CN111291762A - 一种基于多特征点差异的多波段图像融合检测方法 - Google Patents

一种基于多特征点差异的多波段图像融合检测方法 Download PDF

Info

Publication number
CN111291762A
CN111291762A CN202010163441.9A CN202010163441A CN111291762A CN 111291762 A CN111291762 A CN 111291762A CN 202010163441 A CN202010163441 A CN 202010163441A CN 111291762 A CN111291762 A CN 111291762A
Authority
CN
China
Prior art keywords
multiband
image
target
segmentation
segmented
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
Application number
CN202010163441.9A
Other languages
English (en)
Other versions
CN111291762B (zh
Inventor
余跃
杨俊彦
钱琨
王兴
杨波
蔡彬
陈宗镁
刘浩伟
林前进
沈飞
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202010163441.9A priority Critical patent/CN111291762B/zh
Publication of CN111291762A publication Critical patent/CN111291762A/zh
Application granted granted Critical
Publication of CN111291762B publication Critical patent/CN111291762B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多特征点差异的多波段图像融合检测方法，属于图像分割技术和目标提取技术领域，根据目标和背景成像后在多个波段特征点的差异性，提取当前多波段图像有效特征向量，依托预先标定的典型目标和背景的多波段图像信息，利用特征级融合方法对提取的特征向量进行筛选和比对，进而确定真实目标。所述融合检测方法根据目标和背景在多波段成像的特征差异，引入基于多波段的图像分割方法，在分割后图像中抽取典型特征向量，设计基于多波段双色比信息的特征值融合和筛选机制，在复杂背景下检测目标。本发明抑制了复杂背景对目标提取的干扰，降低复杂背景下检测虚警率。

Description

一种基于多特征点差异的多波段图像融合检测方法
技术领域
本发明涉及一种基于多特征点差异的多波段图像融合检测方法，特别是涉及一种应用于复杂背景下红外成像系统的目标检测方法，属于图像分割技术和目标提取技术领域。
背景技术
在现代高科技战争中，为了能够尽早地发现敌方来袭导弹、飞机等军事目标，使制导系统有足够的反应时间，要求红外侦察系统在远距离处就能发现目标。只有及时地发现目标、跟踪目标、捕获和锁定目标，才能对其实施有效地拦截或攻击。目前单色红外探测获得的信息较单一，导致它存在探测虚警率高的问题。多色红外探测设备成为研究热点，这其中的多波段图像融合技术是该领域的关键技术之一。
图像融合算法可分为像素级融合、特征级融合和决策级融合。其中像素级融合主要方法有HIS变换、神经网络法、小波变换等，特征级融合主要方法有聚类分析法、信息熵方法等，决策级融合主要方法有Bayes估计法、Neural Network法等，在实际应用中根据红外成像系统的特点选择合适的图像融合方法，以达到快速检测识别目标的目的。现有方法均存在算法复杂且对运算载体性能要求高的问题，在嵌入式快速响应系统上工程化实现难度极大。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供了一种基于多特征点差异的多波段图像融合检测方法，根据目标和背景成像后在多个波段特征点的差异性，提取当前多波段图像有效特征向量，依托预先标定的典型目标和背景的多波段图像信息，利用特征级融合方法对提取的特征向量进行筛选和比对，进而确定真实目标。所述融合检测方法根据目标和背景在多波段成像的特征差异，引入基于多波段的图像分割方法，在分割后图像中抽取典型特征向量，设计基于多波段双色比信息的特征值融合和筛选机制，在复杂背景下检测目标。本发明与现有技术相比，其效果是：通过引入特征级融合方法，丰富了目标检测流程，抑制了复杂背景对目标提取的干扰，降低复杂背景下检测虚警率。
本发明目的通过以下技术方案予以实现：
一种基于多特征点差异的多波段图像融合检测方法，包括如下步骤：
S1、利用多阈值分割方法对多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
S2、利用所有分割对象的特征值统计结果，在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
S3、基于某一波段红外图像中的任一分割对象的位置信息，计算该分割对象的双色比信息；根据预先存储的双色比信息，对所有分割对象进行目标和背景分类，根据多帧累计结果确认目标。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S1中所述的特征值包括所有分割对象的两维坐标和灰度值。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S1中所述多波段红外图像为同一目标场景的多波段红外图像，红外波段数量不少于3个。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S1中，利用多波段红外成像系统接收复杂背景的红外图像信息，形成多波段红外图像。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S2中，每个波段图像中的分割对象按照位置信息的升序或降序排列。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S3中，计算任一分割对象的双色比信息的方法为：以当前波段红外图像的任一分割对象的灰度为基准，计算其他波段该分割对象的灰度与该分割对象的灰度的比值，作为该分割对象的双色比信息。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S3中，计算其他波段该分割对象的灰度与该分割对象的灰度的比值时，其他任一波段红外图像中该分割对象的灰度均与当前波段红外图像中该分割对象的灰度进行比值计算。
上述基于多特征点差异的多波段图像融合检测方法，优选的，S3中，将所有分割对象的双色比信息组成双色比特征值向量；根据预先存储的双色比信息，对所述双色比特征值向量进行遍历和筛选，对所有分割对象进行目标和背景分类。
上述基于多特征点差异的多波段图像融合检测方法，优选的，当所述双色比特征值向量与预先存储的双色比信息相比误差不超过10％的分割对象，作为疑似目标进行标记。
上述基于多特征点差异的多波段图像融合检测方法，优选的，对于不同波段间用于计算双色比信息的任一分割对象，该分割对象的每一维度的形心坐标值之差不大于5个像素点。
本发明相比于现有技术具有如下有益效果：
(1)本发明利用目标和背景在不同的中波红外成像的特性，形成基于不同波段的红外特征图像，在不同波段分别提取对应的目标特征信息，形成目标位置、红外特征等多种信息集合，为后期特征级融合提供信息基础。
(2)本发明通过多波段间目标和背景的特征差异，形成基于位置的双色比特征集合，利用双色比特征集合筛选目标、虚假目标、背景，可以降低识别虚假目标的可能性，增大目标提取成功的概率；即降低虚警率，提高检测概率。
(3)本发明计算多波段双色比信息的过程只引入简单的除法运算，形成了双色比特征集合，运算速度极快且运算资源占有率低，易于在较低性能的硬件平台上实现。
(4)本发明利用先验的双色比信息筛选目标和背景，以多帧累积的方法来确认真实目标，该结论可靠性高且目标信息可追溯。
附图说明
图1为本发明实施例的方法流程图；
图2为4个中波波段的红外成像原始图像示意图，其中(2a)为波段1原始图像，(2b)为波段2原始图像，(2c)为波段3原始图像，(2d)为波段4原始图像；
图3为4个中波波段的红外成像分割图像示意图，其中(3a)为波段1分割图像，(3b)为波段2分割图像，(3c)为波段3分割图像，(3d)为波段4分割图像；
图4为4个中波波段的红外成像检测结果示意图，其中(4a)为波段1检测结果图像，(4b)为波段2检测结果图像，(4c)为波段3检测结果图像，(4d)为波段4检测结果图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步详细描述。
本发明的构思是：根据目标和背景多波段成像特点，提取候选目标特征向量，利用特征级融合方法形成基于多特征点差异的向量集合，依托预先标定的多波段红外特征信息模板，通过信息比对和筛选，区分目标和背景，进而完成对红外目标有效提取。包括如下步骤：
步骤一：通过多阈值分割方法对多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
步骤二：在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
步骤三：基于分割对象的位置信息，计算对应的双色比信息，利用双色比信息对分割对象进行目标和背景的分类，根据多帧累计的结果确认目标。
步骤一中，根据多波段红外成像系统接收的图像，利用基于每个波段的多阈值分割方法对红外图像进行分割，得到每个波段的分割图像，对每个波段内的所有分割对象进行两维坐标和灰度值统计。
步骤二中，根据分割对象统计的特征值，对每个波段内的分割对象进行位置信息的升序排序，建立基于位置信息的灰度向量集。
步骤三中，利用位置信息的排序，以当前某一个波段的分割对象灰度为基准，计算其它波段对应分割对象的灰度与该波段分割对象的灰度的比值，得到各个波段对应该波段的灰度双色比信息，形成双色比特征值向量。根据预先存储的双色比信息对当前的双色比特征向量进行遍历和筛选，选出当前帧的疑似目标和背景，利用多帧筛选的结果确认复杂背景下的真实目标。
实施例1：
一种基于多特征点差异的多波段图像融合检测方法，包括如下步骤：
S1、利用多阈值分割方法对多波段红外图像进行分割，对所有分割出的对象进行特征值统计；所述的特征值包括所有分割对象的两维坐标和灰度值。利用多波段红外成像系统接收复杂背景的红外图像信息，形成多波段红外图像；所述多波段红外图像为同一目标场景的多波段红外图像，红外波段数量不少于3个。
S2、利用所有分割对象的特征值统计结果，在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行升序或降序排列。
S3、基于某一波段红外图像中的任一分割对象的位置信息，计算该分割对象的双色比信息；根据预先存储的双色比信息，对所有分割对象进行目标和背景分类，根据多帧累计结果确认目标。
S3中，计算任一分割对象的双色比信息的方法为：以当前波段红外图像的任一分割对象的灰度为基准，计算其他波段该分割对象的灰度与该分割对象的灰度的比值，作为该分割对象的双色比信息。其中，计算其他波段该分割对象的灰度与该分割对象的灰度的比值时，其他任一波段红外图像中该分割对象的灰度均与当前波段红外图像中该分割对象的灰度进行比值计算。
S3中，将所有分割对象的双色比信息组成双色比特征值向量；根据预先存储的双色比信息，对所述双色比特征值向量进行遍历和筛选，对所有分割对象进行目标和背景分类。其中，当所述双色比特征值向量与预先存储的双色比信息相比误差不超过10％的分割对象，作为疑似目标进行标记。
对于不同波段间用于计算双色比信息的任一分割对象，该分割对象的每一维度的形心坐标值之差不大于5个像素点。
实施例2：
由于红外图像在多种红外波段内的成像结果不尽相同，因此可以通过选取目标和背景在各个波段之间特征点差异来区分背景和目标，其中特征点包括目标和背景的位置信息和灰度信息。本发明采用位置和灰度的特征级融合方式对4波段中波红外图像进行目标检测。其主要流程如图1所示。
基于多特征点差异的多波段图像融合检测方法主要通过以下过程展开：
1)取一幅复杂背景下的目标图像，得到该图像在4个中波波段的红外成像图，如图2所示，以某一个波段为例，取高于背景绝对灰度值100为各区域的分割阈值，对全图区域进行分割后，在全图区域采用极大值遍历方式，求取每个区域对应的极大值。在任一区域内，取该区域内极大值灰度五分之四以上的局部确定为该极大值对应的分割对象；提取出全图所有的分割对象。利用形心坐标求取方法获得任一分割对象的位置信息，利用求取平均灰度值获得该分割对象的灰度信息。同理，在其它3个波段中采取相同的分割方法，求取目标和背景的红外特征信息，如图3所示，对应的分割阈值分别为80、50和20。
分割对象的两维位置信息获取模型如下：
Figure BDA0002406601690000061
xi∈[xmin,xmax],n为分割区域像元个数
Figure BDA0002406601690000062
yi∈[ymin,ymax],n为分割区域像元个数
其中，(xc,yc)为分割目标形心对应的坐标。
分割对象的灰度信息获取模型如下：
Figure BDA0002406601690000071
grayi∈[graymin,graymax],n为分割区域像元个数
2)根据各个波段内的分割对象的位置信息，在同一波段的红外图像，首先按照横坐标信息对分割对象进行初次升序排列，再根据纵坐标对分割对象进行再次升序排序，形成基于位置信息的坐标、灰度向量集。
Figure BDA0002406601690000072
m为分割对象数目
3)在坐标、灰度向量集的基础上，以当前某一个波段为基准，称之为主波段，在主波段分割出的对象坐标位置附近寻找其它波段对应的分割对象，求取该分割对象灰度的双色比信息。其中分割对象位置的横坐标和纵坐标选定范围均为5个像素距离。在此基础上，形成3个基于主波段的双色比特征向量集合。
灰度双色比计算方式如下：
Figure BDA0002406601690000073
|xi-xc|≤5,|yi-yc|≤5
4)根据预先存储的双色比信息对求得的3个灰度双色比特征向量集进行集合内遍历，取在10％误差范围内的灰度双色比信息为真实目标有效的灰度双色比信息，并对该双色比信息对应的疑似目标进行标记，其目标可信度累加1。在多帧累计的情况下，若某一疑似目标的可信度连续增加且首先达到30，则认为该目标为真实目标，如图4所示，记录该目标的所有特征值信息，形成可追溯和更新的目标链。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于多特征点差异的多波段图像融合检测方法，其特征在于，包括如下步骤：
S1、利用多阈值分割方法对多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
S2、利用所有分割对象的特征值统计结果，在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
S3、基于某一波段红外图像中的任一分割对象的位置信息，计算该分割对象的双色比信息；根据预先存储的双色比信息，对所有分割对象进行目标和背景分类，根据多帧累计结果确认目标。
2.根据权利要求1所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S1中所述的特征值包括所有分割对象的两维坐标和灰度值。
3.根据权利要求1所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S1中所述多波段红外图像为同一目标场景的多波段红外图像，红外波段数量不少于3个。
4.根据权利要求1所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S1中，利用多波段红外成像系统接收复杂背景的红外图像信息，形成多波段红外图像。
5.根据权利要求1所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S2中，每个波段图像中的分割对象按照位置信息的升序或降序排列。
6.根据权利要求1所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S3中，计算任一分割对象的双色比信息的方法为：以当前波段红外图像的任一分割对象的灰度为基准，计算其他波段该分割对象的灰度与该分割对象的灰度的比值，作为该分割对象的双色比信息。
7.根据权利要求6所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S3中，计算其他波段该分割对象的灰度与该分割对象的灰度的比值时，其他任一波段红外图像中该分割对象的灰度均与当前波段红外图像中该分割对象的灰度进行比值计算。
8.根据权利要求6所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，S3中，将所有分割对象的双色比信息组成双色比特征值向量；根据预先存储的双色比信息，对所述双色比特征值向量进行遍历和筛选，对所有分割对象进行目标和背景分类。
9.根据权利要求8所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，当所述双色比特征值向量与预先存储的双色比信息相比误差不超过10％的分割对象，作为疑似目标进行标记。
10.根据权利要求1～9之一所述的一种基于多特征点差异的多波段图像融合检测方法，其特征在于，对于不同波段间用于计算双色比信息的任一分割对象，该分割对象的每一维度的形心坐标值之差不大于5个像素点。
CN202010163441.9A 2020-03-10 2020-03-10 一种基于多特征点差异的多波段图像融合检测方法 Active CN111291762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010163441.9A CN111291762B (zh) 2020-03-10 2020-03-10 一种基于多特征点差异的多波段图像融合检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010163441.9A CN111291762B (zh) 2020-03-10 2020-03-10 一种基于多特征点差异的多波段图像融合检测方法

Publications (2)

Publication Number Publication Date
CN111291762A true CN111291762A (zh) 2020-06-16
CN111291762B CN111291762B (zh) 2022-12-13

Family

ID=71030202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010163441.9A Active CN111291762B (zh) 2020-03-10 2020-03-10 一种基于多特征点差异的多波段图像融合检测方法

Country Status (1)

Country Link
CN (1) CN111291762B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837335A (zh) * 2021-01-27 2021-05-25 上海航天控制技术研究所 一种中长波红外复合的抗干扰方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6298143B1 (en) * 1997-04-03 2001-10-02 Kabushiki Kaisha Toshiba Moving target detecting system and moving target detecting method
CN101252677A (zh) * 2007-10-19 2008-08-27 西安交通大学 一种基于多光谱图像传感器的目标跟踪方法
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN103854281A (zh) * 2013-12-26 2014-06-11 辽宁师范大学 基于波段选择的高光谱遥感影像矢量c-v模型分割方法
CN105427268A (zh) * 2015-12-01 2016-03-23 中国航空工业集团公司洛阳电光设备研究所 一种中长波双波段红外图像特征级彩色融合方法
CN106096604A (zh) * 2016-06-02 2016-11-09 西安电子科技大学昆山创新研究院 基于无人平台的多波段融合探测方法
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN108364277A (zh) * 2017-12-20 2018-08-03 南昌航空大学 一种双波段图像融合的红外小目标检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6298143B1 (en) * 1997-04-03 2001-10-02 Kabushiki Kaisha Toshiba Moving target detecting system and moving target detecting method
CN101252677A (zh) * 2007-10-19 2008-08-27 西安交通大学 一种基于多光谱图像传感器的目标跟踪方法
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN103854281A (zh) * 2013-12-26 2014-06-11 辽宁师范大学 基于波段选择的高光谱遥感影像矢量c-v模型分割方法
CN105427268A (zh) * 2015-12-01 2016-03-23 中国航空工业集团公司洛阳电光设备研究所 一种中长波双波段红外图像特征级彩色融合方法
CN106096604A (zh) * 2016-06-02 2016-11-09 西安电子科技大学昆山创新研究院 基于无人平台的多波段融合探测方法
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN108364277A (zh) * 2017-12-20 2018-08-03 南昌航空大学 一种双波段图像融合的红外小目标检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANG J: "《A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation》", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
仇荣超: "《多波段红外图像的海面舰船目标检测》", 《光谱学与光谱分析》 *
王兴等: "《基于激光雷达与红外数据融合的跟踪算法》", 《红外技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837335A (zh) * 2021-01-27 2021-05-25 上海航天控制技术研究所 一种中长波红外复合的抗干扰方法

Also Published As

Publication number Publication date
CN111291762B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN109978851B (zh) 一种红外视频空中弱小运动目标检测跟踪方法
US20200250840A1 (en) Shadow detection method and system for surveillance video image, and shadow removing method
CN104077605B (zh) 一种基于颜色拓扑结构的行人搜索识别方法
US20220174089A1 (en) Automatic identification and classification of adversarial attacks
Chen et al. Object tracking across non-overlapping views by learning inter-camera transfer models
KR101087592B1 (ko) Ｉｒ 영상추적기의 단일표적 추적성능 향상 방법
CN113537099B (zh) 一种公路隧道火灾烟雾动态检测方法
CN107833239B (zh) 一种基于加权模型约束的寻优匹配目标跟踪方法
CN107767406B (zh) 一种基于ds证据理论的多光谱图像弱小目标跟踪方法
CN111291762B (zh) 一种基于多特征点差异的多波段图像融合检测方法
Zhao et al. Infrared moving small-target detection via spatiotemporal consistency of trajectory points
CN116977342A (zh) 基于图像分割的pcb板线路检测方法
Zhu et al. Infrared small target detection using local feature-based density peaks searching
CN109741337B (zh) 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法
CN112837335B (zh) 一种中长波红外复合的抗干扰方法
CN109493361B (zh) 一种火灾烟雾图像分割方法
Soni et al. Improved block-based technique using surf and fast keypoints matching for copy-move attack detection
Anagnostopoulos et al. A template-guided approach to vehicle surveillance and access control
Liu et al. An image mosaic block detection method based on fuzzy c-means clustering
CN113361321B (zh) 一种红外小目标检测方法及装置
CN114743005A (zh) 基于阈值区域生长与灰度差的红外弱小目标检测方法
CN109359513B (zh) 一种基于边缘检测和颜色匹配的异常检测方法
Javadi et al. Change detection in aerial images using a Kendall's TAU distance pattern correlation
CN105787961B (zh) 基于背景颜色信息加权的目标直方图的Camshift运动目标跟踪方法
CN105139428A (zh) 一种基于四元数的彩色图像surf特征描述方法和系统

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