自动目标识别的方法、装置及存储介质与流程

1.本技术涉及传感器数据处理技术领域，尤其涉及一种自动目标识别的方法、装置及存储介质。


背景技术：

2.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。
3.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。


技术实现要素：

4.本技术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。
5.第一方面，本发明实施例提供了一种自动目标识别的方法，该方法包括：
6.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；
7.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；
8.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；
9.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；
10.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。
11.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。
12.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。
13.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。
14.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。
15.第二方面，本发明实施例提供了一种自动目标识别的装置，该装置包括：
16.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；
17.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；
18.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；
19.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；
20.三维坐标确定模块，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。
21.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。
22.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。
23.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。
24.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。
25.第三方面，本发明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；
26.所述存储器用于存储计算机可执行指令；
27.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。
28.第四方面，本发明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。
29.本发明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：
30.本发明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
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
32.图1为本技术实施例提供的自动目标识别的方法的步骤流程图；
33.图2为本技术实施例提供的校正映射示意图；
34.图3为本技术实施例提供的自动目标识别的装置示意图；
35.图4为本技术实施例提供的自动目标识别的服务器示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.现有的瞄准系统还有待改进，目前比较流行的瞄准系统有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比较大，首先对用户的素质要求较高，这无疑增加了隐形陈本，其次人在发挥稳定性存疑且误差较大。此外基于相关滤波的目标跟踪瞄准也存在其局限性。姿态变化鼠标跟踪中常见的干扰问题，基于此导致的外观模型发生改变，容易导致跟踪失败。基于此提出本技术的方法。
38.本发明实施例提供了一种自动目标识别的方法，如图1所示，该方法包括s101至s105。
39.s101，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。
40.在执行s101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。相机标定不仅要得出每个摄像头的内部参数，还需要通过标定来测量两个摄像头之间的相对位置（即右摄像头相对于左摄像头的平移向量t和旋转矩阵r）。双目校正的作用就是要把消除畸变后的两幅图像严格地进行对应，使得两幅图像的对极线恰好
在同一水平线上，这样一幅图像上任意一点与其在另一幅图像上的对应点就必然具有相同的行号，只需在该行进行一维搜索即可匹配到对应点。在本技术提供的一个具体的实施例中，使用matlab的相机标定工具箱进行双目标定。首先根据测距距离准备尺寸合适的棋盘格，对于短焦双目相机（测距范围在20m以内），棋盘中方格的宽度达到20mm即可；对于长焦双目相机（测距范围在40m左右），棋盘中方格的宽度需要尽量大，否则会影响标定的精度，一般至少达到60mm。然后拍摄照片，尽量拍摄多组照片，这样可以提高标定效果，标定效果的好坏直接影响到测距的精度。对于短焦相机通常拍摄40组照片即可；长焦相机通常会需要更多组照片。照片拍摄好后，进入matlab标定工具箱，使用stereo camera calibrator双目标定工具箱，导入图片即可得到标定数据。
41.或者使用opencv标定双目相机。首先使用findchessboardcorners检测棋盘角点，用cornersubpix进行亚像素角点优化，并将角点坐标保存，然后根据棋盘尺寸生成物点坐标，其中物点坐标z坐标为零，横纵坐标均从0开始。之后分别对左右相机使用calibratecamera进行单目相机标定，计算出两相机的内参数，畸变系数等。进行立体标定，立体标定使用stereocalibrate函数进行，由于之前已经分别标定了两个相机，因此，此处进行立体标定时使用默认参数，即不再改变两相机内参数，而去优化r，t，e，f等量，r表示旋转矩阵，t表示平移矩阵，e表示本征矩阵，f表示基础矩阵。
42.之后在两种方法得到的标定数据上进行校正映射，如图2所示，实际标定过程从图2中的图像（c）到图2中的图像（a）向后延伸，其过程被称为逆向映射。对于标定图像（c）上每一个整型像素，在未畸变的图像（b）中找到其坐标，并使用它们来查找原始图像（a）中实际（浮点）坐标。浮点坐标上的像素值通过在原始图像上的邻近整型像素位置插值得到，这个值被赋给目的图像（c）上的标定后整型像素位置。在标定图像都被赋值后，对其进行剪切，以增大左右图像间的重叠面积。
43.在这里通过对左右相机参数分别使用initundistortrectifymap函数来实现这一过程。函数initundistortrectifymap返回查找映射表map1和map2作为输出，然后通过remap函数使用左右相机的映射对左右立体图进行校正。
44.在进行相机校正后，对数据集进行标注。使用神经网络对获得数据进行训练，本技术提供的一种神经网络可以分为：输入端，backbone，neck，prediction。其中输入端主要负责mosaic数据增强，自适应锚框计算，自适应图片缩放。backbone主要分为focus结构和csp结构，focus结构中比较关键的是切片操作。neck部分采用了panet结构，neck主要用于生成特征金字塔。特征金字塔会增强模型对于不同缩放尺度对象的检测，从而能够识别不同大小和尺度的同一个物体。在输出端采用giou_loss做bounding box的损失函数。在目标检测的后处理过程中，针对很多目标框的筛选，通常需要nms操作，这里采用加权nms的方式。
45.s102，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。在步骤s101中，最后当识别到标靶时，根据bounding box截取靶标图片，首先并进行灰度处理，将每个像素点的三通道rgb值根据以下的公式进行归一化：，其中，r表示红色的rgb值，g表示绿色的rgb值，b表示蓝色的rgb值，由此得到靶标的灰度图。
46.为了尽可能减少噪声对边沿检测结果的影响，对得到的灰度图进行高斯滤波：
，其中，表示方差，x表示一维高斯分布的坐标值。
47.确定参数得到一维核向量。高斯卷积核大小的选择将影响检测器的性能。磁村越大，检测器对噪声的敏感度就越低。
48.其次，使用sobel算子计算图像中每个像素点的梯度的幅值和方向，，，，上式三个矩阵分别为该算子的g
x
表示x向卷积模板、gy表示y向卷积模板，k表示待处理点的邻域点标记矩阵，其中[i,j]为待处理点，到表示待处理点的邻域点。
[0049]
据此可用数学公式表示其每个点的梯度幅值为：，其中，，。
[0050]
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。将梯度分为8个方向，分别为e、ne、n、nw、w、sw、s、se，其中0代表0~45度，1代表45~90度，2代表-90~-45度，3代表-45~0度。像素点p的梯度方向为theta，则像素点p1和p2的梯度线性插值为：，表示到像素点分别与水平的夹角值，非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0。再使用双阈值检测，在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值（阈值通过手动调整观察边缘检测二值图效果来确定）来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。最后再连通所有强边缘，以及和强边缘有连接的弱边缘。
[0051]
s103，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。初始化圆心空间n(a，b)，令所有的n(a，b)=0。
[0052]
s104，遍历边缘检测二值图中边缘的非0像素点，计算出多个靶心像素坐标，沿着梯度方向(切线的垂直方向)画线，将线段经过的所有累加器中的点(a，b)的n(a，b)+=1。
[0053]
统计排序n(a，b)，得到可能的圆心n(a，b)越大，越有可能是圆心，一幅图中可能有多个圆心，但因为靶标为多个同心圆，所以n(a，b)最大的即为圆心即为靶心像素点的坐标。如未检测到圆心，如原图长宽为x，y，取（0.5x，0.4y）处为靶标靶心坐标（靶标靶心实际位置，当靶标与相机不共面时存在误差）。
[0054]
在上述步骤下得到左右视图靶心的像素点坐标，通过图像的像素点坐标及相机参数求出靶心在物理空间中的三维坐标来实现接下来的瞄准跟着。首先根据三角测量原理计算靶心深度信息（得到深度信息后）。假设校正后的图像误差可忽略，则可视为由一个完美无畸变，对准，已测量好的系统拍摄。两相机的图像平面完全共面，具有平行的光轴（光轴是从投影中心o发出，通过主点c的一条射线，也称为“主光线”），两相机已知距离且有相等的焦距。此外校正过的左右视图每一个像素行对齐。此时靶心点，在左右视图上的成像点和，对应的横坐标和。
[0055]
在这种情况下，深度与视差成反比。通过相似三角形很容易求出深度z。用公式表示为：，其中f表示相机焦距，t表示两相机距离。靶心在左视图上的成像点对应的横纵坐标为和。左视图中心点坐标为和。根据靶心距离z计算靶心相对于左相机x和y方向的坐标：，，由此得到了靶心相对于左相机的三维坐标x，y，z。
[0056]
由于深度与视差成反比，显然，二者之间存在非线性关系。当视差趋近于零时，微小的视差变化会造成很大的深度变化。当视差较大时，微小的视差不会造成深度有太大改变，可以得出结论，立体视觉系统只有在物体与摄像机距离较近才有较高的深度分辨率。
[0057]
s105，根据多个靶心像素坐标计算出三维空间中靶心坐标。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；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。在得到靶心三维坐标的情况下，左相机坐标为，靶心坐标为由公式：，求得水平旋转角度w以及竖直旋转角度h。转动云台从而使左相机视图的中心瞄准靶心。
[0058]
取多组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。本技术提供的一个具体的实施例中，分别在10m，20m，30m，40m，50m处通过转动云台使武器对准靶心，取五组靶心的左图像像素位置及对应的距离信息，因为武器射出是一条近似直线，所以这五个点在视野中也是一条直线。取像素位置为，取靶心三维坐标中的距离信息为。通过5个像素点使用最小二乘法可以在视野中拟合出一条直线，这条直线即为武器
射出线。表示为：
[0059]
，
[0060]
其中到为坐标处与拟合直线的偏离值。
[0061]
即求下式中的r最小：
[0062]
，
[0063]
其中表示点、点以及点到拟合线y方向的距离。
[0064]
，
[0065]
，
[0066]
求出a，b即得到拟合直线，计算出靶标到相机的距离与此直线的关系。需要瞄准时，只需要识别到靶心，获取像素位置及距离信息，根据距离信息获取对应拟合线的像素坐标，并计算出其三维坐标以及与当前姿态的水平和竖直角度差值。
[0067]
根据卡尔曼滤波对水平和竖直角度差值进行处理，包括：假定k时刻的系统状态与k-1时刻有关，并且内部有噪声，则状态方程：，其中为系统状态矩阵，a为状态转移矩阵，为k-1时刻的系统状态矩阵，为过程噪声。
[0068]
观测方程：，其中为系统状态矩阵，为状态阵的观测量，h为状态观测矩阵，为测量噪声。
[0069]
在无噪声情况下预测，预测状态：，预测观测：，观测新息（观测-预测观测）：，其中与为无噪声情况下的系统状态矩阵与状态阵的观测量，表示为k-1时刻的优化预测状态。
[0070]
观测新息反应了预测噪声和观测噪声对状态的综合影响将过程噪声看作一个新息比例。
[0071]
则优化预测状态：
[0072]
，
[0073]
误差协方差矩阵：
[0074]
，
[0075]
而卡尔曼增益应该使误差协方差矩阵最小状态新息（状态-预测状态）：
[0076]
，
[0077]
其中，h表示观测矩阵，i表示单位矩阵。
[0078]
假设在无噪声情况下，状态新息：
[0079]
，
[0080]
此时，再把误差协方差矩阵展开：
[0081]
。
[0082]
若使用t表示误差协方差矩阵的对角线，则：
[0083]
，
[0084]
对求导，就可找到最小的均方差，使最小，就能得到卡尔曼增益。
[0085]
根据，令其为0，则卡尔曼增益为：
[0086]
，
[0087]
其中观测矩阵h和观测噪声协方差矩阵r为常数，所以卡尔曼增益与预测误差协方差矩阵有关。
[0088]
求误差协方差矩阵：
[0089]
，
[0090]
在加入外界对系统的作用时，可整理出卡尔曼滤波的五个公式：
[0091]
预测：，；其中q为过程噪声的协方差
[0092]
校正：，，；
[0093]
经过滤波后信号更为平滑，且实现了预测功能。
[0094]
本发明实施例提供了一种自动目标识别的装置300，如图3所示该装置300包括：
[0095]
训练模块301，用于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。
[0096]
边缘检测二值图获取模块302，用于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；还包括：判断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。
[0097]
计算模块303，用于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；
[0098]
坐标确定模块304，用于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；
[0099]
三维坐标确定模块305，用于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。还用于对云台角度进行卡尔曼滤波。
[0100]
该装置300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。
[0101]
该装置300还包括瞄准模块用于取多组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。
[0102]
上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有
某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然，也可以将实现某功能的模块由多个子模块或子单元组合实现。
[0103]
本技术中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（英文：application specific integrated circuit；简称：asic）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0104]
本技术所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0105]
本发明实施例提供了一种自动目标识别的服务器400，如图4所示该服务器包括存储器401和处理器402；存储器401用于存储计算机可执行指令；处理器402用于执行计算机可执行指令，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的方法。
[0106]
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有可执行指令，计算机执行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的方法。
[0107]
上述存储介质包括但不限于随机存取存储器（英文：random access memory；简称：ram）、只读存储器（英文：read-only memory；简称：rom）、缓存（英文：cache）、硬盘（英文：hard disk drive；简称：hdd）或者存储卡（英文：memory card）。所述存储器可以用于存储计算机程序指令。
[0108]
虽然本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。本实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照本实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。
[0109]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的硬件的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包
括若干指令用以使得一台计算机设备（可以是个人计算机，移动终端，服务器，或者网络设备等）执行本技术各个实施例或者实施例的某些部分所述的方法。
[0110]
本说明书中的各个实施方式采用递进的方式描述，各个实施方式之间相同或相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。本技术的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0111]
以上实施例仅用以说明本技术的技术方案，而非对本技术限制；尽管参照前述实施例对本技术进行了详细的说明，本领域普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术技术方案的范围。

技术特征：
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。6.一种自动目标识别的装置，其特征在于，包括：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；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；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；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；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。7.一种自动目标识别的服务器，其特征在于，包括存储器和处理器；所述存储器用于存储计算机可执行指令；所述处理器用于执行所述计算机可执行指令，以实现权利要求1-5任一项所述的方法。8.一种计算机可读存储介质，其特征在于，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如权利要求1-5任一项所述的方法。

技术总结
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。


技术研发人员：刘宏涛 许哲 李健 赵伟强 张敏 周弥 赵坤
受保护的技术使用者：中电科星河北斗技术（西安）有限公司
技术研发日：2023.05.09
技术公布日：2023/7/27