CN113379790A - 一种基于3d模型的高空瞭望观测物体的ai预警定位方法 - Google Patents

一种基于3d模型的高空瞭望观测物体的ai预警定位方法 Download PDF

Info

Publication number
CN113379790A
CN113379790A CN202110686211.5A CN202110686211A CN113379790A CN 113379790 A CN113379790 A CN 113379790A CN 202110686211 A CN202110686211 A CN 202110686211A CN 113379790 A CN113379790 A CN 113379790A
Authority
CN
China
Prior art keywords
target object
model
track
interference
mirror
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
Application number
CN202110686211.5A
Other languages
English (en)
Other versions
CN113379790B (zh
Inventor
姜朝露
牛克超
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.)
Zhiyuan Digital Technology (Shandong) Co.,Ltd.
Original Assignee
Shandong Eighth Five Year Information Technology Co ltd
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 Shandong Eighth Five Year Information Technology Co ltd filed Critical Shandong Eighth Five Year Information Technology Co ltd
Priority to CN202110686211.5A priority Critical patent/CN113379790B/zh
Publication of CN113379790A publication Critical patent/CN113379790A/zh
Application granted granted Critical
Publication of CN113379790B publication Critical patent/CN113379790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于3D模型的高空瞭望观测物体的AI预警定位方法，该方法执行以下步骤：步骤1：建立目标空间的空间立体模型，并对空间立体模型进行平均分割，得到若干个等分的子空间立体块，为每个子空间立体块进行编号；步骤2：建空间立体模型的镜像模型，镜像模型与空间立体模型互成上下颠倒的镜像；对镜像模型进行平均分割，得到若干个等分的子镜像块，为每个子镜像块进行编号。其通过建立空间立体模型和镜像模型来对目标物体进行检测和预警，提升检测的准确率，同时使用镜像空间来进行双重检测，进一步提升准确率，本发明通镜像估计和运行轨迹来进行轨迹预测，智能化程度高。

Description

一种基于3D模型的高空瞭望观测物体的AI预警定位方法
技术领域
本发明属于人工智能管理技术领域，具体涉及一种基于3D模型的高空瞭望观测物体的AI预警定位方法。
背景技术
无源定位技术是电子侦察的重要组成部分，测向交叉技术在各种平台上均有实现应用，是一种经典而成熟的无源定位技术，相对而言，在当前愈加密集复杂的电磁环境下也是一种比较可靠稳定的定位技术，因为在复杂电磁信号环境的情景下，目标辐射源的方向角几乎是唯一可靠的辐射源参数。基于测向交叉定位技术的定位估计研究也有了许多成果。
机械扫描辐射源通过天线周期性扫描侦察区实现对目标的有源定位，该类辐射源大多具有主瓣信号信噪比高、波束窄、扫描周期稳定等特点。由于机扫辐射源信号波束窄，使得主瓣信号可以同时覆盖的区域有限，在观测站之间距离比较大，比如在上百公里量级的基线长度时，多个观测站可能无法同时截获辐射源的主瓣信号，从而无法使用TDOA定位体制进行无源定位。测向交叉定位法不依赖于信号的调制方式和扫描方式，虽然可以在这类情形下实现定位，但是存在精度低的缺点。
专利号为CN201711243325.2A的专利提供了一种探地雷达定位精度检测方法及系统，该系统包括标靶、三维探地雷达、处理设备以及测量仪，该方法包括：三维探地雷达沿探测路线探测包含标靶的探测区域以获得探测区域的雷达图像，并将其发送至处理设备；三维探地雷达获取探测路线的坐标信息集合并将其发送至处理设备；处理设备根据雷达图像上标靶和探测路线的位置以及坐标信息集合得到标靶的第一坐标值；测量仪测量获得标靶的第二坐标值；处理设备获取第二坐标值，并根据第一坐标值和第二坐标值的比值计算得到三维探地雷达的定位精度值。
该发明通过以标靶作为精度检测的媒介，从而提升检测的精度，但其智能化程度低，在进行检测时，需要通过雷达来获取多个坐标值，然后经过测算来确定，无法直接定位出被监测目标的位置；同时，在定位和检测过程中需要多个雷达进行配合，过程复杂，效率较低。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于3D模型的高空瞭望观测物体的AI预警定位方法，其通过建立空间立体模型和镜像模型来对目标物体进行检测和预警，提升检测的准确率，同时使用镜像空间来进行双重检测，以进一步提升准确率，同时本发明通镜像估计和运行轨迹来进行轨迹预测，智能化程度高。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于3D模型的高空瞭望观测物体的AI预警定位方法，所述方法执行以下步骤：
步骤1：建立目标空间的空间立体模型，并对空间立体模型进行平均分割，得到若干个等分的子空间立体块，为每个子空间立体块进行编号；所述空间立体模型为一个三维模型；
步骤2：建空间立体模型的镜像模型，所述镜像模型与空间立体模型互成上下颠倒的镜像；同样的，对镜像模型进行平均分割，得到若干个等分的子镜像块，为每个子镜像块进行编号；
步骤3：为每个子空间立体块和镜像块中均分别设置一个检测器；在目标物体进入某个子空间立体块和镜像块时，设置在该子空间立体块和镜像块的检测器检测到目标物体，记录目标物体所处的镜像块和子空间立体块的编号；
步骤4：通过子空间立体块中的检测器检测并记录到的目标物体的位置构建目标物体的运行轨迹；通过镜像块中的检测器检测并记录到的目标物体的位置，构建目标物体的镜像轨迹；
步骤5：比对镜像轨迹和运行轨迹中每个点的位置坐标对应关系，若位置坐标对应关系符合预设的规则，则保留该轨迹点，若位置坐标对应关系不符合预设的规则，则丢弃该轨迹点；
步骤6：使用预设的轨迹预测模型，基于运行轨迹和镜像轨迹，以及检测器的运行参数，预测目标物体的预测轨迹，完成目标物体的定位及预警。
进一步的，所述检测器检测目标物体的方法包括：检测器在子空间立体快范围内周期性地发射探测信号；在预设时间段内分别采集探测信号的多个采样值；利用探测信号在预设时间段内的多个采样值计算其基准值；利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度；所述检测时间窗位于所述预设时间段之后，所述干扰度为探测信号的采样值受目标物体的影响偏离基准值的程度；判断在所述检测时间窗内是否存在所述干扰度大于预设阈值的探测信号；如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定在所述子空间立体块内检测到目标物体。
进一步的，所述利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度，包括：针对每一组探测信号，分别计算所述探测信号在检测时间窗内的每一个采样值与所述探测信号对应的所述基准值的差值，并对所有所述差值进行积分，计算得到所述探测信号在检测时间窗内的干扰度。
进一步的，所述如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定所述子空间立体块内存在所述目标物体，包括：在检测时间窗内存在多个所述干扰度大于预设阈值的探测信号时，将检测时间窗内所有所述干扰度大于预设阈值的所述探测信号均作为干扰向量；针对每一个所述干扰向量，判断是否存在与所述干扰向量相邻的干扰向量，所述干扰向量的发射节点与所述相邻的干扰向量的发射节点之间的距离小于预设距离值；如果存在与所述千扰向量相邻的干扰向量，将所述干扰向量和所述相邻的干扰向量组成一个干扰向量组；根据所述干扰向量组，确定所述子空间立体块内存在所述目标物体。
进一步的，所述步骤6中预测目标物体的预测轨迹的方法包括：基于运行轨迹和镜像轨迹，使用预设的预测模型计算预测轨迹的每个点的坐标；基于检测器的运行参数，使用预设的校正模型对预测轨迹的每个点的坐标进行校正；所述预测模型和校正模型组成轨迹预测模型。
进一步的，所述预测模型使用如下公式表示：
Figure BDA0003124666850000041
Figure BDA0003124666850000042
其中，gridxk为预测的横轴坐标，gridyk为预测的纵轴坐标；k为坐标序号，n为运行轨迹或镜像轨迹的坐标数，mk为校正值，sk为运行轨迹的横坐标，dk为运行轨迹的纵坐标，hk为镜像轨迹的横坐标，pk为运行轨迹的纵坐标。
进一步的，所述校正模型使用如下公式表示：
Figure BDA0003124666850000043
其中，n为运行估计或镜像估计的坐标点的数量；T为检测器发射信号的周期；Rate为调整系数。
进一步的，所述方法还包括：对目标物体进行图像识别的步骤，包括：获取目标物体图像，并获取所述目标物体图像对应的扫描物体的颜色信息，所述颜色信息用于表示所述扫描物体的物体类型，所述物体类型包括有机物或无机物；根据所述颜色信息从所述目标物体图像中确定目标候选区域，并在所述目标候选区域内进行特征提取，获得提取的图像特征；利用提取的所述图像特征、基于深度卷积多层神经网络目标检测模型进行目标检测，获得候选目标；用提取的所述图像特征、基于深度卷积多层神经网络目标分类模型对所述候选目标进行识别，获得图像识别结果；其中，所述在所述目标候选区域内进行特征提取，获得提取的图像特征具体为：获取深度卷积多层神经网络各层次的图像特征，对所述各层次的图像特征进行融合处理，获取融合后的图像特征作为提取的图像特征。
进一步的，在所述获取目标物体图像之后，且，在所述获取所述目标物体图像对应的扫描物体的颜色信息前，所述方法还包括：对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
进一步的，所述对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色包括：获取目标物体的原子序数，基于所述原子序数获得目标物体的密度；根据所述目标物体的密度确定目标物体的分类，获得目标物体分类结果；基于所述目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
本发明的一种基于3D模型的高空瞭望观测物体的AI预警定位方法，其通过建立空间立体模型和镜像模型来对目标物体进行检测和预警，提升检测的准确率，同时使用镜像空间来进行双重检测，以进一步提升准确率，同时本发明通镜像估计和运行轨迹来进行轨迹预测，智能化程度高；主要通过以下过程实现：
1.空间立体模型和镜像模型的建立：本发明通过建立空间立体模型和镜像模型来进行双重检测，空间来立体模型和镜像模型的位置上下镜像颠倒，在检测完成后，再通过交叉对比来判断运行轨迹和镜像轨迹中的每个坐标点是否正确，以去除干扰的影响，提升检测和预警的准确率；
2.检测器判断是否存在目标物体的方法：本发明通过利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度，以此来判断子空间立体块和镜像块中是否存在目标物体，提升了监测的效率；
3.轨迹的预测方法：本发明基于运行轨迹和镜像轨迹，使用预设的预测模型计算预测轨迹的每个点的坐标；基于检测器的运行参数，使用预设的校正模型对预测轨迹的每个点的坐标进行校正；该过程可以利用已经计算出的轨迹生成预测轨迹，再通过检测器的运行参数来进行校正，提升了准确率。
附图说明
图1为本发明实施例提供的一种基于3D模型的高空瞭望观测物体的AI预警定位方法的系统结构示意图；
图2为本发明实施例提供的一种基于3D模型的高空瞭望观测物体的AI预警定位方法的空间立体模型和镜像模型的原理示意图；
图3为本发明实施例提供的一种基于3D模型的高空瞭望观测物体的AI预警定位方法的空间立体模型和镜像模型的交叉对比的原理示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，一种基于3D模型的高空瞭望观测物体的AI预警定位方法，所述方法执行以下步骤：
步骤1：建立目标空间的空间立体模型，并对空间立体模型进行平均分割，得到若干个等分的子空间立体块，为每个子空间立体块进行编号；所述空间立体模型为一个三维模型；
步骤2：建空间立体模型的镜像模型，所述镜像模型与空间立体模型互成上下颠倒的镜像；同样的，对镜像模型进行平均分割，得到若干个等分的子镜像块，为每个子镜像块进行编号；
步骤3：为每个子空间立体块和镜像块中均分别设置一个检测器；在目标物体进入某个子空间立体块和镜像块时，设置在该子空间立体块和镜像块的检测器检测到目标物体，记录目标物体所处的镜像块和子空间立体块的编号；
步骤4：通过子空间立体块中的检测器检测并记录到的目标物体的位置构建目标物体的运行轨迹；通过镜像块中的检测器检测并记录到的目标物体的位置，构建目标物体的镜像轨迹；
步骤5：比对镜像轨迹和运行轨迹中每个点的位置坐标对应关系，若位置坐标对应关系符合预设的规则，则保留该轨迹点，若位置坐标对应关系不符合预设的规则，则丢弃该轨迹点；
步骤6：使用预设的轨迹预测模型，基于运行轨迹和镜像轨迹，以及检测器的运行参数，预测目标物体的预测轨迹，完成目标物体的定位及预警。
具体的，本发明通过建立空间立体模型和镜像模型来对目标物体进行检测和预警，提升检测的准确率，同时使用镜像空间来进行双重检测，以进一步提升准确率，同时本发明通镜像估计和运行轨迹来进行轨迹预测，智能化程度高；主要通过以下过程实现：
1.空间立体模型和镜像模型的建立：本发明通过建立空间立体模型和镜像模型来进行双重检测，空间来立体模型和镜像模型的位置上下镜像颠倒，在检测完成后，再通过交叉对比来判断运行轨迹和镜像轨迹中的每个坐标点是否正确，以去除干扰的影响，提升检测和预警的准确率；
2.检测器判断是否存在目标物体的方法：本发明通过利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度，以此来判断子空间立体块和镜像块中是否存在目标物体，提升了监测的效率；
3.轨迹的预测方法：本发明基于运行轨迹和镜像轨迹，使用预设的预测模型计算预测轨迹的每个点的坐标；基于检测器的运行参数，使用预设的校正模型对预测轨迹的每个点的坐标进行校正；该过程可以利用已经计算出的轨迹生成预测轨迹，再通过检测器的运行参数来进行校正，提升了准确率
实施例2
在上一实施例的基础上，所述检测器检测目标物体的方法包括：检测器在子空间立体快范围内周期性地发射探测信号；在预设时间段内分别采集探测信号的多个采样值；利用探测信号在预设时间段内的多个采样值计算其基准值；利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度；所述检测时间窗位于所述预设时间段之后，所述干扰度为探测信号的采样值受目标物体的影响偏离基准值的程度；判断在所述检测时间窗内是否存在所述干扰度大于预设阈值的探测信号；如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定在所述子空间立体块内检测到目标物体。
具体的，目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。
它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。
随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
实施例3
在上一实施例的基础上，所述利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度，包括：针对每一组探测信号，分别计算所述探测信号在检测时间窗内的每一个采样值与所述探测信号对应的所述基准值的差值，并对所有所述差值进行积分，计算得到所述探测信号在检测时间窗内的干扰度。
具体的，在通信领域中，信号是表示消息的物理量，如电信号可以通过幅度、频率、相位的变化来表示不同的消息。干扰是指对有用信号的接收造成损伤。干扰一般由以下两种，串扰：电子学上两条信号线之间的耦合现象。无线电干扰：通过发送无线电信号来降低信噪比的方式，达到破坏通信、阻止广播电台信号的行为。
形成干扰的基本要素有三个：
(1)干扰源，指产生干扰的元件、设备或信号。如：雷电、继电器、可控硅、电机、高频时钟等都可能成为干扰源。
(2)传播路径，指干扰从干扰源传播到敏感器件的通路或媒介。典型的干扰传播路径是通过导线的传导和空间的辐射。
(3)敏感器件，指容易被干扰的对象。如：A/D、D/A变换器，单片机，数字IC，弱信号放大器等。
实施例4
在上一实施例的基础上，所述如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定所述子空间立体块内存在所述目标物体，包括：在检测时间窗内存在多个所述干扰度大于预设阈值的探测信号时，将检测时间窗内所有所述干扰度大于预设阈值的所述探测信号均作为干扰向量；针对每一个所述干扰向量，判断是否存在与所述干扰向量相邻的干扰向量，所述干扰向量的发射节点与所述相邻的干扰向量的发射节点之间的距离小于预设距离值；如果存在与所述千扰向量相邻的干扰向量，将所述干扰向量和所述相邻的干扰向量组成一个干扰向量组；根据所述干扰向量组，确定所述子空间立体块内存在所述目标物体。
具体的，移动网络中基于位置信息的服务也越来越受到国内外研究学者的关注，轨迹预测技术是其中最受关注的热点问题之一。在用户移动轨迹预测的研究中，基于位置的行为分析取得了比较好的研究成果。Gonzalez等人通过分析10万个移动用户的移动轨迹数据，发现人们的轨迹在时空上呈现出一定的规律性，Blumm等人利用三个月100万手机用户的话单数据，通过度量每个用户轨迹熵值的方法，论证得出了任何对于人类行为模式进行预测的准确率不会超过93％的结论，这些工作证明了用户移动轨迹的规律性和可预测性。研究学者将数据挖掘方法应用到用户轨迹预测问题的研究中，提出了一系列的算法和技术，这些方法利用不同的相似度度量函数将用户轨迹数据进行聚类分析，进而得出用户的行为模式。Cadez和GafTney等人通过建立轨迹的多元混合模型来对用户轨迹的所属模式进行概率估计，并利用EM算法来估计混合模型的参数，该算法可以获得用户全局的行为模式，但不能方便地获得用户局部的轨迹模式。HanJW等人首次提出用户“区域轨迹”的发现问题，区域轨迹在一定程度上反映了用户特定的兴趣，为了分析用户的区域轨迹，利用划分-聚类的思想提出了TRACLUS算法，该算法主要包含两个阶段：在划分阶段，算法首先将用户一次完整的移动轨迹划分为多个子轨迹序列，在聚类阶段使用基于密度的聚类方法将相似子轨迹进行合并，进而获得用户行为的“区域模式”。随后，再将“区域模式”和划分-聚类的思想应用于解决轨迹分类和异常轨迹检测的问题，提出了TraClass轨迹特征识别框架和TRAOD轨迹异常点检测算法。Agrawal在以上研究的基础上提出了对位置数据进行增量式聚类分析的算法框架TCMM，该框架包含微聚类和再聚类两个阶段，微聚类阶段算法根据特定的相似度度量方法和相似度阈值对新的轨迹数据和已存在的轨迹簇进行聚类，再聚类阶段对上一阶段产生的微簇进行重新合并聚类，再聚类操作在算法执行中不是必须的，只有在用户需要查询当前的轨迹聚类结果时进行。
实施例5
在上一实施例的基础上，所述步骤6中预测目标物体的预测轨迹的方法包括：基于运行轨迹和镜像轨迹，使用预设的预测模型计算预测轨迹的每个点的坐标；基于检测器的运行参数，使用预设的校正模型对预测轨迹的每个点的坐标进行校正；所述预测模型和校正模型组成轨迹预测模型。
实施例6
在上一实施例的基础上，所述预测模型使用如下公式表示：
Figure BDA0003124666850000101
Figure BDA0003124666850000102
其中，gridxk为预测的横轴坐标，gridyk为预测的纵轴坐标；k为坐标序号，n为运行轨迹或镜像轨迹的坐标数，mk为校正值，sk为运行轨迹的横坐标，dk为运行轨迹的纵坐标，hk为镜像轨迹的横坐标，pk为运行轨迹的纵坐标。
实施例7
在上一实施例的基础上，所述校正模型使用如下公式表示：
Figure BDA0003124666850000103
Figure BDA0003124666850000111
其中，n为运行估计或镜像估计的坐标点的数量；T为检测器发射信号的周期；Rate为调整系数。
实施例8
在上一实施例的基础上，所述方法还包括：对目标物体进行图像识别的步骤，包括：获取目标物体图像，并获取所述目标物体图像对应的扫描物体的颜色信息，所述颜色信息用于表示所述扫描物体的物体类型，所述物体类型包括有机物或无机物；根据所述颜色信息从所述目标物体图像中确定目标候选区域，并在所述目标候选区域内进行特征提取，获得提取的图像特征；利用提取的所述图像特征、基于深度卷积多层神经网络目标检测模型进行目标检测，获得候选目标；用提取的所述图像特征、基于深度卷积多层神经网络目标分类模型对所述候选目标进行识别，获得图像识别结果；其中，所述在所述目标候选区域内进行特征提取，获得提取的图像特征具体为：获取深度卷积多层神经网络各层次的图像特征，对所述各层次的图像特征进行融合处理，获取融合后的图像特征作为提取的图像特征。
实施例9
在上一实施例的基础上，在所述获取目标物体图像之后，且，在所述获取所述目标物体图像对应的扫描物体的颜色信息前，所述方法还包括：对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
实施例10
在上一实施例的基础上，所述对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色包括：获取目标物体的原子序数，基于所述原子序数获得目标物体的密度；根据所述目标物体的密度确定目标物体的分类，获得目标物体分类结果；基于所述目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.一种基于3D模型的高空瞭望观测物体的AI预警定位方法，其特征在于，所述方法执行以下步骤：
步骤1：建立目标空间的空间立体模型，并对空间立体模型进行平均分割，得到若干个等分的子空间立体块，为每个子空间立体块进行编号；所述空间立体模型为一个三维模型；
步骤2：建空间立体模型的镜像模型，所述镜像模型与空间立体模型互成上下颠倒的镜像；同样的，对镜像模型进行平均分割，得到若干个等分的子镜像块，为每个子镜像块进行编号；
步骤3：为每个子空间立体块和镜像块中均分别设置一个检测器；在目标物体进入某个子空间立体块和镜像块时，设置在该子空间立体块和镜像块的检测器检测到目标物体，记录目标物体所处的镜像块和子空间立体块的编号；
步骤4：通过子空间立体块中的检测器检测并记录到的目标物体的位置构建目标物体的运行轨迹；通过镜像块中的检测器检测并记录到的目标物体的位置，构建目标物体的镜像轨迹；
步骤5：比对镜像轨迹和运行轨迹中每个点的位置坐标对应关系，若位置坐标对应关系符合预设的规则，则保留该轨迹点，若位置坐标对应关系不符合预设的规则，则丢弃该轨迹点；
步骤6：使用预设的轨迹预测模型，基于运行轨迹和镜像轨迹，以及检测器的运行参数，预测目标物体的预测轨迹，完成目标物体的定位及预警。
2.如权利要求1所述的方法，其特征在于，所述检测器检测目标物体的方法包括：检测器在子空间立体快范围内周期性地发射探测信号；在预设时间段内分别采集探测信号的多个采样值；利用探测信号在预设时间段内的多个采样值计算其基准值；利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度；所述检测时间窗位于所述预设时间段之后，所述干扰度为探测信号的采样值受目标物体的影响偏离基准值的程度；判断在所述检测时间窗内是否存在所述干扰度大于预设阈值的探测信号；如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定在所述子空间立体块内检测到目标物体。
3.如权利要求2所述的方法，其特征在于，所述利用探测信号对应的所述基准值，计算探测信号在检测时间窗内的干扰度，包括：针对每一组探测信号，分别计算所述探测信号在检测时间窗内的每一个采样值与所述探测信号对应的所述基准值的差值，并对所有所述差值进行积分，计算得到所述探测信号在检测时间窗内的干扰度。
4.如权利要求3所述的方法，其特征在于，所述如果在检测时间窗内存在所述干扰度大于预设阈值的探测信号，确定所述子空间立体块内存在所述目标物体，包括：在检测时间窗内存在多个所述干扰度大于预设阈值的探测信号时，将检测时间窗内所有所述干扰度大于预设阈值的所述探测信号均作为干扰向量；针对每一个所述干扰向量，判断是否存在与所述干扰向量相邻的干扰向量，所述干扰向量的发射节点与所述相邻的干扰向量的发射节点之间的距离小于预设距离值；如果存在与所述千扰向量相邻的干扰向量，将所述干扰向量和所述相邻的干扰向量组成一个干扰向量组；根据所述干扰向量组，确定所述子空间立体块内存在所述目标物体。
5.如权利要求4所述的方法，其特征在于，所述步骤6中预测目标物体的预测轨迹的方法包括：基于运行轨迹和镜像轨迹，使用预设的预测模型计算预测轨迹的每个点的坐标；基于检测器的运行参数，使用预设的校正模型对预测轨迹的每个点的坐标进行校正；所述预测模型和校正模型组成轨迹预测模型。
6.如权利要求5所述的方法，其特征在于，所述预测模型使用如下公式表示：
Figure FDA0003124666840000021
其中，gridxk为预测的横轴坐标，gridyk为预测的纵轴坐标；k为坐标序号，n为运行轨迹或镜像轨迹的坐标数，mk为校正值，sk为运行轨迹的横坐标，dk为运行轨迹的纵坐标，hk为镜像轨迹的横坐标，pk为运行轨迹的纵坐标。
7.如权利要求6所述的方法，其特征在于，所述校正模型使用如下公式表示：
Figure FDA0003124666840000031
其中，n为运行估计或镜像估计的坐标点的数量；T为检测器发射信号的周期；Rate为调整系数。
8.如权利要求7所述的方法，其特征在于，所述方法还包括：对目标物体进行图像识别的步骤，包括：获取目标物体图像，并获取所述目标物体图像对应的扫描物体的颜色信息，所述颜色信息用于表示所述扫描物体的物体类型，所述物体类型包括有机物或无机物；根据所述颜色信息从所述目标物体图像中确定目标候选区域，并在所述目标候选区域内进行特征提取，获得提取的图像特征；利用提取的所述图像特征、基于深度卷积多层神经网络目标检测模型进行目标检测，获得候选目标；用提取的所述图像特征、基于深度卷积多层神经网络目标分类模型对所述候选目标进行识别，获得图像识别结果；其中，所述在所述目标候选区域内进行特征提取，获得提取的图像特征具体为：获取深度卷积多层神经网络各层次的图像特征，对所述各层次的图像特征进行融合处理，获取融合后的图像特征作为提取的图像特征。
9.如权利要求8所述的方法，其特征在于，在所述获取目标物体图像之后，且，在所述获取所述目标物体图像对应的扫描物体的颜色信息前，所述方法还包括：对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
10.如权利要求9所述的方法，其特征在于，所述对所述目标物体图像进行预处理，基于目标物体分类结果为不同类别的目标物体图像设置不同的颜色包括：获取目标物体的原子序数，基于所述原子序数获得目标物体的密度；根据所述目标物体的密度确定目标物体的分类，获得目标物体分类结果；基于所述目标物体分类结果为不同类别的目标物体图像设置不同的颜色。
CN202110686211.5A 2021-06-21 2021-06-21 一种基于3d模型的高空瞭望观测物体的ai预警定位方法 Active CN113379790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110686211.5A CN113379790B (zh) 2021-06-21 2021-06-21 一种基于3d模型的高空瞭望观测物体的ai预警定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110686211.5A CN113379790B (zh) 2021-06-21 2021-06-21 一种基于3d模型的高空瞭望观测物体的ai预警定位方法

Publications (2)

Publication Number Publication Date
CN113379790A true CN113379790A (zh) 2021-09-10
CN113379790B CN113379790B (zh) 2022-03-22

Family

ID=77578089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110686211.5A Active CN113379790B (zh) 2021-06-21 2021-06-21 一种基于3d模型的高空瞭望观测物体的ai预警定位方法

Country Status (1)

Country Link
CN (1) CN113379790B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150297934A1 (en) * 2014-04-21 2015-10-22 The Trustees Of Columbia University In The City Of New York Active movement training devices, methods, and systems
WO2017152179A1 (en) * 2016-03-04 2017-09-08 TIREAUDIT.COM, Inc. Mesh registration system and method for diagnosing tread wear
CN107993245A (zh) * 2017-11-15 2018-05-04 湖北三江航天红峰控制有限公司 一种空天背景多目标检测和跟踪方法
CN110370276A (zh) * 2019-07-05 2019-10-25 埃夫特智能装备股份有限公司 基于三维模型Morse分解的工业机器人加工轨迹自动规划方法
CN111161312A (zh) * 2019-12-16 2020-05-15 重庆邮电大学 一种基于计算机视觉的物体轨迹追踪识别装置及系统
CN112257557A (zh) * 2020-10-20 2021-01-22 中国电子科技集团公司第五十八研究所 一种基于机器视觉的高空抛物检测识别方法及系统
CN112416018A (zh) * 2020-11-24 2021-02-26 广东技术师范大学 基于多信号采集与路径规划模型的无人机避障方法和装置
CN112614163A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种融合贝叶斯轨迹推理的目标跟踪方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150297934A1 (en) * 2014-04-21 2015-10-22 The Trustees Of Columbia University In The City Of New York Active movement training devices, methods, and systems
WO2017152179A1 (en) * 2016-03-04 2017-09-08 TIREAUDIT.COM, Inc. Mesh registration system and method for diagnosing tread wear
CN107993245A (zh) * 2017-11-15 2018-05-04 湖北三江航天红峰控制有限公司 一种空天背景多目标检测和跟踪方法
CN110370276A (zh) * 2019-07-05 2019-10-25 埃夫特智能装备股份有限公司 基于三维模型Morse分解的工业机器人加工轨迹自动规划方法
CN111161312A (zh) * 2019-12-16 2020-05-15 重庆邮电大学 一种基于计算机视觉的物体轨迹追踪识别装置及系统
CN112257557A (zh) * 2020-10-20 2021-01-22 中国电子科技集团公司第五十八研究所 一种基于机器视觉的高空抛物检测识别方法及系统
CN112416018A (zh) * 2020-11-24 2021-02-26 广东技术师范大学 基于多信号采集与路径规划模型的无人机避障方法和装置
CN112614163A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种融合贝叶斯轨迹推理的目标跟踪方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUTTHIPHONG SRIGRAROM 等: "Multi-camera Multi-drone Detection, Tracking and Localization with Trajectory-based Re-identification", 《2021 SECOND INTERNATIONAL SYMPOSIUM ON INSTRUMENTATION, CONTROL, ARTIFICIAL INTELLIGENCE, AND ROBOTICS (ICA-SYMP)》 *
黄晓丽: "基于计算机视觉的目标检测与目标跟踪算法改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN113379790B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
US9060341B2 (en) System and method for hybriding wireless location techniques
EP2111721B1 (en) System and method for generating non-uniform grid points from calibration data
Kaemarungsi Design of indoor positioning systems based on location fingerprinting technique
US9134398B2 (en) Wireless location using network centric location estimators
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN109640269B (zh) 基于csi与时域融合算法的指纹定位方法
US20030146871A1 (en) Wireless location using signal direction and time difference of arrival
Shin et al. Wi-Fi fingerprint-based topological map building for indoor user tracking
CN108803667B (zh) 一种无人机协同监测与跟踪方法
US11419088B2 (en) Radiation source positioning method based on radio spectrum monitoring big data processing
CN112533163A (zh) 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法
Ali et al. Harvesting indoor positioning accuracy by exploring multiple features from received signal strength vector
Han et al. A wireless fingerprint location method based on target tracking
Leca et al. Significant location detection & prediction in cellular networks using artificial neural networks
Svertoka et al. Evaluation of real-life LoRaWAN localization: Accuracy dependencies analysis based on outdoor measurement datasets
CN108574927B (zh) 一种移动终端定位方法及装置
CN113391267A (zh) 一种基于atdoa算法的频谱检测系统定位方法
CN113379790B (zh) 一种基于3d模型的高空瞭望观测物体的ai预警定位方法
CN109640253B (zh) 一种移动机器人定位方法
CN108540926B (zh) 一种无线信号指纹的构建方法及装置
Zhang et al. Machine learning-based integrated wireless sensing and positioning for cellular network
CN114758364A (zh) 基于深度学习的工业物联网场景融合定位方法及系统
Bartoletti et al. Positioning Methods
Chen et al. Intelligent LoRa-Based Positioning System.
Sun et al. An elaborated pattern-based method of identifying data oscillations from mobile device location data

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
CP01 Change in the name or title of a patent holder

Address after: Room 1102-1, 11th floor, South District, building 9, Shuntai Plaza, 2000 Shunhua Road, high tech Zone, Jinan City, Shandong Province

Patentee after: Zhiyuan Digital Technology (Shandong) Co.,Ltd.

Address before: Room 1102-1, 11th floor, South District, building 9, Shuntai Plaza, 2000 Shunhua Road, high tech Zone, Jinan City, Shandong Province

Patentee before: Shandong Eighth Five-Year Information Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An AI warning and positioning method for high-altitude observation objects based on 3D models

Effective date of registration: 20230703

Granted publication date: 20220322

Pledgee: Qilu Bank Co.,Ltd. Jinan Science and Technology Innovation Financial Center Branch

Pledgor: Zhiyuan Digital Technology (Shandong) Co.,Ltd.

Registration number: Y2023980047106

PE01 Entry into force of the registration of the contract for pledge of patent right