视频探测器探测算法（精选八篇）
视频探测器探测算法 篇1
1软件算法原理分析
火焰探测的算法有闪烁频率分析法、持续时间法、 信号间的数学相关分析法、与储存的频带曲线对照分析法和基于神经网络和模糊逻辑的火焰识别算法等。其中, 前5种方法都是目前火焰探测器常用的方法, 基于神经网络和模糊逻辑的智能火焰识别算法, 需要使用已知的训练样本和相应的输出模式对识别火焰的判别规则进行反复调整。但影响火灾的因素很多且随机发生, 实际上不可能获得所有状态的样本且由于网络训练时初始权重和阈值是随机的[5], 因此这种方法的漏报和误报率都较高, 实用性不强。
在红外探测器的实际使用环境中, 不仅存在碳氢或含碳化合物燃烧产生的红外辐射, 同时也存在白炽灯、 荧光灯、卤素灯等人工光源辐射和背景辐射发出的红外干扰辐射, 这种复杂的检测环境不仅降低了红外火焰探测器的探测距离, 而且容易造成误报。因此, 本文设计的三红外火焰探测器选用三个热释电红外传感器作为探测器件, 第1个传感器用于探测由碳氢或含碳化合物燃烧产生的红外辐射 (中心波长为4.4 μm) ;在大于和小于CO2峰值辐射波段各选择了一个波段, 用于鉴别人工光源辐射和背景辐射。对任意一红外辐射源来说, 其在这三个波段的光谱特性的数学关系是惟一的, 通过分析比较这三个光谱特性的数学关系实现高可靠和远距离探测的目的。据此, 本文提出了一种融合了信号间的数学相关分析法和信号平均功率法的三波段火焰识别算法。该算法以数学相关分析法为核心解决远距离探测问题, 通过信号平均功率法实现弱信号间的分析处理及比较问题, 其具体实现过程如下:本文用信号的平均功率表示传感器采集到的信号强度, 其表达式如下:
式中:k表示采集信号的个数;x (i) 为每次采集电压信号。 则对于三红外火焰探测器三路信号平均功率为:
式中:x1, x2, x3分别代表三个传感器的输出信号, 根据传感器的光学特性, 这三个传感器输出信号均包含了真实火焰信号、人工热源干扰信号和背景干扰信号。k值的选取与火焰的大小密切相关, 它间接反映了探测器的响应速度:如需探测器快速响应, k的取值需较小;如需提高探测器可靠性, k的取值需较大。
本文所述的三红外火焰探测器设置有5个报警阈值 (分别对应5个灵敏度) , 它们分别与5个时间特征值的k值 (该值表示采集火焰数据的时间) 相对应。为保证探测器抗误报特性和可靠性, 时间特征值k越小, 对应报警阈值需越高。在同一标准火焰条件下, 判断时间越短, 响应速度越快, 时间越长, 抗干扰能力越强。本文按照阈值法原理, 选取4.4 μm波段下的5个平均功率值与其对应的报警阀值依次按照式 (3) 进行比较判断:
式中:P1 (k1) , P1 (k2) , P1 (k3) , P1 (k4) , P1 (k5) 分别代表5个时间特征值下的平均功率值。其中k1<k2<k3<k4<k5, m1~m5分别表示5个时间特征值下对应的报警阈值, m1>m2> m3>m4>m5, 报警阈值是依据有火条件下采集火焰数据确定的, 阈值要小于真实火焰条件的有效数据, 同时满足抗误报要求。由于信号辐射强度间数学关系不随探测距离的变化而变化, 且探测器对4.4 μm波段下响应幅值最大, 所以在满足相应特征值下不等式 (3) 之后, 再判断此时间特征值下三波段对应平均功率是否满足下式:
式中的a1, a2为3路传感器之间的比例系数, 为固定值。 当三波段对应的平均功率同时满足上述两个判断条件时, 则判断有火。为减少误报, 在不满足火警条件时, 需进行预警判断, 预警算法与火警算法方法相同, 区别在于预警阈值要小于报警阈值。
2软件算法设计
三红外火焰探测器的软件算法主要包括数据采集部分和主程序。本节根据上节算法原理分析给出了软件算法具体设计实现。
2.1数据采集
数据采集在中断中完成, 由于火焰的闪烁频率在7~12 Hz之间, 根据香农-奈奎斯特采样定理, 设定中断每3 ms采集更新1次数据。通过抓火实验发现, 若放大电路的末级输出饱和, 火焰算法判断将出现问题, 此时需将放大电路的次级输出采集的数据作为火焰判断依据, 即数据有效的原则为“若当前输出级数据饱和则看前级数据”。为减小算法的复杂度, 此时采集的数据不能直接使用, 需进行归一化处理, 按照三级之间的放大倍数, 统一归一化到末级的采样数据。然后将归一化之后的数据作为求平均功率的有效数据进行存储;同时在中断中进行5个时间特征值 (功率) 的实时计算更新, 分别作为火焰判断的依据供主程序读取。每次数据采集中断占用的CPU时间为小于200 μs, 剩余CPU资源全部留给主程序进行火灾软件算法判断和探测器功能实现。这种软件框架能够保证主程序的实时性和主程序软件算法执行的连续性。
2.2软件主程序单元设计
主程序单元包括系统初始化模块、火焰判断算法模块以及报警输出模块。在系统初始化模块中将完成MCU功能初始化和自检测, 并对数据处理中需要的基准电压进行初始化, 然后根据火焰判断算法的判断结果对火警状态进行输出, 流程图如图1所示。火焰判断算法主要包括以下几步:首先将4.4 μm波段下得到的5个平均功率值与其对应的报警阀值按式 (3) 进行判断, 若满足某个时间特征值下的不等式之后, 再判断此时间特征值下, 三波段对应的平均功率是否满足4.4 μm波段下的平均功率值均大于其他两路和一定的比例要求, 若满足, 则判断有火, 进行火警输出, 流程图见图2。
3实验结果与分析
为了验证该算法的性能, 设计了相关验证性试验。 首先, 为了验证算法在能够可靠且稳定地对火焰信号和干扰信号做出正确的响应, 设计了报警验证和重复性试验;其次, 为了测试探测器响应速度和灵敏度, 设计了报警响应时间试验和探测灵敏度 (距离) 试验;最后, 为了进一步考察算法对不同干扰源的抗干扰能力, 设计了抗干扰试验。
3.1软件算法报警验证
设置三种实验条件来验证探测器的可靠性和稳定性。其探测距离均为30 m。第一组将标准火作为火焰信号;第二组将调制频率处于10~20 Hz之间的黑体辐射和白炽灯作为干扰信号。第三组将第一组和第二组的两种均作为探测信号, 验证结果见表1。
由表1看出:在单纯的火焰条件和有干扰的火焰条件下均能报出火警, 不会漏报;在只有干扰的条件下, 不会报出火警, 没有误报。验证该算法的可行性。根据GB15631-2008特种火灾探测器标准的要求, 为了确保采样信号具有普遍意义, 需要通过重复点火实验对此火焰识别算法进行验证, 实验结果同上述数据均保持一致, 验证了此算法的可靠性。
3.2报警响应时间试验
样机报警响应时间的试验按照样机的灵敏度设置, 将标准火 (入射角均为0°) 正对探测器并将探测距离分别定为10 m, 15 m, 20 m和30 m, 时间记录见表2, 结果表明样机的响应时间满足设计要求。
3.3探测距离试验
三红外火焰探测器的一个重要指标就是探测距离, 本试验在标准火下测试了样机探测器的探测距离 (火焰的入射角为0°, 5 s内输出火警信号) , 结果见表3。实验数据表明样机的性能满足设计要求。
3.4抗干扰试验
本实验用太阳光、白炽灯、荧光灯等干扰源对该探测器进行干扰 (入射角均为0°) , 从表4可以看出, 算法能够对各类干扰源准确无误地做出响应。
4结语
三红外火焰探测器软件算法是实现其高灵敏、高可靠、低虚警率的关键。本文针对当前存在的远距离探测、弱信号处理等问题, 提出一种基于信号相关性和平均功率结合的三红外火焰探测器软件算法。该算法以数学相关分析法为核心解决远距离探测问题, 通过信号平均功率法和阈值法实现弱信号间的分析处理及比较问题。试验结果表明本文提出的方案可行, 算法能够有效提高火焰探测器的灵敏度, 降低虚警率。
摘要：通过对三红外火焰探测器软件算法的研究, 提出一种三红火焰探测的具体软件算法实现方案, 该算法融合了阈值法、信号间数字相关分析法和平均功率法解决三红外火焰探测问题, 同时通过具体编程及试验验证, 实现了三红外火焰探测器远距离探测技术要求, 完成了软件算法的具体实现。试验结果表明提出的方案可行, 算法能够有效提高三红外火焰探测器探测灵敏度, 降低虚警率。
关键词：三红外,火焰探测器,软件算法,软件实现
参考文献
[1]姚秋霞, 李民, 莫崇典.红外技术探测原理及其在工业消防领域的应用[J].电气应用, 2006 (3) :40-43.
[2]周向真.基于多红外波段的火焰探测系统的设计[D].武汉:华中科技大学, 2008.
[3]胡幸江.多波段红外火焰探测器系统研究与产品开发[D].杭州:浙江大学, 2013.
[4]王绍中.火焰探测器[J].石油化工自动化, 1998 (3) :45-47.
[5]袁积德.三波段红外火焰探测器的研究与开发[D].杭州:浙江大学, 2012.
视频探测器探测算法 篇2
空中目标声信号检测器是声探测系统中的重要组成部分,随着现代战场环境的日趋复杂化,被动声信号检测器以其自身独特的优势越来越受到人们的重视.文中提出了将语音信号检测中的过零率检测算法用于空中目标检测中的方法,并同传统的`能量检测算法相比较.通过计算机仿真试验,结果表明过零率检测算法不但具有算法简单、运算时间短的特点,而且其稳定性比能量检测算法要好,具有一定的识别空中目标的能力.
作 者：张国智 李京华 ZHANG Guo-zhi LI Jing-hua 作者单位：西北工业大学电子信息学院,西安,710072 刊 名：弹箭与制导学报 PKU英文刊名：JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE 年，卷(期)：2007 27(2) 分类号：V248 关键词：能量检测器 过零率检测器 目标检测★ 一种从低分辨率图像序列获取高分辨率图像的算法
视频探测器探测算法 篇3
随着海上石油工业的不断发展,浮式生产储油船(Floating Production Storage and Offloading,FPSO)由于其集生产、储油、卸油为一体的优势,成为了快速、经济、有效地开发海上油田不可替代的开发装置。在整个海上油气开采、生产的过程中会伴有大量碳氢气体产生,且由于设备拥塞度高,一旦由于可燃气体泄漏而引起火灾爆炸事故的发生,后果将不堪设想,所以可靠、安全的火气探测系统在浮式生产储油船上的应用就显得尤为重要。FGS系统(Fire&Gas System)作为重要的安全关键系统,是保障浮式生产储油船安全的重要屏障之一,其系统有效性取决于探测器覆盖率、火气联锁系统的可用性和减缓有效性[1,2]。气体探测系统的有效性不仅取决于单个探头的有效性,更取决于整个探测网络的布局策略。目前,有关(碳氢或有毒)气体探测系统的相关技术规范和标准,主要是采用等间距布局或者泄漏源监测等工程经验方法。例如,GB 50493-2009中规定,可燃气体释放源处于封闭或者局部通风不良的半敞开厂房内,每隔15 m可设一台检(探)测器,且检(探)测器距其所覆盖范围内的任意释放源不宜大于7.5 m[3]。API RP 14C(API,2001)中规定硫化氢探测器若使用格栅结构时,最大的传感器间隔应是6 m[4]。
根据英国HSE委员会公布的数据,发生的所有气体泄漏事件中,仅有62%的泄漏事件被气体探测系统所监测到[5]。业内已经意识到这个问题的严重性,美国ISA84.00.07-2010标准专门对FGS系统的有效性进行强调,提到采取风险评估的设计思路,因此是一种基于性能(Performance based)的技术规范[6]。该标准建议采用投影(Mapping)技术来设计气体探测系统,并给出了几何覆盖率和场景覆盖率两种设计指标。但投影算法并没有实质性利用CFD气体扩散模拟的数据信息,覆盖率指标也并非是最终所关注的探测率指标,并且不涉及探测时间[2,3,4,5,6,7]。
探测器布局优化问题广泛存在于多个工业领域。在污水探测系统中,Berry等[8]首先提出了建立整数规划求解探测器设置位置的数学模型,经过进一步研究提出了使用不完整探测器时污染监控系统的数学模型[9]。Legg等[10]提出在石化行业中气体探测器随机规划的数学模型SP模型和SPC模型,又将条件风险价值(CVaR)引入随机规划,用于改善尾部表现[11]。在此基础上,Benavides-Serrano[12]又提出了考虑表决系统和探测器失效情况下的布局优化模型SP-UV;并且将定性方法和定量方法进行了比较,从三个不同的度量标准上证明了基于定量优化方法的有效性[13]。上述工作均采用定量方法研究了探测器布局问题,且目标函数都为唯一确定值。虽然遗传算法广泛应用于各个领域,但鲜少利用于火气系统探测器的优化布置,本文提出了一种基于遗传算法的优化模型。
本文提出一种探测器网络布局优化模型,在给定探测器数量、位置覆盖要求等约束下,直接利用气体CFD扩散模拟数据进行优化设计,实现在不同安装高度的立体空间内所设置的探测网络达到场景全覆盖和最短探测时间。实际生产中,探测时间最短的布置方案不一定是最优方案,该模型相比已有的全定量优化模型方法[10,11,12,13],在满足所有约束条件且目标函数没有显著增加的情况下,利用遗传算法实现搜寻目标函数最优值及附近的解,得到一组最优解集合及目标函数集合,同时提供多种布局方案,再从备选方案中通过比较得到最适合现场的最佳方案,从而更容易获得工程实施。
1 遗传算法(Genetic Algorithm)及求解流程
1.1 算法原理
遗传算法(Genetic Algorithm)是一种通过模拟自然进化过程搜索最优解的方法[14]。
在遗传算法中,染色体对应的是数据或者数组,通常是由一维的串结构数据来表现的。串上各个位置对应基因。由基因组成的串就是染色体,也称为个体。一定数量的个体组成群体。遗传算法首先将问题的每个可能的解按照某种形式进行编码,编码之后的解称为染色体(个体)。随机选取N个染色体构成初始种群,再根据预定的评价函数对每个染色体计算适应度,使得性能较好的染色体具有较高的适应度。选择适应度高的染色体进行复制,通过遗传算子选择、交叉变异,来产生一群新的更适应环境的染色体,形成新的种群。不断如此重复繁殖、进化,通过这一过程使后代种群比前代种群更加适应环境,末代种群中的最优个体经过解码,作为问题的最优解或者近似最优解。
1.2 利用GA算法求解0~1整数规划
分枝定界法作为一种隐枚举法目前已成为解0~1整数规划的重要方法之一,但是隐枚举法不属于完全穷举法,并不是对所有解进行尝试,而是有选择的尝试,仅通过讨论部分整数可行解就得到整数规划问题的最优解。对于特定的问题,分枝定界法鲁棒性不强。相比较而言,遗传算法具有较高的搜索能力和极强的鲁棒性[15]。
模型求解的流程图如图1所示。已知探测时间f,决策变量(即候选探测器位置)的个数nvars,不等式约束Aineq、bineq,整数变量范围上限ub、下限lb,最多允许使用的探测器数量p,允许存在的变化范围Δ作为算法的输入值,options表示优化参数结构体,通过不断调用GA函数对本文SGA模型进行求解。i表示GA的调用次数,imax表示定义的GA最多允许调用的次数,即在i小于或等于imax时不断调用GA求解直到达到最多允许调用的次数。在有整数约束存在的情况下GA只能求解约束类型为不等式约束的数学模型,体现在SGA模型的约束条件式(2-4)均为不等式。一个泄漏场景可能同时被多个探测器覆盖,所以需要对每个场景的探测时间进行筛选,即对GA得到的探测时间fvali筛选得到fi,将探测时间变化及探测器数量在允许范围内的布置策略储存到F,X中,达到最大循环次数结束求解,输出最终得到的布置策略集合F,X。
2 SGA气体探测系统布局策略模型
本文在Legg等人SPC模型[8]的基础上,对数学模型进行相应的改进,提出了一种基于遗传算法,以搜索最短探测时间及附近解的集合为目标的优化模型SGA(the Set of the optimal solution based on GA),具体的数学模型如下所示:
s.t.
模型的目标函数如式(1)所示,其中:σa表示泄漏场景a发生的可能性,Da表示受泄漏场景影响的探测器位置处损失系数的集合。根据具体工程应用的需求可以确定Da对应的物理含义,本文取为实现探测时间的最小化,即模型优化求解的是场景a所影响的各个探测器所用的探测时间。Xa表示受泄漏场景a影响的探测器候选位置集合,f表示已知的最短探测时间,Δ表示探测时间允许变化的最大值,F表示满足所有约束条件下与f相差Δ范围内的所有目标函数组成的集合,X表示相应的最优解组成的集合。式(1)~(5)所涉及的各参数说明见后续符号说明。
实际中,为了控制成本通常对探测器的数量有限制,如不等式约束(2)所示,式中p表示探测器允许安装的最大数目,即所有探测器安装数量的总和不能超过p。
SPC模型中要求每个探测器都满足体积覆盖,从而保证探测器的鲁棒性。由于边界点只能形成半球形的体积约束,使得SPC模型所需的探测器数量较多,所以在保证鲁棒性的前提下本文放宽体积约束要求,Cr,l表示除边界点以外的任一点l在半径r的范围内覆盖到的探测器候选位置组成的集合,不等式约束(3)表示所有Cr,l中探测器的候选位置组成的集合至少安装一个探测器。由于GA在有整数约束的条件下只能求解不等式约束,如模型式(4)所示。式(5)表示任意位置l处是否有探测器安装,若有探测器安装则取值为1,反之则取0,即表示xl是个只能取0,1二值的整数变量,即遗传算法中整数约束的上限ub为1、下限lb为0。
SPC模型以式(1)中的最小化部分为目标函数,以式(2)、(4)、(5)为约束条件,将体积约束式(3)中的除去边界点外剩余点形成的约束改为在所有候选位置中任意一点l在半径r的范围内覆盖到的探测器候选位置组成的集合,作为SPC的体积约束。
遗传算法以目标函数(1)中的最小化部分的系数为适应度函数,以SGA模型中的式(2)~(4)为约束条件,以式(5)为整数约束范围对模型进行求解。
3 案例模拟研究
本文以浮式生产储油船(FPSO)作为案例背景,FP-SO作为大型海上油气生产设施,所装备的火气系统(FGS)不仅是保证其设备和人员安全的最后一道技术防线,而且关系到整个油田生产的安危。
3.1 FPSO生产甲板的气体泄漏探测
选取FPSO工艺区域中18 m×27 m×12 m的区域进行气体泄漏模拟。通过模拟得到60组数据,随机选取40个泄漏场景数据进行探测器设置研究,剩余20个场景作为检验场景。以等间距3 m进行网格划分,探测器的具体布局为7×10×4共280个候选位置,即在指定区域空间内竖直方向存在4层探测器候选位置,每层探测器候选位置以7×10等间距分布。
3.2 探测器布局策略优化结果分析
基于Matlab遗传算法工具进行,对上述SGA模型(式(1)~(5))进行求解。泄漏场景的发生概率与可能发生泄漏的装置、工艺条件、设备运行维修情况等因素有关,本文泄漏场景的泄漏概率根据API 581标准方法并结合现场应用数据等来赋予不同泄漏场景不同的权重。
r的作用是通过添加体积约束避免布置策略偏向某一个场景,所以r的值不易取得过大否则失去了约束作用。如表1所示分别取不同的r值对SPC模型进行求解,具体结果如表1所示。可以看出,当r值为5、5.5 m时SPC模型无解,主要是由于r值偏小时边界点形成的半球形体积约束过于严格导致模型无解。r=6 m时,虽然实现了对检验场景的全覆盖且实现了对探测区域的全面覆盖,但SPC模型存在最优解所需的最少探测器为17个,需要的探测器数量较大。r=7 m时,所需的最少探测器数量减少只需要12个。可以看出SPC模型在覆盖半径r取值较小时会出现无解或是需要大量探测器安装以便满足所有约束条件的情况,实际生产中,考虑到成本问题对探测器的安装数量往往会有要求,即允许安装的最大探测器数量p。
对于SGA模型,由模型目标函数可知,f及Δ的值为预先设定的。以SPC模型得到的探测时间作为SGA模型的输入f,通过反复调用50次GA函数进行求解,观察Δ的值对结果的影响,确定Δ的取值,具体结果如下。
从表2中可以看出,当Δ值取值偏小Δ=1时,经过50次反复调用GA函数SGA模型得到的结果为空集,所以Δ值不宜取值过小否则容易出现空集的情况。当Δ值分别取2、3 s时,均分别得到两组布置方案,即Δ值波动变大时布置方案的数量也没有明显的增加,Δ的实际意义表示目标函数允许变化的最大值,而目标函数是探测时间和场景发生概率的乘积,考虑到场景发生概率取值较小,若目标函数允许变化值Δ取值偏大实际对应的探测时间可能变化为几分钟甚至十几分钟,这段时间对应急响应及人员疏散都是至关重要的,所以最终确定Δ=2 s。
首先采用传统等间距的探测器布置方法,在空间中同一高度布置探测器,其中探测器间隔为6 m,采用该布置方案对泄漏场景进行探测,结果如表3所示。
以Δ=2,SPC模型探测时间f=8.14作为SGA模型的输入,利用传统等间距探测器布置方法所需的探测器数量为10,所以允许使用的探测器的最大数量p=10,反复调用GA函数,最终得到的结果如表4所示。
探测器的有效探测距离都是一定的,取探测器有效探测半径re=6 m分别绘制探测器等间距布置方案如图2所示,SGA模型探测器布置方案在平面的投影覆盖图如图3~5。
图2~图5中,黑色区域表示零个覆盖面,即探测盲区(探测器探测不到的区域),灰色区域表示仅有一个探测器覆盖面,白色区域则表示探测器的覆盖面为两个及以上。四种方案的探测盲区占总区域的百分比在表3、表4中列出。结合投影覆盖图可以看出,SGA模型的三种方案的探测时间相比等间距探测器布置方案得到的探测时间有明显的减小,且方案一、方案二在探测器覆盖范围上有所增加探测盲区减少。方案二与方案一相比虽然探测时间,探测器使用数量均有减少但探测盲区面积却大于方案一,且从探测器投影覆盖图看出方案一的绿色区域明显大于方案二,即方案一中主要的工艺区域均实现了两个及两个以上探测器的覆盖,所以综合比较,选择覆盖盲区最小,探测时间较短的方案一为最终布置方案。
4 结论
火气系统FGS作为一种安全关键系统,其中的气体探测网络提供快速、可靠的气体探测不但可以及时发现泄漏事件,防止气液积聚形成火灾爆炸事故;还可以为应急响应及人员疏散提供充足时间。所以,火气系统(FGS)不仅是保证其设备和人员安全的最后一道技术防线,而且关系到整个油田生产的安危。利用泄漏数据对(碳氢或有毒)气体探测器进行布局,其设计目标在于缩短泄漏探测时间且能够有效保证布局方案对复杂泄漏场景的覆盖率。本文提出的SGA模型保证了每个泄漏场景都至少可以被一个探测器探测到,避免了布局方案偏向某些特定方案,提高了模型的鲁棒性和泛化能力。通过FPSO的生产甲板气体探测案例分析表明:
1)利用遗传算法对全局进行搜索克服了隐枚举法只对部分整数解就行搜索的缺点,真正实现探测时间最小化。
2)与传统等间距同一高度探测器布置方案相比,本文提出的优化模型实现了在立体空间内探测器的布置。
3)本文提出的优化模型能在探测时间没有明显增加的情况下,实现了多种布置方案的求解,再通过对各方案投影覆盖图的比较选出符合实际的最佳布局方案。
摘要：石油石化装置具有结构复杂且危险性高的特点,所加工物料多为易燃易爆有毒物质,且工艺单元之间集成度高,一旦发生泄漏若无法及时探测到则易形成气液积聚和火灾爆炸后果强化,装置拥塞度高使人员逃生困难。火气系统FGS作为安全关键系统,其中的气体探测网络如何快速可靠的实现对气体泄漏事件的探测显得尤为重要。已知探测时间,通过引入遗传算法利用其全局搜索的特点克服传统分支定界法的缺点,实现立体空间不同高度下设置探测网络达到场景全覆盖和缩短探测时间,同时求出探测时间附近的多组最优解,为探测器放置提供多种布置方案。通过与传统等间距探测器布置方案比较,从多种布置方案中选择更符合实际的最佳方案。通过海上浮式生产储油船的生产夹板气体探测案例,验证了所提方法的有效性。
穿墙目标探测的Burg算法 篇4
关键词：Burg算法,FFT算法,非接触探测,穿墙雷达
0引言
针对未来反恐斗争和抗震救灾的需求,特别适用于反恐作战中的隔墙探测定位任务,避免我方的伤亡。在抗震救灾过程的探测地震后废墟下被困人员的情况、救火过程探测在浓烟状态下人员的存活情况、反恐斗争中解救人质时确定恐怖分子与人质的位置等,这些都需要一种非接触探测方式才能达到预期目的。因此,研制了一种X波段雷达探测系统,该系统能够穿透墙壁、废墟等障碍物探测人体的生命参数(如呼吸、心跳)。
1基本原理
1.1多普勒信号分析
根据D K Misra等科研工作者对电磁波照射人体的散射特性研究的成果,人体运动模型可简化为频率为Ω、幅度为A的简谐振动[1,2]:
其振动速度为:
可知雷达发射信号St(t)入射到人体振动表面会产生多普勒频移:
式中,λ0为雷达发射信号波长。设undefined则人体振动表面反射后的雷达信号为:
Sr(t)=Arcos[ωt+θ0c+mg(t)]。
式中,
undefined; (1)
m为一常数,当undefined时,经分析可知:
Sr(t)信号经放大后与相干本振信号sin(ωtt+θ0)进行相干混频,经低通滤波后可得:
式中,G为雷达系统处理增益;a(t)为经雷达回波信号相干解调后获得的人体生命信息信号,其输出幅度与雷达发射信号幅度At、人体振动面雷达相位调制度m、雷达系统处理增益G成正比,与雷达发射信号波长λ0成反比。
1.2Burg算法
Burg最大熵法是由Burg(1967)提出的一种现代谱分析方法[3]。用这种方法可以预测观测区间以外的数据,以便填补出一个长的多的时区。这种算法是寻找使前、后向预测误差的平均功率为最小的反射系数。
由前向线性预测及其误差的定义式容易推知,m阶前向预测误差为:
undefined。 (2)
类似地,m阶后向预测误差为:
undefined。 (3)
根据Levinson递推有:
将式(4)代入式(2)和式(3)中,经整理后得到前、后向预测误差的阶数递推关系对为:
定义m阶前、后向预测误差的平均功率为:
undefined。
将式(5)、式(6)代入式(1)中,并令∂Pm/∂Km=0,则
undefined
注意到式(7)分母分别是前、后向误差功率Eundefined和Eundefined的估计值,所以式(7)又可以写作:
undefined。 (8)
式中,undefined为平均误差功率Em的估计值。Anderson(1978)证明了式(8)的分母项undefinedm也可以用一种阶数递推形式从undefinedm-1计算出,即
undefined
式(8)和式(9)组成了一个等价的格形结构。
2仿真结果分析
为了了解Burg算法对系统检测的改善程度,分别对近距离穿墙探测试验中获得的典型2组原始试验数据进行了分析,并与传统的FFT算法进行了比对分析,认为在给定的探测时间内Burg算法比传统的FFT算法检测能力更强,没有类似虚假小目标干扰。图1为对呼吸信号进行FFT分析和Burg功率谱分析结果,原始数据为20 s的序列,采样频率为20 Hz,2种方法所选的分析点数都为512点。通过对比可以看出,Burg功率谱分析较FFT频谱分析有更好的分辨特性。
图2为对心跳信号进行FFT分析和Burg功率谱分析结果,原始数据为10 s的序列,采样频率为50 Hz,2种方法所选的分析点数都为512点。
3结束语
在穿墙条件下,X波段雷达信号可以检测到人体运动的特征,穿透性能较好;基于Burg算法检测方法是可行的,在同等检测时间内,比FFT算法具有更强的检测能力,为穿墙目标探测提供一种行之有效的方法。
参考文献
[1]MISRAK.Seattering of Electromagnetic Waves by Human Body and Its Applicatlons[D].Michigan Ph.D.dissertation Michigan State Universty East Lansing1984.
[2]丁鹭飞,耿富录.雷达原理(第3版)[M].西安:西安电子科技大学出版社,2002.
视频探测器探测算法 篇5
复杂网络社区结构的识别已经成为当前的研究热点, 物理学、计算科学、社会学等许多领域的研究者正专注于研究复杂网络 (如因特网、社会网、文献引用网络、食物链网络、邮件网、生物网) 的特性。复杂网络是将现实世界中的复杂系统用节点和连接线进行抽象的一种表示, 其中节点代表复杂系统中的个体, 边代表复杂系统中的个体之间的关系。比如, 在社会关系网中, 节点代表一个人, 边代表两个人之间的社交关系。
复杂网络普遍存在的社区结构特性是指复杂网络中节点聚集成若干个“群 (Group) ”, 而“群”内边的密度高于“群”之间边的密度的特征[1]。从定义可以看出, 节点在社区内的连接比其在社区间的连接更加紧密。目前提出的多种复杂网络社区结构的探测算法的有效性在很大程度上取决于对社区的定义。许多研究文献都提出了社区结构的定义, 其中Girvan和Newman提出的度量标准———网络模块度 (Modularity) , 已经成为当前研究中应用的最为广泛的衡量社区划分优劣的量化标准。网络模块度的定义为:
式 (1) 中, i是社区标识符, eii是连接的两个节点均在社区i内部的边占复杂网络中所有边的比例, ai是至少一个节点在社区i中的边占复杂网络中所有边的比例。
本文基于遗传算法, 提出了一种通过最大化网络模块度以发现最优社区结构的社区探测算法。该算法的时间复杂度是O (e) , 并且不需要依赖任何与社区数目或其他阀值相关的先验知识, 这使得该算法可以有效的用于真实世界的大规模复杂网络。
1 社区探测方法
如今有许多用于分析复杂网络社区结构的算法, 这些算法使用了物理定理、人工智能、图论甚至电路原理。目前最著名的Girvan-Newman算法 (GN算法) 是由Girvan和Newman提出的一种基于介数中心度 (Betweenness Centrality) 的社区挖掘算法, 其中介数中心度 (Betweenness Centrality) 是由Freeman最早提出的。GN算法是一种时间复杂度为O (e3) 的分裂算法, 其产生一个分层的网络结构, 形成一个树状图, 通过分割树状图中的某些点得到社区结构。Radicchi提出了一个与GN算法类似的方法, 该方法采用了一种新的衡量标准———边群集系数 (Edge-clustering Coefficient) , 其计算时间小于GN的介数中心度 (Betweenness Centrality) , 从而使得Radicchi的算法时间复杂度降低到O (e2) 。
分层凝聚算法是社区探测算法中基于网络模块度 (Network Modularity) 的一种快速算法[3]。如果一个社区结构没有社区内部的边, 则其网络模块度是0, 而当所有的节点同属于一个单独社区时, 其网络模块度是1。一个较强的社区结构的Q值应该在0.3~0.7之间。分层凝聚算法的时间复杂度是O (n2) , 低于GN算法, 但是也取得了非常精确的结果。在这个算法的基础上, Newman、Clauset和Moore (2004) 提出了一种适用于大型复杂网络的改进算法。这个新改进的算法同样产生一个树状图, 但是它采用一种新的方法分割树状图中的某些点:当最大的△Qij (模块度增量) 开始出现负值时, 说明新的合并操作不能增强社区结构, 所以此时停止合并操作[1]。
基于极值优化的社区探测算法[2]同样采用了网络模块度作为衡量标准。该算法采用递归分裂方式的人工智能方法优化网络模块度———Q值。算法开始时将整个复杂网络作为一个社区, 不断递归分裂, 直到分离出去的点不能使得Q值 (网络模块度) 提高为止。
回顾当前的算法, 这些算法都是成功的社区探测方法。但是, 大多数算法的时间复杂度太高而不适用于大型复杂网络。此外, 一些算法采用的数据结构 (如矩阵等) 难以在大型复杂网络中实现和使用。大多数算法还需要一些先验知识, 例如社团数量等, 然而这些先验知识的数值在现实世界的真实网络中是不可能知道的。因为不同的复杂网络的性质差距较大, 所以一些算法所需要的阀值也成为这些算法存在的另一个问题。
2 基于遗传算法的社区探测算法
本文提出的算法是以优化Q值 (网络模块度) 作为目标函数, 预先定义迭代次数的遗传算法[7]。将复杂网络以适合遗传算法处理的数据结构进行表示, 在算法运行前, 将节点随机进行社区划分。一个由n个节点的复杂网络最多划分成n个社区。
2.1 个体编码方式
在本算法中, 采用字符串编码方式, 将社区划分结果编码成一个字符串用于遗传操作, 通过逆向解码一个字符串便可以得到社区划分结果。采用数组a存储节点的社区标识符, 其中ai存储节点i的社区标识符。存储了社区标识符的数组在遗传算法中被称作染色体。种群中不同的染色体保存了不同的社区划分结果。举例说明如下, 假设一个复杂网络包含5个节点{v1, v2, v3, v4, v5}, 如果一个染色体的字符串编码是 (1, 2, 1, 2, 1) , 则它表示复杂网络中的节点{v1, v3, v5}属于同一个社区, {v2, v4}属于同一个社区。
2.2 种群初始化
在种群初始化时, 每个节点被随机分配一个社区标识符。对于随机生成的个体, 用图G进行表示, 图G中可能存在一些相连的节点在原始的复杂网络N是不相连的, 这就意味着图G不是图N的子图。因此, 应采取一定措施避免或者减轻这种缺陷。如果两个节点属于同一个社区, 它们彼此应该是相连通的, 也就是说它们很可能是邻居。基于这种假设, 在对节点随机分配了社区标识符之后, 随机选择一部分节点, 然后将这些节点社区标识符传递给他们的邻居节点。通过以上操作, 在初始种群生成时提高了算法的收敛性, 并且消除了不必要的迭代。
2.3 交叉算子
在遗传算法中, 交叉操作是根据适应度值选择两个染色体进行的。选定了交叉操作的染色体之后, 在染色体上选择一个交叉点, 然后交换所选定的交叉点位置的基因。
社区结构是一种关系属性, 不同染色体中的不相同的社区标识符可能表示的是同一种社区关系。因此, 本文的遗传算法对交叉操作进行了修改, 不是简单的交换单个基因, 而是将同一社区节点的社区标识符转移给目标染色体对应节点。例如:在染色体A中社区标识符为1的节点和染色体B中社区标识符为33的节点完全相同, 然而染色体B中社区标识符为1的节点却跟染色体A中社区标识符为1的节点没有任何关联。
交叉操作:将进行交叉操作的染色体分别命名为源染色体和目标染色体, 从源染色体中随机选择一个社区。遍历所有节点, 将属于该社区的所有节点在源染色体中的社区标识符转移给目标染色体的节点修改后的交叉操作是在源染色体到目的染色体单一方向上进行。如图一所示。
2.4 变异算子
由于节点间相同的连接关系, 如果变异操作是随机改变一个染色体中基因的值, 则产生无用的搜索空间。为了减少不必要的搜索, 将染色体上第i个位置基因的可能值限定在节点i的邻居节点范围内。通过以下例子进行说明, 如图二所示, 节点3值的变异范围限定在邻居节点的值2、4、5、6。这种变异方法保证了变异后的子代中每个节点只与它的邻居节点中的一个相连接。
3 实验
实验采用两个被广泛应用的数据集Zachary空手道俱乐部网络和美国大学足球联盟网络测试算法的性能, 实验参数如下:种群规模设置为200, 遗传代数200, 交叉概率0.8, 变异概率0.2。
3.1 Zachary空手道俱乐部网络
Zachary空手道俱乐部网络是社会网络分析的经典实例, 首先对空手道俱乐部网络的社区结构进行分析[6]。该网络共包含34个节点和78条边, 如图三所示。该网络的真实社区结构所对应的Q值是0.3715。以该数据集为例运行50次该算法, 得到社区划分结果的平均Q值为0.3932, 优于该网络的真实社区结构所对应的Q值。该算法可以97%~100%的正确识别社区结构。该算法有时候会将节点10划分到错误的社区内。
3.2 美国大学足球联盟网络
美国大学足球联盟网络是根据2000年美国大学足球比赛计划构建的数据集, 包含分属于12个联会的115支球队和616场比赛。网络中的节点代表美国大学足球队, 边代表两个球队之间的比赛关系, 真实的社区结构是由每支球队所属的联会组成。每只球队与同一联会的球队进行的比赛次数多于与不同联会的球队比赛次数。平均每只球队与同一联会的球队进行6场比赛, 而只与不同联会的球队进行3场比赛。
应用本文算法对足球联盟网络进行社区探测, 算法对该网络社区结构的识别精度为93%。在有些时候该算法也可以100%正确的划分社区结构。运行50次该算法划分的社区结构对应的平均Q值为0.5933, 高于其真实社区结构所对应的Q值0.5518。同样将FN算法应用于足球联盟网络, 而它的精度是78%, 其划分结果对应的Q值为0.4549, 并且FN算法需要预先确定社区数目来进行社区划分[4]。由此可见, 该算法的社区划分结果Q值以及精度优于FN算法。
4 结束语
本文通过优化网络模块度, 提出了基于遗传算法的一种新的社区探测算法。该算法能快速探测出社区结构, 适用于大型复杂网络。在两个现实世界网络中的实验结果表明, 该算法时间复杂度是O (e) , 能快速准确的检测出社区结构, 性能优于被普遍使用的GN、FN等社区探测方法。
参考文献
[1]Clauset A., Newman M E J, and Moore C.Finding community structure in very large networks, Physical Review E, 70:066111, 2004.
[2]Duch J, Arenas A.Community detection in complex networks using extremal optimization, Pre-printcond-mat/0501368, 2005.
[3]Newman M E J, Girvan M.Finding and evaluating community structure in networks, Physical Review E, 69:026113, 2004.
[4]Newman M E J.Fast algorithm for detecting community structure in networks, Physical Review E, 69:066133, 2004.
[5]Girvan M, Newman M E J.Community structure in social and biological networks, Proceedings of National Academy of Science, 2002, (99) :7821-7826.
[6]Zachary W W.An information flow model for conflict and fission in small groups[J].Journal of Anthropological Research, 1997, (33) :452-473.
视频探测器探测算法 篇6
全景成像（Panoramic Image,PI）[1]是利用特殊成像仪器拍摄而成，所得图像的半球视场在水平方向和垂直方向上都不小于180°或者得到的视场为360°的，能够得到被拍摄对象的全部信息，这样得到得图像利于后期的图像处理。视觉研究领域的一个重要问题是如何能得到目标图像尽量大的视场并从中提取信息，而全景成像能较好的解决这个问题。全景成像技术已经在机器视觉领域及机器人领域得到了广泛应用。全景成像技术的优势明显，应用前景良好，该技术逐渐成为三维图像研究领域的焦点，吸引了众多科技工作者和相关公司的目光。随着微透镜制造工艺和各种光学设备的成熟、还有很多科技工作者的理论研究不断发展，全景成像技术的应用会更多地呈现在我们的生活、工作中。全景图像与传统的二维图像相比，有着独特的成像特点和数据格式，这种技术从它的出现、研究、发展、应用再到普及，都将给立体显示和图像领域带来巨大的影响。由此可见，全景成像技术及其系统的研究和开发具有极其重要的意义。
2 全景图像获取
能够得到全景图像的方法比较多，如可以使用单摄像机旋转系统、多摄像机系统、单摄像机或多摄像机加光能收集系统等等。单摄像机旋转系统获得的图像具有无畸变、高分辨率的优势，但是所成图像需要拼接，需要伺服机构，一般来说实时性不太高。多摄像机系统的优点和单摄像机系统类似，实时性大为改善，也无需伺服机构，缺点是也需要拼接，并且成本成倍增加。
3 图像的预处理
若拼接的图像要求有高准确性，则必须对拼接的图像进行预处理。图像预处理主要可以分为图像的校正和去噪两部分。[2]
4 图像拼接算法
4.1 图像拼接算法
4.1.1图像匹配算法
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
4.1.1.1比较匹配算法研究
比较匹配算法是基于灰度匹配的方法，目前研究和应用基于灰度匹配方法的机构比较多，1971年Leese提出了MAD算法；1972年Barnea提出的序贯相似性检测法（SSDA法）此方法能大大提高模板的匹配速度，但弊端是匹配精度低、效果差、受噪声干扰较为明显。山海涛等提出了基于灰度区域相关的归一化灰度（Nprod）匹配法等。因为比较匹配算法对于同一景深的照片匹配效果较好，但是通常获得图片的景深是不同的，所以视拼接效果受到该算法比较大的限制。平行景物线匹配算法是此处匹配算法的基本思想。现有的匹配算法有逐一比较法、分层比较法和相位相关度法，下面详细列出此种算法的基本实现步骤。
(1)取左图重叠部分中距离为d的两列其中的某些象素（L个像素），特征模板ArrayLeft[L]为对应象素的差值。
(2)取右图最左边的P和P+d两列中的某部分像素（设为K，并错开在垂直向上上错开相邻两幅图像在，取K>L），计算它们对应象素值的差值记为ArrayRight[K]。
(3)每一垂直交错距离dis(0≤dis≤K-L），计算出ArrayRight[K]与ArrayLetf[L]的偏差值：
(4)通过比较各ε[dis]值的大小后，得到最小值e[P]；对应的交错距离为dis[P]。
(5)P=P+Step，若P∠M/2(M为图像的宽），回到(2)。
(6)取e[P]中的最小值，得到最佳匹配e[P]。
根据e[P]对应的P和dis[P]，就可确定图像的重叠值并进行拼接。在实际应用中，光线、图像边缘失真等因素会给拼接带来影响，采用下面的平滑处理可以避免因失真等出现的拼接后边界清晰现象。
图像平滑拼贴算法是指取图像重叠部分的像素值后，将像素值按一定的权值相加生成新图像。首先设定宽度为N列像素的确定匹配区域E12为过渡区域，引入渐变因子α=1/N后。拼接图像Image3由三部分组成，分别为Image1的E11、确定匹配区域E12、Image2的E22。
使用CCD（电视摄象机）在车辆平台上的光学系统中实景拍摄需要拼接的源图像，先进行左图拍摄；CCD平移时必须保证两幅图像间有重叠部分，然后略微抬高CCD镜头使得垂直方向上存在交错，进行右图拍摄并进行两图拼接，验证选定算法。（图1)
同一景深的有交叠区域的两幅图像的拼贴结果(图2所示)。
从图4发现转角图像有明显的旋转失真，在拼接交叠处存在拼接缝隙。如果拍摄图像过程中光轴的机械结构发生转动，相邻两幅图像重叠部分的坐标系下就会发生改变，当光轴转动角度的增大以后，比较匹配算法效果会慢慢变差、错误匹配不断增多，图像的准确性变得很难保证。
4.1.1.2特征提取算法研究
特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。
提取特征点的算子有：Moravec算子、Forstner算子和Harris算子。本文选取在各类应用中比较成熟的Harris特征点检测算子进行图像拼接。Harris角点检测算法的步骤如下：
Step1：计算图像亮度I(x,y）在点（x,y）处的梯度：
Step2：构造自相关矩阵：
其中w=exp（-（x2+y2）/2δ2）是高斯窗平滑函数。将上述公式计算式得到对称矩阵它是一个二阶实对称矩阵，必然存在两个特征值λ1和λ2。
Step3：提取特征点：如果特征值λ1和λ2是极大值时，点（x,y）是一个特征点。即行列式和矩阵M的对角线元素和满足：
其中det(M）=λ1*λ2,trace(M）=λ1+λ2,k是参数，通常取值k=0.04～0.06。
特征是图象内容最抽象的描述，与基于灰度的匹配方法相比，特征相对于几何图象和辐射度影响来说更不易变化，但特征提取方法的计算代价通常较大，并且需要一些自由参数和事先按照经验选取的阀值，因而不便于实时应用。同时，在纹理较少的图像区域提取的特征的密度通常比较稀少，使局部特征的提取比较困难。另外，基于特征的匹配方法的相似性度量也比较复杂，往往要以特征属性、启发式方法及阀方法的结合来确定度量方法。一般亮度的情况下，由经验得高斯窗口半径5-15，可以得到不影响处理速度的足够多特征点。
下面以在外场试验中实景拍摄的局部图像为例，拍摄的源图像灰度图像如图5。
在着一定的重叠区域，在重叠区域进行特征点提取。
4.2 重叠区域坐标转换
全景光学系统的焦距已知，此处设为f，柱面的坐标系统以全景系统接收CCD所处位置为圆心，以f为半径，取实际空间中一点A(x,y），则A点在采集坐标系中的坐标为（x-W/2,y-H/2，-f），其中W和H为采集到图像的宽度和长度，下面推倒出A点在柱面坐标系中的对应点A′的坐标A′（x′，y′）。
圆柱面的方程：
其中u和v可以通过原点O和A点的直线参数方程表示：
Z轴方向上参数方程为：
A点在柱面坐标系中的投影点A′的参数坐标为（u,v,w），将上述公式代入求的参数和各参数坐标的具体表达式：
要获得可以进行图像显示的柱面坐标，还需将三维坐标转化为二维坐标A′（x′，y′）
由公式（17）可知，A点和A′垂直方向坐标未发生改变，同理，经过柱面坐标转换的景物垂直方向上不发生改变特征点匹配和融合拼接后的图像需要重新变换到原坐标系下，即柱面逆变换。上面的表达式可以应用在采集坐标系投影到（u,v,w）参数坐标系中，而生产一幅完整的全景图需要的另外三幅图像，应依次投影到（-u,v,w）、（-u，-v,w）、（u，-v,w）三个象限中，整个构成周视360°全景信息，每幅图像大于90°采集范围采集到的图像，则投影到相邻两个坐标系中，作为重叠区域来进行匹配和融合。
由上述的拼接算法的实验结果可以看出，对于车辆的全景成像探测方面的图像拼接，采用基于特征的拼接算法是适合的。
参考文献
[1]肖潇,杨国光.全景成像技术的现状和进展[J].浙江:浙江大学,2006.
[2]吴阳.全景图拼接技术研究[J].南京:南京理工大学,2005.
[3]崔久林.视频图像目标提取技术的研究[J].长春:长春理工大学,2005.
[4]王丽亚.图像的特征提取和分类[J].西安:西安电子科技大学,2006.
机载光电探测航姿信息融合算法研究 篇7
为了消除飞机姿态变化对光电探测设备成像的影响,就必须实时引入飞机姿态变化的信息(航姿信息)对设备所获得的光电图像进行实时修正,使设备获得的目标方位在时间上的相关性不受飞机姿态变化的影响[2].
1 航姿信息融合算法的基本原理
目标在传感器图像上的位置表达为直角坐标方式,目标位置以图像像素的横纵坐标值来表示,飞机姿态变化导致传感器坐标系的变化进而使目标位置在图像上失真,所以如果使目标方位不受飞机姿态变化的影响,必须建立一个新的坐标系.在新的坐标系里,无论飞机做怎样的姿态变化,该坐标系都是稳定的,目标在该坐标系里的坐标值能真实地反映出目标的位置变化.由于得到的目标原始位置信息是基于传感器坐标系的,所以新坐标系必须能与传感器坐标系自由转换.
建立的新坐标系如图1所示,以飞机为原点,X轴指向真北,Z轴与地平面垂直,Y轴垂直于平面(X,Z),新建立的坐标系定义为基准坐标系,以OgXgYgZg来表示.可以看出,在新坐标系里无论飞机做怎样的姿态变化,目标的坐标(Xg,Yg,Zg)都是固定不变的.
目标在基准坐标系里的位置方程可表达如下
(Xg,Yg,Zg)=F(Ψ,θ,φ,ω1,ω2,α,β) (1)
式(1)中,Ψ为飞机偏航角;θ为飞机俯仰角;φ为飞机滚转角;ω1和ω2表示传感器与飞机的安装角度(偏转和俯仰);α为目标在传感器坐标系上的方位角(此值由传感器的视场和目标的横纵像素坐标值得出);β为目标在传感器坐标系上的俯仰角(此值由传感器的视场和目标的横纵像素坐标值得出).这7个参数都可以直接或间接地获得,只要求得函数F的确切表达式就可以得到目标在基准坐标系里的位置坐标.
2 航姿信息融合算法的推导与实现
2.1 坐标系定义
为求得式(1)的确切表达式,还需要另外定义3个坐标系
(1) 机体坐标系:OrXrYrZr
定义机体坐标系,它以指向机头方向的机身轴线为X轴,Z轴与机身平面垂直,Y轴垂直于平面(X,Z), 机体坐标系以OrXrYrZr来表示.
(2) 传感器坐标系:OcXcYcZc
定义传感器坐标系,它以指向传感器镜头方向的传感器轴线为X轴,Z轴与传感器水平面垂直,Y轴垂直于平面(X,Z), 传感器坐标系以OcXcYcZc来表示.
(3) 目标坐标系:OtXtYtZt
建立目标坐标系主要是为了计算的快速和便捷.目标坐标系可以这样定义:原点与传感器坐标系重合,目标在目标坐标系中的三维坐标固定为(Xt,0,0).它的物理意义为传感器坐标系OcXcYcZc先沿Zc轴转动α角到达OeXeYeZe位置,再沿Ye轴转动β角到达坐标系OtXtYtZt.
目标将首先从目标坐标系转换到传感器坐标系,再从传感器坐标系转换到机体坐标系,最后从机体坐标系转换到基准坐标系.鉴于机体坐标系与基准坐标系之间的转换涉及到了3个坐标轴的转动,因此具有最完整的数学表达形式,而另外2次坐标系的转换与它类似,只是简化了一些,因此首先从机体坐标系与基准坐标系之间的转换开始.目标在4个坐标系的三维直角坐标均使用方向余弦描述,即方向向量的值为1.
2.2 机体坐标系与基准坐标系的转换[3]
由获得的航姿信息可知偏航角为Ψ、俯仰角为θ、滚转角为φ,由机体坐标系OrXrYrZr和基准坐标系OgXgYgZg的定义,可以做到让基准坐标系OgXgYgZg通过3次独立转动使之处于OrXrYrZr位置.第1次转动是绕Zg轴的转动Ψ角到达OaXaYaZa位置;第2次转动是绕Ya轴转动θ角到达ObXbYbZb位置;第3次转动是绕Xb轴转动φ角到达OrXrYrZr位置.3次转动的数学表达如下
(1) 绕Zg轴转动角度Ψ(偏航角)
OgXgYgZg→OaXaYaZa
undefined
(2) 绕Ya轴转动角度θ(俯仰角)
OaXaYaZa→ObXbYbZb
undefined
(3)绕Xb轴转动角度φ(滚转角)
ObXbYbZb→OrXrYrZr
undefined
根据以上3步,推出OgXgYgZg→OrXrYrZr的坐标转换关系
undefined
根据Cundefined,Cundefined,Cundefined的特殊形式,由矩阵原理有
(Cundefined)T=(Cundefined)-1→(Cundefined)TCundefined=I
(Cundefined)T=(Cundefined)-1→(Cundefined)TCundefined=I
(Cundefined)T=(Cundefined)-1→(Cundefined)TCundefined=I
反推得到OrXrYrZr→OgXgYgZg的坐标转换关系
undefined
由此实现机体坐标系与基准坐标系间的相互转换.
2.3 传感器坐标系与机体坐标系的转换
传感器与机体的安装角度是2个已知的量,即方位角为ω1,俯仰角ω2.那么机体坐标系到传感器坐标系的转换同样可以让机体坐标系OrXrYrZr通过2次独立转动使之处于OcXcYcZc位置.第1次转动是绕Zr轴转动ω1角到达OdXdYdZd位置;第2次转动是绕Yd轴转动ω2角到达OcXcYcZc位置.
(1) 绕Zr轴转动角度ω1(安装方位角)
OrXrYrZr→OdXdYdZd
undefined
(2)绕Yd轴转动角度ω2(安装俯仰角)
OdXdYdZd→OcXcYcZc
undefined
根据以上2步转换,推出OrXrYrZr→OcXcYcZc的坐标转换关系
undefined
与2.2节的运算相同,可以得到OcXcYcZc→OrXrYrZr的坐标转换关系
undefined
2.4 目标坐标系与传感器坐标系的转换
传感器坐标系OcXcYcZc先沿Zc轴转动α角到达OeXeYeZe位置,再沿Ye轴转动β角到达目标坐标系OtXtYtZt.目标在目标坐标系中的三维坐标固定为(1,0,0).
(1) 绕Zc轴转动角度α(目标在传感器坐标系里的方位角)
OcXcYcZc→OeXeYeZe
undefined
(2)绕Ye轴转动角度β(目标在传感器坐标系里的俯仰角)
OeXeYeZe→OtXtYtZt
undefined
根据以上2步转换,推出OcXcYcZc→OtXtYtZt的坐标转换关系
undefined
与2.3节的运算相同,可以得到OtXtYtZt→OcXcYcZc的坐标转换关系
undefined
2.5 坐标转换后的最终表达式
由式(1)～式(3)最终得到
undefined
其中,Cundefined=CundefinedCundefinedCundefined=(Cag)T(Cundefined)T(Cundefined)T(Cundefined)T·(Cundefined)T(Cundefined)T(Cundefined)T.显然式(4)中不再含有未知变量,结果可以求得.
将最终得到三维直角坐标(Xg,Yg,Zg)仍以方位角和俯仰角的方式来表达.这2个角度是不随飞机姿态变化而变化的[4].
目标方位角:αg=tan-1(yg/xg)
目标俯仰角:βg=sin-1(zg)
3 航姿信息融合算法的效果验证
为验证算法的有效性,现用一套三维航姿模拟系统进行测试,将光电探测设备按一定角度安装在一飞机模型上,再将飞机模型固定在3维转台上,通过控制转台可以使飞机模型同时发生俯仰、横滚和偏航3个姿态,飞机模型上安装有高精度的姿态参考系统可以实时给出飞机模型的三维姿态变化信息.
图2给出的8帧图像(256×256像素)是光电
探测设备在160 0 ms内连续摄取的,在图像摄取期间,控制转台做三轴运动.由于平台的运动,目标在图像中的位置也发生了变化.
表1给出了应用航姿信息融合算法前后的结果数据.表1中的前5个参数前面已经提及,分别代表姿态参考系统给出的航姿数据和光电探测设备在飞机模型上的安装角度,参数X和Y表示图像上目标的横纵坐标值,α和β则是未应用航姿信息融合算法时所得到的目标方位角和目标俯仰角,可以看到α和β有很大的变化.αg和βg是应用航姿信息融合算法后得到的目标方位角和目标俯仰角,从表1可以清楚看到αg和βg基本保持不变(误差在2°左右,主要是转台转动使光电探测设备在空间位置上有平移而产生的),这验证了航姿信息融合算法的有效性.
4 结 束 语
通过将航姿信息和光电图像实时进行数据融合,消除了飞机机动对光电探测的影响,获得了稳定的目标位置信息,从而为对目标作出更准确的判断与识别打下了良好的基础.
参考文献
[1]Moira Smith.Target Tracking for Missile Warning Ap-plications[J].SPIE,2004,5438:282-293.
[2]Abraham Lesnik.Enhanced Target and Clutter Separationby Sensor and Data Fusion[P].ADA392180,1999.
[3]张天光,王秀萍,王丽霞.捷联惯性导航技术[M].北京:国防工业出版社,2007.
视频探测器探测算法 篇8
神经网络是一个复杂网络, 它是由大量简单的处理单元经过连接构成, 能够实现大规模的并行处理能力、包括处理冗余性、容错性、非线性映射能力, 以及能够实现自己适应、学习计算和组织能力。在不同情况条件下的环境对特征参数进行智能处理时, 它能够很好快速处理;并且, 对于火灾信号的有效定位迅速准确, 进而使信号早期能够报警发, 实现火灾的早期发现和报警, 能够大幅度的提高报警器的安全可靠性。
1 BP算法原理
BP (Back Propagation) 网络是一个多层次的前馈智能神经系统。能够实现对任意的非线性映射进行从输入和输出处理。标准的三层BP网络是本文所要重点简介说明的, 该神经网络为的结构如图1所示。
本次设计采用温度, 烟雾和CO三种参数作为网络的输入, 如图2所示。第一步是将信号进行归一化处理, 使其范围归一到[0—1]之间的数值;那么, 温度归一化计算公式:T= (t-tmin) / (tmax-tmin) 。
其中T—归一化温度;t—温度实际值;tmin—样本集中温度最小值;tmax—温度最大值。其它参数与此相同。
其中t—期望输出。Ol—网络实际输出, E—平方和误差。
利用标准的BP算法学习, 尽量使探测的误差最小, 可以通过修改Wij (权值) 和阈值b1, b2来实现。本文采用网络为三层前向, 三个神经元的输入层系统, 他们分别代表温度信号、烟雾信号和CO信号, 三个神经元在输出层时候分别表示火灾各状态 (无火、阴燃和明火) 的发生概率。在隐层神经元个数计算公式主要是根据经验确定, 可以选取公式q=r+s+ (1~10) 来确定。
2 训练和测试方法
对所有的测试样本数据进行一次正向运行, 并进行一次反向传播修改权值称为训练 (也称为学习) , 需要反复的进行计算训练一直到获取合适的结果, 正常来说, 一个过程需要成百上千次的网络训练。实施过程, 确保权值大小一定, 用一组独立数据进行的网络输入, 网络进行正向处理一次为测试。
本文用采用的工具为Matlab神经网络箱, 让其对数据样本集进行正常训练, 图3为训练程序的流程。
本实验中, 温度值、CO浓度、烟雾浓度分别为输入信号;从无火到产生阴燃和明火为输入范围的三种状态。在网络训练以前, 首先根据经验设定好参数, 最大程度争取输出的无火、阴燃和明火三种状态产生的概率, 就是实际得出的概率。那么, 依据设定的参数进行网络训练, 其训练结果如表1所示:
最终通过实验确定隐层神经元个数为7, 将神经网络训练达到最佳状态, 代入测试样本进行仿真, 如表2。
3 结语
基于BP神经网络的训练准确度较高达到了10-2, 大大提高多传感器的火灾报警系统智能化程度。使用这种特殊的方法对火灾信号进行探测处理, 能够加强探测器的灵敏度, 又可以实现误报率的降低, 并且抗干扰能力提高, 从而很大程度上提高了火灾探测系统的安全性和可靠性, 能够有效的降低火灾发生的概率。
参考文献
[1]王殊, 窦征.火灾探测及其信号处理[M].武汉:华中理工大学出版社, 1999.
[2]尚峰, 蒋国平.应用BP网络构造复合型智能火灾探测器[J].自动化仪表, 2003 (3) :39-41.
