CN105608662A - 基于fpga的动态目标识别系统及其识别方法 - Google Patents
基于fpga的动态目标识别系统及其识别方法 Download PDFInfo
- Publication number
- CN105608662A CN105608662A CN201511029701.9A CN201511029701A CN105608662A CN 105608662 A CN105608662 A CN 105608662A CN 201511029701 A CN201511029701 A CN 201511029701A CN 105608662 A CN105608662 A CN 105608662A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- input
- unit
- register
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims description 66
- 238000001914 filtration Methods 0.000 claims description 28
- 238000003708 edge detection Methods 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于FPGA的动态目标识别系统及其识别方法,属于图像处理领域,本发明为现有图像处理不能达到对动态目标识别的要求的问题。本发明包括图像采集单元、FPGA图像处理单元和图像输出单元;图像采集单元包括图像采集模块和图像解码模块,图像采集模块采集图像信息,并将采集到的图像信息输送至图像解码模块进行解码处理,然后将图像信息输送至FPGA图像处理单元。本发明用于目标识别。
Description
技术领域
本发明涉及一种动态目标识别系统及其识别方法,属于图像处理领域。
背景技术
随着计算机技术与人工智能的发展,目标识别在日常生活与军事中的应用越来越广泛。所谓目标识别系统即是一个可以完成从图像采集与处理,到最终达到目标识别的信号处理系统。对图像的处理可以分为硬件处理与软件处理,软件处理的发展已经很成熟,如PhotoshopCS,MATLAB,VisualC++等软件可以灵活、方便地处理图片信息。但是这些软件缺点是只能处理静态图片,属于后期处理,不能够实时处理图像信息以达到对动态目标识别要求。同时由于图像的数据量较大,传统硬件系统的运算能力有限,对图像的实时处理一直不能达到现实要求。近年来,随着超大规模集成电路的高速发展,处理器的运算能力不断提高,可以采用硬件满足对图像进行矩阵的差分、拉式变换等较复杂的运算,使对图像的实时识别成为可能。
发明内容
本发明目的是为了解决现有图像处理不能达到对动态目标识别的要求的问题,提供了一种基于FPGA的动态目标识别系统及其识别方法。
本发明所述基于FPGA的动态目标识别系统,包括图像采集单元、FPGA图像处理单元和图像输出单元;
图像采集单元包括图像采集模块和图像解码模块,图像采集模块采集图像信息,并将采集到的图像信息输送至图像解码模块进行解码处理,然后将图像信息输送至FPGA图像处理单元;
FPGA图像处理单元包括方形窗生成模块、并行延时模块、中值滤波模块,图像存储模块、锐化处理模块、锐化结果选择模块和图像边缘检测模块;
方形窗生成模块包括第一FIFO存储器、第二FIFO存储器和寄存器存储阵列,寄存器存储阵列采用九个寄存器存储九个灰度数据,形成3×3方形窗,寄存器存储阵列将第7寄存器、第8寄存器和第9寄存器中的数据送入第二FIFO存储器,寄存器存储阵列将第4寄存器、第5寄存器和第6寄存器中的数据送入第一FIFO存储器;
方形窗生成模块与并行延时模块相连接,通过延时将寄存器存储阵列中的九个灰度数据同步输出;
中值滤波模块将并行延时模块输出的数据进行滤波处理;
中值滤波模块包括七个三输入排序单元,每个三输入排序单元将三个输入数据从小到大进行排序,三输入排序单元一、三输入排序单元二和三输入排序单元三对3×3数据阵列进行行排序,三输入排序单元四、三输入排序单元五和三输入排序单元六对3×3数据阵列进行列排序,三输入排序单元七以三输入排序单元四的最大值、三输入排序单元五的中间值和三输入排序单元六的最小值进行排序,然后输出九个数据中的中间值;
图像存储模块对中值滤波模块滤波后的图像进行存储;
锐化处理模块采用两种锐化模式对存储的图像进行锐化,两种锐化模式分别为4-邻域拉普拉斯锐化和8-邻域拉普拉斯锐化,能够控制2-1选通器对不同的锐化形式进行选择;
锐化结果选择模块通过增益输入与偏置输入对图像锐化结果进行选择;
图像边缘检测模块采用Sobel算子对图像数据运算突出图像的边缘属性,然后输出图像;
图像输出单元包括图像编码模块和图像输出模块,图像编码模块对图像边缘检测模块输出的图像进行编码,然后通过图像输出模块对图像进行输出。
本发明所述基于FPGA的动态目标识别系统的动态目标识别方法,动态目标识别方法的具体过程为:
步骤1、图像采集模块采集视频信号,然后经过图像解码模块解码输出到FPGA图像处理单元的方形窗生成模块;
步骤2、第一FIFO存储器和第二FIFO存储器读入图像数据的前两行,然后从数据输入端读入新的数据,组合成3×3方形窗;第一个方形窗数据处理完后,方形窗右移,第7寄存器、第8寄存器和第9寄存器中的数据输入到第二FIFO存储器中等待处理,第4寄存器、第5寄存器和第6寄存器中的数据输入到第一FIFO存储器中等待处理,3×3方形窗的移动能够覆盖整个图像数据点;第一FIFO存储器和第二FIFO存储器对数据进行缓冲,然后输入到寄存器存储阵列中,并行延时模块对寄存器存储阵列中的数据进行同步处理;
步骤3、九个数据图像输入到中值滤波模块中进行滤波处理,中值滤波模块计算3×3方形窗中的九个数据的中间值,以该中间值代表中间元素点的灰度值;然后将滤波后的图像存储到图像存储模块中;
步骤4、锐化处理模块对滤波后的图像进行锐化处理;
步骤5、锐化结果选择模块选择输出的锐化结果:图像不清晰时设置增益输入和偏置输入来提高阈值,当锐化前图像小于阈值时对原图像进行输出,当锐化前图像大于阈值时对锐化后图像进行输出;并将输出的结果存储在图像存储模块中;
步骤6、图像边缘检测模块采用Sobel算子对图像数据运算,凸显出图像的边缘特征,然后将图像输出至图像输出单元;
步骤7、图像输出单元的图像编码模块对图像进行编码,然后通过图像输出模块对图像进行输出。
本发明的优点:本发明是基于FPGA芯片的目标识别系统及其识别方法,可以对图像进行实时处理。本发明采用的快速虑波算法可以减少系统的计算量,只需21次比较,比中值滤波比较36次的运算量减少了42%。另外,本系统可以根据图像质量的不同采用不同的锐化方式,显著提高了图像的清晰度。
附图说明
图1是本发明所述基于FPGA的动态目标识别系统的结构示意图;
图2是本发明所述FPGA图像处理单元的结构示意图。
具体实施方式
具体实施方式一:下面结合图1和图2说明本实施方式,本实施方式所述基于FPGA的动态目标识别系统,包括图像采集单元1、FPGA图像处理单元2和图像输出单元3;
图像采集单元1包括图像采集模块1-1和图像解码模块1-2,图像采集模块1-1采集图像信息,并将采集到的图像信息输送至图像解码模块1-2进行解码处理,然后将图像信息输送至FPGA图像处理单元2;
FPGA图像处理单元2包括方形窗生成模块2-1、并行延时模块2-2、中值滤波模块2-3,图像存储模块2-4、锐化处理模块2-5、锐化结果选择模块2-6和图像边缘检测模块2-7;
方形窗生成模块2-1包括第一FIFO存储器2-1-1、第二FIFO存储器2-1-2和寄存器存储阵列2-1-3,寄存器存储阵列2-1-3采用九个寄存器存储九个灰度数据,形成3×3方形窗,寄存器存储阵列2-1-3将第7寄存器、第8寄存器和第9寄存器中的数据送入第二FIFO存储器2-1-2,寄存器存储阵列2-1-3将第4寄存器、第5寄存器和第6寄存器中的数据送入第一FIFO存储器2-1-1;
方形窗生成模块2-1与并行延时模块2-2相连接,通过延时将寄存器存储阵列2-1-3中的九个灰度数据同步输出;
中值滤波模块2-3将并行延时模块2-2输出的数据进行滤波处理;
中值滤波模块2-3包括七个三输入排序单元,每个三输入排序单元将三个输入数据从小到大进行排序,三输入排序单元一2-3-1、三输入排序单元二2-3-2和三输入排序单元三2-3-3对3×3数据阵列进行行排序,三输入排序单元四2-3-4、三输入排序单元五2-3-5和三输入排序单元六2-3-6对3×3数据阵列进行列排序,三输入排序单元七2-3-7以三输入排序单元四2-3-4的最大值、三输入排序单元五2-3-5的中间值和三输入排序单元六2-3-6的最小值进行排序,然后输出九个数据中的中间值;
图像存储模块2-4对中值滤波模块2-3滤波后的图像进行存储;
锐化处理模块2-5采用两种锐化模式对存储的图像进行锐化,两种锐化模式分别为4-邻域拉普拉斯锐化和8-邻域拉普拉斯锐化,能够控制2-1选通器对不同的锐化形式进行选择;
锐化结果选择模块2-6通过增益输入与偏置输入对图像锐化结果进行选择;
图像边缘检测模块2-7采用Sobel算子对图像数据运算突出图像的边缘属性,然后输出图像;
图像输出单元3包括图像编码模块3-1和图像输出模块3-2,图像编码模块3-1对图像边缘检测模块2-7输出的图像进行编码,然后通过图像输出模块3-2对图像进行输出。
本实施方式中,图像采集模块1-1可以采用摄像头采集图像。第一FIFO存储器2-1-1和第二FIFO存储器2-1-2分别能够存储256个数据。
本实施方式中,在采集到的图像质量较好的情况下。通过使用4-邻域拉普拉斯锐化对图像进行锐化,同时通过调节增益输入和偏置输入来降低比较阈值,这样在图像清晰度达到一定要求后可以不经过锐化或者只进行4-邻域拉普拉斯锐化来减少图像的运算量,提高目标识别的快速性。
本实施方式中,在图像质量较高的情况下减少了硬件系统的运算量来提高了系统的实时性。传统的图像识别系统只能工作在一种工作模式下,在图像清晰度较高的情况下进行大量的图像运算是不必要的。本实施方式根据不同的工作环境采取不同的工作方式增加了系统的灵活性,充分发挥了硬件系统潜力。
具体实施方式二:本实施方式对实施方式一作进一步说明,图像解码模块1-2采用SAA7113,用于将模拟视频信号解码为标准的VPO信号。
本实施方式中,VPO(VisualPersistenceOscilloscope视觉持久示波器)信号处理技术,提高了多层次余辉的波形显示能力。由于VPO技术对每个波形点皆包含振幅、时间和强度的三维波形信息,相对于一般传统的数字存储示波器,能够提供更多有用的信息。高速VPO数据处理技术,可以对快速事件如视频、抖动、噪声和矮波作精确的分析。
具体实施方式三:下面结合图1说明本实施方式,本实施方式所述基于FPGA的动态目标识别系统的动态目标识别方法,动态目标识别方法的具体过程为:
步骤1、图像采集模块1-1采集视频信号,然后经过图像解码模块1-2解码输出到FPGA图像处理单元2的方形窗生成模块2-1;
步骤2、第一FIFO存储器2-1-1和第二FIFO存储器2-1-2读入图像数据的前两行,然后从数据输入端读入新的数据,组合成3×3方形窗;第一个方形窗数据处理完后,方形窗右移,第7寄存器、第8寄存器和第9寄存器中的数据输入到第二FIFO存储器2-1-2中等待处理,第4寄存器、第5寄存器和第6寄存器中的数据输入到第一FIFO存储器2-1-1中等待处理,3×3方形窗的移动能够覆盖整个图像数据点;第一FIFO存储器2-1-1和第二FIFO存储器2-1-2对数据进行缓冲,然后输入到寄存器存储阵列2-1-3中,并行延时模块2-2对寄存器存储阵列2-1-3中的数据进行同步处理;
步骤3、九个数据图像输入到中值滤波模块2-3中进行滤波处理,中值滤波模块2-3计算3×3方形窗中的九个数据的中间值,以该中间值代表中间元素点的灰度值;然后将滤波后的图像存储到图像存储模块2-4中;
步骤4、锐化处理模块2-5对滤波后的图像进行锐化处理;
步骤5、锐化结果选择模块2-6选择输出的锐化结果:图像不清晰时设置增益输入和偏置输入来提高阈值,当锐化前图像小于阈值时对原图像进行输出,当锐化前图像大于阈值时对锐化后图像进行输出;并将输出的结果存储在图像存储模块2-4中;
步骤6、图像边缘检测模块2-7采用Sobel算子对图像数据运算,凸显出图像的边缘特征,然后将图像输出至图像输出单元3;
步骤7、图像输出单元3的图像编码模块3-1对图像进行编码,然后通过图像输出模块3-2对图像进行输出。
本实施方式中,在采集到的图像质量较差时进行处理可以达到较好的输出效果,并且可以根据实际情况来调整系统参数来使输出效果达到最优,体现出灵活性与智能化的特点。
具体实施方式四:本实施方式对实施方式三作进一步说明,步骤3所述中值滤波模块2-3计算3×3方形窗中的九个数据的中间值的具体过程为:
步骤3-1、中值滤波模块2-3中的三输入排序单元首先对3×3方形窗进行行排序;
步骤3-2、三输入排序单元一2-3-1、三输入排序单元二2-3-2和三输入排序单元三2-3-3中的最小值输出至三输入排序单元四2-3-4中,三输入排序单元一2-3-1、三输入排序单元二2-3-2和三输入排序单元三2-3-3中的中间值输出至三输入排序单元五2-3-5中,三输入排序单元一2-3-1、三输入排序单元二2-3-2和三输入排序单元三2-3-3中的最大值输出至三输入排序单元六2-3-6中;
步骤3-3、三输入排序单元七2-3-7对三输入排序单元四2-3-4、三输入排序单元五2-3-5和三输入排序单元六2-3-6中的数据进行排序,获得3×3方形窗的数据的中间值。
Claims (4)
1.基于FPGA的动态目标识别系统,其特征在于,包括图像采集单元(1)、FPGA图像处理单元(2)和图像输出单元(3);
图像采集单元(1)包括图像采集模块(1-1)和图像解码模块(1-2),图像采集模块(1-1)采集图像信息,并将采集到的图像信息输送至图像解码模块(1-2)进行解码处理,然后将图像信息输送至FPGA图像处理单元(2);
FPGA图像处理单元(2)包括方形窗生成模块(2-1)、并行延时模块(2-2)、中值滤波模块(2-3)、图像存储模块(2-4)、锐化处理模块(2-5)、锐化结果选择模块(2-6)和图像边缘检测模块(2-7);
方形窗生成模块(2-1)包括第一FIFO存储器(2-1-1)、第二FIFO存储器(2-1-2)和寄存器存储阵列(2-1-3),寄存器存储阵列(2-1-3)采用九个寄存器存储九个灰度数据,形成3×3方形窗,寄存器存储阵列(2-1-3)将第7寄存器、第8寄存器和第9寄存器中的数据送入第二FIFO存储器(2-1-2),寄存器存储阵列(2-1-3)将第4寄存器、第5寄存器和第6寄存器中的数据送入第一FIFO存储器(2-1-1);
方形窗生成模块(2-1)与并行延时模块(2-2)相连接,通过延时将寄存器存储阵列(2-1-3)中的九个灰度数据同步输出;
中值滤波模块(2-3)将并行延时模块(2-2)输出的数据进行滤波处理;
中值滤波模块(2-3)包括七个三输入排序单元,每个三输入排序单元将三个输入数据从小到大进行排序,三输入排序单元一(2-3-1)、三输入排序单元二(2-3-2)和三输入排序单元三(2-3-3)对3×3数据阵列进行行排序,三输入排序单元四(2-3-4)、三输入排序单元五(2-3-5)和三输入排序单元六(2-3-6)对3×3数据阵列进行列排序,三输入排序单元七(2-3-7)以三输入排序单元四(2-3-4)的最大值、三输入排序单元五(2-3-5)的中间值和三输入排序单元六(2-3-6)的最小值进行排序,然后输出九个数据中的中间值;
图像存储模块(2-4)对中值滤波模块(2-3)滤波后的图像进行存储;
锐化处理模块(2-5)采用两种锐化模式对存储的图像进行锐化,两种锐化模式分别为4-邻域拉普拉斯锐化和8-邻域拉普拉斯锐化,能够控制2-1选通器对不同的锐化形式进行选择;
锐化结果选择模块(2-6)通过增益输入与偏置输入对图像锐化结果进行选择;
图像边缘检测模块(2-7)采用Sobel算子对图像数据运算突出图像的边缘属性,然后输出图像;
图像输出单元(3)包括图像编码模块(3-1)和图像输出模块(3-2),图像编码模块(3-1)对图像边缘检测模块(2-7)输出的图像进行编码,然后通过图像输出模块(3-2)对图像进行输出。
2.根据权利要求1所述的基于FPGA的动态目标识别系统,其特征在于,图像解码模块(1-2)采用SAA7113,用于将模拟视频信号解码为标准的VPO信号。
3.基于权利要求1所述基于FPGA的动态目标识别系统的动态目标识别方法,其特征在于,动态目标识别方法的具体过程为:
步骤1、图像采集模块(1-1)采集视频信号,然后经过图像解码模块(1-2)解码输出到FPGA图像处理单元(2)的方形窗生成模块(2-1);
步骤2、第一FIFO存储器(2-1-1)和第二FIFO存储器(2-1-2)读入图像数据的前两行,然后从数据输入端读入新的数据,组合成3×3方形窗;第一个方形窗数据处理完后,方形窗右移,第7寄存器、第8寄存器和第9寄存器中的数据输入到第二FIFO存储器(2-1-2)中等待处理,第4寄存器、第5寄存器和第6寄存器中的数据输入到第一FIFO存储器(2-1-1)中等待处理,3×3方形窗的移动能够覆盖整个图像数据点;第一FIFO存储器(2-1-1)和第二FIFO存储器(2-1-2)对数据进行缓冲,然后输入到寄存器存储阵列(2-1-3)中,并行延时模块(2-2)对寄存器存储阵列(2-1-3)中的数据进行同步处理;
步骤3、九个数据图像输入到中值滤波模块(2-3)中进行滤波处理,中值滤波模块(2-3)计算3×3方形窗中的九个数据的中间值,以该中间值代表中间元素点的灰度值;然后将滤波后的图像存储到图像存储模块(2-4)中;
步骤4、锐化处理模块(2-5)对滤波后的图像进行锐化处理;
步骤5、锐化结果选择模块(2-6)选择输出的锐化结果:图像不清晰时设置增益输入和偏置输入来提高阈值,当锐化前图像小于阈值时对原图像进行输出,当锐化前图像大于阈值时对锐化后图像进行输出;并将输出的结果存储在图像存储模块(2-4)中;
步骤6、图像边缘检测模块(2-7)采用Sobel算子对图像数据运算,凸显出图像的边缘特征,然后将图像输出至图像输出单元(3);
步骤7、图像输出单元(3)的图像编码模块(3-1)对图像进行编码,然后通过图像输出模块(3-2)对图像进行输出。
4.根据权利要求3所述基于权利要求1所述基于FPGA的动态目标识别系统的动态目标识别方法,其特征在于,步骤3所述中值滤波模块(2-3)计算3×3方形窗中的九个数据的中间值的具体过程为:
步骤3-1、中值滤波模块(2-3)中的三输入排序单元首先对3×3方形窗进行行排序;
步骤3-2、三输入排序单元一(2-3-1)、三输入排序单元二(2-3-2)和三输入排序单元三(2-3-3)中的最小值输出至三输入排序单元四(2-3-4)中,三输入排序单元一(2-3-1)、三输入排序单元二(2-3-2)和三输入排序单元三(2-3-3)中的中间值输出至三输入排序单元五(2-3-5)中,三输入排序单元一(2-3-1)、三输入排序单元二(2-3-2)和三输入排序单元三(2-3-3)中的最大值输出至三输入排序单元六(2-3-6)中;
步骤3-3、三输入排序单元七(2-3-7)对三输入排序单元四(2-3-4)、三输入排序单元五(2-3-5)和三输入排序单元六(2-3-6)中的数据进行排序,获得3×3方形窗的数据的中间值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029701.9A CN105608662B (zh) | 2015-12-31 | 2015-12-31 | 基于fpga的动态目标识别系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029701.9A CN105608662B (zh) | 2015-12-31 | 2015-12-31 | 基于fpga的动态目标识别系统及其识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608662A true CN105608662A (zh) | 2016-05-25 |
CN105608662B CN105608662B (zh) | 2018-10-23 |
Family
ID=55988579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511029701.9A Expired - Fee Related CN105608662B (zh) | 2015-12-31 | 2015-12-31 | 基于fpga的动态目标识别系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608662B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341760A (zh) * | 2017-06-27 | 2017-11-10 | 北京计算机技术及应用研究所 | 一种基于fpga的低空目标跟踪系统 |
CN107911605A (zh) * | 2017-11-27 | 2018-04-13 | 中国航空工业集团公司洛阳电光设备研究所 | 流水线方式零延时提取图像锐度信息的逻辑电路及提取方法 |
CN107993202A (zh) * | 2017-11-24 | 2018-05-04 | 中国科学院长春光学精密机械与物理研究所 | 使用fpga实现中值滤波的方法 |
CN108414808A (zh) * | 2017-02-10 | 2018-08-17 | 罗德施瓦兹两合股份有限公司 | 用于探测动态数据信号的动态测量系统和方法 |
CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145201A (zh) * | 2007-10-08 | 2008-03-19 | 北京科技大学 | 一种快速目标识别与定位系统及方法 |
CN101883425A (zh) * | 2010-06-04 | 2010-11-10 | 哈尔滨工程大学 | 基于熵权灰关联的目标跟踪与识别装置及方法 |
US20120008002A1 (en) * | 2010-07-07 | 2012-01-12 | Tessera Technologies Ireland Limited | Real-Time Video Frame Pre-Processing Hardware |
CN102819818A (zh) * | 2012-08-14 | 2012-12-12 | 公安部第三研究所 | 基于fpga芯片的动态可重构技术实现图像处理的方法 |
-
2015
- 2015-12-31 CN CN201511029701.9A patent/CN105608662B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145201A (zh) * | 2007-10-08 | 2008-03-19 | 北京科技大学 | 一种快速目标识别与定位系统及方法 |
CN101883425A (zh) * | 2010-06-04 | 2010-11-10 | 哈尔滨工程大学 | 基于熵权灰关联的目标跟踪与识别装置及方法 |
US20120008002A1 (en) * | 2010-07-07 | 2012-01-12 | Tessera Technologies Ireland Limited | Real-Time Video Frame Pre-Processing Hardware |
CN102819818A (zh) * | 2012-08-14 | 2012-12-12 | 公安部第三研究所 | 基于fpga芯片的动态可重构技术实现图像处理的方法 |
Non-Patent Citations (1)
Title |
---|
张耀政: "基于FPGA实时处理的视频图像增强技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414808A (zh) * | 2017-02-10 | 2018-08-17 | 罗德施瓦兹两合股份有限公司 | 用于探测动态数据信号的动态测量系统和方法 |
CN108414808B (zh) * | 2017-02-10 | 2022-05-13 | 罗德施瓦兹两合股份有限公司 | 用于探测动态数据信号的动态测量系统和方法 |
CN107341760A (zh) * | 2017-06-27 | 2017-11-10 | 北京计算机技术及应用研究所 | 一种基于fpga的低空目标跟踪系统 |
CN107993202A (zh) * | 2017-11-24 | 2018-05-04 | 中国科学院长春光学精密机械与物理研究所 | 使用fpga实现中值滤波的方法 |
CN107911605A (zh) * | 2017-11-27 | 2018-04-13 | 中国航空工业集团公司洛阳电光设备研究所 | 流水线方式零延时提取图像锐度信息的逻辑电路及提取方法 |
CN107911605B (zh) * | 2017-11-27 | 2020-01-14 | 中国航空工业集团公司洛阳电光设备研究所 | 流水线方式零延时提取图像锐度信息的逻辑电路及提取方法 |
CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105608662B (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Semantic segmentation of litchi branches using DeepLabV3+ model | |
Zhao et al. | Semantic segmentation with attention mechanism for remote sensing images | |
Li et al. | Delving into egocentric actions | |
CN105608662A (zh) | 基于fpga的动态目标识别系统及其识别方法 | |
Jain et al. | Pixel objectness | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
CN102880865A (zh) | 基于肤色与形态特征的动态手势识别方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN112163508A (zh) | 一种基于真实场景的文字识别方法、系统及ocr终端 | |
Ho et al. | Vehicle detection at night time | |
Shen et al. | Yolov5-based model integrating separable convolutions for detection of wheat head images | |
CN109241932A (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN117095153A (zh) | 一种多模态果实感知系统、装置及存储介质 | |
Yang et al. | Cherry recognition based on color channel transform | |
Liu et al. | Learning an optical filter for green pepper automatic picking in agriculture | |
Yang et al. | Identification and detection for plant disease based on image segmentation and deep learning | |
Kong et al. | Detection model based on improved faster-RCNN in apple orchard environment | |
Wang et al. | Multi-scale coal and gangue detection in dense state based on improved Mask RCNN | |
Niu et al. | Underwater Waste Recognition and Localization Based on Improved YOLOv5. | |
Sun et al. | Character recognition method for low-contrast images of numerical instruments | |
Arpacı et al. | LUPU-Net: a new improvement proposal for encoder-decoder architecture | |
Hou et al. | A single-chip 600-fps real-time action recognition system employing a hardware friendly algorithm | |
Cao et al. | Design and Implementation of a Real-time Target detection and Tracking System | |
Wang et al. | Identity Recognition System based on Walking Posture | |
Liu et al. | Video classification of farming activities with motion-adaptive feature sampling |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181023 Termination date: 20201231 |
|
CF01 | Termination of patent right due to non-payment of annual fee |