CN108710910B - 一种基于卷积神经网络的目标识别方法及系统 - Google Patents
一种基于卷积神经网络的目标识别方法及系统 Download PDFInfo
- Publication number
- CN108710910B CN108710910B CN201810479520.3A CN201810479520A CN108710910B CN 108710910 B CN108710910 B CN 108710910B CN 201810479520 A CN201810479520 A CN 201810479520A CN 108710910 B CN108710910 B CN 108710910B
- Authority
- CN
- China
- Prior art keywords
- image
- visible light
- infrared
- target
- convolutional neural
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种基于卷积神经网络的目标识别方法及系统,包括:获取待测目标的红外线图像、待测目标的可见光图像和待测目标的红外线与可见光融合图像;通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别待测目标,以下三种包括所述红外线图像、可见光图像和所述红外线与可见光融合图像。本发明实施例提供一种基于卷积神经网络的目标识别方法及系统,利用非下采样Contourlet变换方法实现红外线与可见光图像融合,融合图像与原始可见光图像及红外线图像一起经过图像预处理形成训练样本,采用深度学习中卷积神经网络进行有监督特征学习,形成训练模型,实现对红外线图像及可见光图像中目标物体的识别和检测。
Description
技术领域
本发明实施例涉及目标识别技术领域,尤其涉及一种基于卷积神经网络的目标识别方法及系统。
背景技术
红外线图像能够实现全天候全天时成像,具有对光线强弱不敏感、穿透性强等优点,即使在雨、雾、霾等遮挡物情况下对红外线图像像影响较低,红外线图像的缺点包括:边缘模糊,图片细节不清,图像是单通道图像,只有亮度信息,对环境温度变化敏感,对玻璃具有非穿透性。
而可见光图像具有成像轮廓清晰、细节信息丰富、图像为三通道RGB图像、能反映亮度及颜色信息等优点,但是可见光图像质量很大程度上受光照条件影响,并且易受空气悬浮物遮挡(雨、雾、霾等)及气候变化影响。
通过以上优缺点对比,可以发现红外线图像与可见光图像有着互补的特点。在可见光下获得的图像和近红外线下获得的图像反映的是图像的两种不同模态下的特质,提取出来的特征会存在差异性,如果同时使用会起到增强互补的作用,红外线和可见光融合可以提高图像分辨率,增强图像的光谱信息,弥补单一传感器针对特定场景表达的不全面,实现对场景全面清晰准确的表达。
红外线与可见光图像数据的融合主要包括四个层次:即传感器层或像素层融合、特征层融合、得分层融合和决策层融合,像素层融合指的是在最低水平参照原始图像组合成单幅图像的融合。较高水平如特征层或决策层级的融合是将特征描述符和概率变量进行组合。然而,像素层融合仍然是大多数图像融合的常规应用策略,因为它具有与原始测量直接参与融合过程的主要优点。另外,像素层融合算法计算效率高且易于实现。像素层融合方法包括拉普拉斯金字塔(LP)方法、离散小波变换(DWT)、双树复小波变换(DTDWT)、曲线波变换(CVT)与非下采样Contourlet变换(NSCT)、多尺度变换(MST)等,像素级融合的先决条件是多传感器(光学、红外传感器)的图像必须在像素的基础上正确地配准。
因此,亟需一种针对红外线与可见光融合图像的目标识别方法。
发明内容
本发明实施例提供一种基于卷积神经网络的目标识别方法及系统,用以解决现有技术中单独的红外线图像和单独的可见光图像容易受到外界环境的干扰,导致图像中的目标物清楚,实现对红外线和可见光融合图像的目标识别。
本发明实施例提供一种基于卷积神经网络的目标识别方法,包括:
S1,获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
S2,通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
本发明实施例提供一种基于卷积神经网络的目标识别系统,包括:
融合模块,用于获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
识别模块,用于通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
本发明实施例提供一种基于卷积神经网络的目标识别设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行一种基于卷积神经网络的目标识别方法。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行一种基于卷积神经网络的目标识别方法。
本发明实施例提供一种基于卷积神经网络的目标识别方法及系统,利用非下采样Contourlet变换方法实现红外线与可见光图像融合,融合图像与原始可见光图像及红外线图像一起经过图像预处理形成训练样本,采用深度学习中卷积神经网络进行有监督特征学习,形成训练模型,实现对红外线图像及可见光图像中目标物体的识别和检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于卷积神经网络的目标识别方法的流程图;
图2为本发明实施例一种基于卷积神经网络的目标识别系统的结构示意图;
图3为一种基于卷积神经网络的目标识别设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。
因此,本发明采用深度学习来识别红外与可见光图像中的待测目标。
图1为本发明实施例一种基于卷积神经网络的目标识别方法的流程图,如图1所示,该方法包括:
S1,获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
S2,通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
首先获取待测目标的红外线图像和待测目标的可见光图像,首先对该红外线图像和可见光图像进行配准和非下采样Contourlet变换,得到该待测目标的红外线与可见光融合图像。
通过对红外线图像和可见光图像进行配准和非下采样Contourlet变换,得到该待测目标的红外线与可见光融合图像,具体步骤如下:
对红外线图像和可见光图像进行配准和非下采样Contourlet变换,得到低频子带图像和高频子带图像;
对低频子带图像和高频子带图像进行图像融合;
对红外线图像的低频高频融合系数和可见光图像的低频高频融合系数进行Contourlet逆变换,得到待测目标的红外线与可见光融合图像。
对红外线图像和可见光图像进行配准的方法很多,本发明实施例不限于具体某种方法。
非下采样Contourlet变换简称NSCT变换,NSCT是一种多分辨、多尺度,具有平移不变性的冗余变换,改变换对滤波器进行上采样,再对信号进行滤波。通过NSCT变换后得到低频子带图像和高频子带图像。
本发明实施例中采用非下采样Contourlet变换实现图像融合,非下采样Contourlet变换是在Contourlet变换的基础上提出来的,不仅继承了Contourlet变换多尺度和多方向性,以及良好的空域和频域局部特性,同时还具有平移不变性。NSCT通过对源图像分解得到高通和低通,根据不同分解层的方向的特性对高低频系数按方向区域能量融合,最后进行逆变换得到融合影像。
低频子带图像主要包括图像的轮廓信息,高频子带图像主要包括图像的细节信息,对低频子带图像和高频子带图像进行图像如何,提取红外线图像及可见光图像的低频高频融合系数,最后对该低频高频融合系数进行Contourlet逆变换,得到待测目标的红外线与可见光融合图像。
获得了待测目标的红外线图像、待测目标的可见光图像和待测目标的红外线与可见光融合图像之后,需要对这些图像进行预处理,预处理包括归一化、滤波去噪、图像增强等。
接着根据预处理后的红外线图像、预处理后的可见光图像和预处理后的红外线与可见光融合图像,形成训练样本集和测试样本集。
为了提高卷积神经网络对红外线图像和可见光图像识别的准确度,红外线图像、可见光源图像和红外线与可见光融合图像经过预处理和加标签后一起加入图片样本库中,保证每个目标物体的训练样本集不少于200张图像,测试样本集不少于50张图像。
采用卷积神经网络进行训练过程中,保存不同训练次数的卷积神经网络模型,结合测试样本集进行识别准确度性能测试,从其中选取训练后的最优卷积神经网络,投入到实际应用中对红外图像及可见光图像中目标物体的识别和检测。
获得了预处理后的最优卷积神经网络后,由于该最优卷积神经网络是根据红外线图像、可见光图像和红外线与可见光融合图像三者共同进行训练得到的,所以在对待测目标进行识别时,可以根据单独的红外线图像、或单独的可见光图像、或单独的红外线与可见光图像进行识别,也可以是其中几种图像的任一组合。
本发明实施例提供一种基于卷积神经网络的目标识别方法,利用非下采样Contourlet变换方法实现红外线与可见光图像融合,融合图像与原始可见光图像及红外线图像一起经过图像预处理形成训练样本,采用深度学习中卷积神经网络进行有监督特征学习,形成训练模型,实现对红外线图像及可见光图像中目标物体的识别和检测。
图2为本发明实施例一种基于卷积神经网络的目标识别系统的结构示意图,如图2所示,该系统包括:融合模块201,用于获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;识别模块202,用于通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
本系统实施例的执行过程与上述方法实施例的执行过程相同,详情请参考上述方法实施例的执行过程,本系统实施例在此不再赘述。
图3为一种基于卷积神经网络的目标识别设备的实体结构示意图,如图3所示,该服务器可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:
S1,获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
S2,通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于卷积神经网络的目标识别方法,其特征在于,包括:
S00,根据预处理后的红外线图像、预处理后的可见光图像和预处理后的红外线与可见光融合图像,获取训练样本集和测试样本集,红外线图像、可见光源图像和红外线与可见光融合图像经过预处理和加标签后一起加入图片样本库中,保证每个目标物体的训练样本集不少于200张图像,测试样本集不少于50张图像;
S01,通过训练样本集对初始卷积神经网络进行多次训练,获取多个训练后的卷积神经网络;
S02,通过测试样本集,对多个训练后的卷积神经网络进行测试,获取训练后的最优卷积神经网络;
S1,获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
S2,通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。
2.根据权利要求1所述方法,其特征在于,步骤S1中,所述待测目标的红外线与可见光融合图像通过如下方式获得:
对所述红外线图像和所述可见光图像进行配准和非下采样Contourlet变换,得到所述待测目标的红外线与可见光融合图像。
3.根据权利要求2所述方法,其特征在于,所述对所述红外线图像和所述可见光图像进行配准和非下采样Contourlet变换,得到所述待测目标的红外线与可见光融合图像,具体包括:
对所述红外线图像和所述可见光图像进行配准和非下采样Contourlet变换,得到低频子带图像和高频子带图像;
对所述低频子带图像和所述高频子带图像进行图像融合;
对所述红外线图像的低频高频融合系数和所述可见光图像的低频高频融合系数进行Contourlet逆变换,得到所述待测目标的红外线与可见光融合图像。
4.根据权利要求1所述方法,其特征在于,步骤S00之前还包括:
对所述红外线图像、所述可见光图像和所述所述红外线与可见光融合图像进行预处理,所述预处理包括归一化、滤波去噪和图像增强。
5.一种基于卷积神经网络的目标识别系统,其特征在于,包括:
融合模块,用于获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像;
识别模块,用于通过训练后的最优卷积神经网络,根据以下三种图像中的一种或多种识别所述待测目标,所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像,其中,训练后的最优卷积神经网络通过如下方法获得:
根据预处理后的红外线图像、预处理后的可见光图像和预处理后的红外线与可见光融合图像,获取训练样本集和测试样本集,红外线图像、可见光源图像和红外线与可见光融合图像经过预处理和加标签后一起加入图片样本库中,保证每个目标物体的训练样本集不少于200张图像,测试样本集不少于50张图像;
通过训练样本集对初始卷积神经网络进行多次训练,获取多个训练后的卷积神经网络;
通过测试样本集,对多个训练后的卷积神经网络进行测试,获取训练后的最优卷积神经网络。
6.一种基于卷积神经网络的目标识别设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-4中任一项所述的方法。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479520.3A CN108710910B (zh) | 2018-05-18 | 2018-05-18 | 一种基于卷积神经网络的目标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479520.3A CN108710910B (zh) | 2018-05-18 | 2018-05-18 | 一种基于卷积神经网络的目标识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710910A CN108710910A (zh) | 2018-10-26 |
CN108710910B true CN108710910B (zh) | 2020-12-04 |
Family
ID=63868125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810479520.3A Active CN108710910B (zh) | 2018-05-18 | 2018-05-18 | 一种基于卷积神经网络的目标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710910B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635832A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 一种基于云平台的目标识别方法及系统 |
CN109190633A (zh) * | 2018-11-06 | 2019-01-11 | 西安文理学院 | 一种基于深度学习的智能物体识别系统及控制方法 |
CN109410252A (zh) * | 2018-12-20 | 2019-03-01 | 合肥英睿系统技术有限公司 | 一种热像设备 |
CN111209810B (zh) * | 2018-12-26 | 2023-05-26 | 浙江大学 | 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 |
CN110110765B (zh) * | 2019-04-23 | 2022-03-08 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的多源数据融合目标识别方法 |
CN112017252B (zh) * | 2019-05-31 | 2024-06-11 | 华为技术有限公司 | 一种图像处理方法和相关设备 |
CN110443775B (zh) * | 2019-06-20 | 2022-12-16 | 吉林大学 | 基于卷积神经网络的离散小波变换域多聚焦图像融合方法 |
CN111210464A (zh) * | 2019-12-30 | 2020-05-29 | 中国船舶重工集团公司第七一一研究所 | 基于卷积神经网络和图像融合的人员落水报警系统及方法 |
CN111582066B (zh) * | 2020-04-21 | 2023-10-03 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
CN112734692B (zh) * | 2020-12-17 | 2023-12-22 | 国网信息通信产业集团有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112698339B (zh) * | 2020-12-31 | 2023-07-18 | 中国人民解放军战略支援部队信息工程大学 | 目标检测方法、装置及系统 |
CN112750426B (zh) * | 2021-02-01 | 2023-10-20 | 福州大学 | 移动终端语音分析系统 |
CN113221818B (zh) * | 2021-05-27 | 2024-03-29 | 大连海事大学 | 一种海面溢油特征智能检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897035A (zh) * | 2006-05-26 | 2007-01-17 | 上海大学 | 基于Contourlet变换的可见光与红外线图像融合方法 |
EP1746438A2 (en) * | 2005-07-12 | 2007-01-24 | Northrop Grumman Corporation | Infrared laser illuminated imaging systems and methods |
CN104361314A (zh) * | 2014-10-21 | 2015-02-18 | 华北电力大学(保定) | 基于红外与可见光图像融合的变电设备定位方法及装置 |
CN106251355A (zh) * | 2016-08-03 | 2016-12-21 | 江苏大学 | 一种融合可见光图像与对应夜视红外图像的检测方法 |
CN106485274A (zh) * | 2016-10-09 | 2017-03-08 | 湖南穗富眼电子科技有限公司 | 一种基于目标特性图的物体分类方法 |
CN106600572A (zh) * | 2016-12-12 | 2017-04-26 | 长春理工大学 | 一种自适应的低照度可见光图像和红外图像融合方法 |
CN106845440A (zh) * | 2017-02-13 | 2017-06-13 | 山东万腾电子科技有限公司 | 一种增强现实图像处理方法及系统 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
CN107680054A (zh) * | 2017-09-26 | 2018-02-09 | 长春理工大学 | 雾霾环境下多源图像融合方法 |
CN107704840A (zh) * | 2017-10-24 | 2018-02-16 | 汕头大学 | 一种基于深度学习的遥感图像道路检测方法 |
-
2018
- 2018-05-18 CN CN201810479520.3A patent/CN108710910B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1746438A2 (en) * | 2005-07-12 | 2007-01-24 | Northrop Grumman Corporation | Infrared laser illuminated imaging systems and methods |
CN1897035A (zh) * | 2006-05-26 | 2007-01-17 | 上海大学 | 基于Contourlet变换的可见光与红外线图像融合方法 |
CN104361314A (zh) * | 2014-10-21 | 2015-02-18 | 华北电力大学(保定) | 基于红外与可见光图像融合的变电设备定位方法及装置 |
CN106251355A (zh) * | 2016-08-03 | 2016-12-21 | 江苏大学 | 一种融合可见光图像与对应夜视红外图像的检测方法 |
CN106485274A (zh) * | 2016-10-09 | 2017-03-08 | 湖南穗富眼电子科技有限公司 | 一种基于目标特性图的物体分类方法 |
CN106600572A (zh) * | 2016-12-12 | 2017-04-26 | 长春理工大学 | 一种自适应的低照度可见光图像和红外图像融合方法 |
CN106845440A (zh) * | 2017-02-13 | 2017-06-13 | 山东万腾电子科技有限公司 | 一种增强现实图像处理方法及系统 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
CN107680054A (zh) * | 2017-09-26 | 2018-02-09 | 长春理工大学 | 雾霾环境下多源图像融合方法 |
CN107704840A (zh) * | 2017-10-24 | 2018-02-16 | 汕头大学 | 一种基于深度学习的遥感图像道路检测方法 |
Non-Patent Citations (1)
Title |
---|
改进的卷积神经网络行人检测方法;徐超等;《计算机应用》;20170610(第6期);第1708-1715页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108710910A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710910B (zh) | 一种基于卷积神经网络的目标识别方法及系统 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
Qu et al. | A pedestrian detection method based on yolov3 model and image enhanced by retinex | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN108389188A (zh) | 一种稀疏高光谱异常目标检测方法 | |
He et al. | Infrared and visible image fusion based on target extraction in the nonsubsampled contourlet transform domain | |
CN107169944B (zh) | 一种基于多尺度对比度的红外与可见光图像融合方法 | |
WO2022237397A1 (zh) | 图像真伪检测方法、装置、计算机设备和存储介质 | |
Liu et al. | Detect image splicing with artificial blurred boundary | |
Li et al. | Insulator defect detection for power grid based on light correction enhancement and YOLOv5 model | |
CN115375991A (zh) | 一种强/弱光照和雾环境自适应目标检测方法 | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN117095158B (zh) | 一种基于多尺度分解卷积的太赫兹图像危险品检测方法 | |
CN116503677A (zh) | 一种湿地分类信息提取方法、系统、电子设备及存储介质 | |
Ali et al. | Active contour image segmentation model with de‐hazing constraints | |
CN113537397B (zh) | 基于多尺度特征融合的目标检测与图像清晰联合学习方法 | |
Zhang et al. | A generative adversarial network with dual discriminators for infrared and visible image fusion based on saliency detection | |
CN114708181A (zh) | 图像融合方法、装置、设备和存储介质 | |
CN114241192A (zh) | 一种变电站设备红外智能诊断系统及方法 | |
Li et al. | Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement | |
Lecca et al. | Performance comparison of image enhancers with and without deep learning | |
Wu et al. | Infrared and visible-image fusion using multiscale visual saliency extraction based on spatial weight matrix |
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 |