本發(fā)明涉及船舶智能設備，具體地說，涉及應用于智能水炮的目標跟蹤方法及跟蹤系統(tǒng)。

背景技術：

1、智能水炮是一種集成了現(xiàn)代信息技術、自動控制技術的精密機械制造技設備，通常用于自動探測、定位并撲滅火災，具有響應速度快、定位準確、滅火效率高的特點，特別在海上航行過程中，如果發(fā)生火災，船舶通過配備的智能水炮迅速噴射大量的水來滅火，保障船舶和人員的安全。

2、但是，對于海上的多目標追蹤場景中，每個目標都有自己的運動特性，目標之間可能會相互遮擋或者發(fā)生碰撞，這使得目標的運動變得不可預測，增加了智能水炮對目標的追蹤難度；

3、同時，由于當水流從水炮噴出時，會產(chǎn)生一個反作用力，這個力會對水炮本身產(chǎn)生一個力矩，如果水流射速較高，產(chǎn)生的反作用力也會較大，進而影響水炮的穩(wěn)定性和轉(zhuǎn)向精度；因此，提供應用于智能水炮的目標跟蹤方法及跟蹤系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供應用于智能水炮的目標跟蹤方法及跟蹤系統(tǒng)，以解決上述背景技術中提出的對于多目標追蹤場景中，每個目標都有自己的運動特性，目標之間可能會相互遮擋或者發(fā)生碰撞，這使得目標的運動變得不可預測，增加了智能水炮對目標的追蹤難度的問題。

2、為實現(xiàn)上述目的，本發(fā)明目的在于提供了應用于智能水炮的目標跟蹤方法，包括以下步驟：

3、s1、采用傳感器對目標及目標環(huán)境進行多源數(shù)據(jù)采集，并對收集到的多源數(shù)據(jù)進行預處理，并采用數(shù)據(jù)融合技術將多源圖像數(shù)據(jù)進行融合；

4、s2、采用目標提取算法從多源圖像數(shù)據(jù)中提取目標特征；

5、s3、建立多目標追蹤模型，對從多源圖像數(shù)據(jù)中提取到的目標特征進行實時追蹤，并引入多目標追蹤控制策略，針對多個目標點，進行追蹤優(yōu)先級排序；

6、s4、將追蹤到的目標點的位置信息發(fā)送至水炮執(zhí)行機構，水炮執(zhí)行機構基于pid控制算法實現(xiàn)對水炮的轉(zhuǎn)向和水流噴射控制；

7、其中，將水流射速對水炮轉(zhuǎn)向精度的影響引入pid控制算法，實現(xiàn)水炮的轉(zhuǎn)向和水流噴射的優(yōu)化控制。

8、作為本技術方案的進一步改進，所述傳感器至少包括視覺傳感器和紅外傳感器；

9、其中，視覺傳感器用于采集包含目標與目標環(huán)境視覺特征的視頻流，視頻流用于提供周圍環(huán)境輪廓信息、目標物的輪廓信息、目標物的運動軌跡和速度、目標物表面紋理特征、目標物與傳感器之間的距離信息；

10、紅外傳感器用于探測目標環(huán)境的紅外特征，紅外特征具體包括熱源位置信息和熱輻射強度。

11、作為本技術方案的進一步改進，所述s1中，采用數(shù)據(jù)融合技術將多源圖像數(shù)據(jù)進行融合，數(shù)據(jù)融合技術涉及的具體步驟為：

12、s1.1、采用i?cp算法對預處理后的視覺特征和紅外特征在相同的空間框架內(nèi)對齊；將視覺傳感器捕獲的目標輪廓信息和紅外傳感器捕獲的溫度分布信息對齊在同一坐標系下，這樣就可以綜合兩者的信息來進行更準確的目標跟蹤和定位；

13、具體的對齊步驟如下：

14、將可見光圖像的邊緣特征轉(zhuǎn)換為點云形式；

15、對于紅外圖像，提取溫度分布特征，并轉(zhuǎn)換為相應的點云；

16、在初始對齊的基礎上，使用i?cp算法來尋找最佳的旋轉(zhuǎn)和平移，使得可見光圖像的點云與紅外圖像的點云之間的距離最小化；

17、進行迭代更新變換，直到達到預定的收斂條件，icp算法通過迭代地找到最近鄰點對，并估計最優(yōu)變換，來逐步減小兩組點云之間的差異，進而完成視覺特征和紅外特征在相同的空間框架內(nèi)對齊，確保來自不同傳感器的數(shù)據(jù)能夠在同一空間坐標系中進行比較和融合。

18、s1.2、將在相同的空間框架內(nèi)對齊后的視覺特征與紅外特征進行合并，構建一個完整的特征向量f；

19、s1.3、采用遞歸特征消除算法篩選出特征向量f中的特征子集m；

20、s1.4、根據(jù)特征子集m中特征的重要性賦予每個特征不同的權重，得到綜合了視覺特征與紅外特征的加權特征向量fw；

21、s1.5、采用dempster-shafer證據(jù)理論算法來綜合視覺和紅外傳感器的信息，計算信任函數(shù)bel和似然函數(shù)pl的值。

22、作為本技術方案的進一步改進，所述s2中，目標提取算法用于從多源圖像數(shù)據(jù)中提取目標特征，涉及的具體步驟為：

23、準備訓練數(shù)據(jù)集，包括目標樣本和非目標樣本，目標樣本包含熱源的特征向量，非目標樣本不包含熱源的特征向量，對于每個目標樣本都有一個正類標簽yi＝+1，對于每個非目標樣本都有一個負類標簽yi＝―1；

24、選擇核函數(shù)k和正則化參數(shù)c；

25、已知加權特征向量fw，且每個特征向量都有一個對應的標簽y，使用加權特征向量fw和對應的目標標簽y訓練svm模型，目標標簽y表示該特征向量所屬的類別；

26、使用訓練好的svm模型對多源圖像數(shù)據(jù)進行分類，以檢測并分離熱源：

27、

28、式中，y(fw)表示預測的包括數(shù)據(jù)點的加權特征向量fw的輸出標簽；sign(.)表示符號函數(shù)，為返回一個數(shù)據(jù)點的符號，如果則sign(.)返回+1，表示該數(shù)據(jù)點被分類為目標；若則sign(.)返回-1，表示該數(shù)據(jù)點被分類為非目標；n表示支持向量的總數(shù)量；ai表示拉格朗日乘子；yi表示訓練數(shù)據(jù)集中第i個支持向量的標簽；k(fw，i，fw)表示核函數(shù)，用于計算新數(shù)據(jù)點fw與支持向量fw，i之間的相似度或距離；i表示索引變量；fw，i表示訓練數(shù)據(jù)集中第i個支持向量的加權特征向量；fw表示新的輸入數(shù)據(jù)點的加權特征向量，即需要進行分類的數(shù)據(jù)點；b表示偏置項。

29、作為本技術方案的進一步改進，所述多目標追蹤模型基于卡爾曼濾波器，用于實時追蹤從多源圖像數(shù)據(jù)中提取的多個目標特征，涉及的具體步驟為：

30、s3.1、對于每一個首次檢測到的目標，使用svm分類器確認目標，并初始化目標的位置、大小、形狀特征的基本信息；

31、s3.2、在后續(xù)幀中，為每個目標提取對應的加權特征向量ft，計算當前幀的加權特征向量ft與上一幀的加權特征向量ft―1之間的相似度，并采用歐氏距離量化兩個特征向量之間的相似性；

32、s3.3、構建成本矩陣，并分別將目標的運動模型預測與實際觀測之間的偏差、目標與觀測之間的相似度納入成本矩陣中，得到最終的成本矩陣c′ij，并應用匈牙利算法來找到多目標特征的匹配方案；

33、s3.4、采用狀態(tài)轉(zhuǎn)移方程預測下一時刻的目標狀態(tài)；

34、xt|t―1＝axt―1+but―1+wt―1；

35、式中，xt|t―1表示在時間t給定時間t―1的狀態(tài)向量預測值；xt―1表示在時間t―1的系統(tǒng)狀態(tài)向量；a表示狀態(tài)轉(zhuǎn)移矩陣，用于描述系統(tǒng)狀態(tài)隨時間的變化；b表示控制輸入矩陣，用于描述外部控制輸入對狀態(tài)的影響；ut―1表示在時間t―1的控制向量；wt―1表示過程噪聲；

36、pt|t―1＝apt―1at+q；

37、式中，pt|t―1表示預測狀態(tài)協(xié)方差矩陣，即在時刻t給定時刻t―1的信息時的狀態(tài)協(xié)方差預測矩陣；q表示過程噪聲協(xié)方差矩陣；at表示狀態(tài)轉(zhuǎn)移矩陣a的轉(zhuǎn)置矩陣；pt―1表示前一時刻t―1的狀態(tài)協(xié)方差矩陣；

38、s3.5、根據(jù)當前幀的加權特征向量ft與上一幀的加權特征向量ft―1之間的相似度的計算結果，對于每個目標，采用觀測方程校正預測的結果，得到新的狀態(tài)估計，用于實時更新目標的狀態(tài)信息；

39、其中，觀測方程具體表達式為：

40、zt＝hxt+vt；

41、式中，zt表示在時間t的觀測向量；h表示觀測矩陣，將系統(tǒng)狀態(tài)向量映射到觀測空間；xt表示在時間t的系統(tǒng)狀態(tài)向量；vt表示觀測噪聲，用于反映傳感器測量的不確定性；

42、然后計算卡爾曼增益kt，并更新狀態(tài)估計：

43、kt＝pt|t―1ht(hpt|t―1ht+r)―1；

44、x′t＝xt|t―1+kt(zt―hxt|t―1)；

45、最后，更新狀態(tài)協(xié)方差矩陣：

46、p′t＝(i―kth)pt|t―1；

47、式中，ht表示觀測矩陣h的轉(zhuǎn)置；x′t表示更新后的狀態(tài)估計向量；r表示觀測噪聲協(xié)方差矩陣；p′t表示更新后的狀態(tài)協(xié)方差矩陣；i表示單位矩陣。

48、作為本技術方案的進一步改進，所述s3.3中，最終的成本矩陣c′ij的具體表達式為：

49、c′ij＝cij+a·pij；

50、其中：

51、cij＝distance(zi，xi)；

52、

53、式中，a表示預測偏差pij的權重因子；cij表示基礎成本；c′ij表示最終的成本矩陣；pij表示預測偏差；distance表示歐氏距離；表示目標j在當前時刻t的預測狀態(tài)；zi表示目標i的觀測值，表示在時刻t的觀測向量zt的第i個元素；xi表示模型預測的目標i的狀態(tài)向量，表示在時刻t的狀態(tài)向量xt的第i個元素。

54、作為本技術方案的進一步改進，所述s3中，通過引入多目標追蹤控制策略，對多個目標點進行追蹤優(yōu)先級排序，涉及的具體步驟為：

55、s3.6、通過多源圖像數(shù)據(jù)獲取目標點的初始熱輻射強度ti(0)，目標點面積ai(0)，目標點熱源燃燒效率ei(0)以及目標點熱源的溫度分布di(0)，并根據(jù)量化評分算法計算優(yōu)先級評分；

56、s3.7、采用快速排序算法按優(yōu)先級評分從高到低排序所有目標點，對多個目標點進行降序排列；

57、s3.8、從排序后的列表中選取優(yōu)先級最高的目標進行追蹤；

58、s3.9、當有新的溫度數(shù)據(jù)到達時，重復步驟s3.6至s3.8，以保持優(yōu)先級排序的最新狀態(tài)。

59、作為本技術方案的進一步改進，所述s3.6中，現(xiàn)有n個目標點，在初始時刻，每個目標點都有熱輻射強度ti(0)，目標點面積ai(0)，目標點熱源燃燒效率ei(0)以及目標點熱源的溫度分布di(0)，由于目標點的狀態(tài)隨著時間變化，將時間變量t引入量化評分算法，并計算優(yōu)先級評分，優(yōu)先級評分用于判定目標的威脅等級，涉及具體的表達式為：

60、p(ti(t),ai(t),ei(t),di(t),t)＝wt(t)·ti(t)+wa(t)·ai(t)+we(t)·ei(t)+wd(t)·di(t)；

61、式中，ti(t)表示在時間t時的熱輻射強度；ai(t)表示在時間t時的目標點面積；ei(t)表示在時間t時的燃燒效率；di(t)表示在時間t時的溫度分布；wt(t)表示在時間t時熱輻射強度的權重參數(shù)；wa(t)表示在時間t時目標點面積的權重參數(shù)；we(t)表示在時間t時燃燒效率的權重參數(shù)；wd(t)表示在時間t時溫度分布的權重參數(shù)；t表示時間；

62、目標點熱源的溫度分布d(t)通過對火焰圖像的分析得出，在紅外圖像中，可以提取熱源的不同部分的溫度分布情況，并據(jù)此給出一個綜合的溫度分布評分；

63、其中：

64、ti(t)＝ti(0)+δti·t；

65、ai(t)＝ai(0)+δai·t；

66、ei(t)＝ei(0)+δei·t；

67、di(t)＝di(0)+δdi·t；

68、式中，δti表示熱輻射強度隨時間t的變化量；δai表示目標點面積隨時間t的變化量；δei表示燃燒效率隨時間t的變化量；δdi表示溫度分布隨時間t的變化量；

69、且權重參數(shù)也隨時間變化，具體如下：

70、xt(t)＝γ+δ·t；

71、wa(t)＝∈+μ·t；

72、we(t)＝α+β·t；

73、wd(t)＝η+θ·t；

74、其中，γ、δ、∈、μ、α、β、η和θ均為常數(shù)，根據(jù)專家意見設定初始值，用于描述不同因素隨時間變化的方式以及這些因素對優(yōu)先級評估的重要性。

75、作為本技術方案的進一步改進，所述s4中，通過pid控制算法實現(xiàn)對水炮的轉(zhuǎn)向和水流噴射控制，涉及的具體步驟為：

76、s4.1、初始化pid控制算法的參數(shù)kp，ki，kd，并將水流射速的影響系數(shù)kv和優(yōu)先級評分對水流射速的影響系數(shù)kp作為補償項；

77、s4.2、基于目標點的特征子集m，獲取目標位置ri(t)和水炮當前位置yi(t)，并計算誤差ei(t)；

78、s4.3、采用pid控制算法計算pid控制輸出信號；

79、

80、式中，ui(t)表示在時間t時第i個目標的pid控制輸出信號；kp表示比例增益，用于確定誤差e(t)對控制信號u(t)的直接影響；ki表示積分增益，用于消除穩(wěn)態(tài)誤差，累積過去的誤差；kd表示微分增益，用于減少超調(diào)和提高系統(tǒng)的響應速度；ei(t)表示在時間t時第i個目標的誤差信號；ei(τ)表示在過去的一個時間點τ時第i個目標的誤差信號，反映了目標的實際位置與期望位置之間的差異；表示從時間0到時間t的誤差ei(τ)的積分；表示誤差ei(t)在時間t的變化率；pi表示目標的優(yōu)先級評分；

81、其中，ei(t)＝ri(t)―yi(t)；kvkppi表示水流射速vi對水炮轉(zhuǎn)向精度的影響補償項；

82、s4.4、將計算得到的控制信號ui(t)應用到水炮執(zhí)行機構(伺服電機)，調(diào)整水炮角度；

83、s4.5、根據(jù)目標的優(yōu)先級評分pi，調(diào)節(jié)水流射速vi；

84、s4.6、在下一個采樣周期重復步驟s4.2至s4.5。

85、另一方面，本發(fā)明提供了應用于智能水炮的目標跟蹤系統(tǒng)，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行計算機程序?qū)崿F(xiàn)上述任意一項所述的應用于智能水炮的目標跟蹤方法的步驟。

86、與現(xiàn)有技術相比，本發(fā)明的有益效果：

87、1、該應用于智能水炮的目標跟蹤方法及跟蹤系統(tǒng)中，在多目標追蹤模型中，通過將目標的運動模型預測與實際觀測之間的偏差、目標與觀測之間的相似度納入成本矩陣中，得到最終的成本矩陣c′ij，更準確地匹配目標與觀測值，從而提高追蹤的準確，使系統(tǒng)不僅能處理靜態(tài)環(huán)境中的目標追蹤，還能應對動態(tài)變化的環(huán)境，有助于在復雜場景中區(qū)分不同目標，避免誤配對，從而增強了系統(tǒng)的適應性；

88、在智能水炮的應用中，采用匈牙利算法來找到匹配目標，確保水炮能夠快速準確地對準目標，實時更新目標的狀態(tài)信息。

89、2、該應用于智能水炮的目標跟蹤方法及跟蹤系統(tǒng)中，在pid控制算法中，考慮水流射速對水炮轉(zhuǎn)向精度的影響，將水流射速的影響系數(shù)kv和優(yōu)先級評分對水流射速的影響系數(shù)kp作為pid控制算法的補償項，來校正水流射速對水炮轉(zhuǎn)向精度的影響，實現(xiàn)對水炮的轉(zhuǎn)向和水流噴射的優(yōu)化控制，用于提高對水炮的控制精度。