CN107220653A - 基于逻辑随机共振的水下弱目标检测系统及其方法 - Google Patents

基于逻辑随机共振的水下弱目标检测系统及其方法 Download PDF

Info

Publication number
CN107220653A
CN107220653A CN201710232537.4A CN201710232537A CN107220653A CN 107220653 A CN107220653 A CN 107220653A CN 201710232537 A CN201710232537 A CN 201710232537A CN 107220653 A CN107220653 A CN 107220653A
Authority
CN
China
Prior art keywords
image
logic
unit
target
target 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
Application number
CN201710232537.4A
Other languages
English (en)
Other versions
CN107220653B (zh
Inventor
王楠
宋晓辉
杜辉
王晓宇
徐建康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN201710232537.4A priority Critical patent/CN107220653B/zh
Publication of CN107220653A publication Critical patent/CN107220653A/zh
Application granted granted Critical
Publication of CN107220653B publication Critical patent/CN107220653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

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

本发明提供了一种基于逻辑随机共振的水下弱目标检测系统及其方法，包括图像采集单元、帧差法单元、弱目标区域提取单元、逻辑随机共振单元、阈值器以及遗传网络单元，选取连续的三帧图像输入到帧差法单元，得到弱目标所在区域，同时将选取的中间帧图像输入到弱目标区域提取单元，将弱目标所在区域输入到弱目标区域提取单元，得到目标区域图像，将其沿与入射光垂直的方向一维展开后输入到逻辑随机共振单元，将逻辑随机共振单元的输出信号输入到阈值器中，区分目标区域图像中背景像素和弱目标像素，以检测弱目标图像，本发明有效减少了计算量，同时能够有效的检测出视频图像中存在的弱目标，大大提高了水下目标的探测距离。

Description

基于逻辑随机共振的水下弱目标检测系统及其方法
技术领域
本发明涉及水下计算机视觉技术领域，具体涉及一种基于逻辑随机共振的水下弱目标检测系统及其方法。
背景技术
地球是一个蓝色的水球，海洋面积占了70.8％，拥有广阔的水下空间和水下资源，对海洋资源的勘探和利用将大大有利于人类社会的进步，人们一直都在努力寻找各种了解、开发水下环境的办法。然而由于水体对光的大量吸收和散射，尤其是在水下目标较弱的情况下，背景噪声更加丰富，使得水下摄像机拍出来的视频中的目标极为模糊，制约了人们对水下目标检测技术的发展。传统的水下成像处理对于目标比较微弱时的处理情况难以令人满意，因此，一种强有力的水下弱目标检测系统及方法亟待提出。
发明内容
本申请通过提供一种基于逻辑随机共振的水下弱目标检测系统及其方法，以解决目标距离较远时，检测目标较弱的技术问题，能够有效的检测出视频图像中存在的弱目标，大大提高了水下目标的探测距离。
为解决上述技术问题，本申请采用以下技术方案予以实现：
一种基于逻辑随机共振的水下弱目标检测系统，包括图像采集单元、帧差法单元、弱目标区域提取单元、逻辑随机共振单元、阈值器以及遗传网络单元，其中，所述图像采集单元拍摄水下视频图像，并选取连续的三帧图像输入到所述帧差法单元，同时将该三帧图像中的中间帧图像输入到弱目标区域提取单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0，将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，将所述输出信号x输入到所述阈值器，所述阈值器的输出端连接所述遗传网络单元的输入端，将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，当满足优化终止条件时，所述阈值器输出最优的目标标记图Ilabel_best。
一种基于逻辑随机共振的水下弱目标检测系统的检测方法，包括如下步骤：
S1：所述图像采集单元利用水下摄像机拍摄水下视频图像；
S2：选取连续的三帧图像输入到所述帧差法单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域；
S3：所述图像采集单元同时将该三帧图像中的中间帧图像输入到所述弱目标区域提取单元，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0；
S4：将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，所述逻辑随机共振单元的系统参数初始值随机选定；
S5：将所述输出信号x输入到所述阈值器，根据输出信号x的正负在目标区域图像上I0进行标记，得到目标标记图Ilabel，并且将所述目标标记图Ilabel与标准目标图进行对比得到正确率P；
S6：判断是否满足优化终止条件，即正确率P是否达到预设值Pth或者优化次数是否达到预设值Nth，如果是，则进入步骤S8，否则，进入步骤S7；
S7：将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，并跳转至步骤S5；
S8：输出最优目标标记图Ilabel_best。
进一步地，步骤S2中图像预处理包括灰度化和中值滤波。
进一步地，步骤S2中帧差法具体为：分别计算出中间帧图像和前一帧图像的灰度差值以及中间帧图像和后一帧图像的灰度差值，对灰度差值图像进行二值化，在每个像素点将二值图像逻辑相“与”，得到弱目标所在区域。
进一步地，步骤S4中，将所述目标区域图像I0沿与入射光垂直的方向一维展开的具体方法为：寻找所述目标区域图像I0中的最亮点，估测其光照衰减方向，当其衰减方向为单方向且天顶角小于45°时，采用一维行展开为主，列展开为辅，以平滑图像，当其衰减方向为单方向且天顶角大于45°时，采用一维列展开为主，行展开为辅，以平滑图像，当其衰减方向为多方向时，采用与其各衰减方向垂直的方向展开图像，同时辅以各向异性滤波，以平滑图像。
进一步地，步骤S4中采用四阶龙格库塔法进行数值分析，具体计算方法为：
k2＝(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3＝(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4＝(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1＝xi+1/6h(k1+2k2+2k3+k4)
式中，k1、k2、k3、k4为中间值，h为每一阶的步长，xi为第i个输出信号，xi+1为第i+1个输出信号，Ii为第i个输入像素，Ii+1为第i+1个输入像素，ξi为第i个添加的高斯白噪声，ξi+1为第i+1个添加的高斯白噪声。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：通过帧差法获得了水下运动目标所在的区域，对该指定位置进行逻辑随机共振，有效减少了计算量，同时能够有效的检测出视频图像中存在的弱目标，大大提高了水下目标的探测距离。
附图说明
图1为本发明的检测系统结构框图；
图2为本发明的检测方法流程图。
具体实施方式
本申请实施例通过提供一种基于逻辑随机共振的水下弱目标检测系统及其方法，以解决目标距离较远时，检测目标较弱的技术问题，能够有效的检测出视频图像中存在的弱目标，大大提高了水下目标的探测距离。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
一种基于逻辑随机共振的水下弱目标检测系统，如图1所示，包括图像采集单元、帧差法单元、弱目标区域提取单元、逻辑随机共振单元、阈值器以及遗传网络单元，其中，所述图像采集单元拍摄水下视频图像，并选取连续的三帧图像输入到所述帧差法单元，同时将该三帧图像中的中间帧图像输入到弱目标区域提取单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0，将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，将所述输出信号x输入到所述阈值器，所述阈值器的输出端连接所述遗传网络单元的输入端，将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，当满足优化终止条件时，所述阈值器输出最优的目标标记图Ilabel_best。
一种基于逻辑随机共振的水下弱目标检测系统的检测方法，如图2所示，包括如下步骤：
S1：所述图像采集单元利用水下摄像机拍摄水下视频图像；
S2：选取连续的三帧图像输入到所述帧差法单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，所述图像预处理包括灰度化和中值滤波，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域，其中，帧差法具体为：分别计算出中间帧图像和前一帧图像的灰度差值以及中间帧图像和后一帧图像的灰度差值，对灰度差值图像选择合适的阈值进行二值化，在每个像素点将二值图像逻辑相“与”，得到弱目标所在区域；
S3：所述图像采集单元同时将该三帧图像中的中间帧图像输入到所述弱目标区域提取单元，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0；
S4：将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，所述逻辑随机共振单元的系统参数初始值随机选定，其中，
将所述目标区域图像I0沿与入射光垂直的方向一维展开的具体方法为：寻找所述目标区域图像I0中的最亮点，估测其光照衰减方向，当其衰减方向为单方向且天顶角小于45°时，采用一维行展开为主，列展开为辅，以平滑图像，当其衰减方向为单方向且天顶角大于45°时，采用一维列展开为主，行展开为辅，以平滑图像，当其衰减方向为多方向时，比如在使用人造光源的情况下，采用与其各衰减方向垂直的方向展开图像，同时辅以各向异性滤波，以平滑图像；
采用四阶龙格库塔法进行数值分析，具体计算方法为：
k2＝(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3＝(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4＝(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1＝xi+1/6h(k1+2k2+2k3+k4)
式中，k1、k2、k3、k4为中间值，h为每一阶的步长，xi为第i个输出信号，xi+1为第i+1个输出信号，Ii为第i个输入像素，Ii+1为第i+1个输入像素，ξi为第i个添加的高斯白噪声，ξi+1为第i+1个添加的高斯白噪声；
S5：将所述输出信号x输入到所述阈值器，根据输出信号x的正负在目标区域图像上I0进行标记，得到目标标记图Ilabel，并且将所述目标标记图Ilabel与标准目标图(即真实图像)进行对比得到正确率P；
S6：判断是否满足优化终止条件，即正确率P是否达到预设值Pth或者优化次数是否达到预设值Nth，如果是，则进入步骤S8，否则，进入步骤S7；
S7：将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，并跳转至步骤S5；
S8：输出最优目标标记图Ilabel_best。
本申请的上述实施例中，通过提供一种基于逻辑随机共振的水下弱目标检测系统及其方法，包括图像采集单元、帧差法单元、弱目标区域提取单元、逻辑随机共振单元、阈值器以及遗传网络单元，选取连续的三帧图像输入到帧差法单元，得到弱目标所在区域，同时将选取的中间帧图像输入到弱目标区域提取单元，将弱目标所在区域输入到弱目标区域提取单元，得到目标区域图像，将其沿与入射光垂直的方向一维展开后输入到逻辑随机共振单元，将逻辑随机共振单元的输出信号输入到阈值器中，区分目标区域图像中背景像素和弱目标像素，以检测弱目标图像，本发明有效减少了计算量，同时能够有效的检测出视频图像中存在的弱目标，大大提高了水下目标的探测距离。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于逻辑随机共振的水下弱目标检测系统，其特征在于，包括图像采集单元、帧差法单元、弱目标区域提取单元、逻辑随机共振单元、阈值器以及遗传网络单元，其中，所述图像采集单元拍摄水下视频图像，并选取连续的三帧图像输入到所述帧差法单元，同时将该三帧图像中的中间帧图像输入到弱目标区域提取单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0，将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，将所述输出信号x输入到所述阈值器，所述阈值器的输出端连接所述遗传网络单元的输入端，将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，当满足优化终止条件时，所述阈值器输出最优的目标标记图Ilabel_best。
2.如权利要求1所述的基于逻辑随机共振的水下弱目标检测系统的检测方法，其特征在于，包括如下步骤：
S1：所述图像采集单元利用水下摄像机拍摄水下视频图像；
S2：选取连续的三帧图像输入到所述帧差法单元，所述帧差法单元对接收到的连续的三帧图像进行图像预处理，并采用帧差法对预处理后的图像进行计算得到弱目标所在区域；
S3：所述图像采集单元同时将该三帧图像中的中间帧图像输入到弱目标区域提取单元，所述弱目标区域提取单元根据所述弱目标所在区域对中间帧图像进行目标区域提取，得到目标区域图像I0；
S4：将所述目标区域图像I0沿与入射光垂直的方向一维展开得到的一维信号I1以及所述目标区域图像I0的估计信噪比SNR输入到所述逻辑随机共振单元进行数值分析，得到输出信号x，所述逻辑随机共振单元的系统参数初始值随机选定；
S5：将所述输出信号x输入到所述阈值器，根据输出信号x的正负在目标区域图像上I0进行标记，得到目标标记图Ilabel，并且将所述目标标记图Ilabel与标准目标图进行对比得到正确率P；
S6：判断是否满足优化终止条件，即正确率P是否达到预设值Pth或者优化次数是否达到预设值Nth，如果是，则进入步骤S8，否则，进入步骤S7；
S7：将正确率P传输到所述遗传网络单元，通过所述遗传网络单元进化出更优的系统参数，并输入到所述逻辑随机共振单元，以进化出的更优的系统参数更新定义所述逻辑随机共振单元，并跳转至步骤S5；
S8：输出最优目标标记图Ilabel_best。
3.根据权利要求2所述的基于逻辑随机共振的水下弱目标检测系统的检测方法，其特征在于，步骤S2中图像预处理包括灰度化和中值滤波。
4.根据权利要求2所述的基于逻辑随机共振的水下弱目标检测系统的检测方法，其特征在于，步骤S2中帧差法具体为：分别计算出中间帧图像和前一帧图像的灰度差值以及中间帧图像和后一帧图像的灰度差值，对灰度差值图像进行二值化，在每个像素点将二值图像逻辑相“与”，得到弱目标所在区域。
5.根据权利要求2所述的基于逻辑随机共振的水下弱目标检测系统的检测方法，其特征在于，步骤S4中，将所述目标区域图像I0沿与入射光垂直的方向一维展开的具体方法为：寻找所述目标区域图像I0中的最亮点，估测其光照衰减方向，当其衰减方向为单方向衰减且天顶角小于45°时，采用一维行展开为主，列展开为辅，以平滑图像，当其衰减方向为单方向衰减且天顶角大于45°时，采用一维列展开为主，行展开为辅，以平滑图像，当其衰减方向为多方向衰减时，采用与其各衰减方向垂直的方向展开图像，同时辅以各向异性滤波，以平滑图像。
6.根据权利要求2所述的基于逻辑随机共振的水下弱目标检测系统的检测方法，其特征在于，步骤S4中采用四阶龙格库塔法进行数值分析，具体计算方法为：
<mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>=</mo> <msub> <mi>ax</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>bx</mi> <mi>i</mi> <mn>3</mn> </msubsup> <mo>+</mo> <mi>r</mi> <mo>+</mo> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mi>i</mi> </msub> </mrow>
k2＝(axi+k1/2)-(bxi+k1/2)3+r+Ii+ξi
k3＝(axi+k2/2)-(bxi+k2/2)3+r+Ii+1+ξi+1
k4＝(axi+k3)-(bxi+k3)+r+Ii+1+ξi+1
xi+1＝xi+1/6h(k1+2k2+2k3+k4)
式中，k1、k2、k3、k4为中间值，h为每一阶的步长，xi为第i个输出信号，xi+1为第i+1个输出信号，Ii为第i个输入像素，Ii+1为第i+1个输入像素，ξi为第i个添加的高斯白噪声，ξi+1为第i+1个添加的高斯白噪声。
CN201710232537.4A 2017-04-11 2017-04-11 基于逻辑随机共振的水下弱目标检测系统的检测方法 Active CN107220653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710232537.4A CN107220653B (zh) 2017-04-11 2017-04-11 基于逻辑随机共振的水下弱目标检测系统的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710232537.4A CN107220653B (zh) 2017-04-11 2017-04-11 基于逻辑随机共振的水下弱目标检测系统的检测方法

Publications (2)

Publication Number Publication Date
CN107220653A true CN107220653A (zh) 2017-09-29
CN107220653B CN107220653B (zh) 2020-11-06

Family

ID=59928240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710232537.4A Active CN107220653B (zh) 2017-04-11 2017-04-11 基于逻辑随机共振的水下弱目标检测系统的检测方法

Country Status (1)

Country Link
CN (1) CN107220653B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243929A (zh) * 2019-07-02 2019-09-17 佛山科学技术学院 一种基于随机共振的水下环境动态检测系统
CN112347900A (zh) * 2020-11-04 2021-02-09 中国海洋大学 基于距离估计的单目视觉水下目标自动抓取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040151342A1 (en) * 2003-01-30 2004-08-05 Venetianer Peter L. Video scene background maintenance using change detection and classification
CN105823492A (zh) * 2016-03-18 2016-08-03 北京卫星环境工程研究所 一种洋流干扰中微弱目标信号提取方法
CN106548459A (zh) * 2016-10-20 2017-03-29 中国海洋大学 基于逻辑随机共振的浑浊水质成像目标检测系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040151342A1 (en) * 2003-01-30 2004-08-05 Venetianer Peter L. Video scene background maintenance using change detection and classification
CN105823492A (zh) * 2016-03-18 2016-08-03 北京卫星环境工程研究所 一种洋流干扰中微弱目标信号提取方法
CN106548459A (zh) * 2016-10-20 2017-03-29 中国海洋大学 基于逻辑随机共振的浑浊水质成像目标检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董静: "基于图像声纳的动目标检测技术研究", 《万方数据》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243929A (zh) * 2019-07-02 2019-09-17 佛山科学技术学院 一种基于随机共振的水下环境动态检测系统
CN112347900A (zh) * 2020-11-04 2021-02-09 中国海洋大学 基于距离估计的单目视觉水下目标自动抓取方法

Also Published As

Publication number Publication date
CN107220653B (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
US10885381B2 (en) Ship detection method and system based on multidimensional scene features
CN108334847A (zh) 一种真实场景下的基于深度学习的人脸识别方法
Lu et al. Depth map reconstruction for underwater Kinect camera using inpainting and local image mode filtering
CN109583321A (zh) 一种基于深度学习的结构化道路中小物体的检测方法
Rodriguez et al. Optical fish trajectory measurement in fishways through computer vision and artificial neural networks
CN109146833A (zh) 一种视频图像的拼接方法、装置、终端设备及存储介质
Xia et al. PANDA: Parallel asymmetric network with double attention for cloud and its shadow detection
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN105488787A (zh) 基于几何活动轮廓模型的遥感图像海岸线检测方法
CN108256567A (zh) 一种基于深度学习的目标识别方法及系统
CN106373140A (zh) 一种基于单目视觉的透明及半透明液体杂质检测方法
CN113762009A (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN115393734A (zh) 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法
CN106971395A (zh) 一种基于点云平均背景差的三维声纳图像建模方法
CN107220653A (zh) 基于逻辑随机共振的水下弱目标检测系统及其方法
CN111951226A (zh) 一种基于x光图像的多尺度违禁品检测系统及方法
Yasir et al. ShipGeoNet: SAR image-based geometric feature extraction of ships using convolutional neural networks
Zhou et al. Underwater occlusion object recognition with fusion of significant environmental features
CN103413138A (zh) 一种红外图像序列中点目标检测方法
CN104063879B (zh) 一种基于通量和遮挡系数的行人流估计方法
CN116977917A (zh) 一种红外图像行人检测方法
Sivapriya et al. ViT-DexiNet: a vision transformer-based edge detection operator for small object detection in SAR images
CN113780241B (zh) 一种显著物体检测的加速方法与装置
Ouyang et al. An anchor-free detector with channel-based prior and bottom-enhancement for underwater object detection

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