CN109492700A - 一种基于多维信息融合的复杂背景目标识别方法 - Google Patents
一种基于多维信息融合的复杂背景目标识别方法 Download PDFInfo
- Publication number
- CN109492700A CN109492700A CN201811391142.XA CN201811391142A CN109492700A CN 109492700 A CN109492700 A CN 109492700A CN 201811391142 A CN201811391142 A CN 201811391142A CN 109492700 A CN109492700 A CN 109492700A
- Authority
- CN
- China
- Prior art keywords
- information
- fusion
- image
- target
- multidimensional
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009466 transformation Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000003760 hair shine Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多维信息融合的复杂背景目标识别方法，多传感器采集复杂背景下的信息得到异源信息，经采集信息融合、特征信息融合、决策信息融合与识别后得到目标信息值。其中决策信息融合后的结果反馈给采集信息融合模块和特征信息融合模块，及时修整各融合模块的参数，多组数据后达到最优的系统参数。本发明用检测到的多维信息进行融合，提高了目标识别的准确性与可靠性。本发明可用于生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、多媒体网络通信等领域目标精确识别与跟踪。
Description
技术领域
本发明属于目标识别技术领域，具体涉及一种基于多维信息融合的复杂背景目标识别技术。本发明是在复杂背景下，一种将多维信息融合后，进行识别或者跟踪等活动。
背景技术
目前，目标识别技术已广泛应用于生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等领域。信息融合方法主要有轨迹分裂法、高斯和法、整数规划法、多假设法、联合概率数据关联法和分散估计方法等；目标识别与分类方法主要有贝叶斯法，D-S推理法、聚类分析法、KH阶最邻近法和线性判别法等。
上述信息融合理论与方法已具有较高理论水平，但是传统的理论与算法在非平衡复杂环境下，多维目标信息融合与目标识别还不能较好的实现，其主要原因有杂波和环境的强烈随机性、目标测量的模糊性、目标机动特性的非重复性、先验信息的有限利用、有限的数据库和信息处理的复杂性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供种基于多维信息融合的复杂背景目标识别方法，利用检测到的多维信息进行融合，从而提高目标识别的准确性与可靠性。
本发明是通过下述技术方案来实现的。
一种基于多维信息融合的复杂背景目标识别方法，包括如下步骤：
1)环境信息经过多维传感器采集得到n组数据信息，经采集信息融合，即PCA变换融合法处理后，可去除冗余数据得到有效主成分数据信息；
2)经特征信息融合处理，将简单处理后的多组数据分别进行特征提取，然后采用拉普拉斯金字塔变换的方法融合信息；
3)经决策信息融合即目标识别，采用SVM分类器对数据进行处理，得到复杂背景目标识别结果。
进一步，所述步骤1)中，采集信息融合将各传感器的信号进行融合，处理不同传感器的异源信息；采用PCA变换增强多谱段目标信息，应用Laplace金字塔多尺度融合算法对多光谱信息进行融合；再利用多光谱目标特征信息以信号调制的形式，重新对采集信息进行增强处理。
进一步，采集信息融合具体包括如下步骤：
11)对所采集多维信息进行PCA变换，由X矩阵构建协方差矩阵求单位特征向量；
12)由得到的单位特征向量可推得主成分。
进一步，所述步骤2)，特征信息融合包括如下步骤：
21)提取处理后的各传感器特征信息并融合，采用拉普拉斯金字塔变换的方法融合信息；
22)在复杂变换的背景模式下，首先对各谱段图像信息提取的特征，建立各谱段目标信息模型和复杂背景模型；
23)进行拉普拉斯金字塔变换，然后对变换得到的系数进行组合，得到融合图像的变换系数；
24)进行逆变换，从而得到融合特征信息。
进一步，所述步骤22)中，特征提取算法如下：
a)将图像看做一个x,y,z灰度的三维图像；
b)采用Gamma校正法对输入图像进行颜色空间的标准化，Gamma校正处理；
c)计算图像每个像素的梯度大小及方向；捕获轮廓信息，同时根据图像在像素处的梯度大小和强度方向进一步弱化光照的干扰；
d)将图像划分成小窗口；
e)统计每个窗口的梯度直方图，即可形成每个窗口的描述；
f)将几个窗口组成一个区域，一个区域内所有窗口的特征描述串联起来便得到该区域的HOG特征描述；
g)将图像内的所有区域的HOG特征描述串联起来就可以得到该图像的HOG特征描述，即为可供分类使用的特征向量。
进一步，所述步骤2)中，采用拉普拉斯金字塔变换的方法融合信息如下：
25)多维图像相应分解层上对应局部区域能量的计算；
26)计算多维图像对应局部区域的匹配度Ml.AB(n,m)；
27)确定融合算子，定义匹配阈值T。
进一步，所述决策信息融合与目标识别是利用目标与背景不一致的特征属性，来对目标进行分割与识别；分类过程中，提取影响系统性能的各种因子，作为应SVM分类器的输入；输出为态势的评估值，寻求最优系统能效。
本发明由于采取以上技术方案，其具有以下有益效果：
1、在传统的信息融合基础上增加了信息融合的方式，提高了信息的全面性。
2、信息融合并非仅仅异源采集信息融合。它首先利用信息增强算法，调高目标与背景的对比度。其次目标、背景特征属性重塑融合调制系数，生成调制信息图像。最后应用laplace金字塔多尺度算法，重塑信息融合图像。
3、目标特征提取分为融合前信息提取和融合后信息提取。因此特征信息量更全。
4、决策信息的融合与识别用SVM分类器。此分类器具有针对性强、效率高、先验样本少等特点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：
图1为多维信息融合与目标识别流程框图；
图2为特征信息融合流程框图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，显示了整个多维信息融合与目标识别的过程，图2所示为特征信息融合。
其中A、B为两幅原始图像，F为融合后的图像，融合步骤为：
步骤1.对每一源图像分别进行Laplacian塔形分解，建立各图像的Laplciain金字塔。
步骤2.对图像金字塔的各分解层分别进行融合处理。不同的分解层采用不同的融合算子进行融合处理，最终得到融合后图像的Laplciain金字塔。
步骤3.对融合后所得的Laplciain金字塔进行逆变换，所得到的重构图像即为融合图像。
现以一个复杂背景的多维图像信息融合与目标识别为例具体说明：
步骤1：首先环境信息经过多维传感器采集得到n组数据信息，经采集信息融合，即PCA变换融合法处理后，去除随机噪声，压缩后得到(n-a)组数据信息。采集信息融合将各传感器的信号进行融合，处理不同传感器的异源信息；采用PCA变换增强多谱段目标信息，应用Laplace金字塔多尺度融合算法对多光谱信息进行融合；再利用多光谱目标特征信息以信号调制的形式，重新对采集信息进行增强处理。
采集信息融合具体包括如下步骤：
11)对所采集多维信息进行PCA变换；
即
由X矩阵构建协方差矩阵R＝(rij)p×p
求单位特征向量：
式中，X为原始数据的标准化式，xn1，xn2......xnp为标准化式数据信息，其中，n为图像数量，p为每幅图像具有的分量数；rij为协方差矩阵元素，A1，A2，......Ap为R对应的单位特征向量；
12)由得到的单位特征向量A1，A2，......Ap可推得主成分为：
Fi＝A1iX1+A2iX2+...+ApiXp
式中，Fi为主成分综合分量，A1i，A2i，...Api为单位特征向量A1，A2，......Ap的分量，X1，X2，......Xp为原始数据标准化处理的值，i＝1，2，......p。
运用此方法可有效提高目标信息，压缩无用信息。它可试图像数据更加精简高效。
步骤2：然后经特征信息融合处理，即在简单处理后的多组数据分别进行特征提取，然后采用拉普拉斯金字塔变换的方法融合信息。
特征信息融合包括如下步骤：
21)提取处理后的各传感器特征信息并融合，采用拉普拉斯金字塔变换的方法融合信息；
22)在复杂变换的背景模式下，首先对各谱段图像信息提取的特征，建立各谱段目标信息模型和复杂背景模型；
其中，特征提取算法如下：
a)将图像看做一个x,y,z灰度的三维图像；
b)采用Gamma校正法对输入图像进行颜色空间的标准化，Gamma校正处理如下：
I(x,y)＝I(x,y)gamma
式中，I(x,y)表示图像数据，gamma表示矫正系数；
c)计算图像每个像素的梯度大小及方向；捕获轮廓信息，同时根据图像在像素处的梯度大小和强度方向进一步弱化光照的干扰；
图像在像素处的梯度大小和强度方向如下：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中，H(x,y)表示图像像素值，Gx(x,y)为图像在像素(x，y)处的水平梯度，Gy(x,y)为图像在像素(x，y)处的垂直梯度；G(x,y)为图像梯度大小；α(x,y)为强度方向；
d)将图像划分成小窗口(例如6*6像素/窗口)；
e)统计每个窗口的梯度直方图(不同梯度的个数)，即可形成每个窗口的描述；
f)将几个窗口组成一个区域(例如3*3个cell/block)，一个区域内所有窗口的特征描述串联起来便得到该区域的HOG特征描述；
g)将图像内的所有区域的HOG特征描述串联起来就可以得到该图像(要检测的目标)的HOG特征描述，即为可供分类使用的特征向量。
23)进行拉普拉斯金字塔变换，然后对变换得到的系数进行组合，得到融合图像的变换系数；
24)进行逆变换，从而得到融合特征信息。
其中，采用拉普拉斯金字塔变换的方法融合信息，方法如下：
25)多维图像相应分解层上对应局部区域能量的计算如下式：
式中，El(n,m)表示Laplciain金字塔第L层上，以(n,m)为中心局部区域的能量；LPl表示Laplciain金字塔的第L层图像；ω′(n′,m′)为与Ll对应的权系数；J、K定义了融合局部区域的大小，n′,m′的变化范围在J、K内；
26)计算多维图像对应局部区域的匹配度Ml.AB(n,m)
式中，A、B分别表示两个特征匹配图像；
27)确定融合算子，定义匹配阈值T：
若Ml.AB(n,m)＜T则
若Ml.AB(n,m)≥T则
其中
式中，Ml.AB(n,m)为两幅图对应局部区域的匹配度，W表示匹配权重因子，LPl,F表示融合后aplciain金字塔的第L层图像。
运用此算法强化目标细节纹理信息，提高系统检出率。
步骤3：最后经决策信息融合即目标识别，采用SVM分类器对数据进行处理，得到最后的结果。决策信息融合与目标识别是利用目标与背景不一致的特征属性，来对目标进行分割与识别；分类过程中，提取影响系统性能的各种因子，作为应SVM分类器的输入；输出为态势的评估值，寻求最优系统能效。
假设超平面可描述为：ωx+b＝0,ω∈Rn,b∈R
其分类间隔等于
其学习策略是使数据间的间隔最大化，最终可转化为一个凸二次规划问题的求解。
分类器的损失函数如下所示：L(ω；x,y):＝max(0,1-yωTx)
线性SVM算法输出一个SVM模型。给定一个新的数据点，比如说x，这个模型就会根据ωTx的值来进行预测。默认情况下，如果ωTx≥0，则输出预测结果为正(因为我们想要损失函数最小，如果预测为负，则会导致损失函数大于1)，反之则预测为负。
识别信息融合步骤为：导入需要的包、读取数据、构建模型、模型评估。
4.评估目标判据的两级反馈。第一级利用评估目标判据标准返修采集信息融合单元。反馈修正目标位置信息、图像调制信息等。利用参数校准的办法，使采集信息更加准确。第二级评估目标判据返修特征融合单元，此反馈可作为特征提取的评判函数，以迭代的形式，重复修正特征提取参数，使特征提取和融合更加有效、实用。
本发明针对复杂背景的多维信息融合目标识别，但不仅限于识别，识别完成后的跟踪等行动也属于本发明的延伸。以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种基于多维信息融合的复杂背景目标识别方法，其特征在于，包括如下步骤：
1)环境信息经过多维传感器采集得到n组数据信息，经采集信息融合，即PCA变换融合法处理后，可去除冗余数据得到有效主成分数据信息；
2)经特征信息融合处理，将简单处理后的多组数据分别进行特征提取，然后采用拉普拉斯金字塔变换的方法融合信息；
3)经决策信息融合即目标识别，采用SVM分类器对数据进行处理，得到复杂背景目标识别结果。
2.如权利要求1所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，所述步骤1)中，采集信息融合将各传感器的信号进行融合，处理不同传感器的异源信息；采用PCA变换增强多谱段目标信息，应用Laplace金字塔多尺度融合算法对多光谱信息进行融合；再利用多光谱目标特征信息以信号调制的形式，重新对采集信息进行增强处理。
3.如权利要求2所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，采集信息融合具体包括如下步骤：
11)对所采集多维信息进行PCA变换；
即
由X矩阵构建协方差矩阵R＝(rij)p×p
求单位特征向量：
式中，X为原始数据的标准化式，xn1，xn2......xnp为标准化式数据信息，其中，n为图像数量，p为每幅图像具有的分量数；rij为协方差矩阵元素，A1，A2，......Ap为R对应的单位特征向量；
12)由得到的单位特征向量A1，A2，......Ap可推得主成分为：
Fi＝A1iX1+A2iX2+...+ApiXp
式中，Fi为主成分综合分量，A1i，A2i，...Api为单位特征向量A1，A2，......Ap的分量，X1，X2，......Xp为原始数据标准化处理的值，i＝1，2，......p。
4.如权利要求1所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，所述步骤2)，特征信息融合包括如下步骤：
21)提取处理后的各传感器特征信息并融合，采用拉普拉斯金字塔变换的方法融合信息；
22)在复杂变换的背景模式下，首先对各谱段图像信息提取的特征，建立各谱段目标信息模型和复杂背景模型；
23)进行拉普拉斯金字塔变换，然后对变换得到的系数进行组合，得到融合图像的变换系数；
24)进行逆变换，从而得到融合特征信息。
5.如权利要求4所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，所述步骤22)中，特征提取算法如下：
a)将图像看做一个x,y,z灰度的三维图像；
b)采用Gamma校正法对输入图像进行颜色空间的标准化，Gamma校正处理如下：
I(x,y)＝I(x,y)gamma
式中，I(x,y)表示图像数据，gamma表示矫正系数；
c)计算图像每个像素的梯度大小及方向；捕获轮廓信息，同时根据图像在像素处的梯度大小和强度方向进一步弱化光照的干扰；
d)将图像划分成小窗口；
e)统计每个窗口的梯度直方图，即可形成每个窗口的描述；
f)将几个窗口组成一个区域，一个区域内所有窗口的特征描述串联起来便得到该区域的HOG特征描述；
g)将图像内的所有区域的HOG特征描述串联起来就可以得到该图像的HOG特征描述，即为可供分类使用的特征向量。
6.如权利要求5所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，图像在像素处的梯度大小和强度方向如下：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中，H(x,y)表示图像像素值，Gx(x,y)为图像在像素(x，y)处的水平梯度，Gy(x,y)为图像在像素(x，y)处的垂直梯度；G(x,y)为图像梯度大小；α(x,y)为强度方向。
7.如权利要求5所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，所述步骤2)中，采用拉普拉斯金字塔变换的方法融合信息，方法如下：
25)多维图像相应分解层上对应局部区域能量的计算如下式：
式中，El(n,m)表示Laplciain金字塔第L层上，以(n,m)为中心局部区域的能量；LPl表示Laplciain金字塔的第L层图像；ω′(n′,m′)为与Ll对应的权系数；J、K定义了融合局部区域的大小，n′,m′的变化范围在J、K内；
26)计算多维图像对应局部区域的匹配度Ml.AB(n,m)
式中，A、B分别表示两个特征匹配图像；
27)确定融合算子，定义匹配阈值T：
若Ml.AB(n,m)＜T则
若Ml.AB(n,m)≥T则
其中
式中，Ml.AB(n,m)为两幅图对应局部区域的匹配度，W表示匹配权重因子，LPl,F表示融合后aplciain金字塔的第L层图像。
8.如权利要求1所述的一种基于多维信息融合的复杂背景目标识别方法，其特征在于，所述决策信息融合与目标识别是利用目标与背景不一致的特征属性，来对目标进行分割与识别；分类过程中，提取影响系统性能的各种因子，作为应SVM分类器的输入；输出为态势的评估值，寻求最优系统能效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811391142.XA CN109492700B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多维信息融合的复杂背景目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811391142.XA CN109492700B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多维信息融合的复杂背景目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109492700A true CN109492700A (zh) | 2019-03-19 |
| CN109492700B CN109492700B (zh) | 2020-09-08 |
Family
ID=65697209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811391142.XA Active CN109492700B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多维信息融合的复杂背景目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492700B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838116A (zh) * | 2019-11-14 | 2020-02-25 | 上海联影医疗科技有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
| CN111401203A (zh) * | 2020-03-11 | 2020-07-10 | 西安应用光学研究所 | 基于多维图像融合的目标识别方法 |
| CN111539921A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于多传感器信息融合的图像质量评估方法 |
| CN111845736A (zh) * | 2020-06-16 | 2020-10-30 | 江苏大学 | 一种由分心监测触发的车辆碰撞预警系统及控制方法 |
| CN113989628A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
| CN114155426A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院光电技术研究所 | 一种基于局部多向梯度信息融合的弱小目标检测方法 |
Citations (6)
| 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 |
| US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
| CN102879822A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于Contourlet变换的地震多属性融合方法 |
| CN103116881A (zh) * | 2013-01-27 | 2013-05-22 | 西安电子科技大学 | 基于PCA与Shearlet变换的遥感图像融合方法 |
| CN103793711A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
| CN108596154A (zh) * | 2018-05-14 | 2018-09-28 | 河海大学 | 基于高维特征选择与多级融合的遥感图像分类方法 |
-
2018
- 2018-11-21 CN CN201811391142.XA patent/CN109492700B/zh active Active
Patent Citations (6)
| 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 |
| US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
| CN102879822A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于Contourlet变换的地震多属性融合方法 |
| CN103116881A (zh) * | 2013-01-27 | 2013-05-22 | 西安电子科技大学 | 基于PCA与Shearlet变换的遥感图像融合方法 |
| CN103793711A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
| CN108596154A (zh) * | 2018-05-14 | 2018-09-28 | 河海大学 | 基于高维特征选择与多级融合的遥感图像分类方法 |
Non-Patent Citations (5)
| Title |
|---|
| DEEPAK BHATT 等: "An Enhanced MEMS Error Modeling Approach Based on Nu-Support Vector Regression", 《SENSORS 2012》 * |
| HARIHARA SANTOSH DADI 等: "Improved Face Recognition Rate Using HOG Features and SVM Classifier", 《IOSR JOURNAL OF ELECTRONICS AND COMMUNICATION ENGINEERING》 * |
| 徐笑宇，姚鹏: "基于HOG与改进的SVM的手掌静脉识别算法", 《计算机工程与应用》 * |
| 曾梦璐 等: "基于Contourlet-NMF和SVM的近红外人脸识别方法", 《计算机应用与软件》 * |
| 王蒙，戴亚平: "多传感器人体检测的FHOG图像特征融合", 《北京理工大学学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838116A (zh) * | 2019-11-14 | 2020-02-25 | 上海联影医疗科技有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
| US11462316B2 (en) | 2019-11-14 | 2022-10-04 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for evaluating medical image |
| CN110838116B (zh) * | 2019-11-14 | 2023-01-03 | 上海联影医疗科技股份有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
| CN111401203A (zh) * | 2020-03-11 | 2020-07-10 | 西安应用光学研究所 | 基于多维图像融合的目标识别方法 |
| CN111539921A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于多传感器信息融合的图像质量评估方法 |
| CN111845736A (zh) * | 2020-06-16 | 2020-10-30 | 江苏大学 | 一种由分心监测触发的车辆碰撞预警系统及控制方法 |
| CN113989628A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
| CN113989628B (zh) * | 2021-10-27 | 2022-08-26 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
| CN114155426A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院光电技术研究所 | 一种基于局部多向梯度信息融合的弱小目标检测方法 |
| CN114155426B (zh) * | 2021-12-13 | 2023-08-15 | 中国科学院光电技术研究所 | 一种基于局部多向梯度信息融合的弱小目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109492700B (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Pavement distress detection and classification based on YOLO network | |
| CN110363140B (zh) | 一种基于红外图像的人体动作实时识别方法 | |
| CN109492700A (zh) | 一种基于多维信息融合的复杂背景目标识别方法 | |
| Jianya et al. | A review of multi-temporal remote sensing data change detection algorithms | |
| Guan et al. | Robust traffic-sign detection and classification using mobile LiDAR data with digital images | |
| CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
| CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
| CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN113158943A (zh) | 一种跨域红外目标检测方法 | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| US20090148046A1 (en) | Error propogation and variable-bandwidth mean shift for feature space analysis | |
| CN111242046B (zh) | 一种基于图像检索的地面交通标志识别方法 | |
| Zhao et al. | Infrared pedestrian detection with converted temperature map | |
| CN102013095A (zh) | 基于分布变换的多传感器图像融合方法 | |
| CN113609889A (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
| CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
| CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
| CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
| Švorc et al. | An infrared video detection and categorization system based on machine learning | |
| Florinabel | Real-time image processing method to implement object detection and classification for remote sensing images | |
| CN101630369B (zh) | 一种基于小波分形特征的行人检测方法 | |
| CN106169086B (zh) | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 | |
| Kwenda et al. | Machine learning methods for forest image analysis and classification: A survey of the state of the art |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of target recognition in complex background based on multi-dimensional information fusion Effective date of registration: 20220623 Granted publication date: 20200908 Pledgee: Xi'an investment and financing Company limited by guarantee Pledgor: XI'AN ZHONGKE PHOTOELECTRIC PRECISION ENGINEERING Co.,Ltd. Registration number: Y2022610000332 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20200908 Pledgee: Xi'an investment and financing Company limited by guarantee Pledgor: XI'AN ZHONGKE PHOTOELECTRIC PRECISION ENGINEERING Co.,Ltd. Registration number: Y2022610000332 |