CN111784760A - 雷达线性光流外推结果订正雷达机器学习外推结果的方法 - Google Patents
雷达线性光流外推结果订正雷达机器学习外推结果的方法 Download PDFInfo
- Publication number
- CN111784760A CN111784760A CN202010574574.5A CN202010574574A CN111784760A CN 111784760 A CN111784760 A CN 111784760A CN 202010574574 A CN202010574574 A CN 202010574574A CN 111784760 A CN111784760 A CN 111784760A
- Authority
- CN
- China
- Prior art keywords
- contour
- radar
- area
- machine learning
- extrapolation
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及通讯技术领域,提供一种订正雷达机器学习外推结果的方法,包括第一步,匹配回波单体:若第一轮廓与第二轮廓相重叠,且重叠面积占第一轮廓的面积的比例与重叠面积占第二轮廓的面积的比例之和超过第一阈值,判定第一轮廓与第二轮廓相匹配;第二步,质心订正:利用光流法外推的拟合直线对第一轮廓的质心进行订正,并根据订正的质心平移第一轮廓;第三步,轮廓订正:将平移后的第一轮廓缩放,使缩放后的第一轮廓的面积等于第二轮廓的面积。本发明利用预测整体运动趋势更准确的光流线性法外推的回波单体的图像对机器学习法外推的回波单体的图像进行订正,因而改善了对回波单体整体运动趋势的预测准度。
Description
技术领域
本发明涉及通讯技术领域,尤其涉及一种雷达线性光流外推结果订正雷达机器学习外推结果的方法。
背景技术
雷达外推(又叫雷达图片预测)是一种利用历史的连续的若干帧雷达图像预测未来连续的若干帧雷达图像的预测算法。雷达图片是由天气雷达基于定时体扫的结果自动产生的反射率图片数据,一组雷达图片在时间上具有连续、等距的性质。雷达图片在天气气象领域有着重要的作用,可以用来对强对流天气进行识别(如对流云识别、冰雹识别)、对降水量进行估算等。雷达外推基于当前时刻之前的连续多帧的反射率图片对未来的连续的若干帧反射率图片进行预测,在预测结果图片的基础上可以进一步对临近时刻的强对流天气、降水量等作出预测,在与天气息息相关的领域(如民航、种植、养殖、军事)有着十分重要的意义。
较长时间的雷达外推通常使用机器学习外推。机器学习外推是指利用深度学习的算法,包括卷积神经网络算法(CNN,Convolutional Neural Networks)和循环神经网络算法(RNN,Recurrent Neural Network),前者在图像识别和预测领域具有广泛的应用,后者主要用来对时序序列的对象进行预测,二者结合使用可以对雷达图片这种具有时序性的连续图片进行预测。
机器学习外推的优点是机器学习算法预测的雷达图像在细节上会更加准确,能够对每个像素的值的变化进行较准确的预测,但对回波单体的整体运动趋势的预测效果不佳。如何增强机器学习外推对回波单体的整体运动趋势的预测效果,成为本领域的课题。
发明内容
本发明提供了雷达线性光流外推结果订正雷达机器学习外推结果的方法,通过对回波单体的整体运动趋势较佳的光流线性外推得到的图像对机器学习外推的图像进行订正,克服了上述现有技术之不足。
本发明提供一种雷达线性光流外推结果订正雷达机器学习外推结果的方法,包括以下步骤:
第一步,匹配回波单体:若机器学习法外推的目标帧的雷达图片中第一回波单体的第一轮廓与光流法外推的目标帧的雷达图片中第二回波单体的第二轮廓相重叠,且第一重叠面积占第一轮廓的面积的比例与第一重叠面积占第二轮廓的面积的比例之和超过第一阈值,则判定第一轮廓与第二轮廓相匹配;第一重叠面积为第一轮廓与第二轮廓的重叠面积;
第二步,质心订正:利用光流法外推的质心的拟合直线对第一轮廓的质心进行订正,并根据订正的第一轮廓的质心平移第一轮廓;
第三步,轮廓订正:将平移后的第一轮廓等比例缩放,使缩放后的第一轮廓的面积等于第二轮廓的面积,将缩放后的第一轮廓作为第一回波单体的雷达外推轮廓;
其中,利用光流法外推的质心的拟合直线对第一轮廓的质心进行订正,包括以下步骤:
(1)确定光流法外推的包括目标帧在内的连续时间的多帧雷达图片中所有的第二回波单体的第二轮廓的质心,组成第二质心集合;
(2)利用线性拟合的方法,拟合出第二质心集合中包含的所有第二轮廓的质心的拟合直线;
(3)令第一轮廓的第一质心沿所述拟合直线的垂线方向移动,减小第一轮廓的质心与拟合直线之间的距离。
下面是对上述发明技术方案的进一步优化或/和改进:
上述方法,在第一步前,还包括通过机器学习法外推,得到目标帧的雷达图片,具体步骤包括:
利用连续时间的多帧的雷达图片对机器学习模型进行训练,根据训练结果对机器学习模型的参数进行调整,得到经训练的机器学习模型;
利用经训练的机器学习模型和目标帧的雷达图片前若干帧的原始雷达图片,外推得到目标帧的雷达图片。
上述方法,利用连续时间的多帧的雷达图片对机器学习模型进行训练前,还包括以下步骤:
对连续时间的多帧的雷达图片进行质量控制,去除空白的雷达图片和雷达图片中的噪声。
上述方法,第三步,轮廓订正,还可以是以下步骤:
若第二重叠面积占第一轮廓的面积的比例与第二重叠面积占第二轮廓的面积的比例之和小于第二阈值,则利用第二轮廓对平移后的第一轮廓进行订正,将平移后的第一轮廓与第二轮廓拼接形成第三轮廓,将第三轮廓作为第一回波单体的雷达外推轮廓;第二重叠面积为平移后的第一轮廓与第二轮廓的重叠面积;
若第二重叠面积占第一轮廓的面积的比例与第二重叠面积占第二轮廓的面积的比例之和大于或等于第二阈值,则将平移后的第一轮廓作为第一回波单体的雷达外推轮廓。
上述方法,第三步,轮廓订正,还可以是以下步骤:
根据光流法外推的包括目标帧在内的连续时间的多帧雷达图片的帧数以及帧数对应的第二回波单体的面积,获取帧数与第二回波单体的面积的对应关系的二次拟合函数;
利用二次拟合函数,获取目标帧的雷达图像对应的第二回波单体的拟合面积;
将平移后的第一轮廓等比例缩放,使缩放后的第一轮廓的面积等于第二回波单体的拟合面积,将缩放后的第一轮廓作为第一回波单体的雷达外推轮廓。
上述方法,第二步,质心订正,还可以是以下步骤:
机器学习法外推的目标帧的前一帧的雷达图像中的第一回波单体的轮廓的第三质心与第一质心相连,第三质心与第二质心相连,若上述两个连线所夹角度大于阈值角度,则将第一轮廓的质心订正为第一质心和第二质心的中点;第二质心为第二轮廓的质心;
根据订正的第一轮廓的质心平移第一轮廓。
本发明利用光流线性法外推得到的回波单体的轮廓对机器学习法外推得到的回波单体质心位置和的轮廓面积进行订正,由于光流线性法外推在预测整体运动趋势和面积时,更加准确,因而订正的外推改善了对回波单体整体运动趋势的预测准度。
附图说明
图1为本发明提供的一种雷达线性光流外推结果订正雷达机器学习外推结果的方法流程图。
图2为本发明提供的一种质心订正方法的示意图。
图3为实施例4提供的一种质心订正方法的示意图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例1:图1为本发明提供一种雷达线性光流外推结果订正雷达机器学习外推结果的方法流程图,包括以下步骤:
第一步,匹配回波单体:若机器学习法外推的目标帧的雷达图片中第一回波单体的第一轮廓与光流法外推的目标帧的雷达图片中第二回波单体的第二轮廓相重叠,且第一重叠面积占第一轮廓的面积的比例与第一重叠面积占第二轮廓的面积的比例之和超过第一阈值,则判定第一轮廓与第二轮廓相匹配;第一重叠面积为第一轮廓与第二轮廓的重叠面积;
第二步,质心订正:利用光流法外推的质心的拟合直线对第一轮廓的质心进行订正,并根据订正的第一轮廓的质心平移第一轮廓;
第三步,轮廓订正:将平移后的第一轮廓等比例缩放,使缩放后的第一轮廓的面积等于第二轮廓的面积,将缩放后的第一轮廓作为第一回波单体的雷达外推轮廓;
其中,利用光流法外推的质心的拟合直线对第一轮廓的质心进行订正,包括以下步骤:
(1)确定光流法外推的包括目标帧在内的连续时间的多帧雷达图片中所有的第二回波单体的第二轮廓的质心,组成第二质心集合;
(2)利用线性拟合的方法,拟合出第二质心集合中包含的所有第二轮廓的质心的拟合直线;
(3)令第一轮廓的第一质心沿所述拟合直线的垂线方向移动,减小第一轮廓的质心与拟合直线之间的距离。
本发明雷达外推利用真正的雷达回波图像外推得到预测的图像。外推采用两种方法:机器学习法和光流法。采用机器学习法外推的雷达图像作为基础,利用光流法外推的雷达图像对机器学习法外推的图像进行订正。
本发明在使用机器学习法外推前,需要对机器学习模型进行训练,以提高外推精度。
下面是对上述发明技术方案的进一步优化或/和改进:
实施例2:上述方法,在第一步前,还包括通过机器学习法外推,得到目标帧的雷达图片,具体步骤包括:
利用连续时间的多帧的雷达图片对机器学习模型进行训练,根据训练结果对机器学习模型的参数进行调整,得到经训练的机器学习模型;
利用经训练的机器学习模型和目标帧的雷达图片前若干帧的原始雷达图片,外推得到目标帧的雷达图片。
机器学习法外推常采用CONV+LSTM算法模型,对模型输入一定帧数的雷达图像,CONV+LSTM算法模型可以预测出一定帧数(少于或等于输入的雷达图像的帧数)的雷达图像。CONV+LSTM算法模型用于外推需要设定几种初始参数:输入模型的输入长度N1、卷积层数和每层卷积核数、下采样参数和采样函数、RNN层数及每层节点数,输出模型的输出长度N2、上采用参数和采样函数、RNN层数及每层节点数,以及两个模型学习速率、激活函数等。
机器学习算法模型需要进行训练才可以使用,训练的素材是,连续时间的若干帧雷达图像。例如,共有15帧雷达图像,其中10帧用于外推出5帧雷达图像,用外推出的5帧雷达图像与真实的5帧雷达图像相比较,得到误差,根据误差对机器学习算法模型的参数进行调整。训练的时间,使用的素材越多,训练的效果越好。
完成训练后,再使用机器学习模型进行外推,得到本发明的未使用光流法外推进行修正的基础外推图像(通常为多帧连续时间的雷达图像,包括目标帧的雷达图像在内)。
本实施例的机器学习法外推使用的模型经过训练,根据训练的误差,对模型进行了改进,因而机器学习法外推得到的回波单体的轮廓更准确。
为了得到更好的训练效果,用于训练的雷达图像的精度至关重要。为了提高精度,可以对用于训练的雷达图像进行质量控制,例如去除孤立的回波点,去除性质不同的回波点。例如,实时的雷达回波图像对应降水回波点的分布情况,根据非降水回波点的性质,去除其中的非降水回波(例如晴空回波)。
实施例3:上述方法,利用连续时间的多帧的雷达图片对机器学习模型进行训练前,还包括以下步骤:
对连续时间的多帧的雷达图片进行质量控制,去除空白的雷达图片和雷达图片中的噪声。
本实施例提高了用于训练的机器学习模型的雷达图片的质量,因而训练得到的模型精度更高,机器学习法外推得到的回波单体的轮廓更准确。
雷达外推中面积较大的回波物体(例如一片雨云)对气象预测更有价值,本发明中将较大的回波物体(轮廓的面积超过一定数值,可以采用高斯测绘子来获取一个轮廓的面积)作为回波单体,用于对机器学习法外推的一帧图像(目标帧的雷达图片)中的一个回波单体进行订正。
本发明提供了对机器学习法外推的一个回波单体(即第一回波单体)的订正方式,机器学习法外推的目标帧的雷达图像中可以包括一个或多个回波单体,每个回波单体的轮廓都可以使用本发明的方法进行订正。
采用光流法外推的雷达图像中的回波单体的轮廓对机器学习法外推的回波单体的轮廓进行订正的前提是,光流法外推的雷达图像中的回波单体的轮廓(第二轮廓)与机器学习法外推的回波单体的轮廓(第一轮廓)对应同一个物体。因此,需要对第一轮廓和第二轮廓进行匹配,第一轮廓与第二轮廓相匹配,说明第一回波单体和第二回波单体是同一个物体。判断匹配的方式是根据第一轮廓与第二轮廓的重叠程度,具体根据第一轮廓和第二轮廓重叠的面积(即第一重叠面积)占第一轮廓面积的比例,以及第一重叠面积占第二轮廓面积的比例。
(第一重叠面积/第一轮廓的面积)+(第二重叠面积/第二轮廓的面积)>第一阈值。第一阈值可以是0.5。
判断第一轮廓与第二轮廓匹配,即第一回波单体就是第二回波单体。对第一轮廓的质心进行调整。
本实施例中,回波单体的质心的移动反映了回波单体的移动趋势,光流法外推反映回波单体的移动趋势相对于机器学习法更好,因而根据光流法外推的第二轮廓的质心位置对机器学习法外推的第一轮廓的质心位置进行订正。
通过目标帧和与目标帧时间连续的多帧的雷达图像中回波单体的质心能够反映回波单体的移动趋势。前提是,目标帧的雷达图像中的回波单体轮廓与目标帧时间连续的多帧的雷达图像中的回波单体轮廓相对应(对应的方式类似第一轮廓与第二轮廓相匹配的方式,都为判断重叠面积的大小,若与第一轮廓的重叠程度高于一定程度,则判断多帧的雷达图像中回波单体的轮廓也是第一回波单体的轮廓即第一轮廓)。判断光流法外推的多帧雷达图像中的一组轮廓是否是对应第二回波单体的方式与判断多帧机器学习法外推的一组轮廓是否对应第一回波单体相同。
进行质心调整的方式可以是获取光流法外推的多帧雷达图像中的第二轮廓的质心位置的拟合直线。本发明可以获取多帧光流法外推的雷达图像,每帧图像上都有对应第二回波单体的轮廓(即第二轮廓)。其中,确定一个回波单体的质心的方法可以是对轮廓上所有回波点的坐标(横坐标、纵坐标)取平均值。通过直线拟合的方式,可以获取反映第二回波单体的质心的运动方式的直线(拟合得到的直线,对应每帧雷达图像的第二质心的距离最小)。
图2为本发明提供的一种质心订正方法的示意图,对第一轮廓的质心进行订正的方式,是过目标帧的第一轮廓的第一质心向拟合直线做垂线,将第一轮廓的质心沿垂线向靠近拟合直线的方向移动。例如,可以将第一轮廓的第一质心移动到垂足与第一质心的中点上。第一质心经过订正后,第一轮廓整体根据订正的第一质心进行平移。
订正第一轮廓的质心还可以采用其他方式。
实施例4:上述方法,第二步,质心订正,还可以是以下步骤:
确定第一轮廓的第一质心和第二轮廓的第二质心;
机器学习法外推的目标帧的前一帧的雷达图像中的第一回波单体的轮廓的第三质心与第一质心相连,第三质心与第二质心相连,若上述两个连线所夹角度大于阈值角度,则将第一轮廓的质心订正为第一质心和第二质心的中点;
根据订正的第一轮廓的质心平移第一轮廓。
图3为实施例4提供的一种质心订正方法的示意图,当光流法外推得到的回波单体的运动方向(即目标帧前一帧的雷达图片的第三质心与第二质心的连线方向)与机器学习法得到的同一回波单体的运动方向(即前一帧的雷达图片的质心与第一质心的连线方向)差别较大,超过阈值角度(阈值角度可以是15°),则判定需要对回波单体的运动方向进行订正,采用第一质心和第二质心的中点作为订正后第一回波单体的第一轮廓的第一质心,并根据订正后的第一质心平移第一轮廓。
若差别不大,小于等于阈值角度,可认为机器学习法外推的回波单体的运动方向与光流法外推的回波单体的运动方向基本一致,无需对第一质心的位置进行订正。
本实施例提供了一种根据光流法外推的回波单体的质心的位置,对机器学习法外推的同一回波单体的质心的位置进行订正的方法,由于光流法外推得到的回波单体质心的位置更准确,因而订正后,得到的回波单体的轮廓的位置更准确。
本发明在订正第一轮廓的质心后,根据光流法对第一轮廓的面积进行订正。一种方式是根据光流法外推的第二轮廓的面积对第一轮廓进行等比例缩放。
另外一种方式,是根据第二轮廓的面积与帧数二次拟合函数来拟合出目标帧第二轮廓的面积,再根据拟合的第二轮廓的面积对第一轮廓进行等比例缩放。
实施例5:上述方法,第三步,轮廓订正,还可以是以下步骤:
根据光流法外推的包括目标帧在内的连续时间的多帧雷达图片的帧数以及帧数对应的第二回波单体的面积,获取帧数与第二回波单体的面积的对应关系的二次拟合函数;
利用二次拟合函数,获取目标帧的雷达图像对应的第二回波单体的拟合面积;
将平移后的第一轮廓等比例缩放,使缩放后的第一轮廓的面积等于第二回波单体的拟合面积,将缩放后的第一轮廓作为第一回波单体的雷达外推轮廓。
这种获取拟合面积的方式相对于直接利用光流法外推的面积的方式的优势是,光流法外推的准确性是随着外推帧数与实际雷达照片的帧数的距离,迅速降低的。而且光流法外推仅能利用1帧到2帧雷达图像进行外推。利用多帧雷达图像,进行二次项拟合,能够有效的降低误差。
具体地,求二次拟合函数的原理为:帧数与第二轮廓面积为(x,y),必定存在一组(a,b,c)构成二次曲线y=ax2+bx+c,使得所有帧中的第二轮廓面积与二次拟合函数拟合的y的差值的和最小。
另外,还有之中对第一轮廓进行订正的方式。
实施例6:上述方法,第三步,轮廓订正,还可以是以下步骤:
若第二重叠面积占第一轮廓的面积的比例与第二重叠面积占第二轮廓的面积的比例之和小于第二阈值,则利用第二轮廓对平移后的第一轮廓进行订正,将平移后的第一轮廓与第二轮廓拼接形成第三轮廓,将第三轮廓作为第一回波单体的雷达外推轮廓;第二重叠面积为平移后的第一轮廓与第二轮廓的重叠面积;
若第二重叠面积占第一轮廓的面积的比例与第二重叠面积占第二轮廓的面积的比例之和大于或等于第二阈值,则将平移后的第一轮廓作为第一回波单体的雷达外推轮廓。
第二步对第二重叠面积与第一轮廓和第二轮廓的面积进行对比判断,若重叠面积很大,大于第二阈值(第二阈值可以是1.6),则采用机器学习法或光流法进行外推的差别不大,无需采用光流法外推的回波单体的第二轮廓对机器学习法外推的第一轮廓进行订正。
若(重叠面积/第一轮廓的面积)+(重叠面积/第二轮廓的面积)< 第二阈值,则光流法和机器学习法外推的轮廓有一定差异,利用光流法外推的第一轮廓对机器学习法外推的第二轮廓进行订正的效果较好。否则,两种外推方式外推得到的轮廓的差异不大,无需采用光流法外推的第二轮廓对第一轮廓进行订正。
本发明利用光流线性法外推得到的回波单体的轮廓对机器学习法外推得到的回波单体的轮廓进行订正,由于光流线性法外推在预测整体轮廓时,更加准确,因而受到订正的外推轮廓更准确。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
Claims (6)
1.一种雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,包括以下步骤:
第一步,匹配回波单体:若机器学习法外推的目标帧的雷达图片中第一回波单体的第一轮廓与光流法外推的目标帧的雷达图片中第二回波单体的第二轮廓相重叠,且第一重叠面积占所述第一轮廓的面积的比例与所述第一重叠面积占所述第二轮廓的面积的比例之和超过第一阈值,则判定所述第一轮廓与所述第二轮廓相匹配;所述第一重叠面积为所述第一轮廓与所述第二轮廓的重叠面积;
第二步,质心订正:利用光流法外推的质心的拟合直线对所述第一轮廓的质心进行订正,并根据订正的第一轮廓的质心平移所述第一轮廓;
第三步,轮廓订正:将所述平移后的第一轮廓等比例缩放,使缩放后的第一轮廓的面积等于所述第二轮廓的面积,将所述缩放后的第一轮廓作为所述第一回波单体的雷达外推轮廓;
其中,利用光流法外推的质心的拟合直线对所述第一轮廓的质心进行订正,包括以下步骤:
(1)确定光流法外推的包括所述目标帧在内的连续时间的多帧雷达图片中所有的第二回波单体的第二轮廓的质心,组成第二质心集合;
(2)利用线性拟合的方法,拟合出所述第二质心集合中包含的所有第二轮廓的质心的拟合直线;
(3)令所述第一轮廓的第一质心沿所述拟合直线的垂线方向移动,减小所述第一轮廓的质心与所述拟合直线之间的距离。
2.根据权利要求1所述的雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,在第一步前,还包括通过机器学习法外推,得到所述目标帧的雷达图片,具体步骤包括:
利用连续时间的多帧的雷达图片对机器学习模型进行训练,根据训练结果对机器学习模型的参数进行调整,得到经训练的机器学习模型;
利用所述经训练的机器学习模型和目标帧的雷达图片前所述若干帧的原始雷达图片,外推得到所述目标帧的雷达图片。
3.根据权利要求2所述的雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,所述利用连续时间的多帧的雷达图片对机器学习模型进行训练前,还包括以下步骤:
对所述连续时间的多帧的雷达图片进行质量控制,去除空白的雷达图片和雷达图片中的噪声。
4.根据权利要求1所述的雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,第三步,轮廓订正,还包括以下步骤:
若第二重叠面积占所述第一轮廓的面积的比例与所述第二重叠面积占所述第二轮廓的面积的比例之和小于第二阈值,则利用所述第二轮廓对所述平移后的第一轮廓进行订正,将所述平移后的第一轮廓与所述第二轮廓拼接形成第三轮廓,将所述第三轮廓作为所述第一回波单体的雷达外推轮廓;所述第二重叠面积为所述平移后的第一轮廓与所述第二轮廓的重叠面积;
若第二重叠面积占所述第一轮廓的面积的比例与所述第二重叠面积占所述第二轮廓的面积的比例之和大于或等于第二阈值,则将所述平移后的第一轮廓作为所述第一回波单体的雷达外推轮廓。
5.根据权利要求1所述的雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,第三步,轮廓订正,还包括以下步骤:
根据光流法外推的包括所述目标帧在内的连续时间的多帧雷达图片的帧数以及帧数对应的第二回波单体的面积,获取帧数与第二回波单体的面积的对应关系的二次拟合函数;
利用所述二次拟合函数,获取目标帧的雷达图像对应的第二回波单体的拟合面积;
将所述平移后的第一轮廓等比例缩放,使所述缩放后的第一轮廓的面积等于所述第二回波单体的拟合面积,将所述缩放后的第一轮廓作为所述第一回波单体的雷达外推轮廓。
6.根据权利要求1所述的雷达线性光流外推结果订正雷达机器学习外推结果的方法,其特征在于,第二步,质心订正,还包括以下步骤:
机器学习法外推的目标帧的前一帧的雷达图像中的所述第一回波单体的轮廓的第三质心与所述第一质心相连,所述第三质心与第二质心相连,若上述两个连线所夹角度大于阈值角度,则将所述第一轮廓的质心订正为所述第一质心和所述第二质心的中点;所述第二质心为所述第二轮廓的质心;
根据所述订正的第一轮廓的质心平移所述第一轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574574.5A CN111784760B (zh) | 2020-06-22 | 2020-06-22 | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574574.5A CN111784760B (zh) | 2020-06-22 | 2020-06-22 | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784760A true CN111784760A (zh) | 2020-10-16 |
CN111784760B CN111784760B (zh) | 2023-06-20 |
Family
ID=72756146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574574.5A Active CN111784760B (zh) | 2020-06-22 | 2020-06-22 | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784760B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
US6157677A (en) * | 1995-03-22 | 2000-12-05 | Idt International Digital Technologies Deutschland Gmbh | Method and apparatus for coordination of motion determination over multiple frames |
JP2005106566A (ja) * | 2003-09-30 | 2005-04-21 | Toshiba Corp | 時系列画像処理方法及び装置 |
US20090184865A1 (en) * | 2006-05-15 | 2009-07-23 | Valoe Hilde | Method and system for automatic classification of objects |
GB201319610D0 (en) * | 2013-11-06 | 2013-12-18 | Thales Holdings Uk Plc | Image processor |
-
2020
- 2020-06-22 CN CN202010574574.5A patent/CN111784760B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6157677A (en) * | 1995-03-22 | 2000-12-05 | Idt International Digital Technologies Deutschland Gmbh | Method and apparatus for coordination of motion determination over multiple frames |
US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
JP2005106566A (ja) * | 2003-09-30 | 2005-04-21 | Toshiba Corp | 時系列画像処理方法及び装置 |
US20090184865A1 (en) * | 2006-05-15 | 2009-07-23 | Valoe Hilde | Method and system for automatic classification of objects |
GB201319610D0 (en) * | 2013-11-06 | 2013-12-18 | Thales Holdings Uk Plc | Image processor |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111784760B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488308B2 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CN107862293B (zh) | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 | |
US11210801B1 (en) | Adaptive multi-sensor data fusion method and system based on mutual information | |
CN110070025B (zh) | 基于单目图像的三维目标检测系统及方法 | |
CN111076733A (zh) | 一种基于视觉与激光slam的机器人室内建图方法及系统 | |
CN111191546A (zh) | 基于机器视觉识别的产品智能装配方法 | |
CN111521195B (zh) | 一种智能机器人 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN113313047B (zh) | 一种基于车道结构先验的车道线检测方法及系统 | |
CN112631303B (zh) | 一种机器人定位方法、装置及电子设备 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
WO2021243869A1 (zh) | 雷达目标跟踪方法、装置、电子设备及存储介质 | |
CN114076936A (zh) | 联合标定参数的精度评估方法和装置、服务器、计算机可读存储介质 | |
CN111784760B (zh) | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 | |
CN114578328B (zh) | 一种多激光雷达和多相机传感器空间位置自动标定方法 | |
TWI383690B (zh) | 影像處理的方法 | |
CN113971834A (zh) | 基于虚拟现实的眼球追踪方法和系统 | |
CN111203881B (zh) | 一种基于加权最小二乘法的在线反馈手眼标定方法 | |
CN109448060B (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
CN116433514A (zh) | 基于改进空间变换网络stn的车门缺陷图像校正方法 | |
CN113643370B (zh) | 一种基于ncc算法的图像定位方法与装置 | |
WO2022179164A1 (zh) | 一种点云数据处理方法、训练数据处理方法及装置 | |
CN114442083A (zh) | 一种基于视觉与多源雷达的自适应加权数据融合方法 | |
CN113240670A (zh) | 带电作业场景下针对待作业物体的图像分割方法 | |
CN112465865A (zh) | 一种基于背景建模和IoU匹配的多目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |