CN110596669A - 一种基于时间统计的双参数恒虚警检测方法 - Google Patents
一种基于时间统计的双参数恒虚警检测方法 Download PDFInfo
- Publication number
- CN110596669A CN110596669A CN201910966879.8A CN201910966879A CN110596669A CN 110596669 A CN110596669 A CN 110596669A CN 201910966879 A CN201910966879 A CN 201910966879A CN 110596669 A CN110596669 A CN 110596669A
- Authority
- CN
- China
- Prior art keywords
- window
- image data
- background
- background window
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于时间统计的双参数恒虚警检测方法,包括以下步骤:图像数据导入、滑动窗口设计、边缘赋值和虚警处理四部分,将所有帧数上所有图像点数据进行双参数恒虚警检测,即可完成对导入数据的双参数恒虚警(DPCFAR)检测。本发明的目的是为了消除在检测范围内的交通道路上的背景杂波和静止目标,同时保留运动目标和临时静止目标,对长时间存在的静止物体的滤除效果好,对短时间内存在的静止目标(即目标点)可以有效的保留,节约了硬件成本,具有很高的实时性、通用性和简捷性。
Description
技术领域
本发明公开了一种基于时间统计的双参数恒虚警检测方法,涉及交通雷达雷达信号处理领域。
背景技术
恒虚警是一种提供检测阈值的信号处理算法,其基本原理就是根据检测单元附近的参考单元估计背景杂波的平均功率,由此可以得到避免杂波背景变化影响的检测阈值,使目标的检测具有恒定的虚警概率。
2015年杜兰等人发表的基于区域提取的双参数恒虚警检测方法提出对带有目标标记的训练图像提取正负样本集,用线性分类器SVM训练一个基于规范梯度特征的模板w,并对提取的正样本集基于初始的图像尺寸选择有效的尺寸集;然后基于模板w和有效的尺寸集对测试图像提取有效尺寸下的区域;再对提取的区域用双参数恒虚警进行检测得到候选区域,并对候选区域用非最大值抑制NMS,去除大量重叠的区域,最后剩下的区域即为最终的检测结果。2017 年王辉辉等人发表的一种自适应门限的双参数杂波图恒虚警检测方法提出利用递归滤波器更新的方法,分别建立五维杂波图,从五维杂波图读取杂波幅度均值和杂波幅度平方均值,建立了可以自适应调整门限的双参数杂波图来适应更大范围杂噪比(CNR)变化的杂波环境。
但是目前的双参数恒虚警方法对于在多帧检测期间内静止地存在于背景中但不属于背景杂波的目标物不能作有效的滤除。
发明内容
为解决上述问题,本发明提供了一种基于时间统计的双参数恒虚警检测方法,能有效的滤除属于背景杂波的目标物,通用简洁。
为实现上述目的,本发明采用的技术方案如下:一种基于时间统计的双参数恒虚警检测方法,其特征在于,包括以下步骤:
读取并按帧存储采集的道路图像数据;
设计滑动窗口的大小,根据滑动窗口的大小对图像数据进行边缘赋值;
通过滑动窗口对应到单帧图像数据进行短时间统计下的恒虚警处理以及阈值门限检测,超过阈值门限的值判定为目标点,未超过则判定为没有目标点;
对有目标点的图像数据再进行长时间统计下的恒虚警处理以及阈值门限检测,超过阈值门限的值判定为目标点,未超过则判定为杂波;
依次处理所有帧图像数据,滤除图像数据中杂波并输出最终图像数据。
进一步的,所述滑动窗口包含目标窗口、保护窗和背景窗口;目标窗口为对应滑动窗口的中心点,背景窗口为对应滑动窗口的四条边框,目标窗口与背景窗口间即为保护窗口;其中目标窗口用于对准待检测的目标点,背景窗口用于获取道路背景信息,保护窗口用于确保目标点不会被包含在背景窗口中。
进一步的,读取并按帧存储采集的道路数据图像为二维背景窗口,按照录入的数据格式将单帧数据还原出对应行列的图像数据,将二维背景窗口简化为一维,一维背景窗口截取对应于目标窗口的四段背景窗口的局域部分进行两次一维检测以简化计算量,取对应的四个点数据作为背景窗口,距离维度的背景窗口为两个点,方位维度的背景窗口为另外两个点。
进一步的,所述短时间统计下的恒虚警处理方法具体包括以下步骤:
S1:将滑动窗口中心点依次对准图像数据上每一个点;
S2:计算滑动窗口中心对准每一个点时的一帧图像数据背景窗口的均值和标准差;并将背景窗口的均值和标准差用于阈值门限检测,判断每一个点是否为目标点。
进一步的,用于短时间统计下阈值门限检测的一帧图像数据一维背景窗口均值和标准差具体计算包括以下步骤:
第1帧图像数据用于阈值门限检测的的背景窗口均值和标准差计算:
其中,i为背景窗口的总点数,xi为第i个点的数值大小,μb1为第1帧图像数据的背景窗口均值,σb1为第1帧图像数据的背景窗口的标准差;
第p帧用于阈值门限检测的背景窗口均值和标准差计算:
μb=k×μb(p-1)+(1-k)×μbp
σb=k×σb(p-1)+(1-k)×σbp
其中,μbp为第p帧图像数据的背景窗口均值,μb(p-1)为第p-1帧图像数据所统计的均值,μb为短时间统计下用于阈值门限检测的背景窗口均值,σbp为第p帧图像数据的背景窗口标准差,σb(p-1)为前p-1帧图像数据所统计的标准差,σb为短时间统计下用于阈值门限检测的背景窗口标准差,k为一个大小 0.7~0.99的权值,p≥2。
进一步的,所述阈值门限检测标准,即目标窗口内的点被检测为目标点的判断标准是:
其中:μc为目标窗口的均值;μb为短时间统计下用于阈值门限检测背景窗口均值;σb为短时间统计下用于阈值门限检测背景窗口的标准差;t为阈值门限。
进一步的,所述长时间统计下的恒虚警处理方法具体包括以下步骤:
第1帧图像数据用于长时间统计下阈值门限检测的的背景窗口均值和标准差计算:
其中,i为背景窗口的总点数,xi为第i个点的数值大小,μb1为第1帧图像数据的背景窗口均值,σb1为第1帧图像数据的背景窗口的标准差;
第p帧图像数据用于长时间统计下阈值门限检测的背景窗口均值和标准差计算:
其中μbp为第p帧图像数据的背景窗口均值,为过去长时间所统计的均值,μb'为用于长时间统计下阈值门限检测的背景窗口均值,σbp为第p帧图像数据的背景窗口的标准差,为过去长时间所统计的标准差,σb'为用于长时间统计下阈值门限检测的背景标准差,k'为一个大小0.7~0.99的权值,p≥2。
进一步的,长时间统计下的阈值门限检测标准,即中间点是否为目标点的判断标准是:
其中:μc为目标窗口的均值;μb'为长时间统计下用于阈值门限检测背景窗口均值;σb'为长时间统计下用于阈值门限检测背景窗口的标准差;t为阈值门限。
本发明首先将采集的多帧图像数据导入,然后进行滑动窗口大小的设计并从第一帧的第一个图像点数据开始进行CFAR检测(恒虚警检测);对每一帧图像数据分别进行边缘赋值和该帧图像每个图像点的两个一维背景当前均值和方差的计算;
除第一帧图像数据外,用于判决的均值和标准差的计算,从第二帧图像数据开始考虑时间统计下的均值和标准差,第p帧图像数据用于阈值门限检测的均值和标准差均由当前滑动窗口的背景窗口的均值和标准差与前p-1帧时间统计下的均值和标准差加权求得;再将短时间统计下的目标窗口的均值与背景窗口均值作差值并除以背景窗口标准差,并将其与阈值门限作比较,进行初次判定目标窗口有无中间点,将检测结果返回给杂波统计;
若没有中间点,判定为没有目标;若有中间点,则此时用于判决的均值和标准差用长时间统计的均值和标注差与当前背景窗口均值标准差的加权值来表示;再将长时间统计下的目标均值与背景窗口均值作差值并除以背景窗口的标准差,将其与阈值门限作比较,超过阈值门限的值判定为目标点,未超过则判定为杂波;最终将所有帧数上所有图像点数据进行双参数恒虚警检测,即可完成对导入数据的双参数恒虚警(DPCFAR)检测。
有益效果:本发明的优点在于所需数据量少,对长时间存在的静止物体的滤除效果好,对短时间内存在的静止目标(即目标点)可以有效的保留,节约了硬件成本,具有很高的实时性、通用性和简捷性。
附图说明
图1时间统计DPCFAR流程图;
图2双参数CFAR检测窗口;
图3一维背景窗口;
图4一维二维虚警率对比;
图5方差简化未简化虚警率对比;
图6 DPCFAR前图像;
图7 DPCFAR后图像。
具体实施方式
下面结合附图对技术方案的实施作进一步的详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提供的一种实施例:本发明首先读取并按帧存储采集的道路图像数据;
设计滑动窗口的大小,根据滑动窗口的大小对图像数据进行边缘赋值;
通过滑动窗口对应到单帧图像数据进行短时间统计下的恒虚警处理以及阈值门限检测,超过阈值门限的值判定为目标点,未超过则判定为没有目标点;
对有目标点的图像数据再进行长时间统计下的恒虚警处理以及阈值门限检测,超过阈值门限的值判定为目标点,未超过则判定为杂波;
依次处理所有帧图像数据,滤除图像数据中杂波并输出最终图像数据;
滤除道路检测过程中的背景杂波如防护栏和公交站台等静止目标并提取出车辆。
如图2所示,设计滑动窗口的大小,滑动窗口包含目标窗口T、保护窗口P 和背景窗口B;分别对应图中的斜纹区域,空白区域和横线区域;其中目标窗口内是待检测的图像点,道路背景信息从背景窗口获取,保护窗口是为了确保车辆目标部分不会被包含在背景窗口中;一般情况下,上述3个窗口均为正方形。
选取第一帧图像数据,根据滑动窗口的大小对图像数据进行边缘赋值;因为将目标窗口取到图像最边缘的点时,此时滑动窗口已部分超出图像区域,为了使滑动窗口有值对超出图像区域的部分进行边缘赋值,即用与之距离最近的图像区域上的数据对其赋值,所述边缘赋值在每一帧时都会重新赋值,因为每一帧图像的边缘数据都不相同。
将滑动窗口中心点对准图像上第一个图像点并计算其当前背景窗口均值和标准差;均值为背景窗口上所有点值取平均值,标准差为背景窗口上每个点的值与均值差值的平方和并除以对应的点数再开方求得;
考虑到实际板卡应用中的数据量,将二维背景窗口简化为一维以简化数据处理量,一维背景窗口则如附图3中阴影部分所示;只截取对应于目标窗口的四段背景窗口的局域部分以简化计算量,本发明即只取对应的四个点数据作为背景窗口,分为距离维度和方位维度进行两次一维恒虚警检测;两种方法的检测概率基本一致,都可以达到99%以上,二维背景窗口的虚警率效果略优,对比结果如附图4所示;同时当前的标准差简化为背景窗口上每个点的值与均值差值的绝对值和除以对应的点数,两种方法的检测概率基本一致,都可以达到 99%以上,正常标准差的虚警率效果更优,对比结果如附图5所示。
计算短时间统计下的均值和标准差,并与阈值作比较,目标窗口内的图像点是否被检测为中间点(即杂波或者目标点),综合两个一维CFAR检测结果,判定当前窗口有无中间点,本发明考虑到时间统计下的均值和标准差,将每次的检测结果会反馈回杂波的统计中;若反馈结果为不是中间点,则保留检测结果;若反馈结果为中间点,则此时的均值和标准差为长时间统计下已趋于平稳的均值和标准差与当前背景窗口均值和标准差的加权值;以新的均值方差再做两次一维恒虚警处理,超过阈值的点为目标点,未超过的点为杂波,并将杂波滤去;
如图6~7所示,滑动窗口依次对准图像数据上的图像点,重复上段步骤,对单帧图像上所有图像点进行阈值检测,得到该帧图像数据处理后图像;再循环上两段步骤,依次取得其他帧的数据,并得到最终检测图像数据。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于时间统计的双参数恒虚警检测方法,其特征在于,包括以下步骤:
读取并按帧存储采集的道路图像数据;
设计滑动窗口的大小,根据滑动窗口的大小对图像数据进行边缘赋值;
通过滑动窗口对应到单帧图像数据进行短时间统计下的恒虚警处理以及阈值门限检测,图像数据中图像点的值超过阈值门限的值判定为中间点,未超过则判定为不是中间点;
对中间点的图像数据再进行长时间统计下的恒虚警处理以及阈值门限检测,中间点的值超过阈值门限的值判定为目标点,未超过则判定为杂波;
依次处理所有帧图像数据,滤除图像数据中杂波并输出最终图像数据。
2.根据权利要求1所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,所述滑动窗口包含目标窗口、保护窗口和背景窗口;目标窗口为对应滑动窗口的中心点,背景窗口为对应滑动窗口的四条边框,目标窗口与背景窗口间即为保护窗口;其中目标窗口用于对准待检测的图像点,背景窗口用于获取道路背景信息,保护窗口用于确保待检测的图像点不会被包含在背景窗口中。
3.根据权利要求2所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,读取并按帧存储采集的道路数据图像为二维背景窗口,按照录入的数据格式将单帧数据还原出对应行列的图像数据,将二维背景窗口简化为一维,一维背景窗口截取对应于目标窗口的四段背景窗口的局域部分进行两次一维检测以简化计算量,取对应的四个点数据作为背景窗口,距离维度的背景窗口为两个点,方位维度的背景窗口为另外两个点。
4.根据权利要求3所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,所述短时间统计下的恒虚警处理具体包括以下步骤:
S1:将滑动窗口中心点依次对准图像数据上每一个图像点;
S2:计算滑动窗口中心对准每一个图像点时的一帧图像数据背景窗口的均值和标准差;并将背景窗口的均值和标准差用于阈值门限检测,判断每一个图像点点是否为中间点。
5.根据权利要求4所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,用于短时间统计下阈值门限检测的一帧图像数据一维背景窗口均值和标准差具体计算包括以下步骤:
第1帧图像数据用于阈值门限检测的背景窗口均值和标准差计算:
其中,i为背景窗口的图像点的总点数,xi为第i个图像点的数值大小,μb1为第1帧图像数据的背景窗口均值,σb1为第1帧图像数据的背景窗口的标准差;
第p帧用于阈值门限检测的背景窗口均值和标准差计算:
μb=k×μb(p-1)+(1-k)×μbp
σb=k×σb(p-1)+(1-k)×σbp
其中,μbp为第p帧图像数据的背景窗口均值,μb(p-1)为第p-1帧图像数据所统计的均值,μb为短时间统计下用于阈值门限检测的背景窗口均值,σbp为第p帧图像数据的背景窗口的标准差,σb(p-1)为前p-1帧图像数据所统计的标准差,σb为短时间统计下用于阈值门限检测的背景窗口标准差,k为一个大小0.7~0.99的权值,p≥2。
6.根据权利要求5所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,短时间统计下的阈值门限检测标准,即目标窗口内的图像点被检测为中间点的判断标准是:
其中:μc为目标窗口的均值;μb为短时间统计下用于阈值门限检测背景窗口均值;σb为短时间统计下用于阈值门限检测背景窗口的标准差;t为阈值门限。
7.根据权利要求6所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,所述长时间统计下的恒虚警处理具体包括以下步骤:
第1帧图像数据用于长时间统计下阈值门限检测的的背景窗口均值和标准差计算:
其中,i为背景窗口的总点数,xi为第i个点的数值大小,μb1为第1帧图像数据的背景窗口均值,σb1为第1帧图像数据的背景窗口的标准差;
第p帧图像数据用于长时间统计下阈值门限检测的背景窗口均值和标准差计算:
其中μbp为第p帧图像数据的背景窗口均值,为过去长时间所统计的均值,μb'为用于长时间统计下阈值门限检测的背景窗口均值,σbp为第p帧图像数据的背景窗口的标准差,为过去长时间所统计的标准差,σb'为用于长时间统计下阈值门限检测的背景标准差,k'为一个大小0.7~0.99的权值,p≥2。
8.根据权利要求7所述的一种基于时间统计的双参数恒虚警检测方法,其特征在于,长时间统计下的阈值门限检测标准,即中间点是否为目标点的判断标准是:
其中:μc为目标窗口的均值;μb'为长时间统计下用于阈值门限检测背景窗口均值;σb'为长时间统计下用于阈值门限检测背景窗口的标准差;t为阈值门限。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966879.8A CN110596669B (zh) | 2019-10-12 | 2019-10-12 | 一种基于时间统计的双参数恒虚警检测方法 |
PCT/CN2019/115196 WO2021068310A1 (zh) | 2019-10-12 | 2019-11-03 | 一种基于时间统计的双参数恒虚警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966879.8A CN110596669B (zh) | 2019-10-12 | 2019-10-12 | 一种基于时间统计的双参数恒虚警检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596669A true CN110596669A (zh) | 2019-12-20 |
CN110596669B CN110596669B (zh) | 2023-06-16 |
Family
ID=68866671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966879.8A Active CN110596669B (zh) | 2019-10-12 | 2019-10-12 | 一种基于时间统计的双参数恒虚警检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110596669B (zh) |
WO (1) | WO2021068310A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102928840A (zh) * | 2012-10-29 | 2013-02-13 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 多通道sar地面慢动目标检测方法及装置 |
CN106646465A (zh) * | 2016-10-21 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种级联恒虚警检测方法及装置 |
CN107064899A (zh) * | 2017-04-18 | 2017-08-18 | 西安电子工程研究所 | 一种自适应门限的双参数杂波图恒虚警检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
CN108614244A (zh) * | 2016-12-12 | 2018-10-02 | 南京理工大学 | 韦布尔杂波环境下基于偏斜度的恒虚警检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545307B2 (en) * | 2005-12-15 | 2009-06-09 | Raytheon Company | Target recognition system and method with unknown target rejection |
KR20140107799A (ko) * | 2013-02-28 | 2014-09-05 | 한국전자통신연구원 | 영상 전환 감지 장치를 이용한 레이더 장치 및 이의 동작 방법 |
CN103473775A (zh) * | 2013-09-16 | 2013-12-25 | 中国人民解放军国防科学技术大学 | Sar图像车辆目标的快速检测与定位方法 |
CN108037493B (zh) * | 2017-11-27 | 2021-11-02 | 西安电子科技大学 | 基于多基地雷达的杂波子空间下双门限恒虚警检测方法 |
-
2019
- 2019-10-12 CN CN201910966879.8A patent/CN110596669B/zh active Active
- 2019-11-03 WO PCT/CN2019/115196 patent/WO2021068310A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102928840A (zh) * | 2012-10-29 | 2013-02-13 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 多通道sar地面慢动目标检测方法及装置 |
CN106646465A (zh) * | 2016-10-21 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种级联恒虚警检测方法及装置 |
CN108614244A (zh) * | 2016-12-12 | 2018-10-02 | 南京理工大学 | 韦布尔杂波环境下基于偏斜度的恒虚警检测方法 |
CN107064899A (zh) * | 2017-04-18 | 2017-08-18 | 西安电子工程研究所 | 一种自适应门限的双参数杂波图恒虚警检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110596669B (zh) | 2023-06-16 |
WO2021068310A1 (zh) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622258B (zh) | 一种结合静态底层特征和运动信息的快速行人检测方法 | |
US10445567B2 (en) | Pedestrian head identification method and system | |
US10339800B2 (en) | Method and device for processing traffic road information | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN105844229B (zh) | 一种乘客拥挤度的计算方法及其系统 | |
CN111505632B (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN116012949B (zh) | 一种复杂场景下的人流量统计识别方法及系统 | |
CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN114463684A (zh) | 一种面向城市高速路网的堵点检测方法 | |
CN113454649B (zh) | 目标检测方法、装置、电子设备和计算机可读存储介质 | |
CN104715614A (zh) | 一种嫌疑套牌车捕获方法 | |
CN110765940B (zh) | 目标对象统计方法和装置 | |
CN112651366A (zh) | 客流人数的处理方法、装置、电子设备及存储介质 | |
CN117173647A (zh) | 一种绝缘子异常检测方法、装置、电子设备及存储介质 | |
CN110596669A (zh) | 一种基于时间统计的双参数恒虚警检测方法 | |
CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
CN113313016B (zh) | 摄像头脏污识别方法、电子设备及车辆 | |
CN116311205A (zh) | 车牌识别方法、车牌识别装置、电子设备及存储介质 | |
CN116168213A (zh) | 人流量数据的识别方法和人流量数据识别模型的训练方法 | |
WO2022263904A1 (en) | Target detection methods, apparatuses, electronic devices and computer-readable storage media | |
CN114358667A (zh) | 一种基于rbf网络学习的景区风险预测模型构建方法 | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 |
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 |