-
公开(公告)号：CN118071991A
公开(公告)日：2024-05-24
申请号：CN202410170162.3
申请日：2024-02-06
Applicant: 中国科学院光电技术研究所
IPC: G06V10/25 , G06V10/26 , G06V10/30 , G06V10/46 , G06V10/74 , G06V10/77 , G06V10/80 , G06T5/70 , G06T5/90 , G06T5/20 , G06T7/11 , G06T7/136 , G06T7/246
Abstract: 本发明公开了一种复杂场景下弱小目标检测方法，属于信号处理技术领域，首先对图像进行噪声滤波，降低成像系统噪声对目标检测的影响；然后计算图像梯度向量域分布，将图像从二维平面域提升到高维向量域，解决弱小目标图像特征匮乏问题，增强信号结构表达能力，提高目标和杂波特征差异性；其次计算多尺度背景抑制映射图，实现背景杂波抑制、突出目标信号，同时通过多尺度特征可以适应目标尺度大小的变化；再次对目标区域进行预检测，提取图像中每个候选目标区域；最后通过时域滤波的方法提取出真实目标。本发明提高信号的结构表征能力，增强目标和背景杂波的特征差异，实现目标高可靠检测。
-
公开(公告)号：CN117196986A
公开(公告)日：2023-12-08
申请号：CN202311170119.9
申请日：2023-09-12
Applicant: 中国科学院光电技术研究所
IPC: G06T5/00
Abstract: 本发明公开了一种基于场景的多尺度非均匀性校正方法，该方法首先对输入图像建立图像金字塔，对于金字塔的每一层图像，利用引导滤波里的局部线性模型，即以去除非均匀性后的图像作为引导图像，在局部邻域窗口中，引导图像与滤波输出图像成线性关系，同时认为局部邻域窗口中的低频非均匀性模型为一种以坐标轴为变量的多项式模型，然后利用加权最小二乘优化方法对非均匀性进行约束，将原始优化问题分解为两个子问题，利用交替方向乘子法求解，迭代优化，得到图像的非均匀性，最后对图像金字塔各层得到的非均匀性进行重构，得到最终的非均匀性图像，用原始图像减去非均匀性得到清晰图像。
-
公开(公告)号：CN117115575A
公开(公告)日：2023-11-24
申请号：CN202311192041.0
申请日：2023-09-15
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种红外小目标检测方法。由于成像距离较远，小目标在红外图像中尺寸较小、对比度低，使得小目标在红外图像中很容易被背景和噪声干扰，造成传统的目标检测方法在红外小目标检测中具有较大的局限性。因此，在本发明中，使用基于尺度空间理论的拉普拉斯高斯算子处理原始图像，获得候选目标点。根据候选目标点确定需要分解的图像范围。通过低秩稀疏理论完成原始图像的分解，在候选目标点的引导下检出真实目标。一方面，尺度空间理论的引入，提高了本算法的鲁棒性，抑制了背景的影响；另一方面，低秩稀疏理论将传统算法中的背景与目标分离问题转化为鲁棒主成分分析问题，有效提升了目标的检出成功率。
-
公开(公告)号：CN110189375B
公开(公告)日：2022-08-23
申请号：CN201910561279.3
申请日：2019-06-26
Applicant: 中国科学院光电技术研究所
Abstract: 本发明是一种基于单目视觉测量的图像目标识别方法，步骤如下：利用目标实物图建立目标坐标系和原点坐标系；对成像的相机内参数进行标定，得到畸变参数(k1,k2,k3,p1,p2)以及相机主点方向像素，焦距(ux,uy,fx,fy)；利用相机内参数和目标点在原点坐标系中的位置参数，得到相机光轴坐标系相对于原点坐标系的位置和角度偏移量(P1,P2,P3,α,β,γ)。结合图像摄影测量方法和图像处理方法，首先利用图像处理方法对图像进行预处理，提高图像信噪比，对图像进行阈值分割完成目标与背景的分离，并进行多目标捕获和标记处理，统计各个目标相对应的特征参数；然后利用视觉测量方法对目标进一步识别出真实目标以及对应的目标标号。该方法抗干扰能力强，能够有效针对旋转，光照，以及伪目标干扰等情形。
-
公开(公告)号：CN108846850B
公开(公告)日：2022-06-10
申请号：CN201810506766.5
申请日：2018-05-24
Applicant: 中国科学院光电技术研究所
IPC: G06T7/20 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于TLD算法的目标跟踪方法，包括以下步骤：(1)在初始帧，由用户指定跟踪窗口生成正负样本初始化检测模块并形成目标模型。(2)在跟踪过程中，检测模块和跟踪模块独立工作：检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器、最近邻分类器；跟踪模块采用带有失败检测机制的中值光流法预测当前帧目标位置；(3)整合模块综合检测模块和跟踪模块进行跟踪结果的输出；(4)在更新后的位置产生新的正负样本并利用当前跟踪结果置信度进行加权，利用加权后的正负样本更新检测模块。(5)循环(2)‑(3)直至跟踪结束。在公开数据集上进行的对比实验表明，该方法可以在一定程度上提高跟踪的鲁棒性和精度。
-
Patent Agency Ranking
公开(公告)号：CN112019774A
公开(公告)日：2020-12-01
申请号：CN202010793629.1
申请日：2020-08-10
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种红外高位宽数字图像的高质量显示方法，属于图像处理与红外成像领域。该显示方法包括4个步骤：步骤S1：EOG梯度能量函数指导gamma校正处理归一化后的原始图像，生成多亮度的多幅图像；步骤S2：对多幅图像分别进行多尺度的引导滤波器分层与细节增强融合；步骤S3：对增强后的3幅多亮度图像进行融合；步骤S4：对融合后的图像进行坏点滤除与动态范围调整。该方法经具有不同场景特征的高位宽数字图像测试证明：该方法在保持各种场景图像原有层次结构的基础上能增强图像细节，增大对比度，压缩动态范围。输出图像具有良好的视觉效果，有利于人眼观察与其他后续工作。适用于高位宽数字图像在普通显示器上的高质量显示。
-
公开(公告)号：CN111985549A
公开(公告)日：2020-11-24
申请号：CN202010805034.3
申请日：2020-08-12
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种针对给定刚体目标进行部件自动定位识别的深度学习方法，包括对给定刚体目标进行部件分割标注与部件特征点的位置标注；搭建特征提取网络，并在标准图像集上进行预训练进行预训练；搭建用于对给定刚体目标进行部件识别的网络，并为保证网络训练的收敛性，分别定义损失函数与优化方法；根据不同要求对关键点位置估计与语义分割网络分别进行训练；实现对给定刚体的部件自动定位识别的可视化操作等步骤。其识别效果显著，不仅实现对给定刚体目标类的部件定位与识别，还有效保证了遮挡情况中的定位与识别的准确率，而且其获得的部件之间的图关系与关键点定位信息也有助于对该类刚体目标进行空间姿态解算等问题的研究。
-
公开(公告)号：CN110490904A
公开(公告)日：2019-11-22
申请号：CN201910738149.2
申请日：2019-08-12
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种弱小目标检测与跟踪方法，首先对图像进行多帧累加，提高目标的能量、抑制背景噪声；然后采用梯度块滤波的方法对图像进行滤波，抑制云层等背景杂波的干扰，提高弱小目标的信噪比与对比度；其次对滤波后的图像进行阈值分割，提取二值图像中的每个连通区域，其中每个连通区域代表一个候选目标，对每个候选目标进行特征统计，得到候选目标特征数据集；再次进行每个候选目标进行轨迹窗口滤波，通过目标在相邻时刻运动轨迹与特征的连续性从候选目标数据集中检测出真实的目标；最后对检测出的目标进行邻域匹配滤波跟踪，利用目标特征变化损失函数最小化原则进行邻域数据关联匹配，实时输出匹配滤波结果。
-
公开(公告)号：CN106469313B
公开(公告)日：2019-06-11
申请号：CN201610871794.8
申请日：2016-09-30
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种管径自适应时空域滤波的弱小目标检测方法，首先采用各向异性微分算法对待处理图像进行背景预测，以提高后续目标检测能力；然后采用局部极大值方法对差分图进行分割，获取二值图像；其次初始化时域参数(累积帧长度)和空域参数(管径大小)，并依次输入累积帧长度为N的系列二值图；最后采用管径自适应的时空域滤波对多帧图像进行检测，以获取真实目标点，同时对检测结果进行叠加，输出目标运动轨迹。与传统的管径固定的管道滤波目标检测方法相比，本发明利用目标在时空域间多帧运动关联基础上，根据目标尺度变化自适应地修改管径大小，有效解决管径不变目标变小/变大所带来的检测问题，大大提高目标检测精度。
-
公开(公告)号：CN106599863A
公开(公告)日：2017-04-26
申请号：CN201611189168.7
申请日：2016-12-21
Applicant: 中国科学院光电技术研究所
CPC classification number: G06K9/00268 , G06K9/00288 , G06K9/6256 , G06K9/6269 , G06N3/08
Abstract: 本发明公开了一种基于迁移学习技术的深度人脸识别方法，包括通过深度卷积神经网络对训练人脸图像进行特征提取，对提取的特征进行SVM分类训练，得到决策面，通过深度卷积神经网络对测试人脸图像进行特征提取，结合分类训练得到的决策面进行预测，对预测结果投票，得到最终识别结果。该方法只需每个人脸类具有极少量的训练样本，能够适应实际应用中人脸在很大范围内的光照、姿态、表情、遮挡等变化，识别率高。同时该方法训练效率高，能够适应实际应用中对增量学习的需求。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.054 seconds)
