CN111160122A - 一种飞机机型识别方法、装置及存储介质 - Google Patents
一种飞机机型识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111160122A CN111160122A CN201911264985.8A CN201911264985A CN111160122A CN 111160122 A CN111160122 A CN 111160122A CN 201911264985 A CN201911264985 A CN 201911264985A CN 111160122 A CN111160122 A CN 111160122A
- Authority
- CN
- China
- Prior art keywords
- airplane
- identified
- sample
- model
- video
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 230000036544 posture Effects 0.000 abstract description 5
- 238000001931 thermography Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种飞机机型识别方法、装置及存储介质,方法包括:通过空中目标探测设备获取飞机视频信息并进行解码,得到待识别样本图片;构建二分类器组,根据多个预设样本图片对二分类器组进行训练学习,得到二分类器组以及包括各飞机机型特征信息的特征库;将待识别样本图片输入二分类器组中,得到待识别样本图片特征,对待识别样本图片特征识别,得到飞机机型特征信息,根据飞机机型特征信息得到对应的飞机机型,并标记飞机机型获得一票;对飞机机型的票数进行统计,获得票数最多飞机机型则为待识别样本图片对应的机型。本发明对采集的飞机目标图像质量要求低,能够对飞机多种姿态进行识别,为塔台信号员判断飞机机型提供了有效地方法。
Description
技术领域
本发明主要涉及视频监控技术领域,具体涉及一种飞机机型方法、装置及存储介质。
背景技术
在地对空视频监控领域中,高清摄像机采集到的空中目标飞机因具有飞机机型和飞行姿态多样化、飞行速度快、视角角度等问题导致采集到的飞机图像会出现左右翼展不对称、背景亮度比前景亮度高等特点;在晚上,采用制冷型红外热成像采集的红外热成像图像与高清摄像机采集的图像具有相同的缺点。现有飞机机型识别技术中,对获取的飞机目标的图像要求较高,如需要获取飞机所在位置的经纬度。在视频监控领域中,高清摄像机与制冷型红外热成像都难以获取飞机目标的具体经纬度以及俯视图。因此,需要一种适用性高、对采集的飞机目标图像质量要求低、能识别一种机型具有多种姿态的飞机机型识别方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种飞机机型识别方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:一种飞机机型识别方法,包括如下步骤:
通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息得到对应的飞机机型,并标记所述飞机机型获得一票;
对所述飞机机型的票数进行统计,获得票数最多的飞机机型则为所述待识别样本图片对应的飞机机型。
本发明解决上述技术问题的另一技术方案如下:一种飞机机型识别装置,包括:
机型探测模块,用于通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
样本训练模块,用于构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
机型分析模块,用于将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息,得到对应的飞机机型,并标记所述飞机机型获得一票;
最终判定模块,用于对所述飞机机型的票数进行统计,当所述飞机机型票数最多时,则为所述待识别样本图片对应的飞机机型。
本发明解决上述技术问题的另一技术方案如下:一种飞机机型识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的飞机机型识别方法。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的飞机机型识别方法。
本发明的有益效果是:能够无论在白天还是晚上对空中的飞机进行有效地抓拍,适用性高,对采集的飞机目标图像质量要求低,并且能够对飞机多种姿态进行识别,为塔台信号员判断飞机机型提供了有效地方法。
附图说明
图1为本发明一实施例提供的飞机机型识别方法的流程示意图;
图2为本发明一实施例提供的飞机机型识别装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明一实施例提供的飞机机型识别方法的流程示意图。
如图1所示,一种飞机机型识别方法,包括如下步骤:
通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息得到对应的飞机机型,并标记所述飞机机型获得一票;
对所述飞机机型的票数进行统计,获得票数最多的飞机机型则为所述待识别样本图片对应的飞机机型。
具体地,所述预设样本图片包括各种飞机机型的飞行姿态图片及各个视觉角度的飞机图片;假设所述待识别样本图片的机型未知,利用AB分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为A机型,则标记A机型获得一票;AC分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为A机型,则再标记A机型获得一票;AD分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为A机型,则再标记A机型获得一票;BC分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为B机型,则标记B机型获得一票;BD分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为B机型,则再标记B机型获得一票;CD分类器的飞机机型特征信息对所述待识别样本图片特征的识别结果为C机型,则再标记C机型获得一票;最后再统计标记的票数,票数最多的机型为A机型,则所述待识别样本图片的识别机型结果为A机型。
应理解地,通过采集A、B、C、D四种机型的各种飞行姿态、各种视角角度的飞机图像作为所述预设样本图片,每种机型为500张所述预设样本图片。每种机型的所述预设样本图片两两组合进行训练学习,从而生成六个SVM二分类器及与所述预设样本图片相应的特征库:AB分类器、AC分类器、AD分类器、BC分类器、BD分类器、CD分类器;通过所述AB分类器、所述AC分类器、所述AD分类器、所述BC分类器、所述BD分类器、所述CD分类器的飞机机型特征信息依次对所述待识别样本图片特征进行识别,若与A机型的飞机机型特征信息相符,则标记A机型获得一票,若与B机型的飞机机型特征信息相符,则标记B机型获得一票;将六个二分类器标记的票数进行投票统计,若当A机型票数最多时,则判定所探测的飞机机型为A机型。
上述实施例中,能够无论在白天还是晚上对空中的飞机进行有效地抓拍,适用性高,对采集的飞机目标图像质量要求低,并且能够对飞机多种姿态进行识别,为塔台信号员判断飞机机型提供了有效地方法。
可选地,作为本发明的一个实施例,所述空中目标探测设备包括预先安装的视频收集设备以及监控终端;所述通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片的过程包括:
所述视频收集设备采集飞机视频信息,所述飞机视频信息包括视频流;
所述监控终端对所述视频流进行实时解码,获得视频帧图像,并通过对所述视频帧图像进行解码,得到RGB图像,对RGB图像进行转换,得到灰度图,将所述灰度图作为所述待识别样本图片。
应理解地,所述视频收集设备包括可见光摄像机、热成像摄像机、伺服转台、伺服控制和驱动装置;所述伺服控制和驱动装置控制所述伺服转台的转动方向并将所述伺服转台的伺服数据发送至所述监控终端中;所述伺服数据包括所述伺服转台的方位和俯仰状态;所述监控终端还可以控制热成像摄像机、可见光摄像机的焦距和聚焦及控制伺服转台的转动;所述监控终端使用海康SDK库函数对视频流实时解码,得到YUV格式视频帧图像,再将所述YUV格式视频帧图像使用YV12函数解码成RGB图,将所述RGB图使用cvCvtColor函数转换为所述灰度图。
具体地,所述空中目标探测设备由可见光摄像机、热成像摄像机、信息处理器、存储与传输处理器、监控终端组成;该探测设备通过可见光摄像机和热成像摄像机为空中目标探测设备的实时提供视频源,利用该视频源进行目标的识别及跟踪;伺服转台方位能够360°转动,俯仰能够-45°-45°转动,用于目标的跟踪及布控;伺服控制和驱动装置用于控制伺服转台的转动;信息处理器、存储与传输处理器用于信号的传输,监控终端主要用于视频的解码显示和对伺服转台的伺服数据进行显示,并能对可见光摄像机、热成像摄像机、伺服转台进行控制。
上述实施例中,能够无论在白天还是晚上对空中的飞机进行抓拍,适用性高,对采集的飞机目标图像质量要求低,并且能够对飞机多种姿态进行高清抓拍。
可选地,作为本发明的一个实施例,所述构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息的过程包括:
根据多分类法中的一对一分类法将多个所述预设样本图片进行两两组合,得到多个样本集合;
根据SVM二分类算法对多个所述样本集合进行训练学习,得到训练后的二分类组以及与所述预设样本图片相应的特征库。
应理解地,将n个所述预设样本图片进行两两组合,可以构建n(n-1)/2个训练集合,分别使用SVM二分类算法对训练集合进行学习,得到n(n-1)/2个二分类器。
上述实施例中,可以将飞机的多种图片进行分类区分,方便与待测的飞机的不同姿态进行比较。
图2为本发明一实施例提供的飞机机型识别装置的模块框图。
可选地,作为本发明的另一个实施例,如图2所示,一种飞机机型识别装置,包括:
机型探测模块,用于通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
样本训练模块,用于构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
机型分析模块,用于将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息,得到对应的飞机机型,并标记所述飞机机型获得一票;
最终判定模块,用于对所述飞机机型的票数进行统计,当所述飞机机型票数最多时,则为所述待识别样本图片对应的飞机机型。
可选地,作为本发明的一个实施例,所述空中目标探测设备包括预先安装的视频收集设备以及监控终端;所述机型探测模块具体用于:
所述视频收集设备获得所述飞机视频信息,所述飞机视频信息包括视频流;
所述监控终端对所述视频流进行实时解码,获得视频帧图像,并通过对所述视频帧图像进行解码,得到RGB图像,通过对RGB图像进行转换,得到灰度图,所述灰度图即为所述待识别样本图片。
可选地,作为本发明的一个实施例,所述样本训练模块具体用于:
根据多分类法中的一对一分类法将多个所述预设样本图片进行两两组合,得到多个样本集合;
根据SVM二分类算法对多个所述样本集合进行训练学习,得到训练后的二分类组以及与所述预设样本图片相应的特征库。
可选地,本发明的另一个实施例提供一种飞机机型识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的飞机机型识别方法。该装置可为计算机等装置。
可选地,本发明的另一个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的飞机机型识别方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种飞机机型识别方法,其特征在于,包括如下步骤:
通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息得到对应的飞机机型,并标记所述飞机机型获得一票;
对所述飞机机型的票数进行统计,获得票数最多的飞机机型则为所述待识别样本图片对应的飞机机型。
2.根据权利要求1所述的飞机机型识别方法,其特征在于,所述空中目标探测设备包括预先安装的视频收集设备以及监控终端;所述通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片的过程包括:
所述视频收集设备采集飞机视频信息,所述飞机视频信息包括视频流;
所述监控终端对所述视频流进行实时解码,获得视频帧图像,并通过对所述视频帧图像进行解码,得到RGB图像,对RGB图像进行转换,得到灰度图,将所述灰度图作为所述待识别样本图片。
3.根据权利要求2所述的飞机机型识别方法,其特征在于,所述构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息的过程包括:
根据多分类法中的一对一分类法将多个所述预设样本图片进行两两组合,得到多个样本集合;
根据SVM二分类算法对多个所述样本集合进行训练学习,得到训练后的二分类组以及与所述预设样本图片相应的特征库。
4.一种飞机机型识别装置,其特征在于,包括:
机型探测模块,用于通过预设的空中目标探测设备获取飞机视频信息并将所述飞机视频信息进行解码,得到待识别样本图片;
样本训练模块,用于构建二分类器组,并根据多个预设样本图片对所述二分类器组进行训练学习,得到训练后的二分类器组以及与所述预设样本图片相应的特征库,所述特征库包括各飞机机型特征信息;
机型分析模块,用于将所述待识别样本图片输入所述训练后的二分类器组中,通过所述训练后的二分类器组得到待识别样本图片特征,根据所述特征库中各飞机机型特征信息对所述待识别样本图片特征进行识别,得到对应的飞机机型特征信息,根据所述飞机机型特征信息,得到对应的飞机机型,并标记所述飞机机型获得一票;
最终判定模块,用于对所述飞机机型的票数进行统计,当所述飞机机型票数最多时,则为所述待识别样本图片对应的飞机机型。
5.根据权利要求4所述的飞机机型识别装置,其特征在于,所述空中目标探测设备包括预先安装的视频收集设备以及监控终端;所述机型探测模块具体用于:
所述视频收集设备获得所述飞机视频信息,所述飞机视频信息包括视频流;
所述监控终端对所述视频流进行实时解码,获得视频帧图像,并通过对所述视频帧图像进行解码,得到RGB图像,通过对RGB图像进行转换,得到灰度图,所述灰度图即为所述待识别样本图片。
6.根据权利要求5所述的飞机机型识别装置,其特征在于,所述样本训练模块具体用于:
根据多分类法中的一对一分类法将多个所述预设样本图片进行两两组合,得到多个样本集合;
根据SVM二分类算法对多个所述样本集合进行训练学习,得到训练后的二分类组以及与所述预设样本图片相应的特征库。
7.一种飞机机型识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至3任一项所述的飞机机型识别方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至3任一项所述的飞机机型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911264985.8A CN111160122A (zh) | 2019-12-11 | 2019-12-11 | 一种飞机机型识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911264985.8A CN111160122A (zh) | 2019-12-11 | 2019-12-11 | 一种飞机机型识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160122A true CN111160122A (zh) | 2020-05-15 |
Family
ID=70556914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911264985.8A Pending CN111160122A (zh) | 2019-12-11 | 2019-12-11 | 一种飞机机型识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160122A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930300A (zh) * | 2012-11-21 | 2013-02-13 | 北京航空航天大学 | 一种飞机目标识别方法及*** |
CN104318267A (zh) * | 2014-10-28 | 2015-01-28 | 常州大学 | 一种藏獒幼犬纯度的自动化识别*** |
CN105335688A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的飞机机型识别方法 |
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
CN108921219A (zh) * | 2018-07-03 | 2018-11-30 | 中国人民解放军国防科技大学 | 基于目标航迹的机型识别方法 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
CN110121109A (zh) * | 2019-03-22 | 2019-08-13 | 西安电子科技大学 | 面向监控***数字视频实时溯源方法、城市视频监控*** |
FR3103952A1 (fr) * | 2019-12-02 | 2021-06-04 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Méthode et système d’identification de notes jouées sur un instrument de musique à vent |
-
2019
- 2019-12-11 CN CN201911264985.8A patent/CN111160122A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930300A (zh) * | 2012-11-21 | 2013-02-13 | 北京航空航天大学 | 一种飞机目标识别方法及*** |
CN105335688A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的飞机机型识别方法 |
CN104318267A (zh) * | 2014-10-28 | 2015-01-28 | 常州大学 | 一种藏獒幼犬纯度的自动化识别*** |
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
CN108921219A (zh) * | 2018-07-03 | 2018-11-30 | 中国人民解放军国防科技大学 | 基于目标航迹的机型识别方法 |
CN110121109A (zh) * | 2019-03-22 | 2019-08-13 | 西安电子科技大学 | 面向监控***数字视频实时溯源方法、城市视频监控*** |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
FR3103952A1 (fr) * | 2019-12-02 | 2021-06-04 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Méthode et système d’identification de notes jouées sur un instrument de musique à vent |
Non-Patent Citations (3)
Title |
---|
曾接贤等: "基于多特征融合的多视点飞机目标识别算法", 《南昌航空大学学报(自然科学版)》 * |
朱旭锋等: "基于多不变量和多分类器融合的飞机识别", 《仪器仪表学报》 * |
齐兴: "结合主方向和SVM的人脸表情识别", 《廊坊师范学院学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9560323B2 (en) | Method and system for metadata extraction from master-slave cameras tracking system | |
WO2021042682A1 (zh) | 变电站异物识别方法、装置、***、电子设备和存储介质 | |
Mathe et al. | Actions in the eye: Dynamic gaze datasets and learnt saliency models for visual recognition | |
US10599926B2 (en) | Automated detection of nitrogen deficiency in crop | |
WO2019191142A1 (en) | Smart area monitoring with artificial intelligence | |
EP3223237B1 (en) | Systems and methods for detecting and tracking a marker | |
CN105405150B (zh) | 基于融合特征的异常行为检测方法和装置 | |
CN108932273B (zh) | 图片筛选方法及装置 | |
CN113393448A (zh) | 一种形变检测方法、装置、设备及计算机可读存储介质 | |
CN111160123B (zh) | 一种飞机目标识别方法、装置及存储介质 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN117115412A (zh) | 一种基于加权得分标签分配的小目标检测方法 | |
Jain et al. | A hybrid approach for detection and recognition of traffic text sign using MSER and OCR | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、***、电子设备及存储介质 | |
CN111160122A (zh) | 一种飞机机型识别方法、装置及存储介质 | |
Makrigiorgis et al. | How High can you Detect? Improved accuracy and efficiency at varying altitudes for Aerial Vehicle Detection | |
Mantini et al. | Camera Tampering Detection using Generative Reference Model and Deep Learned Features. | |
Qi et al. | Birdseyeview: aerial view dataset for object classification and detection | |
Babiceanu et al. | An onboard UAS visual privacy guard system | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN114550049A (zh) | 行为识别方法、装置、设备及存储介质 | |
Kaimkhani et al. | UAV with Vision to Recognise Vehicle Number Plates | |
CN113239931A (zh) | 一种物流站车牌识别的方法 | |
Costache et al. | Target audience response analysis in out-of-home advertising using computer vision | |
US20120141094A1 (en) | Method for generating training video and recognizing situation using composed video and apparatus thereof |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |