【技术实现步骤摘要】
一种基于尺度和抗遮挡优化的无人机跟随方法及系统
[0001]本专利技术提供了一种基于尺度和抗遮挡优化的无人机跟随方法及系统,属于目标跟踪和无人平台目标跟随
技术介绍
[0002]随着计算机视觉的发展,目标检测与目标跟踪技术得到长足的发展,应用机器视觉技术实现控制无人平台的自主目标跟随成为热门研究。
[0003]由于无人机搭载芯片计算量小且体量无法搭载GPU等加速计算设备等因素,因此对所设计搭载的目标跟踪算法有复杂度低的要求。而目标跟踪过程中存在着目标遮挡、形变和尺度变化问题,影响着目标跟踪的性能。
[0004]Liu等人利用TLD结合KCF作为目标跟踪算法,构建了无人机目标跟随系统,该方法效果显著,但是对于目标尺度变化适应性差。2022年饶六中等人通过使用单目相机搭建无人船的目标跟随系统,通过利用相机获取目标色彩空间,利用HSV色彩变化和二值化处理,获取目标的位置信息并利用偏差角和偏差距离控制无人船运动实现跟踪,但是其采用的跟踪方法鲁棒性较差,当出现与跟踪目标色彩空间相同的干扰物时,容易导致目标丢失。
技术实现思路
[0005]本专利技术为了解决现有基于机器视觉的无人平台目标跟随系统存在鲁棒性差、适用性低的问题,提出了一种基于尺度和抗遮挡优化的无人机跟随方法及系统。
[0006]为了解决上述技术问题,本专利技术采用的技术方案为:一种基于尺度和抗遮挡优化的无人机跟随方法,包括如下步骤:
[0007]S1:通过无人机获取跟踪目标的视频,地面工作站将接收到的视频通过 ...
【技术保护点】
【技术特征摘要】
1.一种基于尺度和抗遮挡优化的无人机跟随方法,其特征在于:包括如下步骤:S1:通过无人机获取跟踪目标的视频,地面工作站将接收到的视频通过人工框选初始帧中的感兴趣目标作为初始目标位置信息,初始化跟踪器,其中跟踪器即为已经过优化的基于尺度和抗遮挡优化的无人机跟随算法的计算机程序;所述基于尺度和抗遮挡优化的无人机跟随算法的优化过程如下:S1.1:采用KCF滤波器估计目标位置:设定目标搜索区域,提取初始目标的hog特征,并通过将hog特征与汉宁窗相乘得到目标模板,依此计算高斯矩阵图,利用核相关滤波算法确定目标下一帧可能出现的位置;S1.2:估计目标尺度:基于当前一帧目标搜索区域,对下一帧目标进行不同尺度规模估计;S1.3:根据估计得到的目标尺度和目标位置,计算目标的输出响应;S1.4:求解目标输出响应的置信度,当目标处于高置信度时,更新目标模板;当目标处于低置信度时,停止目标模板更新,利用抗遮挡机制重新找回跟踪目标;S2:地面工作站将跟踪器输出的目标的位置和尺度信息进行图像坐标系到世界坐标系的转换,将目标在图像中的运动信息转换为无人机世界坐标系下的飞行运动信息,并利用局域网将控制信息传输给无人机,实现无人机跟随目标飞行运动;S3:对下一帧图像进行处理,重复步骤S1
‑
S2,直到无人机跟随结束。2.根据权利要求1所述的一种基于尺度和抗遮挡优化的无人机跟随方法,其特征在于:所述步骤S1.2中利用图像尺度金字塔方法对目标进行多尺度估计,采用如下公式求出最优尺度:F_S
max
=max f(z
s
)=max(response_S
t
);上式中:F_S
max
表示尺度变换中最大响应值,response_S
t
为第t帧不同尺度估计的特征响应,利用上式对各个尺度进行求解,得出最优目标尺度估计。3.根据权利要求1所述的一种基于尺度和抗遮挡优化的无人机跟随方法,其特征在于:所述步骤S1.4中目标输出响应的置信度的计算公式如下:上式中:F
max
、F
min
分别表示目标响应的最大值和最小值,F
x,y
表示目标在响应矩阵中x行y列的值。4.根据权利要求3所述的一种基于尺度和抗遮挡优化的无人机跟随方法,其特征在于:所述置信度评估阈值为:上式中:APCE
mean
表示响应波动历史均值,F
mean
表示响应峰值历史均值,当第t帧目标置信度值大于τ2认为目标处于高置信度状态,当第t帧目标置信度值小于τ1,认为目标处于低置信度状态。
5.根据权利要求1所述的一种基于尺度和抗遮挡优化的无人机跟随方法,其特征在于:所述步骤S1.4中的抗遮挡机制是指当目标位于低置信度状态时,启用卡尔曼滤波以未遮挡时目标信息为依据,对目标位置信息进行最优估计,使跟踪器重新找回并跟踪目标,具体步骤如下:设目标第t帧的质心位置信息为X
t
(x,y),对应核相关滤波跟踪器的pos,那么对目标第t+1帧位置的估计为:上式中:X
t
为第t帧的目标状态信息,A为状态转移矩阵,Q
t
为当前帧系统噪声协方差,P
t+1/t
为预测估计协方差矩阵,B为控制矩阵,u为当前帧输入矩阵,P
t
为当前帧的估计协方差矩阵,X
t+1/t
为预测目标运动信息;...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。