CN104766347B - 一种基于地基云图的云团移动预测方法 - Google Patents
一种基于地基云图的云团移动预测方法 Download PDFInfo
- Publication number
- CN104766347B CN104766347B CN201510213228.3A CN201510213228A CN104766347B CN 104766347 B CN104766347 B CN 104766347B CN 201510213228 A CN201510213228 A CN 201510213228A CN 104766347 B CN104766347 B CN 104766347B
- Authority
- CN
- China
- Prior art keywords
- cloud
- area
- mrow
- msub
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000001186 cumulative effect Effects 0.000 claims description 19
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于地基云图的云团移动预测方法，对经过云团区域识别的图像依次进行云团匹配、移动预测和面积校正。本发明的云团移动预测方法，基于云团计算位移矢量和云团面积伸缩系数，对云团的运动趋势提供了一种更加准确的预测方法，为光伏电站发电功率超短期准确预测提供了前提条件。
Description
技术领域
本发明涉及一种基于地基云图的云团移动预测方法，通过预测云团的运动趋势来判断云对太阳的遮挡情况，进而可实现光伏电站发电功率超短期预测。
背景技术
通常对云团运动趋势的估计是基于对全局运动矢量的估计。
Ricardo Marquez和Carlos F.M.Coimbra在“Intra-hour DNI forecastingbased on cloud tracking image analysis”,Solar Energy,October,2012中提出这样一种技术：将图像序列中的每一帧图像分成子块，对于当前帧中的每一块到前一帧某一给定搜索区域内所有候选块比较，基于累积灰度差异值最小原则，找出与当前块最相似的块，即块匹配，当前块与其匹配块之间的位移即为该块的位移矢量，通过对所有块的位移矢量统计聚类得到全局运动矢量，由此预测未来云团的位置，并通过确定同一时刻太阳所在位置，从而预测与遮挡的发生。Chi Wai Chow等人在“Intra-hour forecasting with a totalsky imager at the UC San Diego solar energy testbed”中提出的技术是基于归一化互相关系数最大化原则的块匹配，同样得到全局运动矢量，结合太阳运动轨迹预测遮挡的发生。
以上几种方法假设云团向一个方向运动，这在天气情况单一的情况下是可行的。实际中天空的情况比较复杂，受到不同方向的风力作用不同云团的运动情况不尽相同，并且，云团除了位移，还会消散，这对精确描述云团运动趋势提出了新的挑战。
发明内容
本发明的目的在于克服上述现有技术的不足之处而提供一种基于地基云图的云团移动预测方法，通过对云团的位置和面积变化的分析，分别对每个云团求位移矢量和面积缩放系数，从而更加精细的预测云团的运动趋势。
实现上述目的的技术方案是：
一种基于地基云图的云团移动预测方法，包括下列步骤：
步骤S1，云团匹配，包括以下步骤：
步骤S11，首先对图像进行预处理，将当前帧和前一帧经过云团区域识别的图像二值化，使云团区域用1表示，背景区域用0表示；然后对二值化图像用边长为3个像素的方块进行开运算，以将较小的云块和细小的连接消除，根据8连通规则，对开运算后的图像进行连通分量的检测，每检测完一个连通分量就相应作一标记，每个连通分量里的像素被分配给一个唯一的整数，该整数的范围为从1到连通分量的总数,每个连通分量被认为是一个云团，同时可以获得该云团的几何特征，所述该云团的几何特征包括该云团的面积以及包含该云团的最小矩形的位置和大小；
步骤S12，对于当前帧中的每一个云团在前一帧某一给定搜索区域内根据累积灰度差异值最小原则搜寻最佳匹配区域，所述累积灰度差异值的计算公式如下：
其中，C(Δx,Δy)为累积灰度差异值的矩阵，Δx,Δy表示搜索框相对于待匹配云团中心的偏移；ft(xi,yj)为当前帧中，中心在(xi,yj)，搜索框大小为包含待匹配云团的最小矩形的子图区域，ft-1(xi+Δx,yj+Δy)为前一帧中，中心在(xi+Δx,yj+Δy)，大小与ft(xi,yj)相等的子图区域；N表示横纵方向上的搜索范围；所述累积灰度差异值越小，表明两幅子图像之间的差异越小，可以近似认为这两幅子图像中的云团为同一云团在不同时刻的形态；
对某一云团，令其相应的搜索框的大小为包含该云团的最小矩形，标记该云团的位置为该矩形的中心，并设置横纵方向最大的搜索半径为20个像素；首先按照搜索框的大小和位置对当前帧待识别云图像取相应的子图像即为包含该云团的最小矩形区域，然后在前一帧图像中，提取所有中心在由该云团中心和搜索半径限定的范围的搜索框区域，并计算它们与当前帧提取出的子图像的累积灰度值差异；找到满足累积灰度值差异为最小累积灰度值差异1.1倍的搜索框，计算它们的中心相对于该云团位置偏移的平均距离，即为该云团的位移矢量；
步骤S13，对所述S11中标注的每一个云团重复所述S12过程，得到所有云团的移动矢量；
步骤S2，面积校正：
云团在运动的过程中，除了位置的偏移还有面积的膨胀和缩小，对云团进行面积校正是很有必要的，当前帧与前一帧中相匹配云团的面积比定义为面积伸缩系数Kt，Kt的表示如下：
其中，St表示当前帧中待匹配云团的面积，St-1为前一帧中匹配的云团的面积，若Kt>1时，表示云团面积膨胀，若Kt<1时，表示面积压缩，对标注的每一个云团，令当前帧和前一帧相匹配的云团面积相比，得到所有云团的面积校正系数，预测时，假定云团面积的膨胀或者压缩是均匀变化的，即云团面积的变化服从：
St0+t＝Kt0*St0 (3)
其中，St0为当前时刻云团的面积，St0+t为预测t时刻后云团的面积，Kt0为当前时刻求得该云团的面积伸缩系数。这样通过面积校正得到对云团面积变化更加准确的描述。
步骤S3，移动预测：
对上述面积校正之后的云团，根据获得的运动矢量，对它的运动进行预测，假定云团的运动为匀速直线运动，即云团质心的运动服从：
(xt0+t,yt0+t)＝(xt0+dx*t,yt0+dy*t) (4)
其中，(xt0,yt0)为当前时刻云团质心，(xt0+t,yt0+t)为预测t时刻后云团质心，dx、dy一一对应地为该云团在横纵方向上的位移。
上述的基于地基云图的云团移动预测方法，其中，步骤S12中，所述搜索框的尺寸放大为原来的2倍或者缩小为原来的0.5倍，寻找多尺度条件下最佳匹配的区域和移动矢量。
本发明的有益效果是：对经过云团区域识别的图像依次进行云团匹配、面积校正和移动预测，基于云团计算云团面积伸缩系数和位移矢量，对云团的运动趋势提供了一种更加准确的预测方法，为光伏电站发电功率超短期准确预测提供了前提条件。
附图说明
图1是本发明的基于地基云图的云团移动预测方法的流程框图。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1，本发明的实施例，一种基于地基云图的云团移动预测方法，包括下列步骤：
步骤S1，云团匹配，包括以下步骤：
步骤S11，首先对图像进行预处理，将当前帧和前一帧经过云团区域识别的图像二值化，使云团区域用1表示，背景区域用0表示；然后对二值化图像用边长为3个像素的方块进行开运算，以将较小的云块和细小的连接消除，根据8连通规则，对开运算后的图像进行连通分量的检测，每检测完一个连通分量就相应作一标记，每个连通分量里的像素被分配给一个唯一的整数，该整数的范围为从1到连通分量的总数,每个连通分量被认为是一个云团，同时可以获得该云团的几何特征，所述该云团的几何特征包括该云团的面积以及包含该云团的最小矩形的位置和大小；
步骤S12，对于当前帧中的每一个云团在前一帧某一给定搜索区域内根据累积灰度差异值最小原则搜寻最佳匹配区域，所述累积灰度差异值的计算公式如下：
其中，C(Δx,Δy)为累积灰度差异值的矩阵，Δx,Δy表示搜索框相对于待匹配云团中心的偏移；ft(xi,yj)为当前帧中，中心在(xi,yj)，搜索框大小为包含待匹配云团的最小矩形的子图区域，ft-1(xi+Δx,yj+Δy)为前一帧中，中心在(xi+Δx,yj+Δy)，大小与ft(xi,yj)相等的子图区域；N表示横纵方向上的搜索范围；所述累积灰度差异值越小，表明两幅子图像之间的差异越小，可以近似认为这两幅子图像中的云团为同一云团在不同时刻的形态；
对某一云团，令其相应的搜索框的大小为包含该云团的最小矩形，标记该云团的位置为该矩形的中心，并设置横纵方向最大的搜索半径为20个像素；首先按照搜索框的大小和位置对当前帧待识别云图像取相应的子图像即为包含该云团的最小矩形区域，然后在前一帧图像中，提取所有中心在由该云团中心和搜索半径限定的范围的搜索框区域，并计算它们与当前帧提取出的子图像的累积灰度值差异；找到满足累积灰度值差异为最小累积灰度值差异1.1倍的搜索框，计算它们的中心相对于该云团位置偏移的平均距离，即为该云团的位移矢量；步骤S13，对所述S11中标注的每一个云团重复所述S12过程，得到所有云团的移动矢量。
步骤S2，面积校正：
云团在运动的过程中，除了位置的偏移还有面积的膨胀和缩小，对云团进行面积校正是很有必要的，当前帧与前一帧中相匹配云团的面积比定义为面积伸缩系数Kt，Kt的表示如下：
其中，St表示当前帧中待匹配云团的面积，St-1为前一帧中匹配的云团的面积，若Kt>1时，表示云团面积膨胀，若Kt<1时，表示面积压缩，对标注的每一个云团，令当前帧和前一帧相匹配的云团面积相比，得到所有云团的面积校正系数，预测时，假定云团面积的膨胀或者压缩是均匀变化的，即云团面积的变化服从：
St0+t＝Kt0*St0 (3)
其中，St0为当前时刻云团的面积，St0+t为预测t时刻后云团的面积，Kt0为当前时刻求得该云团的面积伸缩系数。这样通过面积校正得到对云团面积变化更加准确的描述。
步骤S3，移动预测：
对上述面积校正之后的云团，根据获得的运动矢量，对它的运动进行预测，假定云团的运动为匀速直线运动，即云团质心的运动服从：
(xt0+t,yt0+t)＝(xt0+dx*t,yt0+dy*t) (4)
其中，(xt0,yt0)为当前时刻云团质心，(xt0+t,yt0+t)为预测t时刻后云团质心，dx、dy一一对应地为该云团在横纵方向上的位移。
本发明的基于地基云图的云团移动预测方法，基于云团计算位移矢量和云团面积伸缩系数，对云团的运动趋势提供了一种更加准确的预测方法，为光伏电站发电功率超短期准确预测提供了前提条件。
以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。
Claims (2)
1.一种基于地基云图的云团移动预测方法，其特征在于，包括下列步骤：
步骤S1，云团匹配，包括以下步骤：
步骤S11，首先对图像进行预处理，将当前帧和前一帧经过云团区域识别的图像二值化，使云团区域用1表示，背景区域用0表示；然后对二值化图像用边长为3个像素的方块进行开运算，以将较小的云块和细小的连接消除，根据8连通规则，对开运算后的图像进行连通分量的检测，每检测完一个连通分量就相应作一标记，每个连通分量里的像素被分配给一个唯一的整数，该整数的范围为从1到连通分量的总数,每个连通分量被认为是一个云团，同时可以获得该云团的几何特征，所述该云团的几何特征包括该云团的面积以及包含该云团的最小矩形的位置和大小；
步骤S12，对于当前帧中的每一个云团在前一帧某一给定搜索区域内根据累积灰度差异值最小原则搜寻最佳匹配区域，所述累积灰度差异值的计算公式如下：
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>=</mo>
<mo>-</mo>
<mi>N</mi>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mi>N</mi>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，C(Δx,Δy)为累积灰度差异值的矩阵，Δx,Δy表示搜索框相对于待匹配云团中心的偏移；ft(xi,yj)为当前帧中，中心在(xi,yj)，搜索框大小为包含待匹配云团的最小矩形的子图区域，ft-1(xi+Δx,yj+Δy)为前一帧中，中心在(xi+Δx,yj+Δy)，大小与ft(xi,yj)相等的子图区域；N表示横纵方向上的搜索范围；所述累积灰度差异值越小，表明两幅子图像之间的差异越小，可以近似认为这两幅子图像中的云团为同一云团在不同时刻的形态；
对某一云团，令其相应的搜索框的大小为包含该云团的最小矩形，标记该云团的位置为该矩形的中心，并设置横纵方向最大的搜索半径为20个像素；首先按照搜索框的大小和位置对当前帧待识别云图像取相应的子图像即为包含该云团的最小矩形区域，然后在前一帧图像中，提取所有中心在由该云团中心和搜索半径限定的范围的搜索框区域，并计算它们与当前帧提取出的子图像的累积灰度值差异；找到满足累积灰度值差异为最小累积灰度值差异1.1倍的搜索框，计算它们的中心相对于该云团位置偏移的平均距离，以及该云团的移动矢量；
步骤S13，对所述S11中标注的每一个云团重复所述S12过程，得到所有云团的移动矢量；
步骤S2，面积校正：
云团在运动的过程中，除了位置的偏移还有面积的膨胀和缩小，对云团进行面积校正是很有必要的，当前帧与前一帧中相匹配云团的面积比定义为面积伸缩系数Kt，Kt的表示如下：
<mrow>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，St表示当前帧中待匹配云团的面积，St-1为前一帧中匹配的云团的面积，若Kt>1时，表示云团面积膨胀，若Kt<1时，表示面积压缩，对标注的每一个云团，令当前帧和前一帧相匹配的云团面积相比，得到所有云团的面积校正系数，预测时，假定云团面积的膨胀或者压缩是均匀变化的，即云团面积的变化服从：
St0+t＝Kt0*St0 (3)
其中，St0为当前时刻云团的面积，St0+t为预测t时刻后云团的面积，Kt0为当前时刻求得该云团的面积伸缩系数，这样通过面积校正得到对云团面积变化更加准确的描述；
步骤S3，移动预测：
对上述面积校正之后的云团，根据获得的移动矢量，对它的运动进行预测，假定云团的运动为匀速直线运动，即云团质心的运动服从：
(xt0+t,yt0+t)＝(xt0+dx*t,yt0+dy*t) (4)
其中，(xt0,yt0)为当前时刻云团质心，(xt0+t,yt0+t)为预测t时刻后云团质心，dx、dy一一对应地为该云团在横纵方向上单位时间内的位移。
2.根据权利要求1所述的基于地基云图的云团移动预测方法，其特征在于，步骤S12中，所述搜索框的尺寸放大为原来的2倍或者缩小为原来的0.5倍，寻找多尺度条件下最佳匹配的区域和移动矢量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510213228.3A CN104766347B (zh) | 2015-04-29 | 2015-04-29 | 一种基于地基云图的云团移动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510213228.3A CN104766347B (zh) | 2015-04-29 | 2015-04-29 | 一种基于地基云图的云团移动预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104766347A CN104766347A (zh) | 2015-07-08 |
| CN104766347B true CN104766347B (zh) | 2017-10-27 |
Family
ID=53648152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510213228.3A Active CN104766347B (zh) | 2015-04-29 | 2015-04-29 | 一种基于地基云图的云团移动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104766347B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106470342B (zh) * | 2015-08-14 | 2020-01-17 | 展讯通信（上海）有限公司 | 全局运动估计方法及装置 |
| CN107563397A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种卫星云图中云团运动矢量的确定方法 |
| CN108288104A (zh) * | 2017-01-10 | 2018-07-17 | 中国电力科学研究院 | 一种解决全天空云图生消变化的相似云团的判定方法 |
| CN106875530B (zh) * | 2017-03-03 | 2021-04-27 | 国网山东省电力公司泰安供电公司 | 一种用于库房门的自动挡鼠系统及在库房门处自动挡鼠的方法 |
| CN106951544B (zh) * | 2017-03-24 | 2020-03-20 | 徐喆 | 云图动态播放方法和播放装置 |
| CN107944649A (zh) * | 2018-01-10 | 2018-04-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏电站辐照度的预测方法 |
| CN109146975B (zh) * | 2018-08-22 | 2022-02-01 | 华北电力大学（保定） | 一种天空图像云团位移矢量计算方法 |
| CN112419407B (zh) * | 2020-11-04 | 2024-06-11 | 清华大学 | 基于云团边缘识别的云团位移矢量计算方法及装置 |
| CN116824514B (zh) * | 2023-08-30 | 2023-12-08 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
| CN116994065B (zh) * | 2023-08-31 | 2024-06-14 | 淮阴工学院 | 一种云团分类及云演化趋势预测方法 |
| CN118152771B (zh) * | 2024-05-13 | 2024-08-23 | 成都理工大学 | 基于时间序列分析的滑坡演化阶段划分方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010096593A (ja) * | 2008-10-15 | 2010-04-30 | Japan Weather Association | 風予測装置及びプログラム |
| CN101807300A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 一种目标碎片区域融合的方法及装置 |
| CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
| CN104424638A (zh) * | 2013-08-27 | 2015-03-18 | 深圳市安芯数字发展有限公司 | 一种基于遮挡情况下的目标跟踪方法 |
-
2015
- 2015-04-29 CN CN201510213228.3A patent/CN104766347B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010096593A (ja) * | 2008-10-15 | 2010-04-30 | Japan Weather Association | 風予測装置及びプログラム |
| CN101807300A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 一种目标碎片区域融合的方法及装置 |
| CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
| CN104424638A (zh) * | 2013-08-27 | 2015-03-18 | 深圳市安芯数字发展有限公司 | 一种基于遮挡情况下的目标跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104766347A (zh) | 2015-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104766347B (zh) | 一种基于地基云图的云团移动预测方法 | |
| Lu et al. | A CNN-transformer hybrid model based on CSWin transformer for UAV image object detection | |
| CN112733822B (zh) | 一种端到端文本检测和识别方法 | |
| CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
| CN116758130A (zh) | 一种基于多路径特征提取和多尺度特征融合的单目深度预测方法 | |
| CN107392964A (zh) | 基于室内特征点和结构线结合的室内slam方法 | |
| CN103426186A (zh) | 一种改进的surf快速匹配方法 | |
| CN110751018A (zh) | 一种基于混合注意力机制的群组行人重识别方法 | |
| CN103985127B (zh) | 一种密集恒星背景的弱小目标检测方法及装置 | |
| CN110765841A (zh) | 基于混合注意力机制的群组行人重识别系统及终端 | |
| Lin et al. | Hand-raising gesture detection in real classroom | |
| CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
| He et al. | Automatic detection and mapping of solar photovoltaic arrays with deep convolutional neural networks in high resolution satellite images | |
| CN108446627A (zh) | 一种基于局部深度哈希的航拍图像匹配方法 | |
| CN105261040B (zh) | 一种多目标跟踪方法及装置 | |
| Cho et al. | Blur-robust object detection using feature-level deblurring via self-guided knowledge distillation | |
| Lao et al. | Masked autoencoders are stronger knowledge distillers | |
| CN116343188A (zh) | 一种基于STN-pan网络的输电铁塔标识牌文本检测识别方法 | |
| CN106408600A (zh) | 一种用于太阳高分辨率图像中图像配准的方法 | |
| Li et al. | Towards high performance one-stage human pose estimation | |
| CN114743062A (zh) | 一种建筑特征的识别方法及装置 | |
| CN112419407B (zh) | 基于云团边缘识别的云团位移矢量计算方法及装置 | |
| Zhu et al. | Adaptive alignment network for person re-identification | |
| CN108009272A (zh) | 一种基于有向带权图的低空运动目标搜索方法 | |
| Babu et al. | Fully complex-valued ELM classifiers for human action recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |