多目标跟踪方法与流程

本发明涉及一种改进的(视频)多目标跟踪方法，属于视频图像处理领域，并能应用于结构振动测试与分析领域。
背景技术：
：传统的目标跟踪方法有基于MeanShift的跟踪、MeanShift与卡尔曼滤波相结合跟踪、基于模版匹配跟踪、以及基于粒子滤波等跟踪方法，对于结构振动数据，以上跟踪方法通常跟踪精度不高，不能够满足测试精度要求。对结构进行模态参数识别时，为得到结构的振型信息以及避免遗漏测试结构的某阶模态信息，需要同步进行多测点跟踪定位。通过改进多目标跟踪，实现了对多测点振动数据同步提取并能够达到较好的测试精度，为结构模态分析提供数据基础，并且能够避免对轻质、柔性结构附加质量的影响。技术实现要素：本发明旨在克服现有技术的不足，提供一种改进的(视频)多目标跟踪方法，能够实现对测试结构上多测点进行同步跟踪定位，并达到较好的精度，为后期振动分析(模态参数识别)提供数据支持。本发明提供的多目标跟踪方法，该方法实现多个目标即测点的同步跟踪，其包括以下步骤:载入并读取视频，选取目标即特征点的跟踪位置，对所述特征点进行检测及处理，最终输出跟踪结果。先载入视频并设置初始参数，所述载入并读取视频具体为：载入所述视频并对所述视频的信息进行读取，设置初始帧、读取帧数、跟踪窗口大小以及跟踪区域内特征点个数。对所述特征点进行检测及处理具体为：对视频图像进行灰度预处理，检测和分析所述特征点周围图像灰度变化，通过KLT算法对特征点进行匹配及优化处理。所述特征点检测方法为：A(m)=Σu,vω(u,v)Iu2(m)Iu(m)Iv(m)Iu(m)Iv(m)Iv2(m)---(1)]]>其中，Iu(m)和Iv(m)分别为图像角点特征点m处沿u方向和v方向的导数，权重函数ω(u,v)采用均匀分布或高斯分布；对该矩阵进行对角化处理，得出两个特征值λ1和λ2表示像素在特征方向上的变化量；当两个特征值都大于设定值时则该点为所跟踪特征点。所述特征点检测方法为：采用快速计算方法求取特征点，具体方法为：cornerpoints＝det(A)-α×tr2(A)(2)其中，det(A)和tr(A)分别为矩阵(1)的行列式和矩阵的迹，选取适当的阈值，超过阈值即为检测的特征点，为跟踪区域的特征点。对检测出的特征点进行匹配处理，所述通过KLT算法对特征点进行匹配及优化处理具体为：设在t时刻图像帧表示为I(x,y,t)，在t+Δt时刻图像帧表示I(x+Δx,y+Δy,t+Δt)，在t+Δt时刻的特征点为B(X)＝B(x,y,t+Δt)，其中X(x，y)表示为特征窗口坐标；在t+Δt时刻的特征窗口为A(X+d)＝A(x+Δx，y+Δy，t+Δt)；设n(X)为时间Δt内由于光照条件变化等产生的噪声，则有B(X)＝A(X+d)+n(X)(3)将n(X)平方并在整个窗口上积分，即为窗口图像的灰度差平方和函数为：ϵ=∫∫W(n(X))2ω(X)dX=∫∫W(A(X+d)-B(X))2ω(X)dX---(4)]]>其中，ω(X)为加权函数，采用高斯分布函数；d(Δx，Δy)＝(Δx，Δy)T，X＝(x，y)T，将A(X+d)进行泰勒级数展开，g为泰勒展开的一阶泰勒系数，g＝(gx(X)，gy(X))T可以得到：A(X+d)＝A(X)+g·d(5)将式(5)带入式(4)中并对d求导，可得到：∂ϵ∂d=∫∫W(A(X)-B(X)+gTd)gω(X)dX---(6)]]>令式(6)变换为：(∫∫WgTgω(X)dX)d=∫∫W(B(X)-A(X))gω(X)dX---(7)]]>令式(7)表示为：Zd＝e(8)采用牛顿迭代表达式，其表达式为：dk+1＝dk+Z-1e(9)初始迭代值通常为d0＝(0,0)T，对每个特征点进行迭代，满足设定精度停止迭代，求出特征点的的位移d(Δx,Δy)；对跟踪对象中的特征点进行优化处理具体为：min=Σi=1n(u*-ui)2+(v*-vi)2---(10)]]>式中，(u*,v*)为所求跟踪区域的像素坐标，(ui,vi)为跟踪区域中第i个特征点像素坐标，n为每个跟踪区域内特征点个数。本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明实施提供的多目标跟踪的方法，可实现对多测点振动信息同步提取，跟踪结果精度高；将提取出的测点振动信息与模态分析方法相结合，实现对测试结构的模态参数识别。附图说明以下将结合附图对本发明作进一步说明：图1为多目标(测点)跟踪流程图；图2为三摆系统跟踪图；图3为法国梧桐树叶测点跟踪图；图4为银杏树叶测点跟踪图；图5为风扇叶片测点跟踪图；图6为风扇叶片37#测点脉冲响应与随机响应跟踪结果；图7为识别出三摆系统前三阶振型图；图8为识别出法国梧桐树叶前两阶振型图；图9为识别出银杏树叶前两阶振型图；图10为识别出风扇叶片前两阶振型图。具体实施方式本发明的实施提供一种改进的多目标跟踪方法，能够实现对测试结构上多测点进行跟踪定位，并达到较好的精度，为后期振动分析(模态参数识别)提供数据支持。为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。如图1所示，是本发明方法的流程图，一种改进的目标跟踪方法并结合模态分析软件识别出被测结构的模态参数。步骤一：载入视频；步骤二：初始帧、读取帧数、跟踪窗口大小、特征点阈值确定；步骤三：多目标(测点)跟踪位置选取；在初始帧上，对测点位置手动依次进行选取，如附图2中最左侧图所示。步骤四：特征点检测；特征点检测，跟踪区域中的特征点也成为特征点，特征点周围图像灰度会沿数个方向发生明显变化，可通过分析小窗口内的灰度变化对特征点进行检测。特征点检测如下公式：A(m)=Σu,vu(u,v)Iu2(m)Iu(m)Iv(m)Iu(m)Iv(m)Iv2(m)---(1)]]>其中，Iu(m)和Iv(m)分别为图像m点处沿u方向和v方向的导数。权重函数ω(u,v)采用均匀分布或高斯分布。对该矩阵进行对角化处理，得出两个特征值λ1和λ2表示像素在特征方向上的变化量。特征值越大则说明该方向上变化量越大。当两个特征值都大于阈值时即该点为特征点。为避免计算特征值，采用快速计算方法求取特征点。cornerpoints＝det(A)-α×tr2(A)(2)其中，det(A)和tr(A)分别为矩阵的行列式和矩阵的迹，系数α一般取0.04～0.15。选取适当的阈值，超过阈值即为检测的特征点，为跟踪区域的特征点。步骤五：特征点匹配及优化处理：特征点匹配：对于灰度图像，KLT算法假设一个包含特征纹理信息的特征窗口W，在t时刻图像帧表示为I(x,y,t)和在t+Δt时刻图像帧表示I（x,y,t+Δt)，其位置关系为：I(x,y,t+Δt)＝I(x+Δx,y+Δy,t）(3)在I(x,y,t+Δt)中的每个像素点，均可由I(x,y,t)中相应窗口的像素点平移d(Δx,Δy)得出。在t+Δt时刻的特征窗口为B(X)＝B(x,y,t+Δt)，其中X(x,y)表示为特征窗口坐标。在t+Δt时刻的特征窗口为A(X+d)＝A(x+Δx,y+Δy,t+Δt)。考虑一般情况，设n(X)为时间Δt内由于光照条件变化等产生的噪声，则有B(X)＝A(X+d)+n(X)(4)将n(X)平方并在整个窗口上积分，即为窗口图像的灰度差平方和函数为：ϵ=∫∫W(n(X))2ω(X)dX=∫∫W(A(X+d)-B(X))2ω(X)dX---(5)]]>其中，ω(X)为加权函数，通常取1，若要突出窗口中心纹理部分的作用，可采用高斯分布函数。d(Δx,Δy)＝(Δx,Δy)T，X＝(x,y)T，一般d是远小于X的量，可将A(X+d)进行泰勒级数展开，去除高次项，取前两项，g为泰勒展开的一阶泰勒系数，g＝(gx(X),gy(X))T可以得到：A(X+d)＝A(X)+g·d(6)将式(6)带入式(5)中并对d求导，可得到：∂ϵ∂d=∫∫W(A(X)-B(X)+gTd)gω(X)dX---(7)]]>令式(7)变换为：(∫∫WgTgω(X)dX)d=∫∫W(B(X)-A(X))gω(X)dX---(8)]]>令式(8)表示为：Zd＝e(9)采用牛顿迭代表达式，其表达式为：dk+1＝dk+Z-1e(10)初始迭代值通常为d0＝(0,0)T，对每个跟踪点进行迭代，满足一定精度停止迭代，求出特征窗口的位移d(Δx,Δy)。跟踪区域特征点优化，对每个跟踪对象中的特征点进行优化处理如下：min=Σi=1n(u*-ui)2+(v*-vi)2---(11)]]>步骤六：特征点自动添加对于各个跟踪区域中跟踪特征点个数小于设定阈值时进行自动添加。步骤七：判定是否到达读取帧数，跟踪过程中可中断或继续跟踪，输出跟踪结果，并与模态分析方法相结合，识别出被测结构模态参数。实施例图2～图5为视频多目标(测点)跟踪实例，对多目标(测点)测试结构进行动态跟踪。实现对测试结构上多测点振动信号同步跟踪。图6为图5风扇叶片上37#测点分别在脉冲激励和随机激励下的响应信号，采用本方法具有较好的跟踪精度和灵敏性。图7～10分别为三摆系统、法国梧桐树叶、银杏树叶和风扇叶片的模态参数识别结果和振型图，采用本方法，实现对多目标(测点)同步跟踪，对多测点振动数据同步提取，并保证测试精度，较为方便并较好地实现对柔性以及多测点结构的模态参数识别。在实施例中，三摆系统为离散结构，法国梧桐树叶、银杏树叶和风扇叶片为连续结构，结合本方法，较为方便地实现了对离散结构和连续结构的特别是柔性结构(如三摆系统、树叶等)的模态参数识别，并取得了较好的效果。当前第1页1 2 3