CN109061569A - 一种时空信息融合的目标检测方法及系统 - Google Patents
一种时空信息融合的目标检测方法及系统 Download PDFInfo
- Publication number
- CN109061569A CN109061569A CN201810878519.8A CN201810878519A CN109061569A CN 109061569 A CN109061569 A CN 109061569A CN 201810878519 A CN201810878519 A CN 201810878519A CN 109061569 A CN109061569 A CN 109061569A
- Authority
- CN
- China
- Prior art keywords
- evidence
- spatial
- information fusion
- column
- fusion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Complex Calculations (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种时空信息融合的目标检测方法及系统,属于信号处理技术领域。本发明在对输出证据进行融合前,先对各输出证据进行筛选,根据各输出证据之间的相关性,剔除分类效果差或证据相关度差的证据,阻挡了失效或不理想的分类结果进入融合过程,增强了输出证据对正确目标的支持程度,相对地降低了对其他目标的支持度。本发明一方面减少了计算量,提高了效率;另一方面加速了融合结果向着假设集聚集,减轻了由于个别基本概率赋值函数的不理想影响对待识别目标的输出证据,降低了误判或漏判的风险,提高了识别准确率。
Description
技术领域
本发明涉及一种时空信息融合的目标检测方法及系统,属于信号处理技术领域。
背景技术
Dempster-Shafer(DS)证据理论具有较强的理论基础,既能处理随机性导致的不确定性,又能处理模糊性导致的不确定性,并且可以实现决策层的属性融合,运算量较低,能够很好的应用到时空信息融合过程中。递归集中式时空模型属于典型的信息融合模型,该模型对包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型六种分类器的输出证据直接进行融合(融合框图如图1所示)。在该系统中,k时刻由6个分类器测得的目标识别信息与k-1时刻的目标识别信息m(k-1)组合以得到在k时刻总的目标识别融合信息。例如,2011年1月出版的《信号处理》上公开一篇名称为《基于DS理论的混合式时空域信息融合模型》的文章,该文章介绍了递归集中式数据融合过程,该过程也是将k-1时刻的集中式累计目标识别信息与k时刻由M个传感器测的的目标识别信息相组合,以得到k时刻总的目标识别融合信息。
在上递归集中式时空信息融合模型中,融合实时性好,且由于使用了整个系统的时空积累信息,因而它能得到比无反馈的结构更好的性能。但同时,该模型存在两个风险:1)计算量大,DS证据理论在计算上存在着潜在的指数爆炸风险,随着组合的证据增多而风险增加;2)可靠性较低,Dempster组合规则自身的组合灵敏性,导致基本概率赋值一个很小的变化都可能导致结果很大的变化。
发明内容
本发明的目的是提供一种时空信息融合的目标检测方法及系统,以解决目前时空信息融合目标检测过程中没有对证据筛选导致计算量大、可靠性低的问题。
本发明为解决上述技术问题而提供一种时空信息融合的目标检测方法,该信息融合方法包括以下步骤:
1)从待识别目标接收信号中提取设定个数的个体特征,并将各个体特征输入相应分类器得到输出证据,所述个体特征至少包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型中任意三个;
2)分别计算各证据的基本概率赋值函数,根据各证据的基本概率赋值函数计算各证据之间的相关系数,判断各证据的相关系数是否满足设定条件;
3)利用DS证据理论对满足设定条件的证据进行信息融合,确定待识别目标。
本发明在对输出证据进行融合前,先对各输出证据进行筛选,根据各输出证据之间的相关性,剔除分类效果差或证据相关度差的证据,阻挡了失效或不理想的分类结果进入融合过程,增强了输出证据对正确目标的支持程度,相对地降低了对其他目标的支持度。本发明一方面减少了计算量,提高了效率;另一方面加速了融合结果向着假设集聚集,减轻了由于个别基本概率赋值函数的不理想影响对待识别目标的输出证据,降低了误判或漏判的风险,提高了识别准确率。
进一步地,本发明为了实现对证据的筛选,阻挡对融合结果不利的证据进行融合进程,剔除分类效果差或证据相关度差的证据,增强输出证据对正确目标的支持程度,给出了具体的筛选标准,所述步骤2)中的设定条件为:
α=find(sum(ρ-eye(M,M))>ε*M)
其中ρ为各证据的基本概率矩阵列与列之间的相关系数矩阵;ε为相关系数门限;eye(M,M)为产生M行M列的单位矩阵,M为证据的个数;sum(·)的作用为按列相加,函数find(·)的条件若满足即返回1,否则返回0;mi为第i个证据的基本概率;α为判据向量,若为0,则说明对应的证据不符合要求,不再参与数据融合。
进一步地,为了在证据之间存在较大冲突时,避免融合后会得到与事实不符的结论,所述步骤3)在利用DS证据理论对证据进行融合时,将支持各证据冲突的概率按各命题的平均支持程度加权分配。
本发明还提供了一种时空信息融合的目标检测系统,该检测系统包括存储器和处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现以下步骤:
1)从待识别目标接收信号中提取设定个数的个体特征,并将各个体特征输入相应分类器得到输出证据,所述个体特征至少包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型中任意三个;
2)分别计算各证据的基本概率赋值函数,根据各证据的基本概率赋值函数计算各证据之间的相关系数,判断各证据的相关系数是否满足设定条件;
3)利用DS证据理论对满足设定条件的证据进行信息融合,确定待识别目标。
进一步地,所述步骤2)中的设定条件为:
α=find(sum(ρ-eye(M,M))>ε*M)
其中ρ为各证据的基本概率矩阵列与列之间的相关系数矩阵;ε为相关系数门限;eye(M,M)为产生M行M列的单位矩阵,M为证据的个数;sum(·)的作用为按列相加,函数find(·)的条件若满足即返回1,否则返回0;mi为第i个证据的基本概率;α为判据向量,若为0,则说明对应的证据不符合要求,不再参与数据融合。
进一步地,所述步骤3)在利用DS证据理论对证据进行融合时,将支持各证据冲突的概率按各命题的平均支持程度加权分配。
附图说明
图1是现有递归集中式时空模型的结构框图;
图2是本发明所采用的递归集中式时空模型的结构框图;
图3-a是高信噪比条件下时刻1时的单特征分类结果与递归模型融合结果对比图;
图3-b是高信噪比条件下时刻2时的单特征分类结果与递归模型融合结果对比图;
图3-c是低信噪比条件下时刻3时的单特征分类结果与递归模型融合结果对比图;
图3-d是低信噪比条件下时刻4时的单特征分类结果与递归模型融合结果对比图;
图4-a是高信噪比条件下时刻1时的传统递归模型分类结果与改进递归模型融合结果对比图;
图4-b是高信噪比条件下时刻2时的传统递归模型分类结果与改进递归模型融合结果对比图;
图4-c是低信噪比条件下时刻3时的传统递归模型分类结果与改进模型融合结果对比图;
图4-d是低信噪比条件下时刻4时的传统递归模型分类结果与改进递归模型融合结果对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。
本发明的时空信息融合的目标检测方法在现有的递归集中式时空信息融合模型的基础上,增加一个“逻辑开关”,如图2所示,该“逻辑开关”用于根据各证据的相关系数对证据进行筛选,阻挡对融合结果不利的证据进行融合进程,剔除分类效果差或证据相关度差的证据,仅保留了相关性较强的证据与k-1时刻融合信息进入融合过程。下面以雷达辐射源个体的识别为例对本发明目标检测方法的具体实施方式进行详细说明。
1.提取特征。
获取雷达辐射源的接收信号,提取该信号中的六种个体特征,包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型,各个体特征被送入相应的分类器得到输出证据。分类器算法很多,无论哪种均可适用,本实施例采用10层隐含层的BP(BackPropagation)神经网络作为分类器对数据进行处理,取数据70%作为训练,15%作为交叉验证,15%为测试,保存训练好的网络后对新输入数据进行分类。神经网络分类器的优点:1)分类准确度高、学习能力强;2)有较好的容错性,且抗噪声能力强。对本实例而言,雷达辐射源的上述六种特征得到相应的6个证据。
2.对证据进行筛选。
将6组证据送入“逻辑开关”,剔除分类效果差或证据相关度差的证据,仅保留了相关性较强的证据与k-1时刻融合信息进入融合过程。这里的“逻辑开关”并不是实际上的开关,而是根据证据基本概率赋值确定的相关系数对证据进行筛选,具体筛选过程如下。
定义辨识框架Θ包含n个目标θ1,θ2,…,θn,M个证据E1,E2,…,EM的基本概率赋值函数分别为m1,m2,…,mM。
步骤1将M组基本概率赋值函数组成矩阵Ε:
E=[m1;m2;…;mM]
步骤2计算基本概率赋值矩阵Ε列与列之间的相关系数,得到相关系数矩阵ρ:
其中,ρij为第i个证据和第j个证据之间的相关系数,i∈[1,M],j∈[1,M]。
步骤3定义相关系数门限ε,进一步处理ρ得到判决向量α:
α=find(sum(ρ-eye(M,M))>ε*M)
式中,eye(M,M)为产生M行M列的单位矩阵;函数find(·)的条件若满足即返回1,否则返回0;函数sum(·)的作用为按列相加。当α为0时,说明其对应的证据相关度差,相应的“逻辑开关”断开,阻断分类效果差的证据进行融合过程。
本发明通过设置“逻辑开关”,阻断”了分类效果差的分类器进入融合过程,一方面加速了融合结果向着假设集聚集,另一方面减轻了由于个别基本概率赋值函数的不理想对整个系统带来的影响。实际上,无论是递归集中式时空模型还是递归分布式时空模型,均可在融合前加“逻辑开关”。
3.证据融合,目标识别。
DS证据理论采用信任函数而不是概率作为度量,通过对一些事件的概率加以约束以建立信任函数而不用说明精确的难以获得的概率,因此,本发明采用DS证据理论进行融合。DS证据理论是建立在非空的辨识框架(Frame of Discernment)Θ上,Θ由待分类的所有目标个体组成,即Θ={H1,H2,...HN}。基本概率赋值(Basic Probability Assignment,BPA),在辨识框架Θ上是一个满足2Θ→[0,1]的函数m,满足
其中,使得m(A)>0的A称为焦元(Focal elements)。
对于辨识框架Θ上的有限个目标个体的基本概率赋值m1,m2,...mn的Dempster合成公式为:
式中,i∈[1,N],mn(Ain)表示第i个事件的第n个基本概率赋值。冲突因子K反映了证据间冲突的程度,当K→0时,即证据高度冲突,导致合成后会得到与事实不符的结论,如“1信任悖论”,“0信任悖论”和“信任偏移悖论”。考虑到计算的复杂度和时效性,本发明选择将支持证据冲突的概率按各命题的平均支持程度加权分配的办法对合成公式进行修正。修正后的合成公式为:
上述方法可以作为一种计算机程序,存储在时空信息融合的目标检测系统中的存储器中并可在时空信息融合的目标检测系统中的处理器上运行,该系统中的处理器可以采用单片机、FPGA、DSP、PLC或MCU等实现,存储器可以采用RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其他形式的存储介质,可以将该存储介质耦接至处理器,使处理器能够从该存储介质读取信息,或者该存储介质可以是处理器的组成部分。
实验验证
图3-a和图3-b为高信噪比条件下6种单分类器的输出与融合输出的对比情况,图3-c和图3-d为低信噪比条件下单分类器与融合结果的对比情况。可以看出,虽然个别分类器如无意调相的输出证据高于融合输出的结果,但也存在其他分类器如自回归模型和瞬时频率等失效的情况,直接导致识别错误率上升,因此,单分类器个体识别方法带来较大的误判或漏判风险。与此同时,不论是低信噪比还是高信噪比条件下,递归集中式融合模型的结果则基本稳定,特别是在个别分类器失效的情况下,依然能够提供较为理想的判决结果,降低了误判的风险,因而在一定程度上能够满足个体识别的需求。
图4-a和图4-b为高信噪比条件下本发明所采用的递归集中式时空信息融合模型与传统递归集中式时空融合模型的融合结果对比图,图4-a和图4-b为低信噪比条件下本发明所采用的递归集中式时空信息融合模型与传统递归集中式时空融合模型的融合结果对比图,可以看出,递归集中式时空信息融合模型虽然对待识别目标具有一定的支持度,但输出证据之间的差异度往往达不到判决准则的要求,从而不能很好地支持对目标个体的准确识别。
本发明所采用的递归集中式时空融合模型由于有了“逻辑开关”的存在,阻挡了对融合结果不利的证据进入融合过程,基本概率赋值进一步向待识别目标聚集,相对地降低了对其他目标个体的支持度,无论是在低信噪比还是高信噪比条件,本发明对待识别目标的输出证据均高于原递归集中式模型,有效减轻了误判或漏判的风险,提高了识别准确率。
Claims (6)
1.一种时空信息融合的目标检测方法,其特征在于,该信息融合方法包括以下步骤:
1)从待识别目标接收信号中提取设定个数的个体特征,并将各个体特征输入相应分类器得到输出证据,所述个体特征至少包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型中任意三个;
2)分别计算各证据的基本概率赋值函数,根据各证据的基本概率赋值函数计算各证据之间的相关系数,判断各证据的相关系数是否满足设定条件;
3)利用DS证据理论对满足设定条件的证据进行信息融合,确定待识别目标。
2.根据权利要求1所述的时空信息融合的目标检测方法,其特征在于,所述步骤2)中的设定条件为:
α=find(sum(ρ-eye(M,M))>ε*M)
其中ρ为各证据的基本概率矩阵列与列之间的相关系数矩阵;ε为相关系数门限;eye(M,M)为产生M行M列的单位矩阵,M为证据的个数;sum(·)的作用为按列相加,函数find(·)的条件若满足即返回1,否则返回0;mi为第i个证据的基本概率;α为判据向量,若为0,则说明对应的证据不符合要求,不再参与数据融合。
3.根据权利要求1或2所述的时空信息融合的目标检测方法,其特征在于,所述步骤3)在利用DS证据理论对证据进行融合时,将支持各证据冲突的概率按各命题的平均支持程度加权分配。
4.一种时空信息融合的目标检测系统,其特征在于,该检测系统包括存储器和处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现以下步骤:
1)从待识别目标接收信号中提取设定个数的个体特征,并将各个体特征输入相应分类器得到输出证据,所述个体特征至少包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型中任意三个;
2)分别计算各证据的基本概率赋值函数,根据各证据的基本概率赋值函数计算各证据之间的相关系数,判断各证据的相关系数是否满足设定条件;
3)利用DS证据理论对满足设定条件的证据进行信息融合,确定待识别目标。
5.根据权利要求4所述的时空信息融合的目标检测系统,其特征在于,所述步骤2)中的设定条件为:
α=find(sum(ρ-eye(M,M))>ε*M)
其中ρ为各证据的基本概率矩阵列与列之间的相关系数矩阵;ε为相关系数门限;eye(M,M)为产生M行M列的单位矩阵,M为证据的个数;sum(·)的作用为按列相加,函数find(·)的条件若满足即返回1,否则返回0;mi为第i个证据的基本概率;α为判据向量,若为0,则说明对应的证据不符合要求,不再参与数据融合。
6.根据权利要求4或5所述的时空信息融合的目标检测系统,其特征在于,所述步骤3)在利用DS证据理论对证据进行融合时,将支持各证据冲突的概率按各命题的平均支持程度加权分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878519.8A CN109061569B (zh) | 2018-08-03 | 2018-08-03 | 一种时空信息融合的目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878519.8A CN109061569B (zh) | 2018-08-03 | 2018-08-03 | 一种时空信息融合的目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109061569A true CN109061569A (zh) | 2018-12-21 |
CN109061569B CN109061569B (zh) | 2020-09-18 |
Family
ID=64833075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810878519.8A Expired - Fee Related CN109061569B (zh) | 2018-08-03 | 2018-08-03 | 一种时空信息融合的目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109061569B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633621A (zh) * | 2018-12-26 | 2019-04-16 | 杭州奥腾电子股份有限公司 | 一种车载环境感知系统数据处理方法 |
CN109886358A (zh) * | 2019-03-21 | 2019-06-14 | 上海理工大学 | 基于多时空信息融合卷积神经网络的人体行为识别方法 |
CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN113065584A (zh) * | 2021-03-22 | 2021-07-02 | 哈尔滨工程大学 | 基于区间数相似性差异构造基本概率赋值的目标分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
US8032467B1 (en) * | 2008-05-31 | 2011-10-04 | Hrl Laboratories, Llc | Valuation-based learning system |
CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
-
2018
- 2018-08-03 CN CN201810878519.8A patent/CN109061569B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8032467B1 (en) * | 2008-05-31 | 2011-10-04 | Hrl Laboratories, Llc | Valuation-based learning system |
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
Non-Patent Citations (2)
Title |
---|
WEN JIANG 等: "A Time-Space Domain Information Fusion Method for Specific Emitter Identification Based on Dempster–Shafer Evidence Theory", 《SENSORS(BASEL)》 * |
洪昭艺 等: "基于DS理论的混合式时空域信息融合模型", 《信号处理》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633621A (zh) * | 2018-12-26 | 2019-04-16 | 杭州奥腾电子股份有限公司 | 一种车载环境感知系统数据处理方法 |
CN109886358A (zh) * | 2019-03-21 | 2019-06-14 | 上海理工大学 | 基于多时空信息融合卷积神经网络的人体行为识别方法 |
CN109886358B (zh) * | 2019-03-21 | 2022-03-08 | 上海理工大学 | 基于多时空信息融合卷积神经网络的人体行为识别方法 |
CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN110632572B (zh) * | 2019-09-30 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN113065584A (zh) * | 2021-03-22 | 2021-07-02 | 哈尔滨工程大学 | 基于区间数相似性差异构造基本概率赋值的目标分类方法 |
CN113065584B (zh) * | 2021-03-22 | 2023-04-18 | 哈尔滨工程大学 | 基于区间数相似性差异构造基本概率赋值的目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109061569B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061569A (zh) | 一种时空信息融合的目标检测方法及系统 | |
CN109765559B (zh) | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 | |
US7536365B2 (en) | Hybrid architecture for acquisition, recognition, and fusion | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN109447033A (zh) | 基于yolo的车辆前方障碍物检测方法 | |
CN101887524B (zh) | 基于视频监控的行人检测方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN101847208B (zh) | 指纹与指静脉双模态识别的二级分类融合识别方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN109815886A (zh) | 一种基于改进YOLOv3的行人和车辆检测方法及系统 | |
CN109784203A (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
CN108171136A (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
CN111950515B (zh) | 一种基于语义特征金字塔网络的小人脸检测方法 | |
CN105046673B (zh) | 基于自学习的高光谱图像和可见光图像融合分类方法 | |
CN111126482A (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
CN103489005A (zh) | 一种基于多分类器融合的高分辨率遥感影像分类方法 | |
CN101290660A (zh) | 一种用于行人检测的树状组合分类方法 | |
CN110109095A (zh) | 目标特征辅助多源数据的关联方法 | |
CN105005764A (zh) | 自然场景多方向文本检测方法 | |
CN106845387A (zh) | 基于自学习的行人检测方法 | |
CN109255386A (zh) | 基于毫米波雷达和视觉融合的道路行人快速检测方法 | |
Wang et al. | Recognition in label and discrimination in feature: A hierarchically designed lightweight method for limited data in sar atr | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
Wang et al. | Open set radar HRRP recognition based on random forest and extreme value theory | |
CN106529501A (zh) | 基于加权融合与分层串行结构的指纹与指静脉图像融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200918 Termination date: 20210803 |
|
CF01 | Termination of patent right due to non-payment of annual fee |