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 PDF

Info

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
Application number
CN201910184999.2A
Other languages
English (en)
Other versions
CN110070565A (zh
Inventor
侯志鹏
陈张平
周杰
孔亚广
张扬
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910184999.2A priority Critical patent/CN110070565B/zh
Publication of CN110070565A publication Critical patent/CN110070565A/zh
Application granted granted Critical
Publication of CN110070565B publication Critical patent/CN110070565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于图像叠加的船舶轨迹预测方法
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
Figure GDA0002818479630000021
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：
Figure GDA0002818479630000031
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：
Figure GDA0002818479630000032
Figure GDA0002818479630000033
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
Figure GDA0002818479630000051
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：
Figure GDA0002818479630000061
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：
Figure GDA0002818479630000062
Figure GDA0002818479630000063
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
Figure GDA0002818479630000071
(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
Figure FDA0002818479620000011
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：
Figure FDA0002818479620000021
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：
Figure FDA0002818479620000022
Figure FDA0002818479620000023
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。
CN201910184999.2A 2019-03-12 2019-03-12 一种基于图像叠加的船舶轨迹预测方法 Active CN110070565B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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