基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法技术

本发明专利技术针对水面无人艇海面目标跟踪中常见的海况等级高以及目标尺度变化大、分辨率低等难点问题，基于核相关滤波KCF算法，提出一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法。首先，在高海况场景下，通过海天线检测辅助实现目标搜索区域的自适应移位与缩放，缓解相关滤波的边界效应，以应对该场景下目标抖动剧烈问题；其次，为提高算法鲁棒性以应对目标尺度变化、分辨率低等问题，在目标预处理、特征选择以及尺度估计方面分别做了相应的优化处理。通过实验将本发明专利技术与近年来可以达到无人艇实时跟踪要求的几个相关滤波算法进行了对比，结果表面，本发明专利技术算法在海面目标跟踪方面具有较明显的优势，特别是在高海况场景下的目标跟踪。

Scale adaptive tracking method for sea surface target of high sea condition unmanned ship based on correlation filtering

Aiming at the difficult problems of high sea condition level, large target scale variation and low resolution in surface target tracking of surface unmanned aerial vehicle, the present invention proposes an adaptive sea target scale tracking method for high sea condition unmanned aerial vehicle based on correlation filtering KCF algorithm. Firstly, in the high sea situation scenario, the adaptive shift and zoom of the target search area are realized by sea antenna detection to alleviate the boundary effect of correlation filtering, so as to cope with the problem of intense target jitter in this scenario. Secondly, in order to improve the robustness of the algorithm to cope with the problem of target scale change and low resolution, the target pre-processing is carried out. Processing, feature selection and scale estimation were optimized respectively. Through experiments, the present invention is compared with several relevant filtering algorithms which can meet the requirements of real-time tracking of unmanned aerial vehicles in recent years. The results show that the present algorithm has obvious advantages in surface target tracking, especially in high-sea scenarios.

【技术实现步骤摘要】
基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法
本专利技术涉及一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，属于计算机视觉目标跟踪领域。
技术介绍
水面无人艇是一种集环境感知、任务规划、运动规划、行为执行等模块为一体的智能水面运载平台，可实现路径规划、自主导航避障、目标检测、识别及跟踪等功能，从而完成海洋水质检测，水下考古，海洋巡航，舰艇护航等一系列民事和军事任务。其中，环境感知模块通过搭载摄像头、激光雷达等传感设备，实现对无人艇周围三维环境信息的获取，是完成其他模块功能的先决条件。而视觉目标跟踪子模块，充分利用视频序列的时空上下文信息，可实时地为无人艇提供动态目标的位置以及尺度信息，是环境感知模块中极为重要的一部分。视觉目标跟踪是计算机视觉领域中最具挑战性的任务之一，在视频监控和机器人等领域有着广泛的应用。给定第一帧中目标的初始状态，跟踪器的目的是在后续视频序列中预测目标的状态，相邻视频帧之间在目标局部区域进行检测(trackingbydetection)，避免了对每一帧图像的全局检测，从而确保检测准确性的同时有效地保证了算法的实时性。然而，针对视觉跟踪中的各种关键问题，如光照变化、遮挡、形变等，设计一个快速、鲁棒的跟踪器是非常困难的。近年来，基于相关滤波(correlationfilter)的判别式跟踪方法因为实时性好、鲁棒性在目标跟踪领域得到广泛应用。水面无人艇海上目标跟踪同样也存在上述视觉目标跟踪的难点问题，但对于海洋场景下通用的目标跟踪算法往往很难实现无人艇实时并且鲁棒的目标跟踪。其原因主要在于无人艇与目标受海况影响较大，高海况场景下目标抖动剧烈，目标往往会受海浪的影响发生剧烈抖动而脱离跟踪算法的搜索区域，基于检测的跟踪器无法捕捉到目标的特征，从而导致跟踪失败。其次，目标与无人艇之间的相对距离以及角度等变化导致的无人艇视角下的目标尺度变化较大也是常规目标跟踪算法难以适应海上目标跟踪的一个重要原因。
技术实现思路
本专利技术的目的在于提供一种基于海天线检测与相关滤波的海况水面无人艇海面目标尺度自适应跟踪方法，解决了无人艇在高海况场景下无法实现实时稳定的目标跟踪问题。该方法可适用于任何海天线检测算法和基于检测的目标跟踪(trackingbydetection)算法。为保障无人艇在高海况场景下的实时且稳定地实现目标跟踪，本专利技术的构思是：目标跟踪中的运动问题可以分为目标运动、相机运动和背景运动三个部分，绝大部分为仅有目标运动以及目标运动加相机运动的场景，而水面无人艇目标跟踪的运动问题则包括目标运动、相机(无人艇)运动和背景运动(海浪)三个部分。无人艇海面目标跟踪与其他跟踪问题的主要不同点在于，背景(海浪)运动对目标跟踪的影响。相关滤波跟踪算法的边界效应使得该类算法在高海况场景，即背景(海浪)运动导致目标抖动剧烈时，无法完成无人艇跟踪任务。本专利技术通过对目标、背景(海浪)、相机(无人艇)三者的运动关系的分析建模，降低背景(海浪)运动对跟踪算法的影响，解决海面目标跟踪中遇到的抖动剧烈(快速运动)问题。通过海天线检测可对船载传感器受到海浪等影响而导致的动态运动进行配准，提高目标跟踪等算法的精度。针对水面无人艇海面目标跟踪场景，其中最能反映该场景特征的就是海天线。海天线的上下抖动与斜率变化也直接的反映了海况高低对无人艇目标跟踪的影响程度。因此，本专利技术结合海天线检测算法，在不破坏相关滤波岭回归分类器的闭合解形式而损失算法实时性的情况下，消除相关滤波的边界效应对海面目标跟踪算法的影响。根据上述构思，本专利技术采用如下技术方案：一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，具体步骤如下：S01，目标预处理：通过无人艇目标检测模块得到目标初始坐标与尺度信息，启用目标跟踪模块，对初始帧使用双阈值策略对目标进行预处理，保证算法计算速度的同时增加目标的特征信息；S02，确定下一帧相关滤波器搜索区域：若该帧为视频序列第一帧，则执行S07，否则根据海天线检测算法实时检测的当前帧与下一帧海天线斜率实时调整搜索区域中心点坐标，搜索区域的大小为目标尺度的(1+Pn)倍，其中Pn为根据海天线斜率变化进行自适应缩放的缩放系数；S03，搜索区域的特征提取：对搜索区域进行特征提取，利用方向梯度直方图(HOG)特征与颜色(CN)特征进行多特征融合提高跟踪算法鲁棒性；S04，样本表示：对搜索区域特征进行循环移位，构建循环矩阵实现密集采样，利用余弦窗函数消除循环移位造成样本的边界效应，将高斯标签值赋予样本，目标在搜索区域中央的标签值为1，其余移位后的样本标签值为0到1之间；S05，快速检测：利用S05训练得到的相关滤波器与通过S02至S04步骤提取得到的下一帧目标特征进行相关滤波，得到相关滤波响应图，响应图峰值点即为新一帧目标的位置。S06，目标尺度估计：在S05预测的目标位置，利用一个单独的一维相关滤波器MOSSE对目标进行尺度估计。S07，训练与更新分类器：利用上述检测到的结果，提取样本训练与更新岭回归分类器，返回S02对后续视频帧的目标进行跟踪。与现有技术相比，本专利技术的突出特点是：本专利技术通过海天线检测对目标跟踪算法的搜区域进行自适应地处理，包括搜索区域中心点的坐标变换以及搜索区域面积的自适应缩放，有效地避免了无人艇的目标跟踪算法在高海况情况下，由海浪引起的无人艇以及目标抖动剧烈而导致目标在搜索区域边缘或不在搜索区域内。该改进大大地提升了无人艇跟踪算法在高海况场景下的鲁棒性。在完成目标的位置预测后，增加目标的自适应尺度估计模块，当目标与无人艇相对距离或角度发生变化时，通过该尺度估计模块适时地对目标尺度进行更新，进一步提高无人艇跟踪算法的精度。附图说明图1是本专利技术的无人艇目标跟踪算法整体框架及流程示意图。图2是本专利技术的无人艇在高海况海天线斜率变化小场景下搜索区域自适应示意图。图3是本专利技术的无人艇在高海况海天线斜率变化小场景下搜索区域自适应示意图。图4是本专利技术的无人艇目标跟踪算法多特征融合方法示意图。图5是本专利技术的无人艇目标跟踪的尺度自适应模块原理示意图。图6是本专利技术的无人艇目标跟踪算法在高海况、尺度变化场景下的实验结果图。图7是本专利技术的无人艇目标跟踪算法在高海况、低分辨率场景下的实验结果图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术优选实施方式作进一步的详细描述。如图1所示，一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，包括以下步骤：S01，目标预处理：本实施例采用双阈值预处理策略，若第一帧目标分辨率大于阈值MAX，则将搜索区域面积按照一定的比例系数进行缩小；若第一帧目标分辨率小于阈值MIN，则将搜索区域面积按照一定的比例系数进行放大。尺度缩放比例系数SF(scalefactor)为：其中，S′表示相关滤波算法的搜索区域初始面积，MIN表示最小阈值，MAX表示最大阈值。因此预处理后搜索区域面积S为：S＝S′/SF(2)通过对目标分辨率的预处理，虽然在目标较小时，相较于预处理前牺牲了一部分算法的处理速度，但可以获得更多的目标纹理特征，提升了无人艇目标跟踪鲁棒性的同时也不会影响到算法的实时性。S02，确定下一帧相关滤波器搜索区域：通过海天线检测可对船载传感器受到海浪等影响而导致本文档来自技高网...

【技术保护点】
1.一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，其特征在于，包括以下步骤：S01，目标预处理：通过无人艇目标检测模块得到目标初始坐标与尺度信息，启用目标跟踪模块，对初始帧使用双阈值策略对目标进行预处理，保证算法计算速度的同时增加目标的特征信息；S02，确定下一帧相关滤波器搜索区域：若该帧为视频序列第一帧，则执行S07，否则根据海天线检测算法实时检测的当前帧与下一帧海天线斜率实时调整搜索区域中心点坐标，搜索区域的面积为目标尺度的(1+Pn)倍，其中Pn为根据海天线斜率变化进行自适应缩放的缩放系数；S03，搜索区域的特征提取：对搜索区域进行特征提取，利用方向梯度直方图特征与颜色特征进行多特征融合提高跟踪算法鲁棒性；S04，样本表示：对搜索区域特征进行循环移位，构建循环矩阵实现密集采样，利用余弦窗函数消除循环移位造成样本的边界效应，将高斯标签值赋予样本，目标在搜索区域中央的标签值为1，其余移位后的样本标签值为0到1之间；S05，快速检测：利用S05训练得到的相关滤波器与通过S02至S04步骤提取得到的下一帧目标特征进行相关滤波，得到相关滤波响应图，响应图峰值点即为新一帧目标的位置；S06，目标尺度估计：在S05预测的目标位置，利用一个单独的一维相关滤波器MOSSE对目标进行尺度估计；S07，训练与更新分类器：利用上述检测到的结果，提取样本训练与更新岭回归分类器，返回S02对后续视频帧的目标进行跟踪。...

【技术特征摘要】
1.一种基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，其特征在于，包括以下步骤：S01，目标预处理：通过无人艇目标检测模块得到目标初始坐标与尺度信息，启用目标跟踪模块，对初始帧使用双阈值策略对目标进行预处理，保证算法计算速度的同时增加目标的特征信息；S02，确定下一帧相关滤波器搜索区域：若该帧为视频序列第一帧，则执行S07，否则根据海天线检测算法实时检测的当前帧与下一帧海天线斜率实时调整搜索区域中心点坐标，搜索区域的面积为目标尺度的(1+Pn)倍，其中Pn为根据海天线斜率变化进行自适应缩放的缩放系数；S03，搜索区域的特征提取：对搜索区域进行特征提取，利用方向梯度直方图特征与颜色特征进行多特征融合提高跟踪算法鲁棒性；S04，样本表示：对搜索区域特征进行循环移位，构建循环矩阵实现密集采样，利用余弦窗函数消除循环移位造成样本的边界效应，将高斯标签值赋予样本，目标在搜索区域中央的标签值为1，其余移位后的样本标签值为0到1之间；S05，快速检测：利用S05训练得到的相关滤波器与通过S02至S04步骤提取得到的下一帧目标特征进行相关滤波，得到相关滤波响应图，响应图峰值点即为新一帧目标的位置；S06，目标尺度估计：在S05预测的目标位置，利用一个单独的一维相关滤波器MOSSE对目标进行尺度估计；S07，训练与更新分类器：利用上述检测到的结果，提取样本训练与更新岭回归分类器，返回S02对后续视频帧的目标进行跟踪。2.根据权利要求1所述的基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，其特征在于，所述S01中目标预处理具体为：采用双阈值预处理策略，若第一帧目标分辨率大于阈值MAX，则将搜索区域面积按照一定的比例系数进行缩小；若第一帧目标分辨率小于阈值MIN，则将搜索区域面积按照一定的比例系数进行放大；尺度缩放比例系数SF为：其中，S′表示相关滤波算法的搜索区域初始面积，MIN表示最小阈值，MAX表示最大阈值；因此预处理后搜索区域面积S为：S＝S′/SF(2)通过对目标分辨率的预处理，虽然在目标较小时，相较于预处理前牺牲了一部分算法的处理速度，但能够获得更多的目标纹理特征，提升了无人艇目标跟踪鲁棒性的同时也不会影响到算法的实时性。3.根据权利要求1所述的基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，其特征在于，所述S02中基于多尺度交叉模态线性特征的海天线检测算法进行海天线检测，得到海天线直线方程，并根据海天线斜率变化对无人艇相关滤波目标跟踪算法的搜索区域中心点进行坐标变换以及搜索区域面积的自适应缩放，具体为：1)搜索区域中心点坐标变换：当相邻两帧之间海天线斜率kn与kn-1的差值小于阈值即时，则说明背景即海浪运动对目标的水平方向运动影响较小，主要考虑海浪运动对目标竖直方向运动的影响，即无人艇视角中目标的上下抖动问题；因此只需根据前后两帧的海天线，对搜索区域的中心点进行坐标变换；首先，计算第n-1视频帧目标中心与该视频帧海天线竖直方向的距离dn-1：dn-1＝yn-1-yn-1′＝yn-1-(kn-1xn-1+bn-1)(3)其中，第n-1视频帧海天线方程为y＝kn-1x+bn-1，(xn-1,yn-1)为第n-1帧目标中心点坐标，(xn-1′,yn-1′)为与(xn-1,yn-1)同一竖直方向对应的第n-1帧海天线上点坐标；在同一竖直方向上，计算第n-1帧目标中心点(xn-1,yn-1)在第n帧，对应的海天线上点的坐标(xn′,yn′)：其中，第n视频帧海天线方程为y＝knx+bn；’则消除背景(海浪)运动对目标跟踪的影响后，计算第n帧搜索区域中心点坐标(xn,yn)：当相邻两帧之间海天线斜率kn与kn-1的差值大于等于阈值即时，则说明海浪运动对目标的水平与竖直方向运动均有较大影响，因此同时考虑海浪运动在水平与竖直方向导致的目标移位；目标在竖直方向受海浪运动的影响较容易量化，而水平方向则很难用某一具体指标来衡量，因此，从搜索区域中心点坐标变换与自适应搜索区域面积两个方面来消除海浪运动对目标跟踪的影响；首先，利用公式(3)计算第n-1视频帧目标中心与该视频帧海天线竖直方向的距离dn-1；其次，通过方程组(6)计算得到第n-1帧海天线与n帧海天线的交点坐标(x0,y0)：第n-1帧海天线上与目标中心点同一竖直方向坐标为(xn-1′,yn-1′)，根据该点距离海天线交点(x0,y0)与第n帧目标中心在海天线上的竖直投影点距离海天线交点距离相等，求出第n帧目标中心在海天线上的竖直投影点坐标(xn′,yn′)：其中，(xn′,yn′)与(xn-1′,yn-1′)位于海天线交点(x0,y0)同一侧；则消除海浪运动对目标跟踪的影响后，计算第n帧搜索区域中心点坐标(xn,yn)：2)搜索区域面积自适应缩放：当前后两帧海天线斜率变化大时，仅仅通过搜索区域中心点变换很难抵消海浪运动对无人艇目标跟踪的影响，因此根据检测到的海天线斜率的变化情况，对搜索区域进行自适应缩放；为减小计算量保证算法的实时性，采用区间式缩放策略，对海天线斜率变化大小处于同一区间内的视频帧采用相同的缩放尺度；其中，Pn表示搜索区域面积相对于目标框面积的缩放系数，与为海天线斜率变化阈值；如果搜索区域过小则相关滤波的循环矩阵引起的边界效应对跟踪结果影响较大；而如果搜索区域过大，则样本的背景信息过多，样本的特征表征能力弱，分类器性能较差；因此，本发明根据海天线检测得到的海天线斜率的变化区间，在一定范围内自适应地调整缩放系数Pn的大小；因此，第n帧搜索区域大小为：(1+Pn)·wn·hn(10)其中，wn和hn分别表示第n帧目标的宽与高的长度。4.根据权利要求1所述的基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法，其特征在于，所述S03中的搜索区域的特征提取具体为：特征适用性分析：对于无人艇海上目标跟踪来说，方向梯度直方图特征对运动模糊和光...

【专利技术属性】
技术研发人员：李小毛，张云东，彭艳，谢少荣，罗均，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31