CN108844527B - 基站天线工程参数获取方法和系统、存储介质及设备 - Google Patents
基站天线工程参数获取方法和系统、存储介质及设备 Download PDFInfo
- Publication number
- CN108844527B CN108844527B CN201810427307.8A CN201810427307A CN108844527B CN 108844527 B CN108844527 B CN 108844527B CN 201810427307 A CN201810427307 A CN 201810427307A CN 108844527 B CN108844527 B CN 108844527B
- Authority
- CN
- China
- Prior art keywords
- antenna
- target
- probability density
- image
- acquiring
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基站天线工程参数获取方法和系统、计算机存储介质及设备,涉及通信技术领域,其中方法包括获取当前基站的天线柱的第一图像,根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型,根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。上述技术方案通过根据获取的基站天线柱的图像确定天线柱的天线板轮廓,根据天线板轮廓确定天线柱的位置和类型,进而根据天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,从而代替了传统的人工采集天线工程参数的方法,提高了获取天线工程参数的效率,并且降低了人为产生的测量误差,提高了获取的天线工程参数的准确度。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种基站天线工程参数获取方法和系统、计算存储介质及设备。
背景技术
基站是移动通信网络的最基本元素,其在移动通信系统运行时,利用射频设备和控制器通过收发信台与网内移动用户端进行无线通信。而无线通信是由基站通过天线系统接收和发射一定频率范围内的电磁波来实现的,收发天线是决定发射台附近电磁场分布的主要发射影响源。随着移动用户端和用户端通信需求的激增,必须要保证天线周围环境的电磁辐射强度。
而电磁辐射的强度和范围与基站天线的工程参数有着密切的联系,因此有必要对基站天线的工程参数进行测量。目前获取基站天线工程参数的方法普遍是通过测量者爬上铁塔或抱杆贴近基站天线,并采用坡度计、皮尺和机械罗盘等仪器对其进行测量,从而获取天线相应的工程参数。
然而,通过目前采用的方法无法快速地获取基站天线的工程参数,该基站天线工程参数获取方法的效率低。
发明内容
基于此,有必要针对上述基站天线工程参数获取方法存在效率低的技术问题,提供一种基站天线工程参数获取方法和系统、计算机存储介质和设备。
一种基站天线工程参数获取方法,包括以下步骤:
获取当前基站的天线柱的第一图像;
根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
在其中一个实施例中,所述获取当前基站的天线柱的第一图像的步骤包括:
根据接收的目标选定指令确定目标检测区域并确定所述目标检测区域中的天线柱;
对所述天线柱进行跟踪,获取所述天线柱的多组图像,将所述多组图像设置为所述第一图像,所述多组图像包括从不同角度获取的所述天线柱的图像。
通过确定目标检测区域及区域中的天线柱,并通过对天线柱进行跟踪及获取其不同角度的多组图像,提高了确定目标检测区域及区域中的天线柱的效率,并且提高了获取天线柱图像的效率。
在其中一个实施例中,所述根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型的步骤包括:
根据所述第一图像确定所述天线柱的多组天线板轮廓;
获取各组所述天线板轮廓的倾斜角,确定所述天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓;
对所述天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定所述天线柱的位置和类型;
所述根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数的步骤包括:根据所述第一目标天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
通过确定目标天线板轮廓并根据对多组天线板轮廓进行聚类处理的结果确定天线柱的位置和类型,提高了利用该目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数的准确度。
在其中一个实施例中,所述对所述天线柱的多组天线板轮廓进行聚类处理的步骤包括:
获取各组所述天线板轮廓的轮廓长宽比,在多组所述天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓;
获取各个所述第二目标天线板轮廓对应天线的方向角,根据预设聚类算法和所述天线的方向角对所述第二目标天线板轮廓进行聚类处理。
通过根据轮廓长宽比及预设算法对天线板轮廓进行聚类处理,提高了聚类处理的准确度,进而提高了基站天线工程参数获取方法的准确度
在其中一个实施例中,在所述根据所述第一目标天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数的步骤之后,还包括:
根据所述第一目标天线板轮廓确定所述天线柱的目标图像;
对所述目标图像和所述天线工程参数进行匹配并将匹配结果发送至预设终端。
通过将目标天线板轮廓对应的目标图像与获取的天线工程参数进行匹配并将匹配结果发送至预设终端,从而无需人工收集获取的天线工程参数,提高了获取天线工程参数的效率。
在其中一个实施例中,所述对所述天线柱进行跟踪的步骤包括:
获取所述目标检测区域的第二图像,对所述第二图像进行灰度化处理;
根据灰度化处理后的第二图像的灰度分布获取所述天线柱的特征值集合,根据所述第二图像确定所述目标检测区域的第一中心坐标;
获取所述目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度;
在预设时间间隔之后,获取所述目标检测区域的第三图像,根据所述第三图像确定所述目标检测区域中的第二中心坐标,根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度;
根据所述第一概率密度和所述第二概率密度确定第一移动向量,根据所述第一移动向量对所述天线柱进行跟踪。
通过准确地对目标检测区域中的同一天线柱进行跟踪,以便获取同一天线柱的不同角度的多组图像,稳定性及准确性高。
在其中一个实施例中,在所述根据所述第二图像确定所述目标检测区域的第一中心坐标的步骤之后,还包括:
对所述目标检测区域中不同位置的权值进行设置,其中,所述目标检测区域中不同位置的权值大小与所述位置距离所述目标检测区域的中心的距离成正比;
根据所述目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数;
获取所述目标检测区域第一边框位置对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度;
获取所述目标检测区域第一中心坐标对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取所述第三概率密度和所述第四概率密度的第一相似度;
在预设时间间隔之后,获取所述目标检测区域的第三图像,根据所述第三图像确定所述目标检测区域中的第三中心坐标,根据所述目标概率密度函数和所述第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,根据所述目标概率密度函数和所述第三中心坐标计算所述第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取所述第五概率密度和所述第六概率密度的第二相似度;
根据所述第一相似度和所述第二相似度获取第二移动向量,根据所述第二移动向量对所述天线柱进行跟踪。
通过反向设置目标检测区域中不同位置的权值,进而对天线柱进行跟踪,进一步提高了对天线柱进行跟踪的准确性及稳定性,提高获取天线柱图像的准确性。
一种基站天线工程参数获取系统,所述系统包括:
图像获取模块,用于获取当前基站的天线柱的第一图像;
确定模块,用于根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
参数获取模块,用于根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基站天线工程参数获取方法。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基站天线工程参数获取方法。
上述基站天线工程参数获取方法和系统、计算机存储介质及设备,通过根据获取的基站天线柱的图像确定天线柱的天线板轮廓,根据天线板轮廓确定天线柱的位置和类型,进而根据天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,从而代替了传统的人工采集天线工程参数的方法,提高了获取天线工程参数的效率,并且减少了人为产生的测量误差,提高了获取的天线工程参数的准确度。
附图说明
图1为一个实施例的基站天线工程参数获取方法的应用环境图;
图2为一个实施例的基站天线工程参数获取方法流程图;
图3为一个实施例的天线板轮廓聚类分析流程图;
图4为另一个实施例的基站天线工程参数获取方法流程图;
图5为一个实施例的基站天线工程参数获取系统结构示意图;
图6为一个实施例的计算机设备内部结构示意图。
具体实施方式
下面结合具体的实施例及附图对本发明的技术方案进行详细的描述,以使其更加清楚。
如图1所示为一个实施例的基站天线工程参数获取方法的应用环境图。该基站天线工程参数方法可应用于无人机系统中,进而通过无人机系统自动获取目标基站天线的工程参数。如图1所示,无人机S10包括飞行装置S101、摄像装置S102、处理器S103、存储器S104和通信装置S105,其中处理器S103分别与飞行装置S101、摄像装置S102、存储器S104和通信装置S105相连接,飞行装置S101用于实现无人机S10的自动飞行,摄像装置S102用于获取图像,即在无人机S10飞行过程中获取目标基站天线的图像,处理器S103用于对获取的图像进行处理,包括进行图像和数据处理,从而获取基站天线的工程参数,获取的数据可存储于无人机S10的存储器S104中,也可通过通信装置S105发射到数据接收器。
如图2所示为一个实施例的基站天线工程参数获取方法的流程示意图,该方法可包括:
步骤S201:获取当前基站的天线柱的第一图像;
步骤S202:根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
步骤S203:根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
上述基站天线工程参数获取方法,通过根据获取的基站天线柱的图像确定天线柱的天线板轮廓,并确定天线柱的位置和类型,进而根据天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,相比传统的人工采集天线工程参数的方式,提高了获取天线工程参数的效率,并且减少了人为产生的测量误差,提高了天线工程参数获取方法的准确度。
其中,基站天线工程参数一般包括天线挂高、天线方向角和天线下倾角,在确定天线柱的天线板轮廓以及天线柱的位置和类型之后,步骤S203可包括根据天线柱的位置获取天线的挂高,并根据天线柱的类型和天线板轮廓确定该天线板轮廓对应的矩阵,在矩阵中取天线板轮廓四个角的点坐标进行角度计算,从而获取天线的方向角和下倾角。另外,在获取基站天线工程参数时,可同时确定基站的经纬度和天线横滚角等信息。
在实际应用过程中,可将该基站天线工程参数获取方法应用于无人机系统中,并通过无人机拍摄目标基站天线,获取基站天线柱的图像或获取基站的视频并从视频中截取相关图像。为了便于描述,以下均以该基站天线工程参数获取方法应用于无人机系统中为例进行说明。
步骤S201可包括根据接收的目标选定指令确定目标检测区域并确定目标检测区域中的天线柱,进而对该天线柱进行跟踪,获取天线柱的多组图像并将获取的多组图像设置为第一图像,其中所述多组图像包括从不同角度获取的天线柱的图像。其中也可通过SIFT(Scale-invariant feature transform,尺度不变特征转换)算法进行特征检测选定,即通过SIFT算法自动确定目标检测区域及目标检测区域中的天线柱,具体采用的确定目标检测区域及区域中的天线柱的方式可根据实际情况而定。通过接收的目标选定指令快速确定目标检测区域以及目标检测区域中的天线柱,并通过对天线柱进行跟踪及获取其不同角度的多组图像,提高了确定目标检测区域及区域中的天线柱的效率,并且提高了获取天线柱图像的效率。
在一个实施例中,无人机通过输入装置接收输入的目标选定指令,并根据该目标选定指令确定目标检测区域并确定目标检测区域中的天线柱,进而对该天线柱进行跟踪,即在无人机飞行过程中,以该目标检测区域中的天线柱为跟踪对象,进行飞行跟踪并且从不同角度获取该天线柱的多组图像。
在从不同角度获取天线柱的多组图像,并将该多组图像设置为第一图像之后,步骤S202可包括根据该第一图像确定天线柱的多组天线板轮廓,获取各组天线板轮廓的倾斜角,并确定天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓;并且对天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定天线柱的位置和类型。进而在获取天线柱的工程参数时,根据获取的第一目标天线板轮廓、天线柱的位置和类型进行获取。其中,天线板轮廓对应的倾斜角在天线板轮廓的正面时最大,因此通过在多组天线板轮廓中筛选出倾斜角最大的目标天线板轮廓,可提高获取的目标天线板轮廓为天线柱正面图像对应的轮廓的准确率。因此,通过确定倾斜角最大的目标天线板轮廓,并根据对多组天线板轮廓进行聚类处理的结果确定天线柱的位置和类型,进而利用该目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,提高了基站天线工程参数获取方法的准确度。
另外,在无人机自动获取基站天线工程参数的过程中,可通过手动检测弥补自动检测中识别不出来的问题。步骤S201还可包括对获取的图像进行图像处理,包括灰度化、二值化、模糊处理、边缘检测、腐蚀膨胀和轮廓检测等图像处理,步骤S202还可包括接收过滤指令并根据该过滤指令对获取的天线板轮廓进行过滤,该过滤指令包括天线板轮廓的参考长宽比、轮廓参考面积和轮廓的参考倾斜角等参数,根据过滤指令中的参考参数对获取的天线板轮廓进行过滤,从而可获取符合条件的天线板轮廓。通过对图像进行处理,并根据接收的过滤指令对天线板轮廓进行过滤,保留了有效的目标天线板轮廓,弥补了自动检测无法确定有效天线板轮廓的不足,进一步提高了获取天线工程参数的准确度。
其中,步骤S202对天线柱的多组天线板轮廓进行聚类处理的过程可包括获取各组天线板轮廓的轮廓长宽比,在多组天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓,并获取各个第二目标天线板轮廓对应天线的方向角,进而根据预设聚类算法和天线的方向角对第二目标天线板轮廓进行聚类处理。其中根据预设聚类算法可将天线的方向角变换为相应极坐标,即为无人机飞行轨迹上各个位置,并可根据天线柱正面或侧面的天线板轮廓的轮廓长宽比对长宽比筛选条件预先进行设置,即设置长宽比条件为天线柱正面或侧面的天线板轮廓的轮廓长宽比,从而使获取的第二目标天线板轮廓为天线柱的正面或侧面图像对应的天线板轮廓。天线板轮廓一般为矩形,因此可根据矩形轮廓四个角在二维坐标系的点坐标矩形计算第二目标天线板轮廓对应天线的方向角和下倾角,并且,其中采用的预设聚类算法可为Kmeans聚类算法。
为使上述通过获取的方向角对天线板进行聚类分析的过程更为清楚,提供如图3所示一个实施例的天线板轮廓聚类分析流程示意图,其中包括:
步骤S301:获取当前基站的天线的多组图像,根据该多组图像确定天线柱的多组天线板轮廓;其中可通过无人机拍摄获取基站的视频并从视频中截取相关的多组图像;
步骤S302:获取各组天线板轮廓的轮廓长宽比,确定轮廓长宽比满足预设长宽比条件的目标天线板轮廓;预设长宽比条件可根据天线板正面或侧面图像对应的轮廓的长宽比进行设置;
步骤S303:获取各个目标天线板轮廓对应天线的方向角;
步骤S304:根据预设聚类算法和天线的方向角对目标天线板轮廓进行聚类处理。
在获取多组天线板轮廓之后,通过先确定轮廓长宽比满足预设长宽比条件的第二目标天线板轮廓,再根据各个天线板轮廓对应的天线的方向角和预设聚类算法对第二目标天线板轮廓进行聚类处理,提高了聚类处理的准确度,进而提高了基站天线工程参数获取方法的准确度。
在无人机飞行跟踪天线柱并进行拍摄的过程中,只有部分拍摄的图像或视频的帧检测到天线板的侧面或正面的轮廓,即相当于无人机的飞行轨迹上部分标记点有效。因此针对一块天线板附近会有多个标记点,对标记点进行聚类处理即可将各标记点对应到各块天线板上,并通过聚类处理获取对天线板角度最正的拍摄图像(因为一块天线板的侧面或正面会被检测到多次),根据天线板正面与侧面的方向角之差对获取的图像进行匹配,进而确定天线柱的位置和类型。
在一个实施例中,使用Kmeans的改良算法Kmeans++算法进行聚类分析,确定天线柱的位置和类型,其中算法实施具体包括:在获取的天线的方向角的数据集合X中随机选择一个点x作为第一聚类中心,计算数据集合X中每个点与第一聚类中心的距离,记为D(x),选取在预设数值范围内的D(x)对应的数据点为第二聚类中心,计算选取的点为聚类中心的概率D,其选取的点为聚类中心的概率的计算方程为:
重复上述算法的步骤获取K个聚类中心,并利用Kmeans算法运算该K个聚类中心,计算数据集合中的数据点到K个聚类中心的距离,并将其分到距离最小的聚类中心所对应的类中,其中不同类别为Ci,重新计算每个类别Ci的聚类中心,即属于该类的所有样本的质心,其计算方程为:
其中,x聚类中心归属于不同类别Ci,重复聚类直到聚类中心的位置不再变化,则完成聚类处理。本算法相比传统的Kmeans算法,无需预先设置K值且无需确定初始聚类中心,提高了聚类处理的准确度和效率。
其中,在获取天线柱的工程参数之后,步骤S203还可包括根据第一目标天线板轮廓确定天线柱的目标图像,对目标图像和获取的天线工程参数进行匹配并将匹配结果发送至预设终端。其中,无人机在获取天线柱的工程参数之后,根据第一目标天线板轮廓确定天线柱的目标图像,并将该图像与和天线工程参数进行匹配,如将获取的天线的方向角1/2/3…/N与对应的照片进行匹配,进而根据匹配结果生成报告发送至预设终端,同时报告中还可包括当前日期、当前基站名称和经纬度等内容,其中预设终端可为预先与无人机建立连接的手机和个人电脑等终端。通过确定天线柱第一目标天线板轮廓对应的目标图像,将该图像与获取的天线工程参数进行匹配并将匹配结果发送至预设终端,从而无需人工收集获取的天线工程参数,并且将各个天线的图像与工程参数进行对应,提高了获取天线工程参数的效率。
其中,步骤S201对天线柱进行跟踪的步骤可包括获取目标检测区域的第二图像,对该第二图像进行灰度化处理,并根据灰度化处理后的第二图像的灰度分布获取天线柱的特征值集合,根据该第二图像确定目标检测区域的第一中心坐标,获取目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和第一中心坐标计算任意位置对应的特征值在所述特征值集合内的第一概率密度,并在预设时间间隔之后,获取该目标检测区域的第三图像,根据第三图像确定目标检测区域中的第二中心坐标,根据预设的概率密度函数和第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度,进而根据第一概率密度和第二概率密度确定第一移动向量,根据该第一移动向量对天线柱进行跟踪。通过根据目标检测区域的图像的灰度分布获取天线柱的特征值集合,确定目标检测区域的第一中心坐标及一定时间间隔之后的第二中心坐标,分别确定检测区域中任意位置在不同时刻的目标检测区域对应的天线柱的特征值集合内的第一概率密度和第二概率密度,进而根据该第一及第二概率密度确定第一移动向量,根据该第一移动向量对天线柱进行跟踪,从而准确地对目标检测区域中的同一天线柱进行跟踪,以便获取同一天线柱的不同角度的多组图像,提高对天线柱进行跟踪的稳定性及准确性。
在一个实施例中,无人机使用meanshift算法对天线柱进行跟踪,首先,无人机获取目标检测区域当前的图像,目标检测区域即为无人机的跟踪框,该跟踪框内区域为第一区域,无人机根据跟踪框内的灰度分布获取天线柱的特征值集合R,并计算跟踪框的中心坐标点为y0,因此跟踪框内任意位置对应的特征值μ∈R的概率密度的计算方程为:
其中,k(x)表示核函数的轮廓函数,针对跟踪框内不同的位置进行加权,离跟踪框的中心位置y0更近的点的权值比相对较远的点更高。xi表示跟踪框内的各个像素点,h表示核函数的宽度,δ[b(xi)-μ]用来判断点xi的灰度值是否满足第μ个区间的特征值,C为归一化常数。其中,若跟踪框的任意点均满足特征值,则相似度为1,即完全相似。
在预设时间间隔之后,无人机获取到目标检测区域的新的图像,在该新的图像中以在核函数宽度包含的区域内选择的其他点作为新的坐标,此时以该新的坐标为中心的跟踪框的区域为第二区域,并运用上述方程(3)计算以新的中心坐标确定的第二区域中任意位置的特征值属于所述特征值集合的新的概率密度。然后运用巴氏系数比较所述概率密度和所述新的概率密度的相似度即第一区域与第二区域的相似程度如下:
方程(5)中加号左侧的计算与y值无关,因此仅需分析加号右侧方程,具体函数fk如下:
对所述fk进行meanShift算法计算得到向量,该向量即为无人机应做的漂移向量,即得到移动后图像的目标区域中心坐标。
根据以上跟踪算法进行meanShift算法计算,其核函数的宽度h是固定的,从而跟踪框的大小是固定的,因此无人机在进行拍摄过程中,若天线柱相对无人机更近,即天线柱在无人机拍摄的视频中的图像逐渐变大,而跟踪框与核函数的h值均不变,这就使跟踪框内的目标特征不足,有一部分或大部分的有效特征无法捕捉,导致天线柱的跟踪不准确甚至跟踪失败;另外,当天线柱无人机拍摄的视频中的图像逐渐变小时,就会使跟踪框内混入更多背景的特征信息,导致目标特征的比例逐渐减小,变化后的跟踪框与原始跟踪框的相似度也会越来越小,遇到干扰容易导致跟踪失败。因此有必要对meanshift算法进行改进。
在根据第二图像确定目标检测区域的第一中心坐标的步骤之后,步骤S201还可包括对目标检测区域中不同位置的权值进行设置,其中,目标检测区域中不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,即离目标检测区域的中心距离越近的位置,其权值越小;根据目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数,获取目标检测区域第一边框位置对应的特征值,根据目标概率密度函数和第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度,并且获取目标检测区域第一中心坐标对应的特征值,根据目标概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取第三概率密度和第四概率密度的第一相似度,还包括在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第三中心坐标,根据目标概率密度函数和第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,根据目标概率密度函数和第三中心坐标计算第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取第五概率密度和第六概率密度的第二相似度,进而根据第一相似度和第二相似度获取第二移动向量,根据第二移动向量对天线柱进行跟踪。通过反向设置目标检测区域中不同位置的权值,即不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,进而修正预设的概率密度函数,利用获取的目标概率密度函数对天线柱进行跟踪,进一步提高了对天线柱进行跟踪的准确性及稳定性,提高获取天线柱图像的准确性。
在一个实施例中,无人机在对天线柱进行跟踪时,采用新的权值划分机制对目标天线柱进行跟踪,即设置距离目标检测区域中心越近的位置或像素点的权重越小,距离目标检测区域边框更近的位置或像素点具有更大的权重。根据该权值划分结果对核函数进行修正,定义新的核函数方程G(x)如下:
将方程(8)代入预设概率密度计算方程即方程(3)进行修正,获取目标概率密度函数的计算方程,并计算跟踪框第一边界处特征值属于特征值集合的概率密度然后获取目标检测区域的中心坐标对应的特征值,进而计算该中心坐标处特征值的概率密度进行巴氏系数相似度计算,获取第一相似度,其方程可记为:
进而在预设时间间隔之后,无人机获取目标检测区域的新图像,然后根据方程(9)计算无人机移动后的跟踪框的第二边界处特征值的概率密度以及新的中心坐标处特征值的概率密度,同样进行相似度计算,得到p2。根据p1与p2的比值λ确定移动向量,并对天线柱进行跟踪。其中,当λ>1时,即跟踪框边界处特征值与新的跟踪框边界处相比与目标中心处相似度更高,说明了目标大小应已经大于跟踪框,因此无人机应增加跟踪框的大小;当0<λ<1时,则跟踪框边界处特征值与目标特征不同程度较高,因此无人机应缩小跟踪框大小;另外,当λ=1时,则保持原状,无需改变跟踪框大小。
为使本发明的技术方案更为清楚,提供如图4所示一个实施例的基站天线工程参数获取方法流程图,该方法可包括:
步骤S401:接收目标选定指令并确定目标检测区域及目标检测区域中的天线柱;可通过SIFT算法对天线柱进行特征检测选定;
步骤S402:对目标检测区域内天线柱进行跟踪,从不同角度获取天线柱的多组图像;可采用改良的meanshift算法对天线柱进行跟踪;
步骤S403:根据获取的多组图像确定天线柱的多组天线板轮廓,确定倾斜角最大的第一目标天线板轮廓;
步骤S404:对多组天线板轮廓进行聚类分析,确定天线柱的位置和类型;可采用Kmeans算法对获取的天线板轮廓进行聚类分析;
步骤S405:根据第一目标天线板轮廓、天线柱的位置和类型获取所述天线柱的工程参数。
本实施例的基站天线工程参数获取方法,对天线柱进行跟踪并获取其多组图像,确定天线板轮廓及天线柱的位置和类型,进而获取天线柱的工程参数,无需通过人工测量天线工程参数,降低了成本并且提高了获取天线工程参数的效率和准确度。
针对目前基站天线工程参数获取技术存在效率低的问题,还有必要提供一种基站天线工程参数获取系统,如图5所示,该系统包括:
图像获取模块501,用于获取当前基站的天线柱的第一图像;
确定模块502,用于根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
参数获取模块503,用于根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
上述基站天线工程参数获取系统,通过图像获取模块501获取基站天线柱的图像,确定模块502根据获取的图像确定天线柱的天线板轮廓并根据天线板轮廓确定天线柱的位置和类型,进而由参数获取模块503根据天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,从而代替了传统的人工采集天线工程参数的方式,提高了获取天线工程参数的效率,并且减少了人为产生的测量误差,提高了获取的天线工程参数的准确度。
在确定模块502确定天线柱的天线板轮廓以及天线柱的位置和类型之后,参数获取模块503可根据确定的天线柱的位置获取天线的挂高,并根据天线柱的类型和天线板轮廓确定该天线板轮廓对应的矩阵,在矩阵中取天线板轮廓四个角的点坐标进行角度计算,从而获取天线的方向角和下倾角。
其中,图像获取模块501可根据接收的目标选定指令确定目标检测区域并确定目标检测区域中的天线柱,进而对该天线柱进行跟踪,获取天线柱的多组图像并将获取的多组图像设置为第一图像,其中所述的多组图像包括从不同角度获取的天线柱的图像。通过图像获取模块501根据接收的目标选定指令快速确定目标检测区域以及目标检测区域中的天线柱,并对天线柱进行跟踪及获取其不同角度的多组图像,提高了确定目标检测区域及区域中的天线柱的效率,提高了获取天线柱图像的效率。
在图像获取模块501从不同角度获取天线柱的多组图像,并将该多组图像设置为第一图像之后,确定模块502可根据该第一图像确定天线柱的多组天线板轮廓,获取各组天线板轮廓的倾斜角,并确定天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓,并且对天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定天线柱的位置和类型,进而在参数获取模块503获取天线柱的工程参数时,可根据确定模块502确定的第一目标天线板轮廓、天线柱的位置和类型对天线柱的工程参数进行获取。通过确定模块502确定倾斜角最大的目标天线板轮廓,并根据对多组天线板轮廓进行聚类处理的结果确定天线柱的位置和类型,进而由参数获取模块503利用该目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,从而提高了基站天线工程参数获取系统的准确度。
另外,图像获取模块501还可对获取的图像进行图像处理,包括灰度化、二值化、模糊处理、边缘检测、腐蚀膨胀和轮廓检测等图像处理,确定模块502还可接收过滤指令并根据该过滤指令对获取的天线板轮廓进行过滤,该过滤指令包括天线板轮廓的参考长宽比、轮廓参考面积和轮廓的参考倾斜角等参数,确定模块502根据过滤指令中的参考参数对获取的天线板轮廓进行过滤,从而可获取符合条件的天线板轮廓。通过图像获取模块501对图像进行处理,并通过确定模块502根据接收的过滤指令对天线板轮廓进行过滤,从而保留了有效的目标天线板轮廓,弥补了自动检测无法确定有效天线板轮廓的不足,进一步提高了获取天线工程参数的准确度。
其中,确定模块502还可获取各组天线板轮廓的轮廓长宽比,在多组天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓,并获取各个第二目标天线板轮廓对应天线的方向角,进而根据预设聚类算法和天线的方向角对第二目标天线板轮廓进行聚类处理。
在获取多组天线板轮廓之后,确定模块502先确定轮廓长宽比满足预设长宽比条件的第二目标天线板轮廓,再根据各个天线板轮廓对应的天线的方向角和预设聚类算法对第二目标天线板轮廓进行聚类处理,提高了聚类处理的准确度,提高了参数获取模块503获取基站天线工程参数的准确度。
其中,在获取天线柱的工程参数之后,参数获取模块503还可根据第一目标天线板轮廓确定天线柱的目标图像,对目标图像和获取的天线工程参数进行匹配并将匹配结果发送至预设终端。通过参数获取模块503确定天线柱第一目标天线板轮廓对应的目标图像,将该图像与获取的天线工程参数进行匹配并将匹配结果发送至预设终端,从而无需人工收集获取的天线工程参数,并且将各个天线的图像与工程参数进行对应,提高了获取天线工程参数的效率。
其中,图像获取模块501还可获取目标检测区域的第二图像,对该第二图像进行灰度化处理,并根据灰度化处理后的第二图像的灰度分布获取天线柱的特征值集合,根据该第二图像确定目标检测区域的第一中心坐标,获取目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和第一中心坐标计算任意位置对应的特征值在所述特征值集合内的第一概率密度,并在预设时间间隔之后,获取该目标检测区域的第三图像,根据第三图像确定目标检测区域中的第二中心坐标,根据预设的概率密度函数和第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度,进而根据第一概率密度和第二概率密度确定第一移动向量,根据该第一移动向量对天线柱进行跟踪。通过图像获取模块501准确地对目标检测区域中的同一天线柱进行跟踪,以便获取同一天线柱的不同角度的多组图像,提高对天线柱进行跟踪的稳定性及准确性。
在根据第二图像确定目标检测区域的第一中心坐标之后,图像获取模块501还可对目标检测区域中不同位置的权值进行设置,其中,目标检测区域中不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,即离目标检测区域的中心距离越近的位置,其权值越小;根据目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数,获取目标检测区域第一边框位置对应的特征值,根据目标概率密度函数和第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度,并且获取目标检测区域第一中心坐标对应的特征值,根据目标概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取第三概率密度和第四概率密度的第一相似度,并在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第三中心坐标,根据目标概率密度函数和第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,并且根据目标概率密度函数和第三中心坐标计算第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取第五概率密度和第六概率密度的第二相似度,根据第一相似度和第二相似度获取第二移动向量,根据第二移动向量对天线柱进行跟踪。通过图像获取模块501反向设置目标检测区域中不同位置的权值,即不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,修正预设的概率密度函数,利用获取的目标概率密度函数对天线柱进行跟踪,进一步提高了对天线柱进行跟踪的准确性及稳定性,提高获取天线柱图像的准确性。
关于基站天线工程参数获取系统的具体限定可以参见上文中对于基站天线工程参数获取方法的限定,在此不再赘述。上述基站天线工程参数获取系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器、网络接口、摄像装置和输入装置。该非易失性存储介质存储有操作系统和计算机程序,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境,该计算机设备的网络接口用于与外部的终端通过网络连接通信,其中通过摄像装置获取目标的图像,通过输入装置接收输入的指令和数据。该计算机程序被处理器执行时以实现一种基站天线工程参数获取方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取当前基站的天线柱的第一图像;
根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
其中,处理器执行计算机程序时实现获取当前基站的天线柱的第一图像的步骤可包括根据接收的目标选定指令确定目标检测区域并确定目标检测区域中的天线柱,进而对该天线柱进行跟踪,获取天线柱的多组图像并将获取的多组图像设置为第一图像,其中所述多组图像包括从不同角度获取的天线柱的图像。通过接收的目标选定指令快速确定目标检测区域以及目标检测区域中的天线柱,并通过对天线柱进行跟踪及获取其不同角度的多组图像,并且提高了确定目标检测区域及区域中的天线柱的效率,提高了获取天线柱图像的效率。
在一个实施例中,处理器执行计算机程序时实现确定天线板轮廓及确定天线柱的位置和类型的步骤可包括根据该第一图像确定天线柱的多组天线板轮廓,获取各组天线板轮廓的倾斜角,并确定天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓;并且对天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定天线柱的位置和类型,进而根据获取的第一目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数。因此,通过确定倾斜角最大的目标天线板轮廓,并根据对多组天线板轮廓进行聚类处理的结果确定天线柱的位置和类型,进而利用该目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,提高基站天线工程参数获取方法的准确度。
在一个实施例中,处理器执行计算机程序时实现对天线柱的多组天线板轮廓进行聚类处理的步骤可包括获取各组天线板轮廓的轮廓长宽比,在多组天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓,并获取各个第二目标天线板轮廓对应天线的方向角,进而根据预设聚类算法和天线的方向角对第二目标天线板轮廓进行聚类处理。在获取多组天线板轮廓之后,通过先确定轮廓长宽比满足预设长宽比条件的第二目标天线板轮廓,再根据各个天线板轮廓对应的天线的方向角和预设聚类算法对第二目标天线板轮廓进行聚类,提高聚类处理的准确度及基站天线工程参数获取方法的准确度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤,包括在获取天线柱的工程参数之后,根据第一目标天线板轮廓确定天线柱的目标图像,对目标图像和天线工程参数进行匹配并将匹配结果发送至预设终端,从而无需人工收集获取的天线工程参数,并且将各个天线的图像与工程参数进行对应,提高了获取天线工程参数的效率。
其中,处理器执行计算机程序实现对天线柱进行跟踪的步骤还可包括获取所述目标检测区域的第二图像,对第二图像进行灰度化处理,根据灰度化处理后的第二图像的灰度分布获取天线柱的特征值集合,根据第二图像确定目标检测区域的第一中心坐标,获取目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度;在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第二中心坐标,根据所述预设的概率密度函数和第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度,根据第一概率密度和第二概率密度确定第一移动向量,根据第一移动向量对天线柱跟踪,从而提高了对天线柱进行跟踪的稳定性及准确性。
另外,处理器执行计算机程序实现根据第二图像确定目标检测区域的第一中心坐标的步骤之后,还可包括对目标检测区域中不同位置的权值进行设置,其中,目标检测区域中不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,即离目标检测区域的中心距离越近的位置,其权值越小;根据目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数,获取目标检测区域第一边框位置对应的特征值,根据目标概率密度函数和第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度;并且,获取目标检测区域第一中心坐标对应的特征值,根据目标概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取第三概率密度和第四概率密度的第一相似度;在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第三中心坐标,根据目标概率密度函数和第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,另外,根据目标概率密度函数和第三中心坐标计算第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取第五概率密度和第六概率密度的第二相似度;进而根据第一相似度和第二相似度获取第二移动向量,根据第二移动向量对天线柱进行跟踪。通过反向设置目标检测区域中不同位置的权值,修正预设的概率密度函数,利用获取的目标概率密度函数对天线柱进行跟踪,进一步提高了对天线柱进行跟踪的准确性及稳定性,提高获取天线柱图像的准确性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取当前基站的天线柱的第一图像;
根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型;
根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
其中,计算机程序被处理器执行时实现获取当前基站的天线柱的第一图像的步骤可包括根据接收的目标选定指令确定目标检测区域并确定目标检测区域中的天线柱,进而对该天线柱进行跟踪,获取天线柱的多组图像并将获取的多组图像设置为第一图像,其中所述多组图像包括从不同角度获取的天线柱的图像。通过接收的目标选定指令快速确定目标检测区域以及目标检测区域中的天线柱,并通过对天线柱进行跟踪及获取其不同角度的多组图像,并且提高了确定目标检测区域及区域中的天线柱的效率,提高了获取天线柱图像的效率。
在一个实施例中,计算机程序被处理器执行时实现确定天线板轮廓及确定天线柱的位置和类型的步骤可包括根据该第一图像确定天线柱的多组天线板轮廓,获取各组天线板轮廓的倾斜角,并确定天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓;对天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定天线柱的位置和类型,进而根据获取的第一目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数。因此,通过确定倾斜角最大的目标天线板轮廓,并根据对多组天线板轮廓进行聚类处理的结果确定天线柱的位置和类型,进而利用该目标天线板轮廓、天线柱的位置和类型获取天线柱的工程参数,提高基站天线工程参数获取方法的准确度。
在一个实施例中,计算机程序被处理器执行时实现对天线柱的多组天线板轮廓进行聚类处理的步骤可包括获取各组天线板轮廓的轮廓长宽比,在多组天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓,并获取各个第二目标天线板轮廓对应天线的方向角,进而根据预设聚类算法和天线的方向角对第二目标天线板轮廓进行聚类处理。在获取多组天线板轮廓之后,通过先确定轮廓长宽比满足预设长宽比条件的第二目标天线板轮廓,再根据各个天线板轮廓对应的天线的方向角和预设聚类算法对第二目标天线板轮廓进行聚类处理,提高了聚类处理的准确度,提高了基站天线工程参数获取方法的准确度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤,包括在获取天线柱的工程参数之后,根据第一目标天线板轮廓确定天线柱的目标图像,对目标图像和天线工程参数进行匹配并将匹配结果发送至预设终端,从而无需人工收集获取的天线工程参数,并且将各个天线的图像与工程参数进行对应,提高了获取天线工程参数的效率。
其中,计算机程序被处理器执行时实现对天线柱进行跟踪的步骤还可包括获取所述目标检测区域的第二图像,对第二图像进行灰度化处理,根据灰度化处理后的第二图像的灰度分布获取天线柱的特征值集合,根据第二图像确定目标检测区域的第一中心坐标,获取目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度;在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第二中心坐标,根据所述预设的概率密度函数和第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度,根据第一概率密度和第二概率密度确定第一移动向量,根据第一移动向量对天线柱跟踪,提高了对天线柱进行跟踪的稳定性及准确性。
另外,计算机程序被处理器执行时实现根据第二图像确定目标检测区域的第一中心坐标的步骤之后,还可包括对目标检测区域中不同位置的权值进行设置,其中,目标检测区域中不同位置的权值大小与各位置距离目标检测区域的中心的距离成正比,即离目标检测区域的中心距离越近的位置,其权值越小;根据目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数,获取目标检测区域第一边框位置对应的特征值,根据目标概率密度函数和第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度;并且,获取目标检测区域第一中心坐标对应的特征值,根据目标概率密度函数和第一中心坐标计算第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取第三概率密度和第四概率密度的第一相似度;在预设时间间隔之后,获取目标检测区域的第三图像,根据第三图像确定目标检测区域中的第三中心坐标,根据目标概率密度函数和第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,另外,根据目标概率密度函数和第三中心坐标计算第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取第五概率密度和第六概率密度的第二相似度;进而根据第一相似度和第二相似度获取第二移动向量,根据第二移动向量对天线柱进行跟踪。通过反向设置目标检测区域中不同位置的权值,修正预设的概率密度函数,利用获取的目标概率密度函数对天线柱进行跟踪,进一步提高了对天线柱进行跟踪的准确性及稳定性,提高获取天线柱图像的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明几种实施方式,其描述较为具体,但并不能因此而理解为对本发明专利范围的限制。应当指出,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基站天线工程参数获取方法,其特征在于,所述方法包括:
获取当前基站的天线柱的第一图像;具体包括:根据接收的目标选定指令确定目标检测区域并确定所述目标检测区域中的天线柱;对所述天线柱进行跟踪,获取所述天线柱的多组图像,将所述多组图像设置为所述第一图像,所述多组图像包括从不同角度获取的所述天线柱的图像;其中,对所述天线柱进行跟踪,具体包括:
获取所述目标检测区域的第二图像,对所述第二图像进行灰度化处理;
根据所述第二图像确定所述目标检测区域的第一中心坐标;
通过预设的权值划分机制对所述目标检测区域中不同位置的权值进行设置;
根据所述目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数;
获取所述目标检测区域第一边框位置对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度;
获取所述目标检测区域第一中心坐标对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取所述第三概率密度和所述第四概率密度的第一相似度;
在预设时间间隔之后,获取所述目标检测区域的第三图像,根据所述第三图像确定所述目标检测区域中的第三中心坐标,根据所述目标概率密度函数和所述第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,根据所述目标概率密度函数和所述第三中心坐标计算所述第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取所述第五概率密度和所述第六概率密度的第二相似度;
根据所述第一相似度和所述第二相似度获取第二移动向量,根据所述第二移动向量对所述天线柱进行跟踪,得到所述第一图像;
根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓通过预设聚类算法确定所述天线柱的位置和类型;
根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
2.根据权利要求1所述的基站天线工程参数获取方法,其特征在于,所述根据接收的目标选定指令确定目标检测区域并确定所述目标检测区域中的天线柱,包括:
通过SIFT算法进行特征检测选定,自动确定所述目标检测区域及所述目标检测区域中的天线柱。
3.根据权利要求2所述的基站天线工程参数获取方法,其特征在于,所述根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓确定所述天线柱的位置和类型的步骤包括:
根据所述第一图像确定所述天线柱的多组天线板轮廓;
获取各组所述天线板轮廓的倾斜角,确定所述天线柱的多组天线板轮廓中倾斜角最大的第一目标天线板轮廓;
对所述天线柱的多组天线板轮廓进行聚类处理,根据聚类处理之后的天线板轮廓确定所述天线柱的位置和类型;
所述根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数的步骤包括:根据所述第一目标天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
4.根据权利要求3所述的基站天线工程参数获取方法,其特征在于,所述对所述天线柱的多组天线板轮廓进行聚类处理的步骤包括:
获取各组所述天线板轮廓的轮廓长宽比,在多组所述天线柱的天线板轮廓中确定轮廓长宽比满足预设长宽比条件的各个第二目标天线板轮廓;
获取各个所述第二目标天线板轮廓对应天线的方向角,根据预设聚类算法和所述天线的方向角对所述第二目标天线板轮廓进行聚类处理。
5.根据权利要求3所述的基站天线工程参数获取方法,其特征在于,在所述根据所述第一目标天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数的步骤之后,还包括:
根据所述第一目标天线板轮廓确定所述天线柱的目标图像;
对所述目标图像和所述天线工程参数进行匹配并将匹配结果发送至预设终端。
6.根据权利要求2至5任意一项所述的基站天线工程参数获取方法,其特征在于,所述对所述天线柱进行跟踪的步骤包括:
获取所述目标检测区域的第二图像,对所述第二图像进行灰度化处理;
根据灰度化处理后的第二图像的灰度分布获取所述天线柱的特征值集合,根据所述第二图像确定所述目标检测区域的第一中心坐标;
获取所述目标检测区域中任意位置对应的特征值,根据预设的概率密度函数和所述第一中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第一概率密度;
在预设时间间隔之后,获取所述目标检测区域的第三图像,根据所述第三图像确定所述目标检测区域中的第二中心坐标,根据所述预设的概率密度函数和所述第二中心坐标计算所述任意位置对应的特征值在所述特征值集合内的第二概率密度;
根据所述第一概率密度和所述第二概率密度确定第一移动向量,根据所述第一移动向量对所述天线柱进行跟踪。
8.一种基站天线工程参数获取系统,其特征在于,所述系统包括:
图像获取模块,用于获取当前基站的天线柱的第一图像;具体包括:根据接收的目标选定指令确定目标检测区域并确定所述目标检测区域中的天线柱;对所述天线柱进行跟踪,获取所述天线柱的多组图像,将所述多组图像设置为所述第一图像,所述多组图像包括从不同角度获取的所述天线柱的图像;其中,对所述天线柱进行跟踪,具体包括:
获取所述目标检测区域的第二图像,对所述第二图像进行灰度化处理;
根据所述第二图像确定所述目标检测区域的第一中心坐标;
通过预设的权值划分机制对所述目标检测区域中不同位置的权值进行设置;
根据所述目标检测区域中不同位置对应的权值对所述预设的概率密度函数进行修正,获取目标概率密度函数;
获取所述目标检测区域第一边框位置对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第三概率密度;
获取所述目标检测区域第一中心坐标对应的特征值,根据所述目标概率密度函数和所述第一中心坐标计算所述第一中心坐标对应的特征值在所述特征值集合内的第四概率密度,获取所述第三概率密度和所述第四概率密度的第一相似度;
在预设时间间隔之后,获取所述目标检测区域的第三图像,根据所述第三图像确定所述目标检测区域中的第三中心坐标,根据所述目标概率密度函数和所述第三中心坐标计算所述边框位置对应的特征值在所述特征值集合内的第五概率密度,根据所述目标概率密度函数和所述第三中心坐标计算所述第三中心坐标对应的特征值在所述特征值集合内的第六概率密度,获取所述第五概率密度和所述第六概率密度的第二相似度;
根据所述第一相似度和所述第二相似度获取第二移动向量,根据所述第二移动向量对所述天线柱进行跟踪,得到所述第一图像;
确定模块,用于根据所述第一图像确定所述天线柱的天线板轮廓,根据所述天线板轮廓通过预设聚类算法确定所述天线柱的位置和类型;
参数获取模块,用于根据所述天线板轮廓、所述天线柱的位置和类型获取所述天线柱的工程参数。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任意一项所述的基站天线工程参数获取方法。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任意一项所述的基站天线工程参数获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427307.8A CN108844527B (zh) | 2018-05-07 | 2018-05-07 | 基站天线工程参数获取方法和系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427307.8A CN108844527B (zh) | 2018-05-07 | 2018-05-07 | 基站天线工程参数获取方法和系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108844527A CN108844527A (zh) | 2018-11-20 |
CN108844527B true CN108844527B (zh) | 2021-05-25 |
Family
ID=64212750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810427307.8A Active CN108844527B (zh) | 2018-05-07 | 2018-05-07 | 基站天线工程参数获取方法和系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108844527B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688904A (zh) * | 2019-08-30 | 2020-01-14 | 中通服建设有限公司 | 基于5g无人机的基站天线工参勘测方法及装置 |
CN113055897B (zh) * | 2021-03-05 | 2022-06-24 | 五邑大学 | 一种基站天线弱覆盖区域定位方法、系统及存储介质 |
CN114510077A (zh) * | 2022-02-14 | 2022-05-17 | 广东省电信规划设计院有限公司 | 无人机杆路巡检的路线规划方法及装置、计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957072A (zh) * | 2016-04-26 | 2016-09-21 | 北京航空航天大学 | 一种空间目标天线检测方法 |
CN107941220A (zh) * | 2017-11-20 | 2018-04-20 | 北京航天控制仪器研究所 | 一种基于视觉的无人船海天线检测与导航方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7202808B2 (en) * | 2004-04-14 | 2007-04-10 | Safeview, Inc. | Surveilled subject privacy imaging |
JP4587166B2 (ja) * | 2004-09-14 | 2010-11-24 | キヤノン株式会社 | 移動体追跡システム、撮影装置及び撮影方法 |
CN103778436B (zh) * | 2014-01-20 | 2017-04-05 | 电子科技大学 | 一种基于图像处理的行人姿态检测方法 |
CN105469046B (zh) * | 2015-11-23 | 2018-09-07 | 电子科技大学 | 基于pca和surf特征级联的车辆车型识别方法 |
CN107121125B (zh) * | 2017-06-12 | 2019-05-14 | 哈尔滨工业大学 | 一种通讯基站天线位姿自动检测装置与方法 |
CN107796360B (zh) * | 2017-09-30 | 2020-06-09 | 杭州艾航科技有限公司 | 一种基于无人机视频测量单管塔平板天线角度的方法 |
-
2018
- 2018-05-07 CN CN201810427307.8A patent/CN108844527B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957072A (zh) * | 2016-04-26 | 2016-09-21 | 北京航空航天大学 | 一种空间目标天线检测方法 |
CN107941220A (zh) * | 2017-11-20 | 2018-04-20 | 北京航天控制仪器研究所 | 一种基于视觉的无人船海天线检测与导航方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108844527A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108844527B (zh) | 基站天线工程参数获取方法和系统、存储介质及设备 | |
CN107783555B (zh) | 一种基于无人机的目标定位方法、装置及系统 | |
CN106874932B (zh) | 基于快速稀疏描述的sar目标型号识别方法 | |
US9297653B2 (en) | Location correction apparatus and method | |
CN111246098B (zh) | 机器人拍照方法、装置、计算机设备和存储介质 | |
CN106646404A (zh) | 一种两长条形阵面相控阵雷达的误差修正方法及系统 | |
CN114581480B (zh) | 多无人机协同目标状态估计控制方法及其应用 | |
US20130177251A1 (en) | Image adjusting apparatus and method, and image stabilizing apparatus including the same | |
CN113916187B (zh) | 基于无人机的基站天线下倾角测量方法、装置和系统 | |
CN114034296A (zh) | 一种导航信号干扰源检测与识别方法及系统 | |
CN114076919A (zh) | 毫米波雷达与相机联合标定方法和装置、服务器、计算机可读存储介质 | |
EP3902313A1 (en) | Field strength testing method | |
CN111241881A (zh) | 区域识别的方法、装置、设备和介质 | |
CN108957432B (zh) | 路沿检测方法、装置、计算机设备和存储介质 | |
CN116778094A (zh) | 一种基于优选视角拍摄的建筑物变形监测方法及装置 | |
KR101694521B1 (ko) | 전파지문지도 생성 장치 및 방법 | |
GB2582988A (en) | Object classification | |
CN112837343B (zh) | 基于相机阵列的低空无人机防控光电预警识别方法及系统 | |
CN112698287B (zh) | 一种姿态可测可调的极化雷达无源校准器和雷达校准方法 | |
CN111652338B (zh) | 一种基于二维码识别定位的方法及装置 | |
CN113496505B (zh) | 图像配准方法、装置、多光谱相机、无人设备及存储介质 | |
CN114413855A (zh) | 一种基于图像识别的移动基站天线下倾角检测方法和系统 | |
CN114092850A (zh) | 重识别方法、装置、计算机设备和存储介质 | |
CN115511955B (zh) | 分布式地对空协同对未知无人机状态估计方法及其应用 | |
CN115457378A (zh) | 基站天面信息检测的方法、装置、设备及存储介质 |
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 |