亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

空間態勢感知是準確描述和預測空間環境狀態的能力，隨著運行衛星數量的增加，空間態勢感知已成為人們關注的話題。這一趨勢是由大型衛星星座的部署推動的，這些星座在完全部署后可能由數萬顆衛星組成。準確跟蹤空間物體對于預測和防止物體之間的碰撞非常重要，因為碰撞可能會對運行中的衛星造成災難性損害，并產生碎片云，危及其他衛星。然而，跟蹤空間物體非常復雜，部分原因是測量結果的來源不確定，這個問題被稱為數據模糊性。雖然存在多種能夠處理數據模糊性的目標跟蹤算法，但在太空環境中進行跟蹤還面臨其他挑戰。由于相對于可用傳感器資源而言，目標數量眾多，因此每個目標的可用觀測數據數量通常較少，而且由于上述數據模糊問題，許多觀測數據互不相關。最近興起的大型星群帶來了另一個問題，即相關衛星將利用低推力推進系統來保持編隊，這就要求具備機動目標跟蹤能力，以獲得最佳性能。在本論文中，我們將分析兩個問題，這兩個問題代表了運營商在不久的將來將面臨的空間物體跟蹤挑戰。我們將展示如何利用有限集統計開發適用的算法。有限集統計是一種數學框架，允許采用自上而下的方法開發具有所需功能的嚴格貝葉斯最優多目標過濾器。

分析的第一個問題是大型星座跟蹤問題。我們模擬了一個由 4,500 多顆低地球軌道衛星組成的星座，并使用 12 個地面近視傳感器網絡對其進行跟蹤。這些傳感器的任務由一個結合了信息論獎勵的成本函數來完成。我們還利用戰術重要性函數，將基于任務的目標（如有碰撞風險的物體的優先級）納入任務分配邏輯。收集到的數據將通過一個帶標記的多貝努利濾波器進行處理。濾波器產生的狀態目錄估計值用于激勵下一輪傳感器任務分配，從而形成一個用于綜合任務分配和跟蹤的自主閉環系統。經過五天的跟蹤期后，狀態目錄估計值將用于執行會合分析。我們將現有方法結合起來，為衛星間近距離接近的過濾和風險量化提供了一個計算效率高的工作流程。

分析的第二個問題是在存在機動目標時跟蹤多個目標。機動目標以不可預測的方式偏離其自然軌跡，通常需要專門的跟蹤算法才能獲得最佳性能。跟蹤此類目標的常用方法是交互式多模型濾波器，該濾波器可維持一組模型來表示目標的可能動態。未知動態可通過等效噪聲概念表示為白噪聲過程。這樣就能有效地跟蹤機動空間物體，但這種算法缺乏表征機動的能力。利用有限集統計，我們能夠開發出一種廣義標注多貝努利濾波器，允許整合任意動態模型。這樣，我們就能利用數據自適應方法，更具體地模擬未知動態，從而使濾波器除了進行機動目標跟蹤外，還能進行機動特征描述。我們還開發了一種基于考慮的最小二乘機動估計算法，該算法使用單次脈沖速度變化對未知動力學進行建模。這種機動的時間是通過多重假設法估算出來的。這種方法與我們提出的廣義標注多伯努利濾波器相結合，并應用于模擬地球靜止軌道衛星群，其中包括一顆執行未知機動的衛星。

大型星座跟蹤工作的結果表明，綜合任務分配和跟蹤算法能夠保持對所有模擬衛星的監護。在傳感器任務分配邏輯中加入了碰撞風險的衡量標準，從而提高了風險分析的準確性，但改進不大。我們假設，采用更通用的優化算法或不同的傳感器架構，可能會使基于任務目標的任務分配產生更大的影響。我們對機動目標跟蹤問題的研究結果表明，我們能夠以可接受的準確度描述機動動態。與實際機動相比，我們的表征絕對誤差相對較高，但我們能夠保持對所有目標的監護。在整個機動過程中，一致性指標保持穩定，這表明對估計的機動誤差不確定性進行了精確量化。未來的工作還包括將這項工作擴展到更大規模的場景，在這種場景中，由于機動檢測對計算效率的影響，機動檢測將成為一個更大的因素。此外，還需要進一步開展工作，將我們的算法擴展到低地軌道跟蹤場景中經常使用的非高斯狀態表示法。

圖 3.3：整合各種算法，形成自主風險感知衛星跟蹤系統。

隨著傳感器技術和由此產生的傳感器分辨率的不斷進步，傳統的基于點的目標跟蹤算法已顯得力不從心，尤其是在使用高分辨率傳感器的自動駕駛汽車、視覺跟蹤和監控等應用領域。這重新激發了人們對擴展目標（ET）跟蹤的興趣，其目的不僅在于跟蹤目標的中心點，還在于跟蹤目標隨時間變化的形狀和大小。

本論文探討了 ET 跟蹤應用領域中最具挑戰性的三個問題。研究的第一個難題是，在非高斯噪聲存在的情況下，需要對具有任意未知星凸形狀的 ET 目標進行精確的形狀和中心估計。提出的方法基于 Student's-t 過程回歸算法，該算法在遞歸框架中定義，適用于在線跟蹤問題。

第二個問題試圖通過定義一種新穎的隨機多面體形狀描述符來放松在估計過程中施加在 ET 目標形狀上的任何約束，包括星凸約束。此外，所提出的解決方案還引入了一種方法，以減輕在 ET 跟蹤應用中因自閉塞而造成的麻煩，因為忽視自閉塞可能會導致 ET 狀態估計出現災難性的偏差。

最后，研究了在雜波和遮擋情況下跟蹤多個 ET 目標的框架，并提出了解決方案。所提出的方法可以在現實場景中估計 ET 目標的中心和形狀，同時考慮到自閉和互閉的挑戰。所提出的方法為每個 ET 定義了一個隨時間變化的狀態檢測概率，即使在相互遮擋造成的不利條件下，也能延長軌跡。此外，建議的算法使用集合成員不確定性模型來約束被遮擋 ET 的關聯和目標形狀不確定性，從而獲得更準確的 ET 目標狀態和形狀估計。

所提方法的性能在自閉和互閉的真實模擬場景中進行了量化，其結果與現有的最先進的 ET 跟蹤應用方法進行了比較。

圖 1.1： 點目標和擴展目標的并排比較。(a): 點目標的單一測量源和生成的測量結果。(b): 多個散射點和 ET 生成的測量結果。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人駕駛車輛新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使目標在一段時間內部分或完全被隱藏。該系統分為兩個階段：第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統： 協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的物體連續性。

目標跟蹤是計算機視覺和自主系統的核心要素。因此，單個和多個目標跟蹤已被廣泛研究，特別是針對全運動視頻序列。從移動的機載平臺上獲取廣域運動圖像（WAMI）是最近的一項傳感器創新，它具有一系列國防和民用應用，提供了其他傳感器系統無法比擬的高密度空間和時間覆蓋的獨特組合。機載 WAMI 對目標跟蹤提出了一系列挑戰，包括大數據量、多相機陣列、圖像穩定、低分辨率目標、目標外觀變化和高背景雜波，尤其是在城市環境中。時間變化的低幀率大圖像給可靠的長期多目標跟蹤帶來了一系列困難。本論文的重點是特征概率跟蹤（LOFT）試驗臺系統，它是一種基于外觀（單實例）的目標跟蹤器，專為 WAMI 設計，采用先跟蹤后檢測的模式。在檢測前使用動態跟蹤的動機是為了在計算成本最低的環境中處理大規模數據。在城市場景中，由于存在許多相似的目標、雜波、高層建筑，因此在大畫面上到處搜索一個目標是不現實的，而且還會帶來計算成本大幅增加的額外負擔。LOFT 利用濾波和動態技術將搜索區域限制在大畫面中一個更現實的區域內，并利用多種特征來識別感興趣的目標，從而繞過了這一難題。感興趣的目標預計會以邊界框的形式輸入到算法中。這項工作的主要目標是提出一種符合 LOFT 先跟蹤后檢測模式的外觀更新建模策略，并展示整個系統與其他最先進的跟蹤算法相比的準確性，以及在使用和不使用該策略的情況下的準確性。在設計使用 Radon 變換的各種信息線索的更新策略時，我們考慮到了某些性能參數，例如計算成本的最小增加以及整個系統精確率和召回率的顯著提高。這一點已通過使用文獻中的標準評估技術來證明。作者認為，LOFT WAMI 追蹤器的擴展包括一個更詳細的外觀模型，其更新策略非常適合于持續目標追蹤，這一點非常新穎。在這項工作的幫助下，LOFT 的核心部分已作為多個政府研發項目的一部分進行了評估，其中包括美國空軍研究實驗室的 "指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）企業到邊緣（CETE）"、美國陸軍研究實驗室的 "高級視頻活動分析（AVAA）"以及一個用于邊緣處理的云上細粒度分布式計算架構。為跟蹤標準視頻中的目標開發了簡化版 LOFT，并參加了與主要計算機視覺會議同時舉行的視覺目標跟蹤（VOT）挑戰賽。在城市場景的航拍 WAMI 中，包含擬議外觀適應模塊的 LOFT 能產生明顯更好的跟蹤效果。

提綱

在這篇論文中，試圖通過提出一種跟蹤管道來應對其中的大部分挑戰，這種管道是為處理特定困難而量身定制的，例如通過使用拉東變換的新用法來處理方向變化問題，通過使用多尺度特征來處理低像素級分辨率問題，通過在外觀信息不可靠時切換到預測來處理遮擋問題，以及設計一個足夠靈活的平臺，以便我們為研究人員提供一種更加標準化的方法來利用和研究單個模塊對不同類型數據集的整體跟蹤質量的影響。論文的其余部分安排如下。

第 2 章簡要介紹了跟蹤方面的文獻。WAMI 追蹤文獻與標準圖像追蹤有很大不同。從這一文獻調查中可以清楚地看出，各種技術都偏向于某一方。

第 3 章提出了我們新穎的跟蹤管道。LOFT 作為一個特征融合和外觀建模系統，具有高度模塊化的特點。第一步，目標和搜索區域需要用一個強大的特征集來描述。隨后是匹配步驟，在我們的案例中，匹配步驟包括多個一對一的特征匹配，然后是融合過程，將匹配信息匯總，生成一個單一的概率圖。此外，還介紹了有助于自動終止和智能處理特殊情況（如數據缺失或損壞）的其他模塊。

第 4 章介紹了拉東變換以及特殊情況下的方程。這一章介紹了在方位估算中使用該技術的原因和動機。

第 5 章介紹了我們提出的 LOFT 管道，其中增加了由方向估計得出的外觀建模。該章詳細回顧了拉東變換的技術和用法，隨后介紹了如何將這些信息轉換為有助于外觀建模的描述符的算法。

第 6 章介紹了我們的算法工程實現及其模塊。此外，還詳細介紹了與不同程序下其他系統的集成工作。模塊架構與交互圖一起展示。本章還介紹了一種用于插入額外 3D 信息的新方法，該方法有可能在航空圖像中實現更好的跟蹤效果。

第 7 章展示了我們的實驗方法，并介紹了數據和最終結果。我們詳細解釋了性能數據，并展示了 LOFT 如何優于文獻中的各種跟蹤器，同時還提供了一份詳細的性能表，說明添加外觀建模技術后的改進量。

第8章展示了我們在云計算架構上運行LOFT的合作成果。該章主要關注在流式圖像管道中以網絡模式運行災難場景時對 LOFT 的評估。利用云計算環境進行資源分配，并運行像 LOFT 這樣數據輸入量大的算法，將是使追蹤更加普及的一個步驟。本章重點介紹了此類系統的工程設計方面，并通過實驗展示了可擴展追蹤的可行性。最后一章總結了所提出的工作，并討論了未來的發展方向。

圖 3.1： 特征概率跟蹤（LOFT）處理管道顯示的主要組件包括特征提取、結合模板進行特征似然圖估算、使用支持向量機（SVM）分類進行車輛檢測、融合模塊（也包含基于運動預測和基于運動背景減法的融合模塊），以產生用于目標定位的融合似然圖。軌跡管理包括終止模塊、多重假設跟蹤（MHT）或不多重假設跟蹤（MHT）預測以及用于自適應目標建模的目標外觀更新。

無人機系統（UAS）是近期顛覆性技術的最佳范例之一，理所當然地成為無數新型軍事和民用應用的主力軍。無人機系統技術已經發展到這樣一個地步：從后勤角度看，部署成群的無人機系統是一項合理可行的活動。然而，完全自主和分布式地控制這些無人機蜂群仍然遙不可及。特別是，如果蜂群成員或它們所支持的其他網絡節點處于通信斷開狀態，那么蜂群的協調工作就會變得尤為困難。此類研發活動的高風險性質和潛在危險后果也使其實施極為罕見。此外，從自動化設計和部署的角度來看，算法的可擴展性問題依然存在。本論文旨在通過模擬和機器人現場實驗解決這些問題，利用生物啟發和強化學習方法為常見的無人機系統應用生成蜂群控制方案。

在論文的技術部分中，第 4 章至第 6 章提出了幾種新型蜂群控制算法，以支持通信和其他基于位置的任務。通過對由此產生的新興行為進行數學分析，可以深入了解協調是如何發生的。論文進一步研究了這些算法適應不同環境條件的方式，如通信連接、蜂群規模和角色要求。第 7 章和第 8 章從自動算法設計和實際通信的角度探討了蜂群的可擴展性問題。前者表明，通過多智能體強化學習架構生成的控制策略的移植取決于智能體觀察環境的方式；據作者所知，這是首個此類結果。這一結果允許部署大型蜂群，而無需訓練其所有成員。在后者中，隨著通信信道擁塞程度的增加，出現行為的崩潰也會隨之加劇，從而為衡量此類算法中的出現行為提供了新的衡量標準。

作為一項完整的工作，本論文通過模擬和數學分析，為推動自主蜂群控制的現狀做出了多項貢獻。在可行的情況下，還在真實系統上進行了實驗，以進一步驗證現實世界中的結果。這些貢獻的一個理想結果是提高了利用蜂群控制的系統的可信自主性。

毫米波（mmWave）雷達與光學傳感器不同，體積小巧、精度高、穿透力強且符合隱私保護標準，因此在多傳感器應用中無處不在。然而，光學傳感器的高分辨率和圖像數據集的廣泛可用性導致了使用光學傳感器的機器學習解決方案的快速發展，從而將毫米波雷達推向了輔助傳感器的角色。本論文針對醫療保健、軍事和自主感知領域，介紹了一系列嘗試利用傳感器融合和機器學習方法增強毫米波雷達能力的新方法。首先，論文介紹了骨骼姿態估計技術，該技術可檢測到 15-25 個關鍵點，三維定位誤差小于 3 厘米，可潛在應用于病人/老年人監測、步態分析和識別以及行人監測。其次，介紹了一種自動雷達標注方案，以鼓勵快速開發雷達圖像數據集，幫助自主感知。這項研究還包括使用傳感器融合特征向量和 12 維雷達特征向量進行目標分類，在車輛與行人檢測研究中，準確率分別達到 98% 和 92%。最后，利用雷達-攝像頭傳感器融合技術探索了基于 DNN-LSTM 的目標跟蹤方法和基于三卡爾曼濾波器的目標跟蹤方法，在這兩種方法中，系統不僅提高了定位精度，而且對單個傳感器故障具有魯棒性。基于 DNN-LSTM 的跟蹤器的優勢在于它不需要事先在雷達和攝像頭之間進行校準，而且對于確定單個傳感器提供的定位差異至關重要。基于三卡爾曼濾波器的方法將這些發現用于多目標跟蹤，精度達到 26 厘米，與最先進的方法不相上下，漏檢率小于 4%，與文獻中大于 16% 的 FNR 相比有了顯著提高。本研究提出的方法大大提高了感知能力，使自主系統更加安全。

最近無人駕駛飛行器（UAV）能力的進步導致對蜂群系統的研究越來越多。然而，無人機群的戰術應用將需要安全通信。不幸的是，到目前為止的努力還沒有產生可行的安全通信框架。此外，這些系統的特點是有限的處理能力和受限的網絡環境，這使得許多現有的安全群體通信協議無法使用。最近在安全群組通信方面的研究表明，消息層安全（MLS）協議可能為這些類型的系統提供一個有吸引力的選擇。這篇論文記錄了MLS與先進機器人系統工程實驗室（ARSENL）無人機群系統的整合情況。ARSENL的實施是為了證明MLS在安全蜂群通信中的功效，是一個概念驗證。實施的測試結果是在模擬環境中進行的實驗和用物理無人機進行的實驗。這些結果表明，MLS適用于蜂群，但需要注意的是，測試中沒有實施交付機制以確保數據包的可靠交付。對于未來的工作，如果要維持一個可靠的MLS系統，需要緩解不可靠的通信路徑。

引言

目前，無人駕駛飛行器（UAVs）的進步已經導致了對蜂群能力的研究。目前，多無人機群已被建議或用于一系列廣泛的應用，包括但不限于： 1：

• 攝影 [1］
• 電影制作[1]。
• 野火監測[2］
• 農業[1], [3]
• 遙感和測繪[4］
• 環境監測 [5］
• 建筑 [6］
• 無人機送貨服務 [7］
• 自然災害管理和恢復 [8］
• 軍事行動和防御 [9］

無人機群的戰術利用將取決于安全通信。不幸的是，單個蜂群平臺的處理能力有限，而且蜂群系統通常依賴于帶寬有限且可能不可靠的通信框架。這些限制使這些系統滿足安全要求的能力受到質疑。

以前的設備群通信安全方法不太可能適用于現有或設想中的蜂群系統。然而，最近對安全群組通信的研究表明，消息層安全（MLS）協議[10]可以提供一個有吸引力的選擇，其特點似乎特別適合這些類型的系統。該協議提供了一種有效的計算方法來實現異步安全的群體密鑰管理，但需要在現實的系統中進行實驗，以評估該協議在這些計算和通信有限的環境中的功能。這項工作是在海軍研究生院（NPS）高級機器人系統工程實驗室（ARSENL）的無人機群中實施MLS協議，以保護特定的信息流。

1.1 問題說明

NPS ARSENL開發并利用了一個無人駕駛飛行器（UAV）群系統，該系統已經成功地演示了多達50個UAV[11]。盡管這種能力為軍事行動提供了巨大的潛力，但ARSENL系統缺乏最終在現實世界中使用所需的通信安全功能。本論文在ARSENL蜂群系統上實現了MLS，以評估其對此類系統更廣泛的適用性。

MLS提供了一些與多無人機系統特別相關的能力。MLS提供了一個動態添加和刪除成員的機制，同時不斷地在群組成員之間提供安全的通信。由于無人機群成員可能是高度動態的，添加和刪除群成員是很重要的能力。隨著蜂群規模的增加，群體安全協議必須有效地擴展。同樣有利的是，MLS協議有利于強制移除已經被劫持的、被破壞的或發生故障的無人機。在這些情況下，該協議為小組提供了更新通信密鑰的手段，以排除被破壞或故障的無人機。本論文旨在解決以下問題：

1.MLS協議能否適用于ARSENL無人機群的使用？

2.MLS對ARSENL無人機群的性能有何影響？

3.ARSENL無人機能否加入群組并與群組的其他成員安全地進行通信？

4.小組密鑰是否能夠通過不可靠的ARSENL蜂群網絡定期更新？

5.在出現紕漏或其他標準的情況下，是否可以將無人機從ARSENL群中移除，不再解密信息？

1.2 范圍

在本論文中，研究了在NPS ARSENL無人機群中使用MLS作為一個連續的組密鑰協議。來自MLS GitHub倉庫[12]的社區維護的C++代碼被調整為納入ARSENL蜂群系統代碼庫。特別是，MLS組的密鑰更新、成員添加和成員刪除等操作被實現和測試。該研究包括分析MLS協議的使用對ARSENL蜂群性能的影響。指標包括各個無人機之間的數據包傳輸和接收率、可擴展性和時間。

1.3 論文組織

本文的其余部分分為四章。第二章提供了理解MLS和無人機群的必要背景信息。這包括討論多無人機群和常見的群組通信架構，ARSENL群組系統，以及潛在的安全通信方法，包括成對和分組協議。本章最后討論了MLS和它是如何工作的。

第三章描述了代碼開發過程。它首先總結了ARSENL機載軟件的機器人操作系統（ROS）框架和用于實現MLS功能的C++應用編程接口（API）。然后，本章討論了代碼的實現，包括代碼概述和討論將MLS集成到ARSENL蜂群中的經驗教訓。

第四章討論了MLS實現的實驗，并分析了它對各個ARSENL蜂群平臺的影響，這些影響受蜂群大小和密鑰更新率的影響。本章包括對測試過程的描述和對結果的描述。

最后，第5章提供了一個結論，包括本研究的意義和對未來工作的建議。

空中平臺的使用，如無人駕駛飛行器（UAVs），配備了攝像傳感器，對民用安全和安保領域的廣泛應用至關重要。其中，突出的應用包括監視和偵察、交通監測、搜索和救援、救災和環境監測。然而，由于大量的視覺數據和由此產生的認知過載，僅由人類操作員分析航空圖像數據往往是不可行的。在實踐中，基于適當的計算機視覺算法的自動處理鏈被用來協助人類操作員評估航空圖像數據。這種處理鏈的關鍵部分是在分析和解釋場景之前，準確檢測相機視野內的所有相關物體。由于相機和地面之間的距離較大，空間分辨率較低，這使得航空圖像中的物體檢測成為一項具有挑戰性的任務，而運動模糊、遮擋或陰影又進一步阻礙了這項工作。盡管在文獻中存在許多用于航空圖像中物體檢測的傳統方法，但由于物體的尺度、方向、顏色和形狀的高差異性，所使用的手工制作的特征的有限表示能力常常抑制了可靠的檢測精度。

在本文的范圍內，開發了一種新的基于深度學習的檢測方法，其重點是在俯視記錄的航空圖像中檢測車輛。為此，選擇了Faster R-CNN作為基礎檢測框架，因為與其他基于深度學習的檢測器相比，它的檢測精度更高。針對航空圖像的具體特點，特別是小物體的尺寸，系統地研究了相關的適應性，并確定了現實世界應用方面的問題，即由類似車輛的結構引起的大量錯誤檢測和推理時間差。我們提出了兩個新的組成部分，通過提高所采用的特征表示的上下文內容來提高檢測精度。第一個組件旨在通過結合淺層和深層的特征來增加空間背景信息，以說明精細和粗略的結構，而后一個組件利用語義標簽--圖像的像素級分類--來引入更多的語義背景信息。實現了將語義標簽整合到檢測框架中的兩種不同的變體：利用語義標簽的結果來過濾掉不可能的預測，以及通過共享特征表示將語義標簽網絡明確地并入檢測框架來誘導場景知識。這兩個部分都明顯減少了錯誤檢測的數量，從而大大地提高了檢測精度。為了減少計算量，從而減少推理時間，在本論文的背景下開發了兩種替代策略。第一個策略是將用于特征提取的默認CNN結構替換為針對航空圖像中的車輛檢測而優化的輕量級CNN結構，而后一個策略包括一個新的模塊，將搜索區域限制在感興趣的區域。所提出的策略使檢測框架的每個組成部分的推理時間明顯減少。與作為基線的標準Faster R-CNN檢測器相比，結合所提出的方法明顯提高了檢測性能。此外，在不同的航空圖像數據集上，現有的航空圖像中的車輛檢測方法在數量和質量上都優于其他方法。在從具有不同屬性的新的航空圖像數據集上收集的大量以前未見過的數據上，進一步證明了其泛化能力。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

近年來，情報、監視和偵察（ISR）行動經歷了爆炸性的增長，導致收集的數據成倍增加。然而，盡管有如此豐富的ISR數據，個人、團隊和決策者往往無法開發出他們所需的個人和集體對作戰環境的態勢感知（SA）。增強現實（AR）技術為這種困境提供了一個潛在的解決方案。利用視覺、聽覺和觸覺的線索，AR技術有可能為合作和分析提供新的機會，這將提高個人和集體的安全意識。本文旨在為開發用于ISR行動中協作和分析的AR工具指明道路。它探討了AR技術的現狀，以澄清關鍵的定義、系統的分類和目前對有效使用的研究。它還研究了支撐情景意識的認知和學習理論，以了解AR在發展SA方面可以發揮什么作用（如果有的話）。這些理論被發現支持越來越多地使用AR技術來改善SA和協作，并確定了AR技術為促進SA必須解決的八個設計標準。如果這些設計標準得到尊重，可以預期AR技術會改善學習成績，提高用戶的積極性，并增強用戶的參與/互動和協作。此外，還可以預見在空間理解和長期記憶保持方面的收益。盡管有這樣的潛力，但在AR系統設計中必須適當地管理三個主要風險：引導注意力；系統管理中的分心；以及用戶定制。如果這些風險得到管理，設計標準得到尊重，那么用于ISR行動的協作和分析工具的開發者將能夠開啟AR所提供的光明前景。