留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

曲仕茹 杨红红

曲仕茹, 杨红红. 采用Kalman_BP神经网络的视频序列多目标检测与跟踪[J]. 红外与激光工程, 2013, 42(9): 2553-2560.
引用本文: 曲仕茹, 杨红红. 采用Kalman_BP神经网络的视频序列多目标检测与跟踪[J]. 红外与激光工程, 2013, 42(9): 2553-2560.
Qu Shiru, Yang Honghong. Multi-target detection and tracking of video sequence based on Kalman_BP neural network[J]. Infrared and Laser Engineering, 2013, 42(9): 2553-2560.
Citation: Qu Shiru, Yang Honghong. Multi-target detection and tracking of video sequence based on Kalman_BP neural network[J]. Infrared and Laser Engineering, 2013, 42(9): 2553-2560.

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

基金项目: 

航天科技创新基金(CASC201104);航空科学基金(2012ZC53043)

详细信息
    作者简介:

    曲仕茹(1963-)女,教授,博士生导师,博士,从事智能系统与信息工程领域研究。Email:qushiru@nwpu.edu.cn

  • 中图分类号: TP391

Multi-target detection and tracking of video sequence based on Kalman_BP neural network

  • 摘要: 针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。
  • [1]
    [2] Li Gang, Zeng Ruili, Lin Ling. Moving target detection in video monitoring system[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation, 2006: 9778-9781.
    [3] Ohta N, Kanatani K. Moving object detection from optical flow with out empirical thresholds[J]. IEICE Transactions on Information and Systems, 1998, E81-D(2): 243-245.
    [4]
    [5] Zhang Rong, Cheng Xingwu, Zhuo Hongyan, et al. Detection algorithm for moving infrared point target in the sky[J]. Infrared and Laser Engineering, 2003, 32(5): 472-475. 张蓉, 陈兴无, 卓红艳, 等. 空中红外运动点目标检测算法[J]. 红外与激光工程, 2003, 32(5): 472-475.
    [6]
    [7] Di Nan, Zhu Mingan. An algorithm for real-time tracking target in complex environment[J]. Journal of Image and Graphics, 2008, 13(9): 1758-1764. 邸男, 朱明. 一种复杂背景下的实时目标跟踪算法[J]. 中国图象图形学报, 2008, 13(9): 1758-1764.
    [8]
    [9]
    [10] Han Minghua, Yuan Naichang. A improved tracking Kalman filter using multilayer neural network[J]. Journal of Electronics Information Technology, 1998, 20(6): 739-744. 韩明华, 袁乃昌.多层神经网络在跟踪式卡尔曼滤波器中的应用[J]. 电子科学学刊, 1998, 20(6): 739-744.
    [11]
    [12] Vaideh V, Chitra N, Chokkalingam M, et al. Neural network aided Kalman filtering for multitarget tracking applications[J]. Computers and Electrical Engineering, 2001, 27(2): 217-228.
    [13]
    [14] Greg Welch, Gary Bishop. An Introduction to the Kalman Filter, TR95-041[R]. Chapel Hill: Department of Computer Science, University of North Carolina, 1995.
    [15]
    [16] Li Shaojun, Zhu Zhenfu. Track-before-detect algorithm via Particle filtering[J]. Infrared and Laser Engineering, 2009, 38(2): 352-357. 李少军, 朱振福. 采用粒子滤波的先跟踪后检测算法[J]. 红外与激光工程, 2009, 38(2): 352-357.
    [17] Md. Zahidul Islam, Chi-min Oh, Chil-Woo Lee. Real time moving object tracking by particle filter[C]//International Symposium on Computer Science and its Applications, CSA' 08, 2008: 347-352.
    [18]
    [19] Fazlina Ahmat Ruslan, Ramli Adnan, Abd Manan Samad, et al. Parameters effect in sampling importance resampling (SIR) particle filter prediction and tracking of flood water level performance[C]//2012 12th International Conference on Control, Automation and Systems (ICCAS), 2012: 868-872.
  • [1] 刘尚波, 丹泽升, 廉保旺, 徐金涛, 曹辉.  干涉式闭环光纤陀螺仪的PSO-PID控制优化方法 . 红外与激光工程, 2024, 53(3): 20230626-1-20230626-12. doi: 10.3788/IRLA20230626
    [2] 王雨飞, 郑佳兴, 戴东凯, 谭文锋.  基于FIR滤波和抖动剥除相结合的激光陀螺无延时测量方法 . 红外与激光工程, 2023, 52(11): 20230171-1-20230171-7. doi: 10.3788/IRLA20230171
    [3] 姚姝含, 官莉.  基于星载红外高光谱观测用机器学习算法反演大气温湿廓线 . 红外与激光工程, 2022, 51(8): 20210707-1-20210707-12. doi: 10.3788/IRLA20210707
    [4] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类(特邀) . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [5] 岳端木, 孙会来, 杨雪, 孙建林.  飞秒激光环切加工不锈钢微孔工艺及其质量控制神经网络模型 . 红外与激光工程, 2021, 50(10): 20200446-1-20200446-10. doi: 10.3788/IRLA20200446
    [6] 陈法领, 丁庆海, 罗海波, 惠斌, 常铮, 刘云鹏.  采用时空上下文的抗遮挡实时目标跟踪 . 红外与激光工程, 2021, 50(1): 20200105-1-20200105-11. doi: 10.3788/IRLA20200105
    [7] 蒋伟伟, 傅戈雁, 张吉平, 吉绍山, 石世宏, 刘凡.  三分光束光内同轴送丝熔覆层几何形貌预测 . 红外与激光工程, 2020, 49(3): 0305005-0305005-9. doi: 10.3788/IRLA202049.0305005
    [8] 霍炬, 何明轩, 李云辉, 薛牧遥.  位移矢量一致下的多飞行器三维轨迹跟踪识别 . 红外与激光工程, 2020, 49(10): 20200141-1-20200141-9. doi: 10.3788/IRLA20200141
    [9] 王琦, 高春峰, 周健, 熊振宇, 聂晓明, 龙兴武.  陆用组合导航中Janus配置的激光多普勒测速仪的标定方法 . 红外与激光工程, 2019, 48(4): 417003-0417003(7). doi: 10.3788/IRLA201948.0417003
    [10] 郭强, 芦晓红, 谢英红, 孙鹏.  基于深度谱卷积神经网络的高效视觉目标跟踪算法 . 红外与激光工程, 2018, 47(6): 626005-0626005(6). doi: 10.3788/IRLA201847.0626005
    [11] 李瑞君, 赵文楷, 何园涛, 黄强先.  一维纳米定位控制系统 . 红外与激光工程, 2018, 47(10): 1017005-1017005(6). doi: 10.3788/IRLA201847.1017005
    [12] 赵东波, 李辉.  基于中心矩特征和GA-BP神经网络的雷达目标识别 . 红外与激光工程, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005
    [13] 韦道知, 肖军.  基于BPGM-SME和改进UKF的双星多目标跟踪算法 . 红外与激光工程, 2017, 46(S1): 96-103. doi: 10.3788/IRLA201746.S113002
    [14] 邢运龙, 李艾华, 崔智高, 方浩.  改进核相关滤波的运动目标跟踪算法 . 红外与激光工程, 2016, 45(S1): 214-221. doi: 10.3788/IRLA201645.S126004
    [15] 乔永明, 马彩文, 靳虎敏, 郝伟, 吕涛.  伞状多层分布式结构光学跟踪平台研究 . 红外与激光工程, 2015, 44(12): 3673-3677.
    [16] 江奇渊, 汤建勋, 韩松来, 袁保伦.  36维Kalman滤波的激光陀螺捷联惯导系统级标定方法 . 红外与激光工程, 2015, 44(5): 1579-1586.
    [17] 陈晓露, 戴明, 葛明, 郎小龙.  快速平滑点特征轨迹电子稳像 . 红外与激光工程, 2014, 43(6): 1988-1993.
    [18] 许兆美, 刘永志, 杨刚, 王庆安.  粒子群优化BP神经网络的激光铣削质量预测模型 . 红外与激光工程, 2013, 42(9): 2370-2374.
    [19] 孙韶媛, 李琳娜, 赵海涛.  采用KPCA和BP神经网络的单目车载红外图像深度估计 . 红外与激光工程, 2013, 42(9): 2348-2352.
    [20] 赵洪常, 肖光宗, 汪之国, 张斌.  采用BP神经网络的四频激光陀螺零偏的光强补偿方法 . 红外与激光工程, 2013, 42(2): 355-360.
  • 加载中
计量
  • 文章访问数:  441
  • HTML全文浏览量:  73
  • PDF下载量:  408
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-01-11
  • 修回日期:  2013-02-25
  • 刊出日期:  2013-09-25

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

    作者简介:

    曲仕茹(1963-)女,教授,博士生导师,博士,从事智能系统与信息工程领域研究。Email:qushiru@nwpu.edu.cn

基金项目:

航天科技创新基金(CASC201104);航空科学基金(2012ZC53043)

  • 中图分类号: TP391

摘要: 针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回