CN103544505B - 面向无人机航拍图像的船只识别系统及方法 - Google Patents
面向无人机航拍图像的船只识别系统及方法 Download PDFInfo
- Publication number
- CN103544505B CN103544505B CN201310331573.8A CN201310331573A CN103544505B CN 103544505 B CN103544505 B CN 103544505B CN 201310331573 A CN201310331573 A CN 201310331573A CN 103544505 B CN103544505 B CN 103544505B
- Authority
- CN
- China
- Prior art keywords
- background
- prime
- sea
- image
- template
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种面向无人机航拍图像的船只识别系统及方法,该系统包括海面航拍图像数据库、海面模板选择模块、背景Trimap模型自动获取模块和基于背景模型的Grabcut算法模块,构建海面模板库,构建图像特征值,使用投票法进行模板选择;设计一个模板匹配的方法,使得到的种子点可以生长出优质背景,通过模板信息获得距离阈值参数,进行区域生长,根据背景mask图生成背景Trimap;使用Trimap初始化grabcut算法的背景模型,找出可以得到最好效果的最少迭代次数。本发明可以实现对船只的更精确、自动识别,当用户提供分离了陆地与海面的图像时,便可迅速得到该方法的处理结果,得到船只识别的结果。
Description
技术领域
本发明涉及航拍图像识别技术,特别是涉及一种无人机航拍图像的船只识别方法。
背景技术
随着无人机在海洋、林业、自然资源监管等领域的应用,使用无人机进行船只定位及渔业活动监管不仅可以降低人力成本、完成高复杂度任务,而且还可以提高监管的实时性及可操控性。无人机根据任务不同,可以挂载合成孔径雷达系统、高分辨率光学相机等不同航摄系统。与卫星遥感影像相比,无人机航摄影像有如下优势:时相性好,分辨率高,清晰度高,立体相对切重叠度大,自主性强并且可以量测。
但是,无人机航行一次获取的图像数量多、图像数据量大且分辨率高,人工或半监督式图像处理方法不再适用。因此,工业图像中海面目标自动化识别变得十分重要。而自动化处理往往会损耗识别精度,如何在保证精度的前提下实现航拍图像目标识别及定位已经成为实际需求中的首要问题。
海面目标的识别问题也可以被看作海面前景、背景的分离问题,而海面的背景随着航摄时的自然条件如光照、天气、风速等因素差别很大。因此,使用一个通用的背景模型进行高精度自动目标识别解决了实际目标识别中的瓶颈问题,该方法为广大航拍图像后期处理用户提供了更加精准自动的搜索体验。
发明内容
针对上述现有问题,本发明提供一种面向无人机航拍图像的船只识别系统及方法,实现无人机航拍图像中海面目标的检测及精确定位,设计并提出了一个通用背景模型Grabcut算法,实现海面背景和目标的自动分割,通过该方法实现对无人机航拍图像中海面船只的智能搜索以及精确识别。
本发明提出一种面向无人机航拍图像的船只识别系统,其特征在于,该系统包括海面航拍图像数据库、海面模板选择模块、背景Trimap模型自动获取模块和基于背景模型的Grabcut算法模块,其中:
海面模板选择模块,根据用户提供的目标图像,从模板库中选择能反应此海面信息的模板,该模块的具体处理包括:
构建海面模板库,
随机抽取待分割图像中50个像素点,此分割图像即为无人机航拍高分辨率图像,分割处理的具体做法包括:分离陆地及海面,并计算其特征值:
M(x)=αG(x)+βV(x)+(1-α-βH(x) (1)
其中,M(x)是特征图像的特征值,0≤α,β≤1且α+β=1,α,β为权重变量,G(x)是图像的灰度均值、V(x)是亮度均值以及H(x是色调均值,此处α=β=1/3;
计算样本特征与模板库内模板特征之间的欧式距离:
其中,模板库Y=(y1,...,yn,...,y1000)有1000样本,yn是样本库中第n个样本,表示特征图像与模板之间的差异值;
使用投票法进行模板选择,其中,公式(2)中为投票法的具体实现;构造计数器对模板特征值进行统计,将数目最多的特征值作为样本图像的特征值,并反向找到特征值对应的模板图像;
背景Trimap模型自动获取模块,利用海面模板得到海面种子点,利用种子进行区域生长并得到优质的背景区域,生成背景Trimap,该模块的具体处理包括:
首先使用SSD模板匹配算法,即采用平方差方法进行匹配,最小匹配值的点即为目标图像中匹配得到的海面种子点;
其中,T(x,y)是海面模板I(x,y)是目标图像中跟T大小相同的区域;其中x'∈(0,w-1),y'∈(0,h-1);w是T的宽度,h是T的高度;
使用海面种子点进行邻域生长算法,结合模板距离阈值参数,进行生长优质背景,邻域生长算法的具体处理包括:输入种子点坐标;创建邻接列表;如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值;以种子点为中心,遍历其周围四个像素,如果该相邻像素在分割区内但不是该区域一部分,将其加入分割区域;将像素强度最接近平均值的像素加入到该区域,标记后,从邻接表中去除此像素;输出背景标记图;
转换背景mask图为Trimap图,设图像z=(z1,...,zn,...,zN),若
其中zn(·)表示zn处第·维的值;
本模块中使用的平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值,优质种子即以此点为种子识别出背景像素占总背景区域90%以上,使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景;由此生成的Trimap图;
基于背景模型的Grabcut算法模块,利用背景Trimap进行海面背景与目标前景进行分割,也即分离出前景船只,实现对海面的精确分离,具体包括船只识别模块和经纬度信息标注模块,该模块的具体处理包括:
使用Trimap初始化grabcut算法的背景模型,即使用Trimap图像作为模型的输入;
使用grabcut算法对海面背景进行进一步的经纬度信息标注,通过迭代过程,找到最小迭代次数,具体处理包括:
输入背景Trimap,其中背景值为0、可能的前景值为3;计算机通过Trimap建立初始的图像分割,将TrimapBackground中的像素分配到MattingBackground类,将TrimapPossibleForeground中的像素分配到MattingForeground类;其中k∈(1,...,K},K为GMM模型前景背景组件个数
k:=minkDn(m) (5);
利用初始分割获取高斯混合模型(GMMs)参数;像素m和n之间的N-Links权重为:
其中Alpha的值为先验参数;
像素m的T-Links权重为:
θ:=argminU(α,k,θ,z) (8);
经过计算,构建出新的GMMs;
计算Gibbs能量方程E(α,k,θ,z)的最小值,得到最小分割,其中:
E(m,n)=U(m)+N(m,n) (9)
其中,U(m)=ΣkD(m),是颜色高斯混合模型的数据项;
应用border matting对图片边缘进行处理;
输出结果图像。
本发明还提出了一种面向无人机航拍图像的船只识别方法,该方法包括以下步骤:
步骤一、构建海面模板库,随机抽取待分割图像中50个像素点,此分割图像即为无人机航拍高分辨率图像,分割处理的具体做法包括:分离陆地及海面,并计算其特征值:
M(x)=αG(x)+βV(x)+(1-α-βH(x) (1)
其中,M(x)是特征图像的特征值,0≤α,β≤1且α+β=1,α,β为权重变量,G(x)是图像的灰度均值、V(x)是亮度均值以及H(x)是色调均值,此处α=β=1/3;
计算样本特征与模板库内模板特征之间的欧式距离:
其中,模板库Y=(y1,...,yn,...,y1000)有1000样本,yn是样本库中第n个样本,表示特征图像与模板之间的差异值;
使用投票法进行模板选择,其中,公式(2)中为投票法的具体实现;构造计数器对模板特征值进行统计,将数目最多的特征值作为样本图像的特征值,并反向找到特征值对应的模板图像;
步骤二、首先使用SSD模板匹配算法,即采用平方差方法进行匹配,最小匹配值的点即为目标图像中匹配得到的海面种子点;
其中,T(x,y)是海面模板,I(x,y)是目标图像中跟T大小相同的区域,其中x'∈(0,w-1),y'∈(0,h-1,w是T的宽度,h是T的高度;
使用海面种子点进行邻域生长算法,结合模板距离阈值参数,进行生长优质背景,邻域生长算法的具体处理包括:输入种子点坐标;创建邻接列表;如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值;以种子点为中心,遍历其周围四个像素,如果该相邻像素在分割区内但不是该区域一部分,将其加入分割区域;将像素强度最接近平均值的像素加入到该区域,标记后,从邻接表中去除此像素;输出背景标记图;
转换背景mask图为Trimap图,设图像z=(z1,…,zn,…,zN),若
其中zn(·)表示zn处第·维的值;
平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值,优质种子即以此点为种子识别出背景像素占总背景区域90%以上,使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景;由此生成的Trimap图;
步骤三、使用Trimap初始化grabcut算法的背景模型,即使用Trimap图像作为模型的输入;使用grabcut算法对海面背景进行进一步的经纬度信息标注,通过迭代过程,找到最小迭代次数,具体处理包括:
输入背景Trimap,其中背景值为0、可能的前景值为3;计算机通过Trimap建立初始的图像分割,将TrimapBackground中的像素分配到MattingBackground类,将TrimapPossibleForeground中的像素分配到MattingForeground类;其中k∈{1,…,K},K为GMM模型前景背景组件个数
k:=minkDn(m) (5);
利用初始分割获取高斯混合模型(GMMs)参数;像素m和n之间的N-Links权重为:
其中Alpha的值为先验参数;
像素m的T-Links权重为:
θ:=argminU(α,k,θ,z) (8);
经过计算,构建出新的GMMs;
计算Gibbs能量方程E(α,k,θ,z)的最小值,得到最小分割。其中:
E(m,n)=U(m)+N(m,n) (9)
其中,U(m)=ΣkD(m),是颜色高斯混合模型的数据项;
应用border matting对图片边缘进行处理;
输出结果图像。
与现有技术相比,使用本发明可以让有船只搜索需求的用户获得更精确、自动识别的用户体验,当用户提供分离了陆地与海面的图像时,便可迅速得到该方法的处理结果,得到船只识别的结果。
附图说明
图1为本发明所提出的无人机航拍图像船只自动识别模型的系统流程图;
图2为本发明所提出的无人机航拍图像船只自动识别模型的系统框架结构图;
图3为本发明所提出的无人机航拍图像船只自动识别模型的海面模板库;
图4为本发明所提出的无人机航拍图像船只自动识别模型的背景Trimap;
图5为本发明所提出的无人机航拍图像船只自动识别模型的海面模板选择模块的详细流程图;
图6为本发明所提出的无人机航拍图像船只自动识别模型的整个背景Trimap模型自动获取的详细流程图;
图7为本发明所提出的无人机航拍图像船只自动识别模型的基于背景模型的Grabcut算法详细流程图;
图8为本发明所提出的无人机航拍图像船只自动识别模型的船只识别结果例图;
图9为本发明所提出的无人机航拍图像船只自动识别模型的船只经纬度信息标注例图。
具体实施方式
本发明在构建了海面模板库的前提下,对获取的待识别图像,会自动匹配得到优质海面模板,得到海面种子点,并以此点为中心,进行海面生长,生成的Trimap初始化grabcut算法,得到最终的分割结果。如果结合图像自身的经纬度信息,还可以进行经纬度信息的计算及标定。
下面结合附图和实施例详细说明本发明的技术方案。
本发明的面向无人机航拍图像的船只识别系统的具体实施流程图如图1所示。启动自定义的任务流程,从用户处收集待识别的图像,操作系统的环境设置例如包括设置工作流变量、设置当前项目中的域以及目录文件路径设定和结果存放路径设定,设置内容审批状态,过程中暂停,进行数据处理:包括图像预处理、去雾等,人工海岸分离、金字塔分层、船只检测以及计算经纬度信息等,是否所有待识别图片均已处理,如否,继续船只检测;如是,在google Earth上标注船只识别结果;当前自定义的任务流程结束。
本发明的系统模块图如图2所示。
一、海面模板选择模块
本模块的详细流程图如图5所示,本模块的处理包括以下步骤:
1、创建海面模板库,其中包括不同的海域、季节、天气等自然条件下的海面模板图像,大小为53×39(像素),本实施例为共1000个模板;
2、随机抽取待分割图像中50个像素点,此分割图像即为无人机航拍高分辨率图像,分割处理的具体做法包括:分离陆地及海面,其图像格式为由kmz格式解压后的jpg图像,组成10*5(像素)的特征图像,并计算其特征值,如公式(1):
M(x)=αG(x)+βV(x)+(1-α-β)H(x) (1)
其中,M(x)是特征图像的特征值,0≤α,β≤1且α+β=1,α,β为权重变量,G(x)是图像的灰度均值、V(x)是亮度均值以及H(x)是色调均值,此处α=β=1/3;
3、计算样本特征与模板库内模板特征之间的欧式距离,如公式(2):
其中,模板库Y=(y1,...,yn,...,y1000)有1000样本,yn是样本库中第n个样本,表示特征图像与模板之间的差异值;
4、使用投票法进行模板选择,其中,公式(2)中为投票法的具体实现;其原理为构造计数器对模板特征值进行统计,将数目最多的特征值作为样本图像的特征值,并反向找到特征值对应的模板图像。
模板选择在创建模板库后进行,得到的模板不经过任何处理,直接作为背景Trimap模型自动获取模块的输入。
本模块主要涉及模板库建立、特征值计算以及模板选择。这是很关键的一个过程,否则将不能得到很好的海面种子点。
二、背景Trimap模型自动获取模块
本模块的详细流程图如图6所示,包括以下步骤:
1、首先使用SSD模板匹配算法,即采用平方差方法进行匹配,最好的匹配值为0,匹配越差,匹配值越大。最小值的点即为目标图像中匹配得到的海面种子点;
其中,T(x,y)是海面模板,I(x,y)是目标图像中跟T大小相同的区域。其中x'∈(0,w-1),y'∈(0,h-1)。w是T的宽度,h是T的高度。
2、使用海面种子点进行邻域生长算法,结合模板距离阈值参数,进行生长优质背景,邻域生长算法的具体处理包括
输入种子点坐标;
(1)创建邻接列表;
(2)如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值;
(3)以种子点为中心,遍历其周围四个像素,如果该相邻像素在分割区内但不是该区域一部分,将其加入分割区域;
(4)将像素强度最接近平均值的像素加入到该区域,标记后,从邻接表中去除此像素;
输出背景标记图。
3、转换背景mask图为Trimap图。
设图像z=(z1,…,zn,…,zN),若
其中zn(·)表示zn处第·维的值。
本模块中使用的平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值,并在其RGB空间以及HSV空间都可以保证种子点的优质性(优质种子,即以此点为种子识别出背景像素占总背景区域90%以上)。使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景。由此生成的Trimap图,可以完整的把背景信息传递给后续算法。
三、基于背景模型的Grabcut算法
本模块的详细流程图如图7所示,包括以下步骤:
1、使用Trimap对背景模型进行初始化,即使用Trimap图像作为模型的输入。
2、使用grabcut算法对海面背景进行进一步的经纬度信息标注,通过迭代过程,找到最小迭代次数。
(1)输入背景Trimap,其中背景值为0、可能的前景值为3;
(2)计算机通过Trimap建立初始的图像分割,将TrimapBackground中的像素分配到MattingBackground类,将TrimapPossibleForeground中的像素分配到MattingForeground类。
其中k∈{1,...,K},K为GMM模型前景背景组件个数。
k:=minkDn(m) (5);
(3)利用初始分割获取高斯混合模型(GMMs)参数。
像素m和n之间的N-Links权重为:
其中Alpha的值为先验参数,通常设为50。是原文献中等式(11)的一个扩展性重述。
像素m的T-Links权重为:
此公式是原文献中公式(9)的重新描述。
θ:=arg minU(α,k,θ,z) (8);
(4)经过计算,构建出新的GMMs;
计算Gibbs能量方程E(α,k,θ,z)的最小值,得到最小分割。其中:
E(m,n)=U(m)+N(m,n) (9)
其中,U(m)=ΣkD(m),是颜色高斯混合模型的数据项;
(5)应用border matting对图片边缘进行处理。
输出结果图像。
简要介绍grabcut算法:
Grabcut算法为Boykov等人于2004年提出,其继承了Graph cut算法的能量方程的选取以及将最大流最小割方法融入于图像分割。其优点主要有以下几个方面:
较少人工交互,只需人工提供初始矩形。
迭代分割,有较高的分割精度。
而我们的改进方法可以弥补原算法的人工交互过程在批量航空图像处理过程中的不足,通过利用Trimap替代了原来的手动初始化,不仅实现了流程化而且还可以减少由于人为因素带来的误差。
Claims (2)
1.一种面向无人机航拍图像的船只识别系统,其特征在于,该系统包括海面航拍图像数据库、海面模板选择模块、背景Trimap模型自动获取模块和基于背景模型的Grabcut算法模块,其中:
海面模板选择模块,根据用户提供的目标图像,从模板库中选择能反应此海面信息的模板,该模块的具体处理包括:
构建海面模板库,
随机抽取待分割图像中50个像素点,此分割图像即为无人机航拍高分辨率图像,分割处理的具体做法包括:分离陆地及海面,并计算其特征值:
M(x)=αG(x)+βV(x)+(1-α-β)H(x) (1)
其中,M(x)是特征图像的特征值,0≤α,β≤1且α+β=1,α,β为权重变量,G(x)是图像的灰度均值、V(x)是亮度均值以及H(x)是色调均值,此处α=β=1/3;
计算样本特征与模板库内模板特征之间的欧式距离:
其中,模板库Y=(y1,…,yn,…,y1000)有1000样本,yn是样本库中第n个样本,M(·)表示特征图像与模板之间的差异值;
使用投票法进行模板选择,其中,公式(2)中为投票法的具体实现;构造计数器对模板特征值进行统计,将数目最多的特征值作为样本图像的特征值,并反向找到特征值对应的模板图像;
背景Trimap模型自动获取模块,利用海面模板得到海面种子点,利用种子进行区域生长并得到优质的背景区域,生成背景Trimap,该模块的具体处理包括:
首先使用SSD模板匹配算法,即采用平方差方法进行匹配,最小匹配值的点即为目标图像中匹配得到的海面种子点;
其中,T(x,y)是海面模板,I(x,y)是目标图像中跟T大小相同的区域;其中x′∈(0,w-1),y′∈(0,h-1);w是T的宽度,h是T的高度;
使用海面种子点进行邻域生长算法,结合模板距离阈值参数,进行生长优质背景,邻域生长算法的具体处理包括:输入种子点坐标;创建邻接列表;如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值;以种子点为中心,遍历其周围四个像素,如果该相邻像素在分割区内但不是该区域一部分,将其加入分割区域;将像素强度最接近平均值的像素加入到该区域,标记后,从邻接表中去除此像素;输出背景标记图;
转换背景mask图为Trimap图,设图像z=(z1,…,zn,…,zN),若
其中zn(·)表示zn处第·维的值;
背景Trimap模型自动获取模块中使用的平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值,优质种子即以此点为种子识别出背景像素占总背景区域90%以上,使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景;由此生成的Trimap图;
基于背景模型的Grabcut算法模块,利用背景Trimap进行海面背景与目标前景进行分割,也即分离出前景船只,实现对海面的精确分离,具体包括船只识别模块和经纬度信息标注模块,该模块的具体处理包括:
使用Trimap初始化grabcut算法的背景模型,即使用Trimap图像作为模型的输入;
使用grabcut算法对海面背景进行进一步的经纬度信息标注,通过迭代过程,找到最小迭代次数,具体处理包括:
输入背景Trimap,其中背景值为0、可能的前景值为3;计算机通过Trimap建立初始的图像分割,将TrimapBackground中的像素分配到MattingBackground类,将TrimapPossibleForeground中的像素分配到MattingForeground类;其中k∈{1,…,K},K为GMM模型前景背景组件个数
k:=minkDn(m) (5);
利用初始分割获取高斯混合模型(GMMs)参数;像素m和n之间的N-Links权重为:
其中Alpha的值为先验参数;
像素m的T-Links权重为:
θ:=arg min U(α,k,θ,z) (8);
经过计算,构建出新的GMMs;
计算Gibbs能量方程E(α,k,θ,z)的最小值,得到最小分割,其中:
E(m,n)=U(m)+N(m,n) (9)
其中,U(m)=∑kD(m),是颜色高斯混合模型的数据项;
应用border matting对图片边缘进行处理;
输出结果图像。
2.一种面向无人机航拍图像的船只识别方法,其特征在于,该方法包括以下步骤:
步骤一、构建海面模板库,随机抽取待分割图像中50个像素点,此分割图像即为无人机航拍高分辨率图像,分割处理的具体做法包括:分离陆地及海面,并计算其特征值:
M(x)=αG(x)+βV(x)+(1-α-β)H(x) (1)
其中,M(x)是特征图像的特征值,0≤α,β≤1且α+β=1,α,β为权重变量,G(x)是图像的灰度均值、V(x)是亮度均值以及H(x)是色调均值,此处α=β=1/3;
计算样本特征与模板库内模板特征之间的欧式距离:
其中,模板库Y=(y1,…,yn,…,y1000)有1000样本,yn是样本库中第n个样本,M(·)表示特征图像与模板之间的差异值;
使用投票法进行模板选择,其中,公式(2)中为投票法的具体实现;构造计数器对模板特征值进行统计,将数目最多的特征值作为样本图像的特征值,并反向找到特征值对应的模板图像;
步骤二、首先使用SSD模板匹配算法,即采用平方差方法进行匹配,最小匹配值的点即为目标图像中匹配得到的海面种子点;
其中,T(x,y)是海面模板,I(x,y)是目标图像中跟T大小相同的区域,其中x′∈(0,w-1),y′∈(0,h-1),w是T的宽度,h是T的高度;
使用海面种子点进行邻域生长算法,结合模板距离阈值参数,进行生长优质背景,邻域生长算法的具体处理包括:输入种子点坐标;创建邻接列表;如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值;以种子点为中心,遍历其周围四个像素,如果该相邻像素在分割区内但不是该区域一部分,将其加入分割区域;将像素强度最接近平均值的像素加入到该区域,标记后,从邻接表中去除此像素;输出背景标记图;
转换背景mask图为Trimap图,设图像z=(z1,…,zn,…,zN),若
其中zn(·)表示zn处第·维的值;
平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值,优质种子即以此点为种子识别出背景像素占总背景区域90%以上,使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景;由此生成的Trimap图;
步骤三、使用Trimap初始化grabcut算法的背景模型,即使用Trimap图像作为模型的输入;使用grabcut算法对海面背景进行进一步的经纬度信息标注,通过迭代过程,找到最小迭代次数,具体处理包括:
输入背景Trimap,其中背景值为0、可能的前景值为3;计算机通过Trimap建立初始的图像分割,将TrimapBackground中的像素分配到MattingBackground类,将TrimapPossibleForeground中的像素分配到MattingForeground类;其中k∈{1,…,K},K为GMM模型前景背景组件个数
k:=minkDn(m) (5);
利用初始分割获取高斯混合模型(GMMs)参数;像素m和n之间的N-Links权重为:
其中Alpha的值为先验参数;
像素m的T-Links权重为:
θ:=arg min U(α,k,θ,z) (8);
经过计算,构建出新的GMMs;
计算Gibbs能量方程E(α,k,θ,z)的最小值,得到最小分割,其中:
E(m,n)=U(m)+N(m,n) (9)
其中,U(m)=∑kD(m),是颜色高斯混合模型的数据项;
应用border matting对图片边缘进行处理;
输出结果图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310331573.8A CN103544505B (zh) | 2013-07-31 | 2013-07-31 | 面向无人机航拍图像的船只识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310331573.8A CN103544505B (zh) | 2013-07-31 | 2013-07-31 | 面向无人机航拍图像的船只识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103544505A CN103544505A (zh) | 2014-01-29 |
CN103544505B true CN103544505B (zh) | 2016-12-28 |
Family
ID=49967940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310331573.8A Expired - Fee Related CN103544505B (zh) | 2013-07-31 | 2013-07-31 | 面向无人机航拍图像的船只识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103544505B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301646B (zh) * | 2017-06-27 | 2019-09-17 | 深圳市云洲创新科技有限公司 | 基于单目视觉的无人船智能避障方法和装置 |
CN107463622A (zh) * | 2017-07-06 | 2017-12-12 | 西南交通大学 | 一种保持地标建筑形状特征的自动符号化方法 |
CN107943083A (zh) * | 2017-12-11 | 2018-04-20 | 梁金凤 | 一种控制准确的飞行系统 |
CN108648177B (zh) * | 2018-04-13 | 2021-08-24 | 长安大学 | 一种列车部件完整性检测方法 |
CN108615021A (zh) * | 2018-05-01 | 2018-10-02 | 孙智文 | 一种基于航拍影像的人机交互式道路检测方法 |
CN110458830B (zh) * | 2019-03-08 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN112950484B (zh) * | 2019-12-11 | 2023-06-16 | 鸣医(上海)生物科技有限公司 | 一种对摄影影像进行颜色污染祛除的方法 |
CN113408615B (zh) * | 2021-06-16 | 2022-04-12 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
CN113343920A (zh) * | 2021-07-01 | 2021-09-03 | 中诚信征信有限公司 | 人脸识别照片的分类方法、装置、电子设备和存储介质 |
CN116704372A (zh) * | 2023-06-21 | 2023-09-05 | 中国科学院空天信息创新研究院 | 船舶精细化识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968625A (zh) * | 2012-12-14 | 2013-03-13 | 南京思创信息技术有限公司 | 基于轨迹的船舶识别与跟踪方法 |
CN103164686A (zh) * | 2011-12-12 | 2013-06-19 | 中国科学院对地观测与数字地球科学中心 | 一种根据船只的高分辨率sar 图像识别船只类型的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007140523A1 (en) * | 2006-06-05 | 2007-12-13 | Operational Solutions Management Pty Ltd | Target recognition method |
-
2013
- 2013-07-31 CN CN201310331573.8A patent/CN103544505B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164686A (zh) * | 2011-12-12 | 2013-06-19 | 中国科学院对地观测与数字地球科学中心 | 一种根据船只的高分辨率sar 图像识别船只类型的方法 |
CN102968625A (zh) * | 2012-12-14 | 2013-03-13 | 南京思创信息技术有限公司 | 基于轨迹的船舶识别与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103544505A (zh) | 2014-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544505B (zh) | 面向无人机航拍图像的船只识别系统及方法 | |
WO2021142902A1 (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检系统 | |
CN105930819B (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
Li et al. | A deep learning method of water body extraction from high resolution remote sensing images with multisensors | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
CN110853026B (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN109631855A (zh) | 基于orb-slam的高精度车辆定位方法 | |
CN106709517B (zh) | 红树林识别方法及系统 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
Li et al. | Classification of urban point clouds: A robust supervised approach with automatically generating training data | |
Wang et al. | An overview of 3d object detection | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及系统 | |
Ahmad et al. | Comparison of semantic segmentation approaches for horizon/sky line detection | |
CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
CN108022245B (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
CN111523494A (zh) | 一种人体图像检测方法 | |
Chen et al. | 3-d instance segmentation of mvs buildings | |
CN104463962B (zh) | 基于gps信息视频的三维场景重建方法 | |
CN117079097A (zh) | 一种基于视觉显著性的海面目标识别方法 | |
Luo et al. | An evolutionary shadow correction network and a benchmark UAV dataset for remote sensing images | |
Schuegraf et al. | Deep learning for the automatic division of building constructions into sections on remote sensing images | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
Ayazi et al. | Comparison of traditional and machine learning base methods for ground point cloud labeling | |
CN116503602A (zh) | 基于多层级边缘增强的非结构化环境三维点云语义分割方法 | |
Yang et al. | Instance Segmentation of LIDAR Data with Vision Transformer Model in Support Inundation Mapping Under Forest Canopy Environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161228 Termination date: 20200731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |