一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法技术

本发明专利技术公开了一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法，包括跟踪滤波器的初始化和Kalman滤波器的参数初始化，利用跟踪的目标位置，回归Kalman滤波器，预测目标新的位置；对下一帧图像提取特征进行傅里叶变换，利用构建的跟踪滤波器，通过图像卷积，求取结果的最大响应值，作为目标新的位置，以新的位置为中心提取特征更新跟踪滤波器；执行循环传入下一帧图像，判断是否满足设定的预测条件，进行相应处理提取新的位置。本方法在充分考虑了卫星视频中目标相对背景所占像素少、无明显形状特征、颜色与背景相似度高等特点，既保证了跟踪结果的有效性又具备实时的跟踪速度。

【技术实现步骤摘要】
一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法
本专利技术涉及卫星视频跟踪
，尤其是涉及一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法。
技术介绍
视频卫星是近几年出现的新型对地观测卫星，与传统卫星相比能够持续不间断地对某一地区进行观测，产生高时间高空间分辨率的动态视频信息。目前，NASA国际空间站已经发布了1m分辨率的卫星视频，中国发射的吉林一号商业卫星可以拍摄0.72m分辨率的卫星视频。与地面视频相比，卫星视频中运动目标具有不易遮挡，可见范围广等特点，使得高分辨率卫星视频分析在运动分析、交通监控、可疑目标监管等方面具有重大潜力。因此利用卫星视频数据进行运动目标跟踪具备很强的理论指导和现实应用意义。目前视频目标跟踪的方法主要分为生成类和判别类。生成类方法把目标追踪问题转化为搜索问题，运用生成模型描述目标的表现特征，然后通过搜索候选目标来最小化重构误差。该类方法由于忽略背景信息，在目标自身变化剧烈或者被遮挡时容易产生漂移。判别类方法以目标区域为正样本，背景区域为负样本，用机器学习的方法训练分类器，下一帧用训练好的分类器找最优区域。与生成类方法最大的不同是训练时利用了背景信息，分类器可更好的区分前景和背景，所以效果普遍比生成类好。判别类算法中，目前最受关注和效果最好的是相关滤波类算法和深度学习类算法。相关滤波类算法以KCF、DCF、CN为代表，通过利用循环矩阵的性质转换到傅里叶空间进行计算，大大提高了算法效率，可实现快速有效的跟踪。深度学习类算法以GOTURN、MDNet、SiamFC为代表，通过对大量样本的训练，得到目标的深层语义特征，能更好地实现对严重变形、被遮挡目标的跟踪，但由于计算量较大，难以做到实时跟踪。对于卫星视频来说，一般每帧图像的分辨率可以达到3840*2160或以上，是普通视频每帧图像大小的几十倍甚至一百倍以上。其中的车辆、飞机等动态目标一般占据20*20或者更少的像素。与整个图像相比所占像素太少，同时大部分目标与背景比较相似，目标本身的分辨率较低，这些问题都导致了大部分主流的跟踪算法在卫星视频中不能持续有效地对目标进行跟踪。
技术实现思路
针对上述问题，本方法提出了一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法。本专利技术提供一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法，包括以下步骤：步骤1，跟踪滤波器的初始化和Kalman滤波器的参数初始化，跟踪滤波器初始化包括跟踪搜索区域的特征提取以及高斯响应图、空间置信图和跟踪滤波器的构建；步骤2，利用跟踪的目标位置，回归Kalman滤波器，预测目标新的位置；步骤3，对下一帧图像提取特征进行傅里叶变换，利用构建的跟踪滤波器，通过图像卷积，求取结果的最大响应值，作为目标新的位置，以新的位置为中心提取特征更新跟踪滤波器；步骤4，执行循环传入下一帧图像，判断是否满足设定的预测条件，满足条件仅执行步骤2以步骤2的结果作为新的位置，不满足执行步骤2和步骤3，以步骤3的结果作为新的位置。而且，所述步骤1包括以下子步骤，步骤1.1，首先确定跟踪搜索区域的模板大小，计算该区域的高斯形态响应图，通过循环偏移将中心最大值变换到左上角最大值，然后将结果进行傅里叶变换，变换后的结果标记为步骤1.2，计算模板大小的空间置信度，标记为m；步骤1.3，提取模板大小区域内的影像灰度特征，加Hann窗，进行傅里叶变换，标记为步骤1.4，构建Lagrange表达式，求取Lagrange表达式得到跟踪滤波器，标记为h；Lagrange表达式为：hc-hm＝0(式二)hm＝m⊙h(式三)其中，字母表示复数的Lagrange乘数，表示的共轭矩阵，字母右上角的H表示共轭转置矩阵，变量hm为增加了空间置信度的跟踪滤波器，为hm的傅里叶变换，为变量hc的傅里叶变换，μ为表达式参数，初始值优选设置为和λ为表达式参数，λ＝μ/100.0，在递归求解过程中是根据当前的值调整。；通过对式一各个变量求偏导数，利用对角矩阵的基本性质得到最终的跟踪滤波器计算公式，其中，表示的共轭矩阵，表示的共轭矩阵，D表示hm的矩阵维度，表示傅里叶逆变换；步骤1.5，初始化Kalman滤波器的转移矩阵A、测量矩阵H、系统噪声方差矩阵Q和测量噪声方差矩阵R，以跟踪目标的初始位置作为初始测量值z(0)和初始的状态值x(0)；而且，所述步骤2包括以下子步骤，步骤2.1，根据Kalman滤波理论，预测下一帧的位置；步骤2.2，根据Kalman滤波理论，将当前帧的位置作为测量值更新卡尔曼增益，利用得到的卡尔曼增益，计算新的状态值和预测值。而且，所述步骤3包括以下子步骤，步骤3.1，传入上一帧的目标包围框，计算该帧图像模板大小的灰度特征，将特征进行傅里叶变换到频域，对频域的特征和上一帧得到的跟踪滤波器进行图像卷积，反傅里叶变换得到响应图，求取响应图最大值，以最大值位置作为目标新的位置；步骤3.2，利用该帧的图像信息，以新的位置构建空间置信图，构建新的跟踪滤波器，更新跟踪滤波器；构建新的跟踪滤波器的过程和步骤1.2、1.3、1.4一致，所得新构建的跟踪滤波器记为hnew；设hk为当前第k帧的跟踪滤波器，hk-1为上一帧第k帧的跟踪滤波器，融合函数为，hk＝(1-θ)×hk-1+θ×hnew(式六)其中，θ为融合系数。而且，所述步骤4包括以下子步骤，步骤4.1，执行循环传入下一帧图像，判断已经进行的帧数是否大于5帧，同时当前帧数是否是3的倍数；如果判断都为是则满足条件，进入步骤4.2，否则进入步骤4.3；步骤4.2，此时满足条件，仅执行Kalman滤波器的预测和更新，以预测的位置作为目标新的位置；步骤4.3，此时不满足条件，先执行跟踪滤波器跟踪，以跟踪到位置作为目标新的位置，再执行Kalman滤波器的更新。与现有技术相比，本专利技术的有益效果如下：本方法在充分考虑了卫星视频中目标相对背景所占像素少、无明显形状特征、颜色与背景相似度高等特点，采用跟踪与轨迹估计相结合的策略，训练带有空间置信度的跟踪滤波器，同时回归出可估计轨迹的Kalman滤波器，通过设置一定的预测条件结合两种滤波器，既保证了跟踪结果的有效性又具备实时的跟踪速度。本专利技术体现了通过结合空间置信图和轨迹估计实现卫星视频小目标实时跟踪的可行性和有效性。附图说明图1为本专利技术实施例的系统结构图。具体实施方式以下结合附图和实施例详细说明本专利技术的技术方案。本方法充分考虑到目标所占像素较少和与背景相似度高等特点，在训练分类器时增加了空间置信图，排除了临近区域相似目标或背景的干扰。同时利用卫星视频中目标尺度几乎不变性，减少分类器多尺度模板的训练，大大提升了跟踪性能。针对目标与背景融为一体无法跟踪的问题，训练了Kalman滤波器实现对目标的轨迹估计，保障了对目标持续有效地跟踪。首先对跟踪滤波器和Kalman滤波器进行初始化，主要包括对训练区域的灰度特征提取、以目标包围框中心扩展一定阈值生成理想的高斯形态响应图和空间置信图，通过傅里叶变换，在频域求解目标函数，得到判别式跟踪滤波器。对Kalman滤波器的转移矩阵、测量矩阵和各噪声方差矩阵进行初始化，同时以目标初始位置作为测量值。其次利用跟踪的目标位置持续回归Kalman滤波器，同时预测目标新的位置，主本文档来自技高网...

【技术保护点】
1.一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法，其特征在于，包括以下步骤：步骤1，跟踪滤波器的初始化和Kalman滤波器的参数初始化，跟踪滤波器初始化包括跟踪搜索区域的特征提取以及高斯响应图、空间置信图和跟踪滤波器的构建；步骤2，利用跟踪的目标位置，回归Kalman滤波器，预测目标新的位置；步骤3，对下一帧图像提取特征进行傅里叶变换，利用构建的跟踪滤波器，通过图像卷积，求取结果的最大响应值，作为目标新的位置，以新的位置为中心提取特征更新跟踪滤波器；步骤4，执行循环传入下一帧图像，判断是否满足设定的预测条件，满足条件仅执行步骤2以步骤2的结果作为新的位置，不满足执行步骤2和步骤3，以步骤3的结果作为新的位置。

【技术特征摘要】
1.一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法，其特征在于，包括以下步骤：步骤1，跟踪滤波器的初始化和Kalman滤波器的参数初始化，跟踪滤波器初始化包括跟踪搜索区域的特征提取以及高斯响应图、空间置信图和跟踪滤波器的构建；步骤2，利用跟踪的目标位置，回归Kalman滤波器，预测目标新的位置；步骤3，对下一帧图像提取特征进行傅里叶变换，利用构建的跟踪滤波器，通过图像卷积，求取结果的最大响应值，作为目标新的位置，以新的位置为中心提取特征更新跟踪滤波器；步骤4，执行循环传入下一帧图像，判断是否满足设定的预测条件，满足条件仅执行步骤2以步骤2的结果作为新的位置，不满足执行步骤2和步骤3，以步骤3的结果作为新的位置。2.根据权利要求1所述的一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法，其特征在于：所述步骤1包括以下子步骤，步骤1.1，首先确定跟踪搜索区域的模板大小，计算该区域的高斯形态响应图，通过循环偏移将中心最大值变换到左上角最大值，然后将结果进行傅里叶变换，变换后的结果标记为步骤1.2，计算模板大小的空间置信度，标记为m；步骤1.3，提取模板大小区域内的影像灰度特征，加Hann窗，进行傅里叶变换，标记为步骤1.4，构建Lagrange表达式，求取Lagrange表达式得到跟踪滤波器，标记为h；Lagrange表达式为：hc-hm＝0(式二)hm＝m⊙h(式三)其中，字母表示复数的Lagrange乘数，表示的共轭矩阵，字母右上角的H表示共轭转置矩阵，变量hm为增加了空间置信度的跟踪滤波器，为hm的傅里叶变换，为变量hc的傅里叶变换，μ为表达式参数，初始值优选设置为和λ为表达式参数，λ＝μ/100.0，在递归求解过程中是根据当前的值调整。；通过对式一各个变量求偏导数，利用对角矩阵的基本性质得到最终的跟踪滤波器计算公式，其中，表示的共轭矩阵，表示的共轭矩阵，D表示hm的矩阵维度，表示傅里叶逆变换；...

【专利技术属性】
技术研发人员：眭海刚，陈旭，孙向东，付宏博，杨威，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42