解决在地下室中放置NLOS环境信号接收强度（RSSI）和飞行时间（ToF）的方法所导致的多通道干扰和定位延迟的问题，从而导致较大的误差关于定位，提出了一种基于多源传感器的矿山运动目标监测与定位方法。先，通过建立矿井的移动目标跟踪和定位模型，使用混合卡尔曼粒子滤波算法监控地下移动目标的位置范围，从而触发CCD视觉传感器进行采样运动目标图像信息并提取阈值中的特征。预测和估计的运动目标坐标转换为CCD视觉传感器的物理图像坐标系的坐标，并对特征匹配图像进行分割，以减小CCD视觉传感器的匹配特征范围并增加比赛速度。后，SIFT算法用于在驱动图像和所获取的目标图像上进行特征的对应，并通过在运动目标上进行融合来进行定位。据CCD视觉传感器所在基站的位置，获取并修正矿井中移动目标的精确位置信息，以实现实时监控和精确定位。
验表明，与其他算法相比，本文方法在视觉传感器监控阈值范围内可以有效提高定位精度和实时性能，并且对跟踪更加健壮。将移动目标定位在地下目标的遮挡，低光和噪音条件下。时，煤矿中移动目标的定位精度和实时性能还不够。能安全采矿至关重要[1-2]。前，已经有一些基于RFID，WIFI和UWB的定位技术以及诸如RSSI，TOA，AOA等定位算法已被广泛用于井下定位中。但上述定位技术和定位方法会受到设备本身的延迟以及NLOS环境的背景的影响。径干扰和电磁波背景的衰减使诸如RSSI，TOA和AOA之类的定位算法不足以实现移动目标的定位精度[3-5]。
器视觉跟踪定位技术具有定位精度高，抗干扰能力强，目标图像远距离采集的特点[6-8]。在非接触式测量，智能监控，跟踪和目标识别中的应用已成为研究热点，引起了国内外众多学者的关注。S. Sokolov研究了识别率高的Moravec算法的图像特征识别方法，但是由于该图像未经过降噪处理，因此算法对图像噪声非常敏感[9]； CAMShift跟踪算法[10]提高了图像识别的稳定性和识别率。
考文献[11]提出了一种基于SIFT功能的具有多个自由度的中等偏移量的目标跟踪算法，但SIFT算法的准时提取需要金字塔分析。层方法，计算和匹配需要更长的时间。外，上述算法在矿井中的研究和应用相对较少。对上述问题，作者基于无线检测理论和机器视觉理论，建立了矿山运动目标跟踪与定位模型，并建立了模型。用卡尔曼混合粒子滤波算法监控地下移动目标的位置范围，并触发CCD视觉传感器将目标移动到阈值。像信息采样和特征提取；将计划和估计的移动目标的坐标转换为CCD视觉传感器图像的物理坐标系的坐标，恒温阀芯以对与图像匹配的功能进行分割，以减小视觉传感器的功能范围CCD和增加通信速度；最后，SIFT算法用于在训练图像和收集的目标图像上执行特征的对应，并合并运动目标的位置。
据CCD视觉传感器所位于的基站的位置，获得并校正矿井中移动目标的精确位置信息，以获得实时监视和精确定位。后，通过实验验证了该方法的有效性和可靠性。SIFT（尺度不变特征变换）是Lowe [12-13]提出的尺度不变特征变换算法。
SIFT算法使用局部极值作为基准。旋转，缩放和照明不均匀的情况下，它具有很强的不变性和算法稳定性。图像较小时，它总是可以生成更多地标。定每个特征点的方向。据Lowe的建议，我们采用128维SIFT特征描述符来描述特征点，并为每个特征点添加位置，比例和方向的三个关键元素，以确定SIFT算法。征区域。征对应：确定不同图像的特征点，确定不同图像之间的特征点之间的对应关系后，我们采用贪婪算法进行循环比较，以找到对应于每个特征点的特征描述符。一张图片，结束了对应关系。CCD视觉传感器提取并驱动无线识别标签的特征，并使用SIFT算法识别并提取安装在矿井中移动目标上的无线识别标签的相应特征，以便提供用于匹配移动目标特征的功能集。据重采样指标确定粒子是否退化并判断是否满足粒子退化条件（Mi，k将预测和估计的运动目标的坐标转换为视觉传感器图像的物理坐标CCD，并执行与特性相对应的图像分割以减少CCD与功能对应的视觉传感器的范围可以实现更有效的功能匹配，CCD视觉传感器可检测运动目标的特性。运动中进入CCD视觉传感器可以收集的图像的阈值范围，如图2所示，CCD视觉传感器收集移动目标的图像并在以下范围内执行混合卡尔曼混合粒子滤波算法分割的图像匹配运动目标，[CoordSIFT]是CCD视觉传感器定位的运动目标的坐标，[CoordKalman]是通过混合卡尔曼粒子滤波算法估算的运动目标的坐标。输移动目标的坐标，并且CCD视觉传感器的定位策略适用于不同的匹配率。多源传感器定位方法生成移动目标的坐标，以获得移动目标在矿井下的精确定位。了验证本文提出的算法的有效性，我们进行了仿真实验，比较了金梅组刘庄矿的移动目标场景。JetBrains PyCharm平台和OpenCV（开源计算机视觉库）用于模拟测试。能准确性。将CCD视觉传感器收集的视频图像中加入高斯噪声，盐和胡椒噪声之后，我们采用SIFT算法获得功能匹配结果，如图3所示。以看出，SIFT算法具有较少的对应错误和较高的抗噪性。困难的环境中，他总是表现出很高的通信能力。位算法的准确性。了检查和比较本文中RSSI和TOF定位算法与定位算法之间的定位精度差异，表1给出了定位精度测试实验的比较结果。表1的实验结果可以看出，实验设在矿井下方0.5-10米处，分析表明RSSI算法和TOF算法具有一定的可比性。位距离短时，误差较大，容易受到干扰，引起较大的干扰，导致定位误差。
一点该算法在距实验10米的定位范围内具有较高的定位精度，当发生遮挡或距离较远时，CCD视觉传感器无法检测到目标。动。前，本文中的融合定位模型使用Kalman的混合粒子滤波算法来定位结果。占据了越来越多的权重，并弥补了由CCD视觉定位算法由于遮挡而导致的目标损失和定位不准确的问题，并有效地执行了高精度的识别，定位和跟踪在阈值监视距离内移动目标。了说明与基于SIFT功能的传统定位算法相比，该算法耗时的性能得到了改善，我们选择了200幅视频图像作为矿井地下巷道的维护现场。
庄集团刘庄煤矿。4显示了基于SIFT功能的传统定位算法。本文中的算法时间相比。图4的实验比较和分析中可以看出，本文中的算法使用混合卡尔曼粒子滤波算法对特征映射图像进行预测和分割，以减小距离。比传统的SIFT功能匹配和定位算法所需的时间更少，后者可以匹配移动目标的特征。定位和跟踪可提供更高的运营效率和更高的实时性。于传感器网络与工业视觉的融合，本文提出了一种基于多源传感器的地雷目标监测与定位方法。
结合了无线传感器网络的卡尔曼粒子滤波算法和基于SIFT算法的CCD视觉传感器定位方法，获得了特征。射图像的有效分割减小了映射范围，比基于SIFT功能的传统映射定位方法所花费的时间要少得多，有效地改善了实时定位。射精度高于传统的RSSI和TOF算法，有效地抵抗了电磁干扰，定位精度大大提高。矿井下一个相对复杂和多封闭的环境中跟踪和定位移动目标非常可靠。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com