CN109102528A - 一种船舶跟踪方法及系统 - Google Patents
一种船舶跟踪方法及系统 Download PDFInfo
- Publication number
- CN109102528A CN109102528A CN201810890137.7A CN201810890137A CN109102528A CN 109102528 A CN109102528 A CN 109102528A CN 201810890137 A CN201810890137 A CN 201810890137A CN 109102528 A CN109102528 A CN 109102528A
- Authority
- CN
- China
- Prior art keywords
- ship
- stms
- tracking
- operator
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 52
- 230000000694 effects Effects 0.000 claims abstract description 50
- 239000000284 extract Substances 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 46
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 11
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 230000016776 visual perception Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种船舶跟踪方法及系统,基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征,通过稀疏表达机制对STMS船舶跟踪算子提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能,通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。本发明具备较好的抽象性和鲁棒性,可有效应对光照变化、成像视角变化、船舶遮挡和船舶成像尺寸变化等多种船舶跟踪挑战,具有较小的船舶跟踪误差和良好的跟踪效果。
Description
技术领域
本发明涉及一种船舶跟踪方法及系统。
背景技术
船舶跟踪作为智能航行视觉感知的一个基本任务,可帮助智能船舶获取通航环境感兴趣船舶的动态信息,帮助智能船舶更加准确地判断碰撞危险,保障智能船舶的安全航行。
目前,部分学者利用传统的图像处理技术手段实现了船舶跟踪的目的。现有的跟踪算法和模型包括光流法,卡尔曼跟踪算法,Camshift和Meanshift等,主要是根据图像序列中目标的单一特征进行识别与跟踪,这些算法可能并不能适用于智能航行应用场景下的船舶跟踪。列如,在海浪影响、恶劣天气、船舶会遇局面、不同的成像视角、远距离成像等条件下单一特征的识别变得尤为困难。
面向智能航行视觉感知的船舶跟踪算法中,高效的船舶跟踪算子需要能够在不同应用场景下有效地跟踪感兴趣区域(region of interest,RoI)的船舶。L1跟踪算子是常用的目标跟踪算子,该跟踪算子具有跟踪精度高、跟踪计算开销小等优势。但是Hong等人指出,视频序列中跟踪目标发生形变时,L1跟踪算子并不能获得理想的跟踪效果。
面向智能航行视觉感知任务的船舶跟踪,主要面临如下挑战:1、跟踪算法需要具备较好的鲁棒性,尤其是在光照变化、恶劣天气、不同的成像视角等条件下均应具备稳定的跟踪效果,而传统的船舶跟踪方法面临上述挑战时并不能得到理想的跟踪效果。2、基于AIS、雷达等技术手段的船舶跟踪算法将目标船舶视为质点,而面向智能航行视觉感知的船舶跟踪任务中,不能将跟踪的目标船舶视为质点。因此,我们亟需一种能够有效应对上述挑战的船舶跟踪算法,来进一步保证船舶跟踪的准确性。
发明内容
本发明提供一种船舶跟踪方法及系统,具备较好的抽象性和鲁棒性,可有效应对光照变化、成像视角变化、船舶遮挡和船舶成像尺寸变化等多种船舶跟踪挑战,具有较小的船舶跟踪误差和良好的跟踪效果。
为了达到上述目的,本发明提供一种船舶跟踪方法,包含以下步骤:
步骤S1、基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
步骤S2、通过稀疏表达机制对STMS船舶跟踪算子提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能;
步骤S3、通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
所述的步骤S1中,LoG算子首先利用高斯滤波器对图像序列进行去噪处理,再利用拉普拉斯算子提取去噪图像序列的船舶特征,找到船舶的边缘;
高斯核函数和LoG算子的计算公式如式(1)和(2)所示:
其中,x和y表示图像像素点的横坐标和纵坐标,σ表示高斯滤波器对图像的平滑程度。
所述的步骤S1中,HoG算子通过以下步骤提取船舶特征:
对图像序列的任一帧Ik(k=1,2,...m),分别计算该帧对应的水平梯度和垂直梯度
通过公式(3)和公式(4)计算帧Ik对应的规范化梯度和方向梯度
将帧Ik分割为若干个连通区域,并分别求解每个连通区域对应的直方图分布,获得每个连通区域的HOG算子;
将上述所有连通区域对应的HOG描述算子执行串联操作,并获得帧Ik的HOG算子。
所述的步骤S1中,任取3×3的船舶图像块,把该图像块的中心点记为Icp,求解Icp对应的LBP算子的过程包含:
对该图像块的灰度进行二值化处理,将Icp邻域范围内大于Icp灰度的像素灰度设为1,而邻域内其他像素的灰度值设为0;
将二值化的灰度按照逆时针方向构建二进制向量;
根据公式(5)将二进制向量转换为对应的LBP算子对应的十进制编码:
其中,Icp表示中心点的像素强度,参数Iap(m)(m=1,2,...9)表示Icp邻域范围内像素的灰度值。
所述的步骤S1中,利用2D Gabor滤波器提取船舶的轮廓特征,通过正弦调谐高斯函数近似求得2D Gabor滤波器,对于给定的像素点(x,y),通过公式(7)获得该像素点相应的Gabor滤波结果;
其中,σsx和σsy分别表示水平和垂直方向的Gabor滤波器操作,Fsine表示正弦函数的径向函数,β表示Gabor滤波器的方向信息,取值范围为[0,π]。
所述的步骤S1中,Canny算子通过以下步骤提取船舶的边缘特征:
Canny滤波器利用高斯算子对原始图像帧去噪;
利用一阶有限差分法获得该图像帧的梯度幅值和方向,在此基础上抑制非最大梯度幅值;
利用双阈值法连接边缘并输出船舶的边缘特征。
所述的步骤S2中,建立STMS模型的方法包含以下步骤:
STMS通过求解公式(8)的最小值,实现跟踪视频序列中船舶的目的;
对于STMS中每一特征k(k=1,2,3,4,5),用CK来表示完备的船舶图像跟踪字典,Wk为船舶模板对应的特征矩阵,Wk为字典CK的矩阵表现形式,Xk是待跟踪船舶的真实位置,STMS五个特征构成的完备字典和特征矩阵的内积即为可能的船舶跟踪目标;
引入代价函数fL(CkWk-Xk)(k=1,2...5)评价可能的船舶跟踪目标和船舶模板特征矩阵在第i个特征的差异程度,较小的fL(CkWk-Xk)(k=1,2...5)说明STMS获得了较好的跟踪效果,即式(8)取值最小时,STMS算子找到了图像中最可能的船舶跟踪目标;
引入稀疏表达机制对多视图学习机制提取的船舶特征进行稀疏表达,将矩阵Wk(k=1,2…5)分解为系数矩阵Pk和Qk;
Wk=Pk+Qkk=1,2...5 (9)
其中,Pk为第k个特征的矩阵表现形式,通过水平填充Pk(k=1,2…5)获取全局表征矩阵P,类似可求全局系数矩阵Q,因此,可以将公式(8)的STMS模型改写为公式(10);
由于公式(10)的Ck是完备的船舶图像跟踪字典,因此Pk和Qk阶数越高,元素越多,则STMS跟踪到的船舶目标特征CK(Pk+Qk)与船舶模板的特征Xk之间的差异越小,即STMS获得的跟踪效果越好;
引入LASSO惩罚机制以平衡STMS模型的跟踪精度和计算复杂度两者之间的矛盾;公式(10)的参数||P||1,2表征了STMS各个特征的独立程度,利用l1,2惩罚机制对||P||1,2进行稀疏处理,即全局系数矩阵P的行稀疏程度越高,越能体现不同特征之间的耦合程度,而紧密的耦合关系会减小全局系数矩阵P的阶数,公式(10)的参数λ1表征了全局系数矩阵P的稀疏度,而λ1||P||1,2因子的作用是尽量减小全局系数矩阵P的阶数,寻找公式(10)的最优解;此外,公式(10)的因子||QT||1,2为STMS模型跟踪的异常结果引入的LASSO惩罚机制可以尽量减小||QT||1,2;参数λ2是全局系数矩阵Q对应的稀疏系数,矩阵Q的阶数越低,表明STMS模型的异常跟踪目标越少,因此全局系数矩阵P和Q的阶数越低,表明λ1||P||1,2+λ2||QT||1,2值越小,其中Pi,j是矩阵P的第i行,第j列的元素,||QT||1,2的定义与||P||1,2类似,即公式(10)可获得更优解;基于上述对全局系数矩阵P和Q的讨论,可知获得公式(10)的最小值时,STMS模型可获得最优的跟踪效果;利用弗罗贝尼乌斯范式,记为进一步优化STMS模型的跟踪性能,即STMS模型求解最终转化为寻找公式(11)的最小值;
所述的步骤S3中,求解STMS模型的方法包含以下步骤:
步骤S3.1、将公式(11)改写为公式(12)和(13);
r(P,Q)=λ1||P||1,2+λ2||QT||1,2 (13)
步骤S3.2、复合梯度映射;
找到s(P,Q)在点(U,V)的一阶泰勒展开式,记为s(U,V),将公式(11)变换为公式(14);
其中,参数和分别是U和V关于s(U,V)的偏导数,是因子和因子P-U的内积,是因子和因子Q-V的内积,参数σ是算法迭代的惩罚项;
步骤S3.3、聚合过程;
对于第m次APG迭代,通过(Pm,Qm)和(Pm-1,Qm-1)的线性组合计算(Um+1,Vm+1),用等式(15)和(16)更新(Um+1,Vm+1);
其中,P0,Q0,U1,V1的初始值均设为0,βm的计算公式如式(17)所示:
步骤S3.4、给定点(Um,Vm),通过求解公式(18)获得第m次APG迭代过程的解;
(Pm,Qm)=argP,QminΩ(P,Q;Um,Vm) (18)
而求解公式(18)最小值的问题被转换为求公式(19)和(20)中Pm和Qm的最优解;
利用公式(21)和公式(22)近似估计参数Pm和Qm的最优解;
其中,符号||·||代表欧氏距离,在式(21)中,是Pm的第i行,是Um的第i行,而式(22)的是Qm的第j列,是Vm第j列,对算法展开多次迭代以计算式(21)和式(22)的系数矩阵P和Q,即为STMS模型的最终求解结果。
本发明还提供一种船舶跟踪系统,包含:
船舶特征提取模块,用于基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
多视图学习及稀疏表达模块,用于通过稀疏表达机制对提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能;
船舶跟踪模块,用于通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
本发明融合多视图学习机制和稀疏表达机制,具备较好的抽象性和鲁棒性,可有效应对光照变化、成像视角变化、船舶遮挡和船舶成像尺寸变化等多种船舶跟踪挑战,具有较小的船舶跟踪误差和良好的跟踪效果。
附图说明
图1是本发明提供的一种船舶跟踪方法的流程图。
图2是LBP算子的计算流程。
图3是海事监控视频序列的四种典型场景。
图4是场景1对应的TTRIP。
图5是场景2对应的TTRIP。
图6是场景3对应的TTRIP。
图7是场景4对应的TTRIP。
图8是场景1典型帧的不同跟踪算法的跟踪效果图。
图9是场景2典型帧的不同跟踪算法的跟踪效果图。
图10是场景3典型帧的不同跟踪算法的跟踪效果图。
图11是场景4典型帧的不同跟踪算法的跟踪效果图。
图12为本发明提供的一种船舶跟踪系统的模块图。
具体实施方式
以下根据图1~图12,具体说明本发明的较佳实施例。
近年来,基于多视图学习(Multi-view)机制的目标跟踪算法通过学习并提取视频图像中目标的多个特征,实现了复杂环境中的目标跟踪。因此,如图1所示,本发明提出一种基于多视图学习机制和稀疏表达机制的新型船舶跟踪方法,包含以下步骤:
步骤S1、基于多视图学习机制和稀疏表达机制的船舶跟踪算子(ship trackerbased on Multi-view learning and sparse representation,STMS,以下简称为“船舶跟踪算子”)利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
步骤S2、通过稀疏表达机制对STMS船舶跟踪算子提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯(Frobenius)范式优化STMS模型的跟踪性能;
步骤S3、通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
所述的步骤S1中,LoG算子(Laplacian of Gaussian)由David Courtnay Mar和Ellen Hildreth共同提出的,因此LoG算子也被称为Mar&Hildreth算子。考虑到高斯滤波器可以有效地抑制高斯噪声,LoG算子首先利用高斯滤波器对图像序列进行去噪处理,得到比较平滑的图像。在此基础上,LoG算子利用拉普拉斯算子提取去噪图像序列的船舶特征,找到船舶的边缘。本发明使用的高斯核函数和LoG算子的计算公式如式(1)和(2)所示:
其中,x和y表示图像像素点的横坐标和纵坐标,σ表示高斯滤波器对图像的平滑程度。
HoG算子(Histogram of Oriented Gradient)主要通过梯度信息表征图像的纹理特征。本发明中HoG算子主要通过以下四个步骤提取船舶特征:
首先,对图像序列的任一帧Ik(k=1,2,...m),分别计算该帧对应的水平梯度和垂直梯度
其次,通过公式(3)和公式(4)计算帧Ik对应的规范化梯度和方向梯度
再次,将帧Ik分割为若干个连通区域,并分别求解每个连通区域对应的直方图分布,获得每个连通区域的HOG算子;
最后,将上述所有连通区域对应的HOG描述算子执行串联操作,并获得帧Ik的HOG算子。
LBP算子(Local Binary Pattern)是计算机视觉领域中常用的结构特征提取算子。为了清楚地描述LBP算子,任取3×3的船舶图像块,把该图像块的中心点记为Icp,图2显示了该3×3船舶图像块各个像素点对应的灰度值。求解Icp对应的LBP算子的具体过程如下:
首先,对该图像块的灰度进行二值化处理,将Icp邻域范围内大于Icp灰度的像素灰度设为1,而邻域内其他像素的灰度值设为0;
其次,将二值化的灰度按照逆时针方向构建二进制向量;本图像块对应的二进制编码为00101111;
最后,根据公式(5)将二进制向量转换为对应的LBP算子对应的十进制编码:
其中,Icp表示中心点的像素强度,参数Iap(m)(m=1,2,...9)表示Icp邻域范围内像素的灰度值。
二维(two dimension,2D)Gabor滤波器是目标检测和跟踪领域的一种常用的边缘特征提取算子,本发明也利用2D Gabor滤波器提取船舶的轮廓特征。通过正弦调谐高斯函数近似求得2D Gabor滤波器。对于给定的像素点(x,y),可通过公式(7)获得该像素点相应的Gabor滤波结果,其中σsx和σsy分别表示水平和垂直方向的Gabor滤波器操作,Fsine表示正弦函数的径向函数,β表示Gabor滤波器的方向信息,取值范围为[0,π]。
Canny算子是基本的边缘算子,Canny算子通过下述步骤提取船舶的边缘特征:
首先,Canny滤波器利用高斯算子对原始图像帧去噪;
然后,利用一阶有限差分法获得该图像帧的梯度幅值和方向,在此基础上抑制非最大梯度幅值;
最后,利用双阈值法连接边缘并输出船舶的边缘特征。
所述的步骤S2中,确定船舶特征提取算子后,利用STMS提取视频序列中船舶的上述特征,并对这些特征进行稀疏化的表达和学习,建立STMS模型,以获得良好的船舶跟踪效果。
建立STMS模型的方法包含以下步骤:
STMS通过求解公式(8)的最小值,实现跟踪视频序列中船舶的目的;
对于STMS中每一特征k(k=1,2,3,4,5),用CK来表示完备的船舶图像跟踪字典,Wk为船舶模板对应的特征矩阵,Wk为字典CK的矩阵表现形式,Xk是待跟踪船舶的真实位置,STMS五个特征构成的完备字典和特征矩阵的内积即为可能的船舶跟踪目标;
为了获得较好的跟踪效果,引入代价函数fL(CkWk-Xk)(k=1,2...5)评价可能的船舶跟踪目标和船舶模板特征矩阵在第i个特征的差异程度,较小的fL(CkWk-Xk)(k=1,2...5)说明STMS获得了较好的跟踪效果,即式(8)取值最小时,STMS算子找到了图像中最可能的船舶跟踪目标;
为了稳定的跟踪效果,引入稀疏表达机制对多视图学习机制提取的船舶特征进行稀疏表达,将矩阵Wk(k=1,2…5)分解为系数矩阵Pk和Qk,经过稀疏表达的Multi-view船舶特征算子具有抽象性、鲁棒性等优势,可有效应对光照变化、成像视角变化等多种船舶跟踪挑战;
Wk=Pk+Qkk=1,2...5 (9)
其中,Pk为第k个特征的矩阵表现形式,通过水平填充Pk(k=1,2…5)获取全局表征矩阵P,类似可求全局系数矩阵Q,因此,可以将公式(8)的STMS模型改写为公式(10);
由于公式(10)的Ck是完备的船舶图像跟踪字典,因此Pk和Qk阶数越高,元素越多,则STMS跟踪到的船舶目标特征CK(Pk+Qk)与船舶模板的特征Xk之间的差异越小,即STMS获得的跟踪效果越好;
但是,系数矩阵P和Q阶数越高,STMS模型的计算复杂度也会随之剧增。因此引入LASSO惩罚机制(记为l1,2)以平衡STMS模型的跟踪精度和计算复杂度两者之间的矛盾;公式(10)的参数||P||1,2表征了STMS各个特征的独立程度,利用l1,2惩罚机制对||P||1,2进行稀疏处理,即全局系数矩阵P的行稀疏程度越高,越能体现不同特征之间的耦合程度,而紧密的耦合关系会减小全局系数矩阵P的阶数,公式(10)的参数λ1表征了全局系数矩阵P的稀疏度,而λ1||P||1,2因子的作用是尽量减小全局系数矩阵P的阶数,寻找公式(10)的最优解;此外,公式(10)的因子||QT||1,2为STMS模型跟踪的异常结果引入的LASSO惩罚机制可以尽量减小||QT||1,2;参数λ2是全局系数矩阵Q对应的稀疏系数,矩阵Q的阶数越低,表明STMS模型的异常跟踪目标越少,因此全局系数矩阵P和Q的阶数越低,表明λ1||P||1,2λ2||QT||1,2值越小(其中,Pi,j是矩阵P的第i行,第j列的元素,||QT||1,2的定义与||P||1,2类似),即公式(10)可获得更优解;基于上述对全局系数矩阵P和Q的讨论,可知获得公式(10)的最小值时,STMS模型可获得最优的跟踪效果;利用弗罗贝尼乌斯(Frobenius)范式(记为)进一步优化STMS模型的跟踪性能,即STMS模型求解最终转化为寻找公式(11)的最小值;
所述的步骤S3中,加速近似梯度(Accelerated Proximal Gradient,APG)方法是一种常用的最优求解算法,它在保证算法收敛的情况下能够有效获得待求解模型的全局最优解。实际上,APG方法在第m次迭代时获得的最优解与模型的真实最优解之间的误差残差为这说明APG方法的迭代次数越多,其求解的精度越高。
求解STMS模型的方法包含以下步骤:
步骤S3.1、将公式(11)改写为公式(12)和(13);
r(P,Q)=λ1||P||1,2+λ2||QT||1,2 (13)
步骤S3.2、复合梯度映射;
找到s(P,Q)在点(U,V)的一阶泰勒展开式,记为s(U,V),将公式(11)变换为公式(14);
其中,参数和分别是U和V关于s(U,V)的偏导数,是因子和因子P-U的内积,是因子和因子Q-V的内积,参数σ是算法迭代的惩罚项;
步骤S3.3、聚合过程;
对于第m次APG迭代,通过(Pm,Qm)和(Pm-1,Qm-1)的线性组合计算(Um+1,Vm+1),用等式(15)和(16)更新(Um+1,Vm+1);
其中,P0,Q0,U1,V1的初始值均设为0,βm的计算公式如式(17)所示:
步骤S3.4、给定点(Um,Vm),通过求解公式(18)获得第m次APG迭代过程的解;
(Pm,Qm)=argP,QminΩ(P,Q;Um,Vm) (18)
而求解公式(18)最小值的问题被转换为求公式(19)和(20)中Pm和Qm的最优解;
利用公式(21)和公式(22)近似估计参数Pm和Qm的最优解;
其中,符号||·||代表欧氏距离,在式(21)中,是Pm的第i行,是Um的第i行,而式(22)的是Qm的第j列,是Vm第j列,对算法展开多次迭代以计算式(21)和式(22)的系数矩阵P和Q,即为STMS模型的最终求解结果。
如图12所示,本发明还提供了一种船舶跟踪系统,包含:
船舶特征提取模块101,用于基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
多视图学习及稀疏表达模块102,用于通过稀疏表达机制对提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能;
船舶跟踪模块103,用于通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
实验测试
如图3所示,按照测试场景的不同,采集的视频序列主要分为四种情况,即场景1(case-1),场景2(case-2),场景3(case-3)和场景4(case-4)。海浪是船舶跟踪面临的重要挑战,因此,第一组实验主要分析、验证提出的STMS模型在海面波浪干扰下的跟踪性能。第二组实验主要分析船舶跟踪视频图像序列中,待跟踪的目标船舶与他船产生重叠(即产生会遇局面)时,STMS模型的跟踪效果。第二组实验主要包含两个跟踪场景(场景2和场景3)。其中,场景2中目标船舶与会遇局面的他船的成像外形比较接近,而场景3中目标船舶与会遇局面的他船的成像外形差异较大。第三组实验为场景4,即待跟踪船舶的成像尺寸较小。为了更好的对比船舶跟踪效果,通过人工标定的方式标注了四个场景的所有图像帧的目标船舶的位置。使用能够覆盖该目标船舶的最小矩形框来标定每帧图像中的船舶(Targetregion,TR),并记录最小矩形框的左上顶点的横纵坐标,矩形框的宽度和高度。
利用本发明提出的STMS模型对上述四个视频序列的船舶进行跟踪。此外,也分别利用卡尔曼(Kalman)跟踪算法和Meanshift跟踪算法跟踪上述四个视频序列的船舶,以比较不同场景下不同算法的跟踪性能。实验平台是Windows 10操作系统,CPU处理器的主频是3.4GHz,仿真平台是MATLAB(R2011版)。给定的四个海事跟踪视频序列中,利用人工标定的第一帧TR矩形框信息作为各个算法的原始RoI。
1、场景1的跟踪效果;
STMS算法、卡尔曼滤波器和Meanshift算法均被应用于场景1的船舶视频序列中,以对比三种跟踪算子在海浪干扰下的跟踪性能。表1的MSE和MAD分布表明STMS算法明显优于Kalman滤波器和Meanshift算法的跟踪效果。其中,Kalman跟踪器的MSE是Meanhift跟踪算法的6倍多,而Meanhift跟踪算法的MSE几乎是STMS模型的10倍。因此,从MSE的分布看,STMS获得了较好的跟踪性能。而Kalman算法是三种跟踪算法中跟踪效果最差的。表1显示STMS对应的MSE和MAD最小,分别为3.6和2.8像素。这表明STMS跟踪算法在场景1的视频图像序列中可以准确找到目标船舶。因此,我们认为提出的STMS算法能够有效地应对波浪带来的跟踪干扰。
表1不同跟踪算法应用于场景1的船舶跟踪对应的统计误差分布
MSE(像素) | MAD(像素) | |
Kalman | 176.6 | 142.7 |
Meanshift | 26.9 | 17.2 |
STMS | 3.6 | 2.8 |
此外,图4显示了不同跟踪算法得到的矩形框IP和人工标定矩形框IP之间的距离(Tracked and TR’s IP,TTRIP)。为了更好地展示不同跟踪算法的跟踪误差分布,将TTRIP的最大值设为200像素。图4显示,Kalman滤波器在船舶跟踪过程中比较容易受到波浪的影响。图像序列中波浪抖动越明显,Kalman滤波器的跟踪效果越差。在场景1的视频序列中,当Kalman滤波器跟踪到第80帧时,其对应的TTRIP达到最大阈值。此外,从第110帧开始,Kalman滤波器的跟踪误差基本保持在最大误差阈值水平,这表明Kalman滤波算子在海浪干扰条件下的跟踪精度和跟踪效果不好。
图4显示,相比于Kalman滤波器,Meanshift和STMS算法均获得了更小的TTRIP值。而且,在场景1的视频序列的前350帧中,Meanshift算法和STMS模型的TTRIP值比较接近,这说明Meanshift和STMS算法在场景1的前350帧图像的跟踪效果相近。但在场景1对应的最后130帧图像序列中,Meanshift算法的TTRIP值显著增加,而STMS算法对应的TTRIP值基本保持不变。通过分析Meanshift算法的最后130帧图像的跟踪结果,发现Meanshift算法在部分图像帧的跟踪结果中包含了部分波浪。Meanshift算法在对场景1视频序列的后期跟踪过程也受到了海浪的干扰。
此外,与Kalman和Meanhift跟踪模型相比,图4显示STMS跟踪算子具有稳定的船舶跟踪效果。这主要是由于以下几个方面的原因:1、STMS跟踪算子通过跟踪目标船舶的轮廓和纹理特征实现船舶跟踪,而且STMS跟踪算子提取了LBP,HOG,Gabor,LoG和Canny等5种典型的船舶特征,这有效地保证了STMS算法的跟踪精度。此外,虽然海浪也具有一定的轮廓特征,但是波浪的轮廓特征与船舶的轮廓特征具有明显的区别,即STMS能够有效区分海浪与船舶的特征,从而丢弃算子跟踪的波浪轮廓,抑制海浪带来的船舶跟踪干扰。2、虽然场景1的船舶视频序列中,目标船舶成像尺寸存在一定的变化,但STMS算子提取的特征具有尺度不变性的优势。此外,STMS算法船舶模板的自适应更新机制也有效地抑制了目标船舶成像尺寸变化带来的干扰。
图8中的左上角图显示,三种算法在早期的船舶跟踪过程中均显示了较好的跟踪效果。然而,图8中其余三张图显示Kalman滤波器在第168帧,372帧和450帧的跟踪矩形框距离真实的目标船舶较远,这也印证了上述Kalman滤波跟踪算子得到的TTRIP分布。图8中右下角图显示Meanshift算法第450帧时没有正确跟踪到目标船舶。但是,STMS跟踪模型在上述四个典型帧中均成功地跟踪到了目标船舶。上述定量分析和定性分析均表明,提出的STMS算子能有效的应对海浪带来的船舶跟踪干扰。
2、场景2和场景3的跟踪效果;
场景2主要考虑待跟踪的船舶与会遇局面中的船舶外观差异较大时,不同跟踪算法的跟踪性能比较。表2的统计指标显示Kalman跟踪算法的跟踪效果最差,而STMS算子仍然获得了最佳的跟踪效果。场景2中STMS算子对应的MSE最小,其MSE值约为14.2个像素。相对应的Kalman算子和Meanhift算子得到的MSE值比STMS算子大2倍。此外,场景2中各种算法对应的MAD指标与MSE具有相似的变化趋势。STMS算子对应的MAD智最小,大约为12像素。因此,与场景2的Kalman和Meanhift跟踪算子相比,STMS算子的跟踪效果依然是最佳的。即会遇局面中两船外形差异较大的跟踪场景下,本发明提出的STMS算子仍然可有效地实现船舶跟踪。
表1不同跟踪算法应用于场景2的船舶跟踪对应的统计误差分布
图5显示了场景2对应的不同算法的TTRIP值分布。Kalman算子在跟踪前200帧的船舶图像时,TTRIP值基本都达到了最大阈值,船舶的跟踪效果不稳定。通过分析Kalman算子的跟踪图像,发现Kalman算子几乎把图像帧1/3的区域作为RoI的跟踪区域。而剩下的350帧图像中,Kalman算子的对应的TTRIP值呈现出减小的趋势。这主要是因为目标船舶在视频序列的行进方向与Kalman算子跟踪的矩形框的中心位置一致。
分析图5对应的误差分布及Meanshift跟踪算子的跟踪结果,发现Meanshift算子在第200帧时跟丢了目标船舶。实际上,从201帧开始,视频序列的目标船舶与他船形成了一种会遇局面。此时Meanshift算子受到会遇局面他船的干扰,把会遇局面的他船作为跟踪目标,而不是原始的本船作为跟踪目标。图5也显示,从201帧图像开始,Meanshift算子对应的船舶跟踪TTRIP值大幅增加。这充分说明了Meanshift算子在第201帧以后就丢失了跟踪目标。提出的STMS模型利用Multi-view机制有效地提取待跟踪船舶的轮廓和结构特征,保证了STMS模型在跟踪会遇局面中目标船舶的跟踪效果。图9中第462帧和540帧的跟踪结果也验证了上述分析。
场景3主要验证了会遇局面中,目标船舶与会遇船舶外形比较相似的场景中,不同跟踪算法的跟踪性能。表3为不同跟踪算法的MSE和MAD分布情况。其中STMS算法对应的MSE为7.3像素,仅为Meanshift跟踪算子对应的MSE的1/4,而Kalman跟踪算子对应的MSE为52.9像素,远大于STMS算子和Meanshift算子对应MSE值。场景3中不同算法的MAD变化趋势与MSE变化趋势类似。表3的统计指标表明,STMS的船舶跟踪误差小于Kalman跟踪算子和Meanshift跟踪算子的跟踪误差。
表2不同跟踪算法应用于场景3的船舶跟踪对应的统计误差分布
MSE(像素) | MAD(像素) | |
Kalman | 52.9 | 45.5 |
Meanshift | 30.2 | 24.1 |
STMS | 7.3 | 4.8 |
图6表明Kalman跟踪算子和Meanshift跟踪算子应用于场景3的跟踪效果比场景2的跟踪效果好。此外,该子图显示STMS算子得到的部分帧对应的TTRIP达到了最大值,这表明STMS算子的部分图像帧存在丢失跟踪目标的现象。此现象说明待跟踪的船舶产生会遇局面时,STMS算子也受到了一定的干扰。然而,STMS算子的后续图片帧序列对应的TTRIP值分布表明提出的船舶跟踪算子在丢失目标船舶的情况下,能够根据算子已经提取和学习到的船舶特征及时更新更新跟踪模板,在会遇局面后期重新定位并跟踪到了目标船舶。图10显示了典型图像帧中不同跟踪算法的跟踪效果。通过上述的定量和定性分析会遇局面的船舶跟踪效果,我们可以发现无论目标船舶与会遇局面他船的外形是否相似,STMS算子均能有效的跟踪目标船舶。
3、场景4的跟踪效果;
最后一组实验主要分析船舶成像较小的跟踪场景下,不同跟踪算法的跟踪性能。表4显示,Kalman跟踪算子对应的MSE为70.9个像素,远大于Meanshift跟踪算子和STMS算子对应的MSE值。这表明Kalman跟踪算子无法有效跟踪成像尺寸相对较小的船舶。同时,Meanshift算子的MSE值与STMS的MSE值比较接近。此外,Kalman跟踪算子对应的MAD为33.6个像素,Meanshift算子对应的MAD为9.4个像素,而STMS对应的MAD仅为5.1个像素。跟踪误差指标MSE和MAD的分布表明STMS的跟踪效果优于Kalman跟踪算子和Meanshift跟踪算子。场景4对应的TTRIP分布如图7所示,TTRIP的分布也验证了上述分析。场景4对应的典型跟踪效果图如图11所示。基于上述分析,我们认为提出的STMS跟踪算子在不同的跟踪场景下均能获得稳定可靠的船舶跟踪效果。
表3不同跟踪算法应用于场景4的船舶跟踪对应的统计误差分布
MSE(像素) | MAD(像素) | |
Kalman | 70.9 | 33.6 |
Meanshift | 11.5 | 9.4 |
STMS | 5.9 | 5.1 |
本发明融合Multi-view学习机制和稀疏表达机制构建了一种新型的船舶跟踪算法,该跟踪算法通过提取视频序列中船舶的边缘信息特征(HOG算子,LBP算子,Gabor算子,LoG算子和Canny算子),并将其融合成一种鲁棒性较好的抽象船舶特征算子,该算子可有效应对船舶遮挡、船舶成像尺寸变化等典型船舶跟踪挑战。将本发明提出的STMS船舶跟踪模型应用于四种典型的船舶跟踪场景。实验结果表明相比于传统的船舶跟踪算法,本发明提出的船舶跟踪算法获得的目标船舶位置与图像序列中真实目标船舶位置距离最小,即本发明提出的STMS船舶跟踪模型具有较小的船舶跟踪误差。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种船舶跟踪方法,其特征在于,包含以下步骤:
步骤S1、基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
步骤S2、通过稀疏表达机制对STMS船舶跟踪算子提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能;
步骤S3、通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
2.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S1中,LoG算子首先利用高斯滤波器对图像序列进行去噪处理,再利用拉普拉斯算子提取去噪图像序列的船舶特征,找到船舶的边缘;
高斯核函数和LoG算子的计算公式如式(1)和(2)所示:
其中,x和y表示图像像素点的横坐标和纵坐标,σ表示高斯滤波器对图像的平滑程度。
3.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S1中,HoG算子通过以下步骤提取船舶特征:
对图像序列的任一帧Ik(k=1,2,...m),分别计算该帧对应的水平梯度和垂直梯度
通过公式(3)和公式(4)计算帧Ik对应的规范化梯度和方向梯度
将帧Ik分割为若干个连通区域,并分别求解每个连通区域对应的直方图分布,获得每个连通区域的HOG算子;
将上述所有连通区域对应的HOG描述算子执行串联操作,并获得帧Ik的HOG算子。
4.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S1中,任取3×3的船舶图像块,把该图像块的中心点记为Icp,求解Icp对应的LBP算子的过程包含:
对该图像块的灰度进行二值化处理,将Icp邻域范围内大于Icp灰度的像素灰度设为1,而邻域内其他像素的灰度值设为0;
将二值化的灰度按照逆时针方向构建二进制向量;
根据公式(5)将二进制向量转换为对应的LBP算子对应的十进制编码:
其中,Icp表示中心点的像素强度,参数Iap(m)(m=1,2,...9)表示Icp邻域范围内像素的灰度值。
5.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S1中,利用2D Gabor滤波器提取船舶的轮廓特征,通过正弦调谐高斯函数近似求得2D Gabor滤波器,对于给定的像素点(x,y),通过公式(7)获得该像素点相应的Gabor滤波结果;
其中,σsx和σsy分别表示水平和垂直方向的Gabor滤波器操作,Fsine表示正弦函数的径向函数,β表示Gabor滤波器的方向信息,取值范围为[0,π]。
6.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S1中,Canny算子通过以下步骤提取船舶的边缘特征:
Canny滤波器利用高斯算子对原始图像帧去噪;
利用一阶有限差分法获得该图像帧的梯度幅值和方向,在此基础上抑制非最大梯度幅值;
利用双阈值法连接边缘并输出船舶的边缘特征。
7.如权利要求1所述的船舶跟踪方法,其特征在于,所述的步骤S2中,建立STMS模型的方法包含以下步骤:
STMS通过求解公式(8)的最小值,实现跟踪视频序列中船舶的目的;
对于STMS中每一特征k(k=1,2,3,4,5),用Ck来表示完备的船舶图像跟踪字典,Wk为船舶模板对应的特征矩阵,Wk为字典CK的矩阵表现形式,Xk是待跟踪船舶的真实位置,STMS五个特征构成的完备字典和特征矩阵的内积即为可能的船舶跟踪目标;
引入代价函数fL(CkWk-Xk)(k=1,2 ... 5)评价可能的船舶跟踪目标和船舶模板特征矩阵在第i个特征的差异程度,较小的fL(CkWk-Xk)(k=1,2...5)说明STMS获得了较好的跟踪效果,即式(8)取值最小时,STMS算子找到了图像中最可能的船舶跟踪目标;
引入稀疏表达机制对多视图学习机制提取的船舶特征进行稀疏表达,将矩阵Wk(k=1,2…5)分解为系数矩阵Pk和Qk;
Wk=Pk+Qk k=1,2...5 (9)
其中,Pk为第k个特征的矩阵表现形式,通过水平填充Pk(k=1,2…5)获取全局表征矩阵P,类似可求全局系数矩阵Q,因此,可以将公式(8)的STMS模型改写为公式(10);
由于公式(10)的Ck是完备的船舶图像跟踪字典,因此Pk和Qk阶数越高,元素越多,则STMS跟踪到的船舶目标特征CK(Pk+Qk)与船舶模板的特征Xk之间的差异越小,即STMS获得的跟踪效果越好;
引入LASSO惩罚机制以平衡STMS模型的跟踪精度和计算复杂度两者之间的矛盾;公式(10)的参数||P||1,2表征了STMS各个特征的独立程度,利用l1,2惩罚机制对||P||1,2进行稀疏处理,公式(10)的参数λ1表征了全局系数矩阵P的稀疏度,而λ1||P||1,2因子的作用是尽量减小全局系数矩阵P的阶数,寻找公式(10)的最优解;此外,公式(10)的因子||QT||1,2为STMS模型跟踪的异常结果引入的LASSO惩罚机制以尽量减小||QT||1,2;参数λ2是全局系数矩阵Q对应的稀疏系数,其中Pi,j是矩阵P的第i行,第j列的元素,||QT||1,2的定义与||P||1,2类似;利用弗罗贝尼乌斯范式,记为进一步优化STMS模型的跟踪性能,STMS模型求解最终转化为寻找公式(11)的最小值;
8.如权利要求7所述的船舶跟踪方法,其特征在于,所述的步骤S3中,求解STMS模型的方法包含以下步骤:
步骤S3.1、将公式(11)改写为公式(12)和(13):
r(P,Q)=λ1||P||1,2+λ2||QT||1,2 (13)
步骤S3.2、复合梯度映射;
找到s(P,Q)在点(U,V)的一阶泰勒展开式,记为s(U,V),U为待跟踪船舶的预测位置的横纵坐标,将公式(11)变换为公式(14);
其中,参数和分别是U和V关于s(U,V)的偏导数,
是因子和因子P-U的内积,是因子和因子Q-V的内积,参数σ是算法迭代的惩罚项;
步骤S3.3、聚合过程;
对于第m次APG迭代,通过(Pm,Qm)和(Pm-1,Qm-1)的线性组合计算(Um+1,Vm+1),用等式(15)和(16)更新(Um+1,Vm+1);
其中,P0,Q0,U1,V1的初始值均设为0,βm的计算公式如式(17)所示:
步骤S3.4、给定点(Um,Vm),通过求解公式(18)获得第m次APG迭代过程的解;
(Pm,Qm)=argP,QminΩ(P,Q;Um,Vm) (18)
而求解公式(18)最小值的问题被转换为求公式(19)和(20)中Pm和Qm的最优解;
利用公式(21)和公式(22)近似估计参数Pm和Qm的最优解;
其中,符号||·||代表欧氏距离,在式(21)中,是Pm的第i行,是Um的第i行,而式(22)的是Qm的第j列,是Vm第j列,对此步骤展开多次迭代以计算式(21)和式(22)的系数矩阵P和Q,即为STMS模型的最终求解结果。
9.一种船舶跟踪系统,其特征在于,包含:
船舶特征提取模块,用于基于多视图学习机制和稀疏表达机制的船舶跟踪算子STMS利用LoG算子、HOG算子、LBP算子、Canny算子和Gabor算子分别提取船舶特征;
多视图学习及稀疏表达模块,用于通过稀疏表达机制对提取的船舶特征进行稀疏表达,建立STMS模型来表征船舶跟踪目标,且引入LASSO惩罚机制来平衡STMS模型的跟踪精度和计算复杂度,并利用弗罗贝尼乌斯范式优化STMS模型的跟踪性能;
船舶跟踪模块,用于通过加速近似梯度方法求解STMS模型,获得船舶跟踪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890137.7A CN109102528A (zh) | 2018-08-07 | 2018-08-07 | 一种船舶跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890137.7A CN109102528A (zh) | 2018-08-07 | 2018-08-07 | 一种船舶跟踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102528A true CN109102528A (zh) | 2018-12-28 |
Family
ID=64848652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810890137.7A Pending CN109102528A (zh) | 2018-08-07 | 2018-08-07 | 一种船舶跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102528A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255537A (zh) * | 2021-06-01 | 2021-08-13 | 贵州财经大学 | 一种用于航行船舶识别的图像增强去噪方法 |
CN115308726A (zh) * | 2022-10-10 | 2022-11-08 | 中船(浙江)海洋科技有限公司 | 一种面向渔船导航雷达信号的分布式直接定位方法 |
CN115690611A (zh) * | 2022-09-26 | 2023-02-03 | 南京信息工程大学 | 基于自适应更新策略的多特征无人机视频跟踪方法 |
CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307260A1 (en) * | 2010-06-11 | 2011-12-15 | Zhengyou Zhang | Multi-modal gender recognition |
US20130266925A1 (en) * | 2012-01-30 | 2013-10-10 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Embedded Conversational Agent-Based Kiosk for Automated Interviewing |
CN106504271A (zh) * | 2015-09-07 | 2017-03-15 | 三星电子株式会社 | 用于眼睛跟踪的方法和设备 |
CN107704865A (zh) * | 2017-05-09 | 2018-02-16 | 北京航空航天大学 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
-
2018
- 2018-08-07 CN CN201810890137.7A patent/CN109102528A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307260A1 (en) * | 2010-06-11 | 2011-12-15 | Zhengyou Zhang | Multi-modal gender recognition |
US20130266925A1 (en) * | 2012-01-30 | 2013-10-10 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Embedded Conversational Agent-Based Kiosk for Automated Interviewing |
CN106504271A (zh) * | 2015-09-07 | 2017-03-15 | 三星电子株式会社 | 用于眼睛跟踪的方法和设备 |
CN107704865A (zh) * | 2017-05-09 | 2018-02-16 | 北京航空航天大学 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255537A (zh) * | 2021-06-01 | 2021-08-13 | 贵州财经大学 | 一种用于航行船舶识别的图像增强去噪方法 |
CN115690611A (zh) * | 2022-09-26 | 2023-02-03 | 南京信息工程大学 | 基于自适应更新策略的多特征无人机视频跟踪方法 |
CN115308726A (zh) * | 2022-10-10 | 2022-11-08 | 中船(浙江)海洋科技有限公司 | 一种面向渔船导航雷达信号的分布式直接定位方法 |
CN115308726B (zh) * | 2022-10-10 | 2023-02-10 | 中船(浙江)海洋科技有限公司 | 一种面向渔船导航雷达信号的分布式直接定位方法 |
CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
CN116758077B (zh) * | 2023-08-18 | 2023-10-20 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626290B (zh) | 一种复杂海面环境下的红外舰船目标检测识别方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Milanese et al. | Attentive mechanisms for dynamic and static scene analysis | |
CN101214851B (zh) | 船舶行驶智能型全天候主动安全预警系统及其预警方法 | |
CN109102528A (zh) | 一种船舶跟踪方法及系统 | |
CN106355602B (zh) | 一种多目标定位跟踪视频监控方法 | |
Guo et al. | Lightweight deep network-enabled real-time low-visibility enhancement for promoting vessel detection in maritime video surveillance | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
Gil et al. | Comparing features for target tracking in traffic scenes | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN114020155A (zh) | 一种基于眼动仪的高精度视线定位方法 | |
Zhang Sr et al. | A ship target tracking algorithm based on deep learning and multiple features | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN113837924B (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
Hashmani et al. | A survey on edge detection based recent marine horizon line detection methods and their applications | |
CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
Favorskaya et al. | Intelligent inpainting system for texture reconstruction in videos with text removal | |
CN117058018A (zh) | 面向水下结构检测的悬浮杂质视觉遮挡区域修复方法 | |
CN110874599A (zh) | 一种基于图像识别的舰船检测方法 | |
Liu et al. | Attention-guided lightweight generative adversarial network for low-light image enhancement in maritime video surveillance | |
Hu | Image segmentation based on velocity feature vector for moving target extraction | |
Jebelli et al. | Efficient robot vision system for underwater object tracking | |
Dai et al. | Effective detection by fusing visible and infrared images of targets for Unmanned Surface Vehicles |
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: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |