基于激光反无人机系统的目标跟踪方法技术方案

本发明专利技术公开了一种基于激光反无人机系统的目标跟踪方法，获取第一帧图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图；利用MBD函数和光栅扫描的方法，计算图像块的显著特征图；将梯度特征作为输入样本，显著特征图作为输出标签，利用岭回归训练滤波器；获取下一帧图像，在图像中心位置采集图像块并提取梯度特征图，用滤波器计算图像块的响应，响应最大处则是无人机更新后的位置，并得到新的目标检测框；在新的检测框处重新提取特征图并训练滤波器，进行后续帧的目标跟踪。本发明专利技术针对KCF算法进行改进，使得算法能应用于动态背景下的跟踪任务，并改善了背景变化时滤波器受到污染导致的目标跟丢问题。

【技术实现步骤摘要】
基于激光反无人机系统的目标跟踪方法
本专利技术涉及针对低空民用无人机的智能化打击技术，具体涉及一种基于激光反无人机系统的目标跟踪方法。
技术介绍
针对低空无人机的“黑飞”问题，利用机器视觉进行目标检测，并发射高能激光对无人机进行打击成为一种新颖的应对方法。本专利技术基于一种激光反无人机系统，该系统将相机和激光发射头搭载在二自由度伺服转台上，通过图像处理技术检测低空无人机，运用视觉伺服来控制转台，实现高精度跟踪瞄准，最后在完成瞄准后发射激光打击无人机。在进行目标跟踪的过程中，伺服转台带动相机转动，图像的背景会发生明显变化，因此这是一个动态背景下的跟踪任务。目前已有的目标跟踪算法多用于静态背景下的跟踪，无法满足任务要求。而用于动态背景下的跟踪算法，则面临着实时性不佳的问题。KCF算法是一种实时性良好的目标跟踪方法。然而该算法适用于静态背景跟踪，此外，该算法利用滤波器来匹配目标，滤波器会因为背景的剧烈变化而被污染，导致目标的跟丢。背景的剧烈变化具体可以是：无人机从开阔的天空背景下飞到了建筑物前，从相机的视角看，无人机周围的背景从天空变成了建筑的外墙。因此，需要设计一种实时性好且能应用于动态背景下的跟踪方法。
技术实现思路
本专利技术公开了一种基于激光反无人机系统的目标跟踪方法，针对KCF算法进行改进，使得算法能应用于动态背景下的跟踪任务，并改善了背景变化时滤波器受到污染导致的目标跟丢问题。实现本专利技术目的的技术解决方案为：一种基于激光反无人机系统的目标跟踪方法，具体包括如下步骤：步骤1，获取第一帧图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图x，具体为：步骤1-1，采用目标检测算法获取无人机在第一帧图像中的位置，获得目标检测框(x,y,w,h)，其中(x,y)为检测框左上角的坐标，(w,h)为检测框的宽和高；步骤1-2，以为中心截取一个图像块，图像块的长宽均为目标框的k倍，对图像块提取fHOG特征并用PCA降维，得到原始特征图tmp；步骤1-3，为了减少特征的边界效应，将原始特征图乘上一个汉宁窗，得到梯度特征图x，公式为：xi,j＝tmpi,j×hanni,j(1)其中，汉宁窗的数学表达如下，Rows,Cols分别表示特征图的行数和列数；步骤2，利用光栅扫描的方法计算图像块对应的显著特征图y，具体为：步骤2-1，利用光栅扫描的方法计算图像块的MBD特征；图像上的一条路径是由一系列相邻的像素点构成的，路径从起点向终点延伸的过程中是不能掉头的，即依次经过的像素点的横纵坐标只能单向变化，路径的MBD特征表示路径上最大像素值与最小像素值之差，图像块任意一个像素pi,j的MBD特征β(pi,j)表示以该像素为起点，任意一个边缘像素为终点，形成的所有路径中最小的MBD特征值。采用光栅扫描的方法简化MBD特征的计算，保存每个像素的MBD特征以及对应路径上的最大像素值U(pi,j)和最小像素值L(pi,j)。将每个像素的初始特征值设置为无穷大，进行正向光栅扫描，即从左往右，由上往下，先扫描完一行，再移至下一行起始位置继续扫描。如果上邻域或左邻域的路径与当前像素点形成的新路径，拥有更小的MBD特征值，就按照下式进行更新：β(pi,j)＝min{max{U(pi-1,j),I(pi,j)}-min{L(pi-1,j),I(pi,j)},β(pi,j)}U(pi,j)＝max{U(pi-1,j),I(pi,j)}(3)L(pi,j)＝min{L(pi-1,j),I(pi,j)}其中，pi-1,j表示上邻域的像素点，I(pi,j)表示像素值。左邻域用同样的方法计算。完成正向扫描后，再进行一遍反向扫描，利用下邻域和右邻域像素点进行更新；步骤2-2，将特征图每个像素的值归一化至0-1之间，得到显著特征图y。步骤3，将梯度特征图x作为输入样本，显著特征图y作为输出标签，利用岭回归模型训练滤波器的参数α，具体为：步骤3-1，岭回归是线性模型，而本问题中，样本和标签是非线性关系，因此需要将样本特征利用非线性映射函数转换成高维特征，使得高维特征和标签成线性关系，才能应用岭回归。高维空间中滤波器的参数(即岭回归的系数)计算，可以转换为计算高维特征的内积。采用高斯核函数将低维空间的内积运算映射到高维空间，这不仅避免了高维空间的内积运算，还避免了构建非线性映射函数的具体形式。高斯核函数的公式为：其中，为两个低维特征内积的高斯映射值，σ为高斯核的宽度参数，||…||2表示二范数，F-1(…)表示逆离散傅里叶变换，表示特征的离散傅里叶变换，例如表示特征x1、x2的离散傅里叶变换，⊙表示点乘；步骤3-2，计算滤波器的参数，公式为：其中，分别表示α,y的离散傅里叶变换，通过将x1＝x,x2＝x代入公式(4)并进行离散傅里叶变换确定，λ为正则化系数。步骤4，获取下一帧图像，在图像中心位置采集图像块并提取特征图z，用滤波器计算图像块的响应，响应最大处则是无人机更新后的位置，并得到新的目标检测框，具体为：步骤4-1，在下一帧图像的中心处截取图像块，大小与步骤1中的相同，采用步骤1的方法，提取图像块的梯度特征图z；步骤4-2，计算特征图z的响应，计算公式为：其中，f(z)是特征图z的响应，通过将x1＝x,x2＝z代入公式(4)并进行离散傅里叶变换确定，是步骤3得到的滤波器α的离散傅里叶变换；步骤4-3，计算特征图响应最大处的坐标，即得到无人机更新后的位置，新的目标检测框以更新后的位置为中心，大小与原检测框相同。步骤5，在新的检测框处重新提取特征图并训练滤波器，重复步骤1-4。一种激光反无人机系统目标跟踪系统，采用上述激光反无人机系统目标跟踪方法，包括：梯度特征提取模块，获取图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图；显著特征提取模块，用于利用MBD函数和光栅扫描的方法，计算图像块的显著特征；滤波器训练模块，用于将梯度特征作为输入样本，显著特征图作为输出标签，利用岭回归训练滤波器；无人机跟踪模块，用于在图像中心位置采集图像块并提取梯度特征图，用滤波器计算图像块的响应，确定更新后的无人机位置。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行上述激光反无人机系统目标跟踪方法。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述激光反无人机系统目标跟踪方法。本专利技术与现有技术相比，其显著优点在于：1)原KCF算法在上一帧图像目标位置附近采样，只能在静态背景下完成跟踪。由于相机的转动，上一帧的目标位置等效于当前帧的图像中心，本专利技术根据该特点在图像中心位置采样，可用于动态背景下目标跟踪；2)原KCF算法本文档来自技高网...

【技术保护点】
1.一种基于激光反无人机系统的目标跟踪方法，其特征在于，具体包括如下步骤：/n步骤1，获取第一帧图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图；/n步骤2，利用MBD函数和光栅扫描的方法，计算图像块的显著特征图；/n步骤3，将梯度特征作为输入样本，显著特征图作为输出标签，利用岭回归训练滤波器；/n步骤4，获取下一帧图像，在图像中心位置采集图像块并提取梯度特征图，用滤波器计算特征图的响应，响应最大处则是无人机更新后的位置，并得到新的目标检测框；/n步骤5，重复步骤1-4，在新的检测框处重新提取特征图并训练滤波器，进行后续帧的目标跟踪。/n

【技术特征摘要】
1.一种基于激光反无人机系统的目标跟踪方法，其特征在于，具体包括如下步骤：
步骤1，获取第一帧图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图；
步骤2，利用MBD函数和光栅扫描的方法，计算图像块的显著特征图；
步骤3，将梯度特征作为输入样本，显著特征图作为输出标签，利用岭回归训练滤波器；
步骤4，获取下一帧图像，在图像中心位置采集图像块并提取梯度特征图，用滤波器计算特征图的响应，响应最大处则是无人机更新后的位置，并得到新的目标检测框；
步骤5，重复步骤1-4，在新的检测框处重新提取特征图并训练滤波器，进行后续帧的目标跟踪。


2.根据权利要求1所述的基于激光反无人机系统的目标跟踪方法，其特征在于，步骤1中，获取第一帧图像的目标检测框，截取包含检测框的图像块，提取图像块的fHOG特征并进行处理，得到梯度特征图x，具体方法为：
步骤1-1，采用目标检测算法获取无人机在第一帧图像中的位置，获得目标检测框(x,y,w,h)，其中(x,y)为检测框左上角的坐标，(w,h)为检测框的宽和高；
步骤1-2，以为中心截取一个图像块，图像块的长宽均为目标框的k倍，对图像块提取fHOG特征并用PCA降维，得到原始特征图tmp；
步骤1-3，将原始特征图乘上一个汉宁窗，得到梯度特征图x，公式为：
xi,j＝tmpi,j×hanni,j(1)
其中，汉宁窗的数学表达如下，Rows,Cols分别表示特征图的行数和列数；





3.根据权利要求1所述的基于激光反无人机系统的目标跟踪方法，其特征在于，步骤2中，利用MBD函数和光栅扫描的方法计算图像块的显著特征图y，具体方法为：
步骤2-1，利用光栅扫描的方法计算图像块的MBD特征；
图像上的一条路径是由一系列相邻的像素点构成的，路径从起点向终点延伸的过程中是不能掉头的，即依次经过的像素点的横纵坐标只能单向变化，路径的MBD特征表示路径上最大像素值与最小像素值之差，图像块任意一个像素pi,j的MBD特征β(pi,j)表示以该像素为起点，任意一个边缘像素为终点，形成的所有路径中最小的MBD特征值；
采用光栅扫描的方法简化MBD特征的计算，保存每个像素的MBD特征以及对应路径上的最大像素值U(pi,j)和最小像素值L(pi,j)，将每个像素的初始特征值设置为无穷大，进行正向光栅扫描，即从左往右，由上往下，先扫描完一行，再移至下一行起始位置继续扫描，如果上邻域或左邻域的路径与当前像素点形成的新路径，拥有更小的MBD特征值，就按照下式进行更新：



其中，pi-1,j表示上邻域或者左邻域的像素点，I...

【专利技术属性】
技术研发人员：王捷飞，郭健，方林峰，刘金魁，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32