CN111009012B - 一种基于计算机视觉的无人机测速方法、存储介质及终端 - Google Patents
一种基于计算机视觉的无人机测速方法、存储介质及终端 Download PDFInfo
- Publication number
- CN111009012B CN111009012B CN201911203979.1A CN201911203979A CN111009012B CN 111009012 B CN111009012 B CN 111009012B CN 201911203979 A CN201911203979 A CN 201911203979A CN 111009012 B CN111009012 B CN 111009012B
- Authority
- CN
- China
- Prior art keywords
- key frame
- speed
- aerial vehicle
- unmanned aerial
- special
- 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 29
- 239000003550 marker Substances 0.000 claims abstract description 57
- 238000000691 measurement method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的无人机测速方法、存储介质及终端，所述测速方法包括以下内容：关键帧提取步骤：将每隔n帧图像提取为一个关键帧，并记录下该关键帧的时间标签和对应的无人机与特别标注物的高度信息h0；位置信息计算步骤：利用改进的帧间差分算法和背景差分算法计算该时间标签下的特别标注物位置信息；速度计算步骤：根据得到的特别标注物位置信息计算关键帧间的速度，最后得到待测物的速度。通过计算机视觉的图像处理分析来实现对移动物体的追踪或者河流水流速度的测量，避免了传统通过机载雷达而存在的高成本和对作业环境有要求的问题，既降低了无人机测速的硬件成本也提高了测速方法的环境适应性。
Description
技术领域
本发明涉及计算机视觉处理技术领域，尤其涉及一种基于计算机视觉的无人机测速方法、存储介质及终端。
背景技术
近年来，随着无人机技术的蓬勃发展和计算机视觉技术的更新换代，传统测流方法在对要求日益苛刻，需求日益高涨的当下显得捉襟见肘。无人机因其操作灵活，人力成本低廉，在水文测量行业大放异彩。
目前的无人机测流方法主要是利用机载雷达进行测量，不论是激光雷达还是声波雷达，其基本原理均是遵从多普勒效应。作业环境要求风速较小，天气情况较好，比如，激光雷达要求作业天气较为晴朗，要求机身稳定性较高；声波雷达要求作业环境没有其他同频声波源，要求机身稳定性较高。
然而激光雷达测速对天气的要求苛刻，电磁波雷达对无人机悬停的稳定性要求较高等等，而且随着作业精度的提高，设备成本也成倍增加。因此，如何对传统测流测速方法进行改进以适应更多的场景和环境条件，是现阶段需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于计算机视觉的无人机测速方法、存储介质及终端，解决了目前传统测速测流方法存在的缺陷。
本发明的目的是通过以下技术方案来实现的：一种基于计算机视觉的无人机测速方法，所述测速方法包括以下内容：
关键帧提取步骤：将每隔n帧图像提取为一个关键帧，并记录下该关键帧的时间标签和对应的无人机与特别标注物的高度信息h0；
位置信息计算步骤：利用改进的帧间差分算法和背景差分算法计算该时间标签下的特别标注物位置信息；
速度计算步骤：根据得到的特别标注物位置信息计算关键帧间的速度，最后得到待测物的速度。
所述位置信息计算步骤包括以下内容：
视频初始化，获取视频N帧图像，取其平均值背景建模并实时更新；
取连续m个关键帧图像与背景图像进行差分得到差分图像；
根据基于自适应阈值迭代计算获取的最新关键帧图像中的特别标注物的阈值T，并与特别标注物实际阈值对比判断关键帧图像中是否有特别标注物；
如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置。
如果判断关键帧图像中没有特别标注物，则将当前关键帧与实时更新的背景图像进行差分后通过自适应阈值计算后并继续判断，直到关键帧图像中出现特别标注物。
所述取连续m个关键帧图像与背景图像进行差分得到差分图像包括以下内容：
将连续获取的关键帧图像M1、M2、…、Mm分别与背景图像P0进行差分，得到m个差分图像P1＝M1-P0、P2＝M2-P0、…、Pm＝Mm-P0；
将得到的m个差分图像采用插值函数进行平滑处理，得到优化后的差分结果。
所述如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置包括以下内容：
计算此时关键帧M1中特别标注物的相对位置(u1,v1)，M1的时间标签为t1；
计算相邻关键帧M2中特别标注物的相对位置(u2,v2)，M2的时间标签为t2，并依次类推得到m个关键帧图像中特别标注物的相对位置；
并根据相对位置和时间标签计算得到m个关键帧图像中特别标注物的绝对位置。
所述速度计算步骤包括以下内容：
根据每两个相邻关键帧中特别标注物的绝对位置计算相应的速度大小和速度方向；
根据矢量三角形法则对所有速度进行合成，并对合成后的速度进行奇异值舍弃处理得到目标的速度。
在进行关键帧提取步骤之间还包括确定特别标注物的实际阈值步骤，和在速度计算步骤完成后将计算得到的数据通过无人机云台发送到地面或控制台。
所述确定特别标注物的实际阈值步骤包括的内容如下：
无人机飞行至测速目标上方投放特别标注物；
采用标定好的高清相机悬停拍摄特别标注物一段时间，并通过自适应阈值迭代计算出拍摄图像中特别标注物的实际阈值。
一种存储介质，其内部存储有计算机程序指令，所述计算机程序指令运行时执行所述一种基于计算机视觉的无人机测速方法的步骤。
一种终端，包括存储器和处理器，所述存储器上存储有可以在处理器上运行的计算机指令，所述计算机程序指令运行时执行所述一种基于计算机视觉的无人机测速方法的步骤。
本发明的有益效果是：一种基于计算机视觉的无人机测速方法、存储介质及终端，通过计算机视觉的图像处理分析来实现对移动物体的追踪或者河流水流速度的测量，避免了传统通过机载雷达而存在的高成本和对作业环境有要求的问题，既降低了无人机测速的硬件成本也提高了测速方法的环境适应性。
附图说明
图1为本发明方法的流程图；
图2为矢量三角形法则示意图；
图3为不舍弃奇异点的结果示意图；
图4为第一次修正的结果示意图；
图5为第二次修正的结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
本发明可用于对河流的水流流速进行测量，但也可以适用于满足对移动物体的移动速度进行测量其他场景中，如追踪地面某类特殊移动物体，或者有相对移动的其他待测物体等等。
如图1所示，一种基于计算机视觉的无人机河流流速方法，所述测速方法包括以下内容：
S1、确定特别标注物的实际阈值步骤：
S11、无人机飞行至目标河流上游投放特别标注物；
S12采用标定好的高清相机悬停拍摄特别标注物一段时间，并通过自适应阈值迭代计算出拍摄图像中特别标注物的实际阈值。
S2、关键帧提取步骤：将每隔9帧图像提取为一个关键帧，并记录下该关键帧的时间标签和对应的无人机与水面上特别标注物的高度信息h0；
S3、位置信息计算步骤：利用改进的帧间差分算法和背景差分算法计算该时间标签下的特别标注物位置信息；
S4、流速计算步骤：根据得到的特别标注物位置信息计算关键帧间的速度，最后得到待测物的速度。
进一步地，所述位置信息计算步骤S3包括以下内容：
S31、视频初始化，获取视频N帧图像，取其平均值背景建模并实时更新；
S32、取连续m个关键帧图像与背景图像进行差分得到差分图像；
S33、根据基于自适应阈值迭代计算获取的最新关键帧图像中的特别标注物的阈值T，并与特别标注物实际阈值对比判断关键帧图像中是否有特别标注物；
S34、如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置。
进一步地，通过判断计算获取的最新关键帧图像中特别标注物的阈值T与特别标注物的实际阈值的大小关系进行判断；如果阈值T小于实际阈值，则关键帧图像中没有特别标注物，如果阈值T等于或者大于实际阈值，则关键帧图像中有特别标注物。
如果判断关键帧图像中没有特别标注物，则将当前关键帧与实时更新的背景图像进行差分后通过自适应阈值计算后并继续判断，直到关键帧图像中出现特别标注物。
进一步地，假设当前关键帧为Ms，实时更新的背景图像为Ps，通过Pi＝Ms-Ps，得到差分结果，同样的进行插值计算，得到边缘平滑的结果；将此结果提取计算阈值，并与实际阈值比较，判断特别标注物是否出现。
进一步地，所述取连续m个关键帧图像与背景图像进行差分得到差分图像包括以下内容：
将连续获取的关键帧图像M1、M2、…、Mm分别与背景图像P0进行差分，得到m个差分图像P1＝M1-P0、P2＝M2-P0、…、Pm＝Mm-P0；
将得到的m个差分图像采用插值函数进行平滑处理，得到优化后的差分结果。
所述如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置包括以下内容：
计算此时关键帧M1中特别标注物的相对位置(u1,v1)，M1的时间标签为t1；
计算相邻关键帧M2中特别标注物的相对位置(u2,v2)，M2的时间标签为t2，并依次类推得到m个关键帧图像中特别标注物的相对位置；
并根据相对位置和时间标签计算得到m个关键帧图像中特别标注物的绝对位置。
进一步地，根据相机的标定关系；
其中r为比例因子，(u,v)为像素坐标，为相机内参，(u0,v0)为图像中心，f为摄像机焦距，单位一般是mm，dx与dy为像元尺寸，/>与/>分别称为x轴和y轴上的归一化焦距；/>为相机外参，其中；
为世界坐标系至相机坐标系的旋转矩阵，绕z轴旋转θ度，绕x轴旋转度，绕y轴旋转ω度，T为T3×1表示旋转中的偏移向量。(X,Y,Z)为世界坐标，Z为计算出的关键帧对应的高度信息；相机的内参和外参可以通过张氏标定法获取得到。
通过上述关系式可以计算特别标注物的绝对位置(X′,Y′)；
M1→(u1,v1)→t1→(X′1,Y′1)
M2→(u2,v2)→t2→(X′2,Y′2)…
再计算参考误差通过参考误差来修正(X′,Y′)；其中，/> 得到(X,Y)。
所述速度计算步骤包括以下内容：
根据每两个相邻关键帧中特别标注物的绝对位置计算相应的速度大小和速度方向；
根据矢量三角形法则对所有速度进行合成，并对合成后的速度进行奇异值舍弃处理得到目标的速度。
进一步地，计算关键帧间的流速为：
流速大小：
流速方向(单位化)：其他关键帧的流速大小和流速方向以此类推。
如图2所示，根据矢量三角形法则，对流速进行合成；
假设
合成之后的流速为：
对合成后的速度进行统计分析，设置阈值，舍弃奇异值点(向量)，得到目标河段的水流速度。
具体为，如图3所示，按照上述合成方法，得到一系列关键帧的速度，并且单位化，假设为依次向量相加，不舍弃奇异点，得到/>每次相加的结果在目标河段方向的垂直方向上进行直角分解，如果垂直方向上的幅值大于设定的阈值Δ，如图4所示，加到和/>时，结果超出阈值，则判断为奇异点(向量)，舍去该加入的点(向量)，得到/>以此类推，此时为/>奇异点，舍去该加入的点，得到/>如图5所示，一直计算到最后一个流速最终得到符合阈值条件的点，进而得到该方向下的所有点，此时不再单位化向量，再将这些点的流速大小求平均，得到目标河段的水流速度为：
在进行关键帧提取步骤之间还包括确定特别标注物的实际阈值步骤，和在速度计算步骤完成后将计算得到的数据通过无人机云台发送到地面或控制台。
本发明的又一实施例涉及一种存储介质，其内部存储有计算机程序指令，所述计算机程序指令运行时执行所述一种基于计算机视觉的无人机测速方法的步骤。
本发明的又一实施例涉及一种终端，包括存储器和处理器，所述存储器上存储有可以在处理器上运行的计算机指令，所述计算机程序指令运行时执行所述一种基于计算机视觉的无人机测速方法的步骤。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于计算机视觉的无人机测速方法，其特征在于：所述测速方法包括以下内容：关键帧提取步骤：将每隔n帧图像提取为一个关键帧，并记录下该关键帧的时间标签和对应的无人机与特别标注物的高度信息h0；无人机飞行至测速目标上方投放特别标注物，采用标定好的高清相机悬停拍摄特别标注物一段时间，并通过自适应阈值迭代计算出拍摄图像中特别标注物的实际阈值；位置信息计算步骤：利用改进的帧间差分算法和背景差分算法计算该时间标签下的特别标注物位置信息；速度计算步骤：根据得到的特别标注物位置信息计算关键帧间的速度，最后得到待测物的速度；
所述速度计算步骤包括以下内容：根据每两个相邻关键帧中特别标注物的绝对位置计算相应的速度大小和速度方向，根据矢量三角形法则对所有速度进行合成，并对合成后的速度进行奇异值舍弃处理得到目标的速度；
根据相机的标定关系：
其中r为比例因子，(u，v)为像素坐标，/>为相机内参，(u0，v0)为图像中心，f摄像机间距，dx与dy为像元尺寸，/>与/>分别称为x轴和y轴上的归一化焦距，/>为相机外参，其中为世界坐标系至相机坐标系的旋转矩阵，绕z轴旋转θ度，绕x轴旋转/>度，绕y轴旋转ω度，T为T3×1表示旋转中的偏移向量，(X，Y，Z)为世界坐标，Z为计算出的关键帧对应的高度信息，相机的内参和外参通过张氏标定法获取得到，通过上述关系计算出特别标注物的绝对位置(X′，Y′)，再计算参考误差/>通过参考误差来修正(X′，Y′)，其中/>得到(X，Y)。
2.根据权利要求1所述的一种基于计算机视觉的无人机测速方法，其特征在于：所述位置信息计算步骤包括以下内容：
视频初始化，获取视频N帧图像，取其平均值背景建模并实时更新；
取连续m个关键帧图像与背景图像进行差分得到差分图像；
根据基于自适应阈值迭代计算获取的最新关键帧图像中的特别标注物的阈值T，并与特别标注物实际阈值对比判断关键帧图像中是否有特别标注物；
如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置。
3.根据权利要求2所述的一种基于计算机视觉的无人机测速方法，其特征在于：如果判断关键帧图像中没有特别标注物，则将当前关键帧与实时更新的背景图像进行差分后通过自适应阈值计算后并继续判断，直到关键帧图像中出现特别标注物。
4.根据权利要求2所述的一种基于计算机视觉的无人机测速方法，其特征在于：所述取连续m个关键帧图像与背景图像进行差分得到差分图像包括以下内容：将连续获取的关键帧图像M1、M2、…、Mm分别与背景图像P0进行差分，得到m个差分图像P1＝M1-P0、P2＝M2-P0、…、Pm＝Mm-P0；将得到的m个差分图像采用插值函数进行平滑处理，得到优化后的差分结果。
5.根据权利要求3所述的一种基于计算机视觉的无人机测速方法，其特征在于：所述如果判断关键帧图像中有特别标注物，则计算特别标注物在关键帧中的相对位置包括以下内容：
计算此时关键帧M1中特别标注物的相对位置(u1，v1)，M1的时间标签为t1；计算相邻关键帧M2中特别标注物的相对位置(u2，v2)，M2的时间标签为t2，并依次类推得到m个关键帧图像中特别标注物的相对位置；并根据相对位置和时间标签计算得到m个关键帧图像中特别标注物的绝对位置。
6.根据权利要求1-5中任意一项所述的一种基于计算机视觉的无人机测速方法，其特征在于：在进行关键帧提取步骤之间还包括确定特别标注物的实际阈值步骤，和在速度计算步骤完成后将计算得到的数据通过无人机云台发送到地面或控制台。
7.一种存储介质，其内部存储有计算机程序指令，其特征在于：所述计算机程序指令运行时执行权利要求1-6中任意一项所述一种基于计算机视觉的无人机测速方法的步骤。
8.一种终端，包括存储器和处理器，所述存储器上存储有可以在处理器上运行的计算机指令，其特征在于：所述计算机程序指令运行时执行权利要求1-6中任意一项所述一种基于计算机视觉的无人机测速方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203979.1A CN111009012B (zh) | 2019-11-29 | 2019-11-29 | 一种基于计算机视觉的无人机测速方法、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203979.1A CN111009012B (zh) | 2019-11-29 | 2019-11-29 | 一种基于计算机视觉的无人机测速方法、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111009012A CN111009012A (zh) | 2020-04-14 |
| CN111009012B true CN111009012B (zh) | 2023-07-28 |
Family
ID=70113691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911203979.1A Active CN111009012B (zh) | 2019-11-29 | 2019-11-29 | 一种基于计算机视觉的无人机测速方法、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111009012B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5627905A (en) * | 1994-12-12 | 1997-05-06 | Lockheed Martin Tactical Defense Systems | Optical flow detection system |
| CN103245794A (zh) * | 2013-05-24 | 2013-08-14 | 哈尔滨工业大学 | 五孔双筒测风仪及其测风方法 |
| CN107728182A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 基于相机辅助的柔性多基线测量方法和装置 |
| CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
| CN107886523A (zh) * | 2017-11-01 | 2018-04-06 | 武汉大学 | 基于无人机多源影像的车辆目标运动速度检测方法 |
| CN108846857A (zh) * | 2018-06-28 | 2018-11-20 | 清华大学深圳研究生院 | 视觉里程计的测量方法及视觉里程计 |
| CN109410156A (zh) * | 2018-11-12 | 2019-03-01 | 贵州电网有限责任公司 | 一种无人机巡检输电线路图像提取方法 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
| CN110379013A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多角度激光线扫描的三维重构系统 |
| CN110470304A (zh) * | 2019-08-19 | 2019-11-19 | 西安因诺航空科技有限公司 | 一种基于无人机光电平台的高精度目标定位测速方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008086293A2 (en) * | 2007-01-05 | 2008-07-17 | Nestor, Inc. | A system and method for measuring the speed of vehicles or other objects |
| CN101604448B (zh) * | 2009-03-16 | 2015-01-21 | 北京中星微电子有限公司 | 一种运动目标的测速方法和系统 |
| WO2012014430A1 (ja) * | 2010-07-27 | 2012-02-02 | パナソニック株式会社 | 移動体検出装置および移動体検出方法 |
| IT1401374B1 (it) * | 2010-08-09 | 2013-07-18 | Selex Sistemi Integrati Spa | Tracciamento tridimensionale multisensore basato su tracce bidimensionali acquisite da tracciatori di sensori di localizzazione di bersagli |
| CN104036522A (zh) * | 2014-04-16 | 2014-09-10 | 嘉兴博海信息科技有限公司 | 一种基于视频中运动目标识别的流水速度监测方法 |
| CN104318782B (zh) * | 2014-10-31 | 2016-08-17 | 浙江力石科技股份有限公司 | 一种面向区域重叠的高速公路视频测速方法及系统 |
| ES2692368T3 (es) * | 2014-11-07 | 2018-12-03 | Photrack Ag | Método y sistema para determinar la velocidad y nivel de una superficie de fluido en movimiento |
| CN105334347B (zh) * | 2015-11-20 | 2019-05-31 | 中国计量学院 | 一种基于无人机的粒子图像测速检测系统及方法 |
| CN106228569A (zh) * | 2016-07-06 | 2016-12-14 | 西安邮电大学 | 一种适用于水质监测的鱼体运动速度检测方法 |
| CN107315095B (zh) * | 2017-06-19 | 2019-07-02 | 哈尔滨工业大学 | 基于视频处理的具有光照适应性的多车辆自动测速方法 |
| CN108242062B (zh) * | 2017-12-27 | 2023-06-30 | 北京纵目安驰智能科技有限公司 | 基于深度特征流的目标跟踪方法、系统、终端及介质 |
| CN110084233B (zh) * | 2018-01-25 | 2021-02-09 | 华中科技大学 | 一种生产线视频序列中快速捕获目标的方法及系统 |
| CN110189363B (zh) * | 2019-05-30 | 2023-05-05 | 南京林业大学 | 一种机场场面移动目标低视角视频测速方法 |
-
2019
- 2019-11-29 CN CN201911203979.1A patent/CN111009012B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5627905A (en) * | 1994-12-12 | 1997-05-06 | Lockheed Martin Tactical Defense Systems | Optical flow detection system |
| CN103245794A (zh) * | 2013-05-24 | 2013-08-14 | 哈尔滨工业大学 | 五孔双筒测风仪及其测风方法 |
| CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
| CN107728182A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 基于相机辅助的柔性多基线测量方法和装置 |
| CN107886523A (zh) * | 2017-11-01 | 2018-04-06 | 武汉大学 | 基于无人机多源影像的车辆目标运动速度检测方法 |
| CN108846857A (zh) * | 2018-06-28 | 2018-11-20 | 清华大学深圳研究生院 | 视觉里程计的测量方法及视觉里程计 |
| CN109410156A (zh) * | 2018-11-12 | 2019-03-01 | 贵州电网有限责任公司 | 一种无人机巡检输电线路图像提取方法 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
| CN110379013A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多角度激光线扫描的三维重构系统 |
| CN110470304A (zh) * | 2019-08-19 | 2019-11-19 | 西安因诺航空科技有限公司 | 一种基于无人机光电平台的高精度目标定位测速方法 |
Non-Patent Citations (4)
| Title |
|---|
| Sebastiano Chiodini等.Experimental evaluation of a camera rig extrinsic calibration method based on retro-reflective markers detection.《Measurement》.2019,第140卷47-55. * |
| 冯全 等.基于机器视觉的河水表面流速估计.《农业工程学报》.2018,(第19期),140-146. * |
| 张振 等.时空图像测速法的敏感性分析及不确定度评估.《仪器仪表学报》.2017,(第07期),1763-1771. * |
| 张振 等.近红外成像的便携式大尺度粒子图像测速仪.《仪器仪表学报》.2012,(第12期),2840-2850. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111009012A (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
| CN108419446B (zh) | 用于激光深度图取样的系统及方法 | |
| CN112966587B (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
| Ye et al. | Deep learning for moving object detection and tracking from a single camera in unmanned aerial vehicles (UAVs) | |
| CN108663026B (zh) | 一种振动测量方法 | |
| CN108171715B (zh) | 一种图像分割方法及装置 | |
| CN110070565B (zh) | 一种基于图像叠加的船舶轨迹预测方法 | |
| CN110570463B (zh) | 一种目标状态估计方法、装置和无人机 | |
| CN111964680B (zh) | 一种巡检机器人的实时定位方法 | |
| US10991105B2 (en) | Image processing device | |
| JP7527546B2 (ja) | 人間関節を用いた無人航空機上のカメラの校正 | |
| CN111046843A (zh) | 一种智能驾驶环境下的单目测距方法 | |
| CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
| Cvišić et al. | Recalibrating the KITTI dataset camera setup for improved odometry accuracy | |
| CN117593650B (zh) | 基于4d毫米波雷达与sam图像分割的动点滤除视觉slam方法 | |
| CN108596947B (zh) | 一种适用于rgb-d相机的快速目标跟踪方法 | |
| CN109543694A (zh) | 一种基于点特征稀疏策略的视觉同步定位与地图构建方法 | |
| CN116486290B (zh) | 一种无人机监测追踪方法、装置、电子设备及存储介质 | |
| CN111009012B (zh) | 一种基于计算机视觉的无人机测速方法、存储介质及终端 | |
| CN116206094B (zh) | 风机扇叶角度测量方法、装置、系统及电子设备 | |
| CN117953245A (zh) | 基于模板匹配与kcf算法的红外无人机尾翼检测与跟踪方法 | |
| CN111553342B (zh) | 一种视觉定位方法、装置、计算机设备和存储介质 | |
| CN116185049A (zh) | 基于视觉引导的无人直升机自主着舰方法 | |
| Edwards et al. | High-accuracy fiducial markers for ground truth | |
| CN113298844B (zh) | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 |
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 |