Prewitt差测度的Lasso模型关键帧提取", 中国科技论文, no. 20, pages 65 - 71 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095317A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市森歌数据技术有限公司 | 一种无人机三维影像实体识别与时间定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824463B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753940B (zh) | 图像处理方法及装置 | |
| CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
| CN107481279B (zh) | 一种单目视频深度图计算方法 | |
| CN111369581A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN112967341B (zh) | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 | |
| US10062195B2 (en) | Method and device for processing a picture | |
| CN110223236B (zh) | 用于增强图像序列的方法 | |
| CN113870335A (zh) | 一种基于多尺度特征融合的单目深度估计方法 | |
| US20160163114A1 (en) | Absolute rotation estimation including outlier detection via low-rank and sparse matrix decomposition | |
| CN106803054B (zh) | 人脸模型矩阵训练方法和装置 | |
| CN113204659B (zh) | 多媒体资源的标签分类方法、装置、电子设备及存储介质 | |
| US20210303905A1 (en) | Method, system, and non-transitory computer readable record medium for extracting and providing text color and background color in image | |
| CN114550070A (zh) | 视频片段的识别方法、装置、设备以及存储介质 | |
| CN116205820A (zh) | 图像增强方法、目标识别方法、设备及介质 | |
| Bartoli et al. | From video sequences to motion panoramas | |
| CN106651790A (zh) | 图像去模糊的方法、装置和设备 | |
| CN111161348A (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
| CN116824463B (zh) | 视频的关键帧提取方法、计算机可读存储介质及电子设备 | |
| CN109785367B (zh) | 三维模型追踪中外点滤除方法和装置 | |
| CN108520259B (zh) | 一种前景目标的提取方法、装置、设备及存储介质 | |
| CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
| CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
| CN115239886A (zh) | 一种遥感uav-mvs影像点云数据处理方法、装置、设备及介质 | |
| Zhang et al. | Adaptive coding unit size convolutional neural network for fast 3D-HEVC depth map intracoding | |
| CN110189247B (zh) | 图像生成的方法、装置及系统 |
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 |