[发明专利]基于视频分析和定位信息结合的航空器持续跟踪方法

说明书

本发明涉及一种基于视频分析和定位信息结合的航空器持续跟踪方法，其依据目标航空器定位信息计算获得目标航空器在视频图像中的图像坐标，依据监视视频对目标航空器进行单目标跟踪，将两者进行比对，如两者间距持续超出有效跟踪阈值则认为单目标跟踪丢失目标，确认单目标跟踪丢失目标后，以目标航空器在视频图像中的图像坐标点为中心点，依据该图像坐标点的有效跟踪范围确定搜索框进行目标航空器的重识别，优选采用HOG特征作为目标航空器检测的特征描述子，采用DSST算法计算获得跟踪滤波器的位置模型和尺度模型。本发明能够及时判断出目标航空器的丢失，且找回丢失目标的数据处理量少，主要可用于航空器等目标的持续跟踪及其类似场合。

技术领域

本发明涉及一种基于视频分析和定位信息结合的航空器持续跟踪方法，属视频监控和计算机信息技术，主要可用于航空器等目标的持续跟踪及其类似场合。

背景技术

现有航空器持续跟踪技术主要有两类：一类是基于已有的航空器定位信息，将定位信息采用的航空器经纬度映射到航空器监视或跟踪系统的图像坐标，由此实现航空器的识别和跟踪，航空器的经纬度信息(定位信息)可以通过多种方法获得，例如场面监视雷达(SSR)、广播式自动相关监视(ADS-B)、多基站定位系统(Multilateration)等；另一类则基于对航空器监视或跟踪系统视频分析，通过视频分析实现航空器的识别和跟踪，目前对于基于视频分析的单目标跟踪主要有两大技术路线，一种是基于生成模型的方法，一种是基于判别模型的方法，其中基于生成模型的方法指在当前视频帧对目标区域建模，在下一视频帧寻找与模型最相似的区域就是指定跟踪目标的预测位置，主要的方法包括卡尔曼滤波、粒子滤波、mean-shift和ASMS等；基于判别模型的方法则是基于图像特征和机器学习方法的结合，在当前视频帧以目标区域为正样本，背景区域为负样本，运用机器学习方法训练分类器，在下一视频帧用训练好的分类器找最优区域，主要的方法包括经典行人检测(HOG特征与SVM分类器结合)、Struck(haar特征与结构化输出的SVM分类器)、TLD和DAT等，以及深度学习的方法，例如MDNet、TCNN、SiamFC、GOTURN和DLT等。

上述各种方法分别在各自适应的场合和要求下得到应用，但依然存在各自的缺陷。例如，基于已有航空器定位信息的方法因定位信息更新频率较低，定位精度低等原因，应用场合受到很大的限制，无法满足航空器挂牌等实际要求。而基于航空器监视或跟踪系统视频分析的方法则面临几大难点：目标外观变形、目标光照变化、目标快速运动以及运动模糊、目标与背景相似干扰、目标在平面外旋转、目标在平面内旋转、目标的尺度变化、目标被遮挡和目标移动出视野等等。这些技术难点都会造成选定的跟踪目标丢失，即跟踪框与视频中的实际目标分离，影响实际推广利用。

目前面对丢失问题最先需要处理的问题是：如何判断目标跟踪的丢失以及丢失时刻，然而目前现有的所有算法中，没有一种算法可以真正判断出到底何时目标发生了丢失。现有技术通常是把跟踪框在视频中消失认为是目标丢失，这种情况可以采用目标重识别将丢失的目标找回，例如利用目标消失前记录下跟踪目标的特征，在目标消失后在视频做全局目标检测，然后对检测出的目标进行特征匹配，匹配成功可以认为目标被找回，由于现有目标重识别算法都是基于整张视频图像进行滑动窗口的区域选择策略，没有针对性，时间复杂度高，窗口冗余；即使基于深度学习的目标检测也需要对整张视频图像进行目标检测，速度较慢。特别是，现实中绝大部分的目标丢失情况是跟踪框仍然在画面中，但不在目标的实际位置上，造成虚假跟踪，这种目标丢失比跟踪框消失的危害性更大，难以发现和纠正，现有技术尚不能判断和纠正这种跟踪框存在情况下的目标丢失。

发明内容

为解决上述技术问题，本发明提供了一种基于视频分析和定位信息结合的航空器持续跟踪方法，这种方法能够及时判断出目标航空器的丢失，且找回丢失目标的数据处理量少。