CN108681691A - 一种基于无人水面艇的海上船艇快速检测方法 - Google Patents
一种基于无人水面艇的海上船艇快速检测方法 Download PDFInfo
- Publication number
- CN108681691A CN108681691A CN201810309174.4A CN201810309174A CN108681691A CN 108681691 A CN108681691 A CN 108681691A CN 201810309174 A CN201810309174 A CN 201810309174A CN 108681691 A CN108681691 A CN 108681691A
- Authority
- CN
- China
- Prior art keywords
- ships
- light boats
- water surface
- candidate frame
- target candidate
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于无人水面艇的海上船艇快速检测方法。海上船艇检测是无人水面艇(unmanned surface vehicle,USV)视觉***最主要的任务之一。本发明首先提取图像的边缘信息,并建立“目标性”评分函数获取目标候选框。然后,对海天环境下图像中的海天线进行检测,基于海天线预判再次筛选目标候选框。再然后,对船艇目标进行方向梯度直方图(Histograms of Oriented Gradient,HOG)特征建模,利用支持向量机,采用“自举法”迭代训练分类器。最后,将目标候选框的特征描述子输入到分类器中,进行船艇检测。与传统的检测方法相比,本发明提供的检测方法能够更加快速、准确地检测海上船艇目标,并且具有较高的检测率,对尺度以及光照条件的变化也具有较强的鲁棒性。
Description
技术领域
本发明涉及无人水面艇目标检测技术,具体涉及一种基于无人水面艇的海上船艇快速检测方法。
背景技术
无人水面艇(unmanned surface vehicle,USV)是一种新型的海上智能体,可以用来执行侦察、反潜、巡逻等军事任务以及搜救、导航、水文地理勘察等民用任务。其中,无人水面艇视觉***的作用是代替人眼对海上的目标以及障碍物进行检测、跟踪和测量,并进行场景和行为的理解。基于视觉的海上船艇检测是无人水面艇视觉***最主要的任务之一,是实现无人水面艇对海上船艇进行识别和跟踪的基础。因此研究海上船艇的特征模型和目标检测方法,对无人水面艇的发展具有重要意义。
传统的目标检测算法有一个共同点,均采用了“滑窗式”搜索策略。这种策略是通过将分类器在图像的每一个窗口位置上滑动遍历,来检测目标在图像中的位置。滑动窗口的数量和分类器的检测尺度是线性相关的。在单一尺度下,对于每张图像分类器大概需要测试104-105个窗口,在多尺度下,测试窗口的数量会以几个数量级增长。此外,现今的检测器还要求对目标的宽高比进行预测,那么测试窗口数量将会达到106-107个。显然,这种“穷尽式”的检测方法会生成很多冗余窗口,导致计算量大且非常耗时。所以很多采用这种方法的目标检测***,都会选择一些较简单的分类器。这些简单的分类器往往采用较弱的特征模型,得到较快的计算速度来弥补滑窗式搜索策略带来的弊端。但是,采用弱特征模型虽然提升了分类器的计算速度,却损失了检测率和检测精度。
通过以上分析,如果将这些滑窗式搜索策略的检测算法直接移植到无人水面艇视觉检测***中进行船艇检测,并且采用简单的分类器来弥补计算效率,那么船艇的检测率和检测精度将会大大降低,同时会产生更多的误报。如果采用更复杂的分类器,虽然能提升检测率、减少误报,但是滑窗式搜索策略的“穷尽式”特点会使整个检测过程非常耗时。这样,无人水面艇检测到的船艇位置信息将会失去及时性,从而对后续任务的执行产生一定的影响。
发明内容
发明目的在于针对现有技术中的缺陷以及水面特点,提供一种基于无人水面艇的海上船艇快速检测方法,能够更加快速、准确地检测海上船艇目标,并且具有较高的检测率,对尺度以及光照条件的变化也具有较强的鲁棒性。
为达到上述目的,本发明采用下述技术方案:
一种基于无人水面艇的海上船艇快速检测方法,采用无人水面艇视觉***进行操作,该视觉***包括摄像头、图像采集卡、工控机;其中,摄像头安装在无人水面艇的正上方,工控机安装固定在无人水面艇的艇舱中,通过IEEE 1394接口将摄像头连接到工控机上,图像采集卡通过PCI卡槽连接到工控机上,本方法操作步骤如下:
(1)对摄像头采集的图像进行降采样,得到降采样图像;
(2)利用边缘检测器,获取原始图像中每个像素点的边缘响应,将这些边缘响应组合在一起得到原始图像的边缘图;
(3)建立“目标性”评分函数,在边缘图中筛选目标候选框;
(4)检测海天线,基于海天线预判再次筛选目标候选框;
(5)对船艇目标进行方向梯度直方图,HOG特征建模,得到一个复杂的具有5796维的特征向量;
(6)利用支持向量机,采用“自举法”迭代训练分类器;
(7)将筛选后的目标候选框的特征描述子输入到分类器中,进行船艇检测,如果存在船艇,则输出船艇在图像中的位置信息。
与现有技术相比,本发明的有益效果是:
本发明提供的方法的检测速度可以达到几个数量级的提升,因此能够更加快速、准确地检测海上船艇目标,同时具有较高的检测率。此外,对尺度以及光照条件的变化也具有较强的鲁棒性。
附图说明
通过阅读参照以下附图和对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的***结构示意图;
图2为本发明的原理框图;
图3为本发明获取目标候选框示意图;
图4为本发明基于海天线筛选目标候选框示意图;
图5为本发明分类器训练流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明采用无人水面艇视觉***进行操作,该视觉***包括摄像头、图像采集卡、工控机等设备。其中,摄像头安装在无人水面艇的正上方距离艇头部约1.5米的位置,工控机安装固定在无人水面艇的艇舱中。通过IEEE 1394接口将摄像头连接到工控机上,图像采集卡通过PCI卡槽连接到工控机上。
如图2所示,本发明提供了一种基于无人水面艇的海上船艇快速检测方法。首先,提取图像的边缘信息,并建立“目标性”评分函数获取目标候选框。然后,对海天环境下图像中的海天线进行检测,基于海天线预判再次筛选目标候选框。再然后,对船艇目标进行方向梯度直方图(Histograms of Oriented Gradient,HOG)特征建模,利用支持向量机(Support Vector Machine,SVM),采用“自举法”迭代训练分类器。最后,将目标候选框的特征描述子输入到分类器中,进行船艇检测。与传统的检测方法相比,本发明提供的检测方法能够更加快速、准确地检测海上船艇目标,并且具有较高的检测率,对尺度以及光照条件的变化也具有较强的鲁棒性。
上述基于无人水面艇的海上船艇快速检测方法,具体包括以下步骤:
(1)对摄像头采集的图像进行降采样,将采集得到的1440×1080像素的图像降采样到640×480像素进行处理;
(2)如图3所示,利用边缘检测器,获取原始图像中每个像素点的边缘响应,将这些边缘响应组合在一起得到原始图像的边缘图,这样直接得到的边缘图相对比较紧密,通过执行一个非极大值抑制(Non-Maximal Suppression,NMS)获取边缘响应的局部最大值,从而得到一张相对稀疏的边缘图,如图3(b)所示。
(3)建立“目标性”评分函数,在边缘图中筛选目标候选框。具体步骤为:
给定边缘群组的集合si∈S,计算每对相邻边缘群组之间的相似度。对于边缘群组si和sj,它们之间的相似度a(si,sj)计算公式如下:
a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ
式中,θi和θj是两个边缘群组的平均方向,θij是它们的平均位置xi和xj之间的角度。γ值是用来控制方向对相似度的敏感性的,本方法中取γ=2。
给定边缘群组的集合S,并且计算得到它们两两之间相似度之后,通过建立一个评分函数对候选边界框b评分。计算边缘群组si中所有像素p的边缘值总和,记为mi。选取边缘群组si中任意一个像素的位置,记为
对于每一个边缘群组si,计算一个连续值wb(si)∈[0,1],用来衡量si是否完全包含在边界框b中。wb(si)的计算公式如下:
式中,T是开始于t1∈Sb,结束于t|T|=si的有序路径,a(tj,tj+1)为边缘群组之间的相似度。如果不存在这样的路径,令wb(si)=1。
利用计算所得的wb(si),对边界框b的评分公式如下:
式中,bw、bh分别是边界框的宽度和高度,wb(si)∈[0,1]衡量si是否完全包含在边界框b中,mi是边缘群组si中所有像素p的边缘值总和。由于更大的边界框会包含更多的边缘,本方法取κ=1.5抵消这个偏差。
由于处于边界框内部的边缘相比那些处于边界框附近的边缘,重要性要来得低。对评分公式进行改进,将边界框内部的边缘值从评分hb中减掉,改进后的评分公式如下:
式中,bw、bh分别是边界框的宽度和高度,bin的宽度和高度分别为bw/2和bh/2,mp为边缘图中每个像素p的边缘值大小,同理取κ=1.5。最后,选取1000个评分较大的边界框作为目标候选框。
(4)如图4所示,海天线将图像划分为三个区域:天空区域、海面区域和海天线区域。船艇在海上航行,只会处于海面区域和海天线区域,不会处于天空区域。基于这样一个特性,本发明进一步改进目标候选框生成方法,对1000个评分较大的目标候选框再次进行筛选,剔除掉完全处于海天线区域上方的目标候选框,如图4(a)中的红色方框所示。保留处于海天线下方以及与海天线相交的目标候选框,如图4(a)中的绿色方框所示。通过在边缘图上执行一个简单的Hough变化检测海天线,基于上述的海天线预判再次筛选目标候选框。
(5)本发明对船艇目标进行方向梯度直方图(Histograms of OrientedGradient,HOG)特征建模,根据船艇的外形特点,将船艇特征模型的宽高比设计为3:1,特征窗口的大小设计为192×64像素。HOG特征的细胞单元格尺寸设计为8×8像素。每个细胞单元格的直方图通道数目设置为9个。这样,船艇的HOG特征描述子的特征维数V计算公式如下:
(6)如图5所示,本发明利用线性核的支持向量机(Support Vector Machine,SVM),采用“自举法”迭代训练分类器。具体训练步骤如下:首先,初始的正样本是由船艇的所有真值框(Ground Truth)组成,总数为2000个。然后,选择与真值框重叠面积占20%-50%的目标候选框作为最初的负样本。为了避免选取近似的重复的负样本,将重叠面积超过70%的两个负样本,选择其中一个丢弃。最终,从所有负样本中随机选取10000个作为SVM训练的负样本。得到初始分类器之后,要进行一个再训练的过程。将初始分类器在负样本原图(不包含船艇目标)上进行船艇目标的检测,这样检测到的所有矩形框属于误报(FalsePositives)。这些误报的矩形框对于分类器是一个难例(Hard Example)。将这些难例保存为图像,加入到初始的负样本集合中,重新进行分类器的训练。这样,通过再训练得到的分类器就具有更好的分类能力,也就是检测船艇目标的能力。再训练的过程是可以迭代进行的,直到分类器的性能没有明显提升为止。
(7)将筛选后的目标候选框的特征描述子输入到分类器中,进行船艇检测。如果存在船艇,则输出船艇在图像中的位置信息。
Claims (5)
1.一种基于无人水面艇的海上船艇快速检测方法,采用无人水面艇视觉***进行操作,该视觉***包括摄像头、图像采集卡、工控机;其中,摄像头安装在无人水面艇的正上方,工控机安装固定在无人水面艇的艇舱中,通过IEEE 1394接口将摄像头连接到工控机上,图像采集卡通过PCI卡槽连接到工控机上,其特征在于,本方法操作步骤如下:
(1)对摄像头采集的图像进行降采样,得到降采样图像;
(2)利用边缘检测器,获取原始图像中每个像素点的边缘响应,将这些边缘响应组合在一起得到原始图像的边缘图;
(3)建立“目标性”评分函数,在边缘图中筛选目标候选框;
(4)检测海天线,基于海天线预判再次筛选目标候选框;
(5)对船艇目标进行方向梯度直方图,HOG特征建模,得到一个复杂的具有5796维的特征向量;
(6)利用支持向量机,采用“自举法”迭代训练分类器;
(7)将筛选后的目标候选框的特征描述子输入到分类器中,进行船艇检测,如果存在船艇,则输出船艇在图像中的位置信息。
2.根据权利要求1所述的一种基于无人水面艇的海上船艇快速检测方法,其特征在于:所述步骤(3)中建立“目标性”评分函数,在边缘图中筛选目标候选框具体为:
给定边缘群组的集合si∈S,计算每对相邻边缘群组之间的相似度,对于边缘群组si和sj,它们之间的相似度a(si,sj)计算公式如下:
a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ
式中,θi和θj是两个边缘群组的平均方向,θij是它们的平均位置xi和xj之间的角度,γ值是用来控制方向对相似度的敏感性的,本方法中取γ=2;
给定边缘群组的集合S,并且计算得到它们两两之间相似度之后,通过建立一个评分函数对候选边界框b评分,计算边缘群组si中所有像素p的边缘值总和,记为mi;选取边缘群组si中任意一个像素的位置,记为
对于每一个边缘群组si,计算一个连续值wb(si)∈[0,1],用来衡量si是否完全包含在边界框b中;wb(si)的计算公式如下:
式中,T是开始于t1∈Sb,结束于t|T|=si的有序路径,a(tj,tj+1)为边缘群组之间的相似度;如果不存在这样的路径,令wb(si)=1;
利用计算所得的wb(si),对边界框b的评分公式如下:
式中,bw、bh分别是边界框的宽度和高度,wb(si)∈[0,1]衡量si是否完全包含在边界框b中,mi是边缘群组si中所有像素p的边缘值总和;由于更大的边界框会包含更多的边缘,本方法取κ=1.5抵消这个偏差;
由于处于边界框内部的边缘相比那些处于边界框附近的边缘,重要性要来得低;对评分公式进行改进,将边界框内部的边缘值从评分hb中减掉,改进后的评分公式如下:
式中,bw、bh分别是边界框的宽度和高度,bin的宽度和高度分别为bw/2和bh/2,mp为边缘图中每个像素p的边缘值大小,同理取κ=1.5;最后,在边缘图中筛选目标候选框,选取1000个评分较大的边界框作为目标候选框。
3.根据权利要求1所述的一种基于无人水面艇的海上船艇快速检测方法,其特征在于:所述步骤(4)中检测海天线,基于海天线预判再次筛选目标候选框具体为:
海天线的检测是通过在边缘图上执行一个Hough变化,从而得到海天线在图像中的位置信息;船艇在海上航行,只会处于海面区域和海天线区域,不会处于天空区域;基于这样一个特性,对1000个评分较大的目标候选框再次进行筛选,剔除掉完全处于海天线区域上方的目标候选框,保留处于海天线下方以及与海天线相交的目标候选框。
4.根据权利要求1所述的一种基于无人水面艇的海上船艇快速检测方法,其特征在于:所述步骤(5)中对船艇目标进行方向梯度直方图特征建模具体为:
根据船艇的外形特点,将船艇特征模型的宽高比设计为3:1,特征窗口的大小设计为192×64像素,HOG特征的细胞单元格尺寸设计为8×8像素,每个细胞单元格的直方图通道数目设置为9个,这样,船艇的HOG特征描述子的特征维数V计算公式如下:
5.根据权利要求1所述的一种基于无人水面艇的海上船艇快速检测方法,其特征在于:所述步骤(6)中利用支持向量机迭代训练分类器具体为:
利用线性核的支持向量机,采用“自举法”迭代训练分类器,具体训练步骤如下:首先,初始的正样本是由船艇的所有真值框组成,总数为2000个;然后,选择与真值框重叠面积占20%-50%的目标候选框作为最初的负样本,为了避免选取近似的重复的负样本,将重叠面积超过70%的两个负样本,选择其中一个丢弃;最终,从所有负样本中随机选取10000个作为SVM训练的负样本,得到初始分类器之后,要进行一个再训练的过程;将初始分类器在负样本原图,即不包含船艇目标上进行船艇目标的检测,这样检测到的所有矩形框属于误报;这些误报的矩形框对于分类器是一个难例,将这些难例保存为图像,加入到初始的负样本集合中,重新进行分类器的训练,这样,通过再训练得到的分类器就具有更好的分类能力,也就是检测船艇目标的能力,再训练的过程是能够迭代进行的,直到分类器的性能没有明显提升为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309174.4A CN108681691A (zh) | 2018-04-09 | 2018-04-09 | 一种基于无人水面艇的海上船艇快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309174.4A CN108681691A (zh) | 2018-04-09 | 2018-04-09 | 一种基于无人水面艇的海上船艇快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108681691A true CN108681691A (zh) | 2018-10-19 |
Family
ID=63800769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810309174.4A Pending CN108681691A (zh) | 2018-04-09 | 2018-04-09 | 一种基于无人水面艇的海上船艇快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681691A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902692A (zh) * | 2019-01-14 | 2019-06-18 | 北京工商大学 | 一种基于局部区域深度特征编码的图像分类方法 |
CN110414413A (zh) * | 2019-07-25 | 2019-11-05 | 北京麒麟智能科技有限公司 | 一种基于人工智能的物流小车行人检测方法 |
ES2912040A1 (es) * | 2020-11-24 | 2022-05-24 | Iglesias Rodrigo Garcia | Sistema de entrega de un bien de consumo |
CN114863373A (zh) * | 2022-04-19 | 2022-08-05 | 华南理工大学 | 一种海上无人平台监控方法及海上无人监控平台 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533466A (zh) * | 2009-04-09 | 2009-09-16 | 南京壹进制信息技术有限公司 | 一种眼睛定位图像处理方法 |
CN201853971U (zh) * | 2010-11-16 | 2011-06-01 | 中国科学院沈阳自动化研究所 | 适用于大档距输电线路巡检的移动机器人 |
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 |
CN102998001A (zh) * | 2012-12-18 | 2013-03-27 | 四川九洲电器集团有限责任公司 | 一种目标检测*** |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
CN104239854A (zh) * | 2014-08-30 | 2014-12-24 | 电子科技大学 | 一种基于区域稀疏积分通道的行人特征提取和表示方法 |
US20150213059A1 (en) * | 2014-01-29 | 2015-07-30 | Raytheon Company | Method for detecting and recognizing boats |
CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN106022307A (zh) * | 2016-06-08 | 2016-10-12 | 中国科学院自动化研究所 | 基于船只旋转矩形空间的遥感图像船只检测方法 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
CN107016391A (zh) * | 2017-04-14 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 一种复杂场景工件识别方法 |
-
2018
- 2018-04-09 CN CN201810309174.4A patent/CN108681691A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533466A (zh) * | 2009-04-09 | 2009-09-16 | 南京壹进制信息技术有限公司 | 一种眼睛定位图像处理方法 |
CN201853971U (zh) * | 2010-11-16 | 2011-06-01 | 中国科学院沈阳自动化研究所 | 适用于大档距输电线路巡检的移动机器人 |
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 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN102998001A (zh) * | 2012-12-18 | 2013-03-27 | 四川九洲电器集团有限责任公司 | 一种目标检测*** |
CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
US20150213059A1 (en) * | 2014-01-29 | 2015-07-30 | Raytheon Company | Method for detecting and recognizing boats |
CN104239854A (zh) * | 2014-08-30 | 2014-12-24 | 电子科技大学 | 一种基于区域稀疏积分通道的行人特征提取和表示方法 |
CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN106022307A (zh) * | 2016-06-08 | 2016-10-12 | 中国科学院自动化研究所 | 基于船只旋转矩形空间的遥感图像船只检测方法 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
CN107016391A (zh) * | 2017-04-14 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 一种复杂场景工件识别方法 |
Non-Patent Citations (6)
Title |
---|
C. LAWRENCE ZITNICK 等: "Edge Boxes: Locating Object Proposals from Edges", 《ECCV 2014》 * |
MASIKKK: "用初次训练的SVM+HOG分类器在负样本原图上检测HardExample", 《HTTPS://BLOG.CSDN.NET/MASIBUAA/ARTICLE/DETAILS/16113373》 * |
MATEJ KRISTAN 等: "Fast Image-Based Obstacle Detection From Unmanned Surface Vehicles", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
SHENGXIANG QI 等: "Unsupervised Ship Detection Based on Saliency and S-HOG Descriptor From Optical Satellite Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
安博文 等: "基于 Hough 变换的海天线检测算法研究", 《红外技术》 * |
李小毛 等: "基于 3D 激光雷达的无人水面艇海上目标检测", 《上海大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902692A (zh) * | 2019-01-14 | 2019-06-18 | 北京工商大学 | 一种基于局部区域深度特征编码的图像分类方法 |
CN110414413A (zh) * | 2019-07-25 | 2019-11-05 | 北京麒麟智能科技有限公司 | 一种基于人工智能的物流小车行人检测方法 |
ES2912040A1 (es) * | 2020-11-24 | 2022-05-24 | Iglesias Rodrigo Garcia | Sistema de entrega de un bien de consumo |
CN114863373A (zh) * | 2022-04-19 | 2022-08-05 | 华南理工大学 | 一种海上无人平台监控方法及海上无人监控平台 |
CN114863373B (zh) * | 2022-04-19 | 2024-06-04 | 华南理工大学 | 一种海上无人平台监控方法及海上无人监控平台 |
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 | |
CN101981582B (zh) | 用于检测对象的方法和装置 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN108681691A (zh) | 一种基于无人水面艇的海上船艇快速检测方法 | |
Zhang et al. | Multi-scale adversarial network for vehicle detection in UAV imagery | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
CN109255317A (zh) | 一种基于双网络的航拍图像差异检测方法 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN104537689B (zh) | 基于局部对比显著性联合特征的目标跟踪方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN104123529A (zh) | 人手检测方法及*** | |
CN105930794A (zh) | 一种基于云计算的室内场景识别方法 | |
CN114926747A (zh) | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 | |
CN112200163B (zh) | 水下底栖生物检测方法及*** | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
CN109165603B (zh) | 一种舰船检测方法及装置 | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
Zhou et al. | A fusion algorithm of object detection and tracking for unmanned surface vehicles | |
Shi et al. | Obstacle type recognition in visual images via dilated convolutional neural network for unmanned surface vehicles | |
Zhu et al. | DiamondNet: Ship detection in remote sensing images by extracting and clustering keypoints in a diamond | |
Jiang et al. | A robust end-to-end deep learning framework for detecting Martian landforms with arbitrary orientations |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |
|
RJ01 | Rejection of invention patent application after publication |