一种无人机高速目标图像跟踪方法技术

本发明专利技术公开了一种无人机高速目标图像跟踪方法。使用本发明专利技术能够实现对高速目标的精确、实时跟踪。本发明专利技术通过对图像实时跟踪误差的分析，引入两种现有的图像跟踪算法，一个实现快速跟踪，一个实现高精度跟踪。通过高精度算法结果对快速算法的修正，提高了快速算法的精度，同时还利用Kalman滤波技术对计算周期内的无人机运动位移进行补偿，实现了高速无人机图像跟踪对快速性和准确性的要求。

【技术实现步骤摘要】

本专利技术涉及高速图像处理跟踪
，具体涉及一种无人机高速目标图像跟踪方法。
技术介绍
为对处于飞行状态的无人机进行无线充能，需要对高动态的无人机进行实时、准确地识别和跟踪，然后才能进行无线能量传输。这一过程分为两个环节：首先利用CCD器件捕捉无人机图像序列，通过图像处理技术获得目标的图像坐标；其次将坐标信息传给姿态定位及转台跟踪系统实施充能动作。如何利用图像处理技术获得准确的无人机实时坐标，这是无线充能系统的关键一环。在图像处理领域，对动态目标的识别、跟踪一直是一个备受关注的问题。但对高速无人机无线充能系统，对图像目标跟踪有更高的要求。在充能过程中，充能装置需要一直对准快速无人机的能量接受装置，这要求图像跟踪算法必须同时具备快速性和准确性。在常规的图像跟踪算法中，高速算法，如差帧法、模板匹配法、重心迭代等，能满足跟踪快速性的要求，但在实际跟踪环境中的抗干扰能力较差，出现较强的干扰噪音的时候会产生较大的跟踪误差。而高精度跟踪算法，如Meanshift算法，虽有较好的抗干扰性，但算法的处理周期较长，无法满足快速性要求。
技术实现思路
有鉴于此，本专利技术提供了一种无人机高速目标图像跟踪方法，能够实现对高速目标的精确、实时跟踪。本专利技术的无人机高速目标图像跟踪方法，包括如下步骤：步骤1，分别采用高速跟踪算法和高精度跟踪算法同时对目标图像进行跟踪，并以高速跟踪算法获得的k时刻的目标图像坐标作为k时刻的初步跟踪结果；步骤2，对k时刻的初步跟踪结果进行修正：步骤2.1，以步骤1中两个算法在相同时刻获得的目标图像坐标之差作为该时刻的算法误差，对历史算法误差进行统计分析，获得k时刻的算法误差估计值；步骤2.2，将步骤1获得的k时刻的初步跟踪结果减去步骤2.1获得的k时刻的算法误差估计值，即获得k时刻的目标图像坐标修正结果；步骤3，对步骤2.2获得的目标图像坐标修正结果进行卡尔曼滤波，得到最终的目标图像跟踪结果。进一步地，所述k时刻的算法误差估计值的获取方法为：建立单个神经元模型，以历史算法误差作为输入，利用之前若干周期训练学习所得到的权值结果，计算神经元的输出，并将其输出作为k时刻的算法误差估计值。进一步地，所述高速跟踪算法为差帧法、模板匹配法或重心迭代法。进一步地，所述高精度跟踪算法为均值漂移算法。有益效果：在高速无人机图像跟踪问题中，跟踪算法需要同时满足快速性和准确性这两个要求，这两个目标难以用一个现有常规的算法单独实现。本专利技术通过对图像实时跟踪误差的分析，引入两种现有的图像跟踪算法，一个实现快速跟踪，一个实现高精度跟踪。通过高精度算法结果对快速算法的修正，提高了快速算法的精度，同时还利用Kalman滤波技术对计算周期内的无人机运动位移进行补偿，实现了高速无人机图像跟踪对快速性和准确性的要求。附图说明图1为跟踪系统跟踪误差示意图。其中，A0表示无人机的实时位置；A1表示CCD采集图像时刻无人机的位置；B1表示对CCD图像进行处理得到的位置观测值。图2为本专利技术的无人机高速目标图像跟踪方法流程图。图3为基于双轨制的图像跟踪算法周期组成。图4为不同图像跟踪算法周期之间的时序搭配。图5为高速环境下双轨跟踪与帧差法跟踪误差对比图6为实际运用中的算法仿真结果。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了一种无人机高速目标图像跟踪方法，为达到高速无人机实时图像跟踪的实际要求，将高速算法和高精度跟踪算法进行融合：对无人机飞行采集的CCD图像并行运行高速算法和高精度跟踪算法，同时进行图像目标跟踪，用高精度跟踪算法的结果对高速算法的结果进行修正，然后将修正的结果看作无人机系统的观测量，建立Kalman滤波方程对无人机位置进行实时预报，从而实现对高速无人机的实时跟踪。无人机在t时刻的位置记为Wt，CCD在时刻t采集到的无人机图像记为Gt。图像处理程序记为P，对图像Gt的处理的结果记为P(Gt)，它可看成无人机在图像采集时刻t的位置的观测值。但这一观测值不能准确表示无人机的实时位置，两者之间存在偏差，本专利技术将这一偏差分解为两部分：首先是观测值与图像采集时刻无人机位置之间的偏差，这一偏差是在图像处理过程产生，源于对噪声过滤的算法和目标分割的算法等因素，称这一偏差为算法偏差；另一个是由于图像处理过程需要时间，在这一时间内，无人机会移动一段距离，这也使得观测值不能准确反映无人机的实时位置，称这一偏差为时延误差，如图1所示。图1中，|A0-A1|为时延误差，|A1-B1|为算法误差。算法误差|A1-B1|的大小由算法自身的精度决定，而时延误差|A0-A1|则取决于算法实现需要的时间。高精度的算法虽算法误差小，但计算周期较长，会导致较大的时延误差；反之，快速的算法虽能减少时延误差，但是会加大算法误差。所以，在给定的硬件环境下，单一的图像跟踪算法难以同时具备精确性和快速性。为此，本专利技术同时引入快速的图像处理算法和高精度的图像处理算法，通过使用高精度跟踪算法的结果修正高速跟踪算法的结果，在保证快速性的前提下提高图像处理的精度，减少算法误差。其中，采用Kalman滤波技术克服时延误差，将融合了两种算法的图像处理结果作为无人机系统的观测值，进行Kalman滤波，将Kalman滤波获得的预报值作为无人机位置的实时位置。图2为本专利技术无人机跟踪流程示意图。具体步骤如下：步骤1，分别采用高速跟踪算法和高精度跟踪算法同时对目标图像进行跟踪。其中，高速跟踪算法如差帧、模板匹配和重心迭代，跟踪速率快但跟踪精度较低；高精度跟踪算法如均值漂移算法，跟踪速率慢但精度较高。假设CCD采集图像的周期为T，在kT,k＝0,1,2,…，时刻采集的无人机图像组成一个图像序列，记为G0,GT,G2T,…,GkT,…；高速跟踪算法程序记为Pg，算法周期为Tg≤T；高精度跟踪算法程序记为Pj，计算周期为Tj≥NT，N为一个高精度算法周期内所包含的图像采集周期数目。高速跟踪算法Pg对kT时刻采集的图像GkT进行处理，在kT+Tg时刻得到结果，记为A[(k+1)T]，它是无人机在kT时刻位置的估计值，这一过程表示为A[(k+1)T]＝Pj(GkT)-Pg(GkT)高速跟踪算法产生的快速坐标序列记为A[T],A[2T],…,A[kT],…。高精度跟踪算法Pj对kNT时刻采集的图像GkNT处理，在kNT+Tj时刻得到结果记为B[(k+1)NT)，它是无人机在kNT时刻的观测值，这一过程表示为B[(k+1)NT]＝Pj(GkNT)高精度跟踪算法产生的高精度坐标序列记为B[NT],B[2NT],…,B[kNT],…。步骤2，对k时刻目标图像坐标初步跟踪结果进行修正。在本专利技术所涉及的跟踪逻辑中，由于植入算法的工作周期不同，使得快速跟踪图像算法与高精度图像跟踪算法不能做到同周期的算法匹配，为了提高整体跟踪算法的计算速率，需要充分运用时序资源，这里对两个模块的算法并行化处理。图3显示的是一个图像跟踪算法的内部时序搭配构成。由于高精度算法的处理周期较长，故这里将高精度算法与N个快速跟踪算法的计算周期并行化，其中，高精度算法与其时序左对齐的高速算法处理的是同一帧图像，通过一个整体图像跟踪算法周期可以得到两种结果：N个快速跟踪算法周期对k+T～k+NT时间段所获取图像进行处理所得本文档来自技高网...

【技术保护点】
一种无人机高速目标图像跟踪方法，其特征在于，包括如下步骤：步骤1，分别采用高速跟踪算法和高精度跟踪算法同时对目标图像进行跟踪，并以高速跟踪算法获得的k时刻的目标图像坐标作为k时刻的初步跟踪结果；步骤2，对k时刻的初步跟踪结果进行修正：步骤2.1，以步骤1中两个算法在相同时刻获得的目标图像坐标之差作为该时刻的算法误差，对历史算法误差进行统计分析，获得k时刻的算法误差估计值；步骤2.2，将步骤1获得的k时刻的初步跟踪结果减去步骤2.1获得的k时刻的算法误差估计值，即获得k时刻的目标图像坐标修正结果；步骤3，对步骤2.2获得的目标图像坐标修正结果进行卡尔曼滤波，得到最终的目标图像跟踪结果。

【技术特征摘要】
1.一种无人机高速目标图像跟踪方法，其特征在于，包括如下步骤：步骤1，分别采用高速跟踪算法和高精度跟踪算法同时对目标图像进行跟踪，并以高速跟踪算法获得的k时刻的目标图像坐标作为k时刻的初步跟踪结果；步骤2，对k时刻的初步跟踪结果进行修正：步骤2.1，以步骤1中两个算法在相同时刻获得的目标图像坐标之差作为该时刻的算法误差，对历史算法误差进行统计分析，获得k时刻的算法误差估计值；步骤2.2，将步骤1获得的k时刻的初步跟踪结果减去步骤2.1获得的k时刻的算法误差估计值，即获得k时刻的目标图像坐标修正结果；步骤3，对步骤2....

【专利技术属性】
技术研发人员：王宜贤，石德乐，
申请(专利权)人：山东航天电子技术研究所，
类型：发明
国别省市：山东;37