CN109743909B - 基于图像层的动态目标自动跟踪方法 - Google Patents
基于图像层的动态目标自动跟踪方法 Download PDFInfo
- Publication number
- CN109743909B CN109743909B CN201110016641.2A CN201110016641A CN109743909B CN 109743909 B CN109743909 B CN 109743909B CN 201110016641 A CN201110016641 A CN 201110016641A CN 109743909 B CN109743909 B CN 109743909B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- picture element
- track
- 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.)
- Active
Links
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及基于图像层的动态目标自动跟踪方法。该方法包括:从水下设备换能器中获取声纳信息的数值,通过前端信号处理获取原始图像矩阵;原始图像矩阵中获得有效数值,进行背景估计;对原始图像矩阵的数值进行中值滤波;对于背景估计后获得的数值进行动静二值分割;对二值分割后的数值目标特征匹配;从中值滤波后的数值中进行高噪剔除;将高噪剔除后的目标数据与目标特征匹配后的数据融合处理;从而获取自动跟踪量,完成自动跟踪图像矩阵.本发明算法简单、计算快速、通用性强的特点。利用本发明有效提高运算速度及目标识别跟踪效率与精度。
Description
技术领域
本发明涉及水声工程基础技术领域,具体涉及一种基于图像层的动态目标自动跟踪方法,用于水下防御监控设备中反蛙人声纳。
背景技术
防御监控设备中反蛙人声纳在港口内层、系泊舰船的水下防御得到广泛关注,为了保障港口、舰船的安全,在港口内、舰船上使用反蛙人声纳,对企图潜入港内实施侦察、突袭和破坏的UUV和蛙人等低速小尺度目标实施警戒。研制的反蛙人声纳使用了基于图像层的动态目标自动跟踪技术。出于军事警戒和民间反恐的各种需要,各式反蛙人声纳应运而生。反蛙人声纳作为一种用长期警戒、监视的主动探测声纳,需要具备对类如蛙人、UUV等低速小尺度目标自动跟踪的能力。
一般的,目标跟踪技术有类似多种方法,其中通过物理原理获取跟踪参数,但却需要明确具体物理概念,数据量较大,运算量庞大,通常基于信号层的处理方法完成跟踪需要。目前在国际国内航空航天技术领域使用的基于图像层的目标自动跟踪技术已广泛推广应用于高新科技技术领域,较与海用水声基于信号层的跟踪方法具有如下优点:
(1)算法构成简单;
(2)算法计算量小;
(3)算法数据量少;
(4)极高的通用性;
(5)基于物理特性的良好目标识别能力。
在国防某重点海用项目中,未有同类与本发明相同的技术存在,也未发现有类似同类技术在公开文献与资料中记载。
发明内容
本发明要解决的技术问题是提高海用反蛙人声纳目标跟踪的识别能力,本发明提供一种基于图像层的动态目标自动跟踪方法。
该方法采用原始图像矩阵、自动跟踪图像矩阵,实现背景抑制、大尺度动态目标抑制、动态目标自动跟踪。
具体实现包括以下步骤:
步骤1:从水下设备换能器中获取声纳信息的数值,通过前端信号处理获取原始图像矩阵;
步骤2:a)从原始图像矩阵中获得有效数值,进行背景估计
b)对原始图像矩阵的数值进行中值滤波
步骤3:对于背景估计后获得的数值进行动静二值分割
步骤4:目标特征匹配
步骤5:从中值滤波后的数值中进行高噪剔除
步骤6:将高噪剔除后的目标数据与目标特征匹配后的数据融合处理
步骤7:获取自动跟踪量,完成自动跟踪图像矩阵
采用本发明相较于现有主动声纳目标跟踪方法,具有算法简单、计算快速、通用性强的特点,有效提高运算速度及目标识别跟踪效率与精度。
附图说明:
图1是本发明基于图像层的动态目标自动跟踪方法处理流程图
图2是经本发明处理后的含背景的输出图像,其中白线为目标运动轨迹,MTT_A矩形框为当前目标位置
图3是经本发明处理后的背景抑输出制图像,其中白线为目标运动轨迹,MTT_A矩形框为当前目标位置
具体实施方式
如图1是本发明基于图像层的动态目标自动跟踪方法处理流程图,由图可示本发明包括,获取原始图像矩阵;中值滤波,二值分割;背景抑制;目标特征匹配;高噪剔除;数据融合处理;获取自动跟踪量,完成自动跟踪图像矩阵。本发明通过以下步骤完成:
步骤1:从水下设备换能器中获取声纳信息的数值,通过前端信号处理获取原始图像矩阵;
步骤2:
a)从原始图像矩阵中获得有效数值,进行自适应背景估计,其实现了背景估计功能,处理如下:
An,i,j=An+1,i,j,n∈[0,N-2](2)
AN-1,i,j=A_prei,j(3)
An,i,j为时间滑动窗的第n次保留的原始图像的第j行第i列象素点的值,A_prei,j为原始图像的第j行第i列象素点的值,A_meani,j为图像的第j行第i列象素点最近N次的均值,A_stdi,j为图像的第j行第i列象素点最近N次的标准差。
b)对原始图像矩阵的数值进行中值滤波中值滤波,其实现了图像色彩均匀、剔除高亮噪点,处理如下:
A_prem,n为中值滤波输入的图像的第n行第m列象素点的值,A_midi,j为中值滤波输出的图像的第j行第i列象素点的值。
步骤3:对于背景估计后获得的数值进行动态二值分割,处理如下:
A_MTDi,j为固定杂波剔除后图像的第j行第i列象素点的值,A_prei,j为原始图像的第j行第i列象素点的值,A_meani,j为图像的第j行第i列象素点最近N次的均值,A_stdi,j为图像的第j行第i列象素点最近N次的标准差,Colmin为图像显示下门限。
步骤4:目标特征匹配,其实现了剔除大尺度目标和高亮噪点,处理如下:
当A_ptci,j==0时,坐标(i,j)更改为(i,j+1),(i+1,j),(i+1,j+1)代入公式(9)、(10)进行自嵌套计算;当i≥I或j≥J或A_ptci,j再无连续相邻的值为1的点时,跳出本次自嵌套。
当Nsum>Nd时,见公式(11)
A_OZ=A_OZ·A_ptc(11)
重复公式(8)、(9)、(10)、(11),遍历图像,其后见公式(12)
A_MTD=A_MTD·A_OZ(12)
A_OZ为图像10矩阵,A_ptc为图像积分矩阵,Nsum为积分数值,Nd为片目标判定门限,I、J分别为图像横、纵边界。
步骤5:从中值滤波后的数值中进行高噪剔除,其实现了剔除高亮噪点的功能处理如下:
(1)高亮噪点剔除,
A_MTDi,j为固定杂波剔除后图像的第j行第i列象素点的值,A_prei,j为原始图像的第j行第i列象素点的值,A_midi,j为中值滤波输出的图像的第j行第i列象素点的值,Col min为图像显示下门限。
步骤6:将高噪剔除后的目标数据与目标特征匹配后的数据融合处理如下:
g.图像栅格处理,以垂直间隔H_N,水平间隔W_N,划分图像矩阵A_MTDi,j为若干单元。
h.在各单元内搜索最大值。
i.若找到最大值,更新最大值坐标信息,启动轨迹重叠器f,以最大值为中心、波门初始搜索最大值;否则,跳至b。
j.若波门放大次数小于3次,则在指定波门内搜索最大值;否则,启动轨迹重叠器f,跳至b。
k.若找到最大值,更新最大值坐标信息,启动轨迹重叠器f,以最大值为中心、波门初始重新搜索,跳至d;否则,kalman滤波,波门放大一倍,跳至d。
1.轨迹重叠器:
步骤7:获取自动跟踪量,完成自动跟踪图像矩阵
定义轨迹当前象素Data_ST(i,j)的轨迹重叠计数器ST_SumNi,j、轨迹号ST_Ni,j,定义轨迹前一点象素Data_ST(m,n)的轨迹重叠技术器ST_SumNm,n、ST_Nm,n。
①源于c,ST_Ni,j标记当前单元号,ST_SumNi,j=1;
②源于d,ST_Ni,j=0,ST_SumNi,j=0;
③源于e,计算方法见公式(14)~(20)。
ST_SumNi,j=Data_ST(i,j)/(H_N·W_N)(14)
ST_SumNm,n=Data_ST(m,n)/(H_N·W_N)(15)
ST_Ni,j=Data_ST(i,j)%(H_N·W_N)(16)
ST_Nm,n=Data_ST(m,n)%(H_N·W_N)(17)
Data_ST(i,j)=ST_SumNi,j·(H_N·W_N)+ST_Ni,j(20)
进一步地,上述方法还可具有以下特点:此方法可使用于声纳、雷达中低速、高速目标的跟踪。
如图2是经本发明处理后的含背景的输出图像,其中白线为目标运动轨迹,MTT_A矩形框为当前目标位置,图3是经本发明处理后的背景抑输出制图像,其中白线为目标运动轨迹,MTT_A矩形框为当前目标位置代表本发明具体实施例:
例1一种反蛙人主动声纳目标自动跟踪的方法,图像矩阵为192个波束(360°),1000个距离象素(400米),图像栅格垂直划分10,水平划分12。
Claims (2)
1.基于图像层的动态目标自动跟踪方法,其特征在于:通过如下步骤实现:
步骤1:从水下设备换能器中获取声纳信息的数值,通过前端信号处理获取原始图像矩阵;
步骤2:从原始图像矩阵中获得有效数值,进行自适应背景估计;
a)An,i,j为时间滑动窗的第n次保留的原始图像的第j行第i列象素点的值,A_prei,j为原始图像的第j行第i列象素点的值,A_meani,j为图像的第j行第i列象素点最近N次的均值,A_stdi,j为图像的第j行第i列象素点最近N次的标准差;
b)对原始图像矩阵的数值进行中值滤波,其实现了图像色彩均匀、剔除高亮噪点
A_prem,n为中值滤波输入的图像的第n行第m列象素点的值,A_midi,j为中值滤波输出的图像的第j行第i列象素点的值
步骤3:对于背景估计后获得的数值进行动态二值分割;
A_MTDi,j为固定杂波剔除后图像的第j行第i列象素点的值;
步骤4:目标特征匹配,其实现了剔除大尺度目标和高亮噪点;
当A_ptci,j==0时,坐标(i,j)更改为(i,j+1),(i+1,j),(i+1,j+1)代入公式(9)、(10)进行自嵌套计算;当i≥I或j≥J或A_ptci,j再无连续相邻的值为1的点时,跳出本次自嵌套
当Nsum>Nd时,见公式(11)
A_OZ=A_OZ·A_ptc (11)
重复公式(8)、(9)、(10)、(11),遍历图像,其后见公式(12)
A_MTD=A_MTD·A_OZ (12)
公式(8)为
A_OZ为图像10矩阵,A_ptc为图像积分矩阵,Nsum为积分数值,Nd为片目标判定门限,I、J分别为图像横、纵边界;
步骤5:从中值滤波后的数值中进行高噪剔除
A_MTDi,j为固定杂波剔除后图像的第j行第i列象素点的值,A_prei,j为原始图像的第j行第i列象素点的值,A_midi,j为中值滤波输出的图像的第j行第i列象素点的值,Col min为图像显示下门限;
步骤6:将高噪剔除后的目标数据与目标特征匹配后的数据融合处理如下:
a.图像栅格处理,以垂直间隔H_N,水平间隔W_N,划分图像矩阵A_MTDi,j为若干单元;
b.在各单元内搜索最大值;
c.若找到最大值,更新最大值坐标信息,启动f.轨迹重叠器,以最大值为中心、波门初始搜索最大值;否则,跳至b;
d.若波门放大次数小于3次,则在指定波门内搜索最大值;否则,启动f.轨迹重叠器,跳至b;
e.若找到最大值,更新最大值坐标信息,启动f.轨迹重叠器,以最大值为中心、波门初始重新搜索,跳至d;否则,kalman滤波,波门放大一倍,跳至d;
f.轨迹重叠器;
获取自动跟踪量,完成自动跟踪图像矩阵;
定义轨迹当前象素Data_ST(i,j)的轨迹重叠计数器ST_SumNi,j、轨迹号ST_Ni,j,定义轨迹前一点象素Data_ST(m,n)的第一轨迹重叠计数器ST_SumNm,n、第二轨迹重叠计数器ST_Nm,n;
①源于c,ST_Ni,j标记当前单元号,ST_SumNi,j=1;
②源于d,ST_Ni,j=0,ST_SumNi,j=0;
③源于e,计算方法见公式(14)~(20):
ST_SumNi,j=Data_ST(i,j)/(H_N·W_N)(14)
ST_SumNm,n=Data_ST(m,n)/(H_N·W_N)(15)
ST_Ni,j=Data_ST(i,j)o/o(H_N·W_N)(16)
ST_Nm,n=Data_ST(m,n)o/oo(H_N·W_N)(17)
Data_ST(i,j)=ST_SumNi,j·(H_N·W_N)+ST_Ni,j(20)。
2.根据权利要求1所述基于图像层的动态目标自动跟踪方法,其特征在于:所述的目标特征匹配基于积分器的使用,估计目标尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110016641.2A CN109743909B (zh) | 2011-12-16 | 2011-12-16 | 基于图像层的动态目标自动跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110016641.2A CN109743909B (zh) | 2011-12-16 | 2011-12-16 | 基于图像层的动态目标自动跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109743909B true CN109743909B (zh) | 2015-01-21 |
Family
ID=66334568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110016641.2A Active CN109743909B (zh) | 2011-12-16 | 2011-12-16 | 基于图像层的动态目标自动跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109743909B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133641A (zh) * | 2019-04-19 | 2019-08-16 | 电子科技大学 | 一种尺度自适应的穿墙成像雷达目标跟踪方法 |
CN112931295A (zh) * | 2021-01-26 | 2021-06-11 | 成都小巨人畜牧设备有限公司 | 一种养殖用低成本激光鸡蛋计数系统 |
-
2011
- 2011-12-16 CN CN201110016641.2A patent/CN109743909B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133641A (zh) * | 2019-04-19 | 2019-08-16 | 电子科技大学 | 一种尺度自适应的穿墙成像雷达目标跟踪方法 |
CN110133641B (zh) * | 2019-04-19 | 2023-04-25 | 电子科技大学 | 一种尺度自适应的穿墙成像雷达目标跟踪方法 |
CN112931295A (zh) * | 2021-01-26 | 2021-06-11 | 成都小巨人畜牧设备有限公司 | 一种养殖用低成本激光鸡蛋计数系统 |
CN112931295B (zh) * | 2021-01-26 | 2022-09-02 | 成都小巨人畜牧设备有限公司 | 一种养殖用低成本激光鸡蛋计数系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Car plate recognition based on CNN using embedded system with GPU | |
Coraluppi et al. | Multi-stage multiple-hypothesis tracking. | |
CN109597065B (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN104133211B (zh) | 一种多普勒频率变换雷达目标分类识别方法 | |
CN105022057A (zh) | 基于改进Radon变换与多帧联合处理的目标检测方法 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN106443662B (zh) | 一种低重频体制下速度模糊时的目标稳健关联方法 | |
CN109743909B (zh) | 基于图像层的动态目标自动跟踪方法 | |
Sullivan et al. | Visual surveillance in maritime port facilities | |
Dehghani et al. | Small target detection and tracking based on the background elimination and Kalman filter | |
US20120313808A1 (en) | Method and Apparatus for Mitigating an Effect of User Movement in Motion Detecting Radar | |
CN105093187B (zh) | 一种基于目标轨迹提取的穿墙雷达的成像预处理方法 | |
Ma et al. | A sea-sky line detection method based on line segment detector and Hough transform | |
Deng et al. | Ship detection from optical satellite image using optical flow and saliency | |
Lee et al. | Video based license plate recognition of moving vehicles using convolutional neural network | |
Gupta et al. | A GUI based application for low intensity object classification & count using SVM approach | |
Pujara et al. | Deepsort: real time & multi-object detection and tracking with YOLO and TensorFlow | |
CN103413138A (zh) | 一种红外图像序列中点目标检测方法 | |
Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. | |
Zhou et al. | Underwater multitarget tracking with sonar images using thresholded sequential Monte Carlo probability hypothesis density algorithm | |
CN104914416B (zh) | 一种uhf波段sar gmti动目标筛选方法 | |
CN207117816U (zh) | 一种图像处理装置 | |
Zhang et al. | Ship detection and recognition in optical remote sensing images based on scale enhancement rotating cascade R-CNN networks | |
KR101591384B1 (ko) | 표적기동분석에서 비정상 입력 다중 추적 주파수의 자동 전처리 방법 | |
CN105929379A (zh) | 一种提升vts雷达分辨力的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GRSP | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DC01 | Secret patent status has been lifted |