CN115620182B - 一种信号处理方法、装置、终端及存储介质 - Google Patents

一种信号处理方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN115620182B
CN115620182B CN202211637790.5A CN202211637790A CN115620182B CN 115620182 B CN115620182 B CN 115620182B CN 202211637790 A CN202211637790 A CN 202211637790A CN 115620182 B CN115620182 B CN 115620182B
Authority
CN
China
Prior art keywords
point cloud
cloud data
surface model
data
signal processing
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.)
Active
Application number
CN202211637790.5A
Other languages
English (en)
Other versions
CN115620182A (zh
Inventor
李志强
袁利平
刘司英
姚远
熊鑫
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.)
Chengdu Yinggumite Technology Co ltd
Original Assignee
Chengdu Yinggumite Technology Co ltd
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 Chengdu Yinggumite Technology Co ltd filed Critical Chengdu Yinggumite Technology Co ltd
Priority to CN202211637790.5A priority Critical patent/CN115620182B/zh
Publication of CN115620182A publication Critical patent/CN115620182A/zh
Application granted granted Critical
Publication of CN115620182B publication Critical patent/CN115620182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/17Terrestrial scenes taken from planes or by drones
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种信号处理方法、装置、终端及存储介质,包括响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2;根据点云数据进行分组,得到至少一个点云数据组;根据点云数据组构建一次面模型并绘制轮廓模型;将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型以及根据二次面模型调整飞行轨道,每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点。本申请涉及一种信号处理方法、装置、终端及存储介质,通过多传感器融合、重叠模型构建与数据自补充等方式来依托有限数据矫正飞行器的飞行轨迹,使飞行器能够达到飞行轨迹指向的终点区域。

Description

一种信号处理方法、装置、终端及存储介质
技术领域
本申请涉及数据处理技术领域,尤其是涉及一种信号处理方法、装置、终端及存储介质。
背景技术
飞行器的识别目标功能是按目标特性或环境特性感觉目标的存在、距离和方向,在贴近海面飞行过程中,飞行器天线受到干扰手段和贴近海面飞行导致的识别误差,会出现识别率下降的问题。针对于上述问题的技术演变过程如下:
终点导向方式,这种方式中飞行器的飞行轨迹固定,也就是按照既定的轨迹飞向目标,其飞行轨迹能够被预测,在雷达探测过程中飞行器容易被发现和拦截,同时还容易受到定向干扰。
目标识别阶段,发射后会自动筛选目标并跟踪,但是需要借助外部信号来引导飞行轨迹,外部信号被侦测到后,飞行器也存在暴露的可能,暴露后定向干扰和拦截会大幅度降低飞行器到达终点的概率。
第三阶段是飞行器依托自身对数据的处理来识别目标,该过程不需要外部信号引导,被发现的概率下降,但是海面飞行过程中会受到海浪和水花等的影响,并且贴近海面飞行会导致传感器的数据获取量不足,存在目标识别困难的问题。
发明内容
本申请提供一种信号处理方法、装置、终端及存储介质,通过多传感器融合、重叠模型构建与数据自补充等方式来依托有限数据矫正飞行器的飞行轨迹,使飞行器能够达到飞行轨迹指向的终点区域。
本申请的上述目的是通过以下技术方案得以实现的:
第一方面,本申请提供了一种信号处理方法,包括:
响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2;
根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
根据二次面模型调整飞行轨道;
其中,点云数据和图像数据间歇性获取,每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
在第一方面的一种可能的实现方式中,时间序列上,多个图像数据叠加,得到对象图像;
将轮廓模型与对象图像比对,与图像数据中存在重合的一次面模型记为二次面模型。
在第一方面的一种可能的实现方式中,对图像数据进行分割,分为正常图像块与受干扰图像块;
正常图像块用于构建对象图像,受干扰图像块进行舍弃处理。
在第一方面的一种可能的实现方式中,对象图像包括多个正常图像块,根据正常图像块绘制飞行轨道终点对象的目标区域,正常图像块均位于目标区域内,正常图像块间的空白区域划入到目标区域内。
在第一方面的一种可能的实现方式中,还包括:
识别图像数据中的海面,得到删除区域;以及
根据删除区域对点云数据进行筛选,位于删除区域内的点云数据进行舍弃处理;
其中,根据删除区域对点云数据进行筛选位于舍弃点云数据中的N次反射数据之前。
在第一方面的一种可能的实现方式中,还包括:
识别图像数据中的海面后,得到边界参考线;以及
将一次面模型的区域延伸至边界参考线,延伸过程中的空白区域使用点云数据进行弥补,空白区域记为弥补区域。
在第一方面的一种可能的实现方式中,当时间序列上的一组具有聚集度的点云数据出现在弥补区域时,使用该组具有聚集度的点云数据替换弥补区域中用于弥补的点云数据。
第三方面,本申请提供了一种信号处理装置,包括:
第一处理单元,用于响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2,点云数据和图像数据间歇性获取;
第二处理单元,用于根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
第三处理单元,用于根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
对比单元,用于将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
轨迹调整单元,用于根据二次面模型调整飞行轨道;每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
第三方面,本申请提供了一种信号处理终端,所述终端包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如第一方面及第一方面任意可能的实现方式中所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质包括:
程序,当所述程序被处理器运行时,如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第五方面,本申请提供了一种计算机程序产品,包括程序指令,当所述程序指令被计算设备运行时,如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第六方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于实现上述各方面中所涉及的功能,例如,生成,接收,发送,或处理上述方法中所涉及的数据和/或信息。
该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
在一种可能的设计中,该芯片系统还包括存储器,该存储器,用于保存必要的程序指令和数据。该处理器和该存储器可以解耦,分别设置在不同的设备上,通过有线或者无线的方式连接,或者处理器和该存储器也可以耦合在同一个设备上。
整体而言,本申请提供的信号处理方法,通过融合点云数据与图像数据的方式来提高有限范围内的数据获取量,通过数据筛选的方式得到有用数据,然后基于有用数据来校正和调整飞行器的飞行轨迹。这种方式可以使飞行器能够贴近海面处飞行,具有高隐蔽性,同时飞行轨迹的末段还具有一定的不确定性,使得飞行器具有更高的命中率。
附图说明
图1是本申请提供的一种信号处理方法的步骤示意框图。
图2是本申请提供的一种飞行轨迹的划分示意图。
图3是本申请提供的一种激光产生多次反射数据的原理性示意图。
图4是本申请提供的一种点云数据呈现聚集性的示意图。
图5是本申请提供的一种对图像数据进行分割的过程示意图。
图6是本申请提供的一种弥补区域的得到过程示意图。
具体实施方式
以下结合附图,对本申请中的技术方案作进一步详细说明。
请参阅图1,为本申请公开的一种信号处理方法,包括以下步骤:
S101,响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2;
S102,根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
S103,根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
S104,将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
S105,根据二次面模型调整飞行轨道;
其中,点云数据和图像数据间歇性获取,每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
为了更加清楚的理解步骤S101至步骤S105中的内容,首先对相关内容进行简单介绍。飞行器起飞之前,控制中心或者控制室会依托卫星、雷达和预警机等来获取目标的位置,该位置会作为飞行器的初始终点位置。
请参阅图2,得到初始终点位置后,飞行器起飞,向终点位置处行进。具体的飞行轨迹可以分为两段,此处为了描述方便,将其简单划分为靠近轨迹段和隐蔽轨迹段,靠近轨迹段中飞行器的飞行距离较高,该距离飞行的干扰因素小,还能够通过外部通讯的方式来校正飞行轨迹,同时获取目标的移动情况,并且在该阶段数据量充足的前提下,对于目标的移动还可以进行预判。
进入到隐蔽轨迹段后,飞行器开始贴近海面飞行,贴近海面飞行意味着高隐蔽性,因为海面对于雷达波的折射与反射具有不确定性,同时还会吸收一部分雷达波,并且受限于雷达仰角等因素的影响,贴近海面的区域还存在盲区。
但是上述因素同样会对飞行器产生影响,因为该阶段需要与外界中断通讯,并且自身获取的数据量也会降低,针对于该问题,本申请采用了多传感器数据融合的方式来降低数据量下降带来的影响的,多传感器能够基于一个目标得到不同类型的数据,将这些数据融合在一起,就可以提高有限数据量下目标识别成功的概率。
具体而言,在步骤S101中,会获取到点云数据和图像数据两种数据,点云数据基于激光传感器得到,图像数据基于CCD传感器得到,在得到两种数据后,会分别进行处理,然后再进行融合。
请参阅他丿,在步骤S101中对于点云数据的处理方式是舍弃点云数据中的N次反射数据,N≥2,也就是点云数据仅保留一次反射数据。应理解,激光并不是永远是在一条直线上传播,它在到达比较远的物体上的时候可能会是以一个光斑的形式照射,即在激光本身散射到一定大小的时候,会出现一部分激光照射在较近的目标上,而另一部分照射在较远的目标上,如图3所示。
这样很自然会出现两重回波甚至N重回波,回波的次数越多,单次扫描过程中产生的点云数据量也就越大,因为飞行器在向靠近目标的方向移动过程中时间有限,数据量越大意味着数据处理时间越长,无法满足飞行器对数据处理速度的要求,因此对于点云数据中的N(N≥2)次反射数据(回波),需要进行过滤处理,过滤处理的目的是降低处理量,缩短数据处理时间。
另外,海面的波浪和浪花等极容易产生N(N≥2)重回波,筛除N(N≥2)次反射数据(回波)的能够将这部分无用数据删除。筛除N(N≥2)次反射数据后,部分区域的点云数据点的聚集度不足,此时说明该部分的面结构复杂,这些复杂的面一般不在船体上,通过该方式还能够将飞行轨道的终点限制在要求击中区域处(船体)。
请参阅图4,在步骤S102中,会根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组,一个点云数据组表征一个区域内的特征,对于一个目标的既定部分,其表面反馈回来的点云数据点呈现一定的聚集性,也就是相邻点云数据点间的距离会在一个区间范围内波动,通过该区间范围,就能够将有用的点云数据点筛选出来,这些有用的点云数据点组成点云数据组。
点云数据组可以是目标的一个既定部分,该既定部分的面积不定,因为考虑到数据采集精度、海面影响、海浪影响和干扰等实际因素,筛选出来的点云数据组无法反应出目标的全部。
此处还理解理解为点云数据组中的点云数据点具有聚集性,通过聚集性可以将噪点、基于海面和/或海浪生成的点云数据点筛除,其中大片的离散点云数据点也可以直接筛除。
在步骤S103中,会根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型。一次面模型指的就是一个,一次面模型指的是利用平面来代替点云数据组中的点云数据点,或者可以理解为一个点云数据组中的全部点云数据点会位于同一个面上,这个面就是上文中提到的一次面模型。
然后使用一次面模型的边界绘制轮廓模型,也就会说使用一段封闭曲线来代替一次面模型,这种方式的优势在于进一步降低了数据处理量。相比于密集的点云数据点,将其转换为一段封闭曲线时,可以使用更少的数据来表示一个点云数据组,数据量的减少意味着后续处理时间的缩短和处理速度的提升。
然后执行步骤S104,该步骤中,将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型。该步骤是对一次面模型进行筛选,筛选的方式是使用图像数据来对一次面模型进行筛选。
一次面模型表征一个面,那么在图像数据中的对应部分应当存在一个类似的面与一次面模型匹配,此时就会出现存在重合和不存在重合两种情况,对于不存在重合这种情况,其对应的一次面模型进行舍弃,剩余的一次面模型记为二次面模型。
二次面模型的挑选过程是为了进一步降低数据处理量,因为一次面模型中存在可能不属于目标的情况,使用图像数据筛选的方式就是将这部分一次面模型筛除,或者部分一次面模型存在表征不明显的情况,例如仅仅是一个平面或者曲面,表征不明显的一次面模型会与影响后续的判断,也需要进行筛除。
最后执行步骤S105,该步骤中,会根据二次面模型调整飞行轨道,随着二次面模型的生成,意味着飞行器与目标的越来越近,此时意味着飞行器上传感器采集到的数据也越来越多,准确程度也越来越高,因此需要根据二次面模型调整飞行轨道。
数据获取过程中,点云数据和图像数据间歇性获取,间歇性获取意味着飞行器存在静默飞行,静默飞行能够降低被发现的概率,提高命中率。
另外,每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。这种调整方式意味着飞行器的飞行轨迹存在不确定性,通过侦查与预测的方式无法确定飞行器的命中点,这样能够降低飞行器被成功拦截的概率,有助于提高命中率。
整体而言,本申请提供的信号处理方法,通过融合点云数据与图像数据的方式来提高有限范围内的数据获取量,通过数据筛选的方式得到有用数据,然后基于有用数据来校正和调整飞行器的飞行轨迹。这种方式可以使飞行器能够贴近海面处飞行,具有高隐蔽性,同时飞行轨迹的末段还具有一定的不确定性,使得飞行器具有更高的命中率。
作为申请提供的信号处理方法的一种具体实施方式,还包括:
S201,时间序列上,多个图像数据叠加,得到对象图像;
S202,将轮廓模型与对象图像比对,与图像数据中存在重合的一次面模型记为二次面模型。
前文中提到,点云数据和图像数据间歇性获取,也就是在每一次的获取过程中,都会得到一个图像数据,这些图像数据可以通过叠加的方式组合在一起,得到对象图像,对象图像能够更加准确的反馈目标的特征。
随着对象图像中特征数量的增多,在筛选二次面模型的过程中,能够得到更多的二次面模型,二次面模型的增多意味着飞行轨道的指向性会更加明确且具有更多的不确定性,能够进一步降低被发现的概率和提高命中率。
请参阅图5,在对图像数据的处理过程中,会对图像数据进行分割,分割为正常图像块与受干扰图像块,正常图像块用于构建对象图像,受干扰图像块进行舍弃处理。这种处理方式的目的依然是降低数据处理量,受限于时间要求,对于受干扰图像块的降噪和还原等处理方式需要消耗一定的时间,这会导致数据处理速度降低。
因此在本申请中,使用了直接舍弃的方式来处理受干扰图像块,因为在后续的图像数据获取过程中,受干扰图像块对应处的图像可能会被补充进来。并且,本申请使用了范围域的方式来确定飞行轨道的终点,即使终点处始终没有图像数据,根据周围正常图像块确定的范围,与能够将这些空白区域作为飞行轨道的终点。
因为在对正常图像块的处理过程中,会根据正常图像块绘制飞行轨道终点对象的目标区域,正常图像块均位于目标区域内,正常图像块间的空白区域划入到目标区域内。
这些空白区域会在后续的图像数据获取过程中进行补充,在最后一次的飞行轨道调整过程中,可以选取这些空白区域作为飞行轨道的终点,因为其在目标区域内。
作为申请提供的信号处理方法的一种具体实施方式,还增加了如下步骤:
S301,识别图像数据中的海面,得到删除区域;以及
S302,根据删除区域对点云数据进行筛选,位于删除区域内的点云数据进行舍弃处理;
其中,根据删除区域对点云数据进行筛选位于舍弃点云数据中的N次反射数据之前。
具体而言,在步骤S301中,会得到图像数据中的海面区域,针对于海面区域对应的点云数据,直接进行删除处理,该步骤能够将基于海面产生的点云数据去除。应理解,海面的形状不确定,产生的点云数据在分析难度上较大,因为会产生大量的N(N≥2)重回波,并且点云数据的聚集度上也存在不确定性,因为激光在海面会出现反射、折射和吸收等现象,因此对于基于海面产生的点云数据(位于删除区域)直接删除。
请参阅图6,但是删除点云数据会造成目标的不完整,因此增加了如下步骤:
S303,识别图像数据中的海面后,得到边界参考线;以及
S304,将一次面模型的区域延伸至边界参考线,延伸过程中的空白区域使用点云数据进行弥补,空白区域记为弥补区域。
在步骤S303中,在识别图像数据中的海面后,得到一个边界参考线,边界此时边界参考线与一次面模型之间存在空白区域,针对于空白区域,需要将一次面模型的区域延伸至边界参考线,然后将空白区域使用点云数据进行弥补,弥补的作用是尽可能扩大目标的边界。
应理解,针对于目标的每一次图像数据获取过程中,都会受到海面的影响,海面的形状起伏不定,这就导致每一次图像数据反馈的目标的边界也不尽相同。使用点云数据进行弥补后,当时间序列上的一组具有聚集度的点云数据出现在弥补区域时,使用该组具有聚集度的点云数据替换弥补区域中用于弥补的点云数据。
这样就可以使目标的边界尽可能大,在对飞行轨道进行调整的过程中,飞行轨道的调整过程的不确定性增加,终点具有更多选择。甚至,飞行轨道的终点可以在弥补区域内进行选择。
本申请还提供了一种信号处理装置,包括:
第一处理单元,用于响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2,点云数据和图像数据间歇性获取;
第二处理单元,用于根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
第三处理单元,用于根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
对比单元,用于将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
轨迹调整单元,用于根据二次面模型调整飞行轨道;每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
在第一方面的一种可能的实现方式中,时间序列上,多个图像数据叠加,得到对象图像;
将轮廓模型与对象图像比对,与图像数据中存在重合的一次面模型记为二次面模型。
进一步地,还包括:
分割单元,用于对图像数据进行分割,分为正常图像块与受干扰图像块;
第四处理单元,用于正常图像块用于构建对象图像,受干扰图像块进行舍弃处理。
进一步地,对象图像包括多个正常图像块,根据正常图像块绘制飞行轨道终点对象的目标区域,正常图像块均位于目标区域内,正常图像块间的空白区域划入到目标区域内。
进一步地,还包括:
第五处理单元,用于识别图像数据中的海面,得到删除区域;以及
第六处理单元,用于根据删除区域对点云数据进行筛选,位于删除区域内的点云数据进行舍弃处理;
其中,根据删除区域对点云数据进行筛选位于舍弃点云数据中的N次反射数据之前。
进一步地,还包括:
边界识别单元,用于识别图像数据中的海面后,得到边界参考线;以及
空白弥补单元,用于将一次面模型的区域延伸至边界参考线,延伸过程中的空白区域使用点云数据进行弥补,空白区域记为弥补区域。
进一步地,当时间序列上的一组具有聚集度的点云数据出现在弥补区域时,使用该组具有聚集度的点云数据替换弥补区域中用于弥补的点云数据。
在一个例子中,以上任一装置中的单元可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个专用集成电路(application specificintegratedcircuit,ASIC),或,一个或多个数字信号处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA),或这些集成电路形式中至少两种的组合。
再如,当装置中的单元可以通过处理元件调度程序的形式实现时,该处理元件可以是通用处理器,例如中央处理器(central processing unit,CPU)或其它可以调用程序的处理器。再如,这些单元可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
在本申请中可能出现的对各种消息/信息/设备/网元/系统/装置/动作/操作/流程/概念等各类客体进行了赋名,可以理解的是,这些具体的名称并不构成对相关客体的限定,所赋名称可随着场景,语境或者使用习惯等因素而变更,对本申请中技术术语的技术含义的理解,应主要从其在技术方案中所体现/执行的功能和技术效果来确定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
还应理解,在本申请的各个实施例中,第一、第二等只是为了表示多个对象是不同的。例如第一时间窗和第二时间窗只是为了表示出不同的时间窗。而不应该对时间窗的本身产生任何影响,上述的第一、第二等不应该对本申请的实施例造成任何限制。
还应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
所述功能如果以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存储介质中。基于这样的理解,本申请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计算机可读存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种信号处理终端,所述终端包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如上述内容中所述的方法。
本申请还提供了一种计算机程序产品,该计算机程序产品包括指令,当该指令被执行时,以使得该信号处理终端执行对应于上述方法的信号处理终端的操作。
本申请还提供了一种芯片系统,该芯片系统包括处理器,用于实现上述内容中所涉及的功能,例如,生成,接收,发送,或处理上述方法中所涉及的数据和/或信息。
该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
上述任一处提到的处理器,可以是一个CPU,微处理器,ASIC,或一个或多个用于控制上述的反馈信息传输的方法的程序执行的集成电路。
在一种可能的设计中,该芯片系统还包括存储器,该存储器,用于保存必要的程序指令和数据。该处理器和该存储器可以解耦,分别设置在不同的设备上,通过有线或者无线的方式连接,以支持该芯片系统实现上述实施例中的各种功能。或者,该处理器和该存储器也可以耦合在同一个设备上。
可选地,该计算机指令被存储在存储器中。
可选地,该存储器为该芯片内的存储单元,如寄存器、缓存等,该存储器还可以是该终端内的位于该芯片外部的存储单元,如ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM等。
可以理解,本申请中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
非易失性存储器可以是ROM、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。
易失性存储器可以是RAM,其用作外部高速缓存。RAM有多种不同的类型,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器。
本具体实施方式的实施例均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种信号处理方法,其特征在于,包括:
响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2;
根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
根据二次面模型调整飞行轨道;
其中,点云数据和图像数据间歇性获取,每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
2.根据权利要求1所述的信号处理方法,其特征在于,时间序列上,多个图像数据叠加,得到对象图像;
将轮廓模型与对象图像比对,与图像数据中存在重合的一次面模型记为二次面模型。
3.根据权利要求2所述的信号处理方法,其特征在于,对图像数据进行分割,分为正常图像块与受干扰图像块;
正常图像块用于构建对象图像,受干扰图像块进行舍弃处理。
4.根据权利要求3所述的信号处理方法,其特征在于,对象图像包括多个正常图像块,根据正常图像块绘制飞行轨道终点对象的目标区域,正常图像块均位于目标区域内,正常图像块间的空白区域划入到目标区域内。
5.根据权利要求1至4中任意一项所述的信号处理方法,其特征在于,还包括:
识别图像数据中的海面,得到删除区域;以及
根据删除区域对点云数据进行筛选,位于删除区域内的点云数据进行舍弃处理;
其中,根据删除区域对点云数据进行筛选位于舍弃点云数据中的N次反射数据之前。
6.根据权利要求5所述的信号处理方法,其特征在于,还包括:
识别图像数据中的海面后,得到边界参考线;以及
将一次面模型的区域延伸至边界参考线,延伸过程中的空白区域使用点云数据进行弥补,空白区域记为弥补区域。
7.根据权利要求6所述的信号处理方法,其特征在于,当时间序列上的一组具有聚集度的点云数据出现在弥补区域时,使用该组具有聚集度的点云数据替换弥补区域中用于弥补的点云数据。
8.一种信号处理装置,其特征在于,包括:
第一处理单元,用于响应于获取到的点云数据和图像数据,舍弃点云数据中的N次反射数据,N≥2,点云数据和图像数据间歇性获取;
第二处理单元,用于根据点云数据的距离产生点对点云数据进行分组,得到至少一个点云数据组;
第三处理单元,用于根据点云数据组构建一次面模型并根据一次面模型的边界绘制轮廓模型;
对比单元,用于将一次面模型与图像数据比对,与图像数据中存在重合的一次面模型记为二次面模型;以及
轨迹调整单元,用于根据二次面模型调整飞行轨道;每次调整飞行轨道前,在二次面模型上随机选取多个目标点并在多个目标点中随机选取一个作为导向目标点,每次调整飞行轨道的终点为导向目标点。
9. 一种信号处理终端,其特征在于,所述终端包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括:
程序,当所述程序被处理器运行时,如权利要求1至7中任意一项所述的方法被执行。
CN202211637790.5A 2022-12-20 2022-12-20 一种信号处理方法、装置、终端及存储介质 Active CN115620182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211637790.5A CN115620182B (zh) 2022-12-20 2022-12-20 一种信号处理方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211637790.5A CN115620182B (zh) 2022-12-20 2022-12-20 一种信号处理方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN115620182A CN115620182A (zh) 2023-01-17
CN115620182B true CN115620182B (zh) 2023-03-07

Family

ID=84880495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211637790.5A Active CN115620182B (zh) 2022-12-20 2022-12-20 一种信号处理方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN115620182B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115877328B (zh) * 2023-03-06 2023-05-12 成都鹰谷米特科技有限公司 一种阵列雷达的信号收发方法及阵列雷达

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816786A (zh) * 2019-03-28 2019-05-28 深圳市超准视觉科技有限公司 三维点云重建方法、装置及计算机设备
CN112949782A (zh) * 2021-04-27 2021-06-11 上海芯物科技有限公司 一种目标检测方法、装置、设备及存储介质
CN113920274A (zh) * 2021-09-30 2022-01-11 广州极飞科技股份有限公司 场景点云处理方法及装置、无人机、遥测终端和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130086215A1 (en) * 2011-05-13 2013-04-04 HNTB Holdings, Ltd. Managing large datasets obtained through a survey-data-acquisition process
WO2019061466A1 (zh) * 2017-09-30 2019-04-04 深圳市大疆创新科技有限公司 一种飞行控制方法、遥控装置、遥控系统
US10741086B2 (en) * 2018-03-26 2020-08-11 D2, Llc Method and system for generating aerial imaging flight path
US11041957B2 (en) * 2018-06-25 2021-06-22 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for mitigating effects of high-reflectivity objects in LiDAR data
US20200004272A1 (en) * 2018-06-28 2020-01-02 Skyyfish, LLC System and method for intelligent aerial inspection
US10914817B2 (en) * 2019-03-29 2021-02-09 Rockwell Automation Technologies, Inc. Multipath interference error correction in a time of flight sensor
CN110873565B (zh) * 2019-11-21 2021-06-04 北京航空航天大学 用于城市场景重建的无人机实时路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816786A (zh) * 2019-03-28 2019-05-28 深圳市超准视觉科技有限公司 三维点云重建方法、装置及计算机设备
CN112949782A (zh) * 2021-04-27 2021-06-11 上海芯物科技有限公司 一种目标检测方法、装置、设备及存储介质
CN113920274A (zh) * 2021-09-30 2022-01-11 广州极飞科技股份有限公司 场景点云处理方法及装置、无人机、遥测终端和存储介质

Also Published As

Publication number Publication date
CN115620182A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN110443786B (zh) 激光雷达点云滤波方法、装置、计算机设备和存储介质
US10816354B2 (en) Verification module system and method for motion-based lane detection with multiple sensors
CN112513679B (zh) 一种目标识别的方法和装置
US7298316B2 (en) Apparatus and method for instantly automatic detecting clutter blocks and interference source and for dynamically establishing clutter map
CN115620182B (zh) 一种信号处理方法、装置、终端及存储介质
CN112154356B (zh) 点云数据处理方法及其装置、激光雷达、可移动平台
CN112083441B (zh) 激光雷达和毫米波雷达深度融合的障碍物检测方法及系统
DE102012004396A1 (de) Verfahren und Vorrichtung zum Erfassen von Objekten in einer Umgebung eines Fahrzeugs
US20200018825A1 (en) Environment sensing method and apparatus using a wide-angle distance sensor
CN108169729A (zh) 激光雷达的视场的调整方法、介质、激光雷达系统
US11927458B2 (en) Map information correction apparatus, mobile object, map information correction system, map information correction method, control circuit, and non-transitory storage medium
EP4286892A1 (en) Window occlusion detection method and apparatus
CN113391305B (zh) 多雷达融合的虚假目标抑制方法、装置及终端设备
EP3351965A1 (en) A quality metric for ranging sensor in a degraded visual environment for a situational awareness system
CN117893581B (zh) 一种移动行人追踪方法及系统
WO2023207845A1 (zh) 车位检测方法、装置、电子设备及机器可读存储介质
CN112799067A (zh) 装船机溜筒防撞预警方法、装置、系统和预警设备
JP2023111952A (ja) センサ制御装置
CN116547562A (zh) 点云滤噪方法、系统和可移动平台
US10605607B2 (en) Two step pruning in a PHD filter
CN115661357A (zh) 基于融合点云数据的空间模型构建方法及系统
CN115047464A (zh) 双探头多波束测深方法和装置
CN111352111A (zh) 对象的定位和/或分类
CN116884250A (zh) 一种基于激光雷达的预警方法及高速公路预警系统
CN113203424B (zh) 多传感器的数据融合方法、装置及相关设备

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