CN108986148B - 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 - Google Patents
实现多智能小车协同搜索识别并跟踪特定目标群体的方法 Download PDFInfo
- Publication number
- CN108986148B CN108986148B CN201810236334.7A CN201810236334A CN108986148B CN 108986148 B CN108986148 B CN 108986148B CN 201810236334 A CN201810236334 A CN 201810236334A CN 108986148 B CN108986148 B CN 108986148B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- target
- tracking
- probability
- trolley
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000006185 dispersion Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 241001494479 Pecora Species 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 244000144992 flock Species 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T7/292—Multi-camera tracking
-
- G06T5/70—
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种实现多智能小车协同搜索识别并跟踪特定目标群体的方法,该方法首先初始化一个目标操作域O并将其分成A个小块,采用A辆智能小车在这A个区域进行搜索;接着通过计算事先输入目标群体中其中一个目标的归一化转动向量(NMI)值,智能小车在搜索过程中不断进行图像的采集以及预处理。将采集到的图像的NMI值与事先输入的进行匹配,若相等,则说明测量结果为真,否则视为未发现目标。然后将该测量值作为单个智能小车i的输入并根据贝叶斯规则分别更新地图。引入概率图的非线性变换以通过线性化贝叶斯更新来简化计算,最后提出了一种类似共识的分布式融合方案,用于多小车的地图融合,得到一个新的分散概率图。
Description
技术领域
本发明涉及一种实现多智能小车协同搜索识别并跟踪特定目标群体的方法,主要利用分 散搜索算法,无线传感通信技术以及归一化转动向量特征提取的方法在一块较大区域上快速 识别并跟踪某一特定的目标群体,属于无线传感器网络,数学方法和数字图像处理领域。
背景技术
目标搜索识别和跟踪问题一直以来都是研究领域一个非常活跃的部分,它在军事领域、 智能交通、安全防御等领域都有着非常广泛的应用。在多个智能体的协同控制方面,目前典 型的研究主要包括多个无人机协同侦察、协同搜索、协作目标跟踪、协同定位和编队控制问 题等。相关研究中最具代表性的是美国国防部高级研究计划局(DARPA)主导的。而本文主要 分为对运动目标的分散搜索以及识别和跟踪两个模块,主要应用到的技术有基于分散搜索算 法的无线传感网络通信技术,NMI特征识别技术。
传统的图像不变特征有图像不变矩、同心圆特征以及拓扑特征等。图像不变矩特征是通 过计算图像的7个不变矩而获得;同心圆特征一般也需计算图像的8个特征量;图像的拓扑 特征则主要用邻接、连通性、Euler数对图像进行描述。这3种不变特征的提取方法较为复杂, 计算量也比较大,特别是拓扑特征的提取最为复杂,难以在实时性要求较高的图像处理领域 得到应用。本文采用的是基于图像NMI特征的目标识别方法,它具有抗灰度及RTS不变性, 且识别正确率高,计算量小,速度快的特点。
无线传感器网络是一种融合了短程无线通讯、微电子传感器、嵌入式系统的新技术。无 线传感器网络自身具备优良特性,可以为车辆之间的通信配合提供一种有效的手段。传感器 节点通过自身携带的传感器可以对目标信息进行采集,将采集到的结果与其他节点共享,从 而提高搜索效率。
发明内容
技术问题:本发明的目的在于克服现有技术的不足而提供一种实现多智能小车协同搜索 识别并跟踪特定目标群体的方法,该方法将移动无线传感网的通信技术与图像NMI不变特征识 别方法形结合,解决了如何在发生特殊情况时实时派遣指定数量的智能小车快速识别并跟踪 某一特定的目标群体的问题,具有良好的实时性和鲁棒性。
技术方案:根据本发明提出的一种实现多智能小车协同搜索识别并跟踪特定目标群体的 方法,包括以下步骤:
本发明的一种实现多智能小车协同搜索识别并跟踪特定目标群体的方法包括以下步骤:
步骤1)给定目标操作域O并将其均匀地划分成相同大小的A个区域,派遣A辆智能小 车从该A个区域开始进行搜索,每个区域的目标存在概率为Pi,g,k,i=1,2...A,所述k表示当 前时刻,i表示小车的编号,g=g(m,n)表示当中一块区域,所述(m,n)表示该区域的中心坐 标;
步骤2)输入待识别目标图像,对该图像进行灰度级的门限化处理得到其二维数字化灰 度图像f(M,N),它的MN个像元是XOY平面上MN个质点,记图像的质心坐标(cx,cy),每一个像素点(x,y)的灰度值为f(x,y)表示相应质点的质量;采用归一化转动向量(NMI)的方法对目标进行识别与跟踪;
步骤3)每个智能小车在其所在区域内进行搜索并实时更新它们的目标存在概率图,将 它的目标存在概率图发送给邻居智能小车完成概率图融合;
步骤4)各智能小车通信互联情况下的分散搜索;
步骤4.1)智能小车i采用无线通信协议召唤离它最近并且不处于跟踪模式的另外一辆 小车组成车队跟踪已发现的目标,实时更新步骤3)中的目标存在概率图;
步骤4.2)根据步骤2)与步骤3),已达到一辆智能小车i对一个目标的持续跟踪的效果, 且在步骤2.2)中已得到概率融合结果,当其余智能小车在搜索完当前区域后会驶向当前没有 智能小车正在搜索的区域或者当前目标存在概率较大的区域,并转到步骤2),进行目标识别。
其中,
所述步骤2)的具体方法如下:
步骤2.1)计算出所输入待识别目标图像的质心转动惯量:
其中cx,cy分别为步骤2)中所述的灰度图像质心的横纵坐标,(x,y)为该图像的其中一个像 素点,M,N分别为x,y在该灰度图像上横纵方向的取值上限,每一个像素点(x,y)的灰度值 f(x,y)表示相应质点的质量,为灰度图像质量,J(cx,cy)为该图像绕质心 (cx,cy)的转动惯量。NMI为所输入待识别目标图像的质心转动惯量;
步骤2.2)每个智能小车在搜索过程中实时采集图像并进行灰度级的门限化处理得到一 个新的二值图像,进而求取所采集图像的NMI值,计算方法同步骤2.1),将算得的NMI值与 步骤2.1)中的NMI值进行比较,当两者相等,判定识别成功,即Zi,g,k=1转向步骤2.3),当两 者不等时,判定识别失败即Zi,g,k=0重复步骤2.2);所述Zi,g,k表示在k时刻第i辆智能小车在 区域g上的目标检测结果;
步骤2.3)每个智能小车对该目标通过不断识别的方法进行跟踪,当跟踪成功,转向步 骤3),跟踪失败时转到步骤2.2)继续搜索并匹配;此处设定跟踪失败的情况只可能是静态障 碍物的干扰。
所述步骤3)的具体方法如下:
步骤3.1)在没有信息共享的情况下采用贝叶斯规则更新每个智能体测量概率图:每辆 智能小车都保存着整个区域的个体概率图Pi,g,k,对于在当前时刻k由智能小车i检测到的区 域g,目标存在的相关概率被更新如下:Qi,g,k=Qi,g,k-1+Vi,g,k;
其中Qi,g,k为第i辆车在k时刻检测到的坐标为g的区域上目标存在的概率,Vi,g,k表示g区域上 第i辆车从k-1时刻到k时刻目标存在的概率变化值;
步骤3.2)当步骤2.2)中Zi,g,k=1时,Vi,g,k=ln(q/p);当Zi,g,k=0时,所述p代表真实检测概率即p=P(Zi,g,k=1|θg=1),q代表虚警概率即 q=P(Zi,g,k=1|θg=0),θg=1表示该区域上当前时刻确实存在目标,θg=0表示该区域上当 前时刻目标并不存在;
步骤3.3)采用一般共识协议进行多个智能小车的概率融合,使得所有无人机的单个概 率图能够收敛到同一个,融合公式为所述Hi,j,k=Qi,j,k-1+Vi,j,k,Wi,j,k=1-(di,k-1)/N,公式中以Pi,g,k的非线性双射变换Qi,g,k来代替它们之间的转化关系
所述的基于归一化转动向量(NMI)的方法具有抗灰度及RST不变性,且识别正确率高,计算量小,速度快,所述步骤2.1)中NMI也就为二值图像绕其重心的转动惯量开平方与其质量之比。
所述的以Pi,g,k的非线性双射变换Qi,g,k来代替它们之间的转化关系,通过线性化贝叶斯更 新可以简化计算,只需要简单的求和计算即可,所述步骤3.1)中每个区域存在目标的可能性 均初始化为0.5。
所述步骤3.2)中只考虑0<p<1,0<q<1的情况。
所述步骤3.3)中采用一般共识协议进行多个智能小车的概率融合,提高搜索效率,降低 通信成本。
有益效果:本发明提出的一种实现多智能小车协同搜索识别并跟踪特定目标群体的方法, 具体有益效果如下:
(1)本发明通过比较归一化转动向量的值改善了目标识别中存在的问题,减少了光线和 背景噪声的干扰,具有良好的实时性和鲁棒性,有效的检测出运动目标完整轮廓。
(2)本发明利用分散搜索的算法,有效地改善了运动目标存在概率的不确定性,最后将 每个智能小车的个体概率图与其他智能车进行概率融合,从而有利于快速找到目标群体所在。
(3)本发明方法解决了在搜索区域较大且目标群体可能分散的情况下对目标群体的搜索 与跟踪的问题,又避免了静态障碍物的干扰可能导致运动目标提取不准确,能够有效地提取 出运动目标的完整轮廓。
附图说明
图1是基于NMI技术的目标识别算法流程图。
图2是某一时刻目标存在概率图的变化对比实例图。
图3是NMI转化为二值化图像。
具体实施方式
步骤1)给定目标操作域O并将其均匀地划分成相同大小的A个区域,派遣A辆智能小 车从该A个区域开始进行搜索,每个区域的目标存在概率为Pi,g,k,i=1,2...A,所述k表示当 前时刻,i表示小车的编号,g=g(m,n)表示当中一块区域(所述(m,n)表示该区域的中心坐 标);
步骤2)输入待识别目标图像,对该图像进行灰度级的门限化处理得到其二维数字化灰 度图像f(M,N),它的MN个像元是XOY平面上MN个质点,记图像的质心坐标(cx,cy),每一个像素点(x,y)的灰度值为f(x,y)表示相应质点的质量;采用归一化转动向量(NMI)的方法对目标进行识别与跟踪,具体步骤如下:
步骤2.1)计算出所输入待识别目标图像的质心转动惯量:
其中cx,cy分别为步骤2)中所述的灰度图像质心的横纵坐标,(x,y)为该图像的其中一个像 素点,M,N分别为x,y在该灰度图像上横纵方向的取值上限,每一个像素点(x,y)的灰度值 f(x,y)表示相应质点的质量,为灰度图像质量,J(cx,cy)为该图像绕质心 (cx,cy)的转动惯量。NMI为所输入待识别目标图像的质心转动惯量。
步骤2.2)每个智能小车在搜索过程中实时采集图像并进行灰度级的门限化处理得到一 个新的二值图像,进而求取所采集图像的NMI值,计算方法同步骤2.1),将算得的NMI值与 步骤2.1)中的NMI值进行比较,当两者相等,判定识别成功,即Zi,g,k=1转向步骤2.3),当两 者不等时,判定识别失败即Zi,g,k=0重复步骤2.2);所述Zi,g,k表示在k时刻第i辆智能小车在 区域g上的目标检测结果;
步骤2.3)每个智能小车对该目标通过不断识别的方法进行跟踪,当跟踪成功,转向步 骤3),跟踪失败时转到步骤2.2)继续搜索并匹配;此处设定跟踪失败的情况只可能是静态障 碍物的干扰;
步骤3)每个智能小车在其所在区域内进行搜索并实时更新它们的目标存在概率图,将 它的目标存在概率图发送给邻居智能小车完成概率图融合,具体步骤是:
步骤3.1)在没有信息共享的情况下采用贝叶斯规则更新每个智能体测量概率图:每辆智 能小车都保存着整个区域的个体概率图Pi,g,k。对于在当前时刻k由智能小车i检测到的区域 g,目标存在的相关概率被更新如下:Qi,g,k=Qi,g,k-1+Vi,g,k;
其中Qi,g,k为第i辆车在k时刻检测到的坐标为g的区域上目标存在的概率,Vi,g,k表示g区域 上第i辆车从k-1时刻到k时刻目标存在的概率变化值;
步骤3.2)当步骤2.2)中Zi,g,k=1时,Vi,g,k=ln(q/p);当Zi,g,k=0时,所述p代表真实检测概率即p=P(Zi,g,k=1|θg=1),q代表虚警概率即 q=P(Zi,g,k=1|θg=0)。θg=1表示该区域上当前时刻确实存在目标,θg=0表示该区域上当 前时刻目标并不存在;
步骤3.3)采用一般共识协议进行多个智能小车的概率融合,使得所有无人机的单个概 率图能够收敛到同一个,融合公式为所述Hi,j,k=Qi,j,k-1+Vi,j,k,Wi,j,k=1-(di,k-1)/N。公式中以Pi,g,k的非线性双射变换Qi,g,k来代替它们之间的转化关系
步骤4)各智能小车通信互联情况下的分散搜索,具体步骤是:
步骤4.1)智能小车i采用无线通信协议召唤离它最近并且不处于跟踪模式的另外一辆 小车组成车队跟踪已发现的目标(正常情况下不止一个),实时更新步骤3)中的目标存在概 率图;
步骤4.2)根据步骤2)与步骤3),已达到一辆智能小车i对一个目标的持续跟踪的效果, 且在步骤2.2)中已得到概率融合结果,当其余智能小车在搜索完当前区域后会查找旁边的可 行驶区域。(该处有两点优先考虑:a.驶向当前没有智能小车正在搜索的区域b.驶向当前目标 存在概率较大的区域),并转到步骤2),进行目标识别。
下面结合附图对本发明的技术方案做进一步的详细说明:
现根据地图将某个郊区分为15个小区对特定的一个羊群进行搜索,并事先记录好这15 个小区的中心位置以便区分。派出15辆智能车分别在这15个区域进行搜索,初始化每个区 域出现目标羊群的可能性为0.5。
先拍出一只羊的照片,提取出它的NMI值也就是二值图像绕其重心的转动惯量开平方与 其质量之比以供搜索时进行比对。各个智能小车在搜索过程中实时拍摄图像,将拍摄到的图 像采用边缘检测的方法进行二值化处理进而提取它的NMI值。(NMI值得特征不变性可以参 照附图3)
将拍摄图片中提取的NMI值与开始记录的NMI值进行比较,现在智能小车5号在中心坐 标域为(890.3,378.2)的地区拍摄到第350幅图像时检测到它的NMI值与事先设定的目标相 等,则判定识别成功,相应地Zi,g,k=1。识别成功后单个智能小车对该目标通过不断识别的 方法进行跟踪,假设跟踪成功了,转向下一步。
下面就是智能小车的分散搜索与信息融合阶段:由于目标正在移动,我们需要模拟适应动 态环境的概率变化。每辆智能小车都保存着整个区域的个体概率图Pi,g,k。此刻小车在区域g 内跟踪到一个目标,于是这个区域g目标存在的相关概率被更新如下:Qi,g,k=Qi,g,k-1+Vi,g,k
此处上述步骤中的识别结果得出Zi,g,k=1,此时如果检测结果为真,则Vi,g,k=ln(q/p), 于是在这个中心坐标域为(890.3,378.2)的小区g中目标存在率被更新为0.65.
使用一般共识协议进行融合,此处使得所有无人机的单个概率图能够 收敛到同一个,从而能够更加准确的找到目标的位置。其中Hi,j,k=Qi,j,k-1+Vi,j,k,Wi,j,k=1-(di,k-1)/N。公式中以Pi,g,k的非线性双射变换Qi,g,k来代替它从而只需要通过简单的 求和计算即可,提高了计算效率.它们之间的转化关系(见附图2)
现在我们的情况是各个智能小车通信互联
智能小车5号运用无线通信协议召唤离他最近并且不处于跟踪模式的另外一辆小车7号 组成临时车队跟踪已发现的人物目标(正常情况下不止一个)并实时更新上述步骤中所提到 的目标存在概率图。(如附图2所示)
基于上面的两个步骤我们已经完成了智能小车5号对一个目标的持续跟踪并且此刻我们 也已经得到了概率融合结果,于是此刻其他智能小车在搜索完当前区域后会搜索旁边的可行 驶区域(优先考虑驶向当前没有其他智能小车搜索的区域和目标存在概率较大的区域)继而 转向前面的识别环节继续进行羊群的搜索。最终可以实现在较短时间内目标羊群可以被成功 找到。
Claims (7)
1.一种实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,该方法包括以下步骤:
步骤1)给定目标操作域O并将其均匀地划分成相同大小的A个区域,派遣A辆智能小车从该A个区域开始进行搜索,每个区域的目标存在概率为Pi,g,k,i=1,2...A,所述k表示当前时刻,i表示小车的编号,g=g(a,b)表示当中一块区域,所述(a,b)表示该区域的中心坐标;
步骤2)输入待识别目标图像,对该图像进行灰度级的门限化处理得到其二维数字化灰度图像f(M,N),它的MN个像元是XOY平面上MN个质点,记图像的质心坐标(cx,cy),每一个像素点(x,y)的灰度值为f(x,y)表示相应质点的质量;采用归一化转动向量NMI的方法对目标进行识别与跟踪;
步骤3)每个智能小车在其所在区域内进行搜索并实时更新它们的目标存在概率图,将它的目标存在概率图发送给邻居智能小车完成概率图融合;
步骤4)各智能小车通信互联情况下的分散搜索;
步骤4.1)智能小车i采用无线通信协议召唤离它最近并且不处于跟踪模式的另外一辆小车组成车队跟踪已发现的目标,实时更新步骤3)中的目标存在概率图;
步骤4.2)根据步骤2)与步骤3),已达到一辆智能小车i对一个目标的持续跟踪的效果,且在步骤2.2)中已得到概率融合结果,当其余智能小车在搜索完当前区域后会驶向当前没有智能小车正在搜索的区域,并转到步骤2),进行目标识别。
2.根据权利要求1所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述步骤2)的具体方法如下:
步骤2.1)计算出所输入待识别目标图像的质心转动惯量:
其中cx,cy分别为步骤2)中所述的灰度图像质心的横纵坐标,(x,y)为该图像的其中一个像素点,M,N分别为x,y在该灰度图像上横纵方向的取值上限,每一个像素点(x,y)的灰度值f(x,y)表示相应质点的质量,为灰度图像质量,J(cx,cy)为该图像绕质心(cx,cy)的转动惯量;NMI为所输入待识别目标图像的质心转动惯量;
步骤2.2)每个智能小车在搜索过程中实时采集图像并进行灰度级的门限化处理得到一个新的二值图像,进而求取所采集图像的NMI值,计算方法同步骤2.1),将算得的NMI值与步骤2.1)中的NMI值进行比较,当两者相等,判定识别成功,即Zi,g,k=1转向步骤2.3),当两者不等时,判定识别失败即Zi,g,k=0重复步骤2.2);所述Zi,g,k表示在k时刻第i辆智能小车在区域g上的目标检测结果;
步骤2.3)每个智能小车对该目标通过不断识别的方法进行跟踪,当跟踪成功,转向步骤3),跟踪失败时转到步骤2.2)继续搜索并匹配;此处设定跟踪失败的情况只可能是静态障碍物的干扰。
3.根据权利要求1所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述步骤3)的具体方法如下:
步骤3.1)在没有信息共享的情况下采用贝叶斯规则更新每个智能体测量概率图:每辆智能小车都保存着整个区域的个体概率图Pi,g,k,对于在当前时刻k由智能小车i检测到的区域g,目标存在的相关概率被更新如下:Qi,g,k=Qi,g,k-1+Vi,g,k;
其中Qi,g,k为第i辆车在k时刻检测到的坐标为g的区域上目标存在的概率,Vi,g,k表示g区域上第i辆车从k-1时刻到k时刻目标存在的概率变化值;
步骤3.2)当步骤2.2)中Zi,g,k=1时,Vi,g,k=ln(q/p);当Zi,g,k=0时,所述p代表真实检测概率即p=P(Zi,g,k=1|θg=1),q代表虚警概率即q=P(Zi,g,k=1|θg=0),θg=1表示该区域上当前时刻确实存在目标,θg=0表示该区域上当前时刻目标并不存在;
4.根据权利要求1所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述的基于归一化转动向量NMI的方法具有抗灰度及RST不变性,且识别正确率高,计算量小,速度快,所述步骤2.1)中NMI也就为二值图像绕其重心的转动惯量开平方与其质量之比。
5.根据权利要求3所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述的以Pi,g,k的非线性双射变换Qi,g,k来代替它们之间的转化关系,通过线性化贝叶斯更新可以简化计算,只需要简单的求和计算即可,所述步骤3.1)中每个区域存在目标的可能性均初始化为0.5。
6.根据权利要求3所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述步骤3.2)中只考虑0<p<1,0<q<1的情况。
7.根据权利要求3所述的实现多智能小车协同搜索识别并跟踪特定目标群体的方法,其特征在于,所述步骤3.3)中采用一般共识协议进行多个智能小车的概率融合,提高搜索效率,降低通信成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810236334.7A CN108986148B (zh) | 2018-03-21 | 2018-03-21 | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810236334.7A CN108986148B (zh) | 2018-03-21 | 2018-03-21 | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986148A CN108986148A (zh) | 2018-12-11 |
CN108986148B true CN108986148B (zh) | 2021-10-26 |
Family
ID=64541752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810236334.7A Active CN108986148B (zh) | 2018-03-21 | 2018-03-21 | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986148B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917818B (zh) * | 2019-01-31 | 2021-08-13 | 天津大学 | 基于地面机器人的协同搜索围堵方法 |
CN109993941A (zh) * | 2019-03-20 | 2019-07-09 | 合肥名德光电科技股份有限公司 | 基于人工智能的热成像火灾报警系统及其图像处理方法 |
CN110221290B (zh) * | 2019-06-12 | 2021-05-11 | 南京邮电大学 | 基于蚁群算法优化的无人机目标搜索构建方法 |
CN110274588B (zh) * | 2019-06-19 | 2020-12-08 | 南京航空航天大学 | 基于无人机集群信息的双层嵌套因子图多源融合导航方法 |
CN111563188B (zh) * | 2020-04-30 | 2022-09-13 | 南京邮电大学 | 一种移动多智能体协同目标搜索方法 |
CN114003041A (zh) * | 2021-11-02 | 2022-02-01 | 中山大学 | 一种多无人车协同探测系统 |
CN114815797A (zh) * | 2021-12-04 | 2022-07-29 | 中国船舶工业系统工程研究院 | 基于概率图融合的多无人艇任务处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9342888B2 (en) * | 2014-02-08 | 2016-05-17 | Honda Motor Co., Ltd. | System and method for mapping, localization and pose correction of a vehicle based on images |
-
2018
- 2018-03-21 CN CN201810236334.7A patent/CN108986148B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
Non-Patent Citations (1)
Title |
---|
Intelligent Vehicle Detection and Tracking for Highway Driving;Wanxin Xu等;《2012 IEEE International Conference on Multimedia and Expo Workshops》;20120816;第67-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986148A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986148B (zh) | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 | |
Alhussan et al. | Pothole and plain road classification using adaptive mutation dipper throated optimization and transfer learning for self driving cars | |
Malik | Fast vehicle detection with probabilistic feature grouping and its application to vehicle tracking | |
US9213901B2 (en) | Robust and computationally efficient video-based object tracking in regularized motion environments | |
Caraffi et al. | Off-road path and obstacle detection using decision networks and stereo vision | |
CN101701818B (zh) | 远距离障碍的检测方法 | |
CN105930833B (zh) | 一种基于视频监控的车辆跟踪与分割方法 | |
CN111337941A (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN111260683A (zh) | 一种三维点云数据的目标检测与跟踪方法及其装置 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN113345009B (zh) | 一种基于激光里程计的无人机动态障碍物检测方法 | |
Neto et al. | Real-time estimation of drivable image area based on monocular vision | |
CN106228570A (zh) | 一种真值数据确定方法和装置 | |
CN111931764A (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
Saleem et al. | Steering angle prediction techniques for autonomous ground vehicles: a review | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
Seo et al. | Detection and tracking of boundary of unmarked roads | |
CN114937177A (zh) | 自动打标、检测模型训练及目标识别方法、和电子设备 | |
Hernández et al. | Vision-based heading angle estimation for an autonomous mobile robots navigation | |
CN113378701A (zh) | 一种基于无人机的地面多agv状态监测方法 | |
Mei et al. | Multiple moving target tracking with hypothesis trajectory model for autonomous vehicles | |
Gökçe et al. | Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system | |
CN114170499A (zh) | 目标检测方法、跟踪方法、装置、视觉传感器和介质 | |
Sahdev | Free space estimation using occupancy grids and dynamic object detection | |
CN111239761B (zh) | 一种用于室内实时建立二维地图的方法 |
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 |