基于离散贝叶斯的机坪保障节点状态跟踪方法技术

本发明专利技术公开了一种基于离散贝叶斯的机坪保障节点状态跟踪方法，包括以下几个步骤：S1:检测器循环遍历所有保障类型；S2:当画面内出现该类对象，检测该类型跟踪器是否初始化；S3:当检测该类型跟踪器已初始化，滤波器进行预测再寻找和跟踪器相匹配检测对象；当检测该类型跟踪器未初始化，则检测该对象是否进入检测区域；S4:当找到和跟踪器相匹配检测对象，则根据检测到的对象状态，执行滤波器更新过程；当检测到该对象已进入检测区域，则初始化该类跟踪器，再根据检测到的对象状态，执行滤波器更新过程；S5:根据滤波器更新过程的状态概率分布，判断该对象绝对状态，从而获取该对象的相对状态。本发明专利技术可对飞机和作业车辆的停留状态做出稳定的判断。稳定的判断。稳定的判断。

【技术实现步骤摘要】
基于离散贝叶斯的机坪保障节点状态跟踪方法


[0001]本专利技术涉及基于视觉技术的机坪保障
，具体涉及一种基于离散贝叶斯的机坪保障节点状态跟踪方法。

技术介绍

[0002]目前在机坪保障节点中，一般需要检测飞机入离位、各种作业车辆的驶入和使出等。随着深度学习的发展，一般使用基于深度学习模型的目标检测器对飞机和作业车辆进行检测，根据车辆是否在检测区域内判断其状态。
[0003]但是，在正常情况下，伴随着光线、遮挡等情况的出现，检测器的输出是不稳定的，极有可能出现在下一帧或者下面连续多帧丢失目标的情况。这也就造成了检测器报出的结果是很不稳定的，甚至是错误的。因此，如何得到更加稳定的飞机和作业车辆的停留状态，是现阶段本技术人员亟需解决的问题。

技术实现思路

[0004]本专利技术需要解决的技术问题是提供一种基于离散贝叶斯的机坪保障节点状态跟踪方法，可得到更加稳定的飞机和作业车辆的停留状态。
[0005]为解决上述技术问题，本专利技术所采取的技术方案如下。
[0006]基于离散贝叶斯的机坪保障节点状态跟踪方法，用于对飞机和作业车辆状态跟踪，其中，该方法基于检测器以及与检测器连接并由一个离散贝叶斯滤波器和一个记录位置信息的变量组成的状态跟踪器；所述跟踪器将飞机、作业车辆的状态按顺序定义三个绝对状态为保持、驶入和驶出三个状态并依次标记为 STAY、IN和OUT；在当前帧中，飞机、作业车辆相对于上一帧的状态定义为相对状态，若当前帧和上一帧绝对状态相同，则相对状态为STAY，否则为当前帧的绝对状态；所述状态跟踪方法包括以下几个步骤：
[0007]S1:检测器循环遍历所有保障类型；
[0008]S2:当画面内出现该类对象，检测该类型跟踪器是否初始化；
[0009]S3:当检测该类型跟踪器已初始化，滤波器进行预测再寻找和跟踪器相匹配检测对象；当检测该类型跟踪器未初始化，则检测该对象是否进入检测区域；
[0010]S4:当找到和跟踪器相匹配检测对象，则根据检测到的对象状态，执行滤波器更新过程，否则返回步骤S1；当检测到该对象已进入检测区域，则初始化该类跟踪器，再根据检测到的对象状态，执行滤波器更新过程，否则返回步骤S1；
[0011]S5:根据滤波器更新过程的状态概率分布，判断该对象绝对状态，从而获取该对象的相对状态；所述判断该对象绝对状态的具体步骤如下：
[0012]S51：若当前状态分布的离散程度，方差σ2达到某一阈值则进行步骤 S52；否则，绝对状态保持不变，相对状态为STAY；
[0013]S52：找出当前概率最大的状态
[0014]S53：若t
‑
1帧的绝对状态等于则绝对状态保持不变，相对状态为 STAY；否则，当前的绝对状态更新为相对状态也更新为
[0015]S54：若长时间无法检测到该跟踪目标，则该目标的状态分布方差为0，绝对状态变为OUT。
[0016]优选的，所述步骤S2中画面内未出现该类对象，则返回步骤S1。
[0017]优选的，所述步骤S3中滤波器的预测过程具体为：
[0018]定义跟踪目标保持目前绝对状态的概率为p
self
，目标由左侧相邻状态转移而来的概率为p
left
＝1
‑
p
self
，则状态转移概率分布为：
[0019]P
trans
＝[p
self
，p
left
][0020]由此，计算出第t+1帧时，目标的各状态概率为：
[0021][0022][0023][0024]即：
[0025][0026]符号*，为卷积运算，滤波器的预测过程即为
[0027]优选的，所述步骤S4中滤波器更新过程具体为：
[0028]定义检测器能输出正确结果的概率为p
corr
，则输出错误结果的概率为 p
error
＝1
‑
p
corr
；
[0029]假设检测器在第t帧检测到目标状态值为IN，则由检测器得到该目标在三个状态的可能性为：
[0030][0031]若p
corr
＝0.9，则likelihood＝[1.0，9.0，1.0]，表示了目标状态值为IN的概率时 STAY和OUT的9倍数；
[0032]然后，应更新为：
[0033][0034]由于此时的不符合概率分布，因此对做归一化：
[0035][0036]至此，可以根据检测器的检测值，更新当前帧被跟踪目标的状态概率分布并根据状态概率分布，得到概率最大的状态值。
[0037]优选的，所述步骤S4中在每次得到检测器的结果时，需要对滤波器进行更新。
[0038]优选的，所述作业车辆需要在飞机的绝对状态为IN的时候再进行跟踪检测。
[0039]优选的，所述记录位置信息的变量为坐标框，所述坐标框表示目标在图像中的位置信息，用于将在第t帧的当前目标和第t+1帧的同一目标关联起来，坐标框box表示为：
[0040]box＝[x1，y1，x2，y2][0041]其中，(x1，y1)为左上角坐标，(x2，y2)为右下角坐标。
[0042]由于采用了以上技术方案，本专利技术所取得技术进步如下。
[0043]本专利技术通过将飞机车辆状态跟踪器由一个状态滤波器和一个记录位置信息的变量组成，其中，状态滤波器是核心，用于判断目标的入离状态；位置信息用于做目标匹配。滤波器主要解决了在检测过程中，检测器由于误检或者漏检造成的飞机或者车辆状态不稳定的问题；同时能够保证飞机车辆能够成对的检测出入离位状态，有驶入必有驶出，降低了实现的难度和逻辑判断的复杂度。
附图说明
[0044]图1为本专利技术的状态跟踪流程图；
[0045]图2为本专利技术的飞机和作业车辆的状态转变示意图；
[0046]图3为本专利技术在滤波器初始化时候，方差为0情况下的状态分布直方图；
[0047]图4为本专利技术在图3之后的9帧中从检测器中分布得到了某车辆的状态值为：IN，IN，IN，OUT，IN，IN，OUT，OUT，OUT情况下的滤波器中的相应状态分布直方图。
具体实施方式
[0048]下面将结合附图和具体实施方式对本专利技术进行进一步详细说明。
[0049]一种基于离散贝叶斯的机坪保障节点状态跟踪方法，用于对飞机和作业车辆状态跟踪，从而得到更加稳定的飞机和作业车辆的停留状态。
[0050]为实现上述状态跟踪方法，首先，进行检测状态定义：
[0051]跟踪器将飞机、作业车辆的状态按顺序定义三个绝对状态为保持、驶入和驶出三个状态并依次标记为STAY、IN和OUT，具体为：飞机、作业车辆驶入之前的绝对状态应为STAY；飞机、作业车辆驶入检测区域内的绝对状态为IN；飞机、作业车辆驶出检测区域后的绝对状态为OUT。
[0052]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于离散贝叶斯的机坪保障节点状态跟踪方法，用于对飞机和作业车辆状态跟踪，其特征在于：该方法基于检测器以及与检测器连接并由一个离散贝叶斯滤波器和一个记录位置信息的变量组成的状态跟踪器；所述跟踪器将飞机、作业车辆的状态按顺序定义三个绝对状态为保持、驶入和驶出三个状态并依次标记为STAY、IN和OUT；在当前帧中，飞机、作业车辆相对于上一帧的状态定义为相对状态，若当前帧和上一帧绝对状态相同，则相对状态为STAY，否则为当前帧的绝对状态；所述状态跟踪方法包括以下几个步骤：S1:检测器循环遍历所有保障类型；S2:当画面内出现该类对象，检测该类型跟踪器是否初始化；S3:当检测该类型跟踪器已初始化，滤波器进行预测再寻找和跟踪器相匹配检测对象；当检测该类型跟踪器未初始化，则检测该对象是否进入检测区域；S4:当找到和跟踪器相匹配检测对象，则根据检测到的对象状态，执行滤波器更新过程，否则返回步骤S1；当检测到该对象已进入检测区域，则初始化该类跟踪器，再根据检测到的对象状态，执行滤波器更新过程，否则返回步骤S1；S5:根据滤波器更新过程的状态概率分布，判断该对象绝对状态，从而获取该对象的相对状态；所述判断该对象绝对状态的具体步骤如下：S51：若当前状态分布的离散程度，方差σ2达到某一阈值则进行步骤S52；否则，绝对状态保持不变，相对状态为STAY；S52：找出当前概率最大的状态S53：若t
‑
1帧的绝对状态等于则绝对状态保持不变，相对状态为STAY；否则，当前的绝对状态更新为相对状态也更新为S54：若长时间无法检测到该跟踪目标，则该目标的状态分布方差为0，绝对状态变为OUT。2.根据权利要求1所述的基于离散贝叶斯的机坪保障节点状态跟踪方法，其特征在于：所述步骤S2中画面内未出现该类对象，则返回步骤S1。3.根据权利要求1所述的基于离散贝叶斯的机坪保障节点状态跟踪方法，其特征在于：所述步骤S3中滤波器的预测过程具体为：定义跟踪目标保持目前绝对状态的概率为p
self
，目标由左侧相邻状态转移而来的概率为p
...

【专利技术属性】
技术研发人员：朱昂，李新，杨海军，李萌，石耿修，
申请(专利权)人：上海云赛智联信息科技有限公司，
类型：发明
国别省市：