CN115729269B - 一种基于机器视觉的无人机智能识别*** - Google Patents
一种基于机器视觉的无人机智能识别*** Download PDFInfo
- Publication number
- CN115729269B CN115729269B CN202211683271.2A CN202211683271A CN115729269B CN 115729269 B CN115729269 B CN 115729269B CN 202211683271 A CN202211683271 A CN 202211683271A CN 115729269 B CN115729269 B CN 115729269B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- flight
- data
- target
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 28
- 238000007405 data analysis Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function 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
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于机器视觉的无人机智能识别***,用于提高无人机智能识别的准确率。所述方法包括:对交通识别飞行指令进行指令解析,得到目标检测线路和地面识别任务;调用图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成无人机返航飞行指令并将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于机器视觉的无人机智能识别***。
背景技术
随着无人机技术的高速发展,各式各样的无人机被制造出来用于满足不同的用户需求。各种带图像采集终端的飞行器被广泛应用,以执行各种地面检测工作。
但是,现有方案通常是由人工控制无人机对待检测道路进行巡检,人工在巡检过程中识别道路的车流量异常的区域,这种方式受人工经验的影响较大,而且这种地面检测不能实现智能化异常分析,导致现有方***率低。
发明内容
本发明提供了一种基于机器视觉的无人机智能识别***,用于提高无人机智能识别的准确率。
本发明第一方面提供了一种基于机器视觉的无人机智能识别方法,所述基于机器视觉的无人机智能识别方法包括:获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据;根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作;若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于机器视觉的无人机智能识别方法还包括:通过所述目标无人机接收所述交通识别飞行指令,并对所述目标无人机进行飞行环境分析,得到目标飞行环境数据;对所述目标飞行环境数据进行环境数据解析,得到环境数据解析结果;根据所述环境数据解析结果确定所述目标无人机的飞行状态;根据所述飞行状态判断所述目标无人机是否执行所述交通识别飞行指令,得到判断结果,其中,所述判断结果包括:执行和不执行。
结合第一方面,在本发明第一方面的第二实施方式中,所述获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据,包括:获取所述目标无人机在预设时段内的历史飞行路径,并对所述历史飞行路径进行路段分类,得到目标路段类型;基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据;根据所述飞行位置数据对所述目标检测线路进行路径更新,得到路径更新数据;根据所述路径更新数据计算所述目标无人机的剩余巡航时间,并根据所述路径更新数据和所述剩余巡航时间生成所述目标无人机的飞行参数数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据,包括:根据所述目标路段类型,对所述目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;根据所述目标定位关系映射模型,对所述目标无人机进行定位数据分析和计算,得到所述目标无人机对应的飞行位置数据。
结合第一方面,在本发明第一方面的第四实施方式中,所述根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作,包括:根据所述飞行参数数据,对所述目标无人机发送飞行重定位指令;根据所述飞行重定位指令和所述飞行参数数据,对所述目标无人机进行重定位操作,得到重定位数据;根据所述重定位数据,判断是否对所述目标无人机执行返航操作。
结合第一方面,在本发明第一方面的第五实施方式中,所述若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,包括:若是,则根据所述重定位数据生成无人机返航飞行指令;根据所述无人机返航飞行指令对所述地面图像数据进行数据分包,得到所述地面图像数据对应的多个图像数据包;分别将所述多个图像数据包传输至预置的后台智能识别模型,并通过所述后台智能识别模型对所述多个图像数据包进行数据包解析,得到所述地面图像数据;基于所述后台智能识别模型对所述地面图像数据进行道路交通流量识别,得到道路交通流量识别结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于机器视觉的无人机智能识别方法还包括:根据所述道路交通流量识别结果生成事故识别飞行指令,并将所述事故识别飞行指令发送至所述目标无人机;对所述事故识别飞行指令进行任务分析,得到事故位置标注任务;根据所述事故位置识别任务,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
本发明第二方面提供了一种基于机器视觉的无人机智能识别***,所述基于机器视觉的无人机智能识别***包括:
获取模块,用于获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;
解析模块,用于对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;
采集模块,用于调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;
计算模块,用于获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据;
重定位模块,用于根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作;
识别模块,用于若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
结合第二方面,在本发明第二方面的第一实施方式中,所述基于机器视觉的无人机智能识别***还包括:处理模块,用于通过所述目标无人机接收所述交通识别飞行指令,并对所述目标无人机进行飞行环境分析,得到目标飞行环境数据;对所述目标飞行环境数据进行环境数据解析,得到环境数据解析结果;根据所述环境数据解析结果确定所述目标无人机的飞行状态;根据所述飞行状态判断所述目标无人机是否执行所述交通识别飞行指令,得到判断结果,其中,所述判断结果包括:执行和不执行。
结合第二方面,在本发明第二方面的第二实施方式中,所述计算模块还包括:获取单元,用于获取所述目标无人机在预设时段内的历史飞行路径,并对所述历史飞行路径进行路段分类,得到目标路段类型;计算单元,用于基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据;更新单元,用于根据所述飞行位置数据对所述目标检测线路进行路径更新,得到路径更新数据;生成单元,用于根据所述路径更新数据计算所述目标无人机的剩余巡航时间,并根据所述路径更新数据和所述剩余巡航时间生成所述目标无人机的飞行参数数据。
结合第二方面,在本发明第二方面的第三实施方式中,所述计算单元具体用于:根据所述目标路段类型,对所述目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;根据所述目标定位关系映射模型,对所述目标无人机进行定位数据分析和计算,得到所述目标无人机对应的飞行位置数据。
结合第二方面,在本发明第二方面的第四实施方式中,所述重定位模块具体用于:根据所述飞行参数数据,对所述目标无人机发送飞行重定位指令;根据所述飞行重定位指令和所述飞行参数数据,对所述目标无人机进行重定位操作,得到重定位数据;根据所述重定位数据,判断是否对所述目标无人机执行返航操作。
结合第二方面,在本发明第二方面的第五实施方式中,所述识别模块具体用于:若是,则根据所述重定位数据生成无人机返航飞行指令;根据所述无人机返航飞行指令对所述地面图像数据进行数据分包,得到所述地面图像数据对应的多个图像数据包;分别将所述多个图像数据包传输至预置的后台智能识别模型,并通过所述后台智能识别模型对所述多个图像数据包进行数据包解析,得到所述地面图像数据;基于所述后台智能识别模型对所述地面图像数据进行道路交通流量识别,得到道路交通流量识别结果。
结合第二方面,在本发明第二方面的第六实施方式中,所述基于机器视觉的无人机智能识别装置还包括:标注模块,用于根据所述道路交通流量识别结果生成事故识别飞行指令,并将所述事故识别飞行指令发送至所述目标无人机;对所述事故识别飞行指令进行任务分析,得到事故位置标注任务;根据所述事故位置识别任务,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
本发明提供的技术方案中,对交通识别飞行指令进行指令解析,得到目标检测线路和地面识别任务;调用图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成无人机返航飞行指令并将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,本发明通过对目标检测线路进行无人机重定位识别,提高了目标检测线路的道路流量检测准确率,并且通过预先构建的后台智能识别模型进行道路交通流量识别,提高了无人机智能识别的准确率。
附图说明
图1为本发明实施例中基于机器视觉的无人机智能识别方法的一个实施例示意图;
图2为本发明实施例中计算飞行参数数据的流程图;
图3为本发明实施例中计算飞行位置数据的流程图;
图4为本发明实施例中对目标无人机进行重定位处理的流程图;
图5为本发明实施例中基于机器视觉的无人机智能识别***的一个实施例示意图;
图6为本发明实施例中基于机器视觉的无人机智能识别***的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于机器视觉的无人机智能识别***,用于提高无人机智能识别的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于机器视觉的无人机智能识别方法的一个实施例包括:
S101、获取目标无人机的基站位置数据,并根据基站位置数据对目标无人机发送交通识别飞行指令;
可以理解的是,本发明的执行主体可以为基于机器视觉的无人机智能识别***,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器对交通识别飞行指令进行信息解析,并获取预置策略库中的配置数据,用于初始化模拟环境及初始参数,判断当前飞行模式的状态,并接收发来的图像采集指令,解析发来的图像采集指令,判断当前应该开启还是关闭采集策略,如果是开启采集策略,则执行请求,进一步的,服务器根据该基站位置数据及图像采集指令控制该目标无人机执行该指令,需要说明的是,此时服务器确定交通识别飞行指令对应的目标检测线路和地面识别任务,最终服务器通过该基站位置数据对目标无人机发送交通识别飞行指令。
S102、对交通识别飞行指令进行指令解析,得到交通识别飞行指令对应的目标检测线路和地面识别任务;
具体的,服务器对交通识别飞行指令进行指令解析,并获取预置的策略库中的配置数据,用于初始化模拟环境及初始参数,判断当前飞行模式的状态,并接收发来的图像采集指令,解析发来的图像采集指令,判断当前应该开启还是关闭采集策略,如果是开启采集策略,则执行请求,此时服务器确定交通识别飞行指令对应的目标检测线路和地面识别任务。
S103、调用目标无人机中的图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;
具体的,服务器根据该目标无人机中的图像采集终端,同步图像采集装置的时间和激光雷达的时间,将采集的定位信息和姿态信息发送至预置数据库,并输出推荐定位信息,根据推荐定位信息中的速度信息确定目标无人机的移动距离,并根据移动距离输出图像采集控制信号至图像采集装置,根据图像采集控制信号采集目标检测线路对应的地面图像数据,最终服务器根据定位信息、姿态信息、环境图像信息和环境点云信息确定地面图像数据。
S104、获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;
具体的,获得目标无人机外形参数,设定状态参数,基于状态参数生成若干个虚拟飞行状态,基于目标无人机外形参数,对每个虚拟飞行状态进行数值模拟计算,每个虚拟飞行状态对应获得相应的气动力数据,基于所有虚拟飞行状态对应的气动力数据获得目标无人机气动力数据库,并根该目标无人机气动力数据库确定当前目标无人机的飞行位置数据,本申请实施例还可以采用广义最小残差进行宏观量预估,计算目标无人机的飞行参数数据。
S105、根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;
具体的,服务器根据飞行参数数据和预设的续航时长分析逻辑,对飞行参数数据进行续航时长分析,得到无人机***续航时长,并获取无人机***在正常电量飞行情况下的预设模拟数据集,根据预设模拟数据集,对飞行参数数据进行数据匹配,其中,需要说明的是,在得到飞行参数数据之前,还需要获取测试参数数据,测试参数数据包括无人机在正常电量飞行情况下的无人机***电源参数数据、传感器参数数据以及通信参数数据,获取与测试参数数据对应的无人机***模拟续航时长,建立无人机***模拟续航时长与测试参数数据的关联关系,根据具有关联关系的测试参数数据和无人机***模拟续航时长,配置得到飞行参数数据,进一步的,服务器根据该飞行参数数据对目标无人机进行重定位操作,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作。
S106、若是,则根据重定位数据生成无人机返航飞行指令,并根据无人机返航飞行指令将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
具体的,服务器利用图像采集装置采集地面的图像并对图像信息进行预处理,再将预处理后的图像利用算法进行识别检测,图像采集装置是在飞行场景下通过摄像机采集地面图像,对图像进行关键帧处理后,将关键帧图像数据送送入智能识别模型中,智能识别模型的功能是对图像利用算法路交通流量识别,得到道路交通流量,后续服务器对该道路交通流量进行数理统计,得到上述得到道路交通流量识别结果。
本发明实施例中,对交通识别飞行指令进行指令解析,得到目标检测线路和地面识别任务;调用图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成无人机返航飞行指令并将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,本发明通过对目标检测线路进行无人机重定位识别,提高了目标检测线路的道路流量检测准确率,并且通过预先构建的后台智能识别模型进行道路交通流量识别,提高了无人机智能识别的准确率。
在一具体实施例中,上述基于机器视觉的无人机智能识别方法还包括如下步骤:
(1)通过目标无人机接收交通识别飞行指令,并对目标无人机进行飞行环境分析,得到目标飞行环境数据;
(2)对目标飞行环境数据进行环境数据解析,得到环境数据解析结果;
(3)根据环境数据解析结果确定目标无人机的飞行状态;
(4)根据飞行状态判断目标无人机是否执行交通识别飞行指令,得到判断结果,其中,判断结果包括:执行和不执行。
其中,服务器通过目标无人机接收交通识别飞行指令,并对目标无人机进行飞行环境分析,得到目标飞行环境数据,具体的,服务器采用预置的气动热计算方法,对不同气体模型下、目标无人机表面各区域的气动热环境进行计算,逐个对单一的环境参量进行正负拉偏,计算气动热数据,对两种或两种以上的环境参量进行耦合的正负拉偏,计算气动热数据,对风场进行正负拉偏,计算对应的气动热数据,获取针对目标无人机模型的辅助性气动热风洞试验数据,分析单一环境参量对飞行器模型表面气动热影响。分析两种或两种以上环境参量耦合对飞行器模型表面气动热影响;总结单一环境参量、多种环境参量耦合对于飞行器模型表面各区域气动热影响的敏感性,并根据环境数据解析结果确定目标无人机的飞行状态,同时服务器根据飞行状态判断是否执行交通识别飞行指令,得到判断结果。
在一具体实施例中,如图2所示,执行步骤S104的过程可以具体包括如下步骤:
S201、获取目标无人机在预设时段内的历史飞行路径,并对历史飞行路径进行路段分类,得到目标路段类型;
S202、基于目标路段类型,计算目标无人机对应的飞行位置数据;
S203、根据飞行位置数据对目标检测线路进行路径更新,得到路径更新数据;
S204、根据路径更新数据计算目标无人机的剩余巡航时间,并根据路径更新数据和剩余巡航时间生成目标无人机的飞行参数数据。
具体的,利用历史飞行路径对即将出现的区域类型进行区域预测,根据预测的区域优化无人机的飞行轨迹,无人机根据优化的飞行轨迹到达待执行任务区域,根据实际流量和任务需求找到最佳悬停位置,最大化服务质量,需要说明的是,服务器根据历史轨迹书对飞行区域进行路段分类,该分类类型包括悬停路段,禁飞路段等区域类型,能够提前预判提前部署无人机,通过对飞行轨迹进行优化获取最优飞行轨迹有效减少能耗,提高服务。具体的,服务器首先需要建立飞行区域的栅格化地图模型,在地图上通过距离捕捉目标的方法进行可行路径的搜索,利用距离目标最近的前三名个体作为群体的指引,在一定的迭代搜索下收敛至当下最优解时,通过随机参数对当下解进行扰动,生成当下状态下的新可行解,并不断迭代判断解的优劣性和生成新解,最终结束搜索过程,得到最终最优可行解,本申请实施例中,服务器根据飞行位置数据对目标检测线路进行飞行路径更新,得到路径更新数据,根据路径更新数据计算目标无人机的剩余巡航时间,并将路径更新数据和剩余巡航时间作为目标无人机的飞行参数数据,对不同的环境精度具有良好的适应性。
在一具体实施例中,如图3所示,执行步骤S202的过程可以具体包括如下步骤:
S301、根据目标路段类型,对目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;
S302、根据目标定位关系映射模型,对目标无人机进行定位数据分析和计算,得到目标无人机对应的飞行位置数据。
其中,服务器将目标路段类型输入神经网络,通过神经网络计算目标路段与定位关系的匹配度,以获得包含匹配度的映射结果表,通过调整映射结果表中的映射关系,以得到包含调整后的映射关系的映射结果表,根据调整后的映射关系,得到目标定位关系映射模型,根据目标定位关系映射模型对目标无人机进行定位数据计算,得到目标无人机的飞行位置数据。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、根据飞行参数数据,对目标无人机发送飞行重定位指令;
S402、根据飞行重定位指令和飞行参数数据,对目标无人机进行重定位操作,得到重定位数据;
S403、根据重定位数据,判断是否对目标无人机执行返航操作。
其中,根据飞行参数数据,对目标无人机发送飞行重定位指令,进而服务器基于预先建立的特征点地图,根据飞行重定位指令和飞行参数数据进行数据匹配,选取目标定位数据,通过该目标定位数据,根据飞行参数数据对目标无人机发送飞行重定位指令,根据飞行重定位指令和飞行参数数据对目标无人机进行重定位,选取最优转换角,基于最优转换角计算当前时刻飞行器在导航坐标系中的相对位姿能够在无GPS信号、外在环境变化的情况下,基于特征点地图采用图像匹配技术和重投影误差优化技术对飞行器进行重定位,得到重定位数据,最终服务器根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成返航指令,生成无人机返航飞行指令。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)若是,则根据重定位数据生成无人机返航飞行指令;
(2)根据无人机返航飞行指令对地面图像数据进行数据分包,得到地面图像数据对应的多个图像数据包;
(3)分别将多个图像数据包传输至预置的后台智能识别模型,并通过后台智能识别模型对多个图像数据包进行数据包解析,得到地面图像数据;
(4)基于后台智能识别模型对地面图像数据进行道路交通流量识别,得到道路交通流量识别结果。
其中,若是,则根据重定位数据生成无人机返航飞行指令,根据无人机返航飞行指令对地面图像数据进行数据分包,得到地面图像数据对应的多个图像数据包,进而服务器提取每一图像数据包对应的各连通域,计算各连通域的代表值,基于代表值对相邻两图像数据包上的各连通域进行匹配,得到多个匹配对,根据视频图像数据,计算两两相邻图像数据包的差图像的图像熵,根据图像熵,将视频图像数据划分为多个类别,基于匹配对,计算各类视频图像对应的离散系数,计算各类视频图像对应的最大相似度匹配距离,进而得到各类视频图像对应的帧过渡平稳性,根据帧过渡平稳性生成地面图像数据,最终基于后台智能识别模型对地面图像数据进行道路交通流量识别,得到道路交通流量识别结果,本发明能够准确判断目标无人机是否异常。
在一具体实施例中,上述基于机器视觉的无人机智能识别方法还包括如下步骤:
(1)根据道路交通流量识别结果生成事故识别飞行指令,并将事故识别飞行指令发送至目标无人机;
(2)对事故识别飞行指令进行任务分析,得到事故位置标注任务;
(3)根据事故位置识别任务,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
其中,根据道路交通流量识别结果生成事故识别飞行指令,并将事故识别飞行指令发送至目标无人机,具体的,服务器响应于事故识别飞行指令,通过目标无人机执行道路交通流量识别结果对应的事故位置识别任务,并根据事故位置识别任务对地面异常区域进行范围标注,其中,在进行范围标注时,服务器首先确定获取的指定图像中包含注册物体,获取指定图像对应的图像帧序列,基于图像帧序列中各注册物体的检测次数,确定目标注册物体及所对应的目标特征点,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
上面对本发明实施例中基于机器视觉的无人机智能识别方法进行了描述,下面对本发明实施例中基于机器视觉的无人机智能识别***进行描述,请参阅图5,本发明实施例中基于机器视觉的无人机智能识别***一个实施例包括:
获取模块501,用于获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;
解析模块502,用于对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;
采集模块503,用于调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;
计算模块504,用于获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据;
重定位模块505,用于根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作;
识别模块506,用于若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
通过上述各个组成部分的协同合作,对交通识别飞行指令进行指令解析,得到目标检测线路和地面识别任务;调用图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成无人机返航飞行指令并将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,本发明通过对目标检测线路进行无人机重定位识别,提高了目标检测线路的道路流量检测准确率,并且通过预先构建的后台智能识别模型进行道路交通流量识别,提高了无人机智能识别的准确率。
请参阅图6,本发明实施例中基于机器视觉的无人机智能识别***另一个实施例包括:
获取模块501,用于获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;
解析模块502,用于对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;
采集模块503,用于调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;
计算模块504,用于获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据;
重定位模块505,用于根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作;
识别模块506,用于若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果。
可选的,所述基于机器视觉的无人机智能识别***还包括:处理模块507,用于通过所述目标无人机接收所述交通识别飞行指令,并对所述目标无人机进行飞行环境分析,得到目标飞行环境数据;对所述目标飞行环境数据进行环境数据解析,得到环境数据解析结果;根据所述环境数据解析结果确定所述目标无人机的飞行状态;根据所述飞行状态判断所述目标无人机是否执行所述交通识别飞行指令,得到判断结果,其中,所述判断结果包括:执行和不执行。
可选的,所述计算模块504还包括:获取单元,用于获取所述目标无人机在预设时段内的历史飞行路径,并对所述历史飞行路径进行路段分类,得到目标路段类型;计算单元,用于基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据;更新单元,用于根据所述飞行位置数据对所述目标检测线路进行路径更新,得到路径更新数据;生成单元,用于根据所述路径更新数据计算所述目标无人机的剩余巡航时间,并根据所述路径更新数据和所述剩余巡航时间生成所述目标无人机的飞行参数数据。
可选的,所述计算单元具体用于:根据所述目标路段类型,对所述目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;根据所述目标定位关系映射模型,对所述目标无人机进行定位数据分析和计算,得到所述目标无人机对应的飞行位置数据。
可选的,所述重定位模块505具体用于:根据所述飞行参数数据,对所述目标无人机发送飞行重定位指令;根据所述飞行重定位指令和所述飞行参数数据,对所述目标无人机进行重定位操作,得到重定位数据;根据所述重定位数据,判断是否对所述目标无人机执行返航操作。
可选的,所述识别模块506具体用于:若是,则根据所述重定位数据生成无人机返航飞行指令;根据所述无人机返航飞行指令对所述地面图像数据进行数据分包,得到所述地面图像数据对应的多个图像数据包;分别将所述多个图像数据包传输至预置的后台智能识别模型,并通过所述后台智能识别模型对所述多个图像数据包进行数据包解析,得到所述地面图像数据;基于所述后台智能识别模型对所述地面图像数据进行道路交通流量识别,得到道路交通流量识别结果。
可选的,所述基于机器视觉的无人机智能识别装置还包括:标注模块508,用于根据所述道路交通流量识别结果生成事故识别飞行指令,并将所述事故识别飞行指令发送至所述目标无人机;对所述事故识别飞行指令进行任务分析,得到事故位置标注任务;根据所述事故位置识别任务,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
本发明实施例中,对交通识别飞行指令进行指令解析,得到目标检测线路和地面识别任务;调用图像采集终端执行地面识别任务,并对目标检测线路进行地面图像采集,得到地面图像数据;获取目标无人机的飞行位置数据,并根据飞行位置数据计算目标无人机的飞行参数数据;根据飞行参数数据对目标无人机进行重定位处理,得到重定位数据,并根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据重定位数据生成无人机返航飞行指令并将地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,本发明通过对目标检测线路进行无人机重定位识别,提高了目标检测线路的道路流量检测准确率,并且通过预先构建的后台智能识别模型进行道路交通流量识别,提高了无人机智能识别的准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于机器视觉的无人机智能识别方法,其特征在于,所述基于机器视觉的无人机智能识别方法包括:
获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;
对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;
调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;
获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据,具体包括:获取所述目标无人机在预设时段内的历史飞行路径,并对所述历史飞行路径进行路段分类,得到目标路段类型;基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据;根据所述飞行位置数据对所述目标检测线路进行路径更新,得到路径更新数据;根据所述路径更新数据计算所述目标无人机的剩余巡航时间,并根据所述路径更新数据和所述剩余巡航时间生成所述目标无人机的飞行参数数据;其中,根据所述目标路段类型,对所述目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;根据所述目标定位关系映射模型,对所述目标无人机进行定位数据分析和计算,得到所述目标无人机对应的飞行位置数据;其中,将目标路段类型输入神经网络,通过神经网络计算目标路段与定位关系的匹配度,获得包含匹配度的映射结果表,通过调整映射结果表中的映射关系,得到包含调整后的映射关系的映射结果表,根据调整后的映射关系,得到目标定位关系映射模型;
根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作,具体包括:根据所述飞行参数数据,对所述目标无人机发送飞行重定位指令;根据所述飞行重定位指令和所述飞行参数数据,对所述目标无人机进行重定位操作,得到重定位数据;根据所述重定位数据,判断是否对所述目标无人机执行返航操作;其中,根据飞行参数数据,对目标无人机发送飞行重定位指令,基于预先建立的特征点地图,根据飞行重定位指令和飞行参数数据进行数据匹配,选取目标定位数据,通过该目标定位数据,根据飞行参数数据对目标无人机发送飞行重定位指令,根据飞行重定位指令和飞行参数数据对目标无人机进行重定位,选取最优转换角,基于最优转换角计算当前时刻目标无人机在导航坐标系中的相对位姿,对目标无人机进行重定位,得到重定位数据,根据重定位数据判断是否对目标无人机执行返航操作;若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,具体包括:根据所述无人机返航飞行指令对所述地面图像数据进行数据分包,得到所述地面图像数据对应的多个图像数据包;分别将所述多个图像数据包传输至预置的后台智能识别模型,并通过所述后台智能识别模型对所述多个图像数据包进行数据包解析,得到所述地面图像数据;基于所述后台智能识别模型对所述地面图像数据进行道路交通流量识别,得到道路交通流量识别结果;其中,提取每一图像数据包对应的各连通域,计算各连通域的代表值,基于代表值对相邻两图像数据包上的各连通域进行匹配,得到多个匹配对,根据视频图像数据,计算每两个相邻图像数据包的差图像的图像熵,根据图像熵,将视频图像数据划分为多个类别,基于匹配对,计算各类视频图像对应的离散系数,计算各类视频图像对应的最大相似度匹配距离,得到各类视频图像对应的帧过渡平稳性,根据帧过渡平稳性生成地面图像数据。
2.根据权利要求1所述的基于机器视觉的无人机智能识别方法,其特征在于,所述基于机器视觉的无人机智能识别方法还包括:
通过所述目标无人机接收所述交通识别飞行指令,并对所述目标无人机进行飞行环境分析,得到目标飞行环境数据;
对所述目标飞行环境数据进行环境数据解析,得到环境数据解析结果;
根据所述环境数据解析结果确定所述目标无人机的飞行状态;
根据所述飞行状态判断所述目标无人机是否执行所述交通识别飞行指令,得到判断结果,其中,所述判断结果包括:执行和不执行。
3.根据权利要求1所述的基于机器视觉的无人机智能识别方法,其特征在于,所述基于机器视觉的无人机智能识别方法还包括:
根据所述道路交通流量识别结果生成事故识别飞行指令,并将所述事故识别飞行指令发送至所述目标无人机;
对所述事故识别飞行指令进行任务分析,得到事故位置标注任务;
根据所述事故位置识别任务,对道路交通异常路段进行事故信息标注,得到事故信息标注数据。
4.一种基于机器视觉的无人机智能识别***,其特征在于,所述基于机器视觉的无人机智能识别***包括:
获取模块,用于获取目标无人机的基站位置数据,并根据所述基站位置数据对所述目标无人机发送交通识别飞行指令;
解析模块,用于对所述交通识别飞行指令进行指令解析,得到所述交通识别飞行指令对应的目标检测线路和地面识别任务;
采集模块,用于调用所述目标无人机中的图像采集终端执行所述地面识别任务,并对所述目标检测线路进行地面图像采集,得到地面图像数据;
计算模块,用于获取所述目标无人机的飞行位置数据,并根据所述飞行位置数据计算所述目标无人机的飞行参数数据,具体包括:获取所述目标无人机在预设时段内的历史飞行路径,并对所述历史飞行路径进行路段分类,得到目标路段类型;基于所述目标路段类型,计算所述目标无人机对应的飞行位置数据;根据所述飞行位置数据对所述目标检测线路进行路径更新,得到路径更新数据;根据所述路径更新数据计算所述目标无人机的剩余巡航时间,并根据所述路径更新数据和所述剩余巡航时间生成所述目标无人机的飞行参数数据;其中,根据所述目标路段类型,对所述目标无人机进行定位关系映射模型匹配,得到目标定位关系映射模型;根据所述目标定位关系映射模型,对所述目标无人机进行定位数据分析和计算,得到所述目标无人机对应的飞行位置数据;其中,将目标路段类型输入神经网络,通过神经网络计算目标路段与定位关系的匹配度,获得包含匹配度的映射结果表,通过调整映射结果表中的映射关系,得到包含调整后的映射关系的映射结果表,根据调整后的映射关系,得到目标定位关系映射模型;
重定位模块,用于根据所述飞行参数数据对所述目标无人机进行重定位处理,得到重定位数据,并根据所述重定位数据判断是否对所述目标无人机执行返航操作,具体包括:根据所述飞行参数数据,对所述目标无人机发送飞行重定位指令;根据所述飞行重定位指令和所述飞行参数数据,对所述目标无人机进行重定位操作,得到重定位数据;根据所述重定位数据,判断是否对所述目标无人机执行返航操作;其中,根据飞行参数数据,对目标无人机发送飞行重定位指令,基于预先建立的特征点地图,根据飞行重定位指令和飞行参数数据进行数据匹配,选取目标定位数据,通过该目标定位数据,根据飞行参数数据对目标无人机发送飞行重定位指令,根据飞行重定位指令和飞行参数数据对目标无人机进行重定位,选取最优转换角,基于最优转换角计算当前时刻目标无人机在导航坐标系中的相对位姿,对目标无人机进行重定位,得到重定位数据,根据重定位数据判断是否对目标无人机执行返航操作;
识别模块,用于若是,则根据所述重定位数据生成无人机返航飞行指令,并根据所述无人机返航飞行指令将所述地面图像数据传输至预置的后台智能识别模型进行道路交通流量识别,得到道路交通流量识别结果,具体包括:根据所述无人机返航飞行指令对所述地面图像数据进行数据分包,得到所述地面图像数据对应的多个图像数据包;分别将所述多个图像数据包传输至预置的后台智能识别模型,并通过所述后台智能识别模型对所述多个图像数据包进行数据包解析,得到所述地面图像数据;基于所述后台智能识别模型对所述地面图像数据进行道路交通流量识别,得到道路交通流量识别结果;其中,提取每一图像数据包对应的各连通域,计算各连通域的代表值,基于代表值对相邻两图像数据包上的各连通域进行匹配,得到多个匹配对,根据视频图像数据,计算每两个相邻图像数据包的差图像的图像熵,根据图像熵,将视频图像数据划分为多个类别,基于匹配对,计算各类视频图像对应的离散系数,计算各类视频图像对应的最大相似度匹配距离,得到各类视频图像对应的帧过渡平稳性,根据帧过渡平稳性生成地面图像数据。
5.根据权利要求4所述的基于机器视觉的无人机智能识别***,其特征在于,所述基于机器视觉的无人机智能识别***还包括:
处理模块,用于通过所述目标无人机接收所述交通识别飞行指令,并对所述目标无人机进行飞行环境分析,得到目标飞行环境数据;对所述目标飞行环境数据进行环境数据解析,得到环境数据解析结果;根据所述环境数据解析结果确定所述目标无人机的飞行状态;根据所述飞行状态判断所述目标无人机是否执行所述交通识别飞行指令,得到判断结果,其中,所述判断结果包括:执行和不执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211683271.2A CN115729269B (zh) | 2022-12-27 | 2022-12-27 | 一种基于机器视觉的无人机智能识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211683271.2A CN115729269B (zh) | 2022-12-27 | 2022-12-27 | 一种基于机器视觉的无人机智能识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115729269A CN115729269A (zh) | 2023-03-03 |
CN115729269B true CN115729269B (zh) | 2024-02-20 |
Family
ID=85301825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211683271.2A Active CN115729269B (zh) | 2022-12-27 | 2022-12-27 | 一种基于机器视觉的无人机智能识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115729269B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991757B (zh) * | 2024-04-01 | 2024-06-07 | 成都纺织高等专科学校 | 一种针对异构机载雷达信号的无人机控制方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781476A (zh) * | 2016-12-22 | 2017-05-31 | 中国人民解放军第三军医大学第三附属医院 | 交通事故中车辆动态位置分析方法 |
CN110631588A (zh) * | 2019-09-23 | 2019-12-31 | 电子科技大学 | 一种基于rbf网络的无人机视觉导航定位方法 |
CN111829532A (zh) * | 2019-04-18 | 2020-10-27 | 顺丰科技有限公司 | 一种飞行器重定位***和重定位方法 |
CN112462774A (zh) * | 2020-11-27 | 2021-03-09 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 |
CN113034589A (zh) * | 2021-02-25 | 2021-06-25 | 上海杰屿智能科技有限公司 | 一种基于先验视觉标签的无人机定位方法 |
CN114120150A (zh) * | 2021-11-10 | 2022-03-01 | 吉林省春城热力股份有限公司 | 一种基于无人机成像技术的道路目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489976B2 (en) * | 2017-08-11 | 2019-11-26 | Jing Jin | Incident site investigation and management support system based on unmanned aerial vehicles |
-
2022
- 2022-12-27 CN CN202211683271.2A patent/CN115729269B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781476A (zh) * | 2016-12-22 | 2017-05-31 | 中国人民解放军第三军医大学第三附属医院 | 交通事故中车辆动态位置分析方法 |
CN111829532A (zh) * | 2019-04-18 | 2020-10-27 | 顺丰科技有限公司 | 一种飞行器重定位***和重定位方法 |
CN110631588A (zh) * | 2019-09-23 | 2019-12-31 | 电子科技大学 | 一种基于rbf网络的无人机视觉导航定位方法 |
CN112462774A (zh) * | 2020-11-27 | 2021-03-09 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 |
CN113034589A (zh) * | 2021-02-25 | 2021-06-25 | 上海杰屿智能科技有限公司 | 一种基于先验视觉标签的无人机定位方法 |
CN114120150A (zh) * | 2021-11-10 | 2022-03-01 | 吉林省春城热力股份有限公司 | 一种基于无人机成像技术的道路目标检测方法 |
Non-Patent Citations (1)
Title |
---|
武海英 等.基于Android***的无人机自主飞行控制技术研究与实现.测绘与空间地理信息.2020,43第226-228页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115729269A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932588B (zh) | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 | |
CN112000130B (zh) | 一种无人机的多机协同高精度建图定位*** | |
US11472444B2 (en) | Method and system for dynamically updating an environmental representation of an autonomous agent | |
CN109109863B (zh) | 智能设备及其控制方法、装置 | |
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
CN115729269B (zh) | 一种基于机器视觉的无人机智能识别*** | |
CN112578673B (zh) | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 | |
WO2022062571A1 (zh) | 多站点路基网络感知方法、装置、终端和*** | |
CN114564042A (zh) | 一种基于多传感器融合的无人机着陆方法 | |
CN113708491A (zh) | 牵引变电所智能巡检*** | |
CN117589167A (zh) | 一种基于三维点云模型的无人机巡检航线规划方法 | |
CN115366885A (zh) | 用于辅助机动车的驾驶操作的方法、辅助装置及机动车 | |
CN117311393B (zh) | 一种无人机自主飞行路径规划方法及*** | |
Yoon et al. | Design of longitudinal control for autonomous vehicles based on interactive intention inference of surrounding vehicle behavior using long short-term memory | |
CN117369512A (zh) | 一种无人机协同智能控制与优化*** | |
CN114415726B (zh) | 一种基于图像分析的无人机避障控制***及方法 | |
KR102618680B1 (ko) | 영상과 라이다를 이용한 실시간 3차원 물체 인식 및 추적하는 시스템 | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
CN113204246A (zh) | 一种无人机运行状态检测方法 | |
CN113298044A (zh) | 基于定位补偿的障碍物检测方法、***、设备及存储介质 | |
Kwon et al. | Cooperative target localization by multiple unmanned aircraft systems using sensor fusion quality | |
CN116466733B (zh) | 一种用于无人机起降的智能避障***及方法 | |
US20230153384A1 (en) | Training classification model for an autonomous vehicle by using an augmented scene | |
Jin et al. | Accurate Trajectory Extraction of Dynamic Targets for Driving Behaviour Analysis | |
TK et al. | DETECTING AND TRACKING MOVING OBJECTS USING STATISTICAL ADAPTIVE THRESHOLDING APPROACH WITH SOM & GMA TRACKING |
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 |