[发明专利]一种基于DS证据理论的轨迹预测装置及方法

权利要求书

1.一种基于DS证据理论的轨迹预测方法，其特征在于，包括：

步骤1，利用多传感器采集目标信息，获取目标所在区域的视频图像信息和三维点云信息；

步骤2，时间配准和空间配准；

步骤3，利用卷积神经网络检测目标提取视频图像特征，通过在卷积层后连接上采样层、以及在池化层后增加残差结构，弥补原始输入图像经过过各个卷积层得到的新图像的分辨率的损失；同时还提取目标三维点云特征；

步骤4，配准与融合相同帧时刻的目标视频图像特征和三维点云特征，得到同一目标的完整特征；特征配准和融合时还会包括共有特征以及非共有特征；

步骤5，基于前后帧时刻，关联前帧出现的目标与后帧出现的目标；

步骤6，建立样本矩阵用于表示被预测的轨迹，包括：单个传感器的目标轨迹预测、多个传感器之间目标匹配的轨迹预测、单个传感器获取各自目标的轨迹融合后的轨迹预测；

步骤7，利用DS证据理论对预测的轨迹进行正确性判断，输出最优轨迹。

2.基于权利要求1所述的基于DS证据理论的轨迹预测方法，其特征在于，所述单个传感器的目标轨迹预测，至少由激光雷达传感器、红外传感器和可见光传感器分别对同一目标检测，获取目标的位置，根据目标连续前后帧所在位置进行轨迹预测；

所述单个传感器获取各自目标的轨迹融合后的轨迹预测，由单个传感器检测目标，至少包括激光雷达传感器、红外传感器和可见光传感器，得到同一目标位置和各自轨迹，对各自轨迹进行融合，利用基于卡尔曼滤波预测所述目标的轨迹；

所述多个传感器之间目标匹配的轨迹预测，由多个传感器获取目标，基于相同帧检测目标特征，对特征进行融合，得到同一目标的全部特征，然后分析该目标的位置，基于前后帧位置，利用卡尔曼滤波预测所述目标的轨迹。

3.基于权利要求1所述的基于DS证据理论的轨迹预测方法，其特征在于，所述步骤3，利用卷积神经网络检测目标提取视频图像特征，具体包括：首先利用非下采样变换对红外和可见光视频图像进行逐帧融合，得到融合后的图像；

然后利用卷积神经网络检测视频图像中所有目标，进而检测目标图像特征；所述检测目标图像特征与所述检测视频图像中所有目标共用卷积神经网络的卷积层；

按照水陆空领域划分训练数据集，采集种类至少包括飞行物集合、船舰集合、车辆集合；每个种类包含若干个数据，训练集以场景为批次输入卷积神经网络进行训练，场景中至少包含一个目标，每200帧迭代保存一次数据；利用Adam优化算法完成训练，并对模型进行更新；将更新后的模型作为检测模型，输出结果为目标所述类别、目标个数以及特征；

所述卷积神经网络，由卷积层、激励层、池化层和上采样层组成；

第1层为卷积输入层，输入原始大小图像，设置16个卷积核，大小为5×5，填充值为2，步长为1，激活函数设置为ReLU函数；

第2层为卷积运算层和平均池化层，输入图像，卷积层设有32个卷积核，大小为5×5，填充值为2，步长为1，ReLU函数线性激活函数；下采样层使用2×2的核，步长为2，进行平均池化下采样输出；

第3层为卷积运算层、平均池化层和上采样层，输入来自第2层的图像，卷积层大小为3×3的64个卷积核，填充值为1，步长为1，ReLU函数线性激活函数；下采样层使用2×2的核，步长为2，进行平均池化下采样输出，然后进行正则化处理；上采样层使用2×2的核，步长为2；

第4层为卷积运算层、最大池化层和上采样层，输入来自第3层的图像，卷积层大小为3×3的32个卷积核，填充值为1，使用ReLU激活函数；下采样层使用2×2的核进行最大池化；上采样层使用2×2的核，步长为2；输出图像；

第5层为卷积运算层和最大池化层，输入来自第4层的图像，卷积层大小为3×3的16个卷积核，填充值为1，使用ReLU激活函数；下采样层使用2×2的核进行最大池化，下采样输出图像；

第6层为两个全连接层，用2048个神经元连接一个残差结构以及经过第5层的特征图输出，再由Dropout随机丢掉节点信息，得到新的神经元；DropOut层仅产生50％的输出；

第7层为输出层，通过分类器输出；

为弥补通过各个卷积层而生成的图像的分辨率与原始图像分辨率之间的差值，(1)利用叠加残差结构进行补偿，残差结构用于将第2层平均池化下采样层的输出特征与第5层最大池化采样层输出特征进行线性相加，(2)第3层卷积运算层与第4层卷积运算层输出端接一个对应原图分辨率的上采样层；

通过上述卷积神经网络检测目标，提取目标视频图像特征。