CN110443830A - 一种基于混合高斯背景模型的降水云团检测方法 - Google Patents
一种基于混合高斯背景模型的降水云团检测方法 Download PDFInfo
- Publication number
- CN110443830A CN110443830A CN201910750694.3A CN201910750694A CN110443830A CN 110443830 A CN110443830 A CN 110443830A CN 201910750694 A CN201910750694 A CN 201910750694A CN 110443830 A CN110443830 A CN 110443830A
- Authority
- CN
- China
- Prior art keywords
- pixel
- gaussian
- background
- model
- value
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-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
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于混合高斯背景模型的降水云团检测方法,包括以下步骤:通过形态学处理方法去除干扰、近程静态强回波并将地理信息叠加至底图;基于混合高斯背景模型进行背景建模;所述混合高斯背景建模通过K个高斯模型表示图像中的每一个像素点;输入视频,获取新的视频帧图形,在获取新的一帧图像后更新调整高斯分布的权重建立背景模型,使用当前图像的每一个像素点与混合高斯模型进行匹配,若匹配成功则判定该像素点为背景像素点,否则认为是目标像素点。检测并获取降水云团的轮廓信息。本发明混合高斯背景模型检测算法满足降水云团检测的实时性和准确性要求,良好的检测效果为下一章降水云团的特征提取与跟踪奠定了可靠的基础。
Description
技术领域
本发明涉及降水云团的检测方法技术领域,具体而言,尤其涉及一种基于混合高斯背景模型的降水云团检测方法。
背景技术
在对降水天气的监测和预警中,雷达作为一种大范围高时空分辨率的主动遥感手段,可得到具有一定精度的实时降水信息,已经成为了重要的信息来源。在目前的气象研究中,多是使用多普勒天气雷达进行降水天气的研究。虽然多普勒天气雷达具有观测精度高、监测范围大的优势,但其造价昂贵,体积大,选址基建等较为复杂,难以普遍安装应用于强对流天气监测。X波段船舶导航雷达虽然监测范围不如多普勒天气雷达,但是也可以在百公里范围内监测到降水云团状态。与多普勒天气雷达相比船舶导航雷达价格低廉、体积小,可以小范围密集布设监测降水云团动态。因此,利用船舶导航雷达代替多普勒天气雷达检测跟踪强降水云团这一课题具有很好的研究价值和现实意义。
目标检测算法现阶段有很多,其中比较有代表性的是基于运动变化的方法和基于像素强度变化的方法。基于运动变化的方法主要是光流法,基于像素变化的方法主要是帧间差分法和背景减除法。
发明内容
根据上述提出的技术问题,而提供一种降水云团检测方法。本发明主要利用一种基于混合高斯背景模型的降水云团检测方法,其特征在于,包括以下步骤:
S1:通过形态学处理方法去除干扰、近程静态强回波并将地理信息叠加至底图;
S2:基于混合高斯背景模型进行背景建模;
所述混合高斯背景建模通过K个高斯模型表示图像中的每一个像素点;输入视频,获取新的视频帧图形,在获取新的一帧图像后更新调整高斯分布的权重建立背景模型,使用当前图像的每一个像素点与混合高斯模型进行匹配,若匹配成功则判定该像素点为背景像素点,否则认为是目标像素点;
S3:检测并获取降水云团的轮廓信息。
进一步地,所述步骤S2基于混合高斯背景模型进行背景建模还包括以下步骤:
S21:初始化背景模型;在视频图像序列中,对初始帧图像的每一个像素点建立K个相互独立的高斯分布,通过高斯密度函数对高斯分布情况进行描述;设在t时刻图像的像素点值为Xt,则第i个高斯密度函数为:
其中,μi,t表示在第t时刻的第i个高斯分布的均值,Σi,t表示第t时刻的第i个高斯分布的协方差,ωi,t表示第t时刻第i个高斯分布的权值,且满足则在第t时刻像素点的密度函数估计为:
设μ0、σ0分别表示图像帧背景建模初始化时的均值和方差,则初始化为:
其中,N表示选取的视频帧数;
S22:模型匹配;获取新的图像帧后,将所述新的图像中每一像素点Xt和第t时刻的K个高斯分布模型分别进行对比,假设匹配的阈值设定为2.5σi:
|Xt-μi,t-1|≤2.5σi (5)
其中,μi,t-1表示在第t-1时刻的第i个高斯分布的均值,当所述像素点满足式(5)时,则判定所述像素点为背景像素点,进行步骤S23对模型参数进行更新;当所述像素点步满足式(5)时,时则判定所述像素点为目标像素点;
S23:对模型参数更新;所述对模型参数更新包括:均值更新、方差更新以及高斯分布权值更新;
所述高斯分布权值更新为:
当所述像素点匹配为背景像素点则进行更新,其中α取值为(0,1),α表示对均值和方差的学习率;
当所述像素点匹配为背景像素点,增加ωi,t值;当所述像素点匹配为目标像素点,则减小ωi,t值;所述像素点匹配为目标像素点的高斯分布,将所述像素点均值和方差分别按式(7)、(8)更新:
μi,t=(1-ρ)μi,t-1+ρXi,t (7)
其中,ρ的值为:
S24:生成基于混合高斯背景的模型;计算所述图像中每一个像素K个高斯分布的优先级,按照优先级排序即由权重高到权重低排序;所述背景模型建立为:
其中,N表示为:
其中,T表示选取的阈值。
本发明采用混合高斯背景模型检测算法实现对降水云团的检测。混合高斯背景模型检测算适用于降水云团这一非刚性、动态变化的目标检测。该检测算法具有如下优点:
(1)检测速度快。降水云团运动过程中可以实时地检测出降水云团轮廓。
(2)识别准确率高。对绝大多数云团可以很好的识别出来,但有一定的虚假识别。
混合高斯背景模型检测算法满足降水云团检测的实时性和准确性要求,良好的检测效果为下一章降水云团的特征提取与跟踪奠定了可靠的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图;
图2为本发明背景减除法整体流程示意图;
图3为本发明高斯分布模板参数更新示意图;
图4(a)为本发明实施例降水云团前景示意图;
图4(b)为本发明实施例降水云团闭运算示意图;
图4(c)为本发明实施例降水云团开运算示意图;
图5(a)为本发明实施例32nm、70dB回波图像示意图;
图5(b)为本发明实施例差分处理后图像示意图;
图5(c)为本发明实施例补偿后图像示意图;
图6(a)为本发明实施例32nm、70dB回波图像示意图;
图6(b)为本发明实施例地理底图叠加后图像示意图;
图7(a)为本发明实施例古野雷达回波图像第27帧雷达示意图;
图7(b)为本发明实施例古野雷达回波图像第243帧雷达示意图;
图7(c)为本发明实施例古野雷达回波图像第459帧雷达示意图;
图7(d)为本发明实施例古野雷达回波图像第675帧雷达示意图;
图8(a)为本发明实施例混合高斯检测前景图第27帧前景示意图;
图8(b)为本发明实施例混合高斯检测前景图第243帧前景示意图;
图8(c)为本发明实施例混合高斯检测前景图第459帧前景示意图;
图8(d)为本发明实施例混合高斯检测前景图第675帧前景示意图;
图9(a)为本发明实施例第27帧降水云团检测示意图;
图9(b)为本发明实施例第243帧降水云团检测示意图;
图9(c)为本发明实施例第459帧降水云团检测示意图;
图9(d)为本发明实施例第675帧降水云团检测示意图;
图10(a)为本发明实施例第15帧雷达示意图;
图10(b)为本发明实施例第317帧雷达示意图;
图10(c)为本发明实施例第523帧雷达示意图;
图10(d)为本发明实施例第15帧前景示意图;
图10(e)为本发明实施例第317帧前景示意图;
图10(f)为本发明实施例第523帧前景示意图;
图10(g)为本发明实施例第15帧检测示意图;
图10(h)为本发明实施例第317帧检测示意图;
图10(i)为本发明实施例第523帧检测示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-10所示,为本发明一种基于混合高斯背景模型的降水云团检测方法,其特征在于,包括以下步骤:
S1:通过形态学处理方法去除干扰、近程静态强回波并将地理信息叠加至底图;
S2:基于混合高斯背景模型进行背景建模;
所述混合高斯背景建模通过K个高斯模型表示图像中的每一个像素点;输入视频,获取新的视频帧图形,在获取新的一帧图像后更新调整高斯分布的权重建立背景模型,使用当前图像的每一个像素点与混合高斯模型进行匹配,若匹配成功则判定该像素点为背景像素点,否则认为是目标像素点。作为优选的实施方式,这里匹配成功的标准为:像素点在时间域上是否符合混合高斯模型,也就是高斯分布,混合高斯模型是用多个高斯分布的叠加来表征实际的背景分布。
S3:检测并获取降水云团的轮廓信息。
作为一种优选的实施方式,所述步骤S2基于混合高斯背景模型进行背景建模还包括以下步骤:
S21:初始化背景模型;在视频图像序列中,对初始帧图像的每一个像素点建立K个相互独立的高斯分布,通过高斯密度函数对高斯分布情况进行描述;设在t时刻图像的像素点值为Xt,则第i个高斯密度函数为:
其中,μi,t表示在第t时刻的第i个高斯分布的均值,Σi,t表示第t时刻的第i个高斯分布的协方差,ωi,t表示第t时刻第i个高斯分布的权值,且满足则在第t时刻像素点的密度函数估计为:
设μ0、σ0分别表示图像帧背景建模初始化时的均值和方差,则初始化为:
其中,N表示选取的视频帧数;
S22:模型匹配;获取新的图像帧后,将所述新的图像中每一像素点Xt和第t时刻的K个高斯分布模型分别进行对比,假设匹配的阈值设定为2.5σi:
|Xt-μi,t-1|≤2.5σi (5)
其中,μi,t-1表示在第t-1时刻的第i个高斯分布的均值,当所述像素点满足式(5)时,则判定所述像素点为背景像素点,进行步骤S23对模型参数进行更新;当所述像素点步满足式(5)时,时则判定所述像素点为目标像素点;
S23:对模型参数更新;所述对模型参数更新包括:均值更新、方差更新以及高斯分布权值更新;
所述高斯分布权值更新为:
当所述像素点匹配为背景像素点则进行更新,其中α取值为(0,1),α表示对均值和方差的学习率;
当所述像素点匹配为背景像素点,增加ωi,t值;当所述像素点匹配为目标像素点,则减小ωi,t值;所述像素点匹配为目标像素点的高斯分布,将所述像素点均值和方差分别按式(7)、(8)更新:
μi,t=(1-ρ)μi,t-1+ρXi,t (7)
其中,ρ的值为:
S24:生成基于混合高斯背景的模型;计算所述图像中每一个像素K个高斯分布的优先级,按照优先级排序即由权重高到权重低排序;所述背景模型建立为:
其中,N表示为:
其中,T表示选取的阈值。
作为优选的实施方式,作为本申请的一种实施例。实验在Visual Studio 2015与OpenCV3.2.0结合环境下运行,选择配置环境为win10系统、CPU为Intel Core i5-8300H、主频2.30GHz、内存为8G的PC机,测试数据来源于实验室船舶导航雷达采集的数据和大连气象网的数据。为了验证本文检测算法的有效性,分别对动态变化的小面积降水云团和动态变化的大面积降水云团两种情况进行检测实验。
(1)动态变化的小面积降水云团
图7(a)-图7(d)实验数据来自实验室古野雷达采集的降水云团数据,使用混合高斯背景建模算法对其进行检测。图7(a)-图7(d)同一降水云团四个不同时刻的运动状态,图8(a)-图8(d)是对应时刻的混合高斯检测降水云团前景图,图9(a)-图9(d)是对应时刻降水云团检测效果图。可以看出本文检测算法对于形状随机变化、面积范围小的降水云团可以完整地检测出视频帧中前景云团轮廓,且检测速度快。
(2)动态变化的大面积降水云团
图10(a)-图10(i)的实验数据来自大连气象网,使用混合高斯背景建模算法对其进行检测。图10(a)-图10(i)为同一降水云团三个不同时刻的分裂运动状态,对应时刻的混合高斯检测降水云团前景图,和对应时刻的降水云团检测效果图。可以看出本文检测算法在大面积降水云团运动分裂过程中可以完整准确地检测出降水云团轮廓,且检测速度快。
根据实验过程和实验结果分析如下:
混合高斯背景模型检测算法适用于降水云团这一非刚性、动态变化的目标检测。该检测算法具有如下优点:
(1)检测速度快。降水云团运动过程中可以实时地检测出降水云团轮廓。
(2)识别准确率高。对绝大多数云团可以很好的识别出来,但有一定的虚假识别。
混合高斯背景模型检测算法满足降水云团检测的实时性和准确性要求,良好的检测效果为下一章降水云团的特征提取与跟踪奠定了可靠的基础。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于混合高斯背景模型的降水云团检测方法,其特征在于,包括以下步骤:
S1:通过形态学处理方法去除干扰、近程静态强回波并将地理信息叠加至底图;
S2:基于混合高斯背景模型进行背景建模;
所述混合高斯背景建模通过K个高斯模型表示图像中的每一个像素点;输入视频,获取新的视频帧图形,在获取新的一帧图像后更新调整高斯分布的权重建立背景模型,使用当前图像的每一个像素点与混合高斯模型进行匹配,若匹配成功则判定该像素点为背景像素点,否则认为是目标像素点;
S3:检测并获取降水云团的轮廓信息。
2.根据权利要求1所述的一种基于混合高斯背景模型的降水云团检测方法,其特征还在于:所述步骤S2基于混合高斯背景模型进行背景建模还包括以下步骤:
S21:初始化背景模型;在视频图像序列中,对初始帧图像的每一个像素点建立K个相互独立的高斯分布,通过高斯密度函数对高斯分布情况进行描述;设在t时刻图像的像素点值为Xt,则第i个高斯密度函数为:
其中,μi,t表示在第t时刻的第i个高斯分布的均值,Σi,t表示第t时刻的第i个高斯分布的协方差,ωi,t表示第t时刻第i个高斯分布的权值,且满足则在第t时刻像素点的密度函数估计为:
设μ0、σ0分别表示图像帧背景建模初始化时的均值和方差,则初始化为:
其中,N表示选取的视频帧数;
S22:模型匹配;获取新的图像帧后,将所述新的图像中每一像素点Xt和第t时刻的K个高斯分布模型分别进行对比,假设匹配的阈值设定为2.5σi:
|Xt-μi,t-1|≤2.5σi (5)
其中,μi,t-1表示在第t-1时刻的第i个高斯分布的均值,当所述像素点满足式(5)时,则判定所述像素点为背景像素点,进行步骤S23对模型参数进行更新;当所述像素点步满足式(5)时,时则判定所述像素点为目标像素点;
S23:对模型参数更新;所述对模型参数更新包括:均值更新、方差更新以及高斯分布权值更新;
所述高斯分布权值更新为:
当所述像素点匹配为背景像素点则进行更新,其中α取值为(0,1),α表示对均值和方差的学习率;
当所述像素点匹配为背景像素点,增加ωi,t值;当所述像素点匹配为目标像素点,则减小ωi,t值;所述像素点匹配为目标像素点的高斯分布,将所述像素点均值和方差分别按式(7)、(8)更新:
μi,t=(1-ρ)μi,t-1+ρXi,t (7)
其中,ρ的值为:
S24:生成基于混合高斯背景的模型;计算所述图像中每一个像素K个高斯分布的优先级,按照优先级排序即由权重高到权重低排序;所述背景模型建立为:
其中,N表示为:
其中,T表示选取的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750694.3A CN110443830B (zh) | 2019-08-14 | 2019-08-14 | 一种基于混合高斯背景模型的降水云团检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750694.3A CN110443830B (zh) | 2019-08-14 | 2019-08-14 | 一种基于混合高斯背景模型的降水云团检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443830A true CN110443830A (zh) | 2019-11-12 |
CN110443830B CN110443830B (zh) | 2022-12-02 |
Family
ID=68435526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750694.3A Active CN110443830B (zh) | 2019-08-14 | 2019-08-14 | 一种基于混合高斯背景模型的降水云团检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443830B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308109A (zh) * | 2020-09-08 | 2021-02-02 | 国网浙江省电力有限公司宁波供电公司 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
CN113570640A (zh) * | 2021-09-26 | 2021-10-29 | 南京智谱科技有限公司 | 一种视频图像处理的方法及装置 |
CN113689381A (zh) * | 2021-07-21 | 2021-11-23 | 航天晨光股份有限公司 | 波纹管内壁瑕疵检测模型及检测方法 |
CN115471502A (zh) * | 2022-11-01 | 2022-12-13 | 山东土之素生物技术有限公司 | 基于计算机视觉的畜牧粪便快速检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
-
2019
- 2019-08-14 CN CN201910750694.3A patent/CN110443830B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
Non-Patent Citations (2)
Title |
---|
湛茂溪: "基于风险决策的混合高斯背景建模", 《科技信息》 * |
魏建猛等: "改进的混合高斯模型视频运动目标检测算法", 《重庆交通大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308109A (zh) * | 2020-09-08 | 2021-02-02 | 国网浙江省电力有限公司宁波供电公司 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
CN113689381A (zh) * | 2021-07-21 | 2021-11-23 | 航天晨光股份有限公司 | 波纹管内壁瑕疵检测模型及检测方法 |
CN113689381B (zh) * | 2021-07-21 | 2024-02-27 | 航天晨光股份有限公司 | 波纹管内壁瑕疵检测模型及检测方法 |
CN113570640A (zh) * | 2021-09-26 | 2021-10-29 | 南京智谱科技有限公司 | 一种视频图像处理的方法及装置 |
CN115471502A (zh) * | 2022-11-01 | 2022-12-13 | 山东土之素生物技术有限公司 | 基于计算机视觉的畜牧粪便快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110443830B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443830A (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
Murugesan et al. | Efficient anomaly detection in surveillance videos based on multi layer perception recurrent neural network | |
CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
CN102959946B (zh) | 基于相关3d点云数据来扩充图像数据的技术 | |
CN105608691B (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
CN104572804B (zh) | 一种视频物体检索的方法及其系统 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN106338733B (zh) | 基于蛙眼视觉特性的前视声呐目标跟踪方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
US8712096B2 (en) | Method and apparatus for detecting and tracking vehicles | |
CN112257605B (zh) | 基于自标注训练样本的三维目标检测方法、系统及装置 | |
CN104268851A (zh) | 一种基于深度信息的atm自助营业厅行为分析方法 | |
Cai et al. | Intelligent video analysis-based forest fires smoke detection algorithms | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN105809716A (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN110097091A (zh) | 训练与推理数据分布不一致条件下的图像细粒度识别方法 | |
CN101877134B (zh) | 一种机场监视视频目标鲁棒跟踪方法 | |
CN112100435A (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
Qi et al. | Small infrared target detection utilizing local region similarity difference map | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN116129292A (zh) | 一种基于少样本增广的红外车辆目标检测方法及系统 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN109102526A (zh) | 无人机的监控系统的前景检测方法以及装置 | |
CN106204664B (zh) | 基于sar-lark特征的sar舰船目标检测方法 | |
Fen et al. | Pedestrian tracking using particle filter algorithm |
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 |