亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于無人機跟蹤的目標反遮擋算法

        2021-05-07 09:42:38郁,朱
        計算機測量與控制 2021年4期

        李 郁,朱 偉

        (西安明德理工學院 智能制造與控制技術(shù)學院,西安 710124)

        0 引言

        近年來,隨著人工智能和無人機的快速發(fā)展和廣泛應用,基于無人機的目標跟蹤引起了計算機視覺學者的研究熱潮。無人機場景中的目標跟蹤被廣泛應用于各個領(lǐng)域,具有廣闊的應用前景和豐富的學術(shù)研究價值[1-3]。然而,目前無人機場景下的目標跟蹤面臨非常多的問題和挑戰(zhàn)。如,跟蹤目標較小,跟蹤精度差;相對速度過快,導致目標丟失;以及在實際中跟蹤精度受目標旋轉(zhuǎn),目標遮擋等因素影響。因此,本文為了解決目標遮擋環(huán)境下,跟蹤精度不高的問題,提出了一種新的目標跟蹤算法(MKBP)。該算法在均值漂移(Meanshift)目標跟蹤算法[4]的基礎上,采用動態(tài)參數(shù)選擇的方法,將卡爾曼(Kalman)濾波算法[5-6]與軌跡預測函數(shù)和BP神經(jīng)網(wǎng)絡算法[7]相結(jié)合,解決了運動過程中的目標遮擋問題跟蹤;為了提高算法性能,在該算法中增加了目標檢測機制,通過PCA-Sift算法檢測丟失的目標[8],恢復跟蹤目標并繼續(xù)跟蹤。

        1 MKBP算法原理

        在這一節(jié),將會介紹MKBP算法的原理,以及工作機制。

        1.1 均值漂移算法

        基于均值漂移的目標跟蹤算法通過計算目標區(qū)域和候選區(qū)域像素的特征值概率,得到目標模型和候選模型的描述,然后利用相似函數(shù)來度量初始幀目標模型與當前幀候選模板之間的相似度[9]。使相似函數(shù)最大化并得到目標模型的均值漂移向量的候選模型。這個向量是目標從初始位置移動到正確位置的向量。由于均值漂移算法收斂速度快,通過不斷迭代計算均值漂移向量,算法最終會收斂到目標的真實位置,從而達到跟蹤的目的。

        均值漂移目標跟蹤算法的相關(guān)公式如式(1)所示:

        (1)

        在初始幀中的跟蹤幀中的位置信息由{xi}表示,其中n是幀中的像素總數(shù),x0是中心位置,u是某個特征值(u=1,…,m)。kE(x)是epanechikov核函數(shù),h是帶寬,b(xi)是直方圖的索引函數(shù),是對應于目標幀中每個像素的RGB值。它是一個Delta函數(shù),用于確定對應于b(xi)的值是否屬于特征值u,C是正則化參數(shù)。ρ值為巴氏系數(shù),其值在0~1之間,ρ值越大,表示兩種模型越相似。在這里Z是每次搜索獲得的新位置,wi為權(quán)重,m為特征值總數(shù),g(x)=-k/(x)。在每一幀的迭代過程中,候選模板的中心位置y被Z不斷更新,直到巴氏系數(shù)達到最大值。

        1.2 利用預測機制解決目標遮擋問題

        該算法利用卡爾曼和BP神經(jīng)網(wǎng)絡的預測機制,通過動態(tài)參數(shù)法選取相關(guān)參數(shù)。

        1)卡爾曼濾波器是一種估計動態(tài)系統(tǒng)狀態(tài)序列最小均方誤差的最優(yōu)濾波器。它可以預測下一幀跟蹤目標的中心位置,并修正當前幀的目標區(qū)域。首先,將狀態(tài)向量X=(xi,yi)T作為X軸和Y軸上的目標位置,測量向量Z=(xi,yi)T是觀測目標的位置。然后,狀態(tài)Xi被初始化。根據(jù)卡爾曼濾波算法的原理,建立了狀態(tài)方程和觀測方程。在滿足這兩個基本假設后,建立了卡爾曼預測階段和更新階段的相關(guān)方程。在確定相關(guān)參數(shù)后,利用卡爾曼濾波對下一幀跟蹤目標的中心位置進行預測。上述公式如式(2)所示:

        (2)

        2)BP算法以n個候選目標中心位置的坐標(xk,yk)作為BP神經(jīng)網(wǎng)絡的初始訓練樣本數(shù)據(jù),對下一幀候選目標的中心位置坐標(xk+1,yk+1)進行疊加更新。樣本數(shù)據(jù),采用trainrp函數(shù)作為BP神經(jīng)網(wǎng)絡的訓練方法,首先確定輸入層、隱層和輸出層的節(jié)點數(shù)分別為2、4和2,然后確定初始學習率,訓練次數(shù)和訓練誤差分別為0.01、10和0.5,根據(jù)BP神經(jīng)網(wǎng)絡的基本過程,可以預測并輸出下一幀跟蹤目標的中心位置(x,y)。具體流程如下:

        (1)輸入跟蹤目標中心位置的坐標數(shù)據(jù),從輸入層神經(jīng)元到隱層神經(jīng)元,在隱層動作后傳遞給輸出層神經(jīng)元神經(jīng)元。輸出變量在外層神經(jīng)元的作用下產(chǎn)生,即前向傳遞過程;

        (2)將實際輸出Yk與期望輸出進行比較,得到存在的誤差ε。如果誤差超過可接受范圍,則誤差值將沿網(wǎng)絡傳播。修改連接權(quán)值ujk和wij(即誤差反向傳播過程);

        (3)輸入另一個跟蹤目標中心位置的坐標數(shù)據(jù),重復(1)和(2)直到模型輸出誤差E在可接受范圍內(nèi)或達到設定的訓練次數(shù)。

        上述公式如式(3)所示:

        (3)

        3)使用通過動態(tài)參數(shù)法選擇相關(guān)參數(shù),該算法采用多線程方法同時運行均值漂移,卡爾曼和BP神經(jīng)網(wǎng)絡三種算法,并采用動態(tài)參數(shù)選擇的方法得到3種算法的權(quán)重參數(shù)(wm|i+1,wk|i+1,wb|i+1),然后根據(jù)這3種算法得到的相關(guān)參數(shù),對其進行動態(tài)參數(shù)選擇中心位置(Z(xi+1,yi+1),X(xi+1,yi+1),Y(xi+1,yi+1))的候選目標計算最佳中心位置L(xi+1,yi+1)。如式(4)所示:

        (4)

        式中,ρi+1為候選目標與跟蹤目標之間第i-th幀的巴氏系數(shù),wi+1為動態(tài)目標選擇方法(即通過3種算法得到的候選目標和跟蹤值之間的巴氏系數(shù)的比例確定動態(tài)參數(shù)的目標)得到了第i-th幀的權(quán)重參數(shù)。

        均值漂移目標跟蹤算法結(jié)合了卡爾曼濾波算法和BP神經(jīng)網(wǎng)絡預測機制,結(jié)果如圖1所示。

        圖1 解決遮擋問題的預測機制示意圖

        從圖1可以看出,第148幀圖像是初始輸入圖像,第175幀和第181幀圖像被部分阻止,第178幀圖像被完全阻止。預測機制是卡爾曼濾波和BP神經(jīng)網(wǎng)絡預測算法相結(jié)合的均值漂移算法,通過動態(tài)參數(shù)選擇來處理這三種方法所占的不同權(quán)重。動態(tài)參數(shù)選擇是根據(jù)三種算法的相似性,對候選目標跟蹤預測的目標中心位置來選擇合適的參數(shù)。

        1.3 對丟失目標的尋回

        通過多目標跟蹤實驗,發(fā)現(xiàn)當目標長時間完全被遮擋時,跟蹤的目標會丟失。因此,本文選擇了PCA-sift特征提取算法在目標跟蹤過程中,啟動了判斷目標是否丟失的機制,即,候選目標與跟蹤目標在時間閾值T處的相似度繼續(xù)小于相似度閾值S,表明目標已經(jīng)丟失,然后啟動基于Sift的目標檢測機制重新獲取被跟蹤目標,繼續(xù)跟蹤目標。

        1.3.1 跟蹤目標和當前幀目標的特征提取

        首先得到目標模型和當前視頻幀的PCA-Sift特征向量。PCA-Sift算法以尺度空間為主要思想。首先構(gòu)造DoG金字塔,在尺度空間中找到極值點,然后精確地確定關(guān)鍵點的位置和主方向,以保證其尺度和旋轉(zhuǎn)不變性算法.SIFT在高斯(DoG)尺度空間的差分中檢測局部極點值。輸入圖像f(x,y)和高斯濾波器G(x,y,kσ)卷積得到L(x,y,kσ),k=1,2,…,n。接著,DoG-尺度空間可以通過式(5)計算得到:

        D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]×I(x,y)=

        L(x,y,kσ)-L(x,y,σ)

        (5)

        在這里,D(x,y)是高斯差分圖像,G(x,y)是高斯濾波器,L(x,y)是比例。在DoG空間,利用搜索局部極值的方法,可以判斷具有相同尺度的潛在興趣點方向。那個局部極值是第二階段確定的關(guān)鍵點的候選點。

        其次,建立了目標模型和當前視頻幀的特征相量描述。以關(guān)鍵點為中心,繪制一個16×16的圓形區(qū)域,然后將圓形區(qū)域劃分為4×4個子鄰域,計算子區(qū)域梯度直方圖。由于梯度方向是一個8維向量,每個點都有一個128維向量來描述它,這就是SIFT特征矢量。它使用梯度振幅m(x,y)和方向θ(x,y)作為描述符中的基本元素,其定義如式(6)~(7)所示:

        m(x,y)=

        (6)

        θ(x,y)=arccos

        (7)

        然后,利用主成分分析(PCA)原理對128維特征向量進行約簡,最后將其簡化為20維特征向量。

        1.3.2 將跟蹤目標的特征與當前幀的目標相匹配

        最后,對目標模型和當前視頻幀進行PCA-Sift特征描述符匹配。首先,將當前視頻幀劃分為多個候選區(qū)域,然后逐個進行匹配。然后,計算PCA-Sift特征向量與二者之間的歐幾里德距離,求出歐幾里德距離的最小值和最小值,求出兩者之間的比值。如果它小于設定的閾值,則匹配是成功的。最后對候選區(qū)域進行匹配,建立候選幀,作為檢測到的目標位置。

        當跟蹤的目標丟失時,立即啟動目標檢測機制。為了確定跟蹤是否丟失,設置丟失閾值l。如果當前幀的丟失系數(shù)小于l,則不丟失目標;否則,考慮目標丟失了。MKBP算法利用PCA-Sift特征提取算法從視頻圖像中提取特征點向量,構(gòu)造PCA-Sift特征描述子,最后在視頻圖像中匹配目標模板PCA-Sift特征描述子,得到相似度最高的目標模板。定位目標位置,確定候選目標模板,最后將候選模板傳遞給均值漂移算法,啟動目標跟蹤過程,如圖2所示。

        圖2 丟失目標尋回示意圖

        從圖2可以看出,第3 031幀中的目標沒有被阻斷并且被精確地跟蹤。第3 173幀中的目標被部分阻斷并被精確跟蹤。第3 216幀中的目標被完全阻斷,但跟蹤時間過長。失敗。該過程的詳細描述是:利用本文提出的方法對輸入的連續(xù)視頻幀進行跟蹤,利用目標丟失判斷機制檢測目標在跟蹤過程中是否丟失,并在目標跟蹤重新獲取丟失跟蹤目標允許的情況下,啟動基于PCA-Sift的目標檢測繼續(xù)跟蹤目標。

        因此,整個MKBP算法的具體執(zhí)行過程如算法1所示。

        算法1:MKBP算法

        Input: The current frame

        Output:L(xi+1,yi+1)

        While 當前幀是有效的 do

        Thread1:

        Z(xi+1,yi+1)=Meanshift(xi,yi);

        Thread2:

        X(xi+1,yi+1)=Kalman(xi,yi);

        Thread3:

        Y(xi+1,yi+1)=BP(xi,yi);

        Thread4:

        l = Get Target Loss Threshold(frame);

        if l > t do

        Retrieve Target = Detect Based PCA-Sift(frame);

        else

        wm,wk,wb=Dynamic Parameter Selection (Z,X,Y);

        L(xi+1,yi+1)=wmZi+1+wkXi+1+wbYi+1;

        end if

        用L(xi+1,yi+1)作為迭代數(shù)據(jù);

        讀取下一幀;

        End

        2 實驗與評估

        2.1 實驗設置

        本實驗的測試平臺是VS2015,它使用了計算機視覺開源庫OpenCV3.41。所有實驗都是在英特爾酷睿i5-4210U,4 GB內(nèi)存的Windows8.1 64位PC系統(tǒng)上進行的。數(shù)據(jù)集采用的是UAV123公開數(shù)據(jù)集[10]。

        2.2 實驗結(jié)果

        圖3是5種傳統(tǒng)目標跟蹤算法和MKBP對WhiteCar視頻序列的跟蹤。第一幅圖像是無人機對目標的無遮擋跟蹤,這6種跟蹤算法的跟蹤幀與目標非常一致。因此,在目標無障礙的情況下,這6種算法的跟蹤精度都很高。第2和第3張是無人機跟蹤目標部分遮擋。MKBP跟蹤幀與目標基本吻合,說明MKBP算法的跟蹤精度較高,而Moss幀與目標的重合度不高,說明Moss算法對遮擋非常敏感,跟蹤精度不高。第4張是無人機跟蹤目標被完全遮擋。MKBP跟蹤幀與目標趨勢一致,其他跟蹤幀基本與目標不一致,說明MKBP算法的跟蹤精度較高,同時也說明其他5種算法完全是遮擋非常敏感,跟蹤精度不高。第5幅圖像為部分遮擋,第6幅圖像為未遮擋,其余5幅跟蹤幀均已脫離目標,說明這5種算法都已失去跟蹤目標,同時說明MKBP算法在遮擋情況下魯棒性和穩(wěn)定性都很高。

        圖3 對WhiteCar的追蹤結(jié)果

        為了評價跟蹤算法的精度,采用巴氏相似系數(shù)來評價跟蹤算法的精度。結(jié)果如圖4所示。

        圖4 巴氏系數(shù)比較結(jié)果

        從圖4可以看出,在WhiteCar視頻序列的1442到1514幀中,被跟蹤的目標處于未包含狀態(tài)。在1 515~15 26幀,被跟蹤目標處于部分阻塞狀態(tài)。在1 527~1 538幀,跟蹤目標處于完全阻塞狀態(tài);在1 539~1 600幀,被跟蹤目標處于非阻塞狀態(tài)。在1 442~1 514幀,由于目標沒有被遮擋,6種跟蹤算法的巴氏相似系數(shù)相差不大,基本上都大于0.90。在1 515~1 526幀中,由于目標部分被遮擋,而Moss的部分分塊不魯棒,巴氏相似系數(shù)急劇下降,而其他4種算法和MKBPS對部分遮擋有一定的魯棒性,因此巴氏相似系數(shù)降低的速度慢得多;在1 527~1 538幀中,由于目標完全被遮擋,巴氏相似系數(shù)急劇下降,基本在0.55以下;在1 539~1 600幀,目標沒有被遮擋,但由于其他5種跟蹤算法,跟蹤目標丟失,因此巴氏相似系數(shù)小于0.55,對于具有目標檢測機制的MKBP,由于重新捕獲,巴氏相似系數(shù)急劇上升以跟蹤目標。

        圖5是通過5種傳統(tǒng)的目標跟蹤算法和MKBP對BlackCar視頻序列的跟蹤。第一張圖片是無障礙無人機跟蹤目標。這6種跟蹤算法的跟蹤幀與目標非常一致。因此,這6種算法的實時性要求都很高。第2張圖片是無人機跟蹤目標的部分遮擋。MKBP跟蹤幀與目標基本吻合,說明MKBP算法具有較高的跟蹤精度,而Moss幀與目標沒有高度重疊,說明Moss算法對遮擋非常敏感,跟蹤精度不高。第3張圖是無人機跟蹤目標被完全遮擋MKBP跟蹤幀與目標趨勢一致,其他跟蹤幀與目標趨勢基本不一致,說明MKBP算法的跟蹤精度較高,而且其他5種算法對完全遮擋敏感,導致跟蹤精度較低。第4幅圖像是部分遮擋,其余五幀跟蹤幀都偏離了目標,說明這5種算法已經(jīng)失去了對目標的跟蹤,同時也說明了MKBP算法在遮擋下的魯棒性和穩(wěn)定性。

        圖5 對BlackCar追蹤結(jié)果

        從圖6可以看出,6種跟蹤算法的精度都隨著誤差閾值的增大而提高,但MKBP算法的精度提高幅度最大,當誤差閾值為10時,其精度系數(shù)高于其他5種跟蹤算法,從成功圖可以看出,6種跟蹤算法的成功率隨著符合閾值的增加而逐漸降低,但MKBP算法的下降幅度相對較小,從這兩幅圖可以看出,MKBP算法的性能優(yōu)于其他5種跟蹤算法。

        圖6 對BlackCar的跟蹤精確度比較

        3 結(jié)束語

        本文針對無人機目標被遮擋時均值漂移算法魯棒性差的問題、卡爾曼誤差積累問題和無人機目標丟失問題,提出了一種無人機抗遮擋目標跟蹤算法MKBP,主要是基于均值漂移跟蹤算法,并結(jié)合了卡爾曼的預測機制。同時,采用BP神經(jīng)網(wǎng)絡解決卡爾曼誤差積累問題,提高了跟蹤性能。目標檢測機制用于恢復丟失的跟蹤目標并繼續(xù)跟蹤。實驗結(jié)果表明,與傳統(tǒng)的跟蹤算法相比,MKBP目標跟蹤算法在目標運動速度快、視頻像素低、目標遮擋時間長、多次出現(xiàn)的復雜場景下,具有良好的跟蹤速度和準確的跟蹤效果。

        老熟妇乱子交视频一区| AV无码系列一区二区三区| 久久99久久久精品人妻一区二区| 日韩精品在线视频一二三 | 欧洲中文字幕| 成人黄网站免费永久在线观看| 一区二区三区国产内射| 国产精品www夜色视频| 亚洲饱满人妻视频| av永久天堂一区二区三区蜜桃 | 国产人妖在线免费观看| 久久精品国产亚洲av蜜点| 东北女人毛多水多牲交视频| 91福利视频免费| 亚洲一区二区三区美女av | 成人午夜特黄aaaaa片男男| 精品国产高清a毛片无毒不卡| 极品人妻少妇一区二区| 9久久婷婷国产综合精品性色| 在线成人一区二区| 91网站在线看| 日本一区二区啪啪视频| 激情综合色综合啪啪开心| 老熟女高潮一区二区三区| 美女超薄透明丝袜美腿| 久久久大少妇免费高潮特黄| 337p日本欧洲亚洲大胆| 亚洲国产成人精品无码区在线观看| 99热久久只有这里是精品| 丝袜美腿国产一区精品| 人妻少妇久久中文字幕一区二区| 无遮挡中文毛片免费观看| 亚洲中文字幕视频第一二区| 亚洲人成欧美中文字幕| 国产免费破外女真实出血视频| 日本一区二区三区的免费视频观看 | 把女的下面扒开添视频| 麻豆成人在线视频| av天堂在线免费播放| 蜜臀av在线观看| 亚洲av无码一区二区乱子伦|