CN110070565B - 一种基于图像叠加的船舶轨迹预测方法 - Google Patents
一种基于图像叠加的船舶轨迹预测方法 Download PDFInfo
- Publication number
- CN110070565B CN110070565B CN201910184999.2A CN201910184999A CN110070565B CN 110070565 B CN110070565 B CN 110070565B CN 201910184999 A CN201910184999 A CN 201910184999A CN 110070565 B CN110070565 B CN 110070565B
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- matrix
- state
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000007704 transition Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Feedback Control In General (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像叠加的船舶轨迹预测方法。本方法首先用视频拍摄下船舶的海上航行,提取视频中的每一帧的序列图,选取一个时间段,把这个时间段内的每一帧的图像进行叠加压缩到一张图像上去,然后对图像进行处理,提取特征信息,轨迹信息,重复多次。然后将每一张压缩的图像作为新的轨迹数据集,再用卡尔曼滤波进行预测。本发明将每一段时间内的序列图进行叠加,在提取目标轮廓特征,从而使得从每一帧的目标点变为每一段时间的目标轨迹,使得在使用卡尔曼滤波方法进行轨迹预测的时候,轨迹信息更加全面,预测效果更好。
Description
技术领域
本发明涉及轨迹预测领域,具体涉及一种基于图像叠加的船舶轨迹预测方法。
背景技术
依靠现代化的计算机网络和通信设备,运用先进的智能处理算法,以定量和定性相结合分析模式建立船舶的轨迹预测模型,这是现代海上数字化信息建设的重要内容之一。而且随着人工智能的不断发展,海上无人船只必定也会成为未来的热点问题,所以对船只的轨迹预测也会是未来研究无人船只的一项重要的手段。
现有技术是在每一帧的序列图上提取目标特征,进行轨迹跟踪和预测,但是现精度不够理想,计算过程复杂。
发明内容
本发明的目的是为了针对现有技术的不足,采用了一种基于图像叠加的船舶轨迹预测方法。
本方法首先用视频拍摄下船舶的海上航行,提取视频中的每一帧的序列图,选取一个时间段,把这个时间段内的每一帧的图像进行叠加压缩到一张图像上去,然后对图像进行处理,提取特征信息,轨迹信息,重复多次。然后将每一张压缩的图像作为新的轨迹数据集,再用卡尔曼滤波进行预测。
本发明方法的步骤包括:
步骤一、首先用视频拍摄下船舶的海上航行,从视频中提取出每一帧的序列图,同时对图像进行预处理;
步骤二、选取n个时间段,令每个时间段内的时间为Δt,从Δt时间段内选取m帧图像,记为frame1,frame2,…framem。
步骤三、选取当前的时间段的图像记为frames,其中s=1,2,…,m。
计算frames的灰度直方图,找到所有船只目标,共m个,用外接的矩形标记所有船只,以图像的长宽作为坐标轴,外接矩形左上角(x1s,y1s),右下角(x2s,y2s),取其中 frame1的图像计算出外接矩形以外的背景图像,记为back1。
因为frame1中外接矩形的坐标为(x11,y11)和(x21,y21),在framem图像中取 (x11,y11)和(x21,y21)坐标范围内的灰度值生成背景图像back2,将back1和black2合并生成新的背景图像back。
步骤四、将每一个Δt时间内的m个图像进行叠加操作,将图像上每个坐标点的灰度值相加,得到图像amage1,将图像back中每一点的灰度值乘以m-1,得到图像 amage2,用amage1中每一点的灰度值减去amage2图像中相应位置的灰度值,得到图像amage。
步骤五、在amage中提取这m个船只目标的矩形标记的中心点,将其放入到直角坐标系中,即得到m个坐标点,因为在海上航行时,船只的方向转动在短时间内变化幅度小,即在Δt时间段内船只的移动近似看作为一条直线,所以由这m个坐标点连成一条向量线段,得到a、l、θ。其中a为线段的初始点的坐标,l为线段长度,θ为矢量角度。
对欧式空间的二维平面x轴和y轴的方向进行建模,利用两个方向上的矢量数据表示轨迹数据:T={T1,T2,...Tn}={(a1,l1,θ1),(a2,l2,θ2)...,(an,ln,θn)}
步骤六、利用卡尔曼滤波进行轨迹预测
6.1、卡尔曼滤波通过***输入输出观测数据对***的状态进行最优估计,其动态轨迹预测的状态方程和观测方程为:
X(t+1)=A(t)X(t)+T(t)W(t) (1)
Z(t)=H(t)X(t)+V(t) (2)
其中X(t)表示***的状态向量,描述了在t时刻下运动对象状态矢量;A(t)表示状态转移矩阵,用于描述由前一时刻到当前时段下的运动状态转移方式;T(t)表示干扰转移矩阵;W(t)表示运动模型的***状态噪声,其统计特性和白噪声或高斯噪声相似;Z(t)表示观测向量,描述了t时段的观测值;H(t)为观测矩阵,V(t)为运动估计过程中产生的观测噪声。其中t为n个时间段中的一个时间段,t=0,1,…,n。
6.2、选择船只的航行速度为v,由图像中得到的a、l、θ是***观测到的轨迹值,a’、l’、θ’则表示***的状态变量,是a、l、θ的最优估计值,即预测后的修正值, X(t)=(va’ l’θ’)T,Z(t)=(a l θ)T,设A(t),H(t)的初始化为:
H(t)是单位矩阵。
6.3、假设***噪声W(t)与观测噪声V(t)是相互独立的高斯白噪声,其协方差分别是Q(t)和R(t),其统计特性为:
E[W(t)V(t)T]=0
基于前t个观测值得出t时段下的最优状态估计X′(t),计算最小方差的计算策略为:
J=E[(X(t)-X′(t))(X(t)-X′(t))T] (3)
随机线性离散卡尔曼滤波的周期过程中的时间更新公式为:
X(t+1,t)=A(t)X(t,t)
Z(t+1,t)=H(t)X(t+1,t) (4)
同时更新当前预测状态的协方差P(t+1,t)。观测更新方程为:
B(t+1)=Z(t+1)-Z(t+1,t)
X(t+1,t+1)=X(t+1)+K(t+1)B(t+1) (5)
K为滤波增益矩阵,其公式为:
P(t+1,t)=A(t)P(t,t)A(t)T+T(t)Q(t)T(t)T
S(t+1)=H(t+1)P(t+1,t)H(t+1)T+R(t+1)
K(t+1)=P(t+1,t)H(t+1)TS(t+1)-1 (6)
其中,K(t)为滤波增益矩阵,Q(t)表示***噪声W(t)的对称非负定方差矩阵,R(t)是观测噪声V(t)的对称正定方差矩阵,P(t,t)为误差方差阵,P(t+1,t)为预测状态 X(t+1,t)的误差方差阵。
6.4、预测过程中,根据上面的滤波过程得到的初始状态估计值以及协方差阵以及公式(7),得到增益矩阵K(t)。
K(t)=A(t)P(t,t-1)H(t)T[H(t)P(t,t-1)H(t)T-R(t)]-1 (7)
6.5、所以下一时刻的预测值X(t+1,t)和更新估计误差方阵P(t+1,t)为:
X(t+1,t)=A(t)X(t,t-1)+K(t)[Z(t)-H(t)X(t,t-1) (8)
P(t+1,t)=A(t)P(t,t-1)A(t)T-A(t)P(t,t-1)A(t)T*[H(t)P(t,t-1)H(t)T+R(t)]-1H(t)P(t,t-1)H(t)T+T(t)Q(t)T(t)T (9)
根据步骤六,迭代n次即可完成n步的预测。
作为优选,步骤一种对图像进行预处理,具体为:用直方图均衡的方法将图像的背景灰度值降低,突出船体特征。
本发明相对于现有技术所具有的有益效果:本发明将每一段时间内的序列图进行叠加,在提取目标轮廓特征,从而使得从每一帧的目标点变为每一段时间的目标轨迹,使得在使用卡尔曼滤波方法进行轨迹预测的时候,轨迹信息更加全面,预测效果更好。
附图说明
图1是本发明的技术路线图。
图2是坐标示意图;
图3卡尔曼滤波的流程图。
具体实施方式:
如图1所示,一种基于图像叠加的船舶轨迹预测方法,该方法具体包括以下步骤:
步骤一、从视频中提取出每一帧的序列图,同时对图像进行预处理。用直方图均衡的方法将图像的背景灰度值降低,突出船体特征。
步骤二、选取n个时间段,令每个时间段内的时间为Δt,从Δt时间段内选取m帧图像,记为frame1,frame2,…framem。
步骤三、选取当前的时间段的图像记为frames,其中s=1,2,…,m。
计算frames的灰度直方图,找到所有船只目标,共m个,用外接的矩形标记所有船只,以图像的长宽作为坐标轴,外接矩形左上角(x1s,y1s),右下角(x2s,y2s),取其中 frame1的图像计算出外接矩形以外的背景图像,记为back1。
因为frame1中外接矩形的坐标为(x11,y11)和(x21,y21),在framem图像中取 (x11,y11)和(x21,y21)坐标范围内的灰度值生成背景图像back2,将back1和black2合并生成新的背景图像back。
步骤四、将每一个Δt时间内的m个图像进行叠加操作,将图像上每个坐标点的灰度值相加,得到图像amage1,将图像back中每一点的灰度值乘以m-1,得到图像 amage2,用amage1中每一点的灰度值减去amage2图像中相应位置的灰度值,得到图像amage。
步骤五、在amage中提取这m个船只目标的矩形标记的中心点,将其放入到直角坐标系中,即可以得到m个坐标点,因为在海上航行时,船只的方向转动在短时间内变化幅度小,即在Δt时间段内船只的移动可以近似看作为一条直线,所以由这m个坐标点可以连成一条向量线段,可以得到a、l、θ。如图2 所示,其中a为线段的初始点的坐标,l为线段长度,θ为矢量角度。
对欧式空间的二维平面x轴和y轴的方向进行建模,利用两个方向上的矢量数据表示轨迹数据:T={T1,T2,...Tn}={(a1,l1,θ1),(a2,l2,θ2)...,(an,ln,θn)}
步骤六、利用卡尔曼滤波进行轨迹预测
6.1、如图3所示,首先卡尔曼滤波通过***输入输出观测数据对***的状态进行最优估计,其动态轨迹预测的状态方程和观测方程为:
X(t+1)=A(t)X(t)+T(t)W(t) (10)
Z(t)=H(t)X(t)+V(t) (11)
其中X(t)表示***的状态向量,描述了在t时刻下运动对象状态矢量;A(t)表示状态转移矩阵,用于描述由前一时刻到当前时段下的运动状态转移方式;T(t)表示干扰转移矩阵;W(t)表示运动模型的***状态噪声,其统计特性和白噪声或高斯噪声相似; Z(t)表示观测向量,描述了t时段的观测值;H(t)为观测矩阵,V(t)为运动估计过程中产生的观测噪声。其中t为n个时间段中的一个时间段,t=0,1,…,n。
6.2、选择船只的航行速度为v,由图像中得到的a、l、θ是***观测到的轨迹值,a’、l’、θ’则表示***的状态变量,是a、l、θ的最优估计值,即预测后的修正值,X(t)=(v a’l’ θ’)TX=(v a l θ)T,Z=(a l θ)T,设A(t),H(t)的初始化为:
H是单位矩阵。
6.3、假设***噪声W(t)与观测噪声V(t)是相互独立的高斯白噪声,其协方差分别是Q和R,其统计特性为:
E[W(t)V(t)T]=0
基于前t个观测值得出t时段下的最优状态估计X′(t),计算最小方差的计算策略为:
J=E[(X(t)-X′(t))(X(t)-X′(t))T] (3)
随机线性离散卡尔曼滤波的周期过程中的时间更新公式为:
X(t+1,t)=A(t)X(t,t)
Z(t+1,t)=H(t)X(t+1,t) (4)
同时更新当前预测状态的协方差P(t+1,t)。观测更新方程为:
B(t+1)=Z(t+1)-Z(t+1,t)
X(t+1,t+1)=X(t+1)+K(t+1)B(t+1) (5)
K为滤波增益矩阵,其公式为:
P(t+1,t)=A(t)P(t,t)A(t)T+T(t)Q(t)T(t)T
S(t+1)=H(t+1)P(t+1,t)H(t+1)T+R(t+1)
K(t+1)=P(t+1,t)H(t+1)TS(t+1)-1 (6)
其中,K(t)为滤波增益矩阵,Q(t)表示***噪声W(t)的对称非负定方差矩阵,R(t)是观测噪声V(t)的对称正定方差矩阵,P(t,t)为误差方差阵,P(t+1,t)为预测状态 X(t+1,t)的误差方差阵。
6.4、预测过程中,根据上面的滤波过程得到的初始状态估计值以及协方差阵以及公式(7),得到增益矩阵K(t)。
K(t)=A(t)P(t,t-1)H(t)T[H(t)P(t,t-1)H(t)T-R(t)]-1 (7)
6.5、所以下一时刻的预测值X(t+1,t)和更新估计误差方阵P(t+1,t)为:
X(t+1,t)=A(t)X(t,t-1)+K(t)[Z(t)-H(t)X(t,t-1) (8)
P(t+1,t)=A(t)P(t,t-1)A(t)T-A(t)P(t,t-1)A(t)T*[H(t)P(t,t-1)H(t)T+R(t)]-1H(t)P(t,t-1)H(t)T+T(t)Q(t)T(t)T (9)
根据上面公式的到下一时间段的预测值。迭代n次即可完成n步的预测。
对于预测轨迹点和实际轨迹点的几何误差采用RMSE来表示
(a′s,l′s,θ′s)是预测的位置信息,(as,ls,θs)为实际的轨迹位置信息。,当轨迹预测完成时,根据RMSE与给定的阀值大小关系确定轨迹预测是否准确,当误差值小于阀值则属于命中,否则,属于没有命中。
Claims (2)
1.一种基于图像叠加的船舶轨迹预测方法,其特征在于,该方法具体包括以下步骤:
步骤一、首先用视频拍摄下船舶的海上航行,从视频中提取出每一帧的序列图,同时对图像进行预处理;
步骤二、选取n个时间段,令每个时间段内的时间为Δt,从Δt时间段内选取m帧图像,记为frame1,frame2,…framem;
步骤三、选取当前的时间段的图像记为frames,其中s=1,2,…,m;计算frames的灰度直方图,找到所有船只目标,共m个,用外接的矩形标记所有船只,以图像的长宽作为坐标轴,外接矩形左上角(x1s,y1s),右下角(x2s,y2s),取其中frame1的图像计算出外接矩形以外的背景图像,记为back1;
因为frame1中外接矩形的坐标为(x11,y11)和(x21,y21),在framem图像中取(x11,y11)和(x21,y21)坐标范围内的灰度值生成背景图像back2,将back1和black2合并生成新的背景图像back;
步骤四、将每一个Δt时间内的m个图像进行叠加操作,将图像上每个坐标点的灰度值相加,得到图像amage1,将图像back中每一点的灰度值乘以m-1,得到图像amage2,用amage1中每一点的灰度值减去amage2图像中相应位置的灰度值,得到图像amage;
步骤五、在amage中提取这m个船只目标的矩形标记的中心点,将其放入到直角坐标系中,即得到m个坐标点,由这m个坐标点连成一条向量线段,得到a、l、θ;其中a为线段的初始点的坐标,l为线段长度,θ为矢量角度;
对欧式空间的二维平面x轴和y轴的方向进行建模,利用两个方向上的矢量数据表示轨迹数据:T={T1,T2,...Tn}={(a1,l1,θ1),(a2,l2,θ2)...,(an,ln,θn)}
步骤六、利用卡尔曼滤波进行轨迹预测
6.1、卡尔曼滤波通过***输入输出观测数据对***的状态进行最优估计,其动态轨迹预测的状态方程和观测方程为:
X(t+1)=A(t)X(t)+T(t)W(t) (1)
Z(t)=H(t)X(t)+V(t) (2)
其中X(t)表示***的状态向量,描述了在t时刻下运动对象状态矢量;A(t)表示状态转移矩阵,用于描述由前一时刻到当前时段下的运动状态转移方式;T(t)表示干扰转移矩阵;W(t)表示运动模型的***状态噪声,其统计特性和白噪声或高斯噪声相似;Z(t)表示观测向量,描述了t时段的观测值;H(t)为观测矩阵,V(t)为运动估计过程中产生的观测噪声;其中t为n个时间段中的一个时间段,t=0,1,…,n;
6.2、选择船只的航行速度为v,由图像中得到的a、l、θ是***观测到的轨迹值,a’、l’、θ’则表示***的状态变量,是a、l、θ的最优估计值,即预测后的修正值,X(t)=(v a’ l’θ’)T,Z(t)=(a l θ)T,设A(t),H(t)的初始化为:
H(t)是单位矩阵;
6.3、假设***噪声W(t)与观测噪声V(t)是相互独立的高斯白噪声,其协方差分别是Q(t)和R(t),其统计特性为:
E[W(t)V(t)T]=0
基于前t个观测值得出t时段下的最优状态估计X′(t),计算最小方差的计算策略为:
J=E[(X(t)-X′(t))(X(t)-X′(t))T] (3)
随机线性离散卡尔曼滤波的周期过程中的时间更新公式为:
X(t+1,t)=A(t)X(t,t)
Z(t+1,t)=H(t)X(t+1,t) (4)
同时更新当前预测状态的协方差P(t+1,t);观测更新方程为:
B(t+1)=Z(t+1)-Z(t+1,t)
X(t+1,t+1)=X(t+1)+K(t+1)B(t+1) (5)
K为滤波增益矩阵,其公式为:
P(t+1,t)=A(t)P(t,t)A(t)T+T(t)Q(t)T(t)T
S(t+1)=H(t+1)P(t+1,t)H(t+1)T+R(t+1)
K(t+1)=P(t+1,t)H(t+1)TS(t+1)-1 (6)
其中,K(t)为滤波增益矩阵,Q(t)表示***噪声W(t)的对称非负定方差矩阵,R(t)是观测噪声V(t)的对称正定方差矩阵,P(t,t)为误差方差阵,P(t+1,t)为预测状态X(t+1,t)的误差方差阵;
6.4、预测过程中,根据上面的滤波过程得到的初始状态估计值以及协方差阵以及公式(7),得到增益矩阵K(t);
K(t)=A(t)P(t,t-1)H(t)T[H(t)P(t,t-1)H(t)T-R(t)]-1 (7)
6.5、所以下一时刻的预测值X(t+1,t)和更新估计误差方阵P(t+1,t)为:
X(t+1,t)=A(t)X(t,t-1)+K(t)[Z(t)-H(t)X(t,t-1) (8)
P(t+1,t)=A(t)P(t,t-1)A(t)T-A(t)P(t,t-1)A(t)T*[H(t)P(t,t-1)H(t)T+R(t)]-1H(t)P(t,t-1)H(t)T+T(t)Q(t)T(t)T (9)
根据步骤六,迭代n次即可完成n步的预测。
2.根据权利要求1所述的一种基于图像叠加的船舶轨迹预测方法,其特征在于:步骤一对图像进行预处理,具体为:用直方图均衡的方法将图像的背景灰度值降低,突出船体特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184999.2A CN110070565B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像叠加的船舶轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184999.2A CN110070565B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像叠加的船舶轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070565A CN110070565A (zh) | 2019-07-30 |
CN110070565B true CN110070565B (zh) | 2021-06-01 |
Family
ID=67366207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184999.2A Active CN110070565B (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像叠加的船舶轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070565B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517290A (zh) * | 2019-08-20 | 2019-11-29 | 北京精英***科技有限公司 | 一种用于检测高速运动物体并强化显示的方法 |
CN111257914A (zh) * | 2020-01-14 | 2020-06-09 | 杭州电子科技大学 | 基于北斗与ais数据融合的海洋渔船轨迹预测方法及*** |
CN111274475A (zh) * | 2020-01-16 | 2020-06-12 | 深圳市前海随手数据服务有限公司 | 轨迹特征的提取方法、装置、存储介质及终端 |
CN113954075A (zh) * | 2021-11-10 | 2022-01-21 | 佛山市南海区广工大数控装备协同创新研究院 | 基于机器人主动运动的运动物体跟踪抓取方法和装置 |
CN115346398A (zh) * | 2022-08-19 | 2022-11-15 | 江苏恒达微波技术开发有限公司 | 一种基于ka波段卫星数据的船只航行轨迹监测*** |
CN116756265B (zh) * | 2023-08-23 | 2023-11-21 | 中国铁塔股份有限公司 | 一种轨迹数据的处理方法、装置、电子设备及存储介质 |
CN117542004B (zh) * | 2024-01-10 | 2024-04-30 | 杰创智能科技股份有限公司 | 近海人船拟合方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663343A (zh) * | 2012-04-26 | 2012-09-12 | 长春理工大学 | 一种多目标轨迹单站自动识别方法 |
CN103778645B (zh) * | 2014-01-16 | 2017-02-15 | 南京航空航天大学 | 一种基于图像的圆形目标实时跟踪方法 |
CN106951871B (zh) * | 2017-03-24 | 2020-07-28 | 北京地平线机器人技术研发有限公司 | 操作体的运动轨迹识别方法、装置和电子设备 |
CN110582198B (zh) * | 2017-06-23 | 2022-08-23 | 株式会社久保田 | 收割机 |
KR101837407B1 (ko) * | 2017-11-03 | 2018-03-12 | 국방과학연구소 | 영상 기반 표적 추적 장치 및 추적 방법 |
CN108280847A (zh) * | 2018-01-18 | 2018-07-13 | 维森软件技术(上海)有限公司 | 一种车辆运动轨迹估计方法 |
CN108492324B (zh) * | 2018-01-27 | 2021-05-11 | 天津大学 | 基于全连接网络和卡尔曼滤波器的飞机追踪方法 |
-
2019
- 2019-03-12 CN CN201910184999.2A patent/CN110070565B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
"基于视频的车辆检测与跟踪***的设计与实现";高中浩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第3期);I138-5853 * |
Also Published As
Publication number | Publication date |
---|---|
CN110070565A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070565B (zh) | 一种基于图像叠加的船舶轨迹预测方法 | |
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及*** | |
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN104200494B (zh) | 一种基于光流的实时视觉目标跟踪方法 | |
CN109102525B (zh) | 一种基于自适应位姿估计的移动机器人跟随控制方法 | |
CN111784747B (zh) | 一种基于关键点检测和校正的车辆多目标跟踪***及方法 | |
CN106981071B (zh) | 一种基于无人艇应用的目标跟踪方法 | |
CN107273905B (zh) | 一种结合运动信息的目标主动轮廓跟踪方法 | |
CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
CN102722697B (zh) | 一种无人飞行器视觉自主导引着陆的目标跟踪方法 | |
CN103824050A (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN114022847A (zh) | 一种智能体轨迹预测方法、***、设备和存储介质 | |
US10943352B2 (en) | Object shape regression using wasserstein distance | |
CN111489394B (zh) | 物体姿态估计模型训练方法、***、装置及介质 | |
CN107301657B (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
CN111797688A (zh) | 一种基于光流和语义分割的视觉slam方法 | |
Pan et al. | Sketch-based skeleton-driven 2D animation and motion capture | |
CN109389156B (zh) | 一种图像定位模型的训练方法、装置及图像定位方法 | |
CN112132862B (zh) | 一种基于无人机的自适应尺度估计目标跟踪算法 | |
Thalhammer et al. | SyDPose: Object detection and pose estimation in cluttered real-world depth images trained using only synthetic data | |
CN110553650A (zh) | 一种基于小样本学习的移动机器人重定位方法 | |
CN107798329B (zh) | 基于cnn的自适应粒子滤波目标跟踪方法 | |
CN110378932B (zh) | 一种基于空间正则矫正的相关滤波视觉跟踪方法 | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN101127121A (zh) | 一种基于自适应初始搜索点预测的目标跟踪算法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Hou Zhipeng Inventor after: Chen Zhangping Inventor after: Zhou Jie Inventor after: Kong Yaguang Inventor after: Zhang Yang Inventor before: Hou Zhipeng Inventor before: Chen Zhangping Inventor before: Kong Yaguang Inventor before: Zhang Yang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |