CN107808393A - 智能视频监控领域中具有抗干扰性的目标跟踪方法 - Google Patents
智能视频监控领域中具有抗干扰性的目标跟踪方法 Download PDFInfo
- Publication number
- CN107808393A CN107808393A CN201710897028.3A CN201710897028A CN107808393A CN 107808393 A CN107808393 A CN 107808393A CN 201710897028 A CN201710897028 A CN 201710897028A CN 107808393 A CN107808393 A CN 107808393A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- msup
- mtr
- 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
Links
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种智能视频监控领域中具有抗干扰性的目标跟踪方法。主要针对视频跟踪中由于监控硬件以及使用环境的影响导致量测噪声为非高斯分布且出现异常点时的跟踪精度下降的问题，所述方法包括如下步骤：(1)视频采集并对采集到的图像进行预处理；(2)对处理后的图像进行运动目标检测；(3)对步骤(2)中检测获取的运动目标采用基于改进H估计的卡尔曼滤波算法进行目标跟踪。本发明的视频监控目标跟踪方法通过结合投影统计异常点鉴别方法和Huber估计法，提高在设备和环境噪声异常情况下的运动目标跟踪精度，提高监控能力。该方法的特点是监控设备硬件和使用环境产生异常噪声时仍然能保持对视频中目标的跟踪。
Description
技术领域
本发明涉及视频监控领域，具体地说，涉及一种智能视频监控领域中具有抗干扰特性的视频目标跟踪方法。
背景技术
为在现代城市管理中，视频监控做为一项重要管理手段，直接影响着管理效能。而传统的视频监控中主要以现场信息采集为主，主动性较差。随着国家对智慧城市建设的大力推进，在城市最前端需要更多有信息采集器，而在监控领域更要将被动监控方式转为主动监控方式，方式之一就是对监控目标进行跟踪。
因为监控设备硬件条件的限制，在对目标进行检测的过程中需要缩小搜索范围，为了提高响应时间和检测精度，采用卡尔曼滤波对目标状态进行预测，缩小后续对目标的检索范围。然而因为设备硬件产生的噪声以及监控环境影响使得在标准卡尔曼滤波过程中，模型噪声分布不确定容易产生奇值，最终影响状态预测效果进而导致目标检索丢失。
发明内容
针对上述问题，本发明提供一种能提高对视频目标跟踪精度的智能视频监控领域中具有抗干扰性的目标跟踪方法。
为达到上述目的，本发明一种智能视频监控领域中具有抗干扰性的目标跟踪方法，包括如下步骤：
(1)视频采集并对采集到的图像进行预处理；
(2)对处理后的图像进行运动目标检测；
(3)对步骤(2)中检测获取的运动目标采用基于改进H估计的卡尔曼滤波算法进行目标跟踪。
进一步地，所述步骤(1)中对图像进行预处理的具体步骤为，利用摄像头采集模拟信号，并将采集到的模拟信号转换成RGB格式，同时将图像按Gaussian金字塔分解向下采样。
进一步地，所述步骤(2)中运动目标检测的具体方法为：利用时间差分法对时序相邻的RGB格式的两帧图像进行灰度处理和差分运算，并对差分后的图像进行二值化处理。
进一步地，所述的二值化处理的公式为：
其中，Dk为差分后时刻k的图像；
Ik和Ik-1分别为相邻时刻(x,y)点的灰度，
T为二值化阀值。
进一步地，所述步骤(3)对运动目标跟踪的方法包括：
(3.1)建立目标运动模型，依据目标运动模型获得量测方程；建立时间更新方程和量测更新方程；
所述量测方程为：Z(k)＝HX(k)+w(k)；
其中，Z为观测值，H为关系矩阵，w为测量噪声，k代表时刻；
所述时间更新方程为：Pk/k-1＝Φk,k-1Pk-1ΦT k,k-1+Qk；
所述量测更新方程为：
其中，Xk为运动目标状态向量；为目标状态估计；Zk+1为k+1时刻的量测向量；Φk,k-1为状态过渡矩阵，Ψy与Ψx为重新构造观测模型后利用Huber估计求得的对角矩阵；
(3.2)重新构造观测模型并利用Huber估计求得量测更新方程中的对角矩阵Ψy与Ψx，并将求得的对角矩阵Ψy与Ψx代入卡尔曼滤波模型中进行滤波更新，预测目标状态。
进一步地，所述步骤(3.2)中，Ψy与Ψx的求解过程包括：(3.2.1)计算量测点的权值；(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型，依据重新构建的目标跟踪滤波模型求解对角矩阵Ψy与Ψx；
所述(3.2.1)计算权值的计算过程为：
(3.2.11)利用第一计算式计算获得k个N维量测向量的中位向量，所述第一计算公式为：
其中，xk表示k个N维量测向量，k＝1，…K,
xnk代表xk中第n个元素，
m代表k个向量中的中位向量，
(3.2.12)利用第二计算式计算每个量测向量关于中值偏差的偏差向量，利用第三计算式和计算得到的偏差向量计算量测向量关于中值偏差的单位向量；
所述第二计算式为：uk＝xk-m,k＝1....K；
所述第三计算式为：
其中，uk为偏差向量；
xk为量测向量；
m为中位向量；
vk为单位向量。
(3.2.13)利用第四计算式计算各量测向量xk在各个单位向量vk上的投影向量，并利用第五计算式计算第k个量测向量的投影向量，所述第四计算式为：
M
所述第五计算公式为：zk＝[z1k,z2k,...zKk]T
其中，zk为投影向量；
xk为量测向量；
vk为单位向量；
H表示向量x转置；
(3.2.14)利用第六计算式计算各投影向量的完全中值偏差，并利用求得的完全中值偏差和第七计算公式计算标准投影向量：
所述第六计算式为：
其中，C为调节参数；
MADk表示第K个值的完全中值偏差；
所述第七计算公式为：
(3.2.15)对各k值重复上述(3.2.11)-(3.2.14)的计算过程，利用第八计算公式计算第K个点的PS值，所述第八计算公式为：
其中，pnk为标准投影；
(3.2.16)依据步骤(3.2.15)中获得的PS值，以及对应的量测点的量测值相对于量测点簇的偏离程度，赋予该量测点权值ωi；
所述(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型的步骤为：
(3.2.21)简化运动目标跟踪模型，简化后的模型为：
其中，下标k代表在时刻k时；
x为状态向量；
y为量测值；
u为系统输入；
v为系统噪声；
w为量测噪声；
v与k均服从零均值白噪声；
量测方程为：则简化后的模型改写为：
其中，为状态预测值；
表示实际值与预测值的差；
Hk为矩阵，其定义为：
(3.2.22)定义公式，依据(3.2.21)中改写后的模型定义公式，获得新目标模型并计算角矩阵Ψ；所述的定义公式包括：
所述新目标模型为：zk＝Gkxk+ξk；
定义残差，即估计值和量测值之间的差，公式为：ζ＝Gx-z；
定义函数：则对角矩阵其中wi为量测值的权值；
(3.2.23)将对角矩阵Ψ分为两部分获得Ψy与Ψx，公式为：进一步地，所述步骤(3)中，目标运动模型为：X(k+1)＝F(k)X(k)+V(k)；其中，X(k+1)为目标的预测状态；
X(k)为目标当前状态，
F(k)为状态转移矩阵，
T为采样周期；α为目标机动频率，α＝1/20。
V(k)的协方差矩阵满足
其中，
T为采样周期；
α为目标机动频率，α＝1/20。
本发明智能视频监控领域中具有抗干扰项的目标跟踪方法，通过结合投影统计异常点鉴别方法和Huber估计法，提高在设备和环境噪声异常情况下的运动目标跟踪精度，提高监控能力。该方法的特点是监控设备硬件和使用环境产生异常噪声时仍然能保持对视频中目标的跟踪。
附图说明
图1是本发明结构示意图。
具体实施方式
下面结合说明书附图对本发明做进一步的描述。
实施例1
结合图1，本实施例提供一种智能监控视频领域中具有抗干扰性的目标跟踪方法，包括如下步骤：
(1)视频采集并对采集到的图像进行预处理；
(2)对处理后的图像进行运动目标检测；
(3)对步骤(2)中检测获取的运动目标采用基于改进H估计的卡尔曼滤波算法进行目标跟踪。
具体地，步骤(1)中对图像进行预处理的具体过程为，由摄像头采集模拟信号，然后进行A/D转换，转换成RGB格式，同时将图像按Gaussian金字塔分解向下采样。
步骤(2)中运动目标检测的具体方法为：利用时间差分法对时序相邻的RGB格式的两帧图像进行灰度处理和差分运算，并对差分后的图像进行二值化处理。
所述的二值化处理的公式为：
其中，Dk为差分后时刻k的图像；
Ik和Ik-1分别为相邻时刻(x,y)点的灰度，
T为二值化阀值。利用二值化处理对运动物体进行外接矩形框定，该矩形框几何中心为运动目标的质心。
实施例2
作为实施例1的具体方案，步骤(3)中对运动目标跟踪的方法包括：
(3.1)建立目标运动模型，依据目标运动模型获得量测方程；建立时间更新方程和量测更新方程；
目标运动模型为：X(k+1)＝F(k)X(k)+V(k)；
其中，X(k+1)为目标的预测状态；
X(k)为目标当前状态，
F(k)为状态转移矩阵，
T为采样周期；α为目标机动频率，α＝1/20。
V(k)的协方差矩阵满足
其中，
T为采样周期；
α为目标机动频率，α＝1/20。
所述量测方程为：Z(k)＝HX(k)+w(k)；
其中，Z为观测值，H为关系矩阵，w为测量噪声，k代表时刻；
所述时间更新方程为：Pk/k-1＝Φk,k-1Pk-1ΦT k,k-1+Qk；
所述量测更新方程为：
其中，Xk为运动目标状态向量；为目标状态估计；Zk+1为k+1时刻的量测向量；Φk,k-1为状态过渡矩阵，Ψy与Ψx为重新构造观测模型后利用Huber估计求得的对角矩阵；
(3.2)重新构造观测模型并利用Huber估计求得量测更新方程中的对角矩阵Ψy与Ψx，并将求得的对角矩阵Ψy与Ψx代入卡尔曼滤波模型中进行滤波更新，预测目标状态。
上述步骤(3.2)中，Ψy与Ψx的求解步骤包括：(3.2.1)计算量测点的权值；(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型，依据重新构建的目标跟踪滤波模型求解对角矩阵Ψy与Ψx；
所述(3.2.1)计算权值的计算过程为：
(3.2.11)利用第一计算式计算获得k个N维量测向量的中位向量，所述第一计算公式为：
其中，xk表示k个N维量测向量，k＝1，…K,
xnk代表xk中第n个元素，
m代表k个向量中的中位向量，
(3.2.12)利用第二计算式计算每个量测向量关于中值偏差的偏差向量，利用第三计算式和计算得到的偏差向量计算量测向量关于中值偏差的单位向量；
所述第二计算式为：uk＝xk-m,k＝1....K；
所述第三计算式为：
其中，uk为偏差向量；xk为量测向量；m为中位向量；vk为单位向量。
(3.2.13)利用第四计算式计算各量测向量xk在各个单位向量vk上的投影向量，并利用第五计算式计算第k个量测向量的投影向量，所述第四计算式为：
M
所述第五计算公式为：zk＝[z1k,z2k,...zKk]T
其中，zk为投影向量；xk为量测向量；vk为单位向量；H表示向量x转置；
(3.2.14)利用第六计算式计算各投影向量的完全中值偏差，并利用求得的完全中值偏差和第七计算公式计算标准投影向量：
所述第六计算式为：
其中，C为调节参数；MADk表示第K个值的完全中值偏差为；
所述第七计算公式为：
(3.2.15)对各k值重复上述(3.2.11)-(3.2.14)的计算过程，利用第八计算公式计算第K个点的PS值，所述第八计算公式为：
其中，pnk为标准投影；
(3.2.16)依据步骤(3.2.15)中获得的PS值，以及对应的量测点的量测值相对于量测点簇的偏离程度，赋予该量测点权值ωi；
所述(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型的步骤为：
(3.2.21)简化运动目标跟踪模型，简化后的模型为：
其中，下标k代表在时刻k时；
x为状态向量；y为量测值；u为系统输入；v为系统噪声；w为量测噪声；v与k均服从零均值白噪声；
量测方程为：则简化后的模型改写为：
其中，为状态预测值；
表示实际值与预测值的差；
Hk为矩阵，其定义为：
(3.2.22)定义公式，依据(3.2.21)中改写后的模型定义公式，获得新目标模型并计算角矩阵Ψ；所述的定义公式包括：
所述新目标模型为：zk＝Gkxk+ξk；
定义残差，即估计值和量测值之间的差，公式为：ζ＝Gx-z；
定义函数：则对角矩阵其中wi为量测值的权值；
(3.2.23)将对角矩阵Ψ分为两部分获得Ψy与Ψx，公式为：
最后将求得的权值对角矩阵Ψ代入卡尔曼滤波中进行滤波更新，目标状态预测。
本发明智能视频监控领域中具有抗干扰项的目标跟踪方法，通过结合投影统计异常点鉴别方法和Huber估计法，提高在设备和环境噪声异常情况下的运动目标跟踪精度，提高监控能力。该方法的特点是监控设备硬件和使用环境产生异常噪声时仍然能保持对视频中目标的跟踪。
以上，仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (7)
1.一种智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，包括如下步骤：
(1)视频采集并对采集到的图像进行预处理；
(2)对处理后的图像进行运动目标检测；
(3)对步骤(2)中检测获取的运动目标采用基于改进H估计的卡尔曼滤波算法进行目标跟踪。
2.根据权利要求1所述的智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述步骤(1)中对图像进行预处理的具体步骤为，利用摄像头采集模拟信号，并将采集到的模拟信号转换成RGB格式，同时将图像按Gaussian金字塔分解向下采样。
3.根据权利要求1所述的智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述步骤(2)中运动目标检测的具体方法为：利用时间差分法对时序相邻的RGB格式的两帧图像进行灰度处理和差分运算，并对差分后的图像进行二值化处理。
4.根据权利要求3所述的智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述的二值化处理的公式为：
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，Dk为差分后时刻k的图像；
Ik和Ik-1分别为相邻时刻(x,y)点的灰度，
T为二值化阀值。
5.根据权利要求1所述的智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述步骤(3)对运动目标跟踪的方法包括：
(3.1)建立目标运动模型，依据目标运动模型获得量测方程；建立时间更新方程和量测更新方程；
所述量测方程为：Z(k)＝HX(k)+w(k)；
其中，Z为观测值，H为关系矩阵，w为测量噪声，k代表时刻；
所述时间更新方程为：Pk/k-1＝Φk,k-1Pk-1ΦT k,k-1+Qk；
所述量测更新方程为：
其中，Xk为运动目标状态向量；为目标状态估计；Zk+1为k+1时刻的量测向量；Φk,k-1为状态过渡矩阵，Ψy与Ψx为重新构造观测模型后利用Huber估计求得的对角矩阵；
(3.2)重新构造观测模型并利用Huber估计求得量测更新方程中的对角矩阵Ψy与Ψx，并将求得的对角矩阵Ψy与Ψx代入卡尔曼滤波模型中进行滤波更新，预测目标状态。
6.根据权利要求5所述的智能视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述步骤(3.2)中，Ψy与Ψx的求解过程包括：(3.2.1)计算量测点的权值；(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型，依据重新构建的目标跟踪滤波模型求解对角矩阵Ψy与Ψx；
所述(3.2.1)计算权值的计算过程为：
(3.2.11)利用第一计算式计算获得k个N维量测向量的中位向量，所述第一计算公式为：
<mrow>
<mi>m</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mi>K</mi>
</mrow>
</munder>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>M</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mi>K</mi>
</mrow>
</munder>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，xk表示k个N维量测向量，k＝1，…K,
xnk代表xk中第n个元素，
m代表k个向量中的中位向量，
(3.2.12)利用第二计算式计算每个量测向量关于中值偏差的偏差向量，利用第三计算式和计算得到的偏差向量计算量测向量关于中值偏差的单位向量；
所述第二计算式为：uk＝xk-m,k＝1....K；
所述第三计算式为：
其中，uk为偏差向量；
xk为量测向量；
m为中位向量；
vk为单位向量；
(3.2.13)利用第四计算式计算各量测向量xk在各个单位向量vk上的投影向量，并利用第五计算式计算第k个量测向量的投影向量，所述第四计算式为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>H</mi>
</msubsup>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>H</mi>
</msubsup>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>M</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1....</mn>
<mi>K</mi>
<mi>x</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
所述第五计算公式为：zk＝[z1k,z2k,...zKk]T
其中，zk为投影向量；
xk为量测向量；
vk为单位向量；
H表示向量x转置；
(3.2.14)利用第六计算式计算各投影向量的完全中值偏差，并利用求得的完全中值偏差和第七计算公式计算标准投影向量，
所述第六计算式为：
<mrow>
<msub>
<mi>z</mi>
<mrow>
<msub>
<mi>med</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mi>K</mi>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>MAD</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>c</mi>
<mi>g</mi>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mi>K</mi>
</mrow>
</munder>
<mo>|</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<msub>
<mi>med</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mo>|</mo>
<mo>;</mo>
</mrow>
其中，C为调节参数；
MADk表示第K个值的完全中值偏差；
所述第七计算公式为：
(3.2.15)对各k值重复上述(3.2.11)-(3.2.14)的计算步骤，利用第八计算公式计算第K个点的PS值，所述第八计算公式为：
<mrow>
<msub>
<mi>PS</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munder>
<mi>max</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>K</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1....</mn>
<mi>K</mi>
</mrow>
其中，pnk为标准投影；
(3.2.16)依据步骤(3.2.15)中获得的PS值，以及对应的量测点的量测值相对于量测点簇的偏离程度，赋予该量测点权值ωi；
所述(3.2.2)依据量测点的权值重新建立目标跟踪滤波模型的步骤为：
(3.2.21)简化运动目标跟踪模型，简化后的模型为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>h</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，下标k代表在时刻k时；
x为状态向量；
y为量测值；
u为系统输入；
v为系统噪声；
w为量测噪声；
v与k均服从零均值白噪声；
量测方程为：则简化后的模型改写为：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>I</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，为状态预测值；
表示实际值与预测值的差；
Hk为矩阵，其定义为：
(3.2.22)定义公式，依据(3.2.21)中改写后的模型定义公式，获得新目标模型并计算角矩阵Ψ；所述的定义公式包括：
<mrow>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msup>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msup>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>I</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msup>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
所述新目标模型为：zk＝Gkxk+ξk；
定义残差，即估计值和量测值之间的差，公式为：ζ＝Gx-z；
定义函数：则对角矩阵其中wi为量测值的权值；
(3.2.23)，利用步骤(3.2.16)中求得的量测点权值ωi以及公式计算出对角矩阵Ψ，并将Ψ分为两部分获得Ψy与Ψx，公式为：
7.根据权利要求1所述的智能领域视频监控领域中具有抗干扰性的目标跟踪方法，其特征在于，所述步骤(3)中，目标运动模型为：X(k+1)＝F(k)X(k)+V(k)；
其中，X(k+1)为目标的预测状态；
X(k)为目标当前状态，
F(k)为状态转移矩阵，
T为采样周期；α为目标机动频率，α＝1/20；
V(k)的协方差矩阵满足
其中，
<mrow>
<msub>
<mi>q</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>5</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>+</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>3</mn>
</msup>
<msup>
<mi>T</mi>
<mn>3</mn>
</msup>
</mrow>
<mn>3</mn>
</mfrac>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>T</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>4</mn>
<msup>
<mi>&alpha;Te</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<msub>
<mi>q</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>4</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>+</mo>
<mn>2</mn>
<msup>
<mi>&alpha;Te</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
<mo>+</mo>
<msup>
<mi>&alpha;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>T</mi>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>13</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>&alpha;Te</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>22</mn>
</msub>
<mo>=</mo>
<msub>
<mi>q</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>4</mn>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mn>3</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>+</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>23</mn>
</msub>
<mo>=</mo>
<msub>
<mi>q</mi>
<mn>32</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>33</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
T为采样周期；
α为目标机动频率，α＝1/20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710897028.3A CN107808393B (zh) | 2017-09-28 | 2017-09-28 | 智能视频监控领域中具有抗干扰性的目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710897028.3A CN107808393B (zh) | 2017-09-28 | 2017-09-28 | 智能视频监控领域中具有抗干扰性的目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107808393A true CN107808393A (zh) | 2018-03-16 |
| CN107808393B CN107808393B (zh) | 2021-07-23 |
Family
ID=61591867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710897028.3A Active CN107808393B (zh) | 2017-09-28 | 2017-09-28 | 智能视频监控领域中具有抗干扰性的目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107808393B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112168153A (zh) * | 2020-11-04 | 2021-01-05 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测系统 |
| CN112336322A (zh) * | 2020-11-04 | 2021-02-09 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
| CN103106667A (zh) * | 2013-02-01 | 2013-05-15 | 山东科技大学 | 一种面向遮挡和场景变换的运动对象追踪方法 |
| CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪系统 |
| CN106296732A (zh) * | 2016-08-01 | 2017-01-04 | 三峡大学 | 一种复杂背景下的运动目标追踪方法 |
-
2017
- 2017-09-28 CN CN201710897028.3A patent/CN107808393B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
| CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪系统 |
| CN103106667A (zh) * | 2013-02-01 | 2013-05-15 | 山东科技大学 | 一种面向遮挡和场景变换的运动对象追踪方法 |
| CN106296732A (zh) * | 2016-08-01 | 2017-01-04 | 三峡大学 | 一种复杂背景下的运动目标追踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHRISTOPHER D. KARLGAARD: "Nonlinear Regression Huber–Kalman Filtering and Fixed-Interval Smoothing", 《JOURNAL OF GUIDANCE, CONTROL, AND DYNAMICS》 * |
| 张文杰: "基于Huber的高阶容积卡尔曼跟踪算法", 《物理学报》 * |
| 黄玉: "基于Huber M估计的鲁棒Cubature卡尔曼滤波算法", 《控制与决策》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112168153A (zh) * | 2020-11-04 | 2021-01-05 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测系统 |
| CN112336322A (zh) * | 2020-11-04 | 2021-02-09 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测方法 |
| WO2022095869A1 (zh) * | 2020-11-04 | 2022-05-12 | 蓬托森思股份有限公司 | 一种无接触式呼吸或心跳检测方法 |
| WO2022095868A1 (zh) * | 2020-11-04 | 2022-05-12 | 蓬托森思股份有限公司 | 一种无接触式呼吸或心跳检测系统 |
| CN112336322B (zh) * | 2020-11-04 | 2023-05-30 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测方法 |
| CN112168153B (zh) * | 2020-11-04 | 2023-05-30 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107808393B (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2250624B1 (en) | Image processing method and image processing apparatus | |
| CN107818571A (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
| CN101945284B (zh) | 一种运动估计的装置和方法 | |
| CN101493943B (zh) | 一种粒子滤波跟踪方法和跟踪装置 | |
| CN104820997A (zh) | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 | |
| Angelova et al. | Slip prediction using visual information | |
| CN101549498A (zh) | 智能帮扶式助行机器人的自主跟踪与导航系统 | |
| CN109977971A (zh) | 基于均值偏移与核相关滤波的尺度自适应目标跟踪系统 | |
| CN101599177A (zh) | 一种基于视频的人体肢体运动的跟踪方法 | |
| CN107084714A (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
| 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 | |
| CN105717505A (zh) | 利用传感网进行多目标跟踪的数据关联方法 | |
| CN111862165A (zh) | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 | |
| CN110113560A (zh) | 视频智能联动的方法及服务器 | |
| CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
| CN103077537A (zh) | 基于l1正则化的实时运动目标跟踪的新方法 | |
| CN107808393A (zh) | 智能视频监控领域中具有抗干扰性的目标跟踪方法 | |
| CN114445404A (zh) | 基于亚像素边缘检测的结构振动响应自动识别方法及系统 | |
| CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
| CN102830391B (zh) | 一种红外搜索与跟踪系统准确性指标计算方法 | |
| CN105405152A (zh) | 基于结构化支持向量机的自适应尺度目标跟踪方法 | |
| CN111383273A (zh) | 一种基于改进结构推理网络的高铁接触网零部件定位方法 | |
| CN109544584B (zh) | 一种实现巡检稳像精度测量的方法及系统 | |
| Antsfeld et al. | Deep smartphone sensors-WiFi fusion for indoor positioning and tracking | |
| CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 |
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 |