本发明涉及图像跟踪，具体地说，涉及高速小目标图像跟踪算法。
背景技术：
1、高速小目标图像跟踪算法是对于跟踪小弱或高速目标的一项迫切需求，这包括但不限于以下需求：
2、反无人机：无人机速度较快，并且体型渺小，而且有着相对较低的成本，在部分禁飞区域或者军事地区反无人机就显得很重要；飞机航线及速度判断：飞机的速度非常快，对空的云台及部分军事设施上，需要预测飞机的航线，以及目标的速度。
3、已有的高速小目标图像跟踪算法包括但不限于：识别跟踪：通过识别物体的方式去实现跟踪，但如果目标较小或较弱就会导致误识别或识别不到的情况；深度网络跟踪：通过网络训练的模型去实现跟踪。然而，现有平台对于模型的部署存在一定困难，并且平台成本较高。
4、现有技术在高速小目标图像跟踪算法应用中存在一系列局限性，包括：
5、不稳定性：现有技术不能保证准确识别到小弱目标，识别本身也存在误识别的问题；工程化难：不管是识别还是ai网络的方式，对平台都存在局限性，导致成本较高，给工程化带来了很多难点和问题。
技术实现思路
1、本发明的目的在于提供高速小目标图像跟踪算法，以解决上述背景技术中提出的问题。
2、为实现上述技术问题的解决，本发明提供了高速小目标图像跟踪算法，包括如下步骤：
3、s1、图像采集：拍摄视频，并采集不同帧的图像；
4、s2、图像预处理：对图像进行灰度处理和去噪处理；
5、s3、数据处理：使用多种算法提取图像特征；
6、s4、数据融合：基于鲸鱼算法寻找多种算法的最优权重；
7、s5、特征储存：储存目标的特征模板，并根据不同帧的图像信息更新目标的特征模板；
8、s6、目标跟踪：基于卡尔曼滤波预测目标的运动轨迹，并通过匹配当前帧中的目标与预测轨迹来实现连续跟踪。
9、作为本技术方案的进一步改进，所述s3中使用的多种算法包括otsu算法、canny边缘检测算法和k-means聚类算法。
10、作为本技术方案的进一步改进，所述s3中otsu算法的具体步骤包括：
11、设一幅大小为、灰度级为的灰度图像中，灰度值为的像素个数为，总像素个数为，表示灰度图像中灰度值为的像素点出现的概率，则
12、
13、
14、
15、将图像中像素按灰度值用阈值分成背景和目标两类，，，背景和目标各自分布的概率分别为和，则
16、
17、
18、
19、背景和目标各自分布的均值分别为和，则
20、
21、
22、背景和目标各自分布的方差分别为和，总体方差为，则
23、
24、
25、
26、遍历0至寻找阈值使总体方差最大，大于阈值的像素被视为前景，小于或等于阈值被视为背景。
27、作为本技术方案的进一步改进，所述s3中canny边缘检测算法的具体步骤包括：
28、步骤1、计算梯度强度和方向：确定图像中每个像素点的梯度强度和方向；
29、步骤2、非极大值抑制：在梯度方向上，对每个像素点的梯度值进行比较，保留局部梯度最大的点；
30、步骤3、双阈值检测：设定高阈值和低阈值，分离图像中的强边缘和弱边缘；
31、步骤4、滞后阈值：对于每个像素，如果它的梯度值低于高阈值，但高于其周围像素的梯度值，则这个像素的梯度值会被提高到一个介于低阈值和高阈值之间的值；
32、步骤5、划分前景和背景：根据检测到的目标边缘，将图像中的目标视为前景，其余部分视为背景。
33、作为本技术方案的进一步改进，所述canny边缘检测算法应用sobel算子计算梯度，计算公式如下：
34、
35、
36、其中，为梯度，为梯度方向，和分别为该像素点在水平方向和垂直方向上的梯度；
37、
38、
39、其中，和为sobel算子，为灰度图像矩阵，为互相关运算。
40、作为本技术方案的进一步改进，所述s3中使用k-means聚类算法的具体步骤包括：
41、步骤1、数据准备：将灰度图像视为一个二维矩阵，其中每个像素点为一个数值，代表该点的灰度值，将二维矩阵展平为一维数组，每个像素成为一个数据点，用其灰度值作为特征向量；
42、步骤2、初始化聚类中心：随机从图像的像素灰度值中选择个不同的值作为初始聚类中心；
43、步骤3、数据点分配：计算每个像素点与个聚类中心之间的距离，将每个像素点分配到与其最近的聚类中心对应的类别中；
44、步骤4、更新聚类中心：计算所有属于该类别的像素点的灰度均值，并将这个均值作为新的聚类中心；
45、步骤5、重复迭代：重复数据点分配和更新聚类中心这两个步骤，直至算法收敛；
46、步骤6、结果输出：根据每个像素所属的类别重新构建图像，并依据重新构建的图像，将目标视为前景，将其余部分视为背景。
47、作为本技术方案的进一步改进，所述s4的具体步骤包括：
48、s41、数据准备：设图像中前景的判断值为1，背景的判断值为0，三种算法对应的权重为、和，对于图像中的每个像素点，其使用三种算法和最终对应的判断值分别为、、和，则
49、；
50、设置判断阈值为，若，则对应的像素点为前景，反之为背景；
51、s42、初始化参数：设置种群规模，空间维度，迭代次数，鲸鱼初始种群和最优鲸鱼的位置和适应度初值；
52、s43、边界条件处理，对种群中的个体分别进行处理，计算系数向量和，产生均匀分布决策随机数，
53、
54、
55、其中，为控制向量，且在整个迭代周期内随迭代次数的增加从2下降到0，为上的随机向量；
56、s44、计算适应度值：根据适应度函数计算适应度值；
57、s45、捕食寻找最优解：
58、随机搜索猎物：当且时，
59、
60、其中，为当前迭代次数，为当前种群中随机选择个体的位置向量，为当前鲸鱼个体在第代的位置向量，表示距离向量；
61、收缩包围猎物：当且时，
62、
63、其中，为当前群体中目标函数最优位置向量；
64、螺旋更新位置：当时，
65、
66、其中，为用于定义对数螺旋形状的常数，为之间的均匀分布随机数；
67、s46、每次鲸鱼算法迭代后，基于模拟退火算法在一定程度上接受劣解。
68、作为本技术方案的进一步改进，所述s44中适应度函数为：
69、
70、其中，为准确率，为判断正确的像素点个数。
71、作为本技术方案的进一步改进，所述s46的具体计算公式为：
72、
73、
74、其中，表示第次迭代时接受当前最优适应度值的概率，表示第次迭代时得到的最优适应度值，t为当前系统温度，为设定的初始温度，为温度衰减率。
75、与现有技术相比，本发明的有益效果：该高速小目标图像跟踪算法中，采用多个算法，共同跟踪同一目标，根据不同算法的本身准确度，进行判断目标是否正确，从而达到稳定跟踪的效果，且选择了传统的跟踪算法，基于卡尔曼滤波的方式去实现目标的跟踪，不受限于平台和模型，相较于ai网络模型，传统算法速度快，同时也没有大量的参数需要去加载，大大降低了资源的利用。
1.高速小目标图像跟踪算法，其特征在于，包括如下步骤：
2.根据权利要求1所述的高速小目标图像跟踪算法，其特征在于：所述s3中使用的多种算法包括otsu算法、canny边缘检测算法和k-means聚类算法。
3.根据权利要求1所述的高速小目标图像跟踪算法，其特征在于，所述s3中otsu算法的具体步骤包括：
4.根据权利要求2所述的高速小目标图像跟踪算法，其特征在于，所述s3中canny边缘检测算法的具体步骤包括：
5.根据权利要求4所述的高速小目标图像跟踪算法，其特征在于：所述canny边缘检测算法应用sobel算子计算梯度，计算公式如下：
6.根据权利要求2所述的高速小目标图像跟踪算法，其特征在于，所述s3中使用k-means聚类算法的具体步骤包括：
7.根据权利要求1所述的高速小目标图像跟踪算法，其特征在于，所述s4的具体步骤包括：
8.根据权利要求7所述的高速小目标图像跟踪算法，其特征在于，所述s44中适应度函数为：
9.根据权利要求7所述的高速小目标图像跟踪算法，其特征在于，所述s46的具体计算公式为：
