CN102542570A - 一种微波图像中人体隐藏危险物体自动检测方法 - Google Patents
一种微波图像中人体隐藏危险物体自动检测方法 Download PDFInfo
- Publication number
- CN102542570A CN102542570A CN2011104580549A CN201110458054A CN102542570A CN 102542570 A CN102542570 A CN 102542570A CN 2011104580549 A CN2011104580549 A CN 2011104580549A CN 201110458054 A CN201110458054 A CN 201110458054A CN 102542570 A CN102542570 A CN 102542570A
- Authority
- CN
- China
- Prior art keywords
- microwave
- gray level
- dangerous object
- human body
- local
- 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.)
- Granted
Links
Images
Abstract
本发明涉及一种微波图像中人体隐藏危险物体自动检测方法,其包括:对输入微波图像分别进行局部显著亮度区域特征提取、局部灰度方差特征矩阵分析以及去垂直方向边缘特征矩阵提取,然后对三种特征提取结果进行归一化加权融合,在融合结果中完成隐藏危险物体检测,最后对检测结果区域进行标识;该方法能够有效实用于真实的微波安检系统中,具有很高的检测准确率和计算效率,满足使用要求,解决了微波安检系统中对人体隐藏危险物体的自动检测问题。
Description
技术领域
本发明涉及一种微波图像处理方法,具体涉及一种微波图像中人体隐藏危险物体自动检测方法,属于图像处理与安检技术领域。
背景技术
微波在传播过程中具有一定穿透性。通过微波成像技术,能够对被扫描人体获得不受衣物遮挡等影响的成像结果图像;然后在基于微波结果自动完成被检测者衣物下隐藏携带的危险物体的检测,如金属刀具、不明液体、尖锐物体等,是一种快捷、安全、有效的安防技术手段。如果在检测过程中,直接通过安检操作员肉眼观察的方式来完成可疑危险物体的检测,需要花费很大的人力、财力及时间。因此,设计自动检测方法完成微波图像中人体上可能存在的不同属性、类型的隐藏危险物体的自动检测具有重要的意义。
现有的物体检测方法:一方面,主要是针对可见光图像数据;另一方面,针对微波图像的感兴趣目标检测方法多采用恒虚警率检测方法(CFAR),CFAR方法所利用的检测特征为实值幅度特征,即灰度特征。但是在本申请人体微波图像自动物体检测的安检系统应用中,上述方法并不适用,主要原因如下:1)微波图像与可见光图像成像机理有着本质的区别,微波图像灰度层次低,清晰度低,且受相干斑乘性噪声的影响。可见光图像中的物体检测方法在微波图像中不能直接适用;2)本申请所感兴趣物体在特征表现上存在多种形式,灰度仅仅为其中一种可能的检测特征,因此,基于灰度检测特征的CFAR方法并不能满足微波安检系统中危险物体自动检测的需要。
综上所述,为实现微波图像中人体上的隐藏危险物体的自动检测,需要针对感兴趣的不同材质、形状、大小等情况下的危险物体在微波成像结果图像中的表现特点,对微波图像的内容信息进行分析,构建满足不同情况下可区分危险物体的检测特征,设计有效的人体隐藏危险物体自动检测方法。
发明内容
本发明旨在提供一种微波图像中人体隐藏危险物体自动检测方法,其特征在于包括如下步骤:
a)输入包含人体微波探测结果的微波灰度图像I;
b)对微波灰度图像I提取局部显著亮度区域特征;
c)对微波灰度图像I提取局部灰度方差特征矩阵;
d)对微波灰度图像I提取去垂直方向边缘特征矩阵;
e)对步骤b)、c)、d)中所提取的特征进行加权归一化融合,获得二维融合特征矩阵F(x,y);
f)对融合特征矩阵F(x,y)进行分割,检测危险物体区域;
g)对危险物体区域检测结果进行过滤;
h)结合过滤后的检测结果,对危险物体区域进行标识。
优选地,步骤b)包括如下子步骤:
b1)设定用于提取局部显著亮度区域的分割迭代次数为2,第一次分割将图像中人体区域从背景中分割出来,人体区域灰度分割阈值为Tb;第二次迭代分割将对应危险物体的局部显著亮度区域从人体区域中分割出来,危险物体区域灰度分割阈值为Td;
b2)结合危险物体区域灰度分割阈值Td,构建局部显著亮度区域特征矩阵G:将输入微波灰度图像I中灰度值高于Td的像素区域提取出来,其余位置被认为不存在危险物体,设置为0:
矩阵G的行数、列数分别与微波灰度图像I的行、列数目相等。
优选地,子步骤b1)包括如下子步骤:
b1-1)第一次迭代分割:首先对输入微波灰度图像I构建全局灰度直方图Hg,灰度范围[0,255];
b1-2)第一次迭代分割:采用自动阈值分割算法在全局灰度直方图Hg中计算人体区域灰度分割阈值Tb;
b1-3)第二次迭代分割:结合已获得的人体区域灰度分割阈值Tb,构建人体区域灰度直方图Hb,灰度范围[Tb,255];
b1-4)第二次迭代分割:采用自动阈值分割算法在人体区域灰度直方图Hb中计算危险物体区域灰度分割阈值Td。
优选地,步骤c)包括如下子步骤:
c1)设定局部灰度方差分析窗口尺度为s,s为自然数;
c2)计算在微波灰度图像I中的任一点(x,y),临域范围大小为s×s的正方形区域L(x,y)内的灰度方差值:
E(L(x,y)代表点(x,y)处的局部临域L(x,y)的灰度均值;
c3)结合图像局部灰度方差分析结果构建微波灰度图像I对应的局部灰度方差特征矩阵V:
V(x,y)=var(x,y)
矩阵V的行数、列数分别与微波灰度图像I的行、列数目相等;
其中,函数max(V)、min(V)分别表示计算局部灰度方差特征矩阵V中的最大值和最小值。
优选地,步骤d)包括如下子步骤:
d1)构建水平方向边缘提取算子hh、对角线方向边缘提取算子hs、反对角线方向边缘提取算子has、垂直方向边缘提取算子hv:
d2)对微波灰度图像I中的任一点(x,y),计算该点处水平方向边缘检测响应eh、对角线方向边缘检测响应es、反对角线方向边缘检测响应eas、垂直方向边缘检测响应ev:
d3)结合d2)子步骤中的边缘检测响应结算结果,计算点(x,y)处的去垂直方向边缘特征e(x,y):
e(x,y)=|eh|+|es|+|eas|-|ev|
其中,|.|为取绝对值计算函数;
d4)结合各点处的去垂直方向边缘特征计算结果,构建微波灰度图像I对应的去垂直方向边缘特征矩阵E:
E(x,y)=e(x,y)
矩阵E的行数、列数分别与微波灰度图像I的行、列数目相等;
d5)对所得去垂直方向边缘特征矩阵E进行归一化处理,获得去垂直方向边缘特征归一化矩阵,即把E中的特征值按线性方式映射到值域[0,255]范围内:
其中,函数max(E)、min(E)分别表示计算去垂直方向边缘特征矩阵E中的最大值和最小值。
优选地,步骤e)包括如下子步骤:
其中,加权系数α、β、γ为实数。
优选地,步骤f)包括如下子步骤:
f1)结合二维融合特征矩阵F(x,y),设定融合特征分割阈值Tf,Tf为实数;
f2)设定二维融合特征矩阵F(x,y)中特征值大于融合特征分割阈值Tf的区域为粗略危险物体检测结果区域,该区域的值设置为255,其余位置处的值设置为0;
优选地,步骤g)包括如下子步骤:
g1)对获得的粗略危险物体检测结果区域进行形态学闭运算;
g2)滤除粗略危险物体检测结果区域中面积小于Tarea的子区域,剩下的子区域为危险物体检测结果区域,Tarea为自然数。
优选地,步骤h)包括如下子步骤:
h1)结合g2)子步骤中所获得的危险物体检测结果区域,提取危险物体检测结果区域的边缘轮廓;
h2)将所提取获得的边缘轮廓在输入微波灰度图像I中标识出来。
本发明的有益效果是:通过实验验证,该方法能够有效实用于真实的微波安检系统中,具有很高的检测准确率和计算效率,满足使用要求,解决了微波安检系统中对人体隐藏危险物体的自动检测问题。
附图说明
图1是本发明的微波图像中人体隐藏危险物体自动检测方法的流程图;
图2是本发明的微波图像中人体隐藏危险物体自动检测方法的输入输出结果示例图。
具体实施方式
发明原理
在微波安检系统(如近场毫米波成像安检系统)中,在经过微波信号发射、接收以及对接收信号成像后,形成微波灰度图像,接下来需要基于微波灰度图像信息完成被检测人体衣物遮挡下的隐藏危险物体自动检测过程,将自动检测结果呈现给系统操作员。本发明用于微波安检系统中的微波图像人体隐藏危险物体自动检测过程。
在针对微波回波信号完成成像处理后,需要在对图像结果中被检测人体衣服遮挡下的隐藏危险物体进行自动检测,以辅助系统操作员做出判断,完成安检过程。通常情况下,感兴趣的危险物体在属性表现上多种多样:在材质方面,主要有液体、金属、塑料、粉末等;在形状方面主要有:长条、锐角、短宽等。一方面,可见光图像物体检测方法对微波成像结果数据不适用;另一方面,已有方法难以满足安检系统中不同情况下的物体检测需求,正如在背景技术部分中介绍的那样。
为了解决上述的问题,本发明提供了一种准确有效的微波图像中人体隐藏危险物体自动检测方法。
本发明的发明人经过大量试验发现了下述的技术特点:金属、液体等材质的感兴趣危险物体在微波灰度图像中表现为灰度值较高的局部区域;粉末状物体、处于人体区域边界处的感兴趣危险物体在微波灰度图像中并不一定具有很高的灰度值,但是在自身区域内部或者相对于背景区域存在较明显的灰度变化,表现为较大的局部灰度方差;而对于轮廓形状比较特殊的物体,如长条形、锐角等,在成像结果中表现为较明显的边缘结构特征。
本发明利用这一技术特点,对输入微波灰度图像分别提取三种不同的危险物体检测特征,不同的检测特征用以区分、检测不同情况下的感兴趣危险物体。其中,局部显著亮度区域特征用以检测在灰度亮度上区分明显的感兴趣危险物体,如金属、液体材质的物体等;局部灰度方差特征用以检测在灰度图像中局部区域存在明显灰度变化的感兴趣危险物体,如塑料物体、粉末状物体,混合材质物体、人体区域边界物体等;去垂直方向边缘特征有两方面的作用,一方面,边缘特征可以检测典型的刚性结构物体或者具有明显形状结构的感兴趣危险物体,如砖头、刀具等,另一方面,可以去除成像结果中人体骨骼引起的大量竖直方面的边缘信息,减少检测过程中可能引起的虚警。通过合理地尺度化处理后,将三种不同的危险物体检测特征进行加权归一化融合。最后通过融合特征完成不同情况下的人体隐藏危险物体的自动检测。
本领域的技术人员都知道,特征级的检测特征融合是一种有效地扩展检测特征适用范围的手段,使融合特征能够同时满足不同情况下的感兴趣危险物体检测需求,最终完成对多种情况下的分别需要不同类型检测特征才能有效区分的感兴趣危险物体的检测。
下面结合附图和实施例对本发明微波图像中人体隐藏危险物体自动检测方法进行详细介绍。
如图1所示,本发明的一种微波图像中人体隐藏危险物体自动检测方法,其主要包括如下步骤:
a)输入包含人体微波探测结果的微波灰度图像I(如图2的(a)子图所示);
b)对微波灰度图像I提取局部显著亮度区域特征,其包括如下子步骤:
b1)设定用于提取局部显著亮度区域的分割迭代次数为2,第一次分割将图像中人体区域从背景中分割出来,人体区域灰度分割阈值为Tb;第二次迭代分割将对应危险物体的局部显著亮度区域从人体区域中分割出来,危险物体区域灰度分割阈值为Td;其包括如下子步骤:
b1-1)第一次迭代分割:首先对输入微波灰度图像I构建全局灰度直方图Hg,灰度范围[0,255];
b1-2)第一次迭代分割:采用自动阈值分割算法在全局灰度直方图Hg中计算人体区域灰度分割阈值Tb;
b1-3)第二次迭代分割:结合已获得的人体区域灰度分割阈值Tb,构建人体区域灰度直方图Hb,灰度范围[Tb,255];
b1-4)第二次迭代分割:采用自动阈值分割算法在人体区域灰度直方图Hb中计算危险物体区域灰度分割阈值Td。
b2)结合危险物体区域灰度分割阈值Td,构建局部显著亮度区域特征矩阵G:将输入微波灰度图像I中灰度值高于Td的像素区域提取出来,其余位置被认为不存在危险物体,设置为0:
矩阵G的行数、列数分别与微波灰度图像I的行、列数目相等。
c)对微波灰度图像I提取局部灰度方差特征矩阵,其包括如下子步骤:
c1)设定局部灰度方差分析窗口尺度为s,s为自然数;
c2)计算在微波灰度图像I中的任一点(x,y),临域范围大小为s×s的正方形区域L(x,y)内的灰度方差值:
E(L(x,y)代表点(x,y)处的局部临域L(x,y)的灰度均值;
c3)结合图像局部灰度方差分析结果构建微波灰度图像I对应的局部灰度方差特征矩阵V:
V(x,y)=var(x,y)
矩阵V的行数、列数分别与微波灰度图像I的行、列数目相等;
其中,函数max(V)、min(V)分别表示计算局部灰度方差特征矩阵V中的最大值和最小值。
d)对微波灰度图像I提取去垂直方向边缘特征矩阵,包括如下子步骤:
d1)构建水平方向边缘提取算子hh、对角线方向边缘提取算子hs、
反对角线方向边缘提取算子has、垂直方向边缘提取算子hv:
d2)对微波灰度图像I中的任一点(x,y),计算该点处水平方向边缘检测响应eh、对角线方向边缘检测响应es、反对角线方向边缘检测响应eas、垂直方向边缘检测响应ev:
d3)结合d2)子步骤中的边缘检测响应结算结果,计算点(x,y)处的去垂直方向边缘特征e(x,y):
e(x,y)=|eh|+|es|+|eas|-|ev|
其中,|.|为取绝对值计算函数;
d4)结合各点处的去垂直方向边缘特征计算结果,构建微波灰度图像I对应的去垂直方向边缘特征矩阵E:
E(x,y)=e(x,y)
矩阵E的行数、列数分别与微波灰度图像I的行、列数目相等;
其中,函数max(E)、min(E)分别表示计算去垂直方向边缘特征矩阵E中的最大值和最小值。
e)对步骤b)、c)、d)中所提取的特征进行加权归一化融合,获得二维融合特征矩阵F(x,y),包括如下子步骤:
其中,加权系数α、β、γ为实数。
f)对融合特征矩阵F(x,y)进行分割,检测危险物体区域,包括如下子步骤:
f1)结合二维融合特征矩阵F(x,y),设定融合特征分割阈值Tf,Tf为实数;
f2)设定二维融合特征矩阵F(x,y)中特征值大于融合特征分割阈值Tf的区域为粗略危险物体检测结果区域,该区域的值设置为255,其余位置处的值设置为0;
g)对危险物体区域检测结果进行过滤,包括如下子步骤:
g1)对获得的粗略危险物体检测结果区域进行形态学闭运算;
g2)滤除粗略危险物体检测结果区域中面积小于Tarea的子区域,剩下的子区域为危险物体检测结果区域,Tarea为自然数。
h)结合过滤后的检测结果,对危险物体区域进行标识,包括如下子步骤:
h1)结合g2)子步骤中所获得的危险物体检测结果区域,提取危险物体检测结果区域的边缘轮廓;
h2)将所提取获得的边缘轮廓在输入微波灰度图像I中标识出来,如图2中(b)子图所示。
该申请中步骤b)中涉及的自动阈值分割算法属于本领域当中的公知技术,在此不再赘述。
通过实验验证,该方法能够有效实用于真实的微波安检系统中,具有很高的检测准确率和计算效率,满足使用要求,解决了微波安检系统中对人体隐藏危险物体的自动检测问题。
以上实施例仅是为对本发明进行清楚阐述所做的限定,本发明实际保护范围并不局限于此,凡基于本发明思想所作的变型或改动,均在本发明保护范围之内。
Claims (9)
1.一种微波图像中人体隐藏危险物体自动检测方法,其特征在于包括如下步骤:
a)输入包含人体微波探测结果的微波灰度图像I;
b)对微波灰度图像I提取局部显著亮度区域特征矩阵;
c)对微波灰度图像I提取局部灰度方差特征矩阵;
d)对微波灰度图像I提取去垂直方向边缘特征矩阵;
e)对步骤b)、c)、d)中所提取的特征矩阵进行加权归一化融合,
获得二维融合特征矩阵F(x,y);
f)对二维融合特征矩阵F(x,y)进行分割,检测危险物体区域;
g)对危险物体区域检测结果进行过滤;
h)结合过滤后的检测结果,对危险物体区域进行标识。
2.如权利要求1所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤b)包括如下子步骤:
b1)设定用于提取局部显著亮度区域的分割迭代次数为2,第一次分割将图像中人体区域从背景中分割出来,人体区域灰度分割阈值为Tb;第二次迭代分割将对应危险物体的局部显著亮度区域从人体区域中分割出来,危险物体区域灰度分割阈值为Td;
b2)结合危险物体区域灰度分割阈值Td,构建局部显著亮度区域特征矩阵G:将输入微波灰度图像I中灰度值高于Td的像素区域提取出来,其余位置设置为0:
矩阵G的行数、列数分别与微波灰度图像I的行、列数目相等。
3.如权利要求2所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,所述子步骤b1)包括如下子步骤:
b1-1)第一次迭代分割:首先对输入的微波灰度图像I构建全局灰度直方图Hg,灰度范围[0,255];
b1-2)第一次迭代分割:采用自动阈值分割算法在全局灰度直方图Hg中计算人体区域灰度分割阈值Tb;
b1-3)第二次迭代分割:结合已获得的人体区域灰度分割阈值Tb,构建人体区域灰度直方图Hb,灰度范围[Tb,255];
b1-4)第二次迭代分割:采用自动阈值分割算法在人体区域灰度直方图Hb中计算危险物体区域灰度分割阈值Td。
4.如权利要求2所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤c)包括如下子步骤:
c 1)设定局部灰度方差分析窗口尺度为s,s为自然数;
c2)计算在微波灰度图像I中的任一点(x,y),临域范围大小为s×s的正方形区域L(x,y)内的灰度方差值:
E(L(x,y)代表点(x,y)处的局部临域L(x,y)的灰度均值;
c3)结合图像局部灰度方差分析结果构建微波灰度图像I对应的局部灰度方差特征矩阵V:
V(x,y)=var(x,y)
矩阵V的行数、列数分别与微波灰度图像I的行、列数目相等;
其中,函数max(V)、min(V)分别表示计算局部灰度方差特征矩阵V中的最大值和最小值。
5.如权利要求4所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤d)包括如下子步骤:
d1)构建水平方向边缘提取算子hh、对角线方向边缘提取算子hs、反对角线方向边缘提取算子has、垂直方向边缘提取算子hv:
d2)对微波灰度图像I中的任一点(x,y),计算该点处水平方向边缘检测响应eh、对角线方向边缘检测响应es、反对角线方向边缘检测响应eas、垂直方向边缘检测响应ev:
d3)结合d2)子步骤中的边缘检测响应结算结果,计算点(x,y)处的去垂直方向边缘特征e(x,y):
e(x,y)=|eh|+|es|+|eas|-|ev|
其中,|.|为取绝对值计算函数;
d4)结合各点处的去垂直方向边缘特征计算结果,构建微波灰度图像I对应的去垂直方向边缘特征矩阵E:
E(x,y)=e(x,y)
矩阵E的行数、列数分别与微波灰度图像I的行、列数目相等;
d5)对所得的去垂直方向边缘特征矩阵E进行归一化处理,获得去垂直方向边缘特征归一化矩阵,即把E中的特征值按线性方式映射到值域[0,255]范围内:
其中,函数max(E)、min(E)分别表示计算去垂直方向边缘特征矩阵E中的最大值和最小值。
7.如权利要求1所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤f)包括如下子步骤:
f1)结合二维融合特征矩阵F(x,y),设定融合特征分割阈值Tf,Tf为实数;
f2)设定二维融合特征矩阵F(x,y)中特征值大于融合特征分割阈值Tf的区域为粗略危险物体检测结果区域,该区域的值设置为255,其余位置处的值设置为0。
8.如权利要求7所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤g)包括如下子步骤:
g1)对获得的粗略危险物体检测结果区域进行形态学闭运算;
g2)滤除粗略危险物体检测结果区域中面积小于Tarea的子区域,剩下的子区域为危险物体检测结果区域,Tarea为自然数。
9.如权利要求8所述的一种微波图像中人体隐藏危险物体自动检测方法,其特征在于,步骤h)包括如下子步骤:
h1)结合g2)子步骤中所获得的危险物体检测结果区域,提取危险物体检测结果区域的边缘轮廓;
h2)将所提取获得的边缘轮廓在输入微波灰度图像I中标识出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110458054.9A CN102542570B (zh) | 2011-12-30 | 2011-12-30 | 一种微波图像中人体隐藏危险物体自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110458054.9A CN102542570B (zh) | 2011-12-30 | 2011-12-30 | 一种微波图像中人体隐藏危险物体自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542570A true CN102542570A (zh) | 2012-07-04 |
CN102542570B CN102542570B (zh) | 2014-05-07 |
Family
ID=46349390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110458054.9A Active CN102542570B (zh) | 2011-12-30 | 2011-12-30 | 一种微波图像中人体隐藏危险物体自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542570B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279960A (zh) * | 2013-06-18 | 2013-09-04 | 天津大学 | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 |
CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
CN104820987A (zh) * | 2015-04-30 | 2015-08-05 | 中国电子科技集团公司第四十一研究所 | 一种基于光学图像及微波图像检测目标散射性能缺陷的方法 |
CN105513035A (zh) * | 2014-09-22 | 2016-04-20 | 北京计算机技术及应用研究所 | 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 |
CN106023166A (zh) * | 2016-05-12 | 2016-10-12 | 深圳市太赫兹科技创新研究院 | 微波图像中人体隐藏危险物体的检测方法和装置 |
CN106226836A (zh) * | 2016-08-29 | 2016-12-14 | 北京农业信息技术研究中心 | 基于太赫兹技术的畜禽体内芯片获取装置及方法 |
CN106326834A (zh) * | 2016-07-29 | 2017-01-11 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
CN109799544A (zh) * | 2018-12-28 | 2019-05-24 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
CN109816657A (zh) * | 2019-03-03 | 2019-05-28 | 哈尔滨理工大学 | 一种基于深度学习的脑瘤医学图像分割方法 |
CN112634581A (zh) * | 2020-12-14 | 2021-04-09 | 珠海格力电器股份有限公司 | 坠物危险的提示方法、系统和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070036439A1 (en) * | 2005-03-31 | 2007-02-15 | Lockheed Martin Corporation | Unresolved target detection improvement by use of multiple matched filters approach at different spatial phases |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
-
2011
- 2011-12-30 CN CN201110458054.9A patent/CN102542570B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070036439A1 (en) * | 2005-03-31 | 2007-02-15 | Lockheed Martin Corporation | Unresolved target detection improvement by use of multiple matched filters approach at different spatial phases |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
Non-Patent Citations (1)
Title |
---|
曹广真等: "基于纹理特征的拉普拉斯金字塔形微波遥感图像融合", 《遥感技术与应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279960A (zh) * | 2013-06-18 | 2013-09-04 | 天津大学 | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 |
CN103279960B (zh) * | 2013-06-18 | 2016-08-31 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 |
CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
CN103955940B (zh) * | 2014-05-16 | 2018-01-16 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
CN105513035A (zh) * | 2014-09-22 | 2016-04-20 | 北京计算机技术及应用研究所 | 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 |
CN105513035B (zh) * | 2014-09-22 | 2018-12-04 | 北京计算机技术及应用研究所 | 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 |
CN104820987A (zh) * | 2015-04-30 | 2015-08-05 | 中国电子科技集团公司第四十一研究所 | 一种基于光学图像及微波图像检测目标散射性能缺陷的方法 |
CN104820987B (zh) * | 2015-04-30 | 2017-11-17 | 中国电子科技集团公司第四十一研究所 | 一种基于光学图像及微波图像检测目标散射性能缺陷的方法 |
WO2017193876A1 (zh) * | 2016-05-12 | 2017-11-16 | 深圳市太赫兹科技创新研究院 | 微波图像中人体隐藏危险物体的检测方法和装置 |
CN106023166A (zh) * | 2016-05-12 | 2016-10-12 | 深圳市太赫兹科技创新研究院 | 微波图像中人体隐藏危险物体的检测方法和装置 |
US10706552B2 (en) | 2016-05-12 | 2020-07-07 | Shenzhen Cct Thz Technology Co., Ltd. | Method and device for detecting concealed objects in microwave images |
CN106326834A (zh) * | 2016-07-29 | 2017-01-11 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
CN106326834B (zh) * | 2016-07-29 | 2019-12-10 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
CN106226836A (zh) * | 2016-08-29 | 2016-12-14 | 北京农业信息技术研究中心 | 基于太赫兹技术的畜禽体内芯片获取装置及方法 |
CN109799544A (zh) * | 2018-12-28 | 2019-05-24 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
CN109799544B (zh) * | 2018-12-28 | 2021-03-19 | 深圳市重投华讯太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
CN109816657A (zh) * | 2019-03-03 | 2019-05-28 | 哈尔滨理工大学 | 一种基于深度学习的脑瘤医学图像分割方法 |
CN112634581A (zh) * | 2020-12-14 | 2021-04-09 | 珠海格力电器股份有限公司 | 坠物危险的提示方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102542570B (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542570B (zh) | 一种微波图像中人体隐藏危险物体自动检测方法 | |
CN102565794B (zh) | 一种人体隐藏危险物体自动检测微波安检系统 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Chen et al. | Coastline information extraction based on the tasseled cap transformation of Landsat-8 OLI images | |
Sahebjalal et al. | Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods | |
CN103679728B (zh) | 一种复杂地形的sar图像的水域自动分割方法及装置 | |
Miao et al. | Road centerline extraction from high-resolution imagery based on shape features and multivariate adaptive regression splines | |
Chen et al. | Forested landslide detection using LiDAR data and the random forest algorithm: A case study of the Three Gorges, China | |
CN101650439B (zh) | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 | |
Witharana et al. | Evaluation of pansharpening algorithms in support of earth observation based rapid-mapping workflows | |
CN101950364A (zh) | 基于邻域相似度和阈值分割的遥感图像变化检测方法 | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
Chirici et al. | Large-scale monitoring of coppice forest clearcuts by multitemporal very high resolution satellite imagery. A case study from central Italy | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN103198482B (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
Wang et al. | Extraction of earthquake-induced collapsed buildings using very high-resolution imagery and airborne lidar data | |
US10706552B2 (en) | Method and device for detecting concealed objects in microwave images | |
Gueguen et al. | A new built-up presence index based on density of corners |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190904 Address after: 100013 Beijing City, Dongcheng District Hepingli No. 3 South Street Patentee after: Beijing Huahang Haiying New Technology Development Co.,Ltd. Address before: 100013 Beijing City, Dongcheng District Hepingli No. 3 South Street Patentee before: Beijing Huahang Radio Measurement Research Institute |
|
TR01 | Transfer of patent right |