CN114065832A - 一种基于无人机与无人车的空地协同态势融合方法及系统 - Google Patents

一种基于无人机与无人车的空地协同态势融合方法及系统 Download PDF

Info

Publication number
CN114065832A
CN114065832A CN202111137005.5A CN202111137005A CN114065832A CN 114065832 A CN114065832 A CN 114065832A CN 202111137005 A CN202111137005 A CN 202111137005A CN 114065832 A CN114065832 A CN 114065832A
Authority
CN
China
Prior art keywords
target
cluster
feature
vector
characteristic
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.)
Pending
Application number
CN202111137005.5A
Other languages
English (en)
Inventor
姜梁
吴国强
包文龙
孙浩惠
黄坤
高伟
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.)
Aerospace Times Feihong Technology Co ltd
Original Assignee
Aerospace Times Feihong 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 Aerospace Times Feihong Technology Co ltd filed Critical Aerospace Times Feihong Technology Co ltd
Priority to CN202111137005.5A priority Critical patent/CN114065832A/zh
Publication of CN114065832A publication Critical patent/CN114065832A/zh
Pending legal-status Critical Current

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
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于无人机与无人车的空地协同态势融合方法及系统，属于图像处理、计算机视觉领域。该方法包括将无人机集群和无人车集群协同侦察到的N个目标进行特征结构统一描述，生成N个目标特征向量；针对某一目标特征向量，在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。本发明解决了基于无人机与无人车的空地协同态势融合系统的诸多问题。

Description

一种基于无人机与无人车的空地协同态势融合方法及系统
技术领域
本发明属于图像处理、计算机视觉领域，具体涉及一种基于无人机与无人车的空地协同态势融合算法。
背景技术
近十几年来，随着人工智能的发展，机器人在高危性、重复性、复杂性的任务中展现出优良的特性，使得机器人技术得到快速的发展，尤其是无人机与无人车，已广泛应用于战术侦察、险区作战、灾情救援、目标追踪、人员搜救、制导导航等领域。
无人机具有较强的侦察能力，其集群侦察方式能够从多角度拍摄侦察现场环境，具有较强的隐蔽性、适应性和机动性，可以快速完成广阔区域的态势感知，但受体积重量、尺寸、负载功率和链路通讯能力的限制，无人机集群无法提供较长的续航时间以执行更加长久的任务。无人车具有较强的带载能力、续航时间长，其集群侦察方式能够近距离接近多个目标个体，清晰获取目标的详细信息，但是无法获取整体态势信息，同时在地面道路受阻后机动性明显下降，易受地面环境制约。
采用无人机集群与无人车空地协同态势侦察的方式集成了地面无人车续航时间长、地面细节侦察水平高、带载能力强以及无人机集群机动性、隐蔽性强，生存能力强，价格相对低廉的优势，同时弥补地面无人车侦察视角有限,行进速度低、无人机集群续航能力相对较弱的劣势，满足通视条件差，电磁环境复杂的未来任务的需要，能够快速实现全方位、多维度的态势感知。
基于无人机与无人车的空地协同态势融合系统主要以视频图像为处理对象，以无人车集群搭载无人机集群为编队形式，在系统到达核心区域后，地面无人车集群放飞无人机集群，利用无人机集群高空视野宽阔的优势获得的高空侦察图像，结合地面无人车对地面目标细节的关注图像，深度融合无人机集群和无人车集群获取的不同维度、不同角度和不同尺度的目标信息，快速获取战场态势分布情况。当前，基于无人机与无人车的空地协同融合技术主要面临以下问题：
1)无人车与无人机拍摄视角，拍摄角度等均有所差异，拍摄细节程度也有所不同，导致空地信息融合存在跨域和跨尺度问题。跨域是指空中无人机集群和地面无人车集群在不同领域进行信息探测，跨尺度是指空中无人机集群和地面无人车集群在探测信息的过程中，对信息探测的尺度大小是不同的。
2)无人机集群与无人车集群对目标的侦察方式和侦察侧重各不相同，所获取的目标特征维度不同，这就造成目标特征表达不统一，无法完成信息融合。
3)无人机集群与无人车集群侦察的目标信息规模较大，当同一目标前后多次被多个无人机和无人车侦察到时，缺乏识别重复目标的有效手段，造成同一目标的多次计数。
发明内容
基于无人机与无人车空地协同态势融合方面的缺陷，统筹算法性能和适应性，本发明提出了一种基于无人机与无人车的空地协同态势融合方法及系统，解决了基于无人机与无人车的空地协同态势融合系统的诸多问题。
根据本发明技术方案第一方面，提供一种基于无人机与无人车的空地协同态势融合方法，所述方法包括以下步骤：
步骤1：通过目标特征描述技术将无人车集群与无人机集群各自侦察到的目标信息进行特征结构统一描述，生成多个目标特征向量；
步骤2：针对某一目标特征向量，通过特征快速检索在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；
步骤3：基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。
进一步地，所述步骤1具体包括：构建目标特征统一描述结构，针对无人机集群和无人车集群协同侦察到的N个目标，逐个进行目标特征统一描述，生成N个目标特征向量。
进一步地，所述步骤1中，所述目标特征向量以目标检测类别、目标检测置信度、目标识别名称代号、目标识别置信度、目标经度、目标纬度、目标所在高度、目标颜色代码、目标高度、目标宽度和目标深度特征为特征维度。
进一步地，所述步骤2中，所述特征快速检索技术为采用基于稀疏表(Sparse-Table)索引算法的特征向量检索技术。
进一步地，所述步骤2具体包括：以第i个目标特征向量为检索依据，i∈[1，N]，通过基于Sparse-Table索引算法的特征向量检索，在目标特征向量数据库中进行检索，检索出M个已被侦察入库且与该目标特征近似的相似特征向量，第i个目标特征向量及其M个相似特征向量共同组成目标特征向量集U，M为正整数。
进一步地，所述步骤3具体包括：
步骤31：针对所述目标特征向量集U中的M+1个目标特征向量，基于粗糙集理论，利用多特征频率准则计算特征权重值；
步骤32：利用最小化区间离散度方法，检测并过滤出噪音目标特征向量；
步骤33：基于多目标聚类准则进行层次凝聚聚类；
步骤34：确定各簇集的相关特征子空间；
步骤35：当第i个目标的目标特征向量属于某簇集的相关特征子空间时，判定该目标为已侦察入库的目标，将其特征向量再次入库；当第i个目标的目标特征向量不属于任何簇集的相关特征子空间时，判定该目标为新侦察目标，并将其特征向量入库；
步骤36：进行第i+1个目标的聚类，直至实现无人机集群和无人车集群空地协同侦察的目标在当前态势中的融合。
进一步地，所述步骤3还包括：去除空地重复目标，增加目标可信度。
进一步地，所述步骤31具体包括：
设目标特征向量集U内的(M+1)个特征向量划分为若干个类簇集Cs以及噪音集NOS，特征向量xk由D个分类特征组成，形式化表示为
Figure BDA0003282408770000031
Figure BDA0003282408770000036
xkd为特征向量xk在第d个分类特征ad上的特征值，k∈[1，M+1]，d∈[1，D]；在特征子空间SAs下，簇集Cs由特征向量集SDs构成，Cs表示为二元组(SDs，SAs)，
从分类特征ad的角度来度量特征值xkd的单特征权重，则xkd单特征权重
Figure BDA0003282408770000032
定义为
Figure BDA0003282408770000033
其中，
Figure BDA0003282408770000034
为包含特征向量xk的ad等价类，
Figure BDA0003282408770000035
内的特征向量在分类特征ad上的取值与xk相同，
Figure BDA0003282408770000041
反映了特征值xkd在ad上出现的次数；
从相关特征ae的角度来度量xkd的多特征权重，则多特征权重
Figure BDA0003282408770000042
定义为
Figure BDA0003282408770000043
其中，
Figure BDA0003282408770000044
表示包含特征向量xk的ae等价类，
Figure BDA0003282408770000045
表示两等价类交集的元素个数，即特征值xkd与xke的同现次数，
Figure BDA0003282408770000046
的定义表明特征值xkd与xke同现次数占
Figure BDA0003282408770000047
比例越大，从分类特征ae的角度上所反映xkd聚类作用越大，
用W(xkd)表示综合权重，并做归一化处理，使得0＜W(xkd)＜1，计算公式定义为
Figure BDA0003282408770000048
由此得到xkd的特征权重值。
进一步地，所述步骤32具体包括：
步骤321：计算特征向量xk的聚合度OS(xk)：
Figure BDA0003282408770000049
步骤322：按照聚合度OS(xk)将所有特征向量升序排序；
步骤323：利用区间离散度
Figure BDA00032824087700000410
找到最佳的划分点xh，h的取值使满足
Figure BDA00032824087700000411
即该划分点使得向量区间[x1，xh]和向量间[xh+1，xM+1]的离散度之和在所有划分点中最小，其中：
区间离散度
Figure BDA00032824087700000412
采用方差来描述，反映向量区间[xf，xg]中的特征向量的分离程度：
Figure BDA00032824087700000413
Figure BDA00032824087700000414
表示向量区间[xf，xg]上聚合度的平均值；|g-f|表示g与f差的绝对值；
Figure BDA00032824087700000415
值越小，说明区间内的特征向量越接近；
步骤324：以最小化区间离散度为目标，采用类似k-means的聚类思想，将特征向量划分为两类，其中，低聚合度向量区间[x1，xh]中的特征向量就是聚类能力较差的噪音目标特征向量。
进一步地，所述步骤33具体包括：
步骤331：初聚类阶段，随机挑选一个特征向量作为第一子簇集，利用子簇集质量函数，按照子簇集质量最大化原则，依次计算其他待聚类特征向量与所述第一子簇的簇集质量，由此将每个特征向量依次选择分配到已有的子簇中或者生成的新子簇；
步骤332：合并聚类阶段，利用簇集总体质量函数，按以簇集质量函数最大化为基础，迭代合并各子簇，直到整个迭代过程中没有产生合并子簇的操作为止。
进一步地，所述步骤331中，子簇集质量函数为：
设xkd为特征向量xk在第d个分类特征ad上的特征值，特征向量xk构成第一子簇集为C1，Q(C1)来描述第一子簇集C1的质量，其质量值分别从簇内紧凑度和簇间分离度来度量，Com(xkd)用于表示用特征值xkd所度量的簇内紧凑度，Sep(xkd)是用特征值xkd度量的簇间分离度：
Figure BDA0003282408770000051
Figure BDA0003282408770000052
Figure BDA0003282408770000053
簇内紧凑度Com(xkd)从两个方面评价：特征值xkd在第一子簇集C1内的分布，由特征值xkd在分类特征ad上的概率P(ad＝xkd)以及该值在第一子簇集C1内的概率P(ad＝xkd|C1)的乘积来度量，该值体现特征值xkd在第一子簇集C1上的集中程度；特征值xkd对于第一子簇集C1的重要性，由该值的权重W(xkd)表示；
簇间分离度Sep(xkd)取决于特征值xkd专属于第一子簇集C1的程度，用xkd出现在第一子簇集C1分类特征ad上的概率P(ad＝xkd^(xk∈C1))与整个数据集上xkd出现的概率P(ad＝xkd)的比例表示，该值越大，说明分类特征ad上的特征值xkd越集中地出现在第一子簇集C1中；count(xkd，ad，C1)表示在第一子簇集C1内，投影在分类特征ad上的值为xkd的特征向量数目；n代表数据集的数据总量；W(xkd)是特征值xkd的权值；count(xkd，ad)是指在分类特征ad上，xkd出现的总次数。
进一步地，所述步骤332中，簇集总体质量函数为：
设簇集C＝{C1，C2…，CK}，采用Q(C)描述簇集总体质量，则：
Figure BDA0003282408770000061
Q(Cs)则表示簇集CS的质量，P(CS)代表CS中的特征向量占整个数据集的比例。
进一步地，所述步骤34具体包括；
步骤341：计算分类特征ad对于簇集CS的依附程度R(ad，Cs)，公式如下：
Figure BDA0003282408770000062
步骤342：按照依附程度R(ad，Cs)将所有分类升序排序；
步骤343：利用区间离散度
Figure BDA0003282408770000063
找到最佳的划分点ao，o的取值使满足
Figure BDA0003282408770000064
即该划分点使得向量区间[a1，ao]和向量间[ao+1，aD]的离散度之和在所有划分点中最小，其中：
区间离散度用
Figure BDA0003282408770000065
采用方差来描述，反映向量区间[af，ag]中的特征向量的分离程度：
Figure BDA0003282408770000066
Figure BDA0003282408770000067
表示向量区间[af，ag]上聚合度的平均值；|g-f|表示g与f差的绝对值；
Figure BDA0003282408770000068
值越小，说明区间内的特征向量越接近；
步骤344：以最小化区间离散度为目标，采用类似k-means的聚类思想，将分类向量划分为两类，其中，高依附度区间[[ao+1，aD]即为簇集CS的相关特征子空间。
根据本发明技术方案第二方面，提供一种基于无人机与无人车的空地协同态势融合系统，所述系统包括：
目标特征统一描述部件，用于通过目标特征描述技术将无人车集群与无人机集群各自侦察到的目标信息进行特征结构统一描述，生成多个目标特征向量；
特征快速检索部件，用于针对某一目标特征向量，通过特征快速检索在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；
目标特征融合聚类部件，用于基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。
本发明与现有技术相比具有如下优点：
1)本发明引入目标特征统一描述模型，不仅有效解决了在不同拍摄视角，拍摄角度和拍摄细节条件下，基于无人机集群与无人车集群的空地信息融合存在的跨域和跨尺度问题，还有效解决了无人机集群与无人车集群所获取的目标特征表达不统一问题。
2)本发明引入目标特征融合聚类技术，解决了同一个目标被多个无人机和无人车侦察到后的重复计数问题。
附图说明
图1基于无人机与无人车的空地协同态势融合算法总体流程图。
具体实施方式
首先通过目标特征描述技术构建目标特征统一描述结构，将无人车集群与无人机集群侦察到的目标进行特征结构统一描述；然后，通过特征快速检索技术在目标特征向量数据库中进行检索，检索出已被侦察入库且与该目标特征近似的特征向量组成目标特征向量集；最后，采用基于多特征频率权重以及多目标簇集质量聚类准则的目标特征聚类技术，对检索出的目标特征向量进行聚类，去除空地重复目标，增加目标可信度，实现空地协同态势融合。总体流程如图1所示。
算法可归纳为以下步骤：
1)采用目标特征统一描述技术，对无人机集群侦察的目标信息和无人车集群侦察的目标信息逐个进行目标特征统一描述，生成目标特征向量，目标特征向量以目标检测类别、目标检测置信度、目标识别名称代号、目标识别置信度、目标经度、目标纬度、目标所在高度、目标颜色代码、目标高度、目标宽度和目标深度特征为特征维度。假设共有N个侦察目标，生成了N个1维目标特征向量。
for i＝1；I＜＝N：
2)以第i个目标的特征向量值为检索依据，通过基于Sparse-Table索引算法的特征向量检索技术，在目标特征向量数据库中进行检索，共检索出M个已被侦察入库且与该目标特征近似的特征向量组成目标特征向量集。
3)针对这M+1个目标特征向量组成的目标特征向量集，采用基于多特征频率权重以及多目标簇集质量聚类准则的目标聚类技术，对这M+1个目标特征向量进行聚类，具体过程如下：
①计算特征权重值。考虑到多特征维之间的关联对特征值权重的影响，利用特征向量在不同特征下等价类之间的交集，统计多特征上特征值的同现次数，基于粗糙集理论，利用多特征频率准则计算各特征值的权重值；
②检测噪音向量。利用最小化区间离散度的方法，滤掉那些低权值的向量，以提高后续聚类效果；
③基于多目标聚类准则的层次凝聚聚类。利用簇内紧凑和簇间分离的聚类准则，给出簇集质量函数，在聚类过程中采用一种自底向上的凝聚聚类策略，将聚类过程分为初聚类和合并聚类两个阶段，初聚类阶段利用多目标簇集质量函数先将最相似的特征向量生成子簇，在合并聚类阶段，迭代合并各子簇以提高整个簇集质量，形成最终的类簇；
④识别特征相关子空间。根据簇内各特征对簇的依附度，确定各簇的相关特征子空间。
4)当第i个目标的特征向量属于某簇的相关特征子空间时，判定该目标为已侦察入库的目标，将其特征向量再次入库；当第i个目标的特征向量属于某簇的相关特征子空间时，判定该目标为新侦察目标，并将其特征向量入库。并转到第2)步进行第i+1各目标的聚类，以此实现无人机集群和无人车集群空地协同侦察的目标在当前态势中的融合。
1.目标特征统一描述
无人机集群与无人车集群对目标的侦察方式和侦察侧重各不相同，所获取的目标特征维度不同，这就造成目标特征表达不统一，无法完成信息融合。因此必须通过对无人机集群与无人车集群检测目标简历统一的特征表，获得表征检测目标的统一特征结构。
本发明结合无人机与无人车侦察特点，采用目标检测类别、目标检测置信度、目标识别名称代号、目标识别置信度、目标经度、目标纬度、目标所在高度、目标颜色代码、目标高度、目标宽度和目标深度特征作为目标特征统一描述结构的特征维度。其中，本发明引入CNN网络模型，目标深度特征由侦察目标图像基于CNN网络模型提取的最后一级卷积特征构成。目标特征统一描述结构如表1所示。
表1目标特征统一描述结构
Figure BDA0003282408770000091
实际空地信息采集数据时，多种方式协同检测的方法能够显著提升检测准确率。无人设备通过多角度多方位对侦察区域进行侦察时，拍摄角度不同，但拍摄时间近似相同，因此检测过程是相互独立的，假设无人设备共有n架，对同一区域进行拍摄，场景中共有K类目标，第i个无人设备拍摄检测过程用fi(·)表示，检测结果置信度用Pi(·)表示。那么对目标O而言，如果第i个无人设备检测目标结果为第k类，那么第i个无人设备检测目标O的结果fi(O)＝k，检测结果置信度为Pi(O)。
对目标O而言，同一次拍摄过程中，检测到目标O是k类的综合置信度用Ck表示，那么
Figure BDA0003282408770000092
实际使用时，以目标O的综合置信度最大的类别作为检测的最终类别KO。
此时，定义检测目标O的类别为KO的无人设备集合M。那么M中检测错误的概率为：
Figure BDA0003282408770000101
由于每个检测过程是相互独立的，于是集合M中的个体均检测到目标O属于类别k时，检测错误的概率可以表示为：
Figure BDA0003282408770000102
那么检测正确的概率为：
Figure BDA0003282408770000103
实际情况下，通过综合置信度的引用，能够纠正由于拍摄角度或其他条件影响导致单个分类错误的情况，提升分类准确率。同时，由于空地协同检测结果的作用，会提升图像最终检测正确率。根据单个无人设备目标检测的经验，实际检测时单个检测目标的置信度通常在0.6左右，那么如果两个同时检测到目标属于同一类时，检测正确的概率由式(4)可以计算得到P＝1-0.4*0.4＝0.86。那么如果三个设备同时检测到某一目标属于同一类别时，准确率可以提升至P＝1-0.4*0.4*0.4＝0.936。实际情况下单个检测的置信度通常由拍摄角度和画面清晰程度等指标综合决定。
2.特征快速检索技术
实际目标检索过程中，获得的目标向量与数据库中的向量数据不可能完全一致，因此，本发明采用了近似近邻查询的方法，通过比对数据库中向量数据与检索目标的相似度来选出较为相似的目标。
在近似近邻查询的过程中，对于任意一个查询向量q，计算q和任意的数据库中向量xi之间的距离时，使用非对称距离度量(Asymmetric distance computation)方式进行距离计算。哈希方法的出发点就是避免直接计算q和xi之间的欧式距离D(q，x′i)，如果q与数据库中的每一个向量都计算一次距离，查询的时间代价太大。在近似近邻查询过程中，使用q和xi之间的非对称距离AD(q，xi)近似表示原始距离D(q，x′i)，其中AD(q，xi)＝D(q，x′i)，x′i是xi所属的聚类中心。D(q，x′i)可以先计算出来存储在查找表中，在之后查找比较时，用查找表中的非对称距离近似表示原始距离。在算法具体流程上，我们首先计算出q在子空间中对应子向量和子空间中聚类中心之间的距离，将计算出的距离用一个查找表存储好。现在我们计算查询向量q和数据库中每个数据之间的距离。在每个子空间中，因为子向量与聚类中心之间距离已经存储在查找表中，可以查找出每个数据与向量q之间的近似距离。最后，将不同子空间中同一向量距离求和.这样就得到了查询向量q和数据库中每个向量之间的距离.通过线性扫描一遍距离数组，就可以快速获取出前k个近邻向量。
近似近邻查询的方法一般可以分为基于二叉树结构的索引和基于哈希的索引两大类。因为本发明中目标检索针对的数据为1维向量，故本发明采用基于二叉树结构的Sparse-Table索引来实现检索。
Sparse Table算法，简称ST算法，可以用来求解RMQ(区间最值查询)问题。RMQ问题的形式一般是：存在一个大数组，要求对于给定的起点和终点，迅速回答出这段区间的最大值或最小值。
朴素的方式是扫描起点到终点的所有数，维护其中的最值，这样的复杂度是O(n2)的，速度太慢。ST算法是使用的是类似于二分的动态规划思想，其复杂度是O(nlogn)，因此查询速度非常快。ST算法的执行过程(以求最大值为例)：
1)初始化：
设原数组为x[N]。开辟一个数组dp[N]。其中dp[i][j]表示的是从下标为i的元素开始，到下标为(i+2j-1)的元素为止，这些元素中的最大值。对于整型而言，其值不会超过2^32，因此第二维大小为33已经足够。因此dp[i][0]表示的是元素本身，因此可以初始化为dp[i][0]＝x[i]。对于其他的dp[i][j]，可以采用动态规划的方式求出，递推式为dp[i][j]＝max(dp[i][j-1]，dp[i+2(j-1)][j-1])，其实就是把一段区间切成两段大小相等的区间，当前区间的最大值就是两个子区间的最大值中的较大者。初始化的复杂度为O(nlogn)。
2)求解：
对于给定的起点beg及终点end，可以得出区间大小为range＝end-beg+1。因此可以找到一个整数k＝(int)(log(range)/log2)。这样区间就可以被划分为子区间1，即[beg，beg+(2k)-1]，子区间2，即[end-(2k)+1，end]。这两个可能会有重叠，但重叠不会影响最大值的求解。因此对于beg和end，可以得到解为res＝max(dp[beg][k]，dp[end-(2k)+1][k])。求解的复杂度为O(1)。
对于某个RMQ问题，总的复杂度为O(nlogn)+O(1)＝O(nlogn)，因此可以在足够快的时间内得到区间的最大值或最小值。
本发明中采用Sparse Table算法来对存储数据进行近似近邻查询，相比于原始的线性扫描的方式一对一来进行计算相似度，其复杂度有O(n^2)，而采用Sparse Table算法其复杂度只有O(nlogn)，随着数据量的提升，其检索速度也是会有极大地提高。
3.目标特征融合聚类技术
本发明拟采用多特征频率权重以及多目标簇集质量聚类准则，该算法利用粗糙集理论中的等价类，定义了一种多特征权重计算方法，有效地提高了特征的聚类区分能力；在多目标簇集质量函数的基础上，采用层次凝聚策略，迭代合并子簇，有效地度量了各类尺度的聚类簇；利用区间离散度，解决了使用阈值删除噪音点所带来的参数问题；利用特征对簇集的依附程度，确定了聚类簇的特征相关子空间，提高了聚类簇的可理解性。
针对第i个目标特征向量及其检索出的M个相似特征向量共同组成的目标特征向量集，本发明的空间聚类目标是将目标特征向量集U内的(M+i)个特征向量划分为若干个类簇Cs以及噪音集NOS，特征向量xk由d个分类特征组成，可形式化表示为xk＝(xk1，xk2，xk3，…，xkd}，xkd为特征向量xk第d个分类特征的值。在特征子空间SAs下，类簇Cs由特征向量集SDs构成，Cs可表示为二元组(SDs，SAs)。
如表2所示，假设U共有10个特征向量，每个特征向量由8个分类特征值组成，特征向量集可划分为三个类簇和噪音集，分别表示为C1，C2，C3和NOS，x1，x2，x3，…，x10为特征向量集中的10个特征向量，a1，a2，a3，…，a8为单个特征向量中的8个分类特征。采用多特征频率计算特征权重，有效地体现了特征值在特征空间中的分布特征，可解决单特征计算权重所带来的聚类区分度下降等问题，例如，从特征空间分布上分析，由于特征值x43与x42(RS)，x43与x44(RV)在特征向量集上同时出现的频率均为30％，而x33与其他特征的同现频率仅为10％，因此，利用分类特征a2与a4，基于多特征频率计算特征值x43与x33的权重，可以有效区分两特征值的权重差异。在簇内距离最小化目标的基础上，结合簇间分离最大化目标作为聚类准则，有助于边缘数据的正确划分；单个类中心无法反映大类特征也是造成非平衡数据均匀化的原因之一，因此，采用层次凝聚聚类思想，利用子簇代表大类的多个类中心，通过迭代合并子簇，将大类的子簇聚集在一起，从而解决非平衡数据的聚类问题。
表2聚类示例表
Figure BDA0003282408770000131
由此可见，本发明分类数据聚类求解步骤为：
1)特征权重值的计算。基于粗糙集利用多特征频率计算各特征值的权重，该方法不仅考虑到多特征维之间的关联对特征值权重的影响，同时，基于粗糙集理论，利用特征向量不同特征下等价类之间的交集，统计多特征上特征值的同现次数，无需遍历整个数据空间，提高了时间效率；
2)噪音向量检测。在聚类之前，利用最小化区间离散度的方法，滤掉那些低权值的特征向量，即噪音点以提高聚类效果；
3)基于多目标聚类准则的层次凝聚聚类。利用簇内紧凑和簇间分离的聚类目标，给出簇集质量函数，在聚类过程中采用一种自底向上的凝聚聚类策略，将聚类过程分为初聚类和合并聚类两个阶段，初聚类阶段利用多目标簇集质量函数先将最相似的特征向量生成子簇，在合并聚类阶段，迭代合并各子簇以提高整个簇集质量，形成最终的类簇；
4)特征相关子空间识别。根据簇内各特征对簇的依附度，确定各簇的相关特征子空间。
各步骤详细的求解过程如下。
·特征权重值计算
在粗糙集理论中，R表示论域上的等价关系，[x]R表示包含x的R等价类，等价类内的所有对象在关系R中等价。可以将上述统计特征值同现次数的问题转换为求解特征等价类交集的问题。本发明采用计算等价类算法，利用快速排序思想，根据特征值预先对数据集进行排序处理。对于任意分类特征ai，设xki为特征向量在分类特征ai上的特征值，从分类特征ai的角度来度量特征值xki的单特征权重，则xki单特征权重
Figure BDA0003282408770000141
可以定义为
Figure BDA0003282408770000142
其中，
Figure BDA0003282408770000143
为包含特征向量xk的ai等价类，
Figure BDA0003282408770000144
内的特征向量在分类特征ai上的取值与xk相同，
Figure BDA0003282408770000145
反映了特征值xki在ai上出现的次数。
从相关特征aj的角度来度量xki的多特征权重，则多特征权重
Figure BDA0003282408770000146
可以定义为
Figure BDA0003282408770000147
其中，
Figure BDA0003282408770000148
表示包含特征向量xk的aj等价类，
Figure BDA0003282408770000149
表示两等价类交集的元素个数，即特征值xki与xkj的同现次数，
Figure BDA00032824087700001410
的定义表明特征值xki与xkj同现次数占
Figure BDA00032824087700001411
比例越大，从分类特征aj的角度上所反映xki聚类作用越大。
用W(xki)表示综合权重，并做归一化处理，使得0＜W(xki)＜1，计算公式定义为
Figure BDA0003282408770000151
·噪音向量检测
噪音向量是指那些与正常特征向量有显著区别的特殊点。对于各特征权重都相对偏低的特征向量，可认为投影到任何维上都无法找到相似向量。为了判断噪音向量，可引人如下定义的聚合度概念OS(xk)。
Figure BDA0003282408770000152
OS(xk)体现了特征向量xk在各特征维上的聚类能力。OS(xk)值越小，说明xk越有可能是噪音向量。
具体识别步骤：按照聚合度OS(xk)，先将所有特征向量升序排序；利用区间离散度
Figure BDA0003282408770000153
找到最佳的划分点xm，m的取值使满足
Figure BDA0003282408770000154
即该划分点使得向量区间[x1，xm]和向量间[xm+1，xh]的离散度之和在所有划分点中最小；以最小化区间离散度为目标，采用类似k-means的聚类思想，将特征向量划分为两类，其中，低聚合度向量区间[x1，xm]中的特征向量就是聚类能力较差的噪音向量。
上述步骤中提到的区间离散度用
Figure BDA0003282408770000155
表示，采用方差来描述，主要反映向量区间[xi，xj]中的特征向量的分离程度：
Figure BDA0003282408770000156
Figure BDA0003282408770000157
表示向量区间[xi，xj]上聚合度的平均值。|j-i|表示j与i差的绝对值。
Figure BDA0003282408770000158
值越小，说明区间内的特征向量越接近。
·基于多目标聚类准则的层次凝聚聚类
聚类准则是聚类过程中判断特征向量划分的主要依据，通常采用簇集质量函数表示.簇集质量是指聚类结果的质量，该值代表数据划分的合理程度，簇集质量可以采用单目标和多目标两种方式，多目标簇集质量更有利于挖掘数据集的内部结构。
综合簇内紧凑和簇间分离两个目标来评价簇集质量，1)簇集质量应取决于簇内数据是否紧凑，簇内紧凑程度与簇投影到重要特征上的特征值相关，该特征值权值越大，出现的频率越高，则簇集质量越好；2)簇集的质量也与簇间数据分离程度相关，为了使不同的簇尽可能分离，簇投影在重要特征上的特征值应尽量集中，不同的簇在高权值特征维上的取值应尽可能不同。为了计算簇集总质量，需要先分别计算各簇质量。基于特征值采用如下定义的Q(Cs)来描述簇Cs的质量，其质量值可分别从簇内紧凑度和簇间分离度来度量，Com(xki)用于表示用特征值xki所度量的簇内紧凑度，Sep(xki)是用特征值xki度量的簇间分离度。
Figure BDA0003282408770000161
Figure BDA0003282408770000162
Figure BDA0003282408770000163
簇内紧凑度Com(xki)可以从两个方面评价：特征值xki在簇Cs内的分布，可由特征值xki在分类特征ai上的概率P(ai＝xki)以及该值在簇Cs内的概率P(ai＝xki|Cs)的乘积来度量，该值主要体现了特征值xki在Cs上的集中程度，特征值xki对于类簇的重要性，由该值的权重W(xki)表示。簇间分离度Sep(xki)则取决于特征值xki专属于簇Cs的程度，可以用xki出现在簇Cs特征ai上的概率P(ai＝xki^(xk∈Cs))与整个数据集上xki出现的概率P(ai＝xki)的比例表示，该值越大，说明ai上的特征值xki越集中地出现在Cs中。经推导，Q(Cs)可由以下符号组成的表达式表示：count(xki，ai，Cs)表示在类簇Cs内，投影在ai上的值为xki的特征向量数目；n代表数据集的数据总量；W(xki)是特征值xki的权值；count(xki，ai)是指在特征ai上，xki出现的总次数。
假设簇集C＝{C1，C2…，CK}，采用Q(C)描述簇集整体质量，可用下式来刻画簇集质量。
Figure BDA0003282408770000164
Q(C)反映了在簇集C的划分方式下，数据分布的整体质量。该值越大，意味着这种划分方案越合理，Q(Cs)则表示簇CS的质量，P(CS)代表CS中的特征向量占整个数据集的比例，P(CS)的主要作用是协调各簇之间的相互作用以达到最佳的整体聚类效果。
在多目标聚类准则的基础上，层次凝聚聚类过程可分为初聚类和合并聚类两个阶段初聚类阶段，随机挑选一个特征向量作为第一个子簇，使用式依次计算其他待聚类特征向量与现有子簇的簇集质量，具有纯度高、规模小的特点，可以代表大类的多个类中心，子簇的形成不仅可以有效避免非平衡数据的均匀化，同时也为迭代合并阶段提高了时间效率；初聚类阶段利用簇集质量函数，按照簇集质量最大化原则，将每个特征向量依次选择分配到已有的子簇中或者生成的新子簇。合并聚类的任务是找到同属一个类簇的所有子簇，迭代合并各子簇以提高数据集的聚类质量，直到整个迭代过程中没有产生合并子簇的操作为止；该过程采用层次凝聚思想，用公式度量的簇集质量函数最大化为基础，将最相近的两个子簇合并。该阶段充分利用了高纯度子簇，来迭代合并最相似的子簇，有效地加速了聚类形成的过程。
·特征相关子空间识别
特征相关子空间是由最能反映类簇特征的一组性组成。计算各特征相对于簇的依附程度是确定性子空间的关键，采用R(ai，Cs)刻画特征ai对于簇的依附程度。依附程度可用如下公式描述：
Figure BDA0003282408770000171
特征子空间的识别方法与噪音点识别类似，根据特征依附度R(ai，Cs)，以区间离散度最小化为目标，将降序特征区间[a1，ad]分为区间[a1，am]和[am+1，ad]，高依附度区间就是特征子空间。
由此，通过上述方案，本申请技术方案解决了以下问题：
1)在不同拍摄视角，拍摄角度和拍摄细节条件下，基于无人机集群与无人车集群的空地信息融合存在的跨域和跨尺度问题；
2)无人机集群与无人车集群所获取的目标特征表达不统一问题；
3)同一个目标被多个无人机和无人车侦察到后的重复计数问题。
上面对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于无人机与无人车的空地协同态势融合方法，其特征在于，所述方法包括以下步骤：
步骤1：通过目标特征描述结构将无人机集群和无人车集群协同侦察到的N个目标进行特征结构统一描述，生成N个目标特征向量，N为正整数；
步骤2：针对某一目标特征向量，通过特征快速检索在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；
步骤3：基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。
2.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：以第i个目标特征向量为检索依据，i∈[1，N]，通过基于稀疏表索引算法的特征向量检索，在目标特征向量数据库中进行检索，检索出M个已被侦察入库且与该目标特征近似的相似特征向量，第i个目标特征向量及其M个相似特征向量共同组成目标特征向量集U，M为正整数。
3.根据权利要求2所述的方法，其特征在于，所述步骤3具体包括：
步骤31：针对所述目标特征向量集U中的M+1个目标特征向量，基于粗糙集理论，利用多特征频率准则计算特征权重值；
步骤32：利用最小化区间离散度方法，检测并过滤出噪音目标特征向量；
步骤33：基于多目标聚类准则进行层次凝聚聚类；
步骤34：确定各簇集的相关特征子空间；
步骤35：当第i个目标的目标特征向量属于某簇集的相关特征子空间时，判定该目标为已侦察入库的目标，将其特征向量再次入库；当第i个目标的目标特征向量不属于任何簇集的相关特征子空间时，判定该目标为新侦察目标，并将其特征向量入库；
步骤36：进行第i+1个目标的聚类，直至实现无人机集群和无人车集群空地协同侦察的目标在当前态势中的融合。
4.根据权利要求3述的方法，其特征在于，所述步骤31具体包括：
设目标特征向量集U内的(M+1)个特征向量划分为若干个类簇集Cs以及噪音集NOS，特征向量xk由D个分类特征组成，形式化表示为xk＝{xk1,xk2,xk3,···,xkD}，xkd为特征向量xk在第d个分类特征ad上的特征值，k∈[1,M+1]，d∈[1,D]；在特征子空间SAs下，簇集Cs由特征向量集SDs构成，Cs表示为二元组(SDs，SAs),
从分类特征ad的角度来度量特征值xkd的单特征权重，则xkd单特征权重
Figure FDA0003282408760000021
定义为
Figure FDA0003282408760000022
其中，
Figure FDA0003282408760000023
为包含特征向量xk的ad等价类，
Figure FDA0003282408760000024
内的特征向量在分类特征ad上的取值与xk相同，
Figure FDA0003282408760000025
反映了特征值xkd在ad上出现的次数；
从相关特征ae的角度来度量xkd的多特征权重，则多特征权重
Figure FDA0003282408760000026
定义为
Figure FDA0003282408760000027
其中，
Figure FDA0003282408760000028
表示包含特征向量xk的ae等价类，
Figure FDA0003282408760000029
表示两等价类交集的元素个数，即特征值xke与xke的同现次数，
Figure FDA00032824087600000210
Figure FDA00032824087600000211
的定义表明特征值xkd与xke同现次数占
Figure FDA00032824087600000212
比例越大，从分类特征ae的角度上所反映xkd聚类作用越大，
用W(xkd)表示综合权重，并做归一化处理，使得0<W(xkd)<1，计算公式定义为
Figure FDA00032824087600000213
由此得到xkd的特征权重值。
5.根据权利要求3所述的方法，其特征在于，所述步骤32具体包括：
步骤321：计算特征向量xk的聚合度OS(xk)：
Figure FDA00032824087600000214
步骤322：按照聚合度OS(xh)将所有特征向量升序排序；
步骤323：利用区间离散度
Figure FDA00032824087600000215
找到最佳的划分点xh，h的取值使满足
Figure FDA00032824087600000216
即该划分点使得向量区间[x1,xh]和向量间[xh+1,xM+1]的离散度之和在所有划分点中最小，其中：
区间离散度
Figure FDA0003282408760000031
采用方差来描述，反映向量区间[xf,xg]中的特征向量的分离程度：
Figure FDA0003282408760000032
Figure FDA0003282408760000033
表示向量区间[xf,xg]上聚合度的平均值；|g-f|表示g与f差的绝对值；
Figure FDA0003282408760000034
值越小，说明区间内的特征向量越接近；
步骤324：以最小化区间离散度为目标，采用类似k-means的聚类思想，将特征向量划分为两类，其中，低聚合度向量区间[x1,xh]中的特征向量就是聚类能力较差的噪音目标特征向量。
6.根据权利要求3所述的方法，其特征在于，所述步骤33具体包括：
步骤331：初聚类阶段，随机挑选一个特征向量作为第一子簇集，利用子簇集质量函数，按照子簇集质量最大化原则，依次计算其他待聚类特征向量与所述第一子簇的簇集质量，由此将每个特征向量依次选择分配到已有的子簇中或者生成的新子簇；
步骤332：合并聚类阶段，利用簇集总体质量函数，按以簇集质量函数最大化为基础，迭代合并各子簇，直到整个迭代过程中没有产生合并子簇的操作为止。
7.根据权利要求6所述的方法，其特征在于，所述步骤331中，子簇集质量函数为：
设xkd为特征向量xk在第d个分类特征ad上的特征值，特征向量xk构成第一子簇集为C1，Q(C1)来描述第一子簇集C1的质量，其质量值分别从簇内紧凑度和簇间分离度来度量，Com(xkd)用于表示用特征值xkd所度量的簇内紧凑度，Sep(xkd)是用特征值xkd度量的簇间分离度：
Figure FDA0003282408760000035
Figure FDA0003282408760000036
Figure FDA0003282408760000037
簇内紧凑度Com(xkd)从两个方面评价：特征值xkd在第一子簇集C1内的分布，由特征值xkd在分类特征ad上的概率P(ad＝xkd)以及该值在第一子簇集C1内的概率P(ad＝xkd|C1)的乘积来度量，该值体现特征值xkd在第一子簇集C1上的集中程度；特征值xkd对于第一子簇集C1的重要性，由该值的权重W(xkd)表示；
簇间分离度Sep(xkd)取决于特征值xkd专属于第一子簇集C1的程度，用xkd出现在第一子簇集C1分类特征ad上的概率P(ad＝xkd∧(xk∈C1))与整个数据集上xkd出现的概率P(ad＝xkd)的比例表示，该值越大，说明分类特征ad上的特征值xkd越集中地出现在第一子簇集C1中；count(xkd,ad,C1)表示在第一子簇集C1内，投影在分类特征ad上的值为xkd的特征向量数目；n代表数据集的数据总量；W(xkd)是特征值xkd的权值；count(xkd,ad)是指在分类特征ad上，xkd出现的总次数。
8.根据权利要求6所述的方法，其特征在于，所述步骤332中，簇集总体质量函数为：
设簇集C＝{C1,C2…,CK}，采用Q(C)描述簇集总体质量，则：
Figure FDA0003282408760000041
Q(Cs)则表示簇集CS的质量，P(CS)代表CS中的特征向量占整个数据集的比例。
9.根据权利要求3所述的方法，其特征在于，所述步骤34具体包括；
步骤341：计算分类特征ad对于簇集CS的依附程度R(ad,Cs)，公式如下：
Figure FDA0003282408760000042
步骤342：按照依附程度R(ad,Cs)将所有分类升序排序；
步骤343：利用区间离散度
Figure FDA0003282408760000043
找到最佳的划分点ao，o的取值使满足
Figure FDA0003282408760000044
即该划分点使得向量区间[a1,ao]和向量间[ao+1,aD]的离散度之和在所有划分点中最小，其中：
区间离散度用
Figure FDA0003282408760000045
采用方差来描述，反映向量区间[af,ag]中的特征向量的分离程度：
Figure FDA0003282408760000051
Figure FDA0003282408760000052
表示向量区间[af,ag]上聚合度的平均值；|g-f|表示g与f差的绝对值；
Figure FDA0003282408760000053
值越小，说明区间内的特征向量越接近；
步骤344：以最小化区间离散度为目标，采用类似k-means的聚类思想，将分类向量划分为两类，其中，高依附度区间[[ao+1,aD]即为簇集CS的相关特征子空间。
10.一种基于无人机与无人车的空地协同态势融合系统，其特征在于，所述系统包括：
目标特征统一描述部件，用于通过目标特征描述技术将无人车集群与无人机集群各自侦察到的目标信息进行特征结构统一描述，生成多个目标特征向量；
特征快速检索部件，用于针对某一目标特征向量，通过特征快速检索在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；
目标特征融合聚类部件，用于基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。
CN202111137005.5A 2021-09-27 2021-09-27 一种基于无人机与无人车的空地协同态势融合方法及系统 Pending CN114065832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111137005.5A CN114065832A (zh) 2021-09-27 2021-09-27 一种基于无人机与无人车的空地协同态势融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111137005.5A CN114065832A (zh) 2021-09-27 2021-09-27 一种基于无人机与无人车的空地协同态势融合方法及系统

Publications (1)

Publication Number Publication Date
CN114065832A true CN114065832A (zh) 2022-02-18

Family

ID=80233775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111137005.5A Pending CN114065832A (zh) 2021-09-27 2021-09-27 一种基于无人机与无人车的空地协同态势融合方法及系统

Country Status (1)

Country Link
CN (1) CN114065832A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822761A (zh) * 2023-03-14 2023-09-29 北京人人平安科技有限公司 面向森林防火的空地一体化救援车辆路径优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822761A (zh) * 2023-03-14 2023-09-29 北京人人平安科技有限公司 面向森林防火的空地一体化救援车辆路径优化方法
CN116822761B (zh) * 2023-03-14 2024-02-02 北京人人平安科技有限公司 面向森林防火的空地一体化救援车辆路径优化方法

Similar Documents

Publication Publication Date Title
Kriegel et al. Probabilistic nearest-neighbor query on uncertain objects
US6871201B2 (en) Method for building space-splitting decision tree
Yang et al. Probabilistic threshold k nearest neighbor queries over moving objects in symbolic indoor space
Himstedt et al. Large scale place recognition in 2D LIDAR scans using geometrical landmark relations
Cheema et al. Probabilistic reverse nearest neighbor queries on uncertain data
Gehrig et al. Visual place recognition with probabilistic voting
Gorisse et al. Locality-sensitive hashing for chi2 distance
Wang et al. Locality sensitive outlier detection: A ranking driven approach
Pope et al. Learning object recognition models from images
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN115049944B (zh) 一种基于多任务优化的小样本遥感图像目标检测方法
Sebastian et al. Metric-based shape retrieval in large databases
CN108733976B (zh) 基于融合生物与拓扑特征的关键蛋白质识别方法
CN109783879B (zh) 一种雷达辐射源信号识别效能评估方法及系统
CN110866030A (zh) 一种基于无监督学习的数据库异常访问检测方法
CN112579783B (zh) 基于拉普拉斯图谱的短文本聚类方法
CN107832778A (zh) 一种基于空间综合相似度的相同目标识别方法
CN111860359B (zh) 一种基于改进随机森林算法的点云分类方法
CN114065832A (zh) 一种基于无人机与无人车的空地协同态势融合方法及系统
Korrapati et al. Vision-based sparse topological mapping
CN115982722B (zh) 一种基于决策树的漏洞分类检测方法
CN112084353A (zh) 一种快速陆标-卷积特征匹配的词袋模型方法
Lian et al. Probabilistic inverse ranking queries in uncertain databases
KR20200051300A (ko) Cf 트리를 활용한 범위 질의 기반의 데이터 클러스터링 장치 및 방법
CN107389071B (zh) 一种改进的室内定位knn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