CN113313773A - 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 - Google Patents
一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 Download PDFInfo
- Publication number
- CN113313773A CN113313773A CN202110516493.4A CN202110516493A CN113313773A CN 113313773 A CN113313773 A CN 113313773A CN 202110516493 A CN202110516493 A CN 202110516493A CN 113313773 A CN113313773 A CN 113313773A
- Authority
- CN
- China
- Prior art keywords
- prey
- bird
- image
- midbrain
- significance
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000002860 competitive effect Effects 0.000 title claims abstract description 19
- 210000001259 mesencephalon Anatomy 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000016776 visual perception Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 241001300198 Caperonia palustris Species 0.000 abstract 1
- 235000000384 Veronica chamaedrys Nutrition 0.000 abstract 1
- 235000005770 birds nest Nutrition 0.000 abstract 1
- 230000003068 static effect Effects 0.000 abstract 1
- 235000005765 wild carrot Nutrition 0.000 abstract 1
- 230000003042 antagnostic effect Effects 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 12
- 230000008485 antagonism Effects 0.000 description 9
- 230000036755 cellular response Effects 0.000 description 6
- 230000005764 inhibitory process Effects 0.000 description 6
- 241000271566 Aves Species 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004456 color vision Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000007321 biological mechanism Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241001415849 Strigiformes Species 0.000 description 1
- 241001415827 Tytonidae Species 0.000 description 1
- 230000008484 agonism Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,步骤一:摄像头标定,获取摄像头内外参数,矫正图像畸变;步骤二:统一图像光照强度,gamma校正;步骤三:仿猛禽颜色机制区域分割;步骤四:仿猛禽注意力机制的显著区域检测;步骤五:猛禽核团感受野模拟;步骤六:颜色信息与动态目标信息融合。本发明优点:一、鲁棒性强,根据仿猛禽眼颜色机制以及仿猛禽中脑竞争性选择机制设计算法,兼顾显著区域的静态特征与动态特征,保证显著检测结果的准确性;二、框架简洁,节省目标检测计算量,大幅减小机载计算载荷要求;三、考虑光照不同、显著物特征不同为显著目标检测带来的困难,对于变化环境下的显著目标检测具有更强的适应性。
Description
技术领域
本发明是一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,属于计算机视觉领域。
背景技术
随着科技不断发展,在现代战争中,对于场景快速感知与目标搜索有较高的需求。视觉传感器相比于超声波、激光等传感器具有适应性强、灵敏度高、获取信息量丰富等优点。在视频信息越来越丰富的同时,对大量信息的处理所需要的计算资源、存储资源和时间资源等各方面需求都会有很大提升。场景中的冗余信息将提高计算复杂度,给计算机视觉识别任务带来干扰。面对一个相对复杂的场景时,若能够首先关注少数几个特殊的区域,并对这些区域进行优先处理,将大大提高检测效率。
显著性检测就是利用计算机去模拟生物的视觉系统来识别出图像或视频中最吸引注意力的区域。其中,图像或视频的显著性区域来源于目标区域及其领域非目标区域之间的对比差异。心理学研究表明,图像或视频的显著性目标区域的这种通过对比感知的差异性是由生物类视觉系统决定的。当面对复杂场景时,生物的视觉系统依靠强大的信息处理能力快速从场景中定位到具有区分性和吸引力的目标,这种能力被称为视觉注意机制。猛禽的视觉系统通过视觉注意机制,对周围环境信息做出分析,选取感兴趣的特定区域,为该区域分配更多的视觉处理资源进行精细分析处理,确保视觉系统能在处理大量信息的同时对周围环境做出准确反应。利用仿猛禽中脑竞争性选择机制的环境显著性检测机制能够快速预定位目标,为后续处理提供指导,在提高目标的感知概率同时减少计算时间。
由于猛禽类的生活环境及捕食环境复杂多变,且存在各种不同的因素会影响视网膜接收到的图像的亮度、光谱分布、对比度等。多项研究结果表明显著性、独特性、意外性、对比度等是影响猛禽捕食行为中的目标选择的典型因素,而这些特征均与视觉注意有着重要关系。此外,众多研究者对猛禽——仓鸮的视觉注意机制进行了研究,视觉注意机制能够帮助仓鸮更加准确地对目标进行锁定,并将更多的后续视觉处理资源分配到目标区域。
本发明借鉴猛禽中脑竞争性选择机制,归纳模型应用于环境显著性检测。
发明内容
本发明目的是提供一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,旨在提高复杂环境中目标的检测效率,从而实现在多干扰场景下,目标的快速识别定位,能够应用于侦察与反打击场景。
本发明是一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,采用单目摄像头作为视觉感知设备,该方法的框架如图1所示,具体实现步骤如下:
步骤一:摄像头标定,获取摄像头内外参数,矫正图像畸变
步骤二:统一图像光照强度,gamma校正
为了增强仿猛禽中脑竞争性选择机制的环境显著性检测方法的适应性和鲁棒性,首先对输入图像进行gamma校正,经过校正后的图像能够避免图像曝光过度或光线过暗的问题。
Iout=(Iin)gamma (1)
其中,Iout为输出图像,Iin为输入图像,gamma为校正系数。
步骤三:仿猛禽颜色机制的区域分割
根据猛禽色觉的拮抗机制,在不同视锥细胞接收信号类型相同的前提下,三种长、中和短波段敏感型视锥细胞在提取可见光中的信号以后,将进入猛禽眼的后处理机制进行相互拮抗作用,从而形成四条后感受器通路:亮度通路(U通路),用来描述光线中的亮度信息;长波通路(L通路),用来描述光线中的长波段信号;中波通路(M通路),用来描述光线中的中波段信号;短波通路(S通路),用来描述光线中的短波段信号。不同的颜色刺激信号在后处理机制中相互拮抗获得色差信号,每一条后感受器通路代表每一种颜色类型视锥细胞信号相对其他视锥颜色信号的对比响应。
根据猛禽的色觉机制构建视觉模型:L型通路主要吸收彩色图像中的红色信号,并对其他颜色的信号进行抑制;M通路、S通路则分别吸收彩色图像中的绿色和蓝色信号,并对其他颜色信号进行抑制,而U通路则吸收了图像中的亮度信号。
其中IL、IM、IS和IU分别为长波、中波、短波以及紫外波段四个通路对图像的输出响应。r、g、b是输入彩色图像中三个颜色通道的灰度值,max为取最大值符号,min为取最小值符号。
将输入的RGB图像转换至LMS颜色空间,并分别构建黄色输入分量、蓝-黄(S-Y)拮抗模型和明亮敏感拮抗模型。
其中,ILM表示L兴奋M抑制的L-M拮抗,IML表示M兴奋,L抑制的L-M拮抗;IYS表示Y兴奋,S抑制的Y-S拮抗,ISY表示S兴奋,Y抑制的Y-S拮抗;IW+表示明亮兴奋的拮抗,IW-表示明亮抑制的拮抗。
以L兴奋、M抑制的L-M单拮抗细胞为例,感受野细胞的响应可近似为:
CL+M-(x,y;σc)=ILM(x,y)*G(x,y;σc) (4)
其中,CL+M-(x,y;σc)表示在图像坐标(x,y)处以σc为感受野大小的细胞响应;G(x,y;σc)为二维各向同性高斯滤波核,σ为高斯滤波核的标准差;*表示卷积操作。同理可以计算单拮抗细胞响应CM+L-(x,y;σc)、CS+L-(x,y;σc)、CL+S-(x,y;σc)。
根据双拮抗细胞响应的结构,用两个不同感受野大小的拮抗细胞响应构造双拮抗细胞的响应,以L-M双拮抗细胞为例,可表示为:
DLM(x,y;σc)=CL+M-(x,y;σc)+k·CM+L-(x,y;λσc) (5)
其中,σc和λσc表示双拮抗细胞中心和周边感受野的尺度,k为周边感受野的比重。同理可以计算双拮抗细胞响应DSL(x,y;σc)。
明亮敏感型双拮抗细胞的响应表示为:
DW(x,y)=CW+(x,y;σc)+k·CW-(x,y;λσc) (6)
将双拮抗细胞的输出转换至与图像一致的LMS空间:
将LMS颜色空间的输出转换至RGB颜色空间:
其中,L、S、M分别表示图像在LMS空间中的L分量、S分量以及M分量;R、G、B分别表示图像在RGB空间中的R分量、G分量以及B分量。
步骤四:仿猛禽注意力机制的显著区域检测
自然界中,猛禽在自由观察自然场景时,对某个物体的显著值感知与其呈现出的特征及出现的位置有关。某个像素点处引起视觉注意的概率可以表示为似然函数:
其中,o表示出现在背景中的显著物体,P(x|o)代表目标显著区域的后验概率,c(z)表示背景像素,P(x|c(z),o)为条件概率,表示显著区域与背景间的关系,P(c(z)|o)为先验概率,表示显著区域出现的概率,Xc表示图像位置向量集合,m(x)为概率表达式符号,可反映图像显著度信息。
根据猛禽注意力机制模型,条件概率可由下式解得:
P(x|c(z),o)=D(x-z) (10)
其中,D代表显著区域x与背景区域z之间的相对距离与相对角度关系。
其中,I为图像背景的响应强度,ωσ为高斯函数,z为区域背景坐标,x*为显著物体坐标,σ为高斯函数方差。a为约束系数,由于P为概率,取值必位于0、1之间,设立a作为约束系数控制P取值。
步骤五:猛禽核团感受野模拟
为模拟猛禽脑视丘核团对轮廓的感知能力,采用高斯滤波核进行纹理信息获取。根据图像显著性原理,获得猛禽脑视丘核团动态感知模型:
其中Hi为目标图像的傅里叶变换,Gi为高斯滤波器的傅里叶变换,Fi为先验信息图像的傅里叶变换。
则根据上式根据猛禽脑视丘核团动态感知模型,有如下优化目标:
其中,⊙为矩阵按位相乘符号,i为图像序列中图像的索引号。
在步骤四中,需控制a值大小来满足0<P<1的约束,根据a值取值,将式(13)转化为以下求解:
其中,y为图像特征列向量,w和f分别为空间正则化矩阵和仿猛禽中脑竞争性选择机制的滤波器。αk为权重系数。*为卷积操作符号,为图像学习特征序列,为D中的部分特征,T为集合D的特征序列个数,d为特征序号索引,μ为正则化系数。
式(14)的求解过程,主要通过下式进行迭代优化:
其中,η为学习率。对于共有n张图像的动态图像序列,通过迭代可解得动态信息显著度Hn,记为H(x)。
步骤六:颜色信息与动态目标信息融合
将步骤一到步骤四求得的颜色显著度概率m(x)与步骤五得到的动态信息显著度H(x)进行融合,得到最终的仿猛禽中脑竞争性选择机制的环境显著性检测方法处理结果。
S(x)=max(m(x),H(x)) (16)
本发明一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,其优点及功效在于:可提高复杂环境中目标的检测效率,从而实现在多干扰场景下,目标的快速识别定位,能够应用于侦察与反打击场景。由于该算法多应用于机载相机,无人机在侦查过程中移动速度较快,该方法能够适应快速移动平台下的目标检测任务,具有较高鲁棒性。算法整体计算量小于主流深度学习方法,在减小计算量的情况下兼顾目标检测准确性。借鉴鹰眼生物机制,融合鹰类高空搜索环境中猎物目标的生物机理,实现高效显著目标定位。
附图说明
图1本发明方法流程框图
图2 P-R曲线图
图中标号及符号说明如下:
L——长波通路
M——中波通路
S——短波通路
U——亮度通路
G——核团模拟高斯滤波核
t——迭代次数
T——迭代次数上限
具体实施方式
下面通过具体的无人靶机小目标识别任务来验证本发明所提出方案的有效性。在本实例中,实验计算机配置为Intel Core i7-7700HQ处理器,2.80Ghz主频,8G内存,软件为MATLAB 2017a版本。
仿猛禽眼中脑回路返回抑制机制的无人靶机目标检测方法,其实现流程如图1所示,该实例的具体实践步骤如下:
步骤一:摄像头标定
需要对用作场景显著度检测的相机实物进行标定。基于线性模型的标定法、两步法、双平面标定法等均为常用的相机标定法。其中,张正友标定法最为经典,也是目前应用最广泛的标定法之一。它只需要相机对标定板在不同方向上采集的多张图像即可完成标定。在场景中设置标定板,利用场景中的相机模型拍摄标定板图像,完成矫正:即将实验用相机固定,移动标准标定板,在距离相机光心以及成像平面不同距离、相差不同角度的位置摆放标定板并拍照,之后将拍摄的图片统一计算,得到相机参数。
标定后相机内部参数矩阵为:
相机的畸变矩阵为:
[-0.4308125 0.1816358 0 0 0]
步骤二:统一图像光照强度,gamma校正
为了增强仿猛禽中脑竞争性选择机制的环境显著性检测方法的适应性和鲁棒性,首先对输入图像进行gamma校正,gamma取值0.45,经过校正后的图像能够避免图像曝光过度或光线过暗的问题。
步骤三:仿猛禽颜色机制的区域分割
根据猛禽的色觉机制构建视觉模型:L型通路主要吸收彩色图像中的红色信号,并对其他颜色的信号进行抑制;M通路、S通路则分别吸收彩色图像中的绿色和蓝色信号,并对其他颜色信号进行抑制,而U通路则吸收了图像中的亮度信号。根据公式(2)求出IL、IM、IS和IU。
分别构建黄色输入分量、蓝-黄(S-Y)拮抗模型和明亮敏感拮抗模型。计算ILM、IML、IYS、ISY、IW+以及IW-的值。之后,根据式(4)计算感受野但拮抗细胞响应CM+L-(x,y;σc)、CS+L-(x,y;σc)、CL+S-(x,y;σc),再根据式(5)计算双拮抗细胞的响应DLM(x,y;σc)、DSL(x,y;σc)。最后根据公式(7)和(8)将拮抗响应转换为RGB图像。
步骤四:仿猛禽注意力机制的显著区域检测
自然界中,猛禽在自由观察自然场景时,对某个物体的显著值感知与其呈现出的特征及出现的位置有关。由公式(9)得到某个像素点处引起视觉注意的概率。
步骤五:猛禽核团感受野模拟
为模拟猛禽脑视丘核团对轮廓的感知能力,采用高斯滤波核进行纹理信息获取。根据公式(12)求解动态显著图Hi,更新过程根据(13)和(14)进行迭代,直到最大迭代次数为止。完成迭代后得到输出图像H。
步骤六:颜色信息与动态目标信息融合
将步骤一到步骤四求得的颜色显著度图像m(x)与步骤五得到的动态信息显著度图像H(x)根据公式(16)进行融合,得到最终的仿猛禽中脑竞争性选择机制的环境显著性检测方法处理结果。
测试结果如图2所示,在公开图库上对本方法进行测试,对比算法包括:基于直方图对比方法(Histogram-based Contrast method,HC)、频率调谐显著性检测(Frequency-tuned salient region detection,FT)以及基于图的显著性区域检测(Graph-basedvisual saliency,GB)。图2给出了P-R对比结果。
Claims (3)
1.一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,采用单目摄像头作为视觉感知设备,其特征在于:步骤如下:
步骤一:摄像头标定,获取摄像头内外参数,矫正图像畸变
步骤二:统一图像光照强度,gamma校正
步骤三:仿猛禽颜色机制的区域分割
步骤四:仿猛禽注意力机制的显著区域检测
自然界中,猛禽在自由观察自然场景时,对某个物体的显著值感知与其呈现出的特征及出现的位置有关;某个像素点处引起视觉注意的概率可以表示为似然函数:
其中,o表示出现在背景中的显著物体,P(x|o)代表目标显著区域的后验概率,c(z)表示背景像素,P(x|c(z),o)为条件概率,表示显著区域与背景间的关系,P(c(z)|o)为先验概率,表示显著区域出现的概率,Xc表示图像位置向量集合,m(x)为概率表达式符号,可反映图像显著度信息;
根据猛禽注意力机制模型,条件概率可由下式解得:
P(x|c(z),o)=D(x-z) (2)
其中,D代表显著区域x与背景区域z之间的相对距离与相对角度关系;
其中,I为图像背景的响应强度,ωσ为高斯函数,z为区域背景坐标,x*为显著物体坐标,σ为高斯函数方差;a为约束系数,由于P为概率,取值必位于0、1之间,设立a作为约束系数控制P取值;
步骤五:猛禽核团感受野模拟
步骤六:颜色信息与动态目标信息融合
将步骤一到步骤四求得的颜色显著度概率与步骤五得到的动态信息显著度H进行融合,得到最终的仿猛禽中脑竞争性选择机制的环境显著性检测方法处理结果;
S(x)=max(m(x),H(x)) (4)。
3.根据权利要求2所述的一种仿猛禽中脑竞争性选择机制的环境显著性检测方法,其特征在于:步骤五进一步包括:
根据猛禽脑视丘核团动态感知模型,进行如下优化目标:
其中,⊙为矩阵按位相乘符号,i为图像序列中图像的索引号;
在步骤四中,需控制a值大小来满足0<P<1的约束,根据a值取值,将式(13)转化为以下求解:
其中,y为图像特征列向量,w和f分别为空间正则化矩阵和仿猛禽中脑竞争性选择机制的滤波器;αk为权重系数;*为卷积操作符号,为图像学习特征序列,为D中的部分特征,T为集合D的特征序列个数,d为特征序号索引,μ为正则化系数;
式(14)的求解过程,主要通过下式进行迭代优化:
其中,η为学习率;对于共有n张图像的动态图像序列,通过迭代可解得动态信息显著度Hn,记为H(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516493.4A CN113313773B (zh) | 2021-05-12 | 2021-05-12 | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516493.4A CN113313773B (zh) | 2021-05-12 | 2021-05-12 | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313773A true CN113313773A (zh) | 2021-08-27 |
CN113313773B CN113313773B (zh) | 2022-11-18 |
Family
ID=77373076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110516493.4A Active CN113313773B (zh) | 2021-05-12 | 2021-05-12 | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313773B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147255B1 (en) * | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
CN105654500A (zh) * | 2016-02-01 | 2016-06-08 | 北京航空航天大学 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
CN109146925A (zh) * | 2018-08-23 | 2019-01-04 | 郑州航空工业管理学院 | 一种动态场景下显著性目标检测方法 |
CN112215902A (zh) * | 2020-10-10 | 2021-01-12 | 北京航空航天大学 | 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法 |
-
2021
- 2021-05-12 CN CN202110516493.4A patent/CN113313773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147255B1 (en) * | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
CN105654500A (zh) * | 2016-02-01 | 2016-06-08 | 北京航空航天大学 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
CN109146925A (zh) * | 2018-08-23 | 2019-01-04 | 郑州航空工业管理学院 | 一种动态场景下显著性目标检测方法 |
CN112215902A (zh) * | 2020-10-10 | 2021-01-12 | 北京航空航天大学 | 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法 |
Non-Patent Citations (1)
Title |
---|
YIMIN DENG 等: "Biological Eagle-Eye-Based Visual Platform for Target Detection", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313773B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253416A1 (zh) | 物体检测方法、装置和计算机存储介质 | |
US11069090B2 (en) | Systems and methods for image processing | |
WO2018013495A1 (en) | Augmented reality methods and devices | |
CN109344878B (zh) | 一种基于ResNet的仿鹰脑特征整合小目标识别方法 | |
CN112446834A (zh) | 图像增强方法和装置 | |
CN112287954A (zh) | 图像分类方法、图像分类模型的训练方法及其装置 | |
CN110968734A (zh) | 一种基于深度度量学习的行人重识别方法及装置 | |
CN113689326B (zh) | 一种基于二维图像分割引导的三维定位方法 | |
CN111797881A (zh) | 图像分类方法及装置 | |
CN109101926A (zh) | 基于卷积神经网络的空中目标检测方法 | |
Zou et al. | Microarray camera image segmentation with Faster-RCNN | |
CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
US20220343639A1 (en) | Object re-identification using pose part based models | |
Zhang et al. | Hawk‐eye‐inspired perception algorithm of stereo vision for obtaining orchard 3D point cloud navigation map | |
Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
Aghaei et al. | A flying gray ball multi-illuminant image dataset for color research | |
CN113313773B (zh) | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 | |
CN111178229B (zh) | 一种基于深度学习的静脉显像方法和装置 | |
CN110210574A (zh) | 合成孔径雷达图像解译方法、目标识别装置及设备 | |
CN112215902B (zh) | 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法 | |
Wang et al. | Target detection based on simulated image domain migration | |
Liu et al. | Small target detection for UAV aerial images based on improved YOLOv3 | |
CN114693986A (zh) | 主动学习模型的训练方法、图像处理方法及装置 | |
Wang et al. | A SAR target recognition method with frequency and spatial domain enhancement | |
Adari et al. | Real-Time Implementation of Modified LD-NET using Docker on NVIDIA Jetson Nano for Image Dehazing Application |
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 |