-
公开(公告)号:CN108154150B
公开(公告)日:2021-07-23
申请号:CN201711369001.3
申请日:2017-12-18
Applicant: 北京工业大学
Abstract: 本发明公开一种基于背景先验的显著性检测方法,首先将彩色图像及深度图像作为输入,然后通过预处理操作对输入的图像进行超像素分割及深度图质量评估,然后基于深度选择性差异和背景先验,计算每个超像素区域的初始显著值,最后通过代价函数的最小化对初始显著图进行优化,从而得到最终的显著性检测结果。应用本发明,不仅解决了传统的基于彩色图像的显著性检测方法无法检测到与背景具有相似视觉特征物体的问题,还解决了仅仅依靠深度信息进行显著性检测时,无法忽略底部背景区域而导致的误检问题。本发明适用于同时具有彩色图像及深度图像时的显著性检测,总体效果良好,能有效地检测出显著物体,准确率较高。
-
公开(公告)号:CN109903334A
公开(公告)日:2019-06-18
申请号:CN201910137728.1
申请日:2019-02-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于时间一致性的双目摄像头运动物体检测方法,首先将t-1帧计算的结果作为参数输入,利用超像素分割、立体匹配算法计算t帧的斜平面模型;然后,通过计算t帧的光流和自运动模型得到运动物体的初始运动模型;之后,通过t-1帧计算的运动物体信息和t帧的超像素信息计算出场景流能量方程中时间一致性数据项;最后,根据以上计算的信息构建t帧的场景流能量方程,并使能量方程最小化计算出t帧的运动物体信息。应用本发明,解决了传统运动物体检测方法在计算t帧运动模型时没有关联t-1帧计算的运动模型,导致运动物体检漏检和误检的问题。本发明适用于视频的运动物体检测,具有很好的鲁棒性,检测结果准确。
-
公开(公告)号:CN109902612A
公开(公告)日:2019-06-18
申请号:CN201910133470.8
申请日:2019-02-22
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法首先提取视频中的运动块,然后从局部和全局两个不同的角度进行异常检测,通过多样化的检测角度使得检测结果更加准确。在局部异常检测中,首先对视频中的运动块进行扩展,然后以扩展后的运动块为基本检测单位,分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域运动块之间的差异性;在全局异常检测中,首先对视频中的运动块进行聚类提取运动目标,然后在运动目标序列上使用滑动窗口,比较窗口内两个运动目标之间的差异性,最后基于一致性对检测结果进行优化。本发明适用监控视频的异常检测,计算复杂度低,检测结果准确,鲁棒性好。本发明在视频分析技术领域有着广泛的应用。
-
公开(公告)号:CN108154150A
公开(公告)日:2018-06-12
申请号:CN201711369001.3
申请日:2017-12-18
Applicant: 北京工业大学
Abstract: 本发明公开一种基于背景先验的显著性检测方法,首先将彩色图像及深度图像作为输入,然后通过预处理操作对输入的图像进行超像素分割及深度图质量评估,然后基于深度选择性差异和背景先验,计算每个超像素区域的初始显著值,最后通过代价函数的最小化对初始显著图进行优化,从而得到最终的显著性检测结果。应用本发明,不仅解决了传统的基于彩色图像的显著性检测方法无法检测到与背景具有相似视觉特征物体的问题,还解决了仅仅依靠深度信息进行显著性检测时,无法忽略底部背景区域而导致的误检问题。本发明适用于同时具有彩色图像及深度图像时的显著性检测,总体效果良好,能有效地检测出显著物体,准确率较高。
-
公开(公告)号:CN109902612B
公开(公告)日:2021-01-08
申请号:CN201910133470.8
申请日:2019-02-22
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法首先提取视频中的运动块,然后从局部和全局两个不同的角度进行异常检测,通过多样化的检测角度使得检测结果更加准确。在局部异常检测中,首先对视频中的运动块进行扩展,然后以扩展后的运动块为基本检测单位,分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域运动块之间的差异性;在全局异常检测中,首先对视频中的运动块进行聚类提取运动目标,然后在运动目标序列上使用滑动窗口,比较窗口内两个运动目标之间的差异性,最后基于一致性对检测结果进行优化。本发明适用监控视频的异常检测,计算复杂度低,检测结果准确,鲁棒性好。本发明在视频分析技术领域有着广泛的应用。
-
-
-
-