本發(fā)明屬于圖像目標(biāo)檢測與跟蹤技術(shù)領(lǐng)域，尤其是一種基于卡爾曼濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法。

背景技術(shù)：

在當(dāng)代高鐵部件模塊中，弓網(wǎng)系統(tǒng)負責(zé)向動車組提供穩(wěn)定、持續(xù)、可靠的電能，是保障高速鐵路動車組運行的核心設(shè)備之一。弓網(wǎng)系統(tǒng)主要包括受電弓與接觸網(wǎng)。為了實現(xiàn)對弓網(wǎng)系統(tǒng)的視頻監(jiān)控，工程技術(shù)人員設(shè)定了接觸網(wǎng)的一些技術(shù)參數(shù)，比如線路溫度、拉高值、導(dǎo)出值等。接觸網(wǎng)主要包括導(dǎo)線和承力索，其位置確定了拉高值與導(dǎo)出值，同時導(dǎo)線與取電弓的接觸程度決定了接觸網(wǎng)線路的溫度，因此對導(dǎo)線和承力索位置和狀態(tài)的準(zhǔn)確判斷是保障高鐵安全監(jiān)測的重要方面。

目前對于接觸網(wǎng)的實時監(jiān)控數(shù)據(jù)，主要來源于高鐵車廂頂部攝像頭的監(jiān)控圖像。由于在高鐵運行過程中會出現(xiàn)過隧道、橋梁以及接觸網(wǎng)換線等情況，因此視頻圖像中會出現(xiàn)不可預(yù)測的突變和干擾，如光照變化、室內(nèi)直線陰影干擾、雜亂線路干擾等。在室外環(huán)境下，接觸網(wǎng)的背景主要以天空為主，即使在夜晚，由于補光燈的照射，前景目標(biāo)也與背景具有較大的區(qū)分度，目標(biāo)檢測跟蹤比較容易；室內(nèi)環(huán)境(隧道、橋梁等)下，由于受光照變化、陰影、遮擋和換線等干擾，導(dǎo)致室內(nèi)環(huán)境下接觸網(wǎng)檢測與跟蹤成為難點。

傳統(tǒng)的目標(biāo)檢測方法通常有背景建模法，幀差法，光流法等。但是在高鐵接觸網(wǎng)系統(tǒng)中，由于檢測導(dǎo)線和承力索目標(biāo)問題的特殊性，傳統(tǒng)的檢測算法效果并不理想，所以我們接下來的思路是借助跟蹤來獲取目標(biāo)運動趨勢，進而優(yōu)化目標(biāo)檢測的效果。

現(xiàn)有的目標(biāo)跟蹤方法主要有以下幾種：①基于模型的跟蹤(Model-based Tracking)；②基于活動輪廓的跟蹤(Active Contour Based Tracking)；③基于區(qū)域的跟蹤(Region-based Tracking)；④基于特征的跟蹤(Feature-based Tracking)；⑤基于光流的跟蹤；⑥基于學(xué)習(xí)的跟蹤。上述方法中應(yīng)用最廣泛的是基于特征的目標(biāo)跟蹤。在本發(fā)明的實際環(huán)境中，由于導(dǎo)線和承力索無顯著視覺特征，在出現(xiàn)直線干擾時判別性較弱，因此對其進行跟蹤具有一定的難度。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明提出了一種基于卡爾曼(Kalman)濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法，以解決復(fù)雜背景下(隧道、橋梁)接觸網(wǎng)的目標(biāo)檢測與跟蹤問題。該方法主要涉及兩部分內(nèi)容，首先是接觸網(wǎng)(導(dǎo)線和承力索)的檢測，依據(jù)其所處背景環(huán)境的不同，可以分為室內(nèi)和室外兩種情況；其次是接觸網(wǎng)的跟蹤，實現(xiàn)了承力索和導(dǎo)線的協(xié)同跟蹤。本發(fā)明根據(jù)目標(biāo)特征不明顯這一特點，定義了視覺顯著性指標(biāo)，利用上述對于特殊目標(biāo)的顯著性定義，進行了承力索和導(dǎo)線的檢測；在目標(biāo)跟蹤方面，本發(fā)明的跟蹤方法基于Kalman濾波，在目標(biāo)發(fā)生遮擋或者沒有檢測到等情況，預(yù)測下一幀目標(biāo)的可能出現(xiàn)位置，修正目標(biāo)跟蹤的偏差。

本發(fā)明提出的基于Kalman濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法包括以下步驟：

步驟S1：采集樣本圖像；

步驟S2：對于所述樣本圖像進行預(yù)處理；

步驟S3：對于經(jīng)過預(yù)處理后的樣本圖像，獲取水平掃描線上的像素點并對其進行顯著性排序，提取得到顯著性像素點；

步驟S4：基于提取到的顯著性像素點，檢測經(jīng)過預(yù)處理后的樣本圖像中的承力索和導(dǎo)線；

步驟S5：確定承力索和導(dǎo)線協(xié)同跟蹤策略，并對承力索和導(dǎo)線進行跟蹤；

步驟S6：基于Kalman濾波預(yù)測目標(biāo)運動軌跡，修正跟蹤結(jié)果。

可選地，所述預(yù)處理至少包括灰度化和感興趣區(qū)域提取。

可選地，所述步驟S3中，在提取得到的感興趣區(qū)域中，從上至下劃出若干條水平掃描線，然后計算沿水平掃描線的像素點灰度值，構(gòu)成一維信號，繪制灰度圖，計算該一維信號的灰度值梯度，梯度值大于一閾值的像素點為顯著性像素點。

可選地，所述步驟S3還包括：對于所述一維信號進行自身平方、與特定卷積算子作卷積和高斯平滑的步驟。

可選地，所述步驟S4包括以下步驟：

步驟S41，定義直角坐標(biāo)系下的主角度，對ROI區(qū)域中基于主角度的所有水平掃描線進行聚類，然后擬合顯著性較強的像素點，將其匹配為直線；

步驟S42，根據(jù)先驗知識，剔除ROI區(qū)域中的雜線和誤檢測直線。

可選地，所述先驗知識指：承力索位于導(dǎo)線的左側(cè)；承力索的亮度大于導(dǎo)線的亮度；線目標(biāo)上的像素點的顯著性強于鄰近的非線目標(biāo)上的像素點的顯著性。

可選地，所述步驟S5包括以下步驟：

步驟S51：在ROI區(qū)域全局檢測全部的線；

步驟S52：將檢測到的線的特征值指派給相應(yīng)的追蹤器；

步驟S53：基于追蹤器的特征確定承力索和導(dǎo)線的協(xié)同跟蹤策略，并對承力索和導(dǎo)線進行跟蹤。

可選地，所述步驟S6中，首先，通過卡爾曼濾波預(yù)測承力索導(dǎo)線的位置狀態(tài)向量和灰度值狀態(tài)向量；然后更新位置狀態(tài)向量和灰度值狀態(tài)向量。

綜上所述，針對背景環(huán)境復(fù)雜，高鐵接觸網(wǎng)目標(biāo)特征非常不明顯的情況，并且由于陰影、換線等干擾，目標(biāo)檢測很容易發(fā)生誤檢，本發(fā)明基于Kalman濾波原理，通過k-1時刻的目標(biāo)觀測值來預(yù)測k時刻的目標(biāo)狀態(tài)值，使得跟蹤算法對陰影、換線等干擾更加魯棒，能夠有效解決誤檢和漏檢問題。本發(fā)明對復(fù)雜背景下高鐵接觸網(wǎng)的跟蹤在準(zhǔn)確度上明顯優(yōu)于其他的跟蹤算法。

附圖說明

圖1是根據(jù)本發(fā)明一實施例的基于Kalman濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法的流程圖；

圖2是根據(jù)本發(fā)明一實施例的在ROI區(qū)域計算像素點的灰度值梯度并匹配直線的示意圖；

圖3是極坐標(biāo)規(guī)則示意圖；

圖4是根據(jù)本發(fā)明一實施例的承力索導(dǎo)線的檢測步驟流程圖；

圖5是根據(jù)本發(fā)明一實施例的ROI全局內(nèi)各種直線出現(xiàn)的范圍示意圖；

圖6是根據(jù)本發(fā)明一實施例的ROI局部區(qū)域內(nèi)承力索、導(dǎo)線合并與分離情形示意圖；

圖7是根據(jù)本發(fā)明一實施例的基于Kalman濾波的承力索、導(dǎo)線協(xié)同跟蹤步驟流程圖；

圖8是根據(jù)本發(fā)明一實施例的承力索導(dǎo)線協(xié)同追蹤的實驗結(jié)果示意圖。

具體實施方式

為使本發(fā)明的技術(shù)方案、實現(xiàn)步驟和跟蹤效果更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細說明。

本發(fā)明使用實際觀測的數(shù)據(jù)集為樣本集驗證算法的有效性。數(shù)據(jù)集涵蓋了高鐵行車過程中，接觸網(wǎng)觀測圖像中出現(xiàn)的外界光照變化、陰影、換線等干擾。

圖1是根據(jù)本發(fā)明一實施例的基于Kalman濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法的流程圖，如圖1所示，所述基于Kalman濾波的高鐵接觸網(wǎng)目標(biāo)檢測與跟蹤方法包括以下步驟：

步驟S1：采集樣本圖像；

該步驟中，將高清攝像機在列車行車過程中采集得到的接觸網(wǎng)視頻，按一定的幀率采樣圖像序列，得到樣本圖像，構(gòu)成樣本集，此樣本集包含室內(nèi)(隧道內(nèi)、橋下等復(fù)雜背景)和室外(戶外等簡單背景)樣本圖像，其中隧道內(nèi)的目標(biāo)跟蹤容易受到導(dǎo)線、承力索以及其他線的陰影的干擾。采集到的樣本圖像如圖2左圖所示。

步驟S2：對于所述樣本圖像進行預(yù)處理；

所述預(yù)處理至少包括灰度化和感興趣區(qū)域提取，由于列車相機安裝位置和成像角度等原因，受電弓和導(dǎo)線一般位于觀測圖像的上部，所以需要對樣本圖像進行切割，切割出感興趣區(qū)域ROI，然后再在ROI區(qū)域中檢測目標(biāo)?；诨叶然蟮臉颖緢D像，可批量獲得樣本圖像的ROI區(qū)域，構(gòu)成后續(xù)目標(biāo)檢測與跟蹤的操作區(qū)域集合。

為了便于計算，本發(fā)明從原始樣本圖像中截取每一幀樣本圖像的ROI區(qū)域，所述ROI區(qū)域包含了待檢測目標(biāo)的全部信息，并且避免了大部分噪聲存在于全局圖像而造成的干擾，比如對于圖2左圖所示的原始采集圖像，其尺寸為480×640，提取到的ROI區(qū)域如圖2右上圖所示，尺寸統(tǒng)一為100×640。

步驟S3：對于經(jīng)過預(yù)處理后的樣本圖像，獲取水平掃描線上的像素點并對其進行顯著性排序，提取得到顯著性像素點，即顯著性排序前預(yù)定數(shù)量的像素點；

在提取得到的ROI區(qū)域中，從上至下劃若干條水平掃描線，然后計算沿水平掃描線的像素點灰度值，構(gòu)成一維信號，并繪制灰度圖，然后計算該一維信號的灰度值梯度，梯度越大，說明線的顯著性就越大，比如，可將梯度值大于一閾值的像素點作為顯著性像素點。

在本發(fā)明一實施例中，為了讓灰度值梯度具有更大的區(qū)分度，將所述一維信號通過自身平方、與特定卷積算子作卷積、高斯平滑三步處理，使得沿掃描線的一維像素點灰度值梯度獲得增益，即使得本身具有灰度值突變的一維像素點灰度值與鄰近像素點差異化變大，得到該一維信號的顯著性圖，這樣的話該像素點灰度值梯度更大，像素點灰度的顯著性以及由像素點匹配的線顯著性更強，后續(xù)的目標(biāo)線檢測精度就更高。

其中，像素點灰度值梯度大小的直方圖定義為：

其中，D_x為梯度大小的水平分量，D_y為梯度大小的垂直分量，(x，y)為像素點坐標(biāo)，(u，v)為映射空間的坐標(biāo)，R為自變量域。

在本發(fā)明一實施例中，約定一坐標(biāo)規(guī)則，如圖3所示，以與Matlab圖像處理工具箱中的坐標(biāo)規(guī)則相統(tǒng)一。

圖3中左圖表示直角坐標(biāo)系和極坐標(biāo)系中坐標(biāo)點的轉(zhuǎn)換關(guān)系；右圖表示約定直角坐標(biāo)系下直線斜率值的正負。圖3的左圖中，ρ＝x cos(θ)+y sin(θ)，y＝wx+b，其中ρ為極坐標(biāo)系下的半徑，θ為極坐標(biāo)系下的角度，x為直角坐標(biāo)系下的橫坐標(biāo)，y為直角坐標(biāo)系下的縱坐標(biāo)，w為直角坐標(biāo)系下的斜率，b為直角坐標(biāo)系下的截距。

由上面兩式推出，θ＝-arc cot(w)，ρ＝b sin(θ)。

可在上述坐標(biāo)的基礎(chǔ)上，在ROI區(qū)域中沿x方向劃若干條水平掃描線。

步驟S4：基于提取到的顯著性像素點，檢測經(jīng)過預(yù)處理后的樣本圖像中的承力索和導(dǎo)線；

該步驟中，首先匹配出候選直線目標(biāo)，然后基于先驗知識剔除雜線和誤檢測的線，最后篩選出符合預(yù)定條件的直線，具體流程如圖4所示。

具體地，所述步驟S4包括以下步驟：

步驟S41，定義直角坐標(biāo)系下的主角度θ(x，y)，對ROI區(qū)域中基于主角度的所有水平掃描線進行聚類，在聚類結(jié)果的基礎(chǔ)上，擬合顯著性較強的像素點，并設(shè)置合適的匹配閾值將其匹配為直線，其中，主角度θ(x，y)表示為：

其中，D_x(u，v)表示梯度大小的水平分量，D_y，(u，v)表示梯度大小的垂直分量。

步驟S42，根據(jù)先驗知識，剔除ROI區(qū)域中的雜線和位于ROI區(qū)域邊界等誤檢測的直線。

所述先驗知識是指：經(jīng)統(tǒng)計，隧道內(nèi)采集的圖像，由于列車車廂頂部攝像機的安裝位置固定，在采集到的弓網(wǎng)圖像中，承力索一般位于導(dǎo)線的左側(cè)，承力索的亮度一般比較亮，導(dǎo)線比較暗，而且線上的像素點相較于鄰近的非線上像素點的顯著性是最強的。

在剔除ROI區(qū)域中的雜線和位于ROI區(qū)域邊界等誤檢測的直線時，首先在ROI區(qū)域按照從上到下的順序劃出若干條等距水平掃描線，然后求取沿掃描線的像素點灰度值，構(gòu)成一維信號，將所述一維信號與卷積算子進行卷積，使得具有灰度值梯度最大的像素點落在線上而不是邊上，這樣就可以鎖定最明顯的直線。

步驟S5：基于預(yù)設(shè)規(guī)則和假設(shè)前提，確定復(fù)雜背景下承力索和導(dǎo)線協(xié)同跟蹤策略，并對承力索和導(dǎo)線進行跟蹤；

該步驟中，所述預(yù)設(shè)規(guī)則包括：R1：合并規(guī)則，若追蹤器合并，當(dāng)前的檢測只能被分配給一個追蹤器，對其他的目標(biāo)的檢測將會丟失；R2：多線規(guī)則，若多條線被檢測，只能有一條線被分配給追蹤器，其他的線檢測將被視為干擾線；R3：跳變規(guī)則，通常來講，不容許線的特征[ρ，θ]有大幅度的跳變，除非遇到換線的情況，其中，ρ為檢測線在極坐標(biāo)下的半徑，θ為檢測線在極坐標(biāo)下的角度。

所述假設(shè)前提包括：A1：大多數(shù)情況下承力索和導(dǎo)線是顯著性最強的；A2：通常情況下，承力索比導(dǎo)線要更亮一些。

具體地，所述步驟S5包括以下步驟：

步驟S51：在ROI區(qū)域全局檢測全部的線；

其中，對于每一條檢測到的線，它的完全特征向量可以表示為：[rho，theta，tangent，intercept，gray，saliency]，其中，rho、theta是羅馬字母，表示線目標(biāo)在極坐標(biāo)下的半徑和角度；tangent為直角坐標(biāo)系下直線的斜率，intercept為直角坐標(biāo)系下直線的截距；gray表示灰度值，saliency表示顯著性。上述線目標(biāo)的特征向量可以簡寫為[ρ，θ，g，s]，其中，ρ是檢測線在極坐標(biāo)下的半徑，θ是檢測線在極坐標(biāo)下的角度，g是灰度梯度，s表示線的顯著性。

步驟S52：將檢測到的線的特征值指派給相應(yīng)的追蹤器；

所述追蹤器的特征可以表示為[rank(s)，lhp，lhg]，其中rank(s)是全局或者局部的顯著性排序，lhp和lhg表示介于候選目標(biāo)和預(yù)測目標(biāo)之間的位置似然值和灰度似然值。

步驟S53：基于追蹤器的特征確定承力索和導(dǎo)線的協(xié)同跟蹤策略，并對承力索和導(dǎo)線進行跟蹤。

本步驟中實現(xiàn)數(shù)據(jù)關(guān)聯(lián)的一個核心問題是如何分配特征元素的優(yōu)先級，指定的線目標(biāo)的特征是[ρ，θ，g，s]，由于灰度似然值lhg極度不穩(wěn)定，不能作為優(yōu)先指標(biāo)，rank(s)的優(yōu)先級取決于灰度假設(shè)A1，跳變規(guī)則R3決定了位置似然值lhp的優(yōu)先級。當(dāng)rank(s)優(yōu)先于lhp時，很容易排除局部干擾，比如陰影和錯誤匹配的線；但是這樣的話會由于光照的改變違反規(guī)則R3。當(dāng)lhp的優(yōu)先級高于rank(s)時，保持了規(guī)則R3；但是由于過程的噪聲方差，很容易導(dǎo)致追蹤器的劫持和漂移問題。

基于上述，rank(s)和lhp應(yīng)該互相制約來確定承力索和導(dǎo)線的跟蹤方案。因此本發(fā)明提出承力索導(dǎo)線協(xié)同跟蹤策略，按照實際情況的不同，可分為承力索導(dǎo)線無交叉和有交叉兩種策略。在圖5中，最外圍的虛線框表示ROI區(qū)域中檢測到線的全局范圍，包括承力索和導(dǎo)線，也包括干擾線和誤檢測的線；次中間的虛線框是非局部范圍，此區(qū)間包含了承力索和導(dǎo)線可能出現(xiàn)的位置；最中間的虛線框是局部范圍，是承力索和導(dǎo)線一定出現(xiàn)的區(qū)域。下面按照兩種情況分別討論上述協(xié)同跟蹤策略：

(I)承力索導(dǎo)線無交叉：當(dāng)圖像中顯示承力索和導(dǎo)線無交叉的情況下，上一步檢測出的候選目標(biāo)基于先驗知識比較容易被區(qū)分標(biāo)記，因此實現(xiàn)跟蹤比較容易。

(II)承力索導(dǎo)線有交叉：在多數(shù)情況下，承力索和導(dǎo)線的顯著性是最強的，通常情況下，導(dǎo)線的顯著性要強于承力索，導(dǎo)線要比承力索暗一些。這種情況下檢測出的候選目標(biāo)有三種可能：①承力索；②導(dǎo)線；③雜線。

(1)在承力索導(dǎo)線無交叉的情況下：

當(dāng)圖像中顯示承力索和導(dǎo)線無交叉的情況下，上一步檢測出的候選目標(biāo)基于先驗知識比較容易被區(qū)分標(biāo)記，因此實現(xiàn)跟蹤比較容易。該情況下的跟蹤策略為：

如果，檢測線的顯著性排序等于1并且位置似然值與最大位置似然值的差值的絕對值小于一閾值，則該檢測線就是指派的追蹤目標(biāo)。

否則：如果，檢測線的顯著性排序等于1，位置似然值不等于最大位置似然值，并且與最大位置似然值的差值的絕對值大于一閾值，則比較顯著性最強的線的灰度似然值和位置似然最大值的線的灰度似然值，二者中選擇灰度似然值較大的線作為追蹤目標(biāo)。

(2)在承力索導(dǎo)線有交叉的情況下：

在多數(shù)情況下，承力索和導(dǎo)線的顯著性是最強的，通常情況下，導(dǎo)線的顯著性要強于承力索，導(dǎo)線要比承力索暗一些。該情況下檢測出的候選目標(biāo)有三種可能：1)承力索；2)導(dǎo)線；3)雜線。此時跟蹤策略的具體步驟如①、②、③所示。

①指派顯著性最大的檢測線。需要說明的是，此種情形下需要根據(jù)經(jīng)驗預(yù)先設(shè)定一個位置似然值的最大閾值和最小閾值，然后根據(jù)實驗情況逐步優(yōu)化最大閾值和最小閾值。

a)交叉狀態(tài)1，此情況下的跟蹤策略如下：

如果，位置似然值排序最大的導(dǎo)線與位置似然值排序最大的承力索的差值的絕對值大于最大閾值，并且位置似然值排序最大的導(dǎo)線大于位置似然值排序最大的承力索，則此顯著性排序最大的檢測線是導(dǎo)線。

否則：如果，位置似然值排序最大的導(dǎo)線與位置似然值排序最大的承力索的差值的絕對值大于最大閾值，并且位置似然值排序最大的導(dǎo)線小于位置似然值排序最大的承力索，則此顯著性排序最大的檢測線是承力索。

b)交叉狀態(tài)2，此情況下的跟蹤策略如下：

如果，位置似然值排序最大的導(dǎo)線與位置似然值排序最大的承力索的差值的絕對值介于最大閾值和最小閾值之間，并且灰度似然值最大的導(dǎo)線大于灰度似然值最大的承力索，則此顯著性排序最大的檢測線是導(dǎo)線。

否則：如果，位置似然值排序最大的導(dǎo)線與位置似然值排序最大的承力索的差值的絕對值介于最大閾值和最小閾值之間，并且灰度似然值最大的承力索大于灰度似然值最大的導(dǎo)線，則此顯著性排序最大的檢測線是承力索。

c)交叉狀態(tài)3，此情況下的跟蹤策略如下：

如果，位置似然值最大的導(dǎo)線與位置似然值最大的承力索的差值的絕對值小于最小閾值，并且灰度似然值最大的導(dǎo)線大于灰度似然值最大的承力索，則此顯著性排序最大的檢測線是導(dǎo)線。

否則：如果，位置似然值最大的導(dǎo)線與位置似然值最大的承力索的差值的絕對值小于最小閾值，并且灰度似然值最大的導(dǎo)線小于灰度似然值最大的承力索，則此顯著性排序最大的檢測線是承力索。

②通過最小化顯著性最大的檢測線的絕對距離進行交叉線的檢測，對候選線的顯著性再次排序。

③假設(shè)顯著性最大的檢測線已經(jīng)在第一步中被指派給導(dǎo)線，接下來我們需要確定導(dǎo)線和承力索的結(jié)合狀態(tài)，即如圖6左圖所示的二者狀態(tài)為合并或如圖6右圖所示的二者狀態(tài)為分離，然后指出承力索。

步驟S6：基于Kalman濾波預(yù)測目標(biāo)運動軌跡，修正跟蹤結(jié)果。

該步驟中，首先，通過Kalman濾波預(yù)測承力索導(dǎo)線的位置狀態(tài)向量[ρ，θ]和灰度值狀態(tài)向量[g]；然后更新狀態(tài)向量[ρ，θ，g]。其中，對于位置狀態(tài)向量[ρ，θ]，采用標(biāo)準(zhǔn)Kalman濾波更新；對于灰度值狀態(tài)向量[g]，在分段固定假設(shè)的基礎(chǔ)上采用自適應(yīng)Kalman濾波來更新。其中，預(yù)測精確度受濾波過程中的噪聲方差影響。

Kalman濾波是最優(yōu)化自回歸數(shù)據(jù)處理算法，是利用系統(tǒng)的過程模型來預(yù)測系統(tǒng)的下一狀態(tài)，對于我們的圖像目標(biāo)跟蹤系統(tǒng)而言，假設(shè)X(k)代表系統(tǒng)的狀態(tài)，Z(k)代表系統(tǒng)的觀測，則：

狀態(tài)序列方程可表示為：

X(k)＝A×X(k-1)+B×U(k)+W(k) (3)

觀測序列方程可表示為：

Z(k)＝H×X(k)+V(k) (4)

其中，X(k)、X(k-1)是k、k-1時刻的系統(tǒng)狀態(tài)；Z(k)是k時刻的系統(tǒng)觀測向量；U(k)是對應(yīng)于k時刻對外部控制向量；W(k)和V(k)分別為正態(tài)分布的運動和測量噪聲向量；A和B是系統(tǒng)函數(shù)；H是測量系統(tǒng)的參數(shù)。

圖7是基于Kalman濾波的索導(dǎo)協(xié)同追蹤流程圖。復(fù)雜背景下(隧道、橋下)承力索和導(dǎo)線的跟蹤存在跳變、陰影干擾等復(fù)雜情況。承力索導(dǎo)線檢測完畢后，通過Kalman濾波預(yù)測承力索、導(dǎo)線的位置狀態(tài)向量[ρ，θ]和灰度值狀態(tài)向量[g]。在Kalman濾波預(yù)測的整個過程中，通過k-1時刻的觀測值來預(yù)測目標(biāo)k時刻的真實狀態(tài)，將觀測值輸入Kalman濾波框架預(yù)測未來幀圖像中目標(biāo)的狀態(tài)。獲取目標(biāo)的狀態(tài)后，便能校正每幀的跟蹤結(jié)果。對于位置狀態(tài)向量[ρ，θ]，采用標(biāo)準(zhǔn)Kalman濾波更新；對于灰度值狀態(tài)向量[g]，在分段固定假設(shè)的基礎(chǔ)上采用自適應(yīng)Kalman濾波來更新，其中，預(yù)測精確度受濾波過程的噪聲方差影響。

對于特征非常不明顯的承力索和導(dǎo)線來說，檢測到的線的特征[ρ，θ，g]中哪個元素占主要權(quán)重，需要根據(jù)一個協(xié)同跟蹤策略來決定。本發(fā)明定義了一個優(yōu)先級組合策略，通過判斷是否滿足組合策略的閾值，來決定哪些情況下顯著性排序rank(s)優(yōu)先，還是位置似然lhp優(yōu)先，或者灰度值似然lhg優(yōu)先。

最后更新目標(biāo)特征[ρ，θ，g，s]，將該特征反饋回索導(dǎo)協(xié)同跟蹤算法，如果滿足假設(shè)規(guī)則和先驗知識，則輸出該特征，顯示跟蹤結(jié)果；如果該特征不滿足假設(shè)規(guī)則和先驗知識，則重新參與跟蹤過程。

圖8是承力索導(dǎo)線協(xié)同追蹤實驗結(jié)果。從結(jié)果可以看出，無論是在簡單的室外背景下，如圖8左圖所示，還是在復(fù)雜的室內(nèi)(隧道、橋下)背景下，如圖8右圖所示，本發(fā)明都可以得到一個比較準(zhǔn)確的跟蹤結(jié)果。這對于目前該領(lǐng)域的研究空缺具有一定的補充意義。

綜上所述，針對背景環(huán)境復(fù)雜，高鐵接觸網(wǎng)目標(biāo)特征非常不明顯的情況，并且由于陰影、換線等干擾，目標(biāo)檢測很容易發(fā)生誤檢，本發(fā)明基于Kalman濾波原理，通過k-1時刻的目標(biāo)觀測值來預(yù)測k時刻的目標(biāo)狀態(tài)值，使得跟蹤算法對陰影、換線等干擾更加魯棒，能夠有效解決誤檢和漏檢問題。測試示例表明，本發(fā)明在復(fù)雜背景下對高鐵接觸網(wǎng)導(dǎo)線、承力索的跟蹤在準(zhǔn)確度上明顯優(yōu)于其他的跟蹤算法。

以上所述的具體實施方式和實驗例對本發(fā)明的技術(shù)方案、實施細節(jié)和算法有效性都進行了詳細說明。應(yīng)該提出的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。