一种基于三维建模的目标识别装置的利记博彩app

文档序号:20922591 发布日期:2020-05-29 14:21
一种基于三维建模的目标识别装置的利记博彩app

本发明涉及目标识别技术领域,尤其涉及一种基于三维建模的目标识别装置。



背景技术:

知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互关系。

在防空系统中,精确的目标跟踪技术是有效拦截的前提和基础。目前,国内外大量基于二维平面的相关研究,但是在真实的战争环境中,空中目标经常在三维空间内机动。因此,扩展二维模型和跟踪算法对二维平面到三维空间具有重要的现实意义。机动目标跟踪技术的关键在于建立精确的机动模型。通常,各种目标的移动性明显不同。例如,飞机的飞行速度约为100-600m/s,操纵半径大于1km,其操纵幅度通常小于10个重力g,而导弹的最大加速度可能高达数十个重力g。

传统的目标机动模型,包括cv/ca模型和基于一些假定的目标机动规律的统计模型。但是,这些模型只强调了目标机动特征的某些部分,因此很难在更大的范围内逼近真实的目标机动规律。交互多模型(imm)算法是一种更高级的目标跟踪算法。它包括一组用于目标跟踪的并行模型,最终目标运动状态估计是所有这些涉及估计的模型过滤器输出的加权和。然而,该算法需要各种假设的可能的目标运动模型以及不同运动模型的转换规律的实时估计,因此很难继续提高此方法的准确性。



技术实现要素:

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种基于三维建模的目标识别装置,对机动目标实现精准识别。

本发明所采用的技术方案是:

第一方面,本发明提供一种基于三维建模的目标识别装置,包括:

知识图谱构建系统,用于采集和存储原始数据;3d建模系统,用于建立3d模型;

目标识别系统,用于通过获取的所述3d模型识别机动目标。

进一步地,所述3d建模系统包括:3d建模模块、接口模块、数据库模块、轻量化模块;其中3d建模模块用于构建3d模型,包括:库文件单元、环境配置单元、图形渲染单元、网格创建单元;接口模块用于提供输入设备和输出设备的接口,包括但不限于:键盘、鼠标、平板电脑、3d扫描仪;数据库模块用于存储数据文件,包括但不限于:3d模型库,工具库和环境配置文件库;轻量化模块用于通过特定算法将传统的3d模型格式文件转换为轻量级json格式数据文件。

进一步地,所述3d建模模块包括:库文件单元包括多种3d引擎和格式文件;环境配置单元包括webgl的三个要素:场景,摄像,灯光;图形渲染单元用于渲染3d可视化效果;网格创建单元包含几何数据,材质数据,颜色数据和段数据。

进一步地,所述3d建模系统还包括:构建布尔模型,所述布尔模型通过具有一定拓扑结构的三角形补丁表示,所述布尔模型通过三角形斑块相交测试与分割算法实现。

进一步地,所述3d建模系统可在线编辑,基于webgl和html页面框架实现。

进一步地,所述3d引擎的框架包括:物理层,软件层,核心技术层,接口层;其中,物理层用于描述web环境的客观性,包括:web服务器、网络通信环境和互联网的建立;软件层用于为所述web环境提供必需的支持软件,其中包括操作系统、web浏览器和集成开发环境;核心技术层用于系统环境构建和系统开发;接口层用于提供多种输入、输出设备的接口。

进一步地,所述目标识别系统包括扩展状态观测器和卡尔曼滤波器,其中扩展状态观测器用于识别所述机动目标,卡尔曼滤波器用于滤波。

进一步地,所述通过获取的3d模型识别目标包括:应用扩展状态观测器(eso)和衰落记忆最小二乘法来确定所述获取的3d模型的模型参数,然后将获取的所述模型参数与转换后的测量卡尔曼滤波器(cmkf)进行最终组合实现对目标的识别。

进一步地,所述目标识别系统还包括坐标转换模块,所述坐标转换模块通过cmkf算法实现,所述cmkf算法包括将测量值从极坐标系的坐标转换为笛卡尔坐标系坐标,降低所述测量值的误差。

进一步地,所述知识图谱构建系统还包括图数据库,所述图数据库用于存储构建的所述知识图谱和相关数据,所述图数据包括nero4j、virtuoso、flockdb、orientdb。

本发明的有益效果是:

本发明提出一种基于三维建模的目标识别装置,先利用知识图谱系统和图数据库技术构建关于目标识别分析的知识图谱,再利用3d建模系统构建三维模型,最后通过目标识别系统的内部结构设计实现对机动目标的精准识别。

附图说明

图1是本发明一种基于三维建模的目标识别装置实施例的结构示意图。

图2是本发明一种基于三维建模的目标识别装置中3d建模系统结构示意图。

具体实施方式

需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。

在本发明实施例中,针对上述问题,提出了一种基于三维建模的目标识别装置,旨在更好地解决机动目标识别准确率低等问题,对机动目标实现精准识别。

参见图1,其示出了一种基于三维建模的目标识别装置结构示意图;该目标识别装置包括:知识图谱构建系统101、3d建模系统102、目标识别系统103。

知识图谱构建系统101,用于采集和存储相关信息;3d建模系统102,用于建立3d模型;目标识别系统103,用于通过获取的3d模型追踪目标。

知识图谱构建系统101采集机动目标原始数据,包括:目标性能参数、目标运行规律、目标形状大小,根据不同来源获取目标数据,包括:从网页、期刊、表格、论文自动抽取目标数据,对不同来源的数据进行整合、消歧、排除冲突等,这些数据可能来自结构化数据来源、半结构化数据来源、非结构化数据来源。包括:对非结构化数据进行自然语言处理,并对自然语言处理后的非结构化数据及半结构化数据利用机器学习算法进行处理,首先进行格式清洗,去除数据中包含的噪声信息,如广告;

然后进行自动重排和自动分类,并把数据转换成符合的格式;接下来,对这些信息通过数据处理算法进行通用的文本处理,数据处理算法包括分词算法、词性标注算法、句法分析算法、命名实体识别算法、聚类算法和分类算法等,为后续的深度数据分析和数据挖掘提供基础,数据挖掘算法包括:频繁项挖掘算法。

对待处理数据利用机器学习算法进行知识抽取以及知识融合,知识融合包括:实体对齐、实体消歧、知识合并,如利用关系数据库中数据构建知识图谱的过程,通过表的记录、列值、外键等信息可构建知识图谱中实体、属性值、实体间关系等各要素,也可以通过知识抽取工具,从资料中自动抽取知识信息,建立若干条知识整合规则,在人工参与条件下进行知识整合,构建知识图谱。

构建的知识图谱存储在图数据库中,具有高性能、可扩展和灵活性等优点,查询时不需要查询完整图且查询时间与遍历图的规模成正比,可以在不干扰现有数据查询和功能正常运转的情况下添加所需的节点、关系甚至子图,还可以通过图数据模型与应用程序无缝结合。图数据库包括nero4j、virtuoso、flockdb、orientdb等。

图2是本发明一种基于三维建模的目标识别装置中3d建模系统结构示意图。请参阅2,3d建模系统102可分为4个模块:3d建模模块1021、接口模块1022、数据库模块1023、轻量化模块1024。

接口模块1022包括硬件接口、软件接口和模型接口。

数据库模块1023在3d建模模块中包括3d模型库,工具库和环境配置文件库。

轻量化模块1024中,可以通过特定算法将传统的3d模型文件转换为轻量化json数据文件。

在接口模块1022中,其他开源3d建模功能可以从软件接口成功移植到建模系统中。

硬件接口不仅提供了键盘和鼠标的接口,还提供了平板电脑、3dcanner和kinect设备的接口,以扩展后续研究中的3d建模方式。

3d模型导入和导出的接口从模型接口提供给用户。这三个接口可为3d建模系统提供更丰富的3d建模功能和方式。

3d建模模块1021分为4个单元:环境配置单元;库文件单元;网格创建单元;图形渲染单元。

环境配置单元包括webgl的三个要素:场景,摄像机,灯光。

库文件单元包括three.js,threecsg.js等3d引擎以及基于javascript框架文件jquery.js等格式文件。

网格创建单元包含几何数据,材质数据,颜色数据和分段数据。网格数据是从环境配置单元,库文件单元和网格创建模块到图形渲染模块的部分接收的。

图形渲染单元通过特定函数呈现3d可视化效果,以便可以从浏览器实时观察3d建模效果。

此外,从数据库模块到网格创建都提供了相关的3d模型和建模工具功能。

在轻量化模块中,网格模型被转换为json文件,可以使用javascript进行识别并使用进行编辑3d引擎。

3d引擎框架分为4层:物理层,软件层,核心技术层,接口层。

web环境的客观性在物理层中描述,包括web服务器、网络通信环境和互联网的建立。

物理层中的抽象web环境被软件层具体描述为必需的支持软件,其中包括操作系统、web浏览器和集成开发环境(ide)。

在核心技术层中,系统开发环境由软件层提供的开发平台和开发工具构建而成,即系统开发是通过node.js的web服务器,webgl的图形渲染核心技术和web前端技术(html5,css3,javascript)。

本发明实施例通过改进的图形渲染单元,可以在出色的可视化效果的前提下有效提高3d图形的渲染质量。

基本几何可以通过构造实体几何(csg)进行处理,从而获得基本的csg体素和扩展的csg体素,可以对体素的几何信息和拓扑信息进行计算和拓扑关联,以实现复杂的实体建模的可能性。

通过对csg体素的面向对象的高级抽象将几何信息和拓扑信息封装到该模型中。通过事后遍历计算csg树模型,从而可以有效且完整地设计轻量级复杂实体,即布尔运算模型。基于csg树的建模系统中的3d模型都是轻量级模型,即模型由具有一定拓扑结构的三角形补丁表示。因此,布尔运算模型通过三角形斑块相交测试与分割算法实现。该算法可以实现“交”,“联合”,“减”的布尔运算。

基于b/s架构的3d建模系统102可直接在web浏览器上运行且无需使用浏览器插件。本发明实施例提出了一种在线3d建模系统,通过webgl中强大的3d图形创建和渲染功能以及完善的html5web页面框架来实现3d模型构建。本发明实施例提出的3d建模系统102适用于复杂、恶劣的网络环境,如低速网络环境。

本发明实施例提出的目标识别装置还包括目标识别系统103。有效的参数识别模型的关键是有效估计参数的能力。传统的连续模型识别方法大多基于数值微分算法,并且通过离散目标信息识别模型参数,但是这种方法丢失了离散信息的相对程度,准确性较差。

本发明实施例提供的目标识别系统103包括一种具有更好的适应性和鲁棒性的扩展状态观测器(eso),可以直接识别连续系统。目标识别系统103还包括坐标转换模块,坐标转换模块通过cmkf算法实现。

在目标识别系统中,状态方程和测量方程不能同时是基于相同的坐标系的两个线性方程。通常是扩展的卡尔曼滤波器(ekf)用于线性化状态方程或测量方程。但是,线性误差可能会无法避免。因此,ekf算法可能具有一些缺点,例如准确性低和频繁发散。cmkf算法是一种通过坐标转换将测量值从极坐标系转换为笛卡尔坐标系的算法。统计方法用于计算转换后的测量值误差的均值和方差。然后,可以将标准卡尔曼滤波器直接用于滤波。因此,这种识别方法没有线性误差,并且精度更高。

本发明实施例将cmkf算法与衰落存储器递归最小二乘识别算法相结合,用于在线识别滤波器。

基于3d参数辨识模型的目标识别系统103可以有效地减少跟踪误差,同时模型参数可以快速收敛到一些有效值并适应不同的模式。

为了在三维空间内进行机动目标跟踪,建立了3d模型。然后使用扩展状态观测器eso和衰落记忆最小二乘法来识别模型参数。最后,该模型与转换测量卡尔曼滤波器(cmkf)结合在一起,用于机动目标识别。蒙特卡洛仿真证明,目标识别系统103对不同机动目标运动模式具有较高的模型参数识别精度,同时对于三维机动目标跟踪,目标识别系统103具有较好的滤波性能。

一种基于三维建模的目标识别装置,先利用知识图谱系统和图数据库技术构建关于目标识别分析的知识图谱,再利用3d建模系统构建三维模型,最后通过目标识别系统的内部结构设计实现对机动目标的精准识别。

以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

再多了解一些
当前第1页 1 2 3
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1