CN109063602A - 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 - Google Patents
基于路径连贯性函数的星空背景下的目标跟踪方法和装置 Download PDFInfo
- Publication number
- CN109063602A CN109063602A CN201810771636.4A CN201810771636A CN109063602A CN 109063602 A CN109063602 A CN 109063602A CN 201810771636 A CN201810771636 A CN 201810771636A CN 109063602 A CN109063602 A CN 109063602A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- moving
- processed
- function
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于路径连贯性函数的星空背景下的目标跟踪方法和装置,该方法包括以下步骤:接收待处理图像;采用中值滤波法对待处理图像进行处理,去除噪声干扰;通过混合高斯模型建立背景帧;采用帧间差分算法去除背景,获取待处理图像中的所有动目标;通过形态学开运算获取所有动目标的轮廓数据;将所有动目标的轮廓数据输入无迹卡尔曼滤波模型,获取动目标的运动轨迹,得到疑似目标;计算疑似目标的路径连贯性函数值,根据路径连贯性函数值排除虚假目标;计算待定目标的偏差函数,进一步排除虚假目标;获得真实目标;本发明能够提高目标跟踪的准确度。
Description
技术领域
本发明涉及动目标跟踪领域,更具体地,涉及一种基于路径连贯性函数的星空背景下的目标跟踪方法和装置。
背景技术
随着科技进步与社会发展,卫星在现实生活中得到了广泛的应用。卫星应用技术的发展,为人们的日常生活带来了便利,为军事侦察、地球资源信息获取等开拓了新的道路,也带来了新的挑战。卫星在飞行过程中,存在跟踪距离远和星空背景下对比度低、照度低以及图像信噪比差的问题;在进行跟踪时,也存在探测器分辨率高、帧频高以及处理数据量大、实时处理困难的问题。因此,设计出一款适用于卫星跟踪的目标跟踪算法,具有十分重要的意义。
目前目标跟踪主要通过卡尔曼滤波来实现。但是,卡尔曼滤波易出现目标丢失,扩展卡尔曼滤波需要计算雅克比矩阵,计算量庞大,滤波速度低下,粒子滤波速度也较慢,很难保证卫星跟踪的实时性。而且在跟踪过程中,星空背景下可能存在类似运动星点的干扰目标,这些干扰目标在运动轨迹与形态上与卫星难以分别,而且大气扰动、观察基座的不规则晃动使得这些干扰目标也在一定程度上有着“运动”的假象,在目标跟踪时,会生成许多干扰目标,影响卫星跟踪效果。所以,如何确保实时性和排除干扰目标,成为亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于路径连贯性函数的星空背景下的目标跟踪方法和装置。解决了现有技术中对星空背景的目标跟踪不准确的问题。
为了解决上述问题,本发明提供了一种基于路径连贯性函数的星空背景下的目标跟踪方法,包括以下步骤:
接收待处理图像;
采用中值滤波法对所述待处理图像进行预处理,去除噪声干扰;
对经过所述中值滤波法预处理后的所述待处理图像,通过混合高斯模型建立背景帧;
根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法去除背景,获取所述待处理图像中的所有动目标;
通过形态学开运算获取所有所述动目标的轮廓数据;其中,所有所述动目标的轮廓数据包括所有所述动目标的轮廓上的每一个像素点的坐标以及每一个像素点所对应的灰度值;
对于所有所述动目标,将所有所述动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有所述动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,所述疑似目标为所述动目标的运动轨迹上的目标点;
计算所述疑似目标的路径连贯性函数值,当所述路径连贯性函数值大于预设的第一阈值时,判定所述疑似目标为虚假目标;当所述路径连贯性函数值小于等于所述预设的第一阈值时,判定所述疑似目标为待定目标;
通过预设的偏差函数模型计算所述待定目标的偏差函数,当所述待定目标的偏差函数值大于预设的第二阈值时,判定所述待定目标为虚假目标;当所述待定目标的偏差函数值小于等于所述预设的第二阈值时,判定所述待定目标为真实目标。
进一步的:
采用中值滤波法对所述待处理图像进行预处理,去除噪声干扰进一步为:采用7*7的模板对所述待处理图像进行中值滤波,并在所述待处理图像的边界处延展预设宽度,获得去噪后的待处理图像。
进一步的:
所述通过混合高斯模型建立背景帧的步骤包括:
对于所述待处理图像中的每一个像素点的灰度值,依次通过所述混合高斯模型进行变换,得到变换后的所述待处理图像中每一个像素点的灰度值p(gt);
所述混合高斯模型为:
其中,gt代表所述像素点的灰度值,ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为所述混合高斯模型中所需的高斯函数的个数;
根据变换后的所述待处理图像中的每一个像素点的灰度值建立背景帧;
在读取到新的所述待处理图像后,根据所述新的待处理图像对所述背景帧进行更新:
对于新的所述待处理图像上所有的像素点中的背景点,采用以下公式进行更新;
将得到的ωkt、μkt、代入到所述混合高斯模型中,其中α与β是学习参数;
对于所述新的待处理图像上所有的像素点中的非背景点,重新建立单高斯模型:
其中,gt2表示所述新的待处理图像的灰度值。
进一步的:
所述采用帧间差分算法去除背景的步骤,进一步为:
根据所有所述背景帧中相邻的两个背景帧,采用预设的帧间差分算法模型去除背景,获取所述背景帧中的所有动目标;
所述预设的帧间差分算法模型为:
Dt(x,y)=P(gt)(x,y)-P(gt-1)(x,y)
其中p(gt)为t时刻的背景帧的灰度值,Dt为差分图像的灰度值,TH为预先设定的阈值,BWt为二值化后的图像灰度值。
进一步的:
所述通过形态学开运算获取所有所述动目标的轮廓数据的步骤进一步为:
对于所有所述动目标,利用形态学开运算消除微小动点,平滑动目标的边界,并且不改变动目标的面积,获得所述待处理图像中所述动目标的轮廓数据。
进一步的:
所述计算所述疑似目标的路径连贯性函数值的步骤,进一步为:
根据所述动目标的运动轨迹,在所述运动轨迹上取三个连续的坐标点
通过预设的路径连贯性函数模型计算所述路径连贯性函数值:
其中w1与w2均为权重函数,Φ为所述路径连贯性函数的值。
进一步的:
所述预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,n为所述待定目标的运动轨迹上的所述待定目标点的总数。
为了解决上述问题,本发明还提出了一种基于路径连贯性函数的星空背景下的目标跟踪装置,包括:
图像接收模块,用于接收待处理图像信息;
图像预处理模块:用于对接收到的待处理图像通过中值滤波法进行预处理,去除所述待处理图像中的噪声;
图像转化模块,用于对去除噪声后的所述待处理图像,通过预设的混合高斯模型建立背景帧;
目标获取模块:用于根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法去除背景,获取所述待处理图像中的所有动目标;
目标轮廓提取模块:用于通过形态学开运算获取所有所述动目标的轮廓数据;
疑似目标确定模块:用于将所有所述动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有所述动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,所述疑似目标为所述动目标的运动轨迹上的目标点;
一级判定模块:用于计算所述疑似目标的路径连贯性函数值,当所述路径连贯性函数值大于预设的第一阈值时,判定所述疑似目标为虚假目标;当所述路径连贯性函数值小于等于所述预设的第一阈值时,判定所述疑似目标为待定目标;
二级判定模块:用于通过预设的偏差函数模型计算所述待定目标的偏差函数,当所述待定目标的偏差函数值大于预设的第二阈值时,判定所述待定目标为虚假目标;当所述待定目标的偏差函数值小于等于所述预设的第二阈值时,判定所述待定目标为真实目标。
进一步的:
所述一级判定模块在计算所述疑似目标的路径连贯性函数值时,具体执行的步骤包括:
根据所述动目标的运动轨迹,在所述运动轨迹上取三个连续的坐标点
通过预设的路径连贯性函数模型计算所述路径连贯性函数值:
所述预设的路径连贯性函数模型为:
其中w1与w2均为权重函数,Φ为所述路径连贯性函数的值。
进一步的:
所述预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,n为所述待定目标的运动轨迹上的所述待定目标点的总数。
与现有技术相比,本发明提供的基于路径连贯性函数的星空背景下的目标跟踪方法和装置,至少实现了如下的有益效果:
一、本发明提供的基于路径连贯性函数的星空背景下的目标跟踪方法和装置,在中值滤波算法和光流法的实时性无法满足要求的情况下,利用混合高斯模型建立背景帧,通过帧间差分算法获取动目标,更好的满足了目标跟踪的实时性要求;
二、本发明所述基于路径连贯性函数的星空背景下的目标跟踪方法和装置,在星空背景下的目标跟踪领域,考虑测量时由于大气扰动和相机基座晃动而产生干扰目标的情况,引入路径连贯性函数,排除在背景帧图像中出现的一些虚假目标,降低目标跟踪的虚警率。
三,本发明所述基于路径连贯性函数的星空背景下的目标跟踪方法和装置,在星空背景下的目标跟踪领域,引入偏差函数,能够进一步排除虚假目标,且使跟踪轨迹更加平滑。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是基于路径连贯性函数的星空背景下的目标跟踪方法流程图;
图2是另一种基于路径连贯性函数的星空背景下的目标跟踪方法流程图;
图3是基于路径连贯性函数的星空背景下的目标跟踪装置的系统框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
实施例1:
本实施例提供了一种基于路径连贯性函数的星空背景下的目标跟踪方法,用于对星空中运动的目标进行识别和跟踪,如图1所示为基于路径连贯性函数的星空背景下的目标跟踪方法流程图,该方法包括以下步骤:
S101:接收待处理图像;
其中,待处理图像可以通过多种方式获取,例如地面观测站的相机拍摄到的待处理图像,相机连续拍照,得到按时间顺序排列的帧图像,并发送帧图像作为待处理图像。
S102:采用中值滤波法对所述待处理图像进行预处理,去除噪声干扰;
由于相机拍摄到的帧图像数据中往往存在噪声,影响后续的图像处理,因此采用中值滤波法可以对噪声进行消除。
S103:对经过中值滤波法预处理后的待处理图像,通过混合高斯模型建立背景帧;S104:根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法去除背景,获取待处理图像中的所有动目标;
对于一帧待处理图像,混合高斯模型可以根据该待处理图像建立该图像的背景帧,在相邻两帧背景帧中,由于背景是静止的,动目标是相对于背景运动的,因此用后一帧待处理图像的背景帧减去前一帧待处理图像的背景帧,即可得到待处理图像中的所有动目标。
S105:通过形态学开运算获取所有所述动目标的轮廓数据;
其中,所有所述动目标的轮廓数据包括所有所述动目标的轮廓上的每一个像素点的坐标以及每一个像素点所对应的灰度值。
在步骤104中通过帧间差分算法得到所有的动目标时,已经得到了所有动目标的大致轮廓,但是所有动目标的轮廓周围会存在一些较小的噪声点,因此通过形态学开算法可以去除动目标轮廓周围的噪声点,提高动目标轮廓的清晰度。
S106:对于所有动目标,将所有动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,疑似目标为动目标运动轨迹上的目标点;
其中,以所有动目标的轮廓数据作为无迹卡尔曼滤波模型的输入,无迹卡尔曼滤波模型可以根据轮廓数据得出状态方程、协方差方程和滤波增益,进而得出动目标的运动轨迹,得到疑似目标。上述通过无迹卡尔曼滤波模型求得疑似目标得方法可采用现有技术中的任意方法,此处不做详细赘述。疑似目标即为运动轨迹的末端位置的目标,和在帧间差分算法所得到的图像中,取相邻两帧图像进行对比,即可得知运动轨迹中动目标的运动方向,在动目标的运动方向上运动轨迹末端的位置即为疑似目标。
S107:计算疑似目标的路径连贯性函数值,当所述路径连贯性函数值大于预设的第一阈值时,判定所述疑似目标为虚假目标;当所述路径连贯性函数值小于等于预设的第一阈值时,判定所述疑似目标为待定目标;
由于在目标跟踪的过程中,星空背景下存在很多类似运动星点的干扰目标,这些干扰目标在运动轨迹与形态上与卫星难以区分。在大气扰动、观察基座的不规则晃动下,也可能使这些干扰目标在一定程度上呈现出“运动”的假象,使得通过无迹卡尔曼滤波模型计算得出的疑似目标中会存在虚假目标,因此需要计算疑似目标的路径连贯性函数值,对路径连贯性函数值过大的目标进行排除,也即排除掉上述的虚假目标。
在步骤106中已经获得动目标的运动轨迹,并通过运动轨迹得到了疑似目标,可以通过动目标的运动轨迹上的若干个坐标点作为输入,计算该运动轨迹的路径连贯性函数值。并将路径连贯性函数值小于等于第一阈值的疑似目标判定为待定目标。
S108:通过预设的偏差函数模型计算所述待定目标的偏差函数,当待定目标的偏差函数值大于预设的第二阈值时,判定待定目标为虚假目标;当待定目标的偏差函数值小于等于预设的第二阈值时,判定待定目标为真实目标。
偏差函数可以反应待定目标的运动轨迹的函数值与运动轨迹函数值的均值之间的偏移程度,当待定目标运动轨迹的偏差函数明显偏移运动轨迹偏差函数的均值时,也即偏差函数的值大于第二阈值时,可以判定该待定目标为虚假目标,并将该虚假目标排除;当待定目标运动轨迹的偏差函数值大致符合运动轨迹偏差函数的均值时,也即偏差函数值小于等于第二阈值时,证明该待定目标为真实目标。
采用该实施例提供的基于路径连贯性函数的星空背景下的目标跟踪方法,可以对星空中的动目标进行识别和跟踪,在通过无迹卡尔曼滤波得到的目标轮廓之后,引入路径连贯性函数和偏差函数,可以排除由于设备抖动等原因造成的虚假目标的干扰,提高了目标识别和跟踪的准确度。
实施例2:
本实施例在实施例1的基础上,提供了一种优选的基于路径连贯性函数的星空背景下的目标跟踪方法,如图2所示为基于路径连贯性函数的星空背景下的目标跟踪方法流程图。
该方法包括以下步骤:
S201:接收待处理图像;
其中,待处理图像可以通过多种方式获取,例如通过地面观测站的相机拍摄到的待处理图像,相机连续拍照,得到按时间顺序排列的帧图像,并发送帧图像作为待处理图像。
S202:采用7*7的模板对所述待处理图像进行中值滤波,并在待处理图像的边界处延展预设宽度,获得去噪后的待处理图像,将去噪后的待处理图像作为一级图像;
由于相机拍摄到的帧图像数据中往往存在噪声,影响后续的图像处理,因此采用中值滤波法可以对噪声进行消除。7*7的模板即为7*7的矩阵对图像做待处理图像上的像素做矩阵乘法运算,得到去噪后的一级图像。
S203:对于一级图像中的每一个像素点的灰度值,依次通过混合高斯模型进行变换,得到变换后的一级图像中每一个像素点的灰度值p(gt);
混合高斯模型为:
其中,gt代表对应像素点的灰度值,ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为人工设定的参数,表示所述混合高斯模型中所需的高斯函数的个数;
S204:根据变换后的每一个所述待处理图像中的像素点的灰度值建立背景帧;对于一级图像中的每一个像素点,经过混合高斯模型变换并转换之后,可以得到背景帧。
S205:在读取到新的背景帧后,根据新的背景帧对背景帧进行更新:
由于待处理图像为帧图像,即待处理图像是随着时间不断更新的图像,因此一级图像以及通过一级图像求得的背景帧也处于不断更新的状态,新的背景帧为相对于某一时刻的背景帧,其后一帧的背景帧图像。例如对于t时刻的背景帧,新的背景帧为t+p时刻所对应的背景帧,p为采集待处理图像时两帧待处理图像之间的时间间隔。例如在采集待处理图像时以5秒的时间间隔采集待处理图像,那么对于t时刻的背景帧,新的背景帧为t+5时刻对应的背景帧。
对于新的背景帧上所有的像素点中的背景点,采用以下公式进行更新:
将得到的ωkt、μkt、代入到所述混合高斯模型中,其中α与β是人为设定的学习参数;其中背景帧上包含背景点和非背景点,非背景点包括目标点和虚假目标以及噪声点。
对于新的背景帧上所有的像素点中的非背景点,重新建立单高斯模型,公式如下:
其中,gt2表示所述新的待处理图像的灰度值。ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为人工设定的参数,表示所述混合高斯模型中所需的高斯函数的个数;
通过上述两个公式对新的背景帧上所有像素点进行计算,可以对背景帧进行不断地更新,保证背景帧的实时性。
S206:根据所有背景帧中相邻的两个背景帧,采用帧间差分算法模型去除背景,获取背景帧中的所有动目标;
帧间差分算法模型为:
Dt(x,y)=P(gt)(x,y)-P(gt-1)(x,y) (4)
其中p(gt)为t时刻的背景帧图像的灰度值,P(gt)(x,y)代表在(x,y)坐标所对应的像素点处的灰度值,Dt为差分图像的灰度值;背景帧在经过公式(5)变换之后成为二值化图像,TH为预先设定的阈值,BWt为二值化后的图像灰度值。在经过公式(4)计算后可以得到动目标的每一个像素点的灰度值,再通过公式(5)对每一个像素点的灰度值进行二值化处理,也即对于灰度值即预先设定的阈值的像素点,标记其灰度值为1,灰度值小于预先设定的阈值的像素点标记其灰度值为0,这样可以使动目标的图像的轮廓更加清晰鲜明,例如黑白图像。
S207:对于所有动目标,利用形态学开运算消除微小动点,平滑大目标的边界,并且不改变大目标的面积,获得待处理图像中动目标的轮廓数据。
其中,动目标的轮廓数据包括所有动目标的轮廓上的每一个像素点的坐标以及每一个像素点所对应的灰度值。
在步骤206中已经通过帧间差分算法获取到了动目标的轮廓,但是帧间差分算法获得的动目标中往往会存在很多微小的噪声点,动目标的轮廓较为粗糙,不够准确,因此通过形态学开运算可以去除动目标上的噪声点,提高动目标轮廓的清晰度。
S208:对于所有动目标,将所有动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,疑似目标为动目标运动轨迹上的目标点;
其中,以所有动目标的轮廓数据作为无迹卡尔曼滤波模型的输入,无迹卡尔曼滤波模型可以根据轮廓数据得出状态方程、协方差方程和滤波增益,进而得出动目标的运动轨迹,得到疑似目标。上述通过无迹卡尔曼滤波模型求得疑似目标得方法可采用现有技术中的任意方法,此处不做详细赘述。疑似目标即为运动轨迹的末端位置的目标,在帧间差分算法所得到的图像中,取相邻两帧图像进行对比,即可得知运动轨迹中动目标的运动方向,在动目标的运动方向上运动轨迹末端的位置即为疑似目标。
S209:根据所述动目标的运动轨迹,在所述运动轨迹上取三个连续的坐标点
S210:通过以下公式计算所述路径连贯性函数值:
其中w1与w2均为人为定义的权重函数;得出的结果即为路径连贯性函数的值。
S211:将路径连贯性函数的值Φ与第一阈值进行比较,判断路径连贯性函数值是否小于等于第一阈值,当路径连贯性函数的值Φ大于第一阈值时,执行步骤212;当所述路径连贯性函数的值Φ小于等于所述第一阈值时,执行步骤213。
S212:判定动目标为虚假目标,并排除;
S213:判定所述动目标为待定目标,并执行步骤214。
S214:通过预设的偏差函数模型计算所述待定目标的偏差函数,预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,n为待定目标的运动轨迹上的待定目标点的总数,例如在待定目标的运动轨迹上存在10个待定目标点,则n=10,为该10个待定目标点中任选的三个连续的待定目标点。
S215:通过得到的Dt与第二阈值进行比较,判断偏差函数的值是否小于等于预设的第二阈值,当Dt大于第二阈值时,执行步骤212。当Dt小于等于第二阈值时,执行步骤216。
S216:判定待定目标为真实目标。
由于在目标跟踪的过程中,星空背景下存在很多类似运动星点的干扰目标,这些干扰目标在运动轨迹与形态上与卫星难以区分。在大气扰动、观察基座的不规则晃动下,也可能使这些干扰目标在一定程度上呈现出“运动”的假象,使得通过无迹卡尔曼滤波模型计算得出的疑似目标中会存在虚假目标,因此需要计算疑似目标的路径连贯性函数值,对路径连贯性函数值过大的目标进行排除,也即排除掉虚假目标。在排除掉虚假目标后,根据若干个待定目标的坐标计算待定目标的偏差函数,进一步排除待定目标中运动轨迹不符合运动约束规则的虚假目标,得到最终的真实目标。
通过本实施例提供的基于路径连贯性函数的星空背景下的目标跟踪方法,达到了如下有益效果:
一、本实施例提供的基于路径连贯性函数的星空背景下的目标跟踪方法,在中值滤波算法和光流法的实时性无法满足要求的情况下,利用混合高斯模型建立背景帧,通过帧间差分算法获取动目标,更好的满足了目标跟踪的实时性要求;
二、本实施例提供的基于路径连贯性函数的星空背景下的目标跟踪方法,在星空背景下的目标跟踪领域,考虑测量时由于大气扰动和相机基座晃动而产生干扰目标的情况,引入路径连贯性函数,排除在序列图像中出现的一些虚假目标,降低目标跟踪的虚警率;
三,本实施例提供的基于路径连贯性函数的星空背景下的目标跟踪方法,在星空背景下的目标跟踪领域,引入偏差函数,能够进一步排除虚假目标,且使跟踪轨迹更加平滑。
实施例3:
本实施例提供了一种基于路径连贯性函数的星空背景下的目标跟踪装置。如图3所示为基于路径连贯性函数的星空背景下的目标跟踪装置的系统框图。该装置主要包括图像接收模块301、图像预处理模块302、图像转化模块303、目标获取模块304、目标轮廓提取模块305、疑似目标确定模块306、一级判定模块307和二级判定模块308。具体的,
图像接收模块301用于接收待处理图像信息;其中待处理图像可以通过多种方式获取,例如通过地面观测站的相机拍摄到的待处理图像,相机连续拍照,得到按时间顺序排列的帧图像,并将待处理图像发送到图像预处理模块302。
图像预处理模块302用于对接收到的待处理图像通过中值滤波法进行预处理,去除待处理图像中的噪声;
具体的,图像预处理模块302采用7*7的模板对待处理图像进行中值滤波,并在待处理图像的边界处延展预设宽度,获得去噪后的待处理图像,将去噪后的待处理图像作为一级图像输入图像转化模块303;
图像转化模块303用于对一级图像通过预设的混合高斯模型建立背景帧;对于一级图像中的每一个像素点的灰度值,依次通过混合高斯模型进行变换,得到变换后的一级图像中每一个像素点的灰度值;
预设的混合高斯模型为:
其中,gt代表对应像素点的灰度值,ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为人工设定的参数,表示所述混合高斯模型中所需的高斯函数的个数;
更具体的,由于待处理图像为帧图像,即待处理图像是随着时间不断更新的图像,因此一级图像以及通过一级图像求得的背景帧也处于不断更新的状态,新的背景帧为相对于某一时刻的背景帧,其后一帧的背景帧图像。例如对于t时刻的背景帧,新的背景帧为t+p时刻所对应的背景帧,p为采集待处理图像时两帧待处理图像之间的时间间隔。例如在采集待处理图像时以5秒的时间间隔采集待处理图像,那么对于t时刻的背景帧,新的背景帧为t+5时刻对应的背景帧。
对于新的背景帧上所有的像素点中的背景点,采用以下公式进行更新:
将得到的ωkt、μkt、代入到所述混合高斯模型中,其中α与β是人为设定的学习参数。其中背景帧上包含背景点和非背景点,非背景点包括目标点和虚假目标以及噪声点。
对于新的背景帧上所有的像素点中的非背景点,重新建立单高斯模型,公式如下:
其中,gt2表示所述新的待处理图像的灰度值。ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为人工设定的参数,表示所述混合高斯模型中所需的高斯函数的个数;
通过上述两个公式对新的背景帧上所有像素点进行计算,可以对背景帧进行不断地更新。保证背景帧的实时性。
目标获取模块304用于根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法模型去除背景,获取待处理图像中的所有动目标;
帧间差分算法模型为:
Dt(x,y)=P(gt)(x,y)-P(gt-1)(x,y) (4)
其中p(gt)为t时刻的背景帧图像的灰度值,P(gt)(x,y)代表在(x,y)坐标所对应的像素点处的灰度值,Dt为差分图像的灰度值;背景帧在经过公式(5)变换之后成为二值化图像,TH为预先设定的阈值,BWt为二值化后的图像灰度值。在经过公式(4)计算后可以得到动目标的每一个像素点的灰度值,再通过公式(5)对每一个像素点的灰度值进行二值化处理,也即对于灰度值即大于等于预先设定的阈值的像素点,标记其灰度值为1,灰度值小于预先设定的阈值的像素点标记其灰度值为0,这样可以使动目标的图像的轮廓更加清晰鲜明,例如黑白图像。
目标轮廓提取模块305用于通过形态学开运算获取所有动目标的轮廓数据;具体的,由于在目标获取模块304中已经获取到了动目标的轮廓,但是帧间差分算法获得的动目标中往往会存在很多微小的噪声点,动目标的轮廓较为粗糙,不够准确。因此利用形态学开运算可以消除微小动点,平滑大目标的边界,并且不改变大目标的面积,在获得待处理图像中动目标的轮廓数据的同时,提高动目标轮廓的清晰度。其中,动目标的轮廓数据包括所有动目标的轮廓上的每一个像素点的坐标以及每一个像素点所对应的灰度值。
疑似目标确定模块306用于将所有动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有动目标的状态方程、协方差方程和滤波增益,获取动目标的运动轨迹,得到疑似目标,疑似目标为动目标的运动轨迹上的目标点;
具体的,以所有动目标的轮廓数据作为无迹卡尔曼滤波模型的输入,无迹卡尔曼滤波模型可以根据轮廓数据得出状态方程、协方差方程和滤波增益,进而得出动目标的运动轨迹,得到疑似目标。上述通过无迹卡尔曼滤波模型求得疑似目标的方法可采用任意现有技术中的方法,此处不做详细赘述。
一级判定模块307用于通过预设的路径连贯性函数模型计算疑似目标的路径连贯性函数值,当路径连贯性函数值大于预设的第一阈值时,判定疑似目标为虚假目标;当路径连贯性函数值小于等于预设的第一阈值时,判定疑似目标为待定目标;
其中预设的路径连贯性函数模型为:
其中w1与w2均为权重函数,Φ为所述路径连贯性函数的值。
由于在目标跟踪的过程中,星空背景下存在很多类似运动星点的干扰目标,这些干扰目标在运动轨迹与形态上与卫星难以区分。在大气扰动、观察基座的不规则晃动下,也可能使这些干扰目标在一定程度上呈现出“运动”的假象,使得通过无迹卡尔曼滤波模型计算得出的疑似目标中会存在虚假目标,因此需要计算疑似目标的路径连贯性函数值,对路径连贯性函数值过大的目标进行排除,也即排除掉虚假目标。
二级判定模块308用于通过预设的偏差函数模型计算待定目标的偏差函数,当待定目标的偏差函数值大于预设的第二阈值时,判定待定目标为虚假目标;当待定目标的偏差函数值小于等于预设的第二阈值时,判定待定目标为真实目标。
其中预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,其中,n为待定目标的运动轨迹上的待定目标点的总数。偏差函数可以反应待定目标的运动轨迹与运动约束间一致性程度的大小,并根据偏差函数模型得出的结果排除偏差函数值大于第二阈值的待定目标,剩余的目标即为真实目标。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,包括:
接收待处理图像;
采用中值滤波法对所述待处理图像进行预处理,去除噪声干扰;
对经过所述中值滤波法预处理后的所述待处理图像,通过混合高斯模型建立背景帧;
根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法去除背景,获取所述待处理图像中的所有动目标;
通过形态学开运算获取所有所述动目标的轮廓数据;其中,所有所述动目标的轮廓数据包括所有所述动目标的轮廓上的每一个像素点的坐标以及每一个像素点所对应的灰度值;
对于所有所述动目标,将所有所述动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有所述动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,所述疑似目标为所述动目标的运动轨迹上的目标点;
计算所述疑似目标的路径连贯性函数值,当所述路径连贯性函数值大于预设的第一阈值时,判定所述疑似目标为虚假目标;当所述路径连贯性函数值小于等于所述预设的第一阈值时,判定所述疑似目标为待定目标;
通过预设的偏差函数模型计算所述待定目标的偏差函数,当所述待定目标的偏差函数值大于预设的第二阈值时,判定所述待定目标为虚假目标;当所述待定目标的偏差函数值小于等于所述预设的第二阈值时,判定所述待定目标为真实目标。
2.根据权利要求1所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,
采用中值滤波法对所述待处理图像进行预处理,去除噪声干扰进一步为:
采用7*7的模板对所述待处理图像进行中值滤波,并在所述待处理图像的边界处延展预设宽度,获得去噪后的待处理图像。
3.根据权利要求1所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,
所述通过混合高斯模型建立背景帧的步骤包括:
对于所述待处理图像中的每一个像素点的灰度值,依次通过所述混合高斯模型进行变换,得到变换后的所述待处理图像中每一个像素点的灰度值p(gt);
所述混合高斯模型为:
其中,gt代表所述像素点的灰度值,ωkt代表权重,μkt与σkt分别为高斯函数的均值与方差,K为所述混合高斯模型中所需的高斯函数的个数;
根据变换后的所述待处理图像中的每一个像素点的灰度值建立背景帧;
在读取到新的所述待处理图像后,根据所述新的待处理图像对所述背景帧进行更新;
对于新的所述待处理图像上所有的像素点中的背景点,采用以下公式进行更新:
将得到的ωkt、μkt、代入到所述混合高斯模型中,其中α与β是学习参数;
对于所述新的待处理图像上所有的像素点中的非背景点,重新建立单高斯模型:
其中,gt2表示所述新的待处理图像的灰度值。
4.根据权利要求3所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,
所述采用帧间差分算法去除背景的步骤,进一步为:
根据所有所述背景帧中相邻的两个背景帧,采用预设的帧间差分算法模型去除背景,获取所述背景帧中的所有动目标;
所述预设的帧间差分算法模型为:
Dt(x,y)=P(gt)(x,y)-P(gt-1)(x,y)
其中p(gt)为t时刻的背景帧的灰度值,Dt为差分图像的灰度值,TH为预先设定的阈值,BWt为二值化后的图像灰度值。
5.根据权利要求1所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,所述通过形态学开运算获取所有所述动目标的轮廓数据的步骤进一步为:
对于所有所述动目标,利用形态学开运算消除微小动点,平滑动目标的边界,并且不改变动目标的面积,获得所述待处理图像中所述动目标的轮廓数据。
6.根据权利要求1所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,所述计算所述疑似目标的路径连贯性函数值的步骤,进一步为:
根据所述动目标的运动轨迹,在所述运动轨迹上取三个连续的坐标点
通过预设的路径连贯性函数模型计算所述路径连贯性函数值:
其中w1与w2均为权重函数,Φ为所述路径连贯性函数的值。
7.根据权利要求6所述的基于路径连贯性函数的星空背景下的目标跟踪方法,其特征在于,所述预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,n为所述待定目标的运动轨迹上的所述待定目标点的总数。
8.一种基于路径连贯性函数的星空背景下的目标跟踪装置,其特征在于,包括:
图像接收模块,用于接收待处理图像信息;
图像预处理模块:用于对接收到的待处理图像通过中值滤波法进行预处理,去除所述待处理图像中的噪声;
图像转化模块,用于对去除噪声后的所述待处理图像,通过预设的混合高斯模型建立背景帧;
目标获取模块:用于根据所有背景帧中的相邻的两帧背景帧,采用帧间差分算法去除背景,获取所述待处理图像中的所有动目标;
目标轮廓提取模块:用于通过形态学开运算获取所有所述动目标的轮廓数据;
疑似目标确定模块:用于将所有所述动目标的轮廓数据输入无迹卡尔曼滤波模型,计算所有所述动目标的状态方程、协方差方程和滤波增益,获取所述动目标的运动轨迹,得到疑似目标,所述疑似目标为所述动目标的运动轨迹上的目标点;
一级判定模块:用于计算所述疑似目标的路径连贯性函数值,当所述路径连贯性函数值大于预设的第一阈值时,判定所述疑似目标为虚假目标;当所述路径连贯性函数值小于等于所述预设的第一阈值时,判定所述疑似目标为待定目标;
二级判定模块:用于通过预设的偏差函数模型计算所述待定目标的偏差函数,当所述待定目标的偏差函数值大于预设的第二阈值时,判定所述待定目标为虚假目标;当所述待定目标的偏差函数值小于等于所述预设的第二阈值时,判定所述待定目标为真实目标。
9.根据权利要求8所述的基于路径连贯性函数的星空背景下的目标跟踪装置,其特征在于,所述一级判定模块在计算所述疑似目标的路径连贯性函数值时,具体执行的步骤包括:
根据所述动目标的运动轨迹,在所述运动轨迹上取三个连续的坐标点
通过预设的路径连贯性函数模型计算所述路径连贯性函数值:
所述预设的路径连贯性函数模型为:
其中w1与w2均为权重函数,Φ为所述路径连贯性函数的值。
10.根据权利要求8所述的基于路径连贯性函数的星空背景下的目标跟踪装置,其特征在于,所述预设的偏差函数模型为:
其中,Dt为所述待定目标的偏差函数值,n为所述待定目标的运动轨迹上的所述待定目标点的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771636.4A CN109063602A (zh) | 2018-07-13 | 2018-07-13 | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771636.4A CN109063602A (zh) | 2018-07-13 | 2018-07-13 | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063602A true CN109063602A (zh) | 2018-12-21 |
Family
ID=64816409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810771636.4A Pending CN109063602A (zh) | 2018-07-13 | 2018-07-13 | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063602A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084177A (zh) * | 2019-04-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 定位系统、方法、控制系统以及空调、存储介质 |
CN113014744A (zh) * | 2019-12-19 | 2021-06-22 | 合肥君正科技有限公司 | 一种车内监控画面遮挡排除光线闪烁干扰的方法 |
CN114022840A (zh) * | 2021-10-22 | 2022-02-08 | 史缔纳农业科技(广东)有限公司 | 一种基于视觉传感器的猪只识别方法 |
CN117032068A (zh) * | 2023-07-24 | 2023-11-10 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7949190B2 (en) * | 2006-05-12 | 2011-05-24 | National Chiao Tung University | Real-time nighttime vehicle detection and recognition system based on computer vision |
CN104077779A (zh) * | 2014-07-04 | 2014-10-01 | 中国航天科技集团公司第五研究院第五一三研究所 | 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 |
CN104504674A (zh) * | 2014-10-15 | 2015-04-08 | 西北工业大学 | 空间碎片星点提取与定位方法 |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
US20180106898A1 (en) * | 2015-01-02 | 2018-04-19 | Reservoir Labs, Inc. | Systems and methods for efficient targeting |
-
2018
- 2018-07-13 CN CN201810771636.4A patent/CN109063602A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7949190B2 (en) * | 2006-05-12 | 2011-05-24 | National Chiao Tung University | Real-time nighttime vehicle detection and recognition system based on computer vision |
CN104077779A (zh) * | 2014-07-04 | 2014-10-01 | 中国航天科技集团公司第五研究院第五一三研究所 | 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 |
CN104504674A (zh) * | 2014-10-15 | 2015-04-08 | 西北工业大学 | 空间碎片星点提取与定位方法 |
US20180106898A1 (en) * | 2015-01-02 | 2018-04-19 | Reservoir Labs, Inc. | Systems and methods for efficient targeting |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
Non-Patent Citations (4)
Title |
---|
SAMUEL DAMBREVILLE ET.AL: ""Tracking Deformable Objects with Unscented Kalman Filtering and Geometric Active Contours"", 《PROCEEDINGS OF THE 2006 AMERICAN CONTROL CONFERENCE》 * |
刘艳萍: ""复杂背景下弱小目标检测与跟踪的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
尹秀玲 等: ""港口船舶位置目标图像跟踪监测研究"", 《微型机与应用》 * |
魏敦生: ""星空背景下小目标的跟踪与识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084177A (zh) * | 2019-04-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 定位系统、方法、控制系统以及空调、存储介质 |
CN113014744A (zh) * | 2019-12-19 | 2021-06-22 | 合肥君正科技有限公司 | 一种车内监控画面遮挡排除光线闪烁干扰的方法 |
CN113014744B (zh) * | 2019-12-19 | 2022-07-22 | 合肥君正科技有限公司 | 一种检测车内监控画面遮挡的方法 |
CN114022840A (zh) * | 2021-10-22 | 2022-02-08 | 史缔纳农业科技(广东)有限公司 | 一种基于视觉传感器的猪只识别方法 |
CN117032068A (zh) * | 2023-07-24 | 2023-11-10 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
CN117032068B (zh) * | 2023-07-24 | 2024-02-27 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063602A (zh) | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 | |
CN108154520B (zh) | 一种基于光流与帧间匹配的运动目标检测方法 | |
CN110349207A (zh) | 一种复杂环境下的视觉定位方法 | |
CN106875415A (zh) | 一种动态背景中弱小动目标的连续稳定跟踪方法 | |
CN109767454B (zh) | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 | |
CN106228570B (zh) | 一种真值数据确定方法和装置 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN108334885A (zh) | 一种视频卫星图像空间目标检测方法 | |
CN109064498A (zh) | 基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法 | |
Nayagam et al. | A survey on real time object detection and tracking algorithms | |
Suganyadevi et al. | OFGM-SMED: An efficient and robust foreground object detection in compressed video sequences | |
CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
Zarka et al. | Real-time human motion detection and tracking | |
Ramasubramanian et al. | A survey study on detecting and tracking objective methods | |
CN110111368A (zh) | 一种基于人体姿态识别的相似移动目标的检测跟踪方法 | |
Erokhin et al. | Detection and tracking of moving objects with real-time onboard vision system | |
Corpetti et al. | Dense motion analysis in fluid imagery | |
Fen et al. | Pedestrian tracking using particle filter algorithm | |
Nhat et al. | Real-time face tracking with instability using a feature-based adaptive model | |
CN109993771A (zh) | 基于状态向量增量的调制域红外目标跟踪方法 | |
Mattioli et al. | Maximum likelihood speed estimation of moving objects in video signals | |
CN110991313B (zh) | 一种基于背景分类的运动小目标检测方法和系统 | |
Cuevas et al. | Segmentation-tracking feedback approach for high-performance video surveillance applications | |
Fernando et al. | Wind field analysis using optical flow and fuzzy logic |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |