CN114004977A - 一种基于深度学习的航拍数据目标定位方法及*** - Google Patents
一种基于深度学习的航拍数据目标定位方法及*** Download PDFInfo
- Publication number
- CN114004977A CN114004977A CN202111244030.3A CN202111244030A CN114004977A CN 114004977 A CN114004977 A CN 114004977A CN 202111244030 A CN202111244030 A CN 202111244030A CN 114004977 A CN114004977 A CN 114004977A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- aerial photography
- data
- deep learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000036544 posture Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及航空***图像处理与目标检测领域,尤其涉及一种基于深度学习的目标定位方法及***。本发明提出的一种基于深度学习的目标定位方法,包括如下步骤:S1.获取航拍数据,对航拍数据进行预处理;S2.将航拍数据输入预先训练好的神经网络中;输出目标种类以及目标位置;S3.获取机体方位信息、图像拍摄信息以及目标位置;通过机体方位信息、图像拍摄信息以及目标位置计算得到目标定位信息。本发明提出的方法其鲁棒性能好;同时,在高空航拍环境下对微、弱、小、不明显目标的检出准确率高,检出速度快;并且,本方法考虑了无人机的不同姿态对航拍的定位的影响,可以有效的提升目标定位的精度。
Description
技术领域
本发明涉及航空***图像处理与目标检测领域,尤其涉及一种基于深度学习的目标定位方法及***。
背景技术
随着无人机图像侦察技术的发展,利用侦察设备可以获得大量的高空航拍的地面光学图像、光电视频等信息,通过精确的航拍目标检测算法能够对地面目标进行准确的识别与定位,该技术在诸多领域,如海洋漏油检测、灾后搜救、农作物病虫害检测等领域都有巨大的应用价值。
在高空探测环境下,受到光照角度和强度、拍摄硬件、云雾遮挡、机载平台飞行速度等影响,舰船、车辆或者其他感兴趣目标在所拍摄的图像中常常具有微小、不明显、易混淆等特性,不适用去噪、分割、特征提取等图像预处理方法。现有的目标检测及定位方法在自动检出速率及准确率方面存在一些弊端,其鲁棒性较弱,算法时间复杂度高,目标识别、定位效率较低。
发明内容
本发明的目的在于:针对现有技术中传统的目标检测及定位方法其自动检出速率不高,准确率低的问题,提供一种基于深度学习的航拍数据目标定位方法及***
本发明第一方面提供一种基于深度学习的航拍数据目标定位方法,包括如下步骤:
S1.获取航拍数据,对航拍数据进行预处理;
S2.将航拍数据输入预先训练好的神经网络中;输出目标种类以及目标位置;
S3.获取机体方位信息、图像拍摄信息以及目标位置;通过机体方位信息、图像拍摄信息以及目标位置计算得到目标定位信息。
机体方位信息用于表征无人机拍摄当前航拍数据时,机体的姿态、位置,可以从机体的惯导***中直接获取;图像拍摄信息用于表征机体拍摄当前航拍数据时拍摄设备的姿态、位置,可以从拍摄设备直接获取。
进一步的是,所述机体方位信息包括:机体轴向与中心线夹角a、中心线与垂直方向夹角b、无人机飞行高度H、机体轴向与正北方向夹角ψ;
所述图像拍摄信息包括:图像中心点沿飞机机头方向偏移距离Lθ,图像中心点沿飞机机翼方向偏移距离Lφ;
当目标位于图片的一/四象限时,通过:
计算得到目标定位信息,当目标位于图片的在二/三象限时,通过:
计算得到目标定位信息;
Xox为原图像中心点经度坐标,Xoy为原图像中心点纬度坐标;X'ox为飞机姿态影响下图像中心点的经度坐标,X'oy为飞机姿态影响下图像中心点的纬度坐标;
X"ox为目标经度坐标,X"oy为目标纬度坐标;运算符“ ̄”的含义为:在计算出沿经线和纬线的距离后,利用经纬度与地面距离的关系求出该距离情况下的经纬度差。
进一步的是,所述预处理包括:使用大尺度图像分割方法,将原始图像分割成若干子图。
进一步的是,所述神经网络包括:CSP特征提取模块、空间金字塔池化模块、特征金字塔融合模块以及检测输出模块。
进一步的是,所述神经网络的训练步骤包括:
S51.获取航拍数据;
S52.使用矩形框在航拍数据中标出目标,使用文档标出目标类型以及目标左上角和右下角相对坐标,得到训练样本;
S53.将所述训练样本输入所述神经网络,对所述神经网络进行训练,当所述神经网络的损失函数的结果收敛时,所述神经网络的训练完成。
进一步的是,当所述训练样本数量不足时,通过数据增强扩充方法提升训练样本数量;所述数据增强扩充方法包括:随机嵌入算法、随机尺度缩放算法或马赛克训练算法。
本发明第二方面提供一种基于深度学习的航拍数据目标定位***,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器:所述存储器存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器可以执行上述基于深度学习的航拍数据目标定位方法。
本发明第三方面提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行以实现上述一种基于深度学习的航拍数据目标定位方法。
本发明第四方面提供一种无人机,包括上述一种基于深度学习的航拍数据目标定位***。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明提出方法其鲁棒性能好;同时,在高空航拍环境下对微、弱、小、不明显目标的检出准确率高,检出速度快;
2、本发明提出的方法,其考虑了无人机的不同姿态对航拍的定位的影响,因而其目标定位精度高;
3、本发明提出的方法,可以通过数据扩充增强的方式,生成对神经网络的训练样本;在实际使用中,可以有效的解决航拍素材较少,神经网络训练样本不足的情况;
4、本发明提出的方法,其针对无人机航拍的大尺度图像,将航拍的大尺度图像分割成若干子图片,可以进一步提升目标识别的效率。
附图说明
图1是本发明示例性实施例提出的一种基于深度学习的航拍数据目标定位方法整体流程图;
图2是本发明示例性实施例提供的神经网络的结构示意图;
图3a是无人机在航拍工作时的垂直投影示意图;
图3b是无人机在航拍工作时的一种角度的示意图;
图3c是无人机在航拍工作时的另一种角度的示意图;
图4是本发明示例性实施例中飞机方位示意图;
图5为本发明示例性实施例中使用本发明所提出的方法得到的数据图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,一种基于深度学习的航拍数据目标定位方法,包括如下步骤:
S1.获取航拍数据,对航拍数据进行预处理;
S2.将航拍数据输入预先训练好的神经网络中;输出目标种类以及目标位置;
S3.获取机体方位信息、图像拍摄信息以及目标位置;通过机体方位信息、图像拍摄信息以及目标位置计算得到目标定位信息。
进一步的是,航拍数据可以为图片数据和\或视频数据。
机体方位信息用于表征无人机拍摄当前航拍数据时,机体的姿态、位置,可以从机体的惯导***中直接获取;图像拍摄信息用于表征机体拍摄当前航拍数据时拍摄设备的姿态、位置,可以从拍摄设备直接获取;从机体的惯导***中直接获取机体方位信息与从拍摄设备直接获取图像拍摄信息均为现有技术在此不再赘述。
在实际使用中,因为无人机的巡航高度通常较高,因此其拍摄的航拍数据尺度通常比较大,因次本发明的预处理采用大尺度图像分割方法以及分块检测合并策略,构造N×N图像窗口(如800×800像素),将无人机拍摄的原始图像分割为若干子图,用于模型的训练以及目标的检测,在检测阶段将若干子图的检测结果映射回原始图像,就可以实现对大尺度图像的快速检测与识别;在图像分割时,为防止目标被分割从而影响后续目标识别的精度;本实施例使用20%的交叠区域对大尺度图像进行分割。
具体的,如图2所示,本实施所使用的神经网络结构为CSPdarknet53的YOLOv4网络,包括:CSP特征提取模块、空间金字塔池化模块、特征金字塔融合模块以及检测输出模块。在使用中通过修改神经对抗网络的.cfg文件,就可以对网络进行参数调整,调整训练迭代次数、学习率、batch参数。
首先,图像传入神经网络模型,通过CSP模块提取图像初始高维特征;其次,将初始高维特征输入空间金字塔池化模型,生成池化高维特征,提升神经网络对图像的空间特征提取能力;之后,采用路径聚合网络的特征金字塔融合模块,将池化高维特征与初始高维特征进行融合,采用上采样方式统一特征维度,生成融合特征;最后,将不同尺度的融合特征,输入检测输出模块,生成目标的定位和分类信息。
如图3a、如图3b、如图3c所示,无人机在实际飞行中,无人机的飞行姿态以及无人机的飞行高度,均会对无人机拍摄的航拍数据产生影响,从而影响对目标的定位;因此需要通过机体方位信息、图像拍摄信息对目标位置进行矫正,从而获得真实的目标定位信息(经纬度)。
所述机体方位信息包括:机体轴向与中心线夹角a、中心线与垂直方向夹角b、无人机飞行高度H、机体轴向与正北方向夹角ψ;
所述图像拍摄信息包括:图像中心点沿飞机机头方向偏移距离Lθ,图像中心点沿飞机机翼方向偏移距离Lφ;
在图3a中,黑色箭头为机体的轴向,无人机在进行图像扫描时,扫面的图像垂直于机体轴向,因此实际扫面得到的图像为图中与机体轴垂直的虚线(因为飞机存在俯仰角与横滚角,因此在垂直投影的图示中二者并不垂直)。
参见图3b与图3c,可得
当目标位于图片的一/四象限时,通过:
计算得到目标定位信息,当目标位于图片的在二/三象限时,通过:
计算得到目标定位信息;
Xox为原图像中心点经度坐标,Xoy为原图像中心点纬度坐标;X'ox为飞机姿态影响下图像中心点的经度坐标,X'oy为飞机姿态影响下图像中心点的纬度坐标;
X"ox为目标经度坐标,X"oy为目标纬度坐标;运算符“ ̄”的含义为:在计算出沿经线和纬线的距离后,利用经纬度与地面距离的关系求出该距离情况下的经纬度差。
在实际使用时,可以以图片拍摄中心点为坐标轴原点,图片中地理上的正东方向为x轴正方向、图片中地理上的正北方向为y轴正方向,建立坐标系,逆时针顺序确定一、二、三、四象限。图片中地理上的正东方向与正北方向均可在图片拍摄时由无人机上的惯导***确定,为现有技术在此不在赘述。
进一步的是,所述神经网络的训练步骤包括:
S51.获取航拍数据;
S52.使用矩形框在航拍数据中标出目标,使用文档标出目标类型以及目标左上角和右下角在图片中的相对坐标,得到训练样本;
S53.将所述训练样本输入所述神经网络,对所述神经网络进行训练,当所述神经网络的损失函数的结果收敛时,所述神经网络的训练完成。
具体的,在本实施例中可以使用labelImg软件在航拍数据上标注矩形框以及目标类型,提取出目标左上角和右下角相对坐标P(x1,y1,x2,y2)。
在实际使用时,当所述训练样本数量不足时,可以通过数据增强扩充方法提升训练样本数量;所述数据增强扩充方法包括:随机嵌入算法、随机尺度缩放算法或马赛克训练算法。同时,对神经网络训练所使用的航拍数据可以为包括不同目标物体的地面或者海面图像、视屏等数据,其涵盖不同地理环境、气候和时间段。
其中,随机嵌入算法,可以将生成的目标数据随机嵌入原始背景图像中,构造新数据训练集;随机尺度缩放,和尺度聚类可以提高神经网络的尺度适应性,可以模型的训练效率以及泛化性能。
本实施例第二方面提供一种基于深度学习的航拍数据目标定位***,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器:所述存储器存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器可以执行上述基于深度学习的航拍数据目标定位方法。
本实施例第三方面提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行以实现上述一种基于深度学习的航拍数据目标定位方法。
本实施例第四方面提供一种无人机,包括上述一种基于深度学习的航拍数据目标定位***。
具体的,使用本发明检出的目标包括但不限于:体育场、公园、船舶、工厂、车站、农场、收费站、机场、地标建筑、车辆等民用领域,也适用于坦克、装甲车辆、舰船、军事建筑等军事领域;具体的目标检出需求可以通过实际的使用需求、使用场景进行调整;通过调整训练样本,以及对应神经网络结构参数,就可以实现对检出目标的调整。例如,在森林消防作业使用时,就可以调整训练样本,同时对应调整神经网络结构,使得可以检出森林火点,用于指导森林消防作业。
实施例2
本实施例提供一种基于深度学习的航拍定位***,可以包括:原始数据管理模块:用于收集管理用于模型训练的图像视频等航拍数据,实现存储、查询、访问、提取功能,可以支持.jpg、.png、.tif、.avi、.mp4、.tfw、.xml等格式的文件;数据增强与扩充模块:用于数据增强扩充图像视频等航拍数据;数据处理与特征提取模块:用于数据解析、预处理,辅助网络训练实现特征提取;特征数据管理模块:用于存储和管理模型训练的特征模型数据;模型训练模块:用于构建深度学习的网络层和训练优化;目标识别与检出模块:用于特征数据及深度卷积神经网络完成目标识别和定位并可视化。
实施例3
为测试本发明的实际效果,通过谷歌地图模拟软件进行测试。其中无人机的姿态如图4所示;无人机的参数信息如图5所示。设定无人机纬度:30.63080924,无人机经度:104.08204021,航向为北偏东10°,俯仰角为垂直5°,横滚角0°,巡航高度3000米;选定某大学田径体育场为检出目标,利用相关工具导出航拍图像以及机体方位信息、图像拍摄信息;其中导出的航拍图像的像素为1280*720,目标中心像素为(649,463),宽高为44*71像素;实用本发明所提出的方法计算得出,像中心点经纬度结果为:纬度30.63013788、经度104.08251741,根据目标位置判定,确定目标为象限划分的第四象限,其目标经纬度计算结果为:纬度30.63013761,经度104.08251731。根据谷歌地图实际测算结果,目标真实经纬度信息为:纬度30.63063889,经度104.08231111。其对应的真实世界误差范围中,其直线距离约为59m。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的航拍数据目标定位方法,其特征在于,包括如下步骤:
S1.获取航拍数据,对航拍数据进行预处理;
S2.将航拍数据输入预先训练好的神经网络中;输出目标种类以及目标位置;
S3.获取机体方位信息、图像拍摄信息;通过机体方位信息、图像拍摄信息以及目标位置计算得到目标定位信息;
所述机体方位信息包括:机体轴向与中心线夹角a、中心线与垂直方向夹角b、无人机飞行高度H、机体轴向与正北方向夹角ψ;
所述图像拍摄信息包括:图像中心点沿飞机机头方向偏移距离Lθ,图像中心点沿飞机机翼方向偏移距离Lφ;
所述神经网络为CSPdarknet53结构的YOLOv4网络。
3.根据权利要求2所述的一种基于深度学习的航拍数据目标定位方法,其特征在于,所述预处理包括:使用大尺度图像分割方法,将所述航拍数据中的原始图像分割成若干子图。
4.根据权利要求2所述的一种基于深度学习的航拍数据目标定位方法,其特征在于,所述神经网络包括:CSP特征提取模块、空间金字塔池化模块、特征金字塔融合模块以及检测输出模块;
所述CSP特征提取模块用于提取图像初始高维特征,并将初始高维特征输入空间金字塔池化模块;空间金字塔池化模块用于生成池化高维特征,同时提升神经网络对图像的空间特征提取能力;所述特征金字塔融合模块采用路径聚合网络构成,用于将池化高维特征与初始高维特征进行融合,采用上采样方式统一特征维度,生成不同尺度的融合特征,并将不同尺度的融合特征,输入检测输出模块;所述检测输出模块用于通过不同尺度的融合特征生成目标的定位和分类信息。
5.根据权利要求1至5任意一项所述的一种基于深度学习的航拍数据目标定位方法,其特征在于,所述神经网络的训练步骤包括:
S51.获取航拍数据;
S52.使用矩形框在航拍数据中标出目标,使用文档标出目标类型以及目标左上角和右下角相对坐标,得到训练样本;
S53.将所述训练样本输入所述神经网络,对所述神经网络进行训练,当所述神经网络的损失函数的结果收敛时,所述神经网络的训练完成。
6.根据权利要求5所述的一种基于深度学习的航拍数据目标定位方法,其特征在于,当所述训练样本数量不足时,通过数据增强扩充方法提升训练样本数量;所述数据增强扩充方法包括:随机嵌入算法、随机尺度缩放算法或马赛克训练算法。
7.一种基于深度学习的航拍数据目标定位***,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器:所述存储器存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器可以执行权利要求1-6任意一项所述的方法。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行以实现权利要求1-6任意一项所述的基于深度学习的航拍数据目标定位方法。
9.一种无人机,其特征在于,包括权利要求7所述的一种基于深度学习的航拍数据目标定位***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244030.3A CN114004977A (zh) | 2021-10-25 | 2021-10-25 | 一种基于深度学习的航拍数据目标定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244030.3A CN114004977A (zh) | 2021-10-25 | 2021-10-25 | 一种基于深度学习的航拍数据目标定位方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004977A true CN114004977A (zh) | 2022-02-01 |
Family
ID=79923985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244030.3A Pending CN114004977A (zh) | 2021-10-25 | 2021-10-25 | 一种基于深度学习的航拍数据目标定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004977A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346109A (zh) * | 2022-08-02 | 2022-11-15 | 北京新岳纵横科技有限公司 | 一种基于iou策略的增强样本生成方法 |
CN115376022A (zh) * | 2022-06-30 | 2022-11-22 | 广东工业大学 | 基于神经网络的小目标检测算法在无人机航拍中的应用 |
CN116152635A (zh) * | 2023-01-30 | 2023-05-23 | 中国人民解放军96901部队 | 一种基于区块链的无人飞行器联合航拍信息共享方法 |
CN116188470A (zh) * | 2023-04-28 | 2023-05-30 | 成都航空职业技术学院 | 一种基于无人机航拍识别的故障定位方法和*** |
CN116543619A (zh) * | 2023-07-04 | 2023-08-04 | 中国科学院长春光学精密机械与物理研究所 | 无人机光电吊舱模拟训练*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180152870A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Method and apparatus for applying millimeter wave-based mobile communication technology to unmanned aerial vehicle, operation method of unmanned aerial vehicle using the same, and communication method using the same |
CN110542407A (zh) * | 2019-07-23 | 2019-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种航拍图像任意像素点定位信息获取方法 |
CN111461014A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于深度学习的天线姿态参数检测方法、装置及存储介质 |
CN112183236A (zh) * | 2020-09-10 | 2021-01-05 | 佛山聚卓科技有限公司 | 无人机航拍视频内容识别方法、装置及*** |
-
2021
- 2021-10-25 CN CN202111244030.3A patent/CN114004977A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180152870A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Method and apparatus for applying millimeter wave-based mobile communication technology to unmanned aerial vehicle, operation method of unmanned aerial vehicle using the same, and communication method using the same |
CN110542407A (zh) * | 2019-07-23 | 2019-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种航拍图像任意像素点定位信息获取方法 |
CN111461014A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于深度学习的天线姿态参数检测方法、装置及存储介质 |
CN112183236A (zh) * | 2020-09-10 | 2021-01-05 | 佛山聚卓科技有限公司 | 无人机航拍视频内容识别方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
MASSIMILIANO MOLINARI 等: "Vertical Measurements in Oblique Aerial Imagery", 《ISPRS INT. J. GEO-INF》, 14 July 2014 (2014-07-14), pages 914 - 928 * |
张周贤 等: "雷达侦察型无人机任务载荷校准技术研究", 《舰船电子对抗》, 25 June 2021 (2021-06-25), pages 11 - 15 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376022A (zh) * | 2022-06-30 | 2022-11-22 | 广东工业大学 | 基于神经网络的小目标检测算法在无人机航拍中的应用 |
CN115376022B (zh) * | 2022-06-30 | 2024-04-05 | 广东工业大学 | 基于神经网络的小目标检测算法在无人机航拍中的应用 |
CN115346109A (zh) * | 2022-08-02 | 2022-11-15 | 北京新岳纵横科技有限公司 | 一种基于iou策略的增强样本生成方法 |
CN116152635A (zh) * | 2023-01-30 | 2023-05-23 | 中国人民解放军96901部队 | 一种基于区块链的无人飞行器联合航拍信息共享方法 |
CN116188470A (zh) * | 2023-04-28 | 2023-05-30 | 成都航空职业技术学院 | 一种基于无人机航拍识别的故障定位方法和*** |
CN116188470B (zh) * | 2023-04-28 | 2023-07-04 | 成都航空职业技术学院 | 一种基于无人机航拍识别的故障定位方法和*** |
CN116543619A (zh) * | 2023-07-04 | 2023-08-04 | 中国科学院长春光学精密机械与物理研究所 | 无人机光电吊舱模拟训练*** |
CN116543619B (zh) * | 2023-07-04 | 2023-08-29 | 中国科学院长春光学精密机械与物理研究所 | 无人机光电吊舱模拟训练*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767391B (zh) | 融合三维点云和二维图像的电网线路部件缺陷定位方法 | |
CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及*** | |
CN115439424B (zh) | 一种无人机航拍视频图像智能检测方法 | |
CN101598556B (zh) | 一种未知环境下无人机视觉/惯性组合导航方法 | |
US20160283774A1 (en) | Cloud feature detection | |
US8503730B2 (en) | System and method of extracting plane features | |
CN113850126A (zh) | 一种基于无人机的目标检测和三维定位方法和*** | |
CN110825101A (zh) | 一种基于深度卷积神经网络的无人机自主降落方法 | |
US20200357141A1 (en) | Systems and methods for calibrating an optical system of a movable object | |
CN112184812B (zh) | 提升无人机相机对AprilTag识别定位精度方法及定位方法和*** | |
CN109900274B (zh) | 一种图像匹配方法及*** | |
CN110930508A (zh) | 二维光电视频与三维场景融合方法 | |
CN111598952A (zh) | 一种多尺度合作靶标设计与在线检测识别方法及*** | |
CN115187798A (zh) | 一种多无人机高精度匹配定位方法 | |
EP4068210A1 (en) | System and method for automated estimation of 3d orientation of a physical asset | |
CN112700498A (zh) | 一种基于深度学习的风力发电机叶尖定位方法及*** | |
Kaufmann et al. | Shadow-based matching for precise and robust absolute self-localization during lunar landings | |
CN109764864B (zh) | 一种基于颜色识别的室内无人机位姿获取方法及*** | |
CN117523461B (zh) | 一种基于机载单目相机的运动目标跟踪与定位方法 | |
Marelli et al. | ENRICH: Multi-purposE dataset for beNchmaRking In Computer vision and pHotogrammetry | |
Kikuya et al. | Attitude determination algorithm using Earth sensor images and image recognition | |
WO2021141666A2 (en) | Unmanned vehicle navigation, and associated methods, systems, and computer-readable medium | |
CN116957360A (zh) | 一种基于无人机的空间观测与重建方法及*** | |
CN113436276B (zh) | 基于视觉相对定位的多无人机编队方法 | |
Chuanxiang et al. | Automatic detection of aerial survey ground control points based on Yolov5-OBB |
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 |