移动放射源定位校正与优化方法.pdf

《移动放射源定位校正与优化方法.pdf》由会员分享，可在线阅读，更多相关《移动放射源定位校正与优化方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010213464.6 (22)申请日 2020.03.24 (71)申请人 中国科学院高能物理研究所 地址 100049 北京市石景山区玉泉路19号 乙 (72)发明人 邹艺刘双全魏龙于月 (74)专利代理机构 北京君尚知识产权代理有限 公司 11200 代理人 司立彬 (51)Int.Cl. G06T 7/277(2017.01) G06T 7/77(2017.01) G06K 9/62(2006.01) (54)发明名称 一种移动放射源定位校正与优化方法 (57)摘要。

2、 本发明公开了一种移动放射源定位校正与 优化方法， 其步骤包括： 1)获取放射源移动过程 中的辐射图像， 将每一所述辐射图像中像素最大 值位置(x,y)作为放射源在辐射图像中的中心位 置； 2)采用卡尔曼滤波算法， 从x、 y方向分别对各 辐射图像中的放射源位置进行校正和优化； 3)将 步骤2)校正和优化后的t时刻采集的辐射图像中 的放射源位置与t时刻辐射图像对应的光学图像 进行匹配融合。 本发明使用卡尔曼滤波算法和平 滑方法对放射源运动位置进行校正与优化， 获得 高准确， 无跳动且运动轨迹连续的放射源定位； 最后将放射源位置与光学图像进行匹配融合， 可 应用于移动放射源定位检测的多种场合。 。

3、权利要求书2页 说明书6页 附图4页 CN 111524167 A 2020.08.11 CN 111524167 A 1.一种移动放射源定位校正与优化方法， 其步骤包括： 1)获取放射源移动过程中的辐射图像， 将每一所述辐射图像中像素最大值位置(x， y) 作为放射源在辐射图像中的中心位置； 2)采用卡尔曼滤波算法， 从x、 y方向分别对各辐射图像中的放射源位置进行校正和优 化； 3)将步骤2)校正和优化后的t时刻采集的辐射图像中的放射源位置与t时刻辐射图像 对应的光学图像进行匹配融合。 2.如权利要求1所述的方法， 其特征在于， 步骤2)中， 从x方向对各辐射图像中的放射源 位置进行校正和。

4、优化的方法为： 21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t0的状态转移矩阵均 方误差P0、 过程噪声的协方差Q0和测量噪声的协方差R0； 22)采用卡尔曼滤波算法根据放射源x方向tk-1时刻的最优估计值xk-1和tk时刻的观测值 zk， 计算x方向tk时刻的状态最优估计值xk； 23)计算tk时刻的状态预测值和观测值zk之间的正则化残差ek， 然后利用正则化 残差ek调整tk时刻的过程噪声的协方差Qk和测量噪声的协方差Rk。 3.如权利要求2所述的方法， 其特征在于， 当前时刻状态预测值和状态观测值的正则化 差值ek表达式为：其中，Hk-1为 卡尔曼滤波算法tk-1时刻的滤波增益。

5、参数， Pk-1为tk-1时刻的均方误差， Rk-1为tk-1时刻的测量 噪声的协方差； 设定阈值为Thresh， 当ekThresh时， 调整当前时刻tk的过程噪声的协方差 Qk和测量噪声的协方差Rk的值， 使得Qk增大， Rk减小。 4.如权利要求1所述的方法， 其特征在于， 步骤2)中， 从y方向分别对各辐射图像中的放 射源位置进行校正和优化的方法为： 21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t0的状态转移矩阵均 方误差P0、 过程噪声的协方差Q0和测量噪声的协方差R0； 22)采用卡尔曼滤波算法根据放射源y方向tk-1时刻的最优估计值yk-1和tk时刻的观测值 Lk， 计。

6、算y方向tk时刻的状态最优估计值yk； 23)计算tk时刻的状态预测值和观测值Lk之间的正则化残差ek， 然后利用正则化 残差ek调整tk时刻的过程噪声的协方差Qk和测量噪声的协方差Rk。 5.如权利要求4所述的方法， 其特征在于， 当前时刻状态预测值和状态观测值的正则化 差值ek表达式为：其中，Hk-1为 卡尔曼滤波算法tk-1时刻的滤波增益参数， Pk-1为tk-1时刻的均方误差， Rk-1为tk-1时刻的测量 噪声的协方差； 设定阈值为Thresh， 当ekThresh时， 调整当前时刻tk的过程噪声的协方差 Qk和测量噪声的协方差Rk的值， 使得Qk增大， Rk减小。 6.如权利要求1。

7、所述的方法， 其特征在于， 根据校正和优化后各辐射图像中的放射源位 置生成该放射源的运动轨迹。 7.如权利要求6所述的方法， 其特征在于， 采用平滑方法对放射源的运动轨迹进行平滑 权利要求书 1/2 页 2 CN 111524167 A 2 处理。 8.如权利要求7所述的方法， 其特征在于， 所述平滑方法为RTS平滑方法。 9.如权利要求1所述的方法， 其特征在于， 采集放射源移动过程中的光学图像， 并对采 集的光学图像进行逆相关解码获得该放射源移动过程中的辐射图像。 10.如权利要求9所述的方法， 其特征在于， 使用伽马相机或探测设备采集放射源的光 学图像。 权利要求书 2/2 页 3 CN。

8、 111524167 A 3 一种移动放射源定位校正与优化方法 技术领域 0001 本发明应用于编码孔径的伽马相机， 涉及核安全检测领域， 具体针对移动放射源 检测的应用场景， 是一种新的对移动放射源定位进行校正和优化的方法。 背景技术 0002 基于编码孔径的伽马相机成像需要一定的统计计数才能得到信噪比高、 真实可信 的核辐射分布图像。 传统的伽马相机， 采用静止成像的方式， 在探测器和放射源保持相对位 置固定不变的情况下， 经过长时间探测累积充分的计数进行成像， 从而获得高质量的成像 结果。 0003 在运动成像过程中， 由于探测器与放射源之间的相对位置不断变化， 放射源在探 测器视野中位。

9、置也不断发生变化。 放射源的运动一方面将运动伪影引入数据中， 另一方面 数据的信号与噪声比值也发生变化。 通常认为， 核辐射分布图像中像素最大值所在位置即 代表放射源位置。 由于伽马相机采集数据运动伪影与噪声的干扰， 辐射分布图像中放射源 位置存在定位不准确的问题。 在连续采集时放射源位置往往在某几帧发生跳动， 会大幅度 偏离正确位置。 放射源被行人携带， 伽马相机采集所得放射源位置与行人位置偏差较大， 定 位不准确。 此外， 由于辐射图像像素远小于光学图像像素， 在进行热点与移动目标的匹配与 融合时， 热点定位的变化往往不够连续， 不能紧跟移动的目标物体。 0004 为了解决伽马相机在移动放。

10、射源成像中放射源定位跳动问题与定位不连续问题， 本发明提供了基于卡尔曼滤波算法的放射源定位优化方法。 针对移动放射源定位， 一方面 提高定位的连续性， 另一方面可校正放射源定位偏离移动目标正确位置的数据点， 使得伽 马相机对移动放射源定位更连续与准确。 0005 使用伽马相机对移动放射源进行检测与定位， 传统方法通常使用逆互相关解码算 法对采集数据进行解码重建， 并叠加一段时间内的重建图像作为放射源在某点的辐射图 像， 其中选取辐射图像像素的最大值所在位置作为放射源位置。 0006 传统方法未对辐射图像的放射源定位做优化， 常出现放射源定位跳动与定位不连 续问题。 若通过提高探测器面积， 在同。

11、等采集时长内可获取更多计数减少定位跳动， 但势必 会极大增加成本。 发明内容 0007 针对伽马相机测量移动放射源的应用场景， 本发明提供一种新的对移动放射源定 位进行校正和优化的方法。 对伽马相机采用逆互相关解码后的重建图像的放射源定位进行 优化， 从而提高放射源定位的准确性。 同时该算法也可应用于移动放射源定位检测的多种 场合。 0008 本发明首先使用伽马相机或其他探测设备对移动反射源数据进行采集； 其次通过 逆相关解码获得放射源重建辐射图像； 接着使用卡尔曼滤波算法和平滑方法对放射源运动 位置进行校正与优化， 获得高准确， 无跳动且运动轨迹连续的放射源定位； 最后将放射源位 说明书 1。

12、/6 页 4 CN 111524167 A 4 置与光学图像进行匹配融合。 0009 本发明对技术方案为： 0010 一种移动放射源定位校正与优化方法， 其步骤包括： 0011 1)获取放射源移动过程中的辐射图像， 将每一所述辐射图像中像素最大值位置 (x， y)作为放射源在辐射图像中的中心位置； 0012 2)采用卡尔曼滤波算法， 从x、 y方向分别对各辐射图像中的放射源位置进行校正 和优化； 0013 3)将步骤2)校正和优化后的t时刻采集的辐射图像中的放射源位置与t时刻辐射 图像对应的光学图像进行匹配融合。 0014 进一步的， 步骤2)中， 从x方向对各辐射图像中的放射源位置进行校正和。

13、优化的方 法为： 0015 21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t0的状态转移矩阵 均方误差P0、 过程噪声的协方差Q0和测量噪声的协方差R0； 0016 22)采用卡尔曼滤波算法根据放射源x方向tk-1时刻的最优估计值xk-1和tk时刻的 观测值zk， 计算x方向tk时刻的状态最优估计值xk； 001723)计算tk时刻的状态预测值和观测值zk之间的正则化残差ek， 然后利用正 则化残差ek调整tk时刻的过程噪声的协方差Qk和测量噪声的协方差Rk。 0018进一步的， 当前时刻状态预测值和状态观测值的正则化差值ek表达式为： 其中，Hk-1为卡尔曼滤波算法tk-1时刻 的滤。

14、波增益参数， Pk-1为tk-1时刻的均方误差， Rk-1为tk-1时刻的测量噪声的协方差； 设定阈值 为Thresh， 当ekThresh时， 调整当前时刻tk的过程噪声的协方差Qk和测量噪声的协方差Rk 的值， 使得Qk增大， Rk减小。 0019 进一步的， 步骤2)中， 从y方向分别对各辐射图像中的放射源位置进行校正和优化 的方法为： 0020 21)根据放射源的移动特性设置卡尔曼滤波算法中初始时刻t0的状态转移矩阵 均方误差P0、 过程噪声的协方差Q0和测量噪声的协方差R0； 0021 22)采用卡尔曼滤波算法根据放射源y方向tk-1时刻的最优估计值yk-1和tk时刻的 观测值Lk，。

15、 计算y方向tk时刻的状态最优估计值yk； 002223)计算tk时刻的状态预测值和观测值Lk之间的正则化残差ek， 然后利用 正则化残差ek调整tk时刻的过程噪声的协方差Qk和测量噪声的协方差Rk。 0023进一步的， 当前时刻状态预测值和状态观测值的正则化差值ek表达式为： 其中，Hk-1为卡尔曼滤波算法tk-1时刻 的滤波增益参数， Pk-1为tk-1时刻的均方误差， Rk-1为tk-1时刻的测量噪声的协方差； 设定阈值 为Thresh， 当ekThresh时， 调整当前时刻tk的过程噪声的协方差Qk和测量噪声的协方差Rk 的值， 使得Qk增大， Rk减小。 0024 进一步的， 根据校。

16、正和优化后各辐射图像中的放射源位置生成该放射源的运动轨 迹。 0025 进一步的， 采用平滑方法对放射源的运动轨迹进行平滑处理。 说明书 2/6 页 5 CN 111524167 A 5 0026 进一步的， 所述平滑方法为RTS平滑方法。 0027 进一步的， 采集放射源移动过程中的光学图像， 并对采集的光学图像进行逆相关 解码获得该放射源移动过程中的辐射图像。 0028 进一步的， 使用伽马相机或探测设备采集放射源的光学图像。 0029 与现有技术相比， 本发明的积极效果为： 0030 (1)在伽马相机对移动放射源检测和定位中， 提高放射源定位的准确性； 0031 (2)在伽马相机对移动放。

17、射源检测和定位中， 提高放射源定位的连续性； 0032 (3)在伽马相机对移动放射源检测和定位中， 减少放射源定位跳动； 附图说明 0033 图1为伽马相机对移动放射源采集并定位流程图； 0034 图2为伽马相机逆相关解码重建辐射图像； 0035 (a)t0s， (b)t8s， (c)t9s， (d)t10s， (e)t11s， (f)t12s； 0036 图3伽马相机逆相关解码重建辐射图像中放射源位置； 0037 (a)t0s、 x7、 y6， (b)t8s、 x6、 y7， (c)t9s、 x5、 y7， (d)t10s、 x 7、 y1， (e)t11s、 x3、 y8， (f)t12s。

18、、 x2、 y9； 0038 图4为对放射源x方向位置进行卡尔曼滤波效果图； 0039 图5为对放射源y方向位置进行卡尔曼滤波效果图； 0040 图6为对放射源x方向位置进行RTS滤波效果图； 0041 图7为对放射源y方向位置进行RTS滤波效果图； 0042 图8为t7s时刻对比示意图； 0043 (a)为滤波处理前匹配示意图， (b)为滤波处理后匹配示意图； 0044 图9为t8s时刻对比示意图； 0045 (a)为滤波处理前匹配示意图， (b)为滤波处理后匹配示意图； 0046 图10为t10s时刻对比示意图； 0047 (a)为滤波处理前匹配示意图， (b)为滤波处理后匹配示意图； 。。

19、 具体实施方式 0048 下面结合附图及实施例对本申请作进一步详细说明， 但不仅限于此。 0049 本发明提出了一种对移动放射源定位进行校正和优化的方法， 可将该方法应用于 移动放射源检测定位中。 伽马相机对移动放射源采集、 定位、 优化、 融合的流程如图1所示， 主要用于对逆互相关解码算法重建出的辐射图像的定位进行校正和优化。 0050 1伽马相机数据采集与解码重建 0051 令小车或行人携带放射源移动， 使用伽马相机对移动放射源进行检测和定位， 获 取数据并进行逆相关解码重建， 所得的辐射图像如图2所示， 分别展示t0s， 8s， 9s， 10s， 11s， 12s时刻的辐射图像。 005。

20、2 2放射源定位 0053 辐射图像长宽分别为19个像素大小， 计算辐射图像中像素最大值所在位置， 如图3 所示， 其中矩形框中的点为计算的放射源位置， 以图片左上角为坐标原点， x与y即辐射图像 说明书 3/6 页 6 CN 111524167 A 6 中矩形框的中心坐标。 0054 3定位优化 0055 本方法主要采用卡尔曼滤波算法， 对放射源位置的x， y方向分别进行定位的校正 和优化。 0056 卡尔曼滤波算法是一种利用线性系统状态方程， 通过系统输入输出观测数据， 对 系统状态进行最优估计的算法。 以伽马相机采集的辐射图像位置的x坐标为例。 0057 已知前一时刻tk-1放射源位置的。

21、最优估计值为xk-1。 对于当前时刻tk， 观测得放射 源位置为zk。 计算tk时刻的放射源位置最优估计值xk， 可利用前一时刻tk-1的最优估计值xk-1 和当前时刻tk的观测值zk来更新对现时刻的最优估计值xk。 0058 本系统的状态方程为： 0059 0060其中为由前一时刻的放射源位置的最优估计值xk-1预测当前时刻状态的状 态转移矩阵。 wk-1为系统的过程噪声， 表征了伽马相机对放射源定位系统中的系统固有噪声 特点， k-1为本系统噪声驱动矩阵。 该方程即意味当前时刻放射源的位置由前一时刻放射 源的最优估计与系统固有噪声确定。 0061 本系统的测量方程为： 0062 zkCk*。

22、xk+vk 0063 其中Ck为对当前时刻系统状态xk进行测量的测量矩阵， vk为测量过程的噪声。 系统 固有噪声与测量过程噪声满足 0064 Ewk0 Covwk， wjQkkj 0065 Evk0 Covvk， vjRkkj 0066 Covwk， vj0 0067 其中Qk为当前时刻tk的过程噪声的协方差， Rk为当前时刻tk的测量噪声的协方差， 参数Qk、 Rk可根据物理模型的特点自己设定， 可以是固定值， 也可以进行调整。 Qk与Rk可取固 定值或根据系统物理特性进行调整。 在本发明根据放射源运动加速度的变化Rk与Qk进行调 整。 0068 在已知伽马相机所测量的辐射热点前一时刻位置。

23、的最优估计xk-1和当前时刻位置 的测量值zk， 可以求得当前时刻的最优估计值xk。 计算方法如下： 0069 (1)根据前一时刻tk-1的位置最优估计值xk-1计算当前时刻tk的位置的状态预测 0070 0071(2)计算当前时刻tk的状态预测均方误差 0072 0073 其中Pk-1为时刻tk-1的状态最优均方误差， Qk-1为时刻tk-1的过程噪声的协方差。 k-1含义如上文所述，分别为k-1转置。 0074 (3)计算当前时刻tk的滤波增益参数Hk： 0075 说明书 4/6 页 7 CN 111524167 A 7 0076其中为(2)式所得当前时刻tk的状态预测均方误差。 Ck、 。

24、Rk含义如上文所 述， 为Ck的转置。 0077 (4)计算当前时刻tk位置的状态最优估计值xk： 0078 0079其中Hk为(3)中所得当前时刻tk的滤波增益参数，zk、 Ck含义如上文所述。 0080 (5)更新当前时刻tk的状态最优估计的均方误差Pk： 0081 0082其中Hk为(3)中所得当前时刻tk的滤波增益参数，为(2)式所得当前时刻tk 的状态预测均方误差， Ck含义如上文所述。 0083 根据以上原理， 可分别对伽马相机采集所得的放射源x， y方向的位置坐标进行校 正和优化， 其中状态转移矩阵过程噪声的协方差Qk， 测量噪声的协方差Rk均根据实 际应用场景选择相应的值。 0。

25、084 具体步骤如下： 0085 (1)根据放射源携带者运动的物理特性(即放射源的移动特性)设置初始时刻t0的 状态转移矩阵均方误差P0、 过程噪声的协方差Q0和测量噪声的协方差R0。 0086 (2)对伽马相机采集所得的放射源x， y方向的坐标分别使用上述原理进行优化。 即 根据放射源x方向tk-1时刻的最优估计值xk-1和tk时刻的观测值zk， 计算x方向tk时刻的状态 最优估计值xk。 同样根据放射源y方向tk-1时刻的最优估计值yk-1和tk时刻的观测值Lk， 计算y 方向tk时刻的状态最优估计值yk。 0087 (3)与传统卡尔曼滤波算法不同的是， 在本发明中， 通过计算当前时刻tk。

26、的状态预 测值和状态观测值zk之间的正则化残差ek， 来调整当前时刻的过程噪声的协方差Qk 和测量噪声的协方差Rk。 当前时刻状态预测值和状态观测值的正则化差值ek表达式如下： 0088 0089 0090 设定阈值为Thresh， 当ekThresh时， 调整当前时刻的过程噪声的协方差Qk和测量 噪声的协方差Rk的值， 使得Qk增大， Rk减小， 从而提升卡尔曼滤波器对当前时刻状态的计算。 对伽马相机采集所得的放射源x， y方向位置坐标优化效果如图4、 图5所示。 图中黑色圆圈表 示伽马相机测量获取的放射源位置， 该放射源位置是离散的， 且存在偏差较大的错误数据 点。 黑色线条表示通过卡尔曼。

27、滤波并且平滑后的放射源位置， 可看出该曲线是连续变化且 不存在偏差较大的点。 卡尔曼滤波算法校正了偏离大错误的数据点， 且使放射源轨迹随时 间连续， 提高放射源定位的准确性。 0091 可进一步对卡尔曼滤波后的曲线进行优化， 即根据卡尔曼滤波曲线的前后一段时 间内的值来优化当前时刻的值。 平滑的方法有固定点平滑(Fixed-Point Smoothing)、 固定 时延平滑(Fixed-Lag Smoothing)、 固定时间间隔平滑(Fixed-Interval Smoothing)等方 式。 本发明以固定时间间隔平滑中的RTS平滑方法为例进行说明。 0092 RTS平滑原理是， 记录卡尔曼。

28、滤波器各个时刻输出的最优状态估计和对应的协方 差， 并遍历当前时刻之后的数据， 把对未来的预测信息结合到当前时刻， 对当前时刻的最优 说明书 5/6 页 8 CN 111524167 A 8 状态估计进行平滑。 对以上数据进行RTS滤波所得结果如图6、 图7所示， 虚线所示为RTS滤波 的结果。 通过RTS滤波， 放射源位置信息得到了进一步的平滑和优化， 较卡尔曼滤波输出结 果更为准确。 0093 4匹配融合 0094 使用伽马相机获取放射源位置(x， y)， 使用本专利中卡尔曼滤波RTS平滑方法对放 射源位置(x， y)进行处理获得的优化后的放射源位置(x ， y )。 分别将放射源位置(x。

29、， y)和 优化后的放射源位置(x ， y )与光学图像中目标行人位置进行匹配融合， 所得融合示意图 对比如图810所示。 根据实验对比结果可以发现， 通过卡尔曼滤波器平滑后的放射源位置 与光学图像中放射源位置更符合， 说明基于卡尔曼滤波算法的移动放射源定位校正与优化 方法可校正偏离放射源真实位置的测量点， 能有效减少放射源定位的跳动并且使放射源运 动轨迹更连续与平滑。 0095 以上内容是结合具体的实施方式对本申请所作的进一步详细说明， 不能认定本申 请的具体实施只局限于这些说明。 对于本申请所属技术领域的普通技术人员来说， 在不脱 离本申请发明构思的前提下， 还可以做出若干简单推演或替换。 说明书 6/6 页 9 CN 111524167 A 9 图1 图2 图3 说明书附图 1/4 页 10 CN 111524167 A 10 图4 图5 说明书附图 2/4 页 11 CN 111524167 A 11 图6 图7 说明书附图 3/4 页 12 CN 111524167 A 12 图8 图9 图10 说明书附图 4/4 页 13 CN 111524167 A 13 。