CN111695548B - 基于毫米波雷达的高压线检测方法 - Google Patents
基于毫米波雷达的高压线检测方法 Download PDFInfo
- Publication number
- CN111695548B CN111695548B CN202010697030.8A CN202010697030A CN111695548B CN 111695548 B CN111695548 B CN 111695548B CN 202010697030 A CN202010697030 A CN 202010697030A CN 111695548 B CN111695548 B CN 111695548B
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- voltage line
- millimeter wave
- straight line
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于毫米波雷达的高压线检测方法,该方法包括:S1、获取雷达图像;S2、对雷达图像进行分块处理,建立直线检测倾角约束;S3、使用改进直线检测算法提取雷达图像中的直线;S4、对提取的直线进行分类识别,识别出高压线。本发明实施例提供的基于毫米波雷达的高压线检测方法,通过毫米波雷达获取观测场景回波并按方位分块成像,在不同分块区域建立倾角约束后通过改进的随机Hough变换进行直线检测,缩小了直线检测参数空间,并减少了对非高压线直线的提取,能够提升检测效率,同时还能一定程度上降低高压线检测虚警。
Description
技术领域
本发明涉及直升机高压线检测技术领域,尤其涉及一种基于毫米波雷达的高压线检测方法。
背景技术
直升机由于良好的机动性在多个领域已得到广泛应用,其经常面临一些复杂的低空空域环境。高压线由于体积细小难以检测,经常引发事故,随着低空防撞装备需求不断增加,世界各国开展了大量高压线检测技术的研究工作。
毫米波雷达可实现高分辨率和高扫描速率,它的重量、体积以及功耗都符合直升机的装载能力,此外在毫米波段,电磁波波长和高压线的表面尺寸相比拟,电磁波照射到高压线表面会产生布拉格散射现象,区别于一般目标。在毫米波段时,高压线在雷达图像中表现为直线形式,但由于布拉格散射特性会使其呈现为在强散射区域的有限的间断短线形式。霍夫变换(Hough transformation)是一种将图像空间中的点映射到参数空间进行聚类检测的算法,这种算法具有抗干扰能力强和易于并行处理等优势,即使线段上有小的间隙、扰动,甚至是虚线,经过霍夫变换检测后,仍能在参数空间中形成明显的峰值点,通常使用霍夫变换提取雷达图像中的高压线,但这种算法计算量较大。随机Hough变换是Hough变换的一种改进方式,其采用多对一的形式,避免了标准Hough变换一对多的庞大计算量,且其参数空间的累加数组由静态变为动态,只对多对一映射得到的参数分配单元进行累加,能够有效降低对内存的需求。但是随机Hough变换由于随机选取像素点同样会引入大量无效采样和积累,使其效果并不能令人满意。现有技术中,高压线检测效率较低,且部分非高压线目标也被提取出。
发明内容
鉴于现有技术中存在的上述技术问题,本发明实施例提供一种基于毫米波雷达的高压线检测方法,其能够提升在雷达图像中高压线的检测效率,减少非高压线目标提取。
为了解决上述技术问题,本发明实施例采用了如下技术方案:
一种基于毫米波雷达的高压线检测方法,包括如下步骤:
S1、获取雷达图像;
S2、对雷达图像进行分块处理,建立直线检测倾角约束;
S3、使用改进直线检测算法提取雷达图像中的直线;
S4、对提取的直线进行分类识别,识别出高压线。
进一步地,步骤S1包括:
通过毫米波雷达扫描获取观测区域每个方位角度的回波数据Sr(αi,t),其中,αi表示某一方位角,t表示时间变量,获得每个角度的一维距离像I(αi,R);
综合各个角度的一维距离像形成雷达的距离方位图像I(α,R)。
进一步地,在对雷达图像进行分块处理之前,还包括对雷达图像进行几何校正,所述几何校正包括:
对获得的雷达的距离方位图像I(α,R)经过r=Rcosαi的几何校正得到图像I(α,r)。
进一步地,步骤S2包括:
S21、对雷达图像按方位角分块;
S22、基于分块后的方位区域建立直线检测倾角约束。
进一步地,所述对雷达图像按方位角分块包括:
将扫描区域按方位向分为不同的区域,并建立重叠区域。
进一步地,步骤S3包括:
S31、对图像边缘检测构造边缘图像,初始化参数空间,并设置极值点计数值k=0;
S32、从边缘图像中随机选取两点P1(x1,y1)、P2(x2,y2),判断两点之间的距离是否小于设定阈值ε,并满足倾角约束,即d(P1,P2)≤ε,且其中,P1≠P2,d()表示求两点距离,如果是,则进行步骤S33;否则,重复步骤S32;
S33、通过如下公式计算所选像素点P1、P2对应的直线法线式参数(θ12,ρ12):
ρ12=x1cosθ12+y1sinθ12 (2);
步骤S34、若计算所得的参数(θ12,ρ12)与参数空间中已有的任意参数(θe,ρe)相同,或者,在一个容许的误差内,若d((θ12,ρ12),(θe,ρe))<σ,则(θe,ρe)对应的计数值ne=ne+1;否则,在参数空间A内插入该点(θ12,ρ12),并设置此参数对应初始计数值n12为1;
步骤S35、参数空间投票,若计数值n≥T,其中,T为预设阈值,保存对应的直线参数(θz,ρz),k=k+1;否则,返回步骤S32;
步骤S36、若计数值k≥ψ,其中,ψ对应于提前设定的提取的直线数量,停止提取直线;否则,将直线ρz=xcosθz+ysinθz上的像素点从D1(x,y)中删除,重置参数空间,返回步骤S32。
进一步地,步骤S4使用监督分类方法进行分类识别,包括如下步骤:
S41、提取特征向量,训练分类模型;
S42:使用训练好的分类模型,对步骤S3检测到的直线进行分类识别,识别雷达图像中的高压线。
进一步地,步骤S41提取的特征向量的特征值包括:
v(1)=mean(a),v(2)=max(a),v(3)=var(a),v(4)=prctile(a,95),其中,mean()表示求均值,max()表示求最大值,var()表示求方差,prctile(a,95)表示求a的95%百分位数,特征值v(1)、v(2)、v(3)分别表示候选直线a的均值、最大值以及方差,v(4)为a的95%百分位数;
v(5),v(5)为使用v(4)对数据阈值处理,得到的大于v(4)像素点的个数;
v(6)=mean(xcorr(a)),v(7)=median(xcrorr(a)),其中,xcorr(a)表示求直线a的自相关函数,median()表示求中位数,特征值v(6)、v(7)分别表示候选直线a的自相关函数的均值与中位数。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,所述计算机可执行指令由处理器执行时,实现上述的基于毫米波雷达的高压线检测方法的步骤。
与现有技术相比,本发明实施例提供的基于毫米波雷达的高压线检测方法,通过毫米波雷达获取观测场景回波并按方位分块成像,在不同分块区域建立倾角约束后通过改进的随机Hough变换进行直线检测,缩小了直线检测参数空间,并减少了对非高压线直线的提取,能够提升检测效率,同时还能一定程度上降低高压线检测虚警。
附图说明
图1为本发明实施例的基于毫米波雷达的高压线检测方法的流程图;
图2为本发明实施例的雷达成像示意图;
图3为本发明实施例的几何校正示意图;
图4为高压线强散射区域示意图;
图5为本发明实施例的分块处理示意图;
图6为本发明实施例的高压线检测倾角约束示意图;
图7为本发明实施例的提取雷达图像中的直线的流程图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
应理解的是,可以对此处公开的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所公开的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
图1为本发明实施例的基于毫米波雷达的高压线检测方法的流程图。如图1所示,本发明实施例提供的基于毫米波雷达的高压线检测方法包括如下步骤。
步骤S1、获取雷达图像。
图2为雷达成像示意图,每个扫描角度成一个一维距离像,综合各个角度的一维距离像形成雷达的距离方位图像。
本步骤中,通过毫米波雷达扫描获取观测区域每个方位角度的回波数据Sr(αi,t),其中,αi表示某一方位角,t表示时间变量,获得每个角度的一维距离像I(αi,R),然后按图2的雷达成像方式形成距离方位图像I(α,R)。
步骤S2、对雷达图像进行分块处理,建立直线检测倾角约束。
在对雷达图像进行分块处理前,还包括:对雷达图像进行几何校正。
即对步骤S1获得的图像I(α,R)经过r=Rcosαi的几何校正得到图像I(α,r),然后对图像I(α,r)进行分块处理,并建立直线检测倾角约束。
图3为本发明实施例的几何校正示意图,如图3所示,α表示雷达的扫描角度,R为高压线到雷达的距离,r为高压线到雷达的垂直距离,从图中可以看出要使高压线在雷达图像中表现为直线,只需要把斜距R变换成垂直距离r即可,即r=Rcosα′=Rcosα,经几何校正变换后,高压线在雷达图像中便显示为直线。
步骤S2具体包括如下步骤:
步骤S21、对雷达图像按方位角分块。
图4为高压线强散射区域示意图,由于高压线的特殊结构使得在毫米波段时高压线的强散射点仅仅出现在电磁波入射角为±20°的范围内,其他角度回波强度很小在雷达图像中不可见。因此,不同斜率的高压线只有在对应方位角的雷达图像中才是可见的,即不同方位角的雷达图像中,只有固定斜率范围的高压线才可能显示其中,因此,本发明实施例中对雷达图像按方位进行分块处理,建立约束去检测直线段。
图5为本发明实施例的分块处理示意图,如图5所示,将几何校正后的雷达图像I(α,r)进行方位角分块处理,假设扫描区域为即假定雷达在对正前方的范围进行扫描成像,将扫描区域按方位向(角度)分为两块,可得到图像
步骤S22、基于分块后的方位区域建立直线检测倾角约束。
图6为高压线检测倾角约束示意图,若雷达扫描区域角度范围为正前方-β到β,由图4、图5结合图像处理坐标系容易得到在处理方位区域的雷达图像时,高压线在图像中的倾角约束为γD1∈(180°-β,180°),方位区域的雷达图像中,高压线的倾角约束为γD2∈[0°,β)。
在对应区域进行直线检测时使用相应的约束,可以减少参数空间内对高压线检测无效的积累,提升运算速度,并能减少非高压线目标的提取。
步骤S3、使用改进直线检测算法提取雷达图像中的直线。改进直线检测算法基于随机Hough变换,如图7所示,具体包括步骤如下:
步骤S31、通过对图像边缘检测构造边缘图像D1(x,y),初始化参数空间A,并设置极值点计数值k=0。初始化参数空间A用于存储直线的两个参数θ、ρ和相应的累加值n,n初始值为0。极值点计数值k=0表示初始计数的直线数量为0。
步骤S32、从边缘图像D1(x,y)中随机选取两点P1(x1,y1)、P2(x2,y2),判断两点之间的距离是否小于设定阈值ε,并满足倾角约束,即d(P1,P2)≤ε(其中,P1≠P2,d()表示求两点距离),且如果是,则进行步骤S33;否则重复步骤S32,重新选取两点进行判断,直至两点之间的距离满足上述条件。
步骤S33、通过公式(1)和(2)计算所选像素点P1、P2对应的直线法线式参数(θ12,ρ12):
ρ12=x1cosθ12+y1sinθ12 (2)
步骤S34、若计算所得的参数(θ12,ρ12)与参数空间A中已有的任意参数(θe,ρe)相同,或者,在一个容许的误差内,若d((θ12,ρ12),(θe,ρe))<σ,则(θe,ρe)对应的计数值ne=ne+1;否则,在参数空间A内插入该点(θ12,ρ12),并设置此参数对应初始计数值n12为1。
步骤S35、参数空间投票,若计数值nz≥T,其中,T为预设阈值,保存对应的直线参数(θz,ρz),k=k+1;否则,返回步骤S32,随机选取两点进行直线检测。
步骤S36、若计数值k≥ψ,其中,ψ对应于提前设定的提取的直线数量,停止提取直线;否则,将直线ρz=xcosθz+ysinθz上的像素点从D1(x,y)中删除,重置参数空间A,转到步骤S32继续随机选取两点进行直线检测,提取图像中的直线。
步骤S4、对提取的直线进行分类识别,识别出高压线。
对提取的直线使用监督分类方法进行分类识别提取出高压线。虽然通过倾斜角约束能够减少非高压线直线目标的提取,但仍不可避免会检测到其他噪声杂波等直线型目标,因此,本发明可通过监督分类进行提取高压线,具体包括如下步骤:
步骤S41、提取特征向量,训练分类模型;
高压线由于布拉格散射特性,高压线直线的像素曲线有明显周期性峰值,而噪声杂波组成的线段不具有这种性质,因此,提取以下7个特征值,组成特征向量,训练分类模型,然后对步骤S3中检测到的直线段进行分类识别提取高压线。
具体地,假设经过步骤S3直线检测获得了直线参数,用a(j)表示直线上第j个像素点的强度,N表示这条线段的像素点总数,提取的直线可以用a=(a(1),...a(j),...,a(N))表示,检测直线中包含高压线与噪声杂波直线,这里称为候选直线。为了使用监督分类提取高压线,用特征向量v=(v(1),v(2),...,v(7))来表示每条候选直线a,具体的特征值提取如下:
第一组特征值数据v(1)、v(2)、v(3)、v(4)提取自候选直线a的一些基本统计值,
v(1)=mean(a) (3)
v(2)=max(a) (4)
v(3)=var(a) (5)
v(4)=prctile(a,95) (6)
其中,mean()表示求均值,max()表示求最大值,var()表示求方差,prctile(a,95)表示求a的95%百分位数,即v(1)、v(2)、v(3)分别表示候选直线a的均值、最大值以及方差,v(4)为a的95%百分位数,0.95为随机变量落在距均值距离为两倍标准差范围的概率,可以很好地描述像素强度在直线上的一般分布。
为了对布拉格散射的周期性进行描述,使用v(4)对数据阈值处理,得到大于v(4)像素点的个数作为特征值v(5),v(5)可看作信号峰值的近似值。
下一组特征值数据v(6)、v(7)分别为候选直线a的自相关函数的均值与中位数。
v(6)=mean(xcorr(a)) (7)
v(7)=median(xcrorr(a)) (8)
上式(7)和(8)中,xcorr(a)表示求直线a的自相关函数,median()表示求中位数。
使用高压线直线段和噪声杂波直线段提取特征值组成特征向量,进而组成数据集,训练分类模型。使用监督分类方法训练分类模型还能够生成大量的训练样本数据,以提高分类模型的检测精度。
S42:使用训练好的分类模型,对步骤S3检测到的直线进行分类识别,识别雷达图像中的高压线,从而达到高压线检测目的。
本发明实施例提供的基于毫米波雷达的高压线检测方法,通过毫米波雷达获取观测场景回波并按方位分块成像,在不同分块区域建立倾角约束后通过改进的随机Hough变换进行直线检测,缩小了直线检测参数空间,并减少了对非高压线直线的提取,能够提升检测效率,同时还能在一定程度上降低高压线检测虚警。
本发明实施例提供的基于毫米波雷达的高压线检测方法可应用于直升机载防撞系统,提高直升机飞行的可靠性。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,所述计算机可执行指令由处理器执行时,实现上述根据本发明的实施例中的基于毫米波雷达的高压线检测方法。
上述的存储介质可以为存储器,诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备,或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (7)
1.一种基于毫米波雷达的高压线检测方法,其特征在于,包括如下步骤:
S1、获取雷达图像;
S2、对雷达图像进行分块处理,建立直线检测倾角约束;
S3、使用改进直线检测算法提取雷达图像中的直线;
S4、对提取的直线进行分类识别,识别出高压线;
其中:
步骤S2包括:
S21、对雷达图像按方位角分块;
S22、基于分块后的方位区域建立直线检测倾角约束;
步骤S3包括:
S31、对图像边缘检测构造边缘图像,初始化参数空间,并设置极值点计数值k=0;
S32、从边缘图像中随机选取两点P1(x1,y1)、P2(x2,y2),判断两点之间的距离是否小于设定阈值ε,并满足倾角约束,即d(P1,P2)≤ε,且其中,P1≠P2,d()表示求两点距离,如果是,则进行步骤S33;否则,重复步骤S32;
S33、通过如下公式计算所选像素点P1、P2对应的直线法线式参数(θ12,ρ12):
ρ12=x1cosθ12+y1sinθ12 (2);
步骤S34、若计算所得的参数(θ12,ρ12)与参数空间中已有的任意参数(θe,ρe)相同,或者,在一个容许的误差内,若d((θ12,ρ12),(θe,ρe))<σ,则(θe,ρe)对应的计数值ne=ne+1;否则,在参数空间A内插入该点(θ12,ρ12),并设置此参数对应初始计数值n12为1;
步骤S35、参数空间投票,若计数值nz≥T,其中,T为预设阈值,保存对应的直线参数(θz,ρz),k=k+1;否则,返回步骤S32;
步骤S36、若计数值k≥ψ,其中,ψ对应于提前设定的提取的直线数量,停止提取直线;否则,将直线ρz=xcosθz+ysinθz上的像素点从D1(x,y)中删除,重置参数空间,返回步骤S32。
2.根据权利要求1所述的基于毫米波雷达的高压线检测方法,其特征在于,步骤S1包括:
通过毫米波雷达扫描获取观测区域每个方位角度的回波数据Sr(αi,t),其中,αi表示某一方位角,t表示时间变量,获得每个角度的一维距离像I(αi,R);
综合各个角度的一维距离像形成雷达的距离方位图像I(α,R);
R为高压线到雷达的距离。
3.根据权利要求2所述的基于毫米波雷达的高压线检测方法,其特征在于,在对雷达图像进行分块处理之前,还包括对雷达图像进行几何校正,所述几何校正包括:
对获得的雷达的距离方位图像I(α,R)经过r=R cosαi的几何校正得到图像I(α,r);
r为高压线到雷达的垂直距离。
4.根据权利要求1所述的基于毫米波雷达的高压线检测方法,其特征在于,所述对雷达图像按方位角分块包括:
将扫描区域按方位向分为不同的区域,并建立重叠区域。
5.根据权利要求1所述的基于毫米波雷达的高压线检测方法,其特征在于,步骤S4使用监督分类方法进行分类识别,包括如下步骤:
S41、提取特征向量,训练分类模型;
S42:使用训练好的分类模型,对步骤S3检测到的直线进行分类识别,识别雷达图像中的高压线。
6.根据权利要求5所述的基于毫米波雷达的高压线检测方法,其特征在于,步骤S41提取的特征向量的特征值包括:
v(1)=mean(a),v(2)=max(a),v(3)=var(a),
v(4)=prctile(a,95),其中,mean()表示求均值,max()表示求最大值,var()表示求方差,prctile(a,95)表示求a的95%百分位数,特征值v(1)、v(2)、v(3)分别表示候选直线a的均值、最大值以及方差,v(4)为a的95%百分位数;
v(5),v(5)为使用v(4)对数据阈值处理,得到的大于v(4)像素点的个数;
v(6)=mean(xcorr(a)),v(7)=median(xcrorr(a)),其中,xcorr(a)表示求直线a的自相关函数,median()表示求中位数,特征值v(6)、v(7)分别表示候选直线a的自相关函数的均值与中位数。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机可执行指令,所述计算机可执行指令由处理器执行时,实现根据权利要求1-6中任一项所述的基于毫米波雷达的高压线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697030.8A CN111695548B (zh) | 2020-07-20 | 2020-07-20 | 基于毫米波雷达的高压线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697030.8A CN111695548B (zh) | 2020-07-20 | 2020-07-20 | 基于毫米波雷达的高压线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695548A CN111695548A (zh) | 2020-09-22 |
CN111695548B true CN111695548B (zh) | 2022-12-13 |
Family
ID=72486334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697030.8A Active CN111695548B (zh) | 2020-07-20 | 2020-07-20 | 基于毫米波雷达的高压线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695548B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216063B (zh) * | 2020-10-10 | 2022-02-15 | 深圳电目科技有限公司 | 提升高压电网施工安全性的方法、智能控制器及施工设备 |
CN114488056B (zh) * | 2021-12-31 | 2023-08-01 | 南京航空航天大学 | 一种基于宽频Bragg特征的高压线确认方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941746A (zh) * | 2014-03-29 | 2014-07-23 | 国家电网公司 | 无人机巡检图像处理系统及方法 |
CN104091168A (zh) * | 2014-07-18 | 2014-10-08 | 深圳供电局有限公司 | 基于无人机影像的电力线自动提取定位方法 |
CN105608429A (zh) * | 2015-12-21 | 2016-05-25 | 重庆大学 | 基于差分激励的鲁棒车道线检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202141803U (zh) * | 2011-07-12 | 2012-02-08 | 山东电力研究院 | 电力线路巡查无人机用多模式毫米波雷达 |
CN102930280A (zh) * | 2012-10-05 | 2013-02-13 | 中国电子科技集团公司第十研究所 | 从红外图像中自动识别架空高压线的方法 |
US9208403B1 (en) * | 2014-06-16 | 2015-12-08 | Qualcomm Incorporated | Systems and methods for processing image data associated with line detection |
CN104732577B (zh) * | 2015-03-10 | 2017-11-07 | 山东科技大学 | 一种基于uav低空航测系统的建筑物纹理提取方法 |
CN104751145B (zh) * | 2015-04-10 | 2017-10-13 | 西安电子科技大学 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
CN106529416A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于毫米波雷达决策树分类的电力线检测方法及系统 |
CN107392127B (zh) * | 2017-07-13 | 2019-09-10 | 国家电网公司 | 基于切比雪夫多项式描述子的输电线路提取方法 |
CN109615598A (zh) * | 2018-12-10 | 2019-04-12 | 武汉大学 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
-
2020
- 2020-07-20 CN CN202010697030.8A patent/CN111695548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941746A (zh) * | 2014-03-29 | 2014-07-23 | 国家电网公司 | 无人机巡检图像处理系统及方法 |
CN104091168A (zh) * | 2014-07-18 | 2014-10-08 | 深圳供电局有限公司 | 基于无人机影像的电力线自动提取定位方法 |
CN105608429A (zh) * | 2015-12-21 | 2016-05-25 | 重庆大学 | 基于差分激励的鲁棒车道线检测方法 |
Non-Patent Citations (6)
Title |
---|
Power line identification of millimeter wave radar based on PCA-GS-SVM;Fang Fang等;《IOP Conf. Series: Materials Science and Engineering》;20171231;第274卷;1-6 * |
Power line recognition and tracking method for UAVs inspection;Feng Tian等;《Proceeding of the 2015 IEEE International Conference on Information and Automation》;20150831;2136-2141 * |
基于光学图像和MIMO毫米波雷达回波的;张云龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第02期);I136-1471 * |
基于机载LIDAR点云数据的电力线路自动提取与三维建模;王和平等;《低碳世界》;20180725(第07期);91-93 * |
宽带线性调频毫米波避障雷达对电力线探测与识别技术研究;房芳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第01期);I136-1736 * |
毫米波段高压线电磁散射特性分析;张瑞等;《现代雷达》;20090228;第31卷(第2期);25-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695548A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695548B (zh) | 基于毫米波雷达的高压线检测方法 | |
CN106842165B (zh) | 一种基于不同距离角度分辨率雷达集中式异步融合方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
Zhao et al. | Building detection from urban SAR image using building characteristics and contextual information | |
CN112711034B (zh) | 物体检测方法、装置及设备 | |
CN111398943B (zh) | 目标姿态的确定方法及终端设备 | |
Li et al. | Building damage assessment from PolSAR data using texture parameters of statistical model | |
Zhang et al. | Infrared small target detection via interpatch correlation enhancement and joint local visual saliency prior | |
Jia et al. | ResNet-based counting algorithm for moving targets in through-the-wall radar | |
Chen et al. | End‐to‐End Ship Detection in SAR Images for Complex Scenes Based on Deep CNNs | |
CN113687429B (zh) | 一种确定毫米波雷达监测区域边界的装置及方法 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
Jiang et al. | Ship detection based on feature confidence for high resolution SAR images | |
Farah et al. | A fast ship detection algorithm based on automatic censoring for multiple target situations in SAR images | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Arivazhagan et al. | Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
Yang et al. | An Extended Target Detector Using Image-Processing Techniques Exploiting Energy-Spillover Phenomenon in Radar Echoes | |
CN111239740A (zh) | 一种去除射线噪声的方法及设备 | |
Faramarzi et al. | Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters | |
Li et al. | Ship target detection method based on local saliency enhancement | |
Carretero-Moya et al. | Small-target detection in sea clutter based on the radon transform | |
Zhang et al. | SAR image ship detection based on a superpixel non-window fast cfar strategy | |
Nan et al. | Ship wake CFAR detection algorithm in SAR images based on length normalized scan |
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 |