CN111881837B - 基于阴影提取的视频sar运动目标检测方法 - Google Patents

基于阴影提取的视频sar运动目标检测方法 Download PDF

Info

Publication number
CN111881837B
CN111881837B CN202010745481.4A CN202010745481A CN111881837B CN 111881837 B CN111881837 B CN 111881837B CN 202010745481 A CN202010745481 A CN 202010745481A CN 111881837 B CN111881837 B CN 111881837B
Authority
CN
China
Prior art keywords
shadow
super
pixel
window
moving target
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
CN202010745481.4A
Other languages
English (en)
Other versions
CN111881837A (zh
Inventor
安道祥
王武
刘仲康
陈乐平
周智敏
陈经纬
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010745481.4A priority Critical patent/CN111881837B/zh
Publication of CN111881837A publication Critical patent/CN111881837A/zh
Application granted granted Critical
Publication of CN111881837B publication Critical patent/CN111881837B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于合成孔径雷达运动目标检测领域，涉及提取阴影信息的视频SAR运动目标检测方法。本发明首先使用超像素分割算法对每一帧视频SAR图像进行处理，减少相干斑噪声对阴影提取的影响；然后利用局部的对比度对整幅图像的阴影信息进行检测；最后通过跟踪算法获得阴影区域的运动方式，根据运动目标与虚警的运动方式不同去除大量虚警，得到最终的运动目标检测结果。本发明利用超像素分割原理，降低了相干斑噪声对SAR图像的影响，较好地完整提取出了阴影信息。通过跟踪算法限定运动目标阴影运动的程度与方式，去除了大量虚警从而保留了运动符合常理的运动目标。相比较现存方法而言，本方法对于复杂环境下的运动目标检测具有更好的鲁棒性。

Description

基于阴影提取的视频SAR运动目标检测方法
技术领域
本发明属于合成孔径雷达运动目标检测(Synthetic Aperture RadarGroundMoving Target Indication，SAR-GMTI)领域，涉及阴影信息的视频SAR运动目标检测方法。
背景技术
视频SAR是一种全天时、全天候条件下，提供高分辨率、高帧率SAR图像序列(视频)的合成孔径雷达系统。视频SAR系统的出现为运动目标的高精度定位与运动参数估计提供了新的实现方法。在视频SAR中，运动目标因为其自身成像的偏移与模糊，会在其真实位置投射阴影。因此通过阴影信息定位运动目标是SAR-GMTI的一个新方向。
目前已经有很多基于视频SAR的运动目标阴影数据进行运动目标检测的算法出现。但现有的大多算法主要使用较为简单的均值滤波、形态学处理等方法对视频中的运动目标进行检测，没有针对静止目标阴影等杂波进行有效的抑制。在复杂场景下，虚警率普遍较高。因此如何设计合适的算法，在提取运动目标阴影的同时消除大量的虚警是目前亟待解决的技术问题。
发明内容
本发明的目的在于提供一种适用于视频SAR的运动目标检测方法，能够大幅降低复杂场景下视频SAR运动目标检测的虚警概率。
本发明的技术方案是：首先，使用超像素分割算法对每一帧视频SAR图像进行处理，减少相干斑噪声对阴影提取的影响；然后利用局部的对比度对整幅图像的阴影信息进行检测；最后通过跟踪算法获得感兴趣区域(阴影区域)的运动方式，根据运动目标与虚警的运动方式不同去除大量虚警，得到最终的运动目标检测结果。具体技术方案如下。
一种基于阴影提取的视频SAR运动目标检测方法，具体包括以下步骤：
第一步，按照视频SAR的时序信息，逐一对每一帧SAR图像进行超像素分割；
第二步，对超像素分割后的SAR图像进行阴影检测；
第三步，对第二步中检测得到的阴影采用跟踪算法进行跟踪处理，并通过运动模式的约束去除虚警，余下的阴影即为检测得到的运动目标。
优选地，所述第一步骤具体过程为：采用超像素分割方法，将SAR图像中具有相同灰度、纹理、结构信息的像素聚合成块。
优选地，所述第二步具体过程为：设待检测超像素为中心像素，与中心像素相邻的超像素为保护窗，与保护窗相邻且远离中心像素的超像素为背景窗；依据背景窗与待检测超像素的对比度，判定待检测像素是否为阴影，得到阴影检测结果图。
优选地，所述跟踪算法为最邻近法。
优选地，所述第三步中的运动模式的约束包括运动幅度约束和平均角速度约束，通过运动幅度约束消除静止目标的阴影，通过平均角速度约束消除背景噪声的阴影。
优选地，选择的保护窗和背景窗为：在获得超像素分割结果后，对于任一超像素块a，将与其直接相邻的超像素块定义为其一级邻域A1，依此类推A2，,An-1,An，第n级邻域An定义为与第n-1级邻域相邻但不属于第n-2级邻域的超像素块集合，则超像素块a的保护窗为
Figure BDA0002608203650000031
背景窗为/>
Figure BDA0002608203650000032
N1为保护窗大小，N2-N1为背景窗大小，n表示级数，取整数。
优选地，所述依据背景窗与待检测超像素的对比度，判定待检测像素是否为阴影的具体过程为：
令H0表示背景杂波假设，H1表示阴影假设，构造如下检测器：
Figure BDA0002608203650000033
其中χ表示预设阈值；m0表示阴影统计量，m1背景统计量，
Figure BDA0002608203650000034
其中Ni和Nr分别表示超像素块a内的像素个数与背景窗Ar内的像素个数，Ii(k)与Ir(k)分别表示超像素块a内的第k个像素的强度和背景窗Ar内的第k个像素的强度。
优选地，所述运动幅度约束具体过程为：
设置阴影的运动幅度阈值，比较多帧阴影跟踪结果图中阴影运动差值，若阴影运动差值大于运动幅度阈值，则保留，否则，将该阴影判别为虚警结果；
优选地，所述平均角速度约束具体过程为：
设置角速度阈值范围，取若干个帧阴影跟踪结果图，计算相邻帧间的阴影角速度的平均值，若角速度的平均值落入角速度阈值范围内，则保留，否则，将该阴影判别为虚警结果。
采用本发明获得的有益效果是：本发明方法利用超像素分割原理，降低了相干斑噪声对SAR图像的影响，较好地完整提取出了阴影信息。通过跟踪算法限定运动目标阴影运动的程度与方式，去除了大量虚警从而保留了运动符合常理的运动目标。相比较现存方法而言，本方法对于复杂环境下的运动目标检测具有更好的鲁棒性。
附图说明
图1是本发明方法流程示意图；
图2是本发明中超像素保护窗和背景窗示意图；
图3是单帧SAR图像的阴影检测结果；
图4是真实目标与虚假目标轨迹；
图5是真实目标与虚假目标轨迹的平均角速度；
图6是虚警消除后的运动目标阴影检测结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的解释。
图1为本发明基于阴影提取的视频SAR运动目标检测方法流程示意图。如图1所示，对得到的视频SAR数据进行超像素分割、单帧SAR图像阴影检测和基于多目标跟踪的虚警去除三个步骤，即可准确地定位运动目标。
下面详细说明本发明采用的技术方案：
第一步，本方法采用SLIC(Simple Linear Iterative Clustering)方法对视频SAR中的图像进行超像素分割。SLIC方法是一种基于k均值聚类的超像素分割算法，兼具优秀的超像素分割性能与低计算量等优点。本步骤通过超像素分割方法，将SAR图像中具有相同灰度、纹理、结构信息的像素聚合成块。超像素分割方法消除了SAR图像中相干斑噪声的影响。并且在后续处理中，超像素作为基本的处理单元，提高了算法的计算效率。
SLIC超像素分割使用五维坐标[l,a,b,x,y]T表示一个像素点，[l,a,b]T表示像素点在CIELAB颜色空间中的位置，[x,y]T表示像素点的位置坐标，T表示转置符号。i,j表示任意两个像素点，其在颜色空间内的距离dc和空间位置距离ds分别表示为，
Figure BDA0002608203650000051
将dc与ds归一化，五维坐标下，像素之间的距离可以表示为
Figure BDA0002608203650000052
上式中S代表预期超像素尺寸的大小，表示像素间最大空间距离，实施例中该值为预先设定的一幅图中最终要得到的超像素块个数。m表示最大颜色距离，需要预先设置。上式可以简化为：
Figure BDA0002608203650000053
由上式可以看出，m用于均衡颜色距离和色彩空间距离之间的权重。较大的m意味着空间距离更加重要，生成的超像素块更加紧致。反之，颜色距离更加重要，生成的超像素块具有更好的图像边界黏附性。
因为雷达图像一般只有强度信息，将SLIC方法应用于雷达图像时，只需要将dc修改为：
dc＝|Ii-Ij|
其中I表示图像的强度信息，Ii表示像素i处的信号强度，反映在图像中为像素灰度值。为降低雷达图像中乘性相干斑噪声对距离dc的影响，可以使用像素之间的比值代替差值对dc进行进一步修正。重新定义dc为
Figure BDA0002608203650000054
其中Ii(k)表示像素i正方形邻域内的第k个像素点强度，Ij(k)同理。M表示邻域内像素点总个数，G(k)为高斯核函数。正方形邻域可以根据需要设定，一般取3x3，即8邻域。
超像素分割可以有效地保留阴影信息，抑制相干斑噪声。
第二步，SAR图像中的阴影检测；
得到超像素分割结果后，参考恒虚警检测的思路，本步骤利用待检测超像素与邻域背景超像素的后向散射能量对比度，判断待检测超像素为阴影或背景像素。首先将中心待检测超像素的邻域超像素设作保护窗，避免将周围的阴影统计到背景中。再将保护窗外相邻的超像素设为背景窗，通过比较背景窗与待检测超像素的对比度关系，判定当前待检测像素是否为阴影。具体实例如下：
在获得超像素分割结果后，对于任一超像素块a，将与其直接相邻的超像素块定义为其一级邻域A1。依此类推，第n级邻域An定义为与第n-1级邻域相邻但不属于第n-2级邻域的超像素块集合。设超像素块a的保护窗为
Figure BDA0002608203650000061
背景窗为/>
Figure BDA0002608203650000062
N1为保护窗大小，N2-N1为背景窗大小；N1、N2均取大于1的整数，且N2大于N1。图2展示了保护窗与背景窗的示意图，通常取N1为1，N2为2，根据实际情况可以调整取值。
令H0表示背景杂波假设，H1表示阴影假设。构造如下检测器：
Figure BDA0002608203650000063
其中χ表示预设阈值，公式
Figure BDA0002608203650000064
的含义是：/>
Figure BDA0002608203650000065
的值若大于χ，则假设H0(中心超像素块为背景)，若小于χ则假设H1成立(中心超像素块为杂波)。
利用阴影能量低于背景杂波能量的特性，阴影统计量m0和背景统计量m1可以表示为
Figure BDA0002608203650000071
其中Ni和Nr分别表示超像素块a内的像素个数与背景窗Ar内的像素个数，Ii(k)与Ir(k)分别表示超像素块a内的第k个像素的强度和背景窗Ar内的第k个像素的强度。
通过阴影检测可以得到雷达图像中的阴影区域，但其中不仅包含了运动目标的阴影，还包含了静止目标的阴影和部分干扰。
图3为用于验证本发明方法的实施例数据图，该图展示了单帧SAR图像的阴影检测结果，其中图3(a)是原始SAR图像，其中白色方框内的是运动目标的阴影；(b)是原始SAR图像超像素分割结果；(c)是经过本方法阴影检测后的结果；经过限制感兴趣区域的大小、长宽比等简单的形态学滤波得到(d)。从(d)中明显发现，除了框中的运动目标阴影，结果中存在大量的噪声、静止目标阴影等虚警，这些虚警需要结合多目标跟踪算法得到去除。
第三步，基于多目标跟踪的虚警去除；
在单帧雷达图像中，静止目标的阴影和运动目标阴影相似，甚至比运动目标的阴影质量还要好，因此单帧雷达图像的阴影检测结果中存在大量静止目标阴影带来的虚警。除此之外，SAR图像中存在的大量噪声等虚警(背景中的阴暗的区域等)也为运动目标阴影检测带来了很大的干扰。通过常规的形态学处理等操作很难将虚警较好地去除。但是在视频SAR中，通过引入时序信息可以比较常规运动目标与虚警的运动模式的不同，进而达到消除虚警的目的，帧间运动幅度过小或运动方向过于杂乱的虚警超像素块都被认为是虚警得以去除。因此本方法利用跟踪算法获得各个阴影区域的运动模式，通过限定运动的幅度、平均角速度等信息的方式消除虚警。
在获得多帧的阴影检测结果后，通过最近邻法获得阴影的跟踪结果，即认定两幅图像中相距最近的阴影为同一个阴影经过运动后的结果，依此进行跟踪，并通过运动模式的约束去除虚警。首先通过限制阴影运动的幅度来消除静止目标的阴影。静止目标阴影尽管在单帧雷达图像中无法与运动目标阴影相互区分，但在连续的视频SAR图像中，静止目标阴影随雷达视角进行旋转，运动幅度小，因此通过设定阴影运动幅度的阈值可以很好地消除此类干扰。其次，通过轨迹的杂乱程度，可以消除背景噪声的干扰。图4展示了运动目标阴影(前三幅图)与噪声虚警运动模式(后三幅图)的差异，其中明显可见相较于运动目标的平滑轨迹来说，噪点的轨迹通常杂乱无章。运动的平滑程度可以通过平均角速度量化，即取3至5帧的跟踪结果，计算相邻帧间角速度的平均值。平均角速度过大，说明相邻帧间目标运动方向经常发生大角度变化，这在正常的运动目标中并不常见。因此通过平均角速度可以抑制部分虚警。图5展示了运动目标阴影和噪声虚警的平均角速度，通过图5可以发现大部分虚警的平均角速度明显高于运动目标的平均角速度，且运动目标的平均角速度整体处于阈值下方，而虚警的平均角速度大部分处于阈值上方。因此通过平均角速度可以有效地消除运动杂乱的虚警。图6展示了虚警消除后的运动目标检测结果。
现有的视频SAR运动目标检测算法往往采用均值滤波法、帧间差分法等传统的运动目标检测算法。但在复杂环境下，因为雷达平台视角的变化，场景中存在的静止物体的阴影、相干斑噪声等都会使得传统方法产生大量的虚警，进而丧失其检测能力。而本发明方法经过实测视频SAR数据验证，检测概率可达95％左右。
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。

Claims (3)

1.一种基于阴影提取的视频SAR运动目标检测方法，其特征在于包括以下步骤：
第一步，按照视频SAR的时序信息，逐一对每一帧SAR图像进行超像素分割；
第二步，对超像素分割后的SAR图像进行阴影检测；具体过程为：设待检测超像素为中心像素，与中心像素相邻的超像素为保护窗，与保护窗相邻且远离中心像素的超像素为背景窗；依据背景窗与待检测超像素的对比度，判定待检测超像素是否为阴影，得到阴影检测结果图；其中，选择的保护窗和背景窗为：在获得超像素分割结果后，对于任一超像素块
Figure QLYQS_3
，将与其直接相邻的超像素块定义为其一级邻域/>
Figure QLYQS_6
，依此类推，第/>
Figure QLYQS_9
级邻域/>
Figure QLYQS_2
定义为与第
Figure QLYQS_5
级邻域相邻但不属于第/>
Figure QLYQS_8
级邻域的超像素块集合，则超像素块/>
Figure QLYQS_11
的保护窗为
Figure QLYQS_1
，背景窗为/>
Figure QLYQS_4
，/>
Figure QLYQS_7
为保护窗大小，/>
Figure QLYQS_10
为背景窗大小；所述依据背景窗与待检测超像素的对比度，判定待检测超像素是否为阴影的具体过程为：
令
Figure QLYQS_12
表示背景杂波假设，/>
Figure QLYQS_13
表示阴影假设，构造如下检测器：
Figure QLYQS_14
，
其中
Figure QLYQS_15
表示预设阈值；/>
Figure QLYQS_16
表示阴影统计量，/>
Figure QLYQS_17
表示背景统计量；
Figure QLYQS_18
，
其中
Figure QLYQS_20
和/>
Figure QLYQS_24
分别表示超像素块/>
Figure QLYQS_27
内的像素个数与背景窗/>
Figure QLYQS_21
内的像素个数，/>
Figure QLYQS_23
与
Figure QLYQS_26
分别表示超像素块/>
Figure QLYQS_28
内的第/>
Figure QLYQS_19
个像素的强度和背景窗/>
Figure QLYQS_22
内的第/>
Figure QLYQS_25
个像素的强度；
第三步，对第二步中检测得到的阴影采用跟踪算法进行跟踪处理，并通过运动模式的约束去除虚警，余下的阴影即为检测得到的运动目标；所述运动模式的约束包括运动幅度约束和平均角速度约束，通过运动幅度约束消除静止目标的阴影，通过平均角速度约束消除背景噪声的阴影；所述运动幅度约束具体过程为：设置阴影的运动幅度阈值，比较多帧阴影跟踪结果图中阴影运动差值，若阴影运动差值大于运动幅度阈值，则保留，否则，将该阴影判别为虚警结果；所述平均角速度约束具体过程为：设置角速度阈值范围，取若干个帧阴影跟踪结果图，计算相邻帧间的阴影角速度的平均值，若角速度的平均值落入角速度阈值范围内，则保留，否则，将该阴影判别为虚警结果。
2.如权利要求1所述的一种基于阴影提取的视频SAR运动目标检测方法，其特征在于所述第一步的具体过程为：采用超像素分割方法，将SAR图像中具有相同灰度、纹理、结构信息的像素聚合成块。
3.如权利要求1所述的一种基于阴影提取的视频SAR运动目标检测方法，所述跟踪算法为最邻近法。
CN202010745481.4A 2020-07-29 2020-07-29 基于阴影提取的视频sar运动目标检测方法 Active CN111881837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010745481.4A CN111881837B (zh) 2020-07-29 2020-07-29 基于阴影提取的视频sar运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010745481.4A CN111881837B (zh) 2020-07-29 2020-07-29 基于阴影提取的视频sar运动目标检测方法

Publications (2)

Publication Number Publication Date
CN111881837A CN111881837A (zh) 2020-11-03
CN111881837B true CN111881837B (zh) 2023-06-09

Family

ID=73201435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010745481.4A Active CN111881837B (zh) 2020-07-29 2020-07-29 基于阴影提取的视频sar运动目标检测方法

Country Status (1)

Country Link
CN (1) CN111881837B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112363143B (zh) * 2020-11-24 2023-11-07 北京小米移动软件有限公司 一种空调设备基于毫米波进行空间识别的方法和系统
CN114283293A (zh) * 2021-12-16 2022-04-05 中航航空电子有限公司 一种红外目标检测虚警抑制方法
CN114609634B (zh) * 2022-03-21 2023-04-25 电子科技大学 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680538A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于超像素的sar图像cfar目标检测方法
CN105913441A (zh) * 2016-04-27 2016-08-31 四川大学 一种用于改善视频中目标检测性能的阴影去除方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680538A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于超像素的sar图像cfar目标检测方法
CN105913441A (zh) * 2016-04-27 2016-08-31 四川大学 一种用于改善视频中目标检测性能的阴影去除方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Moving Target Shadow Detection and Global Background Reconstruction for VideoSAR Based on Single-Frame Imagery;Z. Liu, D. An and X. Huang;IEEE Access;7;第42418-42425页 *
王玮，李红波，吴渝.一种运动目标阴影轮廓的两步检测算法.广西师范大学学报(自然科学版).2010,第28卷(第3期),第165-169页. *
邓洋洋，冉元波，韩景红.基于超像素和信息论的SAR图像目标检测研究.成都信息工程大学学报.2017,第32卷(第5期),第479-486页. *

Also Published As

Publication number Publication date
CN111881837A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111881837B (zh) 基于阴影提取的视频sar运动目标检测方法
CN110517288B (zh) 基于全景多路4k视频图像的实时目标检测跟踪方法
TWI676963B (zh) 目標獲取方法及設備
US8538082B2 (en) System and method for detecting and tracking an object of interest in spatio-temporal space
Lin et al. Vehicle speed detection from a single motion blurred image
CN101739686B (zh) 运动目标跟踪方法及其系统
KR101271092B1 (ko) 감시 카메라 시스템에서 움직임을 검출하기 위한 실시간움직임 영역 분할 방법 및 장치
US20050201612A1 (en) Method and apparatus for detecting people using stereo camera
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN111723644A (zh) 一种监控视频遮挡检测方法及系统
CN111311644B (zh) 一种基于视频sar的运动目标检测方法
CN101141633A (zh) 一种复杂场景中的运动目标检测与跟踪方法
CN110889843B (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
Sankari et al. Estimation of dynamic background and object detection in noisy visual surveillance
JP2014027442A (ja) 画像処理装置、画像処理方法、およびプログラム
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN109254271B (zh) 一种用于地面监视雷达系统的静止目标抑制方法
Fu et al. Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform
CN114373130A (zh) 一种天基红外暗弱小运动目标检测方法
CN115035378A (zh) 基于时空域特征融合的红外弱小目标的检测方法及装置
Chen et al. A novel AMS-DAT algorithm for moving vehicle detection in a satellite video
CN110095774B (zh) 一种圆迹视频sar动目标检测方法
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法

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