CN112629500A - 一种视频流星检测和航迹分析方法 - Google Patents
一种视频流星检测和航迹分析方法 Download PDFInfo
- Publication number
- CN112629500A CN112629500A CN202011621881.0A CN202011621881A CN112629500A CN 112629500 A CN112629500 A CN 112629500A CN 202011621881 A CN202011621881 A CN 202011621881A CN 112629500 A CN112629500 A CN 112629500A
- Authority
- CN
- China
- Prior art keywords
- meteor
- video
- track
- detection
- analysis method
- 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.)
- Pending
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
-
- 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
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
一种视频流星检测和航迹分析方法。是为了解决空间覆盖范围和角度分辨率的角度来看是有益的,但较大的图像尺寸却给处理工作带来了压力,摩尔定律以及采用更大容量的CPU都部分抵消了计算问题,但这在多相机系统中可能会受到限制的问题。本发明包括如下步骤:对流星进行识别;前沿位置的细化;流星检测;使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;大气轨迹估计。本发明用于视频流星检测和航迹分析。
Description
技术领域
本发明涉及一种视频流星检测和航迹分析方法。
背景技术
视频流星检测和航迹分析的处理流程已发展为包含几种新算法,这些算法提高了流星图像处理链中各个步骤的效率和性能。随着更大的像素数字传感器的出现,图像处理技术不仅需要采用高端处理器,而且还需要开发更快的阈值,聚类和跟踪算法以进行检测,以适应计算负荷。
流星成像社区已开始向数百万像素,逐行扫描数字传感器迁移,并且已从每帧像素少于50万的传统模拟相机中迁移出来。尽管这从降低的噪声,图像质量,较高的位深度,空间覆盖范围和角度分辨率的角度来看是有益的,但较大的图像尺寸却给处理工作带来了压力。例如,完整的高清(HD)1080p图像的像素数量大约是NTSC或PAL视频的像素数量的六倍。摩尔定律以及采用更大容量的CPU都部分抵消了计算问题,但这在多相机系统中可能会受到限制,而无需诉诸于高成本的PC系统或定制GPU实施。另外,用于碎片研究和光谱学的跟踪流星的创新流星收集系统的出现要求对这些短暂事件进行实时响应,从而重新检查了整个图像处理链以提高计算效率,同时还保持检测和分析的鲁棒性。
发明内容
为了解决上述现有技术的不足之处,本发明的目的在于提供一种玉米种植成熟前茎尖修整装置,以克服现有技术中的缺陷。
为了实现上述目的,本发明提供了一种视频流星检测和航迹分析方法,该方法包括如下如下步骤:
(1)对流星进行识别;
(2)前沿位置的细化;
一旦检测到流星,就需要根据焦平面坐标中时间的函数对轨道的位置进行测量。这些行和列的测量将在以后转换为惯性坐标,用于轨迹估计。比较简单的测量方法是对帧内流星线段的质心估计,但由于帧采集期间流星强度的变化或流星身后明显的尾迹和长时间的彗尾会产生偏差,一种较好的方法是利用成像系统的点扩散函数来估计流星的前沿位置;
(3)流星检测;
使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;
(4)大气轨迹估计;
粒子群优化器试图将沿辐射方向与直线轨迹解的测量射线角度分离最小化,并最小化测量之间的失准沿着解开的3D轨迹从每个摄像机指向多个点,以优化解的速度部分。
所述的一种视频流星检测和航迹分析方法,所述的步骤(2)的具体过程为:以改进前缘拾取点的估计,在发现流星条纹后,使用粒子群优化器对初始位置和速度状态向量进行扰动,匹配滤波器的最大似然估计被用作公式所示:
MLE=log10{0.5∑[(s-<s>)R-1Tt]2/∑TR-1Tt} (1)
添加一个由投影速度矢量定标的简单加速度项,可以在选择前缘位置时将这两种影响都提高到人类准确性的水平,分别针对焦平面的X列和Y列的坐标,在等式(2)和(3)中给出了运动的数学表达式,其中x0,y0,Vx,Vy和A是五个MF拟合系数,时间t是相对于起始位置(X0,Y0)的时间,并是V1/4sqrt(Vx**Vy)。
X=X0+Vxt+(Vx/V)At2/2 (2)
Y=Y0+Vyt+(Vy/V)At2/2 (3)
生成利用二维高斯点扩展函数估计值,该估计值与整个焦平面上的MF线段运动假设进行卷积,并考虑了流星轨迹从一帧到下一帧的强度变化,假设一个固定的强度模型帧内,该帧以EMCCD系统使用的每秒17帧的视频速率捕获大多数流星的光曲线特征,并且仅与帧期间极端流星爆发的情况不匹配,在那些极少数情况下,帧期间的平均强度必须足够,否则将需要引入帧内扩口模型,从而增加匹配过滤器配件的尺寸。
所述的一种视频流星检测和航迹分析方法,所述的步骤(3)的具体过程为:使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;由用户指定约束,其典型值是轨道交叉角的最大值为3度,轨道之间的偏移量为0.5km,这类似于人工审阅者在视觉上筛选良好轨迹的方式,以寻找高度重叠的投影测量图,这些测量图在纬度/经度和高度/下限范围内进行编码,并为每个电台的轨道进行颜色编码,执行最终测试以确保开始高度低于结束高度,在非常罕见的掠食者流星的情况下可以放松。
所述的一种视频流星检测和航迹分析方法,所述的步骤(4)的具体过程为:采用动态自适应改变惯性权重的策略:
式(3)-式(5)中为第i个粒子在第k次迭代对应的目标函数值,为最优粒子在第k次迭代时对应的目标函数值,计算ak指标是用来判断目标函数在第k次迭代的平整度,每次迭代时ak指标都所得的目标函数值进行变化,使惯性权重w变成随搜索位置改变而动态改变的wk。
所述的一种视频流星检测和航迹分析方法,所述的步骤(1)所采用的摄像机为以电子倍增电荷耦合装置作为摄像机,将经过训练的CNN在摄入的视频图像上作为上游的流星探测器,使用匹配滤波或模板匹配,EMCCD处理管道采用上游检测器。
本发明的有益效果:
1、本发明用了以流星轨迹为中心的小图像芯片在maxpixel上进行了训练和测试,因为上游检测器会在较大的视场中提示流星的位置,并且重要特征可以在空间上定位。CNN提取了20,000个流星和错误警报以进行后期训练独立测试,对使用上游群集/跟踪器探测器的事后CAMS时空图像,召回率达到了99.94%。
2、本发明采用循环和卷积深度神经网络的机器学习方法已经帮助消除了许多流星收集处理流中固有的“人在回路虚假警报缓解”步骤。匹配滤波算法的应用有助于改进传播流星轨道的测量位置精度,以进行后检测分析。改进的多站点轨道聚合的使用极大地减少了在组合成单个轨道的过程中不相关的不相关轨道的发生。当在轨迹估计的多参数拟合方法中结合改进的最小化度量时,这会产生更好的流星轨道解。最后,在使用卷积神经网络作为流星探测器并通过基于经验的传播模型执行轨迹拟合方面提出的概念表明,在不久的将来有望实现更强大的流星图像处理和分析。
附图说明
图1为本发明快速整数索引算法将超出像素的簇累积到NxN个单元中示意图;
图2为估计轨迹的偏心率和地心速度的轨道参数图;
图3为摄像机拍摄的流星轨迹图;
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例附以附图详细说明如下,本附图所说明的实施例仅用于说明本发明的技术方案,并非限定本发明。
具体实施方式一、本实施方式所述的一种视频流星检测和航迹分析方法,该方法包括如下如下步骤:
(1)对流星进行识别;
(2)前沿位置的细化;
一旦检测到流星,就需要根据焦平面坐标中时间(帧数)的函数对轨道的位置进行测量,这些行和列的测量将在以后转换为惯性坐标,用于轨迹估计。比较简单的测量方法是对帧内流星线段的质心估计,但由于帧采集期间流星强度的变化或流星身后明显的尾迹和长时间的彗尾会产生偏差,一种较好的方法是利用成像系统的点扩散函数来估计流星的前沿位置;
(3)流星检测;
使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;
(4)大气轨迹估计;
粒子群优化器试图将沿辐射方向与直线轨迹解的测量射线角度分离最小化,并最小化测量之间的失准沿着解开的3D轨迹从每个摄像机指向多个点,以优化解的速度部分。
具体实施方式二、本实施方式是对具体实施方式一所述的一种视频流星检测和航迹分析方法的进一步说明,所述的步骤(2)的具体过程为:以改进前缘拾取点的估计,在发现流星条纹后,使用粒子群优化器对初始位置和速度状态向量进行扰动,匹配滤波器的最大似然估计被用作公式所示:
MLE=log10{0.5∑[(s-<s>)R-1Tt]2/∑TR-1Tt} (1)
添加一个由投影速度矢量定标的简单加速度项,可以在选择前缘位置时将这两种影响都提高到人类准确性的水平,分别针对焦平面的X列和Y列的坐标,在等式(2)和(3)中给出了运动的数学表达式,其中x0,y0,Vx,Vy和A是五个MF拟合系数,时间t是相对于起始位置(X0,Y0)的时间,并是V1/4sqrt(Vx**Vy)。
X=X0+Vxt+(Vx/V)At2/2 (2)
Y=Y0+Vyt+(Vy/V)At2/2 (3)
生成利用二维高斯点扩展函数估计值,该估计值与整个焦平面上的MF线段运动假设进行卷积,并考虑了流星轨迹从一帧到下一帧的强度变化,假设一个固定的强度模型帧内,该帧以EMCCD系统使用的每秒17帧的视频速率捕获大多数流星的光曲线特征,并且仅与帧期间极端流星爆发的情况不匹配,在那些极少数情况下,帧期间的平均强度必须足够,否则将需要引入帧内扩口模型,从而增加匹配过滤器配件的尺寸。
具体实施方式三、本实施方式是对具体实施方式一所述的一种视频流星检测和航迹分析方法的进一步说明,所述的步骤(3)的具体过程为:使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;由用户指定约束,其典型值是轨道交叉角的最大值为3度,轨道之间的偏移量为0.5km,这类似于人工审阅者在视觉上筛选良好轨迹的方式,以寻找高度重叠的投影测量图,这些测量图在纬度/经度和高度/下限范围内进行编码,并为每个电台的轨道进行颜色编码,执行最终测试以确保开始高度低于结束高度。在非常罕见的掠食者流星的情况下可以放松。
具体实施方式四、本实施方式是对具体实施方式一所述的一种视频流星检测和航迹分析方法的进一步说明,所述的步骤(4)的具体过程为:采用动态自适应改变惯性权重的策略:
式(3)-式(5)中为第i个粒子在第k次迭代对应的目标函数值,为最优粒子在第k次迭代时对应的目标函数值,计算ak指标是用来判断目标函数在第k次迭代的平整度,每次迭代时ak指标都所得的目标函数值进行变化,使惯性权重w变成随搜索位置改变而动态改变的wk。
具体实施方式五、本实施方式是对具体实施方式一所述的一种视频流星检测和航迹分析方法的进一步说明,所述的步骤(1)所采用的摄像机为以电子倍增电荷耦合装置作为摄像机,将经过训练的CNN在摄入的视频图像上作为上游的流星探测器,使用匹配滤波或模板匹配,EMCCD处理管道采用上游检测器。
需要声明的是,上述发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内,当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。
Claims (5)
1.一种视频流星检测和航迹分析方法,其特征在于,该方法包括如下如下步骤:
(1)对流星进行识别;
(2)前沿位置的细化;
一旦检测到流星,就需要根据焦平面坐标中时间的函数对轨道的位置进行测量。这些行和列的测量将在以后转换为惯性坐标,用于轨迹估计,比较简单的测量方法是对帧内流星线段的质心估计,但由于帧采集期间流星强度的变化或流星身后明显的尾迹和长时间的彗尾会产生偏差,一种较好的方法是利用成像系统的点扩散函数来估计流星的前沿位置;
(3)流星检测;
使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;
(4)大气轨迹估计;
粒子群优化器试图将沿辐射方向与直线轨迹解的测量射线角度分离最小化,并最小化测量之间的失准沿着解开的3D轨迹从每个摄像机指向多个点,以优化解的速度部分。
2.如权利要求1所述的一种视频流星检测和航迹分析方法,其特征在于,所述的步骤(2)的具体过程为:以改进前缘拾取点的估计,在发现流星条纹后,使用粒子群优化器对初始位置和速度状态向量进行扰动,匹配滤波器的最大似然估计被用作公式所示:
MLE=log10{0.5∑[(s-<s>)R-1Tt]2/∑TR-1Tt} (1)
添加一个由投影速度矢量定标的简单加速度项,可以在选择前缘位置时将这两种影响都提高到人类准确性的水平,分别针对焦平面的X列和Y列的坐标,在等式(2)和(3)中给出了运动的数学表达式,其中x0,y0,Vx,Vy和A是五个MF拟合系数,时间t是相对于起始位置(X0,Y0)的时间,并是
X=X0+Vxt+(Vx/V)At2/2 (2)
Y=Y0+Vyt+(Vy/V)At2/2 (3)
生成利用二维高斯点扩展函数估计值,该估计值与整个焦平面上的MF线段运动假设进行卷积,并考虑了流星轨迹从一帧到下一帧的强度变化,假设一个固定的强度模型帧内,该帧以EMCCD系统使用的每秒17帧的视频速率捕获大多数流星的光曲线特征,并且仅与帧期间极端流星爆发的情况不匹配,在那些极少数情况下,帧期间的平均强度必须足够,否则将需要引入帧内扩口模型,从而增加匹配过滤器配件的尺寸。
3.如权利要求2所述的一种视频流星检测和航迹分析方法,其特征在于,所述的步骤(3)的具体过程为:使用恒定或指数动态速度模型,计算集合中剩余聚合轨迹的轨迹解,在给定单个轨迹解决方案的情况下,通过在所有投影轨道之间执行三维共对准和共线性测试,使分析人员复查步骤自动化,从而消除HIL;由用户指定约束,其典型值是轨道交叉角的最大值为3度,轨道之间的偏移量为0.5km,这类似于人工审阅者在视觉上筛选良好轨迹的方式,以寻找高度重叠的投影测量图,这些测量图在纬度/经度和高度/下限范围内进行编码,并为每个电台的轨道进行颜色编码,执行最终测试以确保开始高度低于结束高度,在非常罕见的掠食者流星的情况下可以放松。
5.如权利要求4所述的一种视频流星检测和航迹分析方法,其特征在于,所述的步骤(1)所采用的摄像机为以电子倍增电荷耦合装置作为摄像机,将经过训练的CNN在摄入的视频图像上作为上游的流星探测器,使用匹配滤波或模板匹配,EMCCD处理管道采用上游检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621881.0A CN112629500A (zh) | 2020-12-30 | 2020-12-30 | 一种视频流星检测和航迹分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621881.0A CN112629500A (zh) | 2020-12-30 | 2020-12-30 | 一种视频流星检测和航迹分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112629500A true CN112629500A (zh) | 2021-04-09 |
Family
ID=75287364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011621881.0A Pending CN112629500A (zh) | 2020-12-30 | 2020-12-30 | 一种视频流星检测和航迹分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112629500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113091905A (zh) * | 2021-04-12 | 2021-07-09 | 中国科学院地质与地球物理研究所 | 高分辨率流星光谱观测仪 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3927324A (en) * | 1974-08-30 | 1975-12-16 | Nasa | Micrometeoroid velocity and trajectory analyzer |
RU2010126401A (ru) * | 2010-06-28 | 2012-01-10 | Юрий Сергеевич Иванченко (RU) | Способ увеличения скорости передачи данных в пакетной сети метеорной связи |
CN113096122A (zh) * | 2021-05-06 | 2021-07-09 | 中国科学院地质与地球物理研究所 | 流星检测方法、装置及电子设备 |
-
2020
- 2020-12-30 CN CN202011621881.0A patent/CN112629500A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3927324A (en) * | 1974-08-30 | 1975-12-16 | Nasa | Micrometeoroid velocity and trajectory analyzer |
RU2010126401A (ru) * | 2010-06-28 | 2012-01-10 | Юрий Сергеевич Иванченко (RU) | Способ увеличения скорости передачи данных в пакетной сети метеорной связи |
CN113096122A (zh) * | 2021-05-06 | 2021-07-09 | 中国科学院地质与地球物理研究所 | 流星检测方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
PETER S.GURAL ET AL.: "Advances in the meteor image processing chain using fast algorithms, deep learning, and empirical fitting", 《PLANETARY AND SPACE SCIENCE》 * |
杨朝霞 等: "粒子群优化算法在多参数拟合中的应用", 《浙江师范大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113091905A (zh) * | 2021-04-12 | 2021-07-09 | 中国科学院地质与地球物理研究所 | 高分辨率流星光谱观测仪 |
CN113091905B (zh) * | 2021-04-12 | 2021-08-20 | 中国科学院地质与地球物理研究所 | 高分辨率流星光谱观测仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769480B2 (en) | Object detection method and system | |
CN109272530B (zh) | 面向空基监视场景的目标跟踪方法与装置 | |
CN111931752B (zh) | 一种基于事件相机的动态目标检测方法 | |
US9213902B2 (en) | Method of estimating optical flow on the basis of an asynchronous light sensor | |
US20190197715A1 (en) | Simultaneous localization and mapping with an event camera | |
US10348985B2 (en) | Turbulence-free camera system and related method of image enhancement | |
Zheng et al. | Deep learning for event-based vision: A comprehensive survey and benchmarks | |
CN104408725A (zh) | 一种基于tld优化算法的目标重捕获系统及方法 | |
KR101348680B1 (ko) | 영상추적기를 위한 표적포착방법 및 이를 이용한 표적포착장치 | |
CN106056624A (zh) | 无人机高清图像小目标检测与跟踪系统及其检测跟踪方法 | |
US11501536B2 (en) | Image processing method, an image processing apparatus, and a surveillance system | |
CN110827321B (zh) | 一种基于三维信息的多相机协同的主动目标跟踪方法 | |
US20220329771A1 (en) | Method of pixel-by-pixel registration of an event camera to a frame camera | |
CN110617802A (zh) | 一种星载动目标检测及速度估计方法 | |
Schraml et al. | An event-driven stereo system for real-time 3-D 360 panoramic vision | |
CN110992393B (zh) | 一种基于视觉的目标运动跟踪方法 | |
CN110532853B (zh) | 遥感超时相数据的分类方法及装置 | |
CN112629500A (zh) | 一种视频流星检测和航迹分析方法 | |
CN103870847A (zh) | 一种低照度环境下对地监控的运动目标检测方法 | |
Zuo et al. | Accurate depth estimation from a hybrid event-RGB stereo setup | |
WO2021134642A1 (zh) | 图像处理方法、装置及存储介质 | |
CN112595312B (zh) | 一种大视场星敏感器伪星目标滤除方法及系统 | |
CN112378409B (zh) | 动态环境下基于几何与运动约束的机器人rgb-d slam方法 | |
CN107087120B (zh) | 一种用于同步多ccd摄像机的方法和系统 | |
CN115598744A (zh) | 一种基于微透镜阵列的高维光场事件相机及提取方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |
|
WD01 | Invention patent application deemed withdrawn after publication |