CN108171168B - 弱小目标变动智能图像检测方法及装置 - Google Patents

弱小目标变动智能图像检测方法及装置 Download PDF

Info

Publication number
CN108171168B
CN108171168B CN201711456095.8A CN201711456095A CN108171168B CN 108171168 B CN108171168 B CN 108171168B CN 201711456095 A CN201711456095 A CN 201711456095A CN 108171168 B CN108171168 B CN 108171168B
Authority
CN
China
Prior art keywords
image
motion
target
picture
small
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.)
Active
Application number
CN201711456095.8A
Other languages
English (en)
Other versions
CN108171168A (zh
Inventor
王宣银
吴长伟
向可
陈文�
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711456095.8A priority Critical patent/CN108171168B/zh
Publication of CN108171168A publication Critical patent/CN108171168A/zh
Application granted granted Critical
Publication of CN108171168B publication Critical patent/CN108171168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种弱小目标变动智能图像检测方法，包括如下步骤：步骤一：前景和背景分割：步骤11：得出该帧图片自适应阈值；步骤12：结合图分割算法对图片进行前景和背景分割，得到理想的二值分割图像；步骤二：运动检测：步骤21：对采集到的图像进行局部归一化处理；步骤22：将二值分割图像进行块匹配运动估计，合并两幅运动检测二值图像得到运动结果图；步骤三：目标定位：针对运动结果图，首先滤除八邻域内少于3个点的运动点；其次再在剩下的目标点的四邻域上扩展出四个点，并得到扩展图；然后提取扩展图中的每一个独立的目标块，把面积大于15的块作为真正的目标块；最后标记检测得到的所有运动目标。本发明还公开了一种弱小目标变动智能图像检测装置。

Description

弱小目标变动智能图像检测方法及装置
技术领域
本发明属于图像技术处理技术领域，具体的为一种弱小目标变动智能图像检测方法及装置。
背景技术
计算机已经被广泛应用在各行各业中，用它们处理一些重复性、大数据量和大计算量的任务比人类更加准确和快速。同时，人们也可以通过计算机来完成一些更加智能化的任务，例如图像识别、语音识别、数据挖掘、自然语言处理等。人工智能领域的研究试图让计算机可以像人类一样感知并处理信息，而计算机视觉旨在给予计算机人类的视觉功能，使得计算机能够自动地理解视觉信息。根据美国哈佛商学院有关研究人员的分析资料表明，人的人脑每天通过五种感官接受外部信息的比例分别为味觉1％、触觉1.5％、嗅觉3.5％、听觉11％、视觉83％，可见对计算机视觉领域的研究具有重要的意义。
运动目标检测是计算机视觉中的一个基本问题，也是计算机视觉领域众多应用的基础。对于弱小目标变动的检测是运动目标检测中的一个分支，也是一个难点。弱小目标在人们的日常生活中非常常见，如人们远眺时，呈现在人们眼前的便是一系列弱小目标，由于人眼分辨率限制，人们很难准确判断这些弱小目标是否变动。近三十年来，随着航天技术、传感器技术、计算机技术及其相关学科的迅猛发展，卫星成像侦察技术得到飞速进步，其无论在光谱分辨率、空间分辨率、时间分辨率等方面都取得了巨大的进步，利用遥感光学图片进行船只的检测和监管已成为一种发展趋势，船只在遥感图片中所成的像便是一系列的弱目标。综上所述，对弱目标变动进行研究是十分有意义的。
发明内容
有鉴于此，本发明的目的在于提供一种弱小目标变动智能图像检测方法及装置，可以全天候的监控远距离、小目标变动情况，克服了传统弱目标变动检测计算量大且复杂的不足。
为达到上述目的，本发明提供如下技术方案：
本发明首先提出了一种弱小目标变动智能图像检测方法，包括如下步骤：
步骤一：前景和背景分割
步骤11：对采集到的图像利用大津法得出该帧图片自适应阈值；
步骤12：根据所述步骤11得到的自适应阈值，并结合图分割算法对图片进行前景和背景分割，得到理想的二值分割图像；
步骤二：运动检测
步骤21：对采集到的图像进行局部归一化处理，基本消除光线对检测结果的影响；
步骤22：将所述步骤12得到的二值分割图像进行块匹配运动估计，计算图像1到图像2和图像2到图像1的每个运动点的位移，得到两幅运动检测二值图像，合并两幅运动检测二值图像得到运动结果图，以消除镜头微量拉伸和转动引起的误差；
步骤三：目标定位
针对所述步骤22得到的运动结果图，首先滤除八邻域内少于3个点的运动点；其次再在剩下的目标点的四邻域上扩展出四个点，以保证正确运动目标的完整性，并得到扩展图；然后提取扩展图中的每一个独立的目标块，把面积大于15的块作为真正的目标块；最后在原始采集到的图片中标记检测得到的所有运动目标。
进一步，所述步骤11中，采用大津法计算图片自适应阈值的方法如下：
g(t)＝w0·(u0-u)2+w1·(u1-u)2
其中，w0为基于阈值t得出的前景区域所占整个图片的比例；
u0为基于阈值t得出的前景区域灰度平均值；
w1为基于阈值t得出的背景区域所占整个图片的比例；
u1为基于阈值t得出的背景区域灰度平均值；
t当前图片阈值；
u＝w0·u0+w1·u1:整个图片的平均值。
进一步，所述步骤12中，采用图分割算法对图片进行前景和背景分割的方法如下：
建立图模型能量函数：E(A)＝λ·R(A)+B(A)
式中，
Figure BDA0001529285540000031
Figure BDA0001529285540000032
Figure BDA0001529285540000033
Figure BDA0001529285540000034
Figure BDA0001529285540000035
其中，E(A)是图模型能量函数；
R(A)是节点惩罚项；
B(A)是节点边缘惩罚项；
集合P表示图片所有像素的集合，这些像素点形成图模型的节点元素；
集合N表示某个像素节点的领域；
λ是一个权衡系数，其调节了节点和领域对最终分割效果的影响力；
Rp(Ap)是像素p被判定为前景或者背景时所付出的惩罚；
Bp,q是邻近节点被判定为不同标号时所付出的惩罚；
A是给图像每一个像素赋予的标号集合；
t是大津法得出的自适应阈值；
Ip是p像素的灰度值；
Ap是p像素的标号值(0:海面1:陆地)；
unity_s是像素p灰度大于阈值时被赋予“海面”标号时的惩罚值；
unity_t是像素p灰度小于阈值时被赋予“陆地”标号时的惩罚值；
threval_nb是邻域内像素值是否相同的阈值；
edge_same是领域像素灰度差在threval_nb阈值范围内时，被判定为不同标号时惩罚值；
edge_diff是领域像素灰度差在threval_nb阈值范围外时，被判定为不同标号时惩罚值；
建立图模型能量函数后，利用max-flow算法对其进行优化求解得到理想的二值分割图像。
进一步，所述步骤21中，对图像进行局部归一化处理的方法如下：
Figure BDA0001529285540000041
式中，Ω为像素点(x,y)附近的邻域，n为邻域中所有像素点的数目。
进一步，所述领域大小为11×11，且对图像进行归一化处理的次数为三次。
进一步，所述步骤22中，两幅运动检测二值图像分别为：
Figure BDA0001529285540000042
Figure BDA0001529285540000043
式中，点(x,y)为图像1中的点，点(m,n)为图像2中与点(x,y)对应的点；D1(x,y)为对应图像1中的运动点的运动检测二值图像；D2(x,y)对应图像2中的运动点的运动检测二值图像；
合并运动检测二值图像D1(x,y)和运动检测二值图像D2(x,y)，得到运动结果图。
进一步，还包括步骤四：报警动作：当检测到弱小目标变动时，发出报警，并保存下当前弱小目标位置和轨迹信息。
本发明还提出了一种弱小目标变动智能图像检测装置，包括嵌入式处理系统、与所述嵌入式处理系统电连接并用于采集图像的高分辨率广角前端摄像机和与所述嵌入式处理系统电连接并用于发出报警信号的报警装置，所述高分辨率广角前端摄像机采集图像数据并将图像数据传输至所述嵌入式处理系统中，所述嵌入式处理系统内设有采用如上所述弱小目标变动智能图像检测方法对图像进行处理的图像算法处理模块和当检测到弱小目标变动时对所述报警装置发出报警指令并记录当前报警时间、目标位置和目标运动轨迹信息的报警信号处理模块。
进一步，所述报警装置采用报警信号灯和/或声音报警器。
本发明的有益效果在于：
本发明的弱小目标变动智能图像检测方法及装置，可以全天候的监控远距离、小目标变动情况，无需人机交互自动保存弱小目标变动位置并给出报警信号，克服了传统弱目标变动检测计算量大且复杂的不足；具体的，本发明先利用图分割算法提取目标前景和背景信息，去除无关的背景信息，既提高了检测率又避免了不必要的计算量，运动目标匹配只发生在提取区域中，进一步提高了算法的执行效率和合理性，并具有响应迅速、鲁棒性好、能够不受光线、尺度等不利因素的影响的优点。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明弱小目标变动智能图像检测装置实施例的原理框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明弱小目标变动智能图像检测装置实施例的原理框图。本实施例的弱小目标变动智能图像检测装置，包括嵌入式处理系统、与所述嵌入式处理系统电连接并用于采集图像的高分辨率广角前端摄像机和与所述嵌入式处理系统电连接并用于发出报警信号的报警装置，所述高分辨率广角前端摄像机采集图像数据并将图像数据传输至所述嵌入式处理系统中，所述嵌入式处理系统内设有采用弱小目标变动智能图像检测方法对图像进行处理的图像算法处理模块和当检测到弱小目标变动时对所述报警装置发出报警指令并记录当前报警时间、目标位置和目标运动轨迹信息的报警信号处理模块。具体的，所述报警装置采用报警信号灯和/或声音报警器，本实施例的报警装置采用报警信号灯。
具体的，本实施例的弱小目标变动智能图像检测方法，包括如下步骤：
步骤一：前景和背景分割
步骤11：对采集到的图像利用大津法得出该帧图片自适应阈值；大津法使两类之间的灰度方差最大，类间的灰度方差最小；本实施例采用大津法计算图片自适应阈值的方法如下：
g(t)＝w0·(u0-u)2+w1·(u1-u)2
其中，w0为基于阈值t得出的前景区域所占整个图片的比例；
u0为基于阈值t得出的前景区域灰度平均值；
w1为基于阈值t得出的背景区域所占整个图片的比例；
u1为基于阈值t得出的背景区域灰度平均值；
t当前图片阈值；
u＝w0·u0+w1·u1:整个图片的平均值。
步骤12：根据步骤11得到的自适应阈值，并结合图分割算法对图片进行前景和背景分割，得到理想的二值分割图像；本实施例采用图分割算法对图片进行前景和背景分割的方法如下：
建立图模型能量函数：E(A)＝λ·R(A)+B(A)
式中，
Figure BDA0001529285540000071
Figure BDA0001529285540000072
Figure BDA0001529285540000073
Figure BDA0001529285540000074
Figure BDA0001529285540000075
其中，E(A)是图模型能量函数；
R(A)是节点惩罚项；
B(A)是节点边缘惩罚项；
集合P表示图片所有像素的集合，这些像素点形成图模型的节点元素；
集合N表示某个像素节点的领域；
λ是一个权衡系数，其调节了节点和领域对最终分割效果的影响力；
Rp(Ap)是像素p被判定为前景或者背景时所付出的惩罚；
Bp,q是邻近节点被判定为不同标号时所付出的惩罚；
A是给图像每一个像素赋予的标号集合；
t是大津法得出的自适应阈值；
Ip是p像素的灰度值；
Ap是p像素的标号值(0:海面1:陆地)；
unity_s是像素p灰度大于阈值时被赋予“海面”标号时的惩罚值；
unity_t是像素p灰度小于阈值时被赋予“陆地”标号时的惩罚值；
threval_nb是邻域内像素值是否相同的阈值；
edge_same是领域像素灰度差在threval_nb阈值范围内时，被判定为不同标号时惩罚值；
edge_diff是领域像素灰度差在threval_nb阈值范围外时，被判定为不同标号时惩罚值；
建立图模型能量函数后，利用max-flow算法对其进行优化求解得到理想的二值分割图像。
步骤二：运动检测
步骤21：对采集到的图像进行局部归一化处理，基本消除光线对检测结果的影响；为了尽可能的消除光线变化对图像亮度的影响，我们对原始图像的每一个像素进行局部归一化，本实施例对图像进行局部归一化处理的方法如下：
Figure BDA0001529285540000081
式中，Ω为像素点(x,y)附近的邻域，n为邻域中所有像素点的数目。
具体的，经过试验测试发现，当采用11×11的邻域大小对图像归一化三次之后，可以得到较为满意的结果，即本实施例所述领域大小为11×11，且对图像进行归一化处理的次数为三次。
步骤22：将所述步骤12得到的前景和背景分割图进行块匹配运动估计，以消除镜头微量拉伸和转动引起的误差；其原理如下：图像1中的点(x,y)并不是对应图像2中的点(x,y)，而是点(m,n)；针对这种图像之间的位移差异，我们采用块匹配来计算图像1到图像2和图像2到图像1的每个运动点的位移，得到每个可能运动点的运动估计d1(x,y)和d2(x,y)，我们通过比较图像1和图像2中相对应点的差别大小来判断该点是否是真正的运动点，得到两幅运动检测二值图像。
具体的，计算图像1到图像2和图像2到图像1的每个运动点的位移，得到两幅运动检测二值图像，合并两幅运动检测二值图像得到运动结果图，
本实施例的两幅运动检测二值图像分别为：
Figure BDA0001529285540000091
Figure BDA0001529285540000092
式中，点(x,y)为图像1中的点，点(m,n)为图像2中与点(x,y)对应的点；D1(x,y)为对应图像1中的运动点的运动检测二值图像；D2(x,y)对应图像2中的运动点的运动检测二值图像；
合并运动检测二值图像D1(x,y)和运动检测二值图像D2(x,y)，得到运动结果图。
步骤三：目标定位
经步骤22得到了最终的运动结果图，一般来说，如果图像中有一个明显运动的目标，那么在对应的运动结果图上会有一簇比较聚集的斑块，那些较为离散的点我们可以认为是一些不必要的噪点。即针对所述步骤22得到的运动结果图，首先滤除八邻域内少于3个点的运动点；其次再在剩下的目标点的四邻域上扩展出四个点，以保证正确运动目标的完整性，并得到扩展图；然后提取扩展图中的每一个独立的目标块，把面积大于15的块作为真正的目标块；最后在原始采集到的图片中标记检测得到的所有运动目标。
本实施例还包括步骤四：报警动作：当检测到弱小目标变动时，发出报警，并保存下当前弱小目标位置和轨迹信息。即当系统检测到弱小目标变动时，嵌入式系统开启报警灯并通知报警信号处理模块保存下当前弱小目标位置和轨迹信息。
本实施例的弱小目标变动智能图像检测方法及装置，可以全天候的监控远距离、小目标变动情况，无需人机交互自动保存弱小目标变动位置并给出报警信号，克服了传统弱目标变动检测计算量大且复杂的不足；具体的，本实施例先利用图分割算法提取目标前景和背景信息，去除无关的背景信息，既提高了检测率又避免了不必要的计算量，运动目标匹配只发生在提取区域中，进一步提高了算法的执行效率和合理性，并具有响应迅速、鲁棒性好、能够不受光线、尺度等不利因素的影响的优点。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.一种弱小目标变动智能图像检测方法，其特征在于：包括如下步骤：
步骤一：前景和背景分割
步骤11：对采集到的图像利用大津法得出该帧图片自适应阈值；
采用大津法计算图片自适应阈值的方法如下：
g(t)＝w0·(u0-u)2+w1·(u1-u)2
其中，w0为基于阈值t得出的前景区域所占整个图片的比例；
u0为基于阈值t得出的前景区域灰度平均值；
w1为基于阈值t得出的背景区域所占整个图片的比例；
u1为基于阈值t得出的背景区域灰度平均值；
t当前图片阈值；
u＝w0·u0+w1·u1:整个图片的平均值；
步骤12：根据所述步骤11得到的自适应阈值，并结合图分割算法对图片进行前景和背景分割，得到理想的二值分割图像；
采用图分割算法对图片进行前景和背景分割的方法如下：
建立图模型能量函数：E(A)＝λ·R(A)+B(A)
式中，
Figure FDA0002425614610000011
Figure FDA0002425614610000012
Figure FDA0002425614610000013
Figure FDA0002425614610000014
Figure FDA0002425614610000021
其中，E(A)是图模型能量函数；
R(A)是节点惩罚项；
B(A)是节点边缘惩罚项；
集合P表示图片所有像素的集合，这些像素点形成图模型的节点元素；
集合N表示某个像素节点的邻域；
λ是一个权衡系数，其调节了节点和邻域对最终分割效果的影响力；
Rp(Ap)是像素p被判定为前景或者背景时所付出的惩罚；
Bp,q是邻近节点被判定为不同标号时所付出的惩罚；
A是给图像每一个像素赋予的标号集合；
t是大津法得出的自适应阈值；
Ip是p像素的灰度值；
Ap是p像素的标号值，0:海面1:陆地；
unity_s是像素p灰度大于阈值时被赋予“海面”标号时的惩罚值；
unity_t是像素p灰度小于阈值时被赋予“陆地”标号时的惩罚值；
threval_nb是邻域内像素值是否相同的阈值；
edge_same是邻域像素灰度差在threval_nb阈值范围内时，被判定为不同标号时惩罚值；
edge_diff是邻域像素灰度差在threval_nb阈值范围外时，被判定为不同标号时惩罚值；
建立图模型能量函数后，利用max-flow算法对其进行优化求解得到理想的二值分割图像；
步骤二：运动检测
步骤21：对采集到的图像进行局部归一化处理，基本消除光线对检测结果的影响；
步骤22：将所述步骤12得到的二值分割图像进行块匹配运动估计，计算图像1到图像2和图像2到图像1的每个运动点的位移，得到两幅运动检测二值图像，合并两幅运动检测二值图像得到运动结果图，以消除镜头微量拉伸和转动引起的误差；
步骤三：目标定位
针对所述步骤22得到的运动结果图，首先滤除八邻域内少于3个点的运动点；其次再在剩下的目标点的四邻域上扩展出四个点，以保证正确运动目标的完整性，并得到扩展图；然后提取扩展图中的每一个独立的目标块，把面积大于15的块作为真正的目标块；最后在原始采集到的图片中标记检测得到的所有运动目标。
2.根据权利要求1所述的弱小目标变动智能图像检测方法，其特征在于：所述步骤21中，对图像进行局部归一化处理的方法如下：
Figure FDA0002425614610000031
式中，Ω为像素点(x,y)附近的邻域，n为邻域中所有像素点的数目。
3.根据权利要求2所述的弱小目标变动智能图像检测方法，其特征在于：所述邻域大小为11×11，且对图像进行归一化处理的次数为三次。
4.根据权利要求2所述的弱小目标变动智能图像检测方法，其特征在于：所述步骤22中，两幅运动检测二值图像分别为：
Figure FDA0002425614610000032
Figure FDA0002425614610000033
式中，点(x,y)为图像1中的点，点(m,n)为图像2中与点(x,y)对应的点；D1(x,y)为对应图像1中的运动点的运动检测二值图像；D2(x,y)对应图像2中的运动点的运动检测二值图像；
合并运动检测二值图像D1(x,y)和运动检测二值图像D2(x,y)，得到运动结果图。
5.根据权利要求1-4任一项所述的弱小目标变动智能图像检测方法，其特征在于：还包括步骤四：报警动作：当检测到弱小目标变动时，发出报警，并保存下当前弱小目标位置和轨迹信息。
6.一种弱小目标变动智能图像检测装置，其特征在于：包括嵌入式处理系统、与所述嵌入式处理系统电连接并用于采集图像的高分辨率广角前端摄像机和与所述嵌入式处理系统电连接并用于发出报警信号的报警装置，所述高分辨率广角前端摄像机采集图像数据并将图像数据传输至所述嵌入式处理系统中，所述嵌入式处理系统内设有采用如权利要求1-5任一项所述弱小目标变动智能图像检测方法对图像进行处理的图像算法处理模块和当检测到弱小目标变动时对所述报警装置发出报警指令并记录当前报警时间、目标位置和目标运动轨迹信息的报警信号处理模块。
7.根据权利要求6所述的弱小目标变动智能图像检测装置，其特征在于：所述报警装置采用报警信号灯和/或声音报警器。
CN201711456095.8A 2017-12-28 2017-12-28 弱小目标变动智能图像检测方法及装置 Active CN108171168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711456095.8A CN108171168B (zh) 2017-12-28 2017-12-28 弱小目标变动智能图像检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711456095.8A CN108171168B (zh) 2017-12-28 2017-12-28 弱小目标变动智能图像检测方法及装置

Publications (2)

Publication Number Publication Date
CN108171168A CN108171168A (zh) 2018-06-15
CN108171168B true CN108171168B (zh) 2020-09-22

Family

ID=62519222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711456095.8A Active CN108171168B (zh) 2017-12-28 2017-12-28 弱小目标变动智能图像检测方法及装置

Country Status (1)

Country Link
CN (1) CN108171168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831162B (zh) * 2018-06-26 2021-03-02 青岛科技大学 移动通信终端的交通信号控制方法及交通信号控制系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
CN103824274A (zh) * 2012-11-16 2014-05-28 山东大学（威海） 可应用于具有复杂背景的灰度不均匀图像的局部分割方法
CN104102896A (zh) * 2013-04-14 2014-10-15 张忠伟 一种基于图割模型的人眼状态识别方法
US8958602B1 (en) * 2013-09-27 2015-02-17 The United States Of America As Represented By The Secretary Of The Navy System for tracking maritime domain targets from full motion video
CN105427293A (zh) * 2015-11-11 2016-03-23 中国科学院深圳先进技术研究院 室内场景扫描重建的方法及装置
CN107092911A (zh) * 2017-03-29 2017-08-25 中国电子科技集团公司第十研究所 一种时空联合弱小目标检测方法与装置
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5772572B2 (ja) * 2011-12-26 2015-09-02 富士通株式会社 画像処理装置、画像処理方法、およびプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682305A (zh) * 2012-04-25 2012-09-19 深圳市迈科龙医疗设备有限公司 宫颈液基细胞学自动筛查方法和系统
CN103824274A (zh) * 2012-11-16 2014-05-28 山东大学（威海） 可应用于具有复杂背景的灰度不均匀图像的局部分割方法
CN104102896A (zh) * 2013-04-14 2014-10-15 张忠伟 一种基于图割模型的人眼状态识别方法
US8958602B1 (en) * 2013-09-27 2015-02-17 The United States Of America As Represented By The Secretary Of The Navy System for tracking maritime domain targets from full motion video
CN105427293A (zh) * 2015-11-11 2016-03-23 中国科学院深圳先进技术研究院 室内场景扫描重建的方法及装置
CN107092911A (zh) * 2017-03-29 2017-08-25 中国电子科技集团公司第十研究所 一种时空联合弱小目标检测方法与装置
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
序列图像中弱小运动目标检测方法;韦宏强等;《仪器仪表学报》;20080831;第29卷(第8期);第1735-1738页 *

Also Published As

Publication number Publication date
CN108171168A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN111209810B (zh) 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构
WO2018032660A1 (zh) 一种运动目标检测方法及系统
CN110929593B (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN108596169B (zh) 基于视频流图像的分块信号转换与目标检测方法及装置
CN103093198B (zh) 一种人群密度监测方法及装置
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN112686928B (zh) 一种基于多源信息融合的运动目标视觉跟踪方法
CN109636758B (zh) 一种基于时空动态算子的水面漂浮物检测方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN101179713A (zh) 复杂背景下单个运动目标的检测方法
CN104537689B (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN105701467A (zh) 一种基于人体形态特征的多人异常行为识别方法
CN109886086B (zh) 基于hog特征和线性svm级联分类器的行人检测方法
CN107194946B (zh) 一种基于fpga的红外显著物体检测方法
Naufal et al. Preprocessed mask RCNN for parking space detection in smart parking systems
CN106529441B (zh) 基于模糊边界分片的深度动作图人体行为识别方法
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
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN115937237A (zh) 一种基于边缘变换域的局部特征提取方法
Bullkich et al. Moving shadow detection by nonlinear tone-mapping
CN116935361A (zh) 一种基于深度学习的驾驶员分心行为检测方法
CN106056078A (zh) 一种基于多特征回归式集成学习的人群密度估计方法
Hafiz et al. Foreground segmentation-based human detection with shadow removal
CN108171168B (zh) 弱小目标变动智能图像检测方法及装置

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