AIS与雷达目标信息模糊融合算法与实现

为达到优势互补的目的,将AIS(船舶自动识别系统)与雷达目标信息进行融合处理.采用时空粗关联融合判断及多因素模糊综合决策的方法,研究了AIS与雷达目标动态信息融合算法.计算机仿真结果表明关联门限值为0.75时,融合后目标更靠近AIS目标.实测验证该方法可以有效地提高目标信息的精度与可靠性.     

船舶航行态势融合算法及平台开发

为使船舶航行操控人员或自动驾驶系统能够获得更为全面和精准的航行环境信息，提出一种融合雷达、船舶自动识别系统（automatic identification system,AIS）、可见光多源信息的目标融合算法，并开发可应用于实船的软件平台。首先，设计多源目标融合算法，根据同一性原理将雷达捕获目标与AIS解析目标融合，根据水平面坐标与垂直面坐标变换原理融合可见光目标；其次，设计船舶多源目标融合数据样本集制作原理，利用实船采集数据构建包含3种来源的数据样本，并开发多源目标识别算法；再次，设计船舶航行多源信息融合平台，开发可应用于实船的可视化人机交互界面；最后，利用实船开展算法验证和平台试验，验证融合算法的准确性和软件平台的有效性。多目标融合算法可实现3种来源目标的准确融合，融合软件平台可提供较为精准的可视化信息。     

视觉和毫米波雷达信息融合行人识别算法

提出了一种在主动防碰撞系统中采用视觉和毫米波雷达数据融合来识别行人的算法.在基于单目视觉获取的图像中提取HOG特征,采用支持向量机的分类方法检测行人,获取行人信息,通过快速容差中频匹配算法快速地检测目标,并获取目标信息,将基于视觉的行人信息传递给毫米波雷达;根据视觉检测的行人信息与毫米波雷达检测的目标信息进行比对,将匹配通过的目标识别为行人;将基于视觉的行人特征信息与毫米波雷达检测的行人特征信息进行融合,得到行人目标的新特征信息.通过采集道路环境的视频和雷达数据对行人正确识别率进行验证.验证结果表明,采用所提出的算法进行行人识别,在获取更加精确的行人特征信息的前提下,正确识别率较高.     

基于激光雷达与毫米波雷达融合的车辆目标检测算法

针对仅基于单一传感器的目标检测算法存在检测精度不足及基于图像与激光雷达的多传感器融合算法检测速度较慢等问题,提出一种基于激光雷达与毫米波雷达融合的车辆目标检测算法,该算法充分利用激光雷达点云的深度信息和毫米波雷达输出确定目标的优势,采用量纲一化方法对点云做预处理并利用处理后的点云生成特征图,融合毫米波雷达数据生成感兴趣...     

航海雷达的岸基应用系统

各种岸基监控领域采用通用航海雷达替代专门岸基雷达,使监控系统更经济可靠并便于维护.本文提出基于航海雷达的岸基监控系统的构建方案,讨论系统信息处理功能,给出雷达与AIS目标数据融合的基本方案,该方案已在长江大桥安全监控系统中实际应用,并获得良好的使用效益.     

基于AIS信息融合的船载航行数据记录再现

研究VDR与AIS信息融合的信息再现,分析VDR和AIS播发的信息及其系统结构,设计了基于AIS信息融合的船载航行数据记录再现系统,并介绍了系统的构成、技术以及功能.     

基于等权平均压缩技术的雷达/红外传感器融合算法

针对雷达/红外传感器融合时经常面临的数据采样率不相等问题,提出了一种基于等权平均量测压缩技术的雷达/红外融合算法。该算法通过将高采样率的红外角度量测数据进行等权平均压缩,更有效地利用了目标信息,进而提高了雷达/红外融合后的信息精度。仿真结果验证了算法的有效性;且相对于最小二乘压缩的雷达/红外融合算法具有更高的精度。     

基于RCBAM和SSD的特征融合低照度环境目标检测算法研究

针对低光照、雨雾等恶劣场景对智能驾驶视觉系统检测能力的影响,提出了一种雷达与相机特征融合的网络模型. 基于毫米波雷达信息和注意力模型构建了雷达注意力机制特征模块,该模块可以为特征融合网络提供一个先验信息和增加算法在目标候选区域权重. 测试结果表明,引入雷达注意力机制模块后,特征融合网络的目标检测性能要比仅依赖计算机视觉的检测性能有了明显的提升,并且在复杂场景下的目标检测鲁棒性更强.      

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

一种基于置信函数的分类器自优化雷达点迹识别算法

雷达组网协同探测中,受不同探测精度、观测维度及环境噪声影响,信息系统获取的传感数据包含一定不精确、不确定信息,导致无法对目标点迹准确分类识别。为此提出了一种基于置信函数的分类器自优化雷达点迹识别算法。首先,基于置信函数理论创建目标、杂波、不确定数据的证据识别框架,并设计可实时给定目标数据类别隶属度的深度神经网络模型分类器。然后,依托当前迭代轮次分类结果进行辅助决策证据构建,并根据点迹分布特性进行证据修正融合。最后,基于全局融合结果进行点迹类别标签更新,并重新驱动网络模型分类器进行在线学习与更新,如此迭代循环直至所有的雷达点迹数据类别标签不再发生改变。基于雷达实测数据集对算法性能进行验证分析,结果表明与传统算法相比新算法能够有效提升雷达点迹的分类正确率,而且随着样本数据的丰富算法收敛时间可急速减少,便于在后续工程中推广应用。