[发明专利]自适应作战场景的可视化生成方法在审

专利信息
申请号: 201911136589.7 申请日: 2019-11-19
公开(公告)号: CN111145348A 公开(公告)日: 2020-05-12
发明(设计)人: 李柯材;刘正成;管振辉;马援博;徐鹏涛 申请(专利权)人: 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所)
主分类号: G06T17/05 分类号: G06T17/05;G06T19/20;G06K9/62
代理公司: 南京理工大学专利中心 32203 代理人: 岑丹
地址: 225001 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 自适应 作战 场景 可视化 生成 方法
【权利要求书】:

1.一种自适应作战场景的可视化生成方法,其特征在于,具体步骤为:

步骤1、通过场景视点得到当前地形可视范围的透视投影,并通过透视投影实时将当前地形的二维矢量数据绘制在与地形绑定的纹理上,形成三维战场地理环境;

步骤2、由当前非军标控制点集生成军标的二维外轮廓,用二维外轮廓裁剪NURBS表面得到平面军标网格;

依据与地形绑定的纹理,对军标网格上的各个顶点进行位移,并渲染到屏幕帧缓存中得到最终军标绘制结果,实现战场态势的可视化;

步骤3、战场环境和战场态势的自适应:对战场环境和战场态势中的环境、态势图像进行特征提取,将提取的特征作为支持向量机的分类输入参数进行分类器的训练,构造出结构风险最小的分类器模型,利用结构风险最小的分类器模型进行图像识别分类,形成统一的作战态势图。

2.根据权利要求1所述的自适应作战场景的可视化生成方法,其特征在于,所述透视投影是指由视点、视线和视口在地平面上形成的投影。

3.根据权利要求1所述的自适应作战场景的可视化生成方法,其特征在于,对战场环境和战场态势中的环境、态势图像进行特征提取,将提取的特征作为支持向量机的分类输入参数进行分类器的训练,构造出结构风险最小的分类器模型,利用结构风险最小的分类器模型进行图像识别分类,形成统一的作战态势图的具体步骤为:

步骤3-1、将战场环境和战场态势中的环境、态势图像信息分为两部分,分别作为训练集和测试集,采用灰度共生矩阵分别提取训练集和测试集地形的纹理特征;

步骤3-2、将提取的训练集特征作为支持向量机的分类输入参数,进行分类器的训练,构造出结构风险最小的分类器模型;

步骤3-3、利用结构风险最小的分类器模型,对测试集图像进行分类,分类后的图像数据包括地形、影像、矢量数据,利用地形、影像、矢量数据构建三维战场地理环境,并依据地理空间情报动态标绘军标,生成战场态势图。

4.根据权利要求1所述的自适应作战场景的可视化生成方法,其特征在于,采用灰度共生矩阵分别提取训练集和测试集地形的纹理特征,具体方法为:

1)将战场环境的图像转换为灰度图像;

2)对灰度图像进行量化;

3)计算出各灰度级在设定方向单位距离出现的概率p作为pij放入灰度共生矩阵P;

4)根据灰度共生矩阵P计算纹理参数和特征。

5.根据权利要求4所述的自适应作战场景的可视化生成方法,其特征在于,所述纹理参数包括能量、惯性矩、滴以及相关性,分别具体为:

式中,F1表示能量,F2表示惯性矩,F3表示滴,F4表示相关性,μ和σ分别表示均值和方差,i,j分别表示p(i,j)在矩阵中的行,列数。

6.根据权利要求1所述的自适应作战场景的可视化生成方法,其特征在于,将提取的训练集特征作为支持向量机的分类输入参数,进行分类器的训练,构造出结构风险最小的分类器模型,具体方法为:

对提取的特征进行归一化和降维处理;

将归一化和降维处理后的特征输入支持向量机进行训练,对权值、偏移量和惩罚系数进行优化,构造出结构风险最小的分类器模型,所述支持向量机选用高斯径向基函数作为核函数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所),未经扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911136589.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top