CN108734103B - 卫星视频中运动目标的检测与跟踪方法 - Google Patents

卫星视频中运动目标的检测与跟踪方法 Download PDF

Info

Publication number
CN108734103B
CN108734103B CN201810358177.7A CN201810358177A CN108734103B CN 108734103 B CN108734103 B CN 108734103B CN 201810358177 A CN201810358177 A CN 201810358177A CN 108734103 B CN108734103 B CN 108734103B
Authority
CN
China
Prior art keywords
target
vehicle
tracking
moving target
image
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.)
Active
Application number
CN201810358177.7A
Other languages
English (en)
Other versions
CN108734103A (zh
Inventor
徐丰
敖巍
钱昱彤
施燕清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201810358177.7A priority Critical patent/CN108734103B/zh
Publication of CN108734103A publication Critical patent/CN108734103A/zh
Application granted granted Critical
Publication of CN108734103B publication Critical patent/CN108734103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像和视频处理技术领域，具体为卫星视频中运动目标的检测与跟踪方法。本发明方法包括：采用基于运动和局部杂波建模的检测技术，对在卫星视频中城市里的运动目标‑‑车辆进行检测；采用基于区域增长与多线索的鉴别技术，对检测到的运动目标进行鉴别；采用基于卡尔曼滤波器的目标跟踪技术，以及将检测到的多个车辆目标与正在跟踪的多条轨迹进行关联，进一步对地面运动目标进行跟踪。本发明实用性强，并可用于交通监测、城市监控、军事监测等领域，应用前景广阔。

Description

卫星视频中运动目标的检测与跟踪方法
发明领域
本发明属于图像处理和视频处理技术领域，具体涉及一种专门针对卫星视频中运动目标的检测与跟踪方法。
背景技术
地球观测(EO)具有广阔的视野，可以达到城市大小的观测范围，是当前研究的热点和未来的研究趋势。它在城市交通***，海上监视，空中间谍和战场监视等民用和军事领域发挥着至关重要的作用。目前许多观测技术包括光学卫星图像、星载合成孔径雷达和航空领域影像已经逐步发展并具有重要意义。光学卫星图像和星载SAR都可以观察到高分辨率的广阔视野。但光学卫星图像和SAR图像是静态图片，不能观察物体的动态变化，限制了其应用范围。
随着无人机(UAV)发展，可以使用的航空影像也越来越多。然而航拍影像因为平台不稳定性波动的影响从而必须依赖复杂的稳定处理。为了目标跟踪，需要实现图像配准来将相机运动与目标运动分开。航拍的高度有限，并且根据新的民用航空法规，无人机的适用范围被压缩，使得航拍获取的视频范围大大减小。
卫星视频是一种先进的监测技术，它利用光学传感器在运动的卫星平台上获取连续的图像。与无人机的航拍影像相比，除了更广阔的视野外，由于卫星运动的稳定性使得卫星视频比起航拍视频更加稳定。卫星视频的另一个优势就是它可以通过自身的飞行始终将镜头对准感兴趣区域(ROI)。
发明内容
本发明的目的在于提供一种专门针对卫星成像视频(以下简称“卫星视频”)中的运动目标的检测和跟踪方法。
本发明是首个专门针对卫星视频处理的算法，可以自动实现对卫星视频中车辆目标的检测和跟踪。其中，本发明提出了新的运动目标检测算法，新的虚警目标剔除算法。
本发明提出的卫星视频中运动目标的检测与跟踪方法，这里的运动目标主要针对车辆，具体步骤如下：
(1)采用基于运动和局部杂波建模的检测技术，对在卫星视频中城市里的运动目标--车辆进行检测；
(2)采用基于区域增长与多线索的鉴别技术，对检测到的运动目标进行鉴别；
(3)采用基于卡尔曼滤波器的多目标跟踪技术，以及将检测到的多个车辆目标状态与正在跟踪的多条轨迹进行关联,进一步对地面运动目标进行跟踪；这里，目标是指任意帧中检测到的车辆，目标状态是其位置、速度和加速度在组成的6维状态向量，轨迹是指具有某一个车辆目标在一段连续时间的状态向量的集合，任意轨迹拥有一个整个视频唯一的编号。
步骤(1)中，所述的基于运动和局部杂波建模的检测技术，是假设原始图像为图像信号和噪声信号的和，所以帧间差分图像(两帧图像相减后取绝对值得到的图像)表示噪声信号，差分图像中的异常像素表示车辆目标可能存在的位置，选择指数分布拟合噪声杂波分布，计算二值化阈值，实现对帧间差分图像的二值化，二值图像中的前景表示车辆目标，二值图像中的背景表示图像背景区域，利用连续两幅二值图像的交集确定目标的当前位置。
步骤(2)中，所述的基于区域增长与多线索的鉴别技术，是重构运动目标的几何形状，利用多种形态学线索，鉴别运动目标与虚警目标。
步骤(3)中，所述的基于卡尔曼滤波器的目标跟踪技术，是利用线性模型描述车辆运动，结合观测值和预测值，估计运动目标的当前状态，并更新***状态。
步骤(3)中，所述的检测到的多个车辆目标与正在跟踪的多条轨迹的关联，是利用匈牙利算法实现所有对车辆目标和轨迹的最优匹配，匹配完成后部分目标匹配上部分轨迹，对未匹配上轨迹的目标初始化一条新的跟踪轨迹，对未匹配上目标的轨迹利用最近邻搜索技术再次寻找匹配的目标。
下面对各步骤的算法作进一步介绍：
1、基于运动和局部杂波建模的检测技术，具体步骤为：
(1)栅格化，即：在每一个帧中，沿着垂直和水平方向将图像划分为二维网格，每个网格单元内包含若干像素,在每个单元中分别执行检测算法；
(1a)将图像看作是原始图像信号与噪声信号的和，即：
Gi(x，y)＝gi(x，y)+ni(x，y) (1)
其中，Gi(x，y)是第i帧视频中像素点(x，y)的幅值大小，gi(x，y)是第i帧视频中原始图像中点(x，y)的幅值大小，ni(x，y)相应的噪声信号的幅值大小；
(1b)选择指数分布来拟合噪声信号的分布，指数分布的累积密度函数(CDF)为：
Figure GDA0003123206320000021
其中，cE(*)是指数分布的CDF，λ是指数分布的参数。
(1c)找出灰度变化大的区域作为目标，预先设定虚警率，计算出二值化的阈值：
Figure GDA0003123206320000031
其中，
Figure GDA0003123206320000032
是逆函数，pfa是预先设置的概率值；
(1d)利用预先定义的概率值计算二值化阈值将像素分类，像素幅度值大于th是前景，像素幅度值小于th是背景，在二值图像中，‘1’为前景，‘0’为背景；
(1e)将得到的两个二值图像取交集图，也就是逐像素进行“与”布尔运算，消除前面时刻和后面时刻的景象目标，从而唯一保留运动车辆目标当前位置。
2、基于区域增长与多线索的鉴别技术，具体步骤为：
(2a)利用基于高斯分布的区域增长算法，利用检测器检测出的一个连通区域的所有前景像素估计高斯分布的参数；高斯分布的PDF是；
Figure GDA0003123206320000033
其中，μ和σ分别表示平均值和标准差，高斯分布的CDF是：
Figure GDA0003123206320000034
其中，erf(*)表示相关误差函数；
(2b)预定义的下边界概率
Figure GDA0003123206320000035
和上边界概率
Figure GDA0003123206320000036
分别计算幅度值的下边界和上边界，即：
Figure GDA0003123206320000037
Figure GDA0003123206320000038
其中，
Figure GDA0003123206320000039
和
Figure GDA00031232063200000310
分别代表阈值的下界和上界；
(2c)重新判断这个区域的前景目标，幅度值在
Figure GDA00031232063200000311
范围内的像素为前景；
(2d)保留与原始前景相连通的所有像素，构建成一个新的连通区域，也就是区域生长的结果；
(2e)最后，采用面积、占空比、长度和偏心率作为形态学线索，对区域生长的结果进行形态学鉴别，目的是剔除检测到的目标中的非车辆目标，其中占空比的定义是，连通区域像素和连通区域边界框的面积的比值。
3、基于卡尔曼滤波器的目标跟踪技术，具体步骤为：
(3a)KF一般适用于线性运动的目标跟踪，而非线性运动一般可以分解为一系列线性运动，首先只考虑一个运动目标的KF跟踪问题，预测***的动态方程为：
xi＝Fi·xi-1+vi (8)
其中，Fi为卫星视频第i帧时刻的演化矩阵，vi为噪声向量，xi-1是第i-1帧时刻的状态向量，xi为当前时刻的状态向量；
状态向量xi定义为:
xi＝[x，y，vx，vy，ax，ay]T (9)
其中，x，y，vx，vy，ax，ay分别表示X轴方向的位置，Y轴方向的位置，X轴方向的速度，Y轴方向的速度，X轴方向的加速度，Y轴方向的加速度；
假设车辆目标在两帧之间的时刻进行匀加速的直线运动，所以演化矩阵Fi为:
Figure GDA0003123206320000041
其中，τ表示视频中两帧之间的时间间隔，单位为“秒”，也就是帧率的倒数。
(3b)利用检测车辆的面积和位置作为观测值，得到观测方程为：
Figure GDA0003123206320000042
其中，yi,Hi和ni分别表示测量矢量，测量矩阵和测量噪声；
观测矩阵Hi为：
Figure GDA0003123206320000043
(3c)通过贝叶斯定理导出状态向量xi的后验概率密度函数(PDF)，再利用链式法则对其进行化简，即：
Figure GDA0003123206320000044
其中，通过Chapman-Kolmogorov方程导出概率p(xi|y1：i-1)，即：
p(xi|y1：i-1)＝∫p(xi|xi-1)p(xi-1|y1：i-1)dxi-1 (14)
(3d)利用公式(13)和(14)，得到状态向量xi的后验概率密度函数PDF:
Figure GDA0003123206320000045
(3e)结合观测值和预测值，利用公式(15)，估计当前状态，并不断更新***的状态。
4、多个车辆检测与跟踪的关联，具体步骤为：
(4a)在基于卡尔曼滤波器的目标跟踪技术中，通过匈牙利算法将运动轨迹与运动目标相关联，并对已关联的目标进行跟踪；
(4b)利用基于SSIM(structural similarity index)的最邻近搜索，将未关联目标的轨迹重新寻找与之相关联的运动目标，若关联成功，则在校正后继续完成跟踪，若该轨迹依旧没有相关联的目标，则轨迹终止。
本发明算法精度高，具有实用价值，可用于交通监测、城市监控、军事监测等领域，应用前景广阔。
附图说明
图1是本发明卫星视频的一个例子的示意图。其中，(a)视频地点位于西班牙瓦伦西亚，(b)是从Google Earth下载的相应光学地图。
图2是本发明利用指数分布拟合噪声杂波分布的检测算法的流程图。
图3是本发明运动目标和虚警的前景分割结果和区域增长结果的示意图。其中，(a)、(b)、(c)和(d)分别表示四个假设，第一行、第二行和第三行分别表示彩色图、前景分割结果和区域增长结果。为了便于观察，将原始的灰度图相应转换第一行所示的图像。
图4是本发明运动车辆样本和非运动车辆样本示意图。其中(a)，(b)和(c)是真实的运动目标，但是(b)中的黑色车辆，与背景相比没有显着差异，(d)是一个虚警目标，它可能是一个类似于真正的运动目标的静止车辆。
图5是本发明实验中使用的卫星视频的注释区域的示意图。
图6是本发明实验中使用的卫星视频的注释后的效果图。其中，(a)显示车辆的位置，(b)显示其相应的名称。图中所注释的为代表性场景。
图7是本发明卫星视频四帧中车辆检测和跟踪结果的示意图：分别为第50帧，第100帧，第150帧，第200帧，每辆车都有自己的编号。
图8是本发明流程图示。
具体实施方式
首先，对卫星视频中的运动目标进行检测，利用基于运动和局部杂波建模的方法，具体实施方式为：
步骤一：在每一个帧中，沿着垂直和水平方向将图像划分为二维网格，每个网格单元内包含若干像素；
步骤二：将图像看作是原始图像信号与噪声信号的和，选择指数分布来拟合噪声信号的分布；
步骤三：找出灰度变化大的区域作为目标，预先设定虚警率为1×10-2，计算出二值化的阈值，用该阈值将像素分类，即：像素幅度值大于该阈值的是前景，反正是背景(在二值图像中，‘1’为前景，‘0’为背景)；
步骤四：将得到的两个二值图像取交集图，也就是逐像素进行“与”布尔运算，消除前面时刻和后面时刻的景象目标，从而唯一保留运动车辆目标当前位置，得到检测结果。
然后，对检测到的卫星视频中的运动目标进行鉴别，利用基于区域增长与多线索的方法，具体实施方式为：
步骤一：利用基于高斯分布的区域增长算法，利用检测器检测出的一个连通区域的所有前景像素估计高斯分布的参数，进而得到高斯分布的PDF；
步骤二：预定义上辩解概率和下边界概率的数值，设计下界概率为1×10-2，设计上界概率为1-1×10-2，分别计算幅度值的上边界和下边界，利用新的幅度边界值，重新判断这个区域的前景目标；
步骤三：保留与原始前景相连通的所有像素，构建成一个新的连通区域，得到区域生长的结果；
步骤四：采用面积、占空比、长度和偏心率作为形态学线索，形态学线索的参数可以根据实际情况设计，对区域生长的结果进行形态学鉴别，剔除检测到的目标中的非车辆目标，得到鉴别结果。
最后，对经过检测和鉴别的卫星视频中的运动目标进行跟踪与关联，利用卡尔曼滤波器的目标跟踪的方法，具体实施方式为：
步骤一：先只考虑一个运动目标的KF跟踪问题，预测***的动态方程，利用状态矢量，得到演化矩阵；
步骤二：利用检测车辆的面积和位置作为观测值，得到观测方程，并利用观测矢量得到观测矩阵；
步骤三：通过贝叶斯法则推导出状态向量的后验概率密度函数，并利用链式法则对其进行简化；
步骤四：结合观测值和预测值，估计当前状态，并更新***状态；
步骤五：将检测到的车辆目标与正在跟踪的轨迹利用匈牙利算法进行关联，如果能够关联上那么用目标状态更新相应的轨迹的状态，如果目标没有关联上轨迹那么初始化一个新的轨迹并进行跟踪，如果轨迹没有关联上目标那么使用SSIM算法再次搜索相应的目标，如果能够搜索到那么用搜索到的目标的状态更新轨迹的状态，如果不能搜索到那么终止对这条轨迹的跟踪。
该算法在图1所示的视频上进行了测试，该视频帧率为20帧/秒，分辨率为1米，时长29秒，图像高度位3072像素，图像宽度为4096像素。人工标注了一些区域如图6所示，用这些区域人工标注的数据和算法输出的结果进行对比从而定量评价算法性能，评价试验表明算法召回率63.06％，准确率81.04％，算法精度较高，具有实用价值。

Claims (5)

1.一种卫星视频中运动目标的检测与跟踪方法，其特征在于，具体步骤如下：
(1)采用基于运动和局部杂波建模的检测技术，对在卫星视频中城市里的运动目标--车辆进行检测；
(2)采用基于区域增长与多线索的鉴别技术，对检测到的运动目标进行鉴别；
(3)采用基于卡尔曼滤波器的多目标跟踪技术，以及将检测到的多个车辆目标与正在跟踪的多条轨迹进行关联，进一步对地面运动目标进行跟踪；这里，目标是指任意帧中检测到的车辆，目标状态是指其位置、速度和加速度组成的6维状态向量，轨迹是指具有某一个车辆目标在一段连续时间的状态向量的集合，任意轨迹拥有一个整个视频唯一的编号；
步骤(1)中，所述的基于运动和局部杂波建模的检测技术，对在卫星视频中城市里的运动目标--车辆进行检测，是假设原始图像为图像信号和噪声信号的和，帧间差分图像即两帧图像相减后取绝对值得到的图像表示噪声信号，差分图像中的异常像素表示车辆目标可能存在的位置，选择指数分布拟合噪声杂波分布，计算二值化阈值，实现对帧间差分图像的二值化，二值图像中的前景表示车辆目标，二值图像中的背景表示图像背景区域，利用连续两幅二值图像的交集确定目标的当前位置；
步骤(2)中，所述的基于区域增长与多线索的鉴别技术，对检测到的运动目标进行鉴别，是重构运动目标的几何形状，利用多种形态学线索，鉴别运动目标与虚警目标；
步骤(3)中，所述的基于卡尔曼滤波器的目标跟踪技术，是利用线性模型描述车辆运动，结合观测值和预测值，估计运动目标的当前状态，并更新***状态；
步骤(3)中，所述的检测到的多个车辆目标与正在跟踪的多条轨迹的关联，是利用匈牙利算法实现所有对车辆目标和轨迹的最优匹配，匹配完成后部分目标匹配上部分轨迹，对未匹配上轨迹的目标初始化一条新的跟踪轨迹，对未匹配上目标的轨迹利用最近邻搜索技术再次寻找匹配的目标。
2.根据权利要求1所述的卫星视频中运动目标的检测与跟踪方法，其特征在于，步骤(1)中基于运动和局部杂波建模的检测的具体步骤为：
(2a)栅格化，即：在每一个帧中，沿着垂直和水平方向将图像划分为二维网格，每个网格单元内包含若干像素,在每个单元中分别执行检测算法；
(2b)将图像看作是原始图像信号与噪声信号的和，即：
Gi(x，y)＝gi(x，y)+ni(x，y) (1)
其中，Gi(x，y)是第i帧视频中像素点(x，y)的幅值大小，gi(x，y)是第i帧视频中原始图像中点(x，y)的幅值大小，ni(x，y)相应的噪声信号的幅值大小；
(2c)选择指数分布来拟合噪声信号的分布，指数分布的累积密度函数CDF为：
Figure FDA0003123206310000021
其中，cE(*)是指数分布的CDF，λ是指数分布的参数；
(2d)找出灰度变化大的区域作为目标，预先设定虚警率，计算出二值化的阈值：
Figure FDA0003123206310000022
其中，
Figure FDA0003123206310000023
是逆函数，pfa是预先设置的概率值；
(2e)利用预先定义的概率值计算二值化阈值将像素分类，像素幅度值大于th是前景，像素幅度值小于th是背景，在二值图像中，‘1’为前景，‘0’为背景；
(2f)将得到的两个二值图像取交集图，也就是逐像素进行“与”布尔运算，消除前面时刻和后面时刻的景象目标，从而唯一保留运动车辆目标当前位置。
3.根据权利要求1所述的卫星视频中运动目标的检测与跟踪方法，其特征在于，步骤(2)中基于区域增长与多线索的鉴别的具体步骤为：
(3a)利用基于高斯分布的区域增长算法，利用检测器检测出的一个连通区域的所有前景像素估计高斯分布的参数；高斯分布的PDF是；
Figure FDA0003123206310000024
其中，μ和σ分别表示平均值和标准差，高斯分布的CDF是：
Figure FDA0003123206310000025
其中，erf(*)表示相关误差函数；
(3b)预定义的下边界概率
Figure FDA0003123206310000026
和上边界概率
Figure FDA0003123206310000027
分别计算幅度值的下边界和上边界，即：
Figure FDA0003123206310000028
Figure FDA0003123206310000029
其中，
Figure FDA00031232063100000210
和
Figure FDA00031232063100000211
分别代表阈值的下界和上界；
(3c)重新判断这个区域的前景目标，幅度值在
Figure FDA00031232063100000212
范围内的像素为前景；
(3d)保留与原始前景相连通的所有像素，构建成一个新的连通区域，也就是区域生长的结果；
(3e)最后，采用面积、占空比、长度和偏心率作为形态学线索，对区域生长的结果进行形态学鉴别，目的是剔除检测到的目标中的非车辆目标，其中占空比的定义是，连通区域像素和连通区域边界框的面积的比值。
4.根据权利要求1所述的卫星视频中运动目标的检测与跟踪方法，其特征在于，步骤(3)中基于卡尔曼滤波器KF的目标跟踪的具体步骤为：
(4a)KF适用于线性运动的目标跟踪，将非线性运动分解为一系列线性运动，首先只考虑一个运动目标的KF跟踪问题，预测***的动态方程为：
xi＝Fi·xi-1+vi (8)
其中，Fi为卫星视频第i帧时刻的演化矩阵，vi为噪声向量，xi-1是第i-1帧时刻的状态向量，xi为当前时刻的状态向量；
状态向量xi定义为:
xi＝[x，y，vx，vy，ax，ay]T (9)
其中，x，y，vx，vy，ax，ay分别表示X轴方向的位置，Y轴方向的位置，X轴方向的速度，Y轴方向的速度，X轴方向的加速度，Y轴方向的加速度；
假设车辆目标在两帧之间的时刻进行匀加速的直线运动，所以演化矩阵Fi为:
Figure FDA0003123206310000031
其中，τ表示视频中两帧之间的时间间隔，单位为“秒”，也就是帧率的倒数；
(4b)利用检测车辆的面积和位置作为观测值，得到观测方程为：
Figure FDA0003123206310000032
其中，yi,Hi和ni分别表示测量矢量，测量矩阵和测量噪声；
观测矩阵Hi为：
Figure FDA0003123206310000033
(4c)通过贝叶斯定理导出状态向量xi的后验概率密度函数PDF，再利用链式法则对其进行化简，即：
Figure FDA0003123206310000041
其中，通过Chapman-Kolmogorov方程导出概率p(xi|y1：i-1)，即：
p(xi|y1：i-1)＝∫p(xi|xi-1)p(xi-1|y1：i-1)dxi-1 (14)
(4d)利用公式(13)和(14)，得到状态向量xi的后验概率密度函数PDF:
Figure FDA0003123206310000042
(4e)结合观测值和预测值，利用公式(15)，估计当前状态，并不断更新***的状态。
5.根据权利要求1所述的卫星视频中运动目标的检测与跟踪方法，其特征在于，步骤(3)中检测到的多个车辆目标与正在跟踪的多条轨迹进行关联的具体步骤为：
(5a)在基于卡尔曼滤波器的目标跟踪技术中，通过匈牙利算法将运动轨迹与运动目标相关联，并对已关联的目标进行跟踪；
(5b)利用基于SSIM的最邻近搜索，将未关联目标的轨迹重新寻找与之相关联的运动目标，若关联成功，则在校正后继续完成跟踪，若该轨迹依旧没有相关联的目标，则轨迹终止。
CN201810358177.7A 2018-04-20 2018-04-20 卫星视频中运动目标的检测与跟踪方法 Active CN108734103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810358177.7A CN108734103B (zh) 2018-04-20 2018-04-20 卫星视频中运动目标的检测与跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810358177.7A CN108734103B (zh) 2018-04-20 2018-04-20 卫星视频中运动目标的检测与跟踪方法

Publications (2)

Publication Number Publication Date
CN108734103A CN108734103A (zh) 2018-11-02
CN108734103B true CN108734103B (zh) 2021-08-20

Family

ID=63939136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810358177.7A Active CN108734103B (zh) 2018-04-20 2018-04-20 卫星视频中运动目标的检测与跟踪方法

Country Status (1)

Country Link
CN (1) CN108734103B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109708627B (zh) * 2018-11-15 2022-10-18 上海航天控制技术研究所 一种动平台下空间动态点目标快速检测方法
CN109712169A (zh) * 2018-11-15 2019-05-03 上海卫星工程研究所 基于高光谱的动目标运动轨迹预测方法及自主跟踪方法
CN109816606B (zh) * 2019-01-18 2022-01-04 中国科学院空天信息创新研究院 一种利用光学遥感卫星进行目标跟踪的方法
CN110057449B (zh) * 2019-04-29 2021-06-18 上海卫星工程研究所 基于视场分光高光谱探测的空中目标高度和速度计算方法
CN110969643B (zh) * 2019-12-18 2023-04-25 中国人民解放军国防科技大学 地面目标移动轨迹的星上自主预测方法
CN111369570B (zh) * 2020-02-24 2023-08-18 成都空御科技有限公司 一种视频图像的多目标检测跟踪方法
CN111462488B (zh) * 2020-04-01 2021-09-10 北京工业大学 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN112182133B (zh) * 2020-09-29 2022-02-15 南京北斗创新应用科技研究院有限公司 一种基于ais数据的船舶徘徊检测方法
CN112990124B (zh) * 2021-04-26 2021-08-06 湖北亿咖通科技有限公司 一种车辆跟踪方法、装置、电子设备及存储介质
CN113283330A (zh) * 2021-05-20 2021-08-20 南京航空航天大学 基于深度学习与多目标跟踪算法的视频sar动目标检测方法
CN116030633B (zh) * 2023-02-21 2023-06-02 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置
CN117315498B (zh) * 2023-10-10 2024-05-24 中国人民解放军战略支援部队航天工程大学 一种基于空间目标检测结果的虚警判别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374026A (zh) * 2015-10-09 2016-03-02 上海海事大学 一种适用于海防监控的海上红外小目标的检测方法
WO2016085552A1 (en) * 2014-10-31 2016-06-02 Raytheon Company System for real-time moving target detection using vision based image segmentation
CN106846374A (zh) * 2016-12-21 2017-06-13 大连海事大学 多摄像头场景下车辆的轨迹计算方法
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
CN107730515A (zh) * 2017-10-12 2018-02-23 北京大学深圳研究生院 基于区域增长和眼动模型的全景图像显著性检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016085552A1 (en) * 2014-10-31 2016-06-02 Raytheon Company System for real-time moving target detection using vision based image segmentation
CN105374026A (zh) * 2015-10-09 2016-03-02 上海海事大学 一种适用于海防监控的海上红外小目标的检测方法
CN106846374A (zh) * 2016-12-21 2017-06-13 大连海事大学 多摄像头场景下车辆的轨迹计算方法
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
CN107730515A (zh) * 2017-10-12 2018-02-23 北京大学深圳研究生院 基于区域增长和眼动模型的全景图像显著性检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于帧差法和自适应阂值区域生长的红外运动目标检测";李冰 等;《光电技术应用》;20170228;正文第156-160页 *
Frame Difference And Kalman Filter Techniques For Detection Of Moving Vehicles In Video Surveillance;C.Srinivas Rao,et al;《International Journal of Engineering Research and Applications》;20121231;正文第1168-1170页 *
基于O2O学习的多目标检测与跟踪技术研究;车少帅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160515;I136-599 *

Also Published As

Publication number Publication date
CN108734103A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN108734103B (zh) 卫星视频中运动目标的检测与跟踪方法
CN111693972B (zh) 一种基于双目序列图像的车辆位置与速度估计方法
Zhang et al. Eye in the sky: Drone-based object tracking and 3d localization
CN110472553B (zh) 图像和激光点云融合的目标追踪方法、计算装置和介质
CN113269098A (zh) 一种基于无人机的多目标跟踪定位与运动状态估计方法
TWI393074B (zh) 移動物體偵測裝置與方法
CN110866887A (zh) 一种基于多传感器的目标态势融合感知方法和***
CN108108697B (zh) 一种实时无人机视频目标检测与跟踪方法
CN103149939A (zh) 一种基于视觉的无人机动态目标跟踪与定位方法
WO2007056711A2 (en) Tracking using an elastic cluster of trackers
KR101628155B1 (ko) Ccl을 이용한 실시간 미확인 다중 동적물체 탐지 및 추적 방법
EP3593322B1 (en) Method of detecting moving objects from a temporal sequence of images
Ahmadi et al. A simple method for detecting and tracking vehicles and vessels from high resolution spaceborne videos
CN110617802A (zh) 一种星载动目标检测及速度估计方法
Ersoy et al. Interactive target tracking for persistent wide-area surveillance
CN111311640B (zh) 一种基于运动估计的无人机识别跟踪方法
Pollard et al. GM-PHD filters for multi-object tracking in uncalibrated aerial videos
Cigla et al. Image-based visual perception and representation for collision avoidance
CN116862832A (zh) 一种基于三维实景模型的作业人员定位方法
Kim Aerial map-based navigation using semantic segmentation and pattern matching
Farooq et al. Efficient object proposals extraction for target detection in VHR remote sensing images
CN104616320A (zh) 低空航拍视频中基于梯度抑制和极线约束的车辆检测方法
Siew et al. Simultaneous localization and mapping with moving object tracking in 3d range data using probability hypothesis density (phd) filter
CN117095029B (zh) 空中飞行小目标检测方法及装置
Chen et al. Research on optimization of visual navigation algorithm for real-time obstacle avoidance of uav moving target tracking

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
GR01 Patent grant
GR01 Patent grant