TW202020724A - 影像適應性特徵提取法及其應用 - Google Patents
影像適應性特徵提取法及其應用 Download PDFInfo
- Publication number
- TW202020724A TW202020724A TW107141355A TW107141355A TW202020724A TW 202020724 A TW202020724 A TW 202020724A TW 107141355 A TW107141355 A TW 107141355A TW 107141355 A TW107141355 A TW 107141355A TW 202020724 A TW202020724 A TW 202020724A
- Authority
- TW
- Taiwan
- Prior art keywords
- feature
- block
- pedestrian
- image
- adaptive
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本發明提供一種影像適應性特徵提取法,該方法係包含步驟:將一影像切割成複數區塊,對該複數區塊進行特徵提取處理,每個區塊經特徵提取處理後獲得一區塊特徵;利用一SVM分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量;設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一適應性特徵影像。藉由運算行人影像偵測前進行影像適應性特徵提取處理,挑選有效的特徵資料,可有效提升運算效率及減少偵測行人錯誤機率。
Description
本發明係關於一種影像特徵提取法,特別是一種提高運算效率之影像適應性特徵提取法。
習知行人偵測技術上,分類器學習方式目前已趨近成熟,主要透過機器學習方式,其做法為給定一個訓練資料庫條件下,其中包含大量人形及非人形樣本,訓練一個能夠有效分辨人形與非人形之分類器,例如:Adaboost(adaptive boosting)或支援向量機(support vector machine,簡稱SVM),因此,熱影像行人偵測演算法之成敗主要取決於所擷取特徵之有效性,目前常用之熱像行人特徵主要包含Haar-like特徵,梯度分布直方圖(histogram of oriented gradients,簡稱HOG)、局部二值模式(local binary pattern,簡稱LBP)、亮度自主相似性(intensity self-similarity,簡稱ISS),或其相關變形等特徵,近年來為提高偵測準確度目前的商業需求,基於不同特徵之互補性,常用技術為透過整合各種熱像特徵,整合方式為直接串接各種特徵,以獲得一個更具鑑別度之高維度特徵。
上述特徵整合方式雖然可以有效提高熱像行人偵測準確度,但其主要包含兩項缺失,首先透過特徵向量直接串接方式,雖可有效提高特徵鑑別度但因其維度過高,於機器學習過程中會產生所謂維度災難(curse of dimensionalityproblem),即當參數空間維度提高,因維度空間體積提高太快,使得訓練數據變得稀疏,導致機器學習過程中基於統計原理所獲得之分類器無效;其次,不同特性的特徵間可能具備高相關性(highly correlated),這使得串接後所產生之高維度特徵,資料間彼此重疊(overlapping),易導致偵測錯誤提高。
因此目前業界極需發展出一種提高效率之影像適應性特徵提取方法,藉由挑選有效的特徵資料,可有效提升運算效率及減少偵測行人錯誤機率。
鑒於上述習知技術之缺點,本發明之主要目的在於提供一種影像適應性特徵提取法,該方法係包含步驟:(A)將一影像切割成複數區塊,對該複數區塊進行特徵提取處理,每個區塊經特徵提取處理後獲得一區塊特徵;(B)利用一SVM分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量;(C)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記
錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一適應性特徵影像;藉由運算行人影像偵測前進行影像適應性特徵提取處理,挑選有效的特徵資料,可有效提升運算效率及減少偵測行人錯誤機率。
本發明之影像適應性特徵提取法,其中,該特徵提取處理可為亮度梯度直方圖(HOG)、區域二直特徵(LBP)或區域亮度差異直方圖(HLID)。
本發明提出另一方案,一種行人熱影像偵測方法,該方法係包含步驟:(A)讀取一原始熱輻射影像,該原始熱輻射影像包含一特定環境資訊;(B)將該原始熱輻射影像切割成複數區塊,對該複數區塊進行行人特徵提取處理,每個區塊經行人特徵提取處理後獲得一區塊特徵;(C)利用一支援向量機(SVM)分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量;(D)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一行人特徵影像;(E)利用該行人特徵影像進行行人影像偵測。
本發明之行人熱影像偵測方法,其中,該特徵提取處理係為亮度梯度直方圖(HOG)。
本發明之行人熱影像偵測方法,其中,該行人影像偵測係為區域二直特徵(LBP)。
本發明之行人熱影像偵測方法,其中,該行人影像偵測係為區域亮度差異直方圖(HLID)。
本發明之行人熱影像偵測方法,其中,該特定環境資訊係包含行人影像。
本發明之行人熱影像偵測方法,其中,該支援向量機(SVM)分類器係由靜態人形樣本資料做為訓練樣本資料庫進行訓練。
本發明之行人熱影像偵測方法,其中,該支援向量機(SVM)分類器係由六段探針資料庫作為測試資料庫進行訓練。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本發明達到預定目的所採取的方式、手段及功效,而有關本發明的其他目的及優點,將在後續的說明及圖式中加以闡述。
110~130‧‧‧步驟
第一圖係為影像適應性特徵提取法之步驟流程圖;第二圖係為SVM超平面示意圖;第三圖係為適應性特徵取樣實施例示意圖;第三圖係為行人熱影像偵測方法之實施例示意圖;
以下係藉由特定的具體實例說明本發明之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本發明之優點及功效。
請參閱第一圖,如圖所示,係為本發明影像適應性特徵提取法之步驟示意圖,該方法之步驟包含:步驟110(A)將一影像切割成複數區塊,對該複數區塊進行特徵提取處理,每個區塊經特徵提取處理後獲得一區塊特徵;步驟120(B)利用一SVM分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量;步驟130(C)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一適應性特徵影像。
本發明提出另一實施例,一種行人熱影像偵測方法,該方法之步驟包含:(A)讀取一原始熱輻射影像,該原始熱輻射影像包含一特定環境資訊;(B)將該原始熱輻射影像切割成複數區塊,對該複數區塊進行行人特徵提取處理,每個區塊經行人特徵提取處理後獲得一區塊特徵;(C)利用一支援向量機(SVM)分類器計算每個區塊特徵,
每個區塊特徵經計算後獲得一超平面法向量;(D)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一行人特徵影像;(E)利用該行人特徵影像進行行人影像偵測。
其中,該特徵提取處理可為亮度梯度直方圖(HOG)、區域二直特徵(LBP)或區域亮度差異直方圖(HLID),但本發明不以此為限,更加地,可視欲偵測之物體特徵選擇合適的特徵提取處理。
本發明提出概念為基於熱像行人特徵因其特性不同,故所適用之區域應不相同性質,有別於傳統技藝採用直接串接方式,本發明透過特徵選取(Feature Selection)演算法,依據物體區塊特性選取出合適之特徵組合,此稱為適應性特徵(adaptive feature),首先將影像切割為數個區塊(block),用上述所有特徵描述每一個區塊,將著透過特徵選取程序,將選出之k個特徵以串接方式形成一區塊特徵,為使所選取之特徵符合所採用SVM分類器之特性,特徵選取概念為以SVM所獲得之超平面為特徵權重(feature weight)。
請參閱第二圖,如圖所示,係為本發明SVM超平面示意圖,支援向量機(SVM)是一種分類(Classification)演算法,主要根據統計學習理論所提出的一種新的機器學習方
法,SVM是將向量映射到一個更高維度的空間裡,並有兩類資訊佈滿此空間,而區分此兩類資訊之超平面(Hyperplane)的兩邊有兩個互相平行的超平面,分隔超平面(即為第二圖中左上到右下的黑色實線)將使兩個平行超平面(即為第二圖中左上到右下的黑色虛線)的距離最大化,假定平行超平面間的距離或差距越大,分類器的總誤差越小;假設使用N維度向量的行人與非行人的兩類影像集合以SVM來劃分標記為{(x i ,y i ),i=1,2,...,n},x i R d ,y i {+1,-1},其中x i 為訓練影像所提取出的特徵資訊,y i 則是代表該影像本身的屬性,屬於正樣本表示為「+1」,屬於負樣本表示為「-1」;超平面以數學式f(x)=w T +b表示,w是超平面的法向量,b為
偏移量,代表原點到超平面的距離,SVM的目標是找出能使邊界(Margin)到達最大的超平面f(x),當f(x)>0的時候,測試影像資訊被歸類為行人,反之f(x)<0則被歸類為非行人。
假設將影像切割為105個區塊,若採用線性的SVM,所獲得之SVM分類器則為區塊中所有特徵之線性組合,如下列方程式所示:
其中可視為所有特徵B1之線性組合可進一步表示為:
其中|f|表示為所採用之特徵個數,而其所對應之這可視為該特徵之重要性,可用來作為篩選特徵之依據,因此本計畫所採用之特徵權重定義如下:
基於上述特徵權重定義,本發明所提出之特徵選取演算法稱為遞迴特徵刪除法(recursive feature elimination)詳述如下:初始化(Initialization):s=[1,2,3,....,n],n=|B|×|f|,終使條件(Stop Condition):每個區塊皆有k個特徵被選取出來,遞迴步驟(Recursive Step)如下:Step 1:訓練一個SVM分類器w=SVM(s);Step 2:計算所有特徵集合s中之權重α並進行排序;Step 3:對所有存在特徵超過k個以上之區塊,選取出權重;最小之特徵,即為p=arg min(α);Step 4:更新特徵集合s=[1:p-1,p+1:length(s)]。
請參閱第三圖,如圖所示,係為本發明適應性特徵取樣實施例示意圖,本實施例所採用之資料庫為由熱像儀FLIR Tau2所建置之兩個熱像資料庫,其分別為靜態人形樣本資料庫(Static Dataset)與六段探針資料庫(Probe-Six Dataset),資料庫所包含之解析度(Resolution)為640x480之14-bit熱影像;靜態人形樣本資料庫:主要藉由控制拍攝方
式與行人位置,目的提供多樣之熱像行人樣板,作為特徵擷取與分類器學習使用,在可見光攝影機拍攝易受環境光源或環境色彩影響行人在畫面中呈像清晰與否而熱像儀中物體呈像易受材質或環境溫度影響,環境溫度對熱影像影響最為明顯,為能觀察行人在不同環境溫度之呈像,將拍攝兩個時段「日」「夜」以有無陽光來區分,為配合受攝者拍攝時間為(14:00~16:00/19:00~21:00),拍攝場景之選擇為能模擬真實世界,將背景粗分為3種(室內、建築、自然),「室內」溫度較低行人輪廓較為顯眼且背景較為平坦但室內容易有熱反射,「建築」在室外會因日照改變熱像儀呈像,受日照之建築溫度與行人相近增加辨識困難且背景受時變較為複雜,「自然」在行人偵測中以樹的輪廓與行人最相似,在此場景中樹不管日夜皆比背景熱,故易造成誤判,在上述3種場景將拍攝不同距離之行人樣本,藉由行車安全距離來區分,假設車輛行駛於平面道路,速限約在40~70Km區間,當駕駛察覺狀況到車輛停止所需的緩衝距離約在22~58m,因此取4段距離(30m、40m、50m、60m),在不同距離為能充分表達行人輪廓,如第三圖所示,本實施例中,受攝者自轉360度以每45度為一方位,共8個方位,且模擬立姿(圖a)與步行(圖b)2種姿勢。
六段探針資料庫(Probe-Six Dataset):此資料庫包含6段日夜間與不同場景之簡易式資料庫,每一段影像序
列共包含50張影像,於本實施例中,場景一在本校活動中心寬闊的室內所拍攝,此區平時是學生活動的廣場,燈光明亮,因此可見光與熱像都能明顯地呈現,場景二為日間的校園水泥地走道,走道會因太陽的曝曬而升溫,本拍攝時間為下午兩點,其溫度與行人的溫度接近,導致熱像在本場景會相對不利。場景三與場景二相同,但是是在夜間所拍攝,夜間的走道只有兩旁稀疏的路燈能夠照明,而地面也因日落所降低了溫度,因此可見光在本場景會較熱像差,第四個場景為困難的挑戰,其場景為夜間的草皮,該場景本身沒有路燈照明,可見光只能靠相機的大光圈免強拍攝出大量雜訊的圖片,而熱像雖然在夜間是可以明顯拍攝出來,但因後方的樹林遭日間曝曬,溫度與人類溫度相近,導致其紋理特徵與行人相當接近,第五與第六個場景為裝置在車輛上所拍攝的影像,車輛會向前方行駛,第五個場景只有單一行人單純的行進,而第六個場景則有兩位行人及一個類型人(腳踏車)在移動,且會進出在畫面內;上述資料庫僅為本實施例訓練適應性特徵之用,但本發明不以此為限,更佳地,可藉由更多態樣的資料庫訓練出更精準的適應性特徵。
請參閱第四圖,係為行人熱影像偵測方法之實施例示意圖,本實施例之行人熱影像偵測方法,其分析方式為將靜態人形樣本資料庫做為訓練樣本資料庫(Training Dataset);六段探針資料庫(Probe-Six Dataset)作為測試資料
庫(Testing Dataset),基於上述實驗設定,分析基於(1)串接所有特徵之非適應性特徵與(2)選取特徵之適應性特徵兩者效能差異,目前對於一個人形樣本將其切割為7×15個區塊,每個區塊採用三種文獻上常用之紋理特徵進行描述,其中包含:亮度梯度值方圖(Histogram of Oriented Gradients:HOG)、區域二值特徵(Local Binary Pattern:LBP)與區域亮度差異直方圖(Histogram of Local Intensity Difference:HLID),本實施例中,三者之特徵為維度分別為36、59與32,第四圖為經過本發明所提出特徵選取演算法後所獲得之適應性特徵,其(a)(b)(c)分別對應至上述三種紋理特徵之區塊,對應不同區塊其所採用之紋理特徵整合亦不相同,最後所獲得之適應性特徵其維度為5257,相較於非適應性特徵(習知串接所有特徵之方法)維度為105×(36+59+32)=13335,精由本方法可將該原始熱輻射影像有效將特徵表示維度由13335降為5257,推算可提升行人影像偵測運算之度達2.54倍,而經由行人影像偵測分析兩者之分類準確度,其準確度約由0.903提升為0.926,因此藉由本發明之行人熱影像偵測方法,本方法提出之適應性特徵可透過特徵選擇機制,可有效降低特徵維度,減少特徵彼此相關性,進而保留有效特徵,使得同時提升特徵表示速度與準確性。
上述之實施例僅為例示性說明本發明之特點及功效,非用以限制本發明之實質技術內容的範圍,任何熟悉
此技藝之人士均可在不違背發明之精神及範疇下,對上述實施例進行修飾與變化,因此,本發明之權利保護範圍,應如後述之申請專利範圍所列。
110~130‧‧‧步驟
Claims (9)
- 一種影像適應性特徵提取法,該方法係包含步驟:(A)將一影像切割成複數區塊,對該複數區塊進行特徵提取處理,每個區塊經特徵提取處理後獲得一區塊特徵;(B)利用一SVM分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量;(C)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一適應性特徵影像。
- 如請求項1所述之影像適應性特徵提取法,其中,該特徵提取處理係為亮度梯度直方圖(HOG)、區域二直特徵(LBP)或區域亮度差異直方圖(HLID)。
- 一種行人熱影像偵測方法,該方法係包含步驟:(A)讀取一原始熱輻射影像,該原始熱輻射影像包含一特定環境資訊;(B)將該原始熱輻射影像切割成複數區塊,對該複數區塊進行行人特徵提取處理,每個區塊經行人特徵提取處理後獲得一區塊特徵;(C)利用一支援向量機(SVM)分類器計算每個區塊特徵,每個區塊特徵經計算後獲得一超平面法向量; (D)設定一門檻值,依該超平面法向量判斷該區塊特徵,當該超平面法向量的值高於該門檻值時,記錄該區塊為一適應性特徵區塊,整合每個適應性特徵區塊成為一行人特徵影像;(E)利用該行人特徵影像進行行人影像偵測。
- 如請求項3所述之行人熱影像偵測方法,其中,該行人影像偵測係為亮度梯度直方圖(HOG)。
- 如請求項3所述之行人熱影像偵測方法,其中,該行人影像偵測係為區域二直特徵(LBP)。
- 如請求項3所述之行人熱影像偵測方法,其中,該行人影像偵測係為區域亮度差異直方圖(HLID)。
- 如請求項3所述之行人熱影像偵測方法,其中,該特定環境資訊係包含行人影像。
- 如請求項3所述之行人熱影像偵測方法,其中,該支援向量機(SVM)分類器係由靜態人形樣本資料做為訓練樣本資料庫進行訓練。
- 如請求項3所述之行人熱影像偵測方法,其中,該支援向量機(SVM)分類器係由六段探針資料庫作為測試資料庫進行訓練。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107141355A TWI696958B (zh) | 2018-11-19 | 2018-11-19 | 影像適應性特徵提取法及其應用 |
US16/676,453 US11295160B2 (en) | 2018-11-19 | 2019-11-07 | Image adaptive feature extraction method and application thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107141355A TWI696958B (zh) | 2018-11-19 | 2018-11-19 | 影像適應性特徵提取法及其應用 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202020724A true TW202020724A (zh) | 2020-06-01 |
TWI696958B TWI696958B (zh) | 2020-06-21 |
Family
ID=70726442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107141355A TWI696958B (zh) | 2018-11-19 | 2018-11-19 | 影像適應性特徵提取法及其應用 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11295160B2 (zh) |
TW (1) | TWI696958B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767803B (zh) * | 2020-06-08 | 2022-02-08 | 北京理工大学 | 合成极窄脉冲雷达抗目标姿态敏感的鉴别方法 |
CN112949644B (zh) * | 2021-02-25 | 2022-03-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车下拉杆故障图像识别方法 |
CN113033579B (zh) * | 2021-03-31 | 2023-03-21 | 北京有竹居网络技术有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100547594C (zh) * | 2007-06-27 | 2009-10-07 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
JP4792069B2 (ja) * | 2008-09-03 | 2011-10-12 | 株式会社日立製作所 | 画像認識装置 |
CN101872477B (zh) * | 2009-04-24 | 2014-07-16 | 索尼株式会社 | 检测图像中的对象的方法、装置,及包括该装置的系统 |
US20110004405A1 (en) * | 2009-07-01 | 2011-01-06 | Optical Physics Company Inc. | Earth horizon sensor |
CN101770644A (zh) * | 2010-01-19 | 2010-07-07 | 浙江林学院 | 森林火灾远程视频监控烟火识别方法 |
US8509982B2 (en) * | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
US9298988B2 (en) * | 2013-11-08 | 2016-03-29 | Analog Devices Global | Support vector machine based object detection system and associated method |
KR101681233B1 (ko) * | 2014-05-28 | 2016-12-12 | 한국과학기술원 | 저 에너지/해상도 가지는 얼굴 검출 방법 및 장치 |
TWI577338B (zh) * | 2015-10-30 | 2017-04-11 | 元智大學 | 基於影像為基礎之即時呼吸率量測技術之方法 |
-
2018
- 2018-11-19 TW TW107141355A patent/TWI696958B/zh active
-
2019
- 2019-11-07 US US16/676,453 patent/US11295160B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11295160B2 (en) | 2022-04-05 |
TWI696958B (zh) | 2020-06-21 |
US20200160088A1 (en) | 2020-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A free lunch for unsupervised domain adaptive object detection without source data | |
US20200285896A1 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Zou et al. | A robust license plate recognition model based on bi-lstm | |
CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
CN111696128A (zh) | 一种高速多目标检测跟踪和目标图像优选方法及存储介质 | |
CN111914634B (zh) | 一种抗复杂场景干扰的井盖类别自动检测方法和系统 | |
CN108960047B (zh) | 基于深度二次树的视频监控中人脸去重方法 | |
CN109086803B (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
TWI696958B (zh) | 影像適應性特徵提取法及其應用 | |
CN110807434A (zh) | 一种基于人体解析粗细粒度结合的行人重识别系统及方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN111723693A (zh) | 一种基于小样本学习的人群计数方法 | |
CN110211157A (zh) | 一种基于相关滤波的目标长时跟踪方法 | |
CN109919073B (zh) | 一种具有光照鲁棒性的行人再识别方法 | |
CN112270331A (zh) | 一种基于yolov5改进的广告牌检测方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN111489330B (zh) | 基于多源信息融合的弱小目标检测方法 | |
Zhang et al. | Application research of YOLO v2 combined with color identification | |
JP2022082493A (ja) | ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法 | |
Ju et al. | Classification of jujube defects in small data sets based on transfer learning | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 |