CN110035405A - 一种基于随机集理论的多传感器分布式高效融合方法 - Google Patents
一种基于随机集理论的多传感器分布式高效融合方法 Download PDFInfo
- Publication number
- CN110035405A CN110035405A CN201910312086.4A CN201910312086A CN110035405A CN 110035405 A CN110035405 A CN 110035405A CN 201910312086 A CN201910312086 A CN 201910312086A CN 110035405 A CN110035405 A CN 110035405A
- Authority
- CN
- China
- Prior art keywords
- sensor
- probability
- radix
- fusion
- distribution
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于随机集理论的多传感器分布式高效融合方法,包括以下步骤:S1、初始化系统参数;S2、初始化传感器的多目标基数化概率假设密度分布;S3、接收第一帧扫描数据,计算本地后验基数化概率假设密度分布;S4、将本地后验基数化概率假设密度分布与临近节点交换;S5、并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布进行融合;S6、通过最大后验估计准则计算目标个数,估计目标状态;S7、接收下一帧扫描数据,得到传感器新的基数化概率假设密度分布,然后采用步骤S4~步骤S6相同的方法处理;S8、采用步骤S4~S7相同的方法处理余下的k帧扫描数据。本发明具有计算复杂度低,近似误差小等优点。
Description
技术领域
本发明属于多传感器融合领域,特别涉及一种基于随机集理论的多传感器分布式高效融合方法。
背景技术
快速发展的传感器网络融合技术利用多个传感器之间的协作,获得比单传感器更佳的性能。多传感器融合于20世纪70年代首次提出,军事应用是该技术诞生的起因,经过几十年的研究与发展,多传感器融合技术目前已广泛应用于水下监视预警、空对空或地对空防御系统、火力控制等军事领域,以及图像融合、工业智能机器人、遥感、刑侦、故障诊断等民用领域。相比于集中式融合架构,分布式融合架构具有通信代价低,容错率高等优点,具有更高的研究与实用价值。在分布式多传感器多目标跟踪问题中,由于传感器间存在的未知水平相关性,应考虑避免公共信息的重复计算,以达到一致性估计。基于广义协方差交集的融合方法正是为相关性未知的情况所设计,近年来得到越来越广泛的关注。
尽管多传感器融合技术应用已经十分广泛,目前的多传感器多目标跟踪技术仍然存在一些问题:1)假设各个传感器节点相互独立,然而在现实中这一假设往往不成立,各传感器节点间存在未知水平的相关性;2)数据关联问题广泛存在,需要解决单传感器时间域上的关联问题,以及多传感器空间上的关联问题,占据大量的计算资源,且现行的数据关联方法多为直观方法,缺乏完备的理论支撑,在目标临近、高杂波等复杂场景下表现欠佳;3)传统的基于向量的建模方式,难以描述目标出生、衍生、死亡等复杂场景,估计误差无法用统一的标准评价,而如果估计误差无法评价,估计结果的意义也无从谈起。多传感器多目标跟踪的最近趋势是随机集理论,随机集理论是点过程理论的一种应用,也是对传统概率理论的扩充和广义化。该方法将目标状态和传感器量测分别建模为集合的形式,利用集合元素互异、无序、确定的三个基本特性,以集合为单位,建立从目标状态空间到量测空间的集合映射,并在贝叶斯框架下迭代处理,不考虑集合内元素之间的关系,可以避免繁琐的数据关联过程。与传统的向量建模方式相比,基于随机集的方法具有完备的理论支撑,是一种自顶而下的设计,也更加贴近于现实中多目标运动的情况。此外,集合间的距离是完整统一的数学概念,在数学上可以建立统一的估计误差评价标准。
1994年,美国Lockheed Martin MS2Tactical Systems(LMMTS)的Mahler系统地提出有限集合统计学理论,作为随机集理论的一种特例。在有限集合统计学理论下,基于广义协方差交集准则的概率假设密度滤波器、基数化概率假设密度滤波器、伯努利滤波器融合闭合解表达式已经得到,且分别在2013、2013、2014年实现。其中,基数化概率假设密度滤波器是一种在计算效率和跟踪性能上的折中方法,具有较强的实用价值。但是基于广义协方差交集的基数化概率假设密度滤波器融合的计算复杂度随着传感器数量呈指数增长,随着目标数量呈高阶多项式增长,难以得到计算高效的基数化概率假设密度滤波器融合表达式,阻碍了基于广义协方差交集的基数化概率假设密度滤波器融合在实际应用与推广。
发明内容
本发明的目的在于克服现有技术现有的基于广义协方差交集的基数化概率假设密度融合技术中存在的计算复杂问题,提供一种计算复杂度低,近似误差小的基于随机集理论的多传感器分布式高效融合方法。
本发明的目的是通过以下技术方案来实现的:一种基于随机集理论的多传感器分布式高效融合方法,包括以下步骤:
S1、初始化系统参数,并选定传感器融合准则;
S2、初始化传感器的多目标基数化概率假设密度分布;
S3、各传感器接收到第一帧扫描数据后,以初始化的基数化概率假设密度分布作为先验分布,将该帧数据通过基数化概率假设密度滤波器进行滤波,计算出本地后验基数化概率假设密度分布;
S4、将本地后验基数化概率假设密度分布与临近节点交换,并对后验分布进行联合分组;
S5、根据联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数;
S6、通过最大后验估计准则计算目标个数,然后估计目标状态;
S7、接收下一帧扫描数据,以当前的后验基数化概率假设密度分布为先验,通过基数化概率假设密度滤波器进行滤波,得到各个传感器新的基数化概率假设密度分布,然后采用步骤S4~步骤S6相同的方法处理;
S8、采用步骤S4~S7相同的方法处理余下的k帧扫描数据。
进一步地,所述步骤S1中初始化的参数包括传感器监视范围、监视范围分辨率单元、传感器分辨率△r、传感器检测概率pD、传感器扫描周期T、扫描总帧数K和传感器个数S。选定传感器融合准则为:
其中,表示目标状态的随机有限集;表示第s个传感器当前时刻的后验概率密度分布;表示融合后的后验概率密度分布;ω表示该融合准则的参数,这个参数决定了相应后验分布在融合时的权重;ω(s)表示传感器s的融合权重;δ表示集合变量的微分符号。
进一步地,所述步骤S3本地后验基数化概率假设密度分布的表达式为:
其中,表示目标数量的阶乘,表示目标数量的概率密度函数,ρ(x)为每个目标状态对应的概率密度函数。
进一步地,所述步骤S4包括以下子步骤:
S41、选取马氏距离dM作为联合分组准则,马氏距离的表达式为:
其中,代表第s个传感器滤波后第l个目标的状态均值,代表对应的协方差矩阵,ω代表传感器节点对应的融合权重,s=a,b,l=i,j;
S42、初始化联合分组为空集,表示为并选定分组阈值Γ;
S43、将马氏距离小于阈值Γ的联合分组进行合并;
S44、重复步骤S43直至组间的马氏距离都大于阈值Γ,得到N组关于融合后基数化概率假设密度所表征后验的联合分组,记为其中
进一步地,所述步骤S5具体实现方法为:根据步骤S4的联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数
其中:
其中,表示第g个联合分组下传感器s的融合分量集合,分别代表融合分量的权重、均值和协方差矩阵,表示以为参数的高斯分布表达式;
将近似的融合分布与其余的临近节点融合,以此方法与所有临近节点的本地后验基数化概率假设密度分布融合完毕。
本发明的有益效果是:本发明首先对传感器网络各节点采用基数化概率假设密度滤波器实现本地滤波,每个节点通过通信链路与邻近节点交换后验分布,然后基于马氏距离实现节点间目标航迹的联合分组,最后并行地在每一联合分组下计算基数化概率假设密度滤波器分布式融合分布,并得到近似的融合后验基数化概率假设密度融合分布,具有计算复杂度低,近似误差小等优点。
附图说明
图1为本发明的基于随机集理论的多传感器分布式高效融合方法的流程图;
图2为本实施例中传感器网络结构示意图;
图3为本发明实施例中不同算法计算耗时对比图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,一种基于随机集理论的多传感器分布式高效融合方法,包括以下步骤:
S1、初始化系统参数,并选定传感器融合准则;初始化的参数包括传感器监视范围、监视范围分辨率单元、传感器分辨率△r、传感器检测概率pD、传感器扫描周期T、扫描总帧数K和传感器个数S。
所述步骤S1选定传感器融合准则为:
其中,表示目标状态的随机有限集;表示第s个传感器当前时刻的后验概率密度分布;表示融合后的后验概率密度分布;ω表示该融合准则的参数,这个参数决定了相应后验分布在融合时的权重;ω(s)表示传感器s的融合权重;δ表示集合变量的微分符号。
本实施例传感器网络结构如图2所示,传感器监视范围为[1000x1000]m,监视区域分辨率单元△x=△y=1m,传感器分辨率△r=10m,传感器检测概率pD=0.95,传感器扫描周期T=1s,传感器个数S=3。融合后验分布用高斯混合形式表达,则融合后目标状态的概率密度函数表达式为:
其中,ρ(s)(x)表示传感器s的目标状态概率密度,表征传感器s的目标状态概率密度的高斯分量的数量。
融合后目标数量的概率密度函数表达式为:
其中,p(s)(n)表示传感器s的目标数量概率密度,ω(s)表示传感器s的融合权重,n作为目标数量概率密度函数的自变量,在本实施例中取为n={0,1,2,...,nmax},nmax=20为场景中目标数量上限。
S2、接受传感器扫描数据前(即k=0),初始化传感器1~S的多目标基数化概率假设密度分布;
S3、各传感器接收到第一帧扫描数据后,以初始化的基数化概率假设密度分布作为先验分布,将该帧数据通过基数化概率假设密度滤波器进行滤波,计算出本地后验基数化概率假设密度分布;本地后验基数化概率假设密度分布的表达式为:
其中,表示目标数量的阶乘,表示目标数量的概率密度函数,ρ(x)为每个目标状态对应的概率密度函数。
S4、将本地后验基数化概率假设密度分布与临近节点交换,并对后验分布进行联合分组;包括以下子步骤:
S41、选取马氏距离dM作为联合分组准则,马氏距离的表达式为:
其中,代表第s个传感器滤波后第l个目标的状态均值,代表对应的协方差矩阵,ω代表传感器节点对应的融合权重,s=a,b,l=i,j;
S42、初始化联合分组为空集,表示为并选定分组阈值Γ;
S43、将马氏距离小于阈值Γ的联合分组进行合并;
S44、重复步骤S43直至组间的马氏距离都大于阈值Γ,得到N组关于融合后基数化概率假设密度所表征后验的联合分组,记为其中
S5、根据联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数;具体实现方法为:根据步骤S4的联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数
其中:
其中,表示第g个联合分组下传感器s的融合分量集合,分别代表融合分量的权重、均值和协方差矩阵,表示以为参数的高斯分布表达式;
将近似的融合分布与其余的临近节点融合,以此方法与所有临近节点的本地后验基数化概率假设密度分布融合完毕。
S6、通过最大后验估计准则计算目标个数,然后估计目标状态;
S7、接收下一帧扫描数据,以当前的后验基数化概率假设密度分布为先验,通过基数化概率假设密度滤波器进行滤波,得到各个传感器新的基数化概率假设密度分布,然后采用步骤S4~步骤S6相同的方法处理;
S8、采用步骤S4~S7相同的方法处理余下的k帧扫描数据。
图3为本发明实施例中采用本发明的融合方法与传统融合方法的计算耗时对比图,从图中可以看出,采用本发明的融合算法所消耗的时间远远低于传统融合算法。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,包括以下步骤:
S1、初始化系统参数,并选定传感器融合准则;
S2、初始化传感器的多目标基数化概率假设密度分布;
S3、各传感器接收到第一帧扫描数据后,以初始化的基数化概率假设密度分布作为先验分布,将该帧数据通过基数化概率假设密度滤波器进行滤波,计算出本地后验基数化概率假设密度分布;
S4、将本地后验基数化概率假设密度分布与临近节点交换,并对后验分布进行联合分组;
S5、根据联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数;
S6、通过最大后验估计准则计算目标个数,然后估计目标状态;
S7、接收下一帧扫描数据,以当前的后验基数化概率假设密度分布为先验,通过基数化概率假设密度滤波器进行滤波,得到各个传感器新的基数化概率假设密度分布,然后采用步骤S4~步骤S6相同的方法处理;
S8、采用步骤S4~S7相同的方法处理余下的k帧扫描数据。
2.根据权利要求1所述的一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,所述步骤S1中初始化的参数包括传感器监视范围、监视范围分辨率单元、传感器分辨率△r、传感器检测概率pD、传感器扫描周期T、扫描总帧数K和传感器个数S。
3.根据权利要求1所述的一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,所述步骤S1选定传感器融合准则为:
其中,表示目标状态的随机有限集;表示第s个传感器当前时刻的后验概率密度分布;表示融合后的后验概率密度分布;ω表示该融合准则的参数,这个参数决定了相应后验分布在融合时的权重;ω(s)表示传感器s的融合权重;δ表示集合变量的微分符号。
4.根据权利要求1所述的一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,所述步骤S3本地后验基数化概率假设密度分布的表达式为:
其中,表示目标数量的阶乘,表示目标数量的概率密度函数,ρ(x)为每个目标状态对应的概率密度函数。
5.根据权利要求1所述的一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,所述步骤S4包括以下子步骤:
S41、选取马氏距离dM作为联合分组准则,马氏距离的表达式为:
其中,代表第s个传感器滤波后第l个目标的状态均值,Pl (s)代表对应的协方差矩阵,ω代表传感器节点对应的融合权重,s=a,b,l=i,j;
S42、初始化联合分组为空集,表示为并选定分组阈值Γ;
S43、将马氏距离小于阈值Γ的联合分组进行合并;
S44、重复步骤S43直至组间的马氏距离都大于阈值Γ,得到N组关于融合后基数化概率假设密度所表征后验的联合分组,记为其中
6.根据权利要求1所述的一种基于随机集理论的多传感器分布式高效融合方法,其特征在于,所述步骤S5具体实现方法为:根据步骤S4的联合分组结果,并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布地进行融合,得到近似的融合状态概率密度函数和目标个数概率密度函数
其中:
其中,表示第g个联合分组下传感器s的融合分量集合,分别代表融合分量的权重、均值和协方差矩阵,表示以为参数的高斯分布表达式;
将近似的融合分布与其余的临近节点融合,以此方法与所有临近节点的本地后验基数化概率假设密度分布融合完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312086.4A CN110035405B (zh) | 2019-04-18 | 2019-04-18 | 一种基于随机集理论的多传感器分布式高效融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312086.4A CN110035405B (zh) | 2019-04-18 | 2019-04-18 | 一种基于随机集理论的多传感器分布式高效融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110035405A true CN110035405A (zh) | 2019-07-19 |
CN110035405B CN110035405B (zh) | 2020-04-28 |
Family
ID=67238917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312086.4A Active CN110035405B (zh) | 2019-04-18 | 2019-04-18 | 一种基于随机集理论的多传感器分布式高效融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110035405B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237180A (zh) * | 2021-12-17 | 2022-03-25 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
CN115290130A (zh) * | 2022-10-08 | 2022-11-04 | 香港中文大学(深圳) | 一种基于多元概率量化的分布式信息估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2733610A2 (en) * | 2012-11-16 | 2014-05-21 | Honeywell International Inc. | Data sharing among conditionally independent parallel filters |
CN104133983A (zh) * | 2014-06-30 | 2014-11-05 | 电子科技大学 | 基于加权负一阶rd和的多目标伯努利分布式融合方法 |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN106054172A (zh) * | 2016-06-30 | 2016-10-26 | 电子科技大学 | 一种随机集理论下的分布式多传感器融合方法 |
CN106154259A (zh) * | 2016-06-30 | 2016-11-23 | 电子科技大学 | 一种随机集理论下的多传感器自适应管控方法 |
CN106202001A (zh) * | 2016-07-01 | 2016-12-07 | 电子科技大学 | 一种标号集合概率密度函数的近似方法 |
CN106384121A (zh) * | 2016-08-30 | 2017-02-08 | 电子科技大学 | 基于标号空间匹配的标号随机集滤波器分布式融合方法 |
CN107491758A (zh) * | 2017-08-18 | 2017-12-19 | 南京林业大学 | 长江流域水体信息提取及其空间编码方法 |
US10387804B2 (en) * | 2014-09-30 | 2019-08-20 | BoonLogic | Implementations of, and methods of use for a pattern memory engine applying associative pattern memory for pattern recognition |
US10482379B2 (en) * | 2016-07-29 | 2019-11-19 | Google Llc | Systems and methods to perform machine learning with feedback consistency |
-
2019
- 2019-04-18 CN CN201910312086.4A patent/CN110035405B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2733610A2 (en) * | 2012-11-16 | 2014-05-21 | Honeywell International Inc. | Data sharing among conditionally independent parallel filters |
CN104133983A (zh) * | 2014-06-30 | 2014-11-05 | 电子科技大学 | 基于加权负一阶rd和的多目标伯努利分布式融合方法 |
US10387804B2 (en) * | 2014-09-30 | 2019-08-20 | BoonLogic | Implementations of, and methods of use for a pattern memory engine applying associative pattern memory for pattern recognition |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN106054172A (zh) * | 2016-06-30 | 2016-10-26 | 电子科技大学 | 一种随机集理论下的分布式多传感器融合方法 |
CN106154259A (zh) * | 2016-06-30 | 2016-11-23 | 电子科技大学 | 一种随机集理论下的多传感器自适应管控方法 |
CN106054172B (zh) * | 2016-06-30 | 2018-06-19 | 电子科技大学 | 一种随机集理论下的分布式多传感器融合方法 |
CN106202001A (zh) * | 2016-07-01 | 2016-12-07 | 电子科技大学 | 一种标号集合概率密度函数的近似方法 |
US10482379B2 (en) * | 2016-07-29 | 2019-11-19 | Google Llc | Systems and methods to perform machine learning with feedback consistency |
CN106384121A (zh) * | 2016-08-30 | 2017-02-08 | 电子科技大学 | 基于标号空间匹配的标号随机集滤波器分布式融合方法 |
CN107491758A (zh) * | 2017-08-18 | 2017-12-19 | 南京林业大学 | 长江流域水体信息提取及其空间编码方法 |
Non-Patent Citations (2)
Title |
---|
BAILU WANG: "Distributed Multi-Target Tracking Via Generalized Multi-Bernoulli Random Finite Sets", 《18TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 * |
彭冬亮: "随机集理论及其在信息融合中的应用", 《电子与信息学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237180A (zh) * | 2021-12-17 | 2022-03-25 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
CN114237180B (zh) * | 2021-12-17 | 2023-10-13 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
CN115290130A (zh) * | 2022-10-08 | 2022-11-04 | 香港中文大学(深圳) | 一种基于多元概率量化的分布式信息估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110035405B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991691B (zh) | 一种适用于摄像机网络下的分布式目标跟踪方法 | |
CN106878375B (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
Ao et al. | On precision bound of distributed fault-tolerant sensor fusion algorithms | |
Hao et al. | Distributed multiple human tracking with wireless binary pyroelectric infrared (PIR) sensor networks | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
Kim et al. | Structural recurrent neural network for traffic speed prediction | |
CN104133983B (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
CN116186643B (zh) | 一种多传感器协同目标跟踪方法、系统、设备及介质 | |
CN113837361A (zh) | 一种空气污染物浓度预测方法及系统 | |
CN110035405A (zh) | 一种基于随机集理论的多传感器分布式高效融合方法 | |
Shen et al. | Distributed recursive filtering for multi-rate uniform sampling systems with packet losses in sensor networks | |
CN109040084A (zh) | 一种网络流量异常检测方法、装置、设备及存储介质 | |
CN113657644B (zh) | 智能电网中虚假数据检测方法、装置、设备及存储介质 | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
Battistelli et al. | Distributed finite element Kalman filter | |
CN109379058B (zh) | 基于平方根容积信息一致的分布式非线性状态估计方法 | |
Dhanapala et al. | On boundary detection of 2-D and 3-D wireless sensor networks | |
Jorstad et al. | Distributed consensus on camera pose | |
CN113838101B (zh) | 一种适用于具有重叠视野的摄像机网络下的目标追踪方法 | |
CN114155354B (zh) | 基于图卷积网络的电容层析成像重建方法与装置 | |
Stamatescu et al. | Multi-camera tracking of intelligent targets with hidden reciprocal chains | |
CN108882271A (zh) | 一种基于标签多伯努利分布的非共视多传感器融合方法 | |
Zhao et al. | A sensor-service collaboration approach for target tracking in wireless camera networks |
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 |