CN113688849B - 一种用于卷积神经网络的灰度图像序列特征提取方法 - Google Patents

一种用于卷积神经网络的灰度图像序列特征提取方法 Download PDF

Info

Publication number
CN113688849B
CN113688849B CN202111008347.7A CN202111008347A CN113688849B CN 113688849 B CN113688849 B CN 113688849B CN 202111008347 A CN202111008347 A CN 202111008347A CN 113688849 B CN113688849 B CN 113688849B
Authority
CN
China
Prior art keywords
gray
frame
pixel
feature map
time domain
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
Application number
CN202111008347.7A
Other languages
English (en)
Other versions
CN113688849A (zh
Inventor
张新潮
张同贺
段萌
牛英宇
王明昌
王杏涛
庄旭阳
丁晓彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Airborne Missile Academy
Original Assignee
China Airborne Missile Academy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Airborne Missile Academy filed Critical China Airborne Missile Academy
Priority to CN202111008347.7A priority Critical patent/CN113688849B/zh
Publication of CN113688849A publication Critical patent/CN113688849A/zh
Application granted granted Critical
Publication of CN113688849B publication Critical patent/CN113688849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于卷积神经网络的灰度图像序列特征提取方法。包括如下步骤：a.对灰度图像序列的第k帧及之前n‑1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。进行特征提取，形成的特征图包括空域梯度特征图、时域方差特征图、时域峰度特征图、时域斜度特征图。

Description

一种用于卷积神经网络的灰度图像序列特征提取方法
技术领域
本发明涉及视频图像处理技术领域，具体涉及一种用于卷积神经网络的灰度图像序列特征提取方法。
背景技术
由于卷积神经网络的深度学习技术在图像分类、目标检测领域性能优异，国内外各科研机构提出了多重神经网络模型架构，其中负责特征提取的中间层的设计是卷积神经网络模型取得优异性能的关键。
目前在提取本帧图像的特征提取方面，主要通过逐层2D卷积、池化等操作完成，而在如何提取时域上的帧序列的图像特征方面，主要通过3D卷积进行。但是，对于探测得到的灰度图像来说，如何有效提取时域上帧序列的变化特征并与空间特征进行融合，是提升卷积神经网络模型在视频的帧序列上目标检测性能的关键。
同时，现有的卷积神经网络在使用卷积核对特征进行提取时，由于训练时的图像、视频都是正常的图像视频，只能够获取到关注于形态、结构特征的卷积核，而对于红外等手段获得的灰度图像来说，仅关注形态、结构特征是不足的，因为这类手段的感知本质是通过感知被测物体的热辐射从而获得灰度图像，当被测物体的能量不断变化时，比如物体突然被点燃、加热、着火或由于其移动导致反射太阳光情况不短变化、穿越云雾等情况，传统仅仅关注于形态、结构特征的卷积核的特征提取就不够准确全面，目标检测效果也不理想。
发明内容
为了解决背景技术中提出的问题，本发明给出了一种用于卷积神经网络的灰度图像序列特征提取方法。
一种用于卷积神经网络的灰度图像序列特征提取方法，包括如下步骤：a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。
进一步地，步骤a中，进行图像滤波的方法为：a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
进一步地，所述的邻域大小为3×3或5×5或7×7或9×9。
进一步地，在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图。
进一步地，在步骤b中对滤波图像进行特征提取时，还对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图。
进一步地，时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图。
进一步地，所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值随后，根据E(x0,y0)求取方差
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图。
进一步地，所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，随后，根据E(x0,y0)求取峰度K(x0,y0)，(x；最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，随后，根据E(x0,y0)求取斜度S(x0,y0)， 最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的空域梯度特征图的求取方法为：对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图。
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)。
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)。
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)。
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)。
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)。
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)。
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)。
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)。
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、GL＝|f(x0,y0)-f(x0-1,y0)|。
本发明公开的技术方案可以应用于卷积神经网络模型中的输入层，也可以***中间层，对中间层的处理过程进行优化。
与现有技术相比，本发明的有益效果为：针对红外得到的灰度图像序列，给出了一种与传统卷积输入层的简单图像输入不同的处理方式，由于目标检测时的背景能量基本一致，而目标的能量往往是变化的，因此，目标的能量发生变化时，传统的简单输入配合卷积核的处理方式往往不能识别目标的变化，不能够较为准确地识别目标，而本发明的技术方案通过增加时域特征的提取，使得后续的目标检测能够更好地识别能量发生变化的区域，进而能够较好地捕捉能量发生变化的区域、目标，另外，相对于3D卷积核需要进行的在训练模型过程中给定的固定深度为n的大量运算，本发明的技术方案不需要进行3D卷积核的卷积，选取的可以分析的图像帧数可以灵活设置，时域特征图的种类、数量也可以灵活设置，运算效率更高，在突发火灾的识别、能量变化物体、飞行器目标的检测等方面也具有良好的应用效果。
具体实施方式
实施例1
一种用于卷积神经网络的灰度图像序列特征提取方法，包括如下步骤：a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；b.对n个滤波图像进行特征提取。
进一步地，步骤a中，进行图像滤波的方法为：a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
进一步地，所述的邻域大小为3×3或5×5或7×7或9×9。
进一步地，在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图。
进一步地，在步骤b中对滤波图像进行特征提取时，还对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图。
进一步地，时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图。
进一步地，所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，随后，根据E(x0,y0)求取方差D(x0,y0)，
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图。
进一步地，所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，随后，根据E(x0,y0)求取峰度K(x0,y0)，(x；最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值随后，根据E(x0,y0)求取斜度S(x0,y0)， 最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
进一步地，所述的空域梯度特征图的求取方法为：对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图。
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)。
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)。
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)。
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)。
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)。
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)。
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)。
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)。
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、GL＝|f(x0,y0)-f(x0-1,y0)|。

Claims (3)

1.一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：包括如下步骤：
a.对灰度图像序列的第k帧及之前n-1帧，共n帧灰度图像各自进行图像滤波，得到n个滤波图像；
b.对n个滤波图像进行特征提取；
在步骤b中对滤波图像进行特征提取时，对第k帧图像进行空域上的梯度特征提取，得到空域梯度特征图；
所述的空域梯度特征图的求取方法为：
对于任一帧的最外圈像素，首先在最外圈像素外侧补充宽度为1个像素的一圈像素作为补充像素，补充像素的灰度值一致；
对于任一帧的除补充像素外的任一像素(x0,y0)，记其灰度值为f(x0,y0)，(x0,y0)与周围8个像素的灰度值的差的绝对值记为其在某个方向上的梯度，得到8幅梯度特征图；其中，
记(x0,y0)左上的像素坐标为(x0-1,y0-1)，其灰度记为f(x0-1,y0-1)；
记(x0,y0)上方的像素坐标为(x0,y0-1)，其灰度记为f(x0,y0-1)；
记(x0,y0)右上的像素坐标为(x0+1,y0-1)，其灰度记为f(x0+1,y0-1)；
记(x0,y0)右方的像素坐标为(x0+1,y0)，其灰度记为f(x0+1,y0)；
记(x0,y0)右下方的像素坐标为(x0+1,y0+1)，其灰度记为f(x0+1,y0+1)；
记(x0,y0)下方的像素坐标为(x0,y0+1)，其灰度记为f(x0,y0+1)；
记(x0,y0)左下方的像素坐标为(x0-1,y0+1)，其灰度记为f(x0-1,y0+1)；
记(x0,y0)左方的像素坐标为(x0-1,y0)，其灰度记为f(x0-1,y0)；
(x0,y0)与其左上的像素的梯度GLU＝|f(x0,y0)-f(x0-1,y0-1)|、
GU＝|f(x0,y0)-f(x0,y0-1)|、GRU＝|f(x0,y0)-f(x0+1,y0-1)|、GR＝|f(x0,y0)-f(x0+1,y0)|、
GRD＝|f(x0,y0)-f(x0+1,y0+1)|、GD＝|f(x0,y0)-f(x0,y0+1)|、GLD＝|f(x0,y0)-f(x0-1,y0+1)|、
GL＝|f(x0,y0)-f(x0-1,y0)|；
在步骤b中对滤波图像进行特征提取时，对n个滤波图像进行时域上的特征提取，形成时域特征图；时域特征图包括时域方差特征图、时域峰度特征图、时域斜度特征图；
所述的时域方差特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的方差特征，得到时域方差特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
随后，根据E(x0,y0)求取方差D(x0,y0)，
最终，将D(x0,y0)作为时域方差特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的方差特征组成的时域方差特征图；
所述的时域峰度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的峰度特征，得到时域峰度特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
随后，根据E(x0,y0)求取峰度K(x0,y0)，
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图；
所述的时域斜度特征图用于表征同一个像素(x0,y0)在当前帧，即第k帧，及之前n-1帧的灰度图像序列中的斜度特征，得到时域斜度特征图的步骤如下：
首先，记第k-n+1帧开始至k的共n帧灰度图像序列中的同一像素(x0,y0)的灰度值为fk-n+1(x0,y0)、fk-n+2(x0,y0)、……、fk(x0,y0)；
其次，求取(x0,y0)在n帧灰度图像序列中的灰度平均值E(x0,y0)，
随后，根据E(x0,y0)求取斜度S(x0,y0)，
最终，将K(x0,y0)作为时域峰度特征图中的(x0,y0)的值，从而得到所有像素在灰度图像序列中的峰度特征组成的时域峰度特征图。
2.如权利要求1所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：步骤a中，进行图像滤波的方法为：
a1：对于n帧灰度图像中的坐标为(x0,y0)的像素，以(x0,y0)为中心，选择其周边j×j大小的邻域作为处理范围，j为奇数，该范围记为Ω，求取Ω内所有像素的原始灰度值的均值，然后将该均值赋值给(x0,y0)，作为(x0,y0)的新的灰度值，(x0,y0)代表的像素为n帧灰度图像中的任一像素；
a2：对于n帧灰度图像中的任一帧图像的最外圈像素来说，首先需要在最外圈像素的外侧补充宽度为(j-1)/2的灰度值为0的像素，然后按a1所述的方法进行(x0,y0)灰度值的重新赋值。
3.如权利要求2所述的一种用于卷积神经网络的灰度图像序列特征提取方法，其特征在于：所述的邻域大小为3×3或5×5或7×7或9×9。
CN202111008347.7A 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法 Active CN113688849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111008347.7A CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111008347.7A CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Publications (2)

Publication Number Publication Date
CN113688849A CN113688849A (zh) 2021-11-23
CN113688849B true CN113688849B (zh) 2023-10-24

Family

ID=78584245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111008347.7A Active CN113688849B (zh) 2021-08-30 2021-08-30 一种用于卷积神经网络的灰度图像序列特征提取方法

Country Status (1)

Country Link
CN (1) CN113688849B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759517A (zh) * 2022-11-23 2023-03-07 杭州柏源科技有限公司 基于生物识别的酒店入住***

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101640809A (zh) * 2009-08-17 2010-02-03 浙江大学 一种融合运动信息与几何信息的深度提取方法
CN101916446A (zh) * 2010-07-23 2010-12-15 北京航空航天大学 基于边缘信息和均值移位的灰度目标跟踪算法
CN102663362A (zh) * 2012-04-09 2012-09-12 宁波中科集成电路设计中心有限公司 一种基于灰度特征的运动目标检测方法
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN104239883A (zh) * 2013-12-11 2014-12-24 深圳深讯和科技有限公司 纹理特征提取方法及装置
CN105067633A (zh) * 2015-08-11 2015-11-18 江西省公路工程检测中心 基于图像处理的车载式路面破损自动识别装置及使用方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
KR101853211B1 (ko) * 2016-12-26 2018-04-27 인하대학교 산학협력단 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
CN110111347A (zh) * 2019-04-19 2019-08-09 深圳市华星光电技术有限公司 图像标志提取方法、装置及存储介质
CN112950461A (zh) * 2021-03-27 2021-06-11 刘文平 全局与超像素分割相融合的色彩迁移方法
CN112950479A (zh) * 2021-04-01 2021-06-11 中国空空导弹研究院 一种图像灰度区域拉伸算法
CN113128521A (zh) * 2021-04-30 2021-07-16 西安微电子技术研究所 一种小型化人工智能模型特征提取方法、***、计算机设备及存储介质
WO2021143101A1 (zh) * 2020-01-16 2021-07-22 华为技术有限公司 人脸识别方法和人脸识别装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141872B2 (en) * 2013-09-11 2015-09-22 Digitalglobe, Inc. Automated and scalable object and feature extraction from imagery

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101640809A (zh) * 2009-08-17 2010-02-03 浙江大学 一种融合运动信息与几何信息的深度提取方法
CN101916446A (zh) * 2010-07-23 2010-12-15 北京航空航天大学 基于边缘信息和均值移位的灰度目标跟踪算法
CN102663362A (zh) * 2012-04-09 2012-09-12 宁波中科集成电路设计中心有限公司 一种基于灰度特征的运动目标检测方法
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN104239883A (zh) * 2013-12-11 2014-12-24 深圳深讯和科技有限公司 纹理特征提取方法及装置
CN105067633A (zh) * 2015-08-11 2015-11-18 江西省公路工程检测中心 基于图像处理的车载式路面破损自动识别装置及使用方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
KR101853211B1 (ko) * 2016-12-26 2018-04-27 인하대학교 산학협력단 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
CN110111347A (zh) * 2019-04-19 2019-08-09 深圳市华星光电技术有限公司 图像标志提取方法、装置及存储介质
WO2021143101A1 (zh) * 2020-01-16 2021-07-22 华为技术有限公司 人脸识别方法和人脸识别装置
CN112950461A (zh) * 2021-03-27 2021-06-11 刘文平 全局与超像素分割相融合的色彩迁移方法
CN112950479A (zh) * 2021-04-01 2021-06-11 中国空空导弹研究院 一种图像灰度区域拉伸算法
CN113128521A (zh) * 2021-04-30 2021-07-16 西安微电子技术研究所 一种小型化人工智能模型特征提取方法、***、计算机设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Image Quality Assessment by Considering Multiscale and Multidirectional Visibility Differences in Shearlet Domain;WU DONG 等;IEEE Access;第7卷;第78715-78728页 *
一种实时的分块跟踪算法;张同贺 等;电光与控制;第23卷(第3期);第45-48页 *
基于全卷积神经网络的红外弱小目标检测;段萌 等;电子质量;第39-44页 *
基于动态显著性特征的粒子滤波多目标跟踪算法;张焱;张志龙;沈振康;鹿小莺;;电子学报(第12期);第35-41页 *
基于卷积神经网络的红外弱小目标检测算法;于周吉;;光学与光电技术(第05期);第66-70页 *
基于小波纹理特征的医学图像检索;张一飞;修非;鲍玉斌;于戈;;东北大学学报(自然科学版)(第03期);第39-42页 *
夜间塔影图像目标识别方法的仿真研究;李华群;;计算机仿真(第12期);第224-227页 *

Also Published As

Publication number Publication date
CN113688849A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN107680054B (zh) 雾霾环境下多源图像融合方法
CN109754377B (zh) 一种多曝光图像融合方法
CN109242888B (zh) 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法
CN109583340B (zh) 一种基于深度学习的视频目标检测方法
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN108038420B (zh) 一种基于深度视频的人体行为识别方法
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111310633B (zh) 基于视频的并行时空注意力行人重识别方法
CN108009493B (zh) 基于动作增强的人脸防欺骗识别方法
CN104021559B (zh) 基于互信息和Harris角点检测的图像配准方法
CN109509164B (zh) 一种基于gdgf的多传感器图像融合方法及***
CN110956661B (zh) 基于双向单应矩阵的可见光与红外相机动态位姿计算方法
CN107609571B (zh) 一种基于lark特征的自适应目标跟踪方法
CN103226820B (zh) 改进的二维最大熵分割夜视图像融合目标检测算法
CN110570363A (zh) 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法
CN112288008A (zh) 一种基于深度学习的马赛克多光谱图像伪装目标检测方法
CN112184604A (zh) 一种基于图像融合的彩色图像增强方法
CN108470178B (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
Ding et al. U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement
CN113688849B (zh) 一种用于卷积神经网络的灰度图像序列特征提取方法
CN109523590B (zh) 一种基于样例的3d图像深度信息视觉舒适度评估方法
Lejbolle et al. Multimodal neural network for overhead person re-identification
Liu et al. HPN-SOE: Infrared small target detection and identification algorithm based on heterogeneous parallel networks with similarity object enhancement
CN111738099B (zh) 基于视频图像场景理解的人脸自动检测方法
CN111950518B (zh) 一种用于暴力行为识别的视频图像增强方法

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