CN106066480B - 一种基于多维特征的运动目标跟踪装置及方法 - Google Patents
一种基于多维特征的运动目标跟踪装置及方法 Download PDFInfo
- Publication number
- CN106066480B CN106066480B CN201610348499.4A CN201610348499A CN106066480B CN 106066480 B CN106066480 B CN 106066480B CN 201610348499 A CN201610348499 A CN 201610348499A CN 106066480 B CN106066480 B CN 106066480B
- Authority
- CN
- China
- Prior art keywords
- signal
- dmd
- frequency
- multidimensional
- target
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/4861—Circuits for detection, sampling, integration or read-out
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种基于多维特征的运动目标跟踪装置及方法,该装置包括发射装置,固定在发射装置出光端的目标,固定于目标反射光路上的第一汇聚透镜,固定于第一汇聚透镜汇聚光路上的数字微镜器件DMD,固定于数字微镜器件DMD反射光路上的第二汇聚透镜,固定于第二汇聚透镜汇聚光路上的接收装置;与接收装置连接的混频器,与混频器连接的中频放大器,与中频放大器连接的正交相位检波器,与正交相位检波器连接的信号处理装置;还包括与所述发射装置、混频器和正交相位检波器连接的高稳定信号源,与发射装置、数字微镜器件DMD和信号处理装置连接的同步装置;本发明还公开了基于多维特征的运动目标跟踪方法;对于复杂的战场环境具有很强的适应性,可以抵抗各种相似目标的干扰,能够显著提高识别、跟踪算法的智能性、准确性与鲁棒性。
Description
技术领域
本发明涉及运动目标检测跟踪领域,具体涉及一种基于多维特征的运动目标跟踪装置及方法。
背景技术
目标跟踪方法的研究和应用是计算机视觉的一个重要分支,日益广泛应用于科学技术、国防建设、航空宇航、医药卫生以及国民经济的各个领域。
目前大多数跟踪算法提取的都是目标的一维特征,这就使其在光照变化、遮挡、复杂背景、相似目标干扰等情况下极易发生跟踪失败。而多维特征由于能够得到目标更多的信息,对这些复杂情况具有很好的适应性。以导弹为例,利用多维特征可以大大地增强导弹应对复杂战场环境的能力,还能根据预编程的顺序自主攻击目标,完成瞄准点选择,战斗部模式选择,最佳延时起爆等功能,实现对目标的最大毁伤效果。
目前已有的基于多维特征的跟踪算法都是通过相关成像装置如激光主动成像装置先得到目标场景的多维图像,例如强度图像、距离图像以及速度图像,然后根据PCA变换融合法、多尺度几何分析融合法、小波变换融合法等图像融合方法将三者融合,在图像融合的基础上提取多维特征,实现跟踪。
这些方法都需要通过复杂的成像算法分别获得目标的多维图像,然后再经过复杂的配准—融合—特征提取步骤,才能获得多维特征,实时性差。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于多维特征的运动目标跟踪装置及方法,对于复杂的战场环境具有很强的适应性,可以抵抗各种相似目标的干扰,强度、距离和速度多维特征,能够显著提高识别、跟踪算法的智能性、准确性与鲁棒性。。
实现本发明目的的技术思路是:激光主动探测系统可以通过变换数字微镜器件DMD得到运动目标的多维特征。具体为:高稳定信号源为发射装置、混频器以及正交相位检波器提供载频一定的正弦信号。同步装置控制发射装置、数字微镜器件DMD以及信号处理装置按周期T同步工作。在每一个周期中,发射装置发射脉冲宽度为t、载频为f0的相参脉冲串信号照在目标场景上,目标场景返回来的信号经由第一汇聚透镜传给数字微镜器件DMD,数字微镜器件DMD对照在其上的入射光按照二值随机矩阵Φ的形式进行调制后传给第二汇聚透镜。第二汇聚透镜将数字微镜器件DMD调制过的光信号传给接收装置,接收装置将载频为f0+fdi(i=1,2,3,…m,m为具有不同状态的运动目标的个数)的光信号转换为电信号,并作为主振信号传给混频器,其中fdi为反应第i个运动目标运动信息的多普勒频率。在混频器中,主振信号与载频为f0-fI的本振信号进行混频,其中fI为中频信号的频率,并通过选频回路选出频率为fdi+fI的信号输出到中频放大器。中频放大器对其进行功率放大后,进入正交相位检波器,将载频为fdi的信号检出来送入信号处理装置。在信号处理装置中对信号做FFT变换,得到信号的频谱图。信号的频谱图为频率fdi(i=1,2,3,…m,m为具有不同运动状态的物体的个数)处的sinc函数。从幅度谱图中提取各个多普勒频率fdi处的幅值Wi,从相位谱图中提取各个多普勒频率fdi处的幅值Ψi,则运动目标的强度/距离/速度多维压缩特征向量中的一个元素可表示为经过M个采样周期,可得M维的强度/距离/速度多维特征。
基于多维特征的运动目标跟踪方法具体为:在第t帧多维图像选取训练样本集后,用激光主动探测系统提取各个训练样本的多维压缩特征,一个多维子特征对应于一个弱分类器(弱分类器选择复数RBF神经网络或者复数Hopfield神经网络等复数神经网络),并将训练样本集中的正负样本送入弱分类器中,按照boosting算法生成相应的强分类器,由此在线选取对于当前时刻跟踪最有效的多维子特征,使强分类器能够对当前帧多维图像中的运动目标及背景进行准确分类,在第t+1帧多维图像中选取测试样本集,并由激光主动探测系统提取相应的多维特征,用前一帧已经训练好的强分类器来判别测试样本和运动目标的相似性,相似性最大的测试样本所在的位置即为第t+1帧多维图像的运动目标的位置,如此重复,即可实现跟踪过程。
为达到以上目的,本发明采用如下技术方案:
一种基于多维特征的运动目标跟踪装置,包括发射装置1,固定在发射装置1出光端的目标10,固定于目标10反射光路上的第一汇聚透镜3,固定于第一汇聚透镜3汇聚光路上的数字微镜器件DMD2,固定于数字微镜器件DMD2反射光路上的第二汇聚透镜4,固定于第二汇聚透镜4汇聚光路上的接收装置5;与接收装置5连接的混频器6,与混频器6连接的中频放大器7,与中频放大器7连接的正交相位检波器8,与正交相位检波器8连接的信号处理装置9;还包括与所述发射装置1、混频器6和正交相位检波器8连接的高稳定信号源11,与所述发射装置1、数字微镜器件DMD2和信号处理装置9连接的同步装置12;
所述发射装置1,发射周期为T、脉冲宽度为t、初相为0的相参脉冲串光信号照在目标10上;
所述数字微镜器件DMD 2,依照压缩感知二值随机采样矩阵Φ的形式变换其上的铝镜状态,对目标10的反射光进行调制,压缩感知二值随机采样矩阵Φ的元素值即对应数字微镜器件DMD 2的铝镜状态,当矩阵元素值为+1时,数字微镜器件DMD 2对应位置的铝镜偏转+12°,将光信号反射到第二汇聚透镜4并传给接收装置5;当矩阵元素值为0时,数字微镜器件DMD 2对应位置的铝镜偏转-12°,将其上的入射光反射到吸收平面进行入射光吸收;
所述接收装置5,采用单点探测器,接收第二汇聚透镜4传来的光信号并转换为电信号以便后续处理;
所述混频器6,是一种典型的频谱搬移电路,它将接收装置5传来的信号作为主振信号,混频器6的主振信号的频率为f0+fdi,与高稳定信号源11提供的频率为f0-fI的本振信号进行混频,采用选频回路选出频率为fdi+fI的中频信号;
所述中频放大器7,对混频器6传来的中频信号进行功率放大,以便进行后续处理;
所述正交相位检波器8,从中频放大器7传来的放大的中频信号中提取出多普勒频率fdi,得到的信号是频率为多普勒频率fdi的复信号;
所述信号处理装置9,对正交相位检波器8传来的复信号进行FFT变换,通过得到的频谱图中提取多维特征;
所述高稳定信号源11,为发射装置1提供载频为f0的信号,为混频器6提供频率为f0-fI的正弦本振信号,为正交相位检波器8提供频率为fI的相参基准信号;
所述同步装置12,保证发射装置1发射光信号、数字微镜器件DMD 2变换其上铝镜状态以及信号处理装置9对这一次采样得到的数据进行处理三者之间的同步进行;
所述正交相位检波器8包括第一乘法器30,与第一乘法器30连接的第一低通滤波器21;第二乘法器31,与第二乘法器31连接的第二低通滤波器22;与第一乘法器30和第二乘法器31连接的移相器20。
本发明提出的基于多维特征的运动目标跟踪方法包括如下步骤:
步骤一,根据多维图像的尺寸对数字微镜器件DMD2上的铝镜进行分块;
步骤二,根据第t帧多维图像的运动目标位置,在第t帧多维图像中选取训练样本集,设训练样本集中样本个数为W个,其中正样本为W1个,负样本为W2个。
步骤三,利用信号处理装置9生成一个M×N维的压缩感知二值随机采样矩阵Φ和N×N维的正交稀疏表示矩阵Ψ,其中N=p×q,p为第t帧多维图像中的运动目标的纵向分辨单元的个数,q为第t帧多维图像中的运动目标的横向分辨单元的个数,M为压缩感知的采样次数,也即相参脉冲串信号的周期数;
步骤四,信号处理装置9由二值随机采样矩阵Φ生成M个测量子矩阵,并编号为1,2,3,…M;其中:M为压缩感知的采样次数,也即多维子特征的个数;
步骤五,发射装置1发射载频为f0、周期为T、脉冲宽度为t、初相为0的相参脉冲串光信号照在目标10上,设当前为第k个周期,并令k=1;
步骤六,目标10的反射光信号经第一汇聚透镜3到达数字微镜器件DMD 2上,同步装置12根据第j个训练样本的位置,控制数字微镜器件DMD 2,按照编号为k的测量子矩阵设置其上的铝镜状态,采集第j个训练样本的第k个多维子特征;
步骤七,数字微镜器件DMD2上的反射光经第二汇聚透镜4到达接收装置5,接收装置5将接收到的光信号转化为电信号,并作为主振信号传给混频器6;
步骤八,混频器6将主振信号与高稳定信号源11提供的频率为f0-fI的正弦本振信号进行混频,采用选频回路选出频率为fdi+fI的中频信号,并传给中频放大器7;
步骤九,中频放大器7对传来的含有多普勒频率fdi的中频信号进行功率放大,并传给正交相位检波器8;
步骤十,正交相位检波器8将中频放大器7传来的中频信号分别与两个相互正交的相参基准信号相乘后,通过第一低通滤波器21和第二低通滤波器22滤除高频分量后,得到频率为多普勒频率fdi的复信号,并传给信号处理装置9;
步骤十一,信号处理装置9对第k个周期得到的复信号进行FFT变换,得到第k×j个频谱图;
步骤十二,令训练样本数j=j+1,判断j是否小于训练样本集中的样本个数W,如果j小于等于W,则转至步骤六,如果j大于W,则转至步骤十三;
步骤十三,令周期序号数k=k+1,并判断k是否小于多维子特征的个数M,如果k小于等于M,则转至步骤五,如果k大于M,则转至步骤十四;
步骤十四,信号处理装置9根据步骤十三得到的M×W个频谱图,得到W个训练样本的M个多维子特征;
步骤十五,并将训练样本集中的正负样本送入弱分类器(复数RBF神经网络或者复数Hopfield神经网络等复数神经网络)中,按照boosting算法生成相应的强分类器,由此在线选取对于当前时刻跟踪最有效的多维子特征,使强分类器能够对当前帧中的运动目标及背景进行准确分类;
步骤十六,在第t+1帧多维图像中选取测试样本集,并由运动目标跟踪装置提取测试样本集的多维特征;
步骤十七,用第t帧多维图像已经训练好的强分类器来判别测试样本和运动目标的相似性,相似性最大的测试样本所在的位置即为第t+1帧的运动目标的位置,如此重复,即可实现跟踪过程。
与现有技术相比,本发明具有以下优点:
第一,目前的运动目标跟踪方法一般都是基于单维特征的,对于复杂的战场环境适应性很差,很容易跟踪失败,而基于强度/距离/速度多维压缩特征的运动目标跟踪方法对于复杂的战场环境具有很强的适应性,可以抵抗各种相似目标的干扰,强度/距离/速度多维特征能够显著提高识别、跟踪算法的智能性、准确性与鲁棒性。
第二,同时,通过硬件数字微镜器件DMD直接采集目标的强度、距离和速度多维特征,实时性也会大大提高。
附图说明
图1为本发明系统的结构示意图。
图2为本发明系统中正交相位检波器的结构示意图。
图3为本发明方法的实现流程图。
具体实施方式
以下结合附图及具体实施例对本发明作进一步的详细描述。
如图1所示,本发明基于多维特征的运动目标跟踪装置,包括发射装置1,固定在发射装置1出光端的目标10,固定于目标10反射光路上的第一汇聚透镜3,固定于第一汇聚透镜3汇聚光路上的数字微镜器件DMD2,固定于数字微镜器件DMD2反射光路上的第二汇聚透镜4,固定于第二汇聚透镜4汇聚光路上的接收装置5;与接收装置5连接的混频器6,与混频器6连接的中频放大器7,与中频放大器7连接的正交相位检波器8,与正交相位检波器8连接的信号处理装置9;还包括与所述发射装置1、混频器6和正交相位检波器8连接的高稳定信号源11,与所述发射装置1、数字微镜器件DMD2和信号处理装置9连接的同步装置12。
本发明基于多维特征的运动目标跟踪装置的工作原理如下:
高稳定信号源11为发射装置1、混频器6以及正交相位检波器8提供载频一定的正弦信号。同步装置12控制发射装置1、数字微镜器件DMD2以及信号处理装置9按周期T同步工作。在每一个周期中,发射装置发射脉冲宽度为t、载频为f0的相参脉冲串信号照在目标10上,目标10返回来的信号经由第一汇聚透镜3传给数字微镜器件DMD2,数字微镜器件DMD2对照在其上的入射光按照二值随机采样矩阵Φ的形式进行调制后传给第二汇聚透镜4。第二汇聚透镜4将数字微镜器件DMD2调制过的光信号传给接收装置5,接收装置5将载频为f0+fdi(i=1,2,3,…m,m为具有不同运动状态的物体的个数)的光信号转换为电信号,并作为主振信号传给混频器6,其中fdi为反应第i个目标运动信息的多普勒频率。在混频器6中,主振信号与载频为f0-fI的本振信号进行混频,其中fI为中频信号的频率,并通过选频回路选出频率为fdi+fI的信号输出到中频放大器7。中频放大器7对其进行功率放大后,进入正交相位检波器8,将载频为fdi的信号检出来送入信号处理装置9。在信号处理装置9中对信号做FFT变换,得到信号的频谱图。信号的频谱图为频率fdi(i=1,2,3,…m,m为具有不同运动状态的物体的个数)处的sinc函数。经过M个采样周期,可得M维的强度/距离/速度多维特征。
在第t帧多维图像选取训练样本集后,用运动目标跟踪装置提取各个训练样本的多维压缩特征,一个多维子特征对应于一个弱分类器(弱分类器选择复数RBF神经网络或者复数Hopfield神经网络等复数神经网络),并将训练样本集中的正负样本送入弱分类器中,按照boosting算法生成相应的强分类器,由此在线选取对于当前时刻跟踪最有效的多维子特征,使强分类器能够对当前帧中的运动目标及背景进行准确分类,在第t+1帧多维图像中选取测试样本集,并由运动目标跟踪装置提取每一个测试样本的多维特征,用前一帧多维图像已经训练好的强分类器来判别测试样本和运动目标的相似性,相似性最大的测试样本所在的位置即为第t+1帧多维图像的运动目标的位置,如此重复,即可实现跟踪过程。
如图3所示,本发明基于多维特征的运动目标跟踪方法,包括如下步骤:
步骤一,根据多维图像的尺寸对数字微镜器件DMD2上的铝镜进行分块:
设数字微镜器件DMD2上的铝镜个数为m×n,m为数字微镜器件中横向铝镜的个数,n为数字微镜器件纵向铝镜的个数;将数字微镜器件DMD2上的铝镜分为u×v块,其中u为多维图像的横向分辨单元的个数,v为多维图像的纵向分辨单元的个数,则每块有[min{m,n}/max{u,v}]2个铝镜。以数字微镜器件DMD2上铝镜个数为1024*768和图像分辨率为64*64为例,将数字微镜器件DMD2上的铝镜分为64*64块,每块有144个铝镜,对应于目标10中的一个分辨单元;
步骤二,根据第t帧多维图像的运动目标位置,在第t帧多维图像选取训练样本集,设训练样本集中样本个数为W个,其中正样本为W1个,负样本为W2个。
步骤三,利用信号处理装置9生成一个M×N维的压缩感知二值随机采样矩阵Φ和N×N维的正交稀疏表示矩阵Ψ,其中N=p×q,p为第t帧多维图像中的运动目标的纵向分辨单元的个数,q为第t帧多维图像中的运动目标的横向分辨单元的个数,M为压缩感知的采样次数,也即相参脉冲串信号的周期数;
其中bist为Φ中第i行,第st列的元素,1≤s≤p,1≤t≤q,bist的值取+1或0;
步骤四,信号处理装置9由二值随机采样矩阵Φ生成M个测量子矩阵Φi,并令编号i为1,2,3,…M,每个随机测量子矩阵Φi的形式如下所示:
第i个测量子矩阵Φi即对应原二值随机采样矩阵Φ的第i行元素;
步骤五,发射装置1发射载频为f0、周期为T、脉冲宽度为t、初相为0的相参脉冲串光信号照在目标10上,设当前为第k个周期,并令k=1;
步骤六,目标10的反射光信号经第一汇聚透镜3到达数字微镜器件DMD 2上,同步装置12根据第j个训练样本的位置,控制数字微镜器件DMD 2,按照编号为i的测量子矩阵设置其上的铝镜状态,采集第j个训练样本的第k个多维子特征。当测量子矩阵相应元素值为+1时,将数字微镜器件DMD2对应位置的铝镜偏转+12°,将其上的入射光反射给第二汇聚透镜4并传给接收装置5;当随机矩阵相应元素值为0时,将数字微镜器件DMD2对应位置的铝镜偏转-12°,将其上的入射光反射到吸收平面进行入射光吸收;
步骤七,数字微镜器件DMD2上的反射光经第二汇聚透镜4到达接收装置5,接收装置5将接收到的光信号转化为电信号,并作为主振信号传给混频器6;
步骤八,混频器6将主振信号与高稳定信号源11提供的频率为f0-fI的本振信号进行混频,采用选频回路选出频率为fdi+fI的中频信号,并传给中频放大器7,具体如下:
接收装置5传来的主振信号可以表示为其中cij表示具有第i种运动状态的物体上的第j个分辨单元的反射率,表示具有第i种运动状态的物体上的第j个分辨单元的距离情况。本振信号可以表示为cos(2π(f0-fI)t),两者混频后可得到如下信号:
选频回路的低通滤波器滤除掉频率为2f0+fdi-fI的信号后,保留频率为fdi+fI的低频信号,传给中频放大器7;
步骤九,中频放大器7对传来的含有多普勒频率fdi的中频信号进行功率放大,增益为K,并传给正交相位检波器8;
步骤十,正交相位检波器8将中频放大器7传来的中频信号分别与两个相互正交的相参基准信号相乘后,通过第一低通滤波器21和第二低通滤波器22滤除高频分量后,得到频率为多普勒频率fdi的复信号,并传给信号处理装置9,具体如下:
设相参基准信号sc(t)=cos(2πfIt),其经过移相器20,可得到与其正交的另一个相参基准信号sc'(t)=cos(2πfIt+π/2)=-sin(2πfIt)。将中频信号与相参基准信号sc(t)=cos(2πfIt)相乘,可得信号为:
第一低通滤波器21滤除掉其中的高频分量,可得同相通道信号为
将中频信号与相参基准信号sc'(t)=-sin(2πfIt)相乘,可得信号为:
第二低通滤波器22滤除掉其中的高频分量,可得正交通道信号为:
由此可获得正交双通道信号X(t)为:
步骤十一,信号处理装置9对第k个周期得到的复信号进行FFT变换,得到第k×j个频谱图;
步骤十二,令训练样本数j=j+1,判断j是否小于训练样本集中的样本个数W,如果j小于等于W,则转至步骤六,如果j大于W,则转至步骤十三;
步骤十三,令周期序号数k=k+1,并判断k是否小于多维子特征的个数M,如果k小于等于M,则转至步骤五,如果k大于M,则转至步骤十四;
步骤十四,信号处理装置9根据步骤十三得到的M×W个频谱图,得到W个训练样本的M个多维子特征,具体为:从第k×j个频谱图中的幅度谱图中提取各个多普勒频率fdi处的幅值Wi,从相位谱图中提取各个多普勒频率fdi处的幅值Ψi,则第k个训练样本的第j个压缩子特征可表示为
步骤十五,并将训练样本集中的正负样本送入弱分类器(和相应的压缩子特征相关联的复数RBF神经网络或者复数Hopfield神经网络等复数神经网络)中,按照boosting算法生成相应的强分类器,由此在线选取对于当前时刻跟踪最有效的多维子特征,使强分类器能够对当前帧中的运动目标及背景进行准确分类,具体为:
15.1)对于每一个弱分类器(和相应的压缩子特征相关联的复数RBF神经网络或者复数Hopfield神经网络等复数神经网络),用全部的正负训练样本训练H次,其中正样本的理论输出yi设为1,负样本的理论输出yi设为0。训练H次后,对于第m个弱分类器来说,可按照如下公式计算得到训练样本和目标的相似程度:
hm(xi,j)=σ(|y-0|-|y-1|)
其中σ(x)=1/(1+e-x),y为弱分类器的实际输出。当i=1时,xi,j为正样本集X1中的第j个样本;当i=0时,xi,j为负样本集X0中的第j个样本。
15.2)用Noisy-or模型计算正样本集的相似度。用同样的方法计算出负样本集的相似度,可得正负样本集的联合相似度也即当前压缩子特征的有效程度。lm越大,代表当前压缩子特征越有效,当前弱分类器越能有效地将目标从背景中区分出来;
15.3)用公式m*=arg maxm(lm)选取当前第k次循环中最有效的特征,其所对应的弱分类器为第k次循环中区分效果最好的分类器,即利用循环了K次选取的K个最优弱分类器生成最终的强分类器
步骤十六,在第t+1帧多维图像中选取测试样本集,并由激光主动探测系统提取测试样本集的多维特征;
步骤十七,用第t帧多维图像已经训练好的强分类器Hk(xij)=∑hk(xij)来判别测试样本和运动目标的相似性,相似性最大的测试样本所在的位置即为第t+1帧的运动目标的位置,如此重复,即可实现跟踪过程。
Claims (3)
1.一种基于多维特征的运动目标跟踪装置,其特征在于:包括发射装置(1),固定在发射装置(1)出光端的目标(10),固定于目标(10)反射光路上的第一汇聚透镜(3),固定于第一汇聚透镜(3)汇聚光路上的数字微镜器件DMD(2),固定于数字微镜器件DMD(2)反射光路上的第二汇聚透镜(4),固定于第二汇聚透镜(4)汇聚光路上的接收装置(5);与接收装置(5)连接的混频器(6),与混频器(6)连接的中频放大器(7),与中频放大器(7)连接的正交相位检波器(8),与正交相位检波器(8)连接的信号处理装置(9);还包括与所述发射装置(1)、混频器(6)和正交相位检波器(8)连接的高稳定信号源(11),与所述发射装置(1)、数字微镜器件DMD(2)和信号处理装置(9)连接的同步装置(12);
所述发射装置(1),发射周期为T、脉冲宽度为t、初相为0的相参脉冲串光信号照在目标(10)上;
所述数字微镜器件DMD(2),依照压缩感知二值随机采样矩阵Φ的形式变换其上的铝镜状态,对目标(10)的反射光进行调制,压缩感知二值随机采样矩阵Φ的元素值即对应数字微镜器件DMD(2)的铝镜状态,当矩阵元素值为+1时,数字微镜器件DMD(2)对应位置的铝镜偏转+12°,将光信号反射到第二汇聚透镜(4)并传给接收装置(5);当矩阵元素值为0时,数字微镜器件DMD(2)对应位置的铝镜偏转-12°,将其上的入射光反射到吸收平面进行入射光吸收;
所述接收装置(5),采用单点探测器,接收第二汇聚透镜(4)传来的光信号并转换为电信号以便后续处理;
所述混频器(6),是一种典型的频谱搬移电路,它将接收装置(5)传来的信号作为主振信号,混频器(6)的主振信号的频率为f0+fdi,与高稳定信号源(11)提供的频率为f0-fI的本振信号进行混频,采用选频回路选出频率为fdi+fI的中频信号;
所述中频放大器(7),对混频器(6)传来的中频信号进行功率放大,以便进行后续处理;
所述正交相位检波器(8),从中频放大器(7)传来的放大的中频信号中提取出多普勒频率fdi,得到的信号是频率为多普勒频率fdi的复信号;
所述信号处理装置(9),对正交相位检波器(8)传来的复信号进行FFT变换,通过得到的频谱图中提取多维特征;
所述高稳定信号源(11),为发射装置(1)提供载频为f0的信号,为混频器(6)提供频率为f0-fI的正弦本振信号,为正交相位检波器(8)提供频率为fI的相参基准信号;
所述同步装置(12),保证发射装置(1)发射光信号、数字微镜器件DMD(2)变换其上铝镜状态以及信号处理装置(9)对这一次采样得到的数据进行处理三者之间的同步进行。
2.根据权利要求1所述的基于多维特征的运动目标跟踪装置,其特征在于:所述正交相位检波器(8)包括第一乘法器(30),与第一乘法器(30)连接的第一低通滤波器(21);第二乘法器(31),与第二乘法器(31)连接的第二低通滤波器(22);与第一乘法器(30)和第二乘法器(31)连接的移相器(20)。
3.基于多维特征的运动目标跟踪装置的跟踪方法,其特征在于:包括如下步骤:
步骤一,根据多维图像的尺寸对数字微镜器件DMD(2)上的铝镜进行分块;
步骤二,根据第t帧多维图像的运动目标位置,在第t帧多维图像中选取训练样本集,设训练样本集中样本个数为W个,其中正样本为W1个,负样本为W2个;
步骤三,利用信号处理装置(9)生成一个M×N维的压缩感知二值随机采样矩阵Φ和N×N维的正交稀疏表示矩阵Ψ,其中N=p×q,p为第t帧多维图像中的运动目标的纵向分辨单元的个数,q为第t帧多维图像中的运动目标的横向分辨单元的个数,M为压缩感知的采样次数,也即相参脉冲串光信号的周期数;
步骤四,信号处理装置(9)由二值随机采样矩阵Φ生成M个测量子矩阵,并编号为1,2,3,…M;其中:M为压缩感知的采样次数,也即多维子特征的个数;
步骤五,发射装置(1)发射载频为f0、周期为T、脉冲宽度为t、初相为0的相参脉冲串光信号照在目标(10)上,设当前为第k个周期,并令k=1;
步骤六,目标(10)的反射光信号经第一汇聚透镜(3)到达数字微镜器件DMD(2)上,同步装置(12)根据第j个训练样本的位置,控制数字微镜器件DMD(2),按照编号为k的测量子矩阵设置其上的铝镜状态,采集第j个训练样本的第k个多维子特征;
步骤七,数字微镜器件DMD(2)上的反射光经第二汇聚透镜(4)到达接收装置(5),接收装置(5)将接收到的光信号转化为电信号,并作为主振信号传给混频器(6);
步骤八,混频器(6)将主振信号与高稳定信号源(11)提供的频率为f0-fI的正弦本振信号进行混频,采用选频回路选出频率为fdi+fI的中频信号,并传给中频放大器(7);
步骤九,中频放大器(7)对传来的含有多普勒频率fdi的中频信号进行功率放大,并传给正交相位检波器(8);
步骤十,正交相位检波器(8)将中频放大器(7)传来的中频信号分别与两个相互正交的相参基准信号相乘后,通过第一低通滤波器(21)和第二低通滤波器(22)滤除高频分量后,得到频率为多普勒频率fdi的复信号,并传给信号处理装置(9);
步骤十一,信号处理装置(9)对第k个周期得到的复信号进行FFT变换,得到第k×j个频谱图;
步骤十二,令训练样本数j=j+1,判断j是否小于训练样本集中的样本个数W,如果j小于等于W,则转至步骤六,如果j大于W,则转至步骤十三;
步骤十三,令周期序号数k=k+1,并判断k是否小于多维子特征的个数M,如果k小于等于M,则转至步骤五,如果k大于M,则转至步骤十四;
步骤十四,信号处理装置(9)根据步骤十三得到的M×W个频谱图,得到W个训练样本的M个多维子特征;
步骤十五,并将训练样本集中的正负样本送入弱分类器中,按照boosting算法生成相应的强分类器,由此在线选取对于当前时刻跟踪最有效的多维子特征,使强分类器能够对当前帧中的运动目标及背景进行准确分类;
步骤十六,在第t+1帧多维图像中选取测试样本集,并由运动目标跟踪系统提取测试样本集的多维特征;
步骤十七,用第t帧多维图像已经训练好的强分类器来判别测试样本和运动目标的相似性,相似性最大的测试样本所在的位置即为第t+1帧的运动目标的位置,如此重复,即实现跟踪过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610348499.4A CN106066480B (zh) | 2016-05-24 | 2016-05-24 | 一种基于多维特征的运动目标跟踪装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610348499.4A CN106066480B (zh) | 2016-05-24 | 2016-05-24 | 一种基于多维特征的运动目标跟踪装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106066480A CN106066480A (zh) | 2016-11-02 |
CN106066480B true CN106066480B (zh) | 2018-03-16 |
Family
ID=57420195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610348499.4A Active CN106066480B (zh) | 2016-05-24 | 2016-05-24 | 一种基于多维特征的运动目标跟踪装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106066480B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674725B (zh) * | 2019-09-20 | 2022-06-03 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN113050118B (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 单臂激光外差关联成像雷达空间后端调制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375144A (zh) * | 2011-09-22 | 2012-03-14 | 北京航空航天大学 | 单光子计数压缩采样激光三维成像方法 |
CN102846312A (zh) * | 2012-09-27 | 2013-01-02 | 华东师范大学 | 一种多维度成像检测仪及其数据反演方法 |
CN103090971A (zh) * | 2013-01-24 | 2013-05-08 | 中国科学院空间科学与应用研究中心 | 一种超灵敏时间分辨成像光谱仪及其时间分辨成像方法 |
CN105223582A (zh) * | 2015-09-01 | 2016-01-06 | 西安交通大学 | 一种基于压缩感知的激光雷达成像装置及成像方法 |
CN105242281A (zh) * | 2015-09-01 | 2016-01-13 | 西安交通大学 | 基于apd阵列的三维激光成像系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110109773A1 (en) * | 2009-11-10 | 2011-05-12 | General Electric Company | System and method for adaptive nonlinear compressed visual sensing |
-
2016
- 2016-05-24 CN CN201610348499.4A patent/CN106066480B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375144A (zh) * | 2011-09-22 | 2012-03-14 | 北京航空航天大学 | 单光子计数压缩采样激光三维成像方法 |
CN102846312A (zh) * | 2012-09-27 | 2013-01-02 | 华东师范大学 | 一种多维度成像检测仪及其数据反演方法 |
CN103090971A (zh) * | 2013-01-24 | 2013-05-08 | 中国科学院空间科学与应用研究中心 | 一种超灵敏时间分辨成像光谱仪及其时间分辨成像方法 |
CN105223582A (zh) * | 2015-09-01 | 2016-01-06 | 西安交通大学 | 一种基于压缩感知的激光雷达成像装置及成像方法 |
CN105242281A (zh) * | 2015-09-01 | 2016-01-13 | 西安交通大学 | 基于apd阵列的三维激光成像系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106066480A (zh) | 2016-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446902A (zh) | 一种基于无人平台的海洋环境与目标综合感知方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
de Oliveira et al. | Deep convolutional autoencoder applied for noise reduction in range-Doppler maps of FMCW radars | |
CN109444912A (zh) | 一种基于协同控制与深度学习的驾驶环境感知系统及方法 | |
CN110728213A (zh) | 一种基于无线射频信号的细粒度人体姿态估计方法 | |
Ulhaq et al. | On space-time filtering framework for matching human actions across different viewpoints | |
CN106066480B (zh) | 一种基于多维特征的运动目标跟踪装置及方法 | |
Deng et al. | GaitFi: Robust device-free human identification via WiFi and vision multimodal learning | |
Gurbuz et al. | Multi-frequency RF sensor fusion for word-level fluent ASL recognition | |
Zhang et al. | Joint motion information extraction and human behavior recognition in video based on deep learning | |
CN106066481B (zh) | 一种基于dmd的四维激光雷达成像装置及方法 | |
Kim et al. | Classification of micro-Doppler signatures of human aquatic activity through simulation and measurement using transferred learning | |
Yang et al. | Radar-based human activities classification with complex-valued neural networks | |
Alkasimi et al. | Geolocation tracking for human identification and activity recognition using radar deep transfer learning | |
Cai et al. | Robust human detection under visual degradation via thermal and mmwave radar fusion | |
Peng et al. | Detailed feature representation and analysis of low frequency UWB radar range profile for improving through-wall human activity recognition | |
Ran et al. | Search aid system based on machine vision and its visual attention model for rescue target detection | |
Zhao et al. | Synthetic Training Data Generator for Hand Gesture Recognition Based on FMCW RADAR | |
Stojanović et al. | Deep Features in Correlation Filters for Thermal Image Tracking | |
CN113050083A (zh) | 一种基于点云的超宽带雷达人体姿态重构方法 | |
Zhou et al. | A Micro-Doppler Based Human Pose Estimation Framework for Single-channel Ultra-Wideband Radar | |
Alkasimi et al. | Human Activity Recognition Based on 4-Domain Radar Deep Transfer Learning | |
WO2015161490A1 (zh) | 一种基于复眼仿真的水面偏振成像的目标运动检测方法 | |
Ma et al. | Low Resolution Radar Target Classification Using Vision Transformer Based on Micro-Doppler Signatures | |
Santhanamari et al. | Radar Based Target Detection and Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |