一种用于高速旋转平台的目标跟踪方法与流程

1.本发明属于图像处理和目标跟踪技术领域，具体涉及一种用于高速旋转平台的目标跟踪方法。


背景技术：

2.近年来，针对复杂背景下运动目标自动跟踪需求日益迫切。与此同时，高速旋转平台作为光电跟踪设备的搭载平台，其光电成像过程表现为短时间内的大角度旋转，目标在图像中的剧烈旋转往往会导致目标跟踪丢失，现有的目标跟踪算法均无法满足此应用条件，对导引系统性能产生较大影响，现有技术急需研究改进。


技术实现要素：

3.鉴于上述的分析，本发明旨在公开了一种用于高速旋转平台的目标跟踪方法，解决了图像高速旋转过程中的稳定跟踪问题。
4.本发明公开了一种用于高速旋转平台的目标跟踪方法，包括：
5.步骤s1、获取用于目标跟踪的初始帧图像；所述初始帧图像与后续帧图像存在旋转角；
6.步骤s2、获取后一帧图像，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像；
7.步骤s3、以前一帧图像的目标点坐标为中心，在旋转后图像中采用相关滤波模型进行目标检测得到旋转后图像中的目标点坐标；
8.步骤s4、将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标；并根据该目标点坐标，计算旋转平台的视线角速度作为跟踪输出信号；
9.步骤s5、以所述旋转后图像的目标点坐标为中心截取搜索区域更新相关滤波模型，按照步骤s2-s4的方法，对再后一帧图像进行目标跟踪；
10.重复步骤s2-s5直至对后续所有帧图像进行目标跟踪。
11.进一步地，步骤s2中，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像的像素点坐标(x',y')为：其中，(x,y)为旋转前图像的像素点坐标；(xr,yr)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。
12.进一步地，所述步骤s3中包括：
13.1)对旋转后图像进行插值得到包括图像中各像素点灰度值的灰度图；
14.2)以前一帧图像的目标点坐标为中心，在灰度图中截取设定大小的图像进行归一化后，提取hog特征得到特征矩阵z；
15.3)采用相关滤波模型在截取设定大小的图像中进行目标检测得到旋转后图像中
的目标点坐标。
16.进一步地，在采用相关滤波模型进行目标检测中，通过计算滤波响应矩阵r；在滤波响应矩阵r中搜索峰值得到目标点坐标；
17.其中，f-1
为傅里叶反变换；为相关滤波模型a的傅立叶变换；换；为高斯核函数的傅立叶变换；λ为正则化参数；为互相关函数的傅立叶变换；相关函数σ为高斯核函数的宽度参数；x为相关滤波模型的模板数据；为模板数据傅立叶变换的共轭；为特征矩阵z的傅立叶变换。
18.进一步地，相关滤波模型更新前，相关滤波模型的模板数据x的初始值为，以初始帧图像的目标点坐标为中心，在初始帧图像的灰度图中截取设定大小的图像进行归一化后，提取hog特征得到的特征矩阵；
19.相关滤波模型模板数据x的更新公式为x
new
＝(1-α)*x
old
+α*x
update
；其中，α为更新速率；x
old
为上一次相关滤波的模板数据；x
update
为已跟踪的最新帧图像的旋转后图像的目标点坐标为中心截取搜索区域计算的hog特征矩阵。
20.进一步地，相关滤波模型更新前，相关滤波模型进一步地，相关滤波模型更新前，相关滤波模型为高斯核函数的傅立叶变换；λ为正则化参数；k
xx
为模板数据x初始值的自相关函数；
21.相关滤波模型的更新公式为a
new
＝(1-α)*a
old
+α*a
update
；其中，α为更新速率；a
old
为上一次相关滤波的相关滤波模型；a
update
为利用更新后的模板数据得到的相关滤波模型，
22.进一步地，所述步骤s4中包括：
23.1)将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)；
24.2)根据公式计算旋转平台的视线角速度作为跟踪输出信号；
25.其中，v
x
和vy为x方向和y方向视线角速度，xc和yc为旋转前图像x方向与y方向中心点坐标，r
x
和ry为x方向和y方向视线角速度当量值。
26.进一步地，将旋转后图像中的目标点坐标(x'
t
,y'
t
)转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)的公式为：
27.其中，(x,y)为旋转前图像中的点的坐标：(x',y')为旋转后图像的像素坐标；(xr,yr)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。
28.进一步地，提取图像hog特征形成特征矩阵z包括：
29.1)计算x和y两个方向梯度，包括梯度幅值与角度；
30.2)划分cell，构建每个cell的梯度方向直方图；
31.3)归一化梯度直方图，将归一化梯度直方图向量连接在一起，得到hog特征，形成特征矩阵z。
32.进一步地，采用软映射的策略，在构建梯度方向直方图时，对处在多个cell交界位置的像素，以线性插值的方式将每个像素梯度分配到相邻的cell中；
33.在归一化梯度直方图时，对各个cell进行归一化，以cell为基本单位，将2*2个cell整合为1个block，并使用无向梯度直方图向量的l2范数分别计算每个block的归一化因子；使用归一化因子对每个梯度直方图向量的元素进行归一化，使用设定阈值进行数据截断，并对每个元素归一化后得到的4个值取均值，作为当前元素归一化后的最终结果。
34.本发明至少可实现以下有益效果之一：
35.1)方法使用范围广，可普遍适用于高速旋转平台中的光电跟踪导引；
36.2)算法计算复杂度低、实现实时性好，在常用的嵌入式硬件平台上即可满足实时计算要求；
37.3)适应性好，可充分适应不低于100度/秒的高速旋转平台。
附图说明
38.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
39.图1为本发明实施例中的目标跟踪方法流程图。
具体实施方式
40.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理。
41.本发明的一个实施例公开了一种用于高速旋转平台的目标跟踪方法，如图1所示，包括以下步骤：
42.步骤s1、获取用于目标跟踪的初始帧图像；所述初始帧图像与后续帧图像存在旋转角；
43.步骤s2、获取后一帧图像，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像；
44.步骤s3、以前一帧图像的目标点坐标为中心，在旋转后图像中采用相关滤波模型进行目标检测得到旋转后图像中的目标点坐标；
45.步骤s4、将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标；并根据该目标点坐标，计算旋转平台的视线角速度作为跟踪输出信号；
46.步骤s5、以所述旋转后图像的目标点坐标为中心截取搜索区域更新相关滤波模型，按照步骤s2-s4的方法，对再后一帧图像进行目标跟踪；
47.重复步骤s2-s5直至对后续所有帧图像进行目标跟踪。
48.具体的，由于本实施例中采用的高速旋转平台进行目标跟踪，每一帧图像之间由于平台的选择都存在一定的图像旋转角。
49.具体的，本实施例中的旋转角的计算包括：
50.1)根据高速旋转平台的姿态数据，建立由世界坐标系中的点pw(xw,yw,zw)到成像坐标系中的点pm(xm,ym,zm)的变换矩阵t：
[0051][0052]
式中φ、θ、γ分别为成像航向角、俯仰角、滚动角。t-1
为成像器坐标系到大地坐标系的变换矩阵：
[0053]
2)对变换矩阵t求逆矩阵t-1
得到成像器坐标系到大地坐标系的变换矩阵；
[0054][0055]
3)得到图像旋转角ξ：
[0056][0057]
具体的，步骤s2中，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像的像素点坐标(x',y')为：其中，(x,y)为旋转前图像的像素点坐标；(xr,yr)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。
[0058]
具体的，所述步骤s3中包括：
[0059]
步骤s301、对旋转后图像进行插值得到包括图像中各像素点灰度值的灰度图；
[0060]
经过旋转后得到的图像坐标一般为浮点数，而图像像素坐标一般为整数，旋转图像时采用双线性插值，利用周围4个邻点的灰度值在两个方向上作线性内插以得到待采样点的灰度值，即根据待采样点与相邻点的距离确定相应的权值计算出待采样点的灰度值。其中(x,y)坐标表示像素的位置，f(x,y)表示像素的灰度值，其数学表达式为：
[0061]
f(i+u,j+v)＝(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)；
[0062]
上式中，u和v取值范围为(0,1)，代表采样点与相邻4个点中左上角点的x坐标与y坐标的差；i和j代表采样点与相邻4个点中的左上角点x坐标与y坐标。
[0063]
步骤s302、以前一帧图像的目标点坐标为中心，在灰度图中截取设定大小的图像进行归一化后，提取hog特征得到特征矩阵z；
[0064]
步骤s303、采用相关滤波模型在截取设定大小的图像中进行目标检测得到旋转后图像中的目标点坐标。
[0065]
初始帧图像的目标捕获可以采用目标边缘提取加目标识别，或者学习训练分类器，以及利用训练神经网络等现有的目标识别技术进行。任意一种现有的目标捕获技术并不对本发明的目标跟踪系统的方案创造性造成影响。
[0066]
具体的，步骤s302中，旋转后图像为i，目标初始大小为(w,h)，对图像i以前一帧图
像的目标点坐标为中心截取大小为(4w,4h)的图像i'，将图像i'归一化为64*64大小的图像i”，对其提取hog特征的步骤如下：
[0067]
1)计算x和y两个方向梯度，包括梯度幅值与角度；
[0068]
x、y方向梯度值：
[0069][0070]
梯度幅值和梯度角度：
[0071][0072]
上式中，f(x+1,y)、f(x-1,y)、f(x,y+1)、f(x,y-1)分别代表对应位置像素的灰度值，g
x
(x,y)代表坐标(x,y)处x方向梯度值，gy(x,y)代表坐标(x,y)处y方向梯度值，g(x,y)为梯度幅值，θ(x,y)为梯度角度。
[0073]
2)划分cell，构建每个cell的梯度方向直方图；
[0074]
具体的，采用软映射的策略，在构建梯度方向直方图时，对处在多个cell交界位置的像素，以线性插值的方式将每个像素梯度分配到相邻的cell中；
[0075]
更具体的，p1～p4表示4个像素点位置，对应着线性插值的4种情况：
[0076]
p1由4个cell共享；
[0077]
p2由上下2个cell共享；
[0078]
p3由左右两个cell共享；
[0079]
p4仅映射到一个cell。
[0080]
p1点的映射关系：
[0081]
假设p1的坐标为(x,y)，则p1点的梯度直方图向量向相邻的4个cell的映射公式为：
[0082][0083]
上式中，cellsize代表每个cell包含的像素个数，和分别代表对a和b向下取整，h
p1
代表p1点的梯度直方图向量，ha、hb、hc、hd分别代表与p1点相邻的4个cell的梯度直方图向量；优选的，cellsize取值为4。
[0084]
p2和p3点的映射公式为：
[0085][0086]
上式中，a和b的计算方法同上一个公式，h
p2
代表p2点的梯度直方图向量，h
p3
代表p3点的梯度直方图向量，he、hf分别代表与p2点相邻的上下2个cell的梯度直方图向量，hg、hh分别代表与p3点相邻的左右2个cell的梯度直方图向量。
[0087]
p4点的映射公式为：
[0088]hi
+＝h
p4
；
[0089]
上式中，h
p4
代表p4点的梯度直方图向量，hi代表p4点所在cell的梯度直方图向量。
[0090]
3)归一化梯度直方图，将归一化梯度直方图向量连接在一起，得到hog特征矩阵。
[0091]
具体的，在归一化梯度直方图时，对各个cell进行归一化，以cell为基本单位，将2*2个cell整合为1个block，并使用无向梯度直方图向量的l2范数分别计算每个block的归一化因子；
[0092]
细胞单元e(坐标为(i,j))在空间上同属于b1、b2、b3、b4四个block，每个block的归一化因子为：
[0093][0094]
上式中，δ和γ取值为1或-1，代表细胞单元e的梯度直方图向量，n
δ,γ
(i,j)为细胞单元e对应位置(δ,γ)的block归一化因子。
[0095]
优选的，当δ和γ均取值为1时，n
δ,γ
(i,j)为细胞单元e在右下block的归一化因子，代表细胞单元e右边细胞单元的梯度直方图向量，代表细胞单元e下边细胞单元的梯度直方图向量，代表细胞单元e右下细胞单元的梯度直方图向量。
[0096]
使用归一化因子对每个梯度直方图向量的元素进行归一化，使用设定阈值进行数据截断，并对每个元素归一化后得到的4个值取均值，作为当前元素归一化后的最终结果。
[0097]
具体的，分别使用4个归一化因子，对每个梯度直方图向量的元素进行归一化，使用阈值0.2截断，并对每个元素归一化后得到的4个值取均值，作为当前元素归一化后的最终结果，公式如下所示：
[0098][0099]
上式中，为取均值后的坐标为(i,j)梯度方向划分在第k象限的细胞单元e方向为k的梯度直方图向量，代表取均值前的坐标为(i,j)的细胞单元e梯度直方图向量；n-1,-1
(i,j)、n
1,-1
、n-1,1
、n
1,1
分别代表细胞单元e在左上、右上，左下、右下4个block中的归一化因子；t
0.2
(x)代表对括号中的变量x进行阈值截断，average()表示对括号中的多个数值取平均；
[0100]
t
0.2
(x)中，若x小于等于0.2则取值为x，否则取值为0.2。
[0101]
此外，将由不同归一化因子归一化过的无向梯度累加，分别得到4个梯度能量和，作为一个cell的纹理分布特征，公式如下所示：
[0102][0103]
上式中，nbins代表所有梯度方向划分的象限个数，代表所有方向梯度值的累加和；优选的，nbins取值为6。
[0104]
将上文所述的归一化直方图向量连接在一起，得到hog特征矩阵。
[0105]
具体的，步骤s303中采用相关滤波模型在截取设定大小的图像中，利用提取的特征矩阵进行目标检测；通过计算滤波响应矩阵r，在滤波响应矩阵r中搜索峰值得到目标点坐标(x'
t
,y'
t
)。
[0106]
其中，f-1
为傅里叶反变换；为相关滤波模型a的傅立叶变换；变换；为高斯核函数的傅立叶变换；λ为正则化参数；为互相关函数的傅立叶变换；正则化参数λ设置为0.1。
[0107]
相关函数σ为高斯核函数的宽度参数；优选的，高斯核函数的σ设置为0.125。x为相关滤波模型的模板数据。为模板数据傅立叶变换的共轭；为特征矩阵z的傅立叶变换。
[0108]
具体的，所述步骤s4中包括：
[0109]
1)将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)；
[0110]
将旋转后图像中的目标点坐标(x'
t
,y
t
')转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)的公式为：
[0111]
其中，(x,y)为旋转前图像中的点的坐标：(x',y')为旋转后图像的像素坐标；(xr,yr)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。
[0112]
2)根据公式计算旋转平台的视线角速度作为跟踪输出信号；
[0113]
其中，v
x
和vy为x方向和y方向视线角速度，xc和yc为图像x方向与y方向中心点坐
标，r
x
和ry为x方向和y方向视线角速度当量值。
[0114]
具体的，步骤s5中对相关滤波模型的更新包括模板数据更新和相关模型更新。
[0115]
其中，模板数据更新包括：
[0116]
相关滤波模型更新前，相关滤波模型的模板数据x的初始值为，以初始帧图像的目标点坐标为中心，在初始帧图像的灰度图中截取设定大小的图像进行归一化后，提取hog特征得到特征矩阵。
[0117]
相关滤波模型模板数据x的更新公式为x
new
＝(1-α)*x
old
+α*x
update
；其中，α为更新速率；x
old
为上一次相关滤波的模板数据；x
update
为已跟踪的最新帧图像的旋转后图像的目标点坐标为中心截取搜索区域计算的hog特征矩阵。
[0118]
其中，相关模型更新包括：
[0119]
相关滤波模型更新前，相关滤波模型相关滤波模型更新前，相关滤波模型为高斯核函数的傅立叶变换；λ为正则化参数；k
xx
为模板数据x初始值的自相关函数；
[0120]
相关滤波模型的更新公式为a
new
＝(1-α)*a
old
+α*a
update
；其中，α为更新速率；a
old
为上一次相关滤波的相关滤波模型；a
update
为利用更新后的模板数据得到相关滤波模型，
[0121]
α为更新速率，其值设置为0.012。
[0122]
例如，对于初始帧图像后一帧图像的相关滤波时，相关滤波模型为更新前的状态，此时，相关滤波模型的模板数据x为初始值；相关滤波模型
[0123]
当初始帧图像后一帧图像跟踪后，再对更后一帧图像进行跟踪时，对模板数据和相关模型进行更新。此时，对相关滤波模型的模板数据更新，使模板数据x
new
＝(1-α)*x
old
+α*x
update
；其中，x
old
为上一次相关滤波的模板数据，x
update
为以初始帧图像的后一帧图像的旋转后图像的目标点坐标为中心截取搜索区域计算的hog特征矩阵。相关滤波模型a
new
＝(1-α)*a
old
+α*a
update
；其中，α为更新速率；a
old
为上一次相关滤波的相关滤波模型；a
update
为利用更新后的模板数据x
new
得到相关滤波模型，
[0124]
依照上述更新过程，通过更新后的相关滤波模型对后续所有帧图像进行目标跟踪。
[0125]
综上所述，本发明实现了图像高速旋转过程中的稳定跟踪。
[0126]
并且本发明的方法使用范围广，可普遍适用于高速旋转平台中的光电跟踪导引；算法计算复杂度低、实现实时性好，在常用的嵌入式硬件平台上即可满足实时计算要求；适应性好，可充分适应不低于100度/秒的高速旋转平台。
[0127]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种用于高速旋转平台的目标跟踪方法，其特征在于，包括：步骤s1、获取用于目标跟踪的初始帧图像；所述初始帧图像与后续帧图像存在旋转角；步骤s2、获取后一帧图像，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像；步骤s3、以前一帧图像的目标点坐标为中心，在旋转后图像中采用相关滤波模型进行目标检测得到旋转后图像中的目标点坐标；步骤s4、将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标；并根据该目标点坐标，计算旋转平台的视线角速度作为跟踪输出信号；步骤s5、以所述旋转后图像的目标点坐标为中心截取搜索区域更新相关滤波模型，按照步骤s2-s4的方法，对再后一帧图像进行目标跟踪；重复步骤s2-s5直至对后续所有帧图像进行目标跟踪。2.根据权利要求1所述的目标跟踪方法，其特征在于，步骤s2中，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像的像素点坐标(x',y')为：其中，(x,y)为旋转前图像的像素点坐标；(x
r
,y
r
)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。3.根据权利要求1所述的目标跟踪方法，其特征在于，所述步骤s3中包括：1)对旋转后图像进行插值得到包括图像中各像素点灰度值的灰度图；2)以前一帧图像的目标点坐标为中心，在灰度图中截取设定大小的图像进行归一化后，提取hog特征得到特征矩阵z；3)采用相关滤波模型在截取设定大小的图像中进行目标检测得到旋转后图像中的目标点坐标。4.根据权利要求3所述的目标跟踪方法，其特征在于，在采用相关滤波模型进行目标检测中，通过计算滤波响应矩阵r；在滤波响应矩阵r中搜索峰值得到目标点坐标；其中，f-1
为傅里叶反变换；为相关滤波模型a的傅立叶变换；为相关滤波模型a的傅立叶变换；为高斯核函数的傅立叶变换；λ为正则化参数；为互相关函数的傅立叶变换；相关函数σ为高斯核函数的宽度参数；x为相关滤波模型的模板数据；为模板数据傅立叶变换的共轭；为特征矩阵z的傅立叶变换。5.根据权利要求4所述的目标跟踪方法，其特征在于，相关滤波模型更新前，相关滤波模型的模板数据x的初始值为，以初始帧图像的目标点坐标为中心，在初始帧图像的灰度图中截取设定大小的图像进行归一化后，提取hog特征得到的特征矩阵；相关滤波模型模板数据x的更新公式为x
new
＝(1-α)*x
old
+α*x
update
；其中，α为更新速率；x
old
为上一次相关滤波的模板数据；x
update
为已跟踪的最新帧图像的旋转后图像的目标点坐标为中心截取搜索区域计算的hog特征矩阵。6.根据权利要求5所述的目标跟踪方法，其特征在于，相关滤波模型更新前，相关滤波
模型模型为高斯核函数的傅立叶变换；λ为正则化参数；k
xx
为模板数据x初始值的自相关函数；相关滤波模型的更新公式为a
new
＝(1-α)*a
old
+α*a
update
；其中，α为更新速率；a
old
为上一次相关滤波的相关滤波模型；a
update
为利用更新后的模板数据得到的相关滤波模型，7.根据权利要求4所述的目标跟踪方法，其特征在于，所述步骤s4中包括：1)将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)；2)根据公式计算旋转平台的视线角速度作为跟踪输出信号；其中，v
x
和v
y
为x方向和y方向视线角速度，x
c
和y
c
为旋转前图像x方向与y方向中心点坐标，r
x
和r
y
为x方向和y方向视线角速度当量值。8.根据权利要求7所述的目标跟踪方法，其特征在于，将旋转后图像中的目标点坐标(x
′
t
,y
′
t
)转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标(x
t
,y
t
)的公式为：其中，(x,y)为旋转前图像中的点的坐标：(x',y')为旋转后图像的像素坐标；(x
r
,y
r
)为图像旋转中心坐标，是旋转前图像的任意一点；ξ为图像旋转角。9.根据权利要求3所述的目标跟踪方法，其特征在于，提取图像hog特征形成特征矩阵z包括：1)计算x和y两个方向梯度，包括梯度幅值与角度；2)划分cell，构建每个cell的梯度方向直方图；3)归一化梯度直方图，将归一化梯度直方图向量连接在一起，得到hog特征，形成特征矩阵z。10.根据权利要求9所述的目标跟踪方法，其特征在于，采用软映射的策略，在构建梯度方向直方图时，对处在多个cell交界位置的像素，以线性插值的方式将每个像素梯度分配到相邻的cell中；在归一化梯度直方图时，对各个cell进行归一化，以cell为基本单位，将2*2个cell整合为1个block，并使用无向梯度直方图向量的l2范数分别计算每个block的归一化因子；使用归一化因子对每个梯度直方图向量的元素进行归一化，使用设定阈值进行数据截断，并对每个元素归一化后得到的4个值取均值，作为当前元素归一化后的最终结果。

技术总结
本发明涉及一种用于高速旋转平台的目标跟踪方法，包括：获取用于目标跟踪的初始帧图像；获取后一帧图像，根据与初始帧图像存在的旋转角，进行图像旋转，得到消除旋转角的旋转后图像；以前一帧图像的目标点坐标为中心，在旋转后图像中采用相关滤波模型进行目标检测得到旋转后图像中的目标点坐标；将旋转后图像中的目标点坐标转换到旋转前图像中，得到目标点在旋转前图像中的目标点坐标；并根据该目标点坐标，计算旋转平台的视线角速度作为跟踪输出信号；以所述旋转后图像的目标点坐标为中心截取搜索区域更新相关滤波模型，对再后一帧图像进行目标跟踪；进而对后续所有帧图像进行目标跟踪。本发明实现了图像高速旋转过程中的稳定跟踪。定跟踪。定跟踪。


技术研发人员：臧志鹏 孙长燕 董诚辰 李华德 吴云辉
受保护的技术使用者：北京华航无线电测量研究所
技术研发日：2022.02.10
技术公布日：2023/8/9