CN113283326B - 基于仿真目标亮线特征的视频sar目标智能检测方法 - Google Patents
基于仿真目标亮线特征的视频sar目标智能检测方法 Download PDFInfo
- Publication number
- CN113283326B CN113283326B CN202110534078.1A CN202110534078A CN113283326B CN 113283326 B CN113283326 B CN 113283326B CN 202110534078 A CN202110534078 A CN 202110534078A CN 113283326 B CN113283326 B CN 113283326B
- Authority
- CN
- China
- Prior art keywords
- target
- imaging
- moving target
- bright line
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000004088 simulation Methods 0.000 title claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于仿真目标亮线特征的视频SAR目标智能检测方法,属于雷达技术领域。该方法包括如下步骤:将视频SAR的视频结果逐帧转换成图片,并进行分帧存储,选择训练背景图;对图像集进行灰度阈值处理,二值膨胀和最大连通域处理,去除每一帧中的亮线动目标部分,分离出成像所需的背景;确定影响运动目标成像结果的参量范围,并利用PFA成像技术对运动目标进行成像仿真;将运动目标成像结果和分离出来的背景进行融合,得到高逼真度的运动目标亮线图,构建深度学习所需要的样本集;将该样本集划分为训练集,并基于Faster RCNN的神经网络进行训练,对实测视频SAR数据进行动目标的检测。本发明构建的数据集具有实现简单,覆盖率全和逼真度高的特点。
Description
技术领域
本发明涉及了一种基于仿真目标亮线特征的视频SAR目标智能检测方法,属于雷达技术领域。
背景技术
视频合成孔径雷达(Video Synthetic Aperture Radar,ViSAR)是一种高帧率的成像系统,通过对地面场景持续监控,达到连续成像结果,因此可有效的检测运动目标并进行目标的跟踪,相比较传统的SAR(Synthetic Aperture Radar,合成孔径雷达)优势明显,有很广阔的前景。但视频SAR在目标检测时,存在可检测的动目标速度范围偏大的缺陷,在检测速度较小的动目标时漏检率较高。
当雷达载频较低时,视频SAR动目标在成像结果中显示为一条亮线,相比较背景有明显的特征,因此提出用神经网络来检测运动目标亮线的方法。神经网络在目标检测上已经取得了很好的应用,但神经网路学习需要准备大量的训练样本集,以便网路熟悉需要检测目标的特点,提高动目标检测的准确度。
发明内容
针对实际的视频SAR系统样本量不足,且直接对动目标进行成像结果与实测数据的逼真度不高,在检测中存在检测不准确的情况,本发明提出了一种基于仿真目标亮线特征的视频SAR目标智能检测方法。
本发明为解决其技术问题采用如下技术方案:
一种基于仿真的高逼真度运动目标亮线特征样本库的视频SAR运动目标智能检测算法,包括以下步骤:
(1)对已有的视频SAR的视频结果逐帧转换成图片,并进行分帧存储,选取所需的背景图;
(2)对步骤(1)背景图的图像集进行灰度阈值处理,二值膨胀和最大连通域处理,去除每一帧中的动目标部分,分离出成像所需的背景;
(3)确定影响运动目标成像结果的参量范围,并通过遍历参数的方法,利用PFA成像技术对运动目标进行成像仿真,逼近实际情况下运动目标成像结果;
(4)通过设定动目标和背景杂波之间的信杂比,将动目标成像结果和分离出来的背景杂波进行融合,得到高逼真度的运动目标亮线图,构建深度学习所需要的样本集;
(5)基于构建的Faster RCNN训练样本集,进行网络训练;
(6)将已有的视频SAR实测数据作为测试集,利用Faster RCNN训练得到的检测器对视频SAR中的动目标进行检测。
步骤(2)中进行二值膨胀的步骤如下:
a)将灰度阈值处理之后的图像进行二值化处理;
b)观察二值化图像与预期目标,选取结构元素;
c)将结构元素与二值化图像进行卷积处理,并用最小值代替图像中该像素点的值,即将元素结构在图像中进行平移,若元素结构与图像有重叠就保留。
步骤(2)中所述最大连通域处理方法有二遍扫描法和种子填充法。
所述二遍扫描法包括如下步骤:
A.对图像矩阵从左到右,从上到下依次扫描,若矩阵当前的像素点有值就赋为1并后移;若下一个有值像素点的邻域像素点不为0,则以最小的领域像素点赋值,否则像素值依次累加;最后,记录这些被重新赋值的像素点的数值关系,相同数值的像素点为同一联通域;
B.进行第二次扫描,重新扫描像素点,若当前像素点的值>1,则该像素点用周围像素点的最小值来代替,扫描结束之后,得到最终的联通域。
步骤(5)所述网络训练过程中使用验证集每隔一个Epoch验证网络是否欠拟合或者过拟合。
本发明的有益效果如下:
本发明考虑到真实情况下运动目标的参数,对运动目标径向速度,径向加速度,方位向速度,方位向加速度这四个参数的所有情况进行遍历,并参照已有的视频SAR系统参数,对运动面目标进行PFA(polar format algorithm,极坐标格式算法)成像仿真,根据实际情况下成像结果存在的几何失真进行校正,使得运动目标仿真效果更逼近实际情况。在为构建神经网络训练集选取背景时,直接使用的实测数据背景图,并进行灰度阈值处理,二值膨胀和最大连通域处理去除了背景图像中已经存在的动目标结果,训练样本集基于实测数据场景,真实性更强。本发明通过改变遍历步长,可以构建庞大的训练样本集,再利用神经网路进行检测时,可以有效改善传统视频SAR慢速动目标检测率低的缺陷。
附图说明
图1是本发明的整体流程图。
图2是ViSAR视频分帧储存的结果图。
图3是运动目标成像结果图。
图4是灰度阈值处理之后的结果图。
图5是二值膨胀后的结果图。
图6是最大联通域处理之后的结果图。
图7是去除动目标后目标位置的局部图。
图8是去除动目标后的整体背景图。
图9(a)是PFA成像运动目标形态图1;图9(b)是PFA成像运动目标形态图2;图9(c)是PFA成像运动目标形态图31;图9(d)是PFA成像运动目标形态图32。
图10(a)为几何失真校正前的图;图10(b)为几何失真校正后的图。
图11为训练数据库部分样本图。
图12为基于Faster-RCNN(快速基于区域的卷积网络)检测实测数据结果图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于仿真的高逼真度运动目标亮线特征样本库的视频SAR运动目标智能检测算法,整体流程如图1所示。
本实施例在已有的视频SAR系统实测数据的基础上进行仿真。实验所用软件和硬件配置如表1所示:
表1实验环境
具体步骤如下:
步骤1:对已有的ViSAR的视频结果逐帧转换成图片,并进行分帧存储,选取所需要的背景图片;
步骤2:对图像集进行灰度阈值处理,二值膨胀和最大连通域处理,去除每一帧中的亮线目标部分,分离出成像所需的背景;
步骤3:根据地面目标的运动特点,确定影响运动目标成像结果的参量范围,并利用PFA成像技术对运动目标进行成像仿真,由于运动目标自身存在参数的影响,需要对成像结果进行几何失真校正,还原动目标的真实位置;
步骤4:接着通过设定动目标和背景杂波之间的信杂比,将动目标成像结果和分离出来的背景杂波进行融合,得到高逼真度的运动目标亮线图,构建深度学习所需要的样本集;
步骤5:基于构建的Faster-RCNN训练样本集,进行网络的训练。
步骤6:将已有的视频SAR实测数据作为测试集,利用Faster RCNN训练得到的检测器对视频SAR中的动目标进行检测。
在本实施例中,上述步骤1采用如下优选方案实现:
首先对已有的ViSAR的视频结果逐帧转换成图片,并进行分帧存储,选取所需要的背景图片,如图2所示。
在本实施例中,上述步骤2采用如下优选方案实现:
需要将选出的图片进行灰度阈值处理,二值膨胀和最大连通域处理。视频SAR系统对运动目标成像结果为灰度图,视频SAR系统对运动目标成像结果为灰度图,由于目标大多为金属外壳,散射系数较强,因此在视频SAR成像图中表现为亮的像素点,其中运动目标由于存在速度和加速度,存在散焦现象,因此动目标在灰度图中表现的形态为一条“亮线”,如图3所示;可以利用背景和运动目标之间的灰度强度对比进行灰度阈值处理,由于在雷达回波中,存在杂波的影响,部分运动目标的回波信号会被掩盖在背景杂波中,表现在灰度阈值处理之后的图像中为合作目标成像结果中间出现不连续的现象,如图4所示。
为解决这种不连续的现象,运用到二值膨胀和最大连通域的方法,去掉目标区域的不连续现象。进行二值膨胀的主要步骤为:
(1)将灰度阈值处理之后的图像进行二值化处理;
(2)观察二值化图像与预期目标,选取结构元素;
(3)将结构元素与二值化图像进行卷积处理,并用最小值代替图像中该像素点的值,即将元素结构在图像中进行平移,若元素结构与图像有重叠就保留。从视觉上观察结果图,亮线区域整体“变胖”,如图5所示。
最大连通域方法,即二值化图像处理中的联通域标记,常用的方法有二遍扫描法和种子填充法,这里主要采用的是二遍扫描法,其主要步骤为:
(1)对图像矩阵从左到右,从上到下依次扫描,若矩阵当前的像素点有值就赋为1并后移;然后,若下一个有值像素点的邻域像素点不为0,则以最小的领域像素点赋值,否则像素值依次累加;最后,记录这些被重新赋值的像素点的数值关系,相同数值的像素点为同一联通域。
(2)进行第二次扫描,重新扫描像素点,若当前像素点的值>1,则该像素点用周围像素点的最小值来代替,扫描结束之后,得到最终的联通域。
进行二遍扫描法处理之后的图片如图6所示,可以发现,动目标的亮线特征被明显提取出来。
最后,去除实测图中的动目标,并随机选取该实测图中其他的非目标背景进行填充,从而得到训练集样本所需的实测背景图,其目标位置局部图和背景的整体图分别如图7,8所示。
在本实施例中,上述步骤3采用如下优选方案实现:
分析运动目标径向速度,径向加速度,方位向速度和方位向加速度对成像结果的影响,并利用PFA成像技术进行成像。设定该仿真系统雷达工作在圆迹聚束模式下。在合成孔径时间内,雷达平台与运动目标的斜距可以表示为:
上式中,H、R和v分别为雷达平台的高度、运动半径和运动速度,t为方位向时间,x为目标方位向位置,y为目标距离向位置。vx为距离向速度,ax为距离向加速度,vy为方位向速度、ay为方位向加速度。利用近似cosθ≈1和sinθ≈θ化简得:
对上式进行麦克劳林展开,忽略四次相的影响,得到一元多次表达式形如式:
R(t)≈Rp+A1t+A2t2+A3t3
其中,Rp为孔径中心时刻平台到运动目标P的距离,A1、A2和A3为斜距的等效系数,可以表示为:
经过麦克劳林展开计算实际斜距的方式可以很好的拟合真实情况下的斜距,达到了简化参数变量的目的。但高阶的参量反而会导致瞬时斜距不准确,因此,实际仿真中只取前两阶进行瞬时斜距的计算。
视频SAR成像系统进行PFA成像仿真时,由于运动目标不同的径向和方位向位置,以及上述分析中存在的其他四个参数的影响,在进行仿真时存在两个方面的问题:一个是参数过多导致构建样本集时工作量巨大;第二个是是依据这些参数在划分目标成像的类型存在不准确的结果,因此在实际进行数据集成像时对动目标径向速度,径向加速度,方向位速度,方向位加速度四个变量进行遍历,再确定参量A1和A2这两个变量的范围,进行遍历。成像的部分数据集结果如图9所示。
在本实施例中,上述步骤4采用如下优选方案实现:
采用的为PFA成像技术。对于球面波而言,当仿真目标位于场景中心时,不需要对成像结果进行补偿;但对于实际中的视频SAR成像系统,实际的运动目标不一定位于成像场景中心,因此需要对非场景中心的目标回波进行几何失真校正。对于斜视模式下的聚束SAR系统,设定经过PFA进行运动目标成像之后的某像素点坐标为(a,b),该像素点的实际位置为(x,y),则该两个坐标之间的关系可以表示为:
上式中,Rco为合成孔径中心时刻雷达到场景中心的距离、Rct为合成孔径中心时刻雷达到目标的距离,φc为该时刻下的俯仰角,yc为该时刻下的距离坐标,θ为天线方位中心瞬时方位角。通过迭代,即可求出(x,y)关于(a,b)的解。几何失真校正的前后对比图如图10所示。
在本实施例中,上述步骤4采用如下优选方案实现:
通过设定动目标和背景杂波之间的信杂比,将动目标成像结果和分离出来的背景杂波进行融合,得到高逼真度的运动目标亮线图,构建深度学习所需要的样本集。部分样本集结果如图11所示。
在本实施例中,上述步骤5采用如下优选方案实现:
首先使用LabelImg标注软件进行标注,目标框的位置坐标为(xL,yL,xR,yR),其中xL,yL为目标框的左上角横、纵坐标,xR,yR为目标框的右下角横、纵坐标。
为增加训练样本的全面性,可以通过改变图像的长宽比例和对比度、不同程度的缩放以及水平翻转,得到新的位置坐标 为数据增强后目标框的左上角横、纵坐标,/>为数据增强后目标框的右下角横、纵坐标。将标注好的图片进行Faster RCNN的训练,训练过程中使用验证集每隔一个Epoch(所有数据被训练的总轮数)验证网络是否欠拟合或者过拟合。
接着基于构建的Faster-RCNN训练样本集,进行网络的训练。
在本实施例中,上述步骤6采用如下优选方案实现:
将Faster-RCNN训练得到的检测器对实测的视频SAR数据进行检测,得到最终的检测结果,如图12所示。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于仿真目标亮线特征的视频SAR目标智能检测方法,其特征在于,包括以下步骤:
(1)对已有的视频SAR的视频结果逐帧转换成图片,并进行分帧存储,选取所需的背景图;
(2)对步骤(1)背景图的图像集进行灰度阈值处理,二值膨胀和最大连通域处理,去除每一帧中的动目标部分,分离出成像所需的背景;
(3)确定影响运动目标成像结果的参量范围,并通过遍历参数的方法,利用PFA成像技术对运动目标进行成像仿真,逼近实际情况下运动目标成像结果;
分析运动目标径向速度,径向加速度,方位向速度和方位向加速度对成像结果的影响,并利用PFA成像技术进行成像;设定仿真系统雷达工作在圆迹聚束模式下;在合成孔径时间内,雷达平台与运动目标的斜距可以表示为:
上式中,H、R和v分别为雷达平台的高度、运动半径和运动速度,t为方位向时间,x为目标方位向位置,y为目标距离向位置;vx为距离向速度,ax为距离向加速度,vy为方位向速度、ay为方位向加速度;
(4)通过设定动目标和背景杂波之间的信杂比,将动目标成像结果和分离出来的背景杂波进行融合,得到高逼真度的运动目标亮线图,构建深度学习所需要的样本集;
(5)基于构建的Faster RCNN训练样本集,进行网络训练;
(6)将已有的视频SAR实测数据作为测试集,利用Faster RCNN训练得到的检测器对视频SAR中的动目标进行检测。
2.根据权利要求1所述基于仿真目标亮线特征的视频SAR目标智能检测方法,其特征在于,步骤(2)中进行二值膨胀的步骤如下:
将灰度阈值处理之后的图像进行二值化处理;
观察二值化图像与预期目标,选取结构元素;
将结构元素与二值化图像进行卷积处理,并用最小值代替图像中像素点的值,即将元素结构在图像中进行平移,若元素结构与图像有重叠就保留。
3.根据权利要求1所述基于仿真目标亮线特征的视频SAR目标智能检测方法,其特征在于,步骤(2)中所述最大连通域处理方法有二遍扫描法和种子填充法。
4.根据权利要求3所述基于仿真目标亮线特征的视频SAR目标智能检测方法,其特征在于,所述二遍扫描法包括如下步骤:
对图像矩阵从左到右,从上到下依次扫描,若矩阵当前的像素点有值就赋为1并后移;
若下一个有值像素点的邻域像素点不为0,则以最小的领域像素点赋值,否则像素值依次累加;最后,记录这些被重新赋值的像素点的数值关系,相同数值的像素点为同一联通域;
进行第二次扫描,重新扫描像素点,若当前像素点的值>1,则该像素点用周围像素点的最小值来代替,扫描结束之后,得到最终的联通域。
5.根据权利要求1所述基于仿真目标亮线特征的视频SAR目标智能检测方法,其特征在于,步骤(5)所述网络训练过程中使用验证集每隔一个Epoch验证网络是否欠拟合或者过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534078.1A CN113283326B (zh) | 2021-05-17 | 2021-05-17 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534078.1A CN113283326B (zh) | 2021-05-17 | 2021-05-17 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283326A CN113283326A (zh) | 2021-08-20 |
CN113283326B true CN113283326B (zh) | 2024-04-19 |
Family
ID=77279527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110534078.1A Active CN113283326B (zh) | 2021-05-17 | 2021-05-17 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283326B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115567651B (zh) * | 2022-09-20 | 2023-05-09 | 中国人民解放军61540部队 | 一种像元响应非均匀性校正方法、系统、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722199A (zh) * | 2020-08-10 | 2020-09-29 | 上海航天电子通讯设备研究所 | 一种基于卷积神经网络的雷达信号检测方法 |
WO2021012757A1 (zh) * | 2019-07-23 | 2021-01-28 | 南京莱斯电子设备有限公司 | 基于全景多路4k视频图像的实时目标检测跟踪方法 |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
-
2021
- 2021-05-17 CN CN202110534078.1A patent/CN113283326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021012757A1 (zh) * | 2019-07-23 | 2021-01-28 | 南京莱斯电子设备有限公司 | 基于全景多路4k视频图像的实时目标检测跟踪方法 |
CN111722199A (zh) * | 2020-08-10 | 2020-09-29 | 上海航天电子通讯设备研究所 | 一种基于卷积神经网络的雷达信号检测方法 |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113283326A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993245B (zh) | 一种空天背景多目标检测和跟踪方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN109712112B (zh) | 基于局部特征的航拍绝缘子图像的定位方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN112541481A (zh) | 一种基于深度学习的对海探测雷达目标检测方法 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN111311644B (zh) | 一种基于视频sar的运动目标检测方法 | |
Wang et al. | Research on crack monitoring at the trailing edge of landslides based on image processing | |
CN108802729B (zh) | 时间序列InSAR最佳干涉像对选择的方法及装置 | |
CN113283326B (zh) | 基于仿真目标亮线特征的视频sar目标智能检测方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN113887624A (zh) | 一种基于双目视觉的改进特征立体匹配方法 | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
CN110956078B (zh) | 一种电力线检测方法及装置 | |
CN111461222A (zh) | 目标物轨迹相似度的获取方法、装置及电子设备 | |
CN114693524A (zh) | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
CN110095774A (zh) | 一种圆迹视频sar动目标检测方法 | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
CN117095038A (zh) | 用于激光扫描仪的点云滤波方法及系统 | |
CN108828549B (zh) | 一种基于机场场面监视雷达系统的目标提取方法 | |
CN109978916A (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
CN112528990B (zh) | 一种高动态星敏感器恒星光斑提取方法 | |
CN113343819A (zh) | 一种高效的无人机载sar图像目标分割方法 |
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 |