[发明专利]一种视频卫星的点目标跟踪方法

摘要

本发明涉及一种视频卫星的点目标跟踪方法。本发明引入朴素贝叶斯分类器的思想，不依赖目标的任何先验概率，在运动平滑性约束下，利用灰度相似性特征来表达描述目标的似然度，并根据独立假设的贝叶斯定理，建立简化的分类器条件概率修正模型，通过该模型估计目标的后验概率，从而实现目标跟踪。同时，采用卡尔曼滤波辅助、优化跟踪处理，提高算法的鲁棒性。

主权项

1.一种视频卫星的点目标跟踪方法，其特征在于，包括如下步骤：/n步骤1，读取卫星视频序列；/n步骤2，在第一帧中，针对要跟踪的模板目标，记录目标矩形区域的位置以及宽、高，从第二帧开始，以窗口滑动的方式在上一帧目标中心邻域内建立待判断ROI图像目标集，记录每个待判断目标集的中心点坐标，并编号；/n步骤3，获得待判断目标集的运动平滑性约束概率，对运动平滑性约束概率满足条件的待判断目标集保留，并计算保留的待判断目标集对应的灰度相似性概率，从而构建目标跟踪的条件概率模型，具体实现方式如下：/n步骤3.1，计算所有待判断ROI图像目标集的运动平滑性约束概率，平滑性约束概率包括目标运动大小的相似度概率和运动方向的相似度概率，/n其中，运动平滑特性中目标运动大小的相似度概率计算如下，/nDis＝abs(Dis(Obj_k,Obj_k-1)-Dis(Obj_k-1,Obj_k-2)) (4)/nP(Dis|Obj)＝1/(1+Dis) (5)/n式中的Dis表示运动平滑特性中目标运动大小的度量，abs表示绝对值，Obj_k表示第k帧中待判断目标的中心点坐标，Obj_k-1表示第k-1帧的跟踪目标中心点坐标，Obj_k-2表示第k-2帧的跟踪目标中心点坐标，Dis(Obj_k,Obj_k-1)表示Obj_k和Obj_k-1之间的欧式距离，Dis(Obj_k-1,Obj_k-2)表示Obj_k-1和Obj_k-2之间的欧式距离，Obj代表目标；/n运动平滑特性中目标运动方向的相似度概率计算如下，/nCos＝cos(A(Obj_k,Obj_k-1),B(Obj_k-1,Obj_k-2)) (6)/nP(Cos|Obj)＝0.5+0.5Cos (7)/n式中的Cos表示运动平滑特性中目标运动方向的度量，Obj_k表示第k帧中待判断目标的中心点坐标，Obj_k-1表示第k-1帧的跟踪目标中心点坐标，Obj_k-2表示第k-2帧的跟踪目标中心点坐标，A(Obj_k,Obj_k-1)表示由Obj_k和Obj_k-1构成的向量，B(Obj_k-1,Obj_k-2)表示由Obj_k-1和Obj_k-2构成的向量，cos表示余弦；/n将P(Cos|Obj)＞T₁且P(Dis|Obj)＞T₂的待判断目标进行保留，其中T₁、T₂表示平滑约束的两个阈值；/n步骤3.2，计算步骤3.1中保留下来的待判断目标的灰度相似性概率，灰度相似性概率包括灰度相关系数似然度概率和HU不变矩似然度概率，/n其中，灰度相关系数似然度概率计算如下，/n /n /n式中NCC表示目标的灰度相关系数的度量，i、j表示矩形ROI的行、列号，表示第k-1帧处理后得到的模板目标ROI，表示第k帧待判断目标矩形ROI；/nHU不变矩似然度概率计算如下，/nCos_HU＝cos(M_T,M_S) (10)/nP(HU|Obj)＝0.5+0.5Cos_HU (11)/n式中HU表示目标的HU不变矩的度量，M_T、M_S分别表示目标模板图像和待判断ROI图像的7个HU不变矩参数组成的7维向量；/n根据步骤3.1和3.2，目标跟踪的条件概率模型表达为，/nP₁(Obj|NCC·HU)＝P(NCC|Obj)P(HU|Obj)P(Obj) (2)/nP₂(Obj|Cos·Dis)＝[P(Cos|Obj)＞T₁][P(Dis|Obj)＞T₂]P(Obj) (3)/n其中，P₁表示灰度相似性概率，P₂表示运动平滑性约束概率，上式中的P(Obj)可忽略不计；/n步骤4，取步骤3计算得灰度相似性概率的最大值对应的待判断目标作为跟踪结果，当前帧处理结束后，进入下一帧处理。/n