CN110070561A - 一种模糊视觉条件的图像增强与目标跟踪方法和系统 - Google Patents
一种模糊视觉条件的图像增强与目标跟踪方法和系统 Download PDFInfo
- Publication number
- CN110070561A CN110070561A CN201910188149.XA CN201910188149A CN110070561A CN 110070561 A CN110070561 A CN 110070561A CN 201910188149 A CN201910188149 A CN 201910188149A CN 110070561 A CN110070561 A CN 110070561A
- Authority
- CN
- China
- Prior art keywords
- classifier
- algorithm
- blurred vision
- tracking
- image enhancement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 206010047513 Vision blurred Diseases 0.000 title claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000011897 real-time detection Methods 0.000 claims abstract description 10
- 230000002146 bilateral effect Effects 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000010354 integration Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000009877 rendering Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 239000003595 mist Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明的一种模糊视觉条件的图像增强与目标跟踪方法和系统，通过建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；构建自适应调整参数的Retinex雾天视频增强算法，增强对雾天环境视频图像的渲染；构建具有增量学习能力的Adaboost算法，实时检测与跟踪雾天视频中的运动目标；构建基于多示例集成学习的运动目标实时检测与跟踪方法。本发明通过构建一种新型的自适应双边Retinex增强算法，不仅可以对雾天视频图像进行实时有效的清晰化处理，而且对水下视频图像、雨天视频图像、沙尘暴视频图像的增强，以及低照度视频图像、高动态范围图像、医学图像的增强，都具有很好的借鉴作用。
Description
技术领域
本发明涉及计算机图像识别领域，具体涉及一种模糊视觉条件的图像增强与目标跟踪方法和系统。
背景技术
模糊视觉条件是一种常见的恶劣天气，模糊视觉视频图像增强的研究关键问题在于如何根据不同景深处雾的厚薄差异采用相应的增强强度，雾天视频图像跟踪的独特 性在于：经过增强后的雾天视频，其目标特征和背景都会不断地产生变化，现有的 Retinex基本计算框架的对于解决此类问题存在着局限性。
雾天视频的目标跟踪也可以看成是一种特殊遮挡情形下的目标跟踪，目标特征和背景都不断变化情形光照的改变、目标的遮挡、严重的噪音干扰等是目标视觉跟踪研 究领域传统难题。
由此引出Adaboost分类器的增量学习的新问题，而增量学习又引出了跟踪算法雾天 图像增强的独特性在于：雾天图像的退化程度跟场景深度成非线性关系。这种特殊的性质引出了如何自动调整Retinex算法参数，以适应不同景深处雾的厚薄变化问题，由 此展开了对一种新型的自适应双边Retinex计算框架及算法的研究。
发明内容
针对上述现有技术存在的问题，本发明提出一种模糊视觉条件的图像增强与目标跟踪方法和系统来解决这个问题，通过构建一种新型的自适应双边Retinex增强算法， 不仅可以对雾天视频图像进行实时有效的清晰化处理，而且对水下视频图像、雨天视 频图像、沙尘暴视频图像的增强，以及低照度视频图像、高动态范围图像、医学图像 的增强，都具有很好的借鉴作用。
本发明提供的一种模糊视觉条件的图像增强与目标跟踪方法，包括如下步骤：
(1)建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；
(2)构建自适应调整参数的Retinex雾天视频增强算法，增强对雾天环境视频图像的渲染；
(3)构建具有增量学习能力的Adaboost算法模型，实时检测与跟踪雾天视频中 的运动目标；
(4)构建基于多示例集成学习的运动目标实时检测与跟踪方法。
作为上述方案的进一步优化，所述的构建雾天视频图像增强算法，通过建立所述增强算法参数与不同景深图像的变化的联系，完成双边Retinex算法参数的自选；通 过针对获取的图像的局部区域模糊的层次度不同分别采用不同的增强策略，以此来满 足对雾天视频自行应的实时效果增强。
作为上述方案的进一步优化，所述雾天视频图像增强算法的内容为：划分待增强图像为若干块，针对划分后的每个子块分别进行自适应Retinex增强算法处理；本发 明通过引入GPU通过并行计算方式，提高自适应Retinex增强算法的执行效率。
作为上述方案的进一步优化，所述构建具有增量学习能力的Adaboost集成分类器， 混合粒子滤波器，创建具有增量集成学习能力的目标跟踪计算模型和相应的方法。
作为上述方案的进一步优化，所述具有增量学习能力的Adaboost集成学习算法内容为：
(11)将已经过训练的弱分类器分为a组，每个小组包含b个弱分类器，针对在 线新增的训练样本，在线从每组选择最优弱分类器作为该组的亚强分类器；
(12)在线计算或更新已挑选的亚强分类器的权值；
(13)针对所有的亚强分类器进行加权求和，完成强分类器的在线调整。
作为上述方案的进一步优化，针对任意在线新增样本<x，y>，采用所有的弱分类器在线分类，根据结果统计每个弱分类器pa，b的当前分类误差Ψa，b；针对任意弱分类器 组，选择当前分类误差Ψa，b最小的弱分类器作为所述弱分类器组的亚强分类器pa，再通 过下式计算pa的线性组合权值λa：
上式(1)的ωa为亚强分类器pa的当前分类差。
作为上述方案的进一步优化，针对任意新增样本<x，y>，设置初始权值R0＝1， 针对第a个亚强分类器pa的权值Ra，根据下式计算：
根据式(2)的任意新增样本，采用Ra根据下式定义每个弱分类器pa，b的当前分类误差Ψa，b：
式(3)的Ra，b和Sa，b分别代表所述弱分类器正确分类的样本权重以及错误分类的样本权重，具体计算如下式所示：
作为上述方案的进一步优化，针对所有的当前亚强分类器pa进行线性组合，获取调整后的强分类器P(x)，完成强分类器的在线调整：
一种模糊视觉条件的图像增强与目标跟踪系统，所述系统包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一所述的一种模糊视觉条件的图 像增强与目标跟踪方法。
本发明采用上述的技术方案，与现有技术相比，本发明的一种模糊视觉条件的图像增强与目标跟踪方法与系统，具有以下技术效果：
1.本发明的一种模糊视觉条件的图像增强与目标跟踪方法，创建一种新型的自适应双边Retinex计算框架及相应的增强算法，对照射度分量进行动态范围调整，以改 善图像的整体亮度效果，对反射分量进行细节增强，以改善图像的清晰度，并将这两 部分处理结果进行有机地结合在一起，实现对图像的有效增强。通过将算法参数与不 同景深处雾的厚薄变化建立联系，实现双边Retinex算法参数的自动选择。
2.本发明的一种模糊视觉条件的图像增强与目标跟踪方法，通过提出亚强分类器的新概念来改进Adaboost学习算法现有的计算模型，学习时使用样本信息对弱分类器 进行快速的选择而不是费时的训练，来实现对亚强分类器的调整，有效地突破Adaboost 学习算法在计算时间上的制约，将Adaboost学习算法由传统的费时的离线学习模式， 有效地推广到实时的在线的增量学习模式，实现一种新型的具有增量学习能力的 Adaboost集成分类器，并将其与粒子滤波器相结合，创建一种新的具有在线增量集成 学习能力的目标跟踪计算模型，以适应跟踪过程中目标特征和背景的不断变化。
3.本发明的一种模糊视觉条件的图像增强与目标跟踪方法，创造性地将多示例集成学习从现有的离线学习的模式，推广到在线增量学习的模式，创建一种基于多示例 集成学习的在线增量学习机制，以及相应的多示例样本在线自动标记方法，有效提高 了基于在线增量集成学习的目标跟踪算法相对于新增样本误差的容错性能，解决了在 线增量集成学习和雾天条件下运动目标跟踪的稳健性问题。
附图说明
图1为本发明的一种模糊视觉条件的图像增强与目标跟踪方法流程示意图；
图2为本发明的一种模糊视觉条件的图像增强与目标跟踪方法的Retinex增强算法流程示意图；
图3为本发明的基于多示例的Adaboost增量集成学习的基本计算流程示意图；
图4为本发明的一种模糊视觉条件的图像增强与目标跟踪系统结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解 释本发明，并不用于限制本发明的范围。
实施例1
如图1-3所示，本实施例提供了一种模糊视觉条件的图像增强与目标跟踪方法，包括如下步骤：
S1，建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；
S2，构建自适应调整参数的Retinex雾天视频增强算法，增强对雾天环境视频图像的渲染；
S3，构建具有增量学习能力的Adaboost算法模型，实时检测与跟踪雾天视频中的运动目标；
S4，构建基于多示例集成学习的运动目标实时检测与跟踪方法。
构建雾天视频图像增强算法，通过建立所述增强算法参数与不同景深图像的变化的联系，完成双边Retinex算法参数的自选；通过针对获取的图像的局部区域模糊的 层次度不同分别采用不同的增强策略，以此来满足对雾天视频自行应的实时效果增强。
雾天视频图像增强算法的内容为：划分待增强图像为若干块，针对划分后的每个子块分别进行自适应Retinex增强算法处理；
优选地，本发明通过引入GPU通过并行计算方式，提高自适应Retinex增强算法 的执行效率。
更具体的，所述待增强图像等分划分成8×8个子块，即所述的一个块包含64个 线程；所述的64个线程通过GPU的并行计算处理，有效减少线程的处理时间。
构建具有增量学习能力的Adaboost集成分类器，混合粒子滤波器，创建具有增量集成学习能力的目标跟踪计算模型和相应的方法。
基于Adaboost的实时增量学习学习算法的内容包括如下：
(1)将已经过训练的弱分类器分为α组，每个小组包含b个弱分类器，针对在线新增的训练样本，在线从每组选择最优弱分类器作为该组的亚强分类器；
(2)在线计算或更新已挑选的亚强分类器的权值；
(3)针对所有的亚强分类器进行加权求和，完成强分类器的在线调整。
针对任意在线新增样本，采用所有的弱分类器在线分类，根据结果统计每个弱分类器pa，b的当前分类误差Ψa，b；针对任意弱分类器组，选择当前分类误差Ψa，b最小的弱 分类器作为所述弱分类器组的亚强分类器pa，再通过下式计算pa的线性组合权值λa：
上式(1)的ωa为亚强分类器pa的当前分类差。
针对任意新增样本<x，y>，设置初始权值R0＝1，针对第a个亚强分类器pa的权 值Ra，根据下式计算：
根据式(2)的任意新增样本<x，y>，采用Ra根据下式定义每个弱分类器pa，b的当 前分类误差Ψa，b：
式(3)的Ra，b和Sa，b分别代表所述弱分类器正确分类的样本权重以及错误分类的样本权重，具体计算如下式所示：
针对所有的当前亚强分类器pa进行线性组合，获取调整后的强分类器P(x)，完成强分类器的在线调整：
本实施例还通过提出基于多示例增强学习的目标跟踪算法，保持Adaboost增量学习针对样本视频图像的识别误差的稳定性，具体内容包括如下：
(21)标记当前已检测的目标位置为基础位置，划定子图像的生成范围；且在所 述范围内生成正负示例，选取若干示例生成正包或负包；
(22)通过Adaboost集成分类器计算包中每个示例为正的概率，获取正包的概率；
(23)根据步骤(22)的概率信息，提供均值漂移算法的置信图，且为分类器的 更新提供训练样本。
更具体的，本实施例提供自动生成作为训练样本的正包和负包的方法，包括如下：
设定当前已检测的目标位置O为基础位置，r1为阈值半径，则以小于r1的数值作为半径，获取多个图像子块的集合作为正包样本，所述的每个图像子块均作为集合的示 例：
r2为另一个阈值半径，则以大于r1小于r2的数值作为半径，获取多个图像子块的集合作为正包样本，所述的每个图像子块均作为集合的示例：
通过式(6)和(7)，获取作为新增训练样本的正包和负包，参照图3所示的基于 多示例的Adaboost增量集成学习的基本计算流程示意图，通过使用弱分类器对任意示 例进行分类，获取第m个包的第n的示例的概率；
Q(ym|Om)＝1-Пn(1-Q(ym|xmn)) (8)
针对包中的每个示例，设定初始权值为Rmn＝0，即针对亚强分类器对于第m个包 的第n的示例结果进行累积，如下式所述：
Rmn＝Rmn+Pa(x) (9)
上式Pa(x)对应每次选中的亚强分类器对该示例的判断结果；
通过上式可知，对于当前弱分类器的第i个包第j个示例的概率计算公式如下：
Qa(ym|xmn)＝S(Rmn+pab(xmn)) (10)
且
再将选取的亚强分类器Pa进行线性组合，获取调整后的强分类器。
如图4所示，本实施例还提供了一种模糊视觉条件的图像增强与目标跟踪系统，所述系统包括：
视频输入模块100，用于建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；
图像增强模块200，用于构建自适应调整参数的Retinex雾天视频增强算法，对录入的视频样本进行视频增强；
目标跟踪模块300，用于构建具有增量学习能力的Adaboost算法模型，实时检测与跟踪雾天视频中的运动目标；
视频跟踪结果输出模块400，用于输出样本视频的目标跟踪结果。
本发明的一种模糊视觉条件的图像增强与目标跟踪方法和系统，通过建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；构建自适应调整参数的 Retinex雾天视频增强算法，增强对雾天环境视频图像的渲染；构建具有增量学习能力 的Adaboost算法，实时检测与跟踪雾天视频中的运动目标；构建基于多示例集成学习 的运动目标实时检测与跟踪方法。本发明通过构建一种新型的自适应双边Retinex增 强算法，不仅可以对雾天视频图像进行实时有效的清晰化处理，而且对水下视频图像、 雨天视频图像、沙尘暴视频图像的增强，以及低照度视频图像、高动态范围图像、医 学图像的增强，都具有很好的借鉴作用。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人 员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领 域技术人员可以理解的其他实施方式。
Claims (9)
1.一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，包括如下步骤：
(1)建立智能视觉监控实验演示系统，输入雾天模糊图像视频资源样本；
(2)构建自适应调整参数的Retinex雾天视频增强算法，增强对雾天环境视频图像的渲染；
(3)构建具有增量学习能力的Adaboost算法，实时检测与跟踪雾天视频中的运动目标；
(4)构建基于多示例集成学习的运动目标实时检测与跟踪方法。
2.根据权利要求1所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，所述的构建Retinex雾天视频增强算法，通过建立所述增强算法参数与不同景深图像的变化的联系，完成双边Retinex算法参数的自选。
3.根据权利要求2所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，所述雾天视频增强算法的内容为：划分待增强图像为若干块，针对划分后的每个子块分别进行自适应Retinex增强算法处理。
4.根据权利要求1所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，所述构建具有增量学习能力的Adaboost算法模型还包括构建Adaboost集成分类器，结合粒子滤波器，创建具有增量集成学习能力的目标跟踪计算模型以及对应方法。
5.根据权利要求1所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，所述具有增量学习能力的Adaboost算法内容包括：
(11)将已经过训练的弱分类器分为a组，每个小组包含b个弱分类器，针对在线新增的训练样本，在线从每组选择最优弱分类器作为该组的亚强分类器；
(12)在线计算或更新已挑选的亚强分类器的权值；
(13)针对所有的亚强分类器进行加权求和，完成强分类器的在线调整。
6.根据权利要求5所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，针对任意在线新增样本<x，y>，采用所有的弱分类器在线分类，根据结果统计每个弱分类器pa，b的当前分类误差Ψa，b；针对任意弱分类器组，选择当前分类误差Ψa，b最小的弱分类器作为所述弱分类器组的亚强分类器pa，再通过下式计算pa的线性组合权值λa：
上式(1)的ωa为亚强分类器pa的当前分类差。
7.根据权利要求5所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，针对任意新增样本<x,y>，设置初始权值R0＝1，针对第a个亚强分类器pa的权值Ra，根据下式计算：
根据式(2)的任意新增样本，采用Ra根据下式定义每个弱分类器pa,b的当前分类误差Ψa,b：
式(3)的Ra,b和Sa,b分别代表所述弱分类器正确分类的样本权重以及错误分类的样本权重，具体计算如下式所示：
8.根据权利要求5所述的一种模糊视觉条件的图像增强与目标跟踪方法，其特征在于，针对所有的当前亚强分类器pa进行线性组合，获取调整后的强分类器P(x)，完成强分类器的在线调整：
9.一种模糊视觉条件的图像增强与目标跟踪系统，其特征在于，所述系统包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-8任一所述的一种模糊视觉条件的图像增强与目标跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910188149.XA CN110070561A (zh) | 2019-03-13 | 2019-03-13 | 一种模糊视觉条件的图像增强与目标跟踪方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910188149.XA CN110070561A (zh) | 2019-03-13 | 2019-03-13 | 一种模糊视觉条件的图像增强与目标跟踪方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070561A true CN110070561A (zh) | 2019-07-30 |
Family
ID=67366253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910188149.XA Pending CN110070561A (zh) | 2019-03-13 | 2019-03-13 | 一种模糊视觉条件的图像增强与目标跟踪方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070561A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460968A (zh) * | 2020-03-27 | 2020-07-28 | 上海大学 | 基于视频的无人机识别与跟踪方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373146B (zh) * | 2016-10-27 | 2019-02-15 | 南京航空航天大学 | 一种基于模糊学习的目标跟踪方法 |
-
2019
- 2019-03-13 CN CN201910188149.XA patent/CN110070561A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373146B (zh) * | 2016-10-27 | 2019-02-15 | 南京航空航天大学 | 一种基于模糊学习的目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钟锦等: ""雾天视频图像增强与运动目标跟踪模型及方法"", 《计算机仿真》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460968A (zh) * | 2020-03-27 | 2020-07-28 | 上海大学 | 基于视频的无人机识别与跟踪方法及装置 |
| CN111460968B (zh) * | 2020-03-27 | 2024-02-06 | 上海大学 | 基于视频的无人机识别与跟踪方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101447082B (zh) | 一种运动目标实时检测方法 | |
| CN110059642B (zh) | 人脸图像筛选方法与装置 | |
| CN109977774B (zh) | 一种基于自适应卷积的快速目标检测方法 | |
| CN103136504A (zh) | 人脸识别方法及装置 | |
| CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
| Li et al. | A lightweight improved YOLOv5s model and its deployment for detecting pitaya fruits in daytime and nighttime light-supplement environments | |
| CN105825233B (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
| CN105260749A (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
| CN109034184A (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN113128308B (zh) | 一种港口场景下的行人检测方法、装置、设备及介质 | |
| CN117456167A (zh) | 一种基于改进YOLOv8s的目标检测算法 | |
| CN104517125A (zh) | 高速物体的图像实时跟踪方法与系统 | |
| CN113139501B (zh) | 一种联合局部区域检测与多级特征抓取的行人多属性识别方法 | |
| CN106874825A (zh) | 人脸检测的训练方法、检测方法和装置 | |
| CN106874867A (zh) | 一种融合肤色及轮廓筛选的人脸自适应检测与跟踪方法 | |
| Bajestani et al. | Tkd: Temporal knowledge distillation for active perception | |
| Prasad et al. | HOG, LBP and SVM based traffic density estimation at intersection | |
| CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| CN114723010B (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
| US20110222759A1 (en) | Information processing apparatus, information processing method, and program | |
| Zhang et al. | An efficient deep neural network with color-weighted loss for fire detection | |
| CN110070561A (zh) | 一种模糊视觉条件的图像增强与目标跟踪方法和系统 | |
| CN104463130A (zh) | 一种基于评估反馈系统的车牌图像光照处理方法 | |
| Tian et al. | Recall loss for imbalanced image classification and semantic segmentation |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |