CN114330501B - 一种基于动态时间规整的轨迹样式识别方法及设备 - Google Patents
一种基于动态时间规整的轨迹样式识别方法及设备 Download PDFInfo
- Publication number
- CN114330501B CN114330501B CN202111453240.3A CN202111453240A CN114330501B CN 114330501 B CN114330501 B CN 114330501B CN 202111453240 A CN202111453240 A CN 202111453240A CN 114330501 B CN114330501 B CN 114330501B
- Authority
- CN
- China
- Prior art keywords
- point
- track
- points
- resampling
- scaling
- 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
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 14
- 238000012952 Resampling Methods 0.000 claims abstract description 46
- 238000003909 pattern recognition Methods 0.000 claims abstract description 16
- 230000005484 gravity Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种基于动态时间规整的轨迹样式识别方法及设备。所述方法包括:对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;将重采样点移动一个固定向量,使得移动后的点的重心位于原点;将移动后的点按指定方向旋转指定角度值,其中指定角度值为第一点的幅角值;对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内;将处理后的轨迹数据与模板库中的每一轨迹进行DTW算法比较,选取DTW距离最小的模板作为其轨迹样式。本发明可以实现对二维轨迹的样式识别。
Description
技术领域
本发明属于模式识别领域,具体涉及一种基于动态时间规整的轨迹样式识别方法及设备,用于对各类轨迹进行样式识别。
背景技术
无论是战场上对敌军运动轨迹的样式判别,还是对动态手势的识别,都可以归类为对轨迹样式的识别问题。传统动态时间规整(Dynamic Time Warping)算法常应用于对语音信号的样式识别中,当应用在轨迹识别中时,由于数据由一维变为二维,缺乏对数据的预处理过程,算法对轨迹的初始位置及速度变得敏感,从而导致算法应用困难,对轨迹样式的样式识别不准确。
发明内容
发明目的:针对现有轨迹样式识别方法的不足,本发明提出了一种基于动态时间规整的轨迹样式识别方法,可应用于对各类二维轨迹进行样式识别。
本发明的另一目的是提供一种基于动态时间规整的轨迹样式识别设备。
技术方案:第一方面,一种基于动态时间规整的轨迹样式识别方法,包括以下步骤:
对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;
将重采样点移动一个固定向量,使得移动后的点的重心位于原点;
将移动后的点按指定方向旋转指定角度值;
对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内;
将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算,选取DTW距离符合指定要求的模板作为轨迹样式。
进一步地,将移动后的点按指定方向旋转指定角度值包括:将移动后的点顺时针方向旋转指定角度值。
进一步地,所述指定角度值为第一点的幅角值θ,旋转后的点ri=(xri,yri),i=1,2,3…,M为:
mi=(xmi,ymi)为移动后的点。
进一步地,对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内包括:
对旋转后的点ri=(xri,yri),i=1,2,3…,M,由下式求x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri}
sizeY=max{yri}-min{yri}
再求得两跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY}
根据比例对所有点ri进行缩放:
所得的点li=(xli,yli),i=1,2,3…,M满足均在指定大小正方形内,2B为正方形的边长。
进一步地,将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算包括:
令ti=(xti,yti),i=1,2,3…,M为模板库内任一模板轨迹数据,lj=(xlj,ylj),j=1,2,3…,M为经过缩放后在指定大小正方形内的轨迹点,计算点ti与点lj之间的欧式距离dij,由dij构成两轨迹的距离矩阵D=[dij]M×M,根据距离矩阵D获取从d11到dMM的最短路径的加权距离,为DTW距离。
第二方面,提供一种基于动态时间规整的轨迹样式识别设备,包括:
重采样模块,用于对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;
坐标偏移模块,用于将重采样点移动一个固定向量,使得移动后的点的重心位于原点;
旋转模块,用于将移动后的点按指定方向旋转指定角度值;
缩放模块,用于对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内;
轨迹样式识别模块,用于将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算,选取DTW距离符合指定要求的模板作为轨迹样式。
进一步地,坐标偏移模块将重采样点移动一个固定向量时,该固定向量为p=-c,c为重采样点的中心位置c=(xc,yc),令重采样后的点为si=(xsi,ysi),i=1,2,3…,M,M为重采样后的点数,则
进一步地,缩放模块包括:
跨度计算单元,用于对旋转后的点ri=(xri,yri),i=1,2,3…,M,根据下式计算x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri}
sizeY=max{yri}-min{yri}
比例确定单元,用于获取x和y方向上的坐标跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY}
缩放单元,用于根据缩放比例以及预定的正方形大小对所有点ri进行缩放:
所得的点li=(xli,yli),i=1,2,3…,M满足均在指定大小正方形内,其中2B为正方形的边长。
第三方面,提供一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如本发明第一方面所述的基于动态时间规整的轨迹样式识别方法。
有益效果:本发明针对已知的二维轨迹信息进行包括重采样、坐标偏移、旋转、缩放的预处理,进而将预处理过后的轨迹信息与模板库内的各个模板轨迹计算DTW距离,根据DTW距离选取模板轨迹作为其轨迹样式。仿真结果表明,本发明方法能够对不同轨迹进行样式识别,且在轨迹坐标存在误差条件下方法仍然具有很好的识别性能。
附图说明
图1为本发明的轨迹样式识别方法处理流程图;
图2为本发明提供的识别方法识别准确率随数据误差率的变化图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明适用于对二维轨迹数据进行轨迹样式判断。识别方法的总体流程如图1所示,具体包括以下步骤:
步骤1)对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等。
假设依时间变化的原始二维轨迹数据随时间为xi=(xi,yi),i=1,2,3…,N,N为轨迹点总数。考虑到原始轨迹数据会因速度不同导致轨迹点分布不均匀,首先对所有轨迹点进行重采样,使得对所有重采样点都满足:相邻两重采样点沿轨迹距离均相等。这里采用M点重采样,重采样后的点为si=(xsi,ysi),i=1,2,3…,M。
步骤2)将所有重采样点都移动一个固定向量,使得移动后的所有点的重心位于原点。
具体而言,对所有重采样点,可以求得其中心位置c=(xc,yc)如下:
将所有重采样点si,均移动一个向量p=-c,即mi=si+p=s-c,i=1,2,3…,M;移动后的点mi=(xmi,ymi),i=1,2,3…,M满足重心位于原点位置。
步骤3)将移动后的所有点顺时针旋转θ角,其中θ角为第一点m1的幅角值。
对第一点m1由:
θ=arg(m1) (3)
则有旋转矩阵A满足下式:
则旋转后的点ri=(xri,yri),i=1,2,3…,M可由下式求得:
上述步骤使得旋转后的点满足第一点r1位于X轴正轴上。
步骤4)将旋转后的所有点进行缩放,使得缩放后的点都能满足xi,yi∈[-B,B],其中B表示标准正方形半边长,即,使轨迹缩放至一固定大小的正方形内。
先由下式求x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri} (6)
sizeY=max{yri}-min{yri} (7)
进而求得两跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY} (8)
对所有点ri进行缩放:
求得的点li=(xli,yli),i=1,2,3…,M满足均在标准正方形内。
对轨迹样式的判断,与轨迹点是否分布均匀、轨迹是否有偏移、轨迹是否旋转了某个角度、轨迹实际范围无关。针对实际情况中可能产生的上述问题,通过步骤1)至步骤4)的处理,使得轨迹数据分布均匀、无偏移、无旋转、覆盖范围相同。至此,轨迹数据与模板轨迹数据有了可比较性。
步骤5)将处理后的轨迹数据与模板库中的每一轨迹进行DTW距离比较,选取DTW距离最小的模板作为其轨迹样式。
其中模板库内每一模板轨迹数据均满足下列要求:
a、为M点轨迹,相邻两点距离相等;
b、所有轨迹点均在标准正方形内;
c、起始点位于X轴正轴上;
d、重心位于原点处。
记ti=(xti,yti),i=1,2,3…,M为模板库内任一模板轨迹数据。将DTW距离作为描述两轨迹相似性的指标。D=[dij]M×M为两轨迹的距离矩阵,其中:
其中i1=j1=1,ik=jk=M,in+1=in+1或in,jn+1=jn+1或jn。
采用贪心算法计算此距离。假定当前路径点位于dij,当前加权距离为dist,则路径的下一点为di+1,j,di,j+1,di+1,j+1三点中的一个,对应的距离增量分别为di+1,j,di,j+1,di+1,j+1,选取三点内距离增量小的作为路径的下一点。对此过程不断循环,最终求得两轨迹之间的DTW距离,该距离越小,表示两轨迹越相似。
将预处理过后的轨迹数据li=(xli,yli),i=1,2,3…,M与模板库内每一模板的轨迹数据进行DTW距离计算,选取DTW距离最小的模板作为该轨迹的样式。
上面描述了本发明所提轨迹识别方法的实施步骤,为了验证该方法的有效性,下面通过仿真试验进行说明。试验中令重采样点数M=64,标准正方形半边长B=500。识别中使用的轨迹样式模板库由11种轨迹构成,其信息如表1所示。仿真数据集由6000个带有样式标记的随机产生的带有误差的轨迹数据构成。
表1轨迹样式模板库信息
可以认为当方法识别的轨迹样式标记与轨迹原样式标记相等时,识别结果是正确的。仿真中坐标误差率指某一坐标轴上误差值与坐标值的比值绝对值。图2给出在上述仿真条件下,在每一种坐标误差率下,对6000个随机产生的带有误差的轨迹数据进行识别轨迹样式识别得出的算法识别准确率随数据的坐标误差率的变化图。
表2给出了对模板库中的11种轨迹,分别在误差服从[0,100]的均匀分布或误差服从标准差为100的高斯分布两种情况下,对1000个随机产生的轨迹数据进行样式识别的识别准确率。
表2各样式识别准确率
序号 | 轨迹样式名称 | 均匀分布 | 高斯分布 |
1 | 圆1 | 0.895 | 0.819 |
2 | 圆2 | 0.894 | 0.836 |
3 | 椭圆1 | 0.982 | 0.973 |
4 | 椭圆2 | 0.988 | 0.977 |
5 | 椭圆3 | 0.976 | 0.968 |
6 | 椭圆4 | 0.982 | 0.979 |
7 | 抛物线1 | 0.985 | 0.983 |
8 | 抛物线2 | 0.983 | 0.971 |
9 | S型1 | 0.992 | 0.982 |
10 | S型2 | 0.986 | 0.972 |
11 | 直线 | 0.992 | 0.985 |
可以看出,本发明的方法能够对不同轨迹进行样式识别,且在轨迹坐标存在误差条件下方法仍然具有很好的识别性能。
根据本发明的另一实施例,提供一种基于动态时间规整的轨迹样式识别设备,包括:
重采样模块,用于对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;
坐标偏移模块,用于将重采样点移动一个固定向量,使得移动后的点的重心位于原点;
旋转模块,用于将移动后的点按指定方向旋转指定角度值;
缩放模块,用于对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内;
轨迹样式识别模块,用于将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算,选取DTW距离符合指定要求的模板作为轨迹样式。
进一步地,缩放模块包括:
跨度计算单元,用于对旋转后的点ri=(xri,yri),i=1,2,3…,M,根据下式计算x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri}
sizeY=max{yri}-min{yri}
比例确定单元,用于获取x和y方向上的坐标跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY}
缩放单元,用于根据缩放比例以及预定的正方形大小对所有点ri进行缩放:
所得的点li=(xli,yli),i=1,2,3…,M满足均在指定大小正方形内,其中2B为正方形的边长。
应当理解,本实施例中提供的基于动态时间规整的轨迹样式识别设备可以实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、设备、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于动态时间规整的轨迹样式识别方法,其特征在于,包括以下步骤:
对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;
将重采样点移动一个固定向量,使得移动后的点的重心位于原点;
将移动后的点按指定方向旋转指定角度值;
对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内,包括:
对旋转后的点ri=(xri,yri),i=1,2,3...,M,由下式求x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri}
sizeY=max{yri}-min{yri}
再求得两跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY}
根据比例对所有点ri进行缩放:
所得的点li=(xli,yli),i=1,2,3...,M满足均在指定大小正方形内,2B为正方形的边长;
将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算,选取DTW距离符合指定要求的模板作为轨迹样式,其中DTW距离计算方法如下:令ti=(xti,yti),i=1,2,3...,M为模板库内任一模板轨迹数据,lj=(xlj,ylj),j=1,2,3...,M为经过缩放后在指定大小正方形内的轨迹点,计算点ti与点lj之间的欧式距离dij,由dij构成两轨迹的距离矩阵D=[dij]M×M,根据距离矩阵D获取从d11到dMM的最短路径的加权距离,为DTW距离。
3.根据权利要求1所述的基于动态时间规整的轨迹样式识别方法,其特征在于,将移动后的点按指定方向旋转指定角度值包括:将移动后的点顺时针方向旋转指定角度值。
5.一种基于动态时间规整的轨迹样式识别设备,其特征在于,包括:
重采样模块,用于对给定的轨迹点进行均匀的重采样获得重采样点,使得每连续两点之间沿轨迹距离相等;
坐标偏移模块,用于将重采样点移动一个固定向量,使得移动后的点的重心位于原点;
旋转模块,用于将移动后的点按指定方向旋转指定角度值;
缩放模块,用于对旋转后的点进行缩放,使得缩放后的点位于指定大小的正方形内,所述缩放模块包括:
跨度计算单元,用于对旋转后的点ri=(xri,yri),i=1,2,3...,M,根据下式计算x和y方向上的坐标跨度:
sizeX=max{xri}-min{xri}
sizeY=max{yri}-min{yri}
比例确定单元,用于获取x和y方向上的坐标跨度中的较大值,作为缩放的比例:
size=max{sizeX,sizeY}
缩放单元,用于根据缩放比例以及预定的正方形大小对所有点ri进行缩放:
所得的点li=(xli,yli),i=1,2,3...,M满足均在指定大小正方形内,其中2B为正方形的边长;
轨迹样式识别模块,用于将处理后的轨迹数据与模板库中的每一模板轨迹进行DTW距离计算,选取DTW距离符合指定要求的模板作为轨迹样式,其中DTW距离计算方法如下:令ti=(xti,yti),i=1,2,3...,M为模板库内任一模板轨迹数据,lj=(xlj,ylj),j=1,2,3...,M为经过缩放后在指定大小正方形内的轨迹点,计算点ti与点lj之间的欧式距离dij,由dij构成两轨迹的距离矩阵D=[dij]M×M,根据距离矩阵D获取从d11到dMM的最短路径的加权距离,为DTW距离。
7.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-4中的任一项所述的基于动态时间规整的轨迹样式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453240.3A CN114330501B (zh) | 2021-12-01 | 2021-12-01 | 一种基于动态时间规整的轨迹样式识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453240.3A CN114330501B (zh) | 2021-12-01 | 2021-12-01 | 一种基于动态时间规整的轨迹样式识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330501A CN114330501A (zh) | 2022-04-12 |
CN114330501B true CN114330501B (zh) | 2022-08-05 |
Family
ID=81048738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453240.3A Active CN114330501B (zh) | 2021-12-01 | 2021-12-01 | 一种基于动态时间规整的轨迹样式识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330501B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115460552A (zh) * | 2022-09-05 | 2022-12-09 | 杭州数澜科技有限公司 | 基于信令轨迹查找目标用户的方法、***和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN102184551A (zh) * | 2011-05-10 | 2011-09-14 | 东北大学 | 结合多种特征匹配和粒子滤波的目标自动跟踪方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477619B (zh) * | 2008-12-26 | 2012-05-23 | 北京航空航天大学 | 基于dtw曲线的运动数据动作分类方法 |
CN103455262A (zh) * | 2012-05-30 | 2013-12-18 | 中兴通讯股份有限公司 | 一种基于移动计算平台的笔式交互方法及*** |
US11531087B2 (en) * | 2015-07-17 | 2022-12-20 | Origin Wireless, Inc. | Method, apparatus, and system for fall-down detection based on a wireless signal |
CN111240485A (zh) * | 2020-01-14 | 2020-06-05 | 浙江大学宁波理工学院 | 基于Kinect骨骼信息的篮球裁判手势识别的方法 |
-
2021
- 2021-12-01 CN CN202111453240.3A patent/CN114330501B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN102184551A (zh) * | 2011-05-10 | 2011-09-14 | 东北大学 | 结合多种特征匹配和粒子滤波的目标自动跟踪方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114330501A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330501B (zh) | 一种基于动态时间规整的轨迹样式识别方法及设备 | |
CN102708382B (zh) | 一种基于变处理窗口和变坐标系的多目标跟踪方法 | |
CN113253717B (zh) | 一种基于动态障碍物的室内移动机器人局部路径规划方法 | |
CN110333480B (zh) | 一种基于聚类的单无人机多目标aoa定位方法 | |
CN111433780A (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
CN107271957A (zh) | 基于tdoa和toa的室内三维定位方法 | |
CN109711503A (zh) | 一种机器人定位方法及装置 | |
CN108725437A (zh) | 一种自动停车入库方法和装置 | |
CN110111356B (zh) | 运动旋转物体的转动轴方向与转动角速度解算方法 | |
CN107480710B (zh) | 特征点匹配结果处理方法和装置 | |
CN112904424B (zh) | 一种异常***置的确定方法、装置及可读存储介质 | |
CN111148023B (zh) | 基于多个uwb标签的定位方法及装置 | |
CN103837135A (zh) | 工件检测方法及其*** | |
Sun et al. | An improvement of pose measurement method using global control points calibration | |
CN108828509B (zh) | 一种多平台多辐射源承载关系判定方法 | |
CN107516007B (zh) | 一种气团停留时长计算方法 | |
CN114994705A (zh) | 一种基于激光雷达角度校正的无人艇避障方法 | |
EP2631813A1 (en) | Method and device for eliminating cracks within page | |
CN111398896B (zh) | 基于基准线成对交叉定位点距离的虚假点去除预处理方法 | |
CN110705479A (zh) | 模型训练方法和目标识别方法、装置、设备及介质 | |
CN106646490B (zh) | 一种快速的多子图关联航向角估计方法 | |
CN112394415B (zh) | 海底节点水平方位角的确定方法及装置 | |
CN112802120B (zh) | 基于非均匀分割累加表和正交消隐点的相机外参标定方法 | |
Kawtikwar et al. | Multi-target tracking with gpu-accelerated data association engine | |
CN116309533A (zh) | 模板结构件的轮廓获取方法及***、电子设备、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 |