JP2017156988A - 物体検出装置 - Google Patents
物体検出装置 Download PDFInfo
- Publication number
- JP2017156988A JP2017156988A JP2016039657A JP2016039657A JP2017156988A JP 2017156988 A JP2017156988 A JP 2017156988A JP 2016039657 A JP2016039657 A JP 2016039657A JP 2016039657 A JP2016039657 A JP 2016039657A JP 2017156988 A JP2017156988 A JP 2017156988A
- Authority
- JP
- Japan
- Prior art keywords
- distance
- detection window
- detection
- size
- scan range
- 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
Landscapes
- Image Analysis (AREA)
Abstract
Description
従来の人検出手法は、カメラで撮影した入力画像から、局所特徴量を算出してブースティングによる統計的学習を用いて識別する手法が多い。そして、局所特徴量として輝度の勾配方向をヒストグラム化した特徴量であるHOG(Histograms of Oriented Gradients)特徴量を用いた人検出装置が提案されている。
しかしながら、広角カメラは遠距離に位置する検知対象物が極端に小さく映るため、通常に広角カメラを使用しただけでは、被写体が小さく検知性能が劣化する。これを解決するためにカメラを高解像度化すると、処理する情報量が増えて検知時間が増加する。
例えば高解像度化の例として、VGA(640ピクセル×480ピクセル)をUXGA(1600ピクセル×1200ピクセル)とした場合は、情報量は6.5倍に増え、処理演算性能が一定の場合、情報量が増加すると処理時間が増加し、検知に時間がかかる。
以下、この発明の実施の形態1における物体検出装置を図1〜図7に基づいて説明する。
図1はこの発明の実施の形態1における物体検出装置の概略構成図を示し、図1において、この発明の物体検出装置はメモリ、CPUなどを備える周知のコンピュータで構成されている。
メモリは、カメラ1で撮影した画像の1フレーム分を入力して蓄積する画像メモリ11と、入力画像をCPU20でリサイズした画像を記憶するリサイズ画像メモリ12と、リサイズ画像をラスタスキャンしたサーチ結果を一時的に記憶する検出窓エリアメモリ13から構成されている。なお、図1ではメモリ11、12、13はCPU20の外に記載しているが、メモリ内蔵CPUを使用できれば、より高速な処理が可能となる。
また、パラメータ設定手段22は、スキャン範囲変更手段221と解像度変更手段222と、検出窓(サーチウインドウ)サイズ変更手段223と検出窓移動量変更手段(スキップ量制御手段)224で構成されている。
さらにマルチサイズラスタスキャン処理部26は、アダブーストによるカスケード型の識別器として構成される識別処理部261を内包する。
各距離での検知結果は、次回の同距離区分の人検出結果まで保持される。即ち、例えば1セット目の中距離の人検出結果は、2セット目の中距離の人検出結果まで保持される。
なお、各距離間の隙間を生じさせないために、検出距離をクロス(重複)させている。よって、クロス点においては、両方の検出に反応するため、近距離>中距離>遠距離の優先順位をつけている。
即ち、人らしき物が居そうか否かを粗く(検出窓移動量を大きく、判定閾値を低く)サーチし、人の候補が見つかった領域に対して細かく(検出窓移動量を小さく、判定閾値を高く)サーチさせることで、検知処理の高速化と検知性能の向上の両立を図るようにしている。
すべての画像を詳細にサーチすると非常に演算量が増えるが、このように2段階に分けてサーチすることで、処理の高速化を図る。
スキャン範囲変更手段221は、上記のようにカメラ1と検知対象物との距離に応じた距離区分で入力映像の1フレーム中のスキャン範囲を変更するものである。
解像度変更手段222は、スキャン範囲変更手段221で変更されたスキャン範囲の画像の解像度を、カメラ1と検知対象物との距離に応じた距離区分で変更するもので、スキャン範囲が狭く変更されるに従って解像度を順に高くするよう変更する。
また、切り抜きと縮小によりリサイズが行われたフレームに対しても、更に、上下方向に限りサーチ領域の指定が可能である。
上記のように入力画像をリサイズすることにより、後で演算処理する情報量を少なくする。なお、解像度の変更は省略してもよいが、その場合は演算処理が少し遅くなる。
検出窓サイズ変更手段223は、カメラ1と検知対象物との距離に応じた距離区分で検出窓のサイズを上記のように変更する。
また、サーチの回数もそれぞれの距離に対応して変えるようにし、近距離では検出窓サイズを順次小さく(縮小率0.2)して5回繰り返し、中距離では検出窓サイズを順次小さく(縮小率0.2)して4回繰り返し、遠距離では検出窓サイズを順次小さく(縮小率0.15)して3回繰り返す。
このように検出窓サイズを更新しながらラスタスキャンを繰り返す処理をマルチサイズラスタスキャンと呼び、これは、対象物(人)を確実に検出するためである。
ここで、縮小率0.2の場合、1−0.2の0.8倍に縮小される。
検出窓移動量変更手段224は、カメラ1と検知対象物との距離に応じた距離区分で検出窓の移動量を上記のように変更する。
解像度については、2段目スキャンにおいては変更することなく、リサイズ化したままの画像とする。
また、サーチの回数もそれぞれの距離区分に対応して変えるようにし、近距離では検出窓サイズを順次小さく(縮小率0.1)して3回繰り返し、中距離では検出窓サイズを順次小さく(縮小率0.1)して2回繰り返し、遠距離では検出窓サイズを順次小さく(縮小率0.1)して2回繰り返す。
検出窓の移動量(スキップ量)は、検出窓サイズによらず一定値とし、近距離では2ピクセル、中距離では1ピクセル、遠距離では1ピクセルに設定する。
サーチ設定部24は、パラメータ設定手段22からのデータに基づいて、上記のような距離区分に応じた検出窓サイズと検出窓の移動量を設定し、リサイズ画像メモリ12から読み出したリサイズ画像をサーチするように設定して、後段のインテグラルヒストグラム生成部25を介してマルチサイズラスタスキャン処理部26へ送る。
検出窓Wを移動する毎に、形状の特徴量を算出し、あらかじめ学習パターン記憶部30から学習データを読み込むことで構築した識別器により、マルチサイズラスタスキャン処理部26が学習した形状 (たとえば人の上半身) の特徴量との相関を判定して対象物(人)を検出する。
検出に際し、同じ物体でもカメラ1からの距離が違えば、大小に異なって映っているため、検出窓の大きさを変更(マルチサイズ)して、ラスタスキャンを行う必要がある。
以上はサーチを2段階に分けて行う場合について説明したが、この発明はサーチを2段階に分けて行うことは必須ではなく、1段階だけでサーチを行ってもよい。その場合の判定閾値は上記した1段目と2段目の中間にし、検出窓の移動量も1段目と2段目の中間にする。
ここで、1段階のサーチとは、各距離の区分で検出窓サイズを指定回数だけ更新(順次縮小)しながらスキャンしてサーチすることをいう。実施の形態1では2段階サーチを行っているので、まず近距離の区分で1段目のサーチを行い、次に同じ近距離の区分での2段目のサーチを行う。この2段階のサーチを、順次中距離の区分、遠距離の区分で実施し、対象物(人)を検知している。
図5において、マルチサイズラスタスキャン処理は、距離区分に応じた検出窓サイズとその移動量で、リサイズした画像をサーチするよう設定された信号をサーチ設定部24から入力して、検出窓内の特徴量と学習パターン記憶部30から予め人物を学習した学習データ30Aを入力して、インテグラルヒストグラム生成部25にてリサイズした画像から生成されたインテグラルヒストグラムデータ25Aの画像から人物を識別し、判別・投票結果から得られた検出対象画像(人の画像)を検出窓エリアとして、検知枠の位置と大きさを記憶する。
図5のステップS261は、対象となる画像のフレーム中の検出窓内の特徴量を算出する。ステップS262は、ステップS261により算出された特徴量(輝度勾配強度)が一定値よりも少ない場合(NO)は、例えば無地の白壁等と推定されるため、その当該検出窓に対する以降の処理を行わず処理をスキップさせてステップS266に進み、検知処理の高速化を図る。
ステップS262は、アダブーストによるカスケード型の識別器として構成される識別処理部261にて、学習データ30Aを用い、弱識別処理と強識別処理と判別・投票処理とを行う。
検知対象物(人)が存在すると判定されれば、ステップS265にて検知枠の位置と大きさが順次登録されていく。
ステップS268では、異なる大きさの人の検知を図るために、検出窓の大きさを変更(小さく)して、再度、ラスタスキャン動作を行う。この組み合わせ動作が、マルチサイズラスタスキャンである。
ステップS269は、検出窓サイズが下限値になるまで、マルチサイズラスタスキャン動作を行い、検出窓サイズが下限値になった場合(YES)にマルチサイズラスタスキャン処理を終了する。
図6において、ステップS1は検知すべき対象物(人)などが写った画像をキャプチャーする。このステップS1では、カメラ1が撮影した映像をキャプチャーした映像データは、一旦、外部メモリである画像メモリ11に1フレーム分書き込まれ、その1枚の静止画の画像を取り込む。カメラ映像はリアルタイムで次々に送られてくるが、当該フレームの認識処理を行っている期間は、次のフレーム認識は行えないため、その間に送られてくる映像データは破棄される。
ステップS3は、入力した画像のフレームに対して、近距離区分において設定されたスキャン範囲、解像度に基づいて縮小ズーム処理を行ってリサイズ化を図る。このリサイズ化の処理は対象物(人)をサーチする領域(範囲)を抽出するための処理であって、図3で詳しく説明したとおりである。ステップS3の1段階目サーチの近距離の検出では、リサイズ処理は入力画像の全体である1600×1200ピクセルを40%縮小して640×480ピクセルにリサイズする。
ここで輝度勾配とは、対象となるピクセル近傍での輝度変化の度合を示すものであり、画像フレーム内の対象物(人)の境界領域(輪郭)で大きな値となる。
尚、個々のセルには、輝度の偏りが含まれる場合があるので、近接するセルを含めたブロック単位で正規化を行って平均化して特徴量を算出する。
更に、検出窓サイズを1回目より縮小して変更し、2回目のラスタスキャンを同様に行う。以降も同様に、指定した回数(近距離の基本スキャンは5回縮小)だけ、検出窓サイズを縮小しながらラスタスキャンを繰り返す。同時に、マルチサイズラスタスキャンで人と判定された検出窓(検知枠の位置と大きさ)を順次登録していく。この状態を図7に示す。
この統合処理の仕方は、まず、人と判定された検出窓を重心の近くに移動させる。重心が複数存在する場合は、最も距離が近い重心に移動させる。この処理には、検出窓の距離統合係数とスケール統合係数があり、それぞれ大きな値を設定するほど、遠くの距離にある検出窓やスケールの差が大きな検出窓を統合しやすくなる。
全ての検出窓の移動を行った後、検出窓の中心座標どうしが一定の距離以内にある検出窓を全て統合する。最後に、検出窓の統合個数が予め決めた個数、例えば3個以上の検出窓を、最終的に人と判定する。
次にステップS8は、最終的に近距離区分にて人と判定された検出窓のエリアを記憶し、検出窓エリアメモリ13に登録する。
ステップS5は、作成された輝度勾配方向毎のインテグラルヒストグラムに対して、初期の検出窓サイズ(77ピクセル)で1回目のラスタスキャンを行う。ラスタスキャンは左上から右に検出窓サイズの1/9の移動量で検出窓を移動させ、検出窓が右端に移動した後は下に下がって更に左から右に移動させ、これを順番に繰り返して最終的に右下までスキャンしながらサーチする。ここで人と判定された検出窓は登録する。
検出窓サイズを1回目より縮小して変更し、検出窓を移動させながら2回目のラスタスキャンを同様に行う。以降も同様に、指定した回数(中距離の基本スキャンは4回縮小)だけ、検出窓サイズを縮小しながらラスタスキャンを繰り返す。同時に、マルチサイズラスタスキャンで人と判定された検出窓を登録していく。
最後に、検出窓の統合個数が予め決めた個数、例えば3個以上の検出窓を、最終的に人と判定する。
次にステップS8は、最終的に中距離区分にて人と判定された検出窓のエリアを記憶する。
ステップS4で、インテグラルヒストグラムイメージを作成し、ステップS5で輝度勾配方向毎のインテグラルヒストグラムに対して、マルチサイズラスタスキャンを実施する。
次にステップS8は、最終的に遠距離区分にて人と判定された検出窓のエリアを記憶する。
ステップS10にて、全距離区分のサーチが完了した場合(YES)、ステップS11に進んで、図1の統合化処理部27において各距離区分の検知結果を統合化処理し、当該フレームの検知結果として報告する。
図1の検出判定部28は、統合化処理部27により統合された検出窓の統合個数が指定した個数以上になれば、その検出窓は人として判定する。
検出結果表示手段29は、検出判定部28により人として判定された結果をディスプレイ2に表示する処理を行う。
次に、この発明の実施の形態2における物体検出装置を図8に基づいて説明する。
図8はこの発明の実施の形態2に係る物体検出装置のスキャンの仕方を説明するための図である。
実施の形態1では、検出窓Wは図4に示すように、設定されたサイズの検出窓Wをリサイズ画像のスキャン範囲の左上から右に移動し、右端に移動した後は下に下がって更に左から右に移動し、これを順番に繰り返して最終的に右下までスキャンしながらサーチしていた。
このようにスキャンすることで、移動量値と同じ値でスキャンした効果が得られ、処理速度が速くなる。なお、検知対象物を一度検出したら2回連続で外れない限り検出したと見做す制御と組み合わせることで、スキャンの移動量の細かさを1/2にしたのと同等な効果が得られる。
12:リサイズ画像メモリ、13:検出窓エリアメモリ、 21:パラメータテーブル、22:パラメータ設定手段、23:リサイズ処理部、 24:サーチ設定部、
25:インテグラルヒストグラム生成部、26:マルチサイズラスタスキャン処理部、
27:統合化処理部、28:検出判定部、 29:検出結果表示手段、
30:学習パターン記憶部、
221:スキャン範囲変更手段、 222:解像度変更手段、
223:検出窓サイズ変更手段、 224:検出窓移動量変更手段
Claims (10)
- カメラと検知対象物との距離に応じた距離区分で入力映像の1フレーム中のスキャン範囲を変更するスキャン範囲変更手段と、前記距離区分で検出窓のサイズを変更する検出窓サイズ変更手段と、前記距離区分で前記検出窓の移動量を変更する検出窓移動量変更手段とを有するパラメータ設定手段、前記カメラで撮影した入力映像を入力して、前記スキャン範囲変更手段により前記距離区分に対応して設定されたスキャン範囲で前記入力映像をリサイズするリサイズ処理部、前記検出窓サイズ変更手段により前記距離区分に対応して設定された検出窓サイズおよび前記検出窓移動量変更手段により前記距離区分に対応して設定された検出窓の移動量で、前記リサイズ処理部で処理されたリサイズ画像をサーチするように設定するサーチ設定部、前記サーチ設定部により前記距離区分に応じて設定されたそれぞれの検出窓サイズおよび検出窓の移動量で、前記スキャン範囲に基づいた前記リサイズ画像を前記距離区分の各区分で少なくとも1段階スキャンしてサーチし、前記検知対象物が存在する位置の前記検出窓のエリアを登録して前記検知対象物を検出するマルチサイズラスタスキャン処理部を備えた物体検出装置。
- 前記リサイズ処理部で処理されたリサイズ画像からインテグラルイメージを生成するインテグラルイメージ生成部を備え、前記インテグラルイメージをスキャンしてサーチし、前記検知対象物を検出する請求項1に記載の物体検出装置。
- 前記パラメータ設定手段は、前記スキャン範囲変更手段で変更されたスキャン範囲の画像の解像度を前記距離区分に応じて変更する解像度変更手段を備え、前記スキャン範囲が狭く変更された場合は解像度を高くするようにした請求項1または請求項2に記載の物体検出装置。
- 前記カメラと検知対象物との距離に応じた距離区分は、近距離、中距離、遠距離の3区分にした請求項1から請求項3のいずれか1項に記載の物体検出装置。
- 前記距離区分が近距離から遠距離になるにつれて、前記スキャン範囲変更手段はスキャン範囲を狭く変更し、前記検出窓サイズ変更手段は検出窓サイズを小さく変更し、前記検出窓移動量変更手段は検出窓の移動量を小さく変更するようにした請求項4に記載の物体検出装置。
- 前記距離区分が近距離から遠距離になるにつれて、適用する学習データを変更するようにした請求項4または請求項5に記載の物体検出装置。
- 前記マルチサイズラスタスキャン処理部は、前記距離区分の各区分で検出窓サイズを順次小さくして複数回スキャンするようにした請求項1から請求項6のいずれか1項に記載の物体検出装置。
- 前記マルチサイズラスタスキャン処理部は、前記距離区分の各区分を2段階に分けてサーチし、2段階目のサーチは1段階目のサーチにより検出された検出窓エリアを、1段階目より検出窓サイズを大きく、検出窓の移動量を小さくしてサーチするようにした請求項1から請求項7のいずれか1項に記載の物体検出装置。
- 前記パラメータ設定手段は、前記距離区分の各区分に対応して予めスキャン範囲、解像度、検出窓サイズ、検出窓の移動量が記憶されたパラメータテーブルからデータを入力するようにした請求項3から請求項8のいずれか1項に記載の物体検出装置。
- 前記マルチサイズラスタスキャン処理部は、前記検出窓をジグザクに移動しながらスキャンしてサーチするようにした請求項1から請求項9のいずれか1項に記載の物体検出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016039657A JP6095817B1 (ja) | 2016-03-02 | 2016-03-02 | 物体検出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016039657A JP6095817B1 (ja) | 2016-03-02 | 2016-03-02 | 物体検出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6095817B1 JP6095817B1 (ja) | 2017-03-15 |
JP2017156988A true JP2017156988A (ja) | 2017-09-07 |
Family
ID=58281087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016039657A Active JP6095817B1 (ja) | 2016-03-02 | 2016-03-02 | 物体検出装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6095817B1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101897923B1 (ko) * | 2017-09-20 | 2018-10-31 | 한국전력공사 | 신경망 학습 모델 기반 추적 객체 추출 서비스 제공 시스템, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
JP2019153184A (ja) * | 2018-03-05 | 2019-09-12 | 株式会社 ディー・エヌ・エー | 自動運転車両を制御するためのシステム、方法、及びプログラム |
JP2019211921A (ja) * | 2018-06-01 | 2019-12-12 | 株式会社ダイフク | 物体認識システムおよび物体認識方法 |
WO2020013105A1 (ja) | 2018-07-13 | 2020-01-16 | 株式会社神戸製鋼所 | 建設機械用の物体検出装置及び物体検出方法 |
KR20210073944A (ko) * | 2019-12-11 | 2021-06-21 | 정영규 | super Resolution Convolution neural network(SRCNN)을 이용한 고성능 표적 추적 장치 |
US11420855B2 (en) | 2019-10-04 | 2022-08-23 | Kabushiki Kaisha Toyota Jidoshokki | Object detection device, vehicle, and object detection process |
KR20220145123A (ko) * | 2021-04-21 | 2022-10-28 | 국방과학연구소 | 인공신경망을 이용한 복수의 목표물 추적 방법 및 그 장치 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008027130A (ja) * | 2006-07-20 | 2008-02-07 | Seiko Epson Corp | オブジェクト認識装置およびオブジェクト認識方法ならびにオブジェクト認識用プログラム |
JP2010066863A (ja) * | 2008-09-09 | 2010-03-25 | Fujifilm Corp | 顔検出装置及び方法 |
JP2010517139A (ja) * | 2007-01-18 | 2010-05-20 | シーメンス コーポレイト リサーチ インコーポレイテツド | 車両を検出および追跡するためのシステムおよび方法 |
JP2012017936A (ja) * | 2010-07-09 | 2012-01-26 | Shimizu Corp | ワークプレイス環境の管理支援システム |
JP2012185684A (ja) * | 2011-03-07 | 2012-09-27 | Jvc Kenwood Corp | 対象物検出装置、対象物検出方法 |
JP2013196454A (ja) * | 2012-03-21 | 2013-09-30 | Honda Elesys Co Ltd | 画像処理装置、画像処理方法および画像処理プログラム |
US20130266177A1 (en) * | 2012-04-06 | 2013-10-10 | Stmicroelectronics (Grenoble 2) Sas | Method and Device for Detecting an Object in an Image |
JP2014142832A (ja) * | 2013-01-24 | 2014-08-07 | Canon Inc | 画像処理装置、画像処理装置の制御方法、およびプログラム |
-
2016
- 2016-03-02 JP JP2016039657A patent/JP6095817B1/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008027130A (ja) * | 2006-07-20 | 2008-02-07 | Seiko Epson Corp | オブジェクト認識装置およびオブジェクト認識方法ならびにオブジェクト認識用プログラム |
JP2010517139A (ja) * | 2007-01-18 | 2010-05-20 | シーメンス コーポレイト リサーチ インコーポレイテツド | 車両を検出および追跡するためのシステムおよび方法 |
JP2010066863A (ja) * | 2008-09-09 | 2010-03-25 | Fujifilm Corp | 顔検出装置及び方法 |
JP2012017936A (ja) * | 2010-07-09 | 2012-01-26 | Shimizu Corp | ワークプレイス環境の管理支援システム |
JP2012185684A (ja) * | 2011-03-07 | 2012-09-27 | Jvc Kenwood Corp | 対象物検出装置、対象物検出方法 |
JP2013196454A (ja) * | 2012-03-21 | 2013-09-30 | Honda Elesys Co Ltd | 画像処理装置、画像処理方法および画像処理プログラム |
US20130266177A1 (en) * | 2012-04-06 | 2013-10-10 | Stmicroelectronics (Grenoble 2) Sas | Method and Device for Detecting an Object in an Image |
JP2014142832A (ja) * | 2013-01-24 | 2014-08-07 | Canon Inc | 画像処理装置、画像処理装置の制御方法、およびプログラム |
Non-Patent Citations (1)
Title |
---|
岡松 利美、外4名: ""奥行き情報を利用した人物追跡システムステレオPtracker"", 電子情報通信学会技術研究報告, vol. 99, no. 575, JPN6017002181, 21 January 2000 (2000-01-21), JP, pages 45 - 52, ISSN: 0003486763 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101897923B1 (ko) * | 2017-09-20 | 2018-10-31 | 한국전력공사 | 신경망 학습 모델 기반 추적 객체 추출 서비스 제공 시스템, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
JP2019153184A (ja) * | 2018-03-05 | 2019-09-12 | 株式会社 ディー・エヌ・エー | 自動運転車両を制御するためのシステム、方法、及びプログラム |
JP7071847B2 (ja) | 2018-03-05 | 2022-05-19 | 株式会社 ディー・エヌ・エー | 自動運転車両を制御するためのシステム、方法、及びプログラム |
JP2019211921A (ja) * | 2018-06-01 | 2019-12-12 | 株式会社ダイフク | 物体認識システムおよび物体認識方法 |
WO2020013105A1 (ja) | 2018-07-13 | 2020-01-16 | 株式会社神戸製鋼所 | 建設機械用の物体検出装置及び物体検出方法 |
EP3806032A4 (en) * | 2018-07-13 | 2021-08-18 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | OBJECT DETECTION DEVICE AND OBJECT DETECTION METHOD FOR A CONSTRUCTION MACHINE |
US11420855B2 (en) | 2019-10-04 | 2022-08-23 | Kabushiki Kaisha Toyota Jidoshokki | Object detection device, vehicle, and object detection process |
KR20210073944A (ko) * | 2019-12-11 | 2021-06-21 | 정영규 | super Resolution Convolution neural network(SRCNN)을 이용한 고성능 표적 추적 장치 |
KR102344005B1 (ko) * | 2019-12-11 | 2021-12-27 | 정영규 | super Resolution Convolution neural network(SRCNN)을 이용한 고성능 표적 추적 장치 |
KR20220145123A (ko) * | 2021-04-21 | 2022-10-28 | 국방과학연구소 | 인공신경망을 이용한 복수의 목표물 추적 방법 및 그 장치 |
KR102630236B1 (ko) * | 2021-04-21 | 2024-01-29 | 국방과학연구소 | 인공신경망을 이용한 복수의 목표물 추적 방법 및 그 장치 |
Also Published As
Publication number | Publication date |
---|---|
JP6095817B1 (ja) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6095817B1 (ja) | 物体検出装置 | |
CN109829398B (zh) | 一种基于三维卷积网络的视频中的目标检测方法 | |
KR102462572B1 (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
JP4997178B2 (ja) | 物体検出装置 | |
US8406470B2 (en) | Object detection in depth images | |
WO2019114036A1 (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
US10679358B2 (en) | Learning image automatic sorting device, learning image automatic sorting method, and learning image automatic sorting program | |
US10079974B2 (en) | Image processing apparatus, method, and medium for extracting feature amount of image | |
CN109255386B (zh) | 基于毫米波雷达和视觉融合的道路行人快速检测方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
US10762372B2 (en) | Image processing apparatus and control method therefor | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
JPWO2012046426A1 (ja) | 物体検出装置、物体検出方法および物体検出プログラム | |
WO2015136709A1 (ja) | 画像処理装置、画像センサ、画像処理方法 | |
JP2010165052A (ja) | 画像処理装置及び画像処理方法 | |
JP2020106970A (ja) | 人検出装置および人検出方法 | |
JP5335554B2 (ja) | 画像処理装置及び画像処理方法 | |
JP2014010633A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
JP2010146395A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、及び、電子機器 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN108256444B (zh) | 一种用于车载视觉系统的目标检测方法 | |
JP6326622B2 (ja) | 人物検出装置 | |
JP4042602B2 (ja) | 画像処理装置 | |
Mori et al. | Classification of pole-like objects using point clouds and images captured by mobile mapping systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170123 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170131 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170214 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6095817 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |