CN102830391B - 一种红外搜索与跟踪系统准确性指标计算方法 - Google Patents
一种红外搜索与跟踪系统准确性指标计算方法 Download PDFInfo
- Publication number
- CN102830391B CN102830391B CN201110162838.7A CN201110162838A CN102830391B CN 102830391 B CN102830391 B CN 102830391B CN 201110162838 A CN201110162838 A CN 201110162838A CN 102830391 B CN102830391 B CN 102830391B
- Authority
- CN
- China
- Prior art keywords
- target
- error
- accuracy index
- track system
- kalman filtering
- 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
Landscapes
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种红外搜索与跟踪系统准确性指标计算方法,具体地说是一种利用最优估计理论实时定位的方法。其步骤为:采集红外图像序列并检测目标,当在连续帧中检测出目标后转入跟踪;卡尔曼滤波最优估计,实时输出最优图像目标定位信息;得到图像目标定位误差;将图像目标定位误差通过目标定位与空间角度之间关系,转换为目标定位估计误差,即准确性指标。本发明提出衡量IRST探测信息的准确性指标,并使之与定位估计误差信息相对应。计算方法满足实时性要求,便于工程实现。
Description
技术领域
本发明涉及一种红外搜索与跟踪系统准确性指标计算方法,具体地说是一种利用最优估计理论实时定位的方法。
背景技术
目前,对红外搜索与跟踪系统(Infrared Search&Track System,IRST)探测性能评估研究的焦点主要集中在如何科学选取评价指标,以及评价指标如何定量计算等关键问题上。近几年国外一些单位和个人进行了相关的研究并相应推出了各自的评估体系。它们分别适用于不同的领域,在各自的领域具有一定的代表性和实用性。国外一些学者研究了多传感器侦查系统的信息质量建模,提出了准确性、确定性、实时性、完整性的信息质量评估指标,并给出了多传感器侦查系统信息质量计算方法及形式化描述。但是专门针对光电传感器的探测指标定量计算方法还没有。利用光电传感器定位误差指标来定量计算IRST准确性指标的技术方案也未见报道。
最优估计理论是一门成熟的学科,有非常多的领域使用最优估计理论,包括传感器领域,用于探测定位。卡尔曼滤波是一种优秀的最优估计方法。它是一种高效率的自回归滤波器,能够从一系列的不完全及包含噪声的测量中,估计动态系统的状态。一个典型实例是从一组有限的,包含噪声的,对物体位置有偏差的观察序列预测出物体的位置的坐标及速度。
发明内容
针对IRST准确性指标没有一套完整的、切实可行的定量评估方案,无法准确考核光电探测信息的实际问题,以及在实际工程应用中的无法明确落实等诸多不足之处,本发明提出一种红外搜索与跟踪系统准确性指标计算方法,通过卡尔曼滤波最优估计理论计算光电传感器定位误差,来定量表征IRST准确性指标。
本发明为实现上述目的所采用的技术方案是:一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,其步骤为:
步骤1:采集红外图像序列并检测目标,当在连续帧中检测出目标后转入跟踪;
步骤2:卡尔曼滤波最优估计,即利用初始帧建立卡尔曼滤波状态方程和卡尔曼滤波观测方程,给定参数后,卡尔曼滤波进入工作状态,实时输出最优图像目标定位;
步骤3:根据最优图像目标定位与红外搜索与跟踪系统仿真系统测得的目标位置之间的偏差得到图像目标定位误差;
步骤4:将图像目标定位误差通过目标定位与空间角度之间关系,转换为目标定位估计误差,即准确性指标。
还可以将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置,转换为空间目标定位。
所述步骤1中当在连续帧中检测出目标后转入跟踪的过程为:对红外图像序列利用帧差法做目标检测并计算目标质心,如果连续帧内都检出目标且位置偏差在给定范围内,则判定是同一目标;连续帧目标位置偏差由第i帧的目标位置结合帧间覆盖关系计算得到;目标的方位、俯仰定位由光轴、目标相对于光心的位置确定;计算得出目标图像位置和空间定位后报警并转入跟踪。
所述步骤1中跟踪的具体实现步骤为:
a根据初始帧目标位置信息建立卡尔曼滤波状态方程,系统误差由统计值拟合噪声分布得到;
b将目标观测信息提供给目标观测方程,观测误差由统计值拟合噪声分布得到;
c利用卡尔曼滤波,得到实时目标位置预测信息;
d预测结果带入更新方程,得到实时最优图像目标定位信息作为下一时刻的参数,用于下一时刻目标位置估计。
所述步骤2中的卡尔曼滤波状态方程为
Xk=AXk-1+GW(k)
其中,Xk为目标在k时刻的预测位置,Xk-1为目标在k-1时刻的估计位置,Xk和Xk-1由卡尔曼滤波提供, T为采样周期,W(k)为X、Y方向标准差均为σa的符合高斯分布的系统噪声。
所述步骤2中的卡尔曼滤波观测方程为
Z(k)=HXk+V(k)
量测矩阵 Z(k)为红外搜索与跟踪系统提供的目标位置观测值,V(k)为X、Y方向标准差均为σa的符合高斯分布的测量噪声。
所述步骤4中将图像目标定位误差通过目标定位与空间角度之间关系,转换为空间目标定位误差的方法为:
图像目标Y轴位置误差×垂直单位视场角→俯仰估计误差;
图像目标X轴位置误差×水平单位视场角→方位估计误差,俯仰估计误差和方位估计误差就是目标定位估计误差。
所述将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置,转换为空间目标定位的方法为:
光轴俯仰信息+图像目标Y轴位置×垂直单位视场角→俯仰估计;
光轴方位信息+图像目标X轴位置×水平单位视场角→方位估计,俯仰估计和方位估计就是目标定位估计。
本发明具有以下优点:
1.提出衡量IRST探测信息的准确性指标,并使之与定位估计误差信息相对应。本方法运用图像处理方法确定目标位置,并采用卡尔曼滤波最优估计理论确定最优图像目标定位,最终转换为目标定位估计误差,并与准确性指标相对应。准确性指标以及对应考核方法的提出落实了IRST准确性能计算方法,提供了一种有效衡量IRST准确性能的手段。
2.计算方法满足实时性要求,便于工程实现。计算过程中首先由卡尔曼滤波估计定位信息,再由定位信息确定定位误差。定位估计方法选用卡尔曼滤波方法,是由于卡尔曼滤波实时性的特点能够实时确定定位误差,满足工程实现实时性的要求。
附图说明
图1是本发明的整体流程示意图;
图2A是本发明的实施例在滤波前后轨迹示意图;
图2B是本发明的实施例在水平方向滤波前后轨迹示意图;
图2C是本发明的实施例在垂直方向滤波前后轨迹示意图;
图3A是本发明的实施例的第1帧红外图像;
图3B是本发明的实施例的第12帧红外图像;
图3C是本发明的实施例的第25帧红外图像;
图3D是本发明的实施例的第40帧红外图像;
图4是本发明的实施例的图像目标定位误差曲线;
图5是本发明的实施例的目标定位误差曲线。
具体实施方式
下面结合附图及具体实施例对本发明做详细说明。
本发明的整体流程示意图如图1所示。IRST准确性指标由俯仰误差和方位误差组成。俯仰误差和方位误差的求取方法是:首先利用卡尔曼滤波得到目标水平、垂直方向位置估计,进而得到水平、垂直方向位置估计误差,再通过空间转换,得到目标俯仰误差、方位误差。
本发明具体实现方法为:
1采集红外图像序列并检测目标,如果连续2帧检出目标则转入跟踪,具体方法如下:
1)计算连续2帧目标位置偏差
由IRST仿真系统生成红外图像序列并对图像序列利用帧差法做目标检测并计算目标质心,如果连续2帧检出目标且位置偏差在给定范围内,则判定是同一目标,并转换为空间定位角度。连续2帧位置偏差由F1、F2(第i帧记为Fi)中目标位置,结合F1与F2之间覆盖关系计算得到。
2)由连续2帧目标位置计算目标空间定位
在IRST仿真系统环境下,已知视场角α×β,图像尺寸Rh×Rv,由视场角和图像尺寸可得单位视场角:
水平单位视场角=α/Rh;
垂直单位视场角=β/Rv。
根据光轴位置、目标相对于光心的位置,目标的方位、俯仰角按下式计算:
α=αc+Δα=αc+px*α/Rh
β=βc+Δβ=βc+py*β/Rv
其中:(αc,βc):光轴角度;(Δα,Δβ):目标相对于光轴角度;(α,β):目标空间方位、俯仰角度;(px,py):目标相对于光心位置。计算完毕报警并转入步骤2。
2卡尔曼滤波最优估计
卡尔曼滤波最优估计的目的是得到目标最优定位信息,提供给步骤3做目标定位误差计算,再提供给步骤4做空间转换,从而定量计算出俯仰误差与方位误差这两个准确性指标。
图3为红外图像序列,其中亮斑部分是目标。图3A是本发明的实施例的第1帧红外图像;图3B是本发明的实施例的第12帧红外图像;图3C是本发明的实施例的第25帧红外图像;图3D是本发明的实施例的第40帧红外图像。
目标为弱机动对象,在短时间范围内可近似看做匀速直线运动。将连续2帧目标位置作为位置初值,滤波所需真值(xk,yk)由IRST仿真系统提供,测量值(zxk,zyk)由目标检测算法提供,目标受到均值为0,X、Y方向标准差均为σa的符合高斯分布的系统噪声W(k),则可得到目标作匀速运动的离散状态转换方程:Xk=AXk-1+GW(k)。
跟踪预测目标的位置,以及对应的速度,采样周期为T,用向量表示移动目标在k时刻的状态:其中,xk、yk表示k时刻目标的位置, 是k时刻目标的速度。
A表示为
G表示为
系统噪声方差Q=cov(GW(k))=σa 2GGT。
在每一采样时刻,对目标位置进行测量,测量噪声通过拟合确定为服从均值为0,X、Y方向标准差均为σz的高斯分布,且X、Y方向噪声相互独立,则对于观测模型:Z(k)=HX(k)+V(k),量测矩阵H定为:
测量噪声方差其中I为2阶单位阵。
利用前几组观测值建立状态的起始估计和初始估值方差P(k|k)(K<=3),则滤波估计从k+1时刻开始。位置估计结果如图2所示。
图2为卡尔曼滤波位置估计曲线图。图中real track为目标真实位置构成的运动轨迹;measured value为目标位置测量值构成的运动轨迹;estimated value为卡尔曼滤波后得到的最优位置估计。
从图2A中可以看出,estimated value曲线一直在real track曲线附近震荡,并且在measured value曲线之内,这说明卡尔曼滤波收敛,目标位置估计误差小于目标位置测量值误差。这正是我们想要的结果。图2A是图2B和图2C的合并,为了直接看到水平和垂直方向的运动轨迹,将图2A拆分成图2B和图2C。
图2A:横轴:目标在图像中的水平位置;
纵轴:目标在图像中的垂直位置。
图2B:表示卡尔曼滤波在水平方向的工作情况。
横轴:第i帧图像(本图截取第24帧~36帧);
纵轴:第i帧图像中水平位置。
图2C:表示卡尔曼滤波在垂直方向的工作情况。
横轴:第i帧图像(本图截取第26帧~32帧);
纵轴:第i帧图像中垂直位置。
3误差计算
通过步骤2得到目标位置(xe,ye)后,计算与真值(x,y)之间偏差绝对值,得到位置误差(errx,erry),图像目标定位误差曲线如图4所示。
本发明的实施例的图像目标定位误差曲线如图4所示。其中,横轴表示图像序列(第1帧~100帧图像);纵轴表示误差,单位为像素,图中所示最大误差为水平方向误差,即1.8像素。水平方向误差对应到图2B中estimated value与real value的差值;垂直方向误差对应到图2C中estimated value与real value的差值。两条曲线都呈下降趋势,说明误差收敛,符合要求。
4空间转换
卡尔曼滤波跟踪过程中,最优图像目标定位(xe,ye)以及图像目标定位误差(errx,erry),通过目标定位与空间角度之间关系以及光轴实时位置(αc,βc),转换为方位估计、俯仰估计(α,β)或方位误差估计、俯仰误差估计(errα,errβ)。
其中,最优图像目标定位与方位估计、俯仰估计关系如下:
α=αc+Δα=αc+px ×α/Rh
β=βc+Δβ=βc+py ×β/Rv
其中,(αc,βc)为光轴位置;(Δα,Δβ)为目标相对于光轴角度估计;(α,β)为方位估计、俯仰估计;(px,py)为目标相对于光心位置估计。(α/Rh,β/Rv)为水平单位视场角、垂直单位视场角。
图像目标定位误差(errx,erry)与方位误差估计、俯仰误差估计(errα,errβ)关系如下:
errα=errx×α/Rh
errβ=erry×β/Rv
本发明的实施例的目标定位估计误差曲线如图5。目标水平和垂直方向位置估计误差(如图4所示)做空间转换后,转换为方位估计误差和俯仰估计误差。
其中,横轴表示图像序列(第1帧~100帧图像);纵轴表示误差,单位为角度,图中最大误差为水平方向误差,即0.17°。
通过上述步骤的实施,可以实时、定量地计算目标定位误差,从而切实落实了IRST准确性指标的定量考核办法。
Claims (7)
1.一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,其步骤为:
步骤1:采集红外图像序列并检测目标,当在连续帧中检测出目标后转入跟踪;步骤2:卡尔曼滤波最优估计,即利用初始帧建立卡尔曼滤波状态方程和卡尔曼滤波观测方程,给定参数后,卡尔曼滤波进入工作状态,实时输出最优图像目标定位;
步骤3:根据最优图像目标定位与红外搜索与跟踪系统仿真系统测得的目标位置之间的偏差得到图像目标定位误差;
步骤4:将图像目标定位误差通过目标定位与空间角度之间关系,转换为空间目标定位误差,即准确性指标;
所述步骤4中将图像目标定位误差通过目标定位与空间角度之间关系,转换为空间目标定位误差的方法为:
errα=errx×α/Rh
errβ=erry×β/Rv
其中,α/Rh为水平单位视场角,β/Rv为垂直单位视场角,α、β为已知视场角,Rh、Rv为图像尺寸,errx为图像目标X轴位置误差,erry为图像目标Y轴位置误差,errα为方位估计误差,errβ为俯仰估计误差;
俯仰估计误差和方位估计误差就是空间目标定位误差。
2.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,还可以将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置,转换为空间目标定位。
3.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,所述步骤1中当在连续帧中检测出目标后转入跟踪的过程为:对红外图像序列利用帧差法做目标检测并计算目标质心,如果连续帧内都检出目标且位置偏差在给定范围内,则判定是同一目标;连续帧目标位置偏差由第i帧的目标位置结合帧间覆盖关系计算得到;目标的方位、俯仰定位由光轴、目标相对于光心的位置确定;计算得出目标图像位置和空间定位后报警并转入跟踪。
4.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,所述步骤1中跟踪的具体实现步骤为:
a根据初始帧目标位置信息建立卡尔曼滤波状态方程,系统误差由统计值拟合噪声分布得到;
b将目标观测信息提供给目标观测方程,观测误差由统计值拟合噪声分布得到;
c利用卡尔曼滤波,得到实时目标位置预测信息;
d预测结果带入更新方程,得到实时最优图像目标定位信息作为下一时刻的参数,用于下一时刻目标位置估计。
5.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,所述步骤2中的卡尔曼滤波状态方程为
Xk=AXk-1+GW(k)
其中,Xk为目标在k时刻的预测位置,Xk-1为目标在k-1时刻的估计位置,Xk和Xk-1由卡尔曼滤波得到, T为采样周期,W(k)为X、Y方向标准差均为σa的符合高斯分布的系统噪声;
6.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,所述步骤2中的卡尔曼滤波观测方程为
Z(k)=H Xk+V(k)
量测矩阵 Z(k)为红外搜索与跟踪系统提供的目标位置观测值,V(k)为X、Y方向标准差均为σa的符合高斯分布的测量噪声;Xk为目标在k时刻的预测位置, 其中,xk、yk表示k时刻目标的位置,是k时刻目标的速度。
7.根据权利要求2所述的一种红外搜索与跟踪系统准确性指标计算方法,其特征在于,所述将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置,转换为空间目标定位的方法为:
α'=αc+△α=αc+px×α/Rh
β'=βc+△β=βc+py×β/Rv
其中,αc为光轴方位信息,βc为光轴俯仰信息,△α为图像目标相对于X轴角度估计,△β为图像目标相对于Y轴角度估计,α'为方位估计,β'为俯仰估计;px为图像目标X轴位置,py为图像目标Y轴位置,α/Rh为水平单位视场角,β/Rv为垂直单位视场角;
俯仰估计和方位估计就是空间目标定位估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110162838.7A CN102830391B (zh) | 2011-06-16 | 2011-06-16 | 一种红外搜索与跟踪系统准确性指标计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110162838.7A CN102830391B (zh) | 2011-06-16 | 2011-06-16 | 一种红外搜索与跟踪系统准确性指标计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102830391A CN102830391A (zh) | 2012-12-19 |
CN102830391B true CN102830391B (zh) | 2014-10-22 |
Family
ID=47333588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110162838.7A Active CN102830391B (zh) | 2011-06-16 | 2011-06-16 | 一种红外搜索与跟踪系统准确性指标计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102830391B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628201A (zh) * | 2015-12-30 | 2016-06-01 | 华中科技大学 | 一种时敏目标图谱结合的测谱方法 |
CN110220513B (zh) * | 2019-04-30 | 2022-10-04 | 中国科学院深圳先进技术研究院 | 一种目标定位的方法、系统、无人机及存储介质 |
CN110766722A (zh) * | 2019-10-12 | 2020-02-07 | 北京小眼探索科技有限公司 | 一种红外运动目标成像跟踪仿真方法 |
CN113741505B (zh) * | 2021-11-03 | 2022-03-22 | 武汉高德红外股份有限公司 | 基于运动估计自动抬层的红外搜索跟踪方法、设备及系统 |
CN115311470B (zh) * | 2022-09-28 | 2023-01-24 | 北京万龙精益科技有限公司 | 自适应块匹配滤波的红外小目标实时检测与跟踪方法及其系统、装置和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1546993A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 红外目标检测跟踪与识别系统 |
CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010032415A (ja) * | 2008-07-30 | 2010-02-12 | Mitsubishi Electric Corp | 赤外画像追尾装置 |
JP2011017645A (ja) * | 2009-07-09 | 2011-01-27 | Toshiba Corp | 目標捕捉追尾装置 |
-
2011
- 2011-06-16 CN CN201110162838.7A patent/CN102830391B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1546993A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 红外目标检测跟踪与识别系统 |
CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
Non-Patent Citations (2)
Title |
---|
一种红外弱小目标精跟踪方法;董维科 等;《激光与红外》;20050331;第35卷(第3期);第184-186页 * |
基于算法融合的红外成像目标稳健跟踪方法;李秋华 等;《系统工程与电子技术》;20060430;第28卷(第4期);第623-624页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102830391A (zh) | 2012-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112230243B (zh) | 一种移动机器人室内地图构建方法 | |
CN101221238B (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
CN103411621B (zh) | 一种面向室内移动机器人的光流场视觉/ins组合导航方法 | |
CN102830391B (zh) | 一种红外搜索与跟踪系统准确性指标计算方法 | |
CN105706112A (zh) | 相机运动估计和校正的方法 | |
CN104330083A (zh) | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 | |
CN111879305B (zh) | 一种面向高危生产环境的多模态感知定位模型与系统 | |
CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
US20230236280A1 (en) | Method and system for positioning indoor autonomous mobile robot | |
CN105120517A (zh) | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 | |
US20210049782A1 (en) | Method and system of antenna measurement for mobile communication base station | |
CN114598990A (zh) | 一种基于uwb和imu的非视距误差补偿的室内定位方法及系统 | |
CN113759364A (zh) | 一种基于激光地图的毫米波雷达连续定位方法及装置 | |
CN116736322B (zh) | 融合相机图像与机载激光雷达点云数据的速度预测方法 | |
CN103777196B (zh) | 基于地理信息的地面目标距离单站测量方法及其测量系统 | |
CN110646792B (zh) | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 | |
CN115103437B (zh) | 一种蓝牙和惯性测量单元的紧耦合室内定位方法 | |
CN115540854A (zh) | 一种基于uwb辅助的主动定位方法、设备和介质 | |
CN113670290B (zh) | 一种基于多机器人协作的移动机器人室内地图构建方法 | |
CN114690230A (zh) | 一种基于视觉惯性slam的自动驾驶车辆导航方法 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及系统 | |
CN112686204B (zh) | 一种基于稀疏像素点跟踪的视频测流方法及装置 | |
CN101916368B (zh) | 基于多窗口的目标跟踪方法 | |
CN102645646B (zh) | 一种多信源不确定融合定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |