CN112465065B - 一种传感器数据关联方法、装置、设备及存储介质 - Google Patents

一种传感器数据关联方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112465065B
CN112465065B CN202011467340.7A CN202011467340A CN112465065B CN 112465065 B CN112465065 B CN 112465065B CN 202011467340 A CN202011467340 A CN 202011467340A CN 112465065 B CN112465065 B CN 112465065B
Authority
CN
China
Prior art keywords
cluster
target
fused
list
association
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
Application number
CN202011467340.7A
Other languages
English (en)
Other versions
CN112465065A (zh
Inventor
鹿强
衣春雷
吴健宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202011467340.7A priority Critical patent/CN112465065B/zh
Publication of CN112465065A publication Critical patent/CN112465065A/zh
Application granted granted Critical
Publication of CN112465065B publication Critical patent/CN112465065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种传感器数据关联方法、装置、设备及存储介质。该方法包括：获取待融合目标；基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联，通过本发明的技术方案，以实现能够根据密度等级选择不同的最大匹配距离分别进行目标关联，降低漏关联和误关联，并且各个簇并行地进行关联可以进一步提升算法的效率。

Description

一种传感器数据关联方法、装置、设备及存储介质
技术领域
本发明实施例涉及车辆技术，尤其涉及一种传感器数据关联方法、装置、设备及存储介质。
背景技术
对于自动驾驶而言，感知、决策和控制构成了三大功能模块。感知模块作为三大功能模块中的基础和前提，需要实现对周围的环境进行精确感知。受传感器技术原理的限制，不同类型传感器感知到的目标属性和感知范围存在差异，相同类型的不同传感器器因安装位置不同，感知区域也存在差异，因而需要对各个传感器的感知结果进行融合。
在实际应用中，现有的感知融合技术的实现主要采用目标级的后融合方法，该方案一般包括目标关联和目标融合两个步骤，目标关联主要采用基于匈牙利匹配的全局最近邻(Global Nearest Neighbor,GNN)方法。GNN方法需要事先设置一个最大匹配距离用于匈牙利匹配结果有效性的验证，设置单一的最大匹配距离容易导致漏关联或误关联，且当目标数量较多或传感器数量较多时，计算的时间复杂度较高，算法的实现难度较大。
从融合对象的维度看，传感器融合包括数据级、特征级和目标级的融合；从实现路径的维度看，传感器融合包括先关联后融合和直接融合两种方案，前一种方案主要采用全局最近邻(Global Nearest Neighbor，GNN)关联加Kalman滤波或DS证据理论融合的方法，后一中方案主要方法是基于随机有限集(Random Finite Set，RFS)的融合。由于RFS的理论的不完备性和实现难度大，在实际应用中多采用第一种融合方案。
GNN方法基于匈牙利匹配实现全局最优关联。GNN方法需要事先设置一个最大匹配距离用于匈牙利匹配结果有效性的验证，当最大匹配距离过大时容易导致误关联，当最大匹配距离过小时容易导致漏关联，因而设置单一的最大匹配距离容易导致漏关联或误关联；且当目标数量较多或传感器数量较多时，由于需要对来自任意两个来源的目标进行关联，计算的时间复杂度较高，算法的实现难度较大。
发明内容
本发明实施例提供一种传感器数据关联方法、装置、设备及存储介质，以实现能够根据密度等级选择不同的最大匹配距离分别进行目标关联，降低漏关联和误关联，并且各个簇并行地进行关联可以进一步提升算法的效率。
第一方面，本发明实施例提供了一种传感器数据关联方法，包括：
获取待融合目标；
基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
进一步的，在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，还包括：
基于预设距离集合对所述待融合目标进行划分，得到至少一个区间，其中，所述预设距离集合中的预设距离依次递增。
进一步的，对所述簇集合中的每个簇，使用与簇密度对应的最大匹配距离，进行目标关联包括：
基于所述簇集合中的每个簇生成融合目标列表；
获取所述融合目标列表中的待融合目标的掩码标志；
根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联。
进一步的，根据所述掩码标志和所述簇密度对应的最大匹配距离进行目标关联，包括：
获取掩码标志按位与的结果为零的两组待融合目标；
基于最大匹配距离，对所述两组待融合目标进行目标关联。
进一步的，根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联，包括：
获取待融合目标中传感器来源的总数目j；
获取传感器来源数目为i的掩码标志集合，其中，所述
Figure BDA0002830555060000031
从所述掩码标志集合中选取一个目标掩码标志；
将所述目标掩码标志对应的待融合目标存储至第一列表；
将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；
基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
进一步的，基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联包括：
根据所述第一列表和所述第二列表生成初始代价矩阵；
对所述初始代价矩阵进行分块并行计算得到目标代价矩阵；
基于所述目标代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
根据所述匹配结果进行目标关联合并。
第二方面，本发明实施例还提供了一种传感器数据关联装置，该装置包括：
获取模块，用于获取待融合目标；
聚类模块，用于基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
生成模块，用于基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
关联模块，用于对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
进一步的，还包括：
划分模块，用于在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，基于预设距离集合对所述待融合目标进行划分，得到至少一个区间，其中，所述预设距离集合中的预设距离依次递增。
进一步的，关联模块具体用于：
基于所述簇集合中的每个簇生成融合目标列表；
获取所述融合目标列表中的待融合目标的掩码标志；
根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联。
进一步的，关联模块具体用于：
获取掩码标志按位与的结果为零的两组待融合目标；
基于最大匹配距离，对所述两组待融合目标进行目标关联。
进一步的，关联模块具体用于：
获取待融合目标中传感器来源的总数目j；
获取传感器来源数目为i的掩码标志集合，其中，所述
Figure BDA0002830555060000051
从所述掩码标志集合中选取一个目标掩码标志；
将所述目标掩码标志对应的待融合目标存储至第一列表；
将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；
基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
进一步的，关联模块具体用于：
根据所述第一列表和所述第二列表生成初始代价矩阵；
对所述初始代价矩阵进行分块并行计算得到目标代价矩阵；
基于所述目标代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
根据所述匹配结果进行目标关联合并。
第三方面，本发明实施例还提供了一种计算机设备，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如本发明实施例中任一所述的方法。
第四方面，本发明实施例还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如本发明实施例中任一所述的方法。
本发明实施例通过获取待融合目标；基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联，以实现能够根据密度等级选择不同的最大匹配距离分别进行目标关联，降低漏关联和误关联，并且各个簇并行地进行关联可以进一步提升算法的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一中的一种传感器数据关联方法的流程图；
图1a是本发明实施例一中的不同传感器采集到的目标点的图示；
图1b是本发明实施例一中的簇的图示；
图1c是本发明实施例一中的掩码标志的图示；
图1d是本发明实施例一中的另一种传感器数据关联方法的流程图；
图1e是本发明实施例一中的一种算法流程图；
图2是本发明实施例二中的一种传感器数据关联装置的结构示意图；
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种传感器数据关联方法的流程图，本实施例可适用于传感器数据关联的情况，该方法可以由本发明实施例中的传感器数据关联装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取待融合目标。
其中，所述待融合目标可以为多个传感器采集到的数据，也可以为上一周期的融合目标，本发明实施例对此不进行限制。
S120，基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构。
其中，所述簇结构包括：核心距离和最小可达距离两个属性。
其中，所述聚类算法可以为OPTICS聚类算法，也可以为其他聚类算法，本发明实施例对此不进行限制。
S130，基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列。
其中，所述预设距离集合可以为[d1,d2,d3,...,dn]，其中，d1＜d2＜d3,...,dn-1<dn。
示例性的，预先根据预设距离集合[d1,d2,d3,...,dn]其中，d1＜d2＜d3,...,dn-1<dn进行区间划分，得到n+1个区间，{[0,d1],(d1,d2],(d2,d3],...,(dn,+∞)}。基于簇结构的核心距离、最小可达距离和预设距离集合[d1,d2,d3,...,dn]从待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列。
示例性的，基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点的方式可以为基于d1和簇结构的核心距离、最小可达距离从待融合目标中选取目标点，基于d2和簇结构的核心距离、最小可达距离从待融合目标中选取目标点，基于d3和簇结构的核心距离、最小可达距离从待融合目标中选取目标点，一直至基于dn和簇结构的核心距离、最小可达距离从待融合目标中选取目标点。
例如可以是，获取簇结构的核心距离小于d1的待融合目标和簇结构的最小可达距离小于d1的待融合目标，将获取到的待融合目标确定为一个簇，获取簇结构的核心距离小于d2的待融合目标和簇结构的最小可达距离小于d2的待融合目标，将获取到的待融合目标确定为一个簇，以此类推，得到多个簇，构成簇集合。
S140，对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
示例性的，使用与所述簇密度对应的最大匹配距离，进行目标关联的方式可以为，预先获取簇密度，根据簇密度确定最大匹配距离，根据最大匹配距离进行目标关联；也可以为预先获取各个簇的簇密度的大小关系，根据簇密度的大小关系选取对应的最大匹配距离，根据最大匹配距离进行目标关联。
可选的，在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，还包括：
基于预设距离集合对所述待融合目标进行划分，得到至少一个区间，其中，所述预设距离集合中的预设距离依次递增。
示例性的，预先根据预设距离集合[d1,d2,d3,...,dn]其中，d1＜d2＜d3,...,dn-1<dn进行区间划分，得到n+1个区间，{[0,d1],(d1,d2],(d2,d3],...,(dn,+∞)}。
可选的，对所述簇集合中的每个簇，使用与簇密度对应的最大匹配距离，进行目标关联包括：
基于所述簇集合中的每个簇生成融合目标列表；
获取所述融合目标列表中的待融合目标的掩码标志；
根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联。
可选的，根据所述掩码标志和所述簇密度对应的最大匹配距离进行目标关联，包括：
获取掩码标志按位与的结果为零的两组待融合目标；
基于最大匹配距离，对所述两组待融合目标进行目标关联。
可选的，根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联，包括：
获取待融合目标中传感器来源的总数目j；
获取传感器来源数目为i的掩码标志集合，其中，所述
Figure BDA0002830555060000101
从所述掩码标志集合中选取一个目标掩码标志；
将所述目标掩码标志对应的待融合目标存储至第一列表；
将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；
基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
可选的，基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联包括：
根据所述第一列表和所述第二列表生成初始代价矩阵；
对所述初始代价矩阵进行分块并行计算得到目标代价矩阵；
基于所述目标代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
根据所述匹配结果进行目标关联合并。
在一个具体的例子中，如图1a所示，表示相同的目标由两个不同传感器观测得到的目标点，左侧的目标密度大，右侧的目标密度小，若将观测目标使用同一个最大匹配距离作为阈值，容易造成左侧的目标误关联或右侧的目标漏关联。本发明实施例首先对所有的目标进行空间密度聚类，得到不同密度等级的簇，如图1b所示，簇A和簇B是密度较高的簇，簇C是密度较低的簇，对簇A和簇B中的目标进行关联时可以使用较小的最大匹配距离作为阈值，对簇C中的目标进行关联时可以使用较大的最大匹配距离作为阈值。在进行关联计算时，由于簇A和簇B与簇C分开进行关联，计算复杂度由169(13×13)降为89(8×8+5×5)，即当目标总数目为m,聚类得到的n个密度等级的簇中目标数目分别c1,c2,…,cn时，计算复杂度由m2变为c1 2+c22+...+cn2，其中，c1+c2+...+cn＝m。
如图1c所示，本发明实施例中使用一种掩码标志表示参与某个目标融合的传感器源，掩码中的每一位表示一个不同的传感器，值为0表示该目标融合的源中不包含该传感器，值为1表示该目标融合的源中包含该传感器。由于进行关联时，只能进行不同来源的目标之间的关联，来自同一传感器的目标不能进行关联，通过对不同的融合目标中传感器源掩码标志进行按位与，若结果为0则两个融合目标可以进行关联判断，反之，则不可以进行关联判断，从而可以快速地进行满足条件的关联目标的筛选；同时，考虑到互补性，只进行(传感器源总数/2)次的掩码筛选，即可完成所有可能的组合筛选，故可以以组合中传感器源的数量为依据，通过遍历每种数量下的各种组合形式的掩码标志位，完成相应组合的筛选，便于算法的编程实现。
如图1d所示，前一关联周期系统中维护的所有融合目标，使用OPTICS聚类算法生成每个点含有其核心距离和最小可达距离的簇结构result，指定元素大小依次递增的距离向量cluster_thresh_levels＝[d1,d2,d3,...,dn]，形成n+1个区间{[0,d1],(d1,d2],(d2,d3],...,(dn,+∞)}，基于result和cluster_thresh_levels按照密度由大到小的顺序依次提取出各个密度等级的簇，得到clusters，指定与cluster_thresh_levels相对应的用于目标关联时代价矩阵计算的最大匹配距离向量max_distance_levels＝[m0,m1,m2,...,mn]，对clusters中的每个簇，使用与该簇密度对应的最大匹配距离，进行目标关联，当前关联周期系统中维护的所有融合目标。
如图1e所示，步骤1，获取系统中维护的所有融合目标的目标track_id和当前时刻位置position，形成由(track_id,position)对组成的目标列表V，指定密度阈值cluster_minPts为3和邻域半径eps(该半径的取值应尽量满足距离大于该值的两个传感器目标不可能对应同一个真实目标)，调用OPTICS算法生成表示簇结构的结果result；
步骤2，指定元素大小依次递增的距离向量cluster_thresh_levels＝[d1,d2,d3,...,dn]，形成n+1个区间{[0,d1],(d1,d2],(d2,d3],...,(dn,+∞)}；
步骤3，基于result和cluster_thresh_levels按照密度由大到小(密度数值由小到大)的顺序依次提取出各个密度等级的簇，得到clusters；
步骤4，指定与cluster_thresh_levels相对应的用于目标关联时代价矩阵计算的最大匹配距离向量max_distance_levels＝[m0,m1,m2,...,mn]；
步骤5，对clusters中的每个簇track_ids，使用与该簇密度对应的最大匹配距离，进行目标关联：
步骤5.1，判断融合目标track_ids是否为空，是则结束，否则继续；
步骤5.2，获取所有融合目标中当前传感器来源的总数目sources_total；计算steps＝Floor(sources_total/2)；定义ids_part1存放传感器源组合掩码为当前组合sources_mask1的融合目标，ids_part2存放其传感器源组合掩码sources_mask2与当前组合满足融合条件的融合目标，即(sources_mask1&sources_mask2)＝＝0；i＝0；
步骤5.3，判断条件i<＝steps是否成立，是则继续，否则结束；
步骤5.4，计算传感器来源数目为i的所有可能的传感器源组合掩码的集合sources_masks；
步骤5.5，从sources_masks中获取下一个传感器源组合掩码sources_mask，成功则继续，失败则i++并执行5.3；
步骤5.6，将sources_mask放入processed_sources_masks标记该组合已处理；
步骤5.7，清空ids_part1和ids_part2；
步骤5.8，从track_ids中获取下一个融合目标track_id，成功则继续，失败则执行5.15；
步骤5.9，track_id仍存在融合目标列表中，是则继续，否则执行5.8；
步骤5.10，获取融合目标track_id的传感器源掩码curr_sources_mask；
步骤5.11，判断curr_sources_mask＝＝sources_mask，成立则继续，不成立则执行5.13；
步骤5.12，将track_id放入ids_part1，执行5.8；
步骤5.13，判断条件“curr_sources_mask不在processed_sources_masks中，且(curr_sources_mask&sources_mask)＝＝0”，成立则继续，不成立则执行5.8；
步骤5.14，将track_id放入ids_part2，执行5.8；
步骤5.15，判断条件“ids_part1非空且ids_part2非空”，成立则继续，不成立则执行5.5；
步骤5.16，分块并行计算得到代价矩阵；
步骤5.17，基于代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
步骤5.18，根据匹配结果进行目标关联合并，执行5.5。
本发明实施例基于OPTICS算法实现了一种多粒度密度聚类，并将该聚类方法应用于多传感器目标数据的关联，实现了对关联目标空间的分割，降低了关联的计算复杂度，不同密度等级的簇在应用GNN算法进行数据关联时通过设置不同的最大匹配阈值，可以同时降低误关联率和漏关联率；在进行关联计算时使用一种掩码标志位表示参与融合的传感器源，掩码中的位号表示传感器，值为0表示融合的源中不包含该传感器，值为1表示融合的源中包含该传感器，通过对不同的融合目标中传感器源掩码标志位进行按位与，若结果为0则两个融合目标可以进行关联判断，反之，则不可以进行关联判断，从而可以快速地进行关联目标的筛选；同时，考虑到互补性，只进行(传感器源总数/2)次的掩码筛选，即可完成所有可能的组合筛选，故可以以组合中传感器源的数量为依据，通过遍历每种数量下的各种组合形式的掩码标志位，完成相应组合的筛选，便于算法的编程实现。
本实施例的技术方案，通过获取待融合目标；基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联，以实现能够根据密度等级选择不同的最大匹配距离分别进行目标关联，降低漏关联和误关联，并且各个簇并行地进行关联可以进一步提升算法的效率。
实施例二
图2为本发明实施例二提供的一种传感器数据关联装置的结构示意图。本实施例可适用于传感器数据关联的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供传感器数据关联功能的设备中，如图2所示，所述传感器数据关联装置具体包括：获取模块210、聚类模块220、生成模块230和关联模块240。
其中，获取模块210，用于获取待融合目标；
聚类模块220，用于基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
生成模块230，用于基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
关联模块240，用于对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
可选的，还包括：
划分模块，用于在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，基于预设距离集合对所述待融合目标进行划分，得到至少一个区间，其中，所述预设距离集合中的预设距离依次递增。
可选的，关联模块具体用于：
基于所述簇集合中的每个簇生成融合目标列表；
获取所述融合目标列表中的待融合目标的掩码标志；
根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联。
可选的，关联模块具体用于：
获取掩码标志按位与的结果为零的两组待融合目标；
基于最大匹配距离，对所述两组待融合目标进行目标关联。
可选的，关联模块具体用于：
获取待融合目标中传感器来源的总数目j；
获取传感器来源数目为i的掩码标志集合，其中，所述
Figure BDA0002830555060000161
从所述掩码标志集合中选取一个目标掩码标志；
将所述目标掩码标志对应的待融合目标存储至第一列表；
将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；
基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
可选的，关联模块具体用于：
根据所述第一列表和所述第二列表生成初始代价矩阵；
对所述初始代价矩阵进行分块并行计算得到目标代价矩阵；
基于所述目标代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
根据所述匹配结果进行目标关联合并。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
在一个具体的例子中，表示相同的目标由两个不同传感器观测得到的目标点，左侧的目标密度大，右侧的目标密度小，若将观测目标使用同一个最大匹配距离作为阈值，容易造成左侧的目标误关联或右侧的目标漏关联。本发明实施例首先对所有的目标进行空间密度聚类，得到不同密度等级的簇，簇A和簇B是密度较高的簇，簇C是密度较低的簇，对簇A和簇B中的目标进行关联时可以使用较小的最大匹配距离作为阈值，对簇C中的目标进行关联时可以使用较大的最大匹配距离作为阈值。在进行关联计算时，由于簇A和簇B与簇C分开进行关联，计算复杂度由169(13×13)降为89(8×8+5×5)，即当目标总数目为m,聚类得到的n个密度等级的簇中目标数目分别c1,c2,…,cn时，计算复杂度由m2变为
Figure BDA0002830555060000171
其中，c1+c2+...+cn＝m。
本发明实施例中使用一种掩码标志表示参与某个目标融合的传感器源，掩码中的每一位表示一个不同的传感器，值为0表示该目标融合的源中不包含该传感器，值为1表示该目标融合的源中包含该传感器。由于进行关联时，只能进行不同来源的目标之间的关联，来自同一传感器的目标不能进行关联，通过对不同的融合目标中传感器源掩码标志进行按位与，若结果为0则两个融合目标可以进行关联判断，反之，则不可以进行关联判断，从而可以快速地进行满足条件的关联目标的筛选；同时，考虑到互补性，只进行(传感器源总数/2)次的掩码筛选，即可完成所有可能的组合筛选，故可以以组合中传感器源的数量为依据，通过遍历每种数量下的各种组合形式的掩码标志位，完成相应组合的筛选，便于算法的编程实现。
本发明实施例基于OPTICS算法实现了一种多粒度密度聚类，并将该聚类方法应用于多传感器目标数据的关联，实现了对关联目标空间的分割，降低了关联的计算复杂度，不同密度等级的簇在应用GNN算法进行数据关联时通过设置不同的最大匹配阈值，可以同时降低误关联率和漏关联率；在进行关联计算时使用一种掩码标志位表示参与融合的传感器源，掩码中的位号表示传感器，值为0表示融合的源中不包含该传感器，值为1表示融合的源中包含该传感器，通过对不同的融合目标中传感器源掩码标志位进行按位与，若结果为0则两个融合目标可以进行关联判断，反之，则不可以进行关联判断，从而可以快速地进行关联目标的筛选；同时，考虑到互补性，只进行(传感器源总数/2)次的掩码筛选，即可完成所有可能的组合筛选，故可以以组合中传感器源的数量为依据，通过遍历每种数量下的各种组合形式的掩码标志位，完成相应组合的筛选，便于算法的编程实现。
本实施例的技术方案，通过获取待融合目标；基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联，以实现能够根据密度等级选择不同的最大匹配距离分别进行目标关联，降低漏关联和误关联，并且各个簇并行地进行关联可以进一步提升算法的效率。
实施例三
图3为本发明实施例三中的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的传感器数据关联方法：
获取待融合目标；
基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
实施例四
本发明实施例四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如本申请所有发明实施例提供的传感器数据关联方法：
获取待融合目标；
基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收用户输入的源文本，将所述源文本翻译为目标语种对应的目标文本；获取所述用户的历史纠正行为；根据所述历史纠正行为对所述目标文本进行纠正，获得翻译结果，并将所述翻译结果推送至所述用户所在的客户端。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种传感器数据关联方法，其特征在于，包括：
获取待融合目标；
基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联；
所述对所述簇集合中的每个簇，使用与簇密度对应的最大匹配距离，进行目标关联包括：
基于所述簇集合中的每个簇生成融合目标列表；
获取所述融合目标列表中的待融合目标的掩码标志；
根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联；
所述根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联，包括：
获取掩码标志按位与的结果为零的两组待融合目标；基于簇密度最大匹配距离，对所述两组待融合目标进行目标关联；获取待融合目标中传感器来源的总数目j；获取传感器来源数目为i的掩码标志集合，其中，所述
Figure DEST_PATH_BDA0002830555060000031
从所述掩码标志集合中选取一个目标掩码标志；将所述目标掩码标志对应的待融合目标存储至第一列表；将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
2.根据权利要求1所述的方法，其特征在于，在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，还包括：
基于预设距离集合得到至少一个区间，将所述待融合目标预设到所述至少一个区间获取目标点，其中，所述预设距离集合中的预设距离依次递增。
3.根据权利要求1所述的方法，其特征在于，基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联包括：
根据所述第一列表和所述第二列表生成初始代价矩阵；
对所述初始代价矩阵进行分块并行计算得到目标代价矩阵；
基于所述目标代价矩阵和最大匹配距离使用匈牙利匹配算法进行关联匹配；
根据所述匹配结果进行目标关联合并。
4.一种传感器数据关联装置，其特征在于，包括：
获取模块，用于获取待融合目标；
聚类模块，用于基于聚类算法对所述待融合目标进行聚类，得到至少两个簇结构；
生成模块，用于基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选取目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列；
关联模块，用于对所述簇集合中的每个簇，使用与所述簇密度对应的最大匹配距离，进行目标关联；
所述关联模块，还用于：基于所述簇集合中的每个簇生成融合目标列表；获取所述融合目标列表中的待融合目标的掩码标志；根据所述掩码标志和簇密度对应的最大匹配距离进行目标关联，包括：获取掩码标志按位与的结果为零的两组待融合目标；基于簇密度最大匹配距离，对所述两组待融合目标进行目标关联；获取待融合目标中传感器来源的总数目j；获取传感器来源数目为i的掩码标志集合，其中，所述
Figure 124310DEST_PATH_BDA0002830555060000031
从所述掩码标志集合中选取一个目标掩码标志；将所述目标掩码标志对应的待融合目标存储至第一列表；将与所述第一列表中的掩码标志按位与的结果为零的待融合目标存储至第二列表；基于簇密度对应的最大匹配距离将所述第一列表和所述第二列表进行目标关联。
5.根据权利要求4所述的装置，其特征在于，还包括：
划分模块，用于在基于所述簇结构的核心距离、最小可达距离和预设距离集合，从所述待融合目标中选目标点，根据所述目标点生成簇集合，其中，所述簇集合中的簇密度从大到小排列之前，基于预设距离集合得到至少一个区间，将所述待融合目标预设到所述至少一个区间获取目标点，其中，所述预设距离集合中的预设距离依次递增。
6.一种计算机设备，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如权利要求1-3中任一所述的方法。
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如权利要求1-3中任一所述的方法。
CN202011467340.7A 2020-12-11 2020-12-11 一种传感器数据关联方法、装置、设备及存储介质 Active CN112465065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011467340.7A CN112465065B (zh) 2020-12-11 2020-12-11 一种传感器数据关联方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011467340.7A CN112465065B (zh) 2020-12-11 2020-12-11 一种传感器数据关联方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112465065A CN112465065A (zh) 2021-03-09
CN112465065B true CN112465065B (zh) 2022-10-14

Family

ID=74803351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011467340.7A Active CN112465065B (zh) 2020-12-11 2020-12-11 一种传感器数据关联方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112465065B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743456B (zh) * 2021-07-27 2024-05-10 武汉光庭信息技术股份有限公司 一种基于无监督学习的场景定位方法及系统
CN113721240B (zh) * 2021-08-27 2024-03-15 中国第一汽车股份有限公司 一种目标关联方法、装置、电子设备及存储介质
CN115033690B (zh) * 2022-05-31 2024-06-21 国网江苏省电力有限公司信息通信分公司 一种通信缺陷研判知识库构建方法、缺陷识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2996009A1 (en) * 2014-08-14 2016-03-16 Sikorsky Aircraft Corporation Autonomous long-range landing using sensor data
CN108038500A (zh) * 2017-12-07 2018-05-15 东软集团股份有限公司 聚类方法、装置、计算机设备、存储介质和程序产品
CN109190460A (zh) * 2018-07-23 2019-01-11 南京航空航天大学 基于累积匹配和等错误率的手形手臂静脉融合识别方法
CN109978075A (zh) * 2019-04-04 2019-07-05 江苏满运软件科技有限公司 车辆虚假位置信息识别方法、装置、电子设备、存储介质
CN111476251A (zh) * 2020-03-26 2020-07-31 中国人民解放军战略支援部队信息工程大学 一种遥感影像匹配方法及装置
CN111666855A (zh) * 2020-05-29 2020-09-15 中国科学院地理科学与资源研究所 基于无人机的动物三维参数提取方法、系统及电子设备

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004320526B2 (en) * 2004-05-27 2008-08-07 Memjet Technology Limited Method for at least partially compensating for errors in ink dot placement due to erroneous rotational displacement
US10552710B2 (en) * 2009-09-28 2020-02-04 Oracle International Corporation Hierarchical sequential clustering
CN102289561A (zh) * 2011-05-24 2011-12-21 中国人民解放军海军航空工程学院 有系统偏差时3d和2d雷达三门限实时航迹关联算法
US10176253B2 (en) * 2015-01-28 2019-01-08 International Business Machines Corporation Fusion of cluster labeling algorithms by analyzing sub-clusters
CN104794482A (zh) * 2015-03-24 2015-07-22 江南大学 基于改进型核模糊c均值类间极大化聚类算法
US10204300B2 (en) * 2015-12-14 2019-02-12 Stats Llc System and method for predictive sports analytics using clustered multi-agent data
US10884409B2 (en) * 2017-05-01 2021-01-05 Mentor Graphics (Deutschland) Gmbh Training of machine learning sensor data classification system
EP3622328A4 (en) * 2017-05-08 2021-02-17 Services Pétroliers Schlumberger INTEGRATION OF GEO-SCIENTIFIC DATA TO PREDICT FORMATION PROPERTIES
US11023494B2 (en) * 2017-12-12 2021-06-01 International Business Machines Corporation Computer-implemented method and computer system for clustering data
CN109002835B (zh) * 2018-06-19 2021-08-31 西安电子科技大学 一种基于最大熵模糊聚类的粒子滤波数据关联方法
CN108805218B (zh) * 2018-06-21 2021-12-28 中国人民解放军国防科技大学 一种基于偏差映射聚类的光学目标关联方法
CN109255150B (zh) * 2018-08-03 2020-04-14 西安电子科技大学 基于双向次序关联的多天线到达角数据关联方法
CN109460702B (zh) * 2018-09-14 2022-02-15 华南理工大学 基于人体骨架序列的乘客异常行为识别方法
CN111351491A (zh) * 2018-12-24 2020-06-30 长城汽车股份有限公司 目标数据融合方法及系统
EP3952551B1 (en) * 2019-03-29 2023-10-25 Beijing Xiaomi Mobile Software Co., Ltd. Random access method and device, and computer readable storage medium
CN110533013A (zh) * 2019-10-30 2019-12-03 图谱未来(南京)人工智能研究院有限公司 一种轨迹检测方法及装置
CN111723010B (zh) * 2020-06-12 2024-02-23 大连海事大学 一种基于稀疏代价矩阵的软件bug分类方法
CN111753901B (zh) * 2020-06-23 2023-08-15 国汽(北京)智能网联汽车研究院有限公司 一种数据融合方法、装置、系统及计算机设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2996009A1 (en) * 2014-08-14 2016-03-16 Sikorsky Aircraft Corporation Autonomous long-range landing using sensor data
CN108038500A (zh) * 2017-12-07 2018-05-15 东软集团股份有限公司 聚类方法、装置、计算机设备、存储介质和程序产品
CN109190460A (zh) * 2018-07-23 2019-01-11 南京航空航天大学 基于累积匹配和等错误率的手形手臂静脉融合识别方法
CN109978075A (zh) * 2019-04-04 2019-07-05 江苏满运软件科技有限公司 车辆虚假位置信息识别方法、装置、电子设备、存储介质
CN111476251A (zh) * 2020-03-26 2020-07-31 中国人民解放军战略支援部队信息工程大学 一种遥感影像匹配方法及装置
CN111666855A (zh) * 2020-05-29 2020-09-15 中国科学院地理科学与资源研究所 基于无人机的动物三维参数提取方法、系统及电子设备

Also Published As

Publication number Publication date
CN112465065A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465065B (zh) 一种传感器数据关联方法、装置、设备及存储介质
CN109974718B (zh) 地图匹配方法、装置、设备和介质
JP7200897B2 (ja) 占有グリッドマップ生成装置、占有グリッドマップ生成システム、占有グリッドマップ生成方法、およびプログラム
JP5421949B2 (ja) 交通量予測装置、交通量予測方法およびプログラム
US20200234581A1 (en) Vehicle traffic information analysis and traffic jam management
CN106843600B (zh) 一种用于分析红外触摸屏伪点的方法、装置及客户端
WO2020084279A1 (en) Data communication
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN112328731A (zh) 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN113722409A (zh) 空间关系的确定方法、装置、计算机设备及存储介质
CN115296984A (zh) 异常网络节点的检测方法及装置、设备、存储介质
US20210150335A1 (en) Predictive model performance evaluation
US10371535B1 (en) Automatic map generation
JP6988995B2 (ja) 画像生成装置、画像生成方法および画像生成プログラム
CN113762455A (zh) 检测模型训练方法、单字检测方法、装置、设备及介质
JP2009264987A (ja) 追尾処理装置及びプログラム
CN115587593B (zh) 信息抽取方法、装置、电子设备和计算机可读介质
US20220253705A1 (en) Method, device and computer readable storage medium for data processing
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN114387498A (zh) 目标检测方法、装置、电子设备及存储介质
CN113721240A (zh) 一种目标关联方法、装置、电子设备及存储介质
CN112612277A (zh) 车辆轨迹规划方法、装置、设备和计算机可读介质
CN112634355A (zh) 一种目标跟踪方法、装置、设备及存储介质
CN112183484A (zh) 一种图像处理方法、装置、设备以及存储介质
CN111049988A (zh) 移动设备的亲密度预测方法、系统、设备及存储介质

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