问题描述 hough变换检测直线不先边缘检测 hough变换中`BW=rgb2gray(BW); thresh=[0.010.17]; sigma=2;%定义高斯参数 f = edge(double(BW)'canny'threshsigma); figure(1)imshow(f[]); title('canny 边缘检测'); [H theta rho]= hough(f'RhoResolution' 0.5); ` 这段代码是用来灰度化和边缘化的但是我不想有这个步骤,我在输入图片是就灰度化

雷锋网(公众号:雷锋网)按:本文作者王斌,中科院计算所前瞻研究实验室跨媒体计算组博士生,导师张勇东研究员.2016年在唐胜副研究员的带领下,作为计算所MCG-ICT-CAS团队核心主力队员(王斌.肖俊斌),参加了ImageNet大规模视觉识别挑战赛(ILSVRC)的视频目标检测(VID)任务并获得第三名.目标检测相关工作受邀在ECCV 2016 ImageNet和COCO竞赛联合工作组会议(ImageNet and COCO Visual Recognition Challenges Joint

近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高.回顾从 2014 到 2016 这两年多的时间,先后涌现出了 R-CNN,Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD 等越来越快速和准确的目标检测方法. 1. 基于 Region Proposal 的方法 该类方法的基本思想是:先得到候选区域再对候选区域进行分类和边框回归.  1.1 R-CNN[1] R-CNN 是较早地将 DCNN

问题描述 复杂背景下红外视频多目标检测 本人的视频是:夜晚城市路面的 **红外** 视频,高架桥上下各有路,路面交错穿插,有车,有行人.高架桥旁边有高楼建筑!视频不是静止的,拍摄的摄像头有时候是在旋转拍摄,旋转无规律,可向左或向右,并伴随一定的上下抖动! 要求是:检测出所有移动目标,包括行人. 我在做检测分析的时候,对静止的背景下目标检测没有问题,但对背景移动的情况下目标检测会出现很多误检目标,也就是错把建筑上比较亮.特征明显的地方检测成为目标. 我采用的方法是:基于OpenCV的光流检测算法!

基于GPU加速的OpenCV人体检测(Full Body Detection) 1.CUDA和OpenCV的安装 首先,确定一下自己的平台是否安装好了CUDA和OpenCV. CUDA的安装可以参考:http://blog.csdn.net/frd2009041510/article/details/42042807和http://blog.csdn.net/frd2009041510/article/details/42925205 OpenCV的安装可以参考:http://blog.csdn

从简单的图像分类到3D位置估算,在机器视觉领域里从来都不乏有趣的问题.其中我们最感兴趣的问题之一就是目标检测. 如同其他的机器视觉问题一样,目标检测目前为止还没有公认最好的解决方法.在了解目标检测之前,让我们先快速地了解一下这个领域里普遍存在的一些问题. 目标检测 vs 其他计算机视觉问题图像分类 在计算机视觉领域中,最为人所知的问题便是图像分类问题. 图像分类是把一幅图片分成多种类别中的一类.  ImageNet是在学术界使用的最受欢迎的数据集之一,它由数百万个已分类图像组成,部分数据用于Im

本文由北邮@爱可可-爱生活 老师推荐,阿里云组织翻译. 以下为译文:  利用卷积神经网络,对于卫星影像中多尺度目标检测而言,你只需要看两次(Part I) 在大片物体中检测小物体一直是卫星图像分析感兴趣的主要点之一.早期的工作是利用本地滑动窗和HOG特征描述确定船的位置,但存在的缺点是高度不均匀背景下分辨不清晰.为了解决这一问题,实现了一种基于"你只要看两眼"的物体检测流水线,该方法极大的提高了背景区分,并能够在不同尺度和多个传感器上快速检测出物体. 1 卫星图像目标检测概述 卫星图像

从简单的图像分类到3D位置估算,在机器视觉领域里从来都不乏有趣的问题.其中我们最感兴趣的问题之一就是目标检测. 如同其他的机器视觉问题一样,目标检测目前为止还没有公认最好的解决方法.在了解目标检测之前,让我们先快速地了解一下这个领域里普遍存在的一些问题. 目标检测 vs 其他计算机视觉问题图像分类 在计算机视觉领域中,最为人所知的问题便是图像分类问题. 图像分类是把一幅图片分成多种类别中的一类. ImageNet是在学术界使用的最受欢迎的数据集之一,它由数百万个已分类图像组成,部分数据用于Ima

最近,由复旦大学.清华大学和英特尔中国研究院合作提出的一种新型的目标检测方法 (DSOD) 被国际计算机视觉顶级会议ICCV 2017接收.论文标题为:DSOD: Learning Deeply Supervised Object Detectors from Scratch. 论文地址:https://arxiv.org/abs/1708.01241.论文代码:https://github.com/szq0214/DSOD. 论文在Arxiv放出之后,在社交网络上引起广泛关注.本文对这个工作做