CN116883686B - 一种火箭回收子级空中识别与追踪方法、设备及存储介质 - Google Patents
一种火箭回收子级空中识别与追踪方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116883686B CN116883686B CN202310920723.2A CN202310920723A CN116883686B CN 116883686 B CN116883686 B CN 116883686B CN 202310920723 A CN202310920723 A CN 202310920723A CN 116883686 B CN116883686 B CN 116883686B
- Authority
- CN
- China
- Prior art keywords
- recovery sub
- level
- rocket recovery
- rocket
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 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
- 239000002245 particle Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000009012 visual motion Effects 0.000 description 1
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种火箭回收子级空中识别与追踪方法、设备及存储介质，属于目标识别与追踪技术领域，本发明将KNN算法和SORT算法相结合，形成了混合优化算法，利用KNN算法计算样本之间的距离，准确识别火箭子级目标，为追踪提供可靠的起点。其次，利用SORT算法实时跟踪目标的运动轨迹。本发明能够有效地对火箭回收子级进行准确的识别和分类，提高目标识别的准确性和可靠性，并对火箭回收子级进行有效追踪。
Description
技术领域
本发明涉及目标识别与追踪技术领域，特别涉及一种火箭回收子级空中识别与追踪方法、设备及存储介质。
背景技术
在火箭子级回收空中识别与追踪技术领域，现有技术方案主要涉及目标识别和追踪。传统的目标识别方法包括特征提取和分类算法，如支持向量机（SVM）、随机森林（RandomForest）和卷积神经网络（CNN）。这些方法利用训练数据集来建立模型，并根据提取的特征对目标进行分类。在火箭子级回收任务中，由于环境复杂性和火箭运动的特殊性，目标可能受到火焰、烟尘、高速运动和其他物体的遮挡，现有技术对火箭回收子级识别的准确性和可靠性不能满足需求。
此外，对于目标追踪技术，常见方法包括卡尔曼滤波器（Kalman Filter）和粒子滤波器（Particle Filter），以及基于深度学习的算法如Siamese网络和MDNet。这些方法通过模型和观测数据之间的状态更新，估计目标的位置和运动轨迹。然而，在环境复杂程度较高，且火箭回收子级运动具有特殊性的前提下，单独使用这些方法可能受到目标遮挡、外观变化和数据噪声等因素的影响，导致跟踪不稳定或失败。
有鉴于此，实有必要提供一种新的技术方案以解决上述问题。
发明内容
为解决上述技术问题，本申请提供一种火箭回收子级空中识别与追踪方法、设备及存储介质，能够有效地对火箭回收子级进行准确的识别和分类，提高目标识别的准确性和可靠性，并对火箭回收子级进行有效追踪。
一种火箭回收子级空中识别与追踪方法，包括：
获取与火箭回收子级空中识别与追踪相关的数据，并对采集到的数据进行预处理；
将经过预处理后的信息进行融合，提取火箭回收子级的多模态特征；
结合KNN算法进行火箭回收子级跟踪和数据关联，将当前帧的目标特征与之前帧的目标特征进行比对和匹配，建立火箭回收子级的轨迹，并更新火箭回收子级状态；
基于火箭回收子级的目标轨迹和历史运动信息，利用SORT算法进行火箭回收子级运动的预测、锁定和追踪；
实时更新火箭回收子级的位置、速度和姿态信息，为火箭回收子级空中识别与追踪提供准确的反馈和决策依据。
优选的，所述与火箭回收子级空中识别与追踪相关的数据包括：图像数据、视频数据、距离数据和速度数据。
优选的，对所述数据进行预处理包括去噪、滤波和数据校正。
优选的，所述提取火箭回收子级的多模态特征中的多模态特征包括火箭回收子级的形状、颜色、纹理以及速度和加速度。
优选的，所述将经过预处理后的信息进行融合时中，进行信息融合计算的公式为：
；
式中，为融合特征向量；/>为特征融合时的图像特征权重；/>为特征融合时的视频特征权重；/>为特征融合时的距离特征权重；/>为特征融合时的速度特征权重；为图像特征的向量表示；/>为视频特征的向量表示；/>为距离特征的向量表示；/>为速度特征的向量表示。
优选的，所述结合KNN算法进行火箭回收子级跟踪和数据关联，将当前帧的目标特征与之前帧的目标特征进行比对和匹配，建立火箭回收子级的轨迹，并更新火箭回收子级状态包括：
基于综合特征向量进行火箭回收子级检测与识别；
基于综合特征向量进行目标定位，获取火箭回收子级位置
基于速度特征向量进行目标速度估计，获取火箭回收子级速度估计值；
基于火箭回收子级位置和速度估计值进行目标跟踪，确定火箭回收子级状态；
基于融合特征向量和目标检测结果进行火箭回收子级状态综合评估。
优选的，所述基于融合特征向量和目标检测结果进行火箭回收子级状态综合评估包括：
对融合特征向量进行加权计算；
归一化特征向量；
对目标检测结果进行加权计算：
综合评估计算，确定最终融合后的箭回收子级识别和定位结果。
优选的，所述综合评估计算公式为：
；
式中，为最终融合后的目标识别和定位结果，/>为准确性，/>为置信度，/>为危险程度，/>为准确性权重，/>为置信度权重，/>为危险程度权重；
其中，如果准确性不小于准确性阈值，则准确性评估结果为1，否则准确性评估结果为0；
如果置信度不小于置信度阈值，则置信度评估结果为1，否则置信度评估结果为0；
如果危险程度不大于危险程度阈值，则危险程度评估结果为1，否则危险程度评估结果为0。
根据本申请的另一方面，还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至8任一项所述的火箭回收子级空中识别与追踪方法。
根据本申请的另一方面，还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至8任一项所述的火箭回收子级空中识别与追踪方法。
与现有技术相比，本申请至少具有以下有益效果：
1、本发明能够有效地对火箭回收子级进行准确的识别和分类，提高目标识别的准确性和可靠性。
2、本发明能够提高火箭回收子级追踪的稳定性和准确性，确保在高速动态环境中的火箭子级回收过程中的目标跟踪。
3、本发明还能够提高火箭子级回收空中识别与追踪***在复杂场景和目标遮挡情况下的鲁棒性。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明火箭回收子级空中识别与追踪方法的整体流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，一种火箭回收子级空中识别与追踪方法，包括以下步骤：
步骤S1、获取与火箭回收子级空中识别与追踪相关的数据，并对采集到的数据进行预处理。
具体的，采集传感器、摄像头、雷达等设备的数据，并对图像数据、视频数据、距离数据和速度数据进行预处理。其中，预处理包括去噪、滤波和数据校正，以提高数据质量和准确性。
步骤S2、将经过预处理后的信息进行融合，提取火箭回收子级的多模态特征。
利用多模态数据融合技术，将来自传感器、摄像头和雷达等不同设备经过预处理后的信息进行融合。提取火箭回收子级的多模态特征中的多模态特征包括火箭回收子级的形状、颜色、纹理以及速度和加速度。
通过综合利用图像、视频、距离和速度的多模态数据，能够提高目标检测和识别的准确性和鲁棒性，准确定位和分类出火箭子级目标。
步骤S3、结合KNN算法进行火箭回收子级跟踪和数据关联，将当前帧的目标特征与之前帧的目标特征进行比对和匹配，建立火箭回收子级的轨迹，并更新火箭回收子级状态。
具体的，包括以下步骤：
步骤S31、基于综合特征向量进行火箭回收子级检测与识别；
步骤S32、基于综合特征向量进行目标定位，获取火箭回收子级位置
步骤S33、基于速度特征向量进行目标速度估计，获取火箭回收子级速度估计值；
步骤S34、基于火箭回收子级位置和速度估计值进行目标跟踪，确定火箭回收子级状态；
步骤S35、基于融合特征向量和目标检测结果进行火箭回收子级状态综合评估。
具体的，步骤S35包括：
步骤S351、对融合特征向量进行加权计算；
步骤S352、归一化特征向量；
步骤S353、对目标检测结果进行加权计算：
步骤S354、综合评估计算，确定最终融合后的箭回收子级识别和定位结果。
步骤S4、基于火箭回收子级的目标轨迹和历史运动信息，利用SORT算法进行火箭回收子级运动的预测、锁定和追踪。
步骤S5、实时更新火箭回收子级的位置、速度和姿态信息，为火箭回收子级空中识别与追踪提供准确的反馈和决策依据。
作为本发明的一个实施例，将火箭回收子级作为计算目标，火箭回收子级空中识别与追踪方法的实施过程如下：
首先，定义以下参数：
图像数据（I）：表示通过摄像头获取的图像数据。
视频数据（V）：表示通过摄像头获取的连续视频数据。
距离数据（D）：表示通过雷达等传感器获取的目标与火箭子级的距离数据。
速度数据（S）：表示通过雷达等传感器获取的目标与火箭子级的相对速度数据。
时间（t）：表示火箭子级回收时间坐标系下数据采集的时间点。
目标位置（P）：表示目标在火箭子级坐标系中的位置。
目标速度（）：表示目标在火箭子级坐标系中的速度。
图像特征（）：表示从图像数据中提取的特征向量。
视频特征（）：表示从视频数据中提取的特征向量。
距离特征（）：表示从距离数据中提取的特征向量。
速度特征（）：表示从速度数据中提取的特征向量。
外形特征（）：表示目标的外形特征，如长宽比、几何形状等。
颜色特征（）：表示目标的颜色直方图。
纹理特征（）：表示目标的纹理特征，如纹理频率、对比度等。
火箭子级尾焰包络特征（）：表示火箭子级尾焰的形状和包络特征。
目标状态（X）：表示目标的状态向量，包括位置、速度等信息。
权重（W）：表示不同数据源特征的权重，用于融合不同数据的信息。
颜色阈值（）：表示用于颜色特征的阈值参数。
纹理阈值（）：表示用于纹理特征的阈值参数。
包络阈值（）：表示用于火箭子级尾焰包络特征的阈值参数。
融合结果（R）：表示最终融合后的目标识别和定位结果。
数据预处理：
a. 图像数据预处理： = PreprocessImage(I)；
b. 视频数据预处理： = PreprocessVideo(V)；
c. 距离数据预处理： = PreprocessDistance(D)；
d. 速度数据预处理： = PreprocessSpeed(S)。
其中，PreprocessImage(I):为对图像数据 I 进行预处理的函数。
PreprocessVideo(V)为对视频数据 V 进行预处理的函数。
PreprocessDistance(D)为对距离数据 D 进行预处理的函数。
PreprocessSpeed(S): 对速度数据 S 进行预处理的函数。
进行信息融合：
其中，进行信息融合计算的公式为：
；
式中，为融合特征向量；/>为特征融合时的图像特征权重；/>为特征融合时的视频特征权重；/>为特征融合时的距离特征权重；/>为特征融合时的速度特征权重；为图像特征的向量表示；/>为视频特征的向量表示；/>为距离特征的向量表示；/>为速度特征的向量表示。
目标标检测与识别公式为：
DetectionResult = ObjectDetection(F)；
其中，ObjectDetection(F)为 基于特征向量 F 进行目标检测的函数，DetectionResult为返回的检测结果。
目标定位与跟踪包括：
a. 目标定位：P = ObjectLocalization(F)；
b. 目标速度估计： = EstimateVelocity(/>)；
c. 目标跟踪：X = ObjectTracking(P, )；
其中，ObjectLocalization(F)为基于特征向量 F 进行目标定位的函数，通过计算能够返回目标位置 P。
EstimateVelocity()为基于速度特征/> 估计目标速度的函数，通过计算能够返回速度估计值/>。
ObjectTracking(P, )为基于目标位置 P 和速度估计值/>进行目标跟踪的函数，通过计算能够返回目标状态 X。
综合评估过程如下：
R = ObjectEvaluation(F, DetectionResult)；
其中，ObjectEvaluation(F, DetectionResult) 是基于融合特征向量 F 和目标检测结果 DetectionResult 进行综合评估的函数。该函数会综合考虑各个特征的权重和阈值，根据设定的评估指标计算出目标的评估结果 R。评估结果 R 可以帮助***更准确地进行火箭子级回收过程中的目标追踪。
具体的，综合评估包括以下过程：
定义评估指标：
准确性：A；
置信度：C；
危险程度：D；
特征权重：,/> ,/> , ..., />；
评估指标阈值：,/> , />；
加权特征向量计算公式为：
；
归一化特征向量计算公式为：
= Normalize(/>) ；
对目标检测结果加权。
其中，加权目标检测结果为：
；
综合评估计算公式为：
；
式中，为最终融合后的目标识别和定位结果，/>为准确性，/>为置信度，/>为危险程度，/>为准确性权重，/>为置信度权重，/>为危险程度权重。
进行计算时，如果,则/>，否则/>；
如果则/>，否则/>；
如果,则/>，否则/>。
其中，为准确性阈值，/>为置信度阈值，/>为危险程度阈值。
此外，还包括实时更新火箭回收子级的位置、速度和姿态信息：
；
式中，为更新后的目标识别和定位结果，/>为准确性计算结果，/>为置信度计算结果，/>为危险程度计算结果。
通过以上计算，本发明得到综合评估结果 R，用于实时跟踪锁定火箭子级回收画面。通过不断更新目标的位置和状态，可以实现对火箭子级的动态追踪，并根据综合评估结果来评估目标的准确性、置信度和危险程度。这有助于提高火箭子级回收过程的动态锁定画面观感。
在火箭子级回收空中识别与追踪方法中，KNN算法用于识别火箭子级的目标。通过使用训练数据集，KNN算法可以根据在提前计算好的火箭子级着陆区域通过无线传感网络采集到的火箭子级数据，计算与已知样本的相似度，从而确定目标的类别。它能够快速准确地将火箭子级与其他目标进行区分，为后续的目标跟踪提供起点。
在火箭子级回收空中识别与追踪方法中，SORT算法用于对识别出的火箭子级目标进行实时跟踪。通过结合卡尔曼滤波技术，SORT算法能够预测目标的运动轨迹和位置，同时通过关联滤波技术，将当前观测到的目标与已有跟踪结果进行关联，确保跟踪的准确性和稳定性。SORT算法能够在复杂的环境中，对火箭子级目标进行可靠的实时跟踪，为回收操作提供关键的位置和直观的运动信息。
通过结合KNN算法和SORT算法，本发明能够在目标识别和实时跟踪方面发挥优势。KNN算法提供了准确的目标识别能力，而SORT算法保证了对目标的实时跟踪，从而实现对火箭子级的精确识别和稳定跟踪。这种组合的算法可以提高***的性能和效率，为火箭子级回收提供可靠的支持。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种火箭回收子级空中识别与追踪方法，其特征在于，包括：
获取与火箭回收子级空中识别与追踪相关的数据，并对采集到的数据进行预处理；
将经过预处理后的信息进行融合，提取火箭回收子级的多模态特征；
结合KNN算法进行火箭回收子级跟踪和数据关联，将当前帧的目标特征与之前帧的目标特征进行比对和匹配，建立火箭回收子级的轨迹，并更新火箭回收子级状态；
基于火箭回收子级的目标轨迹和历史运动信息，利用SORT算法进行火箭回收子级运动的预测、锁定和追踪；
实时更新火箭回收子级的位置、速度和姿态信息，为火箭回收子级空中识别与追踪提供准确的反馈和决策依据；
其中，所述提取火箭回收子级的多模态特征中的多模态特征包括火箭回收子级的形状、颜色、纹理以及速度和加速度；
所述将经过预处理后的信息进行融合时中，进行信息融合计算的公式为： ；
式中，为融合特征向量；/>为特征融合时的图像特征权重；/>为特征融合时的视频特征权重；/>为特征融合时的距离特征权重；/>为特征融合时的速度特征权重；/>为图像特征的向量表示；/>为视频特征的向量表示；/>为距离特征的向量表示；/>为速度特征的向量表示；
所述结合KNN算法进行火箭回收子级跟踪和数据关联，将当前帧的目标特征与之前帧的目标特征进行比对和匹配，建立火箭回收子级的轨迹，并更新火箭回收子级状态包括：
基于综合特征向量进行火箭回收子级检测与识别；
基于综合特征向量进行目标定位，获取火箭回收子级位置；
基于速度特征向量进行目标速度估计，获取火箭回收子级速度估计值；
基于火箭回收子级位置和速度估计值进行目标跟踪，确定火箭回收子级状态；
基于融合特征向量和目标检测结果进行火箭回收子级状态综合评估；
所述基于融合特征向量和目标检测结果进行火箭回收子级状态综合评估包括：
对融合特征向量进行加权计算；
归一化特征向量；
对目标检测结果进行加权计算：
综合评估计算，确定最终融合后的火箭回收子级识别和定位结果；
所述综合评估计算公式为：；
式中，R为最终融合后的目标识别和定位结果，A为准确性，C为置信度，D为危险程度，为准确性权重，/>为置信度权重，/>为危险程度权重；
其中，如果准确性不小于准确性阈值，则准确性评估结果为1，否则准确性评估结果为0；
如果置信度不小于置信度阈值，则置信度评估结果为1，否则置信度评估结果为0；
如果危险程度不大于危险程度阈值，则危险程度评估结果为1，否则危险程度评估结果为0。
2.如权利要求1所述的火箭回收子级空中识别与追踪方法，其特征在于，所述与火箭回收子级空中识别与追踪相关的数据包括：图像数据、视频数据、距离数据和速度数据。
3.如权利要求2所述的火箭回收子级空中识别与追踪方法，其特征在于，对所述数据进行预处理包括去噪、滤波和数据校正。
4.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至3任一项所述的火箭回收子级空中识别与追踪方法。
5.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至3任一项所述的火箭回收子级空中识别与追踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920723.2A CN116883686B (zh) | 2023-07-26 | 2023-07-26 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920723.2A CN116883686B (zh) | 2023-07-26 | 2023-07-26 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883686A CN116883686A (zh) | 2023-10-13 |
| CN116883686B true CN116883686B (zh) | 2024-03-12 |
Family
ID=88261996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920723.2A Active CN116883686B (zh) | 2023-07-26 | 2023-07-26 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883686B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019227352A1 (zh) * | 2018-05-30 | 2019-12-05 | 深圳市大疆创新科技有限公司 | 飞行控制方法及飞行器 |
| CN114387304A (zh) * | 2021-12-31 | 2022-04-22 | 北京旷视科技有限公司 | 目标跟踪方法、计算机程序产品、存储介质及电子设备 |
| CN114397913A (zh) * | 2021-12-15 | 2022-04-26 | 中国人民解放军军事科学院国防科技创新研究院 | 一种火箭残骸搜寻定位***及方法 |
| CN114435631A (zh) * | 2022-02-17 | 2022-05-06 | 广州大学 | 一种航天器自主控制*** |
| CN114612506A (zh) * | 2022-02-19 | 2022-06-10 | 西北工业大学 | 一种简易高效抗干扰的高空抛物轨迹识别与定位方法 |
| CN114757974A (zh) * | 2022-04-24 | 2022-07-15 | 汕头大学 | 一种多旋翼无人机的轨迹跟踪方法及*** |
| CN115731268A (zh) * | 2022-11-17 | 2023-03-03 | 东南大学 | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7918419B2 (en) * | 2005-07-15 | 2011-04-05 | Rcs Rocket Motor Components, Inc. | Rocket ejection delay apparatus and/or method |
-
2023
- 2023-07-26 CN CN202310920723.2A patent/CN116883686B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019227352A1 (zh) * | 2018-05-30 | 2019-12-05 | 深圳市大疆创新科技有限公司 | 飞行控制方法及飞行器 |
| CN114397913A (zh) * | 2021-12-15 | 2022-04-26 | 中国人民解放军军事科学院国防科技创新研究院 | 一种火箭残骸搜寻定位***及方法 |
| CN114387304A (zh) * | 2021-12-31 | 2022-04-22 | 北京旷视科技有限公司 | 目标跟踪方法、计算机程序产品、存储介质及电子设备 |
| CN114435631A (zh) * | 2022-02-17 | 2022-05-06 | 广州大学 | 一种航天器自主控制*** |
| CN114612506A (zh) * | 2022-02-19 | 2022-06-10 | 西北工业大学 | 一种简易高效抗干扰的高空抛物轨迹识别与定位方法 |
| CN114757974A (zh) * | 2022-04-24 | 2022-07-15 | 汕头大学 | 一种多旋翼无人机的轨迹跟踪方法及*** |
| CN115731268A (zh) * | 2022-11-17 | 2023-03-03 | 东南大学 | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 火箭垂直返回双幂次固定时间收敛滑模控制方法;崔乃刚;吴荣;韦常柱;徐大富;;哈尔滨工业大学学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883686A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105023278B (zh) | 一种基于光流法的运动目标跟踪方法及*** | |
| CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
| CN110097093A (zh) | 一种异源图像精确匹配方法 | |
| CN113674328A (zh) | 一种多目标车辆跟踪方法 | |
| CN108022254B (zh) | 一种基于征点辅助的时空上下文目标跟踪方法 | |
| CN115240130A (zh) | 一种行人多目标跟踪方法、装置和计算机可读存储介质 | |
| CN111666860A (zh) | 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法 | |
| CN113379789A (zh) | 一种复杂环境下运动目标跟踪方法 | |
| Ge et al. | Multi-target tracking based on Kalman filtering and optical flow histogram | |
| Chen et al. | Human motion target posture detection algorithm using semi-supervised learning in internet of things | |
| Yuan et al. | High Speed Safe Autonomous Landing Marker Tracking of Fixed Wing Drone Based on Deep Learning | |
| CN113313733A (zh) | 基于共享卷积的分级无人机目标跟踪方法 | |
| CN116883686B (zh) | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 | |
| CN117011341A (zh) | 基于目标追踪的车辆轨迹检测方法及*** | |
| CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
| Du | CAMShift-Based Moving Object Tracking System | |
| CN115855018A (zh) | 一种基于点线综合特征的改进同步定位与建图方法 | |
| CN115861352A (zh) | 单目视觉、imu和激光雷达的数据融合和边缘提取方法 | |
| Zhu et al. | Moving vehicle detection and tracking algorithm in traffic video | |
| Zhou et al. | Road detection based on edge feature with GAC model in aerial image | |
| Ginhoux et al. | Model-based object tracking using stereo vision | |
| Kainz et al. | Estimating the Height of a Person from a Video Sequence | |
| Sujatha et al. | An innovative moving object detection and tracking system by using modified region growing algorithm | |
| Mao et al. | Object tracking integrating template matching and mean shift algorithm | |
| CN117238045B (zh) | 基于多模态特征的对象识别方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231027 Address after: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant after: Dongfang space technology (Shandong) Co.,Ltd. Address before: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant before: Dongfang space technology (Shandong) Co.,Ltd. Applicant before: Oriental space technology (Beijing) Co.,Ltd. Applicant before: Oriental space (Xi'an) Aerospace Technology Co.,Ltd. Applicant before: Orient Space (Hainan) Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |