CN113688849A - 一种用于卷积神经网络的灰度图像序列特征提取方法 - Google Patents

一种用于卷积神经网络的灰度图像序列特征提取方法 Download PDF

Info

Publication number
CN113688849A
CN113688849A CN202111008347.7A CN202111008347A CN113688849A CN 113688849 A CN113688849 A CN 113688849A CN 202111008347 A CN202111008347 A CN 202111008347A CN 113688849 A CN113688849 A CN 113688849A
Authority
CN
China
Prior art keywords
gray
frame
gray scale
image sequence
pixel
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
Application number
CN202111008347.7A
Other languages
English (en)
Other versions
CN113688849B (zh
Inventor
张新潮
张同贺
段萌
牛英宇
王明昌
王杏涛
庄旭阳
丁晓彤
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.)
China Airborne Missile Academy
Original Assignee
China Airborne Missile Academy
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 China Airborne Missile Academy filed Critical China Airborne Missile Academy
Priority to CN202111008347.7A priority Critical patent/CN113688849B/zh
Publication of CN113688849A publication Critical patent/CN113688849A/zh
Application granted granted Critical
Publication of CN113688849B publication Critical patent/CN113688849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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 Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于卷积神经网络的灰度图像序列特征提取方法。包括如下步骤：a.对灰度图像序列的第k帧及之前n‑1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。进行特征提取，形成的特征图包括空域梯度特征图、时域方差特征图、时域峰度特征图、时域斜度特征图。

Description

一种用于卷积神经网络的灰度图像序列特征提取方法
技术领域
本发明涉及视频图像处理技术领域，具体涉及一种用于卷积神经网络的灰度图像序列特征提取方法。
背景技术
由于卷积神经网络的深度学习技术在图像分类、目标检测领域性能优异，国内外各科研机构提出了多重神经网络模型架构，其中负责特征提取的中间层的设计是卷积神经网络模型取得优异性能的关键。
目前在提取本帧图像的特征提取方面，主要通过逐层2D卷积、池化等操作完成，而在如何提取时域上的帧序列的图像特征方面，主要通过3D卷积进行。但是，对于探测得到的灰度图像来说，如何有效提取时域上帧序列的变化特征并与空间特征进行融合，是提升卷积神经网络模型在视频的帧序列上目标检测性能的关键。
同时，现有的卷积神经网络在使用卷积核对特征进行提取时，由于训练时的图像、视频都是正常的图像视频，只能够获取到关注于形态、结构特征的卷积核，而对于红外等手段获得的灰度图像来说，仅关注形态、结构特征是不足的，因为这类手段的感知本质是通过感知被测物体的热辐射从而获得灰度图像，当被测物体的能量不断变化时，比如物体突然被点燃、加热、着火或由于其移动导致反射太阳光情况不短变化、穿越云雾等情况，传统仅仅关注于形态、结构特征的卷积核的特征提取就不够准确全面，目标检测效果也不理想。
发明内容
为了解决背景技术中提出的问题，本发明给出了一种用于卷积神经网络的灰度图像序列特征提取方法。
一种用于卷积神经网络的灰度图像序列特征提取方法，包括如下步骤：a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。
进一步地，步骤a中，进行图像滤波的方法为：a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
进一步地，所述的邻域大小为3×3或5×5或7×7或9×9。
进一步地，在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图。
进一步地，在步骤b中对滤波图像进行特征提取时，还对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图。
进一步地，时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图。
进一步地，所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000021
随后，根据E(x0,y0)求取方差D(x0,y0)，
Figure BDA0003236072890000022
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图。
进一步地，所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000031
随后，根据E(x0,y0)求取峰度K(x0,y0)，
Figure BDA0003236072890000032
Figure BDA0003236072890000033
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000034
随后，根据E(x0,y0)求取斜度S(x0,y0)，
Figure BDA0003236072890000035
Figure BDA0003236072890000036
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的空域梯度特征图的求取方法为：对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图。
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)。
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)。
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)。
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)。
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)。
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)。
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)。
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)。
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、GL＝|f(x0,y0)-f(x0-1,y0)|。
本发明公开的技术方案可以应用于卷积神经网络模型中的输入层，也可以插入中间层，对中间层的处理过程进行优化。
与现有技术相比，本发明的有益效果为：针对红外得到的灰度图像序列，给出了一种与传统卷积输入层的简单图像输入不同的处理方式，由于目标检测时的背景能量基本一致，而目标的能量往往是变化的，因此，目标的能量发生变化时，传统的简单输入配合卷积核的处理方式往往不能识别目标的变化，不能够较为准确地识别目标，而本发明的技术方案通过增加时域特征的提取，使得后续的目标检测能够更好地识别能量发生变化的区域，进而能够较好地捕捉能量发生变化的区域、目标，另外，相对于3D卷积核需要进行的在训练模型过程中给定的固定深度为n的大量运算，本发明的技术方案不需要进行3D卷积核的卷积，选取的可以分析的图像帧数可以灵活设置，时域特征图的种类、数量也可以灵活设置，运算效率更高，在突发火灾的识别、能量变化物体、飞行器目标的检测等方面也具有良好的应用效果。
具体实施方式
实施例1
一种用于卷积神经网络的灰度图像序列特征提取方法，包括如下步骤：a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。
进一步地，步骤a中，进行图像滤波的方法为：a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
进一步地，所述的邻域大小为3×3或5×5或7×7或9×9。
进一步地，在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图。
进一步地，在步骤b中对滤波图像进行特征提取时，还对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图。
进一步地，时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图。
进一步地，所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000051
随后，根据E(x0,y0)求取方差D(x0,y0)，
Figure BDA0003236072890000052
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图。
进一步地，所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000053
随后，根据E(x0,y0)求取峰度K(x0,y0)，
Figure BDA0003236072890000054
Figure BDA0003236072890000061
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure BDA0003236072890000062
随后，根据E(x0,y0)求取斜度S(x0,y0)，
Figure BDA0003236072890000063
Figure BDA0003236072890000064
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的空域梯度特征图的求取方法为：对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图。
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)。
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)。
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)。
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)。
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)。
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)。
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)。
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)。
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、GL＝|f(x0,y0)-f(x0-1,y0)|。

Claims (10)

1.一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：包括如下步骤：
a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；
b.对n个滤波图像进行特征提取。
2.如权利要求1所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：步骤a中，进行图像滤波的方法为：
a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；
a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
3.如权利要求2所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的邻域大小为3×3或5×5或7×7或9×9。
4.如权利要求1所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图。
5.如权利要求1所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：在步骤b中对滤波图像进行特征提取时，还对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图。
6.如权利要求4所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图。
7.如权利要求6所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure FDA0003236072880000021
随后，根据E(x0,y0)求取方差D(x0,y0)，
Figure FDA0003236072880000022
Figure FDA0003236072880000023
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图。
8.如权利要求6所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure FDA0003236072880000024
随后，根据E(x0,y0)求取峰度K(x0,y0)，
Figure FDA0003236072880000025
Figure FDA0003236072880000026
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
9.如权利要求6所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
Figure FDA0003236072880000031
随后，根据E(x0,y0)求取斜度S(x0,y0)，
Figure FDA0003236072880000032
Figure FDA0003236072880000033
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
10.如权利要求5所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的空域梯度特征图的求取方法为：
对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；
对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图；其中，
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)；
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)；
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)；
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)；
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)；
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)；
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)；
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)；
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、GL＝|f(x0,y0)-f(x0-1,y0)|。
CN202111008347.7A 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法 Active CN113688849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111008347.7A CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111008347.7A CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Publications (2)

Publication Number Publication Date
CN113688849A true CN113688849A (zh) 2021-11-23
CN113688849B CN113688849B (zh) 2023-10-24

Family

ID=78584245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111008347.7A Active CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Country Status (1)

Country Link
CN (1) CN113688849B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759517A (zh) * 2022-11-23 2023-03-07 杭州柏源科技有限公司 基于生物识别的酒店入住系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101640809A (zh) * 2009-08-17 2010-02-03 浙江大学 一种融合运动信息与几何信息的深度提取方法
CN101916446A (zh) * 2010-07-23 2010-12-15 北京航空航天大学 基于边缘信息和均值移位的灰度目标跟踪算法
CN102663362A (zh) * 2012-04-09 2012-09-12 宁波中科集成电路设计中心有限公司 一种基于灰度特征的运动目标检测方法
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN104239883A (zh) * 2013-12-11 2014-12-24 深圳深讯和科技有限公司 纹理特征提取方法及装置
US20150071538A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Automated and scalable object and feature extraction from imagery
CN105067633A (zh) * 2015-08-11 2015-11-18 江西省公路工程检测中心 基于图像处理的车载式路面破损自动识别装置及使用方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
KR101853211B1 (ko) * 2016-12-26 2018-04-27 인하대학교 산학협력단 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
CN110111347A (zh) * 2019-04-19 2019-08-09 深圳市华星光电技术有限公司 图像标志提取方法、装置及存储介质
CN112950479A (zh) * 2021-04-01 2021-06-11 中国空空导弹研究院 一种图像灰度区域拉伸算法
CN112950461A (zh) * 2021-03-27 2021-06-11 刘文平 全局与超像素分割相融合的色彩迁移方法
CN113128521A (zh) * 2021-04-30 2021-07-16 西安微电子技术研究所 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质
WO2021143101A1 (zh) * 2020-01-16 2021-07-22 华为技术有限公司 人脸识别方法和人脸识别装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101640809A (zh) * 2009-08-17 2010-02-03 浙江大学 一种融合运动信息与几何信息的深度提取方法
CN101916446A (zh) * 2010-07-23 2010-12-15 北京航空航天大学 基于边缘信息和均值移位的灰度目标跟踪算法
CN102663362A (zh) * 2012-04-09 2012-09-12 宁波中科集成电路设计中心有限公司 一种基于灰度特征的运动目标检测方法
US20150071538A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Automated and scalable object and feature extraction from imagery
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN104239883A (zh) * 2013-12-11 2014-12-24 深圳深讯和科技有限公司 纹理特征提取方法及装置
CN105067633A (zh) * 2015-08-11 2015-11-18 江西省公路工程检测中心 基于图像处理的车载式路面破损自动识别装置及使用方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
KR101853211B1 (ko) * 2016-12-26 2018-04-27 인하대학교 산학협력단 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
CN110111347A (zh) * 2019-04-19 2019-08-09 深圳市华星光电技术有限公司 图像标志提取方法、装置及存储介质
WO2021143101A1 (zh) * 2020-01-16 2021-07-22 华为技术有限公司 人脸识别方法和人脸识别装置
CN112950461A (zh) * 2021-03-27 2021-06-11 刘文平 全局与超像素分割相融合的色彩迁移方法
CN112950479A (zh) * 2021-04-01 2021-06-11 中国空空导弹研究院 一种图像灰度区域拉伸算法
CN113128521A (zh) * 2021-04-30 2021-07-16 西安微电子技术研究所 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
WU DONG 等: "Image Quality Assessment by Considering Multiscale and Multidirectional Visibility Differences in Shearlet Domain", IEEE ACCESS, vol. 7, pages 78715 - 78728, XP011732231, DOI: 10.1109/ACCESS.2019.2922011 *
于周吉;: "基于卷积神经网络的红外弱小目标检测算法", 光学与光电技术, no. 05, pages 66 - 70 *
张一飞;修非;鲍玉斌;于戈;: "基于小波纹理特征的医学图像检索", 东北大学学报(自然科学版), no. 03, pages 39 - 42 *
张同贺 等: "一种实时的分块跟踪算法", 电光与控制, vol. 23, no. 3, pages 45 - 48 *
张焱;张志龙;沈振康;鹿小莺;: "基于动态显著性特征的粒子滤波多目标跟踪算法", 电子学报, no. 12, pages 35 - 41 *
李华群;: "夜间塔影图像目标识别方法的仿真研究", 计算机仿真, no. 12, pages 224 - 227 *
段萌 等: "基于全卷积神经网络的红外弱小目标检测", 电子质量, pages 39 - 44 *
米罗西: "图像特征提取三大法宝：HOG特征，LBP特征，Haar特征", Retrieved from the Internet <URL:https://www.cnblogs.com/zhehan54/p/67239556.html> *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759517A (zh) * 2022-11-23 2023-03-07 杭州柏源科技有限公司 基于生物识别的酒店入住系统

Also Published As

Publication number Publication date
CN113688849B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN107680054B (zh) 雾霾环境下多源图像融合方法
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN106204509B (zh) 基于区域特性的红外与可见光图像融合方法
CN108009493B (zh) 基于动作增强的人脸防欺骗识别方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN104574375A (zh) 结合彩色和深度信息的图像显著性检测方法
CN108563975B (zh) 一种基于深度学习的高密度人群人数估计方法
CN104318524A (zh) 一种基于YCbCr色彩空间的图像增强方法、装置及系统
CN107609571B (zh) 一种基于lark特征的自适应目标跟踪方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN111310633A (zh) 基于视频的并行时空注意力行人重识别方法
CN111178121B (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
Ding et al. U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement
CN114782298B (zh) 一种具有区域注意力的红外与可见光图像融合方法
CN105469428B (zh) 一种基于形态学滤波和svd的弱小目标检测方法
CN104361571B (zh) 基于边缘信息和支持度变换的红外与微光图像融合方法
CN112464844A (zh) 一种基于深度学习与运动目标检测的人体行为动作识别方法
CN113688849A (zh) 一种用于卷积神经网络的灰度图像序列特征提取方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN108062523A (zh) 一种红外远小目标检测方法
CN111738099B (zh) 基于视频图像场景理解的人脸自动检测方法

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