基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置制造方法及图纸

本发明专利技术公开了一种基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置。其中，该方法包括：检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征；根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型和所述目标对象的像素坐标，确定所述目标对象的目标位置信息；根据所述目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对所述当前帧遥感图像进行目标跟踪。以提高基于静止轨道凝视卫星的遥感图像目标跟踪的准确性。

【技术实现步骤摘要】
基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置
本专利技术实施例涉及卫星遥感
，尤其涉及一种基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置。
技术介绍
随着遥感卫星技术的发展，通过静止轨道凝视卫星采集的遥感图像进行动态目标对象(如舰船)的跟踪，以成为遥感卫星技术应用的热点。目前，在基于遥感图像进行动态目标对象跟踪时，通常是先对遥感图像进行目标检测，然后再基于检测到的目标对象进行目标跟踪。但是，由于静止轨道凝视卫星成像视场范围大，使得其采集的遥感图像空间分辨率较低，再加上受海杂波、碎云等因素影响，目标对象与背景环境对比度较低，导致目标检测结果中存在较多的虚假目标。此外由于静止轨道凝视卫星的轨道高、成像帧频低，使得其对目标对象的定位数据误差较大，严重影响目标跟踪的准确性。
技术实现思路
本专利技术实施例提供一种基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置，以提高基于静止轨道凝视卫星的遥感图像目标跟踪的准确性。第一方面，本专利技术实施例提供了一种基于静止轨道凝视卫星的遥感图像目标跟踪方法，方法包括：检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征；根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型和所述目标对象的像素坐标，确定所述目标对象的目标位置信息；根据所述目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对所述当前帧遥感图像进行目标跟踪。第二方面，本专利技术实施例还提供了一种基于静止轨道凝视卫星的遥感图像目标跟踪装置，该装置包括：目标检测模块，用于检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征；目标位置确定模块，用于根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型和所述目标对象的像素坐标，确定所述目标对象的目标位置信息；目标跟踪模块，用于根据所述目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对所述当前帧遥感图像进行目标跟踪。第三方面，本专利技术实施例还提供了一种设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面所述的基于静止轨道凝视卫星的遥感图像目标跟踪方法。第四方面，本专利技术实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的基于静止轨道凝视卫星的遥感图像目标跟踪方法。本专利技术实施例的技术方案，检测到静止轨道凝视卫星采集的当前遥感图像中包含的目标对象后，确定目标对象的像素坐标和目标幅度特征；根据目标对象的像素坐标和当前遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型确定目标对象的目标位置信息，进而根据目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对当前帧遥感图像进行目标跟踪。本专利技术实施例在确定目标对象的位置信息时，先以目标对象的像素坐标和参考对象的参考位置信息为基准，校正位置求解模型，再通过校正后的该位置求解模型确定目标对象的目标位置信息，解决了静止轨道凝视卫星对目标对象定位误差大的问题，提高了目标对象的目标位置信息确定的准确性。且本专利技术实施例基于多假设跟踪算法对当前遥感图像进行目标跟踪时，不但依据目标对象的位置信息，还结合了其幅度特征，能够更为精准的确定出跟踪轨迹中的虚假轨迹，以提高基于静止轨道凝视卫星的遥感图像目标跟踪的准确性，为遥感图像的目标跟踪提供了一种新思路。附图说明图1是本专利技术实施例一提供的一种基于静止轨道凝视卫星的遥感图像目标跟踪方法的流程图；图2是本专利技术实施例二提供的一种基于静止轨道凝视卫星的遥感图像目标跟踪方法的流程图；图3是本专利技术实施例三提供的一种基于静止轨道凝视卫星的遥感图像目标跟踪方法的流程图；图4是本专利技术实施例四提供的一种基于静止轨道凝视卫星的遥感图像目标跟踪装置的结构示意图；图5本专利技术实施例五中提供的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种基于静止轨道凝视卫星的遥感图像目标跟踪方法的流程图，本实施例可适用于对静止轨道凝视卫星采集的可观测性较差(即分辨率较低)的遥感图像进行目标跟踪的情况。该方法可以由本专利技术实施例提供的基于静止轨道凝视卫星的遥感图像目标跟踪装置来执行，该装置可采用硬件和/或软件的方式实现。如图1所示，具体包括如下步骤：S101，检测当前帧遥感图像中包含的目标对象，并确定目标对象的像素坐标和目标幅度特征。其中，本专利技术实施例中的遥感图像可以是静止轨道凝视卫星按照预设的成像帧频，采集的遥感图像。目标对象可以为任意遥感图像可以拍摄到的动态目标对象，如可以是海上行驶的舰船、陆地上行驶的汽车等。对此本实施例不进行限定。目标对象的像素坐标可以是目标对象在遥感图像中对应的像素坐标；目标对象的目标幅度特征可以是目标对象在遥感图像中对应的幅度值。可选的，本步骤检测当前帧遥感图像中包含的目标对象时，可以是基于待检测的目标对象的图像特征，从遥感图像中查找具有该图像特征的对象作为目标对象。但是考虑到静止轨道凝视卫星采集的遥感图像的分辨率较低，待检测的目标对象可能只占其中的几个或十几个像素，可观测性较差，并且海杂波在当前帧遥感图像中分布也不均匀，所以基于图像特征进行目标检测容易出现目标对象漏检，或检测出虚假目标对象的情况。为了避免这种情况出现，本实施例还可以是基于峰值信噪比局部显著图算法，检测当前帧遥感图像中包含的目标对象。具体的，峰值信噪比定量描述了目标最大可能幅度相对于环境噪声幅度的比值，其定义为：其中，sal(x,y)为遥感图像中像素点(x,y)处的峰值信噪比；I(x,y)为遥感图像中像素点(x,y)处的幅度值；μb和σb分别为遥感图像中像素点(x,y)周围一定范围内的背景噪声幅度均值和标准差。可选的，为了更好的统计图像背景的统计特征，本专利技术实施例可以以像素点(x,y)为中心，采用双窗(内矩形和外矩形)的方法计算该像素点(x,y)对应的μb和σb。优选的，内矩形尺寸可以略大于目标对象尺寸的像素数，外矩形尺寸取值为内矩形尺寸的二倍。本步骤可以针对当前帧遥感图像中的每一像素，都进行上述公式(1)的计算，得到每个像素点对应的峰值信噪比。然后根据预先设置的信噪比分割阈值，按照如下公式(2)，对当前帧遥感图像进行二值化图像分割：其中，W(x,y)为二值化后的遥感图像中像素点(x,y)处的像素值；sal(x,y)为遥感图像中像本文档来自技高网...

【技术保护点】
1.一种基于静止轨道凝视卫星的遥感图像目标跟踪方法，其特征在于，包括：/n检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征；/n根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型和所述目标对象的像素坐标，确定所述目标对象的目标位置信息；/n根据所述目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对所述当前帧遥感图像进行目标跟踪。/n

【技术特征摘要】
1.一种基于静止轨道凝视卫星的遥感图像目标跟踪方法，其特征在于，包括：
检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征；
根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，并基于校正后的位置求解模型和所述目标对象的像素坐标，确定所述目标对象的目标位置信息；
根据所述目标对象的目标幅度特征和目标位置信息，采用多假设跟踪算法对所述当前帧遥感图像进行目标跟踪。


2.根据权利要求1所述的方法，其特征在于，检测当前帧遥感图像中包含的目标对象，并确定所述目标对象的像素坐标和目标幅度特征，包括：
基于峰值信噪比局部显著图算法，检测当前帧遥感图像中包含的目标对象；
根据所述目标对象在所述当前帧遥感图像中的像素信息，确定所述目标对象的像素坐标和目标幅度特征。


3.根据权利要求1所述的方法，其特征在于，根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，校正位置求解模型，包括：
根据所述目标对象的像素坐标和所述当前帧遥感图像对应的参考对象的参考位置信息，确定具有关联关系的目标对象和参考对象，作为候选关联对；
剔除所述候选关联对中的错误关联对，得到目标关联对；
根据所述目标关联对中的目标对象的像素坐标和参考对象的参考位置信息，更新位置求解模型的模型参数信息，以得到校正后的位置求解模型。


4.根据权利要求3所述的方法，其特征在于，剔除所述候选关联对中的错误关联对，得到目标关联对，包括：
基于随机一致性抽样算法，从候选关联对中剔除像素误差大于误差阈值的错误关联对，得到初筛选关联对；
从初筛选关联对中剔除轨迹相似度小于等于轨迹相似度阈值的错误关联对，得到目标关联对。


5.根据权利要求4所述的方法，其特征在于，所述基于随机一致性抽样算法，从候选关联对中剔除像素误差大于误差阈值的错误关联对的操作，重复执行至少两次；
相应的，每一次基于随机一致性抽样算法，从候选关联对中剔除像素误差大于误差阈值的错误关联对时，包括：
将所述候选关联对随机分为第一关联对组和第二关联对组；其中，所述第一关联对组中包括至少三对候选关联对；
根据所述第一关联对组中的目标对象的像素坐标和参考对象的参考位置信息，求解误差补偿模型的模型参数，得到已知模型参数的误差补偿模型；其中，所述误差补偿模型用于表征参考对象的参考位置信息所对应的像素坐标，与目标对象的像素坐标之间的转换关系；
根据所述已知模型参数的误差补偿模型，和所述第二关联对组中的目标对象的像素坐标和参考对象的参考位置信息，计算所述第二关联对组中，各候选关联对的像素误差；
剔除所述第二关联对组中像素误差大于误差阈值的错误关联对，得到本次初筛选关联对。


6.根据权利要求5所述的方法，其特征在于，所述误差补偿模型的表达式为：



其中，(x,y)为目标对象的像素坐标；(x′,y′)为参考对象的参考位置信息对应的像素坐标；(ei,fi)为误差补偿模型的模型参数。


7.根据权利...

【专利技术属性】
技术研发人员：姚力波，刘勇，林迅，周强，刘瑜，孙炜玮，赵志勇，臧洁，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东;37