CN116580290A - 无人机的识别方法、装置及存储介质 - Google Patents
无人机的识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116580290A CN116580290A CN202310841437.7A CN202310841437A CN116580290A CN 116580290 A CN116580290 A CN 116580290A CN 202310841437 A CN202310841437 A CN 202310841437A CN 116580290 A CN116580290 A CN 116580290A
- Authority
- CN
- China
- Prior art keywords
- image
- unmanned aerial
- low
- scale
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000009466 transformation Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V10/26—Segmentation 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
- G06V10/267—Segmentation 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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local 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
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人机的识别方法、装置及存储介质，涉及图像识别技术领域。方法包括对无人机的第一红外图像进行多层离散平稳小波变换，得到多个尺度低频子带图像和高频子带图像；对各尺度高频子带图像和低频子带图像信号增强处理，基于处理后的各尺度高频子带图像和低频子带图像进行逆平稳小波变换，得到第二红外图像；将第二红外图像转换为灰度图像后轮廓提取；将无人机的轮廓图像输入第一识别模型，得到为各类无人机的第一置信度；将各个部位的亮度平均值输入第二识别模型，得到为各类无人机的第二置信度；基于第一置信度和第二置信度，确定出无人机的类型。本发明公开的方法、装置及存储介质可准确识别出无人机的型号。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种无人机的识别方法、装置及存储介质。
背景技术
无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。
由于无人机具有体积小、造价低、使用方便等优点常被用于军事对抗，而不同类型的无人机其功能也存在一定差异，因此在军事对抗过程中，对对方无人机类型的识别也显得十分有必要。而由于无人机的体积和外界天气因素的影响，所获取到的无人机图像往往并不清晰，从而导致常常无法准确识别出图像中无人机的型号。
因此，如何提供一种有效的方案以便准确识别出无人机的型号，已成为现有技术中一亟待解决的难题。
发明内容
本发明的目的是提供一种无人机的识别方法、装置及存储介质，用以解决现有技术中存在的上述问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种无人机的识别方法，包括：
获取包含待识别无人机的第一红外图像；
对所述第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；
对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；
对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；
基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像；
将所述第二红外图像转换为灰度图像后进行轮廓提取，得到所述待识别无人机的轮廓图像；
基于所述待识别无人机的轮廓图像，识别出所述待识别无人机的各个部位；
将所述待识别无人机的轮廓图像输入预先训练的第一识别模型，得到所述待识别无人机为各类无人机的第一置信度；
将所述待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度；
基于所述待识别无人机为各类无人机的第一置信度和第二置信度，确定出所述待识别无人机的类型。
基于上述公开的内容，本发明通过获取包含待识别无人机的第一红外图像；对第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像。如此，可通过多层离散平稳小波变换实现对红外图像中的目标增强以及对红外图像中的噪点进行衰减，使得在红外图像中能够更清晰的显示无人机轮廓。然后将第二红外图像转换为灰度图像后进行轮廓提取，得到待识别无人机的轮廓图像；基于待识别无人机的轮廓图像，识别出待识别无人机的各个部位；将待识别无人机的轮廓图像输入预先训练的第一识别模型，得到待识别无人机为各类无人机的第一置信度；将待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到待识别无人机为各类无人机的第二置信度；基于待识别无人机为各类无人机的第一置信度和第二置信度，确定出待识别无人机的类型。如此，可结合无人机的轮廓及无人机飞行过程中各部位的红外辐射亮度准确识别出无人机的类型。
通过上述的设计，本发明可先通过多层离散平稳小波变换实现对红外图像中的目标增强以及对红外图像中的噪点进行衰减，使得在红外图像中能够更清晰的显示无人机轮廓，在此基础上结合无人机的轮廓及无人机飞行过程中各部位的红外辐射亮度准确识别出无人机的类型，如此可准确的识别出无人机的机型，进而识别出对我方无人机，便于实际应用和推广。
在一个可能的设计中，所述对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点，包括：
确定出用于信号与噪声分割的第一分割阈值；
基于所述第一分割阈值对所述各尺度高频子带图像中的高频小波系数进行分割，以识别出各尺度高频子带图像中有效点和噪声点；
采用不同的增强系数对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理。
在一个可能的设计中，采用如下公式对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理：
其中，T为第一分割阈值，和/>分别为增强系数且/>＞1,0＜/>＜1,/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理前的高频小波系数幅值，/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理后的高频小波系数幅值。
在一个可能的设计中，所述对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点，包括：
计算各尺度低频子带图像中像素点的低频小波系数幅值的平均值；
基于各尺度低频子带图像中像素点的低频小波系数幅值的平均值识别出各尺度低频子带图像中的背景区域和目标区域；
将各尺度低频子带图像中的背景区域所对应低频小波系数幅值的平均值，作为对应尺度低频子带图像所对应的第二分割阈值；
基于各尺度低频子带图像所对应的第二分割阈值，对各尺度低频子带图像中的低频小波系数进行分割，以识别出各尺度低频子带图像中有效点和噪声点；
基于各尺度低频子带图像中所有低频小波系数幅值的绝对值，确定出各尺度低频子带图像所对应的增强系数；
基于各尺度低频子带图像所对应的增强系数对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理。
在一个可能的设计中，所述基于各尺度低频子带图像中像素点的低频小波系数幅值的平均值识别出各尺度低频子带图像中的背景区域和目标区域，包括：
将各尺度低频子带图像进行网格划分；
针对任一尺度的低频子带图像，计算各网格中像素点的低频小波系数幅值的平均值；
若某一网格中像素点的低频小波系数幅值的平均值，低于对应尺度低频子带图像中像素点的低频小波系数幅值的平均值，则判定所述某一网格所在区域为背景区域；
否则，判断所述某一网格所在区域为目标区域。
在一个可能的设计中，采用如下公式对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理：
其中，sign（）为符号函数，为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理前的低频小波系数幅值，/>为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理后的低频小波系数幅值，/>为第j个尺度的低频子带图像所对应的第二分割阈值，k为指数因子，/>，/>。
在一个可能的设计中，所述第一识别模型和所述第二识别模型均为卷积神经网络模型。
第二方面，本发明提供了一种无人机的识别装置，包括获取单元、变换单元、处理单元、提取单元、识别单元、运算单元和确定单元；
获取单元用于获取包含待识别无人机的第一红外图像；
变换单元用于对所述第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；
处理单元用于对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；
处理单元还用于对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；
变换单元还用于基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像；
提取单元用于将所述第二红外图像转换为灰度图像后进行轮廓提取，得到所述待识别无人机的轮廓图像；
识别单元用于基于所述待识别无人机的轮廓图像，识别出所述待识别无人机的各个部位；
运算单元用于将所述待识别无人机的轮廓图像输入预先训练的第一识别模型，得到所述待识别无人机为各类无人机的第一置信度；
运算单元还用于将所述待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度；
确定单元用于基于所述待识别无人机为各类无人机的第一置信度和第二置信度，确定出所述待识别无人机的类型。
第三方面，本发明提供了一种无人机的识别装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如上述第一方面所述的无人机的识别方法。
第四方面，本发明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上存储有指令，当所述指令在计算机上运行时，执行第一方面所述的无人机的识别方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的无人机的识别方法。
有益效果：
本发明提供的无人机的识别方法、装置及存储介质，可先通过多层离散平稳小波变换实现对红外图像中的目标增强以及对红外图像中的噪点进行衰减，使得在红外图像中能够更清晰的显示无人机轮廓，在此基础上结合无人机的轮廓及无人机飞行过程中各部位的红外辐射亮度准确识别出无人机的类型，如此可准确的识别出无人机的机型，进而识别出对我方无人机，便于实际应用和推广。
附图说明
图1为本申请实施例提供的无人机的识别方法的流程图；
图2为本申请实施例提供的无人机的识别装置的结构示意图；
图3为本申请实施例提供的另一无人机的识别装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
为了准确识别出无人机的型号，本申请实施例提供了一种无人机的识别方法、装置及存储介质，该无人机的识别方法、装置及存储介质可可准确的识别出无人机的机型，进而识别出对我方无人机。
本申请实施例提供的无人机的识别方法可应用于与红外相机通信连接的服务器后用户终端，也可以应用于设置红外相机的无人机。所述用户终端可以但不限于是个人电脑、智能手机、平板电脑、膝上型便携计算机、个人数字助理（personal digitalassistant，PDA）等。可以理解，所述执行主体并不构成对本申请实施例的限定。
下面将对本申请实施例提供的无人机的识别方法进行详细说明。
如图1所示，是本申请实施例第一方面提供的无人机的识别方法的流程图，该无人机的识别方法可以但不限于包括如下步骤S101-S110。
步骤S101.获取包含待识别无人机的第一红外图像。
本申请实施例中，可通过红外相机获取到包含待识别无人机的第一红外图像。
步骤S102.对第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像。
本申请实施例中，可通过多层离散平稳小波变换对第一红外图像进行分解，得到多个尺度低频子带图像以及多个尺度高频子带图像，其中多个尺度高频子带图像可以包括水平、垂直和对角方向的多个高频子带图像。低频子带图像可以表示为，表示第j个尺度的低频子带图像，其中j=1,2,...,n，多个尺度高频子带图像可表示为/>，K=H,V,D，/>表示垂直方向的第j个尺度的高频子带图像，/>表示水平方向的第j个尺度的高频子带图像，表示对角方向的第j个尺度的高频子带图像。多层离散平稳小波变换为现有技术，本申请实施例中不做详细说明。
步骤S103.对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点。
具体的，步骤S103可以但不限于包括如下步骤S1031-S1033。
步骤S1031.确定出用于信号与噪声分割的第一分割阈值。
所述第一分割阈值可以采用通用阈值，其中/>，N为对角方向的第1个尺度的高频子带图像中高频小波系数的总数，/>为对角方向的第1个尺度的高频子带图像中所有像素点的高频小波系数幅值绝对值的中间值。
步骤S1032.基于第一分割阈值对各尺度高频子带图像中的高频小波系数进行分割，以识别出各尺度高频子带图像中有效点和噪声点。
具体的，可将度高频子带图像中所对应的高频小波系数幅值高于第一分割阈值的像素点判定为有效点，将度高频子带图像中所对应的高频小波系数幅值低于第一分割阈值的像素点判定为噪声点。
步骤S1033.采用不同的增强系数对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理。
本申请实施例中，可以采用如下公式对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理：
其中，T为第一分割阈值，和/>分别为增强系数且/>＞1,0＜/>＜1,/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理前的高频小波系数幅值，/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理后的高频小波系数幅值。
步骤S104.对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点。
具体的，步骤S104可以但不限于包括如下步骤S1041-S1046。
步骤S1041.计算各尺度低频子带图像中像素点的低频小波系数幅值的平均值。
步骤S1042.基于各尺度低频子带图像中像素点的低频小波系数幅值的平均值识别出各尺度低频子带图像中的背景区域和目标区域。
识别各尺度低频子带图像中的背景区域和目标区域时，可以先将各尺度低频子带图像进行网格划分，得到多个网格。然后，针对任一尺度的低频子带图像，计算各网格中像素点的低频小波系数幅值的平均值。如果某一网格中像素点的低频小波系数幅值的平均值，低于对应尺度低频子带图像中像素点的低频小波系数幅值的平均值，则判定该某一网格所在区域为背景区域。如果该某一网格中像素点的低频小波系数幅值的平均值，高于对应尺度低频子带图像中像素点的低频小波系数幅值的平均值，则判定该某一网格所在区域为目标区域。目标区域即是指无人机所在区域。
步骤S1043.将各尺度低频子带图像中的背景区域所对应低频小波系数幅值的平均值，作为对应尺度低频子带图像所对应的第二分割阈值。
背景区域所对应低频小波系数幅值的平均值，可以是指背景区域中所有像素点的低频小波系数幅值的平均值。
步骤S1044.基于各尺度低频子带图像所对应的第二分割阈值，对各尺度低频子带图像中的低频小波系数进行分割，以识别出各尺度低频子带图像中有效点和噪声点。
具体的，可将低频子带图像中所对应的低频小波系数幅值高于第二分割阈值的像素点判定为有效点，将低频子带图像中所对应的低频小波系数幅值低于第二分割阈值的像素点判定为噪声点。
步骤S1045.基于各尺度低频子带图像中所有低频小波系数幅值的绝对值，确定出各尺度低频子带图像所对应的增强系数。
低频子带图像所对应的增强系数可以表示为，其中/>和/>表示第j个尺度的低频子带图像所对应的增强系数，/>表示第j个尺度的低频子带图像中所有低频小波系数幅值的绝对值中的最小值，/>表示第j个尺度的低频子带图像中所有低频小波系数幅值的绝对值中的最大值。
步骤S1046.基于各尺度低频子带图像所对应的增强系数对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理。
本申请实施例中，可，采用如下公式对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理：
其中，sign（）为符号函数，为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理前的低频小波系数幅值，/>为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理后的低频小波系数幅值，/>为第j个尺度的低频子带图像所对应的第二分割阈值，k为指数因子，/>，/>。
可以理解的，步骤S103与步骤S104的顺序并不限定。
步骤S105.基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像。
逆平稳小波变换可以采用现有的变换方法，本申请实施例中不再详细说明。
步骤S106.将第二红外图像转换为灰度图像后进行轮廓提取，得到待识别无人机的轮廓图像。
本申请实施例中，可先将第二红外图像转换为灰度图像，然后通过轮廓识别算法对灰度图像进行轮廓提取，得到待识别无人机的轮廓图像。
步骤S107.基于待识别无人机的轮廓图像，识别出待识别无人机的各个部位。
本申请实施例中，可通对无人机样本轮廓中各部进行标注后进行训练，得到用于识别无人机各个部位的识别模型，在获得待识别无人机的轮廓图像后，可将待识别无人机的轮廓图像输入该识别模型进行运算，识别出识别无人机的各个部位。
步骤S108.将待识别无人机的轮廓图像输入预先训练的第一识别模型，得到待识别无人机为各类无人机的第一置信度。
本申请实施例中，还预先训练有用于识别无人机类型的第一识别模型，第一识别模型可以是以无人机的轮廓图像为输入，无人机所对应类型的置信度为输出进行训练得到。在获得待识别无人机的轮廓图像后，还可将待识别无人机的轮廓图像输入预先训练的第一识别模型，得到待识别无人机为各类无人机的第一置信度。所述第一识别模型可以但不限于YOLO模型、卷积神经网络（Convolutional Neural Networks, CNN）等。
步骤S109.将待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度。
本申请实施例中，还预先训练有用于识别无人机类型的第二识别模型，第二识别模型可以是以飞行过程中的无人机（所对应灰度图像中）各部位的亮度平均值为输入，无人机所对应类型的置信度为输出进行训练得到。在识别出待识别无人机的各个部位后，可将灰度图像中该待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到待识别无人机为各类无人机的第二置信度。其中，所述第二识别模型可以但不限于YOLO模型、卷积神经网络（Convolutional Neural Networks, CNN）等。
步骤S110.基于待识别无人机为各类无人机的第一置信度和第二置信度，确定出待识别无人机的类型。
具体的可根据待识别无人机为各类无人机的第一置信度和第二置信度进行加权运算，得到待识别无人机为各类无人机的最终置信度，然后选择数值最大的最终置信度所对应的无人机类型作为待识别无人机的类型。
举例，通过第一识别模型得到无人机为A类型无人机的第一置信度为X1，通过第二识别模型得到无人机为A类型无人机的第二置信度为X2，则无人机为A类型无人机的最终置信度可表示为a×X1+b×X2，其中a、b为权重系数。
本发明提供的无人机的识别方法，通过获取包含待识别无人机的第一红外图像；对第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像。如此，可通过多层离散平稳小波变换实现对红外图像中的目标增强以及对红外图像中的噪点进行衰减，使得在红外图像中能够更清晰的显示无人机轮廓。然后将第二红外图像转换为灰度图像后进行轮廓提取，得到待识别无人机的轮廓图像；基于待识别无人机的轮廓图像，识别出待识别无人机的各个部位；将待识别无人机的轮廓图像输入预先训练的第一识别模型，得到待识别无人机为各类无人机的第一置信度；将待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到待识别无人机为各类无人机的第二置信度；基于待识别无人机为各类无人机的第一置信度和第二置信度，确定出待识别无人机的类型。如此，可结合无人机的轮廓及无人机飞行过程中各部位的红外辐射亮度准确识别出无人机的类型。由此通过上述的设计，可先通过多层离散平稳小波变换实现对红外图像中的目标增强以及对红外图像中的噪点进行衰减，使得在红外图像中能够更清晰的显示无人机轮廓，在此基础上结合无人机的轮廓及无人机飞行过程中各部位的红外辐射亮度准确识别出无人机的类型，如此可准确的识别出无人机的机型，进而识别出对我方无人机，便于实际应用和推广。
请参阅图2，本申请实施例第二方面提供了一种无人机的识别装置，该无人机的识别装置包括获取单元、变换单元、处理单元、提取单元、识别单元、运算单元和确定单元；
获取单元用于获取包含待识别无人机的第一红外图像；
变换单元用于对所述第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；
处理单元用于对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；
处理单元还用于对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；
变换单元还用于基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像；
提取单元用于将所述第二红外图像转换为灰度图像后进行轮廓提取，得到所述待识别无人机的轮廓图像；
识别单元用于基于所述待识别无人机的轮廓图像，识别出所述待识别无人机的各个部位；
运算单元用于将所述待识别无人机的轮廓图像输入预先训练的第一识别模型，得到所述待识别无人机为各类无人机的第一置信度；
运算单元还用于将所述待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度；
确定单元用于基于所述待识别无人机为各类无人机的第一置信度和第二置信度，确定出所述待识别无人机的类型。
本实施例第二方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本申请实施例第三方面提供了另一种无人机的识别装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的无人机的识别方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（RAM）、只读存储器（ROM）、闪存（Flash Memory）、先进先出存储器（FIFO）和/或先进后出存储器（FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM（Advanced RISCMachines）、X86等架构处理器或集成NPU（neural-network processing units）的处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器、紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第三方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的无人机的识别方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的无人机的识别方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的无人机的识别方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种无人机的识别方法，其特征在于，包括：
获取包含待识别无人机的第一红外图像；
对所述第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；
对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；
对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；
基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像；
将所述第二红外图像转换为灰度图像后进行轮廓提取，得到所述待识别无人机的轮廓图像；
基于所述待识别无人机的轮廓图像，识别出所述待识别无人机的各个部位；
将所述待识别无人机的轮廓图像输入预先训练的第一识别模型，得到所述待识别无人机为各类无人机的第一置信度；
将所述待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度；
基于所述待识别无人机为各类无人机的第一置信度和第二置信度，确定出所述待识别无人机的类型。
2.根据权利要求1所述的无人机的识别方法，其特征在于，所述对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点，包括：
确定出用于信号与噪声分割的第一分割阈值；
基于所述第一分割阈值对所述各尺度高频子带图像中的高频小波系数进行分割，以识别出各尺度高频子带图像中有效点和噪声点；
采用不同的增强系数对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理。
3.根据权利要求2所述的无人机的识别方法，其特征在于，采用如下公式对各尺度高频子带图像中的每个像素点的高频小波系数幅值进行增强处理：
其中，T为第一分割阈值，和/>分别为增强系数且/>＞1,0＜/>＜1,/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理前的高频小波系数幅值，/>为第K个方向中第j个尺度的高频子带图像中像素坐标为（x，y）的像素点在增强处理后的高频小波系数幅值。
4.根据权利要求1所述的无人机的识别方法，其特征在于，所述对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点，包括：
计算各尺度低频子带图像中像素点的低频小波系数幅值的平均值；
基于各尺度低频子带图像中像素点的低频小波系数幅值的平均值识别出各尺度低频子带图像中的背景区域和目标区域；
将各尺度低频子带图像中的背景区域所对应低频小波系数幅值的平均值，作为对应尺度低频子带图像所对应的第二分割阈值；
基于各尺度低频子带图像所对应的第二分割阈值，对各尺度低频子带图像中的低频小波系数进行分割，以识别出各尺度低频子带图像中有效点和噪声点；
基于各尺度低频子带图像中所有低频小波系数幅值的绝对值，确定出各尺度低频子带图像所对应的增强系数；
基于各尺度低频子带图像所对应的增强系数对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理。
5.根据权利要求4所述的无人机的识别方法，其特征在于，所述基于各尺度低频子带图像中像素点的低频小波系数幅值的平均值识别出各尺度低频子带图像中的背景区域和目标区域，包括：
将各尺度低频子带图像进行网格划分；
针对任一尺度的低频子带图像，计算各网格中像素点的低频小波系数幅值的平均值；
若某一网格中像素点的低频小波系数幅值的平均值，低于对应尺度低频子带图像中像素点的低频小波系数幅值的平均值，则判定所述某一网格所在区域为背景区域；
否则，判断所述某一网格所在区域为目标区域。
6.根据权利要求4所述的无人机的识别方法，其特征在于，采用如下公式对各尺度低频子带图像中每个像素点的低频小波系数幅值进行增强处理：
其中，sign（）为符号函数，为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理前的低频小波系数幅值，/>为第j个尺度的低频子带图像中像素坐标为（x，y）的像素点在增强处理后的低频小波系数幅值，/>为第j个尺度的低频子带图像所对应的第二分割阈值，k为指数因子，/>，/>。
7.根据权利要求1所述的无人机的识别方法，其特征在于，所述第一识别模型和所述第二识别模型均为卷积神经网络模型。
8.一种无人机的识别装置，其特征在于，包括获取单元、变换单元、处理单元、提取单元、识别单元、运算单元和确定单元；
获取单元用于获取包含待识别无人机的第一红外图像；
变换单元用于对所述第一红外图像进行多层离散平稳小波变换，得到多个尺度的低频子带图像和多个尺度的高频子带图像；
处理单元用于对各尺度高频子带图像进行信号增强处理，以增强各尺度高频子带图像中的有效点以及衰减各尺度高频子带图像中的噪声点；
处理单元还用于对各尺度低频子带图像进行信号增强处理，以增强各尺度低频子带图像中的有效点以及衰减各尺度低频子带图像中的噪声点；
变换单元还用于基于信号增强处理后的各尺度高频子带图像和信号增强处理后的各尺度低频子带图像进行逆平稳小波变换，得到重构的第二红外图像；
提取单元用于将所述第二红外图像转换为灰度图像后进行轮廓提取，得到所述待识别无人机的轮廓图像；
识别单元用于基于所述待识别无人机的轮廓图像，识别出所述待识别无人机的各个部位；
运算单元用于将所述待识别无人机的轮廓图像输入预先训练的第一识别模型，得到所述待识别无人机为各类无人机的第一置信度；
运算单元还用于将所述待识别无人机的各个部位的亮度平均值输入预先训练的第二识别模型，得到所述待识别无人机为各类无人机的第二置信度；
确定单元用于基于所述待识别无人机为各类无人机的第一置信度和第二置信度，确定出所述待识别无人机的类型。
9.一种无人机的识别装置，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7任意一项所述的无人机的识别方法。
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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7任意一项所述的无人机的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841437.7A CN116580290B (zh) | 2023-07-11 | 2023-07-11 | 无人机的识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841437.7A CN116580290B (zh) | 2023-07-11 | 2023-07-11 | 无人机的识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116580290A true CN116580290A (zh) | 2023-08-11 |
| CN116580290B CN116580290B (zh) | 2023-10-20 |
Family
ID=87536203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310841437.7A Active CN116580290B (zh) | 2023-07-11 | 2023-07-11 | 无人机的识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580290B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894951A (zh) * | 2023-09-11 | 2023-10-17 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于图像处理的珠宝在线监测方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
| CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
| CN110298806A (zh) * | 2019-07-04 | 2019-10-01 | 上海融军科技有限公司 | 红外图像增强方法和系统 |
| CN110322404A (zh) * | 2019-07-04 | 2019-10-11 | 上海融军科技有限公司 | 一种图像增强方法及系统 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
| CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和系统 |
| US20200241575A1 (en) * | 2016-06-30 | 2020-07-30 | Snap Inc. | Motion and image-based control system |
| CN111768350A (zh) * | 2020-06-10 | 2020-10-13 | 中国人民解放军军事科学院国防科技创新研究院 | 一种红外图像增强方法及系统 |
| CN111814786A (zh) * | 2020-06-15 | 2020-10-23 | 开易（北京）科技有限公司 | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 |
| CN112418241A (zh) * | 2019-08-22 | 2021-02-26 | 河海大学常州校区 | 一种基于红外成像技术的电力设备识别方法 |
| CN112967290A (zh) * | 2021-02-22 | 2021-06-15 | 中国人民解放军空军航空大学 | 一种可用于无人机对空中目标飞机敌友自动识别的方法 |
| CN113487517A (zh) * | 2021-07-26 | 2021-10-08 | 中国人民解放军国防科技大学 | 基于图像增强的无人机目标检测方法、装置和设备 |
| WO2021230948A2 (en) * | 2020-02-28 | 2021-11-18 | Dicosola Michele | Smart city smart drone uass/uav/vtol smart mailbox landing pad |
| CN114092355A (zh) * | 2021-11-26 | 2022-02-25 | 北京信息科技大学 | 自适应红外图像对比度增强方法及装置 |
| CN114255407A (zh) * | 2021-12-13 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 基于高分辨率的反无人机多目标识别和跟踪视频探测方法 |
| CN115019064A (zh) * | 2022-06-27 | 2022-09-06 | 华中科技大学 | 一种针对旋翼无人机防控的双阶段关键部位识别方法 |
| US20220406012A1 (en) * | 2017-06-27 | 2022-12-22 | State Farm Mutual Automobile Insurance Company | Systems and methods for controlling a fleet of drones for data collection |
| CN116185065A (zh) * | 2022-12-29 | 2023-05-30 | 国网北京市电力公司 | 无人机巡检方法、装置及非易失性存储介质 |
-
2023
- 2023-07-11 CN CN202310841437.7A patent/CN116580290B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
| CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
| US20200241575A1 (en) * | 2016-06-30 | 2020-07-30 | Snap Inc. | Motion and image-based control system |
| US20220406012A1 (en) * | 2017-06-27 | 2022-12-22 | State Farm Mutual Automobile Insurance Company | Systems and methods for controlling a fleet of drones for data collection |
| CN110298806A (zh) * | 2019-07-04 | 2019-10-01 | 上海融军科技有限公司 | 红外图像增强方法和系统 |
| CN110322404A (zh) * | 2019-07-04 | 2019-10-11 | 上海融军科技有限公司 | 一种图像增强方法及系统 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
| CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和系统 |
| CN112418241A (zh) * | 2019-08-22 | 2021-02-26 | 河海大学常州校区 | 一种基于红外成像技术的电力设备识别方法 |
| WO2021230948A2 (en) * | 2020-02-28 | 2021-11-18 | Dicosola Michele | Smart city smart drone uass/uav/vtol smart mailbox landing pad |
| CN111768350A (zh) * | 2020-06-10 | 2020-10-13 | 中国人民解放军军事科学院国防科技创新研究院 | 一种红外图像增强方法及系统 |
| CN111814786A (zh) * | 2020-06-15 | 2020-10-23 | 开易（北京）科技有限公司 | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 |
| CN112967290A (zh) * | 2021-02-22 | 2021-06-15 | 中国人民解放军空军航空大学 | 一种可用于无人机对空中目标飞机敌友自动识别的方法 |
| CN113487517A (zh) * | 2021-07-26 | 2021-10-08 | 中国人民解放军国防科技大学 | 基于图像增强的无人机目标检测方法、装置和设备 |
| CN114092355A (zh) * | 2021-11-26 | 2022-02-25 | 北京信息科技大学 | 自适应红外图像对比度增强方法及装置 |
| CN114255407A (zh) * | 2021-12-13 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 基于高分辨率的反无人机多目标识别和跟踪视频探测方法 |
| CN115019064A (zh) * | 2022-06-27 | 2022-09-06 | 华中科技大学 | 一种针对旋翼无人机防控的双阶段关键部位识别方法 |
| CN116185065A (zh) * | 2022-12-29 | 2023-05-30 | 国网北京市电力公司 | 无人机巡检方法、装置及非易失性存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| SEONGJOON PARK 等: "Survey on Anti-Drone Systems: Components, Designs, and Challenges", 《IEEE ACCESS》, vol. 09, pages 42635 - 42659 * |
| 张宇: "复杂背景下低空慢速红外无人机目标检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2022, pages 031 - 163 * |
| 秦鹏: "基于深度学习的红外场景目标检测", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2023, pages 135 - 336 * |
| 龚昌来 等: "一种基于平稳小波域的红外图像增强方法", 《激光与红外》, vol. 43, no. 06, pages 703 - 707 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894951A (zh) * | 2023-09-11 | 2023-10-17 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于图像处理的珠宝在线监测方法 |
| CN116894951B (zh) * | 2023-09-11 | 2023-12-08 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于图像处理的珠宝在线监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116580290B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084281B (zh) | 图像生成方法、神经网络的压缩方法及相关装置、设备 | |
| US9582726B2 (en) | Systems and methods for image processing in a deep convolution network | |
| CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
| CN114611705A (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
| CN113326930B (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
| CN116580290B (zh) | 无人机的识别方法、装置及存储介质 | |
| CN113705769A (zh) | 一种神经网络训练方法以及装置 | |
| WO2019232772A1 (en) | Systems and methods for content identification | |
| CN109033780B (zh) | 一种基于小波变换和神经网络的边缘计算接入认证方法 | |
| CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
| CN111738403B (zh) | 一种神经网络的优化方法及相关设备 | |
| CN112633420B (zh) | 图像相似度确定及模型训练方法、装置、设备和介质 | |
| CN110610191A (zh) | 一种电梯楼层识别方法、装置及终端设备 | |
| CN111950700A (zh) | 一种神经网络的优化方法及相关设备 | |
| CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
| CN109145723A (zh) | 一种印章识别方法、系统、终端装置及存储介质 | |
| CN114821735A (zh) | 一种基于人脸识别和语音识别的智能储物柜 | |
| CN105375992B (zh) | 基于梯度算子和数学形态学的频谱空洞检测方法 | |
| CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN106991413A (zh) | 一种无人机 | |
| CN116482680A (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
| CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
| Li et al. | Modulation recognition network of multi-scale analysis with deep threshold noise elimination | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 |
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 |