CN111429479B - 基于图像积分均值的空间目标识别方法 - Google Patents
基于图像积分均值的空间目标识别方法 Download PDFInfo
- Publication number
- CN111429479B CN111429479B CN202010220978.4A CN202010220978A CN111429479B CN 111429479 B CN111429479 B CN 111429479B CN 202010220978 A CN202010220978 A CN 202010220978A CN 111429479 B CN111429479 B CN 111429479B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- space
- space target
- observed
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
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
本发明涉及一种基于图像积分均值的空间目标识别方法,包括以下步骤:获取凝视模式下观测望远镜采集的连续若干帧星空图像;对每一帧星空图像进行图像预处理;对连续的预处理后的图像进行基于多帧图像积分平均法的背景抑制处理;采用阈值计算方法对背景抑制处理后的图像进行阈值分割;对分割后的图像进行轮廓提取,对每个提取出的轮廓区域进行特征量统计,并根据先验的空间目标特征量进行轮廓区域筛选,得到候选目标区域;根据待观测空间目标的轨迹特性对候选目标区域进行筛选,确定候选目标,提取候选目标的脱靶量,得到待观测空间目标的识别结果。本发明算法简单,运算量小,实时性强,便于在各种性能处理器的移植与实现,同时具有较好的普适性。
Description
技术领域
本发明涉及空间目标识别技术领域,特别是涉及一种基于图像积分均值的空间目标识别方法。
背景技术
随着人类对空间技术开发利用规模的不断扩大,空间已成为获取和传递信息的重要平台,因此,对空间的控制尤为重要。空间控制的前提是对空间目标轨迹的监视与定轨测量,而实现该目的的有效手段是通过探测设备进行空间目标的探测识别和跟踪。因此,空间目标的准确识别对天文和军事的发展具有极其重要的意义。
用于空间目标观测的望远镜观测模式分可分为两种:恒星模式和凝视模式。恒星模式下,望远镜按恒星轨道数据进行引导,恒星在视场中近似于静止,而卫星等空间目标(同步卫星除外)在视场中处于相对运动状态。凝视模式下,望远镜处于运动状态,并按照给定的轨道数据随空间目标运动,恒星和其它星体在视场中处于运动状态,而给定轨道数据的空间目标在视场中处于相对静止状态。凝视模式,又称为数据引导模式。空间目标轨道测量过程中,一般是在凝视模式下,以轨道预报数据与空间目标准确识别相结合的方式,实现空间目标轨道数据的高精度测量。
传统的空间目标识别方法一般是基于特征点匹配的方法进行空间目标的识别,而对于常规地基望远镜拍摄的空间目标大多呈小型点状分布,与干扰恒星相比,特征不明显,因而基于传统特征点匹配的方法一般算法较复杂、且通用性不强。随着深度学习技术的迅猛发展,将该技术应用于空间目标识别的研究方法不断涌现,但是由于空间目标数据集受其成像环境限制,样本量较小,因此在模型训练过程中容易出现过拟合的问题,影响识别的准确度。
目前,存在多种空间目标的识别方法。
专利CN 103996027 A提出的一种天基空间目标识别方法是在原有的星图匹配方法上的快速改进算法,该类算法的基本思路为用星库中的恒星数据进行恒星匹配识别,再将星图中的恒星扣除后,剩下的即为空间目标。该类方法存在两方面的问题,一是算法运算量大;二是,对于同时存在多个空间目标时,难以进行进一步区分。
专利CN 107316004 A和专利CN 109948722 A提出方法都是基于深度学习的空间目标深度学习的方法,该方法虽然可以避免人工特征选择对识别结果带来的影响,并且降低了特征提取的难度,但是由于空间目标数据集受其成像环境限制,样本量较小,即使进行了一定程度的虚拟样本扩充,在模型训练过程中还是容易出现过拟合的问题。
其它基于目标特征点匹配的目标识别方法,大多基于小波分解、奇异值分解、特征提取,然后用核主成分分析进行特征降维,最后用各种支持向量机或者K近邻分类器进行目标识别。然而,这些方法都假设特征提取和特征分类是彼此独立的步骤,特征的好坏是整个系统性能的瓶颈。因此大量的工作都被投入到寻找具有最好辨别能力的特征上面,而视觉特征和目标之间语义鸿沟的存在,使得这一工作难以取得很好的效果。
发明内容
基于此,有必要针对现有的大多数空间目标识别方法存在的特征提取难度大、算法复杂度高、运算量大、样本量小、实时性差等问题,提供一种基于图像积分均值的空间目标识别方法,该方法是一种基于连续多帧星空图像进行积分平均处理的实时空间目标自动识别方法,同时该方法也是一种专门用于望远镜在凝视模式下,实现对已编目空间目标进行轨道修正的空间目标自动识别方法。与其它空间目标识别方法相比,本发明具有算法简单、运算量小、实时性强等优点。
为解决上述问题,本发明采取如下的技术方案:
一种基于图像积分均值的空间目标识别方法,包括以下步骤:
获取凝视模式下观测望远镜采集的包括待观测空间目标在内的连续若干帧星空图像;
对每一帧所述星空图像进行图像预处理,得到预处理后的图像;
对连续的所述预处理后的图像进行基于多帧图像积分平均法的背景抑制处理,得到背景抑制处理后的图像;
采用阈值计算方法对所述背景抑制处理后的图像进行阈值分割,得到分割后的图像;
对所述分割后的图像进行轮廓提取,对每个提取出的轮廓区域进行特征量统计,并根据先验的空间目标特征量进行轮廓区域筛选,得到候选目标区域;
根据所述待观测空间目标的轨迹特性对所述候选目标区域进行筛选,确定候选目标,提取所述候选目标的脱靶量,得到所述待观测空间目标的识别结果。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用观测望远镜凝视模式下待观测空间目标与干扰星体在视场内的运动特点,采用多帧图像积分平均处理,实现绝大部分干扰星体的直接背景抑制后,再将背景抑制处理后的图像进行阈值分割、轮廓提取及筛选、候选目标筛选等处理,即可实现待观测空间目标的自动识别,不需要复杂的特征提取,也不需要建立模型训练样本库,算法简单,运算量小,实时性强,便于在各种性能处理器的移植与实现;
(2)本发明是专门针对数据引导状态下的观测望远镜对已编目空间目标进行轨道修正的应用场合,算法的针对性强;
(3)本发明是利用视场内待观测空间目标与干扰星体运动状态的差别进行目标识别,只要是此类应用场合,本发明的算法均适用,因此具有较好的普适性。
附图说明
图1为本发明其中一个实施例基于图像积分均值的空间目标识别方法的流程图;
图2为有效区域筛选后的视场分布图;
图3为背景抑制处理后的图像;
图4为具有亮度较大的干扰目标的星空图像;
图5为图4所示星空图像对应的背景抑制处理后的图像;
图6为图5所示背景抑制处理后的图像对应的分割后的图像;
图7为图6所述分割后的图像对应的轮廓提取结果;
图8为候选目标区域结果;
图9为图4所示星空图像对应的待观测空间目标的识别结果;
图10为本发明其中一个具体实施方式基于图像积分均值的空间目标识别方法的的流程图。
具体实施方式
本发明针对数据引导状态下的观测望远镜对已编目空间目标进行轨道修正的应用场合,提出了一种基于图像积分均值的空间目标识别方法,该方法通过将连续多帧星空图像进行积分平均处理,以削弱背景干扰星的影响,从而提高图像待观测空间目标背景对比度,再将背景抑制处理后的图像进行阈值分割、轮廓提取及筛选、候选目标筛选,最终实现待观测空间目标的实时自动识别。下面将结合附图及较佳实施例对本发明的方案进行详细描述。
在其中一个实施例中,如图1所示,本发明公开一种基于图像积分均值的空间目标识别方法,该方法包括以下步骤:
(1)图像获取
步骤S100:获取包括待观测空间目标在内的连续若干帧星空图像,该若干帧星空图像由凝视模式下的观测望远镜(如地平式光电望远镜)采集得到。
(2)图像预处理
步骤S200:为了提高空间目标识别的准确度、降低算法运算量,需要对每一帧星空图像进行图像预处理,得到预处理后的图像。图像预处理过程包括中值滤波处理步骤和有效区域筛选步骤,在中值滤波处理步骤中,对每一帧星空图像进行中值滤波处理,例如进行3×3的中值滤波处理,以滤除噪点的影响,得到对应的滤波处理后的图像;其次,在有效区域筛选步骤中,考虑到数据引导轨道精度,默认状态下,对每一帧滤波处理后的图像进行有效区域和无效区域的划分,并且有效区域的中心位于滤波处理后的图像的视场中心,有效区域的宽度与滤波处理后的图像的宽度之比为第一预设值,有效区域的长度与滤波处理后的图像的长度之比为第二预设值,除去有效区域之外、靠近图像四个边缘的区域设定为目标无效区域,有效区域用于后续的基于多帧图像积分平均法的背景抑制处理,后续目标识别过程中将不在目标无效区域内进行目标识别。第一预设值和第二预设值的取值可根据具体情况进行设定,例如,第一预设值和第二预设值均为3:4,有效区域筛选后的视场分布如图2所示,星空图像的宽度为W,高度为H,靠近视场四个边缘的1/8区域为目标无效区域,目标无效区域的宽度为W或者W/8,高度为8/H或者H,其它区域为有效区域。
(3)背景抑制处理
步骤S300:对连续的预处理后的图像进行基于多帧图像积分平均法的背景抑制处理,得到背景抑制处理后的图像。
处于数据引导状态下的空间目标相对于设备视场处于静止状态,而其他星体则一直处于相对运动状态。若对连续n帧图像进行积分累加,待观测的空间目标在视场固定位置的亮度不断累加,而其他星体则由于相对运动而在视场内分散为一条线。若进一步对积分后的图像对n取平均,则积分平均后的图像表达式为:
式中,fk(x,y)为第k帧图像(x,y)点的像素值,N为当前图像帧序号,n为参与积分处理的图像帧数,本实施例可以将n的典型值设为10,即获取的连续的星空图像的数量为10帧。
由上式可知,待观测的空间目标由于相对位置不变,积分平均后的亮度近似不变,而其它星体,由于相对位置发生变化,积分平均后的亮度被削弱,其削弱程度取决于相对于视场的运动速度,运动越快亮度削弱效果越明显。
鉴于上述分析,本实施例采用滤除运动背景的多帧积分法,将图像进行多帧图像积分平均处理,以提高待观测空间目标与天空背景、其它星体的灰度对比度,背景抑制处理后的图像如图3所示,图3中的右侧图为左侧图中方框对应的局部放大图。从图3可以看出,处于相对运动状态的其他星体在积分平均作用下,在其经过的某一像素位置灰度减弱;而相对静止状态的空间目标在其对应的像素位置,其亮度(图像中体现为灰度)基本处于不变状态。因此,处理后的图像在保证空间目标灰度不变的基础上,使其它星空背景得到了极大的抑制。
(4)阈值分割
步骤S400:采用阈值计算方法对背景抑制处理后的图像进行阈值分割,得到分割后的图像。
经过上节所述的背景抑制处理后的图像,采用式(2)的阈值计算方法进行阈值计算与阈值分割后,再利用常规的连通域方法即可实现空间目标的聚类识别。
T=μ+C×σ+B (2)
式中,T为图像阈值;μ为图像均值;σ为图像方差;C为常数,本实施例中C的取值可以为2;B为阈值偏置调整参数,其可根据具体情况进行调整。
图像均值与图像方差的计算式分别为:
式中,I(j,k)为图像(j,k)像素点对应的灰度值,n为图像宽度,m为图像高度。
在某些特殊情况下,由于视场中常存在亮度较大的干扰目标,因此星空图像中可能会出现亮度较大的干扰目标(如图4所示),这种具有亮度较大的干扰目标的星空图像即使在图像预处理以及背景抑制处理后,在背景抑制处理后的图像中干扰目标仍然具有较大的亮度(如图5所示,图5中的右上图和右下图分别为左侧图中方框对应的局部放大图),图5所示背景抑制处理后的图像经过阈值分割后,得到分割后的图像(如图6所示)。
因此,为了满足自动化运行的应用要求,需要充分分析空间目标与其它干扰目标的区别特征,通过多种特征筛选,以进一步提高空间目标识别的准确率。
(5)轮廓提取及筛选(形状特性筛选)
步骤S500:对分割后的图像进行轮廓提取,对每个提取出的轮廓区域进行特征量统计,并根据先验的空间目标特征量进行轮廓区域筛选,得到候选目标区域。
相对于其它的弱小目标而言,空间目标一个重要的特征是其具有较为典型的形状特性。对于中、高轨目标,其形状通常为形状较为规则且呈圆对称的点目标,且以现有设备的先验观测信息可知,其大小一般在(2×2)到(6×6)个像素点范围内。因此,在上一节得到分割后的图像之后,可对分割后的图像进行轮廓提取,轮廓提取结果如图7所示;然后对提取出的每个轮廓区域(或者封闭区域)进行特征量统计,例如,统计轮廓区域的长宽尺寸特征量和面积特征量等;接下来根据每个轮廓区域的特征量进行轮廓区域筛选,即根据先验的空间目标特征量进行轮廓区域筛选,筛选后得到候选目标区域,如图8所示,图8中的右上图和右下图分别为左侧图中方框对应的局部放大图。根据先验的空间目标特征量进行轮廓区域筛选时,具体可以根据使用时的空间目标尺寸等先验信息,对轮廓区域的内部面积、长宽尺寸、长宽比等不符合预设范围的轮廓区域进行剔除,剩下的轮廓区域为候选目标区域,候选目标区域用于后续进一步的筛选。
(6)候选目标筛选(轨迹特性筛选)
步骤S600:根据待观测空间目标的轨迹特性对候选目标区域进行筛选,确定候选目标,提取候选目标的脱靶量,得到待观测空间目标的识别结果。
对于数据引导状态下的凝视模式观测望远镜,待观测空间目标在视场中处于相对静止状态,其脱靶量变化极小,脱靶量值接近于某一固定值;相反,对于其他星体,星体处于运动状态,在视场中变化较明显,因此其他星体的脱靶量则一般会处于相对变化状态。因此,可利用这一轨迹特性,通过连续几帧图像脱靶量值的变化情况,进行待观测空间目标与干扰星体进行进一步区分,实现对上一节中的候选目标区域进行进一步的筛选,从而确定候选目标,此时的候选目标即为识别得到的待观测空间目标,并提取候选目标的脱靶量,最终实现待观测空间目标的准确识别,待观测空间目标的识别结果如图9所示。
特别地,对于区分后,仍存在1个以上候选目标的极个别情况(即视场中存在与目标同步的干扰卫星),即当候选目标为两个以上时,此时将离视场中心距离最近的空间目标作为识别得到的待观测空间目标,并提取距离视场中心距离最近的候选目标的脱靶量。目标脱靶量是指目标中心点相对于视场中心(即整幅图像的中心)的x坐标和y坐标,该值确定后,即可实现空间目标的准确定位,因此提取候选目标的脱靶量后,就得到待观测空间目标的识别结果,实现了对待观测空间目标的准确定位和识别。
本实施例所提出的基于图像积分均值的空间目标识别方法具有以下有益效果:
(1)本发明利用观测望远镜凝视模式下待观测空间目标与干扰星体在视场内的运动特点,采用多帧图像积分平均处理,实现绝大部分干扰星体的直接背景抑制后,再将背景抑制处理后的图像进行阈值分割、轮廓提取及筛选、候选目标筛选等处理,即可实现待观测空间目标的自动识别,不需要复杂的特征提取,也不需要建立模型训练样本库,算法简单,运算量小,实时性强,便于在各种性能处理器的移植与实现;
(2)本发明是专门针对数据引导状态下的观测望远镜对已编目空间目标进行轨道修正的应用场合,算法的针对性强;
(3)本发明是利用视场内待观测空间目标与干扰星体运动状态的差别进行目标识别,只要是此类应用场合,本发明的算法均适用,因此具有较好的普适性。
进一步地,在得到待观测空间目标的识别结果步骤之后,还包括以下步骤:将待观测空间目标的识别结果发送至观测望远镜控制系统,并进行波门显示,以便实现观测望远镜控制系统远程数据存储和控制。
作为一种具体的实施方式,在获取包括待观测空间目标在内的连续若干帧星空图像步骤之后、对每一帧星空图像进行图像预处理步骤之前,还包括以下步骤:判断观测望远镜控制系统发送的数据引导状态标志是否由无效状态转为有效状态,若是,则进行图像缓存队列、脱靶量队列的初始值重置;初始值重置完成后,判断观测望远镜控制系统发送的数据引导状态标志是否为有效状态,若是,则对每一帧星空图像进行图像预处理。这里要特别说明的是,观测望远镜处于凝视模式,且按照计划文件处于数据引导状态时,观测望远镜的控制系统会发送数据引导状态标志有效命令至观测望远镜,反之,则无效。本实施方式中根据观测望远镜控制系统发送的数据引导状态标志有效命令进行待观测空间目标的识别,进一步提高了识别的准确度和精度。具体地,本实施方式的流程图如图10所示,包括以下步骤:
a)开始;
b)获取连续若干帧星空图像;
c)判断观测望远镜控制系统发送的数据引导状态标志是否由无效状态转为有效状态?若是,则说明当前任务弧段已引导就绪,转入下一步骤;若否,则转入步骤e);
d)进行图像缓存队列、脱靶量队列以及其它相关变量的初始值重置;
e)判断观测望远镜控制系统发送的数据引导状态标志是否为有效状态?若是,则转入下一步骤;若否,则转入步骤l);
f)图像预处理;
g)背景抑制处理;
h)阈值分割;
i)轮廓提取及筛选;
j)候选目标筛选;
k)进行脱靶量发送与波门显示;
l)判断任务是否结束?若是,则转入下一步骤;若否,则转入步骤b);
m)结束。
本发明涉及一种地平式光电望远镜在凝视模式下,利用连续多帧星空图像进行积分平均处理的实时空间目标识别方法,以实现对已编目空间目标的轨道修正。本发明充分利用了凝视模式下待观测空间目标相对静止,而其它干扰星体相对运动的轨迹特性,通过对连续多帧星空图像进行积分处理后,再将积分结果取平均,使得处理后的图像呈现如下效果:待观测空间目标处理后的亮度近似不变,且维持原有形状不变,而其它星体,由于相对位置发生变化,处理后的亮度被明显削弱,且呈现为线状分布。通过阈值分割与形状特征区分,即可实现绝大部分干扰星体的滤除。最后,通过对候选目标的轨迹特性筛选,从而实现空间目标的准确识别。本发明相对于传统的空间目标识别方法而言,具有算法简单、运算量小、适应性强、实时性强等优点。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于图像积分均值的空间目标识别方法,其特征在于,包括以下步骤:
获取凝视模式下观测望远镜采集的包括待观测空间目标在内的连续若干帧星空图像;
判断观测望远镜控制系统发送的数据引导状态标志是否由无效状态转为有效状态,若是,则进行图像缓存队列、脱靶量队列的初始值重置;
初始值重置完成后,判断观测望远镜控制系统发送的数据引导状态标志是否为有效状态,若是,则对每一帧所述星空图像进行图像预处理,得到预处理后的图像;所述图像预处理过程包括中值滤波处理步骤和有效区域筛选步骤:
中值滤波处理步骤:对每一帧所述星空图像进行中值滤波处理,得到对应的滤波处理后的图像;
有效区域筛选步骤:对每一帧所述滤波处理后的图像进行有效区域和无效区域的划分,所述有效区域的中心位于所述滤波处理后的图像的视场中心,且所述有效区域的宽度与所述滤波处理后的图像的宽度之比为第一预设值,所述有效区域的长度与所述滤波处理后的图像的长度之比为第二预设值,所述有效区域用于后续的基于多帧图像积分平均法的背景抑制处理;
对连续的所述预处理后的图像进行基于多帧图像积分平均法的背景抑制处理,得到背景抑制处理后的图像;
采用阈值计算方法对所述背景抑制处理后的图像进行阈值分割,得到分割后的图像;
对所述分割后的图像进行轮廓提取,对每个提取出的轮廓区域进行特征量统计,并根据先验的空间目标特征量进行轮廓区域筛选,得到候选目标区域;
根据所述待观测空间目标的轨迹特性对所述候选目标区域进行筛选,确定候选目标,提取所述候选目标的脱靶量,得到所述待观测空间目标的识别结果。
2.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,
所述第一预设值和所述第二预设值均为3:4。
3.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,
所述中值滤波处理为3×3的中值滤波处理。
4.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,
对每个提取出的轮廓区域进行特征量统计时,统计的特征量包括轮廓区域的长宽尺寸特征量和面积特征量。
5.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,
当所述候选目标为两个以上时,提取距离视场中心距离最近的候选目标的脱靶量。
6.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,在得到所述待观测空间目标的识别结果步骤之后,还包括以下步骤:
将所述待观测空间目标的识别结果发送至观测望远镜控制系统,并进行波门显示。
7.根据权利要求1所述的基于图像积分均值的空间目标识别方法,其特征在于,
所述星空图像的数量为10帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220978.4A CN111429479B (zh) | 2020-03-26 | 2020-03-26 | 基于图像积分均值的空间目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220978.4A CN111429479B (zh) | 2020-03-26 | 2020-03-26 | 基于图像积分均值的空间目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429479A CN111429479A (zh) | 2020-07-17 |
CN111429479B true CN111429479B (zh) | 2022-10-11 |
Family
ID=71551510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010220978.4A Active CN111429479B (zh) | 2020-03-26 | 2020-03-26 | 基于图像积分均值的空间目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429479B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164058A (zh) * | 2020-10-13 | 2021-01-01 | 东莞市瑞图新智科技有限公司 | 用于滤光片的丝印区域粗定位方法、装置及存储介质 |
CN115456928A (zh) * | 2022-10-21 | 2022-12-09 | 中国科学院长春光学精密机械与物理研究所 | 空间目标仿真数据集构建方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003090879A (ja) * | 2001-09-18 | 2003-03-28 | Toshiba Corp | レーダにおける目標の類識別方法、コンピュータプログラム及び装置 |
CN102116876A (zh) * | 2011-01-14 | 2011-07-06 | 中国科学院上海技术物理研究所 | 基于轨迹编目模型的空间点目标天基探测方法 |
CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 |
JP2014085721A (ja) * | 2012-10-19 | 2014-05-12 | Canon Inc | 移動天体検出装置およびその制御方法 |
CN105023279A (zh) * | 2015-08-18 | 2015-11-04 | 中国人民解放军国防科学技术大学 | 一种基于运动信息的视频图像空间运动目标检测方法 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
CN108010065A (zh) * | 2017-11-07 | 2018-05-08 | 西安天和防务技术股份有限公司 | 低空目标快速检测方法及装置、存储介质及电子终端 |
CN108334885A (zh) * | 2018-02-05 | 2018-07-27 | 湖南航升卫星科技有限公司 | 一种视频卫星图像空间目标检测方法 |
CN109859247A (zh) * | 2019-02-19 | 2019-06-07 | 南京理工大学 | 近地面场景红外小目标检测方法 |
CN110322061A (zh) * | 2019-06-26 | 2019-10-11 | 北京控制工程研究所 | 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
-
2020
- 2020-03-26 CN CN202010220978.4A patent/CN111429479B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003090879A (ja) * | 2001-09-18 | 2003-03-28 | Toshiba Corp | レーダにおける目標の類識別方法、コンピュータプログラム及び装置 |
CN102116876A (zh) * | 2011-01-14 | 2011-07-06 | 中国科学院上海技术物理研究所 | 基于轨迹编目模型的空间点目标天基探测方法 |
JP2014085721A (ja) * | 2012-10-19 | 2014-05-12 | Canon Inc | 移動天体検出装置およびその制御方法 |
CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 |
CN105023279A (zh) * | 2015-08-18 | 2015-11-04 | 中国人民解放军国防科学技术大学 | 一种基于运动信息的视频图像空间运动目标检测方法 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
CN108010065A (zh) * | 2017-11-07 | 2018-05-08 | 西安天和防务技术股份有限公司 | 低空目标快速检测方法及装置、存储介质及电子终端 |
CN108334885A (zh) * | 2018-02-05 | 2018-07-27 | 湖南航升卫星科技有限公司 | 一种视频卫星图像空间目标检测方法 |
CN109859247A (zh) * | 2019-02-19 | 2019-06-07 | 南京理工大学 | 近地面场景红外小目标检测方法 |
CN110322061A (zh) * | 2019-06-26 | 2019-10-11 | 北京控制工程研究所 | 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
李刚等."全向凝视型多目标识别实验研究".《光学仪器》.2011,第32卷(第6期), * |
王建立."空间目标地基光电探测与识别技术的发展".《飞行器测控学报》.2016,第34卷(第6期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111429479A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512683B (zh) | 基于卷积神经网络的目标定位方法及装置 | |
KR100474848B1 (ko) | 영상시각 정보를 결합하여 실시간으로 복수의 얼굴을검출하고 추적하는 얼굴 검출 및 추적 시스템 및 방법 | |
US7382902B2 (en) | Evaluation of the definition of an eye iris image | |
CN106875415A (zh) | 一种动态背景中弱小动目标的连续稳定跟踪方法 | |
CN106651908B (zh) | 一种多运动目标跟踪方法 | |
CN108154159B (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
US20140341421A1 (en) | Method for Detecting Persons Using 1D Depths and 2D Texture | |
CN111429479B (zh) | 基于图像积分均值的空间目标识别方法 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
Lei et al. | End-to-end change detection using a symmetric fully convolutional network for landslide mapping | |
CN109636771A (zh) | 基于图像处理的飞行目标检测方法及系统 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN112580476B (zh) | 一种精子识别与多目标轨迹跟踪方法 | |
CN107341793A (zh) | 一种靶面图像处理方法及装置 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
Zhang Sr et al. | A ship target tracking algorithm based on deep learning and multiple features | |
CN108765463A (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
CN107729863B (zh) | 人体指静脉识别方法 | |
Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
CN114821356B (zh) | 一种精确定位的光学遥感目标检测方法 | |
Du Toit et al. | Sunspot identification and tracking with OpenCV | |
CN114332629B (zh) | 基于高速视觉耦合轮廓特征提取的多农药雾滴撞击叶面延迟性的测量方法 | |
CN112508113B (zh) | 被动式太赫兹人体图像隐蔽目标的检测方法及装置 |
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 |