[发明专利]一种基于图像叠加的船舶轨迹预测方法

摘要

本发明公开了一种基于图像叠加的船舶轨迹预测方法。本方法首先用视频拍摄下船舶的海上航行，提取视频中的每一帧的序列图，选取一个时间段，把这个时间段内的每一帧的图像进行叠加压缩到一张图像上去，然后对图像进行处理，提取特征信息，轨迹信息，重复多次。然后将每一张压缩的图像作为新的轨迹数据集，再用卡尔曼滤波进行预测。本发明将每一段时间内的序列图进行叠加，在提取目标轮廓特征，从而使得从每一帧的目标点变为每一段时间的目标轨迹，使得在使用卡尔曼滤波方法进行轨迹预测的时候，轨迹信息更加全面，预测效果更好。

主权项

1.一种基于图像叠加的船舶轨迹预测方法，其特征在于，该方法具体包括以下步骤：步骤一、首先用视频拍摄下船舶的海上航行，从视频中提取出每一帧的序列图，同时对图像进行预处理；步骤二、选取n个时间段，令每个时间段内的时间为Δt，从Δt时间段内选取m帧图像，记为frame₁，frame₂，…frame_m；步骤三、选取当前的时间段的图像记为frame_s，其中s＝1，2，…，m；计算frame_s的灰度直方图，找到所有船只目标，共m个，用外接的矩形标记所有船只，以图像的长宽作为坐标轴，外接矩形左上角(x_1s，y_1s)，右下角(x_2s，y_2s)，取其中frame₁的图像计算出外接矩形以外的背景图像，记为back₁；因为frame₁中外接矩形的坐标为(x₁₁，y₁₁)和(x₂₁，y₂₁)，在frame_m图像中取(x₁₁，y₁₁)和(x₂₁，y₂₁)坐标范围内的灰度值生成背景图像back₂，将back₁和black₂合并生成新的背景图像back；步骤四、将每一个Δt时间内的m个图像进行叠加操作，将图像上每个坐标点的灰度值相加，得到图像amage₁，将图像back中每一点的灰度值乘以m‑1，得到图像amage₂，用amage₁中每一点的坐标值减去amage₂图像中相应位置的灰度值，得到图像amage；步骤五、在amage中提取这m个船只目标的矩形标记的中心点，将其放入到直角坐标系中，即得到m个坐标点，因为在海上航行时，船只的方向转动在短时间内变化幅度小，即在Δt时间段内船只的移动近似看作为一条直线，所以由这m个坐标点连成一条向量线段，得到a、l、θ；其中a为线段的初始点的坐标，l为线段长度，θ为矢量角度；对欧式空间的二维平面x轴和y轴的方向进行建模，利用两个方向上的矢量数据表示轨迹数据：T＝{T₁，T₂，…T_n}＝{(a₁，l₁，θ₁)，(a₂，l₂，θ₂)…，(a_n，l_n，θ_n)}步骤六、利用卡尔曼滤波进行轨迹预测6.1、卡尔曼滤波通过系统输入输出观测数据对系统的状态进行最优估计，其动态轨迹预测的状态方程和观测方程为：X(t+1)＝A(t)X(t)+T(t)W(t)   (1)Z(t)＝H(t)X(t)+V(t)   (2)其中X(t)表示系统的状态向量，描述了在t时刻下运动对象状态矢量；A(t)表示状态转移矩阵，用于描述由前一时刻到当前时段下的运动状态转移方式；T(t)表示干扰转移矩阵；W(t)表示运动模型的系统状态噪声，其统计特性和白噪声或高斯噪声相似；Z(t)表示观测向量，描述了t时段的观测值；H(t)为观测矩阵，V(t)为运动估计过程中产生的观测噪声；其中t为n个时间段中的一个时间段，t＝0，1，…，n；6.2、选择船只的航行速度为v，由图像中得到的a、l、θ是系统观测到的轨迹值，a′、l′、θ′则表示系统的状态变量，是a、l、θ的最优估计值，即预测后的修正值，X(t)＝(v a′ l′ θ′)^T，Z(t)＝(a l θ)^T，设A(t)，H(t)的初始化为：H(t)是单位矩阵；6.3、假设系统噪声W(t)与观测噪声V(t)是相互独立的高斯白噪声，其协方差分别是Q(t)和R(t)，其统计特性为：E[W(t)V(t)^T]＝0基于前t个观测值得出t时段下的最优状态估计X′(t)，计算最小方差的计算策略为：J＝E[(X(t)‑X′(t))(X(t)‑X′(t))^T]   (3)随机线性离散卡尔曼滤波的周期过程中的时间更新公式为：X(t+1，t)＝A(t)X(t，t)Z(t+1，t)＝H(t)X(t+1，t)   (4)同时更新当前预测状态的协方差P(t+1，t)；观测更新方程为：B(t+1)＝Z(t+1)‑Z(t+1，t)X(t+1，t+1)＝X(t+1)+K(t+1)B(t+1)   (5)K为滤波增益矩阵，其公式为：P(t+1，t)＝A(t)P(t，t)A(t)^T+T(t)Q(t)T(t)^TS(t+1)＝H(t+1)P(t+1，t)H(t+1)^T+R(t+1)K(t+1)＝P(t+1，t)H(t+1)^TS(t+1)^‑1   (6)其中，K(t)为滤波增益矩阵，Q(t)表示系统噪声W(t)的对称非负定方差矩阵，R(t)是观测噪声V(t)的对称正定方差矩阵，P(t，t)为误差方差阵，P(t+1，t)为预测状态X(t+1，t)的误差方差阵；6.4、预测过程中，根据上面的滤波过程得到的初始状态估计值以及协方差阵以及公式(7)，得到增益矩阵K(t)；K(t)＝A(t)P(t，t‑1)H(t)^T[H(t)P(t，t‑1)H(t)^T‑R(t)]^‑1   (7)6.5、所以下一时刻的预测值X(t+1，t)和更新估计误差方阵P(t+1，t)为：X(t+1，t)＝A(t)X(t，t‑1)+K(t)[Z(t)‑H(t)X(t，t‑1)   (8)P(t+1，t)＝A(t)P(t，t‑1)A(t)^T‑A(t)P(t，t‑1)A(t)^T*[H(t)P(t，t‑1)H(t)^T+R(t)]^‑1H(t)P(t，t‑1)H(t)^T+T(t)Q(t)T(t)^T   (9)根据步骤六，迭代n次即可完成n步的预测。