CN110334674A - 一种平面自由体轨迹识别跟踪及预测方法 - Google Patents

一种平面自由体轨迹识别跟踪及预测方法 Download PDF

Info

Publication number
CN110334674A
CN110334674A CN201910623546.5A CN201910623546A CN110334674A CN 110334674 A CN110334674 A CN 110334674A CN 201910623546 A CN201910623546 A CN 201910623546A CN 110334674 A CN110334674 A CN 110334674A
Authority
CN
China
Prior art keywords
equation
tracking
image
state
kalman filtering
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
Application number
CN201910623546.5A
Other languages
English (en)
Inventor
吕宁
刘洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201910623546.5A priority Critical patent/CN110334674A/zh
Publication of CN110334674A publication Critical patent/CN110334674A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种平面自由体轨迹识别跟踪及预测方法，它涉及图像识别定位技术领域；它的识别跟踪及预测方法如下：步骤一：图像采集系统搭建与标定；步骤二：平面物体运动建模；步骤三：基于霍夫变换识别与定位运动物体：本发明采用的霍夫变换抗干扰能力强,对图像中的噪声部分不敏感，能够准确地识别出运动物体；步骤四：基于卡尔曼滤波的平面运动物体轨迹预测；这一步骤中只需要当前的测量值和前一个采样周期的估计值就能够进行状态估计,所以本发明不需要大量的存储空间,节省空间。除此之外，卡尔曼滤波每一步的计算量比较小,实时性能好。

Description

一种平面自由体轨迹识别跟踪及预测方法
技术领域
本发明属于图像识别定位技术领域，具体涉及一种识别跟踪及预测方法。
背景技术
目标跟踪是一个颇具挑战性的问题，在计算机视觉领域目标跟踪是一项重要工作，它是对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如位置、速度、加速度和运动轨迹等，从而进行下一步的处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。目前，目标识别跟踪分为以下几类：
1)基于特征的跟踪方法：基于特征的跟踪方法提取出目标的一些显著特征，通过对显著特征的追踪来达到对目标跟踪的目的；
2)基于区域的跟踪算法：基于区域的跟踪算法将目标初始所在区域的图像块作为目标模板，将目标模板与候选图像中所有可能的位置进行相关匹配，匹配度最高的地方即为目标所在的位置；
3)基于轮廓的跟踪方法：基于轮廓的目标跟踪方法需要在视频第一帧中指定目标轮廓的位置，之后由微分方程递归求解，直到轮廓收敛到能量函数的局部极小值；
4)基于模型的跟踪方法：基于模型的跟踪方法首先根据自己的先验知识离线的建立该目标的3D或2D几何模型，然后，通过匹配待选区域模型与目标模型实现目标跟踪
5)基于检测的跟踪方法：基于检测的跟踪方法利用机器学习、深度学习等学习方式产生特定目标的检测器，将跟踪问题简化为目标和背景分离的分类问题；
目标识别跟踪技术目前广泛应用于国民经济、空间技术和国防等领域。利用雷达和计算机对遥远目标进行辨认。现代雷达不但是对遥远目标进行探测和定位的工具，而且能够测量与目标形体和表面物理特性有关的参数，进而对目标分类和识别。在空间探测中，对月球和金星表面的地形测绘和电磁物理特性参数测量，以及判定卫星发射后太阳电池翼是否打开等，都能应用目标识别技术，还可以勘探矿藏和石油等地球资源。人物目标的跟踪在安全报警等建立在视觉处理与匹配领域，具有广阔的应用市场和挖掘的经济价值，因而引起了相关领域内大量研究者和相关商业幵发者的兴趣。
发明内容
为解决现有运动物体识别算法复杂、计算量大等问题，本发明的目的在于提供一种识别跟踪及预测方法。
本发明的一种识别跟踪及预测方法，它的识别跟踪及预测方法如下：
步骤一：图像采集系统搭建与标定：搭建物体运动图像采集实验平台，并进行相机标定；
步骤二：平面物体运动建模：基于牛顿运动定律，对平面物体的初始受力情况、碰撞时发生的旋转情况、滑行中受到的力进行分析，建立物体运动方程式；
步骤三：基于霍夫变换识别与定位运动物体：将采集回来的图像用霍夫变换进行处理，基于检测物体外形特征对图像中的目标物体进行识别和定位。霍夫变换是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体；
步骤四：基于卡尔曼滤波的平面运动物体轨迹预测：卡尔曼滤波的基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值：
作为优选，所述步骤三中霍夫变换识别平面物体的形状并返回运动物体的位置坐标，以作为卡尔曼滤波状态方程的输入。
作为优选，所述步骤四中利用平面运动物体的状态方程式建立卡尔曼滤波的状态方程，利用当前霍夫变换返回的位置坐标值和卡尔曼滤波状态方程的上一状态的估计值不断更新状态方程，输出运动物体下一位置的坐标，卡尔曼滤波的观测方程和状态方程如下：
其中：A、B为状态转移矩阵，本说明通过平面运动物体的运动方程式确定；Q、R为噪声协方差矩阵，R一般可以通过观测得到；为K时刻的先验协方差，是滤波的中间计算结果；Kk为滤波增益矩阵，是滤波的中间计算结果；zk为当前测量值，本说明为平面运动物体的当前位置坐标。
与现有技术相比，本发明的有益效果为：
一、能够有线精准的识别和定位图像中的物体；
二、预测平面运动物体的运动轨迹准确度达到99.9％，能够很广泛的应用到交通，军事等行业。
附图说明
图1为运动物体识别跟踪预测流程图
具体实施方式
本具体实施方式采用以下技术方案：它的识别跟踪方法如下：
步骤一：图像采集系统搭建与标定：搭建物体运动图像采集实验平台，并进行相机标定；
步骤二：平面物体运动建模：基于牛顿运动定律，对平面物体的初始受力情况、碰撞时发生的旋转情况、滑行中受到的力进行分析，建立物体运动方程式；
步骤三：基于霍夫变换识别与定位运动物体：将采集回来的图像用霍夫变换进行处理，基于检测物体外形特征对图像中的目标物体进行识别和定位。霍夫变换是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体；
步骤四：基于卡尔曼滤波的平面运动物体轨迹预测：卡尔曼滤波的基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值：
进一步的，所述步骤三中霍夫变换识别平面物体的形状并返回运动物体的位置坐标，以作为卡尔曼滤波状态方程的输入。
进一步的，所述步骤四中利用平面运动物体的状态方程式建立卡尔曼滤波的状态方程，利用当前霍夫变换返回的位置坐标值和卡尔曼滤波状态方程的上一状态的估计值不断更新状态方程，输出运动物体下一位置的坐标。卡尔曼滤波的观测方程和状态方程如下：
其中：A、B为状态转移矩阵，本说明通过平面运动物体的运动方程式确定；Q、R为噪声协方差矩阵，R一般可以通过观测得到；为K时刻的先验协方差，是滤波的中间计算结果；Kk为滤波增益矩阵，是滤波的中间计算结果；zk为当前测量值，本说明中为平面运动物体的当前位置坐标。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种平面自由体轨迹识别跟踪及预测方法，其特征在于：它的识别跟踪及预测方法如下：
步骤一：图像采集系统搭建与标定：搭建物体运动图像采集实验平台，并进行相机标定；
步骤二：平面物体运动建模：基于牛顿运动定律，对平面物体的初始受力情况、碰撞时发生的旋转情况、滑行中受到的力进行分析，建立物体运动方程式；
步骤三：基于霍夫变换识别与定位运动物体：将采集回来的图像用霍夫变换进行处理，基于检测物体外形特征对图像中的目标物体进行识别和定位，霍夫变换是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体；
步骤四：基于卡尔曼滤波的平面运动物体轨迹预测：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。
2.根据权利要求1所述的一种平面自由体轨迹识别跟踪及预测方法，其特征在于：所述步骤三中霍夫变换识别平面物体的形状并返回运动物体的位置坐标，以作为卡尔曼滤波状态方程的输入。
3.根据权利要求1所述的一种平面自由体轨迹识别跟踪及预测方法，其特征在于：所述步骤四中利用平面运动物体的状态方程式建立卡尔曼滤波的状态方程，利用当前霍夫变换返回的位置坐标值和卡尔曼滤波状态方程的上一状态的估计值不断更新状态方程，输出运动物体下一位置的坐标。卡尔曼滤波的观测方程和状态方程如下：
其中：A、B为状态转移矩阵，本说明通过平面运动物体的运动方程式确定；Q、R为噪声协方差矩阵，R一般可以通过观测得到；为K时刻的先验协方差，是滤波的中间计算结果；Kk为滤波增益矩阵，是滤波的中间计算结果；zk为当前测量值，本说明中为平面运动物体的当前位置坐标。
CN201910623546.5A 2019-07-10 2019-07-10 一种平面自由体轨迹识别跟踪及预测方法 Pending CN110334674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910623546.5A CN110334674A (zh) 2019-07-10 2019-07-10 一种平面自由体轨迹识别跟踪及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910623546.5A CN110334674A (zh) 2019-07-10 2019-07-10 一种平面自由体轨迹识别跟踪及预测方法

Publications (1)

Publication Number Publication Date
CN110334674A true CN110334674A (zh) 2019-10-15

Family

ID=68146352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910623546.5A Pending CN110334674A (zh) 2019-07-10 2019-07-10 一种平面自由体轨迹识别跟踪及预测方法

Country Status (1)

Country Link
CN (1) CN110334674A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797728A (zh) * 2020-06-19 2020-10-20 浙江大华技术股份有限公司 一种运动物体的检测方法、装置、计算设备及存储介质
CN112748135A (zh) * 2020-12-28 2021-05-04 北京航空航天大学 一种外部ct扫描模式下转台旋转中心标定方法及装置
CN113344974A (zh) * 2021-06-15 2021-09-03 中冶赛迪重庆信息技术有限公司 一种长材识别跟踪方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902971A (zh) * 2012-08-31 2013-01-30 电子科技大学 基于智能视觉感知的电梯人流量统计方法及系统
CN104318258A (zh) * 2014-09-29 2015-01-28 南京邮电大学 一种基于时域模糊和卡尔曼滤波器的车道线检测方法
CN104616322A (zh) * 2015-02-10 2015-05-13 山东省科学院海洋仪器仪表研究所 船载红外目标图像辨识跟踪方法及其装置
CN104952121A (zh) * 2015-04-30 2015-09-30 广州视声光电有限公司 一种行车记录仪
US9552648B1 (en) * 2012-01-23 2017-01-24 Hrl Laboratories, Llc Object tracking with integrated motion-based object detection (MogS) and enhanced kalman-type filtering
CN109559334A (zh) * 2018-11-23 2019-04-02 广州路派电子科技有限公司 基于卡尔曼滤波器的车道线追踪方法
CN109784162A (zh) * 2018-12-12 2019-05-21 成都数之联科技有限公司 一种行人行为识别及轨迹跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9552648B1 (en) * 2012-01-23 2017-01-24 Hrl Laboratories, Llc Object tracking with integrated motion-based object detection (MogS) and enhanced kalman-type filtering
CN102902971A (zh) * 2012-08-31 2013-01-30 电子科技大学 基于智能视觉感知的电梯人流量统计方法及系统
CN104318258A (zh) * 2014-09-29 2015-01-28 南京邮电大学 一种基于时域模糊和卡尔曼滤波器的车道线检测方法
CN104616322A (zh) * 2015-02-10 2015-05-13 山东省科学院海洋仪器仪表研究所 船载红外目标图像辨识跟踪方法及其装置
CN104952121A (zh) * 2015-04-30 2015-09-30 广州视声光电有限公司 一种行车记录仪
CN109559334A (zh) * 2018-11-23 2019-04-02 广州路派电子科技有限公司 基于卡尔曼滤波器的车道线追踪方法
CN109784162A (zh) * 2018-12-12 2019-05-21 成都数之联科技有限公司 一种行人行为识别及轨迹跟踪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797728A (zh) * 2020-06-19 2020-10-20 浙江大华技术股份有限公司 一种运动物体的检测方法、装置、计算设备及存储介质
CN112748135A (zh) * 2020-12-28 2021-05-04 北京航空航天大学 一种外部ct扫描模式下转台旋转中心标定方法及装置
CN113344974A (zh) * 2021-06-15 2021-09-03 中冶赛迪重庆信息技术有限公司 一种长材识别跟踪方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111461023B (zh) 基于三维激光雷达的四足机器人自主跟随领航员的方法
CN110334674A (zh) 一种平面自由体轨迹识别跟踪及预测方法
CN112639502A (zh) 机器人位姿估计
CN104035083B (zh) 一种基于量测转换的雷达目标跟踪方法
CN108664930A (zh) 一种智能的多目标检测跟踪方法
CN113739795B (zh) 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
Zhang et al. Visual SLAM for underwater vehicles: A survey
Peretroukhin et al. Reducing drift in visual odometry by inferring sun direction using a bayesian convolutional neural network
Li et al. Vision-aided inertial navigation for resource-constrained systems
CN107798691B (zh) 一种基于视觉的无人机自主着陆地标实时检测跟踪方法
CN111288989A (zh) 一种小型无人机视觉定位方法
CN110501671A (zh) 一种基于测量分配的目标跟踪方法及装置
CN111610492A (zh) 一种多声传感器阵列智能感知方法及系统
CN109407086A (zh) 一种飞行器轨迹生成方法、系统及诱捕系统目标引导方法
CN109521420A (zh) 基于多特征匹配的多目标跟踪方法
Ma et al. Radiation intensity Gaussian mixture PHD filter for close target tracking
Ebadi et al. Semantic mapping in unstructured environments: Toward autonomous localization of planetary robotic explorers
Yang et al. Cooperative indoor localization system based uwb and random forest algorithm in complicated underground nlos scenario
Agunbiade et al. Simultaneous localization and mapping in application to autonomous robot
CN111739066A (zh) 一种基于高斯过程的视觉定位方法、系统及存储介质
Agunbiade et al. A review: simultaneous localization and mapping in application to autonomous robot
CN116380079A (zh) 一种融合前视声呐与orb-slam3的水下slam方法
CN113947636B (zh) 一种基于深度学习的激光slam定位系统及方法
Ebadi et al. Toward autonomous localization of planetary robotic explorers by relying on semantic mapping
Tamas et al. Lidar and vision based people detection and tracking

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191015

WD01 Invention patent application deemed withdrawn after publication