CN111860613B - 一种基于多源异构信号的多目标追踪及状态预测方法 - Google Patents
一种基于多源异构信号的多目标追踪及状态预测方法 Download PDFInfo
- Publication number
- CN111860613B CN111860613B CN202010611414.3A CN202010611414A CN111860613B CN 111860613 B CN111860613 B CN 111860613B CN 202010611414 A CN202010611414 A CN 202010611414A CN 111860613 B CN111860613 B CN 111860613B
- Authority
- CN
- China
- Prior art keywords
- state
- signals
- source heterogeneous
- sensor
- probability
- 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 35
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000007418 data mining Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010207 Bayesian analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于多源异构信号的多目标追踪及状态预测方法,通过多源异构传感器采集多源异构信号,采用数据挖掘方法对采集的信号进行特征提取,根据特征信号建立状态空间模型,接着对场景状态进行动态跟踪和预测,并采用分类预测方法对多源异构传感信号融合,最终根据融合结果控制智能体运动。本发明即使某一信号获取精度降低,仍可根据其它信号源进行跟踪预测,避免环境变化引起信号源获取精度降低,进而导致目标识别精度降低的问题。
Description
技术领域
本发明属于目标定位技术领域,特别涉及一种基于多源异构信号的多目标追踪及状态预测方法。
背景技术
目前目标定位方法多种多样,包括图像定位、声学定位、无线定位等,如专利一种数字图像中的目标定位方法以及装置(ZL201410359215.2)公开了一种利用数字图像进行目标定位的方法,首先获取目标Gabor滤波形状模板,利用Gabor滤波结果进行形状匹配定位,再利用骨架特征之间的相似度判定目标所在区域;专利一种水下机器人目标定位识别方法和系统(ZL201710209500.X)公开了一种利用声呐信息进行目标定位的方法;专利无线传感器网络静止目标定位方法及系统(ZL201310145553.1)公开了一种利用无线网络进行目标定位的方法。
上述定位方法均单一信息源进行定位,一旦环境变化影响了信息获取的精度,则会导致定位精度降低,例如可见度降低影响图像采集、噪音引起声波干扰等,因此需要一种基于多源信号的目标定位方法。此外,目标定位过程中,若目标随机运动,现有定位方法很难预测下一时刻目标可能出现的位置,导致监测设备不能较好的获取下一时刻目标的信息,甚至丢失监测目标。
发明内容
发明目的:针对现有技术存在的问题,提供一种基于多源异构信号的多目标追踪及状态预测方法,可以同时跟踪和预测多个目标的状态,提升了监控效率,降低监测系统成本。
技术方案:为解决上述技术问题,本发明提供一种基于多源异构信号的多目标追踪及状态预测方法,包括如下步骤:
(1)采集多源异构信号:通过多源异构传感监测系统采集多源异构信号;
(2)提取特征信号:将采集到的信号,通过通信网络传输到用户端,用户端的控制系统通过数据挖掘方法对采集的信号进行特征提取,得到多个目标的位置信息,作为特征信号;
(3)状态空间建模:将提取的特征信号作为输入,建立状态空间模型;
(4)动态追踪及预测:利用贝叶斯分析算法,针对场景状态进行动态跟踪和预测;
(5)多源异构传感信号融合:利用分类预测方法对每个传感器做各状态概率预测;
(6)智能体运动控制:用户端的控制系统根据目标的实时定位状态,控制智能体运动,保证监测目标始终在智能体的最佳监测位置。
进一步的,所述步骤(2)中的多源异构信号通过视觉传感器、红外传感器和声波传感器,分别收集场景的图像信号、光谱信号和距离信号。
进一步的,所述步骤(3)中状态空间建模的具体步骤如下:
建立状态空间模型;
xk=f(xk-1,uk,wk)
yk=h(xk,vk)
k为时间指数,xk为提取的特征,f(·)为状态转换函数,uk为控制输入,wk为独立分布的高斯噪声,yk为测量信号,h(·)为测量模型,vk为测量误差。
进一步的,所述步骤(4)中动态追踪及预测的具体步骤如下:
基于观测值y1:k={y1,y2,...,yk}估计特征xk与预测xk+1,通过顺序迭代计算得到:
p(xk+1|y1:k)=∫p(xk+1|xk)p(xk|y1:k)dxk
其中状态转换概率函数p(xk+1|xk)由状态转换模型得到,p(yk|xk)由观察模型获得。
进一步的,所述步骤(5)中多源异构传感信号融合的具体步骤如下:
利用分类预测方法对每个传感器做各状态概率预测;
pij=πjN(xi|θj),i=1,2,...,I,j=1,2,...,J
其中xi为第i个传感器信号特征,θi为第j个状态的高斯分布参数,I为传感器个数,J为状态种类数,πj为第j个状态的先验概率,pij为第i个传感器信号预测结果为第j个状态的概率;基于各传感器独立监测结果,采用Dempster-Shafer证据理论对pjj进行决策融合,令Aj为第j个状态,则识别框架 则决策融合概率为
其中K为归一化常数,mi为mass函数且mi(Aj)=pij;则第j个状态的置信概率为mi(Aj),通过比较各状态的置信概率,得到在现有I个传感器观测的结果下,观测物最有可能出现的状态,以此获得观测物实时定位等状态信息。
与现有技术相比,本发明的优点在于:
(1)基于多源异构信号进行多目标跟踪及状态预测,即使某一信号获取精度降低,仍可根据其它信号源进行跟踪预测,避免环境变化引起信号源获取精度降低,进而导致目标识别精度降低的问题;
(2)根据预测的状态信息,实时控制智能体运动,保证目标始终在智能体的最佳监测位置,不会出现目标丢失的情况,保证系统跟踪目标稳定可靠;
(3)系统可同时跟踪和预测多个目标的状态,提升了监控效率,降低监测系统成本。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例,都属于本发明所保护的范围。
如图1所示,一种基于多源异构信号的多目标追踪及状态预测方法,包括如下步骤:
步骤1、多源异构信号采集
使用上述的多源异构传感监测系统,采集多源异构信号,每个智能体1设有视觉、红外、声波等传感器,收集场景的图像、光谱、距离等信号;
步骤2、特征信号提取
智能体1采集到的信号,通过通信网络传输到用户端7,用户端7的控制系统通过数据挖掘方法对采集的图像、光谱、距离等信号进行特征提取,得到多个目标的位置信息,作为特征信号;
步骤3、状态空间建模
将提取的特征信号作为输入,建立状态空间模型;
xk=f(xk-1,uk,wk)
yk=h(xk,Vk)
k为时间指数,xk为提取的特征,f(·)为状态转换函数,uk为控制输入,wk为独立分布的高斯噪声,yk为测量信号,h(·)为测量模型,vk为测量误差;
步骤4、动态追踪及预测
利用贝叶斯分析算法,针对场景状态进行动态跟踪和预测,基于观测值y1:k={y1,y2,...,yk}估计特征xk与预测xk+1,通过顺序迭代计算得到:
p(xk+1|y1:k)=∫p(xk+1|xk)p(xk|y1:k)dxk
其中状态转换概率函数p(xk+1|xk)由状态转换模型得到,p(yk|xk)由观察模型获得;
步骤5、多源异构传感信号融合
利用分类预测方法对每个传感器做各状态概率预测。
pij=πjN(xi|θj),i=1,2,...,I,j=1,2,...,J
其中xi为第i个传感器信号特征,θj为第j个状态的高斯分布参数,I为传感器个数,J为状态种类数,πj为第j个状态的先验概率,pij为第i个传感器信号预测结果为第j个状态的概率。基于各传感器独立监测结果,采用Dempster-Shafer证据理论对pjj进行决策融合,令Aj为第j个状态,则识别框架 则决策融合概率为
其中K为归一化常数,mi为mass函数且mi(Aj)=pij。则第j个状态的置信概率为mi(Aj),通过比较各状态的置信概率,得到在现有1个传感器观测的结果下,观测物最有可能出现的状态,以此获得观测物实时定位等状态信息。
步骤6、智能体运动控制
用户端7的控制系统根据目标的实时定位状态,控制智能体1运动,保证监测目标始终在智能体1的最佳监测位置。
Claims (2)
1.一种基于多源异构信号的多目标追踪及状态预测方法,其特征在于,包括如下步骤:
(1)采集多源异构信号:通过多源异构传感监测系统采集多源异构信号;
(2)提取特征信号:将采集到的信号,通过通信网络传输到用户端,用户端的控制系统通过数据挖掘方法对采集的信号进行特征提取,得到多个目标的位置信息,作为特征信号
(3)状态空间建模:将提取的特征信号作为输入,建立状态空间模型;所述步骤(3)中状态空间建模的具体步骤如下:
建立状态空间模型;
xk=f(xk-1,uk,wk)
yk=h(xk,vk)
k为时间指数,xk为提取的特征,f(·)为状态转换函数,uk为控制输入,wk为独立分布的高斯噪声,yk为测量信号,h(·)为测量模型,vk为测量误差;
(4)动态追踪及预测:利用贝叶斯分析算法,针对场景状态进行动态跟踪和预测;所述步骤(4)中动态追踪及预测的具体步骤如下:
基于观测值y1:k={y1,y2,…,yk}估计特征xk与预测xk+1,通过顺序迭代计算得到:
p(xk+1|y1:k)=∫p(xk+1|xk)p(xk|y1:k)dxk
其中状态转换概率函数p(xk+1|xk)由状态转换模型得到,p(yk|xk)由观察模型获得到;
(5)多源异构传感信号融合:利用分类预测方法对每个传感器做各状态概率预测;所述步骤(5)中多源异构传感信号融合的具体步骤如下:
利用分类预测方法对每个传感器做各状态概率预测;
pij=πjN(xi|θj),i=1,2,…,I,j=1,2,…,J
其中,xi为第i个传感器信号特征,θj为第j个状态的高斯分布参数,I为传感器个数,J为状态种类数,πj为第j个状态的先验概率,pij为第i个传感器信号预测结果为第j个状态的概率;基于各传感器独立监测结果,采用Dempster-Shafer证据理论对pij进行决策融合,令Aj为第j个状态,则识别框架Θ={A1,A2,…,AJ},则决策融合概率为
其中K为归一化常数,mi为mass函数且mi(Aj)=pij;则第j个状态的置信概率为mi(Aj),通过比较各状态的置信概率,得到在现有I个传感器观测的结果下,观测物最有可能出现的状态,以此获得观测物实时定位状态信息;
(6)智能体运动控制:用户端的控制系统根据目标的实时定位状态,控制智能体运动,保证监测目标始终在智能体的最佳监测位置。
2.根据权利要求1所述的一种基于多源异构信号的多目标追踪及状态预测方法,其特征在于,所述步骤(2)中的多源异构信号通过视觉传感器、红外传感器和声波传感器,分别收集场景的图像信号、光谱信号和距离信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611414.3A CN111860613B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多源异构信号的多目标追踪及状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611414.3A CN111860613B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多源异构信号的多目标追踪及状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860613A CN111860613A (zh) | 2020-10-30 |
CN111860613B true CN111860613B (zh) | 2023-10-27 |
Family
ID=72988807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611414.3A Active CN111860613B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多源异构信号的多目标追踪及状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860613B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792755A (zh) * | 2021-08-12 | 2021-12-14 | 上海理工大学 | 一种小波深度图像融合环境感知与目标识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
CN105335701A (zh) * | 2015-09-30 | 2016-02-17 | 中国科学院合肥物质科学研究院 | 一种基于hog与d-s证据理论多信息融合的行人检测方法 |
CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106646366A (zh) * | 2016-12-05 | 2017-05-10 | 深圳市国华光电科技有限公司 | 基于粒子滤波算法和智能设备的可见光定位方法和系统 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
-
2020
- 2020-06-30 CN CN202010611414.3A patent/CN111860613B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
CN105335701A (zh) * | 2015-09-30 | 2016-02-17 | 中国科学院合肥物质科学研究院 | 一种基于hog与d-s证据理论多信息融合的行人检测方法 |
CN105372534A (zh) * | 2015-12-04 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种多传感器多参量信息智能融合系统 |
CN106156790A (zh) * | 2016-06-08 | 2016-11-23 | 北京工业大学 | 一种应用于传感器网络的分布式协作算法和数据融合机制 |
CN106646366A (zh) * | 2016-12-05 | 2017-05-10 | 深圳市国华光电科技有限公司 | 基于粒子滤波算法和智能设备的可见光定位方法和系统 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111860613A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
CN109509214B (zh) | 一种基于深度学习的船舶目标跟踪方法 | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
CN113313040B (zh) | 基于fmcw雷达信号的人体姿势识别方法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN115995063A (zh) | 作业车辆检测与跟踪方法和系统 | |
CN116027324B (zh) | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 | |
CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN111610492A (zh) | 一种多声传感器阵列智能感知方法及系统 | |
CN111860613B (zh) | 一种基于多源异构信号的多目标追踪及状态预测方法 | |
CN108010066B (zh) | 基于红外目标灰度互相关和角度信息的多假设跟踪方法 | |
CN110874603A (zh) | 一种认知信息对抗中深度置信网络情报提取装置及方法 | |
CN108153519A (zh) | 一种目标智能跟踪方法通用设计框架 | |
CN108469729B (zh) | 一种基于rgb-d信息的人体目标识别与跟随方法 | |
CN111160089A (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
CN115880332A (zh) | 一种低空飞行器视角的目标跟踪方法 | |
CN110675430A (zh) | 一种基于运动和表观适应融合的无人机多目标跟踪方法 | |
CN114898202A (zh) | 基于多模型融合的水下视频目标尺度空间判别式跟踪系统及方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN113923589A (zh) | 一种非接触式多目标定位方法 |
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 |