王娜　汪振東　屈喜琴

摘要：隨著人工智能技術(shù)的發(fā)展以及數(shù)字圖像處理技術(shù)的應(yīng)用日漸普及，目標(biāo)跟蹤成為國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)，該文針對(duì)無(wú)人機(jī)目標(biāo)跟蹤易受遮擋、形變、等復(fù)雜背景的干擾導(dǎo)致跟蹤失敗等問(wèn)題提出一種基于自適應(yīng)的粒子濾波的無(wú)人機(jī)目標(biāo)跟蹤算法。實(shí)驗(yàn)結(jié)果表明，該算法能有效地減少因復(fù)雜因素干擾導(dǎo)致的目標(biāo)跟蹤精度下降的問(wèn)題，具有良好的魯棒性。

關(guān)鍵詞：自適應(yīng)融合;粒子濾波算法;無(wú)人機(jī);目標(biāo)檢測(cè);目標(biāo)跟蹤

中圖分類(lèi)號(hào)：TP273+.2 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）09-0255-02

目標(biāo)跟蹤算法主要應(yīng)用于無(wú)人機(jī)目標(biāo)檢測(cè)及追蹤、制造業(yè)的精確物料查找、文檔分析、醫(yī)療器械、導(dǎo)彈制導(dǎo)等領(lǐng)域。雖然目標(biāo)跟蹤算法在近幾年來(lái)得到了飛速的發(fā)展[2]目前，主流的目標(biāo)跟蹤算法通?？煞譃閮煞N類(lèi)別：生成式方法和判別式方法，判別式方法通常會(huì)利用自適應(yīng)算法生成一個(gè)分類(lèi)器，該分類(lèi)器將目標(biāo)圖像分割成目標(biāo)本身和背景兩部分，將目標(biāo)識(shí)別變成一個(gè)目標(biāo)與背景的二元分類(lèi)問(wèn)題，該算法可以良好的區(qū)分目標(biāo)和背景信息，具有良好的判別能力，典型的判別式方法有：MOSSE算法和KCF算法[5]。生成式方法是在跟蹤前用數(shù)字處理器生成一個(gè)目標(biāo)圖像模型，該模型具備跟蹤目標(biāo)的詳細(xì)信息，然后根據(jù)建立好的模型搜索最符合標(biāo)準(zhǔn)的目標(biāo)信息，該方法能較好地描述目標(biāo)信息，但是對(duì)外界干擾的魯棒性差，典型的生成式方法是CSK算法?；谝陨咸岢龅?種目標(biāo)跟蹤算法，本文提出了一種基于自適應(yīng)的粒子跟蹤算法，該算法利用快速傅里葉變換，將卷積后的時(shí)域圖像參數(shù)輸入粒子濾波算法的密度函數(shù)P（X1…Xn）進(jìn)行采樣分析，最終得到了跟蹤目標(biāo)的圖像信息，該方法能有效解決目標(biāo)跟蹤中的各種干擾，有效地提高了目標(biāo)跟蹤的精度和有效性。

1 自適應(yīng)特征提取算法

1.1 自適應(yīng)目標(biāo)特征屬性分析

在進(jìn)行目標(biāo)跟蹤時(shí)，目標(biāo)特征表達(dá)的準(zhǔn)確性嚴(yán)重的影響跟蹤的準(zhǔn)確性，選擇單一特征和多維特征在效果上又有明顯的區(qū)別。KCF算法使用多通道的高斯核函數(shù)來(lái)計(jì)算和過(guò)濾HOG特征，對(duì)光照變化和地形變化具有較強(qiáng)的魯棒性，但無(wú)法滿(mǎn)足對(duì)快速形變后的目標(biāo)的準(zhǔn)確捕獲的要求。Stamp算法開(kāi)創(chuàng)性的將HOG特征量和顏色直方圖進(jìn)行耦合，可以有效地克服HOG和KCF的缺點(diǎn)，即提高了目標(biāo)提取的準(zhǔn)確性又減少了數(shù)據(jù)處理的難度。

根據(jù)以上描述，本文結(jié)合了Stamp算法的KCF和HOG特征，提出了一種多尺度濾波模型來(lái)提升跟蹤的精度。

本文在Stamp模型下分別計(jì)算HOG和CN特征下的各自最大輸出響應(yīng)值，在第t幀圖像下HOG和CN的歸一化權(quán)重分別是：

1.2 多維濾波估算

針對(duì)式（5）得到的目標(biāo)位置信息參數(shù)Rt無(wú)法適應(yīng)尺度驟變及快速遮擋等問(wèn)題，Crister等人提出一種可靠精確的尺度濾波估算方法：采用一維高斯濾波器來(lái)估算目標(biāo)尺寸，采用二位卷積濾波器估算目標(biāo)位置[17]。目標(biāo)尺度函數(shù)為：

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的硬件環(huán)境為：Intel酷睿i9 9900K SGHz CPU，IOG內(nèi)存，RTX 2080Ti高級(jí)獨(dú)立顯卡。軟件仿真環(huán)境為：Mat-lab2018a. Modelsim2016，V C++6.0.

實(shí)驗(yàn)過(guò)程中用Matlab2018a和Modelsim2016仿真HOG、CN、Stamp，本文算法，比較其目標(biāo)提取及跟蹤的效果，利用VC++6.0實(shí)現(xiàn)算法的源代碼。

3.2 定量結(jié)果分析

使用數(shù)據(jù)集OTB-50的3種評(píng)價(jià)方法：趨進(jìn)函數(shù)曲線、精確度函數(shù)曲線、成功概率函數(shù)曲線對(duì)目標(biāo)跟蹤性能進(jìn)行定量和定性評(píng)估。趨進(jìn)函數(shù)曲線的方差系數(shù)設(shè)定為0.81標(biāo)準(zhǔn)差系數(shù)設(shè)定為0.78，精確度函數(shù)曲線的方差系數(shù)設(shè)定為0.78標(biāo)準(zhǔn)差系數(shù)設(shè)定為0.88，成功率函數(shù)曲線的方差系數(shù)設(shè)定為0.90標(biāo)準(zhǔn)差系數(shù)設(shè)定為0.76。在如下場(chǎng)景對(duì)目標(biāo)算法進(jìn)行驗(yàn)證：光照變化、遮擋變形、快速移動(dòng)、視野溢出。所得實(shí)驗(yàn)結(jié)果如下：其中HOG，CN，Stamp，本算法在各個(gè)場(chǎng)景的趨進(jìn)度，精確度，成功率由Sh，Sc，Ss，Sb表示。

HOG，CN，Stamp，本算法成功率對(duì)比：

4 結(jié)束語(yǔ)

本文結(jié)合CN算法和HOC算法的特征提取方法，在Stamp模型的基礎(chǔ)上提出了一種新的視頻特征提取方法，仿真實(shí)驗(yàn)結(jié)果表明：該方法能有效克服周?chē)鷱?fù)雜環(huán)境的影響，并且在無(wú)人機(jī)飛行的復(fù)雜情況下得到較好的視頻跟蹤效果，可以在無(wú)人機(jī)偏離目標(biāo)的情況下自動(dòng)調(diào)整并鎖定目標(biāo)位置，該算法能克服遮擋、光照、快速形變等干擾因素，順利完成目標(biāo)的跟蹤任務(wù)。

參考文獻(xiàn)：

[1]潘振福，朱永利.多尺度估計(jì)的核相關(guān)濾波器標(biāo)跟蹤方法[Jl.激光與光電子學(xué)進(jìn)展，2016，53（10）：199-205.

[2]劉錚.自適應(yīng)顏色直方圖的粒子濾波算法[D].武漢：武漢理工大學(xué)，2012.

基金項(xiàng)目：2018年度江西省教育廳科學(xué)技術(shù)研究項(xiàng)目課題：無(wú)人機(jī)自穩(wěn)定細(xì)分驅(qū)動(dòng)視覺(jué)跟蹤云臺(tái)系統(tǒng)的研究（編號(hào)：GJJ181157）

作者簡(jiǎn)介：王娜（1987-），女，講師，碩士研究生，主要研究方向?yàn)橹悄苄畔⑻幚怼?/p>