本申请公开了一种自动目标的识别方法、装置及存储介质，涉及传感器数据处理技术领域，解决了现有技术中对目标识别不全，导致目标模型更新失败的问题。该方法包括：根据靶标图片获取数据集，并对数据集进行训练，确定训练结果；根据训练结果对识别到的靶标进行灰度处理与图像平滑处理，计算梯度的幅值和方向，确定边缘检测二值图；并计算出所有像素点的邻域梯度值；遍历边缘检测二值图中边缘的非0像素点，结合邻域梯度值计算出多个靶心像素坐标；根据多个靶心像素坐标的视差，并计算出三维空间中靶心坐标。该方法提升了对目标检测识别性能，使目标跟踪更加快速精确，且提高了系统的抗干扰能力，使系统不会因为环境等其他因素导致跟踪失败。踪失败。踪失败。
【技术实现步骤摘要】
自动目标识别的方法、装置及存储介质
[0001]本申请涉及传感器数据处理
，尤其涉及一种自动目标识别的方法、装置及存储介质。
技术介绍
[0002]当前，基于信息化和无人机动平台技术的智能化武器系统作为未来战争中的重要组成部分，正得到愈来愈多世界各主要军事强国的关注，世界各国都将其作为新型作战力量中的技术制高点加以深入的研究。
[0003]在智能无人系统发展突飞猛进的今天，无人机动平台技术瞄准系统却还有待改进。目前比较流行的瞄准系统有视频人工瞄准以及基于相关滤波的目标跟踪瞄准。视频人工瞄准受人的影响较大，首先对人员素质要求较高，这无疑增加了隐性成本，其次人员发挥的稳定性较差且误差较大。此外基于相关滤波的目标跟踪瞄准也存在其局限性，运动目标姿态变化是目标跟踪中常见的干扰问题。当目标尺度缩小时，由于跟踪框不能自适应跟踪，会将很多背景信息包含在内，导致目标模型的更新错误：当目标尺度增大时，由于跟踪框不能将目标完全包括在内，跟踪框内目标信息不全，也会导致目标模型的更新错误。
技术实现思路
[0004]本申请实施例通过提供一种自动目标识别的方法、装置及存储介质，解决了现有技术中对目标识别不全，导致目标模型更新失败的问题，提升了对目标检测识别性能，使目标跟踪更加快速精确，且提高了系统的抗干扰能力，使系统不会因为环境等其他因素导致跟踪失败。
[0005]第一方面，本专利技术实施例提供了一种自动目标识别的方法，该方法包括：
[0006]根据靶标图片获取数据集，并对所述数据集进行训练，确定训练结果；
[0007]根据所述训练结果对识别到的靶标进行灰度处理与图像平滑处理，并计算梯度的幅值和方向，根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图；
[0008]使用算子对所述边缘检测二值图计算出所有像素点的邻域梯度值；
[0009]遍历所述边缘检测二值图中边缘的非0像素点，结合所述邻域梯度值计算出多个靶心像素坐标；
[0010]根据多个所述靶心像素坐标的视差，计算出所述靶心相对于左相机的三维坐标并根据所述左相机的三维坐标计算出水平旋转角以及竖直旋转角，并计算出三维空间中靶心坐标。
[0011]结合第一方面，在一种可能的实现方式中，所述根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图，包括：判断所述像素点的梯度值与所述双阈值的大小，若高于高阈值，则标记为强边缘像素点；若低于高阈值且高于低阈值，则标记为弱边界像素点；若低于低阈值，在标记为抑制像素点。
[0012]结合第一方面，在一种可能的实现方式中，在执行该方法前，获取相机摄像头的内
部参数，并根据标定测量两个摄像头之间的相对位置进行校正。
[0013]结合第一方面，在一种可能的实现方式中，所述计算出三维空间中靶心坐标，包括：对云台角度进行卡尔曼滤波。
[0014]结合第一方面，在一种可能的实现方式中，还包括：取多组所述靶心坐标以及对应的靶心三维坐标信息，使用最小二乘法拟合出武器射出线，瞄准时只需要根据距离信息，使相应的靶心像素与拟合出的线上的点重合完成瞄准。
[0015]第二方面，本专利技术实施例提供了一种自动目标识别的装置，该装置包括：
[0016]训练模块，用于根据靶标图片获取数据集，并对所述数据集进行训练，确定训练结果；
[0017]边缘检测二值图获取模块，用于根据所述训练结果对识别到的靶标进行灰度处理与图像平滑处理，并计算梯度的幅值和方向，根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图；
[0018]计算模块，用于使用算子对所述边缘检测二值图计算出所有像素点的邻域梯度值；
[0019]坐标确定模块，用于遍历所述边缘检测二值图中边缘的非0像素点，结合所述邻域梯度值计算出多个靶心像素坐标；
[0020]三维坐标确定模块，用于根据多个所述靶心像素坐标的视差，计算出所述靶心相对于左相机的三维坐标并根据所述左相机的三维坐标计算出水平旋转角以及竖直旋转角，并计算出三维空间中靶心坐标。
[0021]结合第二方面，在一种可能的实现方式中，所述边缘检测二值图获取模块用于包括：判断所述像素点的梯度值与所述双阈值的大小，若高于高阈值，则标记为强边缘像素点；若低于高阈值且高于低阈值，则标记为弱边界像素点；若低于低阈值，在标记为抑制像素点。
[0022]结合第二方面，在一种可能的实现方式中，该装置还包括相机校正模块用于获取相机摄像头的内部参数，并根据标定测量两个摄像头之间的相对位置进行校正。
[0023]结合第二方面，在一种可能的实现方式中，所述三维坐标确定模块用于对云台角度进行卡尔曼滤波。
[0024]结合第二方面，在一种可能的实现方式中，该装置还包括瞄准模块用于取多组所述靶心坐标以及对应的靶心三维坐标信息，使用最小二乘法拟合出武器射出线，瞄准时只需要根据距离信息，使相应的靶心像素与拟合出的线上的点重合完成瞄准。
[0025]第三方面，本专利技术实施例提供了一种自动目标识别的服务器，该服务器包括存储器和处理器；
[0026]所述存储器用于存储计算机可执行指令；
[0027]所述处理器用于执行所述计算机可执行指令，以实现一种自动识别的方法和一种自动识别的方法任一项所述的方法。
[0028]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，计算机执行所述可执行指令时能够实现一种自动识别的方法和一种自动识别的方法任一项所述的方法。
[0029]本专利技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0030]本专利技术实施例通过采用了一种自动目标识别的方法、装置及存储介质，该方法包括：根据靶标图片获取数据集，并对数据集进行训练，确定训练结果；根据训练结果对识别到的靶标进行灰度处理与图像平滑处理，并计算梯度的幅值和方向，根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图；使用算子对边缘检测二值图计算出所有像素点的邻域梯度值；遍历边缘检测二值图中的边缘的非0像素点，结合邻域梯度值计算出多个靶心像素坐标；根据多个靶心像素坐标的视差，计算出靶心相对于左相机的三维坐标并根据左相机的三维坐标计算出水平旋转角以及竖直旋转角，并计算出三维空间中靶心坐标，能够将需要主观进行判断的靶心位置，通过多次计算不同机位拍摄的照片进行靶心坐标的计算，并且对靶标图像的边缘也记性处理，确定实际的边缘，有效解决了人工观瞄效率低下，且在出现遮挡时目标丢失的问题，进而实现了瞄准效率高，稳定性强，对出现在视野内的目标便连续追踪，即使出现遮挡，重新出现后也会重新锁定，进行目标瞄准。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本专利技术实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种自动目标识别的方法，其特征在于，包括：根据靶标图片获取数据集，并对所述数据集进行训练，确定训练结果；根据所述训练结果对识别到的靶标进行灰度处理与图像平滑处理，并计算梯度的幅值和方向，根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图；使用算子对所述边缘检测二值图计算出所有像素点的邻域梯度值；遍历所述边缘检测二值图中边缘的非0像素点，结合所述邻域梯度值计算出多个靶心像素坐标；根据多个所述靶心像素坐标的视差，计算出所述靶心相对于左相机的三维坐标并根据所述左相机的三维坐标计算出水平旋转角以及竖直旋转角，并计算出三维空间中靶心坐标。2.根据权利要求1所述的方法，其特征在于，所述根据像素点的灰度值使用双阈值算法检测和连接边缘得到边缘检测二值图，包括：判断所述像素点的梯度值与双阈值的大小，若高于高阈值，则标记为强边缘像素点；若低于高阈值且高于低阈值，则标记为弱边界像素点；若低于低阈值，在标记为抑制像素点。3.根据权利要求1所述的方法，其特征在于，在执行该方法前，获取相机摄像头的内部参数，并根据标定测量两个摄像头之间的相对位置进行校正。4.根据权利要求1所述的方法，其特征在于，所述计算出三维空间中靶心坐标，包括：对云台角度进行卡尔曼滤波。5.根据权利要求1所述的方法，其特征在于，还包括：取多组所述靶心坐标以及对应的靶心三维坐标...
【专利技术属性】
技术研发人员：刘宏涛，许哲，李健，赵伟强，张敏，周弥，赵坤，
申请(专利权)人：中电科星河北斗技术西安有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。