CN109697428A - 基于rgb_d和深度卷积网络的无人机识别定位*** - Google Patents
基于rgb_d和深度卷积网络的无人机识别定位*** Download PDFInfo
- Publication number
- CN109697428A CN109697428A CN201811606339.0A CN201811606339A CN109697428A CN 109697428 A CN109697428 A CN 109697428A CN 201811606339 A CN201811606339 A CN 201811606339A CN 109697428 A CN109697428 A CN 109697428A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- image
- monitoring area
- module
- rgb
- 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
- 238000012544 monitoring process Methods 0.000 claims abstract description 91
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 230000004807 localization Effects 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 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
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于RGB_D和深度卷积网络的无人机识别定位***，包括摄像头监控模块、无人机识别模块、二维图像生成三维网格模块和RGB_D测距定位模块；摄像头监控模块获取整个监控区域的图像；无人机识别模块将监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；二维图像生成三维网格模块通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；RGB_D测距定位模块通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。本发明可以实现对于区域内无人机进行高精度的识别与定位。
Description
技术领域
本发明涉及无人机识别定位技术领域，具体涉及基于一种基于RGB_D和深度卷积网络的无人机识别定位***。
背景技术
无人机是全球新一轮科技革命和产业革命的热点，现今已在各个领域得到使用，现今无人机这一领域不断在突破，现在已跳脱出过去的单纯军用用途，逐步向民用、警用与家用多方向延伸。而面对人类无法胜任的高难度、高风险与高含量的任务，无人机应运而生，它替代有人驾驶的飞机去执行这些任务。无人机是一种有无线电来操控的设备，遂有人称其为遥控驾驶航空器。它能够趋于完美的利用人工智能、信号处理和自动驾驶等精尖技术，并由于它具有体积小、无人驾驶和航程远等优势，在自然环境考察、科普研究、农业领域、维护国家主权与公共卫生安全等许多方面都有所应用，是当代的一大热点。
随着对无人机使用的普遍性，无人机的安全问题愈来愈严重，对于无人机的监管存在局限，因此屡次出现无人机事故，使得人们在对于无人机识别监测定位这一方面的技术愈来愈关注。
发明内容
针对现有技术的不足，本发明旨在提供一种基于RGB_D和深度卷积网络的无人机识别定位***，可以实现对于区域内的无人机的自动识别，并实现对无人机的具体定位，识别与定位的精度高。解决了对于区域无人机安全问题，避免无人机所带来的影响。
为了实现上述目的，本发明采用如下技术方案：
一种基于RGB_D和深度卷积网络的无人机识别定位***，包括摄像头监控模块、无人机识别模块、二维图像生成三维网格模块和RGB_D测距定位模块；
所述摄像头监控模块用于获取整个监控区域的图像；
所述无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
二维图像生成三维网格模块用于当无人机识别模块识别出监控区域中存在无人机时，通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；
RGB_D测距定位模块用于当无人机识别模块识别出监控区域中存在无人机时，通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
进一步地，所述摄像头监控模块包括若干摄像头，各个摄像头分别布置于监控区域的不同位置，所有摄像头的摄像范围加总起来涵盖整个监控区域。
进一步地，各个摄像头分散地环绕式安装，保证在任一摄像头的视角中能够看到该摄像头左右两侧相邻的摄像头。
本发明还提供一种利用上述***进行无人机识别定位的方法，包括如下步骤：
S1、摄像头监控模块用于获取整个监控区域的图像；
S2、无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
S3、当无人机识别模块识别出监控区域中存在无人机时，二维图像生成三维网格模块通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；RGB_D测距定位模块通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
进一步地，步骤S1中，摄像头监控模块中所有摄像头均将获取的图像传输至无人机识别模块；步骤S2中，所述无人机识别模块对在同一时间点上所有摄像头采集的监控区域的各帧图像进行分析，同时将各帧图像与预存的无人机图像特征进行匹配，识别出各帧图像中是否出现无人机，从而确定在该时间点上监控区域是否出现无人机；步骤S3中，二维图像生成三维网格模块同时结合了所有摄像头在同一时间点上采集的监控区域的各帧图像计算生成整个监控区域的三维网格图。
进一步地，步骤S2中，所述预存的无人机图像特征的获得过程为：无人机自动识别模块中预存一组功能和设计都不相同的无人机图像并从中提取无人机图像特征。
进一步地，步骤S2中，所述二维图像生成三维网格模块具体通过一个多层的图卷积神经网络提取监控区域的图像的不同层次的特征，进而通过级联网格变形网络生成三维网格图。
进一步地，步骤S3中，RGB_D测距定位模块根据下式计算无人机和双目摄像头之间的距离：
其中，C1和C2表示无人机和双目摄像头的颜色，C1R和C2R分别表示无人机和双目摄像头的颜色的R通道，C1G和C2G分别表示无人机和双目摄像头的颜色的G通道，C1B和C2B分别表示无人机和双目摄像头的颜色的B通道。
本发明的有益效果在于：
1、本发明可以实现对无人机的区域性监控、自动识别与定位功能，且识别效率高、抗干扰性强。
2、本发明具体分为摄像头监控模块、无人机识别模块、二维图像生成三维网格模块、RGB_D测距定位模块，通过摄像头监控模块对监控区域的图像进行采集，同时通过无人机识别模块，将无人机从摄像头采集的图像中识别出来，同时通过图卷积神经网络处理图像，将监控区域以三维网格形式还原，结合生成的三维网格图得到无人机所在方向，RGB_D测距定位模块在RGB_D图像中计算出无人机与双目摄像头之间的距离，实现对于无人机的具体定位。在多个模块的共同作用下，实现对无人机的区域性监控、自动识别与定位功能。
附图说明
图1为本发明实施例1中的***结构示意图；
图2为本发明实施例1中摄像监控模块中各摄像头布置平面示意图；
图3为本发明实施例1中级联网格变形网络的概述示意图；
图4为本发明实施例1中三维网格图中无人机定位示意图；
图5为本发明实施例2中的方法流程示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
实施例1
本实施例提供一种基于RGB_D和深度卷积网络的无人机识别定位***，如图1所示，包括摄像头监控模块、无人机识别模块、二维图像生成三维网格模块和RGB_D测距定位模块；
所述摄像头监控模块用于获取整个监控区域的图像；
所述无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
二维图像生成三维网格模块用于当无人机识别模块识别出监控区域中存在无人机时，通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；
RGB_D测距定位模块用于当无人机识别模块识别出监控区域中存在无人机时，通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
进一步地，所述摄像头监控模块包括若干摄像头，各个摄像头分别布置于监控区域的不同位置，所有摄像头的摄像范围加总起来涵盖整个监控区域；
在本实施例中，如图2所示，所述摄像头监控模块包括有四个摄像头，通过四个摄像头的视角划分区域，可以对无人机进行区域性监控，实现采集监控区域的多角度视频图像，通过所有摄像头的视角加总实现监控区域的全覆盖。
更进一步地，可以通过各个摄像头的交叉视角实现监控区域的无缝覆盖。安装摄像头时，选择分散地环绕式安装，保证在任一摄像头的视角中可以看到该摄像头左右两侧相邻的摄像头。如图2所示，摄像头1处于较高位置改变其朝向，即可实现对于前方区域的监控，其监控视角内可以覆盖住左右两侧相邻的摄像头。其余的摄像头2、摄像头3和摄像头4布置与其相仿，高度与位置可以不一致，但需要保证视角内有左右两侧相邻的摄像头，这一布置可以通过调整各个摄像头的视角和方向来实现，保证了摄像头视角对监控区域的全覆盖。
当采用多个摄像头时，所述无人机识别模块是对在同一时间点上所有摄像头采集的监控区域的各帧图像进行分析，同时将各帧图像与预存的无人机图像特征进行匹配，实现对于无人机的自动识别。多角度的图像的同时匹配可以有助于进一步提高识别的准确性。
进一步地，无人机自动识别模块中预存一组功能和设计都不相同的无人机图像并从中提取无人机图像特征，进行识别时利用所提取的无人机图像特征对监控区域的图像依次进行图像识别、目标提取、特征分析、图像匹配，将无人机从监控区域的图像中识别出来，从而实现对于无人机的自动识别。
由于现有的无人机的功能和设计都不大一致，所以需要收集一组功能和设计都不相同的无人机图像来提取无人机图像特征，可以提高识别的准确性。
在实际应用中，无人机识别模块和摄像头监控模块同时进行识别和监控的工作，保证对无人机自动识别的高效性。
进一步地，所述二维图像生成三维网格模块具体通过一个多层的图卷积神经网络提取监控区域的图像的不同层次的特征，进而通过级联网格变形网络生成三维网格图，从而将监控区域的图像以三维网格的形式还原。生成的三维网格图用于测量计算需要的距离和角度参数。当采用多个摄像头进行监控区域的监控时，二维图像生成三维网格模块同时结合了所有摄像头不同角度的监控区域的图像计算生成整个监控区域的三维网格图，精度更高。
需要说明的是，二维图像生成的三维网格中，图像特征网络是从输入图像中提取感知特征的二维卷积神经网络，由级联网格变形网络利用提取的图像的不同层次的特征将椭球网格逐步变形为所需的三维网格模型。
级联网格变形网络是基于图的卷积网络，它包含三个变形块，变形块是由两个图层解体层相交形成。如图3所示，监控区域的图像作为输入图像，图像特征网络作为二维卷积神经网络，从输入图像中提取感知特征，并将提取的感知特征数据作为输入，由级联网格变形网络中的三个变形块从粗到细将椭球网格逐步变形为所需的三维网格模型。由级联网格变形网络利用图像的不同层次的特征将椭球网格逐步变形为所需的三维网格模型，生成高精度的三维网格图，将监控区域以三维网格形式还原。如图4所示，在还原的三维网格图中选无人机上一特征点P作为参考，摄像头各点A、B、C、D的实际坐标已知，结合距离与方向两个参数可以计算出无人机具体坐标，即可实现无人机的定位。
进一步地，所述RGB_D测距定位模块通过双目摄像头得到监控区域的RGB_D图像，分析无人机与双目摄像头的图像颜色深度，根据两者的颜色深度的关系计算出距离，结合三维网格图中得到的无人机方向实现对于无人机的定位。
需要说明的是，RGB_D图像其实是两幅图像：一个是普通的RGB三通道彩色图像，另一个是Depth图像。Depth图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。图像深度是确定彩色图像的每个像素可能有的颜色数，或者确定灰度图像的每个像素可能有的灰度级数。它决定了彩色图像中可出现的最多颜色数，或灰度图像中的最大灰度等级。物体在图像中不同的距离图像深度也不一样，可以根据两物体在RGB_D图像上的图像深度关系计算出他们之间的距离。
进一步地需要说明的是，颜色距离指的是两个颜色之间的差距，通常距离越大，两个颜色相差越大，反之，两个颜色越相近。在RGB空间内，可以得到两个颜色之间的距离为：
其中，C1和C2表示颜色1和颜色2，C1R和C2R分别表示颜色1和颜色2的R通道，C1G和C2G分别表示颜色1和颜色2的G通道，C1B和C2B分别表示颜色1和颜色2的B通道。
根据无人机与双目摄像头的颜色差得到两者间的距离。
实施例2
本实施例提供一种利用实施例1所述***进行无人机识别定位的方法，如图5所示，包括如下步骤：
S1、摄像头监控模块用于获取整个监控区域的图像；
S2、无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
S3、当无人机识别模块识别出监控区域中存在无人机时，二维图像生成三维网格模块通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；RGB_D测距定位模块通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
进一步地，步骤S1中，摄像头监控模块中所有摄像头均将获取的图像传输至无人机识别模块；步骤S2中，所述无人机识别模块对在同一时间点上所有摄像头采集的监控区域的各帧图像进行分析，同时将各帧图像与预存的无人机图像特征进行匹配，识别出各帧图像中是否出现无人机，从而确定在该时间点上监控区域是否出现无人机；步骤S3中，二维图像生成三维网格模块同时结合了所有摄像头在同一时间点上采集的监控区域的各帧图像计算生成整个监控区域的三维网格图。
进一步地，步骤S2中，所述预存的无人机图像特征的获得过程为：无人机自动识别模块中预存一组功能和设计都不相同的无人机图像并从中提取无人机图像特征。
进一步地，步骤S2中，所述二维图像生成三维网格模块具体通过一个多层的图卷积神经网络提取监控区域的图像的不同层次的特征，进而通过级联网格变形网络生成三维网格图。
进一步地，步骤S3中，RGB_D测距定位模块根据下式计算无人机和双目摄像头之间的距离：
其中，C1和C2表示无人机和双目摄像头的颜色，C1R和C2R分别表示无人机和双目摄像头的颜色的R通道，C1G和C2G分别表示无人机和双目摄像头的颜色的G通道，C1B和C2B分别表示无人机和双目摄像头的颜色的B通道。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于RGB_D和深度卷积网络的无人机识别定位***，其特征在于，包括摄像头监控模块、无人机识别模块、二维图像生成三维网格模块和RGB_D测距定位模块；
所述摄像头监控模块用于获取整个监控区域的图像；
所述无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
二维图像生成三维网格模块用于当无人机识别模块识别出监控区域中存在无人机时，通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；
RGB_D测距定位模块用于当无人机识别模块识别出监控区域中存在无人机时，通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
2.根据权利要求1所述的基于RGB_D和深度卷积网络的无人机识别定位***，其特征在于，所述摄像头监控模块包括若干摄像头，各个摄像头分别布置于监控区域的不同位置，所有摄像头的摄像范围加总起来涵盖整个监控区域。
3.根据权利要求1所述的基于RGB_D和深度卷积网络的无人机识别定位***，其特征在于，各个摄像头分散地环绕式安装，保证在任一摄像头的视角中能够看到该摄像头左右两侧相邻的摄像头。
4.一种利用上述任一权利要求所述***进行无人机识别定位的方法，其特征在于，包括如下步骤：
S1、摄像头监控模块用于获取整个监控区域的图像；
S2、无人机识别模块接收到摄像头监控模块获取的监控区域的图像，与预存的无人机图像特征进行匹配，识别监控区域中是否存在无人机；
S3、当无人机识别模块识别出监控区域中存在无人机时，二维图像生成三维网格模块通过图卷积神经网络将摄像头监控模块获取的监控区域的图像生成三维网格图；RGB_D测距定位模块通过双目摄像头获取监控区域的RGB_D图像，并根据监控区域的RGB_D图像中无人机与双目摄像头颜色深度的关系计算得到两者之间的距离，结合三维网格图得到的无人机方向，实现对无人机的具体定位。
5.根据权利要求4所述的方法，其特征在于，步骤S1中，摄像头监控模块中所有摄像头均将获取的图像传输至无人机识别模块；步骤S2中，所述无人机识别模块对在同一时间点上所有摄像头采集的监控区域的各帧图像进行分析，同时将各帧图像与预存的无人机图像特征进行匹配，识别出各帧图像中是否出现无人机，从而确定在该时间点上监控区域是否出现无人机；步骤S3中，二维图像生成三维网格模块同时结合了所有摄像头在同一时间点上采集的监控区域的各帧图像计算生成整个监控区域的三维网格图。
6.根据权利要求4所述的方法，其特征在于，步骤S2中，所述预存的无人机图像特征的获得过程为：无人机自动识别模块中预存一组功能和设计都不相同的无人机图像并从中提取无人机图像特征。
7.根据权利要求4所述的方法，其特征在于，步骤S2中，所述二维图像生成三维网格模块具体通过一个多层的图卷积神经网络提取监控区域的图像的不同层次的特征，进而通过级联网格变形网络生成三维网格图。
8.根据权利要求4所述的方法，其特征在于，步骤S3中，RGB_D测距定位模块根据下式计算无人机和双目摄像头之间的距离：
其中，C1和C2表示无人机和双目摄像头的颜色，C1R和C2R分别表示无人机和双目摄像头的颜色的R通道，C1G和C2G分别表示无人机和双目摄像头的颜色的G通道，C1B和C2B分别表示无人机和双目摄像头的颜色的B通道。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811606339.0A CN109697428B (zh) | 2018-12-27 | 2018-12-27 | 基于rgb_d和深度卷积网络的无人机识别定位*** |
| PCT/CN2019/126349 WO2020135187A1 (zh) | 2018-12-27 | 2019-12-18 | 基于rgb_d和深度卷积网络的无人机识别定位***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811606339.0A CN109697428B (zh) | 2018-12-27 | 2018-12-27 | 基于rgb_d和深度卷积网络的无人机识别定位*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697428A true CN109697428A (zh) | 2019-04-30 |
| CN109697428B CN109697428B (zh) | 2020-07-07 |
Family
ID=66232124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811606339.0A Active CN109697428B (zh) | 2018-12-27 | 2018-12-27 | 基于rgb_d和深度卷积网络的无人机识别定位*** |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109697428B (zh) |
| WO (1) | WO2020135187A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020135187A1 (zh) * | 2018-12-27 | 2020-07-02 | 赣州德业电子科技有限公司 | 基于rgb_d和深度卷积网络的无人机识别定位***和方法 |
| CN111464938A (zh) * | 2020-03-30 | 2020-07-28 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
| CN114627186A (zh) * | 2022-03-16 | 2022-06-14 | 杭州浮点智能信息技术有限公司 | 一种测距方法及测距装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115494865B (zh) * | 2022-09-22 | 2024-05-14 | 中国科学技术大学 | 基于时空图卷积网络的无人机集群态势分析方法及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016141100A2 (en) * | 2015-03-03 | 2016-09-09 | Prenav Inc. | Scanning environments and tracking unmanned aerial vehicles |
| CN105955273A (zh) * | 2016-05-25 | 2016-09-21 | 速感科技（北京）有限公司 | 室内机器人导航***及方法 |
| CN106598226A (zh) * | 2016-11-16 | 2017-04-26 | 天津大学 | 一种基于双目视觉和深度学习的无人机人机交互方法 |
| CN107038901A (zh) * | 2017-04-29 | 2017-08-11 | 毕雪松 | 飞行器入侵预警*** |
| CN108447075A (zh) * | 2018-02-08 | 2018-08-24 | 烟台欣飞智能***有限公司 | 一种无人机监测***及其监测方法 |
| WO2018189627A1 (fr) * | 2017-04-11 | 2018-10-18 | Pzartech | Procédé automatisé de reconnaissance d'un objet |
| CN108875813A (zh) * | 2018-06-04 | 2018-11-23 | 北京工商大学 | 一种基于几何图像的三维网格模型检索方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105759834B (zh) * | 2016-03-09 | 2018-07-24 | 中国科学院上海微***与信息技术研究所 | 一种主动捕获低空小型无人飞行器的***及方法 |
| WO2018020965A1 (ja) * | 2016-07-28 | 2018-02-01 | パナソニックＩｐマネジメント株式会社 | 無人飛行体検知システム及び無人飛行体検知方法 |
| CN107885231B (zh) * | 2016-09-30 | 2020-12-29 | 成都紫瑞青云航空宇航技术有限公司 | 一种基于可见光图像识别的无人机捕获方法及*** |
| CN109697428B (zh) * | 2018-12-27 | 2020-07-07 | 江西理工大学 | 基于rgb_d和深度卷积网络的无人机识别定位*** |
-
2018
- 2018-12-27 CN CN201811606339.0A patent/CN109697428B/zh active Active
-
2019
- 2019-12-18 WO PCT/CN2019/126349 patent/WO2020135187A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016141100A2 (en) * | 2015-03-03 | 2016-09-09 | Prenav Inc. | Scanning environments and tracking unmanned aerial vehicles |
| CN105955273A (zh) * | 2016-05-25 | 2016-09-21 | 速感科技（北京）有限公司 | 室内机器人导航***及方法 |
| CN106598226A (zh) * | 2016-11-16 | 2017-04-26 | 天津大学 | 一种基于双目视觉和深度学习的无人机人机交互方法 |
| WO2018189627A1 (fr) * | 2017-04-11 | 2018-10-18 | Pzartech | Procédé automatisé de reconnaissance d'un objet |
| CN107038901A (zh) * | 2017-04-29 | 2017-08-11 | 毕雪松 | 飞行器入侵预警*** |
| CN108447075A (zh) * | 2018-02-08 | 2018-08-24 | 烟台欣飞智能***有限公司 | 一种无人机监测***及其监测方法 |
| CN108875813A (zh) * | 2018-06-04 | 2018-11-23 | 北京工商大学 | 一种基于几何图像的三维网格模型检索方法 |
Non-Patent Citations (3)
| Title |
|---|
| NANYANG WANG ET AL.: "Pixel2Mesh：Generating 3D Mesh Models from Single RGB Images", 《ARXIV:1804.01654V2》 * |
| QING LI ET AL.: "Autonomous navigation and environment modeling for MAVs in 3-D enclosed industrial environments", 《COMPUTERS IN INDUSTRY》 * |
| 汤圣君: "多视图像增强的RGB-D室内高精度三维测图方法", 《中国博士学位论文全文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020135187A1 (zh) * | 2018-12-27 | 2020-07-02 | 赣州德业电子科技有限公司 | 基于rgb_d和深度卷积网络的无人机识别定位***和方法 |
| CN111464938A (zh) * | 2020-03-30 | 2020-07-28 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
| CN114627186A (zh) * | 2022-03-16 | 2022-06-14 | 杭州浮点智能信息技术有限公司 | 一种测距方法及测距装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020135187A1 (zh) | 2020-07-02 |
| CN109697428B (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697428A (zh) | 基于rgb_d和深度卷积网络的无人机识别定位*** | |
| US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
| CN104106260B (zh) | 基于地理图的控制 | |
| CN105550670A (zh) | 一种目标物体动态跟踪与测量定位方法 | |
| CN102932605B (zh) | 一种视觉感知网络中摄像机的组合选择方法 | |
| CN109655825A (zh) | 多传感器融合的数据处理方法、装置与多传感器融合方法 | |
| CN102447835A (zh) | 无盲区多目标协同跟踪方法及*** | |
| KR101788225B1 (ko) | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 | |
| CN102243765A (zh) | 基于多相机的多目标定位跟踪方法及*** | |
| CN106033614B (zh) | 一种强视差下的移动相机运动目标检测方法 | |
| CN107560592A (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
| KR101983586B1 (ko) | 스테레오 이미지들에 관한 깊이 맵 스티칭 방법 | |
| CN107124581A (zh) | 摄像机运行状态和嫌疑目标在电子地图上实时显示*** | |
| CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
| CN110853002A (zh) | 一种基于双目视觉的变电站异物检测方法 | |
| CN110288623A (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
| CN105810023B (zh) | 机场起落架收放自动监测方法 | |
| CN105516661B (zh) | 鱼眼相机与ptz相机相结合的主从目标监控方法 | |
| CN106488217A (zh) | 立体显示设备的校正参数获取方法及装置 | |
| US20120162412A1 (en) | Image matting apparatus using multiple cameras and method of generating alpha maps | |
| CN112470189B (zh) | 光场***的遮挡消除 | |
| CN111161399B (zh) | 基于二维影像生成三维模型的数据处理方法及组件 | |
| CN107578031A (zh) | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 | |
| CN112954188B (zh) | 一种仿人眼感知的目标主动抓拍方法和装置 | |
| CN104079817A (zh) | 一种多相机协调控制与快速精确目标识别*** |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201130 Address after: 341000 Ganzhou economic and Technological Development Zone, Ganzhou City, Jiangxi Province Patentee after: GANZHOU DEYE ELECTRONICS TECHNOLOGY Co.,Ltd. Address before: 341000 No. 86 Hongqi Avenue, Jiangxi, Ganzhou Patentee before: Jiangxi University of Science and Technology |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240513 Address after: 208, Building B, Jinan International Innovation Design Industrial Park, No. 2 Wanshou Road, Shilihe Street, Shizhong District, Jinan City, Shandong Province, 250000 Patentee after: Jinan Dajian Artificial Intelligence Technology Co.,Ltd. Country or region after: China Address before: 341000 West side of Industrial Third Road, south of Yingbin Avenue, Ganzhou Economic and Technological Development Zone, Ganzhou City, Jiangxi Province (Building 1 of Ganzhou Chuangpu Global Electronics Co., Ltd.) Patentee before: GANZHOU DEYE ELECTRONICS TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |