CN110458878A - 一种基于特征匹配跟踪算法的降水云团跟踪方法 - Google Patents

一种基于特征匹配跟踪算法的降水云团跟踪方法 Download PDF

Info

Publication number
CN110458878A
CN110458878A CN201910749841.5A CN201910749841A CN110458878A CN 110458878 A CN110458878 A CN 110458878A CN 201910749841 A CN201910749841 A CN 201910749841A CN 110458878 A CN110458878 A CN 110458878A
Authority
CN
China
Prior art keywords
precipitation cloud
cloud
precipitation
area
tracking
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
CN201910749841.5A
Other languages
English (en)
Inventor
陈晓楠
柳晓鸣
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910749841.5A priority Critical patent/CN110458878A/zh
Publication of CN110458878A publication Critical patent/CN110458878A/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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于特征匹配跟踪算法的降水云团跟踪方法，包括以下步骤：输入降水云团前景图，筛选面积最大的降水云团为跟踪目标；计算所述面积最大的降水云团与下一帧的降水云团的面积重合度，并与重合度阈值相比较；通过两个降水云团的Hu矩不变量值，设置阈值，构建判断是否为同一降水云团的判别因子；计算降水云团的质心，连接降水云团质心，显示云团运动轨迹；当输入视频的时长大于或等于所述输入降水云团前景图的时长，则结束雷达跟踪；当计时器小于所述输入降水云团前景图的时长时，返回继续执行直至计时器大于或等于所述输入降水云团前景图的时长。本发明采用的跟踪算法满足降水云团跟踪的实时性、准确性和鲁棒性要求。

Description

一种基于特征匹配跟踪算法的降水云团跟踪方法
技术领域
本发明涉及跟踪方法技术领域，具体而言，尤其涉及一种基于特征匹配跟踪算法的降水云团跟踪方法。
背景技术
目前为止，目标跟踪技术已经取得了很大的发展，各国学者和研究机构纷纷投入大量的人力、物力资源，提出和发展了很多种目标跟踪方法。虽然对于这些方法无法明确的分类加以描述，但是按照跟踪过程中对目标采取的跟踪方式不同，可以大致对目前的跟踪方法进行分类。按照跟踪方式的不同大体可以分为以下几种，基于模型的跟踪方法、基于轮廓的跟踪方法、基于目标区域的跟踪方法和基于特征的跟踪方法。
本课题使用的船舶导航雷达最大监测范围为120海里，一般使用6海里—48海里监测范围。跟踪目标为非刚性、方向随机、易分裂或合并、易消失的降水云团。基于模型的跟踪算无法跟踪非刚性的降水云团。由于降水云团运动过程中形状发生了较大变化，所以基于轮廓的方法也无法跟踪降水云团，基于同样的原因基于目标区域的跟踪算法也无法完成跟踪。所以选取了基于特征的跟踪算法，该算法易于实现，不容易受到噪声干扰，而跟踪效果的好坏取决于是否了选取有效的匹配的特征量。
发明内容
根据上述提出的技术问题，而提供一种基于特征匹配跟踪算法的降水云团跟踪方法。本发明主要利用一种基于特征匹配跟踪算法的降水云团跟踪方法，其特征在于，包括以下步骤：
步骤S1：输入降水云团前景图，筛选面积最大的降水云团为跟踪目标；
步骤S2：计算所述面积最大的降水云团与下一帧的降水云团的面积重合度，并与重合度阈值相比较；
当所述面积最大的降水云团的重合度大于或者等于重合度阈值时，则认为匹配成功，执行步骤S4；当所述面积最大的降水云团的重合度小于重合度阈值时，则认为匹配失败，执行步骤S3；
步骤S3：通过两个降水云团的Hu矩不变量值，设置阈值，构建判断是否为同一降水云团的判别因子；
当判别因子小于设定的判别因子的阈值时，判定匹配成功，判定降水云团为同一云团，执行步骤S4；当判别因子大于等于设定的判别因子的阈值时，判定目标丢失，返回步骤S1重新筛选面积最大的降水云团；
步骤S4：计算降水云团的质心，连接降水云团质心，显示云团运动轨迹；
步骤S5：当输入视频的时长大于或等于所述输入降水云团前景图的时长，则结束雷达跟踪；当计时器小于所述输入降水云团前景图的时长时，返回步骤S2继续执行直至计时器大于或等于所述输入降水云团前景图的时长。
进一步地，采用质心的连线直观地表示降水云团的运动轨迹，质心计算公式为：
其中，xi，yi分别表示是目标区域的像素点的坐标，Gi表示像素点的灰度值。
更进一步地，设降水云团图像为F(i,j)，则定义中心矩为：
其中，μp,q表示标准差，M,N分别表示降水云团的横向尺度和纵向尺度
标准化中心矩ηp,q定义为：
通过所述标准化中心矩的二、三阶中心矩，导出7个不变矩组，分别为：
较现有技术相比，本发明具有以下优点：
虽然在降水云团运动过程中发生了消减、形变和分裂但是本发明依然能够准确地跟踪到降水云团目标。本发明的优点在于：
(1)跟踪速度快。降水云团运动过程中可以实时地跟踪降水云团，并绘制出跟踪轨迹。
(2)跟踪准确。在跟踪过程中虽然云团发生了形变，但是依然可以准确地跟踪到降水云团。
综上本发明采用的跟踪算法满足降水云团跟踪的实时性、准确性和鲁棒性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图；
图2(a)为本发明实施例第63帧台风雷达回波雷达示意图；
图2(b)为本发明实施例第233帧台风雷达回波雷达示意图；
图2(c)为本发明实施例第369帧台风雷达回波雷达示意图；
图2(d)为本发明实施例第509帧台风雷达回波雷达示意图；
图3(a)为本发明实施例第63帧台风检测效果示意图；
图3(b)为本发明实施例第233帧台风检测效果示意图；
图3(c)为本发明实施例第369帧台风检测效果示意图；
图3(d)为本发明实施例第509帧台风检测效果示意图；
图4(a)为本发明实施例第63帧台风运动轨迹示意图；
图4(b)为本发明实施例第233帧台风运动轨迹示意图；
图4(c)为本发明实施例第369帧台风运动轨迹示意图；
图4(d)为本发明实施例第509帧台风运动轨迹示意图；
图5(a)为本发明实施例第125帧古野雷达回波示意图；
图5(b)为本发明实施例第250帧古野雷达回波示意图；
图5(c)为本发明实施例第465帧古野雷达回波示意图；
图5(d)为本发明实施例第600帧古野雷达回波示意图；
图6(a)为本发明实施例第125帧降水云团检测效果示意图；
图6(b)为本发明实施例第250帧降水云团检测效果示意图；
图6(c)为本发明实施例第465帧降水云团检测效果示意图；
图6(d)为本发明实施例第600帧降水云团检测效果示意图；
图7(a)为本发明实施例第125帧降水云团运动轨迹示意图；
图7(b)为本发明实施例第250帧降水云团运动轨迹示意图；
图7(c)为本发明实施例第465帧降水云团运动轨迹示意图；
图7(d)为本发明实施例第600帧降水云团运动轨迹示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-7所示为本发明一种基于特征匹配跟踪算法的降水云团跟踪方法，其特征在于，包括以下步骤：
步骤S1：输入降水云团前景图，筛选面积最大的降水云团为跟踪目标；
步骤S2：计算所述面积最大的降水云团与下一帧的降水云团的面积重合度，并与重合度阈值相比较；
当所述面积最大的降水云团的重合度大于或者等于重合度阈值时，则认为匹配成功，执行步骤S4；当所述面积最大的降水云团的重合度小于重合度阈值时，则认为匹配失败，执行步骤S3；
步骤S3：通过两个降水云团的Hu矩不变量值，设置阈值，构建判断是否为同一降水云团的判别因子；
当判别因子小于设定的判别因子的阈值时，判定匹配成功，判定降水云团为同一云团，执行步骤S4；当判别因子大于等于设定的判别因子的阈值时，判定目标丢失，返回步骤S1重新筛选面积最大的降水云团；
步骤S4：计算降水云团的质心，连接降水云团质心，显示云团运动轨迹；
步骤S5：当输入视频的时长大于或等于所述输入降水云团前景图的时长，则结束雷达跟踪；当计时器小于所述输入降水云团前景图的时长时，返回步骤S2继续执行直至计时器大于或等于所述输入降水云团前景图的时长。
作为一种优选的实施方式，在本发明中采用质心的连线直观地表示降水云团的运动轨迹，质心计算公式为：
其中，xi，yi分别表示是目标区域的像素点的坐标，Gi表示像素点的灰度值。
作为一种优选的实施方式，设降水云团图像为F(i,j)，则定义中心矩为：
其中，μp,q表示标准差，M,N分别表示降水云团的横向尺度和纵向尺度
标准化中心矩ηp,q定义为：
通过所述标准化中心矩的二、三阶中心矩，导出7个不变矩组，分别为：
作为一种优选的实施例，在Visual Studio 2015与OpenCV3.2.0结合环境下运行，选择配置环境为win10系统、CPU为Intel Core i5-8300H、主频2.30GHz、内存为8G的PC机，测试数据来源于中央气象网和实验室雷达降水云团监测平台。为了验证本文跟踪算法的有效性，设计两组实验针对跟踪过程中不存在云团消失和跟踪过程中存在云团消失两种情况进行讨论。现将两组实验结果对比如下：
(1)跟踪过程中不存在云团消失现象
图2(a)-图2(d)为东南沿海的一次台风运动过程。图2(a)-图2(d)分别取台风运动的早期、中期、后期、末期不同时刻的图像。图3(a)-图3(d)是对应时刻台风检测效果图。图4(a)-图4(d)是对此次台风运动的跟踪过程。图4(a)-图4(d)别对应台风运动的早期、中期、后期、末期不同时刻的运动轨迹。可以看出云团运动跟踪中形状发现改变，但是并未消失。本文算法仍然有较好的跟踪效果。
(2)跟踪过程中存在云团消失现象
图5(a)-图5(d)是实验室船舶导航雷达采集的大连地区一次降水云团运动过程，去除了近程静态强回波，叠加了卫星地图底图信息。图5(a)-图5(d)中分别为降水云团运动过程中四个不同时刻的图像。图6(a)-图6(d)是对应时刻降水云团检测效果图。图7(a)-图7(d)是对此次降水云团运动的跟踪过程。图7(a)-图7(d)中分别是相应时刻的运动轨迹。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种基于特征匹配跟踪算法的降水云团跟踪方法，其特征在于，包括以下步骤：
S1：输入降水云团前景图，筛选面积最大的降水云团为跟踪目标；
S2：计算所述面积最大的降水云团与下一帧的降水云团的面积重合度，并与重合度阈值相比较；
当所述面积最大的降水云团的重合度大于或者等于重合度阈值时，则认为匹配成功，执行步骤S4；当所述面积最大的降水云团的重合度小于重合度阈值时，则认为匹配失败，执行步骤S3；
S3：通过两个降水云团的Hu矩不变量值，设置阈值，构建判断是否为同一降水云团的判别因子；
当判别因子小于设定的判别因子的阈值时，判定匹配成功，判定降水云团为同一云团，执行步骤S4；当判别因子大于等于设定的判别因子的阈值时，判定目标丢失，返回步骤S1重新筛选面积最大的降水云团；
S4：计算降水云团的质心，连接降水云团质心，显示云团运动轨迹；
S5：当输入视频的时长大于或等于所述输入降水云团前景图的时长，则结束雷达跟踪；当计时器小于所述输入降水云团前景图的时长时，返回步骤S2继续执行直至计时器大于或等于所述输入降水云团前景图的时长。
2.根据权利要求1所述的一种基于特征匹配跟踪算法的降水云团跟踪方法，其特征还在于：
采用质心的连线直观地表示降水云团的运动轨迹，质心计算公式为：
其中，xi，yi分别表示是目标区域的像素点的坐标，Gi表示像素点的灰度值。
3.根据权利要求1所述的一种基于特征匹配跟踪算法的降水云团跟踪方法，其特征还在于：
设降水云团图像为F(i,j)，则定义中心矩为：
其中，p,q＝0,1,2,…,M,N；μp,q表示标准差，M,N分别表示降水云团的横向尺度和纵向尺度
标准化中心矩ηp,q定义为：
通过所述标准化中心矩的二、三阶中心矩，导出7个不变矩组，分别为：
CN201910749841.5A 2019-08-14 2019-08-14 一种基于特征匹配跟踪算法的降水云团跟踪方法 Pending CN110458878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910749841.5A CN110458878A (zh) 2019-08-14 2019-08-14 一种基于特征匹配跟踪算法的降水云团跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910749841.5A CN110458878A (zh) 2019-08-14 2019-08-14 一种基于特征匹配跟踪算法的降水云团跟踪方法

Publications (1)

Publication Number Publication Date
CN110458878A true CN110458878A (zh) 2019-11-15

Family

ID=68486584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910749841.5A Pending CN110458878A (zh) 2019-08-14 2019-08-14 一种基于特征匹配跟踪算法的降水云团跟踪方法

Country Status (1)

Country Link
CN (1) CN110458878A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638565A (zh) * 2020-06-09 2020-09-08 云南电网有限责任公司电力科学研究院 一种山区暴雨监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO954185D0 (no) * 1994-10-20 1995-10-19 Tokyo Shibaura Electric Co Tordensky-observasjonssystem
CN104200484A (zh) * 2013-12-16 2014-12-10 浙江工业大学 基于云团特征分析的分布式光伏系统超短期出力预测方法
CN107356926A (zh) * 2017-06-08 2017-11-17 湖南师范大学 基于Hu矩的差值云团外推降雨预测算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO954185D0 (no) * 1994-10-20 1995-10-19 Tokyo Shibaura Electric Co Tordensky-observasjonssystem
CN104200484A (zh) * 2013-12-16 2014-12-10 浙江工业大学 基于云团特征分析的分布式光伏系统超短期出力预测方法
CN107356926A (zh) * 2017-06-08 2017-11-17 湖南师范大学 基于Hu矩的差值云团外推降雨预测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘科峰等: "奇异值分解与神经网络结合的卫星云图云团移动预测", 《解放军理工大学学报(自然科学版)》 *
鞠红霞等: "雷暴云团的识别追踪技术在短时临近预报中的应用", 《大气与环境光学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638565A (zh) * 2020-06-09 2020-09-08 云南电网有限责任公司电力科学研究院 一种山区暴雨监测方法

Similar Documents

Publication Publication Date Title
EP3614308B1 (en) Joint deep learning for land cover and land use classification
Jahedsaravani et al. An image segmentation algorithm for measurement of flotation froth bubble size distributions
CN103218831B (zh) 一种基于轮廓约束的视频运动目标分类识别方法
CN103442209B (zh) 一种输电线路的视频监控方法
CN108009509A (zh) 车辆目标检测方法
WO2010084902A1 (ja) 侵入警報ビデオ処理装置
CN111899568B (zh) 桥梁防撞预警系统、方法、装置和存储介质
CN107507417B (zh) 一种基于微波雷达回波信号的智能车道划分方法及装置
CN104166841A (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN100565557C (zh) 基于粒子动态采样模型的红外人体目标跟踪系统
CN103606164B (zh) 基于高维三重马尔可夫场的sar图像分割方法
EP0888560A1 (en) Improved method of moment estimation and feature extraction for devices which measure spectra as a function of range or time
CN107392941A (zh) 一种飞机起降跟踪系统与方法
CN104537689A (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN109242019A (zh) 一种水面光学小目标快速检测与跟踪方法
CN110443830A (zh) 一种基于混合高斯背景模型的降水云团检测方法
CN112100435A (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN108764338A (zh) 一种应用于视频分析的行人跟踪算法
ApRil Automated storm tracking for terminal air traffic control
Aytekin et al. Local primitive pattern for the classification of SAR images
CN102129559A (zh) 基于Primal Sketch算法的SAR图像目标检测方法
Chen et al. Ship target detection algorithm for maritime surveillance video based on gaussian mixture model
CN106056078A (zh) 一种基于多特征回归式集成学习的人群密度估计方法
CN114898319A (zh) 基于多传感器决策级信息融合的车型识别方法及系统
CN110458878A (zh) 一种基于特征匹配跟踪算法的降水云团跟踪方法

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230516