CN115082811A - 一种依据图像数据的海上航行船舶识别与距离测量的方法 - Google Patents
一种依据图像数据的海上航行船舶识别与距离测量的方法 Download PDFInfo
- Publication number
- CN115082811A CN115082811A CN202210895925.1A CN202210895925A CN115082811A CN 115082811 A CN115082811 A CN 115082811A CN 202210895925 A CN202210895925 A CN 202210895925A CN 115082811 A CN115082811 A CN 115082811A
- Authority
- CN
- China
- Prior art keywords
- frame
- area
- anchor frame
- adaptive anchor
- ship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 101100441251 Arabidopsis thaliana CSP2 gene Proteins 0.000 description 3
- 102100027557 Calcipressin-1 Human genes 0.000 description 3
- 101100247605 Homo sapiens RCAN1 gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 101150064416 csp1 gene Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种依据图像数据的海上航行船舶识别与距离测量的方法，包括：S1：通过单目相机，获取目标水域的遥感光学图象；S2：搭建YOLOv5x检测平台模型，获取最佳自适应锚框，以通过所述遥感光学图像进行船舶类型的检测；S3.根据所述最佳自适应锚框，采用Canny算法进行目标船舶的测距。本发明的一种依据图像数据的海上航行船舶识别与距离测量的方法，通过搭建了YOLOv5平台的检测平台，完成船舶识别和单目相机测距。在测距过程中不会被雷达等设备发现，且价格低廉。
Description
技术领域
本发明涉及智能航运与图像处理技术领域，尤其涉及一种依据图像数据的海上航行船舶识别与距离测量的方法。
背景技术
在船舶识别和测距方案方面，传统上通过组合有源测距雷达与图像识别算法的方案，对来船进行类型识别与距离测量。在船舶识别方面，采用机器学习算法进行大数据训练，通过图像标定出船舶位置并记录船舶类别。在测距方面，采用有源波段雷达的方法，对识别到的船舶进行匹配测距。但这种组合测距的方法因使用有源雷达造成可被追溯到识别来源，无法保证其安全性与隐蔽性。因雷达造价的原因，在多方位铺设视频识别设备时，造价高昂，不便于高密度铺设。减少设备铺设时会造成识别测距数据来源单一，无法保证其稳定性。并且航海上的雷达对目标的距离测量容易被追溯源头，隐蔽性与保密性不佳。
发明内容
本发明提供一种依据图像数据的海上航行船舶识别与距离测量的方法，以克服上述技术问题。
为了实现上述目的，本发明的技术方案是：
一种依据图像数据的海上航行船舶识别与距离测量的方法，包括如下步骤：
S1：通过单目相机，获取目标水域的遥感光学图象；
S2：搭建YOLOv5x检测平台模型，获取最佳自适应锚框，以通过所述遥感光学图像进行船舶类型的检测；
S3.根据所述最佳自适应锚框，采用Canny算法进行目标船舶的测距。
进一步的，所述最佳自适应锚框的获取方法为：
S21：根据YOLOv5x检测平台模型获取目标船舶的自适应锚框，以获取自适应锚框的面积；
S22：根据所述自适应锚框的面积，获取重叠边框的面积；
S23：建立所述重叠边框的损失函数，以根据所述重叠边框的面积，获取最佳自适应锚框。
进一步的，获取目标船舶的自适应锚框如下：
其中：w为自适应锚框的宽，h为自适应锚框的高，s是自适应锚框的长度，ratio是自适应锚框的纵横比。
进一步的，获取重叠边框的面积的方法如下；
首先计算实际标签边框Bg的面积Sg如下:
其中，Sg为实际标签边框的面积；
为实际标签边框的坐标；
计算预测标签边框Bp的面积Sp，公式如下:
其中，Sp为预测标签边框的面积；
为预测标签边框的坐标；
通过Bp和Bg得到重叠边框坐标,计算公式如下：
其中，
为重叠边框坐标；
表示单位矢量；
根据公式(4)、(5)、(6)和(7)，计算重叠边框的面积SI如下:
获取能够包含Bp和Bg的重叠边框Bc坐标，计算公式如下:
得到Bc的面积，计算公式如下:
其中，
为重叠边框的坐标；Sc为重叠边框的面积。
进一步的，S23：建立所述重叠边框的损失函数，以获取最佳自适应锚框；
计算所述重叠边框的损失LGIoU，U是重叠边框的面积，GIoU为回归损失函数结果，公式如下:
当LGioU收敛时，所对应的重叠边框即为所获得的最佳自适应锚框；
当LGioU不收敛时，重复执行S21～S23。
有益效果：本发明的一种依据图像数据的海上航行船舶识别与距离测量的方法，通过搭建了YOLOv5平台的检测平台，完成船舶识别和单目相机测距。在测距过程中不会被雷达等设备发现，且价格低廉。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的海上航行船舶识别与距离测量的方法流程图；
图2为本发明的实施例中的地平线测距示意图；
图3为本发明的实施例中采用本发明的方法对目标船舶的识别结果图；
图4为本发明的实施例采用光学图像与GPS设备所拍摄图像对目标船舶测距对比示意图；
图5为本发明的实施例中获得目标船舶距离的完整流程图；
图6为本发明的实施例中的重叠边框示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供了一种依据图像数据的海上航行船舶识别与距离测量的方法，如图1和图5所示，包括如下步骤：
S1：通过单目相机，获取目标水域的遥感光学图象；
具体的，本实施例利用用于图像采集的检测平台、船基与岸基平台获取目标水域的光学图象；
S2：搭建YOLOv5x检测平台模型，获取最佳自适应锚框，以对所述遥感光学图像进行船舶类型的检测；
具体的，本实施例采用YOLOv5x检测平台模型来进行船舶类型的检测，其为YOLOv5x检测模型的自有功能，以所述光学图象组成的数据集为基础，搭建训练检测平台模型。YOLOv5x检测模型具有较多的卷积核，具有较好的检测效果，因此，本实施例采用YOLOv5x检测模型进行光学图象中进行船舶的检测。YOLOv5检测模型中的CSP(Cross-Stage-Partial-connections/跨级部分连接)有两种设计，分别为CSP1_X结构和CSP2_X结构，即CSP结构是将原输入分成两个分支，分别进行卷积操作使得通道数减半，以使得YOLOv5x检测模型能够学习到更多的特征。YOLOv5x网络结构如下:YOLOv5x网络在执行CSP1的过程中，该结构包括4个残差组件，因此是CSP1_4，在第2次和第3次CSP1中都采用了12个残差组件，因此是CSP1_12。在Neck网络结构中，CSP2结构也是以同样的方式组成，在经过第1次CSP2结构时，YOLOv5x组件结构包括2组4个卷积操作，经过8个卷积操作，因此是CSP2_4。随着结构的不断加深，其网络特征提取和特征融合的能力也在不断加强。
YOLOv5x网络的Focus结构中，输入图像608×608像素大小，经过Focus结构，特征图的大小变成304×304×80，在第2个卷积操作时，YOLOv5x网络使用了160个卷积核，因此得到的特征图是152×152×160，后面3个卷积和下采样操作也是同样的原理，最后得到的特征图向量分别为19×19×1280、38×38×1280、76×76×1280。当经过CSP1和CSP2结构，卷积核的数量在不断地增加，网络整体的计算量也随着增加，因此随着卷积核的数量的增多，网络提取的特征图厚度随之加深，深度学习的能力也有所增强。其中的船舶类型是指船的种类，一般依据船的用途来划分，例如：散货船、集装箱船、油船，由于不同用途的船之间外形差异较大其识别方法，因此本实施例中是依据船的外形来识别。
优选地，获取最佳自适应锚框的方法为：
S21：根据YOLOv5x检测平台模型获取目标船舶的自适应锚框，以获取自适应锚框的面积；
本实施例中，锚框是根据经验选定的船舶预测框初始形状，光学图像中的船舶目标大小不一，难以确定锚框大小，因此，采用自适应锚框的确定方法计算锚框的尺寸。一个自适应锚框可以由自适应锚框的纵横比(ratio)和自适应锚框的长度(s)来定义，相当于一系列自适应锚框生成规则，不同纵横比生成的自适应锚框的面积是相同的，具有相同的大小，获取目标船舶的自适应锚框如下：
其中：w为自适应锚框的宽，h为自适应锚框的高，s是自适应锚框的长度，ratio是自适应锚框的纵横比；根据自适应锚框生成规则，可以在图像的任意位置生成一系列的自适应锚框。自适应锚框可以解决一个窗口只能检测一个目标和多尺度问题，同时不同尺寸的锚框，可以针对性地标记预测目标。
S22：根据所述自适应锚框的面积，获取重叠边框的面积；
具体的，YOLOv5采用回归损失函数(Generalized Intersection over Union，GIoU)作为自适应锚框的损失函数，假设预测边框的坐标为
实际标签边框的坐标为
规定预测标签边框的
上标p表示预测边框，g表示实际标签边框。实际标签边框为数据集预设的标绘边框，预测边框为YOLOv5绘制的边框。
优选地，获取重叠边框的面积的方法如下：
首先计算实际标签边框Bg的面积Sg如下:
其中，Sg为实际标签边框的面积；
为实际标签边框的坐标；
计算预测标签边框Bp的面积Sp，公式如下:
其中，Sp为预测标签边框的面积；
为预测标签边框的坐标；
通过Bp和Bg得到重叠边框坐标,计算公式如下：
其中，
为重叠边框坐标；
根据公式(4)、(5)、(6)和(7)，计算重叠边框的面积SI如下，如图6所示:
获取能够包含Bp和Bg的重叠边框Bc坐标，计算公式如下:
得到Bc的面积，计算公式如下:
其中，
为重叠边框的坐标；
S23：建立所述重叠边框的损失函数，以获取最佳自适应锚框；
计算自适应锚框的损失LGIoU，U是2个边框即重叠边框的集合部分面积，GIoU为回归损失函数结果，公式如下:
当LGioU收敛时，所对应的重叠边框即为所获得的最佳自适应锚框；
当LGioU不收敛时，重复执行S21～S23。
S3.根据所述最佳自适应锚框，采用Canny算法进行目标船舶的测距；
本实施例利用Canny算法来进行目标船舶的测距。具体的，由于Canny算法通常处理的图像为灰度图，因此如果摄像机获取的是彩色图像，那首先就得进行灰度化。对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。以RGB格式的彩图为例，所述Canny算法中，对所述遥感光学图像进行灰度化的方法如下：
Gray＝0.299R+0.587G+0.114B (19)
其中R、G、B为各颜色通道分量，Gray为灰度化值。如图2所示，为CANNY边缘算法计算绘制下，地平线位置。
具体的，灰度值是计算机图像学中的基础操作，将某单位像素本身的色彩变为灰度大小，便采用如公式(7)的计算公式。灰度值是为在canny算法中使用，灰度化之后，依据canny算法(已有的经典算法)对明显灰度变化部分进行标准，在图像中，海洋与天空部分之间的天际线是灰度变化最大的部分，通过该操作便可将天际线标注出来。其中，天际线的作用是当图像上出现船舶时，先对船舶进行锚框标定，随后识别船舶类型。在根据天际线与船舶之间的像素距离推算实际距离。
图2给出了问题设置的一般方案。安装在高度h的船上的相机捕获物体的图像。考虑海面上的一个像素p代表相机捕获的对象。该像素对应于距船的距离d。我们计算到像素p表示的小海面区域的视线与连接相机和地球中心的线之间的角度。因此，如果我们知道相机的高度h和上面描述的角度
其视野(FOV)仅从某个角度
开始，便可计算出目标船舶距相机的距离。
假设相机相对于船的位置是恒定的，
保持恒定并且可以被测量。因此，我们需要的角度是对应于视野开始处的角度
与对应于p和视频帧底部之间的像素数的角度α之和。基于上述几何解释，剩下的主要问题是将有意义的像素p与每个跟踪对象相关联。由于我们工作的目的之一是为自主导航提供支持，因此应该选择的像素是表示被跟踪对象离相机最近的点的像素。一个好的像素选择是代表物体接触海面的区域的像素。直观地说，与离地平线较远的像素相比，代表离地平线较近的海面的像素对应于距相机更大的距离。忽略物体可能具有的突出的锐利特征，我们应用程序的最佳像素是离地平线最远的像素，因此得到目标船舶到相机的距离，如图3所示。
4.实验验证
为了验证算法的有效性，本实施例的实验平台为PC端Windows操作系
统，运行内存8GB，Intel Core i5-9300H CPU@2.40GHz*4处理器，显卡为NVIDIAGTX1650(显存4GB)。实验训练数据集为SEASHIP(7000)。
图4为SEASHIP训练后采用其他数据集验证的结果，可见训练后的数据集可满足识别并标记船舶的精度。训练好的数据模型的平均计算速度小于0.1s，且mAP可以达94.3％。
如图所示，图片数据获得的距离相比于GPS设备波动较大，根据计算平均误差为实际距离的8.2％。
与基于合成孔径雷达图像的检测技术相比较，光学遥感图象的时效性更好，分辨率更高，而且随着平台载荷以及光谱分辨率的不断提高，也将获导更加丰富的船只信息。
本计算方法采用YOLOv5训练模型与地平线检测测距算法结合，对海上航行船舶进行测距分类，结果表明，使用YOLOv5对船舶的分类检测mAP可以达到94.3％，对目标的测距结果相比于GPS数据的误差值为实际距离的8.2％。可以以此设计航道或海面船舶测距识别检测，有助于获取附近海域船舶航行数据与记录航行情况，并将结果利用图像和数字的方式显示在设计软件上，操作简单、快捷，显示直观，可作为引航员、船舶驾驶员和船舶交通管理中心(vessel traffic service，VTS)协调船舶避让行动的依据。
本实施例应用船舶的基于光学遥感图像目标检测技术，即在利用空、天、船基与岸基平台获取目标水域的光学图象之后，YOLOv5识别到船舶类型，再用canny算法，提取地平线，依据地平线在图像上与船舶的像素距离来计算实际距离，是将YOLOv5与远洋无源相机测距结合，通过计算机科学技术对所述光学图像进行处理，进而获得目标海面区域、湖面区域水域的目标信息的技术。
本实施例能够使用简单的单目相机就完成了测距，由于单目相机是无法获取深度的，本实施例中通过图像上的地平线与船舶之间的像素距离，与本船高度和地球半径组成的深度三角推算出了距离，不会被雷达等设备发现，具有无源的特点，且价格低廉。做的工作在实验验证部分已经体现。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种依据图像数据的海上航行船舶识别与距离测量的方法，其特征在于，包括如下步骤：
S1：通过单目相机，获取目标水域的遥感光学图象；
S2：搭建YOLOv5x检测平台模型，获取最佳自适应锚框，以通过所述遥感光学图像进行船舶类型的检测；
S3.根据所述最佳自适应锚框，采用Canny算法进行目标船舶的测距。
2.根据权利要求1所述的一种依据图像数据的海上航行船舶识别与距离测量的方法，其特征在于，所述最佳自适应锚框的获取方法为：
S21：根据YOLOv5x检测平台模型获取目标船舶的自适应锚框，以获取自适应锚框的面积；
S22：根据所述自适应锚框的面积，获取重叠边框的面积；
S23：建立所述重叠边框的损失函数，以根据所述重叠边框的面积，获取最佳自适应锚框。
3.根据权利要求2所述的一种依据图像数据的海上航行船舶识别与距离测量的方法，其特征在于，获取目标船舶的自适应锚框如下：
其中：w为自适应锚框的宽，h为自适应锚框的高，s是自适应锚框的长度，ratio是自适应锚框的纵横比。
4.根据权利要求3所述的一种依据图像数据的海上航行船舶识别与距离测量的方法，其特征在于，获取重叠边框的面积的方法如下；
首先计算实际标签边框Bg的面积Sg如下:
其中，Sg为实际标签边框的面积；
为实际标签边框的坐标；
计算预测标签边框Bp的面积Sp，公式如下:
其中，Sp为预测标签边框的面积；
为预测标签边框的坐标；
通过Bp和Bg得到重叠边框坐标,计算公式如下：
其中，
为重叠边框坐标；
表示单位矢量；
根据公式(4)、(5)、(6)和(7)，计算重叠边框的面积SI如下:
获取能够包含Bp和Bg的重叠边框Bc坐标，计算公式如下:
得到Bc的面积，计算公式如下:
其中，
为重叠边框的坐标；Sc为重叠边框的面积。
5.根据权利要求4所述的一种依据图像数据的海上航行船舶识别与距离测量的方法，其特征在于，
S23：建立所述重叠边框的损失函数，以获取最佳自适应锚框；
计算所述重叠边框的损失LGIoU，U是重叠边框的面积，GIoU为回归损失函数结果，公式如下:
当LGioU收敛时，所对应的重叠边框即为所获得的最佳自适应锚框；
当LGioU不收敛时，重复执行S21～S23。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210895925.1A CN115082811A (zh) | 2022-07-27 | 2022-07-27 | 一种依据图像数据的海上航行船舶识别与距离测量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210895925.1A CN115082811A (zh) | 2022-07-27 | 2022-07-27 | 一种依据图像数据的海上航行船舶识别与距离测量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115082811A true CN115082811A (zh) | 2022-09-20 |
Family
ID=83242658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210895925.1A Pending CN115082811A (zh) | 2022-07-27 | 2022-07-27 | 一种依据图像数据的海上航行船舶识别与距离测量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082811A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681778A (zh) * | 2023-06-06 | 2023-09-01 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160115130A (ko) * | 2015-03-26 | 2016-10-06 | 주식회사 네오카텍 | 단안 카메라를 이용한 해상 객체 거리측정 시스템을 이용한 해상 위험관리 시스템 및 해상 위험 관리방법 |
| CN107830860A (zh) * | 2017-10-31 | 2018-03-23 | 江苏科技大学 | 一种无人艇起吊回收视觉引导方法 |
| CN111222574A (zh) * | 2020-01-07 | 2020-06-02 | 西北工业大学 | 基于多模型决策级融合的舰船与民船目标检测与分类方法 |
| US11004233B1 (en) * | 2020-05-01 | 2021-05-11 | Ynjiun Paul Wang | Intelligent vision-based detection and ranging system and method |
| CN113313757A (zh) * | 2021-07-27 | 2021-08-27 | 广州市勤思网络科技有限公司 | 一种基于单目测距的船舱乘客安全预警算法 |
| CN113686314A (zh) * | 2021-07-28 | 2021-11-23 | 武汉科技大学 | 船载摄像头的单目水面目标分割及单目测距方法 |
| CN113822217A (zh) * | 2021-09-30 | 2021-12-21 | 杭州春来科技有限公司 | 基于ais和视频图像分析的船舶尾气监测方法 |
| CN114459423A (zh) * | 2022-01-24 | 2022-05-10 | 长江大学 | 一种单目测算航行船舶的距离的方法 |
-
2022
- 2022-07-27 CN CN202210895925.1A patent/CN115082811A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160115130A (ko) * | 2015-03-26 | 2016-10-06 | 주식회사 네오카텍 | 단안 카메라를 이용한 해상 객체 거리측정 시스템을 이용한 해상 위험관리 시스템 및 해상 위험 관리방법 |
| CN107830860A (zh) * | 2017-10-31 | 2018-03-23 | 江苏科技大学 | 一种无人艇起吊回收视觉引导方法 |
| CN111222574A (zh) * | 2020-01-07 | 2020-06-02 | 西北工业大学 | 基于多模型决策级融合的舰船与民船目标检测与分类方法 |
| US11004233B1 (en) * | 2020-05-01 | 2021-05-11 | Ynjiun Paul Wang | Intelligent vision-based detection and ranging system and method |
| CN113313757A (zh) * | 2021-07-27 | 2021-08-27 | 广州市勤思网络科技有限公司 | 一种基于单目测距的船舱乘客安全预警算法 |
| CN113686314A (zh) * | 2021-07-28 | 2021-11-23 | 武汉科技大学 | 船载摄像头的单目水面目标分割及单目测距方法 |
| CN113822217A (zh) * | 2021-09-30 | 2021-12-21 | 杭州春来科技有限公司 | 基于ais和视频图像分析的船舶尾气监测方法 |
| CN114459423A (zh) * | 2022-01-24 | 2022-05-10 | 长江大学 | 一种单目测算航行船舶的距离的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 苏萍 等: "基于单目视觉的水面目标识别与测距方法研究", 计算机技术与发展, vol. 31, no. 2, 28 February 2021 (2021-02-28), pages 80 - 84 * |
| 邢宇驰 等: "基于YOLOv5的遥感图像目标检测", 江西科学, vol. 39, no. 4, 31 August 2021 (2021-08-31), pages 725 - 732 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681778A (zh) * | 2023-06-06 | 2023-09-01 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
| CN116681778B (zh) * | 2023-06-06 | 2024-01-09 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109283538B (zh) | 一种基于视觉和激光传感器数据融合的海上目标大小检测方法 | |
| CN104778695B (zh) | 一种基于梯度显著性的水天线检测方法 | |
| US20220024549A1 (en) | System and method for measuring the distance to an object in water | |
| CN103065323A (zh) | 一种基于单应性变换矩阵的分段空间对准方法 | |
| US11948344B2 (en) | Method, system, medium, equipment and terminal for inland vessel identification and depth estimation for smart maritime | |
| CN113223075A (zh) | 一种基于双目摄像头式的船舶高度测量系统及方法 | |
| CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
| CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
| CN113657409A (zh) | 车辆损失检测方法、装置、电子设备及存储介质 | |
| CN113987251A (zh) | 船脸特征数据库的建立方法、系统、设备及存储介质 | |
| Nomura et al. | Study of 3D measurement of ships using dense stereo vision: towards application in automatic berthing systems | |
| CN115082811A (zh) | 一种依据图像数据的海上航行船舶识别与距离测量的方法 | |
| Sun et al. | IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes | |
| CN116434230A (zh) | 一种复杂环境下的船舶水尺读数方法 | |
| CN113805178A (zh) | 一种水面静态碍航物探测方法 | |
| CN111860215B (zh) | 目标对象的位置确定方法、终端设备及航行系统 | |
| JP4686773B2 (ja) | 動体認識方法および動体認識装置 | |
| CN113450598B (zh) | 基于红外视频的船舶辅助航行方法及系统 | |
| CN114332682B (zh) | 一种海上全景去雾目标识别方法 | |
| CN113297344B (zh) | 基于三维遥感图像的地性线匹配方法、装置及地物目标位置定位方法 | |
| CN114821493A (zh) | 基于计算机视觉、ais和雷达的船舶信息显示方法及系统 | |
| CN113537397A (zh) | 基于多尺度特征融合的目标检测与图像清晰联合学习方法 | |
| Ivanovskii | The Concept of Automated Draught Survey System for Marine Ships | |
| CN115128598B (zh) | 基于视觉感知和雷达感知融合的行为识别方法及终端设备 | |
| CN115719368B (zh) | 一种多目标船舶跟踪方法及系统 |
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 |