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。
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。