...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Microprocessors and microsystems >Feature vector for underground object detection using B-scan images from GprMax
【24h】

Feature vector for underground object detection using B-scan images from GprMax

机译：使用来自gprmax的B扫描图像的地下对象检测的特征向量

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One common technology for underground object detection is Ground Penetrating Radar. For landmine detection, it is vital to have a fast and accurate method. It becomes more difficult when it comes to online detection. A fast and low power consuming algorithm needs to be developed for better CPU performances. This paper uses synthetic data from GprMax program and proposes a 3-step method to locate and discriminate underground objects: 1) Pre-processing using n-rows average 2) Image scaling and 3) converting Region of Interest to a feature vector. Proposed method has been tested using 7 methods; 2 classification algorithms; and 3 different image scales. The proposed method has increased Overall Performance from 80.4% to 90.3% for K-Nearest Neighbors (KNN) with K = 5 where Histograms of Oriented Gradients had 91.8%. Although, detection performance for proposed method when KNN is used is slightly lower compared to HOG, proposed method has a good potential with its runtime performance and small representation capacity. (C) 2020 Elsevier B.V. All rights reserved.
机译：用于地下物体检测的一个常见技术是地面穿透雷达。对于地雷检测，具有快速准确的方法至关重要。在在线检测方面变得更加困难。需要开发快速和低功耗的算法以实现更好的CPU性能。本文使用来自GPRMAX程序的合成数据，并提出了一个三步方法来定位和区分地下对象的方法：1）使用N-ROOME的平均2）图像缩放和3）将感兴趣区域转换为特征向量。已经使用7种方法测试了所提出的方法; 2分类算法;和3种不同的图像尺度。该方法的总体性能从80.4％增加到K-Co​​llest邻居（KNN）的80.4％至90.3％，其中取向梯度的直方图具有91.8％。虽然，当使用KNN时，用于所提出的方法的检测性能与HOG相比略低，所提出的方法具有良好的潜力，其运行时性能和小的表示能力。 （c）2020 Elsevier B.v.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号