CN110991313B - 一种基于背景分类的运动小目标检测方法和系统 - Google Patents

一种基于背景分类的运动小目标检测方法和系统 Download PDF

Info

Publication number
CN110991313B
CN110991313B CN201911191359.0A CN201911191359A CN110991313B CN 110991313 B CN110991313 B CN 110991313B CN 201911191359 A CN201911191359 A CN 201911191359A CN 110991313 B CN110991313 B CN 110991313B
Authority
CN
China
Prior art keywords
background
image
target
deep space
detection result
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
Application number
CN201911191359.0A
Other languages
English (en)
Other versions
CN110991313A (zh
Inventor
胡若澜
魏小林
刘璐
董斐
姜军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Beijing Aerospace Institute for Metrology and Measurement Technology
Original Assignee
Huazhong University of Science and Technology
Beijing Aerospace Institute for Metrology and Measurement Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, Beijing Aerospace Institute for Metrology and Measurement Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911191359.0A priority Critical patent/CN110991313B/zh
Publication of CN110991313A publication Critical patent/CN110991313A/zh
Application granted granted Critical
Publication of CN110991313B publication Critical patent/CN110991313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于背景分类的运动小目标检测方法和系统，其中方法包括：将图像中的地物深空混合背景分类为地物背景区域和深空背景区域，对地物背景区域图像基于多尺度空域显著特征的方法实现运动小目标检测，对深空背景区域图像基于不变矩特征的方法实现运动小目标检测，对地物和深空背景区域检测到的目标进行综合和多帧确认得到目标检测结果。系统包括背景分类模块、地物背景目标检测模块、深空背景目标检测模块和目标检测结果综合确认模块。本发明在地物深空混合背景下提高运动小目标检测率、降低运动小目标检测的虚警率。

Description

一种基于背景分类的运动小目标检测方法和系统
技术领域
本发明属于图像处理技术领域，更具体地，涉及一种基于背景分类的运动小目标检测方法和系统。
背景技术
复杂背景下的运动小目标检测是一个难点问题。小目标没有形状信息，对比度低，容易湮没于复杂背景中。抑制背景干扰增强目标是提高复杂背景下目标检测性能的重要途经，对提高运动小目标探测性能具有重要的意义。
空天环境下背景图像复杂，可能是包含有地物背景和深空背景的混合背景。其中地物背景包含大气和地表辐射，不同地表温度不同，地表辐射差距大，局部差距明显。深空背景中包含星际空间辐射、行星辐射和黄道尘埃辐射，以及类似目标的恒星点辐射源。常用的小目标检测方法采用空域滤波、时域滤波和频域滤波来抑制背景增强目标实现小目标检测。这些方法常用于复杂背景下的目标检测中，用于深空背景时无法有效抑制深空背景中的恒星点干扰。常用于深空背景目标检测的方法，利用多帧信息估计深空背景的运动特征来抑制恒星点干扰。这类方法适用于特定深空背景，不适用于复杂的地物背景。针对地物深空混合背景下的运动小目标检测问题，现有方法难以同时有效抑制地物复杂背景和深空背景中的恒星点干扰。
发明内容
针对现有技术的以上缺陷和实际应用需求，本发明提供了一种基于背景分类的运动小目标检测方法和系统，由此解决空天环境地物深空混合背景下同时抑制复杂地物背景和深空背景中的恒星点干扰，实现运动小目标检测的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于背景分类的运动小目标检测方法，包括：
(1)对图像中的地物深空混合背景进行分类，标记背景类别得到背景模板图像；
(2)利用背景模板图像获得图像中的地物背景区域图像，基于多尺度空域显著特征得到地物背景目标检测结果；
(3)利用背景模板图像获得图像中的深空背景区域图像，基于不变矩特征得到深空背景目标检测结果；
(4)综合地物背景目标检测结果和深空背景目标检测结果并进行多帧确认，得到最终的目标检测结果。
进一步地，小目标为像素尺度小于6×6，且局部信噪比小于5的运动目标。
进一步地，步骤(1)包括：
(11)对图像计算多角度相关统计值生成灰度共生矩阵；
(12)对计算得到的灰度共生矩阵进行分割，标记图像中各像素的背景类别，得到背景模板图像。
进一步地，步骤(2)包括：
(21)利用背景模板图像获得图像中的地物背景区域图像；
(22)对地物背景区域图像进行多尺度空域显著性分析得到空域显著特征；
(23)对得到的空域显著特征进行分割得到候选目标，再对每个候选目标进行SCR滤波处理，得到地物背景目标检测结果。
进一步地，步骤(3)包括：
(31)利用背景模板图像获得图像中的深空背景区域图像；
(32)对深空背景区域图像提取背景中的显著星体点，利用不变矩特征找出在连续多帧图像中出现的显著星体点作为参考星体点，再利用仿射变换估计深空背景的运动特征参数；
(33)对深空背景区域图像检测得到候选目标点，利用估计的仿射变换参数寻找前两帧图像中的匹配点作为背景中的星体点予以剔除，得到候选目标点集；
(34)计算候选目标点集中每个候选目标点的运动特征，根据目标的运动特征和灰度特征的一致性对候选目标点进行筛选，得到深空背景目标检测结果。
进一步地，步骤(4)包括：
(41)将步骤(2)和步骤(3)处理得到的目标检测结果进行综合得到候选目标集合；
(42)对候选目标集合中的每个候选目标进行多帧确认，得到最终的目标检测结果。
按照本发明的另一方面，提供了一种基于背景分类的运动小目标检测系统，包括：
背景分类模块，用于对图像中的地物深空混合背景进行分类，标记背景类别得到背景模板图像；
地物背景目标检测模块，用于利用所述背景模板图像获得图像中的地物背景区域图像，基于多尺度空域显著特征得到地物背景目标检测结果；
深空背景目标检测模块，用于利用所述背景模板图像获得图像中的深空背景区域图像，基于不变矩特征得到深空背景目标检测结果；
目标检测结果综合确认模块，用于综合地物背景目标检测结果和深空背景目标检测结果并进行多帧确认，得到最终的目标检测结果。
进一步地，小目标为像素尺度小于6×6，且局部信噪比小于5的运动目标。
进一步地，背景分类模块包括：
灰度共生矩阵计算子模块，用于对图像计算多角度的相关统计值得到灰度共生矩阵；
背景模板生成子模块，用于对得到的灰度共生矩阵进行分割，标记图像中各像素的背景类别，得到背景模板图像。
进一步地，地物背景目标检测模块包括：
地物背景区域图像获取子模块，利用背景模板图像提取图像中的地物背景区域图像；
空域显著性分析子模块，利用多尺度显著性分析算子对获得的地物背景区域图像进行分析，得到地物背景区域图像的空域显著特征；
目标检测子模块，对空域显著特征值进行分割得到候选目标，再对每个候选目标进行SCR滤波处理，得到地物背景目标检测结果。
进一步地，深空背景目标检测模块包括：
深空背景运动特征估计子模块，利用不变矩特征找出序列图像中的参考星体点来估计得到深空背景的运动特征参数；
深空背景星体点剔除子模块，提取候选目标点，利用估计得到的深空背景运动特征参数在前两帧图像中寻找匹配点作为星体点予以剔除，得到候选目标点集；
目标确认子模块，计算候选目标点集中候选目标点的运动特征，根据目标运动特征和灰度特征的一致性对候选目标点进行筛选，得到深空背景目标检测结果。
进一步地，目标检测结果综合确认模块包括：
目标检测结果综合子模块，用于将地物背景目标检测结果和深空背景目标检测结果进行综合，得到候选目标集合；
目标检测结果确认子模块，用于对候选目标集合中的每个候选目标进行多帧确认，得到最终的目标检测结果。
总体而言，本发明所构思的以上技术方案与现有技术相比，通过对地物深空混合背景进行分类，针对不同类型背景区域图像采用不同的目标检测方法，综合目标检测结果进行多帧确认，可以同时抑制地物复杂背景和深空背景中的恒星点干扰，降低地物深空混合背景下运动小目标检测的虚警率，提高目标检测率。
附图说明
图1是本发明实施例提供的一种基于背景分类的运动小目标检测方法的流程图；
图2是本发明实施例提供的地物深空混合背景图像；
图3是本发明实施例提供的背景模板图像；
图4是本发明实施例提供的地物背景目标检测结果；
图5是本发明实施例提供的深空背景目标检测结果；
图6是本发明实施例提供的综合目标检测结果；
图7是本发明实施例提供的目标检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种基于背景分类的运动小目标检测方法，包括：
(1)对图像中的地物深空混合背景进行分类，标记背景类别得到背景模板图像；
(2)利用背景模板图像获得图像中的地物背景区域图像，基于多尺度空域显著特征得到地物背景目标检测结果；
(3)利用背景模板图像获得图像中的深空背景区域图像，基于不变矩特征得到深空背景目标检测结果；
(4)综合地物背景和深空背景区域图像的目标检测结果并进行多帧确认。
具体地，步骤(1)包括：
(11)对如图2所示的地物深空混合背景的图像，按照P(g1，g2)＝#{[(x1，y1)，(x2，y2)]∈S|f(x1，y1)＝g1&f(x2，y2)＝g2}计算灰度共生矩阵，其中(x1，y1)和(x2，y2)分别代表图像中的两个像素点，其相对位置由角度参数θ表示，#表示满足条件的像元对数量，选择相关统计量作为纹理特征测度
Figure BDA0002293651240000061
选择θ＝0°，45°，90°融合得到灰度共生矩阵；
(12)对计算得到的灰度共生矩阵进行分割，用灰度值0标记地物背景像素，用灰度值255标记深空背景像素，得到背景模板图像如图3所示。
具体地，步骤(2)包括：
(21)利用背景模板图像获得图像中的地物背景区域图像；
Figure BDA0002293651240000062
(22)对地物背景区域图像进行多尺度空域显著性分析，空域显著性分析算子为
Figure BDA0002293651240000063
N1和N2分别为内窗和外窗的像素个数，内窗为3×3，外窗为5×5，7×7和9×9，将三个尺度滤波得到的显著值叠加
Figure BDA0002293651240000064
得到空域显著特征；
(23)对得到的空域显著特征值进行分割后标记得到候选目标，分割阈值为Th＝μ+kσ，其中μ和σ为对地物背景区域的显著特征值的均值和方差，再对每个候选目标进行SCR滤波，计算
Figure BDA0002293651240000065
其中B表示以目标为中心的21×21的背景区域，候选目标的SCRT值大于设定阈值时确认为目标，得到目标集合
Figure BDA0002293651240000066
如图4所示白色方框标记的目标。
具体地，步骤(3)包括：
(31)利用背景模板图像获得图像中的深空背景区域图像；
Figure BDA0002293651240000071
(32)对深空背景区域图像，提取连续三帧图像中灰度值较高的前10个星体点，每三个星体点为一组计算包含这三个星体的不变矩，T1＝N20+N02，
Figure BDA0002293651240000072
其中
Figure BDA0002293651240000073
Figure BDA0002293651240000074
挑选其中不变矩变化最小的一组星体作为参考星体组，采用如下的仿射变换公式，估计仿射变换参数m11，m12，m13，m21，m22，m23得到深空背景的运动特征；
Figure BDA0002293651240000075
(33)对深空背景区域图像检测候选目标点，对每个候选目标点利用估计得到的仿射变换参数进行仿射变换，在前两帧图像中对应位置找匹配点，同时满足
Figure BDA0002293651240000076
和
Figure BDA0002293651240000077
Figure BDA0002293651240000078
时认为是背景中的星体点予以剔除，其中PTh和MTh分别为设定的位置偏差阈值和不变矩特征偏差阈值。
(34)对剩余的每个目标候选点计算
Figure BDA0002293651240000079
其中
Figure BDA00022936512400000710
σ123为连续三帧中灰度标准差，当其
Figure BDA00022936512400000711
小于设定阈值时认为该候选点为目标，得到目标集合
Figure BDA00022936512400000712
如图5所示大圈标记的目标，图5中小圈标记的是剔除的星体点。
具体地，步骤(4)包括：
(41)将步骤(2)和步骤(3)处理得到的目标检测结果进行综合，得到候选目标集合
Figure BDA00022936512400000713
如图6所示圆圈标记的目标；
(42)对连续多帧图像中检测到的目标集合Tt中的每个目标进行多帧确认，利用目标的运动特征和灰度特征的一致性在多帧目标检测结果中确认连续3次以上检测到的目标，得到最终的目标检测结果，如图7所示中间区域圆圈标记的目标，图7中旁侧区域圆圈标记的是非目标。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实时例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于背景分类的运动小目标检测方法，其特征在于，包括：
(1)对图像中的地物深空混合背景进行分类，标记背景类别得到背景模板图像；
(2)利用所述背景模板图像获得图像中的地物背景区域图像，基于多尺度空域显著特征得到地物背景目标检测结果；具体包括：
(21)利用背景模板图像获得图像中的地物背景区域图像；
(22)对所述地物背景区域图像进行多尺度空域显著性分析得到空域显著特征；
(23)对所述空域显著特征进行分割得到候选目标，再对每个候选目标进行SCR滤波处理，得到地物背景目标检测结果；
(3)利用所述背景模板图像获得图像中的深空背景区域图像，基于不变矩特征得到深空背景目标检测结果；具体包括：
(31)利用背景模板图像获得图像中的深空背景区域图像；
(32)对所述深空背景区域图像提取背景中的显著星体点，利用不变矩特征找出在连续多帧图像中出现的显著星体点作为参考星体点，再利用仿射变换估计深空背景的运动特征参数；
(33)对深空背景区域图像检测得到候选目标点，利用估计的仿射变换参数寻找前两帧图像中的匹配点作为背景中的星体点予以剔除，得到候选目标点集；
(34)计算候选目标点集中每个候选目标点的运动特征，根据目标的运动特征和灰度特征的一致性对候选目标点进行筛选，得到深空背景目标检测结果；
(4)综合所述地物背景目标检测结果和所述深空背景目标检测结果并进行多帧确认，得到最终的目标检测结果。
2.如权利要求1所述的基于背景分类的运动小目标检测方法，其特征在于，所述步骤(1)包括：
(11)对图像计算多角度相关统计值生成灰度共生矩阵；
(12)对所述灰度共生矩阵进行分割，标记图像中各像素的背景类别，得到背景模板图像。
3.如权利要求1所述的基于背景分类的运动小目标检测方法，其特征在于，所述步骤(4)包括：
(41)将步骤(2)和步骤(3)处理得到的地物背景目标检测结果和深空背景目标检测结果进行综合得到候选目标集合；
(42)对所述候选目标集合中的每个候选目标进行多帧确认，得到最终的目标检测结果。
4.一种基于背景分类的运动小目标检测系统，其特征在于，包括：
背景分类模块，用于对图像中的地物深空混合背景进行分类，标记背景类别得到背景模板图像；
地物背景目标检测模块，用于利用所述背景模板图像获得图像中的地物背景区域图像，基于多尺度空域显著特征得到地物背景目标检测结果；包括：
地物背景区域图像获取子模块，利用背景模板图像提取图像中的地物背景区域图像；
空域显著性分析子模块，利用多尺度显著性分析算子对获得的地物背景区域图像进行分析，得到地物背景区域图像的空域显著特征；
目标检测子模块，用于对空域显著特征值进行分割得到候选目标，再对每个候选目标进行SCR滤波处理，得到地物背景目标检测结果；
深空背景目标检测模块，用于利用所述背景模板图像获得图像中的深空背景区域图像，基于不变矩特征得到深空背景目标检测结果；包括：
深空背景运动特征估计子模块，利用不变矩特征找出序列图像中的参考星体点来估计得到深空背景的运动特征参数；
深空背景星体点剔除子模块，提取候选目标点，利用估计得到的深空背景运动特征参数在前两帧图像中寻找匹配点作为星体点予以剔除，得到候选目标点集；
目标确认子模块，计算候选目标点集中候选目标点的运动特征，根据目标运动特征和灰度特征的一致性对候选目标点进行筛选，得到深空背景目标检测结果；
目标检测结果综合确认模块，用于综合地物背景目标检测结果和深空背景目标检测结果并进行多帧确认，得到最终的目标检测结果。
5.如权利要求4所述的基于背景分类的运动小目标检测系统，其特征在于，所述背景分类模块包括：
灰度共生矩阵计算子模块，用于对图像计算多角度的相关统计值得到灰度共生矩阵；
背景模板生成子模块，用于对得到的灰度共生矩阵进行分割，标记图像中各像素的背景类别，得到背景模板图像。
6.如权利要求4所述的基于背景分类的运动小目标检测系统，其特征在于，所述目标检测结果综合确认模块包括：
目标检测结果综合子模块，用于将地物背景目标结果和深空背景目标检测结果进行综合，得到候选目标集合；
目标检测结果确认子模块，用于对所述候选目标集合中的每个候选目标进行多帧确认，得到最终的目标检测结果。
CN201911191359.0A 2019-11-28 2019-11-28 一种基于背景分类的运动小目标检测方法和系统 Active CN110991313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911191359.0A CN110991313B (zh) 2019-11-28 2019-11-28 一种基于背景分类的运动小目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911191359.0A CN110991313B (zh) 2019-11-28 2019-11-28 一种基于背景分类的运动小目标检测方法和系统

Publications (2)

Publication Number Publication Date
CN110991313A CN110991313A (zh) 2020-04-10
CN110991313B true CN110991313B (zh) 2022-02-15

Family

ID=70087979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911191359.0A Active CN110991313B (zh) 2019-11-28 2019-11-28 一种基于背景分类的运动小目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN110991313B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247059A (zh) * 2013-05-27 2013-08-14 北京师范大学 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN107886498A (zh) * 2017-10-13 2018-04-06 中国科学院上海技术物理研究所 一种基于星载图像序列的空间目标检测跟踪方法
CN109410137A (zh) * 2018-10-11 2019-03-01 中国科学院上海技术物理研究所 一种暗弱目标的探测方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN110207671A (zh) * 2018-12-29 2019-09-06 中国科学院软件研究所 一种天基智能成像系统
CN110287939A (zh) * 2018-12-29 2019-09-27 中国科学院软件研究所 天基智能图像处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9977978B2 (en) * 2011-11-14 2018-05-22 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247059A (zh) * 2013-05-27 2013-08-14 北京师范大学 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN107886498A (zh) * 2017-10-13 2018-04-06 中国科学院上海技术物理研究所 一种基于星载图像序列的空间目标检测跟踪方法
CN109410137A (zh) * 2018-10-11 2019-03-01 中国科学院上海技术物理研究所 一种暗弱目标的探测方法
CN110207671A (zh) * 2018-12-29 2019-09-06 中国科学院软件研究所 一种天基智能成像系统
CN110287939A (zh) * 2018-12-29 2019-09-27 中国科学院软件研究所 天基智能图像处理方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Infrared Moving Small-Target Detection via Spatiotemporal Consistency of Trajectory Points;Fan Zhao等;《IEEE》;20190613;第122-126页 *
高光谱成像技术的应用与发展;周阳;《宇航计测技术》;20170831;第37卷(第4期);第25-29，34页 *

Also Published As

Publication number Publication date
CN110991313A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN106845374B (zh) 基于深度学习的行人检测方法及检测装置
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
CN107808161B (zh) 一种基于光视觉的水下目标识别方法
CN107369158B (zh) 基于rgb-d图像的室内场景布局估计及目标区域提取方法
CN111027497B (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN107492076B (zh) 一种高速公路隧道场景车辆阴影干扰抑制方法
CN107609564B (zh) 基于联合分割和傅里叶描述子库的水下目标图像识别方法
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN110827262B (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN112784757B (zh) 海上sar舰船目标显著性检测与识别方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN103679740A (zh) 一种无人机对地目标roi提取方法
Murugan et al. Automatic moving vehicle detection and classification based on artificial neural fuzzy inference system
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
CN111028263A (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN110991313B (zh) 一种基于背景分类的运动小目标检测方法和系统
Hsieh et al. A novel approach to the detection of small objects with low contrast
CN114943869B (zh) 风格迁移增强的机场目标检测方法
CN113887652B (zh) 基于形态和多示例学习的遥感图像弱小目标检测方法
CN110598702A (zh) 一种船舰目标检测数据集的制备方法、系统、设备及介质

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