CN107247963B - 一种用于处理模糊和高冲突信息的目标识别方法 - Google Patents
一种用于处理模糊和高冲突信息的目标识别方法 Download PDFInfo
- Publication number
- CN107247963B CN107247963B CN201710367536.0A CN201710367536A CN107247963B CN 107247963 B CN107247963 B CN 107247963B CN 201710367536 A CN201710367536 A CN 201710367536A CN 107247963 B CN107247963 B CN 107247963B
- Authority
- CN
- China
- Prior art keywords
- information
- identification
- target
- framework
- burnt
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种用于处理模糊和高冲突信息的目标识别方法,能够降低计算量和提高被检测目标分类的准确率。所述方法包括:根据得到的辨识框架下的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并;根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标。本发明涉及无线传感器网络中的目标分类领域。
Description
技术领域
本发明涉及无线传感器网络中的目标分类领域,特别是指一种用于处理模糊和高冲突信息的目标识别方法。
背景技术
在无线传感器网络中,经常需要通过传感器检测目标并对目标进行判别分类。现有的目标分类方法有决策树归类方法、贝叶斯分类方法、支持向量机的分类方法、后向传播分类方法等等。但是,这些分类方法大都应用于需要处理海量数据的机器学习和数据挖掘等领域,这不仅对数据量要求高,而且对于机器的存储、计算能力也有很高要求。相反,在无线传感器网络应用中,由于传感器节点可用的能量有限,内部存储容量、数据处理能力以及通信带宽等资源严重受限,因此需要开发一种轻量级的方法应用于无线传感器领域中的目标检测分类问题。
再者,受尺寸、传感器制作工艺以及真实环境中复杂的干扰因素影响,无线传感器网络中节点收集到的信息不仅有很高的模糊性而且经常具有较高的冲突。若将每个节点收集到的模糊和冲突信息丢弃,只利用节点的精准信息势必会导致目标检测的不准确,甚者是错误的结果,因此有效的处理模糊和高冲突信息显得尤为重要。虽然现在有相关的数据融合算法,但有的实际上并不能解决冲突信息,即使有的算法能解决但还是普遍存在计算量过大,焦元产生不合理而出现“焦元爆炸”的问题。基于以上原因,如何找到一种算法,在保证低计算量的同时,能处理节点间模糊和高冲突信息仍然是一个研究的重点。
发明内容
本发明要解决的技术问题是提供一种用于处理模糊和高冲突信息的目标识别方法,能够在保证低计算量和保留节点间冲突以及不确定信息的前提下,准确、快速的识别被检测目标。
为解决上述技术问题,本发明实施例提供一种用于处理模糊和高冲突信息的目标识别方法,包括:
获取被检测目标的多个证据,所述多个证据为包含模糊和高冲突信息的多个证据;
根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元,所述单焦元为具有支持信息的模糊和高冲突信息单焦元;
根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并;
根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;
根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标。
进一步地,所述获取被检测目标的多个证据包括:
通过目标信息收集节点中的各传感器节点获取被检测目标的m个特征观测值,其中,所述m个特征观测值包含模糊和高冲突信息;
将获取到的m个特征观测值转换成包含模糊和高冲突信息的s个证据。
进一步地,所述根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元包括:
根据所述被检测目标,确定相应的辨识框架Ψ={ε1,ε2,…,εn},其中,εi表示被检测目标所有可能取值中的一种,所述辨识框架表示被检测目标所有可能取值的集合;
根据确定的辨识框架,利用基本置信度指派函数得到辨识框架下的单焦元β;具体的:
对于任一属于辨识框架Ψ的子集β,存在函数m,当满足2Ψ→[0,1]和关系式时,得到辨识框架下的单焦元β;
其中,m(β)为辨识框架幂集2Ψ到区间[0,1]的一个映射;若m(β)>0,且β∈2Ψ,则称β为单焦元。
进一步地,所述根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集包括:
将获得的单焦元β相互关联来支持辨识框架中的相应元素得到新的焦元集合
其中,Γ表示形幂集,γ0,γ1,γ2,…,γn表示单焦元,表示非单焦元,包含有单焦元之间的模糊和高冲突信息,Γ={φ,β1,β2,...,βn,β1◇β2,β1◇β3,...,β1◇βn,β2◇β3,β2◇β4,...,β2◇βn,......},◇表示算子符号。
进一步地,若辨识框架Ψ={ε1,ε2,ε3},相应单焦元为β1,β2,β3;则:
γ0=φ,即γ0不包含任何单焦元的信息;
形幂集Γ={γ0,γ1,γ2,…,γ7},其中,n=3,所以该形幂集的势为23=8,该形幂集最后一位元素的下标为2n-1=7,其中,γi(i=1,2,3)中仅包含对单个βi的支持信息,则仅包含单个的βi元素;
当γi(i>3)时,γi中含有对多个辨识框架中的元素的支持信息,包含所有涉及到的元素,而不包含没有涉及到的元素,其中,γ5=β1◇β3,所述γ5含有支持β1和β3的有用信息,β1◇β3不等于β1与β3的交集,β1◇β3仅表示β1和β3都存在。
进一步地,所述基于逻辑运算的信息合成规则包括:
两个相同单焦元结合则以确定的原焦元形式保留,但会增加该单焦元的置信度;
一个单焦元和一个支持该单焦元的非单焦元结合生成一个新焦元,且可增加该单焦元的置信度;
两个不同单焦元以包含这两个单焦元信息部分结合生成一个新的焦元;
一个单焦元和一个不支持该单焦元的非单焦元相结合生成一个新的焦元,该新焦元中包含以上单焦元和非单焦元所包含的所有焦元信息;
两个非单焦元结合生成一个新的焦元,该新焦元中包含这两个非单焦元含有的所有焦元信息。
进一步地,所述根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果包括:
根据各个证据所支持的信息和形幂集中新焦元,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据按照第一公式和第二公式进行融合得到用于进行目标识别的初步合成结果;其中,
所述第一公式表示为:m(γ0)=0;
所述第二公式表示为:γ≠γ0且βj∈Ψ;
其中,当|γ|=1时,β1&β2&…&βn=γ,且β1,β2,…,βn中至少有n-1个等于γ;当|γ|≥2时,β1|β2|…|βn=γ,并排除|γ|=1的组合,mi(βj)表示证据i对于βj的置信值。
进一步地,所述根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标包括:
根据所述辨识框架和初步合成结果,利用信息融合方法,得到被检测目标为辨识框架中元素εi的概率值;
选取概率值最大时的εi作为被检测目标的取值。
进一步地,所述方法还包括:
若得到的被检测目标为辨识框架中各目标的概率值相等;
则此次识别无效,返回执行通过目标信息收集节点中的各传感器节点获取被检测目标的多个证据的步骤。
本发明的上述技术方案的有益效果如下:
上述方案中,通过获取被检测目标的多个证据,所述多个证据为包含模糊和高冲突信息的多个证据;根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元,所述单焦元为具有支持信息的模糊和高冲突信息单焦元;根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并,这样的合并方式简单、易操作,能够最大程度上减少焦元的数量,避免了焦元爆炸的可能性,并降低了计算量;然后,根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标,从而得到被检测目标的类别;所述初步合成结果保留了模糊和高冲突信息,且体现了有用信息再分配的思路,从而能够保证模糊和高冲突信息的高效利用,并且能够提高被检测目标分类的准确率。
附图说明
图1为本发明实施例提供的用于处理模糊和高冲突信息的目标识别方法的流程示意图;
图2为本发明实施例提供的形幂集的图形表达形式示意图;
图3为本发明实施例提供的应用场景示意图;
图4为本发明实施例提供的图3应用场景中某个具体的小组部署情况示意图;
图5为本发明实施例提供的初步合成结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例一
如图1所示,本发明实施例提供的用于处理模糊和高冲突信息的目标识别方法,包括:
S101,获取被检测目标的多个证据,所述多个证据为包含模糊和高冲突信息的多个证据;
S102,根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元,所述单焦元为具有支持信息的模糊和高冲突信息单焦元;
S103,根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并;
S104,根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;
S105,根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标。
本发明实施例所述的用于处理模糊和高冲突信息的目标识别方法,通过获取被检测目标的多个证据,所述多个证据为包含模糊和高冲突信息的多个证据;根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元,所述单焦元为具有支持信息的模糊和高冲突信息单焦元;根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并,这样的合并方式简单、易操作,能够最大程度上减少焦元的数量,避免了焦元爆炸的可能性,并降低了计算量;然后,根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标,从而得到被检测目标的类别;所述初步合成结果保留了模糊和高冲突信息,且体现了有用信息再分配的思路,从而能够保证模糊和高冲突信息的高效利用,并且能够提高被检测目标分类的准确率。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述获取被检测目标的多个证据包括:
通过目标信息收集节点中的各传感器节点获取被检测目标的m个特征观测值,其中,所述m个特征观测值包含模糊和高冲突信息;
将获取到的m个特征观测值转换成包含模糊和高冲突信息的s个证据。
本实施例中,当被检测目标出现时,可以通过目标信息收集节点中的各传感器节点获取所述被检测目标的目标信息,其中,所述目标信息包含模糊和高冲突信息;接着,对获取到的所述被检测目标的目标信息进行特征提取,得到所述被检测目标的m个特征观测值,所述特征观测值可用于目标识别,m个特征观测值可以分别记为O1,O2,……,Om。
本实施例中,可以基于基本信度分配(basic belief assignment,BBA)模型,将获取到的m个特征观测值转换成包含模糊和高冲突信息的s个证据,所述s个证据,可以分别记为e1,e2,……,es。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元包括:
根据所述被检测目标,确定相应的辨识框架Ψ={ε1,ε2,…,εn},其中,εi表示被检测目标所有可能取值中的一种,所述辨识框架表示被检测目标所有可能取值的集合;
根据确定的辨识框架,利用基本置信度指派函数得到辨识框架下的单焦元β;具体的:
对于任一属于辨识框架Ψ的子集β,存在函数m,当满足2Ψ→[0,1]和关系式时,得到辨识框架下的单焦元β;
其中,m(β)为辨识框架幂集2Ψ到区间[0,1]的一个映射;若m(β)>0,且β∈2Ψ,则称β为单焦元。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集包括:
将获得的单焦元β相互关联来支持辨识框架中的相应元素得到新的焦元集合
其中,Γ表示形幂集,γ0,γ1,γ2,…,γn表示单焦元,表示非单焦元,包含有单焦元之间的模糊和高冲突信息,Γ={φ,β1,β2,…,βn,β1◇β2,β1◇β3,…,β1◇βn,β2◇β3,β2◇β4,…,β2◇βn,……},◇表示算子符号。
本实施例中,将获得的单焦元β相互关联来支持辨识框架中的相应元素得到新的焦元集合因为所得的新焦元集合Γ与幂集形式相似,可以称该新焦元集合为形幂集。
本实施例中,新焦元βi◇…◇βj(1≤i≤j≤n)是由单焦元β1,β2,…,βn所组成的,他们包含有单焦元βi,…,βj之间的模糊和高冲突信息,因此新焦元βi◇…◇βj含有支持βi,…,βj的有用信息,而且仅支持βi,…,βj。
本实施例中,通过定义新的焦元,可以确保收集到的高冲突信息和模糊信息能够被局部化,可以精准的表述处理的高冲突信息和模糊信息分别来源于哪些确定的单焦元。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,若辨识框架Ψ={ε1,ε2,ε3},相应单焦元为β1,β2,β3;则:
γ0=φ,即γ0不包含任何单焦元的信息;
形幂集Γ={γ0,γ1,γ2,…,γ7},其中,n=3,所以该形幂集的势为23=8,该形幂集最后一位元素的下标为2n-1=7,其中,γi(i=1,2,3)中仅包含对单个βi的支持信息,则仅包含单个的βi元素;
当γi(i>3)时,γi中含有对多个辨识框架中的元素的支持信息,包含所有涉及到的元素,而不包含没有涉及到的元素,其中,γ5=β1◇β3,所述γ5含有支持β1和β3的有用信息,β1◇β3不等于β1与β3的交集,β1◇β3仅表示β1和β3都存在。
本实施例中,为了能够更加直观的表现出新焦元γ所包含的单焦元和相关焦元关于被检测目标进行分类的支持信息,可以通过图形的形式来表示新焦元,为了简洁明了,仅以三个元素为例,将新焦元通过图形进行表达,如图2所示:
第一,在图2中,辨识框架Ψ={ε1,ε2,ε3};
第二,在图2中,γ0=φ,即γ0不包含任何ε焦元的信息;
第三,在图2中,形幂集Γ={γ0,γ1,γ2,…,γ7},其中,n=3,所以该形幂集的势为23=8,该形幂集最后一位元素的下标为2n-1=7,其中,γi(i=1,2,3)中仅包含对单个εi的支持信息,因此仅包含单个的βi元素;而对于γi(i>3)时,γi中含有对多个辨识框架中的元素的支持信息,所以包含所有涉及到的元素,而不包含没有涉及到的元素,例如,γ5=β1◇β3,此时γ5仅含有支持β1和β3的有用信息;
第四,在图2中,同理可得,当i>3时,各种γi表示形式;
第五,图2只是对该新焦元的图形表示,其中,β1◇β3不等于β1与β3的交集,β1◇β3仅表示β1和β3都存在。
本实施例中,通过举例对支持信息进行说明,例如,传感器节点1,觉得当前被检测目标是自行车,那么他为什么认为这是自行车,需要有相关的证据证明,这就是支持信息。
本实施例中,可以将形幂集Γ分成两个不同的类,一类是单焦元,如γ0,γ1,γ2,…,γn,另一类是非单焦元(包含单焦元的模糊信息和冲突信息)如本实施例中,所述基于逻辑运算的信息合成规则包括:
两个相同单焦元结合则以确定的原焦元形式保留,但会增加该单焦元的置信度;
一个单焦元和一个支持该单焦元的非单焦元结合生成一个新焦元,且可增加该单焦元的置信度;
两个不同单焦元以包含这两个单焦元信息部分结合生成一个新的焦元;
一个单焦元和一个不支持该单焦元的非单焦元相结合生成一个新的焦元,该新焦元中包含以上单焦元和非单焦元所包含的所有焦元信息;
两个非单焦元结合生成一个新的焦元,该新焦元中包含这两个非单焦元含有的所有焦元信息。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果包括:
根据各个证据所支持的信息和形幂集中新焦元,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据按照第一公式和第二公式进行融合得到用于进行目标识别的初步合成结果;其中,
所述第一公式表示为:m(γ0)=0;
所述第二公式表示为:γ≠γ0且βj∈Ψ;
其中,当|γ|=1时,β1&β2&…&βn=γ,且β1,β2,…,βn中至少有n-1个等于γ;当|γ|≥2时,β1|β2|…|βn=γ,并排除|γ|=1的组合,mi(βj)表示证据i对于βj的置信值。
本实施例中,所述初步合成结果可以表示为:pc1,pc2,……,pct,所述初步合成结果包括各个证据的模糊和高冲突信息。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标包括:
根据所述辨识框架和初步合成结果,利用信息融合方法,得到被检测目标为辨识框架中元素εi的概率值;
选取概率值最大时的εi作为被检测目标的取值。
在前述用于处理模糊和高冲突信息的目标识别方法的具体实施方式中,进一步地,所述方法还包括:
若得到的被检测目标为辨识框架中各目标的概率值相等;
则此次识别无效,返回执行通过目标信息收集节点中的各传感器节点获取被检测目标的多个证据的步骤。
实施例二
本实施例还提供一个用于处理模糊和高冲突信息的目标识别系统,所述系统用于实现本发明实施例所述的用于处理模糊和高冲突信息的目标识别方法,所述系统包括:目标检测节点、目标信息收集节点、信息处理节点、判别节点;所述目标检测节点、目标信息收集节点、信息处理节点、判别节点都是无线传感器网络中的传感器节点;所述目标检测节点、目标信息收集节点可以是相同的传感器节点也可以是不同的传感器节点。
所述系统的工作流程可以包括:
通过目标检测节点跟踪运动目标,若被检测目标出现时则通知目标信息收集节点中的各传感器节点可以开始对被检测目标的目标信息进行收集,收集到的目标信息包括:模糊和高冲突信息;所述目标信息收集节点还用于对收集到的所述被检测目标的目标信息进行特征提取,得到所述被检测目标的m个特征观测值,并向信息处理节点发送m个特征观测值,将将m特征观测值转换成n个证据并将n个证据发送到信息处理节点;信息处理节点用于对接收到的n个证据进行处理,得到用于进行目标识别的初步合成结果,并将初步合成结果发送到判别节点;判别节点自身存储着辨识框架中包括被检测目标所有可能取值的集合,用于在收到来自信息处理节点的初步合成结果后,结合自身存储着的被检测目标所有可能取值的集合,按照预设的决策规则识别所述被检测目标,从而确定被检测目标的类别。
本实施例中,在设置信息处理节点时,为了保证被检测目标类别判断的实时性,将单独的传感器节点作为信息处理节点,而不是使用目标信息收集节点作为信息处理节点,能够保证信息处理节点工作性质的单一性,以提高信息处理节点的工作效率,从而更加准确,快速的判断被检测目标的类别。
实施例三
为了更好地理解本发明本实施例所述的用于处理模糊和高冲突信息的目标识别方法,结合具体的例子,对本实施例所述的用于处理模糊和高冲突信息的目标识别方法和系统进行详细说明:
如图3所示,当前应用场景为交通系统中的车辆识别领域。将一些磁传感器节点和图像传感器节点分别部署在道路的两边。可以将这些节点每隔一段距离分成一个集群,每个小组内包含磁传感器节点和图像传感器节点,这些磁传感器节点和图像传感器节点之间可以相互通信且价格低廉,形成一种异构传感器网络;其中,磁传感器节点可以充当目标检测节点,用于检测被检测目标是否出现,以及在检测到被检测目标后,这些传感器节点又可以充当目标信息收集节点,用于对被检测目标的目标信息进行收集。在其他的具体实施使用中,也可以将传感器节点分为两类,一类是用于对被检测目标进行跟踪检测的目标检测节点,以检测被检测目标是否出现;另一类是用于对对被检测目标的目标信息进行收集的目标信息收集节点。另外,部分图像传感器节点也可以用于目标信息的收集,另一部分图像传感器节点可用于充当信息处理节点以对收集到的所有目标信息进行处理。最后是判别节点,又可以描述为簇首节点,该节点是事先预留的节点,判别节点自身先存储着辨识框架中包括被检测目标所有可能取值的集合,用于在收到来自信息处理节点的初步合成结果后,结合自身存储着的被检测目标所有可能取值的集合,按照预设的决策规则识别所述被检测目标,从而确定目标的类别。
初始状态时,目标检测节点处于活动状态,目标信息收集节点、信息处理节点和判别节点均处于休眠状态。当目标检测节点检测到被检测目标出现后,目标检测节点就会对被检测目标进行跟踪并通知目标信息收集节点可以开始对被检测目标的目标信息进行收集,同时唤醒信息处理节点;当信息处理节点对目标信息收集节点收集的信息进行初步合成之后,唤醒判别节点,后信息处理节点将得到的初步合成结果发送给唤醒后的判别节点,判别节点结合自身存储着的被检测目标所有可能取值的集合,按照预设的决策规则识别所述被检测目标,从而确定目标的类别。
图4是图3应用场景中某个具体的部署情况及道路情况,其中,包括四个目标检测节点(磁传感节点16、17、30、31,他们也是目标信息收集节点),2个目标信息收集节点(图像传感器节点52和53),一个时钟同步节点60(用于调节各传感器节点的时间,以保证各节点间的时钟保持一致),两个信息处理节点(传感器节点12和13),一个判别节点(传感器节点50)。其中传感器节点16、17、30、31这四个目标检测节点在检测到被检测目标出现之后跟踪被检测目标,并对被检测目标的目标信息进行收集,与图像传感器节点52和53收集到的目标信息共同形成目标信息,对形成的目标信息进行特征提取,得到特征观测值,将特征观测值利用BBA模型转换成证据,最后将转换后的证据发送到信息处理节点(传感器节点12);信息处理节点对接收到的n个证据进行处理,得到用于进行目标识别的初步合成结果,并将初步合成结果发送到判别节点50进行判断,判别节点50在收到来自信息处理节点的初步合成结果后,结合自身存储着的被检测目标所有可能取值的集合,按照预设的决策规则识别所述被检测目标,从而确定被检测目标的类别。
以本次应用场景中最常见的自行车和电动车为例,本实施例所述的用于处理模糊和高冲突信息的目标识别方法的具体步骤可以包括:
步骤1,即对车辆进行判别,判断该车辆为自行车还是电动车,因此,该应用场景中的辨识框架Ψ即为{bicycle,electromobile}。
步骤2,由各个目标检测节点根据自身采集的信息计算出目标状态信息并确定被检测目标是否出现,在确定被检测目标出现后目标信息收集节点对被检测目标的目标信息进行收集,在该具体实施例中,收集的目标信息为车辆的整体轮廓。
在收集到车辆的目标信息后还需要对车辆的目标信息进行特征提取以转化为辨别目标类别的证据,提取到的特征包括但不限于:车辆轮胎高度的平均值,车辆高度,基于基本信度分配模型,将获取到的3个特征观测值转换成3个证据,具体的:
将证据1定义为,车辆轮胎高度的平均值(tireHei)与车辆整体的高度之比(bikeHei);
将证据2定义为,将车辆轮廓纵切4份,取离车尾最近一部分的车辆高度(bike1)与车辆整体的高度(bikeHei)之比;
将证据3定义为,车辆轮廓的实际周长的平方(bipersq)与车辆轮廓的实际面积(bikeArea)之比。
步骤3,目标信息收集节点得到3个证据后,将3个证据发送到信息处理节点,以便信息处理节点对3个证据构建基本置信度指派函数。
在结合经验概率值的情况下,对所选的3个证据做如下的基本置信度指派函数。
证据1的基本置信指派函数:定义e1=tireHei/bikeHei
其中,m(bicycle)表示当证据e1的值大于等于0.9或者小于0.9时,利用该证据求得当前目标为bicycle的基本置信度指派函数值;m(electromobile)表示当证据e1的值大于等于0.9或者小于0.9时,利用该证据求得当前目标为electromobile的基本置信度指派函数值。
证据2的基本置信指派函数:定义e2=bike1/bikeHei
其中,m(bicycle)表示当证据e2的值大于等于0.7或者小于0.7时,利用该证据求得当前目标为bicycle的基本置信度指派函数值;m(electromobile)表示当证据e2的值大于等于0.7或者小于0.7时,利用该证据求得当前目标为electromobile的基本置信度指派函数值。
证据3的基本置信指派函数:定义e3=bipersq/bikeArea
其中,m(bicycle)表示当证据e3的值大于等于20或小于等于16或者大于16且小于20时,利用该证据求得当前目标为bicycle的基本置信度指派函数值;m(electromobile)表示当证据e3的值大于等于20或小于等于16或者大于16且小于20时,利用该证据求得当前目标为electromobile的基本置信度指派函数值。
步骤4,利用步骤3中所得3个证据的基本置信度指派函数值,再利用上述公式m(γ0)=0和公式γ≠γ0且βi∈Ψ求得辨识框架的形幂集。
本实施例中,若3条证据的基本置信度指派值分别为表1所示时,相对应的形幂集由表2所示组成。
表1举例中证据的基本置信度指派值
m(bicycle) | m(electromobile) | |
e<sub>1</sub> | 0.9 | 0.1 |
e<sub>2</sub> | 0 | 0.2 |
e<sub>3</sub> | 0.7 | 0.1 |
表2形幂集
β<sub>1</sub> | β<sub>2</sub> | β<sub>1</sub>◇β<sub>2</sub> | |
e<sub>1</sub> | 0.9000 | 0.1000 | 0 |
e<sub>2</sub> | 0 | 0.0200 | 0.1800 |
e<sub>3</sub> | 0.6300 | 0.0280 | 0.0140 |
步骤5,由于收集到的证据相对于传感器节点自身来说都是百分之百可信的,不存在模糊或者冲突信息,所谓的冲突信息是传感器节点之间的相对信息,下面可以通过相对冲突率公式求得不同证据间关系的相对冲突以表示信息之间的冲突,用于进行数分析,其中相对冲突率公式为:
一般情况下,当相对冲突率CR大于0.5时就可认为信息间是高冲突的;举例说明:就拿本专利的具体实施例说明,可能传感器节点1,认为当前目标为自行车的概率为0.6,则该节点认为目标为自行车,而节点2则认为当前目标为自行车概率为0.4,而为电动车的概率为0.6,则该节点认为该目标为电动车,那么这就是冲突的,因为当前目标是确定的种类,只是你检测的时候因为检测到的信息不同,所以认为不同而已,但是因为两个节点认为它是自行车或电瓶车是有一定证据的,所以这些证据就是冲突的,所以这种冲突信息就可以被利用起来。
根据上述步骤4中3个证据的基本置信度指派值以及所得的形幂集结果,可以利用相对冲突率公式(13)求得以上3条证据之间的相对冲突率,其中,证据1和证据2之间的相对冲突率为0.98,证据1和证据3之间的相对冲突率为0.36,证据2和证据3之间的相对冲突率为0.82,由此可知,采集到的数据具有很高的冲突程度。
步骤6,在得到了3个证据的基本置信度指派值以及所得的形幂集结果之后,可以根据证据的基本置信度指派值以及所得的形幂集结果,得到初步的数据合成结果。
在具体实施例中,使用的是基于无线传感器网络的道路交通信息采集平台在真实的道路场景中收集到的实际数据,其中,包括47辆自行车和73辆电动车,共120辆车。
图5表示的是该具体实施例中的根据真实数据中,画出了合成后所有样本车辆的确定单焦元置信值的分布结果,其中,横坐标代表120辆车,纵坐标代表置信值。
在具体的实施例中,有些应用对于系统的实时性要求比较高,可能会要求算法的处理时间,此处给出该包含3个证据的时间复杂度公式,用以表示在包含3个证据时,利用该系统处理信息时的时间复杂度,其中,时间复杂度公式为:
其中,nclocks表示的是消耗的时间周期数,f为时钟的频率。
步骤7,判别节点在收到来自信息处理节点的初步合成结果之后,将该合成结果与自身存储的判别规则进行比较做出对中的判断,即判断当前该车辆归属类别。
在具体实施例中本次设置的决策规则为:
若p(bicycle)>p(electromobile),则被检测目标为bicycle;
若p(bicycle)<p(electromobile),则被检测目标为electromobile;
若p(bicycle)=p(electromobile),则不确定被检测目标为bicycle还是electromobile。需再次通过目标信息收集节点中的各传感器节点获取被检测目标的m个特征观测值,重新判断被检测目标的类别。
图5中横坐标表示100辆进行实验检测的样本车,其中前37辆车的真实车型为自行车,后63辆车的真实车型为电动车车辆的识别精度可由识别精度公式求得,其中,求识别精度IA的公式为:
利用识别精度公式求得,自行车的识别精度IA为0.783,电动车的识别精度IA为0.889,所有车辆的识别精度IA为0.85。
最后,在判别节点内得到的车辆的识别结果后,将该判断类别作为最终的结果输出。
综上,利用由多种传感器节点构成的异构传感器网络来对运动目标进行跟踪检测和收集目标信息。该方法结合来自目标信息收集节点和信息处理节点的信息来综合判断被检测目标车辆的类别,使用廉价的传感器节点充当目标检测节点以及目标信息收集节点,由于其使用简单,计算速度快,可以对被检测目标进行实时跟踪。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种用于处理模糊和高冲突信息的目标识别方法,其特征在于,包括:
获取被检测目标的多个证据,所述多个证据为包含模糊和高冲突信息的多个证据;
根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元,所述单焦元为具有支持信息的模糊和高冲突信息单焦元;
根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集,其中,所述新的组合方式为利用算子符号◇进行合并;
根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果;
根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标;
其中,所述根据所述被检测目标确定相应的辨识框架,并根据确定的所述辨识框架,得到所述辨识框架下的单焦元包括:
根据所述被检测目标,确定相应的辨识框架Ψ={ε1,ε2,…,εn},其中,εi表示被检测目标所有可能取值中的一种,所述辨识框架表示被检测目标所有可能取值的集合;
根据确定的辨识框架,利用基本置信度指派函数得到辨识框架下的单焦元β;具体的:
对于任一属于辨识框架Ψ的子集β,存在函数m,当满足2Ψ→[0,1]和关系式时,得到辨识框架下的单焦元β;
其中,m(β)为辨识框架幂集2Ψ到区间[0,1]的一个映射;若m(β)>0,且β∈2Ψ,则称β为单焦元。
2.根据权利要求1所述的用于处理模糊和高冲突信息的目标识别方法,其特征在于,所述根据得到的单焦元,将具有支持信息的模糊和高冲突信息单焦元通过新的组合方式合并成新的焦元,得到由新焦元组成的形幂集包括:
将获得的单焦元β相互关联来支持辨识框架中的相应元素得到新的焦元集合
其中,Γ表示形幂集,γ0,γ1,γ2,…,γn表示单焦元,表示非单焦元,包含有单焦元之间的模糊和高冲突信息,Γ={φ,β1,β2,…,βn,β1◇β2,β1◇β3,…,β1◇βn,β2◇β3,β2◇β4,…,β2◇βn,……},◇表示算子符号。
3.根据权利要求2所述的用于处理模糊和高冲突信息的目标识别方法,若辨识框架Ψ={ε1,ε2,ε3},相应单焦元为β1,β2,β3;则:
γ0=φ,即γ0不包含任何单焦元的信息;
形幂集Γ={γ0,γ1,γ2,…,γ7},其中,n=3,所以该形幂集的势为23=8,该形幂集最后一位元素的下标为2n-1=7,其中,γi中仅包含对单个βi的支持信息,则仅包含单个的βi元素,i=1,2,3;
当γi中i>3时,γi中含有对多个辨识框架中的元素的支持信息,包含所有涉及到的元素,而不包含没有涉及到的元素,其中,γ5=β1◇β3,所述γ5含有支持β1和β3的有用信息,β1◇β3不等于β1与β3的交集,β1◇β3仅表示β1和β3都存在。
4.根据权利要求1所述的用于处理模糊和高冲突信息的目标识别方法,其特征在于,所述基于逻辑运算的信息合成规则包括:
两个相同单焦元结合则以确定的原焦元形式保留,但会增加两个相同单焦元结合后的焦元的置信度;
一个单焦元和一个支持该单焦元的非单焦元结合生成一个新焦元,且可增加该新焦元的置信度;
两个不同单焦元以包含这两个单焦元信息部分结合生成一个新的焦元;
第一单焦元和不支持该第一单焦元的第一非单焦元相结合生成第一新焦元,该第一新焦元中包含第一单焦元和不支持该第一单焦元的第一非单焦元所包含的所有焦元信息,其中,所述第一单焦元为任一单焦元,所述第一非单焦元为任一非单焦元;
第二非单焦元和第三非单焦元结合生成第二新焦元,该第二新焦元中包含第二非单焦元和第三非单焦元含有的所有焦元信息,其中,所述第二非单焦元、第三非单焦元为任一非单焦元。
5.根据权利要求1所述的用于处理模糊和高冲突信息的目标识别方法,其特征在于,所述根据各个证据所支持的信息和形幂集中新焦元以及基本置信度指派函数,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据进行融合得到用于进行目标识别的初步合成结果包括:
根据各个证据所支持的信息和形幂集中新焦元,利用基于逻辑运算的信息合成规则,将所述包含模糊和高冲突信息的多个证据按照第一公式和第二公式进行融合得到用于进行目标识别的初步合成结果;其中,
所述第一公式表示为:m(γ0)=0;
所述第二公式表示为:γ≠γ0且βj∈Ψ;
其中,当|γ|=1时,β1&β2&…&βn=γ,且β1,β2,…,βn中至少有n-1个等于γ;当|γ|≥2时,β1|β2|…|βn=γ,并排除|γ|=1的组合,mi(βj)表示证据i对于βj的置信值。
6.根据权利要求1所述的用于处理模糊和高冲突信息的目标识别方法,其特征在于,所述根据所述辨识框架和初步合成结果,按照预设的决策规则识别所述被检测目标包括:
根据所述辨识框架和初步合成结果,利用信息融合方法,得到被检测目标为辨识框架中元素εi的概率值;
选取概率值最大时的εi作为被检测目标的取值。
7.根据权利要求6所述的用于处理模糊和高冲突信息的目标识别方法,其特征在于,所述方法还包括:
若得到的被检测目标为辨识框架中各目标的概率值相等;
则此次识别无效,返回执行通过目标信息收集节点中的各传感器节点获取被检测目标的多个证据的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367536.0A CN107247963B (zh) | 2017-05-23 | 2017-05-23 | 一种用于处理模糊和高冲突信息的目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367536.0A CN107247963B (zh) | 2017-05-23 | 2017-05-23 | 一种用于处理模糊和高冲突信息的目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247963A CN107247963A (zh) | 2017-10-13 |
CN107247963B true CN107247963B (zh) | 2019-11-08 |
Family
ID=60016811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710367536.0A Active CN107247963B (zh) | 2017-05-23 | 2017-05-23 | 一种用于处理模糊和高冲突信息的目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247963B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796194B (zh) * | 2019-10-29 | 2022-03-04 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN114881551A (zh) * | 2021-01-21 | 2022-08-09 | 顺丰恒通支付有限公司 | 基于证据融合的目标对象确定方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN101976270A (zh) * | 2010-11-29 | 2011-02-16 | 南京师范大学 | 基于不确定推理的文本层次分类方法与装置 |
CN102222240A (zh) * | 2011-06-29 | 2011-10-19 | 东南大学 | 一种基于DSmT的图像目标多特征融合识别方法 |
-
2017
- 2017-05-23 CN CN201710367536.0A patent/CN107247963B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN101976270A (zh) * | 2010-11-29 | 2011-02-16 | 南京师范大学 | 基于不确定推理的文本层次分类方法与装置 |
CN102222240A (zh) * | 2011-06-29 | 2011-10-19 | 东南大学 | 一种基于DSmT的图像目标多特征融合识别方法 |
Non-Patent Citations (4)
Title |
---|
Conflict evidence combination based on evidence classification strategy;Yanfei Chen等;《2013 Chinese Automation Congress》;20131108;全文 * |
The method of measuring conflict evidence based on the modified probability distribution function and similarity measure;Wen-hao Bi等;《 Proceedings of the 32nd Chinese Control Conference》;20130728;全文 * |
基于模糊证据理论的数据融合算法研究;马萌萌;《中国优秀硕士学位论文全文数据库》;20150508;全文 * |
证据冲突条件下多传感器目标识别方法比较分析;张永利等;《数据的实践与认识》;20150915;第45卷(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107247963A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079602B (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN105206041B (zh) | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 | |
CN109859245B (zh) | 视频目标的多目标跟踪方法、装置及存储介质 | |
CN107066953A (zh) | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 | |
CN101493943B (zh) | 一种粒子滤波跟踪方法和跟踪装置 | |
CN108984799A (zh) | 一种视频数据处理方法及装置 | |
CN105844602A (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN106355604A (zh) | 图像目标跟踪方法与系统 | |
CN109508731A (zh) | 一种基于融合特征的车辆重识别方法、系统及装置 | |
CN109670449B (zh) | 一种基于垂直抓拍方式的车辆违法判断方法 | |
CN107247963B (zh) | 一种用于处理模糊和高冲突信息的目标识别方法 | |
McKeown et al. | Performance evaluation for automatic feature extraction | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
Wu et al. | Traffic sign detection based on SSD combined with receptive field module and path aggregation network | |
CN114038049A (zh) | 一种基于边缘计算的驾驶员行为特征提取及判别方法 | |
Li et al. | Gadet: A geometry-aware x-ray prohibited items detector | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
CN104134073B (zh) | 一种基于一类归一化的遥感影像单类分类方法 | |
CN117575635A (zh) | 一种碳指标溯源方法和系统 | |
Rieger et al. | Aggregating explainability methods for neural networks stabilizes explanations | |
CN106960183A (zh) | 一种基于梯度提升决策树的图像行人检测算法 | |
CN116721246A (zh) | 连续帧点云快速标注方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |