CN116299424B - 一种无人机识别系统及方法 - Google Patents
一种无人机识别系统及方法 Download PDFInfo
- Publication number
- CN116299424B CN116299424B CN202310518508.XA CN202310518508A CN116299424B CN 116299424 B CN116299424 B CN 116299424B CN 202310518508 A CN202310518508 A CN 202310518508A CN 116299424 B CN116299424 B CN 116299424B
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- image
- unmanned aerial
- aerial vehicle
- 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 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 105
- 238000005259 measurement Methods 0.000 claims description 28
- 238000010438 heat treatment Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract description 6
- 230000000630 rising effect Effects 0.000 description 13
- 239000000243 solution Substances 0.000 description 11
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 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
- 238000000827 velocimetry Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (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
本发明提供了一种无人机识别系统及方法,涉及无人机识别技术领域。本发明通过雷达识别平台和图像识别平台相互协同配合,通过目标匹配握手完成双侧无人机目标的识别同步;在单侧路径缺失时,进行协同路径补齐,从而实现识别互补;在双侧路径缺失时,进行匹配路径补齐,从而实现目标路径的完整跟踪;通过城市监控网络进行部署,无需新增设备成本;在图像监测节点较多的城市便能补足对雷达监测的弱点;通过无人机目标丢失前后的红外图像数据,判断无人机目标的飞行状态;若出现重新起飞状态,则很有可能违规飞行者在匹配路径沿途起降,执法人员便能根据重新起飞状态缩小违规飞行者的搜寻范围,更好地打击“乱飞”现象。
Description
技术领域
本发明涉及无人机识别技术领域,尤其涉及一种无人机识别系统及方法。
背景技术
随着科技的进步和时代的发展,无人机在各行业中快速普及,并在不同领域得到了充分运用,也走进了千家万户。其中,无人机识别是保障空域安全的重要技术手段,通过对无人机进行识别,能有效地进行轨迹跟踪、空域管控等,从而减少“乱飞”行为。
在郊外空旷场景下,由于干扰信号源和阻挡物均较少,且电磁环境简单,因此使用雷达就能达到很好的无人机识别效果;但是,在城市低空场景下,各种电子设备高密度设置,导致电磁环境复杂,干扰信号源极多,对于城市低空小目标的监测识别存在丢失的情况;因此,现有技术提出借助图像识别手段来进行无人机识别。
为此,申请号为:CN202111133136.6的发明申请提出了一种低空无人机反制用多无人机图像传输信号的识别方法,包括以下步骤:多图像捕捉、多图像比对、非重合区域分析;通过非重合区域占比,确定目的空域有是否有异物目标滞留。
该申请能在部署区域内通过图像识别无人机目标,对区域外的无人机目标不具备识别能力,仅能局限于小部分区域,且无人机目标的路径识别准确度没有雷达高。
因此,有必要提供一种无人机识别系统及方法来解决上述技术问题。
发明内容
为解决上述之一技术问题,本发明提供的一种无人机识别系统,包括雷达识别平台和图像识别平台,各识别平台在监测区域内对无人机进行雷达/图像识别,并在监测重合区域构建无人机目标路径协同识别区域;
雷达识别平台:包括若干雷达监测节点和雷达数据处理中心;通过各雷达监测节点对范围内无人机进行目标识别,得到对应雷达数据;通过雷达数据处理中心对各雷达数据进行处理,得到监测区域内雷达识别目标和雷达识别路径;
图像识别平台:包括若干图像监测节点和图像数据处理中心;通过各图像监测节点对范围内无人机进行目标识别,得到对应图像数据;通过图像数据处理中心对各图像数据进行处理,得到监测区域内图像识别目标和图像识别路径;
无人机目标路径协同识别区域:协同雷达识别平台和图像识别平台对监测重合区域的无人机进行目标匹配握手和目标补齐路径;其中,目标匹配握手:通过雷达识别目标和图像识别目标进行特征匹配判断,并在判断为同一目标时,互通各侧信息;目标补齐路径:在目标匹配握手的基础上,在单侧路径缺失时,进行协同路径补齐;在双侧路径缺失时,进行匹配路径补齐。
作为更加具体的解决方案,雷达数据包括雷达监测节点信息和雷达识别目标信息;雷达监测节点信息包括雷达监测节点编号、雷达监测节点位置和雷达识别目标集合;雷达识别目标信息包括雷达识别目标编号、目标反射信号、雷达测量距离R 1、雷达测量速度V 1和雷达测量角度Ɵ 1;图像数据包括图像监测节点信息和图像识别目标信息;图像监测节点信息包括图像监测节点编号、图像监测节点位置和图像识别目标集合;图像识别目标信息包括图像识别目标编号、目标图像数据、算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2;其中,雷达数据和图像数据均使用统一的时空坐标系表示各识别路径上的时空坐标点;目标图像数据包括红外图像数据和可见光图像数据。
作为更加具体的解决方案,雷达数据处理中心对雷达数据进行处理,得到雷达特征数据和目标雷达路径;雷达特征数据包括目标雷达特征、目标雷达时空特征和目标雷达运动特征;其中,通过对目标反射信号进行信号处理,并提取反射信号强度和反射信号分布,得到目标雷达特征;通过对雷达识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标雷达时空特征;通过测量雷达测量距离R 1、雷达测量速度V 1、雷达测量角度Ɵ 1和衍生算量,得到目标雷达运动特征;图像数据处理中心对图像数据进行处理,得到图像特征数据和目标图像路径;图像特征数据包括目标图像特征、目标温度特征、目标图像时空特征和目标图像运动特征;其中,对可见光图像数据进行目标识别,并提取可见光像素值和像素值分布,得到目标图像特征;对红外图像数据进行目标识别,并提取红外辐射能量和红外辐射分布,得到目标温度特征;对图像识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标图像时空特征;通过算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2和衍生算量,得到目标图像运动特征。
一种无人机识别方法,运用于如上上任一项所述的一种无人机识别系统中,在无人机目标路径协同识别区域内发现无人机目标时,执行对应目标匹配握手步骤,包括:雷达侧目标匹配握手和图像侧目标匹配握手;雷达侧目标匹配握手通过步骤A1至步骤A5执行:
步骤A1:雷达识别平台持续进行无人机识别;
步骤A2:当雷达识别平台发现无人机目标,则采集无人机目标的雷达数据并向图像识别平台发送协同识别消息;其中,协同识别消息包括:目标雷达路径和雷达特征数据;
步骤A3:图像识别平台接收协同识别消息,调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤A4:当图像识别平台发现无人机目标,则采集无人机目标的图像特征数据进行目标特征确认;目标特征确认通过步骤A4.1至步骤A4.2执行;
步骤A4.1:找寻目标雷达时空特征与目标图像时空特征中的时空重合点;若发现时空重合点,则执行下一步;若未发现时空重合点,则返回步骤A3;
步骤A4.2:对比时空重合点对应的目标图像运动特征和目标雷达运动特征,若两者匹配,则判断为同一目标,发送握手请求;若两者不匹配,则返回步骤A3;
步骤A5:雷达识别平台接收握手请求,互通各侧信息,完成雷达侧目标匹配握手;
其中,图像侧目标匹配握手为雷达侧目标匹配握手的镜像步骤;将已握手的无人机目标的目标雷达路径和目标图像路径进行双向误差矫正,得到准确识别路径。
作为更加具体的解决方案,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,雷达路径缺失时,进行雷达路径补齐;雷达路径补齐通过步骤B1至步骤B6执行;
步骤B1:获取雷达路径缺失时的时空重合点,作为雷达路径补齐起点;
步骤B2:图像识别平台监测无人机目标的目标图像路径,补齐雷达路径缺失;
步骤B3:调整对应区域的雷达监测节点延目标图像路径进行定点搜寻;
步骤B4:当雷达识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标雷达特征相匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标雷达特征不匹配,则不通过本地目标识别;
步骤B5:筛选通过本地目标识别的无人机目标,得到待识无人机目标;请求图像识别平台进行协同目标识别;协同目标识别通过步骤B5.1至步骤B5.3执行;
步骤B5.1:雷达识别平台采集当前时刻待识无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤B5.2:图像识别平台采集当前时刻监测无人机目标的目标图像时空特征、目标图像运动特征;
步骤B5.3:进行特征比较,若目标图像时空特征与目标雷达时空特征匹配,且目标图像运动特征与目标雷达运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤B6:通过协同目标识别,则判断为同一目标;并将当前时刻作为图像路径补齐终点,停止图像路径补齐,恢复目标雷达路径。
作为更加具体的解决方案,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,图像路径缺失时,进行图像路径补齐;图像路径补齐通过步骤C1至步骤C6执行;
步骤C1:获取图像路径缺失时的时空重合点,作为图像路径补齐起点;
步骤C2:雷达识别平台监测无人机目标的目标雷达路径,补齐图像路径缺失;
步骤C3:调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤C4:当图像识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标图像特征或目标温度特征任一匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标图像特征和目标温度特征不匹配,则不通过本地目标识别;
步骤C5:筛选通过本地目标识别的无人机目标,请求雷达识别平台进行协同目标识别;协同目标识别通过步骤C5.1至步骤C5.3执行;
步骤C5.1:雷达识别平台采集当前时刻当前无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤C5.2:图像识别平台采集当前时刻丢失无人机目标的目标图像时空特征、目标图像运动特征;
步骤C5.3:进行特征比较,若目标雷达时空特征与目标图像时空特征匹配,且目标雷达运动特征与目标图像运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤C6:若通过协同目标识别,则判断为同一目标;并将当前时刻作为图像路径补齐终点,停止雷达路径补齐,恢复目标图像路径。
作为更加具体的解决方案,当已握手的无人机目标发生双侧路径缺失时,搜寻丢失无人机目标,并在任一侧发现无人机目标,进行匹配路径补齐;匹配路径补齐通过步骤D1步骤D8执行:
步骤D1:标记无人机目标丢失时刻时空坐标点,得到第一标记点;
步骤D2:解析丢失时刻的监测节点信息,得到雷达监测节点位置和图像监测节点位置;
步骤D3:设置雷达监测节点位置为雷达侧中心,图像监测节点位置为图像侧中心;
步骤D4:设置搜寻次数K并执行第i次搜寻;当i大于K时结束搜寻并认为目标丢失;
步骤D5:在搜寻周期T i 内,以雷达/图像侧中心,半径L i 内各监测节点进行双侧搜寻;
步骤D6:若出现疑似目标,则进行目标判断;否则,返回步骤3进行第i+1次搜寻;
步骤D7:若目标判断为同一目标,则标记无人机目标当前时刻时空坐标点,得到第二标记点;否则,返回步骤3进行第i+1次搜寻时刻的时空坐标点;
步骤D8:第一标记点和第二标记点作为路径始末,建立匹配路径并补齐双侧路径缺失;
其中,目标判断规则:若疑似目标与丢失无人机目标具备匹配的目标雷达特征、目标图像特征和目标温度特征,则目标判断为同一目标;否则,目标判断为不同目标。
作为更加具体的解决方案,在匹配路径补齐后,通过无人机目标丢失前后的红外图像数据,判断无人机目标的飞行状态;
通过丢失前的红外图像数据,求取丢失前目标温度曲线和丢失前目标温度结束点ST1;
通过丢失后的红外图像数据,求取丢失后目标温度曲线和丢失后目标温度起始点ST2;
若丢失后目标温度起始点ST2低于丢失前目标温度结束点ST1,则判断为重新起飞状态;否则,进行下一步;
对丢失前目标温度曲线各点进行求导,并求取导数平均值,得到丢失前平均升温系数;
对丢失后目标温度曲线各点进行求导,并求取导数平均值,得到丢失后平均升温系数;
若丢失前平均升温系数大于丢失后平均升温系数,则判断为持续飞行状态;
若丢失前平均升温系数小于等于丢失后平均升温系数,则判断为重新起飞状态。
与相关技术相比较,本发明提供的一种无人机识别系统及方法具有如下有益效果:
1. 本发明通过雷达识别平台和图像识别平台相互协同配合,通过目标匹配握手完成双侧无人机目标的识别同步;在单侧路径缺失时,进行协同路径补齐,从而实现识别互补;在双侧路径缺失时,进行匹配路径补齐,从而实现目标路径的完整跟踪;
2. 通过城市监控网络中雷达监测网络和图像监测网络完成对雷达识别平台和图像识别平台的部署,无需新增设备成本;在图像监测节点较多的城市便能补足对雷达监测的弱点;
3. 通过无人机目标丢失前后的红外图像数据,判断无人机目标的飞行状态;若出现重新起飞状态,则很有可能违规飞行者在匹配路径沿途起降,执法人员便能根据重新起飞状态缩小违规飞行者的搜寻范围,更好地打击“乱飞”现象。
附图说明
图1为本发明实施例提供的一种无人机识别系统的较佳系统示意图;
图2为本发明实施例提供的一种无人机识别方法的较佳流程示意图;
图3为本发明实施例提供的无人机目标温度随工作时间变化示意图;
图4为本发明实施例提供的无人机图像;其中,左为可见光图像,右为红外图像;
图5为本发明实施例提供的无人机识别图像;其中,左为可见光图像,右为红外图像。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
如图1所示,本实施例提供的一种无人机识别系统,包括雷达识别平台和图像识别平台,各识别平台在监测区域内对无人机进行雷达/图像识别,并在监测重合区域构建无人机目标路径协同识别区域;
雷达识别平台:包括若干雷达监测节点和雷达数据处理中心;通过各雷达监测节点对范围内无人机进行目标识别,得到对应雷达数据;通过雷达数据处理中心对各雷达数据进行处理,得到监测区域内雷达识别目标和雷达识别路径;
图像识别平台:包括若干图像监测节点和图像数据处理中心;通过各图像监测节点对范围内无人机进行目标识别,得到对应图像数据;通过图像数据处理中心对各图像数据进行处理,得到监测区域内图像识别目标和图像识别路径;
如图2所示,无人机目标路径协同识别区域:协同雷达识别平台和图像识别平台对监测重合区域的无人机进行目标匹配握手和目标补齐路径;其中,目标匹配握手:通过雷达识别目标和图像识别目标进行特征匹配判断,并在判断为同一目标时,互通各侧信息;目标补齐路径:在目标匹配握手的基础上,在单侧路径缺失时,进行协同路径补齐;在双侧路径缺失时,进行匹配路径补齐。
需要说明的是:传统的雷达监测方法,通过各雷达监测节点对区域内空域进行扫描,从而识别各无人机目标;该方法技术成熟、部署成本低、监测范围广,适合大面积的无人机目标识别;但是,在低空城市区域,对于无人机这种小目标的识别效果不是很好,经常在目标跟踪时出现路径丢失的情况;因此,本发明通过雷达识别平台和图像识别平台相互协同配合,通过目标匹配握手完成双侧无人机目标的识别同步;在单侧路径缺失时,进行协同路径补齐,从而实现识别互补;在双侧路径缺失时,进行匹配路径补齐,从而实现目标路径的完整跟踪。
此外,该方案无严格的系统部署需求,只需要在无人机目标路径协同识别区域同时存在雷达识别平台和图像识别平台;通过城市监控网络中雷达监测网络和图像监测网络完成对雷达识别平台和图像识别平台的部署,无需新增设备成本;在图像监测节点较多的城市便能补足对雷达监测的弱点,在城市外部,则是外围雷达监测区域。
作为更进一步的解决方案,雷达数据包括雷达监测节点信息和雷达识别目标信息;雷达监测节点信息包括雷达监测节点编号、雷达监测节点位置和雷达识别目标集合;雷达识别目标信息包括雷达识别目标编号、目标反射信号、雷达测量距离R 1、雷达测量速度V 1和雷达测量角度Ɵ 1;图像数据包括图像监测节点信息和图像识别目标信息;图像监测节点信息包括图像监测节点编号、图像监测节点位置和图像识别目标集合;图像识别目标信息包括图像识别目标编号、目标图像数据、算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2;其中,雷达数据和图像数据均使用统一的时空坐标系表示各识别路径上的时空坐标点;目标图像数据包括红外图像数据和可见光图像数据。
需要说明的是:红外图像数据和可见光图像数据能在白天和黑夜进行使用,补足基于可见光识别的缺陷(受大雾、光强等影响)。
作为更进一步的解决方案,雷达数据处理中心对雷达数据进行处理,得到雷达特征数据和目标雷达路径;雷达特征数据包括目标雷达特征、目标雷达时空特征和目标雷达运动特征;其中,通过对目标反射信号进行信号处理,并提取反射信号强度和反射信号分布,得到目标雷达特征;通过对雷达识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标雷达时空特征;通过测量雷达测量距离R 1、雷达测量速度V 1、雷达测量角度Ɵ 1和衍生算量,得到目标雷达运动特征;图像数据处理中心对图像数据进行处理,得到图像特征数据和目标图像路径;图像特征数据包括目标图像特征、目标温度特征、目标图像时空特征和目标图像运动特征;其中,对可见光图像数据进行目标识别,并提取可见光像素值和像素值分布,得到目标图像特征;对红外图像数据进行目标识别,并提取红外辐射能量和红外辐射分布,得到目标温度特征;对图像识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标图像时空特征;通过算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2和衍生算量,得到目标图像运动特征。
需要说明的是:算法测量距离、算法测量速度和算法测量角度均为现有算法,如单目/双目测距法,多帧结合测速法和基于像素点的测量角度法,在此不做赘述。
一种无人机识别方法,运用于如上上任一项所述的一种无人机识别系统中,在无人机目标路径协同识别区域内发现无人机目标时,执行对应目标匹配握手步骤,包括:雷达侧目标匹配握手和图像侧目标匹配握手;雷达侧目标匹配握手通过步骤A1至步骤A5执行:
步骤A1:雷达识别平台持续进行无人机识别;
步骤A2:当雷达识别平台发现无人机目标,则采集无人机目标的雷达数据并向图像识别平台发送协同识别消息;其中,协同识别消息包括:目标雷达路径和雷达特征数据;
步骤A3:图像识别平台接收协同识别消息,调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤A4:当图像识别平台发现无人机目标,则采集无人机目标的图像特征数据进行目标特征确认;目标特征确认通过步骤A4.1至步骤A4.2执行;
步骤A4.1:找寻目标雷达时空特征与目标图像时空特征中的时空重合点;若发现时空重合点,则执行下一步;若未发现时空重合点,则返回步骤A3;
步骤A4.2:对比时空重合点对应的目标图像运动特征和目标雷达运动特征,若两者匹配,则判断为同一目标,发送握手请求;若两者不匹配,则返回步骤A3;
步骤A5:雷达识别平台接收握手请求,互通各侧信息,完成雷达侧目标匹配握手;
其中,图像侧目标匹配握手为雷达侧目标匹配握手的镜像步骤;将已握手的无人机目标的目标雷达路径和目标图像路径进行双向误差矫正,得到准确识别路径。
需要说明的是:本实施了通过时空重合点寻找同一时间出现在同一位置的目标,再根据目标的运动特征判断在图像侧和雷达侧的目标是否为同一个,若为同一个,则具备相同的运动特征,并建立目标匹配握手。
作为更进一步的解决方案,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,雷达路径缺失时,进行雷达路径补齐;雷达路径补齐通过步骤B1至步骤B6执行;
步骤B1:获取雷达路径缺失时的时空重合点,作为雷达路径补齐起点;
步骤B2:图像识别平台监测无人机目标的目标图像路径,补齐雷达路径缺失;
步骤B3:调整对应区域的雷达监测节点延目标图像路径进行定点搜寻;
步骤B4:当雷达识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标雷达特征相匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标雷达特征不匹配,则不通过本地目标识别;
步骤B5:筛选通过本地目标识别的无人机目标,得到待识无人机目标;请求图像识别平台进行协同目标识别;协同目标识别通过步骤B5.1至步骤B5.3执行;
步骤B5.1:雷达识别平台采集当前时刻待识无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤B5.2:图像识别平台采集当前时刻监测无人机目标的目标图像时空特征、目标图像运动特征;
步骤B5.3:进行特征比较,若目标图像时空特征与目标雷达时空特征匹配,且目标图像运动特征与目标雷达运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤B6:通过协同目标识别,则判断为同一目标;并将当前时刻作为图像路径补齐终点,停止图像路径补齐,恢复目标雷达路径。
作为更进一步的解决方案,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,图像路径缺失时,进行图像路径补齐;图像路径补齐通过步骤C1至步骤C6执行;
步骤C1:获取图像路径缺失时的时空重合点,作为图像路径补齐起点;
步骤C2:雷达识别平台监测无人机目标的目标雷达路径,补齐图像路径缺失;
步骤C3:调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤C4:当图像识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标图像特征或目标温度特征任一匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标图像特征和目标温度特征不匹配,则不通过本地目标识别;
步骤C5:筛选通过本地目标识别的无人机目标,请求雷达识别平台进行协同目标识别;协同目标识别通过步骤C5.1至步骤C5.3执行;
步骤C5.1:雷达识别平台采集当前时刻当前无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤C5.2:图像识别平台采集当前时刻丢失无人机目标的目标图像时空特征、目标图像运动特征;
步骤C5.3:进行特征比较,若目标雷达时空特征与目标图像时空特征匹配,且目标雷达运动特征与目标图像运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤C6:若通过协同目标识别,则判断为同一目标;并将当前时刻作为图像路径补齐终点,停止雷达路径补齐,恢复目标图像路径。
需要说明的是:由于在本地目标识别外,还进行协同目标识别,因此,本地目标识别仅需满足目标图像特征或目标温度特征任一匹配,避免图像干扰错过无人机目标,后续再精准识别。
作为更进一步的解决方案,当已握手的无人机目标发生双侧路径缺失时,搜寻丢失无人机目标,并在任一侧发现无人机目标,进行匹配路径补齐;匹配路径补齐通过步骤D1步骤D8执行:
步骤D1:标记无人机目标丢失时刻时空坐标点,得到第一标记点;
步骤D2:解析丢失时刻的监测节点信息,得到雷达监测节点位置和图像监测节点位置;
步骤D3:设置雷达监测节点位置为雷达侧中心,图像监测节点位置为图像侧中心;
步骤D4:设置搜寻次数K并执行第i次搜寻;当i大于K时结束搜寻并认为目标丢失;
步骤D5:在搜寻周期T i 内,以雷达/图像侧中心,半径L i 内各监测节点进行双侧搜寻;
步骤D6:若出现疑似目标,则进行目标判断;否则,返回步骤3进行第i+1次搜寻;
步骤D7:若目标判断为同一目标,则标记无人机目标当前时刻时空坐标点,得到第二标记点;否则,返回步骤3进行第i+1次搜寻时刻的时空坐标点;
步骤D8:第一标记点和第二标记点作为路径始末,建立匹配路径并补齐双侧路径缺失;
其中,目标判断规则:若疑似目标与丢失无人机目标具备匹配的目标雷达特征、目标图像特征和目标温度特征,则目标判断为同一目标;否则,目标判断为不同目标。
需要说明的是:半径L i+1 比半径L i 范围更大,类似于同心圆状,若当前搜寻范围未找到目标,则扩大搜寻范围,协同更多的监测节点进行寻找;若超出搜寻次数K,则结束搜寻并认为目标丢失。
作为更进一步的解决方案,在匹配路径补齐后,通过无人机目标丢失前后的红外图像数据,判断无人机目标的飞行状态;
通过丢失前的红外图像数据,求取丢失前目标温度曲线和丢失前目标温度结束点ST1;
通过丢失后的红外图像数据,求取丢失后目标温度曲线和丢失后目标温度起始点ST2;
若丢失后目标温度起始点ST2低于丢失前目标温度结束点ST1,则判断为重新起飞状态;否则,进行下一步;
对丢失前目标温度曲线各点进行求导,并求取导数平均值,得到丢失前平均升温系数;
对丢失后目标温度曲线各点进行求导,并求取导数平均值,得到丢失后平均升温系数;
若丢失前平均升温系数大于丢失后平均升温系数,则判断为持续飞行状态;
若丢失前平均升温系数小于等于丢失后平均升温系数,则判断为重新起飞状态。
需要说明的是:无人机目标温度随工作时间变化如图3所示;通过图3我们不难看出:无人机目标温度呈线性递增关系,且后一时刻温度高于前一时刻温度,若出现后一时刻温度低于前一时刻温度,则说明该无人机重新起飞;当后一时刻温度高于前一时刻温度,则需要进一步判断,如图3所示,若后一时刻温度高于前一时刻温度,要么持续飞行状态,要么则为重新起飞状态并且快速升温达到比前一时刻温度更高的状态;因此,判断这两种情况需要求得升温系数,若持续飞行状态,则前一时刻的升温系数大于后一时刻的升温系数;若重新起飞状态并且快速升温,则前一时刻的升温系数小于后一时刻的升温系数;并且为了抹去各点的波动影响,因此使用平均升温系数。判断无人机目标的飞行状态有助于寻找无人机固定起降点;若出现重新起飞状态,则很有可能违规飞行者在匹配路径沿途起降,执法人员便能根据重新起飞状态缩小违规飞行者的搜寻范围,更好地打击“乱飞”现象。
需要进一步说明的是:图3为无人机连续工作情况下的升温曲线,其中,横坐标为时间轴,纵坐标为无人机温度轴;升温曲线的实线部分为无人机目标未丢失时的温度曲线,虚线部分则是无人机目标丢失时的温度曲线;很明显,当出现K1小于K2,则在T1至T2时刻之间必定存在一个起降点,使其温度降低后重新起飞,判断为重新起飞状态;若无人机处于连续工作状态,丢失前目标温度结束点ST1的温度K1必定大于丢失后目标温度起始点ST2的温度K2;但是,若无人机在T1至T2时刻之间重新起飞并且大功运行,则也会出现K1大于K2的情况,因此需要进一步判断。
为了区分K1大于K2时的持续飞行/重新起飞的情况,本实施例引入升温系数进行判断;若持续飞行,则后一时刻升温系数小于前一时刻的升温系数,但是该情况存在无人机短期功率波动的情况,因此,本实施例在升温系数的基础上,引入平均升温系数,若丢失前目标温度结束点ST1小于丢失后目标温度起始点ST2的平均升温系数,则可判断T1至T2之间有一个起降点,否则认为符合连续飞行规律,T1至T2之间无起降点。
注:T1至T2若丢失时间过长,则直接认定为两次独立的无人机监测进程;针对其余情况为极小概率情况,如:在T1至T2时刻之间,无人机重新起降并加大功率使其温度高于K1,且在T2时刻前降低运行功率使其升温系数使其低于T1时刻,T2时刻后的平均升温系数低于ST1之前的平均升温系数;该类情况对持续飞行/重新起飞的正确判断影响较小,在此不做讨论。
在一个具体的实施例中:在武汉市某长江流域部署有图像监测平台和雷达监测平台,该图像监测平台具备红外图像采集和可见光图像采集功能,通过红外监控构建“无人机协同路径识别区域”;并且如图4所示,由于无人机各部位发热不同,热量分布不同,可以通过目标温度特征对无人机目标进行识别。如图5所示,结合目标图像特征和目标温度特征,便能进行准确的无人机目标识别,识别算法为现有技术,在此不做赘述。图像监测平台和雷达监测平台均为现有系统,通过协同两者实现了无人机的协同识别,且不需要添加新的设备,并能根据其无人机目标温度关系,推测估计无人机起降点,从而更好地打击追溯违法乱飞行为。
以上仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种无人机识别系统,其特征在于,包括雷达识别平台和图像识别平台,各识别平台在监测区域内对无人机进行雷达/图像识别,并在监测重合区域构建无人机目标路径协同识别区域;
雷达识别平台:包括若干雷达监测节点和雷达数据处理中心;通过各雷达监测节点对范围内无人机进行目标识别,得到对应雷达数据;通过雷达数据处理中心对各雷达数据进行处理,得到监测区域内雷达识别目标和雷达识别路径;
图像识别平台:包括若干图像监测节点和图像数据处理中心;通过各图像监测节点对范围内无人机进行目标识别,得到对应图像数据;通过图像数据处理中心对各图像数据进行处理,得到监测区域内图像识别目标和图像识别路径;
无人机目标路径协同识别区域:协同雷达识别平台和图像识别平台对监测重合区域的无人机进行目标匹配握手和目标补齐路径;其中,目标匹配握手:通过雷达识别目标和图像识别目标进行特征匹配判断,并在判断为同一目标时,互通各侧信息;目标补齐路径:在目标匹配握手的基础上,在单侧路径缺失时,进行协同路径补齐;在双侧路径缺失时,进行匹配路径补齐;其中,当已握手的无人机目标发生双侧路径缺失时,搜寻丢失无人机目标,并在任一侧发现无人机目标,进行匹配路径补齐;匹配路径补齐通过步骤D1至步骤D8执行:
步骤D1:标记无人机目标丢失时刻时空坐标点,得到第一标记点;
步骤D2:解析丢失时刻的监测节点信息,得到雷达监测节点位置和图像监测节点位置;
步骤D3:设置雷达监测节点位置为雷达侧中心,图像监测节点位置为图像侧中心;
步骤D4:设置搜寻次数K并执行第i次搜寻;当i大于K时结束搜寻并认为目标丢失;
步骤D5:在搜寻周期T i 内,以雷达/图像侧中心,半径L i 内各监测节点进行双侧搜寻;
步骤D6:若出现疑似目标,则进行目标判断;否则,返回步骤D3进行第i+1次搜寻;
步骤D7:若目标判断为同一目标,则标记无人机目标当前时刻时空坐标点,得到第二标记点;否则,返回步骤D3进行第i+1次搜寻;
步骤D8:第一标记点和第二标记点作为路径始末,建立匹配路径并补齐双侧路径缺失;
其中,目标判断规则:若疑似目标与丢失无人机目标具备匹配的目标雷达特征、目标图像特征和目标温度特征,则目标判断为同一目标;否则,目标判断为不同目标。
2.根据权利要求1所述的一种无人机识别系统,其特征在于,雷达数据包括雷达监测节点信息和雷达识别目标信息;雷达监测节点信息包括雷达监测节点编号、雷达监测节点位置和雷达识别目标集合;雷达识别目标信息包括雷达识别目标编号、目标反射信号、雷达测量距离R 1、雷达测量速度V 1和雷达测量角度Ɵ 1;图像数据包括图像监测节点信息和图像识别目标信息;图像监测节点信息包括图像监测节点编号、图像监测节点位置和图像识别目标集合;图像识别目标信息包括图像识别目标编号、目标图像数据、算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2;其中,雷达数据和图像数据均使用统一的时空坐标系表示各识别路径上的时空坐标点;目标图像数据包括红外图像数据和可见光图像数据。
3.根据权利要求2所述的一种无人机识别系统,其特征在于,雷达数据处理中心对雷达数据进行处理,得到雷达特征数据和目标雷达路径;雷达特征数据包括目标雷达特征、目标雷达时空特征和目标雷达运动特征;其中,通过对目标反射信号进行信号处理,并提取反射信号强度和反射信号分布,得到目标雷达特征;通过对雷达识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标雷达时空特征;通过测量雷达测量距离R 1、雷达测量速度V 1、雷达测量角度Ɵ 1和衍生算量,得到目标雷达运动特征;图像数据处理中心对图像数据进行处理,得到图像特征数据和目标图像路径;图像特征数据包括目标图像特征、目标温度特征、目标图像时空特征和目标图像运动特征;其中,对可见光图像数据进行目标识别,并提取可见光像素值和像素值分布,得到目标图像特征;对红外图像数据进行目标识别,并提取红外辐射能量和红外辐射分布,得到目标温度特征;对图像识别目标进行参考坐标映射,并提取时间坐标和空间坐标,得到目标图像时空特征;通过算法测量距离R 2、算法测量速度V 2和算法测量角度Ɵ 2和衍生算量,得到目标图像运动特征。
4.一种无人机识别方法,运用于如上权利要求1至权利要求3任一项所述的一种无人机识别系统中,其特征在于,在无人机目标路径协同识别区域内发现无人机目标时,执行对应目标匹配握手步骤,包括:雷达侧目标匹配握手和图像侧目标匹配握手;雷达侧目标匹配握手通过步骤A1至步骤A5执行:
步骤A1:雷达识别平台持续进行无人机识别;
步骤A2:当雷达识别平台发现无人机目标,则采集无人机目标的雷达数据并向图像识别平台发送协同识别消息;其中,协同识别消息包括:目标雷达路径和雷达特征数据;
步骤A3:图像识别平台接收协同识别消息,调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤A4:当图像识别平台发现无人机目标,则采集无人机目标的图像特征数据进行目标特征确认;目标特征确认通过步骤A4.1至步骤A4.2执行;
步骤A4.1:找寻目标雷达时空特征与目标图像时空特征中的时空重合点;若发现时空重合点,则执行下一步;若未发现时空重合点,则返回步骤A3;
步骤A4.2:对比时空重合点对应的目标图像运动特征和目标雷达运动特征,若两者匹配,则判断为:同一目标,发送握手请求;若两者不匹配,则返回步骤A3;
步骤A5:雷达识别平台接收握手请求,互通各侧信息,完成雷达侧目标匹配握手;
其中,图像侧目标匹配握手为雷达侧目标匹配握手的镜像步骤;将已握手的无人机目标的目标雷达路径和目标图像路径进行双向误差矫正,得到准确识别路径。
5.根据权利要求4所述的一种无人机识别方法,其特征在于,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,雷达路径缺失时,进行雷达路径补齐;雷达路径补齐通过步骤B1至步骤B6执行;
步骤B1:获取雷达路径缺失时的时空重合点,作为雷达路径补齐起点;
步骤B2:图像识别平台监测无人机目标的目标图像路径,补齐雷达路径缺失;
步骤B3:调整对应区域的雷达监测节点延目标图像路径进行定点搜寻;
步骤B4:当雷达识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标雷达特征相匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标雷达特征不匹配,则不通过本地目标识别;
步骤B5:筛选通过本地目标识别的无人机目标,得到待识无人机目标;请求图像识别平台进行协同目标识别;协同目标识别通过步骤B5.1至步骤B5.3执行;
步骤B5.1:雷达识别平台采集当前时刻待识无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤B5.2:图像识别平台采集当前时刻监测无人机目标的目标图像时空特征、目标图像运动特征;
步骤B5.3:进行特征比较,若目标图像时空特征与目标雷达时空特征匹配,且目标图像运动特征与目标雷达运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤B6:通过协同目标识别,则判断为:同一目标;并将当前时刻作为雷达路径补齐终点,停止雷达路径补齐,恢复目标雷达路径。
6.根据权利要求5所述的一种无人机识别方法,其特征在于,当已握手的无人机目标发生单侧路径缺失时,进行协同补齐路径;其中,图像路径缺失时,进行图像路径补齐;图像路径补齐通过步骤C1至步骤C6执行;
步骤C1:获取图像路径缺失时的时空重合点,作为图像路径补齐起点;
步骤C2:雷达识别平台监测无人机目标的目标雷达路径,补齐图像路径缺失;
步骤C3:调整对应区域的图像监测节点延目标雷达路径进行定点搜寻;
步骤C4:当图像识别平台发现无人机目标,则进行本地目标识别:
若当前无人机目标和丢失无人机目标的目标图像特征或目标温度特征任一匹配,则通过本地目标识别;
若当前无人机目标和丢失无人机目标的目标图像特征和目标温度特征不匹配,则不通过本地目标识别;
步骤C5:筛选通过本地目标识别的无人机目标,请求雷达识别平台进行协同目标识别;协同目标识别通过步骤C5.1至步骤C5.3执行;
步骤C5.1:雷达识别平台采集当前时刻当前无人机目标的目标雷达时空特征、目标雷达运动特征;
步骤C5.2:图像识别平台采集当前时刻丢失无人机目标的目标图像时空特征、目标图像运动特征;
步骤C5.3:进行特征比较,若目标雷达时空特征与目标图像时空特征匹配,且目标雷达运动特征与目标图像运动特征匹配,则通过协同目标识别;否则不通过协同目标识别;
步骤C6:若通过协同目标识别,则判断为同一目标;并将当前时刻作为图像路径补齐终点,停止图像路径补齐,恢复目标图像路径。
7.根据权利要求4所述的一种无人机识别方法,其特征在于,在匹配路径补齐后,通过无人机目标丢失前后的红外图像数据,判断无人机目标的飞行状态;
通过丢失前的红外图像数据,求取丢失前目标温度曲线和丢失前目标温度结束点ST1;
通过丢失后的红外图像数据,求取丢失后目标温度曲线和丢失后目标温度起始点ST2;
若丢失后目标温度起始点ST2低于丢失前目标温度结束点ST1,则判断为重新起飞状态;否则,进行下一步;
对丢失前目标温度曲线各点进行求导,并求取导数平均值,得到丢失前平均升温系数;
对丢失后目标温度曲线各点进行求导,并求取导数平均值,得到丢失后平均升温系数;
若丢失前平均升温系数大于丢失后平均升温系数,则判断为持续飞行状态;
若丢失前平均升温系数小于等于丢失后平均升温系数,则判断为重新起飞状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518508.XA CN116299424B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518508.XA CN116299424B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299424A CN116299424A (zh) | 2023-06-23 |
CN116299424B true CN116299424B (zh) | 2023-07-18 |
Family
ID=86790837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518508.XA Active CN116299424B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299424B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553755B (zh) * | 2024-01-09 | 2024-04-23 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种无人机侦测系统及控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201503759D0 (en) * | 2015-03-05 | 2015-04-22 | Plextek Ltd And Maile Graham L | A counter-UAV system |
KR20180043912A (ko) * | 2016-10-21 | 2018-05-02 | 주식회사 모두의연구소 | 협업형 안티 드론 시스템 및 안티 드론 협업 제어 방법 |
KR20180133745A (ko) * | 2017-06-07 | 2018-12-17 | 국방과학연구소 | 라이다 센서 및 팬틸트줌 카메라를 활용한 비행체 식별 시스템 및 그 제어 방법 |
CN113253289A (zh) * | 2020-12-07 | 2021-08-13 | 中国计量大学 | 基于激光雷达与视觉结合的无人机探测跟踪系统实现方法 |
CN115542318A (zh) * | 2022-10-12 | 2022-12-30 | 南京航空航天大学 | 面向无人机群目标的空地联合多域探测系统和方法 |
CN115761421A (zh) * | 2022-11-03 | 2023-03-07 | 南京莱斯电子设备有限公司 | 一种多源信息融合低慢小目标探测方法及无人空防系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11800062B2 (en) * | 2019-07-26 | 2023-10-24 | Dedrone Holdings, Inc. | Systems, methods, apparatuses, and devices for radar-based identifying, tracking, and managing of unmanned aerial vehicles |
-
2023
- 2023-05-10 CN CN202310518508.XA patent/CN116299424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201503759D0 (en) * | 2015-03-05 | 2015-04-22 | Plextek Ltd And Maile Graham L | A counter-UAV system |
KR20180043912A (ko) * | 2016-10-21 | 2018-05-02 | 주식회사 모두의연구소 | 협업형 안티 드론 시스템 및 안티 드론 협업 제어 방법 |
KR20180133745A (ko) * | 2017-06-07 | 2018-12-17 | 국방과학연구소 | 라이다 센서 및 팬틸트줌 카메라를 활용한 비행체 식별 시스템 및 그 제어 방법 |
CN113253289A (zh) * | 2020-12-07 | 2021-08-13 | 中国计量大学 | 基于激光雷达与视觉结合的无人机探测跟踪系统实现方法 |
CN115542318A (zh) * | 2022-10-12 | 2022-12-30 | 南京航空航天大学 | 面向无人机群目标的空地联合多域探测系统和方法 |
CN115761421A (zh) * | 2022-11-03 | 2023-03-07 | 南京莱斯电子设备有限公司 | 一种多源信息融合低慢小目标探测方法及无人空防系统 |
Non-Patent Citations (2)
Title |
---|
Stamatios Samaras,et al.Deep Learning on Multi Sensor Data for Counter UAV Applications—A Systematic Review.《sensors》.2019,第1-35页. * |
反无人机系统中目标识别和跟踪算法研究;周光兵;《中国优秀硕士学位论文全文数据库 工程科技II辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116299424A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220197281A1 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
CN102393912B (zh) | 一种基于不确定推理的目标综合识别方法 | |
CN105758397B (zh) | 一种飞行器摄像定位方法 | |
KR101569919B1 (ko) | 차량의 위치 추정 장치 및 방법 | |
CN116299424B (zh) | 一种无人机识别系统及方法 | |
CN110782465B (zh) | 一种基于激光雷达的地面分割方法、装置及存储介质 | |
CN108664930A (zh) | 一种智能的多目标检测跟踪方法 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN113156417B (zh) | 反无人机探测系统、方法和雷达设备 | |
CN105225251A (zh) | 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法 | |
CN115761421A (zh) | 一种多源信息融合低慢小目标探测方法及无人空防系统 | |
CN112505050A (zh) | 一种机场跑道异物检测系统及方法 | |
CN114842643B (zh) | 视频车辆检测模型在线更新方法、装置及雷视融合系统 | |
Bouain et al. | Multi-sensor fusion for obstacle detection and recognition: A belief-based approach | |
CN116229385A (zh) | 一种基于卷积神经网络结合贪心算法的车辆3d多目标跟踪方法 | |
CN112650304A (zh) | 无人机自主着陆系统、方法和无人机 | |
CN109815773A (zh) | 一种基于视觉的低慢小航空器探测方法 | |
WO2020154962A1 (zh) | 一种目标可信度确定方法、一种目标识别方法、系统、车辆及存储介质 | |
CN111898427A (zh) | 一种基于特征融合深度神经网络的多光谱行人检测方法 | |
CN114415726B (zh) | 一种基于图像分析的无人机避障控制系统及方法 | |
CN111291606A (zh) | 基于边缘计算的场景自适应目标识别人工智能方法及系统 | |
CN109543553A (zh) | 基于机器学习的低小慢目标的光电识别跟踪方法 | |
CN112257750B (zh) | 一种面向复合式探测节点的分布式融合系统 | |
CN113391642A (zh) | 一种基于单目视觉的无人机自主避障方法及系统 | |
CN113221944A (zh) | 一种紫外光协作多传感器数据融合无人机敌我识别方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A drone recognition system and method Granted publication date: 20230718 Pledgee: Wuhan Optics Valley Small and Medium Duty Venture Capital Co.,Ltd. Pledgor: WUHAN CPCTECH CO.,LTD. Registration number: Y2024980013945 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |