一种基于分层模型的无人机目标跟踪方法技术

本发明专利技术公开了一种基于分层模型的无人机目标跟踪方法，属于无人机遥感图像处理领域，包括以下步骤：第一步，建立初始帧目标的特征表达；第二步，建立以均值漂移为基础的粗跟踪模型；第三步，建立以改进的粒子群优化为基础的精跟踪模型。本算法通过引入均值漂移与改进的粒子群优化结合的分层模型，有效克服了因无人机成像特殊性造成视频跟踪难度大，不准确且易丢失的问题，有效提高了目标跟踪的精度。

A UAV target tracking method based on hierarchical model

The invention discloses a method based on the hierarchical model of the UAV target tracking method, which belongs to the field of UAV remote sensing image processing, which comprises the following steps: the first step, the expression characteristics of the establishment of the initial frame target; the second step, the establishment of coarse tracking model based on mean shift; the third step, based on Improved Particle Swarm Optimization for based on fine tracking model. This algorithm by introducing the mean shift and improved particle swarm optimization combined with the hierarchical model, effectively overcomes the particularity of UAV imaging caused by video tracking is difficult, not accurate and easy loss problem, effectively improve the accuracy of target tracking.

【技术实现步骤摘要】
一种基于分层模型的无人机目标跟踪方法
本专利技术属于遥感图像处理
，具体涉及一种基于分层模型的无人机目标跟踪方法。
技术介绍
无人机在民用和军用领域都有着越来越广泛的应用，因此其发展也引起了各国的重视，在众多研究方向中视觉能力成为今后无人机发展和竞争的焦点。而无人机视觉跟踪作为无人机视觉的主力军，也成为了一项关键技术。据公开资料表明，其中早在2005年的时候美国中央佛罗里达大学计算机视觉实验室就开发出了基于MATLAB的COCOA系统，主要用于无人机低空航拍视频图像的目标检测与跟踪处理。目前国内的目标跟踪方法大致可以分为以下三种：一是基于确定性的跟踪方法。该方法以均值漂移为代表，以目标初始位置为起点，沿着密度梯度下降最快的方向移动，得到新的位置，再以新的位置作为起点寻找下一个新的位置，算法逐次迭代，直到收敛到目标位置。优点是计算简单，速度快；缺点是很容易陷入局部最优，在背景干扰、目标遮挡和目标快速运动等情况下目标跟踪的鲁棒性较差。二是基于概率性跟踪方法。该方法以粒子滤波为代表，用一组离散的随机粒子来近似系统随机变量的概率密度函数，以样本均值代替积分运算，获得状态最小方差估计。优点是重采样的引入会使粒子能够将更大的精力投入在最可能成为目标的粒子周围，防止了粒子分散；缺点是可能会引起粒子匮乏，导致目标丢失。三是基于智能优化算法的跟踪方法。近年来，受均值漂移算法的启发，有学者另辟蹊径，采用其它寻优策略的智能优化算法来解决目标跟踪问题，比较典型的有粒子群优化算法，通过提高粒子的适应值，不断更新每个粒子自身的状态来控制粒子群的运动，不断迭代获得全局最优位置。优点是搜索速度快且搜索效率高，算法简单；缺点是对于离散的优化问题处理不佳，容易陷入局部最优。其中粒子滤波策略和粒子群优化搜索策略都需要一定数量的粒子，当粒子数目越多，准确率就会越高，但是相对应就会增大搜索时间；当粒子数目较少时，搜索时间减小，但有些区域可能无法搜索到，由于粒子群优化策略利用迭代的思想，对准确性的影响较小，但是粒子滤波会严重影响到跟踪的准确率。由于无人机成像环境的特殊性，在平稳飞行的过程中，可得到较为平稳的视频图像，但是由于云台运动以及气流等干扰，无人机在飞行过程中可能受到一定的冲击，在这种情况下，所成图像帧间目标可能会产生较大运动偏移。从上述分析可以看出，现有基于无人机侦察平台的目标跟踪方法在精度和效率之间存在矛盾，难以满足现代战场对实时、高精度目标跟踪的需求。
技术实现思路
本专利技术以无人机视频图像作为研究对象，建立了基于分层模型的无人机目标跟踪方法。该方法首先建立初始帧目标的特征表达，然后分两层对目标进行跟踪：第一层先利用简单快速的均值漂移方法对目标进行粗跟踪，得到粗跟踪下的目标位置；第二层将粗跟踪下的目标位置作为精跟踪的初始位置，利用改进的粒子群优化的搜索方法对目标进行进一步精跟踪。通过建立分层模型，得到目标的准确位置。本专利技术的一种基于分层模型的无人机目标跟踪方法，包括以下几个步骤：第一步，建立初始帧目标的特征表达。为进行无人机视频目标跟踪，本专利技术要求在无人机侦察平台捕获到地面目标信息后，在视频第一帧中进行目标的获取，该任务可由人工标注完成，也可利用自动检测技术。获取目标后利用目标区域的基于核函数加权的归一化空间颜色模型作为该目标的特征表达。第二步，建立以均值漂移为基础的粗跟踪模型。本步骤是目标跟踪的第一层，重点建立了以均值漂移为理论基础的粗跟踪模型，通过循环迭代计算出目标帧间偏移量，并由此得到粗跟踪中目标的初步估计结果。第三步，建立以改进的粒子群优化为基础的精跟踪模型。本步骤是目标跟踪的第二层，重点建立了以改进的粒子群优化为理论基础的精跟踪模型，通过在线调整角速度进而对粒子的运动规律进行调整，同时根据目标跟踪情况对粒子群参数进行自适应性调整，从而得到目标精跟踪结果。本专利技术具有以下优点：1)通过建立均值漂移和改进的粒子群优化分层模型的方法对无人机目标进行跟踪，该方法优势互补，在不影响实时效率的情况下提高了跟踪的准确性。2)引入运动模型的表达，并通过在线更新角速度的方法对当前运动模型进行实时调整，从而使粒子搜索更有方向性，提高效率和准确率。3)自适应性调整粒子群优化方法中的惯性参数，在一定程度上有利于跳出局部最优，防止目标丢失。附图说明图1为本专利技术方法流程图；图2分层跟踪模型具体流程图；图3为目标转弯运动示意图；图4本专利技术实验结果图。具体实施方式下面结合附图，对本专利技术的具体实施方法进行详细说明。本专利技术是一种基于分层模型的无人机目标跟踪方法，通过建立初始帧目标的特征表达、建立以均值漂移为基础的粗跟踪模型以及建立以改进的粒子群优化为基础的精跟踪模型等步骤，实现无人机视频目标的跟踪。图1给出了方法整体流程图，具体实施方法如图2所示，包括以下步骤：第一步建立初始帧目标的特征表达该步骤首先读入视频序列，手动选取要跟踪的目标区域，对所选取的目标区域建立基于核函数加权的归一化空间颜色直方图模型，并将该模型的特征向量作为目标区域的特征表达。基于核函数加权空间颜色模型的核心思想是当目标进行空间位置和形态的变换时，不同位置所受的影响程度不同，靠近目标中心的区域受到外界的影响相对于靠近目标边缘的区域较小，因此靠近目标中心的区域所具备的权重应大于靠近目标边缘的区域，本专利技术中核函数使用的是Epanechnikov核函数，如式(1)：其中，K(·)为Epanechnikov核函数，||r||为像素距离目标中心的距离。本专利技术中使用的颜色空间是RGB颜色空间，其中R、G、B三个通道的取值范围均是[0，255]，每个通道均有256个颜色等级。直方图是一种概率统计方法，统计出现某种颜色组合的次数，因此该RGB空间颜色直方图有2563种组合。鉴于该组合数目较大，本专利技术中采用降维的方法来简化，将R、G、B三通道中[0，255]的取值范围转换到[0，16]，整个颜色空间就可以用163，即4096种组合来表示。最终将三维向量映射为直方图上的一维向量，(R,G,B)＝256×R+16×G+B，并将其做归一化处理，该归一化后的直方图即可作为初始化阶段中视频初始帧目标的特征表达。第二步建立以均值漂移为基础的粗跟踪模型均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。均值漂移算法计算简单，迭代速度快，因此在初始帧之后的无人机视频图像序列中首先使用均值漂移算法对目标进行粗定位。本步骤主要包括两个环节，首先建立了均值漂移在跟踪中的数学表达，然后结合具体无人机视频图像对该算法进行分析。1)建立均值漂移在跟踪中的数学表达①建立目标模型结合核函数加权空间颜色模型，可将目标模型中第u个特征值估计的概率密度表示为：其中，fu表示目标模型中第u个特征值估计的概率密度，u为直方图中的颜色索引值，n为该目标模型的总像素个数，δ[·]为单位冲激响应，k(·)为Epannechnikov核函数，h为带宽，x为图像中目标的中心位置，xi为第i个样本的中心位置，b(xi)为位置xi处的颜色量化等级，C为系数。由概率密度的积分和等于1，可得到系数C为：②建立候选模型类似于目标模型，第y个候选模型第u个特征值估计的概率密度可表示为：这里的y是当前帧候选区域中心。其他参数和目本文档来自技高网...

【技术保护点】
一种基于分层模型的无人机目标跟踪方法，包括以下步骤：第一步，建立初始帧目标的特征表达读入视频序列，选取要跟踪的目标区域，对目标区域建立基于核函数加权的归一化空间颜色直方图模型，并将该模型的特征向量作为目标区域的特征表达；第二步，建立以均值漂移为基础的粗跟踪模型1)建立均值漂移在跟踪中的数学表达设均值漂移偏移量为：

【技术特征摘要】
1.一种基于分层模型的无人机目标跟踪方法，包括以下步骤：第一步，建立初始帧目标的特征表达读入视频序列，选取要跟踪的目标区域，对目标区域建立基于核函数加权的归一化空间颜色直方图模型，并将该模型的特征向量作为目标区域的特征表达；第二步，建立以均值漂移为基础的粗跟踪模型1)建立均值漂移在跟踪中的数学表达设均值漂移偏移量为：其中：y为当前帧候选区域中心位置，y0为上一帧目标的中心位置，n为样本点的个数，即上一帧目标位置处的像素个数，xi为当前帧候选区域的第i个像素点的位置，h为带宽，k(·)为Epannechnikov核函数，k'(·)表示核函数k(·)的导数，fu表示目标模型中第u个特征值估计的概率密度，u为直方图中的颜色索引值，δ[·]为单位冲激响应，b(xi)为位置xi处的颜色量化等级，pu(y0)表示当前帧中位于y0处的候选目标的颜色概率密度；2)以均值漂移为基础的粗跟踪在无人机视频跟踪过程中，将步骤一中所建立的基于核函数加权的归一化空间颜色直方图模型作为均值漂移过程中目标的特征值，进行迭代，得到跟踪匹配结果，设置迭代次数N，当候选区域和目标区域的相似度大于阈值T时，跳出迭代；第三步，建立以改进的粒子群优化为基础的精跟踪模型判断目标是否丢失，如果目标未丢失，利用精跟踪模型对位置进行进一步精确定位；若目标丢失，利用精跟踪模型对目标重新进行搜索定位；若精跟踪后仍未搜索到目标，则再次对目标进行选取。2.根据权利要求1所述的一种基于分层模型的无人机目标跟踪方法，所述的第一步中：核函数采用Epanechnikov核函数，如式(1)：其中，K(·)为Epanechnikov核函数，||r||为像素距离目标中心的距离。3.根据权利要求1所述的一种基于分层模型的无人机目标跟踪方法，所述的第一步中：空间颜色直方图模型为RGB颜色空间，将R、G、B三通道中[0，255]的取值范围转换到[0，16]，将三维向量映射为直方图上的一维向量，(R,G,B)＝256×R+16×G+B，并将其做归一化处理，该归一化后的直方图即为初始化阶段中视频初始帧目标的特征表达。4.根据权利要求1所述的一种基于分层模型的无人机目标跟踪方法，所述的第三步中：改进的粒子群优化精跟踪模型包括：第一，对粒子群优化中的参数进行初始化；第二，建立在线更新的运动模型；第三，建立基于粒子群优化算法的自适应性参数调整跟踪模型；具体的：1)参数初始化在粒子群优化跟踪模型中：粒子群种群数目：N；迭代次数：Tpso；粒子0时刻的初始飞行速度：粒子0时刻的初始位置：惯性参数：w1；学习因子：c1、c2；随机数：r1、r2；2)建立运动模型假设目标在(x,y)处转弯，转弯时的速率为v，速度与x轴方向所成夹角为θ，将拐弯处的状态描述为(x,x',y,y')，其中x',y'表示x,y方向上的速度大小；假设转弯角速率为ω，得到其与时间t的关系；x方向上速度的大小：x'＝vx＝vcosθ(17)y方向上速度的大小：y'＝vy＝vsinθ(18)x方向上加速度的大小：x”＝v'x＝-ω(t)vsinθ(19)y方向上加速度的大小：y”＝v'y＝ω(t)vcosθ(20)建立转弯模型的状态描述方程为：状态转移方程的形式为：Xk+1＝FkXk+Wk(22)其中，Fk为转弯模型的系统状态转移矩阵，Xk+1,Xk表示k+1时刻和k时刻目标的状态，即[x,x',y,y']T，Wk为转弯时的系统状态噪声；将式(21)代入式(22)，得到：其中A(t)为首先将A(t)离散化，得到

【专利技术属性】
技术研发人员：丁文锐，刘春蕾，李红光，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11