CN111046960A - 一种异源图像分区匹配的方法 - Google Patents
一种异源图像分区匹配的方法 Download PDFInfo
- Publication number
- CN111046960A CN111046960A CN201911299846.9A CN201911299846A CN111046960A CN 111046960 A CN111046960 A CN 111046960A CN 201911299846 A CN201911299846 A CN 201911299846A CN 111046960 A CN111046960 A CN 111046960A
- Authority
- CN
- China
- Prior art keywords
- matching
- roi
- template
- correlation
- region
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
Abstract
本发明公开了一种异源图像分区匹配的方法,涉及光学导航制导图像处理技术领域,包括在参考图全局范围内选取多个特征点,并基于实时弹体姿态信息和预设的参考图灰度信息、特征点坐标信息生成以特征点为中心的实时ROI子区域匹配模板,将ROI子区域匹配模板与其在异源实际图的相应区域的原始数据进行独立相关匹配运算,并得到ROI匹配相关面,实现异源图像的分区匹配,再将各ROI匹配相关面叠加得到和相关面,并根据计算得出的和相关面的匹配峰值实现对目标的识别与跟踪。本发明不仅减少了匹配运算的计算量,还提高了运算速度、精度和匹配算法的抗干扰能力,且只需占用较小的存储空间。
Description
技术领域
本发明涉及光学导航制导图像处理技术领域,具体涉及一种异源图像分区匹配的方法。
背景技术
在国防军事领域中,利用光学成像及信息处理技术实现导航与精确制导是现代武器发展的新趋势。近年来,在爆发的多场高技术局部战争中,精确制导武器以其精度高、杀伤力大和抗干扰能力强等优点发挥着关键作用,对战争的进程和结果都产生了至关重要的影响。
红外成像制导是精确制导的一个重要发展方向,目前国内外实现红外成像制导技术的途径大致可以分为两种:特征识别和图像匹配,其中图像匹配技术自上世纪中期提出以来一直是人们研究的热点,由于匹配制导的高精度和高准确性等特点,目前已在多个系列的武器装备平台上得到广泛应用。
而随着现代战争的不断演变,战场环境越来越复杂,干扰手段越来越丰富,因此,对导弹精确制导打击能力提出了更高的要求和挑战,需要导引头末制导系统具备处理速度更快、识别精度更高、抗干扰能力更强、综合性能更优的图像匹配算法,以此来提升武器装备的战场环境适应性和打击性能。但是,目前的图像匹配算法由于需对原始图像进行量化操作和保存,造成了图像中部分有效信息的损失,使其存在计算精度低和存储空间占用大等问题;另外,现有的图像匹配算法是通过一次计算来实现整个模板的匹配,其存在运算速度慢的问题。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种异源图像分区匹配的方法,其计算速度快、精度高且抗干扰能力强,匹配模板制作简单。
为达到以上目的,本发明采取的技术方案是:
一种异源图像分区匹配的方法,包括以下步骤:选取多个特征点,多个所述特征点分别位于参考图上对应的地物的轮廓线上;
确定位于参考图上的以特征点为中心的ROI子区域;
实时采集弹体姿态信息,并基于所述弹体姿态信息、预设的参考图灰度信息和ROI子区域的特征点坐标信息生成实时ROI子区域匹配模板;
采集目标区域的实际图,将所述ROI子区域匹配模板与其在所述实际图中对应的匹配区的数据进行独立匹配运算,并得到ROI匹配相关面;
将各所述ROI匹配相关面的像素进行累加得到初始和相关面,并计算得出所述初始和相关面的匹配峰值。
在上述技术方案的基础上,所述ROI子区域匹配模板为弹体坐标系下的匹配模板。
在上述技术方案的基础上,所述方法还包括以下步骤:构建模板文件,所述模板文件包括参考图灰度信息和特征点信息。
在上述技术方案的基础上,采用灰度模板相关匹配方法实现所述ROI子区域匹配模板与所述实际图之间的匹配。
在上述技术方案的基础上,所述实际图中对应的匹配区的数据为实时红外图像的原始数据。
在上述技术方案的基础上,计算ROI匹配相关面与ROI子区域匹配模板之间的匹配偏移量,可根据该匹配偏移量调整ROI子区域匹配模板在参考图中的位置。
在上述技术方案的基础上,所述方法还包括以下步骤:对所述初始和相关面进行校验,所述校验的具体步骤为:
计算所述初始和相关面上的匹配相关系数叠加值的平均值T1;
选取所述初始和相关面中匹配相关系数大于T1的点P;
将P点坐标映射至所述ROI匹配相关面,获得对应点P′的坐标;
判断P′点的匹配相关系数是否大于其所在的ROI匹配相关面上的ROI匹配相关系数的平均值T2,若是,保留该ROI匹配相关面;若否,则从初始和相关面中剔除该所述ROI匹配相关面并形成新的和相关面。
在上述技术方案的基础上,所述ROI子区域匹配模板和所述实际图的匹配区均为正方形。
与现有技术相比,本发明的优点在于:
(1)本发明的一种异源图像分区匹配的方法,包括在参考图全局范围内选取多个特征点,并基于实时弹体姿态信息和预设的参考图灰度信息、特征点坐标信息生成以特征点为中心的实时ROI子区域匹配模板,该模板匹配方法兼容特征识别和图像匹配的综合优势,识别概率高、稳定性强且制作简单;将各ROI子区域匹配模板与其在异源实际图的相应区域的数据进行独立相关匹配运算,并得到ROI匹配相关面,实现异源图像的分区匹配,该分区匹配的方法减少了匹配运算的计算量并提高了运算速度和精度;另外,各ROI子区域匹配模板分布在成像场景的全局区域,有利于抵抗场景内的遮蔽干扰,提高匹配算法的抗干扰能力;再将各ROI匹配相关面的像素进行累加得到初始和相关面,并根据计算得出的初始和相关面的匹配峰值实现对目标的识别与跟踪。
(2)该方法通过采集实时弹体姿态信息和加载预设模板文件中的信息来实现模板的实时更新,采用该种更新方式可以降低匹配模板在存储空间的占比,同时根据导弹实时状态信息计算得到的匹配模板的精度更高。
(3)该方法采用灰度模板相关匹配方法实现ROI子区域匹配模板与实际图之间的匹配,其使用实时红外图像的原始数据进行匹配计算,不对热像仪输出的图像数据进行量化操作,从而解决由于量化操作而导致图像损失有效信息的问题,使匹配计算的精度更高。
(4)该方法还包括对初始和相关面进行校验,剔除无效的ROI匹配相关面并得到新的和相关面,新的和相关面的主次峰值衰减更为明显,更有利于目标的识别定位。
附图说明
图1为本发明实施例中异源图像分布式子区群匹配目标的识别方法的流程示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种异源图像分区匹配的方法,该方法包括以下步骤:
S1:选取多个特征点,多个特征点分别位于参考图上对应的地物的轮廓线上,转到S2。
本发明是通过对可见光参考图与红外实际图两种异源图像的匹配来实现对目标的识别与追踪,虽然可见光参考图(以下简称参考图)与红外实际图(以下简称实际图)的灰度特征不同,但其场景轮廓基本保持一致,可选择包含特征点的ROI区域作为匹配区。因此,可将场景轮廓线作为匹配依据,场景轮廓线可选择参考图中具备较好形态稳定性的建筑或道路等轮廓线;另外,在k条轮廓线上选择k个特征点作为参考图的分区依据,k个特征点在参考图中的坐标分别为M0(x0,y0)、M1(x1,y1)…Mk-1(xk-1,yk-1),其中k值可根据场景复杂度和处理平台运算能力进行调整,但应尽量覆盖成像场景的全局区域。
构建模板文件,并将特征点的坐标信息和参考图灰度信息存入预设的模板文件中,将模板文件加载至弹载平台,以便用于后期匹配模板的生成。
S2:确定位于参考图上的以特征点为中心的ROI子区域,转到S3。
S3:实时采集弹体姿态信息,并基于所述弹体姿态信息、预设的参考图灰度信息和ROI子区域的特征点坐标信息生成实时ROI子区域匹配模板,转到S4。
弹载平台上的参考图使用标准地理坐标系表示,而实际图使用弹体坐标系表示,由于两者为不同坐标系下的图像,因此,基于参考图直接生成的ROI子区域匹配模板是无法直接与实际图进行匹配计算的,而是需要通过生成弹体坐标系下的ROI子区域匹配模板才能与实际图进行匹配计算。
生成实时弹体坐标系下的ROI子区域匹配模板的具体方法如下:采集当前的实时弹体姿态信息,将特征点坐标转换至实际图中的坐标位置,然后以此特征点为中心并依据实时弹体姿态信息和参考图灰度信息进行逐点映射变换后,对ROI子区域匹配模板内的像素值进行填充,完成弹体坐标系下ROI子区域匹配模板的实时更新,k个特征点对应生成k个ROI子区域匹配模板,其中每个ROI子区域匹配模板的宽度均为固定值,该宽度固定值优选为12个像素;该种模板匹配方法兼容了特征识别和图像匹配的综合优势,识别概率高且稳定性强。
ROI子区域匹配模板在导弹末制导阶段以不断覆盖先前模板信息的方式进行实时更新,其仅需在弹载平台上预先加载参考图灰度信息和特征点信息,然后在导弹飞行末制导阶段,根据目标识别参考图灰度信息、ROI子区域的特征点信息和弹体姿态信息进行匹配模板的实时刷新,采用该种更新方式可以降低匹配模板在存储空间的占用率,同时根据导弹实时状态信息计算得到的匹配模板,其精度更高。
S4:采集目标区域的实际图,将ROI子区域匹配模板与其在实际图上对应的匹配区进行独立匹配运算并得到ROI匹配相关面,转到S5。
本发明采用的是分区匹配方法,即使用多个ROI子区域匹配模板进行分区域景象匹配,实际图中的匹配区域与在参考图中选取的以特征点为中心的ROI子区域一一对应,而各个ROI子区域匹配模板分布在参考图中不同的位置,将k个ROI子区域匹配模板与其在实际图上对应的匹配区进行独立匹配运算就可得到k个ROI匹配相关面。
ROI子区域匹配模板和其对应的实际图匹配区均为固定宽度的正方形,设ROI子区域匹配模板的宽度为n个像素,实际图匹配区的宽度为N个像素,实际图匹配区的中心对应于ROI子区域匹配模板的中心零位,通过相关匹配计算得到ROI匹配相关面的宽度为N-n+1。其中,ROI匹配相关面中每个像素灰度点的值为ROI子区域匹配模板在实际图匹配区域内对应位置的匹配相关系数;ROI匹配相关面的极值与ROI子区域匹配模板的中心零位的偏差为匹配偏移量,可通过匹配偏移量实现对ROI子区域匹配模板的定位,调整ROI子区域匹配模板在参考图中的位置。
本发明可同时进行k个ROI子区域模板的匹配,匹配区样本足够覆盖实际图像的全局场景特征,当成像区域部分受到干扰时,可利用未被干扰的区域进行有效匹配计算,从而提高匹配算法的抗干扰能力;同时分区进行匹配可以有效减少匹配模板的重复模式,达到降低匹配虚警率的目的。
在末制导阶段,导引头通过弹载平台红外热像仪实时采集目标区域的红外图像后,本发明通过采用灰度模板相关匹配方法进行图像的匹配,与传统弹载平台模板匹配方法相比,本发明不对红外热像仪输出的图像数据进行量化操作,而是直接使用实时红外图像的16bit原始数据进行匹配计算,该方法可解决由于量化操作而导致图像损失有效信息的问题,使匹配计算的精度更高,目标识别的置信度高。
相比传统的全局景象匹配方式,使用分区局部匹配的搜索范围更小,可以有效降低匹配运算的计算量,同时分区独立的匹配运算也更有利于算法的并行处理,可进一步提升处理速度,提高目标识别的实时性。
S5:将各ROI匹配相关面的像素进行累加得到初始和相关面,并计算得出初始和相关面的匹配峰值。
由于单个ROI匹配相关面的极值不满足唯一性,往往不足以完成对目标的识别和定位,所以需要将k个独立的ROI匹配相关面进行像素累加得到初始和相关面。
初始和相关面表示将k个ROI匹配相关面的像素直接进行累加后的效果,在初始和相关面中有一个明显的峰值,该峰值点的位置表示各分区的匹配相关系数累加值最大的匹配点,求出该峰值的坐标并根据该峰值的位置推算出目标在实际图中的坐标位置。
优选的,该方法还包括以下步骤:对初始和相关面进行校验,该校验的具体步骤为:计算所述初始和相关面上的匹配相关系数叠加值的平均值T1;选取所述初始和相关面中匹配相关系数大于T1的点P;将P点坐标映射至所述ROI匹配相关面,获得对应点P′的坐标,k个ROI匹配相关面的对应坐标点为P0′...Pk′-1;判断P′点的匹配相关系数是否大于其所在的ROI匹配相关面上的ROI匹配相关系数的平均值T2,若是,则该点所在的ROI匹配相关面通过校验,保留该ROI匹配相关面;若否,则该ROI匹配相关面未通过校验,对于未通过校验的ROI匹配相关面,需从初始和相关面中剔除该所述ROI匹配相关面并形成新的和相关面;依据上述方法遍历初始和相关面的所有点,剔除所有不合格匹配点在初始和相关面中的累加量并得到新的和相关面;回归校验后的和相关面主次峰值衰减明显,更有利于目标点识别定位。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种异源图像分区匹配的方法,其特征在于,包括以下步骤:
选取多个特征点,多个所述特征点分别位于参考图上对应的地物的轮廓线上;
确定位于参考图上的以特征点为中心的ROI子区域;
实时采集弹体姿态信息,并基于所述弹体姿态信息、预设的参考图灰度信息和ROI子区域的特征点坐标信息生成实时ROI子区域匹配模板;
采集目标区域的实际图,将所述ROI子区域匹配模板与其在所述实际图中对应的匹配区的数据进行独立匹配运算,并得到ROI匹配相关面;
将各所述ROI匹配相关面的像素进行累加得到初始和相关面,并计算得出所述初始和相关面的匹配峰值。
2.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:所述ROI子区域匹配模板为弹体坐标系下的匹配模板。
3.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:所述方法还包括以下步骤:构建模板文件,所述模板文件包括参考图灰度信息和特征点信息。
4.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:采用灰度模板相关匹配方法实现所述ROI子区域匹配模板与所述实际图之间的匹配。
5.如权利要求4所述的一种异源图像分区匹配的方法,其特征在于:所述实际图中对应的匹配区的数据为实时红外图像的原始数据。
6.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:计算ROI匹配相关面与ROI子区域匹配模板之间的匹配偏移量,可根据该匹配偏移量调整ROI子区域匹配模板在参考图中的位置。
7.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:所述方法还包括以下步骤:对所述初始和相关面进行校验,所述校验的具体步骤为:
计算所述初始和相关面上的匹配相关系数叠加值的平均值T1;
选取所述初始和相关面中匹配相关系数大于T1的点P;
将P点坐标映射至所述ROI匹配相关面,获得对应点P′的坐标;
判断P′点的匹配相关系数是否大于其所在的ROI匹配相关面上的ROI匹配相关系数的平均值T2,若是,保留该ROI匹配相关面;若否,则从初始和相关面中剔除该所述ROI匹配相关面并形成新的和相关面。
8.如权利要求1所述的一种异源图像分区匹配的方法,其特征在于:所述ROI子区域匹配模板和所述实际图的匹配区均为正方形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299846.9A CN111046960B (zh) | 2019-12-17 | 2019-12-17 | 一种异源图像分区匹配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299846.9A CN111046960B (zh) | 2019-12-17 | 2019-12-17 | 一种异源图像分区匹配的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046960A true CN111046960A (zh) | 2020-04-21 |
CN111046960B CN111046960B (zh) | 2023-04-07 |
Family
ID=70236756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299846.9A Active CN111046960B (zh) | 2019-12-17 | 2019-12-17 | 一种异源图像分区匹配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046960B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342912A (zh) * | 2023-05-30 | 2023-06-27 | 中国铁路设计集团有限公司 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740913A (zh) * | 2016-02-25 | 2016-07-06 | 湖北航天技术研究院总体设计所 | 基于异源光学景象匹配目标模板的性能评估系统及方法 |
JP2016192132A (ja) * | 2015-03-31 | 2016-11-10 | Kddi株式会社 | 画像認識ar装置並びにその姿勢推定装置及び姿勢追跡装置 |
CN107203770A (zh) * | 2017-05-27 | 2017-09-26 | 上海航天控制技术研究所 | 一种光学捷联导引头图像跟踪方法 |
CN107316315A (zh) * | 2017-05-04 | 2017-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的目标识别定位方法 |
CN109657717A (zh) * | 2018-12-17 | 2019-04-19 | 罗世彬 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
US20190304124A1 (en) * | 2018-03-28 | 2019-10-03 | Seiko Epson Corporation | Low feature object detection and pose estimation for image data streams |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
-
2019
- 2019-12-17 CN CN201911299846.9A patent/CN111046960B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016192132A (ja) * | 2015-03-31 | 2016-11-10 | Kddi株式会社 | 画像認識ar装置並びにその姿勢推定装置及び姿勢追跡装置 |
CN105740913A (zh) * | 2016-02-25 | 2016-07-06 | 湖北航天技术研究院总体设计所 | 基于异源光学景象匹配目标模板的性能评估系统及方法 |
CN107316315A (zh) * | 2017-05-04 | 2017-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的目标识别定位方法 |
CN107203770A (zh) * | 2017-05-27 | 2017-09-26 | 上海航天控制技术研究所 | 一种光学捷联导引头图像跟踪方法 |
US20190304124A1 (en) * | 2018-03-28 | 2019-10-03 | Seiko Epson Corporation | Low feature object detection and pose estimation for image data streams |
CN109657717A (zh) * | 2018-12-17 | 2019-04-19 | 罗世彬 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
Non-Patent Citations (5)
Title |
---|
HUA XU等: "The implement of real-time fusion of infrared and visible light video images based on OpenCV" * |
LIN ZHANG等: "3D Palmprint Identification Using Block-Wise Features and Collaborative Representation" * |
李想;朱遵尚;尚洋;于起峰;: "方向矩异源图像匹配算法" * |
王佳等: "基于无迹变换的KL 散度异源图像匹配方法" * |
王颖;韩静文;: "多特征红外光与可见光图像的分区域配准" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342912A (zh) * | 2023-05-30 | 2023-06-27 | 中国铁路设计集团有限公司 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
CN116342912B (zh) * | 2023-05-30 | 2023-08-11 | 中国铁路设计集团有限公司 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111046960B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
US11468682B2 (en) | Target object identification | |
US10366305B2 (en) | Feature value extraction method and feature value extraction apparatus | |
CN113031041B (zh) | 一种基于天际线匹配的城市峡谷组合导航定位方法 | |
CN111046960B (zh) | 一种异源图像分区匹配的方法 | |
CN110567441A (zh) | 基于粒子滤波的定位方法、定位装置、建图及定位的方法 | |
CN105225233B (zh) | 一种基于两类膨胀的立体影像密集匹配方法及系统 | |
CN111062971A (zh) | 一种基于深度学习多模态的跨摄像头泥头车追踪方法 | |
CN114088081A (zh) | 一种基于多段联合优化的用于精确定位的地图构建方法 | |
CN112132754A (zh) | 一种车辆移动轨迹修正方法及相关装置 | |
CN107221007A (zh) | 一种基于图像特征降维的无人车单目视觉定位方法 | |
CN117011561A (zh) | 基于几何约束与卷积神经网络的影像匹配优化方法及系统 | |
CN115267724B (zh) | 一种基于激光雷达可估位姿的移动机器人位置重识别方法 | |
CN114608522B (zh) | 一种基于视觉的障碍物识别与测距方法 | |
US20230025770A1 (en) | Method and apparatus for detecting an object based on identification information of the object in continuous images | |
CN112102412B (zh) | 一种无人机降落过程中视觉锚点的检测方法及系统 | |
CN115830354A (zh) | 双目立体匹配方法、设备和介质 | |
CN115482282A (zh) | 自动驾驶场景下具有多目标追踪能力的动态slam方法 | |
CN111928852B (zh) | 一种基于led位置编码的室内机器人定位方法及系统 | |
CN114281096A (zh) | 基于目标检测算法的无人机追踪控制方法、设备及介质 | |
KR101944631B1 (ko) | 사수의 조준 오차를 보정하는 무유도 로켓 조준 장치 및 그 방법 | |
CN109493374B (zh) | 一种基于多帧雷达图像的序贯匹配方法 | |
CN114783041B (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
RU2787946C1 (ru) | Способ определения координат объектов и их распознавания | |
CN111398986B (zh) | 基于标志帧的帧相关选通三维成像方法及成像系统 |
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 |