CN109993091B - 一种基于背景消除的监控视频目标检测方法 - Google Patents
一种基于背景消除的监控视频目标检测方法 Download PDFInfo
- Publication number
- CN109993091B CN109993091B CN201910226854.4A CN201910226854A CN109993091B CN 109993091 B CN109993091 B CN 109993091B CN 201910226854 A CN201910226854 A CN 201910226854A CN 109993091 B CN109993091 B CN 109993091B
- Authority
- CN
- China
- Prior art keywords
- image
- background
- current frame
- vector
- frame image
- 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 abstract description 48
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 15
- 230000008030 elimination Effects 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于背景消除的监控视频目标检测方法，包括：(1)采用深度特征提取网络提取当前帧图像的语义特征；(2)构建背景向量低秩矩阵，并根据该背景向量低秩矩阵获得背景图像和前景图像；(3)提取前景图像的掩码特征，并将当前帧图像的语义特征与前景图像的掩码特征进行融合，输出感兴趣区域；(4)根据感兴趣区域从当前帧图像以及背景图像中裁剪候选框对应位置的图像，并提取裁剪图像的第一深度特征和第二深度特征；(5)采用该配对式非局部均值操作，对齐并融合第一深度特征和第二深度特征，形成检测语义特征图；(6)对检测语义特征图进行目标检测，输出目标检测结果。该方法能够提升目标检测的最终结果。
Description
技术领域
本发明涉及计算机视觉目标检测领域，具体涉及一种基于背景消除的监控视频目标检测方法。
背景技术
在监控视频中的实时目标检测技术是安防监控领域的一个重要课题，使用机器算法对监控视频中的感兴趣目标快速准确的识别定位会极大的提升监控业务的效率并有效的辅助其他的诸如跨摄像头的目标跟踪的业务实现。与此同时，监控视频中的目标检测存在着目标尺寸过小、画面运动模糊以及夜间画面局部过曝等挑战。
目标检测是一项与计算机视觉和图像处理紧密相关的计算机技术分支，其目标是检测出数字图像和视频中的特定语义目标实体，比如人、建筑、汽车等，并以紧密包裹目标实体矩形框为结果输出。目标检测在诸如图像检索和视频监控的许多计算机视觉领域都有应用。
背景去除是图像处理和计算机视觉领域的一个分支，其提取出图像的前景信息用于进一步的处理(比如目标识别任务)。在诸如图像去噪等图像预处理步骤完成后，图像中前景目标的定位需要使用到背景去除技术。
深度学习是机器学习的一个分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中表征学习方法。
观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的矢量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征。
发明内容
本发明的目的是提供一种基于背景消除的监控视频目标检测方法，该方法能够提取当前场景的前景图像，并且进行高质量的目标检测工作。
为实现上述发明目的，本发明提供以下技术方案：
一种基于背景消除的监控视频目标检测方法，包括以下步骤：
(1)针对当前帧图像，采用深度特征提取网络提取当前帧图像的语义特征；
(2)构建背景向量低秩矩阵，并根据该背景向量低秩矩阵获得背景图像和前景图像；
(3)对于前景图像，提取前景图像的掩码特征，并将当前帧图像的语义特征与对应的前景图像的掩码特征进行融合，输出感兴趣区域；
(4)根据感兴趣区域的候选框，从当前帧图像以及背景图像中裁剪候选框对应位置的图像，并提取裁剪图像的第一深度特征和第二深度特征；
(5)采用该配对式非局部均值操作，对齐并融合裁剪图像的第一深度特征和第二深度特征，形成最终的检测语义特征图；
(6)对检测语义特征图进行目标检测，输出最终目标检测结果。
本发明将传统的前背景分离技术和目前的深度语义特征提取技术结合，并用提取得到的视频前景信息增强目标区域的特征响应，与此同时，本发明提出使用配对式非局部均值操作，用来减轻由于相机抖动带来的背景图像与原始图像对不齐的偏差，最终做到在监控视频中进行高质量的目标检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是实施例提供的目标检测算法的结构示意图；
图2是图1中前景图像掩码操作的结构示意图；
图3是图2中背景图像配对式非局部操作的结构示意图；
图4是实施例提供的基于背景消除的监控视频目标检测的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本发明的方法是对监控视频进行目标检测，目标检测是对电子图像包含的具有明确语义信息的目标进行准确类别感知与定位，方法的输出为框住目标的矩形框以及对应的类别信息。本发明的方法结构示意图如图1所示，从左至右依次经过背景提取阶段(BS-RNNBlock)、原始图像特征提取阶段(Feature Extraction Branch)、前景信息与原始图像通过特征掩码方式融合并输出感兴趣区域候选框(RoI proposals)阶段(Feature GatingBlock)、以及配对式非局部操作(Pairwise Non-Local Operation)进行背景与原始图像对齐融合的再优化阶段(Background Refined stage)。
如图2所示，具体地，本实施例提供的基于背景消除的监控视频目标检测方法包括以下步骤：
S101，针对当前帧图像，采用深度特征提取网络提取当前帧图像的语义特征。
针对段监控视频，按照一定的频率截取视频帧图像，当前处理的视频帧图像为当前帧图像，在本实施例的监控视频目标检测方法中，当前帧图像作为原始图像。本发明中，可以采用卷积神经网络提取当前帧图像的语义特征，具体地，可以采用ResultsNet18提取当前帧图像的语义特征。
S102，构建背景向量低秩矩阵，并根据该背景向量低秩矩阵获得背景图像和前景图像。
在进行背景消除的过程中，加入了前一帧图像检测结果的反馈掩码信息，形成闭环自反馈。本发明通过视频序列构建背景向量低秩矩阵，同时前一帧图像的检测结果生成掩码向量反馈当前帧的背景区域更新过程，前一帧图像的检测结果是指矩形框左上角与右下角坐标值，矩形框内为所检测的目标物体，掩码向量是指矩形框区域内值为0，其他图像区域值为1的0-1二值图像，具体地，背景低秩矩阵计算过程遵从式(I)(II)(III)(IV):
其中，
为t时刻下当前帧图像i位置的权重系数，
表示t时刻下的当前帧图像i位置的像素值，
表示t-1时刻下建模出来的背景向量低秩子空间矩阵i位置的元素值，ε为极小值，保证数值计算稳定性，ρ表示正则化参数，它控制前一帧对当前帧的影响强度。
和
分别表示t时刻下的辅助建模矩阵和辅助建模向量的在i位置上的元素值。
在获得背景图像后，将当前帧图像减去背景图像即可以获得对应的前景图像。具体地，前景图像的获取过程为：将通过式(IV)迭代计算得到的当前帧背景向量，加上中心化偏移量128，并将输出限制在0到255之间得到背景图像，然后将当前帧图像减去更新后的背景图像，并将输出限制在0到255之间，即可以得到当前帧图像对应的前景图像。
S103，对于前景图像，提取前景图像的掩码特征，并将当前帧图像的语义特征与对应的前景图像的掩码特征进行融合，输出感兴趣区域。
本实施例中，可以采用深度神经网络的卷积层对前景图像进行卷积操作，获得前景图像的掩码特征。
在获得前景图像的掩码特征后，采用如图3所示的掩码门结构对当前帧图像的语义特征与对应的前景图像的掩码特征进行掩码门操作，以实现对语义特征与掩码特征的融合，输出感兴趣区域。
如图3所示，掩码门结构包括：核大小3x3卷积模块(conv3×3×256)、Sigmoid激活函数模块(Sigmoid)以及特征图逐元素位置点乘模块(Elt-wise product)。
一般情况下，前景图像的掩码特征与当前帧图像的语义特征的几何尺寸相同，最终的经过掩码门结构后的输出特征图尺寸不变。输出的特征图上标记有感兴趣区域的候选框。
S104，根据感兴趣区域的候选框，从当前帧图像以及背景图像中裁剪候选框对应位置的图像，并提取裁剪图像的第一深度特征和第二深度特征。
本实施例中，同样采用深度学习网络提取裁剪图像的深度特征。其中第一深度特征对应当前帧图像的深度特征，第二深度特征对应背景图像的深度特征。
S105，采用配对式非局部均值操作，对齐并融合裁剪图像的第一深度特征和第二深度特征，形成最终的检测语义特征图。
S103输出的特征图经过检测算法中标准的预选框偏移计算、不同候选框之间的非极大值抑制操作后，输出检测检测候选结果。根据候选结果，从当前帧图像(OriginalFeatures)以及对应的背景图像(Background Peatures)中截取出候选结果的区域特征，进行配对式非局部操作，配对式非局部操作的结构如图4所示，包括核大小1x1卷积模块(conv1x1)，这样的卷积起到对特征图的线性变换的作用(对应图4中的φ(·),θ(·),g(·)函数)、Softmax函数模块、特征图逐元素位置点乘模块(图4中
符号)以及特征图逐元素位置点加模块(图4中
符号)。
具体地，采用配对式非局部均值操作：
其中，x表示当前帧图像抽取得到的第一深度特征图向量，下标i表示元素在向量中所处的位置，
表示对应的背景图像抽取得到的第二深度特征图向量，下表j表示元素在向量中所处的位置，y表示当前帧图像与对应背景图像的深度特征图向量进行配对式非局部均值操作后的输出的检测语义特征图；
根据当前帧图像与背景图像经过深度特征提取得到的特征图向量x，
按照式(VI)计算配对式非局部权重：
在式(VI)中，θ(·)与φ(·)分别表示对特征图向量x，
的线性操作：
θ(xi)＝Wθxi+bθ (VII)
其中Wθ，Wφ表示线性参数向量，bθ，bφ表示截距向量。
经过配对式非局部操作，减轻由于相机抖动带来的背景图像与原始图像对不齐的偏差，最终输出高质量的检测结果。
S106，对检测语义特征图进行目标检测，输出最终目标检测结果。
具体地，将检测语义特征图输入至目标检测器中，其中，目标检测器可以包括由卷积层组成的特征提取模块、池化层以及全连接层，在目标检测其中，经计算输出识别目标的位置以及目标的分类。
上述方法能够消除背景对目标检测的影响，进而实现高质量的目标检测。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于背景消除的监控视频目标检测方法，包括以下步骤：
(1)针对当前帧图像，采用深度特征提取网络提取当前帧图像的语义特征；
(2)构建背景向量低秩矩阵，并根据该背景向量低秩矩阵获得背景图像和前景图像；
(3)对于前景图像，提取前景图像的掩码特征，并将当前帧图像的语义特征与对应的前景图像的掩码特征进行融合，输出感兴趣区域；
(4)根据感兴趣区域的候选框，从当前帧图像以及背景图像中裁剪候选框对应位置的图像，并提取裁剪图像的第一深度特征和第二深度特征；
(5)采用配对式非局部均值操作，对齐并融合裁剪图像的第一深度特征和第二深度特征，形成最终的检测语义特征图；
(6)对检测语义特征图进行目标检测，输出最终目标检测结果。
2.根据权利要求1所述基于背景消除的监控视频目标检测方法，其特征在于：步骤(2)中，通过视频序列构建背景向量低秩矩阵，同时前一帧图像的检测结果生成掩码向量反馈当前帧的背景区域更新过程，具体地，背景低秩矩阵计算过程遵从式(I)(II)(III)(IV):
其中，
为t时刻下当前帧图像i位置的权重系数，
表示t时刻下的当前帧图像i位置的像素值，
表示t-1时刻下建模出来的背景向量低秩子空间矩阵i位置的元素值，ε为极小值，保证数值计算稳定性，ρi表示正则化参数，它控制前一帧对当前帧的影响强度，
和
分别表示t时刻下的辅助建模矩阵和辅助建模向量的在i位置上的元素值。
3.根据权利要求2所述基于背景消除的监控视频目标检测方法，其特征在于：前景图像的获取过程为：将通过式(IV)迭代计算得到的当前帧背景向量，加上中心化偏移量128，并将输出限制在0到255之间得到背景图像，然后将当前帧图像减去更新后的背景图像，并将输出限制在0到255之间，即得到当前帧图像对应的前景图像。
4.根据权利要求1所述基于背景消除的监控视频目标检测方法，其特征在于：步骤(3)中，采用深度神经网络的卷积层对前景图像进行卷积操作，获得前景图像的掩码特征。
5.根据权利要求1所述基于背景消除的监控视频目标检测方法，其特征在于：步骤(3)中，采用掩码门结构对当前帧图像的语义特征与对应的前景图像的掩码特征进行掩码门操作，以实现对语义特征与掩码特征的融合，具体地，所述掩码门结构包括：核大小3x3卷积模块、Sigmoid激活函数模块以及特征图逐元素位置点乘模块。
6.根据权利要求2所述基于背景消除的监控视频目标检测方法，其特征在于：步骤(5)中，采用配对式非局部均值操作：
其中，x表示当前帧图像抽取得到的第一深度特征图向量，下标i表示元素在向量中所处的位置，
表示对应的背景图像抽取得到的第二深度特征图向量，下表j表示元素在向量中所处的位置，y表示当前帧图像与对应背景图像的深度特征图向量进行配对式非局部均值操作后的输出的检测语义特征图；
根据当前帧图像与背景图像经过深度特征提取得到的特征图向量x，
按照式(VI)计算配对式非局部权重：
在式(VI)中，θ(·)与φ(·)分别表示对特征图向量x，
的线性操作：
θ(xi)＝Wθxi+bθ (VII)
其中Wθ，Wφ表示线性参数向量，bθ，bφ表示截距向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226854.4A CN109993091B (zh) | 2019-03-25 | 2019-03-25 | 一种基于背景消除的监控视频目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226854.4A CN109993091B (zh) | 2019-03-25 | 2019-03-25 | 一种基于背景消除的监控视频目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109993091A CN109993091A (zh) | 2019-07-09 |
| CN109993091B true CN109993091B (zh) | 2020-12-15 |
Family
ID=67131485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910226854.4A Active CN109993091B (zh) | 2019-03-25 | 2019-03-25 | 一种基于背景消除的监控视频目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993091B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110733960A (zh) * | 2019-10-17 | 2020-01-31 | 宁波微科光电股份有限公司 | 一种电梯防夹手方法 |
| CN111476301A (zh) * | 2019-12-26 | 2020-07-31 | 山东中科先进技术研究院有限公司 | 一种基于机器学习的医学图像分类方法及系统 |
| CN111556278B (zh) * | 2020-05-21 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 一种视频处理的方法、视频展示的方法、装置及存储介质 |
| CN111709328B (zh) * | 2020-05-29 | 2023-08-04 | 北京百度网讯科技有限公司 | 车辆跟踪方法、装置及电子设备 |
| CN111964876B (zh) * | 2020-07-29 | 2021-11-23 | 南京理工大学 | 基于lrte-nufft的平行平板光学均匀性的测量方法 |
| CN112767431B (zh) * | 2021-01-12 | 2024-04-23 | 云南电网有限责任公司电力科学研究院 | 一种用于电力系统的电网目标检测方法及装置 |
| CN113343973A (zh) * | 2021-06-29 | 2021-09-03 | Oppo广东移动通信有限公司 | 深度估计方法、存储介质以及计算机设备 |
| CN113538702B (zh) * | 2021-06-30 | 2023-05-23 | 大连海事大学 | 一种海洋养殖区水下场景全景图生成方法 |
| CN114638856A (zh) * | 2022-03-09 | 2022-06-17 | 广州小鹏自动驾驶科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114863337A (zh) * | 2022-05-07 | 2022-08-05 | 成都天奥集团有限公司 | 一种新型屏幕防拍照识别方法 |
| CN115578294B (zh) * | 2022-11-11 | 2023-03-10 | 北京九辰智能医疗设备有限公司 | 图像增强方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592290A (zh) * | 2012-02-16 | 2012-07-18 | 浙江大学 | 一种针对水下显微视频的运动目标区域检测方法 |
| CN108197623A (zh) * | 2018-01-19 | 2018-06-22 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108388879A (zh) * | 2018-03-15 | 2018-08-10 | 斑马网络技术有限公司 | 目标的检测方法、装置和存储介质 |
| CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109074473B (zh) * | 2016-04-11 | 2020-04-24 | 北京市商汤科技开发有限公司 | 用于对象跟踪的方法和系统 |
| CN108647582A (zh) * | 2018-04-19 | 2018-10-12 | 河南科技学院 | 一种复杂动态环境下目标行为识别与预测方法 |
-
2019
- 2019-03-25 CN CN201910226854.4A patent/CN109993091B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592290A (zh) * | 2012-02-16 | 2012-07-18 | 浙江大学 | 一种针对水下显微视频的运动目标区域检测方法 |
| CN108197623A (zh) * | 2018-01-19 | 2018-06-22 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108388879A (zh) * | 2018-03-15 | 2018-08-10 | 斑马网络技术有限公司 | 目标的检测方法、装置和存储介质 |
| CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Foreground Gated Network for Surveillance Object Detection;Zhihang Fu et al;《2018 IEEE Fourth International Conference on Multimedia Big Data (BigMM)》;20180913;1-7 * |
| Object Detection via a Multi-Region and Semantic Segmentation-Aware CNN Model;Spyros Gidaris et al;《 Proceedings of the IEEE International Conference on Computer Vision (ICCV)》;20151007;1134-1142 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109993091A (zh) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993091B (zh) | 一种基于背景消除的监控视频目标检测方法 | |
| CN111768432B (zh) | 基于孪生深度神经网络的动目标分割方法及系统 | |
| Salazar-Colores et al. | Single image dehazing using a multilayer perceptron | |
| Xiao et al. | Fast image dehazing using guided joint bilateral filter | |
| Lu et al. | Deep-sea organisms tracking using dehazing and deep learning | |
| Zhang et al. | A new haze removal approach for sky/river alike scenes based on external and internal clues | |
| CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| CN111260688A (zh) | 一种孪生双路目标跟踪方法 | |
| CN109345474A (zh) | 基于梯度域和深度学习的图像运动模糊盲去除方法 | |
| Liu et al. | Image de-hazing from the perspective of noise filtering | |
| CN110992378B (zh) | 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统 | |
| CN114372931A (zh) | 一种目标对象虚化方法、装置、存储介质及电子设备 | |
| CN111429485A (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN115116132B (zh) | 一种物联网边缘服务环境下深度感知的人体行为分析方法 | |
| CN112396036A (zh) | 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法 | |
| Zhang et al. | Spatiotemporal saliency detection based on maximum consistency superpixels merging for video analysis | |
| WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN110751670A (zh) | 一种基于融合的目标跟踪方法 | |
| Favorskaya et al. | Fast salient object detection in non-stationary video sequences based on spatial saliency maps | |
| van der Stap et al. | Maritime detection framework 2.0: a new approach of maritime target detection in electro-optical sensors | |
| Dou et al. | Image dehaze using alternating Laplacian and Beltrami regularizations | |
| CN114155273B (zh) | 一种结合历史轨迹信息的视频图像单目标跟踪方法 | |
| Sun et al. | Moving target segmentation using Markov random field-based evaluation metric in infrared videos |
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 |