CN109214331A - 一种基于图像频谱的交通雾霾能见度检测方法 - Google Patents
一种基于图像频谱的交通雾霾能见度检测方法 Download PDFInfo
- Publication number
- CN109214331A CN109214331A CN201811002540.8A CN201811002540A CN109214331A CN 109214331 A CN109214331 A CN 109214331A CN 201811002540 A CN201811002540 A CN 201811002540A CN 109214331 A CN109214331 A CN 109214331A
- Authority
- CN
- China
- Prior art keywords
- haze
- picture
- visibility
- frequency
- low
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于图像频谱的交通雾霾能见度检测方法。其实现步骤主要是:(1)采集不同场景下不同能见度的高速公路雾霾能见度图片,用以建立图片库。(2)以高速公路车道线为标识物建立坐标,用以测量雾霾图片能见度;(3)对图片做余弦变换,来提取图片的高频、低频信息,作为特征;(4)将所提取特征输入深度神经网络进行训练;并应用于实测。本发明采用高低频信息作为神经网络输入特征,提高了检测精度;同时采用深度神经网络模型,对大数据集进行处理提供了便利条件。
Description
技术领域
本发明涉及计算机图像处理领域,涉及一种基于计算机图像中图像频谱处理的高速公路雾霾能见度检测方法。
背景技术
能见度是人眼对于大气透明度的主观感受,目前常用的检测方法有两大类:一类是传统的能见度检测法,主要是能见度仪;另一类是基于视频图像的能见度检测法,本发明重点研究的是后者。目前视频探头的广泛分布,为本发明的研究奠定了硬件基础。以江苏为例,从2013年5月13日起,江苏省高速公路全面开启高清探头和视频,比如宁连高速平均1.5km铺设监控摄像头,重点区域1km间隔铺设,这些采集终端能够实时获取路网交通视频数据。
在雾霾天气下,低能见度可能会对交通安全造成潜在威胁。当能见度低于200米时,交通事故发生频率将大大增长。降低交通事故发生频率的一种有效的方法就是对道路能见度进行预估,并采取有效的方式人为干预。能见度估计可以追溯到20世纪20年代。1924年,Koschmieder提出了大气能见度公式,奠定了大气能见度估计经典理论的基础。1949年,Steffens提出了一项探索性的研究,并开发了一种用于雾霾视觉范围估计的照相测量方法。受限于摄影技术,基于视觉的能见度估计数年内没有太大进展。1969年,贝尔实验室验证了生产电荷耦合器件的可能性,飞兆半导体公司也于1973年开发了电荷耦合器件图像传感器。随着半导体和计算机技术的快速发展,数字视频的分辨率得到了极大的提高,为基于视觉的能见度估计提供了更多的可能性。1997年Pomerleau,1998年Busch和Debes,2006年Hautiere、Labayrade等进行了一些基于计算机视觉的能见度估计方法的启发式研究。1997年,Pomerleau基于追踪车辆前方车道特征,实现大气能见度的估计,并测量了道路特征的对比度衰减。1998年,Busch和Debes基于B样条小波分析了交通监控视频帧来进行大气能见度估计。2006年,Hautiere、Labayrade等提出了基于局部对比度的方法和基于车辆环境深度图的方法,通过结合这两种方法估计白天和夜晚的能见度。2006年,Hautiere、Tarel等经过严格的数学推导,通过道路亮度曲线的拐点估计道路能见度,这为基于视觉的方法在实际应用中铺平了道路。大气能见度的估算公式也可用于高清监控视频的主观能见度检测。2009年,Bronte提出了另一种基于道路亮度曲线的方法,并通过相机投影方程计算可见距离。2009年,Liaw等建立了亮度变化与雾霾能见度之间的关系。2013年,Lenor、Jahne和Weber基于辐射传递理论,引入了更复杂的模型,描述了道路亮度曲线的拐点和消光系数之间的关系,并考虑了将垂直视觉应用于能见度估计。2013年,Negru和Nedevschi对Hautiere的框架进行了优化。通过估计道路亮度曲线的水平线和拐点来获得消光系数和大气能见度。2014年,Lenor,Martini和Jahne基于道路亮度曲线和图像中的目标轨迹提出了估计大气能见度的方法,并且引入了得出消光系数的似然目标函数。大气能见度的估算方法主要受一些相机参数和感兴趣区域(ROI)估计的控制。2016年,Guo、Peng和Tang可以基于感兴趣区域(ROI)来提取测量折射点。
然而这么长一大段发展历程至今,现有的该些交通能见度估计方法的实际效果无法满足人们对技术应用的需求,尤其在检测精度差和对大数据集处理难度大等方面。
发明内容
为克服现有技术的不足,本发明的目的旨在提出了一种基于图像频谱的高速公路雾霾能见度检测方法,可以解决针对大数据集的检测并提高精度的问题。
为了实现上述目的,本发明的技术解决方案为:一种基于图像频谱的交通雾霾能见度检测方法,主要包括以下步骤:
步骤一训练阶段:
数据库建立,根据高速公路雾霾图片分场景建立雾霾图片库,并将相同场景下的晴朗天气图片建立晴朗图片库;
能见度提取,以高速公路车道线作为标识物,建立相应的坐标,提取雾霾图片能见度数值;
能见度分级,根据提取的能见度数值,将雾霾图片分为0-50米,50-100米,100-150米,150-200米,200-300米,300-600米六个等级;
高频、低频特征提取,在各个场景下分别将雾霾图片和晴朗图片做余弦变换,余弦变换后左上角是低频信息,右下角是高频信息,并求得高频、低频相对值;
深度神经网络训练,将得到的高频、低频特征输入深度神经网络进行训练;
步骤二测试阶段:根据某一场景的雾霾图片建立测试集,用经训练的所述深度神经网络对输入的雾霾图片进行能见度分类。
进一步地,上述检测方法步骤一中数据库建立的过程:基于高速公路视频资料,在不同场景下雾霾天气和晴朗天气采集的,以一分钟为间隔截取图片,并以图片关联对应每一分钟内雾霾能见度,将采集到的图片建立数据集。
进一步地,上述检测方法步骤一中所述余弦变换公式为:
其中,f(x,y)是二维图像函数,F(u,v)为图像余弦变换后函数。N一般取8,
当u,v=0时,其他情况
进一步地,上述检测方法步骤一中求得高频、低频相对值指的是:对每个场景晴朗天气的高频信息求平均值得到晴朗天气的高频相对值,对每个场景晴朗天气的低频信息求平均值得到晴朗天气的低频相对值,对应各个场景,用雾霾图片的高频信息除以晴朗图片的高频信息得到高频相对值,用雾霾图片的低频信息除以晴朗图片的低频信息得到低频相对值。
进一步地,上述检测方法步骤一中所述深度神经网络的训练前,先将所输入的高频、低频特征按公式做归一化处理。
其中Xnorm是归一化后训练样本。Xmax、Xmin是高频、低频信息的最大值和最小值。
进一步地,上述检测方法步骤一中所述深度神经网络:
模型:三层BP神经网络,输入层作为第0层;
模型学习次数为600,误差为0.01;
网络传输及训练过程:信号的前向传播阶段,从输入层到隐含层,再到达输出层;信号误差的反向传播阶段,从输出层到隐含层,最后到输入层,瞬次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
更进一步地,上述检测方法设所述深度神经网络的输入层节点数为3,有两层隐含层,神经元个数均为8,输出层节点数为6,记高频、低频特征为x1,x2,图片等级信息为y,得训练样本集(x1,x2,y);且所述深度神经网络具有参数(W,b)=(W[1],W[2],W[3],b[1],b[2],b[3]),输入向量X=(x1,x2),用表示第l层第i个单元输入加权和,表示第l层第i个单元输出值,则g(z)为激活函数
则信号的前向传播阶段步骤为:
z[1]=W[1]X+b[1],
a[1]=g(z[1]),
z[2]=W[2]a[1]+b[2],
a[2]=g(z[2]),
z[3]=W[3]a[2]+b[3],
a[3]=g(z[3]),
a[3]为输出向量,记为
信号误差的反向传播阶段为前向传播阶段过程的逆转,并用以更新权值W和偏置b。
进一步地,上述检测方法步骤一深度神经网络的输出用矩阵方式进行输出,构造n*6的矩阵;其中n为训练样本数,矩阵的每一行为一个样本的输出,在训练阶段以每一行的最大值为所在列记为预测的等级。
与现有技术相比,本发明具有突出的实质性特点和显著的进步性,表现为:采用高低频信息作为神经网络输入特征,提高了检测精度;同时采用深度神经网络模型,对大数据集进行处理提供了便利条件。
附图说明
图1为本发明实施方式示意图。
图2为本发明效果示意图。
具体实施方式
下面结合说明书附图对本发明创造作进一步详细的说明。
本发明创作者在深入研究前人对能见度图像处理方面的已有开拓和现实存在问题的基础上,创新提出了一种基于图像频谱的交通雾霾能见度检测方法,以谋求解决针对大数据集的检测并提高精度的问题。从主要包括以下概述性步骤:
步骤一训练阶段:
数据库建立,根据高速公路雾霾图片分场景建立雾霾图片库,并将相同场景下的晴朗天气图片建立晴朗图片库;
能见度提取,以高速公路车道线作为标识物,建立相应的坐标,提取雾霾图片能见度数值;
能见度分级,根据提取的能见度数值,将雾霾图片分为0-50米,50-100米,100-150米,150-200米,200-300米,300-600米六个等级;
高频、低频特征提取,在各个场景下分别将雾霾图片和晴朗图片做余弦变换,余弦变换后左上角是低频信息,右下角是高频信息,并求得高频、低频相对值;
深度神经网络训练,将得到的高频、低频特征输入深度神经网络进行训练;
步骤二测试阶段:根据某一场景的雾霾图片建立测试集,用经训练的所述深度神经网络对输入的雾霾图片进行能见度分类。
从具体的流程和实例来看,如图1所示,本发明的具体步骤如下:
1、训练阶段:
(1)数据库建立,采集的高速公路能见度图片,是基于不同场景下雾霾天气的视频资料,并针对每个场景采集相应的晴朗天气视频资料。根据采集的视频资料,每隔一分钟提取一张图片,用该图片代表这一分钟内的雾霾能见度,将采集到的图片建立数据集。根据高速公路雾霾图片分场景建立雾霾图片库,并将相同场景下的晴朗天气图片建立晴朗图片库;
(2)能见度提取,以高速公路车道线作为标识物,建立相应的坐标,提取雾霾图片能见度数值;
(3)能见度分级,根据提取的能见度数值,将雾霾图片分为0-50米,50-100米,100-150米,150-200米,200-300米,300-600米六个等级;
(4)高频、低频特征提取,在不同的场景下分别将雾霾图片和晴朗图片做余弦变换,余弦变换公式如下:
其中,f(x,y)是二维图像函数,F(u,v)为图像余弦变换后函数。N一般取8。
当u,v=0时,其他情况然后经过余弦变换得到的图片左上角为低频信息,右下角为高频信息。
对每个场景的晴朗天气求平均值得到晴朗天气的高频、低频。对雾霾图片的高低频信息求得高频、低频相对值。计算公式如下:
高频相对值=雾霾高频/晴朗高频,
低频相对值=雾霾低频/晴朗低频。
(5)深度神经网络训练,将得到的高频、低频特征输入深度神经网络进行训练。该深度神经网络训练过程,先将数据归一化处理,归一化公式如下:
其中Xnorm是归一化后训练样本。Xmax、Xmin是高频、低频信息的最大值和最小值。
所用深度神经网络模型如下所述。采用三层BP神经网络(输入层作为第0层),该深度神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层到隐含层,在到达输出层。第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,然后依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
设该深度神经网络的输入层节点数为3,有两层隐含层,神经元个数均为8,输出层节点数为6。记高频、低频信息特征为x1,x2,图片等级信息为y。即有训练样本集(x1,x2,y)。该深度神经网络具有参数(W,b)=(W[1],W[2],W[3],b[1],b[2],b[3])。输入向量X=(x1,x2)。用表示第l层第i个单元输入加权和,表示第l层第i个单元输出值,则其中g(z)为激活函数:
所以,该深度神经网络第一阶段步骤如下:
z[1]=W[1]X+b[1],
a[1]=g(z[1]),
z[2]=W[2]a[1]+b[2],
a[2]=g(z[2]),
z[3]=W[3]a[2]+b[3],
a[3]=g(z[3]) (4)。
a[3]即为输出向量,记为第二阶段的反向传播过程就是上述过程的逆转,用以更新权值W和偏置b。设定该深度神经网络模型学习次数为600,误差为0.01。
2、测试阶段:根据某一场景的雾霾图片建立测试集,用上述检测系统对输入的雾霾能见度图片进行检测并进行分类,如图2所示。
深度神经网络的输出用矩阵方式进行输出,构造n*6的矩阵(n为训练样本数),矩阵的每一行即为一个样本的输出。等级1记为[1,0,0,0,0,0],等级2记为[0,1,0,0,0,0]以此类推。从而在训练阶段以每一行的最大值为所在列记为预测的等级。
综上结合图示的实施例详细介绍可见,本发明较之于传统检测方法具有显著的进步性,表现为:该检测方法采用高低频信息作为神经网络输入特征,提高了检测精度;同时采用深度神经网络模型,对大数据集进行处理提供了便利条件。
以上详细描述了本发明的优选实施方式,但是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内进行修改或者等同变换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像频谱的交通雾霾能见度检测方法,主要包括以下步骤:
步骤一训练阶段:
数据库建立,根据高速公路雾霾图片分场景建立雾霾图片库,并将相同场景下的晴朗天气图片建立晴朗图片库;
能见度提取,以高速公路车道线作为标识物,建立相应的坐标,提取雾霾图片能见度数值;
能见度分级,根据提取的能见度数值,将雾霾图片分为0-50米,50-100米,100-150米,150-200米,200-300米,300-600米六个等级;
高频、低频特征提取,在各个场景下分别将雾霾图片和晴朗图片做余弦变换,余弦变换后左上角是低频信息,右下角是高频信息,并求得高频、低频相对值;
深度神经网络训练,将得到的高频、低频特征输入深度神经网络进行训练;
步骤二测试阶段:根据某一场景的雾霾图片建立测试集,用经训练的所述深度神经网络对输入的雾霾图片进行能见度分类。
2.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于步骤一中数据库建立的过程:基于高速公路视频资料,在不同场景下雾霾天气和晴朗天气采集的,以一分钟为间隔截取图片,并以图片关联对应每一分钟内雾霾能见度,将采集到的图片建立数据集。
3.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于步骤一中所述余弦变换公式为:
其中,f(x,y)是二维图像函数,F(u,v)为图像余弦变换后函数。N取8,
当u,v=0时,其他情况
4.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于步骤一中求得高频、低频相对值指的是:对每个场景晴朗天气的高频信息求平均值得到晴朗天气的高频相对值,对每个场景晴朗天气的低频信息求平均值得到晴朗天气的低频相对值,对应各个场景,用雾霾图片的高频信息除以晴朗图片的高频信息得到高频相对值,用雾霾图片的低频信息除以晴朗图片的低频信息得到低频相对值。
5.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于步骤一中所述深度神经网络的训练前,先将所输入的高频、低频特征按公式做归一化处理,其中Xnorm是归一化后训练样本。Xmax、Xmin是高频、低频信息的最大值和最小值。
6.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于步骤一中所述深度神经网络:
模型:三层BP神经网络,输入层作为第0层;
模型学习次数为600,误差为0.01;
网络传输及训练过程:信号的前向传播阶段,从输入层到隐含层,再到达输出层;信号误差的反向传播阶段,从输出层到隐含层,最后到输入层,瞬次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
7.根据权利要求6所述基于图像频谱的交通雾霾能见度检测方法,其特征在于:设所述深度神经网络的输入层节点数为3,有两层隐含层,神经元个数均为8,输出层节点数为6,记高频、低频特征为x1,x2,图片等级信息为y,得训练样本集(x1,x2,y);且所述深度神经网络具有参数(W,b)=(W[1],W[2],W[3],b[1],b[2],b[3]),输入向量X=(x1,x2),用表示第l层第i个单元输入加权和,表示第l层第i个单元输出值,则g(z)为激活函数
则信号的前向传播阶段步骤为:
z[1]=W[1]X+b[1],
a[1]=g(z[1]),
z[2]=W[2]a[1]+b[2],
a[2]=g(z[2]),
z[3]=W[3]a[2]+b[3],
a[3]=g(z[3]),
a[3]为输出向量,记为
信号误差的反向传播阶段为前向传播阶段过程的逆转,并用以更新权值W和偏置b。
8.根据权利要求1所述基于图像频谱的交通雾霾能见度检测方法,其特征在于:步骤一深度神经网络的输出用矩阵方式进行输出,构造n*6的矩阵;其中n为训练样本数,矩阵的每一行为一个样本的输出,在训练阶段以每一行的最大值为所在列记为预测的等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002540.8A CN109214331B (zh) | 2018-08-30 | 2018-08-30 | 一种基于图像频谱的交通雾霾能见度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002540.8A CN109214331B (zh) | 2018-08-30 | 2018-08-30 | 一种基于图像频谱的交通雾霾能见度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214331A true CN109214331A (zh) | 2019-01-15 |
CN109214331B CN109214331B (zh) | 2022-03-15 |
Family
ID=64986904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811002540.8A Active CN109214331B (zh) | 2018-08-30 | 2018-08-30 | 一种基于图像频谱的交通雾霾能见度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214331B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
CN111274911A (zh) * | 2020-01-17 | 2020-06-12 | 河海大学 | 基于无线微波衰减特征迁移学习的浓雾监测方法 |
CN112014393A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
CN107402947A (zh) * | 2017-03-29 | 2017-11-28 | 北京粉笔未来科技有限公司 | 图片检索模型建立方法和装置、图片检索方法和装置 |
-
2018
- 2018-08-30 CN CN201811002540.8A patent/CN109214331B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN107402947A (zh) * | 2017-03-29 | 2017-11-28 | 北京粉笔未来科技有限公司 | 图片检索模型建立方法和装置、图片检索方法和装置 |
CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
CN111274911A (zh) * | 2020-01-17 | 2020-06-12 | 河海大学 | 基于无线微波衰减特征迁移学习的浓雾监测方法 |
CN111274911B (zh) * | 2020-01-17 | 2020-12-01 | 河海大学 | 基于无线微波衰减特征迁移学习的浓雾监测方法 |
CN112014393A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
CN112014393B (zh) * | 2020-08-26 | 2023-12-19 | 大连信维科技有限公司 | 一种基于目标视觉效果的介质能见度识别方法 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
CN114627382B (zh) * | 2022-05-11 | 2022-07-22 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109214331B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209810B (zh) | 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 | |
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
CN105931220B (zh) | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 | |
CN109214331A (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN110263706A (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
CN109948471B (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN104700381A (zh) | 一种基于显著目标的红外与可见光图像融合方法 | |
CN109583321A (zh) | 一种基于深度学习的结构化道路中小物体的检测方法 | |
CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
Liu et al. | Deep multi-level fusion network for multi-source image pixel-wise classification | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
CN105469111A (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
Wang et al. | Object-oriented change detection approach for high-resolution remote sensing images based on multiscale fusion | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 |
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 |