公开(公告)号：CN102999755B

公开(公告)日：2015-10-28

申请号：CN201210426350.5

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  朱玉琨 ,  朱俊 ,  邹维嘉 ,  仇媛媛 ,  付赛男

IPC: G06K9/46

Abstract: 本发明提供一种数字图像中多物体检测的分离方法，属于图像处理技术领域。步骤如下：（1）采用局部特征对数字图像进行检测，并分离检测窗口；（2）根据分离的窗口信息构建并扩展空间特征，采用交叉验证选择最佳参数，并使用支撑向量机进行训练和测试。本发明方法不仅有效利用了图像中物体之间的空间关系，降低了计算的复杂度；而且由于窗口与窗口的分离，不会因为少量的错误结果而恶化所有的检测结果；同时，可以引入更多的空间关系特征，有效的提升了物体检测的结果。本发明优于已有的各种物体检测方法。

公开(公告)号：CN102999764A

公开(公告)日：2013-03-27

申请号：CN201210426347.3

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  朱玉琨 ,  朱俊 ,  邹维嘉 ,  仇媛媛 ,  付赛男

IPC: G06K9/62

Abstract: 一种基于聚类的多物体检测方法，属于模式识别技术领域。步骤如下：（1）统计图像中物体与视觉习语之间的关系并聚类，并使用局部模型得到物体和视觉习语的窗口；（2）根据原型构建空间关系特征，并使用结构化支撑向量机进行训练和测试。本发明优于已有的各种物体检测方法，且计算复杂度略有降低。

公开(公告)号：CN102999763B

公开(公告)日：2016-02-10

申请号：CN201210425652.0

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  仇媛媛 ,  朱俊 ,  付赛男 ,  邹维嘉 ,  朱玉琨

IPC: G06K9/62

Abstract: 本发明公开了一种基于尺度选择的自顶向下的视觉显著性提取方法，包括两个阶段，训练阶段学习得到非线性模型，并找到多尺度合并中的最佳的尺度，用于显著值的计算。显著值计算阶段根据训练阶段得到的最佳尺度和非线性模型来提取显著图。本发明提出的方法充分考虑人的意图，而且利用多尺度的上下文关系，能有效地提取出与人的意图相关的视觉显著的区域，并可以应用于物体检测等领域。

公开(公告)号：CN102999764B

公开(公告)日：2016-01-13

申请号：CN201210426347.3

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  朱玉琨 ,  朱俊 ,  邹维嘉 ,  仇媛媛 ,  付赛男

IPC: G06K9/62

Abstract: 一种基于聚类的多物体检测方法，属于模式识别技术领域。步骤如下：（1）统计图像中物体与视觉习语之间的关系并聚类，并使用局部模型得到物体和视觉习语的窗口；（2）根据原型构建空间关系特征，并使用结构化支撑向量机进行训练和测试。本发明优于已有的各种物体检测方法，且计算复杂度略有降低。

公开(公告)号：CN102999763A

公开(公告)日：2013-03-27

申请号：CN201210425652.0

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  仇媛媛 ,  朱俊 ,  付赛男 ,  邹维嘉 ,  朱玉琨

IPC: G06K9/62

Abstract: 本发明公开了一种基于尺度选择的自顶向下的视觉显著性提取方法，包括两个阶段，训练阶段学习得到非线性模型，并找到多尺度合并中的最佳的尺度，用于显著值的计算。显著值计算阶段根据训练阶段得到的最佳尺度和非线性模型来提取显著图。本发明提出的方法充分考虑人的意图，而且利用多尺度的上下文关系，能有效地提取出与人的意图相关的视觉显著的区域，并可以应用于物体检测等领域。

公开(公告)号：CN102999755A

公开(公告)日：2013-03-27

申请号：CN201210426350.5

申请日：2012-10-30

Applicant: 上海交通大学

Inventor： 张瑞 ,  朱玉琨 ,  朱俊 ,  邹维嘉 ,  仇媛媛 ,  付赛男

IPC: G06K9/46

Abstract: 本发明提供一种数字图像中多物体检测的分离方法，属于图像处理技术领域。步骤如下：（1）采用局部特征对数字图像进行检测，并分离检测窗口；（2）根据分离的窗口信息构建并扩展空间特征，采用交叉验证选择最佳参数，并使用支撑向量机进行训练和测试。本发明方法不仅有效利用了图像中物体之间的空间关系，降低了计算的复杂度；而且由于窗口与窗口的分离，不会因为少量的错误结果而恶化所有的检测结果；同时，可以引入更多的空间关系特征，有效的提升了物体检测的结果。本发明优于已有的各种物体检测方法。