一种基于双目识别与电子鼻网络气体检测的融合定位技术

摘要

本发明公开了一种基于双目识别与电子鼻网络气体检测的融合定位技术，属于气体泄漏源定位检测领域。包括以下步骤：首先由电子鼻网络根据烟羽模型融合各节点浓度信息初步确定气源位置。同时双摄像头由两幅图像对应点视差值得到深度信息，由环境的三维轮廓得出气源位置。中心机收到嗅觉和视觉定位信息后，基于给定参数对两者进行融合。基于视觉和嗅觉两种传感器的局部估计，建立相应的误差协方差矩阵得出总均方误差二次函数,由多元函数极值理论求出最小总均方误差对应的加权因子，建立最优自适应加权融合算法模型并算出准确的位置信息。本发明结合嗅觉定位和视觉定位，有效减少气体泄漏源的定位误差，提高气源定位的精度和可靠性。

说明书

技术领域

本发明属于气体泄漏源定位检测领域，涉及一种基于改进的自适应加权融合算法，将嗅觉定位和视觉定位相结合以得出更加准确的气源位置信息的方法。 

背景技术

现代工业的快速发展使人们工作生活中可能接触到的有害气体种类、数量日益增多。有害气体一旦发生泄漏事故又不能得到快速定位与处理的话，不但对周围环境和设备等造成巨大危害，也对人类的安全与健康构成严重威胁。目前，气体源定位方法主要有基于无线传感器网络的气体泄漏检测系统，研究方法主要是基于无线传感器网络中的信号强度，大量分布于不同监控区域的传感器节点能够测量出节点自身所处位置环境的气体浓度信息。通过融合这些传感器节点测量的信息可实时监测、分类并判断，从而快速定位气味源位置。 

但是，基于传感器网络的气味源定位也面临一些问题： 

(1)基于传感器网络的气味源预估定位算法对烟羽分布模型依赖性较大，模型的变化往往会带来较大的定位误差； 

(2)光靠嗅觉感知而无其他感知系统进行二次确认，在一些场合及特定环境下定位精度低，不能得到更加精确的测量值； 

随着传感器网络广泛运用，人们对它的可靠性指标要求越来越高，并且对某些特殊领域如火源报警，精度要求则更高。从而要求人们引入新的技术和方法，进一步提高无线传感器网络的可靠性。 

而近年来，立体视觉逐渐成为计算机视觉中的一个研究广泛的关键性问题，它的目标是通过单个或两个以上的摄像机来获取拍摄物体的深度信息，将其使用在气体监控区域，可以为气体泄漏源位置的二次确认提供可能性。双目立体视觉是其中的一种重要形式，它利用成像设备从左右两个不同角度获取被测物体的两幅图像，计算两幅图像之间对应点的位置偏差，获得视差图(Disparity Map)，然后根据视差图来构建物体的三维几何信息。双目视觉的精度比单目高，而效率则比多目高。它的主要步骤是通过两台摄像机从不同角度拍摄同一物体，根据两张图像重构出问题的三维信息。双目视觉技术首先计算两幅二维图像之间的点对匹配关系，将两幅图像上对应空间中同一个点的像点匹配起来，随后建立世界坐标和图像坐标之间的转换矩阵，即相机的内外参数，这也是相机标定的任务。最后综合以上所有的信息，计 算出物体的三维信息。 

发明内容

有鉴于此，本发明的目的在于提供一种将双目识别与电子鼻网络气体检测相结合的融合定位技术，该方法结合了视觉传感器提供的丰富的环境信息，对气体泄漏源的三维坐标进行再确认，兼顾每个传感器的局部估计,按照一定的原则给每个传感器定制加权因子,最后加权综合所有的局部估计得到全局系统估计，提高了定位精度。并利用无线通信模块，将数据的采集和处理分开，用数据处理能力更强的处理器执行复杂的算法，进一步解决计算量大的问题，提高实时性。 

基于双目识别与电子鼻网络气体检测的融合定位系统，包括以下模块：气体浓度采集模块(电子鼻节点)；气体位置融合模块；传感器图像采集模块(双摄像头)；图像对准融合模块；无线通信模块；中心计算机；存储模块；显示模块；数据库，其中中心计算机与存储模块、无线通信模块、显示模块相连。 

基于双目识别与电子鼻网络气体检测的融合定位技术，它包含以下步骤： 

步骤一：将已经获取的嗅觉定位信息与视觉定位信息通过无线通信模块传送给中心计算机融合模块； 

步骤二：基于预设的参数，对无线传感器融合得到的位置信息与双目视觉图像融合得到的位置信息进行比较判断，若误差较小则以前者为准，即取多传感器中性能最优(误差协方差最小)的传感器直接作为系统全局估计； 

步骤三：若误差较大，根据视觉和嗅觉两种传感器的局部估计和相应的误差协方差矩阵，得出总均方误差关于各加权因子的多元二次函数,根据多元函数求极值理论,可求出总均方误差最小时所对应的加权因子，建立新的加权融合算法模型,即最优自适应加权融合算法模型； 

步骤四：利用改进后的自适应加权融合算法，对无线传感器融合得到的定位信息与双目视觉图像融合得到的定位信息进行再融合，得到全局系统估计的位置信息； 

步骤五：将最终的位置信息通过中心计算机传送到显示屏进行显示，以便用户及时采取应急措施，并在存储模块将位置信息存入数据库，以便后期的搜索与整理。 

本发明的有益技术效果为：本发明可以充分利用无线传感器网络覆盖区域大，发现目标快，工作时间长等优点，并结合了双目识别技术再次确认气体泄漏源的三维坐标，将两种定位信息比较后进行最优自适应加权融合，由比较可知，该方法融合效果明显优于最优单传感器融合法、等权因子加权法，有效地减少了单独无线传感器网络定位的误差，提高了气源定位的精度和可靠性。 

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明： 

图1为本发明所述基于双目识别与电子鼻网络气体检测的融合定位技术的系统结构图； 

图2为本发明所述基于双目识别与电子鼻网络气体检测的融合定位技术的系统流程图； 

图3为本发明所述基于双目识别与电子鼻网络气体检测的融合定位技术的场景模拟图。 

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。 

图1为本发明所述基于双目识别与电子鼻网络气体检测的融合定位技术的系统结构图，包括以下模块：气体浓度采集模块(电子鼻节点)；气体位置融合模块；传感器图像采集模块(双摄像头)；图像对准融合模块；无线通信模块；中心计算机；存储模块；显示模块；数据库，其中中心计算机与存储模块、无线通信模块、显示模块相连。利用无线通信模块，将嗅觉定位信息和视觉定位信息传送至中心计算机的数据融合处理子系统，在数据处理中心机上通过两种传感器的位置信息的比较判断后利用改进的自适应加权融合算法，能够改善最优单传感器融合法、等权因子加权算法的性能，有效地减少了算法的误差，提高了泄漏气体定位的精度和可靠性。 

图2为本发明所述基于双目识别与电子鼻网络气体检测的融合定位技术的系统流程图，具体实现步骤如下： 

(1)考虑在某一布设了无线传感器网络的空间区域发生了气体泄漏，在气体的扩散过程中，大量分布于不同监控区域的传感器节点能检测到气体变化，测量出节点自身所处位置环境的浓度信息。 

(2)各个节点相互通信和协作，对气体进行识别和气体泄漏源的初步融合定位，将其中一个点作为融合中心，对区域内的各个节点得到的位置进行融合，根据实际情况选用合适的模型(如烟羽模型)模拟气体的扩散情况，处理测量模型，将模型线性化，然后利用估计方法估算出气体泄漏源的位置x₁。 

(3)监控区域周围的双摄像头从左右两个不同角度获取气体泄漏源的两幅图像，并在基于摄像头的底层图像处理节点实现图像处理与对准融合。根据双目立体视觉识别原理，首先计算两幅二维图像之间的点对匹配关系，将两幅图像上对应空间中同一个点的像点匹配起来，计算两幅图像之间对应点的位置偏差，获得视差图，然后根据视差图来获取拍摄物体的深度信息，构建物体的三维几何信息，随后建立世界坐标和图像坐标之间的转换矩阵，最后综合 以上所有的信息，计算出由视觉传感器获得的气体泄漏源位置x₂。 

(4)将已经获取的嗅觉定位信息x₁与视觉定位信息x₂通过无线通信模块传送给中心计算机融合模块。 

(5)基于预设的参数ξ(接近于0的正数)，对无线传感器融合得到的定位信息与双目视觉图像融合得到的定位信息进行比较判断，若|x₁-x₂|≤ξ，则说明电子鼻网络定位误差较小，以之为准，即取多传感器中性能最优(误差协方差最小)的传感器直接作为系统全局估计。 

(6)若|x₁-x₂|＞ξ，则说明定位误差较大，舍弃最优单传感器融合法，根据视觉和嗅觉两种传感器的局部估计和相应的误差协方差矩阵，得出总均方误差关于各加权因子的多元二次函数,根据多元函数求极值理论,可求出总均方误差最小时所对应的加权因子，建立新的加权融合算法模型,即最优自适应加权融合算法模型。 

(7)利用改进后的自适应加权融合算法，对无线传感器融合得到的定位信息与双目视觉图像融合得到的定位信息进行再融合，得到全局系统估计的位置信息

(8)将最终的位置信息通过中心计算机传送到显示屏进行显示，以便用户及时采取应急措施，并在存储模块将位置信息存入数据库，以便后期的搜索与整理。 

本发明提出的自适应加权融合定位算法详细推导步骤如下： 

(1)假设融合系统中只有两个传感器，即将无线传感器网络和双目识别系统分别设为单独的嗅觉传感器M₁和视觉传感器M₂； 

(2)假定对于同一气源目标,传感器M₁和M₂的局部估计和相应的误差协方差矩阵分别为:和P_i(i＝1,2)。假定是无偏估计,且两个传感器局部估计误差之间互不相关； 

(3)设各传感器M₁,M₂的加权因子分别为W₁,W₂，则融合后的值和加权因子满足: 

$\left(\begin{array}{c}\hat{x}=W_1{x}_1+W_2{x}_2\\ W_1+W_2=1\end{array}\right)---\left(1\right)$

(4)则由式(1)可知总均方误差为: 

(5)在各传感器局部估计误差互不相关的假设下,即与彼此独立,并且都是x的无偏估计,所以: 

$E\left[(x-{\hat{x}}_1)(x-{\hat{x}}_2)\right]=0---\left(3\right)$

从而:$P=E[{W_1}^2{(x-{\hat{x}}_1)}^2+{W_2}^2{(x-{\hat{x}}_2)}^2]={W_1}^2{P}_1+{W_2}^2{P}_2---\left(4\right)$

(6)从式(4)可以看出,总均方误差P是关于各加权因子的多元二次函数,因此σ²必然存在最小值。根据多元函数求极值理论,可求出总均方误差最小时所对应的加权因子为: 

$W_i^{*}=1/\left(P_i\underset{i=1}{\overset{2}{\Sigma }}\frac{1}{P_i}\right),i=\mathrm{1,2}---\left(5\right)$

(7)此时所对应的最小均方误差为: 

$P_{\min }={\left(\underset{i=1}{\overset{2}{\Sigma }}\frac{1}{P_i}\right)}^{-1}---\left(6\right)$

(8)由式(5)、式(6)建立新的加权融合算法模型,即最优自适应加权融合算法模型,它的融合方程为: 

$\left(\begin{array}{c}{P}^{-1}=\underset{i=1}{\overset{2}{\Sigma }}{\left(P_i\right)}^{-1}\\ \hat{x}=\underset{i=1}{\overset{2}{\Sigma }}\left[{\left(P_i\right)}^{-1}P{\hat{x}}_i\right]\end{array}\right)---\left(7\right)$

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。