CN109726616A - 一种舰船检测与识别方法和装置 - Google Patents
一种舰船检测与识别方法和装置 Download PDFInfo
- Publication number
- CN109726616A CN109726616A CN201711039414.5A CN201711039414A CN109726616A CN 109726616 A CN109726616 A CN 109726616A CN 201711039414 A CN201711039414 A CN 201711039414A CN 109726616 A CN109726616 A CN 109726616A
- Authority
- CN
- China
- Prior art keywords
- target
- identified
- naval vessel
- remotely
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了一种舰船检测与识别方法和装置,该方法包括:获取至少一种类型的卫星提供遥感数据中的海面图像;基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船,用于实现对舰船实现准确识别。
Description
技术领域
本发明一般涉及计算机技术领域,具体涉及信息安全领域,尤其涉及一种舰船检测与识别方法和装置。
背景技术
随着各种遥感技术的发展,越来越多的国家利用遥感图像来进行对地观测和监控。
军事上,经常要对海上目标进行监测,海上目标一般是指船舶。由于每个卫星都有特定的重访周期,为了达到对某一区域进行长期连续监测的目的,通常要用到多种卫星的遥感数据以及不同时相数据。现有技术中一般采用下述方式实现舰船检测和识别:
第一种方式:光学影像。
光学影像可以提供目标的纹理、形状等细节信息,便于目视解译,利用专家知识直接对目标进行辨别。例如通过光学影响的方式,获取海上的船只纹理、形状等细节信息,然后利用专家知识直接识别。
第二种方式:高光谱图像。
高光谱图像具有光谱分辨率高,图谱合一的数据特性,支持多种光谱特征的计算,可以定量分析目标的光谱特性。例如,可以通过高光谱图像方式定量分析海上船只的光谱特性,进行根据光谱特性对船只进行检测和识别。
第三种方式:热红外图像。
热红外图像可以提供目标的温度、热惯量等信息,可以全天时进行探测,弥补高光谱和可见光遥感夜晚不能工作的缺陷。
现代战场充满了光电对抗与反对抗,侦察与反侦察,仅仅利用上述三种方式进行舰船跟踪,获取目标情报信息具有极大的不可靠性和不确定性,而且每个卫星都有固定的重访周期,无法达到对某一区域进行长期连续监测的目的。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种具有高可靠性以及确定性、且能长期连续检测目标的方案。
一种舰船检测与识别方法,所述方法包括:获取至少一种类型的卫星提供遥感数据中的海面图像;基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
一种舰船检测装置,包括:存储器和处理器,存储器用于存储计算机程序,所述处理器用于按照所述存储器中存储的计算机程序,执行:获取至少一种类型的卫星提供遥感数据中的海面图像;基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
一种舰船检测与识别装置,包括:获取单元,用于获取至少一种类型的卫星提供遥感数据中的海面图像;执行单元,用于基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现舰船检测与识别方法的步骤。
采用上述技术方案,通过多种类型的卫星提供的遥感数据,基于特征级融合方法、多目标关联技术确定舰船,克服了单个卫星无法对某一区域进行长期连续监测的缺陷,能够根据多卫星提供的遥感数据,实现舰船识别。提升舰船识别的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了舰船检测与识别方法流程图;
图2示出了舰船检测与识别装置结构组成示意图之一;
图3示出了舰船检测与识别装置结构组成示意图之二。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了可以应用本申请实施例的示例性方法。
步骤11,获取至少一种类型的卫星提供的遥感数据。
考虑到每个卫星都有固定的重访周期,无法达到对某一区域进行长期连续监测的目的,因此在本发明实施例提出的技术方案中,对每个待进行舰船识别的区域,获取至少一种类型的卫星,针对该待进行舰船识别的区域提供的遥感数据。
具体地,随着通信技术的不断发展,遥感影像数据正以几何级的速度增长,并且具有多种来源、多种类型、多种分辨率、多种时态和多种版本,在本发明实施例提出的技术方案中,对每个待进行舰船识别的区域,获取至少一种类型的卫星针对该待进行舰船识别的区域提供的遥感数据。
步骤12,将获取至少一种类型的卫星提供遥感数据进行预处理。
步骤13,将预处理后的遥感数据进行海陆分割,分离陆地遥感数据。
在上述步骤12-步骤13中,对获取的遥感数据进行预处理,将待进行舰船检测的区域中的陆地分离。
具体实施中,基于预处理后的遥感数据,进行海陆分离过程中,可以首先获取海面图像并将其分块,利用基于可扩展区域能量模型RSF的水平集演化方法对每个子图像进行边缘分割,拼接分割后的子图像,根据拼接后的图像获取候选目标,筛选满足预设形状特征参数阈值要求的候选目标。
具体地,形状特征参数包括以下各项中的一种或多种:面积,宽度,长宽比例,紧致度。
步骤14,基于特征级融合方法获取海面图像中的待识别目标。
特征级融合方法包含全局特征和局部特征相结合的方法。
在上述步骤14中,基于全局特征和局部特征相结合的方法,获取海面图像中的待识别目标,一种可实施方式为:
在遥感数据中,获取包含活动目标的前景目标图像,从该包含活动目标的前景目标图像中提取具有多个特征维度的全局特征,该全局特征包括颜色特征和纹理特征,将该前景目标图像的全局特征保存于数据库中。
具体地,对前景目标图像的全局特征进行降维处理,生成前景目标图像的图像目标向量;将该前景目标图像的图像目标向量保存于数据库中。进一步地,可以利用主成分分析法,对所述前景目标图像的全局特征进行降维处理。
其中,提取全局特征的方法是:对包含活动目标的前景目标图像进行预处理,包括对该前景目标图像进行颜色增强处理,然后进行归一化处理,将归一化处理后的前景目标图像从上到下均匀分成N个水平条区域图像;从预处理后的前景目标图像中提取具有多个特征维度的颜色特征;从预处理后的前景目标图像中提取具有多个特征维度的纹理特征。
另一种方式为:基于全局特征,确定在海面图像中的待识别目标的ROI区域;基于局部特征,确定ROI区域中是否包含待识别舰船目标。
其中,在确定出的ROI区域中提取待识别目标区域的纹理、方向和几何特征,获取ROI区域的局部特征;计算局部特征的马氏距离测度;根据计算结果,确定ROI区域是否包含待识别目标。
具体实施中,通过全局特征和局部特征相结合的建模方法对待识别目标的形状、边界、颜色、纹理、角点等系列特征进行提取和检测。其实施过程为:
首先,通过全局特征进行粗略分类。
具体的,利用图像全局特征,例如颜色、纹理等,可以将图像分割成若干个小区域,从而可以得到目标所在ROI的大致范围,为目标的精确提取提供先验知识。
具体实施中,可以采用基础LPB方法进行基于全局特征的图像初步分类,通过计算亮度均值、亮度方差等特征,提取出待识别目标可能出现的ROI空间范围。
其次,通过局部特征对确定出的ROI区域内目标的精细分类。
局部特征一般包括目标物体的边缘点、边缘线、几何特征等。经过全局特征提取后,得到的ROI有较多的虚警,因此利用局部特征可以通过寻找未被遮挡的特征点还原目标的重要信息。
具体地,利用局部特征进行目标检测时,针对确定出的ROI区域,首先在ROI区域中提取目标区域的纹理、方向和几何特征。
其中几何特征包括目标的长、宽、面积、形状复杂度等指标。目标区域的长、宽利用最小外接矩形算法来估计,根据矩形内目标像素个数与背景像素个数的最大比值来确定目标区域的最小外接矩形,目标面积为目标区域像素的总数;形状复杂度用周长面积比进行表征,为目标的边界像素数与目标总像素数的比值。
在得到ROI的局部特征后,计算局部特征的马氏距离测度,根据计算接货判断该ROI区域中是否包含目标。
具体实施中,在实际目标检测过程中,可根据经验值设置需要剔除的最大/最小面积、形状复杂度、长、宽等阈值,然后采用序贯判决法进行目标检测。
步骤15,基于海上多目标关联技术确定所述待识别目标中的舰船。
多目标关联技术,是多源卫星信息融合的基础,目的是判断同一目标在多种观测信息中的一致性。通过观测数据提取目标的可关联特性,例如时空信息、属性信息,再利用合适的测度方法实现目标之间的关联确认。具体地,属性信息可以是目标群特征、运动特征、身份描述等信息。
具体地,采用一种基于目标不变特征匹配和关联代价矩阵最优化的遥感图像多目标关联算法进行舰船识别,从而确定待识别目标中的舰船。
首先基于仿射不变特征对目标图像的不变特征进行构造,从而克服多源遥感影像中视点变化、目标姿态变化等因素对目标特征提取的影响,以此作为目标关联的关联量。
然后基于特征配构建多目标关联代价矩阵,根据关联准则构造ACM全局最优化模型,即目标函数。
最后基于模拟退火算法求解目标函数的极值来获取最优ACM,从而消除多目标对应关系的模糊性,实现舰船目标的准确关联。
相应地,本发明还提出一种舰船检测装置,如图2所示,包括:存储器201和处理器201,存储器201用于存储计算机程序,所述处理器202用于按照所述存储器中存储的计算机程序,执行:获取至少一种类型的卫星提供遥感数据中的海面图像;基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
具体地,上述处理器202,还用于将获取至少一种类型的卫星提供遥感数据进行预处理;将预处理后的遥感数据进行海陆分割,分离陆地遥感数据。
所述特征级融合方法包含全局特征和局部特征相结合的方法;所述处理器,具体用于基于全局特征,确定在所述海面图像中的待识别目标的ROI区域;基于局部特征,确定所述ROI区域中是否包含待识别舰船目标。
具体地,所述处理器202,具体用于在确定出的ROI区域中提取待识别目标区域的纹理、方向和几何特征,获取ROI区域的局部特征;计算局部特征的马氏距离测度;根据计算结果,确定ROI区域是否包含待识别目标。
具体地,上述处理器202,基于目标不变特征匹配和关联代价矩阵最优化的遥感图像多目标关联算法,确定所述待识别目标中的舰船。
具体地,上述处理器202,具体用于基于仿射不变特征对目标图像的不变特征进行构造,获取目标关联的关联量;基于所述关联量,构建多目标关联代价矩阵;根据所述多目标关联代价矩阵构造目标函数;基于模拟退火算法求解所述目标函数的极值,获取最优ACM,确定待识别目标中的舰船。
相应的,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现舰船检测与识别方法的步骤。
相应的,本发明还提出一种舰船检测与识别装置,如图3所示,包括:
获取单元301,用于获取至少一种类型的卫星提供遥感数据中的海面图像;
执行单元302,用于基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
可选地,还可以还包括:
处理单元,用于将获取至少一种类型的卫星提供遥感数据进行预处理;将预处理后的遥感数据进行海陆分割,分离陆地遥感数据。
具体地,特征级融合方法包含全局特征和局部特征相结合的方法;所述执行单元302,具体用于基于全局特征,确定在所述海面图像中的待识别目标的ROI区域;基于局部特征,确定所述ROI区域中是否包含待识别舰船目标。
具体地,所述执行单元302,具体用于在确定出的ROI区域中提取待识别目标区域的纹理、方向和几何特征,获取ROI区域的局部特征;计算局部特征的马氏距离测度;根据计算结果,确定ROI区域是否包含待识别目标。
具体地,所述执行单元302,具体用于基于目标不变特征匹配和关联代价矩阵最优化的遥感图像多目标关联算法,确定所述待识别目标中的舰船。
具体地,上述执行单元302,具体用于基于仿射不变特征对目标图像的不变特征进行构造,获取目标关联的关联量;基于所述关联量,构建多目标关联代价矩阵;根据所述多目标关联代价矩阵构造目标函数;基于模拟退火算法求解所述目标函数的极值,获取最优ACM,确定待识别目标中的舰船。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种舰船检测与识别方法,其特征在于,所述方法包括:
获取至少一种类型的卫星提供遥感数据中的海面图像;
基于特征级融合方法获取所述海面图像中的待识别目标;
基于海上多目标关联技术确定所述待识别目标中的舰船。
2.权利要求1所述的方法,其特征在于,在获取至少一种类型的卫星提供遥感数据中的海面图像之前,还包括:
将获取至少一种类型的卫星提供遥感数据进行预处理;
将预处理后的遥感数据进行海陆分割,分离陆地遥感数据。
3.如权利要求1所述的方法,其特征在于,所述特征级融合方法包含全局特征和局部特征相结合的方法;
基于特征级融合方法获取所述海面图像中的待识别目标,包括:
基于全局特征,确定在所述海面图像中的待识别目标的ROI区域;
基于局部特征,确定所述ROI区域中是否包含待识别舰船目标。
4.如权利要求3所述的方法,其特征在于,基于局部特征,确定所述ROI区域中是否包含待识别舰船目标,包括:
在确定出的ROI区域中提取待识别目标区域的纹理、方向和几何特征,获取ROI区域的局部特征;
计算局部特征的马氏距离测度;
根据计算结果,确定ROI区域是否包含待识别目标。
5.如权利要求1所述的方法,其特征在于,基于海上多目标关联技术确定所述待识别目标中的舰船,包括:
基于目标不变特征匹配和关联代价矩阵最优化的遥感图像多目标关联算法,确定所述待识别目标中的舰船。
6.如权利要求5所述的方法,其特征在于,确定所述待识别目标中的舰船,包括:
基于仿射不变特征对目标图像的不变特征进行构造,获取目标关联的关联量;
基于所述关联量,构建多目标关联代价矩阵;
根据所述多目标关联代价矩阵构造目标函数;
基于模拟退火算法求解所述目标函数的极值,获取最优ACM,确定待识别目标中的舰船。
7.一种舰船检测装置,其特征在于,包括:存储器和处理器,存储器用于存储计算机程序,所述处理器用于按照所述存储器中存储的计算机程序,执行:获取至少一种类型的卫星提供遥感数据中的海面图像;基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
8.一种舰船检测与识别装置,其特征在于,包括:
获取单元,用于获取至少一种类型的卫星提供遥感数据中的海面图像;
执行单元,用于基于特征级融合方法获取所述海面图像中的待识别目标;基于海上多目标关联技术确定所述待识别目标中的舰船。
9.权利要求8所述的装置,其特征在于,还包括:
处理单元,用于将获取至少一种类型的卫星提供遥感数据进行预处理;将预处理后的遥感数据进行海陆分割,分离陆地遥感数据。
10.如权利要求8所述的装置,其特征在于,所述特征级融合方法包含全局特征和局部特征相结合的方法;
所述执行单元,具体用于基于全局特征,确定在所述海面图像中的待识别目标的ROI区域;基于局部特征,确定所述ROI区域中是否包含待识别舰船目标。
11.如权利要求10所述的装置,其特征在于,所述执行单元,具体用于在确定出的ROI区域中提取待识别目标区域的纹理、方向和几何特征,获取ROI区域的局部特征;计算局部特征的马氏距离测度;根据计算结果,确定ROI区域是否包含待识别目标。
12.如权利要求8所述的装置,其特征在于,所述执行单元,具体用于基于目标不变特征匹配和关联代价矩阵最优化的遥感图像多目标关联算法,确定所述待识别目标中的舰船。
13.如权利要求12所述的装置,其特征在于,所述执行单元,具体用于基于仿射不变特征对目标图像的不变特征进行构造,获取目标关联的关联量;基于所述关联量,构建多目标关联代价矩阵;根据所述多目标关联代价矩阵构造目标函数;
基于模拟退火算法求解所述目标函数的极值,获取最优ACM,确定待识别目标中的舰船。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的舰船检测与识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711039414.5A CN109726616A (zh) | 2017-10-30 | 2017-10-30 | 一种舰船检测与识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711039414.5A CN109726616A (zh) | 2017-10-30 | 2017-10-30 | 一种舰船检测与识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726616A true CN109726616A (zh) | 2019-05-07 |
Family
ID=66292942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711039414.5A Pending CN109726616A (zh) | 2017-10-30 | 2017-10-30 | 一种舰船检测与识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726616A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889380A (zh) * | 2019-11-29 | 2020-03-17 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN111753854A (zh) * | 2020-07-28 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111899241A (zh) * | 2020-07-28 | 2020-11-06 | 华中科技大学 | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN111931558A (zh) * | 2020-06-22 | 2020-11-13 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 船舶类别识别方法及系统 |
CN113917930A (zh) * | 2021-11-11 | 2022-01-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于感知数据的无人船航行状态控制方法 |
CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727512A (zh) * | 2008-10-17 | 2010-06-09 | 中国科学院过程工程研究所 | 一种基于变分多尺度方法的通用算法及并行计算系统 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
CN105787081A (zh) * | 2016-03-03 | 2016-07-20 | 电子科技大学 | 一种基于辐射源空间位置的辐射平台关联方法 |
CN205707197U (zh) * | 2016-03-22 | 2016-11-23 | 中电科海洋信息技术研究院有限公司 | 水域信息监测平台 |
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 |
-
2017
- 2017-10-30 CN CN201711039414.5A patent/CN109726616A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727512A (zh) * | 2008-10-17 | 2010-06-09 | 中国科学院过程工程研究所 | 一种基于变分多尺度方法的通用算法及并行计算系统 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
CN105787081A (zh) * | 2016-03-03 | 2016-07-20 | 电子科技大学 | 一种基于辐射源空间位置的辐射平台关联方法 |
CN205707197U (zh) * | 2016-03-22 | 2016-11-23 | 中电科海洋信息技术研究院有限公司 | 水域信息监测平台 |
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 |
Non-Patent Citations (1)
Title |
---|
雷琳: "多源遥感图像舰船目标特征提取与融合技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889380A (zh) * | 2019-11-29 | 2020-03-17 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN110889380B (zh) * | 2019-11-29 | 2022-10-28 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN111931558A (zh) * | 2020-06-22 | 2020-11-13 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 船舶类别识别方法及系统 |
CN111753854A (zh) * | 2020-07-28 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111899241A (zh) * | 2020-07-28 | 2020-11-06 | 华中科技大学 | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 |
CN111753854B (zh) * | 2020-07-28 | 2023-12-22 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN113917930A (zh) * | 2021-11-11 | 2022-01-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于感知数据的无人船航行状态控制方法 |
CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
CN116580313B (zh) * | 2023-03-31 | 2023-11-14 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726616A (zh) | 一种舰船检测与识别方法和装置 | |
US10607362B2 (en) | Remote determination of containers in geographical region | |
Pire et al. | S-PTAM: Stereo parallel tracking and mapping | |
US10192323B2 (en) | Remote determination of containers in geographical region | |
US11010838B2 (en) | System and method for optimizing damage detection results | |
Bralich et al. | Improving convolutional neural networks for buried target detection in ground penetrating radar using transfer learning via pretraining | |
Lee et al. | Salient region-based online object tracking | |
CN106446150B (zh) | 一种车辆精确检索的方法及装置 | |
Han et al. | Aerial image change detection using dual regions of interest networks | |
JP2014071902A (ja) | フィンガープリントを使用してビデオ内で移動オブジェクトを追跡するため方法及びシステム | |
US9715639B2 (en) | Method and apparatus for detecting targets | |
Li et al. | High-level visual features for underwater place recognition | |
EP3553700A2 (en) | Remote determination of containers in geographical region | |
Frey et al. | Efficient constellation-based map-merging for semantic SLAM | |
Zhao et al. | A feature decomposition-based method for automatic ship detection crossing different satellite SAR images | |
Zhao et al. | Road damage detection from post-disaster high-resolution remote sensing images based on tld framework | |
Zhou et al. | A fusion algorithm of object detection and tracking for unmanned surface vehicles | |
Hassan et al. | Cascaded structure tensor for robust baggage threat detection | |
Paris et al. | A sensor-driven hierarchical method for domain adaptation in classification of remote sensing images | |
Hao et al. | Building height estimation via satellite metadata and shadow instance detection | |
Wang et al. | Robust visual tracking based on response stability | |
Francisco et al. | Deep learning-based object level change detection in overhead imagery | |
Wang et al. | Oil tank detection via target-driven learning saliency model | |
Tournaire et al. | Rectangular road marking detection with marked point processes | |
Kalist et al. | A Novel Lanemark Identification System using Kalman Filtration Logic and Image Processing Principles |
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: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |