CN109815871B - 基于光学遥感图像的目标舰船检测及跟踪方法 - Google Patents
基于光学遥感图像的目标舰船检测及跟踪方法 Download PDFInfo
- Publication number
- CN109815871B CN109815871B CN201910042281.XA CN201910042281A CN109815871B CN 109815871 B CN109815871 B CN 109815871B CN 201910042281 A CN201910042281 A CN 201910042281A CN 109815871 B CN109815871 B CN 109815871B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image sequence
- optical remote
- sensing image
- gray
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于光学遥感图像的薄云场景下舰船检测及跟踪方法，检测方法包括：获取舰船对应的光学遥感图像序列；根据关注区域尺寸对光学遥感图像序列进行裁剪，再进行图像增强，之后进行中值滤波，得到舰船尾迹的灰度图像序列；对灰度图像序列进行归一化处理，然后进行灰度峰值检测，得到灰度峰值检测结果；对灰度峰值检测结果进行阈值检测，得到舰船尾迹在灰度图像序列中的坐标。在检测的基础上，进一步对舰船尾迹在灰度图像序列中的坐标进行数据关联，得到舰船在灰度图像序列中的航迹，根据航迹对目标舰船进行跟踪，实现对目标舰船的高准确率、高成功率跟踪。目标舰船的检测及跟踪方法计算复杂度低，运行速度快，算法简单，易于工程实现。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于光学遥感图像的目标舰船检测及跟踪方法。
背景技术
静止轨道光学遥感卫星的轨道周期与地球自转周期相同，与地球保持相对静止。其拥有较大的成像幅宽，可对某一大面积指定感兴趣区域进行连续观测，具有时间分辨率高，数据的时效性好等优点。比如高分四号卫星，是当今世界上地球同步轨道分辨率最高的对地观测卫星，于2015年发射，位于东经105.6°的赤道上方，距地面高度约36000km，星下点空间分辨率优于50m×50m，星下点单景成像覆盖面积接近500km×500km，可进行大范围实时、连续机动成像和高时间分辨率成像相结合的综合观测。
基于静止轨道卫星光学遥感图像的运动舰船检测是利用卫星拍摄的舰船在海上运动时的图像序列中尾迹的灰度值进行检测。但是，由于舰船尾迹的几何和纹理特征会随运动速度的变化而变化，因此基于几何和纹理特征的目标检测方法并不适用；由于图像的平均灰度值会随着云量的变化而变化，因此基于灰度阈值的目标检测方法并不适用；由于需要大量样本对估计器进行训练，而目前尚无此训练样本库，因此基于机器学习和深度学习的目标检测方法也不适用。因此，如何在薄云场景下使用静止轨道卫星光学遥感图像准确、快速地检测多运动舰船目标是本领域技术人员亟需解决的问题。
发明内容
(一)要解决的技术问题
针对于现有技术问题，本发明提出一种基于光学遥感图像的薄云场景下目标舰船检测及跟踪方法，用于至少部分解决上述技术问题。
(二)技术方案
本发明一方面提供一种基于光学遥感图像的薄云场景下目标舰船检测方法，包括：获取目标舰船对应的光学遥感图像序列；根据关注区域尺寸对光学遥感图像序列进行裁剪，对裁剪后的光学遥感图像序列进行图像增强处理；对图像增强处理后的光学遥感图像序列进行中值滤波，得到目标舰船尾迹的灰度图像序列；对灰度图像序列进行归一化处理，并对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果；对灰度峰值检测结果进行阈值检测，得到目标舰船尾迹在灰度图像序列中的坐标。
可选地，对裁剪后的光学遥感图像序列进行图像增强处理，包括：增大目标舰船尾迹的最大灰度值与裁剪后的光学遥感图像序列的最大灰度值的比值。
可选地，对图像增强处理后的光学遥感图像序列进行中值滤波，包括：对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第一滤波光学遥感图像序列，其中，0＜m＜5且0＜n＜5，m，n为整数；对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，其中，得到第二滤波光学遥感图像序列，m≥5且n≥5，m，n为整数；将第一滤波光学遥感图像序列与第二滤波光学遥感图像序列中同一时刻对应的图像作差，得到目标舰船尾迹的灰度图像序列。
可选地，根据如下公式进行m×n邻域中值滤波：
其中，G(x，y，k)表示光学遥感图像序列中第k幅图像中坐标为(x，y)像素点的灰度值，F(x，y，k)表示光学遥感图像序列中第k幅图像中坐标为(x，y)的像素点进行图像增强处理后的灰度值，m为图像横轴方向中值滤波窗口长度，n为图像纵轴方向中值滤波窗口长度。
可选地，对灰度图像序列进行如下归一化处理：
其中，GD(k)表示目标舰船尾迹的灰度图像序列中第k幅图像的灰度值，max(GD(k))表示目标舰船尾迹的灰度图像序列中第k幅图像灰度值中的最大值，GN(k)表示第k幅图像的灰度归一化处理结果。
可选地，根据如下公式对灰度峰值检测结果进行阈值检测：
其中，R(x，y，k)表示灰度峰值阈值检测结果，GP(x，y，k)表示灰度峰值检测结果，GTH表示灰度峰值阈值。
可选地，对目标舰船在光学遥感图像中的坐标进行数据关联的方法包括最邻近方法或联合概率数据关联方法或多假设跟踪方法。
本发明另一方面提供一种基于光学遥感图像的薄云场景下目标舰船检测方法，包括：获取目标舰船对应的光学遥感图像序列及光学遥感图像序列拍摄的时间间隔；根据关注区域尺寸对光学遥感图像序列进行裁剪，对裁剪后的光学遥感图像序列进行图像增强处理；对图像增强处理后的光学遥感图像序列进行中值滤波，得到目标舰船尾迹的灰度图像序列；对灰度图像序列进行归一化处理，并对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果；对灰度峰值检测结果进行阈值检测，得到目标舰船尾迹在灰度图像序列中的坐标；对目标舰船尾迹在灰度图像序列中的坐标进行数据关联，得到目标舰船在灰度图像序列中的航迹，根据航迹跟踪目标舰船。
可选地，对图像增强处理后的光学遥感图像序列进行中值滤波，包括：对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第一滤波光学遥感图像序列，其中，0＜m＜5且0＜n＜5，m，n为整数；对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第二滤波光学遥感图像序列，其中，m≥5且n≥5，m，n为整数；将第一滤波光学遥感图像序列与第二滤波光学遥感图像序列中同一时刻对应的图像作差，得到目标舰船尾迹的灰度图像序列。
可选地，根据航迹对目标舰船进行跟踪包括：根据舰船在灰度图像序列中的航迹和光学遥感图像与真实空间尺度的换算关系，得到目标舰船的在海面上的实际位移距离；根据时间间隔及实际位移距离计算所述目标舰船的运动参数。
(三)有益效果
本发明提供一种基于光学遥感图像的薄云场景下目标舰船检测与跟踪方法，至少包括以下有益效果：通过对拍摄的目标舰船光学遥感图像进行图像裁剪、图像增强处理、中值滤波、归一化处理、灰度峰值检测、阈值分割、数据关联及运动参数估计，实现对目标舰船的高准确率、高成功率跟踪。其中，图像裁剪减小数据处理量，提高数据处理效率，图像增强处理有助于舰船尾迹灰度峰值的提取，中值滤波可快速得到舰船尾迹的灰度图像，灰度峰值检测及阈值分割可快速得到舰船尾迹坐标，数据关联可准确实现多舰船跟踪，总体来说，该方法计算复杂度低，运行速度快，算法简单，易于工程实现。
附图说明
图1是本发明实施例基于光学遥感图像的薄云场景下目标舰船检测方法的流程图。
图2是本发明实施例裁剪后的原始光学遥感图像的示意图。
图3是本发明实施例对图2进行对数图像增强处理后的光学遥感图像的示意图。
图4是图3进行2×2邻域中值滤波后的数据三维图像示意图。
图5是图3进行10×10邻域中值滤波后的数据三维图像示意图。
图6是图4与图5相减后的数据三维图像示意图。
图7是对图6进行归一化处理后的中值滤波差数据三维图像示意图。
图8是本发明实施例基于光学遥感图像的薄云场景下目标舰船跟踪方法的流程图。
图9是对图7进行数据关联和运动参数估计后得到的舰船运动结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明实施例提出一种基于光学遥感图像的薄云场景下目标舰船检测与跟踪方法，通过对静止轨道卫星拍摄的目标舰船的光学遥感图像序列进行图像裁剪、图像增强处理、小邻域中值滤波、大邻域中值滤波、归一化处理、灰度峰值检测、阈值分割得到目标舰船的检测结果，在检测结果的基础上进一步进行数据关联及运动参数估计，实现对薄云场景下多运动目标舰船高准确率、高成功率跟踪和运动参数估计，该检测及跟踪方法计算复杂度低，运行速度快，算法简单，易于工程实现。
图1为本发明实施例基于光学遥感图像的薄云场景下目标舰船检测方法的流程图，如图1所示，该方法包括：
S1，获取目标舰船对应的光学遥感图像序列。
为对目标舰船进行检测与跟踪，在其运动的过程中，卫星会按照设定的时间间隔对其运动轨迹进行拍摄，获得关于多张目标舰船运动轨迹的光学遥感图像组成的光学遥感图像序列，该光学遥感图像序列按照时间顺序记录了目标舰船在个时刻的位置信息，但在薄云场景下很难直接从图像中由计算机自动准确地提取出位置信息，因此需要对这些光学遥感图像序列进行处理以检测出目标舰船在图像中的位置。其中，光学遥感图像序列中可以包括一艘舰船的运动轨迹信息，也可以同时包括多艘运动舰船的运动轨迹信息。
S2，根据关注区域尺寸对光学遥感图像序列进行裁剪，对裁剪后的光学遥感图像序列进行图像增强处理。
由于获取的光学遥感图像序列通常拍摄区域覆盖范围非常大，而目标舰船在拍摄时间内运动的范围远小于遥感卫星的拍摄区域。因此，为了减小后续数据处理量，提高数据处理效率，需要对光学遥感图像序列进行裁剪，具体是根据关注区域尺寸进行裁剪，该关注区域可根据对图像的初步识别，得到的最可能包括目标舰船位置信息的图像区域，其裁剪尺寸根据实际需求设定。裁剪后的光学遥感图像的示意图如图2所示。由于图像的处理实际是对图像包含的信息进行数据处理，所以裁剪后得到原始光学遥感图像序列用矩阵E表示，后续的处理即对矩阵E进行运算。
从图2可以看出，每张光学遥感图像中，运动目标舰船尾迹的灰度值通常小于云和陆地的灰度值，图像中目标舰船尾迹不明显，很难提取出尾迹特征，因此需要对原始光学遥感图像进行图像增强处理，利于后续尾迹灰度峰值的提取。具体是通过图像增强处理提高增大目标舰船尾迹的最大灰度值与裁剪后的光学遥感图像序列的最大灰度值的比值。具体地的图像增强方法包括对数变换法、gamma变换法和对比度拉伸变换法等，本实施例采用的对数变换法对光学遥感图像序列中的所有图像进行图像增强处理，进行对数图像增强处理后的光学遥感图像的示意图如图3所示，从图3可以看出，经过图像增强后图像中目标舰船尾迹变得明显。裁剪后的原始光学遥感图像序列矩阵E经过图像增强处理后，得到图像数据矩阵F。
S3，对图像增强处理后的光学遥感图像序列进行中值滤波，得到目标舰船尾迹的灰度图像序列。
对图像增强处理后的光学遥感图像序列(图像数据矩阵F)进行m×n邻域中值滤波，m为图像横轴方向中值滤波窗口长度，n为图像纵轴方向中值滤波窗口长度。具体地，对图像增强处理后的光学遥感图像序列进行一次小邻域中值滤波，得到第一滤波光学遥感图像序列，其中，0＜m＜5且0＜n＜5，m，n为整数，本实施例进行的2×2小邻域中值滤波，滤波后的数据三维图像如图4所示；再对图像增强处理后的光学遥感图像序列进行一次大邻域中值滤波得到第二滤波光学遥感图像序列，其中，m≥5且n≥5，m，n为整数，本实施例进行的10×10大邻域中值滤波，滤波后的数据三维图像如图5所示。光学遥感图像序列中第k幅图像经过一个大小为m×n的中值滤波器的过程，可由下式给出：
其中，G(x，y，k)表示光学遥感图像序列中第k幅图像中坐标为(x，y)像素点的灰度值，F(x，y，k)表示光学遥感图像序列(图像数据矩阵F)中第k幅图像中坐标为(x，y)的像素点进行图像增强处理后的灰度值，m为图像横轴方向中值滤波窗口长度，n为图像纵轴方向中值滤波窗口长度。
由于小邻域中值滤波可以保留目标舰船的灰度，大邻域中值滤波使目标舰船尾迹的灰度被其周围灰度平均，则二者相减即可得到目标舰船尾迹的灰度图像。因此，将小邻域中值滤波后光学遥感图像序列与大邻域中值滤波后光学遥感图像序列中同一时刻对应的图像作差，得到目标舰船尾迹的灰度图像序列。具体地，将k时刻同一幅图像(每个拍摄时刻对应一幅图像，将k时刻拍摄的图像对应定义为第k幅图像)的小邻域中值滤波结果和大邻域中值滤波结果相减：
GD(k)＝GS(k)-GL(k)
其中，GD(k)表示光学遥感图像序列经过小邻域中值滤波后的图像与经过大邻域中值滤波后的图像作差得到的图像的灰度值，GS(k)表示小邻域中值滤波结果，GL(k)表示大邻域中值滤波结果。小邻域中值滤波后的数据三维图像减去大邻域中值滤波数据三维图像后的数据三维图像如图6所示。
此外，中值滤波可以在一定的程度上消除噪声对图像的影响。
S4，对灰度图像序列进行归一化处理，并对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果。
首先，对目标舰船的灰度图像序列进行如下归一化处理：
其中，GD(k)表示目标舰船尾迹的灰度图像序列中第k幅图像的灰度值，max(GD(k))表示目标舰船尾迹的灰度图像序列中第k幅图像灰度值中的最大值，GN(k)第k幅图像的归一化处理结果。归一化处理后的数据三维图像如图7所示。
然后，对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果，用矩阵GP表示，峰值检测就是提取出图像中所有灰度峰值。
S5，对灰度峰值检测结果进行阈值检测，得到目标舰船尾迹在灰度图像序列中的坐标。
根据如下公式对灰度峰值检测结果进行阈值检测：
其中，R(x，y，k)表示灰度峰值阈值检测结果矩阵，GP(x，y，k)表示灰度峰值检测结果矩阵，GTH灰度峰值阈值。
通过这个阈值检测之后就可以将目标舰船尾迹和灰度图像的背景色明显区分开来，从而得到目标舰船尾迹在灰度图像序列中的坐标。
通过上述操作即可实现目标舰船的检测。
基于上述目标舰船的检测方法，本发明实施例提出一种基于光学遥感图像的薄云场景下舰船的跟踪方法，其流程如图8所示，该方法在目标舰船的检测方法的S1～S5的基础上进一步处理，在此不再赘述，在操作S5之后，包括：
S6，对目标舰船尾迹的图像坐标进行数据关联，得到目标舰船在灰度图像序列中的航迹，根据航迹跟踪目标舰船。
由于海上舰船不会出现航迹在同一时刻交叉的情况，综合考虑关联准确度、计算复杂度和工程实现难度，可以使用最邻近(Nearest Neighbor，NN)方法或联合概率数据关联(Joint Probability Data Association，JPDA)方法或多假设跟踪(MultipleHypothesis Tracking，MHT)方法等对图像坐标进行数据关联。考虑(k+1)时刻的目标舰船尾迹灰度峰值阈值检测结果是否满足：
其中，z(k)表示由灰度峰值阈值检测结果矩阵R(x，y，k)整理得到的k时刻目标舰船的测量位置矩阵，
表示k时刻对(k+1)时刻目标舰船测量位置的预测值矩阵，S(k+1)表示(k+1)时刻的新息协方差矩阵，γ可由χ2分布表获得，上角标“T”表示矩阵转置。若落入距离门内的测量值只有一个，则该测量值可被直接用于航迹更新。但是，如果有超过一个的测量值落在被跟踪目标舰船的相关距离门内，则此时取统计距离最小的候选测量值作为目标舰船的位置。由此得到目标舰船在灰度图像序列中的航迹。
由于光学遥感图像序列拍摄时间间隔和每个像素对应的空间距离已知，在获得光学遥感图像序列时刻同时获取其拍摄时间，因此可以根据目标舰船在光学遥感图像中的运动距离矩阵D换算航迹得到目标舰船实际位移距离。进而根据换算得到海面实际位移距离和图像序列拍照总时长T，计算得到图像序列中多舰船目标的运动速度：
其中，V目标舰船的运动速度矩阵，λ代表图像中每一个像素对应海面距离(光学遥感图像与真实空间尺度的换算关系)。根据速度的变化、时间等即可得到目标舰船的加速度，以速度、加速度等作为跟踪目标舰船的参数。进行数据关联和运动参数估计后的结果如图9所示，从图9可以看出，通过前述对光学遥感图像序列一系列的数据处理，即可清楚的得到目标舰船的航迹及速度，实现对薄云场景下基于静止轨道卫星光学遥感图像的多运动目标舰船高准确率、高成功率跟踪。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于光学遥感图像的舰船检测方法，其特征在于，包括：
获取目标舰船对应的光学遥感图像序列；
根据关注区域尺寸对所述光学遥感图像序列进行裁剪，对裁剪后的光学遥感图像序列进行图像增强处理；
对图像增强处理后的光学遥感图像序列进行中值滤波，得到所述目标舰船尾迹的灰度图像序列；其中，所述对图像增强处理后的光学遥感图像序列进行中值滤波，包括：对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第一滤波光学遥感图像序列，其中，0＜m＜5且0＜n＜5，m，n为整数；对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第二滤波光学遥感图像序列，其中，m≥5且n≥5，m，n为整数；将所述第一滤波光学遥感图像序列与第二滤波光学遥感图像序列中同一时刻对应的图像作差，得到所述目标舰船尾迹的灰度图像序列；
对所述目标舰船尾迹的灰度图像序列进行归一化处理，并对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果；
对所述灰度峰值检测结果进行阈值检测，得到所述目标舰船尾迹在所述灰度图像序列中的坐标。
2.根据权利要求1所述的基于光学遥感图像的舰船检测方法，其特征在于，所述对裁剪后的光学遥感图像序列进行图像增强处理，包括：
增大所述目标舰船尾迹的最大灰度值与所述裁剪后的光学遥感图像序列的最大灰度值的比值。
3.根据权利要求1所述的基于光学遥感图像的舰船检测方法，其特征在于，根据如下公式进行所述m×n邻域中值滤波：
其中，G(x，y，k)表示光学遥感图像序列中第k幅图像中坐标为(x，y) 像素点的灰度值，F(x，y，k)表示光学遥感图像序列中第k幅图像中坐标为(x，y)的像素点进行图像增强处理后的灰度值，m为图像横轴方向中值滤波窗口长度，n为图像纵轴方向中值滤波窗口长度。
4.根据权利要求1所述的基于光学遥感图像的舰船检测方法，其特征在于，对所述灰度图像序列进行如下归一化处理：
其中，GD(k)表示所述目标舰船尾迹的灰度图像序列中第k幅图像的灰度值，max(GD(k))表示所述目标舰船尾迹的灰度图像序列中第k幅图像灰度的最大值，GN(k)表示第k幅图像的归一化处理结果。
5.根据权利要求1所述的基于光学遥感图像的舰船检测方法，其特征在于，根据如下公式对所述灰度峰值检测结果进行阈值检测：
其中，R(x，y，k)表示灰度峰值阈值检测结果，GP(x，y，k)表示灰度峰值检测结果，GTH表示灰度峰值阈值。
6.根据权利要求1所述的基于光学遥感图像的舰船检测方法，其特征在于，所述图像增强处理方法包括对数变换法或gamma变换法或对比度拉伸变换法。
7.一种基于光学遥感图像的舰船的跟踪方法，其特征在于，包括：
获取目标舰船对应的光学遥感图像序列及所述光学遥感图像序列拍摄的时间间隔；
根据关注区域尺寸对所述光学遥感图像序列进行裁剪，对裁剪后的光学遥感图像序列进行图像增强处理；
对图像增强处理后的光学遥感图像序列进行中值滤波，得到所述目标舰船尾迹的灰度图像序列；其中，所述对图像增强处理后的光学遥感图像序列进行中值滤波，包括：对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第一滤波光学遥感图像序列，其中，0＜m＜5且0＜n＜5，m，n为整数；对图像增强处理后的光学遥感图像序列进行m×n邻域中值滤波，得到第二滤波光学遥感图像序列，其中，m≥5且n≥5，m，n为整数；将所述第一滤波光学遥感图像序列与第二滤波光学遥感图像序列中同一时刻对应的图像作差，得到所述目标舰船尾迹的灰度图像序列；
对所述目标舰船尾迹的灰度图像序列进行归一化处理，并对归一化处理后的灰度图像序列进行灰度峰值检测，得到灰度峰值检测结果；
对所述灰度峰值检测结果进行阈值检测，得到所述目标舰船尾迹在所述灰度图像序列中的坐标；
对所述坐标进行数据关联，得到所述目标舰船在所述灰度图像序列中的航迹，根据所述航迹对所述目标舰船进行跟踪。
8.根据权利要求7所述的基于光学遥感图像的舰船的 跟踪方法，其特征在于，所述根据所述航迹对所述目标舰船进行跟踪包括：
根据所述舰船在灰度图像序列中的航迹和所述光学遥感图像与真实空间尺度的换算关系，得到目标舰船的在海面上的实际位移距离；
根据所述时间间隔及所述实际位移距离计算所述目标舰船的运动参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910042281.XA CN109815871B (zh) | 2019-01-16 | 2019-01-16 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910042281.XA CN109815871B (zh) | 2019-01-16 | 2019-01-16 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109815871A CN109815871A (zh) | 2019-05-28 |
| CN109815871B true CN109815871B (zh) | 2021-11-16 |
Family
ID=66603407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910042281.XA Active CN109815871B (zh) | 2019-01-16 | 2019-01-16 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815871B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782447A (zh) * | 2019-10-25 | 2020-02-11 | 中国科学院电子学研究所 | 地球静止轨道卫星光学遥感图像多运动舰船目标检测方法 |
| CN111127506B (zh) * | 2019-11-19 | 2023-06-06 | 北京空间飞行器总体设计部 | 一种基于序列图像的海上运动目标综合检测方法 |
| CN112346096B (zh) * | 2020-11-10 | 2022-04-22 | 中国人民解放军海军航空大学 | 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325124A (zh) * | 2012-03-21 | 2013-09-25 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5216752B2 (ja) * | 2009-11-18 | 2013-06-19 | 株式会社日立ハイテクノロジーズ | 欠陥検出方法及び欠陥検出装置並びにこれを備えた欠陥観察装置 |
| CN105654091B (zh) * | 2014-11-27 | 2019-07-19 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
| CN105069806A (zh) * | 2015-08-25 | 2015-11-18 | 西安电子科技大学 | 一种三点联合的图像边缘检测方法 |
| CN105844285B (zh) * | 2016-02-25 | 2019-06-14 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
-
2019
- 2019-01-16 CN CN201910042281.XA patent/CN109815871B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325124A (zh) * | 2012-03-21 | 2013-09-25 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109815871A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
| CN109815871B (zh) | 基于光学遥感图像的目标舰船检测及跟踪方法 | |
| CN101511022B (zh) | 一种机载视频压缩与目标跟踪联合实现方法 | |
| Galceran et al. | A real-time underwater object detection algorithm for multi-beam forward looking sonar | |
| CN103149939B (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
| CN109816606B (zh) | 一种利用光学遥感卫星进行目标跟踪的方法 | |
| CN100385461C (zh) | 一种复杂背景下红外图像序列中运动目标的检测方法 | |
| CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
| CN111080674B (zh) | 一种基于混合高斯模型的多目标isar关键点提取方法 | |
| CN104463877A (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
| CN109448023B (zh) | 一种卫星视频小目标实时跟踪方法 | |
| CN111311644B (zh) | 一种基于视频sar的运动目标检测方法 | |
| CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
| CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
| CN110617802A (zh) | 一种星载动目标检测及速度估计方法 | |
| CN110889353B (zh) | 基于主焦点大视场光电望远镜的空间目标识别方法 | |
| CN111145198A (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
| Alla et al. | Vision-based Deep Learning algorithm for Underwater Object Detection and Tracking | |
| CN116977902B (zh) | 一种边海防车载光电稳定平台目标跟踪方法及系统 | |
| Zhang et al. | Object detection and tracking method of AUV based on acoustic vision | |
| Krout et al. | Object tracking with imaging sonar | |
| CN113052117A (zh) | 一种ais数据辅助的sar图像的瑞利cfar检测方法 | |
| KR20100041169A (ko) | 영상 추적 장치 및 그의 클러터 제거 방법 | |
| Nambiar et al. | Efficient ship detection in synthetic aperture radar images and lateral images using deep learning techniques | |
| JP4482623B2 (ja) | 時系列航海画像からの船舶の抽出方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210701 Address after: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Address before: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant before: Institute of Electronics, Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |