运动点目标

关键词： 目标 运动 模型 系统

运动点目标（精选十篇）

运动点目标 篇1

空中目标定位运动模型主要为雷达模拟设备与系统提供及时、准确、逼真的空中目标信息。空中目标定位运动模型是任何雷达模拟系统都必须建立的基本模型,其结构与系统的处理速度、精度有极大的相关性。国内已使用的雷达模拟训练系统一般采用折线等速空中目标运动模型。这种模型具有简单、处理速度快,实时性好的优点,存在的问题是拐点间等速运行只适合描述民航机或转场飞机的运行,对战术飞行的描述精度较差,折线拐点存在速度阶越,与实际的物理显示不符合。因此,需要建立易于快速处理,又满足空中目标模拟训练要求的运动模型。

1 空中目标定位

飞机水平位置的基准是地理坐标的经度和纬度,飞机的位置用相对起飞点A、目标点B、而且与时间有关的规定位置C来表示。

理论上可以通过积分航迹速度矢量确定飞机位置。用惯性导航系统确定飞机的位置时,由起飞点A或者由最后飞过的航路点P0(x0,y0,z0)到实际位置O(x,y,z)来计算矢量s,该矢量可定义为:

图1表示飞机水平面内的关系。

采用极坐标时,习惯上以当地磁北方向作为方位基准0°,角度按顺时针计算。s的大小用S表示,而其相对于方位基准0°的角度用σ表示。在两坐标雷达中,一般不计飞行高度的影响,所以仅在水平面内研究飞机的位置。由图1可得两个航路点的地理坐标和极坐标之间的关系为:

雷达确定目标是研究到目标点的径向矢量,这些点是飞行段的中间目标,可用方位角和斜距作为相对雷达位置的测量值。由图2可得到从地面上的测向角为:

在两坐标雷达模拟系统中高度的影响常常忽略不计。 图3描述水平面的情况。在时刻t=0时,飞机在航路点A(出发点)上,该飞行阶段的目标点在航路点B(目的地)上,规定飞行航迹是从A点到B点连成的直线,用矢量rAB表示。矢量rAB在地平面内的投影与Xg方向间的夹角为σ,该角称为地图航向(规定的对地航向)。若飞机预定飞行速度VKc是一个常数,并且沿rAB方向,那么,从A点到预定位置C点的距离与飞行时间t成正比。

2 想定航线的生成

为了模拟系统中的目标自动地沿航路点规定的飞行航迹飞行,必须生成一条规定轨迹,规定飞行航迹用地面固定的航路点(逐段弯曲的飞行航迹的控制点)来描述,由此可分两步生成一条有明确物理意义的水平面内的航迹曲线。

把各航路点按顺序用直线连起来可以形成一条理论航迹。这里有两种不同类型的固定点,一种是只确定两条直线的交点、而不必飞越的固定点,如图4(a)所示的航路点Pwi;另一种是必须以规定的航向实际到达的固定点,如图4(b)所示的目标点Pzi。在后一种情况下,通过实际飞行航迹和未来基准线延长线得到一个假想的航路点Pwi,这样,这个点又可归结为第一种类型的航路点;然后,把得到的多边形连线,作为飞行目标的水平运动仿真模型的规定预置值。当模拟器仿真“飞行”这条飞行航迹时,分别在相应的瞬间,转换到下一个要跟踪的规定直线,并通过航迹控制使对各个航段的距离最短。

与此类似,也可生成垂直面内运动的规定参数(航迹在垂直面的倾角或垂直方向的速度)。

作战飞行目标经常进行改变航向的机动,在想定图上显示为目标从一条规定直线转换到另一条规定直线,这种运动可简化表示成一段圆弧,如图4所示,这段圆弧的标准转动角速度以为基础,圆弧的半径为:

式中:VK为目标的运行速度;为目标的转弯角速度。

圆弧的圆心角等于基准线的偏差角Δρc。基准线和圆弧航迹之间的连接点Pzi-1和Pzi在绕假想的航路点Pwi的连接圆弧上。基准线之间转换的圆弧和连接半径如图5所示。由图5可见,其半径等于:

当已知Pwi时,就可定出连接点Pzi-1。

根据上述讨论所求出的曲线半径、测向角偏差和转换点之间的解析关系,认为飞行目标可以从直线飞行阶跃到曲线飞行,这种方式不能足够准确地定出符合实际飞行航迹的连接点,因此必须考虑进人和改出曲线飞行时所需要的时间,以及在这段时间内所经过的距离。为此,通过图5可以得出半径与速度的关系如下:

3 系统仿真

建立雷达训练想定时,为了使目标在预定时间到达预定地点(如拦截、合批、分批等操作),需要确定精确的4D飞行航迹,必须给定的参数为:由时间确定的航路点;模拟目标的实际位置(规定航迹的起始条件)。

航线计算就是根据这些数据综合出一条粗略的近似飞行航迹,即通过这些给定的航路点综合成一条多边形航迹,并进行曲线拟合。第二步是按上节方法作快速预先仿真,计算出飞机的航迹。把这条航迹一直计算到所要求到达的地点,就能知道准确的距离。当给定目标运行的速度,就能计算出需要的飞行时间。若需要在规定的时间到达目标点,还可以求出目标须在航线上的等待时间。模拟想定运行时,特别是进行战术训练时,为提高训练的难度经常有必要改变模拟过程中的参数,软件设计要求系统必须迅速地完成各项计算,使连续变化的起始条件只引起小量的准定常修正。

4 结 语

在目前使用的拐点折线法建立目标运行航线的基础上,引入了与目标运行速度有关的半径特性参数,建立了符合雷达系统特性、飞机运动特性的数学模型,它是雷达模拟设备模拟空中目标的重要理论依据。

参考文献

[1]胡晓峰.美军训练模拟[M].北京:国防大学出版社,2001.

[2]黄柯棣.系统仿真技术[M].长沙:国防科技大学出版社,1998.

[3]SPRIET J A,VANSTEENKISTE G C.计算机辅助建模和仿真[M].王正中,译.北京:科学出版社,1991.

[4]BAIR George L.Airborne radar simulation[M].Dallas,Texas:Camber Coropration,1996.

[5]陈国发,冯兵.雷达系统仿真[J].雷达与对抗,1997(3):6-11.

[6]王国玉,肖顺平,汪连栋.电子系统建模仿真与评估[M].长沙:国防科技大学出版社,1999.

[7]王国玉,吕晓雯,廖湘平.电子战条件下雷达接收信号模型[J].国防科技大学学报,1997(1):102-104.

[8]梁百川.雷达干扰环境模型[J].计算机仿真,1993(2):56-58.

[9]欧阳琪.一种雷达视频模拟器的研制[J].火控雷达技术,1997(1):17-20.

运动目标跟踪方法 篇2

(1)基于区域匹配跟踪方法的主要思想：该方法主要是将包含运动目标的运动区域作为参考模板12引，在下一帧图像中按照一定的搜索方法搜索模板，找 到的最优搜索区域判定为匹配区域。该方法在理论上是十分有效，其可以获得 丰富的目标信息，对小目标跟踪效果好；但是当搜索范围较大时，目标匹配会 花费大量的时间，而且如果目标发生变化或者被遮挡时，跟踪效果会大大下降。

(2)基于模型跟踪方法的主要思想：该方法通常会使用三种模型进行目标

跟踪：线图模型、2D模型、3D模型【231。在实际的应用中，由于3D模型更接近现实生活中的物体，使用最多的是基于3D模型的跟踪方法，特别是针对刚体(如 汽车、飞机等)的跟踪。概括来说，跟踪的方法如下：利用获得的目标3D模型，然后针对实际的视频序列进行目标的搜索与匹配。在实际的跟踪环境中，3D模 型的运算量很大，而且获得所有目标的3D模型并全部存储是一项几乎不可能的 任务，因此该方法的实际应用比较少。

(3)基于动态轮廓跟踪方法的主要思想：该方法主要是指对目标的轮廓进

行提取，即用一组封闭的轮廓曲线来描述目标，将其作为匹配的模板。此轮廓 曲线能进行自我更新以适应非刚体目标的形状变化12引。例如Paragan等人利用短 程线的轮廓，加入水平集理论检测并跟踪目标【2 5J；最经典的算法是Michael Kass 等人在1 988年提出的主动轮廓模型(即Snake模型)的方法【2 6|，其本质是能量 的最小化。通过不断求解轮廓曲线能量函数的最小值，不断调整其形状，从而 实现对目标的跟踪。该方法在简单背景下，能够准确的进行目标跟踪。但其对 于背景复杂情况以及速度较快或形变较大的目标，运算速度很慢，而且对于遮 挡问题的解决不是很好，因此很少应用于实际的监控系统中。

(4)基于特征的跟踪方法的主要思想：该方法主要是通过提取目标特定的特征集合，如角点或边界线条等【2¨，将其作为跟踪模板，在下一帧中搜索并进 行帧间的匹配，从而实现目标的跟踪1281。改算法的优点在于其是以目标特征为 基础，因此，在目标的整体特征不完整，即目标被部分遮挡的情况下仍然可以 实现跟踪。该方法是目前应用最多的一种方法。

1．4．课题的研究内容与论文结构安排

运动目标检测与跟踪是智能视频监控领域的基础与前提。本文主要是针对 静态场景下的运动目标检测与跟踪，通过不断的研究和学习，找到更好的运动 目标检测与跟踪方法。

2536点并非短期目标 篇3

既然是两会行情，两会期间的信息自然会或多或少的影响市场。本周的关键词最重要的可能有两个，其一是“2012年GDP增速7.5%”，其二是二月份CPI为3.2%。这两个数字影响了本周的市场波动，前者，属于政府主动性调低GDP，你可以说是不再单一的追求GDP，你也可以说是经济下滑成为一种趋势，但要注意到去年两会GDP是8%，实际是9.2%，我们是否可以理解为政府主动性调低预期，结果可能会高于低预期，或许2012年也不会例外，调低预期，有利于调控政策的实施，从股市交易的角度来讲，可能就是做好最坏的打算，把一种非预期的因素考虑进去，这样有利于应对最坏情况的发生。也可以拿地产参考，对于地产的调控政策，最坏的政策都已经出台，日后很难再有利空政策了，当所有人都意识地产最坏也只不过如此时，否极泰来也就出现了，近期地产的强势反弹就说明这一点。后者，属于通胀调控的成效，说明紧缩政策起到好的效果，但同时也可能蕴含着在调控见成效后紧缩政策有松动的可能，不排除未来政策适度宽松的刺激经济，倘若此，则对股市有利。由此看来，市场在正确解读关键词后，将利于恢复市场信心，并相互传导正面信号。

从各项技术指标来看，日线似乎修正了调整的走势，但在周二缺口的威慑下，多方似乎有所收敛；此外，周线图并不乐观，2478点的压力束缚下周的走势，故看似上涨的走势中蕴含着受阻回落的预期。只是本周相对温和的成交量，或者并无萎缩的成交量，增添了市场的信心，尤其是在反弹行情争议很大的情况下，成交量就显得异常的重要了。

通常情况下，在一段上升趋势中，成交量若温和放量，则利于价格的步步推升，突然放大量，或者连续放量之后价格滞涨，则是变盘信号，多空分歧加大，本次沪指见高2478点放大量价格下跌就是如此，滞涨过后价格跟随下跌。如果下跌中缩量，则利于后市价格恢复上涨，2478点后调整属于缩量，伺候出现反弹；若下跌放量，则调整延续，本周初的走势就是如此，回调到周三的2388点，刚好位于本栏上期指出的支撑2380-2400点区域内，获得支撑后成交放大，则是多方缓慢进场逼退空方。

下周沪指面临周三的缺口即2450点附近的阻力，以及前期高点，貌似形成双头的2478点附近阻力，多方只能是缓步推进，面对上方的阻力，必然成交放大，恢复到2478点之前的放量水平，即沪市单日成交量达到1100亿左右，那么才有可能突破上述阻力，进入攻击2536点附近的阻力。

如沪指周线图，根据笔者交易系统中趋势突破的理论体系，沪指反弹突破下降压力线H后，必须在新的上升趋势线附近止跌站稳3周，价格3%左右，那么价格则对下降趋势突破有效，回抽确认之后，恢复上升趋势。目前看来，上升通道恢复有效，相比于之前的上升通道，本周修正的通道将宽于2478点前的上升通道，周线图中，本周低点2388点触碰了下轨线，或者说确认了下轨线，通道的倾角相对平缓，利于拿下2478点，甚至利于拿下2536点。从当前的成交和通道分析，对于沪指在2450点附近震荡均可接受，无论下周初冲高回落还是周初回调，均有利于整固2400点的支撑，即利于站稳2400点，只有这样，新的上升通道才会运行的更久更远。

运动点目标 篇4

运动目标跟踪是计算机视觉领域的研究热点, 此项课题还面临诸多难点和挑战。当一个运动目标通过摄像机视场时, 运动目标的姿态和形状可能会不断发生改变;连续帧的图像序列间可能发生环境光照的强烈变化;环境中的背景物体也可能和目标一样也处于运动状态;此外, 运动目标还可能被其他物体部分遮挡;甚至目标被全部遮挡并引起目标暂时消失。正是以上情况的存在, 使得目标跟踪过程中难免发生目标跟丢现象, 这是任何实际跟踪算法都必须面对和解决的问题。

基于模板匹配的跟踪算法具有很好的目标识别能力和抗背景干扰能力, 不仅跟踪比较稳定, 还可用来跟踪较小目标及复杂背景下的目标, 一直是一种应用较广的目标跟踪算法。但是这种算法存在自适应性差和实时性不足的问题。为了解决模板匹配技术对环境光照、目标姿态强烈变化等自适应性差的问题, 还需采用模板更新策略, 但是如何更新模板是实现稳定跟踪的关键。目标模板不能盲目更新, 否则容易丢失原来的模板信息, 若在某一时刻丢失目标, 将无法重新捕获目标。为了克服传统模板匹配技术实时性不足问题, 可以采用基于特征点的SSDA (序贯相似性快速检测算法) , 它是一种快速模板匹配方法, 极大地提高了匹配跟踪的速度。

在研究和使用基于模板更新策略的特征点SSDA跟踪算法过程中, 发现如果不构成图像跟踪的闭环系统, 一旦出现目标跟丢, 很难重新锁定目标。该文提出的一种对称差分和特征点SSDA相结合的运动目标跟踪方法, 就是在充分利用对称差分检测和匹配跟踪算法各自优点的基础上, 构成一个从目标检测、模板自动提取到匹配跟踪的图像闭环系统, 在目标出现暂时跟丢后, 会立刻重新锁定目标, 并保持对运动目标的持续、稳定跟踪。

1 跟踪算法

基于对称差分和特征点SSDA的运动目标跟踪算法的主要思想是:首先, 利用对称差分法检测场景中是否有运动目标出现, 一旦发现运动目标, 经目标定位后, 自动提取目标的彩色模板图像。然后, 根据获取的目标模板, 采用基于特征点SSDA的快速匹配法, 进行目标的匹配跟踪。在跟踪的过程中, 为了判断目标是否被跟丢, 采用了基于MCD距离的跟丢判别依据。如果目标依然存在, 继续沿用原先的模板匹配跟踪。如果判定目标已跟丢时, 为了重新锁定目标, 重新启动对称差分检测, 提取新的目标模板将原模板予以更新, 由于提取的新模板充分反映了目标的动态变化, 避免了模板的盲目更新。然后继续采用基于特征点的SSDA快速匹配法跟踪目标。由于提取目标模板的过程同时也是重新捕获目标的过程, 因此并不影响跟踪的实时性, 此跟踪算法实现了对运动目标的持续、稳定跟踪。下面对涉及的相关方法进行论述。

1.1 对称差分法

由于对称差分法对背景噪声的抑制能力强, 不仅检测运动目标的正确概率较高, 而且还可以应用在低信噪比的复杂背景下的小运动目标检测中。所以, 在跟踪方案设计时, 采用了对称差分法进行运动目标检测, 它同时也实现了目标模板自动提取功能。在采集的数字图像序列{f (i, j, 1) …f (i, j, n-1) , f (i, j, n) , f (i, j, n+1) , …}中, 设任意连续三帧图像为f (i, j, n-1) , f (i, j, n) 和f (i, j, n+1) , 则对称差分法的检测算法如下:

(1) 计算相邻两帧图像的绝对差灰度图像g= (i, j, n-1) 和g (i, j, n) 。

(2) 对绝对差图像g (i, j, n-1) , g (i, j, n) 分别进行滤波处理, 得到灰度图像mg (i, j, n-1) , mg (i, j, n) 。

(3) 对灰度图像mg (i, j, n-1) , mg (i, j, n) 进行阈值分割, 得到二值图像b (i, j, n-1) , b (i, j, n) 。下面的表达式中, T1和T2是自适应确定的阈值。

(4) 对应相同像素位置, 把二值图像b (i, j, n-1) , b (i, j, n) 的像素进行逻辑与运算, 得到二值图像B (i, j, n) 。

(5) 考虑到噪声的影响, 还需要对B (i, j, n) 进行后处理。先进行滤波, 去掉孤立噪声点, 并通过设定面积阈值, 消除图像中的小面积区域。最终得到的图像F (i, j, n) 就是从原始图像f (i, j, n) 中检测提取的的运动目标。

1.2 特征点的SSDA

为了提高系统的跟踪速度, 在对目标的搜索匹配过程中, 基于特征点的SSDA快速匹配方法首先对目标模板进行特征点 (如边缘、角点和拐点等) 提取, 并以此作为匹配依据, 有效减少了SSDA匹配算法的计算量。在提取目标模板的特征点时, 采用了如下的特征点选取方法。

设模板图像为T (i, j) , 其中i, j=1, …N, 首先将模板图像分割成为n个互不重叠的窗口Wm, n, m, n别表示窗口的行和列包含的像素数, 然后对每一个位于窗口Wm, n中像素T (i, j) , 取四个不同的方向:水平、垂直、左对角线、右对角线分别求取相邻像素灰度差的平方和, 即

定义像素点的特征算子G (i, j) :

定义Wm, n窗口内像素点的特征算子H (i*, j*) :

在Wm, n窗口内, 求取特征算子H (i*, j*) 的坐标 (i*, j*) , (i*, j*) 处对应的特征算子H (i*, j*) 具有与其相邻像素点的灰度方差最大的特点。在模板图像中, 移动窗口Wm, n的位置, 互不重叠的作如上处理, 记录模板图像中所有特征点的坐标和坐标相对应的灰度值, 即为模板特征点像素集合:

1.3 MCD距离

在匹配跟踪的过程中, 为了判断目标是否被跟丢, 采用了基于MCD距离的跟丢判别依据。MCD距离 (Maximum Close Distance) 也叫相关置信度, 意为最多邻近点距离。假设模板图像T (i, j) , 其中i=1, 2, …, M, j=1, 2, …, N, 大小为M×N, 那么它和任一个同样大小的实时图像f' (i, j) 的MCD距离为

首先比较待匹配图像和模板图像对应点的灰度绝对差, 如果这个绝对差小于某个确定的门限T (这个门限是经过实验观察得来的) , 那么就可以认为这两点近似, 然后统计整幅图像区域中对应点像素灰度绝对差小于这个门限的数目, 就可以确定这两幅图像的相似程度了, 把这个数目定义为MCD距离。

2 跟踪步骤

基于对称差分和特征点SS-DA的运动目标跟踪算法的处理步骤有以下几步:

(1) 运动目标检测。首先, 将采集的彩色图像转为灰度图像, 并进行相邻三帧的对称差分运算得到检测的二值图像, 经中值滤波后消除图像中的小面积区域。然后, 判断此二值图像中是否存在运动目标。

(2) 运动区域定位。对上一步骤得到的二值图像进行逐行扫描, 计算出运动区域的质心, 同时可以获取运动区域的边界坐标, 从而确定出目标在图像中的位置。

(3) 提取目标模板。为了尽量减少目标模板中的背景成分对跟踪性能的影响, 并兼顾系统的跟踪速度, 在提取目标模板时, 采用了在运动区域内部提取模板的方法。

(4) SSDA匹配跟踪。采集下一帧图像, 利用上一步骤提取的目标模板图像, 在当前图像中对目标进行匹配跟踪。匹配时采用基于特征点的SSDA快速匹配法。为了判断目标是否跟丢, 采用了基于MCD距离的跟丢判别依据:

(若α≥0.60, 跟踪成功;若α<0.60, 跟踪失败)

为了使跟丢判别结论更可靠, 在得出第一次跟丢判断后, 继续采用原模板进行匹配跟踪, 如果连续3次都是跟踪失败结论, 则判定目标跟丢, 执行下一步骤。

(5) 重新捕获目标。在目标跟丢时, 重新启动对称差分检测, 提取目标的新模板。提取目标模板的同时实现了目标的重新锁定。然后利用新模板继续匹配跟踪。本跟踪程序的算法流程如图1。

3 实验结果

视频跟踪实验系统硬件构成如图2所示:摄像机采用索尼公司的EVI-D100/P, 视频采集卡为北京大恒公司的DH-CG300, 计算机主要配置是Pentium 4 CPU, 2.93GHz主频, 512M内存, 编程环境为Visual C++6.0。实验采集的视频序列图像大小为396×300, 自动提取的模板图像大小为71×71。

图3给出了运动目标被部分遮挡情况下的实验结果。图3各图中, 每幅大图中左侧上方图为实时采集图像;左侧下方图为对称差分法检测提取的目标图像;中间的“小图”是提取的目标模板图像;右侧上方是匹配跟踪结果图, 其中的方框标出了目标在原图中的位置;右侧下方的“小图”是根据匹配跟踪结果截取下来的目标匹配图。通过计算两个“小图” (模板图和匹配图) 的MCD距离, 就可以判断目标是否被跟丢, 是否需要重新提取模板。

从图3中不难看出, 当目标被衣物部分遮挡时, 出现目标跟丢情况, 但很快就重新锁定目标, 并以更新后的模板继续保持对目标的跟踪。实验结果表明, 该跟踪算法是行之有效的。

图4给出了目标做各种动作时的跟踪结果。从中可以看出: (1) 当目标的运动姿态变化不大时, 跟踪比较稳定。 (2) 当目标的姿态发生较大变化时 (例如挡衣服、转身等) , 出现目标跟丢情况, 但通过后续的目标模板提取及更新, 目标又被重新捕获并继续保持跟踪。 (3) 在目标变得较小时, 跟踪依然有效。这是因为本跟踪方法首先利用了SSDA算法的优点, 不仅能够跟踪复杂背景下的较小目标, 而且在目标由运动变为静止时, 可以通过模板匹配保持稳定跟踪。其次, 该方法综合了对称差分法的优点, 即使出现了目标跟丢情况, 通过目标模板的重新提取, 还可以再次捕获目标, 以更新后的模板进行继续跟踪。

4 结论

本跟踪方法采用了对称差分和SSDA相结合的跟踪策略, 它不仅利用了两种方法各自的优点, 而且还构成了从目标检测到图像匹配的跟踪闭环。所以具备以下特点: (1) 利用对称差分法自动提取出的运动目标模板, 充分反映了目标的姿态变化情况。 (2) 在目标跟丢时, 可以重新捕获目标。 (3) 采用了连续3次出现目标跟丢方可重新提取目标模板的处理, 避免了模板的盲目更新。 (4) 在目标停止运动变为静止时, 以及目标变小 (目标在图像中所占比例较小) 时, 依然能有效跟踪。实现一个具有鲁棒性、准确性和实时性的目标检测与跟踪算法是许多研究者努力的方向。但任何实际的算法都要在准确度、实时性以及鲁棒性等方面进行折衷考虑。由于本跟踪系统采用了差分运算, 故要求摄像机镜头要保持静止, 所以其缺点是跟踪目标的视野范围相对较小。

参考文献

[1]侯志强, 韩崇昭.视觉跟踪技术综述[J].自动化学报, 2006, 32 (4) :609-610.

[2]Tissainayagam P, Suter D.Object tracking in image sequences using point feature[J].Pattern Recognition, 2005, 38 (1) :105-113.

[3]Matthews I, Ishikawa T, Baker S.The tem-plate update problem[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.2004, 26 (6) :810-815.

[4]韩心宇.运动目标跟踪技术及应用研究[D].哈尔滨:哈尔滨工程大学硕士学位论文, 2006:21-22.

留一点目标给自己作文 篇5

小时候我的身子并不是像现在一样，而是像是精瘦的排骨仿佛连骨头都要显现出似的并且每隔一段时间我的手就要去看一次医生。因为总是手会在无缘无故之中突然脱臼，一来二去连为我看病的老中医都认识了我这个不善言辞只会依靠在父母怀里的“小病患”。

每次我的手要去老中医那里去维修，老中医一看到我就说：”小朋友，怎么又是你啊？这次是不是又是因为脱臼啊？"说着便伸出他那双枯瘦的手，眼神也是十分专注好像在看一个稀世璞玉一般。而老中医的手犹如机械修理工的工具，一抓一推一按便将我的手接上了。不用吃药也不用上药，更不用打针。只当时我的眼里老中医就像是一位法力无边的魔法师，那么神奇的技艺。应该在骨科界也是凤毛麟角的存在。

有一次在暑假的时候我再次被修理之后便入住表哥家。那时表哥像是着了魔，天天拉着我待在电视机前看nba的比赛。并且像那个解说员一般十分话多，有时我还遭受到他唾沫星子的侵袭。而我对他的话也是左耳进右耳出，没有过多的关注。即使我的漠不关心的态度，也依旧关不上他的水龙头。我只好无奈的顺着他的视线将目光投向电视。当然当时的我打篮球可是一无所知，更是对10个人抢一个球而感到无聊。表哥的解说仍旧继续着，依旧是分析着电视上的每位我都素不相识的人。表哥说到一个球员非常厉害，一开始自然我也是随意地听听罢了。可是他却说那个人从没有被什么伤病缠身时我便忽然来了兴致。因此我从茫然无助的扁舟寻到了方向般，找到了自己的目标。

自此我也出现在了篮球场上。现在因为当时的目标我虽然没有达到像他一样，但是也依然收获颇多。那段时间不仅仅让我迷上了篮球这项运动，更是让我明白了一个道理。那就是不要害怕伤病与挫折，要学会去面对，不要向困难低头也不要服输要有勇气迎难而上。

运动点目标 篇6

关键词：逆向运动学,目标导向,运动捕获,运动合成

0 引 言

人体运动的生成和编辑是计算机动画研究的重点和难点之一。当前主流的方法有两种,一种是动画师手工、逐帧地生成和调节人体运动的位姿。这种方法生成的运动灵活性强,能适应各类不同的环境,缺点是需要耗费大量的时间对运动进行细节上的调整,以保证其真实性;另外一种方法是采用运动捕捉数据来生成和编辑动画,这种方法的优点是生成的运动真实感很强,缺点则是捕捉数据的成本很高,可以捕获的运动范围有限,并且对现有数据的重用比较复杂和困难。

为了克服上述两种方法的缺陷和不足,同时为用户提供一种更为简便的运动编辑方法,本文提出了一种基于逆向运动学的目标导向运动合成方法。使用这种方法,无论是专业的动画师还是没有任何背景知识的普通人,都可以很容易地创建出符合他们各自需求的动画。我们的方法首先从现有的运动捕获数据中提取特定类型正常、自然的人体运动,如走路、跑步等,目的是为了获取这种类型运动各个关节的正常取值范围。在进行运动编辑时,我们首先选定某一类运动作为参照,并将其视为运动编辑的约束条件,这样就保证了编辑得到的运动更贴近此类运动所占据的空间,使得最终生成的运动更加自然、真实。

人体运动编辑的难点主要在于人类自身结构非常复杂,自由度很多。为了加快运动编辑的速度,同时简化计算,一般采用的方法是减少自由度的数量。如文献[1]指出的那样,尽管人体拥有上百个自由度,但这些自由度都是由关节内部的耦合、关节的运动范围以及同外部环境的接触等因素来决定的。在实际的人体运动编辑中,需要控制的自由度,要比人体本身包含的自由度少很多,在某些情况下这些需要编辑的自由度近似等同于人体所受到的约束条件。同之前的一些工作类似,本文也把关节视作约束条件或者可编辑对象,以此来减少人体的自由度,进而加快运动编辑的速度。

逆向运动学是人体运动编辑中一项非常重要的技术手段。本文采用了更易于求解人体复杂结构的数值方法来实现逆向运动学。求解逆向运动学的数值方法有很多种,因其对待问题的观点不同而有所区别,本文使用阻尼最小二乘法DLS(damped least squares)计算和表示雅克比矩阵。这种方法的优点是,可以有效避免奇异矩阵,数值结果比较稳定。

使用我们的方法,用户只需要读入一些已有的同种类型数据,在算法对这些数据进行分析之后,会为其构造相应的运动区间。然后,通过指定少量约束条件及可编辑的关节或身体部位,我们的算法就可以实时地计算出满足用户要求的人体位姿。

1 相关工作

运动学方法被广泛应用于机器人及人体动画研究领域。利用关节角函数,计算人体不同部位关节位置和朝向的方法被称之为正向运动学。但对于动画师和普通的动画爱好者来说,通过设置关节角函数或是调节各个关节的角度来生成逼真的人体运动是非常困难的。逆向运动学方法在一定程度上减轻了前面繁琐的工作,用户通过指定末端关节的位置,可以自动计算出其他相应关节的位置。因此逆向运动学在人体运动编辑中被广泛应用。逆向运动学的数值方法又分为解析法和数值迭代法。解析法[2,3]的求解效率很高,但是无法处理结构比较复杂的对象,如人体结构。数值迭代法[4,5,6]克服了解析法面临的限制,能够处理更加复杂的情况,但这类方法必须严格指定合适的约束条件,才能达到较好的效果,而这些约束条件往往很难指定。

使用运动捕获数据的方法之所以能够取得很好的效果,主要是因为它们从现有的运动数据中获得了大量真实的信息作为先验条件,因此生成的运动看起来更加真实、自然。文献[7]通过使用径向基函数对运动数据进行插值,来实现逆向运动学。文献[8]将运动插值视为在任意定义的参数空间内对缺失运动数据的统计预测。文献[9]在逆向运动学系统中使用高斯过程隐变量模型来学习人体位姿。文献[10]也在人体运动编辑领域做了很多有意义的探索和工作。文献[11]介绍了一种基于时空约束的运动编辑和运动重定向方法,通过规定一组时空约束条件,建立相应的目标函数,采用逆向运动学和数值优化方法求解出满足约束条件的运动姿势。文献[12]通过对一组样本运动进行函数主成分分析,构建出一个由特征运动构成的低维函数子空间,利用该低维子空间可以有效刻画样本运动内在的变化规律,同时合成逼真、平滑的运动序列。尽管这些方法生成的运动非常逼真,同时能够满足各种不同的约束条件,但是无法避免的一个问题就是计算相对复杂,耗费时间比较多,交互方式不够灵活。因此,我们希望能够以更小的计算代价来达到用户满意的效果。

在运动编辑中,人们往往会指定各种不同的约束,这些约束条件之间有时会发生冲突,因此引入冲突解决机制是非常必要的。文献[13,14]在运动编辑中引入了优先级的概念,很好地解决了约束条件之间的冲突,本文也采用了类似的方法。

2 关节运动范围

在实际的人体结构中,不同的关节具有不同的自由度。在我们的算法中,除了根关节之外,其他大多数关节用3个自由度来表示,少数关节如膝盖、肘关节用2个自由度表示。在本文的算法中,我们将每个关节都视作球形关节,借助真实的运动数据,计算出相应球形关节的运动范围。M(t)={p(t),q1(t),q2(t),…,qN(t)}表示一段运动捕获数据,t表示离散的时间点,对应于运动数据的每一帧,p(t)表示根关节的位置信息,是一个三维向量,qi(t)表示每个关节相对于父关节的朝向,N表示关节的数量,在我们的运动捕获数据中,欧拉角用来表示关节朝向。如文献[1]所述,如果直接使用欧拉角来表示关节的运动范围,由于其本身非线性的特点,会产生非常复杂的形状。为了使运动范围的表示更加简单直观,我们采用了文献[1]中扭-摆角的形式来描述关节的运动范围。

在实际计算中可以用三维向量(∂y,∂z,α)来表示一个扭-摆角。∂y,∂z表示旋转轴的朝向,α表示绕轴(0,∂y,∂z)旋转的角度。∂y,∂z,α可以通过式(2)、式(3)、式(4)进行计算。运动数据中用于表示关节朝向的欧拉角,我们将其转换成对应的旋转矩阵Ri,当旋转矩阵是单位矩阵时,可以使用单位向量d${}_i^0$=(1,0,0)T来表示旋转轴的方向。因此,旋转轴的当前方向di可以通过式(1)得到。

$\partial {}_y=-\frac{R{}_i(3,1)}{\sqrt{2(1+R{}_i(1,1))}}$ (2)

$\partial {}_z=-\frac{R{}_i(2,1)}{\sqrt{2(1+R{}_i(1,1))}}$ (3)

$\alpha =\arccos \left(\frac{d{}_i\cdot d{}_i^0}{\parallel d{}_i\parallel \parallel d{}_i^0\parallel }\right)$ (4)

在我们的人体模型中,所有关节都使用上面的计算方法来求解它们各自的运动范围。这里需要指出的是,在进行运动编辑时,这些关节的运动范围,并不一定都能被覆盖到,而且由于各个关节的约束条件不同,相应关节的运动范围会被严格限定,比如,在进行位姿编辑的时候,根关节的平移运动范围会因人体质心的约束,而被严格限定,细节请参见第4节。

3 运动编辑

3.1 可编辑关节及其优先级

运动编辑界面如图1所示。

我们的编辑算法通过对末端执行器的位置进行调整来实现人体全身的运动编辑。本文提出的算法支持用户同时指定多个不同的几何约束,实时编辑人体运动。在算法的执行过程中,我们希望尽可能地减少用户的工作量,且最大程度地满足用户需求。首先我们将人体关节分成不同的优先级[13,14],在进行运动编辑时,如果用户不指定任何其他的约束,算法自动按照默认的优先级进行处理,优先级较高的条件优先满足。如果用户指定了约束条件,比如固定了手或者脚,那么这些约束条件的优先级将会被提高。本文使用的约束类型和优先级如表1所示。

质心CoM(Center of Mass)约束的主要目的是为了用来保持人体平衡。由于人类对自身运动非常了解,任何微小的违反自然运动规律的行为或者动作都很容易被察觉,而平衡又是最重要的因素之一。为了保证人体平衡,在运动编辑过程中,我们会给身体各个不同的部位附上相应的质量,身体任何部位的改变,都会引起CoM的重新计算,以确保人体能够保持平衡。身体不同部位的质量参数,请参见文献[15]。在保证身体平衡的基础上,我们希望编辑的关节尽可能地满足指定的约束条件,因此它的优先级位于第二位。需要指出的是,本算法主要面向普通的位姿调整,尽管也可以编辑复杂的运动,如跳跃、翻腾,但受限于相应的捕获数据,这些类型的运动编辑不是本文算法处理的重点。因此,我们更希望人的双脚能够站在地上,实际上,这也是保持平衡的一个必要条件,故把双脚的位置约束放在第三个优先级。最后一个优先级主要面向其他部位的身体关节,目的是为了避免他们之间发生碰撞,同时最大程度地保持位姿的自然性。

3.2 计算细节

在逆向运动学中通常将最末端的关节称之为末端执行器,指定末端执行器的位置S={s1,s2,…,sk},k表示末端执行器的个数,反求出人体根关节位置及所有关节的旋转角度,也即:M(t)=f-1(S(t)T),就是逆向运动学要解决的问题。本文针对逆向运动学经常面临求解奇异矩阵的问题,采用DLS方法对其进行计算,给定一个初始的位姿及相应的约束条件,算法通过数值迭代来求解最终满足编辑约束的位姿。

在实际的运动编辑中,我们通过给末端执行器指定相应的目标位置来控制虚拟人的位姿。目标位置同样由一组给定的列向量T=(t1,t2,…,tk)T来表示,其中ti表示第i个末端执行器的目标位置。ei=ti-si,ei是第i个末端执行器的期望变化值。如果$\overrightarrow{e}=\overrightarrow{t}-\overrightarrow{s}‚$那么就有$\overrightarrow{s}=\overrightarrow{s}({\rm M})$,对i=1,2,…,k,si=si(M)。我们最后的目标就变成了寻找这样的M,使尽可能对所有的i满足:

ti=si(M) (5)

然而,式(5)并不总是有解或者存在多个解。因此,我们只能使用迭代法来求解一个近似最优解。为了得到这个解,函数si常常用雅克比矩阵线性近似表示。雅克比矩阵J是M的函数:

$J({\rm M})=\frac{\partial S{}_i}{\partial {\rm M}}$ (6)

我们使用迭代法来求解式(5)。根据三个已知变量 M,$\overrightarrow{s}$,$\overrightarrow{t}$,易于求出雅克比矩阵J=J(M)。一般的处理方法是这样的,如果第j个关节是一个自由度的旋转关节,那么他的关节角度就是一个单一的标量θj。在前面的叙述中,我们将大多数关节用球形关节中∂y,∂z,α三个变量表示,这样每个关节即构成一个向量。设Pj是第j个关节的位置,Vj是指向当前旋转轴的单位矢量。在这样的情况下,如果角度是以弧度为单位,方向是按照右手法则,并且假设这个关节会影响到第i个末端执行器,那么相应的雅克比矩阵为:

$\frac{\partial S{}_i}{\partial \theta {}_j}=V{}_j\times (S{}_i-{\rm P}{}_j)$ (7)

如果第i个末端执行器没有被第j个关节影响到,那么∂Si/∂θj=0。如果第j个关节是个平移关节,那么雅克比矩阵就更容易算出了。因为第j个关节是在单位向量Vj的方向上做平移运动,所以这个关节角只有平移的效果,那么雅克比矩阵的结果是:

$\frac{\partial S{}_i}{\partial \theta {}_j}=V{}_j$ (8)

通过对M进行叠加,我们可以得到新的M:

M:=M+ΔM (9)

式(9)引起的末端执行器的变化可以表示为:

$\text{Δ}\overrightarrow{s}=J\text{Δ}{\rm M}$ (10)

逆向运动学的一个重要思想就是选择一个合适的ΔM使$\text{Δ}\overrightarrow{s}$能够尽可能地接近于$\overrightarrow{e}$。所以,根据式(10),我们又可以用另一种方法来求Δθ。

$\overrightarrow{e}=J\text{Δ}{\rm M}$ (11)

显然我们可以使用式(10)来求解当前位姿的变化。

$\text{Δ}{\rm M}=J{}^{-1}\overrightarrow{e}$ (12)

然而雅克比矩阵J未必一定可逆,因此我们将式(12)转换成如下的形式,以处理不可逆的情形。

$\text{Δ}{\rm M}=J{}^{{\rm T}}(JJ{}^{{\rm T}}+\lambda {}^2{\rm I}){}^{-1}\overrightarrow{e}$ (13)

结合优先级调度和基于DLS方法,我们具体使用如图2所示算法来进行逆向运动学计算。需要指出的是,虽然我们借鉴了文献[14]中的算法框架,但是结合本算法的特点,对其进行了较大的改动。

4 实验结果及讨论

本文程序使用Qt v4.7.1和Visual Studio 2008开发,所有实验均在一台2.4GHz Quad CPU、2GB 内存的普通PC上测试运行。我们的运动数据来自卡耐基梅隆大学的运动捕获数据库,主要包含的运动有行走,跑步,手部触碰和腿部触碰等。表2表示虚拟人走路时主要关节的约束范围(弧度表示)。

我们的系统可以对身体的局部和全局进行运动编辑。在进行运动编辑之前先要创建合适的逆向运动学链,如图3所示。

在创建完一条或多条逆向运动学链之后,给定任意不同的目标,我们的算法可以合成真实自然的运动,如图4、图5所示。

本文所使用的算法严格限定了逆向运动学的解算时间,同时赋予不同约束不一样的优先级,这样就能最大限度的满足用户交互式的编辑需求,同时保证虚拟人位姿的真实和自然性。由于我们的算法结合了真实的运动捕获数据,因此全身运动编辑的效果要比单纯使用数值方法得到的结果更加贴近真实的运动,效果如图6、图7所示。

我们的方法简单易用且能保证实时的交互效率,可以很方便地对不同类型的运动进行细节上的调整以生成新的运动,能够广泛应用于涉及虚拟人的动画、影视的制作中去,减轻动画师的负担。同时,也能满足非专业人士的创作需求,较为方便地生成各种不同类型的运动。

需要指出的是,尽管我们的方法能生成比较真实、自然的运动,但在一些具体细节上,还是有所欠缺。如图6中,虚拟人的头和眼睛的朝向不够自然,这主要是因为算法中没有合适的约束或者模型对头部和眼睛的运动进行建模。一个行之有效的方法是利用生物力学中的观察结果,模拟人的注视方向和头部运动,给定一个可见目标,利用这些模型促使眼睛和头部同时产生运动,进而生成稳定、直接的注视行为,进而增加运动的真实感。

运动点目标 篇7

关键词：空间目标,恒星目标,运动特性,光电探测

0 引言

地基大视场天文光电观测系统获取的序列图像中, 由于望远镜单元视场大、空间目标尺寸相对较小且距离十分遥远, 空间目标的星像大小、灰度分布等成像特征与恒星目标十分相似, 都只占少量像素的灰度奇异点, 仅通过灰度特性难以正确地检测出空间目标[1,2,3]。运动特性是空间目标和恒星目标之间非常重要的特性差异, 是区别空间目标和恒星目标的关键所在[1]。并且, 一些目标检测算法, 比如针对低信噪比序列图像弱小目标检测的动态规划、三维匹配滤波等方法, 需要预先知道目标的运动速度范围[4]。

由于需要对极暗弱的空间目标进行观测, CCD相机积分时间较长, 帧频一般在0.110 frame/s。从定性的角度上看, 恒星目标在图像序列中表现为相对静止, 而空间目标表现为明显的运动特性。本文将从定量的角度推导空间目标和恒星目标在视场中的运动特性, 并对两者的运动特性进行比较分析, 为弱小空间目标检测算法提供参考。

1 空间目标运动特性分析

空间目标围绕地球运动, 其位置和运动速度是重要的特征参数, 也是后续目标检测算法中对空间目标检测的重要依据。对近地轨道空间目标而言, 大部分的空间目标都是圆轨道或近圆轨道运动, 并且地球自转角速度对近地轨道空间目标的运动估算来说影响很小。因此, 不失一般性, 下文以圆轨道空间目标为例, 并忽略地球自转的影响, 对空间目标在视场中的角速度和角加速度进行估算。

如图1所示, 点O为地心, O'为望远镜单元, Z为天顶, T为空间目标, Re为地球赤道半径 (6 378.137km) , H为空间目标的轨道高度/地面高度, ρ为望远镜单元与空间目标之间的距离, h为空间目标仰角, z为空间目标天顶角, θ为望远镜单元与空间目标在地心处的夹角, φ为地心与望远镜单元在空间目标处的夹角。根据三角关系, 有

空间目标的运动速度 (km·s-1) 和地心运动角速度 (rad·s-1) 分别为

其中:μ为地心引力常数3.986 004 36×105 km3·s-2, r=Re+H为空间目标到地心的距离。

根据正弦定理有 (5)

结合式 (1) 和式 (2) 得到 (6)

因此望远镜单元与空间目标之间的距离为[5]

对于距离地心为r的空间目标, 其运动速度的大小为v但方向未定。如图2所示, 其所有可能的运动方向组成的平面定义为空间目标的“运动平面”, 可知该运动平面垂直于空间目标与地心的连线。空间目标在CCD中成像, 在空间目标处模拟一个与光学系统光轴垂直的“像平面”, 该像平面平行于CCD平面。易知空间目标运动平面与像平面之间的夹角为φ, 两平面的交线为水平线。

已知空间目标的运动速度v与两平面的交线的夹角为γ, 则空间目标像平面上的角速度在水平方向和垂直方向上的投影H (rad·s-1) 和V (rad·s-1) 分别为

空间目标像平面上的角速度ω' (rad·s-1) 为

当γ=90°时, 即空间目标的运动速度垂直于空间目标运动平面与像平面的交线, 空间目标向天顶Z运动, 在图像序列中竖直向上运动, ω'取得最小值min, ω'变化引入的角加速度a' (rad·s-2) 达到最大值amax, 即

此时空间目标的运动在空间目标、地心、望远镜单元组成的平面内, 且空间目标相对地心以角速度ω匀速运动。将 (28) 0-t代入式 (7) , 对t求导, 得到

所以amax (28) (r2-Re24) rR2eμsin (14)

当γ=0°时, 即空间目标的运动速度和空间目标运动平面与像平面的交线一致, 空间目标在像平面内水平向左运动且运动至最高点, ω'取得最大值max, a'为最小值amin, 即

此时空间目标的运动垂直于空间目标、地心、望远镜单元组成的平面, θ与t无关, 故

所以 (18)

当γ=180°、270°时, 与上面分析一致, 只是目标的角速度和角加速度的方向相反。γ≠0°、90°、180°、270°时, 即空间目标的运动速度和空间目标运动平面与像平面的交线既不垂直也不平行时, 空间目标的角速度大小将介于min和max之间, 角加速度大小将介于0和amax之间。

2 恒星目标运动特性分析

由于地球自转的影响, 恒星目标在图像序列中并非完全静止, 而是绕北极星缓慢运动。本节就恒星目标缓动特性进行定量分析。如表1所示, 建立地平坐标系和时角坐标系两种天球坐标系[6]。

望远镜单元在时角坐标系中的纬度为φ, 则两种坐标系之间的转换关系为

已知恒星目标在时角坐标系中的坐标为r (, ) , 则由式 (19) 得到其在地平坐标系中的坐标为

恒星目标在视场内做“周日视运动”, 其运动角速度的大小与地球自转角速度Ω相等, 为7.292 115×10-5rad·s-1。令 (28) 0 (10) Ωt, 代入式 (19) , 并对t求导, 得到恒星目标在地平坐标系中的速度为

因为 (23)

式 (23) 中“”表示向量积 (外积或叉积) , “”表示标量积 (内积或点积) 。所以恒星目标在地平坐标系中的角速度为

将式 (21) 和式 (22) 代入式 (24) , 得

通过式 (25) 可以发现 |ω (A, h) | (28) Ω|cosd| (26)

即恒星目标在地平坐标系中角速度的大小只与恒星目标的赤纬δ有关, 当δ=0°时望远镜指向北天极, 该处的恒星目标 (即北极星) 角速度为0, 在视场中静止;当δ=90°时望远镜指向天赤道, 该处的恒星目标角速度达到最大值Ω;当望远镜指向其它区域时, 恒星目标的角速度将介于0和Ω之间。

根据式 (21) , 有

故式 (22) 可以转换为

将式 (21) 和式 (29) 代入式 (24) , 得到的ω (A, h) 以方位角A和仰角h表示

3 空间目标和恒星目标运动特性对比

对于某一光电探测系统而言, 空间目标在视场内的角速度和角加速度与空间目标到地心的距离r、望远镜单元与空间目标在地心处的夹角θ及空间目标对望远镜单元的相对运动方向有关。由于空间目标的轨道高度H与r之间、空间目标的仰角h和θ存在对应关系, 因此空间目标在视场内的角速度和角加速度取决于空间目标的地面高度H、仰角h及其与望远镜单元的相对运动速度方向。如图3为圆轨道空间目标忽略地球自转的影响, 在不同轨道高度H不同仰角h下的角速度和角加速度分布。

根据前面的分析, 并结合图3, 得到了在忽略地球自转的影响下圆轨道空间目标的运动特性:

1) 同一轨道高度相同仰角下的空间目标, 在视场中竖直运动时角速度达到最小速度, 角加速度达到最大加速度;在视场中水平运动时角速度达到最大速度, 角加速度为最小值0;

2) 相同仰角下不同轨道高度的空间目标, 其角速度和最大角加速度都差异很大, 随着轨道高度的升高目标的角速度和最大角加速度逐渐减小;

3) 同一空间目标在不同仰角处, 其角速度具有较大的差异, 随着仰角的增大角速度也逐渐增大;

4) 空间目标的角加速度远小于该空间目标的角速度, 在短时间内可以认为是匀速直线运动。

已知望远镜单元在时角坐标系中的纬度, 如假设为北纬43°, 则恒星目标在整个天区内的运动速度分布如图4所示。可见, 若已知望远镜单元在时角坐标系的纬度和指向, 则根据前面的坐标变换可以计算出恒星目标在视场中的运动速度。通过空间目标和恒星目标运动特性的分析对比, 可以得到两者运动特性的差异:

1) 恒星目标在图像中的运动体现为慢速运动, 北天极处的恒星目标的速度为0, 天赤道处的恒星目标速度达到最大值;

2) 近地轨道空间目标的运动速度远大于恒星目标的运动速度, 即使在20 000 km的中高轨道, 空间目标的运动速度也还略大于恒星目标的运动速度。

结束语

本文分析了地基大视场天文光电观测系统中空间目标和恒星目标的运动特性。首先, 以圆轨道空间目标为例, 并忽略地球自转的影响, 分析了低轨道空间目标在不同仰角处的运动特性。其次, 在建立地平坐标系和时角坐标系这两种天球坐标系的基础上, 分析了恒星目标在不同方位不同仰角处的运动特性。最后比较了空间目标和恒星目标在视场中运动特性的差异, 结果表明恒星目标的运动体现为慢速运动, 而空间目标表现为明显的运动特性, 且在短时间内可以认为是匀速直线运动。

本文结果对于大视场空间目标光电探测系统中空间目标和恒星目标的检测提供了有力的理论支撑, 对其它空间目标检测和跟踪系统的算法实现也具有一定的参考价值。对于高轨空间目标而言, 由于地球自转角速度无法忽略, 因此本文结果并不适用。

参考文献

[1]黄宗福, 韩建涛, 陈曾平.天文光电图像序列目标成像特征提取与分析[J].光电工程, 2011, 38 (4) :59-65.HUANG Zong-fu, HAN Jian-tao, CHEN Zeng-ping.Extraction and analysis of targets’imaging features in astronomical opto-electronic image sequences[J].Opto-Electronic Engineering, 2011, 38 (4) :59-65.

[2]程军, 张伟, 丛明煜, 等.基于星图识别的空间目标检测算法研究[J].光学技术, 2010, 36 (3) :439-444.CHENG Jun, ZHANG Wei, CONG Ming-yu, et al.Research of detecting algorithm for space object based on star map recognition[J].Optical Technique, 2010, 36 (3) :439-444.

[3]张春华, 陈标, 周晓东.运动背景星空图像中小目标的运动轨迹提取算法[J].光学精密工程, 2008, 16 (3) :524-530.ZHANG Chun-hua, CHEN Biao, ZHOU Xiao-dong.Small target trace acquisition algorithm for sequence star images with moving background[J].Optics and Precision Engineering, 2008, 16 (3) :524-530.

[4]李德明, 王学伟, 郭明.星敏感器图像模拟及目标背景运动特性分析[J].光电工程, 2009, 36 (4) :40-44.LI De-ming, WANG Xue-wei, GUO Ming.Image simulation of star sensor and movement characteristic analysis of background and target[J].Opto-Electronic Engineering, 2009, 36 (4) :40-44.

[5]王书宏.强背景下空间目标光电探测实时信息处理技术研究[D].长沙:国防科技大学, 2007.WANG Shu-hong.Research on real-time info processing technology of space target opto-electronic detection under strong background[D].Changsha:National University of Defense Technology, 2007.

运动目标模拟系统设计 篇8

振镜式激光扫描运动目标模拟技术是设计振镜式激光扫描运动目标模拟系统的核心技术,它采用一种激光经双镜面全反射投影方式,利用运动光斑来模拟运动目标。本章主要介绍该运动目标模拟技术的理论,包括其物理基础、原理和基于原理推导的模拟目标运动航路影射算法三部分。物理基础部分是该运动目标模拟技术产生的物理条件,主要包括激光产生条件与特性、激光发生器概述和激光振镜概述等。在介绍物理基础的前提下,本章在第二小节重点就振镜式激光扫描运动目标模拟扫描技术的原理、方式和误差分析与校正进行了详细的论述。通过分析振镜式激光扫描运动目标模拟技术原理可推导出投影轨迹光斑的坐标方程,该坐标方程不仅反映了投影轨迹光斑与振镜偏转角的关系也间接反映了上位机航路轨迹坐标与振镜偏转角之间的控制关系,进而为推导目标匀速等半径运动等三种航路轨迹映射算法奠定了基础[1]。

模拟目标能够更好地再现运动目标的运动方式和运动状态,就必须对模拟目标的航路轨迹进行研究规划,这就涉及到航路映射算法的问题。现实中运动目标的航路轨迹是复杂多样的,常见的主要有匀速直线运动、匀加速直线运动、匀速圆弧运动、匀速直线运动基础上的随机加速度运动和转弯俯冲飞行等。在课题研究中重点对运动目标做匀速直线运动、匀速斜线运动和匀速等半径运动进行了模拟,以达到实现检测光电跟踪系统的目的。在模拟系统运行过程中,为了能更精确地控制模拟目标的运动轨迹,准确获取模拟目标的实时位置信息,就需要详细分析航路轨迹中运动目标速度、振镜偏转角度和振镜匀角速度三者之间的映射关系,此外还有振镜偏转角度与运动目标位置坐标之间的对应关系。

在推导模拟运动目标的三种航路轨迹映射算法之前,需要首先介绍一下PC上位机人机交互程序界面下的坐标系与投影平面幕的坐标系之间的变换关系。在这里,记xoy坐标系和XOY坐标系分别为投影屏幕下和PC上位机人机交互程序界面下的坐标系, 如图1所示。

设X,Y轴的坐标最大值分别为Xmax,Ymax,二者在xoy坐标系下对应的坐标分别为(xmax,0),(0,ymax),XOY坐标原点O在xoy坐标系下的对应坐标为o(xo,yo),则xoy坐标系下的任意一点M(x,y)转换为XOY坐标系下的对应点(X, Y)的转换关系如下:

undefined

1 系统总体设计

本文设计的振镜式激光扫描运动目标模拟系统主要由PC上位机,控制系统,执行机构和投影屏幕四部分构成。PC上位机选用工控计算机,上面运行有上位机软件,主要是用于参数输入与命令设置的人机交互程序和用于生成模拟目标航路轨迹的轨迹规划程序;控制系统作为连接PC上位机与执行机构的桥梁,是整个模拟系统设计的核心。控制系统主要接收PC上位机发送过来的控制指令、航路轨迹信号并对信号做相应的处理(命令执行、数据存储、数据提取分离、数模转换和CAN传送等);执行机构中的激光发生器用来输出一定功率,特定激光波长的激光束;激光振镜系统内含有两个正交设置的振镜单元X和Y,两个镜片分别负责X方向和Y方向的扫描。投影屏幕是用来显示模拟目标的铅锤平面幕。模拟系统总体设计结构如图2所示。

系统上电运行,首先进行系统自检、初始化,初始化完毕后自动进入待机状态。设计人员可通过PC上位机软件的人机交互程序界面设定系统参数、设置轨迹属性、输入已知运动目标航路轨迹关键点坐标在人机交互程序界面的显示窗口生成运动目标航路轨迹曲线,同时每隔20 ms将采样得到的轨迹曲线坐标(x ,y)和对应的光功率信息等数据通过USB发送给控制系统,控制系统将收到的信息存储到存储器中,待信息全部传输完毕后,控制中心的处理器提取存储器中的(x, y)坐标信息和光功率信息并进行数据分离,分离出的x,y值通过X,Y振镜控制电路进行D/A转换得到模拟电压控制信号,该电压控制信号传送给振镜驱动电路,分别驱动X振镜和Y振镜的偏转,同时分离出的光功率控制信息处理后传送给光功率控制电路,而后其控制激光器生成一束一定功率和特定波长的激光束,生成的入射激光经过振镜的偏转,在X、Y两个方向进行扫描合成,在投影屏幕上投射出模拟运动目标的光斑轨迹。控制中心每隔20 ms也会通过CAN总线将(x, y)坐标信息发送给光电跟踪系统的精度解算计算机解算跟踪精度。在上位机界面中也可以发送一些控制命令,包括激光发生器的开启与关闭命令等,控制系统接收到控制命令后,控制相关功能单元执行操作[2]。

2 系统软件设计

系统软件设计分PC上位机软件、下位机软件和USB通信程序三部分进行设计, PC上位机软件设计主要是用于参数输入与命令设置的人机交互程序和用于生成模拟目标航路轨迹的轨迹规划程序的设计;下位机软件设计包括主程序、初始化程序、存储程序、轨迹坐标转换程序、振镜控制程序、光功率控制程序和CAN通信程序的设计。USB通信程序完成上位机与下位机之间的通信。

2.1 人机交互程序设计

人机交互程序是振镜式激光扫描运动目标模拟系统上位机软件的重要组成部分,它提供了用户与上位机互动的窗口。用户可以通过上位机界面发出控制命令、设置航路轨迹生成参数或输入航路轨迹关键点坐标生成航路轨迹,也可设置文本和数据输出属性等。在WINDOWS平台下实现上位机编程常用Visual C++、Visual C#和LabVIEW等上位机开发程序,在本系统中开发上位机程序正是选用了支持面向对象的高级编程语言VC++ 的Microsoft VC++6.0开发环境[3]。上位机主界面如图3所示。

2.2 USB通信程序设计

USB通信程序在系统软件中主要作为上位机软件与下位机软件的连接媒介,完成上位机向下位机的数据传输。

USB通信程序的设计主要有三部分:USB固件程序设计、USB驱动程序设计、USB上位机软件设计。下面简要介绍各部分开发流程和实现的功能。

(1) USB固件编程

在USB接口设计中,USB固件编程是整个设计任务的核心。USB固件程序用于完成USB设备的识别、重列举、设备请求、USB协议处理、外部硬件的功能、负责与USB主机之间的数据通信等。本软件系统中USB固件编程是在Windows平台下的嵌入式集成开发环境ARM ADS1.2中完成的。

(2) USB驱动程序设计

USB驱动程序是连接USB主机程序和USB固件程序的桥梁。USB主机通过相应的驱动程序来控制外部USB设备,进行数据传输等操作。在WINDOWS平台下,目前开发驱动程序有3种方式:使用Microsoft的DDK工具,使用KRFTech公司的WinDriver工具和使用Compuware公司的DriverStudio工具。使用Microsoft的DDK开发驱动程序,比较复杂,需要耗费大量的时间和精力。而WinDriver和DriverStudio是简化驱动程序开发的开发工具的出色代表,WinDriver软件比较简单,可以快速创建驱动程序,但是对驱动程序的刻画不够细致。DriverStudio软件可以高效、细致地刻画驱动程序的每一个细节,因此得到了广泛的应用。在本软件系统中USB驱动程序设计的就是在WINDOWS平台下采用DriverStudio的DriverWork完成的。

(3) USB上位机程序

在USB设备开发中,上位机程序是设备与用户的接口。上位机程序通过USB接口设备驱动程序和外部的USB硬件进行通信,USB固件程序执行所用的操作。在编写上位机程序的时候,只需调用相应的Windows API函数向驱动程序提交各种申请,就能由驱动程序来完成相应的读、写数据等各种功能。主机端的应用程序负责向USB的FIFO缓存器发送大量数据,本系统在Visual C++ 6.0环境下进行开发。

3 结论与展望

振镜式激光扫描运动目标模拟系统是为检测地面机动防空武器的光电跟踪系统提供可跟踪模拟目标,且该模拟目标是二维平面内的一个具有真实目标红外特性和可见光特性的模拟运动目标。

摘要：设计的振镜式激光扫描运动目标模拟系统就是用来检测某地面防空武器的光电跟踪系统,其能够根据目标的运动方式和运动状态在实验室模拟实现可供光电跟踪的运动目标。课题采用振镜式激光扫描运动目标模拟技术,激光束经过双振镜的全反射后在投影屏幕上利用光斑扫描出目标运动的轨迹,该光斑就是模拟光电跟踪系统跟踪的模拟运动目标,它具有真实目标的可见光和红外特性。

关键词：目标模拟,激光器,激光振镜

参考文献

[1]宁国勤.激光打标控制系统的研究与实现[D].硕士学位论文.武汉:华中师范大学,2002.

[2]戴咏欣.目标模拟运动系统设计和关键技术问题[D].西安电子科技大学研究生硕士学位论文,2005.

运动目标跟踪算法综述 篇9

1 目标跟踪算法

1.1 基于Mean Shift (均值偏移) 的目标跟踪算法

Mean Shift算法第一次是由Fukunaga和Hostetle在1975年提出的, 他们的文章是关于概率密度梯度函数的估计的, 它是一种无参估计算法, Mean Shift是一个不断进行迭代的循环, 通过不停的迭代过程寻找到跟踪目标的下一个位置。简单来说, Mean Shift算法过程就是首先计算起始点的偏移的均值, 给定一个初始点, 核函数和容许误差, 得到的数值就是目标移动的距离, 然后通过迭代方法, 沿着概率密度函数的梯度方向不断的移动, 最终收敛于一个局部密度的峰值。

Mean Shift算法计算简单, 对目标的形状变化、尺度变化有一定的适应性, 效率较高, 分析结果的可靠性越高跟踪的鲁棒性越好。但是这种算法只是一种局部优化的方法, 当目标颜色与背景颜色相近或者跟踪目标的距离较远时, 跟踪效果不够理想, 可能出现丢失跟踪目标的现象。

1.2 基于Kalman (卡尔曼) 滤波器的目标跟踪算法

1960年Rudolph E.Kalman发表了关于用递归方法解决离散数据线性滤波问题的论文, 从那以后, Kalman滤波算法逐渐被推广使用。如今, Kalman滤波广泛应用在机器人导航、军事雷达系统和导弹追踪等领域。近年来Kalman滤波被应用于数字图像处理, 例如人脸识别、目标跟踪等。卡尔曼滤波器是一种用于时变线性系统的递归滤波器, 它包括预测下一个状态和更新当前状态, 通过对这两种状态进行递归和反复的计算, 通过一系列递归数学公式, 计算出最小预测估计均方误差值。

Kalman滤波算法是一个最优化自回归数据处理算法, 这种算法跟踪成本较低, 计算量小, 实时性强, 效率较高, 预测结果稳定, 它不需要保存先前的数据, 当进行新的测量时也不需要对原来数据进行处理, 所以很容易实现, 但是它只适合于零均值白噪声的系统, 也就是线性高斯系统。

1.3 基于粒子滤波器 (Particle Filter) 的目标跟踪算法

粒子滤波在上世纪90年代后期才发展起来, 是一种基于贝叶斯估计理论和蒙特卡罗理论的实时推理算法。其基本思想是用随机样本描述概率分布, 以递归的方式对测量数据进行序贯处理, 粒子权值的大小和样本的位置用测量数据来调节。这种方法是把概率密度函数用一组随机样本来表示, 用样本均值代替积分运算, 进而获得系统状态的最小方差估计的过程, 这些样本被形象的称为“粒子”, 所以叫粒子滤波。

这种跟踪算法的粒子滤波较为灵活, 并且可以能够并行化。用粒子滤波器跟踪过程中, 在很大程度上能够维持目标的假设状态, 在跟踪目标被遮挡或者跟踪的目标运动速度较快时, 用这种算法能够较好的跟踪。粒子滤波器算法能够解决非线性、非高斯动态系统问题。但是这种算法跟踪时需要大量样本, 重采样阶段会出现样本贫化现象, 导致算法的复杂度高, 实时性差。

1.4 其他目标跟踪算法

除了以上介绍的三种经典算法外, 还可以进行多算法框架融合使用, 还有PDF (概率数据关联) 算法、JPDF (联合概率数据关联) 算法、基于模板匹配算法等, 以提高跟踪的可靠性和准确性。近年来, 新的目标跟踪算法越来越受到了相关人员的关注, 如TDL (单目标长时间跟踪) 算法、生成跟踪算法、判别跟踪算法等来解决复杂条件下的目标跟踪, 尤其是解决跟踪过程中目标变形、目标部分遮挡、光照变化、场景噪声大等问题, 使跟踪效果更加准确, 跟踪结果更加具有鲁棒性。

2 结束语

本文对运动目标跟踪Mean Shift算法、Kalman滤波算法、粒子滤波算法等基本算法进行了研究, 同时还简单介绍了其他目标跟踪算法和新发展起来的目标跟踪算法。尽管近年来有很多研究学者不断的提出新的运动目标跟踪算法, 目标跟踪算法取得了很大的进步, 但是在目标跟踪领域来说, 还有很多问题需要解决, 目前没有一种通用的跟踪方法能够实时准确的对运动目标进行跟踪。因此, 目标跟踪具有很好的发展前景和研究空间。

摘要：随着视频监控技术的不断发展和视频监控系统的广泛应用, 目标跟踪是近年来一个重要的研究课题, 目标跟踪技术是监控系统中最重要、应用范围最广的技术之一, 目标跟踪技术的实现依托于目标跟踪算法。运动目标跟踪算法具有广泛的研究价值和挑战性。本文对当前主流的运动目标跟踪算法:Kalman滤波算法、Mean Shift算法、粒子滤波算法等进行了研究, 归纳总结了每种跟踪算法的优缺点、适用性和局限性, 通过对跟踪算法的分析对运动目标跟踪技术的发展趋势进行了展望。

关键词：视频监控,运动目标跟踪,跟踪算法

参考文献

[1]黄凯奇, 陈晓棠, 康运锋等.智能视频监控技术综述[J].计算机学报, 2015 (06) :1093-1118.

运动点目标 篇10

一、做好篮球运动准备, 确保篮球运动安全

1.做好篮球运动物质准备。在开展篮球运动前, 我园对本园各年龄段幼儿的体能素质和身高比例进行调查, 以设计出适宜不同年龄段幼儿的篮球运动环境, 并做好相应的物质准备。包括设计适合不同年龄段幼儿使用的篮球场地、篮球架、篮球等硬件设施。比如, 篮球架的高度应可以调节, 以适应不同年龄段幼儿对篮球架高度的需求。

2.做好篮球运动心理准备。篮球运动具有较强的竞技性, 幼儿间的身体接触较多, 易在运动中产生伤害。因此, 在开展篮球运动前, 我园一方面积极争取家长的支持, 使家长能够宽容在篮球运动中可能产生的小伤害;另一方面加强对幼儿的教育引导, 让幼儿做好在篮球运动中可能受伤、遇挫等心理准备。

二、做好篮球运动规划, 确保篮球运动科学

我园充分考虑幼儿发展的年龄特征, 从目标、形式、途径、要求等方面科学规划各年龄段幼儿的篮球运动, 以适应不同年龄段幼儿对篮球运动的需求。

1.小班以培养兴趣为主。在开展小班篮球运动时, 我园设计丰富多彩的篮球游戏, 以调动和增强小班幼儿对篮球运动的兴趣, 同时通过各种篮球游戏引导幼儿掌握简单的篮球知识和基本篮球动作。比如, 通过模仿游戏“和老爷爷一样走路”, 来引导幼儿练习双手一起拍球;通过模仿游戏“小螃蟹走路”, 让幼儿主动练习“防守”的基本动作。

2.中班以引导探究为主。在开展中班篮球运动时, 我园设计和组织富有挑战性的篮球游戏, 以提高幼儿对篮球运动的探究热情, 使幼儿能在快乐的游戏情境中发展单手拍球走、单手运球过障碍、原地交叉手拍球等篮球动作技能。比如“投篮打怪兽”游戏: 幼儿运球绕过障碍到达160厘米高的球篮附近, 并成功将篮球投进球篮后再用篮球打球篮后面的怪兽。又如“炒黄豆”游戏:幼儿边念儿歌边按要求做相应动作———唱第一句歌词“抱黄豆”时双手抱紧篮球;唱第二句歌词“翻黄豆”时双手手掌握紧篮球, 并将手掌心转向对面的小朋友;唱第三句歌词“我炒黄豆”时双手对准对面小朋友的胸前把球传出去, 最终完成传球这一动作技能。

3.大班以巩固加强为主。在开展大班篮球运动时, 我园设计和组织形式多样且富有竞赛性的游戏, 以进一步加强幼儿对篮球运动的兴趣, 巩固和丰富幼儿篮球运动技能, 同时注重培养大班幼儿团队合作与团结互助的集体精神。大班幼儿往往有较强的打比赛欲望, 我园在条件允许的前提下组织班级之间、姐妹园之间的篮球友谊比赛。不仅有效增强了幼儿对篮球运动的兴趣, 提高了幼儿的篮球运动技能, 而且培养了幼儿勇敢、合作精神和集体荣誉感等。

三、做好篮球运动指导, 确保篮球运动有效

1.篮球运动名称趣味化。在制定各年龄段篮球运动名称时, 既能让幼儿感受到趣味性, 调动幼儿参与篮球运动的主动性, 又能让幼儿初步了解篮球运动的基本知识和动作技能。比如, 有关运球动作的游戏, 小班的名称是“送篮球宝宝回家 (运球走) ”, 中班的是“钻山洞 (高低运球走) ”, 大班的是“红绿灯 (急停急运球) ”。

2.篮球运动形式灵活化。在开展篮球运动教学中, 我园采用多种有效的指导方法。比如, 游戏发现法、儿歌辅导法、情境再现法、模仿练习法等, 让幼儿感受篮球运动不仅是动作技能的学习, 还有情感、合作等生活生存技能的锻炼。