CN104966080B - 一种海面监测序列红外图像弱小目标判定方法及装置 - Google Patents
一种海面监测序列红外图像弱小目标判定方法及装置 Download PDFInfo
- Publication number
- CN104966080B CN104966080B CN201510449529.6A CN201510449529A CN104966080B CN 104966080 B CN104966080 B CN 104966080B CN 201510449529 A CN201510449529 A CN 201510449529A CN 104966080 B CN104966080 B CN 104966080B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- difference
- monitoring data
- described image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种海面监测序列红外图像弱小目标判定方法及装置,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。本发明实施例海面监测序列红外图像弱小目标判定方法包括:对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;根据计算获取得到的i‑1个图像目标横坐标差值进行标准差计算;按照预置方式结合标准差确定图像目标为待求目标。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种海面监测序列红外图像弱小目标判定方法及装置。
背景技术
目标判别,就是判别出目标对象的类别,目前目标判别方法主要有以下五种。
1、经典的统计模式判别方法,该方法主要是利用目标特性的统计分布,依靠目标识别系统的大量训练和基于模式空间距离度量的特征分配技术,可在较窄的场景定义域内获得较有效的识别。该方法是早期使用的方法,仅在很窄的场景定义域内,且在目标图像和周围背景变化不大的情况下才比较有效,难以解决姿态变化,目标污损变模糊、目标部分被遮蔽等问题。
2、基于知识的判别方法,该方法将人工智能专家系统应用到目标识别的研究,形成了基于知识的目标识别,即知识基系统。知识基系统采用不精确推理技术来处理存在于知识和图像特征之间的不确定性,基于知识的识别算法在一定程度上克服了经典统计模式识别法的局限性和缺陷,该方法目前存在的主要问题是可供利用的知识源的辨识和知识的验证很困难,同时难以在适应新场景中有效地组织知识。
3、基于模型的判别方法,本方法首先是将复杂的目标识别的样本空间模型化,这些模型提供了一种描述样本空间各种重要变化特性的简便途径。该方法抽取一定的目标特性,并利用这些特性和一些辅助知识来标记目标的模型参数,从而选择一些初始假设,实现目标特性的预测。该方法的最终目标是匹配实际的特性和预测后面的特性,若标记准确,匹配过程则会成功和有效。该方法目前尚限于实验室研究阶段。
4、基于多传感器信息融合判别方法,每个传感器将数据馈入各自的信号处理机,先分别进行目标检测,得出有无目标的判决以及目标的位置信息或运动轨迹,然后将这些信息送入数据融合单元,对目标位置或运动轨迹进行关联后再做进一步的判决。该方法需要物理上的两个以上的成像设备,应用条件受限。
5、基于人工神经网络和专家系统的判别方法,人工神经网络是以神经元连接结构为基础,通过模拟人脑结构来模拟人类形象思维的一种非逻辑、非语言的人工智能方法。该方法可以提供目标识别算法固有的直觉学习能力,在目标分类处理中有很多算法都可由人工神经网络有效地实现。神经网络实现工程应用的瓶颈是计算量复杂,实时性欠佳。当目标与成像系统的距离较远时,在成像平面上只占几个或十几个像素的面积,表现为点状或者斑点状,对比度和信噪比较低的目标,称为小目标。由其定义可以看出,小目标中的“小”包含目标属性的两个方面的含义:一是指目标的尺寸小,即图像中目标像素数量少,二是指目标的灰度对比度或信噪比低。
上述五种目标判别算法主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标,上述方法的应用受限。
发明内容
本发明实施例提供了一种海面监测序列红外图像弱小目标判定方法及装置,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
本发明实施例提供的一种海面监测序列红外图像弱小目标判定方法,包括:
对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算;
按照预置方式结合所述标准差确定所述图像目标为待求目标。
可选地,对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算之前还包括:
实时采集海天背景红外图像,并选择i帧所述图像构成所述预置样本集,并设定i帧所述图像目标横坐标为xi,i=1,2,…i。
可选地,对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算具体包括:
对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,所述差值计算公式为Δxi=|xi-xi-1|;
获取得到i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi。
可选地,根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算具体包括:
根据计算获取得到的i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
其中,所述预置标准差公式为为Δx1,Δx2,…Δxi
序列的均值
可选地,按照预置方式结合所述标准差确定所述图像目标为待求目标具体包括:
判断所述标准差是否不大于预置经验值,若是,则确定所述图像目标为待求目标,若否,则确定所述图像目标为干扰目标。
本发明实施例提供的一种海面监测序列红外图像弱小目标判定装置,包括:
第一计算单元,用于对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
第二计算单元,用于根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算;
确定单元,用于按照预置方式结合所述标准差确定所述图像目标为待求目标。
可选地,所述的海面监测序列红外图像弱小目标判定装置还包括:
样本集采集单元,用于实时采集海天背景红外图像,并选择i帧所述图像构成所述预置样本集,并设定i帧所述图像目标横坐标为xi,i=1,2,…i。
可选地,第一计算单元具体包括:
第一计算子单元,用于对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,所述差值计算公式为Δxi=|xi-xi-1|;
获取子单元,用于获取得到i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi。
可选地,第二计算单元,具体用于根据计算获取得到的i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
其中,所述预置标准差公式为为Δx1,Δx2,…Δxi
序列的均值
可选地,确定单元,具体用于判断所述标准差是否不大于预置经验值,若是,则确定所述图像目标为待求目标,若否,则确定所述图像目标为干扰目标。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种海面监测序列红外图像弱小目标判定方法及装置,针对包含海天背景和舰船目标的海面监测红外图像,对其中的舰船目标和干扰进行判别,实现目标确认,适用于船载红外搜索跟踪系统等类似的成像设备进行目标探测。船载红外搜索跟踪系统远距离探测时,舰船目标在成像平面上只占几个或十几个像素的面积,表现为点状或者斑点状,无形状和纹理特性,对比度和信噪比较低。这种成像特性与海浪的相似度很高,此时海浪是判别目标最大的干扰,舰船目标很容易淹没在海浪干扰内,远距离弱小目标探测的关键是如何排除海浪干扰的影响。根据海天背景舰船目标图像的成像特点,目标位于天水线附近,呈现在图像上目标的纵坐标位置不会有太大变化,目标的变化主要体现在横坐标上。舰船为慢速运动目标,远距离探测时,反映在二维图像上同样为慢速运动状态,因此,对于高采样率的图像采集来说,真实舰船目标,相邻两帧图像之间目标的横坐标位置变化是微小的,不会有剧烈的变化;而海浪干扰,连续两帧图像之间的横坐标变化没有规律,随机变化,且变化的幅度要明显大于真实目标。进行了上述舰船目标和海浪的成像特性和运动特性分析以后,因为目标和干扰的成像特性相似性高,所以本实施例的主要思想是利用舰船目标和海浪干扰在运动特性上的差别进行抗干扰目标判别。本实施例以一定数量的序列图像作为样本集,在该样本集中对目标的运动轨迹进行统计分析,而这里的运动轨迹仅仅是横坐标,同时本实施例没有对图像进行诸如傅里叶变换、小波变换等操作,因此计算量非常小,特别适合进行实时目标判别,且准确度较高,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中提供的一种海面监测序列红外图像弱小目标判定方法的一个实施例的流程示意图;
图2为本发明实施例中提供的一种海面监测序列红外图像弱小目标判定方法的另一个实施例的流程示意图;
图3为本发明实施例中提供的一种海面监测序列红外图像弱小目标判定装置的一个实施例的结构示意图;
图4为本发明实施例中提供的一种海面监测序列红外图像弱小目标判定装置的另一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种海面监测序列红外图像弱小目标判定方法及装置,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中提供的一种海面监测序列红外图像弱小目标判定方法的一个实施例包括:
101、对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
102、根据计算获取得到的i-1个图像目标横坐标差值进行标准差计算;
103、按照预置方式结合标准差确定图像目标为待求目标。
本实施例以一定数量的序列图像作为样本集,在该样本集中对目标的运动轨迹进行统计分析,而这里的运动轨迹仅仅是横坐标,同时本实施例没有对图像进行诸如傅里叶变换、小波变换等操作,因此计算量非常小,特别适合进行实时目标判别,且准确度较高,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
上面是对海面监测序列红外图像弱小目标判定方法的过程进行详细的描述,下面将对差值和标准差的计算过程进行详细的描述,请参阅图2,本发明实施例中提供的一种海面监测序列红外图像弱小目标判定方法的另一个实施例包括:
201、实时采集海天背景红外图像,并选择i帧图像构成预置样本集,并设定i帧图像目标横坐标为xi,i=1,2,…i;
202、对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,差值计算公式为Δxi=|xi-xi-1|;
203、获取得到i-1个图像目标横坐标差值Δx1,Δx2,…Δxi;
204、根据计算获取得到的i-1个图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
前述的预置标准差公式为为Δx1,Δx2,…Δxi序列
的均值
205、判断标准差是否不大于预置经验值,若是,则执行步骤206,若否,则执行步骤207,前述的经验值可以是预置的,为本领域技术人员经过经验确定的;
206、确定图像目标为待求目标;
207、确定图像目标为干扰目标。
为了便于理解,下面以一具体应用场景对图2所示实施例进行详细的描述,应用例包括:
目标判别的前提是已经检测出目标,对于海天背景红外图像,目标检测的含义就是得到了目标在像平面上的坐标。
以下涉及到的坐标单位都为像素数。
对于实时采集的海天背景红外图像,选择连续的50帧图像,在这50帧图像构成的样本集中,设检测算法求出的目标横坐标为xi,i=1,2,…50,第1帧和第2帧图像目标横坐标之差的绝对值为Δx1=|x2-x1|;
第2帧和第3帧图像目标横坐标之差的绝对值为Δx2=|x3-x2|;
第i帧和第i+1帧图像目标横坐标之差的绝对值为Δxi=|xi+1-xi|;
第49帧和第50帧图像目标横坐标之差的绝对值为Δx49=|x50-x49|;
对由(Δx1,Δx2,…Δxi,…Δx49)构成的序列求标准差其中为(Δx1,Δx2,…Δxi,…Δx49)序列的均值
目标判别可以是,若S≤10,则为待求目标,若S>10,则为干扰目标。
本实施例以一定数量的序列图像作为样本集,在该样本集中对目标的运动轨迹进行统计分析,而这里的运动轨迹仅仅是横坐标,同时本实施例没有对图像进行诸如傅里叶变换、小波变换等操作,因此计算量非常小,特别适合进行实时目标判别,且准确度较高,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
请参阅图3,本发明实施例中提供的一种海面监测序列红外图像弱小目标判定装置的一个实施例包括:
第一计算单元301,用于对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
第二计算单元302,用于根据计算获取得到的i-1个图像目标横坐标差值进行标准差计算;
确定单元303,用于按照预置方式结合标准差确定图像目标为待求目标。
上面是对海面监测序列红外图像弱小目标判定装置的各单元进行详细的描述,下面将对附加单元和各子单元进行详细的描述,请参阅图4,本发明实施例中提供的一种海面监测序列红外图像弱小目标判定装置的另一个实施例包括:
样本集采集单元401,用于实时采集海天背景红外图像,并选择i帧图像构成预置样本集,并设定i帧图像目标横坐标为xi,i=1,2,…i。
第一计算单元402,用于对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
第一计算单元402具体包括:
第一计算子单元4021,用于对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,差值计算公式为Δxi=|xi-xi-1|;
获取子单元4022,用于获取得到i-1个图像目标横坐标差值Δx1,Δx2,…Δxi。
第二计算单元403,用于根据计算获取得到的i-1个图像目标横坐标差值进行标准差计算,第二计算单元403,具体用于根据计算获取得到的i-1个图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
其中,预置标准差公式为为Δx1,Δx2,…Δxi序列
的均值
确定单元404,用于按照预置方式结合标准差确定图像目标为待求目标,确定单元404,具体用于判断标准差是否不大于预置经验值,若是,则确定图像目标为待求目标,若否,则确定图像目标为干扰目标。
本实施例以一定数量的序列图像作为样本集,在该样本集中对目标的运动轨迹进行统计分析,而这里的运动轨迹仅仅是横坐标,同时本实施例没有对图像进行诸如傅里叶变换、小波变换等操作,因此计算量非常小,特别适合进行实时目标判别,且准确度较高,解决了目前的五种目标判别算法由于主要针对的是显著成像的目标,即目标具有明显的形状、轮廓、纹理等信息,而对于点状或斑点状的弱小目标无法判别的技术问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种海面监测序列红外图像弱小目标判定方法,其特征在于,包括:
对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算;
按照预置方式结合所述标准差确定所述图像目标为待求目标;
按照预置方式结合所述标准差确定所述图像目标为待求目标具体包括:
判断所述标准差是否不大于预置经验值,若是,则确定所述图像目标为待求目标,若否,则确定所述图像目标为干扰目标。
2.根据权利要求1所述的海面监测序列红外图像弱小目标判定方法,其特征在于,对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算之前还包括:
实时采集海天背景红外图像,并选择i帧所述图像构成所述预置样本集,并设定i帧所述图像目标横坐标为xi,i=1,2,…i。
3.根据权利要求1或2所述的海面监测序列红外图像弱小目标判定方法,其特征在于,对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算具体包括:
对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,所述差值计算公式为Δxi=|xi-xi-1|;
获取得到i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi。
4.根据权利要求3所述的海面监测序列红外图像弱小目标判定方法,其特征在于,根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算具体包括:
根据计算获取得到的i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
其中,所述预置标准差公式为 为Δx1,Δx2,…Δxi序列的均值
5.一种海面监测序列红外图像弱小目标判定装置,其特征在于,包括:
第一计算单元,用于对预置样本集中的i帧图像进行两两间的图像目标横坐标差值计算;
第二计算单元,用于根据计算获取得到的i-1个所述图像目标横坐标差值进行标准差计算;
确定单元,用于按照预置方式结合所述标准差确定所述图像目标为待求目标;
确定单元,具体用于判断所述标准差是否不大于预置经验值,若是,则确定所述图像目标为待求目标,若否,则确定所述图像目标为干扰目标。
6.根据权利要求5所述的海面监测序列红外图像弱小目标判定装置,其特征在于,所述的海面监测序列红外图像弱小目标判定装置还包括:
样本集采集单元,用于实时采集海天背景红外图像,并选择i帧所述图像构成所述预置样本集,并设定i帧所述图像目标横坐标为xi,i=1,2,…i。
7.根据权利要求5或6所述的海面监测序列红外图像弱小目标判定装置,其特征在于,第一计算单元具体包括:
第一计算子单元,用于对预置样本集中的i帧图像按照差值计算公式进行两两间的图像目标横坐标差值的绝对值计算,所述差值计算公式为Δxi=|xi-xi-1|;
获取子单元,用于获取得到i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi。
8.根据权利要求7所述的海面监测序列红外图像弱小目标判定装置,其特征在于,第二计算单元,具体用于根据计算获取得到的i-1个所述图像目标横坐标差值Δx1,Δx2,…Δxi按照预置标准差公式进行标准差计算;
其中,所述预置标准差公式为 为Δx1,Δx2,…Δxi序列的均值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510449529.6A CN104966080B (zh) | 2015-07-27 | 2015-07-27 | 一种海面监测序列红外图像弱小目标判定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510449529.6A CN104966080B (zh) | 2015-07-27 | 2015-07-27 | 一种海面监测序列红外图像弱小目标判定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966080A CN104966080A (zh) | 2015-10-07 |
CN104966080B true CN104966080B (zh) | 2018-11-23 |
Family
ID=54220115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510449529.6A Active CN104966080B (zh) | 2015-07-27 | 2015-07-27 | 一种海面监测序列红外图像弱小目标判定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966080B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
CN101344968A (zh) * | 2008-09-02 | 2009-01-14 | 西北工业大学 | 星空背景图像中的运动补偿方法 |
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
CN101452075A (zh) * | 2008-12-30 | 2009-06-10 | 北京航空航天大学 | 基于平均周期的海上小目标检测方法 |
CN101620728A (zh) * | 2009-06-19 | 2010-01-06 | 北京航空航天大学 | 一种基于自适应背景预测的红外背景抑制新方法 |
CN101630404A (zh) * | 2009-07-30 | 2010-01-20 | 上海交通大学 | 弱小目标二维图片噪声滤除中的匹配滤波方法 |
-
2015
- 2015-07-27 CN CN201510449529.6A patent/CN104966080B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
CN101344968A (zh) * | 2008-09-02 | 2009-01-14 | 西北工业大学 | 星空背景图像中的运动补偿方法 |
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
CN101452075A (zh) * | 2008-12-30 | 2009-06-10 | 北京航空航天大学 | 基于平均周期的海上小目标检测方法 |
CN101620728A (zh) * | 2009-06-19 | 2010-01-06 | 北京航空航天大学 | 一种基于自适应背景预测的红外背景抑制新方法 |
CN101630404A (zh) * | 2009-07-30 | 2010-01-20 | 上海交通大学 | 弱小目标二维图片噪声滤除中的匹配滤波方法 |
Non-Patent Citations (1)
Title |
---|
《中国博士学位论文全文数据库 信息科技辑》;孙继刚;《序列图像红外小目标检测与跟踪算法研究》;20150115;论文第一章 * |
Also Published As
Publication number | Publication date |
---|---|
CN104966080A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
CN105930767B (zh) | 一种基于人体骨架的动作识别方法 | |
CN104115192B (zh) | 三维近距离交互的改进或与其有关的改进 | |
CN104036546B (zh) | 一种基于自适应形变模型的任意视角人脸三维重构方法 | |
CN110399808A (zh) | 一种基于多目标跟踪的人体行为识别方法及系统 | |
CN110110707A (zh) | 人工智能cnn、lstm神经网络动态识别系统 | |
CN109800689A (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
CN110782481A (zh) | 无人艇智能决策方法及系统 | |
CN108222749B (zh) | 一种基于图像分析的智能自动门控制方法 | |
CN104408760B (zh) | 一种基于双目视觉的高精度虚拟装配系统算法 | |
Wirges et al. | Capturing object detection uncertainty in multi-layer grid maps | |
CN105046710A (zh) | 基于深度图分割与代理几何体的虚实碰撞交互方法及装置 | |
CN110298865B (zh) | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN103942535B (zh) | 多目标跟踪方法及装置 | |
CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN105760846A (zh) | 基于深度数据的目标检测与定位方法及系统 | |
CN113378649A (zh) | 身份、位置和动作识别方法、系统、电子设备及存储介质 | |
CN102289822A (zh) | 一种多摄像机协同跟踪运动目标的方法 | |
CN112949380B (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
CN112926522A (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
CN108182410A (zh) | 一种联合目标区域定位和深度特征学习的跌倒识别算法 | |
CN111626198A (zh) | 自动驾驶场景下基于Body Pix的行人运动检测方法 | |
Wang et al. | Temporal pulses driven spiking neural network for time and power efficient object recognition in autonomous driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |