CN112556655B - 一种林业防火单目定位方法及系统 - Google Patents
一种林业防火单目定位方法及系统 Download PDFInfo
- Publication number
- CN112556655B CN112556655B CN202011429715.0A CN202011429715A CN112556655B CN 112556655 B CN112556655 B CN 112556655B CN 202011429715 A CN202011429715 A CN 202011429715A CN 112556655 B CN112556655 B CN 112556655B
- Authority
- CN
- China
- Prior art keywords
- image
- clan
- fire
- problem area
- optimal
- 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
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Abstract
本发明公开一种林业防火单目定位方法及系统,所述方法包括:获取监测设备的三维坐标和监测区域的地形数据;通过检测设备获取包含问题区域的图像并进行预处理;采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位。本发明可准确分割出问题区域及其边界,确定报警点,采用单目定位技术求解光线方程和地形方程的交点,从而提高识别的准确率和实际火源三维定位精度。
Description
技术领域
本发明涉及单目定位技术领域,具体涉及一种林业防火单目定位方法及系统。
背景技术
随着造林事业的不断发展,林地面积、林木蓄积量逐年增加,森林防火工作是首要任务。森林火灾具有发生偶然性大、火灾危险性强、作业范围广、防控难度大等特点,随着社会的不断进步,科技不断发展,森林防火的科技含量需求也不断提高,基于图像视觉的林业防火检测和定位技术为森林防火工作提供了便利。
目前在各种场景通过摄像头设备定位大多数都采用双目定位,但摄像头的可视范围有限,而且还必须人工测量计算出两个摄像头之间的位置,成本较高。基于云台的林业防火定位技术可以实现一定程度的火灾定位,但仍存在定位精度不高、误差较大等问题。尤其是野外环境中,各种影响因素较多,基于视觉的火源定位过程中若图像分割不准确,则无法准确的在图像中确定问题区域或问题区域边界,造成火灾识别的准确度以及实际三维定位的误差较大。
发明内容
有鉴于此,本发明提出了一种林业防火单目定位方法及系统,用于解决基于视觉的单目定位中因图像分割精度不高造成的定位误差较大的问题。
本发明第一方面,公开一种林业防火单目定位方法,所述方法包括:
获取监测设备的三维坐标和监测区域的地形数据;
通过检测设备获取包含问题区域的图像并进行预处理;
采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位。
优选的,所述监测设备为单目云台摄像机。
优选的,采用改进的象群优化算法计算所述图像的最优分割阈值具体包括:
获取图像的灰度级范围,设定阈值个数K,设置种群规模N、迭代次数T,在图像的灰度级范围内随机初始化种群,将种群随机分为多个氏族;
通过适应度函数计算各个个体的适应度值,得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置;
根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新;
重新计算各个个体的适应度值,对各个氏族中适应度最差的个体进行氏族分离,并适应度最差的个体进行位置更新;
判断是否达到收敛条件,若是,输出当前最优位置作为最优分割阈值组合;若否,删除氏族分离之后种群中适应度最差的个体,重新进行适应度计算、氏族更新和氏族分离,直至达到收敛条件,输出当前最优位置作为最优分割阈值组合。
优选的,所述根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新具体包括:
根据氏族中最优个体位置更新其他个体位置:
根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置:
优选的,对各个氏族中适应度最差的进行氏族分离时,基于莱维飞行策略进行位置更新:
其中,L2、L1分别为图像灰度范围的上边界和下边界,α为步长,⊕为点对点乘法,Levy(β)表示参数为β的莱维分布:
其中,Γ为标准的gamma函数,u、v均服从正态分布。
优选的,对于图像灰度范围[L1、L2],K个阈值将图像划分成K+1类,所述适应度函数的目标为图像背景和多个目标之间的类间方差最大,计算公式为:
μT为整个图像的灰度平均值,μk为第k个类的灰度平均值,ωk为第k类灰度可能出现的概率。
优选的,对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位具体包括:
设监测设备的空间位置为(x0,y0,z0),成像分辨率为(w,h),设备当前张角为z;当火灾报警时,设备方位角为(azimuth,pitching),根据问题区域确定报警点,报警点的像素座标为(px,py);
由于成像后每个像素为方形,简化计算得到报警位置相对于云台的方位角(a,p),其中,
光线方程为:
计算所述光线方程与所述地形数据的交点,即得到火源三维位置坐标。
优选的,所述报警点的像素座标为判定发生火灾的问题区域的像素中心点或问题区域的边缘像素点;
当判定发生火灾的问题区域内像素点总数小于设定阈值时,取问题区域的像素中心点作为报警点,根据所述报警点计算火源三维位置坐标,得到火源中心位置;
当判定发生火灾的问题区域内像素点总数大于等于设定阈值时,提取问题区域的边缘像素点,分别将边缘像素点作为报警点,分别计算各个边缘像素点对应的三维位置坐标,将各个边缘像素点对应的三维位置坐标连接成的闭环区域作为火灾蔓延区域。
本发明第二方面,公开一种林业防火单目定位系统,所述系统包括:
数据获取模块:获取监测设备的三维坐标和监测区域的地形数据;通过监测设备获取包含问题区域的图像并进行预处理;
图像分割模块:采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
火灾判别模块:提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
火源定位模块:对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位或火灾蔓延区域监测。
本发明相对于现有技术具有以下有益效果:
1)本发明采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域,可准确分割出问题区域及其边界,确定报警点,从而提高识别的准确率和实际火源三维定位精度。
2)本发明利用监测设备位置和问题点成像的像素坐标,求解出从报警位置到监测设备的光线方程,结合已知地形方程数据,求解光线方程和地形方程的交点,该交点坐标即为问题的三维空间坐标,本发明基于单目定位技术,在确定报警点后可快速计算出报警点的实际三维位置,可方便扩展单目定位技术的应用场景、扩大可定位范围,定位更精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的林业防火单目定位方法流程示意图;
图2为本发明的林业防火单目定位方法中火点成像的示意图;
图3为本发明林业防火单目定位系统结构示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明公开一种林业防火单目定位方法,所述方法包括:
获取监测设备的三维坐标和监测区域的地形数据;
S1、获取监测设备的三维坐标和监测区域的地形数据;
所述监测设备为安装于特定位置的单目云台摄像机。
S2、通过监测设备获取包含问题区域的图像并进行预处理;
S3、采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
具体的,所述采用改进的象群优化算法计算所述图像的最优分割阈值具体包括:
S31、获取图像的灰度级范围,设定阈值个数K,阈值个数K即为种群中各个个体的维度,设置种群规模N、迭代次数T,在图像的灰度级范围内随机初始化种群,将种群随机分为多个氏族;
S32、通过适应度函数计算各个个体的适应度值,得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置;
对于图像灰度范围[L1、L2],K个阈值将图像划分成K+1类,所述适应度函数的目标为图像背景和多个阈值分割类别之间的类间方差最大,计算公式为:
μT为整个图像的灰度平均值,μk为第k类的灰度平均值,ωk为第k类灰度可能出现的概率。
S33、根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新,具体包括:
根据氏族中最优个体位置更新氏族中其他个体位置:
所述其他个体为某一氏族中除最优个体外的其他个体,其中ci表示种群中第i个氏族,分别表示第t次、第t+1次迭代时氏族ci中第j个个体位置,为第t次迭代时氏族ci中最优个体位置,α∈[0,1],γ∈[0,1];
根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置:
S34、重新计算各个个体的适应度值,对各个氏族中适应度最差的个体进行氏族分离,并适应度最差的个体进行位置更新;氏族分离时,可基于莱维飞行策略进行位置更新:
其中,L2、L1分别为图像灰度范围的上边界和下边界,α为步长,⊕为点对点乘法,Levy(β)表示参数为β的莱维分布:
其中,Γ为标准的gamma函数,u、v均服从正态分布。
S35判断是否达到收敛条件,若是,输出当前最优位置作为最优分割阈值组合;若否,删除氏族分离之后种群中适应度最差的个体,返回步骤S32,重新进行适应度计算、氏族更新和氏族分离,直至达到收敛条件,输出当前最优位置作为最优分割阈值组合。
S4、提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
本发明采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域,可准确分割出问题区域及其边界,确定报警点,从而提高识别的准确率和实际火源三维定位精度。S5、对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位。
设云台设备的空间位置为(x0,y0,z0),成像分辨率为(w,h),设备当前张角为z;当火灾报警时,设设备方位角为(azimuth,pitching),根据问题区域确定报警点,报警点的像素座标为(px,py);
由于成像后每个像素为方形,简化计算得到报警位置相对于云台的方位角(a,p),其中,
请参阅图2的火点成像示意图,设Δ为实际起火点,其在云台摄像机上的成像点为P,O点为摄像机镜头中心点,计算从P点开始的一条空间射线,根据成像原理,该射线与地形数据的交点即为实际起火点的三维位置。
根据上述公式计算火点相对于云台的方位角(a,p),a的计算原理:设备距离火点的焦距目前是未知的,假设已成像一张图,那么图的中心位置w/2,通过成像图的中心点去反算。因为成像图是像素所以都是方格的,要去计算云台偏移多少角度能到火点的像素位置px-w/2,同样的原理我们知道火点相对设备的张角像素值z/2,根据已知的这些条件可计算得到设备中心点O发出的射线和成像点P发出的射线之间夹角,即图2中θ的角度。
在x平面上,θ=arctg((px-(w/2))/((h/2)/tg(z/2))),计算得到火点相对于云台设备的方位:
a=azimuth+arctg((px-(w/2))/((h/2)/tg(z/2)))
p的计算同理,p=pitching+arctg((py-(h/2))/((h/2)/tg(z/2)))。
根据云台位置与方位角a、p确定所述空间射线的光线方程,光线方程为:
计算所述光线方程与所述地形数据的交点,即得到火源三维位置坐标。
本发明利用监测设备位置和问题点成像的像素坐标,求解出从报警位置到监测设备的光线方程,结合已知地形方程数据,求解光线方程和地形方程的交点,该交点坐标即为问题的三维空间坐标,本发明基于单目定位技术,在确定报警点后可快速计算出报警点的实际三维位置,可方便扩展单目定位技术的应用场景、扩大可定位范围,定位更精准。
本发明根据问题区域确定报警点,所述报警点的像素座标为判定发生火灾的问题区域的像素中心点或问题区域的边缘像素点;
当判定发生火灾的问题区域内像素点总数小于设定阈值时,取问题区域的像素中心点作为报警点,根据所述报警点计算火源三维位置坐标,得到火源中心位置;
当判定发生火灾的问题区域内像素点总数大于等于设定阈值时,提取问题区域的边缘像素点,分别将边缘像素点作为报警点,分别计算各个边缘像素点对应的三维位置坐标,将各个边缘像素点对应的三维位置坐标连接成的闭环区域作为火灾蔓延区域。
请参阅图3,与所述方法实施例相对应,本发明还提出一种林业防火单目定位系统,所述系统包括:
数据获取模块:获取监测设备的三维坐标和监测区域的地形数据;通过监测设备获取包含问题区域的图像并进行预处理;
图像分割模块:采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
火灾判别模块:提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
火源定位模块:对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位或火灾蔓延区域监测。
以上方法实施例和系统实施例是相对应的,系统实施例简述之处请参阅方法实施例。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种林业防火单目定位方法,其特征在于,所述方法包括:
获取监测设备的三维坐标和监测区域的地形数据;
通过监测设备获取包含问题区域的图像并进行预处理;
采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位,具体包括:
设监测设备的三维坐标为(x0,y0,z0),成像分辨率为(w,h),设备当前张角为z;当火灾报警时,设设备方位角为(azimuth,pitching),根据问题区域确定报警点,报警点的像素座标为(px,py);
由于成像后每个像素为方形,简化计算得到报警位置相对于云台的方位角(a,p),其中,
根据云台位置与方位角a、p确定光线方程,光线方程为:
计算所述光线方程与所述地形数据的交点,即得到火源三维位置坐标。
2.根据权利要求1所述林业防火单目定位方法,其特征在于,所述监测设备为单目云台摄像机。
3.根据权利要求1所述林业防火单目定位方法,其特征在于,采用改进的象群优化算法计算所述图像的最优分割阈值具体包括:
获取图像的灰度级范围,设定阈值个数K,设置种群规模N、迭代次数T,在图像的灰度级范围内随机初始化种群,将种群随机分为多个氏族;
通过适应度函数计算各个个体的适应度值,得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置;
根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新;
重新计算各个个体的适应度值,对各个氏族中适应度最差的个体进行氏族分离,并适应度最差的个体进行位置更新;
判断是否达到收敛条件,若是,输出当前最优位置作为最优分割阈值组合;若否,删除氏族分离之后种群中适应度最差的个体,重新进行适应度计算、氏族更新和氏族分离,直至达到收敛条件,输出当前最优位置作为最优分割阈值组合。
7.根据权利要求6所述林业防火单目定位方法,其特征在于,所述报警点的像素座标为判定发生火灾的问题区域的像素中心点或问题区域的边缘像素点;
当判定发生火灾的问题区域内像素点总数小于设定阈值时,取问题区域的像素中心点作为报警点,根据所述报警点计算火源三维位置坐标,得到火源中心位置;
当判定发生火灾的问题区域内像素点总数大于等于设定阈值时,提取问题区域的边缘像素点,分别将边缘像素点作为报警点,分别计算各个边缘像素点对应的三维位置坐标,将各个边缘像素点对应的三维位置坐标连接成的闭环区域作为火灾蔓延区域。
8.一种林业防火单目定位系统,其特征在于,所述系统包括:
数据获取模块:获取监测设备的三维坐标和监测区域的地形数据;通过监测设备获取包含问题区域的图像并进行预处理;
图像分割模块:采用改进的象群优化算法计算所述图像的最优分割阈值,通过所述最优分割阈值对所述图像进行多阈值分割,提取图像中的问题区域;
火灾判别模块:提取问题区域的特征参数,进行火焰识别,判断是否发生火灾;
火源定位模块:对发生火灾的问题区域,结合监测设备的三维坐标和监测区域的地形数据进行火源定位或火灾蔓延区域监测,具体用于:
设监测设备的三维坐标为(x0,y0,z0),成像分辨率为(w,h),设备当前张角为z;当火灾报警时,设设备方位角为(azimuth,pitching),根据问题区域确定报警点,报警点的像素座标为(px,py);
由于成像后每个像素为方形,简化计算得到报警位置相对于云台的方位角(a,p),其中,
根据云台位置与方位角a、p确定光线方程,光线方程为:
计算所述光线方程与所述地形数据的交点,即得到火源三维位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429715.0A CN112556655B (zh) | 2020-12-09 | 2020-12-09 | 一种林业防火单目定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429715.0A CN112556655B (zh) | 2020-12-09 | 2020-12-09 | 一种林业防火单目定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112556655A CN112556655A (zh) | 2021-03-26 |
CN112556655B true CN112556655B (zh) | 2022-04-26 |
Family
ID=75060800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011429715.0A Active CN112556655B (zh) | 2020-12-09 | 2020-12-09 | 一种林业防火单目定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112556655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112588621B (zh) * | 2020-11-30 | 2022-02-08 | 山东农业大学 | 一种基于视觉伺服的农产品分拣方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03163700A (ja) * | 1989-11-22 | 1991-07-15 | Nohmi Bosai Ltd | 火災発生位置検出装置 |
CN103285548A (zh) * | 2013-05-16 | 2013-09-11 | 福州大学 | 利用单目摄像机定位地面火灾的方法及装置 |
EP3309762A1 (en) * | 2015-09-28 | 2018-04-18 | Dongguan Frontier Technology Institute | Fire disaster monitoring method and apparatus |
CN108876856A (zh) * | 2018-06-29 | 2018-11-23 | 北京航空航天大学 | 一种大型建筑火灾火源识别定位方法及系统 |
CN109377703A (zh) * | 2018-12-06 | 2019-02-22 | 河池学院 | 一种基于机器视觉的森林防火预警系统及其方法 |
CN109490899A (zh) * | 2018-11-12 | 2019-03-19 | 广西交通科学研究院有限公司 | 一种基于激光雷达和红外热成像仪的隧道内火源定位方法 |
-
2020
- 2020-12-09 CN CN202011429715.0A patent/CN112556655B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03163700A (ja) * | 1989-11-22 | 1991-07-15 | Nohmi Bosai Ltd | 火災発生位置検出装置 |
CN103285548A (zh) * | 2013-05-16 | 2013-09-11 | 福州大学 | 利用单目摄像机定位地面火灾的方法及装置 |
EP3309762A1 (en) * | 2015-09-28 | 2018-04-18 | Dongguan Frontier Technology Institute | Fire disaster monitoring method and apparatus |
CN108876856A (zh) * | 2018-06-29 | 2018-11-23 | 北京航空航天大学 | 一种大型建筑火灾火源识别定位方法及系统 |
CN109490899A (zh) * | 2018-11-12 | 2019-03-19 | 广西交通科学研究院有限公司 | 一种基于激光雷达和红外热成像仪的隧道内火源定位方法 |
CN109377703A (zh) * | 2018-12-06 | 2019-02-22 | 河池学院 | 一种基于机器视觉的森林防火预警系统及其方法 |
Non-Patent Citations (1)
Title |
---|
基于多机制混合象群算法的混沌系统参数估计;张子建等;《微电子学与计算机》;20200630;40-45段 * |
Also Published As
Publication number | Publication date |
---|---|
CN112556655A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678689B (zh) | 高精地图数据配准关系确定方法及装置 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN106683070A (zh) | 基于深度相机的身高测量方法及装置 | |
CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
CN108731587A (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
CN111144207B (zh) | 一种基于多模态信息感知的人体检测和跟踪方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN106650701A (zh) | 基于双目视觉的室内阴影环境下障碍物检测方法及装置 | |
CN109063532A (zh) | 一种基于无人机的野外失联人员搜寻方法 | |
CN113221648A (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
CN112556655B (zh) | 一种林业防火单目定位方法及系统 | |
CN110727817B (zh) | 基于t-CNN的三维模型检索方法、终端设备及存储介质 | |
CN116030519A (zh) | 一种直播教学平台的学习注意力检测与评估方法 | |
CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
US10713527B2 (en) | Optics based multi-dimensional target and multiple object detection and tracking method | |
US20230296405A1 (en) | Method and system of detecting obstacle elements with a visual aid device | |
CN112699748B (zh) | 基于yolo及rgb图像的人车距离估计方法 | |
CN108388854A (zh) | 一种基于改进fast-surf算法的定位方法 | |
Ehinger et al. | Local depth edge detection in humans and deep neural networks | |
CN116430879A (zh) | 基于合作目标的无人机精准引导降落方法及系统 | |
CN112598738B (zh) | 一种基于深度学习的人物定位方法 | |
CN115205714A (zh) | 一种火点定位方法、装置、电子设备及存储介质 | |
CN104599283A (zh) | 一种基于深度差恢复相机高度的图像深度改进方法 |
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 |