CN105868745A - 基于动态场景感知的天气识别方法 - Google Patents
基于动态场景感知的天气识别方法 Download PDFInfo
- Publication number
- CN105868745A CN105868745A CN201610444136.0A CN201610444136A CN105868745A CN 105868745 A CN105868745 A CN 105868745A CN 201610444136 A CN201610444136 A CN 201610444136A CN 105868745 A CN105868745 A CN 105868745A
- Authority
- CN
- China
- Prior art keywords
- weather
- dynamic
- scene
- image
- background area
- 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 40
- 230000008447 perception Effects 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于动态场景感知的天气识别方法，包括以下步骤：分析动态天空场景目标和背景在不同天气下成像的差异性，采用角点检测算法确定目标区域和背景区域的位置；再分别提取背景区域的纹理和功率谱斜率特征，以及目标区域的对比度和锐度特征；利用多核学习方法将背景和目标区域特征融合识别天气状况。本发明是基于动态场景感知的天气识别方法，既可消除由目标的尺度变化对天气识别的影响，同时又借助目标区域特征增加有用特征信息以提高天气识别率，尤其提升了背景均匀、特征相似的天气的识别率。
Description
技术领域
本发明涉及图像处理和模式识别领域，尤其涉及一种基于动态场景感知的天气识别方法。
背景技术
场景天气识别是图像理解和模式识别领域的研究热点之一，尤其是对恶劣天气的识别有极为迫切的需求，在智能交通、无人驾驶、虚拟现实、导航定位和军事侦查等领域应用广泛。目标跟踪是光电跟踪系统的关键技术，存在着对天气条件过于依赖的缺陷。在阴天和雾天天气条件下，目标能量按大气衰减，造成光电成像系统中目标成像对比度低，无法对目标的精识别；在晴空中夹杂云层，一旦将云层错误识别成目标或目标被遮挡，目标跟踪中断造成测量关键段的珍贵数据丢失。场景天气识别可分为固定场景和动态场景的天气识别。固定场景是利用图像的全局特征来识别天气，而在动态场景中存在目标种类不同和尺度变化等干扰，全局特征并不能实时有效地反映天气特性。动态场景的研究主要有选取天空背景、光阴影和反光块等具有天气代表性区域来识别天气，但是，仅利用了场景中的局部特征信息，未充分挖掘图像信息来解决动态场景的天气识别，尤其在晴天、小晴天和小阴天天气，背景区域清晰，均匀且单一，特征均有相似性，很难仅依靠背景区域特征进行天气的识别。
因此，如何实时有效的识别动态天空场景的天气对于解决目标稳定跟踪而言具有重要的意义。
发明内容
本发明的目的在于克服现有的利用全局特征或局部特征信息进行天气识别从而导致天气识别率降低的技术问题，提供一种基于动态场景感知的天气识别方法。
实现上述目的，该天气识别方法包括：
步骤一：分析动态天空场景的组成及其在不同天气状况下的图像特性；所述的动态天空场景的组成包括背景区域和目标区域；
步骤二：采用Harris角点检测算法来确定场景中目标区域和背景区域的位置，对目标区域和背景区域进行划分；
步骤三：对背景区域提取纹理特征；
步骤四：对背景区域提取功率谱斜率特征；
步骤五：对目标区域提取对比度特征；
步骤六：对目标区域提取锐度特征；
步骤七：根据光电跟踪系统采集的图像数据库建立动态天空场景训练集；对动态天空场景训练集进行多核学习的训练，提取图像特征的权重并将背景区域和目标区域特征融合；
步骤八：利用多核学习方法进行天气的识别；
所述的图像特征包括：纹理特征、功率谱斜率特征、对比度特征和锐度特征。
具体地，所述背景区域是不同天气状况下云层或天空的图像区域，该图像区域具有不规则的纹理特征；所述目标区域是具有角点特性的结构化刚体区域。
具体地，所述的Harris角点检测算法是场景中的点通过Harris算子计算，其计算值大于设定阈值时，则该点为角点；再分别选择场景中角点位置的水平方向上坐标最小值umin，水平方向上坐标最大值umax，垂直方向上坐标最小值vmin和垂直方向上坐标最大值vmax，从而确定目标区域为It(u,v)＝{(u,v)|umin≤u≤umax,vmin≤v≤vmax}，其中u和v分别为图像水平和垂直方向上坐标，t代表目标区域，It(u,v)为目标区域的具体位置。
具体地，所述的背景区域提取纹理特征是通过灰度共生矩阵GLCM获取，分别选择灰度共生矩阵GLCM在0°，45°，90°和135°四个方向的能量和熵提取纹理特征；所述灰度共生矩阵GLCM是利用图像中灰度的空间相关特性描述图像纹理特征信息的方法。
具体地，所述的能量是衡量图像的同质性或均匀性，反映背景区域的纹理粗细程度；能量为其中，energy为能量，i和j为灰度级，k为图像的灰度级数目，p(i,j)为灰度共生矩阵GLCM的元素；所述的熵是衡量背景区域一致性的参数，背景区域的灰度分布均匀时熵值较大，而背景区域的灰度值分散和变化较大时熵值较小；熵为其中，entropy为熵，lg为对数计算。
具体地，所述的功率谱斜率特征是分析背景区域中不同的能量频率的分布情况，进而根据分布情况来识别天气；功率谱斜率为其中A是缩放因子的常数，S(f)是背景区域图像关于半径f的功率谱函数。
具体地，对比度特征是通过图像亮度的标准差计算，即其中It(u,v)为目标区域的亮度，Nt为目标区域像素点个数。
具体地，所述的锐度特征是以梯度模的波动反映目标的边缘信息，即锐度特征用梯度模的方差表示为其中S(u,v)为目标区域的梯度模，为梯度模的均值；所述的目标区域提取锐度特征反映动态天空场景中目标轮廓的明显程度。
具体地，建立动态天空场景训练集xi为目标区域和背景区域的天气特征，yi为天气识别的标号；动态天空场景训练集进行多核学习训练，得到代表图像特征的单核函数Km(x,xi)所对应的权重dm，通过将m个单核函数线性加权组合成多核函数K(x,xi)，即其中M为单核函数的总数；通过训练得到权重dm来完成测试集中目标区域和背景区域的图像特征融合。
具体地，所述的利用多核学习方法进行天气的识别，根据其中ai *和b*是通过动态天空场景训练集训练得出的参数，fm(x)为多核学习的输出，即天气识别；将动态天空场景测试集输入到训练完成的多核学习方法中进行天气的识别。
本发明是一种基于动态场景感知的天气识别方法，采用角点检测算法确定目标区域和背景区域的位置，通过多核学习训练将背景区域和目标区域特征融合，进而用于天气的识别。此方法既可消除由目标的尺度变化对天气识别的影响，同时又借助目标区域特征增加有用特征信息以提高天气识别率，尤其提升了背景均匀、特征相似的天气的识别率。
附图说明
图1是基于动态场景感知的天气识别方法的流程图；
图2是动态天空场景天气图像数据库；
图3(a)、图3(b)、图3(c)、图3(d)、图3(e)、图3(f)、图3(g)、图3(h)和图3(i)是动态天空场景中9类天气的背景区域和目标区域划分结果；
图4是本发明与全局特征和代表性区域特征对9类天气识别率的对比；
图5是天气识别正确率与对比度的关系；
图6是背景特征和目标特征在各类天气下的权重。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图对本发明的实施方式作进一步的描述，但本发明的保护范围不限于下述的实施例。
本实施例的动态天空场景训练集中的图像数据库是光电跟踪系统实时采集的，晴天有云125幅，晴天90幅，小晴天153幅，大阴天269幅，中阴天116幅，小阴天167幅，大雾天156幅，中雾天156幅，小雾天101幅，分别用数字1-9标类别，共1333幅。光电跟踪系统在9类天气下对不同机型和尺度的飞行目标成像，选取部分场景图像如图2所示，9类天气依次用竖线分开。
图1为本发明基于动态场景感知的天气识别方法的流程图，具体的实施步骤如下：
(1)随机选取600幅动态天空场景天气图像作为训练样本，即训练集，733幅作为测试样本，即测试集。利用Harris角点检测算法确定场景中背景区域和目标区域的位置，将动态天空场景划分为目标区域和背景区域。将场景中的点通过Harris算子计算，其计算值大于设定阈值时，则该点为角点；再分别选择场景中角点位置的水平方向上坐标最小值umin，水平方向上坐标最大值umax，垂直方向上坐标最小值vmin和垂直方向上坐标最大值vmax，从而确定目标区域为其中u和v分别为图像水平和垂直方向上坐标，t代表目标区域，It(u,v)为目标区域的具体位置。所述背景区域是不同天气状况下云层或天空的图像区域，该图像区域由ROI1、ROI2、ROI3和ROI4组成，具有不规则的纹理特征；所述目标区域，即Target区域是具有角点特性的结构化刚体区域。选取9类天气动态天空场景区域划分如图3(a)-3(i)所示。
(2)背景区域ROI1、ROI2、ROI3和ROI4中分别提取纹理特征和功率谱斜率特征，即在灰度共生矩阵的0°，45°，90°和135°四个方向的能量(energy)和熵(entropy)上计算纹理特征。其中，能量是衡量图像的同质性或均匀性，反映背景区域的纹理粗细程度；能量为其中，energy为能量，i和j为灰度级，k为图像的灰度级数目，p(i,j)为灰度共生矩阵GLCM的元素。熵是衡量背景区域一致性的参数，背景区域的灰度分布均匀时熵值较大，而背景区域的灰度值分散和变化较大时熵值较小；熵为其中，entropy为熵，lg为对数计算。功率谱斜率特征是分析背景区域中不同的能量频率的分布情况，进而根据分布情况来识别天气；功率谱斜率为其中A是缩放因子的常数，S(f)是背景区域图像关于半径f的功率谱函数。
(3)目标区域Target中提取对比度特征和锐度特征，即采用目标区域亮度的标准差来计算对比度，目标区域梯度模的方差来计算锐度特征。锐度特征是以梯度模的波动反映目标的边缘信息，即锐度特征用梯度模的方差表示为其中S(u,v)为目标区域的梯度模，为梯度模的均值；所述的目标区域提取锐度特征反映动态天空场景中目标轮廓的明显程度。
(4)对动态天空场景训练集进行多核学习，得到代表图像特征的单核函数Km(x,xi)所对应的权重dm，其中xi为目标区域和背景区域的天气特征，yi为天气识别的标号，通过将m个单核函数线性加权组合成多核函数K(x,xi)，即其中M为单核函数的总数；通过训练得到权重dm来完成测试集中目标区域和背景区域的图像特征融合。
(5)将测试集的背景区域的纹理特征和功率谱斜率特征，目标区域的对比度特征和锐度特征作为训练好的多核学习方法的输入，按训练得到各类天气特征的权重参数dm进行特征融合识别天气，多核学习的问题为其中ai *和b*是通过动态天空场景训练集训练得出的参数，fm(x)为多核学习的输出，得到天气识别结果。
运用以上方法，对9类天气的识别正确率可参见如下表：
上表可看出本发明对动态天空场景各类天气均有较高的识别率，其中晴天有云(1)、大阴天(4)、中阴天(5)、中雾天(8)和小雾天(9)的识别正确率均超过0.9；大雾天(7)的识别率为0.8652；晴天(2)、小晴天(3)和小阴天(6)的识别正确率分别为0.6267、0.8462和0.7582，该3类动态天空场景小部分相互错误识别，由于光电跟踪系统灰度成像分辨率低、信息量有限，而晴天、小晴天和小阴天的天气特性相似，分类较细且无明显的天气分类界限。
本发明与现有的图像全局特征和选取图像的代表性区域的方法的识别率对比，为了得到有效的识别正确率，将实验重复了10次，再用10次实验识别率的平均值对比如下表：
| 方法 | 全局特征 | 代表性区域特征 | 本发明 |
| 天气识别率 | 70.532％ | 80.882％ | 88.831％ |
上表可看出本发明的天气识别正确率为88.831％，要优于其他两种方法，即将动态天空场景的目标区域和背景区域特征融合，相比于图像全局特征或单一背景代表性区域特征的天气识别正确率高。
图4为进一步分析本发明的各类天气下识别正确率。本发明相比其他两种方法在识别正确率上均有提高，尤其在晴天、小晴天和小阴天，因该3类天气状况下背景区域清晰、均匀且单一，特征具有相似性，很难仅依靠背景区域特征识别，可利用目标区域天气特征的差异性，提高动态天空场景天气识别正确率。
图5为全局对比度与天气识别正确率的关系，同时也反映天气图像质量与识别正确率的关系。为了分析动态天空场景中目标对天气识别的影响，本发明采用全局对比度来反映目标的尺度变化。由图5可知，本发明的随对比度的增加，较其他两种方法的下降更加缓慢，识别正确率几乎趋于稳定，识别正确率均在0.8以上，即本发明既可以消除目标尺度变化对图像天气特征的影响，同时目标区域特征可以为动态场景天气识别提供有用信息。
本发明分析各类天气的目标区域和背景区域的权重如图6所示，可看出背景区域特征在动态天空场景天气识别权重较大，即在天气识别中作用较大。晴天(2)、小晴天(3)和小阴天(6)的目标区域的权重相对目标区域的平均权重有明显增加，即目标区域对天气识别的贡献率相对平均贡献要高，同本发明相比其他两种方法在该3类天气识别正确率上均有提高。
Claims (10)
1.基于动态场景感知的天气识别方法，其特征在于，该方法包括：
步骤一：分析动态天空场景的组成及其在不同天气状况下的图像特性；所述的动态天空场景的组成包括背景区域和目标区域；
步骤二：采用Harris角点检测算法来确定场景中目标区域和背景区域的位置，对目标区域和背景区域进行划分；
步骤三：对背景区域提取纹理特征；
步骤四：对背景区域提取功率谱斜率特征；
步骤五：对目标区域提取对比度特征；
步骤六：对目标区域提取锐度特征；
步骤七：根据光电跟踪系统采集的图像数据库建立动态天空场景训练集；对动态天空场景训练集进行多核学习的训练，提取图像特征的权重并将背景区域和目标区域特征融合；
步骤八：利用多核学习方法进行天气的识别；
所述的图像特征包括：纹理特征、功率谱斜率特征、对比度特征和锐度特征。
2.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：所述背景区域是不同天气状况下云层或天空的图像区域，该图像区域具有不规则的纹理特征；所述目标区域是具有角点特性的结构化刚体区域。
3.根据权利要求1或2所述的基于动态场景感知的天气识别方法，其特征在于：所述的Harris角点检测算法是场景中的点通过Harris算子计算，其计算值大于设定阈值时，则该点为角点；再分别选择场景中角点位置的水平方向上坐标最小值umin，水平方向上坐标最大值umax，垂直方向上坐标最小值vmin和垂直方向上坐标最大值vmax，从而确定目标区域为It(u,v)＝{(u,v)|umin≤u≤umax,vmin≤v≤vmax}，其中u和v分别为图像水平和垂直方向上坐标，t代表目标区域，It(u,v)为目标区域的具体位置。
4.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：所述的背景区域提取纹理特征是通过灰度共生矩阵GLCM获取，分别选择灰度共生矩阵GLCM在0°，45°，90°和135°四个方向的能量和熵提取纹理特征；所述灰度共生矩阵GLCM是利用图像中灰度的空间相关特性描述图像纹理特征信息的方法。
5.根据权利要求4所述的背景区域提取纹理特征，其特征在于：所述的能量是衡量图像的同质性或均匀性，反映背景区域的纹理粗细程度；能量为其中，energy为能量，i和j为灰度级，k为图像的灰度级数目，p(i,j)为灰度共生矩阵GLCM的元素；所述的熵是衡量背景区域一致性的参数，背景区域的灰度分布均匀时熵值大，而背景区域的灰度值分散和变化剧烈时熵值小；熵为其中，entropy为熵，lg为对数计算。
6.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：所述的功率谱斜率特征是分析背景区域中不同的能量频率的分布情况，进而根据分布情况来识别天气；功率谱斜率为其中A是缩放因子的常数，S(f)是背景区域图像关于半径f的功率谱函数。
7.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：对比度特征是通过图像亮度的标准差计算，即其中It(u,v)为目标区域的亮度，Nt为目标区域像素点个数。
8.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：所述的锐度特征是以梯度模的波动反映目标的边缘信息，即锐度特征用梯度模的方差表示为其中S(u,v)为目标区域的梯度模，为梯度模的均值；所述的目标区域提取锐度特征反映动态天空场景中目标轮廓的明显程度。
9.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：建立动态天空场景训练集xi为目标区域和背景区域的天气特征，yi为天气识别的标号；动态天空场景训练集进行多核学习训练，得到代表图像特征的单核函数Km(x,xi)所对应的权重dm，通过将m个单核函数线性加权组合成多核函数K(x,xi)，即其中M为单核函数的总数；通过训练得到权重dm来完成测试集中目标区域和背景区域的图像特征融合。
10.根据权利要求1所述的基于动态场景感知的天气识别方法，其特征在于：所述的利用多核学习方法进行天气的识别是，将动态天空场景测试集输入到训练完成的多核学习方法中进行天气的识别，即根据其中和b*是通过动态天空场景训练集训练得出的参数，fm(x)为多核学习的输出，即天气识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610444136.0A CN105868745B (zh) | 2016-06-20 | 2016-06-20 | 基于动态场景感知的天气识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610444136.0A CN105868745B (zh) | 2016-06-20 | 2016-06-20 | 基于动态场景感知的天气识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105868745A true CN105868745A (zh) | 2016-08-17 |
| CN105868745B CN105868745B (zh) | 2019-05-14 |
Family
ID=56649800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610444136.0A Expired - Fee Related CN105868745B (zh) | 2016-06-20 | 2016-06-20 | 基于动态场景感知的天气识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105868745B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960188A (zh) * | 2017-03-17 | 2017-07-18 | 华为技术有限公司 | 天气图像分类方法及装置 |
| CN107273803A (zh) * | 2017-05-16 | 2017-10-20 | 北京环境特性研究所 | 云层图像检测方法 |
| CN109034265A (zh) * | 2018-08-16 | 2018-12-18 | 湖北亿咖通科技有限公司 | 雨刮器自启动装置与方法 |
| CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
| CN110599522A (zh) * | 2019-09-18 | 2019-12-20 | 成都信息工程大学 | 一种视频序列中动态目标检测剔除方法 |
| CN111310592A (zh) * | 2020-01-20 | 2020-06-19 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
| CN111474863A (zh) * | 2019-01-23 | 2020-07-31 | 顺丰科技有限公司 | 天气识别模型构建方法、识别方法及装置 |
| CN111553181A (zh) * | 2019-02-12 | 2020-08-18 | 上海欧菲智能车联科技有限公司 | 车载相机语义识别方法、系统及装置 |
| CN111970510A (zh) * | 2020-07-14 | 2020-11-20 | 浙江大华技术股份有限公司 | 视频处理方法、存储介质及计算装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110235925A1 (en) * | 2007-06-25 | 2011-09-29 | Masaya Itoh | Image monitoring system |
| CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
| CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
| CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
-
2016
- 2016-06-20 CN CN201610444136.0A patent/CN105868745B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110235925A1 (en) * | 2007-06-25 | 2011-09-29 | Masaya Itoh | Image monitoring system |
| CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
| CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
| CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960188A (zh) * | 2017-03-17 | 2017-07-18 | 华为技术有限公司 | 天气图像分类方法及装置 |
| CN106960188B (zh) * | 2017-03-17 | 2020-02-14 | 华为技术有限公司 | 天气图像分类方法及装置 |
| CN107273803B (zh) * | 2017-05-16 | 2020-04-24 | 北京环境特性研究所 | 云层图像检测方法 |
| CN107273803A (zh) * | 2017-05-16 | 2017-10-20 | 北京环境特性研究所 | 云层图像检测方法 |
| CN109034265A (zh) * | 2018-08-16 | 2018-12-18 | 湖北亿咖通科技有限公司 | 雨刮器自启动装置与方法 |
| CN111474863A (zh) * | 2019-01-23 | 2020-07-31 | 顺丰科技有限公司 | 天气识别模型构建方法、识别方法及装置 |
| CN111553181A (zh) * | 2019-02-12 | 2020-08-18 | 上海欧菲智能车联科技有限公司 | 车载相机语义识别方法、系统及装置 |
| CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
| CN110555465B (zh) * | 2019-08-13 | 2022-03-11 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
| CN110599522A (zh) * | 2019-09-18 | 2019-12-20 | 成都信息工程大学 | 一种视频序列中动态目标检测剔除方法 |
| CN110599522B (zh) * | 2019-09-18 | 2023-04-11 | 成都信息工程大学 | 一种视频序列中动态目标检测剔除方法 |
| CN111310592A (zh) * | 2020-01-20 | 2020-06-19 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
| CN111310592B (zh) * | 2020-01-20 | 2023-06-16 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
| CN111970510A (zh) * | 2020-07-14 | 2020-11-20 | 浙江大华技术股份有限公司 | 视频处理方法、存储介质及计算装置 |
| CN111970510B (zh) * | 2020-07-14 | 2023-06-02 | 浙江大华技术股份有限公司 | 视频处理方法、存储介质及计算装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105868745B (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105868745A (zh) | 基于动态场景感知的天气识别方法 | |
| CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
| US11836976B2 (en) | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device | |
| CN103646400B (zh) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
| CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
| CN102592134B (zh) | 一种高光谱与红外数据多级决策融合分类方法 | |
| US20030185420A1 (en) | Target detection method and system | |
| CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
| GB2532948A (en) | Objection recognition in a 3D scene | |
| CN103871077B (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
| MX2015000035A (es) | Sistema integrado de deteccion temprana de hidrocarburos en un medio acuoso. | |
| CN110491132A (zh) | 基于视频帧图片分析的车辆违停检测方法及装置 | |
| CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
| CN103500453A (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
| CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
| CN109840463A (zh) | 一种车道线识别方法和装置 | |
| CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
| CN107045630A (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
| CN109285187A (zh) | 一种基于道路监控视频图像的最远可见点检测方法 | |
| CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
| CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
| CN102063726A (zh) | 一种运动目标分类方法和系统 | |
| Li et al. | A fog level detection method based on grayscale features |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190514 |