CN105866782A - 一种基于激光雷达的运动目标检测系统及方法 - Google Patents
一种基于激光雷达的运动目标检测系统及方法 Download PDFInfo
- Publication number
- CN105866782A CN105866782A CN201610199569.4A CN201610199569A CN105866782A CN 105866782 A CN105866782 A CN 105866782A CN 201610199569 A CN201610199569 A CN 201610199569A CN 105866782 A CN105866782 A CN 105866782A
- Authority
- CN
- China
- Prior art keywords
- data
- laser radar
- moving target
- cluster
- characteristic point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Abstract
本发明涉及了一种基于激光雷达的运动目标检测系统及方法。其系统由采集单元、处理单元、网络单元组成。其方法的操作步骤是:获取测距数据帧、获取位姿数据帧、数据点聚类、提取聚类特征点、匹配前一帧特征点、计算运动信息、修正运动信息和输出检测结果。本发明实时性好、准确度高、可扩展性强,适用于需要在动态环境中自主定位和检测动态目标的应用,例如自主导航机器人、无人驾驶车辆、自动化仓储。
Description
技术领域
本发明涉及机器视觉与目标识别领域,特别是一种基于激光雷达的运动目标检测的系统及方法。
背景技术
在机器视觉与目标识别领域,运动目标的识别和检测是诸多高级功能实现的基础,在视频监控、自动驾驶、安防等应用中具有重要的价值。
目前,运动目标检测常采用视频流分析的方法,主要分为三类:光流法、帧间差分法、背景差分法。光流法通过计算目标轮廓的光流运动来进行目标检测与跟踪。由于其运算量大,对处理设备要求较高。帧间差分法是根据相邻帧之间像素差别进行检测,往往只能检测目标轮廓,对噪声较为敏感,所以实用性不强。背景差分法是目前常用的检测方法,其将新的视频图像法与、前置的背景图像对比检测目标。上述的视频流分析方法属于被动光学检测方法,受环境光线等因素影响较大。
目前,激光雷达等主动式测量技术日渐成熟。激光雷达是一种主动式光学测距技术,激光雷达通过向目标发射激光并测量反射信号,利用激光三角原理计算被测距离。基于激光雷达的运动目标检测原理与微波雷达类似,利用固定位置的激光扫描数据进行差分运算可以对运动目标进行检测。然而在实际应用例如机器人和无人驾驶车辆中,其自身所处环境也在变化,运动目标检测系统面临更复杂的信号处理挑战。如何在位置发生变化时,即在动态环境中实现运动目标的检测,没有成熟的方法。
综上所述,目前迫切需要提出一种在动态环境中有效检测运动目标的方法。
发明内容
本发明的目的在于针对被动式光学检测法存在的受环境亮度影响较大,传统雷达技术在复杂动态环境中检测方法的不准确的弊端,提出了一种基于激光雷达的运动目标检测系统及方法,其准确度高、实时性好、扩展性强。
为达上述目的,本发明采用下述技术方案:
一种基于激光雷达的运动目标检测系统,由采集单元、处理单元及网络单元组成,其特征在于:所述的采集单元根据实际应用通过有线或无线连接网络单元,所述的处理单元根据实际应用通过有线或无线连接网络单元。
所述的采集单元组成结构:由一个电源、一个采集核心、一个激光雷达模块、一个位姿传感模块、一个运动控制模块和一个网络模块构成。采集核心连接电源、激光雷达模块、位姿传感模块以获取传感信息,采集核心连接运动控制模块以进行运动控制和反馈,采集核心连接网络模块进行数据通信。
所述的处理单元组成结构:由一个处理核心、一个显示模块和一个网络模块构成。处理核心连接网络模块以进行数据通信,显示模块连接处理核心以显示检测结果。
所述的网络单元提供网络连接和数据交换功能,支持系统扩展。
一种基于激光雷达的运动目标检测方法,利用上述的系统进行操作其特征在于包括如下步骤:1)获取测距数据帧、2)数据点聚类、3)提取聚类特征点、4)匹配前一帧特征点、5)计算运动信息、6)获取位姿数据帧、7)修正运动信息和8)输出检测结果。
上述步骤1)获取测距数据帧、步骤6)获取位姿数据帧:采集单元采集激光雷达平面测距数据、位姿传感模块位姿数据,采集单元发送数据帧至处理单元,处理单元根据数据帧格式解析测距数据与位姿数据,测距数据以极坐标表示(角度-距离)。
上述步骤2)数据点聚类:处理单元从测距数据点中提取距离数据点pk,判断pk与pk-1和pk+1和的距离是否超过设定阈值,超过阈值则判定属于不同类别集合,小于阈值则判定属于同一类别集合。处理数据帧内数据直至到达数据帧结尾。
上述步骤3)提取聚类特征点:提取数据点pk,若pk是测距数据的端点(极坐标极大极小点),将pk作为特征点,若pk与pk-1和pk+1组成的向量夹角大于阈值则作为特征点。处理每一聚类类别内数据点直至所有集合数据处理完毕。
上述步骤4)匹配前一帧特征点:在两帧数据点聚类集合中提取没有匹配过的集合,统计其集合点数、聚类重心、特征点总数,计算两个集合匹配程度,若集合匹配度大于阈值则匹配成功。集合匹配完成后,提取相匹配的集合中特征点,统计特征点位置和特征角度计算特征点的匹配程度,若两个特征点匹配程度大于阈值,则匹配成功。匹配特征点直至所有数据点处理完。
上述步骤5)计算运动信息和步骤7)修正运动信息:对于不同帧中匹配的特征点计算其位置变化量作为其运动信息,以聚类集合内所有特征点运动信息均值作为此聚类集合的运动信息。获取位姿数据作为系统自身位置变化量,与运动信息相减后得到修正后的聚类集合运动信息。若集合运动超过阈值,则判定为运动目标。
上述步骤8)输出检测结果:处理核心将检测结果保存在本地及网络单元,控制显示模块显示运算结果:环境测距模型、测距聚类及聚类特征点、运动的数据点集合及运动趋势。
本发明与现有技术相比,具有如下显而易见的突出实质性特点和显著优点:本发明的系统由采集单元、处理单元、网络单元组成。其方法的操作步骤是:获取测距数据帧、获取位姿数据帧、数据点聚类、提取聚类特征点、匹配前一帧特征点、计算运动信息、修正运动信息和输出检测结果。本发明实时性好、准确度高、可扩展性强,适用于复杂环境中机器定位和运动目标检测场景,例如自主导航机器人、无人驾驶车辆、自动化仓储。
附图说明
图1是一种基于激光雷达的运动目标检测系统结构图。
图2是一种基于激光雷达的运动目标检测方法流程图。
图3是测距数据点聚类流程图。
图4是提取特征点方法流程图。
图5是匹配前一帧特征点方法流程图。
图6是采集单元与处理单元通信报文格式。
图7是一种激光雷达扫描测距图示。
图8是检测方法的一种具体图示。
具体实施方式
本发明的优先实施例结合附图详述如下:
实施例一:
参见图1,基于激光雷达的运动目标检测系统由采集单元(1.1)、处理单元(1.2)和网络单元(1.3)组成。其特征在于:所述的采集单元(1.1)、处理单元(1.2)通过有线或无线连接网络单元(1.3),采集单元(1.1)和处理单元(1.2)利用网络单元(1.3)交换数据。
实施例二:本实施例与实施例一基本相同,特别之处如下:
所述的采集单元由采集核心(1.1.1)、电源(1.1.2)、激光雷达模块(1.1.3)、位姿传感模块(1.1.4)、运动控制模块(1.1.5)和网络模块(1.1.6)构成。采集核心(1.1.1)通过有线连接激光雷达模块(1.1.3)、位姿传感模块(1.1.4)以获取平面测距数据、位姿数据,采集核心(1.1.1)连接网络模块(1.1.6)以进行数据通信。
所述的处理单元(1.2)由处理核心(1.2.3)、显示模块(1.2.1)和网络模块(1.2.2)构成。处理核心(1.2.3)连接网络模块(1.2.1)以进行数据通信,显示模块(1.2.1)连接处理核心(1.2.3)显示检测结果。
实施例三:
参见图2,基于激光雷达的运动目标检测方法,其特征在于包含以下步骤:1)获取测距数据,采集单元采集激光雷达平面测距数据,通过网络发送到处理单元。2)数据点聚类,处理单元根据聚类规则对数据点聚类。3)提取聚类特征点,处理单元根据特征规则提取聚类特征点。4)匹配前一帧特征点,处理单元对不同数据帧之间特征点匹配。5)计算运动信息,处理单元计算匹配完的特征点位移信息。6)获取位姿数据帧,采集单元获取位姿传感模块数据,通过网络发送到处理单元。7)修正运动信息,根据步骤5)和步骤6)修正检测结果。8)输出检测结果,处理单元将检测结果通过显示模块显示。
实施例四:本实施例与实施例三基本相同,特别之处如下:
参见图3,上述检测方法其中步骤2)数据点聚类的步骤:首先载入数据帧,然后提取其中一个数据点pk作为待处理数据,若pk与极坐标角度相邻点pk-1或pk+1距离小于阈值则与相邻点标记为同一类,反之标记为无类型;重复以步骤 直至所有数据点直至数据帧结束。
参见图4,上述检测方法其中步骤3)提取聚类集合特征点:首先载入某一聚类集合的数据,提取数据点pk作为待处理数据,若pk为集合的极坐标边界则直接作为特征点;计算pk与pk-1和pk+1形成的向量夹角θ,若θ大于阈值则作为特征点;重复步骤和直到集合内所有点处理完,将集合的特征点位置、θ作为集合的特征向量。
参见图5,上述检测方法其中步骤4)匹配前一帧特征点的:首先载入两帧数据及其聚类结果和特征提取结果,然后从数据中提取未匹配的两类聚类集合,通过其集合内数据总数、聚类重心、特征点总数计算两个集合的匹配程度;重复步骤步骤和步骤至所有聚类集合匹配完成;随后在已经匹配的不同帧集合内提取未匹配的特征点,通过其特征点位置、特征角度θ计算特征点匹配程度。重复步骤和步骤直至所有点匹配完成。
参见图6,上述采集单元发送(1.1)的通信报文由同步头(6.1)、测距数据帧(6.2、6.3、6.4、6.5)、位姿数据帧(6.6)、校验位组成(6.7)。测距数据帧包含n对由角度和距离组成的数据点,数据点坐标由极坐标方法表示,位姿数据(6.6)包含旋转矩阵和位移矩阵,数据由位姿传感模块获得。校验位(6.7)用于冗余校验本次数据包有效性。
实施例五:本实施例与实施例四基本相同,特别之处是:
参见图7,激光雷达平面测距过程如图所示。其特征为:在物理环境(7.1)中存在环境障碍(7.1.5)、运动目标(7.1.2)、检测系统(7.1.4),检测系统的激光雷达扫描半径如图(7.1.3)所示,在激光雷达(1.1.3)扫描范围内的障碍形成有效数据点,超出激光雷达(1.1.3)扫描范围的数据无效。扫描后测距数据点形成图像如图(7.2),其中包含环境障碍(7.2.3)、运动目标(7.2.1)。环境障碍(7.2.3)形成的数据上端点接近扫描范围极限,将不会被判定为边界特征点,环境障碍(7.2.3)形成的数据右端点在扫描范围内,将被判定为边界特征。
实施例五:本实施例与实施例四基本相同,特别之处是:
参见图8,一个运动目标检测过程示例如图。采集单元(1.1)启动雷达模块(1.1.3)和位姿传感模块(1.1.4)采集数据,并将数据通过设定格式通过网络单元(1.3)发送到处理单元(1.2)。处理单元(1.2)获取到最新的测距数据(8.1),对其进行数据点聚类和提取聚类特征点,处于不同聚类集合的特征点以不同形状标示(8.3)。
参见图8,随后处理单元载入前一帧聚类与特征提取数据(8.2),对本次聚类和特征提取结果进行匹配前一帧特征点处理,匹配后计算特征点的运动信息。由于检测系统在获取不同帧时自身发生的位姿运动,得到有误差的运动检测结果(8.5)。
参见图8,加入位姿传感数据(8.4)所记录的系统自身发生的平移和旋转信息,进行逆运算后得到后修正后的运动信息结果。对不同聚类的特征点运动信息进行处理。判定其中运动信息大于阈值的集合为运动目标,完成运动目标的检测(8.6)。
Claims (9)
1.一种基于激光雷达的运动目标检测系统,由采集单元(1.1)、处理单元(1.2)及网络单元(1.3)组成,其特征在于:所述的采集单元(1.1)根据实际应用通过有线或无线连接网络单元(1.3),所述的处理单元(1.2)根据实际应用通过有线或无线连接网络单元(1.3)。
2.根据权利要求1所述的一种基于激光雷达的运动目标检测系统,其特征在于:所述的采集单元(1.1)由采集核心(1.1.1)、电源(1.1.2)、激光雷达模块(1.1.3)、位姿传感模块(1.1.4)、运动控制模块(1.1.5)和网络模块(1.1.6)构成;采集核心(1.1.1)通过有线连接激光雷达模块(1.1.3)和位姿传感模块(1.1.4)以获取平面测距数据、位姿数据,采集核心(1.1.1)连接运动模块(1.1.1)以进行运动控制和反馈,采集核心(1.1.1)连接网络模块(1.1.6)以进行数据通信。
3.根据权利要求1所述的一种基于激光雷达的运动目标检测系统,其特征在于:所述的处理单元(1.2)由一个处理核心(1.2.3)、一个显示模块(1.2.1)和一个网络模块(1.2.2)构成,处理核心(1.2.3)连接网络模块(1.2.1)以进行数据通信,显示模块(1.2.1)连接处理核心(1.2.3)以显示检测结果。
4.一种基于激光雷达的运动目标检测方法,采用根据权利要求1所述的基于激光雷达的运动目标检测系统进行操作,其特征在于包含以下步骤:1)获取测距数据、2)数据点聚类、3)提取聚类集合特征点、4)匹配前一帧特征点、5)计算运动信息、6)获取位姿数据帧、7)修正运动信息和8)输出检测结果。
5.根据权利要求4所述的一种基于激光雷达的运动目标检测方法,其特征在于:所述的步骤2)数据点聚类的流程:首先载入数据帧,然后提取其中一个数据点pk作为待处理数据,若pk与极坐标角度相邻点pk-1或pk+1距离小于阈值则与相邻点标记为同一类,反之标记为无类型;重复以上步骤、步骤和步骤直至所有数据点直至数据帧结束。
6.根据权利要求4所述的一种基于激光雷达的运动目标检测方法,其特征在于:所述提步骤3)取聚类数据特征点的流程:首先载入某一聚类集合的数据,然后提取数据点pk作为待处理数据,若pk为集合的极坐标边界则直接作为特征点;计算pk与pk-1和pk+1形成的向量夹角θ,若θ大于阈值则作为特征点;重复以上步骤、、和直到集合内所有点处理完,将集合的特征点位置、θ作为集合的特征向量。
7.根据权利要求4所述的一种基于激光雷达的运动目标检测方法,其特征在于:所述的在步骤4)匹配前一帧特征点的流程:首先两帧数据及其聚类结果和特征提取结果,然后从数据中提取未匹配的两类聚类集合,通过其集合内数据总数、聚类重心、特征点总数、计算两个集合的匹配程度;重复步骤和步骤至所有聚类集合匹配完成;随后在已经匹配的不同帧集合内提取未匹配的特征点,通过其特征点位置、特征角度θ计算特征点匹配程度;重复步骤和步骤直至所有点匹配完成。
8.根据权利要求4所述的一种基于激光雷达的运动目标检测方法,其特征在于:采集单元(1.1)发送的通信报文由同步头(6.1)、测距数据帧(6.2、6.3、6.4、6.5)、位姿数据帧(6.6)、校验位组成(6.7);测距数据帧包含n对由角度和距离组成的数据点;数据点坐标由极坐标方法表示;位姿数据(6.6)包含旋转矩阵和位移矩阵,数据由位姿传感模块获得;校验位(6.7)用于冗余校验本次数据包有效性。
9.根据权利要求4所述的一种基于激光雷达的运动目标检测方法,其特征在于:所述的步骤5)计算运动信息和步骤7)修正运动信息:对于不同帧中匹配的特征点计算其位置变化量作为其运动信息,以聚类集合内所有特征点运动信息均值作为此聚类集合的运动信息;获取位姿数据作为系统自身位置变化量,与运动信息相减后得到修正后的聚类集合运动信息,若集合运动超过阈值,则判定为运动目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610199569.4A CN105866782B (zh) | 2016-04-04 | 2016-04-04 | 一种基于激光雷达的运动目标检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610199569.4A CN105866782B (zh) | 2016-04-04 | 2016-04-04 | 一种基于激光雷达的运动目标检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105866782A true CN105866782A (zh) | 2016-08-17 |
CN105866782B CN105866782B (zh) | 2018-08-17 |
Family
ID=56627717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610199569.4A Expired - Fee Related CN105866782B (zh) | 2016-04-04 | 2016-04-04 | 一种基于激光雷达的运动目标检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105866782B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153186A (zh) * | 2017-01-06 | 2017-09-12 | 深圳市速腾聚创科技有限公司 | 激光雷达标定方法及激光雷达 |
CN108089191A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种基于激光雷达的全局定位系统及方法 |
WO2018119823A1 (en) * | 2016-12-29 | 2018-07-05 | Intel Corporation | Technologies for lidar based moving object detection |
CN108256574A (zh) * | 2018-01-16 | 2018-07-06 | 广东省智能制造研究所 | 机器人定位方法及装置 |
CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
CN109188390A (zh) * | 2018-08-14 | 2019-01-11 | 苏州大学张家港工业技术研究院 | 一种运动目标高精度检测与追踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253391A (zh) * | 2011-04-19 | 2011-11-23 | 浙江大学 | 一种基于多激光雷达的行人目标跟踪方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
WO2016015251A1 (en) * | 2014-07-30 | 2016-02-04 | SZ DJI Technology Co., Ltd. | Systems and methods for target tracking |
-
2016
- 2016-04-04 CN CN201610199569.4A patent/CN105866782B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253391A (zh) * | 2011-04-19 | 2011-11-23 | 浙江大学 | 一种基于多激光雷达的行人目标跟踪方法 |
WO2016015251A1 (en) * | 2014-07-30 | 2016-02-04 | SZ DJI Technology Co., Ltd. | Systems and methods for target tracking |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
谭宝成 等: "激光雷达动态障碍物检测", 《西安工业大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119823A1 (en) * | 2016-12-29 | 2018-07-05 | Intel Corporation | Technologies for lidar based moving object detection |
CN107153186A (zh) * | 2017-01-06 | 2017-09-12 | 深圳市速腾聚创科技有限公司 | 激光雷达标定方法及激光雷达 |
CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
CN108089191A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种基于激光雷达的全局定位系统及方法 |
CN108089191B (zh) * | 2017-12-25 | 2021-03-30 | 中山大学 | 一种基于激光雷达的全局定位系统及方法 |
CN108256574A (zh) * | 2018-01-16 | 2018-07-06 | 广东省智能制造研究所 | 机器人定位方法及装置 |
CN108256574B (zh) * | 2018-01-16 | 2020-08-11 | 广东省智能制造研究所 | 机器人定位方法及装置 |
CN109188390A (zh) * | 2018-08-14 | 2019-01-11 | 苏州大学张家港工业技术研究院 | 一种运动目标高精度检测与追踪方法 |
CN109188390B (zh) * | 2018-08-14 | 2023-05-23 | 苏州大学张家港工业技术研究院 | 一种运动目标高精度检测与追踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105866782B (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105866782A (zh) | 一种基于激光雷达的运动目标检测系统及方法 | |
CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
CN110349250B (zh) | 一种基于rgbd相机的室内动态场景的三维重建方法 | |
CN105872477A (zh) | 视频监控方法和视频监控系统 | |
CN109166094A (zh) | 一种基于深度学习的绝缘子故障定位识别方法 | |
Shen et al. | View-invariant action recognition from point triplets | |
Yin et al. | Dynam-SLAM: An accurate, robust stereo visual-inertial SLAM method in dynamic environments | |
US11321855B2 (en) | Multi-camera homogeneous object trajectory alignment | |
CN104700408A (zh) | 一种基于摄像机网络的室内单目标定位方法 | |
Kang et al. | Accurate fruit localisation using high resolution LiDAR-camera fusion and instance segmentation | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
CN112037252A (zh) | 基于鹰眼视觉的目标跟踪方法及系统 | |
CN114612933B (zh) | 单目社交距离检测追踪方法 | |
Zhao et al. | Artificial intelligence system based on the layout effect of both sides in volleyball matches | |
Xu et al. | Estimating 3D camera pose from 2D pedestrian trajectories | |
Huang et al. | Viewpoint insensitive action recognition using envelop shape | |
Liu et al. | Accurate RGB-D SLAM in dynamic environments based on dynamic visual feature removal | |
Zhang et al. | Accurate strawberry plant detection system based on low-altitude remote sensing and deep learning technologies | |
CN114399552A (zh) | 一种室内监护环境行为识别及定位方法 | |
Zhang et al. | Rc6d: An rfid and cv fusion system for real-time 6d object pose estimation | |
KR20210010408A (ko) | 비전 센서 데이터 기반 골프 스윙 궤적 추적 및 분석 장치 및 방법 | |
US10600192B1 (en) | Multi-camera homogeneous object alignment | |
CN111265835A (zh) | 一种投掷运动训练设备及其控制方法 | |
Majidi et al. | Aerial tracking of elongated objects in rural environments | |
Gudauskas et al. | Multiple object tracking for video-based sports analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180817 Termination date: 20210404 |