CN108491796A - 一种时域周期点目标检测方法 - Google Patents
一种时域周期点目标检测方法 Download PDFInfo
- Publication number
- CN108491796A CN108491796A CN201810240506.8A CN201810240506A CN108491796A CN 108491796 A CN108491796 A CN 108491796A CN 201810240506 A CN201810240506 A CN 201810240506A CN 108491796 A CN108491796 A CN 108491796A
- Authority
- CN
- China
- Prior art keywords
- target
- point
- image
- target point
- carried out
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种时域周期点目标检测方法,其包括以下步骤:将待检测对象的单帧原图转换成灰度图像,并对灰度图像进行噪声抑制,得到去噪图像;对去噪图像进行双差分联合二值化处理,得到候选目标二值图;对候选目标二值图进行连通域标记,得到一个单帧候选目标点集;进行空域特征分析及提取,剔除单帧候选目标点集的伪目标点;进行时域特征分析及提取,得到高度疑似目标点集;通过多帧信息综合判决,将时间长度最长的高度疑似目标作为真实目标。本发明降低了单帧检测的虚警概率,有效地降低了后续利用时域特征的多帧检测算法的计算复杂度,并有效地滤除了单帧检测难以排除的符合空域特征的伪目标点,实现了点目标检测。
Description
技术领域
本发明涉及目标检测领域,具体涉及一种时域周期点目标检测方法。
背景技术
目标检测技术是指在同时包含目标、背景和干扰的图像序列中,检出感兴趣图像区域(目标)的过程。能否在适当的时刻准确无误的将目标筛选出来,是该技术能否成功应用于实际工业生产环境及军事活动现场等相关领域的关键。近年来,目标检测技术中难度较高的点目标检测在军事领域、天文观测、远程监控等领域等具有广泛的应用。由于实际成像***与目标之间距离较远,导致目标在图像序列中呈现点状,占据面积较少(约数十个像素左右),边缘信息模糊,形态特征不够明显,纹理信息几乎完全缺失,相对而言,图像就会受到更多空间中的噪声和复杂背景的影响,对该类目标的检测和跟踪变得非常困难。
发明内容
针对现有技术中的上述不足,本发明提供的一种时域周期点目标检测方法提供了一种点目标的检测方法。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种时域周期点目标检测方法,其包括以下步骤:
S1、将待检测对象的单帧原图转换成灰度图像,并对灰度图像进行噪声抑制,得到去噪图像;
S2、对去噪图像进行双差分联合二值化处理,得到候选目标二值图;
S3、对候选目标二值图进行连通域标记,得到一个具有空域特征信息的单帧候选目标点集;
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取,剔除单帧候选目标点集的伪目标点;
S5、设定一个滑动窗口,并将其初始状态设定为待检测对象的前连续k帧图像,基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取,得到k帧原始图像序列的一组k帧高度疑似目标点集;将滑动窗口的后续状态设置为一次一帧的速度向前滑动,采用与初始状态相同的方法得到多组单帧高度疑似目标点集;
S6、计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度,将时间长度最长的高度疑似目标作为真实目标,实现点目标检测。
进一步地,步骤S2的具体方法为:
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波,得到背景估计图像IB1(x,y);采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算,得到背景估计图像IB2(x,y);
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理,并根据目标灰度与背景差异的统计分析设定全局静态阈值T,根据公式
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y),进而得到候选目标二值图IBn。
进一步地,步骤S3中空域特征信息包括计数、像素、形状、位置和灰度值。
进一步地,步骤S5中基于时间周期特征得到高度疑似目标点集的方法为:
分析各个候选目标时间周期特性,将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点,并将该伪目标点剔除,得到高度疑似目标点集。
进一步地,滑动窗口的初始状态设置为前连续4至8帧图像,即k=4、5、6、7或8,并优先取k=6。
本发明的有益效果为:
1、本发明综合了传统中值滤波和形态学开运算的优缺点。中值滤波在分离出目标的同时会引入符合目标空域特征的若干尖锐边缘噪声,即伪目标点。灰度图形态学开运算则由于会断开图像细小连接,导致将一些狭长的非目标区域拆分成若干符合空域特征的疑似目标,即伪目标点。通过双差分联合二值化操作可以将两者都分离出的目标留下,而将引入的不同特性伪目标点滤除,降低了单帧检测的虚警概率。
2、本发明的空域特征分析及提取部分,在利用双差分联合二值化得到候选目标二值图之后,再通过分析提取目标点的空域特征,剔除不符合空域特征的候选目标,进一步降低了单帧检测的虚警概率,有效地降低了后续利用时域特征的多帧检测算法的计算复杂度。
3、本发明的时域特征分析及提取部分,通过分析目标的时间周期特征,设定多帧关联情况下对于伪目标点的判决条件,即判定连续两帧中都出现的同一候选点以及在前后相邻k帧中仅单次出现过的候选点均为伪目标点,有效地滤除了单帧检测难以排除的符合空域特征的伪目标点。
附图说明
图1为本发明的流程图;
图2为实施例的灰度图像示意图;
图3为通过双差分联合二值化处理得到的图像;
图4为经过空域特征分析及提取之后得到的空域去噪图像;
图5为经过时域特征分析及提取之后得到的时域去噪图像;
图6为通过多帧信息综合判决输出的检测结果。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该时域周期点目标检测方法包括以下步骤:
S1、将待检测对象的单帧原图转换成灰度图像,并对灰度图像进行噪声抑制,得到去噪图像;
S2、对去噪图像进行双差分联合二值化处理,得到候选目标二值图;
S3、对候选目标二值图进行连通域标记,得到一个具有若干空域特征信息的单帧候选目标点集;
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取,剔除单帧候选目标点集的伪目标点;
S5、设定一个滑动窗口,并将其初始状态设定为待检测对象的前连续k帧图像,基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取,得到k帧原始图像序列的一组k帧高度疑似目标点集;将滑动窗口的后续状态设置为一次一帧的速度向前滑动,采用与初始状态相同的方法得到多组单帧高度疑似目标点集;
S6、将多组单帧高度疑似目标点集中的各个疑似目标与k帧高度疑似目标点集中的疑似目标进行对应,计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度,将时间长度最长的高度疑似目标作为真实目标,实现点目标检测。
步骤S2的具体方法为:
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波,得到背景估计图像IB1(x,y);采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算,得到背景估计图像IB2(x,y);
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理,并根据目标灰度与背景差异的统计分析设定全局静态阈值T,根据公式
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y),进而得到候选目标二值图IBn。
步骤S3中若干空域特征信息包括计数、像素、形状、位置和灰度值。
步骤S5中基于时间周期特征得到高度疑似目标点集的方法为:
分析各个候选目标时间周期特性,将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点,并将该伪目标点剔除,得到高度疑似目标点集。
步骤S6中将多组单帧高度疑似目标点集中的各个疑似目标与k帧高度疑似目标点集中的疑似目标进行对应的具体方法为:
不同帧中两个疑似目标的对应标准为:欧拉距离小于d、灰度差小于等于g且占据像素点的个数差小于等于p,其中d=5,g=20,p=5。
滑动窗口的初始状态设置为前连续4至8帧图像,即k=4、5、6、7或8,并优先取k=6。
在本发明的一个实施例中,输入当前帧灰度图像I,如下图2所示,其图像尺寸为1920*1080,设置小尺寸滤波器进行中值滤波,去除细微噪声,其尺寸大小为2*2的矩形结构元。以矩形结构元左上角元素I(x,y)为中心点,对包括中心点在内的四个像素点的灰度值进行排序,得到p1<p2<p3<p4,则:得到去噪图像I'(x,y)。
使用略大于目标面积的矩形结构元S1,其尺寸大小为10*10的矩形结构元,对去噪图像I'(x,y)进行较大尺寸中值滤波操作,获取背景图像IB1(x,y)。
使用略大于目标面积的圆形结构元S2,其尺寸为半径为2的圆盘形结构元,对去噪图像I'(x,y)进行灰度图形态学开运算,获取背景图像IB2(x,y)。
将上述步骤获取的背景图像IB1(x,y)和IB2(x,y)分别与去噪图像I'(x,y)进行差分处理,并根据目标灰度与背景灰度差异的统计分析设定全局静态阈值T,本发明所针对的点目标,其灰度信息一般比周围背景灰度高约20-50个灰度值,因此可以设定阈值为T=30。通过联合二值化操作得到候选目标二值图IBn,如图3所示的图像。对于二值图IBn中每一像素点IBn(x,y)进行如下求值:
对候选目标二值图IBn进行连通域标记,形成一个具有计数、像素、形状、位置以及灰度值的若干空域特征信息的单帧候选目标点集。
对目标进行空域特征分析及提取,本发明针对的点目标的形态特征为类似圆形,其高度和宽度差异不超过两个像素,最小面积不低于4个像素点,最大面积不大于50个像素点,剔除掉不符合上述特征的候选点,即伪目标点,得到如图4所示的图像。
设定一个滑动窗口K,初始状态为前连续k帧图像,在本发明中,令k=6帧即可达到较好的效果。将这k帧原始图像序列进行上述步骤处理之后,得到一组候选目标点集的序列。基于时间周期特征对目标进行时域特征分析及提取,判定连续两帧中都出现的同一候选点以及在前后相邻k帧中仅单次出现过的候选点均为噪声,即伪目标点。剔除掉伪目标点,得到k帧原始图像序列的一组高度疑似目标点集,得到如图5所示的图像。后续保持窗口以一次处理1帧的速度向前滑动。其中判定阶段,认定不同帧的两个候选点集中两个点为同一候选点的标准为:对于两点位置信息,其欧拉距离小于d;对于两点的灰度信息,其灰度差值不超过g;对于两点的面积大小,占据像素点的个数差不超过p。
对于每一个滑动窗口k中获取到的一组高度疑似目标点集的序列,计算序列中每个点集中的各个高度疑似目标在k长序列中出现的时间长度,其具体操作方式为,若该帧是k组点集序列中的第一帧,则将其作为初始化数据,对后续每帧的点,通过与初始化数据进行比较,利用目标对应的判定标准,若该点已存在于初始化数据中,则该点的时间长度加一,若该点不存在,则将其更新到初始化数据中去。处理完k帧点集序列后,选出时间长度最长的高度疑似目标,即为检测出的真实目标,得到如图6所示的图像。
Claims (5)
1.一种时域周期点目标检测方法,其特征在于:包括以下步骤:
S1、将待检测对象的单帧原图转换成灰度图像,并对灰度图像进行噪声抑制,得到去噪图像;
S2、对去噪图像进行双差分联合二值化处理,得到候选目标二值图;
S3、对候选目标二值图进行连通域标记,得到一个具有空域特征信息的单帧候选目标点集;
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取,剔除单帧候选目标点集的伪目标点;
S5、设定一个滑动窗口,并将其初始状态设定为待检测对象的前连续k帧图像,基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取,得到k帧原始图像序列的一组k帧高度疑似目标点集;将滑动窗口的后续状态设置为一次一帧的速度向前滑动,采用与初始状态相同的方法得到多组单帧高度疑似目标点集;
S6、计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度,将时间长度最长的高度疑似目标作为真实目标,实现点目标检测。
2.根据权利要求1所述的时域周期点目标检测方法,其特征在于:所述步骤S2的具体方法为:
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波,得到背景估计图像IB1(x,y);采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算,得到背景估计图像IB2(x,y);
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理,并根据目标灰度与背景差异的统计分析设定全局静态阈值T,根据公式
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y),进而得到候选目标二值图IBn。
3.根据权利要求1所述的时域周期点目标检测方法,其特征在于:所述步骤S3中空域特征信息包括计数、像素、形状、位置和灰度值。
4.根据权利要求1所述的时域周期点目标检测方法,其特征在于:所述步骤S5中基于时间周期特征得到高度疑似目标点集的方法为:
分析各个候选目标时间周期特性,将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点,并将该伪目标点剔除,得到高度疑似目标点集。
5.根据权利要求1-4任一所述的时域周期点目标检测方法,其特征在于:滑动窗口的初始状态设置为前连续4至8帧图像,即k=4、5、6、7或8,并优先取k=6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240506.8A CN108491796B (zh) | 2018-03-22 | 2018-03-22 | 一种时域周期点目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240506.8A CN108491796B (zh) | 2018-03-22 | 2018-03-22 | 一种时域周期点目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491796A true CN108491796A (zh) | 2018-09-04 |
CN108491796B CN108491796B (zh) | 2021-10-22 |
Family
ID=63319228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810240506.8A Expired - Fee Related CN108491796B (zh) | 2018-03-22 | 2018-03-22 | 一种时域周期点目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491796B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN113112519A (zh) * | 2021-04-23 | 2021-07-13 | 电子科技大学 | 基于感兴趣目标分布的关键帧筛选方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090237511A1 (en) * | 2008-03-18 | 2009-09-24 | Bae Systems Information And Electronic Systems Integration Inc. | Multi-window/multi-target tracking (mw/mt tracking) for point source objects |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN102254158A (zh) * | 2011-07-07 | 2011-11-23 | 中国科学院上海技术物理研究所 | 一种基于卡尔曼滤波的红外目标实时轨迹探测方法 |
CN102346910A (zh) * | 2010-07-30 | 2012-02-08 | 中国科学院空间科学与应用研究中心 | 一种基于单帧红外图像的点目标的实时检测方法 |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
CN103778629A (zh) * | 2014-01-15 | 2014-05-07 | 中国民航科学技术研究院 | 一种非相参雷达图像的背景模型实时更新方法 |
CN103914701A (zh) * | 2014-03-20 | 2014-07-09 | 燕山大学 | 一种基于图像的夜间车辆检测方法 |
US20140314270A1 (en) * | 2013-04-17 | 2014-10-23 | UtopiaCompression Corporation | Detection of floating objects in maritime video using a mobile camera |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN104966066A (zh) * | 2015-06-26 | 2015-10-07 | 武汉大学 | 一种面向交通卡口监控的车内人脸检测方法及*** |
CN104966054A (zh) * | 2015-06-11 | 2015-10-07 | 西安电子科技大学 | 无人机可见光图像中的弱小目标检测方法 |
CN106558066A (zh) * | 2016-11-29 | 2017-04-05 | 南昌航空大学 | 一种基于空时域联合滤波的运动目标检测方法 |
CN107194896A (zh) * | 2017-06-05 | 2017-09-22 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和*** |
-
2018
- 2018-03-22 CN CN201810240506.8A patent/CN108491796B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090237511A1 (en) * | 2008-03-18 | 2009-09-24 | Bae Systems Information And Electronic Systems Integration Inc. | Multi-window/multi-target tracking (mw/mt tracking) for point source objects |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
CN102346910A (zh) * | 2010-07-30 | 2012-02-08 | 中国科学院空间科学与应用研究中心 | 一种基于单帧红外图像的点目标的实时检测方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN102254158A (zh) * | 2011-07-07 | 2011-11-23 | 中国科学院上海技术物理研究所 | 一种基于卡尔曼滤波的红外目标实时轨迹探测方法 |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
US20140314270A1 (en) * | 2013-04-17 | 2014-10-23 | UtopiaCompression Corporation | Detection of floating objects in maritime video using a mobile camera |
CN103778629A (zh) * | 2014-01-15 | 2014-05-07 | 中国民航科学技术研究院 | 一种非相参雷达图像的背景模型实时更新方法 |
CN103914701A (zh) * | 2014-03-20 | 2014-07-09 | 燕山大学 | 一种基于图像的夜间车辆检测方法 |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN104966054A (zh) * | 2015-06-11 | 2015-10-07 | 西安电子科技大学 | 无人机可见光图像中的弱小目标检测方法 |
CN104966066A (zh) * | 2015-06-26 | 2015-10-07 | 武汉大学 | 一种面向交通卡口监控的车内人脸检测方法及*** |
CN106558066A (zh) * | 2016-11-29 | 2017-04-05 | 南昌航空大学 | 一种基于空时域联合滤波的运动目标检测方法 |
CN107194896A (zh) * | 2017-06-05 | 2017-09-22 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和*** |
Non-Patent Citations (9)
Title |
---|
XIANGZHI BAI等: "Analysis of new top-hat transformation and the application for infrared dim small target detection", 《PATTERN RECOGNITION》 * |
张冬云: "激光雷达红外点目标图像预处理技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
张江辉等: "空中红外小目标并行分割算法", 《光电工程》 * |
张超峰: "红外小目标图像预处理及检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
张飞等: "基于数学形态学的弱点状运动目标的检测", 《光学技术》 * |
徐华: "基于时域廓线的红外弱小目标检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
成天乐: "小目标检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
赵小明等: "基于移动式管道滤波的红外小目标检测方法研究", 《红外技术》 * |
陈玉丹等: "红外小目标检测中的背景预处理技术研究", 《科学技术与工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110135312B (zh) * | 2019-05-06 | 2022-05-03 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
CN113112519A (zh) * | 2021-04-23 | 2021-07-13 | 电子科技大学 | 基于感兴趣目标分布的关键帧筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108491796B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN110210360B (zh) | 一种基于视频图像目标识别的跳绳计数方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN111027382B (zh) | 一种基于注意力机制的轻量级人脸检测的方法及模型 | |
CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN106296726A (zh) | 一种天基光学序列图像中的空间目标检测跟踪方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CA2931741C (en) | Analysis of a multispectral image | |
CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN108491796A (zh) | 一种时域周期点目标检测方法 | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN110197490B (zh) | 基于深度学习的人像自动抠图方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN108257125A (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN107169996A (zh) | 一种视频中动态人脸识别方法 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测*** | |
Rudinac et al. | Saliency detection and object localization in indoor environments | |
CN114549642A (zh) | 一种低对比度红外弱小目标检测方法 | |
CN109215059A (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、***及存储介质 | |
CN112308887B (zh) | 一种多源图像序列实时配准方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211022 |
|
CF01 | Termination of patent right due to non-payment of annual fee |