CN107346548A - 一种用于输电线路绝缘子的跟踪方法 - Google Patents
一种用于输电线路绝缘子的跟踪方法 Download PDFInfo
- Publication number
- CN107346548A CN107346548A CN201710547166.9A CN201710547166A CN107346548A CN 107346548 A CN107346548 A CN 107346548A CN 201710547166 A CN201710547166 A CN 201710547166A CN 107346548 A CN107346548 A CN 107346548A
- Authority
- CN
- China
- Prior art keywords
- target
- msub
- mrow
- formula
- insulator
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于无人机输电线路巡检技术领域,涉及一种用于输电线路绝缘子的跟踪方法。本发明的方法将绝缘子跟踪看成目标位置估计和目标尺度估计两个独立部分,首先用HOG特征训练时空上下文模型,负责检测目标位置的变化,通过计算目标在样本各个点的概率值,根据最大概率值确定目标位置;然后用HOG特征训练尺度相关滤波器,负责检测目标尺度变化,确定绝缘子目标位置后,提取不同尺度的样本与尺度滤波器进行相关运算,根据最大响应结果确定目标新尺度。本发明的有益效果为,本发明的方法,更好地适应了绝缘子尺度的变化,始终能够完整的跟踪绝缘子,具有良好的尺度自适应性。
Description
技术领域个
本发明属于无人机输电线路巡检技术领域,涉及一种用于输电线路绝缘子的跟踪方法。
背景技术
随着国家电网的不断高速发展,电力巡检的任务也随之增大,传统的人力巡检方式不仅工作效率低而且存在很大的安全隐患。近年来,一种新兴的电力巡检方式——无人机电力巡检已经开始应用,并且得到了广泛的研究。在巡线的过程中,无人机的位置是不断变化的,与绝缘子之间的距离忽近忽远。再加上绝缘子是呈一长串悬挂在铁塔上,相比较于其他跟踪目标,绝缘子本身长度较长,尺度变化非常明显,而目前的跟踪方法并不适应这种尺度变化剧烈的场景。
发明内容
本发明所要解决的,就是针对上述问题,提出一种用于输电线路绝缘子的跟踪方法。
本发明的跟踪方法,将绝缘子跟踪看成目标位置估计和目标尺度估计两个独立部分,首先用HOG特征训练时空上下文模型,负责检测目标位置的变化,通过计算目标在样本各个点的概率值,根据最大概率值确定目标位置;然后用HOG特征训练尺度相关滤波器,负责检测目标尺度变化,确定绝缘子目标位置后,提取不同尺度的样本与尺度滤波器进行相关运算,根据最大响应结果确定目标新尺度。
本发明的技术方案是:一种用于输电线路绝缘子的跟踪方法,其特征在于,将绝缘子跟踪分解为目标位置估计和目标尺度估计,则包括:
绝缘子目标位置估计:时空上下文跟踪算法的核心是利用目标与周围场景之间的关系,根据先验概率,对目标以及周围信息学习得到时空上下文模型,将跟踪的问题转换为通过求解目标位置出现的最大概率,来确定目标位置,整体方法流程如图1所示,具体为:
S1、设定置信图,定义目标出现在每个位置上的概率;
假设x为某一位置,ο为需要跟踪的目标,目标在x出现的可能性定义为如下公式(1)所示:
α是与目标大小有关的参数,b是归一化常数,β取值大小决定置信图的形状为尖锐或者平缓,x*表示目标中心位置,Ωc(x*)表示在目标中心点周围的上下文区域,I(z)表示为z点的图像特征值,Xc={c(z)=(I(z),z)|z∈Ωc(x*)}表示以x*为中心点的上下文区域特征集合,由全概率函数可得,公式1可以表示为如下公式2所示:
其中P(m(x)|ο)为上下文先验模型,如下公式(3)所示:
P(m(z)|ο)=I(z)wσ(z-x*) (公式3)
wσ()是一个加权函数,wσ(z-x*)为其对应的权重,如公式(4)所示:
用于对上下文区域的位置,根据离目标中心点的不同距离赋予不同的加权值;条件概率P(x|m(z),ο)表示目标位置与周围上下文信息的空间关系,即目标出现在x点的概率,即为空间上下文模型,对于目标与上下文之间的关系,定义为如公式(5)所示:
P(x|m(z),ο)=h(x-z) (公式5)
公式5表示目标的位置x与其上下文区域中的位置z之间,在相对距离与相对方向的关系;
S2、构建时空上下文模型:
根据步骤S1中所述的空间上下文模型和先验概率模型,结合得到如下公式6:
通过学习绝缘子目标与周围区域之间的关系,根据公式6,则学习得到的时空上下文模型为如下公式(7)所示:
其中,F-1()分别表示傅里叶变换与傅里叶逆变换。
通过学习绝缘子目标与周围区域之间的关系,学习时间上下文信息与空间上下文信息,根据先验概率的知识,得到时空上下文模型。将绝缘子跟踪的问题转换为求解目标出现的最大概率,来确定目标位置。学习得到的时空上下文模型与输入的绝缘子图像样本作用,可以得到样本的实际响应输出结果。即计算得到的绝缘子在区域内各个点的概率值,根据最大概率值确定在新的一帧图像中目标的位置。
S3、通过时空上下文模型与上下文先验模型计算置信图,即计算得到目标在区域内各个点的概率值,根据最大概率位置确定在新的一帧图像中目标的位置,如公式(8)所示:
对上式求最大值的x即为第t+1帧新跟踪到的目标位置:xt+1 *=argmax(mt+1(x)),以此完成从第t帧图像到第t+1帧图像对绝缘子的跟踪过程,确定绝缘子的位置Pt;
S4、更新时空上下文模型:Ht+1=(1-λ)Ht+λht,其中λ为学习参数。
目标尺度估计:根据相关滤波跟踪原理,通过训练尺度相关滤波器,用于评估尺度。通过最小化样本实际的相关输出和期望的相关输出之间的平方差来训练尺度相关滤波器。在目标位置处提取一系列不同尺寸的样本特征,应用学习得到的尺度滤波器,整体流程如图2所示,具体为:
S5、根据第t帧的绝缘子中心位置Pt和第t-1帧的绝缘子尺度St-1,选择33个不同尺度大小的样本patches=anW+anH,其中W,H分别为第t帧图像目标框的宽度和高度,a=1.02是尺度因子,s=33是尺度数量。提取样本的HOG特征
S6、学习得到的尺度相关滤波器其中k=1,2…d,G表示傅里叶域中期望的相关滤波器高斯输出结果;Fk表示傅里叶域中提取的k维图像特征。计算对不同样本的相关性分数,当样本与目标越接近时,输出响应值越大;根据相关滤波原理,响应值越大,说明与目标越相近,即最大响应值对应的样本尺寸,为当前帧图像中目标尺寸;
在估计目标尺度变化时,首先需要根据时空上下文算法得到的当前帧绝缘子目标位置和上一帧绝缘子尺度构造样本特征。以当前帧目标新位置为中心,上一帧目标尺度为基准,选择33个不同尺度大小的样本。每帧尺度检测需要采样33个样本的特征,应用学习得到的尺度相关滤波器,分别对每个尺寸的样本图像运算,根据尺度滤波器的最大响应,确定绝缘子的尺度。尺度评估样本尺寸的选择方式如公式8所示:
S7、根据计算得到的位置Pt和尺度St,提取HOG特征,按照公式
更新尺度滤波器,标量η是学习速率参数。
本发明的有益效果为,本发明的方法,更好地适应了绝缘子尺度的变化,始终能够完整的跟踪绝缘子,具有良好的尺度自适应性。
附图说明
图1为基于时空上下文绝缘子跟踪过程示意图;
图2为绝缘子尺度评估示意图;
图3为绝缘子多尺度跟踪流程图。
具体实施方式
在发明内容部分已经对本发明的技术方案进行了详细描述,结合图3,可以将本发明的整体流程概括为:
Step1第t帧图像输入,学习时空上下文模型:
Step2计算置信图:
Step3根据置信图最大值确定绝缘子的位置Pt;
Step4更新时空上下文模型Ht+1=(1-λ)Ht+λht;
Step5根据第t帧的绝缘子中心位置Pt和第t-1帧的绝缘子尺度St-1,选择33个不同尺度大小的样本patches=anW+anH,提取样本的HOG特征
Step7学习得到的尺度相关滤波器与样本特征相关运算得到输出响应为根据最大响应值确定第t帧图像中绝缘子的尺度St;
Step8根据计算得到的位置Pt和尺度St,提取HOG特征,按照公式
更新尺度滤波器。
Claims (1)
1.一种用于输电线路绝缘子的跟踪方法,其特征在于,将绝缘子跟踪分解为目标位置估计和目标尺度估计,则包括:
绝缘子目标位置估计:采用HOG特征训练时空上下文模型,负责检测目标位置的变化,通过计算目标在样本各个点的概率值,根据最大概率值确定目标位置,具体为:
S1、设定置信图,定义目标出现在每个位置上的概率;
假设x为某一位置,ο为需要跟踪的目标,目标在x出现的可能性定义为如下公式(1)所示:
α是与目标大小有关的参数,b是归一化常数,β取值大小决定置信图的形状为尖锐或者平缓,x*表示目标中心位置,Ωc(x*)表示在目标中心点周围的上下文区域,I(z)表示为z点的图像特征值,Xc={c(z)=(I(z),z)|z∈Ωc(x*)}表示以x*为中心点的上下文区域特征集合,由全概率函数可得,公式1可以表示为如下公式2所示:
其中P(m(x)|ο)为上下文先验模型,如下公式(3)所示:
P(m(z)|ο)=I(z)wσ(z-x*) (公式3)
wσ()是一个加权函数,wσ(z-x*)为其对应的权重,如公式(4)所示:
用于对上下文区域的位置,根据离目标中心点的不同距离赋予不同的加权值;条件概率P(x|m(z),ο)表示目标位置与周围上下文信息的空间关系,即目标出现在x点的概率,即为空间上下文模型,对于目标与上下文之间的关系,定义为如公式(5)所示:
P(x|m(z),ο)=h(x-z) (公式5)
公式5表示目标的位置x与其上下文区域中的位置z之间,在相对距离与相对方向的关系;
S2、构建时空上下文模型:
根据步骤S1中所述的空间上下文模型和先验概率模型,结合得到如下公式6:
通过学习绝缘子目标与周围区域之间的关系,根据公式6,则学习得到的时空上下文模型为如下公式(7)所示:
其中,F-1()分别表示傅里叶变换与傅里叶逆变换;
S3、通过时空上下文模型与上下文先验模型计算置信图,即计算得到目标在区域内各个点的概率值,根据最大概率位置确定在新的一帧图像中目标的位置,如公式(8)所示:
mt+1(x)=F-1{F(Ht+1(x))⊙F(It+1(x)wσt(x-xt *))} (公式8)
对上式求最大值的x即为第t+1帧新跟踪到的目标位置:xt+1 *=argmax(mt+1(x)),以此完成从第t帧图像到第t+1帧图像对绝缘子的跟踪过程,确定绝缘子的位置Pt;
S4、更新时空上下文模型:Ht+1=(1-λ)Ht+λht,其中λ为学习参数;
目标尺度估计:根据相关滤波跟踪原理,通过训练尺度相关滤波器,用于评估尺度,具体为:
S5、根据第t帧的绝缘子中心位置Pt和第t-1帧的绝缘子尺度St-1,选择33个不同尺度大小的样本其中W,H分别为第t帧图像目标框的宽度和高度,a=1.02是尺度因子,s=33是尺度数量;提取样本的HOG特征
S6、学习得到的尺度相关滤波器其中k=1,2…d,G表示傅里叶域中期望的相关滤波器高斯输出结果;Fk表示傅里叶域中提取的k维图像特征;计算对不同样本的相关性分数,当样本与目标越接近时,输出响应值越大;根据相关滤波原理,响应值越大,说明与目标越相近,即最大响应值对应的样本尺寸,为当前帧图像中目标尺寸;
S7、根据计算得到的位置Pt和尺度St,提取HOG特征,按照公式
<mrow>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mover>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mover>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>A</mi>
<mi>t</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>A</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&eta;</mi>
<mi>t</mi>
</msub>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<msubsup>
<mi>F</mi>
<mi>t</mi>
<mi>l</mi>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>B</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>B</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>&eta;&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<mover>
<msubsup>
<mi>F</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&OverBar;</mo>
</mover>
<msubsup>
<mi>F</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
更新尺度滤波器,标量η是学习速率参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547166.9A CN107346548A (zh) | 2017-07-06 | 2017-07-06 | 一种用于输电线路绝缘子的跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547166.9A CN107346548A (zh) | 2017-07-06 | 2017-07-06 | 一种用于输电线路绝缘子的跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346548A true CN107346548A (zh) | 2017-11-14 |
Family
ID=60256819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710547166.9A Pending CN107346548A (zh) | 2017-07-06 | 2017-07-06 | 一种用于输电线路绝缘子的跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346548A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898574A (zh) * | 2018-05-09 | 2018-11-27 | 江苏大学 | 列车转向架交叉支撑装置端头螺栓松动故障自动检测方法 |
CN108961226A (zh) * | 2018-06-21 | 2018-12-07 | 安徽工业大学 | 一种面向输电线路巡检视频中绝缘子目标跟踪的方法 |
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、系统及装置 |
CN109669474A (zh) * | 2018-12-21 | 2019-04-23 | 国网安徽省电力有限公司淮南供电公司 | 基于先验知识的多旋翼无人机自适应悬停位置优化算法 |
CN110070563A (zh) * | 2019-04-30 | 2019-07-30 | 山东大学 | 基于联合感知的相关性滤波器目标跟踪方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034244A (zh) * | 2010-12-03 | 2011-04-27 | 福建省电力有限公司厦门电业局 | 基于运动背景的绝缘子实时目标识别和跟踪装置 |
CN103063166A (zh) * | 2013-01-05 | 2013-04-24 | 山西省电力公司大同供电分公司 | 悬式复合绝缘子串风偏角的检测方法及装置 |
CN204633930U (zh) * | 2015-04-08 | 2015-09-09 | 郑州航空工业管理学院 | 一种绝缘子行为识别和跟踪装置 |
CN105117720A (zh) * | 2015-09-29 | 2015-12-02 | 江南大学 | 基于时空模型的目标尺度自适应跟踪方法 |
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN106060466A (zh) * | 2016-06-20 | 2016-10-26 | 西安工程大学 | 一种基于视频图像序列的绝缘子跟踪监测方法 |
CN106485732A (zh) * | 2016-09-09 | 2017-03-08 | 南京航空航天大学 | 一种视频序列的目标跟踪方法 |
CN106570486A (zh) * | 2016-11-09 | 2017-04-19 | 华南理工大学 | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 |
-
2017
- 2017-07-06 CN CN201710547166.9A patent/CN107346548A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034244A (zh) * | 2010-12-03 | 2011-04-27 | 福建省电力有限公司厦门电业局 | 基于运动背景的绝缘子实时目标识别和跟踪装置 |
CN103063166A (zh) * | 2013-01-05 | 2013-04-24 | 山西省电力公司大同供电分公司 | 悬式复合绝缘子串风偏角的检测方法及装置 |
CN204633930U (zh) * | 2015-04-08 | 2015-09-09 | 郑州航空工业管理学院 | 一种绝缘子行为识别和跟踪装置 |
CN105117720A (zh) * | 2015-09-29 | 2015-12-02 | 江南大学 | 基于时空模型的目标尺度自适应跟踪方法 |
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN106060466A (zh) * | 2016-06-20 | 2016-10-26 | 西安工程大学 | 一种基于视频图像序列的绝缘子跟踪监测方法 |
CN106485732A (zh) * | 2016-09-09 | 2017-03-08 | 南京航空航天大学 | 一种视频序列的目标跟踪方法 |
CN106570486A (zh) * | 2016-11-09 | 2017-04-19 | 华南理工大学 | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 |
Non-Patent Citations (6)
Title |
---|
KAIHUA ZHANG 等: "Fast Visual Tracking via Dense Spatio-Temporal Context Learning", 《ECCV 2014》 * |
MARTIN DANELLJAN 等: "Accurate Scale Estimation for Robust Visual Tracking", 《BMVC 2014》 * |
MARTIN DANELLJAN 等: "Discriminative Scale Space Tracking", 《PAMI 2017》 * |
刘威 等: "时空上下文学习长时目标跟踪", 《光学学报》 * |
张雷 等: "采用核相关滤波器的自适应尺度目标跟踪", 《光学 精密工程》 * |
魏全禄 等: "基于相关滤波器的视觉目标跟踪综述", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898574A (zh) * | 2018-05-09 | 2018-11-27 | 江苏大学 | 列车转向架交叉支撑装置端头螺栓松动故障自动检测方法 |
CN108961226A (zh) * | 2018-06-21 | 2018-12-07 | 安徽工业大学 | 一种面向输电线路巡检视频中绝缘子目标跟踪的方法 |
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、系统及装置 |
CN109669474A (zh) * | 2018-12-21 | 2019-04-23 | 国网安徽省电力有限公司淮南供电公司 | 基于先验知识的多旋翼无人机自适应悬停位置优化算法 |
CN109669474B (zh) * | 2018-12-21 | 2022-02-15 | 国网安徽省电力有限公司淮南供电公司 | 基于先验知识的多旋翼无人机自适应悬停位置优化算法 |
CN110070563A (zh) * | 2019-04-30 | 2019-07-30 | 山东大学 | 基于联合感知的相关性滤波器目标跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346548A (zh) | 一种用于输电线路绝缘子的跟踪方法 | |
Hu et al. | Short-term wind speed prediction using empirical wavelet transform and Gaussian process regression | |
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN103259962B (zh) | 一种目标追踪方法和相关装置 | |
CN110213827B (zh) | 基于深度强化学习的车辆数据采集频率动态调节方法 | |
JP2017520029A (ja) | カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器 | |
CN105760952A (zh) | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 | |
US11047763B2 (en) | Automatic method for tracking structural modal parameters | |
CN101799888A (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
CN102670188A (zh) | 一种用于单导胎儿心率检测的鲁棒自适应估计方法 | |
CN105844217A (zh) | 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN106887012A (zh) | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 | |
CN101719278A (zh) | 基于khm算法的视频显微图像细胞自动跟踪方法 | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
CN107367552A (zh) | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 | |
CN104899436A (zh) | 基于多尺度径向基函数和改进粒子群优化算法的脑电信号时频分析方法 | |
CN105303835A (zh) | 一种道路交通流状态的短时预测方法 | |
CN114091338B (zh) | 一种电力负荷分解模型的建立方法及装置 | |
CN114970340B (zh) | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 | |
CN106529075A (zh) | 一种考虑分时段的非线性模拟风速方法 | |
CN103873859B (zh) | 基于时空显著性检测的视频融合性能评价方法 | |
CN115880102A (zh) | 一种电能计量方法、系统、设备及存储介质 | |
CN108363679B (zh) | 一种自动追踪结构模态参数的方法 | |
CN104331836B (zh) | 农作物决策支持方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |