CN107305694A - 一种基于视觉显著性特征的视频灰斑检测方法 - Google Patents
一种基于视觉显著性特征的视频灰斑检测方法 Download PDFInfo
- Publication number
- CN107305694A CN107305694A CN201610246080.8A CN201610246080A CN107305694A CN 107305694 A CN107305694 A CN 107305694A CN 201610246080 A CN201610246080 A CN 201610246080A CN 107305694 A CN107305694 A CN 107305694A
- Authority
- CN
- China
- Prior art keywords
- mrow
- greyness
- video
- msub
- access control
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视觉显著性特征的视频灰斑检测方法。目前方法通常是基于灰斑颜色与周围不一致的简单模型，容易造成误检。基于可将灰斑区域看作显著性区域，本发明综合利用显著性检测的底层特征和机器学习方法，提出一种用于视频灰斑检测的自底向上模型。该方法包括：提取视频图像对比度、纹理、形状等特征，通过支持向量机合并各特征在图像不同区域的差异，从而实现视频灰斑检测。实验结果表明，本发明方法准确度高，能有效定位视频图像中的灰斑区域。并且对于某些颜色较浅的灰斑，也能够进行定位。
Description
技术领域
本发明涉及一种基于视觉显著性特征的视频灰斑检测方法，属于图像处理领域，可以用于对象检测和识别，监控视频异常检测系统。
背景技术
视频采集设备由于受到外界自然环境或内在设备故障的干扰，使得获得的视频质量下降，造成视频失真，如灰斑失真。视频灰斑失真是由于光线在进入监控摄像头的CCD时，镜头上的灰斑阻碍了光线的进入，使得CCD相应位置出现灰斑的影子，从而在视频图像中显现灰斑。由于灰斑相对于其他对象距离镜头最近，不仅对其他对象造成了遮挡，还阻碍了运动目标定位与追踪等问题的研究，甚至使算法失效。因此，实现视频灰斑的自动检测在监控视频异常检测系统中占据重要地位。
视觉显著性是指在某个场景中的一个对象相对于其周围景物脱颖而出从而吸引观测者注意力的感知质量。对于视频灰斑，由于灰斑的亮度相对于周围景物较低的特性，且对人类视觉效果造成恶劣感知，在一定意义上，灰斑成为吸引观测者眼球的显著性区域。基于这一认知，本发明提出利用灰斑的视觉显著性对其进行检测。
显著性检测可以分为两大类，自底向上模型、自顶向下模型。自底向上模型是利用底层特征(如颜色、对比度、形状、纹理)进行显著性区域检测，与高层知识无关。自顶向下模型是利用视觉注意力对显著性区域建模，从而实现显著性检测。因此，本发明提出一种自底向上的视频灰斑检测模型，通过支持向量机(Support Vector Machine，SVM)合并对比度、形状、纹理等浅层特征在图像不同区域的差异，从而确定图像显著区域，实现视频灰斑检测。
发明内容
为了避免现有技术的不足，本发明提出一种基于显著性特征的视频灰斑检测方法。本发明的基本思想在于首先提取视频图片的对比度、纹理、形状等特征，再利用SVM对提取的特征进行训练，最后根据训练出的分类器进行灰斑检测。
一种基于视觉显著性特征的视频灰斑检测方法，具体步骤为：
1.提取视频图像中每个像素的对比度、纹理、形状等低级特征；
2.分离出灰斑区域的特征和非灰斑区域的特征，并使用SVM对这些特征进行训练；
3.利用SVM训练出的模型对每个像素进行测试，实现灰斑检测。
步骤1中提取每个像素的对比度特征的具体步骤为：
1)对原图建立高斯金字塔：
其中，2m+1为高斯核长度，W(x，y)为高斯卷积核。
2)对金字塔运用中心-周围差异法：
定义中心层c∈{0，1，2}，周围层s＝c+d，s≤4，差异层d∈{2，3，4}，则(c，s)∈{(0，2)}∪{(0，3)，(0，4)，(1，3)，(1，4)，(2，4)}，同时定义Θ为跨层相减，则
I(c，s)＝|cΘs| (2)
3)对比度计算公式如下：
其中i是RGB空间的三通道，即i∈{R，G，B}。
步骤1中提取每个像素的纹理具体步骤与对比度计算步骤相似，不同之处在于，提取对比度时运用高斯卷积核建立高斯金字塔，而在计算纹理特征时，运用高斯拉普拉斯卷积核建立金字塔，即
步骤1中提取每个像素形状特征的具体步骤为：
1)将原图转换为灰度图；
2)取当前像素点的领域R；
3)计算领域R的7和Hu不变矩作为当前像素点的形状特征。
则图像的形状特征表示为
其中i＝0..6，表示i阶不变矩。
步骤1中，建立高斯金字塔的具体参数为：金字塔层数为5，高斯核大小为5×5；建立DOG金字塔的具体参数为：金字塔层数为5，高斯拉普拉斯卷积核大小为5×5；计算形状信息的领域大小取30×30。
步骤2中分离出灰斑区域和非灰斑区域的具体方式为人工标记，训练SVM的样本量为30000灰斑像素点和60000个非灰斑像素点。
步骤3中，利用步骤2训练得到的SVM分类器，对测试图片中的每个像素进行测试，从而实现灰斑检测。
附图说明
图1.本发明方法的基本流程图。
图2.使用本发明方法完成视频图像中灰斑域检测的例子
(a)原图像
(b)灰斑检测结果图
具体实施方式
下面结合附图对本发明所述技术方案的实施方式作进一步的详细描述。
1.如图1所示，分别提取视频图像的对比度、纹理、形状特征；
2.分离出灰斑区域的特征和非灰斑区域的特征，并使用SVM对这些特征进行训练；
3.利用SVM训练出的模型对每个像素进行测试，实现灰斑检测。
步骤1中提取每个像素的对比度特征的具体步骤为：
1)对原图建立高斯金字塔：
其中，2m+1为高斯核长度，W(x，y)为高斯卷积核。
2)对金字塔运用中心-周围差异法：定义中心层c∈{0，1，2}，周围层s＝c+d，s≤4，差异层d∈{2，3，4}，则(c，s)∈{(0，2)，(0，3)，(0，4)}∪{(1，3)，(1，4)，(2，4)}，同时定义Θ为跨层相减，则
I(c，s)＝|cΘs| (7)
1)对比度计算公式如下：
其中i是RGB空间的三通道，即i∈{R，G，B}。
步骤1中提取每个像素的纹理具体步骤为：
1)对原图建立金字塔图像：
其中，2m+1为卷积核长度，L(x，y)为高斯拉普拉斯卷积核。
2)对金字塔运用中心-周围差异法：
I(c，s)＝|cΘs| (10)
其中，c∈{0，1，2}，s＝c+d且s≤4。
3)纹理特征计算公式如下：
步骤1中提取每个像素形状特征的具体步骤为：
1)将原图转换为灰度图；
2)取当前像素点的领域R；
3)计算领域R的7和Hu不变矩作为当前像素点的形状特征。
则图像的形状特征表示为
其中i＝0..6，表示i阶不变矩。
步骤1中，建立高斯金字塔的具体参数为：金字塔层数为5，高斯核大小为5×5；建立DOG金字塔的具体参数为：金字塔层数为5，高斯拉普拉斯卷积核大小为5×5；计算形状信息的领域大小取30×30。
步骤2中，训练SVM分类器的具体步骤为：
1)依靠手动标记灰斑的方法，分离出灰斑区域和非灰斑区域；
2)取出50张测试图片中的灰斑像素的特征，再从这50张图片中随机取出总数为灰斑像素点2倍的非灰斑像素点特征。
3)将步骤2)中得到的30000灰斑像素点和60000个非灰斑像素点对应的特征作为SVM的输入，并利用SVM训练出分类器。
步骤3中，实现灰斑检测的具体步骤为：
利用步骤2训练得到的SVM分类器，对测试图片中的每个像素进行二分类，以此分类结果作为视频图像灰斑检测结果。
图2显示了视频灰斑检测结果，图2(a)为原图像，图2(b)为本发明检测结果，由图2(b)可知，本发明可以定位出灰斑。
将本发明所提视频灰斑算法在监控视频集上测验，测验结果如表1。视频集包含135个灰斑视频和300个正常视频。由表1可知本发明在视频灰斑检测中有很好的效果。
表1本发明所提方法的评价指标
| Precise | Accuracy | Recall | |
| 本发明所提方法 | 72.66％ | 80.52％ | 88.58％ |
综上所述，本发明在一定程度上克服了视频灰斑检测的困难，能够有效地获得灰斑定位图，实现灰斑检测，同时对于部分颜色较浅的灰斑，也能够实现定位。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管按照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上描述了本发明的基本原理和主要特征以及本发明的优点。本行业技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (6)
1.一种基于视觉显著性特征的视频灰斑检测方法，具体步骤为：
(1).提取视频图像中每个像素的对比度、纹理、形状等低级特征；
(2).分离出灰斑区域的特征和非灰斑区域的特征，并使用SVM对这些特征进行训练；
(3).利用SVM训练出的模型对每个像素进行测试，实现灰斑检测。
2.根据权利要求1所述的基于视觉显著性特征的视频灰斑检测方法，其特征在于步骤(1)中，对比度特征计算的具体步骤为：
1)对原图建立高斯金字塔：
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mi>m</mi>
</munderover>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>i</mi>
<mo>-</mo>
<mi>x</mi>
<mo>,</mo>
<mn>2</mn>
<mi>j</mi>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，2m+1为高斯核长度，W(x，y)为高斯卷积核。
2)对金字塔运用中心-周围差异法：定义中心层c∈{0，1，2}，周围层s＝c+d，s≤4，差异层d∈{2，3，4}，则(c，s)∈{(0，2)，(0，3)，(0，4)}∪{(1，3)，(1，4)，(2，4)}，同时定义Θ为跨层相减，则
I(c，s)＝|cΘs| (2)
3)对比度计算公式如下：
<mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中i是RGB空间的三通道，即i∈{R，G，B}。
3.根据权利要求1所述的基于视觉显著性特征的视频灰斑检测方法，其特征在于步骤(1)中，纹理特征计算的具体步骤为：
1)对原图建立金字塔图像：
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mi>m</mi>
</munderover>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>i</mi>
<mo>-</mo>
<mi>x</mi>
<mo>,</mo>
<mn>2</mn>
<mi>j</mi>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，2m+1为卷积核长度，L(x，y)为高斯拉普拉斯卷积核。
2)对金字塔运用中心-周围差异法：
I(c，s)＝|cΘs| (5)
其中，c∈{0，1，2}，s＝c+d且s≤4。
3)纹理特征计算公式如下：
<mrow>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
4.根据权利要求1所述的基于视觉显著性特征的视频灰斑检测方法，其特征在于步骤(1)中，形状征计算的具体步骤为：
1)将原图转换为灰度图；
2)取当前像素点的领域R；
3)计算领域R的7和Hu不变矩作为当前像素点的形状特征。
则图像的形状特征表示为：
<mrow>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
1
其中i＝0..6，表示i阶不变矩。
步骤(1)中，建立高斯金字塔的具体参数为：金字塔层数为5，高斯核大小为5×5；建立DOG金字塔的具体参数为：金字塔层数为5，高斯拉普拉斯卷积核大小为5×5；计算形状信息的领域大小取30×30。
5.根据权利要求1所述的基于视觉显著性特征的视频灰斑检测方法，其特征在于步骤(2)中，训练SVM分类器的具体步骤为：
1)依靠手动标记灰斑的方法，分离出灰斑区域和非灰斑区域；
2)取出50张测试图片中的灰斑像素的特征，再从这50张图片中随机取出总数为灰斑像素点2倍的非灰斑像素点特征。
3)将步骤2)中得到的30000灰斑像素点和60000个非灰斑像素点对应的特征作为SVM的输入，并利用SVM训练出分类器。
6.根据权利要求1所述的基于视觉显著性特征的视频灰斑检测方法，其特征在于步骤(3)中，实现灰斑检测的具体步骤为：
利用步骤(2)训练得到的SVM分类器，对测试图片中的每个像素进行二分类，以此分类结果作为视频图像灰斑检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610246080.8A CN107305694A (zh) | 2016-04-14 | 2016-04-14 | 一种基于视觉显著性特征的视频灰斑检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610246080.8A CN107305694A (zh) | 2016-04-14 | 2016-04-14 | 一种基于视觉显著性特征的视频灰斑检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107305694A true CN107305694A (zh) | 2017-10-31 |
Family
ID=60152330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610246080.8A Pending CN107305694A (zh) | 2016-04-14 | 2016-04-14 | 一种基于视觉显著性特征的视频灰斑检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107305694A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132914A (zh) * | 2019-06-25 | 2020-12-25 | 珠海市一微半导体有限公司 | 一种图像尺度空间建立方法及图像处理芯片 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732510A (zh) * | 2013-12-23 | 2015-06-24 | 浙江大华技术股份有限公司 | 一种相机镜头黑斑检测方法及装置 |
| US20150227810A1 (en) * | 2012-08-29 | 2015-08-13 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
| CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
-
2016
- 2016-04-14 CN CN201610246080.8A patent/CN107305694A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150227810A1 (en) * | 2012-08-29 | 2015-08-13 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
| CN104732510A (zh) * | 2013-12-23 | 2015-06-24 | 浙江大华技术股份有限公司 | 一种相机镜头黑斑检测方法及装置 |
| CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘尚旺: ""基于视觉显著性检测的图像分类方法"", 《计算机应用》 * |
| 蔡云骧: ""基于视觉注意力模型的背景斑点提取方法"", 《光学技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132914A (zh) * | 2019-06-25 | 2020-12-25 | 珠海市一微半导体有限公司 | 一种图像尺度空间建立方法及图像处理芯片 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10467502B2 (en) | Surface defect detection | |
| CN111126325B (zh) | 一种基于视频的智能人员安防识别统计方法 | |
| CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
| CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
| CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
| CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
| CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN104794479B (zh) | 基于局部笔画宽度变换的自然场景图片中文本检测方法 | |
| CN103971126A (zh) | 一种交通标志识别方法和装置 | |
| CN104318266B (zh) | 一种图像智能分析处理预警方法 | |
| CN105844245A (zh) | 一种伪装人脸检测方法及系统 | |
| CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
| CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
| CN105678318B (zh) | 交通标牌的匹配方法及装置 | |
| CN111353452A (zh) | 一种基于rgb图像的行为识别方法、装置、介质及设备 | |
| CN106529494A (zh) | 一种基于多摄像头机型的人脸识别方法 | |
| CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
| CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
| CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
| CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
| CN105825204A (zh) | 一种智能相机夜间识别电力设备表计的方法 | |
| CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
| CN104813341A (zh) | 使用差分相机的图像处理设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171031 |