CN108764027A - 一种基于改进的rbd显著性计算的海面目标检测方法 - Google Patents

一种基于改进的rbd显著性计算的海面目标检测方法 Download PDF

Info

Publication number
CN108764027A
CN108764027A CN201810329394.3A CN201810329394A CN108764027A CN 108764027 A CN108764027 A CN 108764027A CN 201810329394 A CN201810329394 A CN 201810329394A CN 108764027 A CN108764027 A CN 108764027A
Authority
CN
China
Prior art keywords
super
pixel
image
sea
seawater
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
CN201810329394.3A
Other languages
English (en)
Inventor
刘靖逸
李恒宇
丁长权
罗均
谢少荣
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810329394.3A priority Critical patent/CN108764027A/zh
Publication of CN108764027A publication Critical patent/CN108764027A/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
    • G06F18/23—Clustering techniques
    • 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
    • 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)
  • 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改进的RBD显著性计算的海面目标检测方法，包括以下步骤：（1）获取原始的彩色海面图像；（2）利用简单线性迭代聚类算法（SLIC）对海面图像进行超像素分割；（3）建立基于高斯混合模型（GMM）的语义分割算法，从而将图像分割成天空和海水区域，并根据海水与天空区域的分界点直线拟合出相应的海天线；（4）通过海天线的位置信息将所有的超像素分成海水和天空两类；（5）根据海水类别的超像素特征信息并利用改进的鲁棒性背景检测算法（RBD）进行显著性计算，获得海水区域的显著图；（6）对显著图进行固定阈值分割，提取出前景目标（即海面目标）。本发明的方法能够有效地检测出复杂背景下的海面目标，具有较高的准确性。

Description

一种基于改进的RBD显著性计算的海面目标检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于改进的RBD显著性计算的海面目标检测方法。
背景技术
海面目标检测技术作为无人艇环境感知的关键组成部分，是其实现自主避障、安全航行的先决条件。目前，无人艇的海面目标检测技术主要有基于雷达的目标检测技术、基于水声的目标检测技术以及基于视觉的目标检测技术等。其中，基于雷达的目标检测技术主要通过发射电磁波对海面目标进行照射并接收其回波，从而获得目标的距离、方位等信息；基于水声的目标检测技术主要利用声波在水中的传播特性，通过电声转换和信息处理来实现水下目标的探测与定位；而基于视觉的目标检测技术则是利用光学成像原理来获得外部场景的图像信息，并通过一定的图像处理方法提取出图像中的目标区域，从而实现目标的检测与定位。相较于前两种检测技术，由于光学图像中包含有丰富的目标区域细节信息，采用视觉的目标检测技术更易于海面目标的检测、跟踪与识别。鉴于以上这些原因，利用基于视觉的目标检测技术来对海面障碍物目标进行提取，有助于无人艇加强周围环境的感知以及自主避障功能的实现，从而避免沉船及碰撞等事故的发生。
RBD算法是Zhu Wangjiang等人于2014年在《Saliency Optimization fromRobust Background Detection》文献中提出了一种基于鲁棒性背景检测的显著性优化算法。该算法首先通过边界连接性来估计超像素的背景概率，然后利用全局对比度方法来计算超像素的前景概率，最后通过一个优化框架将超像素的背景概率与前景概率结合起来进行显著性优化，从而获得相应的显著图。相较于传统的基于对比度的显著性检测算法，RBD算法由于增加了背景先验信息，因而在准确性、鲁棒性方面均有较大的提高。但是，由于该算法是在整幅图像上进行显著性计算，因此在处理海面图像时存在运算量大、实时性差的缺点。除此之外，RBD算法由于直接利用图像所有的边界超像素信息来计算图像的边界连接性，因此对于与图像边界接触较多的目标不是特别敏感(即图像边界处的目标区域的显著值较小)，有可能出现漏检现象。
发明内容
本发明针对现有技术的不足，提供一种基于改进的RBD显著性计算的海面目标检测方法。该方法不仅可以准确地提取出海天线，还可以有效地检测出复杂背景下的海面目标，具有较高的准确性和鲁棒性。
为达到上述目的，本发明采用如下技术方案：
一种基于改进的RBD显著性计算的海面目标检测方法，包括以下步骤：
(1)获取原始的彩色海面图像；
(2)利用简单线性迭代聚类算法(Simple Linear Iterative Cluster,SLIC)对图像进行过分割，从而生成SLIC超像素；
(3)以超像素为基本单位，建立基于高斯混合模型(Gaussian Mixed Model,GMM)的语义分割算法，从而将图像分割成天空区域和海水区域，并根据海水与天空区域的分界点直线拟合出相应的海天线；
(4)通过海天线的位置信息将所有的超像素划分为海水或者天空类别；
(5)根据海水类别的超像素特征信息并利用改进的鲁棒性背景检测算法(RBD)进行显著性计算，从而获得海水区域的显著图；
(6)采用固定阈值分割方法对显著图进行分割，从而提取出显著图中的前景目标(即海面目标)。
与现有技术相比，本发明的有益效果为：
首先，本发明根据海天线的检测结果，将图像的所有超像素分成海水和天空两个类别，然后专门针对海水类别的超像素进行显著性计算。这样处理有两个好处：一方面，可以减少参与显著性计算的超像素个数，从而缩短了算法的处理时间；另一方面，可以降低天空中云层以及海岛等干扰因素的影响，因而提高了算法的准确率。其次，本发明从RBD算法的边界集Bnd中剔除掉了属于目标区域的超像素，克服了RBD算法对与图像边界接触较多的目标区域不敏感的问题。
附图说明
图1为本发明方法的流程图。
图2为本发明方法一个实施例的示意图，其中(a)为实施例待检测图；(b)为实施例超像素分割图；(c)为实施例语义分割图；(d)为实施例海水区域分界点图；(e)为实施例海天线检测结果图；(f)为实施例提取的图像边界图；(g)为实施例海水区域显著图；(h)为实施例阈值分割图；(i)为海面目标检测结果图。
图3为RBD算法一个实施例的示意图，其中(a)为实施例提取的图像边界图；(b)为实施例显著图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰明了，下面结合附图，对本发明的具体实施例作详细说明。
如图1所示，一种基于改进的RBD显著性计算的海面目标检测方法，包括以下步骤：
(1)获取原始的彩色海面图像；
(2)利用简单线性迭代聚类算法(SLIC)对图像进行过分割，从而生成SLIC超像素；
(3)以超像素为基本单位，建立基于高斯混合模型(GMM)的语义分割算法，从而将图像分割成天空区域和海水区域，并根据海水与天空区域的分界点直线拟合出相应的海天线；
(4)通过海天线的位置信息将所有的超像素划分为海水或者天空类别；
(5)根据海水类别的超像素特征信息并利用改进的鲁棒性背景检测算法(RBD)进行显著性计算，从而获得海水区域的显著图；
(6)采用固定阈值分割方法对显著图进行分割，从而提取出显著图中的前景目标(即海面目标)。
进一步，所述步骤(3)中，由于海面图像从上至下大致可划分为天空和海水两大区域，因此基于GMM的语义分割算法使用了两个高斯模型来表征图像所有超像素的特征，并且假设所有超像素的类别标签具有相同的先验分布π。因此，可以写出该混合模型的似然函数：
其中，n为图像中超像素的个数；y为图像所有超像素的观测数据集(即y＝{y1,…,yn})，主要由颜色特征[l,a,b]和空间位置特征[c,r]组成(其中，l、a和b分别表示CIE-Lab颜色空间的三个分量，而c和r分别表示图像的列坐标和行坐标)；为超像素类别标签的先验概率分布，对于图像中的任意一个超像素，其类别标签xi在先验概率分布π已知时都具有相同的先验概率πk＝p(xi＝k|π)；N(yi|xi＝k,θ)为第k个高斯模型的概率密度函数，并且其均值为mk而协方差为Ck；θ为混合模型的高斯参数集，即
由于概率的取值范围为[0,1]，当n很大时，由公式(1)表示的似然函数中的乘积会使其结果变得非常小，易造成浮点数下溢。为了避免该问题，可以在公式(1)的两边取对数，从而得到相应的对数似然函数：
因此，对于模型参数πk、mk和Ck以及超像素的类别标签xi，可以通过最大似然估计方法获得，即优化下述的目标函数：
对于公式(3)表示的优化目标函数，可以采用期望最大化算法(EM)来进行求解。EM算法的具体步骤如下所示：
①初始化参数集θ和π；
将原始海面图像从上至下按比例{0,0.3}、{0.3,0.7}和{0.7,1}划分成三个区域，然后根据{0,0.3}和{0.7,1}区域中的超像素特征分别统计出天空类别的初始高斯参数θ1和海水类别的初始高斯参数θ2。而类别标签的先验概率πk的初始化公式如下所示：
②在E-step：假设模型参数集θ和π已知(由上一步迭代而来或者由初始化确定)，计算后验概率p(xi＝k|yi,θ,π)：
③在M-step：假设后验概率p(xi＝k|yi,θ,π)已知，对参数集θ和π进行计算：
④判断是否达到EM迭代终止条件；
当公式(9)成立时，停止EM迭代；否则，重复步骤②～④，直到算法收敛。
上式中，t为迭代次数。
⑤确定超像素的类别标签。
对于图像中的每一个超像素yi，根据其后验概率p(xi＝k|yi,θ,π)来确定其所属于的类别标签xi，从而实现对海面图像的语义分割。具体地，可以通过如下公式来确定超像素的类别：
进一步，所述步骤(3)中，海天线检测的具体步骤如下所示：
①以超像素为基本单位，建立于高斯混合模型(GMM)的语义分割算法，并利用该语义分割算法将海面图像从上至下分成天空区域和海水区域；
②根据海水的类别标签，在语义分割图像上提取出海水区域并生成相应的掩膜图像；
③在海水掩膜图像上，等距地划出32条竖直直线，并且提取出每条竖直线上的最大梯度点作为天空和海水区域的分界点；
④将海水区域的分界点作为观测数据，利用随机抽样一致性算法(RANSAC)对观测数据进行直线拟合，从而确定出海天线的直线参数并得到其直线方程。
进一步，所述步骤(4)中，根据海天线的直线方程，将所有的超像素分成海水和天空两个类别集合。具体地，假设海天线的直线方程为r(c)＝kc+b(其中，k、b为直线参数，c为列坐标，r为行坐标)，超像素的聚类中心坐标为(ci,ri)，则可将满足r(ci)-ri>0条件的超像素划分到天空类别集合SkySet，而将满足r(ci)-ri≤0条件的超像素划分到海水类别集合SeaSet。
进一步，所述步骤(5)中，不同于RBD算法在整幅图像上计算超像素的显著性值，本发明只利用了海水类别的超像素特征信息进行显著性计算，从而提高了算法的执行效率并且还降低了天空、海岛等物体的干扰。此外，为了改善RBD算法对图像边界处的目标区域不敏感的问题(即图像边界处的目标区域的显著值较小)，本发明对RBD算法的边界集Bnd进行筛选，从中剔除掉了与图像边界相接触的目标超像素。其具体步骤如下：
①在海天线以下的区域，将与图像边界相连接的所有超像素定义为初始边界集Bnd＝{pi|pi为边界超像素}；
②由于目标区域有可能与图像边界相连接，因此利用目标与背景区域的差异性，剔除掉初始边界集Bnd中的目标超像素。假设初始边界集Bnd＝{p1,p2,…,pm}，并且定义超像素pi的特征差异值为：
上式中，dapp(pi,pj)表示超像素pi和pj在CIE-Lab颜色空间的欧式距离。
③根据公式(11)，计算出初始边界集Bnd中所有超像素的特征差异值，即{d1,d2,…,dm}，然后再根据莱因达准则对边界集中的目标超像素进行剔除：首先计算集合{d1,d2,…,dm}的均值u和方差σ；然后对|di-u|>3σ的超像素予以剔除，而保留|di-u|≤3σ的超像素，这样就可以得到一个新的边界集Bnd。
实施例1：
下面以实例来说明本发明公开的一种基于改进的RBD显著性计算的海面目标检测方法。本实施例采用C++编程语言和OpenCV库实现，具体实施步骤如下：
(1)获取原始的彩色海面图像；
原始的海面图像为24位彩色图像，分辨率为640x480，如图2a所示；
(2)利用简单线性迭代聚类算法(SLIC)对图像进行过分割，从而生成SLIC超像素；
利用SLIC算法对海面图像进行超像素分割，如图2b所示。其中，将预期超像素的个数设置为500，最终生成的超像素数目根据图像的实际像素分布可能略小于500，如图2b所示。
(3)以超像素为基本单位，建立基于高斯混合模型(GMM)的语义分割算法，从而将图像分割成天空区域和海水区域，并根据海水与天空区域的分界点直线拟合出相应的海天线；
海天线检测的具体步骤如下所示：
①以超像素为基本单位，建立于高斯混合模型(GMM)的语义分割算法，并利用该语义分割算法将海面图像从上至下分成天空区域和海水区域，如图2c所示；
②根据海水的类别标签，在语义分割图像上提取出海水区域并生成相应的掩膜图像；
③在海水掩膜图像上，等距地划出32条竖直直线，并且提取出每条竖直线上的最大梯度点作为天空和海水区域的分界点，如图2d所示；
④将海水区域的分界点作为观测数据，利用随机抽样一致性算法(RANSAC)对观测数据进行直线拟合，从而确定出海天线的直线参数并得到其直线方程，如图2e所示。
(4)通过海天线的位置信息将所有的超像素划分为海水或者天空类别；
(5)根据海水类别的超像素特征信息并利用改进的鲁棒性背景检测算法(RBD)进行显著性计算，从而获得海水区域的显著图；
不同于RBD算法在整幅图像上计算超像素的显著性值，本发明只利用了海水类别的超像素特征信息进行显著性计算，从而提高了算法的执行效率并且还降低了天空、海岛等物体的干扰。此外，为了改善RBD算法对图像边界处的目标区域不敏感的问题，本发明对RBD算法的边界集Bnd进行筛选，从中剔除掉了与图像边界相接触的目标超像素。图2f和图2g分别为本发明改进RBD算法提取出的海水区域的图像边界及相应的显著图。
(6)采用固定阈值分割方法对显著图进行分割，从而提取出显著图中的前景目标(即海面目标)，如图2h所示。图2i为海面目标检测结果。
实施例2：
本发明提出的改进算法由于对RBD算法的边界集Bnd进行筛选处理，从中剔除掉了与图像边界相接触的目标超像素，从而改善了RBD算法对图像边界处的目标区域不敏感的问题。为了验证本发明对RBD算法改进的有效性，本实施例除了不对边界集Bnd进行筛选，其它具体实施步骤与实施例1相同，故不再赘述。
图3a和图3b分别为RBD算法提取出的海水区域的图像边界及相应的显著图。从中可以看出，本文改进算法所提取的图像边界更加合理，据此得到的显著图也更加准确。

Claims (6)

1.一种基于改进的RBD显著性计算的海面目标检测方法，其特征在于，包括以下步骤：
(1)获取原始的彩色海面图像；
(2)利用简单线性迭代聚类算法，SLIC对图像进行过分割，从而生成SLIC超像素；
(3)以超像素为基本单位，建立基于高斯混合模型，GMM的语义分割算法，从而将图像分割成天空区域和海水区域，并根据海水与天空区域的分界点直线拟合出相应的海天线；
(4)通过海天线的位置信息将所有的超像素划分为海水或者天空类别；
(5)根据海水类别的超像素特征信息并利用改进的鲁棒性背景检测算法，RBD进行显著性计算，从而获得海水区域的显著图；
(6)采用固定阈值分割方法对显著图进行分割，从而提取出显著图中的前景目标，即海面目标。
2.根据权利要求1所述的基于改进的RBD显著性计算的海面目标检测方法，其特征在于，所述步骤(3)中，基于GMM的语义分割算法使用了两个高斯模型来表征图像所有超像素的特征，并且假设所有超像素的类别标签具有相同的先验分布π，写出该混合模型的似然函数：
其中，n为图像中超像素的个数；y为图像所有超像素的观测数据集，即y＝{y1,…,yn}，主要由颜色特征[l,a,b]和空间位置特征[c,r]组成，其中，l、a和b分别表示CIE-Lab颜色空间的三个分量，而c和r分别表示图像的列坐标和行坐标；为超像素类别标签的先验概率分布，对于图像中的任意一个超像素，其类别标签xi在先验概率分布π已知时都具有相同的先验概率πk＝p(xi＝k|π)；N(yi|xi＝k,θ)为第k个高斯模型的概率密度函数，并且其均值为mk而协方差为Ck；θ为混合模型的高斯参数集，即
由于概率的取值范围为[0,1]，当n很大时，由公式(1)表示的似然函数中的乘积会使其结果变得非常小，易造成浮点数下溢；为了避免该问题，在公式(1)的两边取对数，从而得到相应的对数似然函数：
因此，对于模型参数πk、mk和Ck以及超像素的类别标签xi，通过最大似然估计方法获得，即优化下述的目标函数：
3.根据权利要求1所述的基于改进的RBD显著性计算的海面目标检测方法，其特征在于，所述步骤(3)中，基于GMM的语义分割算法的具体步骤是：
①初始化参数集θ和π；
将原始海面图像从上至下按比例{0,0.3}、{0.3,0.7}和{0.7,1}划分成三个区域，然后根据{0,0.3}和{0.7,1}区域中的超像素特征分别统计出天空类别的初始高斯参数θ1＝{m1,C1}和海水类别的初始高斯参数θ2＝{m1,C1}，其中m为均值，C为协方差； 为超像素类别标签的先验概率分布，对于图像中的任意一个超像素i，其类别标签xi在先验概率分布π已知时都具有相同的先验概率πk＝p(xi＝k|π)；类别标签的先验概率πk的初始化公式如下所示：
②在E-step：假设模型参数集θ和π已知，由上一步迭代而来或者由初始化确定，计算后验概率p(xi＝k|yi,θ,π)：
上式中，yi为图像中第i个超像素的能够观测特征向量，主要由颜色特征[l,a,b]和空间位置特征[c,r]组成，其中，l、a和b分别表示CIE-Lab颜色空间的三个分量，而c和r分别表示图像的列坐标和行坐标；N(yi|xi＝k,θ)为第k个高斯模型的概率密度函数，并且其均值为mk而协方差为Ck；
③在M-step：假设后验概率p(xi＝k|yi,θ,π)已知，对参数集θ和π进行计算：
上式中，n为图像中超像素的个数；
④判断是否达到EM迭代终止条件；
当公式(9)成立时，停止EM迭代；否则，重复步骤②～④，直到算法收敛；
上式中，t为迭代次数；
⑤确定超像素的类别标签；
对于图像中的每一个超像素yi，根据其后验概率p(xi＝k|yi,θ,π)来确定其所属于的类别标签xi，从而实现对海面图像的语义分割；具体地，通过如下公式来确定超像素的类别：
4.根据权利要求1所述的基于改进的RBD显著性计算的海面目标检测方法，其特征在于，所述步骤(3)中，海天线检测的具体步骤是：
①以超像素为基本单位，建立基于高斯混合模型GMM的语义分割算法，并利用该语义分割算法将海面图像从上至下分成天空区域和海水区域；
②根据海水的类别标签，在语义分割图像上提取出海水区域并生成相应的掩膜图像；
③在海水掩膜图像上，等距地划出32条竖直直线，并且提取出每条竖直线上的最大梯度点作为天空和海水区域的分界点；
④将海水区域的分界点作为观测数据，利用随机抽样一致性算法RANSAC对观测数据进行直线拟合，从而确定出海天线的直线参数并得到其直线方程。
5.根据权利要求1所述的基于改进的RBD显著性计算的海面目标检测方法，其特征在于，所述步骤(4)中，根据海天线的直线方程，将所有的超像素分成海水和天空两个类别集合；具体地，假设海天线的直线方程为r(c)＝kc+b，其中，k、b为直线参数，c为列坐标，r为行坐标，超像素的聚类中心坐标为(ci,ri)，则将满足r(ci)-ri>0条件的超像素划分到天空类别集合SkySet，而将满足r(ci)-ri≤0条件的超像素划分到海水类别集合SeaSet。
6.根据权利要求1所述的基于改进的RBD显著性计算的海面目标检测方法，其特征在于，所述步骤(5)中，不同于RBD算法在整幅图像上计算超像素的显著性值，改进的RBD算法只利用了海水类别的超像素特征信息进行显著性计算，不仅提高了算法的执行效率而且还降低了天空、海岛等物体的干扰；此外，为了改善RBD算法对图像边界处的目标区域不敏感的问题，即图像边界处的目标区域的显著值较小，对RBD算法的边界集Bnd进行筛选，从中剔除掉了与图像边界相接触的目标超像素；其具体步骤如下：
①在海天线以下的区域，将与图像边界相连接的所有超像素定义为初始边界集Bnd＝{pi|pi为边界超像素}；
②由于目标区域有可能与图像边界相连接，因此利用目标与背景区域的差异性，剔除掉初始边界集Bnd中的目标超像素；假设初始边界集Bnd＝{p1,p2,…,pm}，并且定义超像素pi的特征差异值为：
上式中，dapp(pi,pj)表示超像素pi和pj在CIE-Lab颜色空间的欧式距离，m为边界集Bnd中超像素的个数；
③根据公式(11)，计算出初始边界集Bnd中所有超像素的特征差异值，即{d1,d2,…,dm}，然后再根据莱因达准则对边界集中的目标超像素进行剔除：首先计算集合{d1,d2,…,dm}的均值u和方差σ；然后对|di-u|>3σ的超像素予以剔除，而保留|di-u|≤3σ的超像素，得到一个新的边界集Bnd。
CN201810329394.3A 2018-04-13 2018-04-13 一种基于改进的rbd显著性计算的海面目标检测方法 Pending CN108764027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810329394.3A CN108764027A (zh) 2018-04-13 2018-04-13 一种基于改进的rbd显著性计算的海面目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810329394.3A CN108764027A (zh) 2018-04-13 2018-04-13 一种基于改进的rbd显著性计算的海面目标检测方法

Publications (1)

Publication Number Publication Date
CN108764027A true CN108764027A (zh) 2018-11-06

Family

ID=63981778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810329394.3A Pending CN108764027A (zh) 2018-04-13 2018-04-13 一种基于改进的rbd显著性计算的海面目标检测方法

Country Status (1)

Country Link
CN (1) CN108764027A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816006A (zh) * 2019-01-18 2019-05-28 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN109829423A (zh) * 2019-01-18 2019-05-31 电子科技大学 一种结冰湖泊红外成像检测方法
CN109919159A (zh) * 2019-01-22 2019-06-21 西安电子科技大学 一种针对边缘图像的语义分割优化方法及装置
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法
CN110298271A (zh) * 2019-06-17 2019-10-01 上海大学 基于关键点检测网络和空间约束混合模型的海水区域检测方法
CN110298855A (zh) * 2019-06-17 2019-10-01 上海大学 一种基于高斯混合模型和纹理分析的海天线检测方法
CN111105390A (zh) * 2019-11-20 2020-05-05 复旦大学 一种改进的海天线检测和评估方法
CN111583290A (zh) * 2020-06-06 2020-08-25 大连民族大学 基于视觉显著性的文物显著区域提取方法
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法
CN112085020A (zh) * 2020-09-08 2020-12-15 北京印刷学院 一种视觉显著性目标检测方法及装置
CN112637593A (zh) * 2020-12-18 2021-04-09 郑州师范学院 基于人工智能和视频分析的视频编码优化方法
CN112651274A (zh) * 2019-10-10 2021-04-13 丰田自动车株式会社 路上障碍物检测装置、路上障碍物检测方法及记录介质
CN112802054A (zh) * 2021-02-04 2021-05-14 重庆大学 一种融合图像分割的混合高斯模型前景检测方法
CN113705371A (zh) * 2021-08-10 2021-11-26 武汉理工大学 一种水上视觉场景分割方法及装置
CN118509713A (zh) * 2024-07-15 2024-08-16 圆周率科技(常州)有限公司 视频处理方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927751A (zh) * 2014-04-18 2014-07-16 哈尔滨工程大学 基于梯度信息融合的水面光视觉图像目标区域检测方法
US20150154471A1 (en) * 2013-12-02 2015-06-04 Omron Corporation Image processing device and method, and computer readable medium
US20150317800A1 (en) * 2014-05-05 2015-11-05 Xiaomi Inc. Method and device for image segmentation
CN107092890A (zh) * 2017-04-24 2017-08-25 山东工商学院 基于红外视频的舰船检测及跟踪方法
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN107808386A (zh) * 2017-09-26 2018-03-16 上海大学 一种基于图像语义分割的海天线检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150154471A1 (en) * 2013-12-02 2015-06-04 Omron Corporation Image processing device and method, and computer readable medium
CN103927751A (zh) * 2014-04-18 2014-07-16 哈尔滨工程大学 基于梯度信息融合的水面光视觉图像目标区域检测方法
US20150317800A1 (en) * 2014-05-05 2015-11-05 Xiaomi Inc. Method and device for image segmentation
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN107092890A (zh) * 2017-04-24 2017-08-25 山东工商学院 基于红外视频的舰船检测及跟踪方法
CN107808386A (zh) * 2017-09-26 2018-03-16 上海大学 一种基于图像语义分割的海天线检测方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829423A (zh) * 2019-01-18 2019-05-31 电子科技大学 一种结冰湖泊红外成像检测方法
CN109816006B (zh) * 2019-01-18 2020-11-13 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN109829423B (zh) * 2019-01-18 2023-03-07 电子科技大学 一种结冰湖泊红外成像检测方法
CN109816006A (zh) * 2019-01-18 2019-05-28 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN109919159A (zh) * 2019-01-22 2019-06-21 西安电子科技大学 一种针对边缘图像的语义分割优化方法及装置
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法
CN110298271A (zh) * 2019-06-17 2019-10-01 上海大学 基于关键点检测网络和空间约束混合模型的海水区域检测方法
CN110298855A (zh) * 2019-06-17 2019-10-01 上海大学 一种基于高斯混合模型和纹理分析的海天线检测方法
CN110298855B (zh) * 2019-06-17 2023-05-16 上海大学 一种基于高斯混合模型和纹理分析的海天线检测方法
CN112651274A (zh) * 2019-10-10 2021-04-13 丰田自动车株式会社 路上障碍物检测装置、路上障碍物检测方法及记录介质
CN112651274B (zh) * 2019-10-10 2024-03-12 丰田自动车株式会社 路上障碍物检测装置、路上障碍物检测方法及记录介质
CN111105390B (zh) * 2019-11-20 2022-03-18 复旦大学 一种改进的海天线检测和评估方法
CN111105390A (zh) * 2019-11-20 2020-05-05 复旦大学 一种改进的海天线检测和评估方法
CN111583290A (zh) * 2020-06-06 2020-08-25 大连民族大学 基于视觉显著性的文物显著区域提取方法
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法
CN112085020A (zh) * 2020-09-08 2020-12-15 北京印刷学院 一种视觉显著性目标检测方法及装置
CN112085020B (zh) * 2020-09-08 2023-08-01 北京印刷学院 一种视觉显著性目标检测方法及装置
CN112637593A (zh) * 2020-12-18 2021-04-09 郑州师范学院 基于人工智能和视频分析的视频编码优化方法
CN112802054A (zh) * 2021-02-04 2021-05-14 重庆大学 一种融合图像分割的混合高斯模型前景检测方法
CN112802054B (zh) * 2021-02-04 2023-09-01 重庆大学 一种融合图像分割的混合高斯模型前景检测方法
CN113705371A (zh) * 2021-08-10 2021-11-26 武汉理工大学 一种水上视觉场景分割方法及装置
CN113705371B (zh) * 2021-08-10 2023-12-01 武汉理工大学 一种水上视觉场景分割方法及装置
CN118509713A (zh) * 2024-07-15 2024-08-16 圆周率科技(常州)有限公司 视频处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN108764027A (zh) 一种基于改进的rbd显著性计算的海面目标检测方法
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
Shao et al. Saliency-aware convolution neural network for ship detection in surveillance video
CN108921066B (zh) 基于特征融合卷积网络的光学遥感图像舰船检测方法
CN108981672A (zh) 基于单目机器人与测距传感器结合的舱门实时定位方法
CN115761550A (zh) 一种基于激光雷达点云和相机图像融合的水面目标检测方法
US10497128B2 (en) Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
CN105427342B (zh) 一种水下小目标声呐图像目标检测跟踪方法和系统
CN111291327B (zh) 一种基于分治思想的多波束海底底质分类方法
CN110276264A (zh) 一种基于前景分割图的人群密度估计方法
CN113705371B (zh) 一种水上视觉场景分割方法及装置
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
CN112257605A (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
CN113052872B (zh) 一种基于声呐图像的水下运动目标跟踪方法
CN109284663A (zh) 一种基于正态和均匀混合分布模型的海面障碍物检测方法
CN106991686A (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN112613565B (zh) 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法
CN112784757B (zh) 海上sar舰船目标显著性检测与识别方法
CN117593650B (zh) 基于4d毫米波雷达与sam图像分割的动点滤除视觉slam方法
CN115937520A (zh) 基于语义信息引导的点云运动目标分割方法
CN115294322A (zh) 水下船底可疑目标检测方法、装置、电子设备及可读介质
Zhang et al. FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery
CN112529072A (zh) 一种基于声呐图像处理的水下沉埋物识别与定位方法
CN111444777A (zh) 一种同时标记阴影的前视声呐目标检测标记方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication