JP7453668B2 - 学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム - Google Patents
学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム Download PDFInfo
- Publication number
- JP7453668B2 JP7453668B2 JP2020017962A JP2020017962A JP7453668B2 JP 7453668 B2 JP7453668 B2 JP 7453668B2 JP 2020017962 A JP2020017962 A JP 2020017962A JP 2020017962 A JP2020017962 A JP 2020017962A JP 7453668 B2 JP7453668 B2 JP 7453668B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- detection
- standard deviation
- learning model
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 403
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000004364 calculation method Methods 0.000 claims description 109
- 238000000034 method Methods 0.000 claims description 102
- 238000010801 machine learning Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 40
- 239000002131 composite material Substances 0.000 claims description 23
- 238000010586 diagram Methods 0.000 description 16
- 241001137251 Corvidae Species 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
ただし、ベクトルの長さ率=短ベクトルのノルム/長ベクトルのノルム
Claims (13)
- 機械学習のための学習用画像を取得する学習用画像取得手段と、
前記学習用画像取得手段により取得された前記学習用画像の、前フレームと現フレームとの変化割合に基づいて、検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成手段と、
前記シグナル強度マップ生成手段により生成された前記シグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記学習用画像取得手段から供給された前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した画像を、標準偏差画像として生成する標準偏差画像生成手段と、
前記学習用画像取得手段から供給された前記学習用画像に対し、前記標準偏差画像生成手段により生成された前記標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施したコントラスト調整画像を生成するコントラスト調整画像生成手段と、
前記学習用画像取得手段により取得された前記学習用画像を用いて機械学習を行い、第1の学習モデルを生成する第1の学習モデル生成処理手段と、
前記標準偏差画像生成手段により生成された前記標準偏差画像を用いて機械学習を行い、第2の学習モデルを生成する第2の学習モデル生成処理手段と、
前記コントラスト調整画像生成手段により生成された前記コントラスト調整画像を用いて機械学習を行い、第3の学習モデルを生成する第3の学習モデル生成処理手段と
を備えることを特徴とする学習処理装置。 - 請求項1に記載の学習処理装置において、
前記シグナル強度マップ生成手段は、
前記学習用画像取得手段から供給された前記学習用画像を所定の画素数を含む矩形のブロックに分割するブロック分割処理手段と、
前記学習用画像の前フレームと現フレームのそれぞれの前記ブロックに含まれる画素の類似度を算出することにより、前記ブロックに含まれる各画素が変化しているか否かを判定する類似度算出手段と、
前記類似度算出手段による前記ブロックに含まれる各画素の変化の有無の判定結果に基づいて、前記ブロックのそれぞれに含まれる変化有の画素数を算出し、前記ブロック内の変化画素の割合を算出する変化画素割合算出手段と、
前記変化画素割合算出手段により算出された前記ブロックの変化画素の割合を、第1の閾値と比較し、その比較結果に基づいて、二値化を実行する二値化処理手段と、
前記二値化処理手段による二値化結果に基づいて、変化有と判定された前記ブロックを含む所定の大きさの矩形を切り出してシグナル強度マップを生成するシグナル強度マップ矩形生成処理手段と
を含むことを特徴とする学習処理装置。 - 請求項2に記載の学習処理装置において、
前記類似度算出手段は、RGB色空間、および、HSV色空間の要素を用いて前記類似度を算出する
ことを特徴とする学習処理装置。 - 請求項3に記載の学習処理装置において、
前記類似度算出手段は、色相Hを除いたRGBSVの5チャンネルの要素を用い、前記ブロックに含まれる画素ごとの5チャンネル合成ベクトルを用いて、現フレームと前フレームの2つの5チャンネルの合成ベクトルの正規化相関値を算出し、前記正規化相関値と、前記5チャンネル合成ベクトルの長さ率を乗算することにより前記類似度を算出する
ことを特徴とする学習処理装置。 - 請求項2~4のいずれかに記載の学習処理装置において、
前記二値化処理手段による二値化演算結果において変化有と判定された前記ブロックの領域を拡張するブロック拡張処理手段をさらに備え、
前記シグナル強度マップ矩形生成処理手段は、前記ブロック拡張処理手段により領域が拡張された前記ブロックに基づいて、変化有と判定された前記ブロックを含む所定の大きさの矩形を切り出してシグナル強度マップを生成する
ことを特徴とする学習処理装置。 - 所定の検出対象物体の検出のための機械学習を行う学習処理装置が実行する学習処理方法であって、
前記機械学習のための学習用画像を取得する学習用画像取得ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像の、前フレームと現フレームとの変化割合に基づいて、前記検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成ステップと、
前記シグナル強度マップ生成ステップの処理により生成された前記シグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記学習用画像取得ステップの処理により取得された前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した画像を、標準偏差画像として生成する標準偏差画像生成ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像に対し、前記標準偏差画像生成ステップの処理により生成された前記標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施したコントラスト調整画像を生成するコントラスト調整画像生成ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像を用いて機械学習を行い、第1の学習モデルを生成する第1の学習モデル生成処理ステップと、
前記標準偏差画像生成ステップの処理により生成された前記標準偏差画像を用いて機械学習を行い、第2の学習モデルを生成する第2の学習モデル生成処理ステップと、
前記コントラスト調整画像生成ステップの処理により生成された前記コントラスト調整画像を用いて機械学習を行い、第3の学習モデルを生成する第3の学習モデル生成処理ステップと
を含むことを特徴とする学習方法。 - 所定の検出対象物体の検出のための機械学習を行うコンピュータに、
前記機械学習のための学習用画像を取得する学習用画像取得ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像の、前フレームと現フレームとの変化割合に基づいて、前記検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成ステップと、
前記シグナル強度マップ生成ステップの処理により生成された前記シグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記学習用画像取得ステップの処理により取得された前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した画像を、標準偏差画像として生成する標準偏差画像生成ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像に対し、前記標準偏差画像生成ステップの処理により生成された前記標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施したコントラスト調整画像を生成するコントラスト調整画像生成ステップと、
前記学習用画像取得ステップの処理により取得された前記学習用画像を用いて機械学習を行い、第1の学習モデルを生成する第1の学習モデル生成処理ステップと、
前記標準偏差画像生成ステップの処理により生成された前記標準偏差画像を用いて機械学習を行い、第2の学習モデルを生成する第2の学習モデル生成処理ステップと、
前記コントラスト調整画像生成ステップの処理により生成された前記コントラスト調整画像を用いて機械学習を行い、第3の学習モデルを生成する第3の学習モデル生成処理ステップと
を含む処理を実行させるためのプログラム。 - 学習用画像を用いて機械学習を行うことによって得られた第1の学習モデルと、
前記学習用画像の前フレームと現フレームとの変化割合に基づいて、検出対象物体があると推定される部分の前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した第1の標準偏差画像を用いて機械学習を行うことによって得られた第2の学習モデルと、
前記学習用画像に対し、前記第1の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第1のコントラスト調整画像を用いて機械学習を行うことによって得られた第3の学習モデルと
を用いて前記検出対象物体を検出する物体検出装置において、
前記検出対象物体を検出するための検出用画像を取得する検出用画像取得手段と、
前記検出用画像取得手段により取得された前記検出用画像のうち、前フレームと現フレームとの変化割合に基づいて、前記検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成手段と、
前記シグナル強度マップ生成手段により生成されたシグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記検出用画像取得手段から供給された前記検出用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記検出用画像のマスクとして適用した画像を、第2の標準偏差画像として生成する標準偏差画像生成手段と、
前記検出用画像取得手段から供給された前記検出用画像に対し、前記標準偏差画像生成手段により生成された前記第2の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第2のコントラスト調整画像を生成するコントラスト調整画像生成手段と、
前記第1の学習モデルを用いて、前記検出用画像取得手段により取得された前記検出用画像に、前記検出対象物体があるか否かの確率を判定する第1の物体検出判定手段と、
前記第2の学習モデルを用いて、前記標準偏差画像生成手段により生成された前記第2の標準偏差画像に、前記検出対象物体があるか否かの確率を判定する第2の物体検出判定手段と、
前記第3の学習モデルを用いて、前記コントラスト調整画像生成手段により生成された前記第2のコントラスト調整画像に、前記検出対象物体があるか否かの確率を判定する第3の物体検出判定手段と、
前記標準偏差画像生成手段により生成された前記第2の標準偏差画像における前記検出対象物体の画素と、前記検出用画像取得手段から供給された前記検出用画像の背景部分の各画素の類似度を算出する背景類似度算出手段と、
前記背景類似度算出手段により算出された前記類似度に基づいて、前記第1の物体検出判定手段、前記第2の物体検出判定手段、および、前記第3の物体検出判定手段による判定結果の重み付けを設定する重み付け設定手段と、
前記重み付け設定手段による設定に従って、前記第1の物体検出判定手段、前記第2の物体検出判定手段、および、前記第3の物体検出判定手段におけるそれぞれの判定結果に対して重み付けを行い、それらの平均値に基づいて、前記検出用画像取得手段により取得された前記検出用画像に、前記検出対象物体があるか否かを判定する物体検出判定手段と
を備えることを特徴とする物体検出装置。 - 請求項8に記載の物体検出装置において、
前記背景類似度算出手段は、RGB色空間、および、HSV色空間の要素を用いて前記類似度を算出する
ことを特徴とする物体検出装置。 - 請求項9に記載の物体検出装置において、
前記背景類似度算出手段は、色相Hを除いたRGBSVの5チャンネルの要素を用い、前記学習用画像を所定の画素数を含む矩形のブロックに含まれる画素ごとの5チャンネル合成ベクトルを用いて、現フレームと前フレームの2つの5チャンネルの合成ベクトルの正規化相関値を算出し、前記正規化相関値と、前記5チャンネル合成ベクトルの長さ率を乗算することにより前記類似度を算出する
ことを特徴とする物体検出装置。 - 請求項8~10のいずれかに記載の物体検出装置において、
前記重み付け設定手段は、前記背景類似度算出手段により算出された前記類似度の値が高い場合、前記第2の物体検出判定手段の判定結果の重みを最も大きい値に設定し、前記類似度の値が低い場合、前記第1の物体検出判定手段、前記第2の物体検出判定手段、および、前記第3の物体検出判定手段の判定結果の重みを均等な値に設定し、前記類似度の値がそれらの中間値である場合、前記第2の物体検出判定手段および前記第3の物体検出判定手段の判定結果の重みを前記第1の物体検出判定手段の判定結果の重みよりも大きい値に設定する
ことを特徴とする物体検出装置。 - 学習用画像を用いて機械学習を行うことによって得られた第1の学習モデルと、
前記学習用画像の前フレームと現フレームとの変化割合に基づいて、検出対象物体があると推定される部分の前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した第1の標準偏差画像を用いて機械学習を行うことによって得られた第2の学習モデルと、
前記学習用画像に対し、前記第1の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第1のコントラスト調整画像を用いて機械学習を行うことによって得られた第3の学習モデルと
を用いて前記検出対象物体を検出する物体検出装置が実行する物体検出方法であって、
前記検出対象物体を検出するための検出用画像を取得する検出用画像取得ステップと、
前記検出用画像取得ステップの処理により取得された前記検出用画像のうち、前フレームと現フレームとの変化割合に基づいて、前記検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成ステップと、
前記シグナル強度マップ生成ステップの処理により生成されたシグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記検出用画像取得ステップの処理により取得された前記検出用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記検出用画像のマスクとして適用した画像を、第2の標準偏差画像として生成する標準偏差画像生成ステップと、
前記検出用画像取得ステップの処理により取得された前記検出用画像に対し、前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第2のコントラスト調整画像を生成するコントラスト調整画像生成ステップと、
前記第1の学習モデルを用いて、前記検出用画像取得ステップの処理により取得された前記検出用画像に、前記検出対象物体があるか否かの確率を判定する第1の物体検出判定ステップと、
前記第2の学習モデルを用いて、前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像に、前記検出対象物体があるか否かの確率を判定する第2の物体検出判定ステップと、
前記第3の学習モデルを用いて、前記コントラスト調整画像生成ステップの処理により生成された前記第2のコントラスト調整画像に、前記検出対象物体があるか否かの確率を判定する第3の物体検出判定ステップと、
前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像における前記検出対象物体の画素と、前記検出用画像取得ステップの処理により取得された前記検出用画像の背景部分の各画素の類似度を算出する背景類似度算出ステップと、
前記背景類似度算出ステップの処理により算出された前記類似度に基づいて、前記第1の物体検出判定ステップ、前記第2の物体検出判定ステップ、および、前記第3の物体検出判定ステップによる判定結果の重み付けを設定する重み付け設定ステップと、
前記重み付け設定ステップの処理による設定に従って、前記第1の物体検出判定ステップ、前記第2の物体検出判定ステップ、および、前記第3の物体検出判定ステップにおけるそれぞれの判定結果に対して重み付けを行い、それらの平均値に基づいて、前記検出用画像取得ステップにより取得された前記検出用画像に、前記検出対象物体があるか否かを判定する物体検出判定ステップと
を含むことを特徴とする物体検出方法。 - 学習用画像を用いて機械学習を行うことによって得られた第1の学習モデルと、
前記学習用画像の前フレームと現フレームとの変化割合に基づいて、検出対象物体があると推定される部分の前記学習用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記学習用画像のマスクとして適用した第1の標準偏差画像を用いて機械学習を行うことによって得られた第2の学習モデルと、
前記学習用画像に対し、前記第1の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第1のコントラスト調整画像を用いて機械学習を行うことによって得られた第3の学習モデルと
を用いて前記検出対象物体を検出する処理を実行するコンピュータに、
前記検出対象物体を検出するための検出用画像を取得する検出用画像取得ステップと、
前記検出用画像取得ステップの処理により取得された前記検出用画像のうち、前フレームと現フレームとの変化割合に基づいて、前記検出対象物体があると推定される部分を含む所定の大きさの矩形二値化画像であるシグナル強度マップを生成するシグナル強度マップ生成ステップと、
前記シグナル強度マップ生成ステップの処理により生成されたシグナル強度マップにおいて、前記検出対象物体があると推定される部分において、前記検出用画像取得ステップの処理により取得された前記検出用画像の現フレームと数点の前フレームによる複数フレーム間における標準偏差を画素毎に求め、所定の閾値以上の標準偏差となった画素のみを白色とすることにより、前記検出対象物体が抽出された二値化画像を作成し、それを前記検出用画像のマスクとして適用した画像を、第2の標準偏差画像として生成する標準偏差画像生成ステップと、
前記検出用画像取得ステップの処理により取得された前記検出用画像に対し、前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像において前記検出対象物体として抽出された部分以外のコントラストを下げる処理を施した第2のコントラスト調整画像を生成するコントラスト調整画像生成ステップと、
前記第1の学習モデルを用いて、前記検出用画像取得ステップの処理により取得された前記検出用画像に、前記検出対象物体があるか否かの確率を判定する第1の物体検出判定ステップと、
前記第2の学習モデルを用いて、前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像に、前記検出対象物体があるか否かの確率を判定する第2の物体検出判定ステップと、
前記第3の学習モデルを用いて、前記コントラスト調整画像生成ステップの処理により生成された前記第2のコントラスト調整画像に、前記検出対象物体があるか否かの確率を判定する第3の物体検出判定ステップと、
前記標準偏差画像生成ステップの処理により生成された前記第2の標準偏差画像における前記検出対象物体の画素と、前記検出用画像取得ステップの処理により取得された前記検出用画像の背景部分の各画素の類似度を算出する背景類似度算出ステップと、
前記背景類似度算出ステップの処理により算出された前記類似度に基づいて、前記第1の物体検出判定ステップ、前記第2の物体検出判定ステップ、および、前記第3の物体検出判定ステップによる判定結果の重み付けを設定する重み付け設定ステップと、
前記重み付け設定ステップの処理による設定に従って、前記第1の物体検出判定ステップ、前記第2の物体検出判定ステップ、および、前記第3の物体検出判定ステップにおけるそれぞれの判定結果に対して重み付けを行い、それらの平均値に基づいて、前記検出用画像取得ステップにより取得された前記検出用画像に、前記検出対象物体があるか否かを判定する物体検出判定ステップと
を含む処理を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020017962A JP7453668B2 (ja) | 2020-02-05 | 2020-02-05 | 学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020017962A JP7453668B2 (ja) | 2020-02-05 | 2020-02-05 | 学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021124953A JP2021124953A (ja) | 2021-08-30 |
JP7453668B2 true JP7453668B2 (ja) | 2024-03-21 |
Family
ID=77459175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020017962A Active JP7453668B2 (ja) | 2020-02-05 | 2020-02-05 | 学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7453668B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015186341A1 (ja) | 2014-06-03 | 2015-12-10 | 日本電気株式会社 | 画像処理システム、画像処理方法及びプログラム記憶媒体 |
-
2020
- 2020-02-05 JP JP2020017962A patent/JP7453668B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015186341A1 (ja) | 2014-06-03 | 2015-12-10 | 日本電気株式会社 | 画像処理システム、画像処理方法及びプログラム記憶媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP2021124953A (ja) | 2021-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI750498B (zh) | 視訊流的處理方法和裝置 | |
JP6088792B2 (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
US9524558B2 (en) | Method, system and software module for foreground extraction | |
KR102153607B1 (ko) | 영상에서의 전경 검출 장치 및 방법 | |
US9047673B2 (en) | Apparatus and method for extracting target, and recording medium storing program for performing the method | |
JP2008192131A (ja) | 特徴レベル・セグメンテーションを実行するシステムおよび方法 | |
KR102474837B1 (ko) | 전경 추출 방법 및 장치 | |
JP7222231B2 (ja) | 行動認識装置、行動認識方法及びプログラム | |
JP2018026115A (ja) | 火炎検出方法、火炎検出装置及び電子機器 | |
JP2015201209A (ja) | デジタル画像における関心点の検出方法 | |
CN111028263A (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
JP2014048131A (ja) | 画像処理装置、方法及びプログラム | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
Liu et al. | Scene background estimation based on temporal median filter with Gaussian filtering | |
US20220366570A1 (en) | Object tracking device and object tracking method | |
JP7453668B2 (ja) | 学習処理装置および学習処理方法、物体検出装置および物体検出方法、ならびに、プログラム | |
CN112949453A (zh) | 烟火检测模型的训练方法、烟火检测方法及设备 | |
JP2021111228A (ja) | 学習装置、学習方法、及びプログラム | |
KR20150033047A (ko) | 객체를 검출하기 위한 전처리 장치 및 방법 | |
JP7279817B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
TWI478078B (zh) | A motion detection device and a motion detection method | |
JP6276504B2 (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
JP2020035334A (ja) | 画像処理装置 | |
KR101067516B1 (ko) | 정규 상관도와 누적영상을 이용한 고속 그림자 제거 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231204 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240301 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7453668 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |