CN113160281A - 基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 - Google Patents
基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 Download PDFInfo
- Publication number
- CN113160281A CN113160281A CN202110472723.1A CN202110472723A CN113160281A CN 113160281 A CN113160281 A CN 113160281A CN 202110472723 A CN202110472723 A CN 202110472723A CN 113160281 A CN113160281 A CN 113160281A
- Authority
- CN
- China
- Prior art keywords
- target
- kalman filter
- weight
- calculating
- particle
- 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
Links
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
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20024—Filtering details
-
- 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
Abstract
本发明涉及一种基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统,方法包括:获取目标运动图像中的检测位置;根据检测位置利用卡尔曼滤波器计算目标的第一初始位置;卡尔曼滤波器是基于匀速模型的卡尔曼滤波器;根据检测位置利用粒子滤波器计算目标的第二初始位置;根据卡尔曼滤波器检测目标是否出现连续运动,得到检测结果;根据检测结果确定卡尔曼滤波器的权重和粒子滤波器的权重;根据第一初始位置、第二初始位置、卡尔曼滤波器和粒子滤波器的权重计算目标位置。本发明实现了对目标连续运动阶段的噪声滤除以及不连续运动阶段的及时追踪,极大提升了目标位置的计算准确度。
Description
技术领域
本发明涉及目标位置计算技术领域,特别是涉及一种基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统。
背景技术
准确跟踪模式生物运动是显微操作系统运行的基础,同时也是对显微操作的效果验证的重要手段。另外,生物学中常常会做投毒实验和应激反应实验,在放有模式生物的培养皿中放入药品或施加外界刺激,需要跟踪模式生物的运动和对刺激的反应,通过分析轨迹来评估药物效果和研究模式生物的生理功能。
模式生物运动的追踪,通常由检测算法获得模式生物的位置信息,将每一帧同一个生物个体的位置串联起来得到生物的运动轨迹。但是由于检测算法存在噪声,即检测到的位置相对于目标的实际位置有一定偏差,需要使用滤波算法减小偏差。目前最常用的算法为卡尔曼滤波器,传统的卡尔曼滤波器算法基于匀速运动模型(假设目标运动速度恒定),匀速运动模型对于目标的平缓运动阶段能有效滤除噪声,但是对于目标的突变运动(如速度突然增大),输出结果存在滞后。而粒子滤波器能够对非线性运动目标紧密追踪,具有可以描述任何一种目标运动不确定性分布的优点,但是对于稳定连续运动目标的最优参数估计效果不尽人意。
发明内容
本发明的目的是提供一种基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统,以更准确地计算目标位置。
为实现上述目的,本发明提供了如下方案:
一种基于卡尔曼滤波和粒子滤波的目标位置计算方法,包括:
获取目标运动图像中的检测位置;所述检测位置由检测算法检测;
根据所述检测位置利用卡尔曼滤波器计算目标的第一初始位置;所述卡尔曼滤波器是基于匀速模型的卡尔曼滤波器;
根据所述检测位置利用粒子滤波器计算目标的第二初始位置;
根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果;
根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重;
根据所述第一初始位置、所述第二初始位置、所述卡尔曼滤波器的权重和所述粒子滤波器的权重计算目标位置。
可选地,所述第一初始位置计算过程如下:
根据所述检测位置对所述卡尔曼滤波器进行初始化;
根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置;
根据所述第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新;
根据更新后的卡尔曼滤波器计算第一初始位置。
可选地,所述第二初始位置计算过程如下:
根据所述检测位置对粒子滤波器进行初始化;
根据上一帧目标运动图像中的检测位置利用初始化后的粒子滤波器计算当前帧目标运动图像中的第二计算位置;
根据所述第二计算位置和当前帧目标运动图像中的检测位置对初始化后的粒子滤波器进行更新;
根据更新后的粒子滤波器计算第二初始位置。
可选地,所述根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果,具体包括:
根据所述第一计算位置和当前帧目标运动图像中的检测位置计算初始化后的卡尔曼滤波器的残差;
根据所述初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差;
判断所述归化后的残差是否大于设定阈值;
若是,则判断目标没有出现连续运动;
若否,则判断目标出现连续运动;
所述检测结果包括目标没有出现连续运动和目标出现连续运动。
可选地,所述根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重,具体包括:
若检测结果为目标没有出现连续运动,则所述卡尔曼滤波器的权重小于所述粒子滤波器的权重;
若检测结果为目标出现连续运动,则所述卡尔曼滤波器的权重大于所述粒子滤波器的权重;
所述卡尔曼滤波器的权重与所述粒子滤波器的权重之和为1。
可选地,所述目标位置的计算公式如下:
其中,Xk为第k帧目标运动图像中的目标位置,为卡尔曼滤波器v在第k帧目标运动图像中的权重,Hv为卡尔曼滤波器v的观测矩阵,为卡尔曼滤波器v在第k帧目标运动图像中的状态向量,由第一初始位置得到,为粒子滤波器p在第k帧目标运动图像中的权重,为粒子滤波器p计算出的第k帧目标运动图像中的第二初始位置。
一种基于卡尔曼滤波和粒子滤波的目标位置计算系统,包括:
获取模块,用于获取目标运动图像中的检测位置;所述检测位置由检测算法检测;
第一计算模块,用于根据所述检测位置利用卡尔曼滤波器计算目标的第一初始位置;所述卡尔曼滤波器是基于匀速模型的卡尔曼滤波器;
第二计算模块,用于根据所述检测位置利用粒子滤波器计算目标的第二初始位置;
检测模块,用于根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果;
权重确定模块,用于根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重;
第三计算模块,用于根据所述第一初始位置、所述第二初始位置、所述卡尔曼滤波器的权重和所述粒子滤波器的权重计算目标位置。
可选地,所述第一计算模块具体包括:
初始化单元,用于根据所述检测位置对所述卡尔曼滤波器进行初始化;
第一计算单元,用于根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置;
更新单元,用于根据所述第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新;
第二计算单元,用于根据更新后的卡尔曼滤波器计算第一初始位置。
可选地,所述检测模块具体包括:
第三计算单元,用于根据所述第一计算位置和当前帧目标运动图像中的检测位置计算初始化后的卡尔曼滤波器的残差;
第四计算单元,用于根据所述初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差;
第一判断单元,用于判断所述归化后的残差是否大于设定阈值;
第二判断单元,用于当所述归化后的残差大于设定阈值时,判断目标没有出现连续运动;
第三判断单元,用于当所述归化后的残差小于等于设定阈值时,判断目标出现连续运动;
所述检测结果包括目标没有出现连续运动和目标出现连续运动。
可选地,所述权重确定模块具体包括:
第一权重确定单元,用于当检测结果为目标没有出现连续运动时,确定所述卡尔曼滤波器的权重小于所述粒子滤波器的权重;
第二权重确定单元,用于检测结果为目标出现连续运动时,确定所述卡尔曼滤波器的权重大于所述粒子滤波器的权重;
所述卡尔曼滤波器的权重与所述粒子滤波器的权重之和为1。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过设置基于匀速模型的卡尔曼滤波器的权重和粒子滤波器的权重,并根据设置后的权重、基于匀速模型的卡尔曼滤波器计算的第一初始位置以及粒子滤波器计算的第二初始位置计算目标位置,实现了对目标连续运动阶段的噪声滤除以及不连续运动阶段的及时追踪,极大提升了目标位置的计算准确度。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为基于卡尔曼滤波和粒子滤波的目标位置计算方法流程图;
图2为粒子滤波器的粒子散布范围示意图;
图3为粒子滤波器的粒子运动示意图;
图4(1)为第k帧目标运动图像重采样前的粒子示意图;图4(2)为第k帧目标运动图像重采样后的粒子示意图;
图5为粒子滤波器计算出的第二初始位置示意图;
图6(1)为基于卡尔曼滤波和粒子滤波的检测位置与实际位置对比示意图;图6(2)为基于卡尔曼滤波和粒子滤波的残差与检测位置的残差对比示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统,以更准确地计算目标位置。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,基于卡尔曼滤波和粒子滤波的目标位置计算方法,包括:
步骤101:获取目标运动图像中的检测位置,检测位置由检测算法检测。其中,检测位置可由任意检测算法检测,在此不做赘述。
步骤102:根据检测位置利用卡尔曼滤波器计算目标的第一初始位置,卡尔曼滤波器是基于匀速模型的卡尔曼滤波器。步骤102具体包括:
步骤1021:根据检测位置对卡尔曼滤波器进行初始化。
步骤1022:根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置。
步骤1023:根据第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新。
步骤1024:根据更新后的卡尔曼滤波器计算第一初始位置。
步骤102具体原理如下:
获取第一帧目标运动图像的检测信息,检测信息包括目标的位置(x,y),x为目标的横坐标,y为目标的纵坐标。根据第一帧目标运动图像的检测信息对卡尔曼滤波器进行初始化:
其中,上角标v表示卡尔曼滤波器是基于匀速模型的卡尔曼滤波器,下角标k表示目标运动图像的帧数,表示卡尔曼滤波器计算出的第一帧目标运动图像中的目标位置的横坐标,表示卡尔曼滤波器计算出的第一帧目标运动图像中的目标位置的纵坐标,表示卡尔曼滤波器计算出的第一帧目标运动图像中的目标在x轴方向的速度(初始时为0),表示卡尔曼滤波器计算出的第一帧目标运动图像中的目标在y轴方向的速度(初始时为0)。
初始化卡尔曼滤波器的状态转移矩阵Fv:
初始化状态转移矩阵Fv的协方差噪声矩阵Qv:
初始化卡尔曼滤波器的观测矩阵Hv:
初始化观测矩阵Hv的协方差噪声矩阵Rv:
上角标v表示卡尔曼滤波器是基于匀速模型的卡尔曼滤波器,下角标k表示目标运动图像的帧数,表示卡尔曼滤波器计算出的第k-1帧目标运动图像中的目标位置的横坐标,表示卡尔曼滤波器计算出的第k-1帧目标运动图像中的目标位置的纵坐标,表示卡尔曼滤波器计算出的第k-1帧目标运动图像中的目标在x轴方向的速度,表示卡尔曼滤波器计算出的第k-1帧目标运动图像中的目标在y轴方向的速度。
对卡尔曼滤波器进行更新:
为卡尔曼滤波器的残差,zk为检测算法在第k-1帧目标运动图像中检测出的检测信息,即检测算法检测到的检测位置,衡量了zk与的距离(即检测算法检测到的检测存在噪声,需要进行滤除),为的协方差矩阵,为卡尔曼滤波器的卡尔曼增益,I为与大小一致的单位矩阵。
最后根据更新后的卡尔曼滤波器计算第一初始位置。
步骤103:根据检测位置利用粒子滤波器计算目标的第二初始位置。步骤103具体包括:
步骤1031:根据检测位置对粒子滤波器进行初始化。
步骤1032:根据上一帧目标运动图像中的检测位置利用初始化后的粒子滤波器计算当前帧目标运动图像中的第二计算位置。
步骤1033:根据第二计算位置和当前帧目标运动图像中的检测位置对初始化后的粒子滤波器进行更新。
步骤1034:根据更新后的粒子滤波器计算第二初始位置。
步骤103具体原理如下:
f(X)表示高斯分布在位置X=(x,y)的概率密度,Z为检测位置,∑表示协方差矩阵,
σ0为设定的第一标准差,描述了粒子散布的范围,σ0越大,粒子散布范围越广,粒子散布范围示意图如图2所示。
σQ为设定的第二标准差,描述了粒子运动的不确定性,即目标运动的不确定性,如图3所示。
每个粒子代表了目标可能出现的位置,计算第二计算位置时粒子分布更分散了,如果目标出现非线性运动,只要运动范围在粒子的分布范围内,就会被捕捉到。图3中黑色箭头表示目标从k-1帧目标运动图像到k帧目标运动图像的运动。
第二计算位置使用如下公式计算:
然后更新粒子滤波器:
步骤104:根据卡尔曼滤波器检测目标是否出现连续运动,得到检测结果。其中步骤104具体包括:
步骤1042:根据初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差。
步骤1042:判断归化后的残差是否大于设定阈值。
步骤1043:若归化后的残差大于设定阈值,则判断目标没有出现连续运动。
步骤1044:若归化后的残差小于等于设定阈值,,则判断目标出现连续运动。
检测结果包括目标没有出现连续运动和目标出现连续运动。
步骤105:根据检测结果确定卡尔曼滤波器的权重和粒子滤波器的权重。步骤105具体包括:
若检测结果为目标没有出现连续运动,则卡尔曼滤波器的权重小于粒子滤波器的权重。
若检测结果为目标出现连续运动,则卡尔曼滤波器的权重大于粒子滤波器的权重。
卡尔曼滤波器的权重与粒子滤波器的权重之和为1。
其中,权重利用如下公式确定:
pmax为设定的第二阈值,pmin为设定的第三阈值,pmax>0.5,pmin<0.5。
步骤106:根据第一初始位置、第二初始位置、卡尔曼滤波器的权重和粒子滤波器的权重计算目标位置。其中,目标位置的计算公式如下:
Xk为第k帧目标运动图像中的目标位置,为卡尔曼滤波器v在第k帧目标运动图像中的权重,Hv为卡尔曼滤波器v的观测矩阵,为卡尔曼滤波器v在第k帧目标运动图像中的状态向量,由第一初始位置得到,为粒子滤波器p在第k帧目标运动图像中的权重,为粒子滤波器p计算出的第k帧目标运动图像中的第二初始位置。图6(1)为基于卡尔曼滤波和粒子滤波的检测位置与实际位置对比示意图,图6(2)为基于卡尔曼滤波和粒子滤波的残差与检测位置的残差对比示意图。
本实施例还提供了一种基于卡尔曼滤波和粒子滤波的目标位置计算系统,系统包括:
获取模块,用于获取目标运动图像中的检测位置;检测位置由检测算法检测。
第一计算模块,用于根据检测位置利用卡尔曼滤波器计算目标的第一初始位置;卡尔曼滤波器是基于匀速模型的卡尔曼滤波器。
第二计算模块,用于根据检测位置利用粒子滤波器计算目标的第二初始位置。
检测模块,用于根据卡尔曼滤波器检测目标是否出现连续运动,得到检测结果。
权重确定模块,用于根据检测结果确定卡尔曼滤波器的权重和粒子滤波器的权重。
第三计算模块,用于根据第一初始位置、第二初始位置、卡尔曼滤波器的权重和粒子滤波器的权重计算目标位置。
在本实施例中,第一计算模块具体包括:
初始化单元,用于根据检测位置对卡尔曼滤波器进行初始化。
第一计算单元,用于根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置。
更新单元,用于根据第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新。
第二计算单元,用于根据更新后的卡尔曼滤波器计算第一初始位置。
在本实施例中,检测模块具体包括:
第三计算单元,用于根据第一计算位置和当前帧目标运动图像中的检测位置计算初始化后的卡尔曼滤波器的残差。
第四计算单元,用于根据初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差。
第一判断单元,用于判断归化后的残差是否大于设定阈值。
第二判断单元,用于当归化后的残差大于设定阈值时,判断目标没有出现连续运动。
第三判断单元,用于当归化后的残差小于等于设定阈值时,判断目标出现连续运动。
所述检测结果包括目标没有出现连续运动和目标出现连续运动。
在本实施中,权重确定模块具体包括:
第一权重确定单元,用于当检测结果为目标没有出现连续运动时,确定卡尔曼滤波器的权重小于粒子滤波器的权重。
第二权重确定单元,用于检测结果为目标出现连续运动时,确定卡尔曼滤波器的权重大于粒子滤波器的权重。
卡尔曼滤波器的权重与粒子滤波器的权重之和为1。
本发明将处理目标连续运动的卡尔曼滤波器与处理目标非连续运动的粒子滤波器进行融合,解决了卡尔曼滤波器对于目标不连续运动时运动参数估计的滞后问题以及粒子滤波器在目标连续运动阶段参数估计精度低的问题。通过卡尔曼滤波器对目标连续运动阶段的噪声滤除以及粒子滤波器对目标不连续运动阶段的及时追踪,极大提升了目标位置的计算准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于卡尔曼滤波和粒子滤波的目标位置计算方法,其特征在于,包括:
获取目标运动图像中的检测位置;所述检测位置由检测算法检测;
根据所述检测位置利用卡尔曼滤波器计算目标的第一初始位置;所述卡尔曼滤波器是基于匀速模型的卡尔曼滤波器;
根据所述检测位置利用粒子滤波器计算目标的第二初始位置;
根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果;
根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重;
根据所述第一初始位置、所述第二初始位置、所述卡尔曼滤波器的权重和所述粒子滤波器的权重计算目标位置。
2.根据权利要求1所述的基于卡尔曼滤波和粒子滤波的目标位置计算方法,其特征在于,所述第一初始位置计算过程如下:
根据所述检测位置对所述卡尔曼滤波器进行初始化;
根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置;
根据所述第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新;
根据更新后的卡尔曼滤波器计算第一初始位置。
3.根据权利要求1所述的基于卡尔曼滤波和粒子滤波的目标位置计算方法,其特征在于,所述第二初始位置计算过程如下:
根据所述检测位置对粒子滤波器进行初始化;
根据上一帧目标运动图像中的检测位置利用初始化后的粒子滤波器计算当前帧目标运动图像中的第二计算位置;
根据所述第二计算位置和当前帧目标运动图像中的检测位置对初始化后的粒子滤波器进行更新;
根据更新后的粒子滤波器计算第二初始位置。
4.根据权利要求2所述的基于卡尔曼滤波和粒子滤波的目标位置计算方法,其特征在于,所述根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果,具体包括:
根据所述第一计算位置和当前帧目标运动图像中的检测位置计算初始化后的卡尔曼滤波器的残差;
根据所述初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差;
判断所述归化后的残差是否大于设定阈值;
若是,则判断目标没有出现连续运动;
若否,则判断目标出现连续运动;
所述检测结果包括目标没有出现连续运动和目标出现连续运动。
5.根据权利要求4所述的基于卡尔曼滤波和粒子滤波的目标位置计算方法,其特征在于,所述根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重,具体包括:
若检测结果为目标没有出现连续运动,则所述卡尔曼滤波器的权重小于所述粒子滤波器的权重;
若检测结果为目标出现连续运动,则所述卡尔曼滤波器的权重大于所述粒子滤波器的权重;
所述卡尔曼滤波器的权重与所述粒子滤波器的权重之和为1。
7.一种基于卡尔曼滤波和粒子滤波的目标位置计算系统,其特征在于,包括:
获取模块,用于获取目标运动图像中的检测位置;所述检测位置由检测算法检测;
第一计算模块,用于根据所述检测位置利用卡尔曼滤波器计算目标的第一初始位置;所述卡尔曼滤波器是基于匀速模型的卡尔曼滤波器;
第二计算模块,用于根据所述检测位置利用粒子滤波器计算目标的第二初始位置;
检测模块,用于根据所述卡尔曼滤波器检测目标是否出现连续运动,得到检测结果;
权重确定模块,用于根据所述检测结果确定所述卡尔曼滤波器的权重和所述粒子滤波器的权重;
第三计算模块,用于根据所述第一初始位置、所述第二初始位置、所述卡尔曼滤波器的权重和所述粒子滤波器的权重计算目标位置。
8.根据权利要求7所述的基于卡尔曼滤波和粒子滤波的目标位置计算系统,其特征在于,所述第一计算模块具体包括:
初始化单元,用于根据所述检测位置对所述卡尔曼滤波器进行初始化;
第一计算单元,用于根据上一帧目标运动图像中的检测位置利用初始化后的卡尔曼滤波器计算当前帧目标运动图像中的第一计算位置;
更新单元,用于根据所述第一计算位置和当前帧目标运动图像中的检测位置对初始化后的卡尔曼滤波器进行更新;
第二计算单元,用于根据更新后的卡尔曼滤波器计算第一初始位置。
9.根据权利要求8所述的基于卡尔曼滤波和粒子滤波的目标位置计算系统,其特征在于,所述检测模块具体包括:
第三计算单元,用于根据所述第一计算位置和当前帧目标运动图像中的检测位置计算初始化后的卡尔曼滤波器的残差;
第四计算单元,用于根据所述初始化后的卡尔曼滤波器的残差计算初始化后的卡尔曼滤波器归化后的残差;
第一判断单元,用于判断所述归化后的残差是否大于设定阈值;
第二判断单元,用于当所述归化后的残差大于设定阈值时,判断目标没有出现连续运动;
第三判断单元,用于当所述归化后的残差小于等于设定阈值时,判断目标出现连续运动;
所述检测结果包括目标没有出现连续运动和目标出现连续运动。
10.根据权利要求9所述的基于卡尔曼滤波和粒子滤波的目标位置计算系统,其特征在于,所述权重确定模块具体包括:
第一权重确定单元,用于当检测结果为目标没有出现连续运动时,确定所述卡尔曼滤波器的权重小于所述粒子滤波器的权重;
第二权重确定单元,用于检测结果为目标出现连续运动时,确定所述卡尔曼滤波器的权重大于所述粒子滤波器的权重;
所述卡尔曼滤波器的权重与所述粒子滤波器的权重之和为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472723.1A CN113160281A (zh) | 2021-04-29 | 2021-04-29 | 基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472723.1A CN113160281A (zh) | 2021-04-29 | 2021-04-29 | 基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160281A true CN113160281A (zh) | 2021-07-23 |
Family
ID=76872607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110472723.1A Pending CN113160281A (zh) | 2021-04-29 | 2021-04-29 | 基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160281A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
CN105023277A (zh) * | 2014-04-15 | 2015-11-04 | 南京理工大学 | 基于复杂动态场景的卡尔曼粒子滤波跟踪方法 |
-
2021
- 2021-04-29 CN CN202110472723.1A patent/CN113160281A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
CN105023277A (zh) * | 2014-04-15 | 2015-11-04 | 南京理工大学 | 基于复杂动态场景的卡尔曼粒子滤波跟踪方法 |
Non-Patent Citations (2)
Title |
---|
CHUNXIANG WANG 等: "DanioSense: Automated High-Throughput Quantification of Zebrafish Larvae Group Movement", 《IEEE》 * |
冯莹莹 等: "《智能监控视频中运动目标跟踪方法研究》", 30 June 2019 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488815B (zh) | 一种支持目标尺寸变化的实时对象跟踪方法 | |
CN111260689B (zh) | 一种基于置信度增强的相关滤波视觉跟踪方法 | |
Pfaff et al. | Robust monte-carlo localization using adaptive likelihood models | |
Dong et al. | Infrared dim and small target detecting and tracking method inspired by human visual system | |
CN108573496B (zh) | 基于lstm网络和深度增强学习的多目标跟踪方法 | |
CN103617636B (zh) | 基于运动信息及稀疏投影的视频目标自动检测跟踪方法 | |
CN111027481B (zh) | 基于人体关键点检测的行为分析方法及装置 | |
CN103632382A (zh) | 一种基于压缩感知的实时多尺度目标跟踪方法 | |
CN102521840A (zh) | 一种运动目标跟踪方法、系统及终端 | |
CN112949512B (zh) | 一种动态手势识别方法、手势交互方法及交互系统 | |
CN103077537A (zh) | 基于l1正则化的实时运动目标跟踪的新方法 | |
CN107844739B (zh) | 基于自适应同时稀疏表示的鲁棒性目标追踪方法 | |
CN108152812B (zh) | 一种调整网格间距的改进agimm跟踪方法 | |
CN108985375B (zh) | 考虑粒子权值空间分布的多特征融合跟踪方法 | |
US11080562B1 (en) | Key point recognition with uncertainty measurement | |
CN108680162B (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
CN111340846B (zh) | 一种多特征融合的抗遮挡目标跟踪方法 | |
CN113160281A (zh) | 基于卡尔曼滤波和粒子滤波的目标位置计算方法及系统 | |
CN111241965A (zh) | 一种基于多示例学习进行遮挡检测的目标跟踪方法 | |
CN116385538A (zh) | 一种面向动态场景的视觉slam方法、系统及存储介质 | |
CN116092193A (zh) | 一种基于人体运动状态识别的行人航迹推算方法 | |
CN105023277B (zh) | 基于复杂动态场景的卡尔曼粒子滤波跟踪方法 | |
CN110412531B (zh) | 杂波情况下基于幅值信息的接收站路径优化方法 | |
Yang et al. | Application of particle filter algorithm based on Gaussian clustering in dynamic target tracking | |
Meng et al. | An ellipse feature tracking method based on the kalman filter |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |