CN110110702A - 一种基于改进ssd目标检测网络的无人机规避算法 - Google Patents
一种基于改进ssd目标检测网络的无人机规避算法 Download PDFInfo
- Publication number
- CN110110702A CN110110702A CN201910422493.0A CN201910422493A CN110110702A CN 110110702 A CN110110702 A CN 110110702A CN 201910422493 A CN201910422493 A CN 201910422493A CN 110110702 A CN110110702 A CN 110110702A
- Authority
- CN
- China
- Prior art keywords
- target detection
- barrier
- unmanned plane
- ssd
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 230000004888 barrier function Effects 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 210000005036 nerve Anatomy 0.000 claims abstract description 4
- 230000006872 improvement Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进ssd目标检测网络的无人机规避算法,1,制作障碍物的双目视角图像数据集;2,根据标定数据集建立目标检测模型;3,构建ssd目标检测网络,并使用数据集对网络参数进行训练;4,将测试集中的,每一对障碍物图片传入到训练好的ssd检测网络,输出神经网络预测的类别标签和位置标签;5,利用不同视角检测到障碍物的位置进行双目测距得到障碍物距离;6,将障碍物分类和距离反馈到无人机驾驶系统控制其自动避让。本发明结合了ssd目标检测算法和双目测距图像算法,使得结合后的检测结果既有效的得出了障碍物的种类,同时精确的计算出了障碍物在世界坐标位置中与无人机的矢量距离。
Description
技术领域:
本发明涉及无人机规避领域,具体为一种基于改进ssd目标检测网络的无人机规避算法。
背景技术:
随着科学技术的快速发展,无人机在军民领域都得到了广泛的应用,但是空域飞行活动量的增加接踵而至,事故机率也随之增大。这不仅会造成经济损失,甚至在飞行任务中产生严重影响。要保证无人机在执行各种任务时能够安全可靠,就离不开导航规避系统的协助。
2015年大疆推出了Guidance感知避障系统,作为行业领先者,大疆的感知避障系统为复合型多方向避障,同时支持5个方向的规避,第二年推出的Matrice100便搭在了本系统,但是该系统规避方向并不全面,规避算法较为机械,从整体的市场应用效果来看,感知避让系统的研究尚未完善,作为安全保障的感知避让功能并不可靠,实现场景较为严苛,市场需求并为得到提供。
由于传感器探测范围和精度有限,目前还不能实现真正意义上的全方位避障,存在盲区,且避障性能对环境要求过高,关于飞行环境的要求很多,即应用场景不够丰富,如何利用现有技术水平获取足够的场景属性从而对无人机工作规避障碍物提供有效的引导成为我国无人机规模化应用的重中之重。
发明内容:
本发明的目的是针对现有技术的缺陷,提供一种基于改进ssd目标检测网络的无人机规避算法,以解决上述背景技术提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于改进ssd目标检测网络的无人机规避算法,包括:
(1):制作训练集和测试集,设定目标检测模型和双目测距对应的测试集:
从VOC、COCO、SOGOU等数据集中抽取出障碍物相关的数据集作为目标检测数据集,其中5721张图片作为为训练集,取出500张图片作为测试集;
从真实场景中固定两台摄像机的相对距离,拍摄成对障碍物图片200张,并测定障碍物与摄像机连线的矢量距离作为图片标签,将图片对和矢量距离标签对应制作为双目测距对应的测试集;
(2):根据标定数据集建立目标检测模型:
(2a):将每个图片中可能包含障碍物作为检测目标,记为{vj};将每个障碍物的预测框坐标记为[xi,yi];
(2b):在生成预测框阶段,目标检测模型先将所有经过卷积得到的预测偏移信息和与之对应的先验框进行解码,计算出预测框,解码公式为:
xi=(tx×wa)+xa
yi=(ty×ha)+ya
式中,[xa,ya]代表先验框坐标,[wa,ha]代表先验框的宽高,tx、ty为预测偏移信息;
(2c):预测框分类阶段,对每个预测框的置信度和不同障碍物类别的置信度对比,得出最高的置信度所述分类作为本预测框类别;
(2d):将剩下的预测框进行NMS处理;
(3):构建并训练ssd目标检测模型,具体步骤为:
(3a):在原来ssd前置网络VGG-16中,将conv3_ci,conv5_ci,conv9_ci,conv11_ci,conv12_ci作为预测特征层;
(3b):用空洞卷积操作对conv3_ci,conv5_ci进行下采样操作,生成特征图3、5与conv9_ci的特征图9具有相同的特征图尺度;
(3c):利用反卷积操作对conv11_ci,conv12_ci上采样操作,生成特征图11、12与conv9_ci的特征图9具有相同的特征图尺度;
(3d):将步骤(3b)所述特征图3、5与步骤(3c)的特征图11、12和特征图9进行连接,并加入BN层(batch normalization layer)进行归一化处理,在经过1x1卷积核进行降维生成最终feature map;
(3e):利用步骤(1)生成目标检测数据集对ssd目标检测网络模型进行训练;
(4):将测试集中的,每一对障碍物图片传入到训练好的ssd检测网络,输出神经网络预测的类别标签和位置标签;
(5):利用不同视角检测到障碍物的位置进行双目测距得到障碍物距离,其中双目测距的计算步骤为:
(5a):世界坐标和摄像机坐标的转换,假设某点在世界坐标系中的坐标为[Xw,Yw,Zw],则摄像机坐标系和世界坐标系的转换公式为:
式中,[u,v,1]T为点在图像坐标系中的坐标;
式中,[Xc,Yc,Zc,1]T为点在摄像机坐标系中的坐标,K为摄像机内参数矩阵;
(5b):由两个相机的呈像像面坐标计算真实世界坐标:
式中,[X,Y,Z]为目标像素点的世界真实坐标位置;
式中,通过联立方程可求解[X,Y,Z];
(6):将障碍物分类和矢量距离反馈到无人机驾驶系统控制其自动避让。
作为本发明的一种优选技术方案,所述步骤(1)的障碍物的种类主要包括:高楼、鸟类、供电线路、信号天线、氢气球和其他无人机;每一种分类下的标注数据集数目保持一致。
作为本发明的一种优选技术方案,所述步骤(2)中障碍物的置信度计算公式为:
其中(A,B)分别表示目标检测中的预测框和先验框。
作为本发明的一种优选技术方案,所述步骤(4)中的每一对测试图片的类别标签和位置标签一一对应,并且将每一个障碍物分别进行所述步骤(5)的距离计算,从而得到每一个障碍物与无人机的矢量距离。
作为本发明的一种优选技术方案,所述步骤(5)中的某点代表障碍物检测的预测框四个拐点。
作为本发明的一种优选技术方案,所述步骤(6)中的障碍物分类代表测试图片每一个障碍物所属分类。
作为本发明的一种优选技术方案,所述步骤(6)中的矢量距离代表测试图片每一个障碍物的预测框四个拐点的矢量距离中距离无人机最近的那个矢量距离,矢量距离包括无人机、障碍物与世界坐标轴所构成夹角和距离。
本发明的有益效果:本发明结合了ssd目标检测算法和双目测距图像算法,使得结合后的检测结果既有效的得出了障碍物的种类,同时精确的计算出了障碍物在世界坐标位置中与无人机的矢量距离。非常适用于场景多变的无人机自动飞行作业。
针对无人机规避障碍物问题,本发明所提出基于改进ssd目标检测网络的无人机规避算法,首先通过目标检测判断出障碍物目标在多视角图像中的不同位置,并通过选中框上下边距和相互之间欧式距离进行双目测距计算,以此来估计障碍物目标到无人机之间的距离和方向矢量,最后通过反馈算法引导无人机进行避障。
本发明提出基于改进ssd目标检测网络的无人机规避算法,感知设备只涉及双目摄像头,设备成本较低,相对于传统的主动式传感器避障方法,所占用无人机的体积大幅减小。通过仿真实验可以看出,该算法无论从准确性和有效性都对传统算法有明显的提高。
附图说明:
图1是本发明实施例提供的基于改进ssd目标检测网络的无人机规避算法的流程示意图;
图2是本发明步骤(3)的改进网络结构图;
图3是本发明步骤(5)的双目测距原理图。
具体实施方式:
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易被本领域人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1-3,本发明提供一种技术方案:一种基于改进ssd目标检测网络的无人机规避算法:包括:
(1):制作训练集和测试集,设定目标检测模型和双目测距对应的测试集:
从VOC、COCO、SOGOU数据集中抽取出障碍物相关的数据集作为目标检测数据集,其中5721张图片作为为训练集,取出500张图片作为测试集;
从真实场景中固定两台摄像机的相对距离,拍摄成对障碍物图片200张,并测定障碍物与摄像机连线的矢量距离作为图片标签,将图片对和矢量距离标签对应制作为双目测距对应的测试集;
(2):根据标定数据集建立目标检测模型:
(2a):将每个图片中可能包含障碍物作为检测目标,记为{vj};将每个障碍物的预测框坐标记为[xi,yi];
(2b):在生成预测框阶段,目标检测模型先将所有经过卷积得到的预测偏移信息和与之对应的先验框进行解码,计算出预测框,解码公式为:
xi=(tx×wa)+xa
yi=(ty×ha)+ya
式中,[xa,ya]代表先验框坐标,[wa,ha]代表先验框的宽高,tx、ty为预测偏移信息;
(2c):预测框分类阶段,对每个预测框的置信度和不同障碍物类别的置信度对比,得出最高的置信度分类作为本预测框类别;
(2d):将剩下的预测框进行NMS处理;
(3):构建并训练ssd目标检测模型,具体步骤为:
(3a):在原来ssd前置网络VGG-16中,将conv3_ci,conv5_ci,conv9_ci,conv11_ci,conv12_ci作为预测特征层;
(3b):用空洞卷积操作对conv3_ci,conv5_ci进行下采样操作,生成特征图3、5与conv9_ci的特征图9具有相同的特征图尺度;
(3c):利用反卷积操作对conv11_ci,conv12_ci上采样操作,生成特征图11、12与conv9_ci的特征图9具有相同的特征图尺度;
(3d):将步骤(3b)特征图3、5与步骤(3c)的特征图11、12和特征图9进行连接,并加入BN层(batch normalization layer)进行归一化处理,在经过1x1卷积核进行降维生成最终feature map;
(3e):利用步骤(1)生成目标检测数据集对ssd目标检测网络模型进行训练;
(4):将测试集中的,每一对障碍物图片传入到训练好的ssd检测网络,输出神经网络预测的类别标签和位置标签;
(5):利用不同视角检测到障碍物的位置进行双目测距得到障碍物距离,其中双目测距的计算步骤为:
(5a):世界坐标和摄像机坐标的转换,假设某点在世界坐标系中的坐标为[Xw,Yw,Zw],则摄像机坐标系和世界坐标系的转换公式为:
式中,[u,v,1]T为点在图像坐标系中的坐标;
式中,[Xc,Yc,Zc,1]T为点在摄像机坐标系中的坐标,K为摄像机内参数矩阵;
(5b):由两个相机的呈像像面坐标计算真实世界坐标:
式中,[X,Y,Z]为目标像素点的世界真实坐标位置;
式中,通过联立方程可求解[X,Y,Z];
(6):将障碍物分类和矢量距离反馈到无人机驾驶系统控制其自动避让。
步骤(1)的障碍物的种类主要包括:高楼、鸟类、供电线路、信号天线、氢气球和其他无人机;每一种分类下的标注数据集数目保持一致。
步骤(2)中障碍物的置信度计算公式为:
其中(A,B)分别表示目标检测中的预测框和先验框。
步骤(4)中的每一对测试图片的类别标签和位置标签一一对应,并且将每一个障碍物分别进行步骤(5)的距离计算,从而得到每一个障碍物与无人机的矢量距离。
步骤(5)中的某点代表障碍物检测的预测框四个拐点。
步骤(6)中的障碍物分类代表测试图片每一个障碍物所属分类。
步骤(6)中的矢量距离代表测试图片每一个障碍物的预测框四个拐点的矢量距离中距离无人机最近的那个矢量距离,矢量距离包括无人机、障碍物与世界坐标轴所构成夹角和距离。
仿真实验:
为了进一步验证本发明提出的改进SSD网络在目标检测中的可靠性,在测试数据集上训练了进行实验。表1为定位实验结果:
Method | Backbone | mMap |
Faster | ResNet101 | 73.8 |
SSD | VGG-16 | 77.2 |
Yolo | VGG-16 | 78.4 |
本算法 | 融合VGG | 81.8 |
表1
实验结果如表1,由表1可发现,本专利定位算法检测性能方面相比SSD具有更好的鲁棒性和准确性。
为了进一步验证本专利基于改进ssd目标检测网络的无人机规避算法在真实场景中的测距效果,本文在成对数据集进行仿真实验,表2、3是测距实验结果;
表2
表3
实验结果如表2、表3,由实验结果可得,在两摄像机同时拍摄的两幅图片同一特征点的匹配效率极高,测量最大误差率仅为3.85%,完全符合无人机快速实时巡线测距的精度要求。
本发明结合了ssd目标检测算法和双目测距图像算法,使得结合后的检测结果既有效的得出了障碍物的种类,同时精确的计算出了障碍物在世界坐标位置中与无人机的矢量距离。非常适用于场景多变的无人机自动飞行作业。
针对无人机规避障碍物问题,本发明所提出基于改进ssd目标检测网络的无人机规避算法,首先通过目标检测判断出障碍物目标在多视角图像中的不同位置,并通过选中框上下边距和相互之间欧式距离进行双目测距计算,以此来估计障碍物目标到无人机之间的距离和方向矢量,最后通过反馈算法引导无人机进行避障。
本发明提出基于改进ssd目标检测网络的无人机规避算法,感知设备只涉及双目摄像头,设备成本较低,相对于传统的主动式传感器避障方法,所占用无人机的体积大幅减小。通过仿真实验可以看出,该算法无论从准确性和有效性都对传统算法有明显的提高。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,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,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,包括:
(1):制作训练集和测试集,设定目标检测模型和双目测距对应的测试集:
从VOC、COCO、SOGOU数据集中抽取出障碍物相关的数据集作为目标检测数据集,其中5721张图片作为为训练集,取出500张图片作为测试集;
从真实场景中固定两台摄像机的相对距离,拍摄成对障碍物图片200张,并测定障碍物与摄像机连线的矢量距离作为图片标签,将图片对和矢量距离标签对应制作为双目测距对应的测试集;
(2):根据标定数据集建立目标检测模型:
(2a):将每个图片中可能包含障碍物作为检测目标,记为{vj};将每个障碍物的预测框坐标记为[xi,yi];
(2b):在生成预测框阶段,目标检测模型先将所有经过卷积得到的预测偏移信息和与之对应的先验框进行解码,计算出预测框,解码公式为:
xi=(tx×wa)+xa
yi=(ty×ha)+ya
式中,[xa,ya]代表先验框坐标,[wa,ha]代表先验框的宽高,tx、ty为预测偏移信息;
(2c):预测框分类阶段,对每个预测框的置信度和不同障碍物类别的置信度对比,得出最高的置信度所述分类作为本预测框类别;
(2d):将剩下的预测框进行NMS处理;
(3):构建并训练ssd目标检测模型,具体步骤为:
(3a):在原来ssd前置网络VGG-16中,将conv3_ci,conv5_ci,conv9_ci,conv11_ci,conv12_ci作为预测特征层;
(3b):用空洞卷积操作对conv3_ci,conv5_ci进行下采样操作,生成特征图3、5与conv9_ci的特征图9具有相同的特征图尺度;
(3c):利用反卷积操作对conv11_ci,conv12_ci上采样操作,生成特征图11、12与conv9_ci的特征图9具有相同的特征图尺度;
(3d):将步骤(3b)所述特征图3、5与步骤(3c)的特征图11、12和特征图9进行连接,并加入BN层(batch normalization layer)进行归一化处理,在经过1x1卷积核进行降维生成最终feature map;
(3e):利用步骤(1)生成目标检测数据集对ssd目标检测网络模型进行训练;
(4):将测试集中的,每一对障碍物图片传入到训练好的ssd检测网络,输出神经网络预测的类别标签和位置标签;
(5):利用不同视角检测到障碍物的位置进行双目测距得到障碍物距离,其中双目测距的计算步骤为:
(5a):世界坐标和摄像机坐标的转换,假设某点在世界坐标系中的坐标为[Xw,Yw,Zw],则摄像机坐标系和世界坐标系的转换公式为:
式中,[u,v,1]T为点在图像坐标系中的坐标;
式中,[Xc,Yc,Zc,1]T为点在摄像机坐标系中的坐标,K为摄像机内参数矩阵;
(5b):由两个相机的呈像像面坐标计算真实世界坐标:
式中,[X,Y,Z]为目标像素点的世界真实坐标位置;
式中,通过联立方程可求解[X,Y,Z];
(6):将障碍物分类和矢量距离反馈到无人机驾驶系统控制其自动避让。
2.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(1)的障碍物的种类主要包括:高楼、鸟类、供电线路、信号天线、氢气球和其他无人机;每一种分类下的标注数据集数目保持一致。
3.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(2)中障碍物的置信度计算公式为:
其中(A,B)分别表示目标检测中的预测框和先验框。
4.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(4)中的每一对测试图片的类别标签和位置标签一一对应,并且将每一个障碍物分别进行所述步骤(5)的距离计算,从而得到每一个障碍物与无人机的矢量距离。
5.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(5)中的某点代表障碍物检测的预测框四个拐点。
6.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(6)中的障碍物分类代表测试图片每一个障碍物所属分类。
7.根据权利要求1所述的一种基于改进ssd目标检测网络的无人机规避算法,其特征在于,所述步骤(6)中的矢量距离代表测试图片每一个障碍物的预测框四个拐点的矢量距离中距离无人机最近的那个矢量距离,矢量距离包括无人机、障碍物与世界坐标轴所构成夹角和距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422493.0A CN110110702A (zh) | 2019-05-20 | 2019-05-20 | 一种基于改进ssd目标检测网络的无人机规避算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422493.0A CN110110702A (zh) | 2019-05-20 | 2019-05-20 | 一种基于改进ssd目标检测网络的无人机规避算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110702A true CN110110702A (zh) | 2019-08-09 |
Family
ID=67491376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422493.0A Pending CN110110702A (zh) | 2019-05-20 | 2019-05-20 | 一种基于改进ssd目标检测网络的无人机规避算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110702A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687922A (zh) * | 2019-11-08 | 2020-01-14 | 湖北经济学院 | 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机 |
CN110807955A (zh) * | 2019-11-01 | 2020-02-18 | 刘晓英 | 基于数据捕获的行驶路线实时切换平台及方法 |
CN111731453A (zh) * | 2020-07-08 | 2020-10-02 | 海南大学 | 一种基于搭载无人机的救生无人船的海上救援方法和系统 |
CN112051853A (zh) * | 2020-09-18 | 2020-12-08 | 哈尔滨理工大学 | 基于机器视觉的智能避障系统及方法 |
CN113221929A (zh) * | 2020-02-05 | 2021-08-06 | 华为技术有限公司 | 一种图像处理方法以及相关设备 |
CN114821272A (zh) * | 2022-06-28 | 2022-07-29 | 上海蜜度信息技术有限公司 | 图像识别方法、系统、介质、电子设备及目标检测模型 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682584A (zh) * | 2016-12-01 | 2017-05-17 | 广州亿航智能技术有限公司 | 无人机障碍物检测方法及装置 |
CN108596058A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于计算机视觉的行车障碍物测距方法 |
US20180300880A1 (en) * | 2017-04-12 | 2018-10-18 | Here Global B.V. | Small object detection from a large image |
CN108960076A (zh) * | 2018-06-08 | 2018-12-07 | 东南大学 | 基于卷积神经网络的耳朵识别与跟踪方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109522958A (zh) * | 2018-11-16 | 2019-03-26 | 中山大学 | 基于跨尺度特征融合的深度卷积神经网络目标检测方法 |
CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
CN109684967A (zh) * | 2018-12-17 | 2019-04-26 | 东北农业大学 | 一种基于ssd卷积网络的大豆植株茎荚识别方法 |
-
2019
- 2019-05-20 CN CN201910422493.0A patent/CN110110702A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682584A (zh) * | 2016-12-01 | 2017-05-17 | 广州亿航智能技术有限公司 | 无人机障碍物检测方法及装置 |
US20180300880A1 (en) * | 2017-04-12 | 2018-10-18 | Here Global B.V. | Small object detection from a large image |
CN108596058A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于计算机视觉的行车障碍物测距方法 |
CN108960076A (zh) * | 2018-06-08 | 2018-12-07 | 东南大学 | 基于卷积神经网络的耳朵识别与跟踪方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109522958A (zh) * | 2018-11-16 | 2019-03-26 | 中山大学 | 基于跨尺度特征融合的深度卷积神经网络目标检测方法 |
CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
CN109684967A (zh) * | 2018-12-17 | 2019-04-26 | 东北农业大学 | 一种基于ssd卷积网络的大豆植株茎荚识别方法 |
Non-Patent Citations (3)
Title |
---|
RAFAEL LEONARDO VIVIAN: ""Improving coordination and Communication in Distributed Software Development through Context-Based Software Artifacts Awareness: A Controlled Experiment"", 《JOURNAL OF COMPUTER SCIENCE》, vol. 14, no. 11, 30 November 2018 (2018-11-30), pages 1531 - 1545 * |
大师兄: ""物体检测之SSD"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/42795805》, 24 August 2018 (2018-08-24), pages 1 - 11 * |
许晏铭: ""视觉主导的无人机航拍目标快速检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 06, 15 June 2018 (2018-06-15), pages 138 - 1636 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807955A (zh) * | 2019-11-01 | 2020-02-18 | 刘晓英 | 基于数据捕获的行驶路线实时切换平台及方法 |
CN110807955B (zh) * | 2019-11-01 | 2020-10-23 | 诸暨山争网络科技有限公司 | 基于数据捕获的行驶路线实时切换平台及方法 |
CN110687922A (zh) * | 2019-11-08 | 2020-01-14 | 湖北经济学院 | 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机 |
CN113221929A (zh) * | 2020-02-05 | 2021-08-06 | 华为技术有限公司 | 一种图像处理方法以及相关设备 |
CN111731453A (zh) * | 2020-07-08 | 2020-10-02 | 海南大学 | 一种基于搭载无人机的救生无人船的海上救援方法和系统 |
CN112051853A (zh) * | 2020-09-18 | 2020-12-08 | 哈尔滨理工大学 | 基于机器视觉的智能避障系统及方法 |
CN114821272A (zh) * | 2022-06-28 | 2022-07-29 | 上海蜜度信息技术有限公司 | 图像识别方法、系统、介质、电子设备及目标检测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110702A (zh) | 一种基于改进ssd目标检测网络的无人机规避算法 | |
CN113359810B (zh) | 一种基于多传感器的无人机着陆区域识别方法 | |
CN109685066B (zh) | 一种基于深度卷积神经网络的矿井目标检测与识别方法 | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
EP2731075B1 (en) | Backfilling points in a point cloud | |
CN109945853B (zh) | 一种基于3d点云航拍图像的地理坐标定位系统和方法 | |
Kim et al. | High-speed drone detection based on yolo-v8 | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN113902897A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN106355194A (zh) | 一种基于激光成像雷达的无人艇水面目标处理方法 | |
Chen et al. | Transforming a 3-d lidar point cloud into a 2-d dense depth map through a parameter self-adaptive framework | |
US11948344B2 (en) | Method, system, medium, equipment and terminal for inland vessel identification and depth estimation for smart maritime | |
CN109214254B (zh) | 一种确定机器人位移的方法及装置 | |
CN108537844A (zh) | 一种融合几何信息的视觉slam回环检测方法 | |
CN111598952A (zh) | 一种多尺度合作靶标设计与在线检测识别方法及系统 | |
CN111915517A (zh) | 一种适用于室内光照不利环境下rgb-d相机全局定位方法 | |
CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及系统 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
CN109508673A (zh) | 一种基于棒状像素的交通场景障碍检测与识别方法 | |
CN115331127A (zh) | 一种基于注意力机制的无人机移动目标侦测方法 | |
CN116188893A (zh) | 基于bev的图像检测模型训练及目标检测方法和装置 | |
CN115100741A (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
CN113378694B (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
CN116844124A (zh) | 三维目标检测框标注方法、装置、电子设备和存储介质 | |
CN114266830B (zh) | 地下大空间高精度定位方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221230 |
|
AD01 | Patent right deemed abandoned |