CN108446722A - 一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 - Google Patents
一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 Download PDFInfo
- Publication number
- CN108446722A CN108446722A CN201810182087.7A CN201810182087A CN108446722A CN 108446722 A CN108446722 A CN 108446722A CN 201810182087 A CN201810182087 A CN 201810182087A CN 108446722 A CN108446722 A CN 108446722A
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- detector
- long
- tracking
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于在线学习机制的长时间雷达目标跟踪方法MM‑TLD,该跟踪方法利用目标分布直方图建立目标特征空间,利用雷达目标检测器检测雷达视频中已跟踪目标所在区域内的所有目标,利用雷达跟踪器对区域内已检测到的目标进行跟踪,利用学习器学习目标检测和跟踪的结果,并将检测器的错误检测结果反馈给检测器,重新训练检测器,检测器经训练后,对目标重新分类,结果送学习器,直到满足收敛条件,跟踪器跟踪目标失败时,检测器对跟踪器重新初始化。
Description
技术领域
本发明属于雷达数据处理技术领域。
背景技术
雷达目标跟踪技术是雷达数据处理领域的关键技术,传统的雷达目标跟踪方法将雷达目标检测后的信息进行关联滤波,这种方法在背景杂波较少、目标信号幅度较强的情况下是非常奏效的。然而,实际的战场环境中,越来越多的复杂的气象、电磁、相似目标等干扰影响,量测集中不仅包括目标量测,还包括大量杂波及干扰信息,使得传统的目标跟踪方法想要精确跟踪目标变得尤为困难,尤其是在长时间对目标进行跟踪的任务中,稳定性越来越成为目标跟踪的难题。
跟踪-学习-检测算法(TLD)是由英国萨里大学的捷克学生Kalal提出的,它能够在较少的先验信息下,利用在线学习将目标检测部分与目标跟踪部分结合起来,同时将学习的结果用来更新检测模块与跟踪模块,来实现对目标的长时间跟踪。实验证明,TLD算法具有很强的鲁棒性,它能够在目标被遮挡或是完全消失又重新出现的情况下,对其重新进行跟踪从而实现长时间目标跟踪任务。
在2009年于东京举办的计算机视觉讨论会上,Zdenek Kalal第一次提出了跟踪-建模-检测方法,即为TLD跟踪算法的最早出现形式。随后,作者对算法进行了优化改进,提出了在线的P-N学习(Positive-Negative learning),用以训练检测模块中的级联分类器。其中,P专家表示正约束,能够从负样本中挑选出漏检的正样本;反之,N专家表示负约束,它负责从正样本中检查出错检的负样本,并对这些样本进行正确的分类,从而实现查漏补缺的效果,并提高了跟踪模块的在线学习效率。2012年,Zdenek Kalal博士正式提出了TLD]眼踪算法。在TLD跟踪算法中,目标的长时间跟踪分为跟踪、学习、检测三个步骤。其中,跟踪模块利用前一帧与当前帧之间的连续运动信息来跟踪目标,检测模块则是逐帧检测目标,而学习模块则是在当前帧利用在线模型对检测模块的输出结果进行评估并更新检测模块。TLD算法具有很强的鲁棒性,能够解决长时间目标跟踪过程中遇到的目标失联和重新出现后的再次跟踪问题。
发明内容
本发明涉及一种基于在线学习机制的长时间雷达目标跟踪方法,包括以下步骤:
(1)计算雷达目标在距离、方位、仰角三个测量维度的统计直方图,利用目标分布直方图建立目标特征空间;
(2)利用雷达目标检测器检测雷达视频中已跟踪目标所在区域内的所有目标;
(3)利用雷达多模型跟踪器对区域内已检测到的目标进行跟踪;
(4)利用学习器学习目标检测和跟踪的结果,并将雷达目标检测器的错误检测结果反馈给检测器,重新训练检测器;
(5)雷达目标检测器经训练后,对目标重新分类,结果送学习器,重复第(4)步,直到满足收敛条件;
(6)跟踪器跟踪目标失败时,雷达目标检测器对跟踪器重新初始化。
本发明提出的跟踪方法针对雷达目标长时间跟踪过程中目标因特征发生漂移和干扰导致的目标跟丢的问题,引入了在线学习机制,将雷达目标检测器和跟踪器通过在线学习算法结合在一起,同时将多模型算法作为雷达TLD框架中的跟踪器,构建多模型优化的在线学习雷达目标跟踪方法。该跟踪器可以利用多模型跟踪器的反馈,输出多个模型对目标的运动状态的可能估计,又将多个模型跟踪结果作为正样本送给学习器,学习器根据检测器的训练结果,重新更新多模型的模型概率。从而提高目标长时间跟踪过程中目标跟踪的鲁棒性,减少目标状态变化和干扰引起的不稳定性,能够有效降低雷达目标长时间跟踪过程中的目标跟丢情况,使目标跟踪更稳定。
附图说明
图1是MM-TLD跟踪方法流程图。
图2是TLD跟踪框架示意图。
具体实施方式
(1)目标特征提取
在跟踪目标的区域内,计算雷达视频数据在距离、方位、仰角三个测量维度的幅度分布直方图和梯度分布直方图。
(2)目标检测
采用Adaboost分类检测器对目标进行检测,该检测器的结构是级联结构,利用一组串行的弱分类器,级联成一个强分类器。弱分类器在对待识样本进行分类时,只有被前面一级的分类器判决为正样本才被送入后面的分类器继续处理,负样本则直接输出。最后,只有被每一级的分类器都判决为正的样本才作为正样本输出。强分类器的判决结果是所有弱分类器的判决结果的加权和。
(3)目标跟踪
采用多模型算法对目标进行状态估计,多模型算法(MM)在目标运动模式的结构和参数发生变化起伏很大的情况下,利用不同的模型估计变化的运动参数,多个模型适应了目标多种参数变化。对于雷达目标而言,建立目标的状态向量X。令Mj表示具有先验概率Pr{Mj}=μj(0),(j=1,2,…,r)的模型j是正确的事件,在模型j的假定下,k时刻的量测的似然函数为:
其中,Zk表示1到k时刻的量测,表示k时刻新息。在高斯假定下,由滤波器j得到的信息概率密度函数为:
使用贝叶斯法则,则在k时刻模型j是正确的后验概率是:
利用上述概率作为权重进行加权平均就是目标的状态估计:
因此最终得到的组合状态和协方差估计为:
跟踪器中多个滤波器并行工作,该组合估计内部是对所有模型概率计算的MMSE估计。
(4)学习判决
采用P-N学习作为学习器,P-N学习利用基于结构化、未标记数据的学习训练。具有时空依赖关系的数据是结构化数据,决策分类器就是把输入的所有可能出现的目标标记分类为正样本(目标)或是负样本(背景)。
学习器采用数据中的结构:正约束和负约束。
正约束指定正样本可接受特征,靠近目标特征为正样本。
负约束指定负样本可接受特征,远离目标特征为负样本。
采用轨迹作为数据约束,即一个独立的目标在空间上最多可能出现在一个位置,且目标运动和目标状态在时间上具有连续性。所有靠近这个运动轨迹的量测被标记分类为正样本,所有远离这个轨迹的量测被标记分类为负样本。具体实现步骤如下:
首先以有监督学习的方式利用被标注为正负样本的目标学习训练一个初始的分类器。然后,在线学习过程中,将接收到的多个模型的跟踪结果作为正样本加入到正样本库内,将不在多模型跟踪结果附近的数据作为负样本训练分类器输入给检测器,检测器根据训练得到的新的分类器分类样本,并把结果输入给PN专家学习,PN专家检查分类结果,将漏检目标更新到正样本库,将虚假检测更新到负样本库,根据新的样本库重新训练分类器,如此重复迭代,直到PN专家检测到的两类错误满足收敛条件为止。将PN专家约束得到的结果送给跟踪器,更新每个模型的概率。
Claims (6)
1.一种基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述方法包括以下步骤:
(1)计算雷达目标在距离、方位、仰角三个测量维度的统计直方图,利用目标分布直方图建立目标特征空间;
(2)利用雷达目标检测器检测雷达视频中已跟踪目标所在区域内的所有目标;
(3)利用雷达多模型跟踪器对区域内已检测到的目标进行跟踪;
(4)利用学习器学习目标检测和跟踪的结果,并将雷达目标检测器的错误检测结果反馈给检测器,重新训练检测器;
(5)雷达目标检测器经训练后,对目标重新分类,结果送学习器,重复第(4)步,直到满足收敛条件;
(6)跟踪器跟踪目标失败时,雷达目标检测器对跟踪器重新初始化。
2.根据权利要求1所述的基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述雷达多模型跟踪器建立在目标分布特性关联的基础上,通过构建不同的跟踪模型,应对目标特征的随机性变化,最后计算出不同的模型对目标的估计的概率。
3.根据权利要求1或权利要求2所述的基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述多模型跟踪器的模型概率可以通过学习器的学习结果重新更新,减少部分模型的错误估计带入的偏差。
4.根据权利要求1或权利要求2所述的基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述雷达目标检测器采用一种级联结构的分类器,其利用一组串行的弱分类器,级联成一个强分类器;弱分类器在对待识样本进行分类时,只有被前面一级的分类器判决为正样本才被送入后面的分类器继续处理,负样本则直接输出。
5.根据权利要求1或权利要求2所述的基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述的学习器采用一种新的基于结构化、未标记数据的学习训练方法;数据中的结构被称为正约束和负约束;正约束指定正样本可接受特征,负约束指定负样本可接受特征;利用目标的时空特性作为约束检查跟踪器和检测器错误。
6.根据权利要求1或权利要求2所述的基于雷达视频数据分布特征的目标长效稳定跟踪方法,其特征在于:所述的收敛条件为检测器对目标的分类结果与学习器的判断结果达到误差小于5%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182087.7A CN108446722B (zh) | 2018-03-06 | 2018-03-06 | 一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182087.7A CN108446722B (zh) | 2018-03-06 | 2018-03-06 | 一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446722A true CN108446722A (zh) | 2018-08-24 |
CN108446722B CN108446722B (zh) | 2021-04-30 |
Family
ID=63193620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810182087.7A Active CN108446722B (zh) | 2018-03-06 | 2018-03-06 | 一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446722B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154066A1 (en) * | 2005-12-29 | 2007-07-05 | Industrial Technology Research Institute | Object tracking systems and methods |
CN104574439A (zh) * | 2014-12-25 | 2015-04-29 | 南京邮电大学 | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 |
EP2887259A1 (en) * | 2013-12-17 | 2015-06-24 | Alcatel Lucent | Method for annotating an object in a multimedia asset |
CN106709938A (zh) * | 2016-11-18 | 2017-05-24 | 电子科技大学 | 基于改进tld的多目标追踪方法 |
CN107689052A (zh) * | 2017-07-11 | 2018-02-13 | 西安电子科技大学 | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 |
-
2018
- 2018-03-06 CN CN201810182087.7A patent/CN108446722B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154066A1 (en) * | 2005-12-29 | 2007-07-05 | Industrial Technology Research Institute | Object tracking systems and methods |
EP2887259A1 (en) * | 2013-12-17 | 2015-06-24 | Alcatel Lucent | Method for annotating an object in a multimedia asset |
CN104574439A (zh) * | 2014-12-25 | 2015-04-29 | 南京邮电大学 | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 |
CN106709938A (zh) * | 2016-11-18 | 2017-05-24 | 电子科技大学 | 基于改进tld的多目标追踪方法 |
CN107689052A (zh) * | 2017-07-11 | 2018-02-13 | 西安电子科技大学 | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
HF ZHANG,ET AL.: "《Research on Target Tracking Based on TLD Algorithm》", 《APPLIED MECHANICS & MATERIALS》 * |
黄馨誉,等: "《基于PN学习的雷达目标鲁棒跟踪算法》", 《传感器与微系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108446722B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084831B (zh) | 基于YOLOv3多伯努利视频多目标检测跟踪方法 | |
Wang et al. | Concept drift detection for online class imbalance learning | |
Tsintotas et al. | Assigning visual words to places for loop closure detection | |
CN110782483B (zh) | 基于分布式相机网络的多视图多目标跟踪方法及系统 | |
CN108921873B (zh) | 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法 | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CA2806053A1 (en) | Classification using correntropy | |
Hu et al. | Face Detection based on SSD and CamShift | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN107506444B (zh) | 中断航迹接续关联机器学习系统 | |
Katırcı et al. | Automated evaluation of Cr-III coated parts using Mask RCNN and ML methods | |
Wang et al. | Closed-loop tracking-by-detection for ROV-based multiple fish tracking | |
CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
CN112116019A (zh) | 一种多传感器Vine Copula异构信息决策融合方法 | |
Lichtenauer et al. | Influence of the observation likelihood function on particle filtering performance in tracking applications | |
CN117630860A (zh) | 一种毫米波雷达的手势识别方法 | |
CN115798055B (zh) | 一种基于cornersort跟踪算法的暴力行为检测方法 | |
CN108446722A (zh) | 一种基于雷达视频数据分布特征的目标长效稳定跟踪方法 | |
CN109636834A (zh) | 基于tld改进算法的视频车辆目标跟踪算法 | |
CN106443624B (zh) | 一种目标检测与跟踪一体化方法 | |
Wang et al. | Pmds-slam: Probability mesh enhanced semantic slam in dynamic environments | |
Kästner et al. | A bayesian approach to learning 3d representations of dynamic environments | |
Xiao et al. | Online monitoring system of fish behavior | |
Phalke et al. | Object tracking using Mutiple Hypothesis |
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 |