基于自适应粒子滤波的无人机目标跟踪算法研究
来源:用户上传
作者:王娜 汪振东 屈喜琴
摘要：随着人工智能技术的发展以及数字图像处理技术的应用日渐普及，目标跟踪成为国内外学者的研究热点，该文针对无人机目标跟踪易受遮挡、形变、等复杂背景的干扰导致跟踪失败等问题提出一种基于自适应的粒子滤波的无人机目标跟踪算法。实验结果表明，该算法能有效地减少因复杂因素干扰导致的目标跟踪精度下降的问题，具有良好的鲁棒性。
关键词：自适应融合;粒子滤波算法;无人机;目标检测;目标跟踪
中图分类号：TP273+.2 文献标识码：A
文章编号：1009-3044（2020）09-0255-02
目标跟踪算法主要应用于无人机目标检测及追踪、制造业的精确物料查找、文档分析、医疗器械、导弹制导等领域。虽然目标跟踪算法在近几年来得到了飞速的发展[2]目前，主流的目标跟踪算法通常可分为两种类别：生成式方法和判别式方法，判别式方法通常会利用自适应算法生成一个分类器，该分类器将目标图像分割成目标本身和背景两部分，将目标识别变成一个目标与背景的二元分类问题，该算法可以良好的区分目标和背景信息，具有良好的判别能力，典型的判别式方法有：MOSSE算法和KCF算法[5]。生成式方法是在跟踪前用数字处理器生成一个目标图像模型，该模型具备跟踪目标的详细信息，然后根据建立好的模型搜索最符合标准的目标信息，该方法能较好地描述目标信息，但是对外界干扰的鲁棒性差，典型的生成式方法是CSK算法。基于以上提出的2种目标跟踪算法，本文提出了一种基于自适应的粒子跟踪算法，该算法利用快速傅里叶变换，将卷积后的时域图像参数输入粒子滤波算法的密度函数P（X1…Xn）进行采样分析，最终得到了跟踪目标的图像信息，该方法能有效解决目标跟踪中的各种干扰，有效地提高了目标跟踪的精度和有效性。
1 自适应特征提取算法
1.1 自适应目标特征属性分析
在进行目标跟踪时，目标特征表达的准确性严重的影响跟踪的准确性，选择单一特征和多维特征在效果上又有明显的区别。KCF算法使用多通道的高斯核函数来计算和过滤HOG特征，对光照变化和地形变化具有较强的鲁棒性，但无法满足对快速形变后的目标的准确捕获的要求。Stamp算法开创性的将HOG特征量和颜色直方图进行耦合，可以有效地克服HOG和KCF的缺点，即提高了目标提取的准确性又减少了数据处理的难度。
根据以上描述，本文结合了Stamp算法的KCF和HOG特征，提出了一种多尺度滤波模型来提升跟踪的精度。
本文在Stamp模型下分别计算HOG和CN特征下的各自最大输出响应值，在第t帧图像下HOG和CN的归一化权重分别是：
1.2 多维滤波估算
针对式（5）得到的目标位置信息参数Rt无法适应尺度骤变及快速遮挡等问题，Crister等人提出一种可靠精确的尺度滤波估算方法：采用一维高斯滤波器来估算目标尺寸，采用二位卷积滤波器估算目标位置[17]。目标尺度函数为：
3 实验结果与分析
3.1 实验环境
本实验的硬件环境为：Intel酷睿i9 9900K SGHz CPU，IOG内存，RTX 2080Ti高级独立显卡。软件仿真环境为：Mat-lab2018a. Modelsim2016，V C++6.0.
实验过程中用Matlab2018a和Modelsim2016仿真HOG、CN、Stamp，本文算法，比较其目标提取及跟踪的效果，利用VC++6.0实现算法的源代码。
3.2 定量结果分析
使用数据集OTB-50的3种评价方法：趋进函数曲线、精确度函数曲线、成功概率函数曲线对目标跟踪性能进行定量和定性评估。趋进函数曲线的方差系数设定为0.81标准差系数设定为0.78，精确度函数曲线的方差系数设定为0.78标准差系数设定为0.88，成功率函数曲线的方差系数设定为0.90标准差系数设定为0.76。在如下场景对目标算法进行验证：光照变化、遮挡变形、快速移动、视野溢出。所得实验结果如下：其中HOG，CN，Stamp，本算法在各个场景的趋进度，精确度，成功率由Sh，Sc，Ss，Sb表示。
HOG，CN，Stamp，本算法成功率对比：
4 结束语
本文结合CN算法和HOC算法的特征提取方法，在Stamp模型的基礎上提出了一种新的视频特征提取方法，仿真实验结果表明：该方法能有效克服周围复杂环境的影响，并且在无人机飞行的复杂情况下得到较好的视频跟踪效果，可以在无人机偏离目标的情况下自动调整并锁定目标位置，该算法能克服遮挡、光照、快速形变等干扰因素，顺利完成目标的跟踪任务。
参考文献：
[1]潘振福，朱永利.多尺度估计的核相关滤波器标跟踪方法[Jl.激光与光电子学进展，2016，53（10）：199-205.
[2]刘铮.自适应颜色直方图的粒子滤波算法[D].武汉：武汉理工大学，2012.
基金项目：2018年度江西省教育厅科学技术研究项目课题：无人机自稳定细分驱动视觉跟踪云台系统的研究（编号：GJJ181157）
作者简介：王娜（1987-），女，讲师，硕士研究生，主要研究方向为智能信息处理。
转载注明来源:https://www.xzbu.com/8/view-15209845.htm
