CN111652034A - 一种基于sift算法的船只检索方法及装置 - Google Patents
一种基于sift算法的船只检索方法及装置 Download PDFInfo
- Publication number
- CN111652034A CN111652034A CN201911381393.4A CN201911381393A CN111652034A CN 111652034 A CN111652034 A CN 111652034A CN 201911381393 A CN201911381393 A CN 201911381393A CN 111652034 A CN111652034 A CN 111652034A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- feature
- target area
- target
- 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
Images
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于SIFT算法的船只检索方法及装置,其中,方法包括:获取待检测图像以及目标船只图像,在待检测图像中提取船只目标区域图像;根据SIFT算法得到船只目标区域图像和目标船只图像的关键点特征向量;根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性;当相似性高于第一阈值,返回船只目标区域图像,作为检测结果。通过实施本发明,利用SIFT算法得到船只目标区域图像以及目标船只图像中的关键点特征向量,再根据关键点特征向量计算船只目标区域图像以及目标船只图像的相似度,返回相似度超过第一阈值的船只目标区域图像,作为检测结果,能够实现不变特征提取,且在众多船只中准确检测出目标船只图像。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于SIFT算法的船只检索方法及装置。
背景技术
船只的运动情况作为临海区域感知信息的重要目标,是图像处理领域进行船只检测的重要内容。随着船只观测技术的进步,可获取的船只影像数据量快速增长。由于临海区域的船只数据中含有多种不同的场景,包括建筑区域、植被区域、山地、河流等,对于船只的识别和检索有较大干扰。研究如何从海量的船只影像数据中获取有效的目标船只,检索出需要的船只,成为了一个重要问题。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中不能对海量的船只影像数据中高效、快速获取有效目标船只的缺陷,从而提供一种基于SIFT算法的船只检索方法及装置。
根据第一方面,本实施例提供一种基于SIFT算法的船只检索方法,包括如下步骤:获取待检测图像以及目标船只图像,在所述待检测图像中提取船只目标区域图像;根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量;根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性;当相似性高于第一阈值,返回所述船只目标区域图像,作为检测结果。
结合第一方面,在第一方面第一实施方式中,所述根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量,具体包括:构建所述船只目标区域图像和所述目标船只图像的尺度空间,检测特征点,获得尺度不变性;过滤所述特征点,进行精确定位,剔除不稳定特征点;在所述特征点处提取特征描述符,为所述特征点分配方向值;生成特征描述子,根据特征描述符寻找匹配点;以特征点为中心取16*16的邻域作为采样窗口;将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;最后获得4*4*8的128维特征描述子。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述在所述待检测图像中提取船只目标区域图像,包括:将所述待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域图像。
结合第一方面第一实施方式,在第一方面第三实施方式中,所述检测特征点具体采用DOG算子。
结合第一方面,在第一方面第四实施方式中,所述根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性的方式是计算所述船只目标区域图像和所述目标船只图像中所述关键点特征向量的欧式距离。
根据第二方面,本实施例提供一种基于SIFT算法的船只检索装置,包括:图像获取模块,用于获取待检测图像以及目标船只图像,在所述待检测图像中提取船只目标区域图像;特征向量获取模块,用于根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量;相似性计算模块,用于根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性;检测结果获取模块,用于当相似性高于第一阈值,返回所述船只目标区域图像,作为检测结果。
结合第二方面,在第二方面第一实施方式中,所述特征向量获取模块,具体包括:尺度空间构建模块,用于构建所述船只目标区域图像和所述目标船只图像的尺度空间,检测特征点,获得尺度不变性;不稳定特征点剔除模块,用于过滤所述特征点,进行精确定位,剔除不稳定特征点;方向值分配模块,用于在所述特征点处提取特征描述符,为所述特征点分配方向值;描述子生成模块,用于生成特征描述子,根据特征描述符寻找匹配点;采样窗口获取模块,用于以特征点为中心取16*16的邻域作为采样窗口;直方图添加模块,用于将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;高维特征子获取模块,用于最后获得4*4*8的128维特征描述子。
结合第二方面,在第二方面第二实施方式中,所述相似性计算模块根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性的方式是计算所述船只目标区域图像和所述目标船只图像中所述关键点特征向量的欧式距离。
根据第三方面,本实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的基于SIFT算法的船只检索方法的步骤。
根据第四方面,本实施例提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的基于SIFT算法的船只检索方法的步骤。
本实施例提供的一种基于SIFT算法的船只检索方法,通过SIFT算法得到船只目标区域图像以及目标船只图像中的关键点特征向量,再根据关键点特征向量计算船只目标区域图像以及目标船只图像的相似度,返回相似度超过第一阈值的船只目标区域图像,作为检测结果,能够实现不变特征提取,且在众多船只中准确检测出目标船只图像。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于SIFT算法的船只检索方法的一个具体示例的流程图;
图2为本发明实施例中基于SIFT算法的船只检索装置的一个具体示例的原理框图;
图3为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种基于SIFT算法的船只检索方法,如图1所示,包括如下步骤:
S110,获取待检测图像以及目标船只图像,在待检测图像中提取船只目标区域图像。
示例性地,示例性地,待检测图像的获取方式可以是从无人机拍摄的船只视频图像中解帧得到,也可以是在遥感技术中拍摄的遥感影像中得到,本实施例不做限定,可以根据需要确定。
在待检测图像中提取船只目标区域图像的方式可以是在待检测图像中从左到右、从上到下滑动窗口,利用分类器识别目标,将图像变形转换成固定大小的图像,固定大小的图像被输入CNN分类器中,提取出4096个特征之后,使用SVM分类器识别属于船只的特征,并将识别为船只的检测数据返回得到船只目标区域图像。本实施例对在目标图像中提取船只目标区域图像的方式不做确定,可以根据需要确定。
S120,根据SIFT算法得到船只目标区域图像和目标船只图像的关键点特征向量。
根据SIFT算法得到船只目标区域图像和目标船只图像的关键点特征向量,具体包括:
首先,构建船只目标区域图像和目标船只图像的尺度空间,检测特征点,获得尺度不变性;其中,特征点的检测采用DOG算子。
其次,过滤特征点,进行精确定位,剔除不稳定特征点;特征点过滤采用的重复特征点过滤,每个特征点过滤两次,对可疑特征点重复过滤三次。
再次,在特征点处提取特征描述符,为特征点分配方向值;
下一步,生成特征描述子,根据特征描述符寻找匹配点;
然后,以特征点为中心取16*16的邻域作为采样窗口;16*16的子区域,在处理梯度幅度时都进行了类似于高斯函数的加权处理;
然后,将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;
最后,获得4*4*8的128维特征描述子,根据128维特征描述子得到关键点特征向量。
S130,根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性。
示例性地,根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性的方式可以是余弦相似度公式计算得到,也可以是利用欧式距离计算得到,本实施例不做限定,本领域技术人员可以根据需要确定。
S140,当相似性高于第一阈值,返回船只目标区域图像,作为检测结果。
示例性地,将得到的船只图像的相似度与第一阈值进行比较,将相似度大于第一阈值的船只图像作为检索结果,第一阈值可以是90%。本实施例对第一阈值大小不做限定,本领域技术人员可以根据需要确定。
本实施例提供的一种基于SIFT算法的船只检索方法,通过SIFT算法得到船只目标区域图像以及目标船只图像中的关键点特征向量,再根据关键点特征向量计算船只目标区域图像以及目标船只图像的相似度,返回相似度超过第一阈值的船只目标区域图像,作为检测结果,能够实现不变特征提取,且在众多船只中准确检测出目标船只图像。
作为本申请的一个可选实施方式,待检测图像中提取船只目标区域图像,包括:将待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域图像。
本实施例提供的预设的YOLO神经网络检测模型用于获取船只目标区域,YOLO神经网络具有速度快、精度高的特点,从而提高了整个基于SIFT特征提取的船只检索方法的精度和速度。
作为本申请的一个可选实施方式,根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性的方式是计算船只目标区域图像和目标船只图像中关键点特征向量的欧式距离。
示例性地,船只目标区域图像和目标船只图像中关键点特征向量的欧式距离越大,则相似性越低,欧式距离越小,则相似性越高。具体相似性的度量方式可以是对欧式距离的大小进行划分,比如,设定当欧式距离小于3,则认为相似性为90%。本实施例对相似性的度量方式不做限定,本领域技术人员根据需要确定。
本实施例提供一种基于SIFT算法的船只检索装置,如图2所示,包括:
图像获取模块210,用于获取待检测图像以及目标船只图像,在待检测图像中提取船只目标区域图像;
特征向量获取模块220,用于根据SIFT算法得到船只目标区域图像和目标船只图像的关键点特征向量;
相似性计算模块230,用于根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性;
检测结果获取模块240,用于当相似性高于第一阈值,返回船只目标区域图像,作为检测结果。
本实施例提供的一种基于SIFT算法的船只检索装置,通过SIFT算法得到船只目标区域图像以及目标船只图像中的关键点特征向量,再根据关键点特征向量计算船只目标区域图像以及目标船只图像的相似度,返回相似度超过第一阈值的船只目标区域图像,作为检测结果,能够实现不变特征提取,且在众多船只中准确检测出目标船只图像。
作为本申请的一个可选实施方式,上述特征向量获取模块220,具体包括:
尺度空间构建模块,用于构建船只目标区域图像和目标船只图像的尺度空间,检测特征点,获得尺度不变性;
不稳定特征点剔除模块,用于过滤特征点,进行精确定位,剔除不稳定特征点;
方向值分配模块,用于在特征点处提取特征描述符,为特征点分配方向值;
描述子生成模块,用于生成特征描述子,根据特征描述符寻找匹配点;
采样窗口获取模块,用于以特征点为中心取16*16的邻域作为采样窗口;
直方图添加模块,用于将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;
高维特征子获取模块,用于最后获得4*4*8的128维特征描述子。
作为本申请的一个可选实施方式,图像获取模块210,包括:
神经网络检测模块,用于将待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域图像。
作为本申请的一个可选实施方式,尺度空间构建模块中,检测特征点具体采用DOG算子。
作为本申请的一个可选实施方式,相似性计算模块根据关键点特征向量,确定船只目标区域图像和目标船只图像相似性的方式是计算船只目标区域图像和目标船只图像中关键点特征向量的欧式距离。
本实施例还提供一种电子设备,如图3所示,处理器310和存储器320,其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的基于SIFT算法的船只检索方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中,当被所述处理器310执行时,执行如图1所示实施例中的基于SIFT算法的船只检索方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中基于SIFT算法的船只检索方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于SIFT算法的船只检索方法,其特征在于,包括如下步骤:
获取待检测图像以及目标船只图像,在所述待检测图像中提取船只目标区域图像;
根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量;
根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性;
当相似性高于第一阈值,返回所述船只目标区域图像,作为检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量,具体包括:
构建所述船只目标区域图像和所述目标船只图像的尺度空间,检测特征点,获得尺度不变性;
过滤所述特征点,进行精确定位,剔除不稳定特征点;
在所述特征点处提取特征描述符,为所述特征点分配方向值;
生成特征描述子,根据特征描述符寻找匹配点;
以所述特征点为中心取16*16的邻域作为采样窗口;
将采样点与所述特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;
最后获得4*4*8的128维特征描述子,根据所述128维特征描述子得到所述关键点特征向量。
3.根据权利要求1所述的方法,其特征在于,所述在所述待检测图像中提取船只目标区域图像,包括:将所述待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域图像。
4.根据权利要求1所述的方法,其特征在于,所述检测特征点具体采用DOG算子。
5.根据权利要求1所述的方法,其特征在于,所述根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性的方式是计算所述船只目标区域图像和所述目标船只图像中所述关键点特征向量的欧式距离。
6.一种基于SIFT算法的船只检索装置,其特征在于,包括:
图像获取模块,用于获取待检测图像以及目标船只图像,在所述待检测图像中提取船只目标区域图像;
特征向量获取模块,用于根据SIFT算法得到所述船只目标区域图像和所述目标船只图像的关键点特征向量;
相似性计算模块,用于根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性;
检测结果获取模块,用于当相似性高于第一阈值,返回所述船只目标区域图像,作为检测结果。
7.根据权利要求6所述的装置,其特征在于,所述特征向量获取模块,具体包括:
尺度空间构建模块,用于构建所述船只目标区域图像和所述目标船只图像的尺度空间,检测特征点,获得尺度不变性;
不稳定特征点剔除模块,用于过滤所述特征点,进行精确定位,剔除不稳定特征点;
方向值分配模块,用于在所述特征点处提取特征描述符,为所述特征点分配方向值;
描述子生成模块,用于生成特征描述子,根据特征描述符寻找匹配点;
采样窗口获取模块,用于以特征点为中心取16*16的邻域作为采样窗口;
直方图添加模块,用于将采样点与所述特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图;
高维特征子获取模块,用于最后获得4*4*8的128维特征描述子。
8.根据权利要求6所述的装置,其特征在于,所述相似性计算模块根据所述关键点特征向量,确定所述船只目标区域图像和所述目标船只图像相似性的方式是计算所述船只目标区域图像和所述目标船只图像中所述关键点特征向量的欧式距离。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一所述的基于SIFT算法的船只检索方法的步骤。
10.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至5任一所述的基于SIFT算法的船只检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381393.4A CN111652034A (zh) | 2019-12-27 | 2019-12-27 | 一种基于sift算法的船只检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381393.4A CN111652034A (zh) | 2019-12-27 | 2019-12-27 | 一种基于sift算法的船只检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652034A true CN111652034A (zh) | 2020-09-11 |
Family
ID=72352338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381393.4A Pending CN111652034A (zh) | 2019-12-27 | 2019-12-27 | 一种基于sift算法的船只检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652034A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598070A (zh) * | 2020-12-25 | 2021-04-02 | 创新奇智(广州)科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113408615A (zh) * | 2021-06-16 | 2021-09-17 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
CN106056605A (zh) * | 2016-05-26 | 2016-10-26 | 西安空间无线电技术研究所 | 一种基于图像匹配的在轨高精度图像定位方法 |
CN108537238A (zh) * | 2018-04-13 | 2018-09-14 | 崔植源 | 一种遥感影像分类与检索方法 |
CN108806334A (zh) * | 2018-04-27 | 2018-11-13 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于图像的智能船舶身份识别方法 |
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
CN109977897A (zh) * | 2019-04-03 | 2019-07-05 | 厦门兴康信科技股份有限公司 | 一种基于深度学习的船舶特征重识别方法、应用方法及*** |
-
2019
- 2019-12-27 CN CN201911381393.4A patent/CN111652034A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
CN106056605A (zh) * | 2016-05-26 | 2016-10-26 | 西安空间无线电技术研究所 | 一种基于图像匹配的在轨高精度图像定位方法 |
CN108537238A (zh) * | 2018-04-13 | 2018-09-14 | 崔植源 | 一种遥感影像分类与检索方法 |
CN108806334A (zh) * | 2018-04-27 | 2018-11-13 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于图像的智能船舶身份识别方法 |
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
CN109977897A (zh) * | 2019-04-03 | 2019-07-05 | 厦门兴康信科技股份有限公司 | 一种基于深度学习的船舶特征重识别方法、应用方法及*** |
Non-Patent Citations (1)
Title |
---|
徐小茹: "基于YOLO目标分割的船舶识别算法研究", 《梧州学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598070A (zh) * | 2020-12-25 | 2021-04-02 | 创新奇智(广州)科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112598070B (zh) * | 2020-12-25 | 2023-07-28 | 创新奇智(广州)科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113408615A (zh) * | 2021-06-16 | 2021-09-17 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhuo et al. | Cloud classification of ground-based images using texture–structure features | |
US20180025239A1 (en) | Method and image processing apparatus for image-based object feature description | |
JP6211407B2 (ja) | 画像検索システム、画像検索装置、検索サーバ装置、画像検索方法、及び画像検索プログラム | |
CN112633297B (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN108681746A (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及*** | |
CN112633255B (zh) | 目标检测方法、装置及设备 | |
CN111553182A (zh) | 一种船只检索方法、装置及电子设备 | |
CN112668374A (zh) | 图像处理方法、装置、重识别网络的训练方法及电子设备 | |
CN111652034A (zh) | 一种基于sift算法的船只检索方法及装置 | |
CN111383246A (zh) | 条幅检测方法、装置及设备 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111695572A (zh) | 一种基于卷积层特征提取的船只检索方法及装置 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN114419599A (zh) | 障碍物识别方法、装置及电子设备 | |
Sun et al. | Pig detection algorithm based on sliding windows and PCA convolution | |
CN112966762A (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 | |
CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
CN114092850A (zh) | 重识别方法、装置、计算机设备和存储介质 | |
CN115908831B (zh) | 一种图像检测方法及装置 | |
CN113569600A (zh) | 物体重识别的方法、装置、电子设备及存储介质 | |
CN111079617A (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
Hänsch et al. | Machine-learning based detection of corresponding interest points in optical and SAR images | |
CN116363583A (zh) | 一种用于顶视角的人体识别方法、装置、设备及介质 | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium |
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: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |