本发明涉及图像处理，尤其涉及一种基于卡尔曼滤波器的鱼类轨迹跟踪方法。
背景技术：
1、鱼群多目标跟踪是通过机器视觉和深度学习对水域中的鱼群进行实时定位、识别和追踪的过程，可以实现鱼类行为分析、疾病诊断、鱼群计数和环境监控等功能。但面对鱼群之间存在的相互遮挡和重叠、个体之间特征相似度较高及鱼群在水域中的运动轨迹复杂等难题时，对鱼群的跟踪会出现检测精度下降、id切换频繁和轨迹碎片化等问题。
2、目前已经开展了大量的多目标跟踪算法的研究，但应用场景大多集中在非鱼类目标，如多目标跟踪算法在设计时通常考虑以人类行为模式或车辆运动规律等特定场景，而这些模型不一定能够准确适应水中鱼群的复杂运动和行为。
技术实现思路
1、鉴于以上现有技术的缺陷，本发明提供一种基于卡尔曼滤波器的鱼类轨迹跟踪方法，以解决鱼群中鱼类轨迹难以准确追踪的技术问题。
2、为实现上述目的及其它相关目的，本发明提供了一种基于卡尔曼滤波器的鱼类轨迹跟踪方法，包括如下步骤：输入鱼类的特征轨迹至卡尔曼滤波器中进行预测，得到每个所述特征轨迹在下一帧的预测目标特征；对下一帧图片进行处理，得到下一帧的真实目标特征；对所述预测目标特征和所述真实目标特征进行匹配得到匹配结果；根据所述匹配结果对所述特征轨迹和下一帧的所述真实目标特征进行处理，得到鱼类新的特征轨迹。
3、于本发明一实施例中，所述特征轨迹包括第一特征轨迹，所述第一特征轨迹位于当前帧的目标特征包括鱼体以及鱼头和鱼尾中的至少一个；所述输入鱼类的特征轨迹至卡尔曼滤波器中进行预测，得到每个所述特征轨迹在下一帧的预测目标特征的步骤包括：利用修正的卡尔曼滤波器对所述第一特征轨迹进行预测。
4、于本发明一实施例中，所述第一特征轨迹包括丰富特征轨迹，所述丰富特征轨迹位于当前帧的目标特征包括鱼体、鱼头和鱼尾；所述利用修正的卡尔曼滤波器对所述第一特征轨迹进行预测的步骤包括：输入所述丰富特征轨迹至正常的卡尔曼滤波器中进行预测，得到所述丰富特征轨迹在下一帧的预测目标特征；连接当前帧的鱼头中心和鱼尾中心得到第一直线；连接当前帧的鱼体中心和下一帧的预测目标特征中心得到第二直线；根据所述第一直线的角度和所述第二直线的角度，求解修正后的角度；计算经过当前帧的鱼体中心、且倾角为修正后的角度的直线，得到第三直线；将下一帧的预测目标特征中心投影到所述第三直线上，得到投影点，并将下一帧的预测目标特征中心修正到所述投影点位置。
5、于本发明一实施例中，所述第一特征轨迹包括半丰富特征轨迹，所述半丰富特征轨迹位于当前帧的目标特征包括鱼体和鱼头、或鱼体和鱼尾；所述利用修正的卡尔曼滤波器对所述第一特征轨迹进行预测的步骤包括：输入所述半丰富特征轨迹至正常的卡尔曼滤波器中进行预测，得到所述半丰富特征轨迹在下一帧的预测目标特征；连接当前帧的鱼体中心、以及鱼头中心或鱼尾中心得到第一直线；连接当前帧的鱼体中心和下一帧的预测目标特征中心得到第二直线；根据所述第一直线的角度和所述第二直线的角度，求解修正后的角度；计算经过当前帧的鱼体中心、且倾角为修正后的角度的直线，得到第三直线；将下一帧的预测目标特征中心投影到所述第三直线上，得到投影点，并将下一帧的预测目标特征中心修正到所述投影点位置。
6、于本发明一实施例中，所述真实目标特征包括第一目标特征，所述第一目标特征包括鱼体以及鱼头和鱼尾中的至少一个；所述对所述预测目标特征和所述真实目标特征进行匹配得到匹配结果的步骤包括：计算所述第一特征轨迹的下一帧预测目标特征和所述第一目标特征的特征相似度得到外观特征矩阵；使用匈牙利匹配算法对所述外观特征矩阵进行匹配得到匹配结果。
7、于本发明一实施例中，所述特征轨迹包括低丰富特征轨迹，所述低丰富特征轨迹位于当前帧的目标特征包括鱼头、或鱼尾、或鱼体、或鱼头和鱼尾；所述输入鱼类的特征轨迹至卡尔曼滤波器中进行预测，得到每个所述特征轨迹在下一帧的预测目标特征的步骤包括：利用正常的卡尔曼滤波器对所述低丰富特征轨迹进行预测。
8、于本发明一实施例中，所述真实目标特征包括低丰富目标特征，所述低丰富目标特征包括鱼头、或鱼尾、或鱼体、或鱼头和鱼尾；所述对所述预测目标特征和所述真实目标特征进行匹配得到匹配结果的步骤包括：利用正常的卡尔曼滤波器对未匹配的所述第一特征轨迹进行预测；根据未匹配的所述第一特征轨迹和所述低丰富特征轨迹的下一帧预测目标特征，得到第一特征检测框；根据未匹配的所述第一目标特征和所述低丰富目标特征，得到第二特征检测框；计算所述第一特征检测框和所述第二特征检测框的交并比得到交并比矩阵；使用匈牙利匹配算法对所述交并比矩阵进行匹配得到匹配结果。
9、于本发明一实施例中，所述根据所述匹配结果对所述特征轨迹和下一帧的所述真实目标特征进行处理，得到鱼类新的特征轨迹的步骤包括：对于已匹配的特征轨迹和真实目标特征，将所述真实目标特征添加到所述特征轨迹中得到新的特征轨迹；对于未匹配的第一特征轨迹，将其标记为丢失；对于未匹配的低丰富特征轨迹，若在图片边缘且运动方向与图片中心点和目标之间的向量夹角小于90°，将其标记为终止，否则标记为丢失；对于未匹配的第一目标特征，将其标记为新的特征轨迹；对于未匹配的低丰富目标特征，若小于等于设定阈值则将其标记为背景，若大于设定阈值且在图片边缘处，则将其标记为新的特征轨迹，否则标记为误检目标特征并删除。
10、为实现上述目的及其它相关目的，本发明还提供了一种电子设备，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述中任一项实施例提供的方法。
11、为实现上述目的及其它相关目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使计算机执行如上述任一项实施例提供的方法。
12、本发明的有益效果：本发明提出的一种基于卡尔曼滤波器的鱼类轨迹跟踪方法，该方法通过对鱼类的轨迹特征进行预测，然后将得到的预测目标特征和根据图片处理得到的真实目标特征进行匹配，当两者能够很好地匹配时，说明该真实目标特征属于该轨迹特征，这样就能实现轨迹的跟踪，通过该方法，能够准确的实现鱼群中鱼类轨迹的跟踪。
1.一种基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述特征轨迹包括第一特征轨迹，所述第一特征轨迹位于当前帧的目标特征包括鱼体以及鱼头和鱼尾中的至少一个；所述输入鱼类的特征轨迹至卡尔曼滤波器中进行预测，得到每个所述特征轨迹在下一帧的预测目标特征的步骤包括：
3.根据权利要求2所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述第一特征轨迹包括丰富特征轨迹，所述丰富特征轨迹位于当前帧的目标特征包括鱼体、鱼头和鱼尾；所述利用修正的卡尔曼滤波器对所述第一特征轨迹进行预测的步骤包括：
4.根据权利要求2所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述第一特征轨迹包括半丰富特征轨迹，所述半丰富特征轨迹位于当前帧的目标特征包括鱼体和鱼头、或鱼体和鱼尾；所述利用修正的卡尔曼滤波器对所述第一特征轨迹进行预测的步骤包括：
5.根据权利要求2所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述真实目标特征包括第一目标特征，所述第一目标特征包括鱼体以及鱼头和鱼尾中的至少一个；所述对所述预测目标特征和所述真实目标特征进行匹配得到匹配结果的步骤包括：
6.根据权利要求5所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述特征轨迹包括低丰富特征轨迹，所述低丰富特征轨迹位于当前帧的目标特征包括鱼头、或鱼尾、或鱼体、或鱼头和鱼尾；所述输入鱼类的特征轨迹至卡尔曼滤波器中进行预测，得到每个所述特征轨迹在下一帧的预测目标特征的步骤包括：
7.根据权利要求6所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述真实目标特征包括低丰富目标特征，所述低丰富目标特征包括鱼头、或鱼尾、或鱼体、或鱼头和鱼尾；所述对所述预测目标特征和所述真实目标特征进行匹配得到匹配结果的步骤包括：
8.根据权利要求7所述的基于卡尔曼滤波器的鱼类轨迹跟踪方法，其特征在于，所述根据所述匹配结果对所述特征轨迹和下一帧的所述真实目标特征进行处理，得到鱼类新的特征轨迹的步骤包括：
9.一种电子设备，其特征在于，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求6-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于使计算机执行如权利要求6-8任一项所述的方法。
