CN112348853B - 基于红外显著性特征融合的粒子滤波跟踪的方法 - Google Patents
基于红外显著性特征融合的粒子滤波跟踪的方法 Download PDFInfo
- Publication number
- CN112348853B CN112348853B CN202011219656.4A CN202011219656A CN112348853B CN 112348853 B CN112348853 B CN 112348853B CN 202011219656 A CN202011219656 A CN 202011219656A CN 112348853 B CN112348853 B CN 112348853B
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- time
- representing
- tracked
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于红外显著性特征融合的粒子滤波跟踪的方法。本发明的目的是采用粒子滤波框架,通过多特征融合的方式建立相应特征观测模型计算粒子权重,利用粒子的位置信息和权重得到估计目标状态实现目标跟踪,说明书摘要附图中图1为发明的具体实现流程图。
Description
技术领域:
本发明属于图像处理领域,具体地说是通过结合多特征融合和粒子滤波,得到目标运动的准确估计。
背景技术:
根据目标模型建立的不同,常见的目标跟踪算法可以分为生成类和判别类两种方法。应用到基于序列图像的检测前跟踪方法主要包括管道滤波、动态规划、多级假设检验、三维匹配滤波、粒子滤波等。管道滤波是基于多帧图像分析较常用的方法,它以每一帧的可疑目标位置为中心,并以此划分一个截面区域,当此区域内目标数与真实目标数误差在一定范围内判断为目标,算法需要考虑的参数有截面区域的形状大小、所选帧数的多少、判断的阈值等。动态规划方法是将目标运行轨迹搜索看作多阶优化问题采用分级处理。多级假设检验是采用树结构描述可疑目标轨迹,但是当弱信号在复杂场景中,可疑轨迹过多导致树结构的分支过多,实时性能无法得到保障。三维匹配滤波是根据已知的目标数和运动特征,设计多个滤波器包含所有目标轨迹,此方法对具有固定运动速度和路线的已知目标有良好的检测效果,但是不适合目标和轨迹样本过多的情况。
粒子滤波方法利用迭代后的样本均值估计模型参数,可以用作处理任何噪声模型下的非线性非高斯系统。随着计算机处理能力的提高,粒子滤波也成为近年的研究热点被应用在视觉跟踪、目标定位、信号处理等多种领域,但是存在粒子退化现象、粒子多样性不足、计算量过大等问题。我国拥有辽阔海域领土,来自军事安全的压力日益加剧,所以具备快速获取远距离舰船的位置、方向等信息的能力在海洋战略防范问题上显得尤为重要。因此,针对任意观测点的不同海洋场景,实现稳定准确的目标跟踪问题有着十分重要的研究价值。
粒子滤波中观测模型的建立需要针对检测目标和背景环境的特点,一般为了保证检测精度和稳定性,需要所使用的特征算子具有空间尺度、旋转、亮度不变性等特性。本发明通过分析海面小目标特征,采用WPCM显著性特征和具有鲁棒性的局部结构特征描述子SURF作为观测量,通过目标和模板间的相似性计算粒子权值,进而利用粒子的位置信息和权值大小得到目标状态对目标进行跟踪。
本发明是从目标纹理分布角度,采用多特征融合的方式建立相应特征观测模型,基于目标模板和候选模板的相似性差异,计算粒子权值,利用粒子的位置信息和权值大小估计出目标状态,作为目标跟踪的一种手段。
发明内容:
本发明的目的是采用多特征融合的方式建立相应特征观测模型,通过目标和模板间的相似性计算粒子权值,利用粒子的位置信息和权值大小得到目标状态。首先利用局部显著性和局部稳定的SURF特征检测算子构造了小目标检测系统的观测方程。然后以融合特征计算粒子权值,并估计目标状态。最后通过自适应判别更新目标模板。通过得到的数据得到目标运动的准确估计的目的。
本发明采用的技术方案是:
第一步:读取第0帧图像I0,并对图像I0进行粒子初始化,具体操作过程如下:
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标,得到初始时刻的目标状态X0=[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0,高为h0);
(b)以目标初始状态为中心,传播半径r的范围内随机产生N个独立同分布的样本,从而得到初始粒子集以及初始时刻的待跟踪目标区域集其中表示图像I0中以初始粒子集X0中第i个粒子位置坐标为中心的待跟踪目标区域(宽为高为),设置初始粒子权重为其中i=1,2,...,N表示粒子集中粒子的标号,N表示滤波的粒子数;
第二步:读取第k帧图像Ik,k=1,2,3...表示图像帧数以及时刻;
第三步:采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子和图像Ik中以候选目标粒子集的第i个粒子位置坐标为中心的候选目标区域(宽为高为),进而得到k时刻的候选目标粒子集和候选目标区域集 和分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子,r是粒子的随机传播半径,一般设为U(i)是计算第i个粒子时属于[-1,1]的随机数;
1)设计滑动窗口对待跟踪目标区域进行遍历扫描,滑动窗口由3×3排列的9个局部块组成,滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3,第二行三个局部块从左到右依次编号为P4、P0、P5,第三行三个局部块从左到右依次编号为P6、P7、P8,每个局部块由l×l个像素组成,l可取1~3之间的奇数;
2)采用滑动窗口对待跟踪目标区域从上到下、从左到右进行遍历扫描,分别通过式(2)、(3)计算块均值和其中表示待跟踪目标区域在坐标(x,y)位置的灰度值,l(i)表示局部块的边长,采用式(4)计算与之间的对比度通过公式(5)计算得到与中心块最相似的相邻块和通过公式(6)计算得到(x,y)处的块对比度进而得到的对比度显著图记为C(i),其中r表示局部块的标号;
(2)通过式(10)、(11)计算得到待跟踪目标区域中以为中心像素位置的基于显著性特征的目标核函数直方图 表示归一化常数,使表示待跟踪目标区域的大小,表示目标区域中的像素,pixel表示目标区域中像素标号,||·||表示范数计算符,表示像素的显著性值,u=1,2,...,256表示直方图的横坐标,δ(·)表示delta函数;
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程进而得到k时刻基于对比度显著性特征的观测方程集其中σ1表示基于对比度显著性特征的观测标准差,表示k时刻的候选目标粒子集中的第i个粒子,Zk表示k时刻的观测状态;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离通过式(15)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集其中表示候选目标区域中以为中心像素位置的基于显著性特征的核函数直方图,表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域中以为中心像素位置的基于显著性特征的核函数直方图:
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵,其中σ表示尺度空间因子以及高斯函数g(σ)的标准差,temp表示图像像素矩阵;
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H);
det(H)=LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到在某一尺度下的近似Hessian矩阵行列式的行列式其中表示的Hessian矩阵的近似矩阵, 表示盒子滤波器与积分图像卷积的结果,0.9表示加权系数,用于修正盒子滤波器的近似误差;
(5)利用不同尺寸的盒子滤波器与积分图像卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔,尺度金字塔有若干组,每组有若干层,最底层为第一组(即octave=1),盒子滤波器尺寸由式(22)来确定,其中FilterSize表示盒子滤波器的尺寸大小,octave表示图像所在组的标号(octave可取3、4),interval表示图像所在层的标号(interval可取4~6);
FilterSize=3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制,得到初步的特征点位置和尺度,即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较,如果该点是这26个点中的最大值或者最小值,则保留下来,当做初步的特征点;
(7)采用3维线性插值法得到亚像素级的特征点,同时也去掉那些值小于一定阈值的点,增加极值使检测到的特征点数量减少,从而精确定位到特征点;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离通过式(24)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离其中表示k-1时刻的目标粒子集中第i个粒子的特征点,表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点,和分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标:
第八步:采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点其中表示k时刻估计目标区域特征点的位置坐标;
第九步:采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板进而得到新目标模板集其中表示k-1时刻的目标粒子集中第i个粒子的目标模板,表示k时刻估计目标模板gu,k与之间的基于对比度显著性特征的相似度距离,表示k时刻估计目标区域的特征点与k-1时刻的目标粒子集中第i个粒子的特征点之间基于SURF特征点的相似度距离,λ表示调整系数,取值范围为[0,1],Tn表示距离阈值,根据经验,Tn=0.15;
第十步:令k=k+1,并判断是否已经处理到最后一帧图像,如果是结束循环,否则转到第二步。
本发明优点在于:
1、能够提高复杂场景下目标跟踪的精度;
2、通过多特征处理能够有效地弥补传统单特征的不稳定性。
附图说明
图1为本发明的流程图;
图2(a)为拥有一个动态船目标的第10帧图像;
图2(b)为拥有一个动态船目标的第20帧图像;
图2(c)为拥有一个动态船目标的第30帧图像;
图2(d)为拥有一个动态船目标的第40帧图像;
图2(e)为拥有一个动态船目标的第50帧图像;
图2(f)为拥有一个动态船目标的第60帧图像;
具体实施方式:
1:读取第0帧图像I0,并对图像I0进行粒子初始化,具体操作过程如下:
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标,得到初始时刻的目标状态X0=[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0,高为h0);
(b)以目标初始状态为中心,传播半径r的范围内随机产生N个独立同分布的样本,从而得到初始粒子集以及初始时刻的待跟踪目标区域集其中表示图像I0中以初始粒子集X0中第i个粒子位置坐标为中心的待跟踪目标区域(宽为高为),设置初始粒子权重为其中i=1,2,...,N表示粒子集中粒子的标号,N表示滤波的粒子数;
2:读取第k帧图像Ik,k=1,2,3...表示图像帧数以及时刻;
3:采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子和图像Ik中以候选目标粒子集的第i个粒子位置坐标为中心的候选目标区域(宽为高为),进而得到k时刻的候选目标粒子集和候选目标区域集 和分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子,r是粒子的随机传播半径,一般设为U(i)是计算第i个粒子时属于[-1,1]的随机数;
1)设计滑动窗口对待跟踪目标区域进行遍历扫描,滑动窗口由3×3排列的9个局部块组成,滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3,第二行三个局部块从左到右依次编号为P4、P0、P5,第三行三个局部块从左到右依次编号为P6、P7、P8,每个局部块由l×l个像素组成,l可取1~3之间的奇数;
2)采用滑动窗口对待跟踪目标区域从上到下、从左到右进行遍历扫描,分别通过式(2)、(3)计算块均值和其中表示待跟踪目标区域在坐标(x,y)位置的灰度值,l(i)表示局部块的边长,采用式(4)计算与之间的对比度通过公式(5)计算得到与中心块最相似的相邻块和通过公式(6)计算得到(x,y)处的块对比度进而得到的对比度显著图记为C(i),其中r表示局部块的标号;
(2)通过式(10)、(11)计算得到待跟踪目标区域中以为中心像素位置的基于显著性特征的目标核函数直方图表示归一化常数,使表示待跟踪目标区域的大小,表示目标区域中的像素,pixel表示目标区域中像素标号,||·||表示范数计算符,表示像素的显著性值,u=1,2,...,256表示直方图的横坐标,δ(·)表示delta函数;
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程进而得到k时刻基于对比度显著性特征的观测方程集其中σ1表示基于对比度显著性特征的观测标准差,表示k时刻的候选目标粒子集中的第i个粒子,Zk表示k时刻的观测状态;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离通过式(15)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集其中表示候选目标区域中以为中心像素位置的基于显著性特征的核函数直方图,表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域中以为中心像素位置的基于显著性特征的核函数直方图:
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵,其中σ表示尺度空间因子以及高斯函数g(σ)的标准差,temp表示图像像素矩阵;
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H);
det(H)=LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到在某一尺度下的近似Hessian矩阵行列式的行列式其中表示的Hessian矩阵的近似矩阵, 表示盒子滤波器与积分图像卷积的结果,0.9表示加权系数,用于修正盒子滤波器的近似误差;
(5)利用不同尺寸的盒子滤波器与积分图像卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔,尺度金字塔有若干组,每组有若干层,最底层为第一组(即octave=1),盒子滤波器尺寸由式(22)来确定,其中FilterSize表示盒子滤波器的尺寸大小,octave表示图像所在组的标号(octave可取3、4),interval表示图像所在层的标号(interval可取4~6);
FilterSize=3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制,得到初步的特征点位置和尺度,即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较,如果该点是这26个点中的最大值或者最小值,则保留下来,当做初步的特征点;
(7)采用3维线性插值法得到亚像素级的特征点,同时也去掉那些值小于一定阈值的点,增加极值使检测到的特征点数量减少,从而精确定位到特征点;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离通过式(24)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离其中表示k-1时刻的目标粒子集中第i个粒子的特征点,表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点,和分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标:
8:采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点其中表示k时刻估计目标区域特征点的位置坐标;
9:采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板进而得到新目标模板集其中表示k-1时刻的目标粒子集中第i个粒子的目标模板,表示k时刻估计目标模板gu,k与之间的基于对比度显著性特征的相似度距离,表示k时刻估计目标区域的特征点与k-1时刻的目标粒子集中第i个粒子的特征点之间基于SURF特征点的相似度距离,λ表示调整系数,取值范围为[0,1],Tn表示距离阈值,根据经验,Tn=0.15;
10:令k=k+1,并判断是否已经处理到最后一帧图像,如果是结束循环,否则转到第二步。
Claims (1)
1.基于红外显著性特征融合的粒子滤波跟踪的方法,其特征在于如下步骤:
第一步:读取第0帧图像I0,并对图像I0进行粒子初始化,具体操作过程如下:
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标,得到初始时刻的目标状态X0=[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0,高为h0);
(b)以目标初始状态为中心,传播半径r的范围内随机产生N个独立同分布的样本,从而得到初始粒子集以及初始时刻的待跟踪目标区域集其中表示图像I0中以初始粒子集X0中第i个粒子位置坐标为中心的待跟踪目标区域(宽为高为),设置初始粒子权重为其中i=1,2,...,N表示粒子集中粒子的标号,N表示滤波的粒子数;
第二步:读取第k帧图像Ik,k=1,2,3...表示图像帧数以及时刻;
第三步:采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子和图像Ik中以候选目标粒子集的第i个粒子位置坐标为中心的候选目标区域(宽为高为),进而得到k时刻的候选目标粒子集和候选目标区域集和分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子,r是粒子的随机传播半径,一般设为U(i)是计算第i个粒子时属于[-1,1]的随机数;
1)设计滑动窗口对待跟踪目标区域进行遍历扫描,滑动窗口由3×3排列的9个局部块组成,滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3,第二行三个局部块从左到右依次编号为P4、P0、P5,第三行三个局部块从左到右依次编号为P6、P7、P8,每个局部块由l×l个像素组成,l可取1~3之间的奇数;
2)采用滑动窗口对待跟踪目标区域从上到下、从左到右进行遍历扫描,分别通过式(2)、(3)计算块均值和其中表示待跟踪目标区域在坐标(x,y)位置的灰度值,l(i)表示局部块的边长,采用式(4)计算r=1,2,…8与之间的对比度通过公式(5)计算得到与中心块最相似的相邻块和通过公式(6)计算得到(x,y)处的块对比度进而得到的对比度显著图记为C(i),其中r表示局部块的标号;
(2)通过式(10)、(11)计算得到待跟踪目标区域中以为中心像素位置的基于显著性特征的目标核函数直方图表示归一化常数,使表示待跟踪目标区域的大小,表示目标区域中的像素,pixel表示目标区域中像素标号,||·||表示范数计算符,表示像素的显著性值,u=1,2,...,256表示直方图的横坐标,δ(·)表示delta函数;
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程进而得到k时刻基于对比度显著性特征的观测方程集其中σ1表示基于对比度显著性特征的观测标准差,表示k时刻的候选目标粒子集中的第i个粒子,Zk表示k时刻的观测状态;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离通过式(15)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集其中表示候选目标区域中以为中心像素位置的基于显著性特征的核函数直方图,表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域中以为中心像素位置的基于显著性特征的核函数直方图:
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵,其中σ表示尺度空间因子以及高斯函数g(σ)的标准差,temp表示图像像素矩阵;
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H);
det(H)=LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到在某一尺度下的近似Hessian矩阵行列式的行列式其中表示的Hessian矩阵的近似矩阵, 表示盒子滤波器与积分图像卷积的结果,0.9表示加权系数,用于修正盒子滤波器的近似误差;
(5)利用不同尺寸的盒子滤波器与积分图像卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔,尺度金字塔有若干组,每组有若干层,最底层为第一组(即octave=1),盒子滤波器尺寸由式(22)来确定,其中FilterSize表示盒子滤波器的尺寸大小,octave表示图像所在组的标号(octave可取3、4),interval表示图像所在层的标号(interval可取4~6);
FilterSize=3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制,得到初步的特征点位置和尺度,即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较,如果该点是这26个点中的最大值或者最小值,则保留下来,当做初步的特征点;
(7)采用3维线性插值法得到亚像素级的特征点,同时也去掉那些值小于一定阈值的点,增加极值使检测到的特征点数量减少,从而精确定位到特征点;
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离通过式(24)进行计算,进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离其中表示k-1时刻的目标粒子集中第i个粒子的特征点,表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点,和分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标:
第八步:采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点其中表示k时刻估计目标区域特征点的位置坐标;
第九步:采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板进而得到新目标模板集其中表示k-1时刻的目标粒子集中第i个粒子的目标模板,表示k时刻估计目标模板gu,k与之间的基于对比度显著性特征的相似度距离,表示k时刻估计目标区域的特征点与k-1时刻的目标粒子集中第i个粒子的特征点之间基于SURF特征点的相似度距离,λ表示调整系数,取值范围为[0,1],Tn表示距离阈值,根据经验,Tn=0.15;
第十步:令k=k+1,并判断是否已经处理到最后一帧图像,如果是结束循环,否则转到第二步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219656.4A CN112348853B (zh) | 2020-11-04 | 2020-11-04 | 基于红外显著性特征融合的粒子滤波跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219656.4A CN112348853B (zh) | 2020-11-04 | 2020-11-04 | 基于红外显著性特征融合的粒子滤波跟踪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348853A CN112348853A (zh) | 2021-02-09 |
CN112348853B true CN112348853B (zh) | 2022-09-23 |
Family
ID=74429234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011219656.4A Active CN112348853B (zh) | 2020-11-04 | 2020-11-04 | 基于红外显著性特征融合的粒子滤波跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348853B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693732B (zh) * | 2022-03-07 | 2022-11-25 | 四川大学华西医院 | 一种弱小目标检测与跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
CN106023256A (zh) * | 2016-05-19 | 2016-10-12 | 石家庄铁道大学 | 面向增强现实辅助维修系统平面目标粒子滤波跟踪的状态观测方法 |
CN107657628A (zh) * | 2017-09-20 | 2018-02-02 | 中国科学院长春光学精密机械与物理研究所 | 一种实时彩色目标跟踪方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806887B (zh) * | 2010-03-19 | 2012-06-27 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN104091348B (zh) * | 2014-05-19 | 2017-04-05 | 南京工程学院 | 融合显著特征和分块模板的多目标跟踪方法 |
CN105139420B (zh) * | 2015-08-03 | 2017-08-29 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN105405151B (zh) * | 2015-10-26 | 2018-01-23 | 西安电子科技大学 | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 |
CN108122218B (zh) * | 2016-11-29 | 2021-11-16 | 联芯科技有限公司 | 基于颜色空间的图像融合方法与装置 |
CN111369597B (zh) * | 2020-03-09 | 2022-08-12 | 南京理工大学 | 一种基于多特征融合的粒子滤波目标跟踪方法 |
-
2020
- 2020-11-04 CN CN202011219656.4A patent/CN112348853B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
CN106023256A (zh) * | 2016-05-19 | 2016-10-12 | 石家庄铁道大学 | 面向增强现实辅助维修系统平面目标粒子滤波跟踪的状态观测方法 |
CN107657628A (zh) * | 2017-09-20 | 2018-02-02 | 中国科学院长春光学精密机械与物理研究所 | 一种实时彩色目标跟踪方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112348853A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN111369597B (zh) | 一种基于多特征融合的粒子滤波目标跟踪方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN110246151B (zh) | 一种基于深度学习和单目视觉的水下机器人目标跟踪方法 | |
CN111028292B (zh) | 一种亚像素级图像匹配导航定位方法 | |
CN113269094B (zh) | 基于特征提取算法和关键帧的激光slam系统及方法 | |
CN107742306B (zh) | 一种智能视觉中运动目标跟踪算法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN114200477A (zh) | 一种激光三维成像雷达地面目标点云数据处理方法 | |
CN109410248B (zh) | 一种基于r-K算法的浮选泡沫运动特征提取方法 | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN110827262A (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN107808391B (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
CN113887624A (zh) | 一种基于双目视觉的改进特征立体匹配方法 | |
CN112508851A (zh) | 一种基于cnn分类算法的泥岩岩性识别系统 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN112348853B (zh) | 基于红外显著性特征融合的粒子滤波跟踪的方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
CN112053385B (zh) | 基于深度强化学习的遥感视频遮挡目标跟踪方法 | |
CN116777956A (zh) | 基于多尺度航迹管理的运动目标筛选方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |