董美寶 ，楊涵文 ,2，郭 文，馬思源 ，鄭 創(chuàng)

(1.山東工商學(xué)院信息與電子工程學(xué)院，山東 煙臺(tái) 264005；2.山東省煙臺(tái)第一中學(xué)，山東 煙臺(tái) 264000)

目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域最基本的問題之一，其應(yīng)用遍布多個(gè)領(lǐng)域，如人機(jī)交互、視頻監(jiān)控、無人駕駛等。盡管多年來，目標(biāo)跟蹤領(lǐng)域發(fā)展迅速，涌現(xiàn)出大量?jī)?yōu)秀的算法，但由于涉及到的領(lǐng)域不斷更新，對(duì)目標(biāo)跟蹤算法的要求也隨之提高。低空無人機(jī)目標(biāo)跟蹤作為剛剛興起的一個(gè)領(lǐng)域，機(jī)遇與挑戰(zhàn)并存。除了傳統(tǒng)目標(biāo)跟蹤中一直存在的問題，如光照變化、幾何變化、局部遮擋、快速運(yùn)動(dòng)、背景雜波等，由于無人機(jī)系統(tǒng)的飛行高度、飛行姿態(tài)不穩(wěn)定、飛行速度較慢等因素，與傳統(tǒng)目標(biāo)跟蹤相比，其獲取的影像的像幅小、分辨率不高、畸變大，給跟蹤帶來了較大的困難和挑戰(zhàn)。本文的研究是基于在傳統(tǒng)跟蹤數(shù)據(jù)集上表現(xiàn)良好的 KCF跟蹤器，解決無人機(jī)目標(biāo)跟蹤在低分辨率小幅圖像表觀下出現(xiàn)的跟蹤失敗的問題。

1 相關(guān)工作

1.1 相關(guān)濾波算法

作為目標(biāo)跟蹤領(lǐng)域的重要進(jìn)展之一，相關(guān)濾波以其準(zhǔn)確和高效吸引了大量的關(guān)注，與其他跟蹤算法相比，相關(guān)濾波在不同數(shù)據(jù)集上的表現(xiàn)都顯示出其強(qiáng)大的性能，尤其在遮擋等條件下，具有更高的魯棒性和準(zhǔn)確性。文獻(xiàn)[1]提出的最小輸出平方誤差濾波器是最早將相關(guān)思想應(yīng)用到目標(biāo)跟蹤領(lǐng)域的跟蹤器，使用峰值旁瓣比檢測(cè)遮擋，使得目標(biāo)重新出現(xiàn)時(shí)跟蹤器能夠及時(shí)恢復(fù)跟蹤。文獻(xiàn)[2]提出的循環(huán)結(jié)構(gòu)核濾波器是使用核技巧的非線性相關(guān)濾波器，可以用于冗余類相關(guān)特征分析，能夠在進(jìn)行人臉識(shí)別時(shí)具有更好的魯棒性。核相關(guān)濾波跟蹤算法[3]是在相關(guān)濾波的基礎(chǔ)上加入了核函數(shù)的算法，使用多通道的HOG特征代替單通道的灰度特征，在采集樣本過程中使用循環(huán)矩陣來增大運(yùn)行效率，利用傅里葉對(duì)角化使計(jì)算效率明顯提高。文獻(xiàn)[4]提到的具有特征集成的尺度自適應(yīng)核相關(guān)濾波跟蹤算法，在傳統(tǒng)的核相關(guān)濾波跟蹤器基礎(chǔ)上，提出尺度自適應(yīng)方案來處理固定模板尺寸的問題，并通過將HOG和顏色命名等特征融合在一起，進(jìn)一步提升跟蹤器的整體性能。文獻(xiàn)[5]利用分塊的思想，將目標(biāo)分為不同的模塊，并對(duì)其各自的響應(yīng)進(jìn)行加權(quán)擬合，使用峰-旁比(peak-to-side ratio，PSR)和光滑約束置信圖(smooth constraint of confidence maps，SCCM)對(duì)每個(gè)模塊的參數(shù)進(jìn)行限制，從而實(shí)現(xiàn)更好的跟蹤效果。文獻(xiàn)[6]訓(xùn)練出一個(gè)在線隨機(jī)蕨叢分類器，在跟蹤失敗的情況下，對(duì)目標(biāo)進(jìn)行重新檢測(cè)，增強(qiáng)了跟蹤器的跟蹤效率、精確度和魯棒性。該方法對(duì)長(zhǎng)期視覺跟蹤的問題具有較好的效果，但跟蹤速度慢。文獻(xiàn)[7]提到的算法是通過基于尺度金字塔表示來學(xué)習(xí)判別相關(guān)濾波器，由于其是獨(dú)立的，因此可以與任何沒有尺度估計(jì)的濾波器相結(jié)合，實(shí)現(xiàn)更好的性能。文獻(xiàn)[8]提出了一種結(jié)構(gòu)相關(guān)濾波器，用于模擬目標(biāo)外觀，實(shí)現(xiàn)魯棒的視覺跟蹤，所提出的循環(huán)相關(guān)粒子濾波模型將基于部分的跟蹤策略融合到相關(guān)濾波跟蹤器中，并利用所有部分的循環(huán)移位進(jìn)行運(yùn)動(dòng)建模以保持目標(biāo)對(duì)象結(jié)構(gòu)，此算法不僅在計(jì)算效率與魯棒性上具有相關(guān)濾波算法的優(yōu)點(diǎn)，對(duì)解決遮擋問題也具有較好的效果。

1.2 無人機(jī)目標(biāo)跟蹤

如前文所述，無人機(jī)目標(biāo)跟蹤相較傳統(tǒng)目標(biāo)跟蹤具有更大的難度。針對(duì)這些難點(diǎn)，國(guó)內(nèi)外的研究人員已經(jīng)提出了不少改進(jìn)算法。例如在解決遮擋方面，文獻(xiàn)[9]提出的方法能夠?qū)δ繕?biāo)位置、方向和尺寸等進(jìn)行估計(jì)，使用粒子濾波器處理遮擋、圖像噪聲等多種問題；文獻(xiàn)[10]通過將粒子濾波與P-N在線學(xué)習(xí)結(jié)合的方法，解決了跟蹤過程中的短暫遮擋等導(dǎo)致的跟蹤失敗的問題；文獻(xiàn)[11]為了解決自適應(yīng)均值漂移算法對(duì)相似對(duì)象和目標(biāo)遮擋的問題，融合局部特征和顏色特征，實(shí)現(xiàn)了對(duì)目標(biāo)的有效跟蹤。另外，無人機(jī)目標(biāo)跟蹤在其他方面的研究也有所突破，如文獻(xiàn)[12-13]提出利用圖像信息和機(jī)載傳感器信息等跟蹤地面目標(biāo)。文獻(xiàn)[14]提出了一種能夠?qū)崿F(xiàn)城市交通行為的高水平情況感知的系統(tǒng)，采用彩色圖像和熱圖像的輸入序列，用于構(gòu)建和維護(hù)目標(biāo)結(jié)構(gòu)并實(shí)時(shí)識(shí)別被跟蹤車輛的交通行為。文獻(xiàn)[15]開發(fā)出COCOA跟蹤系統(tǒng)實(shí)現(xiàn)對(duì)目標(biāo)的自動(dòng)跟蹤。文獻(xiàn)[16]提出的新型跟蹤系統(tǒng)，完全在四旋翼飛行器上運(yùn)行，無需依賴外部定位傳感器或GPS，在閉環(huán)控制中應(yīng)用低頻單目計(jì)算機(jī)視覺算法來跟蹤已知顏色的物體。文獻(xiàn)[17]提出了一個(gè)集成到飛機(jī)中的實(shí)驗(yàn)性Sense and Avoid系統(tǒng)，用于檢測(cè)和跟蹤其他具有電光傳感器的空中物體。文獻(xiàn)[18]提出的算法使用零均值歸一化互相關(guān)來檢測(cè)和定位圖像中的對(duì)象，并用卡爾曼濾波器來提高跟蹤算法的效率。盡管低空無人機(jī)目標(biāo)跟蹤的研究取得了一定的成果，但低空無人機(jī)目標(biāo)跟蹤尚處于發(fā)展階段，仍有許多問題需要解決。

1.3 本文工作

KCF算法作為相關(guān)濾波類的經(jīng)典算法，以其強(qiáng)大的計(jì)算效率以及良好的性能被關(guān)注，在快速運(yùn)動(dòng)等方面表現(xiàn)尤為突出，KCF算法在常規(guī)目標(biāo)數(shù)據(jù)集如 OTB50上實(shí)驗(yàn)結(jié)果名列前茅，但在無人機(jī)跟蹤數(shù)據(jù)集UAV123的表現(xiàn)卻并不理想，跟蹤圖像分辨率低，像幅小是導(dǎo)致跟蹤失敗的主要原因之一。針對(duì)此類問題，本文提出了多特征重檢測(cè)相關(guān)濾波跟蹤框架，如圖1(以O(shè)TB50中視頻Jogging-1為例)所示。在該方案中，為了應(yīng)對(duì)圖像像幅小、分辨率低的挑戰(zhàn)，除了使用簡(jiǎn)單的低層灰度表觀特征，還使用了HOG特征和顏色命名特征，通過設(shè)計(jì)多特征融合的KCF表觀模型，得到更魯棒的目標(biāo)表觀。另外，為進(jìn)一步避免跟蹤失敗，在 KCF跟蹤框架下進(jìn)行跟蹤時(shí)，將對(duì)每幀圖像跟蹤是否成功進(jìn)行判斷，當(dāng)跟蹤失敗時(shí)，跟蹤器會(huì)進(jìn)入到重檢測(cè)機(jī)制，重新進(jìn)行位置檢測(cè)，并通過模型更新閾值的限制，對(duì)目標(biāo)位置進(jìn)行有效更新。

圖1 本文算法流程圖

本文的貢獻(xiàn)在于：①設(shè)計(jì)了基于核函數(shù)的多特征融合表觀模型，提高了目標(biāo)特征的判別性。②加入了重檢測(cè)機(jī)制，有利于緩解跟蹤的漂移問題，提高跟蹤的精度。通過本文提出的算法，使得無人機(jī)在進(jìn)行目標(biāo)跟蹤時(shí)具有較好的性能，在低空無人機(jī)數(shù)據(jù)集上的精確度和成功率均取得了較好的結(jié)果。

2 核相關(guān)濾波跟蹤算法(KCF)

KCF跟蹤器具有良好的性能，其關(guān)鍵在于在采集樣本過程中設(shè)計(jì)使用了循環(huán)矩陣增加了跟蹤檢測(cè)分類器訓(xùn)練負(fù)樣本的數(shù)量。增加的負(fù)樣本可以很好的提高分類器的判別性，進(jìn)而提高跟蹤效果來提高運(yùn)行效率。本文簡(jiǎn)要介紹下 KCF的算法思想。該算法詳細(xì)內(nèi)容可參考文獻(xiàn)[3]。

2.1 訓(xùn)練相關(guān)濾波器

KCF跟蹤器提出在圖片塊上訓(xùn)練一個(gè)相關(guān)濾波器來建模目標(biāo)表觀。將目標(biāo)及周圍部分背景作為搜索區(qū)域，得到一個(gè)大小為I×J的圖像塊x，通過上下移動(dòng)不同的像素得到循環(huán)圖像樣本xi,j(i,j)∈(0,1,···,I–1)×(0,1,···,J–1)。由循環(huán)圖像樣本與其對(duì)應(yīng)的高斯函數(shù)標(biāo)簽yi,j共同構(gòu)成了訓(xùn)練樣本集合。KCF跟蹤器的目標(biāo)則是找到一個(gè)滿足如下優(yōu)化目標(biāo)的相關(guān)濾波器ω，即

其中，φ為核函數(shù)空間的投影函數(shù)；γ為正則約束系數(shù)。使用快速傅里葉變換計(jì)算相關(guān)性可以得到式(1)的最優(yōu)解為

其中，系數(shù)β的計(jì)算為

其中，y=(y(i,y))；F和F–1分別為傅里葉變換及其反變換。

2.2 確定新幀跟蹤目標(biāo)位置

給定學(xué)習(xí)好的β和目標(biāo)表觀模型，跟蹤的任務(wù)則是在新的一幀圖像中，用I×J的搜索窗口得到的圖像塊z去計(jì)算相關(guān)濾波響應(yīng)，即

其中，⊙為哈達(dá)瑪積。通過找到的最大值位置即可找到跟蹤的目標(biāo)位置。

3 多特征重檢測(cè)相關(guān)濾波跟蹤框架

為了解決無人機(jī)視頻分辨率低、像幅小引起的跟蹤失敗，本文在 KCF算法的基礎(chǔ)上，融合灰度特征、HOG特征及顏色命名特征，并加入重檢測(cè)機(jī)制，使得無人機(jī)在對(duì)目標(biāo)發(fā)生跟蹤偏移時(shí)，及時(shí)進(jìn)行自我修正，從而實(shí)現(xiàn)對(duì)目標(biāo)跟蹤的優(yōu)化。

3.1 多特征融合

由 KCF跟蹤器的跟蹤過程可以看出，要找到最終的目標(biāo)位置，關(guān)鍵在于求相關(guān)濾波響應(yīng)的最大值。由式(3)和式(2)可以看出，的求解關(guān)鍵在于2個(gè)內(nèi)積。由于φ是核空間的投影函數(shù)，因此其內(nèi)積可以用核相關(guān)函數(shù)計(jì)算 。 定義核函數(shù)，則內(nèi)積可分別表示為Kx,x和。本文引入高斯核相關(guān)函數(shù)來計(jì)算循環(huán)矩陣高維空間內(nèi)積，即

由(5)可得，核相關(guān)函數(shù)的求解僅需要計(jì)算點(diǎn)積和向量的模。如此處理，可以方便的將多特征引入KCF跟蹤器中。

假設(shè)表觀x=[x1,x2,···,xD]由D個(gè)特征級(jí)聯(lián)得到，則式(5)可以改寫為

如此，便可以將多種特征融合到 KCF跟蹤框架中，從而提高框架的魯棒性。本文中采用了3種典型的特征，分別是灰度特征、HOG特征和顏色命名特征。灰度特征是跟蹤中常用的低層簡(jiǎn)單特征；HOG特征則強(qiáng)調(diào)圖像的梯度，計(jì)算離散方向以形成直方圖，是視覺領(lǐng)域最受歡迎的特征之一[19]；顏色命名特征又叫顏色屬性，更加注重目標(biāo)對(duì)象所包含的顏色信息，是人類在語言上用來描述顏色的標(biāo)簽，顏色標(biāo)簽空間中的距離更類似于人類感覺，因此是比 RGB空間更為優(yōu)越的透視空間。顏色命名特征已經(jīng)在很多視覺領(lǐng)域表現(xiàn)優(yōu)異，比如目標(biāo)識(shí)別、目標(biāo)檢測(cè)和行為檢測(cè)[20-21]。本文采用文獻(xiàn)[22]描述的映射方法將RGB空間轉(zhuǎn)換為顏色名稱空間，這是一個(gè) 11維的顏色表示。顏色名稱提供對(duì)目標(biāo)顏色的感知，通常包含目標(biāo)的重要信息。3種特征的融合將大大提高跟蹤器的工作效率。

3.2 重檢測(cè)機(jī)制

根據(jù)相關(guān)濾波的原理以及文獻(xiàn)[1]的實(shí)驗(yàn)數(shù)據(jù)得知，在跟蹤過程中，目標(biāo)發(fā)生遮擋時(shí)跟蹤失敗，最大響應(yīng)值會(huì)減小，本文算法利用了此特點(diǎn)，使得響應(yīng)值在小于給定閾值時(shí)，進(jìn)行重檢測(cè)更新。

在跟蹤失敗的情況下，當(dāng)重新進(jìn)入搜索區(qū)域時(shí)，跟蹤過程需要一個(gè)重新檢測(cè)模塊。另外，不同于以往的跟蹤器[23]中對(duì)每一幀都進(jìn)行重新檢測(cè)，由于這個(gè)濾波器是在高維HOG特征空間訓(xùn)練的，為了提高計(jì)算效率，對(duì)于目標(biāo)的重新搜索和檢測(cè)，并不使用相關(guān)濾波器來掃描圖像的所有幀，而是使用了一個(gè)觸發(fā)機(jī)制，當(dāng)置信度在小于給定的閾值θ1時(shí)，會(huì)激活重檢測(cè)方案。

進(jìn)入到重檢測(cè)循環(huán)后，利用滑動(dòng)窗口進(jìn)行2倍搜索區(qū)域搜索，將每個(gè)窗口的響應(yīng)值存儲(chǔ)到矩陣中，取出其中響應(yīng)值最大的窗口，將其與閾值θ2進(jìn)行比較，如果大于此閾值，則更新坐標(biāo)值，否則不進(jìn)行坐標(biāo)值更新。

該算法有效地緩解了由于遮擋時(shí)模型更新導(dǎo)致的漂移，在復(fù)雜的圖像中具有較好的魯棒性。加入重檢測(cè)后的多特征融合KCF算法流程如下：

(1)對(duì)第m幀的搜索區(qū)域進(jìn)行特征提取，利用公式(1)~(4)求得I×J圖像塊中每一幀的置信度，得出對(duì)應(yīng)的pos值P1；

(2)將每一幀的置信度與閾值θ1進(jìn)行比較，如果小于此值，則判斷為跟蹤失敗，進(jìn)入重檢測(cè)機(jī)制，否則按照原算法更新；

(3)在重檢測(cè)循環(huán)內(nèi)，利用滑動(dòng)窗口對(duì)搜索區(qū)域的2倍進(jìn)行分割采樣，求得每個(gè)滑動(dòng)窗口的置信度，構(gòu)成置信度矩陣；計(jì)算出置信度矩陣中數(shù)值最大的圖像塊，得出對(duì)應(yīng)的pos值P2；

(4)判斷是否進(jìn)行模型更新：若圖像塊的置信度大于閾值θ2，對(duì)pos值進(jìn)行更新；否則不更新。

4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法性能，在無人機(jī)視頻庫(kù)中[22]進(jìn)行了相關(guān)的實(shí)驗(yàn)對(duì)比。視頻以及原始信息均來自于文獻(xiàn)[24]所提出的基準(zhǔn)庫(kù)UAV123。本文選取了7個(gè)具有公開代碼的跟蹤算法進(jìn)行了實(shí)驗(yàn)比較，分別為核相關(guān)濾波跟蹤算法[3]、增量式學(xué)習(xí)算法[25]、循環(huán)結(jié)構(gòu)核跟蹤算法[2]、正負(fù)約束學(xué)習(xí)跟蹤算法[26]、迭代凸優(yōu)化[27]、壓縮感知跟蹤算法[28]、分布場(chǎng)跟蹤算法[29]。

4.1 實(shí)驗(yàn)設(shè)置

本文算法在核相關(guān)濾波跟蹤算法的基礎(chǔ)上，加入了顏色命名特征和重檢測(cè)機(jī)制，優(yōu)化了在目標(biāo)跟蹤過程中容易出現(xiàn)的目標(biāo)遮擋、低分辨率、快速運(yùn)動(dòng)等因素引起的干擾。算法的執(zhí)行程序?yàn)镸atlab2016，實(shí)驗(yàn)的硬件配置為Intel I5,2.5 GHz處理器，8 G內(nèi)存。

重檢測(cè)選擇區(qū)域?yàn)樗阉鲄^(qū)域的2倍。重檢測(cè)算法流程中的參數(shù)分別為θ1=0.30，θ2=0.31。為了對(duì)比實(shí)驗(yàn)的效果，其余所有跟蹤算法使用的都是原始參數(shù)，并且已經(jīng)設(shè)定好的參數(shù)在整個(gè)過程中保持固定。本文使用的15個(gè)視頻序列均來自UAV123視頻基準(zhǔn)庫(kù)。

4.2 實(shí)驗(yàn)結(jié)果

為了定量比較本文算法與原有算法在性能上的不同，實(shí)驗(yàn)采用了精確度和成功率評(píng)價(jià)不同算法的跟蹤結(jié)果。為了檢驗(yàn)跟蹤效果，采用的對(duì)比指標(biāo)有：

(1)中心位置誤差，實(shí)際跟蹤結(jié)果的中心位置與真實(shí)結(jié)果中心位置的歐式距離；

(2)重合率，跟蹤框和實(shí)際標(biāo)注框的交并面積比，是準(zhǔn)確度的衡量標(biāo)準(zhǔn)。

本文中根據(jù)成功率曲線(重合率大于給定閾值的視頻作為成功跟蹤的幀)描述算法在視頻上的效果，當(dāng)閾值從0到1變化時(shí)，記錄成功跟蹤的幀數(shù)占視頻總幀數(shù)的比率。使用一次通過評(píng)估(one-pass evaluation，OPE)策略與其他先進(jìn)的跟蹤器進(jìn)行實(shí)驗(yàn)對(duì)比。

4.2.1 定量實(shí)驗(yàn)對(duì)比

對(duì)比其他 7種算法的總體精確度曲線和總體成功率曲線，本文算法的總體精確度和成功率均好于其他幾種算法，表明本文算法具有良好的整體性能。圖給出了無人機(jī)視頻序列中總體成功率曲線和總體精確率曲線。為了全面評(píng)估跟蹤算法在 UAV123基準(zhǔn)庫(kù)不同難度屬性的性能，圖和圖分別給出了各個(gè)跟蹤器在前述 8個(gè)難點(diǎn)屬性上的成功率和精確度曲線。通過對(duì)比可以看出，本文算法在快速運(yùn)動(dòng)、局部遮擋和尺度變化 3個(gè)方面表現(xiàn)優(yōu)秀，但其他方面如復(fù)雜背景等仍有改進(jìn)的空間。

4.2.2 定性實(shí)驗(yàn)結(jié)果及分析

為了將跟蹤結(jié)果可視化，本文將部分視頻的難點(diǎn)屬性和部分跟蹤結(jié)果進(jìn)行了詳細(xì)的分析，圖5給出了部分跟蹤結(jié)果的示例。

圖5(a)從左至右依次為第13，52，108，213，243幀。該測(cè)試視頻展示的是自行車行駛的場(chǎng)景。該視頻的主要難點(diǎn)屬性在于尺度變化、低分辨率、局部遮擋、光照變化和復(fù)雜背景。由圖可知，隨著光照、尺度等因素的變化，各種跟蹤器在108幀分化嚴(yán)重，尤其是CT跟蹤器從第52幀就出現(xiàn)偏差。本文算法在諸多干擾要素同時(shí)存在的情況下，依然可以很好地跟蹤目標(biāo)，體現(xiàn)了其魯棒性。

圖(b)從左至右依次為 1，2，159，313，498幀。該測(cè)試視頻展示的是船在水面行駛的過程。影響該視頻跟蹤的主要因素有尺度變化、低分辨率和視點(diǎn)更改。目標(biāo)距離由遠(yuǎn)及近，目標(biāo)對(duì)象的尺度和視點(diǎn)也隨之改變。另外，初始位置時(shí)船的距離較遠(yuǎn)，目標(biāo)尺度較小，分辨率較低，導(dǎo)致很多跟蹤器后續(xù)的幀依然跟不上。從測(cè)試結(jié)果中可以看出，本文算法在應(yīng)對(duì)尺度變化、低分辨率和視點(diǎn)更改問題上具有較好的效果。

圖2 UAV123總體成功率曲線和總體精確率曲線

圖(c)從左至右依次為第 7，73，123，240，634幀。該測(cè)試視頻展示的是汽車在不同彎度路面行駛的場(chǎng)景。該視頻的跟蹤難點(diǎn)有尺度變化、相似對(duì)象、低分辨率、快速運(yùn)動(dòng)、視點(diǎn)更改和局部遮擋。從圖中可以看出，汽車在筆直的路面行駛時(shí)，不同的跟蹤器均可以很好地跟蹤目標(biāo)，當(dāng)汽車開始出現(xiàn)轉(zhuǎn)彎等情況時(shí)，目標(biāo)會(huì)出現(xiàn)尺度變化等問題，對(duì)跟蹤器的跟蹤過程產(chǎn)生干擾，本文的跟蹤器則可以較好地應(yīng)對(duì)尺度變化、局部遮擋等變化。

從整體的結(jié)果中可以看出，本文算法在像幅較小，分辨率較低的情況下，應(yīng)對(duì)快速運(yùn)動(dòng)、局部遮擋和尺度變化等挑戰(zhàn)具有良好的表現(xiàn)，而這也是無人機(jī)目標(biāo)跟蹤的難點(diǎn)所在。但是同時(shí)也可以看出，本文算法在光照變化、復(fù)雜背景和視點(diǎn)改變等方面還有改進(jìn)的空間。

圖3 UAV123不同難度屬性上的成功率曲線

圖4 UAV123不同難度屬性上的精確率曲線

圖5 部分跟蹤結(jié)果示例

5 結(jié)論

本文針對(duì)無人機(jī)跟蹤目標(biāo)像幅小、表觀不清晰、遮擋時(shí)易丟失等問題，提出了一種多特征重檢測(cè)的無人機(jī)目標(biāo)相關(guān)濾波跟蹤方法，一方面通過多特征的融合提高了表觀表達(dá)的判別性，另一方面在目標(biāo)發(fā)生遮擋時(shí)，可以對(duì)搜索區(qū)域進(jìn)行遍歷搜索，找到置信度最高的目標(biāo)，從而增強(qiáng)跟蹤器的魯棒性，提高了跟蹤精度。需要指出的是，本文算法在光照變化、復(fù)雜背景和視點(diǎn)改變等方面的表現(xiàn)不太理想，還有待進(jìn)一步提高。