CN115883812A - 基于粒子群算法的多传感器协同布站方法 - Google Patents

Abstract

本发明涉及一种基于粒子群算法的多传感器协同布站方法，属于通视性分析领域。该方法包括：(1)通视性分析部分：基于最大仰视角原理判断通视性，具体包括数据筛选，数据可视化，目标建筑选取及标注，计算仰视角和产生后置操作所需txt文件；(2)传感器组合优化两部分：优化算法基于粒子群算法设计，适应值为传感器组合对于目标建筑的覆盖率。本发明分析的准确度高，自动化程度高，操作简便，对比现有方法可适用于更复杂的环境。

Description

基于粒子群算法的多传感器协同布站方法

技术领域

本发明属于通视性分析领域，涉及多传感器布站问题中光学传感器备选位置与目标点之间的通视性分析，具体涉及一种面向复杂环境的基于粒子群算法的多传感器协同布站方法。

背景技术

随着传感器、网络技术的迅速发展，多传感器协同探测技术在遥感测控、航空航天、智能交通、侦察探测等领域得到广泛应用，面对众多的传感器资源，为了充分发挥出不同传感器的协同优势，提高多传感器网络的综合探测、识别能力，就需要对多传感器资源进行科学合理的配置与调度。

在通视性分析层面，现有方法如下：(1)射线法。此分析方法只适用于两点之间的可视性分析，效率低下，能够分析的地理环境相对简单，在复杂环境中容易产生较大误差。(2)三角形判定法。使用此方法寻找射线与射线构成场景模型的三角形面的是否相交时，首先必须把路径中的三角形面筛选出来，否则会导致在研究过程中将其它三角形面一起纳入计算，加大计算量与产生误差的可能性，但筛选三角形面的工作冗杂，不便于操作，因此这种方法也存在较大缺陷。

因此，亟需一种新的通视性分析方法来解决多传感器布站的问题。

发明内容

有鉴于此，本发明的目的在于提供一种面向复杂环境的基于粒子群算法的多传感器协同布站方法，能够准确、快速且自动地得到最佳光学传感器布站，以达到对目标建筑的最优监视效果。

为达到上述目的，本发明提供如下技术方案：

一种基于粒子群算法的多传感器协同布站方法，首先根据最大仰视角原理分析通视性，然后采用粒子群算法优化迭代出最佳的传感器布站方案。该方法具体包括以下步骤：

1)选取出需要观测的目标，采集周遭地理环境的点云数据，得到该地理环境中所有点的三维坐标，并将目标建筑表面的点作为目标点筛选出；

2)选定光学传感器备选位置空间，并得到所有备选位置的三维坐标；

3)计算出步骤2)中所有传感器备选位置与步骤1)中所有地理环境点之间的仰视角；

4)选定任意一个观测点，依照最大仰视角原理，由目标点和传感器备选位置做一纵向剖面，得到地形环境与剖面的交点；根据步骤3)的计算结果由备选位置向目标点迭代更新最大仰视角，若备选位置与目标点的仰视角大于此路径的最大仰视角，则判断这两点通视，反之则不通视，依此得到所有备选位置点与所有目标点两两间通视性；

5)根据步骤4)中得到的通视性分析结果，生成2个txt文件，分别按同一特定顺序存储传感器备选位置坐标和描述其对于每一个目标点通视性的向量，同时给予所有的目标点另一特定顺序；

6)将步骤5)生成的2个txt文件作为输入，使用基于粒子群算法设计的群体优化算法，优化传感器位置的组合，以覆盖率作为适应值，得到最佳的传感器布站方案。

进一步，步骤1)中，数据筛选，主要包括数据可视化，点云标注和点云标注读取等；

所述数据可视化是将已有的点云数据文件中所有点经过建立三维坐标，并以图形的方式呈现出来；

所述点云标注和点云标注读取是用于区分周围环境点和目标，借助Cloudcompare标定工具箱标定处理后的图像，通过在可视化视图中选点，建立四维矩阵(包括其三维坐标和用于判断其是否为目标点的标记)，识别对应点的标记，得到地理环境中所有点的信息数据。

使用数据筛选时可以自由选取传感器备选位置空间。

进一步，步骤3)中，计算仰视角，具体包括：建立起观察点与目标点的点云数据集合后，通过矩阵与矩阵间运算取得两点及其沿线上的点的相对距离和相对高度，从而得到两点及其沿线的的仰视角，通过观测点与地理信息点的三维坐标，根据以下公式得到这两点之间的正切值，依此求出仰视角大小，

其中，z_i、z_j分别为观察点i和目标点j的高度，Δx、Δy分别为观察点i与目标点j之间在三维坐标中的x轴、y轴上的距离，θ为观察点i和目标点j之间的仰视角。

进一步，步骤5)中，通视性分析完成后，所生成的描述其对于每一个目标点通视性的向量的每一维的可取值为0或1，0代表对该目标点不可视，1代表对该目标点可视。

进一步，步骤5)中，所述群体优化算法中，每个粒子的位置坐标描述了所选传感器组合的三维位置，维数是选定传感器数量的三倍。

进一步，步骤5)中，所述适应值为备选位置放光学传感器对于目标点的覆盖率。

本发明的有益效果在于：

1)本发明解决了传统的多传感器协同布站具有主观性、局限性强的问题。传统的多传感器协同布站主要是靠人为操纵传感器在不同位置对目标进行观测，然后通过观测结果人为进行主观判断，得到在该位置对目标进行观测的结果的好坏。而本发明则更具客观性，采用的通视性分析方法准确性高。

2)本发明操作简单直观，在可视化后可轻松地选择所需监视的目标建筑，各部分间的衔接紧凑，整体自动化程度高。

3)相对传统方法，本发明布站速度快，得到的结果覆盖率高。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为基于最大仰视角原理的传感器与目标间通视分析算法的流程图；

图2为射线法判断视点与判定点之间的可视性的流程图；

图3为目标建筑及其周围环境点云数据的可视化结果；

图4为观察点与目标点判断通视性示意图；

图5为粒子群算法流程图；

图6为本发明多传感器协同布站方法全程流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图6，如图6所示，本发明提供一种面向复杂环境的基于粒子群算法的多传感器协同布站方法，主要分为两个部分，即通视性分析部分与传感器位置组合优化部分。

通视性分析部分：

首先通过激光雷达等传感器采集到的点云数据文件进行数据筛选，再建立其三维坐标，实现可视化；然后利用Cloudcompare标定工具箱对可视化后的点云数据进行手动标定，选出需要监视的目标建筑并对其进行标记，以区分地理环境点与目标点；接下来规定传感器备选位置空间，并计算出每一个传感器备选位置与目标点之间的通视角，基于最大仰视角原理进行传感器备选位置与目标点之间的通视性分析。算法流程如图1所示，传统通视性算法的原理图如图2所示。

传感器位置组合优化部分：得到每一个目标点与每一个传感器备选位置两两之间的通视性后，使用基于粒子群算法设计的群体优化算法，优化传感器位置的组合，以覆盖率作为适应值，最终得到最佳的传感器布站方案。

本发明方法中，通视性分析时依据最大仰视角原理。在判断传感器备选位置和目标点是否通视时，先由目标点和传感器备选位置做一纵向剖面，得到地形环境与剖面的交点。依此计算备选位置与交点与目标点并集的仰视角，并在此过程中更新最大仰视角。若备选位置与目标点的仰视角大于此路径的最大仰视角，则判断这两点通视，反之则不通视。所述的计算仰视角，本发明通过计算得到每一个观测点和每一个地理数据信息点之间的仰视角大小，其中，由于本发明对所有数据进行了建立三维坐标，所有可以通过

得到任意两点之间的角度，能够大量减少计算量，然后将所有数据存储在一个数据库中。

如图4所示，从备选位置O到目标点F₁,沿图4中路径更新最大通视角，备选位置与目标点间仰视角∠P₁OO^′大于路径最大仰视角∠F_M+1OO′，则判断可视，并更新最大仰视角为∠P₁OO^′。

判断观察点与目标点通视性，详见表1。

表1观察点与目标点判断通视性的示意表

通视性分析的过程会生成2个.txt类型文件，分别按同一特定顺序存储传感器备选位置坐标和描述其对于每一个目标点通视性的向量，再给予所有的目标点另一特定顺序。对于后者.txt文件中的每一个向量，其维数等于前置步骤中所选目标点的个数，向量中的每一个元素都是bool类型变量，元素变量的顺序与前置步骤中给予目标点的顺序相同，元素变量值为真则代表该传感器备选位置与该目标点通视。

而在布站方案优化部分，本发明基于粒子群算法进行了算法设计，其流程图如图5所示。在本发明中的微粒都被定义为一种结构体(individual[POPSIZE])，它包括分别用于描述粒子位置和速度的高维向量、用于记录当前适应值和粒子最佳适应值的变量，2个特殊数组和1个特殊变量。POPSIZE代表粒子个数。粒子的位置是一个高维向量，其维数(DIMENSION)为3的倍数，如图6所示，每3维为一组，代表一个传感器的三维坐标，因此每个粒子位置的实际意义为一种多传感器坐标的组合。经过基于粒子群算法的群体优化算法的优化，最终可以得到最佳的传感器三维坐标组合，依此可以进行传感器步站。粒子的速度为维度数等于粒子位置向量维度数的高维向量。上文提到的2个特殊数组的功能如下：第一个数组(v_1)用于表示该粒子当前位置代表的传感器备选位置组合，其元素个数为粒子维度数的三分之一(DIMENSION/3)，元素类型为字符串。另一个数组(v_2)用于存放前一个数组中对应传感器的可视向量。其元素个数与v_1相同，且与之一一对应。特殊变量(bingji)用于记录该粒子当前位置产生的数组v_2中所有可视向量的并集，以便计算其适应值。

本发明中的适应值被设计为该粒子位置代表的传感器组合可见目标点的个数。适应值函数被设计为：首先根据当前粒子的当前位置向量，读取其代表的传感器备选位置组合，存入当前的v_1数组。下一步根据v_1数组以及前置步骤中获得的每个传感器备选位置的可视向量，获得当前的v_2数组，即当前的可视向量组合。然后对当前v_2向量中的每一个元素做并运算，将结果存入当前的bingji变量中。最后计算当前bingji中1的数量，即当前传感器组合可以监视的目标点个数，作为该粒子当前位置的适应值。最终基于粒子群算法，根据适应值可迭代出最优传感器布站方案。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于粒子群算法的多传感器协同布站方法，其特征在于，首先根据最大仰视角原理分析通视性，然后采用粒子群算法优化迭代出最佳的传感器布站方案；该方法具体包括以下步骤：

1)选取出需要观测的目标，采集周遭地理环境的点云数据，得到该地理环境中所有点的三维坐标，并将目标建筑表面的点作为目标点筛选出；

2)选定光学传感器备选位置空间，并得到所有备选位置的三维坐标；

3)计算出步骤2)中所有传感器备选位置与步骤1)中所有地理环境点之间的仰视角；

4)分析所有备选位置点与所有目标点两两间通视性；

5)根据步骤4)中得到的通视性分析结果，生成2个txt文件，分别按同一特定顺序存储传感器备选位置坐标和描述其对于每一个目标点通视性的向量，同时给予所有的目标点另一特定顺序；

6)将步骤5)生成的2个txt文件作为输入，使用基于粒子群算法设计的群体优化算法，优化传感器位置的组合，以覆盖率作为适应值，得到最佳的传感器布站方案。

2.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤1)中，数据筛选，包括数据可视化，点云标注和点云标注读取；

所述数据可视化是将已有的点云数据文件中所有点经过建立三维坐标，并以图形的方式呈现出来；

所述点云标注和点云标注读取是用于区分周围环境点和目标，借助Cloudcompare标定工具箱标定处理后的图像，通过在可视化视图中选点，建立四维矩阵，识别对应点的标记，得到地理环境中所有点的信息数据。

3.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤3)中，计算仰视角，具体包括：建立起观察点与目标点的点云数据集合后，通过矩阵与矩阵间运算取得两点及其沿线上的点的相对距离和相对高度，从而得到两点及其沿线的的仰视角，通过观测点与地理信息点的三维坐标，根据以下公式得到这两点之间的正切值，依此求出仰视角大小，

其中，z_i、z_j分别为观察点i和目标点j的高度，Δx、Δy分别为观察点i与目标点j之间在三维坐标中的x轴、y轴上的距离，θ为观察点i和目标点j之间的仰视角。

4.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤4)中，分析备选位置点与目标点两两间通视性，具体包括：选定任意一个观测点，依照最大仰视角原理，由目标点和传感器备选位置做一纵向剖面，得到地形环境与剖面的交点；根据步骤3)的计算结果由备选位置向目标点迭代更新最大仰视角，若备选位置与目标点的仰视角大于此路径的最大仰视角，则判断这两点通视，反之则不通视，依此得到所有备选位置点与所有目标点两两间通视性。

5.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤5)中，通视性分析完成后，所生成的描述其对于每一个目标点通视性的向量的每一维的可取值为0或1，0代表对该目标点不可视，1代表对该目标点可视。

6.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤5)中，所述群体优化算法中，每个粒子的位置坐标描述了所选传感器组合的三维位置，维数是选定传感器数量的三倍。

7.根据权利要求1所述的多传感器协同布站方法，其特征在于，步骤5)中，所述适应值为备选位置放光学传感器对于目标点的覆盖率。

Images