CN112418245A - 基于城市环境物理模型的电磁发射点定位方法 - Google Patents
基于城市环境物理模型的电磁发射点定位方法 Download PDFInfo
- Publication number
- CN112418245A CN112418245A CN202011217085.0A CN202011217085A CN112418245A CN 112418245 A CN112418245 A CN 112418245A CN 202011217085 A CN202011217085 A CN 202011217085A CN 112418245 A CN112418245 A CN 112418245A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- point
- point cloud
- electromagnetic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 240000008042 Zea mays Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241000209149 Zea Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明提供了基于城市环境物理模型的电磁发射点定位方法，所述方法包括：1)、建立城市的数字三维模型；2)、基于镜像法的原理并利用Matlab的工具箱中的射线追踪内核函数建立城市电磁环境的模型；3)、在建立的城市电磁环境模型中设置电磁发射点，并采集对应DC数据，利用所述DC数据作为样本训练预先构建的机器学习模型，得到训练后的模型；4)、在真实的城市环境中的设定位置测量真实DC数据，将真实DC数据输入到训练后的模型中识别出电磁发射点的位置。应用本发明实施例可以很好的满足城市电磁环境快速建模的需要。
Description
技术领域
本发明涉及城市电磁环境仿真技术领域，具体涉及基于城市环境物理模型的电磁发射点定位方法。
背景技术
电磁频谱是继陆、海、空、天、赛博空间之后的第六独立作战域，而城市是未来陆战的主战场，因此在未来城市作战中，电磁频谱的争夺将是战争胜利的关键，而电磁环境态势是电磁频谱最重要的信息。同时，在无线通信中，城市电磁环境的研究十分重要，因为城市建筑的分布通常比较密集，在现代化的都市中充满了大量的无线通信设备，也部署了大量的移动通信基站，机上频谱复用技术的使用，相应的使得城市的电磁环境也较为复杂。
目前，现有技术中城市电磁波的传播模型建立有两种方式：统计模型与确定性模型，统计模型通常是现实数据的经验性表达，针对不同的环境进行测量，结合电波传播的衰减公示，利用统计学的方法建立起这些环境下的经验公示。然而对于城市而言，一方面城市的结构千差万别，另一方面城市发展与建日新月异，立体环境变动速率快，而若持续进行城市电磁环境的测量与归纳，无疑会消耗大量的人力物力。同时随着通信技术的发展，现代移动通信技术也在不断发展并向更高频带发展，而这也会导致城市场景间统计相关度下降，使得之前建立的城市模型可靠度下降。另一方面，确定性模型的原理为：地形与建筑等场景进行理想化处理，在几何光学与城市电磁传播的基础上，进行电波传播路径的仿真与计算，这方面有利用有限时域差分法(FDTD)，射线追踪等仿真方式进行求解的方式。但是相应的，确定性模型中获取城市的立体结构是一个非常关键的问题。目前常用的3D城市电磁环境模型可以还原城市的立体结构，从而在理论上有着非常精确的求解精度，在采取加速计算的方式之后计算也十分快捷。但是相应的，3D的城市信息获取相对复杂，通常可以从OpenStreetMap等开源地图运营商下载经测算的城市立体地图，公开的政府测算数据获得精确的城市立体信息。但是，这些方式也有着相应的缺陷；这些数据更新周期长，跟不上城市发展速度；与建设迅速，立体结构迭代频繁；而且却反较小城市的建筑数据，或者这些数据的更新周期更长。为了解决这个问题，现有的确定性模型中，通常利用激光雷达进行数据采集，利用反射测距人工建立起建筑的高精度模型，然后在使用建立的模型进行城市电磁环境仿真。
但是，现有技术中由于人工建模人力成本高且难以保证不同人建立的模型间一致的精度，而且激光雷达测距的方式不仅设备昂贵而且操作非常复杂，并不能适用城市场景快速建模的情形。
发明内容
本发明所要解决的技术问题在于如何降低建模成本。
本发明通过以下技术手段实现解决上述技术问题的：
本发明提供了基于城市环境物理模型的电磁发射点定位方法，所述方法包括：
1)、建立城市的数字三维模型；
2)、将步骤1)中的数字三维模型作为射线追踪的环境，基于镜像法的原理并利用射线追踪内核函数建立城市电磁环境的模型；
3)、在建立的城市电磁环境模型中设置电磁发射点，并采集对应DC数据，利用所述DC数据作为样本训练预先构建的机器学习模型，得到训练后的模型；
4)、在真实的城市环境中的设定位置测量真实DC数据，将真实DC数据输入到训练后的模型中识别出电磁发射点的位置。
进一步的，步骤1)的具体实现包括如下子步骤，
(1a)利用结构光相机航空拍摄城市建筑物影像；
(1b)针对每栋建筑物，获取该建筑对应的每一张建筑物影像中包含的特征点，并对各特征点进行建筑物影像间的匹配；
(1c)根据匹配后的特征点计算建筑物的三维点云；
(1d)对三维点云进行点云分割，提取出目标建筑，并对目标建筑进行基于平面提取的表面重建，得到建筑的三维模型。
进一步的，(1b)中对各特征点进行建筑物影像间的匹配的具体实现包括，
(b1)提取出建筑物影像的元数据，其中，所述元数据包括：拍摄设备型号、图像宽度、图像高度、投影类型、焦距、拍摄方向、曝光时间、GPS坐标中的一种或组合；
(b2)利用SIFT算法对第一影像中的第一特征点与第二影像中的第二特征点进行匹配。
进一步的，(1b)中进行匹配时，在所有的匹配的特征点之间进行如下的特征追踪处理，
两幅影像中任一特征点A和B不存在匹配关系，且特征点A和B均与其他设定数量个特征点匹配，判定特征点A和B匹配。
进一步的，(1b)中进行匹配时，在所有的匹配的特征点之间进行如下的特征追踪处理，
若任一特征点A和B之间相匹配的图像对数少于第一预设阈值时，则将特征点A和B删除。
进一步的，(1c)中根据匹配后的特征点计算建筑物的三维点云的具体实现包括，
(c1)选择建筑物影像中视角差大于设定角度的图像对作为起始图像对，利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建；
(c2)计算重建结果中包含的离群值的数量，在离群值数量少于第二预设阈值时，将该起始图像对作为目标起始对；在离群值数量大于或等于第二预设阈值时，将除该起始图像对之外的其他图像对作为起始图像对，并返回执行利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建，直至得到目标起始对；
(c3)利用目标起始对得到的重建结果求解出相机的位置；
(c4)根据该相机位置将其他图像对中的特征点对其到重建结果中，并使用三角定位和光束法平差处理，得到建筑物的稀疏点云；
(c5)利用生成的相机位置与原始图片对应关系，利用多视角的方法将建筑物的普通点映射到稀疏点云中，再利用点云中各点与相邻点的平均距离加用户自定义的偏离容限作为阈值去除点云噪声，即若某点以平均距离加容限为半径的球体内所含有的相邻点的数量少于定义的阈值，则认为该点为离群值并去除，得到建筑物的3D稠密点云。
进一步的，(1d)中对三维点云进行点云分割，提取出目标建筑，并对目标建筑进行基于平面提取的表面重建，得到建筑的三维模型，其具体实现包括，
(d1)利用Mask-RCNN网络识别出建筑物原始图像中包含的建筑电磁材质，其中，所述建筑电磁材质包括：汽车、卡车、建筑、云彩、道路、人行道、天空以及树木中的一种或组合；
(d2)将建筑电磁材质作为标签存储到对应像素的像素强度通道中，得到标签图；
(d3)采用相邻插值的方法将标签图转换为与原始图片的分辨率一致的图片；
(d4)将各个像素的标签值存储到对应的点云的强度通道中；
(d5)根据标签值对建筑物的三维点云进行点云分割，得到目标建筑的点云；
(d6)利用RANSAC算法提取点云的平面，扩大平面，生成候选面，
(d7)利用公式，
计算目标建筑的点云中的p点与相邻点之间的协方差矩阵，其中，
conf(p)为协方差矩阵；
且均为协方差矩阵在尺度i时的三个特征值；∑为求和符号；
用于衡量在点p处拟合一个切平面的质量，取值范围为0-1，1表示一个完美拟合的平面，0表示一个拟合质量很差的平面；
为衡量局部采样一致率的参数，其取值范围为0-1，当取0或1时表示一个完美的线状分布，从而定义一个统一的平面分布；
(d8)根据协方差矩阵，利用公式，
计算置信度，其中，
dist(p,f)为点p和面f的欧几里得距离；ε为欧几里得距离的阈值；
(d9)根据所述置信度，利用公式，
计算点云的拟合程度，其中，
xi为二值元素，表示此候选平面是否在最终模型中被采用，当候选平面fi被选择时，xi＝1，当候选平面fi被舍弃时，xi＝0，N是候选平面fi的个数；|P|为目标建筑的点云P中的总点数；
(d10)利用公式，
计算模型复杂度，其中，
|E|为所有生成的候选平面之间的相交处的数量；corner(ei)为一个二值元素；两个面相交的边ei为两个共平面的多边形面相交产生时为0，反之为1；
(d11)利用公式，
计算点云的覆盖度，其中，
area(M)为得到平面重建后的模型总面积；area(fi)为候选平面f的面积；
为利用狄尼三角网表面重建方法生成复杂表面在候选平面上的投影面积；
(d12)在目标函数公式，
取最小值时的候选面的组合作为目标组合，并根据目标组合构件建筑物的三维模型，其中，
λf为点云的拟合程度对应的权重；λm为模型复杂度对应的权重；λc为点的覆盖度对应的权重；
为最小值求值符号。
进一步的，在步骤2)中，进行城市电磁环境的建模时，仅追踪反射次数低于第三预设阈值的电磁波。
进一步的，步骤3)的具体实现包括如下子步骤，
(3a)将城市电磁环境模型对应的城区划分为若干个区域；
(3b)每次在电磁环境模型中的一个区域中设置一个电磁发射点，并采集设定区域内的DC数据，并将每个区域的DC数据作为样本数据，其中，DC数据包括：辐射强度以及设定区域的坐标；
(3c)对样本数据进行数据清洗；
(3d)从清洗后的样本数据中挑选出有效的特征构建训练集和测试集；
(3e)利用训练集训练预先构建的机器学习模型中，所述机器学习模型包括卷积层、池化层、批标准化层以及全连接层，直至机器学习模型在测试集上的准确率达到预设准确率。
进一步的，(3c)中对样本数据进行数据清洗具体包括，
使用DC波传播的线性路径衰减模型公式，
LT＝20lg(4πd/λ)＝32.45+20lgf+20lgd，对样本数据中的缺少值进行补全处理，其中，
LT为传输损耗，单位是db；d为与电磁发射点的距离，单位是km；λ为DC波的波长，单位是km；f为DC波的频率，单位是MHz。
本发明的优点在于：
应用本发明实施例，利用运动获取结构加表面重建的流程得到3d点云，并利用表面重建得到可供电磁环境计算的3d建筑模型。这种方法的优势是：获取简单，可以利用无人机拍摄图片进行快速的3D重建；可以很好满足电磁建模的需要。
附图说明
图1为本发明实施例提供的基于城市环境物理模型的电磁发射点定位方法的流程示意图；
图2为本发明实施例中匹配特征点后的建筑物影像示意图；
图3为本发明实施例中特征点追踪后的建筑物影像示意图；
图4为本发明实施例中得到的建筑物稀疏点云示意图；
图5为本发明实施例中重建得到相机的位置示意图；
图6为本发明实施例中得到的建筑物稠密点云示意图；
图7为本发明实施例中分割出的建筑、道路、草坪、树木、窗户以及车辆的示意图；
图8为本发明实施例中使用的镜像法射线追踪原理示意图，图8是对位于原点S处的电磁发射点，考虑接收点位置在R处，则计算出从S到R的所有路径；其中，第一反射面与第二反射面都是电磁波传播过程中遇到的障碍物的表面(这里把它们叫做反射面)；左图表示镜像法的路径，右图表示直接法的路径；
右图中的路径：原点S—>第二反射面P2—>接收点R
左图中的路径：像点M2—>接收点R
这两个路径的最后一段直线是重合的，这就是利用镜像法的原理；
图9为本发明实施例提供的射线追踪求得路径与分别的路径损耗；
图10为本发明实施例提供的搭建的单电磁发射点的测试环境示意图；
图11为本发明实施例中使用的深度学习网络模型架构示意图；
图12为本发明实施例探测到的辐射源的位置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于城市环境物理模型的电磁发射点定位方法的流程示意图，如图1所示，所述方法包括：
S101：建立城市的数字三维模型。
示例性的，步骤S101的具体实现方式如下：
(1a)：利用结构光相机航空拍摄城市建筑物影像；
(1b)针对每栋建筑物，获取该建筑对应的每一张建筑物影像中包含的特征点，并对各特征点进行建筑物影像间的匹配，具体包括：提取出建筑物影像的元数据，其中，所述元数据包括：拍摄设备型号、图像宽度、图像高度、投影类型、焦距、拍摄方向、曝光时间、GPS坐标中的一种或组合；利用SIFT(Scale-invariant feature transform，尺度不变特征转换)算法对两幅影像中的不同特征点进行匹配。图2为本发明实施例中匹配特征点后的建筑物影像示意图，如图2所示，在经过匹配之后，两张图片中共有280个匹配的特征点，在比较理想的航空拍摄的数据集上面，通常特征点的数量会在1000个以上。
为了能够匹配到足够多的特征点，可以在所有的匹配的特征点之间进行特征追踪处理。例如，当A特征点与B特征点没有匹配，但是都与n个点间接匹配，在n大于一定的阈值时，可以断定A和B是匹配的，其中A特征点与B特征点分别来自两幅不同影像上的任一特征点。或者若任一特征点P1与特征点P2相匹配的图像对数少于阈值t对(由于SIFT算法有提取大量特征的特点，t的值可以灵活选取，一般情况下通常选取阈值为3)，则认为该特征点P1不够鲁棒，而去掉这一个特征点；反之若有超过t对的图片成功匹配，则将出现该特征点的所有图片中的特征点均与特征点P2匹配。图3为本发明实施例中特征点追踪后的建筑物影像示意图，如图3所示，在追踪之后图片a中匹配的特征点个数从280增加到了497个，图片b中匹配的特征点个数从1415下降到了1195个。
(1c)：根据匹配后的特征点计算建筑物的三维点云，具体包括：(c1)选择建筑物影像中视角差大于设定角度的图像对作为起始图像对；利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建；基于平面的起始方法或者五点算法对起始图像对进行建筑物重建为现有技术，本发明实施例在此不再赘述。
(c2)计算重建结果中包含的离群值的数量，在离群值数量少于第二预设阈值，如30％时，说明该起始对是有效的，则将该起始对作为目标起始对；在离群值数量大于或等于第二预设阈值时，将除该起始图像对之外的其他图像对作为起始图像对，并返回执行利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建，直至得到目标起始对；然后使用三角定位和光束法平差处理目标起始对，得到目标起始对的点云数据；
(c3)图5为本发明实施例中重建得到相机的位置示意图，如图5所示，利用目标起始对得到的重建结果求解出相机的位置；
(c4)根据该相机位置将其他图像对中的特征点对其到重建结果中，并使用三角定位和光束法平差处理其他图像对，得到如图4所示的建筑物的稀疏点云；
(c5)重建后的3d点云只估计特征点的3d坐标，所以不含有除特征点以外的一般点的位置信息，所以为了获取稠密的点云，就要利用生成的摄像机位置与图片对应关系，即可得到每一幅原始图片的深度图，然后利用多视角并基于深度图融合的方法重建3d稠密点云。因此，可以利用生成的相机位置与原始图片对应关系，利用多视角的方法将建筑物的普通点映射到稀疏点云中，使用自动计算阈值基于统计(Point Cloud Library，点云滤波)的离群值去除方法去除噪声，得到建筑物的3D稠密点云。基于统计的离群值去除原理为：利用点云中各点与相邻点的平均距离加用户自定义的偏离容限作为阈值，即若某点以平均距离加容限为半径的球体内所含有的相邻点的数量少于定义的阈值，则认为该点为离群值并去除。图6为本发明实施例中得到的建筑物稠密点云示意图，如图6所示，相对于图4，图6中的点云数量更多，更能仿真建筑物的形状。因此，本发明实施例基于城市环境影像，进行多元多尺度图像特征匹配和点云建模，完成典型情况下城市自然环境和城市人工场景的数字虚拟重构。
(1d)：对所述三维点云进行点云分割，提取出目标建筑；并对目标建筑进行基于平面提取的表面重建，得到建筑的三维模型。
综合考虑几种重建方式，现有技术中基于体元的方法资源消耗太高；为了降低资源消耗，可以直接对点云进行分割，但是仍然要消耗大量的计算资源。另外，现有技术中基于多视觉重建流程的重建方式计算简单，但是该方法中在将3d结构向2d投影的过程中存在结构信息损失的问题，而且从3d向2d信息投影的过程中，投影位置，即虚拟摄像机位置的选取对重建结果有很大影响。但是，既然要对运动获取结构的点云进行点云分割，而在运动获取结构的流程中恰恰基于对多视觉图片估计的照相机位置进行3d点云的重建。因此，本发明实施例不利用3d点云的2d投影，而直接对无人机的多视觉图片进行分割。基于估计的照相机位置对每个无人机图片计算深度信息，既然利用此深度信息可以将无人机图片像素变换到三维空间中，若在重建中同时引入一个加载了语义信息的图片，利用深度信息共享的思路就可以将这些语义信息加载到点云中，得到包含语义信息的点云。
基于上述思路，本发明实施例中使用预先训练的Mask-RCNN进行图片分割。
首先，选取爱丁堡大学与Google AI在2018年共同建立的cocostuff164k数据集。然后将该数据集中的楼房，车辆，人，树木，道路，窗户，门，草坪等17种期望在点云中进行分割的目标进行标记；将除这17类之外的目标标记为“其他”标签，进而得到重组后适合进行无人机航拍结构光图像分割的训练集以及测试集。
本发明实施例综合考虑利用图像分割算法实现训练集中点云分割的需求，一方面而言，由于运动获取结构的流程采用多视觉图片重建的算法：在重建时应用匹配的所有图片得到建筑的3D结构，同时将语义信息输入时会引入所有图片语义信息的偏差。这也就是说，Faster-RCNN网络中仅获得目标物体的边界框的方式也会在最终点云分割中会引入很多的噪声。另一方面而言，利用深度学习网络对输入图片的语义信息提取可以与运动获取结构流程同时进行，最后再利用共享深度图片的思想将语义信息加载到点云上。另外，本发明实施例中运动获取结构的流程所费时间要远多于利用神经网络进行输入图片的语义信息提取的时间，采用Mask-RCNN的算法进行图像分割对时间消耗并不需要太侧重，Faster-RCNN网络等的时间优势也不是主要的考虑因素。因此，为了语义信息输入时信息的正确度，本发明实施例采用能获取目标物体具体轮廓的Mask-RCNN等网络。
然后，使用训练集ResNet-101网络结构中的deeplabv2模型，直至模型收敛。
(d1)利用训练后的Mask-RCNN网络识别出建筑物原始图像中包含的建筑电磁材质作为语义信息，其中，所述建筑电磁材质包括：汽车、卡车、建筑、云彩、道路、人行道、天空以及树木中的一种或组合。图7为本发明实施例中分割出的建筑、道路、草坪、树木、窗户以及车辆的示意图。
(d2)将建筑电磁材质作为标签存储到对应像素的像素强度通道中，得到标签图；
(d3)在利用Mask-RCNN网络计算出无人机航拍的结构光图片中的语义信息后，并将结果以标签地图的形式保存。通常情况下，为了降低GPU的消耗，Mask-RCNN网络模型在计算输入时需要预先与图片进行压缩处理，来降低输入图片的分辨率。但是，由无人机拍摄拍摄的原始图像，分辨率为4000*3000甚至更高。因此，输出的标签图与压缩后的输出图片尺寸一致。在要用标签图去表示原始输入图片的语义信息时，二者尺寸不一致，无法进行输入，因此，可以采取相邻插值的方法，将标签图变换为与原始图片的分辨率一致，这就是利用通过共享深度地图的方式将语义信息加载到点云上的方法。
(d4)点云的保存与导出通常使用ply格式的文件，而在ply格式的文件中含有颜色(r,g,b)，坐标(x,y,z)和强度(Intensity)共7个通道信息，而在运动获取结构的流程中，强度通道没有被使用，可以用此通道加载语义信息。因此，将各个像素的标签值存储到对应的点云的强度通道中。
(d5)在本发明实施例中，通过利用多视觉图片分割的方式，实现点云分割。中心思想是利用运动获取结构流程中最终计算每张无人机图片的深度地图(depthmap)来将分割后的语义信息(无人机图片中每个像素所属的类)来加载到点云上。理论上讲，对于任何利用运动获取结构的三维重建方式(可以获取深度地图)，都可以采用这种思路将语义信息加载到点云上。通过无人机图片出发实现点云分割的流程，一方面可以方便的利用最新的图像分割算法来实现点云分割，而且相比于直接进行点云分割的方法有更多可以考虑的成熟的开源训练集，另一方面可以避免在运动获取结构点云重建时引入的误差，得到更好的效果。而且，利用无人机图片进行点云分割，解决了在采样下小目标物体的识别问题。
(d6)然后，利用RANSAC算法提取点云的平面，扩大平面，生成候选面；
(d7)利用公式，
计算目标建筑的点云中的p点与相邻点之间的协方差矩阵，其中，
conf(p)为协方差矩阵；
且均为协方差矩阵在尺度i时的三个特征值；∑为求和符号；
用于衡量在点p处拟合一个切平面的质量，取值范围为0-1，1表示一个完美拟合的平面，0表示一个拟合质量很差的平面；
为衡量局部采样一致率的参数，其取值范围为0-1，当取0或1时表示一个完美的线状分布，从而定义一个统一的平面分布。
(d8)根据协方差矩阵，利用公式，
计算置信度，其中，
dist(p,f)为点p和面f的欧几里得距离；ε为欧几里得距离的阈值；即只有dist(p,f)小于ε的点才会被考虑。
(d9)根据所述置信度，利用公式，
xi为二值元素，表示此候选平面是否在最终模型中被采用，当候选平面fi被选择时，xi＝1，当候选平面fi被舍弃时，xi＝0，N是候选平面fi的个数；|P|为目标建筑的点云P中的总点数；
该目标函数的定义为在合理的置信度内衡量模型对经过置信度百分比加权的点云的拟合程度。
(d10)由于输入点云可能不完整或者在平面上有所缺失或不够稠密(在SFM生成的点云中这个问题普遍存在)，从而可能导致拟合出的模型有空白处，为了解决这个问题并使得产生足够简洁明确的重建结果，引入衡量模型复杂度的参数，利用公式，
计算模型复杂度，其中，
|E|为所有生成的候选平面之间的相交处的数量；corner(ei)为一个二值元素；两个面相交的边ei为两个共平面的多边形面(即这两个多边形面可以组合成一个大的多边形面)相交产生时为0；反之为1。这里的核心思想是，若模型引入的空缺却多，则组成的模型复杂度越高，则相交的平面数量越多。
(d11)利用公式，
计算点云的覆盖度，其中，
area(M)为得到平面重建后的模型总面积；area(fi)为候选平面f的面积；
为利用狄尼三角网表面重建方法生成复杂表面在候选平面上的投影面积；xi为二值元素，代表此候选平面是否在最终模型中被采用；
(d12)在目标函数公式，
取最小值时的候选面的组合作为目标组合，并根据目标组合构件建筑物的三维模型，其中，
λf为点云的拟合程度对应的权重；λm为模型复杂度对应的权重；λc为点的覆盖度对应的权重；
为最小值求值符号。
利用此目标函数，可以对所有的候选面分析，得到使目标函数取值最小的一组目标函数，得到最终的重建结果。对于曲面结构较多的建筑不能使用基于平面提取的重建方式，而是要使用狄洛尼三角网表面重建等传统方式求解，再通过手动建模的方式建立出建筑的3D模型；但是，在实际应用中，无法利用基于平面提取的表面重建方式进行建模简化的建筑占比极小，而实际中绝大部分建筑都可以利用本发明实施例提供的上述方法进行建筑建模，进而得到三维模型。
S102：基于镜像法的原理并利用Matlab的工具箱中的射线追踪内核函数建立城市电磁环境的模型。
图8为本发明实施例中使用的镜像法射线追踪原理示意图，如图8所示，镜像法是建立在反射定律、折射定律和解析几何理论基础上的。通过寻找源点对反射面的镜像点，来推导电波传播的实际路径。在镜像法的计算过程中，源像点对反射面产生第一镜像点，而镜像点也会对其他反射面生成新的镜像点，以此类推。从源点S发射出来的射线经过第一反射面P1反射后到达接收点R(如图8右图所示)，则其自反射点到接收点的电波路径与射线轨迹与镜像点M1与接收点的连线一致(如图8左图所示)。因此，通过连接镜像点M1和接收点R并判断其连线与反射面是否有交点，就可判断源点S发出经过P1反射的射线能否够到达接收位置，即可以判断源点S经过反射面P的反射电波对接受点R处的接收电波总场强是否存在贡献。
为了进行自动化快速求解，本发明实施例利用Matlab中的通信工具箱中的镜像法射线追踪内核进行射线追踪，将S101步骤中基于平面提取的方法重建的建筑物三维模型作为射线追踪的环境，利用镜像法求解，求直接入射、一次反射和二次反射的传播路径，并进行射线追踪的计算。图9为本发明实施例提供的射线追踪求得路径与分别的路径损耗，如图9所示，在50m*50m的区域，以发射频率为2.4GHz进行射线追踪的计算，所得的一次与二次传播路径与分别的路径损耗。
基于平面提取的表面重建的方式对于射线追踪算法的计算有着巨大的意义：由于运动获取结构的误差，在重建的点云中，集中在平面上通常会有更加多的噪声点(这是由建筑的墙壁上从图形学的角度含有显著较少的特征信息所限制的)，因此，采用一般的重建算法会引入这些误差，对射线追踪的求解也有较大的影响；但是若采用基于平面提取的表面重建方法来建立建筑模型，则可以纠正这部分在运动获取结构重建过程中引入的误差，从而获得正确的射线追踪模型。
为了调节模型求解精度以及求解速度，本发明实施例通过限制纳入计算范围的射线反射次数实现，通常最高只选取2到3次的反射次数来进行射线追踪的求解。
表1
表1为本发明实施例中控制反射次数对求解结果的影响，如表1所示，当增加射线追踪所追踪的射线的最高反射次数时，时间复杂度迅速增加，对于单辐射源，单接收源的射线追踪计算，最高限制为2次反射与最高限值为5次反射的射线追踪求解所需时间复杂度相差高达8394倍。而所进一步成功求得的射线追踪路径虽然增加了6条，但是高次反射射线的路径衰耗通常较大从而对总场强的贡献很小，因此在限制射线追踪的反射次数为5次比限制射线追踪的反射次数为2次求得的总体衰耗精度并没有很大的提升。因此在实际进行射线追踪，特别是进行大规模城市的电磁环境建模时，通常只采用最高为2次反射射线进行射线追踪求解，这样一方面模型有较好的精度，一方面计算也非常迅速，满足城市快速电磁建模的需求。
S103：在建立的城市电磁环境模型中设置电磁发射点，并采集对应DC数据，利用所述DC数据作为样本训练预先构建的机器学习模型，得到训练后的模型。
(3a)将城市电磁环境模型对应的城区划分为若干个区域；
图10为本发明实施例提供的搭建的单电磁发射点的测试环境示意图，如图10所示，以所选择的城市小区测试环境，取实验场地为长100米、宽65米的区域并按照最小宽度5米划分为网格。图11中共计260个编号区域，使用带箭头的圆圈代表DC信号接收机的个数，数量为5个。按照特定的分布把所有接收机固定在图示位置。
(3b)每次在电磁环境模型中的一个区域中设置一个电磁发射点，并采集设定区域内的DC数据，并将每个区域的DC数据作为样本数据，其中，DC数据包括：辐射强度以及设定区域的坐标；
把电磁发射点放置于图中左上角第一个编号的网格内，然后记录此时所有接收机收集到的DC信号参数，每个接收机可以提供的数据包括自己的坐标、DC场强度、频率、到达角、时延、衰落等参数信息；另外，将此时电磁发射点的辐射强度和坐标作为标签。根据该标签标记测量的参数得到第一个样本。然后移动DC电磁发射点的位置到第二个编号所在位置，重复上述过程。为了得到更好的效果这里还需要分别调整接收机的拓扑结构和数量再进行上述操作收集数据，对比不同的情况得到的电磁发射点定位实际效果，直至得到所需数量的样本组成的原始的样本数据集合。若不指定接收站点的位置，而在测算区域内进行循环采样，就可以获得城市的电磁地图。可以通过不断变换电磁发射点的位置并计算接收点的场强等参数，建立该城市环境的电磁数据库，从而帮助实现城市电磁环境电磁发射点的定位。并通过电磁态势可视化技术帮助我们进行进一步分析，电磁态势可视化技术通过对电磁发射点电磁场分布的绘制，直观展示了物理空间的电磁场分布状况，对无线通信设备的管理、非法电磁发射点的查找定位以及频谱的有效分配提供有效支撑。
(3d)对样本数据进行数据清洗。理想的数据集的数据质量都很高，没有缺失值，没有异常点，也没有噪音，而在真实实验过程中的数据，收集的数据可能包含了大量的缺失值，可能包含大量的噪音，也可能计算错误导致有异常点存在，对挖据出有效信息造成了一定的困扰，本发明实施例中使用DC波传播的线性路径衰减模型公式，
LT＝20lg(4πd/λ)＝32.45+20lgf+20lgd，对样本数据中的缺少值进行补全处理，其中，
LT为传输损耗，单位是db；d为与电磁发射点的距离，单位是km；λ为DC波的波长，单位是km；f为DC波的频率，单位是MHz。
(3e)从清洗后的样本数据中挑选出有效的特征构建训练集和测试集；
由于样本原始的样本数据集合中包含每个接收机的位置信息和功率参数以及其他DC信息。如此大的数据量很难通过有限的GPU进行训练，因此需要挑选出较为有效的特征来制作挑选后的样本集。
挑选后的样本集中每个样本的输入的维度为(n,7)，输出维度为(1,3)。其中n表示接收机的个数，7表示选取7个数据作为特征参量，它们分别是每个接收设备的x、y、z空间坐标、发射设备与接收设备的距离d、每个接收设备收到的接收功率power以及两个平均到达角参数和。3表示此样本对应的发射设备的空间x、y、z坐标。
将挑选后的样本集中总样本集的4/5作为训练集，余下的1/5作为测试集，在训练集中选取1/8作为验证集来时刻监控模型训练的效果。当模型在验证集上的损失函数远大于在训练集上的损失函数时可以及时提早终止训练，避免无意义的浪费资源和时间。假设总样本数量为s，接收机个数为n，表2为本发明实施例中数据集划分及样本维度，如表2所示，
图2
(d5)利用训练集训练预先构建的基于卷积神经网络和多层感知器的机器学习模型，直至机器学习模型在测试集上的准确率达到预设准确率。
图11为本发明实施例中使用的深度学习网络模型架构示意图，如图11所示，本发明实施例采用卷积神经网络CNN和池化层以及全连接网络层的组合，采用卷积层、池化层、批标准化层以及全连接层。卷积池化等操作是为了让网络自动对以及初步提取后的特征再进行提取训练，批标准化层是为了保证所有的数据符合正态分布，方便进行训练。网络的核心拟合能力是多个全连接层实现的，也可以叫做多层感知器，它们可以通过不同的优化方法来缓慢调整权重和偏置系数，最终使得预测出的坐标值与实际的坐标值的欧氏距离误差达到最小。
另外，为了提升模型在测试集上的效果，也为了防止模型的过拟合，还需要在网络中添加Dropout层。它的主要作用是每次训练都会随机掩膜一定比例的网络结构，以此增加模型的泛化能力。
当网络结构和参数调整到最优时，结束训练。
S104：在真实的城市环境中的设定位置测量真实DC数据，将真实DC数据输入到训练后的模型中识别出电磁发射点的位置。
采集电波传播频率为2.4GHz，距地面9m的平面的信号特征；设置接收点的采样间隔是1m，在120m*120m的区域内进行信号的探测，并利用本发明实施例所述方法进行辐射源定位，单、双辐射源的定位时间分别为211.288秒与427.908秒，图12为本发明实施例探测到的辐射源的位置示意图，如图12所示，深色区域为辐射源。本发明实施例满足城市电磁环境快速求解的需求，而且测算结果与理论推算一致。
随着城市发展速度越来越快与现代移动通信技术的迭代也越来越快，建立起高精度的确定性模型并且保证快速仿真成为了城市通信规划的需求。而随着计算机计算力的发展与加速优化算法的应用，牺牲精度保证计算速度的二维射线追踪算法在城市规划中的应用越来越少，建立起三维射线追踪模型成为了主流。而要建立起城市的三维射线追踪模型，就要知道城市的立体结构信息，也就是要获取城市的三维结构。不同于更新速度快的地图，尽管有类似于OpenStreetMap这样的开源城市三维数据获取网站，但是这些数据一方面由于测算消耗大量人力物力而更新速度慢，另一方面通常缺乏对较小城市的支持。
而本发明实施例选取设备便宜，计算速度快的多视觉重建方法：通过无人机进行结构光图像航拍进行一个城市区域快速建模，得到城市三维点云结构，对其进行点云分割，提取出目标建筑。并对其进行基于平面提取的表面重建，构建出建筑的三维模型，再进行射线追踪仿真的完整流程。与传统的手动建模的方式，这个流程绝大部分流程采用自动化的处理方式，大大简化了重建工作并保证其精度。
另一方面，城市环境点云建模技术是对多张城市影像进行特征匹配来得到虚拟的数字城市场景结构，它是进行DC感知技术研究的前提。两者需要集成在同一个系统中才能发挥最大的作用，本发明实施例中利用城市DC环境数字虚拟技术构建得到的数据可以作为城市环境模型，再利用机器学习和电波传播算法就可以得到城市的DC环境态势分布，形成城市电磁环境数字孪生技术，并在此基础上实现包括城市环境电磁电磁发射点定位在内的实际场景应用
而对于位置固定的基站，发射机的位置恒定，而接收装置(如移动通信设备)的位置常常移动，这就在根本上有着实时快速电磁环境测算与仿真的需求，而在这种情形下，传播路径中的建筑等障碍会导致电波的反射，从而使得接收端可以接收到多个路径的信号，这就是多径效应，而对城市的多径效应进行正确的计算，并设计合理的通信带宽与噪声容限，从而保证城市中通信质量。同时，若有新频率的通信系统引入城市的电磁环境，以可以方便的计算新频率下传播仿真。
再者，本发明实施例利用运动获取结构加表面重建的流程得到3d点云，并利用表面重建得到可供电磁环境计算的3d建筑模型。这种方法的优势是：获取简单，可以利用无人机拍摄图片进行快速的3D重建；现有的运动获取结构有着较高的精度与较为成熟的优化求解速度，可以很好满足电磁建模的需要。本文从实际出发，利用快速便捷的运动获取结构来获取目标建筑的3d点云。利用对多视觉图片进行图片分割的方式进行点云分割，并结合建筑通常由较为平整的平面组成的特点进行基于平面提取的表面重建。最后，利用镜像法对建立起的3D建筑模型进行射线追踪计算，从而满足快速、实时的电磁计算需求。从而有利于城市基站部署与优化布局，城市电磁频谱的管理与电磁辐射污染的控制。
最后，本发明实施例采取确定性的传播方式，一方面可以计算精确的结果，从而避免因城市立体结构差异而带来的统计偏差。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于城市环境物理模型的电磁发射点定位方法，其特征在于，所述方法包括：
1)、建立城市的数字三维模型；
2)、将步骤1)中的数字三维模型作为射线追踪的环境，基于镜像法的原理并利用射线追踪内核函数建立城市电磁环境的模型；
3)、在建立的城市电磁环境模型中设置电磁发射点，并采集对应DC数据，利用所述DC数据作为样本训练预先构建的机器学习模型，得到训练后的机器学习模型；
4)、在真实的城市环境中的设定位置测量真实DC数据，将真实DC数据输入到训练后的机器学习模型中识别出电磁发射点的位置。
2.根据权利要求1所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：步骤1)的具体实现包括如下子步骤，
(1a)利用结构光相机航空拍摄城市建筑物影像；
(1b)针对每栋建筑物，获取该建筑对应的每一张建筑物影像中包含的特征点，并对各特征点进行建筑物影像间的匹配；
(1c)根据匹配后的特征点计算建筑物的三维点云；
(1d)对三维点云进行点云分割，提取出目标建筑，并对目标建筑进行基于平面提取的表面重建，得到建筑的数字三维模型。
3.根据权利要求2所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(1b)中对各特征点进行建筑物影像间的匹配的具体实现包括，
(b1)提取出建筑物影像的元数据，其中，所述元数据包括：拍摄设备型号、图像宽度、图像高度、投影类型、焦距、拍摄方向、曝光时间、GPS坐标中的一种或组合；
(b2)利用SIFT算法对第一影像中的第一特征点与第二影像中的第二特征点进行匹配。
4.根据权利要求2所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(1b)中进行匹配时，在所有的匹配的特征点之间进行如下的特征追踪处理，
两幅影像中任一特征点A和B不存在匹配关系，且特征点A和B均与其他设定数量个特征点匹配，判定特征点A和B匹配。
5.根据权利要求2所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(1b)中进行匹配时，在所有的匹配的特征点之间进行如下的特征追踪处理，
若任一特征点A和B之间相匹配的图像对数少于第一预设阈值时，则将特征点A和B删除。
6.根据权利要求2所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(1c)中根据匹配后的特征点计算建筑物的三维点云的具体实现包括，
(c1)选择建筑物影像中视角差大于设定角度的图像对作为起始图像对，利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建；
(c2)计算重建结果中包含的离群值的数量，在离群值数量少于第二预设阈值时，将该起始图像对作为目标起始对；在离群值数量大于或等于第二预设阈值时，将除该起始图像对之外的其他图像对作为起始图像对，并返回执行利用基于平面的起始方法或者五点算法对起始图像对中包含的建筑物进行重建，直至得到目标起始对；
(c3)利用目标起始对得到的重建结果求解出相机的位置；
(c4)根据该相机位置将其他图像对中的特征点对其到重建结果中，并使用三角定位和光束法平差处理，得到建筑物的稀疏点云；
(c5)利用生成的相机位置与原始图片对应关系，利用多视角的方法将建筑物的普通点映射到稀疏点云中，再利用点云中各点与相邻点的平均距离加用户自定义的偏离容限作为阈值去除点云噪声，即若某点以平均距离加容限为半径的球体内所含有的相邻点的数量少于定义的阈值，则认为该点为离群值并去除，得到建筑物的3D稠密点云。
7.根据权利要求2所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(1d)中对三维点云进行点云分割，提取出目标建筑，并对目标建筑进行基于平面提取的表面重建，得到建筑的数字三维模型，其具体实现包括，
(d1)利用Mask-RCNN网络识别出建筑物原始图像中包含的建筑电磁材质，其中，所述建筑电磁材质包括：汽车、卡车、建筑、云彩、道路、人行道、天空以及树木中的一种或组合；
(d2)将建筑电磁材质作为标签存储到对应像素的像素强度通道中，得到标签图；
(d3)采用相邻插值的方法将标签图转换为与原始图片的分辨率一致的图片；
(d4)将各个像素的标签值存储到对应的点云的强度通道中；
(d5)根据标签值对建筑物的三维点云进行点云分割，得到目标建筑的点云；
(d6)利用RANSAC算法提取点云的平面，扩大平面，生成候选面，
(d7)利用公式，
计算目标建筑的点云中的p点与相邻点之间的协方差矩阵，其中，
conf(p)为协方差矩阵；
且均为协方差矩阵在尺度i时的三个特征值；∑为求和符号；
用于衡量在点p处拟合一个切平面的质量，取值范围为0-1，1表示一个完美拟合的平面，0表示一个拟合质量很差的平面；
为衡量局部采样一致率的参数，其取值范围为0-1，当取0或1时表示一个完美的线状分布，从而定义一个统一的平面分布；
(d8)根据协方差矩阵，利用公式，
计算置信度，其中，
dist(p,f)为点p和面f的欧几里得距离；ε为欧几里得距离的阈值；
(d9)根据所述置信度，利用公式，
计算点云的拟合程度，其中，
xi为二值元素，表示此候选平面是否在最终模型中被采用，当候选平面fi被选择时，xi＝1，当候选平面fi被舍弃时，xi＝0，N是候选平面fi的个数；|P|为目标建筑的点云P中的总点数；
(d10)利用公式，
计算模型复杂度，其中，
|E|为所有生成的候选平面之间的相交处的数量；corner(ei)为一个二值元素；两个面相交的边ei为两个共平面的多边形面相交产生时为0，反之为1；
(d11)利用公式，
计算点云的覆盖度，其中，
area(M)为得到平面重建后的模型总面积；area(fi)为候选平面f的面积；
为利用狄尼三角网表面重建方法生成复杂表面在候选平面上的投影面积；
(d12)在目标函数公式，
取最小值时的候选面的组合作为目标组合，并根据目标组合构件建筑物的三维模型，其中，
λf为点云的拟合程度对应的权重；λm为模型复杂度对应的权重；λc为点的覆盖度对应的权重；
为最小值求值符号。
8.根据权利要求1所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：在步骤2)中，进行城市电磁环境的建模时，仅追踪反射次数低于第三预设阈值的电磁波。
9.根据权利要求1所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：步骤3)的具体实现包括如下子步骤，
(3a)将城市电磁环境模型对应的城区划分为若干个区域；
(3b)每次在电磁环境模型中的一个区域中设置一个电磁发射点，并采集设定区域内的DC数据，并将每个区域的DC数据作为样本数据，其中，DC数据包括：辐射强度以及设定区域的坐标；
(3c)对样本数据进行数据清洗；
(3d)从清洗后的样本数据中挑选出有效的特征构建训练集和测试集；
(3e)利用训练集训练预先构建的机器学习模型中，所述机器学习模型包括卷积层、池化层、批标准化层以及全连接层，直至机器学习模型在测试集上的准确率达到预设准确率。
10.根据权利要求9所述的基于城市环境物理模型的电磁发射点定位方法，其特征在于：(3c)中对样本数据进行数据清洗具体包括，
使用DC波传播的线性路径衰减模型公式，
LT＝20lg(4πd/λ)＝32.45+20lgf+20lgd，对样本数据中的缺少值进行补全处理，其中，
LT为传输损耗，单位是db；d为与电磁发射点的距离，单位是km；λ为DC波的波长，单位是km；f为DC波的频率，单位是MHz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217085.0A CN112418245B (zh) | 2020-11-04 | 2020-11-04 | 基于城市环境物理模型的电磁发射点定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217085.0A CN112418245B (zh) | 2020-11-04 | 2020-11-04 | 基于城市环境物理模型的电磁发射点定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418245A true CN112418245A (zh) | 2021-02-26 |
| CN112418245B CN112418245B (zh) | 2024-04-26 |
Family
ID=74826931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011217085.0A Active CN112418245B (zh) | 2020-11-04 | 2020-11-04 | 基于城市环境物理模型的电磁发射点定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418245B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066162A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种用于电磁计算的城市环境快速建模方法 |
| CN113066161A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种城市电波传播模型的建模方法 |
| CN113064117A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种基于深度学习的辐射源定位方法及装置 |
| CN113065412A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 基于改进的Deeplabv3+的航拍图像电磁介质语义识别方法及装置 |
| CN113283526A (zh) * | 2021-06-07 | 2021-08-20 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
| CN113516760A (zh) * | 2021-06-03 | 2021-10-19 | 电子科技大学 | 一种电磁频谱数据标注补全方法 |
| CN114070438A (zh) * | 2021-09-30 | 2022-02-18 | 公诚管理咨询有限公司 | 一种5g基站电磁信号的检测方法及系统 |
| CN114325795A (zh) * | 2021-12-31 | 2022-04-12 | 天津大学 | 一种有害辐射场中城市内测量点分布和测量值获取方法 |
| CN116363601A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种污染监测设备的数据采集与分析方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104718435A (zh) * | 2012-10-16 | 2015-06-17 | 爱克斯崔里斯科技有限公司 | 微粒探测寻址技术 |
| CN105005039A (zh) * | 2015-07-17 | 2015-10-28 | 上海交通大学 | 基于3d建模场景动态指纹的卫星信号定位方法及系统 |
| CN109740265A (zh) * | 2019-01-07 | 2019-05-10 | 西安电子科技大学 | 基于MoM-UTD的城市室外电磁环境态势预测方法 |
| CN110334701A (zh) * | 2019-07-11 | 2019-10-15 | 郑州轻工业学院 | 数字孪生环境下基于深度学习和多目视觉的数据采集方法 |
| CN110596668A (zh) * | 2019-09-20 | 2019-12-20 | 中国人民解放军国防科技大学 | 基于互逆深度神经网络的目标外辐射源被动定位方法 |
| CN110632584A (zh) * | 2019-09-20 | 2019-12-31 | 中国人民解放军国防科技大学 | 基于并联径向基网络的目标外辐射源被动定位方法 |
| CN110648389A (zh) * | 2019-08-22 | 2020-01-03 | 广东工业大学 | 基于无人机和边缘车辆协同的城市街景3d重建方法和系统 |
| US20200304375A1 (en) * | 2019-03-19 | 2020-09-24 | Microsoft Technology Licensing, Llc | Generation of digital twins of physical environments |
-
2020
- 2020-11-04 CN CN202011217085.0A patent/CN112418245B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104718435A (zh) * | 2012-10-16 | 2015-06-17 | 爱克斯崔里斯科技有限公司 | 微粒探测寻址技术 |
| CN105005039A (zh) * | 2015-07-17 | 2015-10-28 | 上海交通大学 | 基于3d建模场景动态指纹的卫星信号定位方法及系统 |
| CN109740265A (zh) * | 2019-01-07 | 2019-05-10 | 西安电子科技大学 | 基于MoM-UTD的城市室外电磁环境态势预测方法 |
| US20200304375A1 (en) * | 2019-03-19 | 2020-09-24 | Microsoft Technology Licensing, Llc | Generation of digital twins of physical environments |
| CN110334701A (zh) * | 2019-07-11 | 2019-10-15 | 郑州轻工业学院 | 数字孪生环境下基于深度学习和多目视觉的数据采集方法 |
| CN110648389A (zh) * | 2019-08-22 | 2020-01-03 | 广东工业大学 | 基于无人机和边缘车辆协同的城市街景3d重建方法和系统 |
| CN110596668A (zh) * | 2019-09-20 | 2019-12-20 | 中国人民解放军国防科技大学 | 基于互逆深度神经网络的目标外辐射源被动定位方法 |
| CN110632584A (zh) * | 2019-09-20 | 2019-12-31 | 中国人民解放军国防科技大学 | 基于并联径向基网络的目标外辐射源被动定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 袁正午;江晓帆;: "基于三维射线跟踪方法的城市微小区定位模型", 计算机应用研究, no. 08 * |
| 陈习权;孙杰;: "通信基站电磁辐射场强的系统建模与数值仿真", 电波科学学报, no. 01 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066161B (zh) * | 2021-03-12 | 2022-04-29 | 武汉大学 | 一种城市电波传播模型的建模方法 |
| CN113066162A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种用于电磁计算的城市环境快速建模方法 |
| CN113064117A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种基于深度学习的辐射源定位方法及装置 |
| CN113065412A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 基于改进的Deeplabv3+的航拍图像电磁介质语义识别方法及装置 |
| CN113064117B (zh) * | 2021-03-12 | 2023-07-25 | 武汉大学 | 一种基于深度学习的辐射源定位方法及装置 |
| CN113066161A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种城市电波传播模型的建模方法 |
| CN113066162B (zh) * | 2021-03-12 | 2022-04-29 | 武汉大学 | 一种用于电磁计算的城市环境快速建模方法 |
| CN113516760A (zh) * | 2021-06-03 | 2021-10-19 | 电子科技大学 | 一种电磁频谱数据标注补全方法 |
| CN113283526A (zh) * | 2021-06-07 | 2021-08-20 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
| CN113283526B (zh) * | 2021-06-07 | 2022-04-08 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
| CN114070438A (zh) * | 2021-09-30 | 2022-02-18 | 公诚管理咨询有限公司 | 一种5g基站电磁信号的检测方法及系统 |
| CN114070438B (zh) * | 2021-09-30 | 2024-04-05 | 公诚管理咨询有限公司 | 一种5g基站电磁信号的检测方法及系统 |
| CN114325795A (zh) * | 2021-12-31 | 2022-04-12 | 天津大学 | 一种有害辐射场中城市内测量点分布和测量值获取方法 |
| CN116363601A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种污染监测设备的数据采集与分析方法及系统 |
| CN116363601B (zh) * | 2023-06-02 | 2023-07-25 | 北京建工环境修复股份有限公司 | 一种污染监测设备的数据采集与分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418245B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
| Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
| US20220398805A1 (en) | Large-scale environment-modeling with geometric optimization | |
| CN110717983A (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
| CN113066162B (zh) | 一种用于电磁计算的城市环境快速建模方法 | |
| CN110060332B (zh) | 基于机载采集设备的高精度三维建图与建模系统 | |
| CN113064117B (zh) | 一种基于深度学习的辐射源定位方法及装置 | |
| CN109900338B (zh) | 一种路面坑槽体积测量方法及装置 | |
| CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
| CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
| CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 | |
| CN109459759B (zh) | 基于四旋翼无人机激光雷达系统的城市地形三维重建方法 | |
| WO2023124676A1 (zh) | 3d模型构建方法、装置和电子设备 | |
| CN114004938A (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
| CN115267815A (zh) | 一种基于点云建模的路侧激光雷达组群优化布设方法 | |
| CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
| EP4168984A1 (en) | System and method for aerial to ground registration | |
| Özdemir et al. | A multi-purpose benchmark for photogrammetric urban 3D reconstruction in a controlled environment | |
| CN116189147A (zh) | 一种基于yolo的三维点云低功耗快速目标检测方法 | |
| CN113160292B (zh) | 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法 | |
| Li et al. | New methodologies for precise building boundary extraction from LiDAR data and high resolution image | |
| CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
| CN113066161B (zh) | 一种城市电波传播模型的建模方法 | |
| CN114187404A (zh) | 一种用于近海域高分辨率的三维重建方法和系统 | |
| CN110021041B (zh) | 基于双目相机的无人驾驶场景增量式网格化结构重建方法 |
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 |