CN107563985A - 一种红外图像空中运动目标的检测方法 - Google Patents
一种红外图像空中运动目标的检测方法 Download PDFInfo
- Publication number
- CN107563985A CN107563985A CN201710774167.7A CN201710774167A CN107563985A CN 107563985 A CN107563985 A CN 107563985A CN 201710774167 A CN201710774167 A CN 201710774167A CN 107563985 A CN107563985 A CN 107563985A
- Authority
- CN
- China
- Prior art keywords
- image
- roi
- frame
- target
- images
- 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
Abstract
本发明涉及图像处理技术领域,实施例具体公开了一种红外图像空中运动目标的检测方法,该方法采用了帧差法作为基本算法,通过缓存帧差ROI二值图像建立帧差ROI二值图像模型,并计算当前帧差ROI二值图像与帧差ROI二值图像模型的相似度值,若相似度值大于或者等于预设相似度阈值,则在当前帧差ROI二值图像中使用筛选方法检测目标,若相似度值小于预设相似度阈值,则在当前ROI二值图像中使用筛选方法检测目标,该方法解决了现有的目标检测方法不适用于运动背景下的目标检测和目标穿过运动背景导致目标丢失的问题,保证了运动背景下运动目标检测的实时性和准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种红外图像空中运动目标的检测方法。
背景技术
随着科技的发展、社会的进步、生活水平的提高,团体和个人的安防意识都在不断增强,视频监控系统也就得到了越来越广泛的应用。目前,它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中。监控系统的功能也从原来简单的对视频信号进行人工监视,系统多画面显示及硬盘录象类的简单功能,发展到利用计算机实现智能的目标检测和目标跟踪。
运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。通常情况下,目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域,因此运动目标的正确检测与分割对于后期处理非常重要。然而,由于场景的动态变化,如天气、光照、阴影及杂乱背景干扰等的影响,使得运动目标的检测与分割变得相当困难。根据摄像头是否保持静止,检测分为静态背景和运动背景两类。
目前主要的目标检测算法包括帧差法、背景差分法、光流法、TLD等,这些方法各有优缺点,传统帧差法的不足在于对环境噪声较为敏感,且不适用于运动目标的检测,背景差分法不足在于对动态场景的变化,如光照和外来无关事件的干扰等特别敏感,其他的算法运用起来复杂度高,难以保证实时性。
发明内容
有鉴于此,本申请提供一种红外图像空中运动目标的检测方法,既保证了目标检测的实时性,又提高了算法识别的准确度,能够有效解决上述存在的问题。
为解决以上技术问题,本发明提供的技术方案是一种红外图像空中运动目标的检测方法,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数;
S02:判断N是否大于预设帧数M,若否,则进入步骤S03,若是,则进入步骤S04,M为大于1的正整数;
S03:对当前帧ROI灰度图像进行图像预处理、图像二值化处理、图像膨胀处理后,筛选面积最大的连通区域,进入步骤S09;
S04:获取第一缓存区中保存的第N-1帧ROI灰度图像,计算当前帧ROI灰度图像与第N-1帧ROI灰度图像中灰度发生变化的各像素点的灰度差值的绝对值,获得第N帧帧差ROI灰度图像;
S05:对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理,获得第N帧帧差ROI二值图像,并保存到第二缓存区;
S06:根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型;
S07:计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值,若相似度值大于或者等于预设相似度阈值,则设置第N帧帧差ROI二值图像为待筛图像,若相似度值小于预设相似度阈值,则对当前帧ROI灰度图像进行图像二值化处理和图像膨胀处理,获得当前帧ROI二值图像,设置当前帧ROI二值图像为待筛图像;
S08:根据预设的筛选条件,在待筛图像中筛选连通区域;
S09:筛出的连通区域即为目标图像,将目标图像保存到第三缓存区并输出;
S10:根据目标图像更新ROI框,获得第N帧ROI框;在第N帧灰度图像上设置第N帧ROI框,获得第N帧ROI灰度图像,并保存到第一缓存区;设置N=N+1。
优选地,所述步骤S03中对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
优选地,所述步骤S05中对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理中,二值化阈值为第N帧帧差ROI灰度图像的最大类间方差的阈值。
优选地,所述步骤S05中对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理中,采用模板宽度为6的椭圆模板进行图像膨胀处理。
优选地,所述步骤S06中根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型的方法,包括:
计算第二缓存区中保存的若干个帧差ROI二值图像各像素点的灰度均值,建立帧差ROI二值图像模型。
优选地,所述步骤S07中计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值的方法,包括:
获取第二缓存区中保存的帧差ROI二值图像的个数K;
判断K是否小于预设帧差ROI二值图像个数,
若K小于预设帧差ROI二值图像个数,则相似度值设置为小于相似度阈值的值;
若K等于或者大于预设帧差ROI二值图像个数,则先获取第N帧帧差ROI二值图像与帧差ROI二值图像模型对应各像素点灰度差值,对各像素点灰度差值分别求绝对值再求和,然后除以像素点的总个数,接着乘以255,获得非相似度值;计算相似度值,相似度值=1-非相似度值。
优选地,所述步骤S08中根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:
根据第三缓存区中保存的若干个目标图像,建立目标图像模型;
在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域。
优选地,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值,在待筛图像中筛选与目标图像模型最接近的连通区域。
优选地,所述步骤S10中根据目标图像更新ROI框,获得第N帧ROI框的方法,包括:
获取第三缓存区中保存的第N-1帧目标图像;
计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
根据第三缓存区中保存的若干个目标图像,建立目标图像模型;
根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
优选地,所述根据第三缓存区中保存的若干个目标图像,建立目标图像模型的方法,包括:计算第三缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
本申请与现有技术相比,其有益效果详细说明如下:本申请提供的红外图像空中运动目标的检测方法,采用了帧差法作为基本算法,通过缓存目标图像建立目标图像模型,计算目标图像模型与当前帧差ROI二值图像的相似度值,若相似度值大于或者等于预设相似度阈值,则在当前帧差ROI二值图像中使用筛选方法检测目标,若相似度值小于预设相似度阈值,则在当前ROI二值图像中使用筛选方法检测目标,该方法解决了现有的目标检测方法不适用于运动背景下的目标检测和目标穿过运动背景导致目标丢失的问题,保证了运动背景下运动目标检测的实时性和准确性。
附图说明
图1为本发明实施例红外图像空中运动目标的检测方法的流程示意图;
图2为本发明实施例计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值的方法流程示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
ROI:ROI(region of interest),感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。
连通域:连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region,Blob)。就是像素值相近的同一块区域。
如图1所示,本发明实施例提供了一种红外图像空中运动目标的检测方法,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数。
这里,将获取的帧图像进行颜色转换,将RGB彩色图像转成灰度图像,即将三通道图像转换为单通道图像,可减少计算量。
这里,当N=1时,采用其他方法获得目标图像,可以在第一帧灰度图像上手动设置ROI框,即工作人员根据目标自己添加一个ROI框,再执行步骤S03、S09、S10,从而获得第一帧目标图像。
当N>1时,在第N帧灰度图像上自动设置ROI框,获得ROI框中的当前帧ROI灰度图像。
S02:判断N是否大于预设帧数M,若否,则进入步骤S03,若是,则进入步骤S04,M为大于1的正整数。
这里,可以将预设帧数M设置为5,在前5帧图像进行处理的时候,由于缓存的目标图像数量不够,采取筛选面积最大的连通区域作为筛选目标图像的方法。
S03:对当前帧ROI灰度图像进行图像预处理、图像二值化处理、图像膨胀处理后,筛选面积最大的连通区域,进入步骤S09。
其中,对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
这里,对当前帧ROI灰度图像进行滤波,去除噪声。
这里,由于采集的帧图像中,目标偏亮,背景偏暗,所以对当前帧ROI灰度图像进行相应的灰度拉伸,压缩暗区域,拉伸亮区域,让目标更加明显。
这里,根据当前帧ROI灰度图像灰度直方图获取一个自适应图像二值化阈值,它可以适应图像变化,二值化结果可减少干扰,使目标更明确。
其中,统计ROI灰度图像的直方图信息,直方图描述的是各灰度值(0到255个灰度级)的像素个数,横坐标是灰度级,纵坐标表示灰度级出现的个数。对前5帧ROI灰度图像,选择ROI灰度图像中最大灰度值的0.9倍作为二值化阈值。
这里,由于目标可能出现空洞,所以利用膨胀处理进行目标可能区域的连接,减少目标形态变化。经实验得出,这里采用模板宽度为6的椭圆模板进行膨胀处理,效果较佳。
S04:获取第一缓存区中保存的第N-1帧ROI灰度图像,计算当前帧ROI灰度图像与第N-1帧ROI灰度图像中灰度发生变化的各像素点的灰度差值的绝对值,获得第N帧帧差ROI灰度图像。
这里,求当前帧ROI灰度图像和前一帧ROI灰度图像矩阵的差的绝对值,获得帧差ROI灰度图像矩阵,即得到目标运动产生的帧差ROI灰度图像,便于识别运动目标。
其中,roiImg1代表当前帧ROI框内图像,roiImg0代表上一帧ROI框内图像,img代表帧差图像,img=(roiImg1-roiImg0)+(roiImg0-roiImg1)。获取帧差图像,将当前帧图像与上一帧图像相减得到帧差图像img1,再将上一帧与当前帧相减得到帧差图像img2,将img1与img2相加,得到帧差图像img,得到目标运动产生的差值区域图像,便于识别运动目标。
S05:对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理,获得第N帧帧差ROI二值图像,并保存到第二缓存区。
其中,对第N帧帧差ROI灰度图像进行图像二值化处理的方法中,二值化阈值为第N帧帧差ROI灰度图像的最大类间方差的阈值(OTSU),通过实验得出采用该二值化阈值能够取得较好的处理效果。
其中,对第N帧帧差ROI灰度图像进行图像二值化处理后的图像,再进行图像膨胀处理的方法中,采用模板宽度为6的椭圆模板进行膨胀处理,可以取得较好的处理效果。
S06:根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型。
其中,根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型的方法,可以为计算第二缓存区中保存的若干个帧差ROI二值图像各像素点的灰度均值,建立帧差ROI二值图像模型。
S07:计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值,若相似度值大于或者等于预设相似度阈值,则设置第N帧帧差ROI二值图像为待筛图像,若相似度值小于预设相似度阈值,则对当前帧ROI灰度图像进行图像二值化处理和图像膨胀处理,获得当前帧ROI二值图像,设置当前帧ROI二值图像为待筛图像。
这里,相似度阈值可以设置为0.85,计算出的相似度值大于或者等于0.85时,设置第N帧帧差ROI二值图像为待筛图像,计算出的相似度值小于0.85时,设置当前帧ROI二值图像为待筛图像。
如图2所示,计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值的方法,包括:
S71:获取第二缓存区中保存的帧差ROI二值图像的个数K。
这里,第二缓存区可以设置为仅存储24个帧差ROI二值图像,超过24个帧差ROI二值图像就开始删除最老的帧差ROI二值图像。
S72:判断K是否小于预设帧差ROI二值图像个数,预设帧差ROI二值图像个数可以为10。
若K小于10,则相似度值设置为小于预设相似度阈值的值,这里可以设置为0.5,则小于相似度阈值0.85。
若K等于或者大于10,计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的范数,即先获取对应各像素点灰度差值,对各像素点灰度差值分别求绝对值再求和,然后除以像素点的总个数,接着乘以255,获得非相似度值;计算相似度值,相似度值=1-非相似度值。
S08:根据预设的筛选条件,在待筛图像中筛选连通区域。
其中,根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:根据第三缓存区中保存的若干个目标图像,建立目标图像模型;在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域。
其中,根据第三缓存区中保存的若干个目标图像,建立目标图像模型的方法,包括:计算第三缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
其中,在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值,在待筛图像中筛选与目标图像模型最接近的连通区域。
这里,对每个特征给予相应的权重,计算连通区域特征值与目标图像模型特征值最接近的连通区域。公式为:T=W1*面积+W2*质心+W3*形状,(w1+w2+w3=1),其中W1,W2,W3为权重,面积、质心、形状均是归一化之后的值。
S09:筛出的连通区域即为目标图像,将目标图像保存到第三缓存区并输出。
S10:根据目标图像更新ROI框,获得第N帧ROI框;在第N帧灰度图像上设置第N帧ROI框,获得第N帧ROI灰度图像,并保存到第一缓存区;设置N=N+1。
其中,根据目标图像更新ROI框,获得第N帧ROI框的方法,包括:
S101:获取第三缓存区中保存的第N-1帧目标图像;
S102:计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
S103:根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
S104:根据第三缓存区中保存的若干个目标图像,建立目标图像模型;
其中,根据第三缓存区中保存的若干个目标图像,建立目标图像模型的方法,可以为计算第三缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
S105:根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
其中,根据目标图像模型的面积的平均值进行ROI框尺寸的更新。通过目标图像模型面积的平均值进行开方,再将开方值乘以5倍获得A值,再取帧图像宽度除以5得到B值,取A值和B值中的最小值为更新ROI框的宽度,以保证ROI区域没有超过图像的边界。
这里,ROI框的大小由四个变量确定(x,y,w,h),x为横坐标起始点,y为纵坐标起始点,w为ROI框的宽度,h为ROI框的高度。
当前帧ROI框的计算方法:先计算上一帧ROI框的中心位置(x1,y1),x1=x+w/2;y1=y+h/2;当前帧ROI框的四个变量依次为x2=x1-halfw,y2=y1-halfw,w2=2*halfw,y2=2*halfw,halfw为上一帧ROI框宽度的一半。(x2,y2,w2,h2)在ROI灰度图像上对应的图像为当前帧ROI区域图像。
结合目标运动的速度、加速度、方向及目标占ROI框的比例动态调整第N帧ROI框的大小。如果目标运动速度或者加速度超过一定阈值,则更新相应的第N帧ROI框的位置,即相应的ROI框进行水平和垂直方向的小幅度移动,尺寸根据目标区域模型的面积的平均值进行ROI框尺寸的更新,Halfw取通过目标图像模型面积得到的值与帧图像宽度除以5得到的值的最小值。通过目标图像模型面积得到的值即为将第三缓存区保存的若干个目标图像的面积的平均值进行开方,再将开方值乘以5倍得到的值;如果目标运动速度或者加速度没有超过阈值则仍为第N-1帧的ROI框位置与宽度。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种红外图像空中运动目标的检测方法,其特征在于,包括:
S01:获取第N帧灰度图像,在第N帧灰度图像上设置第N-1帧ROI框,获得当前帧ROI灰度图像,N为大于1的正整数;
S02:判断N是否大于预设帧数M,若否,则进入步骤S03,若是,则进入步骤S04,M为大于1的正整数;
S03:对当前帧ROI灰度图像进行图像预处理、图像二值化处理、图像膨胀处理后,筛选面积最大的连通区域,进入步骤S09;
S04:获取第一缓存区中保存的第N-1帧ROI灰度图像,计算当前帧ROI灰度图像与第N-1帧ROI灰度图像中灰度发生变化的各像素点的灰度差值的绝对值,获得第N帧帧差ROI灰度图像;
S05:对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理,获得第N帧帧差ROI二值图像,并保存到第二缓存区;
S06:根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型;
S07:计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值,若相似度值大于或者等于预设相似度阈值,则设置第N帧帧差ROI二值图像为待筛图像,若相似度值小于预设相似度阈值,则对当前帧ROI灰度图像进行图像二值化处理和图像膨胀处理,获得当前帧ROI二值图像,设置当前帧ROI二值图像为待筛图像;
S08:根据预设的筛选条件,在待筛图像中筛选连通区域;
S09:筛出的连通区域即为目标图像,将目标图像保存到第三缓存区并输出;
S10:根据目标图像更新ROI框,获得第N帧ROI框;在第N帧灰度图像上设置第N帧ROI框,获得第N帧ROI灰度图像,并保存到第一缓存区;设置N=N+1。
2.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S03中对当前帧ROI灰度图像进行图像预处理的方法,包括:对当前帧ROI灰度图像进行图像滤波处理和图像灰度拉伸处理。
3.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S05中对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理中,二值化阈值为第N帧帧差ROI灰度图像的最大类间方差的阈值。
4.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S05中对第N帧帧差ROI灰度图像进行图像二值化处理和图像膨胀处理中,采用模板宽度为6的椭圆模板进行图像膨胀处理。
5.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S06中根据第二缓存区中保存的若干个帧差ROI二值图像,建立帧差ROI二值图像模型的方法,包括:
计算第二缓存区中保存的若干个帧差ROI二值图像各像素点的灰度均值,建立帧差ROI二值图像模型。
6.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S07中计算第N帧帧差ROI二值图像与帧差ROI二值图像模型的相似度值的方法,包括:
获取第二缓存区中保存的帧差ROI二值图像的个数K;
判断K是否小于预设帧差ROI二值图像个数,
若K小于预设帧差ROI二值图像个数,则相似度值设置为小于相似度阈值的值;
若K等于或者大于预设帧差ROI二值图像个数,则先获取第N帧帧差ROI二值图像与帧差ROI二值图像模型对应各像素点灰度差值,对各像素点灰度差值分别求绝对值再求和,然后除以像素点的总个数,接着乘以255,获得非相似度值;计算相似度值,相似度值=1-非相似度值。
7.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S08中根据预设的筛选条件,在待筛图像中筛选连通区域的方法,包括:
根据第三缓存区中保存的若干个目标图像,建立目标图像模型;
在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域。
8.根据权利要求7所述的红外图像空中运动目标的检测方法,其特征在于,所述在待筛图像中筛选连通区域特征值与目标图像模型特征值最接近的连通区域的方法,包括:根据面积、质心位置和形状三个特征值,在待筛图像中筛选与目标图像模型最接近的连通区域。
9.根据权利要求1所述的红外图像空中运动目标的检测方法,其特征在于,所述步骤S10中根据目标图像更新ROI框,获得第N帧ROI框的方法,包括:
获取第三缓存区中保存的第N-1帧目标图像;
计算第N-1帧目标图像的最小外接矩和第N帧目标图像的最小外接矩;
根据第N-1帧目标图像的最小外接矩与第N帧目标图像的最小外接矩的相对变化量,计算第N+1帧灰度图像上ROI框的位置;
根据第三缓存区中保存的若干个目标图像,建立目标图像模型;
根据目标图像模型,计算第N+1帧灰度图像上ROI框的尺寸。
10.根据权利要求7或9所述的红外图像空中运动目标的检测方法,其特征在于,所述根据第三缓存区中保存的若干个目标图像,建立目标图像模型的方法,包括:计算第三缓存区中保存的若干个目标图像各像素点的灰度均值,建立目标图像模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710774167.7A CN107563985B (zh) | 2017-08-31 | 2017-08-31 | 一种红外图像空中运动目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710774167.7A CN107563985B (zh) | 2017-08-31 | 2017-08-31 | 一种红外图像空中运动目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563985A true CN107563985A (zh) | 2018-01-09 |
CN107563985B CN107563985B (zh) | 2020-08-25 |
Family
ID=60978622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710774167.7A Active CN107563985B (zh) | 2017-08-31 | 2017-08-31 | 一种红外图像空中运动目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563985B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196729A (zh) * | 2018-01-16 | 2018-06-22 | 安徽慧视金瞳科技有限公司 | 一种基于红外视频的指尖点快速检测方法 |
CN112101090A (zh) * | 2020-07-28 | 2020-12-18 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN113362390A (zh) * | 2021-06-21 | 2021-09-07 | 武汉理工大学 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
CN115657000A (zh) * | 2022-12-28 | 2023-01-31 | 成都空御科技有限公司 | 一种低慢小自适应雷达探测系统 |
CN116030367A (zh) * | 2023-03-27 | 2023-04-28 | 山东智航智能装备有限公司 | 一种无人机视角动目标检测方法及装置 |
EP4138031A4 (en) * | 2020-04-17 | 2023-06-14 | NEC Corporation | IMAGE PROCESSING PROCESS |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304488A (zh) * | 2008-06-20 | 2008-11-12 | 北京中星微电子有限公司 | 一种图象采集的方法和装置 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
-
2017
- 2017-08-31 CN CN201710774167.7A patent/CN107563985B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304488A (zh) * | 2008-06-20 | 2008-11-12 | 北京中星微电子有限公司 | 一种图象采集的方法和装置 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
Non-Patent Citations (1)
Title |
---|
莫国影等: "基于CCD图像的表面疲劳裂纹识别与长度计算", 《机械制造与研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196729A (zh) * | 2018-01-16 | 2018-06-22 | 安徽慧视金瞳科技有限公司 | 一种基于红外视频的指尖点快速检测方法 |
EP4138031A4 (en) * | 2020-04-17 | 2023-06-14 | NEC Corporation | IMAGE PROCESSING PROCESS |
CN112101090A (zh) * | 2020-07-28 | 2020-12-18 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN112101090B (zh) * | 2020-07-28 | 2023-05-16 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN113362390A (zh) * | 2021-06-21 | 2021-09-07 | 武汉理工大学 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
CN115657000A (zh) * | 2022-12-28 | 2023-01-31 | 成都空御科技有限公司 | 一种低慢小自适应雷达探测系统 |
CN116030367A (zh) * | 2023-03-27 | 2023-04-28 | 山东智航智能装备有限公司 | 一种无人机视角动目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107563985B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563985A (zh) | 一种红外图像空中运动目标的检测方法 | |
CN107451999B (zh) | 基于图像识别的异物检测方法和装置 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
CN107564041A (zh) | 一种可见光图像空中运动目标的检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN106296744A (zh) | 一种结合自适应模型和多阴影属性的运动目标检测方法 | |
CN112233173A (zh) | 一种视力障碍人士室内物品寻找与定位的方法 | |
CN113781421A (zh) | 基于水下的目标识别方法、装置及系统 | |
CN108305270A (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
CN112561813B (zh) | 人脸图像增强方法、装置、电子设备及存储介质 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 | |
CN114067275A (zh) | 监控场景中目标物体提醒方法、系统与电子设备 | |
CN110706168A (zh) | 图像明暗调节方法 | |
Yun et al. | An image enhancement Method for extracting multi-license plate region | |
Aik et al. | Real-Time People Counting System using CurveAnalysis Method | |
CN114119754B (zh) | 基于连通粒的像素级火灾烟雾根节点检测方法 | |
CN111353994B (zh) | 一种面向目标检测的图像无参考亮度质量检测方法 | |
CN108171242A (zh) | 一种高效的挡圈检测系统 | |
Diman et al. | Processing of Drone’s Digital Image for Determining Border of Rice Fields with Edge Detection Method |
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 |