CN113449668A - 一种飞行装置的靶标角度识别方法、装置 - Google Patents
一种飞行装置的靶标角度识别方法、装置 Download PDFInfo
- Publication number
- CN113449668A CN113449668A CN202110772876.8A CN202110772876A CN113449668A CN 113449668 A CN113449668 A CN 113449668A CN 202110772876 A CN202110772876 A CN 202110772876A CN 113449668 A CN113449668 A CN 113449668A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- standard
- angle
- saturation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本申请涉及一种飞行装置的靶标角度识别方法、装置。所述方法包括:采集的场景检测图像;将所述场景检测图像进行色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;根据色调、饱和度和亮度是否符合预定的条件,从而确定对应模式的标准靶标图像;根据所述标准靶标图像旋转预设角度获得多张标准模板图像;根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配计算单应矩阵,分解获得旋转矩阵,计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;对所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。采用本方法能够提高靶标角度计算的精确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种飞行装置的靶标角度识别方法、装置、计算机设备和存储介质。
背景技术
近年来,无人机行业发展迅速,无人机在航拍、救灾、物流配送等领域发挥着重要作用,与此同时,随着城市空中无人运输的逐渐放开,包含无人机、无人站、云平台等在内的自动配送网络应运而生。在提高配送效率的同时,也对无人机安全起降提出了更高要求,例如,无人站的出现,要求无人机降落更加精细化。无人机自主起降技术是提高飞机自主飞行安全性和工作效率的关键技术之一,并受到了广泛关注。其中,靶标角度识别作为飞机降落过程中指导飞机基于无人站进行姿态调整的一种技术手段,对飞机安全降落有着重要意义。
现有的无人机降落方式主要有:第一,基于RTK地面站的降落技术,通过RTK基站给无人机机场发送自身在大地坐标系下的精确位置;第二,基于图像处理的技术,使用无人机机载图像识别地面目标降落点,获得目标降落点与无人机的相对位置。其中,图像处理的视觉降落技术作为更灵活、更经济的方式给自主安全降落提供了广阔的市场前景,降落过程中的角度检测(姿态调整)作为无人机安全降落和关键技术之一,也受到广泛关注。
现有对能够适用自定义图案的靶标进行位置检测和角度识别。然而,现有的对靶标角度进行识别的方法,无法根据周围的环境变化,实时调整与模板图像的匹配数据,以至最终靶标角度的识别精度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高靶标角度识别精确度的一种飞行装置的靶标角度识别方法、装置。
一种飞行装置的靶标角度识别方法,所述方法包括:
获取飞行装置在预设高度范围内采集的场景检测图像;
将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
在其中一个实施例中,将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像,包括:将场景检测图像imgM,通过opencv算法进行处理,获得色调通道图像、饱和度通道图像和亮度通道图像。
在其中一个实施例中,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算亮度通道图像的亮度平均值,并判断亮度平均值是否大于或等于亮度阈值;如果亮度平均值大于或等于亮度阈值,则确定场景检测图像对应白天模式的标准靶标图像;如果亮度平均值小于亮度阈值,则确定场景检测图像对应黑夜模式的标准靶标图像。
在其中一个实施例中,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算饱和度通道图像的饱和度平均值,并判断饱和度平均值是否大于或等于饱和度阈值;如果饱和度平均值大于或等于饱和度阈值,则确定场景检测图像对应晴天模式的标准靶标图像;如果饱和度平均值小于饱和度阈值,则确定场景检测图像对应阴天模式的标准靶标图像。
在其中一个实施例中,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算色调通道图像的色调平均值,并判断色调平均值是否大于或等于色调阈值;如果色调平均值大于或等于色调阈值,则确定场景检测图像对应夏天模式的标准靶标图像;如果色调平均值小于色调阈值,则确定场景检测图像对应冬天模式的标准靶标图像。
在其中一个实施例中,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度,包括:对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值;在所述待检测图像为第一帧图像时,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;在所述待检测图像不为第一帧图像时,判断上一帧的待检测图像的靶标角度与所述中值之差的余弦值,是否大于或等于角度阈值;如果所述余弦值大于或等于角度阈值,则判断所述中值未发生跳变,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;如果所述余弦值小于角度阈值,则判断所述中值发生跳变,当前帧的待检测图像计算得到的靶标角度为无效值。
在其中一个实施例中,所述根据所述标准靶标图像旋转预设角度获得多张标准模板图像,包括:根据标准靶标图像,在360度范围内沿所述标准靶标图像中心按照同一方向旋转,每旋转预设角度获得一张标准模板图像,并记录每张标准模板图像与所述标准靶标图像的相对角度值。
一种飞行装置的靶标角度识别装置,所述装置包括:
场景检测图像获取模块,用于获取飞行装置在预设高度范围内采集的场景检测图像;
色彩空间转换模块,用于将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
模式确定模块,用于根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
旋转模块,用于根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
旋转角度值计算模块,用于根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
中值计算模块,用于对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取飞行装置在预设高度范围内采集的场景检测图像;
将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取飞行装置在预设高度范围内采集的场景检测图像;
将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
上述飞行装置的靶标角度识别方法、装置、计算机设备和存储介质,通过将场景检测图像的色彩空间进行转换得到色调、饱和度和亮度的值,根据色调、饱和度和亮度的值确定场景检测图像当前的环境,根据环境选择标准靶标图像,然后通过靶标的待检测图像与多张标准模板图像进行匹配,确定旋转矩阵,并根据旋转矩阵计算旋转角度值,根据多个旋转角度值排序计算中值来计算靶标角度,能够在靶标的待检测图像受到在任意环境下或外界环境干扰图像不清晰的情况下,也能通过多张标准模板图像匹配获得靶标角度,进一步提高了靶标角度识别过程中的抗干扰能力。
附图说明
图1为一个实施例中飞行装置的靶标角度识别方法的流程示意图;
图2为一个实施例中对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度步骤的流程示意图;
图3为一个实施例中靶标的待检测图像的靶标区域图像示意图;
图4为一个实施例中飞行装置的靶标角度识别装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种飞行装置的靶标角度识别方法,包括以下步骤:
S110,获取飞行装置在预设高度范围内采集的场景检测图像。
其中,预设高度范围为了保证飞行装置能够采集清晰的场景检测图像,预设高度范围可以根据相机的配置和参数设定。例如,预设高度范围可为40m-60m的高度。
S120,将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像。
其中,从RGB色彩空间转换到HSV色彩空间,可以通过色彩空间转换函数进行转换,例如,使用cvtColor函数进行色彩空间转换。
S130,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像。
其中,预定条件为用于判断当前环境的判断条件,预定条件不同则代表环境的不同,可以根据不同的环境来设定预定条件,例如,当前环境为黑夜,则亮度值低于100,可以将亮度低于100作为黑夜环境的预定条件,此时,选择黑夜环境对应的标准靶标图像。
S140,根据所述标准靶标图像旋转预设角度获得多张标准模板图像。
其中,根据标准靶标图像,在360度范围内沿所述标准靶标图像中心按照同一方向旋转,每旋转预设角度获得一张标准模板图像,并记录每张标准模板图像与所述标准靶标图像的相对角度值。
S150,根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值。
具体的,将多张所述标准模板图像的第一特征点信息分别与所述待检测图像的第二特征点信息,根据BruteForce-Hamming算法进行匹配,获得匹配的特征点对信息;根据所述特征点对信息,滤除距离大于或等于距离阈值的特征点对,获得修正特征点对信息,所述修正特征点对信息包括特征点对数量;在所述特征点对数量大于或等于数量阈值时,根据所述修正特征点对信息计算所述标准模板图像到所述待检测图像的单应矩阵,并对所述单应矩阵分解获得旋转矩阵;对所述旋转矩阵,根据所述罗德里格斯函数计算,获得与所述待检测图像的靶标区域图像对应的飞行装置的航向角;根据所述标准模板图像与所述标准靶标图像的相对角度值,对所述航向角进行补偿,获得所述靶标区域图像相对于所述标准靶标图像的旋转角度值。
S160,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
其中,根据每个标准靶标图像都能计算得到一个旋转角度值,然后对所有旋转角度值进行排序并计算中值,从而得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
上述飞行装置的靶标角度识别方法中,通过将场景检测图像的色彩空间进行转换得到色调、饱和度和亮度的值,根据色调、饱和度和亮度的值确定场景检测图像当前的环境,根据环境选择标准靶标图像,然后通过靶标的待检测图像与多张标准模板图像进行匹配,确定旋转矩阵,并根据旋转矩阵计算旋转角度值,根据多个旋转角度值排序计算中值来计算靶标角度,能够在靶标的待检测图像受到在任意环境下或外界环境干扰图像不清晰的情况下,也能通过多张标准模板图像匹配获得靶标角度,进一步提高了靶标角度识别过程中的抗干扰能力。
在其中一个实施例中,将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像,包括:将场景检测图像imgM,通过opencv算法进行处理,获得色调通道图像、饱和度通道图像和亮度通道图像。
具体的,使用cvtColor函数对场景检测图像imgM的色彩空间进行转换,公式如下:
imgHSV=cvtColor(imgM,CV_BGR2HSV)
其中,cvtColor是色彩空间转换函数,CV_BGR2HSV是转换参数,imgHSV是一个h×w×3的矩阵,其每个位置上的值为0到255之间的整数,然后对imgHSV进行通道分离,获取色调通道图像imgH、饱和度通道图像imgS、亮度通道图像imgV,通道分离公式如下:
imgH,imgS,imgV=split(imgHSV)
其中,imgH、imgS、imgV是一个h×w矩阵,其每个位置上的值为0到255之间的整数。
在其中一个实施例中ongoing,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算亮度通道图像的亮度平均值,并判断亮度平均值是否大于或等于亮度阈值;如果亮度平均值大于或等于亮度阈值,则确定场景检测图像对应白天模式的标准靶标图像;如果亮度平均值小于亮度阈值,则确定场景检测图像对应黑夜模式的标准靶标图像。
具体为,采用亮度通道图像imgV特征来区分昼夜,首先计算亮度通道图像imgV的亮度平均值avg,设置亮度阈值light_thresh来判断昼夜状态,这里取light_thresh=100,则:
avg=avgElem(imgV)
其中,avgElem为计算图像单通道的平均值函数。
如果avg≥light_thresh,则标记场景检测图像imgM状态imgStat为day(白天);如果avg<light_thresh,则标记场景检测图像imgM状态imgStat为night(黑夜)。
在其中一个实施例中,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算饱和度通道图像的饱和度平均值,并判断饱和度平均值是否大于或等于饱和度阈值;如果饱和度平均值大于或等于饱和度阈值,则确定场景检测图像对应晴天模式的标准靶标图像;如果饱和度平均值小于饱和度阈值,则确定场景检测图像对应阴天模式的标准靶标图像。
在其中一个实施例中,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:计算色调通道图像的色调平均值,并判断色调平均值是否大于或等于色调阈值;如果色调平均值大于或等于色调阈值,则确定场景检测图像对应夏天模式的标准靶标图像;如果色调平均值小于色调阈值,则确定场景检测图像对应冬天模式的标准靶标图像。
其中,除上述实施例中3种判断标准靶标图像模式的方法外,还可以根据场景需要设置更多的模式,并通过色调、饱和度和亮度来进行模式判断。
在其中一个实施例中,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度,包括:S161,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值;S163,在所述待检测图像为第一帧图像时,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;S164,在所述待检测图像不为第一帧图像时,判断上一帧的待检测图像的靶标角度与所述中值之差的余弦值,是否大于或等于角度阈值;S165,如果所述余弦值大于或等于角度阈值,则判断所述中值未发生跳变,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;S166,如果所述余弦值小于角度阈值,则判断所述中值发生跳变,当前帧的待检测图像计算得到的靶标角度为无效值。
其中,在步骤S163之前还包括步骤:S162,判断所述待检测图像是否为第一帧图像。
^
具体的,设最终角度为γ0,如果所述待检测图像为第一帧图像,将中值γ赋值到γ0;如果所述待检测图像不为第一帧图像,计算上一帧的待检测图像的靶标角度与中值的相似度similarity,公式如下:
设角度阈值angle_thresh,取angle_thresh=cos(20.0*π/180.0);如果similarity≥angle_thresh,则当前帧的中值未发生跳变,将中值赋值到最终角度γ0;如果similarity<angle_thresh,则当前帧的中值发生跳变,重置最终角度γ0为InvalidValue(无效值)。
在其中一个实施例中,所述根据所述标准靶标图像旋转预设角度获得多张标准模板图像,包括:根据标准靶标图像,在360度范围内沿所述标准靶标图像中心按照同一方向旋转,每旋转预设角度获得一张标准模板图像,并记录每张标准模板图像与所述标准靶标图像的相对角度值。
其中,根据标准靶标图像每隔α角度旋转一次,共得到n张不同角度的标准模板图,记为M1,M2,……,Mn。记录每张标准模板图与标准靶标图像的相对角度值β1,β2,……,βn。这里取α=30度,则有n=12。
在其中一个实施例中,在根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值之前,包括:获取多张标准模板图像的图像数据;对所述标准模板图像的图像数据,根据ORB特征提取算法进行特征计算,得到第一特征点信息。
其中,标准模板图像的图像数据为一个s×s×3的矩阵,矩阵每个位置上的值为0到255之间的整数,s取值可为400。第一特征点信息包括特征点集和特征描述子向量集,对每张标准模板图像Mi,i∈[1,n],计算其特征点kpsi和特征描述子向量dspi,此处使用ORB特征提取算法进行计算,则:
kpsi=detectORB(Mi)
dspi=computeORB(Mi,kpsi)
其中,detectORB是特征点提取函数,computeORB是特征描述子向量计算函数。kpsi={p1,p2,……,pK}是特征点集,pj=(xj,yj)表示第j个特征点,xj和yj分别为pj在图像中的列坐标和行坐标,j∈[1,K],K为第i张标准模板图像的特征点总数。dspi={d1,d2,……,dK}为特征描述子向量集,dj=(c1,c2,……,cm)是长为m的特征描述子向量。
在其中一个实施例中,在根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值之前,包括:采集靶标的待检测图像,并获取待检测图像的靶标区域图像的图像数据;对所述靶标区域图像的图像数据,根据ORB特征提取算法进行特征计算,得到第二特征点信息。本实施例中,第二特征点信息的计算方式与第一特征点信息的计算方式相同,均是采用ORB特征提取算法进行特征计算,计算过程可参考上述实施例的ORB特征提取算法的计算过程。
在其中一个实施例中,在根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值之前,包括:
采集靶标的待检测图像,根据靶标区域检测算法提取初始靶标区域图像;将所述初始靶标区域图像进行形变和缩放处理,获得靶标区域图像的图像数据;其中,所述靶标区域图像尺寸与所述标准模板图像的尺寸相同。
其中,待检测图像imgB可以表示为一个h×w×3的矩阵,矩阵每个位置上的值为0到255之间的整数,h、w根据实际采集的待检测图像确定;对待检测图像进行初始靶标区域图像提取,靶标检测算法可以使用SSD算法、YOLOv3算法等,此处以YOLOv3算法为例进行说明,例如:
xc,yc,w’,h’=YOLOv3(imgB)
其中,OLOv3为靶标检测函数,xc和yc分别为初始靶标区域图像中心点在待检测图像中的像素坐标,xc表示行数,yc表示列数,w’和h’为初始靶标区域图像的像素宽度和像素高度。
为了保持靶标区域图像不变形,将初始靶标区域图像拓展成正方形,具体如下:
length=max(w’,h’)
x1=xc–length/2
y1=yc–length/2
令靶标区域图像为imgC,对应imgC上的任意一点(u,v),有:
imgC(u,v)=imgB(x1+u,y1+v)
其中,u,v∈[0,length-1]。进一步,将靶标区域图像imgC缩放到预定尺寸s×s×3。
然后,将缩放后靶标区域图像imgC,根据ORB特征提取算法进行特征计算,得到第二特征点信息,具体过程如下:
上述得到的靶标区域图像imgC进行特征提取,令kpst和dspt分别表示特征点向量集和特征描述子向量集,有:
kpst=detectORB(imgC)
dspt=computeORB(imgC,kpst)。
在其中一个实施例中,根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值,具体过程如下:
a1,将所述标准模板图像的第一特征点信息与所述待检测图像的第二特征点信息,根据BruteForce-Hamming算法进行匹配,获得匹配的特征点对信息。
其中,对每张标准模板图像Mi,依次与靶标区域图像imgC进行特征匹配,这里使用BruteForce-Hamming算法进行匹配,则:
matchesi=BF(dspi,dspt)
其中,matchesi={match1,match2,……,matchk},matchk=(idk i,idk t,dk)表示匹配的特征点对信息,idk i、idk t分别为第k对特征点在kpsi和kpst中的位置索引,dk表示两个特征点之间的描述子汉明距离。
a2,根据所述特征点对信息,滤除距离大于或等于距离阈值的特征点对,获得修正特征点对信息,所述修正特征点对信息包括特征点对数量;在所述特征点对数量大于或等于数量阈值时,根据所述修正特征点对信息计算所述标准模板图像到所述待检测图像的单应矩阵,并对所述单应矩阵分解获得旋转矩阵
其中,根据特征点对信息,计算所有匹配特征点对之间的最小距离dmin=min(d1,d2,……,dk),令dthresh=max(dmin×2,threshmin)为距离阈值,threshmin为经验阈值,取threshmin=30。根据每张标准模板图像的特征点对信息,滤除距离大于或等于dthresh的特征点对,得到修正特征点对信息kps_pairs=((p11,p21),(p12,p22),……,(p1k,p2k))。计算修正特征点对信息中特征点对数量k,判断特征点对数量k是否大于或等于数量阈值num_thresh,所述数量阈值num_thresh可为30,如果所述特征点对数量大于或等于数量阈值,根据所述修正特征点对信息计算所述标准模板图像到所述待检测图像的单应矩阵,并对所述单应矩阵分解获得旋转矩阵;如果所述特征点对数量小于数量阈值,设置所述标准模板图像旋转角度值为无效值,其中,无效值可为1000。
其中,根据所述修正特征点对信息计算所述标准模板图像到所述待检测图像的单应矩阵,并对所述单应矩阵分解获得旋转矩阵,过程如下:
根据修正特征点对信息kps_pairs,计算标准模板图像到所述待检测图像的单应矩阵H∈R3×3,H=[h1,h2,h3]为一个3×3矩阵,h1、h2、h3为3×1向量,对H进行分解,得到旋转矩阵R=[r1,r2,r3],r1、r2、r3为3×1向量,r1、r2、r3的表达式如下:
r1=h1/||h1||2
r2=h2/||h2||2
r3=r1×r2。
a3,对所述旋转矩阵,根据所述罗德里格斯函数计算,获得与所述待检测图像的靶标区域图像对应的飞行装置的航向角;根据所述标准模板图像与所述标准靶标图像的相对角度值,对所述航向角进行补偿,获得所述靶标区域图像相对于所述标准靶标图像的旋转角度值。
其中,根据旋转矩阵R,计算靶标区域图像相对于标准模板图像在3个方向上的旋转角度分量:
roll,pitch,yaw=rodrigues(R)
其中,rodrigues为罗德里格斯函数,用于将旋转矩阵分解成旋转角度roll、pitch和yaw,对应为滚转角、俯仰角和航向角,单位为弧度。航向角yaw为飞行装置相对于靶标区域图像之间的航向角,将其单位转化为角度,γi=yaw/π×180,π为圆周率。
其中,根据所述标准模板图像与所述标准靶标图像的相对角度值,对所述航向角进行补偿,获得所述靶标区域图像相对于标准靶标图像的的旋转角度值,过程如下:
对每个航向角γi进行旋转角补偿,调整成相对0度标准模板图像的旋转角度值:
γi=γi+βi
其中,对应每张标准模板图像Mi,都有一个旋转角度值γi与其对应,记为ψ1={γ1,γ2,……,γn}。
在其中一个实施例中,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度,包括:
将所述靶标区域图像相对于所述标准靶标图像的旋转角度值转换至0度到360度的角度范围,获得转换旋转角度值;将0度到360度的角度范围划分成第一区间、第二区间和第三区间;其中,所述第二区间包括45度到315度的角度范围;统计所述转换旋转角度值在第一区间、第二区间和第三区间的个数,记录为第一数目、第二数目和第三数目;在所述第一数目、第二数目和第三数目均大于零时,计算所述第二区间的转换旋转角度值的平均值,得到第二区间角度均值;在所述第二区间角度均值不小于180度时,将所述第一区间的转换旋转角度值增加360度;在所述第二区间角度均值小于180度时,将所述第三区间的转换旋转角度值减少360度;在所述第二数目等于零,且第一数目不大于第三数目时,将所述第一区间的转换旋转角度值增加360度;在所述第二数目等于零,且第一数目大于第三数目时,将所述第三区间的转换旋转角度值减少360度;对所述转换旋转角度值按照从小到大的顺序进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
其中,将所述靶标区域图像相对于所述标准靶标图像的旋转角度值转换至0度到360度的角度范围,获得转换旋转角度值之前,对于ψ1={γ1,γ2,……,γn},将旋转角度值为无效值进行旋转角度值剔除,使其不参与靶标角度计算,得到ψ2={γ1,γ2,……,γn’},其中n’为ψ2成员的数量。
将ψ2={γ1,γ2,……,γn’}内的每一个旋转角度值转换至0度到360度的角度范围,得到转换角度值,具体转换方法如下:γi=γi%360。
将0度到360度的角度范围划分成第一区间[0,θ1)、第二区间[θ1,θ2]和第三区间(θ2,360),其中,第二区间[θ1,θ2]为安全区间,第一区间[0,θ1)和第三区间(θ2,360)为危险区间,第二区间[θ1,θ2]包括[45,315]的角度范围,可选的θ1=45,θ2=315。其中,第一区间[0,θ1)、第二区间[θ1,θ2]和第三区间(θ2,360)的单位为度。
统计所述转换旋转角度值在第一区间、第二区间和第三区间的个数,记录为第一数目c1、第二数目c2和第三数目c3。
如果第一数目c1、第二数目c2和第三数目c3均大于零,计算处于第二区间转换旋转角度值的平均值。在所述第二区间转换旋转角度值的平均值大于或等于180时,说明角度分布的重心靠上,将第一区间[0,θ1)内的转换旋转角度值增加360。在所述第二区间转换旋转角度值的平均值小于180时,说明角度分布的重心靠下,将第三区间(θ2,360)内的转换旋转角度值减小360。
如果第一数目c1等于零,比较第二数目c2和第三数目c3的大小。如果第二数目c2小于或等于第三数目c3,说明说明角度分布的重心靠上,将第一区间[0,θ1)内的转换旋转角度值增加360。如果第二数目c2大于第三数目c3说明角度分布的重心靠下,将第三区间(θ2,360)内的转换旋转角度值减小360。
另外,在其它情况下,不需要对转换旋转角度值进行调整。
对转换旋转角度值按照上述过程处理后,对γ1,γ2,……,γn’按照从小到大进行排序,并计算综合角度作为飞行装置的当前航向到标准靶标图像正向的靶标角度。这里,以中值方式计算靶标角度,具体如下:
其中,为靶标角度,其中n’为ψ2成员的数量。如图3所示,靶标的待检测图像301,正向的标准靶标图像302,采集的靶标区域图像303,白色箭头指向为从靶标区域图像303相对于正向的标准靶标图像302的旋转方向,靶标角度等于从正向的标准靶标图像302旋转至采集的靶标区域图像303的旋转角度。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种飞行装置的靶标角度识别装置,包括:场景检测图像获取模块210、色彩空间转换模块220、模式确定模块230、旋转模块240、旋转角度值计算模块250和中值计算模块260,其中:
场景检测图像获取模块210,用于获取飞行装置在预设高度范围内采集的场景检测图像。
色彩空间转换模块220,用于将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像。
模式确定模块230,用于根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像。
旋转模块240,用于根据所述标准靶标图像旋转预设角度获得多张标准模板图像。
旋转角度值计算模块250,用于根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值。
中值计算模块260,用于对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
在其中一个实施例中,色彩空间转换模块220,还用于将场景检测图像imgM,通过opencv算法进行处理,获得色调通道图像、饱和度通道图像和亮度通道图像。
在其中一个实施例中,模式确定模块230,包括:亮度判断单元,用于计算亮度通道图像的亮度平均值,并判断亮度平均值是否大于或等于亮度阈值;白天模式确定单元,用于如果亮度平均值大于或等于亮度阈值,则确定场景检测图像对应白天模式的标准靶标图像;黑夜模式确定单元,用于如果亮度平均值小于亮度阈值,则确定场景检测图像对应黑夜模式的标准靶标图像。
在其中一个实施例中,模式确定模块230,包括:饱和度判断单元,用于计算饱和度通道图像的饱和度平均值,并判断饱和度平均值是否大于或等于饱和度阈值;晴天模式确定单元,用于如果饱和度平均值大于或等于饱和度阈值,则确定场景检测图像对应晴天模式的标准靶标图像;阴天模式确定单元,用于如果饱和度平均值小于饱和度阈值,则确定场景检测图像对应阴天模式的标准靶标图像。
在其中一个实施例中,模式确定模块230,包括:色调判断单元,用于计算色调通道图像的色调平均值,并判断色调平均值是否大于或等于色调阈值;夏天模式确定单元,用于如果色调平均值大于或等于色调阈值,则确定场景检测图像对应夏天模式的标准靶标图像;冬天模式确定单元,用于如果色调平均值小于色调阈值,则确定场景检测图像对应冬天模式的标准靶标图像。
在其中一个实施例中,中值计算模块260,包括:中值计算单元,用于对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值;第一赋值单元,用于在所述待检测图像为第一帧图像时,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;角度阈值判断单元,用于在所述待检测图像不为第一帧图像时,判断上一帧的待检测图像的靶标角度与所述中值之差的余弦值,是否大于或等于角度阈值;第二赋值单元,用于如果所述余弦值大于或等于角度阈值,则判断所述中值未发生跳变,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;无效值确定单元,用于如果所述余弦值小于角度阈值,则判断所述中值发生跳变,当前帧的待检测图像计算得到的靶标角度为无效值。
在其中一个实施例中,旋转模块240,还用于根据标准靶标图像,在360度范围内沿所述标准靶标图像中心按照同一方向旋转,每旋转预设角度获得一张标准模板图像,并记录每张标准模板图像与所述标准靶标图像的相对角度值。
关于飞行装置的靶标角度识别装置的具体限定可以参见上文中对于飞行装置的靶标角度识别方法的限定,在此不再赘述。上述飞行装置的靶标角度识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储标准靶标图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种飞行装置的靶标角度识别方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种飞行装置的靶标角度识别方法,其特征在于,所述方法包括:
获取飞行装置在预设高度范围内采集的场景检测图像;
将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
2.根据权利要求1所述的方法,其特征在于,将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像,包括:
将场景检测图像imgM,通过opencv算法进行处理,获得色调通道图像、饱和度通道图像和亮度通道图像。
3.根据权利要求1所述的方法,其特征在于,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:
计算亮度通道图像的亮度平均值,并判断亮度平均值是否大于或等于亮度阈值;
如果亮度平均值大于或等于亮度阈值,则确定场景检测图像对应白天模式的标准靶标图像;
如果亮度平均值小于亮度阈值,则确定场景检测图像对应黑夜模式的标准靶标图像。
4.根据权利要求1所述的方法,其特征在于,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:
计算饱和度通道图像的饱和度平均值,并判断饱和度平均值是否大于或等于饱和度阈值;
如果饱和度平均值大于或等于饱和度阈值,则确定场景检测图像对应晴天模式的标准靶标图像;
如果饱和度平均值小于饱和度阈值,则确定场景检测图像对应阴天模式的标准靶标图像。
5.根据权利要求1所述的方法,其特征在于,根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像,包括:
计算色调通道图像的色调平均值,并判断色调平均值是否大于或等于色调阈值;
如果色调平均值大于或等于色调阈值,则确定场景检测图像对应夏天模式的标准靶标图像;
如果色调平均值小于色调阈值,则确定场景检测图像对应冬天模式的标准靶标图像。
6.根据权利要求1所述的方法,其特征在于,对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度,包括:
对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值;
在所述待检测图像为第一帧图像时,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;
在所述待检测图像不为第一帧图像时,判断上一帧的待检测图像的靶标角度与所述中值之差的余弦值,是否大于或等于角度阈值;
如果所述余弦值大于或等于角度阈值,则判断所述中值未发生跳变,将所述中值作为飞行装置的当前航向到标准靶标图像正向的靶标角度;
如果所述余弦值小于角度阈值,则判断所述中值发生跳变,当前帧的待检测图像计算得到的靶标角度为无效值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述标准靶标图像旋转预设角度获得多张标准模板图像,包括:
根据标准靶标图像,在360度范围内沿所述标准靶标图像中心按照同一方向旋转,每旋转预设角度获得一张标准模板图像,并记录每张标准模板图像与所述标准靶标图像的相对角度值。
8.一种飞行装置的靶标角度识别装置,其特征在于,所述装置包括:
场景检测图像获取模块,用于获取飞行装置在预设高度范围内采集的场景检测图像;
色彩空间转换模块,用于将所述场景检测图像进行RGB色彩空间到HSV色彩空间的转换,获得色调通道图像、饱和度通道图像和亮度通道图像;
模式确定模块,用于根据色调通道图像、饱和度通道图像和亮度通道图像确定色调、饱和度和亮度是否符合预定的条件,从而确定场景检测图像对应模式的标准靶标图像;
旋转模块,用于根据所述标准靶标图像旋转预设角度获得多张标准模板图像;
旋转角度值计算模块,用于根据多张标准模板图像与采集靶标的待检测图像进行特征点对匹配,获得匹配的特征点对信息,再根据特征点信息计算单应矩阵,并对所述单应矩阵分解获得旋转矩阵,根据旋转矩阵计算所述待检测图像的靶标区域图像相对于所述标准靶标图像的旋转角度值;
中值计算模块,用于对所述靶标区域图像相对于所述标准靶标图像的所有旋转角度值进行排序并计算中值,得到飞行装置的当前航向到标准靶标图像正向的靶标角度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772876.8A CN113449668B (zh) | 2021-07-08 | 2021-07-08 | 一种飞行装置的靶标角度识别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772876.8A CN113449668B (zh) | 2021-07-08 | 2021-07-08 | 一种飞行装置的靶标角度识别方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449668A true CN113449668A (zh) | 2021-09-28 |
CN113449668B CN113449668B (zh) | 2023-05-23 |
Family
ID=77815448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772876.8A Active CN113449668B (zh) | 2021-07-08 | 2021-07-08 | 一种飞行装置的靶标角度识别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449668B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092079A1 (en) * | 2008-10-14 | 2010-04-15 | Joshua Victor Aller | Target and method of detecting, identifying, and determining 3-d pose of the target |
JP2010148249A (ja) * | 2008-12-19 | 2010-07-01 | Mitsubishi Motors Corp | 電気自動車の制御装置 |
CN102622163A (zh) * | 2011-03-14 | 2012-08-01 | 北京小米科技有限责任公司 | 一种图标生成方法 |
CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
US20150125045A1 (en) * | 2013-11-04 | 2015-05-07 | Steffen Gauglitz | Environment Mapping with Automatic Motion Model Selection |
US20160155241A1 (en) * | 2013-06-17 | 2016-06-02 | Huawei Device Co., Ltd. | Target Detection Method and Apparatus Based On Online Training |
CN108921905A (zh) * | 2018-07-16 | 2018-11-30 | 意力(广州)电子科技有限公司 | 靶标定位方法、装置、计算机设备和可读存储介质 |
CN110070049A (zh) * | 2019-04-23 | 2019-07-30 | 北京市商汤科技开发有限公司 | 人脸图像识别方法及装置、电子设备和存储介质 |
WO2019204568A1 (en) * | 2018-04-20 | 2019-10-24 | Board Of Regents, The University Of Texas System | Apparatus and methods for characterizing plume geometry |
CN111985492A (zh) * | 2019-05-24 | 2020-11-24 | 浙江能脉新能源科技有限公司 | 一种云识别方法 |
CN112070814A (zh) * | 2020-08-31 | 2020-12-11 | 杭州迅蚁网络科技有限公司 | 一种靶标角度识别方法、装置 |
CN112733849A (zh) * | 2021-01-11 | 2021-04-30 | 浙江智慧视频安防创新中心有限公司 | 模型训练方法、图像旋转角度矫正方法及装置 |
CN112907490A (zh) * | 2021-01-29 | 2021-06-04 | 合肥工业大学 | 像素点提取方法、靶标信息采集方法和顶管机控制系统 |
-
2021
- 2021-07-08 CN CN202110772876.8A patent/CN113449668B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092079A1 (en) * | 2008-10-14 | 2010-04-15 | Joshua Victor Aller | Target and method of detecting, identifying, and determining 3-d pose of the target |
JP2010148249A (ja) * | 2008-12-19 | 2010-07-01 | Mitsubishi Motors Corp | 電気自動車の制御装置 |
CN102622163A (zh) * | 2011-03-14 | 2012-08-01 | 北京小米科技有限责任公司 | 一种图标生成方法 |
US20160155241A1 (en) * | 2013-06-17 | 2016-06-02 | Huawei Device Co., Ltd. | Target Detection Method and Apparatus Based On Online Training |
US20150125045A1 (en) * | 2013-11-04 | 2015-05-07 | Steffen Gauglitz | Environment Mapping with Automatic Motion Model Selection |
CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
WO2019204568A1 (en) * | 2018-04-20 | 2019-10-24 | Board Of Regents, The University Of Texas System | Apparatus and methods for characterizing plume geometry |
CN108921905A (zh) * | 2018-07-16 | 2018-11-30 | 意力(广州)电子科技有限公司 | 靶标定位方法、装置、计算机设备和可读存储介质 |
CN110070049A (zh) * | 2019-04-23 | 2019-07-30 | 北京市商汤科技开发有限公司 | 人脸图像识别方法及装置、电子设备和存储介质 |
CN111985492A (zh) * | 2019-05-24 | 2020-11-24 | 浙江能脉新能源科技有限公司 | 一种云识别方法 |
CN112070814A (zh) * | 2020-08-31 | 2020-12-11 | 杭州迅蚁网络科技有限公司 | 一种靶标角度识别方法、装置 |
CN112733849A (zh) * | 2021-01-11 | 2021-04-30 | 浙江智慧视频安防创新中心有限公司 | 模型训练方法、图像旋转角度矫正方法及装置 |
CN112907490A (zh) * | 2021-01-29 | 2021-06-04 | 合肥工业大学 | 像素点提取方法、靶标信息采集方法和顶管机控制系统 |
Non-Patent Citations (3)
Title |
---|
周修庄 等: "《视觉跟踪中的马氏链蒙特卡洛方法》", 30 June 2019, 北京邮电大学出版社 * |
谢晓竹 等: "《传感器平台的视频监控算法和结构》", 30 June 2018, 国防工业出版社 * |
顾玲嘉: "活动靶标图像处理技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449668B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108873943B (zh) | 一种无人机厘米级精准降落的图像处理方法 | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN108229587B (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN110770791A (zh) | 一种基于点云地图的图像边界获取方法、设备及飞行器 | |
CN112414403B (zh) | 一种机器人的定位定姿方法、设备及存储介质 | |
CN112036455B (zh) | 一种图像识别方法、智能终端和存储介质 | |
CN110832494A (zh) | 一种语义生成方法、设备、飞行器及存储介质 | |
Premachandra et al. | Speed-up automatic quadcopter position detection by sensing propeller rotation | |
CN112070814B (zh) | 一种靶标角度识别方法、装置 | |
CN114463308A (zh) | 一种无人机视角光伏组件视觉检测方法、装置及处理设备 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
Sumalan et al. | Flood evaluation in critical areas by UAV surveillance | |
CN112926426A (zh) | 基于监控视频的船舶识别方法、系统、设备及存储介质 | |
CN113449668B (zh) | 一种飞行装置的靶标角度识别方法、装置 | |
CN112818837B (zh) | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 | |
CN112016484B (zh) | 植物侵扰评估方法、装置、计算机设备及存储介质 | |
CN112950715B (zh) | 无人机的视觉定位方法、装置、计算机设备和存储介质 | |
CN110569810B (zh) | 坐标信息的获取方法及装置、存储介质、电子装置 | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
US10553022B2 (en) | Method of processing full motion video data for photogrammetric reconstruction | |
CN114092850A (zh) | 重识别方法、装置、计算机设备和存储介质 | |
CN116030417B (zh) | 一种员工识别方法、装置、设备、介质及产品 | |
SUZUKI et al. | Vegetation classification using a small UAV based on superpixel segmentation and machine learning |
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 |