CN108230371A - 基于云台的跟踪目标速度预测方法及存储介质 - Google Patents

基于云台的跟踪目标速度预测方法及存储介质 Download PDF

Info

Publication number
CN108230371A
CN108230371A CN201711486368.3A CN201711486368A CN108230371A CN 108230371 A CN108230371 A CN 108230371A CN 201711486368 A CN201711486368 A CN 201711486368A CN 108230371 A CN108230371 A CN 108230371A
Authority
CN
China
Prior art keywords
coordinate
data
history
queue
coordinate data
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
CN201711486368.3A
Other languages
English (en)
Other versions
CN108230371B (zh
Inventor
潘锟
沈俊雄
张永光
汤伟宾
周成祖
吴鸿伟
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.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
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 Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN201711486368.3A priority Critical patent/CN108230371B/zh
Publication of CN108230371A publication Critical patent/CN108230371A/zh
Application granted granted Critical
Publication of CN108230371B publication Critical patent/CN108230371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于云台的跟踪目标速度预测方法及存储介质，方法包括：获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。本发明通过获取连续的且速度方向一致的坐标数据，并进行卡尔曼滤波，可保证预测结果的准确性，从而可保证较好的跟踪效果。

Description

基于云台的跟踪目标速度预测方法及存储介质
技术领域
本发明涉及视频目标跟踪技术领域，尤其涉及一种基于云台的跟踪目标速度预测方法及存储介质。
背景技术
随着计算机技术的飞速发展，计算机视觉的研究也越来越热，而视频目标跟踪技术是计算机视觉的重要研究内容之一，它将图像处理、模式识别、自动控制、人工智能等许多计算机领域的技术结合在一起。视频跟踪业务在军用、民用等领域的需求日益增长，尤其在智能监控、医疗诊断、交通管制、机器智能方面有广泛的应用。但视频目标跟踪中，面临背景复杂、实时性要求高的问题。为了获取较好的跟踪效果，需要对运动物体的移动速度进行预测。
基于云台的无人机跟踪通过对识别的无人机在画面中的坐标值进行速度预测，但是其坐标值受环境因素影响较大，且同时云台的转动、缩放都会造成坐标的有较大的波动性，因此无人机的坐标值的波动性使得使用前，必须进行滤波等预处理，使其不会有突变的情况发生，导致预测速度效果不佳。
常见的滤波算法有均值滤波、递推平均滤波、传统卡尔曼滤波、扩展卡尔曼滤波。均值滤波方法简单，且容易实现，但需要大量的样本库，当无人机速度变化较大时，无法获得平滑的输出结果。递推平均滤波对于周期性干扰具有较好的抑制作用，对于偶然的脉冲干扰则表现不佳。传统的卡尔曼滤波是以线性差分方程为基础，仅适用于线性方程。对于非线性的情况需要用到扩展的卡尔曼滤波，但是这种每次采样时刻对估计状态矢量线性化的滤波会导致协方差矩阵产生畸变，容易使系统误差发生发散，尤其在云台跟踪过程，系统误差本身较大，因此需要减少历史数据对预测值的影响来抑制系统误差。
发明内容
本发明所要解决的技术问题是：提供一种基于云台的跟踪目标速度预测方法及存储介质，可得到较为准确的速度预测值。
为了解决上述技术问题，本发明采用的技术方案为：一种基于云台的跟踪目标速度预测方法，包括：
获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；
对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的步骤。
本发明的有益效果在于：通过获取连续的且速度方向一致的坐标数据，保证速度预测的准确性，从而保证较好的跟踪效果；通过对历史坐标队列中的坐标数据进行卡尔曼滤波，可降低由于云台的转动、缩放所造成的坐标数据的波动性，进一步地保证速度预测的准确性。本发明不仅适用于对慢速移动的目标进行速度预测，还适用于对高速移动的目标进行速度预测，通用性强，且保证预测结果的准确性。
附图说明
图1为本发明实施例一的一种基于云台的跟踪目标速度预测方法的流程图；
图2为本发明实施例二的方法流程图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
本发明最关键的构思在于：先根据数据的连续性和速度方向对坐标数据进行预处理，再用改进的卡尔曼滤波进行滤波，从而克服云台自身的误差，得到较为理想的速度预测值。
请参阅图1，一种基于云台的跟踪目标速度预测方法，包括：
获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；
对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
从上述描述可知，本发明的有益效果在于：通过获取连续的且速度方向一致的坐标数据，保证速度预测的准确性，从而保证较好的跟踪效果；通过对历史坐标队列中的坐标数据进行卡尔曼滤波，可降低由于云台的转动、缩放所造成的坐标数据的波动性，进一步地保证速度预测的准确性。
进一步地，所述“获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值”具体为：
依次获取跟踪目标在云台画面中的坐标数据，所述坐标数据包括坐标值和时刻值；
若当前坐标数据与历史坐标队列中的坐标数据连续，且当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致，则将所述当前坐标数据加入至所述历史坐标队列。
由上述描述可知，可实时对跟踪目标的速度进行预测。
进一步地，还包括：
若当前坐标数据与历史坐标队列中的坐标数据不连续，则清空所述历史坐标队列，并将当前坐标数据加入至历史坐标队列。
进一步地，当前坐标数据与历史坐标队列中的坐标数据是否连续的判断方法为：
判断当前坐标数据的时刻值与历史坐标队列中的最后一个坐标数据的时刻值相差是否小于或等于预设的时间阈值；
若是，则判定当前坐标数据与历史坐标队列中的坐标数据连续；
若否，则判定当前坐标数据与历史坐标队列中的坐标数据不连续。
由上述描述可知，只获取连续的坐标数据用于后续的分析，有效避免由于跟踪目标跑出视频画面、云台故障等意外情况使坐标数据不连续从而造成预测结果不准确的问题。
进一步地，还包括：
若当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致，则记录所述当前坐标数据；
若所记录的坐标数据的个数超过预设的第一阈值，则清空历史坐标队列，并将所记录的坐标数据转移至历史坐标队列。
由上述描述可知，当速度方向不一致时，需将当前坐标数据记录起来，当连续有多个坐标数据被记录起来，则认为跟踪目标的运动方向发生了改变，此时需根据运动方向改变后的坐标数据进行速度预测。
进一步地，当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向是否一致的判断方法为：
对历史坐标队列中的坐标数据进行线性拟合，得到第一速度；
对历史坐标队列中的坐标数据和所述当前坐标数据进行线性拟合，得到第二速度；
判断所述第二速度与第一速度的比值是否大于零；
若是，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致；
若否，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致。
进一步地，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”之前，进一步包括：
若所述历史坐标队列中的坐标数据的个数超过预设的第二阈值，则删除时刻值最早的坐标数据。
由上述描述可知，可通过减少历史数据对预测值的影响来抑制系统误差。
进一步地，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”具体为：
根据卡尔曼滤波方程对所述历史坐标队列中的历史坐标数据的坐标值进行卡尔曼滤波，所述卡尔曼滤波方程包括第一公式、第二公式、第三公式、第四公式和第五公式；
所述第一公式为X(k│k-1)＝AX(k-1│k-1)+BU(k)；
所述第二公式为P(k│k-1)＝fAP(k-1│k-1)A'+Q，f为预设的控制因子；
所述第三公式为X(k│k)＝X(k│k-1)+Kg(k)(Z(k)-HX(k│k-1))；
所述第四公式为Kg(k)＝P(k│k-1)H'/(HP(k│k-1)H'+R)；
所述第五公式为P(k│k)＝(I-Kg(k)H)P(k│k-1)。
由上述描述可知，通过设置第二公式中的控制因子，加大当前值的权重，减少历史数据对预测值的影响来抑制系统误差。
进一步地，所述“对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度”具体为：
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到直线方程；
对所述直线方程进行求导，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的步骤。
实施例一
请参照图1，本发明的实施例一为：一种基于云台的跟踪目标速度预测方法，可运用于对无人机的速度预测，包括如下步骤：
S1：获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；具体地，依次获取跟踪目标在云台画面中的坐标数据，即对云台所拍摄的视频中有跟踪目标的视频帧进行实时分析，获取跟踪目标在该帧中的坐标值，并将获取得到该坐标值的时间点作为时刻值，若对当前视频帧分析得到的当前坐标数据与历史坐标队列中的坐标数据连续，且当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致，则将所述当前坐标数据加入至所述历史坐标队列。
进一步地，一旦当前坐标数据与历史坐标队列中的坐标数据不连续，则需清空之前的历史坐标队列，然后将当前坐标数据加入至历史坐标队列，然后获取下一个坐标数据，即需重新确定历史坐标队列中的坐标数据。
进一步地，若当前坐标数据与历史坐标队列中的坐标数据的速度方向不一致，则不将当前坐标数据加入历史坐标队列，而是将当前坐标数据记录下来，然后获取下一个坐标数据；当有连续的多个坐标数据被记录下来，则认为跟踪目标的运动方向发生了改变，需清空之前的历史坐标队列，然后将所记录的坐标数据加入至历史坐标队列。
S2：对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；具体地，根据改进的卡尔曼滤波方程对所述历史坐标队列中的历史坐标数据的坐标值进行卡尔曼滤波，所述改进的卡尔曼滤波方程包括第一公式、第二公式、第三公式、第四公式和第五公式；
所述第一公式为X(k│k-1)＝AX(k-1│k-1)+BU(k)；
所述第二公式为P(k│k-1)＝fAP(k-1│k-1)A'+Q；
所述第三公式为X(k│k)＝X(k│k-1)+Kg(k)(Z(k)-HX(k│k-1))；
所述第四公式为Kg(k)＝P(k│k-1)H'/(HP(k│k-1)H'+R)；
所述第五公式为P(k│k)＝(I-Kg(k)H)P(k│k-1)；
其中，X(k|k-1)为基于上一状态预测的当前状态的结果，X(k-1|k-1)是上一状态的最优结果，U(k)为状态的控制量，P(k|k-1)为X(k|k-1)对应的协方差，P(k-1|k-1)为X(k-1|k-1)对应的协方差，Z(k)为当前的输入(即历史坐标队列中的坐标数据的坐标值)，Kg(k)为卡尔曼增益，Q为系统误差，R为测量方差，A、B、I、H、A’、H’为常量，且A’为A的转置，H’为H的转置，f为预设的控制因子。
当f＞1时，Kg(k)将增大，因此提高了输入值的权重，抑制了系统误差的发散。f值越大，抑制效果越明显。f取值需要根据实际情况进行，不宜过大，否则将导致滤波效果不佳。本实施例中，f＝1.125，I＝A＝A’＝H＝H’＝1，U(k)＝0，X(0)＝0，Q＝0.022，R＝0.617。
由于云台的转动以及图像传输的延迟，使得系统误差发散，历史数据的权重过大将导致新的数据对系统的修正，因此需要加大当前值的权重，即增加第二公式中的系数f。
S3：对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。具体地，对卡尔曼滤波后的坐标数据的坐标值通过最小二乘法进行线性拟合，对得到直线方程进行求导，将求导值(也即直线方程的斜率)作为跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
进一步地，在步骤S2之前，若历史坐标队列中的坐标数据的个数超过预设的第二阈值，则删除时刻值最早的坐标数据。即保持历史坐标队列中至多只保存最新的第二阈值个数的坐标数据。
本实施例通过选取连续的且速度方向一致的坐标数据来用于速度的预测，并通过改进的卡尔曼滤波算法进行滤波，可较好地克服云台自身的误差，得到较为理想的速度预测值。
实施例二
请参照图2，本实施例是实施例一的具体实施方式，包括如下步骤：
S101：获取跟踪目标在云台画面中的第一个坐标数据，并将所述第一个坐标数据加入至历史坐标队列，所述坐标数据包括坐标值和时刻值，例如，可以表示为(xi，yi，ti)；
S102：令n＝2；
S103：获取跟踪目标在云台画面中的第n个坐标数据(xn，yn，tn)；
S104：判断所述第n个坐标数据的时刻值与历史坐标队列中的最后一个坐标数据的时刻值是否相差超过预设的时间阈值，例如，假设此时历史坐标队列中的最后一个坐标数据为(xk，yk，tk)，则判断tn-tk＞Δt是否成立，若是，则认为第n个坐标数据与历史坐标队列中的坐标数据不连续，执行步骤S105，若否，则认为第n个坐标数据与历史坐标队列中的坐标数据连续，执行步骤S106。时间阈值不宜过大，过大将导致跟踪目标的不连续性。优选地，所述时间阈值Δt＝1s。
S105：清空所述历史坐标队列，并将所述第n个坐标数据加入至历史坐标队列；执行步骤S108。
S106：判断历史坐标队列中的坐标数据的个数是否超过预设的第三阈值，若是，则执行步骤S109，若否，则执行步骤S107。优选地，所述第三阈值为2。
S107：将所述第n个坐标数据加入至所述历史坐标队列。
S108：令n＝n+1，继续执行步骤S103。
S109：对所述历史坐标队列中的坐标数据进行线性拟合，得到第一速度；即将线性拟合后的直线方程的斜率作为第一速度。进一步地，可先建立一个直角坐标系，该坐标系的横坐标为时间，纵坐标为距离，然后将历史坐标队列中的坐标数据映射到该坐标系中，坐标数据中的时刻值对应横坐标的时间，对于纵坐标的距离，可通过获取跟踪目标在云台画面中的坐标值与云台画面中固定一点(例如云台画面左下角的那一点)所形成的向量的X分量或Y分量的值来进行映射，或者直接根据坐标值中的X值或Y值来进行映射；然后在该坐标系中进行线性拟合，得到第一速度。
S110：对历史坐标队列中的坐标数据和所述第n个坐标数据进行线性拟合，得到第二速度，即根据历史坐标队列中的坐标数据和所述第n个坐标数据，得到第一坐标队列，并对所述第一坐标队列中的坐标数据进行线性拟合，得到第二速度；同步骤S109，也可先将这些坐标数据映射到上述直角坐标系后再进行线性拟合，拟合得到的直线的斜率即为第二速度。
S111：根据所述第一速度和第二速度，判断第n个坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向是否一致，即判断第二速度与第一速度的比值是否大于零，若是，则执行步骤S112，若否，则执行步骤S117。
本实施例的速度方向判断方法在某些情况下，在速度方向刚改变之后的几个坐标数据可能会被判定为与历史坐标队列中的坐标数据的运动方向相同，但这些误差是在可接受的范围内，在整体上，本实施例仍可以提高速度预测的准确性。
S112：将所述第n个坐标数据加入至所述历史坐标队列；
S113：判断历史坐标队列中的坐标数据的个数是否超过预设的第二阈值，若是，则执行步骤S114，若否，则直接执行步骤S115。优选地，所述第二阈值为10。
S114：删除历史坐标队列中时刻值最早的坐标数据。也就是说，历史坐标队列中最多包含10个坐标数据；执行步骤S115。
S115：对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；该步骤同实施例一中的步骤S2，此处不再累述。
S116：对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度；继续执行步骤S108。例如，假设此时历史坐标队列中的最后一个坐标数据为(xi，yi，ti)，则将线性拟合所得到的直线方程的斜率作为跟踪目标在ti时刻的速度。
S117：将所述第n个坐标数据加入至第二坐标队列；
S118：判断所述第二坐标队列中坐标数据的个数是否达到预设的第一阈值，若是，则执行步骤S119，若否，则执行步骤S108。优选地，所述第一阈值为5。
S119：清空所述历史坐标队列，并将第二坐标队列中的坐标数据转移至历史坐标队列中，即将第二坐标队列中的坐标数据加入至历史坐标队列后，清空第二坐标队列；执行步骤S114。本实施例中，由于第一阈值小于第二阈值，且大于第三阈值，因此可直接执行步骤S115，无需再经过步骤S113和步骤S106的判断。
对于步骤S106，由于至少要两个坐标数据才能进行后续的线性拟合的步骤，因此需要先进行该步骤的判断。若此时的历史坐标队列中只有一个坐标数据，则可直接将当前的坐标数据加入至历史坐标队列，此时历史坐标队列中就有两个坐标数据，但先不对这两个坐标数据的坐标值进行卡尔曼滤波，而是继续获取跟踪目标在云台画面中的下一个坐标数据，继续进行连续性和速度方向的判断，也就是说，本实施例中进行卡尔曼滤波的历史坐标队列中的坐标数据个数为3-10个。
对于步骤S117-S119，若连续有多个点与历史坐标队列中的坐标数据的速度相反，则认为跟踪目标的运动方向发生了改变，则需清空历史坐标队列，并将记录的多个点的坐标数据加入到历史坐标队列中，计算运动方向改变后跟踪目标的速度。
随着物体识别跟踪领域受关注度越来越高，对物体的跟踪效果将影响到用户体验，本实施例在基于视觉的运动物体跟踪领域有较大的应用价值，可得到较为准确的速度预测值，保证跟踪效果，从而提高用户体验。
实施例三
本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；
对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
进一步地，所述“获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值”具体为：
依次获取跟踪目标在云台画面中的坐标数据，所述坐标数据包括坐标值和时刻值；
若当前坐标数据与历史坐标队列中的坐标数据连续，且当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致，则将所述当前坐标数据加入至所述历史坐标队列。
进一步地，还包括：
若当前坐标数据与历史坐标队列中的坐标数据不连续，则清空所述历史坐标队列，并将当前坐标数据加入至历史坐标队列。
进一步地，当前坐标数据与历史坐标队列中的坐标数据是否连续的判断方法为：
判断当前坐标数据的时刻值与历史坐标队列中的最后一个坐标数据的时刻值相差是否小于或等于预设的时间阈值；
若是，则判定当前坐标数据与历史坐标队列中的坐标数据连续；
若否，则判定当前坐标数据与历史坐标队列中的坐标数据不连续。
进一步地，还包括：
若当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致，则记录所述当前坐标数据；
若所记录的坐标数据的个数超过预设的第一阈值，则清空历史坐标队列，并将所记录的坐标数据转移至历史坐标队列。
进一步地，当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向是否一致的判断方法为：
对历史坐标队列中的坐标数据进行线性拟合，得到第一速度；
对历史坐标队列中的坐标数据和所述当前坐标数据进行线性拟合，得到第二速度；
判断所述第二速度与第一速度的比值是否大于零；
若是，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致；
若否，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致。
进一步地，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”之前，进一步包括：
若所述历史坐标队列中的坐标数据的个数超过预设的第二阈值，则删除时刻值最早的坐标数据。
进一步地，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”具体为：
根据卡尔曼滤波方程对所述历史坐标队列中的历史坐标数据的坐标值进行卡尔曼滤波，所述卡尔曼滤波方程包括第一公式、第二公式、第三公式、第四公式和第五公式；
所述第一公式为X(k│k-1)＝AX(k-1│k-1)+BU(k)；
所述第二公式为P(k│k-1)＝fAP(k-1│k-1)A'+Q，f为预设的控制因子；
所述第三公式为X(k│k)＝X(k│k-1)+Kg(k)(Z(k)-HX(k│k-1))；
所述第四公式为Kg(k)＝P(k│k-1)H'/(HP(k│k-1)H'+R)；
所述第五公式为P(k│k)＝(I-Kg(k)H)P(k│k-1)。
进一步地，所述“对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度”具体为：
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到直线方程；
对所述直线方程进行求导，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
综上所述，本发明提供的一种基于云台的跟踪目标速度预测方法及存储介质，通过获取连续的且速度方向一致的坐标数据，保证速度预测的准确性，从而保证较好的跟踪效果；通过对历史坐标队列中的坐标数据进行卡尔曼滤波，可降低由于云台的转动、缩放所造成的坐标数据的波动性，进一步地保证速度预测的准确性；通过对卡尔曼滤波算法进行改进，可较好地克服云台自身的误差，得到较为理想的速度预测值。本发明不仅适用于对慢速移动的目标进行速度预测，还适用于对高速移动的目标进行速度预测，通用性强，且保证预测结果的准确性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于云台的跟踪目标速度预测方法，其特征在于，包括：
获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值；
对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波；
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
2.根据权利要求1所述的基于云台的跟踪目标速度预测方法，其特征在于，所述“获取连续的且速度方向一致的坐标数据，得到历史坐标队列，所述坐标数据包括坐标值和时刻值”具体为：
依次获取跟踪目标在云台画面中的坐标数据，所述坐标数据包括坐标值和时刻值；
若当前坐标数据与历史坐标队列中的坐标数据连续，且当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致，则将所述当前坐标数据加入至所述历史坐标队列。
3.根据权利要求2所述的基于云台的跟踪目标速度预测方法，其特征在于，还包括：
若当前坐标数据与历史坐标队列中的坐标数据不连续，则清空所述历史坐标队列，并将当前坐标数据加入至历史坐标队列。
4.根据权利要求2或3所述的基于云台的跟踪目标速度预测方法，其特征在于，当前坐标数据与历史坐标队列中的坐标数据是否连续的判断方法为：
判断当前坐标数据的时刻值与历史坐标队列中的最后一个坐标数据的时刻值相差是否小于或等于预设的时间阈值；
若是，则判定当前坐标数据与历史坐标队列中的坐标数据连续；
若否，则判定当前坐标数据与历史坐标队列中的坐标数据不连续。
5.根据权利要求2所述的基于云台的跟踪目标速度预测方法，其特征在于，还包括：
若当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致，则记录所述当前坐标数据；
若所记录的坐标数据的个数超过预设的第一阈值，则清空历史坐标队列，并将所记录的坐标数据转移至历史坐标队列。
6.根据权利要求2或5所述的基于云台的跟踪目标速度预测方法，其特征在于，当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向是否一致的判断方法为：
对历史坐标队列中的坐标数据进行线性拟合，得到第一速度；
对历史坐标队列中的坐标数据和所述当前坐标数据进行线性拟合，得到第二速度；
判断所述第二速度与第一速度的比值是否大于零；
若是，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向一致；
若否，则判定所述当前坐标数据的速度方向与历史坐标队列中的坐标数据的速度方向不一致。
7.根据权利要求1所述的基于云台的跟踪目标速度预测方法，其特征在于，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”之前，进一步包括：
若所述历史坐标队列中的坐标数据的个数超过预设的第二阈值，则删除时刻值最早的坐标数据。
8.根据权利要求1所述的基于云台的跟踪目标速度预测方法，其特征在于，所述“对所述历史坐标队列中的坐标数据的坐标值进行卡尔曼滤波”具体为：
根据卡尔曼滤波方程对所述历史坐标队列中的历史坐标数据的坐标值进行卡尔曼滤波，所述卡尔曼滤波方程包括第一公式、第二公式、第三公式、第四公式和第五公式；
所述第一公式为X(k│k-1)＝AX(k-1│k-1)+BU(k)；
所述第二公式为P(k│k-1)＝fAP(k-1│k-1)A'+Q，f为预设的控制因子；
所述第三公式为X(k│k)＝X(k│k-1)+Kg(k)(Z(k)-HX(k│k-1))；
所述第四公式为Kg(k)＝P(k│k-1)H'/(HP(k│k-1)H'+R)；
所述第五公式为P(k│k)＝(I-Kg(k)H)P(k│k-1)。
9.根据权利要求1所述的基于云台的跟踪目标速度预测方法，其特征在于，所述“对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度”具体为：
对卡尔曼滤波后的坐标数据的坐标值进行线性拟合，得到直线方程；
对所述直线方程进行求导，得到跟踪目标在所述历史坐标队列的最后一个坐标数据的时刻值时的速度。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9任一项所述的步骤。
CN201711486368.3A 2017-12-29 2017-12-29 基于云台的跟踪目标速度预测方法及存储介质 Active CN108230371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711486368.3A CN108230371B (zh) 2017-12-29 2017-12-29 基于云台的跟踪目标速度预测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711486368.3A CN108230371B (zh) 2017-12-29 2017-12-29 基于云台的跟踪目标速度预测方法及存储介质

Publications (2)

Publication Number Publication Date
CN108230371A true CN108230371A (zh) 2018-06-29
CN108230371B CN108230371B (zh) 2020-08-18

Family

ID=62647375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711486368.3A Active CN108230371B (zh) 2017-12-29 2017-12-29 基于云台的跟踪目标速度预测方法及存储介质

Country Status (1)

Country Link
CN (1) CN108230371B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110927757A (zh) * 2019-12-26 2020-03-27 广东星舆科技有限公司 卫星观测数据的质控方法、装置及定位装置
CN111145569A (zh) * 2019-11-22 2020-05-12 京东数字科技控股有限公司 一种道路监测、车辆行驶控制方法、装置及车路协同系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101173987A (zh) * 2007-10-31 2008-05-07 北京航空航天大学 多模多目标精密跟踪装置和方法
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
CN101706576A (zh) * 2009-11-13 2010-05-12 山东大学 基于雷达图像的运动目标形态检测及跟踪方法
CN102043964A (zh) * 2010-12-30 2011-05-04 复旦大学 基于云台摄像头的飞行器起降跟踪算法及跟踪系统
CN102323619A (zh) * 2011-05-25 2012-01-18 中国石油集团川庆钻探工程有限公司 基于多核处理器的线性去噪的方法
CN103246203A (zh) * 2013-04-23 2013-08-14 东南大学 一种基于gps的微小型四旋翼无人机速度状态预测方法
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
US20140277815A1 (en) * 2013-03-14 2014-09-18 Arizona Board Of Regents For And On Behalf Of Arizona State University Processor control system
CN105136145A (zh) * 2015-08-11 2015-12-09 哈尔滨工业大学 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法
US20170323564A1 (en) * 2016-05-09 2017-11-09 Robert Gordon Prediction for lane guidance assist

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101173987A (zh) * 2007-10-31 2008-05-07 北京航空航天大学 多模多目标精密跟踪装置和方法
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
CN101706576A (zh) * 2009-11-13 2010-05-12 山东大学 基于雷达图像的运动目标形态检测及跟踪方法
CN102043964A (zh) * 2010-12-30 2011-05-04 复旦大学 基于云台摄像头的飞行器起降跟踪算法及跟踪系统
CN102323619A (zh) * 2011-05-25 2012-01-18 中国石油集团川庆钻探工程有限公司 基于多核处理器的线性去噪的方法
US20140277815A1 (en) * 2013-03-14 2014-09-18 Arizona Board Of Regents For And On Behalf Of Arizona State University Processor control system
CN103246203A (zh) * 2013-04-23 2013-08-14 东南大学 一种基于gps的微小型四旋翼无人机速度状态预测方法
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
CN105136145A (zh) * 2015-08-11 2015-12-09 哈尔滨工业大学 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法
US20170323564A1 (en) * 2016-05-09 2017-11-09 Robert Gordon Prediction for lane guidance assist

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145569A (zh) * 2019-11-22 2020-05-12 京东数字科技控股有限公司 一种道路监测、车辆行驶控制方法、装置及车路协同系统
CN110927757A (zh) * 2019-12-26 2020-03-27 广东星舆科技有限公司 卫星观测数据的质控方法、装置及定位装置
CN110927757B (zh) * 2019-12-26 2022-03-04 广东星舆科技有限公司 卫星观测数据的质控方法、装置及定位装置

Also Published As

Publication number Publication date
CN108230371B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
Martinez-Cantin et al. A Bayesian exploration-exploitation approach for optimal online sensing and planning with a visually guided mobile robot
US11573325B2 (en) Systems and methods for improvements in scanning and mapping
Mourikis et al. Optimal sensor scheduling for resource-constrained localization of mobile robot formations
Levine et al. Information-rich path planning with general constraints using rapidly-exploring random trees
EP3646058A1 (en) Systems and methods for improvements in scanning and mapping
CN108762309A (zh) 一种基于假设卡尔曼滤波的人体目标跟随方法
Kontitsis et al. Multi-robot active slam with relative entropy optimization
US11334085B2 (en) Method to optimize robot motion planning using deep learning
CN108230371A (zh) 基于云台的跟踪目标速度预测方法及存储介质
CN107967513B (zh) 多机器人强化学习协同搜索方法及系统
Strasdat et al. Which landmark is useful? Learning selection policies for navigation in unknown environments
CN108230370A (zh) 基于云台的跟踪目标速度预测方法及存储介质
Wang et al. 3M-RL: Multi-resolution, multi-agent, mean-field reinforcement learning for autonomous UAV routing
CN112799385B (zh) 一种基于引导域人工势场的智能体路径规划方法
CN109242882A (zh) 视觉跟踪方法、装置、介质及设备
Kent et al. Human-centric active perception for autonomous observation
Hoffmann et al. Policy rollout action selection in continuous domains for sensor path planning
Mann et al. Determination of robotic melon harvesting efficiency: a probabilistic approach
Zimmer et al. Neural fitted actor-critic
Birsan Unscented particle filter for tracking a magnetic dipole target
Bottarelli et al. Skeleton-based orienteering for level set estimation
CN113310484B (zh) 一种移动机器人定位方法和系统
Shahryari et al. Inverse reinforcement learning under noisy observations
Kim et al. Next-best-view visual {SLAM} for bounded-error area coverage
Gerlach et al. Policy rollout action selection with knowledge gradient for sensor path planning

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