CN105913452B - 空间碎片实时检测与跟踪方法 - Google Patents
空间碎片实时检测与跟踪方法 Download PDFInfo
- Publication number
- CN105913452B CN105913452B CN201610202791.5A CN201610202791A CN105913452B CN 105913452 B CN105913452 B CN 105913452B CN 201610202791 A CN201610202791 A CN 201610202791A CN 105913452 B CN105913452 B CN 105913452B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- formula
- potential target
- space junk
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种空间碎片实时检测与跟踪方法,用于解决现有空间碎片目标识别方法虚警率高的技术问题。技术方案是首先在序列图像星体集合和运动补偿参数基础上删除恒星;然后通过局部线性运动模型在去除恒星后的星体点内检测出目标链,之后用最小二乘法对检测到的目标运动模型参数进行估计,最后通过该模型进行目标链后续的预测与跟踪。该方法将空间碎片的检测和跟踪结合在一起,有效避免特性与空间碎片相似的噪声对空间碎片检测跟踪结果的干扰,能对通常情况下的空间碎片目标进行高效检测和跟踪,虚警率较低,具有快速、鲁棒和实时的特点。
Description
技术领域
本发明涉及一种空间碎片目标识别方法,特别是涉及一种空间碎片实时检测与跟踪方法。
背景技术
文献“星空背景下空间目标的快速识别与精密定位,《光学精密工程》,2015,第2期,p589-599”提出了一种基于约束条件的空间碎片目标快速识别方法。该方法先对3帧连续CCD图像进行帧间差分以初步提取目标,然后通过形态学滤波过滤噪声,最后根据“空间碎片目标的测量坐标成等差数列”的约束条件,实现空间碎片目标快速识别。由于该方法只针对3帧连续图像的目标运动特征进行碎片目标识别,对碎片在整个序列图像中运动的特征信息利用不充分,目标筛选条件简单,使空间碎片检测与跟踪结果中带有较多噪声干扰,从而导致算法容易将噪声错检为目标,虚警率高。
发明内容
为了克服现有空间碎片目标识别方法虚警率高的不足,本发明提供一种空间碎片实时检测与跟踪方法。该方法首先在序列图像星体集合和运动补偿参数基础上删除恒星;然后通过局部线性运动模型在去除恒星后的星体点内检测出目标链,之后用最小二乘法对检测到的目标运动模型参数进行估计,最后通过该模型进行目标链后续的预测与跟踪。该方法将空间碎片的检测和跟踪结合在一起,有效避免特性与空间碎片相似的噪声对空间碎片检测跟踪结果的干扰,能对通常情况下的空间碎片目标进行高效检测和跟踪,虚警率较低,具有快速、鲁棒和实时的特点。
本发明解决其技术问题所采用的技术方案是:一种空间碎片实时检测与跟踪方法,其特点是包括以下步骤:
步骤一、设星空图像序列I={Ii|i=1,…,N}中任一帧图像Ii上提取的连通域集合为N为图像数量且N>2,Mi为图像Ii上连通域数量,为Ci中第j个连通域。设Pk表示将Ik上坐标通过运动补偿校正到Ik+1的变换矩阵,则整个序列对应的仿射变换矩阵序列为P={Pk,1≤k≤N-1}。和Pk含义如公式(1)和(2)所示。
式中,和分别表示图像Ii上星体质心的横纵坐标;表示仿射变换矩阵Pk中的变换参数。
恒星检测过程如下:
i.遍历图像Ik(1≤k≤N-1)上星体集合Ck,对Ck中任意星体通过公式(3)将其质心坐标校正到图像Ik+1上,对应校正后星体为
式中,和分别表示的横纵坐标。
ii.在图像Ik+1上,搜索以为中心的S×S区域内星体,若该区域内存在星体与关系满足公式(4),则认为与为同一颗恒星。S为搜索窗口大小。
式中,表示与的欧式距离,α为设置的距离阈值。
令H={Hi|i=1,…,N}表示序列图像中每帧图像对应的恒星集合,即Hi对应图像Ii的恒星集合。当Hk和Hk+1中没有包含与时,将与分别加入Hk和Hk+1中。
iii.判断图像Ik上星体是否搜索完,当搜索完时,该帧图像的恒星检测完成;重复步骤i到iii,当所有图像上恒星检测完成后,序列图像的恒星检测过程完成。
步骤二、潜在目标是指星空图像上除恒星以外的星体,包括空间碎片目标、噪声和少量未匹配的恒星。
对图像Ii,其潜在目标记为Bi,根据其星体Ci和恒星集合Hi,有
整个图像序列I对应的潜在目标集合为B={Bi|1≤i≤N}。
步骤三、空间碎片的运动在局部看成是一个线性运动模型。选取n张星空图像Ii-n+1,Ii-n+2,……,Ii,检测该n张图像校正后潜在目标轨迹集合X={Xt|t≥0}和真实目标点集合T={Tt|t≥0}步骤如下:
i.通过公式(6)将Bi-n+1,Bi-n+2,……,Bi-1中所有潜在目标点质心转换到图像Ii上,获取转换后的潜在目标集合为B(i-n+1)',B(i-n+2)',……,B(i-1)'。
式中,bj表示Bi-n+1,Bi-n+2,……,Bi-1中包含的任意一个潜在目标点。bj'为bj转换到图像Ii上的潜在目标点。
ii.初步构建潜在目标轨迹集合X。从图像Ii-n+1开始检测目标。遍历Bi-n+1,对任意在图像Ii-n+2上以为中心、在D×D区域内搜索潜在目标,若找到潜在目标且未被标记为目标,则认为和为可能的新目标。将和对应校正后潜在目标和加入潜在目标轨迹中,这里X中每增加一个新的潜在目标,t加1。若D×D区域内找到多个与匹配的目标,则在目标轨迹X集合中增加多个目标。D为搜索区域大小。
iii.潜在目标轨迹集合X中添加后续图像中对应的潜在目标。在图像Ii-n+3上以步骤ii中找到的所有符合条件的为中心,在D×D区域搜索潜在目标,若找到潜在目标且未被标记为目标,则认为和为可能的相同目标。将加入到对应的Xt中,此时这里
iv.从图像Ii-n+3到Ii按照步骤iii递进处理,直到将Ii中潜在目标加入Xt中或者在图像Ii-n+3到Ii中间某一帧中找不到符合条件的潜在目标与前面一帧潜在目标进行匹配,此时停止构建Xt。
v.当n张图像上所有潜在目标对应Xt构建完成后,对Xt进行更新,即当Xt中潜在目标数量小于α时,认为其对应的不是目标轨迹,将其从X中删除。
vi.求解真实目标轨迹。对通过公式(7)求解其帧间速度差,通过公式(8)求解其平均速度差。
式中,b(k+1)'和bk'表示Xt中的星体,i-n+1≤k≤q-1。vk为其对应的速度差,和分别为vk横轴和纵轴上的分量。为Xt对应的平均速度差,和分别为横轴和纵轴上的分量。
vii.在潜在目标集合X中删除虚假轨迹。根据公式(9),计算的帧间速度差对应的标准差St。当St满足公式(10)时,认为Xt所对应的目标轨迹为真实轨迹,对其进行标记。否则在在X中删除Xt。
St为Xt对应的标准差,和为St在横轴和纵轴上的分量。σx和σy是和对应的阈值参数。
viii.对若即两条潜在目标轨迹中有重合目标,若Sa<Sb,在X中删除Xb。
ix.通过X构建真实目标轨迹T。即对构建Tt={bi-n+1,bi-n+2,……bq}∈T,q≤i。在图像中将bi-n+1,bi-n+2,……bq标记为目标。
步骤四、真实轨迹T构建完成后,后序图像中目标的检测即T的更新通过跟踪完成。对第w个空间碎片在第i帧星空图像上的跟踪过程如下:
i.根据公式(6)将Tw内目标质心校正到第i帧图像上,从中选取d个目标点对其质心序列进行线性回归,d为选择的回归个数。通过公式(11)建立空间碎片w的局部直线运动方程。最后通过公式(12)进行最小二乘法优化求解获得该空间碎片的局部直线运动模型参数。
式中,ti-d,ti-d+1,……,ti-1表示星空图像序列Ii-d,Ii-d+1,……,Ii-1所对应的图像帧号,并且tk=k(i-d≤k≤i-1),为空间碎片w局部直线运动模型参数。
ii.通过公式(13)预测第w个空间碎片在第i帧星空图像的质心点位置
式中和表示对应的横纵坐标。
iii.根据的质心位置,从第i帧星空图像中以为中心,在A×A区域寻找满足公式(14)的质心点若找到则就是空间碎片w在第i帧星空图像上对应的星体。将标记为目标并加入Tw中。A为区域搜索范围。
重复步骤三到步骤四,直到序列图像处理完,完成空间碎片的检测跟踪。
本发明的有益效果是:该方法首先在序列图像星体集合和运动补偿参数基础上删除恒星;然后通过局部线性运动模型在去除恒星后的星体点内检测出目标链,之后用最小二乘法对检测到的目标运动模型参数进行估计,最后通过该模型进行目标链后续的预测与跟踪。该方法将空间碎片的检测和跟踪结合在一起,有效避免特性与空间碎片相似的噪声对空间碎片检测跟踪结果的干扰,能对通常情况下的空间碎片目标进行高效检测和跟踪,虚警率较低,具有快速、鲁棒和实时的特点。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明空间碎片实时检测与跟踪方法具体步骤如下:
1.恒星检测:
设星空图像序列I={Ii|i=1,…,N}中任一帧图像Ii上提取的连通域集合为N为图像数量且N>2,Mi为图像Ii上连通域数量,为Ci中第j个星体。设整个序列对应的仿射变换矩阵序列为P={Pk,1≤k≤N-1}。Pk表示将Ik上坐标通过运动补偿校正到Ik+1的变换矩阵。和Pk含义如公式(1)和(2)所示。
式中,和分别表示图像Ii上星体质心的横纵坐标;表示仿射变换矩阵Pk中的变换参数。
恒星检测过程如下:
i.遍历图像Ik(1≤k≤N-1)上星体集合Ck,对Ck中任意星体通过公式(3)将其质心坐标校正到图像Ik+1上,对应校正后星体为
式中,和分别表示的横纵坐标。
ii.在图像Ik+1上,搜索以为中心的S×S区域内星体,若该区域内存在星体与关系满足公式(4),则认为与为同一颗恒星;S为搜索窗口大小。这里S取64。
式中,表示与的欧式距离,α为设置的距离阈值。这里α取1.0。
令H={Hi|i=1,…,N}表示序列图像中每帧图像对应的恒星集合,即Hi对应图像Ii的恒星集合。当Hk和Hk+1中没有包含与时,将与分别加入Hk和Hk+1中。
iii.判断图像Ik上星体是否搜索完,当搜索完时,该帧图像的恒星检测完成;重复步骤i到iii,当所有图像上恒星检测完成后,序列图像的恒星检测过程完成。
2.潜在目标获取:
潜在目标主要指星空图像上除恒星以外的星体,这里包括了空间碎片目标、噪声和少量未匹配的恒星。
对图像Ii,其潜在目标记为Bi,根据其星体Ci和恒星集合Hi,有
整个图像序列I对应的潜在目标集合为B={Bi|1≤i≤N}。
3.空间碎片检测:
空间碎片的运动在局部可以看成是一个线性运动模型。选取n=6张星空图像Ii-n+1,Ii-n+2,……,Ii,检测该6张图像校正后潜在目标集合X={Xt|t≥0}(Xt表示一个目标在6张图像上校正后对应的潜在目标)和真实目标点集合T={Tt|t≥0}(Tt表示一个目标在6张图像上真实目标)步骤如下:
i.通过公式(6)将Bi-n+1,Bi-n+2,……,Bi-1中所有潜在目标点质心转换到图像Ii上,获取转换后的潜在目标集合为B(i-n+1)',B(i-n+2)',……,B(i-1)'。
式中,bj表示Bi-n+1,Bi-n+2,……,Bi-1中包含的任意一个潜在目标点。bj'为bj转换到图像Ii上的潜在目标点。
ii.潜在目标轨迹集合X中添加后续图像中对应的潜在目标。从图像Ii-n+1开始检测目标。遍历Bi-n+1,对任意在图像Ii-n+2上以为中心、在D×D区域内搜索潜在目标,若找到潜在目标且未被标记为目标(跟踪过程会对真实目标进行标记),则认为和为可能的新目标。将和对应校正后潜在目标和加入潜在目标轨迹中,这里X中每增加一个新的潜在目标,t加1。若D×D区域内找到多个与匹配的目标,则在目标轨迹X集合中增加多个目标。D为搜索区域大小,这里D取64。
iii.潜在目标轨迹集合X中添加后续图像中对应的潜在目标。在图像Ii-n+3上以步骤ii中找到的所有符合条件的为中心,在D×D区域搜索潜在目标,若找到潜在目标且未被标记为目标,则认为和为可能的相同目标。将加入到对应的Xt中,此时这里
iv.从图像Ii-n+3到Ii按照步骤iii递进处理,直到将Ii中潜在目标加入Xt中或者在图像Ii-n+3到Ii中间某一帧中找不到符合条件的潜在目标与前面一帧潜在目标进行匹配,此时停止构建Xt。
v.当n张图像上所有潜在目标对应Xt构建完成后,对Xt进行更新,即当Xt中潜在目标数量小于α时,认为其对应的不是目标轨迹,将其从X中删除。Α为目标数量阈值,这里取4。
vi.对通过公式(7)求解其帧间速度差,通过公式(8)求解其平均速度差。
式中,b(k+1)'和bk'表示Xt中的星体,i-n+1≤k≤q-1。vk为其对应的速度差,和分别为vk横轴和纵轴上的分量。为Xt对应的平均速度差,和分别为横轴和纵轴上的分量。
vii.在潜在目标集合X中删除虚假轨迹。根据公式(9),计算的帧间速度差对应的标准差St。当St满足公式(10)时,认为Xt所对应的目标轨迹为真实轨迹,对其进行标记。否则在在X中删除Xt。
St为Xt对应的标准差,和为St在横轴和纵轴上的分量。σx和σy是和对应的阈值参数,这里取σx=σy=2.0。
viii.对若即两条潜在目标轨迹中有重合目标,若Sa<Sb,在X中删除Xb。
ix.通过X构建真实目标轨迹T。即对构建Tt={bi-n+1,bi-n+2,……bq}∈T,q≤i。在图像中将bi-n+1,bi-n+2,……bq标记为目标。
4.空间碎片跟踪:
真实轨迹T构建完成后,后序图像中目标的检测即T的更新通过跟踪完成。对第w个空间碎片在第i帧星空图像上的跟踪过程如下:
i.根据公式(6)将Tw内目标质心校正到第i帧图像上,从中选取最近的d个目标对其质心序列进行线性回归,d为选择的回归个数,这里取6。通过公式(11)建立空间碎片w的局部直线运动方程。最后通过公式(12)进行最小二乘法优化求解获得该空间碎片的运动模型参数。
式中,ti-d,ti-d+1,……,ti-1表示星空图像序列Ii-d,Ii-d+1,……,Ii-1所对应的图像帧号,且tk=k(i-d≤k≤i-1),为空间碎片w运动模型参数。
ii.通过公式(13)预测第w个空间碎片在第i帧星空图像的质心点位置
式中和表示对应的横纵坐标。
iii.根据的质心位置,在第i帧图像中以为中心,在A×A区域内搜索满足公式(14)的质心点若找到则就是空间碎片w在第i帧星空图像上对应的星体。将标记为目标并加入Tw中。A为区域搜索范围,这里取32。
重复步骤3-4,直到序列图像处理完,从而完成空间碎片的检测跟踪。
Claims (1)
1.一种空间碎片实时检测与跟踪方法,其特征在于包括以下步骤:
步骤一、设星空图像序列I={Ii|i=1,…,N}中任一帧图像Ii上提取的连通域集合为N为图像数量且N>2,Mi为图像Ii上连通域数量,为Ci中第j个连通域;设Pk表示将Ik上坐标通过运动补偿校正到Ik+1的变换矩阵,则整个序列对应的仿射变换矩阵序列为P={Pk,1≤k≤N-1};和Pk含义如公式(1)和(2)所示;
式中,和分别表示图像Ii上星体质心的横纵坐标;表示仿射变换矩阵Pk中的变换参数,其中1≤h≤9;
恒星检测过程如下:
i.遍历图像Ik上星体集合Ck,其中1≤k≤N-1,对Ck中任意星体通过公式(3)将其质心坐标校正到图像Ik+1上,对应校正后星体为其中1≤m≤Mk;
式中,和分别表示的横纵坐标;
ii.在图像Ik+1上,搜索以为中心的S×S区域内星体,若该区域内存在星体与关系满足公式(4),则认为与为同一颗恒星;S为搜索窗口大小,其中1≤n≤Mk+1;
式中,表示与的欧式距离,α为设置的距离阈值;
令H={Hi|i=1,…,N}表示序列图像中每帧图像对应的恒星集合,即Hi对应图像Ii的恒星集合;当Hk和Hk+1中没有包含与时,将与分别加入Hk和Hk+1中;
iii.判断图像Ik上星体是否搜索完,当搜索完时,该帧图像的恒星检测完成;重复步骤i到iii,当所有图像上恒星检测完成后,序列图像的恒星检测过程完成;
步骤二、潜在目标是指星空图像上除恒星以外的星体,包括空间碎片目标、噪声和少量未匹配的恒星;
对图像Ii,其潜在目标记为Bi,根据其星体Ci和恒星集合Hi,有
整个图像序列I对应的潜在目标集合为B={Bi|1≤i≤N};
步骤三、空间碎片的运动在局部看成是一个线性运动模型;选取n张星空图像Ii-n+1,Ii-n+2,……,Ii,检测该n张图像校正后潜在目标轨迹集合X={Xt|t≥0}和真实目标点集合T={Tt|t≥0}步骤如下:
i.通过公式(6)将Bi-n+1,Bi-n+2,……,Bi-1中所有潜在目标点质心转换到图像Ii上,获取转换后的潜在目标集合为B(i-n+1)',B(i-n+2)',……,B(i-1)';
其中i-n+1≤j≤i-1 (6)
式中,bj表示Bi-n+1,Bi-n+2,……,Bi-1中包含的任意一个潜在目标点;bj'为bj转换到图像Ii上的潜在目标点;
ii.初步构建潜在目标轨迹集合X;从图像Ii-n+1开始检测目标;遍历Bi-n+1,对任意其中1≤a≤Mi-n+1,在图像Ii-n+2上以为中心、在D×D区域内搜索潜在目标,若找到潜在目标其中1≤e≤Mi-n+2,且未被标记为目标,则认为和为可能的新目标;将和对应校正后潜在目标和加入潜在目标轨迹中,这里X中每增加一个新的潜在目标,t加1;若D×D区域内找到多个与匹配的目标,则在目标轨迹X集合中增加多个目标;D为搜索区域大小;
iii.潜在目标轨迹集合X中添加后续图像中对应的潜在目标;在图像Ii-n+3上以步骤ii中找到的所有符合条件的为中心,在D×D区域搜索潜在目标,若找到潜在目标且未被标记为目标,则认为和为可能的相同目标,其中1≤f≤Mi-n+3,将加入到对应的Xt中,此时这里
iv.从图像Ii-n+3到Ii按照步骤iii递进处理,直到将Ii中潜在目标加入Xt中或者在图像Ii-n+3到Ii中间某一帧中找不到符合条件的潜在目标与前面一帧潜在目标进行匹配,此时停止构建Xt;
v.当n张图像上所有潜在目标对应Xt构建完成后,对Xt进行更新,即当Xt中潜在目标数量小于α时,认为其对应的不是目标轨迹,将其从X中删除;
vi.求解真实目标轨迹;对通过公式(7)求解
其帧间速度差,通过公式(8)求解其平均速度差;
vii.式中,和表示Xt中的星体,i-n+1≤k≤q-1;为其对应的速度差,和分别为横轴和纵轴上的分量;为Xt对应的平均速度差,和分别为横轴和纵轴上的分量;
viii.在潜在目标集合X中删除虚假轨迹;根据公式(9),计算的帧间速度差对应的标准差St;当St满足公式(10)时,认为Xt所对应的目标轨迹为真实轨迹,对其进行标记;否则在X中删除Xt;
St为Xt对应的标准差,和为St在横轴和纵轴上的分量;σx和σy是和对应的阈值参数;
ix.对若即两条潜在目标轨迹中有重合目标,若Sa<Sb,在X中删除Xb;
x.通过X构建真实目标轨迹T;即对构建Tt={bi-n+1,bi-n+2,……bq}∈T,q≤i;在图像中将bi-n+1,bi-n+2,……bq标记为目标;
步骤四、真实轨迹T构建完成后,后序图像中目标的检测即T的更新通过跟踪完成;对第w个空间碎片在第i帧星空图像上的跟踪过程如下:
i.根据公式(6)将Tw内目标质心校正到第i帧图像上,从中选取d个目标点对其质心序列进行线性回归,d为选择的回归个数;通过公式(11)建立空间碎片w的局部直线运动方程;最后通过公式(12)进行最小二乘法优化求解获得该空间碎片的局部直线运动模型参数;
式中,ti-d,ti-d+1,……,ti-1表示星空图像序列Ii-d,Ii-d+1,……,Ii-1所对应的图像帧号,并且tk=k其中i-d≤k≤i-1,为空间碎片w局部直线运动模型参数;
ii.通过公式(13)预测第w个空间碎片在第i帧星空图像的质心点位置
式中和表示对应的横纵坐标;
iii.根据的质心位置,从第i帧星空图像中以为中心,在A×A区域寻找满足公式(14)的质心点其中若找到则就是空间碎片w在第i帧星空图像上对应的星体;将标记为目标并加入Tw中;A为区域搜索范围;
重复步骤三到步骤四,直到序列图像处理完,完成空间碎片的检测跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202791.5A CN105913452B (zh) | 2016-04-01 | 2016-04-01 | 空间碎片实时检测与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202791.5A CN105913452B (zh) | 2016-04-01 | 2016-04-01 | 空间碎片实时检测与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913452A CN105913452A (zh) | 2016-08-31 |
CN105913452B true CN105913452B (zh) | 2019-04-19 |
Family
ID=56745213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610202791.5A Active CN105913452B (zh) | 2016-04-01 | 2016-04-01 | 空间碎片实时检测与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913452B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640153A (zh) * | 2020-05-29 | 2020-09-08 | 河北工业大学 | 基于视觉与惯性单元融合的空间刚体质心位置检测方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373141B (zh) * | 2016-09-14 | 2019-05-28 | 上海航天控制技术研究所 | 空间慢旋碎片相对运动角度和角速度的跟踪系统和跟踪方法 |
CN106651904B (zh) * | 2016-12-02 | 2019-08-09 | 北京空间机电研究所 | 一种宽尺寸范围多空间目标捕获跟踪方法 |
CN109708648B (zh) * | 2018-11-27 | 2022-10-18 | 上海航天控制技术研究所 | 一种空间运动点目标的分类辨识方法 |
CN110210304B (zh) * | 2019-04-29 | 2021-06-11 | 北京百度网讯科技有限公司 | 用于目标检测和跟踪的方法及系统 |
CN110160516A (zh) * | 2019-05-06 | 2019-08-23 | 航天东方红卫星有限公司 | 一种基于测角和测距信息的空间目标高精度在轨定位方法 |
CN110345918B (zh) * | 2019-05-27 | 2021-03-16 | 中国科学院紫金山天文台 | 基于恒星检索的空间碎片检测方法和系统 |
US11782163B2 (en) | 2019-07-26 | 2023-10-10 | The Aerospace Corporation | Object detection and characterization using a LIDAR-based sensor |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2042155C1 (ru) * | 1988-07-18 | 1995-08-20 | Товарищество с ограниченной ответственностью "Астрам" | Устройство для обнаружения объекта на фоне звезд |
CN101520892A (zh) * | 2009-03-17 | 2009-09-02 | 西北工业大学 | 可见光图像中弱小目标的检测方法 |
CN101546429A (zh) * | 2009-05-05 | 2009-09-30 | 西北工业大学 | 特征空间的弱小目标检测方法 |
CN103985127A (zh) * | 2014-05-20 | 2014-08-13 | 成都信息工程学院 | 一种密集恒星背景的弱小目标检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI420906B (zh) * | 2010-10-13 | 2013-12-21 | Ind Tech Res Inst | 興趣區域之追蹤系統與方法及電腦程式產品 |
-
2016
- 2016-04-01 CN CN201610202791.5A patent/CN105913452B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2042155C1 (ru) * | 1988-07-18 | 1995-08-20 | Товарищество с ограниченной ответственностью "Астрам" | Устройство для обнаружения объекта на фоне звезд |
CN101520892A (zh) * | 2009-03-17 | 2009-09-02 | 西北工业大学 | 可见光图像中弱小目标的检测方法 |
CN101546429A (zh) * | 2009-05-05 | 2009-09-30 | 西北工业大学 | 特征空间的弱小目标检测方法 |
CN103985127A (zh) * | 2014-05-20 | 2014-08-13 | 成都信息工程学院 | 一种密集恒星背景的弱小目标检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于卡尔曼滤波的弱小目标实时检测与跟踪;高建伟 等;《计算机工程》;20120131;第38卷(第2期);第4-7页 |
星空背景下空间目标的快速识别与精密定位;李振伟 等;《光学 精密工程》;20150228;第23卷(第2期);第589-599页 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640153A (zh) * | 2020-05-29 | 2020-09-08 | 河北工业大学 | 基于视觉与惯性单元融合的空间刚体质心位置检测方法 |
CN111640153B (zh) * | 2020-05-29 | 2021-05-28 | 河北工业大学 | 基于视觉与惯性单元融合的空间刚体质心位置检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105913452A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913452B (zh) | 空间碎片实时检测与跟踪方法 | |
CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
WO2020098195A1 (zh) | 基于ais与视频数据融合的船舶身份识别方法 | |
CN104282020B (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN104239867B (zh) | 车牌定位方法及系统 | |
CN107330920A (zh) | 一种基于深度学习的监控视频多目标追踪方法 | |
CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN106097391A (zh) | 一种基于深度神经网络的识别辅助的多目标跟踪方法 | |
CN101315701B (zh) | 运动目标图像分割方法 | |
CN103426179B (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
CN106251362B (zh) | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统 | |
CN106846378B (zh) | 一种结合时空拓扑估计的跨摄像机目标匹配与跟踪方法 | |
CN110110649A (zh) | 基于速度方向的可选择性人脸检测方法 | |
CN104700088B (zh) | 一种基于单目视觉移动拍摄下的手势轨迹识别方法 | |
CN112488057A (zh) | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 | |
CN102867177A (zh) | 一种基于图像灰度匹配的人数统计方法 | |
CN105069451B (zh) | 一种基于双目摄像头的车牌识别与定位方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN106934332A (zh) | 一种多目标跟踪的方法 | |
CN104408741A (zh) | 一种时序一致性约束的视频全局运动估计方法 | |
CN105321187A (zh) | 基于人头检测的行人计数方法 | |
Prokaj et al. | Using 3d scene structure to improve tracking | |
CN103413138B (zh) | 一种红外图像序列中点目标检测方法 |
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 |