CN107657148A - 基于长时间跨度全球中尺度涡旋的断点续追技术 - Google Patents

基于长时间跨度全球中尺度涡旋的断点续追技术 Download PDF

Info

Publication number
CN107657148A
CN107657148A CN201711094634.8A CN201711094634A CN107657148A CN 107657148 A CN107657148 A CN 107657148A CN 201711094634 A CN201711094634 A CN 201711094634A CN 107657148 A CN107657148 A CN 107657148A
Authority
CN
China
Prior art keywords
vortex
time span
long
mesoscale eddies
chase
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.)
Granted
Application number
CN201711094634.8A
Other languages
English (en)
Other versions
CN107657148B (zh
Inventor
田丰林
苑黎明
刘淮淑
黄小敏
陈戈
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN201711094634.8A priority Critical patent/CN107657148B/zh
Publication of CN107657148A publication Critical patent/CN107657148A/zh
Application granted granted Critical
Publication of CN107657148B publication Critical patent/CN107657148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于长时间跨度全球中尺度涡旋的断点续追技术。已有研究发现涡旋在运动过程中存在着消失又出现的现象，因此我们在涡旋追踪过程中加入了涡旋真伪位置的标志（0和‑1、‑2、‑3、‑4、‑5）。该技术基于中尺度涡旋的识别结果和可续追涡旋通过时空邻域相似性匹配来对全球中尺度涡旋进行断点追踪处理。如果伪位置标志的绝对值大于涡旋允许消失天数，则表示该涡旋已消亡并将该涡旋追踪路径更新到已消亡涡旋数据集中，反之则更新到可续追涡旋数据集中。然后对更新的可续追涡旋和更新的增量涡旋进行迭代追踪以实现长时间跨度的涡旋续追。

Description

基于长时间跨度全球中尺度涡旋的断点续追技术
技术领域
本发明属于海洋信息技术领域，具体涉及基于长时间跨度全球中尺度涡旋的断点续追技术。
背景技术
从 20 世纪 70年代以来，中尺度涡方面的研究越来越成为物理海洋学家关注的热点和焦点。中尺度涡对于温、盐运输以及全球气候变化都有显著影响，所以无论在大洋动力学等理论研究方面还是国防军事等实际应用方面，都具有很高的研究价值和意义。
对海洋中尺度涡追踪的方法有多种，目前常见的涡旋追踪方法有像素法、距离法、相似度法：
(1) 像素法:该方法通过找到在时空上相邻的像素的办法来实现的。将涡旋中心区域的像素赋值为1，其他区域赋值为0，然后针对值为1的像素找到在时空邻近且像素值也为1的像素，并标注，作为追踪到的目标。该方法比较适用于涡旋中心区域明显，且涡与涡距离不是很近的情况下的涡旋追踪；
(2) 距离法：该方法是基于涡旋间距离来进行涡旋追踪的，在时间序列中找到在空间上距离当前时间涡旋最近的下一个时间的涡旋，作为追踪到的目标；
(3) 相似度法:该方法是基于涡旋特征的相似性来进行追踪的。该方法计算时间序列相邻的两张地图中涡旋的空间距离、涡度、涡半径和涡动能4个特征的匹配度，找出匹配度最高的涡旋作为追踪到的目标。
目前对于海洋中尺度涡的追踪研究中，较少涉及到基于长时间跨度全球中尺度涡的断点续追数据模型构建方面的研究，无法基于已有的追踪数据集对涡旋进行续追处理，在时间跨度较长且不断更新的情况下，不能快速的进行追踪处理，且消耗了很多不必要的计算时间。
发明内容
本发明的技术效果能够克服上述缺陷，提供一种基于长时间跨度全球中尺度涡旋的断点续追技术。在长时间跨度的涡旋累积追踪过程中，数据追踪的时间跨度会不断增长，简单的将新的时间跨度数据重新进行追踪消耗时间较长。我们将采用“断点续追”的方法来支持从已追踪的时间点增量追踪更新后的中尺度涡识别数据，而非从头开始进行追踪。
为实现上述目的，本发明采用如下技术方案，具体步骤为：
（1）在增量涡旋识别结果中检索已追踪的涡旋一定距离范围内的涡旋;
（2）对一定范围内搜索的涡旋与已追踪涡旋进行相似性匹配检测;
（3）对（1）（2）步骤中操作进行相反操作，即在已追踪涡旋数据集中检索增量涡旋识别结果中一定距离范围内涡旋，并将该涡旋与增量涡旋识别结果中涡旋进行相似性匹配检测，从而选择最优涡旋；
（4）对伪位置标志(-n(n<=5))的绝对值与设置的可允许涡旋消失天数进行比较，来判断该轨迹是可续追还是已消亡；
（5）循环上述步骤达到长时间跨度断点涡旋追踪；
上述步骤（1）中，距离范围为根据纬度和罗斯贝波速度确定的椭圆范围；
上述步骤（2）中，相似性检测因子有4个，主要包括对涡旋最大地转流边界面积、振幅、动能及两涡的欧氏距离；
上述步骤（3）中，检索增量识别涡旋结果中涡旋与已追踪涡旋相互选择，从而匹配最优的涡旋，进行追踪；
上述步骤（4）中，伪位置是通过上一时间点涡旋的移动速度来计算得到的，真位置标志位0，伪位置标志为- n(n<=5)。
本发明的有益效果在于：基于断点前的长时间跨度涡旋追踪数据，构造已消亡涡旋追踪数据集与可续追涡旋追踪数据集，降低需进行断点续追的涡旋追踪数量，减少断点续追的计算量；另外结合断点前可续追涡旋追踪数据集与断点后的涡旋识别数据，对可续追的涡旋在断点后的增量涡旋识别数据继续进行追踪操作，避免了对新的长时间跨度涡旋从头到尾进行追踪。
附图说明
图1基于长时间跨度全球中尺度涡旋的断点续追技术流程图。
具体实施方式
本发明的基于长时间跨度全球中尺度涡旋的断点续追技术（如图1所示），包括以下步骤：
（1）在增量涡旋识别结果中检索已追踪的涡旋一定距离范围内的涡旋
该搜索范围是根据不同纬度和罗斯贝波移动速度确定的椭圆范围，不同纬度搜索范围椭圆分为三种，即纬度绝对值小于5°、纬度绝对值大于23°和纬度绝对值在5°和23°之间。按上述椭圆范围搜索寻找增量涡旋识别结果中符合要求的涡旋；
（2）对一定范围内搜索的涡旋与已追踪涡旋进行相似性匹配检测
对椭圆范围内的涡旋与已追踪涡旋进行相似性检测，该范围内涡旋最大地转流面积、振幅、涡旋速度和两涡的距离等4个因子进行等权平均求相似性，相似性最大的作为已有追踪涡旋的下一时间点的轨迹位置，标记为0。若未检索到符合条件的涡旋则根据涡旋的上一时间的速度来求取其下一时间的伪位置，并根据原轨迹中涡旋的真伪对该位置进行标记，若原涡旋标记为0，则该伪位置标记为-1，否则标记为- n-1；
（3）对已追踪涡旋重复（1）（2）步骤，实现已追踪涡旋和待追踪涡旋的相互选择，从而选择最优涡旋作为追踪的涡旋；
（4）将伪位置标志的绝对值与设置的可允许涡旋消失天数比较，判断该轨迹是可续追还是已消亡对追踪的涡旋路径进行检测，若一条路径伪位置标志的绝对值大于可允许消失天数，则把该路径更新到已消亡涡旋数据集中，反之则更新到可续追涡旋数据集中；
（5）循环上述操作达到长时间跨度断点涡旋追踪，结合步骤1、2、3和4在更新后的已有的追踪数据集基础上对新的增量的涡旋识别结果进行涡旋追踪，直到所有的涡旋识别结果都被追踪完，达到长时间跨度的全球中尺度涡旋追踪。

Claims (5)

1.基于长时间跨度全球中尺度涡旋的断点续追算法，其特征在于包括如下步骤：
（1）在增量涡旋识别结果中检索已追踪的涡旋一定距离范围内的涡旋；
（2）一定范围内搜索的涡旋与已追踪涡旋进行相似性匹配检测；
（3）对（1）（2）步骤中操作进行相反操作，即在已追踪涡旋数据集中检索增量涡旋识别结果中一定距离范围内涡旋，并将该涡旋与增量涡旋识别结果中涡旋进行相似性匹配检测，从而选择最优涡旋；
（4）将伪位置标志(-n(n<=5))的绝对值与设置的可允许涡旋消失天数进行比较，来判断该轨迹是可续追还是已消亡；
（5）循环上述操作达到长时间跨度断点涡旋追踪。
2.根据权利要求1中所述的基于长时间跨度全球中尺度涡旋的断点续追技术，其特征在于所述步骤（1）中，将已追踪的涡旋与增量涡旋识别结果结合起来进行涡旋追踪，在指定的椭圆搜索范围内找到符合条件的涡旋。
3.根据权利要求1中所述的基于长时间跨度全球中尺度涡旋的断点续追技术，其特征在于所述步骤（2）中，首先根据面积、振幅、动能和距离的相似性进行判断两涡是否可能是同一涡的不同时间点的涡旋状态，然后根据涡旋的最大地转流边界面积、振幅、动能以及两涡旋间的距离进行相似性检测。
4.根据权利要求1中所述的基于长时间跨度全球中尺度涡旋的断点续追技术，其特征在于所述步骤（3）中，对增量识别结果中涡旋与已追踪涡旋进行相互匹配选择，从而选择最优匹配涡旋进行续追。
5.根据权利要求1中所述的基于长时间跨度全球中尺度涡旋的断点续追技术，其特征在于所述步骤（4）中，根据伪位置标志的绝对值进行判断涡旋路径的可续追性，如果一条路径伪位置标志的绝对值大于可允许消失的天数，则定该涡路径已消亡，反之则可续追。
CN201711094634.8A 2017-11-09 2017-11-09 基于长时间跨度全球中尺度涡旋的断点续追方法 Active CN107657148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711094634.8A CN107657148B (zh) 2017-11-09 2017-11-09 基于长时间跨度全球中尺度涡旋的断点续追方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711094634.8A CN107657148B (zh) 2017-11-09 2017-11-09 基于长时间跨度全球中尺度涡旋的断点续追方法

Publications (2)

Publication Number Publication Date
CN107657148A true CN107657148A (zh) 2018-02-02
CN107657148B CN107657148B (zh) 2021-09-28

Family

ID=61120553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711094634.8A Active CN107657148B (zh) 2017-11-09 2017-11-09 基于长时间跨度全球中尺度涡旋的断点续追方法

Country Status (1)

Country Link
CN (1) CN107657148B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695299A (zh) * 2020-06-04 2020-09-22 哈尔滨工程大学 一种中尺度涡轨迹预测方法
CN115291615A (zh) * 2022-10-10 2022-11-04 中国海洋大学 一种自适应追涡观测系统及其控制方法、装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644572A (zh) * 2009-06-24 2010-02-10 中国科学院地理科学与资源研究所 一种基于历史相似性案例的海洋涡旋变化检测方法
CN102289594A (zh) * 2011-08-19 2011-12-21 中国科学院地理科学与资源研究所 海洋中尺度涡旋自动识别与过程重构算法
CN105787284A (zh) * 2016-03-29 2016-07-20 中国海洋大学 基于混合算法的长时间序列中尺度涡旋追踪方法
CN105844104A (zh) * 2016-03-29 2016-08-10 中国海洋大学 基于Morphing变形技术的中尺度涡旋可视化算法
CN105894535A (zh) * 2016-03-30 2016-08-24 中国科学院地理科学与资源研究所 一种基于贝叶斯的涡旋自动追踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644572A (zh) * 2009-06-24 2010-02-10 中国科学院地理科学与资源研究所 一种基于历史相似性案例的海洋涡旋变化检测方法
CN102289594A (zh) * 2011-08-19 2011-12-21 中国科学院地理科学与资源研究所 海洋中尺度涡旋自动识别与过程重构算法
CN105787284A (zh) * 2016-03-29 2016-07-20 中国海洋大学 基于混合算法的长时间序列中尺度涡旋追踪方法
CN105844104A (zh) * 2016-03-29 2016-08-10 中国海洋大学 基于Morphing变形技术的中尺度涡旋可视化算法
CN105894535A (zh) * 2016-03-30 2016-08-24 中国科学院地理科学与资源研究所 一种基于贝叶斯的涡旋自动追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIAO SUN ETC.: ""An Improved Automatic Algorithm for Global Eddy Tracking Using Satellite Altimeter Data"", 《REMOTE SENSING》 *
徐驰等: ""海洋中尺度涡旋源汇空间分布特征研究"", 《热带海洋学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695299A (zh) * 2020-06-04 2020-09-22 哈尔滨工程大学 一种中尺度涡轨迹预测方法
CN111695299B (zh) * 2020-06-04 2022-12-13 哈尔滨工程大学 一种中尺度涡轨迹预测方法
CN115291615A (zh) * 2022-10-10 2022-11-04 中国海洋大学 一种自适应追涡观测系统及其控制方法、装置
CN115291615B (zh) * 2022-10-10 2023-02-28 中国海洋大学 一种自适应追涡观测系统及其控制方法、装置

Also Published As

Publication number Publication date
CN107657148B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Bao et al. Pose-guided tracking-by-detection: Robust multi-person pose tracking
Wang et al. Ai coach: Deep human pose estimation and analysis for personalized athletic training assistance
Fu et al. Siamese anchor proposal network for high-speed aerial tracking
Hong et al. TextPlace: Visual place recognition and topological localization through reading scene texts
Fischer et al. Qdtrack: Quasi-dense similarity learning for appearance-only multiple object tracking
Wang et al. Learning person re-identification models from videos with weak supervision
Yu et al. Towards discriminative representation: Multi-view trajectory contrastive learning for online multi-object tracking
Yang et al. A two-stream dynamic pyramid representation model for video-based person re-identification
Zhou et al. SiamCAN: Real-time visual tracking based on Siamese center-aware network
CN107657148A (zh) 基于长时间跨度全球中尺度涡旋的断点续追技术
Zhou et al. A brain-inspired SLAM system based on ORB features
Lin et al. Global correlation network: End-to-end joint multi-object detection and tracking
Shimizu et al. Prediction of future shot direction using pose and position of tennis player
Zou et al. Joint headlight pairing and vehicle tracking by weighted set packing in nighttime traffic videos
Moorthy et al. Adaptive spatial-temporal surrounding-aware correlation filter tracking via ensemble learning
Cao et al. A multi-object tracking algorithm with center-based feature extraction and occlusion handling
Xiang et al. Homocentric hypersphere feature embedding for person re-identification
Yang et al. Joint correlation and attention based feature fusion network for accurate visual tracking
Yang et al. Sea you later: Metadata-guided long-term re-identification for uav-based multi-object tracking
Yang et al. Scalable video object segmentation with identification mechanism
Liu et al. InstMove: Instance motion for object-centric video segmentation
Yang et al. Online video text detection with markov decision process
Li et al. An efficient point cloud place recognition approach based on transformer in dynamic environment
Türkoğlu et al. EANet: enhanced attribute-based RGBT tracker network
CN104954743A (zh) 一种多相机语义关联目标跟踪方法

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
GR01 Patent grant
GR01 Patent grant