移动目标检测

2024-07-12

移动目标检测（精选九篇）

移动目标检测篇1

随着图像处理技术的发展,目标检测成为研究热点,红外条件下的目标跟踪由于不受光照与气候影响等特点成为最有潜力的应用方向[1]。目前已广泛应用于医疗、监控、军事等重要领域[2,3]。其中移动目标形状还原的准确率还有提高的空间。

近来有许多提高移动目标检测率的研究出现:文献[4]提出了一种基于混合高斯模型(GMM)的背景减除(BS)快速识别算法用于红外视觉监视系统伪装人体目标检测。获得了较好的人体目标检测效果,同时计算效率较高,但其只针对人体识别,因此通用性不足。文献[5]采用一种基于增量式子空间学习的视觉跟踪方法,有效解决了红外图像中背景、目标运动方式复杂等问题。该方案针对复杂背景与运动方式仍然具有较好的检测性能,但其计算效率稍低。文献[6]在嵌入式目标跟踪平台上引入了均值偏移算法,使得在复杂背景下或目标受到遮挡时,依然表现出较好的检测性能。

上述算法均获得了较高的检测率,但其对目标轮廓还原性能均一般,在一些阴影热点的影响下,容易出现轮廓变形,影响了算法的准确性。基于此,本文首先检查前景目标,并基于轮廓显著图较好的检测出目标轮廓,然后使用二值化处理进一步将轮廓窄化,获得了较准确的轮廓。实验结果表明了本文算法的检测率较高,同时对目标轮廓的检测极为准确,性能较好。

1 本文算法

如图1所示为本文算法总体流程,共分为3个部分:

(1)基于统计背景消除的前景检测;

(2)基于轮廓显著图的轮廓检测;

(3)轮廓生成与优化。

1.1 前景目标检测

基于输入视频(帧数量需足够多),创建可准确代表背景的统计背景模型。设当前处理帧的序号为N+1,参考背景则基于前N个帧创建(取所有帧的像素中值),称为中值图像(Imed)。统计背景模型则利用带权中值(μ)与带权方差(σ2)来计算,如下:

式中:Ii(x,y)表示第i帧中位置(x,y)处的像素强度,采用权重参数Wi(x,y)(针对每个像素)来降低异常点对性能的不利影响,Wi(x,y)计算如下:

基于充分的实验基础与计算分析,将SD值设为5(效果最佳)。视频帧背景的带权中值图像与带权方差图像如图2所示。然后,基于中值、方差背景模型,计算视频中各像素与背景像素(中值、方差)的马氏距离的平方,其中大于阈值(马氏距离)的像素作为前景像素,以此获得视频帧(I)的前景目标(s),表示如下:

基于充分的实验基础与计算分析,将T设为T2=81(性能最佳)。

然后,采用连通分量算法[7],将上述分完类的像素相互连接并将连接后的像素集合记为一个目标对象。结合视频的部分先验信息(如图像的宽、高比例等)计算目标对象,并将其中的杂波过滤掉,最终将前景目标较好地从背景像素分离出来。连通分量算法与杂波过滤后的输出结果如图3所示。

1.2 轮廓检测

本步骤采用输入视频帧的梯度信息与背景信息来检测轮廓,最终获得前景目标的轮廓。采用轮廓显著图[8](CSM)抑制差异较大的非目标梯度值,并抑制前景与背景之间差值较大的像素。CSM的计算包括:输入视频帧的梯度幅度值(归一化处理),前景与背景的梯度幅度差值(归一化),从中选择较小的值作为CSM,表示为:

式中:Ix,Iy分别表示输入图像水平与垂直方向的梯度;Bx与By分别表示图像背景的水平与垂直方向的梯度。第一个归一化因子Max表示输入梯度的最大值;第二个Max表示前景与背景梯度差值的最大值。CSM归一化像素值的范围为[0,1],像素值越大,表示该像素属于目标对象边缘的可能性越大。CSM的每个像素值(归一化)代表像素属于前景对象边缘的可能性。上述算法成功获得了背景,但并不一定是最合适的,为了保证当前待处理帧所选的背景合适,设计了自适应的背景更新模型来产生新的背景帧。采用上述杂波过滤阶段的移动目标信息获得当前帧的背景Bn+1(x,y):

静止状态:将所有处于移动状态的像素作为前景像素,然后将该前景像素与上一帧的背景组合;

移动状态:使用上一帧的背景(处于静止状态的像素)更新参考背景,表示为:

其中α表示更新背景时上一帧重要性的权重参数。

1.3 轮廓窄化处理及轮廓优化

首先,为了产生较窄的轮廓,使用基于Canny算子的非极大值边缘抑制,对上述轮廓进行窄化处理并获得较窄的轮廓tCSM。然后,将tCSM转化为二值tCSM图像选择权重最高的轮廓。为了实现此步骤,需要设置一个合适的阈值来选出目标轮廓的大多数像素点,同时需过滤背景噪声。阈值的选择:使用K-means聚类算法(分为两个簇),两个簇分别代表目标(前景)与背景。像素较低的簇作为背景,并直接将其像素值设为0;像素较高的簇作为前景像素,并直接将其像素值设为1。

二值化处理后的效果图如图4所示,可以看出,已成功获得目标轮廓。

1.4 生成目标形状(剪影)

最后,从轮廓图像生成目标形状。二值化轮廓图像中必定包含较多的损坏的像素,轮廓并不完整,因此无法直接使用Flood-fill来获取目标形状[9]。从图4中可明显看出,以上步骤获得的轮廓需要关闭与膨胀处理,因此,使用diamond结构元素进行形态学处理(膨胀),然后使用disk结构元素进行关闭处理,膨胀与关闭处理可将二值化轮廓修复还原。最终使用Flood-fill(漫水填充)来生成目标形状。Matlab中具有膨胀、关闭处理和Flood-fill的工具库,可直接使用,本算法的最终检测效果图如图5所示。

2 实验结果与分析

2.1 实验环境与参数设置

使用辐射热测量仪器拍摄视频,拍摄环境为四川省内江的一个空旷农村,分别在两种温度与天气条件下进行拍摄(上午11点与下午4点左右)。每帧图像大小为640×480,空中拍摄了18段红外图像视频。从中选取4个视频进行实验与分析,其中两个视频中有行人经过,另外两个视频中有车辆经过。

由于本文算法需要较多的背景帧来生成统计背景模型,因此对帧数量有一定要求。帧的总数量、背景帧的最大数量、背景帧的数量如表1所示。

2.2 移动目标检测效果对比

本文算法基于Matlab R2011a编程实现,硬件环境为:Intel Xeon CPU X5660,主频2.79 GHz,内存4 GB。为了评价算法性能,将本文算法与著名的Mixture of Gaussians(GMM)、文献[10]进行对比实验。Matlab系统的工具箱中含有优化的GMM实现库,因此可直接使用;文献[10]方案具有较高的检测率和较低的虚警率,性能较好。三种算法对车辆视频1与人体视频2的检测结果如图6所示。

可以看出,GMM算法将目标区域分割成了多个部分进行处理,在车辆视频1中,由于气压条件与热噪声的影响,GMM的检测出现大量错误。而从图6中可看出,本文算法可提取整个目标区域,将目标区域作为整体处理,并且没有检测错误。因为本文算法使用了轮廓显著图降低了轮廓检测的错误率。文献[10]算法成功检测了目标,且并没有过多的错误检测,但对于目标形状的细节处理并不理想。原因在于文献[10]算法的目标是追求较高的检测率和较低的虚警率,并没有提取目标对象的形状与轮廓。与之相反,本文算法基于轮廓信息获得了目标的形状信息,因此,对目标轮廓检测的效果较好。

2.3 算法性能评价

由于像素级评估需要手工精确标定真实前景,实现困难,因此本文采用外接矩形框的评估方式,计算每一帧内目标的检测率与虚警率,选用常用的三个指标参数:敏感度、PPV(真目标预测度)和F-measure。

式中:GT,TP,FP分别表示Groud Truth,Ture Positive,False Psitive;GT表示视频中含有目标的帧数。敏感度值越高表示检测率高,PPV值越高表示虚警率较低,PPV是算法的整体性能的衡量。F-measure则是敏感度的调和平均数。

实验结果如表2所示,可看出本算法的检测率为100%,而虚警率较低。

4个视频的移动检测效果如图7所示。车辆视频1中有2个目标均在移动(轿车和鸟),本文算法成功检测出2个目标,但有少量车辆像素被误分为背景像素。本文算法对行人也具有较好的检测正确率。人体视频2的结果出现少量的错误,本文算法将人体阴影产生的热点错误地识别成移动目标。从实验结果可看出,本文算法的总体性能较好,敏感度为1,平均F-measure值为0.989 5,性能较为优秀。同时对本文算法的检测处理时间进行了统计,每帧处理时间为0.7 s左右,具有较好的计算效率,但还有提升的空间。

3 结语

现有采用红外视频的移动目标检测均可成功检测移动目标,具有较高的正确率,但在目标图像还原时,对目标的轮廓还原效果欠佳。本文首先检查前景目标,并基于轮廓显著图较好地检测出目标轮廓,然后使用二值化处理进一步将轮廓窄化,获得了较准确的目标轮廓。实验结果表明了本文算法的检测率较高,同时对目标轮廓的检测极为准确,性能较好。

参考文献

[1]胡涛涛,盛琥,王立明.基于时空二维目标描述的红外小目标跟踪[J].激光与红外,2014,44(10):1159-1163.

[2]李科,徐克虎,张波.多特征自适应融合的军事伪装目标跟踪[J].计算机工程与应用,2012,48(34):171-174.

[3]王溪筠.移动机器人非结构场景图像边缘检测算法[J].红外技术,2012,34(2):99-102.

[4]张品,陈亦望,傅强.使用GMM背景减除的红外伪装人体目标快速识别算法[J].红外与激光工程,2012,41(4):975-983.

[5]常雅男,毕笃彦,查宇飞,等.基于增量式子空间学习的红外目标跟踪研究[J].计算机测量与控制,2013,21(6):1668-1671.

[6]孙航,韩红霞,郭劲,等.基于均值偏移快速算法的红外目标跟踪[J].仪器仪表学报,2012,33(5):1122-1127.

[7]胡敏,蔡慧芬.基于形态学标记连通的分水岭图像分割[J].电子测量与仪器学报,2011,25(10):864-869.

[8]张立保.基于区域增长的遥感影像视觉显著目标快速检测[J].中国激光,2012,39(11):205-211.

[9]NOSAL E.Flood-fill algorithms used for passive acoustic detection and tracking[C]//Conference on New Trends for Environmental Monitoring Using Passive Systems.[S.l.]:IEEE,2008:1-5.

移动公司岗位目标责任制总结篇2

一、2007年生产经营常规工作

（一）精心组织经营工作、全面完成工作目标

2007年黄山区移动公司以科学发展观统揽全局，紧紧围绕企业发展战略目标和工作任务，抢抓机遇，加快发展，进一步提高了用户市场份额和收入份额，全面完成工作目标。

（二）深化服务管理，树立诚信形象

以客户需求作为改进和提升服务的出发点，建立了客户导向的内部考核机制和服务管理体系。加大了营业厅服务管理的整改力度，开展服务流程体验，强化服务过程指导，以提高投诉满意度为切入点，快速提升服务水平，更多地满足客户的需求。全年展开了“诚信服务、满意100”达标活动，深入开展诚信服务，树立企业诚信形象。

（三）以服务地方经济建设为己任，保持网络信号畅通

1、为满足地方经济、社会主义新农村建设需求，黄山区移动公司至目前共建基站71个，行政村的网络覆盖率已达到95%，自然村的覆盖率已达到92%，基站遍及城乡各个角落。

2、为保证网络畅通，黄山区移动公司基站维护人员不辞劳苦，克服种种困难，认真做好各项日常维护和网络故障排除工作。在今年“7.10”洪灾中,更是发扬了吃苦耐劳,能打硬仗的精神,日夜坚守在维护战线上，确保了抗洪抢险通信的畅

二、社会治安综合治理暨平安建设工作

（一）指导思想明确，组织机构健全

1、以邓小平理论和“三个代表”重要思想为指导，全面落实科学发展观，正确处理企业发展与企业稳定之间的关系，动员全体员工都参与社会治安综合治理和平安建设工作中去。

2.黄山区移动高度重视社会治安综合治理工作，2007年初调整了社会治安综合治理工作领导组，公司经理任组长，办公室主任任综合治理联络员。领导组定期研究本单位综合治理工作，将社会综合治理工作纳入公司基础管理工作中。

（二）工作开展扎实，企业和谐稳定

1、完善社会治安综合治理工作制度。①每季度召开一次领导组成员会，对综合治理工作进行整体部署，对工作中出现的问题及时总结、分析、整改。②重要岗位定期检查，在节假日及重大事件期间，对本公司的治安工作人防、技防措施进行全面桧查，做好节日期间的安全。③落实责任追究制度，将社会综治工作层层落实，责任到人，实行综治工作与考核、奖惩挂钩，与所属各部门签定综合治理责任书，半年检查一次责任书落实情况。

2、以抓好安全生产为切入点，确保企业一方平安。①年初制定了《黄山区移动公司2007年安全生产、安全保卫工作要点》、《黄山区机动车辆管理办法》等管理办法，安全生产有了制度保障。②每季度召开一次安全生产委员会全体成员会议，对安全生产定期研究。对安全生产中出现的问题及时分析、总结。加强了员工对安全知识的培训，举办了骨干员工和新进员工参加的安全消防演练。组合员工参加全市安全知识竞赛，并取得了团体三等奖和个人二等奖的好成绩。③做好营业部办公营业场所安全检查，及时发现、解决问题，配齐保险柜及消防器材。组织开展营业厅安全管理专项检查，重点调研了自主送款营业厅的资金安全管理情况，制定了切实可行的防范措施，有效保证资金和人身安全。④积极投入平安建设工作，加强对技防的投资力度。今年投资10万余元投资安装了12各乡镇营业部的安保监控系统，并发挥作用，成功的阻止了一起营业厅入室盗窃案件。

3、认真开展“

五、五”普法工作。①制定“

五、五”法制宣传教育、保密法制宣传教育规划。组织员工加强法律和科学文化知识学习，崇尚科学，反对迷信，坚决抵制邪教和歪理学说。结合“

五、五”普法工作及“１２.４”全国法制宣传日等活动，加强全体员工特别是管理人员的法制教育，促进了全体员工法律意识和法制观念进一步增强，促进本公司法制化管理水平进一步提高，营造了员工学法、知法、懂法、用法的法制氛围，②全年开展法律风险梳理和控制活动，保障公司各项工作依法顺利开展。和全体员工签订保密协议并组织员工踊跃参加市公司组织的市分公司保密知识网上问卷，促进全体员工保密意识的增强。

4、完善信访工作制度。认真贯彻实施《信访条例》，畅通信访渠道。信访领导组成员经常深入到员工中去，了解员工的想法，解决员工工作、生活中出现的困难。并开通总经理信箱，提供员工反映问题的渠道，将可能发生的纠纷，消灭在萌芽状态，黄山区移动公司2007年未发生一起信访事件。

三、党风廉政工作

移动目标检测篇3

关键词：运动目标检测；3DGabor滤波器；环绕抑制；空间显著图；运动显著图

中图分类号：TP391.41

计算机视觉技术已经广泛应用到各行各业，而运动目标检测在其中有着重要的意义，现有运动目标检测算法依据使用的模型可以分为两大类：一是计算机视觉；二是仿生物模型。人类视觉感知的高效性促使一些研究人员设计仿生物的运动目标检测模型。F.Raudies和H.Neumann[1]通过模拟各个视皮层神经元的工作机制设计双通路结构模型，实现背侧通路和腹侧通路的相互作用，类似的还有其它学者提出的视觉模型[2-3]。也有些研究人员计算视频序列的显著性时融入运动特征。例如Mancas等人提出的异常检测模型。人眼在识别物体是否运动，是通过判断目标物体相对参照物产生的位移即相对速度。与之前方法的出发点不同，本文提出一种新的解决思路，通过模拟人眼的视觉特性感知物体的相对速度实现移动镜头下运动目标的检测。

1 方法

本文算法具体的实现步骤：采用3DGabor滤波器组提取场景中物体的运动能量；用大尺度的环绕抑制去除大量的同质区域；基于运动能量分别提取目标的运动和空间显著图，通过运动显著图与运动能量的交集得到目标的运动区域；将运动区域与空间显著性进行求和以增加目标轮廓的完整性。

1.1 运动信息的提取

1.1.1 模拟简单与复杂细胞。视觉感知系统中V1皮层包含的简单和复杂细胞对光栅刺激具有方向选择性，视网膜上光刺激能够使神经元兴奋的区域称为神经元的感受野或者是经典感受野（CRF）。本文采用Nicolat Petkov提出采用时空相结合的3DGabor滤波器模拟V1皮层的简单细胞响应

与图像序列I（x，y，t）进行卷积得到V1简单细胞的响应。将两个相位正交的简单细胞作为复杂细胞的输入，得到视频序列中物体的运动能量Ev，θ（x，y，t）。

1.1.2 环绕抑制。本文利用大范围的环绕去除图像序列中因镜头移动造成大部分的同质背景区域。同时本文还采用无方向的环绕提取目标的空间信息。

运动能量Ev，θ（x，y，t）与环绕抑制核函数wv，（θ），k1，k2卷积得到抑制项Sv，θ（x，y，t），环绕抑制运动能量是由运动能量Ev，θ（x，y，t）与抑制项的差值经半波整流得到。为了能抑制分布范围较广的背景信息，本文在构建wv，（θ），k1，k2时乘以一个缩放因子η调节环绕在空间范围的尺寸。本文选用不同方向、速度的3DGabor滤波器进行多尺度的操作。将各个尺度下的进行叠加得到最终的运动能量。

1.2 提取目标显著性

本文基于多尺度运动能量提取4类特征信息，这些信息根据3DGabor速度大小分为：空间特性和运动特性。同时在提取环绕抑制能量时本文采用有方向与无方向两种时空滤波器，分别得到运动目标的方向特性和强度特性，综合上述两种特性分别得到四種特征信息。

本文采用动态权重相加的方式融合上述特征，将空间上的强度和方向信息叠加得到SI，运动方向和运动强度相加得到MI。权重WS，WM计算公式如下：

文本认为显著图Smap主要描述了目标的动态显著图，同时为了不丢失大量的空间特性，将空间强度TSI生成的显著图作为目标的空间信息。

1.3 目标检测

为了检测到移动镜头下的运动目标，本文将运动能量和Smap分别进行二值化，由两个掩膜相与得到目标所处的运动区域MA，为了进一步得到目标完整的轮廓信息，将二值化后的空间显著图TSI与MA求并集作为最终的检测结果。

2 实验结果与分析

2.1 模拟实验

本文先采用人工光栅实验验证大尺度的环绕可以去掉大量的背景运动。本文将独立运动的小棒视为运动目标，分散的光栅模拟大量的背景运动（此时假设场景中任意位置的速度都是相同的），实验结果如图1所示实验中光栅的速度Gv=2，独立小棒的速度Bv=1，两者的速度方向均为0度。从实验结果中我们看出大范围的环绕可以去除分散的光栅，由于受到环绕抑制的影响，检测后的目标形状与原始的目标有所差别，但依然保留了目标大部分的信息，图1中最后一行是实验中采用的环绕。

图1 人工光栅实验

2.2 真实视频

本文除了采用人工光栅的模拟实验，同时利用自然环境下拍摄的车载视频进行实验。检测结果中发现本文的方法可以检测到与背景速度不相同的运动目标，然而目标轮廓依然存在“空洞”。本文通过3DGabor与环绕抑制相结合的方法提取目标的运动能量，由于环绕可以去除大量的同质区域，导致得到的运动能量只保留目标的边缘信息，同时文中通过无方向的环绕得到空间显著图，该显著图中最突出的是目标的边缘信息，因此根据上述两个因素依然无法保证目标轮廓信息的完整性。

3 结束语

本文通过模拟人的视觉感知系统实现移动镜头下的运动目标检测，人工光栅和真实视频实验表明本文方法的有效性，然而文本的方法不能保证目标轮廓的完整性，同时镜头中由于景深造成某些运动目标无法检测到，这些问题在以后的工作中将继续解决。

参考文献：

[1]Raudies，Florian，and Heiko Neumann."A neural model of the temporal dynamics of figure–ground segregation in motion perception."Neural Networks，（2010）：160-176.

[2]Andrew Browning，N，Stephen Grossberg，and Ennio Mingolla."Cortical dynamics of navigation and steering in natural scenes：Motion-based object segmentation，heading，and obstacle avoidance."Neural Networks，2009：1383-1398.

[3]Culibrk，Dubravko，et al."Salient motion features for video quality assessment."Image Processing，IEEE Transactions on，2011：948-958.

移动目标检测篇4

由于移动背景下的目标检测变得比较复杂,传统的静态背景下的算法已经不再适用。现有移动背景的目标检测算法,可分为基于背景运动补偿的方法[6,7,8,9]和基于特征点聚类的方法[10,11]。基于背景运动补偿的算法,其目的是将由于摄像机发生的平移、缩放、旋转等运动所产生的背景运动去除,它通过特征点匹配得到仿射变换矩阵,然后通过仿射变换得到当前帧的相关运动参数;接着利用运动参数对当前帧图像进行补偿运算,这样得到了近似于静态背景下的图像;最后再用背景差分法或者帧间差分法提取出运动目标。基于背景补偿的方法存在其仿射变换运算量巨大,检测速度较慢等问题,检测精度决定于背景运动补偿的效果,当运动背景变化较大时,该算法检测效果较差。基于特征点聚类的算法首先要对提取得到的特征点进行相邻帧之间的匹配,得到特征点的位移关联即运动向量,由于前景特征点和背景特征点形成的运动向量存在较大差异,故可以用向量相似度度量函数对光流向量进行分类,这样就可以把前景和背景区分开来。文献[10]提出的基于SIFT特征匹配与K-Means聚类的运动目标检测算法,移动背景下能较好地检测到目标并保留稳定的目标局部特征,但是由于SIFT特征计算运算量较大,难以满足目标检测实时性要求,而且K-Means聚类需要输入聚类个数,实际检测时目标个数并不确定,不满足实际应用要求。文献[11]提出的基于向量归一化和光流聚类的算法,由于向量归一化矩阵运算较复杂,处理速度较慢,如果再应用到目标跟踪算法和目标识别算法,很难到达实时性要求,且聚类阈值固定,检测精度不高,不符合实际应用需求。

本文提出了一种基于光流和二级聚类的移动背景下的目标检测算法,该算法首先利用Shi-Tomasi[12]算法提取特征点,再利用Lucas-Kanade[13]光流法提取帧图像的光流场,对特征点进行跟踪;然后用DBSCAN聚类算法对光流向量进行聚类,获得特征点的分类,接着通过判定初始聚类结果调整初始阈值获得适用阈值,提取出前景目标,实现自适应地检测目标;然后用一种改进的凝聚层次聚类算法进行第二级聚类,将不同的运动目标区分开来;最后通过去除错误匹配特征点和阴影区域特征点优化检测结果,将优化后的检测结果反馈给第一级聚类过程以更新适用阈值使目标检测更准确。

1 光流计算

采用Shi-Tomasi[12]算法提取特征点。Shi-Tomasi[12]算法是基于Harris[14]角点检测算法进行改进的,计算简单,对图像旋转、灰度变化和噪声干扰不敏感,选取的特征点也非常均匀、合理。提取特征点后,再用Lucas-Kanade[13]光流法对特征点进行跟踪,获得视频图像的光流场。令光流向量的起点和终点分别为P(xs,ys)和P(xe,ye),得到的光流方向为θx和θy,可以用式(1)表示。

式(1)中r=(xe-xs,ye-ys)。

在对特征点进行跟踪时,视频图像边框上的部分特征点随着摄像头和目标的运动可能会漂出视频框,这些特征点会造成无意义的运算浪费,在计算光流时对这些特征点进行了删除。为了放大背景和目标光流向量的差异,使用特征点在两帧前的位置到当前位置的方向向量作为光流向量。

2 特征点聚类

在光流计算后采用二级聚类的方法将运动目标提取出来,第一次聚类使用DBSCAN算法,第二次聚类使用改进的凝聚层次算法。

2.1 光流向量相似度度量

距离测度法是向量的相似度计算中常用的方法。被各个领域广泛应用的距离测度法包括欧氏距离、马氏距离、Camberra距离等,马氏距离的矩阵求逆计算耗时较长,Camberra距离测量准确度不高,欧式距离能在某种程度上放大差别较大元素之间的误差,所以对于光流向量的相似度度量,欧式距离法比较适用。

在检测过程中,背景中可能会有少部分光流向量与前景的光流向量具有一定的相似度,其相应的特征点容易被判定为前景点,为了消除这些特征点的干扰,在向量相似度度量算法中融入了对特征点之间的距离的度量。令任意光流向量Mk和Mi及它们相应的当前帧特征点分别为a(xa,ya)和b(xb,yb),为了平衡数量级,向量度量和特征点度量分别乘上合适的系数。本文相似度度量算法可以用式(2)表示,其中j代表光流向量的第j维元素,

2.2 第一级聚类

运动背景的特征点聚集形成的形状是任意的,DBSCAN聚类算法能发现任意形状的类,而且它具备抗噪声的特点,第一次聚类采用DBSCAN聚类算法。

DBSCAN通过样本点的密度来发现任意大小和任意形状的簇或者集合,光流场的光流向量具有不固定形状的特点,DBSCAN的特点使得其适用于光流向量的聚类,算法涉及的基本定义如下。

2.2.1 radius邻域

某个对象其半径为radius内的区域。

2.2.2 核心对象

某个对象,其radius邻域内有不少于minpts个样本点,此对象符合核心对象的要求。

2.2.3 密度可达及其传递性

设q是一个核心对象,对象p处于核心对象q的radius邻域内,可以称对象p从对象q出发为密度可达;给定一个对象集合D,D包含一个对象链P1,P2,…,Pn,P1=r,Pn=s,假如Pi+1(1≤i≤n)是从Pi关于radius和minpts密度可达,那么对象s是从对象r出发关于radius和minpts密度可达,可以称之为密度可达的可传递性。

2.2.4 所有密度可达的样本点形成的簇要合并

对于两个向量X、Y,如果X与Y的相似度测量值小于Radius,则称Y在X的Radius邻域内,如果其Radius邻域内有不少于minpts个样本向量,那么向量X就是核心对象。对于光流向量聚类,DB-SCAN聚类算法的流程可以用图1来表示。

光流向量经过DBSCAN聚类算法聚类之后,当前帧图像的特征点将会被分成不同的类别,通常背景会占据整个图像的大部分区域,所以在聚类结果中特征点数目最多的是背景特征点类别。据此,通过统计出聚类结果中各类别的特征点数目,找出特征点数目最大的类进行剔除,这样就初步提取出了前景运动目标。

2.3 第二级聚类

第二级聚类的目的是把属于不同目标的特征点再进行分类,最终提取出完整的前景运动目标。第二次聚类时采用一种改进的凝聚层次算法,改进的凝聚层次算法流程可以用以下几个步骤描述。

Step1:初始化所有样本,每个样本点都被初始化为一个子集,设定阈值Thr。

Step2:计算任意未聚类样本点和其他未聚类样本点之间的距离,小于阈值Thr即聚为一类,依据式(3)更新新类的聚类中心Ci(X,Y)。

Step3:计算剩余某未聚类样本点和第i类聚类中心Ci之间的距离,小于阈值Thr即归入i类并更新聚类中心,循环完成对某一类样本点的聚类。

Step4:重新执行Step2,直到所有样本点都聚类完成。

前景特征点经过改进的凝聚层次算法聚类之后,将会聚类成不同的类别,然后将不同目标用不同颜色的矩形框分割出来。

3 基于聚类结果的自适应规则和基于优化检测结果的反馈机制

3.1 基于聚类结果的自适应规则

本文算法的关键在于第一级聚类的效果,为了得到最优的检测结果,对不同的视频序列聚类阈值会有所不同。为了避免处理不同视频时需要对初始阈值R0进行手动调整,本文算法使用了与聚类个数相关的阈值而不是固定的阈值去处理视频序列以取得更好的检测效果。

在对适用阈值的统计分布中发现,对于一个给定的视频,检测结果对阈值大小变化的反应在适用阈值Rs的一定邻域内是很小的,超出这个范围就会比较敏感。如果聚类阈值过大,会导致前景特征点混入背景特征点,聚类个数明显少于正常情况,出现漏检的情形。如果聚类阈值过小,会导致背景特征点混入前景特征点,聚类个数明显高于正常情况,出现过检的情况。

定义一个包含正常范围内的聚类个数的集合:S(n(x))={n|Nmin≤n(x)≤Nmax}。当前阈值Rk产生的聚类个数n(x)与集合S[n(x)]的交集不为空时,当前阈值不调整,为空时,当前阈值调整为αRk,α为适当正数,当n(x)>Nmax时,α>1,当n(x)<Nmin时,α<1,以上概念可以用式(4)表述。

聚类阈值按式(4)自动调整,最后得到的Rk+1即为适用阈值Rs。

3.2 基于优化检测结果的反馈机制

3.2.1 检测结果的优化

二级聚类后,错误匹配产生的干扰向量会单个成类,所以可以在检测结果中将它们删除。移动背景的视频拍摄会涉及到航拍,航拍时离地的移动目标或者处在上空的拍摄者都可能会产生与移动目标一起运动的阴影。由于这些阴影与移动目标具有相似光流场,易被误检为运动目标,本文算法对这些伪目标能进行有效删除。Shi-Tomasi[12]角点本质上是由至少两个边缘汇聚于一点而产生,所以对于阴影,只有轮廓边缘才会检测出Shi-Tomasi[12]角点,而移动目标整个轮廓内都能检测出Shi-Tomasi[12]角点。基于这个原理,对具有阴影的样本进行了特征点数目的统计,发现阴影区域的特征点数目一般会远远少于相应的目标区域的特征点数目,可以通过特征点数目的差异性将阴影区域的特征点从前景特征点中剔除,得到更为准确的检测结果。第二次聚类及上述处理后会得到各个目标区域的特征点数目,设定一个阈值Minnum,将特征点数目少于Minnum的类别从前景区域中删除。用式(5)表示如下。

3.2.2 基于优化检测结果的反馈机制

在同一视频序列的不同时段,由于摄像机和目标的移动,序列中目标的尺寸和运动速度都会发生变化,适用阈值Rs也会相应地发生变化,为了更好地检测目标和增强算法的鲁棒性,本文算法将去噪去阴影后的检测结果进行向量相似度测量值的计算,然后将计算结果反馈给第一级聚类算法,对适用阈值进行实时更新,避免Rs失效。定义一个与适用阈值相对应的变量l(x),当Rk+1被判定为适用阈值Rs时,l(x)值加1,l(x)大于某个阈值Thr时,用式(2)计算优化结果中每个目标区域内的每个特征向量和其他特征向量的相似度测量值,然后求出每个目标区域内特征向量相似度测量值的平均值μi,排序得到平均值中的最大值μmax,用μmax更新当前Rs作为下帧的聚类阈值。

本文算法其基本流程图可以用图2表示。

4 实验结果及分析

实验平台如下:计算机配置,CPU为Intel Core i3-3225 3.3 GHz,RAM为4.0 GB,操作系统为64位的Windows7;软件配置为VS2010,调用库Open CV2.4.9,实验代码使用C++编写。为了和算法[11]进行对比分析,本文算法选取的实验平台与文献[11]的实验平台基本保持一致。

实验中参数取值如下:R0=15,Nmin=2,Nmax=5,Thr=70,α1=1.5,α2=0.5;thr=2,Minnum=4。

为了验证本文算法的有效性,本文采用了部分标准视频库序列和实验室自建视频库序列。实验室自建视频库包括普通智能手机和无人机inspire1拍摄的视频,拍摄视频的摄像头涉及到缩放、旋转、平移等多种运动。采用的标准视频库内的序列包括bike、seq3、people1,实验室自建视频库的序列包括video1、video2、video3、peoples1、peoples2。由于文献[11]中算法未提供原程序,所用视频也不是公共视频库视频,为了与文献[11]的算法进行定性对比分析,本文实验所用视频与文献[11]中实验所用视频,拍摄环境类似(有太阳光照和多云情况下的场景,有单个移动目标和多个移动目标的场景,在有多个移动目标时,目标相对比较分散),分辨率保持一致(640×480)。

先采用bike和video1视频序列对本文算法的有效性进行定性验证。图3为序列bike的第12帧、第40帧、第75帧的检测结果对比,第一行为未加入优化机制的算法的检测结果,第二行为本文算法的检测结果。bike序列为航拍车手骑摩托车飞跃沟壑的场景,在飞跃沟壑时视频序列会出现运动目标的阴影。由图4的对比结果可以看出,未加入优化机制的算法在第40帧、第75帧将阴影误检为目标,而本文算法对阴影所产生的干扰具有很好的去除作用。

图4为序列video1的第110帧,第111帧、第112帧的检测结果对比,第一行为未加入自适应规则和反馈机制的算法的检测结果,第二行为本文算法的检测结果。video1为用手机拍摄的学生在操场跑步的场景。随着摄像机和目标的运动,目标在序列中的尺寸和运动速度发生较大变化,适用阈值也会发生相应变化。由图4的检测结果对比可以看出,未加入自适应规则和反馈机制时,算法阈值固定,第111帧和第112帧发生连续多帧漏检的情况,本文算法使用自适应规则和基于反馈的阈值更新机制很好地解决了这一问题,降低了漏检率,提高了算法检测的准确度。

再采用bike、seq3、people1、video1、video2、video3、peoples1、peoples2序列对本文算法进行量化分析,以上视频序列所涉及背景都比较复杂,有复杂的建筑群,有树林,有停靠在路边的汽车等。序列部分检测结果如图5所示。

seq3序列为航拍高速路上车辆高速行驶的场景,视频中车辆数量不固定,大部分序列中涉及多辆车同向行驶;people1序列为普通摄像机拍摄教学楼出口处行人慢速行走的场景;video2、video3序列为用无人机inspire1拍摄的广场上行人慢速行走的场景,video3序列有未移动的人群,并涉及到摄像头的大角度旋转;peoples1为用手机拍摄的操场上人群活动的场景,人群中有慢速散步的和高速奔跑的;peoples2为用无人机inspire1拍摄的广场上人群活动的场景,有慢速的行人和逆向骑行的自行车。

引入以下几个概念来量化地分析本文算法检测的效果:正检率η,为序列中正确检测到的运动目标的数目Tr与运动目标实际出现的总数目Ta之比;漏检率λ,为序列中某运动目标未被检测出来的数目Tm与运动目标实际出现的总数目Ta之比;误检率μ,为视频序列中非运动目标被检测为运动目标的数目Tf与运动目标实际出现的总数目Ta之比。

由于文献[11]中算法未提供原程序,所用视频也不是公共视频库视频,为了进行定性比较分析,本文算法与文献[11]的算法实验平台一致,测试视频分辨率一致、拍摄环境类似。本文算法实验统计结果如表1所示,由表1的数据可以看出,相比文献[11]的算法,本文算法在检测速度和检测准确度方面都有更好的表现。文献[11]的算法检测速度大约为56 ms/f(18f/s),本文算法的检测速度大约为13 ms/f,本文算法在检测速度上优于文献[11]的算法;对于不同的视频,文献[11]的算法采取固定的经验阈值,本文算法采用与聚类结果相关的阈值更新策略,能自适应地检测目标,更符合智能监控的要求;本文算法对于移动场景下的单目标检测,正检率能达到95.4%以上,移动场景下的多目标检测正检率能达到86.2%以上,而文献[11]的算法单目标和多目标正检率分别为93.6%和80%,可见优化检测结果和反馈机制的运用使得本文算法在检测准确度方面的表现优于文献[11]的算法。

5 结论

空中移动目标位置测量系统设计篇5

全球定位系统(Global Positioning System,GPS)自问世以来,以其全天候、全球覆盖和方便灵活等特点吸引了全世界众多领域的许多用户关注,并得到了广泛的应用。空中目标位置测量便是其中重要的应用之一,特别是在空中执行巡逻、采集城市交通信息、监视地面某区域状态的空间飞行器,其飞行状态监控不仅需要飞行器本身高精度的定位,还需要空中目标相对于地面移动站的相对位置信息,包括相对距离、方位角和高度角。本文根据实际应用要求,给出了一种利用差分GPS和无线数据链路的空中移动目标位置测量系统设计,实现了优于1 m的相对定位精度。实际测试结果验证了本文所给出的设计。

1系统设计

空中移动目标位置测量系统的总体框图如图1所示,包括差分站、空中目标和地面移动站3部分。

1.1差分站

差分站设备安装于地面的某一固定位置,由GPS接收机及天线、数传发送电台及天线等构成,用于GPS差分改正数的测量和广播,本系统中采用的差分数据为伪距差分数据,包括伪距改正数及其变化率,格式为RTCM电文1。电文1每帧长为(N+2)个字,每个字由30 bit构成。其中电文头2个字为通用电文,如表1所示。

电文信息在N个字当中,包含了观测到的每颗卫星的改正数,N随着观测到的卫星数不同而不同,表2为电文1的格式。每颗卫星由1 bit的比例因子(SF)、2 bit的用户差分测距误差(UDRE)、5 bit的卫星ID号(Satellite ID)、16 bit的伪距改正数(PRC)、8 bit的距离变化率改正值(RRC)以及8 bit的数据发布日期(IOD)组成,每颗卫星40 bit。

其中每隔24 bit加入6 bit的奇偶校验码,组成1个码字。由于40不是24的整倍数,最后一个码字的构成需要0 bit、8 bit或16 bit 的填充字(FILL)来填充,再和6 bit 校验码组成最后一个码字。

1.2空中目标

空中目标设备包括GPS接收机、空中目标处理器、2个数传电台及天线。接收电台接收RTCM差分信息并转送给GPS接收机,发送电台向地面移动站发送空中定位数据。空中目标处理器为嵌入式处理器,安装独立的操作系统,通过串口1接收差分GPS数据并且存储。数据重新打包后通过串口2给发送电台,实时向地面发送信息。空中向地面传输的数据格式如表3所示,每组数据36 bytes。

考虑到实现的简便性和可靠性,在串口通信中采用了简单准确的bcc异或校验法(block check character),将信息头到差分标识的每一个字节,都和初始值0异或一次,最后得到1字节校验码。

1.3地面移动站

地面移动站设备包括GPS接收机、地面移动站处理器、2个数传电台及天线和LCD显示屏。接收电台接收RTCM差分信息并转送给GPS接收机,接收机输出的定位数据由处理器进行存储处理。空中目标位置数据经由无线数据链路发送后,由另一接收电台接收并送给处理器进行处理。

地面移动站处理器装有独立的操作系统,通过2个串口接收空中目标和自身定位数据并且存储。同时,利用GPS接收机给出的UTC时间实现2组数据的同步,并计算在站心坐标系下空中目标对于地面移动站的相对位置,实时显示相对距离、方位角和高度角,更新率为1 Hz。

地面移动站软件实现可以采用多线程,2个辅线程分别接收空中目标和地面移动站的GPS数据并且存储,主线程实现两者的GPS时间同步、站心坐标的转换、计算相对位置并且实时显示。

2数据处理

2.1坐标转换

GPS接收机可以通过二进制或者ASCII码形式输出定位结果,其位置信息有WGS-84坐标系下的,也有地心空间直角坐标系下的。如果需要解算空中目标相对于地面移动站的相对距离、方位角和高度角,均需要转换为站心坐标系下进行解算,即将地面移动站的位置作为坐标原点,解算空中目标在该坐标系下的三维坐标值,并转换为相对距离、方位角和高度角。2个坐标系的转换关系如图2(a)所示,空中目标相对于地面移动站的三维坐标如图2(b)所示,其中,x表示正北方向;y表示正东方向;z表示垂直于地面。

假定空中目标的空间直角坐标为M(X,Y,Z),地面移动站的空间直角坐标为P(XP,YP,ZP),经纬度数值为P(B,L)。则转换为站心直角坐标(x,y,z)的转换为:

在站心直角坐标系下,空中目标相对于该坐标系原点的相对距离(ρ)、方位角(φ)和高度角(h)解算为:

式中,方位角φ正北为0,偏东为正;高度角h水平为0,向上为正。

2.2数据校验

由于无线数据链路在传输数据过程中,容易受到外界的干扰导致数据发生错误。为了防止空中目标相对地面移动站的相对距离、方位角和高度角解算错误,需要对数据进行校验。校验的基本思路是先对接收到的数据进行移位,而后再异或生成校验码进行比较,数据校验子函数如下所示:

3结果分析

根据本文给出的设计,研制了空中目标坐标测量系统,并进行了数据采集与处理试验,某次静态采集的三维坐标数据如图3所示,图3(a)为空中目标数据;图3(b)为地面移动站的数据。图3中各表示了100组静态数据,(X,Y,Z)坐标数值为实际数值的低4位。试验中,空中目标放置于某高楼顶层,在距离约1 km的地方安置差分基准站,地面移动站数据在另外一个距离约2 km的地方。

表4列出了空中目标和地面移动站三维坐标(X,Y,Z)的标准差,以及二者相对位置的标准差。可以看出,二者的相对距离标准差为0.322 m,方位角标准差为12.82″,高度角标准差为2.19″,空中目标与地面移动站的相对定位精度在1 m范围内。

4结束语

空中目标坐标测量系统采用差分GPS与无线数据传输结合方式,实现了相对定位精度优于1 m的技术要求,该系统实现简单,操作可行,能够在30～50 km范围内实现地面移动站对空中目标的定位和监控。为航模、飞艇等飞行器的定位与监控提供了一种实现方法,具有巨大的经济价值和实用价值。

参考文献

[1]王惠南.GPS导航原理与应用[M].北京:科学出版社,2003:27-29.

[2]许峻峰,许秉信.DGPS真值测量系统主要指标的选定[J].火力与指挥控制,2007,32(8):126-129.

动态目标移动数据管理技术研究篇6

对于实时处理信息系统而言, 准确全面快速地获取信息的同时还需要能够对获取的动态信息进行有效的管理和利用, 并能从更高层次上挖掘信息后面的知识。在时域空域全方位的预警监控过程中, 信息系统积累了海量的动态目标移动位置数据。由于移动目标数量庞大, 位置变更频繁, 造成数据频繁更新或数据过时失效, 使用传统的数据库技术和数据挖掘技术难以对这些数据进行有效的管理和利用。当前, 在实时信息系统所拥有的数据中, 很大一部分是动态目标运动信息, 然而: (1) 动态目标运动信息没有得到有效的组织与管理。目标的移动信息不能根据时间和空间约束条件进行基于位置的检索; (2) 动态目标运动信息没有得到更进一步的挖掘利用。利用有效的挖掘手段, 从微观上说, 可以通过目标历史行为预判其下一步运动轨迹, 或者通过目标行为来辅助进行目标属性的识别判定。从宏观上说, 也可以分析得到相关域的目标时空分布特征。然而在实际应用场景中, 缺乏对这些动态目标运动信息的分析与挖掘, 甚至经常会由于数据积累过快, 大量有价值的目标历史运动数据被毫不犹豫地删除。

1 移动对象数据库概述

移动对象数据库是以存储和管理随着时间变化的移动目标为目标, 是从二十世纪末期开始, 在空间数据库、时态数据库以及时空数据库的基础上发展起来的一个比较新的研究领域, 主要应用于交通管理领域。已有的研究主要集中于移动对象数据模型、移动对象数据索引结构与查询技术等方面。一些研究机构开发了原型系统以佐证其研究理论成果。目前, 各大数据库厂商比如ORACLE、IBM等, 在其数据库产品中提供了相关的时空数据管理功能, 但是市场上尚没有可以应用的成熟的移动对象数据库产品。本文研究如何应用移动数据库相关的概念来管理动态目标运动信息, 为进一步的实际应用提供参考。

海量数据的有效应用之一是数据挖掘。数据挖掘技术的目标是从大量、不完全、有噪声、模糊、随机的数据中, 提取隐含在其中的, 人们事先不知道但又是潜在有用的信息的过程。近年来, 数据挖掘的研究对象已经从事务型数据库扩展到空间数据库、时空数据库、移动对象数据库等。时空数据挖掘, 以经典的数据挖掘理论为基础, 主要受到空间数据挖掘和时态数据挖掘研究的影响, 并同时还受到时空数据表示和存取方式的限制。通过各种时空数据挖掘技术对移动目标历史数据进行挖掘, 可以实现对目标的运动趋势的预测, 以及辅助判定目标的属性。

2 数据建模

移动对象数据模型是移动对象数据库的核心, 也是时空数据挖掘的基础。移动对象的数据模型是描绘现实中移动对象、移动对象之间的时空联系以及语义约束的模型。以往的研究中提出了多种时空对象模型, 主要有基于版本的时空数据模型、基于事件的时空数据模型、基于对象的移动对象数据模型等几个派系。

在某实时系统中, 动态目标以批为单位进行处理, 每批目标被视为时空中的一个点, 在二维平面上进行无约束的运动, 该实时信息系统中动态目标数据形式化定义如下:

设D为动态目标数据集, D={d}, 其中d为其中一批目标。设d={id, F, P}, 其中, id为目标惟一标识符;F为目标的属性集, P为目标运动行为点迹集合, 或者称为目标是动态时空属性集。设F={f}, f为目标的一个属性。动态目标的属性包括大小、形状、数量、颜色等, 所有属性都是离散的。设f={}, 其中, f (ai) =wi, 表示目标特征f的值等于ai的概率为wi。设P={p}, 其中, p为一个目标移动位置点, p=, t为位置点录取时间, lon为位置点录取位置经度, lat为位置点录取位置纬度。

参考O.Wolfson等人提出的MOST模型, 将目标位置点p扩充为p=, 其中, f (t) 为目标位置随时间变化的函数。因为目标位置是变化频繁, 而目标的运动函数变化会少很多。在允许一定误差的条件下, 可以以低得多的频率更新目标信息。

3 移动对象数据库关键技术

3.1 索引处理技术

如果要实现基于时间范围与位置范围的查询, 必须对移动对象数据库建立具有相应功能的索引结构。在移动对象数据库中, 移动对象都不断地更新它们的位置, 在大多数情况下其更新频率远远高于查询频率, 因此, 理想的移动对象索引不仅需要能够支持快速的查询, 更应该具备高效的更新能力。迄今为止, 研究人员提出了一系列时空对象索引技术。按照索引的数据时间范围, 索引方法可以历史位置索引和当前位置索引;按照索引的数据类型, 索引方法可以分为基于离散数据的索引方法和基于连续数据的索引方法;按照移动对象所处环境不同, 索引方法可以分为无约束环境和有约束环境的索引方法等等。为了增加索引更新效率, 可以采取基于缓冲 (基于内存缓冲或者基于磁盘缓冲) 的方法进行批量插入和批量删除操作。

在这里, 简单介绍一下R-Tree索引结构。其它各种时空数据索引, 大多是在R-Tree基础上进行改进得到。R-Tree是B-Tree在二维空间的扩展, 是一种典型的空间索引技术, 结构见图1。

R-Tree的节点元素是二元组{oi, MBRi}, 其中, oi表示对象标识 (叶子节点) 或者指向子树根节点的指针, MBRi表示该目标在数据空间内的最小包含矩形框。树的性质与B-Tree相似, 具有自动平衡、空间利用率高、适合外存存储等。但是有一点重要的区别, 如图1左所示, 中间节点的矩形框存在重叠, 导致查询可能有多条路径。

动态目标索引属于连续数据类型的无约束运动索引, 因此可以将基于历史位置的索引和基于当前与将来位置的索引分开创建以支持不同的查询任务。 (1) 基于历史位置的索引, 只执行插入工作, 因为数据量大, 需要庞大的存储空间, 以文件的形式存在。已有的基于历史位置的索引结构如RT-Tree, 在现有空间数据索引技术上添加时间信息, 难以进行时间片查询;MR-Tree、HR-Tree、MV3R-Tree等, 将时间作为独立的维度处理, 能有效支持时间片查询, 但是空间消耗大。为了节省空间, 参考系统的实际需求, 设计相应的数据选择与数据过期策略, 比如只索引关注目标的信息, 另外根据时间范围进行分区索引, 等等。 (2) 基于当前与将来位置的索引。这类索引会存储并更新移动对象当前位置及位置随时间变化的函数, 即目标的MOST模型, 所以可以查询将来一定时间内的位置信息。典型的基于当前与将来的索引有TPR-Tree, LGU结构以及BX-Tree等。TPR-Tree在R-Tree的基础上, 另外存储最小矩形框四边的当前速度。TPR-Tree支持对现在和将来的查询, 其中间节点元素可以表达为, 其中, V=, 四个变量分别表示最小矩形四边的运动速度, 而叶子节点可以表示为, 其中V=, 两个变量分别表示为目标在两个方向上的速度。LGU结构在TPR-Tree上加入辅助结构以提高插入、删除与检索的效率。

3.2 查询处理技术

动态目标的查询, 需满足属性值约束、时空约束两类条件, 比如查询某区域范围一周内某类目标活动情况等。因移动对象的查询类型根据查询的空间谓词不同, 时间谓词以及对象所在空间的不同分为不同的类型。

按空间谓词不同, 移动对象的查询可以分为: (1) 范围查询, 即查询一定时间段内给定区域的所有对象, 是最基本的应用, 最广泛的查询类型; (2) 邻近查询, 即查询某时间段哪些对象距离给定目标点最近。邻近查询中最通常的类型是K邻近查询 (KNN) , 即查找最靠近查询点的K个对象。 (3) 连续查询, 即指在某个时间区域内查询符合条件的目标集。在该时间区域内, 由于移动对象位置的改变, 查询结果随着数据的不断更新也要不断的改变; (4) 密度查询, 即查找在某段时间内移动对象密集的空间区域, 或找到移动对象在某个时刻点的密集区域。

按时间谓词不同, 移动对象的查询可以分为历史查询、当前查询和将来查询, 分别对应三种时态的数据, 使用不同类型的索引支持。 (1) 对于历史查询和当前查询, R树的点查询和范围查询算法是比较有效的, 因此这些索引基本上沿用R树的传统查询处理方法; (2) 对于将来查询, 需要使用基于将来位置的索引, 而查询的准确程度则取决于索引中使用的预测模型。针对历史数据和当前数据的范围查询, 因为结果确定, 所以处理比较简单, 各种移动对象索引对它们的处理方式大同小异;而将来范围查询, 由于带有预测性质, 难度大大增加, 因此成为人们研究的焦点。

移动对象查询根据移动对象所在的空间分为欧氏几何空间的查询和网络空间中的查询, 分别对应于有约束的目标运动与无约束的目标运动, 其距离度量分别为欧几何距离与网络距离 (网络上两点间的最短路径距离) 。某实时系统中动态目标的运动可近似于二维平面上的无约束运动。

现有研究主要以K近邻思想为主进行相应的扩展。这里简单介绍一下TPR-Tree上的KNN查询。TPR-Tree是最基本的基于当前与将来的移动对象索引结构, 其它类型索引上的查询可以参照TPR-Tree上的算法改进得到。

首先, 定义设对象o1, o2之间在t时刻的距离为d (o1, o2, t) ;同时设对象o与矩形框MBR在t时刻的最小最大距离分别为min (o, MBR, t) 和max (o, MBR, t) 。距离的计算为欧式距离, 公式略。确定查询时间间隔为t, 查询结果为{}, 表示在t1至t2时间范围内, 目标o是属于查询对象的最近K个邻居之内。设查询对象为o, 只对当前目标进行查询的思想为:根据与查询对象的最小距离, 对TPR-Tree所有层上的节点进行排序。深度周游TPR-Tree, 在访问的过程中更新查询对象的k近邻列表。这其中最重要的是高效的剪枝策略, 尽量避免无效的子树周游。如果要对某个时间范围进行查询, 则需要对时间范围进行分片, 对其中的所有时刻进行如上查询, 最后综合得到查询结果。

4 移动对象数据库的实现

当前仅有少数学者和研究机构实现了用于试验理论或算法效果的移动对象数据库原型系统 (比如O.Wolfson等人实现的DOMINO) , 尚没有可以应用的移动对象数据库产品。已有的研究提出了多种实现结构, 包括层次型结构, 即在传统的关系型数据库管理系统上加入一个时空层, 来承担时空数据操作与传统关系型数据操作之间的翻译及查询优化等工作, 限于关系型数据库的局限, 这种方式基本不可取;另一种是扩展性结构, 在对象关系数据库管理系统上进行内核层次的时空数据扩展, 包括各种索引结构、查询实现等, 这种方式是比较自然而清晰的, 但是会缺少数据库本身提供的查询优化支持。

如今主流的数据库产品逐步提供了对象扩展功能, ORACLE提供了Cartridge技术, 以及空间数据管理扩展模块Oracle Spatial和时间序列模块Oracle Timeseries。如今移动对象数据库的各种研究尚在开展阶段, 存在很多问题, 难以实现完备的移动对象数据库管理系统, 但是借助如Oracle等厂商提供的工具的支持, 可以借鉴研究中的合理的思想, 进行相应的扩展, 以更好地管理和利用海量的动态目标运动数据。

5 总结

本文论述了移动对象数据库的数据模型, 研究了移动对象数据库包括索引处理技术与查询处理技术等关键技术, 并对移动数据库的具体实现进行了阐述, 对有效管理实时系统中动态目标应用产生的海量数据具有一定的意义。

参考文献

[1]Ouri Wolfson, Bo Xu, S.Chamberlam, Moving Objects Databases:Issues and Solutions.In:Proc.of 10th Intl.Conf.on Scientific and Statistical Database Management.1998.

[2]Ouri Wolfson, Moving Objects Information Management:The Database Challenge In Proceedings of the 5th International Workshop on Next Generation Information Technologies and Systems.2002.

[3]Mohamed F.Mokbel, Xiaopeng Xiong, Walid G.Aref, et al.PLACE:A Query Processor for Handling Real-time Spatio-temporal Data Streams.In:Nascimento, Mario A, zsu eds.30th International Conference on Very Large Databases.Toronto, Canada.2004.St.Louis, SA:Morgan Kaufmann Publishers Inc.1377～1380.

[4]T.Sellis, Chorochronos:research on spatiotemporal database systems.In:Trevor Bench-Capon, Giovanni Soda, A Min Tjoa.10th International Conference on Database and Expert Systems Applications.Florence, Italy.1999.Springer Verlag:Springer-Verlag Telos.452～456.

移动目标检测篇7

几年前, 当老百姓在电视上看到阿里巴巴和淘宝的广告时, 都会忍不住给出两个问句。第一个是疑问句:“阿里巴巴 (或淘宝) 到底是干吗的?”当得知答案之后, 第二个的反问句就紧跟而来:“电子商务在中国能成功吗?”

马云和他的团队很好地回答了这两个问题——2009年淘宝的业绩相对上一年翻了一番, 在金融海啸的背景下轻松跨过了2000亿元大关, 在国内零售市场中的占比逐步提高;“大淘宝”战略也初见成效, 除了吸引外包电子商务供应商加入“淘宝合作伙伴计划”之外, 还联合手机厂商和通信运营商推出了淘宝定制手机, 中国电信成为淘宝的第一家运营商合作伙伴。

尽管目前淘宝定制手机只有三个款式, 然而一经推出就马上受到淘宝用户的热捧。淘宝定制手机的推出彰显了淘宝进军移动电子商务市场的信心和决心。淘宝定制手机的“实时性”和“随时随地”让淘宝卖家和买家能够挣脱网线的“束缚”, 更加自由地交易, 但淘宝的“野心”恐怕远不止于此。淘宝定制手机的推出只是淘宝移动电子商务战略的“先头部队”而已, 借着淘宝定制手机的“东风”, 淘宝完全可以在这片方兴未艾的市场上占据更多的“地盘”。

以攻为守, 扫清支付障碍

在国内传统的电子商务市场中, 淘宝网 (B2C) 和阿里巴巴 (B2B) 的领导地位目前看起来无可动摇。特别是2009年淘宝打通了淘宝网和阿里巴巴之后, B2B2C的价值链条已经基本成型, 其他竞争者想要赶上或超越淘宝恐怕非常力所能及。

但在移动电子商务市场, 淘宝却不得不直面虎视眈眈的中国移动、中国电信和中国联通三巨头。继中国移动针对旗下用户推出了e100移动商城之后, 中国电信和中国联通的网上商城也分别宣布开业。以中国移动的e100移动商城为例, 尽管目前商品数、用户数、交易额等指标较之淘宝还相去甚远, 然而中国移动强大的实力和约6亿的用户是不容小觑的, 再加上简单便利的手机支付模式, 对于淘宝而言更是一个潜在的威胁。

两会期间中国移动推出了一个重大举措——以收购浦发银行股份的方式切入金融领域, 从而为移动支付体系的进一步完善奠定金融基础。由于目前中国移动的手机支付仅采用话费账户结算, 一方面支付额度不高在一定程度上遏制了用户的消费积极性, 另一方面也存在结算复杂、欠费风险高等隐患, 不利于未来移动电子商务市场的长足发展。中国移动此举对中国电信和中国联通这两个传统意义上的主要竞争对手而言威胁不大, 但对于互联网电子商务的领

先者们来说却很有可能会动了他们的“奶酪”。

对此淘宝不可能再继续坐拥现有优势而静观其变, 进攻往往就是最好的防守策略。淘宝WAP版本、淘宝手机旺旺联合中国电信试水移动电子商务, 期望能够在新市场方兴未艾之时抢占先机, 将原有的优势进一步延伸并争取尽早站稳脚跟。可以预见的是, 如果战略推进顺利, 淘宝对“龙头老大”这把交椅自然会当仁不让。

如果说中国移动收购浦发银行股份是试图打通移动支付的金融环节, 那么对于拥有成熟、稳定而且被广大用户认可的支付宝服务的淘宝来说, 则是期望借此扫平支付手段、交易手段乃至移动电子商务营销手段上的障碍。

由于通信市场的寡头格局, 淘宝想要在移动电子商务市场上另起炉灶显然是不现实的, “借道”中国电信和淘宝定制手机, 跑的还是信息通道和金融通道这两架“马车”。市场信息方面好解决, 如果淘宝能够顺利打通支付宝从互联网支付到移动互联网支付的通道, 淘宝在移动电子支付领域续写传奇也不会让人感到意外。

野心初显, 发力两大领域

移动应用商店

苹果App Store的大获成功让很多人始料不及, 中国移动的Mobile Market、中国电信的天翼空间和联通的UniStore也同样满怀信心。根据Gartner的分析预测, 2010年移动应用下载量将达到80亿次, 营收将达到42亿美元;2013年下载量将达到216亿次, 营收达到295亿美元。由此可见移动应用商店的前景广阔, 聪明的淘宝自然不会错过。

淘宝定制手机也将推出数字商城业务, 淘宝的宣传口径是“游戏、软件、电子书……应有尽有”, 苹果公司在移动应用和数字内容方面的巨大成功, 也让“淘宝合作伙伴计划”的一众盟友看到了美好的愿景。尽管目前淘宝承诺数字商城免费, 然而一旦业务成熟后转入收费运营, 再配合上淘宝成熟的运营经验和支付系统, 其潜力将是不可估量的。

业务即服务

淘宝上的商品并不是淘宝生产的, 马云和他的团队卖的不是商品而是服务——打通买卖双方的信息和资金通道的服务, 交易的双方其实都在使用淘宝的服务并直接或间接地向淘宝支付相应的费用。

服务也是通过渠道来承载的。互联网的普及让淘宝在PC上无处不及, 但在手机上还相对薄弱, 培养客户使用淘宝定制手机是今后淘宝肩负的重任之一。另外, 服务是可以通过叠加和扩展来增值的, 在PC上提供服务的实时性显然不如通过手机终端随时随地面向客户来得直接快捷。短信服务当然也能够做到这一点, 但由于短信所承载的信息量实在有限, 在时间就是金钱、效率就是生命的今天, 如果交易各方能够通过事先植入的手机客户端来获取信息并处理资金流动, 这种服务的前景可想而知——而对于淘宝来说, 交易信息、资金平台都是现成的, 怎么让客户“移动”起来才是他们的第一要务。

移动用户目标系统的抗干扰措施分析篇8

关键词：卫星通信,移动用户目标系统,抗干扰

0 引言

美军军事卫星通信系统新型结构所要满足的核心要求是必须提供极高的生存性及保护性服务。包括窄带系统、受保护系统和宽带系统。窄带系统采用UHF频段, 主要用于支持移动通信网络和点对点通信以及手持式个人通信系统;受保护系统采用EHF/Ka/X频段, 提供核心的军事通信服务;宽带系统采用Ka/X频段, 用于保障宽带接入和全球广播系统。

移动用户目标系统是未来窄带卫星通信系统的重要组成, 最终替代UFO卫星并为美军提供全球通信能力。MUOS是国防部全球信息栅格的核心组成部分, 将服务于机动性更强、容量需求更大、业务质量要求更高的用户, 可为作战人员提供与综合战区网络化的陆地、空中和卫星通信系统相连接的关键通信链路。

MUOS在考虑高性能、全球覆盖的同时, 采用了大量的抗干扰措施保证美军全球战术通信能力。

1 MUOS组成与特点

1.1MUOS组成

MUOS的总体目标是向作战人员提供超视距通信 (联网通信、点—点通信、移动通信) 、全球 (包括极地) 覆盖以及联合互操作, 为用户提供基于优先权的通信业务接入, 支持话音、数据或话音和数据的混合通信, 能够满足移动作战人员对通信距离、容量、接入与控制、互通、业务、动中通和可用性等方面的要求;保持国防部现有窄带卫星通信系统的性能和应用水平;提供满足新的潜在需求的手段。它可以在各种环境, 为国防部和美国政府移动用户提供全球战术窄带卫星通信业务。

MUOS由空间段、用户段、地面段等部分组成, 地面段的网络控制和MUOS网关提供与国防信息网络 (DISN) 以及公共电话交换网络 (PSTN) 的接口。 MUOS系统体系结构如图1所示。

MUOS的空间段包括多颗MUOS卫星, 采用60 GHz的星间链路 (ISL) , 为系统提供冗余的通信链路并减少地面的呼叫路由。

MUOS的用户段包括地面移动终端、可搬移终端以及海面舰艇用户终端等。MUOS终端采用公共空中接口 (CAI) , 可以通过MUOS网关、DISN与政府拥有的商用网关连接到商用的移动卫星服务。MUOS用户也可以通过DISA电信港与其他军事通信卫星的用户进行通信。新型的手持终端将兼容JTRS的体系结构, 可以直接通过商用移动卫星服务进行通信。传统的UHF终端和新型的手持终端通过MUOS网关进行通信。

MUOS的地面段包括卫星控制段、网络控制段和MUOS网关。卫星控制段使用国防部指定的TT&C频率对卫星进行控制。网络控制段为系统提供UHF频段DAMA控制, 为用户的通信申请动态分配通信频率。MUOS网关通过Ka频段的通信链路连接卫星, 实现Ka-UHF频段的交链。

MUOS卫星星座包括4颗地球同步卫星和1颗在轨备用卫星。第1颗 MUOS 卫星定位于东经 72° (印度洋) , 可覆盖朝鲜和西南亚2个战场, 将增加传统用户的通信容量和频谱可用性。第2颗 MUOS卫星定位于东经 172° (太平洋) , 可加强对朝鲜的覆盖, 并将覆盖范围扩大至太平洋地区。第3颗卫星定位于西经15.5°, 可加强对西南亚地区的覆盖, 并将大西洋包括在内。第4颗卫星定位于西经100°, 备用星定位于东经76°。

MUOS网关分别部署在夏威夷、诺福克、西西里和澳大利亚, 这些网关连接到位于夏威夷和弗吉尼亚的网络管理和交换中心。

MUOS系统的主要技术性能:

① 容量:全球范围内允许1997个用户同时接入 (39.2 Mbps) , 502个战区同时接入; ② 覆盖范围:北纬65°到南纬65°; ③ 数据吞吐量:42 Mb/s, 比UFO系统高10倍; ④ 传输速率:达到 96 kb/s, 甚至可以接近128 kb/s。

1.2MUOS的特点

① MUOS采用 3G WCDMA 和 UMTS 商用蜂窝技术, 通过有效地利用网管技术 (如动态信道选择) 和多址技术, 实现同时传输文本、话音、视频信息和最佳利用其容量的目的; MUOS修订了WCDMA波形的最大传输时延以适应通过同步卫星的通信。同时增加通信的优先级与安全性控制以适应军事通信中的各种通信需求;

② 通过采用窄带点波束技术达到重复利用频率之目的, 从而提高系统容量; 每颗卫星通过16个固定点波束实现其覆盖, 每个波束重复利用4个5 MHz WCDMA RF载波;

MUOS在终端和卫星之间使用UHF频段链路, 在卫星和网关之间使用Ka频段链路, 所以MUOS系统中存在UHF-UHF的通信链路 (兼容UFO系统) 和UHF-Ka-UHF的通信链路, 利用卫星关口站技术还可以提供广播服务;

③ 同时还采用抗干扰技术, 包括采用窄点波束、干扰监测和消除、自适应信道分配、复杂的波形和星间链路, 以减少对上行链路干扰的影响。

2 抗干扰措施分析

2.1多个点波束的抗干扰能力分析

现在许多商用的卫星通信和广播系统已经大量采用了点波束或者是窄点波束, 以实现避开有意或无意的电子干扰, MUOS的每颗卫星通过16个固定点波束实现覆盖, 其多个点波束的方式可以避免以前UFO采用全球波束容易遭受任何地区的上行干扰问题。

通过多个点波束覆盖不同的作战区域, 可以实现不同区域的作战单元采用多个波束进行通信, 可以降低敌方的单一作战平台对通信系统的干扰。即敌方无法通过单一作战平台获得当前区域的干扰目标信息, 也无法对其他波束的作战目标实施干扰。

同时, MUOS卫星的多个点波束指向不同区域, 可以利用卫星监测设备发现某一波束内的干扰信号, 通过调整波束指向避开干扰源所处的区域, 提高系统的抗干扰性能。

2.2多种通信体制的抗干扰能力

MUOS系统充分利用商用的先进技术, 在兼容UFO的工作方式下, 综合运用频分多址 (FDMA) 、时分多址 (TDMA) 和码分多址 (CDMA) 的技术体制, 极大的提高了系统的通信性能。

MUOS系统的FDMA体制, 采用了固定分配和动态分配 (DAMA) 技术, 其中固定分配技术可以为高级别用户提供有效的通信带宽, 保证通信链路;动态分配技术在有限的带宽内提高了通信容量, 并且每次用户的通信频率都随机分配, 增加了干扰方侦察和干扰的难度。

MUOS系统的TDMA体制, 主要在其下行链路中使用, 通过划分时隙实现多种业务以及多用户的通信, 由于卫星信道的特殊性, 干扰方很难实现精确的时隙对准, 也就无法集中有限的干扰资源破坏重点目标的通信。

MUOS系统的CDMA体制, 与地面的WCDMA相同, 采用成熟的商用技术, 降低了设备复杂性, 同时采用CDMA技术, 提高了通信信号的抗截获性能。

2.3多种通信链路的抗干扰能力

MUOS系统的通信链路包括用户 (地球站) 与卫星的通信链路, 关口站与卫星的通信链路以及星间链路。

2.3.1 用户通信链路

用户 (地球站) 与卫星的通信链路包括与UFO通信体制兼容的UHF频段通信和采用WCDMA的UHF频段通信。

与UFO的通信体制兼容的通信采用在MUOS卫星上搭载UFO的通信载荷, 信道带宽有5 kHz和25 kHz 2种, 完全兼容UFO的通信终端, 可以采用预分配和动态分配体制。动态分配体制每次分配不同的频率或时隙, 提高了对抗设备截获和干扰特定目标的难度。

采用WCDMA通信体制的UHF频段通信, 通过不同的扩频码区分不同用户, 多个通信终端共用相同的通信信道, 也具有较高的抗截获和抗干扰能力。

因此, 用户与卫星的通信链路采用的各种技术体制增强了系统的抗截获和抗干扰能力。

2.3.2 关口站通信链路

关口站采用Ka频段18.4 m天线, 上行链路带宽372 MHz, FDMA, 右旋园极化;下行链路带宽包括1个450 MHz (左旋园极化) 和2个450 MHz (右旋园极化) 。下行链路采用2种极化方式, 左旋园极化用于TT&C以及第1路数字信道 (包括10路WCDMA信道和卫星数据) ;右旋园极化包括第2路数字信道和第3路数字信道 (均包括11路WCDMA信道) 。

关口站到用户的通信由卫星的透明转发方式转发, 关口站上行链路采用FDMA方式, 直接通过波束选择到不同的区域。用户到关口站的通信信号首先由卫星载荷进行数字化和滤波, 然后进行8PSK调制。32路WCDMA信号调制成3路8PSK的信号, 宽带8PSK载波在关口站解调并恢复到原始的模拟WCDMA载波。

关口站与卫星的通信链路采用Ka频段, 具有频段高、波束窄的特点, 在波束外的干扰将被卫星天线的旁瓣抵消。

MUOS采用Ka频段与UHF频段交链技术, 同时在关口站下行链路中采用数字处理的星上转发技术, 可以避免干扰方侦察目标的实际工作频率, 提高了系统的抗截获和抗干扰能力。

MUOS采用关口站可以实现战区级的广播服务, 利用广播服务时, 各用户终端处于接收状态, 符合战场电磁控制 (EMCON) 要求。通过采用广播等单向链路, 极大的提高了整个系统抗干扰能力。

2.3.3 星间链路

星间链路采用60 GHz, 方向性强且不会穿透大气层, 地面干扰设备无法侦察和干扰星间链路。

利用星间链路可以实现星上的信息传递和路由交换, 减少了对地面控制设备的依赖, 在地面控制设备故障或遭受破坏时, 卫星系统仍然可以自主正常工作, 提高了系统抗毁性能。

2.4多种通信速率的抗干扰能力

MUOS系统的通信信号速率从75 bps～56 kbps, 特殊场合信号速率可以达到128 kbps或以上, 传送的业务包括话音、数据等。MUOS系统的DAMA波形特征如表1所示。

表1中5 kHz和25 kHz的波形是UFO卫星采用的主要通信波形, MUOS利用单独的通信载荷兼容UFO的用户终端, 所以支持表中的5 kHz和25 kHz的通信协议与综合波形的通信协议。

CAI是MUOS系统新启用的波形, 用以规范MUOS用户终端和卫星之间的使用的通信。MUOS CAI 确定的物理层、媒体访问层和数据链路层需要兼容支持电子邮件、即时信息、网页浏览等公共业务的高层商业协议。

MUOS CAI 在MUOS兼容的用户之间利用包路由和电路交换支持9.6～64 kbps数据速率的话音、视频和数据服务。舰艇终端最大的数据速率可达到384 kbps。

当MUOS系统受到干扰后可以根据需要将速率进行调整, 提高抗干扰能力。

2.5全面应用IP的网络抗干扰能力

MUOS支持网络中心的IP通信服务和电路交换服务。卫星IP网络结构是地面宽带IP技术在通信领域内的演变和应用, 对于实现连接海、陆、空、天通信网络的一体化起着关键的作用。基于传统的信道或频率对抗的方法将无法有效对抗基于IP的卫星网络。基于IP交换的通信卫星系统的协议集是网络技术的核心内容, 只有通过对网络协议的分析, 才有可能获得系统的网络拓扑结构、互连协议、路由算法、地址分布等网络特征, 进而实施网络对抗。因此, 全面应用IP的卫星通信网络具有抗传统电子干扰的能力, 需要网络对抗手段才能实施有效对抗。

3 结束语

MUOS系统是新一代的战术卫星通信系统, 具有较强的抗干扰能力, 其具有的性能特点和抗干扰措施, 可以作为我军研制军事卫星通信系统的参考, 以及研制相应对抗装备的依据。

参考文献

[1] MACMULLAN S J, KARPINSKY C J, EAVES R E, et al, Geosynchronous satellites for MUOS [J].IEEE, 1999, 2:1119-1124.

移动目标检测篇9

1硬件平台设计

1.1硬件平台组成

该系统硬件平台由二部分组成: (1) 移动目标:由电台、D/A转换模块、掌上机、GPS天线组成。 (2) 指挥中心:由电台、A/D转换模块、监控主机组成。监控主机选用P I I 4 0 0兼容机, 电台选用MOTOROLA GM950E25瓦电台, 掌上机选用COMPAQ iPAQ 3600型以及民用GPS天线。

1.2硬件平台原理

为了实现指挥中心对移动目标的跟踪, 首先指挥中心通过电台, 对所要跟踪的移动目标进行轮寻。移动目标接收到轮寻信号后, 将电台的特征码和GPS数据组成特征信号, 通过电台无线载波的形式回发给指挥中心。特征码用来识别移动目标的属性, GPS数据用来在主机的GIS系统上显示移动目标的位置, 并提供移动目标航向、航速等信息的查询。

另外, 移动目标的GPS数据还用来在掌上机的GIS系统上, 显示自身的位置。而电台可以使指挥中心与移动目标之间进行语音通信, 指挥中心通过语音的形式对移动目标进行指挥, 并通过监控主机的GIS观察移动目标的位置。

2软件平台设计

系统软件设计包括掌上机定位系统和监控主机定位系统两部分。其中移动掌上机GIS系统由eMbedded Visual c++4.0开发, 主要实现掌上机GIS定位和特征信号发送功能。监控主机GIS系统由Visual C++6.0开发, 主要实现监控主机GIS查询、修改、标注以及多个移动目标位置的跟踪等功能。

2.1 GIS数据处理

GIS数据的处理, 其中主要部分就是实现大地坐标向平面直角坐标的转换既投影。不同比例尺的地形图, 采用的投影方式也不同。我国的基本比例尺地形图 (1:5千, 1:1万, 1:2.5万, 1:5万, 1:10万, 1:25万, 1:50万, 1:100万) 中, 除1:100万的均采用高斯-克吕格投影 (GaussKruger) , 海上小于50万的地形图多用等角正轴圆柱投影, 又叫墨卡托投影 (Mercator) [3]。投影公式如下:其中

a:椭球体长半轴;b:椭球体短半轴;f:扁率 (a-b) /2;e:第一偏心率第二偏心率N卯酉圈曲率半径;

B纬度, L经度, 单位弧度 (RAD)

XN为纵直角坐标, YB为横直角坐标, 单位米 (M)

墨卡托投影正解公式: (B, L) → (X, Y) , 标准纬度B0, 原点纬度0, 原点经度L0

高斯-克吕格投影正解公式: (B, L) → (X, Y) , 原点纬度0, 中央经度L0

上面公式中东纬偏移FE=500000米+带号*Χ1000000;高斯-克吕格投影比例因子k0=1

2.2 GPS数据处理

G P S提供串口通讯协议, 串行通讯参数为:

波特律=4800数据位=8位停止位=1位无奇偶校验

GPS与掌上电脑通讯时, 根据实际情况, 每隔一定的时间对串口进行扫描, 在通讯正常的情况下, 可以接收到的数据格式样如下 (只截取所需要的数据) :

$GPRMC, hhmmss, A, 度度分分.分分分分, N, 度度度分分.分分分分, E

数据说明如下: