CN114066939A - 一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 - Google Patents
一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 Download PDFInfo
- Publication number
- CN114066939A CN114066939A CN202111354182.9A CN202111354182A CN114066939A CN 114066939 A CN114066939 A CN 114066939A CN 202111354182 A CN202111354182 A CN 202111354182A CN 114066939 A CN114066939 A CN 114066939A
- Authority
- CN
- China
- Prior art keywords
- target
- infrared image
- centroid position
- frame
- current frame
- 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- 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
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法,首先基于当前帧红外图像,对上一帧红外图像的目标质心位置使用光流法进行角点跟踪,得到当前帧目标质心位置,然后通过质心搜索定位到更为准确的目标质心位置;再对更为准确的目标质心位置进行目标丢失判定,如果目标丢失,则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置,对当前帧红外图像的目标质心位置进行预测。由此,在目标特征极度缺少的情况下,针对红外弱小目标温度高于周边环境的特点,通过本发明能够实现对弱小目标准确而有效地跟踪,并且不会存在现有技术中基于卷积神经网络和基于粒子滤波的红外弱小目标跟踪方法存在的问题。
Description
技术领域
本发明涉及目标跟踪技术领域,具体而言,涉及一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法。
背景技术
随着现代技术的快速发展,红外成像技术被广泛应用到测温系统、监视系统、制导系统和跟踪系统等多个领域。其中高空红外弱小目标跟踪是红外成像技术的重要组成部分。人眼不能直接观测到红外辐射,但红外辐射广泛存在于自然界中,基本上所有物体都会不断地向外界辐射红外信号,物体表面温度越高,辐射的红外信号越强。所以即使在完全黑暗的环境,都能用红外热成像仪来探测物体,根据不同物体的温度,转换成人眼可以观测的灰度图像,所以红外成像技术具有隐蔽性好、抗干扰能力强、可昼夜工作等优点。
基于红外成像技术的这些优点,红外目标跟踪技术越来越多地被应用在智能视频监控、红外精确制导等重要领域。但当目标距离红外成像系统较远时,目标成像面积可能只有几个像素大小,非常容易受到复杂背景的干扰,此时目标和背景对比度低,许多与目标有相似特征的噪声很容易被误识别为目标,所以基于复杂背景的红外弱小目标的跟踪技术成为近年来极具实际意义的研究课题。
而对于基于复杂背景的红外弱小目标的跟踪技术,现有的技术方案主要有以下两种:
第一种是基于卷积神经网络的红外弱小目标跟踪方法,将红外图像送入神经网络,通过神经网络提取目标不同层次的特征,再基于这些特征使用相关滤波作为判据,得到目标的真实位置,从而实现目标跟踪。然而,神经网络需要大量的样本进行训练,才能得到相对准确的跟踪结果,而事先获得每个场景的大量样本,基本上很难做到;神经网络的层数很多,运算量非常大,在性能有限的开发板上,无法做到实时跟踪;神经网络中的池化层,会降低图像特征的分辨率,对于很小的红外目标,会丢失大量的目标信息,而且对于神经网络后面几层的感受野,目标信息所占的比重非常小,会导致目标容易丢失。
第二种是基于粒子滤波的红外弱小目标跟踪方法,在初始化阶段,得到目标初始位置和目标特征,在下一帧的该位置附近随机放置多个粒子,每个粒子计算所处位置的目标特征,并与上一帧目标特征计算相似度。根据相似度,对多个粒子的位置进行加权平均,得到当前帧目标的新位置。然而,粒子滤波需要较多的粒子数量才能更准确地对目标进行跟踪,而且背景越复杂,所需要的粒子数量越多,这就造成了该方法计算量较大,很难做到实时跟踪;随着迭代次数的增加,会出现严重的粒子退化现象,即大部分粒子权重很小,只有少数粒子具有较大的权重,导致跟踪结果很难收敛。
发明内容
本发明旨在提供一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法,以解决现有技术中基于卷积神经网络和基于粒子滤波的红外弱小目标跟踪方法存在的问题。
本发明提供的一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法,包括如下步骤:
S10,设置初始化参数;
S20,预处理第一帧红外图像,获取目标质心位置,并初始化卡尔曼滤波器运动模型的参数;
S30,从第二帧红外图像开始,对于当前帧红外图像,根据上一帧红外图像以及上一帧红外图像的目标质心位置pos_pre,使用光流法对目标质心进行角点跟踪,获取目标质心位置的位移,并根据目标质心位置pos_pre和目标质心位置的位移计算当前帧红外图像的新目标质心位置pos_of;
S40,对当前帧红外图像的新目标质心位置pos_of进行质心搜索,获取当前帧红外图像更为准确的目标质心位置pos_ct;
S50,使用背景跟踪技术,获取当前帧红外图像与上一帧红外图像间相机运动导致的坐标偏移pos_cam;
S60,判断目标是否丢失:如果目标未丢失,使用相机运动导致的坐标偏移pos_cam对当前帧红外图像更为准确的目标质心位置pos_ct进行偏移校正,再对卡尔曼滤波器运动模型进行更新;否则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置对当前帧红外图像的目标质心位置进行预测,对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后,再进行质心搜索,获取当前帧红外图像的目标质心位置;
S70,再次判断目标是否丢失,如果目标未丢失,则将当前帧红外图像经过步骤S30~S60获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;如果目标丢失,则使用上一帧红外图像经过步骤S30~S70获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;
S80,对于之后每一帧红外图像则不断重复步骤S30~S70,直到整个输入的红外图像序列的结束,完成红外弱小目标跟踪。
上述步骤S10~S90的原理是:首先基于当前帧红外图像,对上一帧红外图像的目标质心位置使用光流法进行角点跟踪,得到当前帧目标质心位置,然后通过质心搜索定位到更为准确的目标质心位置;再对更为准确的目标质心位置进行目标丢失判定,如果目标丢失,则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置,对当前帧红外图像的目标质心位置进行预测。由此,在目标特征极度缺少的情况下(没有颜色特征和边缘轮廓特征),针对红外弱小目标温度高于周边环境的特点,通过本发明能够实现对弱小目标准确而有效地跟踪。而其中,当背景较为复杂时,小目标可能会淹没在背景中,使用卡尔曼滤波器运动模型可以实现对目标质心位置较为准确的预测,避免跟踪位置和实际位置差别太大,在目标离开复杂背景区域时,能够更快地重新跟上目标。
进一步的,步骤S20包括如下子步骤:
S21,输入红外图像序列中的第一帧红外图像和红外目标初始框;
S22,根据该红外目标初始框,在第一帧红外图像中对目标进行质心搜索,获取用于跟踪的目标质心位置pos_pre;
S23,使用得到的目标质心位置pos_pre对卡尔曼滤波器运动模型的参数进行初始化。
在本发明中,第一帧红外图像及其目标质心位置pos_pre是后续处理的基础,因此通过步骤S20预处理第一帧红外图像,获取目标质心位置pos_pre,同时,初始化卡尔曼滤波器运动模型的参数。
进一步的,步骤S22中所述第一帧红外图像中对目标进行质心搜索的方法包括:
(1)输入为第一帧红外图像和红外目标初始框;
(2)在第一帧红外图像中以红外目标初始框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为目标质心位置pos_pre返回。
在本发明中,质心搜索只对目标所在区域附近进行图像相关处理,有效地减少了运算量,从而实现了跟踪实时性。
进一步的,步骤S40中所述对当前帧红外图像的新目标质心位置pos_of进行质心搜索的方法包括:
(1)输入为当前帧红外图像和当前帧红外图像的新目标质心位置pos_of;
(2)在当前帧红外图像中以当前帧红外图像的新目标质心位置pos_of为中心,构建一个搜索框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧更为准确的目标质心位置pos_ct返回。
在本发明中,在光流法跟踪完成后,还会对目标质心位置再进行质心搜索时,能够剔除大量的噪声干扰,提高目标跟踪的准确率。
进一步的,步骤S50包括如下子步骤:
S51,根据当前帧红外图像,使用背景框扩充倍数expand_scale对上一帧红外图像的目标区域进行扩充,作为背景跟踪区域;
S52,对背景跟踪区域进行特征提取,得到该背景跟踪区域的特征图;
S53,使用汉明窗作为窗函数完成对特征图的加窗,通过加窗能够抑制特征边缘的信号,近似为一个周期信号;
S54,对加窗后的特征图进行快速傅里叶变换,将特征图从时域信号转换为频域信号;
S55,对转换为频域信号的特征图进行核相关滤波,得到表示目标质心位置的频域响应图,并对该频域响应图进行反傅里叶变换,转换为时域响应图;
S56,将时域响应图中最大响应所在位置作为目标背景区域中心位置;
S57,基于上一帧红外图像和当前帧红外图像的目标背景区域中心位置的位移,得到相机运动导致的坐标偏移pos_cam。
在本发明中,卡尔曼滤波器运动模型对目标位置进行预测,跟踪过程中的相机运动会对目标的运动模型造成极大干扰,使用了本发明的背景跟踪技术进行相机运动校正,极大地提高了卡尔曼滤波的鲁棒性。
进一步的,步骤S60中根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失的方法为:计算上一帧红外图像经过步骤S60获得的目标质心位置和当前帧红外图像经过步骤S40获得的目标质心位置pos_ct的灰度值的差值,根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失:
当灰度值的差值超过目标灰度变化最大值max_diff,则目标丢失;
当灰度值的差值未超过目标灰度变化最大值max_diff,则目标未丢失。
进一步的,步骤S70中所述对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置进行质心搜索的方法包括:
(1)输入为当前帧红外图像和预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置;
(2)在当前帧红外图像中以预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置为中心,构建一个搜索框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧红外图像的目标质心位置返回。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明首先基于当前帧红外图像,对上一帧红外图像的目标质心位置使用光流法进行角点跟踪,得到当前帧目标质心位置,然后通过质心搜索定位到更为准确的目标质心位置;再对更为准确的目标质心位置进行目标丢失判定,如果目标丢失,则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置,对当前帧红外图像的目标质心位置进行预测。由此,在目标特征极度缺少的情况下(没有颜色特征和边缘轮廓特征),针对红外弱小目标温度高于周边环境的特点,通过本发明能够实现对弱小目标准确而有效地跟踪。
2、当背景较为复杂时,小目标可能会淹没在背景中,本发明使用卡尔曼滤波器运动模型可以实现对目标质心位置较为准确的预测,避免跟踪位置和实际位置差别太大,在目标离开复杂背景区域时,能够更快地重新跟上目标,从而提升鲁棒性。
3、在本发明中,卡尔曼滤波器运动模型对目标位置进行预测,跟踪过程中的相机运动会对目标的运动模型造成极大干扰,使用了本发明的背景跟踪技术进行相机运动校正,极大地提高了卡尔曼滤波的鲁棒性。
4、在本发明中,在光流法跟踪完成后,还会对目标质心位置再进行质心搜索时,能够剔除大量的噪声干扰,提高目标跟踪的准确率。
5、在本发明中,质心搜索只对目标所在区域附近进行图像相关处理,有效地减少了运算量,从而实现了跟踪实时性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例的基于光流和卡尔曼滤波的红外弱小目标跟踪方法的流程图。
图2为本发明实施例的质心搜索的流程图。
图3为本发明实施例的背景跟踪流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例
如图1所示,本实施例提出一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法,包括如下步骤:
S10,设置初始化参数,所述初始化参数包括:
(1)红外目标初始框init_rect;
(2)背景框扩充倍数expand_scale;
(3)带通滤波器截止频率cutoff;
(4)提取特征类型target_type;
(5)目标灰度变化最大值max_diff;
S20,预处理第一帧红外图像,获取目标质心位置,并初始化卡尔曼滤波器运动模型的参数:
S21,输入红外图像序列中的第一帧红外图像和红外目标初始框;
S22,根据该红外目标初始框,在第一帧红外图像中对目标进行质心搜索,获取用于跟踪的目标质心位置;如图2所示,所述第一帧红外图像中对目标进行质心搜索的方法包括:
(1)输入为第一帧红外图像和红外目标初始框;
(2)在第一帧红外图像中以红外目标初始框作为区域子图;
(3)对区域子图按照带通滤波器截止频率cutoff进行带通滤波,消除部分特别高频的噪声和特别低频的无效信息;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为目标质心位置返回。
S23,使用得到的目标质心位置对卡尔曼滤波器运动模型的参数进行初始化。
S30,从第二帧红外图像开始,对于当前帧红外图像,根据上一帧红外图像以及上一帧红外图像的目标质心位置pos_pre,使用光流法对目标质心进行角点跟踪,获取目标质心位置的位移,并根据目标质心位置pos_pre和目标质心位置的位移计算当前帧红外图像的新目标质心位置pos_of。
S40,因为光流法的抗噪性不够好,容易受到光照和噪声的干扰,而且是使用光流法对目标质心进行角点跟踪,所以需要对当前帧红外图像的新目标质心位置pos_of进行质心搜索,获取当前帧红外图像更为准确的目标质心位置pos_ct。如图2所示,所述对当前帧红外图像的新目标质心位置pos_of进行质心搜索的方法包括:
(1)输入为当前帧红外图像和当前帧红外图像的新目标质心位置pos_of;
(2)在当前帧红外图像中以当前帧红外图像的新目标质心位置pos_of为中心,构建一个搜索框作为区域子图;
(3)对区域子图按照带通滤波器截止频率cutoff进行带通滤波,消除部分特别高频的噪声和特别低频的无效信息;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧更为准确的目标质心位置pos_ct返回。
S50,即使目标不动,相机运动也会导致目标跟随背景同时移动,此时将背景偏移视为相机运动。使用背景跟踪技术,获取当前帧红外图像与上一帧红外图像间相机运动导致的坐标偏移pos_cam,如图3所示:
S51,根据当前帧红外图像,使用背景框扩充倍数expand_scale对上一帧红外图像的目标区域进行扩充,作为背景跟踪区域;
S52,对背景跟踪区域根据设置的提取特征类型target_type进行特征提取,得到该背景跟踪区域的特征图;
S53,使用汉明窗作为窗函数完成对特征图的加窗,通过加窗能够抑制特征边缘的信号,近似为一个周期信号;
S54,对加窗后的特征图进行快速傅里叶变换,将特征图从时域信号转换为频域信号;
S55,对转换为频域信号的特征图进行核相关滤波,得到表示目标质心位置的频域响应图,并对该频域响应图进行反傅里叶变换,转换为时域响应图;
S56,将时域响应图中最大响应所在位置作为目标背景区域中心位置;
S57,基于上一帧红外图像和当前帧红外图像的目标背景区域中心位置的位移,得到相机运动导致的坐标偏移pos_cam。
S60,判断目标是否丢失:红外图像中,目标灰度值表征目标温度,跟踪过程中视为目标温度不会突变。计算上一帧红外图像经过步骤S60获得的目标质心位置和当前帧红外图像经过步骤S40获得的目标质心位置pos_ct的灰度值的差值,根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失。即:
当灰度值的差值超过目标灰度变化最大值max_diff,则目标丢失;
当灰度值的差值未超过目标灰度变化最大值max_diff,则目标未丢失。
如果目标未丢失,使用相机运动导致的坐标偏移pos_cam对当前帧红外图像更为准确的目标质心位置pos_ct进行偏移校正,再对卡尔曼滤波器运动模型进行更新;否则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置对当前帧红外图像的目标质心位置进行预测,对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置进行质心搜索,获取当前帧红外图像的目标质心位置。如图2所示,所述对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置进行质心搜索的方法包括:
(1)输入为当前帧红外图像和预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置;
(2)在当前帧红外图像中以预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置为中心,构建一个搜索框作为区域子图;
(3)对区域子图按照带通滤波器截止频率cutoff进行带通滤波,消除部分特别高频的噪声和特别低频的无效信息;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧红外图像的目标质心位置返回。
S70,再次判断目标是否丢失,如果目标未丢失,则将当前帧红外图像经过步骤S30~S60获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;如果目标丢失,则使用上一帧红外图像经过步骤S30~S70获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;
S80,对于之后每一帧红外图像则不断重复步骤S30~S70,直到整个输入的红外图像序列的结束,完成红外弱小目标跟踪。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,包括如下步骤:
S10,设置初始化参数;
S20,预处理第一帧红外图像,获取目标质心位置,并初始化卡尔曼滤波器运动模型的参数;
S30,从第二帧红外图像开始,对于当前帧红外图像,根据上一帧红外图像以及上一帧红外图像的目标质心位置pos_pre,使用光流法对目标质心进行角点跟踪,获取目标质心位置的位移,并根据目标质心位置pos_pre和目标质心位置的位移计算当前帧红外图像的新目标质心位置pos_of;
S40,对当前帧红外图像的新目标质心位置pos_of进行质心搜索,获取当前帧红外图像更为准确的目标质心位置pos_ct;
S50,使用背景跟踪技术,获取当前帧红外图像与上一帧红外图像间相机运动导致的坐标偏移pos_cam;
S60,判断目标是否丢失:如果目标未丢失,使用相机运动导致的坐标偏移pos_cam对当前帧红外图像更为准确的目标质心位置pos_ct进行偏移校正,再对卡尔曼滤波器运动模型进行更新;否则使用卡尔曼滤波器运动模型基于上一帧红外图像的目标质心位置对当前帧红外图像的目标质心位置进行预测,对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后,再进行质心搜索,获取当前帧红外图像的目标质心位置;
S70,再次判断目标是否丢失,如果目标未丢失,则将当前帧红外图像经过步骤S30~S60获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;如果目标丢失,则使用上一帧红外图像经过步骤S30~S70获取的目标质心位置作为最终的当前帧红外图像的目标质心位置;
S80,对于之后每一帧红外图像则不断重复步骤S30~S70,直到整个输入的红外图像序列的结束,完成红外弱小目标跟踪。
2.根据权利要求1所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S20包括如下子步骤:
S21,输入红外图像序列中的第一帧红外图像和红外目标初始框;
S22,根据该红外目标初始框,在第一帧红外图像中对目标进行质心搜索,获取用于跟踪的目标质心位置pos_pre;
S23,使用得到的目标质心位置pos_pre对卡尔曼滤波器运动模型的参数进行初始化。
3.根据权利要求2所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S22中所述第一帧红外图像中对目标进行质心搜索的方法包括:
(1)输入为第一帧红外图像和红外目标初始框;
(2)在第一帧红外图像中以红外目标初始框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为目标质心位置pos_pre返回。
4.根据权利要求1所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S40中所述对当前帧红外图像的新目标质心位置pos_of进行质心搜索的方法包括:
(1)输入为当前帧红外图像和当前帧红外图像的新目标质心位置pos_of;
(2)在当前帧红外图像中以当前帧红外图像的新目标质心位置pos_of为中心,构建一个搜索框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧更为准确的目标质心位置pos_ct返回。
5.根据权利要求1所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S50包括如下子步骤:
S51,根据当前帧红外图像,使用背景框扩充倍数expand_scale对上一帧红外图像的目标区域进行扩充,作为背景跟踪区域;
S52,对背景跟踪区域进行特征提取,得到该背景跟踪区域的特征图;
S53,使用汉明窗作为窗函数完成对特征图的加窗,通过加窗能够抑制特征边缘的信号,近似为一个周期信号;
S54,对加窗后的特征图进行快速傅里叶变换,将特征图从时域信号转换为频域信号;
S55,对转换为频域信号的特征图进行核相关滤波,得到表示目标质心位置的频域响应图,并对该频域响应图进行反傅里叶变换,转换为时域响应图;
S56,将时域响应图中最大响应所在位置作为目标背景区域中心位置;
S57,基于上一帧红外图像和当前帧红外图像的目标背景区域中心位置的位移,得到相机运动导致的坐标偏移pos_cam。
6.根据权利要求1所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S60中根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失的方法为:计算上一帧红外图像经过步骤S60获得的目标质心位置和当前帧红外图像经过步骤S40获得的目标质心位置pos_ct的灰度值的差值,根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失。
7.根据权利要求6所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,所述根据灰度值的差值是否超过目标灰度变化最大值max_diff,判断目标是否丢失的方法为:
当灰度值的差值超过目标灰度变化最大值max_diff,则目标丢失;
当灰度值的差值未超过目标灰度变化最大值max_diff,则目标未丢失。
8.根据权利要求1所述的基于光流和卡尔曼滤波的红外弱小目标跟踪方法,其特征在于,步骤S70中所述对预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置进行质心搜索的方法包括:
(1)输入为当前帧红外图像和预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置;
(2)在当前帧红外图像中以预测的目标质心位置加上相机运动导致的坐标偏移pos_cam后的目标质心位置为中心,构建一个搜索框作为区域子图;
(3)对区域子图进行带通滤波;
(4)对带通滤波后的区域子图进行全局自适应阈值二值化,获取目标可能存在的多个区域轮廓;
(5)对多个区域轮廓进行筛选,将区域轮廓中心离第一帧红外图像中心最近的区域作为目标所在区域,取目标所在区域的灰度极值点作为当前帧红外图像的目标质心位置返回。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354182.9A CN114066939A (zh) | 2021-11-15 | 2021-11-15 | 一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354182.9A CN114066939A (zh) | 2021-11-15 | 2021-11-15 | 一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066939A true CN114066939A (zh) | 2022-02-18 |
Family
ID=80272583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354182.9A Pending CN114066939A (zh) | 2021-11-15 | 2021-11-15 | 一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066939A (zh) |
-
2021
- 2021-11-15 CN CN202111354182.9A patent/CN114066939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0671706B1 (en) | Method and apparatus for moving object extraction based on background subtraction | |
US8175336B2 (en) | Target tracker | |
CN110728697A (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN108038415B (zh) | 一种基于机器视觉的无人机自动检测与跟踪方法 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
CN111709968B (zh) | 一种基于图像处理的低空目标探测跟踪方法 | |
JP7272024B2 (ja) | 物体追跡装置、監視システムおよび物体追跡方法 | |
CN105225251B (zh) | 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
JP2017156219A (ja) | 追尾装置、追尾方法およびプログラム | |
CN105374049B (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
JP2020149641A (ja) | 物体追跡装置および物体追跡方法 | |
CN114373130A (zh) | 一种天基红外暗弱小运动目标检测方法 | |
CN114241008B (zh) | 一种适应场景和目标变化的长时区域跟踪方法 | |
CN111323757A (zh) | 一种航海雷达目标检测方法及装置 | |
CN108876824B (zh) | 目标跟踪方法、装置、系统及球机 | |
Jacobs et al. | Toward fully automatic geo-location and geo-orientation of static outdoor cameras | |
US5557543A (en) | Tracking apparatus | |
CN115144828B (zh) | 一种智能汽车多传感器时空融合的自动在线标定方法 | |
CN114066939A (zh) | 一种基于光流和卡尔曼滤波的红外弱小目标跟踪方法 | |
CN111209877B (zh) | 一种复杂场景下基于深度图的红外小目标检测方法 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Chen et al. | Summary about detection and tracking of infrared small targets |
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 |