CN103383465B - 一种基于相关器特征输出的信息融合方法 - Google Patents
一种基于相关器特征输出的信息融合方法 Download PDFInfo
- Publication number
- CN103383465B CN103383465B CN201310172820.4A CN201310172820A CN103383465B CN 103383465 B CN103383465 B CN 103383465B CN 201310172820 A CN201310172820 A CN 201310172820A CN 103383465 B CN103383465 B CN 103383465B
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- correlator
- compared
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种基于相关器特征输出的信息融合方法,涉及信息融合领域,包括以下步骤:首先选取参考传感器数据和待比对融合的传感器数据;再对所需的数据进行空间降维;对数据再次处理;使用相关器进行数据信息确认;对数据进行多维空间判决;最后进行目标标定和数据重组。采用以相关器特征输出的数据进行信息融合的方法可以降低信息融合的复杂度,适合于异构传感器的信息融合。
Description
技术领域
本发明涉及物联网数据融合领域,涉及应用相关器的特征输出进行信息融合的方法。
背景技术
物联网在各行业的应用日益广泛。随着技术的发展,物联网的感知和认知能力不断增强。当前,物联网的多传感器网络在原有同类型传感器信息融合的基础上,正在向异构传感器信息融合发展。这些传感器之间可能不能够直接建立数据关联。传感器数据之间不仅有冗余,而且传感器的精度、采样率、系统误差等因素各不相同。
现有的信息融合技术在很大程度上基于特征提取,利用数据的特征开展信息融合工作。比如,定位数据,由雷达、自动识别系统(Automatic Identification System,以下简称AIS)、全球定位系统(Global Positioning System,以下简称GPS)、北斗卫星定位系统等传感器数据的信息融合。其中雷达用于目标主动定位,AIS设备、GPS用于目标被动定位,AIS设备还能够报告目标静态信息。针对AIS与雷达航迹关联,目前的方案是建立模糊关联矩阵,如图1所示。模糊关联矩阵建立和判决的依据均为欧式距离。该方案需要引入大量需要确定的统计参数,且参数规模与问题规模(航迹数)呈指数增长。该方案可解决雷达信息融合中的系统误差问题,但是模型比较复杂,需要大量的参数调优工作。该方法运算量大,物理意义不明确。针对多传感器信息融合问题,目前主要使用滤波器方案,如图2所示。其要点是两级滤波器,子滤波器负责单路航迹(点迹),主滤波器对子滤波器的结果用统计方法进行处理,获得融合后的航迹信息。该方案对于系统误差有一定抑制作用,但其缺点也是单路航迹的确定和多路航迹的融合必须同时做。该方案需要求解复杂状态方程,运算量大,并且也没有对异构的传感器的特性进行区分、没有利用高精度定位设备的特殊性,比如,像AIS设备这样能够实现高精度定位的设备。
发明内容
(一)要解决的技术问题
本发明的目的在于解决目前物联网数据融合领域中数据融合繁琐、效率低、没有明确物理意义的问题。
(二)技术方案
本发明技术方案如下:
选取参考传感器数据和待比对融合的传感器数据。
将参所选的数据进行空间降维。
优选的,将所选的数据降到一维空间。
优选的,数据降到一维空间后,对一维的数据进行数据再处理。
使用相关器对于同样的曲线或形状相似的曲线输出最大的特性,进行数据信息确认。
对使用相关器确认过的数据使用多维空间判决法进行判定。
对多维空间判定过的数据进行目标标定和数据重组。
(三)有益效果
本发明使目前的物联网信息融合方法更为简洁、更具明确物理意义的方案,也更加适合异构传感器进行信息融合。
附图说明
图1是物联网信息融合领域中使用模糊关联矩阵的方案图;
图2是物联网信息融合领域中使用滤波器方案图;
图3是相关器工作原理图;
图4是基于相关器特征输出的信息融合方法的流程图;
图5是管控平台多传感器定位信息融合流程图;
图6是多传感器协同拍摄目标的信息融合流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
如图3所示的相关器工作原理图,本发明实的施例使用其对相同的曲线或相似的曲线输出最大的特性进行数据信息确认。如图4所示的基于相关器特征输出的信息融合方法的流程图,在本发明的实施例中,关于其融合方法均为流程图所示。
实施例1
本实施例中,具体阐述应用如图4所示的基于相关器特征输出的信息融合方法,在如图5所示的管控平台多传感器定位信息融合流程图中的实施方法。
一种管控平台,包括雷达、GPS、北斗、AIS等多种定位传感器,分别用于目标的主动与被动定位,满足平台的管控需求。各种定位传感器的定位精度有明显差别。并且,管控平台覆盖地域较广。该平台选用多级信息融合架构进行定位数据融合。依据参与信息融合的传感器类型差异,又分为同构融合和异构融合。同构融合主要在局域内进行,而异构融合更侧重与广域融合。
首先进行该管控平台的同构融合,同构融合方法都遵循以下步骤:
选取参考传感器数据和待比对融合的传感器数据,可以选择精度相对高的传感器数据作为参考轨迹,如对于雷达,可选取高精度雷达数据作为参考轨迹;
将参考轨迹和候选轨迹进行空间降维,降到一维空间,对一维的定位数据进行处理;
数据预处理,统一数据的时间采样点,包括必要的预测和插值;
基于相关器的数据信息特征确认,同一维度的参考轨迹和候选轨迹在一个沿时间轴的滑动窗口内相关并累加,如果相关器输出量在时间点完全重合的位置取最大值,则认为该维度的数据特征相似;
对多维的结果进行判决,如果所有维度均相似,则认为参考轨迹和候选轨迹对应同一目标,即认为同一目标的轨迹对应不同的传感器,各个维度的轨迹分量都应该是相似的;
对确认为同一目标的参考轨迹和候选轨迹进行标定,并完成数据重组。
同构融合完成以后,再对异构数据进行融合,遵循以下步骤:
选取参考传感器数据和待比对融合的传感器数据,可以选择精度相对高的传感器数据作为参考轨迹,如AIS的定位精度优于雷达的定位精度,可以选取AIS数据为参考轨迹,选取其它取待融合的传感器数据作为候选轨迹;
将参考轨迹和候选轨迹进行空间降维,降到一维空间,对一维的定位数据进行处理;
数据预处理,统一数据的时间采样点,包括必要的预测和插值;
基于相关器的数据信息特征确认,同一维度的参考轨迹和候选轨迹在一个沿时间轴的滑动窗口内相关并累加,如果相关器输出量在时间点完全重合的位置取最大值,则认为该维度的数据特征相似;
对多维的结果进行判决。如果所有维度均相似,则认为参考轨迹和候选轨迹对应同一目标,即认为同一目标的轨迹对应不同的传感器,各个维度的轨迹分量都应该是相似的;
对确认为同一目标的参考轨迹和候选轨迹进行标定,如果轨迹的相似度相同,经过相关器确认后,即初步认为其中有冗余数据,再结合其它辅助信息(如已知的当前区域内目标总数),最终确认冗余数据,对同一目标的各项数据建立关联,对冗余轨迹、航迹删除,并完成数据重组。
本发明算法对异构融合的支持最主要的体现在:
对系统误差不敏感,可解决由于不同种类的传感器系统误差差别较大而导致的算法实现难度大的问题;
可利用系统误差的差别,充分信任并利用高精度数据,如选取高精度轨迹作为参考轨迹,其它作为候选轨迹。
实施例2
本实施例中,具体阐述图4所示的基于相关器特征输出的信息融合方法在应用在如图6所示的多传感器协同拍摄目标的信息融合流程图中的实施方法。
一种平台需要使用轨迹目标定位信息和视频设备信息,以解决对运动目标的持续跟踪拍摄问题。考虑到定位的主动性和及时性,平台采用雷达作为定位数据源。考虑到平台的实用性,需要多雷达、多视频摄像头协同接力工作。这里就带来多传感器信息融合、协同工作问题。里面比较关键的问题是信息融合,以及多目标轨迹交叉引起的目标丢失问题。准确的对目标进行标定确认,并且预测其运动趋势,是实现视频接力监控的关键。
多传感器协同工作,遵循以下步骤:
选取参考传感器数据和待比对融合的传感器数据,可以选择实际轨迹作为参考轨迹,选取其它取待融合的传感器数据作为候选轨迹;
将参考轨迹和候选轨迹进行空间降维,降到一维空间,对一维的定位数据进行处理;
数据预处理,统一数据的时间采样点,包括必要的预测和插值;
基于相关器的数据信息特征确认,同一维度的参考轨迹和候选轨迹在一个沿时间轴的滑动窗口内相关并累加,如果相关器输出量在时间点完全重合的位置取最大值,则认为该维度的数据特征相似;
对多维的结果进行判决。如果所有维度均相似,则认为参考轨迹和候选轨迹对应同一目标,即认为同一目标的轨迹对应不同的传感器,各个维度的轨迹分量都应该是相似的;
对确认为同一目标的参考轨迹和候选轨迹进行标定,如果轨迹的相似度相同,经过相关器确认后,即初步认为其中有冗余数据,再结合其它辅助信息(如已知的当前区域内目标总数),最终确认冗余数据,对同一目标的各项数据建立关联,对冗余轨迹、航迹删除,并完成数据重组;
对于多目标交叉、重合等可能出现的情况,通过对目标运动趋势进行预测,并将预测轨迹与候选的实际轨迹进行信息融合,来保持对目标的正确标定,防止跟丢目标。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (1)
1.一种基于相关器特征输出的信息融合方法,其特征在于,包括同构融合和异构融合;
其中,同构融合包括如下步骤:
1)选取参考传感器数据和待比对融合的传感器数据;
2)将参考传感器数据和待比对融合的传感器数据进行空间降维,降到一维空间,对一维的定位数据进行处理,具体为统一数据的时间采样点,包括必要的预测和插值;
3)使用相关器对已处理的数据进行数据信息确认,具体为:同一维度的处理后的参考传感器数据和处理后的待比对融合的传感器数据在一个沿时间轴的滑动窗口内相关并累加,如果相关器输出量在时间点完全重合的位置取最大值,则该维度的数据特征相似;
4)对使用相关器进行数据确认过的数据进行判定;
如果所有维度均相似,则认为参考传感器数据和待比对融合的传感器数据对应同一目标;
5)对已进行判定的数据进行数据重组,即对确认为同一目标的参考传感器数据和待比对融合的传感器数据进行标定,并完成数据重组;
同构融合完成以后,再对异构数据进行融合,包括以下步骤:
6)选取参考传感器数据和待比对融合的传感器数据,其中选择精度相对高的一类传感器数据作为参考传感器数据;
7)将参考传感器数据和待比对融合的传感器数据进行空间降维,降到一维空间,对一维的定位数据进行处理,具体为统一数据的时间采样点,包括必要的预测和插值;
8)使用相关器对已处理的数据进行数据信息确认,具体为:同一维度的处理后的参考传感器数据和处理后的待比对融合的传感器数据在一个沿时间轴的滑动窗口内相关并累加,如果相关器输出量在时间点完全重合的位置取最大值,则该维度的数据特征相似;
9)对多维的结果进行判决,如果所有维度均相似,则认为参考传感器数据和待比对融合的传感器数据对应同一目标;
10)对确认为同一目标的参考传感器数据和待比对融合的传感器数据进行标定,如果相似度相同,经过相关器确认后,即初步认为其中有冗余数据,再结合已知的当前区域内目标总数的辅助信息,最终确认冗余数据,对同一目标的各项数据建立关联,对冗余数据删除,并完成数据重组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172820.4A CN103383465B (zh) | 2013-05-10 | 2013-05-10 | 一种基于相关器特征输出的信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172820.4A CN103383465B (zh) | 2013-05-10 | 2013-05-10 | 一种基于相关器特征输出的信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103383465A CN103383465A (zh) | 2013-11-06 |
CN103383465B true CN103383465B (zh) | 2015-01-07 |
Family
ID=49491304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310172820.4A Active CN103383465B (zh) | 2013-05-10 | 2013-05-10 | 一种基于相关器特征输出的信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103383465B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645593B (zh) * | 2017-01-24 | 2019-07-12 | 浙江农林大学 | 危化品毒害试剂检漏方法 |
CN113866758B (zh) * | 2021-10-08 | 2023-05-26 | 深圳清航智行科技有限公司 | 一种场面监视方法、系统、装置及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181076A (ja) * | 2003-12-18 | 2005-07-07 | Tokimec Inc | 船舶用航行支援装置 |
CN101055618A (zh) * | 2007-06-21 | 2007-10-17 | 中国科学院合肥物质科学研究院 | 基于方向特征的掌纹识别方法 |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
-
2013
- 2013-05-10 CN CN201310172820.4A patent/CN103383465B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181076A (ja) * | 2003-12-18 | 2005-07-07 | Tokimec Inc | 船舶用航行支援装置 |
CN101055618A (zh) * | 2007-06-21 | 2007-10-17 | 中国科学院合肥物质科学研究院 | 基于方向特征的掌纹识别方法 |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
王润生.信息融合.《信息融合》.2007, * |
Also Published As
Publication number | Publication date |
---|---|
CN103383465A (zh) | 2013-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN102279406B (zh) | Gps定位轨迹的围栏识别方法 | |
JP2019521401A (ja) | ロボットの経路計画システム、方法、ロボット及び媒体 | |
CN105043396A (zh) | 一种移动机器人室内自建地图的方法和系统 | |
CN103218296A (zh) | 一种充分检测空指针引用缺陷的方法 | |
Cai et al. | Robust hybrid approach of vision-based tracking and radio-based identification and localization for 3D tracking of multiple construction workers | |
US10628633B1 (en) | Enhancing electronic form data based on hierarchical context information | |
CN106294076A (zh) | 一种服务器关联故障预测方法及其系统 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN104598709A (zh) | 基于扩展ooda模型的检测数据融合方法 | |
CN109581359A (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN103383465B (zh) | 一种基于相关器特征输出的信息融合方法 | |
CN103198016A (zh) | 基于联合依赖概率建模的软件错误定位方法 | |
CN109612462A (zh) | 多传感器数据融合定位方法及其安防机器人 | |
CN108957397A (zh) | 巡检机器人的定位方法及装置 | |
CN102831169B (zh) | 地理信息系统中的平面图形关系确定方法及系统 | |
CN109919154A (zh) | 一种字符智能识别方法及识别装置 | |
CN104486353A (zh) | 一种基于流量的安全事件检测方法及装置 | |
KR102198028B1 (ko) | 스마트 팩토리 가상설계에 따른 설비배치에 대한 설비위치 검증방법 | |
Zhang et al. | Reidentification-based automated matching for 3D localization of workers in construction sites | |
Schubert et al. | The role of multisensor environmental perception for automated driving | |
JP6076113B2 (ja) | 航跡相関装置 | |
US11267130B2 (en) | Robot localization method and apparatus and robot using the same | |
CN110909668B (zh) | 目标检测方法、装置、计算机可读存储介质和电子设备 | |
Choi et al. | Data association using relative compatibility of multiple observations for EKF-SLAM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |