CN112258525B - 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 - Google Patents
一种基于鸟类高帧频序列图像丰度统计和种群识别算法 Download PDFInfo
- Publication number
- CN112258525B CN112258525B CN202011184268.7A CN202011184268A CN112258525B CN 112258525 B CN112258525 B CN 112258525B CN 202011184268 A CN202011184268 A CN 202011184268A CN 112258525 B CN112258525 B CN 112258525B
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- target
- bird
- color
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000011160 research Methods 0.000 claims abstract description 13
- 230000036544 posture Effects 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 40
- 238000013178 mathematical model Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 29
- 238000005260 corrosion Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 4
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 241000894007 species Species 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
提供了一种基于遗传算法的KSW双阈值分割算法融合距离变换算法的高帧频序列图像鸟类丰度统计算法以及基于鸟类典型静态特征数据提取融合机器学习算法的高帧频序列图像鸟类种群识别算法的综合算法,该方法将多种算法的优势结合,利用高帧频序列图像作为研究对象,通过相邻两帧运动目标的位置变化预测飞鸟的运动轨迹,提取出有效的研究目标,利用距离变换操作提取出目标的骨架,经过形态学处理对目标中存在的粘连遮挡区域进行分离,进而对高密度鸟群的丰度进行准确统计,有效地解决现有方法难以对姿态多变、粘连严重的目标进行丰度统计的问题,进一步提高丰度统计的准确度。
Description
技术领域
该方法涉及图像处理方法,特别涉及基于鸟类高帧频序列图像丰度统计和种群识别算法,属于图像处理领域。
背景技术
生态环境逐渐成为考量政府政绩的重要指标之一,如何实现与自然的和谐共生成为社会亟待解决的问题,鸟类丰度统计和种群识别对生物学、环境保护以及国家的可持续发展具有重大意义,更是生态环境评估的重要参考依据;鸟类作为一种群居类动物,在进行静态高密度丰度统计的过程中常因为人类的视觉误差导致计数不准确甚至肉眼无法计数的状况,如果计数方法不能进行改进,会耗费大量的人力、物力和时间;同时,对于濒危的珍稀鸟类,通过分析其行为特征对其栖息地进行有效的保护。
目前,高密度飞鸟种群监测的有效方法是采用雷达和红外设备对相关区域进行全天大范围的监视,进而实现对飞鸟运动轨迹的预测;通常,对于高密度群体的丰度统计算法多应用于人类,利用深度学习的算法对重复出现的人群目标进行标定和大样本训练,得到图像中人群的数量;然而,这些方法难以对姿态多变、粘连重叠严重的目标进行丰度统计,故无法对对静态高密度鸟群进行丰度统计以及种类识别。
发明内容
针对现有方法存在的难以对静态高密度鸟类进行丰度统计以及无法自动识别飞鸟种类的缺陷,提供了一种基于遗传算法的KSW双阈值分割算法融合距离变换算法的高帧频序列图像鸟类丰度统计算法以及基于鸟类典型静态特征数据提取融合机器学习算法的高帧频序列图像鸟类种群识别算法的综合算法;该方法将多种算法的优势结合,利用高帧频序列图像作为研究对象,通过相邻两帧运动目标的位置变化预测飞鸟的运动轨迹,提取出有效的研究目标,利用距离变换操作提取出目标的骨架,经过形态学处理对目标中存在的粘连遮挡区域进行分离,进而对高密度鸟群的丰度进行准确统计,能够有效地解决现有方法难以对姿态多变、粘连严重的目标进行丰度统计的问题,采用高帧频序列图像还能够降低飞鸟运动过程中粘连甚至重叠区域的分离难度,进一步提高丰度统计的准确度;利用基于鸟类典型静态特征数据提取融合机器学习算法的高帧频序列图像鸟类种群识别算法,不仅能够把鸟类图像信息数据化,在压缩信息量的同时能够解决现有方法无法自动识别飞鸟种类的问题。
解决其技术问题所采用的的技术方案:一种基于高帧频序列图像的鸟类丰度统计算法和种群识别算法融合的综合算法,其特征包含以下步骤:
步骤一、鸟类高帧频序列图像获取流程如下:鸟类是一种群居动物,即高帧频序列图像中采集的目标均为同种飞鸟,由于鸟类飞行姿态多变,采集得到的目标呈现多种姿态和密度,根据帧间差分算法获得含有运动目标的高帧频序列图像;高帧频序列图像在相同时间内能够获得更多的视频帧序列,增加序列图像中的动态信息量,降低丰度统计过程中目标粘连甚至重叠的程度,同时大量保存了近距离大目标的特征信息;利用近距离的大目标进行种群识别,结合序列图像中存在的所有目标进行丰度统计,即能够同时达到丰度统计和种群识别的目标;改进的帧间差分法如下:
根据传统帧间差分法中第n帧和第n-1帧图像fn和fn-1中分别包含的像素点的灰度值fn(x,y)和fn-1(x,y),得到传统帧间差分法图像Dn(x,y),其数学模型表示为:
Dn(x,y)=|fn(x,y)-fn-1(x,y)|
利用高帧频序列图像,记视频序列中第n帧和第n+Δn帧图像分别为fn和fn+Δn,其包含的像素点的灰度值分别记为fn(x,y)和fn+Δn(x,y);Δn为一个无穷小量,表示极短的间隔时间,即认定在相同时间内能够采集到更多帧和动态信息;将相邻两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到第n帧和第n+Δn帧间的高帧频差分图像Dn+Δn-n(x,y),其数学模型表示为:
Dn+Δn-n(x,y)=|fn+Δn(x,y)-fn(x,y)|=δ
式中,δ是一个无穷小量,表示高帧频序列图像能够在相同时间内尽可能监测更多帧,能够减小相邻两帧间由于获取信息量不足导致的误差;
步骤二、图像前景目标提取方法依据基于遗传算法的KSW双阈值分割算法和泊松图像编辑算法,具体描述和改进如下:
a.KSW双阈值算法:熵代表信息量,图像的信息量越大,则熵就越大,KSW双阈值分割算法就是找出一个最佳阈值使得图像总熵最大化;
传统的KSW分割算法中给定图像I,灰度级数量为L,故每个像素点的灰度级范围为{0,1,...,L-1},则单阈值为t的图像其熵的测量值Ht为:
其中,pi为直方图中第i个像素点对应的灰度值出现的概率,利用单阈值t进行两类分割,则所有像素点对应的灰度值出现的总概率为第i个像素点的灰度值对应的熵/>得到的概率分布分别为:
则前景和背景对应的熵HA(t),HB(t)分别表示为:
本发明中将图像分割成为N类,故有N-1个阈值,记作{t1,t2,...,tN-1},设图像的灰度级范围为{0,1,...,L-1},则各类别对应的灰度值概率的分布Ck为:
由于研究对象为高帧频序列图像,相同时间内需要高效成批处理数据,故每个类别均存在范围为{0,1,...,L-1}的灰度值;区别于单个像素点,式中,表示各类别所有灰度值出现的总概率,k(1),k(2),...,k(L-1)表示各类别所对应的灰度级范围,均为{0,1,...,L-1},即/>表示各类别对应的灰度值出现的概率;
则各类别对应的熵Hk表示为:
熵的判别函数定义为使熵的判别函数最大的分割阈值为/>当N取3时,即得到KSW双阈值算法的数学模型
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算,给定输入图像I,前景和背景部分像素点的集合分别表示为F,B,其中为不透明度,则该图像表示为:
近似的遮罩梯度场表示为:
其中,表示一阶微分过程;
的重建通过泊松方程求解,泊松方程的数学模型表示为:
其中,div表示矢量的散度计算操作;
故局部泊松图像编辑的数学模型表示为:
其中,是由背景和目标引起的梯度场;
本发明通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定,计算掩膜梯度场,求解满足边界条件的泊松方程,从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标;
设对一个大目标用N个点进行边界标记,记边界pi,qi分别表示前景和背景中第i个像素的灰度值,设前景和背景像素点的数量分别为M1,,M2,对边界求一阶微分的数学模型表示为:
式中,表示一阶微分计算过程;
边界R将图像分割为目标区域和无效区域,利用二值化操作将目标区域提取出来,与原图像进行取交集操作,目标区域掩膜操作的数学模型表示为:
Ω(x,y)∩V(x,y)=W(x,y)
式中,Ω(x,y)为目标区域的像素值,V(x.y)为原图的像素值,W(x,y)为进行取交集后得到的彩色目标;
根据不同需求,对高帧频鸟类序列图像中的有效目标进行提取,采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取;
步骤三、遗传算法的数学模型:把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法,提高了迭代的速度,同时便于找到最优的分割阈值,达到最佳的前景目标提取效果;遗传算法将“优胜劣汰,适者生存”的思想引入了数据迭代的过程,每一代都继承上一代的信息,又优于上一代,使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度,当相邻两代的适应度之差小于设定值时,即认为种群稳定,完成进化,从而找到了最佳的分割阈值,具体描述如下:
a.染色体编码:采用步骤一中所述的KSW双阈值分割算法,进行16位二进制编码,前8位为一个阈值,后8位为一个阈值;
b.初始化操作:设置迭代次数为N次,N为正整数;
c.个体评价操作:将熵判别函数作为适应度函数,计算个体适应度;
d.选择操作:把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代;
e.交叉操作:随机产生2个交叉点位于前8位和后8位染色体,取交叉概率为0.6;
f.变异操作:采用二进制编码的方式按位取反,每一位都存在变异的可能;
g.终止操作:在KSW双阈值分割中,当相邻两代之间的适应度差异小于一定阈值时,认为获得了最佳分割阈值,完成进化;
步骤四、根据距离变换的数学模型:
a.当高帧频序列图像中存在两点时,利用欧式距离公式能够得到两点间的距离;
b.给经过步骤三操作后得到的二值化目标中每个像素赋值,计算离它最近的背景像素点与其之间的平面欧式距离,能够得到距离矩阵,目标区域中距离边界越远的点越亮,反之越暗,使得研究对象的骨架雏形显现;
a.利用距离变换对目标进行骨架提取,建立一个大小为M×N的数组F,利用掩膜1mask1和掩膜2mask2从左上角和右下角分别对掩膜像素点K所对应的元素的值进行更新,两个方向上的元素值分别表示为FL(K),FR(K),从而得到目标骨架,其数学模型分别为:
其中,D(K,e)表示像素点K和图像中任意一点e间的欧式距离,F(K),F(e)分别表示像素点K、e在数组F中对应的元素值;
通过连续腐蚀的操作来实现对研究对象的骨架提取,腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀;根据腐蚀的先后顺序,能够得到前景区域中各个像素点到前景中心骨架像素点的距离;根据各个像素点的距离值,设置为不同的灰度值,即完成了二值图像的距离变换操作,得到研究目标的骨架,使得粘连重叠区域分离,具体过程表示为:
<1>预定义腐蚀前后边界之差dt;
<2>选定初始区域为目标的连通域;
<3>依据离步骤二泊松图像编辑得到目标边界的欧氏距离远近程度将目标区域像素点分为λ1,λ2两组,λ1距离边界点远,λ2距离边界点近,即λ1的亮度比λ2强;
<4>根据连续腐蚀的数学模型迭代n次,计算出新的区域/>即为最终的目标骨架;
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀,分离目标中存在的粘连甚至重叠区域,提高计数准确性;对步骤四得到的目标骨架进行形态学处理后,利用连通域统计的方法对分割后的飞鸟目标进行计数;
步骤五、静态典型特征提取算法描述如下:
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标,由于高帧频鸟类序列图像中包含多种姿态的近距离大目标,即较单帧图像更完整地包含了该种飞鸟的特征信息;由于飞鸟在飞行过程中姿态在不停变化,故轮廓会实时变化,不具有代表性,因此选择颜色和纹理特征作为飞鸟典型静态特征,利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取;
a.颜色矩算法:是将图像中的颜色分布用矩的形式进行表示的一种算法,由于图像的颜色信息都分布在图像的低阶矩中,因此利用图像的一阶矩,二阶矩和三阶矩对颜色分布进行表示足以能满足需求;仅通过颜色矩的九个特征值就能对图像的颜色进行特征提取,算法计算量小,运行速度快,
b.特殊色标定算法:YCbCr颜色空间是YUV颜色空间的一种变形形式,其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像,降低了三通道彩色图像的信息量;通过设定Y,Cb,Cr的阈值来确定飞鸟特殊部位的颜色所在的位置,能够作为鸟类种类识别的一个重要筛选器;
c.灰度共生矩阵算法:取图像中一点(x,y)到距离为d的像素点进行各自灰度值统计,形成“灰度对”(g1,g2);从图像中某点出发,对四个方向角上进行扫描,统计图像灰度值在方向,距离和变化幅度上的综合信息,其矩阵包含角二阶矩,相关性,对比度和熵这四个特征值,在对飞鸟样本进行纹理特征提取的过程中,对这四个值分别求均值和方差,最终得到八个描述纹理特征的特征值;
步骤六、特征数据匹配算法描述如下:
采用KNN算法对提取得到的特征数据进行匹配,利用待测数据与训练集数据中的所有数据进行距离计算和比较;
根据KNN算法将颜色矩特征数据,纹理特征数据分别作为一个特征匹配的筛选器,与步骤五种所述的特殊色标定筛选器结合,达到自动识别鸟类种群的目标。
本发明的有益效果是:利用高帧频序列图像,通过将基于遗传算法的KSW双阈值分割算法及距离变换算法相融合,采用这种融合算法能够实现对静态高密度鸟类丰度进行统计,进一步解决了现有方法中存在的难以对姿态多变、粘连重叠严重的目标进行丰度统计的问题;通过基于鸟类典型静态特征数据提取的机器学习算法对复杂背景下的鸟类进行种群识别;高帧频序列图像中包含了大量的动态信息,能够降低丰度统计过程中降低粘连甚至重叠区域的分离难度,使得计数准确性大幅度地提高,且能够获得近距离大目标和远距离小目标共存的序列图像;在进行准确计数和识别的同时能够更好地衡量该地区生态***的健康状况,进而促进人与自然的和谐共生。
下面结合附图和实例对作详细说明。
附图说明:
附图1:前景提取算法流程图;(a)为基于遗传算法的KSW双阈值分割流程,(b)为泊松图像编辑流程;
附图2:基于遗传算法的KSW双阈值分割算法融合距离变换算法的高密度鸟类高帧频序列图像的丰度统计算法流程图;
附图3:基于鸟类典型静态特征数据提取融合机器学习算法的高帧频鸟类序列图像种群识别算法。
具体实施方式:
参照附图1—附图3。
步骤一、鸟类高帧频序列图像获取流程如下:鸟类是一种群居动物,即高帧频序列图像中采集的目标均为同种飞鸟,由于鸟类飞行姿态多变,采集得到的目标呈现多种姿态和密度,根据帧间差分算法获得含有运动目标的高帧频序列图像;高帧频序列图像在相同时间内能够获得更多的视频帧序列,增加序列图像中的动态信息量,降低丰度统计过程中目标粘连甚至重叠的程度,同时大量保存了近距离大目标的特征信息;利用近距离的大目标进行种群识别,结合序列图像中存在的所有目标进行丰度统计,即能够同时达到丰度统计和种群识别的目标;改进的帧间差分法如下:
根据传统帧间差分法中第n帧和第n-1帧图像fn和fn-1中分别包含的像素点的灰度值fn(x,y)和fn-1(x,y),得到传统帧间差分法图像Dn(x,y),其数学模型表示为:
Dn(x,y)=|fn(x,y)-fn-1(x,y)
利用高帧频序列图像,记视频序列中第n帧和第n+Δn帧图像分别为fn和fn+Δn,其包含的像素点的灰度值分别记为fn(x,y)和fn+Δn(x,y);Δn为一个无穷小量,表示极短的间隔时间,即认定在相同时间内能够采集到更多帧和动态信息;将相邻两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到第n帧和第n+Δn帧间的高帧频差分图像Dn+Δn-n(x,y),其数学模型表示为:
Dn+Δn-n(x,y)=|fn+Δn(x,y)-fn(x,y)|=δ
式中,δ是一个无穷小量,表示高帧频序列图像能够在相同时间内尽可能监测更多帧,能够减小相邻两帧间由于获取信息量不足导致的误差;
步骤二、图像前景目标提取方法依据基于遗传算法的KSW双阈值分割算法和泊松图像编辑算法,具体描述和改进如下:
b.KSW双阈值算法:熵代表信息量,图像的信息量越大,则熵就越大,KSW双阈值分割算法就是找出一个最佳阈值使得图像总熵最大化;
传统的KSW分割算法中给定图像I,灰度级数量为L,故每个像素点的灰度级范围为{0,1,...,L-1},则单阈值为t的图像其熵的测量值Ht为:
其中,pi为直方图中第i个像素点对应的灰度值出现的概率,利用单阈值t进行两类分割,则所有像素点对应的灰度值出现的总概率为第i个像素点的灰度值对应的熵/>得到的概率分布分别为:
则前景和背景对应的熵HA(t),HB(t)分别表示为:
本发明中将图像分割成为N类,故有N-1个阈值,记作{t1,t2,...,tN-1},设图像的灰度级范围为{0,1,...,L-1},则各类别对应的灰度值概率的分布Ck为:
由于研究对象为高帧频序列图像,相同时间内需要高效成批处理数据,故每个类别均存在范围为{0,1,...,L-1}的灰度值;区别于单个像素点,式中,表示各类别所有灰度值出现的总概率,k(1),k(2),...,k(L-1)表示各类别所对应的灰度级范围,均为{0,1,...,L-1},即/>表示各类别对应的灰度值出现的概率;
则各类别对应的熵Hk表示为:
熵的判别函数定义为使熵的判别函数最大的分割阈值为/>当N取3时,即得到KSW双阈值算法的数学模型
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算,给定输入图像I,前景和背景部分像素点的集合分别表示为F,B,其中为不透明度,则该图像表示为:
近似的遮罩梯度场表示为:
其中,表示一阶微分过程;
的重建通过泊松方程求解,泊松方程的数学模型表示为:
其中,div表示矢量的散度计算操作;
故局部泊松图像编辑的数学模型表示为:
其中,是由背景和目标引起的梯度场;
本发明通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定,计算掩膜梯度场,求解满足边界条件的泊松方程,从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标;
设对一个大目标用N个点进行边界标记,记边界pi,qi分别表示前景和背景中第i个像素的灰度值,设前景和背景像素点的数量分别为M1,,M2,对边界求一阶微分的数学模型表示为:
式中,表示一阶微分计算过程;
边界R将图像分割为目标区域和无效区域,利用二值化操作将目标区域提取出来,与原图像进行取交集操作,目标区域掩膜操作的数学模型表示为:
Ω(x,y)∩V(x,y)=W(x,y)
式中,Ω(x,y)为目标区域的像素值,V(x.y)为原图的像素值,W(x,y)为进行取交集后得到的彩色目标;
根据不同需求,对高帧频鸟类序列图像中的有效目标进行提取,采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取;
步骤三、遗传算法的数学模型:把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法,提高了迭代的速度,同时便于找到最优的分割阈值,达到最佳的前景目标提取效果;遗传算法将“优胜劣汰,适者生存”的思想引入了数据迭代的过程,每一代都继承上一代的信息,又优于上一代,使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度,当相邻两代的适应度之差小于设定值时,即认为种群稳定,完成进化,从而找到了最佳的分割阈值,具体描述如下:
a.染色体编码:采用步骤一中所述的KSW双阈值分割算法,进行16位二进制编码,前8位为一个阈值,后8位为一个阈值;
b.初始化操作:设置迭代次数为N次,N为正整数;
c.个体评价操作:将熵判别函数作为适应度函数,计算个体适应度;
d.选择操作:把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代;
e.交叉操作:随机产生2个交叉点位于前8位和后8位染色体,取交叉概率为0.6;
f.变异操作:采用二进制编码的方式按位取反,每一位都存在变异的可能;
g.终止操作:在KSW双阈值分割中,当相邻两代之间的适应度差异小于一定阈值时,认为获得了最佳分割阈值,完成进化;
步骤四、根据距离变换的数学模型:
a.当高帧频序列图像中存在两点时,利用欧式距离公式能够得到两点间的距离;
b.给经过步骤三操作后得到的二值化目标中每个像素赋值,计算离它最近的背景像素点与其之间的平面欧式距离,能够得到距离矩阵,目标区域中距离边界越远的点越亮,反之越暗,使得研究对象的骨架雏形显现;
b.利用距离变换对目标进行骨架提取,建立一个大小为M×N的数组F,利用掩膜1mask1和掩膜2mask2从左上角和右下角分别对掩膜像素点K所对应的元素的值进行更新,两个方向上的元素值分别表示为FL(K),FR(K),从而得到目标骨架,其数学模型分别为:
其中,D(K,e)表示像素点K和图像中任意一点e间的欧式距离,F(K),F(e)分别表示像素点K、e在数组F中对应的元素值;
通过连续腐蚀的操作来实现对研究对象的骨架提取,腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀;根据腐蚀的先后顺序,能够得到前景区域中各个像素点到前景中心骨架像素点的距离;根据各个像素点的距离值,设置为不同的灰度值,即完成了二值图像的距离变换操作,得到研究目标的骨架,使得粘连重叠区域分离,具体过程表示为:
<1>预定义腐蚀前后边界之差dt;
<2>选定初始区域为目标的连通域;
<3>依据离步骤二泊松图像编辑得到目标边界的欧氏距离远近程度将目标区域像素点分为λ1,λ2两组,λ1距离边界点远,λ2距离边界点近,即λ1的亮度比λ2强;
<4>根据连续腐蚀的数学模型迭代n次,计算出新的区域/>即为最终的目标骨架;
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀,分离目标中存在的粘连甚至重叠区域,提高计数准确性;对步骤四得到的目标骨架进行形态学处理后,利用连通域统计的方法对分割后的飞鸟目标进行计数;
步骤五、静态典型特征提取算法描述如下:
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标,由于高帧频鸟类序列图像中包含多种姿态的近距离大目标,即较单帧图像更完整地包含了该种飞鸟的特征信息;由于飞鸟在飞行过程中姿态在不停变化,故轮廓会实时变化,不具有代表性,因此选择颜色和纹理特征作为飞鸟典型静态特征,利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取;
d.颜色矩算法:是将图像中的颜色分布用矩的形式进行表示的一种算法,由于图像的颜色信息都分布在图像的低阶矩中,因此利用图像的一阶矩,二阶矩和三阶矩对颜色分布进行表示足以能满足需求;仅通过颜色矩的九个特征值就能对图像的颜色进行特征提取,算法计算量小,运行速度快,
e.特殊色标定算法:YCbCr颜色空间是YUV颜色空间的一种变形形式,其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像,降低了三通道彩色图像的信息量;通过设定Y,Cb,Cr的阈值来确定飞鸟特殊部位的颜色所在的位置,能够作为鸟类种类识别的一个重要筛选器;
f.灰度共生矩阵算法:取图像中一点(x,y)到距离为d的像素点进行各自灰度值统计,形成“灰度对”(g1,g2);从图像中某点出发,对四个方向角上进行扫描,统计图像灰度值在方向,距离和变化幅度上的综合信息,其矩阵包含角二阶矩,相关性,对比度和熵这四个特征值,在对飞鸟样本进行纹理特征提取的过程中,对这四个值分别求均值和方差,最终得到八个描述纹理特征的特征值;
步骤六、特征数据匹配算法描述如下:
采用KNN算法对提取得到的特征数据进行匹配,利用待测数据与训练集数据中的所有数据进行距离计算和比较;
根据KNN算法将颜色矩特征数据,纹理特征数据分别作为一个特征匹配的筛选器,与步骤五种所述的特殊色标定筛选器结合,达到自动识别鸟类种群的目标。
Claims (1)
1.一种基于高帧频序列图像的鸟类丰度统计算法和种群识别算法融合的综合算法,其特征包含以下步骤:
步骤一、鸟类高帧频序列图像获取流程如下:鸟类是一种群居动物,即高帧频序列图像中采集的目标均为同种飞鸟,由于鸟类飞行姿态多变,采集得到的目标呈现多种姿态和密度,根据帧间差分算法获得含有运动目标的高帧频序列图像;高帧频序列图像在相同时间内能够获得更多的视频帧序列,增加序列图像中的动态信息量,降低丰度统计过程中目标粘连甚至重叠的程度,同时大量保存了近距离大目标的特征信息;利用近距离的大目标进行种群识别,结合序列图像中存在的所有目标进行丰度统计,即能够同时达到丰度统计和种群识别的目标;改进的帧间差分法如下:
根据传统帧间差分法中第n帧和第n-1帧图像fn和fn-1中分别包含的像素点的灰度值fn(x,y)和fn-1(x,y),得到传统帧间差分法图像Dn(x,y),其数学模型表示为:
Dn(x,y)=|fn(x,y)-fn-1(x,y)|
利用高帧频序列图像,记视频序列中第n帧和第n+Δn帧图像分别为fn和fn+Δn,其包含的像素点的灰度值分别记为fn(x,y)和fn+Δn(x,y);Δn为一个无穷小量,表示极短的间隔时间,即认定在相同时间内能够采集到更多帧和动态信息;将相邻两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到第n帧和第n+Δn帧间的高帧频差分图像Dn+Δn-n(x,y),其数学模型表示为:
Dn+Δn-n(x,y)=|fn+Δn(x,y)-fn(x,y)|=δ
式中,δ是一个无穷小量,表示高帧频序列图像能够在相同时间内尽可能监测更多帧,能够减小相邻两帧间由于获取信息量不足导致的误差;
步骤二、图像前景目标提取方法依据基于遗传算法的KSW双阈值分割算法和泊松图像编辑算法,具体描述和改进如下:
a.KSW双阈值算法:熵代表信息量,图像的信息量越大,则熵就越大,KSW双阈值分割算法就是找出一个最佳阈值使得图像总熵最大化;
传统的KSW分割算法中给定图像I,灰度级数量为L,故每个像素点的灰度级范围为{0,1,...,L-1},则单阈值为t的图像其熵的测量值Ht为:
其中,pi为直方图中第i个像素点对应的灰度值出现的概率,利用单阈值t进行两类分割,则所有像素点对应的灰度值出现的总概率为第i个像素点的灰度值对应的熵得到的概率分布分别为:
则前景和背景对应的熵HA(t),HB(t)分别表示为:
本发明中将图像分割成为N类,故有N-1个阈值,记作{t1,t2,...,tN-1},设图像的灰度级范围为{0,1,...,L-1},则各类别对应的灰度值概率的分布Ck为:
由于研究对象为高帧频序列图像,相同时间内需要高效成批处理数据,故每个类别均存在范围为{0,1,...,L-1}的灰度值;区别于单个像素点,式中,表示各类别所有灰度值出现的总概率,k(1),k(2),...,k(L-1)表示各类别所对应的灰度级范围,均为{0,1,...,L-1},即/>表示各类别对应的灰度值出现的概率;
则各类别对应的熵Hk表示为:
熵的判别函数定义为使熵的判别函数最大的分割阈值为当N取3时,即得到KSW双阈值算法的数学模型
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算,给定输入图像I,前景和背景部分像素点的集合分别表示为F,B,其中为不透明度,则该图像表示为:
近似的遮罩梯度场表示为:
其中,表示一阶微分过程;
的重建通过泊松方程求解,泊松方程的数学模型表示为:
其中,div表示矢量的散度计算操作;
故局部泊松图像编辑的数学模型表示为:
其中,是由背景和目标引起的梯度场;
本发明通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定,计算掩膜梯度场,求解满足边界条件的泊松方程,从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标;
设对一个大目标用N个点进行边界标记,记边界pi,qi分别表示前景和背景中第i个像素的灰度值,设前景和背景像素点的数量分别为M1,M2,对边界求一阶微分的数学模型表示为:
式中,表示一阶微分计算过程;
边界R将图像分割为目标区域和无效区域,利用二值化操作将目标区域提取出来,与原图像进行取交集操作,目标区域掩膜操作的数学模型表示为:
Ω(x,y)∩V(x,y)=W(x,y)
式中,Ω(x,y)为目标区域的像素值,V(x.y)为原图的像素值,W(x,y)为进行取交集后得到的彩色目标;
根据不同需求,对高帧频鸟类序列图像中的有效目标进行提取,采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取;
步骤三、遗传算法的数学模型:把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法,提高了迭代的速度,同时便于找到最优的分割阈值,达到最佳的前景目标提取效果;遗传算法将“优胜劣汰,适者生存”的思想引入了数据迭代的过程,每一代都继承上一代的信息,又优于上一代,使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度,当相邻两代的适应度之差小于设定值时,即认为种群稳定,完成进化,从而找到了最佳的分割阈值,具体描述如下:
a.染色体编码:采用步骤一中所述的KSW双阈值分割算法,进行16位二进制编码,前8位为一个阈值,后8位为一个阈值;
b.初始化操作:设置迭代次数为N次,N为正整数;
c.个体评价操作:将熵判别函数作为适应度函数,计算个体适应度;
d.选择操作:把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代;
e.交叉操作:随机产生2个交叉点位于前8位和后8位染色体,取交叉概率为0.6;
f.变异操作:采用二进制编码的方式按位取反,每一位都存在变异的可能;
g.终止操作:在KSW双阈值分割中,当相邻两代之间的适应度差异小于一定阈值时,认为获得了最佳分割阈值,完成进化;
步骤四、根据距离变换的数学模型:
a.当高帧频序列图像中存在两点时,利用欧式距离公式能够得到两点间的距离;
b.给经过步骤三操作后得到的二值化目标中每个像素赋值,计算离它最近的背景像素点与其之间的平面欧式距离,能够得到距离矩阵,目标区域中距离边界越远的点越亮,反之越暗,使得研究对象的骨架雏形显现;
a.利用距离变换对目标进行骨架提取,建立一个大小为M×N的数组F,利用掩膜1mask1和掩膜2mask2从左上角和右下角分别对掩膜像素点K所对应的元素的值进行更新,两个方向上的元素值分别表示为FL(K),FR(K),从而得到目标骨架,其数学模型分别为:
其中,D(K,e)表示像素点K和图像中任意一点e间的欧式距离,F(K),F(e)分别表示像素点K、e在数组F中对应的元素值;
通过连续腐蚀的操作来实现对研究对象的骨架提取,腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀;根据腐蚀的先后顺序,能够得到前景区域中各个像素点到前景中心骨架像素点的距离;根据各个像素点的距离值,设置为不同的灰度值,即完成了二值图像的距离变换操作,得到研究目标的骨架,使得粘连重叠区域分离,具体过程表示为:
<1>预定义腐蚀前后边界之差dt;
<2>选定初始区域为目标的连通域;
<3>依据离步骤二泊松图像编辑得到目标边界的欧氏距离远近程度将目标区域像素点分为λ1,λ2两组,λ1距离边界点远,λ2距离边界点近,即λ1的亮度比λ2强;
<4>根据连续腐蚀的数学模型迭代n次,计算出新的区域/>即为最终的目标骨架;
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀,分离目标中存在的粘连甚至重叠区域,提高计数准确性;对步骤四得到的目标骨架进行形态学处理后,利用连通域统计的方法对分割后的飞鸟目标进行计数;
步骤五、静态典型特征提取算法描述如下:
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标,由于高帧频鸟类序列图像中包含多种姿态的近距离大目标,即较单帧图像更完整地包含了该种飞鸟的特征信息;由于飞鸟在飞行过程中姿态在不停变化,故轮廓会实时变化,不具有代表性,因此选择颜色和纹理特征作为飞鸟典型静态特征,利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取;
a.颜色矩算法:是将图像中的颜色分布用矩的形式进行表示的一种算法,由于图像的颜色信息都分布在图像的低阶矩中,因此利用图像的一阶矩,二阶矩和三阶矩对颜色分布进行表示足以能满足需求;仅通过颜色矩的九个特征值就能对图像的颜色进行特征提取,算法计算量小,运行速度快,
b.特殊色标定算法:YCbCr颜色空间是YUV颜色空间的一种变形形式,其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像,降低了三通道彩色图像的信息量;通过设定Y,Cb,Cr的阈值来确定飞鸟特殊部位的颜色所在的位置,能够作为鸟类种类识别的一个重要筛选器;
c.灰度共生矩阵算法:取图像中一点(x,y)到距离为d的像素点进行各自灰度值统计,形成“灰度对”(g1,g2);从图像中某点出发,对四个方向角上进行扫描,统计图像灰度值在方向,距离和变化幅度上的综合信息,其矩阵包含角二阶矩,相关性,对比度和熵这四个特征值,在对飞鸟样本进行纹理特征提取的过程中,对这四个值分别求均值和方差,最终得到八个描述纹理特征的特征值;
步骤六、特征数据匹配算法描述如下:
采用KNN算法对提取得到的特征数据进行匹配,利用待测数据与训练集数据中的所有数据进行距离计算和比较;
根据KNN算法将颜色矩特征数据,纹理特征数据分别作为一个特征匹配的筛选器,与步骤五种所述的特殊色标定筛选器结合,达到自动识别鸟类种群的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184268.7A CN112258525B (zh) | 2020-10-30 | 2020-10-30 | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184268.7A CN112258525B (zh) | 2020-10-30 | 2020-10-30 | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258525A CN112258525A (zh) | 2021-01-22 |
CN112258525B true CN112258525B (zh) | 2023-12-19 |
Family
ID=74267306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184268.7A Active CN112258525B (zh) | 2020-10-30 | 2020-10-30 | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258525B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435316A (zh) * | 2021-06-25 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 智能驱鸟方法、装置、电子设备及存储介质 |
CN113723230A (zh) * | 2021-08-17 | 2021-11-30 | 山东科技大学 | 业务流程抽取领域过程性视频的过程模型抽取方法 |
CN114821399B (zh) * | 2022-04-07 | 2024-06-04 | 厦门大学 | 一种面向智慧课堂的板书自动提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133963A (zh) * | 2017-04-07 | 2017-09-05 | 中国铁建重工集团有限公司 | 图像处理方法以及装置、渣片分布分析的方法及装置 |
CN107240074A (zh) * | 2017-05-15 | 2017-10-10 | 电子科技大学 | 基于二维最佳直方图熵法与遗传算法的离焦躁声消除方法 |
CN109308709A (zh) * | 2018-08-14 | 2019-02-05 | 昆山智易知信息科技有限公司 | 基于图像分割的Vibe运动目标检测算法 |
CN110415260A (zh) * | 2019-08-01 | 2019-11-05 | 西安科技大学 | 基于字典与bp神经网络的烟雾图像分割与识别方法 |
CN111145198A (zh) * | 2019-12-31 | 2020-05-12 | 哈工汇智(深圳)科技有限公司 | 一种基于快速角点检测的非合作目标运动估计方法 |
CN111311640A (zh) * | 2020-02-21 | 2020-06-19 | 中国电子科技集团公司第五十四研究所 | 一种基于运动估计的无人机识别跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811724B2 (en) * | 2010-05-11 | 2014-08-19 | The University Of Copenhagen | Classification of medical diagnostic images |
JP6469448B2 (ja) * | 2015-01-06 | 2019-02-13 | オリンパス株式会社 | 画像処理装置、撮像装置、画像処理方法、および記録媒体 |
-
2020
- 2020-10-30 CN CN202011184268.7A patent/CN112258525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133963A (zh) * | 2017-04-07 | 2017-09-05 | 中国铁建重工集团有限公司 | 图像处理方法以及装置、渣片分布分析的方法及装置 |
CN107240074A (zh) * | 2017-05-15 | 2017-10-10 | 电子科技大学 | 基于二维最佳直方图熵法与遗传算法的离焦躁声消除方法 |
CN109308709A (zh) * | 2018-08-14 | 2019-02-05 | 昆山智易知信息科技有限公司 | 基于图像分割的Vibe运动目标检测算法 |
CN110415260A (zh) * | 2019-08-01 | 2019-11-05 | 西安科技大学 | 基于字典与bp神经网络的烟雾图像分割与识别方法 |
CN111145198A (zh) * | 2019-12-31 | 2020-05-12 | 哈工汇智(深圳)科技有限公司 | 一种基于快速角点检测的非合作目标运动估计方法 |
CN111311640A (zh) * | 2020-02-21 | 2020-06-19 | 中国电子科技集团公司第五十四研究所 | 一种基于运动估计的无人机识别跟踪方法 |
Non-Patent Citations (3)
Title |
---|
"A multilevel color image segmentation technique based on cuckoo search algorithm and energy curve";Shreya Pare;《Applied Soft Computing》;第47卷;第76-102页 * |
"基于FPGA的高速图像跟踪***设计与实现";周全宇;史忠科;《电子设计工程》;第23卷(第15期);第164-167页 * |
"复杂背景弱小目标特征分析与识别策略研究";李雪琦;《中国优秀硕士学位论文全文数据库 信息科技辑》(2020年第03期);第I135-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258525A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258525B (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
Patil et al. | MSFgNet: A novel compact end-to-end deep network for moving object detection | |
CN108665487B (zh) | 基于红外和可见光融合的变电站作业对象和目标定位方法 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN107273905B (zh) | 一种结合运动信息的目标主动轮廓跟踪方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN110688898A (zh) | 基于时空双流卷积神经网络的跨视角步态识别方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN111882586A (zh) | 一种面向剧场环境的多演员目标跟踪方法 | |
CN110084201B (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及*** | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN102760230B (zh) | 一种基于多维时域特征的火焰检测方法 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
Karadağ et al. | Segmentation fusion for building detection using domain-specific information | |
CN110363100A (zh) | 一种基于YOLOv3的视频目标检测方法 | |
CN111028263B (zh) | 一种基于光流颜色聚类的运动物体分割方法及其*** | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN107358635B (zh) | 一种基于模糊相似性的彩色形态学图像处理方法 | |
CN111899278B (zh) | 基于移动端的无人机图像快速目标跟踪方法 | |
CN104123569A (zh) | 一种基于有监督学习的视频人数信息统计方法 |
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 |