[發(fā)明專利]一種用于視頻中船舶目標跟蹤的方法在審
| 申請?zhí)枺?/td> | 202110086344.9 | 申請日: | 2021-01-22 |
| 公開(公告)號: | CN112767445A | 公開(公告)日: | 2021-05-07 |
| 發(fā)明(設計)人: | 王捷;陳婧雪 | 申請(專利權)人: | 東南大學 |
| 主分類號: | G06T7/246 | 分類號: | G06T7/246;G06T7/277;G06N3/04;G06N3/08 |
| 代理公司: | 南京瑞弘專利商標事務所(普通合伙) 32249 | 代理人: | 秦秋星 |
| 地址: | 211102 江*** | 國省代碼: | 江蘇;32 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 用于 視頻 船舶 目標 跟蹤 方法 | ||
本發(fā)明公開了一種用于視頻中船舶目標跟蹤的方法,在一個實施例中,針對水面監(jiān)控視頻中船舶跟蹤設計包括如下步驟:使用基于深度學習的檢測器產(chǎn)生當前幀的船舶目標框和船舶類別,使用triplet loss訓練的卷積神經(jīng)網(wǎng)絡提取目標框內(nèi)特征;計算當前幀的檢測和現(xiàn)存軌跡的類別代價;計算當前幀的檢測和現(xiàn)存軌跡的深度特征代價;計算當前幀的檢測和現(xiàn)存軌跡預測位置代價;計算當前幀的目標框與軌跡預測目標框的交并比代價;使用上述四種代價對當前幀的檢測與現(xiàn)存軌跡進行匹配;對未能與現(xiàn)存軌跡匹配上的檢測生成新軌跡,刪去持續(xù)一定次數(shù)仍未能與檢測匹配上的軌跡。具有結合多種特征、充分考慮船舶跟蹤中運動遮擋狀態(tài)的優(yōu)點。
技術領域
本發(fā)明涉及一種用于視頻中船舶目標跟蹤技術,屬于船舶交通監(jiān)管技術領域。
背景技術
目前的船舶交通管理系統(tǒng)(VTS)主要是依靠AIS和雷達進行船舶的跟蹤。但是目前這兩種傳感器依然存在一定的缺陷。A類AIS僅在載重300噸及以上的船舶中規(guī)定安裝,因此容易造成中小型船舶的漏檢,且根據(jù)船舶運動狀態(tài)的變化,信息更新速率從2s~3min不等,信息更新速率較慢。雷達受海浪雜波、雨雪天氣的影響較大,且距離誤差較大,IMO規(guī)定船用雷達的測距誤差不能超過最大量程的1.5%且不能超過70m,雷達信息更新速率為2s~4s。而VTS中的高清攝像頭能夠采集豐富的信息,且具有信息更新速率遠大于AIS和雷達的優(yōu)點。結合攝像機標定技術,攝像頭也能夠像AIS與雷達一樣給出地平線上目標的真實世界坐標。隨著視頻處理技術的發(fā)展,現(xiàn)在的圖像識別技術已經(jīng)能夠快速準確地檢測到視頻幀的船舶并生成目標框和標簽,但是傳統(tǒng)的基于Kalman濾波器的跟蹤方法只能利用目標的位置信息,不能充分利用視頻提供的信息,因此有必要為視頻船舶設計一種準確的跟蹤方案。
發(fā)明內(nèi)容
技術問題:鑒于傳統(tǒng)的基于Kalman濾波器的跟蹤方法不能充分利用視頻所提供的信息,因本發(fā)明的目的是為船舶視頻提供一種能夠充分利用視頻信息,達到高準確率的船舶跟蹤方法。
技術方案:為了實現(xiàn)以上目的,本發(fā)明采用如下技術方案:
得到當前視頻幀的船舶目標數(shù)目N及各目標對應的檢測框和標簽,并用訓練好的卷積神經(jīng)網(wǎng)絡分別提取每個檢測的深度特征;對于N個目標和現(xiàn)存的M個軌跡,計算每一個檢測-軌跡對的匹配代價作為代價矩陣,其中代價矩陣由標簽代價、深度特征代價、位置代價和交并比代價構成,代價矩陣初始化為一個全為NaN的N*M矩陣,用余弦距離計算檢測-軌跡對的標簽代價,對于標簽代價小于閾值的檢測-軌跡對計算深度特征代價,對于深度特征代價小于閾值的檢測-軌跡對計算位置代價,代價矩陣相應位置更新為三種代價之和;對于上述三種代價有任一種大于閾值的軌跡-檢測對計算帶閾值的交并比代價,代價矩陣相應位置更新為帶閾值的交并比代價;根據(jù)代價矩陣,用全局最近鄰進行目標與軌跡匹配;對于所有的現(xiàn)存軌跡,使用Kalman濾波器預測它們下一幀的狀態(tài)。
作為一種優(yōu)選實施方式,Kalman濾波器可以替換為具有恒定加速度的EKF。
有益效果:和以往基于Kalman濾波器的跟蹤方式相比,本發(fā)明充分利用了視頻所能夠提供的信息,包括船舶的標簽信息、船舶目標的深度特征信息和船舶目標的位置信息,并且對用于匹配的每一種代價都設置相應的閾值,對超過閾值的檢測-軌跡對計算交并比,有效的防止錯誤匹配,以及運動遮擋時冗余軌跡的產(chǎn)生。
附圖說明
圖1是根據(jù)本發(fā)明實施例的流程圖;
圖2是代價矩陣的計算流程圖;
圖3是標簽代價;
圖4是提取目標深度特征的卷積神經(jīng)網(wǎng)絡結構;
圖5是傳統(tǒng)的基于Kalman的跟蹤方法的結果;
圖6是本申請的方案得到的跟蹤結果。
具體實施方式
下面結合附圖對本發(fā)明的技術方案作進一步說明。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于東南大學,未經(jīng)東南大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110086344.9/2.html,轉載請聲明來源鉆瓜專利網(wǎng)。





