[发明专利]影像压缩及辨识方法及其系统在审
申请号: | 202010446751.1 | 申请日: | 2020-05-25 |
公开(公告)号: | CN113724281A | 公开(公告)日: | 2021-11-30 |
发明(设计)人: | 郭景明;林鼎;吕小龙;许嘉琛;蔡承恩;梁弘一;林谥翔;翁绍雄;王志鸿;黄柏程;施添财 | 申请(专利权)人: | 艾阳科技股份有限公司 |
主分类号: | G06T7/194 | 分类号: | G06T7/194;G06T7/90;G06T7/187;G06N3/08;G06N3/04;G06K9/62 |
代理公司: | 北京汇智英财专利代理事务所(普通合伙) 11301 | 代理人: | 何晖 |
地址: | 中国台湾新北*** | 国省代码: | 台湾;71 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 影像 压缩 辨识 方法 及其 系统 | ||
1.一种影像压缩及辨识方法,其步骤为:
对一个或多个输入影片做背景分割以及对象检测,以取出一个或多个背景图像及一个或多个三维对象轨迹组;
对于所取得的三维对象轨迹组中读取出至少一个的二维对象轨迹组,其中二维对象轨迹组内具有一个或一个以上的对象轨迹管;
于二维对象轨迹组中,找出于不同时间位置有重叠发生的对象轨迹管;
进行重新排列多个连续的对象轨迹管,以产生出一无重叠状况的浓缩影片,另外还能够针对浓缩影片中的对象进行一个或多个的对象检索属性分类,用以能够将对应不同检索属性的对象显示于浓缩影片中。
2.如权利要求1所述的影像压缩及辨识方法,其特征在于,对象检测是使用深度学习模型来进行对象的检测。
3.如权利要求2所述的影像压缩及辨识方法,其特征在于,深度学习模型为卷积神经网络模型或/及目标检测模型。
4.如权利要求1所述的影像压缩及辨识方法,其特征在于,三维对象轨迹能够投影成x轴与y轴,并形成出x-t或/及y-t的二维物件轨迹组。
5.如权利要求1所述的影像压缩及辨识方法,其特征在于,能够将多个重叠的对象轨迹管进行合并。
6.如权利要求1所述的影像压缩及辨识方法,其特征在于,浓缩影片的长度,是通过多个连续的对象轨迹管重新排列后的时间所定义。
7.如权利要求1所述的影像压缩及辨识方法,其特征在于,能够将不同尺寸用于针对不同对象轨迹管进行定义该检索属性的内容,并能够依据所定义的检索属性于该浓缩影片中进行显示挑选出对应于该检索属性的对象。
8.如权利要求1所述的影像压缩及辨识方法,其特征在于,能够将不同朝向方向用于针对不同对象轨迹管进行定义该检索属性的内容,并能够依据所定义的检索属性于该浓缩影片中进行显示挑选出对应于该检索属性的对象。
9.如权利要求1所述的影像压缩及辨识方法,其特征在于,能够将不同颜色用于针对不同对象轨迹管进行定义该检索属性的内容,并能够依据所定义的检索属性于该浓缩影片中进行显示挑选出对应于该检索属性的对象。
10.如权利要求1所述的影像压缩及辨识方法,其特征在于,能够将不同类别标签用于针对不同对象轨迹管进行定义该检索属性的内容,并能够依据所定义的检索属性于该浓缩影片中进行显示挑选出对应于该检索属性的对象。
11.一种影像压缩及辨识系统,设置于一电子设备上,其特征在于,该影像压缩及辨识系统包括:
一输入单元,用于输入至少一个的原始影片;
一背景分割单元,与该输入单元相连接,用于对该原始影片进行背景分割,并取得一个或多个背景图像;
一对象检测单元,与该背景分割单元相连接,用以于进行背景分割后的影片进行对象检测,以取得一个或多个三维对象轨迹组;
一二维对象读取单元,与该对象检测单元相连接,用于所取得的三维对象轨迹组中读取出至少一个的二维对象轨迹组,其中二维对象轨迹组内具有至少一个或的对象轨迹管;
一重叠分析单元,与该二维对象读取单元相连接,用于二维对象轨迹组中,进行分析于不同时间位置的重叠对象轨迹管;
一对象排置单元,与该重叠分析单元相连接,用于重新摆置多个连续的对象轨迹管,以产生出一无重叠状况的浓缩影片;
一对象搜寻及调整单元,与该对象排置单元相连接,用于能够分类出一或多个检索属性,并能够基于该浓缩影片中的不同检索属性会对应不同的对象,以使对应于该检索属性的对象能够显示于该浓缩影片中。
12.如权利要求11所述的影像压缩及辨识系统,其特征在于,该电子设备为服务器设备或计算机设备。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于艾阳科技股份有限公司,未经艾阳科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010446751.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种环戊烯类化合物、其制备方法及应用
- 下一篇:基于仿生学的自动倒面系统