[发明专利]基于定位信息的航空器跨全景持续跟踪方法

说明书

本发明涉及一种基于定位信息的航空器跨全景持续跟踪方法，以已知的全景一的目标跟踪框作为第一目标跟踪框，将用于确定第一目标跟踪框的图像坐标转换为经纬度坐标，再将经纬度坐标转换为全景二中的图像坐标，将第一目标跟踪框在全景二中的对应区域向四周扩展，形成略大于第一目标跟踪框的全景二跟踪检测区域，在全景二跟踪检测区域范围内进行相同目标的检测，找到目标后重新初始化目标跟踪框，不断重复进行上述操作，形成对目标的跨全景持续跟踪。本发明弥补了现有针对航空器跨全景持续跟踪的空白，不需要对整幅画面进行分析，计算量小，速度快，错误率小，较好地解决了现有针对航空器的跨全景跟踪问题。

技术领域

本发明涉及一种基于定位信息的航空器跨全景持续跟踪方法。

背景技术

目前对于基于视频分析的跨镜头目标跟踪在技术领域使用的是目标重识别技术(Object Re-identification)，是利用计算机视觉技术判断图像或者视频序列中是否存在特定目标的技术，广泛被认为是一个图像检索的子问题。即，给定一个含有监控目标的图像，跨设备检索含有该目标的图像，并在检索到的目标图像中重新定位监控目标。

由于场景多、需求大，以及特征提取相对容易，目前目标重识别主要的研究和应用领域是行人重识别，行人重识别主要的方法有基于表征学习的行人重识别方法、基于度量学习的行人重识别方法、基于局部特征的行人重识别方法、基于视频序列的行人重识别方法、基于GAN造图的行人重识别方法^[1]-[28]。

上面介绍的这几种行人重识别都是基于特征的重新识别，即通过对比跨设备间两个目标之间的特征，并对比这些特征之间的相似度来确定是否是同一个目标。这种基于特征的行人重识别方法有比较大的局限性。例如基于表征学习的行人重识别方法容易在数据集上过拟合，并且当训练样本增加到一定程度的时候会显得比较乏力；基于度量学习的行人重识别方法学习过程比较复杂；基于局部特征的行人重识别方法把特征割裂；基于视频序列的行人重识别方法需要多帧的画面才可以；基于GAN造图的行人重识别方法目前由于样本数量限制导致造图效果不理想。

除了以上的问题，基于特征的行人重识别还需要对整张图像上的人进行识别与分析，然后与另一整张图像上的人进行特征比对，所以导致计算量巨大。如果是基于视频序列的行人重识别方法，计算量将更加巨大，而且识别时间也大幅增加，不能在较短时间内识别出同一个人。

本发明针对的是机场飞行区全景视频下的航空器目标重识别，全景画面比普通的图像画幅大，像素多，因而处理难度更大；而且航空器特征比较单一，唯一识别性少，上述现有技术难以适应于全景画面的有效的航空器跨全景跟踪。

发明内容

为解决上述技术问题，本发明提供了一种基于定位信息的航空器跨全景持续跟踪方法，以有效地实现目标航空器的跨全景跟踪。

本发明的技术方案是：一种基于定位信息的航空器跨全景持续跟踪方法，以已知的全景一的目标跟踪框作为第一目标跟踪框，依据图像坐标与经纬度坐标的映射关系将用于确定第一目标跟踪框的图像坐标转换为经纬度坐标，形成用于确定第一目标跟踪框的经纬度坐标，依据经纬度坐标与图像坐标的映射关系将用于确定第一目标跟踪框的经纬度坐标转换为全景二中的图像坐标，形成全景二中用于确定第一目标跟踪框的图像坐标，由此确定第一目标跟踪框在全景二中的对应区域，将第一目标跟踪框在全景二中的对应区域向四周扩展，形成略大于第一目标跟踪框的全景二跟踪检测区域，可以根据上述多次映射可以带来的位移误差以及航空器在全景一和全景二之间的移动量，确定扩展量的大小，以保证所跟踪的航空器目标在全景二跟踪检测区域内，且尽量减少或避免因该检测区域过大而导致不必要的运算量，在全景二跟踪检测区域范围内进行相同目标的检测，找到目标，并据此重新初始化目标跟踪框，作为全景二的目标跟踪框，依据跟踪要求，不断重复进行上述操作，形成对目标的跨全景持续跟踪，所述全景二是指需要寻找目标新位置的全景，所述全景一是指用作在所述全景二中寻找目标新位置的基础的全景，即用于确定全景二跟踪检测区域的全景。