一種基于旋翼無人機平臺的目標跟蹤方法
【專利摘要】本發明公開了一種基于旋翼無人機平臺的目標跟蹤方法。本發明目標跟蹤方法通過多尺度的樣本采集并結合實時更新的分類器，有效實現了旋翼無人機平臺對移動目標的快速準確地在線實時跟蹤；本發明在跟蹤過程中，根據當前幀的最大分類器響應值以及其相比前一幀的最大分類器響應值的變化情況，并結合前一幀的跟蹤性能判定結果，來判定當前幀的跟蹤性能是否穩定，當跟蹤性能不穩定時，及時對分類器的分類結果進行修正，可有效防止目標跟蹤過程中由于遮擋而導致的跟蹤目標丟失。相比現有技術，本發明有效實現了旋翼無人機平臺對移動目標的快速準確地在線實時跟蹤，且具備多尺度跟蹤特性，跟蹤性能更好，算法復雜度更低，實時性更好，對硬件資源的要求較低。
【專利說明】
-種基于旋翼無人機平臺的目標跟蹤方法
技術領域
[0001] 本發明設及圖像處理及模式識別技術領域，尤其設及一種基于旋翼無人機平臺的 目柄跟蹤方法。
【背景技術】
[0002] 近年來，隨著科學技術水平的日益提高，無人機事業的發展蒸蒸日上。由于其本身 具有結構簡單、成本較低、靈活性高、環境適應性強、便于裝載各類傳感器及裝備等特點，加 之數字通信、傳感器、微電子、虛擬現實等技術的快速進步，無人機在空中作戰、城市武裝反 恐、海上捜救等軍用領域W及民用領域中都具有廣闊的應用前景和發展空間，而利用無人 機所拍攝的視頻對目標實現跟蹤則是其中一項重要應用。
[0003] 根據背景的不同，運動目標的識別跟蹤可W分為靜態背景和動態背景下的目標識 別跟蹤。靜態背景下運動目標識別是指攝像機在整個過程中靜止;而動態背景下運動目標 識別是指攝像機在識別過程中發生了諸如平動、旋轉或多自由度運動等移動的情況。顯然， 基于無人機運樣旋翼無人機平臺的目標跟蹤屬于上述的第二類范疇。
[0004] 基于計算機視覺的目標跟蹤算法主要分為四類，分別是基于目標區域的跟蹤、基 于目標特征的跟蹤、基于目標變形模板的跟蹤和基于目標模型的跟蹤。基于區域的跟蹤算 法首先通過圖像分割或先驗知識進行運動區域的預先提取，并得到相應的模板，然后運用 相關算法對序列圖像中的目標進行跟蹤。相對其它跟蹤算法來說，由基于區域的跟蹤算法 提取出的目標模板比較完整，因而得到的圖像信息更為豐富，可穩定跟蹤目標，具有較高的 跟蹤精度。但它也存在一些缺點，如計算量大、對圖像變形問題模板匹配困難、目標遮擋或 形變時效果不佳、復雜環境下模板漂移等問題。基于目標特征的跟蹤算法利用匹配算法在 圖像序列中尋找與目標特征相符的運動物體。其主要步驟為特征提取、特征匹配W及運動 信息計算。該方法對遮擋、照明、視角等問題造成的圖像變化表現出很好的魯棒性。在W往 的文獻中，學者將其與Adaboost、卡爾曼濾波等預測算法進行結合，取得了令人滿意的跟蹤 效果。如何選擇合適的特征是該算法應用過程中的關鍵點和難點。變形模板是紋理或邊緣 可W按照一定的條件變形的面板或曲線。基于目標變形模板的跟蹤算法對可變性目標十分 有效。基于目標模型的跟蹤算法中，運動物體的表達方式分為=種：線圖模型、2D模型和3D 模型。在實際情況中，采用3D模型的跟蹤具有更廣的應用范圍。一般來說，算法首先根據先 驗知識獲得目標的立體結構模型和運動模型，然后結合實際場景對目標物體進行跟蹤。基 于3D模型的目標跟蹤算法性能可靠，及時目標運動狀態發生變化也能取得很好的效果。但 在實際應用中很難獲得運動目標的精確幾何模型，且運算量大，算法實時性差。
[0005] 無人機搭載攝像頭后，運動目標檢測是基于動態背景的，雖然攝像頭的視野得到 擴大，但是目標和攝像機之間存在復雜的相對運動，因而對目標跟蹤算法提出了更高的要 求。

【發明內容】

[0006] 本發明所要解決的技術問題在于克服現有技術不足，提供一種基于旋翼無人機平 臺的目標跟蹤方法，可快速準確地實現對移動目標的在線跟蹤，且可有效防止目標被遮擋 導致跟蹤目標丟失的情況。
[0007] 本發明具體采用W下技術方案解決上述技術問題：
[0008] -種基于旋翼無人機平臺的目標跟蹤方法，包括W下步驟：
[0009] Sl、對旋翼無人機平臺所拍攝的視頻的每一帖進行自動目標識別，W初次識別出 目標的視頻帖作為目標跟蹤的初始帖，并在初始帖中目標周圍劃定矩形的初始目標跟蹤 框；
[0010] S2、W初始目標跟蹤框為基準，在初始帖中采集一組與初始目標跟蹤框同尺度的 正、負樣本，提取所述樣本的尺度不變特征對分類器進行訓練，并W初始目標跟蹤框中的圖 像作為正樣本模板；
[0011] S3、在當前帖中，W前一帖的目標跟蹤框位置為中屯、的一定區域內采集一組不同 尺度的矩形區域作為檢測樣本，并在每個檢測樣本上疊加均值為0的高斯白噪聲;提取疊加 噪聲后的各檢測樣本的尺度不變特征并分別作為所述分類器的輸入，得到各檢測樣本的分 類器響應值；
[0012] S4、判斷當前帖的跟蹤性能是否穩定，如性能不穩定，則轉至S5,否則，轉至S8;如 W下條件之一得到滿足，則當前帖的跟蹤性能不穩定：
[0013] (1)當前帖檢測樣本的最大分類器響應值小于0;
[0014] (2)當前帖檢測樣本的最大分類器響應值大于等于0,同時當前帖檢測樣本的最大 分類器響應值小于前一帖檢測樣本的最大分類器響應值，且前一帖的跟蹤性能不穩定；
[0015] (3)當前帖檢測樣本的最大分類器響應值在0和一個預設的大于0的闊值之間，同 時當前帖檢測樣本的最大分類器響應值小于前一帖檢測樣本的最大分類器響應值，且前一 帖的跟蹤性能穩定；
[0016] S5、計算當前帖各檢測樣本與正樣本模板之間的歸一化相似度，并W歸一化相似 度作為修正系數對當前帖相應檢測樣本的分類器響應值進行修正；W修正后的分類器響應 值最大的檢測樣本所對應的矩形區域作為當前帖的目標跟蹤框；
[0017] S6、判斷連續跟蹤不穩定的帖數是否達至順設上限值，如是，則將所述高斯白噪聲 的標準差增大后轉SlO;否則，轉至S7;
[0018] S7、W當前帖的目標跟蹤框為基準，在當前帖中采集一組與當前帖的目標跟蹤框 同尺度的正、負樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提 取所選出的正樣本W及負樣本的尺度不變特征并對分類器進行重新訓練后轉至S10;
[0019] S8、W分類器響應值最大的檢測樣本所對應的矩形區域作為當前帖的目標跟蹤 框，并用前一帖正樣本模板與初始帖正樣本模板的加權和來更新正樣本模板；
[0020] S9、W當前帖的目標跟蹤框為基準，在當前帖中采集一組與當前帖的目標跟蹤框 同尺度的正、負樣本，提取所述正、負樣本的尺度不變特征并對分類器進行重新訓練；
[0021] S10、如視頻已結束，則退出目標跟蹤;否則，W下一帖作為當前帖，轉至S3。
[0022] 優選地，所述分類器為樸素貝葉斯分類器。
[0023] 優選地，所述尺度不變特征為尺度不變壓縮特征。
[0024] 進一步地，所述分類器的學習速率A在目標跟蹤過程中按照下式進行自適應更新：
[0025]
[0026] 式中，X為當前帖的目標跟蹤框中圖像高斯分布均值與前一帖的目標跟蹤框中圖 像高斯分布均值之間差值的絕對值；
[0027] 優選地，檢測樣本與正樣本模板之間的相似度使用W下方式度量:檢測樣本與正 樣本模板的各維特征值的差值絕對值之和。
[0028] 優選地，利用W下方法對旋翼無人機平臺所拍攝的視頻的每一帖進行自動目標識 另IJ:首先提取當前帖中的感興趣區域;然后將感興趣區域與目標模板先后進行主顏色匹配 和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配成功的感興趣區域，則該感興趣區域即為 在當前帖中識別出的目標，否則，繼續對下一帖進行目標識別。
[0029] 相比現有技術，本發明技術方案具有W下有益效果：
[0030] 本發明有效實現了旋翼無人機平臺對移動目標的快速準確地在線實時跟蹤，且具 備多尺度跟蹤特性；
[0031 ]本發明可有效防止目標跟蹤過程中由于遮擋而導致的跟蹤目標丟失，跟蹤效果更 好；
[0032] 本發明算法復雜度低，實時性好，對硬件資源的要求較低。
【附圖說明】
[0033] 圖1是本發明目標跟蹤方法流程圖；
[0034] 圖2是【具體實施方式】中所使用目標識別方法的流程圖；
[0035] 圖3是選取多尺度待檢測樣本方案的示意圖；
[0036] 圖4是尺度不變壓縮特征向量提取示意圖；
[0037] 圖5是分類器更新階段正負樣本采集區域示意圖；
[0038] 圖6是學習速率自適應更新函數示意圖。
【具體實施方式】
[0039] 下面結合附圖對本發明的技術方案進行詳細說明：
[0040] 本發明基于旋翼無人機平臺的目標跟蹤方法的基本流程如圖1所示，具體包括W 下步驟：
[0041 ] Sl、對旋翼無人機平臺所拍攝的視頻的每一帖進行自動目標識別，W初次識別出 目標的視頻帖作為目標跟蹤的初始帖，并在初始帖中目標周圍劃定矩形的初始目標跟蹤 框；
[0042]本發明可采用現有的各種自動目標識別方法，例如基于輪廓的目標識別方法、基 于主顏色的目標識別方法等，為了提高目標識別的準確性，本發明將基于輪廓的目標識別 方法與基于主顏色的目標識別方法相結合，即：首先提取當前帖中的感興趣區域;然后將感 興趣區域與目標模板先后進行主顏色匹配和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配 成功的感興趣區域，則該感興趣區域即為在當前帖中識別出的目標，否則，繼續對下一帖進 行目標識別。如圖2所示，目標識別的具體步驟如下：
[0043] (1)圖像灰度化
[0044] 本文中，使用加權平均法將彩色圖像轉換成灰度圖像，具體公式為：
[0045] 1 = 0.3XR+0.59XG+0.IlXB
[0046] 其中R，G，B為彩色圖像中對應的紅、綠、藍=個通道的灰度分量，I為轉換后的單通 道灰度圖像。
[0047] (2)圖像二值化，用最大亮度值1來表示前景，用最小亮度值0來表示背景 [004引（3)提取輪廓
[0049] 物體形狀的邊緣輪廓借助邊緣檢測進行提取，然后對物體形狀的邊緣輪廓進行跟 蹤，并得到邊界點的相應坐標，按照順時針或者逆時針的順序，用n個像素點坐標CO，Cl... Cn 來描述運些邊界點的位置，W此得到物體的形狀。本文默認C日=Cn,即目標物體的輪廓是封 閉的。
[0050] (4)使當前帖的原彩色圖像僅保留彩色前景部分；
[0051] (5)從前景中提取主顏色：
[0052] 使用K均值聚類算法提取主顏色：
[0053] (a)將圖像的顏色空間由RGB轉化到服V;
[0054] (b)確定主顏色數目k和初始聚類中屯、Cl;
[0055] (C)循環步驟(cO到(e)，直到每個聚類中屯、都不再發生變化，轉至(f);
[0056] (d)計算每個像素點與聚類中屯、。的距離，然后將其歸進相似度最高的聚類中。若 用Ci=化i, Si ,Vi)，Cj =化j ,Sj ,Vj)分別表示HSV空間中的兩種顏色，則二者的相似性計算公 式如下：
[0化7]
[0化引其中34在0至1之間取值，服V空間是單位高度的圓柱體。
[0059] (e)重新計算每個類的聚類中屯、，其數值取該聚類中所有像素的平均值；
[0060] (f)得到圖像的主顏色直方圖Ci W及對應的主顏色頻率Pi;
[0061] (6)對當前帖和模板圖像進行主顏色匹配；
[0062] 假設待檢測圖像對應的前景圖像主色集合為主色頻率為Pq,主色共M個;模板的 前景圖像主色集合為Cl，主色頻率為Pl，主色共N個。構造主色集，使兩個直方圖的顏色數量 和顏色集合都相同，C = CQUCL，主色共有M+N個，顏色直方圖為P'Q=(Pql，Pq2，...，Pqm，0， 0, . . .0)，P'L=(0,0, . . .0，pii，pi2, . . .pin)。將主色集合的主色由RGB空間轉至HSV空間，并 計算C中任意兩種顏色Ci，Cj的相似性Sij(i，j = 1，2，. . .M+N)，并W
[0063] 此構造顏色集合的相似矩陣S，兩個任意主色集之間的距離為：
[0064] d2=(PVP'L)S(PVP'L)T
[0065] (7)對當前帖和模板圖像進行輪廓匹配。采用化矩匹配度量兩個輪廓的相似
[0066] 度，化矩計算公式如下：
[0067] hi=ri2〇 巧 02
[006引 h2= (ri20-n02)2+化 A
[0069] h3= (ri3〇-3rU2)2+(3ri2i-n〇3)2
[0070] h4=(ri30 巧 12)2+(1121 巧 03)2
[007。 hs= (ri30-3rU2) (1130巧12) [ (ri30巧i2)2-3(ri2i-n03)2]
[007^ +(31121-11。3)(1121巧。3)[3(化21巧。3)2-(1121巧03)2]
[0073] h6=(n2〇-n〇2)[(ri30 巧 12)2-(1121 巧 03)2]+化 11(1130 巧 12)(1121 巧 03)
[0074] h?=(化21-11日3 )(物巧日3 ) [ 3 (ri3日巧22 ) 2- (1121 巧03 ) 2 ]
[0075] -(ri3〇-ni2) (n2i+n〇3) [ 3 (n30+ni2) (n2i+n03) ^ ]
[0076] 其中rip,q為圖像的歸一化矩。相似度指標采用如下公式：
[0077]
[007引 "和皆分別是A和B的Hu矩。
[0079] 當主顏色和輪廓均匹配時，該感興趣區域即為當前帖中識別出的目標，否則，繼續 進行下一帖的自動目標識別。
[0080] S2、W初始目標跟蹤框為基準，在初始帖中采集一組與初始目標跟蹤框同尺度的 正、負樣本，提取所述樣本的尺度不變特征對分類器進行訓練，并W初始目標跟蹤框中的圖 像作為正樣本模板；
[0081 ]所述尺度不變特征可W是SIFT特征、SURF特征、BRISK特征等，為了降低算法復雜 度，提高目標跟蹤實時性，本發明優選采用尺度不變壓縮特征，并優選樸素貝葉斯分類器。 具體地，對于每一個樣本圖像ZGlfT，它在壓縮域中的壓縮向量表達為1' = 0，,，'''，vf 6?"，其 中n?m。壓縮跟蹤算法中假設低維特征向量V中的所有元素都是獨立分布的，算法采用一個 樸素貝葉斯分類器對它們進行建模：
[0082]
[0083] 其中y是表達樣本標簽的二值變量，只有0和1兩個取值。我們假設正樣本和負樣本 的先驗概率是相等的，即P(y = 1) =P(y=0)。
[0084] W往的理論中指出，由隨機稀疏投影矩陣得到的稀疏投影分布幾乎總是可W看作 是高斯的。所W，樸素貝葉斯分類器中的兩個樣本分布P(ViIy = I)和P(ViIy = O)可W看作高 斯分布，并且它們的分布特征可由四個參數如，武片,。，《)表征：
[0085] Q
[0086] S3、在當前帖中，W前一帖的目標跟蹤框位置為中屯、的一定區域內采集一組不同 尺度的矩形區域作為檢測樣本，并在每個檢測樣本上疊加均值為0的高斯白噪聲；
[0087] 參照圖3,在上一帖最佳位置附近選擇待檢測樣本時，將上一帖跟蹤框的位置在原 有基礎上分別向上下左右4個方向增大或縮小1/10的長度，并在每個樣本上疊加一定的高 斯白噪聲noise,則可W得到81個待檢測樣本，定義S為當前帖跟蹤框長度與上一帖最佳跟 蹤框寬之比，S=Wp/w。
[008引 wp=w±w/10+noisew
[0089] hp = h±h/10+noiseh
[0090] Wp，hp分別為當前帖待檢測矩形樣本的寬和高，w，h是上一帖跟蹤框位置的寬和高， noisew,noiseh均為人工疊加的均值為O的局斯白噪聲，初始狀態下令二者標準差為Stdw = 5, Stdh= 2.5。
[0091] 提取疊加噪聲后的各檢測樣本的尺度不變壓縮特征向量并分別作為所述分類器 的輸入，得到各檢測樣本的分類器響應值；
[0092] 參照圖4,尺度不變壓縮特征向量提取的具體步驟如下：
[0093] (1)保持初始隨機測量矩陣Ro中所有非零元數值不變，非零元對應的矩形參數fx (i，t)，fy(i，t)，fw(i，t)，扣(i，t)分別與S相乘，并四舍五入取整：
[0094]
[0095]
[0096]
[0097]
[0098] 其中1 = 1，2-，1，*=1，2-，9，1為壓縮特征向量維數，9為初始隨機測量矩陣第1行 非零元素的個數；
[0099] (2)計算尺度不變壓縮特征向量第i維的特征值：
[0100]
[0101]其中，P(i，t)是初始隨機測量矩陣Ro中非零元素的值，PsumQ，t)是修正后的隨機 測量矩陣化中第i行第t列個非零元素所對應的矩形內像素值的總和，其計算公式如下：
[01 02] Psum( i , t) = I (Xmin , Ymin) +1 (Xmax , Ymax) ~1 (Xmax , Ymin) ~1 (Xmin , Ymax)
[0103] Xmin = y+fys(i ,t)-2
[0104] Xmax = y+fys(i ,t)+fhs(i ,t)-2
[0105] Ymin = X+fXs(i ,t)-2
[0106] Ymax = X+fXs(i ,t)+fWs(i ,t)-2
[0107] (3)最終可W得到M維尺度不變壓縮特征向量V。
[0108] S4、判斷當前帖的跟蹤性能是否穩定，如性能不穩定，則轉至S5,否則，轉至S8;
[0109] 本發明根據當前帖的最大分類器響應值W及其相比前一帖的最大分類器響應值 的變化情況，并結合前一帖的跟蹤性能判定結果，來判定當前帖的跟蹤性能是否穩定;具體 為出現W下任一種情況時，判定當前帖的跟蹤性能不穩定：
[0110] (1)當前帖檢測樣本的最大分類器響應值小于0;
[0111] (2)當前帖檢測樣本的最大分類器響應值大于等于0，同時當前帖檢測樣本的最大 分類器響應值小于前一帖檢測樣本的最大分類器響應值，且前一帖的跟蹤性能不穩定；
[0112] (3)當前帖檢測樣本的最大分類器響應值在0和一個預設的大于0的闊值之間，同 時當前帖檢測樣本的最大分類器響應值小于前一帖檢測樣本的最大分類器響應值，且前一 帖的跟蹤性能穩定。
[0113] 用Pt表示當前帖的跟蹤性能，Pt = O表示跟蹤性能穩定，Pt=I表示跟蹤性能不穩 定。Pt值的確定方法如下:假設Ct表示當前的第t帖中最優檢測樣本的分類器響應值(即最大 分類器響應值），且A Ct = Ct-Ct-ID為Ct分別設定兩個闊值th和ti，且A Ct的值被限定在一個 常數丫內。則我們判定如下幾種情況為跟蹤性能不穩定(Pt=I):
[0114] (l)Ct<0:當前帖所有樣本的分類器響應值都小于0,即分類器得到的目標樣本其 實是負樣本，運種情況下目標可能遭遇遮擋或者跟蹤框已經漂移甚至丟失目標；
[011引（2)Ct〉0，A Ct<0 ,Pt-I = 1:在上一帖跟蹤性能不穩定的情況下，若當前帖最佳樣本 的分類器響應值大于0,但正樣本特征的質量比起上一帖有所下降，此時我們仍然認為跟蹤 性能不穩定；
[0116] (3)0<Ct<ti，ACt<0，Pt-i = 0:在上一帖跟蹤性能穩定的情況下，若當前帖最佳樣本 響應值小于闊值，且比上一帖的跟蹤性能差，則認為跟蹤性能不穩定。S5、計算當前帖各檢 測樣本與正樣本模板之間的歸一化相似度，并W歸一化相似度作為修正系數對當前帖相應 檢測樣本的分類器響應值進行修正；W修正后的分類器響應值最大的檢測樣本所對應的矩 形區域作為當前帖的目標跟蹤框；
[0117] 檢測樣本與正樣本模板之間的相似性度量可采用歐式距離、漢明距離、相關系數 等度量方式，為了簡化計算復雜度，本【具體實施方式】中采用絕對差(AD)來衡量兩個向量之 間的相似度：
[011 引
[0119] 其中，Vci為檢測樣本特征向量第i維特征值，Vp;為正樣本模板特征向量第i維特征 值。對于第j個樣本，得到一個樣本差值特征向量A V后對其各維特征值進行求和，結果為一 個樣本與正樣本模板之間的特征差值絕對值之和A Vsumj。對所有待檢測樣本完成上述計算 后，將所有結果歸一化，并與樸素貝葉斯分類器結果相乘，即可得到所有樣本的修正后的分 類器響應值向量。
[0120]
[0121]
[0122] C(V)=H(V)L(V)
[0123] 其中，y是表達樣本標簽的二值變量，只有0和1兩個取值。我們假設正樣本和負樣 本具有相同的先驗概率，即P(y = l)=P(y = 〇) emax( A Vsimj)為所有待檢測樣本對應的A Vsumj中的最大特征值項。當Pt = O，即跟蹤性能穩定時，算法中令正樣本相似度函數為全1項， 從而跳過上述相似度衡量步驟，減小計算量。
[0124] S6、判斷連續跟蹤不穩定的帖數是否達到預設上限值，如是，則將所述高斯白噪聲 的標準差增大后轉SlO;否則，轉至S7;
[0125] 本【具體實施方式】中設定:如果跟蹤不穩定帖數大于等于5，則將高斯白噪聲的標準 差擴大至初始值的2倍W擴大樣本框捜索范圍。
[0126] S7、W當前帖的目標跟蹤框為基準，在當前帖中采集一組與當前帖的目標跟蹤框 同尺度的正、負樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提 取所選出的正樣本W及負樣本的尺度不變特征并對分類器進行重新訓練后轉至S10;
[0127] 參照圖5,得到當前帖最佳樣本后，W目標框中屯、為基準，在附近的一定半徑內利 用滑窗法采集與之大小一致的正樣本和負樣本
[012引 D?s= 口 I I I I(Z)-Io I I <p0srad}
[0129] 〇NEG= {z I p〇srad+4< I I I(Z)-Io I I <negrad}
[0130] W區間（0，posrad)為半徑采集正樣本，W區間（posrad+4 ,negrad)為半徑采集負 樣本，本【具體實施方式】中posrad的值設為4，negrad的值設為30,并在跟蹤過程中保持不變。 二者的值與原始的壓縮跟蹤算法中相同，在實際應用中，可W根據目標尺寸、運動速度、圖 像分辨率等因素對posrad和negrad的數值進行調整，W取得不同情況下較為理想的跟蹤效 果。
[0131] 用滑窗法采集正負樣本更新分類器相關步驟如下：
[0132] rowmin=max(0,y-posrad)；
[0133] roWmax=min(row-1 ,y+posrad)；
[0134] colmin=max(0,x-posrad)；
[0135] colmax=min(col_l ,x+posrad);
[0136] 其中，；r〇W = ；r〇Wimage-h-l ; col = Colimage-W-I ;r〇Wimage 是當前帖圖像一列的像素數， CO 1 image是當前帖圖像一行的像素數，X，y，W，h分別是當前帖得分最高的跟蹤框所對應的左 上頂點橫縱坐標、寬和高。posrad為正樣本采集半徑。
[0137] W樣本的左上頂點為中屯、，行捜索Wrowmin為起點，rowmax為結束點，列捜索W COlmin為起點，COlmax為結束點，將最高得分跟蹤框窗日依次滑動過上述像素所在位置，選取 正負樣本。
[0138] 在此過程中4
NUMmax為算法所需要的最大樣本 數量，本算法中采集正樣本時將其設為1000,采集負樣本時將其設為100。若當前帖圖像所 能提供的樣本數量能夠滿足算法需要的樣本數量，則此時b<l;若當前帖圖像所能提供的樣 本數量小于算法需要的樣本數量，則此時b> 1。設置一個隨機數發生器，可W隨機產生一個0 至1之間的數C。本【具體實施方式】中，當b〉c且dist<posrad2時采集正樣本，當b〉c且dist〉 negrad2時采集負樣本，運里posrad為正樣本采集半徑，negrad為負樣本采集半徑，本具體 實施方式中分別定為4和30。
[0139] 對于采集到的正樣本，將其依次與當前正樣本模板進行比較，計算低維特征向量 相似度，選擇絕對差之和最小的前1/2更新樸素貝葉斯分類器：
O[0142] 如圖6所示，本【具體實施方式】中還采用自適應的方式更新學習速率入：
[0140] ，
[0141]
[0143]
[0144] 其中，^=|4-化|，4為當前帖目標跟蹤框中圖像高斯分布均值，化為前帖目標跟蹤 框中圖像高斯分布均值；當x<t時，r = Ti，x〉t時，r = K JiJU、t均為預設參數，本具體實施 方式中 t = 0.4, ri = 0.4, K = 0.5。
[0145] 結合圖6可知，若當前帖樣本與已有目標高斯分布樣本均值相差較大，則學習速率 上升較快，從而分類器更新變慢;若二者高斯分布均值相差不大，說明跟蹤性能良好，則學 習速率較低，從而分類器更新速度維持在較快水平。
[0146] S8、W分類器響應值最大的檢測樣本所對應的矩形區域作為當前帖的目標跟蹤 框，并用前一帖正樣本模板與初始帖正樣本模板的加權和來更新正樣本模板；
[0147] 正樣本模板建立在樣本對應的低維特征向量基礎上，本【具體實施方式】中中正樣本 模板的罕就公古責.
[014 引
[0149] 其中，9表示當前帖正樣本模板，它由上一時刻正樣本模板巧和初始時刻目標框低 維特征向量口 /按照一定比重共同構成，本算法中y取0.9。
[0150] S9、W當前帖的目標跟蹤框為基準，在當前帖中采集一組與當前帖的目標跟蹤框 同尺度的正、負樣本，提取所述正、負樣本的尺度不變特征并對分類器進行重新訓練；
[0151] S10、如視頻已結束，則退出目標跟蹤;否則，W下一帖作為當前帖，轉至S3。
【主權項】
1. 一種基于旋翼無人機平臺的目標跟蹤方法，其特征在于，包括以下步驟： 51、 對旋翼無人機平臺所拍攝的視頻的每一幀進行自動目標識別，以初次識別出目標 的視頻幀作為目標跟蹤的初始幀，并在初始幀中目標周圍劃定矩形的初始目標跟蹤框； 52、 以初始目標跟蹤框為基準，在初始幀中采集一組與初始目標跟蹤框同尺度的正、負 樣本，提取所述樣本的尺度不變特征對分類器進行訓練，并以初始目標跟蹤框中的圖像作 為正樣本模板； 53、 在當前幀中，以前一幀的目標跟蹤框位置為中心的一定區域內采集一組不同尺度 的矩形區域作為檢測樣本，并在每個檢測樣本上疊加均值為O的高斯白噪聲;提取疊加噪聲 后的各檢測樣本的尺度不變特征并分別作為所述分類器的輸入，得到各檢測樣本的分類器 響應值； 54、 判斷當前幀的跟蹤性能是否穩定，如性能不穩定，則轉至S5,否則，轉至S8;如以下 條件之一得到滿足，則當前幀的跟蹤性能不穩定： (1) 當前幀檢測樣本的最大分類器響應值小于〇; (2) 當前幀檢測樣本的最大分類器響應值大于等于0,同時當前幀檢測樣本的最大分類 器響應值小于前一幀檢測樣本的最大分類器響應值，且前一幀的跟蹤性能不穩定； (3) 當前幀檢測樣本的最大分類器響應值在0和一個預設的大于0的閾值之間，同時當 前幀檢測樣本的最大分類器響應值小于前一幀檢測樣本的最大分類器響應值，且前一幀的 跟蹤性能穩定； 55、 計算當前幀各檢測樣本與正樣本模板之間的歸一化相似度，并以歸一化相似度作 為修正系數對當前幀相應檢測樣本的分類器響應值進行修正；以修正后的分類器響應值最 大的檢測樣本所對應的矩形區域作為當前幀的目標跟蹤框； 56、 判斷連續跟蹤不穩定的幀數是否達到預設上限值，如是，則將所述高斯白噪聲的標 準差增大后轉SlO;否則，轉至S7; 57、 以當前幀的目標跟蹤框為基準，在當前幀中采集一組與當前幀的目標跟蹤框同尺 度的正、負樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提取所 選出的正樣本以及負樣本的尺度不變特征并對分類器進行重新訓練后轉至S10; 58、 以分類器響應值最大的檢測樣本所對應的矩形區域作為當前幀的目標跟蹤框，并 用前一幀正樣本模板與初始幀正樣本模板的加權和來更新正樣本模板； 59、 以當前幀的目標跟蹤框為基準，在當前幀中采集一組與當前幀的目標跟蹤框同尺 度的正、負樣本，提取所述正、負樣本的尺度不變特征并對分類器進行重新訓練； S10、如視頻已結束，則退出目標跟蹤;否則，以下一幀作為當前幀，轉至S3。2. 如權利要求1所述目標跟蹤方法，其特征在于，所述分類器為樸素貝葉斯分類器。3. 如權利要求1所述目標跟蹤方法，其特征在于，所述尺度不變特征為尺度不變壓縮特 征。4. 如權利要求1所述目標跟蹤方法，其特征在于，所述分類器的學習速率λ在目標跟蹤 過程中按照下式進行自適應更新·式中，X為當前幀的目標跟蹤框中圖像高斯分布均值與前一幀的目標跟蹤框中圖像高 斯分布均值之間差值的絕對I均為預設參數。5. 如權利要求1所述目標跟蹤方法，其特征在于，檢測樣本與正樣本模板之間的相似度 使用以下方式度量:檢測樣本與正樣本模板的各維特征值的差值絕對值之和。6. 如權利要求1所述目標跟蹤方法，其特征在于，利用以下方法對旋翼無人機平臺所拍 攝的視頻的每一幀進行自動目標識別：首先提取當前幀中的感興趣區域;然后將感興趣區 域與目標模板先后進行主顏色匹配和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配成功的 感興趣區域，則該感興趣區域即為在當前幀中識別出的目標，否則，繼續對下一幀進行目標 識別。7. 如權利要求6所述目標跟蹤方法，其特征在于，所述輪廓匹配中所使用的輪廓特征為 Hu不變矩特征。
【文檔編號】G06K9/62GK106023257SQ201610355179
【公開日】2016年10月12日
【申請日】2016年5月26日
【發明人】賈春葉, 甄子洋, 馬坤
【申請人】南京航空航天大學