CN111833395B - 一种基于神经网络模型的测向体制单目标定位方法和装置 - Google Patents
一种基于神经网络模型的测向体制单目标定位方法和装置 Download PDFInfo
- Publication number
- CN111833395B CN111833395B CN202010502101.4A CN202010502101A CN111833395B CN 111833395 B CN111833395 B CN 111833395B CN 202010502101 A CN202010502101 A CN 202010502101A CN 111833395 B CN111833395 B CN 111833395B
- Authority
- CN
- China
- Prior art keywords
- target point
- neural network
- network model
- sample image
- observation platform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003062 neural network model Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 78
- 238000009877 rendering Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于神经网络模型的测向体制单目标定位方法和装置,涉及定位技术领域,通过获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置,从而解决了现有技术中利用到达角定位的泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降的技术问题,达到了提高目标的定位性能,实现了高精度、泛化能力强的目标定位的技术效果。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种基于神经网络模型的测向体制单目标定位方法和装置。
背景技术
AOA定位是无源定位中基于测向角的定位技术,它主要是利用第一到达角信息来实现定位,其不需要发送方和接收方同步,具有隐蔽性高、抗干扰能力强、操作简单等优点。在无线传感器网络、军事侦查领域等领域扮演着重要的角色。由于定位场景中具有环境噪声,使得锚点获得来自目标点的到达角具有误差噪声,从而影响真实目标的定位性能。定位算法高效的利用历史数据和学习环境中噪声误差,可显著提高目标的定位性能。高精度的定位算法在无线传感器网络、军事侦察领域可提取获得准确信息,便于抢占先机。
但本发明申请人发现现有技术至少存在如下技术问题:
现有的到达角定位领域中由于泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降。
申请内容
本发明实施例提供了一种基于神经网络模型的测向体制单目标定位方法和装置,解决了现有技术的到达角定位领域中由于泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降的技术问题,达到了提高目标的定位性能,实现了高精度、泛化能力强的目标定位的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种基于神经网络模型的测向体制单目标定位方法和装置。
第一方面,本发明提供了一种基于神经网络模型的测向体制单目标定位方法,所述方法包括:获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置。
优选地,所述采集单个目标点和所述观测平台的坐标信息,包括:
在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;根据所述二维空间坐标系获得所述观测平台的坐标信息:通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息。
优选地,所述通过样本生成算法将所述观测平台的坐标信息与所述目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像,包括:
通过不同形式样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值;αA、αB、αC为归一化系数;βn表示所述第一到达角;Xn表示所述第一目标点坐标;ZA、ZB、ZC为三种样本图像。
优选地,所述通过卷积神经网络模型对所述多种不同训练数据集样本图像进行建模,获得目标点位置,包括:
根据样本图像Z获得所述第一目标点位置:
优选地,所述方法包括:
通过采集所述单个目标点和所述观测平台的坐标信息,构建单目标定位任务;获得所述单目标定位任务需要优化的损失函数,所述损失函数表示为:
其中,T为训样本的数量,J(Θ)为所述单目标定位任务的损失函数。Θ表示所述卷积神经网络模型的权重参数;对所述损失函数进行优化,获得训练所述卷积神经网络模型的权重参数。
优选地,所述方法包括:
将所述训练数据集样本图像划分为训练集、测试集;根据所述训练集与所述测试集构建卷积神经网络模型;根据所述卷积神经网络模型对所述样本图像空间进行建模,获得所述观测平台的坐标信息与所述目标点之间的空间关系;通过所述训练数据集样本图像与所述空间关系训练所述卷积神经网络模型,获得收敛的卷积神经网络模型。
优选地,所述方法还包括:
通过所述观测平台采集第二到达角信息和所述观测平台的坐标信息生成新的样本图像;将所述卷积神经网络模型加载在所述训练数据集样本上收敛的权重参数,对所述新的样本图像进行推理获得第二目标点位置。
第二方面,本发明提供了一种基于神经网络模型的测向体制单目标定位装置,所述装置包括:
第一获得单元,所述第一获得单元用于获得观测平台的坐标信息:
第一采集单元,所述第一采集单元用于采集单个目标点和所述观测平台的坐标信息;
第二获得单元,所述第二获得单元用于通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;
第三获得单元,所述第三获得单元用于通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置。
优选地,所述第一采集单元中采集单个目标点和所述观测平台的坐标信息,包括:
第一设置单元,所述第一设置单元用于在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;
第四获得单元,所述第四获得单元用于根据所述二维空间坐标系获得所述观测平台的坐标信息:
第五获得单元,所述第五获得单元用于通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息。
优选地,所述第二获得单元中通过样本生成算法将所述观测平台的坐标信息与所述目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像,包括:
第一生成单元,所述第一生成单元用于通过不同形式样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值,αA、αB、αC为归一化系数,βn表示所述第一到达角,Xn表示所述第一目标点坐标,ZA、ZB、ZC为三种样本图像。
优选地,所述第三获得单元中通过卷积神经网络模型对所述多种不同训练数据集样本图像进行建模,获得目标点位置,包括:
第六获得单元,所述第六获得单元用于根据样本图像Z获得所述第一目标点位置:
优选地,所述装置包括:
第一构建单元,所述第一构建单元用于通过采集所述单个目标点和所述观测平台的坐标信息,构建单目标定位任务;
第七获得单元,所述第七获得单元用于获得所述单目标定位任务需要优化的损失函数,所述损失函数表示为:
其中,T为训样本的数量,J(Θ)为所述单目标定位任务的损失函数。Θ表示所述卷积神经网络模型的权重参数;
第八获得单元,所述第八获得单元用于对所述损失函数进行优化,获得训练所述卷积神经网络模型的权重参数。
优选地,所述装置包括:
第二设置单元,所述第二设置单元用于将所述训练数据集样本图像划分为训练集、测试集;
第二构建单元,所述第二构建单元用于根据所述训练集与所述测试集构建卷积神经网络模型;
第九获得单元,所述第九获得单元用于根据所述卷积神经网络模型对所述样本图像空间进行建模,获得所述观测平台的坐标信息与所述目标点之间的空间关系;
第十获得单元,所述第十获得单元用于通过所述训练数据集样本图像与所述空间关系训练所述卷积神经网络模型,获得收敛的卷积神经网络模型。
优选地,所述装置包括:
第二生成单元,所述第二生成单元用于通过所述观测平台采集第二到达角信息和所述观测平台的坐标信息生成新的样本图像;
第十一获得单元,所述第十一获得单元用于将所述卷积神经网络模型加载在所述训练数据集样本上收敛的权重参数,对所述新的样本图像进行推理获得第二目标点位置。
第三方面,本发明提供了一种基于神经网络模型的测向体制单目标定位装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种基于神经网络模型的测向体制单目标定位方法和装置,通过获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置,从而解决了现有技术中到达角定位领域中由于泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降的技术问题,达到了提高目标的定位性能,实现了高精度、泛化能力强的目标定位的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种基于神经网络模型的测向体制单目标定位方法的流程示意图;
图2为本发明实施例中一种基于神经网络模型的测向体制单目标定位装置的结构示意图;
图3为本发明实施例中另一种基于神经网络模型的测向体制单目标定位装置的结构示意图。
附图标记说明:第一获得单元11,第一采集单元12,第二获得单元13,第三获得单元14,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本发明实施例提供了一种基于神经网络模型的测向体制单目标定位方法和装置,用于解决现有技术中到达角定位领域中由于泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降的技术问题。
本发明提供的技术方案总体思路如下:获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置,从而达到了提高目标的定位性能,实现了高精度、泛化能力强的目标定位的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中一种基于神经网络模型的测向体制单目标定位方法的流程示意图。如图1所示,本发明实施例提供了一种基于神经网络模型的测向体制单目标定位方法,所述方法包括:
步骤110:获得观测平台的坐标信息。
步骤120:采集单个目标点和所述观测平台的坐标信息。
进一步的,所述采集单个目标点和所述观测平台的坐标信息,包括:在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;根据所述二维空间坐标系获得所述观测平台的坐标信息:通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息。
具体而言,在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向。根据二维空间坐标系获得观测平台或者锚点的位置,其中,观测平台上设置用户用于定位的锚点。通过观测平台的测角设备获得来自单个目标点的第一到达角信息,其中,目标点为用户需要定位的点,到达角是指目标点到达观测平台的波辐射传播方向的量度,一般是波射线与某一方向(水平面或水平面法线)之间的夹角,称为到达角。举例而言,假设二维定位空间在1×1内,观测平台的坐标位置为分别记为xi=[xi,yi]T,其中i=1,…,N。目标点坐标记作t=[tx,ty]T。在对目标点测向定位时,观测平台的坐标信息xi处的传感器可以获得关于目标点t的测向线,可以由到达角βi表示。则βi可由以下方程得到βi=β(t,xi)+εi,其中,β(t,xi)表示从目标点t到观测平台的坐标信息xi的向量与水平方向之间的夹角,即测向角;εi为独立同分布的观测噪声,服从零均值、方差为σ2的高斯分布。其中,测向是为了确定某一目标相对于己知坐标点的方向,就必须测量出该目标到已知坐标点的连线与某一个参考方向线之间的夹角,即测向角。
为了消除噪声的影响,测向定位问题需要求解以下优化问题:
在二维空间中,由于β(·,·)中的反正切函数为非线性函数,导致优化问题非凸,给求解带来困难。随着噪声水平σ的增加,观测平台获得的测向角β(·,·)的误差范围越大,使得目标点所处覆盖区域变大,从而增加算法的定位难度。本申请实施例中有效的学习噪声环境中的误差,可以提高定位算法的定位性能。
步骤130:通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像。
进一步的,所述通过样本生成算法将所述观测平台的坐标信息与所述目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像,包括:通过不同形式样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值;αA、αB、αC为归一化系数;βn表示所述第一到达角;Xn表示所述第一目标点坐标;ZA、ZB、ZC为三种样本图像。
具体而言,通过求解域的转换将单目标定位任务转换为视觉目标回归任务,即通过样本生成算法将观测平台的坐标信息与目标点之间的几何空间渲染成样本图像空间,从而生成训练数据集,也就是运用样本生成算法G(·)生成训练数据集样本图像。样本生成算法G(·)是利用样本生成算法生成训练数据集,通过样本生成算法将观测平台的坐标信息与目标点之间的几何数据渲染成样本图像空间称为样本AOA图像,从而生成训练数据集。假设通过样本生成算法将采集得到的不同噪声水平下的测向角和观测平台的坐标信息生成样本图像Z,真实目标点的坐标作为样本训练的标签t,从而生成训练数据集样本(Z,t)。在定位空间中,可以预先确定进行定位的区域。将该区域内测向线的几何模式渲染为样本图像空间,就构成了训练数据集。将该过程形式化的描述为:Z=G(x1,β1,…,xN,βN),其中,G(·)表示将几何模式渲染为图像的过程,而Z为获得的样本图像。
在本申请实施例中采用三种不同形式的样本生成算法G()来实现将观测平台的坐标位置与目标点之间的几何数据渲染生成样本AOA图像。假设样本图像空间的尺度大小为H×W,噪声水平为σ。样本图像Z中的像素点为v(vx,vy),其中样本图像中的像素点[i,j]T为该像素点对应在几何空间下坐标点的位置,表示向下取整。为了提高不同的数据表示形式对单目标定位的性能影响,本申请实施例采用方式A、方式B以及方式C三种样本图像表示形式来作为样本的输入。
方式A:在样本图像区域内,各个观测平台的坐标信息通过测向角绘制射线叠加组成的样本图像为ZA(ZA∈RH×W)。其中样本图像ZA可形式化表示为在方式A中,则ZA可进一步形式化描述为:其中,δ(·)是克罗内克函数,αA为归一化系数。在方式A中,生成的样本图像不仅包含了观测平台的坐标信息获得的测向角信息,同时也包含各个测向线的空间信息。在样本图像空间中,其中的每一个点取值为0或者1,表示该点是否在测向角的射线中。
方式B:在原有方式A生成的样本图像中,为了利用环境噪声符合高斯分布这一先验信息,在样本图像区域内,将各个观测平台的坐标信息以获得的测向角为中心线、方差为σ2生成高斯分布绘制射线区域的方式叠加组成的样本图像ZB(ZB∈RH×W)。在方式B中,与方式A不同的是G(·)函数,方式B生成的样本图像空间ZB可进一步形式化描述为:
其中,αB为归一化系数,样本图像中的像素点ZB(v)的取值为0~1之间,p(·)是概率密度函数。N(β(v,xn);βn,σ2)表示均值βn,方差为σ2的正态分布。样本图像ZB中的点v是由各个测向角生成的高斯噪声混合叠加而成的,属于加性混合高斯噪声分布。在方式B中,相对于在方式A中融入环境噪声水平这一先验信息。与方式A相比,方式B生成的样本包含的信息更为稠密。
方式C:与方式B样本空间中的点满足加性混合噪声分布不同的是,在方式C样本空间中的点将以乘性噪声叠加而成。即将各个观测平台的坐标信息获得的测向角为中心线生成高斯分布绘制射线区域以乘性叠加的方式组成的样本图像ZC(ZC∈RH×W),在方式C中样本图像ZC可由形式化表示:
其中,αC为归一化系数。与方式B、A不同的是,方式C使得目标所在区域的范围变小,使得目标变得更明确。对于单目标定位任务来说,以加性混合高斯噪声(方式B)生成的样本图像空间能够适用于定位任务中测向线丢失的情况。而以乘性混合高斯噪声(方式C)生成的样本图像空间则不能适用于定位任务中测向线丢失的情况。
为了简化样本图像的生成过程,定义截断函数ρ(·)以简化表示。其中ρ(·)可由以下表示
其中,u0为固定阈值。则方式A、方式B和方式C生成的样本图像空间ZA、ZB和ZC可表示为
其中ρA、ρB和ρC为截断阈值,;αA、αB、αC为归一化系数;βn表示所述第一到达角;Xn表示所述第一目标点坐标;ZA、ZB、ZC为三种样本图像。
步骤140:通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置。
进一步的,所述方法包括:将所述训练数据集样本图像划分为训练集、测试集;根据所述训练集与所述测试集构建卷积神经网络模型;根据所述卷积神经网络模型对所述样本图像空间进行建模,获得所述观测平台的坐标信息与所述目标点之间的空间关系;通过所述训练数据集样本图像与所述空间关系训练所述卷积神经网络模型,获得收敛的卷积神经网络模型。
进一步的,所述通过卷积神经网络模型对所述多种不同训练数据集样本图像进行建模,获得目标点位置,包括:根据样本图像Z获得所述第一目标点位置:
进一步的,所述方法包括:通过采集所述单个目标点和所述观测平台的坐标信息,构建单目标定位任务;获得所述单目标定位任务需要优化的损失函数,所述损失函数表示为:
其中,T为训样本的数量,J(Θ)为所述单目标定位任务的损失函数。Θ表示所述卷积神经网络模型的权重参数;对所述损失函数进行优化,获得训练所述卷积神经网络模型的权重参数。
具体而言,本申请实施例提出卷积神经网络模型LocNet来对生成的样本AOA图像进行建模,将训练数据集样本图像划分为训练集、测试集;根据训练集与测试集构建卷积神经网络模型,根据卷积神经网络模型对样本图像空间进行建模,获得观测平台的坐标信息与目标点之间的空间关系;通过训练数据集样本图像与空间关系训练卷积神经网络模型,获得收敛的卷积神经网络模型,即训练好的卷积神经网络模型,便于在后续步骤中使用。在卷积神经网络模型中,所有的卷积核大小均为3×3。每个卷积层的输出使用ReLU激活函数。卷积神经网络模型由4个卷积块组成,每个卷积块由多个卷积层依次堆叠组成。各个卷积层输出的激活函数使用ReLU函数,多个卷积层逐层提取样本的高层语义特征,将得到的高层语义特征送入全连接层得到目标点的真实位置。LocNet模型的学习率设置为1e-3,使用Adam作为优化器。本申请实施例通过采集单个目标点和观测平台的坐标信息,构建单目标定位任务,进而获得单目标定位任务需要优化的损失函数,损失函数表示为:
其中,T为训样本的数量,J(Θ)为所述单目标定位任务的损失函数。Θ表示所述卷积神经网络模型的权重参数。为了衡量卷积神经网络模型对目标点的预测坐标与目标点真实的坐标一致,采用J(Θ)作为损失函数来更新卷积神经网络模型的权值参数。即对损失函数进行优化,可以获得训练卷积神经网络模型的权重参数。
通过步骤130求解域转换后,测向定位问题现在变为设计卷积神经网络F(·;·),根据几何模式图像Z推断目标点的位置:其中,表示对待定目标点位置的估计,而Θ为卷积神经网络模型的参数。本申请实施例中使用计算机视觉和深度学习的方法搭建卷积神经网络模型对训练数据集样本图像进行建模,提出卷积神经网络模型LocNet。利用卷积神经网络模型强大的泛化能力和端到端的训练策略实现对定位环境中噪声分布进行建模,实现高精度的目标定位。即采用卷积神经网络模型以端到端训练策略对训练数据集样本图像建模,利用多层堆叠的卷积层来提取训练数据集样本图像的高层语义特征,最后卷积神经网络模型使用回归层输出第一目标点位置坐标。采用梯度反传算法来实现神经网络模型在数据集上收敛,从而实现对样本图像的去噪和学习目标周围的空间分布。
进一步的,所述方法还包括:通过所述观测平台采集第二到达角信息和所述观测平台的坐标信息生成新的样本图像;将所述卷积神经网络模型加载在所述训练数据集样本上收敛的权重参数,对所述新的样本图像进行推理获得第二目标点位置。
具体而言,通过观测平台的测角设备采集第二到达角信息和观测平台的坐标信息生成新的样本图像,第二到达角信息为重新采集的到达角信息。将卷积神经网络模型加载在训练数据集样本上收敛的权重参数,对新的样本图像进行推理获得第二目标点位置,能够有效利用观测平台的坐标信息以及环境噪音的历史数据,实现高精度、泛化能力强的目标定位。
实施例二
基于与前述实施例中一种基于神经网络模型的测向体制单目标定位方法同样的发明构思,本发明还提供一种基于神经网络模型的测向体制单目标定位方法装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得观测平台的坐标信息:
第一采集单元12,所述第一采集单元12用于采集单个目标点和所述观测平台的坐标信息;
第二获得单元13,所述第二获得单元13用于通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;
第三获得单元14,所述第三获得单元14用于通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置。
进一步的,所述第一采集单元中采集单个目标点和所述观测平台的坐标信息,包括:
第一设置单元,所述第一设置单元用于在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;
第四获得单元,所述第四获得单元用于根据所述二维空间坐标系获得所述观测平台的坐标信息:
第五获得单元,所述第五获得单元用于通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息。
进一步的,所述第二获得单元中通过样本生成算法将所述观测平台的坐标信息与所述目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像,包括:
第一生成单元,所述第一生成单元用于通过不同形式样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值;αA、αB、αC为归一化系数;βn表示所述第一到达角;Xn表示所述第一目标点坐标;ZA、ZB、ZC为三种样本图像。
进一步的,所述第三获得单元中通过卷积神经网络模型对所述多种不同训练数据集样本图像进行建模,获得目标点位置,包括:
第六获得单元,所述第六获得单元用于根据样本图像Z获得所述第一目标点位置:
进一步的,所述装置包括:
第一构建单元,所述第一构建单元用于通过采集所述单个目标点和所述观测平台的坐标信息,构建单目标定位任务;
第七获得单元,所述第七获得单元用于获得所述单目标定位任务需要优化的损失函数,所述损失函数表示为:
其中,T为训样本的数量,J(Θ)为所述单目标定位任务的损失函数。Θ表示所述卷积神经网络模型的权重参数;
第八获得单元,所述第八获得单元用于对所述损失函数进行优化,获得训练所述卷积神经网络模型的权重参数。
进一步的,所述装置包括:
第二设置单元,所述第二设置单元用于将所述训练数据集样本图像划分为训练集、测试集;
第二构建单元,所述第二构建单元用于根据所述训练集与所述测试集构建卷积神经网络模型;
第九获得单元,所述第九获得单元用于根据所述卷积神经网络模型对所述样本图像空间进行建模,获得所述观测平台的坐标信息与所述目标点之间的空间关系;
第十获得单元,所述第十获得单元用于通过所述训练数据集样本图像与所述空间关系训练所述卷积神经网络模型,获得收敛的卷积神经网络模型。
进一步的,所述装置包括:
第二生成单元,所述第二生成单元用于通过所述观测平台采集第二到达角信息和所述观测平台的坐标信息生成新的样本图像;
第十一获得单元,所述第十一获得单元用于将所述卷积神经网络模型加载在所述训练数据集样本上收敛的权重参数,对所述新的样本图像进行推理获得第二目标点位置。
前述图1实施例一中的一种基于神经网络模型的测向体制单目标定位方法的各种变化方式和具体实例同样适用于本实施例的一种基于神经网络模型的测向体制单目标定位装置,通过前述对一种基于神经网络模型的测向体制单目标定位方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于神经网络模型的测向体制单目标定位装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中一种基于神经网络模型的测向体制单目标定位方法同样的发明构思,本发明还提供一种基于神经网络模型的测向体制单目标定位装置,如图3所示,包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现前文所述基于神经网络模型的测向体制单目标定位方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种基于神经网络模型的测向体制单目标定位方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置。
在具体实施过程中,该程序被处理器执行时,还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种基于神经网络模型的测向体制单目标定位方法和装置,通过获得观测平台的坐标信息:采集单个目标点和所述观测平台的坐标信息;通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置,从而解决了现有技术中到达角定位领域中由于泛化能力差、不能有效的学习定位环境中的误差,使得定位算法随着噪声水平的增加,定位性能急剧下降的技术问题,达到了提高目标的定位性能,实现了高精度、泛化能力强的目标定位的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于神经网络模型的测向体制单目标定位方法,其特征在于,所述方法包括:
获得观测平台的坐标信息:
采集单个目标点和所述观测平台的坐标信息;
通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;
通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置;
所述采集单个目标点和所述观测平台的坐标信息,包括:
在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;
根据所述二维空间坐标系获得所述观测平台的坐标信息;
通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息;
所述通过样本生成算法将所述观测平台的坐标信息与所述目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像,包括:
通过不同形式的所述样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述单个目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值,αA、αB、αC为归一化系数,βn表示所述第一到达角,Xn表示所述第一目标点坐标,ZA、ZB、ZC为三种样本图像;
所述通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得目标点位置,包括:
根据样本图像Z获得所述第一目标点位置:
3.如权利要求1所述的方法,其特征在于,所述方法包括:
将所述训练数据集样本图像划分为训练集、测试集;
根据所述训练集与所述测试集构建卷积神经网络模型;
根据所述卷积神经网络模型对所述样本图像空间进行建模,获得所述观测平台的坐标信息与所述目标点之间的空间关系;
通过所述训练数据集样本图像与所述空间关系训练所述卷积神经网络模型,获得收敛的卷积神经网络模型。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
通过所述观测平台采集第二到达角信息和所述观测平台的坐标信息生成新的样本图像;
将所述卷积神经网络模型加载在所述训练数据集样本上收敛的权重参数,对所述新的样本图像进行推理获得第二目标点位置。
5.一种基于神经网络模型的测向体制单目标定位装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于获得观测平台的坐标信息:
第一采集单元,所述第一采集单元用于采集单个目标点和所述观测平台的坐标信息;
第二获得单元,所述第二获得单元用于通过样本生成算法将所述观测平台的坐标信息与所述单个目标点之间的几何空间渲染成样本图像空间,获得训练数据集样本图像;
第三获得单元,所述第三获得单元用于通过卷积神经网络模型对所述训练数据集样本图像进行建模,获得第一目标点位置;
第一设置单元,所述第一设置单元用于在二维的定位空间中,二维空间坐标系以向右的水平方向为x轴正方向,以垂直于水平方向向上的方向为y轴正方向;
第四获得单元,所述第四获得单元用于根据所述二维空间坐标系获得所述观测平台的坐标信息;
第五获得单元,所述第五获得单元用于通过所述观测平台的测角设备获得来自所述单个目标点的第一到达角信息;
第一生成单元,所述第一生成单元用于通过不同形式样本生成算法将采集得到的不同噪声水平下的所述第一到达角信息和所述目标点信息生成不同样本图像ZA、ZB和ZC可表示为:
其中,ρA、ρB和ρC为截断阈值;αA、αB、αC为归一化系数;βn表示所述第一到达角;Xn表示所述第一目标点坐标;ZA、ZB、ZC为三种样本图像;
第六获得单元,所述第六获得单元用于根据样本图像Z获得所述第一目标点位置:
6.一种基于神经网络模型的测向体制单目标定位装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任一项所述方法的步骤。
7.一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,该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010502101.4A CN111833395B (zh) | 2020-06-04 | 2020-06-04 | 一种基于神经网络模型的测向体制单目标定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010502101.4A CN111833395B (zh) | 2020-06-04 | 2020-06-04 | 一种基于神经网络模型的测向体制单目标定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833395A CN111833395A (zh) | 2020-10-27 |
CN111833395B true CN111833395B (zh) | 2022-11-29 |
Family
ID=72897615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010502101.4A Active CN111833395B (zh) | 2020-06-04 | 2020-06-04 | 一种基于神经网络模型的测向体制单目标定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833395B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580615B (zh) * | 2022-03-04 | 2022-09-23 | 哈尔滨工程大学 | 一种基于神经网络的分布式小平台水下纯方位定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907124A (zh) * | 2017-09-30 | 2018-04-13 | 杭州迦智科技有限公司 | 基于场景重识的定位方法、电子设备、存储介质、系统 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN110275163A (zh) * | 2019-06-28 | 2019-09-24 | 清华大学 | 一种基于神经网络的毫米波雷达探测目标成像方法 |
CN110554356A (zh) * | 2019-08-09 | 2019-12-10 | 清华大学 | 一种可见光通信中设备定位方法及系统 |
CN110631588A (zh) * | 2019-09-23 | 2019-12-31 | 电子科技大学 | 一种基于rbf网络的无人机视觉导航定位方法 |
-
2020
- 2020-06-04 CN CN202010502101.4A patent/CN111833395B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907124A (zh) * | 2017-09-30 | 2018-04-13 | 杭州迦智科技有限公司 | 基于场景重识的定位方法、电子设备、存储介质、系统 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN110275163A (zh) * | 2019-06-28 | 2019-09-24 | 清华大学 | 一种基于神经网络的毫米波雷达探测目标成像方法 |
CN110554356A (zh) * | 2019-08-09 | 2019-12-10 | 清华大学 | 一种可见光通信中设备定位方法及系统 |
CN110631588A (zh) * | 2019-09-23 | 2019-12-31 | 电子科技大学 | 一种基于rbf网络的无人机视觉导航定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111833395A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6745328B2 (ja) | 点群データを復旧するための方法及び装置 | |
CN107679537B (zh) | 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法 | |
CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和系统 | |
CN109636921A (zh) | 基于云平台的智能视觉船舶感知系统以及数据处理方法 | |
Henson et al. | Attitude-trajectory estimation for forward-looking multibeam sonar based on acoustic image registration | |
CN111707275B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
CN113936090A (zh) | 三维人体重建的方法、装置、电子设备及存储介质 | |
CN114022799A (zh) | 一种自监督单目深度估计方法和装置 | |
CN114332125A (zh) | 点云重建方法、装置、电子设备和存储介质 | |
CN117422884A (zh) | 三维目标检测方法、系统、电子设备及存储介质 | |
CN110428461B (zh) | 结合深度学习的单目slam方法及装置 | |
CN110276801B (zh) | 一种物体定位方法、装置及存储介质 | |
CN111833395B (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 | |
CN114612612A (zh) | 人体姿态估计方法及装置、计算机可读介质、电子设备 | |
CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN116704029A (zh) | 稠密物体语义地图构建方法、装置、存储介质及电子设备 | |
CN116823929A (zh) | 基于视觉图像与点云地图的跨模态匹配定位方法及系统 | |
CN115860113A (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
CN111860827B (zh) | 一种基于神经网络模型的测向体制多目标定位方法和装置 | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 | |
CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
CN111833397B (zh) | 一种面向测向目标定位的数据转换方法和装置 | |
CN112070893A (zh) | 一种基于深度学习的动态海面三维建模方法及存储介质 |
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 |