CN112926380B - 一种新型水下激光目标智能识别*** - Google Patents
一种新型水下激光目标智能识别*** Download PDFInfo
- Publication number
- CN112926380B CN112926380B CN202110023538.4A CN202110023538A CN112926380B CN 112926380 B CN112926380 B CN 112926380B CN 202110023538 A CN202110023538 A CN 202110023538A CN 112926380 B CN112926380 B CN 112926380B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- module
- image
- sample
- point
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种新型水下激光目标智能识别***,包括水下激光雷达、三维立体样本库、二维图像数据库和水下激光目标识别上位机***组成,所述的水下激光目标识别上位机***由样本分布式图像生成模块、特征提取模块、卷积注意模块、特征选择模块、特征融合模块、决策模块、输出与显示模块等所组成。以及提出了一种由水下三维立体样本进行目标识别的算法。本发明的有益效果主要表现在实现了从三维样本提取多幅图像并进行有效特征提取,可识别浑浊水域移动目标物,识别准确率高,智能化程度高,同时解决了传统水下激光识别***普遍存在的三位样本转化为二维图像时特征丢失、浑浊水域图像噪声大、移动目标小样本数识别等难题。
Description
技术领域
本发明涉及计算机视觉领域、智能识别算法领域、激光雷达领域、水下目标识别领域,特别地,涉及一种基于激光雷达的新型水下目标智能识别技术。
背景技术
海洋面积占地球总面积七成以上,拥有非常多的资源和空间,但是,目前人类已经探索的海洋空间大约只有地球总空间的5%,而海洋有着重要的军事战略地位和资源开采利用地位,并且由于海洋环境的变化莫测和未知性,用人类来探索海洋环境,有很大概率会造成人员伤亡。所以,用现代智能技术探索水下世界提上日程。目前,常用的对水下目标信息采集的方法包括声学探测和光学探测,由于频率和适用波段的不同,两种探测方式也常用于不同的探测场景。由于声学频率低,常用于判断远距离有无目标物,光学频率高,常用于近距离目标识别。
由于水体对入射光的强烈的衰减作用,使得入射光在水中传播时呈现指数级衰减,普通的光源由于本身的准直性较差,在水下传播时也难以达到理想的探测深度。激光的出现提供了一种新的水下探测的手段,利用激光的高准直性,在海洋窗口的低衰减可以达到以往光学手段难以达到的探测深度,特别是现在激光雷达技术的应用除了可以进行更大水深的目标探测外,还可以克服声纳设备由于水和空气声阻不匹配的问题,实现从水上到水下的直接探测。但是由于水下情况复杂,水中各类生物运动杂乱,成像噪点多,要在激光获取的水下图像中精准识别目标,急需要一套智能水下识别***来解决图像处理中目标识别的问题。
激光雷达所提取的样本为三维立体样本,由于水下目标常常出于移动状态,激光雷达在取样本过程中很难取到大量样本,因此必须要采用小样本进行分析,而且,在浑浊的复杂水域环境下,能见度极低,对于同一个物体的判断,我们常常需要通过不同角度对三维样本进行投影,并将投影得到的二维图像进行特征的对比和分析,从而对识别物获得一般性的判断。
发明内容
针对当前在三维样本在采样成二维图像时特征值的不匹配问题,克服水下目标常出于移动状态,很难用抓拍方式获得大样本的问题,克服在浑浊水域下的成像清晰度不够的问题,
本发明解决其技术问题所采用的技术方案是:一种新型水下激光目标智能识别***,其特征在于,包括水下激光雷达、三维立体样本库、二维图像数据库和水下激光目标识别上位机***组成,所述的水下激光目标识别上位机***由样本分布式图像生成模块、卷积注意模块、特征提取模块、特征选择模块、特征融合模块、决策模块、输出与显示模块等所组成。其特征在于,水下激光雷达将所选定水域中的目标识别物进行激光扫描,并将雷达返回的三维立体样本数据存放至三维立体样本库,水下激光目标识别上位机***中的样本分布式图像生成模块对三维立体样本库中的三维立体样本数据进行自动的多角度拍取二维图像样本,并对二维图像样本进行数据增强,然后将处理后的二维图像样本存放至二维图像数据库,特征提取模块对已增强的二维图像进行特征提取,并将提取到的特征和二维图像转送到卷积注意模块,卷积注意模块会自动将二维图像数据库多幅来自同一三维样本的二维图像中的特征进行卷积编码,并自动建立二维图像空间与三维样本空间之间的映射关系,并将处理好的数据送至特征选择模块,特征选择模块将根据卷积编码中产生的注意系数对二维图像特征进一步进行筛选,特征融合模块接收到筛选后的特征会将其与加了注意系数的卷积编码进行进一步的匹配与修正,交于决策模块进行目标识别的判断,决策模块将最终的决策送入输出与显示模块用于人机交互与展示环节。
进一步地,样本分布式图像生成模块能够对三维立体样本库中的三维立体样本数据进行自动的多角度拍取二维图像样本,并将图像进行图像增强处理,其主要的处理算法在于:
2.1){xij,(i,j)∈I2,I为自然数集合或子集}来表示数字图像各点处的灰度值,其中i表示所针对的点在点阵中的行位置,j表示所针对的点在点阵中的列位置,将一个点处的灰度值y与该点邻域中各点值的中值代替:取该点邻域的灰度值按照大小顺序x1≤x2≤x3≤...≤xn排列,其中带有单数字下标的{xn,n为非零自然数}表示邻域n点灰度值的标号,然后按照如下方式进行中间值的取用:
2.2)将水下受到噪声污染的退化图像采用线性滤波方式来处理,并采用如下过程完成:而滤波窗口为A的二维中值滤波的结果灰度值yij可以表示为:
2.3)对图像进行降噪操作的损失函数L计算公式如下:
其中i表示图像标号,范围为从1到N,N表示图像降噪模块卷积神经网络的训练样本数量,Xi表示第i张真实的无噪声图片,Yi表示第i张在Xi上添加噪声的图片,R表示原图片与Yi之间的残差图片。公式中下标F和上标2表示该式取2范数。
进一步地,特征提取模块用于对RGB三色通道的值进行分析并进行特征提取,其能够实现的数学基础是:
3.1)进行红通道补偿,补偿公式为:
其中,x为图像中某一像素点,α1为补偿系数,为绿色分量的均值,为红色分量的均值,IR(x)为该点的红色分量值,IG(x)为该点的绿色分量值,Id(x)为补偿前该像素所在区域的红通道补偿值,为补偿后该像素所在区域的红通道补偿值。
3.3)HSV均衡和去模糊,对亮度、色调和饱和度分量进行γ矫正来增强色调及亮度对比度,并对亮度进行去模糊化。
3.4)对图像进行特征提取。
进一步地,卷积注意模块用以对多幅来自同一三维样本的二维图像的特征进行卷积编码,并生成注意系数,并自动建立二维图像空间与三维样本空间之间的映射关系,用以解决各角度拍摄二维图像所造成特征不匹配问题。其所依据的数学原理表达式为:
式中Ic(x)为三维样本函数,x为图像中某像素点,Jc(x)为二维图像函数组中的一张图片,c={R,G,B},为背景光或后向散射光,tc(x)为该二维图像对应的注意系数。通过对该式变换,得到二维图像函数Jc(x)为:
进一步地,特征选择模块与特征融合模块采用长短时记忆循环神经网络(LSTM-RNN)模型进行特征选择与特征融合,t时刻状态表达式为:
st=f(Uxt+Wst-1)
ht=g(Vst)
其中t表示时刻,st表示t时刻隐藏层状态,st-1表示t时刻的前一单位时刻隐藏层的状态。ht表示t时刻输出层ht状态。隐藏层激活函数为f,U表示为输入层和隐藏层之间的权值矩阵,W表示为t-1时刻到t时刻隐藏层到隐藏层之间的权值矩阵,V表示为输出层和隐藏层之间的权值矩阵。
进一步地,决策模块用于对所提取特征进行分析和拟合,并最终将分析结果传递至输出和显示模块,决策模块的数学支撑为:
其中,why(i,j)表示由隐藏层到输出层的权值矩阵,w′hy(i,j)表示权值更新后由隐藏层到输出层的权值矩阵。whh(i,j)表示隐藏层之间的权值矩阵,w′hh(i,j)表示权值更新后隐藏层之间的权值矩阵。wxh(i,j)表示输入层与隐藏层之间的权值矩阵,w′xh(i,j)表示权值更新后输入层与隐藏层之间的权值矩阵。η表示为学习率,为输出层误差。
本发明的技术构思为:针对当前水下目标移动频率较高,激光雷达所能获得三维空间样本数量少的问题,我们设计了样本分布式图像生成模块从不同的角度对三维空间小样本进行投影分析。针对在三维空间向二维屏幕投影过程中,传统的神经网络结构无法将多幅图片相同特征联系起来进行学习的问题,引入了卷积注意模块,对三维空间到二维空间的特征进行卷积编码,并自动建立二维图像空间与三维样本空间之间的映射关系,并搭建了长短时记忆循环神经网络(LSTM-RNN)模型神经网络进行学习。针对浑浊水下能见度低,所获得图像噪声严重的现象,采取了红色通道增强的特征提取方式,改进了特征提取的方式。
本发明的有益效果主要表现在:1.将传统CNN与特征融合的方式相结合,提出了新的应用于解决三维小样本数水下目标识别的技术方案,相比于已存在的水下目标识别技术方案所需要的探测成本更低,效率更高,效果更好。2.基于注意机制,将卷积注意引入到所搭建的长短时记忆循环神经网络中,增强特征通道和空间的关系,建立了二维图像与三维立体空间之间的关系。3.大量的实验证明了该方法的高效性和稳定性,与普通水下目标识别***比较,我们的识别精度更高,特征分析更高效。
附图说明
图1是本发明所提出的***的结构模型图。
具体实施方式
下面根据附图具体说明本发明。
参照图1,水下激光雷达1、三维立体样本库2、二维图像数据库3和水下激光目标识别上位机***4组成,所述的水下激光目标识别上位机***4由样本分布式图像生成模块5、卷积注意模块6、特征提取模块7、特征选择模块8、特征融合模块9、决策模块10、输出与显示模块11依次相连。
所述水下激光雷达1通过发射激光和接受目标所反射激光获取了待测目标物的三维立体样本,并将其储存到三维立体样本库2中。
水下激光目标识别上位机***中的样本分布式图像生成模块5对三维立体样本库2中的三维立体样本数据进行自动的多角度拍取二维图像样本,并对二维图像样本进行数据增强,然后将处理后的二维图像样本存放至二维图像数据库3。该步里,对图像样本的图像增强处理是按照如下公式来处理:
{xij,(i,j)∈I2,I为自然数集合或子集}来表示数字图像各点处的灰度值,其中i表示所针对的点在点阵中的行位置,j表示所针对的点在点阵中的列位置,将一个点处的灰度值y与该点邻域中各点值的中值代替:取该点邻域的灰度值按照大小顺序x1≤x2≤x3≤...≤xn排列,其中带有单数字下标的{xn,n为非零自然数}表示邻域n点灰度值的标号,然后按照如下方式进行中间值的取用:
将水下受到噪声污染的退化图像采用线性滤波方式来处理,并采用如下过程完成:而滤波窗口为A的二维中值滤波的结果灰度值yij可以表示为:
其中i表示图像标号,范围为从1到N,N表示图像降噪模块卷积神经网络的训练样本数量,Xi表示第i张真实的无噪声图片,Yi表示第i张在Xi上添加噪声的图片,R表示原图片与Yi之间的残差图片。公式中下标F和上标2表示该式取2范数。
特征提取模块6用于对RGB三色通道的值进行分析并进行特征提取,并进行红通道补偿,补偿公式为:
其中,x为图像中某一像素点,α1为补偿系数,为绿色分量的均值,为红色分量的均值,IR(x)为该点的红色分量值,IG(x)为该点的绿色分量值,Id(x)为补偿前该像素所在区域的红通道补偿值,为补偿后该像素所在区域的红通道补偿值。对图像进行色偏矫正,每个通道的最大值和最小值定义式为:
采用HSV均衡和去模糊,对亮度、色调和饱和度分量进行γ矫正来增强色调及亮度对比度,并对亮度进行去模糊,并对图像进行特征提取。
卷积注意模块7用以对多幅来自同一三维样本的二维图像的特征进行卷积编码,并生成注意系数,并自动建立二维图像空间与三维样本空间之间的映射关系,用以解决各角度拍摄二维图像所造成特征不匹配问题。其所依据的数学原理表达式为:
式中Ic(x)为三维样本函数,x为图像中某像素点,Jc(x)为二维图像函数组中的一张图片,c={R,G,B},为背景光或后向散射光,tc(x)为该二维图像对应的注意系数。通过对该式变换,得到二维图像函数Jc(x)为:
特征选择模块8与特征融合模块9采用长短时记忆循环神经网络(LSTM-RNN)模型进行特征选择与特征融合,t时刻状态表达式为:
st=f(Uxt+Wst-1)
ht=g(Vst)
其中t表示时刻,st表示t时刻隐藏层状态,st-1表示t时刻的前一单位时刻隐藏层的状态。ht表示t时刻输出层ht状态。隐藏层激活函数为f,U表示为输入层和隐藏层之间的权值矩阵,W表示为t-1时刻到t时刻隐藏层到隐藏层之间的权值矩阵,V表示为输出层和隐藏层之间的权值矩阵。
决策模块10用于对所提取特征进行分析和拟合,并最终将分析结果传递至输出和显示模块11,决策模块的数学支撑为:
其中,why(i,j)表示由隐藏层到输出层的权值矩阵,w′hy(i,j)表示权值更新后由隐藏层到输出层的权值矩阵。whh(i,j)表示隐藏层之间的权值矩阵,w′hh(i,j)表示权值更新后隐藏层之间的权值矩阵。wxh(i,j)表示输入层与隐藏层之间的权值矩阵,w′xh(i,j)表示权值更新后输入层与隐藏层之间的权值矩阵。η表示为学习率,为输出层误差。
输出和显示模块11显示对图像特征分类识别的最终结果。
上述实例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种新型水下激光目标智能识别***,其特征在于,包括水下激光雷达、三维立体样本库、二维图像数据库和水下激光目标识别上位机***,所述的水下激光目标识别上位机***由样本分布式图像生成模块、卷积注意模块、特征提取模块、特征选择模块、特征融合模块、决策模块、输出与显示模块组成;水下激光雷达将所选定水域中的目标识别物进行激光扫描,并将雷达返回的三维立体样本数据存放至三维立体样本库,样本分布式图像生成模块对三维立体样本库中的三维立体样本数据进行多角度拍取二维图像样本,并对二维图像样本进行数据增强,然后将处理后的二维图像样本存放至二维图像数据库,特征提取模块对已增强的二维图像进行特征提取,并将提取到的特征和二维图像转送到卷积注意模块,卷积注意模块将二维图像数据库多幅来自同一三维样本的二维图像中的特征进行卷积编码,并自动建立二维图像空间与三维样本空间之间的映射关系,并将处理好的数据送至特征选择模块,特征选择模块根据卷积编码中产生的注意系数对二维图像特征进一步进行筛选;特征融合模块接收到筛选后的特征后,将其与加了注意系数的卷积编码进行进一步的匹配与修正,交由决策模块进行目标识别的判断;决策模块将最终的决策送入输出至显示模块,用于人机交互与展示环节;所述卷积注意模块用以对多幅来自同一三维样本的二维图像的特征进行卷积编码,并生成注意系数,并自动建立二维图像空间与三维样本空间之间的映射关系,用以解决各角度拍摄二维图像所造成特征不匹配问题:
式中Ic(x)为三维样本函数,x为图像中某像素点,Jc(x)为二维图像函数组中的一张图片,c={R,G,B},为背景光或后向散射光,tc(x)为该二维图像对应的注意系数;通过对该式变换,得到二维图像函数Jc(x)为:
2.根据权利要求1所述新型水下激光目标智能识别***,其特征在于,所述样本分布式图像生成模块能够对三维立体样本库中的三维立体样本数据进行多角度拍取二维图像样本,并将图像进行图像增强处理,具体为:
(2.1){xij,(i,j)∈I2,I为自然数集合或子集}来表示数字图像各点处的灰度值,其中i表示所针对的点在点阵中的行位置,j表示所针对的点在点阵中的列位置,将一个点处的灰度值y与该点邻域中各点值的中值代替:取该点邻域的灰度值按照大小顺序x1≤x2≤x3≤...≤xn排列,其中带有单数字下标的{xn,n为非零自然数}表示邻域n点灰度值的标号,然后按照如下方式进行中间值的取用:
(2.2)将水下受到噪声污染的退化图像采用线性滤波方式来处理,并采用如下过程完成:而滤波窗口为A的二维中值滤波的结果灰度值yij可以表示为:
(2.3)对图像进行降噪操作的损失函数L计算公式如下:
其中i表示图像标号,范围为从1到N,N表示图像降噪模块卷积神经网络的训练样本数量,Xi表示第i张真实的无噪声图片,Yi表示第i张在Xi上添加噪声的图片,R表示原图片与Yi之间的残差图片;公式中下标F和上标2表示该式取2范数。
3.根据权利要求1所述新型水下激光目标智能识别***,其特征在于,所述特征提取模块对已增强的二维图像进行特征提取具体为:
(3.1)进行红通道补偿,补偿公式为:
其中,x为图像中某一像素点,α1为补偿系数,为绿色分量的均值,为红色分量的均值,IR(x)为该点的红色分量值,IG(x)为该点的绿色分量值,Id(x)为补偿前该像素所在区域的红通道补偿值,为补偿后该像素所在区域的红通道补偿值;
(3.3)HSV均衡和去模糊,对亮度、色调和饱和度分量进行γ矫正来增强色调及亮度对比度,并对亮度进行去模糊化;
(3.4)对图像进行特征提取。
4.根据权利要求1所述新型水下激光目标智能识别***,其特征在于,所述特征选择模块与特征融合模块采用长短时记忆循环神经网络模型进行特征提取与选择,t时刻状态表达式为:
st=f(Uxt+Wst-1)
ht=g(Vst)
其中t表示时刻,st表示t时刻隐藏层状态,st-1表示t时刻的前一单位时刻隐藏层的状态;ht表示t时刻输出层ht状态;隐藏层激活函数为f,U表示为输入层和隐藏层之间的权值矩阵,W表示为t-1时刻到t时刻隐藏层到隐藏层之间的权值矩阵,V表示为输出层和隐藏层之间的权值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023538.4A CN112926380B (zh) | 2021-01-08 | 2021-01-08 | 一种新型水下激光目标智能识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023538.4A CN112926380B (zh) | 2021-01-08 | 2021-01-08 | 一种新型水下激光目标智能识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926380A CN112926380A (zh) | 2021-06-08 |
CN112926380B true CN112926380B (zh) | 2022-06-24 |
Family
ID=76162787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023538.4A Expired - Fee Related CN112926380B (zh) | 2021-01-08 | 2021-01-08 | 一种新型水下激光目标智能识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926380B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841614B (zh) * | 2023-02-20 | 2023-05-05 | 中国石油大学(华东) | 一种影像处理方法、装置、水下成像设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105076077A (zh) * | 2015-07-25 | 2015-11-25 | 孟宪胜 | 一种基于激光成像检测的鱼体识别方法 |
CN108447074A (zh) * | 2018-02-02 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于双向自适应语义融合的水下目标识别方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN110084234A (zh) * | 2019-03-27 | 2019-08-02 | 东南大学 | 一种基于实例分割的声呐图像目标识别方法 |
CN110334765A (zh) * | 2019-07-05 | 2019-10-15 | 西安电子科技大学 | 基于注意力机制多尺度深度学习的遥感影像分类方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111462131A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 一种注意力驱动图像分割的方法和设备 |
CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9280748B2 (en) * | 2012-06-22 | 2016-03-08 | Knowm Tech, Llc | Methods and systems for Anti-Hebbian and Hebbian (AHaH) feature extraction of surface manifolds using |
-
2021
- 2021-01-08 CN CN202110023538.4A patent/CN112926380B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105076077A (zh) * | 2015-07-25 | 2015-11-25 | 孟宪胜 | 一种基于激光成像检测的鱼体识别方法 |
CN108447074A (zh) * | 2018-02-02 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于双向自适应语义融合的水下目标识别方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN111462131A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 一种注意力驱动图像分割的方法和设备 |
CN110084234A (zh) * | 2019-03-27 | 2019-08-02 | 东南大学 | 一种基于实例分割的声呐图像目标识别方法 |
CN110334765A (zh) * | 2019-07-05 | 2019-10-15 | 西安电子科技大学 | 基于注意力机制多尺度深度学习的遥感影像分类方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
Non-Patent Citations (3)
Title |
---|
Attention-Aware Age-Agnostic Visual Place Recognition;Wang Z et al;《2019 IEEE International Conference on Computer Vision Workshop(ICCVW)》;20201231;全文 * |
基于注意机制和循环卷积神经网络的细粒度图像分类算法;王伟等;《西南师范大学学报(自然科学版)》;20201231;第45卷(第01期);全文 * |
控制装备及***未来发展趋势;王文海;《自动化博览》;20201231(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926380A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN110349093B (zh) | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
Zong et al. | Local-CycleGAN: a general end-to-end network for visual enhancement in complex deep-water environment | |
CN114463677B (zh) | 一种基于全局注意力的安全帽配戴检测方法 | |
CN112562255B (zh) | 微光环境下电缆沟道烟雾火情的智能图像检测方法 | |
CN105913404A (zh) | 基于帧累积的低照度成像方法 | |
CN115330623A (zh) | 一种基于生成对抗网络的图像去雾模型的构建方法和*** | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN112561996A (zh) | 一种自主水下机器人回收对接中目标检测方法 | |
CN112926380B (zh) | 一种新型水下激光目标智能识别*** | |
Li et al. | Low-light underwater image enhancement for deep-sea tripod | |
CN111539896A (zh) | 一种基于域自适应的图像去雾方法及*** | |
CN112950521B (zh) | 一种图像去雾方法及生成器网络 | |
CN111861949A (zh) | 一种基于生成对抗网络的多曝光图像融合方法及*** | |
CN113298744B (zh) | 一种端到端的红外与可见光图像融合方法 | |
CN117115612A (zh) | 基于多传感器图像增强优化的多通道图像融合方法及*** | |
CN116664448B (zh) | 一种基于图像去雾的中高能见度计算方法及计算*** | |
Wang et al. | Underwater image quality optimization: Researches, challenges, and future trends | |
CN113191971A (zh) | 一种基于yuv颜色空间的无人机图像去雾方法 | |
CN114581790A (zh) | 基于图像增强与多特征融合的小目标检测方法 | |
CN113902044A (zh) | 一种基于轻量级yolov3的图像目标提取方法 | |
CN113554671A (zh) | 基于轮廓增强的sar图像到可见光图像的转换方法及装置 | |
CN113763356A (zh) | 一种基于可见光与红外图像融合的目标检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220624 |