CN116503862A - 一种弹载/机载激光成像引信局部稀疏点云目标识别方法 - Google Patents

一种弹载/机载激光成像引信局部稀疏点云目标识别方法 Download PDF

Info

Publication number
CN116503862A
CN116503862A CN202310498422.5A CN202310498422A CN116503862A CN 116503862 A CN116503862 A CN 116503862A CN 202310498422 A CN202310498422 A CN 202310498422A CN 116503862 A CN116503862 A CN 116503862A
Authority
CN
China
Prior art keywords
point cloud
target
data
fuze
missile
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
CN202310498422.5A
Other languages
English (en)
Inventor
陈慧敏
王伟翰
高铭泽
刘承益
胡诗苑
杨旭
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310498422.5A priority Critical patent/CN116503862A/zh
Publication of CN116503862A publication Critical patent/CN116503862A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—Processing 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种弹载/机载激光成像引信局部稀疏点云目标识别方法，属于激光引信目标识别技术领域。本发明基于多耦合场动态成像探测模型，建立弹载/机载线阵推扫激光成像引信点云仿真系统，获取局部稀疏点云目标数据；根据精确起爆策略与神经网络训练评估需求，对数据进行标注及划分，生成大量带有引导标注信息的数据集，提高深度学习神经网络的识别准确率；采用柱体素划分方法对点云数据进行降维特征转化，生成二维特征伪图；通过多尺度均衡卷积神经网络特征提取层进行特征处理，提取并拼接不同尺寸的目标特征，减少目标信息丢失，通过SSD检测方法实现目标识别。本发明适用军事成像领域，提高局部稀疏点云目标识别的准确率。

Description

一种弹载/机载激光成像引信局部稀疏点云目标识别方法
技术领域
本发明涉及一种弹载/机载激光成像引信局部稀疏点云目标识别方法，属于激光引信目标识别技术领域。
背景技术
引信是利用环境信息、目标信息或平台信息，在保证勤务和发射安全的前提下，按预定策略对弹药实施起爆控制的装置。激光引信具有方向性好、相干性好、旁瓣小、抗电磁干扰能力强等优点，在多种武器平台有着广泛的应用。但是激光引信易受烟雾、扬尘、雨雪等环境因素干扰，出现虚警或漏警，使弹药早炸或失效，影响弹药的毁伤效能。
激光成像引信通过接收目标反射或散射的激光回波，获取目标空间位置信息与回波强度信息，组合成点云数据。烟雾、扬尘、雨雪等干扰点云数据具有非线性、形态不固定等特点，而目标的点云数据具有几何特征明显、形态固定等特点，通过对点云数据的分析与处理可以有效降低烟雾、扬尘、雨雪等环境干扰的影响。不同于车载激光雷达成像，激光引信成像交会姿态多变，且具有一次性、非全局成像特点，难以通过试验获取大量数据。由于成本与体积的限制，激光成像引信的发射线数较少，获取的点云数据较为稀疏，且为保证弹药对目标实施最佳毁伤效果，实现精确起爆策略，激光成像引信在获取到相对稀疏的目标局部点云数据时就要输出起爆信号。传统点云目标识别方法主要采用几何特征、灰度变化特征、关键点邻域权重特征和多属性组合特征等方法对目标局部特征进行识别，需要目标点云具有较高的稠密度，对于相对稀疏的局部点云数据，传统识别方法识别准确率有限。基于深度学习的点云目标识别方法主要采用三维体素划分方法、点特征学习法、鸟瞰图降维方法等对目标点云进行处理与识别，此类方法虽然有着更高的识别准确率，但是缺少激光成像引信应用场景数据集进行训练，难以在弹载/机载激光引信成像实际应用场景下使用。
因此，如何在具有高识别准确率的条件下，有效识别弹载/机载激光成像引信获取的局部稀疏点云目标，对武器系统平台的精确毁伤控制具有重要意义。
发明内容
针对现有的局部稀疏点云目标识别技术识别准确率较低的问题，本发明的主要目的是提供一种弹载/机载激光成像引信局部稀疏点云目标识别方法，基于激光成像引信点云获取仿真系统建立局部稀疏点云目标数据集，通过基于完整度的引导标注方法对数据集进行标注，采用柱体素划分方法与多尺度均衡卷积神经网络特征提取层，对激光成像引信获取的局部稀疏点云目标进行识别，提高局部稀疏点云目标识别的准确率。
本发明的目的是通过以下技术方案实现的：
本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，基于多耦合场动态成像探测模型，建立弹载/机载线阵推扫激光成像引信点云仿真系统；设置动态参数及激光引信参数进行仿真，获取局部稀疏点云目标数据；根据精确起爆策略要求与神经网络训练评估需求对数据集进行标注及划分，通过生成大量带有引导标注信息的数据集提高深度学习神经网络的识别准确率；采用柱体素划分方法对点云数据进行降维特征转化，生成二维特征伪图；通过多尺度均衡卷积神经网络特征提取层进行特征处理，提取并拼接不同尺寸的目标特征，减少目标信息丢失，最后通过SSD(Single Shot MultiBoxDetector)检测方法实现目标识别，从而提高局部稀疏点云目标识别的准确率。
本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，包括如下步骤：
步骤一、基于多耦合场动态成像探测模型，建立激光成像引信点云获取仿真系统，生成局部稀疏点云目标数据集。
建立包含激光发射接收模型、目标模型、弹/机目交会模型的多耦合场动态成像探测模型，构建弹载/机载线阵推扫激光成像引信点云获取仿真系统。利用激光射线追踪方法，获取从激光发射到照射目标产生回波过程的路径信息与距离信息，通过弹载/机载平台与目标的交会仿真，获取运动情况下的激光线阵回波信号，在时空二维条件下生成弹载/机载激光成像引信局部稀疏点云目标数据。基于建立的点云获取仿真系统，通过设定不同的交会条件，仿真获取不同作用位置、交会姿态下的目标点云数据，生成局部稀疏点云目标数据集。
步骤二、根据精确起爆策略要求与网络训练评估需求对数据集进行标注及划分。
为满足精确起爆策略要求，保证武器系统在目标易损位置进行作用，以及实现数据集与神经网络的有效对接，需对数据集进行处理与引导标注。采用的数据处理及标注方法如下：
(1)点云数据剪裁及格式统一化。针对目标存在区域进行点云裁剪，去除无意义点云数据，提高后续神经网络特征提取的有效信息密度，并通过对点云文件的读取与重新整理，将仿真输出的单一点云数据文件格式转化为多种兼容格式，满足后续网络读取需求。
(2)点云坐标系统一化。不同坐标系下目标交会角度定义不同，统一数据集内点云数据与神经网络输入数据接口的坐标系定义，对于坐标系定义不同的神经网络数据读取接口，以基础坐标系为参考进行格式转换。
(3)地面滤波及目标角度修正。读取点云数据内各点三维信息，根据目标高度信息设定滤波阈值，过滤去除地面点云，得到纯目标点云数据，根据仿真初始化参数得到的目标交会角度，对目标全体点云乘以旋转矩阵，统一目标朝向，通过目标点云角度修正方法降低后续目标长宽估计误差，提高标注准确度。
(4)基于重叠面积的完整度判别标注。根据目标基础长宽参数计算目标完整鸟瞰面积，通过对点云数据的三维参数进行矩形拟合，获得当前目标点云的成像长宽参数，计算当前点云目标的鸟瞰面积，完整度定义为当前鸟瞰面积与完整鸟瞰面积的百分比。根据点云目标的完整度不同，进行有选择性标注：为降低武器系统平台的漏警率，对具有高完整度的点云目标进行有效标注，为防止虚警及早炸，对具有低完整度的点云目标不做标注。
(5)为满足神经网络训练及评估需求，对标注好的数据集进行训练集与测试集的划分。
步骤三、建立基于柱体素划分方法结合多尺度均衡卷积特征提取层的深度学习神经网络。
采用柱体素划分方法对点云数据进行处理，在点云数据空间内均匀划分固定长宽、高度无穷大的柱体素网格，对各柱体素内的点进行特征提取与融合，将无序庞大的三维点云特征转化为有序轻小的二维特征伪图，在保留较多目标信息的同时避免使用计算量大的3D卷积操作，保证了高实时性。多尺度均衡卷积特征提取层由下采样模块、上采样模块与连接模块组成，对二维特征伪图不同尺寸的特征进行提取与拼接，生成高信息量、高信息密度的特征伪图，保证了高识别准确率。采用基于锚框生成的单阶多层SSD检测方法对特征伪图进行目标识别与回归。
步骤四、进行基于数据增强与迁移学习的神经网络训练。
基于建立的局部稀疏点云目标数据集及标注信息，对建立的深度学习神经网络进行训练。采用数据增强方法扩展数据量，提高训练的可靠度，防止过拟合。采用迁移学习方法，在较为成熟的神经网络权重参数基础上，进行局部稀疏点云目标数据的识别训练，提高识别准确率与训练效率。
步骤五、针对步骤四所训练完成的局部稀疏点云目标识别神经网络，通过损失函数值进行训练评价，在测试集上进行评估验证，并根据识别准确率情况进行识别评价。
还包括步骤六、将步骤五评估完成的局部稀疏点云目标识别方法应用于弹载/机载平台的激光成像引信，在具有高识别准确率的前提下，对弹载/机载平台激光成像引信获取的点云数据进行目标特征识别并控制输出作用信号，实现精确起爆控制策略，保证对目标的最佳毁伤效果。
有益效果：
1、本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，通过对激光成像引信点云获取仿真系统生成的点云数据进行点云裁剪、格式拓展、坐标转换以及标注操作，实现数据集与神经网络输入接口的对接，通过生成大量数据集提高局部稀疏点云目标识别方法的识别准确率。
2、本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，通过基于完整度的标注方法，对深度学习神经网络进行局部稀疏点云目标识别的引导训练，实现精确起爆控制策略，满足实际应用场景需求。
附图说明
图1为本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法流程图；
图2a为本实施例中步骤一的激光成像引信点云获取仿真系统在交会角度θ＝0°，不同作用位置w下获取的点云图像；
图2b为本实施例中步骤一的激光成像引信点云获取仿真系统在交会角度θ＝45°，不同作用位置w下获取的点云图像；
图3为本实施例中步骤一的激光成像引信点云获取仿真系统原理示意图；
图4为本实施例中步骤二在交会角度θ＝0°，不同完整度γ下的点云数据标注效果图；
图5为本实施例中步骤三的柱体素划分原理示意图；
图6为本实施例中步骤三的多尺度均衡卷积神经网络特征提取层原理示意图；
图7为本实施例中步骤五的神经网络训练损失函数图；
图8为本实施例中步骤五的神经网络评价识别准确率图；
图9为本实施例中步骤五在交会角度θ＝45°，不同作用位置w下的神经网络目标识别效果图。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
本发明公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法适用于如巡飞弹、无人机等无滚转飞行姿态的动载平台，本实施例以巡飞弹为最优应用进行说明。
本实施例公开的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，如图1所示，包含以下步骤：
步骤一、基于多耦合场动态成像探测模型，建立点云获取仿真系统，生成局部稀疏点云目标数据集。基于弹载/机载线阵激光成像引信点云获取仿真系统，定义目标底部中心为原点，采用Y轴指向上方，X-Z平面为地面的左手坐标系，目标朝向向量与Z轴正半轴顺时针方向夹角为交会角度θ，巡飞弹以Z轴坐标-7m为起始位置，以Z轴停止坐标为作用位置w，设定巡飞弹与目标的交会参数、激光成像引信参数如表1所示，在脱靶量为5m、攻击角为30°的条件下仿真获取的点云图像如图2a、图2b所示，点云获取仿真系统原理如图3所示，通过虚拟平台的物理引擎模拟激光成像引信探测目标的过程，获取1296组目标点云数据，建立局部稀疏点云目标数据集。
表1点云获取仿真系统参数设置
步骤二、根据精确起爆策略要求与网络训练评估需求对数据集进行标注及划分。
基于建立的局部稀疏点云目标数据集，进行数据集处理与标注步骤如下：
(1)点云数据剪裁及格式统一化。对得到的仿真点云数据进行长宽高为40m×48m×7m的点云粗裁剪，去除多余的点云数据，提高目标点云的信息占比，增强后续神经网络的训练效率。读取仿真系统输出的txt文件类型的点云数据并根据需求进行格式拓展，输出pcd、bin等多类型点云文件，方便后续神经网络的直接读取，在本实施例中只采用bin文件转换。
(2)点云坐标系统一化。参考仿真系统输出点云的数据格式，规定采用左手坐标系，Y轴指向上方，X-Z平面为地面，目标朝向与Z轴正半轴顺时针方向夹角为交会角度θ的坐标系为标准坐标系。神经网络内的坐标系定义若与标准坐标系不同，则需要进行坐标统一变换，在本实施例中，为输入到神经网络中进行训练，需进行坐标统一变换：
式中，X、Y、Z、θ为标准坐标系参量，X′、Y′、Z′、γ为神经网络坐标系参量。
(3)地面滤波及目标角度修正。读取点云三维坐标数据，参考目标4m高度信息，设置0.5m的高度滤波阈值去除地面点云数据，得到纯目标点云。根据交会角度θ，对全体点云乘以旋转矩阵：
修正目标角度，使目标统一朝向Z轴正方向。
(4)基于重叠面积的完整度判别标注。在本实施例中，目标长宽高为12m×8m×4m，目标完整鸟瞰面积S为96m2，通过对上一步的修正角度纯目标点云进行矩形拟合，根据拟合结果得到的长宽计算当前目标点云的鸟瞰面积S′，进而得到当前目标的完整度γ＝S′/S×100％。根据成像完整度不同，将目标点云分为完整度0％、30％、50％、70％、90％、100％六个等级，对完整度为50％及以上的目标点云数据进行有效标注，对完整度为50％以下的目标点云不做标注，实现炸点的精确控制，标注效果如图4所示。
将900组标注的目标点云数据作为训练集，396组标注的目标点云数据作为测试集，完成数据集的划分，满足后续神经网络训练与评估需求。
步骤三、建立基于柱体素划分方法结合多尺度均衡卷积特征提取层的深度学习神经网络。采用柱状体素网格划分方法，在原始点云图像上划分0.1m×0.1m的柱体素，通过特征转化将点云的三维特征转换到二维的体素特征，柱体素原理如图5所示。多尺度均衡卷积神经网络特征提取层输入特征伪图尺寸为(4，64，496，432)，采用三层下采样模块，每经过一层下采样特征伪图尺寸缩减一半，通过三层上采样模块统一特征伪图尺寸，并采用连接模块进行特征伪图的拼接，特征提取层原理如图6所示。识别框生成采用单阶多层检测器SSD方法，基于12m×8m×4m的锚框进行识别框回归。
步骤四、进行基于数据增强与迁移学习的神经网络训练。
采用的训练参数如表2所示，在常规训练的基础上，通过虚拟对象采样法、随机平移、随机旋转和施加高斯噪声的局部与全局数据增强方法，增加训练样本数量，提高数据利用率。在现有的成熟度较高的车辆目标识别参数基础上，进行迁移学习，缩短网络训练周期，提高学习稳定度与识别准确率。
表2深度学习神经网络训练参数
步骤五、训练过程及识别评价。通过训练过程中的损失函数图对神经网络训练进度与回归情况进行评价，损失函数图如图7所示，60代以后训练基本收敛。训练好的局部稀疏点云目标识别神经网络在测试集上进行评价，统计识别正误数量，计算识别准确率如图8所示，最终达到93.35％，单帧点云处理时间为0.016s，识别效果如图9所示。
步骤六、将训练评估结束的局部稀疏点云目标识别方法应用于巡飞弹的激光成像引信，根据巡飞弹激光成像引信获取的点云数据进行目标特征识别，在具有较好的实时性与高识别准确率的条件下，实现巡飞弹的最佳毁伤效果。
综上所述，本发明实现了一种弹载/机载激光成像引信局部稀疏点云目标识别方法，对局部稀疏点云目标具有高识别准确率，能够实现精确炸点控制。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：包括如下步骤，
步骤一、基于多耦合场动态成像探测模型，基于多耦合场动态成像探测模型，建立激光成像引信点云获取仿真系统，生成局部稀疏点云目标数据集；
步骤二、根据精确起爆策略要求与网络训练评估需求对数据集进行标注及划分；
步骤三、建立基于柱体素划分方法结合多尺度均衡卷积特征提取层的深度学习神经网络；
步骤四、进行基于数据增强与迁移学习的神经网络训练；
步骤五、针对步骤四所训练完成的局部稀疏点云目标识别神经网络，通过损失函数值进行训练评价，在测试集上进行评估验证，并根据识别准确率情况进行识别评价。
2.如权利要求1所述的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：还包括步骤六、将步骤五评估完成的局部稀疏点云目标识别方法应用于弹载/机载平台的激光成像引信，在兼顾实时性与高识别准确率的前提下，对动载平台激光成像引信获取的点云数据进行目标特征识别并控制输出作用信号，实现精确起爆控制策略，保证对目标的最佳毁伤效果。
3.如权利要求1所述的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：步骤一的实现方法为，
建立包含激光发射接收模型、目标模型、弹/机目交会模型的多耦合场动态成像探测模型，构建弹载/机载线阵推扫激光成像引信点云获取仿真系统；利用激光射线追踪方法，获取从激光发射到照射目标产生回波过程的路径信息与距离信息，通过弹载/机载平台与目标的交会仿真，获取运动情况下的激光线阵回波信号，在时空二维条件下生成弹载/机载激光成像引信局部稀疏点云目标数据；基于建立的点云获取仿真系统，通过设定不同的交会条件，仿真获取不同作用位置、交会姿态下的目标点云数据，生成局部稀疏点云目标数据集。
4.如权利要求3所述的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：步骤二的实现方法为，
采用的数据处理及标注方法如下：
(1)点云数据剪裁及格式统一化；针对目标存在区域进行点云裁剪，去除无意义点云数据，提高后续神经网络特征提取的有效信息密度，并通过对点云文件的读取与重新整理，将仿真输出的单一点云数据文件格式转化为多种兼容格式，满足后续网络读取需求；
(2)点云坐标系统一化；不同坐标系下目标交会角度的定义不同，统一数据集内点云数据与神经网络输入数据接口的坐标系定义，对于坐标系定义不同的神经网络数据读取接口，以基础坐标系为参考进行格式转换；
(3)地面滤波及目标角度修正；读取点云数据内各点三维信息，根据目标高度信息设定滤波阈值，过滤去除地面点云，得到纯目标点云数据，根据仿真初始化参数得到的目标交会角度，对目标全体点云乘以旋转矩阵，统一目标朝向，通过目标点云角度修正方法降低后续目标长宽估计误差，提高标注准确度；
(4)基于重叠面积的完整度判别标注；根据目标基础长宽参数计算目标完整鸟瞰面积，通过对点云数据的三维参数进行矩形拟合，获得当前目标点云的成像长宽参数，计算当前点云目标的鸟瞰面积，完整度定义为当前鸟瞰面积与完整鸟瞰面积的百分比；根据点云目标的完整度不同，进行有选择性标注：为降低武器系统平台的漏警率，对具有高完整度的点云目标进行有效标注，为防止虚警及早炸，对具有低完整度的点云目标不做标注；
(5)对标注好的数据集进行训练集与测试集的划分。
5.如权利要求4所述的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：步骤三的实现方法为，
采用柱体素划分方法对点云数据进行处理，在点云数据空间内均匀划分固定长宽、高度无穷大的柱体素网格，对各柱体素内的点进行特征提取与融合，将无序庞大的三维点云特征转化为有序轻小的二维特征伪图，在保留较多目标信息的同时避免使用计算量大的3D卷积操作，保证了高实时性；多尺度均衡卷积特征提取层由下采样模块、上采样模块与连接模块组成，对二维特征伪图不同尺寸的特征进行提取与拼接，生成高信息量、高信息密度的特征伪图，保证了高识别准确率；采用基于锚框生成的单阶多层SSD(Single ShotMultiBox Detector)检测方法对特征伪图进行目标识别与回归。
6.如权利要求5所述的一种弹载/机载激光成像引信局部稀疏点云目标识别方法，其特征在于：步骤四的实现方法为，
基于建立的局部稀疏点云目标数据集及标注信息，对建立的深度学习神经网络进行训练；采用数据增强方法扩展数据量，提高训练的可靠度，防止过拟合；采用迁移学习方法，在较为成熟的神经网络权重参数基础上，进行局部稀疏点云目标数据的识别训练，提高识别准确率与训练效率。
CN202310498422.5A 2023-05-06 2023-05-06 一种弹载/机载激光成像引信局部稀疏点云目标识别方法 Pending CN116503862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498422.5A CN116503862A (zh) 2023-05-06 2023-05-06 一种弹载/机载激光成像引信局部稀疏点云目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498422.5A CN116503862A (zh) 2023-05-06 2023-05-06 一种弹载/机载激光成像引信局部稀疏点云目标识别方法

Publications (1)

Publication Number Publication Date
CN116503862A true CN116503862A (zh) 2023-07-28

Family

ID=87322762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498422.5A Pending CN116503862A (zh) 2023-05-06 2023-05-06 一种弹载/机载激光成像引信局部稀疏点云目标识别方法

Country Status (1)

Country Link
CN (1) CN116503862A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912665A (zh) * 2024-03-18 2024-04-19 大连经典牙科科技有限公司 一种基于口腔扫描数据的远程管理系统
CN118470009A (zh) * 2024-07-11 2024-08-09 大连金瑞德机械制造有限公司 基于机器视觉的模锻件质量快速检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912665A (zh) * 2024-03-18 2024-04-19 大连经典牙科科技有限公司 一种基于口腔扫描数据的远程管理系统
CN117912665B (zh) * 2024-03-18 2024-06-07 大连经典牙科科技有限公司 一种基于口腔扫描数据的远程管理系统
CN118470009A (zh) * 2024-07-11 2024-08-09 大连金瑞德机械制造有限公司 基于机器视觉的模锻件质量快速检测方法及系统

Similar Documents

Publication Publication Date Title
CN116503862A (zh) 一种弹载/机载激光成像引信局部稀疏点云目标识别方法
US11428803B2 (en) Method and apparatus for SAR image data enhancement, and storage medium
CN111192295B (zh) 目标检测与跟踪方法、设备和计算机可读存储介质
CN106094569A (zh) 多传感器融合无人机感知与规避仿真系统及其仿真方法
CN112070894A (zh) 真实环境导航多径实时仿真方法、装置、介质及电子设备
CN112348882A (zh) 一种基于多源探测器的低空目标跟踪信息融合方法和系统
CN116310898A (zh) 基于神经网络和惠更斯原理的林火蔓延预测方法和系统
CN114442051A (zh) 一种高逼真度弹载雷达回波模拟方法
CN116206223A (zh) 一种基于无人机边缘计算的火灾检测方法及系统
CN116229224A (zh) 融合感知方法、装置、电子设备及存储介质
CN114419605A (zh) 基于多网联车空间对齐特征融合的视觉增强方法及系统
CN112802343B (zh) 面向虚拟算法验证的通用虚拟传感数据采集方法及系统
CN113971775A (zh) 一种基于优化yolov4算法的违章行为识别方法及系统
CN116466307B (zh) 一种基于深度图的毫米波雷达点云仿真的方法和装置
CN117148853A (zh) 一种基于5g技术和深度学习的无人机环境自适应避障方法及系统
CN111880438A (zh) 一种基于双/多基sar成像的半实物仿真系统
CN116467848A (zh) 一种毫米波雷达点云仿真的方法和装置
CN112084955A (zh) 一种高压线检测识别方法、装置及电子设备
CN109657679B (zh) 一种应用卫星功能类型识别方法
CN116206277A (zh) 轻量级的雷达点云的目标识别方法、存储介质及设备
CN114372348B (zh) 一种弹载线阵激光成像引信快速仿真方法
CN111458710A (zh) 一种无人机载雷达导引头回波分布采集系统及方法
CN113971755B (zh) 基于改进yolov3模型的全天候海面目标检测方法
JP7567251B2 (ja) 画像データ学習装置、目標類別装置及びセンサ装置
CN117291953B (zh) 一种用于无人机在复杂背景下跟踪地面动态目标的方法

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