CN110490114A - 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 - Google Patents

一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 Download PDF

Info

Publication number
CN110490114A
CN110490114A CN201910746000.9A CN201910746000A CN110490114A CN 110490114 A CN110490114 A CN 110490114A CN 201910746000 A CN201910746000 A CN 201910746000A CN 110490114 A CN110490114 A CN 110490114A
Authority
CN
China
Prior art keywords
forest
random forest
unmanned plane
identification
barrier
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
Application number
CN201910746000.9A
Other languages
English (en)
Inventor
刘贞报
马博迪
江飞鸿
严月浩
张超
布树辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Northwest University of Technology
Original Assignee
Northwest University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest University of Technology filed Critical Northwest University of Technology
Priority to CN201910746000.9A priority Critical patent/CN110490114A/zh
Publication of CN110490114A publication Critical patent/CN110490114A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S17/00Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06Systems determining position data of a target
    • G01S17/42Simultaneous measurement of distance and other co-ordinates
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S17/00Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88Lidar systems specially adapted for specific applications
    • G01S17/93Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/933Lidar systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,建立并训练用于空中目标识别的深度随机森林模型,对无人机飞行过程中的空中目标进行检测和识别,并采用激光雷达对障碍物进行定位,从而能够进行实时的目标检测,更加准确地获得空中目标的类别信息和定位信息,指导无人机绕开障碍物,高效完成飞行任务。

Description

一种基于深度随机森林和激光雷达的无人机实时空中目标检 测避障方法
技术领域
本发明属于空中目标检测与避障领域,特别涉及一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法。
背景技术
空中飞行目标检测可以对空中目标进行识别分类和定位,是实现无人机系统智能化的关键因素,可应用于无人机避障、空中预警、空中指挥、调度系统中,具有十分重要的应用价值,因此无人机空中飞行目标检测避障在九十年代末就成为学术界和应用部门的研究热点。空中目标识别的特征提取和特征分类技术涉及传感器、数字图像处理、最优化方法等多个高新技术学科。
特征提取的基本任务是从图像特征中找出与识别任务联系最为紧密的相关特征,从而降低特征空间维度;特征分类则通过训练分类器对提取的特征进行分类和预测。传统的特征分析和分类往往采用卷积神经网络,通过对图像数据集进行预处理与简单分类的方法来训练分类器模型。在完成障碍物的识别后,需要对障碍物进行定位,执行避障功能。因此,在运行过程中,需要通过大数据集对卷积神经网络模型进行训练,然而在实际应用中,由于数据集标注费用昂贵,往往缺乏足够量的数据集,使用小数据集训练模型很容易导致模型过拟合。此外由于卷积神经网络模型复杂,层与层之间耦合性高,难以进行并行运算,导致目标识别运行时间过长。
此外,在获得空中目标的分类信息后,需要对该目标进行定位,常用的定位方法有超声波传感器测距方法和视觉测距方法等,然而这些方法精度较低,实时性能不佳,难以满足无人机空中飞行避障的要求。
发明内容
为解决上述问题,本发明提供了一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,可对无人机运行时的空中目标进行检测和识别,从而有效躲避障碍物,高效完成飞行任务。
本发明的技术方案为:
所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:包括以下步骤:
步骤1:建立用于空中目标识别的深度随机森林模型,并进行训练;
步骤2:无人机飞行时,通过机载摄像头拍摄获得当前空域的图像数据,并将其传输至训练好的深度随机森林模型;
步骤3:深度随机森林模型中的多粒度模块首先对图像数据进行多粒度扫描,提取出n维特征,得到特征向量;
步骤4:将步骤3提取的特征向量送入深度随机森林模型中的级联森林模块,通过已训练好的级联森林进行特征分类,级联森林第一层的输入为n维特征向量,输出为该层所预测的c维类向量,然后将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,送入下一层级联森林,下一层级联森林对特征向量分类,同样得到c维类向量,再将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,再送入下一层级联森林,以此方式不断计算直至最后一层级联森林;
步骤5:对最后一层级联森林输出的类向量进行平均投票,取投票结果所属类别作为目标识别分类结果,完成识别过程;
步骤6:若步骤5识别结果判断为识别到障碍物,则使用激光雷达获取目标相对位置信息,并融合无人机自身定位信息,得到障碍物的高精度位置信息;
步骤7:无人机根据障碍物的位置信息进行判断决策,如果障碍物离无人机距离小于安全阈值,则发出避障指令,无人机执行避障飞行策略。
进一步的优选方案,所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:步骤1中训练深度随机森林模型的过程为:
步骤1.1:建立用于空中目标识别的深度随机森林模型,所述深度随机森林模型包括多粒度模块和级联森林模块;所述级联森林模块包含多个级联森林层,每个级联森林层由若干随机森林和若干完全随机森林组成;每个随机森林包含多棵随机树,每个完全随机森林包含多棵随机树;对于随机森林,每棵随机树输入训练样本的一个随机子集,分裂节点选择最优基尼系数的一类进行分裂;对于完全随机森林,每棵随机树使用所有训练样本作为输入,决策树的每个节点都是随机选择一个特征进行分裂,直至每个叶节点包含的实例属于同一个类;
步骤1.2:迭代训练深度随机森林模型:
首先预设一个级联森林的层数,然后采用K折交叉验证方法检验当前层数下模型的识别精度,然后增加一层级联森林,再采用K折交叉验证方法检验当前层数下模型的识别精度,如果识别精度比上一层数模型的识别精度提高,且提高程度达到或超过设定程度,则再增加一层级联森林;依次类推,直至某一层数下模型的识别精度没有比上一层数模型的识别精度提高,或提高程度没有达到设定程度,则以当前层数作为级联森林的层数,并保存模型当前参数,完成训练。
进一步的优选方案,所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:所述采用K折交叉验证方法检验当前模型的识别精度的过程为:
将已有的图像数据集分为K份,轮流取一份作为验证集,剩下K-1份作为训练集,共进行K次验证,取K次验证结果的均值作为当前模型的识别精度;对于某一次验证,将训练集输入深度随机森林模型的多粒度模块,采用多粒度扫描方法对图像数据进行特征提取,得到n维特征向量;将n维特征向量输入级联森林模块进行训练,然后用验证集验证此次训练模型的识别精度。
进一步的优选方案,所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:所述多粒度模块中采用大、中、小三个尺寸的滑动窗口对图像数据进行卷积,以获取图像特征。
有益效果
相比于传统的视觉检测方法,本发明采用了一种基于并行计算,结构简单且易于调参的深度随机森林模型,由于该模型是多个随机森林和完全随机森林的集成,所以具有更好的鲁棒性,适用于小数据集。
本发明采用具有高精度,实时性好的激光雷达传感器。激光雷达水平扫描角度范围是360°,垂直扫描角度范围50°,测距范围是100米,配合基于深度随机森林的视觉目标识别方法能够满足无人机飞行过程中对障碍物实时检测与定位功能。
采用本发明所述的方法能够进行实时的目标检测,更加准确地获得空中目标的类别信息和定位信息,指导无人机绕开障碍物,高效完成飞行任务。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是无人机实时空中目标检测避障方法的示意图;
图2是基于深度随机森林的空中目标检测流程示意图;
图3是级联森林构成与分类示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
参照图1、图2和图3,本实施例中的基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,包括以下步骤:
步骤1:建立用于空中目标识别的深度随机森林模型,并进行训练。
这里训练深度随机森林模型的过程为:
步骤1.1:建立用于空中目标识别的深度随机森林模型,所述深度随机森林模型包括多粒度模块和级联森林模块;所述级联森林模块包含多个级联森林层,每个级联森林层由若干随机森林和若干完全随机森林组成;每个随机森林包含多棵随机树,以500-1500棵为优选,每个完全随机森林包含多棵随机树,以500-1500棵为优选;对于随机森林,每棵随机树输入训练样本的一个随机子集,分裂节点选择最优基尼系数的一类进行分裂,通过随机森林可以保证算法的精度;对于完全随机森林,每棵随机树使用所有训练样本作为输入,决策树的每个节点都是随机选择一个特征进行分裂,直至每个叶节点包含的实例属于同一个类,通过完全随机森林可以增强样本的多样性。
步骤1.2:迭代训练深度随机森林模型:
首先预设一个级联森林的层数,然后采用K折交叉验证方法检验当前层数下模型的识别精度,然后增加一层级联森林,再采用K折交叉验证方法检验当前层数下模型的识别精度,如果识别精度比上一层数模型的识别精度提高,且提高程度达到或超过设定程度,则再增加一层级联森林;依次类推,直至某一层数下模型的识别精度没有比上一层数模型的识别精度提高,或提高程度没有达到设定程度,则以当前层数作为级联森林的层数,并保存模型当前参数,完成训练。
其中采用K折交叉验证方法检验当前模型的识别精度的过程为:
将已有的图像数据集分为K份,轮流取一份作为验证集,剩下K-1份作为训练集,共进行K次验证,取K次验证结果的均值作为当前模型的识别精度;对于某一次验证,将训练集输入深度随机森林模型的多粒度模块,采用多粒度扫描方法对图像数据进行特征提取,得到n维特征向量;将n维特征向量输入级联森林模块进行训练,然后用验证集验证此次训练模型的识别精度。
步骤2:无人机飞行时,通过机载摄像头拍摄获得当前空域的图像数据,并将其传输至训练好的深度随机森林模型。
步骤3:深度随机森林模型中的多粒度模块首先对图像数据进行多粒度扫描,提取出n维特征,得到特征向量。具体而言,多粒度模块采用多种不同尺寸的滑动窗口对图像数据进行卷积,包括小尺寸窗口、中等尺寸窗口和大尺寸窗口,小尺寸窗口用来提取图像细节特征,中等尺寸窗口用来提取在图像数据里中等尺寸的目标特征,大尺寸窗口用来提取大型障碍物特征。本实施例中小尺寸窗口采用大小5x5的滑窗,卷积区域的像素数量为25,中等尺寸窗口采用25x25的滑窗,卷积区域的像素数量为625,大尺寸窗口采用100x100的滑窗,卷积区域的像素数量为10000。
步骤4:将步骤3提取的特征向量送入深度随机森林模型中的级联森林模块,通过已训练好的级联森林进行特征分类,级联森林第一层的输入为n维特征向量,输出为该层所预测的c维类向量,然后将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,送入下一层级联森林,下一层级联森林对特征向量分类,同样得到c维类向量,再将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,再送入下一层级联森林,以此方式不断计算直至最后一层级联森林。
本实施例中每层级联森林由三个随机森林和三个完全随机森林组成,其中每个随机森林包含1000棵随机树,每个完全随机森林包含1000棵随机树。
步骤5:对最后一层级联森林输出的类向量进行平均投票,取投票结果所属类别作为目标识别分类结果,完成识别过程;
步骤6:若步骤5识别结果判断为识别到障碍物,则使用激光雷达获取目标相对位置信息,并融合无人机自身定位信息,得到障碍物的高精度位置信息;
步骤7:无人机根据障碍物的位置信息进行判断决策,如果障碍物离无人机距离小于安全阈值,则发出避障指令,无人机执行避障飞行策略。
上述基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,主要通过机载多传感器系统、飞行任务计算机和多旋翼无人机飞行平台来实现。其中,机载多传感器系统包括激光雷达、机载摄像头和GPS;多旋翼无人机飞行平台包括飞行控制计算机(如Pixhawk飞行控制计算机)和多旋翼无人机(如八旋翼无人机),八旋翼无人机由Pixhawk飞行控制计算机进行控制。
机载多传感器系统搭载在多旋翼无人机飞行平台上,其中机载摄像头用来获取空域周围目标的视觉信息,采集图像数据,然后采用深度随机森林模型对空中目标进行检测、识别与分类;激光雷达对周围空域目标进行扫描检测,获取目标距离无人机高精度的方位角和距离信息;GPS用来获取无人机在大地坐标系中的定位信息,将两种位置信息进行融合,从而得到高精度目标位置信息。
飞行任务计算机具有大量运算核心,能够处理深度学习、计算机视觉、GPU计算等方面的任务,例如英伟达Jetson TX2板卡,用来搭建多传感器数据融合系统,采用并行计算框架,可运行深度随机森林模型,并对激光雷达测距得到的点云信息进行滤波降噪处理。飞行任务计算机根据目标位置信息进行判断决策,如果空中目标与无人机距离小于安全阈值,发出避障指令,多旋翼无人机飞行平台执行避障策略。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:包括以下步骤:
步骤1:建立用于空中目标识别的深度随机森林模型,并进行训练;
步骤2:无人机飞行时,通过机载摄像头拍摄获得当前空域的图像数据,并将其传输至训练好的深度随机森林模型;
步骤3:深度随机森林模型中的多粒度模块首先对图像数据进行多粒度扫描,提取出n维特征,得到特征向量;
步骤4:将步骤3提取的特征向量送入深度随机森林模型中的级联森林模块,通过已训练好的级联森林进行特征分类,级联森林第一层的输入为n维特征向量,输出为该层所预测的c维类向量,然后将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,送入下一层级联森林,下一层级联森林对特征向量分类,同样得到c维类向量,再将该c维类向量与n维特征向量融合,得到新的n+c维特征向量,再送入下一层级联森林,以此方式不断计算直至最后一层级联森林;
步骤5:对最后一层级联森林输出的类向量进行平均投票,取投票结果所属类别作为目标识别分类结果,完成识别过程;
步骤6:若步骤5识别结果判断为识别到障碍物,则使用激光雷达获取目标相对位置信息,并融合无人机自身定位信息,得到障碍物的高精度位置信息;
步骤7:无人机根据障碍物的位置信息进行判断决策,如果障碍物离无人机距离小于安全阈值,则发出避障指令,无人机执行避障飞行策略。
2.根据权利要求1所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:步骤1中训练深度随机森林模型的过程为:
步骤1.1:建立用于空中目标识别的深度随机森林模型,所述深度随机森林模型包括多粒度模块和级联森林模块;所述级联森林模块包含多个级联森林层,每个级联森林层由若干随机森林和若干完全随机森林组成;每个随机森林包含多棵随机树,每个完全随机森林包含多棵随机树;对于随机森林,每棵随机树输入训练样本的一个随机子集,分裂节点选择最优基尼系数的一类进行分裂;对于完全随机森林,每棵随机树使用所有训练样本作为输入,决策树的每个节点都是随机选择一个特征进行分裂,直至每个叶节点包含的实例属于同一个类;
步骤1.2:迭代训练深度随机森林模型:
首先预设一个级联森林的层数,然后采用K折交叉验证方法检验当前层数下模型的识别精度,然后增加一层级联森林,再采用K折交叉验证方法检验当前层数下模型的识别精度,如果识别精度比上一层数模型的识别精度提高,且提高程度达到或超过设定程度,则再增加一层级联森林;依次类推,直至某一层数下模型的识别精度没有比上一层数模型的识别精度提高,或提高程度没有达到设定程度,则以当前层数作为级联森林的层数,并保存模型当前参数,完成训练。
3.根据权利要求2所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:所述采用K折交叉验证方法检验当前模型的识别精度的过程为:
将已有的图像数据集分为K份,轮流取一份作为验证集,剩下K-1份作为训练集,共进行K次验证,取K次验证结果的均值作为当前模型的识别精度;对于某一次验证,将训练集输入深度随机森林模型的多粒度模块,采用多粒度扫描方法对图像数据进行特征提取,得到n维特征向量;将n维特征向量输入级联森林模块进行训练,然后用验证集验证此次训练模型的识别精度。
4.根据权利要求1所述一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法,其特征在于:所述多粒度模块中采用大、中、小三个尺寸的滑动窗口对图像数据进行卷积,以获取图像特征。
CN201910746000.9A 2019-08-13 2019-08-13 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 Pending CN110490114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910746000.9A CN110490114A (zh) 2019-08-13 2019-08-13 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910746000.9A CN110490114A (zh) 2019-08-13 2019-08-13 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法

Publications (1)

Publication Number Publication Date
CN110490114A true CN110490114A (zh) 2019-11-22

Family

ID=68550843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910746000.9A Pending CN110490114A (zh) 2019-08-13 2019-08-13 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法

Country Status (1)

Country Link
CN (1) CN110490114A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160439A (zh) * 2019-12-24 2020-05-15 西北工业大学 一种无人机系统自主能力评价方法、系统及可读存储介质
CN111208526A (zh) * 2020-01-17 2020-05-29 西北工业大学 基于激光雷达与定位向量匹配的多无人机协同定位方法
CN111352441A (zh) * 2020-04-08 2020-06-30 安徽舒州农业科技有限责任公司 一种基于山林防治的植保无人机控制方法及系统
CN111444769A (zh) * 2020-02-25 2020-07-24 华中科技大学 一种基于多尺度自适应随机森林的激光雷达检测人腿方法
CN111444767A (zh) * 2020-02-25 2020-07-24 华中科技大学 一种基于激光雷达的行人检测和追踪方法
CN113822210A (zh) * 2021-09-27 2021-12-21 山东睿思奥图智能科技有限公司 一种基于激光技术的人腿检测方法
CN114559439A (zh) * 2022-04-27 2022-05-31 南通科美自动化科技有限公司 一种移动机器人智能避障控制方法、装置和电子设备
CN115994985A (zh) * 2023-03-24 2023-04-21 常州星宇车灯股份有限公司 一种汽车域控制器及通勤道路上车辆自动建图和定位方法
CN116660923A (zh) * 2023-08-01 2023-08-29 齐鲁空天信息研究院 一种融合视觉和激光雷达的无人农机机库定位方法和系统
CN117710844A (zh) * 2024-02-05 2024-03-15 四川铁投泰景置业有限公司 基于无人机的建筑安全监视方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227204A (zh) * 2016-07-08 2016-12-14 百度在线网络技术(北京)有限公司 车载装置及用于控制无人驾驶车辆的系统、方法和装置
CN206193248U (zh) * 2016-11-21 2017-05-24 天津华德宝航翼光电科技有限公司 一种飞机泊位障碍物检测系统
CN107590224A (zh) * 2017-09-04 2018-01-16 北京京东尚科信息技术有限公司 基于大数据的用户偏好分析方法与装置
CN107958255A (zh) * 2017-11-21 2018-04-24 中国科学院微电子研究所 一种基于图像的目标检测方法及装置
CN108229550A (zh) * 2017-12-28 2018-06-29 南京信息工程大学 一种基于多粒度级联森林网络的云图分类方法
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108427438A (zh) * 2018-04-11 2018-08-21 北京木业邦科技有限公司 飞行环境检测方法、装置、电子设备及存储介质
CN108614992A (zh) * 2018-03-19 2018-10-02 中国地质大学(武汉) 一种高光谱遥感图像的分类方法、设备及存储设备
CN108764138A (zh) * 2018-05-29 2018-11-06 南京信息工程大学 一种基于多维多粒度级联森林的高原地区云雪分类方法
CN109188460A (zh) * 2018-09-25 2019-01-11 北京华开领航科技有限责任公司 无人驾驶异物检测系统及方法
CN110108644A (zh) * 2019-05-15 2019-08-09 北京师范大学 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227204A (zh) * 2016-07-08 2016-12-14 百度在线网络技术(北京)有限公司 车载装置及用于控制无人驾驶车辆的系统、方法和装置
CN206193248U (zh) * 2016-11-21 2017-05-24 天津华德宝航翼光电科技有限公司 一种飞机泊位障碍物检测系统
CN107590224A (zh) * 2017-09-04 2018-01-16 北京京东尚科信息技术有限公司 基于大数据的用户偏好分析方法与装置
CN107958255A (zh) * 2017-11-21 2018-04-24 中国科学院微电子研究所 一种基于图像的目标检测方法及装置
CN108229550A (zh) * 2017-12-28 2018-06-29 南京信息工程大学 一种基于多粒度级联森林网络的云图分类方法
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108614992A (zh) * 2018-03-19 2018-10-02 中国地质大学(武汉) 一种高光谱遥感图像的分类方法、设备及存储设备
CN108427438A (zh) * 2018-04-11 2018-08-21 北京木业邦科技有限公司 飞行环境检测方法、装置、电子设备及存储介质
CN108764138A (zh) * 2018-05-29 2018-11-06 南京信息工程大学 一种基于多维多粒度级联森林的高原地区云雪分类方法
CN109188460A (zh) * 2018-09-25 2019-01-11 北京华开领航科技有限责任公司 无人驾驶异物检测系统及方法
CN110108644A (zh) * 2019-05-15 2019-08-09 北京师范大学 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BODI MA等: "Vehicle Detection in Aerial Images Using Rotation-Invariant Cascaded Forest", 《IEEE ACCESS》 *
贾慧等: "无人机遥感技术在森林资源调查中的应用研究进展", 《浙江林业科技》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160439A (zh) * 2019-12-24 2020-05-15 西北工业大学 一种无人机系统自主能力评价方法、系统及可读存储介质
CN111208526A (zh) * 2020-01-17 2020-05-29 西北工业大学 基于激光雷达与定位向量匹配的多无人机协同定位方法
CN111444769B (zh) * 2020-02-25 2022-07-01 华中科技大学 一种基于多尺度自适应随机森林的激光雷达检测人腿方法
CN111444769A (zh) * 2020-02-25 2020-07-24 华中科技大学 一种基于多尺度自适应随机森林的激光雷达检测人腿方法
CN111444767A (zh) * 2020-02-25 2020-07-24 华中科技大学 一种基于激光雷达的行人检测和追踪方法
CN111444767B (zh) * 2020-02-25 2022-06-21 华中科技大学 一种基于激光雷达的行人检测和追踪方法
CN111352441A (zh) * 2020-04-08 2020-06-30 安徽舒州农业科技有限责任公司 一种基于山林防治的植保无人机控制方法及系统
CN113822210A (zh) * 2021-09-27 2021-12-21 山东睿思奥图智能科技有限公司 一种基于激光技术的人腿检测方法
CN114559439A (zh) * 2022-04-27 2022-05-31 南通科美自动化科技有限公司 一种移动机器人智能避障控制方法、装置和电子设备
CN114559439B (zh) * 2022-04-27 2022-07-26 南通科美自动化科技有限公司 一种移动机器人智能避障控制方法、装置和电子设备
CN115994985A (zh) * 2023-03-24 2023-04-21 常州星宇车灯股份有限公司 一种汽车域控制器及通勤道路上车辆自动建图和定位方法
CN116660923A (zh) * 2023-08-01 2023-08-29 齐鲁空天信息研究院 一种融合视觉和激光雷达的无人农机机库定位方法和系统
CN116660923B (zh) * 2023-08-01 2023-09-29 齐鲁空天信息研究院 一种融合视觉和激光雷达的无人农机机库定位方法和系统
CN117710844A (zh) * 2024-02-05 2024-03-15 四川铁投泰景置业有限公司 基于无人机的建筑安全监视方法
CN117710844B (zh) * 2024-02-05 2024-04-16 四川铁投泰景置业有限公司 基于无人机的建筑安全监视方法

Similar Documents

Publication Publication Date Title
CN110490114A (zh) 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法
Isaac-Medina et al. Unmanned aerial vehicle visual detection and tracking using deep neural networks: A performance benchmark
Rudol et al. Human body detection and geolocalization for UAV search and rescue missions using color and thermal imagery
US11556745B2 (en) System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor
CN110363104B (zh) 一种柴油黑烟车的检测方法
Malbog MASK R-CNN for pedestrian crosswalk detection and instance segmentation
Alexandrov et al. Analysis of machine learning methods for wildfire security monitoring with an unmanned aerial vehicles
CN111666855B (zh) 基于无人机的动物三维参数提取方法、系统及电子设备
CN104933708A (zh) 一种基于多谱三维特征融合的植被环境中障碍物检测方法
CN108447091A (zh) 目标定位方法、装置、电子设备及存储介质
CN112101088A (zh) 一种无人机电力自动巡检方法、装置及系统
Jin et al. Ellipse proposal and convolutional neural network discriminant for autonomous landing marker detection
CN113409252B (zh) 一种架空输电线路巡检机器人障碍物检测方法
Wen et al. Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering
CN111539422A (zh) 基于Faster RCNN的飞行目标协同识别方法
CN111831010A (zh) 一种基于数字空间切片的无人机避障飞行方法
Ko et al. ABECIS: An automated building exterior crack inspection system using UAVs, open-source deep learning and photogrammetry
Silva et al. Landing area recognition by image applied to an autonomous control landing of VTOL aircraft
Le Saux et al. Rapid semantic mapping: Learn environment classifiers on the fly
Wang et al. Research on vehicle detection based on faster R-CNN for UAV images
Saeed Unmanned aerial vehicle for automatic detection of concrete crack using deep learning
Zarei et al. Indoor UAV object detection algorithms on three processors: implementation test and comparison
CN116954264B (zh) 分布式高亚音速无人机集群控制系统及其方法
CN117148853A (zh) 一种基于5g技术和深度学习的无人机环境自适应避障方法及系统
KR102171597B1 (ko) 풍력 발전기 블레이드 인식/분석 장치 및 방법

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