CN117974725A - 一种基于卡尔曼滤波器的鱼类追踪方法 - Google Patents
一种基于卡尔曼滤波器的鱼类追踪方法 Download PDFInfo
- Publication number
- CN117974725A CN117974725A CN202410362230.6A CN202410362230A CN117974725A CN 117974725 A CN117974725 A CN 117974725A CN 202410362230 A CN202410362230 A CN 202410362230A CN 117974725 A CN117974725 A CN 117974725A
- Authority
- CN
- China
- Prior art keywords
- rectangular frame
- frame
- fish
- kalman filter
- rectangular
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 241000251468 Actinopterygii Species 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波器的鱼类追踪方法,包括以下步骤:S1、利用目标检测器在当前视频帧中检测出多个第一鱼类目标,获取与每个第一鱼类目标相对应的第一矩形框;S2、按照视频帧的时间顺序,利用卡尔曼滤波器根据先前视频帧中的第一矩形框对当前视频帧中的鱼类目标位置进行估计,得到第二矩形框;S3、利用匈牙利算法根据IoU值对当前视频帧中的第一矩形框、第二矩形框或鱼类目标在其出现的最后一帧中的矩形框进行共三次匹配;S4、根据匹配结果对卡尔曼滤波器进行更新,分配编号;S5、对每一视频帧按照步骤S1至步骤S4进行处理,直至所有视频帧均被处理,输出鱼类目标的追踪信息,追踪信息包括鱼类目标在每一视频帧中的位置信息与编号。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于卡尔曼滤波器的鱼类追踪方法。
背景技术
在水下生态学和水产养殖管理等领域,鱼类的追踪对于准确了解水下环境、判断鱼类行为和管理水产资源至关重要。在多目标跟踪领域,特别是在水下环境中,受鱼群的不规则运动的影响,目标遮挡问题一直是一个具有挑战性的难题。
传统的跟踪算法在遇到目标被遮挡的情况下往往表现不佳。因此,有必要提出一种新颖的、能够有效应对遮挡情况的跟踪算法,以解决传统方法在遮挡情况下的局限性,提高鱼类追踪的准确性和稳定性。
发明内容
本发明的目的在于提供一种基于卡尔曼滤波器的鱼类追踪方法,该方法提升了跟踪算法在鱼类目标被遮挡情况下的性能,可为水下环境监测和生态研究提供更为可靠的技术支持。
为实现上述目的,本发明采用以下技术方案:
一种基于卡尔曼滤波器的鱼类追踪方法,包括以下步骤:
S1、利用目标检测器在当前视频帧中检测出多个第一鱼类目标,获取与每个第一鱼类目标相对应的第一矩形框,第一矩形框包括其在当前视频帧中的位置信息和置信度;
S2、按照视频帧的时间顺序,利用卡尔曼滤波器根据先前视频帧中的第一矩形框对当前视频帧中的鱼类目标位置进行估计,得到第二矩形框,第二矩形框包括其在当前视频帧中的位置信息;
S3、利用匈牙利算法根据IoU值对当前视频帧中的第一矩形框、第二矩形框或鱼类目标在其出现的最后一帧中的矩形框进行共三次匹配;
S4、根据匹配结果对卡尔曼滤波器进行更新,分配编号;
S5、按照视频帧的时间顺序,对每一视频帧按照步骤S1至步骤S4进行处理,直至所有视频帧均被处理,输出鱼类目标的追踪信息,追踪信息包括鱼类目标在每一视频帧中的位置信息与编号。
优选地,步骤S3中所述IoU值为两个矩形框覆盖范围的交集的像素个数和两个矩形框覆盖范围的并集的像素个数的比值,计算公式为:其中,A和B均为矩形框。
优选地,步骤S3的具体过程为:
S31、根据第一矩形框的置信度将其分为高分第一矩形框与低分第一矩形框;
S32、根据IoU值使用匈牙利算法对高分第一矩形框与第二矩形框进行匹配,匹配失败的第二矩形框为第三矩形框,匹配失败的高分第一矩形框为第四矩形框,匹配成功的高分第一矩形框为第五矩形框;
S33、根据IoU值使用匈牙利算法对第三矩形框与低分第一矩形框进行匹配,匹配成功的低分第一矩形框为第六矩形框,匹配失败的第三矩形框为第七矩形框;
S34、获取第七矩形框对应鱼类目标所出现的最后一帧的矩形框作为第八矩形框;
S35、根据IoU值使用匈牙利算法对第四矩形框和第八矩形框进行匹配,匹配失败的第四矩形框为第九矩形框,匹配成功的第八矩形框为第十矩形框,匹配失败的第八矩形框为第十一矩形框。
优选地,步骤S4的具体过程为:
S41、使用第五矩形框、第六矩形框和第十矩形框对其对应的卡尔曼滤波器进行更新;
S42、使用第九矩形框初始化新的卡尔曼滤波器,并为第九矩形框对应目标分配编号。
采用上述技术方案后,本发明具有如下有益效果:本发明提供的基于卡尔曼滤波器的鱼类追踪方法,该方法通过卡尔曼滤波器充分融合鱼类目标运动的时空信息,在保证对视频进行实时处理的前提下,可应对水下图像背景复杂、昼夜光照条件差异大、鱼类目标尺度多变等困难,在多个鱼类目标重叠时可有效减少目标编号切换的次数,且在目标被其他目标或背景物体遮挡时仍能对其进行有效追踪,可为水下环境监测和生态研究提供更为可靠的技术支持。
附图说明
图1为本发明的流程图;
图2为本发明的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1至图2所示,一种基于卡尔曼滤波器的鱼类追踪方法,包括以下步骤:
S1、利用目标检测器在当前视频帧中检测出多个第一鱼类目标,获取与每个第一鱼类目标相对应的第一矩形框,第一矩形框包括其在当前视频帧中的位置信息和置信度;
S2、按照视频帧的时间顺序,利用卡尔曼滤波器根据先前视频帧中的第一矩形框对当前视频帧中的鱼类目标位置进行估计,得到第二矩形框,第二矩形框包括其在当前视频帧中的位置信息;
S3、利用匈牙利算法根据IoU值对当前视频帧中的第一矩形框、第二矩形框或鱼类目标在其出现的最后一帧中的矩形框进行共三次匹配;
步骤S3中所述IoU值为两个矩形框覆盖范围的交集的像素个数和两个矩形框覆盖范围的并集的像素个数的比值,计算公式为:其中,A和B均为矩形框;
步骤S3的具体过程为:
S31、根据第一矩形框的置信度将其分为高分第一矩形框与低分第一矩形框;
S32、根据IoU值使用匈牙利算法对高分第一矩形框与第二矩形框进行匹配,匹配失败的第二矩形框为第三矩形框,匹配失败的高分第一矩形框为第四矩形框,匹配成功的高分第一矩形框为第五矩形框;
S33、根据IoU值使用匈牙利算法对第三矩形框与低分第一矩形框进行匹配,匹配成功的低分第一矩形框为第六矩形框,匹配失败的第三矩形框为第七矩形框;
S34、获取第七矩形框对应鱼类目标所出现的最后一帧的矩形框作为第八矩形框;
S35、根据IoU值使用匈牙利算法对第四矩形框和第八矩形框进行匹配,匹配失败的第四矩形框为第九矩形框,匹配成功的第八矩形框为第十矩形框,匹配失败的第八矩形框为第十一矩形框;
S4、根据匹配结果对卡尔曼滤波器进行更新,分配编号;
步骤S4的具体过程为:
S41、使用第五矩形框、第六矩形框和第十矩形框对其对应的卡尔曼滤波器进行更新;
S42、使用第九矩形框初始化新的卡尔曼滤波器,并为第九矩形框对应目标分配编号;
S5、按照视频帧的时间顺序,对每一视频帧按照步骤S1至步骤S4进行处理,直至所有视频帧均被处理,输出鱼类目标的追踪信息,追踪信息包括鱼类目标在每一视频帧中的位置信息与编号。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于卡尔曼滤波器的鱼类追踪方法,其特征在于,包括以下步骤:
S1、利用目标检测器在当前视频帧中检测出多个第一鱼类目标,获取与每个第一鱼类目标相对应的第一矩形框,第一矩形框包括其在当前视频帧中的位置信息和置信度;
S2、按照视频帧的时间顺序,利用卡尔曼滤波器根据先前视频帧中的第一矩形框对当前视频帧中的鱼类目标位置进行估计,得到第二矩形框,第二矩形框包括其在当前视频帧中的位置信息;
S3、利用匈牙利算法根据IoU值对当前视频帧中的第一矩形框、第二矩形框或鱼类目标在其出现的最后一帧中的矩形框进行共三次匹配;
S4、根据匹配结果对卡尔曼滤波器进行更新,分配编号;
S5、按照视频帧的时间顺序,对每一视频帧按照步骤S1至步骤S4进行处理,直至所有视频帧均被处理,输出鱼类目标的追踪信息,追踪信息包括鱼类目标在每一视频帧中的位置信息与编号。
2.如权利要求1所述的一种基于卡尔曼滤波器的鱼类追踪方法,其特征在于:步骤S3中所述IoU值为两个矩形框覆盖范围的交集的像素个数和两个矩形框覆盖范围的并集的像素个数的比值,计算公式为:其中,A和B均为矩形框。
3.如权利要求1所述的一种基于卡尔曼滤波器的鱼类追踪方法,其特征在于,步骤S3的具体过程为:
S31、根据第一矩形框的置信度将其分为高分第一矩形框与低分第一矩形框;
S32、根据IoU值使用匈牙利算法对高分第一矩形框与第二矩形框进行匹配,匹配失败的第二矩形框为第三矩形框,匹配失败的高分第一矩形框为第四矩形框,匹配成功的高分第一矩形框为第五矩形框;
S33、根据IoU值使用匈牙利算法对第三矩形框与低分第一矩形框进行匹配,匹配成功的低分第一矩形框为第六矩形框,匹配失败的第三矩形框为第七矩形框;
S34、获取第七矩形框对应鱼类目标所出现的最后一帧的矩形框作为第八矩形框;
S35、根据IoU值使用匈牙利算法对第四矩形框和第八矩形框进行匹配,匹配失败的第四矩形框为第九矩形框,匹配成功的第八矩形框为第十矩形框,匹配失败的第八矩形框为第十一矩形框。
4.如权利要求3所述的一种基于卡尔曼滤波器的鱼类追踪方法,其特征在于,步骤S4的具体过程为:
S41、使用第五矩形框、第六矩形框和第十矩形框对其对应的卡尔曼滤波器进行更新;
S42、使用第九矩形框初始化新的卡尔曼滤波器,并为第九矩形框对应目标分配编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362230.6A CN117974725A (zh) | 2024-03-28 | 2024-03-28 | 一种基于卡尔曼滤波器的鱼类追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362230.6A CN117974725A (zh) | 2024-03-28 | 2024-03-28 | 一种基于卡尔曼滤波器的鱼类追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974725A true CN117974725A (zh) | 2024-05-03 |
Family
ID=90864691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362230.6A Pending CN117974725A (zh) | 2024-03-28 | 2024-03-28 | 一种基于卡尔曼滤波器的鱼类追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974725A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180046857A1 (en) * | 2016-08-12 | 2018-02-15 | Qualcomm Incorporated | Methods and systems of updating motion models for object trackers in video analytics |
CN112750150A (zh) * | 2021-01-18 | 2021-05-04 | 西安电子科技大学 | 基于车辆检测和多目标跟踪的车流量统计方法 |
CN114049383A (zh) * | 2022-01-13 | 2022-02-15 | 苏州浪潮智能科技有限公司 | 一种多目标跟踪方法、设备及可读存储介质 |
CN117611636A (zh) * | 2024-01-23 | 2024-02-27 | 中国水产科学研究院黄海水产研究所 | 一种鱼类跟踪方法和系统 |
-
2024
- 2024-03-28 CN CN202410362230.6A patent/CN117974725A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180046857A1 (en) * | 2016-08-12 | 2018-02-15 | Qualcomm Incorporated | Methods and systems of updating motion models for object trackers in video analytics |
CN112750150A (zh) * | 2021-01-18 | 2021-05-04 | 西安电子科技大学 | 基于车辆检测和多目标跟踪的车流量统计方法 |
CN114049383A (zh) * | 2022-01-13 | 2022-02-15 | 苏州浪潮智能科技有限公司 | 一种多目标跟踪方法、设备及可读存储介质 |
CN117611636A (zh) * | 2024-01-23 | 2024-02-27 | 中国水产科学研究院黄海水产研究所 | 一种鱼类跟踪方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fa-harris: A fast and asynchronous corner detector for event cameras | |
CN112288628B (zh) | 基于光流跟踪和抽帧映射的航拍图像拼接加速方法及系统 | |
CN108537844B (zh) | 一种融合几何信息的视觉slam回环检测方法 | |
CN112509003B (zh) | 解决目标跟踪框漂移的方法及系统 | |
CN113223045A (zh) | 基于动态物体语义分割的视觉与imu传感器融合定位系统 | |
CN117611636B (zh) | 一种鱼类跟踪方法和系统 | |
CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN114431005A (zh) | 智能化农业果实采摘识别与定位方法、系统及装置 | |
CN109978908B (zh) | 一种适应大尺度形变的单目标快速跟踪定位方法 | |
CN113781523B (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN103677734A (zh) | 基于特征匹配矩阵的多目标数据关联算法 | |
CN113450412B (zh) | 一种基于直线特征的视觉slam方法 | |
Kim et al. | Loop-net: Joint unsupervised disparity and optical flow estimation of stereo videos with spatiotemporal loop consistency | |
CN117974725A (zh) | 一种基于卡尔曼滤波器的鱼类追踪方法 | |
CN116363163B (zh) | 基于事件相机的空间目标检测跟踪方法、系统及存储介质 | |
CN110660085A (zh) | 一种适用于光电吊舱的实时视频图像运动目标检测与稳定跟踪方法 | |
CN111860161B (zh) | 一种目标遮挡检测方法 | |
CN110135224B (zh) | 一种监控视频的前景目标提取方法及系统、存储介质及终端 | |
Lai et al. | A survey of deep learning application in dynamic visual SLAM | |
CN112016537B (zh) | 一种基于计算机视觉的综合检测老鼠的方法 | |
CN112184766B (zh) | 一种对象的跟踪方法、装置、计算机设备和存储介质 | |
Song et al. | Self-supervised learning of visual odometry | |
Hammer et al. | Motion segmentation and appearance change detection based 2D hand tracking | |
CN114913472A (zh) | 一种联合图学习与概率传播的红外视频行人显著性检测方法 | |
CN114140494A (zh) | 复杂场景下单目标跟踪系统、方法、电子设备及存储介质 |
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 |