结合运动平滑约束与灰度特征的卫星视频点目标跟踪

针对卫星视频条件下的点目标跟踪问题,提出了一种运动平滑约束的贝叶斯分类目标跟踪方法(BMoST)。本方法引入朴素贝叶斯分类器的思想,不依赖目标的任何先验概率,在运动平滑性约束下,利用灰度相似性特征来表达描述目标的似然度,并根据独立假设的贝叶斯定理,建立简化的分类器条件概率修正模型,通过该模型估计目标的后验概率,从而实现目标跟踪。同时,采用卡尔曼滤波辅助、优化跟踪处理,提高算法的稳健性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对6个点目标进行跟踪试验。结果表明,本文提出的方法针对卫星视频的点目标跟踪效果良好,精度达到90%左右,且跟踪轨迹平滑,满足卫星视频后续高级处理和应用需要。...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 46; no. 9; pp. 1135 - 1146
Main Author 吴佳奇 张过 汪韬阳 蒋永华
Format Journal Article
LanguageChinese
Published 珠海欧比特控制工程股份有限公司,广东珠海519080%武汉大学测绘遥感信息工程国家重点实验室,湖北武汉,430079%武汉大学遥感信息工程学院,湖北武汉,430079 2017
武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079
辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000
Subjects
Online AccessGet full text
ISSN1001-1595

Cover

Loading…
More Information
Summary:针对卫星视频条件下的点目标跟踪问题,提出了一种运动平滑约束的贝叶斯分类目标跟踪方法(BMoST)。本方法引入朴素贝叶斯分类器的思想,不依赖目标的任何先验概率,在运动平滑性约束下,利用灰度相似性特征来表达描述目标的似然度,并根据独立假设的贝叶斯定理,建立简化的分类器条件概率修正模型,通过该模型估计目标的后验概率,从而实现目标跟踪。同时,采用卡尔曼滤波辅助、优化跟踪处理,提高算法的稳健性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对6个点目标进行跟踪试验。结果表明,本文提出的方法针对卫星视频的点目标跟踪效果良好,精度达到90%左右,且跟踪轨迹平滑,满足卫星视频后续高级处理和应用需要。
Bibliography:satellite video; point-target tracking; Bayesian classification; motion smoothness; SkySat; JLIH
11-2089/P
WU Jiaqi1,2,4,ZHANG Guo2,WANG Taoyang3, JIANG Yonghua3(1. School of Geomatics, Liaoning Technical University, Fuxin 123000, China; 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079,China; 3. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China; 4. Zhuhai Orbita Control Engineering Co.,Ltd., Zhuhai, 519080, China)
In view of the problem of satellite video point-target tracking,a method of Bayesian classification for tracking with the constraint of motion smoothness is proposed,which named Bayesian MoST.The idea of naive Bayesian classification without relying on any prior probability of target is introduced.Under the constraint of motion smoothness,the gray level similarity feature is used to describe the likelihood of the target.And then,the simplified conditional probability correction model of
ISSN:1001-1595