CN113822352B - 基于多特征融合的红外弱小目标检测方法 - Google Patents

基于多特征融合的红外弱小目标检测方法 Download PDF

Info

Publication number
CN113822352B
CN113822352B CN202111078520.0A CN202111078520A CN113822352B CN 113822352 B CN113822352 B CN 113822352B CN 202111078520 A CN202111078520 A CN 202111078520A CN 113822352 B CN113822352 B CN 113822352B
Authority
CN
China
Prior art keywords
target
image
background
gray
similarity
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
CN202111078520.0A
Other languages
English (en)
Other versions
CN113822352A (zh
Inventor
蔺素珍
武杰
禄晓飞
李大威
余东
张海松
樊小宇
赵亚丽
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN202111078520.0A priority Critical patent/CN113822352B/zh
Publication of CN113822352A publication Critical patent/CN113822352A/zh
Application granted granted Critical
Publication of CN113822352B publication Critical patent/CN113822352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了基于多特征融合的红外弱小目标检测方法，先基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制。其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显着图一。再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显着图二。最后，将显着图一与显着图二进行点乘，通过融合红外弱小目标多种特性得到最终显着图，对最终显着图计算简单阈值进行分割得到最终检测结果。本发明有效抑制了红外图像中的复杂杂波，同时提升了弱小目标检测的精度。

Description

基于多特征融合的红外弱小目标检测方法
技术领域
本发明涉及红外图像目标检测领域，具体为基于多特征融合的红外弱小目标检测方法。
背景技术
红外目标检测是远程预警、精确制导等***的核心技术之一，其中红外弱小目标检测是经典的难题。主要难点在于：1)成像距离很远，目标在图像中不仅缺乏特征信息而且极易与噪点混淆；2)高强度的杂波边缘很容易被误检为目标，使得虚警增加；3)既弱又小的目标往往会淹没在复杂背景中，从而造成严重的漏检。因此，复杂背景下的红外弱小目标检测一直是一项极具挑战性的任务。
目前，关于红外弱小目标检测的研究还很少。与之相关的红外小目标检测方法大体上可分为以深度学习为代表的数据驱动法和基于数学、物理知识建模的模型驱动法两类。其中，由于缺乏红外弱小目标图像集、训练开销大且实时性差等问题，导致数据驱动法在实际工程中应用较少。模型驱动的红外小目标检测方法可进一步分为单帧方法和多帧方法。不过，由于无法获取目标的精确运动模型，使得多帧方法在红外弱小目标检测中效果受限。因此，高性能的单帧方法在红外小目标检测中更受重视。
自处理思路方面分析，红外小目标的单帧检测方法包括三类：一类可以称之为恢复背景法，其思想是先基于稀疏和低秩矩阵恢复背景，再用原图像减去背景图像，从而达到凸显目标的目的，但是存在对像素值敏感、耗时较长等问题。第二类是背景抑制法，主要是采用滤波技术抑制均匀背景和杂波。但是，该类方法对背景边缘很敏感，制约了其在空天目标检测等复杂场景中的使用。第三类是新兴的抑制背景增强目标并举法，主要是利用人类视觉的局部对比度敏感特性，通过提取目标与背景的局部对比度增强目标。该类多数方法在背景变化平稳的场景中检测效果都较好，但用于复杂场景的红外弱小目标检测时，无法有效抑制复杂背景中的高强度杂波边缘，致使虚警率高。因此，复杂背景下的红外弱小目标检测方法还有较大的发展空间。
发明内容
本发明针对复杂背景下红外弱小目标普遍存在检测率低、虚警率高的问题，提出一种基于多特征融合的红外弱小目标检测方法，用于复杂背景下红外图像弱小目标的检测，有效提高检测的准确率及鲁棒性。
本发明采用如下技术方案：基于多特征融合的红外弱小目标检测方法，包括以下步骤：首先，基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制；其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显著图一；再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显著图二；最后，将显著图一与显著图二进行点乘，通过融合红外弱小目标多种特性得到最终显著图，对最终显著图计算阈值进行分割得到最终检测结果。
上述的基于多特征融合的红外弱小目标检测方法，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制具体包括以下步骤：将待检测红外图像Iin转换为灰度图像I；以灰度图像I中的一个像素点s为中心构建滑动窗口，中心单元为S0，其周围的单元Si是局部背景区域；取局部背景区域中灰度均值最大的若干个单元，计算这几个单元的灰度均值μmax；比较中心单元的灰度均值和μmax的大小，若/>对中心单元像素进行增强，灰度值设置为/>I(i,j)表示中心单元中(i,j)位置的像素灰度值，否则进行抑制，灰度值设置为0；移动滑动窗口，直至灰度图像I所有像素都经过上述计算，得到背景抑制图像T。
上述的基于多特征融合的红外弱小目标检测方法，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显著图一具体包括以下步骤：以背景抑制图像T中的一个像素点t为中心构建滑动窗口，如果该滑动窗口内像素值不为0，计算该滑动窗口内每个像素到中心像素的距离与灰度差，从而计算整个滑动窗口的协方差系数；移动滑动窗口，直至背景抑制图像T所有像素都经过上述计算，得到由每个滑动窗口的协方差系数组成的协方差显著图COV。
上述的基于多特征融合的红外弱小目标检测方法，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显著图二具体包括以下步骤：以背景抑制图像T中的一个像素点p为中心构建滑动窗口，中心单元称为SM0，其周围的S个背景单元SMij是局部背景区域；分别计算背景单元SMij与中心单元SM0之间的相似性因子SFi；移动滑动窗口，直至背景抑制图像T所有像素都经过上述计算，得到S个相似性矩阵，其中第i个相似性矩阵由中心单元与第i个背景单元的相似性因子组成；S个相似性矩阵中相同位置的元素最小值min(SFi)作为相似性矩阵SF对应位置的元素的值，相似性矩阵SF计算方式如下：其中，min(SFi)为S个相似性矩阵中相同位置的元素最小值，max(SFi)为S个相似性矩阵中相同位置的元素最大值；相似性矩阵SF即为相似性显著图SF。
上述的基于多特征融合的红外弱小目标检测方法，将显著图一与显著图二进行点乘，通过融合红外弱小目标多种特性得到最终显著图，对最终显著图计算阈值进行分割得到最终检测结果，具体包括以下步骤：对协方差显著图和相似性显著图进行点乘操作，得到最终检测显著图SM：SM＝COV⊙SF，计算出分割阈值Th，对最终检测显著图SM进行阈值分割，得到最终的检测结果图Iout。
总体而言，本发明所提出的技术方案充分利用红外弱小目标的局部先验信息，具有以下技术特征及有益效果：
(1)由于红外小目标的形状是各向同性的，而背景边缘则是各向异性的。它们在特征上具有差异性，因此需要对窗口细化分块即形成单元。
(2)目标与邻域背景存在灰度差异，因此需要利用目标与背景之间的灰度差异增强目标，抑制背景。
(3)为分离目标，不仅需要考虑目标与背景的灰度对比，还需利用滑动窗口中心像素与边缘像素的灰度差与距离差的协方差值、相似性因子等先验知识进行分割目标，抑制背景。
(4)显著性图仍可能存在一定的杂波或噪声，但目标已明显增强，因此利用恒虚警率法分割，去除剩余虚警。
本发明一种基于多特征融合的复杂背景红外弱小目标检测新方法，有效抑制了红外图像中的复杂杂波，同时提升了弱小目标检测的精度。
附图说明
图1为本发明的总体框架图；
图2为本发明的基本流程图；
图3为本发明计算灰度对比度的滑动窗口分布图；
图4为本发明计算相似性因子的滑动窗口分布图；
图5(a)为本发明实施例中红外原始图像；
图5(b)为本发明实施例采用本发明提出的算法后得到的最终检测显著图；
图5(c)为本发明实施例的检测结果图。
具体实施方式
下面将结合附图及具体实施方式对本发明进行进一步阐述：
参照图1和图2，本实施例中的一种复杂背景下红外弱小目标检测方法包括以下步骤：
步骤1：输入一幅大小为H×W的待检测红外图像Iin；
步骤2：将图像Iin转换为灰度图像I；
步骤3.1：以灰度图像I中的一个像素点s为中心构建一个19×19的滑动窗口，分为9个单元，中心单元S0大小为5×5，背景区域单元S1、S3、S6、S8大小均为7×7，S2、S7大小为5×7，S4、S5大小为7×5，如图3所示；
步骤3.2：计算所有背景区域单元的池化亮度，即单元内所有像素灰度的均值，具体求法为：
其中，Hij表示局部背景中第i个背景区域单元的第j个像素的灰度值，则μi表示第i个背景区域单元的灰度值均值，N表示区域块内像素点的个数；
步骤3.3：取背景区域8个单元中灰度均值最大的4个单元，计算4个单元的灰度均值μmax，具体求法为：
其中，MAX4(g)表示取g中最大的四个灰度值，μmax代表其均值；
步骤3.4：比较中心单元的灰度均值和μmax的大小，若/>对中心单元像素进行增强，灰度值设置为/>表示中心单元中(i,j)位置的像素灰度值)，否则进行抑制，灰度值设置为0，具体求法为：
步骤3.5：从左至右，从上之下移动滑动窗口，步长为5，直至灰度图像I所有像素都经过上述步骤3.1-步骤3.4计算，得到背景抑制图像T；
步骤4.1：以背景抑制图像T中的一个像素点t为中心构建一个5×5的滑动窗口，如果该滑动窗口内像素值不为0，计算该滑动窗口内每个像素到中心像素的距离与灰度差，从而计算整个滑动窗口的协方差系数，该系数作为滑动窗口中心像素的值，滑动窗口内每个像素到中心像素的距离均值与灰度差均值具体求法为：
其中，i、j分别表示滑动窗口内像素点的x、y方向坐标，为其均值，本发明取3，Iij为坐标为(i,j)点的像素灰度值，/>为中心像素点的像素灰度值，本发明取I3,3，N为滑动窗口内像素的个数，本发明取25；
步骤4.2：滑动窗口的协方差系数具体求法为：
其中，Cov(Dis,GV)表示滑动窗口的协方差系数，gv表示滑动窗口中心点与边缘像素点的灰度值差，dis表示滑动窗口中心点与边缘像素点的距离差，SL为滑动窗口的边长，本发明取5；
步骤4.3：从左至右，从上之下移动滑动窗口，步长为1，直至背景抑制图像T所有像素都经过上述步骤4.1-4.2计算，得到由每个滑动窗口的协方差系数组成的协方差显著图COV；
步骤5.1：以背景抑制图像T中的一个像素点p为中心构建一个25×25的滑动窗口，该窗口均为9单元，中心单元称为SM0，其周围的单元SMij是局部背景区域，如图4；
步骤5.2：分别计算8个背景单元与中心单元之间的相似性因子SFi，具体求法为：
式中，T代表背景抑制图像，(s,t)表示像素点坐标,T(s,t)表示该点的像素灰度值；
步骤5.3：从左至右，从上之下移动滑动窗口，步长为1，直至图像T所有像素都经过上述步骤5.2计算，得到8个相似性矩阵，其中第i(i＝1,2,…,8)个相似性矩阵由中心单元与第i个背景单元的相似性因子组成；
步骤5.4：取8个相似性矩阵中相同位置的元素最小值MIN(SFi)作为相似性矩阵SF对应位置的元素的值，相似性显著图SF具体求法为：
步骤6：对协方差显著图COV和相似性显著图SF进行点乘操作，得到最终检测显著图：
SM＝COV⊙SF
步骤7：利用公式计算出分割阈值Th，对显著图SM进行阈值分割，得到最终的检测结果图Iout:
Th＝μ+λ×σ
其中，μ和σ为最终显著图SM的均值和标准差，λ为固定参数，本发明取4。

Claims (2)

1.基于多特征融合的红外弱小目标检测方法，其特征在于：包括以下步骤：首先，基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制；其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显著图一；再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显著图二；最后，将显著图一与显著图二进行点乘，通过融合红外弱小目标多种特性得到最终显著图，对最终显著图计算阈值进行分割得到最终检测结果；
利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制具体包括以下步骤：将待检测红外图像Iin转换为灰度图像I；以灰度图像I中的一个像素点s为中心构建滑动窗口，中心单元为S0，其周围的单元Si是局部背景区域；取局部背景区域中灰度均值最大的若干个单元，计算这几个单元的灰度均值μmax；比较中心单元的灰度均值和μmax的大小，若/>对中心单元像素进行增强，灰度值设置为/>I(i,j)表示中心单元中(i,j)位置的像素灰度值，否则进行抑制，灰度值设置为0；移动滑动窗口，直至灰度图像I所有像素都经过上述计算，得到背景抑制图像T；
通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显著图一具体包括以下步骤：以背景抑制图像T中的一个像素点t为中心构建滑动窗口，如果该滑动窗口内像素值不为0，计算该滑动窗口内每个像素到中心像素的距离与灰度差，从而计算整个滑动窗口的协方差系数；移动滑动窗口，直至背景抑制图像T所有像素都经过上述计算，得到由每个滑动窗口的协方差系数组成的协方差显著图COV；
利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显著图二具体包括以下步骤：以背景抑制图像T中的一个像素点p为中心构建滑动窗口，中心单元称为SM0，其周围的S个背景单元SMij是局部背景区域；分别计算背景单元SMij与中心单元SM0之间的相似性因子SFi；移动滑动窗口，直至背景抑制图像T所有像素都经过上述计算，得到S个相似性矩阵，其中第i个相似性矩阵由中心单元与第i个背景单元的相似性因子组成；S个相似性矩阵中相同位置的元素最小值min(SFi)作为相似性矩阵SF对应位置的元素的值，相似性矩阵SF计算方式如下：
其中，min(SFi)为S个相似性矩阵中相同位置的元素最小值，max(SFi)为S个相似性矩阵中相同位置的元素最大值；相似性矩阵SF即为相似性显著图SF。
2.根据权利要求1所述的基于多特征融合的红外弱小目标检测方法，其特征在于：将显著图一与显著图二进行点乘，通过融合红外弱小目标多种特性得到最终显著图，对最终显著图计算阈值进行分割得到最终检测结果，具体包括以下步骤：对协方差显著图和相似性显著图进行点乘操作，得到最终检测显著图SM：SM＝COV⊙SF，计算出分割阈值Th，对最终检测显著图SM进行阈值分割，得到最终的检测结果图Iout。
CN202111078520.0A 2021-09-15 2021-09-15 基于多特征融合的红外弱小目标检测方法 Active CN113822352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111078520.0A CN113822352B (zh) 2021-09-15 2021-09-15 基于多特征融合的红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111078520.0A CN113822352B (zh) 2021-09-15 2021-09-15 基于多特征融合的红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN113822352A CN113822352A (zh) 2021-12-21
CN113822352B true CN113822352B (zh) 2024-05-17

Family

ID=78922528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111078520.0A Active CN113822352B (zh) 2021-09-15 2021-09-15 基于多特征融合的红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN113822352B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549642B (zh) * 2022-02-10 2024-05-10 中国科学院上海技术物理研究所 一种低对比度红外弱小目标检测方法
CN115908807B (zh) * 2022-11-24 2023-06-23 中国科学院国家空间科学中心 一种弱小目标快速检测方法、***、计算机设备及介质
CN115797872B (zh) * 2023-01-31 2023-04-25 捷易(天津)包装制品有限公司 基于机器视觉的包装缺陷识别方法、***、设备及介质
CN116363135B (zh) * 2023-06-01 2023-09-12 南京信息工程大学 基于高斯相似度的红外目标检测方法、装置、介质和设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324021A (zh) * 2011-09-05 2012-01-18 电子科技大学 一种基于剪切波变换的红外弱小目标检测方法
CN107563370A (zh) * 2017-07-07 2018-01-09 西北工业大学 一种基于视觉注意机制的海上红外目标检测方法
CN108062523A (zh) * 2017-12-13 2018-05-22 苏州长风航空电子有限公司 一种红外远小目标检测方法
CN108256519A (zh) * 2017-12-13 2018-07-06 苏州长风航空电子有限公司 一种基于全局和局部相互作用的红外图像显著检测方法
CN108460794A (zh) * 2016-12-12 2018-08-28 南京理工大学 一种双目立体红外显著目标检测方法及***
KR20180096101A (ko) * 2017-02-20 2018-08-29 엘아이지넥스원 주식회사 지능형 적외선 대역 영상 융합 장치 및 방법
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN110706208A (zh) * 2019-09-13 2020-01-17 东南大学 一种基于张量均方最小误差的红外弱小目标检测方法
CN111353496A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种红外弱小目标实时检测方法
CN111899200A (zh) * 2020-08-10 2020-11-06 国科天成（北京）科技有限公司 一种基于3d滤波的红外图像增强方法
CN112288668A (zh) * 2020-09-22 2021-01-29 西北工业大学 基于深度无监督密集卷积网络的红外和可见光图像融合方法
CN112418090A (zh) * 2020-11-23 2021-02-26 中国科学院西安光学精密机械研究所 一种天空背景下红外弱小目标实时检测方法
CN113111878A (zh) * 2021-04-30 2021-07-13 中北大学 一种复杂背景下的红外弱小目标检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324021A (zh) * 2011-09-05 2012-01-18 电子科技大学 一种基于剪切波变换的红外弱小目标检测方法
CN108460794A (zh) * 2016-12-12 2018-08-28 南京理工大学 一种双目立体红外显著目标检测方法及***
KR20180096101A (ko) * 2017-02-20 2018-08-29 엘아이지넥스원 주식회사 지능형 적외선 대역 영상 융합 장치 및 방법
CN107563370A (zh) * 2017-07-07 2018-01-09 西北工业大学 一种基于视觉注意机制的海上红外目标检测方法
CN108062523A (zh) * 2017-12-13 2018-05-22 苏州长风航空电子有限公司 一种红外远小目标检测方法
CN108256519A (zh) * 2017-12-13 2018-07-06 苏州长风航空电子有限公司 一种基于全局和局部相互作用的红外图像显著检测方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN111353496A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种红外弱小目标实时检测方法
CN110706208A (zh) * 2019-09-13 2020-01-17 东南大学 一种基于张量均方最小误差的红外弱小目标检测方法
CN111899200A (zh) * 2020-08-10 2020-11-06 国科天成（北京）科技有限公司 一种基于3d滤波的红外图像增强方法
CN112288668A (zh) * 2020-09-22 2021-01-29 西北工业大学 基于深度无监督密集卷积网络的红外和可见光图像融合方法
CN112418090A (zh) * 2020-11-23 2021-02-26 中国科学院西安光学精密机械研究所 一种天空背景下红外弱小目标实时检测方法
CN113111878A (zh) * 2021-04-30 2021-07-13 中北大学 一种复杂背景下的红外弱小目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于加权融合特征与Ostu分割的红外弱小目标检测算法;刘昆;刘卫东;;计算机工程(第07期);全文 *

Also Published As

Publication number Publication date
CN113822352A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113822352B (zh) 基于多特征融合的红外弱小目标检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN108509859B (zh) 一种基于深度神经网络的无重叠区域行人跟踪方法
CN108615027B (zh) 一种基于长短期记忆-加权神经网络对视频人群计数的方法
CN112132156B (zh) 多深度特征融合的图像显著性目标检测方法及***
CN107369166B (zh) 一种基于多分辨率神经网络的目标跟踪方法及***
CN107564034A (zh) 一种监控视频中多目标的行人检测与跟踪方法
US20120328161A1 (en) Method and multi-scale attention system for spatiotemporal change determination and object detection
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN109410171B (zh) 一种用于雨天图像的目标显著性检测方法
CN113111878B (zh) 一种复杂背景下的红外弱小目标检测方法
CN110135446B (zh) 文本检测方法及计算机存储介质
CN105389799B (zh) 基于素描图与低秩分解的sar图像目标检测方法
CN107506792B (zh) 一种半监督的显著对象检测方法
CN116188999B (zh) 一种基于可见光和红外图像数据融合的小目标检测方法
CN112308883A (zh) 一种基于可见光和红外图像的多船舶融合跟踪方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
CN105512622A (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN108388901B (zh) 基于空间-语义通道的协同显著目标检测方法
CN106056078A (zh) 一种基于多特征回归式集成学习的人群密度估计方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
Shu et al. Small moving vehicle detection via local enhancement fusion for satellite video
CN110751670B (zh) 一种基于融合的目标跟踪方法
Zingman et al. Morphological operators for segmentation of high contrast textured regions in remotely sensed imagery
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法

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