CN112101374B - 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 - Google Patents
基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 Download PDFInfo
- Publication number
- CN112101374B CN112101374B CN202010763739.3A CN202010763739A CN112101374B CN 112101374 B CN112101374 B CN 112101374B CN 202010763739 A CN202010763739 A CN 202010763739A CN 112101374 B CN112101374 B CN 112101374B
- Authority
- CN
- China
- Prior art keywords
- clustering
- clusters
- characteristic point
- expansion rate
- isodata
- 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
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,所述检测方法包括ISODATA动态聚类步骤,所述ISODATA动态聚类步骤包括:在提取出特征点中包含的坐标信息后,根据坐标信息随机生成若干个聚类中心;按照距离信息将所有坐标样本划分到不同聚类中,进行最小样本数检测并调整聚类;根据聚类中的元素重新计算聚类中心,检查是否能够进行聚类间的合并或***,满足运行控制参数后输出聚类结果并根据聚类结果计算不同障碍物的分布区域。本发明的优点在于:基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法相较于已有的障碍物检测方法,能够有效检测无人机在飞行中遇到的数目不定的障碍物,为无人机自主飞行提供安全可靠的飞行路径。
Description
技术领域
本发明涉及无人机障碍物检测技术领域,尤其涉及一种基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法。
背景技术
现有的无人机障碍物检测通常考虑单个障碍物的检测,很少有针对不定数目的障碍物检测;而在现实任务中,无人机通常需要在复杂的环境下进行障碍物的检测,单个障碍物的检测难以满足任务的要求。
目前已有的无人机障碍物检测方法主要有基于神经网络的障碍物检测方法、基于特征点检测的障碍物检测方法等。由于神经网络参数量巨大,基于神经网络的障碍物检测方法通常需要额外的运算单元进行数据处理,并且难以实现实时的障碍物检测。另外,基于神经网络的障碍物检测方法通常是检测视野中的可航行区域,并未针对障碍物进行明确的检测。基于特征点检测的障碍物检测方法通过提取图像中的特征点信息来进行障碍物的检测,以往的检测方法很少涉及多个障碍物的检测。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,解决了现有无人机障碍物检测方法不能在复杂环境对多数目障碍物进行检测的问题。
本发明的目的通过以下技术方案来实现:基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,所述检测方法包括ISODATA动态聚类步骤,所述ISODATA动态聚类步骤包括:
在提取出特征点中包含的坐标信息后,根据坐标信息随机生成若干个聚类中心;
按照距离信息将所有坐标样本划分到不同聚类中,进行最小样本数检测并调整聚类;
根据聚类中的元素重新计算聚类中心,检查是否能够进行聚类间的合并或***,满足运行控制参数后输出聚类结果并根据聚类结果计算不同障碍物的分布区域。
进一步地,所述按照距离信息将所有坐标样本划分到不同聚类中的划分策略为:在进行样本划分时,根据样本到聚类中心的距离进行样本划分,将各个样本划分到最邻近的聚类中。
进一步地,所述根据聚类中的元素重新计算聚类中心的聚类中心设定策略为:在计算聚类的聚类中心时,取各个样本的坐标均值作为聚类的中心。
进一步地,所述检查是否能够进行聚类间的合并或***的策略为:在进行***和合并检查时,若当前聚类个数小于等于期望聚类个数的一半,则对已有的聚类进行***;若当前迭代次数是奇数次,并且当前聚类个数小于期望聚类个数的两倍,则对已有的聚类进行***;若两聚类间的距离小于预设规定值,则对两聚类进行合并。
进一步地,所述检测方法还包括SURF特征点提取步骤、特征点匹配步骤和特征点筛选步骤;所述SURF特征点提取步骤、特征点匹配步骤、特征点筛选步骤依次执行于所述ISODATA动态聚类步骤之前。
进一步地,所述SURF特征点提取步骤包括在无人机搭载的摄像机捕捉到的图像中进行SURF特征点提取,用于后续的处理;
所述特征点匹配包括利用特征点匹配算法并根据特征点中包含的坐标和特征点强度信息,在相邻的图像之间进行特征点匹配,删除匹配没有成功的特征点;
所述特征点筛选步骤包括利用尺度膨胀原理在相邻的图像之间对匹配成功的特征点进行筛选,删除没有发生尺度膨胀的特征点。
进一步地,所述特征点筛选具体包括以下内容:
计算所有特征点的平均膨胀率和每个特征点的膨胀率;
根据所述平均膨胀率判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系;
根据判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系结果,对每个特征点进行筛选。
进一步地,所述根据判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系结果,对每个特征点进行筛选包括:
如果某个特征点的所述膨胀率大于所述平均膨胀率,则保留该特征点;
如果某个特征点的所述膨胀率不大于所述平均膨胀率,则删除该特征点,以实现对所有特征点的筛选。
本发明的有益效果为:基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法相较于已有的障碍物检测方法,能够有效检测无人机在飞行中遇到的数目不定的障碍物,为无人机自主飞行提供安全可靠的飞行路径。
附图说明
图1为本发明的整体流程图;
图2为本发明特征点筛选的流程图;
图3为本发明样本划分的流程图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的保护范围不局限于以下所述。
如图1所述,本发明具体涉及一种基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,所述检测方法包括:首先进行***初始化、设定好SURF算法和ISODATA算法的运行控制参数;然后依次进行SURF特征点提取步骤、特征点匹配步骤、特征点筛选步骤和ISODATA动态聚类步骤;
其中,SURF特征点提取步骤包括在无人机搭载的摄像机捕捉到的图像中进行SURF特征点提取,用于后续的处理;
其中,特征点匹配包括利用特征点匹配算法并根据特征点中包含的坐标和特征点强度信息,在相邻的图像之间进行特征点匹配,删除匹配没有成功的特征点;
其中,特征点筛选步骤包括利用尺度膨胀原理在相邻的图像之间对匹配成功的特征点进行筛选,删除没有发生尺度膨胀的特征点。
进一步地,如图2所示,特征点筛选具体包括以下内容:
计算所有特征点的平均膨胀率和每个特征点的膨胀率;
根据所述平均膨胀率判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系;
根据判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系结果,对每个特征点进行筛选。
具体为:如果某个特征点的所述膨胀率大于所述平均膨胀率,则保留该特征点;如果某个特征点的所述膨胀率不大于所述平均膨胀率,则删除该特征点,以实现对所有特征点的筛选。
其中,ISODATA动态聚类步骤包括:
在提取出特征点中包含的坐标信息后,根据坐标信息随机生成若干个聚类中心;
按照距离信息将所有坐标样本划分到不同聚类中,进行最小样本数检测并调整聚类;
根据聚类中的元素重新计算聚类中心,检查是否能够进行聚类间的合并或***,满足运行控制参数后输出聚类结果并根据聚类结果计算不同障碍物的分布区域。
如图3所示,ISODATA动态聚类中样本划分的具体步骤包括:
1.设定样本索引参数i初值为0;
2.判断样本索引参数i是否小于最大样本数,若是,程序运行至第3步,若不是,程序结束;
3.计算第i个样本到第一个聚类中心的距离distance1;
4.样本索引参数i=i+1,设置聚类索引参数j=1,设置聚类索引参数index=1;
5.判断聚类索引参数j是否小于等于聚类个数,若是,程序运行至第6步。若不是,则将样本i划分到第index个聚类中,程序跳转到第2步;
6.计算样本i到聚类j的中心的聚类distance2;
7.判断distance2<distance1是否成立,若成立,则distance1=distance2,index=j,j=j+1,程序跳转到第5步。若不成立,则j=j+1,程序跳转到第5步。实现将所有样本划分到最邻近的聚类中。
进一步地,所述按照距离信息将所有坐标样本划分到不同聚类中的划分策略为:在进行样本划分时,根据样本到聚类中心的距离进行样本划分,将各个样本划分到最邻近的聚类中,以减少迭代次数。
进一步地,所述根据聚类中的元素重新计算聚类中心的聚类中心设定策略为:在计算聚类的聚类中心时,取各个样本的坐标均值作为聚类的中心,以获取障碍物的几何中心。
进一步地,所述检查是否能够进行聚类间的合并或***的策略为:在进行***和合并检查时,若当前聚类个数小于等于期望聚类个数的一半,则对已有的聚类进行***;若当前迭代次数是奇数次,并且当前聚类个数小于期望聚类个数的两倍,则对已有的聚类进行***;若两聚类间的距离小于预设规定值,则对两聚类进行合并,以实现自适应调整聚类的个数。
本发明提出的基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法首先通过SURF特征检测算法检测无人机搭载的摄像头捕获的图像中的特征点信息,然后根据特征点包含的信息在相邻的图像中进行特征点的匹配,接着利用尺度膨胀原理进行特征点的进一步筛选,最后根据特征点的坐标信息进行ISODATA动态聚类,根据聚类的结果计算不同障碍物的分布区域。相较于已有的障碍物检测方法,本发明提出的方法能够有效检测无人机在飞行中遇到的数目不定的障碍物,为无人机自主飞行提供安全可靠的飞行路径。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,其特征在于:所述检测方法包括ISODATA动态聚类步骤,所述ISODATA动态聚类步骤包括:
在提取出特征点中包含的坐标信息后,根据坐标信息随机生成若干个聚类中心;
按照距离信息将所有坐标样本划分到不同聚类中,进行最小样本数检测并调整聚类;
根据聚类中的元素重新计算聚类中心,检查是否能够进行聚类间的合并或***,满足运行控制参数后输出聚类结果并根据聚类结果计算不同障碍物的分布区域;
所述检测方法还包括SURF特征点提取步骤、特征点匹配步骤和特征点筛选步骤;所述SURF特征点提取步骤、特征点匹配步骤、特征点筛选步骤依次执行于所述ISODATA动态聚类步骤之前;
所述SURF特征点提取步骤包括在无人机搭载的摄像机捕捉到的图像中进行SURF特征点提取,用于后续的处理;
所述特征点匹配包括利用特征点匹配算法并根据特征点中包含的坐标和特征点强度信息,在相邻的图像之间进行特征点匹配,删除匹配没有成功的特征点;
所述特征点筛选步骤包括利用尺度膨胀原理在相邻的图像之间对匹配成功的特征点进行筛选,删除没有发生尺度膨胀的特征点;
所述特征点筛选具体包括以下内容:
计算所有特征点的平均膨胀率和每个特征点的膨胀率;
根据所述平均膨胀率判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系;
根据判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系结果,对每个特征点进行筛选;
所述根据判断每个特征点的所述膨胀率与所述平均膨胀率之间的关系结果,对每个特征点进行筛选包括:
如果某个特征点的所述膨胀率大于所述平均膨胀率,则保留该特征点;
如果某个特征点的所述膨胀率不大于所述平均膨胀率,则删除该特征点,以实现对所有特征点的筛选。
2.根据权利要求1所述的基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,其特征在于:所述按照距离信息将所有坐标样本划分到不同聚类中的划分策略为:在进行样本划分时,根据样本到聚类中心的距离进行样本划分,将各个样本划分到最邻近的聚类中,以减少迭代次数。
3.根据权利要求1所述的基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,其特征在于:所述根据聚类中的元素重新计算聚类中心的聚类中心设定策略为:在计算聚类的聚类中心时,取各个样本的坐标均值作为聚类的中心,以获得障碍物的几何中心。
4.根据权利要求1所述的基于SURF特征检测和ISODATA聚类算法的无人机障碍物检测方法,其特征在于:所述检查是否能够进行聚类间的合并或***的策略为:在进行***和合并检查时,若当前聚类个数小于等于期望聚类个数的一半,则对已有的聚类进行***;若当前迭代次数是奇数次,并且当前聚类个数小于期望聚类个数的两倍,则对已有的聚类进行***;若两聚类间的距离小于预设规定值,则对两聚类进行合并,以实现自适应调整聚类的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763739.3A CN112101374B (zh) | 2020-08-01 | 2020-08-01 | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763739.3A CN112101374B (zh) | 2020-08-01 | 2020-08-01 | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101374A CN112101374A (zh) | 2020-12-18 |
CN112101374B true CN112101374B (zh) | 2022-05-24 |
Family
ID=73750193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010763739.3A Active CN112101374B (zh) | 2020-08-01 | 2020-08-01 | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101374B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391642B (zh) * | 2021-05-28 | 2022-06-03 | 西南交通大学 | 一种基于单目视觉的无人机自主避障方法及*** |
CN114536346B (zh) * | 2022-04-06 | 2023-04-07 | 西南交通大学 | 一种基于人机协作和视觉检测的机械臂精确路径规划方法 |
CN115019078B (zh) * | 2022-08-09 | 2023-01-24 | 阿里巴巴(中国)有限公司 | 车辆图像处理方法、计算设备及存储介质 |
CN117954115B (zh) * | 2024-03-27 | 2024-06-04 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
CN104808685A (zh) * | 2015-04-27 | 2015-07-29 | 中国科学院长春光学精密机械与物理研究所 | 用于无人机自主降落的视觉辅助装置及视觉辅助方法 |
CN106355197A (zh) * | 2016-08-24 | 2017-01-25 | 广东宝乐机器人股份有限公司 | 基于K‑means聚类算法的导航图像匹配过滤方法 |
CN106556412A (zh) * | 2016-11-01 | 2017-04-05 | 哈尔滨工程大学 | 一种室内环境下考虑地面约束的rgb‑d视觉里程计方法 |
CN106708084A (zh) * | 2016-11-24 | 2017-05-24 | 中国科学院自动化研究所 | 复杂环境下无人机自动障碍物检测和避障方法 |
CN107329490A (zh) * | 2017-07-21 | 2017-11-07 | 歌尔科技有限公司 | 无人机避障方法及无人机 |
CN107563373A (zh) * | 2017-07-28 | 2018-01-09 | 飞智控(天津)科技有限公司 | 基于立体视觉的无人机降落区域主动安全检测方法及应用 |
CN107945120A (zh) * | 2017-11-03 | 2018-04-20 | 天津大学 | 基于样本块的旋转及缩放图像修复算法 |
CN110543849A (zh) * | 2019-08-30 | 2019-12-06 | 北京市商汤科技开发有限公司 | 检测器的配置方法及装置、电子设备和存储介质 |
CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2017141758A (ru) * | 2015-05-01 | 2019-06-03 | Индиго Агрикултуре, Инк. | Разработанные комплексные эндофитные композиции и способы улучшения признаков растений |
CN106529573A (zh) * | 2016-10-14 | 2017-03-22 | 北京联合大学 | 一种结合三维点云分割和局部特征匹配的实时物体检测方法 |
US10067509B1 (en) * | 2017-03-10 | 2018-09-04 | TuSimple | System and method for occluding contour detection |
US20190344886A1 (en) * | 2018-05-09 | 2019-11-14 | Vardhan Kishore Agrawal | System and method for autonomously monitoring light poles using an unmanned aerial vehicle |
US11126870B2 (en) * | 2018-10-18 | 2021-09-21 | Cartica Ai Ltd. | Method and system for obstacle detection |
CN109544456B (zh) * | 2018-11-26 | 2022-04-15 | 湖南科技大学 | 基于二维图像和三维点云数据融合的全景环境感知方法 |
CN109934131A (zh) * | 2019-02-28 | 2019-06-25 | 南京航空航天大学 | 一种基于无人机的小目标检测方法 |
CN111414932B (zh) * | 2020-01-07 | 2022-05-31 | 北京航空航天大学 | 一种飞行器多尺度信号的分类识别与故障检测方法 |
-
2020
- 2020-08-01 CN CN202010763739.3A patent/CN112101374B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
CN104808685A (zh) * | 2015-04-27 | 2015-07-29 | 中国科学院长春光学精密机械与物理研究所 | 用于无人机自主降落的视觉辅助装置及视觉辅助方法 |
CN106355197A (zh) * | 2016-08-24 | 2017-01-25 | 广东宝乐机器人股份有限公司 | 基于K‑means聚类算法的导航图像匹配过滤方法 |
CN106556412A (zh) * | 2016-11-01 | 2017-04-05 | 哈尔滨工程大学 | 一种室内环境下考虑地面约束的rgb‑d视觉里程计方法 |
CN106708084A (zh) * | 2016-11-24 | 2017-05-24 | 中国科学院自动化研究所 | 复杂环境下无人机自动障碍物检测和避障方法 |
CN107329490A (zh) * | 2017-07-21 | 2017-11-07 | 歌尔科技有限公司 | 无人机避障方法及无人机 |
CN107563373A (zh) * | 2017-07-28 | 2018-01-09 | 飞智控(天津)科技有限公司 | 基于立体视觉的无人机降落区域主动安全检测方法及应用 |
CN107945120A (zh) * | 2017-11-03 | 2018-04-20 | 天津大学 | 基于样本块的旋转及缩放图像修复算法 |
CN110543849A (zh) * | 2019-08-30 | 2019-12-06 | 北京市商汤科技开发有限公司 | 检测器的配置方法及装置、电子设备和存储介质 |
CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及*** |
Non-Patent Citations (2)
Title |
---|
ISODATA模型及其Gap统计应用研究;窦婷;《中国优秀博硕士学位论文全文数据库(硕士),基础科学辑,(月刊)》;20190115(第01期);A002-1241 * |
城市环境下四旋翼无人机的鲁棒飞行控制技术;孙诚;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑(月刊)》;20190215(第02期);C031-361 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101374A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101374B (zh) | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 | |
CN107330920B (zh) | 一种基于深度学习的监控视频多目标追踪方法 | |
CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
CN106651908B (zh) | 一种多运动目标跟踪方法 | |
CN113284168A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
KR20190071079A (ko) | 영상 인식 방법 및 그 장치 | |
CN109886079A (zh) | 一种车辆检测与跟踪方法 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及*** | |
KR101840167B1 (ko) | 클라우드 상에서 멀티 카메라 간의 핸드오버를 통한 관심 객체의 연계추적 장치 및 그 방법 | |
CN111046303A (zh) | 一种热点区域的自动检测方法、装置及*** | |
CN112800825A (zh) | 基于关键点的关联方法、***及介质 | |
CN104168444A (zh) | 一种跟踪球机的目标跟踪方法及跟踪球机 | |
CN116879883A (zh) | 激光雷达噪点数据采集处理方法、装置、介质及车辆 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
CN113838087B (zh) | 一种抗遮挡目标跟踪方法及*** | |
CN114859368A (zh) | 一种使用激光雷达对电力线锁线跟踪处理的方法和*** | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
CN108520255B (zh) | 一种红外弱小目标检测方法及装置 | |
CN111367901A (zh) | 一种船舶数据去噪方法 | |
KR20220101535A (ko) | 딥러닝 기반 온-디바이스 실시간 교통제어 시스템 | |
CN117115752A (zh) | 一种高速公路视频监控方法及*** | |
CN111784750A (zh) | 视频图像中移动物体追踪方法、装置、设备以及存储介质 | |
Secord et al. | Tree detection in aerial lidar and image data | |
CN115311580A (zh) | 基于图像识别的无人机威胁判定方法及相关设备 | |
CN108510517B (zh) | 一种自适应的视觉背景提取方法及装置 |
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 |