【CN109993692A】一种基于深度学习的电子海图和雷达图像的数据融合方法【专利】
基于深度学习的空间目标光雷图像融合识别研究
基于深度学习的空间目标光雷图像融合识别研究基于深度学习的空间目标光雷图像融合识别研究随着科学技术的不断进步，尤其是计算机视觉和人工智能领域的快速发展，深度学习技术已经广泛应用于图像识别、目标检测等领域。
而在军事领域，空间目标的光雷图像融合识别对于军事侦查、目标追踪和战场态势分析等方面具有重要意义。
本文将探讨基于深度学习的空间目标光雷图像融合识别的研究，并介绍其在军事领域中的应用。
首先，我们将分析空间目标光雷图像的特点，包括光学图像和雷达图像的各自特点以及两者的融合优势。
光学图像具有高分辨率、丰富的颜色信息等特点，但受到天气条件的限制，容易受到光线强度和角度的影响。
相反，雷达图像不受天气条件的限制，可以在夜晚和恶劣的天气条件下获取目标信息，但分辨率较低，目标细节少。
因此，将光学图像和雷达图像进行融合可以弥补各自的不足，提高目标识别的准确性和稳定性。
其次，本文将介绍深度学习在图像识别领域的应用。
深度学习算法通过构建多层神经网络模型，可以从大量的图像数据中学习到特征表示，并实现对图像的自动识别。
在光雷图像融合识别中，我们可以利用深度学习算法对融合后的图像进行特征提取和目标分类，从而实现对空间目标的准确识别。
接着，本文将介绍基于深度学习的光雷图像融合识别的具体方法。
首先，我们将介绍光雷图像的预处理方法，包括图像去噪、增强和配准等步骤，以提高图像的质量和一致性。
然后，我们将介绍卷积神经网络（CNN）和生成对抗网络（GAN）等深度学习模型的应用，以实现对光雷图像的特征提取和目标分类。
最后，我们将介绍一种基于深度学习的光雷图像融合识别系统的实现，并对其性能进行评估和分析。
最后，本文将讨论基于深度学习的光雷图像融合识别在军事领域中的应用前景。
空间目标的光雷图像融合识别可以提高军事侦查、目标追踪和战场态势分析的能力，对于提高作战效果和军事安全具有重要意义。
未来，随着深度学习技术的不断发展和军事装备的改进，基于深度学习的光雷图像融合识别技术将进一步提升，为军事应用带来更大的利益。
一种AIS目标与雷达目标的融合方法、装置及雷达系统[发明专利]
![一种AIS目标与雷达目标的融合方法、装置及雷达系统[发明专利]](https://img.taocdn.com/s3/m/f632eec57375a417866f8fe9.png)
专利名称：一种AIS目标与雷达目标的融合方法、装置及雷达系统
专利类型：发明专利
发明人：吕杰,季亚新,刘立生
申请号：CN201910589162.6
申请日：20190702
公开号：CN110221269A
公开日：
20190910
专利内容由知识产权出版社提供
摘要：本申请涉及一种AIS目标与雷达目标的融合方法，其包括：获取雷达目标和AIS目标的经纬度位置信息以及获取雷达目标的航向和航速信息；判断雷达目标的经纬度信息与AIS目标的经纬度信息，若目标的经纬度信息大于预设位置门限，则判定雷达目标与AIS目标不为同一目标，若目标的经纬度信息不大于预设位置门限，则进一步判断雷达目标和AIS目标的航向和航速构成的运动趋势，若运动趋势一致，则判定雷达目标与AIS目标为同一目标，若运动趋势不一致，则判定雷达目标与AIS目标不为同一目标；若雷达目标与AIS目标为同一目标，则融合显示雷达目标与AIS目标为一个目标，若雷达目标与AIS目标不为同一目标，则分别显示雷达目标与AIS目标。
申请人：中国航空工业集团公司雷华电子技术研究所
地址：214063 江苏省无锡市梁溪路108号
国籍：CN
代理机构：北京航信高科知识产权代理事务所(普通合伙)
更多信息请下载全文后查看。
电子海图与雷达图像叠加显示的实现的开题报告
电子海图与雷达图像叠加显示的实现的开题报告一、选题背景随着航海技术不断进步，电子海图的应用也变得越来越普遍。
电子海图能够为船舶提供准确的航线规划、实时的交通信息和安全提示等功能，是现代航行不可缺少的重要工具之一。
而实时显示雷达图像则能够帮助船舶避免潜在的危险，提高航行安全性。
因此，将电子海图与雷达图像进行叠加显示，不仅能够更加直观地呈现船舶的实时位置及周围环境，还能够提高船舶的导航和安全性能。
二、研究内容电子海图与雷达图像叠加显示的实现，需要解决以下几个关键问题：1. 数据源的获取：需要将来自船舶设备的雷达图像和 GPS 位置信息传输到电脑系统上，同时需要获取电子海图数据。
2. 数据处理：将获取的雷达图像和GPS位置信息进行处理，将其转换为图像文件并与电子海图数据进行匹配，以便进行叠加显示。
3. 叠加显示算法：需要设计一种算法，将两个图像进行叠加显示，以便船员能够更加清晰地看到船舶的位置及周边环境。
4. 界面设计：需要开发用户友好的界面，展示电子海图和雷达图像的叠加效果，并提供一些实用的功能，如船舶航线规划、雷达控制等。
三、研究意义通过电子海图与雷达图像叠加显示的实现，可以加强船舶航行的安全性能，提高船员的操作效率和航行质量。
具体来说，该技术可以实时显示船舶的位置及周围环境，让船员能够更加直观地了解周围情况，避免可能的危险和冲突，并规划更加安全和有效的航线。
另外，该技术还可以减少船员的工作量，提高船舶的导航效率，从而节省时间和资源成本。
四、研究方法首先，需要采集船舶设备的雷达图像和GPS位置信息，并获取电子海图数据。
其次，需要根据所采集的数据，设计合适的处理算法，包括图像转换、匹配和叠加显示等步骤。
最后，需要开发用户友好的界面，实现电子海图和雷达图像的叠加显示，并提供一些实用的功能，如航线规划、雷达控制等。
五、预期效果电子海图与雷达图像叠加显示的实现，能够为船舶提供更加安全、高效的航行指导和控制，提高航行的质量和效率。
雷达图像与电子海图叠加的研究的开题报告
雷达图像与电子海图叠加的研究的开题报告一、选题背景近年来，随着雷达技术与定位技术的发展，船舶上的雷达已经成为了航行的重要工具。
通过雷达，船舶可以在海上进行目标探测、情报收集、安全防范等工作。
然而，在实际航行中，雷达图像只能提供简单的海上信息。
电子海图则可以提供更加详细的水文、气象、浮标、灯塔、航线、船只位置等海上信息。
因此，将雷达图像与电子海图叠加起来，不仅可以提高海上信息的完整性和精确度，还可以方便船舶航行操作。
本次课题旨在研究雷达图像与电子海图叠加技术，以提高船舶航行的安全性和效率。
二、研究目的本次课题的研究主要目的是：1. 探究雷达图像与电子海图叠加的工作原理和技术方法，以确定叠加的方式和步骤。
2. 通过实验数据的采集和分析，检验叠加技术的有效性和可行性，以及识别相关问题。
3. 尝试优化叠加技术，从而提高叠加后的显示效果和使用价值。
三、研究内容本次课题的研究内容主要涉及以下几个方面：1. 综述雷达图像和电子海图的相关知识，介绍雷达的工作原理和基本参数，以及电子海图的基本构造和内容。
2. 探究雷达图像与电子海图叠加的技术方法，主要包括雷达图像和电子海图的数据格式、坐标系的对齐、叠加处理等。
3. 设计实验流程和数据采集方案，采集雷达图像和电子海图的相关数据，分析数据的特征和问题。
4. 借助计算机编程工具，处理数据并进行叠加处理，将雷达图像与电子海图叠加后的结果进行效果测试和比较分析。
5. 尝试在叠加方法上进行优化，以达到更好的叠加效果和更高的使用价值。
四、研究意义本次课题研究的雷达图像和电子海图叠加技术，不仅可以提高海上信息的完整性和精确度，还可以方便船舶航行操作。
具有以下几个方面的意义：1. 提高海上信息的精确度和完整性，提高船舶航行的安全性和效率。
2. 提高雷达图像和电子海图的使用价值，为相关领域的发展提供技术支持。
3. 推动雷达技术与电子海图技术的融合，拓宽海上信息技术应用的领域。
4. 给相关领域的技术开发和咨询提供经验和参考。
基于深度学习的海上船舶图像识别与表征研究
《基于深度学习的海上船舶图像识别与表征研究》摘要：随着海洋经济的快速发展和海上安全的日益重要，海上船舶图像识别与表征成为了一个关键的研究领域。
本文提出了一种基于深度学习的海上船舶图像识别与表征方法，旨在提高船舶识别的准确性和效率。
通过对大量海上船舶图像的训练，构建了一个深度卷积神经网络模型，能够自动提取船舶图像的特征，并进行准确的分类和识别。
同时，本文还探讨了船舶图像的表征方法，通过提取船舶的形状、颜色、纹理等特征，实现对船舶的更全面描述。
实验结果表明，本文提出的方法在海上船舶图像识别与表征方面具有较高的准确性和可靠性，为海上交通管理和安全监控提供了有力的支持。
关键词：深度学习；海上船舶图像；识别；表征一、引言随着全球贸易的不断增长和海洋资源的开发利用，海上交通日益繁忙，海上船舶的数量也在不断增加。
为了确保海上交通安全和高效运行，需要对海上船舶进行有效的监测和管理。
传统的船舶监测方法主要依赖于雷达、AIS 等设备，但这些方法存在着分辨率低、覆盖范围有限等问题。
而随着图像传感器技术的不断发展，海上船舶图像的获取变得越来越容易，通过对海上船舶图像的分析和处理，可以实现对船舶的更准确识别和监测。
深度学习作为一种新兴的机器学习技术，在图像识别、语音处理等领域取得了显著的成果。
将深度学习技术应用于海上船舶图像识别与表征，可以充分发挥其强大的特征提取和分类能力，提高船舶识别的准确性和效率。
因此，本文旨在研究基于深度学习的海上船舶图像识别与表征方法，为海上交通管理和安全监控提供技术支持。
二、相关工作传统的船舶图像识别方法主要包括基于模板匹配、基于特征提取和基于机器学习的方法。
这些方法在一定程度上能够实现船舶图像的识别，但存在着识别准确率低、鲁棒性差等问题。
（二）深度学习在图像识别中的应用深度学习技术在图像识别领域取得了巨大的成功，其主要方法包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等。
雷达图像与电子海图的实时匹配算法
雷达图像与电子海图的实时匹配算法
周莉;华承相;易成涛
【期刊名称】《中国航海》
【年(卷),期】2006(000)004
【摘要】针对已抽取海岸边缘特征并二值化的电子海图和已提取海岸边缘特征并缩放至海图比例的实时雷达图像进行匹配.匹配时,先提取待匹配曲线的特征点构成特征段,然后用特征段之间曲率的Hausdorff距离来度量分段轮廓之间的相似性,获得匹配结果.该算法充分利用轮廓线的几何特征信息,既保证了较好的匹配精度,又能显著提高算法速度,实现雷达的实时匹配定位.
【总页数】4页(P54-57)
【作者】周莉;华承相;易成涛
【作者单位】海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018
【正文语种】中文
【中图分类】K248.105
【相关文献】
1.基于Hausdorff距离的雷达图像与电子海图实时匹配算法 [J], 周莉;华承相;易成涛
2.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 刘维亭;马继先;庄肖波
3.雷达图像与电子海图的实时匹配算法及其计算机实现 [J], 袁赣南;徐浩鸣
4.基于改进Hausdorff距离的雷达图像与电子海图匹配算法 [J], 易成涛;徐飞
5.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 马继先
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于视觉和毫米波雷达的融合深度估计方法[发明专利]
![一种基于视觉和毫米波雷达的融合深度估计方法[发明专利]](https://img.taocdn.com/s3/m/7b37e22b591b6bd97f192279168884868762b8ae.png)
专利名称：一种基于视觉和毫米波雷达的融合深度估计方法专利类型：发明专利
发明人：李曙光,郑珂,李振旭,赵洋,程洪
申请号：CN202210149240.2
申请日：20220218
公开号：CN114627351A
公开日：
20220614
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于视觉和毫米波雷达的融合深度估计方法，属于计算机视觉技术领域。
本发明包括两阶段的网络，第一阶段以图像和由毫米波雷达数据得到的稀疏深度图为输入，预测稠密的粗糙深度图，考虑到毫米波雷达数据的特性，采用稀疏前置映射模块提取其特征并完成数据之间的映射；第二阶段以粗糙深度图为输入，采用更为精简的网络结构，同时在该阶段中融合前一阶段特征，旨在预测细节更加完善的深度图；同时，本发明还以nuScenes数据集为基础，构建了一个新的深度数据集。
本发明在单目图像中引入毫米波雷达的测量值作为先验知识，旨在利用毫米波雷达补充视觉信息，尤其是在夜晚、雨天等视觉特征退化严重的场景，从而提升深度估计结果的准确性。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：电子科技大学专利中心
代理人：邓黎
更多信息请下载全文后查看。
一种基于深度学习的图像融合方法[发明专利]
![一种基于深度学习的图像融合方法[发明专利]](https://img.taocdn.com/s3/m/5c3eb4b7312b3169a551a4d4.png)
专利名称：一种基于深度学习的图像融合方法专利类型：发明专利
发明人：蔺素珍,韩泽,郑瑶
申请号：CN201710211621.8
申请日：20170401
公开号：CN107103331A
公开日：
20170829
专利内容由知识产权出版社提供
摘要：本发明涉及图像融合方法，具体为一种基于深度学习的图像融合方法，本方法按如下步骤进行：基于自动编码器利用卷积层构建基本单元；将多个基本单元堆叠起来训练得到深度堆叠神经网络，并采用端对端的方式调整堆叠网络；利用该堆叠网络分解输入图像，得到各自的高频和低频特征映射图，分别利用局部方差取大和区域匹配度合并高频和低频特征映射图；并将高频融合特征映射图和低频融合特征映射图放回最后一层网络，得到最终的融合图像。
本方法可以对图像进行自适应分解和重构，融合时只需高频和低频特征映射图各一幅，不需要人工定义滤波器个数和类型，也不需要选择图像的分解层数和滤波方向数，可以极大改善融合算法对先验知识的依赖性。
申请人：中北大学
地址：030051 山西省太原市尖草坪区学院路3号
国籍：CN
代理机构：太原科卫专利事务所(普通合伙)
代理人：朱源
更多信息请下载全文后查看。
电子海图与雷达图像的融合显示
电子海图与雷达图像的融合显示
郑尧
【期刊名称】《舰船科学技术》
【年(卷),期】2015(037)003
【摘要】为了让船舶能够导航和避免碰撞事故的发生,电子海图和雷达图像是船舶上进行综合导航时必不可少的一部分.当船舶在海上航行时,它可以把海上所有的安全信息显示在屏幕上.如果只使用其中一种,其性能将受到限制.本文提出一种电子海图和雷达图像融合显示法,即把本船的位置坐标设置为参考点,把正北的方向设置为参考线,对接收到的雷达图像再进行仿射变换,分析出电子海图显示范围,通过调整电子海图的比例尺最终完成电子海图与雷达图像的匹配任务.仿真试验表明,电子海图和雷达图像能够正确匹配和高效融合,能够把雷达扫描到的对象在电子海图的底图上显示出来,非常便于船员了解船舶周围的环境状况,确保船舶航行时的安全.
【总页数】4页(P181-184)
【作者】郑尧
【作者单位】四川信息职业技术学院,四川广元628017
【正文语种】中文
【中图分类】U675.81
【相关文献】
1.电子海图与雷达图像及二次目标的叠加显示研究 [J], 徐关勇;曹万华
2.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 刘维亭;马继先;庄肖波
3.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 马继先
4.基于Faster R-CNN的电子海图和雷达图像的数据融合 [J], 张大恒; 张英俊; 张闯
5.基于GDI+的电子海图与雷达图像的叠加显示 [J], 刘毅;索继东;曹兰兰
因版权原因，仅展示原文概要，查看原文内容请购买。
一种雷达和电子海图图像叠加方法
一种雷达和电子海图图像叠加方法
杨功流;窦玉宝;郑荣才
【期刊名称】《中国惯性技术学报》
【年(卷),期】2010(018)002
【摘要】雷达和电子海图是船舶重要助航设备,为了提高船舶的安全航行能力,提出了一种雷达和电子海图图像叠加的方法.以本船位置为参考点,正北向为参考线,将采集到的雷达图像进行仿射变换;根据雷达的扫描范围,通过墨卡托投影变换获取电子海图的显示范围,并对电子海图的比例尺进行调整,实现雷达图像和电子海图的匹配.以电子海图为底图,将雷达图像和电子海图在像素级上进行叠加.仿真结果表明,雷达和电子海图图像叠加是辅助船舶安全航行的有效方法,电子海图的海岸轮廓和雷达扫描到的图像能够较好的匹配融合,可以在电子海图底图上实时显示雷达捕获到的目标,提高对船舶周围环境的监控能力.
【总页数】4页(P181-184)
【作者】杨功流;窦玉宝;郑荣才
【作者单位】北京航空航天大学,仪器科学与光电工程学院,北京,100083;天津航海仪器研究所,天津,300131;天津航海仪器研究所,天津,300131
【正文语种】中文
【中图分类】U666.1
【相关文献】
1.雷达模拟视频和电子海图图像叠加方法 [J], 邓康全;于浩;窦玉宝
2.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 刘维亭;马继先;庄肖波
3.电子海图系统中雷达图像与海图图形叠加技术研究 [J], 马继先
4.基于GDI+的电子海图与雷达图像的叠加显示 [J], 刘毅;索继东;曹兰兰
5.雷达图像和电子海图系统的叠加应用 [J], 石京东
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910281317.X
(22)申请日 2019.04.09
(71)申请人 大连海事大学
地址 116026 辽宁省大连市高新园区凌海
路1号
(72)发明人 张闯 郭沐壮 郭晨
(74)专利代理机构 大连东方专利代理有限责任
公司 21212
代理人 李馨
(51)Int.Cl.
G06T 3/00(2006.01)
G06T 5/00(2006.01)
G06T 5/30(2006.01)
G06T 5/50(2006.01)
G06T 7/11(2017.01)
G06T 7/33(2017.01)G06T 7/60(2017.01)
(54)发明名称一种基于深度学习的电子海图和雷达图像的数据融合方法(57)摘要本发明提供一种基于深度学习的电子海图和雷达图像的数据融合方法。
本发明方法，包括如下步骤：利用深度学习目标检测模型对输入的雷达图像进行目标检测，识别出航海雷达探测到的特征物标；对雷达图像中特征区域进行预处理；向雷达图像中特征区域的几何中心发射射线，寻找配准参考点；采用基于特征的仿射变换，用电子海图对雷达图像进行配准，达到雷达图像和电子海图的数据融合。
本发明有效地融合电子海图和雷达图像，从而帮助船舶驾驶员更好地理解航行环境，并提高驾驶自动化水平和导航安全
性。
权利要求书3页 说明书6页 附图5页CN 109993692 A 2019.07.09
C N 109993692
A
1.一种基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，包括如下步骤：
S1、利用深度学习目标检测模型对输入的雷达图像进行目标检测，识别出航海雷达探测到的特征物标；
S2、对雷达图像中特征区域进行预处理，所述特征区域为深度学习目标检测模型检测出来的包括所述特征物标的区域，其包括如下步骤：
S21、对雷达图像中特征区域进行滤波处理；
S22、对滤波后的雷达图像进行二值化处理，将灰度图像转换为二值图像；
S23、提取雷达图像中特征区域的雷达回波边界；
S3、向雷达图像中特征区域的几何中心发射射线，寻找配准参考点；
S4、采用基于特征的仿射变换，用电子海图对雷达图像进行配准，达到雷达图像和电子海图的数据融合。
2.根据权利要求1所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S1之前还有如下步骤：
利用深度学习目标检测模型中的基于区域的全卷积网络模型结合迁移学习技术将待配准雷达数据集代入到已有目标检测模型中，对模型进行预处理。
3.根据权利要求1所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S21中，采用自适应均值滤波算法对雷达图像中特征区域进行滤波处理，具体为：
K(x)＝c k k(||x||2) (1)
其中，c k 为一个大于0的常数，满足∫k(x)dr＜0，K(x)为一个核函数，核密度估计值由下
式给出：
其中，K H (x)＝|H|-1/2K(H -1/2x)，n表示样本像素点总量，H为参数，
在H＝h 2I的前提下，I为单位矩阵简化密度方程，
可得到下式，
梯度满足：
当g(x)＝-k ′(x)，G(x)＝c k g(||x||2)时，G(x)作为K(x)的不透明函数，得到：
权 利 要 求 书1/3页2CN 109993692 A。