一种基于旋翼无人机平台的目标跟踪方法技术

本发明专利技术公开了一种基于旋翼无人机平台的目标跟踪方法。本发明专利技术目标跟踪方法通过多尺度的样本采集并结合实时更新的分类器，有效实现了旋翼无人机平台对移动目标的快速准确地在线实时跟踪；本发明专利技术在跟踪过程中，根据当前帧的最大分类器响应值以及其相比前一帧的最大分类器响应值的变化情况，并结合前一帧的跟踪性能判定结果，来判定当前帧的跟踪性能是否稳定，当跟踪性能不稳定时，及时对分类器的分类结果进行修正，可有效防止目标跟踪过程中由于遮挡而导致的跟踪目标丢失。相比现有技术，本发明专利技术有效实现了旋翼无人机平台对移动目标的快速准确地在线实时跟踪，且具备多尺度跟踪特性，跟踪性能更好，算法复杂度更低，实时性更好，对硬件资源的要求较低。

【技术实现步骤摘要】

本专利技术涉及图像处理及模式识别
，尤其涉及一种基于旋翼无人机平台的目标跟踪方法。
技术介绍
近年来，随着科学技术水平的日益提高，无人机事业的发展蒸蒸日上。由于其本身具有结构简单、成本较低、灵活性高、环境适应性强、便于装载各类传感器及装备等特点，加之数字通信、传感器、微电子、虚拟现实等技术的快速进步，无人机在空中作战、城市武装反恐、海上搜救等军用领域以及民用领域中都具有广阔的应用前景和发展空间，而利用无人机所拍摄的视频对目标实现跟踪则是其中一项重要应用。根据背景的不同，运动目标的识别跟踪可以分为静态背景和动态背景下的目标识别跟踪。静态背景下运动目标识别是指摄像机在整个过程中静止；而动态背景下运动目标识别是指摄像机在识别过程中发生了诸如平动、旋转或多自由度运动等移动的情况。显然，基于无人机这样旋翼无人机平台的目标跟踪属于上述的第二类范畴。基于计算机视觉的目标跟踪算法主要分为四类，分别是基于目标区域的跟踪、基于目标特征的跟踪、基于目标变形模板的跟踪和基于目标模型的跟踪。基于区域的跟踪算法首先通过图像分割或先验知识进行运动区域的预先提取，并得到相应的模板，然后运用相关算法对序列图像中的目标进行跟踪。相对其它跟踪算法来说，由基于区域的跟踪算法提取出的目标模板比较完整，因而得到的图像信息更为丰富，可稳定跟踪目标，具有较高的跟踪精度。但它也存在一些缺点，如计算量大、对图像变形问题模板匹配困难、目标遮挡或形变时效果不佳、复杂环境下模板漂移等问题。基于目标特征的跟踪算法利用匹配算法在图像序列中寻找与目标特征相符的运动物体。其主要步骤为特征提取、特征匹配以及运动信息计算。该方法对遮挡、照明、视角等问题造成的图像变化表现出很好的鲁棒性。在以往的文献中，学者将其与Adaboost、卡尔曼滤波等预测算法进行结合，取得了令人满意的跟踪效果。如何选择合适的特征是该算法应用过程中的关键点和难点。变形模板是纹理或边缘可以按照一定的条件变形的面板或曲线。基于目标变形模板的跟踪算法对可变性目标十分有效。基于目标模型的跟踪算法中，运动物体的表达方式分为三种：线图模型、2D模型和3D模型。在实际情况中，采用3D模型的跟踪具有更广的应用范围。一般来说，算法首先根据先验知识获得目标的立体结构模型和运动模型，然后结合实际场景对目标物体进行跟踪。基于3D模型的目标跟踪算法性能可靠，及时目标运动状态发生变化也能取得很好的效果。但在实际应用中很难获得运动目标的精确几何模型，且运算量大，算法实时性差。无人机搭载摄像头后，运动目标检测是基于动态背景的，虽然摄像头的视野得到扩大，但是目标和摄像机之间存在复杂的相对运动，因而对目标跟踪算法提出了更高的要求。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种基于旋翼无人机平台的目标跟踪方法，可快速准确地实现对移动目标的在线跟踪，且可有效防止目标被遮挡导致跟踪目标丢失的情况。本专利技术具体采用以下技术方案解决上述技术问题：一种基于旋翼无人机平台的目标跟踪方法，包括以下步骤：S1、对旋翼无人机平台所拍摄的视频的每一帧进行自动目标识别，以初次识别出目标的视频帧作为目标跟踪的初始帧，并在初始帧中目标周围划定矩形的初始目标跟踪框；S2、以初始目标跟踪框为基准，在初始帧中采集一组与初始目标跟踪框同尺度的正、负样本，提取所述样本的尺度不变特征对分类器进行训练，并以初始目标跟踪框中的图像作为正样本模板；S3、在当前帧中，以前一帧的目标跟踪框位置为中心的一定区域内采集一组不同尺度的矩形区域作为检测样本，并在每个检测样本上叠加均值为0的高斯白噪声；提取叠加噪声后的各检测样本的尺度不变特征并分别作为所述分类器的输入，得到各检测样本的分类器响应值；S4、判断当前帧的跟踪性能是否稳定，如性能不稳定，则转至S5，否则，转至S8；如以下条件之一得到满足，则当前帧的跟踪性能不稳定：(1)当前帧检测样本的最大分类器响应值小于0；(2)当前帧检测样本的最大分类器响应值大于等于0，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能不稳定；(3)当前帧检测样本的最大分类器响应值在0和一个预设的大于0的阈值之间，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能稳定；S5、计算当前帧各检测样本与正样本模板之间的归一化相似度，并以归一化相似度作为修正系数对当前帧相应检测样本的分类器响应值进行修正；以修正后的分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框；S6、判断连续跟踪不稳定的帧数是否达到预设上限值，如是，则将所述高斯白噪声的标准差增大后转S10；否则，转至S7；S7、以当前帧的目标跟踪框为基准，在当前帧中采集一组与当前帧的目标跟踪框同尺度的正、负样本，从所有正样本中选出与正样本模板之间相似度最大的一部分；然后提取所选出的正样本以及负样本的尺度不变特征并对分类器进行重新训练后转至S10；S8、以分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框，并用前一帧正样本模板与初始帧正样本模板的加权和来更新正样本模板；S9、以当前帧的目标跟踪框为基准，在当前帧中采集一组与当前帧的目标跟踪框同尺度的正、负样本，提取所述正、负样本的尺度不变特征并对分类器进行重新训练；S10、如视频已结束，则退出目标跟踪；否则，以下一帧作为当前帧，转至S3。优选地，所述分类器为朴素贝叶斯分类器。优选地，所述尺度不变特征为尺度不变压缩特征。进一步地，所述分类器的学习速率λ在目标跟踪过程中按照下式进行自适应更新： λ = 1 1 + exp ( - 2 ( x - t r ) ) , ]]>式中，x为当前帧的目标跟踪框中图像高斯分布均值与前一帧的目标跟踪框中图像高斯分布均值之间差值的绝对值；r1、r12、t均为预设参数。优选地，检测样本与正样本模板之间的相似度使用以下方式度量：检测样本与正样本模板的各维特征值的差值绝对值之和。优选地，利用以下方法对旋翼无人机平台所拍摄的视频的每一帧进行自动目标识别：首先提取当前帧中的感兴趣区域；然后将感兴趣区域与目标模板先后进行主颜色匹配和轮廓匹配，如存在颜色匹配和轮廓匹配均匹配成功的感兴趣区域，则该感兴趣区域即为在当前帧中识别出的目标，否则，继续对下一帧进行目标识别。相比现有技术，本专利技术技术方案具有以下有益效果：本专利技术有效实现了旋翼无人机平台对移动目标的快速准确地在线实时跟踪，且具备多尺度跟踪特性；本专利技术可有效防止目标跟踪过程中由于遮挡而导致的跟踪目标丢失，跟踪效果更好；本专利技术算法复杂度低，实时性好，对硬件资源的要求较低。附图说明图1是本专利技术目标跟踪方法流程图；图2是具本文档来自技高网...

【技术保护点】
一种基于旋翼无人机平台的目标跟踪方法，其特征在于，包括以下步骤：S1、对旋翼无人机平台所拍摄的视频的每一帧进行自动目标识别，以初次识别出目标的视频帧作为目标跟踪的初始帧，并在初始帧中目标周围划定矩形的初始目标跟踪框；S2、以初始目标跟踪框为基准，在初始帧中采集一组与初始目标跟踪框同尺度的正、负样本，提取所述样本的尺度不变特征对分类器进行训练，并以初始目标跟踪框中的图像作为正样本模板；S3、在当前帧中，以前一帧的目标跟踪框位置为中心的一定区域内采集一组不同尺度的矩形区域作为检测样本，并在每个检测样本上叠加均值为0的高斯白噪声；提取叠加噪声后的各检测样本的尺度不变特征并分别作为所述分类器的输入，得到各检测样本的分类器响应值；S4、判断当前帧的跟踪性能是否稳定，如性能不稳定，则转至S5，否则，转至S8；如以下条件之一得到满足，则当前帧的跟踪性能不稳定：(1)当前帧检测样本的最大分类器响应值小于0；(2)当前帧检测样本的最大分类器响应值大于等于0，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能不稳定；(3)当前帧检测样本的最大分类器响应值在0和一个预设的大于0的阈值之间，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能稳定；S5、计算当前帧各检测样本与正样本模板之间的归一化相似度，并以归一化相似度作为修正系数对当前帧相应检测样本的分类器响应值进行修正；以修正后的分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框；S6、判断连续跟踪不稳定的帧数是否达到预设上限值，如是，则将所述高斯白噪声的标准差增大后转S10；否则，转至S7；S7、以当前帧的目标跟踪框为基准，在当前帧中采集一组与当前帧的目标跟踪框同尺度的正、负样本，从所有正样本中选出与正样本模板之间相似度最大的一部分；然后提取所选出的正样本以及负样本的尺度不变特征并对分类器进行重新训练后转至S10；S8、以分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框，并用前一帧正样本模板与初始帧正样本模板的加权和来更新正样本模板；S9、以当前帧的目标跟踪框为基准，在当前帧中采集一组与当前帧的目标跟踪框同尺度的正、负样本，提取所述正、负样本的尺度不变特征并对分类器进行重新训练；S10、如视频已结束，则退出目标跟踪；否则，以下一帧作为当前帧，转至S3。...

【技术特征摘要】
1.一种基于旋翼无人机平台的目标跟踪方法，其特征在于，包括以下步骤：S1、对旋翼无人机平台所拍摄的视频的每一帧进行自动目标识别，以初次识别出目标的视频帧作为目标跟踪的初始帧，并在初始帧中目标周围划定矩形的初始目标跟踪框；S2、以初始目标跟踪框为基准，在初始帧中采集一组与初始目标跟踪框同尺度的正、负样本，提取所述样本的尺度不变特征对分类器进行训练，并以初始目标跟踪框中的图像作为正样本模板；S3、在当前帧中，以前一帧的目标跟踪框位置为中心的一定区域内采集一组不同尺度的矩形区域作为检测样本，并在每个检测样本上叠加均值为0的高斯白噪声；提取叠加噪声后的各检测样本的尺度不变特征并分别作为所述分类器的输入，得到各检测样本的分类器响应值；S4、判断当前帧的跟踪性能是否稳定，如性能不稳定，则转至S5，否则，转至S8；如以下条件之一得到满足，则当前帧的跟踪性能不稳定：(1)当前帧检测样本的最大分类器响应值小于0；(2)当前帧检测样本的最大分类器响应值大于等于0，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能不稳定；(3)当前帧检测样本的最大分类器响应值在0和一个预设的大于0的阈值之间，同时当前帧检测样本的最大分类器响应值小于前一帧检测样本的最大分类器响应值，且前一帧的跟踪性能稳定；S5、计算当前帧各检测样本与正样本模板之间的归一化相似度，并以归一化相似度作为修正系数对当前帧相应检测样本的分类器响应值进行修正；以修正后的分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框；S6、判断连续跟踪不稳定的帧数是否达到预设上限值，如是，则将所述高斯白噪声的标准差增大后转S10；否则，转至S7；S7、以当前帧的目标跟踪框为基准，在当前帧中采集一组与当前帧的目标跟踪框同尺度的正、负样本，从所有正样本中选出与正样本模板之间相似度最大的一部分；然后提取所选出的正样本以及负样本的尺度不变特征并对分类器进行重新训练后转至S10；S8、以分类器响应值最大的检测样本所对应的矩形区域作为当前帧的目标跟踪框，并用前一帧正样...

【专利技术属性】
技术研发人员：贾春叶，甄子洋，马坤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32