CN112097778B - 一种同时提取大小目标的识别跟踪方法 - Google Patents
一种同时提取大小目标的识别跟踪方法 Download PDFInfo
- Publication number
- CN112097778B CN112097778B CN202010985173.9A CN202010985173A CN112097778B CN 112097778 B CN112097778 B CN 112097778B CN 202010985173 A CN202010985173 A CN 202010985173A CN 112097778 B CN112097778 B CN 112097778B
- Authority
- CN
- China
- Prior art keywords
- target
- star
- small
- exposure time
- areas
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种同时提取大小目标的识别跟踪方法,包括以下步骤:步骤1:初始采样计算分块阈值;步骤2:分块阈值分类处理为大目标区域阈值和小目标区域阈值;步骤3:分别根据大目标区域阈值和小目标区域阈值,分别获得大目标曝光时间和小目标曝光时间;步骤4:基于小目标曝光时间计算出小目标星体的质点坐标;步骤5:基于大目标曝光时间计算出大目标星体的边缘坐标;步骤6:根据小目标星体的质点坐标和大目标星体的边缘坐标,完成识别跟踪。此发明解决了传统识别跟踪对小目标识别困难和大小目标无法同时识别跟踪的问题,利用不同曝光时间敏感不同目标,分别采用不同算法,完成了同时对大小目标的识别跟踪,提高了识别跟踪的工作效率。
Description
技术领域
本发明涉及航空探测识别技术领域,具体涉及一种同时提取大小目标的识别跟踪方法。
背景技术
在深空导航的过程中,需要敏感弱小恒星星体获得探测器的姿态数据,又需要对火星(月亮)等大目标进行识别,得到距离大目标的位置,为探测器实现在轨光学导航。
然而,传统识别跟踪只能对单一的大目标星体直接识别,对敏感弱小的小目标星体很难直接识别跟踪,且对于大目标和小目标星体的同时识别跟踪,更是难上加难。
发明内容
本发明的目的是提供一种同时提取大小目标的识别跟踪方法。此方法旨在解决传统识别跟踪对小目标识别困难和大小目标无法同时识别跟踪的问题,利用不同曝光时间敏感不同目标,分别采用不同算法,完成同时对大小目标的识别跟踪,提高识别跟踪的工作效率。
为达到上述目的,本发明提供了一种同时提取大小目标的识别跟踪方法,包括以下步骤:
步骤1:基于预设的曝光时间对星体目标进行初始采样计算,获得星体目标中若干个区域的分块阈值;
步骤2:基于星体目标的预设像素尺寸,对若干个区域的分块阈值进行分类处理,分为大目标区域阈值和小目标区域阈值;
步骤3:分别根据大目标区域阈值和小目标区域阈值,分别对预设的曝光时间进行第一次调整和第二次调整,分别获得大目标曝光时间和小目标曝光时间;
步骤4:基于小目标曝光时间对星体目标进行小目标采样计算,计算出星体目标中小目标星体的质点坐标;
步骤5:基于大目标曝光时间对星体目标进行大目标采样计算,计算出星体目标中大目标星体的边缘坐标;
步骤6:分别根据小目标星体的质点坐标和大目标星体的边缘坐标,分别识别出星体目标中的小目标星体和大目标星体,完成识别跟踪。
最优选的,初始采样计算包括以下步骤:
步骤1.1:根据预设的曝光时间,对星体目标进行拍摄处理,获得若干个区域的图像数据流;
步骤1.2:将若干个区域的图像数据流传输至FPGA模块,进行实时处理,获得星体目标中若干个区域的分块阈值。
最优选的,拍摄处理包括以下步骤:
步骤1.1.1:根据预设的曝光时间,对星体目标进行图像拍摄,获得采样图像;
步骤1.1.2:基于采样图像的像素大小,将采样图像进行分割,分割为若干个区域的采样图像;
步骤1.1.3:对若干个区域的采样图像进行数据探测,探测出若干个区域的图像数据流。
最优选的,实时处理包括以下步骤:
步骤1.2.1:对每个区域的图像数据流进行信号控制,生成每个区域的图像控制信号;
步骤1.2.2:对每个区域的图像数据流进行坐标计算,生成每个区域的图像数据流中每个像素点的坐标信息;
步骤1.2.3:根据每个区域的图像控制信号和每个像素点的坐标信息进行阈值计算,获得星体目标中每个区域的分块阈值。
最优选的,图像控制信号包括行起始信号、帧起始信号和帧结束信号。
最优选的,阈值计算包括以下步骤:
步骤1.2.3.1:将若干个区域的图像数据流中所有区域划分为M行×N列;
步骤1.2.3.2:将第i(i=0,1,2…N)列中的所有像素点的灰度累加求和,获得第i列的灰度和;
步骤1.2.3.3:将第i列的灰度和与第i-1列的灰度和进行求和计算,获得第i列的灰度值,并存储于第i列的RAM中;
步骤1.2.3.4:将所有列的灰度值进行均值比较,获得星体目标中每个区域的分块阈值。
最优选的,小目标采样计算包括以下步骤:
步骤4.1:基于小目标曝光时间对星体目标进行初始采样计算,获得小目标星体的分块阈值;
步骤4.2:对小目标星体的分块阈值进行坐标计算,提取出小目标星体的质点坐标。
最优选的,大目标采样计算包括以下步骤:
步骤5.1:基于大目标曝光时间对星体目标进行初始采样计算,获得大目标星体的分块阈值;
步骤5.2:基于Sobel算子,对大目标星体的分块阈值进行梯度检测,提取出大目标星体的边缘坐标。
运用此发明,解决了传统识别跟踪对小目标识别困难和大小目标无法同时识别跟踪的问题,利用不同曝光时间敏感不同目标,分别采用不同算法,完成了同时对大小目标的识别跟踪,提高了识别跟踪的工作效率。
相对于现有技术,本发明具有以下有益效果:
本发明提供的同时提取大小目标的识别跟踪方法,解决了传统识别跟踪对小目标识别困难和大小目标无法同时识别跟踪的问题,利用不同曝光时间敏感不同目标,分别采用不同算法,完成了同时对大小目标的识别跟踪,提高了识别跟踪的工作效率。
附图说明
图1为本发明提供的同时提取大小目标的识别跟踪方法流程图;
图2为本发明提供的FPGA模块进行实时处理流程图;
图3为本发明提供的阈值计算流程图;
图4为本发明提供的若干个区域的图像数据流中所有区域划分示意图;
图5为本发明提供的提取小目标星体的质点坐标的波形图;
图6为本发明提供的采用Sobel算子梯度检测大目标星体流程图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
本发明是一种同时提取大小目标的识别跟踪方法,如图1所示,包括以下步骤:
步骤1:基于导航敏感器内部预设的曝光时间对星体目标进行初始采样计算,获得星体目标中若干个区域的分块阈值。
其中,初始采样计算包括以下步骤:
步骤1.1:导航敏感器根据预设的曝光时间,对星体目标进行拍摄处理,获得若干个区域的图像数据流;其中,拍摄处理包括以下步骤:
步骤1.1.1:导航敏感器根据预设的曝光时间,对星体目标进行图像拍摄,获得采样图像;
步骤1.1.2:基于采样图像的像素大小,将采样图像进行分割,分割为若干个区域的采样图像;
在本实施例中,采样图像的像素大小为5120×3840pix.,将采样图像分割为1200个区域,每个区域的像素大小为128×128pix.。
步骤1.1.3:采用探测器对若干个区域的采样图像进行数据探测,探测出Axis-stream格式的若干个区域的图像数据流。
步骤1.2:将若干个区域的图像数据流传输至FPGA模块,进行实时处理,获得星体目标中若干个区域的分块阈值。
其中,FPGA模块包括生成时钟(generate clk)模块、图像序列(image serialin)模块、平均计算(mean calaulate)模块和星点质心提取(identify)模块;mean calaulate模块与generate clk模块和image serialin模块连接。
如图2所示,FPGA模块进行实时处理包括以下步骤:
步骤1.2.1:将每个区域的图像数据流以Axis-stream数据格式传输至FPGA模块中的generate clk模块,对每个区域的图像数据流进行信号控制,生成每个区域的图像控制信号;其中,图像控制信号包括行起始(line start)信号、帧起始(frame start)信号和帧结束(frame end)信号。
步骤1.2.2:将每个区域的图像数据流以Axis-stream数据格式传输至FPGA模块中的image serialin模块,对每个区域的图像数据流进行坐标计算,生成每个区域的图像数据流中每个像素点的x坐标和y坐标的坐标信息;
步骤1.2.3:将每个区域的图像控制信号和每个区域中的每个像素点的坐标信息传输至FPGA模块中的mean calaulate模块进行阈值计算,获得星体目标中每个区域的分块阈值。
其中,具体如图3所示,阈值计算包括以下步骤:
步骤1.2.3.1:如图4所示,将若干个区域的图像数据流中所有区域划分为M行×N列;在本实施例中,所有区域为1200个,且划分为30行×40列;
步骤1.2.3.2:将第i(i=0,1,2…39)列中的第0个像素点至第127个像素点的灰度累加求和,获得第i列的灰度和Avgi;
步骤1.2.3.3:将第i列的灰度和Avgi与第i-1列的灰度和Avgi-1求和计算,获得第i列的灰度值averagei,并存储于第i列的随机存取存储器(RAM)中;在本实施例中,RAM的大小为1200×12bit。
步骤1.2.3.4:对所有40列的灰度值average进行均值比较,获得星体目标中所有1200个区域中灰度值average的最大值Avgmax,作为星体目标中所有1200个区域的分块阈值theat;其中,分块阈值theat满足:
theat=average+offset
其中,offset为偏移量;在本实施例中,偏移量的大小为384。
步骤2:基于星体目标的预设像素尺寸,对若干个区域的分块阈值theat进行分类处理,分为大目标区域阈值和小目标区域阈值。
在本实施例中,星体目标的预设像素尺寸为3000像素,将星体目标中像素尺寸超过3000像素的分块阈值划分为大目标区域阈值,星体目标中剩余像素的分块阈值划分为小目标区域阈值。
步骤3:分别根据大目标区域阈值和小目标区域阈值,分别对导航敏感器预设的曝光时间进行第一次调整和第二次调整,分别获得大目标曝光时间和小目标曝光时间。
其中,第一次调整和第二次调整是指增加或减少曝光时间,并相应调整数字增益;曝光时间的调整范围为2~500;数字增益的调整范围为1~63;在本实施例中,曝光时间调整步长为八分之一,数字增益调整步长为加减1。
步骤4:基于小目标曝光时间对星体目标进行小目标采样计算,计算出星体目标中小目标星体的质点坐标。
其中,小目标采样计算包括以下步骤:
步骤4.1:基于小目标曝光时间对星体目标进行初始采样计算,获得星体目标中小目标星体的分块阈值。
其中,采用小目标曝光时间对星体目标进行初始采样计算与上述步骤1中采用预设的曝光时间对星体目标进行初始采样计算的步骤重复,在此不做赘述。
在本实施例中,小目标曝光时间下进行初始采样计算,获得的小目标星体的分块阈值theat在区间[100,200]内。
步骤4.2:将小目标星体的分块阈值传输至FPGA模块中的identify模块中进行坐标计算,提取出星体目标中小目标星体的质点坐标。
如图5所示为提取小目标星体的质点坐标的波形图,当lval行有效信号拉高时,即t1时刻,identify模块开始工作,四个子模块同时进行;当lval行有效信号拉低时,即t2时刻,图像一行数据结束;当image serialin模块给出一个帧结束frame end信号时;即t3时刻,代表一幅图传输完毕,下面进行星点质心的计算;最终会给出一个结束信号(endataout)1,即t4时刻,这样一帧图像处理完毕。
从t3到t4时刻即为星点计算所需的时间,其中每计算一个星点需13个时钟周期,最多有126个星点,由于除法器存在延迟,所以在最后需等待28个周期将所有星点坐标计算完毕,共计13×126+28=1666个时钟周期后计算完毕(采用120M时钟)。
步骤5:基于大目标曝光时间对星体目标进行大目标采样计算,计算出星体目标中大目标星体的边缘坐标。
其中,大目标采样计算包括以下步骤:
步骤5.1:基于大目标曝光时间对星体目标进行初始采样计算,获得星体目标中大目标星体的分块阈值;
其中,采用大目标曝光时间对星体目标进行初始采样计算与上述步骤1中采用预设的曝光时间对星体目标进行初始采样计算的步骤重复,在此不做赘述。
步骤5.2:基于索贝尔(Sobel)算子,对大目标星体的分块阈值进行梯度检测,提取出星体目标中大目标星体的边缘坐标;
在本实施例中,如图6所示,由于图像数据是以流的形式,及从第一行第一个数据开始依次流入FPGA模块。
为了能够得到与Sobel算子相计算的3x3的数据,我们用了3块可以存5120个数据,即一行数据大小的Block RAM作为缓存,同时每个块状随机存储器(Block RAM)输出接3个寄存器,寄存器首尾连接,作为移位寄存器,这样当寄存器灌满数据后,3x3的寄存器输出就是与Sobel算子相计算的3x3的数据,之后3个Block RAM每个时钟周期同时输出数据到寄存器组,这样就形成数据向前推动的形式,每个时钟周期3x3的寄存器输出新的数据,就相当于Sobel算子扫描图片时,扫到的新数据,每当一行数据算完之后,新的一行数据进来会覆盖之前最先存入Block RAM的那行数据,比如说0、1、2行数据分别存在缓冲器(Buffer)0、Buffer1、Buffer2。那么第3行数据进来会存在Buffer0中,这样就可以完成Sobel算子扫描完0、1、2行数据,紧接着扫描1、2、3行数据。
但同时这样寄存器组输出的数据相对前一次,位置发生变化,因为输出的是3、2、1行数据,因此我们设置一个计数器(cnt),cnt从1计到3,新一行数据开始存入时,cnt会加一,我们根据cnt的值调整3个Block RAM的输出的相对位置。
每当判断一个点是边缘点时,输出逻辑(out_valid)标志信号会被拉高,不是边缘点就会拉低该信号,通过这个标志信号可以作为写使能信号以及地址加一信号,这样可以依次把边缘坐标进行保存。
步骤6:分别根据小目标星体的质点坐标和大目标星体的边缘坐标,分别识别出星体目标中的小目标星体和大目标星体,完成识别跟踪。
本发明的工作原理:
基于预设的曝光时间对星体目标进行初始采样计算,获得星体目标中若干个区域的分块阈值;基于星体目标的预设像素尺寸,对若干个区域的分块阈值进行分类处理,分为大目标区域阈值和小目标区域阈值;分别根据大目标区域阈值和小目标区域阈值,分别对预设的曝光时间进行第一次调整和第二次调整,分别获得大目标曝光时间和小目标曝光时间;基于小目标曝光时间对星体目标进行小目标采样计算,计算出星体目标中小目标星体的质点坐标;基于大目标曝光时间对星体目标进行大目标采样计算,计算出星体目标中大目标星体的边缘坐标;分别根据小目标星体的质点坐标和大目标星体的边缘坐标,分别识别出星体目标中的小目标星体和大目标星体,完成识别跟踪。
综上所述,本发明一种同时提取大小目标的识别跟踪方法,解决了传统识别跟踪对小目标识别困难和大小目标无法同时识别跟踪的问题,利用不同曝光时间敏感不同目标,分别采用不同算法,完成了同时对大小目标的识别跟踪,提高了识别跟踪的工作效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种同时提取大小目标的识别跟踪方法,其特征在于,包括以下步骤:
步骤1:基于预设的曝光时间对星体目标进行初始采样计算,获得星体目标中若干个区域的分块阈值;
步骤2:基于星体目标的预设像素尺寸,对所述若干个区域的分块阈值进行分类处理,分为大目标区域阈值和小目标区域阈值;
步骤3:分别根据所述大目标区域阈值和小目标区域阈值,分别对预设的曝光时间进行第一次调整和第二次调整,分别获得大目标曝光时间和小目标曝光时间;
步骤4:基于所述小目标曝光时间对星体目标进行小目标采样计算,计算出星体目标中小目标星体的质点坐标;
步骤5:基于所述大目标曝光时间对星体目标进行大目标采样计算,计算出星体目标中大目标星体的边缘坐标;
步骤6:分别根据所述小目标星体的质点坐标和所述大目标星体的边缘坐标,分别识别出星体目标中的小目标星体和大目标星体,完成识别跟踪。
2.如权利要求1所述的同时提取大小目标的识别跟踪方法,其特征在于,所述初始采样计算包括以下步骤:
步骤1.1:根据预设的曝光时间,对星体目标进行拍摄处理,获得若干个区域的图像数据流;
步骤1.2:将所述若干个区域的图像数据流传输至FPGA模块,进行实时处理,获得星体目标中若干个区域的分块阈值。
3.如权利要求2所述的同时提取大小目标的识别跟踪方法,其特征在于,所述拍摄处理包括以下步骤:
步骤1.1.1:根据预设的曝光时间,对星体目标进行图像拍摄,获得采样图像;
步骤1.1.2:基于所述采样图像的像素大小,将所述采样图像进行分割,分割为若干个区域的采样图像;
步骤1.1.3:对所述若干个区域的采样图像进行数据探测,探测出若干个区域的图像数据流。
4.如权利要求2所述的同时提取大小目标的识别跟踪方法,其特征在于,所述实时处理包括以下步骤:
步骤1.2.1:对每个区域的图像数据流进行信号控制,生成每个区域的图像控制信号;
步骤1.2.2:对每个区域的图像数据流进行坐标计算,生成每个区域的图像数据流中每个像素点的坐标信息;
步骤1.2.3:根据所述每个区域的图像控制信号和所述每个像素点的坐标信息进行阈值计算,获得星体目标中每个区域的分块阈值。
5.如权利要求4所述的同时提取大小目标的识别跟踪方法,其特征在于,所述图像控制信号包括行起始信号、帧起始信号和帧结束信号。
6.如权利要求4所述的同时提取大小目标的识别跟踪方法,其特征在于,所述阈值计算包括以下步骤:
步骤1.2.3.1:将若干个区域的图像数据流中所有区域划分为M行×N列;步骤1.2.3.2:将第i列中的所有像素点的灰度累加求和,获得第i列的灰度和,其中i=0,1,2…N;
步骤1.2.3.3:将第i列的灰度和与第i-1列的灰度和进行求和计算,获得第i列的灰度值,并存储于第i列的RAM中;
步骤1.2.3.4:将所有列的灰度值进行均值比较,获得星体目标中每个区域的分块阈值。
7.如权利要求1所述的同时提取大小目标的识别跟踪方法,其特征在于,所述小目标采样计算包括以下步骤:
步骤4.1:基于所述小目标曝光时间对星体目标进行初始采样计算,获得小目标星体的分块阈值;
步骤4.2:对所述小目标星体的分块阈值进行坐标计算,提取出所述小目标星体的质点坐标。
8.如权利要求1所述的同时提取大小目标的识别跟踪方法,其特征在于,所述大目标采样计算包括以下步骤:
步骤5.1:基于所述大目标曝光时间对星体目标进行初始采样计算,获得大目标星体的分块阈值;
步骤5.2:基于Sobel算子,对所述大目标星体的分块阈值进行梯度检测,提取出所述大目标星体的边缘坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985173.9A CN112097778B (zh) | 2020-09-18 | 2020-09-18 | 一种同时提取大小目标的识别跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985173.9A CN112097778B (zh) | 2020-09-18 | 2020-09-18 | 一种同时提取大小目标的识别跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112097778A CN112097778A (zh) | 2020-12-18 |
CN112097778B true CN112097778B (zh) | 2022-10-18 |
Family
ID=73760515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985173.9A Active CN112097778B (zh) | 2020-09-18 | 2020-09-18 | 一种同时提取大小目标的识别跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112097778B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931044B (zh) * | 2015-06-16 | 2017-12-19 | 上海新跃仪表厂 | 一种星敏感器图像处理方法及系统 |
CN107341760A (zh) * | 2017-06-27 | 2017-11-10 | 北京计算机技术及应用研究所 | 一种基于fpga的低空目标跟踪系统 |
CN108229342B (zh) * | 2017-12-18 | 2021-10-26 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN108896039B (zh) * | 2018-07-20 | 2020-07-31 | 中国科学院长春光学精密机械与物理研究所 | 一种应用于星敏感器的月亮杂光抑制方法 |
CN109740445B (zh) * | 2018-12-13 | 2023-05-23 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN109990902B (zh) * | 2018-12-29 | 2020-02-14 | 华中科技大学 | 一种图谱关联的分谱段估计目标亮温的方法 |
CN109949204B (zh) * | 2019-03-29 | 2023-08-15 | 江苏亿通高科技股份有限公司 | 流水线结构的星点质心提取电路 |
CN110298865B (zh) * | 2019-05-22 | 2023-07-07 | 深空探测科技(北京)有限责任公司 | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 |
-
2020
- 2020-09-18 CN CN202010985173.9A patent/CN112097778B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112097778A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388879B (zh) | 目标的检测方法、装置和存储介质 | |
US20150023559A1 (en) | Image Processing Apparatus and Method | |
KR101348680B1 (ko) | 영상추적기를 위한 표적포착방법 및 이를 이용한 표적포착장치 | |
US20020071595A1 (en) | Image processing apparatus and method | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN110796687A (zh) | 天空背景红外成像多目标跟踪方法 | |
CN112270697B (zh) | 一种结合超分辨率重建的卫星序列影像运动目标检测方法 | |
CN111340845B (zh) | 基于深度视觉传感器的自动跟踪方法、系统、终端以及介质 | |
CN110580481A (zh) | 一种基于epi的光场图像关键位置检测方法 | |
CN111507340B (zh) | 一种基于三维点云数据的目标点云数据提取方法 | |
CN112097778B (zh) | 一种同时提取大小目标的识别跟踪方法 | |
CN106846398B (zh) | 一种基于图像行数据扫描的星空目标最大光强位置的识别方法 | |
CN108428241B (zh) | 高清视频中移动目标的运动轨迹捕获方法 | |
US20230069608A1 (en) | Object Tracking Apparatus and Method | |
CN110687548A (zh) | 一种基于无人船的雷达数据处理系统 | |
CN112528990B (zh) | 一种高动态星敏感器恒星光斑提取方法 | |
CN112509002A (zh) | 一种基于连通域标记的目标检测跟踪方法 | |
JPH07118009B2 (ja) | 実時間連結性アルゴリズムシステム | |
JPH0738226B2 (ja) | 動く物体に用いられる分離方法及び装置 | |
CN103632374B (zh) | 无标记增强现实系统及无标记增强现实系统目标跟踪方法 | |
CN112598624B (zh) | 基于fpga+dsp架构的二值化图像目标检测方法及装置 | |
US11900643B2 (en) | Object detection method and object detection system | |
CN109754437B (zh) | 一种调整图形采样频率的方法 | |
JPH0312788A (ja) | 移動体検出装置 | |
JP2959017B2 (ja) | 円形画像判別方法 |
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 |