船舶目標(biāo)跟蹤過(guò)程信息智能過(guò)濾算法
發(fā)布時(shí)間：2021-10-10 12:12
現(xiàn)有的船舶目標(biāo)跟蹤信息智能過(guò)濾算法對(duì)于障礙物遮擋的信息過(guò)濾量小,因此設(shè)計(jì)一種船舶目標(biāo)跟蹤過(guò)程信息智能過(guò)濾算法。引入邊緣算子,并調(diào)整各個(gè)算子的權(quán)重,完成船舶目標(biāo)狀態(tài)信息的采集,提取跟蹤目標(biāo)的運(yùn)動(dòng)特征,并通過(guò)歐氏距離的解析式對(duì)船舶運(yùn)動(dòng)特征進(jìn)行降維,利用光流法的搜索模板定位最佳目標(biāo)匹配點(diǎn),完成船舶目標(biāo)跟蹤過(guò)程信息智能過(guò)濾算法的設(shè)計(jì)。在實(shí)驗(yàn)中,分別利用現(xiàn)有算法和設(shè)計(jì)的算法,對(duì)某行駛中的目標(biāo)船舶進(jìn)行遮擋信息過(guò)濾,結(jié)果顯示,設(shè)計(jì)的算法中過(guò)濾掉的障礙物信息占比平均值比傳統(tǒng)算法高出64%,驗(yàn)證了設(shè)計(jì)算法的有效性。
【文章來(lái)源】：艦船科學(xué)技術(shù). 2019,41(24)北大核心
【文章頁(yè)數(shù)】：3 頁(yè)
【部分圖文】：
邊緣算子工作結(jié)構(gòu)框圖Fig.1Blockdiagramofworkingstructureofedgeoperator
(4)D(x,y)mnSD(x,y)為目標(biāo)信息與最佳匹配點(diǎn)之間的相關(guān)性，為實(shí)時(shí)子區(qū)圖像目標(biāo)的起始點(diǎn)，為實(shí)時(shí)子區(qū)圖像目標(biāo)的終點(diǎn)，代表兩點(diǎn)距離。利用提供的搜索模板與實(shí)時(shí)子區(qū)圖像的圖像信息，搭配上述公式進(jìn)行更新，設(shè)定搜索區(qū)域，判斷目標(biāo)之間是否存在遮擋信息。當(dāng)?shù)闹递^小，說(shuō)明二者之間沒(méi)有遮擋信息或遮擋性信息較少；反之則需要對(duì)重疊信息進(jìn)行判斷，最終尋找到最佳觀測(cè)匹配信息，實(shí)現(xiàn)目標(biāo)船舶遮擋物信息的智能過(guò)濾。圖1邊緣算子工作結(jié)構(gòu)框圖Fig.1Blockdiagramofworkingstructureofedgeoperator圖2圖像歐氏距離Fig.2ImageEuclideandistance第41卷賈家新：船舶目標(biāo)跟蹤過(guò)程信息智能過(guò)濾算法·53·
惴╗J].激光與光電子學(xué)進(jìn)展,2017(9):157–167.[4]表1實(shí)驗(yàn)參數(shù)Tab.1Experimentalparameters序號(hào)項(xiàng)目參數(shù)1視頻大小352×2882視頻格式AVI格式3積分窗口11×11（5個(gè)像素）4迭代次數(shù)K20次5目標(biāo)模板更新時(shí)間T1s6需要剔除障礙物的區(qū)域4080表2障礙物信息過(guò)濾結(jié)果分析Tab.2Analysisofobstacleinformationfilteringresults幀數(shù)傳統(tǒng)算法障礙物信息過(guò)濾占比本文算法障礙物信息過(guò)濾占比第30幀098%第40幀43%96%第50幀44%98%第60幀49%100%平均值34%98%圖3信息智能過(guò)濾算法流程圖Fig.3Informationintelligentfilteringalgorithmflowchart圖4光流法搜索模板Fig.4Opticalflowsearchtemplate·54·艦船科學(xué)技術(shù)第41卷
【參考文獻(xiàn)】：
期刊論文
[1]基于自控蝙蝠算法智能優(yōu)化粒子濾波的機(jī)動(dòng)目標(biāo)跟蹤方法[J]. 陳志敏,吳盤(pán)龍,薄煜明,田夢(mèng)楚,岳聰,顧福飛. 電子學(xué)報(bào). 2018(04)
[2]顯著度目標(biāo)示性及背景自適應(yīng)約束的目標(biāo)跟蹤算法[J]. 王婧,朱虹. 模式識(shí)別與人工智能. 2017(10)
[3]基于隱馬爾可夫模型和分塊特征匹配的目標(biāo)跟蹤算法[J]. 陸兵,顧蘇杭. 激光與光電子學(xué)進(jìn)展. 2017(09)
博士論文
[1]單目視頻中目標(biāo)的三維運(yùn)動(dòng)跟蹤方法研究[D]. 陳偉.華南理工大學(xué) 2017
本文編號(hào)：3428354
【文章來(lái)源】：艦船科學(xué)技術(shù). 2019,41(24)北大核心
【文章頁(yè)數(shù)】：3 頁(yè)
【部分圖文】：
邊緣算子工作結(jié)構(gòu)框圖Fig.1Blockdiagramofworkingstructureofedgeoperator
(4)D(x,y)mnSD(x,y)為目標(biāo)信息與最佳匹配點(diǎn)之間的相關(guān)性，為實(shí)時(shí)子區(qū)圖像目標(biāo)的起始點(diǎn)，為實(shí)時(shí)子區(qū)圖像目標(biāo)的終點(diǎn)，代表兩點(diǎn)距離。利用提供的搜索模板與實(shí)時(shí)子區(qū)圖像的圖像信息，搭配上述公式進(jìn)行更新，設(shè)定搜索區(qū)域，判斷目標(biāo)之間是否存在遮擋信息。當(dāng)?shù)闹递^小，說(shuō)明二者之間沒(méi)有遮擋信息或遮擋性信息較少；反之則需要對(duì)重疊信息進(jìn)行判斷，最終尋找到最佳觀測(cè)匹配信息，實(shí)現(xiàn)目標(biāo)船舶遮擋物信息的智能過(guò)濾。圖1邊緣算子工作結(jié)構(gòu)框圖Fig.1Blockdiagramofworkingstructureofedgeoperator圖2圖像歐氏距離Fig.2ImageEuclideandistance第41卷賈家新：船舶目標(biāo)跟蹤過(guò)程信息智能過(guò)濾算法·53·
惴╗J].激光與光電子學(xué)進(jìn)展,2017(9):157–167.[4]表1實(shí)驗(yàn)參數(shù)Tab.1Experimentalparameters序號(hào)項(xiàng)目參數(shù)1視頻大小352×2882視頻格式AVI格式3積分窗口11×11（5個(gè)像素）4迭代次數(shù)K20次5目標(biāo)模板更新時(shí)間T1s6需要剔除障礙物的區(qū)域4080表2障礙物信息過(guò)濾結(jié)果分析Tab.2Analysisofobstacleinformationfilteringresults幀數(shù)傳統(tǒng)算法障礙物信息過(guò)濾占比本文算法障礙物信息過(guò)濾占比第30幀098%第40幀43%96%第50幀44%98%第60幀49%100%平均值34%98%圖3信息智能過(guò)濾算法流程圖Fig.3Informationintelligentfilteringalgorithmflowchart圖4光流法搜索模板Fig.4Opticalflowsearchtemplate·54·艦船科學(xué)技術(shù)第41卷
【參考文獻(xiàn)】：
期刊論文
[1]基于自控蝙蝠算法智能優(yōu)化粒子濾波的機(jī)動(dòng)目標(biāo)跟蹤方法[J]. 陳志敏,吳盤(pán)龍,薄煜明,田夢(mèng)楚,岳聰,顧福飛. 電子學(xué)報(bào). 2018(04)
[2]顯著度目標(biāo)示性及背景自適應(yīng)約束的目標(biāo)跟蹤算法[J]. 王婧,朱虹. 模式識(shí)別與人工智能. 2017(10)
[3]基于隱馬爾可夫模型和分塊特征匹配的目標(biāo)跟蹤算法[J]. 陸兵,顧蘇杭. 激光與光電子學(xué)進(jìn)展. 2017(09)
博士論文
[1]單目視頻中目標(biāo)的三維運(yùn)動(dòng)跟蹤方法研究[D]. 陳偉.華南理工大學(xué) 2017
本文編號(hào)：3428354
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/3428354.html
最近更新
教材專(zhuān)著
