-
公开(公告)号：CN106778833A
公开(公告)日：2017-05-31
申请号：CN201611065623.2
申请日：2016-11-28
Applicant: 北京航天控制仪器研究所
CPC classification number: G06K9/6267 , G06K9/3233 , G06K9/342 , G06K9/6269
Abstract: 一种复杂背景下小目标丢失故障的自动识别方法，包括：首先，通过滑动窗口的方法扫描待检测的图像；其次，通过候选ROI分类器对滑动窗口获得的各个图像进行检测，识别出待检测图像中的候选感兴趣区域；之后，通过ROI分类器对候选感兴趣区域进行检测，识别出感兴趣区域；最后，通过小目标分类器对感兴趣区域进行小目标识别，通过识别结果判断小目标是否丢失，若丢失，则表示发生故障，若未丢失，则表示无故障，从而完成复杂背景下小目标丢失故障的自动识别。本发明能够对复杂背景下小目标丢失故障进行准确而快速的识别。将这种方法应用于铁路货车折角塞门把手丢失故障识别系统中，识别率为99.88％，识别速度为11帧/秒，满足实际应用的需求。
-
公开(公告)号：CN111239766B
公开(公告)日：2021-12-07
申请号：CN201911378504.6
申请日：2019-12-27
Applicant: 北京航天控制仪器研究所
Abstract: 本发明涉及一种基于激光雷达的水面多目标快速识别跟踪方法，属于环境感知技术领域。本发明方法通过GPS的位置、速度和方向等信息将激光雷达点云校正到真实世界坐标系，对指定间隔激光雷达点云进行降采样，利用欧几里得距离聚类方法将点云分割成相互独立的跟踪目标，对后续激光雷达点云数据构建k‑d树点云搜索模型，以目标为中心截取指定半径邻域内的点云数据，进而通过欧几里得距离聚类方法将点云分割成1个或多个待选更新目标，而后利用迭代最近点配准算法选择最相似的更新目标替换原始跟踪目标，并通过配准矩阵得到跟踪目标的移动方向和距离。本方法可快速检测并跟踪多个水面目标，既降低了点云处理的运算时间，同时也大大提高了对目标的识别效率和跟踪精度。
-
Patent Agency Ranking
公开(公告)号：CN112464994A
公开(公告)日：2021-03-09
申请号：CN202011225901.2
申请日：2020-11-05
Applicant: 北京航天控制仪器研究所
IPC: G06K9/62
Abstract: 基于PointNet网络的船艇尾浪识别与去除方法，步骤如下：S1：利用激光雷达实时获取无人艇360°范围的点云数据；S2：对点云数据进行去噪处理；S3：对去噪处理的点云数据进行欧几里得距离聚类，获得可疑目标列表；S4：构建PointNet深度学习模型，并装载已训练好的权重参数；S5：将聚类后的点云子集输入PointNet深度学习模型中进行分类识别；S6：将识别为尾浪目标的点云子集从可疑目标列表中去除；S7：判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪，非自身尾浪情况下通过尾浪位置对水面船艇目标进行定位；S8：将水面障碍物探测结果发送给无人艇控制平台。本发明利用PointNet深度学习模型实现船艇尾浪的快速识别和去除，并基于尾浪识别结果对目标船艇进行定位，提升了激光雷达在水面应用的适应能力。
-
公开(公告)号：CN111239766A
公开(公告)日：2020-06-05
申请号：CN201911378504.6
申请日：2019-12-27
Applicant: 北京航天控制仪器研究所
Abstract: 本发明涉及一种基于激光雷达的水面多目标快速识别跟踪方法，属于环境感知技术领域。本发明方法通过GPS的位置、速度和方向等信息将激光雷达点云校正到真实世界坐标系，对指定间隔激光雷达点云进行降采样，利用欧几里得距离聚类方法将点云分割成相互独立的跟踪目标，对后续激光雷达点云数据构建k-d树点云搜索模型，以目标为中心截取指定半径邻域内的点云数据，进而通过欧几里得距离聚类方法将点云分割成1个或多个待选更新目标，而后利用迭代最近点配准算法选择最相似的更新目标替换原始跟踪目标，并通过配准矩阵得到跟踪目标的移动方向和距离。本方法可快速检测并跟踪多个水面目标，既降低了点云处理的运算时间，同时也大大提高了对目标的识别效率和跟踪精度。
-
公开(公告)号：CN111144208A
公开(公告)日：2020-05-12
申请号：CN201911156854.8
申请日：2019-11-22
Applicant: 北京航天控制仪器研究所
Abstract: 本发明涉及一种海上船舶目标的自动检测和识别方法。本发明的步骤如下：(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；(2)构建基于Faster-RCNN算法的深度神经网络，并设置相应参数；(3)基于训练集对该神经网络进行离线训练，得到海上船舶目标检测器；(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。本发明采用卷积网络层共享的方式建立了特征提取网络和提案框生成网络，能够实现图像特征的最大化表达，实现基于像素的特征提取和学习。
-
公开(公告)号：CN111061273A
公开(公告)日：2020-04-24
申请号：CN201911368924.6
申请日：2019-12-26
Applicant: 北京航天控制仪器研究所
IPC: G05D1/02
Abstract: 本发明公开了一种无人艇用自主避障融合方法和系统，该方法包括：获取多个不同传感器的检测结果；确定每个传感器检测到的所有目标的预测位置、伴随点和强度；根据确定的每个传感器检测到的所有目标的预测位置、伴随点和强度，构建环境栅格地图；根据构建出的环境栅格地图，选用Field D*算法进行路径规划。本发明解决了对复杂水域静态和动态目标地图的构建，具有兼容不同传感器的灵活性。
-
公开(公告)号：CN107742124A
公开(公告)日：2018-02-27
申请号：CN201710868120.7
申请日：2017-09-22
Applicant: 北京航天控制仪器研究所
IPC: G06K9/48
CPC classification number: G06K9/48 , G06K2009/485
Abstract: 本发明公开了一种加权梯度方向共生矩阵纹理特征的提取方法。该方法包括：预定义一组位移因子；针对待分析的图像计算梯度幅值图像和梯度方向图像；采用局部二值模式算法对梯度幅值图像进行编码得到每个像素的梯度幅值编码值；对预定义的每个位移因子，在梯度方向图像的基础上，以梯度幅值编码为权值计算共生矩阵，得到加权梯度方向共生矩阵；将所有的加权梯度方向共生矩阵进行向量化和归一化处理，得到加权梯度方向共生矩阵纹理特征。本发明解决了传统的共生矩阵纹理特征提取方法只对单一的图像信息进行统计的局限性，实现了提高目标描述力的目的。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
