CN105894535A - 一种基于贝叶斯的涡旋自动追踪方法 - Google Patents
一种基于贝叶斯的涡旋自动追踪方法 Download PDFInfo
- Publication number
- CN105894535A CN105894535A CN201610191428.8A CN201610191428A CN105894535A CN 105894535 A CN105894535 A CN 105894535A CN 201610191428 A CN201610191428 A CN 201610191428A CN 105894535 A CN105894535 A CN 105894535A
- Authority
- CN
- China
- Prior art keywords
- vortex
- tracker
- observation
- tracking
- trail
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯的涡旋自动追踪方法,采用基于贝叶斯的Kalman滤波对涡旋的运动过程进行建模,通过预测位置与观测结果进行跟踪匹配,并采用Hungarian最优化算法解决多目标涡旋追踪的匹配冲突问题。本发明克服了多目标涡旋追踪过程中的复杂匹配难题,提高了追踪结果的准确性。
Description
技术领域
本发明涉及一种基于贝叶斯的涡旋自动追踪方法,属于海洋涡旋自动提取算法领域。
背景技术
中尺度涡(简称涡旋)是海洋中分布广泛且非常重要的一种动态现象,它不仅能传递热量、传播营养物质,同时也是海洋动能的主要体现。现代遥感观测技术的发展和应用为研究海洋涡旋的演变演化规律,提供了长时间丰富的观测资料。从这些海量的观测资料中挖掘提取出涡旋的演化过程,是研究涡旋运动演化规律的基本前提。
目前,涡旋演化过程的追踪方法主要有三种:1)距离搜索法,主要以当前追踪涡旋中心点为参考设定搜索半径,在下一个时刻搜索落入半径范围内的涡旋,选取距离最近的涡旋作为演化后继(Chelton et al.2011);2)相似性追踪,在距离搜索方法的基础上,加入涡旋之间相似程度的度量,以最相似的涡旋左右演化后继(Chaigneau et al.2008);3)面积重叠法,根据涡旋演化前后空间形态是否存在重叠,来判断是否同属于一个涡旋演化过程(Henson etal.2008)。
现有的这些方法,算法思想简单,应用广泛,但存在两点不足:一是忽略了涡旋移动的本质,不管是半径搜索还是面积重叠,若是以当前涡旋的位置为参考来追踪下一个时刻,本质上是假设涡旋下个时刻仍然停留在原地没有移动,而这与事实不符;二是当多个涡旋位置接近时,容易形成复杂的跟踪匹配问题,如两个涡旋在下一个时刻追踪到三个潜在后继,究竟哪种匹配才最符合涡旋移动特征,这个问题在现有三种方法中都没有相应的应对办法。
发明内容
本发明解决的技术问题:提供一种基于贝叶斯的涡旋自动追踪方法,采用Kalman滤波对涡旋运动过程进行建模,解决涡旋下一时刻位置的预测的问题,同时采用Hungarian最优化匹配算法,解决多个涡旋目标追踪时的匹配冲突问题,提高了追踪结果的准确性。
本发明的技术方案:一种基于贝叶斯的涡旋自动追踪方法,首先构建基于贝叶斯的Kalman滤波(Bar-Shalom et al.2001)对涡旋的运动过程进行建模,从概率上预测涡旋下一个时刻最可能出现的位置和有效误差范围,再与观测的结果进行跟踪匹配,如果出现多目标追踪匹配,则采用Hungarian最优化匹配算法(J.Munkres 1957)搜索每一个涡旋目标的最佳后继。
具体步骤如下:
步骤1、初始化,建立一个空的涡旋***集合,一个涡旋观测值集合和一个空的跟踪结果集合。每一个涡旋***将在自动追踪的过程中记录一个涡旋演化过程的前序后继关系。涡旋观测值集合将记录每个时刻观测到的涡旋信息(位置、属性等)。跟踪结果集合将存储记录生命过程追踪完成的涡旋***。对首个时刻观测到的每个涡旋,构建涡旋***,记录涡旋的位置信息,并创建默认参数的Kalman滤波用于跟踪预测,然后将***添加到涡旋***集合中;
步骤2、启动追踪,从下一个时刻开始,按时间帧进行循环,若是循环至最后一帧,追踪停止,跟踪结果集合收集的涡旋追踪器,记录了追踪涡旋的生命演化过程信息;否则,进行自动追踪,执行步骤3-4;
步骤3、获取当前时间帧的所有涡旋观测值,添加到观测值集合中;
步骤4、数据关联,遍历***集合中的每一个涡旋***,先进行Kalman滤波的跟踪预测,再将预测的涡旋位置及误差范围与当前时刻的涡旋观测值集合中的所有涡旋,进行关联匹配:
●若涡旋***的预测误差范围内没有匹配到观测值集合中的涡旋,则将该***从集合中取出,加入到步骤1建立的跟踪结果集合中,表明该涡旋的生命演化过程已经追踪结束;
●若涡旋***的预测误差范围内有且仅有一个匹配的涡旋观测值,则从涡旋观测值集合中取出该涡旋,作为***跟踪到的后继涡旋,并采用Kalman滤波器对该涡旋的观测位置进行修正,获得滤波后的涡旋位置及误差范围,并以此为准进行之后的过程追踪;
●若涡旋***的预测误差范围内存在多个匹配的涡旋观测值,则首先采用Hungarian算法对该***与涡旋观测值构成的二分图(bipartite graph)进行最优化匹配,对于匹配到观测值的涡旋***,将该观测值从观测值集合中取出,作为***跟踪到的后继涡旋,并采用Kalman滤波器对该涡旋的观测位置进行修正,获得滤波后的涡旋位置及误差范围,并以此为准进行之后的过程追踪;
●若观测值集合中存在未匹配***的涡旋,则新建一个涡旋***,添加到涡旋***集合中。
本发明与现有技术相比的优点在于:采用基于贝叶斯的Kalman滤波,更准确地模拟涡旋的运动过程;采用Hungarian算法解决多目标追踪的复杂匹配冲突难题,提高了追踪的准确性。
附图说明
图1为本发明的实现流程图。
具体实施方式
如图1所示,本发明的具体实施步骤如下:
步骤1、初始化,建立一个空的涡旋***集合(trackerList),一个涡旋观测值集合(observeList)和一个空的跟踪结果集合(completeList)。每一个涡旋***将在自动追踪的过程中通过在Ids属性中记录涡旋ID,存储涡旋生命过程的前序后继关系。涡旋观测值集合将记录每个时刻观测到的涡旋位置。跟踪结果集合将存储记录生命过程追踪完成的涡旋***。对首个时刻观测到的每个涡旋,构建涡旋***,在Obs属性中记录涡旋的位置矢量,并创建默认参数的Kalman滤波用于跟踪预测,然后将***添加到涡旋***集合中。
***、观测值的数据结构如下,跟踪结果集合将收集、存储已跟踪完成的涡旋***:
***
观测值
OID | Obs |
涡旋ID | 位置观测值向量 |
步骤2、启动追踪,从下一个时刻开始,按时间帧进行循环,若是循环至最后一帧,追踪停止,跟踪结果集合收集的涡旋追踪器,记录了追踪涡旋的生命演化过程信息;否则,进行自动追踪,执行步骤3-4;
步骤3、获取当前时间帧的所有涡旋观测值,添加到观测值集合observeList中;
步骤4、数据关联。遍历***集合trackerList中的每一个涡旋***,先进行Kalman滤波的跟踪预测,将预测的涡旋位置和协方差矩阵分别存储到***的Pre和Cov属性中,并计算与涡旋观测位置的mahalanobis(马氏)距离。马氏距离计算公式如下:
其中,X表示预测值向量,Y表示观测值向量,Σ表示Kalman滤波器的协方差矩阵。由于马氏距离符合卡方分布,所以当涡旋***的预测值向量与观测值向量的马氏距离大于0.05的显著水平时,认为观测值在预测的误差范围外,跟踪匹配时应排除在外,反之,涡旋观测值在预测的误差范围内,按以下几种情况进行跟踪匹配:
●若涡旋***的预测误差范围内没有匹配到观测值集合中的涡旋,则将该***从trackerList中取出,加入到步骤1建立的跟踪结果集合completeList中,表明该涡旋的生命演化过程已经追踪结束;
●若涡旋***的预测误差范围内有且仅有一个匹配的涡旋观测值,则从涡旋观测值集合observeList中取出该涡旋,作为***跟踪到的后继涡旋,用该涡旋的空间位置更新***的Obs属性,同时,用***中的Kalman滤波器对涡旋的位置进行修正,用滤波后的涡旋位置及误差矩阵更新***的Upd和Cov属性,并以此为准进行之后的过程追踪;
●若涡旋***的预测误差范围内存在多个匹配的涡旋观测值,则首先采用图遍历算法提取出二分图中的***和观测值,计算***与观测值之间的马氏距离得到距离成本矩阵,然后采用Hungarian算法对该距离成本矩阵进行最优化匹配。对于匹配到观测值的涡旋***,从涡旋观测值集合observeList中取出该涡旋,作为***跟踪到的后继涡旋,用该涡旋的空间位置更新***的Obs属性,并用***中的Kalman滤波器对涡旋的位置进行修正,用滤波后的涡旋位置和误差矩阵更新***的Upd和Cov属性,并以此为准进行之后的过程追踪;
●若观测值集合中存在未匹配***的涡旋,则新建一个涡旋***,添加到涡旋***集合中。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本邻域的技术人员来说,本发明可以更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (2)
1.一种基于贝叶斯的涡旋自动追踪方法,其特征在于步骤如下:
步骤1、初始化,建立一个空的涡旋***集合,一个涡旋观测值集合和一个空的跟踪结果集合;每一个涡旋***将在自动追踪的过程中记录一个涡旋演化过程的前序后继关系;涡旋观测值集合将记录每个时刻观测到的涡旋信息,跟踪结果集合将存储记录生命过程追踪完成的涡旋***;对首个时刻观测到的每个涡旋,构建涡旋***,记录涡旋的位置信息,并创建默认参数的Kalman滤波用于跟踪预测,然后将***添加到涡旋***集合中;
步骤2、启动追踪,从下一个时刻开始,按时间帧进行循环,若是循环至最后一帧,追踪停止,跟踪结果集合收集的涡旋追踪器,记录了追踪涡旋的生命演化过程信息;否则,进行自动追踪,执行步骤3-4,直至结束时间才结束循环,停止追踪;
步骤3、获取当前时间帧的所有涡旋观测值,添加到观测值集合中;
步骤4、数据关联,遍历***集合中的每一个涡旋***,先进行Kalman滤波的跟踪预测,再将预测的涡旋位置及误差范围与当前时刻的涡旋观测值集合中的所有涡旋,进行关联匹配。
2.根据权利要求1所述的基于贝叶斯的涡旋自动追踪方法,其特征在于:所述步骤4中数据关联,遍历***集合中的每一个涡旋***,先进行Kalman滤波的跟踪预测,再将预测的涡旋位置及误差范围与当前时刻的涡旋观测值集合中的所有涡旋,进行关联匹配的过程:
(41)若涡旋***的预测误差范围内没有匹配到观测值集合中的涡旋,则将该***从集合中取出,加入到步骤1建立的跟踪结果集合中,表明该涡旋的生命演化过程已经追踪结束;
(42)若涡旋***的预测误差范围内有且仅有一个匹配的涡旋观测值,则从涡旋观测值集合中取出该涡旋,作为***跟踪到的后继涡旋,并采用Kalman滤波器对该涡旋的观测位置进行修正,获得滤波后的涡旋位置及误差范围,并以此为准进行之后的过程追踪;
(43)若涡旋***的预测误差范围内存在多个匹配的涡旋观测值,则首先采用Hungarian算法对该***与涡旋观测值构成的二分图(bipartite graph)进行最优化匹配,对于匹配到观测值的涡旋***,将该观测值从观测值集合中取出,作为***跟踪到的后继涡旋,并采用Kalman滤波器对该涡旋的观测位置进行修正,获得滤波后的涡旋位置及误差范围,并以此为准进行之后的过程追踪;
(44)若观测值集合中存在未匹配***的涡旋,则新建一个涡旋***,添加到涡旋***集合中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610191428.8A CN105894535B (zh) | 2016-03-30 | 2016-03-30 | 一种基于贝叶斯的涡旋自动追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610191428.8A CN105894535B (zh) | 2016-03-30 | 2016-03-30 | 一种基于贝叶斯的涡旋自动追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894535A true CN105894535A (zh) | 2016-08-24 |
CN105894535B CN105894535B (zh) | 2019-05-31 |
Family
ID=57014673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610191428.8A Active CN105894535B (zh) | 2016-03-30 | 2016-03-30 | 一种基于贝叶斯的涡旋自动追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894535B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292911A (zh) * | 2017-05-23 | 2017-10-24 | 南京邮电大学 | 一种基于多模型融合和数据关联的多目标跟踪方法 |
CN107657148A (zh) * | 2017-11-09 | 2018-02-02 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追技术 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN112767711A (zh) * | 2021-01-27 | 2021-05-07 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080111730A1 (en) * | 2006-11-09 | 2008-05-15 | Zhen Ding | Track quality based multi-target tracker |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
CN102737386A (zh) * | 2012-05-15 | 2012-10-17 | 北京硅盾安全技术有限公司 | 一种运动目标抗融合遮挡跟踪算法 |
CN102915545A (zh) * | 2012-09-20 | 2013-02-06 | 华东师范大学 | 一种基于OpenCV的视频目标跟踪算法 |
CN103281476A (zh) * | 2013-04-22 | 2013-09-04 | 中山大学 | 基于电视图像运动目标的自动跟踪方法 |
CN103399905A (zh) * | 2013-07-29 | 2013-11-20 | 中国科学院地理科学与资源研究所 | 一种海洋涡旋演变过程信息提取方法 |
US8705793B2 (en) * | 2009-10-08 | 2014-04-22 | University Of Southern California | Object tracking by hierarchical association of detection responses |
-
2016
- 2016-03-30 CN CN201610191428.8A patent/CN105894535B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080111730A1 (en) * | 2006-11-09 | 2008-05-15 | Zhen Ding | Track quality based multi-target tracker |
US8705793B2 (en) * | 2009-10-08 | 2014-04-22 | University Of Southern California | Object tracking by hierarchical association of detection responses |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
CN102737386A (zh) * | 2012-05-15 | 2012-10-17 | 北京硅盾安全技术有限公司 | 一种运动目标抗融合遮挡跟踪算法 |
CN102915545A (zh) * | 2012-09-20 | 2013-02-06 | 华东师范大学 | 一种基于OpenCV的视频目标跟踪算法 |
CN103281476A (zh) * | 2013-04-22 | 2013-09-04 | 中山大学 | 基于电视图像运动目标的自动跟踪方法 |
CN103399905A (zh) * | 2013-07-29 | 2013-11-20 | 中国科学院地理科学与资源研究所 | 一种海洋涡旋演变过程信息提取方法 |
Non-Patent Citations (2)
Title |
---|
QIN WAN 等: "Multiple Moving Objects Tracking under Complex Scenes", 《PROCEEDINGS OF THE 6TH WORLD CONGRESS ON INTELLIGENT CONTROL》 * |
郝菲: "智能监控***中运动目标检测跟踪的研究", 《中国优秀硕士学位论文全文数据库•信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292911A (zh) * | 2017-05-23 | 2017-10-24 | 南京邮电大学 | 一种基于多模型融合和数据关联的多目标跟踪方法 |
CN107292911B (zh) * | 2017-05-23 | 2021-03-30 | 南京邮电大学 | 一种基于多模型融合和数据关联的多目标跟踪方法 |
CN107657148A (zh) * | 2017-11-09 | 2018-02-02 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追技术 |
CN107657148B (zh) * | 2017-11-09 | 2021-09-28 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追方法 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN111695299B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN112767711A (zh) * | 2021-01-27 | 2021-05-07 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
CN112767711B (zh) * | 2021-01-27 | 2022-05-27 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105894535B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pang et al. | Quasi-dense similarity learning for multiple object tracking | |
Feichtenhofer et al. | Detect to track and track to detect | |
CN105894535A (zh) | 一种基于贝叶斯的涡旋自动追踪方法 | |
CN103268616B (zh) | 多特征多传感器的移动机器人运动人体跟踪方法 | |
CN106327526A (zh) | 图像目标跟踪方法与*** | |
US20050001759A1 (en) | Method and apparatus for joint kinematic and feature tracking using probabilistic argumentation | |
Zhu et al. | Crowd tracking with dynamic evolution of group structures | |
US8437972B2 (en) | Sensor bias estimation for multiple hypothesis tracker | |
CN102447835A (zh) | 无盲区多目标协同跟踪方法及*** | |
CN107590821B (zh) | 一种基于轨迹优化的目标跟踪方法及*** | |
CN103729861A (zh) | 一种多目标跟踪方法 | |
Zheng et al. | YOLO-BYTE: An efficient multi-object tracking algorithm for automatic monitoring of dairy cows | |
Cao et al. | Correlation-based tracking of multiple targets with hierarchical layered structure | |
Shakeri et al. | Real-time bird detection based on background subtraction | |
CN104133983A (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
Bashar et al. | Multiple object tracking in recent times: A literature review | |
Korthals et al. | Multi-modal detection and mapping of static and dynamic obstacles in agriculture for process evaluation | |
Yao et al. | City-scale multi-camera vehicle tracking based on space-time-appearance features | |
CN108010066A (zh) | 基于红外目标灰度互相关和角度信息的多假设跟踪方法 | |
Ma et al. | Radiation intensity Gaussian mixture PHD filter for close target tracking | |
Rachel et al. | Probabilistic Framework for the Positioning Of a Vehicle in a Combined Indoor-Outdoor Scenario | |
Zhang et al. | A fully‐automatic side‐scan sonar simultaneous localization and mapping framework | |
CN104240265A (zh) | 一种基于全局约束的多目标跟踪方法和*** | |
CN104199006A (zh) | 一种基于多假设联合分布滤波器的随机集跟踪方法 | |
Yu et al. | Track-before-detect labeled multi-Bernoulli smoothing for multiple extended objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |