CN113566780A - 一种基于红外热像仪的人机测距方法及系统 - Google Patents
一种基于红外热像仪的人机测距方法及系统 Download PDFInfo
- Publication number
- CN113566780A CN113566780A CN202111129661.0A CN202111129661A CN113566780A CN 113566780 A CN113566780 A CN 113566780A CN 202111129661 A CN202111129661 A CN 202111129661A CN 113566780 A CN113566780 A CN 113566780A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- human
- value
- gradient
- infrared imager
- 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
- 238000000691 measurement method Methods 0.000 title claims description 8
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000037237 body shape Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000001931 thermography Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- 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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外热像仪的人机测距方法及系统。该方法包括如下步骤:获取红外热像仪采集的待测热图,根据待测热图中各像素点温度值对应计算各像素点的梯度向量,梯度向量包括横向梯度值和纵向梯度值;基于各像素点的梯度向量,确定人体头部边界框,人体头部边界框包括一个或多个;根据人体头部边界框,计算其对应特征集;将特征集输入到预先构建的人机测距模型中,预测得到待测热图中每个人与红外热像仪之间的距离。本发明通过对红外热像仪获取的热图进行各像素点梯度向量计算、头部边界框提取、特征集构建、人机距离预测模型建立与距离预测,可对热图中一个或多个人体与红外热像仪之间的距离进行测定,实现对人的被动定位。
Description
技术领域
本发明属于红外测距技术领域,更具体地,涉及一种基于红外热像仪的人机测距方法及系统。
背景技术
红外热像仪是利用光学成像物镜接收被测的红外辐射能量分布图形,反映到红外探测器的光敏元件上,从而获得红外热像图(以下简称热图);这种热图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图。热图上的不同颜色代表被测物体的不同温度。
红外热像仪可以在夜间、雾天中正常使用,对光线条件敏感度低,比起传统的红外相机和可见光相机具有更强的条件适应能力,应用范围更广。然而,目前缺乏利用红外热像仪对人与其之间距离进行测定的研究。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于红外热像仪的人机测距方法及系统,可对人与红外热像仪之间的距离进行测定,实现对人的被动定位。
为实现上述目的,第一方面,本发明提供了一种基于红外热像仪的人机测距方法,包括如下步骤:
(1)获取红外热像仪采集的待测热图,根据所述待测热图中各像素点温度值对应计算各像素点的梯度向量,所述梯度向量包括横向梯度值和纵向梯度值;
(2)基于所述各像素点的梯度向量,确定人体头部边界框,所述人体头部边界框包括一个或多个;
(3)根据所述人体头部边界框,计算其对应特征集;
(4)将所述特征集输入到预先构建的人机测距模型中,预测得到所述待测热图中每个人与红外热像仪之间的距离。
本发明提供的基于红外热像仪的人机测距方法,通过对红外热像仪获取的热图进行各像素点梯度向量计算、头部边界框提取、特征集构建、人机距离预测模型建立与距离预测等,可对热图中一个或多个人体与红外热像仪之间的距离进行测定,实现对人的被动定位;且采用人体头部作为测距标准,可有效提高测距准确度。
在其中一个实施例中,步骤(1),具体包括:
计算各像素点温度值分别与其左、右k个相邻像素点的温度值之差的均值,得到各像素点对应的左、右梯度值;计算各像素点对应的左、右梯度值之差的绝对值,得到各像素点的横向梯度值;
计算各像素点温度值分别与其上、下k个相邻像素点的温度值之差的均值,得到各像素点对应的上、下梯度值;计算各像素点对应的上、下梯度值之差的绝对值,得到各像素点的纵向梯度值。
在其中一个实施例中,步骤(2),包括如下子步骤:
(a)基于所述各像素点的梯度向量,确定人体轮廓点;
(b)根据所述人体轮廓点,提取所述人体头部边界框。
在其中一个实施例中,步骤(a),具体包括:
比较各像素点与其水平方向2K个相邻像素点的左、右梯度值,若一像素点的左梯度值为其水平方向2K个相邻像素点中的最小值、且其右梯度是水平方向2k个相邻像素点中的最大值,则该像素点为人体轮廓上的左侧轮廓点;若某一像素点的左梯度值是水平方向2k个相邻像素点中的最大值,且其右梯度值是水平方向2k个相邻像素点中的最小值,则该像素点为人体轮廓上的右侧轮廓点;
比较各像素点与其垂直方向2K个相邻像素点的上、下梯度值,若一像素点的上梯度值为其垂直方向2K个相邻像素点中的最小值、且其下梯度是垂直方向2k个相邻像素点中的最大值,则该像素点为人体轮廓上的上侧轮廓点;若某一像素点的上梯度值是垂直方向2k个相邻像素点中的最大值,且其下梯度值是其垂直方向2k个相邻像素点中的最小值,则该像素点为人体轮廓上的右侧轮廓点。
在其中一个实施例中,步骤(b),具体包括:
利用人体形状分解技术并结合头部区域的特性,从所述人体轮廓点中分离出人体头部轮廓点;
计算所述人体头部轮廓点中横、纵坐标的最大值和最小值,得到四个顶点,连接四个顶点形成一个所述人体头部边界框。
在其中一个实施例中,所述头部区域的特性包括人体头部轮廓为一个闭环,且人体头部轮廓内的各像素点温度值高于人体其他部位的各像素点温度值。
在其中一个实施例中,步骤(3),具体包括:
计算所述人体头部边界框内各像素点温度值是否为4邻域最大、是否为8邻域最大、各像素点温度值的离散系数、以及所述人体头部边界框与热图边界的距离,得到反映人机距离的特征集,所述特征集包括4邻域最大温度个数、8邻域温度个数、离散系数、人体头部边界框的上边距、人体头部边界框的下边距、人体头部边界框的左边距和人体头部边界框的右边距。
在其中一个实施例中,所述人机测距模型利用机器学习方法LightGBM建立。
在其中一个实施例中,所述人机测距模型的构建过程为:
获取带标签的热图数据集,计算所述热图数据集中各热图的特征集,利用所述机器学习方法LightGBM建立人机测距模型。
第二方面,本发明提供了一种基于红外热像仪的人机测距系统,包括:
梯度向量计算模块,用于获取待测热图,根据所述待测热图中各像素点温度值对应计算各像素点的梯度向量,所述梯度向量包括横向梯度值和纵向梯度值;
人体头部边界框确定模块,用于基于各像素点的梯度向量,确定人体头部边界框,所述人体头部边界框包括一个或多个;
特征集计算模块,用于根据所述人体头部边界框,计算其对应特征集;
距离预测模块,用于将所述特征集输入到预先构建的人机测距模型中,预测得到所述待测热图中每个人与红外热像仪之间的距离。
本发明提供的基于红外热像仪的人机测距系统,通过对红外热像仪获取的热图进行各像素点梯度向量计算、头部边界框提取、特征集构建、人机距离预测模型建立与距离预测等,可对热图中一个或多个人体与红外热像仪之间的距离进行测定,实现对人的被动定位;且采用人体头部作为测距标准,可有效提高测距准确度。
附图说明
图1是一实施例中基于红外热像仪的人机测距方法的流程图;
图2是一实施例中步骤S20的流程图;
图3是一实施例中热图人体轮廓示意图;
图4是一实施例中热图人体头部边界框示意图;
图5是一实施例中头部区域内4邻域最大值个数、8邻域最大值个数和离散系数在人逐渐接近红外热像仪又逐渐走远时的数值变化曲线图;
图6是一实施例中基于红外热像仪的人机测距系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为利用红外热成像仪对人与热像仪之间的距离进行测定,实现对人的被动定位,本发明提供了一种基于红外热像仪的人机测距方法,其具体构成将在后续实施例中加以详细阐述。
本发明提供的基于红外热像仪的人机测距方法,可应用于安防领域,具体可用于周界入侵检测等。请先参阅图1,图1是本发明一实施例提供的基于红外热像仪的人机测距方法流程图,如图1所示,该人机测距方法包括步骤S10~步骤S40,详述如下:
S10,获取红外热像仪采集的待测热图,根据待测热图中各像素点温度值对应计算各像素点的梯度向量,梯度向量包括横向梯度值和纵向梯度值。
S20,基于各像素点的梯度向量,确定人体头部边界框,该人体头部边界框可包括一个或多个。
S30,根据人体头部边界框,计算其对应特征集。
S40,将特征集输入到预先构建的人机测距模型中,预测得到待测热图中每个人与红外热像仪之间的距离。
在本步骤S10中,计算各像素点的梯度向量的具体步骤可以为:
待测热图中的每个像素点p对应的温度值T(p),与其左侧k个相邻像素点L1(p),L2(p),…,Lk(p)的温差记为DL1(p),DL2(p),…,DLk(p), 则像素点p对应的左梯度GL(p)为(DL1(p)+DL2(p)+…+DLk(p))/k;与其右侧k个相邻像素点R1(p),R2(p),…,Rk(p)的温差记为DR1(p),DR2(p),…,DRk(p), 则像素点p对应的右梯度GR(p)为(DR1(p)+DR2(p)+…+DRk(p))/k;像素点p对应的横向梯度值为|GR(p)- GL(p)|。
待测热图中的每个像素点p对应的温度值T(p),与其上侧k个相邻像素点T1(p),T2(p),…,Tk(p)的温差记为DT1(p),DT2(p),…,DTk(p), 则像素点p对应的上梯度GT(p)为(DT1(p)+DT2(p)+…+DLk(p))/k;与其下侧k个相邻像素点B1(p),B2(p),…,Bk(p)的温差记为DB1(p),DB2(p),…,DBk(p), 则像素点p对应的下梯度GB(p)为(DB1(p)+DB2(p)+…+DBk(p))/k;像素点p对应的纵向梯度值为|GT(p)- GB(p)|。
在步骤S20中,为确保人体头部边界框的准确度,参见图2,步骤S20可包括步骤S22和步骤S24。
其中,步骤S22为:基于各像素点的梯度向量,确定人体轮廓点。
具体地,确定人体轮廓点的步骤为:
对每个像素点p,若其左梯度是左侧k个相邻像素点和右侧k个相邻像素点(即水平方向2k个相邻像素点)中的最小值,且右梯度是水平方向2k个相邻像素点中的最大值,则像素点p为左侧轮廓点;若像素点p的左梯度是水平方向2k个相邻像素点中的最大值,且右梯度是水平方向2k个相邻像素点中的最小值,则像素点p为右侧轮廓点。
对每个像素点p,若其上梯度是上侧k个相邻像素点和下侧k个相邻像素点(垂直方向2k个相邻像素点)中的最小值,且其下梯度是垂直方向2k个相邻像素点中的最大值,则像素点p为上侧轮廓点;若像素点p的上梯度是垂直方向2k个相邻像素点中的最大值,且其下梯度是其垂直方向2k个相邻像素点中的最小值,则像素点p为下侧轮廓点。具体可参阅图3,图3是本发明提供的一实施例中热图人体轮廓示意图。
步骤S24为:根据人体轮廓点,提取人体头部边界框。
需要说明的是,步骤S22确定的人体轮廓点可能包含头部、四肢和躯干,由于四肢和躯干容易被遮挡,因此本发明选择头部作为测距的主要标准,可提高测距准确度。
具体地,提取人体头部边界框的步骤为:
利用人体形状分离技术、并结合头部区域的特性(头部轮廓形成为一个闭环,且轮廓内像素点的温度值远高于其他部位),从人体轮廓点中分离出头部轮廓点;然后分别计算该人体头部轮廓点中横、纵坐标的最小值x_min、y_min和最大值x_max、y_max,连接这四个顶点,由此形成头部边界框的四个顶点(x_min,y_min)、(x_min,y_max)、(x_max,y_min)和(x_max,y_max)。具体可参阅图4,图4是本发明提供的一实施例中热图人体头部边界框示意图。
在步骤S30中,关于特征集的构建。
当人体逐渐接近红外热像仪时,热图中的头部区域占比逐渐增大;反之,当人逐渐远离热像仪时,头部区域占比逐渐减少。本发明构建了头部区域内4邻域最大值个数、8邻域最大值个数和离散系数三个特征,这些特征集在反映人机距离方面有较强的特异性。
图5是本发明提供的一实施例中头部区域内4邻域最大值个数、8邻域最大值个数和离散系数在人逐渐接近红外热像仪又逐渐走远时的数值变化曲线图。
考虑到头部区域大小也会对测距产生影响,在特征集中将头部区域大小也包含其中,分别是头部边界框距离热图的左边距、右边距、上边距和下边距。由此得到包含7个特征的特征集。
具体地,步骤S30中,特征集的计算步骤为:
计算人体头部边界框内各像素点温度值是否为4邻域最大、是否为8邻域最大、各像素点温度值的离散系数、以及人体头部边界框与图像边界的距离,得到反映人机距离的特征集,该特征集包括4邻域最大温度个数、8邻域温度个数、离散系数、人体头部边界框的上边距、人体头部边界框的下边距、人体头部边界框的左边距和人体头部边界框的右边距。
在步骤S40中,关于人机测距模型建立与预测。
在现实环境下对人机距离和特征值进行实测,构建带标签的热图数据集。利用人机距离真实值和热图的特征值,应用机器学习模型LightGBM建立人机测距模型。对任意一个热图,根据7个特征的具体值和LightGBM模型,预测出人与红外热像仪之间的距离。
需要指出的是,当热图中存在多个人体时,利用上述人体轮廓确定和边界框提取方法,可以将多个人体头部区域单独分离出来,并分别计算其对应的特征值,从而可以分别预测出每个人与热像仪之间的距离。
图6是本发明一实施例提供的基于红外热像仪的人机测距系统的架构图,如图6所示,包括梯度向量计算模块100、人体头部边界框确定模块200、特征集计算模块300和距离预测模块400,其中,
梯度向量计算模块100,用于获取待测热图,根据待测热图中各像素点温度值对应计算各像素点的梯度向量,梯度向量包括横向梯度值和纵向梯度值。
人体头部边界框确定模块200,用于基于各像素点的梯度向量,确定人体头部边界框,人体头部边界框包括一个或多个。
特征集计算模块300,用于根据人体头部边界框,计算其对应特征集。
距离预测模块400,用于将特征集输入到预先构建的人机测距模型中,预测得到待测热图中每个人与红外热像仪之间的距离。
需要说明的是,图6中各个模块的功能可参见前述方法实施例中的详细介绍,在此不做赘述。
本发明提供的基于红外热像仪的人机测距方法及系统,通过对红外热像仪获取的热图进行各像素点梯度向量计算、头部边界框提取、特征集构建、人机距离预测模型建立与距离预测等,可对热图中一个或多个人体与红外热像仪之间的距离进行测定,实现对人的被动定位;且采用人体头部作为测距标准,可有效提高测距准确度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于红外热像仪的人机测距方法,其特征在于,包括如下步骤:
(1)获取红外热像仪采集的待测热图,根据所述待测热图中各像素点温度值对应计算各像素点的梯度向量,所述梯度向量包括横向梯度值和纵向梯度值;
(2)基于所述各像素点的梯度向量,确定人体头部边界框,所述人体头部边界框包括一个或多个;
(3)根据所述人体头部边界框,计算其对应特征集;
(4)将所述特征集输入到预先构建的人机测距模型中,预测得到所述待测热图中每个人与红外热像仪之间的距离。
2.根据权利要求1所述的基于红外热像仪的人机测距方法,其特征在于,步骤(1),具体包括:
计算各像素点温度值分别与其左、右k个相邻像素点的温度值之差的均值,得到各像素点对应的左、右梯度值;计算各像素点对应的左、右梯度值之差的绝对值,得到各像素点的横向梯度值;
计算各像素点温度值分别与其上、下k个相邻像素点的温度值之差的均值,得到各像素点对应的上、下梯度值;计算各像素点对应的上、下梯度值之差的绝对值,得到各像素点的纵向梯度值。
3.根据权利要求2所述的基于红外热像仪的人机测距方法,其特征在于,步骤(2),包括如下子步骤:
(a)基于所述各像素点的梯度向量,确定人体轮廓点;
(b)根据所述人体轮廓点,提取所述人体头部边界框。
4.根据权利要求3所述的基于红外热像仪的人机测距方法,其特征在于,步骤(a),具体包括:
比较各像素点与其水平方向2K个相邻像素点的左、右梯度值,若一像素点的左梯度值为其水平方向2K个相邻像素点中的最小值、且其右梯度是水平方向2k个相邻像素点中的最大值,则该像素点为人体轮廓上的左侧轮廓点;若某一像素点的左梯度值是水平方向2k个相邻像素点中的最大值,且其右梯度值是水平方向2k个相邻像素点中的最小值,则该像素点为人体轮廓上的右侧轮廓点;
比较各像素点与其垂直方向2K个相邻像素点的上、下梯度值,若一像素点的上梯度值为其垂直方向2K个相邻像素点中的最小值、且其下梯度是垂直方向2k个相邻像素点中的最大值,则该像素点为人体轮廓上的上侧轮廓点;若某一像素点的上梯度值是垂直方向2k个相邻像素点中的最大值,且其下梯度值是其垂直方向2k个相邻像素点中的最小值,则该像素点为人体轮廓上的右侧轮廓点。
5.根据权利要求4所述的基于红外热像仪的人机测距方法,其特征在于,步骤(b),具体包括:
利用人体形状分解技术并结合头部区域的特性,从所述人体轮廓点中分离出人体头部轮廓点;
计算所述人体头部轮廓点中横、纵坐标的最大值和最小值,得到四个顶点,连接四个顶点形成一个所述人体头部边界框。
6.根据权利要求5所述的基于红外热像仪的人机测距方法,其特征在于,所述头部区域的特性包括人体头部轮廓为一个闭环,且人体头部轮廓内的各像素点温度值高于人体其他部位的各像素点温度值。
7.根据权利要求6所述的基于红外热像仪的人机测距方法,其特征在于,步骤(3),具体包括:
计算所述人体头部边界框内各像素点温度值是否为4邻域最大、是否为8邻域最大、各像素点温度值的离散系数、以及所述人体头部边界框与热图边界的距离,得到反映人机距离的特征集,所述特征集包括4邻域最大温度个数、8邻域温度个数、离散系数、人体头部边界框的上边距、人体头部边界框的下边距、人体头部边界框的左边距和人体头部边界框的右边距。
8.根据权利要求1所述的基于红外热像仪的人机测距方法,其特征在于,所述人机测距模型利用机器学习方法LightGBM建立。
9.根据权利要求8所述的基于红外热像仪的人机测距方法,其特征在于,所述人机测距模型的构建过程为:
获取带标签的热图数据集,计算所述热图数据集中各热图的特征集,利用所述机器学习方法LightGBM建立人机测距模型。
10.一种基于红外热像仪的人机测距系统,其特征在于,包括:
梯度向量计算模块,用于获取待测热图,根据所述待测热图中各像素点温度值对应计算各像素点的梯度向量,所述梯度向量包括横向梯度值和纵向梯度值;
人体头部边界框确定模块,用于基于各像素点的梯度向量,确定人体头部边界框,所述人体头部边界框包括一个或多个;
特征集计算模块,用于根据所述人体头部边界框,计算其对应特征集;
距离预测模块,用于将所述特征集输入到预先构建的人机测距模型中,预测得到所述待测热图中每个人与红外热像仪之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129661.0A CN113566780B (zh) | 2021-09-26 | 2021-09-26 | 一种基于红外热像仪的人机测距方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129661.0A CN113566780B (zh) | 2021-09-26 | 2021-09-26 | 一种基于红外热像仪的人机测距方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113566780A true CN113566780A (zh) | 2021-10-29 |
CN113566780B CN113566780B (zh) | 2021-12-07 |
Family
ID=78174640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129661.0A Active CN113566780B (zh) | 2021-09-26 | 2021-09-26 | 一种基于红外热像仪的人机测距方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113566780B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489620A (zh) * | 2019-01-12 | 2019-03-19 | 内蒙古农业大学 | 一种单目视觉测距方法 |
CN110062400A (zh) * | 2019-04-25 | 2019-07-26 | 湖北经济学院 | 任意二维与三维传感器网络拓扑带约束的节点线性化方法 |
CN110108253A (zh) * | 2019-05-31 | 2019-08-09 | 烟台艾睿光电科技有限公司 | 单目红外热像仪的测距方法、装置、设备及可读存储设备 |
CN111678488A (zh) * | 2020-06-17 | 2020-09-18 | 深圳地平线机器人科技有限公司 | 测距方法、装置、计算机可读存储介质及电子设备 |
CN112329754A (zh) * | 2021-01-07 | 2021-02-05 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 |
-
2021
- 2021-09-26 CN CN202111129661.0A patent/CN113566780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489620A (zh) * | 2019-01-12 | 2019-03-19 | 内蒙古农业大学 | 一种单目视觉测距方法 |
CN110062400A (zh) * | 2019-04-25 | 2019-07-26 | 湖北经济学院 | 任意二维与三维传感器网络拓扑带约束的节点线性化方法 |
CN110108253A (zh) * | 2019-05-31 | 2019-08-09 | 烟台艾睿光电科技有限公司 | 单目红外热像仪的测距方法、装置、设备及可读存储设备 |
CN111678488A (zh) * | 2020-06-17 | 2020-09-18 | 深圳地平线机器人科技有限公司 | 测距方法、装置、计算机可读存储介质及电子设备 |
CN112329754A (zh) * | 2021-01-07 | 2021-02-05 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
白渭雄等: "对NETD表达的红外热像仪探测距离的讨论 ", 《激光与红外》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113566780B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109804232B (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
CN111798475B (zh) | 一种基于点云深度学习的室内环境3d语义地图构建方法 | |
Shi et al. | Study on modeling method of forest tree image recognition based on CCD and theodolite | |
CN108535321B (zh) | 一种基于三维红外热成像技术的建筑热工性能检测方法 | |
JP5950296B2 (ja) | 人物追跡属性推定装置、人物追跡属性推定方法、プログラム | |
WO2018095082A1 (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN109657581B (zh) | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 | |
CN103735269B (zh) | 一种基于视频多目标跟踪的高度测量方法 | |
CN109658398A (zh) | 一种基于三维测量点云的零件表面缺陷识别与评估方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN113358231B (zh) | 红外测温方法、装置及设备 | |
CN110443881B (zh) | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
US20230008297A1 (en) | Bio-security system based on multi-spectral sensing | |
CN112434598A (zh) | 一种非接触式体温测量方法和系统 | |
CN111920391A (zh) | 一种测温方法及设备 | |
CN109697727A (zh) | 基于相关滤波和度量学习的目标跟踪方法、系统及存储介质 | |
Zhang et al. | Accurate profile measurement method for industrial stereo-vision systems | |
CN113566780B (zh) | 一种基于红外热像仪的人机测距方法及系统 | |
Saito et al. | Seamline determination based on semantic segmentation for aerial image mosaicking | |
CN112287766A (zh) | 一种tof人脸识别智能门及方法 | |
Hong et al. | Small Defect Instance Reconstruction Based on 2D Connectivity-3D Probabilistic Voting | |
Zhao | Application research of image processing technology for fire detection and fire alarm based on blockchain | |
Negied et al. | HSBS: a human’s heat signature and background subtraction hybrid approach for crowd counting and analysis |
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 |