CN113762125A - 一种基于高分四号影像分析的运动舰船航速航向获取方法 - Google Patents
一种基于高分四号影像分析的运动舰船航速航向获取方法 Download PDFInfo
- Publication number
- CN113762125A CN113762125A CN202111012276.8A CN202111012276A CN113762125A CN 113762125 A CN113762125 A CN 113762125A CN 202111012276 A CN202111012276 A CN 202111012276A CN 113762125 A CN113762125 A CN 113762125A
- Authority
- CN
- China
- Prior art keywords
- target
- channel
- image
- ship
- resolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010191 image analysis Methods 0.000 title claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000003708 edge detection Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000008707 rearrangement Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分四号影像分析的运动舰船航速航向获取方法,属于遥感图像应用领域。本发明面向高分四号遥感卫星影像数据应用,利用高分四号遥感卫星采用的多通道轮转滤波凝视成像机制,通过舰船检测、舰船超分辨率增强、舰船轮廓提取、舰船质心运动轨迹拟合、舰船质心提取、航速和航向计算等步骤,实现运动舰船的航速航航向估计。本发明方法可用于对我国海域内运动舰船的长时间持续监测,提高海域监控管理的能力。
Description
技术领域
本发明属于遥感图像应用领域领域,更具体地,涉及一种基于高分四号影像分析的运动舰船航速航向获取方法。
背景技术
海面舰船的运动状态估计在海事管理方面有广阔的应用前景,现有的舰船监测方法由主动和被动两种方式,主动方式由舰船自身定时将自己的航速航向信息通过特定的通信链路发送给舰船监测平台(如船舶自动识别系统,AIS),这种方式需要舰船主动配合。被动方法则是通过监测平台(如机载、星载等)对海面进行监测,通过对探测到的信息进行分析来获取监测场景中的运动舰船的状态信息,这种方法无需舰船配合,特别适合于非合作舰船和无能力合作舰船的状态提取,提高海事管理的监督能力。现有的面向海面运动目标航速航向参数提取的被动方法主要基于机载平台,利用连续的视频图像信息来提取监视场景的运动目标状态参数,由于机载平台续航能力和观测视野的限制,不能满足长时间和大范围的监视任务的要求。
目前高分四号遥感卫星的投入使用,给这种监视提供了可能,但是高分四号影像分辨率较低,采集图像中舰船边缘模糊,导致舰船质心和运动轨迹提取困难。因此,目前基于高分四号遥感卫星采集的多光谱遥感影像尚未有较好的方法进行舰艇航速航向的分析。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于高分四号影像分析的运动舰船航速航向获取方法,其目的在于基于高分四号卫星的单景影像分析的运动舰船航速航向,通过舰船超分辨率增强、舰船轮廓提取、舰船质心运动轨迹拟合、舰船质心提取、航速和航向计算实现运动舰船的航速航航向估计。
为实现上述目的,本发明提供了一种基于高分四号影像分析的运动舰船航速航向获取方法,所述方法包括以下步骤:
S1、读取高分四号单景多光谱遥感影像,记为I,其中I(b)为第b个通道图像,b为通道号,b=1,…,K,K为总通道数;
S2、采用运动目标检测方法对影像I进行分析,获得运动目标的位置信息,并提取包含目标的图像块,第b通道提取的图像块记Sub(b);
S3、采用超分辨率增强网络对分别对各通道图像块进行超分辨率增强处理,得到具有更高空间分辨率的舰船轮廓增强的图像块,记为ESub(b);
S4、采用边缘检测网络对超分辨率增强后的各通道图像块进行舰船边缘检测处理,获得舰船在各通道图像中的二值轮廓图,记第b通道图像的舰船二值轮廓图像为C(b);
S5、对所有通道的舰船轮廓二值图进行或操作,获得多通道舰船轮廓二值图的融合图,记为F;
S6、对图像F中的舰船轮廓点进行曲线拟合处理,获得目标质心的圆周运动轨迹,记为T;
S7、在目标二值轮廓图中,目标轮廓为一条封闭的曲线,分别以每个通道的目标轮廓封闭曲线为边界,对轨迹线T进行截取,获得每个通道目标轮廓曲线内部的目标质心运动轨迹线段,记第b通道的目标质心运动轨迹线段为T(b);,寻找线段T(b)上到目标轮廓C(b)所有点的距离和最小的点,该点即为目标在第b个通道图像中的质心;
S8、将目标在不同通道的质心坐标转换为地理坐标,即质心在地理坐标中的经度和纬度;
S9、首先分别利用相邻两个通道的目标质心位置变化信息,分别估计目标在不同区间的速度,然后对各区间速度取均值,得到最终的航速估计结果;
S10、由目标当前通道目标和初始通道目标获取目标的当前航向。
进一步地,所述步骤S3中超分辨率增强网络包括特征提取主干网络、残差网络和上采样网络,其中:
主干网络采用经过预训练的ResNet网络;
残差网络由两个残差组串联组成,每个残差组包含两个残差通道注意力模块,所述残差通道注意力模块首先通过全局平均池化计算特征在各通道的响应强度,之后对响应强度大于阈值的通道进行增强处理,响应强度小于阈值的通道进行抑制处理;
上采样网络采用像素重排层实现图像的分辨率提升。
进一步地,所述步骤S4中边缘检测网络包含多个卷积层,网络的输入图像为ESub(b),通过多个卷积层对舰船边缘信息进行提取,每个卷积层分别输出不同尺度的边缘检测结果,然后再通过汇聚层将不同层的边缘检测结果进行融合,得到最终的边缘检测结果。
进一步地,所述步骤S7中目标质心采用以下方法获得:
设轨迹线段T(b)上的点的数量为m,用{(x[i],y[i])}表示轨迹点的集合,i=1,…,m;设目标轮廓C(b)中轮廓点数量为n,用{p[j],q[j]}表示轮廓点形成的集合,j=1,…,n;则T(b)上的任意一点到目标轮廓C(b)上所有点的距离和表示为:
遍历线段T(b)上的所有点,找出使D值最小的点,该点位置即为第b通道图像中目标的质心位置,记为CI[b];依次可以获得不同通道的目标质心位置。
进一步地,所述S9中目标在不同区间的速度具体采用以下方法获得:
设图像相邻两个通道,通道b和通道b+1的成像时间差为Δt,目标经过Δt时长所移动的距离为两个通道图像中目标质心间的距离,目标质心的距离L为:
其中,R为地球半径;
其中,Lat[b]表示b通道图像中质心的纬度;Lon[b]表示b通道图像中质心的经度。
进一步地,所述步骤S10具体为:
设目标在极坐标系下的角度信息为A:
A=atan2(Gx,Gy)
则目标目前的航向Q为:
Q=Mod(A,360)
其中,atan2为直角坐标转化成极坐标函数,Mod为取余函数;另外:
Gx=sin(lon[b]-lon[1])×cos(Lat[b]);
Gy=cos(lat[1])×sin(Lat[b])
-sin(lat[1])×cos(lat[b])×cos(Lon[b]-Lon[1])
其中,lon[b]表示b通道图像中质心的经度;Lat[b]表示b通道图像中质心的纬度;Lon[b]表示b通道图像中质心的经度。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
(1)本发明方法利用高分四号遥感卫星采用的多通道轮转滤波凝视成像机制,通过舰船检测、舰船超分辨率增强、舰船轮廓提取、舰船质心运动轨迹拟合、舰船质心提取、航速和航向计算等步骤,实现单景图像运动目标的航速航向估计,提高了遥感卫星的应用水平;
(2)本发明方法采用基于深度学习的舰船超分辨率增强处理,提高图像的空间分辨率和舰船的边缘强度,有利于提高舰船轮廓的提取和定位精度;
(3)本发明方法采用基于多通道目标轮廓融合的运动目标质心轨迹提取和质心定位方法,能够提高运动目标航速航向的估计精度。
附图说明
图1:本发明实施例提供的运动目标航速航向估计流程图;
图2:本发明实施例提供的运动目标航速航向估计过程结果说明图;
图3:本发明实施例提供的图像超分辨率网络结构图;
图4:本发明实施例提供的残差组网络结构图;
图5:本发明实施例提供的上采样网络结构图;
图6:本发明实施例提供的边缘检测网络结构图。
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用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
高分四号影像是一个多通道影像数据,高分四号影像分辨率较低,舰船边缘模糊,导致舰船质心和运动轨迹提取困难。针对现有技术不能充分利用高分四号卫星的特点来解决航速航行估计问题,本发明提供了一种基于高分四号影像的运动舰船航速航向估计方法,其目的在于实时获得卫星监视区域非合作舰船或失联舰船的运动状态信息,为静轨卫星平台的运动舰船监测提供一种新的有效手段,提高静轨卫星的遥感应用水平。
为实现上述目的,按照本发明的一个方面,提供了一种基于高分四号单景影像分析的运动舰船检测和运动参数估计方法,如图1、2所示,具体包括如下步骤:
S1:读取遥感影像:读取单景多光谱遥感影像,记为I,其中I(b)为第b通道的图像,b为通道号,若多光谱影像通道数为K,则b=1,…,K;
S2:运动舰船检测:采用运动目标检测方法对影像I进行分析,对场景中的运动舰船进行检测,获得运动舰船的位置信息,并提取包含舰船的图像块,记第b通道提取的图像块为Sub(b);
S3:舰船超分辨率增强处理:采用如图3所示的超分辨率增强网络对S2中提取的各通道图像块Sub(b)进行超分辨率增强处理,得到增强处理后的图像块,记为ESub(b);
本发明采用的超分辨率网络结构主要包括特征提取主干网络、残差网络和上采样网络。其中,
主干网络采用常用的经过预训练的ResNet网络;
残差网络由两个残差组(Residual Group,简称RG)串联组成,每个残差组包含两个残差通道注意力模块(Residual Channel Attention Block,简称RCAB)(如图4所示),RCAB是残差网络的重要组成部分,该模块首先通过全局平均池化计算特征在各通道的响应强度,然后对响应强度大的通道进行增强处理,而响应强度弱的通道进行抑制处理。
上采样网络如图5所示,主要采用像素重排层(Pixel Shuffle)来生成超分辨图像,一个像素重排层可以将图像分辨率放大2倍,可以根据需要的放大倍数来决定像素重排层的个数,本发明采用1个像素重排层,实现图像的2倍分辨率提升。
S4:单通道舰船轮廓提取:采用如图6所示的边缘检测网络对超分辨率增强后的各通道图像块ESub(b)进行舰船边缘检测处理,获得舰船在各通道图像中的二值轮廓图,记第b通道图像的舰船二值轮廓图像为C(b);
边缘检测网络(如图6所示)包含5个卷积层,网络的输入图像为ESub(b),通过5个卷积层对舰船边缘信息进行提取,每个卷积层分别输出不同尺度的边缘检测结果,然后再通过汇聚层(concat层)将不同层的边缘检测结果进行融合,得到最终的边缘检测结果。
S5:多通道图像舰船轮廓融合:在舰船的轮廓二值图中,轮廓上像素点的值为“1”,非轮廓上的像素点的值为“0”,因此,对所有通道的舰船轮廓二值图进行或操作,可以获得多通道舰船轮廓二值图的融合图,记为F;
S6:舰船质心运动轨迹拟合:对图像F中的舰船轮廓点采用基于最小二乘的曲线拟合方法进行处理,获得目标质心的圆周运动轨迹,记为T;
S7:单通道目标质心定位:在目标二值轮廓图中,目标轮廓为一条封闭的曲线,分别以每个通道的目标轮廓封闭曲线为边界,对轨迹线T进行截取,获得每个通道目标轮廓曲线内部的目标质心运动轨迹线段,记第b通道的目标质心运动轨迹线段为T(b);再获得线段T(b)后,寻找线段T(b)上到目标轮廓C(b)所有点的距离和最小的点,该点即为目标在第b个通道图像中的质心。寻找质心点的过程可描述如下:设轨迹线段T(b)上的点的数量为m,用{(x[i],y[i])}表示轨迹点的集合,i=1,…,m;设目标轮廓C(b)中轮廓点数量为n,用{p[j],q[j]}表示轮廓点形成的集合,j=1,…,n;则T(b)上的任意一点到目标轮廓C(b)上所有点的距离和可表示为:
遍历线段T(b)上的所有点,找出使D值最小的点,该点位置即为第b通道图像中目标的质心位置,记为CI[b];依次可以获得不同通道的目标质心位置;
S8:质心经纬度坐标计算:采用RPC变换方法,将目标在不同通道的图像坐标CI[b]转换为WGS84地理坐标,记为Cwgs[b]={Lon[b],Lat[b]},其中Lon[b]和Lat[b]分别为第b通道图像中目标质心所对应的经度和纬度。
S9:航速估计:航速估算采用区间速度平均计算方法,首先分别利用相邻两个通道的目标位置变化信息,分别估计目标在不同区间的速度,然后对各区间速度取均值,得到最终的航速估计结果。对高分四号卫星来说,总共有5个多光谱通道,因此可以先估计4个区间速度,然后对四个区间速度求平均得到最终结果。区间速度的估计过程如下:设多光谱图像相邻两个通道(通道b和通道b+1)的成像时间差为Δt,目标经过Δt时长所移动的距离可近似为两个通道图像中目标质心间的距离,目标质心的距离计算方法采用常用的基于两点经纬度坐标的距离计算方法,计算过程如下:
其中,R为地球半径;
S10:航向估计:航向估计采用以下计算公式获得:
Gx=sin(lon[b]-lon[1])×cos(Lat[b])
Gy=cos(lat[1])×sin(Lat[b])
-sin(lat[1])×cos(lat[b])×cos(Lon[b]-Lon[1])
将上式计算获得的点坐标(Gx,Gy),由直角坐标系转换为极坐标系,获得极坐标系下的角度信息,记为A,再将A规范化到0到360度范围内,其计算过程可表述如下:
A=atan2(Gx,Gy)
Q=Mod(A,360)
其中:atan2为直角坐标转化成极坐标函数,Mod为取余函数,Q为该船舶的航向估计值。
以上内容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 (6)
1.一种基于高分四号影像分析的运动舰船航速航向获取方法,其特征在于,所述方法包括以下步骤:
S1、读取高分四号单景多光谱遥感影像,记为I,其中I(b)为第b个通道图像,b为通道号,b=1,…,K,K为总通道数;
S2、采用运动目标检测方法对影像I进行分析,获得运动目标的位置信息,并提取包含目标的图像块,第b通道提取的图像块记Sub(b);
S3、采用超分辨率增强网络对分别对各通道图像块进行超分辨率增强处理,得到具有更高空间分辨率的舰船轮廓增强的图像块,记为ESub(b);
S4、采用边缘检测网络对超分辨率增强后的各通道图像块进行舰船边缘检测处理,获得舰船在各通道图像中的二值轮廓图,记第b通道图像的舰船二值轮廓图像为C(b);
S5、对所有通道的舰船轮廓二值图进行或操作,获得多通道舰船轮廓二值图的融合图,记为F;
S6、对图像F中的舰船轮廓点进行曲线拟合处理,获得目标质心的圆周运动轨迹,记为T;
S7、在目标二值轮廓图中,目标轮廓为一条封闭的曲线,分别以每个通道的目标轮廓封闭曲线为边界,对轨迹线T进行截取,获得每个通道目标轮廓曲线内部的目标质心运动轨迹线段,记第b通道的目标质心运动轨迹线段为T(b);,寻找线段T(b)上到目标轮廓C(b)所有点的距离和最小的点,该点即为目标在第b个通道图像中的质心;
S8、将目标在不同通道的质心坐标转换为地理坐标,即质心在地理坐标中的经度和纬度;
S9、首先分别利用相邻两个通道的目标质心位置变化信息,分别估计目标在不同区间的速度,然后对各区间速度取均值,得到最终的航速估计结果;
S10、由目标当前通道目标和初始通道目标获取目标的当前航向。
2.根据权利要求1所述的一种基于高分四号影像分析的运动舰船航速航向获取方法,其特征在于,所述步骤S3中超分辨率增强网络包括特征提取主干网络、残差网络和上采样网络,其中:
主干网络采用经过预训练的ResNet网络;
残差网络由两个残差组串联组成,每个残差组包含两个残差通道注意力模块,所述残差通道注意力模块首先通过全局平均池化计算特征在各通道的响应强度,之后对响应强度大于阈值的通道进行增强处理,响应强度小于阈值的通道进行抑制处理;
上采样网络采用像素重排层实现图像的分辨率提升。
3.根据权利要求1所述的一种基于高分四号影像分析的运动舰船航速航向获取方法,其特征在于,所述步骤S4中边缘检测网络包含多个卷积层,网络的输入图像为ESub(b),通过多个卷积层对舰船边缘信息进行提取,每个卷积层分别输出不同尺度的边缘检测结果,然后再通过汇聚层将不同层的边缘检测结果进行融合,得到最终的边缘检测结果。
6.根据权利要求1所述的一种基于高分四号影像分析的运动舰船航速航向获取方法,其特征在于,所述步骤S10具体为:
设目标在极坐标系下的角度信息为A:
A=atan2(Gx,Gy)
则目标目前的航向Q为:
Q=Mod(A,360)
其中,atan2为直角坐标转化成极坐标函数,Mod为取余函数;另外:
Gx=sin(lon[b]-lon[1])×cos(Lat[b]);
Gy=cos(lat[1])×sin(Lat[b])-sin(lat[1])×cos(lat[b])×cos(Lon[b]-Lon[1])
其中,lon[b]表示b通道图像中质心的经度;Lat[b]表示b通道图像中质心的纬度;Lon[b]表示b通道图像中质心的经度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012276.8A CN113762125B (zh) | 2021-08-31 | 一种基于高分四号影像分析的运动舰船航速航向获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012276.8A CN113762125B (zh) | 2021-08-31 | 一种基于高分四号影像分析的运动舰船航速航向获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762125A true CN113762125A (zh) | 2021-12-07 |
CN113762125B CN113762125B (zh) | 2024-06-07 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017143631A1 (zh) * | 2016-02-22 | 2017-08-31 | 江苏大学 | 一种水产养殖作业船自动导航路径跟踪方法 |
CN111461983A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学鄂州工业技术研究院 | 一种基于不同频度信息的图像超分辨率重建模型及方法 |
CN112346096A (zh) * | 2020-11-10 | 2021-02-09 | 中国人民解放军海军航空大学 | 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017143631A1 (zh) * | 2016-02-22 | 2017-08-31 | 江苏大学 | 一种水产养殖作业船自动导航路径跟踪方法 |
CN111461983A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学鄂州工业技术研究院 | 一种基于不同频度信息的图像超分辨率重建模型及方法 |
CN112346096A (zh) * | 2020-11-10 | 2021-02-09 | 中国人民解放军海军航空大学 | 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统 |
Non-Patent Citations (1)
Title |
---|
程伟: "静轨凝视多光谱影像海面运动目标检测", 中国优秀博硕士学位论文全文数据库(硕士)工程科技辑, no. 6, 15 June 2019 (2019-06-15), pages 25 - 67 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451593B (zh) | 一种基于图像特征点的高精度gps定位方法 | |
CN108362281B (zh) | 一种长基线水下潜艇匹配导航方法及系统 | |
Aarsæther et al. | Estimating navigation patterns from AIS | |
CN109409283B (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN106407315B (zh) | 一种基于街景图像数据库的车辆自主定位方法 | |
CN109239709B (zh) | 一种无人船的局部环境地图自主构建方法 | |
KR101334804B1 (ko) | 선박 통합모니터링을 위한 위성정보 및 선박정보의 통합방법 | |
US8515611B2 (en) | Inertial measurement with an imaging sensor and a digitized map | |
CA2579898C (en) | Method for the processing and representing of ground images obtained by synthetic aperture radar systems (sar) | |
Callmer et al. | Radar SLAM using visual features | |
CN110222612A (zh) | 用于无人机自主降落的动态标靶识别与跟踪方法 | |
CN109001725B (zh) | 一种海上无人艇海上多目标跟踪方法 | |
EP2211200A1 (en) | Marine radar system with three-dimensional memory | |
CN110889380A (zh) | 一种舰船识别方法、装置及计算机存储介质 | |
CN110458089B (zh) | 一种基于高低轨光学卫星观测的海上目标关联系统及方法 | |
JP2001004398A (ja) | 衛星sar画像に基づく移動体の移動情報検出方法 | |
CN107430004A (zh) | 用于计算至少一艘船的水面速的方法和用于推导在该船的路径上每个点处的漂移向量的方法 | |
CN110703272A (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
CN113532499A (zh) | 无人系统的传感器安全性检测方法、设备及存储介质 | |
CN113762125A (zh) | 一种基于高分四号影像分析的运动舰船航速航向获取方法 | |
CN113762125B (zh) | 一种基于高分四号影像分析的运动舰船航速航向获取方法 | |
CN117173215A (zh) | 一种跨摄像头的内河航船全程轨迹识别方法及系统 | |
CN111709308B (zh) | 一种基于无人机的海上遇险人员检测和跟踪方法及其系统 | |
Dransfeld et al. | The potential of the maximum cross-correlation technique to estimate surface currents from thermal AVHRR global area coverage data | |
CN114445761A (zh) | 一种基于图像识别的雷康状态远程监测方法 |
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 |