CN109948636A - 数据融合方法和装置 - Google Patents
数据融合方法和装置 Download PDFInfo
- Publication number
- CN109948636A CN109948636A CN201711396523.2A CN201711396523A CN109948636A CN 109948636 A CN109948636 A CN 109948636A CN 201711396523 A CN201711396523 A CN 201711396523A CN 109948636 A CN109948636 A CN 109948636A
- Authority
- CN
- China
- Prior art keywords
- data
- identified
- probability assignment
- probability
- data collection
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种数据融合方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于识别框架的基本概率赋值;将任一数据采集系统在多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及,将待识别对象在多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在多个数据采集系统、以及多个周期的时空维度概率赋值;利用时空维度概率赋值确定待识别对象在识别框架的识别结果。该实施方式能够在不了解先验概率的条件下有效融合多源数据,获得可信度较高的识别结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据融合方法和装置。
背景技术
随着计算机技术的迅速发展,多渠道多种类的海量数据不断涌现,如何对其中的可用数据加以分析与融合以实现所需决策成为一个需要解决的问题。例如:无人机、无人仓或无人车中多传感器采集数据的融合、服务方多个监测系统所采集的业务数据的融合,均需要利用有效的数据融合方法得以实现。
在计算机技术领域,数据融合指的是:对各种信息源提供的可用信息进行采集、传输、综合、过滤、相关或合成,以实现决策或结果的判定、规划、探测、验证与诊断。现有技术中,一般采用贝叶斯算法进行数据融合。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:贝叶斯算法要求所有的假设都是独立的,并需要预先获知先验概率和条件概率,这在实际应用中很难实现,故其应用价值较低。
发明内容
有鉴于此,本发明实施例提供一种数据融合方法和装置,能够在不了解先验概率的条件下有效融合多源数据,获得可信度较高的识别结果。
为实现上述目的,根据本发明的一个方面,提供了一种数据融合方法。
本发明实施例的数据融合方法应用于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据的融合,所述方法包括:建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及,将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
可选地,所述同质数据为同一区域的图像数据,待识别对象为该区域中的待识别点,所述识别框架为包括目标元素与背景元素的集合。
可选地,所述方法进一步包括:在计算任一图像数据提供的基本概率赋值之前,检测该图像中的近似目标像素点;将所述近似目标像素点的像素值设置为第一数值,将该图像中除近似目标像素点之外的像素点的像素值设置为小于第一数值的第二数值;根据任一近似目标像素点的当前像素值获取该近似目标像素点的分类特征值;以及,所述基本概率赋值是将所述分类特征值输入所述基本概率分配函数中得到的。
可选地,所述将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值的步骤,根据以下公式实现:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的同质数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子。
可选地,所述将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及多个周期的时空维度概率赋值的步骤,根据以下公式实现:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。
为实现上述目的,根据本发明的又一方面,提供了一种数据融合装置。
本发明实施例的数据融合装置应用于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据的融合,所述装置可包括:基本概率分配单元,可用于建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;时间融合单元,可用于将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及,时空融合单元,可用于将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
可选地,所述同质数据为同一区域的图像数据,待识别对象为该区域中的待识别点,所述识别框架为包括目标元素与背景元素的集合。
可选地,所述装置可进一步包括:预处理单元,可用于在计算任一图像数据提供的基本概率赋值之前,检测该图像中的近似目标像素点;将所述近似目标像素点的像素值设置为第一数值,将该图像中除近似目标像素点之外的像素点的像素值设置为小于第一数值的第二数值;根据任一近似目标像素点的当前像素值获取该近似目标像素点的分类特征值;以及,基本概率分配单元可进一步用于:将所述分类特征值输入所述基本概率分配函数得到所述基本概率赋值。
可选地,时间融合单元可进一步用于根据以下公式实现获得时间维度概率赋值:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的同质数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子。
可选地,时空融合单元可进一步用于根据以下公式获得所述时空维度概率赋值:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的数据融合方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的数据融合方法。
根据本发明的技术方案,上述发明中的一个实施例具有如下优点或有益效果:通过建立识别框架、确定基于识别框架的各同质数据提供的基础概率赋值、并利用基础概率赋值进行各数据的可信度融合,实现了不依赖先验概率即可有效融合多源数据的目的,同时有效提升了针对海量数据的处理能力;具体数据融合过程中,首先在时间维度融合同一数据采集系统在不同周期的数据,之后在空间维度融合不同数据采集系统的数据用于最终识别,保证了识别准确性与算法的强鲁棒性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例中数据融合方法的主要步骤示意图;
图2是根据本发明实施例中数据融合装置的主要部分示意图;
图3是根据本发明实施例可以应用于其中的示例性系统架构图;
图4是用来实现本发明实施例中数据融合方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案通过建立识别框架、确定基于识别框架的各同质数据提供的基础概率赋值、并利用基础概率赋值进行各数据的可信度融合,实现了不依赖先验概率即可有效融合多源数据的目的,并有效提升了针对海量数据的处理能力;具体数据融合过程中,首先在时间维度融合同一数据采集系统在不同周期的数据,之后在空间维度融合不同数据采集系统的数据用于最终识别,保证了识别准确性与算法的强鲁棒性。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例中数据融合方法的主要步骤示意图。
如图1所示,本发明实施例的数据融合方法可执行以下步骤:
步骤S101:对于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据:建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值。
在本步骤中,数据采集系统可以是获取期望数据的任何硬件设备或程序,例如图像传感器、距离传感器、广告效果数据库等。同质数据指的是由一种或多种数据采集系统在一个或多个周期内采集的、对应于同一观测目标的多个数据。例如:多个图像传感器在多个周期采集的同一区域的多张图像为同质数据,服务方的多个监控在多个周期采集的针对多种展示广告的多个点击率数据也是同质数据。
实际应用中,数据采集系统获得的原始数据不可避免地存在一定的偏差,因此在数据融合之前,首先需要严格配准,使每一数据均严格对应于同一观测目标。一般地,同质数据可用于待识别对象的分类识别。具体应用中,在进行目标识别时,待识别对象可以是观测区域的空间点;在进行展示广告的评价时,待识别对象可以是每一种广告。需要强调的是,本发明提供的数据融合方法能够应用于多系统多周期的各种数据融合环境,为了便于说明,以下以多图像传感器系统的目标识别场景为例具体介绍本发明的技术方案,但这并不对本发明的应用场景形成任何限制。
实际应用中,识别框架为证据理论中用于表征识别结果的集合,识别框架含有能够列举的、相互排斥的多个元素,识别框架的各子集能够作为该识别框架内任何一种识别过程的识别结果。例如:利用多传感器进行目标识别时,识别框架可以是{目标,背景}。可以理解的是,空集与识别框架全集也是识别框架的子集。
在证据理论中,基本概率赋值是通过同质数据计算得到的、待识别对象基于识别框架的mass(质量)值,其用来表示对于识别框架某子集的信任程度。可以理解的是,任一同质数据均可计算得到待识别对象基于识别框架子集的多个基本概率赋值。例如:基于{目标=a,背景=b}识别框架,某图像数据中提供了图像中某像素点的像素值,通过该像素值能够获得该像素点基于{目标}的基本概率赋值M0(a)、基于{背景}的基本概率赋值M0(b)、基于{目标,背景}的基本概率赋值M0(h)。其中,M0(h)表示判断为“无法确定”的基本概率赋值。
对于图像数据,为了减少运算量,在计算基本概率赋值前,需要首先进行预处理。预处理可根据以下步骤执行:
1.利用光流场法等算法检测该图像中的近似目标像素点。其中,近似目标指的是被检测图像中检测得到的目标,为了与经过数据融合得到的最终目标加以区分,将在预处理阶段某一图像检测到的目标称为近似目标。
2.对检测后的图像进行二值化处理。具体地,可将近似目标像素点的像素值改变为1,将该图像中除近似目标像素点之外的像素点的像素值改变为0。经过二值化处理,后续的图像计算量将大为减轻。
3.根据任一近似目标像素点的当前像素值(即经过二值化处理的像素值)获取该近似目标像素点的分类特征值。由于直接利用像素值进行分类识别的效果并不理想,因此需要将其转换为分类效果较佳的分类特征值,进而利用分类特征值计算基本概率赋值。分类特征值可以是条件熵、联合熵等,由于条件熵、联合熵的具体计算方法属于已有技术,在此不再赘述。
在得到图像中每一像素点的分类特征值后,可将分类特征值输入预设的基本概率分配函数中,计算针对每一像素点的、基于识别框架子集的多个基本概率赋值。实际应用中,基本概率分配函数可根据应用环境具体设置。
步骤S102:将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值。
具体的,可利用以下公式计算所述时间维度概率赋值:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的图像数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子,表示空集。在此公式中,求和遍历使∩Ai=As成立的所有I个周期图像数据的基础概率赋值。
例如:在上例中第一数据采集系统在3个周期采集图像数据,对于某像素点:
第一周期的基础概率赋值为:M11(a),M11(b),M11(h);
第二周期的基础概率赋值为:M12(a),M12(b),M12(h);
第三周期的基础概率赋值为:M13(a),M13(b),M13(h);
则该像素点在该数据采集系统的时间维度概率赋值M1(a)、M1(b)、M1(h)分别为:
M1(a)=c-1*[M11(a)*M12(a)*M13(a)+M11(a)*M12(a)*M13(h)
+M11(a)*M12(h)*M13(a)+M11(a)*M12(h)*M13(h)
+M11(h)*M12(a)*M13(a)+M11(h)*M12(a)*M13(h)
+M11(h)*M12(h)*M13(a)]
M1(b)=c-1*[M11(b)*M12(b)*M13(b)+M11(b)*M12(b)*M13(h)
+M11(b)*M12(h)*M13(b)+M11(b)*M12(h)*M13(h)
+M11(h)*M12(b)*M13(b)+M11(h)*M12(b)*M13(h)
+M11(h)*M12(h)*M13(b)]
M1(h)=c-1*M11(h)*M12(h)*M13(h)
c=1-M11(a)*M12(a)M13(b)-M11(a)*M12(b)-M11(a)*M12(h)*M13(b)
-M11(b)*M12(a)-M11(b)*M12(b)*M13(a)-M11(b)*M12(h)*M13(a)
-M11(h)*M12(a)*M13(b)-M11(h)*M12(b)*M13(a)
步骤S103:将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
在一可选实现方式中,时空维度概率赋值通过以下公式计算:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。在此公式中,求和遍历使∩As=A成立的所有T个数据采集系统的时间维度概率赋值。
例如:在上例中某像素点在3个数据采集系统的时间维度概率赋值分别为:
在第一数据采集系统:M1(a),M1(b),M1(h);
在第二数据采集系统:M2(a),M2(b),M2(h);
在第三数据采集系统:M3(a),M3(b),M3(h);
则该像素点在该数据采集系统的时间维度概率赋值M(a)、M(b)、M(h)分别为:
M(a)=k-1*[M1(a)*M2(a)*M3(a)+M1(a)*M2(a)*M3(h)
+M1(a)*M2(h)*M3(a)+M1(a)*M2(h)*M3(h)
+M1(h)*M2(a)*M3(a)+M1(h)*M2(a)*M3(h)
+M1(h)*M2(h)*M3(a)]
M(b)=k-1*[M1(b)*M2(b)*M3(b)+M1(b)*M2(b)*M3(h)
+M1(b)*M2(h)*M3(b)+M1(b)*M2(h)*M3(h)
+M1(h)*M2(b)*M3(b)+M1(h)*M2(b)*M3(h)
+M1(h)*M2(h)*M3(b)]
M(h)=k-1*M1(h)*M2(h)*M3(h)
k=1-M1(a)*M2(a)M3(b)-M1(a)*M2(b)-M1(a)*M2(h)*M3(b)
-M1(b)*M2(a)-M1(b)*M2(b)*M3(a)-M1(b)*M2(h)*M3(a)
-M1(h)*M2(a)*M3(b)-M1(h)*M2(b)*M3(a)
获取到该像素点的时间维度概率赋值M(a),M(b),M(h)之后,可以根据预设的判别规则对M(a),M(b),M(h)进行运算以确定该像素点属于目标还是背景。具体应用中,一般以M(a)与M(b)的差值或比值与预设阈值进行比较以实现判别。在确定属于目标的所有待识别点之后,就可以输出多数据采集系统以及多周期的图像数据融合结果,最终确定目标。
根据本发明实施例的方法可以看出,通过建立识别框架、确定基于识别框架的各同质数据提供的基础概率赋值、并利用基础概率赋值进行各数据的可信度融合,实现了不依赖先验概率即可有效融合多源数据的目的,并有效提升了针对海量数据的处理能力;具体数据融合过程中,首先在时间维度融合同一数据采集系统在不同周期的数据,之后在空间维度融合不同数据采集系统的数据用于最终识别,保证了识别准确性与算法的强鲁棒性。
图2是本发明实施例中数据融合装置的主要部分示意图。
如图2所示,本发明实施例的数据融合装置200,其应用于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据的融合,所述装置200可包括:基本概率分配单元201、时间融合单元202以及时空融合单元203。其中:
基本概率分配单元201可用于建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;
时间融合单元202可用于将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;
时空融合单元203可用于将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
示例性地,所述同质数据为同一区域的图像数据,待识别对象为该区域中的待识别点,所述识别框架为包括目标元素与背景元素的集合。
在本发明实施例中,所述装置200可进一步包括预处理单元,其可用于在计算任一图像数据提供的基本概率赋值之前,检测该图像中的近似目标像素点;将所述近似目标像素点的像素值设置为第一数值,将该图像中除近似目标像素点之外的像素点的像素值设置为小于第一数值的第二数值;根据任一近似目标像素点的当前像素值获取该近似目标像素点的分类特征值;以及,基本概率分配单元201可进一步用于:将所述分类特征值输入所述基本概率分配函数得到所述基本概率赋值。
较佳地,时间融合单元202可进一步用于根据以下公式实现获得时间维度概率赋值:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的同质数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子。
此外,在本发明实施例中,时空融合单元203可进一步用于根据以下公式获得所述时空维度概率赋值:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。
根据本发明实施例的技术方案,通过建立识别框架、确定基于识别框架的各同质数据提供的基础概率赋值、并利用基础概率赋值进行各数据的可信度融合,实现了不依赖先验概率即可有效融合多源数据的目的,并有效提升了针对海量数据的处理能力;具体数据融合过程中,首先在时间维度融合同一数据采集系统在不同周期的数据,之后在空间维度融合不同数据采集系统的数据用于最终识别,保证了识别准确性与算法的强鲁棒性。
图3示出了可以应用本发明实施例的数据融合方法或数据融合装置的示例性系统架构300。
如图3所示,系统架构300可以包括终端设备301、302、303,网络304和服务器305(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据融合方法一般由服务器305执行,相应地,数据融合装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的数据融合方法。
下面参考图4,其示出了适于用来实现本发明实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有计算机系统400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元401执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括基本概率分配单元、时间融合单元以及时空融合单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,基本概率分配单元还可以被描述为“向时间融合单元发送基本概率赋值的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:对于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据:建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及,将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
根据本发明实施例的技术方案,通过建立识别框架、确定基于识别框架的各同质数据提供的基础概率赋值、并利用基础概率赋值进行各数据的可信度融合,实现了不依赖先验概率即可有效融合多源数据的目的,并有效提升了针对海量数据的处理能力;具体数据融合过程中,首先在时间维度融合同一数据采集系统在不同周期的数据,之后在空间维度融合不同数据采集系统的数据用于最终识别,保证了识别准确性与算法的强鲁棒性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种数据融合方法,其应用于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据的融合,其特征在于,所述方法包括:
建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;
将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及
将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述同质数据为同一区域的图像数据,待识别对象为该区域中的待识别点,所述识别框架为包括目标元素与背景元素的集合。
3.根据权利要求2所述的方法,其特征在于,所述方法进一步包括:
在计算任一图像数据提供的基本概率赋值之前,检测该图像中的近似目标像素点;
将所述近似目标像素点的像素值设置为第一数值,将该图像中除近似目标像素点之外的像素点的像素值设置为小于第一数值的第二数值;
根据任一近似目标像素点的当前像素值获取该近似目标像素点的分类特征值;以及
所述基本概率赋值是将所述分类特征值输入所述基本概率分配函数中得到的。
4.根据权利要求1所述的方法,其特征在于,所述将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值的步骤,根据以下公式实现:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的同质数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子。
5.根据权利要求4所述的方法,其特征在于,所述将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及多个周期的时空维度概率赋值的步骤,根据以下公式实现:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。
6.一种数据融合装置,其应用于多个数据采集系统在多个周期采集的、指向待识别对象的同质数据的融合,其特征在于,所述装置包括:
基本概率分配单元,用于建立识别框架;利用预设的基本概率分配函数,计算任一同质数据提供的、待识别对象基于所述识别框架的基本概率赋值;
时间融合单元,用于将任一数据采集系统在所述多个周期采集的同质数据提供的基本概率赋值进行正交和运算,获得待识别对象在该数据采集系统的时间维度概率赋值;以及
时空融合单元,用于将待识别对象在所述多个数据采集系统的时间维度概率赋值进行正交和运算,得到待识别对象在所述多个数据采集系统、以及所述多个周期的时空维度概率赋值;利用所述时空维度概率赋值确定待识别对象在所述识别框架的识别结果。
7.根据权利要求6所述的装置,其特征在于,所述同质数据为同一区域的图像数据,待识别对象为该区域中的待识别点,所述识别框架为包括目标元素与背景元素的集合。
8.根据权利要求7所述的装置,其特征在于,所述装置进一步包括:
预处理单元,用于在计算任一图像数据提供的基本概率赋值之前,检测该图像中的近似目标像素点;将所述近似目标像素点的像素值设置为第一数值,将该图像中除近似目标像素点之外的像素点的像素值设置为小于第一数值的第二数值;根据任一近似目标像素点的当前像素值获取该近似目标像素点的分类特征值;以及
基本概率分配单元进一步用于:将所述分类特征值输入所述基本概率分配函数得到所述基本概率赋值。
9.根据权利要求6所述的装置,其特征在于,时间融合单元进一步用于根据以下公式实现获得时间维度概率赋值:
其中:Msi(Ai)为第s个数据采集系统在第i个周期采集的同质数据提供的、基于Ai的基础概率赋值,Ms(As)为待识别对象在第s个数据采集系统的时间维度概率赋值,s、i以及I为整数,I为周期总数,任意Ai以及As为识别框架的子集,∩Ai=A1∩A2∩A3……∩AI,c-1为第一归一化因子。
10.根据权利要求6所述的装置,其特征在于,时空融合单元进一步用于根据以下公式获得所述时空维度概率赋值:
其中:M(A)为所述时空维度概率赋值,T为数据采集系统总数,任意As以及A为识别框架的子集,∩As=A1∩A2∩A3……AT,k-1为第二归一化因子。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396523.2A CN109948636A (zh) | 2017-12-21 | 2017-12-21 | 数据融合方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396523.2A CN109948636A (zh) | 2017-12-21 | 2017-12-21 | 数据融合方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948636A true CN109948636A (zh) | 2019-06-28 |
Family
ID=67006055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396523.2A Pending CN109948636A (zh) | 2017-12-21 | 2017-12-21 | 数据融合方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948636A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325277A (zh) * | 2020-02-26 | 2020-06-23 | 中国人民解放军军事科学院评估论证研究中心 | 目标识别中基于协商策略的信息融合方法 |
CN113792569A (zh) * | 2020-11-12 | 2021-12-14 | 北京京东振世信息技术有限公司 | 对象识别方法、装置、电子设备及可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312386A1 (en) * | 2009-06-04 | 2010-12-09 | Microsoft Corporation | Topological-based localization and navigation |
CN102589890A (zh) * | 2012-03-01 | 2012-07-18 | 上海电力学院 | 基于cpn网络和d-s证据的汽轮机集成故障诊断方法 |
CN102801719A (zh) * | 2012-08-08 | 2012-11-28 | 中国人民解放军装备学院 | 基于主机流量功率谱相似性度量的僵尸网络检测方法 |
CN103065627A (zh) * | 2012-12-17 | 2013-04-24 | 中南大学 | 基于dtw与hmm证据融合的特种车鸣笛声识别方法 |
-
2017
- 2017-12-21 CN CN201711396523.2A patent/CN109948636A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312386A1 (en) * | 2009-06-04 | 2010-12-09 | Microsoft Corporation | Topological-based localization and navigation |
CN102589890A (zh) * | 2012-03-01 | 2012-07-18 | 上海电力学院 | 基于cpn网络和d-s证据的汽轮机集成故障诊断方法 |
CN102801719A (zh) * | 2012-08-08 | 2012-11-28 | 中国人民解放军装备学院 | 基于主机流量功率谱相似性度量的僵尸网络检测方法 |
CN103065627A (zh) * | 2012-12-17 | 2013-04-24 | 中南大学 | 基于dtw与hmm证据融合的特种车鸣笛声识别方法 |
Non-Patent Citations (8)
Title |
---|
LANG HONG等: "Recursive Temporal-Spatial I nformation Fusion with Applications to Target Identification", 《IEEE 1RANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
刘鹏等: "一种空间信息融合的D-S算法研究", 《系统仿真学报》 * |
李秋华等: "于D-S证据理论的红外小目标融合检测方法", 《系统工程与电子技术》 * |
杨芳权: "基于贝叶斯推理和证据理论的船舶运动目标检测", 《舰船科学技术》 * |
王 力等: "基于多传感器数据融合的供水管网故障报警系统", 《水资源与水工程学报》 * |
翟济云等: "基于多特征融合的运动目标检测", 《电光与控制》 * |
马 涛: "基于图像分割和证据理论的零件图像识别", 《中国制造业信息化》 * |
黎 湘等: "基于D.S证据理论的修正融合目标识别模型", 《自然科学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325277A (zh) * | 2020-02-26 | 2020-06-23 | 中国人民解放军军事科学院评估论证研究中心 | 目标识别中基于协商策略的信息融合方法 |
CN113792569A (zh) * | 2020-11-12 | 2021-12-14 | 北京京东振世信息技术有限公司 | 对象识别方法、装置、电子设备及可读介质 |
CN113792569B (zh) * | 2020-11-12 | 2023-11-07 | 北京京东振世信息技术有限公司 | 对象识别方法、装置、电子设备及可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944481B (zh) | 用于生成信息的方法和装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109389072A (zh) | 数据处理方法和装置 | |
CN110619807B (zh) | 生成全局热力图的方法和装置 | |
CN109902644A (zh) | 人脸识别方法、装置、设备和计算机可读介质 | |
US20210264198A1 (en) | Positioning method and apparatus | |
CN110349158A (zh) | 一种处理点云数据的方法和装置 | |
CN109901988A (zh) | 一种用于自动化测试的页面元素定位方法和装置 | |
CN110941978A (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN108171167B (zh) | 用于输出图像的方法和装置 | |
CN109614327A (zh) | 用于输出信息的方法和装置 | |
CN108470179A (zh) | 用于检测对象的方法和装置 | |
CN109948636A (zh) | 数据融合方法和装置 | |
CN109064464A (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
CN111415168B (zh) | 一种交易告警的方法和装置 | |
CN108062576B (zh) | 用于输出数据的方法和装置 | |
CN110046670A (zh) | 特征向量降维方法和装置 | |
CN110110197A (zh) | 信息获取方法和装置 | |
CN108959636A (zh) | 数据处理方法、装置、系统、计算机可读介质 | |
CN109726615A (zh) | 一种道路边界的识别方法和装置 | |
CN108537786A (zh) | 用于处理图像方法和装置 | |
CN111401182B (zh) | 针对饲喂栏的图像检测方法和装置 | |
CN109960905A (zh) | 信息处理方法、系统、介质和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |