一种基于多源融合算法的水面目标跟踪方法技术

本发明专利技术涉及多源数据融合处理领域，尤其为一种基于多源融合算法的水面目标跟踪方法，包括如下步骤：采集和预处理水面目标帧数据；改进检测器检测所有潜在目标作为检测结果；运用滤波器过滤掉偏离目标历史运动轨迹的检测目标，修正检测结果，获取当前帧检测目标的最终位置；通过关联算法检测检测器检测的目标与滤波器跟踪目标是否关联，并把相同目标进行融合。本发明专利技术通过改进检测器的损失函数参数对滤波器进行自适应性调整，更好的适应小尺度水面目标的检测要求，提高检测精度。通过关联算法检测检测框与追踪框的目标的关联概率，并设置关联门限，对检测结果进行识别融合，能够对误检、漏检的探测目标进行检测输出，提高检测效率，满足鲁棒性要求。满足鲁棒性要求。满足鲁棒性要求。

【技术实现步骤摘要】
一种基于多源融合算法的水面目标跟踪方法


[0001]本专利技术涉及多源数据融合处理领域，尤其是一种基于多源融合算法的水面目标跟踪方法。

技术介绍

[0002]近年来，漂浮物作为河道表观污染的重要源头，严重影响河道环境和河湖环境保护工作。减小漂浮物聚集量与滞留时长，加强漂浮物跟踪监测，是改善水环境生态质量的重要途径，也是积极落实“河湖长制”政策的技术手段。现阶段水面漂浮物检测跟踪方式包含了人工识别、遥感监测和机器视觉识别等，但是复杂水面环境存在漂浮物采样困难、自身形变、环境光照、遮挡以及监控摄像头位置固定等情况，易造成漂浮物漏检和跟踪失败等问题，难以适应精细化和高效率的漂浮物控制管理需求。因此，寻找一种高效、快捷的水面漂浮物检测跟踪方法是水污染治理亟需解决的问题之一。
[0003]现有技术中，往往通过传统图像处理和基于深度学习方法进行检测。前者主要基于水面环境前景和背景特征、滤波理论进行目标识别，具有检测识别速度快的优势，但易受到目标尺度小、光照变化大、遮挡、运动缓慢等复杂环境的干扰，造成误检、漏检等问题，难以满足鲁棒性要求。后者基于深度学习的目标检测算法利用多层卷积神经网络提取漂浮物特征，如FasterR
‑
CNN检测网络和数据增强方式用于水面物体检测和识别，精度较高但检测效率低。

技术实现思路

[0004]本专利技术的目的是通过提出一种基于多源融合算法的水面目标跟踪方法，以解决上述
技术介绍
中提出的缺陷。
[0005]本专利技术采用的技术方案如下：
[0006]提供一种基于多源融合算法的水面目标跟踪方法，包括如下步骤：
[0007]S1.1：采集水面目标帧数据，并对采集的图像帧数据进行预处理；
[0008]S1.2：改进SSD检测器检测出预处理后的图像帧数据中，将水面环境中包含的所有潜在目标作为检测结果；
[0009]S1.3：运用AF滤波器过滤掉偏离目标历史运动轨迹的检测目标，修正检测结果，获取当前帧检测目标的最终位置；
[0010]S1.4：通过关联算法检测S1.2中检测的目标与S1.3中跟踪目标是否关联，并把相同目标进行融合。
[0011]作为本专利技术的一种优选技术方案：所述S1.1中的预处理操作包括对图像帧的滤波和增强处理。
[0012]作为本专利技术的一种优选技术方案：所述S1.2中，构建SSD网络进行目标检测，采用置信度损失和回归损失作为改进SSD模型的损失函数。
[0013]作为本专利技术的一种优选技术方案：所述损失函数如下：
[0014][0015]式中，代表置信度损失，代表回归损失，表示检测框i与类别k的真实框h匹配成功，则匹配失败，N为检测框i与真实框h匹配成功的数量，c为类别置信度预测值，x为预测框与真实框之间的差距，l为预测框的所对应边界框的位置预测值，g为真实框的位置参数，α为权重系数。
[0016]作为本专利技术的一种优选技术方案：对SSD检测器的检测框与AF滤波器的追踪框进行目标融合，对检测的水面目标进行跟踪；定义目标b为SSD检测器检测的水面目标，目标a为AF滤波器追踪的水面目标，目标a来源于目标b，特别的是当b＝0时，表示目标a来源于无关联目标。
[0017]作为本专利技术的一种优选技术方案：定义条件概率：
[0018]β
ab
(t)＝P{θ
ab
(t)|Z
t
}，a＝1,2,
…
,m
t
,b＝1,2,
…
,B
[0019]其中，β
ab
(t)、P{θ
ab
(t)|Z
t
}为目标a与目标b在t时刻关联的概率，Z
t
表示前t时刻内目标b的量测集；
[0020]其中：
[0021][0022]β
0b
(t)代表t时刻目标b检漏的概率。
[0023]作为本专利技术的一种优选技术方案：第c个联合事件定义为：
[0024][0025]θ
c
(t)表示m
t
个量测事件的交集，表示目标a与目标b在t时刻关联的第c个事件。
[0026]作为本专利技术的一种优选技术方案：第d个量测与目标互联的概率为：
[0027][0028]式中，事件表示量测d来自目标b，n
t
是联合事件总数，θ
ab
(t)为其中的第c个联合事件。
[0029]作为本专利技术的一种优选技术方案：得到目标t在k时刻的状态估计：
[0030][0031]其中,表示在t时刻第a个量测对目标b的状态估计。
[0032]作为本专利技术的一种优选技术方案：联合概率互联算法通过设置关联概率门限来设置目标关联性的门限，当计算值小于门限值时，认为检测的不为同一目标，对该目标进行输
出并判断，当计算值大于门限值时，认为检测到同一目标，并选取置信度大的目标作为最终目标。
[0033]本专利技术提供的基于多源融合算法的水面目标跟踪方法，与现有技术相比，其有益效果有：
[0034]本专利技术通过改进SSD检测器，通过改变损失函数的参数对滤波器进行自适应性调整，能够更好的适应小尺度水面目标的检测要求，提高了检测精度。通过关联算法检测SSD检测器的检测框与AF滤波器的追踪框的探测目标的关联概率，并设置关联门限，对检测结果进行识别融合，能够对误检、漏检的探测目标进行检测输出，提高了检测效率，满足了鲁棒性要求。
附图说明
[0035]图1为本专利技术优选实施例的方法流程图。
具体实施方式
[0036]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]参照图1，本专利技术优选实施例提供了一种基于多源融合算法的水面目标跟踪方法，包括如下步骤：
[0038]S1.1：采集水面目标帧数据，并对采集的图像帧数据进行预处理；
[0039]S1.2：改进SSD检测器检测出预处理后的图像帧数据中，将水面环境中包含的所有潜在目标作为检测结果；
[0040]S1.3：运用AF滤波器过滤掉偏离目标历史运动轨迹的检测目标，修正检测结果，获取当前帧检测目标的最终位置；
[0041]S1.4：通过关联算法检测S1.2中检测的目标与S1.3中跟踪目标是否关联，并把相同目标进行融合。
[0042]所述S1.1中的预处理操作包括对图像帧的滤波和增强处理。
[0043]所述S1.2中，构建SSD网络进行目标检测，采用置信度损失和回归损失作为改进SSD模型的损失函数。
[0044]所述损失函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源融合算法的水面目标跟踪方法，其特征在于：包括如下步骤：S1.1：采集水面目标帧数据，并对采集的图像帧数据进行预处理；S1.2：改进SSD检测器检测出预处理后的图像帧数据中，将水面环境中包含的所有潜在目标作为检测结果；S1.3：运用AF滤波器过滤掉偏离目标历史运动轨迹的检测目标，修正检测结果，获取当前帧检测目标的最终位置；S1.4：通过关联算法检测S1.2中检测的目标与S1.3中跟踪目标是否关联，并把相同目标进行融合。2.根据权利要求1所述的基于多源融合算法的水面目标跟踪方法，其特征在于：所述S1.1中的预处理操作包括对图像帧的滤波和增强处理。3.根据权利要求1所述的基于多源融合算法的水面目标跟踪方法，其特征在于：所述S1.2中，构建SSD网络进行目标检测，采用置信度损失和回归损失作为改进SSD检测器的损失函数。4.根据权利要求1所述的基于多源融合算法的水面目标跟踪方法，其特征在于：所述损失函数如下：式中，代表置信度损失，代表回归损失，表示检测框i与类别k的真实框j匹配成功，则匹配失败，N为检测框i与真实框j匹配成功的数量，c为类别置信度预测值，x为预测框与真实框之间的差距，l为预测框的所对应边界框的位置预测值，g为真实框的位置参数，α为权重系数。5.根据权利要求1所述的基于多源融合算法的水面目标跟踪方法，其特征在于：对SSD检测器的检测框与AF滤波器的追踪框进行目标融合，对检测的水面目标进行跟踪；定义目标b为SSD检测器检测的水面目标，目标a为AF滤波器追踪的水面目标，目标a来源于目标b，特别的是当b＝0时，表示目标a来源于无关联目标。6.根据权利要求1所述的基于多源融合算法的水面目标跟踪方法，其特征在于：定义条件概率：β

【专利技术属性】
技术研发人员：母海方，
申请(专利权)人：浙江北鲲智能科技有限公司，
类型：发明
国别省市：