CN117095314B - 跨域多维空地环境下的目标检测与重识别方法 - Google Patents
跨域多维空地环境下的目标检测与重识别方法 Download PDFInfo
- Publication number
- CN117095314B CN117095314B CN202311055452.5A CN202311055452A CN117095314B CN 117095314 B CN117095314 B CN 117095314B CN 202311055452 A CN202311055452 A CN 202311055452A CN 117095314 B CN117095314 B CN 117095314B
- Authority
- CN
- China
- Prior art keywords
- cross
- data set
- change data
- coordinate change
- domain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 295
- 238000012544 monitoring process Methods 0.000 claims abstract description 107
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000001931 thermography Methods 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims description 37
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了跨域多维空地环境下的目标检测与重识别方法,该方法包括采集用于训练的地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像;使用变分贝叶斯自适应卡尔曼滤波模型进行数据迭代;利用边缘计算网关的人机交互控制端设置算法参数及跨域多维环境下目标物移动坐标变化数据组进行目标物移动状态变化量重识别提示;将跨域多维环境下目标物移动位置监控采集到的不同时间跨域多维环境下目标物移动位置监控数据送入跨域多维环境下目标物移动坐标变化数据组k‑means聚类算法;对监测到的跨域多维环境下目标物移动坐标变化数据组进行特征关联识别;本发明用于准确高效地监测出跨域多维环境下目标物移动位置进行有效重识别。
Description
技术领域
本发明涉及目标物检测与识别领域,具体涉及跨域多维空地环境下的目标检测与重识别方法。
背景技术
现如今,随着计算机视觉的相关理论与应用研究的快速发展,计算机视觉技术在日常生活中应用的优越性也日益突显出来。用计算机对图像进行识别是计算机从相关的视频或图像序列中提取出相应的特征,从而让计算机“理解”图像的内容,并能正确分类的技术。安防意识的提升也让人们对于公共以及个人的安全需求不断攀升,使得计算机神经网络技术在目标检测与识别等方面有了很高的应用价值。
目标检测是计算机视觉领域中的一个重要的研究课题。已经被广泛的使用在多个真实场景的应用中,如人脸识别,交通安全,人群监控和图像检索基于深度学习的实时目标检测是指在一副自然场景图片或者视频中标记出目标物体的位置以及类别。面对海量的图像视频数据,人工标记费时、低效,自动化和快速的目标识别方法是迫切需要的。
目前设置在各种设备上的识别装置主要通过两种方式进行跨域多维环境下目标物移动坐标变化数据组识别:云识别和库识别。
现有技术中存在很多需要多个独立的跨域多维环境下目标物移动坐标变化数据组监测装置进行联通的情况,大多情况是采用云监测的方式进行处理,然而云监测方式存在以上提及的问题:另外,如何快速高效地处理跨域多维环境下目标物移动坐标变化数据组监测装置彼此之间的数据关系以及如何有效管理跨域多维环境下目标物移动坐标变化数据组监测装置的数据,也是目前行业内亟需解决的一大问题。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供跨域多维空地环境下的目标检测与重识别方法。
本发明所采用的技术方案是,本发明提供的跨域多维空地环境下的目标检测与重识别方法,包括以下步骤:
S1,采集用于训练的地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像,建立变分贝叶斯自适应卡尔曼滤波模型自动追踪所述地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像中的所有跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]以得到用于训练的跨域多维环境下控制目标物形态原始测量值He;
所述建立变分贝叶斯自适应卡尔曼滤波模型自动追踪,表达式为:
其中,Uj表示约束系数,L表示自适应因子,λ表示卡尔曼滤波的增益,P(s)表示地面摄像头+无人机联合监控体系中的不变数据集,η表示数据变化因子,N(s)表示地面摄像头+无人机联合监控体系中的变化数据集,Fy表示目标物移动坐标变化数据误差,U表示张量积;
S2,利用所述跨域多维环境下控制目标物形态原始测量值He对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代;
所述变分贝叶斯自适应卡尔曼滤波模型进行数据迭代,表达式为:
其中,表示迭代后的目标物移动坐标变化数据组,Y(w)表示似然函数,/>表示目标物移动坐标变化数据组伽马分布的密度函数;
S3,利用边缘计算网关的人机交互控制端设置算法参数及跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示;
S4,获取跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息,将跨域多维环境下目标物移动位置监控采集到的不同时间跨域多维环境下目标物移动位置监控数据送入所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]k-means聚类算法,得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果;
所述k-means聚类算法,表达式为:
其中,SSE表示聚类结果用于描述检测结果的好坏,表示欧氏距离,m表示迭代次数,M表数据对象的维度示,B(p)表示聚类中心;
S5,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果送入DS证据推理算法,对监测到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行特征关联识别;
S6,监测并判断特征关联识别的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否出现突变。
优选地,对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代后,同时对变分贝叶斯自适应卡尔曼滤波模型的参数进行动态更新。
本申请还包含一种判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内是否重识别数据的方法,包括以下步骤:
计算前一时刻跨域多维环境下目标物移动位置监控数据中跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向与当前时刻跨域多维环境下目标物移动位置监控数据中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向的角度差,若所述角度差超过预设值,则判定为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别;
若判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处于重识别状态,则将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]信息中的出现突变数据利用插值法计算并处理其他跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]跨域多维环境下目标物移动位置监控数据;
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未在移动,则获取当前时间并计算跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声与设定的出现突变噪声大小预设值进行比较,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声超过出现突变噪声大小预设值,则判断为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声未超过出现突变噪声大小,则当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处理结束,继续处理其他监测跨域多维环境下目标物移动位置监控数据。
优选地,所述突变噪声大小预设值采用P⊗N的动态形式预设值来判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别数据,其中,式中字母P表示重识别目标物移动状态变化量重识别准确率,字母N表示预设值的波动区间。
优选地,若特征关联识别信息中前一时刻跨域多维环境下目标物移动位置监控数据特征关联识别到某一跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],则人机交互控制端设置一个Kv,在未达到Kv之前,并不判断所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]异常,之后利用DS证据推理算法中的概率分配函数基于前一时刻中的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差对当前时刻的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包进行预测,预测的结果作为当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包;
若下一时刻跨域多维环境下目标物移动位置监控数据监测到所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差与所述当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包匹配,则判断为监测算法错误导致的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新;
当达到Kv后,直接视为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新,人机交互控制端删除此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]特征关联识别信息;
当未达到Kv的时间段中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]重新出现,则判断为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]被短时间突变。
优选地,采集所述跨域多维环境下目标物移动位置监控数据的时间为根据监控需求进行时间长短设定,每秒采集的数据量依据控制的预设值决定。
本申请的方法通过跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件,跨域多维环境下目标物移动位置监控数据计算组件及突变控制组件实现,其中:
所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件用于对所述跨域多维环境下目标物移动位置监控数据计算组件采集到的跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息进行跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测并得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的重识别目标物移动状态变化量重识别提示及重识别目标物移动状态变化量重识别提示信息;
所述跨域多维环境下目标物移动位置监控数据计算组件用于采集跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息、设置检测区位置及对所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件得到的跨域多维环境下目标物移动位置数据,提示及重识别目标物移动位置,并控制重识别提示信息匹配特定编号后传入至所述突变控制组件;
所述突变控制组件控制到匹配好特定编号的跨域多维环境下目标物移动位置数据输出特征关联识别信息,查找每一个所述特征关联识别信息,根据所述检测区位置判断此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否位于检测区内,并再次优化特征关联识别信息,根据优化后的所述特征关联识别信息判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否应该被发出关联预警。
优选地,所述特征关联识别信息包括:跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]编号、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示时间、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否已被发出关联预警。
本发明将于变分贝叶斯自适应卡尔曼滤波模型的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测技术用于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测,该方法能从跨域多维环境下目标物移动位置监控数据中准确地监测跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],并对跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行特征关联识别,然后通过一系列跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变的逻辑判断,准确高效地监测出跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]并产生发出关联预警,从而实现跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变的智能化监管。从而大幅度地提高了工作人员的效率,同时也节约大量的人力物力;
跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件:本发明利用跨域多维环境下控制目标物形态原始测量值He对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代,保证跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测准确率。本发明同时对变分贝叶斯自适应卡尔曼滤波模型的参数进行动态更新,以保证在有限算力情况下的计算达到最优化;
跨域多维环境下目标物移动位置监控数据计算组件:本发明对监测到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行基于特征关联识别算法的特征关联识别,并维护其个体结构体,用于对跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]状态进行判断,并且设置特征关联识别失效预设值避免被突变后产生误差;
突变控制组件:本发明首先对特征关联识别到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行是否在检测区内进行判断,并提出多种对跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别数据的判断方式,通过对跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行重识别数据判断,从而避免了传统方法中重识别数据跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]误差问题。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明可方便地从边缘计算网关页面对出现突变监测算法进行设置,发出关联预警消息也可实时地显示在边缘计算网关页面中进行查看,与核心监测算法共同组成了一个跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变智能监测人机交互控制端;本发明所提的方法能有效针对地面摄像头+无人机联合监控体系中中的目标物移动位置进行有效控制,从而对目标物进行完整的检测,辅助构建出安全有效的地面摄像头+无人机联合监控体系中,对目标物信息进行有效的重识别。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明跨域多维空地环境下的目标检测与重识别方法第一流程图;
图2为本发明跨域多维空地环境下的目标检测与重识别方法第二流程图;
图3为本发明跨域多维空地环境下的目标检测与重识别方法实现组件结构图。
实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
实施例
如图1所示,跨域多维空地环境下的目标检测与重识别方法,包括以下步骤:
S1,采集用于训练的地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像,建立变分贝叶斯自适应卡尔曼滤波模型自动追踪所述地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像中的所有跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]以得到用于训练的跨域多维环境下控制目标物形态原始测量值He;
所述建立变分贝叶斯自适应卡尔曼滤波模型自动追踪,表达式为:
其中,Uj表示约束系数,L表示自适应因子,λ表示卡尔曼滤波的增益,P(s)表示地面摄像头+无人机联合监控体系中的不变数据集,η表示数据变化因子,N(s)表示地面摄像头+无人机联合监控体系中的变化数据集,Fy表示目标物移动坐标变化数据误差;
S2,利用所述跨域多维环境下控制目标物形态原始测量值He对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代;
所述变分贝叶斯自适应卡尔曼滤波模型进行数据迭代,表达式为:
其中,表示迭代后的目标物移动坐标变化数据组,Y(w)表示似然函数,/>表示目标物移动坐标变化数据组伽马分布的密度函数,U表示张量积;
S3,利用边缘计算网关的人机交互控制端设置算法参数及跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示;
S4,获取跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息,将跨域多维环境下目标物移动位置监控采集到的不同时间跨域多维环境下目标物移动位置监控数据送入所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]k-means聚类算法,得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果;
所述k-means聚类算法,表达式为:
其中,SSE表示聚类结果用于描述检测结果的好坏,表示欧氏距离,m表示迭代次数,M表数据对象的维度示,B(p)表示聚类中心;
S5,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果送入DS证据推理算法,对监测到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行特征关联识别;
S6,监测并判断特征关联识别的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否出现突变。
对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代后,同时对变分贝叶斯自适应卡尔曼滤波模型的参数进行动态更新。
在利用变分贝叶斯自适应卡尔曼滤波模型进行追踪时,初始向量建立的表达式为:
式中:是追踪目标物的x轴坐标,/>是其y轴坐标,/>为x方向的形态,/>为y方向的形态,k表示当前时刻,T表示矩阵的转置运算。
追踪目标物的状态方程可表示为
式中:Wk-1为噪声向量;Fk|k-1为状态转移矩阵;
测量的目标当前位置向量Zk与状态向量Xk的关系为:
式中:Zk=[xk,yk]T,Vk是测量噪声向量,Hk为测量转移矩阵。
噪声向量Wk-1和Vk都服从高斯分布,且满足以下统计特性:
式中:Qk为Wk的协方差矩阵,Rk为Vk的协方差矩阵。
DS证据推理算法,推断流程为:
1.计算目标物移动坐标变化数据组Fr=[A1,A2,...,An]的相似性向量,从而可以计算出各相似性向量的范数集合;
2.识别框架是已知模板库中经过预匹配得到的样本,找出与评判对象有关的基本因素集,对于每一个因素给出一个信任测度,即获取一条证据,在Bayes信任结构下,可以给出信任函数BEL(A)
3.根据DS证据组合公式,即相似性向量范数进行两两组合,即可得到特征关联识别结果。
实施例
如图2所示,本申请还包含一种判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内是否重识别数据的方法,包括以下步骤:
计算前一时刻跨域多维环境下目标物移动位置监控数据中跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向与当前时刻跨域多维环境下目标物移动位置监控数据中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向的角度差,若所述角度差超过预设值,则判定为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别;
若判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处于重识别状态,则将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]信息中的出现突变数据利用插值法计算并处理其他跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]跨域多维环境下目标物移动位置监控数据;
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未在移动,则获取当前时间并计算跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声与设定的出现突变噪声大小预设值进行比较,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声超过出现突变噪声大小预设值,则判断为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声未超过出现突变噪声大小,则当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处理结束,继续处理其他监测跨域多维环境下目标物移动位置监控数据。
突变噪声大小预设值采用P⊗N的动态形式预设值来判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别数据,其中,式中字母P表示重识别目标物移动状态变化量重识别准确率,字母N表示预设值的波动区间。
若特征关联识别信息中前一时刻跨域多维环境下目标物移动位置监控数据特征关联识别到某一跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],而当前时刻中最佳参数未寻找到所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]时,则人机交互控制端设置一个Kv,在未达到Kv之前,并不判断所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]异常,之后利用DS证据推理算法中的概率分配函数基于前一时刻中的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差对当前时刻的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包进行预测,预测的结果作为当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包;
若下一时刻跨域多维环境下目标物移动位置监控数据监测到所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差与所述当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包匹配,则判断为监测算法错误导致的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新;
当达到Kv后,直接视为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新,人机交互控制端删除此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]特征关联识别信息;
当未达到Kv的时间段中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]重新出现,则判断为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]被短时间突变。
采集所述跨域多维环境下目标物移动位置监控数据的时间为根据监控需求进行时间长短设定,每秒采集的数据量依据控制的预设值决定。
实施例
如图3所示,本申请的跨域多维空地环境下的目标检测与重识别方法包括:
跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件,首先基于实际场景采集用于训练的数据,得到数据之后,经过建立变分贝叶斯自适应卡尔曼滤波模型自动追踪地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像中的所有跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],得到用于训练的跨域多维环境下控制目标物形态原始测量值He。
为更好的保证训练效果,本发明可通过对训练跨域多维环境下控制目标物形态原始测量值He采用多传感器共同采集的方式使得训练数据量大大增加。
然后通过训练跨域多维环境下控制目标物形态原始测量值He对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代,以确保模型的准确性。
跨域多维环境下目标物移动位置监控数据计算组件,首先,本发明的智能监测人机交互控制端利用边缘计算网关的人机交互控制端设置算法参数,边缘计算网关页面实时显示要设置跨域多维环境下目标物移动位置监控的画面,用户可通过鼠标在画面中绘制跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示,当用户绘制完毕后,算法的设置将通过网络发送至算法服务器。
算法控制到设置之后,会根据指定的预设周期控制量流地址拉取设置跨域多维环境下目标物移动位置监控的实时数据,将得到的不同时间跨域多维环境下目标物移动位置监控数据送入训练好的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]k-means聚类算法,得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果。
然后将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果送入DS证据推理算法,对监测到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行特征关联识别。
特征关联识别的好处是将时间序列上的同一跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行匹配并赋予同一编号,避免了连续监测到同一目标物移动位置连续关联预警的问题。
突变控制组件,根据跨域多维环境下目标物移动位置监控数据计算组件的特征关联识别器特征关联识别信息,遍历所有特征关联识别到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],若为新特征关联识别到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],则对其信息进行初始化;
若之前人机交互控制端已特征关联识别到此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],当前时刻又特征关联识别到此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],则首先判断其是否位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,采用跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示时间和频率和重识别目标物移动状态变化量重识别关联预警判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否处于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示。
具体方法为:首先获取重识别目标物移动状态变化量重识别提示的时间和频率和重识别目标物移动状态变化量重识别关联预警;
若时间与频率均在跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变;
若只有部分数据位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,则判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]地点是否位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,若位于,则判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变;其余均视为不存在出现突变。
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,则当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处理结束,继续处理其他监测跨域多维环境下目标物移动位置监控数据,当所有跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]遍历完成之后,则当前时刻处理结束,继续获取下一时刻。
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]位于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内,本发明采用一种判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否重识别数据的方法,来避免跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]在很大的一片跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内由于堵车或其他原因缓慢行驶的过程中一直处于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示内而被误认为出现突变而关联预警的问题。
具体方法为:
(1)计算前一时刻跨域多维环境下目标物移动位置监控数据中此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向与当前时刻的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]移动方向计算角度差,若此角度差超过一定预设值,则判定为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要进行重识别;
(2)由于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]角度差跨域多维环境下目标物移动位置监控角度差不同,从而在跨域多维环境下目标物移动位置监控数据中角度差跨域多维环境下目标物移动位置监控远近不同的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测出的数据来源会存在很大差异。
因此,利用单一的预设值作为判定条件,会造成对不同远近跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]判断重识别数据标准不同的情况。
本发明提出利用动态预设值=P⊗N形式来判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否重识别数据;
设立动态预设值的效果为,当重识别目标物移动状态变化量重识别提示较大时,对应的角度差预设值越大,当重识别目标物移动状态变化量重识别提示较小时,对应的角度差预设值越小,从而使得在角度差跨域多维环境下目标物移动位置监控不同远近的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行重识别判断时更精确。
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]在重识别,则将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]信息中的出现突变数据利用插值法计算,继续处理其他监测跨域多维环境下目标物移动位置监控数据;
若跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未在重识别,则获取当前时间并计算跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声,将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声与出现突变噪声大小预设值进行比较,若超过出现突变噪声大小预设值,则判断为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变,通过网络将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]信息发送至边缘计算网关,边缘计算网关控制到发出关联预警消息后,在页面会显示发出关联预警信息;若没有超过出现突变噪声大小,则当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处理结束,继续处理其他监测跨域多维环境下目标物移动位置监控数据。
若特征关联识别信息中前一时刻特征关联识别到某一目标物移动位置,当前时刻中最佳参数未寻找到,此时会出现以下3种情况:
A、监测算法错误未检到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An];
B、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]超出范围;
C、存在突变,其他物体将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]突变导致监测算法无法监测到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]。
针对上述情况,本发明处理的具体方法为:结合以上三种可能出现的情况,设置一个Kv,在未达到Kv之前,并不判断此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]异常。利用DS证据推理算法中的概率分配函数基于前一时刻的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差对其当前时刻的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包进行预测,预测的结果作为当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包,但特征关联识别状态依然为最佳参数未寻找到。
情况A,若为监测算法错误未检到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],则当下一时刻监测到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包时,特征关联识别算法得到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包会与当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包匹配,避免了由于监测算法不稳定而导致的重复关联预警问题;
情况B,当达到Kv后,算法视为当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新,删除此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]特征关联识别信息;
情况C,若为短时间突变,在跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]重新出现后特征关联识别算法依然能基于之前的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包与突变后的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包匹配,监测为同一跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],避免了重复关联预警的问题。
Kv建议设置为采集跨域多维环境下目标物移动位置监控数据的时间根据监控需求进行时间长短设定,每秒采集的数据量依据控制的预设值决定。
具体的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件、跨域多维环境下目标物移动位置监控数据计算组件及突变控制组件之间通过以下内容通信:
跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件经过训练、加速之后生成一个模型文件;
跨域多维环境下目标物移动位置监控数据计算组件首先通过网络通信获取边缘计算网关设置;其中边缘计算网关设置具体包括:跨域多维环境下目标物移动位置监控基站地址、检测区位置;
设置完成后跨域多维环境下目标物移动位置监控数据计算组件加载跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件的模型文件对跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息进行跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测并得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的重识别目标物移动状态变化量重识别提示及重识别目标物移动状态变化量重识别提示信息;
再将重识别目标物移动状态变化量重识别提示送入DS证据推理算法,为每个重识别目标物移动状态变化量重识别提示匹配特定编号后传入突变控制组件得到特征关联识别信息,其中,特征关联识别信息包括跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]编号、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示时间、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否已被发出关联预警;
突变控制组件遍历每一个特征关联识别信息,根据检测区位置判断此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否位于检测区内,并优化特征关联识别信息,并根据特征关联识别信息判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否应该发出关联预警。
在本发明描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (7)
1.跨域多维空地环境下的目标检测与重识别方法,其特征在于,包括以下步骤:
步骤S1,采集用于训练的地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像,建立变分贝叶斯自适应卡尔曼滤波模型以自动追踪所述地面摄像头+无人机联合监控体系中不同自然光照强度的可见光与热成像图像中的所有跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],得到用于训练的跨域多维环境下控制目标物形态原始测量值He;
所述建立变分贝叶斯自适应卡尔曼滤波模型,表达式为:
其中,Uj表示约束系数,L表示自适应因子,λ表示卡尔曼滤波的增益,P(s)表示地面摄像头+无人机联合监控体系中的不变数据集,η表示数据变化因子,N(s)表示地面摄像头+无人机联合监控体系中的变化数据集,Fy表示目标物移动坐标变化数据误差,表示张量积;
步骤S2,利用所述跨域多维环境下控制目标物形态原始测量值He对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代;
所述变分贝叶斯自适应卡尔曼滤波模型进行数据迭代,表达式为:
其中,表示迭代后的目标物移动坐标变化数据组,Y(w)表示似然函数,/>表示目标物移动坐标变化数据组伽马分布的密度函数;
步骤S3,利用边缘计算网关的人机交互控制端设置算法参数及跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示;
步骤S4,获取跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息,将跨域多维环境下目标物移动位置监控采集到的不同时间跨域多维环境下目标物移动位置监控数据送入所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]k-means聚类算法,得到跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果;
所述k-means聚类算法,表达式为:
其中,SSE表示聚类结果用于描述检测结果的好坏,表示欧氏距离,m表示迭代次数,M表示数据对象的维度,B(p)表示聚类中心;
步骤S5,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]检测结果送入DS证据推理算法,对监测到的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行特征关联识别;
步骤S6,监测并判断特征关联识别的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否出现突变。
2.根据权利要求1所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:对基于跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]计算过程建立变分贝叶斯自适应卡尔曼滤波模型进行数据迭代后,同时对变分贝叶斯自适应卡尔曼滤波模型的参数进行动态更新。
3.根据权利要求1所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:
计算前一时刻跨域多维环境下目标物移动位置监控数据中跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向与当前时刻跨域多维环境下目标物移动位置监控数据中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]的移动方向的角度差,若所述角度差超过预设值,则判定为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]需要重识别;
若判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处于重识别状态,则将跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]信息中的出现突变数据利用插值法计算并处理其他跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]跨域多维环境下目标物移动位置监控数据;
若跨域多维环境下目标物移动位置数据未在移动,则获取当前时间并计算跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声,将所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声与设定的出现突变噪声大小预设值进行比较,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声超过出现突变噪声大小预设值,则判断为跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]出现突变,若所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]观测噪声未超过出现突变噪声大小,则当前跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]处理结束,继续处理其他监测跨域多维环境下目标物移动位置监控数据。
4.根据权利要求3所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:若特征关联识别信息中前一时刻跨域多维环境下目标物移动位置监控数据特征关联识别到某一跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An],而当前时刻中最佳参数未寻找到所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]时,则人机交互控制端设置一个Kv,在最佳参数未达到Kv之前,并不判断所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]异常,之后利用DS证据推理算法中的概率分配函数基于前一时刻中的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差对当前时刻的所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包进行预测,预测的结果作为当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包。
5.根据权利要求3所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:若下一时刻跨域多维环境下目标物移动位置监控数据监测到所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]数据包方差与所述当前时刻跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]包匹配,则判断为监测算法错误导致的跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新;当达到Kv后,直接视为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]未更新,人机交互控制端删除此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]特征关联识别信息;当未达到Kv的时间段中所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]重新出现,则判断为所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]被短时间突变,采集所述跨域多维环境下目标物移动位置监控数据的时间为根据监控需求进行时间长短设定,每秒采集的数据量依据控制的预设值决定。
6.根据权利要求1所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:该方法通过跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件,跨域多维环境下目标物移动位置监控数据计算组件及突变控制组件实现,
所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件用于对所述跨域多维环境下目标物移动位置监控数据计算组件采集到的跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息进行跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]监测并得到目标物移动状态变化量重识别提示信息;
所述跨域多维环境下目标物移动位置监控数据计算组件用于采集跨域多维环境下目标物移动位置监控数据及预设周期状态变化信息、设置检测区位置及对所述跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]模型监测组件得到的跨域多维环境下目标物移动位置数据,提示及重识别目标物移动位置,并控制重识别提示信息匹配特定编号后传入至所述突变控制组件;
所述突变控制组件用于控制到匹配好特定编号的跨域多维环境下目标物移动位置数据输出特征关联识别信息,查找每一个所述特征关联识别信息,根据所述检测区位置判断此跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否位于检测区内,并再次优化特征关联识别信息,根据优化后的所述特征关联识别信息判断跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否应该被发出关联预警。
7.根据权利要求6所述的跨域多维空地环境下的目标检测与重识别方法,其特征在于:所述特征关联识别信息包括:跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]编号、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进入跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]进行目标物移动状态变化量重识别提示时间、跨域多维环境下目标物移动坐标变化数据组Fr=[A1,A2,...,An]是否已被发出关联预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055452.5A CN117095314B (zh) | 2023-08-22 | 2023-08-22 | 跨域多维空地环境下的目标检测与重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055452.5A CN117095314B (zh) | 2023-08-22 | 2023-08-22 | 跨域多维空地环境下的目标检测与重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095314A CN117095314A (zh) | 2023-11-21 |
CN117095314B true CN117095314B (zh) | 2024-03-26 |
Family
ID=88774588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055452.5A Active CN117095314B (zh) | 2023-08-22 | 2023-08-22 | 跨域多维空地环境下的目标检测与重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095314B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411463B (zh) * | 2023-12-15 | 2024-02-20 | 南京群顶科技股份有限公司 | 一种面向边缘计算网关数据采集自适应滤波方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644432A (zh) * | 2017-08-28 | 2018-01-30 | 浙江工业大学 | 基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN111178385A (zh) * | 2019-12-02 | 2020-05-19 | 江苏大学 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
CN113420679A (zh) * | 2021-06-26 | 2021-09-21 | 南京搜文信息技术有限公司 | 一种人工智能跨相机多目标追踪系统及追踪算法 |
CN115205559A (zh) * | 2022-06-29 | 2022-10-18 | 同济大学 | 一种跨域车辆重识别及连续轨迹构建方法 |
CN115359373A (zh) * | 2022-08-01 | 2022-11-18 | 南京航空航天大学 | 一种无人机视角下多目标车辆旋转框跟踪方法 |
CN115457510A (zh) * | 2022-09-28 | 2022-12-09 | 上海机动车检测认证技术研究中心有限公司 | 一种基于变分贝叶斯的自适应协同目标跟踪方法 |
CN115943439A (zh) * | 2021-03-01 | 2023-04-07 | 杜豫川 | 一种基于雷视融合的多目标车辆检测及重识别方法 |
CN115981148A (zh) * | 2022-12-07 | 2023-04-18 | 哈尔滨工业大学 | 无人机地面移动目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9823344B2 (en) * | 2014-12-08 | 2017-11-21 | Northrop Grumman Systems Corporation | Feature-based tracking of moving objects |
-
2023
- 2023-08-22 CN CN202311055452.5A patent/CN117095314B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644432A (zh) * | 2017-08-28 | 2018-01-30 | 浙江工业大学 | 基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN111178385A (zh) * | 2019-12-02 | 2020-05-19 | 江苏大学 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
CN115943439A (zh) * | 2021-03-01 | 2023-04-07 | 杜豫川 | 一种基于雷视融合的多目标车辆检测及重识别方法 |
CN113420679A (zh) * | 2021-06-26 | 2021-09-21 | 南京搜文信息技术有限公司 | 一种人工智能跨相机多目标追踪系统及追踪算法 |
CN115205559A (zh) * | 2022-06-29 | 2022-10-18 | 同济大学 | 一种跨域车辆重识别及连续轨迹构建方法 |
CN115359373A (zh) * | 2022-08-01 | 2022-11-18 | 南京航空航天大学 | 一种无人机视角下多目标车辆旋转框跟踪方法 |
CN115457510A (zh) * | 2022-09-28 | 2022-12-09 | 上海机动车检测认证技术研究中心有限公司 | 一种基于变分贝叶斯的自适应协同目标跟踪方法 |
CN115981148A (zh) * | 2022-12-07 | 2023-04-18 | 哈尔滨工业大学 | 无人机地面移动目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
Distributed Target Tracking Method Based on Variational Bayesian with Systematic Biases;Y. Jin, et al.;2022 IEEE International Conference on Signal Processing, Communications and Computing;20221223;1-6 * |
Y. Huang,et al..A Novel Adaptive Kalman Filter With Inaccurate Process and Measurement Noise Covariance Matrices.IEEE Transactions on Automatic Control.2017,594-601. * |
压缩量测域中的雷达目标检测与跟踪方法研究;冯奇;《中国优秀博士学位论文全文数据库-信息科技辑》;20211115;62-68 * |
Also Published As
Publication number | Publication date |
---|---|
CN117095314A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111127513B (zh) | 一种多目标跟踪方法 | |
CN108446630B (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
CN107909600B (zh) | 一种基于视觉的无人机实时运动目标分类与检测方法 | |
CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
CN112836640B (zh) | 一种单摄像头多目标行人跟踪方法 | |
CN113011367A (zh) | 一种基于目标轨迹的异常行为分析方法 | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
CN117095314B (zh) | 跨域多维空地环境下的目标检测与重识别方法 | |
CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
CN112465401A (zh) | 基于多维信息融合的电力作业安全管控系统及其管控方法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
CN111353448A (zh) | 基于相关性聚类和时空约束的行人多目标跟踪方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN112616023A (zh) | 复杂环境下的多摄像机视频目标追踪方法 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
Hu et al. | Modeling and recognition of steel-plate surface defects based on a new backward boosting algorithm | |
CN116665390A (zh) | 基于边缘计算及优化YOLOv5的火灾检测系统 | |
CN104463909A (zh) | 基于信度组合地图模型的视觉目标跟踪方法 | |
CN114972737A (zh) | 基于原型对比学习的遥感图像目标检测系统及方法 | |
CN114923491A (zh) | 一种基于特征融合和距离融合的三维多目标在线跟踪方法 | |
CN111860097A (zh) | 一种基于模糊理论的异常行为检测方法 | |
CN116342857A (zh) | 一种基于类别修正的弱监督目标定位方法 |
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 |