CN115588144A - 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备 - Google Patents

基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备 Download PDF

Info

Publication number
CN115588144A
CN115588144A CN202211313675.2A CN202211313675A CN115588144A CN 115588144 A CN115588144 A CN 115588144A CN 202211313675 A CN202211313675 A CN 202211313675A CN 115588144 A CN115588144 A CN 115588144A
Authority
CN
China
Prior art keywords
calibration
data
unmanned aerial
aerial vehicle
target
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
Application number
CN202211313675.2A
Other languages
English (en)
Inventor
娄树理
宋杰
公维锋
刘兴惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Mass Institute Of Information Technology
Yantai University
Original Assignee
Shandong Mass Institute Of Information Technology
Yantai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Mass Institute Of Information Technology, Yantai University filed Critical Shandong Mass Institute Of Information Technology
Priority to CN202211313675.2A priority Critical patent/CN115588144A/zh
Publication of CN115588144A publication Critical patent/CN115588144A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备，所述方法包括：采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。本发明提供的方法，在标定阶段，通过插值处理，无需对所有像素点进行标定，也无需标定无人机悬停于特定像素点，减少了标定阶段的工作量，降低了姿态捕捉的实施难度。

Description

基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备。
背景技术
在无人机和小目标识别及姿态估计领域，现有的姿态捕捉算法大多基于多传感器融合实现，需要姿态估计对象搭载多个传感器模块，无法对于姿态估计对象以外的目标进行识别与姿态估计，使用范围具有局限性。基于视觉的姿态估计方法可以对外部目标进行姿态估计，为了保证姿态估计的精度，需要对包含检测目标的图像的每一个像素点进行标定，使检测对象悬停于特定像素点的难度较大，因此，采用对图像每一个像素点进行标定的传统方式实现姿态估计，实施难度和所需工作量较大。
发明内容
本发明提供一种基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备，用以解决现有技术中基于视觉的姿态估计方式需要对图像的每一个像素点进行标定，实施难度和所需工作量大的缺陷。
本发明提供一种基于高斯动态阈值筛选的实时姿态捕捉方法，包括：
采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
在一个实施例中，所述对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库的步骤，包括：
基于所述标定无人机在各所述标定图像中对应的多个样本像素点，计算第一样本像素点与第二样本像素点之间的空间距离和渐变距离；
其中，所述第一样本像素点为所述标定无人机在第一标定图像中对应的多个样本像素点中的任意一个，所述第二样本像素点为所述标定无人机在第二标定图像中对应的多个样本像素点中的任意一个；所述第一标定图像和所述第二标定图像是所述标定数据中任意相邻的两标定图像；所述第一样本像素点和所述第二样本像素点对应所述标定无人机上的同一点；
构建所述空间距离的第一高斯分布，以及所述渐变距离的第二高斯分布，并根据所述第一高斯分布和所述第二高斯分布确定筛选阈值；
根据所述筛选阈值对所述姿态数据进行筛选；
对筛选后的姿态数据进行插值处理，构建姿态识别数据库。
在一个实施例中，所述姿态数据包括所述标定无人机的姿态角，所述姿态角包括偏航角度和俯仰角度；所述对筛选后的姿态数据进行插值处理，构建姿态识别数据库的步骤，包括：
对筛选后的姿态数据进行插值处理，生成多个插值点；所述插值点处的数值包括俯仰角插值和偏航角插值；
基于所述多个插值点构建姿态识别数据库。
在一个实施例中，所述对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库之后，还包括：
基于所述姿态识别数据库，生成随机测试点；
采集所述标定无人机在所述随机测试点的标定验证数据；所述标定验证数据包括验证图像和验证定位数据；
根据所述标定验证数据确定所述标定无人机在所述随机测试点处的姿态验证数据；
计算所述姿态验证数据与所述随机测试点处的插值数值的空间位置误差；
根据所述空间位置误差对所述姿态识别数据库的有效性进行验证。
在一个实施例中，所述根据所述标定数据确定所述标定无人机的姿态数据的步骤，包括：
根据所述标定数据中的标定定位数据，确定所述标定无人机在地球坐标系下的第一位置坐标，并获取预设的图像采集设备在所述地球坐标系下的第二位置坐标；其中，所述图像采集设备用于采集所述标定数据中的标定图像和所述待检测目标的目标图像；
基于所述第二位置坐标，将所述第一位置坐标转换到所述图像采集设备的地理坐标系下，得到所述标定无人机与所述图像采集设备的相对位置坐标；
根据所述相对位置坐标计算所述标定无人机的姿态数据。
在一个实施例中，所述基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态的步骤，包括：
从所述目标图像中识别所述待检测目标对应的各目标像素点；
基于所述姿态识别数据库确定各所述目标像素点对应的目标姿态数据；
根据所述目标姿态数据捕捉所述待检测目标的实时目标姿态。
在一个实施例中，所述采集标定无人机的标定数据的步骤，包括：
在标定无人机飞行的空间区域内，选取标定区域；
在所述标定区域内生成网格状均匀分布的多个采样点；
基于所述多个采样点生成所述标定无人机的飞行轨迹，并控制所述标定无人机沿所述飞行轨迹恒速飞行；
在所述标定无人机沿所述飞行轨迹飞行至所述采样点处时，采集所述标定无人机的标定数据。
在一个实施例中，所述标定无人机上设有定位装置；所述定位装置用于采集所述标定数据中的标定定位数据。
本发明还提供一种基于高斯动态阈值筛选的实时姿态捕捉装置，包括：
像素标定模块，用于采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
插值处理模块，用于对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
姿态捕捉模块，用于获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于高斯动态阈值筛选的实时姿态捕捉方法。
本发明还提供一种非暂态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如上述任一种所述基于高斯动态阈值筛选的实时姿态捕捉方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于高斯动态阈值筛选的实时姿态捕捉方法。
本发明提供的基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备，通过对标定的姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库，从而可以基于获取的待检测目标的目标图像，识别待检测目标的目标姿态，实现对外部目标的姿态识别和捕捉。通过插值处理，无需对所有像素点进行标定，也无需标定无人机悬停于特定像素点，减少了标定阶段的工作量，降低了姿态捕捉的实施难度。
附图说明
为了更清楚地说明本发明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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于高斯动态阈值筛选的实时姿态捕捉方法的流程示意图；
图2是本发明提供的基于高斯动态阈值筛选的实时姿态捕捉方法的采样轨迹示意图；
图3是本发明提供的基于高斯动态阈值筛选的实时姿态捕捉装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
下面结合图1-图2描述本发明的基于高斯动态阈值筛选的实时姿态捕捉方法。
参照图1，图1为本发明实施例提供的基于高斯动态阈值筛选的实时姿态捕捉方法的流程示意图，基于图1，本发明实施例提供的基于高斯动态阈值筛选的实时姿态捕捉方法，包括：
步骤100，采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
为了实现对外部无人机或小目标的姿态识别，本发明实施例提供的基于高斯动态阈值筛选的实时姿态捕捉方法，采用工业相机，如多目相机等图像采集设备，基于视觉进行姿态捕捉。以下以相机作为图像采集设备为例进行说明，为确保姿态识别精度，首先需要采集标定无人机的标定数据，对相机进行标定，具体是对相机界面的像素点进行标定，采集的标定数据包括标定无人机的定位数据，即标定定位数据，以及标定无人机的标定图像；其中，定位数据用于对标定图像中的各像素点进行标定，具体地，标定无人机上搭载有用于采集标定定位数据的定位装置，如GPS模块，标定定位数据利用无人机搭载的定位模块采集得到，标定图像利用相机采集得到。利用相机采集无人机的标定图像，利用标定定位数据对标定图像中的像素点进行标定，从而实现对相机的标定。
具体地，在进行像素标定时，根据采集的标定无人机的标定数据，确定标定无人机的姿态数据，该姿态数据为经过标定的数据，其中，标定无人机的定位数据用于对标定图像中的样本像素点进行标定，样本像素点为标定无人机在标定图像中对应的像素点。标定数据中的图像和定位数据，可以是同步采集，也可以是异步采集的，在此不做具体限定。
步骤200，对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
对标定无人机的姿态数据进行高斯动态阈值筛选和插值处理，基于已标定的像素点进行高斯动态阈值筛选和插值处理，生成相应的插值点；基于插值点处的数值可以直接得到经过标定的姿态数据，构建出相应的姿态识别数据库，从而可以通过插值处理对标定图像中所有像素点进行标定。构建的姿态识别数据库中，包含标定图像所有像素点对应的标定后的姿态数据。
在实际标定过程中，数据收发、无人机识别会导致实际采集的数据中存在假性数据点，假性数据点会影响到插值的精度，因此，需要对姿态数据进行筛选，从而过滤掉假性数据点，确保插值处理的准确性。
步骤300，获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
获取待检测目标的目标图像，待检测目标可以是无人机，也可以是其他小目标飞行器，在此不做具体限定，基于构建的姿态识别数据库，根据获取的目标图像，捕捉待检测目标的实时目标姿态。对待检测目标的实施姿态的捕捉，包括对待检测目标的跟踪检测和姿态识别，需要实时跟踪待检测目标的空间位置及飞行轨迹，并识别待检测目标的姿态。其中，待检测目标的目标图像，基于经过标定的图像采集设备获取，基于构建的姿态识别数据库，可以确定目标图像中任一像素点对应的姿态数据，从而对待检测目标进行实时跟踪检测和姿态识别，捕捉待检测目标的实时目标姿态。
步骤100中，根据采集的标定数据确定标定无人机的姿态数据，包括：
步骤101，根据所述标定数据中的标定定位数据，确定所述标定无人机在地球坐标系下的第一位置坐标，并获取预设的图像采集设备在所述地球坐标系下的第二位置坐标；其中，所述图像采集设备用于采集所述标定数据中的标定图像和所述待检测目标的目标图像；
步骤102，基于所述第二位置坐标，将所述第一位置坐标转换到所述图像采集设备的地理坐标系下，得到所述标定无人机与所述图像采集设备的相对位置坐标；
步骤103，根据所述相对位置坐标计算所述标定无人机的姿态数据。
根据标定无人机的标定数据，确定标定无人机在地球坐标系下的第一位置坐标，并获取图像采集设备地球坐标系下的第二位置坐标，其中，图像采集设备同样以相机为例，该相机用于采集标定无人机的标定图像和待检测目标的目标图像；相机在地球坐标系下的第二位置坐标是预设的固定值，具体根据相机所处的位置确定。基于相机在地球坐标系下的第二位置坐标，将表征标定无人机空间位置的定位数据转换到相机无人机的地理坐标系下，得到标定无人机与相机的相对位置坐标；基于该相对位置坐标确定标定无人机的姿态数据，从而利用定位数据对标定图像中的样本像素点进行标定。
其中，标定无人机和相机的相对位置坐标(dx，dy，dz)可通过下列公式1表示：
Figure BDA0003908114980000081
在公式1中，
Figure BDA0003908114980000082
是标定无人机在地球坐标系下的第一位置坐标，
Figure BDA0003908114980000083
是相机在地球坐标系下的第二位置坐标；
Figure BDA0003908114980000084
为地球坐标系到相机无人机的地理坐标系的转化系数矩阵。第一位置坐标和第二位置坐标可以通过下列公式2至3表示：
Figure BDA0003908114980000085
Figure BDA0003908114980000086
在公式2至3中，
Figure BDA0003908114980000091
为卯酉圈半径，(λm，Lm，hm)为(经度，纬度，高度)，单位分别是(度，度，米)即(rad、rad、m)，e为地球扁率。
转化系数矩阵
Figure BDA0003908114980000092
如下列公式4所示：
Figure BDA0003908114980000093
基于上述公式，标定无人机的姿态数据可以根据下列公式5至6计算得到，其中，公式5为姿态数据中俯仰角Eα的计算公式，公式6为姿态数据中偏航角Eβ的计算公式。相机与无人机的俯仰角、偏航角可以确定无人机的唯一视角，从而确定在该视角下的无人机的飞行姿态。
Figure BDA0003908114980000094
Figure BDA0003908114980000095
进一步地，步骤300中，基于姿态识别数据库和获取的目标图像，识别待检测目标的目标姿态，具体包括：
步骤301，从所述目标图像中识别所述待检测目标对应的各目标像素点；
步骤302，基于所述姿态识别数据库确定各所述目标像素点对应的目标姿态数据；
步骤303，根据所述目标姿态数据捕捉所述待检测目标的实时目标姿态。
在识别待检测目标的目标姿态时，首先从获取的目标图像中识别出待检测目标对应的各个目标像素点，并基于构建的姿态识别数据库，确定各个目标像素点对应的目标姿态数据，即各目标像素点的俯仰角、偏航角等。根据各目标像素点的目标姿态数据，计算待检测目标的姿态数据，确定待检测目标的空间位置以便于对待检测目标进行跟踪，并识别待检测目标当前的目标姿态，从而捕捉待检测目标的实时目标姿态。其中，待检测目标的实时目标姿态包括待检测目标的实时空间位置、俯仰角和偏航角等。
需要说明的是，图像采集设备至少包括第一相机和第二相机，获取的待检测目标的目标图像至少包括第一相机采集的第一目标图像，以及第二相机采集的第二目标图像。待检测目标的空间位置根据第一目标图像中的第一像素点和第二目标图像中的第二像素点确定；第一像素点为待检测目标在第一目标图像中对应的各目标像素点中的任一像素点，同样地，第二像素点为待检测目标在第二目标图像中对应的各目标像素点中的任一像素点，但是第一像素点与第二像素点具有这样的对应关系：第一像素点与第二像素点对应待检测目标的同一点，即第一像素点和第二像素点为待检测目标的同一点分别在第一目标图像和第二目标图像中对应的像素点。可知地，相机与无人机的俯仰角、偏航角可以确定无人机的唯一视线，多个相机的视线交会可以确定无人机的空间位置，从而可以捕捉无人机的飞行姿态。无人机的同一点在不同相机采集的图像中对应的像素点，即为相机视线的交会，基于待检测目标同一点在不同相机采集的图像中对应的像素点的目姿态数据，可以计算出待检测目标的空间位置，基于各目标像素点的目姿态数据，可以计算出待检测目标的姿态数据，从而确定待检测目标的目标姿态。
具体地，基于构建的姿态识别数据库，确定待检测目标的各目标像素点在姿态识别数据库中对应的目标姿态数据，即各目标像素点在姿态识别数据库中对应的经过标定的俯仰角和偏航角等姿态数据。采集的目标图像包括多个，由不同的相机采集得到，同一目标图像中包括待检测目标对应的多个目标像素点；基于待检测目标在不同相机采集的目标图像中对应的目标像素点，确定相机的视线交会，从而确定待检测目标的空间位置；根据待检测目标在同一目标图像中的各目标像素点的目标姿态数据，可以计算出待检测目标的俯仰角、偏航角，从而确定待检测目标的目标姿态。
在本实施例中，通过对标定的姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库，从而可以基于获取的待检测目标的目标图像，捕捉待检测目标的实时目标姿态，实现对外部目标的实时姿态捕捉。通过插值处理，无需对所有像素点进行标定，也无需标定无人机悬停于特定像素点，减少了标定阶段的工作量，降低了实时姿态捕捉的实施难度。
进一步地，基于多视角采集待检测目标的目标图像，确定待检测目标的空间位置，进而确定待检测目标的目标姿态，可以实现对经过标定的图像采集设备的复用，确保对待检测目标的姿态捕捉的实时性、高效性和有效性。
在一个实施例中，对相机进行标定时，包括几个主要阶段：阶段一：规划标定无人机的采样轨迹，识别标定无人机并采集其定位数据和标定图像；阶段二：将定位数据转换到相机和无人机的相对坐标系中，即相机的地理坐标系，该地理坐标系可以是笛卡尔坐标系，并计算出标定无人机在采样轨迹中的悬停点，相对于相机的俯仰角度、偏航角度；阶段三：对采集到的以像素点为基础的俯仰角度、偏航角度进行高斯动态阈值筛选和插值处理，得到相机完整界面的像素点的俯仰角度、偏航角度，形成姿态识别数据库；阶段四：求取标定无人机实际的俯仰角度、偏航角度，与插值处理得到的插值点处的俯仰角度、偏航角度进行误差对比，验证插值处理得到的插值点的有效性。
基于此，步骤100中，采集标定无人机的标定数据，具体包括：
步骤104，在标定无人机飞行的空间区域内，选取标定区域；
步骤105，在所述标定区域内生成网格状均匀分布的多个采样点；
步骤106，基于所述多个采样点生成所述标定无人机的飞行轨迹，并控制所述标定无人机沿所述飞行轨迹恒速飞行；
步骤107，在所述标定无人机沿所述飞行轨迹飞行至所述采样点处时，采集所述标定无人机的标定数据。
在采集标定无人机的标定数据时，首先需要对标定无人机的采样轨迹进行规划，确定标定无人机的采样点。具体地，在标定无人机飞行的空间区域内，选取标定区域，在该标定区域内生成呈网格状均匀分布的多个采样点，其中，各相邻采样点采用直线连接后，形成规则的网格，按照生成的多个采样点生成标定无人机的飞行轨迹，并控制标定无人机沿该飞行轨迹飞行，在标定无人机沿飞行轨迹飞行的过程中，采集标定无人机的标定图像。
需要说明的是，在采集标定图像时，相机的界面是固定的，即相机的视角是固定的，标定无人机在相机视角对应的标定区域内，沿规划好的采样轨迹恒速飞行，标定无人机在不同的标定图像中的位置不同，即标定无人机在相机界面中的位置不同，在采集的标定图像中对应的像素点的位置也不同。
其中，标定无人机的飞行轨迹，是将均匀分布的多个采样点，按照一定顺序串联起来，从而形成飞行轨迹。如图2所示的标定无人机的飞行轨迹和采样点示意图，基于均匀分布的多个采样点，选取网格一边缘顶角处的采样点作为起始点，按照顺序将相邻的采样点依次串联起来，形成网格线重合的飞行轨迹。控制标定无人机沿生成的飞行轨迹恒速飞行，图2中的箭头方向为标定无人机的飞行方向；当标定无人机飞行至采样点处时，采集标定无人机在采样点处的图像和定位数据，形成标定数据；标定无人机上搭载有用于采集标定无人机的定位数据定位模块。
进一步地，根据采集的标定数据确定标定无人机的姿态数据后，即实现对相机界面中采样点处对应像素点的标定，构建的姿态识别数据库中，包含相机完整界面中的各像素点标定后的姿态数据。步骤200中，对标定无人机的姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库，包括：
步骤201，基于所述标定无人机在各所述标定图像中对应的多个样本像素点，计算第一样本像素点与第二样本像素点之间的空间距离和渐变距离；
其中，所述第一样本像素点为所述标定无人机在第一标定图像中对应的多个样本像素点中的任意一个，所述第二样本像素点为所述标定无人机在第二标定图像中对应的多个样本像素点中的任意一个；所述第一标定图像和所述第二标定图像是所述标定数据中任意相邻的两标定图像；所述第一样本像素点和所述第二样本像素点对应所述标定无人机上的同一点；
步骤202，构建所述空间距离的第一高斯分布，以及所述渐变距离的第二高斯分布，并根据所述第一高斯分布和所述第二高斯分布确定筛选阈值；
步骤203，根据所述筛选阈值对所述姿态数据进行筛选；
步骤204，对筛选后的姿态数据进行插值处理，构建姿态识别数据库。
标定数据中的标定图像包括多个，在进行高斯动态阈值筛选和插值处理时，首先基于标定无人机在各标定图像中对应的多个样本像素点，计算第一样本像素点与第二样本像素点之间的空间距离和渐变距离，其中，第一样本像素点为标定无人机在第一标定图像中对应的多个样本像素点中的任意一个，第二样本像素点为所述标定无人机在第二标定图像中对应的多个样本像素点中的任意一个；第一标定图像和第二标定图像是标定数据中任意相邻的两标定图像；第一样本像素点和第二样本像素点对应所述标定无人机上的同一点。第一样本像素点与第二像素点之间的空间距离，是根据像素点对应的定位数据计算得到，渐变距离是标定无人机上同一点在相机界面中对应的不同像素点之间的距离。
可知地，参照图2，在标定无人机沿规划的飞行轨迹恒速飞行时，标定无人机相对于相机的俯仰角和偏航角具有渐变性，具体体现在俯仰角度在列像素点上是渐变的，且在行像素点上是小范围波动的；偏航角度在行像素点上是渐变的，且在列像素点上是小范围波动的。其中，行像素点是指行采样点对应的标定图像中的像素点，列像素点是指列采样点对应的标定图像中的像素点。采用图2所示的网格化采样，可以使采样数据更加均衡，保证了后续进行高斯动态阈值筛选和插值处理的有效性。
由于相机的界面是固定的，标定无人机沿飞行轨迹飞行时，在相机界面中的位置不断发生变化，在规划标定无人机的飞行轨迹时，采样点之间的真实空间距离根据标定无人机的定位数据确定；基于标定无人机在相邻标定图像中的像素点之间的像素距离，可以确定相机界面中像素点之间的距离与真实空间距离之间的对应关系，从而可以确定相机界面中采样点的像素点相对于采样点在飞行区域内对应的空间位置处的姿态数据，也就实现了对相机界面中采样点处的像素点的标定。
进一步地，相邻标定图像中的像素点之间的空间距离di和渐变距离mi，可以根据下列公式7至8进行计算得到：
Figure BDA0003908114980000141
mi＝di+1-di (8)
其中，x、y、z分别表示标定无人机在采样点处的定位数据在笛卡尔坐标系下的坐标值，n表示规划的采样轨迹中的采样点数。通过建模等方式，基于计算出的空间距离和渐变距离，分别构建空间距离的第一高斯分布，以及渐变距离对应的第二高斯分布，并根据构建的高斯分布，确定筛选阈值v1和v2，其中，根据第一高斯分布确定v1用于筛选空间距离、根据第二高斯分布确定v2用于筛选渐变距离。基于筛选阈值v1和v2，遍历筛选数据，剔除姿态数据中的假性数据点。
根据筛选出的数据进行插值处理，构建姿态识别数据库，具体地，由于基于像素点的俯仰偏航面是三维非线性曲面，无法直接求解出对应的函数表达式，而插值处理可以任意精度逼近任意复杂的非线性映射，可以很好地解决对非线性曲面的逼近。因此，对于高斯阈值筛选后的数据进行插值处理，实现对相机完整界面像素点的标定。在插值处理时，对俯仰角度、偏航角度分别进行独立的插值处理。
在插值处理后，需要对插值点处的数值进行有效性验证，步骤204中，对筛选后的姿态数据进行插值处理，构建姿态识别数据，还包括：
步骤2041，对筛选后的姿态数据进行插值处理，生成多个插值点；所述插值点处的数值包括俯仰角插值和偏航角插值；
步骤2042，基于所述多个插值点构建姿态识别数据库。
标定无人机的姿态数据包括标定无人机的姿态角，该姿态角包括俯仰角和偏航角，对筛选后的姿态数据进行插值处理，即对筛选后的俯仰角和偏航角分别进行插值处理，生成多个插值点，各插值点处的数值包括俯仰角插值和偏航角插值。基于经过插值处理得到的多个插值点，构建姿态识别数据库。
在构建姿态识别数据库后，需要对插值处理得到的姿态识别数据库进行有效性验证，步骤200之后，还可以包括：
步骤210，基于所述姿态识别数据库，生成随机测试点；
步骤220，采集所述标定无人机在所述随机测试点的标定验证数据；所述标定验证数据包括验证图像和验证定位数据；
步骤230，根据所述标定验证数据确定所述标定无人机在所述随机测试点处的姿态验证数据；
步骤240，计算所述姿态验证数据与所述随机测试点处的插值数值的空间位置误差；
步骤250，根据所述空间位置误差对所述姿态识别数据库的有效性进行验证。
基于构建的姿态识别数据库，控制标定无人机在标定区域内飞行并进行随机数据采集，生成多个随机测试点以及验证数据集，验证数据集由采集的标定无人机在各随机测试点处的标定验证数据组成，该标定验证数据与标定数据基本相同，包括图像和定位数据。根据采集的标定验证数据进行姿态计算，确定标定无人机在随机测试点处的姿态验证数据，其计算方式与标定阶段标定无人机的姿态数据的计算方式基本相同，将计算出的姿态验证数据作为标定无人机在随机测试点处的实际姿态数据，与该点处通过插值处理得到的插值数值进行比较，确定插值处理的数值与实际姿态数据的空间位置误差，该空间位置误差可以通过空间位置偏移量表示。空间位置偏移量可以通过下列公式9至12所示的算法进行计算得到：
Figure BDA0003908114980000161
w＝p×tanα (10)
q＝p×tanβ (11)
Figure BDA0003908114980000162
在公式9至12中，l为标定无人机与相机的水平距离，h为标定无人机与相机的高度差，p为标定无人机与相机的直线距离；α为插值得到的俯仰角度与姿态验证数据中的俯仰角度的差值；β为插值得到的偏航角度与真实测试得到的偏航角度的差值；w为俯仰角度误差所产生的标定无人机的偏移分量，q为偏航角度误差所产生的标定无人机的偏移分量，d为俯仰角度和偏航角度误差造成的标定无人机整体的偏移量，即用于表征空间位置误差的空间位置偏移量。
根据计算出的空间位置误差对姿态识别数据库的有效性进行验证，若空间位置误差小于预设的误差阈值，则姿态识别数据库的有效性验证通过，否则，姿态识别数据库的有效性验证不通过。姿态识别数据库的有效性验证不通过时，重新进行插值处理，直到通过插值处理得到的，姿态识别数据库的有效性验证通过为止。
在本实施例中，通过高斯动态阈值筛选，并基于插值处理的方式来构建相机界面的姿态识别数据库，不同于传统方法对相机界面像素一一标定的难以实现性，有效地减少了姿态捕捉的难度和工作量。通过有规则的标定少数像素点即可插值得到整个相机界面的像素数据库，实现了对外部飞行物和小目标的姿态识别和捕捉，提高了姿态捕捉方案的通用性。
以下以无人机B1作为标定无人机，相机A1、A2作为图像采集设备为例，对本发明提供的基于高斯动态阈值筛选的实时姿态捕捉方法进行详细说明。在监控区域内，设有多个测量基站，各测量基站由相机、光纤收发机、外壳、固定支架四部分组成，相机A1与相机A2设置于地面不同的测量基站处。测量站点的相机需要经过标定，才能用于姿态识别。在标定阶段，无人机B1搭载GPS定位模块，地面测量基站读取悬停的无人机B1的GPS数据，相机A1、A2采集无人机B1的图像。
在获取无人机B1的GPS数据后，将GPS数据从地球坐标系转化到相机无人机的相对坐标系中，求解无人机B1相对于相机A1、A2的俯仰角度、偏航角度等姿态数据；对计算出的俯仰角度、偏航角度等姿态数据进行高斯动态阈值筛选，并通过插值处理得到相机A1、A2像素界面的俯仰角度、偏航角度三维曲面，建立姿态识别数据库。基于无人机B1对建立好的俯仰角度、偏航角度数据库进行飞行悬停验证，即对比无人机B1在像素点(x，y)处通过GPS求得的俯仰角度、偏航角度数据与插值得到的数据库中的俯仰角度、偏航角度数据进行对比，误差采用空间位置偏移量来表示，对姿态识别数据库的有效性进行验证。在姿态识别数据库通过有效性验证后，待检测无人机B2，即外部飞行物或小目标进入监控区域后，相机A1、A2可实时捕捉并获取无人机B2的俯仰角度、偏航角度数据，从而识别无人机B2的飞行姿态。其中，相机与无人机的俯仰角、偏航角可确定唯一视线，根据多个相机的视线交会可确定无人机B2在监控区域内的空间位置，并实现对无人机B2飞行姿态的识别。
具体地，相机A1、A2的视线是固定的，需要对相机A1、A2视线内的界面中的各个像素点进行标定，在标定阶段，首先进行采样规划，控制无人机B1按照图2中的箭头所标识的轨迹进行恒速飞行，箭头方向为无人机B1的飞行方向，并在各采样点处采集无人机B1的图像和定位数据。采用无人机悬停采集GPS数据的方式，可以使采集得到的数据更加准确，由地面相机同时记录无人机B1在采样点处对应的像素点，确保了图像与定位数据的一致性。采用网格化的采样方式，可以使采集的标定数据更加均衡，有利于保证后期进行高斯动态阈值筛选和插值处理的有效性。
基于采集的标定数据，对无人机B1进行姿态识别，采用笛卡尔坐标系求解无人机B1的俯仰角度、偏航角度等信息，首先将GPS数据从地球坐标系下转换到相机无人机的地理坐标系下，即笛卡尔坐标系下；在相机无人机地理坐标系下，无人机B1和相机的相对位置坐标根据上述公式1至4计算得到，在此不再赘述。基于计算得到的相对位置坐标，计算无人机B1的俯仰角度和偏航角度，得到无人机B1的姿态数据，俯仰角度和偏航角度的计算方式如上述公式5至6所示，在此同样不再赘述。
基于高斯动态阈值筛选算法，对计算得到的无人机B1的姿态数据进行筛选，具体的筛选函数可以结合实际飞行场景和采样特点进行自定义设置，在此不做限定。在实际标定过程中，数据收发、无人机识别会导致实际采集的数据中存在假性数据点，假性数据点会影响到插值的精度，因此，需要对数据进行筛选，以剔除假性数据点，确保插值精度。在标定阶段，控制无人机B1以恒定速度飞行，因而无人机B1对应的俯仰角度、偏航角度的数值具有渐变性，具体体现在俯仰角度在列像素点上是渐变的，且在行像素点上是小范围波动的；偏航角度在行像素点上是渐变的，且在列像素点上是小范围波动的。
基于俯仰角度、偏航角度的渐变性，采用上述公式7至8所示的方式，计算相邻采样点处的标定图像中的像素点对应的真实空间距离和渐变距离，并分别构建空间距离和渐变距离的高斯分布。基于构建的高斯分布，确定筛选阈值，并分别对俯仰角度、偏航角度进行筛选，根据筛选出的姿态数据确定用于插值处理的像素点，并进行插值处理，构建姿态识别数据库。由于相机界面的像素点的俯仰偏航面是三维非线性曲面，无法直接求解对应的函数表达式，而插值处理则可以任意精度逼近任意复杂的非线性映射。其中，计算出的无人机B1的姿态数据，即为相机界面中采样点对应的像素点的标定数据，插值处理即基于采样点处的标定数据进行插值，生成相机界面内除采样点之外的像素点的标定数据，从而构建姿态识别数据库。基于构建的姿态识别数据库中，可以确定相机A1和相机A2的界面中任一像素点，相对于监控区域内的空间任一点的俯仰角和偏航角，从而确定该点在监控区域内的空间位置。
在进行插值处理后，需要对构建的姿态识别数据进行有效性验证，具体地，在同一标定区域内，控制无人机B1在标定区域内飞行进行随机采样，从而生成多个随机测试点，并采集无人机B1在随机测试点处的标定验证数据，形成验证数据集。该验证数据集中的标定验证数据包括图像和定位数据。基于采集的标定验证数据，计算无人机B1在随机测试点处的姿态验证数据，将该姿态验证数据作为无人机B1在随机测试点处的真实姿态，与通过插值处理生成的插值点数值进行比较，确定插值点数值与真实姿态的偏差量，根据该偏差量确定姿态识别数据库是否有效。其中，若偏差量小于预设的偏差阈值，则姿态识别数据库的有效性验证通过；否则，姿态识别数据库的有效性验证不通过，此时，需要基于偏差量对插值函数的参数值进行调整，重新进行插值处理，直到姿态识别数据库的有效性验证通过为止。
进一步地，基于构建的姿态识别数据库，当在监控区域内检测到小目标飞行物，如无人机B2时，利用经过标定的相机采集无人机B2的图像，根据无人机B2在图像中对应的目标像素点，获取各目标像素点在姿态识别数据库中对应的目标姿态数据，该目标姿态数据用于表征相机界面中的任一目标像素点Q与无人机B2上的点Q’之间的俯仰角度、偏航角度；其中，Q是Q’在相机界面中对应的像素点。基于各目标像素点对应的目标姿态数据，计算出无人机B2的俯仰角度和偏航角度，从而确定无人机B2的目标姿态。进一步地，基于不同的相机采集的目标图像，根据相机的视线交会，可以确定无人机B2的空间位置，有利于对无人机B2的定位跟踪与飞行姿态的捕捉识别。
在本实施例中，通过高斯动态阈值筛选，并基于插值处理构建相机界面的姿态识别数据库，相比于传统方法对相机界面像素一一标定的方式，降低了实现难度，有效地减少了标定阶段的难度和工作量。并且，通过有规则的标定少数像素点后，通过插值得到完整界面所有像素点对应的数据库，不仅实现了对外部飞行物和小目标的姿态捕捉识别，还提高了姿态捕捉方案的通用性，可对不同的待检测目标进行复用。
下面对本发明提供的基于高斯动态阈值筛选的实时姿态捕捉装置进行描述，下文描述的基于高斯动态阈值筛选的实时姿态捕捉装置与上文描述的基于高斯动态阈值筛选的实时姿态捕捉方法可相互对应参照。
参照图3，本发明实施例提供的基于高斯动态阈值筛选的实时姿态捕捉装置，包括：
像素标定模块10，用于采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
插值处理模块20，用于对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
姿态捕捉模块30，用于获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
在一个实施例中，所述插值处理模块20，还用于：
基于所述标定无人机在各所述标定图像中对应的多个样本像素点，计算第一样本像素点与第二样本像素点之间的空间距离和渐变距离；
其中，所述第一样本像素点为所述标定无人机在第一标定图像中对应的多个样本像素点中的任意一个，所述第二样本像素点为所述标定无人机在第二标定图像中对应的多个样本像素点中的任意一个；所述第一标定图像和所述第二标定图像是所述标定数据中任意相邻的两标定图像；所述第一样本像素点和所述第二样本像素点对应所述标定无人机上的同一点；
构建所述空间距离的第一高斯分布，以及所述渐变距离的第二高斯分布，并根据所述第一高斯分布和所述第二高斯分布确定筛选阈值；
根据所述筛选阈值对所述姿态数据进行筛选；
对筛选后的姿态数据进行插值处理，构建姿态识别数据库。
在一个实施例中，所述姿态数据包括所述标定无人机的姿态角，所述姿态角包括偏航角度和俯仰角度；所述插值处理模块20，还用于：
对筛选后的姿态数据进行插值处理，生成多个插值点；所述插值点处的数值包括俯仰角插值和偏航角插值；
基于所述多个插值点构建姿态识别数据库。
在一个实施例中，所述基于高斯动态阈值筛选的实时姿态捕捉装置还包括插值验证模块，用于：
基于所述姿态识别数据库，生成随机测试点；
采集所述标定无人机在所述随机测试点的标定验证数据；所述标定验证数据包括验证图像和验证定位数据；
根据所述标定验证数据确定所述标定无人机在所述随机测试点处的姿态验证数据；
计算所述姿态验证数据与所述随机测试点处的插值数值的空间位置误差；
根据所述空间位置误差对所述姿态识别数据库的有效性进行验证。
在一个实施例中，所述像素标定模块10，还用于：
根据所述标定数据中的标定定位数据，确定所述标定无人机在地球坐标系下的第一位置坐标，并获取预设的图像采集设备在所述地球坐标系下的第二位置坐标；其中，所述图像采集设备用于采集所述标定数据中的标定图像和所述待检测目标的目标图像；
基于所述第二位置坐标，将所述第一位置坐标转换到所述图像采集设备的地理坐标系下，得到所述标定无人机与所述图像采集设备的相对位置坐标；
根据所述相对位置坐标计算所述标定无人机的姿态数据。
在一个实施例中，所述姿态捕捉模块30，还用于：
从所述目标图像中识别所述待检测目标对应的各目标像素点；
基于所述姿态识别数据库确定各所述目标像素点对应的目标姿态数据；
根据所述目标姿态数据捕捉所述待检测目标的实时目标姿态。
在一个实施例中，所述像素标定模块10，还用于：
在标定无人机飞行的空间区域内，选取标定区域；
在所述标定区域内生成网格状均匀分布的多个采样点；
基于所述多个采样点生成所述标定无人机的飞行轨迹，并控制所述标定无人机沿所述飞行轨迹恒速飞行；
在所述标定无人机沿所述飞行轨迹飞行至所述采样点处时，采集所述标定无人机的标定数据。
在一个实施例中，所述基于高斯动态阈值筛选的实时姿态捕捉装置还包括设置于所述定位无人机上的定位装置，所述定位装置用于采集所述标定数据中的标定定位数据。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于高斯动态阈值筛选的实时姿态捕捉方法，该方法包括：
采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于高斯动态阈值筛选的实时姿态捕捉方法，该方法包括：
采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的基于高斯动态阈值筛选的实时姿态捕捉方法，该方法包括：
采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，包括：
采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
2.根据权利要求1所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库的步骤，包括：
基于所述标定无人机在各所述标定图像中对应的多个样本像素点，计算第一样本像素点与第二样本像素点之间的空间距离和渐变距离；
其中，所述第一样本像素点为所述标定无人机在第一标定图像中对应的多个样本像素点中的任意一个，所述第二样本像素点为所述标定无人机在第二标定图像中对应的多个样本像素点中的任意一个；所述第一标定图像和所述第二标定图像是所述标定数据中任意相邻的两标定图像；所述第一样本像素点和所述第二样本像素点对应所述标定无人机上的同一点；
构建所述空间距离的第一高斯分布，以及所述渐变距离的第二高斯分布，并根据所述第一高斯分布和所述第二高斯分布确定筛选阈值；
根据所述筛选阈值对所述姿态数据进行筛选；
对筛选后的姿态数据进行插值处理，构建姿态识别数据库。
3.根据权利要求2所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述姿态数据包括所述标定无人机的姿态角，所述姿态角包括偏航角度和俯仰角度；
所述对筛选后的姿态数据进行插值处理，构建姿态识别数据库的步骤，包括：
对筛选后的姿态数据进行插值处理，生成多个插值点；所述插值点处的数值包括俯仰角插值和偏航角插值；
基于所述多个插值点构建姿态识别数据库。
4.根据权利要求1所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库之后，还包括：
基于所述姿态识别数据库，生成随机测试点；
采集所述标定无人机在所述随机测试点的标定验证数据；所述标定验证数据包括验证图像和验证定位数据；
根据所述标定验证数据确定所述标定无人机在所述随机测试点处的姿态验证数据；
计算所述姿态验证数据与所述随机测试点处的插值数值的空间位置误差；
根据所述空间位置误差对所述姿态识别数据库的有效性进行验证。
5.根据权利要求1所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述根据所述标定数据确定所述标定无人机的姿态数据的步骤，包括：
根据所述标定数据中的标定定位数据，确定所述标定无人机在地球坐标系下的第一位置坐标，并获取预设的图像采集设备在所述地球坐标系下的第二位置坐标；其中，所述图像采集设备用于采集所述标定数据中的标定图像和所述待检测目标的目标图像；
基于所述第二位置坐标，将所述第一位置坐标转换到所述图像采集设备的地理坐标系下，得到所述标定无人机与所述图像采集设备的相对位置坐标；
根据所述相对位置坐标计算所述标定无人机的姿态数据。
6.根据权利要求5所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态的步骤，包括：
从所述目标图像中识别所述待检测目标对应的各目标像素点；
基于所述姿态识别数据库确定各所述目标像素点对应的目标姿态数据；
根据所述目标姿态数据捕捉所述待检测目标的实时目标姿态。
7.根据权利要求1所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述采集标定无人机的标定数据的步骤，包括：
在标定无人机飞行的空间区域内，选取标定区域；
在所述标定区域内生成网格状均匀分布的多个采样点；
基于所述多个采样点生成所述标定无人机的飞行轨迹，并控制所述标定无人机沿所述飞行轨迹恒速飞行；
在所述标定无人机沿所述飞行轨迹飞行至所述采样点处时，采集所述标定无人机的标定数据。
8.根据权利要求1所述的基于高斯动态阈值筛选的实时姿态捕捉方法，其特征在于，所述标定无人机上设有定位装置；所述定位装置用于采集所述标定数据中的标定定位数据。
9.一种基于高斯动态阈值筛选的实时姿态捕捉装置，其特征在于，包括：
像素标定模块，用于采集标定无人机的标定数据，根据所述标定数据确定所述标定无人机的姿态数据；所述标定数据包括标定图像和标定定位数据；
插值处理模块，用于对所述姿态数据进行高斯动态阈值筛选和插值处理，构建姿态识别数据库；所述姿态识别数据库包含所述标定图像中任一像素点对应的标定后的姿态数据；
姿态捕捉模块，用于获取待检测目标的目标图像，基于所述目标图像和所述姿态识别数据库，捕捉所述待检测目标的实时目标姿态。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于高斯动态阈值筛选的实时姿态捕捉方法。
CN202211313675.2A 2022-10-25 2022-10-25 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备 Pending CN115588144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211313675.2A CN115588144A (zh) 2022-10-25 2022-10-25 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211313675.2A CN115588144A (zh) 2022-10-25 2022-10-25 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备

Publications (1)

Publication Number Publication Date
CN115588144A true CN115588144A (zh) 2023-01-10

Family

ID=84781442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211313675.2A Pending CN115588144A (zh) 2022-10-25 2022-10-25 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备

Country Status (1)

Country Link
CN (1) CN115588144A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115811278A (zh) * 2023-02-07 2023-03-17 佰聆数据股份有限公司 基于离散率的分布式光伏故障检测方法及装置
CN116091796A (zh) * 2023-04-11 2023-05-09 天之翼(苏州)科技有限公司 基于人工智能的无人机采集数据处理方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115811278A (zh) * 2023-02-07 2023-03-17 佰聆数据股份有限公司 基于离散率的分布式光伏故障检测方法及装置
CN115811278B (zh) * 2023-02-07 2023-04-18 佰聆数据股份有限公司 基于离散率的分布式光伏故障检测方法及装置
CN116091796A (zh) * 2023-04-11 2023-05-09 天之翼(苏州)科技有限公司 基于人工智能的无人机采集数据处理方法及系统
CN116091796B (zh) * 2023-04-11 2023-06-02 天之翼(苏州)科技有限公司 基于人工智能的无人机采集数据处理方法及系统

Similar Documents

Publication Publication Date Title
US10571575B2 (en) Augmented three dimensional point collection of vertical structures
CN106356757B (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
Velas et al. CNN for IMU assisted odometry estimation using velodyne LiDAR
CN115588144A (zh) 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备
CN111537515A (zh) 基于三维实景模型的铁塔螺栓缺陷展示方法和系统
CN106529538A (zh) 一种飞行器的定位方法和装置
CN106403904B (zh) 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
Hebel et al. Simultaneous calibration of ALS systems and alignment of multiview LiDAR scans of urban areas
CN109961497A (zh) 基于无人机影像的实时三维重建方法
CN104268935A (zh) 一种基于特征的机载激光点云与影像数据融合系统及方法
CN107560592B (zh) 一种用于光电跟踪仪联动目标的精确测距方法
CN109547769B (zh) 一种公路交通动态三维数字场景采集构建系统及其工作方法
KR101771492B1 (ko) 복수의 센서를 탑재한 무인 비행체를 이용하는 매핑 방법 및 시스템
CN108535789A (zh) 一种基于机场跑道的异物识别系统
CN116625354B (zh) 一种基于多源测绘数据的高精度地形图生成方法及系统
CN112346104A (zh) 一种无人机信息融合定位方法
CN116758234A (zh) 一种基于多点云数据融合的山地地形建模方法
Nenchoo et al. Real-Time 3D UAV pose estimation by visualization
CN117115252A (zh) 一种基于视觉的仿生扑翼无人机空间位姿估计方法
Wang et al. Study on target detection and tracking method of uav based on lidar
CN111402324A (zh) 一种目标测量方法、电子设备以及计算机存储介质
CN112489118B (zh) 一种无人机机载传感器组外参快速标定方法
Jadi et al. Extracting crown morphology with a low-cost mobile lidar scanning system in the natural environment
CN117308967B (zh) 一种目标对象位置信息的确定方法、装置及设备
Mora-Félix et al. The use of RPAS for the development of land surface models for natural resources management: a review

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