CN104182731B - 一种基于十字检测的栅格状雷达检测方法 - Google Patents
一种基于十字检测的栅格状雷达检测方法 Download PDFInfo
- Publication number
- CN104182731B CN104182731B CN201410393513.3A CN201410393513A CN104182731B CN 104182731 B CN104182731 B CN 104182731B CN 201410393513 A CN201410393513 A CN 201410393513A CN 104182731 B CN104182731 B CN 104182731B
- Authority
- CN
- China
- Prior art keywords
- image
- cross
- region
- lattice
- shaped radar
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于十字检测的栅格状雷达检测方法,分为五个阶段,第一阶段将输入图像转换为灰度图像,并在灰度图像上使用较大步长的滑动窗口法做十字检测,第二阶段利用十字检测的结果,定位出十字密度最大的目标疑似区域,第三阶段在疑似区域使用较小步长做十字检测,第四阶段对疑似区域内检测到的十字分布点做平行直线检测,第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。本发明能够对图像做出有无栅格状雷达的判决;在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率;能够处理多种不同形状的栅格状雷达图像;且检测过程全部自动,不需要人为干预。
Description
技术领域
本发明一种基于十字检测的栅格状雷达检测方法,属于雷达目标识别技术领域。
背景技术
雷达有着白天黑夜均能探测远距离目标的优点,随着雷达技术的发展,已经广泛应用于社会经济发展和科学研究,对雷达的目标识别也成为一项迫切需要的工作。飞行器技术和图像目标识别技术的发展,使得捕获雷达图像并对图像进行雷达检测成为可能。
由于雷达种类的多样性,找到一种适用于所有雷达的检测算法是很难的,本发明主要是针对栅格状雷达图像提出的一种自动检测算法,栅格状雷达指的是含有明显网状结构的雷达。栅格状雷达在雷达中占有相当大的比重,且自身特殊的网状结构使得其易于区别其与其他物体。
目前目标识别的主流技术是通过提取目标的特征,将目标识别问题转化为特征识别问题。而特征按照抽取的范围不同可以分为两种类型:(1)全局特征;(2)局部特征。全局特征是从整个图像中抽取的特征,局部特征是从图像的局部区域中抽取的特征。全局特征因为没有捕捉到图像的局部信息,当目标发生较大变化,如局部遮挡时,会导致全局特征的变化,最终导致目标识别任务的失败。因此,近些年来,大量针对局部特征的目标识别方法被提出并应用到实践中。
一些方法通过提取图像的边缘信息作为特征,如Canny边缘检测、Hough变换;一些通过先检测图像中的关键点,再在关键点处提取特征,如Harris角点检测、SIFT(ScaleInvariant Feature Transform)特征;还有一些将整幅图像划分成许多小局部,分别提取局部特征,最后将各个小局部特征联合起来作为图像的特征,如HOG(Histogram ofOriented Gradient)特征、HOG-LBP(Histogram of Oriented Gradient-Local BinaryPattern)特征。
对特征的识别方面有多种方法,如(1)Hough(参见P.V.C.Hough.Methods andMeans for Recognizing Complex Patterns.U.S.Patent 3069654.)于1962年提出一种直线检测方法,并在美国作为专利发表,因为较好的容错性和鲁棒性,一直被广泛应用。(2)Harris(参见C.Harris and M.Stephens.A Combined Corner and Edge Detector[C].Alvey vision conference.1988,15-50.)于1988年提出了经典的Harris角点检测算法,该算法旨在发现图像中各个方向灰度均有较大变化的像素点,并认为这些点是图像中的关键点。Harris角点对旋转和灰度变化具有不变性。(3)SIFT特征是由Lowe于1999年首次提出的一种局部特征(参见D.G.Lowe.Object Recognition from Local Scale-InvariantFeatures[C].Proceedings of the seventh IEEE International Conference onComputer Vision,1999,2:1150-1157.),该特征对尺度、旋转和灰度变化具有不变性,在拍摄视角小幅度变化时也能起到很好的效果。该算法利用金字塔和高斯核滤波差分来求解高斯拉普拉斯空间中的极值点,并将这些极值点作为图像的关键点并提取附近的梯度信息形成特征向量,然后利用这些特征向量进行图像特征点匹配。(4)Dalal于2005年提出了一种用于行人检测的特征(参见N.Dalal and B.Triggs.Histograms of Oriented Gradientsfor Human Detection[C].Proceedings of IEEE Computer Society Conference onComputer Vision and Pattern Recognition,2005,886-893.)并得到了很好的结果。该算法的核心思想是一幅图像中的物体的表象和形状可以被灰度梯度的方向分布很好的描述。实现方法是将图像分成小的方格单元连通区域(cell),然后采集方格单元中各像素点的梯度方向直方图,最后把这些直方图组合起来构成特征描述子。为了提高精度,还可以将这些局部直方图在图像的更大区间(block)中进行对比度归一化,获得对光照变化更好的稳定性。HOG特征已广泛应用于各种图像处理问题。(5)HOG-LBP是Wang于2009年在HOG基础上提出的一种行人检测算子(参见X.Y.Wang,T.X.Han and S.C.Yan.An HOG-LBP HumanDetector with Partial Occlusion Handling.IEEE 12th International Conferenceon Computer Vision,2009,32-39.)在行人检测上获得了比HOG更高的准确率。该算子在提取HOG特征之外将图片分成不重叠的block提取结构化的LBP特征。然后将两个特征联合起来作为图像的特征。(6)SVM是分类算法中常用的一种,这类算法能最小化经验误差于最大化几何边缘区,可尽量避免局部最优解且在高维问题中表现出了很多优势。本发明中使用了LIBSVM工具箱(参见C.C.Chang and C.J.Lin.LIBSVM:A Library for Support VectorMachines.ACM Transactions on Intelligent Systems and Technology.2011,2:27:1-27:27.)。
传统的方法在提取关键点后,一般是在关键点附近提取特征,将所有关键点处的特征一起作为图像的特征,使用特征分类完成目标识别的任务。这些方法关键点检测不是特别精确、不适用于栅格状雷达。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于十字检测的栅格状雷达检测方法,能够对图像做出有无栅格状雷达的判决;在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率;能够处理多种不同形状的栅格状雷达图像;且检测过程全部自动,不需要人为干预。
本发明的技术方案分为五个阶段,第一阶段将输入图像转换为灰度图像,并在灰度图像上使用较大步长的滑动窗口法做十字检测,第二阶段利用十字检测的结果,定位出十字密度最大的目标疑似区域,第三阶段在疑似区域使用较小步长做十字检测,第四阶段对疑似区域内检测到的十字分布点做平行直线检测,第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。
(1)读取待检测图像;
(2)输入图像若为彩色图像则转为灰度图像,若为灰度图像则不变;
(3)在上一步的输出图像上使用滑动窗口法以较大步长s1做十字检测,图像的特征提取使用HOG特征,具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索,对每个滑动窗口所包含的局部图像提取HOG特征,然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决,如果判决是十字,则记录下该窗口的位置;
(4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度;
(5)找出最大十字分布密度对应的区域,若同时有几个最大的区域,则需合并,若最大密度大于设定的阈值threshold,则跳到步骤(6);若最大密度小于或等于设定的阈值threshold,则结束,认为图像中无栅格状雷达;
(6)目标疑似区域是一个矩形区域,将该区域内包含的灰度图像提取出来,存为localimage,即疑似区域图像;
(7)在localimage上用比s1小一些的步长s2再做一遍十字检测,图像的特征提取使用HOG特征,具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索,对每个滑动窗口所包含的局部图像提取HOG特征,然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决,如果判决是十字,则记录下该窗口的位置;记录十字检测结果;
(8)将上一步得到的localimage上十字分布位置转换为二值图像表示,即十字分布点处为1,其他位置为0,二值图像与localimage大小相同,称为axisimage,即十字坐标二值图像;
(9)在axisimage中使用Hough变换检测直线;
(10)在上一步得到的直线中寻找平行直线组,即同一角度数量大于1的直线集合,如果能得到平行直线组,则跳到下一步;如果检测不到平行直线组,则结束,判决该图像中不含有栅格状雷达;
(11)判决该图像中含有栅格状雷达,并标注出疑似区域。
所述步骤(3)和(7)中具体实现为:
(1)基于线性SVM训练好的分类器的训练过程是:由裁取的928个十字正样本和1200个随机负样本训练得来;在对训练样本提取特征前,先将训练样本变换为统一大小宽度width*width的正方形图像,如16*16。
对训练样本提取HOG特征时,一个block(即待提取特征图像中的一个小块,彼此之间可重叠)中就是一个cell(即一个block中的小块,彼此之间不可重叠),一个block为blockwidth*blockwidth(blockwidth是block的边长值,应能整除width,如width为16,blockwidth为8)大小的正方形区域,block之间的重叠率设置为overlaping(给出中文含义),对训练样本提取完特征后,使用LIBSVM工具箱进行训练,训练时使用线性核函数,最后得到分类面:
WTX+wm+1=0
其中WT为分类面法向量,X为提取的特征向量,m为特征向量维数,wm+1是一常数。
(2)对每个滑动窗口进行分类判决的具体过程为:是设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动,即先从图像的第一行开始,从像素点(1,1)开始以步长s1向右滑动,直至这一行的末端;再以步长s1向下滑动到第二行,重复第一行的操作,直至滑动窗口滑动到图像的右下角;滑动窗口每滑动一下都要对其所包含的图像提取特征并使用基于线性SVM训练好的分类器进行判决,若所述分类器认为是十字结构,则记录下十字在图像中的坐标位置(xk,yk),这个坐标的值是十字结构的左上角坐标。
所述步骤(4)中十字密度计算方法为:统计落在以任意一个检测到的十字Xi为中心,大小为neighbourwidth*neighbourwidth的正方形区域Si内的十字数目,如果一幅图像中有n个十字,则对应着n个十字密度统计区域,每个十字对应的周围区域包含十字数目记为ki;考察十字Xj是否能落在Xi周围的区域Si内,只需检查Xj-Xi的每个分量的长度是否均小于neighbourwidth/2即可;如果每一个分量的长度均小于neighbourwidth/2,则该样本落在区域Si中,否则该样本位于区域Si之外;
计算ki(i=1,2,…,n)时,引入窗函数:
u=(u1,u2,…,ud)T是Xj-Xi,借助于上述窗函数用下式表示落入以Xi为中心的区域中的十字数目ki,即十字密度:
n为整幅图像十字数目。
所述步骤(5)和(6)具体实现为:找出这n个区域中十字分布密度值最大的区域作为目标疑似区域,即找到ki,i=1,2,…,n中最大的数值对应的区域Si;如果一幅图像中含有多个区域同时成为十字最大密度区域,则需要对这几个区域进行合并,即寻找这几个区域的最大外接矩形,将疑似区域包含的图像存为localimage;
在寻找目标疑似区域时,同时会对一些图像做一些剔除,对十字最大密度区域内十字数目小于或等于threshold的图像,则认为这些图像不含有栅格状雷达,这些图像在这一步中会去除,加速部分非栅格状雷达图像的判决。
所述步骤(10)中判断图像中有没有栅格状雷达过程为:通过检测疑似区域内以小步上s2检测到的十字坐标点能否组成平行直线来判断图像中是否含有栅格状雷达,若检测到平行直线,则认为图像中含有栅格状雷达,若没有检测到平行直线,则认为图像中不含有栅格状雷达。
本发明与现有技术相比的优点在于:
(1)本发明因为采用了基于十字检测的方法,当目标发生较大变化,如局部遮挡或拍摄视角变化时,仍能较为准确地检测出栅格状雷达目标。
(2)本发明收集了大量十字正样本和随机负样本来做训练,因此对十字检测能获得很高的准确率。
(3)本发明采用检测十字的方法来发现图像中的关键点,比角点检测、SIFT关键点检测的方法更适合于栅格状雷达中的关键点检测。
(4)本发明采用了先定位疑似区域的方法,能避免大范围区域内的许多干扰。
(5)本发明使用十字分布位置检测直线,避免了雷达图像中直线小幅度弯曲对直线检测造成的问题,也规避了二值化和边缘提取对直线检测的影响,在光照和目标性状在变化时仍能获得较高的准确率。
(6)本发明使用十字位置作为关键点,并利用关键点的分布规律做图像中有无栅格状雷达的判决,具有较高的合理性,且在试验中获得了较高的正检率和较低的误检率。
(7)本发明能处理多种不同形状的栅格状雷达。
总之,本发明中选择检测先图像中的关键点,再考虑关键点的位置分布关系来识别栅格状雷达目标。检测关键点的方法使用十字结构检测实现,比起前面提到的角点检测、SIFT关键点检测更精确、更适用于栅格状雷达。检测十字时使用了HOG特征,但针对具体十字目标做了改造,对十字的描述更好。因此本发明能够对图像做出有无栅格状雷达的判决;在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率;能够处理多种不同形状的栅格状雷达图像;且检测过程全部自动,不需要人为干预。
附图说明
图1为本发明方法实现流程图。
具体实施方式
如图1所示,本发明通过先检测图像中的十字,再检测十字的分布情况,做出图像中有无栅格状雷达的判决,具体实现如下;
1.初始十字检测
本发明中使用滑动窗口的方法对图像中可能存在的十字做出检测,使用HOG特征描述滑动窗口所包含的局部图像,使用以大量十字正样本和随机负样本训练的线性SVM分类器对每个滑动窗口进行分类。图像的梯度信息能够对物体的形状做出较好的描述且对光照的变化不敏感,而十字结果中重要的信息就是中心的横竖两条线,即梯度变化,因此HOG特征能够较好的描述十字结构。而十字结构中心的两条线可能存在一定程度的倾斜,HOG特征中对梯度信息的合并使得检测结果对这一变化更稳定。
1.1分类器训练
本发明中针对十字结构的分类器由裁取的928个十字正样本和1200个随机负样本训练得来。在对训练样本提取特征前,先将训练样本变换为统一大小width*width的正方形图像。
原HOG特征在提取时,将图像划分成若干个可以重叠的block,每个block含有若干个不重叠的cell。在每个cell中提取梯度方向直方图,cell中的梯度方向直方图组成block的,block的梯度方向直方图组成整幅图像的特征。
本发明中对训练样本提取HOG特征时,取消了原HOG特征中的cell结构,换句话说就是一个block中就是一个cell,一个block为blockwidth*blockwidth大小的正方形区域,block之间的重叠率设置为overlaping。对训练样本提取完特征后,使用LIBSVM工具箱进行训练,训练时使用线性核函数,最后得到分类面:
WTX+wm+1=0
其中WT为分类面法向量,X为提取的特征向量,m为特征向量维数,wm+1是一常数。
1.2滑动窗口十字检测
对一幅实际图像做十字检测时本发明中使用的是滑动窗口法。具体做法是设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动。即先从图像的第一行开始,从像素点(1,1)开始以步长s1向右滑动,直至这一行的末端。再以步长s1向下滑动到第二行,重复第一行的操作,直至滑动窗口滑动到图像的右下角。滑动窗口每滑动一下都要对其所包含的图像提取特征并使用分类器进行判决,若分类器认为是十字结构,则记录下十字在图像中的坐标位置(xk,yk),本发明中这个坐标的值是十字结构的左上角坐标。
滑动窗口对十字的检测在只一个尺度下进行,且检测的结果并不利用非极大值抑制法进行融合。
2.定位疑似区域
本发明中认为十字密集的区域可能就是栅格状雷达所在的区域,在这一阶段会定位出这一疑似目标区域。
2.1计算十字分布密度
具体做法是统计落在以任意一个检测到的十字Xi为中心,大小为neighbourwidth*neighbourwidth的正方形区域Si内的十字数目,如果一幅图像中有n个十字,则对应着n个十字密度统计区域,每个十字对应的周围区域包含十字数目记为ki。考察十字Xj是否能落在Xi周围的区域Si内,只需检查Xj-Xi的每个分量的长度是否均小于neighbourwidth/2即可。如果每一个分量的长度均小于neighbourwidth/2,则该样本落在区域Si中,否则该样本位于区域Si之外。
计数n次统计中落入区域Si中样本的个数ki时,引入窗函数:
这里,u=(u1,u2,…,ud)T是Xj-Xi。借助于上述窗函数可以用下式表示落入以Xi为中心的区域中的十字个数ki:
n为整幅图像十字数目。
2.2提取目标疑似区域
找出这n个区域中十字分布密度值最大的区域作为目标疑似区域,即找到ki,i=1,2,…,n中最大的数值对应的区域Si。如果一幅图像中含有多个区域同时成为十字最大密度区域,则需要对这几个区域进行合并,即寻找这几个区域的最大外接矩形。
在寻找目标疑似区域时,同时会对一些图像做一些剔除,对十字最大密度区域内十字数目小于或等于threshold的图像,本发明中认为这些图像不含有栅格状雷达,这些图像在这一步中会去除。
3.在疑似区域做十字检测
在本发明的上一阶段中已定位出可能是栅格状雷达所在的区域,将疑似区域所包含的图像提取出来存为localimage。在localimage中重复第一阶段的十字检测工作,但滑动窗口滑动的步长变为小于s1的s2。将检测到的十字在localimage中的坐标位置记录下来。
4.对疑似区域内检测到的十字分布点做平行直线检测
首先生成一幅与localimage相同大小的二值图像axisimage,该二值图像中十字结构所在位置的像素值为1,其他位置的像素值为0。如下式所示:
然后使用Hough变换检测axisimage中存在的直线。在原始图像空间中,一条直线可以表示为xcosθ+ysinθ=ρ。原始图像空间中的任意一点在ρθ参数空间都对应一条正弦曲线,原始图像空间中的一条直线对应于ρθ参数空间中的一点。故只需将原始空间中的点映射为参数空间的曲线,统计参数空间中多条曲线相交的点,即对交点进行投票,就可以找到原始空间中对应的直线。
本发明中使用Hough变换找出axisimage中在参数空间得到票数最多的m条直线,并记录每条直线的斜率。平行的两条直线有相同的斜率,因此寻找相同斜率的直线就能找到直线中的平行直线组,若任意两条直线的斜率都不相同,则说明其中不含有平行直线。搜索直线中的平行直线组。
5.做有无栅格状雷达的判决
上一阶段如果能找到平行直线,则认为图像中含有栅格状雷达,疑似区域可作为雷达所在位置的标注;如果未能找到平行直线,则认为图像中不含有栅格状雷达。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种基于十字检测的栅格状雷达检测方法,其特征在于实现步骤如下:
(1)读取待检测图像;
(2)输入图像若为彩色图像则转为灰度图像,若为灰度图像则不变;
(3)在上一步的输出图像上使用滑动窗口法以步长s1做十字检测,图像的特征提取使用HOG特征,具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索,对每个滑动窗口所包含的局部图像提取HOG特征,然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决,如果判决是十字,则记录下该窗口的位置;
(4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度;
(5)找出最大十字分布密度对应的区域,若同时有几个最大的区域,则需合并,若最大密度大于设定的阈值threshold,则跳到步骤(6);若最大密度小于或等于设定的阈值threshold,则结束,认为图像中无栅格状雷达;
(6)目标疑似区域是一个矩形区域,将该区域内包含的灰度图像提取出来,存为localimage,即疑似区域图像;
(7)在localimage上用比s1小的步长s2再做一遍十字检测,图像的特征提取使用HOG特征,具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索,对每个滑动窗口所包含的局部图像提取HOG特征,然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决,如果判决是十字,则记录下该窗口的位置;记录十字检测结果;
(8)将上一步得到的localimage上十字分布位置转换为二值图像表示,即十字分布点处为1,其他位置为0,二值图像与localimage大小相同,称为axisimage,即十字坐标二值图像;
(9)在axisimage中使用Hough变换检测直线;
(10)在上一步得到的直线中寻找平行直线组,即同一角度数量大于1的直线集合,如果能得到平行直线组,则跳到下一步;如果检测不到平行直线组,则结束,判决该图像中不含有栅格状雷达;
(11)判决该图像中含有栅格状雷达,并标注出疑似区域。
2.根据权利要求1所述的基于十字检测的栅格状雷达检测方法,其特征在于:所述步骤(3)和(7)中具体实现为:
(1)基于线性SVM训练好的分类器的训练过程是:由裁取的928个十字正样本和1200个随机负样本训练得来;在对训练样本提取特征前,先将训练样本变换为统一大小宽度width*width的正方形图像;
对训练样本提取HOG特征时,一个block中就是一个cell,block即待提取特征图像中的一个小块,彼此之间可重叠,cell即一个block中的小块,彼此之间不可重叠,一个block为blockwidth*blockwidth大小的正方形区域,blockwidth是block的边长值,应能整除width,block之间的重叠率设置为overlaping,对训练样本提取完特征后,使用LIBSVM工具箱进行训练,训练时使用线性核函数,最后得到分类面:
WTX+wm+1=0
其中WT为分类面法向量,X为提取的特征向量,m为特征向量维数,wm+1是一常数;
(2)对每个滑动窗口进行分类判决的具体过程为:设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动,即先从图像的第一行开始,从像素点(1,1)开始以步长s1向右滑动,直至这一行的末端;再以步长s1向下滑动到第二行,重复第一行的操作,直至滑动窗口滑动到图像的右下角;滑动窗口每滑动一下都要对其所包含的图像提取特征并使用基于线性SVM训练好的分类器进行判决,若所述分类器认为是十字结构,则记录下十字在图像中的坐标位置(xk,yk),这个坐标的值是十字结构的左上角坐标。
3.根据权利要求1所述的基于十字检测的栅格状雷达检测方法,其特征在于:所述步骤(4)中十字分布密度计算方法为:统计落在以任意一个检测到的十字Xi为中心,大小为neighbourwidth*neighbourwidth的正方形区域Si内的十字数目,如果一幅图像中有n个十字,则对应着n个十字密度统计区域,每个十字对应的周围区域包含十字数目记为ki;考察十字Xj是否能落在Xi周围的区域Si内,只需检查Xj-Xi的每个分量的长度是否均小于neighbourwidth/2即可;如果每一个分量的长度均小于neighbourwidth/2,则该样本落在区域Si中,否则该样本位于区域Si之外;
计算ki,i=1,2,…,n时,引入窗函数:
u=(u1,u2,…,ud)T是Xj-Xi,借助于上述窗函数用下式表示落入以Xi为中心的区域中的十字数目ki,即十字密度:
n为整幅图像十字数目。
4.根据权利要求3所述的基于十字检测的栅格状雷达检测方法,其特征在于:所述步骤(5)和(6)具体实现为:找出n个十字密度统计区域中十字分布密度值最大的区域作为目标疑似区域,即找到十字数目ki,i=1,2,…,n中最大的数值对应的区域Si;如果一幅图像中含有多个区域同时成为十字最大密度区域,则需要对这几个区域进行合并,即寻找这几个区域的最大外接矩形,将疑似区域包含的图像存为localimage;
在寻找目标疑似区域时,同时会对一些图像做一些剔除,对十字最大密度区域内十字数目小于或等于threshold的图像,则认为这些图像不含有栅格状雷达,这些图像在这一步中会去除,加速部分非栅格状雷达图像的判决。
5.根据权利要求1所述的基于十字检测的栅格状雷达检测方法,其特征在于:所述步骤(10)中判断图像中有没有栅格状雷达过程为:通过检测疑似区域内以小步长s2检测到的十字坐标点能否组成平行直线来判断图像中是否含有栅格状雷达,若检测到平行直线,则认为图像中含有栅格状雷达,若没有检测到平行直线,则认为图像中不含有栅格状雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410393513.3A CN104182731B (zh) | 2014-08-12 | 2014-08-12 | 一种基于十字检测的栅格状雷达检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410393513.3A CN104182731B (zh) | 2014-08-12 | 2014-08-12 | 一种基于十字检测的栅格状雷达检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182731A CN104182731A (zh) | 2014-12-03 |
CN104182731B true CN104182731B (zh) | 2017-05-17 |
Family
ID=51963758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410393513.3A Active CN104182731B (zh) | 2014-08-12 | 2014-08-12 | 一种基于十字检测的栅格状雷达检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182731B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715250B (zh) * | 2013-12-17 | 2018-06-12 | 中国科学院深圳先进技术研究院 | 十字激光检测方法和装置 |
CN108776776B (zh) * | 2018-05-25 | 2021-11-02 | 河南思维轨道交通技术研究院有限公司 | 一种针对图像中水平垂直线段的识别方法 |
CN110596651B (zh) * | 2019-09-06 | 2021-08-20 | 厦门大学 | 一种雷达检测的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102855486A (zh) * | 2012-08-20 | 2013-01-02 | 北京理工大学 | 一种广义图像目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8604969B2 (en) * | 2010-04-05 | 2013-12-10 | Raytheon Company | System and method of using image grids in detection of discrete objects |
-
2014
- 2014-08-12 CN CN201410393513.3A patent/CN104182731B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102855486A (zh) * | 2012-08-20 | 2013-01-02 | 北京理工大学 | 一种广义图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
"图像中网格直线的检测方法的研究";肖晓明 等;《计算机测量与控制》;20071231;第15卷(第10期);1292-1294 * |
"基于对称特征的棋盘方格角点自动检测算法";谭晓军 等;《计算机应用》;20080630;第28卷(第6期);1540-1542 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182731A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bandeira et al. | Detection of sub-kilometer craters in high resolution planetary images using shape and texture features | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
Alexe et al. | Measuring the objectness of image windows | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN103150730A (zh) | 一种基于图像的圆形小目标精确检测方法 | |
US9245198B2 (en) | Object recognition by comparison of patterns against map of image | |
Bao et al. | Single shot anchor refinement network for oriented object detection in optical remote sensing imagery | |
CN102663348A (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
Zhu et al. | Deep residual text detection network for scene text | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN104182731B (zh) | 一种基于十字检测的栅格状雷达检测方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
US20230065041A1 (en) | Geometric pattern matching method and device for performing the method | |
Guo et al. | Image classification based on SURF and KNN | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Sirmacek et al. | Road detection from remotely sensed images using color features | |
Elhadi et al. | Arabic-numbers recognition system for car plates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |