蘇婷婷 郝禹哲 顧佳欣

摘 要：四旋翼無人機(jī)可廣泛適用于各種地形中，完成目標(biāo)物的實(shí)時(shí)捕捉、動(dòng)態(tài)跟蹤等任務(wù)，商用前景非?？捎^。本文針對(duì)無人機(jī)目標(biāo)跟蹤問題，設(shè)計(jì)了一種基于背景感知相關(guān)濾波的目標(biāo)跟蹤系統(tǒng)。背景感知相關(guān)濾波算法與現(xiàn)有文獻(xiàn)中的目標(biāo)跟蹤算法相比，其優(yōu)勢(shì)在于提取深度特征與空間約束相結(jié)合，目標(biāo)跟蹤擁有更高的實(shí)時(shí)性與準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的無人機(jī)目標(biāo)跟蹤算法能夠有效地識(shí)別與跟蹤預(yù)設(shè)目標(biāo)，本系統(tǒng)具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：四旋翼無人機(jī);目標(biāo)跟蹤;相關(guān)濾波;背景感知相關(guān)濾波

文章編號(hào)：2095-2163（2019）04-0192-03 中圖分類號(hào)：TN2 文獻(xiàn)標(biāo)志碼：A

0 引 言

相較于大型飛行器，四旋翼無人機(jī)可應(yīng)用于眾多復(fù)雜地形中實(shí)現(xiàn)垂直起落、懸停等任務(wù)，是完成目標(biāo)實(shí)時(shí)捕捉動(dòng)態(tài)跟蹤的硬件支撐平臺(tái)。

在無人機(jī)目標(biāo)跟蹤領(lǐng)域，一些有效的目標(biāo)跟蹤算法相繼被提出。均值漂移（Mean shift）算法[1]，通過對(duì)特征樣本點(diǎn)的分析，對(duì)圖像進(jìn)行平滑和分割處理，反復(fù)迭代找到與目標(biāo)最接近的位置，但此算法不適用于在復(fù)雜環(huán)境中變化的運(yùn)動(dòng)物體，目標(biāo)大小形狀改變也會(huì)對(duì)跟蹤結(jié)果造成很大影響?；诳柭鼮V波的目標(biāo)跟蹤算法[2]，是通過線性系統(tǒng)的優(yōu)化最小方差預(yù)測(cè)目標(biāo)物體的運(yùn)動(dòng)狀態(tài)，但此算法精度仍需改良?；诹Ｗ訛V波的目標(biāo)跟蹤算法[3]，通過大量粒子的采樣與重新擴(kuò)散，近似得到運(yùn)動(dòng)目標(biāo)的狀態(tài)，但此算法計(jì)算量大，不適用于實(shí)際環(huán)境中的目標(biāo)跟蹤。在實(shí)際應(yīng)用中，通常使用多種算法相結(jié)合以提高目標(biāo)跟蹤的實(shí)時(shí)性與準(zhǔn)確性。

在前人的基礎(chǔ)上，本文設(shè)計(jì)了一種基于背景感知相關(guān)濾波（Background-aware correlation filters，BACF）算法[4]的無人機(jī)目標(biāo)跟蹤系統(tǒng)。該系統(tǒng)可對(duì)于處在復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的HOG特征（方向梯度直方圖）進(jìn)行檢測(cè)與提取，利用改進(jìn)的相關(guān)濾波算法實(shí)現(xiàn)在一定區(qū)域內(nèi)自動(dòng)識(shí)別指定目標(biāo)，一旦識(shí)別到指定目標(biāo)，無人機(jī)將會(huì)自動(dòng)鎖定該目標(biāo)，對(duì)其進(jìn)行自主跟蹤。

1 基于背景感知相關(guān)濾波的無人機(jī)目標(biāo)跟蹤

1.1 背景感知相關(guān)濾波算法

在目標(biāo)跟蹤過程中，目標(biāo)通常不是靜止的，其運(yùn)動(dòng)軌跡的不規(guī)則性加大了實(shí)時(shí)目標(biāo)檢測(cè)跟蹤的難度。本文在對(duì)移動(dòng)目標(biāo)進(jìn)行識(shí)別時(shí)，采用傳統(tǒng)的相關(guān)濾波算法，通過加空間約束的方式去除訓(xùn)練相關(guān)濾波所存在的邊界效應(yīng)，并基于HOG特征提取，實(shí)現(xiàn)在復(fù)雜背景下對(duì)目標(biāo)物體的實(shí)時(shí)跟蹤。

傳統(tǒng)的相關(guān)濾波算法[5]通過已經(jīng)跟蹤的若干幀中目標(biāo)的位置，提取出對(duì)目標(biāo)有較好鑒別力的特征，訓(xùn)練出一個(gè)濾波器模板，對(duì)于新幀中可能出現(xiàn)的目標(biāo)區(qū)域，提取出該區(qū)域特征，與濾波器模板作相關(guān)處理。根據(jù)相關(guān)值得到在新幀中目標(biāo)的預(yù)測(cè)位置，并以該位置為中心提取出特征，反過來進(jìn)一步訓(xùn)練濾波器模型，并反復(fù)上述步驟進(jìn)行后續(xù)的目標(biāo)跟蹤訓(xùn)練。

由于傳統(tǒng)的相關(guān)濾波算法是基于模板的相關(guān)性匹配方法，目標(biāo)背景并不是隨時(shí)間改變的，對(duì)于快速運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)的效果并不能取得滿意的性能，且目標(biāo)檢測(cè)的實(shí)時(shí)性不高。為了解決上述問題，確保算法能夠在實(shí)際環(huán)境中對(duì)目標(biāo)物體較好地識(shí)別與實(shí)時(shí)檢測(cè)，本文將HOG特征提取與空間約束算法進(jìn)行有機(jī)結(jié)合。通過有效地模擬目標(biāo)物體的背景隨時(shí)間變化的模板，利用空間約束的相關(guān)濾波算法解決邊界效應(yīng)，提取多通道HOG特征進(jìn)行目標(biāo)檢測(cè)與跟蹤。

在濾波器求解過程中，利用相互獨(dú)立的多特征通道，去除訓(xùn)練相關(guān)濾波存在的邊界效應(yīng)，再通過ADMM（交替方向乘子法），把一個(gè)大優(yōu)化問題分成可分布式同時(shí)求解的多個(gè)子問題，通過對(duì)子問題的迭代可以快速得到濾波器的近似最優(yōu)解，最終實(shí)現(xiàn)對(duì)于目標(biāo)物體的實(shí)時(shí)檢測(cè)跟蹤。

1.2 無人機(jī)目標(biāo)跟蹤設(shè)計(jì)

目標(biāo)跟蹤流程如圖1所示。本文所設(shè)計(jì)的無人機(jī)目標(biāo)跟蹤系統(tǒng)在進(jìn)行實(shí)時(shí)跟蹤的主要流程如下：首先啟動(dòng)無人機(jī)，通過無人機(jī)所搭載的攝像頭獲取圖像，當(dāng)無人機(jī)未捕捉到預(yù)設(shè)目標(biāo)物體時(shí)，將維持原地懸停狀態(tài)，并返回重新捕捉目標(biāo)物體。當(dāng)發(fā)現(xiàn)目標(biāo)物體，無人機(jī)將信息傳遞給地面站，通過提取目標(biāo)物體的特征，利用BACF算法處理信息，得到預(yù)測(cè)目標(biāo)物體位置，無人機(jī)移動(dòng)，重新獲取圖像，如此反復(fù)，最終實(shí)現(xiàn)對(duì)目標(biāo)物體的實(shí)時(shí)檢測(cè)與跟蹤。

2 實(shí)驗(yàn)結(jié)果與分析

為了評(píng)估本文提出的基于背景感知相關(guān)濾波的無人機(jī)目標(biāo)跟蹤算法的有效性，搭建了一個(gè)四旋翼無人機(jī)硬件仿真平臺(tái)，選用紅色遙控小車作為目標(biāo)物體，根據(jù)上述的背景感知相關(guān)濾波算法，利用Keil軟件環(huán)境進(jìn)行編程仿真。系統(tǒng)仿真結(jié)果如圖2所示。當(dāng)遙控小車按照一定軌跡運(yùn)動(dòng)時(shí)，無人機(jī)能夠較好地識(shí)別與跟蹤小車，且系統(tǒng)的實(shí)時(shí)性也較好，能夠滿足一些場(chǎng)景應(yīng)用。但仿真過程中發(fā)現(xiàn)，當(dāng)小車受到遮擋或者光照較暗時(shí)，本文提出的算法的性能仍然需要進(jìn)一步改善。

3 結(jié)束語

本文設(shè)計(jì)了一種基于背景感知相關(guān)濾波算法的無人機(jī)目標(biāo)跟蹤系統(tǒng)，該系統(tǒng)可對(duì)于處在復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)的HOG特征（方向梯度直方圖）進(jìn)行檢測(cè)與提取。利用改進(jìn)的相關(guān)濾波算法實(shí)現(xiàn)在一定區(qū)域內(nèi)自動(dòng)識(shí)別指定目標(biāo)，進(jìn)而進(jìn)行目標(biāo)跟蹤。本文算法對(duì)于無遮擋目標(biāo)和正常光線下的目標(biāo)能夠較好地識(shí)別與跟蹤，且具有一定實(shí)時(shí)性。未來人們將對(duì)目標(biāo)被遮擋和光線較暗環(huán)境下的無人機(jī)目標(biāo)跟蹤問題進(jìn)行深入研究。

參考文獻(xiàn)

[1]田莘. 基于MeanShift算法的目標(biāo)跟蹤問題研究[D]. 西安：西安科技大學(xué)，2010.

[2]RIDDER C， MUNKELT O， KIRCHNER H. Adaptive background estimation and foreground detection using Kalman-filtering[C]//Proceedings of International Conference on Recent Advances in Mechatronics. Istanbul， Turkey：ICAM， 1995， 193-199.

[3]王法勝，魯明羽，趙清杰，等. 粒子濾波算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2014，37（8）：1679-1694.

[4]GALOOGAHI H K， FAGG A， LUCEY S. Learning background-aware correlation filters for visual tracking[C]//IEEE International Conference on Computer Vision. Venice， Italy：IEEE， 2017：1144-1152.

[5]張紅穎，胡文博. 多特征融合的尺度自適應(yīng)相關(guān)濾波跟蹤算法[J]. 系統(tǒng)工程與電子技術(shù)， 2019，41（5）：951-957.