CN106295542A - 一种夜视红外图像中的基于显著性的道路目标提取方法 - Google Patents
一种夜视红外图像中的基于显著性的道路目标提取方法 Download PDFInfo
- Publication number
- CN106295542A CN106295542A CN201610631619.1A CN201610631619A CN106295542A CN 106295542 A CN106295542 A CN 106295542A CN 201610631619 A CN201610631619 A CN 201610631619A CN 106295542 A CN106295542 A CN 106295542A
- Authority
- CN
- China
- Prior art keywords
- saliency maps
- significance
- infrared image
- night vision
- level model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种夜视红外图像中的基于显著性的道路目标提取方法,属于机器视觉领域,本发明的具体步骤为:先运用GBVS模型对夜视红外图像进行显著性区域的粗提取;运用基于超复数频域的谱尺度空间的方法,基于全局特征,进行显著性区域的再提取;运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到最终的显著性图像。本发明融合了时域与频域,全局对比度与局部对比度,低层次特征与高层次特征上的显著性,并且考虑到了能量辐射也是一种显著性因素,所以处理对象不是平常的自然图像,而是红外图像,即通过处理红外图像的方式,对原始的自然图像进行了基于能量辐射的显著性区域的提取;因此本发明所得到的显著性区域的提取效果更为准确,全面,显著性区域目标的轮廓更加清晰。
Description
技术领域
本发明属于机器视觉领域,尤其涉及一种夜视红外图像中的基于显著性的道路目标提取方法。
背景技术
视觉显著性机制可以用来提取复杂的道路场景中的对行车安全有重大影响的显著性区域,为计算机视觉的后期处理奠定了基础,提高计算机视觉的后续处理的效果和效率,面对复杂的道路场景,如果将全部内容进行计算机视觉处理,那样计算机所面对的数据处理量将非常大,处理效率也会非常的低,因此研究者们受到人类视觉系统中视觉注意力机制的启发,希望机器视觉也像人类视觉系统那样首先对原始输入的数据进行一个筛选,从而为后期处理减少计算量,提高其处理效率,所以提出了机器视觉的视觉显著性模型。
视觉显著性是一个神经生理学和心理学的概念,各国的神经生理学和心理学家都提出了很多用来解释人类视觉系统注意力的模型,例如周围-中央神经抑制机制,来模拟人类视觉注意力机制的高效的数据筛选的能力,受此启发,各国的研究者们针对如何将机器视觉具有人类视觉显著性那样的数据筛选的能力,展开了广泛而深入的研究。
中国专利(CN102999926A)公开了一种基于底层特征融合的图像视觉显著性计算方法,此方法将颜色、纹理等底层特征进行了融合,从而得到显著性区域,但只是基于底层特征,没有考虑到高层次特征,因此显著性提取的不准确。中国专利(CN103020993A)公开了一种双通道颜色对比度融合的视觉显著性检测方法,该方法运用超像素的方法,计算颜色显著性值,从而得到基于颜色特征的显著性图像,但只是在时域范围内进行处理,并且只是基于颜色特征,忽略了频域上的显著性,所以显著性区域提取的不全面。上述方法在显著性区域提取的过程中,都有上述各自的不足,并且处理的是一幅原始自然的图像,没有考虑到可以处理与原始图像相对应的夜视红外图像,所以在夜晚道路场景中的检测具有准确率低,易受背景环境中灯光的干扰,显著性目标的轮廓不清晰的不足。
本发明通过处理原始的可见光图像的对应的夜视红外图像,来避免夜晚原始的可见光图像中非显著性背景环境中灯光的影响,从而提高在夜晚道路场景中显著性目标的提取的准确性。
发明内容
针对现有技术的不足,本发明提出了一种夜视红外图像中的基于显著性的道路目标提取方法,解决现有的视觉注意力模型在夜晚道路场景中的目标检测中正确率低,易受自然场景中非显著区域的干扰,易受夜晚道路图像中灯光的影响,显著性目标轮廓不清晰等问题。
本发明是通过以下技术手段实现上述技术目的的。
一种夜视红外图像中的基于显著性的道路目标提取方法,包括如下步骤:
S1,针对道路目标的夜视红外图像,先运用GBVS模型(基于图论的图像显著性分析算法)进行基于局部对比度的显著性区域的粗提取,得到夜视红外图像的显著性图像CC;
S2,运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取,得到夜视红外图像的显著性图像ZZ;
S3,运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到显著性图像AA。
进一步,所述S2中运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取的具体步骤为:
S2.1,通过对显著性图像CC的红绿蓝三个分量组合计算,得到显著性图像CC的三个特征图U,RG,BY;
S2.2,对特征图U,RG,BY进行整合,计算得到显著性图像CC的超复数矩阵f(x,y);
S2.3,先对超复数矩阵f(x,y)进行超复数傅立叶变换,然后计算显著性图像CC的幅值谱A,相位谱p,特征轴谱kk;
S2.4,对幅值谱A进行卷积,从而得到显著性图像CC的谱尺度空间{AAk};
S2.5,基于显著性图像CC的谱尺度空间{AAk}计算得到显著性图像CC的显著图序列{Zi};
S2.6,运用基于最大方差的原则选取显著图序列{Zi}中的一个显著图序列作为夜视红外图像的显著性图像ZZ。
进一步,所述S3中运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到显著性图像AA的具体步骤为:
S3.1,运用超像素分割的方法,将显著性图像ZZ分割成多个小图像区域;
S3.2,基于全局对比度对S3.1中的多个小图像区域进行计算,得到显著性图像ZZ的低层次模型的显著性图像;
S3.3,按照阀值分割的方法对显著性图像ZZ的低层次模型的显著性图像进行处理,分别得到显著性图像ZZ的高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC;
S3.4,计算显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像pg(wi);
S3.5,将显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像进行图像融合,得到显著性图像ZZ高层次模型的显著性图像;
S3.6,将显著性图像ZZ的低层次模型的显著性图像与高层次模型的显著性图像相融合,得到最终的显著性图像AA。
进一步,所述S2.2中超复数矩阵f(x,y)的计算公式为其中向量分别为在三维空间直角坐标系中与x、y、z轴方向相同的单位向量。
进一步,所述S2.3中幅值谱A的计算公式为A=|F(f(x,y))|,其中||表示求幅值,F()表示超复数傅立叶变换。
进一步,所述S 2.5中计算显著图序列{Zi}的计算公式为:Zi=g*|F-1{AAk(x,y)ekk ×p(x,y)}|2,其中相位谱特征轴谱||表示求幅值,F()表示超复数傅立叶变换,表示相位,g表示高斯核,*表示卷积,×表示乘积,F-1表示傅立叶反变换,v()表示取傅立叶变换后的矢量部分,||||表示求矢量的模。
进一步,所述S 3.3中高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC的阀值分割原则为:BC=wi(if Pd(wi)<λ1),FC=wi(if Pd(wi)>λ2),其中λ1为背景的编码中选取的阀值,λ2为显著性目标的编码中选取的阀值。
进一步,所述S 3.4得到显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像的计算过程为:由计算机随机选取惩罚性考虑与正则化之间的平衡系数μ,使其满足其中局部适配器Ui指的是对夜视红外图像的描述,D为编码字典,ο为元素相乘,cci指的是协方差矩阵,λ为正则化系数,×为乘积,tr(cci)指的是矩阵cci中对角线元素之和,Hn为编码字典的矢量,n为编码字典中的元素的个数,α为局部适配器的权重系数,dist(Ui,Hn)指的是Ui与Hn之间的欧式距离;则高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像Pg(wi)=||Ui-Dbbi||2。
本发明的有益效果为:本发明先运用GBVS模型提取初步提取显著性;再在此基础上显,运用基于超复数频域的谱尺度空间的方法,提取全局特征,能在频域上提取显著性特征,使得时域与频域上的显著性相结合;最后运用基于融合全局和局部线索的显著性提取方法,将全局与局部的显著性特征结合,进行显著性目标轮廓的清晰化,从而提高显著性目标提取的准确性和轮廓的清晰性。本发明有效地突出显著性区域和抑制非显著性区域,从而对显著性目标实现更为精确的提取。
附图说明
图1为一种夜视红外图像中的基于显著性的道路目标提取方法的流程图;
图2为基于融合全局和局部线索的显著性提取方法的流程图;
图3为利用本发明得到的显著性图像图,图3(a)为行人的夜视红外图像图,图3(b)为利用本发明得到的行人显著性图像图,图3(c)为车辆的夜视红外图像图,图3(d)为利用本发明得到的车辆显著性图像图。
具体实施方式
下面将结合附图对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种夜视红外图像中的基于显著性的道路目标提取方法的流程图,包括步骤:
S1,针对道路目标的夜视红外图像,先运用GBVS模型(基于图论的图像显著性分析算法)进行基于局部对比度的显著性区域的粗提取,得到夜视红外图像的显著性图像CC;
S1.1,运用经典的Itti视觉显著性模型(基于显著性的视觉注意力模型),提取出夜视红外图像的特征图;
S1.2,运用马尔科夫随机场,构建特征图的马尔科夫链;
马尔科夫随机场:一个图像小区域中像素的显著性只与它邻近的像素的显著性有关,而与其他地方像素的显著性无关,那么这个图像小区域中像素的集合,就是一个马尔可夫随机场;
S1.3,通过求马尔科夫链的平衡分布,得到显著性图像CC。
S2,运用基于超复数频域的谱尺度空间的方法(运用超复数傅里叶变换,将显著性图像CC从时域转化到超复数频域的谱尺度空间),基于全局特征,对显著性图像CC进行显著性区域的再提取;
S2.1,通过对显著性图像CC的红绿蓝三个分量组合计算,得到显著性图像CC的三个特征图U,RG,BY;显著性图像CC的三个特征图U,RG,BY的计算公式如下:
U=(r+g+b)/3 (1)
RG=[r-(g+b)/2]-[g-(r+b)/2] (2)
BY=[b-(r+g)/2]-[(r+g)/2-|r-g|/2-b] (3)
其中:r,g,b分别为显著性图像CC的红绿蓝三个分量;
S2.2,对特征图U,RG,BY进行整合,计算得到显著性图像CC的超复数矩阵f(x,y);超复数矩阵f(x,y)的计算公式为:
其中:向量分别为在三维空间直角坐标系中与x、y、z轴方向相同的单位向量;
S2.3,先对超复数矩阵f(x,y)进行超复数傅立叶变换,然后计算显著性图像CC的幅值谱A,相位谱p,特征轴谱kk;幅值谱A的计算公式为:
A=|F(f(x,y))| (5)
其中:||表示求幅值,F()表示超复数傅立叶变换;
S2.4,对幅值谱A进行卷积,从而得到显著性图像CC的谱尺度空间{AAk};谱尺度空间{AAk}的计算公式为:
{AAk}=g*A (6)
其中:g表示高斯核,*表示卷积;
S2.5,基于显著性图像CC的谱尺度空间{AAk}计算得到显著性图像CC的显著图序列{Zi};计算显著图序列{Zi}的计算公式为:
Zi=g*|F-1{AAk(x,y)ekk×p(x,y)}|2 (7)
其中:相位谱特征轴谱||表示求幅值,F()表示超复数傅立叶变换,表示相位,g表示高斯核,*表示卷积,×表示乘积,F-1表示傅立叶反变换,v()表示取傅立叶变换后的矢量部分,||||表示求矢量的模;
S2.6,运用基于最大方差的原则选取显著图序列{Zi}中的一个显著图序列作为夜视红外图像的显著性图像ZZ。
S3,如图2所示,运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到显著性图像AA;
S3.1,运用超像素分割的方法(超像素分割是指从显著性图像AA中分割出一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小图像区域),将显著性图像ZZ分割成多个小图像区域;
S3.2,基于全局对比度对S3.1中的多个小图像区域进行计算,得到显著性图像ZZ的低层次模型的显著性图像;基于全局对比度对多个小图像区域进行计算的过程为:
其中:OK(q)指的是像素q落在显著性目标区域的频率,wi指的是超像素中分割出的多个小图像区域,指的是落在区域wi中的像素的个数;
其中:(x,y)指的是显著性图像ZZ的平均坐标,(xo,yo)指的是图像中心坐标,Vx,Vy指的是由小图像区域的宽和高决定的参数;
由公式(10)、(11)可得低层次模型的显著性图像Pd(wi)
其中:cj指的是位于显著性图像ZZ边界上的小图像区域,M指的是位于显著性图像ZZ边界上的小图像区域的个数,dd(wi,cj)指的是运用欧几里得度量所得的小图像区域wi与cj之间的差异;
S3.3,按照阀值分割的方法(通过设置阈值的方法对图像进行分割)对显著性图像ZZ的低层次模型的显著性图像进行处理,分别得到显著性图像ZZ的高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC;高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC的阀值分割原则为:BC=wi(if Pd(wi)<λ1),FC=wi(ifPd(wi)>λ2),其中λ1为背景的编码中选取的阀值,λ2为显著性目标的编码中选取的阀值;
S3.4,显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像的计算过程为:
由计算机随机选取惩罚性考虑与正则化之间的平衡系数μ,使其满足
其中:Ui指的是对夜视红外图像的描述,D为编码字典,ο为元素相乘;
公式(13)中
其中:cci指的是协方差矩阵,λ为正则化系数,×为乘积,tr(cci)是矩阵cci中对角线元素之和;
公式(13)中局部适配器
其中:Hn为编码字典的矢量,n为编码字典中的元素的个数,α为局部适配器的权重系数,dist(Ui,Hn)指的是Ui与Hn之间的欧式距离;
由公式(13)、(14)、(15),可得高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像pg(wi):
Pg(wi)=||Ui-Dbbi||2 (16)
S3.5,将显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像进行图像融合,得到显著性图像ZZ高层次模型的显著性图像;
S3.6,将显著性图像ZZ的低层次模型的显著性图像与高层次模型的显著性图像相融合,得到最终的显著性图像AA。
通过本发明一种夜视红外图像中的基于显著性的道路目标提取方法得到如图3所示的行人及车辆的显著性图像。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (8)
1.一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,包括如下步骤:
S1,针对道路目标的夜视红外图像,先运用GBVS模型(基于图论的图像显著性分析算法)进行基于局部对比度的显著性区域的粗提取,得到夜视红外图像的显著性图像CC;
S2,运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取,得到夜视红外图像的显著性图像ZZ;
S3,运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到显著性图像AA。
2.根据权利要求1所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S2中运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取的具体步骤为:
S2.1,通过对显著性图像CC的红绿蓝三个分量组合计算,得到显著性图像CC的三个特征图U,RG,BY;
S2.2,对特征图U,RG,BY进行整合,计算得到显著性图像CC的超复数矩阵f(x,y);
S2.3,先对超复数矩阵f(x,y)进行超复数傅立叶变换,然后计算显著性图像CC的幅值谱A,相位谱p,特征轴谱kk;
S2.4,对幅值谱A进行卷积,从而得到显著性图像CC的谱尺度空间{AAk};
S2.5,基于显著性图像CC的谱尺度空间{AAk}计算得到显著性图像CC的显著图序列{Zi};
S2.6,运用基于最大方差的原则选取显著图序列{Zi}中的一个显著图序列作为夜视红外图像的显著性图像ZZ。
3.根据权利要求1所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S3中运用基于融合全局和局部线索的显著性提取方法,对显著性图像ZZ进行全局和局部线索的融合,得到显著性图像AA的具体步骤为:
S3.1,运用超像素分割的方法,将显著性图像ZZ分割成多个小图像区域;
S3.2,基于全局对比度对S3.1中的多个小图像区域进行计算,得到显著性图像ZZ的低层次模型的显著性图像;
S3.3,按照阀值分割的方法对显著性图像ZZ的低层次模型的显著性图像进行处理,分别得到显著性图像ZZ的高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC;
S3.4,计算显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像pg(wi);
S3.5,将显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像进行图像融合,得到显著性图像ZZ高层次模型的显著性图像;
S3.6,将显著性图像ZZ的低层次模型的显著性图像与高层次模型的显著性图像相融合,得到最终的显著性图像AA。
4.根据权利要求2所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S2.2中超复数矩阵f(x,y)的计算公式为其中向量分别为在三维空间直角坐标系中与x、y、z轴方向相同的单位向量。
5.根据权利要求2所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S2.3中幅值谱A的计算公式为A=|F(f(x,y))|,其中||表示求幅值,F()表示超复数傅立叶变换。
6.根据权利要求2所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S 2.5中显著图序列{Zi}的计算公式为:Zi=g*|F-1{AAk(x,y)ekk×p(x,y)}|2,其中相位谱特征轴谱||表示求幅值,F()表示超复数傅立叶变换,表示相位,g表示高斯核,*表示卷积,×表示乘积,F-1表示傅立叶反变换,v()表示取傅立叶变换后的矢量部分,||||表示求矢量的模。
7.根据权利要求3所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S 3.3中高层次模型的背景的编码字典BC、高层次模型的显著性目标的编码字典FC的阀值分割原则为:BC=wi(if Pd(wi)<λ1),FC=wi(if Pd(wi)>λ2),其中λ1为背景的编码中选取的阀值,λ2为显著性目标的编码中选取的阀值。
8.根据权利要求3所述的一种夜视红外图像中的基于显著性的道路目标提取方法,其特征在于,所述S 3.4得到显著性图像ZZ的高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像的计算过程为:由计算机随机选取惩罚性考虑与正则化之间的平衡系数μ,使其满足其中局部适配器Ui指的是对夜视红外图像的描述,D为编码字典,。为元素相乘,cci指的是协方差矩阵,λ为正则化系数,×为乘积,tr(cci)指的是矩阵cci中对角线元素之和,Hn为编码字典的矢量,n为编码字典中的元素的个数,α为局部适配器的权重系数,dist(Ui,Hn)指的是Ui与Hn之间的欧式距离;则高层次模型的背景的显著性图像、高层次模型的显著性目标的显著性图像Pg(wi)=||Ui-Dbbi||2。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610631619.1A CN106295542A (zh) | 2016-08-03 | 2016-08-03 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
PCT/CN2017/087531 WO2018024030A1 (zh) | 2016-08-03 | 2017-06-08 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
DE112017000273.7T DE112017000273T9 (de) | 2016-08-03 | 2017-06-08 | Ausgeprägtheitsbasiertes Verfahren zum Extrahieren eines Straßenziels aus einem Nachtsicht-Infrarotbild |
CA3032487A CA3032487C (en) | 2016-08-03 | 2017-06-08 | Saliency-based method for extracting road target from night vision infrared image |
US16/070,078 US10635929B2 (en) | 2016-08-03 | 2017-06-08 | Saliency-based method for extracting road target from night vision infrared image |
JP2019506074A JP2019523509A (ja) | 2016-08-03 | 2017-06-08 | 暗視赤外画像における顕著性に基づく道路オブジェクト抽出方法 |
AU2017307115A AU2017307115B2 (en) | 2016-08-03 | 2017-06-08 | A method of extracting road targets based on saliency in a night vision infrared image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610631619.1A CN106295542A (zh) | 2016-08-03 | 2016-08-03 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295542A true CN106295542A (zh) | 2017-01-04 |
Family
ID=57664635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610631619.1A Pending CN106295542A (zh) | 2016-08-03 | 2016-08-03 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10635929B2 (zh) |
JP (1) | JP2019523509A (zh) |
CN (1) | CN106295542A (zh) |
AU (1) | AU2017307115B2 (zh) |
CA (1) | CA3032487C (zh) |
DE (1) | DE112017000273T9 (zh) |
WO (1) | WO2018024030A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
WO2018024030A1 (zh) * | 2016-08-03 | 2018-02-08 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
CN108090885A (zh) * | 2017-12-20 | 2018-05-29 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN108256519A (zh) * | 2017-12-13 | 2018-07-06 | 苏州长风航空电子有限公司 | 一种基于全局和局部相互作用的红外图像显著检测方法 |
CN108805029A (zh) * | 2018-05-08 | 2018-11-13 | 天津师范大学 | 一种基于显著对偶激活编码的地基云图识别方法 |
CN109346102A (zh) * | 2018-09-18 | 2019-02-15 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频开头爆音的检测方法、装置及存储介质 |
CN110889386A (zh) * | 2019-12-02 | 2020-03-17 | 山东浪潮人工智能研究院有限公司 | 一种基于结构特征学习的手指静脉识别方法 |
CN111062982A (zh) * | 2019-12-10 | 2020-04-24 | 长江存储科技有限责任公司 | 一种图形分析方法、系统及存储介质 |
CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
CN116740165A (zh) * | 2023-06-21 | 2023-09-12 | 南宁桂电电子科技研究院有限公司 | 双尺度下自适应红外图像目标大小的检测方法 |
CN116740165B (zh) * | 2023-06-21 | 2024-07-05 | 南宁桂电电子科技研究院有限公司 | 双尺度下自适应红外图像目标大小的检测方法 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934224B (zh) * | 2019-03-07 | 2023-06-09 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110717454B (zh) * | 2019-10-10 | 2022-03-11 | 北京北特圣迪科技发展有限公司 | 一种舞台环境下的轮式机器人障碍检测方法 |
CN110782405B (zh) * | 2019-10-14 | 2022-10-18 | 中国科学院光电技术研究所 | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 |
CN111046869B (zh) * | 2019-11-27 | 2023-09-29 | 北京腾信软创科技股份有限公司 | 一种基于深度学习的显著区域提取方法及系统 |
CN111008585B (zh) * | 2019-11-29 | 2023-04-07 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN111145148A (zh) * | 2019-12-13 | 2020-05-12 | 中国人民解放军国防科技大学 | 基于压缩感知的图像受干扰程度评价方法 |
CN111062905B (zh) * | 2019-12-17 | 2022-01-04 | 大连理工大学 | 一种基于显著图增强的红外和可见光融合方法 |
CN111260624B (zh) * | 2020-01-15 | 2023-05-26 | 陕西师范大学 | 一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法 |
EP4120225A1 (en) * | 2020-03-10 | 2023-01-18 | Pioneer Corporation | Map data generation device |
CN112164068B (zh) * | 2020-07-17 | 2023-07-28 | 中国人民解放军63892部队 | 一种警戒雷达ppi图像目标和干扰区域自适应提取方法 |
CN112070098B (zh) * | 2020-08-20 | 2024-02-09 | 西安理工大学 | 基于频率调整模型的高光谱图像显著目标检测方法 |
CN112132810B (zh) * | 2020-09-24 | 2023-09-12 | 西安电子科技大学 | 基于感知逻辑和特征对比的图像显著性检测方法 |
CN112329796B (zh) * | 2020-11-12 | 2023-05-23 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
CN112419265B (zh) * | 2020-11-23 | 2023-08-01 | 哈尔滨工程大学 | 一种基于人眼视觉机制的伪装评价方法 |
CN112329887B (zh) * | 2020-11-26 | 2023-12-05 | 深圳大学 | 基于尺度自适应滤波的高光谱和LiDAR联合分类方法 |
CN112613528B (zh) * | 2020-12-31 | 2023-11-03 | 广东工业大学 | 一种基于显著性变分的点云精简方法、装置及存储介质 |
CN112541486B (zh) * | 2020-12-31 | 2022-11-08 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN112950477B (zh) * | 2021-03-15 | 2023-08-22 | 河南大学 | 一种基于双路径处理的高分辨率显著性目标检测方法 |
CN113449667A (zh) * | 2021-07-08 | 2021-09-28 | 四川师范大学 | 基于全局卷积和边界细化的显著目标检测方法 |
CN113449735B (zh) * | 2021-07-15 | 2023-10-31 | 北京科技大学 | 一种超像素分割的语义分割方法及装置 |
CN113573058B (zh) * | 2021-09-23 | 2021-11-30 | 康达洲际医疗器械有限公司 | 一种基于时空显著性融合的帧间图像编码方法 |
CN114037820A (zh) * | 2021-11-05 | 2022-02-11 | 北京环境特性研究所 | 一种基于多特征融合的红外弱小多目标的检测方法和装置 |
CN114463365B (zh) * | 2022-04-12 | 2022-06-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
CN115424037A (zh) * | 2022-10-12 | 2022-12-02 | 武汉大学 | 一种基于多尺度稀疏表示的显著目标区域提取方法 |
CN116958876B (zh) * | 2023-07-28 | 2024-06-14 | 郑州轻工业大学 | 一种基于多光谱双目立体视觉的视频异常行为检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996040A (zh) * | 2014-05-13 | 2014-08-20 | 西北工业大学 | 融合局部-全局对比度的自底向上的视觉显著性生成方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN105761269A (zh) * | 2016-03-14 | 2016-07-13 | 北京大学 | 基于多尺度区分性子空间的图像显著对象的检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008053901A (ja) * | 2006-08-23 | 2008-03-06 | Konica Minolta Holdings Inc | 撮像装置および撮像方法 |
WO2011001398A2 (en) * | 2009-06-30 | 2011-01-06 | Mango Dsp Inc. | Method circuit and system for matching an object or person present within two or more images |
CN102521592B (zh) * | 2011-11-30 | 2013-06-12 | 苏州大学 | 基于非清晰区域抑制的多特征融合显著区域提取方法 |
JP5630518B2 (ja) * | 2012-03-14 | 2014-11-26 | 株式会社デンソー | 運転支援装置 |
US9025880B2 (en) * | 2012-08-29 | 2015-05-05 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
CN102999926B (zh) | 2012-11-12 | 2016-06-29 | 北京交通大学 | 一种基于底层特征融合的图像视觉显著性计算方法 |
CN103020993B (zh) | 2012-11-28 | 2015-06-17 | 杭州电子科技大学 | 一种双通道颜色对比度融合的视觉显著性检测方法 |
US9245187B1 (en) * | 2014-07-07 | 2016-01-26 | Geo Semiconductor Inc. | System and method for robust motion detection |
CN104463907A (zh) * | 2014-11-13 | 2015-03-25 | 南京航空航天大学 | 一种基于视觉显著性特征的自适应目标跟踪方法 |
US10198654B2 (en) * | 2016-06-24 | 2019-02-05 | Ebay Inc. | Automated saliency map estimation |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
-
2016
- 2016-08-03 CN CN201610631619.1A patent/CN106295542A/zh active Pending
-
2017
- 2017-06-08 CA CA3032487A patent/CA3032487C/en active Active
- 2017-06-08 DE DE112017000273.7T patent/DE112017000273T9/de active Active
- 2017-06-08 AU AU2017307115A patent/AU2017307115B2/en not_active Ceased
- 2017-06-08 US US16/070,078 patent/US10635929B2/en active Active
- 2017-06-08 WO PCT/CN2017/087531 patent/WO2018024030A1/zh active Application Filing
- 2017-06-08 JP JP2019506074A patent/JP2019523509A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996040A (zh) * | 2014-05-13 | 2014-08-20 | 西北工业大学 | 融合局部-全局对比度的自底向上的视觉显著性生成方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN105761269A (zh) * | 2016-03-14 | 2016-07-13 | 北京大学 | 基于多尺度区分性子空间的图像显著对象的检测方法 |
Non-Patent Citations (4)
Title |
---|
ADEEL MUMTAZ 等: "Saliency based algorithm for ship detection in infrared images", 《PROCEEDINGS OF 2016 13TH INTERNATIONAL BHURBAN CONFERENCE ON APPLIED SCIENCE & TECHNOLOGY(IBCAST)》 * |
NA TONG 等: "Salient object detection via global and local cues", 《PATTERN RECOGNITION》 * |
邹强: "复杂背景下显著目标快速检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈倩: "显著性区域检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10635929B2 (en) | 2016-08-03 | 2020-04-28 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
WO2018024030A1 (zh) * | 2016-08-03 | 2018-02-08 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN107133558B (zh) * | 2017-03-13 | 2020-10-20 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
CN108256519A (zh) * | 2017-12-13 | 2018-07-06 | 苏州长风航空电子有限公司 | 一种基于全局和局部相互作用的红外图像显著检测方法 |
CN108256519B (zh) * | 2017-12-13 | 2022-06-17 | 苏州长风航空电子有限公司 | 一种基于全局和局部相互作用的红外图像显著检测方法 |
CN108090885A (zh) * | 2017-12-20 | 2018-05-29 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN108090885B (zh) * | 2017-12-20 | 2021-08-27 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN108805029A (zh) * | 2018-05-08 | 2018-11-13 | 天津师范大学 | 一种基于显著对偶激活编码的地基云图识别方法 |
CN108805029B (zh) * | 2018-05-08 | 2021-08-24 | 天津师范大学 | 一种基于显著对偶激活编码的地基云图识别方法 |
CN109346102B (zh) * | 2018-09-18 | 2022-05-06 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频开头爆音的检测方法、装置及存储介质 |
CN109346102A (zh) * | 2018-09-18 | 2019-02-15 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频开头爆音的检测方法、装置及存储介质 |
CN110889386A (zh) * | 2019-12-02 | 2020-03-17 | 山东浪潮人工智能研究院有限公司 | 一种基于结构特征学习的手指静脉识别方法 |
CN111062982A (zh) * | 2019-12-10 | 2020-04-24 | 长江存储科技有限责任公司 | 一种图形分析方法、系统及存储介质 |
CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
CN116740165A (zh) * | 2023-06-21 | 2023-09-12 | 南宁桂电电子科技研究院有限公司 | 双尺度下自适应红外图像目标大小的检测方法 |
CN116740165B (zh) * | 2023-06-21 | 2024-07-05 | 南宁桂电电子科技研究院有限公司 | 双尺度下自适应红外图像目标大小的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018024030A1 (zh) | 2018-02-08 |
CA3032487A1 (en) | 2018-02-08 |
DE112017000273T9 (de) | 2019-01-03 |
US10635929B2 (en) | 2020-04-28 |
US20190197344A1 (en) | 2019-06-27 |
CA3032487C (en) | 2021-02-16 |
AU2017307115B2 (en) | 2020-05-21 |
AU2017307115A1 (en) | 2019-02-21 |
DE112017000273T5 (de) | 2018-09-13 |
JP2019523509A (ja) | 2019-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295542A (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN103914834B (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
Luo et al. | Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN103745203B (zh) | 基于视觉注意和均值漂移的目标检测与跟踪方法 | |
CN107909059A (zh) | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 | |
Ding et al. | Adversarial shape learning for building extraction in VHR remote sensing images | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN101464948A (zh) | 一种基于关键点的仿射不变矩的目标识别方法 | |
Liu et al. | Deep multi-level fusion network for multi-source image pixel-wise classification | |
Zhang et al. | Recurrent Shadow Attention Model (RSAM) for shadow removal in high-resolution urban land-cover mapping | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
Liu et al. | Road centerlines extraction from high resolution images based on an improved directional segmentation and road probability | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN104036481B (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN110378341A (zh) | 一种双目视觉行人距离检测方法 | |
CN106846330A (zh) | 人体肝脏特征建模及血管模型空间归一方法 | |
CN107066961A (zh) | 指纹配准方法及装置 | |
CN103745453A (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
CN106952312A (zh) | 一种基于线特征描述的无标识增强现实注册方法 | |
CN107490356A (zh) | 一种非合作目标旋转轴和旋转角测量方法 | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
CN104933719A (zh) | 一种积分图块间距离检测图像边缘方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |