CN111830504B - 基于序贯融合因式分解的序列isar三维成像方法 - Google Patents
基于序贯融合因式分解的序列isar三维成像方法 Download PDFInfo
- Publication number
- CN111830504B CN111830504B CN202010719882.2A CN202010719882A CN111830504B CN 111830504 B CN111830504 B CN 111830504B CN 202010719882 A CN202010719882 A CN 202010719882A CN 111830504 B CN111830504 B CN 111830504B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- isar
- images
- reconstruction
- matching
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000003384 imaging method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及ISAR成像信号处理技术,尤其涉及一种基于序贯融合因式分解的序列ISAR三维成像方法。包括以下步骤:S1:ISAR图像序列二维尺寸标定;S2:ISAR图像特征点提取与匹配关联;S3:相邻图像三维重构;S4:统一序贯融合参考系;S5:序贯融合三维重构。通过本发明,针对传统因式分解法在ISAR图像应用中需要同时对序列图像进行特征点提取与匹配,导致最终匹配的特征点较少问题,提出一种序贯融合因式分解法,该方法能满足实际应用中实时性的要求,并且克服了在整个ISAR图像序列中都存在的特征点较少的问题。与传统因式分解法进行对比,序贯融合因式分解法能更好的重构出目标的三维结构。本发明对促进宽带雷达目标识别向实用化、精细化方向发展起到重要作用。
Description
技术领域
本发明涉及逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像信号处理技术,尤其涉及一种基于序贯融合因式分解的序列ISAR三维成像方法。
背景技术
ISAR具有对非合作目标的二维高分辨成像的能力,被广泛应用于各种军事和民用背景下。距离向的高分辨可通过发射大带宽信号获得,而在方位向,高分辨是利用目标相对雷达视线的旋转产生的相位调制来获得。然而由于ISAR成像时目标的非合作性及成像系统本身的不完备性,ISAR图像的三维重构问题一直是科学研究中的难点。二维ISAR图像本质上是目标三维结构在成像平面上的投影,因而,理论上可利用目标不同角度下的ISAR图像所包含的冗余信息对其三维结构进行重构。相比二维ISAR图像,目标的三维重构结果包含更丰富的结构等特征信息,更有利于后续对目标的识别和分类。
目标ISAR像可等效为目标强散射中心的三维位置信息在距离-多普勒平面上的投影,从数学的角度看,其成像过程基本满足正交投影关系,这一点与光学图像的产生过程类似。Tomasi和Kanade提出了从光学图像序列中恢复刚体物体三维形状和运动的一般方法(C.Tomasi and T.Kanade.Shape and motion from image streams under orthography:A factorization method.Int.J.Comput.Vis.,1992,9(2):137–154.),该方法通过在目标本体坐标系下,建立三维目标体与其二维成像面的正交投影关系,利用矩阵因式分解的方法,恢复出目标的三维形状信息。该方法在光学图像目标的重构方面已得到一定的推广和应用。
尚朝轩等把矩阵分解方法应用在雷达目标的ISAR三维重构上(尚朝轩,王昕,董健,光学因子分解法在雷达目标三维重建中的应用,探测与控制学报,2014(36),No.2,11-14),通过对目标运动场景建模,将目标的ISAR成像过程公式化,推导出图像序列中强散射点二维位置坐标与原目标三维坐标的投影矩阵关系,利用正交投影下的矩阵分解基本方法,从观测矩阵中分解出原目标散射点的三维位置矩阵,进而实现目标的三维位置重构。然而,该方法未对序列重构中的图像特征点关联和重构图像选择进行分析。ISAR图像由于二维成像本身就存在模糊,并存在一些不确定点,三维重构时,因式分解法需要知道每个特征点在二维图像中的坐标位置,并按一定的顺序排列,这就提出了很大的挑战。
发明内容
针对上述现有技术中存在的问题,本发明提出一种基于序贯融合的序列ISAR三维成像方法。该方法每次只对两帧图像重构,并得到结果。随着不断增加新的图像,进行新的重构过程,然后将每次的重构结果进行融合,最后得到整个图像序列的重构结果。
本发明采用的技术方案为:一种基于序贯融合因式分解的序列ISAR三维成像方法,该方法包括以下步骤:
S1:ISAR图像序列二维尺寸标定
假定通过成像处理得到的ISAR图像序列数目为Num,根据雷达发射信号的带宽B和成像累积转角Θ对ISAR图像进行二维尺寸标定处理,即距离向分辨率为方位向分辨率为/>其中c为光速,λ为发射信号波长;
S2:ISAR图像特征点提取与匹配关联
进行三维重构的前提是需要提取出目标上的点在二维图像中对应的坐标,并将这些点的坐标,按一定的顺序排列,完成特征点的匹配。ISAR图像由于二维成像本身就存在模糊,并存在一些不确定点。这就对图像的匹配提出了很大挑战。
从图像中要提取的是特征点,特征点具有一定的稳定性,要求其在整个ISAR图像序列中都存在,且具备一定的数量,这样才能提供足够的信息来表征目标的特征。在整个基于ISAR图像序列进行三维重构的流程中,图像序列的匹配关联环节一直以来是一个重难点问题。本步骤提出一种基于SIFT算法以及变换矩阵的特征点提取与匹配方法,为后续重构打下基础,具体包括以下步骤:
S2.1利用SIFT算法对相邻图像的特征点进行提取和匹配,假设所提取到的特征点集分别为Q1,Q2;匹配到的特征点对为O1,O2;相邻图像中未匹配到的特征点集为P1,P2;
S2.2使用随机采样一致性(RANdom SAmple Consensus,RANSAC)算法根据S2.1匹配好的特征点对O1,O2,计算得到图像间的变换矩阵H;
S2.3利用变换矩阵H对SIFT算法未匹配上的特征点做进一步的匹配,具体如下:
S2.3.1对于相邻图像中未匹配到的特征点集P1,将其乘上S2.2求得的变换矩阵H,得到新的坐标R1=HP1;
S2.3.2以相邻图像中未匹配到的特征点集P2作为待匹配点,在P2中计算与R1中点集特征向量之间的距离,当距离的值小于设定阈值(本发明设定为2)时,将其作为匹配点,从而更新最终匹配的特征点点对;
S2.3.3假设相邻的三幅图像分别为序列中的第n-1,n,n+1幅图像(n=2,3,…,Num-1),将第n-1和第n幅图像进行匹配得到的点对分别记为Fn-1,将第n和第n+1幅图像进行匹配得到的点对分别记为/>Fn+1;
S3:相邻图像三维重构
基于因式分解法,分别从相邻两幅ISAR图像的匹配点对Fn-1,以及/>Fn+1进行三维重构,得到重构结果Sn-1和Sn,具体如下:
S3.1针对相邻两幅ISAR图像,经过步骤S2的特征点提取与匹配,最后匹配到P组特征点,将这P组特征点的二维坐标写入观测矩阵W:
其中(rf,p,df,p),f=1,2;p=1,...,P表示第f幅ISAR图像中提取和匹配上的特征点;
S3.2通过因式分解法,从相邻两幅ISAR图像的观测矩阵W中恢复出目标的三维信息Sn-1和Sn;
S4:统一序贯融合参考系
根据S3中恢复的目标的三维信息Sn-1和Sn开始重构,然后不断加入新的图像,最后完成整个图像序列的重构。由于序贯加入新图像不能同时使用所有图像信息,因此累积误差是不可避免的,但是这种方法相较于原始的因式分解法更加适合实时应用。同时因为特征点的提取和匹配是在两个连续的ISAR图像之间进行的,所以匹配结果的准确性可以进一步提高。在实际中,每获得一幅新的图像,就更新一次重构结果,随着图像的不断加入,目标的整体结构也会更加清晰。在上述流程中,将每次重构的结果融合在一起时,需要将序贯融合得到的三维数据都统一到同一个参考系下,具体如下:
S4.1取和/>的交集为/>假设Fn-1中与/>相匹配的点为/>Fn+1中与/>相匹配的点为/>再分别利用点对/>以及/>通过步骤S3的因式分解法进行三维重构,得到重构结果/>
S4.2由S4.1得到的三维重构结果和/>是第n幅图像中的点/>在不同参考坐标下的三维信息,其中/>这样,就可以得到一个从/>到/>的转换矩阵Tn-1→n,使得两者之间的距离最小,三维空间的转换矩阵Tn-1→n由下列参数组成:
对矩阵Tn-1→n进行分块,其中左上角3×3的矩阵a对应三维线性变换部分,可用3个旋转参数(即绕x,y,z轴的旋转角度)来表示;右上角3×1的矩阵p表示三维平移变换部分,可用3个平移参数来表示;左下角1×3的矩阵t表示三维透视变换部分;右下角1×1的矩阵s表示整体比例因子;
针对序列ISAR图像,只需要用到其中的旋转变换、平移变换、整体比例因子这三部分,所以将Tn-1→n矩阵进行简化,如下:
其中s为整体比例因子,A是3×3的正交旋转矩阵,P是3×1的平移矩阵;
S4.3利用最小二乘法或者RANSAC方法来进行求解得到变换矩阵Tn-1→n;
S5:序贯融合三维重构
利用转换矩阵Tn-1→n,将相邻图像的重构结果Sn转换到同一个参考坐标系,完成整个图像序列的序贯融合,得到融合后的结果S:
其中,表示经过融合参考系转换后的结果,其表达式如下:
本发明具有以下有益效果:通过本发明,针对传统因式分解法在ISAR图像应用中需要同时对序列图像进行特征点提取与匹配,导致最终匹配的特征点较少问题,提出了一种序贯融合因式分解法,该方法能满足实际应用中实时性的要求,并且克服了在整个ISAR图像序列中都存在的特征点较少的问题。与传统因式分解法进行对比,序贯融合因式分解法能更好的重构出目标的三维结构。本发明对促进宽带雷达目标识别向实用化、精细化方向发展起到重要作用。
附图说明
图1是本发明的处理流程图;
图2是波音737-800仿真目标模型;
图3-为典型姿态下的ISAR成像结果:
(a)是第40帧ISAR图像;
(b)是第80帧ISAR图像;
(c)是第120帧ISAR图像;
(d)是第160帧ISAR图像;
(e)是第200帧ISAR图像;
(f)是第240帧ISAR图像;
图4-为基于变换矩阵的匹配结果:
(a)SIFT算法ISAR图像匹配结果;
(b)是基于变换矩阵的ISAR图像匹配结果;
图5-是SIFT算法对3幅ISAR图像匹配重构结果图;
图6-是使用序贯融合因式分解法进行重构的结果:
(a)是3帧图像重构结果;
(b)是10帧图像重构结果;
(c)是15帧图像重构结果;
(d)是25帧图像重构结果。
具体实施方式
下面结合附图对本发明进行进一步说明:
图1为本发明总处理流程。
本发明所述一种基于序贯融合因式分解的序列ISAR三维成像方法,该方法包括以下步骤:
S1:ISAR图像序列二维尺寸标定;
S2:ISAR图像特征点提取与匹配关联;
S3:相邻图像三维重构;
S4:统一序贯融合参考系
S5:序贯融合三维重构。
下面以电磁仿真数据来检验本发明的有益效果。
图2为电磁仿真数据的目标模型,为Boeing 737-800飞机。仿真的雷达系统参数扫频扫角模式,信号载频10GHz,带宽1GHz,初始方位角为0度,初始俯仰角为0度,扫角间隔为0.25度,每个角度下的频率点数为512,每幅图像成像脉冲个数为512,共获得图像序列总数为360。图3给出了典型姿态下的成像结果,这里选取成像结果中的第40、80、120、160、200、240帧,共六幅图像进行展示,可以看到,通过序列ISAR像,可以看到飞机的形状在不断发生变化,表示飞机相对雷达的运动姿态在不断的改变,为后面的三维重构奠定了基础
图4为基于变换矩阵的匹配结果。从图中可以看出,相比于SIFT算法,基于变换矩阵的匹配方法对未匹配上的点进行了进一步匹配,能够有效提高匹配的点数。
图5给出了利用SIFT算法对ISAR图像序列匹配,将得到的匹配结果写入观测矩阵,再用因式分解法进行重构的结果。若ISAR图像序列数量过多,则利用SIFT算法匹配到的点会比较少,所以这里只用3幅图像进行匹配重构。最后从整个图像序列中匹配到15个点,目标最后重构的结果也为15个点。从结果可以看到,由于SIFT算法对整个图像序列匹配的点数较少,最后重构出的三维目标点数也较少,难以判断出目标的整体结构,达不到三维重构的目的。
图6给出了使用序贯融合因式分解法进行重构的结果,分别为使用3、10、15、25帧图像进行序贯重构的结果。从图6(a)、(b)、(c)中可以看出,随着图像帧数变多,重构出的三维点数也增多,目标结构越来越完整,如图6(c)所示,得到的三维结构中飞机的翼展为32米,高度为10米,与飞机真实尺寸相差不大,相比传统因式分解的方法,序贯因式分解法的重构效果更好。另外,从图6(c)、(d)可以看出,虽然随着使用的帧数增加,重构出的点数在增加,但是三维效果改善并不明显,还出现一些孤立的野点。这是因为序贯因式分解法每次匹配和重构都只使用两幅图像,而仅仅使用两幅图像的话,重构的效果并不会很好,与真实三维结构会存在误差。所以随着序贯因式分解的进行,会使得这些误差持续积累,最后影响了重构效果。
Claims (3)
1.一种基于序贯融合因式分解的序列ISAR三维成像方法,其特征在于,该方法包括以下步骤:
S1:ISAR图像序列二维尺寸标定
假定通过成像处理得到的ISAR图像序列数目为Num,根据雷达发射信号的带宽B和成像累积转角Θ对ISAR图像进行二维尺寸标定处理,即距离向分辨率为方位向分辨率为/>其中c为光速,λ为发射信号波长;
S2:ISAR图像特征点提取与匹配关联
具体包括以下步骤:
S2.1利用SIFT算法对相邻图像的特征点进行提取和匹配,假设所提取到的特征点集分别为Q1,Q2,匹配到的特征点对为O1,O2,相邻图像中未匹配到的特征点集为P1,P2;
S2.2使用随机采样一致性算法根据S2.1匹配好的特征点对O1,O2,计算得到图像间的变换矩阵H;
S2.3利用变换矩阵H对SIFT算法未匹配上的特征点做进一步的匹配,具体如下:
S2.3.1对于相邻图像中未匹配到的特征点集P1,将其乘上S2.2求得的变换矩阵H,得到新的坐标R1=HP1;
S2.3.2以相邻图像中未匹配到的特征点集P2作为待匹配点,在P2中计算与R1中点集特征向量之间的距离,当距离的值小于设定阈值时,将其作为匹配点,从而更新最终匹配的特征点点对;
S2.3.3假设相邻的三幅图像分别为序列中的第n-1,n,n+1幅图像,n=2,3,…,Num-1,将第n-1和第n幅图像进行匹配得到的点对分别记为Fn-1,将第n和第n+1幅图像进行匹配得到的点对分别记为/>Fn+1;
S3:相邻图像三维重构
基于因式分解法,分别从相邻两幅ISAR图像的匹配点对Fn-1,以及/>Fn+1进行三维重构,得到重构结果Sn-1和Sn,具体如下:
S3.1针对相邻两幅ISAR图像,经过步骤S2的特征点提取与匹配,最后匹配到P组特征点,将这P组特征点的二维坐标写入观测矩阵W:
其中(rf,p,df,p),f=1,2;p=1,...,P表示第f幅ISAR图像中提取和匹配上的特征点;
S3.2通过因式分解法,从相邻两幅ISAR图像的观测矩阵W中恢复出目标的三维信息Sn-1和Sn;
S4:统一序贯融合参考系
根据S3中恢复的目标的三维信息Sn-1和Sn开始重构,然后不断加入新的图像,最后完成整个图像序列的重构;在将每次重构的结果融合在一起时,需要将序贯融合得到的三维数据都统一到同一个参考系下,具体如下:
S4.1取和/>的交集为/>假设Fn-1中与/>相匹配的点为/>Fn+1中与/>相匹配的点为/>再分别利用点对/>以及/>通过步骤S3的因式分解法进行三维重构,得到重构结果/>
S4.2由S4.1得到的三维重构结果和/>是第n幅图像中的点/>在不同参考坐标下的三维信息,其中/>这样,就可以得到一个从/>到/>的转换矩阵Tn-1→n,使得两者之间的距离最小,三维空间的转换矩阵Tn-1→n由下列参数组成:
对矩阵Tn-1→n进行分块,其中左上角3×3的矩阵a对应三维线性变换部分,可用3个旋转参数来表示;右上角3×1的矩阵p表示三维平移变换部分,可用3个平移参数来表示;左下角1×3的矩阵t表示三维透视变换部分;右下角1×1的矩阵s表示整体比例因子;
针对序列ISAR图像,只需要用到其中的旋转变换、平移变换、整体比例因子这三部分;
S4.3利用最小二乘法来进行求解得到变换矩阵Tn-1→n;
S5:序贯融合三维重构
利用转换矩阵Tn-1→n,将相邻图像的重构结果Sn转换到同一个参考坐标系,完成整个图像序列的序贯融合,得到融合后的结果S:
其中,表示经过融合参考系转换后的结果,其表达式如下:
。
2.一种根据权利要求1所述基于序贯融合因式分解的序列ISAR三维成像方法,其特征在于:S2.3.2中的阈值设定为2。
3.一种根据权利要求1所述基于序贯融合因式分解的序列ISAR三维成像方法,其特征在于:S4.3中,也可以利用RANSAC方法求解得到变换矩阵Tn-1→n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719882.2A CN111830504B (zh) | 2020-07-23 | 2020-07-23 | 基于序贯融合因式分解的序列isar三维成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719882.2A CN111830504B (zh) | 2020-07-23 | 2020-07-23 | 基于序贯融合因式分解的序列isar三维成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111830504A CN111830504A (zh) | 2020-10-27 |
CN111830504B true CN111830504B (zh) | 2023-11-24 |
Family
ID=72925830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010719882.2A Active CN111830504B (zh) | 2020-07-23 | 2020-07-23 | 基于序贯融合因式分解的序列isar三维成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111830504B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882031B (zh) * | 2021-01-14 | 2023-09-05 | 中山大学 | 一种离散频率编码波形的isar成像方法、装置及存储介质 |
CN113504540A (zh) * | 2021-05-20 | 2021-10-15 | 西安电子科技大学 | 基于ransac的isar图像三维重构方法 |
CN114638874B (zh) * | 2022-05-19 | 2022-09-16 | 西安电子科技大学 | 基于因式分解和isea的空间目标三维重构方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007004578A (ja) * | 2005-06-24 | 2007-01-11 | Nippon Telegr & Teleph Corp <Ntt> | 三次元形状取得方法、三次元形状取得装置、及びプログラムの記録媒体 |
CN105279789A (zh) * | 2015-11-18 | 2016-01-27 | 中国兵器工业计算机应用技术研究所 | 一种基于图像序列的三维重建方法 |
WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
CN108647580A (zh) * | 2018-04-18 | 2018-10-12 | 中国人民解放军国防科技大学 | 基于改进sift引导isar图像特征点提取匹配方法 |
CN109146001A (zh) * | 2018-09-14 | 2019-01-04 | 西安电子科技大学 | 多视角isar图像融合方法 |
CN111208513A (zh) * | 2020-01-15 | 2020-05-29 | 西安电子科技大学 | 空间目标isar图像序列能量反向投影与三维重构方法 |
-
2020
- 2020-07-23 CN CN202010719882.2A patent/CN111830504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007004578A (ja) * | 2005-06-24 | 2007-01-11 | Nippon Telegr & Teleph Corp <Ntt> | 三次元形状取得方法、三次元形状取得装置、及びプログラムの記録媒体 |
WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
CN105279789A (zh) * | 2015-11-18 | 2016-01-27 | 中国兵器工业计算机应用技术研究所 | 一种基于图像序列的三维重建方法 |
CN108647580A (zh) * | 2018-04-18 | 2018-10-12 | 中国人民解放军国防科技大学 | 基于改进sift引导isar图像特征点提取匹配方法 |
CN109146001A (zh) * | 2018-09-14 | 2019-01-04 | 西安电子科技大学 | 多视角isar图像融合方法 |
CN111208513A (zh) * | 2020-01-15 | 2020-05-29 | 西安电子科技大学 | 空间目标isar图像序列能量反向投影与三维重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111830504A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830504B (zh) | 基于序贯融合因式分解的序列isar三维成像方法 | |
CN108038902B (zh) | 一种面向深度相机的高精度三维重建方法和系统 | |
CN105809640B (zh) | 基于多传感器融合的低照度视频图像增强方法 | |
CN107301654A (zh) | 一种多传感器的高精度即时定位与建图方法 | |
Sundaresan et al. | Markerless motion capture using multiple cameras | |
CN113077519B (zh) | 一种基于人体骨架提取的多相机外参自动标定方法 | |
CN109859266A (zh) | 一种基于预变换的大视角变化下视觉同时定位与绘图方法 | |
CN113256698B (zh) | 一种具有深度预测的单目3d重建方法 | |
CN110827321A (zh) | 一种基于三维信息的多相机协同的主动目标跟踪方法 | |
Tao et al. | LiDAR-NeRF: Novel lidar view synthesis via neural radiance fields | |
Bender et al. | Recursive Bayesian estimation of bat flapping flight using kinematic trees | |
Li et al. | Three-dimensional reconstruction using ISAR sequences | |
CN112580683B (zh) | 一种基于互相关的多传感器数据时间对齐系统及其方法 | |
Seetharaman et al. | A piecewise affine model for image registration in nonrigid motion analysis | |
CN117036404A (zh) | 一种单目热成像同时定位与建图方法和系统 | |
Villa et al. | Autonomous navigation and dense shape reconstruction using stereophotogrammetry at small celestial bodies | |
Oumer | Visual tracking and motion estimation for an on-orbit servicing of a satellite | |
CN113240749A (zh) | 一种面向海上舰船平台无人机回收的远距离双目标定与测距方法 | |
Re et al. | Evaluation of an area-based matching algorithm with advanced shape models | |
CN112434705A (zh) | 一种基于高斯金字塔分组的实时sift图像匹配方法 | |
Kim et al. | Environment modelling using spherical stereo imaging | |
CN114972536B (zh) | 一种航空面阵摆扫式相机定位和标定方法 | |
Xu et al. | Cnn-based ego-motion estimation for fast mav maneuvers | |
Li et al. | Airborne Radar Forward-Looking Imaging Algorithm Based on Generative Adversarial Networks | |
Zhong et al. | Application of Photogrammetric Computer Vision and Deep Learning in High-Resolution Underwater Mapping: A Case Study of Shallow-Water Coral Reefs |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District Patentee after: SUN YAT-SEN University Patentee after: National University of Defense Technology Address before: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District Patentee before: SUN YAT-SEN University |
|
TR01 | Transfer of patent right |