一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法

摘要

本发明公开了一种基于Kalman滤波器的压缩时空融合跟踪方法，所述方法包括：利用压缩感知原理，将高维的可见光与红外样本图像块分别表示为各传感器相应的压缩特征向量；设计一个关联特征矩阵，将各传感器的压缩特征向量结合起来；用似然函数来建立一个空间系数矩阵；设计一个时间系数矩阵，并基于Kalman滤波器对其进行估计；结合时间与空间系数矩阵求得时空系数矩阵；计算出一个新的融合特征向量，并将其反馈以训练滤波器。该融合过程不仅具备Kalman估计特征，同时还在时间和空间两个领域完成，整个融合任务是一个闭环系统，并且视频的每一帧仅用一个时空系数矩阵就可以完成。

主权项

一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法，其特征在于，包括以下步骤： 步骤1）输入可见光与红外图像； 步骤2）对所述可见光和红外图像的前一帧图像的目标取样本图像块，其中，第一帧的目标位置手工框定，利用压缩感知原理，将所述样本图像块高维空间映射为低维空间，在可见光与红外样本中分别计算样本压缩特征向量，得到可见光与红外的低维特征向量； 步骤3）通过传感器的特征向量得到关联特征向量； 步骤4）通过所述传感器特征向量与模板的似然函数建立空间系数矩阵； 步骤5）基于Kalman滤波器对时间系数矩阵进行估计，根据所述Kalman滤波器在不同时刻进行预测来估计得到时间系数矩阵； 步骤6）结合所述时间与空间系数矩阵计算得到时空系数矩阵； 步骤7）所述关联特征向量和所述时空系数矩阵相乘得到融合特征向量，并将所述融合特征向量反馈用来训练所述Kalman滤波器，形成一个闭环系统； 步骤8）通过贝叶斯分类器对所述融合特征向量进行建模，所述分类器值的最大值对应的样本框位置即为跟踪结果位置，得到跟踪结果后，提取正负样本，并更新所述贝叶斯分类器，为下一帧跟踪做准备； 步骤9）输出所述跟踪位置、所述分类器以及所述Kalman滤波器参数。