CN108154524A - 目标预测跟踪方法 - Google Patents
目标预测跟踪方法 Download PDFInfo
- Publication number
- CN108154524A CN108154524A CN201810039040.5A CN201810039040A CN108154524A CN 108154524 A CN108154524 A CN 108154524A CN 201810039040 A CN201810039040 A CN 201810039040A CN 108154524 A CN108154524 A CN 108154524A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- kalman filter
- mean shift
- estimated
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种目标预测跟踪方法,涉及图像处理技术领域。本发明结合Kalman滤波预测和Mean Shift跟踪方法设计了一种目标预测跟踪方法,引入Kalman滤波对目标运动轨迹进行预测跟踪,提高了跟踪的实时性,提高了***的抗干扰能力,能够预测导弹弹标和目标的位置。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种目标预测跟踪方法。
背景技术
针对Mean Shift算法跟踪导弹弹标和坦克目标时,由于导弹弹标运动速度快,或在跟踪过程中可能出现的短时丢失或遮挡问题,因此需要引入预测跟踪技术。如何设计一种目标预测跟踪方法,实现弹炮遥控武器站集成设计中,导弹弹标和坦克目标的自适应预测跟踪,成为了亟待解决的技术问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何设计一种目标预测跟踪方法,实现弹炮遥控武器站集成设计中,导弹弹标和坦克目标的自适应预测跟踪。
(二)技术方案
为了解决上述技术问题,本发明提供了一种目标预测跟踪方法,包括以下步骤:
步骤一、对输入视频图像中导弹弹标和目标位置进行检测和分割,得到弹标和目标的质心位置坐标和轮廓区域;
步骤二、利用步骤一得到的初始信息设置Mean Shift算法的模板位置和跟踪窗口大小,并设置正常跟踪,在正常跟踪时,根据上一帧图像中目标的位置,利用Kalman滤波预测当前帧图像中目标的位置,根据预测值对目标的大致运动区域进行估计;然后利用MeanShift算法在估计区域内搜索与目标模板最相似的目标;利用Mean Shift算法进行跟踪时,同时利用遮挡判断策略判断是否出现预设的大面积遮挡,没有遮挡则正常跟踪;如果发生遮挡,则将Kalman滤波输出的预测位置作为真实位置进行多步预测,如果弹标丢失帧数大于设定值N,则重新检测。
优选地,步骤二中使用的所述遮挡判断策略为迭代次数判定法:
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置,得到估计位置,在估计位置处设置跟踪窗口,在跟踪窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置,,根据Mean Shift算法的迭代次数判断目标是否发生遮挡或丢失,对算法的迭代次数进行限制,如果在限制次数内找到目标,则没有丢失,直接给出位置;如果在限制次数内没有找到目标,则发生遮挡或丢失,扩大窗口宽度重新寻找。
优选地,步骤二中使用的所述遮挡判断策略为相似度判定法:
对于第k帧图像,给定阈值Th,如果Bhattacharyya系数ρ(yk)≥Th,则没有遮挡,正常跟踪;反之如果ρ(yk)<Th,则表示发生遮挡。
优选地,步骤二中使用的所述遮挡判断策略为残差判定法:
在当前帧中,根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
优选地,步骤二中使用残差判定法时,定义残差:
其中为Kalman滤波器关于目标位置的估计值,x(k)、y(k)为MeanShift算法得到的目标位置。
(三)有益效果
本发明结合Kalman滤波预测和Mean Shift跟踪方法设计了一种目标预测跟踪方法,引入Kalman滤波对目标运动轨迹进行预测跟踪,提高了跟踪的实时性,提高了***的抗干扰能力,能够预测导弹弹标和目标的位置。
附图说明
图1是本发明的基于Kalman滤波预测和Mean Shift跟踪的预测跟踪算法流程图;
图2是本发明的基于迭代次数判定法的预测跟踪流程图;
图3是本发明的基于相似度判定法的预测跟踪流程图;
图4是本发明的基于残差判定法的预测跟踪流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明弹炮遥控武器站集成设计中,采用基于Kalman滤波预测和Mean Shift跟踪的方式,针对遮挡问题进行了深入研究,同时设置了自适应核窗口,实现了导弹弹标和坦克目标的自适应预测跟踪。
基于Kalman滤波预测和Mean Shift跟踪的目标预测跟踪方法流程如图1所示,包括以下步骤:
步骤一、对输入视频图像中导弹弹标和目标位置进行检测和分割,得到弹标和目标的质心位置坐标和轮廓区域。
步骤二、利用步骤一得到的初始信息设置Mean Shift算法的模板位置和跟踪窗口大小。并设置正常跟踪,在正常跟踪时,根据上一帧图像中目标的位置,利用Kalman滤波预测当前帧图像中目标的位置,根据预测值对目标的大致运动区域进行估计;然后利用MeanShift算法在估计区域内搜索与目标模板最相似的目标,做精确匹配。利用Mean Shift算法进行跟踪,同时利用以下的遮挡判断策略判断是否出现预设的大面积遮挡。没有遮挡则正常跟踪;如果发生遮挡,则将Kalman滤波输出的预测位置作为真实位置进行多步预测,如果弹标丢失帧数大于设定值N,则重新检测。
对所述遮挡判断策略的描述如下:
从预测跟踪流程中可以看出,对于遮挡的判断是整个预测跟踪流程中的重要环节之一。跟踪***在发现目标发生遮挡或丢失后即可采取相应的策略,使改进后的预测跟踪算法具有对目标后继状态进行预测估计的能力,直到目标脱离遮挡。
对于遮挡判断主要有三个阶段:
1)正常跟踪和边缘局部遮挡。此时由于Mean Shift算法采用核函数加权的密度函数使其对边缘遮挡不敏感。
2)完全遮挡或丢失。此时Mean Shift算法无能为力,必须引入预测跟踪。
3)遮挡结束,重新捕获目标。
本发明针对如何判定目标是否受到遮挡,通过对Kalman滤波算法和Mean Shift跟踪算法的研究,提出了三种判断策略,本发明可以采用其中之一。
第一种:迭代次数判定法
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置,得到估计位置,在估计位置处设置跟踪窗口。在窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置。Mean Shift算法是一种非参数密度估计的算法,可以通过迭代快速收敛于概率密度函数的局部最大值,一般迭代3-4次就能够找到目标。根据Mean Shift算法的迭代次数可以判断目标是否发生遮挡或丢失。对算法的迭代次数进行限制,如果在限制次数内找到目标,则没有丢失,直接给出其精确位置;如果在限制次数内没有找到目标,则发生遮挡或丢失,扩大窗口宽度重新寻找。基于迭代次数判定法的预测跟踪流程如图2所示。
第二种:相似度判定法
Mean Shift跟踪算法的目标是在当前帧中求取相似度ρ(y)最大时的位置y值,由于Bhattacharyya系数表征了当前核窗口区域核直方图与目标核直方图的相似度,当目标被其它物体遮挡时,当前核窗口区域的Bhattacharyya系数将减小。由此提出目标的遮挡判断准则。即对于第k帧图像,给定阈值Th,如果Bhattacharyya系数ρ(yk)≥Th,则没有遮挡,正常跟踪;反之如果ρ(yk)<Th,则表示发生遮挡。基于相似度判定法的预测跟踪流程如图3所示。
第三种:残差判定法
在当前帧中,根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
定义残差:
其中为Kalman滤波器关于目标位置的估计值,x(k)、y(k)为MeanShift算法得到的目标位置。基于残差判定法的预测跟踪流程如图4所示。
本发明引入Kalman滤波对目标运动轨迹进行预测跟踪主要有以下几个方面的作用。
1)提高了跟踪的实时性。在正常跟踪时,根据上一帧图像中目标的位置,利用Kalman滤波预测当前帧图像中目标的位置,根据预测值对目标的大致运动区域进行估计;然后利用Mean Shift算法在估计区域内搜索与目标模板最相似的目标,做精确匹配。
2)提高了***的抗干扰能力。滤除了估计区域外背景变化对Mean Shift跟踪算法的影响,大大提高了***的跟踪能力。
3)能够预测导弹弹标和目标的位置。对于短时丢失或遮挡问题,利用Kalman滤波器根据前一帧图像中获得的目标位置、速度等信息进行预测,估计导弹弹标和目标在当前帧的可能位置和速度,将预测位置作为真实位置进行多步预测,以便当目标重新出现时可以快速捕获。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种目标预测跟踪方法,其特征在于,包括以下步骤:
步骤一、对输入视频图像中导弹弹标和目标位置进行检测和分割,得到弹标和目标的质心位置坐标和轮廓区域;
步骤二、利用步骤一得到的初始信息设置Mean Shift算法的模板位置和跟踪窗口大小,并设置正常跟踪,在正常跟踪时,根据上一帧图像中目标的位置,利用Kalman滤波预测当前帧图像中目标的位置,根据预测值对目标的大致运动区域进行估计;然后利用MeanShift算法在估计区域内搜索与目标模板最相似的目标;利用Mean Shift算法进行跟踪时,同时利用遮挡判断策略判断是否出现预设的大面积遮挡,没有遮挡则正常跟踪;如果发生遮挡,则将Kalman滤波输出的预测位置作为真实位置进行多步预测,如果弹标丢失帧数大于设定值N,则重新检测。
2.如权利要求1所述的方法,其特征在于,步骤二中使用的所述遮挡判断策略为迭代次数判定法:
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置,得到估计位置,在估计位置处设置跟踪窗口,在跟踪窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置,,根据Mean Shift算法的迭代次数判断目标是否发生遮挡或丢失,对算法的迭代次数进行限制,如果在限制次数内找到目标,则没有丢失,直接给出位置;如果在限制次数内没有找到目标,则发生遮挡或丢失,扩大窗口宽度重新寻找。
3.如权利要求1所述的方法,其特征在于,步骤二中使用的所述遮挡判断策略为相似度判定法:
对于第k帧图像,给定阈值Th,如果Bhattacharyya系数ρ(yk)≥Th,则没有遮挡,正常跟踪;反之如果ρ(yk)<Th,则表示发生遮挡。
4.如权利要求1所述的方法,其特征在于,步骤二中使用的所述遮挡判断策略为残差判定法:
在当前帧中,根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
5.如权利要求4所述的方法,其特征在于,其特征在于,步骤二中使用残差判定法时,定义残差:
其中为Kalman滤波器关于目标位置的估计值,x(k)、y(k)为Mean Shift算法得到的目标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039040.5A CN108154524A (zh) | 2018-01-16 | 2018-01-16 | 目标预测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039040.5A CN108154524A (zh) | 2018-01-16 | 2018-01-16 | 目标预测跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154524A true CN108154524A (zh) | 2018-06-12 |
Family
ID=62461480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810039040.5A Pending CN108154524A (zh) | 2018-01-16 | 2018-01-16 | 目标预测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154524A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109398533A (zh) * | 2018-11-22 | 2019-03-01 | 华南理工大学 | 一种移动平台及移动平台长时间跟踪的方法 |
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN112783204A (zh) * | 2020-12-29 | 2021-05-11 | 中国航空工业集团公司西安飞机设计研究所 | 一种四旋翼无人机地面机动目标实时跟踪***及方法 |
-
2018
- 2018-01-16 CN CN201810039040.5A patent/CN108154524A/zh active Pending
Non-Patent Citations (1)
Title |
---|
XU ZHEN-HUI等: "Study of Missile Radiator Predicting and Tracking Technology on the basis of Kalman Filter and Mean-shift Algorithm", 《ADVANCED MATERIALS RESEARCH》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109543534B (zh) * | 2018-10-22 | 2020-09-01 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109398533A (zh) * | 2018-11-22 | 2019-03-01 | 华南理工大学 | 一种移动平台及移动平台长时间跟踪的方法 |
CN109398533B (zh) * | 2018-11-22 | 2024-04-09 | 华南理工大学 | 一种移动平台及移动平台长时间跟踪的方法 |
CN112783204A (zh) * | 2020-12-29 | 2021-05-11 | 中国航空工业集团公司西安飞机设计研究所 | 一种四旋翼无人机地面机动目标实时跟踪***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229412A (zh) | 目标遮挡判断方法 | |
CN109946671B (zh) | 一种基于双门限判决的水下机动弱目标检测跟踪方法 | |
CN108154524A (zh) | 目标预测跟踪方法 | |
US9977967B2 (en) | Object detection device for recognizing an object in an input frame image using detection history information | |
US8588512B2 (en) | Localization method for a moving robot | |
CN103927764B (zh) | 一种结合目标信息和运动估计的车辆跟踪方法 | |
CN110390292B (zh) | 基于动态关联模型的遥感视频车辆目标检测与跟踪方法 | |
CN101567087A (zh) | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 | |
WO2008076942A1 (en) | System and method of identifying objects | |
CN111461011B (zh) | 基于概率化管道滤波的弱小目标检测方法 | |
CN110569785B (zh) | 一种融合跟踪技术的人脸识别方法 | |
CN113537077B (zh) | 基于特征池优化的标签多伯努利视频多目标跟踪方法 | |
CN111986225A (zh) | 一种基于角点检测和孪生网络的多目标跟踪方法及装置 | |
CN111322993A (zh) | 一种视觉定位方法和装置 | |
CN109740613B (zh) | 一种基于Feature-Shift和预测的视觉伺服控制方法 | |
CN111639570B (zh) | 一种基于运动模型和单目标线索的在线多目标跟踪方法 | |
CN108010066B (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 | |
CN106291530B (zh) | 一种基于最近邻法的概率数据关联优化方法 | |
CN115170940A (zh) | 一种基于广义最大相关熵卡尔曼滤波的uuv目标跟踪方法 | |
CN107422311B (zh) | 一种基于α-β滤波的抗距离拖引方法 | |
CN109087332B (zh) | 一种基于分块相关的遮挡检测方法 | |
JP3505872B2 (ja) | 画像内動体追尾装置 | |
CN111126213A (zh) | 基于历史缓存数据的车道线检测方法、装置及存储介质 | |
CN112164097B (zh) | 一种船舶视频检测样本采集方法 | |
CN112037272B (zh) | 一种基于相关滤波的快速区域搜索的目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |