CN110852323B - 一种基于角点的空中目标探测方法 - Google Patents
一种基于角点的空中目标探测方法 Download PDFInfo
- Publication number
- CN110852323B CN110852323B CN201911124953.8A CN201911124953A CN110852323B CN 110852323 B CN110852323 B CN 110852323B CN 201911124953 A CN201911124953 A CN 201911124953A CN 110852323 B CN110852323 B CN 110852323B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- target
- corner
- feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于角点的空中目标探测方法,首先接收红外图像或可见光图像,将图像数据放置于缓冲区;对图像进行色彩空间转换,获取对应的灰度图像;针对灰度图像进行边缘检测,获取边缘闭合区域;利用角点检测算法,获取图像中所有符合计算规则的角点,并根据筛选规则,进行角点筛选;利用闭合区域对角点进行分组,将处于同一轮廓内的角点作为同一组;分别计算各组角点中心位置于外部轮廓,作为检测目标的位置信息;输出各个目标位置和大小信息,完成目标检测。本发明不仅能够快速定位目标位置,而且能够有效排除空中的多云背景干扰,从而突破空中目标在穿过云背景时出现的目标丢失现象,从而完成多云背景下的空中目标探测难题。
Description
技术领域
本发明涉及图像检测技术,特别是涉及一种基于角点的空中目标探测方法。
背景技术
光电预警探测中,光电成像设备通过成像方式将光信号转换为电信号,传送至处理终端,处理终端通过图像检测手段探测视频中目标,同时提取目标位置。图像目标检测通常利用不同物体在图像中呈现出与背景的不同色彩、灰度、文理等特性,通过检测目标边缘的手段区分出目标。此种方法的缺点在于,在多云的气象条件下,云层呈现出不同的形状、色彩以及红外辐射特性,形成复杂、无规则的图像背景,图像边缘杂乱,影响系统对飞机、无人机等各类预警目标的检测、跟踪效果。
光电预警探测过程中,遇到多云天气,飞机等目标从云层背景穿过时,杂乱的边缘特性会影响目标检测与跟踪,对于重要的军事目标或安全防控目标,需要提升目标检测概率与跟踪稳定性。因此,研究适用于不同恶劣气象条件的目标检测方法,是当前图像检测领域的重要课题之一。空中目标探测技术需要解决的关键问题有:
1、选取一种能够有效区分目标与多云背景的图像特征;
2、设计一种准确提取目标位置与大小的方法。
发明内容
发明目的:本发明的目的是提供一种能够克服现有技术存在的缺陷的基于角点的空中目标探测方法。
技术方案:
本发明公开了一种基于角点的空中目标探测方法,包括以下步骤:
步骤S1:接收视频图像,将视频解包后置于视频缓冲区,获取视频信息,视频信息包括图像分辨率R×C、帧频Nf,以及图像色彩空间类型,其中R表示图像水平像素数,C表示图像垂直像素数;
步骤S2:根据视频图像色彩空间类型,提取灰度图像,记为Imgray;
步骤S3:图像边缘检测:针对灰度图像Imgray,采用边缘检测算法,获取边缘图像Imedge,提取边缘图像Imedge中所有的闭合边缘即连通域;
步骤S4:图像角点检测:针对灰度图像Imgray,采用角点检测算法,获取图像中所有特征角点,记为特征角点集P={p1,p2…pn},记录各个角点坐标;
步骤S5:进行角点分组,将特征角点集P划分为m个子集;
步骤S6:目标提取:分别提取m个子集中角点的外部轮廓,求取各组角点的最小外接矩形框,同时求取该组目标形心作为目标位置,计算形心到外接矩形框各边的最大宽和高,以形心为中心,最大宽高为边作矩形,作为最终目标框;
步骤S7:目标信息输出:输出目标位置和目标框。
本发明中,步骤S1中,所述视频图像为可见光或红外视频图像。
本发明中,步骤S2包括:
对于RGB图像,RGB图像分离R通道(R即红色)、G通道(G即绿色)、B通道图像(B即蓝色),灰度图像Gray获取方法为:
Gray=R*0.299+G*0.587+B*0.114,
对于YUV图像,Y通道即为灰度图像;YUV是编译true-color颜色空间(colorspace)的种类,Y'UV,YUV,YCbCr,YPbPr等专有名词都可以称为YUV,彼此有重叠。“Y”表示明亮度(Luminance或Luma),也就是灰阶值,“U”和“V”表示的则是色度(Chrominance或Chroma),作用是描述影像色彩及饱和度,用于指定像素的颜色。
对于HSV图像中,V通道为灰度图像。HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。
本发明中,步骤S3包括如下步骤:
S3.1:对灰度图像Imgray各像素点进行高斯卷积,高斯模板是大小为l1×l2的矩形结构,列方向标准偏差为σx,行方向标准偏差为σy,获取平滑后图像Imgauss,l1、l2分别表示矩形结构的长和宽;
S3.2:利用canny边缘检测算法对图像Imgauss进行边缘提取,获取二值化的边缘图像Imedge,双阈值参数分别为Th、Tl,常见的边缘检测算法如sobel边缘检测、canny边缘检测等(参考文献:Canny J.A Computational Approach to Edge Detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence,2009,PAMI-8(6):679-698.);
S3.3:对图像Imedge进行几何形态学中的闭运算操作,形成新的二值化边缘图Immorp,使用的结构元素是大小为l3×l4的矩形结构,l3、l4分别表示矩形结构的长和宽;
S3.4:对图像Immorp进行连通区域检测,将相邻的边缘点标记为同一连通区域,得到连通域,第j个连通域记为Cj,j=1,2,…,m,使用的相邻结构元素是大小为l5×l6的矩形结构,l5、l6分别表示矩形结构的长和宽。
本发明中,步骤S4中,所述角点检测算法选用orb特征点检测的方法(参考文献:Rublee E,Rabaud V,Konolige K,et al.ORB:an efficient alternative to SIFT orSURF[C]//IEEE International Conference on Computer Vision,ICCV 2011,Barcelona,Spain,November 6-13,2011.IEEE,2011.),利用标准方向FAST特征点检测,然后对特征点进行BRIEF特征描述,选取最优的不多于N个特征角点,获取特征角点集P={p1,p2…pn},其中n≤N,pn表示第n个特征角点,第k个特征角点坐标为k=1,2,…,n。
本发明中,步骤S5包括:在相同闭合边缘内的角点归为同一组,两个以上的闭合边缘将特征角点集P划分为m个子集G1,G2…Gm,Gm表示第m个子集,且子集满足:
其中,特征角点子集G1,G2…Gm为非空互不相交的子集。
本发明中,步骤S6包括如下步骤:
S6.1:计算第i个特征角点子集Gi形心(Xi,Yi):
S6.2:求取第i个特征角点子集Gi中所有特征角点的外接矩形边界;
S6.3:计算形心到外接矩形边的x方向距离Xr,形心到外接矩形边的y方向距离Yr;
S6.4:计算目标框边界。
S6.1中,根据如下公式计算第i个特征角点子集Gi形心(Xi,Yi):
其中,i=1,2,...,m,ni是第i个特征角点子集Gi中特征角点的个数,pk为第i个特征角点子集Gi中第k个特征角点。
S6.2中,,根据如下公式求取第i个特征角点子集Gi中所有特征角点的外接矩形的上、下、左、右边界坐标xleft、xright、yup、ydown:
本发明中,S6.3中,采用如下公式计算形心到外接矩形半径:
Xr=max(abs(Xi-xleft),abs(Xi-xright)),
Yr=max(abs(Yi-yup),abs(Yi-ydown))。
本发明中,S6.4中,采用如下公式计算最终目标框边界上、下、左、右边界坐标x′left、x′right、y′up、y′down:
x′left=Xi-Xr,
x′right=Xi+Xr,
y′up=Yi-Yr,
y′down=Yi+Yr。
有益效果:
与现有技术相比,本发明具有如下的有益效果:
(1)采用角点的检测,提取人造目标特有的特征,如飞机、直升机、无人机等,与背景云层等常见干扰进行有效区分,提升检测概率同时降低虚警率;
(2)采用角点与边缘相结合的手段,将角点进行分组,能够区分出多个目标;
(3)利用特征点分布情况,准确的确定目标中心与边界,提升目标检测显示效果与跟踪准确性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明公开了一种基于角点检测的空中目标探测方法,包括以下步骤:
S1:接收可见光或红外视频图像:将视频解包后置于视频缓冲区,获取视频信息:图像分辨率R×C、帧频Nf,以及图像色彩空间类型;
S2:根据图像色彩空间类型,提取对应的灰度图像:针对RGB图像、YUV图像、HSV图像、单通道图像等不同色彩空间,提取灰度图像Imgray;
S3:图像边缘检测:针对灰度图像Imgray,采用边缘检测算法,获取边缘图像Imedge,提取边缘图像Imedge中所有的闭合边缘Cj,主要分为以下四步:
S3.1:对灰度图像Imgray各点进行高斯卷积,高斯模板是大小为l1×l2的矩形结构,列方向标准偏差为σx,行方向标准偏差为σy,获取平滑后图像Imgauss,其中典型参数值为l1=7,l2=7,σx=1.5,σy=1.5;
S3.2:利用canny边缘检测算法对Imgauss进行边缘提取,获取二值化的边缘图像Imedge,双阈值参数为Th、Tl,典型参数值为Th=40、Tl=30。
S3.3:对Imedge进行几何形态学中的闭运算操作,形成新的二值化边缘图Immorp,使用的结构元素是大小为l3×l4的矩形结构,典型参数值为l3=5,l4=5;
S3.4:对Immorp进行连通区域检测,将相邻的边缘点标记为同一连通区域,得到连通域Cj,j=1,2,…,m,使用的相邻结构元素是大小为l5×l6的矩形结构,典型参数值为l5=3,l6=3。
S4:图像角点检测:针对灰度图像Imgray,采用角点检测算法,获取图像中所有特征角点,记为点集P={p1,p2…pn},记录各个角点坐标其中k=1,2,…,n;本步骤中角点检测选用orb特征点检测的方法,利用标准方向FAST特征点检测,然后对特征点进行BRIEF特征描述,选取最优的不多于N个特征点,获取特征角点集P={p1,p2…pn},其中n≤N,典型参数值为N=50。
S5:角点分组:在相同闭合边缘Cj内的角点归为同一组。多个闭合边缘将S4中的点集P划分为子集G1,G2…Gm,由于特征角点通常处于物体边缘附近,通过S2中的边缘检测,能够保证所有特征角点都分布在各个边缘的连通域内部,满足特征角点子集G1,G2…Gm为非空互不相交的子集,即:
S6:目标提取:分别提取各子集角点的外部轮廓,求取各组角点的最小外接矩形框,同时求取该组目标形心作为目标位置,计算形心到矩形框各边的最大宽和高,以形心为中心,最大宽高为边作矩形,作为最终目标框;本步骤具体分为以下四步:
S6.1:求特征角点集Gi形心(Xi,Yi),公式如下
其中,i=1,2,…,m,ni是点集Gi中特征角点的个数;
S6.2:求取点集Gi中所有特征角点的外接矩形边界,公式如下:
S6.3:计算形心到外接矩形边的x方向距离Xr,形心到外接矩形边的y方向距离Yr,公式如下:
Xr=max(abs(Xi-xleft),abs(Xi-xright))
Yr=max(abs(Yi-yup),abs(Yi-ydown))
S6.4:计算目标框边界,公式如下:
x′left=Xi-Xr
x′right=Xi+Xr
y′up=Yi-Yr
y′down=Yi+Yr
S7:目标信息输出:输出目标位置和目标框。
本发明提供了一种基于角点的空中目标探测方法,具体实现该技术方案的方法和途径很多,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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于角点的空中目标探测方法,其特征在于,包括以下步骤:
步骤S1:接收视频图像,将视频解包后置于视频缓冲区,获取视频信息,视频信息包括图像分辨率R×C、帧频Nf,以及图像色彩空间类型,其中R表示图像水平像素数,C表示图像垂直像素数;
步骤S2:根据视频图像色彩空间类型,提取灰度图像,记为Imgray;
步骤S3:图像边缘检测:针对灰度图像Imgray,采用边缘检测算法,获取边缘图像Imedge,提取边缘图像Imedge中所有的闭合边缘即连通域;
步骤S4:图像角点检测:针对灰度图像Imgray,采用角点检测算法,获取图像中所有特征角点,记为特征角点集P={p1,p2...pn},记录各个角点坐标;
步骤S5:进行角点分组,将特征角点集P划分为m个子集;
步骤S6:目标提取:分别提取m个子集中角点的外部轮廓,求取各组角点的最小外接矩形框,同时求取该组目标形心作为目标位置,计算形心到外接矩形框各边的最大宽和高,以形心为中心,最大宽高为边作矩形,作为最终目标框;
步骤S7:目标信息输出:输出目标位置和目标框;
步骤S1中,所述视频图像为可见光或红外视频图像;
步骤S2包括:
对于RGB图像,RGB图像分离R通道、G通道、B通道图像,灰度图像Gray获取方法为:
Gray=R*0.299+G*0.587+B*0.114,
对于YUV图像,Y通道即为灰度图像;
对于HSV图像中,V通道为灰度图像;
步骤S3包括如下步骤:
S3.1:对灰度图像Imgray各像素点进行高斯卷积,高斯模板是大小为l1×l2的矩形结构,列方向标准偏差为σx,行方向标准偏差为σy,获取平滑后图像Imgauss,l1、l2分别表示矩形结构的长和宽;
S3.2:利用边缘检测算法对图像Imgauss进行边缘提取,获取二值化的边缘图像Imedge;
S3.3:对图像Imedge进行几何形态学中的闭运算操作,形成新的二值化边缘图Immorp,使用的结构元素是大小为l3×l4的矩形结构,l3、l4分别表示矩形结构的长和宽;
S3.4:对图像Immorp进行连通区域检测,将相邻的边缘点标记为同一连通区域,得到连通域,第j个连通域记为Cj,j=1,2,...,m,使用的相邻结构元素是大小为l5×l6的矩形结构,l5、l6分别表示矩形结构的长和宽;
步骤S4中,所述角点检测算法选用orb特征点检测的方法,利用标准方向FAST特征点检测,然后对特征点进行BRIEF特征描述,选取最优的不多于N个特征角点,获取特征角点集P={p1,p2...pn},其中n≤N,pn表示第n个特征角点,第t个特征角点坐标为
步骤S5包括:在相同闭合边缘内的角点归为同一组,两个以上的闭合边缘将特征角点集P划分为m个子集G1,G2...Gm,Gm表示第m个子集,且子集满足:
其中,特征角点子集G1,G2...Gm为非空互不相交的子集。
2.根据权利要求1所述的方法,其特征在于,步骤S6包括如下步骤:
S6.1:计算第i个特征角点子集Gi形心(Xi,Yi):
S6.2:求取第i个特征角点子集Gi中所有特征角点的外接矩形边界;
S6.3:计算形心到外接矩形边的x方向距离Xr,形心到外接矩形边的y方向距离Yr;
S6.4:计算目标框边界。
5.根据权利要求4所述的方法,其特征在于,S6.3中,采用如下公式计算形心到外接矩形半径:
Xr=max(abs(Xi-xleft),abs(Xi-xright)),
Yr=max(abs(Yi-yup),abs(Yi-ydown)),
其中,abs()为取绝对值运算;
S6.4中,采用如下公式计算新的目标框上、下、左、右边界坐标x′left、x′right、y′up、y′down:
x′left=Xi-Xr,
x′right=Xi+Xr,
y′up=Yi-Yr,
y′down=Yi+Yr。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911124953.8A CN110852323B (zh) | 2019-11-18 | 2019-11-18 | 一种基于角点的空中目标探测方法 |
PCT/CN2020/089937 WO2021098163A1 (zh) | 2019-11-18 | 2020-05-13 | 一种基于角点的空中目标探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911124953.8A CN110852323B (zh) | 2019-11-18 | 2019-11-18 | 一种基于角点的空中目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852323A CN110852323A (zh) | 2020-02-28 |
CN110852323B true CN110852323B (zh) | 2022-03-15 |
Family
ID=69601766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911124953.8A Active CN110852323B (zh) | 2019-11-18 | 2019-11-18 | 一种基于角点的空中目标探测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110852323B (zh) |
WO (1) | WO2021098163A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852323B (zh) * | 2019-11-18 | 2022-03-15 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
CN112542007A (zh) * | 2020-11-30 | 2021-03-23 | 福州外语外贸学院 | 一种金融取款间危险目标检测方法及系统 |
CN113240789B (zh) | 2021-04-13 | 2023-05-23 | 青岛小鸟看看科技有限公司 | 虚拟对象构建方法及装置 |
CN114648575A (zh) * | 2022-04-01 | 2022-06-21 | 合肥学院 | 一种基于orb算法的轨道边坡位移双目视觉检测方法及系统 |
CN116310390B (zh) * | 2023-05-17 | 2023-08-18 | 上海仙工智能科技有限公司 | 一种空心目标的视觉检测方法及系统、库位管理系统 |
CN116740332B (zh) * | 2023-06-01 | 2024-04-02 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010140159A2 (en) * | 2009-06-05 | 2010-12-09 | Hewlett-Packard Development Company, L.P. | Edge detection |
CN102298698B (zh) * | 2011-05-30 | 2013-04-10 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
CN102567994B (zh) * | 2011-12-31 | 2014-08-20 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
CN105260749B (zh) * | 2015-11-02 | 2018-11-13 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN108629343B (zh) * | 2018-04-28 | 2020-08-04 | 湖北民族学院 | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 |
CN109215018A (zh) * | 2018-08-23 | 2019-01-15 | 上海海事大学 | 基于Canny算子和高斯形态学的船舶检测方法 |
CN109614864B (zh) * | 2018-11-06 | 2021-08-27 | 南京莱斯电子设备有限公司 | 一种地基视角多机型飞机起落架收放状态检测方法 |
CN109858455B (zh) * | 2019-02-18 | 2023-06-20 | 南京航空航天大学 | 一种针对圆形目标的分块检测尺度自适应跟踪方法 |
CN110264459A (zh) * | 2019-06-24 | 2019-09-20 | 江苏开放大学(江苏城市职业学院) | 一种土壤裂缝特征信息提取方法 |
CN110852323B (zh) * | 2019-11-18 | 2022-03-15 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
-
2019
- 2019-11-18 CN CN201911124953.8A patent/CN110852323B/zh active Active
-
2020
- 2020-05-13 WO PCT/CN2020/089937 patent/WO2021098163A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2021098163A1 (zh) | 2021-05-27 |
CN110852323A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852323B (zh) | 一种基于角点的空中目标探测方法 | |
US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN105844655B (zh) | 一种激光线条纹边缘提取方法 | |
US20060153450A1 (en) | Integrated image processor | |
CN110268442B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN104392210A (zh) | 一种手势识别方法 | |
CN104766096A (zh) | 一种基于多尺度全局特征和局部特征的图像分类方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
Serrano-Cuerda et al. | Robust human detection and tracking in intelligent environments by information fusion of color and infrared video | |
Devane et al. | Lane detection techniques using image processing | |
CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
Chaloeivoot et al. | Building detection from terrestrial images | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN110751068B (zh) | 基于自适应时空融合的远距离弱小目标视觉检测方法 | |
CN109961012A (zh) | 一种水下目标跟踪识别方法 | |
Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
CN104899898A (zh) | 基于多维信息概率模型的路面检测方法 | |
Lo et al. | Shadow detection by integrating multiple features | |
Wu et al. | Real-time 2D hands detection and tracking for sign language recognition |
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 |