-
公开(公告)号：CN104730537B
公开(公告)日：2017-04-26
申请号：CN201510080015.8
申请日：2015-02-13
Applicant: 西安电子科技大学
IPC: G01S17/66
Abstract: 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，建立多尺度模型；对目标进行数据采集，得到目标的距离测量值、方位角测量值和俯仰角测量值；在尺度1上对红外探测系统获取的角度信息采用无迹卡尔曼滤波法进行估计；在尺度2上将角度估计信息和距离信息进行融合；在尺度2上采用卡尔曼滤波法对目标状态进行估计；将融合估计的信息转换到尺度1上，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值；重复前述步骤，获得目标运动轨迹。本发明将将多尺度模型引用到信息融合中，更加全面准确的描述目标运动状态，在不同尺度对目标进行估计滤波，提高了目标状态的估计精度，通过不同尺度之间信息的交互，提高目标跟踪精度。
-
公开(公告)号：CN103714548A
公开(公告)日：2014-04-09
申请号：CN201310743788.0
申请日：2013-12-27
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 基于视觉注意机制的红外图像与可见光图像配准方法，步骤如下：输入原始红外和可见光图像，通过视觉注意机制模型获取红外和可见光图像的视觉显著区域；通过Hu矩的不变矩计算，对红外和可见光图像的视觉显著区域进行粗匹配；在粗匹配的红外和可见光图像的视觉显著区域内搜寻质心，以质心作为视觉显著点，以视觉显著点代表视觉显著区域；基于去均值归一化互相关原理对视觉显著点进行细匹配；采用RANSAC算法对精确匹配的图像进行提纯，计算配准估计函数，通过配准估计函数进行图像变换，实现图像的配准、输出。本发明通过模拟人眼的视觉注意机制作为图像的特征检测方法提取稳定的特征，经过匹配后，精确实现红外图像与可见光图像的配准。
-
公开(公告)号：CN102979989A
公开(公告)日：2013-03-20
申请号：CN201210445247.5
申请日：2012-11-09
Applicant: 西安电子科技大学
IPC: F16L55/34
Abstract: 本发明公开了提供一种蠕动式管道爬行器，包括三个三爪机构、丝杆(P)和管道参数测量头(H)；丝杆(P)与管道参数测量头(H)之间为万向刚性连接，爪(B1)～爪(B3)形成的三爪机构与丝杆(P)为螺纹式连接，爪(A1)～爪(A3)、爪(C1)～爪(C3)形成的三爪机构与丝杆(P)均为滚轴式连接，爪(A1)～爪(A3)和爪(C1)～爪(C3)形成的三爪机构在丝杆(P)轴向不能相对位移；三个三爪机构支撑丝杆(P)并协调运动；.爬行过程不打滑，爬行进程精度高，误差＜0.1mm；爪子伸缩行程的动态范围大，可在多种不同口径的管道内爬行；爬行器爬行的步长、速率和运动方向等运动状态及其变化都能精确设定和自动控制；爬行器的轴向驱动(或牵引)力大，适用于推(或拉)动重负载；爬行器具有自定中功能。
-
公开(公告)号：CN103714548B
公开(公告)日：2017-01-11
申请号：CN201310743788.0
申请日：2013-12-27
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 基于视觉注意机制的红外图像与可见光图像配准方法，步骤如下：输入原始红外和可见光图像，通过视觉注意机制模型获取红外和可见光图像的视觉显著区域；通过Hu矩的不变矩计算，对红外和可见光图像的视觉显著区域进行粗匹配；在粗匹配的红外和可见光图像的视觉显著区域内搜寻质心，以质心作为视觉显著点，以视觉显著点代表视觉显著区域；基于去均值归一化互相关原理对视觉显著点进行细匹配；采用RANSAC算法对精确匹配的图像进行提纯，计算配准估计函数，通过配准估计函数进行图像变换，实现图像的配准、输出。本发明通过模拟人眼的视觉注意机制作为图像的特征检测方法提取稳定的特征，经过匹配后，精确实现红外图像与可见光图像的配准。
-
公开(公告)号：CN105335986A
公开(公告)日：2016-02-17
申请号：CN201510573979.6
申请日：2015-09-10
Applicant: 西安电子科技大学
IPC: G06T7/20
CPC classification number: G06T2207/10016
Abstract: 基于特征匹配和Mean Shift算法的目标跟踪方法，步骤如下：输入图像序列，对图像序列进行背景重构，获得初始时刻的目标区域，并采用MeanShift算法进行建模；对初始时刻的目标区域模型进行SIFT特征提取，将初始时刻的目标区域模型的SIFT特征点作为特征库的初始特征点；通过SIFT特征匹配计算当前帧目标的初始位置、尺度参数和旋转参数；采用Mean Shift算法对目标进行精确定位；计算目标的遮挡因子，判断目标的遮挡程度，确定目标的跟踪模式；图像序列中的所有图像跟踪完毕，结束目标跟踪。本发明将Mean Shift算法和SIFT特征匹配算法结合起来，充分发挥二者的优势，实现目标的稳定跟踪。
-
Patent Agency Ranking
公开(公告)号：CN104504723B
公开(公告)日：2017-05-17
申请号：CN201510019034.X
申请日：2015-01-14
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 基于视觉显著特征的图像配准方法：输入基准图像和待配准图像；提取基准图像的视觉显著特征点集和待配准图像的视觉显著特征点集；计算基准图像的各视觉显著特征点和待配准图像的各视觉显著特征点的方向，根据视觉显著特征点的方向计算各个特征点的描述向量，获得基准图像的特征描述向量集和待配准图像的特征描述向量集；计算基准图像的各特征描述向量与待配准图像的各特征描述向量间的距离，对待配准图像特征点和基准图像特征点进行匹配；去除误匹配对，获得基准图像和待配准图像中的正确匹配对，根据两图像之间的正确匹配对的坐标计算出基准图像和待配准图像之间的仿射变换矩阵，根据仿射变换矩阵将待配准图像进行相应的变换，实现图像配准。
-
公开(公告)号：CN104730537A
公开(公告)日：2015-06-24
申请号：CN201510080015.8
申请日：2015-02-13
Applicant: 西安电子科技大学
IPC: G01S17/66
CPC classification number: G01S17/66
Abstract: 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，建立多尺度模型；对目标进行数据采集，得到目标的距离测量值、方位角测量值和俯仰角测量值；在尺度1上对红外探测系统获取的角度信息采用无迹卡尔曼滤波法进行估计；在尺度2上将角度估计信息和距离信息进行融合；在尺度2上采用卡尔曼滤波法对目标状态进行估计；将融合估计的信息转换到尺度1上，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值；重复前述步骤，获得目标运动轨迹。本发明将多尺度模型引用到信息融合中，更加全面准确的描述目标运动状态，在不同尺度对目标进行估计滤波，提高了目标状态的估计精度，通过不同尺度之间信息的交互，提高目标跟踪精度。
-
公开(公告)号：CN104504723A
公开(公告)日：2015-04-08
申请号：CN201510019034.X
申请日：2015-01-14
Applicant: 西安电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/33
Abstract: 基于视觉显著特征的图像配准方法：输入基准图像和待配准图像；提取基准图像的视觉显著特征点集和待配准图像的视觉显著特征点集；计算基准图像的各视觉显著特征点和待配准图像的各视觉显著特征点的方向，根据视觉显著特征点的方向计算各个特征点的描述向量，获得基准图像的特征描述向量集和待配准图像的特征描述向量集；计算基准图像的各特征描述向量与待配准图像的各特征描述向量间的距离，对待配准图像特征点和基准图像特征点进行匹配；去除误匹配对，获得基准图像和待配准图像中的正确匹配对，根据两图像之间的正确匹配对的坐标计算出基准图像和待配准图像之间的仿射变换矩阵，根据仿射变换矩阵将待配准图像进行相应的变换，实现图像配准。
-
公开(公告)号：CN105335986B
公开(公告)日：2018-11-30
申请号：CN201510573979.6
申请日：2015-09-10
Applicant: 西安电子科技大学
IPC: G06T7/246
Abstract: 基于特征匹配和Mean Shift算法的目标跟踪方法，步骤如下：输入图像序列，对图像序列进行背景重构，获得初始时刻的目标区域，并采用MeanShift算法进行建模；对初始时刻的目标区域模型进行SIFT特征提取，将初始时刻的目标区域模型的SIFT特征点作为特征库的初始特征点；通过SIFT特征匹配计算当前帧目标的初始位置、尺度参数和旋转参数；采用Mean Shift算法对目标进行精确定位；计算目标的遮挡因子，判断目标的遮挡程度，确定目标的跟踪模式；图像序列中的所有图像跟踪完毕，结束目标跟踪。本发明将Mean Shift算法和SIFT特征匹配算法结合起来，充分发挥二者的优势，实现目标的稳定跟踪。
-
公开(公告)号：CN102979989B
公开(公告)日：2016-01-06
申请号：CN201210445247.5
申请日：2012-11-09
Applicant: 西安电子科技大学
IPC: F16L55/34
Abstract: 本发明公开了提供一种蠕动式管道爬行器，包括三个三爪机构、丝杆(P)和管道参数测量头(H)；丝杆(P)与管道参数测量头(H)之间为万向刚性连接，爪(B1)～爪(B3)形成的三爪机构与丝杆(P)为螺纹式连接，爪(A1)～爪(A3)、爪(C1)～爪(C3)形成的三爪机构与丝杆(P)均为滚轴式连接，爪(A1)～爪(A3)和爪(C1)～爪(C3)形成的三爪机构在丝杆(P)轴向不能相对位移；三个三爪机构支撑丝杆(P)并协调运动；爬行过程不打滑，爬行进程精度高，误差＜0.1mm；爪子伸缩行程的动态范围大，可在多种不同口径的管道内爬行；爬行器爬行的步长、速率和运动方向等运动状态及其变化都能精确设定和自动控制；爬行器的轴向驱动(或牵引)力大，适用于推(或拉)动重负载；爬行器具有自定中功能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.031 seconds)
