何 俊,樊衛(wèi)華,王 沖,周維維

(南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

基于CamShift和Kalman組合的改進(jìn)目標(biāo)跟蹤算法

何 俊,樊衛(wèi)華,王 沖,周維維

(南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

針對(duì)應(yīng)用CamShift算法進(jìn)行目標(biāo)跟蹤過程中，當(dāng)目標(biāo)被嚴(yán)重遮擋、目標(biāo)被與目標(biāo)顏色相近的背景干擾時(shí)易丟失跟蹤目標(biāo)的問題，提出了一種基于CamShift和Kalman濾波組合的改進(jìn)跟蹤算法；為克服目標(biāo)因嚴(yán)重遮擋而丟失的缺陷，利用自適應(yīng)算法改進(jìn)了傳統(tǒng)的CamShift算法，擴(kuò)大了搜索窗口，使運(yùn)動(dòng)目標(biāo)位于搜索窗口內(nèi)；為解決目標(biāo)因顏色相近背景干擾而丟失的問題，改善跟蹤準(zhǔn)確率，利用卡爾曼濾波預(yù)測目標(biāo)運(yùn)動(dòng)空間位置，作為下一幀搜索窗口的質(zhì)心坐標(biāo)；基于上述改進(jìn)，利用C++語言，研發(fā)了改進(jìn)的CamShift目標(biāo)跟蹤軟件模塊，給出了該模塊的算法流程；實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的目標(biāo)跟蹤算法能有效地克服傳統(tǒng)CamShift算法的缺陷，大大提高運(yùn)動(dòng)目標(biāo)跟蹤的準(zhǔn)確性；所提的算法可以應(yīng)用于運(yùn)動(dòng)小車跟蹤，人臉識(shí)別等領(lǐng)域。

目標(biāo)跟蹤；CamShift算法；卡爾曼濾波

0 引言

近年來，隨著機(jī)器人視覺技術(shù)的不斷發(fā)展，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行有效地識(shí)別與跟蹤已經(jīng)成為機(jī)器人視覺領(lǐng)域的重要研究方向之一。對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤，不僅可以獲取運(yùn)動(dòng)目標(biāo)的狀態(tài)信息及運(yùn)動(dòng)軌跡，還可以為目標(biāo)的運(yùn)動(dòng)分析提供數(shù)據(jù)來源，在多智能體小車編隊(duì)控制中有著重要的應(yīng)用[1]。在多智能體小車編隊(duì)控制實(shí)驗(yàn)中，位于實(shí)驗(yàn)場地上方的廣角攝像頭將采集的實(shí)驗(yàn)場地的全局圖像傳輸給PC端，然后利用圖像控制軟件解析出小車的狀態(tài)信息進(jìn)行后續(xù)的編隊(duì)控制。但是，如果獲取小車的狀態(tài)信息是通過處理整幅圖像獲得的，這樣計(jì)算量大，實(shí)時(shí)性差。因而跟蹤算法的引進(jìn)對(duì)多智能體小車編隊(duì)控制的實(shí)時(shí)性起到關(guān)鍵的作用。

近年來，人們提出了許多跟蹤算法，如基于區(qū)域的跟蹤、基于活動(dòng)輪廓的跟蹤、基于模型的跟蹤、基于特征的跟蹤方法[2]?；趨^(qū)域的跟蹤方法[3]是通過相鄰兩幀運(yùn)動(dòng)目標(biāo)的位置變化來完成區(qū)域跟蹤的，適合多目標(biāo)跟蹤，在運(yùn)動(dòng)目標(biāo)未發(fā)生形變或未被遮擋時(shí)，能實(shí)現(xiàn)對(duì)目標(biāo)準(zhǔn)確地跟蹤，但是這種跟蹤方法需要在整個(gè)圖像中進(jìn)行搜索，實(shí)時(shí)性比較差，同時(shí)當(dāng)運(yùn)動(dòng)目標(biāo)發(fā)生形變或被遮擋時(shí)，容易跟蹤失敗?；诨顒?dòng)輪廓的跟蹤方法[4]是將運(yùn)動(dòng)目標(biāo)的邊界輪廓作為跟蹤模板，實(shí)時(shí)性較好，當(dāng)目標(biāo)被部分遮擋時(shí)能進(jìn)行連續(xù)跟蹤，但是這種方法對(duì)初始輪廓比較敏感，同時(shí)輪廓的更新也比較困難?；谀Ｐ偷母櫡椒╗5]是對(duì)運(yùn)動(dòng)目標(biāo)的外形特征建立2D或3D模型，該方法在運(yùn)動(dòng)目標(biāo)姿態(tài)發(fā)生變化或被部分遮擋時(shí)能實(shí)現(xiàn)有效地跟蹤，具有較強(qiáng)的魯棒性，但是建立運(yùn)動(dòng)目標(biāo)的準(zhǔn)確模型比較困難，同時(shí)在模型的匹配中需要消耗大量的時(shí)間，實(shí)時(shí)性比較差?；谔卣鞯母櫡椒╗6]通過提取運(yùn)動(dòng)目標(biāo)某些不變的特征，然后利用相關(guān)的跟蹤算法實(shí)現(xiàn)對(duì)目標(biāo)有效地跟蹤，常用的跟蹤算法有MeanShift算法，MeanShift算法是一種基于迭代收斂到概率最大的局部極大的非參數(shù)估計(jì)算法，目前已經(jīng)被廣泛地應(yīng)用到目標(biāo)跟蹤領(lǐng)域[7]。該算法以目標(biāo)顏色直方圖為搜索特征，對(duì)噪聲有較強(qiáng)的魯棒性，同時(shí)其尋優(yōu)過程收斂速度快，使得該算法具有較好實(shí)時(shí)性。但是，MeanShift算法固定不變的核函數(shù)影響了跟蹤的準(zhǔn)確性，當(dāng)運(yùn)動(dòng)目標(biāo)發(fā)生形變時(shí)，會(huì)導(dǎo)致運(yùn)動(dòng)目標(biāo)定位不準(zhǔn)確。CamShift算法[8]是在MeanShift算法的基礎(chǔ)上，通過自動(dòng)調(diào)整核函數(shù)窗寬來適應(yīng)跟蹤目標(biāo)在圖像中的實(shí)際大小，從而解決了目標(biāo)大小變化的問題。同時(shí)，為了解決目標(biāo)跟蹤過程中噪聲的干擾，人們充分利用目標(biāo)運(yùn)動(dòng)狀態(tài)信息獲取目標(biāo)更加精確的位置估計(jì)，于是引入了各種濾波算法，如卡爾曼濾波、粒子濾波等。

在多智能體小車編隊(duì)控制實(shí)驗(yàn)中，采用了傳統(tǒng)的CamShift算法和Kalman位置預(yù)測相結(jié)合的跟蹤方法。此時(shí)，以CamShift算法輸出的搜索窗口的大小作為下一幀的搜索窗口的大小，以CamShift算法輸出的搜索窗口中心位置作為Kalman濾波的觀測值，將Kalman預(yù)測出的小車最優(yōu)位置作為下一幀中搜索窗口的中心。但是，當(dāng)小車被與小車顏色相近的背景干擾時(shí)，此時(shí)經(jīng)傳統(tǒng)的CamShift算法輸出來的搜索窗口變大，如果仍以傳統(tǒng)CamShift算法輸出的搜索窗口中心位置作為Kalman濾波的觀測值，會(huì)使Kalman預(yù)測出的小車最優(yōu)位置不準(zhǔn)確。本文采用改進(jìn)的Kalman位置預(yù)測，以Kalman預(yù)測值作為Kalman濾波的觀測值，將Kalman預(yù)測出的小車最優(yōu)位置作為下一幀中搜索窗口的質(zhì)心，這樣就能克服小車被與小車顏色相近的背景干擾帶來的跟蹤丟失問題。當(dāng)小車被嚴(yán)重遮擋時(shí)，經(jīng)傳統(tǒng)CamShift算法得到的搜索窗口變小，可能導(dǎo)致小車跟蹤失敗。本文采用自適應(yīng)地?cái)U(kuò)大搜索窗口的改進(jìn)CamShift算法，即根據(jù)CamShift算法輸出的搜索窗口失真的幀數(shù)來自適應(yīng)地?cái)U(kuò)大搜索窗口大小，并將改進(jìn)CamShift算法與改進(jìn)的Kalman位置預(yù)測相結(jié)合，最終能實(shí)現(xiàn)小車被嚴(yán)重遮擋情況下的準(zhǔn)確跟蹤。實(shí)驗(yàn)表明，該組合跟蹤算法能提高跟蹤成功率。

1 傳統(tǒng)的CamShift跟蹤算法

CamShift算法是連續(xù)自適應(yīng)均值漂移算法。該算法是基于顏色直方圖為特征的跟蹤算法，但RGB顏色空間對(duì)光照亮度變化比較敏感，為了減少光照亮度變化對(duì)小車跟蹤效果的影響，CamShift算法將圖像從RGB顏色空間轉(zhuǎn)換為HSV顏色空間，提取跟蹤小車H(hue)分量，并建立小車顏色直方圖模型，將顏色直方圖歸一化到0～255范圍內(nèi)，然后將原始圖像的像素用直方圖中對(duì)應(yīng)像素的統(tǒng)計(jì)值代替，即可得到反向投影圖，進(jìn)行后續(xù)處理。CamShift算法的基本流程圖如圖1。

圖1 傳統(tǒng)CamShift跟蹤算法框圖

CamShift算法過程如下：

1)根據(jù)反向投影圖在跟蹤搜索窗口內(nèi)進(jìn)行質(zhì)心查找。

設(shè)(x,y)為搜索窗口中的像素位置，I(x,y)為反向投影圖中(x,y)處的像素值，分別計(jì)算：

零階矩：

x的一階矩:

y的一階矩：

計(jì)算搜索窗口的質(zhì)心即目標(biāo)的質(zhì)心：

2) 重復(fù)1)，直到收斂，即相鄰搜索窗口的質(zhì)心變化小于給定的閾值或者迭代次數(shù)達(dá)到最大值；

3) 將上一幀圖像的搜索窗口大小、質(zhì)心作為下一幀的搜索窗口的大小和質(zhì)心，從而實(shí)現(xiàn)對(duì)目標(biāo)的連續(xù)跟蹤。

2 改進(jìn)的CamShift算法

在跟蹤小車的過程中，當(dāng)小車被嚴(yán)重遮擋時(shí)，由于跟蹤小車只有較小部分在搜索窗口之內(nèi)，此時(shí)小車的顏色概率分布值很小，經(jīng)傳統(tǒng)CamShift算法得到的搜索窗口就會(huì)嚴(yán)重變小，導(dǎo)致小車跟蹤丟失。在這種情況下，即使跟蹤小車再次出現(xiàn)在幀圖像中，還是無法跟蹤上小車，這就表明傳統(tǒng)CamShift算法失效。針對(duì)搜索窗口嚴(yán)重縮小的問題，本文采用擴(kuò)展搜索窗口的CamShift與改進(jìn)的Kalman相結(jié)合的算法。

當(dāng)跟蹤小車因被嚴(yán)重遮擋而暫時(shí)丟失時(shí)，由于丟失時(shí)間較短，跟蹤小車仍在丟失位置的附近區(qū)域，此時(shí)適當(dāng)?shù)脑龃笏阉鞔翱诘乃阉鞣秶皖A(yù)測小車運(yùn)動(dòng)位置，就可以找到小車，從而重新跟上跟蹤小車。在改進(jìn)的CamShift算法中，設(shè)定一個(gè)與跟蹤小車相仿的標(biāo)準(zhǔn)矩形搜索窗口，窗口的像素面積大小定義為standard_window，一個(gè)傳統(tǒng)CamShift算法的輸入搜索窗口，窗口的像素面積大小定義為search_window，一個(gè)經(jīng)過傳統(tǒng)CamShift算法計(jì)算得到的跟蹤窗口為輸出搜索窗口，窗口的像素面積大小定義為result_window，將輸出窗口與標(biāo)準(zhǔn)窗口的比值定義為縮放比例K。首先需要判斷運(yùn)動(dòng)小車是否出現(xiàn)被嚴(yán)重遮擋的情況。若縮放比例K<0.3(閾值視情況而定)，此時(shí)認(rèn)為運(yùn)動(dòng)小車出現(xiàn)被嚴(yán)重遮擋的情況。此時(shí)用擴(kuò)展搜索窗口大小來作為下一幀CamShift算法的小車輸入搜索窗口大小，利用改進(jìn)的kalman對(duì)搜索窗口質(zhì)心位置的預(yù)測作為下一幀CamShift算法的小車輸入搜索窗口的質(zhì)心，這樣進(jìn)行迭代就可以實(shí)現(xiàn)在小車被嚴(yán)重遮擋時(shí)的對(duì)運(yùn)動(dòng)小車的連續(xù)跟蹤。擴(kuò)展搜索窗口調(diào)整流程圖如圖2。

圖2 擴(kuò)展搜索窗口調(diào)整流程圖

令lost_frame為視頻序列中連續(xù)跟蹤丟失的幀數(shù)，search_window像素面積大小的調(diào)整方式如下：

3 運(yùn)動(dòng)小車的Kalman濾波狀態(tài)估計(jì)與改進(jìn)CamShift算法的結(jié)合

CamShift算法是以小車的顏色直方圖為特征進(jìn)行小車跟蹤，當(dāng)小車為純色時(shí)，CamShift算法的跟蹤效果較好。但是當(dāng)運(yùn)動(dòng)小車被與小車顏色相近的背景干擾時(shí)，搜索窗口會(huì)將干擾物包含在內(nèi)，導(dǎo)致搜索窗口變大，甚至出現(xiàn)跟蹤小車丟失的情況。當(dāng)跟蹤小車被嚴(yán)重遮擋時(shí)，通過上一幀圖像計(jì)算出的搜索窗口的質(zhì)心與小車質(zhì)心相差甚遠(yuǎn)，從而導(dǎo)致搜索窗口偏離跟蹤小車。為了解決以上情況，需要通過小車之前的狀態(tài)信息預(yù)測小車當(dāng)前的狀態(tài)信息?？柭鼮V波器是一種最優(yōu)化自回歸數(shù)據(jù)處理方法，它能實(shí)現(xiàn)實(shí)時(shí)運(yùn)動(dòng)狀態(tài)的估計(jì)和預(yù)測功能。

3.1 卡爾曼濾波

圖3 CamShift和Kalman組合的改進(jìn)目標(biāo)跟蹤算法

卡爾曼濾波是以最小均方誤差為估計(jì)的最優(yōu)遞推估計(jì)算法。其基本思想：采用信號(hào)和噪聲的狀態(tài)空間模型，利用系統(tǒng)當(dāng)前時(shí)刻的狀態(tài)觀測值和前一時(shí)刻狀態(tài)的估計(jì)值來更新對(duì)狀態(tài)的估計(jì)，求出當(dāng)前時(shí)刻的狀態(tài)估計(jì)值[9]。

狀態(tài)預(yù)測公式：

X(k|k-1)=AX(k-1|k-1)+Bu(K)

誤差協(xié)方差預(yù)測公式：

P(k|k-1)=AP(k-1|k-1)A′+Q

狀態(tài)校正公式：

X(k|k)=X(k|k-1)+Kg(k)

(Z(K)-HX(K|K-1))

卡爾曼增益：

誤差協(xié)方差校正公式：

P(k|k)=(I-Kg(k))P(k-1|k-1)

式中，X(k-1|k-1)為k-1時(shí)刻小車位置最優(yōu)狀態(tài)，X(k|k-1)為k時(shí)刻的小車位置預(yù)測結(jié)果，P(k-1|k-1)和P(k|k-1)分別為相對(duì)X(k-1|k-1)和X(k|k-1)的誤差協(xié)方差，協(xié)方差Q和R分別為正態(tài)分布的系統(tǒng)過程和測量噪聲。

3.2 基于卡爾曼濾波的運(yùn)動(dòng)小車狀態(tài)估計(jì)

定義小車的狀態(tài)向量Xk|k=[xk|k,yk|k,vxk|k,vyk|k]T，觀測向量Zk|k=(xk|k,yk|k)T，其中，xk|k，yk|k表示小車質(zhì)心在圖像像素坐標(biāo)系中的位置，vxk|k，vyk|k為小車在x，y方向上的速度。由于相鄰兩幀圖像相隔時(shí)間較短，假設(shè)小車在相鄰兩幀圖像的時(shí)間T內(nèi)是勻速運(yùn)動(dòng)的，則系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣和觀測矩陣分別為：

系統(tǒng)的運(yùn)動(dòng)噪聲協(xié)方差矩陣，觀測噪聲協(xié)方差矩陣和t=T(圖像的采樣周期)時(shí)刻的誤差協(xié)方差分別為：

在多智能體小車編隊(duì)控制實(shí)驗(yàn)中，初始化濾波器，選擇起始窗口的質(zhì)心和大小作為CamShift算法的輸入，同時(shí)根據(jù)搜索窗口的位置坐標(biāo)初始化狀態(tài)向量X(0|0)。在正常情況下的跟蹤過程中，在k時(shí)刻，把上一時(shí)刻小車的最優(yōu)估計(jì)X(k-1|k-1)代入式(3.1)得到最優(yōu)估計(jì)X(k|k-1)，并以CamShift算法輸出的小車質(zhì)心位置作為kalman觀測值Z(K)，用Z(K)來修正X(k|k-1)得到k時(shí)刻小車質(zhì)心的最優(yōu)估計(jì)X(k|k)。這樣，就實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)小車最優(yōu)位置的估計(jì)。但是，當(dāng)小車被遮擋、小車被與小車顏色相近的背景干擾時(shí)，利用CamShift算法得到的小車質(zhì)心位置是不準(zhǔn)確的，此時(shí)將小車質(zhì)心位置作為Kalman濾波器的觀測值去更新Kalman濾波器，得到的下一幀中小車的預(yù)設(shè)值時(shí)不可信的。為了提高預(yù)測的準(zhǔn)確性，此時(shí)直接將Kalman預(yù)測值作為Kalman濾波器的觀測值去更新Kalman濾波器，將Kalman預(yù)測出的小車最優(yōu)位置作為下一幀中搜索窗口的質(zhì)心,這樣就能實(shí)現(xiàn)對(duì)運(yùn)動(dòng)小車最優(yōu)位置的估計(jì)。CamShift和Kalman組合的改進(jìn)目標(biāo)跟蹤算法如圖3。

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)硬件系統(tǒng)為Intel(R) Core(TM) i3-6100 3.7GHz的CPU、8GB內(nèi)存；軟件系統(tǒng)有Window10操作系統(tǒng)、Visual Studio 2012和開源的計(jì)算機(jī)視覺庫Opencv2.4.9。

由圖4和圖5可知，當(dāng)小車附近有相似物時(shí)，利用傳統(tǒng)的Camshift與kalman跟蹤算法，跟蹤窗口會(huì)變大并包含類似物，可能導(dǎo)致跟蹤失敗。采用改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法能有效地跟蹤小車。

圖4 傳統(tǒng)的Camshift跟蹤算法在小車附近有類似物時(shí)跟蹤效果圖

圖5 改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法在小車附近有類似物時(shí)跟蹤效果圖

由圖6和圖7可知，當(dāng)小車被嚴(yán)重遮擋時(shí)，利用傳統(tǒng)的Camshift跟蹤算法，跟蹤窗口會(huì)變小，導(dǎo)致跟蹤失敗。采用改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法，通過擴(kuò)到索搜窗口和卡爾曼算法預(yù)測下一時(shí)刻小車位置，能有效地跟蹤小車。

圖6 傳統(tǒng)的Camshift跟蹤算法在小車被遮擋時(shí)跟蹤效果圖

圖7 改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法在小車被遮擋時(shí)跟蹤效果圖

本文對(duì)傳統(tǒng)的Camshift跟蹤算法和改進(jìn)的Camshift與kalman跟蹤算法進(jìn)行了20次實(shí)驗(yàn)，算法識(shí)別正確率見表1。

表1 算法識(shí)別正確率

5 結(jié)論

本文針對(duì)小車被嚴(yán)重遮擋、小車被與小車顏色相近的背景干擾時(shí)小車跟蹤丟失的情況，提出了一種改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法。實(shí)驗(yàn)表明，改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法能實(shí)現(xiàn)當(dāng)小車被嚴(yán)重遮擋、小車被與小車顏色相近的背景干擾時(shí)的連續(xù)跟蹤。但是，Camshift算法的小車跟蹤要求小車具有特定的顏色，當(dāng)背景存在大面積的干擾物時(shí)，跟蹤效果一般。因此，利用小車的多種特征信息來提高對(duì)小車的跟蹤的成功率，這是需要進(jìn)一步研究的工作。

[1] 陳汗青, 萬艷玲, 王國剛. 數(shù)字圖像處理技術(shù)研究進(jìn)展[J]. 工業(yè)控制計(jì)算機(jī). 2013(1):72-74.

[2]Deng Y, Wu L, He Y. A Novel Approach to Analyzing Object Motion Behavior[A]. Eighth International Conference on Intelligent Information Hiding and Multimedia Signal Processing[C]. IEEE Computer Society, 2012:395-398.

[3]Badenas J, Sanchiz J M, Pla F. Motion-based segmentation and region tracking in image sequences [J]. Pattern Recognition, 2001, 34(3):661-670.

[4]Cuenca C, González E, Trujillo A, et al. Fast and accurate circle tracking using active contour models[J]. Journal of Real-Time Image Processing, 2015(October 2015):1-10.

[5]Marmaroli P, Odobez J M, Falourd X, et al. A bimodal sound source model for vehicle tracking in traffic monitoring[A].Signal Processing Conference, 2011 19th European[C]. IEEE, 2011: 1327-1331.

[6]Prioletti A, M?gelmose A, Grisleri P, et al. Part-based pedestrian detection and feature-based tracking for driver assistance: real-time, robust algorithms, and evaluation[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(3): 1346-1359.

[7]Tu J, Tao H, Huang T. Online updating appearance generative mixture model for meanshift tracking [J]. Machine Vision and Applications, 2009, 20(3):163-173.

[8]Exner D, Bruns E, Kurz D, et al. Fast and robust CAMShift tracking[A]. IEEE Computer Society Conference on Computer Vision & Pattern Recognition-workshops[C]. IEEE, 2010:9-16.

[9]Zhou S K, Chellappa R, Moghaddam B. Visual tracking and recognition using appearance-adaptive models in particle filters[J]. IEEE Transactions on Image Processing, 2004, 13(11):1491-506.

[10]Sinopoli B, Schenato L, Franceschetti M, et al. Kalman filtering with intermittent observation [J]. IEEE transactions on Automatic Control, 2004, 49(9): 1453-1464.

Improved CamShift Algorithm Combined with Kalman Filter for Moving Target Tracking

He Jun，F(xiàn)an Weihua，Wang Chong，Zhou Weiwei

(School of Automation, Nanjing University of Science and Technology, Nanjing 210094，China)

A new target tracking algorithm is proposed that combines the modified CamShift algorithm with Kalman filter, aiming at several problems occurred in target tracking, such as the moving target being covered, and the target being interfered by similar background. In order to overcome the shortages of target loss due to the moving target being covered, the search window of the traditional CamShift algorithm is improved and the size of searching window is adjusted adaptively, so that the moving target is located in the search window. When the moving target is interfered by similar background, the target is lost. In order to increase the tracking accuracy, Kalman filter is used for estimating the position of the moving target which is used as the center location of search window in the next frame. An improved CamShift target tracking software module is developed using C ++ language, and the algorithm flow of the module is given. The experimental results show that the proposed algorithm can overcome the default of the traditional CamShift algorithm and improve the performance and accuracy of target tracking and location. This algorithm can be applied to the field of moving car tracking, face recognition etc.

object tracking; CamShift algorithm; Kalman filter

2016-10-19；

2016-11-21。

國家自然科學(xué)基金項(xiàng)目(61673219)；江蘇省“六大人才高峰”項(xiàng)目(XNYQC-CXTD-001)；天津市科技重大專項(xiàng)與工程項(xiàng)目(15ZXZNGX00250)。

何 俊(1990-)，男，江蘇省泰興市人，碩士研究生，主要從事多智能體編隊(duì)控制方向的研究。

1671-4598(2017)03-0209-04DOI：10.16526/j.cnki.11-4762/tp

TP

A