CN111524167B - 一种移动放射源定位校正与优化方法 - Google Patents

Abstract

本发明公开了一种移动放射源定位校正与优化方法，其步骤包括：1)获取放射源移动过程中的辐射图像，将每一所述辐射图像中像素最大值位置(x,y)作为放射源在辐射图像中的中心位置；2)采用卡尔曼滤波算法，从x、y方向分别对各辐射图像中的放射源位置进行校正和优化；3)将步骤2)校正和优化后的t时刻采集的辐射图像中的放射源位置与t时刻辐射图像对应的光学图像进行匹配融合。本发明使用卡尔曼滤波算法和平滑方法对放射源运动位置进行校正与优化，获得高准确，无跳动且运动轨迹连续的放射源定位；最后将放射源位置与光学图像进行匹配融合，可应用于移动放射源定位检测的多种场合。

Description

一种移动放射源定位校正与优化方法

技术领域

本发明应用于编码孔径的伽马相机，涉及核安全检测领域，具体针对移动放射源检测的应用场景，是一种新的对移动放射源定位进行校正和优化的方法。

背景技术

基于编码孔径的伽马相机成像需要一定的统计计数才能得到信噪比高、真实可信的核辐射分布图像。传统的伽马相机，采用静止成像的方式，在探测器和放射源保持相对位置固定不变的情况下，经过长时间探测累积充分的计数进行成像，从而获得高质量的成像结果。

在运动成像过程中，由于探测器与放射源之间的相对位置不断变化，放射源在探测器视野中位置也不断发生变化。放射源的运动一方面将运动伪影引入数据中，另一方面数据的信号与噪声比值也发生变化。通常认为，核辐射分布图像中像素最大值所在位置即代表放射源位置。由于伽马相机采集数据运动伪影与噪声的干扰，辐射分布图像中放射源位置存在定位不准确的问题。在连续采集时放射源位置往往在某几帧发生跳动，会大幅度偏离正确位置。放射源被行人携带，伽马相机采集所得放射源位置与行人位置偏差较大，定位不准确。此外，由于辐射图像像素远小于光学图像像素，在进行热点与移动目标的匹配与融合时，热点定位的变化往往不够连续，不能紧跟移动的目标物体。

为了解决伽马相机在移动放射源成像中放射源定位跳动问题与定位不连续问题，本发明提供了基于卡尔曼滤波算法的放射源定位优化方法。针对移动放射源定位，一方面提高定位的连续性，另一方面可校正放射源定位偏离移动目标正确位置的数据点，使得伽马相机对移动放射源定位更连续与准确。

使用伽马相机对移动放射源进行检测与定位，传统方法通常使用逆互相关解码算法对采集数据进行解码重建，并叠加一段时间内的重建图像作为放射源在某点的辐射图像，其中选取辐射图像像素的最大值所在位置作为放射源位置。

传统方法未对辐射图像的放射源定位做优化，常出现放射源定位跳动与定位不连续问题。若通过提高探测器面积，在同等采集时长内可获取更多计数减少定位跳动，但势必会极大增加成本。

发明内容

针对伽马相机测量移动放射源的应用场景，本发明提供一种新的对移动放射源定位进行校正和优化的方法。对伽马相机采用逆互相关解码后的重建图像的放射源定位进行优化，从而提高放射源定位的准确性。同时该算法也可应用于移动放射源定位检测的多种场合。

本发明首先使用伽马相机或其他探测设备对移动反射源数据进行采集；其次通过逆相关解码获得放射源重建辐射图像；接着使用卡尔曼滤波算法和平滑方法对放射源运动位置进行校正与优化，获得高准确，无跳动且运动轨迹连续的放射源定位；最后将放射源位置与光学图像进行匹配融合。

本发明对技术方案为：

一种移动放射源定位校正与优化方法，其步骤包括：

1)获取放射源移动过程中的辐射图像，将每一所述辐射图像中像素最大值位置(x，y)作为放射源在辐射图像中的中心位置；

2)采用卡尔曼滤波算法，从x、y方向分别对各辐射图像中的放射源位置进行校正和优化；

3)将步骤2)校正和优化后的t时刻采集的辐射图像中的放射源位置与t时刻辐射图像对应的光学图像进行匹配融合。

进一步的，步骤2)中，从x方向对各辐射图像中的放射源位置进行校正和优化的方法为：

21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t₀的状态转移矩阵均方误差P₀、过程噪声的协方差Q₀和测量噪声的协方差R₀；

22)采用卡尔曼滤波算法根据放射源x方向t_k-1时刻的最优估计值x_k-1和t_k时刻的观测值z_k，计算x方向t_k时刻的状态最优估计值x_k；

23)计算t_k时刻的状态预测值和观测值z_k之间的正则化残差e_k，然后利用正则化残差e_k调整t_k时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k。

进一步的，当前时刻状态预测值和状态观测值的正则化差值e_k表达式为： 其中，/>H_k-1为卡尔曼滤波算法t_k-1时刻的滤波增益参数，P_k-1为t_k-1时刻的均方误差，R_k-1为t_k-1时刻的测量噪声的协方差；设定阈值为Thresh，当e_k＞Thresh时，调整当前时刻t_k的过程噪声的协方差Q_k和测量噪声的协方差R_k的值，使得Q_k增大，R_k减小。

进一步的，步骤2)中，从y方向分别对各辐射图像中的放射源位置进行校正和优化的方法为：

21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t₀的状态转移矩阵均方误差P₀、过程噪声的协方差Q₀和测量噪声的协方差R₀；

22)采用卡尔曼滤波算法根据放射源y方向t_k-1时刻的最优估计值y_k-1和t_k时刻的观测值L_k，计算y方向t_k时刻的状态最优估计值y_k；

23)计算t_k时刻的状态预测值和观测值L_k之间的正则化残差e_k，然后利用正则化残差e_k调整t_k时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k。

进一步的，当前时刻状态预测值和状态观测值的正则化差值e_k表达式为： 其中，/>H_k-1为卡尔曼滤波算法t_k-1时刻的滤波增益参数，P_k-1为t_k-1时刻的均方误差，R_k-1为t_k-1时刻的测量噪声的协方差；设定阈值为Thresh，当e_k＞Thresh时，调整当前时刻t_k的过程噪声的协方差Q_k和测量噪声的协方差R_k的值，使得Q_k增大，R_k减小。

进一步的，根据校正和优化后各辐射图像中的放射源位置生成该放射源的运动轨迹。

进一步的，采用平滑方法对放射源的运动轨迹进行平滑处理。

进一步的，所述平滑方法为RTS平滑方法。

进一步的，采集放射源移动过程中的光学图像，并对采集的光学图像进行逆相关解码获得该放射源移动过程中的辐射图像。

进一步的，使用伽马相机或探测设备采集放射源的光学图像。

与现有技术相比，本发明的积极效果为：

(1)在伽马相机对移动放射源检测和定位中，提高放射源定位的准确性；

(2)在伽马相机对移动放射源检测和定位中，提高放射源定位的连续性；

(3)在伽马相机对移动放射源检测和定位中，减少放射源定位跳动；

附图说明

图1为伽马相机对移动放射源采集并定位流程图；

图2为伽马相机逆相关解码重建辐射图像；

(a)t＝0s，(b)t＝8s，(c)t＝9s，(d)t＝10s，(e)t＝11s，(f)t＝12s；

图3伽马相机逆相关解码重建辐射图像中放射源位置；

(a)t＝0s、x＝7、y＝6，(b)t＝8s、x＝6、y＝7，(c)t＝9s、x＝5、y＝7，(d)t＝10s、x＝7、y＝1，(e)t＝11s、x＝3、y＝8，(f)t＝12s、x＝2、y＝9；

图4为对放射源x方向位置进行卡尔曼滤波效果图；

图5为对放射源y方向位置进行卡尔曼滤波效果图；

图6为对放射源x方向位置进行RTS滤波效果图；

图7为对放射源y方向位置进行RTS滤波效果图；

图8为t＝7s时刻对比示意图；

(a)为滤波处理前匹配示意图，(b)为滤波处理后匹配示意图；

图9为t＝8s时刻对比示意图；

(a)为滤波处理前匹配示意图，(b)为滤波处理后匹配示意图；

图10为t＝10s时刻对比示意图；

(a)为滤波处理前匹配示意图，(b)为滤波处理后匹配示意图；。

具体实施方式

下面结合附图及实施例对本申请作进一步详细说明，但不仅限于此。

本发明提出了一种对移动放射源定位进行校正和优化的方法，可将该方法应用于移动放射源检测定位中。伽马相机对移动放射源采集、定位、优化、融合的流程如图1所示，主要用于对逆互相关解码算法重建出的辐射图像的定位进行校正和优化。

1伽马相机数据采集与解码重建

令小车或行人携带放射源移动，使用伽马相机对移动放射源进行检测和定位，获取数据并进行逆相关解码重建，所得的辐射图像如图2所示，分别展示t＝0s，8s，9s，10s，11s，12s时刻的辐射图像。

2放射源定位

辐射图像长宽分别为19个像素大小，计算辐射图像中像素最大值所在位置，如图3所示，其中矩形框中的点为计算的放射源位置，以图片左上角为坐标原点，x与y即辐射图像中矩形框的中心坐标。

3定位优化

本方法主要采用卡尔曼滤波算法，对放射源位置的x，y方向分别进行定位的校正和优化。

卡尔曼滤波算法是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。以伽马相机采集的辐射图像位置的x坐标为例。

已知前一时刻t_k-1放射源位置的最优估计值为x_k-1。对于当前时刻t_k，观测得放射源位置为z_k。计算t_k时刻的放射源位置最优估计值x_k，可利用前一时刻t_k-1的最优估计值x_k-1和当前时刻t_k的观测值z_k来更新对现时刻的最优估计值x_k。

本系统的状态方程为：

其中为由前一时刻的放射源位置的最优估计值x_k-1预测当前时刻状态的状态转移矩阵。w_k-1为系统的过程噪声，表征了伽马相机对放射源定位系统中的系统固有噪声特点，Γ_k-1为本系统噪声驱动矩阵。该方程即意味当前时刻放射源的位置由前一时刻放射源的最优估计与系统固有噪声确定。

本系统的测量方程为：

z_k＝C_k*x_k+v_k

其中C_k为对当前时刻系统状态x_k进行测量的测量矩阵，v_k为测量过程的噪声。系统固有噪声与测量过程噪声满足

E[w_k]＝0 Cov[w_k，w_j]＝Q_kδ_kj

E[v_k]＝0 Cov[v_k，v_j]＝R_kδ_kj

Cov[w_k，v_j]＝0

其中Q_k为当前时刻t_k的过程噪声的协方差，R_k为当前时刻t_k的测量噪声的协方差，参数Q_k、R_k可根据物理模型的特点自己设定，可以是固定值，也可以进行调整。Q_k与R_k可取固定值或根据系统物理特性进行调整。在本发明根据放射源运动加速度的变化R_k与Q_k进行调整。

在已知伽马相机所测量的辐射热点前一时刻位置的最优估计x_k-1和当前时刻位置的测量值z_k，可以求得当前时刻的最优估计值x_k。计算方法如下：

(1)根据前一时刻t_k-1的位置最优估计值x_k-1计算当前时刻t_k的位置的状态预测

(2)计算当前时刻t_k的状态预测均方误差

其中P_k-1为时刻t_k-1的状态最优均方误差，Q_k-1为时刻t_k-1的过程噪声的协方差。Γ_k-1含义如上文所述，/>分别为/>Γ_k-1转置。

(3)计算当前时刻t_k的滤波增益参数H_k：

其中为(2)式所得当前时刻t_k的状态预测均方误差。C_k、R_k含义如上文所述，/>为C_k的转置。

(4)计算当前时刻t_k位置的状态最优估计值x_k：

其中H_k为(3)中所得当前时刻t_k的滤波增益参数，z_k、C_k含义如上文所述。

(5)更新当前时刻t_k的状态最优估计的均方误差P_k：

其中H_k为(3)中所得当前时刻t_k的滤波增益参数，为(2)式所得当前时刻t_k的状态预测均方误差，C_k含义如上文所述。

根据以上原理，可分别对伽马相机采集所得的放射源x，y方向的位置坐标进行校正和优化，其中状态转移矩阵过程噪声的协方差Q_k，测量噪声的协方差R_k均根据实际应用场景选择相应的值。

具体步骤如下：

(1)根据放射源携带者运动的物理特性(即放射源的移动特性)设置初始时刻t₀的状态转移矩阵均方误差P₀、过程噪声的协方差Q₀和测量噪声的协方差R₀。

(2)对伽马相机采集所得的放射源x，y方向的坐标分别使用上述原理进行优化。即根据放射源x方向t_k-1时刻的最优估计值x_k-1和t_k时刻的观测值z_k，计算x方向t_k时刻的状态最优估计值x_k。同样根据放射源y方向t_k-1时刻的最优估计值y_k-1和t_k时刻的观测值L_k，计算y方向t_k时刻的状态最优估计值y_k。

(3)与传统卡尔曼滤波算法不同的是，在本发明中，通过计算当前时刻t_k的状态预测值和状态观测值z_k之间的正则化残差e_k，来调整当前时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k。当前时刻状态预测值和状态观测值的正则化差值e_k表达式如下：

设定阈值为Thresh，当e_k＞Thresh时，调整当前时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k的值，使得Q_k增大，R_k减小，从而提升卡尔曼滤波器对当前时刻状态的计算。对伽马相机采集所得的放射源x，y方向位置坐标优化效果如图4、图5所示。图中黑色圆圈表示伽马相机测量获取的放射源位置，该放射源位置是离散的，且存在偏差较大的错误数据点。黑色线条表示通过卡尔曼滤波并且平滑后的放射源位置，可看出该曲线是连续变化且不存在偏差较大的点。卡尔曼滤波算法校正了偏离大错误的数据点，且使放射源轨迹随时间连续，提高放射源定位的准确性。

可进一步对卡尔曼滤波后的曲线进行优化，即根据卡尔曼滤波曲线的前后一段时间内的值来优化当前时刻的值。平滑的方法有固定点平滑(Fixed-Point Smoothing)、固定时延平滑(Fixed-Lag Smoothing)、固定时间间隔平滑(Fixed-Interval Smoothing)等方式。本发明以固定时间间隔平滑中的RTS平滑方法为例进行说明。

RTS平滑原理是，记录卡尔曼滤波器各个时刻输出的最优状态估计和对应的协方差，并遍历当前时刻之后的数据，把对未来的预测信息结合到当前时刻，对当前时刻的最优状态估计进行平滑。对以上数据进行RTS滤波所得结果如图6、图7所示，虚线所示为RTS滤波的结果。通过RTS滤波，放射源位置信息得到了进一步的平滑和优化，较卡尔曼滤波输出结果更为准确。

4匹配融合

使用伽马相机获取放射源位置(x，y)，使用本专利中卡尔曼滤波RTS平滑方法对放射源位置(x，y)进行处理获得的优化后的放射源位置(x′，y′)。分别将放射源位置(x，y)和优化后的放射源位置(x′，y′)与光学图像中目标行人位置进行匹配融合，所得融合示意图对比如图8～10所示。根据实验对比结果可以发现，通过卡尔曼滤波器平滑后的放射源位置与光学图像中放射源位置更符合，说明基于卡尔曼滤波算法的移动放射源定位校正与优化方法可校正偏离放射源真实位置的测量点，能有效减少放射源定位的跳动并且使放射源运动轨迹更连续与平滑。

以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请发明构思的前提下，还可以做出若干简单推演或替换。

Claims (6)

1.一种移动放射源定位校正与优化方法，其步骤包括：

1)获取放射源移动过程中的辐射图像，将每一所述辐射图像中像素最大值位置(x，y)作为放射源在辐射图像中的中心位置；

2)采用卡尔曼滤波算法，从x、y方向分别对各辐射图像中的放射源位置进行校正和优化；

a)从x方向对各辐射图像中的放射源位置进行校正和优化的方法为：21a)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t₀的状态转移矩阵均方误差P₀、过程噪声的协方差Q₀和测量噪声的协方差R₀；22a)采用卡尔曼滤波算法根据放射源x方向t_k-1时刻的最优估计值x_k-1和t_k时刻的观测值z_k，计算x方向t_k时刻的状态最优估计值x_k；23a)计算t_k时刻的状态预测值/>和观测值z_k之间的正则化残差e_k，然后利用正则化残差e_k调整t_k时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k；/>其中，H_k-1为卡尔曼滤波算法t_k-1时刻的滤波增益参数，P_k-1为t_k-1时刻的均方误差，R_k-1为t_k-1时刻的测量噪声的协方差；设定阈值为Thresh，当e_k＞Thresh时，调整当前时刻t_k的过程噪声的协方差Q_k和测量噪声的协方差R_k的值，使得Q_k增大，R_k减小；

b)从y方向分别对各辐射图像中的放射源位置进行校正和优化的方法为：21b)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t₀的状态转移矩阵均方误差P₀、过程噪声的协方差Q₀和测量噪声的协方差R₀；22b)采用卡尔曼滤波算法根据放射源y方向t_k-1时刻的最优估计值y_k-1和t_k时刻的观测值L_k，计算y方向t_k时刻的状态最优估计值y_k；23b)计算t_k时刻的状态预测值/>和观测值L_k之间的正则化残差e_k，然后利用正则化残差e_k调整t_k时刻的过程噪声的协方差Q_k和测量噪声的协方差R_k；/>其中，H_k-1为卡尔曼滤波算法t_k-1时刻的滤波增益参数，P_k-1为t_k-1时刻的均方误差，R_k-1为t_k-1时刻的测量噪声的协方差；设定阈值为Thresh，当e_k＞Thresh时，调整当前时刻t_k的过程噪声的协方差Q_k和测量噪声的协方差R_k的值，使得Q_k增大，R_k减小；

3)将步骤2)校正和优化后的t时刻采集的辐射图像中的放射源位置与t时刻辐射图像对应的光学图像进行匹配融合。

2.如权利要求1所述的方法，其特征在于，根据校正和优化后各辐射图像中的放射源位置生成该放射源的运动轨迹。

3.如权利要求2所述的方法，其特征在于，采用平滑方法对放射源的运动轨迹进行平滑处理。

4.如权利要求3所述的方法，其特征在于，所述平滑方法为RTS平滑方法。

5.如权利要求1所述的方法，其特征在于，采集放射源移动过程中的光学图像，并对采集的光学图像进行逆相关解码获得该放射源移动过程中的辐射图像。

6.如权利要求5所述的方法，其特征在于，使用伽马相机或探测设备采集放射源的光学图像。