CN107783103B - 一种轻量级带自学习功能的飞鸟跟踪智能方法 - Google Patents
一种轻量级带自学习功能的飞鸟跟踪智能方法 Download PDFInfo
- Publication number
- CN107783103B CN107783103B CN201710883925.9A CN201710883925A CN107783103B CN 107783103 B CN107783103 B CN 107783103B CN 201710883925 A CN201710883925 A CN 201710883925A CN 107783103 B CN107783103 B CN 107783103B
- Authority
- CN
- China
- Prior art keywords
- target
- flying bird
- vector
- tracking
- holder
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种轻量级带自学习功能的飞鸟跟踪智能方法,包括如下步骤:(1)根据预设的速度参数阈值对探测到的数据进行过滤,以过滤掉跟踪目标之外的数据,获得目标数据;(2)根据相邻两次探测到的跟踪目标的空间三维位置数据得到跟踪目标的位移向量并确定目标的几何中心;根据多次探测获得的目标的几何中心形成飞鸟移动轨迹向量链;(3)获取飞鸟与云台的位移偏差校正向量,并根据该位移偏差校正向量对当前的飞鸟移动轨迹向量链进行修正;(4)根据修正后的飞鸟移动轨迹向量链对下一探测时刻飞鸟所在位置进行预测,以便将云台以最短路径提前布置到预测到的探测点。本发明提供的这种方法具有实时处理数据量小、运算量小、响应速度快的特点。
Description
技术领域
本发明属于目标探测及图像处理技术领域,更具体地,涉及一种轻量级带自学习功能的飞鸟跟踪智能方法。
背景技术
近几年来,随着配电线路和变电站的不断增多和生态环境的逐步改善,鸟害造成的事故呈上升趋势,由此造成的损失也越来越大。鸟害对配电线路和变电站电力设备的安全运行造成严重干扰。
现有的防鸟措施包括靶向性的驱鸟设备,该类型设备可以侦测飞鸟的位置,并进行跟踪,将设备中驱鸟模块(如超声波,激光等)的靶面对准飞鸟并启动,达到有效驱鸟目的。通常该类型设备中的驱鸟模块的靶面有区域限制,只有将靶面对准飞鸟才会有效果,因此需要对飞鸟进行跟踪。先处理传感器反馈飞鸟目标信息,再进行动作的跟踪方式,其系统响应总会慢于飞鸟飞行的速度,当设备的响应速度达不到飞鸟飞行的速度时,就会发生跟踪目标丢失。驱鸟模块的靶面无法对准飞鸟,导致驱鸟效果降低或无法驱鸟的情况。因此对于该类型设备而言,跟踪飞鸟的准确性是保证其驱鸟效果的前提。
申请公布号为CN 106872971 A的专利《一种基于群体智能模型的飞鸟群目标跟踪方法》所公开的技术方案根据当前目标鸟群中个体的运动情况来推测群体的运动情况,通过群体当前运动情况来计算运动趋势,再计算推测下一次目标运动情况和的位置。该方法是一种从细微到宏观分析鸟类移动轨迹的方式,需要对探测到目标中的多个个体运动状态信息进行处理,只通过当前状态来进行预测,待处理的数据较多,运算量大。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种轻量级带自学习功能的飞鸟跟踪智能方法,其目的在于降低靶向性的驱鸟设备在跟踪过程中的目标丢失概率。
为实现上述目的,按照本发明的一个方面,提供了一种轻量级带自学习功能的飞鸟跟踪智能方法,具体包括如下步骤:
(1)根据预设的速度参数阈值对探测到的数据进行过滤,以过滤掉跟踪目标之外的数据,获得目标数据;
(2)根据相邻两次探测到的跟踪目标的空间三维位置数据得到跟踪目标的位移向量并确定目标的几何中心;根据多次探测获得的目标的几何中心形成飞鸟移动轨迹向量链;
(3)获取飞鸟与云台的位移偏差校正向量,并根据该位移偏差校正向量对当前的飞鸟移动轨迹向量链进行修正;
(4)根据修正后的飞鸟移动轨迹向量链对下一探测时刻飞鸟所在位置进行预测,以便将云台以最短路径提前布置到预测到的探测点。
优选地,上述的轻量级带自学习功能的飞鸟跟踪智能方法,步骤(2)包括如下子步骤:
(2.1)以探测装置的探测面为中心原点确定跟踪目标的空间三维位置数据;
(2.2)根据相邻两次探测到跟踪目标的空间三维位置数据(X1,Y1,Z1)、(X2,Y2,Z2)得到跟踪目标的位移向量根据跟踪目标的位移向量确定跟踪目标的几何中心
其中,n是指探测到的目标编号,第一个目标空间坐标为(X1,Y1,Z1),第n个目标的空间坐标为(Xn,Yn,Zn);
(2.3)根据多次探测获得的跟踪目标的几何中心形成飞鸟移动轨迹向量链。
优选地,上述的轻量级带自学习功能的飞鸟跟踪智能方法,其步骤(2.1)中采用先探测目标,再根据探测到的目标的位置参数控制探测设备向目标方向转动的跟踪方式进行飞鸟跟踪;
且步骤(2.1)与步骤(2.2)之间还包括如下子步骤:
(a)判断本次跟踪到的目标数量是否大于上一次跟踪到的目标数量的i%;若是,表明跟踪成功,进入步骤(2.2);若否,则表明目标丢失,进入步骤(b);其中,i优选设定为70;
(b)通过跟踪目标的运动趋势确定跟踪目标下一次出现的预测点,并通过将云台提前移动到预测点来搜索跟踪目标以找回丢失的目标,进入步骤(c);
(c)判断探测到的目标数量是否小于丢失前目标数量的j%;若是,则表明目标找回失败,进入步骤(1);若否,则表明找回目标成功,则重新进入步骤(2.2);其中,j优选设定为50。
优选地,上述的轻量级带自学习功能的飞鸟跟踪智能方法,其步骤(b)找回丢失的目标的方法,包括如下子步骤:
(b.1)飞鸟目标运动趋势计算;
根据跟踪目标丢失前记录的目标位置数据集合A((Xn,Yn,Zn)∈A)获得飞鸟的运动趋势向量
并根据两次探测的时间间隔为t以及飞鸟运动速度v获取飞鸟的移动距离S=vt;
(b.2)将云台按照计算出的运动趋势提前运动到特定区域;
将云台需超前移动的距离设为4S,根据位移趋势向量和移动距离计算得到云台需转动的角度数据其中,β是指Span角度,φ是指Tlit角度;将云台根据计算出的移动距离及角度数据设置到位;是指飞鸟运动趋势向量;
(b.3)扫描捕获目标;
让雷达的探测靶面在上述位置及角度区域内做摇摆运动,使雷达进行地毯式扫描以寻找跟踪目标;若在预设时长内找到跟踪目标则继续进行目标跟踪,若超时未找到目标则判定目标丢失,进入步骤(1),进行新的一轮目标跟踪。
优选地,上述的轻量级带自学习功能的飞鸟跟踪智能方法,其步骤(3)包括如下子步骤:
(3.1)根据飞鸟与云台的位置数据的位移偏差获得校正向量其中,(XC,YC,ZC)为云台位移到的位置的坐标,(XB,YB,ZB)为飞鸟实际移动到的位置的坐标;
(3.2)根据上述的校正向量对当前的飞鸟运动轨迹向量进行修正,修正后的位置
其中,a为修正向量的权值;为修正补偿参数。
优选地,上述的轻量级带自学习功能的飞鸟跟踪智能方法,其步骤(1)中,根据鸟类飞行速度的特征将速度参数阈值设为12.7m/s,只处理速度大于12.7m/s目标,而滤掉速度小于该阈值的绝大部分的非鸟类目标,获得目标数据。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法,通过前期采集的鸟类飞行轨迹数据,对轨迹数据统一进行处理,预估出飞鸟的飞行轨迹链;在后期跟踪过程中再收集数据对移动轨迹链修正,在跟踪过程中直接调用修正好的轨迹连进行跟踪,将云台以最短路径提前布置到预测到的探测点,由此弥补了云台移动速度与飞鸟运动速度之间的差距,降低因云台移动速度与目标移动速度差距导致目标跟踪丢失的比率;本方法的实时处理数据量小、运算量小,属于轻量级的跟踪鸟类算法,因而对数据处理芯片的性能要求不高;
与申请公布号为CN 106872971 A的专利所公开的技术方案相比,区别在于:
一方面,本发明中的飞鸟轨迹预估的方法属于轻量级算法,实时处理数据量小;而申请公布号为CN 106872971 A的专利实时处理数据大,对数据处理芯片的要求较高;
另一方面,本发明所提供的方法是对飞鸟的移动轨迹从整体上进行分析,而非从个体目标入手分析,这起到了减小计算量的作用;
另一方面,本发明所提供的方法具有自学习的功能,可通过自学习来完成对目标的准确跟踪,跟踪效果随着自学习的进行越来越好;而申请公布号CN 106872971 A的专利所公开的技术方案没有自学习功能,从始至终保持一致,对于环境的变化不敏感。
附图说明
图1是本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法的一个实施例的流程示意图;
图2是系统在未完成飞鸟运动轨迹向量链之前采用滞后跟踪方式的示意图;
图3是飞鸟运动轨迹向量链三维示意图;
图4是飞鸟移动向量的计算方式示意图;
图5是飞鸟跟踪丢失并找回的过程示意图;
图6是目标丢失后飞鸟运行趋势预测方法的示意图;
图7是跟踪飞鸟的学习过程;
图8是经过学习以后云台移动轨迹与飞鸟运动轨迹的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明所采用技术方案是:
对飞鸟的初始跟踪方式采取现有的探测器发现目标、目标数据处理、控制云台等运动模块进行跟踪的方式;在每次跟踪过程中记录飞鸟的位置信息,直到飞鸟目标丢失无法找回;
对飞鸟的位置坐标信息进行“减处理”,得到每次位移的向量;通过对飞鸟飞行路径探测累计探测数据,连续的飞行轨迹向量的数量不断的增加,直到从移动的起始点到终止点形成一条完整的飞鸟的轨迹移动向量链;
当飞鸟再次飞入探测区域,调用轨迹移动向量链中的数据,对跟踪过程中位移模块的移动位置进行修正,在每次对飞鸟位置进行探测前,提前将探测靶面按照轨迹移动向量链中对应的参数移动到预测位置后再进行探测,用探测到的实际值对当前移动向量链的数据进行修正;
不断修正轨迹移动向量链的参数,直到云台等运动模块根据其参数运动,可以全程让飞鸟处于其探测区域内,系统完成自学习,最终达到提前预测飞鸟飞行路线,跟踪设备以最短的路径移动跟踪目标,降低跟踪目标丢失的概率;其流程如图1所示。
以下以采用雷达作为飞鸟探测模块、采用云台作为追踪运动模块的系统为例来具体阐述本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法,具体如下:
1、目标数据过滤;
在实际使用场景中雷达会探测到飞鸟以及除飞鸟以外的目标,因此需要对雷达探测到的目标数据进行过滤处理,过滤掉飞鸟外的数据。雷达反馈侦测到的目标的距离、高度、速度信息;本发明中将速度参数作为飞鸟特征值;
一般情况下鸟类的飞行速度在40Km/h到60Km/h(11.2m/s到16.7m/s)范围内;实施例中,经过实地测试积累大量数据并进行数据分析,将鸟类飞行速度的特征值阈值设为12.7m/s;将雷达反馈的目标数据中的速度参数不超过12.7m/s的目标过滤掉,以滤掉雷达反馈数据中的绝大部分非鸟类目标。
2、飞鸟运动轨迹向量链绘制
在系统的学习程度达不到预测飞鸟飞行轨迹要求时,即移动轨迹向量完成度小于10%时(实施例中设置移动轨迹向量个数30),跟踪方式采用如图2所示的先探测目标后再做动作的跟踪方式;该跟踪方式存在跟踪滞后的问题,本次跟踪目标数量是上一次跟踪目标数量的70%或以上,表明跟踪成功;否则表明目标丢失,则采用丢失目标找回算法寻找丢失的目标,若采用丢失找回算法后探测到的目标数量小于丢失前目标数量的50%,表明目标找回失败,则进行下一轮跟踪,重新修正和绘制移动轨迹向量,直到完成整个移动轨迹向量链,如图3所示。
实施例中,飞鸟运动轨迹向量链绘制方法具体如下:
(1)对雷达探测到的目标数据进行处理,以雷达探测面为中心原点,得到目标的空间三维位置数据;
(2)将雷达两次探测目标的位置数据(X1,Y1,Z1)、(X2,Y2,Z2)相减得到目标的位移向量如图4(a)所示。
当雷达检测到的是一群目标时,其位置值为所有目标的几何中心如图4(b)所示。
(3)飞鸟跟踪目标丢失找回,其流程如图5所示意的,具体包括如下子步骤:
(3.1)飞鸟目标运动趋势计算;
具体地,根据目标丢失前记录的目标位置数据集合A((Xn,Yn,Zn)∈A)获得飞鸟的运动趋势向量如图6所示;
根据雷达两次探测的时间间隔为t以及飞鸟运动速度v获取飞鸟的移动距离S=vt;实施例中,飞鸟运动速度v取飞鸟运动速度的中值13.8m/s。
(3.2)将云台按照计算出的运动趋势提前运动到特定区域;
具体地,取云台超前移动的距离为4S,根据位移趋势向量和移动距离计算得到云台需移动的角度数据其中,β是指Span角度,φ是指Tlit角度;将云台根据计算出的距离数据和角度数据转动到位。
(3.3)地毯式扫描等待捕获目标;
进行区域摇摆运动使雷达可以进行地毯式扫描以寻找目标;若在预设时长内找到目标则继续进行目标跟踪,若超时未找到目标则判定目标丢失,重新开始步骤(1),开始新一轮目标跟踪。
3、飞鸟运动轨迹向量链自动修正
对飞鸟跟踪轨迹的修正过程是自学习的过程,如图7所示,每次跟踪的过程中,云台位移到的位置(XC,YC,ZC)可能与飞鸟实际移动到的位置(XB,YB,ZB)存在偏差,根据飞鸟与云台的位置数据的位移偏差获得校正向量
并根据该校正向量对当前的飞鸟运动轨迹向量进行修正,修正后的位置
其中,a为修正向量的权值;为修正补偿参数;整个跟踪过程是一个不断重复跟踪、修正、再跟踪修正的过程。经过反复的学习,系统就可以预测到下一探测时刻飞鸟所在位置,并提前进行云台位移操作,将设备以最短的路径移动到下一次探测的飞鸟所在位置;实施例中,飞鸟实际运动路线和经过预测云台移动的路线示意图如图8所示,可以看出,飞鸟的移动路线并非直线,而云台的移动轨迹是直线;根据两点直线最短的原则,云台可以最快的速度移动到目标下一个出现的位置,降低了因云台移动速度与目标移动速度差距导致目标跟踪丢失的比率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种轻量级带自学习功能的飞鸟跟踪智能方法,其特征在于,具体包括如下步骤:
(1)根据预设的速度参数阈值对探测数据进行过滤,以过滤掉跟踪目标之外的数据,获得目标数据;
(2)根据相邻两次探测到的跟踪目标的空间三维位置数据得到跟踪目标的位移向量并确定目标的几何中心;根据多次探测获得的目标的几何中心形成飞鸟移动轨迹向量链;
(3)获取飞鸟与云台的位移偏差校正向量,并根据该位移偏差校正向量对当前的飞鸟移动轨迹向量链进行修正;
(4)根据修正后的飞鸟移动轨迹向量链对下一探测时刻飞鸟所在位置进行预测,以便将云台以最短路径提前布置到预测到的探测点。
2.如权利要求1所述的飞鸟跟踪智能方法,其特征在于,所述步骤(2)包括如下子步骤:
(2.1)以探测装置的探测面为中心原点确定跟踪目标的空间三维位置数据;
(2.2)根据相邻两次探测到跟踪目标的空间三维位置数据(X1,Y1,Z1)、(X2,Y2,Z2)得到跟踪目标的位移向量根据跟踪目标的位移向量确定跟踪目标的几何中心
其中,n是指探测到的目标编号,第一个目标空间坐标为(X1,Y1,Z1),第n个目标的空间坐标为(Xn,Yn,Zn);
(2.3)根据多次探测获得的跟踪目标的几何中心形成飞鸟移动轨迹向量链。
3.如权利要求2所述的飞鸟跟踪智能方法,其特征在于,所述步骤(2.1)中采用先探测目标、再根据探测到的目标的位置参数控制探测设备向目标方向转动的跟踪方式来进行飞鸟跟踪;
且步骤(2.1)与步骤(2.2)之间还包括如下子步骤:
(a)判断本次跟踪到的目标数量是否大于上一次跟踪到的目标数量的i%;若是,表明跟踪成功,进入步骤(2.2);若否,则表明目标丢失,进入步骤(b);
(b)通过跟踪目标的运动趋势确定跟踪目标下一次出现的预测点,并通过将云台提前移动到预测点来搜索跟踪目标以找回丢失的目标,进入步骤(c);
(c)判断探测到的目标数量是否小于丢失前目标数量的j%;若是,则表明目标找回失败,进入步骤(1);若否,则表明找回目标成功,则重新进入步骤(2.2)。
4.如权利要求3所述的飞鸟跟踪智能方法,其特征在于,所述步骤(b)找回丢失的目标的方法,包括如下子步骤:
(b.1)飞鸟目标运动趋势计算:
根据跟踪目标丢失前记录的目标位置数据集合A((Xn,Yn,Zn)∈A)获得飞鸟的运动趋势向量
并根据两次探测的时间间隔为t以及飞鸟运动速度v获取飞鸟的移动距离S=vt;
(b.2)将云台按照计算出的运动趋势提前运动到特定区域:
将云台需超前移动的距离设为4S,根据运动趋势向量和移动距离计算得到云台需转动的角度数据其中,β是指Span角度,φ是指Tlit角度;将云台根据计算出的角度数据转动到位;
(b.3)扫描捕获目标:
让雷达的探测靶面在所述特定区域内做摇摆运动,使雷达进行地毯式扫描以寻找跟踪目标;若在预设时长内找到跟踪目标则继续进行目标跟踪,若超时未找到目标则判定目标丢失,进入步骤(1)。
5.如权利要求3或4所述的飞鸟跟踪智能方法,其特征在于,i设定为70,j设定为50。
6.如权利要求1或2所述的飞鸟跟踪智能方法,其特征在于,所述步骤(3)包括如下子步骤:
(3.1)根据飞鸟与云台的位置数据的位移偏差获得校正向量
其中,(XC,YC,ZC)为云台位移到的位置的坐标,(XB,YB,ZB)为飞鸟实际移动到的位置的坐标;
(3.2)根据所述的校正向量对当前的飞鸟运动轨迹向量进行修正,修正后的位置
其中,a为修正向量的权值;为修正补偿参数。
7.如权利要求1或2所述的飞鸟跟踪智能方法,其特征在于,所述步骤(1)中,根据鸟类飞行速度的特征将速度参数阈值设为12.7m/s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883925.9A CN107783103B (zh) | 2017-09-26 | 2017-09-26 | 一种轻量级带自学习功能的飞鸟跟踪智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883925.9A CN107783103B (zh) | 2017-09-26 | 2017-09-26 | 一种轻量级带自学习功能的飞鸟跟踪智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107783103A CN107783103A (zh) | 2018-03-09 |
CN107783103B true CN107783103B (zh) | 2019-07-09 |
Family
ID=61433793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710883925.9A Active CN107783103B (zh) | 2017-09-26 | 2017-09-26 | 一种轻量级带自学习功能的飞鸟跟踪智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107783103B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302562B (zh) * | 2018-10-12 | 2020-09-29 | 中国民用航空总局第二研究所 | 基于视频的目标探测追踪方法、系统、介质及设备 |
CN109284937A (zh) * | 2018-10-15 | 2019-01-29 | 广东工业大学 | 一种基于神经网络的输电线路鸟害状态预估方法 |
CN110568435B (zh) * | 2019-07-26 | 2022-11-22 | 广东工业大学 | 一种适用于高压杆塔的鸟类飞行轨迹预测方法 |
CN110501684B (zh) * | 2019-08-23 | 2022-12-23 | 北京航天朗智科技有限公司 | 雷达数据处理装置及雷达数据处理方法 |
CN111812635B (zh) * | 2020-06-10 | 2023-08-01 | 广东电网有限责任公司 | 一种基于消抖滤波法计权的鸟类飞行轨迹预测方法 |
CN111709372B (zh) * | 2020-06-18 | 2023-06-27 | 深圳市赛为智能股份有限公司 | 驱鸟方法、装置、计算机设备及存储介质 |
CN112261270A (zh) * | 2020-10-23 | 2021-01-22 | 上海大学 | 长中短系列焦距镜头组合视觉传感阵列及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290350B (zh) * | 2008-05-21 | 2011-02-16 | 覃征 | 地面集群目标跟踪方法 |
CN206193237U (zh) * | 2016-10-12 | 2017-05-24 | 深圳供电局有限公司 | 一种用于变电站的雷达探鸟装置 |
CN106872971B (zh) * | 2017-03-16 | 2019-07-09 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN107156102B (zh) * | 2017-06-01 | 2019-12-06 | 北京中安航信科技有限公司 | 基于目标跟踪的定向驱鸟装置及其驱鸟方法 |
-
2017
- 2017-09-26 CN CN201710883925.9A patent/CN107783103B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107783103A (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107783103B (zh) | 一种轻量级带自学习功能的飞鸟跟踪智能方法 | |
CN108496129B (zh) | 一种基于飞行器的设施检测方法及控制设备 | |
CN103149939B (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
CN105737820B (zh) | 一种室内机器人定位导航方法 | |
CN110426046B (zh) | 一种无人机自主着陆跑道区域障碍物判断与跟踪方法 | |
CN113124856B (zh) | 基于uwb在线锚点的视觉惯性紧耦合里程计及计量方法 | |
CN110850403A (zh) | 一种多传感器决策级融合的智能船水面目标感知识别方法 | |
US20220383484A1 (en) | Tunnel defect detecting method and system using unmanned aerial vehicle | |
CN113485441A (zh) | 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 | |
CN108399642A (zh) | 一种融合旋翼无人机imu数据的通用目标跟随方法和系统 | |
CN115661204B (zh) | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 | |
CN105759829A (zh) | 基于激光雷达的微型无人机操控方法及系统 | |
CN109755995A (zh) | 基于ros机器人操作系统的机器人自动充电对接方法 | |
CN109084735B (zh) | 一种基于无人机装置的隧道异常状态监测方法 | |
CN109375211B (zh) | 基于雷达和多光学设备的可移动无人平台目标搜索方法 | |
CN110007313A (zh) | 基于无人机的障碍物检测方法及装置 | |
CN112444374B (zh) | 一种基于光学跟踪测量设备伺服系统的跟踪评估方法 | |
CN109407086A (zh) | 一种飞行器轨迹生成方法、系统及诱捕系统目标引导方法 | |
CN106094849A (zh) | 用于农场自主管理的四旋翼飞行器控制系统及控制方法 | |
CN108181905A (zh) | 一种无人驾驶汽车的障碍躲避方法及系统 | |
CN112380933A (zh) | 无人机识别目标的方法、装置及无人机 | |
Qi et al. | Detection and tracking of a moving target for UAV based on machine vision | |
CN115690343A (zh) | 一种基于视觉跟随的机器人激光雷达扫描建图方法 | |
CN110231836A (zh) | 一种引导无人机降落在移动靶标的方法 | |
Bisulco et al. | Fast motion understanding with spatiotemporal neural networks and dynamic vision sensors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A lightweight bird tracking intelligent method with self-learning function Effective date of registration: 20220331 Granted publication date: 20190709 Pledgee: Wuhan area branch of Hubei pilot free trade zone of Bank of China Ltd. Pledgor: WUHAN SANJIANG CLP TECHNOLOGY Co.,Ltd. Registration number: Y2022420000094 |