CN108664939A - 一种基于hog特征与深度学习的遥感图像飞机识别方法 - Google Patents

一种基于hog特征与深度学习的遥感图像飞机识别方法 Download PDF

Info

Publication number
CN108664939A
CN108664939A CN201810466761.4A CN201810466761A CN108664939A CN 108664939 A CN108664939 A CN 108664939A CN 201810466761 A CN201810466761 A CN 201810466761A CN 108664939 A CN108664939 A CN 108664939A
Authority
CN
China
Prior art keywords
image
hog features
deep learning
remote sensing
aircraft
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
Application number
CN201810466761.4A
Other languages
English (en)
Inventor
李新德
林嘉玺
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201810466761.4A priority Critical patent/CN108664939A/zh
Publication of CN108664939A publication Critical patent/CN108664939A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于HOG特征与深度学习的遥感图像飞机识别方法，首先对样本提取HOG特征放入SVM进行训练分类，然后用训练好的分类器对遥感图像中的飞机进行检测。在进行检测时，先对整幅图像求梯度，每8*8个像素组成一个Cell，对每个Cell求出梯度方向直方图，然后每4*4个Cell组成一个Block，并将每个Block中的HOG特征归一化，最后只需将每7*7个Block中的HOG特征串联起来最为最后的特征放入训练好的SVM分类器进行分类，相比直接对图像的每个位置扫描，速度有巨大的提升，这一步相当于粗分类，对于检测出的候选目标，再放入训练好的深度卷积网络VGG中进一步细分类，有效提高了识别精度。本发明由粗到细的方式，显著提高了遥感图像中飞机识别的速度和准确率。

Description

一种基于HOG特征与深度学习的遥感图像飞机识别方法
技术领域
本发明属于图像处理技术领域，特别涉及一种基于HOG特征与深度学习的遥感图像飞机识别方法。
背景技术
目标识别是计算机视觉领域的核心问题之一。飞机作为一种重要的军事目标和交通工具，对遥感图像中的飞机目标进行检测与识别是近年来国内外研究的热点之一，传统的飞机目标识别算法一般是先通过目标分割，然后提取不变特征进行训练来进行识别，然而由于背景，光照，噪声等实际因素的影响，至今没有一种比较通用的飞机分割方法；现有的一些飞机识别算法按识别特征主要通过多特征结合来进行识别，如不变矩(Hu矩、zernike矩、颜色矩等)、边缘特征、角点特征、小波特征等，其中，Hu矩和zernike矩对二值图像中的具有一定形状的目标有较好的识别能力，如果是灰度图像效果不是很好；角点特征对图像中目标的清晰度有一定要求；小波特征具有很强的图像重建能力，但是数据量相当大，特征的选取十分困难；按识别原理主要分为神经网络、模板匹配、支持向量机等，其中，模板匹配识别精度高但是运算量巨大；神经网络算法识别精度取决于样本图像数量，当目标旋转、缩放时，误时率较高，且训练时间长，节点参数很难确定。并且很多算法具有一定的针对性，遥感图像中的飞机不是完美的俯视图，会有一定的角度以及阴影的产生，对于有些特征的提取会造成影响，所以很难准确的对不同背景中的飞机目标进行检测识别。因此，迫切需要设计出一种能够克服复杂背景、光照、噪声的影响，通用性好，准确率高的飞机识别算法。
传统飞机识别方法在某些情况下，无法有效的进行飞机分割，特别是在机场，许多飞机和登机通道相连，以及跑道上的飞机，与跑道(背景)之间的颜色相近，导致有些飞机无法识别，以及现有部分的飞机识别算法针对性较强，抗干扰能力不足，特别是一些多特征结合的方法，虽然能够克服单特征描述信息能力不强的特点，但是抗噪性能较差，一旦图像分辨率变低或者干扰较大时，都会影响到每个特征提取的结果，通用性不高，
发明内容
发明目的：针对现有技术中存在的问题，提供一种能够克服背景，光照，噪声对于飞机识别的影响，很好的将飞机检测出来，并通过深度学习来降低误识率，提高识别准确率，用于解决传统的飞机识别通用性不好，准确率不高甚至在某些情况下无法识别的技术问题的基于HOG特征与深度学习的遥感图像飞机识别方法。
技术方案：为解决上述技术问题，本发明提供一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，包括如下步骤：
(1)先对样本图像进行提取HOG特征；
(2)对提取后的HOG特征进行SVM训练，得到SVM分类器；
(3)对样本图像进行归一化图像大小；
(4)将归一化后的图像加入深度卷积网络进行训练，得到深度学习分类器；
(5)输入图像，用步骤(2)中训练后的SVM分类器对图像进行检测分类；
(6)SVM分类器将检测分类后的结果作为飞机的候选目标；
(7)将步骤(6)中的飞机候选目标放入步骤(4)中得到的深度学习分类
器中进行进一步分类识别；
(8)得出分类结果。
进一步的，所述步骤(1)中提取HOG特征包括色彩和伽马归一化、计算图像梯度和直方图三种方法。
进一步的，所述步骤(1)中采用色彩和伽马归一化方法对HOG特征进行提取的具体步骤如下：对图像的RGB色彩空间进行归一化处理，RGB代表原图像某点的像素值，rgb表示归一化之后的值，则r＝R/(R+G+B)；g＝G/(R+G+B)；b＝B/(R+G+B)。
进一步的，所述步骤(1)中采用计算图像梯度方法对HOG特征进行提取的具体步骤如下：用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向即水平方向，以向右为正方向的梯度分量Gx，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向即竖直方向，以向上为正方向的梯度分量Gy；然后再用以下公式计算该像素点的梯度大小和方向
进一步的，所述步骤(4)中将归一化后的图像加入深度卷积网络进行训练，得到深度学习分类器的具体步骤如下：首先对所有样本进行一层一层的卷积层、池化层操作，将原始数据映射到隐层特征空间，然后通过全连接层将学到的分布式特征表示映射到样本标记空间，最后通过softmax函数对样本实现分类。
进一步的，所述步骤(5)中对训练后的SVM分类器对图像进行检测分类前，需要先对整幅图像中每8×8个像素的Cell求出HOG特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征。
与现有技术相比，本发明的优点在于：
本发明提供的基于HOG特征与深度学习的遥感图像飞机识别方法，能够解决传统飞机目标识别在背景环境变化，光照阴影，噪声等引起的无法分割，识别率低下甚至在某些情况下无法识别的问题。
附图说明
图1为本发明的方法流程图；
图2为实施例中梯度方向直方图bin统计示意图；
图3为实施例中块(block)与元胞(cell)的关系图；
图4为实施例中截取的部分训练样本图像；
图5为实施例中待识别的遥感飞机图像。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
本发明具体包括如下步骤：
1)对训练样本库中的飞机和背景(非飞机)提取HOG特征，放入线性SVM进行二分类训练，得到SVM分类器，然后改变样本图像大小(224*224)，放入深度卷积网络VGG进行训练，得到深度学习分类器。
2)通过SVM分类器对图像中的飞机进行检测，进行第一次分类(粗分类)，然后将第一次分类的结果作为飞机的候选目标放入深度学习分类器进行第二次识别分类，最终得到的就是飞机的识别结果。
理论基础：HOG特征提取、SVM、深度学习。图像识别第一步是提取有效的图像特征，在这里，我们通过提取样本图像的HOG特征，然后通过SVM分类器获得SVM分类器；之后，利用该分类器对图像中飞机进行检测。最后，利用深度学习训练好的网络对检测出的飞机候选目标进一步识别，减少误识率。
1基于HOG特征和SVM的飞机分类训练
(1)算法概述
HOG方法是基于对稠密网格中归一化的局部方向梯度直方图的计算。此方法的基本观点是：局部目标的外表和形状可以被局部梯度或边缘方向的分布很好的描述，即使我们不知道对应的梯度和边缘的位置。在实际操作中，将图像分为小的元胞(Cells)，在每个元胞内累加计算出一维的梯度方向(或边缘方向)直方图。为了对光照和阴影有更好的不变性，需要对直方图进行对比度归一化，这可以通过将元胞组成更大的块(blocks)并归一化块内的所有元胞来实现。归一化的块描述符就叫作HOG描述子。将检测窗口中的所有块的HOG描述子组合起来就形成了最终的特征向量，放到线性SVM中进行目标/非目标的二分类。
(2)标准化gamma空间和颜色空间
为了减少光照因素的影响，首先需要将整个图像进行规范化(归一化)。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。gamma<1在高灰度值区域内，动态范围变小，图像对比度降低，图像整体灰度值变大，显得亮一些；gamma>1在低灰度值区域内，动态范围变小，图像对比度降低，图像整体灰度值变小，变得暗淡。
(3)梯度计算
Gx(x,y)＝I(x+1,y)-I(x-1,y) (1.1)
Gy(x,y)＝I(x,y+1)-I(x,y-1) (1.2)
式中Gx(x,y),Gy(x,y)分别表示输入图像在像素点(x,y)处的水平方向梯度和垂直方向梯度。则G(x,y),α(x,y)分别为像素点(x,y)的梯度幅值和梯度方向。
(4)空间方向bin统计
将图像分成若干个“单元格Cell”，例如每个Cell为8×8的像素大小。假设采用9个bin的直方图来统计这8×8个像素的梯度信息，即将Cell的梯度方向0～180度(或0～360度，考虑了正负，signed)分成9个方向块。如图2所示：如果这个像素的梯度方向是20-40度，直方图第2个bin即的计数就加1，这样，对Cell内每个像素用梯度方向在直方图中进行加权投影，将其映射到对应的角
度范围块内，就可以得到这个Cell的梯度方向直方图了，就是该Cell对应的9维特征向量。这边的加权投影所用的权值为当前点的梯度幅值。例如说：某个像素的梯度方向是在，其梯度幅值是4，那么直方图第2个bin的计数就不是加1了，而是加4。这样就得到关于梯度方向的一个加权直方图。本发明中，通过多次试验对比，最终对于飞机采用了18个bin的直方图。
采用梯度幅值量级本身得到的检测效果最佳，而使用二值的边缘权值表示会严重降低效果。采用梯度幅值作为权重，可以使那些比较明显的边缘的方向信息对特征表达影响增大，这样比较合理，因为HOG特征主要就是依靠这些边缘纹理。
(5)归一化描述子块
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩，使特征向量空间对光照，阴影和边缘变化具有鲁棒性。具体的做法是：把各个细胞单元组合成大的、空间上连通的区域(Blocks)。这样，一个Block内所有Cell的特征向量串联起来便得到该Block的HOG特征。这些区间是互有重叠的，这就意味着：每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。归一化之后的块描述符(向量)就称之为HOG描述符。
如图3所示，一般一个块(Block)都由若干单元(Cell)组成，一个单元都有若干个像素点组成。飞机检测的参数设置是：2×2Cell/block、8×8像素/Cell、18个直方图通道(18bins)，一个块的特征向量长度为：2×2×18。
(5)分类训练
计算一个样本的HOG特征维度，例如：检测窗口：64×64；8×8pixels/cell；bin＝18；2×2cells/block；块移动步长＝1cell；块的数量：7×7＝49；HOG特征向量长度：2×2×18×7×7＝3528；最后就是把这么一个3528维的特征向量输入给SVM做分类训练。
2基于深度卷积网络VGG的飞机分类训练
卷积网络(ConvNets)在大规模图像和视频识别方面取得了巨大的成功，由于大型的公共图像库，高性能计算系统，例如GPU或者大规模的分布式集群。特别的，ImageNet大规模视觉识别挑战(ILSVRC)在深度视觉识别架构中发挥了重要的作用，它已经作为几代大型图像分类系统的实验台了，从高维的浅特征编码到深的ConvNets。
2.1ConvNet架构
在训练期间，ConvNet的输入是固定大小的224*224的RGB图像。预处理是从每个像素值上减去在训练集上计算的平均RGB值。图像通过一堆卷积层(conv.)，其中使用具有非常小的接收野的滤波器：3*3(这是捕获左/右，上/下，中心概念的最小尺寸)。在其中一个配置中，还使用了1*1的卷积过滤器，这可以看作是输入通道的线性变换(之后接一个非线性变换)。卷积步长固定为1个像素；卷积层的输入的空间填充是使得在卷积之后保留空间分辨率，如，对于一个3*3的卷积层来说填充是1个像素。空间池化是由5个最大池化层执行的，基在一些卷积层后面(不是所有的卷积层之后都跟着最大池化层)。最大池化是在2*2的像素窗口上执行的，步长为2。
一堆卷积层(在不同的架构中具有不同的深度)之后是三个全连接层(FC)：前两个每一个都有4096个通道，第三个执行2类的飞机分类，因此包含2个通道(每个类一个通道)。最后一层是soft-max层。全连接层的配置在所有网络中都是相同的。所有的隐藏层都配有修正的非线性单元(ReLU)。
2.2分类训练
网络配置好后，通过对样本图像(大小为224*224的RGB图像)进行训练得到最终的深度学习分类器，截取的部分样本图像如图4。
3飞机识别
对样本图像训练好后就可以对飞机进行识别了，待识别的遥感飞机图像如图5，飞机识别的具体流程如图1。在对一幅完整图像(图像中包含若干飞机)中的飞机进行检测时，可以通过大小为64×64的检测窗口对图像所有位置和尺度进行扫描，但是本发明中，为了提高检测速度，对于每一个尺度的图像，先对整幅图像中每8×8个像素的Cell求出HOG特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征放入训练好的SVM分类器进行分类。这样做的好处是：对于一个尺度中的飞机进行检测时，只需要对整幅图像求一次HOG特征，而不需要在检测窗口滑动时对每个窗口都计算HOG特征，大大加快了检测速度。
然后再使用深度学习分类器对检测出的飞机候选目标进一步识别，得到每个尺度下的识别框，最终每个飞机都有若干个重叠的识别框，对于多个尺度下识别出的飞机框，一般按框的大小取中间的框，基本可以将一个完整的飞机框出，这种先通过HOG特征+SVM对图片中的飞机进行粗识别，再通过深度学习进一步排除误识别目标的方法，由粗到细，能够准确的将遥感飞机图像中的飞机识别出来。

Claims (6)

1.一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，包括如下步骤：
(1)先对样本图像进行提取HOG特征；
(2)对提取后的HOG特征进行SVM训练，得到SVM分类器；
(3)对样本图像进行归一化图像大小；
(4)将归一化后的图像加入深度卷积网络进行训练，得到深度学习分类器；
(5)输入图像，用步骤(2)中训练后的SVM分类器对图像进行检测分类；
(6)SVM分类器将检测分类后的结果作为飞机的候选目标；
(7)将步骤(6)中的飞机候选目标放入步骤(4)中得到的深度学习分类器中进行进一步分类识别；
(8)得出分类结果。
2.根据权利要求1所述的一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，所述步骤(1)中提取HOG特征包括色彩和伽马归一化、计算图像梯度和直方图三种方法。
3.根据权利要求1所述的一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，所述步骤(1)中采用色彩和伽马归一化方法对HOG特征进行提取的具体步骤如下：对图像的RGB色彩空间进行归一化处理，RGB代表原图像某点的像素值，rgb表示归一化之后的值，则r＝R/(R+G+B)；g＝G/(R+G+B)；b＝B/(R+G+B)。
4.根据权利要求1所述的一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，所述步骤(1)中采用计算图像梯度方法对HOG特征进行提取的具体步骤如下：用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向即水平方向，以向右为正方向的梯度分量Gx，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向即竖直方向，以向上为正方向的梯度分量Gy；然后再用以下公式计算该像素点的梯度大小和方向
5.根据权利要求1所述的一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，所述步骤(4)中将归一化后的图像加入深度卷积网络进行训练，得到深度学习分类器的具体步骤如下：首先对所有样本进行一层一层的卷积层、池化层操作，将原始数据映射到隐层特征空间，然后通过全连接层将学到的分布式特征表示映射到样本标记空间，最后通过softmax函数对样本实现分类。
6.根据权利要求1所述的一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，所述步骤(5)中对训练后的SVM分类器对图像进行检测分类前，需要先对整幅图像中每8×8个像素的Cell求出HOG特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征。
CN201810466761.4A 2018-05-16 2018-05-16 一种基于hog特征与深度学习的遥感图像飞机识别方法 Pending CN108664939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810466761.4A CN108664939A (zh) 2018-05-16 2018-05-16 一种基于hog特征与深度学习的遥感图像飞机识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810466761.4A CN108664939A (zh) 2018-05-16 2018-05-16 一种基于hog特征与深度学习的遥感图像飞机识别方法

Publications (1)

Publication Number Publication Date
CN108664939A true CN108664939A (zh) 2018-10-16

Family

ID=63779778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810466761.4A Pending CN108664939A (zh) 2018-05-16 2018-05-16 一种基于hog特征与深度学习的遥感图像飞机识别方法

Country Status (1)

Country Link
CN (1) CN108664939A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726660A (zh) * 2018-12-22 2019-05-07 浙江海洋大学 一种遥感图像船舶识别方法
CN110110586A (zh) * 2019-03-18 2019-08-09 北京理工雷科电子信息技术有限公司 基于深度学习的遥感机场飞机检测的方法及装置
CN110188624A (zh) * 2019-05-10 2019-08-30 国网福建省电力有限公司龙岩供电公司 一种基于深度学习的变电站风漂物识别方法及系统
CN110516648A (zh) * 2019-09-02 2019-11-29 湖南农业大学 基于无人机遥感和模式识别的苎麻株数识别方法
CN110708511A (zh) * 2019-10-17 2020-01-17 山东浪潮人工智能研究院有限公司 一种基于图像目标检测的监控视频压缩方法
CN110940959A (zh) * 2019-12-13 2020-03-31 中国电子科技集团公司第五十四研究所 一种用于低分辨雷达地面目标的人车分类识别方法
CN111860277A (zh) * 2020-07-14 2020-10-30 南京航空航天大学 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN112381092A (zh) * 2020-11-20 2021-02-19 深圳力维智联技术有限公司 跟踪方法、装置及计算机可读存储介质
CN113887652A (zh) * 2021-10-20 2022-01-04 西安电子科技大学 基于形态和多示例学习的遥感图像弱小目标检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050013479A1 (en) * 2003-07-16 2005-01-20 Rong Xiao Robust multi-view face detection methods and apparatuses
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050013479A1 (en) * 2003-07-16 2005-01-20 Rong Xiao Robust multi-view face detection methods and apparatuses
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾雪: "《基于旋转不变梯度方向直方图的航拍图像目标检测》", 《CNKI硕士论文数据库》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726660A (zh) * 2018-12-22 2019-05-07 浙江海洋大学 一种遥感图像船舶识别方法
CN110110586A (zh) * 2019-03-18 2019-08-09 北京理工雷科电子信息技术有限公司 基于深度学习的遥感机场飞机检测的方法及装置
CN110188624A (zh) * 2019-05-10 2019-08-30 国网福建省电力有限公司龙岩供电公司 一种基于深度学习的变电站风漂物识别方法及系统
CN110516648A (zh) * 2019-09-02 2019-11-29 湖南农业大学 基于无人机遥感和模式识别的苎麻株数识别方法
CN110516648B (zh) * 2019-09-02 2022-04-19 湖南农业大学 基于无人机遥感和模式识别的苎麻株数识别方法
CN110708511A (zh) * 2019-10-17 2020-01-17 山东浪潮人工智能研究院有限公司 一种基于图像目标检测的监控视频压缩方法
CN110940959A (zh) * 2019-12-13 2020-03-31 中国电子科技集团公司第五十四研究所 一种用于低分辨雷达地面目标的人车分类识别方法
CN111860277A (zh) * 2020-07-14 2020-10-30 南京航空航天大学 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN111860277B (zh) * 2020-07-14 2024-03-19 南京航空航天大学 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN112381092A (zh) * 2020-11-20 2021-02-19 深圳力维智联技术有限公司 跟踪方法、装置及计算机可读存储介质
CN113887652A (zh) * 2021-10-20 2022-01-04 西安电子科技大学 基于形态和多示例学习的遥感图像弱小目标检测方法
CN113887652B (zh) * 2021-10-20 2023-04-28 西安电子科技大学 基于形态和多示例学习的遥感图像弱小目标检测方法

Similar Documents

Publication Publication Date Title
CN108664939A (zh) 一种基于hog特征与深度学习的遥感图像飞机识别方法
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
CN110543837B (zh) 一种基于潜在目标点的可见光机场飞机检测方法
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
CN109284669A (zh) 基于Mask RCNN的行人检测方法
CN106023257B (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN101976258B (zh) 基于对象分割和特征加权融合的视频语义提取方法
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
Mo et al. Deshadowing of urban airborne imagery based on object-oriented automatic shadow detection and regional matching compensation
CN107093205A (zh) 一种基于无人机图像的三维空间建筑物窗户检测重建方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN102663411B (zh) 一种目标人体识别方法
GB2532948A (en) Objection recognition in a 3D scene
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
CN103390164A (zh) 基于深度图像的对象检测方法及其实现装置
CN109726660A (zh) 一种遥感图像船舶识别方法
CN103279752B (zh) 一种基于改进Adaboost算法和人脸几何特征的眼睛定位方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN103246894B (zh) 一种解决光照不敏感问题的地基云图识别方法
CN107240112A (zh) 一种复杂场景下个体x角点提取方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN109509188A (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN108734200A (zh) 基于bing特征的人体目标视觉检测方法和装置
CN112288726A (zh) 一种井下带式输送机带面异物检测方法
CN111310566A (zh) 一种静动态多特征融合的山火检测方法及系统

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

Application publication date: 20181016

RJ01 Rejection of invention patent application after publication