CN109308702A - 一种目标实时识别定位方法 - Google Patents
一种目标实时识别定位方法 Download PDFInfo
- Publication number
- CN109308702A CN109308702A CN201811079650.4A CN201811079650A CN109308702A CN 109308702 A CN109308702 A CN 109308702A CN 201811079650 A CN201811079650 A CN 201811079650A CN 109308702 A CN109308702 A CN 109308702A
- Authority
- CN
- China
- Prior art keywords
- image
- imaging system
- spectral information
- main control
- control chip
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种目标实时识别定位方法,包括如下步骤:通过多光谱成像系统获取目标区域的光谱图像;提取所述光谱图像的光谱信息,并导入至所述成像系统的光谱信息数据库进行数据匹配;若所述光谱信息数据库中匹配到对应的光谱信息,所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标,并根据所述位置坐标,所述主控芯片控制所述多光谱成像系统进行目标区域的全方位摄像扫描,获得可见光图像和红外图像,并进行图像融合处理;最后,将所述融合后的图像进行非均匀校正;本发明方法简单易操作,采用FPGA作为成像系统的主控芯片,算法精确,能够较快速对待识别目标进行实时识别。
Description
技术领域
本发明涉及目标识别技术领域,尤其涉及一种基于图像融合的目标实时识别定位方法。
背景技术
现有的公共场合多应用闭路视频监控系统对待识别目标进行事后监控,如对丢失儿童的找寻、嫌疑犯的识别,而缺乏对待识别目标的实时识别、定位与跟踪;目前,多光谱相机作为图像识别的主流技术之一,已存有将多光谱相机应用于公共场合配合闭路视频监控系统进行目标识别,然而,基于多光谱相机成像的图像清晰度不高,凸显程度一致,可识别性不强,容易造成系统误判,无法快速准确对待识别目标进行实时识别,也不能较为准确地对待识别目标进行实时定位与跟踪。
发明内容
本发明的目的是提供一种目标实时识别定位方法,以解决现有技术中存在的单一的可见光图像以及单一的红外图像在清晰度、纹理以及凸显程度方面不适于目标识别的缺陷,导致无法快速准确对待识别目标进行实时识别的技术问题。
为了解决上述技术问题,本发明提供了一种目标实时识别定位方法,所述方法包括如下步骤:步骤1:通过多光谱成像系统获取目标区域的光谱图像,所述多光谱成像系统所涉及滤光片波长范围涵盖可见光波长至红外波长;步骤2:提取所述多光谱成像系统任一成像通道的光谱图像的光谱信息,将所述光谱信息导入至所述多光谱成像系统的光谱信息数据库进行数据匹配,完成初步信息筛选;步骤3:若所述光谱信息匹配失败,则所述多光谱成像系统中的主控芯片控制进行下一帧目标区域光谱图像的获取;步骤4:若所述光谱信息数据库中匹配到对应的光谱信息,所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标,并根据所述位置坐标,所述主控芯片控制所述多光谱成像系统进行目标区域的全方位摄像扫描,分别获得可见光波长及红外波长尺度下的光谱图像,并对所述可见光波长及红外波长尺度下的光谱图像进行图像融合处理;步骤5:将所述融合处理后的图像进行非均匀校正。
优选地,所述主控芯片包括FPGA,所述光谱信息在FPGA的内部RAM中进行数据匹配。
优选地,所述步骤4具体包括:步骤4.1:所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标后,确定出匹配成功的所述光谱信息的中心位置,计算出所述成像系统的成像标板与水平方向的夹角,并确定出所述成像标板与所述成像系统中的摄像模组之间的偏转角度,所述主控芯片控制所述多光谱成像系统沿着所述偏转角度进行分辨率扫描,完成目标区域的全方位摄像扫描;步骤4.2:在所述多光谱成像系统沿着所述偏转角度进行分辨率扫描时,所述主控芯片通过对可见光波长内的光谱信息识别区域以及红外波长内的光谱信息识别区域进行运动检测,确定其运动轨迹,并完成两个运动轨迹的拟合,选取尺度变换矩阵,使用该矩阵生成待融合的可见光图像以及红外图像;步骤4.3:所述主控芯片进一步控制FPGA中的图像融合处理单元对所述可见光图像以及红外图像进行亮度调节、去噪、中心配准、融合以及图像增强等操作,其中,所述图像融合处理单元包括DSP,FLASH以及尺度校正存储器;所述FPGA结合尺度校正存储器共同完成红外图像的细节提取以及轮廓提取,并完成光谱图像与红外图像之间的配准几何尺度变换,以及图像细节和轮廓融合;所述DSP连接图像编码器,并结合连接FLASH以及FPGA中的RAM,用于将经过处理的数字视频信号结合行、场同步信号合成为模拟视频信号并进行驱动以便于显示;步骤4.4:当所述主控芯片控制进行所述可见光图像以及红外图像融合时,所述图像融合处理单元对所述可见光图像以及红外图像各自分成不重叠的块,分别计算其中的信息量,将所述可见光图像以及红外图像使用高斯金字塔分成不同尺度的图像,所述FPGA在不同尺度提取细节特征,并根据所述信息量特征进行加权评估,最后采用拉普拉斯金字塔进行合成,形成新的融合图像;步骤4.5:对融合后的图像进行亮度检测,并与一标准亮度进行对比,当所述图像亮度低于所述标准亮度时,对图像亮度进行处理以达到适于测试的亮度值;步骤4.6:对融合后的图像进行图像去噪,所述图像去噪仅针对所述光谱信息识别区域进行去噪,以减少所述主控芯片的运算消耗;步骤4.7:采用自适应图像增强技术对融合后的图像进行图像增强处理;
优选地,在所述步骤5中,对所述融合处理后的图像进行非均匀校正方法,其具体包括:
步骤5.1:在所述多光谱成像系统用于目标区域成像前,分别采集所述多光谱成像系统的各个成像通道的光敏元在各温度值下的响应数据,并利用如下公式分别计算各温度段的增益系数Gij和偏置系数Qij
其中Xij(H)和Xij(L)分别是像元(i,j)在高温和低温均匀辐射背景下的响应,VH和VL分别是所述红外相机中所有像元的平均输出;
步骤5.2:所述成像系统的主控芯片将上述各温度段的增益系数Gij和偏置系数Qij实时存储至FPGA内部RAM,以备后续使用;
步骤5.3:在所述步骤4完成后,针对融合后的图像,利用融合图像的纹理和边缘特征对融合图像中的光谱信息识别区域进行深度识别;步骤5.4:依据融合图像的不同光谱信息分布,将目标光谱区域进行图像分割,形成各个特征区域;步骤5.5:基于FPGA的并行处理能力,分别对所述融合图像的各个特征区域同时进行非均匀校正;针对每一个特征区域,所述主控芯片首先计算所述特征区域中各点的平均温度,然后根据所述平均温度,从所述FPGA中的RAM中读取相应的校正参数,并根据如下公式完成非均匀校正
其中表示均匀辐照度条件下红外探测器输出的图像;
步骤5.6:校正后的融合图像采用均值滤波法对边界灰度值进行补偿。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明通过对提取的光谱信息进行初步筛选,匹配成功后主控芯片控制多光谱成像系统进行全方位成像扫描,通过对获得的可见光图像和红外图像进行图像融合处理以及非均匀校正,完成最终的目标识别,避免了单一的可见光图像以及单一的红外图像在清晰度、纹理以及凸显程度方面不适于目标识别的缺陷,使得多光谱成像系统可快速、准确地进行待识别目标的实时图像识别;
2.本发明的成像系统可以实现自适应,通过图像融合处理单元对可见光图像和红外图像进行亮度调节、去噪、融合、图像增强等处理,再对融合图像进行非均匀校正,使得融合图像分辨率进一步得到提高,从而提高了待识别目标的识别精度;
3.本发明采用FPGA作为成像系统主控芯片的核心处理单元,充分利用其并行处理能力对图像中的每一个分割区域进行非均匀校正,极大地提高了图像处理速度,使得成像系统的识别反馈更加及时。
附图说明
图1是本发明的目标实时识别定位方法的流程图;
图2是本发明的目标实时识别定位方法的图像融合处理流程图;
图3是本发明的目标实时识别定位方法的图像非均匀校正流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
实施例
如图1所示,本实施例提供了一种目标实时识别定位方法,所述方法包括如下步骤:
步骤1:通过多光谱成像系统获取目标区域的光谱图像,所述多光谱成像系统所涉及滤光片波长范围涵盖可见光波长至红外波长;
步骤2:提取所述多光谱成像系统任一成像通道的光谱图像的光谱信息,将所述光谱信息导入至所述多光谱成像系统的光谱信息数据库进行数据匹配,完成初步信息筛选;
步骤3:若所述光谱信息匹配失败,则所述多光谱成像系统中的主控芯片控制进行下一帧目标区域光谱图像的获取;
步骤4:若所述光谱信息数据库中匹配到对应的光谱信息,所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标,并根据所述位置坐标,所述主控芯片控制所述多光谱成像系统进行目标区域的全方位摄像扫描,分别获得可见光波长及红外波长尺度下的光谱图像,并对所述可见光波长及红外波长尺度下的光谱图像进行图像融合处理;
步骤5:将所述融合处理后的图像进行非均匀校正。
优选地,所述主控芯片包括FPGA,所述光谱信息在FPGA的内部RAM中进行数据匹配。
优选地,如图2所示,所述步骤4具体包括:
步骤4.1:所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标后,确定出匹配成功的所述光谱信息的中心位置,计算出所述成像系统的成像标板与水平方向的夹角,并确定出所述成像标板与所述成像系统中的摄像模组之间的偏转角度,所述主控芯片控制所述多光谱成像系统沿着所述偏转角度进行分辨率扫描,完成目标区域的全方位摄像扫描;
步骤4.2:在所述多光谱成像系统沿着所述偏转角度进行分辨率扫描时,所述主控芯片通过对可见光波长内的光谱信息识别区域以及红外波长内的光谱信息识别区域进行运动检测,确定其运动轨迹,并完成两个运动轨迹的拟合,选取尺度变换矩阵,使用该矩阵生成待融合的可见光图像以及红外图像;
步骤4.3:所述主控芯片进一步控制FPGA中的图像融合处理单元对所述可见光图像以及红外图像进行亮度调节、去噪、中心配准、融合以及图像增强等操作,其中,所述图像融合处理单元包括DSP,FLASH以及尺度校正存储器;所述FPGA结合尺度校正存储器共同完成红外图像的细节提取以及轮廓提取,并完成光谱图像与红外图像之间的配准几何尺度变换,以及图像细节和轮廓融合;所述DSP连接图像编码器,并结合连接FLASH以及FPGA中的RAM,用于将经过处理的数字视频信号结合行、场同步信号合成为模拟视频信号并进行驱动以便于显示;
步骤4.4:当所述主控芯片控制进行所述可见光图像以及红外图像融合时,所述图像融合处理单元对所述可见光图像以及红外图像各自分成不重叠的块,分别计算其中的信息量,将所述可见光图像以及红外图像使用高斯金字塔分成不同尺度的图像,所述FPGA在不同尺度提取细节特征,并根据所述信息量特征进行加权评估,最后采用拉普拉斯金字塔进行合成,形成新的融合图像;
步骤4.5:对融合后的图像进行亮度检测,并与一标准亮度进行对比,当所述图像亮度低于所述标准亮度时,对图像亮度进行处理以达到适于测试的亮度值;
步骤4.6:对融合后的图像进行图像去噪,所述图像去噪仅针对所述光谱信息识别区域进行去噪,以减少所述主控芯片的运算消耗;
步骤4.7:采用自适应图像增强技术对融合后的图像进行图像增强处理;
优选地,如图3所示,在所述步骤5中,对所述融合处理后的图像进行非均匀校正方法,其具体包括:
步骤5.1:在所述多光谱成像系统用于目标区域成像前,分别采集所述多光谱成像系统的各个成像通道的光敏元在各温度值下的响应数据,并利用如下公式分别计算各温度段的增益系数Gij和偏置系数Qij
其中Xij(H)和Xij(L)分别是像元(i,j)在高温和低温均匀辐射背景下的响应,VH和VL分别是所述红外相机中所有像元的平均输出;
步骤5.2:所述成像系统的主控芯片将上述各温度段的增益系数Gij和偏置系数Qij实时存储至FPGA内部RAM,以备后续使用;
步骤5.3:在所述步骤4完成后,针对融合后的图像,利用融合图像的纹理和边缘特征对融合图像中的光谱信息识别区域进行深度识别;
步骤5.4:依据融合图像的不同光谱信息分布,将目标光谱区域进行图像分割,形成各个特征区域;
步骤5.5:基于FPGA的并行处理能力,分别对所述融合图像的各个特征区域同时进行非均匀校正;针对每一个特征区域,所述主控芯片首先计算所述特征区域中各点的平均温度,然后根据所述平均温度,从所述FPGA中的RAM中读取相应的校正参数,并根据如下公式完成非均匀校正
其中表示均匀辐照度条件下红外探测器输出的图像;
步骤5.6:校正后的融合图像采用均值滤波法对边界灰度值进行补偿。
上述基于多光谱成像系统的目标识别方法简单易操作,采用FPGA作为成像系统的主控芯片,使得成像系统具有较高的运算效率,算法精确,能够较快速对待识别目标进行实时识别,具备简单易行、精确度较高等优点,适于普及应用。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方法可以有任何形式或修改。
Claims (4)
1.一种目标实时识别定位方法,其特征在于,所述方法包括如下步骤:
步骤1:通过多光谱成像系统获取目标区域的光谱图像,所述多光谱成像系统所涉及滤光片波长范围涵盖可见光波长至红外波长;
步骤2:提取所述多光谱成像系统任一成像通道的光谱图像的光谱信息,将所述光谱信息导入至所述多光谱成像系统的光谱信息数据库进行数据匹配,完成初步信息筛选;
步骤3:若所述光谱信息匹配失败,则所述多光谱成像系统中的主控芯片控制进行下一帧目标区域光谱图像的获取;
步骤4:若所述光谱信息数据库中匹配到对应的光谱信息,所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标,并根据所述位置坐标,所述主控芯片控制所述多光谱成像系统进行目标区域的全方位摄像扫描,分别获得可见光波长及红外波长尺度下的光谱图像,并对所述可见光波长及红外波长尺度下的光谱图像进行图像融合处理;
步骤5:将所述融合处理后的图像进行非均匀校正。
2.根据权利要求1所述的目标实时识别定位方法,其特征在于,所述主控芯片包括FPGA,所述光谱信息在FPGA的内部RAM中进行数据匹配。
3.根据权利要求2所述的目标实时识别定位方法,其特征在于,所述步骤4具体包括:
步骤4.1:所述主控芯片自动定位出所述光谱信息在光谱图像中的位置坐标后,确定出匹配成功的所述光谱信息的中心位置,计算出所述成像系统的成像标板与水平方向的夹角,并确定出所述成像标板与所述成像系统中的摄像模组之间的偏转角度,所述主控芯片控制所述多光谱成像系统沿着所述偏转角度进行分辨率扫描,完成目标区域的全方位摄像扫描;
步骤4.2:在所述多光谱成像系统沿着所述偏转角度进行分辨率扫描时,所述主控芯片通过对可见光波长内的光谱信息识别区域以及红外波长内的光谱信息识别区域进行运动检测,确定其运动轨迹,并完成两个运动轨迹的拟合,选取尺度变换矩阵,使用该矩阵生成待融合的可见光图像以及红外图像;
步骤4.3:所述主控芯片进一步控制FPGA中的图像融合处理单元对所述可见光图像以及红外图像进行亮度调节、去噪、中心配准、融合以及图像增强等操作,其中,所述图像融合处理单元包括DSP,FLASH以及尺度校正存储器;所述FPGA结合尺度校正存储器共同完成红外图像的细节提取以及轮廓提取,并完成光谱图像与红外图像之间的配准几何尺度变换,以及图像细节和轮廓融合;所述DSP连接图像编码器,并结合连接FLASH以及FPGA中的RAM,用于将经过处理的数字视频信号结合行、场同步信号合成为模拟视频信号并进行驱动以便于显示;
步骤4.4:当所述主控芯片控制进行所述可见光图像以及红外图像融合时,所述图像融合处理单元对所述可见光图像以及红外图像各自分成不重叠的块,分别计算其中的信息量,将所述可见光图像以及红外图像使用高斯金字塔分成不同尺度的图像,所述FPGA在不同尺度提取细节特征,并根据所述信息量特征进行加权评估,最后采用拉普拉斯金字塔进行合成,形成新的融合图像;
步骤4.5:对融合后的图像进行亮度检测,并与一标准亮度进行对比,当所述图像亮度低于所述标准亮度时,对图像亮度进行处理以达到适于测试的亮度值;
步骤4.6:对融合后的图像进行图像去噪,所述图像去噪仅针对所述光谱信息识别区域进行去噪,以减少所述主控芯片的运算消耗;
步骤4.7:采用自适应图像增强技术对融合后的图像进行图像增强处理。
4.根据权利要求3所述的目标实时识别定位方法,其特征在于,在所述步骤5中,对所述融合处理后的图像进行非均匀校正方法,其具体包括:
步骤5.1:在所述多光谱成像系统用于目标区域成像前,分别采集所述多光谱成像系统的各个成像通道的光敏元在各温度值下的响应数据,并利用如下公式分别计算各温度段的增益系数Gij和偏置系数Qij
其中Xij(H)和Xij(L)分别是像元(i,j)在高温和低温均匀辐射背景下的响应,VH和VL分别是所述红外相机中所有像元的平均输出;
步骤5.2:所述成像系统的主控芯片将上述各温度段的增益系数Gij和偏置系数Qij实时存储至FPGA内部RAM,以备后续使用;
步骤5.3:在所述步骤4完成后,针对融合后的图像,利用融合图像的纹理和边缘特征对融合图像中的光谱信息识别区域进行深度识别;
步骤5.4:依据融合图像的不同光谱信息分布,将目标光谱区域进行图像分割,形成各个特征区域;
步骤5.5:基于FPGA的并行处理能力,分别对所述融合图像的各个特征区域同时进行非均匀校正;针对每一个特征区域,所述主控芯片首先计算所述特征区域中各点的平均温度,然后根据所述平均温度,从所述FPGA中的RAM中读取相应的校正参数,并根据如下公式完成非均匀校正
其中表示均匀辐照度条件下红外探测器输出的图像;
步骤5.6:校正后的融合图像采用均值滤波法对边界灰度值进行补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811079650.4A CN109308702A (zh) | 2018-09-14 | 2018-09-14 | 一种目标实时识别定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811079650.4A CN109308702A (zh) | 2018-09-14 | 2018-09-14 | 一种目标实时识别定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308702A true CN109308702A (zh) | 2019-02-05 |
Family
ID=65224640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811079650.4A Pending CN109308702A (zh) | 2018-09-14 | 2018-09-14 | 一种目标实时识别定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308702A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210292A (zh) * | 2019-04-23 | 2019-09-06 | 江西理工大学 | 一种基于深度学习的目标识别方法 |
CN110216082A (zh) * | 2019-05-23 | 2019-09-10 | 上海交通大学 | 荧光标记种子动态识别方法和系统 |
CN111839368A (zh) * | 2020-07-31 | 2020-10-30 | 北京亿联尚美科技有限公司 | 一种集自动拖、扫和洗功能于一体的扫地机 |
CN111924101A (zh) * | 2020-08-31 | 2020-11-13 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
CN112241668A (zh) * | 2019-07-18 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备 |
CN112308919A (zh) * | 2020-10-28 | 2021-02-02 | 北京半导体专用设备研究所(中国电子科技集团公司第四十五研究所) | 芯片在夹具中的装夹位置的校正方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101214851A (zh) * | 2008-01-10 | 2008-07-09 | 黄席樾 | 船舶行驶智能型全天候主动安全预警系统及其预警方法 |
CN203135930U (zh) * | 2013-02-05 | 2013-08-14 | 四川省电力公司资阳公司 | 一种变电站双视在线监测智能预警系统 |
CN103292909A (zh) * | 2013-03-22 | 2013-09-11 | 珠海一多监测科技有限公司 | 单窗口双通道视频监控系统 |
CN103390281A (zh) * | 2013-07-29 | 2013-11-13 | 西安科技大学 | 一种双光谱夜视仪车载系统及双光谱融合设计方法 |
US9129181B1 (en) * | 2011-03-03 | 2015-09-08 | Vaidhi Nathan | Object detection, location, and/or tracking with camera and lighting system |
CN105865723A (zh) * | 2016-05-25 | 2016-08-17 | 山东中安科创光电科技有限公司 | 气体泄漏检测非均匀校正方法及气体泄漏检测装置 |
CN106441804A (zh) * | 2015-08-04 | 2017-02-22 | 宁波舜宇光电信息有限公司 | 解像力测试方法 |
CN106580294A (zh) * | 2016-12-30 | 2017-04-26 | 上海交通大学 | 基于多模态成像技术的生理信号远程监控系统及应用 |
-
2018
- 2018-09-14 CN CN201811079650.4A patent/CN109308702A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101214851A (zh) * | 2008-01-10 | 2008-07-09 | 黄席樾 | 船舶行驶智能型全天候主动安全预警系统及其预警方法 |
US9129181B1 (en) * | 2011-03-03 | 2015-09-08 | Vaidhi Nathan | Object detection, location, and/or tracking with camera and lighting system |
CN203135930U (zh) * | 2013-02-05 | 2013-08-14 | 四川省电力公司资阳公司 | 一种变电站双视在线监测智能预警系统 |
CN103292909A (zh) * | 2013-03-22 | 2013-09-11 | 珠海一多监测科技有限公司 | 单窗口双通道视频监控系统 |
CN103390281A (zh) * | 2013-07-29 | 2013-11-13 | 西安科技大学 | 一种双光谱夜视仪车载系统及双光谱融合设计方法 |
CN106441804A (zh) * | 2015-08-04 | 2017-02-22 | 宁波舜宇光电信息有限公司 | 解像力测试方法 |
CN105865723A (zh) * | 2016-05-25 | 2016-08-17 | 山东中安科创光电科技有限公司 | 气体泄漏检测非均匀校正方法及气体泄漏检测装置 |
CN106580294A (zh) * | 2016-12-30 | 2017-04-26 | 上海交通大学 | 基于多模态成像技术的生理信号远程监控系统及应用 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210292A (zh) * | 2019-04-23 | 2019-09-06 | 江西理工大学 | 一种基于深度学习的目标识别方法 |
CN110216082A (zh) * | 2019-05-23 | 2019-09-10 | 上海交通大学 | 荧光标记种子动态识别方法和系统 |
CN112241668A (zh) * | 2019-07-18 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备 |
CN112241668B (zh) * | 2019-07-18 | 2024-06-28 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备 |
CN111839368A (zh) * | 2020-07-31 | 2020-10-30 | 北京亿联尚美科技有限公司 | 一种集自动拖、扫和洗功能于一体的扫地机 |
CN111924101A (zh) * | 2020-08-31 | 2020-11-13 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
CN111924101B (zh) * | 2020-08-31 | 2024-04-09 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
CN112308919A (zh) * | 2020-10-28 | 2021-02-02 | 北京半导体专用设备研究所(中国电子科技集团公司第四十五研究所) | 芯片在夹具中的装夹位置的校正方法和装置 |
CN112308919B (zh) * | 2020-10-28 | 2024-04-09 | 北京半导体专用设备研究所(中国电子科技集团公司第四十五研究所) | 芯片在夹具中的装夹位置的校正方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308702A (zh) | 一种目标实时识别定位方法 | |
Zhang et al. | GAN-FM: Infrared and visible image fusion using GAN with full-scale skip connection and dual Markovian discriminators | |
CN110210292A (zh) | 一种基于深度学习的目标识别方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN107798652A (zh) | 图像处理方法、装置、可读存储介质和电子设备 | |
CN107800965B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN107239748A (zh) | 基于棋盘格标定技术的机器人目标识别与定位方法 | |
CN109270853A (zh) | 一种智能生态水资源管理系统的工作方法 | |
CN109685078A (zh) | 基于自动标注的红外图像识别方法 | |
CN114973028B (zh) | 一种航拍视频图像实时变化检测方法及系统 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN111739031A (zh) | 一种基于深度信息的作物冠层分割方法 | |
CN109886883A (zh) | 实时偏振透雾成像图像增强处理方法 | |
CN111967288A (zh) | 智能三维物体识别和定位系统和方法 | |
CN109886195A (zh) | 基于深度相机近红外单色灰度图的皮肤识别方法 | |
CN107833223B (zh) | 一种基于光谱信息的水果高光谱图像分割方法 | |
Kurmi et al. | Pose error reduction for focus enhancement in thermal synthetic aperture visualization | |
US20190253592A1 (en) | Imaging device with white balance compensation and related systems and methods | |
CN105139432B (zh) | 基于高斯模型的红外弱小目标图像仿真方法 | |
CN111881924B (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
CN112529987B (zh) | 一种手机终端红外图像和可见光图像融合方法及系统 | |
CN109319619A (zh) | 一种电梯智能监控系统的工作方法 | |
CN109345541A (zh) | 一种智能监控系统的工作方法 | |
CN109191454A (zh) | 一种电力监控系统的工作方法 | |
Yu et al. | A hybrid color matching between stereo image sequences |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |