CN116188586B - 一种基于光分布的定位系统与方法 - Google Patents
一种基于光分布的定位系统与方法 Download PDFInfo
- Publication number
- CN116188586B CN116188586B CN202310449735.1A CN202310449735A CN116188586B CN 116188586 B CN116188586 B CN 116188586B CN 202310449735 A CN202310449735 A CN 202310449735A CN 116188586 B CN116188586 B CN 116188586B
- Authority
- CN
- China
- Prior art keywords
- image
- light distribution
- neural network
- positioning
- locating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005286 illumination Methods 0.000 claims abstract description 24
- 230000005855 radiation Effects 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 39
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于光分布的定位系统与方法,利用从图像中分析光照条件和光照分布的特征,实现对图像拍摄地点的定位。脱离对外部地图数据库和地理信息系统的依赖,作为独立运行的定位系统或既有定位系统的补充,可以实现精确定位或提高定位精度。
Description
技术领域
本发明内容涉及光电领域,特别地,涉及一种基于光分布的定位系统与方法。
背景技术
日常生活中,定位系统发挥着越来越重要的作用。定位系统可以为人们出行提供定位与导航,提高人们的出行效率与方便程度;可以为户外运动爱好者在野外活动提供支持,提高人们在陌生环境下的生存应变能力。
目前,定位系统以卫星全球定位系统最为普遍,可是要搭建一套卫星定位系统造价十分昂贵,制造周期长,维护成本很高,并且一旦卫星出现故障或遭遇袭击,将会发生大规模的定位瘫痪。因此,设计一套可以辅助卫星定位系统的定位装置是十分必要的。
基于光电分析测量和机器视觉的定位系统完全依据光学摄像机拍摄的视频和图像实施定位,不需要依赖卫星网运行;其速度快,定位精度高,使用方便,并且制造周期短,成本低廉;因此,可以作为卫星导航系统的有利补充和替代方法。
根据图像内容获得地理位置是一项挑战性较高的任务,通常需要使用计算机视觉和机器学习技术。比较典型的有:
1、基于地标识别的技术:在图像中检测和识别地标,如著名的建筑物、山脉、湖泊等。一旦识别了这些地标,就可以将它们与地理位置相关联,从而确定图像所拍摄的位置。这类方法需要预先建立地标数据库,并且在野外等缺少地标的环境下会失去作用。
2、基于地图匹配的技术:将图像与地图进行比较,以确定图像所在的位置。这可以通过将图像与现有地图进行匹配来实现,例如使用OpenStreetMap或Google Maps等在线地图服务,或者由SAR、遥感卫星生成的地图。这类技术需要相应的地图数据库作为支撑。
发明内容
为了克服现有技术中的问题,本发明提出一种基于光分布的定位系统与方法,利用从图像中分析光照条件和光照分布的特征,实现对图像拍摄地点的定位。脱离对外部地图数据库和地理信息系统的依赖,作为独立运行的定位系统或既有定位系统的补充,可以实现精确定位或提高定位精度。光照条件和光照分布是自然界中最为丰富且一致的信息来源,是影响图像识别和地理位置识别的重要因素之一。实现图像的光照模型,建立光照分布与某一特征不变量之间的映射关系,从而进一步建立太阳位置与图像之间的关系,实现拍摄图像的定位。
建立神经网络模型,以归一化图像、气候标识,及辐射源函数的估计值作为输入;
神经网络模型包括:
建立宏观亮度分布全连接层:
建立局部亮度分布全连接层:
输出天空亮度分布图为:
输出地理位置偏移量为:
上述神经网络利用大量样本进行训练得到。
如样本在限定区域内,则该神经网络可以在该限定区域内实现通过图片进行辅助定位。
如样本在非限定区域内,则该神经网络可以在非限定区域内实现通过图片进行辅助定位。
一种使用上述方法进行定位的系统,包括:采集终端、通信装置和服务器。
采集终端用于采集图像,并将图像进行归一化处理得到归一化图像。
通信装置用于将归一化图像及相应的采集信息发送至服务器。
服务器具有光照数据库,用于存储归一化图像。
服务器部署有神经网络模型,用于将输入的归一化图像、气候标识,及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。
服务器还具有辐射源函数计算模块。
本发明的发明点及技术效果:
1、通过归一化图像,与吸收系数变量相关的气候标识,及辐射源函数的估计值作为神经网络的输入来实现光学定位,更加准确、方便,减少对于硬件和外部地图数据的依赖,且降低了图像标注的难度,增加了数据的可用性。
2、建立并优化了地面辐射强度分布的拟合神经网络模型,实现基于图像的地理位置坐标计算。实验结果表明,与现有方法如基于地标的图像定位方法相比,本发明所述方法定位精度更高。
具体实施方式
步骤1描述了一种基于光分布的定位系统的组成和数据获取方法。包括一种基于可见光摄像机的图像采集设备,及基于上述图像采集设备获取图像数据、并进行分析存储的设备和方法。
在已知地点布置上述图像采集设备,采集包含天际线的可见光图像,并记录采集地点地理位置坐标、采集时刻的气候标识。将上述记录存入图像光照数据库。
上述图像光照数据库不依赖于特定的图像中的地标,例如建筑物、山川、河流等。与基于地标的定位技术相比,一方面,降低了图像标注的难度,另一方面,增加了数据的可用性。
其中,N是每幅图像中像素数,x,y为图像像素坐标。
取
步骤2描述了一种基于光分布的定位系统的图像光照分析建模方法。根据图像光照数据库中某归一化图像,及其采集地点地理位置坐标、采集时刻的气候标识计算并获取一张输入图像的地理位置坐标。
根据天空亮度分布模型假设,地球上某一地点、某一时刻的天空亮度分布是规律的,地面观察者对其观测符合天空亮度分布模型。但由于天气、拍摄条件影响,观测值可能与天空亮度存在偏差。
首先,建立地面辐射强度的分布模型:
其中,表示地面辐射强度,可以视为地面上观测到的天空亮度; s是传输路径长度,与地面上观测点的地理位置相关;/>是吸收系数,表示单位路径长度内吸收的能量占总辐射能量的比例,与观测时的天气气候有关;/>是辐射源函数,表示太阳光的辐射能量。
根据式3,地理位置坐标隐含于地面辐射强度分布模型中,因此可以根据式3中的其它变量,即地面辐射强度、吸收系数、辐射源函数实施估计。然而,由于式3为包含微分的方程,直接求解其解析解并不容易,且由于数据误差可能造成较大的求解偏差。由于神经网络模型可以模拟任意函数,因此,本发明建立神经网络模型拟合地面辐射强度分布模型,以实现从图像数据中推理地理位置坐标变量。
利用神经网络模型的另一个好处在于,利用式3的方程解析求解传输路径长度要求在图像光照数据库中预先存入所有图像,在实际中是不可能实现的。而在实际应用中,近邻地点的地面辐射强度、吸收系数、辐射源函数相近,其光照分布更容易受到当地环境的干扰,比如地形、建筑等,因此在局部环境下,光照分布特征可能与地标、地图等既有方法提取的特征强相关,通过在神经网络模型中引入相应的隐藏层系数,可以对这一未知关系进行建模,从而就使得本发明方法具备了与既有方法相当的识别能力。
基于上述假设和推理,建立神经网络模型。
神经网络模型可分为三个逻辑部分,即输入层、输出层和隐藏层。
其中,输入层表示神经网络模型的输入数据,在本例中,包括与式3地面辐射强度变量相关的归一化图像,与吸收系数变量相关的气候标识,及根据式4求解的归一化图像计算出的辐射源函数的估计值。
输出层表示神经网络模型的估计输出,为待求解的反映地理位置坐标的变量。输出进一步分为两部分,一部分为天空亮度分布图,该分布反映了拍摄地点的粗略位置(与数据库中已有图像做对比);另一部分为一个经纬度偏移量,表示在参照天空亮度分布图下(即前一部分输出)的位置偏移。两者结合获得位置的精确值。
隐藏层由一系列逻辑或运算函数表示,具体如下。
记:
令:
令:
根据式5、6,获得图像中局部色彩的极小分布。与天空亮度分布相对照,局部色彩的极小分布反映了环境本身的视觉特征,对区分临近地点拍摄位置具有重要作用。
定义神经网络模型的宏观亮度分布部分。
定义
进一步的,
与经典神经网络模型中使用的sigmoid函数相比,上述分段式函数9能够更好的拟合天空亮度分布模型,获得更加精确的定位。
进一步的,定义:
进一步的,定义:
进一步的,定义:
进一步的,定义:
上述式7、8、10、11、12、13建立三层卷积金字塔结构,捕捉三个尺度下图像的宏观亮度分布,最底层金字塔图像尺寸为输入图像尺寸的大小,该尺寸为本例的优选值,因为进一步的尺度压缩会使宏观亮度分布信息量产生较大损失,降低模型性能。
进一步的,建立宏观亮度分布全连接层,如下。
上式中,表示线性偏移参数,/>是线性系数函数,表示根据/>获得的金字塔图像中的每个像素与输出全连接层/>中一个元素都存在一个网络连接,每个这样的连接用一个线性系数表示,即/>。/>为1024维向量。/>为式9的激活函数.
定义神经网络模型的局部亮度分布部分。
上式中,表示线性偏移参数,/>是线性系数函数,表示根据/>获得的局部亮度分布图像中的每个像素与输出全连接层/>中一个元素都存在一个网络连接,每个这样的连接用一个线性系数表示,即/>。/>为256维向量。/>为式9的激活函数.
宏观亮度分布全连接层、局部亮度分布全连接层为宏观亮度分布特征、局部亮度分布特征的最终映射空间,即特征向量空间。进一步的,根据两组特征向量获得输出的映射,如下。
式中,表示线性偏移参数,/>、/>、/>、/>是线性系数函数,分别表示/>中(宏观)每个元素与输出/>之间的连接线性系数,/>中(局部)每个元素与输出/>之间的连接线性系数,输入气候标识/>与输出/>之间的连接线性系数,输入辐射源函数的估计值/>与输出/>之间的连接线性系数。/>为式9的激活函数.
同时,定义
式中,表示线性偏移参数,/>、/>、/>、/>是线性系数,分别表示/>中(宏观)每个元素与输出/>之间的连接线性系数、/>中(局部)每个元素与输出/>之间的连接线性系数,输入气候标识/>与输出/>之间的连接线性系数,输入辐射源函数的估计值/>与输出/>之间的连接线性系数。/>、/>、/>、/>是线性系数,分别表示/>中每个元素与输出/>之间的连接线性系数、/>中每个元素与输出/>之间的连接线性系数,输入气候标识/>与输出/>之间的连接线性系数,输入辐射源函数的估计值/>与输出/>之间的连接线性系数./>为式9的激活函数.
可以理解,上述神经网络利用大量样本进行训练得到。如样本在限定区域内,则该神经网络可以在该限定区域内实现通过图片进行辅助定位,例如某一街道;如样本在更大的非限定区域内,则该神经网络可以在非限定区域内实现通过图片进行辅助定位,例如某一城市或者全球。
系统构成
为实施本发明提出的上述方法,构建定位系统包括:采集终端、通信装置和服务器。其中采集终端用于采集图片,并将图片进行归一化处理得到归一化图片;通信装置用于将归一化图片及相应的采集信息发送至服务器;服务器具有光照数据库,用于存储归一化图片,同时部署有神经网络模型,用于将输入的归一化图像、气候标识,及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。此外,服务器中还具有辐射源函数计算模块。
本发明提出一种基于光分布的定位系统与方法,建立图像光照数据库与相应的神经网络模型,拟合地面辐射强度分布模型,从而实现基于图像的地理位置坐标计算。实验结果表明,与现有方法如基于地标的图像定位方法相比,本发明所述方法定位精度更高。
Claims (10)
1.一种基于光分布的定位方法,其特征在于:
建立神经网络模型,以归一化图像、气候标识,及辐射源函数的估计值作为输入;
神经网络模型包括:
建立宏观亮度分布全连接层:
建立局部亮度分布全连接层:
输出天空亮度分布图为:
输出地理位置偏移量为:
2.如权利要求1所述的一种基于光分布的定位方法,其特征在于:上述神经网络利用大量样本进行训练得到。
3.如权利要求2所述的一种基于光分布的定位方法,其特征在于:如样本在限定区域内,则该神经网络可以在该限定区域内实现通过图片进行辅助定位。
4.如权利要求2所述的一种基于光分布的定位方法,其特征在于:如样本在非限定区域内,则该神经网络可以在非限定区域内实现通过图片进行辅助定位。
5.一种使用上述如权利要求1-4任一一种基于光分布的定位方法进行定位的系统,其特征在于:包括:采集终端、通信装置和服务器。
6.如权利要求5所述的一种基于光分布的定位方法进行定位的系统,其特征在于:采集终端用于采集图像,并将图像进行归一化处理得到归一化图像。
7.如权利要求5所述的一种基于光分布的定位方法进行定位的系统,其特征在于:通信装置用于将归一化图像及相应的采集信息发送至服务器。
8.如权利要求5所述的一种基于光分布的定位方法进行定位的系统,其特征在于:服务器具有光照数据库,用于存储归一化图像。
9.如权利要求5所述的一种基于光分布的定位方法进行定位的系统,其特征在于:服务器部署有神经网络模型,用于将输入的归一化图像、气候标识,及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。
10.如权利要求5所述的一种基于光分布的定位方法进行定位的系统,其特征在于:服务器还具有辐射源函数计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449735.1A CN116188586B (zh) | 2023-04-25 | 2023-04-25 | 一种基于光分布的定位系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449735.1A CN116188586B (zh) | 2023-04-25 | 2023-04-25 | 一种基于光分布的定位系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188586A CN116188586A (zh) | 2023-05-30 |
CN116188586B true CN116188586B (zh) | 2023-06-27 |
Family
ID=86452515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449735.1A Active CN116188586B (zh) | 2023-04-25 | 2023-04-25 | 一种基于光分布的定位系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188586B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
WO2016014930A2 (en) * | 2014-07-24 | 2016-01-28 | Exelis Inc. | A vision-based system for dynamic weather detection |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN111967511A (zh) * | 2020-08-04 | 2020-11-20 | 河海大学 | 一种基于异构特征融合网络的地基云图分类方法 |
CN113887124A (zh) * | 2021-08-26 | 2022-01-04 | 安徽吉电新能源有限公司 | 一种多维混合气象下光伏电站云层分布状态预测方法 |
CN114120059A (zh) * | 2021-11-25 | 2022-03-01 | 山东电力建设第三工程有限公司 | 一种基于Resnet18模型进行实时多云判定的方法 |
WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11733043B2 (en) * | 2019-05-06 | 2023-08-22 | Hexagon Technology Center Gmbh | Automatic locating of target marks |
-
2023
- 2023-04-25 CN CN202310449735.1A patent/CN116188586B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016014930A2 (en) * | 2014-07-24 | 2016-01-28 | Exelis Inc. | A vision-based system for dynamic weather detection |
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN111967511A (zh) * | 2020-08-04 | 2020-11-20 | 河海大学 | 一种基于异构特征融合网络的地基云图分类方法 |
WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
CN113887124A (zh) * | 2021-08-26 | 2022-01-04 | 安徽吉电新能源有限公司 | 一种多维混合气象下光伏电站云层分布状态预测方法 |
CN114120059A (zh) * | 2021-11-25 | 2022-03-01 | 山东电力建设第三工程有限公司 | 一种基于Resnet18模型进行实时多云判定的方法 |
Non-Patent Citations (3)
Title |
---|
SKYLINE2GPS: Localization in urban canyons using omni-skylines;Srikumar Ramalingam;《IEEE Xplore》;全文 * |
一种基于神经网络的天空图像到太阳辐照度的映射模型;林琳;电子测量技术(第14期);全文 * |
基于天际线匹配的室外主动相机重定位方法研究;李璐凯;《万方数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188586A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和系统 | |
CN113706482A (zh) | 一种高分辨率遥感影像变化检测方法 | |
CN111536970B (zh) | 一种用于低能见度大尺度场景的红外惯性组合导航方法 | |
CN113393522A (zh) | 一种基于单目rgb相机回归深度信息的6d位姿估计方法 | |
CN111581884A (zh) | 一种星载多分辨率目标光学辐射图像仿真方法 | |
CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN112613397B (zh) | 多视角光学卫星遥感影像目标识别训练样本集构建方法 | |
CN115861591B (zh) | 基于transformer关键纹理编码匹配的无人机定位方法 | |
CN112633185A (zh) | 图像处理的方法及装置 | |
CN110569797A (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN113963240A (zh) | 多源遥感图像融合目标综合检测方法 | |
CN112016478A (zh) | 一种基于多光谱图像融合的复杂场景识别方法及系统 | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
Song et al. | Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair | |
Bayanlou et al. | Multi-task learning from fixed-wing UAV images for 2D/3D city modeling | |
CN113610032A (zh) | 基于遥感影像的建筑物识别方法和装置 | |
Belfiore et al. | Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos | |
Leberl et al. | Aerial computer vision for a 3d virtual habitat | |
CN116188586B (zh) | 一种基于光分布的定位系统与方法 | |
Babykalpana et al. | Classification of LULC Change Detection using Remotely Sensed Data for Coimbatore City, Tamilnadu, India | |
CN113554754A (zh) | 一种基于计算机视觉的室内定位方法 | |
Jacobs et al. | Two cloud-based cues for estimating scene structure and camera calibration | |
Chijioke | Satellite remote sensing technology in spatial modeling process: technique and procedures | |
CA3142001C (en) | Spherical image based registration and self-localization for onsite and offsite viewing |
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 |