CN108508425A - 一种雷达近地背景噪声下基于邻域特征的前景目标检测方法 - Google Patents
一种雷达近地背景噪声下基于邻域特征的前景目标检测方法 Download PDFInfo
- Publication number
- CN108508425A CN108508425A CN201810256423.8A CN201810256423A CN108508425A CN 108508425 A CN108508425 A CN 108508425A CN 201810256423 A CN201810256423 A CN 201810256423A CN 108508425 A CN108508425 A CN 108508425A
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- background model
- pixels
- detection method
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种雷达近地背景噪声下基于邻域特征的前景目标检测方法,包括:获取连续的N帧雷达图像,并通过公式将N帧雷达图像的所有帧的像素点相加取平均作为背景的估计,以建立出固定物体回波图的背景模型;建立背景模型下每一个像素点的样本集;根据雷达扫描线顺序获取当前雷达的单扇区图像;根据雷达扫描线顺序将当前单扇区的图像作为模板与背景模型进行模板匹配以寻找对应相同的区域,若匹配成功,则继续下面步骤;根据匹配结果,计算匹配成功扇区的当前像素值为中心的N*M像素块的像素均值和对应样本集中每个样本值的距离,当距离小于预设距离阈值R,则近似样本点数目增加,否则判定该像素块为背景,反之则为前景。本发明检测方法准确率高,且效率高。
Description
技术领域
本发明涉及雷达设备领域,具体涉及一种雷达近地背景噪声下基于邻域特征的前景目标检测方法。
背景技术
运动前景目标检测一直是视觉监控领域研究重点之一,其目的是从序列图像中将变化区域从背景图像中提取出来,运动前景对象的有效检测对于对象跟踪、目标分类、行为理解等后期处理至关重要,区分前景对象非常关键的一个问题是确定一个合适的背景,目前几种常用的方法主要有:帧差法,光流法等。帧差法难以提取出对象的完整区域,只能提取出边界;且对于慢速运动的物体,当物体在前后两帧中几乎完全重叠时,则检测不到物体;光流法计算复杂,很难实现实时处理。
在雷达技术领域中,雷达图像特征与光学图像特征有颇大的差别,雷达通过发射电磁波和接受回波对目标进行探测,雷达图像则是接收机接收散射回波所形成的图像;而摄像头则是通过收集物体反射的光然后转换成电信号,因此成像一般为可见光图像。因此雷达图像只包含物体反射信号强度信息且不受光照变化影响,即便在雷达固定的情况下,不同扫描周期的同一物体反射信号在成像上的形态也会有较大的变化,而且大小与脉冲宽度及波束宽度相关,目前,雷达前景目标检测方法中,通常把现有的前景动目标检测算法直接应用于雷达图像,导致提取到的运动前景的正确率及效率都不高。
发明内容
本发明为了解决现有技术存在的上述问题,提供了一种雷达近地背景噪声下基于邻域特征的前景目标检测方法,以解决现有的前景动目标检测算法直接应用于雷达图像,导致提取到的运动前景的正确率及效率都不高的问题。
为实现上述目的,本发明提供了一种雷达近地背景噪声下基于邻域特征的前景目标检测方法,包括以下步骤:
S1、获取连续的N帧雷达图像,并通过公式将N帧雷达图像的所有帧的像素点相加取平均作为背景的估计,以建立出固定物体回波图的背景模型,其中,BM为背景模型,N为当前所在帧而非所有帧;
S2、建立背景模型下每一个像素点的样本集;
S3、根据雷达扫描线顺序获取当前雷达的单扇区图像;
S4、根据雷达扫描线顺序将当前单扇区的图像作为模板与背景模型进行模板匹配以寻找对应相同的区域,若匹配成功,则继续下面步骤;若匹配不成功则丢弃,并处理下一扇区数据;
S5、根据匹配结果,计算匹配成功扇区的当前像素值为中心的N*M像素块的像素均值和对应样本集中每个样本值的距离,当距离小于预设距离阈值R,则近似样本点数目增加,且当近似样本点数目大于预设阈值#,则判定该像素块为背景,反之则为前景。
作为本发明的进一步优选技术方案,所述步骤S1中获取连续的N帧雷达图像后还包括:
对获取的N帧雷达图像分别进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理;
将预处理后的图像和参考图像进行图像配准,所述参考图像为首帧图像。
作为本发明的进一步优选技术方案,所述步骤S1中建立出固定物体回波图的背景模型具体包括:
采取不同的参数组合,建立多个背景模型具,其中,参数包括雷达工作模式、脉宽、波束宽度、增益、发射功率、季节、气象。
作为本发明的进一步优选技术方案,所述步骤S2建立背景模型下每一个像素点的样本集具体包括:
设背景模型下任一像素点为x,从x的24邻域随机选取20个像素,再分别计算以此20个像素为中心的N*M像素块的像素均值作为x的样本集:NG(x)={V1,V2,V3..........V20},NG(x)为x的样本集,v1,v2.....v20为20个样本值V(x),其中,24邻域为以x为中心的5*5的像素块除x外的其他24个像素点,V(x)为中心点在x的N*M的像素块的像素均值,该像素块的均值为像素块的所有像素点相加再除以像素块面积。
作为本发明的进一步优选技术方案,所述步骤S3中根据雷达扫描线顺序获取当前雷达的单扇区图像后还包括:
将获取的单扇区图像进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理。
作为本发明的进一步优选技术方案,所述步骤S4中的模板匹配过程中,单扇区的图像作为模板与背景模型进行模板匹配时,需在相应参数组合的背景模型中进行模板匹配。
作为本发明的进一步优选技术方案,所述前景目标检测方法还包括:采用自适应迭代的方法对背景模型更新。
作为本发明的进一步优选技术方案,所述背景模型更新采用三角递归函数进行计算,其公式为:
BM=(N-1)/N*BM+1/N*current
其中,BM为背景模型,current为当前得到的输入图像,N越大,更新速率越慢,否则,更新速率越块。
本发明的雷达近地背景噪声下基于邻域特征的前景目标检测方法可以达到如下有益效果:
1)与传统ViBe算法采用单帧建模的方法相比,本发明采用均值背景建模,此方法的优点是背景图像包含了像素点的时空分布信息,把回波信号形态不稳定的因素考虑进去且不会引入Ghost区域;
2)参数匹配像素块对比雷达图像中物体的成像大小与雷达参数相关,所以在前景检测的时候采用了像素块对比代替单像素对比的方法,可快速过滤掉噪声点提高算法的效率;
3)参数模型传统的ViBe是非参数模型,但由于雷达图像与雷达的脉宽及波束形状相关,并会随雷达参数的调整及使用时的天气状况而产生较大的变化,因此在改进的算法中我们把这些变化条件都设为可调整的参数,使算法具有更好地自适应,其参数包括雷达工作模式、脉宽、波束宽度、增益、发射功率、季节、气象(晴、多云、小雨、大雨、雾、沙尘)等;
4)扇区模型传统的视频检测算法均面对一帧图像进行处理,其前提是通过摄像头获得的图像是一次性获得,而雷达图像为按照方位顺序扫描获得,其图像形成周期较长,为了降低识别延时,在进行前景检测时我们采用单扇区与背景模型进行对比而非全图对比。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明雷达近地背景噪声下基于邻域特征的前景目标检测方法提供的一实例的方法流程图;
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合附图以及具体实施方式,对本发明做进一步描述。较佳实施例中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等用语,仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
如图1所示,雷达近地背景噪声下基于邻域特征的前景目标检测方法包括以下步骤:
步骤S1、获取连续的N帧雷达图像,并通过公式将N帧雷达图像的所有帧的像素点相加取平均作为背景的估计,以建立出固定物体回波图的背景模型,其中,BM为背景模型,N为当前所在帧而非所有帧;
雷达图像在传输过程中,图像数据打包后采用以顺序方式网络传输,其中,雷达一个天线扫描周期所得的图像,即雷达图像。
具体实施中,所述步骤S1中,获取连续的N帧雷达图像后还包括:
对获取的N帧雷达图像分别进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理,其中,低通滤波器的滑窗大小设置为物体最小尺寸的1/4,即方位和距离各设置为1/2,自适应阈值二值化的阈值选取以雷达图像的能量及雷达增益等作为参数进行自适应;
将预处理后的图像和参考图像进行图像配准,所述参考图像为首帧图像,采用图像配准可解决因雷达抖动等引起的图像轻微偏移的问题,同时提高***稳定性。
具体实施中,所述步骤S1中,建立出固定物体回波图的背景模型具体包括:
采取不同的参数组合,建立多个背景模型具,使用时各参数应与之对应,其中,参数包括雷达工作模式、脉宽、波束宽度、增益、发射功率、季节、气象,例如,定义雷达背景模型为某某工作状态下冬季沙尘天气模板或某某工作状态下夏季晴天模板等,由于雷达图像与雷达的脉宽及波束形状相关,并会随雷达参数的调整及使用时的天气状况而产生较大的变化,因此在改进的算法中我们把这些变化条件都设为可调整的参数,使算法可更好地自适应。
步骤S2、建立背景模型下每一个像素点的样本集;
具体实施中,所述步骤S2建立背景模型下每一个像素点的样本集具体包括:
设背景模型下任一像素点为x,从x的24邻域随机选取20个像素,再分别计算以此20个像素为中心的N*M(其中,N,M选取与脉冲宽度及波束宽度相关)像素块的像素均值作为x的样本集:NG(x)={V1,V2,V3..........V20},NG(x)为x的样本集,v1,v2.....v20为20个样本值V(x),其中,24邻域为以x为中心的5*5的像素块除x外的其他24个像素点,V(x)为中心点在x的N*M的像素块的像素均值,该像素块的均值为像素块的所有像素点相加再除以像素块面积。
步骤S3、根据雷达扫描线顺序获取当前雷达的单扇区图像;
雷达图像为按照方位顺序扫描获得,其图像形成周期较长,为了降低识别延时,在进行前景检测时我们使用单扇区与背景模型进行对比而非全图对比,从网络传输端口取得的雷达数据按扫描线顺序排序,缓冲单扇区数据进入检测处理。
具体实施中,所述步骤S3中,根据雷达扫描线顺序获取当前雷达的单扇区图像后还包括:
将获取的单扇区图像进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理,其单扇区图像为雷达当前图像,而雷达图像为雷达的全图,单扇区图像与雷达初始化中的雷达图像特征性质相似,两者为同一雷达在同一位置,不同天线扫描周期后所得到的图像,因此可用相同的预处理步骤对其进行预处理去噪。
步骤S4、根据雷达扫描线顺序将当前单扇区的图像作为模板与背景模型进行模板匹配以寻找对应相同的区域,若匹配成功,则继续下面步骤;若匹配不成功则丢弃,并处理下一扇区数据;该步骤S4执行步骤主要由于因雷达不可避免的存在抖动等因素,因此相邻两个扫描周期所得到的图像可能会有偏移;
具体实施中,所述步骤S4中的模板匹配过程中,单扇区的图像作为模板与背景模型进行模板匹配时,需在相应参数组合的背景模型中进行模板匹配,即单扇区图像,需采用与之对应参数组合下的背景模型进行匹配。
步骤S5、根据匹配结果,计算匹配成功扇区的当前像素值为中心的N*M像素块的像素均值和对应样本集中每个样本值的距离,当距离小于预设距离阈值R,则近似样本点数目增加,且当近似样本点数目大于预设阈值#,则判定该像素块为背景,反之则为前景。
所述预设阈值#可以由设计人员具体设定,例如其可预先通过多次实验得到符合条件的具体数值,在此不对其具体参数进行限制。
具体实施中,所述前景目标检测方法还包括:采用自适应迭代的方法对背景模型更新。
进一步优选地,所述背景模型更新采用三角递归函数进行计算,其公式为:
BM=(N-1)/N*BM+1/N*current
其中,BM为背景模型,current为当前得到的输入图像,N越大,更新速率越慢,否则,更新速率越块。此算法采用了非保守的更新策略,其不会把短时间内出现的目标归为背景,而对于新的固定物体如新建的大楼、其他大型固定物体等,经过一段时间的更新后也会归入背景模型中。
前景检测即把当前输入图像和模型初始化建立好的模板进行对比,以提取前景运动目标,本发明的核心思路与传统ViBe算法大致相比,不同之处在于,初始化建立背景模型中,为每个像素块存储了一个样本集,样本集中采样值就是该像素块在背景模型中对应区域的像素均值和其邻居点相应的像素块的像素均值,然后将每一个新值(即当前输入的雷达图像像素值)与样本集进行比较来判断是否属于背景点,使得运动前景的检测的正确率高,效率好。
虽然以上描述了本发明的具体实施方式,但是本领域熟练技术人员应当理解,这些仅是举例说明,可以对本实施方式做出多种变更或修改,而不背离本发明的原理和实质,本发明的保护范围仅由所附权利要求书限定。
Claims (8)
1.一种雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,包括以下步骤:
S1、获取连续的N帧雷达图像,并通过公式将N帧雷达图像的所有帧的像素点相加取平均作为背景的估计,以建立出固定物体回波图的背景模型,其中,BM为背景模型,N为当前所在帧而非所有帧;
S2、建立背景模型下每一个像素点的样本集;
S3、根据雷达扫描线顺序获取当前雷达的单扇区图像;
S4、根据雷达扫描线顺序将当前单扇区的图像作为模板与背景模型进行模板匹配以寻找对应相同的区域,若匹配成功,则继续下面步骤;若匹配不成功则丢弃,并处理下一扇区数据;
S5、根据匹配结果,计算匹配成功扇区的当前像素值为中心的N*M像素块的像素均值和对应样本集中每个样本值的距离,当距离小于预设距离阈值R,则近似样本点数目增加,且当近似样本点数目大于预设阈值#,则判定该像素块为背景,反之则为前景。
2.根据权利要求1所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述步骤S1中获取连续的N帧雷达图像后还包括:
对获取的N帧雷达图像分别进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理;
将预处理后的图像和参考图像进行图像配准,所述参考图像为首帧图像。
3.根据权利要求2所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述步骤S1中建立出固定物体回波图的背景模型具体包括:
采取不同的参数组合,建立多个背景模型具,其中,参数包括雷达工作模式、脉宽、波束宽度、增益、发射功率、季节、气象。
4.根据权利要求3所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述步骤S2建立背景模型下每一个像素点的样本集具体包括:
设背景模型下任一像素点为x,从x的24邻域随机选取20个像素,再分别计算以此20个像素为中心的N*M像素块的像素均值作为x的样本集:NG(x)={V1,V2,V3..........V20},NG(x)为x的样本集,v1,v2.....v20为20个样本值V(x),其中,24邻域为以x为中心的5*5的像素块除x外的其他24个像素点,V(x)为中心点在x的N*M的像素块的像素均值,该像素块的均值为像素块的所有像素点相加再除以像素块面积。
5.根据权利要求4所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述步骤S3中根据雷达扫描线顺序获取当前雷达的单扇区图像后还包括:
将获取的单扇区图像进行预处理,所述预处理方法包括低通滤波处理和自适应阈值二值化处理。
6.根据权利要求5所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述步骤S4中的模板匹配过程中,单扇区的图像作为模板与背景模型进行模板匹配时,需在相应参数组合的背景模型中进行模板匹配。
7.根据权利要求6所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述前景目标检测方法还包括:采用自适应迭代的方法对背景模型更新。
8.根据权利要求7所述的雷达近地背景噪声下基于邻域特征的前景目标检测方法,其特征在于,所述背景模型更新采用三角递归函数进行计算,其公式为:
BM=(N-1)/N*BM+1/N*current
其中,BM为背景模型,current为当前得到的输入图像,N越大,更新速率越慢,否则,更新速率越块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256423.8A CN108508425B (zh) | 2018-03-26 | 2018-03-26 | 雷达近地背景噪声下基于邻域特征的前景目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256423.8A CN108508425B (zh) | 2018-03-26 | 2018-03-26 | 雷达近地背景噪声下基于邻域特征的前景目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108508425A true CN108508425A (zh) | 2018-09-07 |
CN108508425B CN108508425B (zh) | 2020-08-04 |
Family
ID=63378669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810256423.8A Active CN108508425B (zh) | 2018-03-26 | 2018-03-26 | 雷达近地背景噪声下基于邻域特征的前景目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508425B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113994404A (zh) * | 2019-06-21 | 2022-01-28 | 松下电器产业株式会社 | 监视装置及监视方法 |
CN115320669A (zh) * | 2022-08-31 | 2022-11-11 | 南京慧尔视智能科技有限公司 | 基于雷达图的铁路来车检测方法、装置、设备及介质 |
CN115424455A (zh) * | 2022-08-31 | 2022-12-02 | 南京慧尔视智能科技有限公司 | 一种车辆预警方法、装置、电子设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN105184814A (zh) * | 2015-07-27 | 2015-12-23 | 成都天奥信息科技有限公司 | 基于多帧雷达图像的动目标检测跟踪方法 |
CN106447680A (zh) * | 2016-11-23 | 2017-02-22 | 湖南华诺星空电子技术有限公司 | 动态背景环境下雷达与视觉融合的目标检测与跟踪方法 |
CN107016691A (zh) * | 2017-04-14 | 2017-08-04 | 南京信息工程大学 | 基于超像素特征的运动目标检测方法 |
JP2017219377A (ja) * | 2016-06-06 | 2017-12-14 | 三菱電機株式会社 | 監視装置、監視方法及び空港監視システム |
-
2018
- 2018-03-26 CN CN201810256423.8A patent/CN108508425B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN105184814A (zh) * | 2015-07-27 | 2015-12-23 | 成都天奥信息科技有限公司 | 基于多帧雷达图像的动目标检测跟踪方法 |
JP2017219377A (ja) * | 2016-06-06 | 2017-12-14 | 三菱電機株式会社 | 監視装置、監視方法及び空港監視システム |
CN106447680A (zh) * | 2016-11-23 | 2017-02-22 | 湖南华诺星空电子技术有限公司 | 动态背景环境下雷达与视觉融合的目标检测与跟踪方法 |
CN107016691A (zh) * | 2017-04-14 | 2017-08-04 | 南京信息工程大学 | 基于超像素特征的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
尹宏鹏 等: "基于视觉的目标检测与跟踪综述", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113994404A (zh) * | 2019-06-21 | 2022-01-28 | 松下电器产业株式会社 | 监视装置及监视方法 |
CN113994404B (zh) * | 2019-06-21 | 2023-11-07 | 松下控股株式会社 | 监视装置及监视方法 |
CN115320669A (zh) * | 2022-08-31 | 2022-11-11 | 南京慧尔视智能科技有限公司 | 基于雷达图的铁路来车检测方法、装置、设备及介质 |
CN115424455A (zh) * | 2022-08-31 | 2022-12-02 | 南京慧尔视智能科技有限公司 | 一种车辆预警方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108508425B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN105427626B (zh) | 一种基于视频分析的车流量统计方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
Sen-Ching et al. | Robust techniques for background subtraction in urban traffic video | |
CN102494675B (zh) | 一种运动目标特征高速视觉捕捉方法 | |
CN107204006A (zh) | 一种基于双背景差分的静止目标检测方法 | |
CN104268519B (zh) | 基于模式匹配的图像识别终端及其识别方法 | |
CN104616290A (zh) | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 | |
CN107316321B (zh) | 多特征融合目标跟踪方法及基于信息熵的权值自适应方法 | |
CN108508425A (zh) | 一种雷达近地背景噪声下基于邻域特征的前景目标检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN111462027B (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
CN105095869A (zh) | 行人检测方法及装置 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN102663362A (zh) | 一种基于灰度特征的运动目标检测方法 | |
CN103106796A (zh) | 智能交通监控***中的车辆检测方法和装置 | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN108732570A (zh) | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 | |
CN106780390A (zh) | 基于边缘分类加权融合的单幅图像去雾方法 | |
CN111915558A (zh) | 一种高压输电线销钉状态检测方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
Hu et al. | Big data oriented novel background subtraction algorithm for urban surveillance systems |
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 |