JP2020091667A - 定点画像認識装置 - Google Patents
定点画像認識装置 Download PDFInfo
- Publication number
- JP2020091667A JP2020091667A JP2018228614A JP2018228614A JP2020091667A JP 2020091667 A JP2020091667 A JP 2020091667A JP 2018228614 A JP2018228614 A JP 2018228614A JP 2018228614 A JP2018228614 A JP 2018228614A JP 2020091667 A JP2020091667 A JP 2020091667A
- Authority
- JP
- Japan
- Prior art keywords
- model
- image
- image recognition
- person
- switching
- 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
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
【課題】人と路面との認識を精度良く迅速に行うことができる定点画像認識装置を提供する。【解決手段】定点画像認識装置は、温度判定が可能なカメラにより取得された画像において、路面に相当する領域を予め抽出する領域抽出部と、温度に基づいて画像中における人の有無の判定を行う温度情報依拠モデルと、機械学習で画像中における人の有無の判定を行う機械学習モデルと、のいずれかの検知モデルを用いて路面に相当する領域に人がいるかいないかを判定する画像認識部と、画像認識部で用いる検知モデルの切替えを行うタイミングを判定する切替えタイミング判定部と、を備え、切替えタイミング判定部が、カメラが取得した画像における輝度値に基づいて決定した切替えを行うタイミング、または、予め定められた切替えを行うタイミングになったときに、画像認識部に対して、検知モデルを切替えするよう指示する。【選択図】図1
Description
本発明は、定点画像認識装置に関する。
赤外線カメラなどの取得画像の輝度値により温度の認識が可能なカメラを用いて人の有無を認識する技術が知られている。特許文献1には、車両用赤外線人検知警報装置において、路面の温度が高い場合に、路面を人と誤認識してしまうのを防止するため、人の認識をしないようにする技術が記載されている。
特許文献1に記載の技術では、誤認識を抑制することはできるものの、人を認識することができない時間帯が発生してしまうという問題がある。これに対し、機械学習の手法等を用いる高精度なモデルにより比較的複雑な計算をすることによって、全ての時間帯で人の認識をする方法も考えられる。しかしながら、この方法は計算負荷が高く、迅速に人を認識できないことが問題となっていた。
本発明は、以上の背景に鑑みなされたものであり、人と路面との認識を精度良く迅速に行うことができる定点画像認識装置を提供することを目的とする。
本発明は、取得画像の輝度値により温度の認識が可能で定位置に設置されるカメラにより取得された画像において人がいることを認識する定点画像認識装置であって、前記カメラにより取得された画像において、路面に相当する領域を予め抽出する領域抽出部と、認識された前記温度に基づいて画像中における人の有無の判定を行う温度情報依拠モデルと、機械学習データを用いた機械学習の手法により画像中における人の有無の判定を行う機械学習モデルと、のいずれかの検知モデルを用いて前記路面に相当する領域に人がいるかいないかを判定する画像認識部と、前記画像認識部で用いる前記検知モデルの切替えを行うタイミングを判定する切替えタイミング判定部と、を備え、前記切替えタイミング判定部が、前記カメラが取得した画像における輝度値に基づいて決定した前記切替えを行うタイミング、または、予め定められた前記切替えを行うタイミングになったときに、前記画像認識部に対して、前記検知モデルを切替えするよう指示するものである。
夜間から昼間に移行する時間帯や昼間から夜間に移行する時間帯では、2値化モデルでは人と路面との認識を精度良くできない。2値化モデルにより人と路面との認識を精度良くできない時間帯になるタイミング、及び、2値化モデルにより人と路面との認識を精度良くできる時間帯になるタイミングは、取得した画像の輝度値に基づいて決定することができる。2値化モデルにより人と路面との認識を精度良くできない時間帯になるタイミング、及び、2値化モデルにより人と路面との認識を精度良くできる時間帯になるタイミングは、予め決定されていてもよい。当該タイミングで検知モデルを切替えることにより、2値化モデルでは人と路面との認識を精度良くできない時間帯に限り、検知モデルとして計算負荷の比較的高い高精度モデルを用いるようにすることができる。そして、その他の時間帯には、検知モデルとして計算負荷の比較的低い2値化モデルを用いる。これにより、人と路面との認識を精度良く迅速に行うことができる。
本発明によれば、人と路面との認識を精度良く迅速に行うことができる。
以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施形態に限定するものではない。また、実施形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
まず、図1を参照して本実施の形態にかかる定点画像認識装置の構成について説明する。
図1は、本実施の形態に係る定点画像認識装置100の構成の一例を示すブロック図である。図1に示すように、定点画像認識装置100は、画像入力部1と、領域抽出部2と、切替えタイミング判定部3と、画像認識部4と、出力部5と、学習部6と、を備えている。
図1は、本実施の形態に係る定点画像認識装置100の構成の一例を示すブロック図である。図1に示すように、定点画像認識装置100は、画像入力部1と、領域抽出部2と、切替えタイミング判定部3と、画像認識部4と、出力部5と、学習部6と、を備えている。
画像入力部1は、例えば赤外線カメラなどの取得画像の輝度値により温度の認識が可能なカメラである。つまり、画像入力部1で取得した画像において、各画素における輝度値を温度に換算することで、各画素における温度が分かる。画像入力部1は、インフラに固定設置されるなど、定位置に設置される。領域抽出部2は、画像入力部1であるカメラにより取得された画像(観測画像)において、路面に相当する領域(道路領域)を予め抽出する。すなわち、領域抽出部2は、道路マップのマスク画像から観測画像上の道路領域を抽出するものである。
切替えタイミング判定部3は、画像認識部4で用いる検知モデルの切替えを行うタイミングを判定し、当該タイミングにおいて画像認識部4に対し検知モデルの切替えを指示する。すなわち、切替えタイミング判定部3は、検知モデルの切替えを行うタイミングであると判定されたときに画像認識部4に対し、検知モデルを、温度情報依拠モデルから機械学習モデルに、または、機械学習モデルから温度情報依拠モデルに切替えするよう指示する。検知モデルの切替えを行うタイミングは、切替えタイミング判定部3において、観測画像における輝度値に基づいて決定するようにしてもよく、予め定められていてもよい。検知モデルを切替えするタイミングの詳細については後述する。
画像認識部4は、温度情報に基づいて画像中における人の有無の判定を行う温度情報依拠モデルと、機械学習データを用いた機械学習の手法により画像中における人の有無の判定を行う機械学習モデルと、のいずれかの検知モデルを用いて道路領域に人がいるかいないかを判定する。機械学習モデルは、例えばHoG(Histograms of Oriented Gradients)特徴、サポートベータマシン(SVM)、深層学習ニューラルネットワークなどを用いることができる。
切替えタイミング判定部3からの切替え指示に基づいて選択された検知モデルを用いて、車両や歩行者などの物体を画像認識するためのものである。出力部5は、画像認識部4における認識結果を表示、出力するもので、例えば、ドライバーのスマートフォンのディスプレイや路側表示装置である。
学習部6は、画像認識を行うための2値化閾値の設定や機械学習モデルの学習を行うためのものである。なお、2値化閾値についてもニューラルネットワークなどの機械学習により設定するようにしてもよい。第1記憶部7aは、画像上の道路領域を決定するための道路マップのマスク画像を格納するためのものである。第2記憶部7bは、画像認識部4で用いられる、温度情報依拠モデルとしての2値化モデルを格納するためのものである。第3記憶部7cは、画像認識部4で用いられる、機械学習モデルとしての高精度モデルを格納するためのものである。
次に、定点画像認識装置100で人の検出(歩行者検出)を行う処理の流れについて以下で説明する。なお、以下の説明においては図1も適宜参照する。
図2は、定点画像認識装置100で歩行者検出を行う処理の流れを示すフローチャートである。図2に示すように、まず、分離度に基づいて、検知モデルとして、2値化モデルと高精度モデルのいずれかを選択し、選択した検知モデルとパラメータを読み込む(ステップS101)。なお、2値化モデルを検知モデルに選択した場合には、ステップS101において、2値化処理に使用するパラメータを決定する。2値化処理に使用するパラメータは、以下に示す式(1)と式(2)のいずれか一方に決定される。
図2は、定点画像認識装置100で歩行者検出を行う処理の流れを示すフローチャートである。図2に示すように、まず、分離度に基づいて、検知モデルとして、2値化モデルと高精度モデルのいずれかを選択し、選択した検知モデルとパラメータを読み込む(ステップS101)。なお、2値化モデルを検知モデルに選択した場合には、ステップS101において、2値化処理に使用するパラメータを決定する。2値化処理に使用するパラメータは、以下に示す式(1)と式(2)のいずれか一方に決定される。
ステップS101に続いて、画像入力部1であるカメラにより時系列で観測画像を取得する(ステップS102)。続いて、領域抽出部2が、第1記憶部7aに格納されている道路マップのマスク画像を参照し、観測画像における道路領域(もしくは道路領域を拡張した領域)を計算領域として設定する(ステップS103)。なお、道路領域を拡張した領域は、観測画像上において道路の端に人が立ったときに人が含まれる領域とする。なお、画像入力部1は、定位置に設置されて定点観測することを想定しているため、道路マップのマスク画像は予め生成しておくことができる。定位置に設置された画像入力部1では、道路領域のマスク画像の時系列変化は基本的にないため、計算領域の設定は一度行えば良い。また、計算領域の設定は、セマンティックセグメンテーション等の技術を使えば、ある程度自動化することも可能である。
ステップS103に続いて、読み込んだ検知モデルが2値化モデルか否かを判定する(ステップS104)。ステップS104において、読み込んだ検知モデルが2値化モデルであると判定された場合、上限閾値T1または下限閾値T2を用いて2値化し(ステップS105)、2値化された画像に対してモフォロジー処理及び画像ラベリング処理を実行する(ステップS106)。ここで、モフォロジー処理は、収縮処理、膨張処理を繰り返し、孤立点除去と穴埋めを行う処理である。ラベリング処理は、モフォロジー処理の後に連結画素に対して同一ラベルを割り当て、クラスタリングを行う処理である。続いて、歩行者領域を抽出する(ステップS107)。なお、ステップS107において、2値化モデルが使用された場合には、面積でフィルタリングしてノイズや誤検出を除去したものを歩行者領域(人領域)とする。ステップS104において、読み込んだ検知モデルが2値化モデルではないと判定された場合、高精度モデルで歩行者領域を抽出する(ステップS110)。
ステップS107、ステップS110に続いて、分離度を計算するタイミングか否かを判定する(ステップS108)。ステップS108において分離度を計算するタイミングであると判定された場合、分離度を計算し(ステップS109)、処理をステップS101に戻す。ステップS108において分離度を計算するタイミングではないと判定された場合、処理をステップS101に戻す。
ステップS109において、分離度は、クラス間分散νbとクラス内分散νwとの比で計算できる。クラス内分散νwは各クラスでの分散の平均値である。クラス間分散νbは各クラスの平均と全平均との差の2乗の期待値である。ここでのクラスは、歩行者等のラベルではなく、計算領域Rに含まれる画素の各輝度値のヒストグラムにおける階級幅である。クラス間分散νb、クラス内分散νwは、それぞれ、以下に示す式(1)、式(2)で表される。ここで、計算領域Rにおける、全画像数をn、全平均をm、全分散をνとし、閾値よりも輝度が小さい側における、画素数をn1、平均をm1、分散をν1とし、閾値よりも輝度が大きい側における、画素数をn2、平均をm2、分散をν2とする。全画像数n、全平均m、全分散νは、閾値Tに関係なく一定である。また、閾値Tで2値化したときの分離度Bは以下に示す式(3)で定義される。
閾値Tを変化させたときに、クラス間分散νbが最大になる分離度を分離度BMとし、そのときの閾値をTMとする。分離度BMが一定値より大きいときは、2値化モデルを選択し、そのときのTMを下限閾値T1あるいは上限閾値T2とする。TMとして下限閾値T1と上限閾値T2のどちらを採用するかは検知モデルを選択する順序に依存する。つまり、現在の検知モデルが高精度モデルの場合、次に選択する2値化モデルにおけるTMは、現在の検知モデル(高精度モデル)を選択する前に選択していた2値化モデルのTMとは逆の閾値を採用する。すなわち、現在の検知モデルである高精度モデルを選択する前の2値化モデルのTMが下限閾値T1であったとすれば、次に選択する2値化モデルのTMは上限閾値T2を採用する。現在の検知モデルである高精度モデルを選択する前の2値化モデルのTMが上限閾値T2であったとすれば、次に選択する2値化モデルのTMは下限閾値T1を採用する。
昼間では、道路の温度が高くなるので、道路領域が歩行者領域よりも輝度が高くなる。一方、夜間では、道路の温度が低くなるので、道路領域が歩行者領域よりも輝度が低くなる。このため、ステップS101において、昼間に2値化モデルを使う場合にはTMとして上限閾値T2を採用し、夜間に2値化モデルを使う場合にはTMとして下限閾値T1を採用するようにする。
夜間から昼間に移行する時間帯及び昼間から夜間に移行する時間帯では、周辺温度と人の温度が近くなるので、分離度BMが所定値よりも小さくなる。分離度BMが所定値よりも小さい場合、2値化モデルを使って歩行者検出を行うことが難しい。このため、ステップS109において分離度BMの計算を行い、分離度BMが所定値以上である場合は2値化モデルを使って歩行者検出を行い、分離度BMが所定値よりも小さい場合は高精度モデルを使って歩行者検出を行うようにする。なお、分離度BMが所定値よりも小さい場合にも、輝度ヒストグラムの傾向は、分離度BMが所定値以上の場合と同様になるので、機械学習による検出は比較的容易である。
ステップS108において、分離度を計算するタイミングか否かの判定は、観測画像に変化があったときのみ行う。上述したように、画像入力部1がインフラに固定設置されている場合、フレーム間差分を用いることで、観測画像の変化を容易に捉えることができる。
次に、検知モデルを切替えするタイミングについて説明する。
図3は、画像入力部1としての赤外線カメラにより取得された観測画像の計算領域における平均輝度値の時間変化の一例について示すグラフである。ここで、1時台〜7時台を第1の時間帯、8時台〜11時台を第2の時間帯、12時台〜18時台前半を第3の時間帯、12時台〜18時台後半を第4の時間帯とする。
図3は、画像入力部1としての赤外線カメラにより取得された観測画像の計算領域における平均輝度値の時間変化の一例について示すグラフである。ここで、1時台〜7時台を第1の時間帯、8時台〜11時台を第2の時間帯、12時台〜18時台前半を第3の時間帯、12時台〜18時台後半を第4の時間帯とする。
上述したように、赤外線カメラでは、画像の輝度値により温度を判定することが可能である。観測画像の計算領域において、平均輝度値が相対的に高い場合は温度が相対的に高く、平均輝度値が相対的に低い場合は温度が相対的に低いことが分かる。図3に示すように、夜間から昼間にかけては温度が上昇するので計算領域における平均輝度値も上昇している。また、昼間から夜間にかけては温度が下降するので、計算領域における平均輝度値も下降している。
また、図3に示す例において、第1の時間帯及び第3の時間帯では分離度が相対的に大きく、第2の時間帯及び第4の時間帯では分離度が相対的に小さくなった。つまり、夜間から昼間に移行する時間帯及び昼間から夜間に移行する時間帯に分離度が小さくなった。これは、夜間から昼間に移行する第2の時間帯及び昼間から夜間に移行する第4の時間帯では、周辺温度と人の温度が近くなるためである。上述したように、分離度が小さいと、2値化モデルにより歩行者検出するのは困難である。よって、分離度が相対的に大きい第1の時間帯及び第3の時間帯には、検知モデルとして2値化モデルを選択し、分離度が相対的に小さい第2の時間帯及び第4の時間帯には、検知モデルとして高精度モデルを選択する。なお、分離度が相対的に小さいとは、分離度BMが所定値よりも小さい場合、分離度が相対的に大きいとは、分離度BMが所定値以上の場合である。また、分離度と平均輝度値との間には相関があるので、分離度と平均輝度値との相関を予め把握しておけば、高精度モデルを選択する必要のある、分離度が相対的に小さくなる時間帯は、平均輝度値の時間変化より推測することもできる。
上述したように、昼間(第3の時間帯)と夜間(第1の時間帯)では、路面の温度と人の温度との大小関係が逆転する。このため、第1の時間帯と第3の時間帯とでは、2値化モデルの閾値を逆にする必要がある。すなわち、第1の時間帯にはTMとして下限閾値T1を用い、第3の時間帯にはTMとして上限閾値T2を用いる。上述したように、TMは、クラス間分散νbが最大になる分離度(分離度BM)のときの2値化モデルの閾値である。
このように、第1の時間帯と第2の時間帯を区分けする時刻t1、第2の時間帯と第3の時間帯を区分けする時刻t2、第3の時間帯と第4の時間帯を区分けする時刻t3、第4の時間帯と第1の時間帯を区分けする時刻t4が検知モデルの切替えを行うタイミングである。このタイミングは、観測画像における輝度値に基づいて決定することができる。よって、切替えタイミング判定部3は、観測画像における輝度値に基づいて検知モデルの切替えを行うタイミングを決定するようにしてもよい。なお、観測画像の1日における輝度値の時間変化を予め取得しておけば、検知モデルの切替えを行うタイミングは予め決定しておくこともできる。ただし、季節によって観測画像の1日における輝度値の時間変化は変わるので、観測画像の1日における輝度値の時間変化は季節ごとに取得しておく必要がある。
分離度の計算は、例えば所定の時間間隔で行うようにする。なお、検知モデルとして2値化モデルが選択されている場合、観測画像に変化があったときにのみ分離度を計算するようにしてもよい。観測画像の変化は、フレーム間差分を用いることにより容易に検知することができる。観測画像における輝度値に基づいて検知モデルの切替えを行うタイミングを決定する代わりに、分離度に基づいて検知モデルの切替えを行うタイミングを決定するようにしてもよい。すなわち、分離度が、所定値以上に維持されていた状態から所定値を下回ったときを、検知モデルを2値化モデルから高精度モデルに切替えするタイミングとする。また、分離度が、所定値未満に維持されていた状態から所定値以上になったときを、検知モデルを高精度モデルから2値化モデルに切替えするタイミングとする。
以上により、本実施の形態にかかる定点画像認識装置100では、夜間から昼間に移行する時間帯や昼間から夜間に移行する時間帯など、分離度が相対的に小さくなる時間帯に限り、高精度モデルを選択し、分離度が相対的に大きくなる時間帯には2値化モデルを選択する。つまり、2値化モデルで人と路面との認識を精度良く行うことができない時間帯にのみ計算負荷が高い高精度モデルを選択する。このように高精度モデルを使用する時間を削減することで計算リソースを低減することができる。また、高精度モデルを学習させる観測画像の変動を抑えることができるので、高精度モデルにおいてより歩行者検出の精度を向上させることができる。
また、検知モデルとして2値化モデルを選択した場合、昼間と夜間では、路面の温度と人の温度との大小関係が逆転する。このため、2値化モデルを選択する場合に、時間帯によって2値化モデルの閾値を変更するようにする。これにより、検知モデルとして2値化モデルを選択した時間帯において、人と路面との認識を精度良く迅速に行うことができる。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。
1 画像入力部
2 領域抽出部
3 タイミング判定部
4 画像認識部
5 出力部
6 学習部
7a 第1記憶部
7b 第2記憶部
7c 第3記憶部
100 定点画像認識装置
2 領域抽出部
3 タイミング判定部
4 画像認識部
5 出力部
6 学習部
7a 第1記憶部
7b 第2記憶部
7c 第3記憶部
100 定点画像認識装置
Claims (1)
- 取得画像の輝度値により温度の認識が可能で定位置に設置されるカメラにより取得された画像において人がいることを認識する定点画像認識装置であって、
前記カメラにより取得された画像において、路面に相当する領域を予め抽出する領域抽出部と、
認識された前記温度に基づいて画像中における人の有無の判定を行う温度情報依拠モデルと、機械学習データを用いた機械学習の手法により画像中における人の有無の判定を行う機械学習モデルと、のいずれかの検知モデルを用いて前記路面に相当する領域に人がいるかいないかを判定する画像認識部と、
前記画像認識部で用いる前記検知モデルの切替えを行うタイミングを判定する切替えタイミング判定部と、を備え、
前記切替えタイミング判定部が、前記カメラが取得した画像における輝度値に基づいて決定した前記切替えを行うタイミング、または、予め定められた前記切替えを行うタイミングになったときに、前記画像認識部に対して、前記検知モデルを切替えするよう指示する、定点画像認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018228614A JP2020091667A (ja) | 2018-12-06 | 2018-12-06 | 定点画像認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018228614A JP2020091667A (ja) | 2018-12-06 | 2018-12-06 | 定点画像認識装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020091667A true JP2020091667A (ja) | 2020-06-11 |
Family
ID=71013788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018228614A Pending JP2020091667A (ja) | 2018-12-06 | 2018-12-06 | 定点画像認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020091667A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022118475A1 (ja) * | 2020-12-04 | 2022-06-09 | 三菱電機株式会社 | 乗員温度推定装置、乗員状態検出装置、乗員温度推定方法、および、乗員温度推定システム |
CN115086632A (zh) * | 2022-05-23 | 2022-09-20 | 奥比中光科技集团股份有限公司 | 三维图像系统、图像传感器的增益调节方法及存储介质 |
CN115086632B (zh) * | 2022-05-23 | 2024-05-31 | 奥比中光科技集团股份有限公司 | 三维图像系统、图像传感器的增益调节方法及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099611A (ja) * | 2004-09-30 | 2006-04-13 | Nissan Motor Co Ltd | 人物検出装置及び方法 |
US20060177097A1 (en) * | 2002-06-14 | 2006-08-10 | Kikuo Fujimura | Pedestrian detection and tracking with night vision |
JP2012014331A (ja) * | 2010-06-30 | 2012-01-19 | Sumitomo Electric Ind Ltd | オフセット値変更装置及びオフセット値変更方法 |
JP2012068965A (ja) * | 2010-09-24 | 2012-04-05 | Denso Corp | 画像認識装置 |
JP2018041209A (ja) * | 2016-09-06 | 2018-03-15 | 本田技研工業株式会社 | 物体認識装置、モデル情報生成装置、物体認識方法、および物体認識プログラム |
-
2018
- 2018-12-06 JP JP2018228614A patent/JP2020091667A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060177097A1 (en) * | 2002-06-14 | 2006-08-10 | Kikuo Fujimura | Pedestrian detection and tracking with night vision |
JP2006099611A (ja) * | 2004-09-30 | 2006-04-13 | Nissan Motor Co Ltd | 人物検出装置及び方法 |
JP2012014331A (ja) * | 2010-06-30 | 2012-01-19 | Sumitomo Electric Ind Ltd | オフセット値変更装置及びオフセット値変更方法 |
JP2012068965A (ja) * | 2010-09-24 | 2012-04-05 | Denso Corp | 画像認識装置 |
JP2018041209A (ja) * | 2016-09-06 | 2018-03-15 | 本田技研工業株式会社 | 物体認識装置、モデル情報生成装置、物体認識方法、および物体認識プログラム |
Non-Patent Citations (2)
Title |
---|
GUANGYUAN ZHANG ET AL.: ""The Application of Dual Thresholds Binarization Algorithm for Pedestrian Segmentation in Thermal Im", 2010 INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION TECHNOLOGIES IN AGRICULTURE ENGINEERING, JPN6022012130, 12 June 2010 (2010-06-12), US, pages 316 - 319, XP031729865, ISSN: 0004742230 * |
青木 正喜: ""赤外線画像の人間検出への応用"", 情報処理学会研究報告, vol. 2005, no. 4, JPN6022012131, 21 January 2005 (2005-01-21), JP, pages 105 - 113, ISSN: 0004742229 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022118475A1 (ja) * | 2020-12-04 | 2022-06-09 | 三菱電機株式会社 | 乗員温度推定装置、乗員状態検出装置、乗員温度推定方法、および、乗員温度推定システム |
JPWO2022118475A1 (ja) * | 2020-12-04 | 2022-06-09 | ||
CN115086632A (zh) * | 2022-05-23 | 2022-09-20 | 奥比中光科技集团股份有限公司 | 三维图像系统、图像传感器的增益调节方法及存储介质 |
CN115086632B (zh) * | 2022-05-23 | 2024-05-31 | 奥比中光科技集团股份有限公司 | 三维图像系统、图像传感器的增益调节方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2959454B1 (en) | Method, system and software module for foreground extraction | |
CN103729858B (zh) | 一种视频监控系统中遗留物品的检测方法 | |
US9953240B2 (en) | Image processing system, image processing method, and recording medium for detecting a static object | |
JP5106356B2 (ja) | 画像監視装置 | |
US20140161319A1 (en) | Information processing apparatus, method for tracking object and program storage medium | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
KR101712136B1 (ko) | 열화상 카메라를 이용한 객체의 실신 상황 감지 방법 및 장치 | |
JP2013152669A (ja) | 画像監視装置 | |
KR101866381B1 (ko) | 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법 | |
JP2012123626A (ja) | 対象物検出装置及びプログラム | |
JP2012221162A (ja) | 対象物検出装置及びプログラム | |
JP6214426B2 (ja) | 物体検出装置 | |
TWI628623B (zh) | 全天候熱影像式行人偵測方法 | |
JP2020091667A (ja) | 定点画像認識装置 | |
JP2021531598A (ja) | 映像ストリームからの物体検出において用いるためのシステム及び方法 | |
KR101146417B1 (ko) | 무인 감시 로봇에서 중요 얼굴 추적 장치 및 방법 | |
JP7125843B2 (ja) | 障害検知システム | |
JP7074174B2 (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
Tang et al. | Robust vehicle surveillance in night traffic videos using an azimuthally blur technique | |
JP6077785B2 (ja) | 対象物検出装置及びプログラム | |
WO2022228325A1 (zh) | 行为检测方法、电子设备以及计算机可读存储介质 | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
US10140503B2 (en) | Subject tracking apparatus, control method, image processing apparatus, and image pickup apparatus | |
Kaur et al. | An Efficient Method of Number Plate Extraction from Indian Vehicles Image | |
CN110633670B (zh) | 一种老年人专用绿信延长方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210426 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220323 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221011 |