CN111462186B - 一种基于可拓免疫的红外目标检测跟踪一体化算法 - Google Patents
一种基于可拓免疫的红外目标检测跟踪一体化算法 Download PDFInfo
- Publication number
- CN111462186B CN111462186B CN202010259331.2A CN202010259331A CN111462186B CN 111462186 B CN111462186 B CN 111462186B CN 202010259331 A CN202010259331 A CN 202010259331A CN 111462186 B CN111462186 B CN 111462186B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- infrared
- extension
- infrared target
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000036039 immunity Effects 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000006058 immune tolerance Effects 0.000 claims description 7
- 238000002649 immunization Methods 0.000 claims description 7
- 230000003053 immunization Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 108020005198 Long Noncoding RNA Proteins 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- FKOQWAUFKGFWLH-UHFFFAOYSA-M 3,6-bis[2-(1-methylpyridin-1-ium-4-yl)ethenyl]-9h-carbazole;diiodide Chemical compound [I-].[I-].C1=C[N+](C)=CC=C1C=CC1=CC=C(NC=2C3=CC(C=CC=4C=C[N+](C)=CC=4)=CC=2)C3=C1 FKOQWAUFKGFWLH-UHFFFAOYSA-M 0.000 description 1
- 235000007519 Chimonanthus praecox Nutrition 0.000 description 1
- 240000001359 Origanum dictamnus Species 0.000 description 1
- 235000015987 Origanum dictamnus Nutrition 0.000 description 1
- 235000004383 Origanum vulgare subsp. vulgare Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001338 self-assembly Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，具体涉及一种基于可拓免疫的红外目标检测跟踪一体化算法。在算法中通过运用可拓学理论对阴性选择算法及KCF跟踪算法进行改进，重新设计了红外目标检测模块与跟踪模块，并将检测模块的目标中心位置信息送入跟踪模块，实现了红外目标检测跟踪的一体化。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于可拓免疫的红外目标检测跟踪一体化算法。
背景技术
红外目标检测与跟踪技术在智能安防监控、刑侦现场勘察、军事作战打击、火情搜索定位等领域发挥着重要的作用。但在实际应用中，受红外图像采集系统以及环境温度等限制，红外目标检测与跟踪面临着许多困难，在红外目标检测方面，存在着目标边缘信息深度模糊而难以精确提取、图像背景复杂、图像中目标与背景对比度低等问题；在红外目标跟踪方面，存在着目标丢失、目标被遮挡、目标形状与大小发生变化造成跟踪误判等问题。针对以上问题，国内外研究人员先后提出了多种算法。具有代表性的算法有Hong Zhang等提出的红外小目标局部强度与梯度处理的方法，该方法在抑制红外图像背景杂波方面具有较好的表现；He Dong等提出的WLDM(weighted local difference measure)方法实现了目标增强与背景杂波抑制同时进行；付冬梅等提出了基于免疫思想的红外手部热痕迹提取方法，将人工免疫理论用于红外目标提取。这些算法虽然在一定程度上解决了背景杂波的抑制问题，但对于目标与背景对比度低的红外目标，检测精度仍有待提高。
在红外目标跟踪算法的研究方面，2010年，由Kalal等提出了TLD算法，该算法实现了检测与跟踪的一体化进行，能够对目标进行长时间跟踪，但在实时性方面表现较差，不能满足实际需求。为实现目标快速跟踪，JF Henriques等提出了KCF算法，该算法能够实现对目标的快速跟踪，但难以解决目标丢失后的重新定位问题，并且抗遮挡性能较差。针对KCF算法存在的问题，2015年BMVC上发表了基于改进KCF算法的DSST算法。该算法通过融合多特征实现了尺度的自适应，能够满足目标尺度变化时的准确跟踪。
发明内容
本发明所需要解决的技术问题是，在强背景杂波干扰下，对红外目标，特别是边缘信息深度模糊的红外目标进行提取，并在遮挡、形变、目标短时间内脱离视场等情况下对红外目标进行可靠跟踪。克服当前红外目标检测与跟踪无法实现红外目标自主协同工作的问题。
为解决上述问题，本发明提供了一种基于可拓免疫的红外目标检测跟踪一体化算法，在算法中通过运用可拓学理论对阴性选择算法及KCF跟踪算法进行改进，重新设计了红外目标检测模块与跟踪模块，并将检测模块的目标中心位置信息送入跟踪模块，实现了红外目标检测跟踪的一体化。
为实现上述目的，本发明采用如下技术方案：
一种基于可拓免疫的红外目标检测跟踪一体化算法，包括红外目标检测模块、红外目标跟踪模块，该算法包括以下步骤：
S1、读入红外视频序列的第一帧图像，生成图像灰度训练集，同时进行免疫初分割，根据图像灰度差异将图像分为两部分，将图像进行初始免疫处理；
S2、所述图像灰度训练集生成后，对训练集的元素进行免疫耐受处理；
S3、将步骤S2中进行了免疫耐受的元素生成红外目标的初始免疫检测器；
S4、将所述初始免疫检测器与选定的自体集合进行匹配，匹配成功则转到步骤S3，否则转到步骤S5；
S5、将步骤S3中不能与自体集合相匹配的元素组成新检测器集合；
S6、判断步骤S5中的新检测其数量是否达到预设值，如果达到预设值，则转到步骤S7，否则转到步骤S3；
S7、对步骤S5输入的新检测器进行可拓变换，生成红外目标可拓检测器；
S8、将初始免疫处理后的图像，利用所述红外目标可拓检测器在基于人工免疫理论的阴性选择网络中进行目标检测，在检测中对红外目标的特征进行聚类，形成目标元素集与背景元素集，并计算目标元素集的目标中心位置；
S9、将所述目标中心位置输入到红外目标跟踪模块用于跟踪滤波器的初始化；
S10、将所述跟踪滤波器进行可拓变换，实现跟踪器的尺度可拓并增强目标跟踪的抗遮挡性能；
S11、对跟踪可靠性进行判断，如果能够准确跟踪红外目标，则转到步骤S12输出跟踪结果，反之则转到步骤S13生成红外目标可拓区域；
S12、输出进行跟踪可靠性判断时准确跟踪红外目标的跟踪结果；
S13、当不能准确跟踪红外目标时，根据目标中心位置误差情况及误差精度，进行目标可拓变换，生成目标可拓区域；
S14、在所述可拓目标区域内进行红外目标重新定位，捕获目标所在位置；
S15、对步骤S14捕获的红外目标所在位置进行可靠性分析，如果能够准确跟踪红外目标，则转至步骤S12输出跟踪结果，反之则转至步骤S16；
S16、当步骤S15跟踪可靠性分析表明无法准确跟踪红外目标时，输入下一帧红外图像并转至步骤S13。
本技术方案进一步的优化，步骤S3生成初始免疫检测器采用阴性选择算法。
本技术方案进一步的优化，步骤S4初始免疫检测器与选定的自体集合在Hamming规则下进行匹配。
本技术方案进一步的优化，步骤S1中免疫初分割采用视觉背景提取算法。
本技术方案进一步的优化，步骤S7检测器进行可拓变换首先将红外目标可拓检测器用可拓学基元矩阵表示，其中包括可拓检测器的特征向量及其检测范围。
本技术方案进一步的优化，步骤S8可拓检测器工作过程主要采用基于lncRNA功能计算模型。
本技术方案进一步的优化，步骤S9的跟踪滤波器采用KCF跟踪滤波器。
本技术方案进一步的优化，步骤S13生成目标可拓区域时的判定依据为目标中心位置误差大于设定值，生成可拓区域的方法为计算当前区域与目标间的免疫亲和度。
本技术方案进一步的优化，步骤S1采用ViBe算法进行免疫初分割。
区别于现有技术，上述技术方案基于可拓免疫的红外目标检测跟踪一体化算法将可拓学理论与人工免疫的阴性选择算法相结合构建了可拓检测器用于运动目标检测，并对KCF跟踪滤波器进行可拓变换，构造了目标可拓区域，提出了基于可拓免疫的红外目标检测跟踪一体化算法，实现了红外目标自主检测与跟踪。
附图说明
图1是本发明的免疫初分割过程及效果图；
图2是本发明的基于可拓免疫的红外目标检测跟踪一体化算法流程图；
图3是本发明的可拓检测器生成流程示意图；
图4是本发明的基于可拓免疫的红外目标检测算法流程图；
图5是本发明的基于可拓分析改进的KCF跟踪算法流程图；
图6是本发明的基于可拓免疫的红外目标检测算法效果图；
图7是本发明的基于可拓免疫的红外目标检测跟踪一体化算法效果图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图2所示，本发明优选一实施例基于可拓免疫的红外目标检测跟踪一体化算法，包括红外目标检测模块、红外目标跟踪模块，它包括：
S1、读入红外视频序列的第一帧图像，生成图像灰度训练集，根据图像灰度的类间方差将图像分为两部分，同时利用ViBe算法进行免疫初分割，ViBe算法作为基于多帧红外图像的免疫初分割方法，通过前N帧图像建立背景模型，对当前帧中的像素点属性进行判断，即像素点属于目标或像素点属于背景。免疫初分割过程及处理结果见图1所示，为免疫初分割过程及效果图。
S2、所述图像灰度训练集生成后，对训练集利用阴性选择模型进行免疫耐受操作，将图像空间分为若干个子空间，且每个子空间称之为图像空间的一个样本空间。对该样本空间里的元素进行“自我”或“非我”判别；
S3、对S2中进行了免疫耐受的元素生成红外目标的初始免疫检测器；
S4、将所述初始免疫检测器与选定的自体集合在Hamming规则下进行匹配，匹配成功则转到步骤S3，否则转到步骤S5；
S5、将步骤S3中不能与自体集合相匹配的元素组成新检测器集合；
S6、判断步骤S5中的新检测其数量是否达到预设值，如果达到预设值，则转到步骤S7，否则转到步骤S3；
S7、对步骤S5输入的检测器进行可拓变换，生成红外目标可拓检测器；
S8、利用所述红外目标可拓检测器在基于人工免疫理论的阴性选择网络中进行目标检测，在检测中对红外目标的特征进行聚类，形成目标元素集与背景元素集；
S9、将所述目标中心位置输入到红外目标跟踪模块用于KCF跟踪滤波器初始化；
S10、将所述KCF跟踪滤波器进行可拓变换，实现跟踪器的尺度可拓并增强目标跟踪的抗遮挡性能；
S11、对跟踪可靠性进行判断，如果能够准确跟踪红外目标，则转到步骤S12输出跟踪结果，反之则转到步骤S13生成红外目标可拓区域；
S12、输出进行跟踪可靠性判断时准确跟踪红外目标的跟踪结果；
S13、当不能准确跟踪红外目标时，根据中心位置误差情况及误差精度，进行目标可拓变换，生成目标可拓区域；
S14、在所述可拓目标区域内进行红外目标重新定位，捕获目标所在位置；
S15、对步骤S14捕获的红外目标所在位置进行可靠性分析，如果能够准确跟踪红外目标，则转至步骤S12输出跟踪结果，反之则转至步骤S16；
S16、当步骤S15跟踪可靠性分析表明无法准确跟踪红外目标时，输入下一帧红外图像并转至步骤S13。
参阅图4所示，为基于可拓免疫的红外目标检测算法流程图。该实施例提出的的算法首先红外图像序列读入并生成灰度训练集，同时利用ViBe算法进行免疫初分割，在灰度训练集生成后利用阴性选择模型进行免疫耐受并生成初始免疫检测器，通过初始免疫检测器与自体元素间的匹配生成成熟的新检测器，当成熟的新检测器达到预设数量后，利用可拓学理论对检测器进行可拓变换，使变换后的检测器能够覆盖所在模式空间内的更多区域，并提高了检测器的运行效率。可拓检测器利用lncRNA功能相似性计算模型进行工作，对红外目标与背景进行划分。
该实施例在目标被检测器提取后，将目标中心位置送入红外跟踪模块，在KCF跟踪滤波器初始化后，将跟踪滤波器进行可拓变换，并通过跟踪可靠性分析判断是否输出跟踪结果，当跟踪中心位置误差较大时生成目标可拓区域对目标所在位置进行重新定位，再次通过跟踪可靠性分析判断是否输出跟踪结果，在输出跟踪结果后对跟踪滤波器进行更新，跟踪至最后一帧图像后结束跟踪。
在可拓免疫检测器构造阶段，将红外图像空间记作U；将目标空间称为“自我”空间，记作Us；将背景空间称为“非我”空间，记作Uns。并且Us∪Uns＝U，
将红外目标检测的问题空间归一化为超矩形空间[0,1]n，在该超矩形空间上定义n个特征向量：x1,x2,...,xn。则完成了红外目标检测的可拓基元Mu的构造。将红外目标检测问题用可拓学基元Mu表示为：
成熟后的可拓检测器d是问题空间中的一个小超矩形，Vi(i＝1,2,...,n)表示红外目标检测器d对应特征向量xi(i＝1,2,...,n)的约束范围，且
红外目标检测器d对应特征向量xi(i＝1,2,...,n)的检测范围是
则可拓检测器d用基元Md表示为：
样本和检测器的亲和度A(s,d)：
在目标检测阶段，根据lncRNA相似度计算模型中的“病毒”数量转换方式，TMB为“病毒”数量，即可拓红外目标区域内的背景杂波MB(α)转换为h(α)：
h(α)＝-log[MB(α)/TMB] (5)
在可拓红外目标区域内，背景杂波的模糊密度h(α)被定义为FD(α)：
对于背景杂波的模糊集，用下述公式计算Sugeno测度的λ：
目标扩展区域和背景的Sugeno测度φβ,λ计算如下：
φβ,λ＝FD(α)+φα,λ+λ·FD(α) (8)
目标扩展区域
和背景
的相似性g(E,B)被定义为：
参阅图3所示，为可拓检测器生成流程示意图。对于输入的红外图像，首先生成灰度样本集，并根据前述的免疫耐受操作，对样本进行“自我”或“非我”判别，从而转换为自体(目标)与非自体(背景)，并在灰度样本集里随机产生候选自体，与自体(目标)进行匹配，如果可以匹配成功，则接受为新的目标检测器，反之则继续产生随机自体，直到生成的检测器数量达到预设要求。当检测器数量达到预设要求时，通过可拓变换，生成可拓检测器。
在可拓检测器生成阶段，根据式(1)与式(2)对红外目标检测问题与成熟可拓检测器进行可拓基元描述，并通过式(3)约束检测器在空间内的覆盖范围，通过式(4)计算样本与检测器间的亲和度，从而构造出可拓检测器，当可拓检测器达到预设数量时，完成可拓检测器的生成。
参阅图5所示，为基于可拓分析改进的KCF跟踪算法流程图。在目标中心位置送入红外跟踪模块后，KCF跟踪滤波器初始化，将跟踪滤波器进行可拓变换，并通过跟踪可靠性分析判断是否输出跟踪结果，当跟踪中心位置误差较大时生成目标可拓区域对目标所在位置进行重新定位，再次通过跟踪可靠性分析判断是否输出跟踪结果，在输出跟踪结果后对跟踪滤波器进行更新，跟踪至最后一帧图像后结束跟踪。
参阅图6所示，为基于可拓免疫的红外目标检测算法效果图。图6中第一行与第三行的a-h分别为红外图像的测试样本，第二行与第四行为为基于可拓免疫的红外目标检测算法检测效果图。表1为红外目标检测指标，第一列中TPR(％)、D(GT,ER)(％)、ACC(％)为红外目标检测常用评价指标，TPR(％)、D(GT,ER)(％)、ACC(％)的值越大，则表明该算法检测效果越理想。根据图6所示结果以及表1数据可以看出，在三种检测指标的验证下，本发明所述的基于可拓免疫的红外目标检测算法能够将目标进行精确提取，有效解决了复杂背景、目标边带信息深度模糊等情况下红外目标的精确检测。
表1红外目标检测指标
参阅图7所示，为基于可拓免疫的红外目标检测跟踪一体化算法效果图。在图7中分别展示了基于可拓免疫的红外目标检测跟踪一体化算法的效果示意图，并在(b)-(d)中分别对目标尺度及形状变化、出现相似目标、出现遮挡及目标短时间脱离视场等情况下的检测跟踪一体化运行效果，可以看出，以上情况出现时，算法具有较好的鲁棒性，能够及时调整当前运行状态并经过可拓计算再次找回目标。本发明提出的基于可拓免疫的红外目标检测跟踪一体化算法能够实现自主运行，并将检测与跟踪相协同，实现红外目标的精确检测及稳定跟踪。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
Claims (8)
1.一种基于可拓免疫的红外目标检测跟踪一体化算法，包括红外目标检测模块、红外目标跟踪模块，其特征在于，该算法包括以下步骤：
S1、读入红外视频序列的第一帧图像，生成图像灰度训练集，同时进行免疫初分割，根据图像灰度差异将图像分为两部分，将图像进行初始免疫处理；
S2、所述图像灰度训练集生成后，对训练集的元素进行免疫耐受处理；
S3、将步骤S2中进行了免疫耐受的元素生成红外目标的初始免疫检测器；
S4、将所述初始免疫检测器与选定的自体集合进行匹配，匹配成功则转到步骤S3，否则转到步骤S5；
S5、将步骤S3中不能与自体集合相匹配的元素组成新检测器集合；
S6、判断步骤S5中的新检测器 数量是否达到预设值，如果达到预设值，则转到步骤S7，否则转到步骤S3；
S7、对步骤S5输入的新检测器进行可拓变换，生成红外目标可拓检测器，检测器进行可拓变换首先将红外目标可拓检测器用可拓学基元矩阵表示，其中包括可拓检测器的特征向量及其检测范围；
S8、将初始免疫处理后的图像，利用所述红外目标可拓检测器在基于人工免疫理论的阴性选择网络中进行目标检测，在检测中对红外目标的特征进行聚类，形成目标元素集与背景元素集，并计算目标元素集的目标中心位置；
S9、将所述目标中心位置输入到红外目标跟踪模块用于跟踪滤波器的初始化；
S10、将所述跟踪滤波器进行可拓变换，实现跟踪器的尺度可拓并增强目标跟踪的抗遮挡性能；
S11、对跟踪可靠性进行判断，如果能够准确跟踪红外目标，则转到步骤S12输出跟踪结果，反之则转到步骤S13生成红外目标可拓区域；
S12、输出进行跟踪可靠性判断时准确跟踪红外目标的跟踪结果；
S13、当不能准确跟踪红外目标时，根据目标中心位置误差情况及误差精度，进行目标可拓变换，生成目标可拓区域；
S14、在可拓目标区域内进行红外目标重新定位，捕获目标所在位置；
S15、对步骤S14捕获的红外目标所在位置进行可靠性分析，如果能够准确跟踪红外目标，则转至步骤S12输出跟踪结果，反之则转至步骤S16；
S16、当步骤S15跟踪可靠性分析表明无法准确跟踪红外目标时，输入下一帧红外图像并转至步骤S13。
2.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S3生成初始免疫检测器采用阴性选择算法。
3.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S4初始免疫检测器与选定的自体集合在Hamming规则下进行匹配。
4.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S1中免疫初分割采用视觉背景提取算法。
5.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S8可拓检测器工作过程采用基于lncRNA功能计算模型。
6.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S9的跟踪滤波器采用KCF跟踪滤波器。
7.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其特征在于，所述步骤S13生成目标可拓区域时的判定依据为目标中心位置误差大于设定值，生成可拓区域的方法为计算当前区域与目标间的免疫亲和度。
8.如权利要求1所述的基于可拓免疫的红外目标检测跟踪一体化算法，其
特征在于，所述步骤S1采用ViBe算法进行免疫初分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259331.2A CN111462186B (zh) | 2020-04-03 | 2020-04-03 | 一种基于可拓免疫的红外目标检测跟踪一体化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259331.2A CN111462186B (zh) | 2020-04-03 | 2020-04-03 | 一种基于可拓免疫的红外目标检测跟踪一体化算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462186A CN111462186A (zh) | 2020-07-28 |
| CN111462186B true CN111462186B (zh) | 2022-04-15 |
Family
ID=71680496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259331.2A Expired - Fee Related CN111462186B (zh) | 2020-04-03 | 2020-04-03 | 一种基于可拓免疫的红外目标检测跟踪一体化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462186B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102735209A (zh) * | 2012-06-18 | 2012-10-17 | 中国电力科学研究院 | 一种基于向量分解法的光伏跟踪系统跟踪精度的测量方法 |
| CN108010067A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于组合判断策略的视觉目标跟踪方法 |
| CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
| CN109146927A (zh) * | 2018-09-06 | 2019-01-04 | 广州市保伦电子有限公司 | 一种基于机器视觉的图像追踪定位方法及系统 |
| CN110728702A (zh) * | 2019-08-30 | 2020-01-24 | 深圳大学 | 一种基于深度学习的高速跨摄像头单目标跟踪方法及系统 |
-
2020
- 2020-04-03 CN CN202010259331.2A patent/CN111462186B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102735209A (zh) * | 2012-06-18 | 2012-10-17 | 中国电力科学研究院 | 一种基于向量分解法的光伏跟踪系统跟踪精度的测量方法 |
| CN108010067A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于组合判断策略的视觉目标跟踪方法 |
| CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
| CN109146927A (zh) * | 2018-09-06 | 2019-01-04 | 广州市保伦电子有限公司 | 一种基于机器视觉的图像追踪定位方法及系统 |
| CN110728702A (zh) * | 2019-08-30 | 2020-01-24 | 深圳大学 | 一种基于深度学习的高速跨摄像头单目标跟踪方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Infrared Target Extraction Based on Immune Extension Neural Network;Enzeng Dong et al;《Digital Object Identifier》;20200318;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462186A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | To track or to detect? an ensemble framework for optimal selection | |
| Kim et al. | GAN-based synthetic data augmentation for infrared small target detection | |
| CN113989851B (zh) | 一种基于异构融合图卷积网络的跨模态行人重识别方法 | |
| Chen et al. | Multiple object tracking using edge multi-channel gradient model with ORB feature | |
| CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
| CN113378675A (zh) | 一种同时检测和特征提取的人脸识别方法 | |
| Xie et al. | Feature consistency-based prototype network for open-set hyperspectral image classification | |
| CN113076891A (zh) | 基于改进高分辨率网络的人体姿态预测方法及系统 | |
| Lit et al. | Multiple object tracking with gru association and kalman prediction | |
| Li et al. | Robust visual tracking with occlusion judgment and re-detection | |
| CN113327271B (zh) | 基于双光孪生网络决策级目标跟踪方法、系统及存储介质 | |
| Wang et al. | Video SAR ground moving target indication based on multi-target tracking neural network | |
| Chao-jian et al. | Image target identification of UAV based on SIFT | |
| Peng et al. | CourtNet: Dynamically balance the precision and recall rates in infrared small target detection | |
| Zhu et al. | DualDA-Net: Dual-head rectification for cross-domain object detection of remote sensing | |
| Zhao et al. | SRA-CEM: An improved CEM target detection algorithm for hyperspectral images based on sub-region analysis | |
| CN111462186B (zh) | 一种基于可拓免疫的红外目标检测跟踪一体化算法 | |
| Wang et al. | Anchor free network for multi-scale face detection | |
| CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
| Wang et al. | Low-slow-small target tracking using relocalization module | |
| Mokalla et al. | On designing MWIR and visible band based deepface detection models | |
| Zhang et al. | Anchor-free network with guided attention for ship detection in aerial imagery | |
| Long et al. | Accurate identification of infrared ship in island-shore background based on visual attention | |
| CN112785627A (zh) | 一种基于重识别技术的多目标跟踪方法 | |
| Tang et al. | A Siamese network based on multiple attention and multilayer transformers for change detection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |