CN104751145B - 局部霍夫变换与形态学优化的sar图像电力线检测方法 - Google Patents
局部霍夫变换与形态学优化的sar图像电力线检测方法 Download PDFInfo
- Publication number
- CN104751145B CN104751145B CN201510168893.5A CN201510168893A CN104751145B CN 104751145 B CN104751145 B CN 104751145B CN 201510168893 A CN201510168893 A CN 201510168893A CN 104751145 B CN104751145 B CN 104751145B
- Authority
- CN
- China
- Prior art keywords
- marginal
- pixel
- hough transformation
- line segment
- bianry 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于SAR图像电力线检测技术领域,特别涉及局部霍夫变换与形态学优化的SAR图像电力线检测方法,其具体步骤为:对SAR原始图像采用Edison算子进行边缘检测,获得包含边缘信息的二值图像;在包含边缘信息的二值图像中划分出多个边缘带;在划分出多个边缘带的二值图像中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测,得出霍夫变换检测结果;在霍夫变换检测结果的每个边缘带内,选取长度最长的线段,如果其余任一线段与长度最长的线段的最近距离小于设定距离阈值,并且对应线段与长度最长的线段的夹角小于设定夹角阈值,则将对应线段舍去,否则,将对应线段保留;最终得出SAR图像电力线检测结果。
Description
技术领域
本发明属于SAR图像电力线检测技术领域,特别涉及局部霍夫变换与形态学优化的SAR图像电力线检测方法。
背景技术
电力线是低空飞行环境下的重要威胁要素之一,严重威胁着飞行器的飞行安全,所以如何利用微波雷达快速检测危险电力线目标,保障飞行器低空飞行安全,是十分重要的科学问题。
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天候、全天时、作用距离远的高分辨率微波遥感成像雷达,是低空环境感知的重要手段之一,利用所获得的SAR图像进行电力线检测,对低空环境威胁要素检测具有重要的现实意义和广阔的应用前景。但电力线目标较小、反射强度弱,只有当雷达视线与电力线垂直或左右偏离两个小偏角出现布拉格谐振(Bragger)效应时才会有较强散射,而且电力线目标易于与道路、田埂等地物线段混杂,造成SAR图像电力线检测误判导致虚警率高。
发明内容
本发明的目的在于针对所需解决的问题,提出局部霍夫变换与形态学优化的SAR图像电力线检测方法,提高了SAR图像电力线检测能力,可应用于微波雷达在低空环境下的静止障碍物检测与定位,提升了飞行器低空环境中威胁要素的检测能力。
为实现上述技术目的,本发明采用如下技术方案予以实现。
局部霍夫变换与形态学优化的SAR图像电力线检测方法包括以下步骤:
步骤1,获取SAR原始图像,对SAR原始图像采用Edison算子进行边缘检测,获得包含边缘信息的二值图像;所述包含边缘信息的二值图像中,白色像素部分表示边缘信息,黑色像素部分表示非边缘信息;
步骤2,在上述包含边缘信息的二值图像中划分出多个边缘带;
步骤3,在划分出多个边缘带的二值图像中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测,得出霍夫变换检测结果;霍夫变换检测结果为包含至少一条由白色像素线段的二值图像,所述白色像素线段指由白色像素点组成的线段;
步骤4,在霍夫变换检测结果的每个边缘带内,选取长度最长的线段,如果其余任一线段与长度最长的线段的最近距离小于设定距离阈值,并且对应线段与长度最长的线段的夹角小于设定夹角阈值,则将对应线段舍去,否则,将对应线段保留;最终得出SAR图像电力线检测结果。
本发明的有益效果为:1)本发明提出基于边缘带划分的局部霍夫变换直线检测方法。该方法在有效减少全局霍夫变换伪峰的同时提高了处理实时性。2)为了抑制局部霍夫变换后图像中重叠与分叉线段对后续电力线检测的干扰,本发明中提出了联合距离和夹角阈值的形态学优化方法,滤除了重叠与分叉线段,提高了电力线检测的可靠性。
附图说明
图1为本发明的局部霍夫变换与形态学优化的SAR图像电力线检测方法的流程图;
图2为实测数据实验中待处理的SAR原始图像;
图3为实测数据实验按照本发明采用Edison算子进行边缘检测后得到的二值图像;
图4为实测数据实验按照本发明得出的滤波处理后的含边缘带的二值图像;
图5为实测数据实验中对图3进行全局霍夫变换直线提取后结果示意图;
图6为实测数据实验中对图3按照本发明进行步骤4的局部霍夫变换处理的二值图像;
图7为实测数据实验中按照本发明的步骤4舍弃每个边缘带中与长度最大线段距离相近且夹角较小的重复或分叉线段后的二值图像;
图8为实测数据实验中按照本发明针对图7滤除长度较短线段后的SAR图像电力线检测结果示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
参照图1,为本发明的局部霍夫变换与形态学优化的SAR图像电力线检测方法的流程图。该局部霍夫变换与形态学优化的SAR图像电力线检测方法包括以下步骤:
步骤1,获取SAR原始图像,对SAR原始图像采用Edison算子进行边缘检测,获得包含边缘信息的二值图像;上述包含边缘信息的二值图像中,白色像素部分表示边缘信息,黑色像素部分表示非边缘信息,边缘信息主要指电力线、田埂、房屋、道路等的边缘信息。
步骤2,在上述包含边缘信息的二值图像中划分出多个边缘带,每个边缘带就是一条连续的线段、折线或曲线。
其具体子步骤为:
(2.1)将上述包含边缘信息的二值图像的每个像素点赋予标志位flag,每个像素点的标志位flag的初始值为0。令k=1,2,...,K,K表示上述包含边缘信息的二值图像中像素点的个数;当k=1时跳至子步骤(2.2)。
(2.2)若上述包含边缘信息的二值图像的第k个像素点为白色像素点(根据灰度值判断,灰度值为255的像素点为白色像素点)且其标志位flag的值为0,则将上述包含边缘信息的二值图像的第k个像素点作为边缘带像素点,跳至子步骤(2.3);若上述包含边缘信息的二值图像的第k个像素点为黑色像素点(根据灰度值判断,灰度值为0的像素点为黑色像素点)或上述包含边缘信息的二值图像的第k个像素点的标志位flag的值为1,则跳至子步骤(2.5)。
(2.3)记录每个边缘带像素点的坐标(即在二值图像中的行数和列数)并将其标志位flag的值更新为1,跳至子步骤(2.4)。
(2.4)在每个边缘带像素点的8连通邻域中搜索标志位flag的值为0的白色像素点,如果搜索到,则将搜索到的每个像素点作为更新后的边缘带像素点,返回至子步骤(2.3),如果未搜索到,则跳至子步骤(2.5)。
下面对像素点的8连通邻域作出解释,像素点的8连通领域指:由上方相邻的像素点、下方相邻的像素点、左方相邻的像素点、右方相邻的像素点左上方相邻的像素点、左下方相邻的像素点、右上方相邻的像素点、右下方相邻的像素点组成的像素点的集合。显然当像素点不是边缘像素点时,像素点的8连通领域包括8个像素点;当像素点位于图像的一边但不是图像四角的像素点时,像素点的8连通领域包括5个像素点;当像素点是图像四角的像素点时,像素点的8连通领域包括3个像素点。
(2.5)若k<K,则令k的值自增1,返回至子步骤(2.2);若k=K,则说明在上述包含边缘信息的二值图像中划分出多个边缘带的过程结束。
步骤2的过程可以看做是在上述包含边缘信息的二值图像中对像素点进行逐个搜索的过程,搜索的顺序可以人为设定。在步骤2之后,上述包含边缘信息的二值图像中所有相邻的边缘像素点被划分各个不同的边缘带。
步骤3,像素点个数阈值滤波并利用局部霍夫变换方法进行直线检测。
在划分出多个边缘带的二值图像中,将像素点个数小于设定像素点数阈值的边缘带舍去(将对应的边缘带的每个像素点更新后黑色像素点),得到滤波处理后的含边缘带的二值图像;在上述滤波处理后的含边缘带的二值图像中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测,得出霍夫变换检测结果;霍夫变换检测结果为包含至少一条由白色像素点组成的线段的二值图像。
优选地,在步骤3中,设定像素点数阈值为30。
具体地,霍夫变换方法通过空间变换将在图像空间中的直线检测问题转变为参数空间里点的检测问题,在参数空间中进行的累加统计完成检测工作。根据参数域选取的不同,有直角坐标系中的参数空间变换和极坐标系中的参数空间变换两种,本发明采用基于极坐标变换空间的霍夫变换方法。其变换关系如下:设图像空间中一条直线L,直线上的每一点(x,y)都满足以下方程时,参数空间H为r-θ空间,
r=x cosθ+y sinθ (1)
r为原点到直线L的距离,θ为直线L过原点的垂线与x轴正方向的夹角。
对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测的过程包括以下子步骤:
(3.1)令i=1,2,...,M,M表示待处理的二值图像(上述滤波处理后的二值图像)中边缘带的个数;当i=1时,跳至子步骤(3.2);
(3.2)对第i个边缘带进行基于极坐标变换空间的霍夫变换,将第i个边缘带按照公式(1)变换到参数空间中,获得相应参数空间矩阵H,其行对应着θ,列对应着r,其数值对应着过该点直线数的的累加值。
(3.3)对参数空间矩阵H进行峰值检测,保留矩阵H中数值最大的5个元素,记录其对应的行列号,若参数空间矩阵H中元素个数不足5个,则保留矩阵H的全部元素。
(3.4)将矩阵H中保留的元素反变换到二值图像中,得出每个元素对应的线段,保存线段上各像素点的图像坐标。
(3.5)若i<M,则令i的值自增1,返回至子步骤(3.2);若i=M,则结束霍夫变换过程。
本发明中,步骤3中的霍夫变换过程是针对每个边缘带进行的,而不是针对整个二值图像进行的,因此,将步骤3中的霍夫变换称为局部霍夫变换。
步骤4,联合距离与夹角阈值的形态学优化。
在霍夫变换检测结果的每个边缘带内,选取长度最长的线段,如果其余任一线段与长度最长的线段的最近距离小于设定距离阈值,并且对应线段与长度最长的线段的夹角小于设定夹角阈值,则将对应线段舍去(将对应线段的每个像素点更新为黑色像素点),否则,将对应线段保留。步骤4的目标在于在每个边缘带中舍弃与长度最大线段距离相近且夹角较小的重复或分叉线段。
优选地,在步骤4中,设定距离阈值为40个像素点的总长度,设定角度阈值为20度。
优选地,在步骤4得出的二值图像中,如果任一线段小于设定长度阈值,则将该线段舍去(将对应线段的每个像素点更新为黑色像素点),否则,将对应线段保留;最终得出SAR图像电力线检测结果。进一步地,设定长度阈值为110个像素点的总长度。
本发明的效果通过以下实测数据实验进一步说明:
参照图2,为实测数据实验中待处理的SAR原始图像;参照图3,为实测数据实验按照本发明采用Edison算子进行边缘检测后得到的二值图像;参照图4,为实测数据实验按照本发明得出的滤波处理后的含边缘带的二值图像。对比图3和图4可以发现图4中的杂乱细小边缘比图3明显减少,可知经过本发明的步骤3后,成功滤除了扰乱电力线检测的杂乱细小边缘。
参照图5,为实测数据实验中对图3进行全局霍夫变换直线提取后结果示意图;参照图6,为实测数据实验中对图3按照本发明进行步骤4的局部霍夫变换处理的二值图像。对比图5和图6可以看出,两者的提取结果中均包含电力线,而全局霍夫变换由于同一直线上分离的多条线段误积累产生伪峰造成直线提取结果中有较长的直线线段,降低了电力线检测性能;本发明中的局部霍夫变换虽包含许多较短线段,但均可通过后续处理进行抑制,在避免电力线的漏检的同时提高了电力线的可检测性。
参照图7,为实测数据实验中按照本发明的步骤4舍弃每个边缘带中与长度最大线段距离相近且夹角较小的重复或分叉线段后的二值图像。与图6相比,图7所示图像的地物轮廓的重叠较少,交叉边缘较少。
参照图8,为实测数据实验中按照本发明针对图7滤除长度较短线段后的SAR图像电力线检测结果示意图。从图8看出,该图滤除了田埂、房屋、道路等较短边缘直线,成功提取出来SAR图像中的电力线。
综上所述,本发明实现了对实测SAR图像中的电力线可靠检测。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,包括以下步骤:
步骤1,获取SAR原始图像,对SAR原始图像采用Edison算子进行边缘检测,获得包含边缘信息的二值图像;所述包含边缘信息的二值图像中,白色像素部分表示边缘信息,黑色像素部分表示非边缘信息;
步骤2,在上述包含边缘信息的二值图像中划分出多个边缘带;
其中,所述步骤2的具体子步骤为:
(2.1)将所述包含边缘信息的二值图像的每个像素点赋予标志位flag,每个像素点的标志位flag的初始值为0;令k=1,2,...,K,K表示上述包含边缘信息的二值图像中像素点的个数;当k=1时跳至子步骤(2.2);
(2.2)若所述包含边缘信息的二值图像的第k个像素点为白色像素点且其标志位flag的值为0,则将所述包含边缘信息的二值图像的第k个像素点作为边缘带像素点,跳至子步骤(2.3);若所述包含边缘信息的二值图像的第k个像素点为黑色像素点或所述包含边缘信息的二值图像的第k个像素点的标志位flag的值为1,则跳至子步骤(2.5);
(2.3)将每个边缘带像素点的标志位flag的值更新为1,跳至子步骤(2.4);
(2.4)在每个边缘带像素点的8连通邻域中搜索标志位flag的值为0的白色像素点,如果搜索到,则将搜索到的每个像素点作为更新后的边缘带像素点,返回至子步骤(2.3),如果未搜索到,则跳至子步骤(2.5);
(2.5)若k<K,则令k的值自增1,返回至子步骤(2.2);若k=K,则划分出多个边缘带,划分出的多个边缘带指:由标志位flag的值为1的所有像素点组成的图像区域;
步骤3,在划分出多个边缘带的二值图像中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测,得出霍夫变换检测结果;霍夫变换检测结果为包含至少一条由白色像素线段的二值图像,所述白色像素线段指由白色像素点组成的线段;
步骤4,在霍夫变换检测结果的每个边缘带内,选取长度最长的线段,如果其余任一线段与长度最长的线段的最近距离小于设定距离阈值,并且对应线段与长度最长的线段的夹角小于设定夹角阈值,则将对应线段舍去,否则,将对应线段保留;最终得出SAR图像电力线检测结果。
2.如权利要求1所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,在步骤3中,在划分出多个边缘带的二值图像中,将像素点个数小于设定像素点数阈值的边缘带舍去,得到滤波处理后的含边缘带的二值图像;在上述滤波处理后的含边缘带的二值图像中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测,得出霍夫变换检测结果。
3.如权利要求2所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,在步骤3中,所述设定像素点数阈值为30。
4.如权利要求1所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,在步骤3中,对每个边缘带采用基于极坐标变换空间的霍夫变换方法进行直线检测的过程包括以下子步骤:
(3.1)令i=1,2,...,M,M表示待处理的二值图像中边缘带的个数;当i=1时,跳至子步骤(3.2);
(3.2)对第i个边缘带进行基于极坐标变换空间的霍夫变换,将第i个边缘带变换到极坐标参数空间中,获得相应参数空间矩阵H,其行对应着极角,列对应着极径,其数值对应着过该点直线数的累加值;
(3.3)对参数空间矩阵H进行峰值检测,保留矩阵H中数值最大的5个元素,若参数空间矩阵H中元素个数不足5个,则保留矩阵H的全部元素;
(3.4)将矩阵H中保留的元素反变换到二值图像中,得出每个元素对应的线段,保存线段上各像素点的图像坐标;
(3.5)若i<M,则令i的值自增1,返回至子步骤(3.2);若i=M,则结束霍夫变换过程。
5.如权利要求1所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,在步骤4之后,在步骤4得出的二值图像中,如果任一线段小于设定长度阈值,则将该线段舍去,否则,将对应线段保留;最终得出SAR图像电力线检测结果。
6.如权利要求5所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,所述设定长度阈值为110个像素点的总长度。
7.如权利要求1至6任一项所述的局部霍夫变换与形态学优化的SAR图像电力线检测方法,其特征在于,在步骤4中,所述设定距离阈值为40个像素点的总长度,所述设定夹角阈值为20度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168893.5A CN104751145B (zh) | 2015-04-10 | 2015-04-10 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168893.5A CN104751145B (zh) | 2015-04-10 | 2015-04-10 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751145A CN104751145A (zh) | 2015-07-01 |
CN104751145B true CN104751145B (zh) | 2017-10-13 |
Family
ID=53590802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510168893.5A Active CN104751145B (zh) | 2015-04-10 | 2015-04-10 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751145B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132675A (zh) * | 2017-11-23 | 2018-06-08 | 东南大学 | 一种工厂巡视无人机自主路径巡航以及智能避障方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426277B (zh) * | 2017-08-30 | 2022-11-08 | 广州极飞科技股份有限公司 | 移动轨迹规划的方法及装置 |
CN111045431B (zh) * | 2019-12-31 | 2022-05-27 | 芜湖哈特机器人产业技术研究院有限公司 | 基于色带的移动机器人导航方法及*** |
CN111695548B (zh) * | 2020-07-20 | 2022-12-13 | 内蒙古工业大学 | 基于毫米波雷达的高压线检测方法 |
CN112001906B (zh) * | 2020-08-24 | 2024-02-02 | 徐工汉云技术股份有限公司 | 一种结合非极大值抑制的钢板焊缝图像检测方法 |
CN112541405A (zh) * | 2020-11-27 | 2021-03-23 | 陕西海泰电子有限责任公司 | 一种非线性双频图的自动识别方法 |
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113807325B (zh) * | 2021-11-17 | 2022-02-22 | 南京三叶虫创新科技有限公司 | 一种基于图像处理的线型识别方法及*** |
CN114663713B (zh) * | 2022-05-20 | 2022-08-30 | 海门市博洋铸造有限公司 | 一种基于霍夫变换的金属拉丝生产控制方法及*** |
CN115237159B (zh) * | 2022-09-21 | 2023-09-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种采用无人机的电线巡检方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102255259A (zh) * | 2011-03-29 | 2011-11-23 | 山东鲁能智能技术有限公司 | 适合于无人飞行器的输电线路巡检装置 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN103810462A (zh) * | 2012-11-14 | 2014-05-21 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7457445B2 (en) * | 2004-03-01 | 2008-11-25 | Siemens Medical Solutions Usa, Inc. | Using corner pixels as seeds for detection of convex objects |
-
2015
- 2015-04-10 CN CN201510168893.5A patent/CN104751145B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102255259A (zh) * | 2011-03-29 | 2011-11-23 | 山东鲁能智能技术有限公司 | 适合于无人飞行器的输电线路巡检装置 |
CN103810462A (zh) * | 2012-11-14 | 2014-05-21 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
Non-Patent Citations (2)
Title |
---|
基于多种遥感数据的电力线走廊特征物提取方法研究;穆超;《中国博士学位论文全文数据库 基础科学辑》;20130915(第9期);参见正文第14,27页 * |
霍夫域极化相干性的雷达影像电力线检测;邓少平 等;《测绘科学》;20150228;第40卷(第2期);参见第66-71页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132675A (zh) * | 2017-11-23 | 2018-06-08 | 东南大学 | 一种工厂巡视无人机自主路径巡航以及智能避障方法 |
CN108132675B (zh) * | 2017-11-23 | 2020-02-21 | 东南大学 | 一种工厂巡视无人机自主路径巡航以及智能避障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104751145A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751145B (zh) | 局部霍夫变换与形态学优化的sar图像电力线检测方法 | |
CN102509089B (zh) | 逐行扫描识别斑马线及测量斑马线距离的方法 | |
CN104183133B (zh) | 一种采集和传输道路交通流动态信息的方法 | |
CN103984961A (zh) | 一种用于检测车底异物的图像检测方法 | |
CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及*** | |
CN102930280A (zh) | 从红外图像中自动识别架空高压线的方法 | |
CN104132942B (zh) | 一种基于无人机的水体富营养化检测与处理方法 | |
CN103559703A (zh) | 基于双目视觉的起重机障碍物监测及预警方法及*** | |
CN103148881A (zh) | 利用视频自动对指针式仪表进行读数的方法及装置 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及***、电子设备 | |
CN102831773A (zh) | 一种基于rfid的交通违规变道检测*** | |
CN107103654A (zh) | 一种货检安全检测监控和管理***和方法 | |
CN107097794B (zh) | 道路车道线的侦测***及其方法 | |
CN103049739A (zh) | 一种输电线路智能监控中树木检测方法 | |
CN104240239A (zh) | 一种基于道路图像探测局域路段雾霾天气的检测方法 | |
CN111176271B (zh) | 基于岸基雷达的智能船舶避碰辅助决策***及其实现方法 | |
US20210150694A1 (en) | Vehicle-based measurement of signal object integrity | |
CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及*** | |
CN103020627B (zh) | 一种特种车辆仪表指针的提取方法 | |
CN207473847U (zh) | 夜间交叉口行人过街安全信号*** | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及***、设备 | |
CN112597926A (zh) | 基于fod影像对飞机目标的识别方法、设备、存储介质 | |
CN113903180B (zh) | 一种高速公路检测车辆超速的方法及*** | |
CN105243360A (zh) | 一种基于距离搜索的舰船目标自组织聚类方法 | |
CN205827663U (zh) | 一种具有激光扫描和摄像功能的rfid读写器 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200724 Address after: 116085 412, floor 4, block a, comprehensive office building, No. 3, Kehai street, high tech Industrial Park, Dalian City, Liaoning Province Patentee after: Dalian Haifu Technology Co.,Ltd. Address before: Xi'an City, Shaanxi province Taibai Road 710071 No. 2 Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right |