无人机用目标追踪方法及其装置制造方法及图纸

本发明专利技术提供一种无人机用目标追踪方法及其装置，包括以下步骤：步骤S100：通过无人机获取待追踪目标的视频图像，以包含目标的区域作为目标模板；步骤S200：通过Mean Shift目标追踪器对视频图像进行目标追踪，所得结果为第一追踪结果，通过根据目标模板初始化后的随机森林检测器对视频图像进行目标追踪，所得结果为第二追踪结果；步骤S300：判断第一追踪结果和第二追踪结果中是否出现目标，以包含目标的结果为目标追踪结果。本发明专利技术提供的无人机用目标追踪方法包括检测步骤，对追踪结果提供补偿信息，特别在追踪器失败而检测器成功的情况下，用检测器的结果对追踪器进行重新初始化，保证追踪系统的继续运行，从而提高了对目标追踪的准确度。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体的涉及一种无人机用目标追踪方法及其装 置。
技术介绍
近年来，随着自动化技术、计算机视觉技术等科技领域水平的不断提高，无人机在 军用、工业和民用领域都得到了快速发展。微型无人机的目标追踪技术作为无人机应用技 术的一个重要分支，在国家公共安全领域如防爆反恐、交通监控、抗灾救援等方面具有广泛 的应用前景，受到各国学者的极大关注，成为该领域当前最活跃的研究方向之一。 目标追踪的主要目的是通过处理与分析从成像传感器获得的图像序列，计算出运 动目标在每一帧图像上的二维坐标位置，将图像序列中连续帧里的同一运动目标关联起 来，获取运动目标完整的运动轨迹。简单的说，就是在下一帧图像中找到目标的确定位置， 并反馈给追踪系统进行追踪。针对目标追踪方向的研究已经有几十年的历史，现有的算 法也很多，很难对它们进行精确的划分。常用的追踪方法有：卡尔曼滤波、粒子滤波、Mean Shift、压缩追踪、TLD等等。 随机森林是一种有监督的集成学习分类技术，其分类模型由一组决策树分类器组 成，模型对数据的分类是通过单个决策树的分类结果进行集体投票来决定最终结果。它结 合了LeoBreiman的Bagging集成学习理论与Ho提出的随机子空间方法，通过对训练样本 空间和属性空间注入随机性，充分保证了每个决策树之间的独立性和差异性，很好地克服 了决策树过拟合问题，同时对噪声和异常值也有较好的鲁棒性。 与一般的目标追踪系统不同，在面向微型无人机的地面运动目标追踪系统中，无 人机、成像传感器和运动目标三者均在运动中。因此该系统具有以下特点： 第一，成像传感器安装在无人机的云台上，随着无人机的运动而不停运动，很多针 对从静止成像传感器获得图像的目标检测和追踪方法成像效果较差，如背景差分法。 第二，整个追踪系统要求具有较高的实时处理能力。 第三，微型无人机比较轻巧，对有效负载的重量存在限制。 因而运用于微型无人机上的目标追踪系统需要满足：既具有较高的实时处理能 力，又不需要耗费较多的硬件资源，还能够与机载设备进行有效融合。 MeanShift目标追踪方法虽然具有实时性好、鲁棒性高和易于实现等特点，但对 于目标突变、遮挡等情况下，容易导致目标追踪失败。
技术实现思路
本专利技术的目的在于提供一种无人机用目标追踪方法及其装置，该专利技术解决了现有 目标追踪方法均难以适应在人机、成像传感器和运动目标三者均在运动的环境中进行有效 目标追踪的技术问题。 本专利技术提供一种无人机用目标追踪方法，包括以下步骤：步骤S100 :通过无人 机获取待追踪目标的视频图像，以包含目标的区域作为目标模板；步骤S200 :通过Mean Shift目标追踪器对视频图像进行目标追踪，所得结果为第一追踪结果，通过根据目标模板 初始化后的随机森林检测器对视频图像进行检测，所得结果为第二追踪结果；步骤S300 : 判断第一追踪结果和第二追踪结果中是否出现目标，以包含目标的结果为目标追踪结果。 进一步地，随机森林检测器的初始化，包括以下步骤：步骤S210:根据目标模板生 成用于训练的多个正样本图像和多个负样本图像，并提取各正样本图像和各负样本图像的 H0G特征；步骤S220 :通过随机森林从H0G特征中筛选出训练特征用于对随机森林中的决 策树进行训练，得到用于对视频图像中是否含有目标进行检测的随机森林检测器。 进一步地，正样本图像的生成方法包括以下步骤：步骤S211 :以目标模板图像对 应的H0G特征作为目标正样本，以正样本图像的中心点处八邻域作为中心点，得到8个领域 图像，以领域图像和目标正样本的H0G特征作为正样本，得到9个正样本图像；步骤S212 : 对目标模板图像进行η次尺度缩/放，以每次尺度缩/放后得到的图像对应的H0G特征作 为目标正样本，重复步骤S211，得到9*n个正样本图像；优选的，负样本图像的生成方法包 括以下步骤：步骤S213 :以目标模板图像作为母版，并分别以母版的四个顶点和两两顶点 连线的中点为中心点，获取以中心点为中心且具有与母版相同宽度和相同高度的8个中点 图像作为8个负样本图像；步骤S214 :对母版进行η次尺度缩/放，以每次尺度缩/放后得 到的图像作为母版，重复步骤S213,得到8*η个负样本图像。 进一步地，尺度缩/放为放大1. 1~1. 2倍或缩小0. 8~0. 9倍。 进一步地，每棵决策树的训练方法包括以下步骤：步骤S221 :从正样本的H0G特征 中随机选择3个根特征进行编号，并将根特征赋给决策树的根节点和内部节点；步骤S222 : 根据根节点对应的特征，对根节点上的H0G特征所有可能的取值进行测试，选取分类最优 的取值作为根节点的分类阈值；步骤S223 :对内部节点上的H0G特征重复步骤S222,得到 内部节点的分类阈值；步骤S224 :将所有训练样本用本决策树进行分类，根据正样本和负 样本的数目决定决策树上每个叶子节点的正负属性和权重系数。 进一步地，步骤S300中还包括对第一追踪结果和第二追踪结果进行融合，融合 包括以下步骤：步骤S310 :当第一追踪结果和第二追踪结果，均返回包含目标的结果时， 计算第一追踪结果与目标模板的Bhattacharyya系数队、第二追踪结果与目标模板的 Bhattacharyya系数B2，以Bhattacharyya系数较大的作为目标追踪结果；步骤S320 :当第 二追踪结果，返回包含目标的结果时，计算第二追踪结果与目标模板的Bhattacharyya系 数B2，若B2大于0. 6则以第二追踪结果为目标追踪结果，否则返回步骤S100,继续追踪；步 骤S320 :当第一追踪结果，返回包含目标的结果时，将其作为目标追踪结果。 进一步地，还包括对随机森林检测器根据目标追踪结果进行更新的步骤S400,以 目标追踪结果作为随机森林检测器的目标正样本和母版，进行随机森林检测器初始化。 进一步地，MeanShift目标追踪器的追踪方法包括以下步骤： 步骤S231:在第一帧图像中初始化目标模板，利用公式一计算目标模板的概率密 度Qu， 其中Cq是目标模板的归一化常数， X(]为目标模板区域的中.·， 心位置坐标，设{xj,i= 1，…，η为目标模板区域内所有的像素位置，u= 1，…，m为颜色 特征，h是核函数带宽，K( ·)是核函数，δ(X)为Kroneckerdelta函数； 步骤S232:对于所获取的下一帧图像，用前一帧的目标模板位置y。，通过式二计算 候选目标模板的概率密度pu， 其中y。为候选目标区域中心，{yi}，i= 1，…，η表示候选目标区域各像素； 步骤S233 :利用公式三计算候选目标区域的更新位置y_， 其中g(x) = _k' (X)，ωι为每个像素的权重；步骤S234:根据公式四计算候选目标区域内的每个像素的权重ωι，， 步骤S235 :如果| | |〈0. 1或者迭代次数大于给定阈值，则停止迭代， 当迭代停止后，如果| |yQ_ynew| |〈0. 1说明追踪是成功的，如果| |yQ_ynew| |>0. 1说 明未获得包含目标的追踪结果； 如果不满足迭代停止条件，则令7。=y_重复步骤S232~S234,直到满足迭代终 止条件。 本专利技术另一本文档来自技高网...

【技术保护点】
一种无人机用目标追踪方法，其特征在于，包括以下步骤：步骤S100：通过所述无人机获取待追踪目标的视频图像，以包含所述目标的区域作为目标模板；步骤S200：通过Mean Shift目标追踪器对所述视频图像进行目标追踪，所得结果为第一追踪结果，通过根据所述目标模板初始化后的随机森林检测器对所述视频图像进行检测，所得结果为第二追踪结果；步骤S300：判断所述第一追踪结果和所述第二追踪结果中是否出现所述目标，以包含所述目标的结果为目标追踪结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄俊仁，
申请(专利权)人：湖南优象科技有限公司，
类型：发明
国别省市：湖南;43