CN112001361B - 一种基于欧拉视角的多目标微小振动频率测量方法 - Google Patents
一种基于欧拉视角的多目标微小振动频率测量方法 Download PDFInfo
- Publication number
- CN112001361B CN112001361B CN202010943253.8A CN202010943253A CN112001361B CN 112001361 B CN112001361 B CN 112001361B CN 202010943253 A CN202010943253 A CN 202010943253A CN 112001361 B CN112001361 B CN 112001361B
- Authority
- CN
- China
- Prior art keywords
- vibration
- frequency
- signal
- video
- extracting
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于欧拉视角的多目标微小振动频率测量方法,该方法包括:采集实际场景中物体的微小振动视频数据,利用边缘掩膜图像Edge Mask提取视频图像边缘上N个像素点处的亮度差信号;利用傅里叶变换求取N组微小振动信号的频谱;从视频数据中提取干扰运动的信号,并计算衰减系数向量V(fq),将该向量与所有微小振动信号的频谱点乘;利用PCA对所有振动信号频谱进行分解,获得一组按方差大小排列的主成分;利用特征值最大比值法选取方差较大的一组主成分,对每个主成分进行PCA回归,求得均值频谱,并对其进行归一化;通过检测归一化频谱中峰值对应的频率即可得到该主成分对应的振动模式的频率。本发明提供的测量方法具有测量速度快,测量精度高等特点。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种真实场景下基于欧拉视角的多目标微小振动频率检测方法。
背景技术
频率信息是振动分析的重要依据,广泛应用于结构健康检测和质量检测。人们一般通过分析物体的振动信号来检测振动频率。传统的振动信号检测方式包括基于传感器的接触式振动测量和基于激光测振仪的非接触振动测量,但是这些测量方式一般不适用于同时对多个目标进行振动测量。
计算机视觉技术的发展为振动信号检测提供了新方法。基于计算机视觉的视觉测量技术,是以现代光学为基础,融合计算机技术、激光技术、图像处理与分析技术等现代科学技术为一体,组成光机电一体化的综合测量系统。它具有精度高、非接触、在线检测、实时分析与控制、连续工作等特点,能够适用于多种危险的应用场合,广泛应用于军事、工业、农林业、医学、航空航天、科学研究等领域。本发明利用相机拍摄真实场景视频,捕获场景中的所有微小振动信号(称为“混合振动信号”),包括感兴趣目标的振动信号、干扰振动信号和噪声。我们假设一种目标只含有一种振动模式;当一种目标同时含有多种振动模式时,我们认为该目标同时包含了多个子目标。如果没有明确的说明,本发明中的“多目标”与“多振动模式”表达相同的意思。
在传统的基于欧拉视角检测视频中微小振动信号频率的研究中,有研究者利用复数可控金字塔将视频分解到不同尺度的空间上,计算获得各尺度上的相位轮廓视频,然后提取轮廓视频中各像素位置的相位差信号作为振动信号;通过对全局所有相位差信号的频谱取平均作为振动信号的频谱。但是,这种方法存在以下缺点:在信号提取方面,这种处理方式计算耗时,并且受到孔径问题的影响,从平坦区域提取的信号多为低频信号,并不包含有效的振动信息;在频率分析方面,这种全局求平均频谱的方法不能有效区分来自不同目标的振动频率,而且当视频中含有噪声以及诸如相机运动的干扰振动时,平均频谱中的有效峰值有可能淹没在干扰频谱中,难以检测。还有研究者在相位光流的理论支撑下,计算获得相位轮廓视频,并求解视频中沿水平方向和竖直方向的速度分量,通过积分的方法求得水平方向和竖直方向的位移信号;选定某个局部区域作为感兴趣区域(ROI),分析该区域内的所有位移信号的平均频谱用于频率检测。但是,这种方法仍然存在一些缺点:该方法只能进行定点测量,不能进行多目标测量;当存在干扰振动或噪声时,位移信号的测量精度也将影响频率分析的精度;当ROI区域包含平坦区域时,所提取的信号也可能并不包含有效的振动信息。
为了提高计算速度、保证信号提取的有效性,本发明从视频图像的边缘上提取时间维亮度信号作为振动信号;并设计干扰信号衰减因子,抑制混合振动信号中干扰信号的频率分量;然后利用主成分分析法(PCA)对全局振动信号的频谱特征进行分解,获取相互独立的一组主成分,每个主成分均代表一类振动模式的频谱特征;将方差较大的主成分分别进行PCA回归,求得均值频谱,通过检测其中峰值对应的频率即可得到该主成分对应的振动模式的频率,进而实现多目标的频率检测。多目标的频率检测结果在多目标质量检测、定位方面具有良好的应用价值。当然,当真实场景中只包含一种感兴趣目标时,该算法同样兼容适用。
发明内容
本发明针对现有技术中存在的问题,提出了一种基于欧拉视角的多目标微小振动频率测量方法。该方法旨在对实际场景中的包含多种振动模式的混合振动信号进行频率检测,同时检测出与每一种振动模式相对应的频率。该技术主要包括混合微小振动信号提取、干扰振动信号抑制处理、混合振动信号频率检测等。
为实现上述目的,本发明提供的技术方案如下:
提供一种基于欧拉视角的多目标微小振动频率测量方法,所述方法包括以下步骤:
步骤S1,用相机采集实际场景中物体的微小振动视频数据,利用边缘掩膜图像Edge Mask提取视频图像边缘上第n个像素点处的亮度差信号,n=1,2,3…N,获得N组混合振动信号In(t)=[in(1),in(2),L,in(T)],t=1,2,…,T,T表示视频的总帧数;
步骤S2,利用傅里叶变换将N组微小振动信号转化到频域,获取其频谱能量Pn(fq)=[pn(f1),pn(f2),K,pn(fQ)],q=1,2,…,Q,其中,fq表示信号频谱中的第q个频率值,Q表示FFT的点数,一般与信号长度T相同;
步骤S3,从所述视频数据中提取相机运动信号和非感兴趣物体的振动信号,分别对这两类干扰信号进行分析处理,获取相应的衰减系数向量V(fq);
步骤S4,将所述衰减系数向量V(fq)与各微小振动信号的频谱点乘,抑制混合振动信号中的干扰信号的频率成分;
步骤S5,利用PCA对所有的振动信号频谱进行分解,获得一组按方差大小排列的不相关的主成分,每个主成分均代表一类振动模式的频谱特征;
步骤S6,利用特征值最大比值法选取方差较大的一组主成分,分别利用每个主成分进行PCA回归,求得均值频谱,并对其进行归一化,值域为[0,1];通过检测归一化频谱中峰值对应的频率即可得到该主成分对应的振动模式的频率;同理,获得其他主成分对应的振动模式的频率,从而实现多目标的频率检测。
优选地,所述步骤S1对采集到的视频数据提取微小振动信号之前,还包括利用颜色空间转换,将采集的视频从RGB空间转化为YIQ空间,并提取出亮度通道的视频序列的步骤。
优选地,所述步骤S1中提取微小振动信号具体包括,从亮度通道的视频序列中提取第一帧图像,利用数字图像处理中的边缘检测算子——Canny算子对所述振动目标区域边缘检测,将生成的与原图像尺寸相同的二值边缘图像作为边缘掩膜Edge Mask,利用该掩膜与视频各帧进行点乘,获得新的视频序列,并以新视频序列的第一帧为参考帧,将其余各帧的亮度值减去第一帧的亮度值,然后提取边缘上各像素点的时间维亮度信号,所述时间维亮度信号即为微小振动信号。
优选地,所述步骤S3具体包括步骤:
S31,从亮度通道视频序列第一帧图像的背景区域中手动框选出包含静止物体的边缘的区域,采用步骤S1中相同的提取方法,提取出时间维信号,得到相机运动干扰信号;
S32,从边缘掩膜图像Edge Mask中手动框选包含非感兴趣物体边缘的区域,采用同步骤S1相同的方法,提取出时间维信号,得到非感兴趣物体的振动干扰信号;
S33,分别对所述两类干扰信号进行相同的分析处理,即通过傅里叶变换,获得其频谱,并将该频谱代入自然常数e的负指数函数中,计算得到与该频谱相应的衰减系数向量V(fq),并用如下公式表示:
优选地,所述视频数据为avi、mov、mp4等常用视频格式。
本发明提供了一种基于欧拉视角的多目标微小振动频率测量方法,该方法与已有的公知技术相比,具有如下优点:
(1)它是一种瞬间获取被测物体视频信息的测量方法,特别适用于包含多个测试目标的场景。
(2)它是一种非接触性的测量手段,不伤及测量目标,不干扰被测物自然状态,可在恶劣条件下应用。
(3)它是一种适用于微观世界、近景目标及远景目标的测量技术。
(4)它具有测量速度快,测量精度高等特点,可广泛应用于机械结构振动测量中,并且可以持续测量。
附图说明
图1为本发明基于欧拉视角的多目标微小振动频率测量方法的流程图;
图2为本发明基于欧拉视角的多目标微小振动频率测量方法提取两类干扰振动信号并计算相应衰减系数向量的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施适用于说明本发明,但不用来限制本发明的范围。
结合图1,本发明一种基于欧拉视角的多目标微小振动频率检测方法,包括如下步骤:
步骤S1:采集自然界中振动物体的视频数据以提取出微小振动信号;
在本步骤中,根据本发明的实施例,具体为:
1a)利用佳能相机在实际场景中拍摄振动物体的视频。相机帧率可以根据实际情况进行调整,根据奈奎斯特采样定理规定,相机帧率应该大于振动频率的2倍。视频采集时间为7秒,并保存为avi视频格式。利用颜色空间转换,将其从RGB空间转化为YIQ空间,并提取出Y(亮度)通道的视频序列用于后续分析。
1b)提取视频序列中的第一帧图像,利用Canny算子对图像进行边缘检测,生成与原图像尺寸相同的二值化边缘掩膜Edge Mask;利用该掩膜与视频各帧进行点乘,获得新的视频序列;以第一帧为参考帧,将其余各帧的亮度值减去第一帧的亮度值,然后提取边缘上第n个像素点处的时间维亮度信号,n=1,2,3…N;根据“光流中的亮度一致性假设”及“泰勒一阶级数展开”可知,这里提取的时间维亮度信号等价于微小振动信号,In(t)=[in(1),in(2),L,in(T)],t=1,2,…,T,T表示视频的总帧数。
在本步骤中,Canny边缘检测算法是数字图像处理中的算法,可以分为以下5个步骤:
1)使用高斯滤波器,以平滑图像,滤除噪声。
2)计算图像中每个像素点的梯度强度和方向。
3)应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
4)应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
5)通过抑制孤立的弱边缘最终完成边缘检测。
步骤S2:利用傅里叶变换将微小振动信号转化到频域,获取其频谱,Pn(fq)=[pn(f1),pn(f2),K,pn(fQ)],其中,fq表示信号频谱中的第q个频率值,Q表示FFT的点数,一般与信号长度T相同。
步骤S3:结合图2,从所述视频数据中提取相机运动信号和非感兴趣物体的振动信号,分别对这两类干扰信号进行分析处理,获取相应的衰减系数向量V(fq)。
步骤S31:从亮度通道视频序列第一帧图像的背景区域中手动框选出包含静止物体的边缘的区域,采用步骤S1中相同的提取方法,提取出时间维信号,得到相机运动干扰信号;
步骤S32:从边缘掩膜图像Edge Mask中手动框选包含非感兴趣物体边缘的区域,采用同步骤S1相同的方法,提取出时间维信号,得到非感兴趣物体的振动干扰信号;
步骤S33:分别对所述两类干扰信号进行相同的处理,即通过傅里叶变换,获得其频谱,并将该频谱代入自然常数e的负指数函数中,计算得到与该频谱相应的衰减系数向量V(fq),并用如下公式表示:
步骤S4:将所述衰减系数向量V(fq)与各微小振动信号的频谱点乘,抑制混合振动信号中的干扰信号,公式如下:
xn(fq)=Pn(fq)·×V(fq)
步骤S5:将N个振动信号的频谱构成一个N×Q的矩阵,X=[x1(fq),x2(fq),K,xN(fq)]T,作为PCA的输入矩阵;利用PCA对其进行分解,获得一组按方差大小排列的互不相关的主成分,每个主成分均代表一类振动模式的频谱特征。第i个主成分的计算公式如下:
yi=eiXm
步骤S6:利用特征值最大比值法选取方差较大的k个主成分,计算公式如下:
分别对每个主成分进行PCA回归,求得均值频谱,并对其进行归一化,值域为[0,1];通过检测归一化频谱中峰值对应的频率即可得到该主成分对应的振动模式的频率。同理,获得其他k-1个主成分对应的振动模式的频率,从而实现多目标的频率检测。
一般而言,采集的视频数据可为avi、mov、mp4等常用视频格式。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的精神和原则内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于欧拉视角的多目标微小振动频率测量方法,其特征在于,所述方法包括以下步骤:
步骤S1,用相机采集实际场景中物体的微小振动视频数据,利用边缘掩膜图像EdgeMask提取视频图像边缘上第n个像素点处的亮度差信号,n=1,2,3…N,获得N组混合振动信号In(t)=[in(1),in(2),L,in(T)],t=1,2,…,T,其中T表示视频的总帧数;
步骤S2,利用傅里叶变换将N组微小振动信号转化到频域,获取其频谱能量Pn(fq)=[pn(f1),pn(f2),K,pn(fQ)],q=1,2,…,Q,其中,fq表示信号频谱中的第q个频率值,Q表示FFT的点数,一般与信号长度T相同;
步骤S3,从所述视频数据中提取相机运动信号和非感兴趣物体的振动信号,分别对这两类干扰信号进行相同的分析处理,获取相应的衰减系数向量V(fq);
步骤S4,将所述衰减系数向量V(fq)与各微小振动信号的频谱点乘,抑制混合振动信号中的干扰信号的频率成分;
步骤S5,利用PCA对所有的振动信号频谱进行分解,获得一组按方差大小排列的不相关的主成分,每个主成分均代表一类振动模式的频谱特征;
步骤S6,利用特征值最大比值法选取方差较大的一组主成分,分别利用每个主成分进行PCA回归,求得均值频谱,并对其进行归一化,值域为[0,1];通过检测归一化频谱中峰值对应的频率即可得到该主成分对应的振动模式的频率;同理,获得其他主成分对应的振动模式的频率,从而实现多目标的频率检测;
其中,所述步骤S3具体包括步骤:
S31,从亮度通道视频序列第一帧图像的背景区域中手动框选出包含静止物体的边缘的区域,采用步骤S1中相同的提取方法,提取出时间维信号,得到相机运动干扰信号;
S32,从边缘掩膜图像Edge Mask中手动框选包含非感兴趣物体边缘的区域,采用同步骤S1相同的方法,提取出时间维信号,得到非感兴趣物体的振动干扰信号;
S33,分别对所述两类干扰信号进行傅里叶变换,获得其频谱,并将该频谱代入自然常数e的负指数函数中,计算得到与该频谱相应的衰减系数向量V(fq),并用如下公式表示:
2.根据权利要求1所述的基于欧拉视角的多目标微小振动频率测量方法,其特征在于,所述步骤S1对采集到的视频数据提取微小振动信号之前,还包括利用颜色空间转换,将采集的视频从RGB空间转化为YIQ空间,并提取出亮度通道的视频序列的步骤。
3.根据权利要求1所述的基于欧拉视角的多目标微小振动频率测量方法,其特征在于,所述步骤S1中提取微小振动信号具体包括,从亮度通道的视频序列中提取第一帧图像,利用数字图像处理中的边缘检测算子——Canny算子对振动目标区域边缘检测,将生成的与原图像尺寸相同的二值边缘图像作为边缘掩膜Edge Mask,利用该掩膜与视频各帧进行点乘,获得新的视频序列,并以新视频序列的第一帧为参考帧,将其余各帧的亮度值减去第一帧的亮度值,然后提取边缘上各像素点的时间维亮度信号,所述时间维亮度信号即为微小振动信号。
4.根据权利要求1所述的基于欧拉视角的多目标微小振动频率测量方法,其特征在于,所述视频数据为avi、mov或mp4视频格式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019113699055 | 2019-12-26 | ||
CN201911369905 | 2019-12-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001361A CN112001361A (zh) | 2020-11-27 |
CN112001361B true CN112001361B (zh) | 2022-06-07 |
Family
ID=73469640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010943253.8A Active CN112001361B (zh) | 2019-12-26 | 2020-09-09 | 一种基于欧拉视角的多目标微小振动频率测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001361B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614180B (zh) * | 2020-12-31 | 2022-05-31 | 中国科学院长春光学精密机械与物理研究所 | 一种位移测量方法 |
CN113447111B (zh) * | 2021-06-16 | 2022-09-27 | 合肥工业大学 | 基于形态分量分析的视觉振动放大方法、检测方法及系统 |
CN114719731B (zh) * | 2022-06-08 | 2022-09-23 | 中国航发四川燃气涡轮研究院 | 一种叶尖间隙峰峰值提取方法及叶片转速计算方法和装置 |
CN115797335B (zh) * | 2023-01-31 | 2023-05-09 | 武汉地震工程研究院有限公司 | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 |
CN117596487B (zh) * | 2024-01-18 | 2024-04-26 | 深圳市城市公共安全技术研究院有限公司 | 相机扰动自矫正方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084127A (zh) * | 2019-03-29 | 2019-08-02 | 南京航空航天大学 | 一种基于视觉的磁悬浮转子振动测量方法 |
CN110866892A (zh) * | 2019-09-30 | 2020-03-06 | 南京航空航天大学 | 一种基于视觉的离线振动测量分析方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10567655B2 (en) * | 2016-09-19 | 2020-02-18 | Triad National Security, Llc | System and method for automated extraction of high resolution structural dynamics from video |
CN107529646B (zh) * | 2017-05-02 | 2021-01-26 | 广东工业大学 | 一种基于欧拉影像放大的无接触式心率测量方法及装置 |
CN109063763A (zh) * | 2018-07-26 | 2018-12-21 | 合肥工业大学 | 基于pca的视频微小变化放大方法 |
CN109259749A (zh) * | 2018-08-29 | 2019-01-25 | 南京邮电大学 | 一种基于视觉摄像头的非接触式心率测量方法 |
-
2020
- 2020-09-09 CN CN202010943253.8A patent/CN112001361B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084127A (zh) * | 2019-03-29 | 2019-08-02 | 南京航空航天大学 | 一种基于视觉的磁悬浮转子振动测量方法 |
CN110866892A (zh) * | 2019-09-30 | 2020-03-06 | 南京航空航天大学 | 一种基于视觉的离线振动测量分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112001361A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001361B (zh) | 一种基于欧拉视角的多目标微小振动频率测量方法 | |
CN110440902B (zh) | 一种非接触式微小振动视觉测量方法 | |
US20060245500A1 (en) | Tunable wavelet target extraction preprocessor system | |
US11182912B2 (en) | Image registering method and apparatus | |
CN113902633B (zh) | 一种基于偏振信息的海面搜救目标强化方法 | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN110940638B (zh) | 一种高光谱图像亚像元级水体边界探测方法及探测系统 | |
CN114596525A (zh) | 一种基于计算机视觉的动态桥梁形态识别方法 | |
Zang et al. | Phase-based vibration frequency measurement from videos recorded by unstable cameras | |
CN111145121B (zh) | 一种强化多特征融合的置信项滤波器目标跟踪方法 | |
CN116295790B (zh) | 基于桥梁拉索特征区域帧间相位差的频率检测方法及系统 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Liu et al. | Temporal noise suppression for small target detection in infrared image sequences | |
Acito et al. | Robust technique for anomalous change detection in airborne hyperspectral imagery based on automatic and adaptive band selection | |
Li et al. | Spatio-context-based target tracking with adaptive multi-feature fusion for real-world hazy scenes | |
CN111076815B (zh) | 一种高光谱图像非均匀性校正方法 | |
Yu et al. | Method of aerial target length extraction based on high resolution range profile | |
CN110443209B (zh) | 基于矩阵恢复的红外小目标检测方法 | |
Wu et al. | Spectra-difference based anomaly-detection for infrared hyperspectral dim-moving-point-target detection | |
Wang et al. | Error analysis of atmospheric visibility measurements based on an image brightness contrast method | |
Nyberg et al. | Approach to assessment of camouflage methodology | |
Jiang et al. | Soccer Match Target Tracking System Based on Particle Swarm Optimization | |
Zhou | Non-imaging real-time detection and tracking of fast-moving objects using a single-pixel detector | |
Sun et al. | Infrared image dim small target detection based on double energy accumulation | |
Macfarlane et al. | Object detection and classification in aerial hyperspectral imagery using a multivariate hit-or-miss transform |
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 |