CN103065130B - 一种三维模糊空间目标识别方法 - Google Patents
一种三维模糊空间目标识别方法 Download PDFInfo
- Publication number
- CN103065130B CN103065130B CN201210594903.8A CN201210594903A CN103065130B CN 103065130 B CN103065130 B CN 103065130B CN 201210594903 A CN201210594903 A CN 201210594903A CN 103065130 B CN103065130 B CN 103065130B
- Authority
- CN
- China
- Prior art keywords
- target
- fuzzy
- bending moment
- template
- identified
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种三维模糊空间目标识别方法,属于数字图像模式识别领域,目的在于当图像出现高斯散焦模糊情况时能够精确地识别出目标的类别。本发明包括获取模板目标多视点特性视图步骤、建立模板目标模糊不变矩库步骤、归一化处理步骤、计算待识别目标模糊不变矩步骤、归一化待识别目标模糊不变矩步骤和目标识别步骤。本发明利用三维模板目标模型建立模板目标模糊不变矩库;将待识别目标图像的模糊不变矩与模板目标模糊不变矩库作比较,识别出目标的类别;处理过程对数据归一化,可有效均衡各特征量对识别结果的影响,进一步提高目标识别率;算法实现简单、运算量小、鲁棒性好,在成像目标出现较大高斯模糊条件下也能获得较高的识别率。
Description
技术领域
本发明属于航天技术与模式识别交叉领域,具体涉及一种三维模糊空间目标识别方法。
背景技术
空间目标由于成像距离遥远以及大气湍流模糊的影响,在焦平面上的成像容易出现模糊不清的现象。当成像目标模糊不清时,使用传统的基于几何特征或形状特征的识别算法识别率往往会随着目标的模糊程度增加而迅速下降。由于空间目标在三维空间中姿态的多样性,在焦平面上的投影形状差异较大,这进一步加剧了三维空间目标识别的难度。空间目标湍流模糊一般可用高斯卷积模糊近似。因此,识别算法为了能在湍流模糊成像条件下获得较高识别率,有必要专门研究目标在高斯卷积模糊条件下仍保持不变或基本稳定的特征量用于构建高效的模糊空间目标识别算法。
国内外学者对这类模糊成像目标识别进行了详细的研究,并且取得了一定的理论和实际意义。如,李元祥、许鹏、敬忠良、魏宪的“空间目标序列图像识别技术”,见《哈尔滨工业大学学报》,2009年11期;马君国、赵宏钟、李保国的“基于结构特征的空间目标识别算法”,见《现代雷达》,2005年第7期;ChristopherM.Cyr、BenjaminB.Kimia“3Dobjectrecognitionusingshapesimiliarity-basedaspectgraph”,ComputerVision,2001.ICCV2001.Proceedings.EighthIEEEInternationalConferenceon.
上述研究成果都对这类特殊的问题提出了自己的解决方案,各个方案具有自己的算法特点。但是算法都存在计算复杂、运算量大、识别率低等问题。
发明内容
本发明提供一种三维模糊空间目标识别方法,解决现有方法计算复杂、运算量大、识别率低的问题,当空间目标图像出现湍流模糊时,能精确地识别出目标类型。
本发明所提供的一种三维模糊空间目标识别方法,包括下述步骤:
(1)获取模板目标多视点特性视图步骤:
按俯仰角α每隔10°、偏航角β每隔10°将高斯观测球划分为703个二维平面,α=-90°~90°,β=-180°~180°;
将各三维模板目标OT置于高斯观测球球心,从球心将各三维模板目标OT分别向703个二维平面进行正投影,共得到N个三维模板目标的多视点的N×703个特性视图Fi;各特性视图Fi为宽度m、高度n的像素矩阵,fi(x,y)为Fi的点(x,y)处像素灰度值,1≤横坐标x≤m,1≤纵坐标y≤n,i=1、2、…、K,K=N×703,T=1、2、…、N,N为三维模板目标的个数;
(2)建立模板目标模糊不变矩库步骤,包括下述子步骤:
(2.1)计算各特性视图Fi的重心横坐标xi0、纵坐标yi0:
其中,p+q阶原点矩Mi(p,q):
式中,Di为特性视图Fi成像区域;p=0、1,q=0、1;
(2.2)计算各特性视图Fi的p+q阶中心矩μi(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.3)计算各特性视图Fi的p+q阶标准化中心矩Ii(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.4)计算各特性视图Fi的模糊不变矩{Ci,1,Ci,2,…,Ci,8}:
Ci,1=[Ii(2,0)-Ii(0,2)]2+4Ii(1,1)2
Ci,2=[Ii(3,0)-3Ii(1,2)]2+[3Ii(2,1)-Ii(0,3)]2
Ci,3=[Ii(3,0)+Ii(1,2)]2+[Ii(0,3)+Ii(2,1)]2
Ci,4=[Ii(3,0)-3Ii(1,2)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(0,3)+Ii(2,1)]×{[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,5=[Ii(2,0)-Ii(0,2)]×{[Ii(3,0)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}+4Ii(1,1)×[Ii(3,0)+Ii(1,2)]×[Ii(2,1)+Ii(0,3)]
Ci,6=[3Ii(2,1)-Ii(0,3)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(2,1)+Ii(0,3)]×{3[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,7=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2+16{3[Ii(3,1)-Ii(1,3)]2}
Ci,8=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2×{[Ii(2,0)-Ii(0,2)]2-Ii(1,1)2}+16Ii(1,1)×[Ii(3,1)-Ii(1,3)]×[Ii(2,0)-Ii(0,2)];
(2.5)构建模板目标模糊不变矩库MF:
式中,第i行{Ci,1,Ci,2,…,Ci,8},表示第i帧特征视图Fi的模糊不变矩;
(3)归一化处理步骤:
对于模板目标模糊不变矩库MF进行归一化处理,得到模板目标归一化模糊不变矩库SMF:
式中,i=1、2、…、K,j=1、2、…、8;
符号||V||表示变量V的绝对值,max(V)表示取变量V的最大值;
(4)计算待识别目标模糊不变矩步骤:
将待识别目标的图像g(x,y)代替fi(x,y),进行子步骤(2.1)~(2.4),得到待识别目标模糊不变矩{GC1,GC2,…,GC8};
(5)归一化待识别目标模糊不变矩步骤:
对待识别目标模糊不变矩{GC1,GC2,…,GC8}进行归一化处理,得到待识别目标归一化模糊不变矩{SGC1,SGC2,…,SGC8}:
i=1、2、…、K,j=1、2、…、8;
(6)目标识别步骤,包括下述子步骤:
(6.1)遍历整个模板目标归一化模糊不变矩库SMF,计算待识别目标归一化模糊不变矩{SGC1,SGC2,…,SGC8}与SMF中各行向量之间的欧氏距离D1、…、DK;
(6.2)从各欧氏距离D1、…、DK中选取最小值DS,将待识别目标归类为DS对应的行向量所代表的特征视图所属三维模板目标。
本发明通过空间目标三维模型获取模版目标多视点特性视图,建立模板目标模糊不变矩库用于三维模糊空间目标识别,算法实现简单、运算量小;本发明步骤(1)~步骤(3)为训练阶段,利用三维模板目标模型获取目标多视点特性视图,提取标准特性视图模糊不变矩序列,进而建立模板目标模糊不变矩库;步骤(4)~步骤(6)为识别阶段,计算待识别目标图像的模糊不变矩,并与模板目标模糊不变矩库作比较,进而识别出目标的类别;步骤(3)、步骤(5)对数据归一化,可有效均衡各特征量对识别结果的影响,进一步提高目标识别率;算法鲁棒性好,在成像目标出现较大高斯模糊条件下也能获得较高的识别率,可用于地基望远镜湍流模糊退化图像识别或其它高斯模糊成像条件下的目标识别系统。
附图说明
图1为本发明流程示意图;
图2为高斯观测球示意图;
图3(a)为三维模板目标ALOS卫星示意图;
图3(b)为三维模板目标HELIO1B卫星示意图;
图3(c)为三维模板目标HUBBLE卫星示意图;
图3(d)为三维模板目标LARCROSSE3卫星示意图;
图3(e)为三维模板目标Metop-A卫星示意图;
图3(f)为三维模板目标n_sat_110卫星示意图;
图3(g)为三维模板目标Oceansat卫星示意图;
图3(h)为三维模板目标OKEAN-1卫星示意图;
图3(i)为三维模板目标orbcomm_g卫星示意图;
图3(j)为三维模板目标orbcomm_ql卫星示意图;
图3(k)为三维模板目标QGQ卫星示意图;
图3(l)为三维模板目标QUICKBIRD卫星示意图;
图3(m)为三维模板目标RazakSAT卫星示意图;
图3(n)为三维模板目标RESURSDK卫星示意图;
图3(o)为三维模板目标Rosetta卫星示意图;
图3(p)为三维模板目标Koronas-Foton卫星示意图;
图3(q)为三维模板目标WINDS卫星示意图;
图3(r)为三维模板目标WorldView-2卫星示意图;
图3(s)为三维模板目标Remote-Sensing卫星示意图;
图3(t)为三维模板目标MOLNIYA-1卫星示意图;
图4为建立模板目标模糊不变矩库步骤流程示意图;
图5(a)~图5(t)为图3(a)~图3(t)所对应的模板目标被均值为0、方差为5的高斯函数模糊后的测试样本示意图;
具体实施方式
以下结合附图和实施例对本发明进一步说明。
如图1所示,本发明的实施例,包括:获取模板目标多视点特性视图步骤、建立模板目标模糊不变矩库步骤、归一化处理步骤、计算待识别目标模糊不变矩步骤、归一化待识别目标模糊不变矩步骤和目标识别步骤;
(1)获取模板目标多视点特性视图步骤:
如图2所示,按俯仰角α每隔10°、偏航角β每隔10°将高斯观测球划分为703个二维平面,α=-90°~90°,β=-180°~180°;
本发明以20类仿真卫星作为模板目标,如图3(a)~图3(t)所示,将各三维模板目标OT置于高斯观测球球心,从球心将各三维模板目标OT分别向703个二维平面进行正投影,共得到N个三维模板目标的多视点的N×703个特性视图Fi;各特性视图Fi为宽度m、高度n的像素矩阵,fi(x,y)为Fi的点(x,y)处像素灰度值,1≤横坐标x≤m,1≤纵坐标y≤n,i=1、2、…、K,K=N×703,T=1、2、…、N,N为三维模板目标的个数;
(2)如图4所示,建立模板目标模糊不变矩库步骤,包括下述子步骤:
(2.1)计算各特性视图Fi的重心横坐标xi0、纵坐标yi0:
其中,p+q阶原点矩Mi(p,q):
式中,Di为特性视图Fi成像区域;p=0、1,q=0、1;
(2.2)计算各特性视图Fi的p+q阶中心矩μi(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.3)计算各特性视图Fi的p+q阶标准化中心矩Ii(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.4)计算各特性视图Fi的模糊不变矩{Ci,1,Ci,2,…,Ci,8}:
Ci,1=[Ii(2,0)-Ii(0,2)]2+4Ii(1,1)2
Ci,2=[Ii(3,0)-3Ii(1,2)]2+[3Ii(2,1)-Ii(0,3)]2
Ci,3=[Ii(3,0)+Ii(1,2)]2+[Ii(0,3)+Ii(2,1)]2
Ci,4=[Ii(3,0)-3Ii(1,2)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(0,3)+Ii(2,1)]×{[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,5=[Ii(2,0)-Ii(0,2)]×{[Ii(3,0)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}+,4Ii(1,1)×[Ii(3,0)+Ii(1,2)]×[Ii(2,1)+Ii(0,3)]
Ci,6=[3Ii(2,1)-Ii(0,3)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(2,1)+Ii(0,3)]×{3[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,7=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2+16{3[Ii(3,1)-Ii(1,3)]2}
Ci,8=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2×{[Ii(2,0)-Ii(0,2)]2-Ii(1,1)2}+16Ii(1,1)×[Ii(3,1)-Ii(1,3)]×[Ii(2,0)-Ii(0,2)]
(2.5)构建模板目标模糊不变矩库MF:
式中,第i行{Ci,1,Ci,2,…,Ci,8},表示第i帧特征视图Fi的模糊不变矩;
(3)归一化处理步骤:
对于模板目标模糊不变矩库MF进行归一化处理,得到模板目标归一化模糊不变矩库SMF:
式中,i=1、2、…、K,j=1、2、…、8;
符号||V||表示变量V的绝对值,max(V)表示取变量V的最大值;
(4)计算待识别目标模糊不变矩步骤:
将待识别目标的图像gi(x,y)代替fi(x,y),进行子步骤(2.1)~(2.4),得到待识别目标模糊不变矩{GC1,GC2,…,GC8};
本实施例对如图3(a)~图3(t)的模板目标图像fi(x,y)进行了不同程度的高斯模糊,得到如图5(a)~图5(t)所示的高斯模糊图像gi(x,y):
式中,符号为卷积运算,为二维高斯函数,σ为高斯函数标准差;
每种类型的高斯模糊图像有703帧,从703帧高斯模糊图像中各选用150帧图像作为待识别目标图像gi(x,y);
(5)归一化待识别目标模糊不变矩步骤:
对待识别目标模糊不变矩{GC1,GC2,…,GC8}进行归一化处理,得到待识别目标归一化模糊不变矩{SGC1,SGC2,…,SGC8}:
i=1、2、…、K,j=1、2、…、8;
(6)目标识别步骤,包括下述子步骤:
(6.1)遍历整个模板目标归一化模糊不变矩库SMF,计算待识别目标归一化模糊不变矩{SGC1,SGC2,…,SGC8}与SMF中各行向量之间的欧式距离D1、…、DK;
(6.2)从各欧式距离D1、…、DK中选取最小值DS,将待识别目标归类为DS对应的行向量所代表的特征视图所属三维模板目标。
每一类目标识别率为正确识别出的特性视图数量除以150得到;20类卫星识别率如表1所示。
表1
Claims (1)
1.一种三维模糊空间目标识别方法,包括下述步骤:
(1)获取模板目标多视点特性视图步骤:
按俯仰角α每隔10°、偏航角β每隔10°将高斯观测球划分为703个二维平面,α=-90°~90°,β=-180°~180°;
将各三维模板目标OT置于高斯观测球球心,从球心将各三维模板目标OT分别向703个二维平面进行正投影,共得到N个三维模板目标的多视点的N×703个特性视图Fi;各特性视图Fi为宽度m、高度n的像素矩阵,fi(x,y)为Fi的点(x,y)处像素灰度值,1≤横坐标x≤m,1≤纵坐标y≤n,i=1、2、…、K,K=N×703,T=1、2、…、N,N为三维模板目标的个数;
(2)建立模板目标模糊不变矩库步骤,包括下述子步骤:
(2.1)计算各特性视图Fi的重心横坐标xi0、纵坐标yi0:
其中,p+q阶原点矩Mi(p,q):
式中,Di为特性视图Fi成像区域;p=0、1,q=0、1;
(2.2)计算各特性视图Fi的p+q阶中心矩μi(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.3)计算各特性视图Fi的p+q阶标准化中心矩Ii(p,q):
p=0、1、2、3、4,q=0、1、2、3、4;
(2.4)计算各特性视图Fi的模糊不变矩{Ci,1,Ci,2,···,Ci,8}:
Ci,1=[Ii(2,0)-Ii(0,2)]2+4Ii(1,1)2
Ci,2=[Ii(3,0)-3Ii(1,2)]2+[3Ii(2,1)-Ii(0,3)]2
Ci,3=[Ii(3,0)+Ii(1,2)]2+[Ii(0,3)+Ii(2,1)]2
Ci,4=[Ii(3,0)-3Ii(1,2)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(0,3)+Ii(2,1)]×{[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,5=[Ii(2,0)-Ii(0,2)]×{[Ii(3,0)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}+4Ii(1,1)×[Ii(3,0)+Ii(1,2)]×[Ii(2,1)+Ii(0,3)]
Ci,6=[3Ii(2,1)-Ii(0,3)]×[Ii(3,0)+Ii(1,2)]×{[Ii(3,0)+Ii(1,2)]2-3[Ii(0,3)+Ii(2,1)]2}+[3Ii(2,1)-Ii(0,3)]×[Ii(2,1)+Ii(0,3)]×{3[Ii(0,3)+Ii(1,2)]2-[Ii(0,3)+Ii(2,1)]2}
Ci,7=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2+16{3[Ii(3,1)-Ii(1,3)]2}
Ci,8=[Ii(0,4)+Ii(4,0)-6Ii(2,2)]2×{[Ii(2,0)-Ii(0,2)]2-Ii(1,1)2}+16Ii(1,1)×[Ii(3,1)-Ii(1,3)]×[Ii(2,0)-Ii(0,2)];
(2.5)构建模板目标模糊不变矩库MF:
式中,第i行{Ci,1,Ci,2,…,Ci,8},表示第i帧特征视图Fi的模糊不变矩;
(3)归一化处理步骤:
对于模板目标模糊不变矩库MF进行归一化处理,得到模板目标归一化模糊不变矩库SMF:
式中,i=1、2、…、K,j=1、2、…、8;
符号||V||表示变量V的绝对值,max(V)表示取变量V的最大值;
(4)计算待识别目标模糊不变矩步骤:
将待识别目标的图像g(x,y)代替fi(x,y),进行子步骤(2.1)~(2.4),得到待识别目标模糊不变矩{GC1,GC2,···,GC8};
(5)归一化待识别目标模糊不变矩步骤:
对待识别目标模糊不变矩{GC1,GC2,···,GC8}进行归一化处理,得到待识别目标归一化模糊不变矩{SGC1,SGC2,···,SGC8}:
i=1、2、…、K,j=1、2、…、8;
(6)目标识别步骤,包括下述子步骤:
(6.1)遍历整个模板目标归一化模糊不变矩库SMF,计算待识别目标归一化模糊不变矩{SGC1,SGC2,···,SGC8}与SMF中各行向量之间的欧氏距离D1、…、DK;
(6.2)从各欧氏距离D1、…、DK中选取最小值DS,将待识别目标归类为DS对应的行向量所代表的特征视图所属三维模板目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210594903.8A CN103065130B (zh) | 2012-12-31 | 2012-12-31 | 一种三维模糊空间目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210594903.8A CN103065130B (zh) | 2012-12-31 | 2012-12-31 | 一种三维模糊空间目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103065130A CN103065130A (zh) | 2013-04-24 |
CN103065130B true CN103065130B (zh) | 2015-12-09 |
Family
ID=48107753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210594903.8A Active CN103065130B (zh) | 2012-12-31 | 2012-12-31 | 一种三维模糊空间目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065130B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020250348A1 (ja) * | 2019-06-12 | 2020-12-17 | オムロン株式会社 | 物体認識装置及び物体認識方法 |
CN110889353B (zh) * | 2019-11-19 | 2023-04-07 | 中国科学院国家天文台长春人造卫星观测站 | 基于主焦点大视场光电望远镜的空间目标识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1341401A (zh) * | 2001-10-19 | 2002-03-27 | 清华大学 | 基于部件主分量分析的多模式人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5106220B2 (ja) * | 2008-04-10 | 2012-12-26 | キヤノン株式会社 | 原版データ生成プログラム、原版データ生成方法、照明条件決定プログラム、照明条件決定方法およびデバイス製造方法 |
-
2012
- 2012-12-31 CN CN201210594903.8A patent/CN103065130B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1341401A (zh) * | 2001-10-19 | 2002-03-27 | 清华大学 | 基于部件主分量分析的多模式人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
Christopher M. Cyr等.3D Object Recognition Using Shape Similiarity-Based Aspect Graph.《Proceedings Eighth IEEE International Conference on Computer Vision ICCV 2001》.2001,第254-261页. * |
空间目标序列图像识别技术;李元祥等;《哈尔滨工业大学学报》;20091130;第41卷(第11期);第115-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103065130A (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103075998B (zh) | 一种单目空间目标测距测角方法 | |
CN102607526B (zh) | 双介质下基于双目视觉的目标姿态测量方法 | |
CN107679537B (zh) | 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法 | |
CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
CN106960442A (zh) | 基于单目红外的夜间机器人视觉大视场三维构建方法 | |
CN110795982A (zh) | 一种基于人体姿态分析的表观视线估计方法 | |
CN111260539B (zh) | 鱼眼图目标识别方法及其系统 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN103813099A (zh) | 一种基于特征点匹配的视频防抖方法 | |
CN106570460A (zh) | 一种基于深度值的单幅图像人脸姿态估计方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
Zou et al. | Microarray camera image segmentation with Faster-RCNN | |
CN111932615B (zh) | 一种偏振测距方法、装置及可读存储介质 | |
CN114372992A (zh) | 一种基于动平台的边缘角点检测四目视觉算法 | |
CN106815817A (zh) | 一种改进的高光谱图像去噪方法 | |
CN103065130B (zh) | 一种三维模糊空间目标识别方法 | |
CN104200476A (zh) | 利用双平面镜装置中的圆周运动求解摄像机内参数的方法 | |
CN108320310A (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
CN103577825B (zh) | 合成孔径声纳图像的目标自动识别方法以及自动识别系统 | |
CN117557780A (zh) | 一种机载多模态学习的目标检测算法 | |
CN114119652A (zh) | 用于三维重构的方法和装置以及电子设备 | |
CN104809720A (zh) | 基于小交叉视场的两相机目标关联方法 | |
Nie et al. | LFC-SSD: Multiscale aircraft detection based on local feature correlation | |
CN115393196B (zh) | 一种无人机面阵摆扫的红外多序列影像无缝拼接方法 |
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 |