【技术实现步骤摘要】
本专利技术涉及港航，特别是一种内河船舶航行多源数据融合的方法。
技术介绍
1、ais数据的时空轨迹精度高，但是发送间隔周期长，会出现数据错误和丢失现象；雷达目标跟踪不受天气影响，跟踪精度弱于ais，但是间隔短且稳定，易于目标的持续跟踪；视频图像信息丰富，可以获取船舶类型、位置，但是定位精度低，易受天气影响。可见，三种传感器数据存在冗余、冲突和互补，需要通过数据融合来提高数据准确性和精度。
技术实现思路
1、本专利技术的目的在于提供一种内河船舶航行多源数据融合的方法，能够针对内河数据特点改进的内河船舶航行感知数据融合。
2、为实现上述目的，本专利技术提供如下技术方案：一种内河船舶航行多源数据融合的方法，所述方法包括如下步骤：
3、步骤s1：通过ais、雷达、gps、摄像机、罗经、差分定位设备等装置采集ais目标数据、雷达目标数据、视频图像目标数据；
4、步骤s2：基于协方差交叉融合算法对ais与雷达数据进行融合；
5、步骤s3：使用d-s证据理论对融合后得到的k时刻ais、雷达和视频关联于同一目标的量测值进行数据融合。
6、进一步的，所述步骤s2中的协方差交叉融合算法包括直接融合法与转换方位角和距离融合方法。
7、进一步的，采用直接融合法进行融合时，所述步骤s2中进一步包括如下步骤：
8、步骤s21、收集来自ais和雷达的位置测量数据以及对应的协方差矩阵；
9、步骤s22、对收集的协方差矩
10、步骤s23、使用fci算法的近似信息矩阵融合方法，结合ais和雷达数据的信息矩阵，得到整体的融合后信息矩阵。
11、步骤s24、通过将融合后的信息矩阵求逆，可以得到整体的协方差矩阵，用于获得船舶的位置。
12、进一步的，采用转换方位角和距离融合方法时，所述步骤s2中进一包括如下步骤：
13、步骤s21、对收集来的ais和雷达的经纬度数据，将其转换为相对于岸边采集设备基站的距离和角度信息；
14、步骤s22、根据距离和角度信息，获取对应的测量值的协方差矩阵，将获取的协方差矩阵转化为信息矩阵，并利用fci算法的信息矩阵融合近似方法，进行ais和雷达数据的融合；
15、步骤s23、通过对融合后的信息矩阵求逆，可以得到整体的协方差矩阵，同时获得船舶的位置。
16、进一步的，所述步骤s21进一步为：采用三角测量方法将经纬度坐标转换为极坐标系中的距离和角度，其中雷达的观测位置经纬度为(latradar,lonradar)，雷达观测到的目标的经纬度为(lattarget,lontarget)，使用haversine公式来计算目标与雷达之间的距离d：
17、d＝2r×arcsin(sqrt(sin2(δlat/2)+cos(latradar)cos(lattarget)sin2(δlon/2)))
18、其中，r是地球的半径，δlat＝lattarget-latradar和δlon＝lontarget-lonradar。
19、然后，可以计算目标与雷达之间的方位角为：
20、θ＝atan2(δlon,log(δlat))
21、进一步的，所述协方差矩阵的计算公式为：
22、xc1＝wpc1p1-1t1x1+(1-w)pc1p2-1x2
23、pc1＝wpp1-1+(1-w)p2-1
24、w的极小化值为：
25、min(tr(pc1))＝min(tr([wp1-1+(1-w)p2-1]))
26、ais和雷达数据融合的权重系数需要满足线性约束：
27、w1+w2＝1
28、通过fci算法加入另一个独立的线性约束条件：
29、tr(p1)w1-tr(p2)w2＝0
30、当tr(p1)+tr(p2)>0时，将上述两个公式联立可得该方程有唯一解：
31、w1＝tr(p2)/(tr(p1)+tr(p2))
32、w2＝tr(p1)/(tr(p1)+tr(p2))
33、通过fci方法确定了融合场景中的ais和雷达传感器所占权重通过加权方法实现两者的数据融合。
34、其中w∈[0,1]表示权值，xc1和pc1表示融合后的状态估计和误差协方差矩阵；
35、进一步的，所述步骤s3进一步为：以ais预测数据与采集的差分定位数据进行对比，统计两数据之间的差值，得出ais预测数据误差概率分布情况，以雷达数据与采集的差分gps数据进行对比，统计两数据之间的距离方向与距离方向差值，得出雷达角度与距离数据误差概率分布情况，将视频数据与采集的差分gps数据进行对比，统计两数据之间的距离方向与角度差值，得出视频角度与距离数据误差概率分布情况；以目标输出经纬度作为坐标原点，以远离目标的角度方向为y’轴正方向，在以y’轴顺时针旋转90°为x’轴正方向，建立融合坐标系，任意时刻融合坐标系中任意一点为(x,y)，通过获取ais、雷达和视频融合后有目标假设的融合概率，选取的有目标假设的融合概率的最大值所对应的坐标点(xfmax,yfmax)为ais、雷达和视频融合的输出坐标。
36、本专利技术的有益效果：
37、(1)建立了多传感器分布式数据融合框架，采用先ais与雷达二者初步数据融合再ais、雷达和视频三者精确融合的分步方法。
38、(2)形成了基于协方差交叉融合算法的ais与雷达数据融合方法，提出了将ais和雷达数据转换为距离和角度信息后再融合的方法，提高了融合估计结果的精度。
39、(3)改进了证据理论多传感器数据融合中传感器置信度赋值方法，通过动态赋值模型描述内河船舶航行智能感知中传感器数据丢帧导致的跟踪可信度下降问题。通过实验分析表明在复杂的会遇局面下，该方法具有误差小、精度高、鲁棒性强等特点，提高了内河船舶航行态势智能感知系统的数据稳定性。
本文档来自技高网...【技术保护点】
1.一种内河船舶航行多源数据融合的方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述步骤S2中的协方差交叉融合算法包括直接融合法与转换方位角和距离融合方法。
3.根据权利要求2所述的一种内河船舶航行多源数据融合的方法，其特征在于：采用直接融合法进行融合时，所述步骤S2中进一步包括如下步骤：
4.根据权利要求2所述的一种内河船舶航行多源数据融合的方法，其特征在于：采用转换方位角和距离融合方法时，所述步骤S2中进一包括如下步骤：
5.根据权利要求1所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述步骤S21进一步为：采用三角测量方法将经纬度坐标转换为极坐标系中的距离和角度，其中雷达的观测位置经纬度为(LatRadar,LonRadar)，雷达观测到的目标的经纬度为(LatTarget,LonTarget)，使用Haversine公式来计算目标与雷达之间的距离d：
6.根据权利要求3或4所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述协方差矩
7.根据权利要求1所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述步骤S3进一步为：以AIS预测数据与采集的差分定位数据进行对比，统计两数据之间的差值，得出AIS预测数据误差概率分布情况，以雷达数据与采集的差分GPS数据进行对比，统计两数据之间的距离方向与距离方向差值，得出雷达角度与距离数据误差概率分布情况，将视频数据与采集的差分GPS数据进行对比，统计两数据之间的距离方向与角度差值，得出视频角度与距离数据误差概率分布情况；以目标输出经纬度作为坐标原点，以远离目标的角度方向为Y’轴正方向，在以Y’轴顺时针旋转90°为X’轴正方向，建立融合坐标系，任意时刻融合坐标系中任意一点为(x,y)，通过获取AIS、雷达和视频融合后有目标假设的融合概率，选取的有目标假设的融合概率的最大值所对应的坐标点(xfmax,yfmax)为AIS、雷达和视频融合的输出坐标。
...【技术特征摘要】
1.一种内河船舶航行多源数据融合的方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述步骤s2中的协方差交叉融合算法包括直接融合法与转换方位角和距离融合方法。
3.根据权利要求2所述的一种内河船舶航行多源数据融合的方法，其特征在于：采用直接融合法进行融合时，所述步骤s2中进一步包括如下步骤：
4.根据权利要求2所述的一种内河船舶航行多源数据融合的方法，其特征在于：采用转换方位角和距离融合方法时，所述步骤s2中进一包括如下步骤：
5.根据权利要求1所述的一种内河船舶航行多源数据融合的方法，其特征在于：所述步骤s21进一步为：采用三角测量方法将经纬度坐标转换为极坐标系中的距离和角度，其中雷达的观测位置经纬度为(latradar,lonradar)，雷达观测到的目标的经纬度为(lattarget,lontarget)，使用haversine公式来计算目标与雷达之间的距离d：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。