-
公开(公告)号：CN104776919A
公开(公告)日：2015-07-15
申请号：CN201510181531.X
申请日：2015-04-17
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于FPGA的红外焦平面阵列条带状非均匀性校正系统和方法，属于红外成像技术领域。本发明以中值红外均衡算法(MIRE)为核心，针对算法以及FPGA的特性进行了优化，包括图像缓存模块、参数计算模块、非均匀性校正模块与数据输出模块。参数计算模块根据上位机指令得到加权系数，原始图像经过缓存后，按列方向顺序输入非均匀性校正模块得到每一列图像的直方图、累计直方图与逆直方图，然后通过对累计直方图和逆直方图进行索引将每一列原始图像分别规范化到相邻列的直方图上，最后将各个规范化后的像素值进行加权得到最终的校正结果并输出。本发明可有效校正红外焦平面阵列条带状非均匀性，且由于全部使用FPGA实现，速度快，可以实时完成校正。
-
公开(公告)号：CN104637073A
公开(公告)日：2015-05-20
申请号：CN201410844578.5
申请日：2014-12-30
Applicant: 华中科技大学
IPC: G06T7/60
CPC classification number: G06T7/73 , G01V9/005 , G06K9/0063 , G06K9/4652 , G06K9/4661 , G06T5/008 , G06T5/30 , G06T7/60 , G06T2207/10032 , G06T2207/10048
Abstract: 一种基于太阳照射阴影补偿的带状地下结构探测方法，属于遥感技术、自然地理和模式识别的交叉领域，对阴影进行检测后，进行补偿处理，提高探测带状地下结构的识别率，降低虚警率。本发明包括获取指定区域的DEM地形数据步骤、利用DEM和太阳高度角、太阳方位角获取图像阴影位置步骤、对阴影区域进行处理和补偿步骤、阴影区域校正后带状地下结构的探测步骤。本发明利用获取的DEM地形数据对指定区域的阴影进行检测；将检测出来的阴影区域进行处理和补偿操作，减小阴影区域对带下地下结构探测的影响；最后对阴影补偿后的遥感图像进行带状地下结构探测，相对未进行阴影补偿处理的遥感图的带状地下结构探测，提高了带状地下结构探测正确率，降低了虚警率。
-
公开(公告)号：CN103577832A
公开(公告)日：2014-02-12
申请号：CN201210268099.4
申请日：2012-07-30
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于时空上下文的人流量统计方法，包括以下步骤：对灰度序列G中的每一帧图像，借助sobel算子及帧间差分法提取膨胀后的运动边缘，在膨胀后的运动边缘处进行基于HOG特征的人头目标检测，从而得到初步检测目标队列head_list，根据空间约束将虚假目标从队列head_list中删除，将head_list中的目标与之前所有帧中检测出来的最终目标进行灰度互相关关联匹配，对统计队列people_list中的目标进行跟踪，对统计队列people_list中的目标位置进行更新，对统计队列people_list中的目标进行统计。由于加入了时间和空间信息，本发明能够在保证高检测率的同时,有效地减少虚假目标的数量，准确性高，能进行实时视频处理，能对图像的几何及光学形变都能保持良好的不变性，故使得本方法鲁棒性好。
-
公开(公告)号：CN102509414B
公开(公告)日：2013-09-18
申请号：CN201110365784.4
申请日：2011-11-17
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于计算机视觉的烟雾检测方法，首先检测场景中的运动区域，然后通过运动区域的特征加权求和得到每个运动区域的初始属性评判，最后通过帧间运动区域关联的方法，确定视频序列中运动区域是否属于同一目标，对同一目标进行综合分析，判断该目标是否为烟雾。本发明采用帧间目标关联方法确定帧间运动区域的关系，对运动目标属性进行综合判断。该方法具有复杂度低、降低虚警率的特点，能够及时准确的发现监控场景中出现的烟雾。
-
公开(公告)号：CN103049763A
公开(公告)日：2013-04-17
申请号：CN201210524038.X
申请日：2012-12-07
Applicant: 华中科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于上下文约束的目标识别方法，属于遥感图像处理领域，用于遥感图像场景分类及目标的检测识别。该方法首先对图像进行滤波处理，然后进行区域分割，将图像分割为多个连通域，并对每个连通域进行标记，其次，计算每个连通域的特征向量，并输入到事先训练好的分类器中进行场景分类计算，输出类别标记图，接着，在此基础上，根据需要识别的目标，在标记图上划定目标可能存在的局部区域范围，并对该局部区域进行预处理操作，在该区域内计算感兴趣区域，最后，提取特征，并输入到分类器中进行识别。本发明提供了一种快速、有效的场景分类方法，旨在为目标识别提供有效的上下文约束，提高识别效率和准确率。
-
Patent Agency Ranking
公开(公告)号：CN102043958B
公开(公告)日：2012-11-21
申请号：CN201010562319.5
申请日：2010-11-26
Applicant: 华中科技大学
Abstract: 本发明公开了一种高分辨率遥感图像多类目标检测识别方法，首先对原始遥感图像进行分辨率调整，将原始遥感图像分别降低为多个不同的分辨率，形成多幅具有不同分辨率的图像，再对各分辨率图像按照分辨率由低到高的顺序分别进行如下处理：（1）提取感兴趣区域；（2）先验知识辅助识别；（3）特征提取；（4）利用预先训练好的分类器进行目标识别。本发明通过简单的形状特征提取与表达，分析共享特征与鉴别性特征以进行动态特征选择，依据特征量的分布寻找感兴趣区域，结合多分辨率信息以及大尺度纹理分析结果，提出了一种新颖的遥感图像多级多类目标识别方法，在保证检测识别高可靠性的同时提高了信息处理效率。
-
公开(公告)号：CN101799925B
公开(公告)日：2011-08-24
申请号：CN201010120808.5
申请日：2010-03-05
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种图像自动分割结果的性能分析方法，本发明通过计算多个手工标注的分割结果之间在像素上的感知一致程度，赋予每个像素不同的权重，感知一致程度越高，像素的对应权重就越高，最后计算出加权后的评价指数，作为待评价的分割结果的最终评价指数。采用本发明方法得到的性能分析指标，由于定义了能够定量的反应出由某种计算机算法所处理的图像自动分割结果与人工标注的分割结果的符合程度，从而，客观的反应出某种计算机图像自动分割算法与人类视觉感知在图像自动分割上的接近程度。
-
公开(公告)号：CN102096892A
公开(公告)日：2011-06-15
申请号：CN201010568810.9
申请日：2010-12-01
Applicant: 华中科技大学
IPC: G06T1/00
Abstract: 本发明公开了一种嵌入式实时图像处理平台装置，包括：接口模块，提供多种连接外部设备的接口；控制模块，用于运行操作系统进行管理和监控；计算模块，通过利用多个DSP进行数据的高速计算；以及电源管理模块，用于提供整个装置的供电方案；外部的视频流和/或图像数据，在所述控制模块的管理和调度下，经一外部A/D转换模块从所述接口模块输入，然后传输到所述计算模块进行处理，结果数据进行存储或经所述接口模块的输出接口输出显示，从而完成实时图像处理。本发明计算效率高、交互性好、实时性强、可靠性好、结构灵活、通用性好、扩展性强，能进行常用接口开发和高速计算处理，可有效应用于数字图像处理领域多种方法的研究、测试和开发。
-
公开(公告)号：CN102043958A
公开(公告)日：2011-05-04
申请号：CN201010562319.5
申请日：2010-11-26
Applicant: 华中科技大学
Abstract: 本发明公开了一种高分辨率遥感图像多类目标检测识别方法，首先对原始遥感图像进行分辨率调整，将原始遥感图像分别降低为多个不同的分辨率，形成多幅具有不同分辨率的图像，再对各分辨率图像按照分辨率由低到高的顺序分别进行如下处理：（1）提取感兴趣区域；（2）先验知识辅助识别；（3）特征提取；（4）利用预先训练好的分类器进行目标识别。本发明通过简单的形状特征提取与表达，分析共享特征与鉴别性特征以进行动态特征选择，依据特征量的分布寻找感兴趣区域，结合多分辨率信息以及大尺度纹理分析结果，提出了一种新颖的遥感图像多级多类目标识别方法，在保证检测识别高可靠性的同时提高了信息处理效率。
-
公开(公告)号：CN101814149A
公开(公告)日：2010-08-25
申请号：CN201010166225.6
申请日：2010-05-10
Applicant: 华中科技大学
IPC: G06K9/66
Abstract: 本发明公开了基于在线学习的自适应级联分类器训练方法，其步骤为：①准备一个含有少量样本的训练样本集，采用级联分类器算法训练一个初始的级联分类器HC(x)；②使用HC(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，从而可用初始的级联分类器对其进行分类，判断是否为目标区域，即完成目标检测；③对检测到的目标采用粒子滤波算法进行跟踪，通过跟踪对目标检测结果进行验证，将错误的检测标注为在线学习的负样本。此外，通过跟踪获取真实目标的不同姿态，从中提取在线学习的正样本；④每获得一个在线学习样本，采用自适应级联分类器算法对初始级联分类器HC(x)进行在线训练和更新，从而逐步提高分类器的目标检测精度。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.035 seconds)
