胡 亮 楊德貴 王 行 廖祥紅

（1.中南大學(xué)航空航天學(xué)院，湖南長(zhǎng)沙 410083；2.中南大學(xué)自動(dòng)化學(xué)院，湖南長(zhǎng)沙 410083）

1 引言

隨著無(wú)人機(jī)技術(shù)的不斷發(fā)展，小型無(wú)人機(jī)在國(guó)民生產(chǎn)領(lǐng)域發(fā)揮越來(lái)越重要的作用［1-3］，但同時(shí)也給社會(huì)公共安全等方面帶來(lái)了相當(dāng)大的潛在威脅，因此對(duì)低空無(wú)人機(jī)實(shí)行穩(wěn)定跟蹤與監(jiān)測(cè)是十分有必要的。

目前目標(biāo)跟蹤算法大致可以分為基于濾波數(shù)據(jù)關(guān)聯(lián)度和基于目標(biāo)表示和定位兩類(lèi)，前者的主要代表算法有卡爾曼濾波［4］、粒子濾波［5］以及貝葉斯濾波［6］，后者中最具代表性的當(dāng)屬M(fèi)eanShift［7］與CamShift［8］。

在低空無(wú)人機(jī)跟蹤領(lǐng)域，國(guó)內(nèi)外學(xué)者開(kāi)展了大量的研究工作。文獻(xiàn)［9］利用CNN 網(wǎng)絡(luò)識(shí)別無(wú)人機(jī)目標(biāo)，然后基于離散卡爾曼濾波算法對(duì)識(shí)別到的無(wú)人機(jī)目標(biāo)建立跟蹤模型，實(shí)現(xiàn)了在視場(chǎng)中的長(zhǎng)期跟蹤，但是算法采用CNN 網(wǎng)絡(luò)作為檢測(cè)手段，泛化能力不強(qiáng)。文獻(xiàn)［10］提出了一種有效的針對(duì)小型飛行目標(biāo)跟蹤的再定位跟蹤（TRL）框架，以解決復(fù)雜背景下運(yùn)動(dòng)目標(biāo)丟失的問(wèn)題，算法對(duì)目標(biāo)的尺度變化較敏感，對(duì)于尺度變化頻繁的目標(biāo)會(huì)導(dǎo)致額外的時(shí)間開(kāi)銷(xiāo)，并且在跟蹤過(guò)程中會(huì)積累目標(biāo)尺度變化帶來(lái)的誤差導(dǎo)致跟蹤失敗。文獻(xiàn)［11］設(shè)計(jì)基于鷹眼視覺(jué)通路原理的探測(cè)器，通過(guò)構(gòu)建目標(biāo)顯著圖，實(shí)現(xiàn)對(duì)目標(biāo)的粗定位，然后結(jié)合目標(biāo)HOG特征［12］與貝葉斯分類(lèi)器實(shí)現(xiàn)小目標(biāo)的精確定位與跟蹤，但是算法對(duì)復(fù)雜場(chǎng)景的適應(yīng)性較弱，且單單依靠HOG特征的貝葉斯分類(lèi)器對(duì)目標(biāo)的鑒別能力有限。

由于低空小型無(wú)人機(jī)目標(biāo)具有慢速、易機(jī)動(dòng)以及尺度變化劇烈等特點(diǎn)，考慮到MeanShift算法［13］在行人跟蹤、人臉識(shí)別等方面優(yōu)秀的表現(xiàn)，本文在經(jīng)典MeanShift 算法的基礎(chǔ)上提出了一種基于多特征融合與區(qū)域生長(zhǎng)［14］Meanshift 低小慢目標(biāo)跟蹤算法，算法針對(duì)經(jīng)典MeanShift 算法對(duì)無(wú)人機(jī)目標(biāo)描述模板性能差，提出了一種融合HOG特征與灰度特征的二維目標(biāo)描述模板，其次針對(duì)無(wú)人機(jī)目標(biāo)強(qiáng)機(jī)動(dòng)以及易形變所導(dǎo)致的經(jīng)典MeanShift 算法定位不精確問(wèn)題，本文加入Hu 不變矩［15］特征建立新的算法收斂判據(jù)，最后針對(duì)經(jīng)典MeanShift算法在跟蹤過(guò)程中不進(jìn)行模板更新的問(wèn)題，本文結(jié)合區(qū)域生長(zhǎng)方法建立了目標(biāo)模板更新機(jī)制。

2 基于多特征融合與區(qū)域生長(zhǎng)Meanshift低小慢目標(biāo)跟蹤算法

Meanshift 算法是一種非參數(shù)核密度估計(jì)算法，圖1 所示為Meanshift 算法的基本原理圖，算法確定當(dāng)前點(diǎn)，算出其偏移均值，然后將當(dāng)前點(diǎn)加上該偏移均值作為第二次迭代的起始點(diǎn)，如此循環(huán)往復(fù)，直到滿足收斂條件結(jié)束算法，確定終點(diǎn)。Meanshift算法在目標(biāo)跟蹤方面主要步驟為：構(gòu)建目標(biāo)模型和候選模型、相似性度量、Meanshift迭代。

經(jīng)典的Meanshift 算法因其快速、高效等特點(diǎn)，在人臉識(shí)別以及行人檢測(cè)等方面有廣泛的應(yīng)用。但是低小慢目標(biāo)跟蹤上，目標(biāo)在圖像中像素點(diǎn)占比少，采用單一統(tǒng)計(jì)特征對(duì)低小慢目標(biāo)進(jìn)行建模不穩(wěn)定；同時(shí)由于目標(biāo)的強(qiáng)機(jī)動(dòng)性，僅采用目標(biāo)模板與候選模板之間的Bhattacharyya系數(shù)作為算法的收斂條件會(huì)導(dǎo)致定位精度較差，而且隨著誤差的累積可能會(huì)導(dǎo)致跟蹤器失效；并且傳統(tǒng)的Meanshift 算法不能更新檢測(cè)框大小，因此當(dāng)目標(biāo)發(fā)生大尺度變化時(shí)，檢測(cè)框中目標(biāo)的有效信息會(huì)大大降低，魯棒性較差?；谏鲜鰡?wèn)題，本文將算法模型改進(jìn)為模型構(gòu)建、MeanShift 迭代以及模型更新三個(gè)方面，以期能夠魯棒的處理低小慢目標(biāo)跟蹤問(wèn)題。

2.1 基于特征融合的目標(biāo)模型構(gòu)建

針對(duì)傳統(tǒng)Meanshift 算法采用單一統(tǒng)計(jì)特征建模對(duì)低小慢目標(biāo)描述能力不足的問(wèn)題，本文提出了一種融合灰度直方圖特征和HOG特征的目標(biāo)模板，以期建立可靠的目標(biāo)表示模型。

方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子，在一幅圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述，HOG 就是通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。

圖2為融合HOG特征和灰度直方圖的目標(biāo)模型構(gòu)建流程，首先，對(duì)截取區(qū)域分別進(jìn)行灰度直方圖和HOG特征的提取，得到兩個(gè)長(zhǎng)度分別為M，N的向量，然后分別對(duì)兩向量進(jìn)行歸一化處理，由于兩描述向量相互獨(dú)立，根據(jù)聯(lián)合概率可以得到一個(gè)M*N的二維目標(biāo)描述模型。于是，目標(biāo)模型可以表示為：其中，zi*表示以目標(biāo)中心為原點(diǎn)的歸一化像素位置，(x0，y0)為目標(biāo)中心坐標(biāo)。α(zij)表示目標(biāo)區(qū)域中像素位置zij處的灰度值在灰度直方圖中區(qū)間索引值，β(zij)表示目標(biāo)區(qū)域中像素位置zij處的HOG 值在HOG 直方圖中區(qū)間索引值，u表示灰度直方圖所劃分區(qū)間索引值向量，v表示HOG 直方圖所劃分的區(qū)間索引值向量。

相應(yīng)的候選目標(biāo)區(qū)域得描述模板p的表達(dá)式具體為：

其中，f表示為候選目標(biāo)中心位置，h為核函數(shù)窗口大小，核函數(shù)決定著候選區(qū)域內(nèi)像素點(diǎn)的權(quán)重分布，其他參數(shù)同目標(biāo)模型描述相同。

2.2 Meanshift迭代

為了描述目標(biāo)模型和候選目標(biāo)之間的相似程度，算法引入Bhattacharyya系數(shù)作為相似性函數(shù)，其定義為：

對(duì)其進(jìn)行泰勒展開(kāi)有：

于是隨f變化的只有第二項(xiàng)，ρ(p，q)的最大值主要受其影響，因此其最大化過(guò)程就可以通過(guò)候選區(qū)域向真實(shí)區(qū)域中心的Meanshift迭代方程完成：

其中，qij表示候選模板中灰度索引值為i，HOG索引值為j的特征值，pij表示目標(biāo)模板中灰度索引值為i，HOG索引值為j的特征值。

但是經(jīng)典MeanShift 算法的收斂條件只依賴于候選區(qū)域與ROI 區(qū)域之間的模板相似度系數(shù)而建立，使得算法對(duì)低小慢目標(biāo)定位精度差的問(wèn)題沒(méi)有得到有效地改善，為了彌補(bǔ)算法的這一不足，本文結(jié)合Hu 不變矩與模板相似度系數(shù)建立了新的迭代收斂條件。

Hu 矩是由M.K.Hu 在1962 年所提出的，利用圖像歸一化以后的二階、三階中心矩構(gòu)成了7 個(gè)不變矩特征向量，其具有旋轉(zhuǎn)、尺度、平移不變性，在圖像匹配、目標(biāo)表示等方面有大量的應(yīng)用。

參考圖像的歸一化二階、三階中心矩，可定義如下的7個(gè)Hu矩：

如表1 所示，一個(gè)面積為10*15 像素的小面目標(biāo)，對(duì)其做平移、翻轉(zhuǎn)、伸縮變換、旋轉(zhuǎn)等操作以后，與原圖像的Hu 特征值相比，證明Hu 矩對(duì)圖像的上述變化具有良好的不變性，因此采用Hu 不變矩特征來(lái)構(gòu)建算法收斂判據(jù)是可行的。

表1 10*15像素小面目標(biāo)多種變換以后Hu值表Tab.1 Hu moment value of a 10*15 pixel facet target after multiple transformations

于是，采用Hu 不變矩和候選模板與目標(biāo)模板之間的相似度系數(shù)可以構(gòu)建新的算法收斂判據(jù)：

其中Pu和Qu分別表示基于灰度和HOG特征融合的候選模型和目標(biāo)模型，Ph和Qh分別表示候選模型與目標(biāo)模型的Hu矩向量，dist(Ph(f)Qh)表示Hu不變矩向量之間的歐氏距離。

2.3 基于區(qū)域生長(zhǎng)方法的模型更新策略

由于低空小目標(biāo)具有強(qiáng)機(jī)動(dòng)性，因此目標(biāo)極易發(fā)生形變，且經(jīng)典MeanShift算法使用固定大小的檢測(cè)框，對(duì)目標(biāo)的尺度變化仍較為敏感，因此，提出一種能夠自適應(yīng)的更改檢測(cè)框大小，及時(shí)剔除檢測(cè)框中的背景信息的模板更新策略是十分有必要的?；诖?，本文提出了一種基于區(qū)域生長(zhǎng)方法的模型更新策略，具體做法如下：

首先，對(duì)首幀獲得的目標(biāo)進(jìn)行分割，獲取目標(biāo)面積大小，設(shè)其值為flagarea，在后續(xù)的跟蹤過(guò)程中，以每一幀得到的目標(biāo)位置作為區(qū)域生長(zhǎng)的初始種子點(diǎn)，獲取當(dāng)前幀目標(biāo)的面積信息，記為area，當(dāng)滿足

2.4 基于多特征融合與區(qū)域生長(zhǎng)的Meanshift 跟蹤算法流程

如圖4 所示為本文算法的流程圖，其具體步驟為：

1）獲取第一幀圖片，通過(guò)人工標(biāo)注獲取目標(biāo)位置y0，同時(shí)計(jì)算flagarea；

2）根據(jù)目標(biāo)的位置y0，截取ROI 區(qū)域。根據(jù)式（9）計(jì)算ROI 區(qū)域的Hu 向量，計(jì)算截取的ROI 區(qū)域灰度直方圖和HOG 向量，根據(jù)式（1）建立目標(biāo)描述模板；

3）讀取下一幀圖片，在位置y0處截取候選目標(biāo)區(qū)域，同時(shí)根據(jù)式（1）計(jì)算截取的候選區(qū)域描述模板，根據(jù)式（8）計(jì)算候選區(qū)域的權(quán)重矩陣，根據(jù)式（9）計(jì)算候選區(qū)域的Hu 向量，根據(jù)式（7）計(jì)算當(dāng)前幀目標(biāo)的下一個(gè)位置y1；

4）根據(jù)式（5）計(jì)算ROI 區(qū)域與候選區(qū)域之間的Bhattacharyya 系數(shù)，使用歐式距離計(jì)算ROI 區(qū)域與候選區(qū)域之間Hu向量之間的相似度；

5）根據(jù)式（10），對(duì)算法進(jìn)行收斂判斷，獲取目標(biāo)在當(dāng)前幀中的最佳位置；

6）根據(jù)目標(biāo)當(dāng)前的最佳位置，使用區(qū)域生長(zhǎng)法計(jì)算當(dāng)前幀目標(biāo)面積，根據(jù)式（11）判斷是否進(jìn)行模板更新，同時(shí)計(jì)算此時(shí)的Bhattacharyya系數(shù)，根據(jù)T3判斷是否更新模型，若是，轉(zhuǎn)到步驟2）；

7）判斷是否處理完視頻，是的話轉(zhuǎn)到第步驟3）步，否則結(jié)束算法。

3 實(shí)驗(yàn)驗(yàn)證與性能比較

為了驗(yàn)證本文所提出算法的有效性，本節(jié)實(shí)驗(yàn)分為兩部分，3.1 節(jié)介紹了相關(guān)評(píng)價(jià)指標(biāo)，3.2 節(jié)根據(jù)對(duì)傳統(tǒng)Meanshift 算法的三個(gè)改進(jìn)點(diǎn)進(jìn)行了消融實(shí)驗(yàn)，3.3節(jié)將本文算法與改進(jìn)卡爾曼濾波、改進(jìn)粒子濾波以及基于鷹眼仿生的小目標(biāo)探測(cè)跟蹤算法進(jìn)行了對(duì)比，3.2 節(jié)與3.3 節(jié)均采用3.1 節(jié)所提出的精確度評(píng)價(jià)指標(biāo)對(duì)算法性能進(jìn)行評(píng)估，并且在3.3節(jié)當(dāng)中對(duì)算法的運(yùn)行時(shí)間進(jìn)行了分析。

實(shí)驗(yàn)數(shù)據(jù)為自行采集的4個(gè)含無(wú)人機(jī)目標(biāo)的視頻以及LaSOT 數(shù)據(jù)集中符合算法要求的airplane6、airplane8、airplane9、airplane13、airplane15、airplane16 中的圖片。試驗(yàn)測(cè)試平臺(tái)為：Intel（R）Core（TM）i7-9700，3.00 GHz，8 GB 內(nèi)存，Windows10 系統(tǒng)臺(tái)式機(jī)，采用MATLAB2018b 軟件對(duì)算法進(jìn)行驗(yàn)證。

3.1 評(píng)價(jià)指標(biāo)

（1）精確度圖

精確度是指跟蹤算法估計(jì)的目標(biāo)位置的中心點(diǎn)與人工標(biāo)注的目標(biāo)的中心點(diǎn)兩者之間的距離小于給定值的視頻幀所占百分比，設(shè)視頻序列中目標(biāo)位置中心與人工標(biāo)注的目標(biāo)中心之間的距離小于指定閾值的幀數(shù)為correctframes，設(shè)視頻的總幀數(shù)為totalframes，則在對(duì)應(yīng)的閾值下，跟蹤精確度定義為：

精確度圖則是橫坐標(biāo)為誤差值，縱坐標(biāo)為精確度的二維曲線圖。

（2）運(yùn)行時(shí)間

運(yùn)行時(shí)間是指特定的算法處理完某個(gè)視頻所需要的時(shí)間，對(duì)于同一個(gè)視頻，在同一試驗(yàn)平臺(tái)下，使用相同的編程語(yǔ)言，視頻處理時(shí)間越短的算法實(shí)時(shí)性更好，更適合于實(shí)時(shí)監(jiān)控場(chǎng)景。表2 介紹了所截取的實(shí)驗(yàn)圖像序列幀數(shù)及大小信息。

表2 實(shí)驗(yàn)圖像序列幀數(shù)及大小信息Tab.2 Frame number and size information of experimental image sequence

3.2 消融實(shí)驗(yàn)

本小節(jié)將本文算法與Meanshift 改進(jìn)算法進(jìn)行對(duì)比實(shí)驗(yàn)，分析了本文算法的優(yōu)點(diǎn)，其中改進(jìn)算法1不建立新的收斂條件，改進(jìn)算法2不進(jìn)行模板更新，改進(jìn)算法3不改變目標(biāo)描述模板。

按照3.1 節(jié)中所提到的精確度圖指標(biāo)，本文設(shè)定的人工標(biāo)注位置中心與算法獲得的目標(biāo)位置中心的最大誤差值為10像素距離，距離量度采用歐幾里得距離。從圖5 可以看出來(lái)，在實(shí)驗(yàn)所測(cè)試的6個(gè)圖像序列上，在相同的最大允許誤差下，本文算法性能總是最優(yōu)的，但是對(duì)于序列Airplane8 和Airplane9 中，在當(dāng)中的一段序列中目標(biāo)的尺寸增大，導(dǎo)致算法的最高精度只能到達(dá)80%～90%，對(duì)于序列Airplane6 和Airplane15，算法達(dá)到某個(gè)值精確度不再增加是由于在算法處理時(shí)，序列的少數(shù)幾幀未進(jìn)行處理，序列Airplane13 是由于少數(shù)幾幀中目標(biāo)與背景的區(qū)分度極低，使得算法對(duì)目標(biāo)的定位錯(cuò)誤導(dǎo)致精度較低，因此在恰當(dāng)?shù)臈l件下，本文算法能夠很好地對(duì)目標(biāo)進(jìn)行跟蹤。采用單一特征的改進(jìn)算法在進(jìn)行目標(biāo)跟蹤時(shí)，當(dāng)背景與目標(biāo)相似度高的時(shí)候會(huì)使算法失效，魯棒性差，因此在四種算法中的效果最差。不建立新的收斂條件的改進(jìn)算法在大部分視頻序列上的表現(xiàn)要優(yōu)于不更新模板的改進(jìn)算法。

3.3 對(duì)比實(shí)驗(yàn)

本小節(jié)將本文算法與改進(jìn)卡爾曼濾波［16］、粒子濾波［17］、基于鷹眼視覺(jué)仿生的小目標(biāo)跟蹤算法［11］以及經(jīng)典的MeanShift算法［18］進(jìn)行了對(duì)比，首先演示了本文算法模板更新的效果，然后展示了各算法在本文所選取的視頻序列上的運(yùn)行時(shí)間，最后本文以UAV2中視頻2為例，截取了同類(lèi)算法以及本文算法在不同圖像幀上的表現(xiàn)，通過(guò)本文算法與同類(lèi)算法在數(shù)據(jù)集上的精確度圖表現(xiàn)，分析了算法的性能。

表3為實(shí)驗(yàn)所選取的對(duì)比算法與本文算法處理視頻數(shù)據(jù)所需要的時(shí)間，其中“--”表示算法在處理過(guò)程中失效，未處理完對(duì)應(yīng)圖像序列，由表3 可知，本文算法對(duì)于序列Airplane6處理速度最快，達(dá)到了18.5 幀/秒，且在大多數(shù)情況下，本文算法對(duì)表2 中的圖像序列處理時(shí)間要少于其他幾種算法，只有在處理序列Airplane8時(shí)，本文算法的處理時(shí)間多于卡爾曼算法處理時(shí)間，原因可能是由于該序列后期目標(biāo)在圖像中所占的像素點(diǎn)增加，導(dǎo)致算法使用區(qū)域生長(zhǎng)進(jìn)行模型更新判決時(shí)增加了額外的時(shí)間開(kāi)銷(xiāo)所導(dǎo)致，而基于鷹眼仿生的小目標(biāo)探測(cè)方法在處理實(shí)驗(yàn)圖像序列所需要的時(shí)間是本文算法和卡爾曼濾波算法的3～4 倍，原因是因?yàn)閺?fù)雜背景所導(dǎo)致的算法的顯著性圖提取困難，從而增加了圖像中的疑似目標(biāo)區(qū)域，加大了分類(lèi)器的壓力。

表3 5種算法對(duì)圖像序列的處理時(shí)間Tab.3 Processing time of five algorithms for experimental image sequence

參考3.2 節(jié)實(shí)驗(yàn)標(biāo)準(zhǔn)，本小節(jié)距離量度依舊采用歐幾里得距離，且誤差最大值仍設(shè)置為10。UAV1 為采集的視頻1，UAV2 為采集的視頻2、3，UAV3 為采集的視頻4，視頻1 為簡(jiǎn)單場(chǎng)景，干擾物較少，背景變化比較緩慢，目標(biāo)尺度變化、形變較小；視頻2、3 背景比較復(fù)雜，干擾物較多，且目標(biāo)的尺度變化、形變比較嚴(yán)重；視頻4 背景變化大，目標(biāo)距離拍攝平臺(tái)較遠(yuǎn)，尺度變化較大。

圖6 所示為采用本文算法對(duì)Airplane6 進(jìn)行處理的部分截圖，該視頻圖片大小為720*1280，截圖的大小為40*57像素，從圖中可以看出，由于目標(biāo)發(fā)生了一系列機(jī)動(dòng)、轉(zhuǎn)彎等操作，使得目標(biāo)在序列上的形狀發(fā)生了較大的變化，對(duì)目標(biāo)的跟蹤帶來(lái)了較大的挑戰(zhàn)，但是本文算法在該目標(biāo)發(fā)生一系列動(dòng)作時(shí)，能夠根據(jù)目標(biāo)的面積變化調(diào)整檢測(cè)框的大小，盡可能多地剔除了檢測(cè)框中背景信息，準(zhǔn)確地確定目標(biāo)的位置，具有較高的跟蹤精度。

為了直觀地展示本文算法的可靠性，本文將序列UAV2 中視頻2 作為參考序列，選取每種對(duì)比算法在該序列上的失效幀以及本文算法對(duì)應(yīng)幀的處理效果來(lái)證明。如圖7 所示，采用灰度特征進(jìn)行跟蹤的粒子濾波算法在序列第298 幀處，目標(biāo)處于檢測(cè)框邊緣，算法計(jì)算的目標(biāo)中心與目標(biāo)的實(shí)際中心位置相差超過(guò)10 個(gè)像素距離，此時(shí)目標(biāo)尺寸為12*5 像素點(diǎn)，該誤差難以接受，在第301 幀，目標(biāo)已經(jīng)有一部分脫離檢測(cè)框，且中心位置與實(shí)際位置誤差進(jìn)一步增加，到第308幀時(shí)，目標(biāo)已經(jīng)完全脫離了檢測(cè)框。而本文算法在上述粒子濾波檢測(cè)錯(cuò)誤幀中有著良好的跟蹤效果，且目標(biāo)基本處于檢測(cè)框中心位置，算法獲得的目標(biāo)中心與實(shí)際標(biāo)注的目標(biāo)中心基本能夠重合。

如圖8 所示，在序列第316 幀，目標(biāo)存在于檢測(cè)框邊緣，且算法得到的目標(biāo)中心位置與目標(biāo)實(shí)際標(biāo)注的和中心位置大于5 個(gè)像素距離，當(dāng)目標(biāo)距離較遠(yuǎn)時(shí)，該誤差會(huì)導(dǎo)致算法獲得目標(biāo)位置與實(shí)際位置相差很大，致使跟蹤失效，同樣，在第497 幀、第498幀以及第568 幀，算法的跟蹤效果也不理想。而使用本文算法時(shí)，得到的目標(biāo)位置與實(shí)際標(biāo)注的目標(biāo)位置相差較小，并且在上述的316 幀、497 幀、498 幀和568 幀中，計(jì)算得到的目標(biāo)位置與實(shí)際位置基本重合。

如圖9 所示，在使用基于鷹眼仿生機(jī)制的小目標(biāo)跟蹤處理序列時(shí)，在第43 幀雖然跟蹤到目標(biāo)，但是目標(biāo)很大一部分已經(jīng)超出檢測(cè)框，且此時(shí)實(shí)際目標(biāo)中心與算法所得到的目標(biāo)中心之間誤差也在5個(gè)像素點(diǎn)以上，并且在第60幀出現(xiàn)目標(biāo)跟蹤錯(cuò)誤的情況，且在該視頻處理當(dāng)中，這種情況出現(xiàn)幀數(shù)達(dá)到40%以上，在復(fù)雜背景環(huán)境下，采用顏色、方向以及亮度特征得到的顯著性圖較為復(fù)雜，容易在判決時(shí)將疑似度高的小背景區(qū)域判定為目標(biāo)，導(dǎo)致該算法的魯棒性較低，對(duì)比本文算法，在上述圖像幀中目標(biāo)基本位于檢測(cè)框中心，且算法處理的得到的目標(biāo)中心與目標(biāo)實(shí)際中心相差很小。

圖10（a）～（i）分別為本文算法與四種對(duì)比算法在9 個(gè)視頻序列上的精確度圖，距離量度依舊采用歐氏距離，且最大誤差仍設(shè)定為10。從圖中可知，在實(shí)驗(yàn)所測(cè)試的9 個(gè)圖像序列上，在相同的允許誤差下，本文算法在序列airplane13 上的表現(xiàn)稍差于基于鷹眼仿生機(jī)制的跟蹤算法，Airplane13 是由于少數(shù)幾幀中目標(biāo)與背景的區(qū)分度極低，使得本文算法對(duì)目標(biāo)的定位錯(cuò)誤導(dǎo)致精度較低，且該序列相對(duì)來(lái)說(shuō)背景比較單一，因此基于鷹眼仿生機(jī)制的跟蹤算法在該序列會(huì)有較好的表現(xiàn)。但是在其他序列的處理上，本文算法的性能總是最優(yōu)的。在使用本文算法對(duì)上述序列進(jìn)行處理時(shí)，序列Airplane8和Airplane9中，存在較長(zhǎng)一段序列，目標(biāo)尺寸增大，導(dǎo)致算法的最高精度只能到達(dá)80%～90%，序列Airplane6和Airplane15，算法達(dá)到某個(gè)值精確度不再增加是由于在算法處理時(shí)，序列的少數(shù)幾幀未進(jìn)行處理，使得精度達(dá)到某個(gè)值以后就不再提高。同時(shí)從圖中可以看出經(jīng)典的MeanShift算法在五種算法中表現(xiàn)極差，基本不能有效跟蹤目標(biāo)?；邡椦鄯律鷻C(jī)制對(duì)背景要求比較高，復(fù)雜背景下該算法精確度比較低。改進(jìn)卡爾曼濾波與粒子濾波要求目標(biāo)與背景的對(duì)比度高，相對(duì)于其他四種算法，本文算法在跟蹤過(guò)程中能夠較為精確的定位目標(biāo)中心，且在多數(shù)情況下，能夠使得跟蹤精度達(dá)到95%以上。

4 結(jié)論

本文提出的一種改進(jìn)Meanshift 的低空小機(jī)動(dòng)目標(biāo)的跟蹤算法，算法融合灰度信息與HOG特征來(lái)建立目標(biāo)描述模板，通過(guò)融合候選模板與目標(biāo)模板之間的Bhattacharyya 系數(shù)以及候選區(qū)域與ROI區(qū)域之間的Hu 矩的歐氏距離建立新的算法迭代收斂條件，并且采用區(qū)域生長(zhǎng)計(jì)算目標(biāo)的面積變化來(lái)控制模板更新，通過(guò)實(shí)驗(yàn)證明，本文算法對(duì)低空小機(jī)動(dòng)目標(biāo)強(qiáng)機(jī)動(dòng)、畸變等變化不敏感，具有較強(qiáng)的魯棒性。但是針對(duì)MeanShift 算法難以應(yīng)對(duì)目標(biāo)被遮擋的問(wèn)題，本文算法并未提出一個(gè)好的解決方法，因此在后續(xù)的研究中值得深入思考。