CN113820727A - 一种非视域目标探测中基于神经网络的快速定位方法 - Google Patents
一种非视域目标探测中基于神经网络的快速定位方法 Download PDFInfo
- Publication number
- CN113820727A CN113820727A CN202111164504.3A CN202111164504A CN113820727A CN 113820727 A CN113820727 A CN 113820727A CN 202111164504 A CN202111164504 A CN 202111164504A CN 113820727 A CN113820727 A CN 113820727A
- Authority
- CN
- China
- Prior art keywords
- target
- field target
- neural network
- echo signal
- visual field
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种非视域目标探测中基于神经网络的快速定位方法。针对传统非视域目标定位方法运算量大、精度低的问题,对中介面回波和目标散射回波信号分别提取其特征点,并使用神经网络对特征点之间的距离与非视域目标空间位置的关系进行建模,从而快速地解算出非视域目标的空间位置信息。本发明与现有技术相比的有益效果在于:本方法可以提高非视域目标定位精度;提升非视域目标定位的抗噪性能;有利于提高非视域目标探测的实时性。
Description
技术领域
本发明属于光电探测领域,具体涉及一种非视域目标探测中基于神经网络的快速定位方法。
背景技术
非视域探测技术是一种能够对被遮挡物体或场景进行探测、跟踪的技术,可以通过这项技术延展我们人类的视域范围。未来,将有可能应用于安全自动驾驶、危险情况救援及机器人视觉等领域,且都有重要的意义。目前已成为国内外研究的热点。与传统光学探测技术有所不同,传统光学探测技术只能够对视线范围内的物体进行探测。如果目标发生遮挡,传统光学探测技术将无法探测。
该技术主要采取主动探测的方式,发射一束脉冲激光到中介面,激光在中介面会发生漫反射,一部分激光直接返回探测器并被收集到,称为中介面回波,一部分漫反射后的激光打在非视域目标上并发生第二次漫反射到中介面上,此时中介面上将发生第三次漫反射,发生第三次漫反射后返回的光子被探测器收集到,称为目标散射回波,由此测量出光子的到达时间,从而解算出非视域目标的信息。然而,在解算过程中传统方法运算量大,运算时间长,严重影响非视域目标探测的实时性。
在目前的文献中,传统的椭圆解算非视域目标位置的方法,是将目标散射回波信号看作非视域目标存在的概率分布,将目标散射回波信号通过非视域椭圆物理模型映射到非视域,再计算出非视域中联合概率密度的最大值,并认为这一点就是非视域目标的位置。这种方法需要将全部的波形映射到非视域二维空间中,映射到非视域过程中运算量较大,影响非视域目标探测的实时性。往往将目标回波投影到非视域后,往往非视域中联合概率密度在较大邻域内比较相近,导致定位精度低。并且由于实验中对探测点和激光器的标校不准确,也会造成非视域目标定位的误差。总之,传统的椭圆解算非视域目标位置的方法运算量大,精度低,影响非视域目标探测的实时性和准确性。
发明内容
本发明解决的技术问题:针对传统非视域目标定位方法运算量大,精度低的问题,提供一种非视域目标探测中基于神经网络的快速定位方法。本发明在非视域目标回波的光子达到时间直方图信号中,对中介面回波和目标散射回波信号分别提取其特征点,并使用神经网络对特征点之间的距离与非视域目标空间位置的关系进行建模,从而快速地解算出非视域目标的空间位置信息。
本发明采用以下技术方案:一种非视域目标探测中基于神经网络的快速定位方法,该方法包括以下步骤:
步骤1、在非视域目标回波的光子到达时间直方图信号中,对中介面回波与目标散射回波信号分别提取其特征点,并计算特征点之间的距离;
步骤2、将针对多个探测点计算出的特征点之间的距离作为输入数据,将当前非视域目标的空间位置作为目标值;
步骤3、在非视域目标的不同位置重复步骤1~2,收集若干组数据;
步骤4、使用神经网络对所述特征点之间的距离与所述非视域目标空间位置的关系进行建模,学习出神经网络的参数;
步骤5、使用建立的模型对未知非视域目标进行定位。
进一步的,步骤1中,所述对中介面回波和目标散射回波信号分别提取其特征点的方法为:提取中介面回波信号的峰值点作为中介面回波信号的特征点,并提取目标散射回波信号的峰值点作为目标散射回波信号的特征点。
进一步的,步骤4中,所述利用神经网络对特征点之间的距离与非视域目标空间位置的关系进行建模的方法为:将多路回波信号中特征点之间的距离作为输入数据,并将当前非视域目标的空间位置作为目标值,建立前馈神经网络模型,再通过反向传播算法学习出神经网络的参数,从而完成建模。
进一步的,对目标散射回波信号提取特征点前,对直方图信号的中介面回波置零并进行滤波。
本发明与现有技术相比的有益效果在于:
(1)本发明方法可以提高非视域目标定位精度;
(2)提升非视域目标定位的抗噪性能;
(3)有利于提高非视域目标探测的实时性。
图面说明
图1是实施例中非视域目标实验中采集到的背景直方图信号;
图2是实施例中非视域目标实验中经过信号处理的光子到达时间直方图信号;
图3是实施例中使用神经网络模型进行非视域目标定位的结果。
具体实施方式
以下是本发明的具体实施办法。但以下的实施例仅限于解释本发明,本发明的保护范围应包括权利要求的全部内容,而且通过以下实施例对该领域的技术人员即可以实现本发明权利要求的全部内容。
本实施例在三个不同探测点来接收非视域目标返回的光子到达时间直方图信号,并对三路直方图信号中特征点之间的距离和非视域目标的空间位置的关系进行建模。本实施例通过仿真产生用于建模的数据集,并使用实验数据进行验证,但不限于使用仿真数据建模。本发明基于神经网络的快速定位方法具体步骤如下:
步骤1、在非视域目标回波的光子到达时间直方图信号中,对中介面回波与目标散射回波信号分别提取其特征点,并计算特征点之间的距离。
设中介面上激光点的位置为坐标系原点,即(0,0,0),x方向表示非视域场景中水平方向,y方向表示非视域场景中的z=0平面上与x轴垂直的方向,z方向表示非视域场景中竖直高度的方向。探测点在中介面的位置为:(-0.218,0,0)、(-0.373,0,0)、(-0.523,0,0)。以第一个探测点为例,特征点之间的距离的计算公式如下:
其中,x,y分别为非视域目标位置的横纵坐标,d1为在第一个探测点处产生的特征点之间的距离,r1为探测器到中介面上探测点的距离,r2为中介面上激光点到探测点的距离。同理可得在第二个探测点和第三个探测点的特征点之间的距离数据d2、d3。
步骤2、将多个探测点计算出的特征点之间的距离作为输入数据,将当前非视域目标的空间位置作为目标值。符号表示如下:
d(x,y)=(d1,d2,d3)T,d∈R3 (2)
Y(d)=[x,y]T (3)
其中,x,y分别为非视域目标位置的横纵坐标,d为特征点之间的距离d1,d2,d3组成的向量,Y为特征点之间的距离向量d所对应的目标向量。
步骤3、重复步骤1~2,在非视域目标的不同位置处收集若干组数据。
步骤4、使用神经网络对特征点之间的距离与非视域目标空间位置的关系进行建模,学习出神经网络的参数。
本实施例建立了一个包含3个输入层,10个隐藏层和2个输出层的前馈神经网络,三个输入分别为三个探测点的特征点之间的距离:d1,d2,d3,并使用Levenberg-Marquardt反向传播算法进行训练。公式如下:
F(d)=w[2](σ(w[1]d+b[1]))+b[2],w[1]∈R10×3,w[2]∈R2×10,d∈R3×1,b[1]∈R10×1,b[2]∈R2×1 (4)
σ(x)=1/(1+e-x) (5)
其中,F为前馈神经网络的输出,d为三个探测点的特征点之间的距离,σ为sigmoid函数,w[1]为第一层网络的系数矩阵,b[1]为第一层网络的偏差项,w[2]为第二层网络的系数矩阵,b[2]为第二层网络的偏差项,x,y为非视域目标位置的横纵坐标,Y为特征点之间的距离向量d所对应的目标向量,N为训练集的总数量,i为训练集的编号,Cost为Levenberg-Marquardt算法的代价函数。
步骤5、使用建立的模型对未知非视域目标进行定位。
图1为非视域目标探测实验中三个探测点采集到的背景直方图信号,其中回波为中介面回波信号,分别提取中介面回波信号的峰值点,本实施例选择波峰的峰值点作为特征点,但不限于选择峰值点。三个中介面回波信号的特征点位置分别为9.24ns,13.84ns,3.92ns。然后,对存在非视域目标时采集到的直方图信号进行信号处理操作,对该信号的中介面回波置零,减去背景信号,并进行了高斯滤波,中介面回波置零与高斯滤波只是为了方便提取出特征点位置,不属于本发明的必要步骤。图2中的回波信号为目标散射回波信号,分别提取出特征点位置,为16.97ns,21.95ns,12.39ns,则三个探测点处的特征点之间的距离分别为7.73ns,8.11ns,8.47ns。将计算出的特征点之间的距离输入到训练好的神经网络模型中,得到非视域目标空间位置为(0.5729,1.0240),与实际位置相符,如图3所示。
本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (3)
1.一种非视域目标探测中基于神经网络的快速定位方法,其特征在于:
该方法包括以下步骤:
步骤1、在非视域目标回波的光子到达时间直方图信号中,对中介面回波与目标散射回波信号分别提取其特征点,并计算特征点之间的距离;
步骤2、将针对多个探测点计算出的特征点之间的距离作为输入数据,将当前非视域目标的空间位置作为目标值;
步骤3、在非视域目标的不同位置重复步骤1~2,收集若干组数据;
步骤4、使用神经网络对所述特征点之间的距离与所述非视域目标空间位置的关系进行建模,学习出神经网络的参数;
步骤5、使用建立的模型对未知非视域目标进行定位。
2.根据权利要求1所述一种非视域目标探测中基于神经网络的快速定位方法,其特征在于:
步骤1中,所述对中介面回波和目标散射回波信号分别提取其特征点的方法为:提取中介面回波信号的峰值点作为中介面回波信号的特征点,并提取目标散射回波信号的峰值点作为目标散射回波信号的特征点。
3.根据权利要求1所述一种非视域目标探测中基于神经网络的快速定位方法,其特征在于:
步骤4中,所述利用神经网络对特征点之间的距离与非视域目标空间位置的关系进行建模的方法为:将多路回波信号中特征点之间的距离作为输入数据,并将当前非视域目标的空间位置作为目标值,建立前馈神经网络模型,再通过反向传播算法学习出神经网络的参数,从而完成建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111164504.3A CN113820727B (zh) | 2021-09-30 | 2021-09-30 | 一种非视域目标探测中基于神经网络的快速定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111164504.3A CN113820727B (zh) | 2021-09-30 | 2021-09-30 | 一种非视域目标探测中基于神经网络的快速定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820727A true CN113820727A (zh) | 2021-12-21 |
CN113820727B CN113820727B (zh) | 2024-02-02 |
Family
ID=78919900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111164504.3A Active CN113820727B (zh) | 2021-09-30 | 2021-09-30 | 一种非视域目标探测中基于神经网络的快速定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820727B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110177786A1 (en) * | 2009-03-30 | 2011-07-21 | Stefano Marano | Method and system for identification and mitigation of errors in non-line-of-sight distance estimation |
CN106772428A (zh) * | 2016-12-15 | 2017-05-31 | 哈尔滨工业大学 | 一种无扫描式光子计数非视域三维成像装置及方法 |
CN108761389A (zh) * | 2018-05-24 | 2018-11-06 | 西安科技大学 | 一种抑制nlos时延误差的矿井toa目标定位方法 |
US20200182995A1 (en) * | 2015-07-17 | 2020-06-11 | Origin Wireless, Inc. | Method, apparatus, and system for outdoor target tracking |
CN111462299A (zh) * | 2020-03-02 | 2020-07-28 | 清华大学 | 基于深度学习的非视域飞秒成像三维重建方法及装置 |
CN111694014A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院西安光学精密机械研究所 | 一种基于点云模型的激光非视域三维成像场景建模方法 |
CN111856490A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院光电技术研究所 | 一种非视域目标探测时中介面回波的抑制方法 |
CN111880194A (zh) * | 2020-08-10 | 2020-11-03 | 中国科学技术大学 | 非视域成像装置及方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
US20210166124A1 (en) * | 2019-12-03 | 2021-06-03 | Sony Semiconductor Solutions Corporation | Apparatuses and methods for training a machine learning network for use with a time-of-flight camera |
CN112904368A (zh) * | 2021-01-25 | 2021-06-04 | 中国科学院西安光学精密机械研究所 | 基于解析信号与补偿参考函数的非视域三维重建方法及系统 |
CN113138027A (zh) * | 2021-05-07 | 2021-07-20 | 东南大学 | 一种基于双向折射率分布函数的远红外非视域物体定位方法 |
CN113204010A (zh) * | 2021-03-15 | 2021-08-03 | 锋睿领创(珠海)科技有限公司 | 非视域目标检测方法、装置和存储介质 |
-
2021
- 2021-09-30 CN CN202111164504.3A patent/CN113820727B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110177786A1 (en) * | 2009-03-30 | 2011-07-21 | Stefano Marano | Method and system for identification and mitigation of errors in non-line-of-sight distance estimation |
US20200182995A1 (en) * | 2015-07-17 | 2020-06-11 | Origin Wireless, Inc. | Method, apparatus, and system for outdoor target tracking |
CN106772428A (zh) * | 2016-12-15 | 2017-05-31 | 哈尔滨工业大学 | 一种无扫描式光子计数非视域三维成像装置及方法 |
CN108761389A (zh) * | 2018-05-24 | 2018-11-06 | 西安科技大学 | 一种抑制nlos时延误差的矿井toa目标定位方法 |
US20210166124A1 (en) * | 2019-12-03 | 2021-06-03 | Sony Semiconductor Solutions Corporation | Apparatuses and methods for training a machine learning network for use with a time-of-flight camera |
CN111462299A (zh) * | 2020-03-02 | 2020-07-28 | 清华大学 | 基于深度学习的非视域飞秒成像三维重建方法及装置 |
CN111694014A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院西安光学精密机械研究所 | 一种基于点云模型的激光非视域三维成像场景建模方法 |
CN111856490A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院光电技术研究所 | 一种非视域目标探测时中介面回波的抑制方法 |
CN111880194A (zh) * | 2020-08-10 | 2020-11-03 | 中国科学技术大学 | 非视域成像装置及方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN112904368A (zh) * | 2021-01-25 | 2021-06-04 | 中国科学院西安光学精密机械研究所 | 基于解析信号与补偿参考函数的非视域三维重建方法及系统 |
CN113204010A (zh) * | 2021-03-15 | 2021-08-03 | 锋睿领创(珠海)科技有限公司 | 非视域目标检测方法、装置和存储介质 |
CN113138027A (zh) * | 2021-05-07 | 2021-07-20 | 东南大学 | 一种基于双向折射率分布函数的远红外非视域物体定位方法 |
Non-Patent Citations (11)
Title |
---|
PIERGIORGIO CARAMAZZA: ""Neural network identification of people hidden from view with a single-pixel, single-photon detector"", 《SCIENTIFIC REPORTS》, pages 1 - 6 * |
PIERGIORGIO CARAMAZZA: "《Neural network identification of people hidden from view with a single-pixel, single-photon detector》", pages 1 - 6 * |
于亭义: ""基于深度学习的非视域成像"", 《光学学报》, vol. 39, no. 7, pages 1 - 7 * |
任禹: ""非视域定位中光子飞行时间提取方法对比研究"", 《光电工程》, pages 1 - 10 * |
任禹: "《基于光子测量的非视域目标跟踪技术研究》", no. 02, pages 005 - 482 * |
任禹: "《非视域定位中光子飞行时间提取方法对比研究》", vol. 48, no. 1, pages 1 - 10 * |
吴术孔: ""被动非视域成像方法的研究进展"", 《光电子技术》, vol. 41, no. 2, pages 87 - 93 * |
徐伟豪: ""基于双向反射分布函数的非视域成像系统模型的仿真研究"", 《光子学报》, vol. 49, no. 12, pages 1 - 13 * |
李国栋: ""非视域成像系统的研究现状和发展趋势"", 《导航与控制》, vol. 19, no. 1, pages 27 - 35 * |
沈天明: ""非视域快速成像系统研究初探"", 《红外》, pages 20 - 24 * |
许凯达: ""基于激光距离选通的非视域成像特性分析"", 《兵工学报》, vol. 35, no. 12, pages 1 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN113820727B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563878A (zh) | 一种空间目标定位方法 | |
CN111522022B (zh) | 基于激光雷达的机器人进行动态目标检测方法 | |
CN111540001B (zh) | 航空发动机涡轮叶片气膜孔轴线方向检测方法 | |
CN111982124B (zh) | 基于深度学习的玻璃场景下三维激光雷达导航方法及设备 | |
CN110033017A (zh) | 一种多雷达航迹分步关联模糊聚类算法 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
CN112070831A (zh) | 一种基于多平面联合位姿估计的主动相机重定位方法 | |
CN111241667A (zh) | 一种基于图像处理和探针数据处理识别等离子体位形方法 | |
CN115469267A (zh) | 一种基于粒子群优化支持向量机和自主完好性监测的uwb定位方法 | |
CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
CN116805391A (zh) | 一种基于脉冲神经网络的航行器视觉目标感知与定位方法 | |
Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
Wang et al. | InterFusion: Interaction-based 4D radar and LiDAR fusion for 3D object detection | |
He et al. | Human segmentation of infrared image for mobile robot search | |
CN113820727B (zh) | 一种非视域目标探测中基于神经网络的快速定位方法 | |
CN107797091B (zh) | 一种基于子空间的新型纯方位目标定位方法 | |
Yuan et al. | DSmT-based ultrasonic detection model for estimating indoor environment contour | |
Sun et al. | Automatic targetless calibration for LiDAR and camera based on instance segmentation | |
CN111812586A (zh) | 一种采用听音定位技术实时监测目标物体运动轨迹的方法 | |
CN111914751B (zh) | 一种图像人群密度识别检测方法及系统 | |
CN115147385A (zh) | 一种航空孔探视频中重复损伤的智能检测和判定方法 | |
Chen et al. | A Framework for 3D Object Detection and Pose Estimation in Unstructured Environment Using Single Shot Detector and Refined LineMOD Template Matching | |
Wang et al. | A binocular vision method for precise hole recognition in satellite assembly systems | |
CN116224357A (zh) | 一种结合二维激光点云与超声波的玻璃检测方法 | |
Pei et al. | A robot ultrasonic mapping method based on the gray system theory |
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 |