CN105022101B - 强对流云团追踪方法 - Google Patents
强对流云团追踪方法 Download PDFInfo
- Publication number
- CN105022101B CN105022101B CN201510348955.0A CN201510348955A CN105022101B CN 105022101 B CN105022101 B CN 105022101B CN 201510348955 A CN201510348955 A CN 201510348955A CN 105022101 B CN105022101 B CN 105022101B
- Authority
- CN
- China
- Prior art keywords
- mrow
- severe convective
- cloud cluster
- convective cloud
- severe
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于气象预测的技术领域。为了解决目前追踪强对流云团的方法准确度和适用性较差的问题,本发明提出一种强对流云团追踪方法,该方法包括在第一帧卫星云图上确定待追踪强对流云团;识别出第二帧卫星云图上的所有强对流云团;统计所述第二帧卫星云图中的每一个所述强对流云团的静态特征;在所述第二帧卫星云图上确定搜索区域,该搜索区域以第一帧卫星云图中待追踪强对流云团的重心为中心,以T*V为半径;根据强对流云团的静态特征,在所述搜索区域内查找变化度最小的强对流云团;计算强对流云团的动态特征,以动态特征和静态特征的组合对强对流云团进行追踪。本发明提高了强对流云团追踪方法的适用性,提高了强对流云团追踪的准确度。
Description
技术领域
本发明属于气象预测的技术领域,具体涉及一种强对流云团追踪方法。
背景技术
由强对流云团引起的短时强降水、雷雨大风、冰雹和***等强对流天气对人民的生命财产造成严重威胁,而对强对流云团的预报能够使人们提前做好预防,以减少此类灾害造成的损失。对强对流云团的追踪是制作强对流云团预报的前提,目前,通常使用气象卫星监测强对流云团,气象卫星提供的云图资料能够为识别追踪强对流云团的结构性信息(例如,平均亮温、面积、直径和偏心率等)和监测强对流云团的演变情况提供帮助。
对强对流云团运动的描述是一个复杂的问题,因为强对流云团为非钢性的,总是处于不断地位移、形变、扩展收缩甚至***、融合的过程中,使整个追踪过程比计算机视觉中对一般的刚性或近刚性物体的追踪问题要难得多。在计算机视觉中,有很多运动分析方面的研究,但大部分运动分析,都假设物体是刚性的,而强对流云团的运动显然不满足这一假设。
目前,有下面几种强对流云团的追踪方法,例如:“两步追踪法”,该方法基于Sethian的水平集(Level Set)方法,用来处理可变形的非刚性对流云团***的诸如***、融合等经常发生的拓扑变化,解决了强对流云团非刚性的问题,但该方法缺乏对云团流体运动的全局动态描述。利用仿射变换来描述云团运动的方法,该方法是通过二维图像序列重建云团的三维结构和运动信息来描述云团运动,虽然取得了一定的效果,但是,由于仿射变换的模型过于简单,不足以描述云团的所有特征。上述追踪强对流云团的方法要么缺乏对云团流体运动的全局动态描述,要么不足以描述云团的所有特征,导致对强对流云团追踪的准确度较差,且对于复杂的云团无法进行追踪,适用性较差。
发明内容
为了解决目前追踪强对流云团的方法准确度和适用性较差的问题,本发明提出一种强对流云团追踪方法,以提高强对流云团追踪方法的适用性,提高强对流云团追踪的准确度。
本发明强对流云团追踪方法,该方法包括以下步骤:
(1)在第一帧卫星云图上确定待追踪强对流云团,并统计该待追踪强对流云团的静态特征,该静态特征包括所述待追踪强对流云团的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积;
(2)识别出第二帧卫星云图上的所有强对流云团,并统计所述第二帧卫星云图中的每一个所述强对流云团的静态特征;
(3)在所述第二帧卫星云图上确定搜索区域,该搜索区域以所述第一帧卫星云图中待追踪强对流云团的重心为中心,以T*V为半径,其中,T为所述第二帧卫星云图与所述第一帧卫星云图的时间间隔,V为所述强对流云团的最大移动速度;
(4)在所述搜索区域内查找与所述待追踪强对流云团相比变化度最小的强对流云团,用数学公式表示为
其中,abs为绝对值符号,Ai表示所述第一帧卫星云图中待追踪强对流云团的第i个静态特征,Bki表示所述第二帧卫星云图中搜索区域内的第k个强对流云团的第i个静态特征,当所述第二帧卫星云图中搜索区域内共有F个强对流云团时,k=1,2,3,4,5……F,n为静态特征的数量,
该与所述待追踪强对流云团相比变化度最小的强对流云团为所述待追踪强对流云团在所述第二帧卫星云图上的位置;
(5)计算所述步骤(4)中追踪到的所述第二帧卫星云图上的强对流云团相对于所述第一帧卫星云图上待追踪强对流云团的动态特征,该动态特征包括移动速度变化、移动角度变化、最低亮温变化、重心移动距离的变化、重心与形心之间的距离的变化、偏心率的变化和面积的变化;
(6)采用所述步骤(3)中确定搜索区域的方式在所述第三帧卫星云图上确定搜索区域,计算该搜索区域内所有强对流云团相对于所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团的动态特征,然后在该搜索区域内查找与所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团相比变化度最小的强对流云团,用数学公式表示为
其中,abs为绝对值符号,Bi表示追踪到的所述第二帧卫星云图中的强对流云团的第i个静态特征,Cki表示所述第三帧卫星云图中搜索区域内第k个强对流云团的第i个静态特征,n为静态特征的数量,m为动态特征的数量,Bj表示追踪到的所述第二帧卫星云图中的强对流云团的第j个动态特征,Ckj表示所述第三帧卫星云图中搜索区域内第k个强对流云团的第j个动态特征,当所述第三帧卫星云图中搜索区域内共有G个强对流云团时,k=1,2,3,4,5……G,
该与所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团相比变化度最小的强对流云团为所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团在所述第三帧卫星云图上的位置;
(7)依照所述步骤(5)和所述步骤(6)依次在所述第三帧卫星云图以后的各帧卫星云图上追踪所述待追踪强对流云团。
其中,所述步骤(2)包括:(1)在第二帧卫星云图上识别出强对流点;(2)对所述强对流点进行联通检测,同一个联通区域内的所述强对流点的集合为一个强对流云团。
其中,所述步骤(2)中,对所述强对流点进行4联通检测。
其中,所述步骤(2)中,对所述强对流点进行8联通检测。
其中,所述步骤(3)中,所述强对流云团的最大移动速度V为80km/h。
其中,所述步骤(1)中,识别面积大于或等于250平方公里的强对流云团。
其中,在所述各帧卫星云图中,所述强对流云团的形心坐标定义为:
其中,xi为所述强对流云团的边缘点的横坐标,yi为所述强对流云团的边缘点的纵坐标,R为所述强对流云团的边缘点的数量。
本发明强对流云团追踪方法具有如下的有益效果:
本发明强对流云团追踪方法不仅根据强对流云团的静态特征进行追踪,还根据强对流云团的动态特征进行追踪,因为前后相邻的两帧卫星云图中同一个强对流云团从静态来看,强对流云团的形心、中心和面积等静态特征不会发生突变,从动态来看,强对流云团的运动方向和运动速度等动态特征不会发生突变,所以后一帧卫星云图中与在前一帧卫星云图中确定待追踪强对流云团相比静态特征和动态特征变化度最小的强对流云团即为要找的强对流云团。静态特征和动态特征的组合能更全面更准确地描述强对流云团,通过强对流云团的静态特征和动态特征的组合,既能够对一般的强对流云团进行追踪,也能够对复杂的强对流云团进行追踪,提高了强对流云团追踪方法的适用性和准确性。相对于静态特征,动态特征更能准确地反映强对流云团的运动规律,本发明强对流云团追踪方法以强对流云团的动态特征为主要依据,以强对流云团的静态特征为辅助依据,提高了强对流云团追踪的准确度,有助于气象工作人员对强对流云团的准确预报。
附图说明
图1为本发明强对流云团追踪方法的原理示意图。
具体实施方式
下面结合图1介绍本发明的技术方案。
本发明强对流云团追踪方法包括以下步骤:
(1)如图1所示,在第一帧卫星云图10上确定待追踪强对流云团13,并统计该待追踪强对流云团13的静态特征,该静态特征包括待追踪强对流云团13的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积;
(2)识别出第二帧卫星云图11上的所有强对流云团,具体地,在第二帧卫星云图11上识别出强对流点,然后对该识别出的强对流点进行联通检测,即先设定联通区域,该联通区域的大小是固定的,那么同一个联通区域内的强对流点的集合为一个强对流云团,可以采用4联通检测,这里的“4”指联通区域的大小,也可以采用8联通检测,这里的“8”为联通区域的大小。其中,识别并筛选出面积大于或等于250平方公里的强对流云团,进行下面的步骤,对于面积小于250平方公里的强对流云团直接舍弃,因为面积较小的强对流云团可能是识别过程中产生的噪点,也有可能是生命周期非常短的强对流云团,该类强强对流云团追踪的意义不大。
然后统计第二帧卫星云图11中的每一个强对流云团的静态特征,该静态特征包括强对流云团的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积。
(3)在第二帧卫星云图11上确定搜索区域,该搜索区域以第一帧卫星云图10中待追踪强对流云团13的重心为中心,以T*V为半径,其中,T为第二帧卫星云图11与第一帧卫星云图10的时间间隔,V为强对流云团的最大移动速度,通过对大量强对流云团观察发现,强对流云团的移动速度通常在80km/h以内,所以这里强对流云团的最大移动速度V取80km/h。
(4)第二帧卫星云图11上的搜索区域内通常会包括多个强对流云团,在该搜索区域内查找与待追踪强对流云团13相比变化度最小的强对流云团,用数学公式表示为
其中,abs为绝对值符号,Ai表示第一帧卫星云图10中待追踪强对流云团13的第i个静态特征,Bki表示第二帧卫星云图11中搜索区域内的第k个强对流云团的第i个静态特征,当第二帧卫星云图11中搜索区域内共有F个强对流云团时,k=1,2,3,4,5……F,n为静态特征的数量,
该与待追踪强对流云团13相比变化度最小的强对流云团为待追踪强对流云团13在第二帧卫星云图11上的位置,找到了与待追踪强对流云团13相比变化度最小的强对流云团即实现了待追踪强对流云团13的追踪。
以图1为例进行介绍,待追踪强对流云团13的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积的值分别为A1、A2、A3、A4、A5、A6和A7,在第二帧卫星云图11上的搜索区域内查找一个强对流云团,该强对流云团的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积的值分别为B1、B2、B3、B4、B5、B6和B7,设
当H的值最小时,该强对流云团为待追踪强对流云团13在第二帧卫星云图11上的位置,如图1所示,追踪到的强对流云团14的H值最小,则追踪到的强对流云团14为待追踪强对流云团13在第二帧卫星云图11上的位置。
(5)计算第二帧卫星云图11上的追踪到的强对流云团14相对于第一帧卫星云图10上待追踪强对流云团13的动态特征,该动态特征包括移动速度变化、移动角度变化、最低亮温变化、重心移动距离的变化、重心与形心之间的距离的变化、偏心率的变化以及面积的变化,这些动态特征的信息均可以通过卫星云图计算得到。
其中,卫星云图中强对流云团的形心坐标定义为:
其中xi强对流云团的边缘点的横坐标,yi为强对流云团的边缘点的纵坐标,R为强对流云团的边缘点的数量。
(6)采用上述步骤(3)中确定所述搜索区域的方式在第三帧卫星云图12上确定搜索区域,计算该搜索区域内所有强对流云团相对于追踪到的强对流云团14的动态特征,该动态特征包括移动速度变化、移动角度变化、最低亮温变化、重心移动距离的变化、重心与形心之间的距离的变化、偏心率的变化以及面积的变化,然后在第三帧卫星云图12上的搜索区域内查找与追踪到的强对流云团14相比变化度最小的强对流云团,用数学公式表示为:
其中,abs为绝对值符号,Bi表示追踪到的强对流云团14的第i个静态特征,Cki表示所述第三帧卫星云图中搜索区域内第k个强对流云团的第i个静态特征,n为静态特征的数量,m为动态特征的数量,Bj表示追踪到的强对流云团14的第j个动态特征,Ckj表示第三帧卫星云图12中搜索区域内第k个强对流云团的第j个动态特征,当第三帧卫星云图12中搜索区域内共有G个强对流云团时,k=1,2,3,4,5……G,在该公式中,对于静态特征比较的部分加了平方,是为了减小静态特征的权重,增加动态特征的权重,因为相对于静态特征,动态特征更能准确地反映强对流云团的运动规律,以强对流云团的动态特征为主要依据,以强对流云团的静态特征为辅助依据对强对流云团进行追踪,提高了强对流云团追踪的准确度。
如图1所示,强对流云团15是与追踪到的强对流云团14相比变化度最小的强对流云团,则该强对流云团15为追踪到的强对流云团14在第三帧卫星云图12上的位置。
(7)依照步骤(5)和步骤(6)依次在第三帧卫星云图12以后的各帧卫星云图上追踪待追踪强对流云团。
Claims (7)
1.一种强对流云团追踪方法,其特征在于,该方法包括以下步骤:
(1)在第一帧卫星云图上确定待追踪强对流云团,并统计该待追踪强对流云团的静态特征,该静态特征包括所述待追踪强对流云团的形心、重心、最低亮温、最高亮温、低于负32摄氏度区域面积、低于负52摄氏度区域面积、低于负62摄氏度区域面积;
(2)识别出第二帧卫星云图上的所有强对流云团,并统计所述第二帧卫星云图中的每一个所述强对流云团的静态特征;
(3)在所述第二帧卫星云图上确定搜索区域,该搜索区域以所述第一帧卫星云图中待追踪强对流云团的重心为中心,以T*V为半径,其中,T为所述第二帧卫星云图与所述第一帧卫星云图的时间间隔,V为所述强对流云团的最大移动速度;
(4)在所述搜索区域内查找与所述待追踪强对流云团相比变化度最小的强对流云团,用数学公式表示为
<mrow>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>min</mi>
</mrow>
<mi>k</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,abs为绝对值符号,Ai表示所述第一帧卫星云图中待追踪强对流云团的第i个静态特征,Bki表示所述第二帧卫星云图中搜索区域内的第k个强对流云团的第i个静态特征,当所述第二帧卫星云图中搜索区域内共有F个强对流云团时,k=1,2,3,4,5……F,n为静态特征的数量,
该与所述待追踪强对流云团相比变化度最小的强对流云团为所述待追踪强对流云团在所述第二帧卫星云图上的位置;
(5)计算所述步骤(4)中追踪到的所述第二帧卫星云图上的强对流云团相对于所述第一帧卫星云图上待追踪强对流云团的动态特征,该动态特征包括移动速度变化、移动角度变化、最低亮温变化、重心移动距离的变化、重心与形心之间的距离的变化、偏心率的变化和面积的变化;
(6)采用所述步骤(3)中确定搜索区域的方式在所述第三帧卫星云图上确定搜索区域,计算该搜索区域内所有强对流云团相对于所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团的动态特征,然后在该搜索区域内查找与所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团相比变化度最小的强对流云团,用数学公式表示为
<mrow>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>min</mi>
</mrow>
<mi>k</mi>
</munder>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>(</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>B</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>)</mo>
<mo>/</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,abs为绝对值符号,Bi表示追踪到的所述第二帧卫星云图中的强对流云团的第i个静态特征,Cki表示所述第三帧卫星云图中搜索区域内第k个强对流云团的第i个静态特征,n为静态特征的数量,m为动态特征的数量,Bj表示追踪到的所述第二帧卫星云图中的强对流云团的第j个动态特征,Ckj表示所述第三帧卫星云图中搜索区域内第k个强对流云团的第j个动态特征,当所述第三帧卫星云图中搜索区域内共有G个强对流云团时,k=1,2,3,4,5……G,
该与所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团相比变化度最小的强对流云团为所述步骤(4)中追踪到的第二帧卫星云图中的强对流云团在所述第三帧卫星云图上的位置;
(7)依照所述步骤(5)和所述步骤(6)依次在所述第三帧卫星云图以后的各帧卫星云图上追踪所述待追踪强对流云团。
2.根据权利要求1所述的强对流云团追踪方法,其特征在于,所述步骤(2)包括:(1)在第二帧卫星云图上识别出强对流点;(2)对所述强对流点进行联通检测,同一个联通区域内的所述强对流点的集合为一个强对流云团。
3.根据权利要求2所述的强对流云团追踪方法,其特征在于,所述步骤(2)中,对所述强对流点进行4联通检测。
4.根据权利要求2所述的强对流云团追踪方法,其特征在于,所述步骤(2)中,对所述强对流点进行8联通检测。
5.根据权利要求1-4中任一项所述的强对流云团追踪方法,其特征在于,所述步骤(3)中,所述强对流云团的最大移动速度V为80km/h。
6.根据权利要求1-4中任一项所述的强对流云团追踪方法,其特征在于,所述步骤(1)中,识别面积大于或等于250平方公里的强对流云团。
7.根据权利要求1-4中任一项所述的强对流云团追踪方法,其特征在于,在所述各帧卫星云图中,所述强对流云团的形心坐标定义为:
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>R</mi>
</mfrac>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>R</mi>
</mfrac>
</mrow>
其中,xi为所述强对流云团的边缘点的横坐标,yi为所述强对流云团的边缘点的纵坐标,R为所述强对流云团的边缘点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510348955.0A CN105022101B (zh) | 2015-06-23 | 2015-06-23 | 强对流云团追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510348955.0A CN105022101B (zh) | 2015-06-23 | 2015-06-23 | 强对流云团追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105022101A CN105022101A (zh) | 2015-11-04 |
CN105022101B true CN105022101B (zh) | 2018-02-13 |
Family
ID=54412199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510348955.0A Active CN105022101B (zh) | 2015-06-23 | 2015-06-23 | 强对流云团追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105022101B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196316B (zh) * | 2017-12-26 | 2020-03-31 | 广州风雨雷科技有限公司 | 一种自动校正的瞬时大风预警方法 |
CN110414420B (zh) * | 2019-07-25 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种基于静止卫星红外云图的中尺度对流***识别与追踪方法 |
CN111047088A (zh) * | 2019-12-09 | 2020-04-21 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
CN110942111B (zh) * | 2019-12-31 | 2022-11-29 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
CN111337929A (zh) * | 2020-03-26 | 2020-06-26 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129566A (zh) * | 2011-03-09 | 2011-07-20 | 国家卫星气象中心 | 基于静止气象卫星识别暴雨云团的方法 |
CN102903119B (zh) * | 2012-05-22 | 2016-01-20 | 通号通信信息集团有限公司 | 一种目标跟踪方法和装置 |
CN103500456B (zh) * | 2013-10-22 | 2016-06-15 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
-
2015
- 2015-06-23 CN CN201510348955.0A patent/CN105022101B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105022101A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105022101B (zh) | 强对流云团追踪方法 | |
Ke et al. | Real-time bidirectional traffic flow parameter estimation from aerial videos | |
CN107705560B (zh) | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 | |
Lenz et al. | Sparse scene flow segmentation for moving object detection in urban environments | |
Benfold et al. | Guiding visual surveillance by tracking human attention. | |
US9224046B2 (en) | Multi-view object detection using appearance model transfer from similar scenes | |
CN104408746B (zh) | 一种基于深度信息的客流统计*** | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN107066953A (zh) | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 | |
CN105574855A (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN104899590A (zh) | 一种无人机视觉目标跟随方法及*** | |
CN105869146B (zh) | 基于显著性融合的sar图像变化检测方法 | |
CN104484868B (zh) | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 | |
CN107741231A (zh) | 一种基于机器视觉的多运动目标快速测距方法 | |
CN103150908B (zh) | 一种基于视频的平均车速检测方法 | |
CN103426179A (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 | |
CN105654516A (zh) | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
Pyo et al. | Front collision warning based on vehicle detection using CNN | |
CN109658128A (zh) | 一种基于yolo和质心跟踪的门店入店率统计方法 | |
CN102129559B (zh) | 基于PrimalSketch算法的SAR图像目标检测方法 | |
Sun et al. | An improved FAST feature extraction based on RANSAC method of vision/SINS integrated navigation system in GNSS-denied environments | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
Lian et al. | Towards unified on-road object detection and depth estimation from a single image | |
Howe et al. | Weakly supervised training of monocular 3d object detectors using wide baseline multi-view traffic camera data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |