CN117744027B - 基于大规模多态信息的融合方法、服务器及存储介质 - Google Patents

Abstract

本申请公开了一种基于大规模多态信息的融合方法，服务器及存储介质，属于兵棋推演领域，包括如下步骤：步骤1：将当前战场范围进行划分形成若干网格；步骤2：实时获取推演模型生成的态势数据，并将之与各个网格进行对应，对每个所述态势数据设置若干层次细节模型，并为每个所述层次细节模型设置视觉变量；步骤3：根据当前可视化区域对相应的网格内态势数据的相应的层次细节模型进行加载，并根据当前比例尺对所述层次细节模型的视觉变量进行调整，实现对态势数据的显示。采用本方法能够降低各类态势数据的显示数量，保证兵棋推演人员能够有效观察关键信息，提高决策效率。

Description

基于大规模多态信息的融合方法、服务器及存储介质

技术领域

本申请属于兵棋推演领域，特别涉及一种基于大规模多态信息的融合方法、服务器及存储介质。

背景技术

在兵棋仿真领域，基于陆战、海战、空战、电子战、网络战、天战等不同作战分域的联合作战，汇聚了大量的各类作战实体。随着现代化仿真兵棋技术发展，联合作战兵棋推演仿真中，数据的多态性也表现得淋漓尽致，棋子态势数据、事件态势数据、标绘态势数据、数据态势数据，显示出了海量、异构、多源等大数据特点。

这种多种态势数据并存的状态，不光对性能要求越来越高，同时也对作战态势认知提出了更高的要求。大规模的多态数据，使作战态势中的图幅信息容量大幅提升，信息的承载能力呈几何级别的增加。故基于大规模多态信息数据时，需要便于人的理解、增强对态势的认知水平方法。

兵棋作战态势是确保兵棋对抗参演人员对战场态势理解认知一致性的基础，是基于网络信息体系支撑参演人员把握全局、破网断链、体系对抗及联合制胜的手段，是实现联合情报精准保障的重要保证。作战态势的视觉展现，需要基于相同态势，针对不同用户从不同角度和层级去提供态势信息展示。即根据需要，使所有参演方都能够实时和精确地抓住整个战场中的重要信息。

在现有的兵棋推演系统中，针对大量态势数据的展现往往是机械式的直接展示，在兵棋系统中事件突发时，大量目标开始涌现，传统的显示方式导致棋子拥挤、叠加，视觉上造成混乱，使兵棋推演人员无法有效抓住关键信息，导致决策延迟，直接影响战局走向。

因此，亟需一种针对大规模多态信息融合的技术方案，能够解决上述问题。

发明内容

为了解决所述现有技术的不足，本申请提供了一种基于大规模多态信息的融合方法。该方法针对推演人员的关注点不同，不同推演人员对兵棋态势、事件态势、标绘态势、数据态势的关注要求不一样，对大规模多态数据进行分类，按需进行过滤显示，隐藏不关注的信息，从而降低各类态势数据的显示数量，保证兵棋推演人员能够有效观察关键信息，提高决策效率。

本申请所要达到的技术效果通过以下方案实现：

根据本申请的第一方面，提供一种基于大规模多态信息的融合方法，包括如下步骤：

步骤1：将当前战场范围进行划分形成若干网格；

步骤2：实时获取推演模型生成的态势数据，并将之与各个网格进行对应，对每个所述态势数据设置若干层次细节模型，并为每个所述层次细节模型设置视觉变量；

步骤3：根据当前可视化区域对相应的网格内态势数据的相应的层次细节模型进行加载，并根据当前比例尺对所述层次细节模型的视觉变量进行调整，实现对态势数据的显示。

优选地，在步骤1中，将当前战场范围进行划分形成若干网格具体为：根据当前战场范围，按照经纬度进行划分，使每个网格跨单位经度，跨单位纬度。

优选地，所述态势数据至少包括：兵棋态势数据、事件态势数据、标绘态势数据以及数据态势数据；所述视觉变量至少包括：态势数据的大小、态势数据的透明度以及态势数据标牌的详略。

优选地，在步骤2中，对每个所述态势数据设置若干层次细节模型具体为：将视点与网格之间的虚拟距离分割为若干层级，在每个层级上关联相应的层次细节模型；距离视点越近，所述层次细节模型上的信息越丰富。

优选地，在步骤3中，所述虚拟距离变化导致需要进行层次细节模型的切换时，对所述层次细节模型的透明度进行改变，实现淡入淡出的效果，所述棋子透明度根据如下公式进行调整：

；

其中，A₁代表当前层次细节模型的高度常数，B₁代表比例尺调整常数；x代表比例尺，c为该比例尺下层次细节模型的透明度变量，当比例尺增加，透明度增加。

优选地，在步骤3中，针对不同的关注模式设置有与之对应的预设比例尺，与所述预设比例尺对应设置预设的视觉变量，显示时根据所述预设比例尺对所述层次细节模型加载相应所述预设的视觉变量。

优选地，所述预设的视觉变量至少包括态势数据中棋子形状、棋子大小、棋子方位、棋子像素以及棋子透明度；

其中：针对所述棋子大小，采用如下自适应模型公式进行调整：

；

式中：x_i为比例尺，y_i为该比例尺下的棋子的大小，a和b为视觉参数，满足上述公式的最小值；

针对所述棋子像素，根据如下公式进行调整：

；

上述公式中，A₂代表当前层次细节模型的高度常数，B₂代表比例尺调整常数；x代表比例尺，d为该比例尺下棋子相应的棋子像素变量，当比例尺增加，像素增加。

优选地，针对所述棋子大小，通过最小二乘拟合法建立棋子大小的参数调整差值公式具体为：

设置n对线性相关的样本数据(x₁,y₁),(x₂,y₂)，...,(x_n,y_n)，其中x₁到x_n对应不同比例尺，y₁到y_n对应该比例尺下棋子的大小；

设置拟合函数：y = ax + b，其中x对应比例尺，y对应该比例尺下棋子的大小，a和b为视觉参数，使得其满足以下公式的最小值：

；

对上述式子进行整理可得：

;/>，设/>为这n个数据x_i的平均值，/>为这n个数据y_i的平均值；其中，/>, />;

所以求最小值的式子变成：

；

取最小值是b在对称轴，/>最后算出的视觉参数a和b的值:

;/>。

根据本申请第二方面，提供一种服务器，包括：存储器和至少一个处理器；

所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述基于大规模多态信息的融合方法。

根据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述基于大规模多态信息的融合方法。

根据本申请的一个实施例，采用本基于大规模多态信息的融合方法的有益效果在于：通过重点目标突出显示、次要目标淡化显示，较好地改善了兵棋综合态势中目标涌现时的拥挤混乱视觉难题，极大地加快了兵棋系统中军事作战决策进程；

通过将指挥人员更加关注的棋子以较大的尺寸、较高的不透明度进行态势展示，从而让指挥人员更直观地了解作战态势重点和要点，并且提供辅助信息帮助指挥人员快速了解态势的关联信息，形成帮助信息，从而为指挥人员提供更深入的理解和洞察。

附图说明

为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例中一种基于大规模多态信息的融合方法的流程图；

图2为本申请一实施例中一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请一实施例中的基于大规模多态信息的融合方法，包括如下步骤：

步骤1：将当前战场范围进行划分形成若干网格；

在该步骤中，将当前战场范围进行划分形成若干网格具体为：根据当前战场范围，按照经纬度进行划分，使每个网格跨经度1度，跨纬度1度。加载态势数据的过程中，根据当前可视区域包含的网格范围进行加载，保证数据的最小化和精准化，提高加载速度。

对网格的划分可以是嵌套型的，例如在大网格中再次细分呈若干小网格，若当前可视化区域大于大网格的面积则仅考虑大网格的展示数量，即仅将当前可视化区域内能够显示的所有大网格进行展示；如果当前可视化区域小于大网格的面积，则仅计算当前大网格内的小网格落入当前可视化区域的数量并进行展示；如果当前可视化区域小于大网格的面积且位于两个或多个相邻的大网格之间，则仅显示落入当前可视化区域的小网格的信息。

步骤2：实时获取推演模型生成的态势数据，并将之与各个网格进行对应，对每个态势数据设置若干层次细节模型，并为每个层次细节模型设置视觉变量；

其中，态势数据至少包括：兵棋态势数据、事件态势数据、标绘态势数据以及数据态势数据；视觉变量至少包括：态势数据的大小、态势数据的透明度以及态势数据标牌的详略。

态势数据标牌中记载了棋子的详细信息，标牌的模式包括不同的详略模式，每个模式对应一个或多个比例尺下的层次细节模型，支持通过自动算法或手动进行切换，例如在自动模式下，根据视界的大小或地图的比例尺的变化等进行不同模式标牌的切换，以保证不同信息量的加载，使人眼捕捉到更加重要的信息，不会造成信息杂乱导致的重要信息丢失。在手动模式下，对于需要显示的详略内容可以选择固定，不会随比例尺的大小而发生改变，从而保证使用者能够在任何情况下得知该棋子所需的详细信息。

对每个态势数据设置若干层次细节模型具体为：将视点与网格之间的虚拟距离分割为若干层级，在每个层级上关联相应的层次细节模型；距离视点越近，层次细节模型上的信息越丰富。具体的：

在网格内部，选取层次细节模型的方法是将态势数据的不同层次细节模型与不同距离联系起来。距离视点最近的层次细节模型LOD0的距离从0到用户定义值r1之间，下级层次的层次细节模型LOD1的距离位于r1~r2之间 ，再下级的LOD2的距离位于r2~r3之间，LOD3是一个空物体，也就是当物体大于r3时，就不渲染任何层次细节模型，因为层次细节模型对图像的贡献度不够。

通过该设置，当视点离物体近时，能观察到的层次细节模型中的信息更丰富；视点远离模型时，观察到的层次细节模型逐渐模糊。系统绘图程序根据一定的判断条件，选择相应的层次细节模型进行显示，从而避免了因绘制那些意义相对不大的层次细节模型而造成的时间浪费，同时有效地协调了画面连续性与层次细节模型分辨率的关系。在兵棋系统中，在区域内按照棋子（态势数据）距离视点的距离进行分层，距离视点近的层次较高，反之层次逐步降低。

步骤3：根据当前可视化区域对相应的网格内态势数据的相应的层次细节模型进行加载，并根据当前比例尺对层次细节模型的视觉变量进行调整，实现对态势数据的显示。

在该步骤中，根据当前可视范围计算对应的区域，即包含的网格，按网格进行加载，只加载当前可视范围内网格的数据，从而减小数据加载量，提高系统运行速度，从而保证了态势数据的加载速度。

虚拟距离变化导致需要进行层次细节模型的切换时，对层次细节模型的透明度进行改变，实现淡入淡出的效果，具体的：

为了优化层次细节模型分层渲染过程中，从一个层次细节模型切换到另一个层次细节模型的时候产生的突跃现象，针对不同层级的层次细节模型，通过调整显示时的透明度参数，有效地解决了棋子在跨层次细节模型层级时候的突跃问题。

在本方法中，对同一态势数据的当前分层中只有一个层次细节模型，随着层次细节模型选取度量值(如与物体之间的距离)的增大，物体整体透明度也随之增大(也就是alpha值减少)，完全透明时，物体最终就会消失。保证了层次细节模型的连续显示，避免突跃现象。此外，由于层次细节模型最终会完全消失而不需要进行渲染，可以得到更好的加速效果。

在该步骤中，为了快速直观地显示各种模式下的地图及态势数据，预设不同模式下的比例尺自适应方法，预设模式主要有关注不同参演方模式、关注热点地域模式、关注重要事件模式、关注全局态势模式等，针对参演方选择的不同预设模式，能够自适应比例尺到最合适的范围，主要实现原理如下：以预设模式为关注不同参演方模式为例，当关注参演方为红方时，能够根据红方的所有棋子位置，自动推算出红方部署范围，根据该范围适配出一个合适的比例尺。即针对不同的关注模式设置有与之对应的预设比例尺。

该方法中，首先选择GIS常用比例尺为重要基准。基准比例尺主要设计为以下几种（本实施例的基准比例尺不限于下述比例尺）：世界级比例尺：1:100000；国家级比例尺：1:10000；区域级比例尺：1：500；重点区域级比例尺：1：100。

为了根据预设比例尺自动调整态势数据的显示，与预设比例尺对应设置预设的视觉变量，显示时根据预设比例尺对层次细节模型加载相应预设的视觉变量。

预设的视觉变量至少包括态势数据中棋子形状、棋子大小、棋子方位、棋子像素以及棋子透明度；不同的视觉变量及其组合给人的视觉感受是不一样的，需要基于地图的比例尺进行自适应设置。针对标绘和注记的显隐，还可进行棋子展示尺寸的自动调节。其中：针对棋子形状的调整中，棋子形状遵循中华人民共和国国家军用标准，当比例尺缩小，底层的棋子形状用简略轮廓代替棋子。

针对棋子方位的调整为：地图角度变化时，棋子的方位随之改变（地图和棋子的相对方位保持一定）。

针对棋子大小，采用如下自适应模型公式进行调整：

其中：针对所述棋子大小，采用如下自适应模型公式进行调整：

；

式中：x_i为比例尺，y_i为该比例尺下的棋子的大小，a和b为视觉参数，满足上述公式的最小值；

针对所述棋子像素，根据如下公式进行调整：

；

上述公式中，A₂代表当前层次细节模型的高度常数，B₂代表比例尺调整常数；x代表比例尺，y为该比例尺下棋子相应的棋子像素变量，当比例尺增加，像素增加。

针对棋子的透明度，根据如下公式进行调整：

；

其中，A₁代表当前层次细节模型的高度常数，B₁代表比例尺调整常数；x代表比例尺，y为该比例尺下层次细节模型的透明度变量，当比例尺增加，透明度增加。

上述公式中系数由用户根据层次细节模型对应的高度、部队级别、棋子类型、棋子的重要程度以及模型的权重进行设置，初始默认参数内置在系统中，例如：

针对所述棋子透明度，根据如下公式进行调整：

；

针对所述棋子像素，根据如下公式进行调整：

；

其中的棋子重要度或者模型显示权重，可以是系统默认值，也可以是人为设定的特定值。

通过对上述棋子或模型的大小、透明度以及像素的调整，使棋子或模型的变化效果更加线性，显示效果更加细腻，保证在态势数据的数量较多时能够降低态势数据的显示体量，减小渲染时所需的计算资源，从而进一步提高系统的流畅度，有助于改善用户的使用体验。

为了实现兵棋棋子的大小随地图比例尺变换的自适应效果，本系统采用最小二乘法进行拟合，通过最小二乘法，推算出各比例尺下的棋子大小参数，运用到最终的棋子显示上，实现在不同比例尺下棋子的缩放显示，下面是最小二乘法拟合的具体实现步骤：

设置n对线性相关的样本数据(x₁,y₁),(x₂,y₂)，...,(x_n,y_n)，其中x₁到x_n对应不同比例尺，y₁到y_n对应该比例尺下棋子的大小；

设置拟合函数：y = ax + b，其中x对应比例尺，y对应该比例尺下棋子的大小，a和b为视觉参数，使得其满足以下公式的最小值：

；

对上述式子进行整理可得：

;/>，设/>为这n个数据x_i的平均值，/>为这n个数据y_i的平均值；其中，/>,;

所以求最小值的式子变成：

；

取最小值是b在对称轴，/>;

最后算出的视觉参数a和b的值:

;/>。

得到视觉参数a、b的值后，代入中计算出棋子大小，实现棋子的缩放展示。

根据本申请第二方面，提供一种服务器，包括：存储器201和至少一个处理器202；

存储器201存储计算机程序，至少一个处理器202执行存储器201存储的计算机程序，以实现上述基于大规模多态信息的融合方法。

根据本申请的第三方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被执行时实现上述基于大规模多态信息的融合方法。

根据本申请的第四方面，提供一种兵棋推演系统，具体工作流程如下所示：

推演模型生成更新的态势数据后，将态势数据输出到分布式业务分发中间件。分布式业务分发中间件为后续的兵棋推演和态势展现提供态势数据分发服务。可视化前端接收来自分布式业务分发中间件推送的兵棋态势数据、事件态势数据、标绘态势数据、数据态势数据等，进行本地缓存。

可视化前端根据态势数据的种类、棋子重要度、模型显示权重、地图比例尺等信息进行数据加载，根据当前显示区域推算出待显示的态势数据，提前加载到内存中，然后通过步骤1至步骤3的方法，对态势数据进行显示，大大减少待显示的数据，提高数据处理和显示效率。

其中的棋子重要度或者模型显示权重，可以是系统默认值，也可以是人为设定的特定值。在系统默认情况下，根据不同的作战任务下，对不同的棋子分别设置不同的权重，例如在该场战役中较为重要的棋子或者模型，设置较高的权重，对于一些仅起到辅助作用的棋子或模型设置较低的权重，根据该权重对棋子或模型的透明度、大小、分辨率等的初始默认参数进行调整。

该步骤中，也可以对展示信息进行权重的设置，即不同态势数据标牌的权重进行设置，例如当前弹药量设置最高的权重，则在态势展示过程中对每个作战单位的当前弹药量均进行展示，以方便指挥人员随时掌握各作战单位的最重要的信息，根据战场态势的变化及时调整作战方案。

人为可以对上述权重值进行修改，以对不同用户的不同侧重点进行展示，比如红方的总指挥人员以及下属的不同层级的指挥人员，所关注的信息重要度不同。

根据本申请的第五方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时能够实现上述基于大规模多态信息的融合方法的各个步骤。

根据本申请的一个实施例，采用本基于大规模多态信息的融合方法的有益效果在于：通过重点目标突出显示、次要目标淡化显示，较好地改善了兵棋综合态势中目标涌现时的拥挤混乱视觉难题，极大地加快了兵棋系统中军事作战决策进程；

通过将指挥人员更加关注的棋子以较大的尺寸、较高的不透明度进行态势展示，从而让指挥人员更直观地了解作战态势重点和要点，并且提供辅助信息帮助指挥人员快速了解态势的关联信息，形成帮助信息，从而为指挥人员提供更深入的理解和洞察。

应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。

在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于大规模多态信息的融合方法，其特征在于，包括如下步骤：

步骤1：将当前战场范围进行划分形成若干网格，具体为：根据当前战场范围，按照经纬度进行划分，使每个网格跨单位经度，跨单位纬度；

步骤2：实时获取推演模型生成的态势数据，并将之与各个网格进行对应，对每个所述态势数据设置若干层次细节模型，并为每个所述层次细节模型设置视觉变量，在网格内部，选取层次细节模型的方法是将态势数据的不同层次细节模型与不同距离联系起来，具体为：将视点与网格之间的虚拟距离分割为若干层级，在每个层级上关联相应的层次细节模型；距离视点越近，所述层次细节模型上的信息越丰富；其中，所述态势数据至少包括：兵棋态势数据、事件态势数据、标绘态势数据以及数据态势数据；所述视觉变量至少包括：态势数据的大小、态势数据的透明度以及态势数据标牌的详略；步骤3：根据当前可视化区域对相应的网格内态势数据的相应的层次细节模型进行加载，并根据当前比例尺对所述层次细节模型的视觉变量进行调整，实现对态势数据的显示。

2.根据权利要求1所述的基于大规模多态信息的融合方法，其特征在于，在步骤3中，所述虚拟距离变化导致需要进行层次细节模型的切换时，对所述层次细节模型的透明度进行改变，实现淡入淡出的效果，所述层次细节模型的透明度根据如下公式进行调整：

；

其中，A₁代表当前层次细节模型的高度常数，B₁代表比例尺调整常数；x代表比例尺，c为该比例尺下层次细节模型的透明度变量，当比例尺增加，透明度增加。

3.根据权利要求2所述的基于大规模多态信息的融合方法，其特征在于，在步骤3中，针对不同的关注模式设置有与之对应的预设比例尺，与所述预设比例尺对应设置预设的视觉变量，显示时根据所述预设比例尺对所述层次细节模型加载相应所述预设的视觉变量。

4.根据权利要求3所述的基于大规模多态信息的融合方法，其特征在于，所述预设的视觉变量至少包括态势数据中棋子形状、棋子大小、棋子方位、棋子像素以及棋子透明度；

其中：针对所述棋子大小，采用如下自适应模型公式进行调整：

；

式中：x_i为比例尺，y_i为该比例尺下的棋子的大小，n为当前i的取值，a和b为视觉参数，a和b的取值满足公式的最小值；

针对所述棋子像素，根据如下公式进行调整：

；

上述公式中，A₂代表当前层次细节模型的高度常数，B₂代表比例尺调整常数；x代表比例尺，d为该比例尺下棋子相应的棋子像素变量，当比例尺增加，像素增加。

5.根据权利要求4所述的基于大规模多态信息的融合方法，其特征在于，针对所述棋子大小，通过最小二乘拟合法建立棋子大小的参数调整差值公式，所述棋子大小根据地图显示比例尺的变化而自动变化，具体为

设置n对线性相关的样本数据(x₁,y₁),(x₂,y₂)，...,(x_n,y_n)，其中x₁到x_n对应不同比例尺，y₁到y_n对应该比例尺下棋子的大小；

设置拟合函数：y = ax + b，其中x对应比例尺，y对应该比例尺下棋子的大小，a和b为视觉参数，a和b的值满足以下公式的最小值：

；

算出视觉参数a和b的值:

;

。

其中，为这n个x_i的平均值，/>为这n个y_i的平均值。

6.一种服务器，其特征在于，包括：存储器和至少一个处理器；

所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1至5中任一项所述的基于大规模多态信息的融合方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1至5中任一项所述的基于大规模多态信息的融合方法。