CN106887002A - 一种红外图像序列显著性检测方法 - Google Patents
一种红外图像序列显著性检测方法 Download PDFInfo
- Publication number
- CN106887002A CN106887002A CN201710213028.7A CN201710213028A CN106887002A CN 106887002 A CN106887002 A CN 106887002A CN 201710213028 A CN201710213028 A CN 201710213028A CN 106887002 A CN106887002 A CN 106887002A
- Authority
- CN
- China
- Prior art keywords
- conspicuousness
- infrared image
- sigma
- image sequence
- saliency maps
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000006978 adaptation Effects 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种红外图像序列显著性检测方法,首先,采用一种基于交互一致性引导的空间信息融合方法提取每帧红外图像的亮度和轮廓特征,并计算空域显著性;其次,设计一种多帧对称差分算法提取红外序列的运动信息,并计算该帧图像的时域显著性;第三,设计一种自适应融合策略,将空域显著性和时域显著性相结合;第四,为了均匀突显红外图像序列中的时‑空显著性区域,提出一种多尺度融合方法,嵌入到时‑空显著性模型里,得到多尺度时‑空显著性图;最后,设计了一种基于Gestalt理论的优化算法,进一步提高显著性检测结果的可靠性;本发明通过深入挖掘红外图像序列的时空特性,来实现视觉显著性检测,故可以获得比传统显著性检测方法更加精确的结果。
Description
技术领域
本发明涉及一种基于时-空显著性自适应融合的红外图像序列显著性检测方法,属于图像处理和计算机视觉技术领域。
背景技术
视觉注意(显著性)是人类视觉系统的一个重要机制:尽管人类的眼睛在面对自然场景时可以捕获大量的视觉信息,但是人类有限的视觉细胞仅仅关注的是场景中最为显著的区域。人类视觉系统的这个机制吸引了包括心理学、认知神经学、计算机科学等众多领域的学者的研究兴趣。目前,在计算机视觉领域,人们提出了各种各样的计算模型,来模拟视觉显著性,并将这些模型应用于计算机视觉和模式识别的众多领域,如:图像/视频压缩、图像/视频分割、目标检测和识别、运动目标跟踪等。
现阶段,视觉显著性模型从应用对象角度可以分为两类:单帧图像的视觉显著性检测模型、视频序列的视觉显著性检测模型。前者主要提取的是单帧图像的空域显著性,而后者不仅要提取空域显著性,还要提取时域显著性,这样计算得到的显著性图(即时-空显著性图)才能适合于视频序列应用的需求。尽管,现在人们已经提出一些时-空显著性图计算模型,但是,这些模型大都是针对普通光学图像序列的。直接将这些模型应用于红外图像序列,很难得到较为满意的结果。原因如下:
首先,鉴于红外图像特殊的成像机理,在一般可见光图像(序列)显著性模型里常用的颜色、纹理、方向等特征,在红外图像中不明显,导致这些特征无法使用。其次,鉴于红外图像(序列)的应用场合(多为军事应用或民用视频监控等),采集得到的红外图像(序列)中背景一般较为复杂,例如:背景含有海面杂波、云层杂波、背景干扰等。此时,显著性目标易于淹没在这些背景中,导致显著性检测难度变大。由此可见,针对红外图像序列,设计一种适合于它的鲁棒性、准确性显著性检测模型,不仅十分迫切,而且具有挑战性。
发明内容
发明目的:针对现有技术面向红外图像序列显著性检测问题时所存在的问题,本发明提出一种通过提取红外图像序列的亮度对比度显著性、轮廓显著性、时域显著性等,并将它们进行自适应融合,同时利用多尺度思想和格式塔(Gestalt)理论进一步增强和优化显著性图的红外图像序列显著性检测方法。
技术方案:一种红外图像序列显著性检测方法,包括如下步骤:
(A)采用一种基于交互一致性引导的空间信息融合方法提取每帧红外图像的亮度和轮廓特征,并计算空域显著性。
其中,基于亮度对比度的显著性计算包括:首先,针对红外图像序列的第t帧图像It,计算位置l处的亮度对比度显著性
其中,Ωc是l的邻域,Ωs是l周围的环形区域;其次,为了确保仅包含红外目标的区域是显著度,降低背景杂波干扰,设计一个校正函数f(α)=|α|γ,其中,γ≥1,γ为常数,来控制对比度增益,得到:
基于轮廓的显著性计算包括:首先,针对红外图像序列的第t帧图像It,计算它的梯度幅度Gt;其次,为了消除噪声的轮廓片段,得到更加鲁棒的轮廓显著性图,采用上述校正函数对梯度幅度Gt进行改进,得到改进后的轮廓显著性图:
基于交互一致性的空域显著性融合包括:首先,通过上述两步得到原始红外图像亮度对比度显著性图和轮廓显著性图后,计算它们之间的交互一致性:
其中,是相对于的一致性,是相对于的一致性。其次,根据一致性,分别计算和的融合权值:
其中,和满足第三,根据权值,将和进行融合,得到融合后的空域显著性图:
(B)设计一种多帧对称差分算法提取红外序列的运动信息,并计算该帧图像的时域显著性。
首先,假设红外视频序列的第t帧图像是It,第t-1帧图像是It-1,这两帧图像的帧间差分为Vt,t-1=|It-It-1|;
其次,对于一个红外视频序列,将帧间差分Vt,t-1看做是连续两帧之间的变化区域,将视频中的运行目标定义为T,则Vt,t-1又表示为连续两帧中运动目标的合并。假设Tt是t时刻的运动目标,则Vt,t-1表示为:
Vt,t-1=Tt∪Tt-1
第三,由上面这个公式计算得到的两个连续变化区域的交叠即为运动目标:
Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt
第四,由Vt,t-1=|It-It-1|和Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt两个公式,运动目标Tt可以进一步推导为:
Tt=|It-It-1|∩|It-It+1|
第五,考虑到上述以对称差分结果表示的运动目标Tt容易受到随机噪声和背景杂波的干扰,进一步对其进行修改,得到改进后的显著性运动目标Tt:
此时,该多帧对称差分结果Tt即所求得的时域显著性图。
(C)设计一种自适应融合策略,将空域显著性St和时域显著性Tt相结合。
首先,定义一个测量标准M,用于识别不同类型的运动,如:快速运动、慢速运动、无运动等:
其中,和分别表示Tt的均值和标准差;c是预先定义好的参数,取值范围为c∈(0.5,1)。
其次,基于测量标准M,将空域显著性St和时域显著性Tt通过如下公式进行自适应融合:
(D)为了均匀突显红外图像序列中的时-空显著性区域,提出一种多尺度融合方法,嵌入到时-空显著性模型里,得到多尺度时-空显著性图。
首先,计算不同尺度下的时-空显著性图其中r∈R表示尺度因子,R为{1,0.7,0.4}。
其次,将不同尺度下求得的时-空显著性图进行融合,得到多尺度时-空显著性图:
其中,C=[Σr∈Rr2]-1为归一化因子。
(E)为了进一步优化步骤(D)计算得到的多尺度时-空显著性图即提高显著性图的稳健性、准确性、及完整性,提出一种基于格式塔(Gestalt)理论的优化算法。该算法的指导思想即对于显著图上的一个元素,靠近它的元素对它的显著性有较强的影响,远离它的元素对它的显著性的影响较弱。据此,设l是显著图上的一个元素,ΩN是它的一个邻域,则改进后的时-空显著性图可以通过下式计算得到:
其中,为加权核函数。
本发明采用上述技术方案,具有以下有益效果:本发明的方法是在仔细分析红外图像序列特性以后所涉及的,它提出计算亮度对比度显著性、轮廓显著性、及运动显著性,都切合红外图像序列的特点,因此,计算得到的显著图有效且鲁棒;本发明设计了多尺度融合策略及基于格式塔(Gestalt)理论的优化策略,都分别进一步提高显著性检测的准确性,同时保证检测得到的显著性目标的完整性。
附图说明
图1为本发明实施例的框架图;
图2为本发明亮度对比度模型计算示意图。
具体实施方式
下面结合具体实施例和附图,对本发明的技术方案作进一步解释,应理解本实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,首先,计算红外图像序列的空域显著性,具体包括如下三个步骤:
步骤(1)基于亮度对比度的显著性计算
(1-1)针对红外图像序列的第t帧图像It,计算位置l处的亮度对比度显著性
其中,Ωc是l的邻域,Ωs是l周围的环形区域,如图2所示。
(1-2)为了确保仅包含红外目标的区域是显著度,降低背景杂波干扰,设计一个校正函数f(α)=|α|γ(其中,γ≥1是一个常数)来控制对比度增益,得到:
步骤(2)基于轮廓的显著性计算
(2-1)针对红外图像序列的第t帧图像It,计算它的梯度幅度Gt;
(2-2)为了消除噪声的轮廓片段,得到更加鲁棒的轮廓显著性图,采用上述校正函数对梯度幅度Gt进行改进,得到改进后的轮廓显著性图:
步骤(3)基于交互一致性的空域显著性融合
(3-1)通过上述两步得到原始红外图像亮度对比度显著性图和轮廓显著性图后,计算它们之间的交互一致性:
其中,是相对于的一致性,是相对于的一致性。
(3-2)根据一致性,分别计算和的融合权值:
其中,和满足
(3-3)根据权值,将和进行融合,得到融合后的空域显著性图:
(3-4)计算红外图像序列的时域显著性;首先,假设红外视频序列的第t帧图像是It,第t-1帧图像是It-1,这两帧图像的帧间差分为Vt,t-1=|It-It-1|;
其次,对于一个红外视频序列,帧间差分Vt,t-1可以看做是连续两帧之间的变化区域;将视频中的运行目标定义为T。Vt,t-1又可以表示为连续两帧中运动目标的合并。例如,假设Tt是t时刻的运动目标,则Vt,t-1可以表示为:
Vt,t-1=Tt∪Tt-1
第三,由上面这个公式计算得到的两个连续变化区域的交叠即可看做是运动目标:
Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt
第四,由Vt,t-1=|It-It-1|和Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt两个公式,运动目标Tt可以进一步推导为:
Tt=|It-It-1|∩|It-It+1|
显然,这是一个对称差分结果。
第五,考虑到上述以对称差分结果表示的运动目标Tt容易受到随机噪声和背景杂波的干扰,我们进一步对其进行修改,得到改进后的显著性运动目标Tt:
此时,这个多帧对称差分结果Tt就是我们所求得的时域显著性图。
(3-5)将红外图像序列的空域显著性St和时域显著性Tt相融合,得到时-空显著性;首先,基于上述计算得到的Tt,定义一个测量标准M,用于识别不同类型的运动,如:快速运动、慢速运动、无运动等:
其中,和分别表示Tt的均值和标准差;c是预先定义好的参数,取值范围为c∈(0.5,1)。
其次,基于测量标准M,我们就可以将空域显著性St和时域显著性Tt通过如下公式进行自适应融合:
(3-6)计算多尺度时-空显著性图;首先,计算不同尺度下的时-空显著性图其中r∈R表示尺度因子,这里R为{1,0.7,0.4}。
其次,将不同尺度下求得的时-空显著性图进行融合,得到多尺度时-空显著性图:
其中,C=[∑r∈Rr2]-1为归一化因子。
(3-7)优化时-空显著性图;为了进一步多尺度时-空显著性图即提高显著性图的稳健性、准确性、及完整性,提出一种基于格式塔(Gestalt)理论的优化算法。该算法的指导思想即对于显著图上的一个元素,靠近它的元素对它的显著性有较强的影响,远离它的元素对它的显著性的影响较弱。据此,设l是显著图上的一个元素,ΩN是它的一个邻域,则改进后的时-空显著性图可以通过下式计算得到:
其中,为加权核函数。
Claims (5)
1.一种红外图像序列显著性检测方法,其特征在于,包括如下步骤:
(A)采用一种基于交互一致性引导的空间信息融合方法提取每帧红外图像的亮度和轮廓特征,并计算空域显著性St;
(B)设计一种多帧对称差分算法提取红外序列的运动信息,并计算该帧图像的时域显著性Tt;
(C)设计一种自适应融合策略,将空域显著性St和时域显著性Tt相结合;
(D)提出一种多尺度融合方法,嵌入到时-空显著性模型里,得到多尺度时-空显著性图
(E)基于格式塔理论对多尺度时-空显著性图进行优化,具体步骤为:
设l是多尺度时-空显著性图上的一个元素,ΩN是它的一个邻域,通过下式计算得到改进后的时-空显著性图:
其中,为加权核函数。
2.根据权利要求1所述的新的红外图像序列显著性检测方法,其特征在于,步骤(A)包括:
(A1)基于亮度对比度的显著性计算;
首先,针对红外图像序列的第t帧图像It,计算位置l处的亮度对比度显著性
其中,Ωc是l的邻域,Ωs是l周围的环形区域;
其次,设计校正函数f(α)=|α|γ控制对比度增益,γ为常数且γ≥1,得到:
(A2)基于轮廓的显著性计算;
首先,针对红外图像序列的第t帧图像It,计算梯度幅度Gt;
其次,采用上述校正函数对梯度幅度Gt进行改进,得到改进后的轮廓显著性图:
(A3)基于交互一致性的空域显著性融合;
首先,通过上述两步得到原始红外图像亮度对比度显著性图和轮廓显著性图后,计算其交互一致性:
其中,是相对于的一致性;是相对于的一致性;
其次,根据一致性,分别计算和的融合权值:
其中,和满足
第三,根据权值,将和进行融合,得到融合后的空域显著性:
3.根据权利要求1所述的红外图像序列显著性检测方法,其特征在于,步骤(B)包括:
(B1)计算红外视频序列第t帧图像It和第t-1帧图像It-1的帧间差分:
Vt,t-1=|It-It-1|;
(B2)对于一个红外视频序列,将帧间差分Vt,t-1看做连续两帧之间的变化区域,将视频中的运行目标定义为T,则Vt,t-1又表示为连续两帧中运动目标的合并;假设Tt是t时刻的运动目标,则Vt,t-1为:
Vt,t-1=Tt∪Tt-1;
(B3)将由上式计算得到的两个连续变化区域的交叠看做运动目标:
Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt;
(B4)由公式Vt,t-1=|It-It-1|和Vt,t-1∩Vt,t+1=(Tt∪Tt-1)∩(Tt∪Tt+1)=Tt得运动目标Tt为:
Tt=|It-It-1|∩|It-It+1|;
(B5)对上述以对称差分结果表示的运动目标Tt进行修改,得到改进后的显著性运动目标Tt:
该多帧对称差分结果Tt即时域显著性。
4.根据权利要求1所述的红外图像序列显著性检测方法,其特征在于:
首先,定义一个用于识别不同类型的运动的测量标准M:
其中,和分别表示Tt的均值和标准差;c是预定义参数,c∈(0.5,1);
其次,将空域显著性St和时域显著性Tt通过如下公式进行自适应融合:
5.根据权利要求1所述的红外图像序列显著性检测方法,其特征在于,步骤(D)包括:
(D1)计算不同尺度下的时-空显著性图其中r∈R表示尺度因子,R为{1,0.7,0.4};
(D2)将不同尺度下求得的时-空显著性图进行融合,得到多尺度时-空显著性图:
其中,C=[∑r∈Rr2]-1为归一化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213028.7A CN106887002B (zh) | 2017-04-01 | 2017-04-01 | 一种红外图像序列显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213028.7A CN106887002B (zh) | 2017-04-01 | 2017-04-01 | 一种红外图像序列显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106887002A true CN106887002A (zh) | 2017-06-23 |
CN106887002B CN106887002B (zh) | 2019-09-20 |
Family
ID=59182690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710213028.7A Active CN106887002B (zh) | 2017-04-01 | 2017-04-01 | 一种红外图像序列显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106887002B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734173A (zh) * | 2018-04-20 | 2018-11-02 | 河海大学 | 基于Gestalt优化的红外视频时空显著性检测方法 |
CN109002750A (zh) * | 2017-12-11 | 2018-12-14 | 罗普特(厦门)科技集团有限公司 | 一种基于显著性检测与图像分割的相关滤波跟踪方法 |
CN109447136A (zh) * | 2018-10-15 | 2019-03-08 | 方玉明 | 一种对于360度图像的显著性检测方法 |
CN111210422A (zh) * | 2020-01-13 | 2020-05-29 | 北京科技大学 | 一种基于红外图像的对空目标检测方法 |
CN115359085A (zh) * | 2022-08-10 | 2022-11-18 | 哈尔滨工业大学 | 一种基于检出点时空密度判别的密集杂波抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN105513080A (zh) * | 2015-12-21 | 2016-04-20 | 南京邮电大学 | 一种红外图像目标显著性评估方法 |
US9424461B1 (en) * | 2013-06-27 | 2016-08-23 | Amazon Technologies, Inc. | Object recognition for three-dimensional bodies |
CN106056115A (zh) * | 2016-05-25 | 2016-10-26 | 西安科技大学 | 一种非均匀背景下的红外小目标检测方法 |
CN106295564A (zh) * | 2016-08-11 | 2017-01-04 | 南京理工大学 | 一种邻域高斯结构和视频特征融合的动作识别方法 |
-
2017
- 2017-04-01 CN CN201710213028.7A patent/CN106887002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9424461B1 (en) * | 2013-06-27 | 2016-08-23 | Amazon Technologies, Inc. | Object recognition for three-dimensional bodies |
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN105513080A (zh) * | 2015-12-21 | 2016-04-20 | 南京邮电大学 | 一种红外图像目标显著性评估方法 |
CN106056115A (zh) * | 2016-05-25 | 2016-10-26 | 西安科技大学 | 一种非均匀背景下的红外小目标检测方法 |
CN106295564A (zh) * | 2016-08-11 | 2017-01-04 | 南京理工大学 | 一种邻域高斯结构和视频特征融合的动作识别方法 |
Non-Patent Citations (2)
Title |
---|
SHIYU QIN.ETC: "Infrared image saliency detection based on human vision and information theory", 《 2016 9TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
张晓燕等: "一种时空信息联合的运动对象分割算法", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002750A (zh) * | 2017-12-11 | 2018-12-14 | 罗普特(厦门)科技集团有限公司 | 一种基于显著性检测与图像分割的相关滤波跟踪方法 |
CN108734173A (zh) * | 2018-04-20 | 2018-11-02 | 河海大学 | 基于Gestalt优化的红外视频时空显著性检测方法 |
CN109447136A (zh) * | 2018-10-15 | 2019-03-08 | 方玉明 | 一种对于360度图像的显著性检测方法 |
CN111210422A (zh) * | 2020-01-13 | 2020-05-29 | 北京科技大学 | 一种基于红外图像的对空目标检测方法 |
CN115359085A (zh) * | 2022-08-10 | 2022-11-18 | 哈尔滨工业大学 | 一种基于检出点时空密度判别的密集杂波抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106887002B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106887002A (zh) | 一种红外图像序列显著性检测方法 | |
CN110363140B (zh) | 一种基于红外图像的人体动作实时识别方法 | |
CN103177446B (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN104700381A (zh) | 一种基于显著目标的红外与可见光图像融合方法 | |
CN103473571B (zh) | 一种人体检测方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN107403175A (zh) | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 | |
CN110909690A (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN105046206B (zh) | 基于视频中运动先验信息的行人检测方法及装置 | |
CN107767400A (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN102592288B (zh) | 一种光照环境变化情况下的行人目标匹配跟踪方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN104835175A (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN108776777A (zh) | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 | |
CN105069745A (zh) | 基于普通图像传感器及增强现实技术的带表情变脸系统及方法 | |
CN112308156A (zh) | 一种基于对抗学习的两阶段图像变化检测方法 | |
CN110781962A (zh) | 基于轻量级卷积神经网络的目标检测方法 | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN114782298A (zh) | 一种具有区域注意力的红外与可见光图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |