一种基于图像处理的低空目标探测跟踪方法与流程

本发明属于目标探测领域，涉及目标跟踪技术，更具体涉及一种基于图像处理的低空目标探测跟踪方法。

背景技术：

近年来，民用小微型无人机发展迅猛，无人机数量成几何增长，而无人机的管理却严重滞后。无人机“黑飞”、“乱飞”现象日益严重，无人机对民用航空、军用航空的飞行安全构成了新的威胁；无人机被敌对分子、恐怖分子用来制造事端、制造恐怖袭击的风险与日俱增；低空、超低空处于军用雷达的盲区，也是未来战争中敌人空袭突防的重要空域。如何有效探测、识别和监视低空无人机等空中目标安全，对于保障军民航飞行安全和国家重要目标安全具有重要意义。目前，在低空雷达、光电复合探测设备等高端产品之外，普通光学望远镜、红外望远镜因简便易用、价格适中、操作灵活等特点，成为我军地面防空部队或政府部门人防系统理想的、不可或缺的常规对空观瞄器材，长期在军民两个市场大量使用。利用信息化方法改进提升传统低空飞行器侦察预警能力，具有较强的现实意义。

2018年，发明人提出基于智能终端的低空目标探测方法(专利申请号：201811655503.7)，将高端探测设备的核心功能与普通大众用品(如智能手机)巧妙、低价地融合集成，创新研发出一种既具备高端产品重要功能，又具有推广成本低、操作简便的软件工具，以弥补高、低端产品各自的缺陷。该方法属于传统低空飞行器侦察预警手段的信息化改进升级，主要解决传统光学探测低空目标效率较低、稳定性差和精度不高等问题，通过对智能终端传感器数据系统参数转换采集、对包括人工观测信息、雷达网目标消失点数据等内容融合集成，输出较高精度、较连续的低空飞行器目标航迹，实现对低空空域侦察预警情报保障，进而构建高中低合理搭配、自动与人工相互补充的军民融合低空预警监视体系。

相对于传统探测手段，使用智能终端进行低空目标的探测方法能够大大提高工作效率和设备效能，但同时也存在着人工瞄准测量方位角、高低角误差大、人工估算目标距离不准确，以及不能同时测量多目标等诸多缺点。当人使用设备瞄准线手动对准目标时，因操作人员手的抖动、操作习惯等因素影响，测量出的目标角度存在不小的偏差；人通过肉眼观察估算目标距离的主观成份多、远中近距离档位信息在后台融合难度大，测量目标的精度受到严重制约；另外，通过设备瞄准线，无法同时观测两个以上目标，探测效率不高。这些缺点都严重制约此类产品实际使用。

技术实现要素：

针对现有技术存在的问题，本发明提供一种基于图像处理的低空目标探测跟踪方法，其特征在于，包括下列步骤：

(一)运动目标检测

具体包括下列步骤：

step1.利用帧间差分法检测图像中运动区域

通过比较图像序列中前后两帧图像对应像素点灰度值的不同，通过两帧相减，如果灰度值差很小，认为该点无运动物体经过；反之灰度变化很大，则认为有物体经过；第k帧和k+1帧图像fk(x，y)，fk+1(x，y)之间的变化用一个二值差分dk(x，y)表示，如式(1)所示，其中x、y分别表示图像灰度矩阵中水平和垂直方向的坐标值；

式中，d表示差分图像二值化阈值，取值大小与图像拍摄时光线变化等因素相关，根据不同场景自行设定；dk(x，y)为0表示图像(x，y)处前后无变化，1表示有变化；

step2.利用canny边缘检测算法检测目标位置

包括下列步骤：

步骤i.用高斯滤波器平滑图像，滤除图像中高频信号，去除噪声对边缘识别的影响；

步骤ii.用一阶偏导的有限差分计算梯度的幅值和方向；将一个像素点的方向分为x方向以及y方向的分量，使用边缘差分sobe1算子，计算图像中各像素点在水平方向的梯度gx和垂直方向的梯度gy，水平、垂直方向的sobe1算子sx、sy为：

在此基础上，计算该像素点的梯度g以及梯度角θ；计算方法为：

式(3)中，梯度角度θ范围从弧度-π到π；

步骤iii.对梯度幅值进行非极大值抑制；算法过程是：比较当前点的梯度强度和正负梯度方向点的梯度强度；如果当前点的梯度强度和同方向的其他点的梯度强度相比较是最大，保留其值；否则抑制，即设为0；

步骤iv.双阈值算法检测；用一个高阀值和一个低阀值来区分边缘像素；如果边缘像素点梯度值大于高阀值，则被认为是强边缘点；如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点；小于低阀值的点则被抑制掉；

步骤v.滞后边界跟踪；强边缘点可以认为是真的边缘；弱边缘点则可能是真的边缘，也可能是噪声或颜色变化引起的；利用滞后边界跟踪算法搜索所有连通的弱边缘，如果一条连通的弱边缘的任何一个点和强边缘点连通，则保留这条弱边缘，否则抑制这条弱边缘；搜索这些边缘点，即可实现运动目标边缘的检测；

(二)运动目标跟踪

采用连续自适应均值偏移跟踪算法camshift作为目标跟踪基础算法，并利用帧差分法和camshift边缘检测算法获得的检测结果作为目标跟踪的初始输入，实现目标的自动检测与跟踪；

(三)运动航迹滤波

采用kalman滤波对目标运动状态进行估计，提高目标跟踪的精度，减少目标丢失概率；

在多目标跟踪中，由于相邻两帧图像时间间隔较短，一般各目标运动状态变化较小，假设两帧内目标做匀速运动；设两帧时间间隔为t，定义目标运动状态变量x为：

其中px、py分别指目标在水平、垂直方向的坐标位置，vx、vy分别指目标在水平、垂直方向的运动速度大小；观测值z＝(px，py)，对应观测到的目标距离；

定义系统状态转移矩阵f为：

观测矩阵h为：

另外，p和v为相互独立的白噪声序列，取p的协方差矩阵q为

v的协方差矩阵r为

工程实践时，当应用无人值守时，使用帧间差分法和canny边缘检测算法计算得到的运动目标，以此作为camshift算法的输入，同时也作为kalman滤波器初始状态向量；当有人干预时，以人工选的目标位置为目标状态的输入值进行计算；

(四)目标精确定位及距离估算

通过计算视场大小、推算目标位置进行目标距离估算。

在本发明的一个实施例中，第二步具体包括下列步骤：

步骤i.初始化搜索窗口的大小和位置；全自动检测跟踪时，以帧差分法和camshift边缘检测算法检测结果作为目标跟踪的初始输入参数，将运动目标检测的目标位置作为目标跟踪的初始参数；半自动跟踪时，以手动在智能终端屏幕上拖拽确定的目标位置及大小为初始输入参数；

步骤ii.设置目标计算区域；根据实验对比，设置比搜索窗口大一点的区域作为计算区域，以增大捕获目标的概率和跟踪目标的稳定性；

步骤iii.计算目标区域内的颜色直方图；将输入图像转换到hsv颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调h分量计算该区域的色调直方图，得到目标模板的颜色直方图；色调h的计算过程如下：

设(r，g，b)分别是像素点在红、绿、蓝上的坐标，取值为0-1之间的实数，max为r、g、b中的最大值，min为三者中的最小值，则hsv空间的色调h(取值范围0°-360°)计算公式为

步骤iv.对颜色直方图进行反向投影以计算颜色概率分布；对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，得到该像素属于目标像素的概率，而对于非目标区域内的像素，该概率为0；

步骤v.meanshift迭代过程；其为camshift算法的核心，目的在于找到目标中心在当前帧中的位置；首先在颜色概率分布图中选择搜索窗口的大小和初始位置，然后计算搜索窗口的质心位置；计算方法如下：

设像素点在搜索窗口内坐标为(i，j)，i(i，j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩m00和一阶矩m10、m01如下：

其中m、n分别为搜索窗口w长、宽方向上的像素点个数，根据用户手动选取或上一次跟踪计算结果得到，对应搜索窗口的质心位置为：(m10/m00，m01/m00)；

步骤vi.将搜索窗口中心调整到质心；将搜索窗口的中心移到质心，如果移动距离大于设定的阈值，则重新计算调整后的窗口质心，进行新一轮的窗口位置和尺寸调整；直到窗口中心与质心之间的移动距离小于阈值，或者迭代次数达到某一最大值，认为收敛条件满足，此时获得目标的最新时刻中心位置；并将搜索窗口位置和大小作为下一帧的目标位置输入，开始对下一帧图像进行新的目标搜索，即重复步骤2至6。

在本发明的一个具体实施例中，搜索矩形窗口的宽度为长度为1.2s。

在本发明的另一个实施例中，第四步具体包括下列步骤：

step1.视场大小计算

摄像头视场水平视场角a、垂直视场角b计算公式为：

a＝2atan(w/2f)b＝2atan(h/2f)(12)

式中，w为视场宽度，h为视场高度，f为镜头的焦距；

step2.目标位置推算

o为画面中心位置，重力传感器、磁传感器测量的方位角、高低角分别为(α0，β0)，目标p在画面中的像素坐标为(x，y)，图像分辨率为(w，h)，对应目标影像在水平上投影长度为l；

借用游标卡尺的工作原理，把传感器测量值(α0，β0)当作游标卡尺上的“主尺”读数，图像检测的目标质心坐标作为“副尺”读数，则方位角α、高低角β计算公式为

step3.目标距离估算

设某飞行器几何尺寸长为l，则观测点与目标的距离d计算公式为

确定目标的几何尺寸方法为：①当使用手动点选目标进行目标跟踪时，通过操作员手动选择目标类型，将典型目标的基本尺寸作为目标尺寸；②当处于无人值守状态，设备自动检测并跟踪目标时，利用深度学习算法识别目标类型，进而确定目标尺寸。

本发明采用图像处理的相关算法，在终端摄像头采集的影像上实现目标的实时跟踪、测量和定位等功能，以弥补现行纯人工瞄测手段的缺陷，进一步完善基于智能终端的低空目标探测方法。本发明主要解决智能终端现行纯人工瞄准目标测量数据误差大、目标侦察容量(指同时观测目标的数量)小等问题，通过对智能终端采集画面实时图像处理和模型转换，计算得到视场内多个目标更加准确的方位角、高低角信息，以及特定条件下的目标距离大小或者距离变化趋势，以此进行目标融合，进而提高目标航迹估算的精度，提升系统对低空空域侦察预警情报保障能力。

附图说明

图1示出连续自适应均值偏移跟踪算法(camshift)流程图；

图2示出目标方位角、高低角计算示意图；

图3示发明实现效果图。

具体实施方式

下面结合附图详细介绍本发明。

本发明提供一种基于图像处理的低空目标探测跟踪方法。首先，采用帧间差分阈值法来快速、精确地检测和识别运动目标，为了适用复杂背景下目标检测需求，还加入了人工点选功能；其次，在提取运动目标的颜色特征基础上采用连续自适应均值偏移跟踪算法(camshift)，在图像序列中定位运动目标所在的位置和大小；再次，使用卡尔曼滤波算法(kalman)预测目标的位置和目标大小，进而解决背景中大面积相同颜色的干扰和目标部分被遮挡等问题，有效避免检测目标出现的跳动和检测边框突变的现象，工程实践证明，结合camshift算法和kalman滤波能够实时、准确地跟踪目标；最后，在计算视场宽度、获得摄像头焦距基础上，换算得到目标精确的方位角、高低角和距离值。

(一)运动目标检测

视频序列中的运动目标检测是目标跟踪和目标识别处理的基础。本文结合区域检测和边缘检测的方法准确分割和定位出运动目标。首先，利用帧间差分法得到目标的差分图像，对差分图像进行高斯滤波、二值化处理后采用多级边缘检测算法(canny)得到目标的边缘轮廓信息，再进一步提取出目标的运动对象面，实现目标标定。在跟踪过程中，用提取出的运动目标初始化camshift跟踪算法的初始搜索窗口的大小，从而实现自动跟踪。

step1.利用帧间差分法检测图像中运动区域

帧间差分法是最简单的背景估计方法，取一帧视频图像作为当前帧的背景模型，在相邻两帧间根据基于像素的差分并且阈值化来提取出图像中的运动区域。该算法原理简单、实时性强，常常用于跟踪的前期处理过程。

通过比较图像序列中前后两帧图像对应像素点灰度值的不同，通过两帧相减，如果灰度值差很小，可以认为该点无运动物体经过；反之灰度变化很大，则认为有物体经过。第k帧和k+1帧图像fk(x，y)，fk+1(x，y)之间的变化用一个二值差分dk(x，y)表示，如式(1)所示，其中x、y分别表示图像灰度矩阵中水平和垂直方向的坐标值。

式中，d表示差分图像二值化阈值，取值大小与图像拍摄时光线变化等因素相关，可根据不同场景自行设定；dk(x，y)为0表示图像(x，y)处前后无变化，1表示有变化。

帧差法的特点是实现简单、运算速度快，对于动态环境自适应性是很强的，对光线的变化不是十分的敏感。在运动体内易产生空洞，特别是目标运动速度较快时，影响目标区域准确提取，但从实验结果验证，已符合本发明功能需求。

step2.利用canny边缘检测算法检测目标位置

canny边缘检测算子是一种基于最优化算法的边缘检测算子(cannyj.acomputationalapproachtoedgedetection[j].patternanalysisandmachineintelligence，ieeetransanctionson，1986(6)：679-698)，该算子具有高精度定位的特点，是一种标准的边缘检测算法。canny提出三个严格的检测标准评价边缘检测的质量，分别是：高信噪比准则、高定位精度准则和单一边缘响应准则。算法描述如下：

步骤i.用高斯滤波器平滑图像。主要作用就是去除噪声对边缘识别的影响，因为噪声也集中于高频信号，很容易被识别为伪边缘。应用高斯模糊去除噪声，降低伪边缘的识别。但是由于图像边缘信息也是高频信号，高斯模糊的半径选择很重要，过大的半径很容易让一些弱边缘检测不到，一般根据经验来设置，本发明高斯模糊的半径取5。具体计算方法为本领域技术人员熟知，不再累述。

步骤ii.用一阶偏导的有限差分计算梯度的幅值和方向。将一个像素点的方向分为x方向以及y方向的分量，使用边缘差分(sobe1)算子，计算图像中各像素点在水平方向的梯度gx和垂直方向的梯度gy，水平、垂直方向的sobe1算子sx、sy为：

在此基础上，计算该像素点的梯度g以及梯度角θ。计算方法为：

式(3)中，梯度角度θ范围从弧度-π到π。

步骤iii.对梯度幅值进行非极大值抑制。非最大值抑制是一种边缘细化方法，通常按步骤二计算出的梯度边缘不止一个像素宽，而是多个像素宽，非最大值抑制能帮助保留局部最大梯度而抑制所有其他梯度值。算法过程是：比较当前点的梯度强度和正负梯度方向点的梯度强度。如果当前点的梯度强度和同方向的其他点的梯度强度相比较是最大，保留其值；否则抑制，即设为0。

步骤iv.双阈值算法检测。用一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。

步骤v.滞后边界跟踪。强边缘点可以认为是真的边缘。弱边缘点则可能是真的边缘，也可能是噪声或颜色变化引起的。利用滞后边界跟踪算法搜索所有连通的弱边缘，如果一条连通的弱边缘的任何一个点和强边缘点连通，则保留这条弱边缘，否则抑制这条弱边缘。搜索这些边缘点，即可实现运动目标边缘的检测。具体操作方法为本领域技术人员熟知，不再累述。

(二)运动目标跟踪

连续自适应均值偏移跟踪算法(continuouslyadaptivemeanshift，简称camshift算法，exnerd，brunse，kurzd，etal.fastandrobustcamshifttracking[a].ieeecomputersocietyconferenceoncomputervision&patternrecognition-workshops[c].ieee，2010：9-16)，基本思想是以视频图像中运动物体的颜色信息作为特征，对输入图像的每一帧分别作均值偏移运算(meanshift，fukunagak，hostetlerld.theestimationofthegradientofadensityfunction[j].ieeetransactionsoninformationtheory，1975，21：32-40)，并将上一帧的目标中心和搜索窗口大小作为下一帧meanshift算法的中心和搜索窗口大小的初始值，如进行此迭代(fastandrobustcamshifttracking[a]文献中已对camshift算法计算过程作过说明)，就可以实现对目标的跟踪。因为，在每次搜索前将搜索窗口的位置和大小设置为运动目标当前中心的位置和大小，而运动目标通常在这区域附近，缩短了搜索时间；另外，在目标运动过程中，颜色变化不大，故该算法具有良好的鲁棒性。因此，本发明采用该算法作为目标跟踪基础算法，并利用帧差分法和camshift边缘检测算法(上文已介绍过目标运动检测的方法)检测结果作为目标跟踪的初始输入，从而实现目标的自动检测与跟踪。具体实现如下。

步骤i.初始化搜索窗口的大小和位置。本发明初始化时提供全自动检测模式和半自动人工干预模式：全自动检测跟踪时，以帧差分法和camshift边缘检测算法检测结果作为目标跟踪的初始输入参数，将运动目标检测的目标位置作为目标跟踪的初始参数，目标检测已在上文中介绍过；半自动跟踪时，以手动在智能终端屏幕上拖拽确定的目标位置及大小为初始输入参数。

步骤ii.设置目标计算区域。根据实验对比，设置比搜索窗口大一点的区域作为计算区域，可以增大捕获目标的概率和跟踪目标的稳定性。

步骤iii.计算目标区域内的颜色直方图。因为rgb颜色空间对光线条件的改变较为敏感，要减小该因素对跟踪效果的影响，camshift算法通常采用hsv色彩空间进行处理。将输入图像转换到hsv(色调hue，饱和度staturation，明度value)颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调h分量计算该区域的色调直方图，得到目标模板的颜色直方图。色调h的计算过程如下：

设(r，g，b)分别是像素点在红、绿、蓝上的坐标，取值为0-1之间的实数，max为r、g、b中的最大值，min为三者中的最小值，则hsv空间的色调h(取值范围0°-360°)计算公式为

步骤iv.对颜色直方图进行反向投影以计算颜色概率分布。所谓直方图反向投影，就是输入图像在已知目标颜色直方图的条件下的颜色概率密度分布图，包含了目标在当前帧中的相干信息。对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，可得到该像素属于目标像素的概率，而对于非目标区域内的像素，该概率为0。(fastandrobustcamshifftracking[a]文献中已对具体计算过程作过说明)。

步骤v.meanshift迭代过程。即为图2中虚线矩形框内的部分，它是camshift算法的核心，目的在于找到目标中心在当前帧中的位置。首先在颜色概率分布图中选择搜索窗口的大小和初始位置，然后计算搜索窗口的质心位置。计算方法如下：

设像素点在搜索窗口w内坐标为(i，j)，i(i，j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩m00和一阶矩m10、m01如下：

式中m、n分别为搜索窗口w长、宽方向的像素点个数，根据用户手动选取或上一次跟踪计算结果得到，对应搜索窗口的质心位置为：(m10/m00，m01/m00)，搜索矩形窗口的宽度为长度为1.2s。

步骤vi.将搜索窗口中心调整到质心。将搜索窗口的中心移到质心，如果移动距离大于设定的阈值，则重新计算调整后的窗口质心，进行新一轮的窗口位置和尺寸调整。直到窗口中心与质心之间的移动距离小于阈值，或者迭代次数达到某一最大值，认为收敛条件满足，此时可获得目标的最新时刻中心位置。并将搜索窗口位置和大小作为下一帧的目标位置输入，开始对下一帧图像进行新的目标搜索，即重复步骤2至6。

(三)运动航迹滤波

camshift算法能够自动调节窗口大小以适应跟踪目标在图像中的大小，且运算效率较高，但也存在着相近颜色干扰、大面积相同背景下目标丢失等问题，特别是在多目标跟踪中，当运动目标交错、重叠时，目标间的相互干扰，瞬间会失去目标颜色特征，以至于在图像中很难得到目标质心的精确位置，这样可能造成目标丢失。本发明采用kalman滤波对目标运动状态进行估计，提高目标跟踪的精度，减少目标丢失概率(何俊，英华等.基于camshift和kalman组合的改进目标跟踪算法.计算机测量与控制[j].2017(25)：209-212)。

kalman滤波算法主要是用来跟踪某一个或多个变量的值，跟踪的依据是首先根据系统的运动方程来对该值做预测，比如，本发明知道跟踪目标的运动速度，那么下一时刻它的位置是可以预测出来的，不过该预测肯定有误差，只能作为跟踪的依据。另一个依据是可以用测量手段来测量变量的值，当然该测量也是有误差的，也只能作为依据，不过这两个依据的权重比例不同。kalman滤波就是利用这两个依据进行一系列迭代达到对目标的跟踪。具体理论可参照现代控制理论相关资料(simond.optionalstateestimation：kalman，hinfinity，andnonlinearapproaches[m].johnwilery&sons，2006)，下面分析算法中的相关参数设置。

在多目标跟踪中，由于相邻两帧图像时间间隔较短(例如30毫秒)，一般各目标运动状态变化较小，这里假设两帧内目标做匀速运动。设两帧时间间隔为t，定义目标运动状态变量x

其中px、py分别指目标在水平、垂直方向的坐标位置，vx、vy分别指目标在水平、垂直方向的运动速度大小；观测值z＝(px，py)，对应观测到的目标距离。

定义系统状态转移矩阵f为：

观测矩阵h为：

另外，p和v为相互独立的白噪声序列，取p的协方差矩阵q为

v的协方差矩阵r为

工程实践时，当应用无人值守时，使用帧间差分法和canny边缘检测算法计算得到的运动目标(上文已介绍过目标运动检测的方法，相关结果也是卡尔曼滤波的初始化参数)，以此作为camshift算法的输入，同时也作为kalman滤波器初始状态向量；当有人干预时，以人工选的目标位置为目标状态的输入值进行计算。

(四)目标精确定位及距离估算

step1.计算视场大小

摄像头视场水平视场角a、垂直视场角b计算公式为：

a＝2atan(w/2f)b＝2atan(h/2f)(12)

式中，w为视场宽度，h为视场高度，f为镜头的焦距。在本发明的一个具体实施例中，以某一智能终端的摄像头参数计算。

已知：

(1)图像传感器：1/2.7”200万像素逐行扫描cmos，其成像尺寸为：w×h＝5.27mm×3.96mm；

(2)焦距：3.3mm-12mm；

(3)视角范围：96°-35°(16∶9)79.3°-27.2°(4∶3)

当焦距f为3.3mm时，可计算

水平视场角：a＝2atan(5.27mm/2×3.3mm)＝77.2°

垂直视场角：b＝2atan(3.96mm/2×3.3mm)＝61.9°

step2.推算目标方位

图2为实时跟踪目标示意画面。图2中，o为画面中心位置，重力传感器、磁传感器测量的方位角、高低角分别为(α0，β0)，目标p在画面中的像素坐标为(x，y)，图像分辨率为(w，h)，对应目标影像在水平上投影长度为l。

借用游标卡尺的工作原理，把传感器测量值(α0，β0)当作游标卡尺上的“主尺”读数，图像检测的目标质心坐标作为“副尺”读数，则方位角α、高低角β计算公式为

step3.估算目标距离

设某飞行器几何尺寸长为l，则观测点与目标的距离d计算公式为

实际工程中，仅通过远距离观察，是无法准确得到目标几何尺寸的。本发明确定目标的几何尺寸方法为：①当使用手动点选目标进行目标跟踪时，通过操作员手动选择目标类型，将典型目标的基本尺寸作为目标尺寸；②当处于无人值守状态，设备自动检测并跟踪目标时，可以利用深度学习算法识别目标类型，进而确定目标尺寸。图3为本发明实现的效果。

本发明的优点

一是借用游标卡尺的工作原理，将传感器测量的光学瞄准线的方位角和高低角作为目标方位、高低的“粗”值，加以终端摄像头画面处理后通过目标图像检测转换得到了目标位置角度“修正值”，计算更加精确的目标方位角和高低角；

二是利用终端摄像头画面边沿检测得到目标轮廓，通过目标图像大小与目标物理尺寸比例换算得到目标距离的方法；

三是综合使用kalman滤波算法对camshift方法跟踪到的目标航迹进行处理，得到相对稳定、连续的目标航迹，解决了终端摄像头画面中目标位置“跳动”的问题。

本方法完善了基于智能终端的低空目标侦察手段，利用图像处理方法大幅提高了终端测量目标方位角、高低角的精度，较好解决了终端无法自动测量目标距离的问题，增大了单个终端同时跟踪目标的容量，弥补了基于智能终端低空目标侦察系统的不足，利于生成更加准确、连续的目标航迹，大大提高了基于智能终端侦察低空目标的效能和效率。

本方案由于采用创新思路和高效计算方法，实现基于智能终端的低空目标探测跟踪的自动化，利用软件优化的方法达到较高现实需求的目的，从费效比、推广价值、使用前景等方面，同目前现有各类产品相比具有明显的技术与市场优势。

应用拓展

本发明不仅适用于空中飞行目标侦察监视，也适用于地面的车辆、行人等移动目标的识别定位，甚至在滤除目标背景海浪杂波之后，应用于海上航行的舰艇、船只等水上目标检测跟踪，在军事情报侦察领域、民用目标的安防监视行业应用前景广阔。特别是在安防行业，监控摄像头、红外探测仪大量部署，存储成本高、数字可读性差、难以实时共享等弊端也逐步显现，本发明作为视频或图片序列中目标识别跟踪定位的重要算法，跟踪和记录目标的空间位置和行动轨迹，消除通信、信息处理、显示等方面信息实时共享的瓶颈，可在智能安防领域发挥巨大效益。