CN108229412A - 目标遮挡判断方法 - Google Patents

目标遮挡判断方法 Download PDF

Info

Publication number
CN108229412A
CN108229412A CN201810039133.8A CN201810039133A CN108229412A CN 108229412 A CN108229412 A CN 108229412A CN 201810039133 A CN201810039133 A CN 201810039133A CN 108229412 A CN108229412 A CN 108229412A
Authority
CN
China
Prior art keywords
target
kalman filter
mean shift
estimated
residual error
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.)
Pending
Application number
CN201810039133.8A
Other languages
English (en)
Inventor
徐振辉
毛保全
郑博文
吴东亚
白向华
杨雨迎
韩小平
冯帅
李程
张天意
辛学敏
王之千
李俊
朱锐
李晓刚
兰图
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.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
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 Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN201810039133.8A priority Critical patent/CN108229412A/zh
Publication of CN108229412A publication Critical patent/CN108229412A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明涉及一种目标遮挡判断方法，涉及图像处理技术领域。本发明结合Kalman滤波预测和Mean Shift跟踪方法设计了一种目标预测跟踪方法，引入Kalman滤波对目标运动轨迹进行预测跟踪，提高了跟踪的实时性，提高了系统的抗干扰能力，能够预测导弹弹标和目标的位置。

Description

目标遮挡判断方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种目标遮挡判断方法。
背景技术
针对Mean Shift算法跟踪导弹弹标和坦克目标时，由于导弹弹标运动速度快，或在跟踪过程中可能出现的短时丢失或遮挡问题，因此需要引入预测跟踪技术。如何设计一种目标遮挡判断方法，以实现弹炮遥控武器站集成设计中，导弹弹标和坦克目标的自适应预测跟踪，成为了亟待解决的技术问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何设计一种目标遮挡判断方法，以便实现弹炮遥控武器站集成设计中，导弹弹标和坦克目标的自适应预测跟踪。
(二)技术方案
为了解决上述技术问题，本发明提供了一种目标预测跟踪方法，包括以下步骤：
步骤一、对输入视频图像中导弹弹标和目标位置进行检测和分割，得到弹标和目标的质心位置坐标和轮廓区域；
步骤二、利用步骤一得到的初始信息设置Mean Shift算法的模板位置和跟踪窗口大小，并设置正常跟踪，在正常跟踪时，根据上一帧图像中目标的位置，利用Kalman滤波预测当前帧图像中目标的位置，根据预测值对目标的大致运动区域进行估计；然后利用MeanShift算法在估计区域内搜索与目标模板最相似的目标；利用Mean Shift算法进行跟踪时，同时利用遮挡判断策略判断是否出现预设的大面积遮挡，没有遮挡则正常跟踪；如果发生遮挡，则将Kalman滤波输出的预测位置作为真实位置进行多步预测，如果弹标丢失帧数大于设定值N，则重新检测。
优选地，步骤二中使用的所述遮挡判断策略为迭代次数判定法：
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置，得到估计位置，在估计位置处设置跟踪窗口，在跟踪窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置，，根据Mean Shift算法的迭代次数判断目标是否发生遮挡或丢失，对算法的迭代次数进行限制，如果在限制次数内找到目标，则没有丢失，直接给出位置；如果在限制次数内没有找到目标，则发生遮挡或丢失，扩大窗口宽度重新寻找。
优选地，步骤二中使用的所述遮挡判断策略为相似度判定法：
对于第k帧图像，给定阈值Th，如果Bhattacharyya系数ρ(yk)≥Th，则没有遮挡，正常跟踪；反之如果ρ(yk)<Th，则表示发生遮挡。
优选地，步骤二中使用的所述遮挡判断策略为残差判定法：
在当前帧中，根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
优选地，步骤二中使用残差判定法时，定义残差：
其中为Kalman滤波器关于目标位置的估计值，x(k)、y(k)为MeanShift算法得到的目标位置。
(三)有益效果
本发明对于目标预测跟踪中可能出现的遮挡问题及遮挡判断的三个阶段进行了研究，并针对如何判定目标是否受到遮挡，以及通过对Kalman滤波算法和Mean Shift跟踪算法的研究，提出了三种判断策略，以便于实现弹炮遥控武器站集成设计中，导弹弹标和坦克目标的自适应预测跟踪。
附图说明
图1是本发明的基于迭代次数判定法的预测跟踪流程图；
图2是本发明的基于相似度判定法的预测跟踪流程图；
图3是本发明的基于残差判定法的预测跟踪流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明弹炮遥控武器站集成设计中，采用目标预测跟踪时可能出现的遮挡问题进行了深入研究，以便实现导弹弹标和坦克目标的自适应预测跟踪。
在预测跟踪流程中，对于遮挡的判断是整个预测跟踪流程中的重要环节之一。跟踪系统在发现目标发生遮挡或丢失后即可采取相应的策略，使改进后的预测跟踪算法具有对目标后继状态进行预测估计的能力，直到目标脱离遮挡。
对于遮挡判断主要有三个阶段：
1)正常跟踪和边缘局部遮挡。此时由于Mean Shift算法采用核函数加权的密度函数使其对边缘遮挡不敏感。
2)完全遮挡或丢失。此时Mean Shift算法无能为力，必须引入预测跟踪。
3)遮挡结束，重新捕获目标。
本发明针对如何判定目标是否受到遮挡，通过对Kalman滤波算法和Mean Shift跟踪算法的研究，提出了三种判断策略，实现目标预测跟踪时可以采用其中之一。
第一种：迭代次数判定法
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置，得到估计位置，在估计位置处设置跟踪窗口。在窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置。Mean Shift算法是一种非参数密度估计的算法，可以通过迭代快速收敛于概率密度函数的局部最大值，一般迭代3-4次就能够找到目标。根据Mean Shift算法的迭代次数可以判断目标是否发生遮挡或丢失。对算法的迭代次数进行限制，如果在限制次数内找到目标，则没有丢失，直接给出其精确位置；如果在限制次数内没有找到目标，则发生遮挡或丢失，扩大窗口宽度重新寻找。基于迭代次数判定法的预测跟踪流程如图1所示。
第二种：相似度判定法
Mean Shift跟踪算法的目标是在当前帧中求取相似度ρ(y)最大时的位置y值，由于Bhattacharyya系数表征了当前核窗口区域核直方图与目标核直方图的相似度，当目标被其它物体遮挡时，当前核窗口区域的Bhattacharyya系数将减小。由此提出目标的遮挡判断准则。即对于第k帧图像，给定阈值Th，如果Bhattacharyya系数ρ(yk)≥Th，则没有遮挡，正常跟踪；反之如果ρ(yk)<Th，则表示发生遮挡。基于相似度判定法的预测跟踪流程如图2所示。
第三种：残差判定法
在当前帧中，根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
定义残差：
其中为Kalman滤波器关于目标位置的估计值，x(k)、y(k)为MeanShift算法得到的目标位置。基于残差判定法的预测跟踪流程如图3所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种目标遮挡判断方法，其特征在于，包括以下步骤：
在进行图像中目标跟踪时，按照如下三种策略之一判断目标是否被遮挡：
第一种迭代次数判定法：
在当前帧图像中运用Kalman滤波算法预估其在下一帧的位置，得到估计位置，在估计位置处设置跟踪窗口，在跟踪窗口内用Mean Shift算法搜索与导弹弹标模板最相似的位置作为导弹弹标的精确位置，，根据Mean Shift算法的迭代次数判断目标是否发生遮挡或丢失，对算法的迭代次数进行限制，如果在限制次数内找到目标，则没有丢失，直接给出位置；如果在限制次数内没有找到目标，则发生遮挡或丢失，扩大窗口宽度重新寻找；
第二种是相似度判定法：
对于第k帧图像，给定阈值Th，如果Bhattacharyya系数ρ(yk)≥Th，则没有遮挡，正常跟踪；反之如果ρ(yk)<Th，则表示发生遮挡；
第三种是残差判定法：
在当前帧中，根据Kalman滤波器关于目标位置的估计值与由Mean Shift算法得到的Kalman滤波器的测量值之间残差的大小来判断是否出现了大比例的遮挡。
2.如权利要求1所述的方法，其特征在于，其特征在于，使用残差判定法时，定义残差：
其中为Kalman滤波器关于目标位置的估计值，x(k)、y(k)为Mean Shift算法得到的目标位置。
CN201810039133.8A 2018-01-16 2018-01-16 目标遮挡判断方法 Pending CN108229412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810039133.8A CN108229412A (zh) 2018-01-16 2018-01-16 目标遮挡判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810039133.8A CN108229412A (zh) 2018-01-16 2018-01-16 目标遮挡判断方法

Publications (1)

Publication Number Publication Date
CN108229412A true CN108229412A (zh) 2018-06-29

Family

ID=62641888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810039133.8A Pending CN108229412A (zh) 2018-01-16 2018-01-16 目标遮挡判断方法

Country Status (1)

Country Link
CN (1) CN108229412A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910416A (zh) * 2019-11-20 2020-03-24 河北科技大学 运动障碍物跟踪方法、装置及终端设备
CN112016568A (zh) * 2019-05-31 2020-12-01 北京初速度科技有限公司 一种目标对象的图像特征点的跟踪方法及装置
WO2020248957A1 (zh) * 2019-06-10 2020-12-17 中南民族大学 遮挡的目标物体的检测方法、系统、设备及存储介质
CN112967399A (zh) * 2021-03-31 2021-06-15 东莞中国科学院云计算产业技术创新与育成中心 三维时序图像生成方法、装置、计算机设备和存储介质
CN112967388A (zh) * 2021-03-31 2021-06-15 东莞中国科学院云计算产业技术创新与育成中心 三维时序图像神经网络模型的训练方法和装置
CN115994929A (zh) * 2023-03-24 2023-04-21 中国兵器科学研究院 一种融合空间运动和表观特征学习的多目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XU ZHEN-HUI等: "Study of Missile Radiator Predicting and Tracking Technology on the basis of Kalman Filter and Mean-shift Algorithm", 《ADVANCED MATERIALS RESEARCH》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016568A (zh) * 2019-05-31 2020-12-01 北京初速度科技有限公司 一种目标对象的图像特征点的跟踪方法及装置
WO2020248957A1 (zh) * 2019-06-10 2020-12-17 中南民族大学 遮挡的目标物体的检测方法、系统、设备及存储介质
CN110910416A (zh) * 2019-11-20 2020-03-24 河北科技大学 运动障碍物跟踪方法、装置及终端设备
CN112967399A (zh) * 2021-03-31 2021-06-15 东莞中国科学院云计算产业技术创新与育成中心 三维时序图像生成方法、装置、计算机设备和存储介质
CN112967388A (zh) * 2021-03-31 2021-06-15 东莞中国科学院云计算产业技术创新与育成中心 三维时序图像神经网络模型的训练方法和装置
CN115994929A (zh) * 2023-03-24 2023-04-21 中国兵器科学研究院 一种融合空间运动和表观特征学习的多目标跟踪方法

Similar Documents

Publication Publication Date Title
CN108229412A (zh) 目标遮挡判断方法
CN109946671B (zh) 一种基于双门限判决的水下机动弱目标检测跟踪方法
CN101567087B (zh) 复杂天空背景下红外序列图像弱小目标检测与跟踪方法
CN107818573B (zh) 一种目标跟踪方法及装置
CN104091349B (zh) 基于支持向量机的鲁棒目标跟踪方法
CN108154524A (zh) 目标预测跟踪方法
CN111461011B (zh) 基于概率化管道滤波的弱小目标检测方法
JP7120004B2 (ja) オブジェクト追跡装置、オブジェクト追跡方法およびオブジェクト追跡プログラム
CN109993769A (zh) 一种深度学习ssd算法结合kcf算法的多目标跟踪系统
CN111322993A (zh) 一种视觉定位方法和装置
CN111428573B (zh) 一种复杂背景下的红外弱小目标检测虚警抑制方法
CN108010066B (zh) 基于红外目标灰度互相关和角度信息的多假设跟踪方法
CN113989333A (zh) 一种基于人脸和头肩信息的行人跟踪的方法
Azari et al. Real time multiple object tracking and occlusion reasoning using adaptive kalman filters
CN117611637A (zh) 一种基于改进的d-iou匹配的海面多目标多类别跟踪方法
CN109087332B (zh) 一种基于分块相关的遮挡检测方法
CN112614154B (zh) 目标跟踪轨迹的获取方法、装置及计算机设备
KR20110113948A (ko) 객체집합 갱신을 이용한 평균이동 알고리즘기반의 객체 추적방법
CN116993776B (zh) 一种人员轨迹追踪方法
JP3505872B2 (ja) 画像内動体追尾装置
CN107422311A (zh) 一种基于α‑β滤波的抗距离拖引方法
CN114325686B (zh) 基于smc-phd滤波器的多目标跟踪方法
CN113721237A (zh) 一种多隶属度的目标智能匹配算法
CN110992403A (zh) 一种实时水面船只视觉跟踪系统及其方法
Bai et al. Infrared small target detection and tracking under the conditions of dim target intensity and clutter background

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication