CN110426745B - 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 - Google Patents

基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 Download PDF

Info

Publication number
CN110426745B
CN110426745B CN201910089658.7A CN201910089658A CN110426745B CN 110426745 B CN110426745 B CN 110426745B CN 201910089658 A CN201910089658 A CN 201910089658A CN 110426745 B CN110426745 B CN 110426745B
Authority
CN
China
Prior art keywords
human body
image
matrix
low
region
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.)
Active
Application number
CN201910089658.7A
Other languages
English (en)
Other versions
CN110426745A (zh
Inventor
王新林
刘振
赵英海
毛莎莎
焦昶哲
缑水平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Xidian University
Beijing Huahang Radio Measurement Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University, Beijing Huahang Radio Measurement Research Institute filed Critical Xidian University
Priority to CN201910089658.7A priority Critical patent/CN110426745B/zh
Publication of CN110426745A publication Critical patent/CN110426745A/zh
Application granted granted Critical
Publication of CN110426745B publication Critical patent/CN110426745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/005—Prospecting or detecting by optical means operating with millimetre waves, e.g. measuring the black losey radiation

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于块混合高斯低秩矩阵分解的毫米波人体图像中隐匿物检测的方法，主要解决现有技术由于隐匿物散射回波弱造成成像质量低，及对隐匿物灰度值与人体相似时检测准确率低的问题。其实现方案为：1.去除原始毫米波人体图像中成像区域背景中的异常点，并按人体部位比例将人体图像划分为六部分；2.通过基于块的混合高斯低秩矩阵分解算法对人体各区域进行分解，得到低秩部分和稀疏部分；3.对稀疏部分利用形态学法进行二值化，去除小噪点，得到最终检测结果图。本发明在无需大量训练样本的情况下，提高了对毫米波人体图像中复杂多样的弱小目标检测率，检测到的隐匿物更完整，可用于检测机场、车站公共场所中人体携带的隐匿物。

Description

基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法
技术领域
本发明属于图像处理技术领域，更进一步涉及一种人体携带隐匿物的检测的方法，可用于检测机场、车站等公共场所中人体携带隐匿物。
背景技术
近年来，国内外都在利用毫米波技术检测机场、车站等公共场所中人体携带隐匿物，如水瓶、打火机、手枪、手电筒、雷管、刀子、炸药、毒品等。由于传统的金属探测仪对非金属和小物体很难探测到，x-射线不仅对人体有伤害，且探测不到衣着宽松的人携带的异物。而毫米波雷达能够近距成像，不仅能穿透衣物，且对人体无辐射伤害，是目前危险物检测的流行成像技术。但是由于现有的毫米波扫描仪成像质量差，且人体形态各异，隐匿物种类大小材质各不相同，人体背景对目标的干扰很大，弱小目标的检测较为困难。
目前，针对目标检测的研究方法主要分为两类：传统方法和深度学习。其中，传统方法一般基于图像分类或图像分割的思想。深度学习主要是提取图像的深层语义特征，典型方法有Fast-RCNN、SSD、YOLO等。这两类方法的主要思想都是提取目标的浅层特征或深层语义特征，达到目标检测的效果。基于图像分类或分割思想的传统方法主要是提取特征和边缘信息，其极易受图像成像质量的影响。基于深度的学习方法需要大量的有标签的训练样本，且耗能大，受各种硬件设备条件限制。
目前针对毫米波图像隐匿物检测的研究方法中，主要是基于图像分割的思想，先对原始图像增强，增大目标与背景的差异，提取灰度特征进而分割出目标。例如：
华讯方舟科技有限公司在其申请的专利“一种基于毫米波图像的人体异物检测方法及系统技术方案”，专利申请号：201610855267，公开号：CN106371148A中提出了一种基于预设异物图像识别算法的异物检测方法。该方法提出的一种毫米波图像的人体异物检测方法包括：获取人体的毫米波灰度图像；根据预设异物成像特性提取所述毫米波灰度图像中的异物区域成像；根据预设异物图像识别算法对所述异物区域图像进行计算，获取所述异物区域图像中的异物图像；显示所述异物图像，作为异物检测结果。该方法虽然可以提高异物检测的准确性。但是，该方法的不足之处是，对于和人体背景灰度特性相似的目标，很难将异物区域准确提取出来，这就导致后面的异物识别步骤出现错误。
北京计算机技术及应用研究所在其申请的专利“一种被动毫米波图像中人体隐匿物品的检测方法及其系统”，专利申请号：CN 201410486052，公开号：CN105513035A中提出了一种基于图像增强分割的毫米波图像中人体隐匿物品检测方法。该方法包括：对采集到的原始被动毫米波图像，通过插值重建后，采用三次迭代增强方法进行图像增强，获取被动毫米波图像，以使被动毫米波图像目标与背景进行明显区分；基于增强后的图像，通过对人体是否存在的预判断，进行人体目标检测，获取人体区域；在人体区域内，采用两次迭代分割的方法，对隐匿物品进行检测，并对检测到的隐匿物品区域进行标记。该方法虽然可以自适应并有效分割出目标，进而得到检测结果。但在隐匿物品检测的时候需要采用迭代分割的方法，而每次分割的时候都需要计算人体和异物的分割阈值，该分割阈值直接影响后续的检测结果，在目标和背景灰度值不明显的区域，不易准确完整分割出异物。
发明内容
本发明的目的在于提出一种基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法，以解决现有技术由于隐匿物散射回波弱造成成像质量低，及对隐匿物灰度值与人体相似时，其检测准确率低的不足。
实现本发明目的的技术方案包括如下：
(1)通过毫米波雷达扫描仪得到一个人的正背面原始图像序列，对每张原始图像进行分割，得到人体轮廓的二值图，利用此二值图计算出人体身高，并去除原始图像中成像背景区域的异常点；再按照人体部位比例，将去除异常点后的人体图像划分为背部、臀部、左大腿、右大腿、左小腿和右小腿六个子区域；
(2)采用基于块的混合高斯低秩矩阵分解方法对每个子区域图像进行分解，得到低秩部分和稀疏部分；
(3)利用形态学方法对各子区域的稀疏部分，去除连通域面积小于15个像素点的噪点，得到各区域携带的隐匿物检测结果。
本发明与现有技术相比，具有以下优点：
1)提高了目标特征提取困难的目标检测正确性。
本发明将目标检测设定为一个建模问题，利用人体的相似性和目标相对背景的稀疏性，采用低秩矩阵分解方法，将人体建模为低秩部分，异物建模为稀疏部分，恢复人体图像，实现异物和人体的分离，对目标特征提取困难，难于获取标记的目标有很好的检测效果。
2)提高了对各种目标的检测性能。
因为人体携带的异物各种各样，单个的高斯模型很难拟合这种复杂分布，本发明利用混合高斯模型对各种形状、大小、材质的目标进行拟合，这更符合复杂目标的分布特性，实现对多种目标分布特性的学习，提高了对多目标的检测效果。
3)提高检测到的隐匿物形状的完整性。
本发明通过图像滑块将单个像素点的邻域空间信息用块结构表示，提高了检测出的目标形状的完整性。
附图说明
图1是本发明的实现流程图；
图2是原始毫米波雷达人体图像去燥前后的示意图；
图3是根据人体比例截取的人体六个区域图；
图4是用本发明对背部及其携带隐匿物进行检测的仿真结果图；
图5是用本发明对臀部及其携带隐匿物进行检测的仿真结果图；
图6是用本发明对左大腿及其携带隐匿物进行检测的仿真结果图；
图7是用本发明对右大腿及其携带隐匿物进行检测的仿真结果图；
图8是用本发明对左小腿及其携带隐匿物进行检测的仿真结果图；
图9是用本发明对右小腿及其携带隐匿物进行检测的仿真结果图。
具体实施方式
下面结合附图对本发明的实施和效果作进一步详细描述。
参照图1，本发明的实现步骤如下：
步骤1.对人体图像去燥并按身体部位比例将其划分为六个区域。
(1a)对原始毫米波人体图像进行二值分割：
常用的基于阈值的分割方法有灰度直方图的峰谷法、最小误差法、最大类间方差法和固定阈值法等，本实例采用但不限于固定阈值法，即先将原始图像除以255，归一化到0-1，再选择阈值0.15，将归一化后的图与该阈值比较：置大于该阈值的像素点为1，置小于该阈值的像素点为0，得到人体轮廓的二值图；
(1b)利用二值图计算出人体身高，即在二值图中轴线左右各5个像素点间，从上到下寻找像素值不为0的点，第一个不为0的像素点的纵坐标即为人体图像的高度；
(1c)利用二值图去除原始图像中成像背景区域的异常点，即将二值图与原始图像对应相乘，使得原始图中成像背景区域的像素值为0，实现原始图像中成像背景区域的异常点去除；
(1d)依据身高比例，按照身体部位将人体图像分为背部、臀部、左大腿、右大腿、左小腿和右小腿六个子区域，其中，背部占身高的25％，臀部占身高的13％，左大腿占身高的26％，右大腿占身高的26％，左小腿占身高的25％，右小腿占身高的25％。
步骤2.对每个区域的图像进行分解，得到低秩部分和稀疏部分。
图像分解的方法有鲁棒性主成分分析、L2-范数的低秩矩阵分解和GoDec，本实例采用但不限于通过基于块的混合高斯低秩矩阵分解方法对图像分解，其实现如下；
(2a)假设各区域的图像序列用张量表示为
Figure GDA0002748140550000041
其中h，w，n分别表示图像的高、宽和图像数，
Figure GDA0002748140550000042
中包括隐匿物
Figure GDA0002748140550000043
人体子区域
Figure GDA0002748140550000044
和成像背景区域的噪声
Figure GDA0002748140550000045
表示为
Figure GDA0002748140550000046
(2b)用基于块的混合高斯模型对隐匿物
Figure GDA0002748140550000047
建模：
定义一个三维张量滑块后排列为矩阵的映射关系f：
Figure GDA0002748140550000048
其中，p代表滑块大小，np是总滑块数，映射关系f表示将每个滑块拉成向量，排列为矩阵的一列；
根据映射关系f将隐匿物构成的三维张量
Figure GDA0002748140550000049
排列为矩阵
Figure GDA00027481405500000410
假设矩阵
Figure GDA00027481405500000411
的第i列为
Figure GDA00027481405500000412
则：
Figure GDA00027481405500000413
式中，K表示混合高斯模型中的高斯分布个数，πk表示混合高斯模型中第k个高斯分布的权重，
Figure GDA00027481405500000414
表示
Figure GDA00027481405500000415
服从均值为0、方差为
Figure GDA00027481405500000416
的高斯分布；
(2c)用低秩矩阵分解方法对人体子区域
Figure GDA00027481405500000417
进行分解：
人体的图像间有很大的相关性，具有低秩性，根据低秩矩阵分解方法将
Figure GDA00027481405500000418
分解为：
Figure GDA00027481405500000419
其中，
Figure GDA00027481405500000420
表示将张量
Figure GDA00027481405500000421
映射为矩阵，
Figure GDA00027481405500000422
m和d分别表示矩阵的行数和列数；
Figure GDA00027481405500000423
是基矩阵，
Figure GDA00027481405500000424
是系数矩阵，r称为秩，衡量了图像间的相关性，r<<min(m,d)；
(2d)对成像背景区域的噪声
Figure GDA00027481405500000425
建模：
尽管已经对原始图像进行了异常点去除预处理，但是成像背景区域中仍然存在噪点，根据阈值分割方法再次将各区域图像二值化，分为成像背景区域和成像目标区域，使得成像背景区域内的像素值为1，成像目标区域包括人体子区域和其所携带异物区域的像素值为0，该二值图用
Figure GDA0002748140550000051
表示，其中h，w，n分别表示图像的高、宽和图像数；
根据
Figure GDA0002748140550000052
中成像背景区域的像素值为1，其余区域值为0的情况，得到成像背景区域的噪声
Figure GDA0002748140550000053
其中o表示点乘；
(2e)根据极大似然估计的方法得到模型求解式：
Figure GDA0002748140550000054
Figure GDA00027481405500000514
其中，
Figure GDA0002748140550000055
表示将
Figure GDA0002748140550000056
中的1变成0，0变成1的转变符号，Θ表示包括基矩阵U、系数矩阵V、每个高斯分布的权重πk和方差Σk的待求解参数；
(2f)求解基矩阵U、系数矩阵V，及每个高斯分布的权重πk和方差Σk：
(2f1)通过期望最大化算法求解混合高斯模型参数πk和Σk：
Figure GDA0002748140550000057
Figure GDA0002748140550000058
其中
Figure GDA0002748140550000059
表示属于第k个高斯的滑块数，rnk表示第n个滑块属于第k个高斯分布的期望，上角标T表示矩阵转置操作；
(2f2)用加权L2范数低秩矩阵分解方法迭代求解下式，得到U，V：
Figure GDA00027481405500000510
Figure GDA00027481405500000511
其中，
Figure GDA00027481405500000512
表示最小化参数为V的Frobenius矩阵范数的平方，W的每个元素表示图像中每个像素点被重复滑过的次数，
Figure GDA00027481405500000513
L、H分别表示
Figure GDA0002748140550000061
和
Figure GDA0002748140550000062
的矩阵形式，t表示第t次迭代；
(2g)根据
Figure GDA0002748140550000063
计算低秩部分，再将原始图像与低秩部分做差，计算出稀疏部分。
步骤3.对稀疏部分进行后处理，得到检测结果。
对稀疏部分采用现有的形态学操作进行后处理，其实现如下：
(3a)将稀疏部分中值大于10的像素点值都变为1，小于等于10的像素点值变为0，得到二值图；
(3b)用形态学操作对二值图先用大小为3的正方形结构体进行膨胀，再用大小为2的正方形结构体进行腐蚀，保留各区域原来的形状的同时将距离较近的区域连接在一起，变成大区域；
(3c)利用matlab函数regionprops计算二值图中各区域面积，将面积小于15个像素点的区域的像素值变为0，去除小噪点，得到最终检测结果。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件
本发明的仿真试验平台是Intel Core i5-4590，CPU 3.30GHZ，内存为8GB，操作系统为Windows7 64位的PC机，计算机软件配置为Matlab R2016a。
本仿真使用的数据是由机场毫米波扫描仪获得的人体图像，仿真实验中用了8个人的数据，每个人有132张大小为400×160的携带不同异物的图像，见图2(a)，每个人体图像的去燥结果图见图2(b)，背部、臀部、左大腿、右大腿、左小腿和右小腿六个区域的图像见图3。
2.仿真内容
仿真一：用本发明对背部图像进行隐匿物检测的仿真实验，结果见图4。
仿真二：用本发明对臀部图像进行隐匿物检测的仿真实验，结果见图5。
仿真三：用本发明对左大腿图像进行隐匿物检测的仿真实验，结果见图6。
仿真四：用本发明对右大腿图像进行隐匿物检测的仿真实验，结果见图7。
仿真五：用本发明对左小腿图像进行隐匿物检测的仿真实验，结果见图8。
仿真六：用本发明对右小腿图像进行隐匿物检测的仿真实验，结果见图9。
其中，图4到图9，奇数行是去噪后的人体区域图像，其中椭圆圈起来的表示携带的隐匿物，对应的二值图中的白色区域表示隐匿物检测结果。
由图4到图9可见，本发明方法能准确标记出毫米波人体图像携带的隐匿物的形状和位置，有效地检测隐匿物。
3.对区域携带隐匿物的检测结果评价
在隐匿物检测的仿真实验评价中，常用检测率DR及虚警率FAR进行评估，计算公式如下：
Figure GDA0002748140550000071
Figure GDA0002748140550000072
其中，M表示有异物的位置数，N表示检测到的异物数，n1表示实际有异物的位置数，n2表示实际没有异物的位置数，n1+n2＝N；
计算上述仿真结果各区域图像的检测率DR及虚警率FAR，并与经典的SVM方法作对比，结果如表一，
表一各区域携带隐匿物结果及SVM方法检测结果
Figure GDA0002748140550000073
由表一可见，相比SVM方法，本发明在检测隐匿的实验中能达到较高的检测率和较低的虚警率，其中背部的检测率高且虚警率低，这是由于背部区域整体的低秩性更好，变化抖动较少，使得背景恢复的好，从而得到的稀疏部分准确，异物检测准确。

Claims (6)

1.基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法，其特征在于，包括：
(1)通过毫米波雷达扫描仪得到一个人的正背面原始图像序列，对每张原始图像进行分割，得到人体轮廓的二值图，利用此二值图计算出人体身高，并去除原始图像中成像背景区域的异常点；再按照人体部位比例，将去除异常点后的人体图像划分为背部、臀部、左大腿、右大腿、左小腿和右小腿六个子区域；
(2)采用基于块的混合高斯低秩矩阵分解方法对每个子区域图像进行分解，得到低秩部分和稀疏部分，其实现如下：
(2a)假设各子区域的图像序列用张量表示为
Figure FDA0002748140540000011
其中h，w，n分别表示图像的高、宽和图像数，将图像中的隐匿物
Figure FDA0002748140540000012
人体部位
Figure FDA0002748140540000013
和成像背景区域的噪声
Figure FDA0002748140540000014
表示为
Figure FDA0002748140540000015
(2b)用基于块的混合高斯模型对隐匿物
Figure FDA0002748140540000016
建模：
定义一个三维张量滑块后排列为矩阵的映射关系f：
Figure FDA0002748140540000017
其中，p代表滑块大小，np是总滑块数，映射关系f表示将每个滑块拉成向量，排列为矩阵的一列；
假设矩阵
Figure FDA0002748140540000018
的第i列为
Figure FDA0002748140540000019
则：
Figure FDA00027481405400000110
式中，K表示混合高斯模型中的高斯分布个数，πk表示混合高斯模型中第k个高斯分布的权重，且
Figure FDA00027481405400000111
Figure FDA00027481405400000112
表示
Figure FDA00027481405400000113
服从均值为0、方差为
Figure FDA00027481405400000114
的高斯分布；
(2c)用低秩矩阵分解方法对人体部位
Figure FDA00027481405400000115
分解：
根据低秩矩阵分解方法将
Figure FDA00027481405400000116
分解为：
Figure FDA00027481405400000117
其中，
Figure FDA0002748140540000021
表示将张量
Figure FDA0002748140540000022
映射为矩阵，
Figure FDA0002748140540000023
m和d分别表示矩阵的行数和列数；
Figure FDA0002748140540000024
是基矩阵，
Figure FDA0002748140540000025
是系数矩阵，r称为秩，r<<min(m,d)；
(2d)对成像背景区域的噪声
Figure FDA0002748140540000026
建模：
根据阈值分割方法将各子区域图像二值化，分为成像背景区域和成像目标区域，使得成像背景区域内的像素值为1，成像目标区域包括人体区域和其所携带异物区域的像素值为0，用
Figure FDA0002748140540000027
表示，其中h，w，n分别表示图像的高、宽和图像数；
根据二值化后图中成像背景区域的像素值为1，其余区域值为0，得到成像背景区域的噪声：
Figure FDA0002748140540000028
其中o表示点乘；
(2e)根据极大似然估计的方法得到模型求解式：
Figure FDA0002748140540000029
Figure FDA00027481405400000210
其中，
Figure FDA00027481405400000211
表示将
Figure FDA00027481405400000212
中的1变成0，0变成1，Θ表示待求解参数：基矩阵U、系数矩阵V、每个高斯分布的权重πk和方差Σk；
(2f)求解基矩阵U、系数矩阵V，及每个高斯分布的权重πk和方差Σk：
(2f1)通过期望最大化算法求解混合高斯模型参数πk和Σk：
Figure FDA00027481405400000213
Figure FDA00027481405400000214
其中
Figure FDA00027481405400000215
表示属于第k个高斯的滑块数，rnk表示第n个滑块属于第k个高斯分布的期望，上角标T表示矩阵转置操作；
(2f2)用加权L2范数低秩矩阵分解方法迭代求解U，V：
Figure FDA00027481405400000216
Figure FDA00027481405400000217
其中，
Figure FDA0002748140540000031
表示最小化参数为V的Frobenius矩阵范数的平方，W的每个元素表示图像中每个像素点被重复滑过的次数，
Figure FDA0002748140540000032
L、H分别表示
Figure FDA0002748140540000033
和
Figure FDA0002748140540000034
的矩阵形式，t表示第t次迭代；
(2g)计算低秩部分和稀疏部分：
根据
Figure FDA0002748140540000035
计算低秩部分，再将原始图像与低秩部分做差，计算出稀疏部分；
(3)利用形态学方法对各子区域的稀疏部分，去除连通域面积小于15个像素点的噪点，得到各部位携带的隐匿物检测结果。
2.根据权利要求1所述的方法，其中(1)中对原始毫米波人体图像进行分割，是通过基于阈值的方法，先将原始图像都除以255，归一化到0-1，再选择阈值0.15，将归一化后的图与该阈值比较：大于该阈值的像素点置为1，小于该阈值的像素点置为0，得到人体轮廓的二值图。
3.根据权利要求1所述的方法，其中(1)中利用二值图计算出人体身高，是在二值图中轴线左右各5个像素点间，从上到下寻找像素值不为0的点，第一个不为0的像素点的纵坐标即为人体图像的高度。
4.根据权利要求1所述的方法，其中(1)中利用二值图去除原始图像中成像背景区域的异常点，是通过将二值图与原始图像对应相乘，使得原始图中成像背景区域的像素值为0，实现原始图像中成像背景区域的异常点去除。
5.根据权利要求1所述的方法，其中(1)中按照人体部位比例将人体分块，是按照背部占身高的25％，臀部占身高的13％，左大腿占身高的26％，右大腿占身高的26％，左小腿占身高的25％，右小腿占身高的25％的比例将人体图像分为六个子区域。
6.根据权利要求1所述的方法，其中(3)中利用形态学方法对各子区域的稀疏部分，去除连通域面积小于15个像素点的噪点，其实现如下：
(3a)将稀疏部分中值大于10的像素点值都变为1，小于等于10的像素点值变为0，得到二值图；
(3b)用形态学操作对二值图先用大小为3的正方形结构体进行膨胀，再用大小为2的正方形结构体进行腐蚀，保留各区域原来的形状的同时连接距离较小的区域，变成大区域；
(3c)利用matlab函数regionprops计算二值图中各区域面积，将面积小于15个像素点的区域的像素值变为0，去除小噪点，得到最终检测结果。
CN201910089658.7A 2019-01-30 2019-01-30 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 Active CN110426745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910089658.7A CN110426745B (zh) 2019-01-30 2019-01-30 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910089658.7A CN110426745B (zh) 2019-01-30 2019-01-30 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法

Publications (2)

Publication Number Publication Date
CN110426745A CN110426745A (zh) 2019-11-08
CN110426745B true CN110426745B (zh) 2021-01-05

Family

ID=68408336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910089658.7A Active CN110426745B (zh) 2019-01-30 2019-01-30 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法

Country Status (1)

Country Link
CN (1) CN110426745B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311684B (zh) * 2022-08-05 2023-03-28 杭州电子科技大学 一种毫米波图像多角度检出结果的整合方法
CN115294605B (zh) * 2022-08-05 2023-05-16 杭州电子科技大学 一种毫米波图像强噪声空域消除方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881497B2 (en) * 2014-12-11 2018-01-30 Here Global B.V. Detecting road condition changes from probe data
CN107798345A (zh) * 2017-10-20 2018-03-13 西北工业大学 基于块对角与低秩表示的高光谱伪装目标检测方法
CN107944444A (zh) * 2017-11-21 2018-04-20 北京化工大学 一种瓶装液体异物检测方法及系统
CN109215780A (zh) * 2018-08-24 2019-01-15 齐鲁工业大学 高拉普拉斯正则化低秩表示的多模态数据分析方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10580228B2 (en) * 2017-07-07 2020-03-03 The Boeing Company Fault detection system and method for vehicle system prognosis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881497B2 (en) * 2014-12-11 2018-01-30 Here Global B.V. Detecting road condition changes from probe data
CN107798345A (zh) * 2017-10-20 2018-03-13 西北工业大学 基于块对角与低秩表示的高光谱伪装目标检测方法
CN107944444A (zh) * 2017-11-21 2018-04-20 北京化工大学 一种瓶装液体异物检测方法及系统
CN109215780A (zh) * 2018-08-24 2019-01-15 齐鲁工业大学 高拉普拉斯正则化低秩表示的多模态数据分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
低秩矩阵和结构化稀疏分解的视频背景差分方法;刘鑫 等;《西安交通大学学报》;20160630;第50卷(第6期);第23-29页 *
基于鲁棒主成分分析的红外图像小目标检测;王忠美 等;《兵工学报》;20160930;第37卷(第9期);第1753-1760页 *

Also Published As

Publication number Publication date
CN110426745A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
Lei et al. Automatic hyperbola detection and fitting in GPR B-scan image
Wang et al. New hierarchical saliency filtering for fast ship detection in high-resolution SAR images
CN104392463B (zh) 一种基于联合稀疏多尺度融合的图像显著区域检测方法
CN102254303B (zh) 遥感图像分割方法及遥感图像检索方法
Al-Janobi Performance evaluation of cross-diagonal texture matrix method of texture analysis
Noreen et al. Using pattern recognition with HOG to automatically detect reflection hyperbolas in ground penetrating radar data
CN109344880B (zh) 基于多特征和复合核的sar图像分类方法
CN110097537B (zh) 一种基于三维纹理特征的肉质定量分析评价方法
CN103473545A (zh) 一种基于多特征的文本图像相似度度量方法
EP3506148A1 (en) Millimetre wave image-based human body foreign matter detection method and system
CN110426745B (zh) 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
Yaohua et al. A SAR oil spill image recognition method based on densenet convolutional neural network
CN106447686A (zh) 一种基于快速有限剪切波变换的图像边缘检测方法
Guo et al. Aircraft target detection from spaceborne SAR image
Hoogs et al. A common set of perceptual observables for grouping, figure-ground discrimination, and texture classification
Swiderski et al. Texture characterization based on the Kolmogorov–Smirnov distance
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
Lin et al. Edge detection in the feature space
Wang et al. Patch-based gaussian mixture model for concealed object detection in millimeter-wave images
CN113887652B (zh) 基于形态和多示例学习的遥感图像弱小目标检测方法
Zhao et al. Infrared Maritime Target Detection Based on Iterative Corner and Edge Weights in Tensor Decomposition
Zhang et al. Saliency and background prior-based residential area detection for SAR images
CN108776968B (zh) 基于深度森林的sar图像变化检测方法
Qu et al. An improved method for SAR image coastline detection based on despeckling and SVM

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
GR01 Patent grant
GR01 Patent grant