CN114332682A - 一种海上全景去雾目标识别方法 - Google Patents
一种海上全景去雾目标识别方法 Download PDFInfo
- Publication number
- CN114332682A CN114332682A CN202111504843.1A CN202111504843A CN114332682A CN 114332682 A CN114332682 A CN 114332682A CN 202111504843 A CN202111504843 A CN 202111504843A CN 114332682 A CN114332682 A CN 114332682A
- Authority
- CN
- China
- Prior art keywords
- image
- panoramic
- target identification
- defogging
- algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000002834 transmittance Methods 0.000 claims description 12
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000116 mitigating effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000003128 head Anatomy 0.000 description 4
- 208000034699 Vitreous floaters Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
本发明公开了一种海上全景去雾目标识别方法,包括视频去雾、360°全景拼接、目标识别三部分,在基于暗通道优先原理(DCP)的复原中,结合图像自适应对比度增强算法,图像彩色直方图拉伸算法以及颜色平衡算法进行去雾图像流处理输出,通过360度全景视频拼接算法,实现去雾后图像的实时拼接与黑边剪裁,将处理完成的全景实时视频传输到显示器中,结合目标识别算法对海上目标进行识别,该方法检测在速度和精度上均可取得较好结果,且识别范围广,大幅度降低了误检率,保证了正确率,为船舶航行、航道监控等提供信息支持,减少船舶航行中的安全隐患。
Description
技术领域
本发明涉及海洋观察监测领域领域,尤其是一种海上全景去雾目标识别方法。
背景技术
随着海运行业发展,进出港的船舶数量日益增长,船舶在航行过程中,尤其是雾天航行的情况下,海雾极大程度上影响了港口船舶作业安全性,其危险程度不言而喻。海雾中尤以团雾危险程度最高,往往造成作业中船舶事故发生。因船用雷达无法检测和识别小型渔船、漂浮物等小型目标,导致船舶与小型渔船、漂浮物等有撞击的安全隐患,增加了船舶生产作业的安全风险,目前做法是让船舶水手帮助瞭望,但船舶周围的作业区,单靠肉眼是无法全部观测到位的。
近年来因视线盲区影响发生了多次危险事件,单凭肉眼无法解决视线盲区的问题,类似事件给船舶安全生产敲响了警钟,视线盲区问题成为船舶安全航行作业的潜在风险。船舶驾驶员在航行作业中对周边的海域环境、碍航物等安全风险环境全面准确了解掌握的需求日益迫切。
发明内容
为了克服现有技术中存在的上述问题,本发明提出一种海上全景去雾目标识别方法。
本发明解决其技术问题所采用的技术方案是:一种海上全景去雾目标识别方法,包括以下步骤:
S1:通过多个摄像头模组联动,获取海面目标周围360度全景真实雾气图像,进行预处理形成标准RGB图像;
S2:对S1中得到的标准RGB图像采用优化的对比度算法确定最优透过率,消除颜色失真,提高对比度和清晰度;
S3:对S2中得到的图像通过颜色平衡算法减轻颜色偏移;
S4:对S3中得到的图像进行图像彩色直方图拉伸,提高去雾图像的亮度和对比度;
S5:通过360度全景视频拼接算法对S4中得到的图像进行自动拼接,并根据全景视频效果进行黑边剪裁,并将处理后的全景视频在显示器中显示;
S6:对S5中得到的全景视频图像进行关键帧截取,通过目标识别网络提取关键帧图像中的信息特征,并对信息特征进行处理,最终通过目标识别网络对海上目标进行识别及定位。
上述的一种海上全景去雾目标识别方法,所述S1中获取RGB图像的方法为:通过有雾图像的复原模型获取RGB图像,其中有雾图像的复原模型可描述为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)为待去雾图像,J(x)为恢复的无雾的图像,A为周围环境的背景光,t(x)为图像透射率。
上述的一种海上全景去雾目标识别方法,所述S2中采用优化的对比度算法确定最优透过率的具体步骤包括:
S21:通过复原模型获取的RGB格式的雾气图像:
其中,I(x)=[Ir(x),Ig(x),Ib(x)]T摄像头传感器接收到的RGB图像;J(x)=[Jr(x),Jg(x),Jb(x)]T表示恢复后的图像;A=[Ar,Ag,Ab]T表示周围环境的背景光;t(x)为图像透射率,由场景点到摄像机传感器的距离决定,t(x)与场景的深度成反比;
S22:采用四叉树空间划分方法对背景光进行逐层搜索,来计算周围环境的背景光。
上述的一种海上全景去雾目标识别方法,所述S22中计算周围环境背景光的具体方法为:首先将图像划分为四个区域,然后计算四个区域像素的方差,并确定最小方差,在方差最小的区域重复除法运算,直到所选区域的大小小于预定义的阈值,分割才会停止,阈值设为n*0.001,其中n为图像中的像素总数。
上述的一种海上全景去雾目标识别方法,所述S3中颜色平衡算法的具体步骤包括:
S31:首先计算出R、G、B三个通道分量的平均单通道值,分别用mR、mG、mB表示,可以得到R、G、B三个通道的平均单通道值的平均标量值为:
mave=(mR+mG+mB)/3
S32.单道平均值mR、mG、mB与平均标量值mave的差值可确定为:
S33.最终将R、G、B三个通道的单通道值移动到相似的位置:
上述的一种海上全景去雾目标识别方法,所述S4中图像彩色中方图拉伸的具体步骤包括:
S41.设定一个标量值阈值R来评估红光的衰减,计算红色通道的平均单通道值Rave为:
其中,Ri为每个像素的单通道值,n为像素总数;
S42.将Rave与阈值R进行比较,评估红光衰减,若Rave≥R,则红光衰减轻微;而若Rave≤R,则红光的衰减重,在红光轻微衰减的情况下,对R、G、B三个通道进行直方图拉伸,而在红光的重度衰减时,仅对G和B通道进行直方图拉伸,R通道保持不变,防止过度补偿。
上述的一种海上全景去雾目标识别方法,所述S5中图像自动拼接的具体步骤为:
S51.对S4中得到的图像进行关键帧截取,并将多个摄像头的时间戳对齐,通过使用尺度不变特征变换(SIFT)算法对每个摄像头的关键帧进行特征点选取,即依次进行尺度空间极点检测、关键点精确定位、关键点方向确定与特征向量的生成;
S52.通过随机采样一致性算法(RANSAC)进行对S51中得到的每个摄像头关键帧特征点进行匹配,然后进行同时间戳多摄像头关键帧的单应性空间变换;
S53.采用python最佳缝合线(image stitching),通过动态规划寻找强度值最优的路径有效去除视频拼接中运动物体移动出现的鬼影,关于强度值的计算公式:
E(x,y)=Ec(x,y)+Eg(x,y)
其中,Ec为重叠像素点的颜色值之差,Eg是结构值之差;
上述的一种海上全景去雾目标识别方法,所述S6中的目标识别网络通过深度学习网络搭建系统,采用YOLOv5方法,选用CSPDarknet进行网络搭建,网络包含BackBone,Neck以及Head三部分,其中BackBone用于从S5中的得到的全景视频中提取特征,Neck用于提供提供特征传播路径,Head用于对提取的特征进行定位和分类。
上述的一种海上全景去雾目标识别方法,所述BackBone采用的是CSPDarknet网络,所述Neck采用PANet结构。
上述的一种海上全景去雾目标识别方法,所述目标识别网络还包括针对于小目标的数据增强模块,所述数据增强模块采用马赛克数据增强方式。
本发明的有益效果是,在基于暗通道优先原理(DCP)的复原中,结合图像自适应对比度增强算法,图像彩色直方图拉伸算法以及颜色平衡算法进行去雾图像流处理输出,通过360度全景视频拼接算法,实现去雾后图像的实时拼接与黑边剪裁,将处理完成的全景实时视频传输到显示器中,最终,结合目标识别算法对海上目标进行识别,该方法检测在速度和精度上均可取得较好结果,且识别范围广,大幅度降低了误检率,保证了正确率,为船舶航行、航道监控等提供信息支持,减少船舶航行中的安全隐患。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明系统构架图;
图2为本发明去雾方法流程图;
图3为本发明去雾对比图;
图4为本发明全景视频拼接处理流程图;
图5为本发明全景视频拼接算法流程图;
图6为本发明视频流关键帧三张截图;
图7为本发明图9中三张截图处理合并效果图;
图8为本发明目标识别技术流程图;
图9为本发明对船舶进行识别算法示例图;
图10为本发明效果图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
本实施例公开了一种海上全景去雾目标识别方法,如图1所示,主要包括视频去雾处理、360°全景拼接、目标识别三部分,具体包括以下步骤:
S1:通过6个无畸变摄像头模组联动,无畸变镜头,采用OV2720图像传感器,摄像头照度采用0.051lux,根据目标实际大小,可调节镜头的角度,实现对海上目标周围360度全景实时视频覆盖,根据实际情况,可以采用高清鱼眼180度USB摄像头,每个镜头水平视角为185度,可对目标在不发生畸变的情况实现360度全景视频,获取海上环境较差时真实雾气图像,进行相关预处理形成标准RGB图像;
进一步的,获取RGB图像的方法为:通过有雾图像的复原模型获取RGB图像,其中有雾图像的复原模型可描述为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)为待去雾图像,J(x)为恢复的无雾的图像,A为周围环境的背景光,t(x)为图像透射率。
S2:对S1中得到的标准RGB图像采用优化的对比度算法确定最优透过率,消除颜色失真,提高对比度和清晰度;
采用优化的对比度算法确定最优透过率的具体步骤包括:
S21:通过复原模型获取的RGB格式的雾气图像:
其中,I(x)=[Ir(x),Ig(x),Ib(x)]T摄像头传感器接收到的RGB图像;J(x)=[Jr(x),Jg(x),Jb(x)]T表示恢复后的图像;A=[Ar,Ag,Ab]T表示周围环境的背景光;t(x)为图像透射率,由场景点到摄像机传感器的距离决定,t(x)与场景的深度成反比;
S22:采用四叉树空间划分方法对背景光进行逐层搜索,来计算周围环境的背景光。计算周围环境背景光的具体方法为:首先将图像划分为四个区域,然后计算四个区域像素的方差,并确定最小方差,在方差最小的区域重复除法运算,直到所选区域的大小小于预定义的阈值,分割才会停止,阈值设为n*0.001,其中n为图像中的像素总数。
S3:对S2中得到的图像通过颜色平衡算法减轻颜色偏移;
颜色平衡算法的具体步骤包括:
S31:首先计算出R、G、B三个通道分量的平均单通道值,分别用mR、mG、mB表示,可以得到R、G、B三个通道的平均单通道值的平均标量值为:
mave=(mR+mG+mB)/3
S32.单道平均值mR、mG、mB与平均标量值mave的差值可确定为:
S33.最终将R、G、B三个通道的单通道值移动到相似的位置:
S4:对S3中得到的图像进行图像彩色直方图拉伸,提高去雾图像的亮度和对比度;
图像彩色中方图拉伸的具体步骤包括:
S41.直方图拉伸操作依赖于红光的强度,设定一个标量值阈值R来评估红光的衰减,计算红色通道的平均单通道值Rave为:
其中,Ri为每个像素的单通道值,n为像素总数;
S42.将Rave与阈值R进行比较,评估红光衰减,若Rave≥R,则红光衰减轻微;而若Rave≤R,则红光的衰减重,在红光轻微衰减的情况下,对R、G、B三个通道进行直方图拉伸,而在红光的重度衰减时,仅对G和B通道进行直方图拉伸,R通道保持不变,防止过度补偿。
到此完成了视频去雾处理的全过程,如图2所示;参照图3,可以直观的看出图像去雾前后的差别,去雾效果显著。
S5:通过360度全景视频拼接算法对S4中得到的图像进行自动拼接,并根据全景视频效果进行黑边剪裁,并将处理后的全景视频在显示器中显示;
具体的,全景视频拼接需要无畸变摄像头与处理器连接,摄像头支持OTC协议,接口类型为USB2.0High Speed,可支持高速传输。
参照图4、图5,图像自动拼接的具体步骤为:
S51.对S4中得到的图像进行关键帧截取,并将多个摄像头的时间戳对齐,通过使用尺度不变特征变换(SIFT)算法对每个摄像头的关键帧进行特征点选取,即依次进行尺度空间极点检测、关键点精确定位、关键点方向确定与特征向量的生成;
S52.通过随机采样一致性算法(RANSAC)进行对S51中得到的每个摄像头关键帧特征点进行匹配,然后进行同时间戳多摄像头关键帧的单应性空间变换;
S53.采用python最佳缝合线(image stitching),通过动态规划寻找强度值最优的路径有效去除视频拼接中运动物体移动出现的鬼影,关于强度值的计算公式:
E(x,y)=Ec(x,y)+Eg(x,y)
其中,Ec为重叠像素点的颜色值之差,Eg是结构值之差。
S6:对S5中得到的全景视频图像进行关键帧截取,通过目标识别网络提取关键帧图像中的信息特征,并对信息特征进行处理,最终通过目标识别网络对海上目标进行识别及定位;(参见8)
在系统进行目标识别前,需要先使用海上目标数据集对现有数据集进行训练,使其可以识别基本目标类型,包括水中漂浮物、渔船、大型船舶等,之后随着对海上不同目标及设施进行拍摄,数据库不断进行扩展,使其包含尽量多的样本,同时可以进行数据增强操作,用MixUp,CutMix,Moasic等方式扩大数据库。
目标识别网络通过深度学习网络搭建系统,采用YOLOv5方法,选用CSPDarknet进行网络搭建,网络包含BackBone,Neck以及Head三部分,其中BackBone用于从S5中的得到的全景视频中提取特征,Neck用于提供提供特征传播路径,Head用于对提取的特征进行定位和分类。
具体的,BackBone采用的是CSPDarknet网络,从输入图像中提取丰富的信息特征,CSPDarknet解决了大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题,将梯度的变化从头到尾地集成到特征图中,因此减少了模型的参数量和FLOPS数值,既保证了推理速度和准确率,又减少了模型尺寸。Neck采用PANet结构,这是一种新的增强自下向上路径的FPN结构,改善了低层特征的传播,同时使用自适应特征池化(Adaptive featurepooling)恢复每个候选区域和所有特征层次之间被批坏的信息路径,聚合每个特征层次上的每个候选区域,避免被任意分配,
此外,目标识别网络还包括针对于小目标的数据增强模块,数据增强模块采用马赛克数据增强方式,能有效解决模型训练中最头疼的“小对象问题”,即小对象不如大对象那样准确的被检测到。
参见图9、图10,通过目标识别算法后,可以准确的定位小目标。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种海上全景去雾目标识别方法,其特征在于:包括以下步骤:
S1:通过多个摄像头模组联动,获取海面目标周围360度全景真实雾气图像,进行预处理形成标准RGB图像;
S2:对S1中得到的标准RGB图像采用优化的对比度算法确定最优透过率,消除颜色失真,提高对比度和清晰度;
S3:对S2中得到的图像通过颜色平衡算法减轻颜色偏移;
S4:对S3中得到的图像进行图像彩色直方图拉伸,提高去雾图像的亮度和对比度;
S5:通过360度全景视频拼接算法对S4中得到的图像进行自动拼接,并根据全景视频效果进行黑边剪裁,并将处理后的全景视频在显示器中显示;
S6:对S5中得到的全景视频图像进行关键帧截取,通过目标识别网络提取关键帧图像中的信息特征,并对信息特征进行处理,最终通过目标识别网络对海上目标进行识别及定位。
2.根据权利要求1所述的一种海上全景去雾目标识别方法,其特征在于,所述S1中获取RGB图像的方法为:通过有雾图像的复原模型获取RGB图像,其中有雾图像的复原模型可描述为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)为待去雾图像,J(x)为恢复的无雾的图像,A为周围环境的背景光,t(x)为图像透射率。
4.根据权利要求3所述的一种海上全景去雾目标识别方法,其特征在于,所述S22中计算周围环境背景光的具体方法为:首先将图像划分为四个区域,然后计算四个区域像素的方差,并确定最小方差,在方差最小的区域重复除法运算,直到所选区域的大小小于预定义的阈值,分割才会停止,阈值设为n*0.001,其中n为图像中的像素总数。
7.根据权利要求1所述的一种海上全景去雾目标识别方法,其特征在于,所述S5中图像自动拼接的具体步骤为:
S51.对S4中得到的图像进行关键帧截取,并将多个摄像头的时间戳对齐,通过使用尺度不变特征变换(SIFT)算法对每个摄像头的关键帧进行特征点选取,即依次进行尺度空间极点检测、关键点精确定位、关键点方向确定与特征向量的生成;
S52.通过随机采样一致性算法(RANSAC)进行对S51中得到的每个摄像头关键帧特征点进行匹配,然后进行同时间戳多摄像头关键帧的单应性空间变换;
S53.采用python最佳缝合线(image stitching),通过动态规划寻找强度值最优的路径有效去除视频拼接中运动物体移动出现的鬼影,关于强度值的计算公式:
E(x,y)=Ec(x,y)+Eg(x,y)
其中,Ec为重叠像素点的颜色值之差,Eg是结构值之差。
8.根据权利要求1所述的一种海上全景去雾目标识别方法,其特征在于,所述S6中的目标识别网络通过深度学习网络搭建系统,采用YOLOv5方法,选用CSPDarknet进行网络搭建,网络包含BackBone,Neck以及Head三部分,其中BackBone用于从S5中的得到的全景视频中提取特征,Neck用于提供提供特征传播路径,Head用于对提取的特征进行定位和分类。
9.根据权利要求8所述的一种海上全景去雾目标识别方法,其特征在于,所述BackBone采用的是CSPDarknet网络,所述Neck采用PANet结构。
10.根据权利要求8所述的一种海上全景去雾目标识别方法,其特征在于,所述目标识别网络还包括针对于小目标的数据增强模块,所述数据增强模块采用马赛克数据增强方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504843.1A CN114332682A (zh) | 2021-12-10 | 2021-12-10 | 一种海上全景去雾目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504843.1A CN114332682A (zh) | 2021-12-10 | 2021-12-10 | 一种海上全景去雾目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332682A true CN114332682A (zh) | 2022-04-12 |
Family
ID=81050477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111504843.1A Pending CN114332682A (zh) | 2021-12-10 | 2021-12-10 | 一种海上全景去雾目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332682A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578295A (zh) * | 2022-11-17 | 2023-01-06 | 中国科学技术大学 | 一种视频去雨方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440629A (zh) * | 2013-08-29 | 2013-12-11 | 浙江理工大学 | 激光标记自动跟踪的视频引伸计的数字图像处理方法 |
CN103903230A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种视频图像海雾去除清晰化方法 |
WO2015199026A1 (ja) * | 2014-06-23 | 2015-12-30 | 旭硝子株式会社 | 映像表示透明部材、映像表示システムおよび映像表示方法 |
CN107009962A (zh) * | 2017-02-23 | 2017-08-04 | 杭州电子科技大学 | 一种基于姿态识别的全景观测方法 |
KR20180041413A (ko) * | 2016-10-14 | 2018-04-24 | 부경대학교 산학협력단 | 투과형 lcd를 위한 저전력 대조비 개선 장치 및 방법 |
US20190197316A1 (en) * | 2017-12-27 | 2019-06-27 | Bornfreedom Power P | Video-related system, method and device |
CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
-
2021
- 2021-12-10 CN CN202111504843.1A patent/CN114332682A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440629A (zh) * | 2013-08-29 | 2013-12-11 | 浙江理工大学 | 激光标记自动跟踪的视频引伸计的数字图像处理方法 |
CN103903230A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种视频图像海雾去除清晰化方法 |
WO2015199026A1 (ja) * | 2014-06-23 | 2015-12-30 | 旭硝子株式会社 | 映像表示透明部材、映像表示システムおよび映像表示方法 |
KR20180041413A (ko) * | 2016-10-14 | 2018-04-24 | 부경대학교 산학협력단 | 투과형 lcd를 위한 저전력 대조비 개선 장치 및 방법 |
CN107009962A (zh) * | 2017-02-23 | 2017-08-04 | 杭州电子科技大学 | 一种基于姿态识别的全景观测方法 |
US20190197316A1 (en) * | 2017-12-27 | 2019-06-27 | Bornfreedom Power P | Video-related system, method and device |
CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578295A (zh) * | 2022-11-17 | 2023-01-06 | 中国科学技术大学 | 一种视频去雨方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3757890A1 (en) | Method and device for image processing, method and device for training object detection model | |
CN104933680B (zh) | 一种智能的无人艇视觉系统视频快速海雾去除方法 | |
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 | |
CN110647836B (zh) | 一种鲁棒的基于深度学习的单目标跟踪方法 | |
CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
CN112561996A (zh) | 一种自主水下机器人回收对接中目标检测方法 | |
CN112734739A (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
CN114332682A (zh) | 一种海上全景去雾目标识别方法 | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
Al-Zubaidy et al. | Removal of atmospheric particles in poor visibility outdoor images | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN110751068A (zh) | 基于自适应时空融合的远距离弱小目标视觉检测方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN113033355B (zh) | 一种基于密集输电通道的异常目标识别方法和装置 | |
CN114821493A (zh) | 基于计算机视觉、ais和雷达的船舶信息显示方法及系统 | |
CN111583341B (zh) | 云台像机移位检测方法 | |
CN110136104B (zh) | 基于无人机地面站的图像处理方法、系统及介质 | |
CN114708544A (zh) | 一种基于边缘计算的违规行为智能监测头盔及其监测方法 | |
CN112507965A (zh) | 一种电子瞭望系统的目标识别方法及系统 | |
Qiao et al. | Visibility enhancement for underwater robots based on an improved underwater light model | |
CN106960421A (zh) | 基于统计特性和亮度估计的夜晚图像去雾方法 |
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 |