详情

原文传递一种基于鲁棒性数据关联的多船舶目标检测与跟踪方法

专利名称：	一种基于鲁棒性数据关联的多船舶目标检测与跟踪方法
摘要：	本发明公开了一种基于鲁棒性数据关联的多船舶目标检测与跟踪方法，包括以下步骤：基于鲁棒性数据关联度量的损失函数，构建目标检测模型并训练；获取海事视频，基于训练后的目标检测模型对海事视频进行检测，获得船舶目标的检测结果；设计状态预测算法，基于所述状态预测算法获得船舶目标的预测结果；构建跟踪匹配策略，获取所述检测结果和预测结果的鲁棒性数据关联度量，进而获得相似度矩阵；将所述相似度矩阵输入到匈牙利算法中，获得船舶目标跟踪结果。本发明提出的多船舶目标检测与跟踪方法更稳定，更简单，精度更高，适用于多船舶跟踪问题。
专利类型：	发明专利
国家地区组织代码：	黑龙江;23
申请人：	哈尔滨工程大学
发明人：	邢向磊;赵宏宇;魏功铭;肖阳;雷震
专利状态：	有效
申请日期：	2023-08-07T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202310983360.7
公开号：	CN117011768A
代理机构：	北京东方盛凡知识产权代理有限公司
代理人：	牛娟妮
分类号：	G06V20/40;G06V20/70;G06V10/774;G06T7/246;G06T7/277;G06F17/16;G;G06;G06V;G06T;G06F;G06V20;G06V10;G06T7;G06F17;G06V20/40;G06V20/70;G06V10/774;G06T7/246;G06T7/277;G06F17/16
申请人地址：	150001 黑龙江省哈尔滨市南岗区南通大街145号
主权项：	1.一种基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，包括以下步骤：基于鲁棒性数据关联度量的损失函数，构建目标检测模型并训练；获取海事视频，基于训练后的目标检测模型对海事视频进行检测，获得船舶目标的检测结果；设计状态预测算法，基于所述状态预测算法获得船舶目标的预测结果；构建跟踪匹配策略，获取所述检测结果和预测结果的鲁棒性数据关联度量，进而获得相似度矩阵；将所述相似度矩阵输入到匈牙利算法中，获得船舶目标跟踪结果。 2.根据权利要求1所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，鲁棒性数据关联度量的损失函数的构建包括：基于船舶目标的检测结果和预测结果，获取包含所述检测结果和预测结果的最小凸形；获取所述检测结果和预测结果分别与最小凸形的比值并进行排序，选取比值最小值赋值给鲁棒性数据关联度量，进而获得基于鲁棒性数据关联度量的损失函数。 3.根据权利要求1所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，对所述目标检测模型进行训练的过程包括：将获取的海事视频标注为检测数据集，并对所述检测数据集进行数据增强的处理；基于处理后的检测数据集对目标检测模型进行训练。 4.根据权利要求1所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，设计状态预测算法的过程包括：获取海事视频中每帧图像内的船舶目标的边界框，基于卡尔曼滤波算法，获取预设时刻的过程噪声和系统的状态转移矩阵，构建所述边界框的运动状态方程；基于所述边界框的运动状态方程，预设时刻的下一时刻的测量噪声和观测矩阵，获得系统的观测方程，进而得到状态预测算法。 5.根据权利要求4所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，获得船舶目标的预测结果的过程包括：获取初始误差协方差估计和初始目标状态空间的后验估计，基于所述状态预测算法分别获得误差协方差的先验估计和预设时刻的目标状态的先验估计，即船舶目标的预测结果；基于所述误差协方差的先验估计，获得最优卡尔曼增益，基于所述最优卡尔曼增益将船舶目标的预测结果与实际检测结果进行数据融合，通过迭代更新获得预设时刻的下一时刻的目标状态空间的后验估计；然后将所述下一时刻的目标状态空间的后验估计输入到所述边界框的运动状态方程，继续获得接下来时刻的目标状态空间的先验估计，如此迭代更新，直至获得最终的船舶目标的预测结果。 6.根据权利要求4所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，构建跟踪匹配策略的过程包括：预设船舶跟踪框架，基于训练好的目标检测模型检测所述海事视频预设时刻的图像，并基于检测结果初始化卡尔曼滤波器，基于初始化后的卡尔曼滤波器设计状态预测算法，进而获得预设时刻下一时刻的船舶目标的预测结果。 7.根据权利要求1所述的基于鲁棒性数据关联的多船舶目标检测与跟踪方法，其特征在于，获得船舶目标跟踪结果的过程还包括：设计目标消失的停止跟踪策略，当船舶的行驶轨迹出现连续60帧图像无法成功关联时，判断目标消失，停止对所述行驶轨迹的更新。
所属类别：	发明专利