CN110726990A 一种基于ds-gnn算法的多传感器融合方法 （江苏大学）

本发明公开了一种基于DS-GNN算法的多传测之前需要预先对毫米波雷达和摄像头进行联然后引入全局最近邻(GNN)算法对所有原始目标D-S证据理论对观测值进行有效的融合，包括目2步骤2：采用基于全局最近邻算法分别对毫米波雷达和摄像头采集的观测值与目标源2.根据权利要求1所述的一种基于DS-GNN算法像头的采样频率为60Hz,以雷达获取的数据为基准，采用多线程同步的方法解决传感器时Pro2:根据k-1时刻给出的目标状态，利用扩展卡尔曼滤波方法计k时刻目标的状态预(3)和式(4)得到的k时刻目标的状态预测值以及预测误差协方差，计算雷达的量测预测值3-ZPro4：将雷达与目标源的关联量测数据输入到跟踪滤波器中利用毫米波雷达得到的状态估计向量和协方差矩阵作为摄像头的初始状态预测值和协方差矩阵然后结合摄像头的量测数据进行45.根据权利要求1所述的一种基于DS-GNN算6.根据权利要求5所述的一种基于DS-GNN算法的多5ii＝1,2分别表示雷达和摄像6大部分注重于利用摄像头等传感器探测到的目标位置，迅速确定图像上的“感兴趣区域”[0008]步骤2：采用基于全局最近邻算法分别对毫米波雷达和摄像头采集的观测值与目7[0017]Pro2:根据k-1时刻给出的目标状态，利用扩展卡尔曼滤波方法计k时刻目标的状据式(3)和式(4)得到的k时刻目标的状态预测值以及预测误差协方差，计算雷达的量测预v-Z(k):8[0032]进一步，采用基于全局最近邻算法对摄像头采集的观测值与目标源进行一一匹w2[0038]利用毫米波雷达得到的状态估计向量和协方差矩阵作为摄像头的初始状态预测最近邻(GNN)数据关联算法对k时刻的估计值和量测值通过基本概率分配函数分别计算其概率分配值Aii=9[0076]本文发明了一种基于DS-GNN算法(Dempster/Shafer证据理论-全局最近邻)的多[0080]采用全局最近邻算法(GNN)分别对雷达和摄像头获得的目标与目标源进行数据关[0082]通过步骤2分别对毫米波雷达和摄像头的量测值与目标源匹配之后，接下来是将获得的雷达和摄像头的状态估计值进行有效融合。采用D-S证据理论方法对多传感器量测目标信息和观测值进行一一匹配，从而来确认雷达和摄像头的哪些观测值由同一辆车产生，最后采用D-S证据理论对观测值进行有效的融合，包括目标状态更新与存在性概率更提供目标的位置和速度信息，系统检测之前需要预先对毫米波雷达和摄像头进行联合标块以雷达数据采集周期正常运行，使图像采集模块根据雷达运行相对应的进行触发运行，也就是说在当前时刻摄像机传感器与雷达传感器同时工作的下一时刻控制运行周期短的[0092]本发明结合全局最近邻算法(GNN)分别对毫米波雷达以及摄像头获取的量测数据22-Z[0118]利用毫米波雷达得到的状态估计向量和协方差矩阵作为摄像头的初始状态预测[0123]同样利用全局最近邻(GNN)数据关联算法对k时刻的摄像头量测与目标源进行关[0131]图4示出了D-S证据理论融合的流程图，雷达和摄像头通过全局最近邻算法(GNN)获得k时刻的目标状态估计值和量测值通过基本概率分配函数分别计[0132]Pro1：在k时刻，雷达和摄像头经过数据关联算法计算后得到的目标状态估计值[0144]本发明选用别克凯越轿车作为实验用车，采用美国德尔福76-77GHz的ESR毫米波法进行目标序列的数据关联，基于D-S证据理论