CN107862262A - 一种适用于高空侦察的快速可见光图像舰船检测方法 - Google Patents
一种适用于高空侦察的快速可见光图像舰船检测方法 Download PDFInfo
- Publication number
- CN107862262A CN107862262A CN201711020232.3A CN201711020232A CN107862262A CN 107862262 A CN107862262 A CN 107862262A CN 201711020232 A CN201711020232 A CN 201711020232A CN 107862262 A CN107862262 A CN 107862262A
- Authority
- CN
- China
- Prior art keywords
- target
- candidate target
- region
- average
- visible 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种适用于高空侦察的快速可见光图像舰船检测方法,属于光学图像自动目标识别领域,包括以下环节:基于小面核显著性滤波的感兴趣区域提取,基于Otsu自动阈值分割与显著区域判别的候选目标区域确认,基于舰船特征表达的目标特征提取,基于舰船类目标知识描述约束的无监督目标判别。本发明对包括复杂天气和海况成像环境下的多种类型舰船目标均具有鲁棒的检测效果,实时性优异,同时避免了大量样本的采集和训练,能够有效克服复杂云杂波和海杂波造成的外界环境干扰及行驶浪迹和尺度差异造成的自身因素干扰,在机载平台高空对海探测中的舰船目标预警、目标跟踪与监视、目标定位与精确打击等多个任务领域具有广泛的应有价值。
Description
技术领域
本发明属于光学图像自动目标识别领域,更具体地,涉及一种适用于高空侦察的快速可见光图像舰船检测方法。
背景技术
可见光图像具有分辨率高、特征信息量大、纹理细节丰富、视场覆盖范围广等特点,在对舰船类目标检测和识别方面拥有显著优势。基于可见光图像的舰船目标自动检测技术,可以为无人机高空对海探测中的舰船目标预警、目标跟踪与监视、目标定位与精确打击等多个任务领域提供相关的智能化技术支持。随着高分辨率光学成像技术的进一步发展与成熟,这种利用可见光图像进行舰船检测的技术也越发被人们所关注。
适用于高空侦察的可见光图像舰船目标检测技术的难点主要来源于云杂波、海杂波等造成的外部干扰因素,及舰船行驶产生的浪迹杂波和不同目标尺度大小对检测造成的自身干扰因素。舰船检测主要分为背景抑制、目标提取和目标判别等主要环节。传统方法一般通过采用灰度或纹理统计差异,对云区和海区进行预检测,以达到抑制背景和提取候选目标的目的。在目标判别方面,则通常利用一些简单的形状判别指标或基于样本特征分类器训练的方式,判断候选目标的真伪程度。实际上,由于海洋环境下水汽的蒸发量大,云的成像形态千变万化,使得已有的云区检测算法不仅复杂度较高,且检测效果并不鲁棒。另一方面,对于舰船自身而言,其行驶过程中侧舷和尾部产生的浪迹,也会对目标的成像特性产生影响。不仅如此,由于舰船种类繁杂,此类目标的目标尺度变化范围很大,而现有的许多特征描述子也无法同时满足这种对多尺度目标的适应性。最后,适用于高空侦察的可见光图像舰船目标检测技术还需要考虑到一些便于机载应用平台的实时性问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种适用于高空侦察的可见光图像舰船目标检测方法,旨在解决现有的舰船检测技术难以克服云、海等背景杂波和自身浪迹杂波干扰,及难以适用于多种尺度目标和算法实时性等问题。
为实现上述目的,本发明解决其技术问题所采用的技术方案是,提供了一种适用于高空侦察的可见光图像舰船目标检测方法,包括下述步骤:
S1:对高空对海可见光灰度图像进行小面核显著性滤波获得小面核滤波显著性图,从小面核滤波显著性图中提取感兴趣区域;;
S2:在所述感兴趣区域内进行Otsu自动阈值分割,并结合所述小面核滤波显著性图确认各候选目标区域;
S3:在所述各候选目标区域内,计算各候选目标的主轴方向,进而提取各候选目标的S-HOG特征描述子;
S4:根据舰船类目标的形状知识,对所述各候选目标的S-HOG特征描述子进行判别,确认各候选目标的真伪。
更进一步地,步骤S1具体为:
S11:对待检测可见光灰度图像进行小面核显著性滤波,即先使用小面核滤波模板对高空对海可见光灰度图像进行卷积运算,再将各像素点数值取平方后对全图进行高斯平滑,获得小面核滤波显著性图;
S12:采用自适应阈值方法,即使用分割阈值对小面核滤波显著性图进行分割,将大于分割阈值的像素置1作为前景区域,其余像素置0作为背景区域,将各前景连通域的最小外接矩形覆盖区域作为图像感兴趣区域:其中,分割阈值为:
T=m+k·σ
其中,m为小面核滤波显著性图的图像均值,σ为图像标准差,k为相对参数。
更进一步地,根据实验经验,图像标准差σ的取值为图像最短边长的1%倍,相对参数k的取值为6时能得到较好的检测效果。
更进一步地,步骤S2具体为:
S21:采用Otsu自动阈值方法,对感兴趣区域进行自动分割,得到分割区域Ω0和分割区域Ω1;
S22:分别统计分割区域Ω0和分割区域Ω1在小面核滤波显著性图上对应的显著平均值,并将显著平均值更大的分割区域中每个连通域的最小外接矩形覆盖区域作为候选目标区域。
更进一步地,步骤S3具体为:
S31:在候选目标区域中,利用候选目标Otsu分割结果,将该候选目标的所有二维像素坐标进行统计记录,然后用主成分分析方法计算它们的第一主成分对应的映射系数,映射系数对应的映射方向作为该候选目标的主轴方向;
S32:将候选目标主轴旋转校准至固定的垂直方向,再进而计算候选目标的S-HOG特征描述子,主要包括方向区间划分和区域块划分两个方面,在方向区间划分中,按照角度平均划分原则将S-HOG描述子的梯度方向分为1D~8D共8个区间,其中1D和5D各方向区间的角对称轴垂直于候选目标主轴方向,在区域块划分中,沿着目标主轴方向分别取候选目标的前身B1、后身B2两个区域块,统计B1、B2中各个方向区间的梯度幅值,并按照向量模归一化。
更进一步地,步骤S4具体为:
S41:计算B1、B2中与候选目标主轴垂直方向的方向区间{1D,5D}的均值与方差,并计算B1、B2中与舰船主轴非垂直方向的方向区间{2D,3D,4D,6D,7D,8D}的均值与方差;
S42:引入均值比阈值α和方差阈值v1、v2,要求仅当两区域块B1、B2同时满足以下条件时,该候选目标被判为真实舰船目标,即:
①各区域块中,方向区间{1D,5D}的均值与方向区间{2D,3D,4D,6D,7D,8D}的均值的比值大于α;
②各区域块中,方向区间{1D,5D}的方差小于v1;
③各区域块中,方向区间{2D,3D,4D,6D,7D,8D}的方差小于v2。
更进一步地,根据实验经验,阈值α的取值为2.0,v1的取值为0.05,v2的取值为0.1时能得到较好的检测效果。
本发明根据人类视觉注意机制的相关原理,采用了小面核显著性滤波以抑制和过滤云、海背景,突出与背景具有显著差异的感兴趣目标区域;结合Otsu自动阈值分割和小面核显著性滤波结果,实现对候选目标区域的准确提取;根据舰船类目标形状的长平行侧舷特点,采用S-HOG描述子对其进行特征表达,以克服舰船浪迹杂波干扰及目标尺度覆盖范围大给检测带来的困难。因此,本发明适用于高空侦察所面临的复杂海背景下的多种不同尺度大小舰船目标,可以为无人机高空对海探测中的舰船目标预警、目标跟踪与监视、目标定位与精确打击等任务提供相关的技术支持与保障。
附图说明
图1是实施例所示一种用于高空侦察的快速可见光图像舰船检测方法的实现流程图;
图2(a)是实施例中举例说明的包含两个不同尺度舰船目标的待检测云杂波背景图像的原图;
图2(b)是实施例中举例说明的包含两个不同尺度舰船目标的待检测云杂波背景图像的小面核滤波显著图;
图3(a)是实施例中举例说明的包含一个舰船目标的待检测海杂波背景图像的原图;
图3(b)是实施例中举例说明的包含一个舰船目标的待检测海杂波背景图像的小面核滤波显著图;
图4是一种用于高空侦察的快速可见光图像舰船检测方法中的S-HOG描述子方向区间划分和区域块划分示意图;
图5是大型目标和带浪迹干扰小型目标对应的S-HOG描述子。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1是一种用于高空侦察的快速可见光图像舰船检测方法的实现流程图,包括如下步骤:
步骤S1:对高空对海可见光灰度图像进行小面核显著性滤波获得小面核滤波显著性图,从小面核滤波显著性图提取图像中感兴趣区域;
步骤S2:在所述感兴趣区域内进行Otsu自动阈值分割,并结合所述小面核滤波显著性图确认各候选目标区域;
步骤S3:在所述各候选目标区域内,计算各候选目标的主轴方向,进而提取各候选目标的S-HOG特征描述子;
步骤S4:根据舰船类目标的形状知识,对所述各候选目标的S-HOG特征描述子进行判别,确认各候选目标否为舰船。
上述步骤S1包括如下子步骤:
S11:根据人类视觉系统对场景选择性注意机制的相关原理,采用小面核滤波增强方法计算待检测高空对海可见光灰度图像的显著图,以抑制云、海杂波背景并突出与背景有显著差异的信号,对于输入图像I,其滤波处理表达式如下:
IF=G*||F*I||
其中,IF为得到的小面核滤波显著性图,G为高斯卷积核,此处高斯平滑滤波器的标准差在一定范围内对检测结果并不敏感,其优选值根据实验经验取为图像最短边长的1.0%倍,F为5×5尺度窗口的小面卷积核,该卷积核能够有效突出与周边差异明显的目标区域,并很好地抑制均匀背景区域,它所涉及的卷积运算易于实现,计算效率高,其卷积核模板权赋值如下:
S12:采用自适应阈值方法,对小面核滤波显著图进行自动分割,将大于分割阈值的像素置1作为前景区域,其余像素置0作为背景区域,将各前景连通域的最小外接矩形覆盖区域作为图像感兴趣区域,分割阈值表达式如下:
T=m+k·σ
其中,m为小面核滤波显著图的图像均值,σ为图像标准差,k为相对参数,此处参数k越小则虚警区域越多,越大则漏检区域越多,优选值根据实验经验取为6。
图2(a)为包含两个不同尺度舰船目标的待检测云杂波背景原始图像,图2(b)为图2(a)对应的小面核滤波显著图,图3(a)为包含一个舰船目标的待检测海杂波背景原始图像,图3(b)为图3(a)对应的小面核滤波显著图,由图2(b)和图3(b)可知,采用本发明的小面核滤波增强可以有效抑制杂波背景,突出目标。
步骤S2包括如下子步骤:
S21:采用Otsu自动阈值方法,对图像感兴趣区域进行自动分割,得到二个分割区域:分割区域Ω0和分割区域Ω1;
S22:由于无法预知目标与背景成像灰度的相对大小,故分别统计阈值分割后两种分割区域在小面核滤波显著图上对应的显著平均值,并将均值更大的分割区域中每个连通域的最小外接矩形覆盖区域作为候选目标区域,给定分割后两类区域Ω0和Ω1,具体操作如下:
①如果满足条件则将分割区域Ω0中每个连通域的最小外接矩形覆盖区域作为候选目标区域;
②如果满足条件则将分割区域Ω1中每个连通域的最小外接矩形覆盖区域作为候选目标区域;
其中,N(Ω0)和N(Ω1)分别表示分割区域Ω0和Ω1的像素数。
上述步骤S3包括如下子步骤:
S31:在候选目标区域中,利用候选目标Otsu分割二值化结果,将该目标的所有二维像素坐标(x,y)进行统计记录,然后用主成分分析方法计算它们的第一主成分对应的映射系数,其对应的映射方向实际上就是该候选目标的主轴方向;
S32:将候选目标主轴旋转校准至固定的垂直方向,再进而计算其S-HOG特征描述子,主要包括方向区间划分和区域块划分两个方面,在方向区间划分中,我们按照角度平均划分原则将S-HOG描述子的梯度方向分为1D~8D共8个区间,其中1D和5D各方向区间的角对称轴垂直于目标主轴方向,在区域块划分中,沿着目标主轴方向分别取候选目标的前半截B1和后半截B2共2个区域块,统计各区域块中各个方向区间的梯度幅值,得到方向梯度直方图为H={hi,i=1,2,...,8},并按照向量模归一化。
图4为适用于复杂海背景下的遥感图像舰船检测方法的S-HOG描述子方向区间划分和区域块划分示意图,以候选目标主轴方向为纵坐标,垂直该方向为横坐标,则S-HOG描述子的方向区间划分界分别为22.5°、67.5°、112.5°、157.5°、202.5°、247.5°、292.5°、337.5°,由图可见,方向区间1D和5D主要涵盖垂直候选目标主轴的方向。
图5为尺度较大的大型目标和尺度较小的浪迹干扰目标对应的S-HOG描述子,由图5可见,这两种类型舰船目标的S-HOG描述子均在方向区间1D和5D具有明显大于其他方向区间的统计量,说明本发明的S-HOG描述子能够克服舰船浪迹杂波干扰并适用于较大尺度范围的目标。
根据舰船目标所具有的特点,对该类目标S-HOG描述子特性总结为三条基本特征,分别为:(1)方向梯度直方图中的区间1D和5D的统计量值应当大于其他区间的统计量值,这是由舰船的长平行侧舷所决定;(2)方向梯度直方图中的区间1D和5D的统计量值应当数值相当,这是由舰船侧舷的对称性所决定;(3)目标的2个区域块B1、B2的方向梯度直方图都应当满足上述两条特征,这是由舰船的长条形形状所决定。将这三条基本特征作为舰船目标判别的基本规则,并根据这些知识,利用一种有效的统计判别策略对目标进行真伪识别。具体地,上述步骤S4包括如下子步骤:
S41:对候选目标区域块B1、B2的方向梯度直方图进行统计评估,即计算各区域块B1、B2中与候选目标主轴垂直方向的方向区间{1D,5D}的均值mp与方差vp,并计算B1、B2中与候选目标主轴非垂直方向的方向区间{2D,3D,4D,6D,7D,8D}的均值mf与方差vf,即对于各区域块,统计量计算如下:
S42:引入均值比阈值α和方差阈值v1、v2,要求仅当两区域块B1、B2同时满足以下条件时,该候选目标被判为真实舰船目标,即:
①各区域块B1和B2中,方向区间{1D,5D}的均值mp与方向区间{2D,3D,4D,6D,7D,8D}的均值mf的比值大于α,即
②各区域块B1和B2中,方向区间{1D,5D}的方差vp小于v1,即vp<v1;
③各区域块B1和B2中,方向区间{2D,3D,4D,6D,7D,8D}的方差vf小于v2,即vf<v2;
根据舰船形状所具备的长平行侧舷特征,要求方向区间1D和5D的梯度幅值高于其他方向区间的梯度幅值,因此,比值mp/mf必须大于设定阈值α,同时,方差阈值v1限定了方向区间1D和5D的梯度幅值必须相当,而方差阈值v2限定了方向区间2D、3D、4D、6D、7D、8D的梯度幅值间的差异也必须在一定范围内,根据实验经验,α、v1、v2的优选值分别取为2.0、0.05、0.1时能得到较好的检测效果。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于,包括下述步骤:
步骤S1:对高空对海可见光灰度图像进行小面核显著性滤波获得小面核滤波显著性图,从小面核滤波显著性图中提取感兴趣区域;
步骤S2:在所述感兴趣区域内进行Otsu自动阈值分割,并结合所述小面核滤波显著性图确认各候选目标区域;
步骤S3:在所述各候选目标区域内,计算各候选目标的主轴方向,进而提取各候选目标的S-HOG特征描述子;
步骤S4:根据舰船类目标的形状知识,对所述各候选目标的S-HOG特征描述子进行判别,确认各候选目标否为舰船。
2.如权利要求1所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于,步骤S1具体为:
S11:先使用小面核滤波模板对高空对海可见光灰度图像进行卷积运算,再将各像素点数值取平方后对全图进行高斯平滑,获得小面核滤波显著性图;
S12:使用分割阈值对小面核滤波显著性图进行分割,将大于分割阈值的像素置1作为前景区域,其余像素置0作为背景区域,将各前景连通域的最小外接矩形覆盖区域作为图像感兴趣区域:其中,分割阈值为:
T=m+k·σ
其中,m为小面核滤波显著性图的图像均值,σ为图像标准差,k为相对参数。
3.如权利要求2所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于所述图像标准差σ的取值为图像最短边长的1%倍,相对参数k的取值为6;
4.如权利要求1所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于,步骤S2具体为:
S21:采用Otsu自动阈值方法,对感兴趣区域进行自动分割,得到分割区域Ω0和分割区域Ω1;
S22:分别统计分割区域Ω0和分割区域Ω1在小面核滤波显著性图上对应的显著平均值,并将显著平均值更大的分割区域中每个连通域的最小外接矩形覆盖区域作为候选目标区域。
5.如权利要求1所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于,步骤S3具体为:
S31:在候选目标区域中,利用候选目标Otsu分割结果,将该候选目标的所有二维像素坐标进行统计记录,然后用主成分分析方法计算它们的第一主成分对应的映射系数,映射系数对应的映射方向作为该候选目标的主轴方向;
S32:将候选目标主轴旋转校准至固定的垂直方向,再进而计算候选目标的S-HOG特征描述子,主要包括方向区间划分和区域块划分两个方面,在方向区间划分中,按照角度平均划分原则将S-HOG描述子的梯度方向分为1D~8D共8个区间,其中1D和5D各方向区间的角对称轴垂直于候选目标主轴方向,在区域块划分中,沿着目标主轴方向分别取候选目标的前身B1、后身B2两个区域块,统计B1、B2中各个方向区间的梯度幅值,并按照向量模归一化。
6.如权利要求5所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于,步骤S4具体为:
S41:计算B1、B2中与候选目标主轴垂直方向的方向区间{1D,5D}的均值与方差,并计算B1、B2中与舰船主轴非垂直方向的方向区间{2D,3D,4D,6D,7D,8D}的均值与方差;
S42:引入均值比阈值α和方差阈值v1、v2,要求仅当两区域块B1、B2同时满足以下条件时,该候选目标被判为真实舰船目标,即:
①各区域块中,方向区间{1D,5D}的均值与方向区间{2D,3D,4D,6D,7D,8D}的均值的比值大于α;
②各区域块中,方向区间{1D,5D}的方差小于v1;
③各区域块中,方向区间{2D,3D,4D,6D,7D,8D}的方差小于v2。
7.如权利要求6所述的一种适用于高空侦察的快速可见光图像舰船检测方法,其特征在于阈值α的取值为2.0,v1的取值为0.05,v2的取值为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711020232.3A CN107862262A (zh) | 2017-10-27 | 2017-10-27 | 一种适用于高空侦察的快速可见光图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711020232.3A CN107862262A (zh) | 2017-10-27 | 2017-10-27 | 一种适用于高空侦察的快速可见光图像舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107862262A true CN107862262A (zh) | 2018-03-30 |
Family
ID=61697834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711020232.3A Pending CN107862262A (zh) | 2017-10-27 | 2017-10-27 | 一种适用于高空侦察的快速可见光图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862262A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
WO2020258793A1 (zh) * | 2019-06-26 | 2020-12-30 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN114280571A (zh) * | 2022-03-04 | 2022-04-05 | 北京海兰信数据科技股份有限公司 | 一种雨杂波信号的处理方法、装置及设备 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
US8369572B2 (en) * | 2009-06-09 | 2013-02-05 | Lockheed Martin Corporation | System and method for passive automatic target recognition (ATR) |
CN103413320A (zh) * | 2013-08-30 | 2013-11-27 | 上海海事大学 | 一种港口污染物显著性检测方法 |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
-
2017
- 2017-10-27 CN CN201711020232.3A patent/CN107862262A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369572B2 (en) * | 2009-06-09 | 2013-02-05 | Lockheed Martin Corporation | System and method for passive automatic target recognition (ATR) |
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
CN103413320A (zh) * | 2013-08-30 | 2013-11-27 | 上海海事大学 | 一种港口污染物显著性检测方法 |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
Non-Patent Citations (2)
Title |
---|
SHENGXIANG QI 等: "A fast-saliency method for real-time infrared small target detection", 《INFRARED PHYSICS & TECHNOLOGY》 * |
SHENGXIANG QI 等: "Unsupervised Ship Detection Based on Saliency and S-HOG Descriptor From Optical Satellite Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
CN108764456B (zh) * | 2018-04-03 | 2021-06-22 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
WO2020258793A1 (zh) * | 2019-06-26 | 2020-12-30 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN114280571A (zh) * | 2022-03-04 | 2022-04-05 | 北京海兰信数据科技股份有限公司 | 一种雨杂波信号的处理方法、装置及设备 |
CN114280571B (zh) * | 2022-03-04 | 2022-07-19 | 北京海兰信数据科技股份有限公司 | 一种雨杂波信号的处理方法、装置及设备 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862262A (zh) | 一种适用于高空侦察的快速可见光图像舰船检测方法 | |
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN103336947B (zh) | 基于显著性和结构性的红外运动小目标识别方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
Li et al. | Road lane detection with gabor filters | |
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN105976376B (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
Xia et al. | A novel sea-land segmentation algorithm based on local binary patterns for ship detection | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
Wang et al. | An overview of 3d object detection | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN108573280B (zh) | 一种无人船自主通过桥梁的方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN108520252B (zh) | 基于广义霍夫变换和小波变换的路标识别方法 | |
CN111428624B (zh) | 一种光学遥感图像在轨舰船目标检测方法 | |
CN106355576B (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
Cai et al. | Man-made object detection based on texture clustering and geometric structure feature extracting | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN104123569A (zh) | 一种基于有监督学习的视频人数信息统计方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180330 |
|
WD01 | Invention patent application deemed withdrawn after publication |