BR102013020974A2 - Método de identificação de um objeto rastreado - Google Patents

Método de identificação de um objeto rastreado Download PDF

Info

Publication number
BR102013020974A2
BR102013020974A2 BR102013020974-0A BR102013020974A BR102013020974A2 BR 102013020974 A2 BR102013020974 A2 BR 102013020974A2 BR 102013020974 A BR102013020974 A BR 102013020974A BR 102013020974 A2 BR102013020974 A2 BR 102013020974A2
Authority
BR
Brazil
Prior art keywords
processor
hyperspectral
target
deviation
tracked object
Prior art date
Application number
BR102013020974-0A
Other languages
English (en)
Inventor
Daniel Buehler Eric
Thomas Occhipinti Benjamin
Robert Kuczynski Konrad
Original Assignee
Ge Aviation Systems Llc
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 Ge Aviation Systems Llc filed Critical Ge Aviation Systems Llc
Publication of BR102013020974A2 publication Critical patent/BR102013020974A2/pt

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Abstract

trata-se de um método de identificação de um objeto rastreado que tem uma base de dados conhecida das informações espaciais e hiperes- pectrais. o método associa um identificador ao objeto rastreado; seleciona um parâmetro associado às informações espaciais ou hiperespectrais do objeto rastreado; detecta um desvio no parâmetro selecionado; compara o desvio com a base de dados, e, se o desvio exceder um limiar predeterminado, atribui um novo identificador ao objeto rastreado, e, se o desvio não exceder o limiar pre- determinado, continua o rastreamento do objeto rastreado.

Description

(54) Título: MÉTODO DE IDENTIFICAÇÃO DE UM OBJETO RASTREADO (51) Int. Cl.: G06K 9/00 (52) CPC: G06K 9/00 (30) Prioridade Unionista: 17/08/2012 US 13/588,568 (73) Titular(es): GE AVIATION SYSTEMS LLC (72) Inventor(es): ERIC DANIEL BUEHLER; BENJAMIN THOMAS OCCHIPINTI; KONRAD ROBERT KUCZYNSKI (74) Procurador(es): ARTUR FRANCISCO SCHAAL (57) Resumo: Trata-se de um método de identificação de um objeto rastreado que tem uma base de dados conhecida das informações espaciais e hiperes- pectrais. O método associa um identificador ao objeto rastreado; seleciona um parâmetro associado às informações espaciais ou hiperespectrais do objeto rastreado; detecta um desvio no parâmetro selecionado; compara o desvio com a base de dados, e, se o desvio exceder um limiar predeterminado, atribui um novo identificador ao objeto rastreado, e, se o desvio não exceder o limiar pre- determinado, continua o rastreamento do objeto rastreado.
Figure BR102013020974A2_D0001
Fig. 1
1/23 “MÉTODO DE IDENTIFICAÇÃO DE UM OBJETO RASTREADO” Campo da Invenção [001] A invenção se situa nos campos de processamento de dados, mais especificamente no ramo de processamento de imagens. A invenção refere-se a um método de identificação de um objeto rastreado.
Antecedentes da Invenção [002] O ambiente de um sistema de detecção remoto para imagens hiperespectrais (HSI) é bem descrito em Hyperspectral Image Processing for Automatic Target Detection Applications de Manolakis, D., Marden, D. e Shaw G. (Jornal Lincoln Laboratory; Volume 14; 2003 páginas. 79 a 82). Um sensor de imageamento tem pixels que registram uma medida da energia hiperespectral. Um dispositivo HSI irá registrar a energia em uma matriz dos pixels que capturam informações espaciais pela geometria da matriz e captura informações espectrais fazendo medidas em cada pixel de um número de bandas hiperespectrais contínuas. O processamento ainda das informações espaciais e espectrais depende de uma aplicação específica do sistema de detecção remoto.
[003] O HSI detectado remotamente tem provado ser útil para aplicações amplas que incluem o monitoramento com uso terrestre e ambiental e o reconhecimento e vigilância militar. O HSI fornece dados de imagem que contém tanto informações espectrais quanto espaciais. Esses tipos de informações podem ser utilizados para detecção remota e rastreamento de tarefas. Especificamente, dado um conjunto de sensores visuais montados em uma plataforma como um veículo aéreo não tripulado (UAV) ou estação terrestre, um vídeo do HSI pode ser adquirido e um conjunto de algoritmos pode ser aplicado ao vídeo espectral para detector e rastrear objetos de quadro a quadro.
[004] Os algoritmos de processamento com base espectral têm sido desenvolvidos para classificar ou agrupar pixels similares; ou seja, pixels
Petição 870160036329, de 14/07/2016, pág. 16/39
2/23 com assinaturas ou características espectrais similares. O processamento dessa maneira por si só não é suscetível a aplicações de detecção e de rastreamento alvo em que o número e tamanho de alvos em uma situação são normalmente muito pequenos para sustentar a estimativa das propriedades estatísticas necessárias para classificar o tipo de alvo. No entanto, o processamento espacial do HSI típico é ajustado pela resolução espacial baixa dos sistemas típicos que coletam o HSI. Como um resultado, os sistemas de captação remotos que coletam e processam o HSI são normalmente desenvolvidos devido a uma compensação entre resolução espacial e espectral para maximizar a detecção tanto dos alvos resolvidos quanto dos não resolvidos, em que um alvo resolvido é um objeto imaginado por mais que um pixel. Nesse modo, as técnicas espectrais podem detectar alvos não resolvidos pelas suas técnicas espaciais e de assinatura que podem detector alvos resolvidos pelo seu formato.
[005] Inúmeros algoritmos de busca hiperespectral têm sido desenvolvidos e utilizados no processamento do HSI com a finalidade de detecção alvo. Esses algoritmos de busca hiperespectral são normalmente projetados para explorar características estatísticas de alvos candidatos nas imagens e são normalmente construídos sobre conceitos estatísticos conhecidos. Por exemplo, a distância de Mahalanobis é uma medida estatística da similaridade que foi aplicada às assinaturas de pixel hiperespectral. A distância de Mahalanobis mede uma similaridade de assinatura pela testagem da assinatura contra um desvio móvel e padrão de uma classe conhecida de assinaturas.
[006] Outras técnicas conhecidas incluem o Mapeamento do Ângulo Espectral (SAM), a Divergência de Informação Espectral (SID), Área Diferencial Igual a Zero (ZMDA) e a distância de Bhattacharyya. O SAM é um método para comparar uma assinatura de alvo candidato a uma assinatura conhecida por tratar cada espectro como vetores e calcular o ângulo entre os vetores. Devido ao SAM utilizar somente a direção de vetor e não o comprimento de vePetição 870160036329, de 14/07/2016, pág. 17/39
3/23 tor, o método é insensível à variação na iluminação. O SID é um método para comparar uma assinatura de alvo candidato a uma assinatura conhecida por medir a divergência ou discrepância probabilística entre o espectro. A ZMDA normaliza o alvo candidato e as assinaturas conhecidas pela sua variância e computa sua diferença, que corresponde à área entre os dois vetores. A distância de Bhattacharyya é similar à distância de Mahalanobois, mas é utilizada para medir a distância entre um conjunto de assinaturas de alvo candidato contra uma classe conhecida de assinaturas.
Descrição da Invenção [007] A invenção refere-se a um método de identificação de um objeto rastreado. O método compreende rastrear um objeto com o uso de um sensor de imageamento, em que o objeto rastreado tem uma base de dados conhecida das informações espaciais e hiperespectrais; associar um identificador ao objeto rastreado; selecionar pelo menos um parâmetro associado às informações espaciais ou hiperespectrais do objeto rastreado; detectar um desvio em pelo menos um parâmetro selecionado; comparar o desvio com a base de dados; e se o desvio exceder um limiar predeterminado, atribui um novo identificador ao objeto rastreado, e, se o desvio não exceder o limiar predeterminado, continua o rastreamento do objeto rastreado.
Breve Descrição dos Desenhos [008] A Figura 1 é uma vista diagramática de um método para rastrear e determinar uma probabilidade de detecção dos objetos observados no HSI de acordo com uma primeira realização da invenção.
[009] A Figura 2 é uma vista diagramática de um método para selecionar um algoritmo de busca hiperespectral de acordo com uma realização da invenção.
Petição 870160036329, de 14/07/2016, pág. 18/39
4/23 [010] A Figura 3 é uma vista diagramática de um método para selecionar uma tolerância para um algoritmo de busca hiperespectral de acordo com uma realização da invenção.
[011] A Figura 4a mostra uma situação em que um sistema de imageamento hiperespectral de acordo com uma realização da invenção detectou e rastreou dois objetos.
[012] A Figura 4b mostra uma situação em que um sistema de imageamento hiperespectral de acordo com uma realização da invenção detecta mudanças nos objetos rastreados.
Descrição de Realizações da Invenção [013] Nos antecedentes e na descrição a seguir, por finalidades explicativas, os inúmeros detalhes específicos são definidos a fim de fornecer uma compreensão completa da tecnologia descrita no presente documento. Será evidente a um técnico no assunto, no entanto, que as realizações exemplificativas podem ser praticadas sem esses detalhes específicos. Em outros casos, as estruturas e dispositivo são mostrados em forma de diagrama a fim de facilitar a descrição das realizações exemplificativas.
[014] As realizações exemplificativas são descritas com referência aos desenhos. Estes desenhos ilustram certos detalhes das realizações específicas que implantam um módulo, produto de programa de computador ou método descritos no presente documento. No entanto, os desenhos não devem ser interpretados como impondo quaisquer limitações que podem estar presentes nos desenhos. O produto de programa de computador e método pode ser fornecido em qualquer meio legível por máquina para concluir suas operações. As realizações podem ser implantadas com o uso de um processador de computador existente ou por um processador de computador de finalidade especial incorporado para essa ou outra finalidade ou por um sistema programado.
Petição 870160036329, de 14/07/2016, pág. 19/39
5/23 [015] Conforme observado acima, as realizações descritas no presente documento podem incluir um produto de programa de computador que compreende o meio legível por máquina para transportar ou ter instruções executáveis por máquina ou estruturas de dados armazenadas no mesmo. Tal meio legível por máquina pode ser qualquer meio disponível, que pode ser acessado por um computador de finalidade especial ou finalidade geral ou outra máquina com um processador. A título exemplificativo, tal meio legível por máquina pode compreender RAM, ROM, EPROM, EEPROM, CD-ROM ou outro armazenamento de disco óptico, armazenamento de disco magnético ou outros dispositivos de armazenamento magnético ou quaisquer outros meios que podem ser utilizados para transportar ou armazenar o código de programa desejado na forma de instruções executáveis por máquina ou estruturas de dados e que pode ser acessado por um computador de finalidade especial ou finalidade geral ou outra máquina com um processador. Quando as informações são transferidas ou fornecidas sobre uma rede ou outra conexão de comunicação (até mesmo programado, sem fio ou uma correspondência de programado ou sem fio) a uma máquina, a máquina visualiza corretamente a conexão como um meio legível por máquina. Assim, qualquer conexão é corretamente denominada um meio legível por máquina. As combinações do acima também estão incluídas dentro do âmbito do meio legível por máquina. As instruções executáveis por máquina compreendem, por exemplo, instruções e dados, que ocasionam um computador de finalidade geral, computador de finalidade especial ou máquinas de processamento com finalidade especial de realizar certa função ou grupo de funções.
[016] As realizações serão descritas no contexto geral das etapas de método que podem estar implantadas em uma realização por um produto de programa que inclui instruções executáveis por máquina, como código de programa, por exemplo, na forma de módulos de programa executados por
Petição 870160036329, de 14/07/2016, pág. 20/39
6/23 máquinas em ambientes de rede. Em geral, os módulos de programa incluem rotinas, programas, objetos, componentes, estruturas de dados e etc. que têm o efeito técnico de realizar tarefas particulares ou implantar tipos de dados abstratos particulares. As instruções executáveis por máquina, estruturas de dados associados e módulos de programa representam exemplos do código de programa para executar etapas do método revelado no presente documento. A sequência particular de tais estruturas de dados associados ou instruções executáveis representam exemplos dos atos correspondentes para implantar as funções descritas em tais etapas.
[017] As realizações podem ser praticadas em um ambiente de rede com o uso de conexões lógicas a um ou mais computadores remotos que têm processadores. As conexões lógicas podem incluir uma rede de área local (LAN) e uma rede de área estendida (WAN) que estão presentes no documento a título exemplificativo e não limitante. Tais ambientes de rede são comuns em redes de computador que abrangem toda a empresa ou todo escritório, intranets e a internet e podem utilizar uma grande variedade de protocolos de comunicação diferentes. Aquele técnico no assunto irá verificar que tais ambientes de comunicação de rede irão abranger normalmente muitos tipos de configuração de sistema de computador, que inclui computadores pessoais, dispositivos de mão, sistemas de multiprocessadores, eletrônicos de consumidor programável ou com base de microprocessador, PCs de rede, minicomputadores, computadores de estrutura principal e similares.
[018] As realizações também podem ser praticadas em ambientes de computação distribuídos onde as tarefas são realizadas por dispositivos de processamento remoto ou local que estão unidos por enlace (até mesmo por enlaces programados, enlaces sem fio ou por uma correspondência de enlaces sem fio ou programados) através de uma rede de comunicação. Em um ambiente de computação distribuído, os módulos de programa podem estar loPetição 870160036329, de 14/07/2016, pág. 21/39
7/23 calizados em tanto dispositivos de armazenamento de memória remoto quanto local.
[019] Um sistema exemplificativo para implantar todas ou partes das realizações exemplificativas precisa incluir um dispositivo de computação de finalidade geral na forma de um computador, que inclui uma unidade de processamento, uma memória de sistema e um barramento de sistemas que acoplam vários componentes de sistemas que incluem a memória de sistema para a unidade de processamento. A memória de sistema pode incluir memória somente para leitura (ROM) e memória de acesso randômico (RAM). O computador também pode incluir uma unidade de disco rígido magnético para a leitura de um disco rígido magnético e a gravação para o mesmo, uma unidade de disco magnético para a leitura de um disco magnético removível ou a gravação para o mesmo e uma unidade de disco óptico para a leitura de um disco óptico removível ou a gravação para o mesmo como um CD-ROM ou outro meio óptico. Os drives e seu meio legível por máquina associado fornecem armazenamento não volátil das instruções executáveis por máquina, estruturas de dados, módulos de programa e outros dados para o computador.
[020] Os efeitos técnicos do método revelado nas realizações incluem o aumento da utilidade e desempenho da correspondência de assinatura hiperespectral, especialmente quando os métodos de rastreamento e detecção de objeto são utilizados em conjunto com o método. O método reduz a quantidade de horas de trabalho necessárias para observar um alvo rastreado. Também, o método melhora na associação e identificação autônoma de novos objetos, relacionados àqueles já rastreados, evita a perda do rastreamento e estende o rastreamento autônomo, removendo a necessidade de revisão instantânea pelo operador humano. Essa técnica pode ser utilizada em qualquer sistema que gera imagens compostas das matrizes de cubos espectrais.
Petição 870160036329, de 14/07/2016, pág. 22/39
8/23 [021] A Figura 1 é uma vista diagramática de um método 10 para rastrear e determinar uma probabilidade de detecção dos objetos observados em HSI de acordo com uma primeira realização da invenção. O HSI detectado remotamente que pode incluir imagens únicas ou uma transmissão de vídeo hiperespectral pode ser inserido em 12 a um processador com capacidade de processar o HSI. O processador recebe os dados hiperespectrais em 12 e processa o conjunto de dados dentro de um conjunto de quadros de imagens hiperespectrais em 14 pela execução de uma sucessão de etapas de processamento de imagem conhecidas que podem incluir, mas não se limitam a filtragem de ruído, detecção do tipo corner (corner detection), registro de imagem, homografia e alinhamento quadro-a-quadro. O processador pode selecionar em seguida os alvos candidatos com o uso de algoritmos de busca em 16 a partir dos objetos rastreados nos quadros de imagem hiperespectral, em que os alvos candidatos e os objetos rastreados são os conjuntos de pixels que podem representar a imagem hiperespectral de um objeto do mundo real do interesse. Por exemplo, em um sistema de coleta de HSI, ou seja, projetado para procurar por alvos móveis, os alvos candidatos podem ser objetos móveis. Nesse exemplo, o processador pode realizar uma busca computacional para as características discriminantes mínimas que identificam os objetos móveis no HSI. Em outro exemplo, um usuário de um sistema de coleta de HSI seleciona manualmente os pixels em um visor e identifica as assinaturas correspondentes para análise adicional.
[022] O processador pode rastrear em seguida os alvos candidatos selecionados em 18 a partir do quadro ao quadro do HSI. O processador pode comparar em 20 os alvos candidatos selecionados para fazer referência aos modelos alvos dos alvos conhecidos armazenados em uma base de dados modelo em 28 em que modelos alvos de referência são os conjuntos dos pixels
Petição 870160036329, de 14/07/2016, pág. 23/39
9/23 que podem ter sido estabelecidos anteriormente para representar a imagem hiperespectral de um objeto do mundo real de interesse.
[023] Em 22, o processador pode fazer uma comparação de correspondência. Se um alvo candidato selecionado corresponder a um modelo alvo de referência a partir da base de dados modelo em 28, o processador em 24 pode determinar em seguida um grau de correspondência entre o alvo candidato selecionado e um modelo alvo de referência e uma probabilidade que o alvo candidato selecionado foi detectado. Se o alvo candidato selecionado não corresponder a um modelo, o processador pode mesmo depois considerar o alvo candidato selecionado para ser um novo modelo alvo de referência em 30 ou descartar o mesmo em 32. Se o alvo candidato selecionado for considerado um novo modelo em 30, o processador pode em seguida adicionar dados em relação ao novo modelo para a base de dados modelo alvo em 28.
[024] Após a determinação do grau de correspondência e da probabilidade de detecção em 24, o processador pode comparar a probabilidade a um limiar em 26. Se a probabilidade exceder um limiar, o processador pode tomar uma ação em 34. Caso contrário, o processador pode continuar a rastrear o alvo candidato selecionado em 18.
[025] Após os modelos alvo de referência específica serem identificados a partir da base de dados modelo alvo de referência em 28 e comparados em 20 com os alvos candidatos, o processador pode calcular o grau de correspondência e a probabilidade de detecção em 24. O grau de correspondência e a probabilidade de detecção podem pedir a probabilidade de o alvo candidato selecionado ser uma correspondência para um modelo alvo de referência específica pela primeira comparação em 24 das assinaturas espectrais de topo que aparecem no alvo candidato selecionado com as assinaturas espectrais de topo que definem o modelo alvo de referência, e, em seguida, combina-os espacialmente.
Petição 870160036329, de 14/07/2016, pág. 24/39
10/23 [026] O processador que computa o método de determinação do grau de correspondência e probabilidade de detecção em 24 pode determinar primeiro o conjunto de assinaturas principais que aparecem em tanto alvo candidato selecionado quanto modelo alvo de referência. Em seguida, o processador pode calcular a distribuição daquelas assinaturas principais com base no número de pixels em tanto alvo candidato selecionado quanto modelo alvo de referência. Para fazer isso, a primeira etapa é para determinar o conjunto de assinaturas no modelo alvo de referência que cobrem certa percentagem dos pixels no modelo alvo de referência e determinar a percentagem de cada uma das assinaturas no modelo alvo de referência. O processador que computa o método em 24 pode determinar em seguida a distribuição de assinaturas para um alvo candidato selecionado. Se a distribuição dos pixels em cada assinatura for similar à distribuição de assinaturas no modelo alvo de referência, o processador que computa o método pode calcular em seguida o grau de correspondência para cada uma das assinaturas considerando a máxima e a mínima diferença entre os pixels de assinatura similar. O processador que computa a similaridade entre as distribuições de pixel hiperespectral pode empregar uma ou mais medidas de similaridade para a computação. As medidas de similaridade podem incluir o SAM, o SID, a ZMDA ou a distância de Bhattacharyya. O processador pode empregar outras medidas de similaridade dependendo da implantação.
[027] Deixe Si = {si, S2, · · · , Sp} ser o conjunto de assinaturas em um alvo e deixe Xj ser um pixel na localização ij em duas representações espaciais dimensionais de um quadro hiperespectral. O pixel Xj é compensado de uma matriz de subpixels de modo que o pixel xij tenha um conjunto de valores Xbi, Xb2, · · ·, xbq em que q é o número de bandas espectrais nas imagens hiperespectrais. Portanto, cada pixel contém um valor de subpixel associado a cada banda espectral para a localização espacial revelada pelo pixel.
Petição 870160036329, de 14/07/2016, pág. 25/39
11/23 [028] Um alvo candidato selecionado sobre o qual se faz referência no documento por questões de brevidade como o objeto O, que combina espacialmente o alvo modelo de referência sobre o qual se faz referência no documento por questões de brevidade como o alvo 7também pode corresponder espacialmente o alvo T com confiança C se o conjunto de assinaturas principais R% no alvo Taparecer em um proporção similar λ no objeto 0/. A meta é para corresponder o objeto e o alvo espacialmente e espectralmente, ou seja, as formas e as assinaturas do objeto e alvo são similares.
[029] Deixe Λ/,-ser o número de pixels no objeto O,e nu, n-,2, , riir com r < p que define a cardinalidade ou o tamanho dos conjuntos de pixels no objeto O,· que apresenta assinaturas similares Si, s2, , sr. O processador que computa o método em 24 considera dois objetos O, e Oj uma correspondência espectral se o topo R% das assinaturas espectrais no objeto O, corresponderem as assinaturas principais R% do objeto Oj. Os dois objetos 0/ e Oj correspondem em λ precisamente se para todos os números selecionados de assinaturas principais do objeto 0,e Oj denotadas como {nn, n-,2, , e {ημ, rij2, , rijr} respectivamente:
«ii
Λ/; rç/i <2 <λ [030] O grau de correspondência para cada assinatura / pode ser definido como:
ijjfOpOj) = 1 — niüLí, |x;! — XjjJ — min; |x;! —
Petição 870160036329, de 14/07/2016, pág. 26/39
12/23 [031] O método pode empregar outras definições para o grau de correspondência para cada assinatura, /. Qualquer definição para determinar o grau de correspondência em 24 precisa adequar-se a definição matemática conhecida de uma medida difusa.
[032] Finalmente, o processador que computa o método em 24 pode calcular uma probabilidade de detecção com base na similaridade entre o conjunto de assinaturas no modelo e o conjunto de assinaturas no objeto. Considerando Λ//Ο número de pixels no objeto O,e Λ/y o número de pixels no objeto Oj, o processador pode calcular a probabilidade de detecção em 24 com base no grau de correspondência e no número de pixels que combinam cada assinatura. O processador pode calcular a probabilidade de detecção normalizando o grau de correspondência em relação ao número de pixels do objeto para determinar um nível de confiança relacionado a quão próxima a imagem do objeto alvo candidato selecionado está de corresponder ao modelo alvo de referência de imagem hiperespectral. A probabilidade de detecção, referida como TM, é computada como: y [033] Em que o número Ni/s dos pixels em Ο/ λ corresponde à assinatura s.
[034] Em 26, a probabilidade de detecção ou TTWpara um objeto de alvo candidato selecionado como uma correspondência para um modelo alvo pode ser comparada a um limiar. Conforme mostrado em 26, o processador pode calcular a TM - 1 e comparar o limiar, ε. Se a quantidade de TM - 1 exceder o limiar, ε, o processador pode tomar uma ação em 34. Caso contrário, o processador pode continuar a rastrear o alvo candidato selecionado em 18. O valor da limiar, ε, pode ser selecionado com base na implantação limiar do algoritmo de correspondência em 22, o algoritmo de busca em 16 e as informações pertencem ao alvo candidato específico e modelo alvo de referência na
Petição 870160036329, de 14/07/2016, pág. 27/39
13/23 base de dados em 28 como a velocidade do objeto calculado na situação do HSI.
[035] Os níveis diferentes de confiança são definidos com base no valor de TM. Por exemplo, em um caso, se o TM é menor que 0,35 o nível de confiança será muito menor; se o TM é entre 0,35 e 0,60, o nível de confiança será menor, se o TM é entre 0.60 e 0.75, o nível de confiança será médio; se o TM é entre 0,75 e 0,85, o nível de confiança será médio a alto; e se o TM é maior que 0,85, o nível de confiança será alto. Como a probabilidade de uma correspondência torna-se mais provável, um visor dos resultados podem iterar através de uma sucessão de cores mapeada àqueles níveis de TM para distinguir alvos detectados com um nível alto de confiança a partir dos alvos detectados com um nível baixo de confiança. Os pixels de uma imagem de um alvo detectado com um nível alto de confiança pode, por exemplo, serem todos de cor vermelha em um visor. Outras limiares, níveis de confiança e esquemas de visores podem ser utilizados dependendo da implantação.
[036] Quando o processador recebe dados em 12 e processa o mesmo em um conjunto de quadros hiperespectrais em 14, o processador pode em seguida selecionar os alvos candidatos em 16 a partir dos quadros hiperespectrais. O processador pode selecionar e utilizar um algoritmo de busca para os dados hiperespectrais para selecionar os alvos candidatos em 16. A dimensão dos dados hiperespectrais pode ter sido reduzido por meio das técnicas de redução dimensionalmente conhecidas, que inclui, mas não se limita às análises de componentes principais, extração de recursos e medições de entropia. A Figura 2 é uma vista esquemática de um método 100 para selecionar um algoritmo de busca para os dados hiperespectrais de acordo com uma realização da invenção. Selecionar um algoritmo de busca para dados hiperespectrais, um processador que computa o método em 100 pode salvar inicialmente as características de um quadro hiperespectral para uma base de dados em
Petição 870160036329, de 14/07/2016, pág. 28/39
14/23
110. Logo, o processador pode avaliar uma características do quadro hiperespectral em 112. Se o processador avaliar que a característica em 112 é de importância para o quadro hiperespectral, os processadores podem aplicar um algoritmo de busca para os dados em 116 para distinguir os alvos candidatos do quadro. Se o processador avaliar que a característica em 112 não é significante para o quadro hiperespectral, o processador pode avaliar uma segunda característica em 114. Se o processador avaliar que a segunda característica em 114 é de importância para o quadro hiperespectral, o processador pode aplicar um segundo algoritmo de busca espectral em 120 para os dados para distinguir os alvos candidatos do quadro. Se o processador avaliar que a segunda característica em 114 não é significante para o quadro, o processador pode avaliar uma terceira característica em 118. Se o processador avaliar que a terceira característica em 118 é de importância para o quadro hiperespectral, o processador pode aplicar um terceiro algoritmo de busca em 122 para os dados para distinguir os alvos candidatos do quadro hiperespectral. Se o processador avaliar que a terceira característica em 118 não é significante para o quadro hiperespectral, o processador pode aplicar um algoritmo de busca de falha 124 para os dados.
[037] Inicialmente, o processador pode determinar características de um quadro hiperespectral em 110. O processador pode salvar as características do quadro hiperespectral em 110 de modo que as mesmas estejam disponíveis para o processamento adicional ao selecionar um algoritmo de busca. Características de exemplo podem incluir uma estimativa da variabilidade da iluminação da situação imaginado, da variabilidade dos pixels com as assinaturas similares e o número de assinaturas distintas no modelo alvo de referência. Outras características do quadro hiperespectral podem ser consideradas e esses exemplos podem não ser consideradas limitadoras.
Petição 870160036329, de 14/07/2016, pág. 29/39
15/23 [038] Com base em uma avaliação da primeira característica em 112 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca que tem sido verificado para funcionar bem com os dados hiperespectrais definidos por aquela primeira característica em 116. Se a avaliação da primeira característica em 112 do quadro hiperespectral não indicar que o primeiro algoritmo de busca irá funcionar bem com o quadro hiperespectral, o processador pode acessar as características de quadro salvas a partir de 110 para uma avaliação de uma segunda característica de quadro em 114. Em um exemplo, a primeira característica pode ser a variabilidade da iluminação da situação imaginada do quadro hiperespectral. O processador pode acessar as características do quadro hiperespectral para determinar a variabilidade da iluminação da situação imaginada. O processador pode tomar uma decisão para determinar se a variabilidade é alta ou baixa. O processador pode utilizar outras características de quadro como uma primeira característica de quadro dependendo da implantação.
[039] Se a primeira característica de quadro hiperespectral é avaliada para ser de importância, o processador pode utilizar um primeiro algoritmo de busca em 116 para processar o quadro hiperespectral e seus alvos candidatos. Nesse exemplo, se o processador calcular a alta variabilidade de iluminação da situação imaginada, um algoritmo de busca com base no SAM pode processar a situação imaginada para os melhores resultados. O método pode utilizar outros algoritmos de busca com base nos métodos de classificação que incluem, mas não se limita ao SID, a distância de Mahalanobis, a ZMDA e a distância de Bhattacharyya, dependendo da implantação.
[040] Com base em uma avaliação da segunda característica em 114 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca, ou seja, conhecido para funcionar bem com os dados hiperespectrais definidos por aquela segunda característica em 120. Se a avaliação da segunPetição 870160036329, de 14/07/2016, pág. 30/39
16/23 da característica em 114 do quadro hiperespectral não indicar que o segundo algoritmo de busca irá funcionar bem com o quadro hiperespectral, o processador pode acessar as características de quadro salvas a partir de 110 para uma avaliação de uma terceira característica de quadro em 118. Em um exemplo, a segunda característica pode ser a variabilidade dos pixels com assinaturas similares. O processador pode acessar as características do quadro hiperespectral para determinar a variabilidade dos pixels com as assinaturas similares. O processador pode tomar uma decisão para determinar se a variabilidade é alta ou baixa. O processador pode utilizar outras características de quadro como uma segunda característica de quadro dependendo da implantação.
[041] Se a segunda característica de quadro hiperespectral é avaliada para ser de importância, o processador pode utilizar um segundo algoritmo de busca em 120 para processar o quadro hiperespectral e seus alvos candidatos. Nesse exemplo, se o processador calcular a alta variabilidade dos pixels com assinaturas similares, um algoritmo de busca com base em SID pode processar a situação imaginada para os melhores resultados. O método pode utilizar outros algoritmos de busca com base em similaridade ou medidas de distância, que inclui, mas não se limita ao SAM, a distância de Mahalanobis, a ZMDA e a distância de Bhattacharyya, dependendo da implantação.
[042] Com base em uma avaliação da terceira característica em 118 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca, ou seja, conhecido para funcionar bem com os dados hiperespectrais definidos por aquela terceira característica em 122. Se a avaliação da terceira característica em 118 do quadro hiperespectral não indicar que o terceiro algoritmo de busca irá funcionar bem com o quadro hiperespectral, o processador pode aplicar um algoritmo de busca de falha em 124 para processar o quadro hiperespectral. Em um exemplo, a terceira característica pode ser o número de assinaturas distintas no modelo alvo de referência. O processador pode acesPetição 870160036329, de 14/07/2016, pág. 31/39
17/23 sar as características do quadro hiperespectral que inclui anteriormente os alvos rastreados e que correspondem ao modelo alvo de referências para determinar o número de assinaturas distintas no modelo alvo de referência. O processador pode tomar uma decisão para determinar se o número de assinaturas distintas no modelo alvo de referência é alto ou baixo. O processador pode utilizar outras características de quadro como uma terceira característica de quadro dependendo da implantação.
[043] Se a terceira característica de quadro hiperespectral é avaliada para ser significativa, o processador pode utilizar um terceiro algoritmo de busca em 122 para processar o quadro hiperespectral e seus alvos candidatos. Nesse exemplo, se o processador calcular um número alto de assinaturas distintas no modelo alvo de referência, um algoritmo de busca com base em distância de Mahalanobis pode processar a situação imaginada para os melhores resultados. O método pode utilizar outros algoritmos de busca com base na similaridade ou medidas de distância, que incluem, mas não se limitam ao SAM, o SID, a ZMDA e a distância de Bhattacharyya, dependendo da implantação.
[044] Após o esgotamento das características de quadro, o processador pode utilizar um algoritmo de busca de falha em 124 para processar o quadro hiperespectral e seus alvos candidatos. O algoritmo de busca de falha pode estar com base em qualquer do SAM, do SID, da distância de Mahalanobis, da ZMDA e da distância de Bhattacharyya. O método pode utilizar outro algoritmo de buscas como um algoritmo de busca de falha, dependendo da implantação.
[045] O método em 100 pode implantar etapas adicionais com o uso de outras características de quadro e suas avaliações. As características de quadro podem ser encadeadas em série nas etapas de decisão que seguem as etapas de decisão reveladas anteriormente em 112, 114, e 118. Também, o processador pode avaliar múltiplas características de quadro para determinar
Petição 870160036329, de 14/07/2016, pág. 32/39
18/23 se um algoritmo de busca particular é desenvolvido otimamente para processar o quadro hiperespectral.
[046] O método em 100 pode implantar algoritmos de busca adicionais. Por exemplo, o processador pode executar múltiplos algoritmos de busca simultaneamente no quadro hiperespectral. O processador em seguida pode agregar os resultados com o uso de metodologias que tomam decisão multicritério a partir do processamento simultâneo de múltiplos algoritmos de busca no interior um resultado único.
[047] A Figura 3 é uma vista esquemática de um método em 200 para selecionar uma tolerância para um algoritmo de busca. Quando o processamento do quadro hiperespectral com um algoritmo de busca selecionado em 116, 120, 122 e 124 na Figura 2, os parâmetros ou as tolerâncias do algoritmo dado podem ser inicialmente definidas para um valor ou valores de falha em 210. O algoritmo de busca em seguida pode processar os dados a partir do quadro hiperespectral ao longo com as tolerâncias de falha em 212. O algoritmo de busca selecionado pode computar o número de pixels hiperespectrais ao quadro hiperespectral que são determinados para corresponder os alvos candidatos do quadro hiperespectral ao modelo alvo de referência em 216. Se também alguns pixels hiperespectrais corresponderem os alvos candidatos do quadro hiperespectral ao modelo alvo de referência, o processador pode ceder as tolerâncias para o algoritmo de busca selecionado em 218 e em seguida o algoritmo de busca pode em seguida processar o quadro hiperespectral novamente em 212 com as tolerâncias modificadas. Se também alguns pixels hiperespectrais corresponderem os alvos candidatos do quadro hiperespectral ao modelo alvo de referência, o processador pode reduzir as tolerâncias para o algoritmo de busca selecionado em 214 e em seguida o algoritmo de busca pode em seguida processar o quadro hiperespectral novamente em 212 com as tolerâncias modificadas. Se um número aceitável de pixels hiperespectrais
Petição 870160036329, de 14/07/2016, pág. 33/39
19/23 corresponderem, o processador pode salvar a localização e as assinaturas dos pixels hiperespectrais de correspondência em 220.
[048] O processador pode repetir as etapas de modificação das tolerâncias do algoritmo de busca em 214 e 218 seguidas do processamento do quadro hiperespectral com o algoritmo de busca selecionado em 212 até o número de correspondência dos pixels em 216 encontra-se dentro dos limites aceitáveis.
[049] O método em 10 na Figura 1 para rastrear e determinar uma probabilidade de detecção dos objetos observados em HSI de acordo com uma primeira realização da invenção pode orientar uma ação em 34 na Figura 1 com base na probabilidade de detecção para um alvo candidato que excede um limiar em 26 na Figura 1 com base nas análises dos parâmetros espaciais e espectrais do alvo candidato relativos aos modelos conhecidos na base de dados modelo alvo de referência em 28. Nesse ponto, cada alvo candidato pode ter um identificador exclusivo associado ao seu. Se o processador que computa o método em 10 da Figura 1 detectar desvio em um alvo candidato com base nas mudanças em suas características espaciais e espectrais, o processador pode em seguida marcar automaticamente o desvio como um evento significante naquele ciclo de vida do alvo. O processador em seguida pode destinar um identificador para identificar o alvo desviado como um novo objeto. O processador pode agregar todos os eventos alvo no interior de uma linha do tempo revisável, em que um operador humano tem a habilidade de avaliar e corrigir potencialmente a escolha do processador de associação de identificadores existentes ou novos aos objetos rastreados.
[050] O processador que computa o método em 10 na Figura 1 pode criar uma entrada na base de dados modelo alvo em 28 na Figura 1 com descrições de tanto as informações espaciais quanto as hiperespectrais e as características do alvo candidato no ponto de seleção alvo em 16 na Figura 1.
Petição 870160036329, de 14/07/2016, pág. 34/39
20/23
Adicionalmente às informações espaciais e hiperespectrais, a base de dados modelo alvo em 28 na Figura 1 também pode armazenar informações sobre o tempo já que o processador rastreia o alvo candidato no HSI. Se o processador detecta um desvio nos parâmetros espaciais ou espectrais em 20 na Figura 1 utilizada para rastrear um alvo candidato, o processador pode armazenar informações na base de dados em 28 na Figura 1 que classifica as mudanças como um evento que pode ser utilizado para a revisão futura. Adicionalmente, o processador pode associar até mesmo o mesmo ou um identificador exclusivo novo para o novo objeto cujos parâmetros definidos são sensivelmente diferentes do que o alvo original. O processador pode basear a decisão de atribuir um evento em uma medição de confiança calculada para determinar um desvio significante dos parâmetros estabelecidos. A medição de confiança pode utilizar parâmetros definidos no espacial, espectral ou ambos os domínios para ser robusto para os erros de captação nas informações espaciais e hiperespectrais.
[051] Existem muitas situações em que os parâmetros de um alvo candidato podem desviar significativamente de seus parâmetros estabelecidos anteriormente e acionar um evento. Tais situações podem incluir; um objeto rastreado torna-se obstruído por outro objeto; um objeto rastreado divide-se em múltiplos objetos separados; um objeto rastreado muda significativamente suas características espectrais, como cor, contraste ou brilho atravessando para dentro de um área coberta por sombra. Outras situações existem e essas não precisam ser consideradas limitadoras. Se o processador não pode associar a um alvo candidato antes e após tal evento, o processador pode associar o mesmo identificador utilizado para o alvo candidato antes do evento para um ou mais novos alvos candidatos após o evento, que remove a possibilidade de perda ou de tachar erroneamente o alvo.
Petição 870160036329, de 14/07/2016, pág. 35/39
21/23 [052] As Figuras 4a e 4b demonstram essa situação exemplificadora. A Figura 4a mostra uma situação exemplificadora em 300 em que o método para rastrear e determinar uma probabilidade de detecção dos objetos observados em HSI de acordo com uma realização da invenção tem detectado e rastreado dois veículos 310, 312 que viajem em um caminho. O processador que implanta o método em 10 na Figura 1 processa os dados hiperespectrais recebidos em 12 na Figura 1 em uma sequência de quadros hiperespectrais em 14 na Figura 1 para selecionar alvos candidatos em 16 na Figura 1. Sob uma comparação dos alvos candidatos em 20 na Figura 1 com modelos na base de dados modelo alvo de referência em 28 na Figura 1, os cálculos resultantes do grau de correspondência e probabilidade de detecção em 24 na Figura 1 são significantes e ação desencadeadora em 34 na Figura 1. O processador designa a cada carro 310, 312 um identificador alvo que pode ser armazenado na base de dados modelo alvo de referência em 28 na Figura 1.
[053] A Figura 4b mostra uma situação em que o método para rastrear e determinar uma probabilidade de detecção dos objetos observados em HSI de acordo com uma realização da invenção tem detectado mudanças nos objetos rastreados. A Figura 4b demonstra um evento por meio do qual um dos alvos candidatos anteriormente identificados, um carro 310 na Figura 4A viaja sob a sombra 318 de uma árvore 324 desse modo mudando significativamente as características espectrais do carro rastreado 310 na Figura 4A. Adicionalmente, um segundo carro similar está agora viajando próximo do carro anteriormente rastreado 310 na Figura 4A. O processador que computa o método como 10 na Figura 1 pode distinguira agora com baixa confiança que o carro 314 ou 316 é o carro identificado e rastreado anteriormente 310 na Figura 4A. O processador pode tomar a ação em 34 na Figura 1 para identificar ambos os carros 314 e 316 com identificadores que podem estar associados ao
Petição 870160036329, de 14/07/2016, pág. 36/39
22/23 identificador do carro rastreado anteriormente e registrar o tempo do evento dentro da base de dados em 28 na Figura 1 para ambos os objetos.
[054] O segundo dentre os alvos candidatos anteriormente identificados, um carro 312 na Figura 4A estaciona em um estacionamento e um passageiro 322 saí do veículo agora estacionado 320. O processador pode detectar e identificar um evento pelo qual o objeto original do carro 312 na Figura 4A foram separados em dois objetos rastreados separadamente. O processador pode tomar a ação como a 34 na Figura 1 para identificar tanto o carro 320 quanto a pessoa 322 com identificadores que podem estar associados ao carro 312 na Figura 4A antes do evento e registrar o tempo do evento dentro da base de dados em 28 na Figura 1.
[055] Um benefício para armazenar as informações sobre o evento e criar identificadores que podem ser associados a eventos é que um operador do sistema pode recordar a história de evento de qualquer alvo associado a qualquer identificador alvo. O operador pode em seguida analisar todos os objetos com aquele identificador ou identificadores associados que estão sendo rastreados juntamente com a história do objeto para a revisão. O histórico de evento pode incluir todos os dados relacionados a todos os eventos em que o identificador alternado do sistema para os objetos rastreados. Adicionalmente, o operador pode corrigir manualmente o sistema se o identificador que foi associado com um alvo ou alvos em um evento estiver incorreto.
[056] Essa descrição por escrito utiliza exemplos para revelar a invenção, que inclui o melhor modo, e também para possibilitar que qualquer técnico no assunto pratique a invenção, incluindo produzir e utilizar quaisquer dispositivos ou sistemas e realizar quaisquer métodos incorporados. O escopo patenteável da invenção é definido pelas reivindicações, e pode incluir outros exemplos que ocorram àqueles técnicos no assunto. Tais outros exemplos são destinados a estarem dentro do escopo das reivindicações caso eles tenham
Petição 870160036329, de 14/07/2016, pág. 37/39
23/23 elementos estruturais que não difiram da linguagem literal das reivindicações ou caso os mesmos incluam elementos estruturais equivalentes com diferenças insubstanciais das linguagens literais das reivindicações.
Petição 870160036329, de 14/07/2016, pág. 38/39
1/1

Claims (5)

  1. Reivindicações
    1. MÉTODO (10) DE IDENTIFICAÇÃO DE UM OBJETO RASTREADO, caracterizado por compreender as etapas:
    - rastrear um objeto com o uso de um sensor de imageamento, em que o objeto rastreado tem uma base de dados conhecida das informações espaciais e hiperespectrais;
    - associar um identificador ao objeto rastreado;
    - selecionar pelo menos um parâmetro associado às informações espaciais ou hiperespectrais do objeto rastreado;
    - detectar um desvio no pelo menos um parâmetro selecionado;
    - comparar (20) o desvio com a base de dados (28); e
    - se o desvio exceder um limiar predeterminado, atribuir um novo identificador ao objeto rastreado, e, se o desvio não exceder o limiar predeterminado, continuar o rastreamento do objeto rastreado.
  2. 2. MÉTODO (10), de acordo com a reivindicação 1 caracterizado pelo fato de que compreende a etapa de atualização da base de dados com uma mudança em pelo menos um parâmetro.
  3. 3. MÉTODO (10), de acordo com a reivindicação 1 caracterizado pelo fato de que compreende a etapa de identificação da etapa de detecção de um desvio no pelo menos um parâmetro selecionado como um evento.
  4. 4. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que o pelo menos um parâmetro inclui um dentre uma cor, contraste, brilho, formato, velocidade, direção, tamanho e localização.
  5. 5. MÉTODO (10), de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de comparação do desvio com a base de dados é realizada com um dentre Mapeamento do Angulo Espectral (SAM), Divergência de Informação Espectral (SID), Ângulo Diferencial Igual a Zero (ZMDA), distância de Mahalanobis, distância de Bhattacharyya.
    Petição 870160036329, de 14/07/2016, pág. 15/39
    1/5
BR102013020974-0A 2012-08-17 2013-08-16 Método de identificação de um objeto rastreado BR102013020974A2 (pt)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/588,568 US9122929B2 (en) 2012-08-17 2012-08-17 Method of identifying a tracked object for use in processing hyperspectral data
US13/588,568 2012-08-17

Publications (1)

Publication Number Publication Date
BR102013020974A2 true BR102013020974A2 (pt) 2018-02-14

Family

ID=49035303

Family Applications (1)

Application Number Title Priority Date Filing Date
BR102013020974-0A BR102013020974A2 (pt) 2012-08-17 2013-08-16 Método de identificação de um objeto rastreado

Country Status (6)

Country Link
US (1) US9122929B2 (pt)
EP (1) EP2698740A3 (pt)
JP (1) JP6411718B2 (pt)
CN (1) CN103810226B (pt)
BR (1) BR102013020974A2 (pt)
CA (1) CA2823369C (pt)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430846B2 (en) 2013-04-19 2016-08-30 Ge Aviation Systems Llc Method of tracking objects using hyperspectral imagery
US9256786B2 (en) * 2013-10-15 2016-02-09 Ge Aviation Systems Llc Method of identification from a spatial and spectral object model
US11615460B1 (en) 2013-11-26 2023-03-28 Amazon Technologies, Inc. User path development
WO2015086296A1 (en) * 2013-12-10 2015-06-18 Bae Systems Plc Data processing method and system
WO2015086295A1 (en) 2013-12-10 2015-06-18 Bae Systems Plc Data processing method
US10890648B2 (en) * 2014-10-24 2021-01-12 Texas Instruments Incorporated Method and apparatus for generating alignment matrix for camera-radar system
US11205270B1 (en) * 2015-03-25 2021-12-21 Amazon Technologies, Inc. Collecting user pattern descriptors for use in tracking a movement of a user within a materials handling facility
US10810539B1 (en) 2015-03-25 2020-10-20 Amazon Technologies, Inc. Re-establishing tracking of a user within a materials handling facility
CN105043544B (zh) * 2015-05-05 2017-06-20 中山大学 一种图像光谱跟踪方法及系统
EP3317624B1 (en) 2015-07-05 2019-08-07 The Whollysee Ltd. Optical identification and characterization system and tags
CN106776641B (zh) * 2015-11-24 2020-09-08 华为技术有限公司 一种数据处理方法及装置
WO2017147792A1 (en) * 2016-03-01 2017-09-08 SZ DJI Technology Co., Ltd. Methods and systems for target tracking
SE542124C2 (en) * 2016-06-17 2020-02-25 Irisity Ab Publ A monitoring system for security technology
JP7089296B2 (ja) * 2016-09-06 2022-06-22 ビー．ジー．ネゲブ テクノロジーズ アンド アプリケーションズ リミテッド， アット ベン‐グリオン ユニバーシティー 画像からのハイパースペクトルデータの回復
CN108510519B (zh) * 2017-02-28 2021-12-14 哈尔滨工业大学 一种跟踪过程中动态目标的特征光谱提取方法
US10657422B2 (en) * 2017-04-20 2020-05-19 The Boeing Company Methods and systems for hyper-spectral systems
CN107054654A (zh) * 2017-05-09 2017-08-18 广东容祺智能科技有限公司 一种无人机目标跟踪系统及方法
CN109214243A (zh) * 2017-07-03 2019-01-15 昊翔电能运动科技(昆山)有限公司 目标跟踪方法、装置及无人机
CN109215056A (zh) * 2017-07-03 2019-01-15 昊翔电能运动科技(昆山)有限公司 目标追踪方法及装置
CN107679454A (zh) * 2017-08-28 2018-02-09 深圳市盛路物联通讯技术有限公司 环境监测方法和相关设备
US20190096045A1 (en) * 2017-09-28 2019-03-28 4Sense, Inc. System and Method for Realizing Increased Granularity in Images of a Dataset
US11328513B1 (en) 2017-11-07 2022-05-10 Amazon Technologies, Inc. Agent re-verification and resolution using imaging
US10690525B2 (en) * 2018-01-03 2020-06-23 General Electric Company Systems and methods associated with unmanned aerial vehicle targeting accuracy
CN108225277A (zh) * 2018-03-09 2018-06-29 深圳臻迪信息技术有限公司 无人机的图像获取方法、视觉定位方法、装置、无人机
CN109165628B (zh) * 2018-09-12 2022-06-28 首都师范大学 提高动目标检测精度的方法、装置、电子设备及存储介质
EP3980940A1 (en) * 2019-06-07 2022-04-13 BASF Coatings GmbH Device and method for forming at least one ground truth database for an object recognition system
CN112966134B (zh) * 2021-03-26 2022-06-28 北京亿耘科技有限公司 一种遥感影像数据处理方法、系统和存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5559496A (en) * 1993-05-19 1996-09-24 Dubats; William C. Remote patrol system
US6985172B1 (en) * 1995-12-01 2006-01-10 Southwest Research Institute Model-based incident detection system with motion classification
DE60330898D1 (de) * 2002-11-12 2010-02-25 Intellivid Corp Verfahren und system zur verfolgung und verhaltensüberwachung von mehreren objekten, die sich durch mehrere sichtfelder bewegen
US6967612B1 (en) * 2004-10-22 2005-11-22 Gorman John D System and method for standoff detection of human carried explosives
US20070224694A1 (en) * 2006-02-10 2007-09-27 Puchalski Daniel M Method and system for hyperspectral detection of animal diseases
US7796833B2 (en) * 2006-02-16 2010-09-14 Cet, Llc Method for spectral data classification and detection in diverse lighting conditions
US20080243439A1 (en) * 2007-03-28 2008-10-02 Runkle Paul R Sensor exploration and management through adaptive sensing framework
DE102009020709A1 (de) * 2009-05-11 2010-11-18 Basso, Gertrud Verfahren und Vorrichtung zur Überwachung und Detektion von Zuständen der Luft und Bewuchs in Waldgebieten mit selbstlernenden Analyseverfahren zur Generierung von Alarmwahrscheinlichkeiten
US8203114B2 (en) * 2009-05-14 2012-06-19 Raytheon Company Adaptive spatial-spectral processing (ASSP)
US9103714B2 (en) * 2009-10-06 2015-08-11 Chemimage Corporation System and methods for explosives detection using SWIR
JP5285575B2 (ja) * 2009-11-04 2013-09-11 日本放送協会 人物行動判定装置及びそのプログラム
IL204089A (en) * 2010-02-21 2014-06-30 Elbit Systems Ltd A method and system for detection and tracking based on frequency multiplicity and multiplicity
US8285079B2 (en) * 2010-03-19 2012-10-09 Sony Corporation Method for highly accurate estimation of motion using phase correlation
US20120274775A1 (en) * 2010-10-20 2012-11-01 Leonard Reiffel Imager-based code-locating, reading and response methods and apparatus
CN102393913B (zh) * 2011-10-31 2017-04-05 北京航空航天大学 一种基于光谱指纹特征的弱小目标精确跟踪方法
US8989501B2 (en) * 2012-08-17 2015-03-24 Ge Aviation Systems Llc Method of selecting an algorithm for use in processing hyperspectral data

Also Published As

Publication number Publication date
EP2698740A2 (en) 2014-02-19
CN103810226A (zh) 2014-05-21
US20140050352A1 (en) 2014-02-20
US9122929B2 (en) 2015-09-01
CA2823369A1 (en) 2014-02-17
JP2014038620A (ja) 2014-02-27
CN103810226B (zh) 2018-11-09
EP2698740A3 (en) 2016-06-01
JP6411718B2 (ja) 2018-10-24
CA2823369C (en) 2019-12-17

Similar Documents

Publication Publication Date Title
BR102013020974A2 (pt) Método de identificação de um objeto rastreado
BR102013015147A2 (pt) Método para a seleção de um algoritmo para uso em processamento de dados hiperespectrais
US10614310B2 (en) Behavior recognition
CN106327526B (zh) 图像目标跟踪方法与系统
Keller et al. A new benchmark for stereo-based pedestrian detection
CN103914702B (zh) 用于提高视频中的对象检测性能的系统和方法
Keller et al. The benefits of dense stereo for pedestrian detection
BR102013019507A2 (pt) Método para avaliar a confiança de assinaturas equivalentes de uma imagem hiperespectral de pelo menos um objeto rastreado
US9690977B2 (en) Object identification using 3-D curve matching
Granström et al. Learning to close loops from range data
Rios-Cabrera et al. Efficient multi-camera vehicle detection, tracking, and identification in a tunnel surveillance application
CN105701448B (zh) 三维人脸点云鼻尖检测方法及应用其的数据处理装置
CN106169244A (zh) 利用人行横道识别结果的引导信息提供装置及方法
BR102013024785B1 (pt) sistema de processamento de imagem e método para o rastreamento de objetos em movimento em uma sequência de imagens
Granström et al. Learning to close the loop from 3D point clouds
CN111666860A (zh) 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法
Jedrasiak et al. SETh: the method for long-term object tracking
Elseberg et al. Full wave analysis in 3D laser scans for vegetation detection in urban environments
US9256786B2 (en) Method of identification from a spatial and spectral object model
Castañeda et al. Non-overlapping multi-camera detection and tracking of vehicles in tunnel surveillance
Wu et al. Realtime single-shot refinement neural network with adaptive receptive field for 3D object detection from LiDAR point cloud
Montoya et al. TreeTool: A tool for detecting trees and estimating their DBH using forest point clouds
CN111402185A (zh) 一种图像检测方法及装置
Khanloo et al. Max-margin offline pedestrian tracking with multiple cues
Sykas et al. Endmember labeling and Spectral Library building and updating based on hyperspectral images

Legal Events

Date Code Title Description
B03A Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette]
B06F Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette]
B06U Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette]
B11B Dismissal acc. art. 36, par 1 of ipl - no reply within 90 days to fullfil the necessary requirements