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:
其中,gridx
k为预测的横轴坐标,gridy
k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,m
k为校正值,s
k为运行轨迹的横坐标,d
k为运行轨迹的纵坐标,h
k为镜像轨迹的横坐标,p
k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:
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。
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***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***、智能监控***、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:
其中,gridx
k为预测的横轴坐标,gridy
k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,m
k为校正值,s
k为运行轨迹的横坐标,d
k为运行轨迹的纵坐标,h
k为镜像轨迹的横坐标,p
k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:
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***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***,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。