CN108447067A - 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 - Google Patents
一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 Download PDFInfo
- Publication number
- CN108447067A CN108447067A CN201810225608.2A CN201810225608A CN108447067A CN 108447067 A CN108447067 A CN 108447067A CN 201810225608 A CN201810225608 A CN 201810225608A CN 108447067 A CN108447067 A CN 108447067A
- Authority
- CN
- China
- Prior art keywords
- energy
- sea horizon
- ransac
- visible images
- point
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,本发明涉及可见光图像海天线检测方法。本发明为了解决传统方法进行海天线检测的速度慢、效率低,导致后期图像处理中操作困难、数据量大的问题。本发明包括:一、对RGB彩色可见光图像处理,找到图像中最高能量的能量缝;二、对海天线候选点,利用RANSAC方法进行拟合,得到海天线。本发明检测出可见光图像中最重要的一条连通路径。将此路径上的像素点作为海天线候选点,再利用RANSAC算法对其进行直线拟合,成功的排除噪声点和目标边沿等外点对海天线造成的偏移,使海天线检测出的速度提升10%左右以及准确性检测率为90%以上。本发明用于图像处理领域。
Description
技术领域
本发明涉及可见光图像的海天线检测方法。
背景技术
在平视海面至海天尽头的情况下,所获取的海上图像通常可分为三个部分:天空部分、海面部分和二者间的海天线部分。将海天交界之处的直线称为海天线。若是存在较远距离处目标出现在海面上,则一定会打破海天线的直线性。利用这种特征,准确地找出海天线所在位置,即可快速地判断远方是否有目标出现,并且在后期图像处理过程中可减少计算范围。不仅如此,对于海天线区域外存在的海洋噪声和天空噪声的干扰能够进行有效地排除。海天线作为海上目标检测和识别的基石,可以以海天线为基准来检测是否有舰船目标的存在以及作为确定目标的相对方位和运动检测的基础,在图像处理问题中有着重要的作用。
现有的海天线检测技术主要有利用小波变换,行映射直方图,区域方差,相位编组和Hough变换等方法。而对于可见光图像,丰富的色彩信息和纹理信息导致天空和海面的干扰信息增大,增加了对海天线检测的难度,而且传统的检测方法并没有较好的同时兼顾检测的速度与准确性,较难在工程实际中应用。
发明内容
本发明的目的是为了解决传统方法进行海天线检测的速度慢、效率低,导致后期图像处理中操作困难、数据量大的问题,而提出一种基于能量缝剪裁(Seam Carving)和RANSAC拟合的可见光图像海天线检测方法。
一种基于能量缝剪裁(Seam Carving)和RANSAC拟合的可见光图像海天线检测方法包括以下步骤:
步骤一、对一幅RGB彩色可见光图像处理,找到图像中最高能量的能量缝;
步骤一一、计算输入的RGB彩色可见光图像(m×n)的每一像素点能量值;
步骤一二、以图像中第一列像素点能量值为初始值,从第一列的每一行开始,依次向后累加直到最后一列,得到m条能量缝路径,其中j从1累加到n,每次累加过程如公式(1)所示:
M(i,j)=e(i,j)+max{M(i-1,j-1),M(i,j-1),M(i+1,j-1)}(1)
其中e(i,j)为第i行第j列像素点能量值,M(i,j)为第i行第j列像素点累加一次后的能量值;
设置阈值T,若进行加和的I(i,j)与I(i-1,j)做差的绝对值小于T,则保留I(i,j),否则则跳过I(i,j),进行下一列累加;I(i,j)为灰度图像第i行第j列像素点像素值;
|I(i,j)-I(i-1,j)|<T
得到m条能量缝,如公式(2)所示:
其中Sx所有横向能量缝的集合,Y是一个从[1,…,m]→[1,…,n]的映射函数;
步骤一三、从步骤一二得到的m条能量缝中选出能量最大的能量缝;
步骤一四、恢复最大能量缝上的所有点(路径点)作为海天线的候选点;
步骤二、对步骤一得到的海天线候选点,利用RANSAC方法进行拟合,得到海天线。
本发明的有益效果为:
本发明从海天线的本质特征入手,结合Seam Carving法来检测出可见光图像中最重要的一条连通路径(能量值累加和最大)。将此路径上的像素点作为海天线候选点,再利用RANSAC算法对其进行直线拟合,可以成功的排除噪声点和目标边沿等外点对海天线造成的偏移,使得海天线检测出的速度提升10%左右以及准确性检测率为90%以上。
现有的海天线检测技术大多数都是针对红外灰度图像进行的检测,图像中信息量包含较少,对目标物体的可辨识度很低,而且虚警率较高,难以又快又准的检测出海天线的实际位置。海天线检测作为图像处理问题的基础,对后期的目标检测识别,定位标识和运动估计等问题都是重要的第一步,可以为后续处理步骤减少大量的数据和排除无关干扰。目前很多传统方法应用在海天线检测上,以小波变换法为例,虽然对背景抑制和边缘提取的方法较好,但是计算量较大很难在工程应用中实现;基于区域方差的方法简单快速,然而在噪声影响和无关干扰上受到很大的限制,造成偏离真实位置。利用在海洋上放置浮标,在浮标上放置相机,对远方进行可见光图像的获取。
将Seam Carving法与RANSAC结合,从海天线的本质上贴合。因为Seam Carving法可以将可见光图像中变化最剧烈的部分(即海天线附近)检测出来,而RANSAC可以依据多次建模,选择出最符合数据的直线,而排除其他干扰,使得检测出的海天线与真实位置最接近。此方法复杂度较低,计算量小,实现速度快,而且海天线检测的准确率高。
附图说明
图1为本发明方法总体流程图;
图2为本发明方法具体步骤流程图;
图3为本发明输入灰度图1的海天线检测仿真实验结果图;
图4为本发明输入灰度图2的海天线检测仿真实验结果图;
图5为本发明输入彩色可见光图1的海天线检测仿真实验结果图;
图6为本发明输入彩色可见光图2的海天线检测仿真实验结果图;
图7为本发明输入彩色可见光图3的海天线检测仿真实验结果图;
图8为本发明输入彩色可见光图4的海天线检测仿真实验结果图;
图9为本发明输入彩色可见光图5的海天线检测仿真实验结果图;
图10为本发明输入彩色可见光图6的海天线检测仿真实验结果图;
图11为利用传统的区域方差法输入海上图1的海天线检测对比仿真实验结果图;
图12为利用传统的区域方差法输入海上图2的海天线检测对比仿真实验结果图;
图13为利用传统的区域方差法输入海上图3的海天线检测对比仿真实验结果图。
具体实施方式
具体实施方式一:如图1和图2所示,一种基于能量缝剪裁(Seam Carving)和RANSAC拟合的可见光图像海天线检测方法包括以下步骤:
步骤一、对一幅RGB彩色可见光图像处理,找到图像中最高能量的能量缝;
为了能够更好地感知到图像中的具体内容,定义能量函数来具体的描述图像的每个像素。在图像中,若一点内容与周围差别较大,则经常利用梯度来描述这种特性。定义能量函数时,可以选用梯度值,视觉显著性和熵等参数来表示,在本发明中选择利用x方向与y方向梯度的平方和的平方根来进行计算;
步骤一一、计算输入的RGB彩色可见光图像(m×n)的每一像素点能量值;
步骤一二、能量缝是指从图像一边到另一边一条能量和最低的通路。因为海天线大多都是在水平方向上,因而从图像左边第一列开始检测。而应用在海天线检测时选择能量和最高点的路径即为海天线候选点集。并且根据海天线区域的纹理特性,对像素点的选择进行限制筛选。天空区域的像素值会比海洋区域像素值高,可以设定一定的阈值T来将二者做差比较。
能量缝的累计计算方式,是当前像素点的能量与前一列左侧相邻三个像素点的最大能量之和,计算公式如式(1)。
步骤一二、以图像中第一列像素点能量值为初始值,从第一列的每一行开始,依次向后累加直到最后一列,得到m条能量缝路径,其中j从1累加到n,每次累加过程如公式(1)所示:
M(i,j)=e(i,j)+max{M(i-1,j-1),M(i,j-1),M(i+1,j-1)} (1)
其中e(i,j)为第i行第j列像素点能量值,M(i,j)为第i行第j列像素点累加一次后的能量值;
以第i行第j列的像素点为代表举例具体说明累加过程,比较第j-1列,第i+1,i,i-1这三个点累加能量值的大小,选出最大的一个,与第i行第j列的像素值相加,相加的结果记为M(i,j)。以此类推,利用这种累加规则,以第一列的每一行像素值作为初始值,按列向后累加,加到最后一列,可得到m条能量缝路径。
设置阈值T(通过大量实验得出的经验值),若进行加和的I(i,j)与I(i-1,j)做差的绝对值小于T,则保留I(i,j),否则则跳过I(i,j),进行下一列累加;I(i,j)为灰度图像第i行第j列像素点像素值;
|I(i,j)-I(i-1,j)|<T
得到m条能量缝,如公式(2)所示:
其中Sx所有横向能量缝的集合,Y是一个从[1,…,m]→[1,…,n]的映射函数;
步骤一三、从步骤一二得到的m条能量缝中选出能量最大的能量缝;因为海天线两侧分割开了天空和海洋,像素值差别较大,所以检测出的最大能量缝一般为海天线和目标的边沿。
步骤一四、恢复最大能量缝上的所有点(路径点)作为海天线的候选点;
步骤二、对步骤一得到的海天线候选点,利用RANSAC方法进行拟合,得到海天线。
随机抽样一致算法(Random Sample Consensus,RANSAC),采用迭代的方式从一组包含离群的被观测数据中估计出数学模型的参数。RANSAC算法假设数据中包含正常数据和异常数据(即噪声)。正确数据记为内点(inliers),异常数据记为外点(outliers)。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数学模型参数的方法。该算法的核心思想就是随机性和假设性,随机性是根据正确数据出现概率去随机选取抽样数据,根据大数定律,随机性模拟可以近似得到正确结果。假设性是假设选取的抽样数据都是正确数据,然后用这些正确数据通过问题满足的模型,去计算其他点,然后对这次结果进行一个评价。直到内点个数最多,外点个数最少的情况,即为最优模型。
利用RANSAC法对海天线候选点进行拟合有很大的优点。很多海天线检测的方法是利用最小二乘法和Hough变换来进行直线拟合,这样数据集中所有的数据点均起到了一定的贡献,综合考虑了所有元素。当误差较小,异常数据很少的情况下,拟合出的结果是十分准确的;但是当含有较多的异常数据点时,直接进行最小二乘法直线拟合,则很容易偏离我们所要求的真实直线的位置。而对于海天线检测的情况中,很容易就包括了较多的杂波浪点,并且因为海上舰船的出现会打破海天线的直线性,舰船的一些边缘点可能也会出现在数据集中,此时若是使用最小二乘法之类的直线拟合方法,就会容易造成较大偏差,使拟合出的直线偏离海天线的真实位置。对于RANSAC法即可成功的将这些噪声点排除在外,利用真正的有价值的参考点来拟合海天线。同时,RANSAC法步骤简单,计算量相对较小,很容易找到最优解。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一一中每一像素点能量值的计算过程为:
分别将R、G、B三个通道每个像素点利用公式(3)进行计算相加:
其中e(I)为像素点能量值,Ii为第i个通道的像素点像素值,为图像水平方向x的梯度,为图像竖直方向y的梯度。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤一一中每一像素点能量值的计算过程为:
将输入的RGB彩色可见光图像先转化为灰度图像再进行计算,如公式(4)所示:
其中I为灰度图像。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤一三中能量最大的能量缝采用公式(5)进行计算:
其中Smax为能量最大的能量缝,e为能量值,I(Si)为图像I中第i个能量缝。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤一四中恢复最大能量缝上的所有点的具体过程为:
采用公式(1)进行恢复,或采用逐点标记的方法进行恢复;所述逐点标记为累加能量时标记最大能量点的位置。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤二中对步骤一得到的海天线候选点,利用RANSAC方法进行拟合,得到海天线的具体过程为:
步骤二一、由于两点确定一条直线,从候选点中随机选择两点,并计算出直线方程:
A·x+B·y+C=0 (6)
步骤二二、设定阈值F(根据海天线模型,按照允许的误差点范围设定),将候选点中剩下的所有点计算到这条直线的距离d,若d≤F,则分类为内点:若d>T,则分类为外点;记录下内点的个数;点到直线距离公式为:
步骤二三、重复步骤二一和步骤二二,设定迭代次数进行迭代(人为设定,可以取100—1000),当迭代结束后,找出内点个数最多的直线模型,作为海天线拟合直线。在此模型下的内点即为海天线拟合点,其他点为偏离的噪声点。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
对多幅RGB彩色海上可见光图像进行海天线检测,并判断检测的准确率。
本实施例的输入图像包含了多种海上目标出现的情况(距离很远,多目标,距离近目标占比大等等),利用本发明的方法进行检测。具体是按照以下步骤进行的:
步骤一:输入RGB彩色的海上可见光图像;
步骤二:利用加入海天线纹理特征的Seam Carving法来检测出图像中的最高能量线,并作为海天线候选点;
步骤三:利用RANSAC算法对步骤二中的点进行直线拟合;
步骤四:将步骤三得到直线与真实海天线的位置进行比较,对比是否准确。
仿真实验结果如图3—图10所示,图中分别给出了灰度图像和RGB彩色可见光海上图像作为输入,进行海天线检测的结果。在图中,标记出了检测出的海天线位置。可以看出,检测出的海天线位置与真实的海天线位置完全相同。
做出对比实验,利用区域方差法对海天线进行检测,将检测出的海天线在图中标识出来。如图11—图13可以看出,由于在每个区域检测出的海天线候选点已经脱离了海天线的真实位置,最终拟合出的直线并不符合真实位置。
以上实验结果表明:利用Seam Carving法对海天线位置进行检测,得到候选点,再利用RANSAC算法对点进行直线拟合,得到的直线即为海天线。此方法从海天线形成的本质出发,并针对海上可见光图像的特点,结合了海天线的纹理特性。经由对比实验的结果可以直观的看出,利用此方法对海天线的检测的效果很好,准确度高,检测速度快,是一个非常适合的方法。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述可见光图像海天线检测方法包括以下步骤:
步骤一、对RGB彩色可见光图像处理,找到图像中最高能量的能量缝;
步骤一一、计算输入的RGB彩色可见光图像(m×n)的每一像素点能量值;
步骤一二、以图像中第一列像素点能量值为初始值,从第一列的每一行开始,依次向后累加直到最后一列,得到m条能量缝路径,每次累加过程如公式(1)所示:
M(i,j)=e(i,j)+max{M(i-1,j-1),M(i,j-1),M(i+1,j-1)} (1)
其中e(i,j)为第i行第j列像素点能量值,M(i,j)为第i行第j列像素点累加一次后的能量值;
设置阈值T,若进行加和的I(i,j)与I(i-1,j)做差的绝对值小于T,则保留I(i,j),否则则跳过I(i,j),进行下一列累加;I(i,j)为灰度图像第i行第j列像素点像素值;
|I(i,j)-I(i-1,j)|<T
得到m条能量缝,如公式(2)所示:
其中Sx所有能量缝的集合,Y是从[1,…,m]→[1,…,n]的映射函数;
步骤一三、从步骤一二得到的m条能量缝中选出能量最大的能量缝;
步骤一四、恢复最大能量缝上的所有点作为海天线的候选点;
步骤二、对步骤一得到的海天线候选点,利用RANSAC方法进行拟合,得到海天线。
2.根据权利要求1所述的一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述步骤一一中每一像素点能量值的计算过程为:
分别将R、G、B三个通道每个像素点利用公式(3)进行计算相加:
其中e(I)为像素点能量值,Ii为第i个通道的像素点像素值,为图像水平方向x的梯度,为图像竖直方向y的梯度。
3.根据权利要求1或2所述的一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述步骤一一中每一像素点能量值的计算过程为:
将输入的RGB彩色可见光图像先转化为灰度图像再进行计算,如公式(4)所示:
其中I为灰度图像。
4.根据权利要求3所述的一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述步骤一三中能量最大的能量缝采用公式(5)进行计算:
其中Smax为能量最大的能量缝,e为能量值,I(Si)为图像I中第i个能量缝。
5.根据权利要求4所述的一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述步骤一四中恢复最大能量缝上的所有点的具体过程为:
采用公式(1)进行恢复,或采用逐点标记的方法进行恢复;所述逐点标记为累加能量时标记最大能量点的位置。
6.根据权利要求5所述的一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,其特征在于:所述步骤二中对步骤一得到的海天线候选点,利用RANSAC方法进行拟合,得到海天线的具体过程为:
步骤二一、从候选点中随机选择两点,并计算出直线方程:
A·x+B·y+C=0 (6)
步骤二二、设定阈值F,将候选点中剩下的所有点计算到直线的距离d,若d≤F,则分类为内点:若d>T,则分类为外点;记录下内点的个数;点到直线距离公式为:
步骤二三、重复步骤二一和步骤二二,设定迭代次数进行迭代,当迭代结束后,找出内点个数最多的直线模型,作为海天线拟合直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810225608.2A CN108447067A (zh) | 2018-03-19 | 2018-03-19 | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810225608.2A CN108447067A (zh) | 2018-03-19 | 2018-03-19 | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447067A true CN108447067A (zh) | 2018-08-24 |
Family
ID=63195725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810225608.2A Pending CN108447067A (zh) | 2018-03-19 | 2018-03-19 | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447067A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978869A (zh) * | 2019-03-29 | 2019-07-05 | 清华大学 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509259A (zh) * | 2011-09-28 | 2012-06-20 | 上海大学 | 基于图像中像素点方向的图像缩放方法 |
US20150070523A1 (en) * | 2013-09-06 | 2015-03-12 | Qualcomm Incorporated | Interactive image composition |
CN105184857A (zh) * | 2015-09-13 | 2015-12-23 | 北京工业大学 | 基于点结构光测距的单目视觉重建中尺度因子确定方法 |
CN105469390A (zh) * | 2015-11-17 | 2016-04-06 | 哈尔滨工程大学 | 一种基于改进Seam Carving的全景海天线提取方法 |
CN106228549A (zh) * | 2016-07-14 | 2016-12-14 | 嘉兴学院 | 一种基于路径规划的三角网格牙齿分割方法 |
-
2018
- 2018-03-19 CN CN201810225608.2A patent/CN108447067A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509259A (zh) * | 2011-09-28 | 2012-06-20 | 上海大学 | 基于图像中像素点方向的图像缩放方法 |
US20150070523A1 (en) * | 2013-09-06 | 2015-03-12 | Qualcomm Incorporated | Interactive image composition |
CN105184857A (zh) * | 2015-09-13 | 2015-12-23 | 北京工业大学 | 基于点结构光测距的单目视觉重建中尺度因子确定方法 |
CN105469390A (zh) * | 2015-11-17 | 2016-04-06 | 哈尔滨工程大学 | 一种基于改进Seam Carving的全景海天线提取方法 |
CN106228549A (zh) * | 2016-07-14 | 2016-12-14 | 嘉兴学院 | 一种基于路径规划的三角网格牙齿分割方法 |
Non-Patent Citations (1)
Title |
---|
梁世花: "《基于 Seam Carving的海天线检测算法》", 《红外与激光工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978869A (zh) * | 2019-03-29 | 2019-07-05 | 清华大学 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN114782691B (zh) | 基于深度学习的机器人目标识别与运动检测方法、存储介质及设备 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN110097586B (zh) | 一种人脸检测追踪方法及装置 | |
CN108198201A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN108009529B (zh) | 一种基于特征根和流体力学的森林火灾烟视频目标检测方法 | |
US9256619B2 (en) | Method for detecting and recognizing boats | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
CN109523583A (zh) | 一种基于反馈机制的电力设备红外与可见光图像配准方法 | |
CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
Wang et al. | Vision based long range object detection and tracking for unmanned surface vehicle | |
CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
CN111220619B (zh) | 一种绝缘子自爆检测方法 | |
Kong et al. | Local stereo matching using adaptive cross-region-based guided image filtering with orthogonal weights | |
CN110458019A (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN111402429B (zh) | 一种尺度还原、三维重建方法、系统、存储介质及设备 | |
CN108447067A (zh) | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN110472640A (zh) | 一种目标检测模型预测框处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |