1.一种基于图像叠加的船舶轨迹预测方法，其特征在于，该方法具体包括以下步骤：步骤一、首先用视频拍摄下船舶的海上航行，从视频中提取出每一帧的序列图，同时对图像进行预处理；

步骤二、选取n个时间段，令每个时间段内的时间为Δt，从Δt时间段内选取m帧图像，记为frame1，frame2，…framem；

步骤三、选取当前的时间段的图像记为frames，其中s＝1，2，…，m；

计算frames的灰度直方图，找到所有船只目标，共m个，用外接的矩形标记所有船只，以图像的长宽作为坐标轴，外接矩形左上角(x1s，y1s)，右下角(x2s，y2s)，取其中frame1的图像计算出外接矩形以外的背景图像，记为back1；

因为frame1中外接矩形的坐标为(x11，y11)和(x21，y21)，在framem图像中取(x11，y11)和(x21，y21)坐标范围内的灰度值生成背景图像back2，将back1和black2合并生成新的背景图像back；

步骤四、将每一个Δt时间内的m个图像进行叠加操作，将图像上每个坐标点的灰度值相加，得到图像amage1，将图像back中每一点的灰度值乘以m-1，得到图像amage2，用amage1中每一点的坐标值减去amage2图像中相应位置的灰度值，得到图像amage；

步骤五、在amage中提取这m个船只目标的矩形标记的中心点，将其放入到直角坐标系中，即 得到m个坐标点，因为在海上航行时，船只的方向转动在短时间内变化幅度小，即在Δt时间段内船只的移动近似看作为一条直线，所以由这m个坐标点连成一条向量线段，得到a、l、θ；其中a为线段的初始点的坐标，l为线段长度，θ为矢量角度；

对欧式空间的二维平面x轴和y轴的方向进行建模，利用两个方向上的矢量数据表示轨迹数据：T＝{T1，T2，…Tn}＝{(a1，l1，θ1)，(a2，l2，θ2)…，(an，ln，θn)}步骤六、利用卡尔曼滤波进行轨迹预测

6.1、卡尔曼滤波通过系统输入输出观测数据对系统的状态进行最优估计，其动态轨迹预测的状态方程和观测方程为：X(t+1)＝A(t)X(t)+T(t)W(t)   (1)Z(t)＝H(t)X(t)+V(t)   (2)

其中X(t)表示系统的状态向量，描述了在t时刻下运动对象状态矢量；A(t)表示状态转移矩阵，用于描述由前一时刻到当前时段下的运动状态转移方式；T(t)表示干扰转移矩阵；

W(t)表示运动模型的系统状态噪声，其统计特性和白噪声或高斯噪声相似；Z(t)表示观测向量，描述了t时段的观测值；H(t)为观测矩阵，V(t)为运动估计过程中产生的观测噪声；其中t为n个时间段中的一个时间段，t＝0，1，…，n；

6.2、选择船只的航行速度为v，由图像中得到的a、l、θ是系统观测到的轨迹值，a′、l′、θ′则表示系统的状态变量，是a、l、θ的最优估计值，即预测后的修正值，X(t)＝(v a′ l′ T Tθ′) ，Z(t)＝(a l θ) ，设A(t)，H(t)的初始化为：H(t)是单位矩阵；

6.3、假设系统噪声W(t)与观测噪声V(t)是相互独立的高斯白噪声，其协方差分别是Q(t)和R(t)，其统计特性为：E[W(t)V(t)T]＝0

基于前t个观测值得出t时段下的最优状态估计X′(t)，计算最小方差的计算策略为：J＝E[(X(t)-X′(t))(X(t)-X′(t))T]   (3)随机线性离散卡尔曼滤波的周期过程中的时间更新公式为：

X(t+1，t)＝A(t)X(t，t)

Z(t+1，t)＝H(t)X(t+1，t)   (4)同时更新当前预测状态的协方差P(t+1，t)；观测更新方程为：B(t+1)＝Z(t+1)-Z(t+1，t)

X(t+1，t+1)＝X(t+1)+K(t+1)B(t+1)   (5)K为滤波增益矩阵，其公式为：

P(t+1，t)＝A(t)P(t，t)A(t)T+T(t)Q(t)T(t)TS(t+1)＝H(t+1)P(t+1，t)H(t+1)T+R(t+1)K(t+1)＝P(t+1，t)H(t+1)TS(t+1)-1   (6)其中，K(t)为滤波增益矩阵，Q(t)表示系统噪声W(t)的对称非负定方差矩阵，R(t)是观测噪声V(t)的对称正定方差矩阵，P(t，t)为误差方差阵，P(t+1，t)为预测状态X(t+1，t)的误差方差阵；

6.4、预测过程中，根据上面的滤波过程得到的初始状态估计值以及协方差阵以及公式(7)，得到增益矩阵K(t)；

K(t)＝A(t)P(t，t-1)H(t)T[H(t)P(t，t-1)H(t)T-R(t)]-1   (7)

6.5、所以下一时刻的预测值X(t+1，t)和更新估计误差方阵P(t+1，t)为：X(t+1，t)＝A(t)X(t，t-1)+K(t)[Z(t)-H(t)X(t，t-1)   (8)P(t+1，t)＝A(t)P(t，t-1)A(t)T-A(t)P(t，t-1)A(t)T*[H(t)P(t，t-1)H(t)T+R(t)]-1H(t)P(t，t-1)H(t)T+T(t)Q(t)T(t)T   (9)

根据步骤六，迭代n次即可完成n步的预测。

2.根据权利要求1所述的一种基于图像叠加的船舶轨迹预测方法，其特征在于：步骤一种对图像进行预处理，具体为：用直方图均衡的方法将图像的背景灰度值降低，突出船体特征。