本发明属于目标探测及图像处理技术领域，更具体地，涉及一种轻量级带自学习功能的飞鸟跟踪智能方法。
背景技术：
近几年来,随着配电线路和变电站的不断增多和生态环境的逐步改善,鸟害造成的事故呈上升趋势，由此造成的损失也越来越大。鸟害对配电线路和变电站电力设备的安全运行造成严重干扰。
现有的防鸟措施包括靶向性的驱鸟设备，该类型设备可以侦测飞鸟的位置，并进行跟踪，将设备中驱鸟模块(如超声波，激光等)的靶面对准飞鸟并启动，达到有效驱鸟目的。通常该类型设备中的驱鸟模块的靶面有区域限制，只有将靶面对准飞鸟才会有效果，因此需要对飞鸟进行跟踪。先处理传感器反馈飞鸟目标信息，再进行动作的跟踪方式，其系统响应总会慢于飞鸟飞行的速度，当设备的响应速度达不到飞鸟飞行的速度时，就会发生跟踪目标丢失。驱鸟模块的靶面无法对准飞鸟，导致驱鸟效果降低或无法驱鸟的情况。因此对于该类型设备而言，跟踪飞鸟的准确性是保证其驱鸟效果的前提。
申请公布号为cn106872971a的专利《一种基于群体智能模型的飞鸟群目标跟踪方法》所公开的技术方案根据当前目标鸟群中个体的运动情况来推测群体的运动情况，通过群体当前运动情况来计算运动趋势，再计算推测下一次目标运动情况和的位置。该方法是一种从细微到宏观分析鸟类移动轨迹的方式，需要对探测到目标中的多个个体运动状态信息进行处理，只通过当前状态来进行预测，待处理的数据较多，运算量大。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种轻量级带自学习功能的飞鸟跟踪智能方法，其目的在于降低靶向性的驱鸟设备在跟踪过程中的目标丢失概率。
为实现上述目的，按照本发明的一个方面，提供了一种轻量级带自学习功能的飞鸟跟踪智能方法，具体包括如下步骤：
(1)根据预设的速度参数阈值对探测到的数据进行过滤，以过滤掉跟踪目标之外的数据，获得目标数据；
(2)根据相邻两次探测到的跟踪目标的空间三维位置数据得到跟踪目标的位移向量并确定目标的几何中心；根据多次探测获得的目标的几何中心形成飞鸟移动轨迹向量链；
(3)获取飞鸟与云台的位移偏差校正向量，并根据该位移偏差校正向量对当前的飞鸟移动轨迹向量链进行修正；
(4)根据修正后的飞鸟移动轨迹向量链对下一探测时刻飞鸟所在位置进行预测，以便将云台以最短路径提前布置到预测到的探测点。
优选地，上述的轻量级带自学习功能的飞鸟跟踪智能方法，步骤(2)包括如下子步骤：
(2.1)以探测装置的探测面为中心原点确定跟踪目标的空间三维位置数据；
(2.2)根据相邻两次探测到跟踪目标的空间三维位置数据(x1,y1,z1)、(x2,y2,z2)得到跟踪目标的位移向量
其中，n是指探测到的目标编号，第一个目标空间坐标为(x1,y1,z1)，第n个目标的空间坐标为(xn,yn,zn)；
(2.3)根据多次探测获得的跟踪目标的几何中心形成飞鸟移动轨迹向量链。
优选地，上述的轻量级带自学习功能的飞鸟跟踪智能方法，其步骤(2.1)中采用先探测目标，再根据探测到的目标的位置参数控制探测设备向目标方向转动的跟踪方式进行飞鸟跟踪；
且步骤(2.1)与步骤(2.2)之间还包括如下子步骤：
(a)判断本次跟踪到的目标数量是否大于上一次跟踪到的目标数量的i％；若是，表明跟踪成功，进入步骤(2.2)；若否，则表明目标丢失，进入步骤(b)；其中，i优选设定为70；
(b)通过跟踪目标的运动趋势确定跟踪目标下一次出现的预测点，并通过将云台提前移动到预测点来搜索跟踪目标以找回丢失的目标，进入步骤(c)；
(c)判断探测到的目标数量是否小于丢失前目标数量的j％；若是，则表明目标找回失败，进入步骤(1)；若否，则表明找回目标成功，则重新进入步骤(2.2)；其中，j优选设定为50。
优选地，上述的轻量级带自学习功能的飞鸟跟踪智能方法，其步骤(b)找回丢失的目标的方法，包括如下子步骤：
(b.1)飞鸟目标运动趋势计算；
根据跟踪目标丢失前记录的目标位置数据集合a((xn,yn,zn)∈a)获得飞鸟的运动趋势向量
并根据两次探测的时间间隔为t以及飞鸟运动速度v获取飞鸟的移动距离s＝vt；
(b.2)将云台按照计算出的运动趋势提前运动到特定区域；
将云台需超前移动的距离设为4s，根据位移趋势向量和移动距离计算得到云台需转动的角度数据
(b.3)扫描捕获目标；
让雷达的探测靶面在上述位置及角度区域内做摇摆运动，使雷达进行地毯式扫描以寻找跟踪目标；若在预设时长内找到跟踪目标则继续进行目标跟踪，若超时未找到目标则判定目标丢失，进入步骤(1)，进行新的一轮目标跟踪。
优选地，上述的轻量级带自学习功能的飞鸟跟踪智能方法，其步骤(3)包括如下子步骤:
(3.1)根据飞鸟与云台的位置数据的位移偏差获得校正向量
(3.2)根据上述的校正向量对当前的飞鸟运动轨迹向量进行修正，修正后的位置
其中，a为修正向量的权值；
优选地，上述的轻量级带自学习功能的飞鸟跟踪智能方法，其步骤(1)中，根据鸟类飞行速度的特征将速度参数阈值设为12.7m/s，只处理速度大于12.7m/s目标，而滤掉速度小于该阈值的绝大部分的非鸟类目标，获得目标数据。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法，通过前期采集的鸟类飞行轨迹数据，对轨迹数据统一进行处理，预估出飞鸟的飞行轨迹链；在后期跟踪过程中再收集数据对移动轨迹链修正，在跟踪过程中直接调用修正好的轨迹连进行跟踪，将云台以最短路径提前布置到预测到的探测点，由此弥补了云台移动速度与飞鸟运动速度之间的差距，降低因云台移动速度与目标移动速度差距导致目标跟踪丢失的比率；本方法的实时处理数据量小、运算量小，属于轻量级的跟踪鸟类算法，因而对数据处理芯片的性能要求不高；
与申请公布号为cn106872971a的专利所公开的技术方案相比，区别在于：
一方面，本发明中的飞鸟轨迹预估的方法属于轻量级算法，实时处理数据量小；而申请公布号为cn106872971a的专利实时处理数据大，对数据处理芯片的要求较高；
另一方面，本发明所提供的方法是对飞鸟的移动轨迹从整体上进行分析，而非从个体目标入手分析，这起到了减小计算量的作用；
另一方面，本发明所提供的方法具有自学习的功能，可通过自学习来完成对目标的准确跟踪，跟踪效果随着自学习的进行越来越好；而申请公布号cn106872971a的专利所公开的技术方案没有自学习功能，从始至终保持一致，对于环境的变化不敏感。
附图说明
图1是本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法的一个实施例的流程示意图；
图2是系统在未完成飞鸟运动轨迹向量链之前采用滞后跟踪方式的示意图；
图3是飞鸟运动轨迹向量链三维示意图；
图4是飞鸟移动向量的计算方式示意图；
图5是飞鸟跟踪丢失并找回的过程示意图；
图6是目标丢失后飞鸟运行趋势预测方法的示意图；
图7是跟踪飞鸟的学习过程；
图8是经过学习以后云台移动轨迹与飞鸟运动轨迹的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明所采用技术方案是：
对飞鸟的初始跟踪方式采取现有的探测器发现目标、目标数据处理、控制云台等运动模块进行跟踪的方式；在每次跟踪过程中记录飞鸟的位置信息，直到飞鸟目标丢失无法找回；
对飞鸟的位置坐标信息进行“减处理”，得到每次位移的向量；通过对飞鸟飞行路径探测累计探测数据，连续的飞行轨迹向量的数量不断的增加，直到从移动的起始点到终止点形成一条完整的飞鸟的轨迹移动向量链；
当飞鸟再次飞入探测区域，调用轨迹移动向量链中的数据，对跟踪过程中位移模块的移动位置进行修正，在每次对飞鸟位置进行探测前，提前将探测靶面按照轨迹移动向量链中对应的参数移动到预测位置后再进行探测，用探测到的实际值对当前移动向量链的数据进行修正；
不断修正轨迹移动向量链的参数，直到云台等运动模块根据其参数运动，可以全程让飞鸟处于其探测区域内，系统完成自学习，最终达到提前预测飞鸟飞行路线，跟踪设备以最短的路径移动跟踪目标，降低跟踪目标丢失的概率；其流程如图1所示。
以下以采用雷达作为飞鸟探测模块、采用云台作为追踪运动模块的系统为例来具体阐述本发明提供的轻量级带自学习功能的飞鸟跟踪智能方法，具体如下：
1、目标数据过滤；
在实际使用场景中雷达会探测到飞鸟以及除飞鸟以外的目标，因此需要对雷达探测到的目标数据进行过滤处理，过滤掉飞鸟外的数据。雷达反馈侦测到的目标的距离、高度、速度信息；本发明中将速度参数作为飞鸟特征值；
一般情况下鸟类的飞行速度在40km/h到60km/h(11.2m/s到16.7m/s)范围内；实施例中，经过实地测试积累大量数据并进行数据分析，将鸟类飞行速度的特征值阈值设为12.7m/s；将雷达反馈的目标数据中的速度参数不超过12.7m/s的目标过滤掉，以滤掉雷达反馈数据中的绝大部分非鸟类目标。
2、飞鸟运动轨迹向量链绘制
在系统的学习程度达不到预测飞鸟飞行轨迹要求时，即移动轨迹向量完成度小于10％时(实施例中设置移动轨迹向量个数30)，跟踪方式采用如图2所示的先探测目标后再做动作的跟踪方式；该跟踪方式存在跟踪滞后的问题，本次跟踪目标数量是上一次跟踪目标数量的70％或以上，表明跟踪成功；否则表明目标丢失，则采用丢失目标找回算法寻找丢失的目标，若采用丢失找回算法后探测到的目标数量小于丢失前目标数量的50％，表明目标找回失败，则进行下一轮跟踪，重新修正和绘制移动轨迹向量，直到完成整个移动轨迹向量链，如图3所示。
实施例中，飞鸟运动轨迹向量链绘制方法具体如下：
(1)对雷达探测到的目标数据进行处理，以雷达探测面为中心原点，得到目标的空间三维位置数据；
(2)将雷达两次探测目标的位置数据(x1,y1,z1)、(x2,y2,z2)相减得到目标的位移向量
当雷达检测到的是一群目标时，其位置值为所有目标的几何中心
(3)飞鸟跟踪目标丢失找回，其流程如图5所示意的，具体包括如下子步骤：
(3.1)飞鸟目标运动趋势计算；
具体地，根据目标丢失前记录的目标位置数据集合a((xn,yn,zn)∈a)获得飞鸟的运动趋势向量
根据雷达两次探测的时间间隔为t以及飞鸟运动速度v获取飞鸟的移动距离s＝vt；实施例中，飞鸟运动速度v取飞鸟运动速度的中值13.8m/s。
(3.2)将云台按照计算出的运动趋势提前运动到特定区域；
具体地，取云台超前移动的距离为4s，根据位移趋势向量和移动距离计算得到云台需移动的角度数据
(3.3)地毯式扫描等待捕获目标；
进行区域摇摆运动使雷达可以进行地毯式扫描以寻找目标；若在预设时长内找到目标则继续进行目标跟踪，若超时未找到目标则判定目标丢失，重新开始步骤(1)，开始新一轮目标跟踪。
3、飞鸟运动轨迹向量链自动修正
对飞鸟跟踪轨迹的修正过程是自学习的过程，如图7所示，每次跟踪的过程中，云台位移到的位置(xc,yc,zc)可能与飞鸟实际移动到的位置(xb,yb,zb)存在偏差，根据飞鸟与云台的位置数据的位移偏差获得校正向量
并根据该校正向量对当前的飞鸟运动轨迹向量进行修正，修正后的位置
其中，a为修正向量的权值；
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。