一種基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法。本發(fā)明目標(biāo)跟蹤方法通過多尺度的樣本采集并結(jié)合實(shí)時(shí)更新的分類器，有效實(shí)現(xiàn)了旋翼無人機(jī)平臺(tái)對(duì)移動(dòng)目標(biāo)的快速準(zhǔn)確地在線實(shí)時(shí)跟蹤；本發(fā)明在跟蹤過程中，根據(jù)當(dāng)前幀的最大分類器響應(yīng)值以及其相比前一幀的最大分類器響應(yīng)值的變化情況，并結(jié)合前一幀的跟蹤性能判定結(jié)果，來判定當(dāng)前幀的跟蹤性能是否穩(wěn)定，當(dāng)跟蹤性能不穩(wěn)定時(shí)，及時(shí)對(duì)分類器的分類結(jié)果進(jìn)行修正，可有效防止目標(biāo)跟蹤過程中由于遮擋而導(dǎo)致的跟蹤目標(biāo)丟失。相比現(xiàn)有技術(shù)，本發(fā)明有效實(shí)現(xiàn)了旋翼無人機(jī)平臺(tái)對(duì)移動(dòng)目標(biāo)的快速準(zhǔn)確地在線實(shí)時(shí)跟蹤，且具備多尺度跟蹤特性，跟蹤性能更好，算法復(fù)雜度更低，實(shí)時(shí)性更好，對(duì)硬件資源的要求較低。
【專利說明】
-種基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理及模式識(shí)別技術(shù)領(lǐng)域，尤其設(shè)及一種基于旋翼無人機(jī)平臺(tái)的 目柄跟蹤方法。
【背景技術(shù)】
[0002] 近年來，隨著科學(xué)技術(shù)水平的日益提高，無人機(jī)事業(yè)的發(fā)展蒸蒸日上。由于其本身 具有結(jié)構(gòu)簡單、成本較低、靈活性高、環(huán)境適應(yīng)性強(qiáng)、便于裝載各類傳感器及裝備等特點(diǎn)，加 之?dāng)?shù)字通信、傳感器、微電子、虛擬現(xiàn)實(shí)等技術(shù)的快速進(jìn)步，無人機(jī)在空中作戰(zhàn)、城市武裝反 恐、海上捜救等軍用領(lǐng)域W及民用領(lǐng)域中都具有廣闊的應(yīng)用前景和發(fā)展空間，而利用無人 機(jī)所拍攝的視頻對(duì)目標(biāo)實(shí)現(xiàn)跟蹤則是其中一項(xiàng)重要應(yīng)用。
[0003] 根據(jù)背景的不同，運(yùn)動(dòng)目標(biāo)的識(shí)別跟蹤可W分為靜態(tài)背景和動(dòng)態(tài)背景下的目標(biāo)識(shí) 別跟蹤。靜態(tài)背景下運(yùn)動(dòng)目標(biāo)識(shí)別是指攝像機(jī)在整個(gè)過程中靜止;而動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo) 識(shí)別是指攝像機(jī)在識(shí)別過程中發(fā)生了諸如平動(dòng)、旋轉(zhuǎn)或多自由度運(yùn)動(dòng)等移動(dòng)的情況。顯然， 基于無人機(jī)運(yùn)樣旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤屬于上述的第二類范疇。
[0004] 基于計(jì)算機(jī)視覺的目標(biāo)跟蹤算法主要分為四類，分別是基于目標(biāo)區(qū)域的跟蹤、基 于目標(biāo)特征的跟蹤、基于目標(biāo)變形模板的跟蹤和基于目標(biāo)模型的跟蹤?；趨^(qū)域的跟蹤算 法首先通過圖像分割或先驗(yàn)知識(shí)進(jìn)行運(yùn)動(dòng)區(qū)域的預(yù)先提取，并得到相應(yīng)的模板，然后運(yùn)用 相關(guān)算法對(duì)序列圖像中的目標(biāo)進(jìn)行跟蹤。相對(duì)其它跟蹤算法來說，由基于區(qū)域的跟蹤算法 提取出的目標(biāo)模板比較完整，因而得到的圖像信息更為豐富，可穩(wěn)定跟蹤目標(biāo)，具有較高的 跟蹤精度。但它也存在一些缺點(diǎn)，如計(jì)算量大、對(duì)圖像變形問題模板匹配困難、目標(biāo)遮擋或 形變時(shí)效果不佳、復(fù)雜環(huán)境下模板漂移等問題。基于目標(biāo)特征的跟蹤算法利用匹配算法在 圖像序列中尋找與目標(biāo)特征相符的運(yùn)動(dòng)物體。其主要步驟為特征提取、特征匹配W及運(yùn)動(dòng) 信息計(jì)算。該方法對(duì)遮擋、照明、視角等問題造成的圖像變化表現(xiàn)出很好的魯棒性。在W往 的文獻(xiàn)中，學(xué)者將其與Adaboost、卡爾曼濾波等預(yù)測算法進(jìn)行結(jié)合，取得了令人滿意的跟蹤 效果。如何選擇合適的特征是該算法應(yīng)用過程中的關(guān)鍵點(diǎn)和難點(diǎn)。變形模板是紋理或邊緣 可W按照一定的條件變形的面板或曲線?；谀繕?biāo)變形模板的跟蹤算法對(duì)可變性目標(biāo)十分 有效?；谀繕?biāo)模型的跟蹤算法中，運(yùn)動(dòng)物體的表達(dá)方式分為=種：線圖模型、2D模型和3D 模型。在實(shí)際情況中，采用3D模型的跟蹤具有更廣的應(yīng)用范圍。一般來說，算法首先根據(jù)先 驗(yàn)知識(shí)獲得目標(biāo)的立體結(jié)構(gòu)模型和運(yùn)動(dòng)模型，然后結(jié)合實(shí)際場景對(duì)目標(biāo)物體進(jìn)行跟蹤?；?于3D模型的目標(biāo)跟蹤算法性能可靠，及時(shí)目標(biāo)運(yùn)動(dòng)狀態(tài)發(fā)生變化也能取得很好的效果。但 在實(shí)際應(yīng)用中很難獲得運(yùn)動(dòng)目標(biāo)的精確幾何模型，且運(yùn)算量大，算法實(shí)時(shí)性差。
[0005] 無人機(jī)搭載攝像頭后，運(yùn)動(dòng)目標(biāo)檢測是基于動(dòng)態(tài)背景的，雖然攝像頭的視野得到 擴(kuò)大，但是目標(biāo)和攝像機(jī)之間存在復(fù)雜的相對(duì)運(yùn)動(dòng)，因而對(duì)目標(biāo)跟蹤算法提出了更高的要 求。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)不足，提供一種基于旋翼無人機(jī)平 臺(tái)的目標(biāo)跟蹤方法，可快速準(zhǔn)確地實(shí)現(xiàn)對(duì)移動(dòng)目標(biāo)的在線跟蹤，且可有效防止目標(biāo)被遮擋 導(dǎo)致跟蹤目標(biāo)丟失的情況。
[0007] 本發(fā)明具體采用W下技術(shù)方案解決上述技術(shù)問題：
[0008] -種基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法，包括W下步驟：
[0009] Sl、對(duì)旋翼無人機(jī)平臺(tái)所拍攝的視頻的每一帖進(jìn)行自動(dòng)目標(biāo)識(shí)別，W初次識(shí)別出 目標(biāo)的視頻帖作為目標(biāo)跟蹤的初始帖，并在初始帖中目標(biāo)周圍劃定矩形的初始目標(biāo)跟蹤 框；
[0010] S2、W初始目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在初始帖中采集一組與初始目標(biāo)跟蹤框同尺度的 正、負(fù)樣本，提取所述樣本的尺度不變特征對(duì)分類器進(jìn)行訓(xùn)練，并W初始目標(biāo)跟蹤框中的圖 像作為正樣本模板；
[0011] S3、在當(dāng)前帖中，W前一帖的目標(biāo)跟蹤框位置為中屯、的一定區(qū)域內(nèi)采集一組不同 尺度的矩形區(qū)域作為檢測樣本，并在每個(gè)檢測樣本上疊加均值為0的高斯白噪聲;提取疊加 噪聲后的各檢測樣本的尺度不變特征并分別作為所述分類器的輸入，得到各檢測樣本的分 類器響應(yīng)值；
[0012] S4、判斷當(dāng)前帖的跟蹤性能是否穩(wěn)定，如性能不穩(wěn)定，則轉(zhuǎn)至S5,否則，轉(zhuǎn)至S8;如 W下條件之一得到滿足，則當(dāng)前帖的跟蹤性能不穩(wěn)定：
[0013] (1)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值小于0;
[0014] (2)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值大于等于0,同時(shí)當(dāng)前帖檢測樣本的最大 分類器響應(yīng)值小于前一帖檢測樣本的最大分類器響應(yīng)值，且前一帖的跟蹤性能不穩(wěn)定；
[0015] (3)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值在0和一個(gè)預(yù)設(shè)的大于0的闊值之間，同 時(shí)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值小于前一帖檢測樣本的最大分類器響應(yīng)值，且前一 帖的跟蹤性能穩(wěn)定；
[0016] S5、計(jì)算當(dāng)前帖各檢測樣本與正樣本模板之間的歸一化相似度，并W歸一化相似 度作為修正系數(shù)對(duì)當(dāng)前帖相應(yīng)檢測樣本的分類器響應(yīng)值進(jìn)行修正；W修正后的分類器響應(yīng) 值最大的檢測樣本所對(duì)應(yīng)的矩形區(qū)域作為當(dāng)前帖的目標(biāo)跟蹤框；
[0017] S6、判斷連續(xù)跟蹤不穩(wěn)定的帖數(shù)是否達(dá)至順設(shè)上限值，如是，則將所述高斯白噪聲 的標(biāo)準(zhǔn)差增大后轉(zhuǎn)SlO;否則，轉(zhuǎn)至S7;
[0018] S7、W當(dāng)前帖的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前帖中采集一組與當(dāng)前帖的目標(biāo)跟蹤框 同尺度的正、負(fù)樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提 取所選出的正樣本W(wǎng)及負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練后轉(zhuǎn)至S10;
[0019] S8、W分類器響應(yīng)值最大的檢測樣本所對(duì)應(yīng)的矩形區(qū)域作為當(dāng)前帖的目標(biāo)跟蹤 框，并用前一帖正樣本模板與初始帖正樣本模板的加權(quán)和來更新正樣本模板；
[0020] S9、W當(dāng)前帖的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前帖中采集一組與當(dāng)前帖的目標(biāo)跟蹤框 同尺度的正、負(fù)樣本，提取所述正、負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練；
[0021] S10、如視頻已結(jié)束，則退出目標(biāo)跟蹤;否則，W下一帖作為當(dāng)前帖，轉(zhuǎn)至S3。
[0022] 優(yōu)選地，所述分類器為樸素貝葉斯分類器。
[0023] 優(yōu)選地，所述尺度不變特征為尺度不變壓縮特征。
[0024] 進(jìn)一步地，所述分類器的學(xué)習(xí)速率A在目標(biāo)跟蹤過程中按照下式進(jìn)行自適應(yīng)更新：
[0025]
[0026] 式中，X為當(dāng)前帖的目標(biāo)跟蹤框中圖像高斯分布均值與前一帖的目標(biāo)跟蹤框中圖 像高斯分布均值之間差值的絕對(duì)值；
[0027] 優(yōu)選地，檢測樣本與正樣本模板之間的相似度使用W下方式度量:檢測樣本與正 樣本模板的各維特征值的差值絕對(duì)值之和。
[0028] 優(yōu)選地，利用W下方法對(duì)旋翼無人機(jī)平臺(tái)所拍攝的視頻的每一帖進(jìn)行自動(dòng)目標(biāo)識(shí) 另IJ:首先提取當(dāng)前帖中的感興趣區(qū)域;然后將感興趣區(qū)域與目標(biāo)模板先后進(jìn)行主顏色匹配 和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配成功的感興趣區(qū)域，則該感興趣區(qū)域即為 在當(dāng)前帖中識(shí)別出的目標(biāo)，否則，繼續(xù)對(duì)下一帖進(jìn)行目標(biāo)識(shí)別。
[0029] 相比現(xiàn)有技術(shù)，本發(fā)明技術(shù)方案具有W下有益效果：
[0030] 本發(fā)明有效實(shí)現(xiàn)了旋翼無人機(jī)平臺(tái)對(duì)移動(dòng)目標(biāo)的快速準(zhǔn)確地在線實(shí)時(shí)跟蹤，且具 備多尺度跟蹤特性；
[0031 ]本發(fā)明可有效防止目標(biāo)跟蹤過程中由于遮擋而導(dǎo)致的跟蹤目標(biāo)丟失，跟蹤效果更 好；
[0032] 本發(fā)明算法復(fù)雜度低，實(shí)時(shí)性好，對(duì)硬件資源的要求較低。
【附圖說明】
[0033] 圖1是本發(fā)明目標(biāo)跟蹤方法流程圖；
[0034] 圖2是【具體實(shí)施方式】中所使用目標(biāo)識(shí)別方法的流程圖；
[0035] 圖3是選取多尺度待檢測樣本方案的示意圖；
[0036] 圖4是尺度不變壓縮特征向量提取示意圖；
[0037] 圖5是分類器更新階段正負(fù)樣本采集區(qū)域示意圖；
[0038] 圖6是學(xué)習(xí)速率自適應(yīng)更新函數(shù)示意圖。
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：
[0040] 本發(fā)明基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法的基本流程如圖1所示，具體包括W 下步驟：
[0041 ] Sl、對(duì)旋翼無人機(jī)平臺(tái)所拍攝的視頻的每一帖進(jìn)行自動(dòng)目標(biāo)識(shí)別，W初次識(shí)別出 目標(biāo)的視頻帖作為目標(biāo)跟蹤的初始帖，并在初始帖中目標(biāo)周圍劃定矩形的初始目標(biāo)跟蹤 框；
[0042]本發(fā)明可采用現(xiàn)有的各種自動(dòng)目標(biāo)識(shí)別方法，例如基于輪廓的目標(biāo)識(shí)別方法、基 于主顏色的目標(biāo)識(shí)別方法等，為了提高目標(biāo)識(shí)別的準(zhǔn)確性，本發(fā)明將基于輪廓的目標(biāo)識(shí)別 方法與基于主顏色的目標(biāo)識(shí)別方法相結(jié)合，即：首先提取當(dāng)前帖中的感興趣區(qū)域;然后將感 興趣區(qū)域與目標(biāo)模板先后進(jìn)行主顏色匹配和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配 成功的感興趣區(qū)域，則該感興趣區(qū)域即為在當(dāng)前帖中識(shí)別出的目標(biāo)，否則，繼續(xù)對(duì)下一帖進(jìn) 行目標(biāo)識(shí)別。如圖2所示，目標(biāo)識(shí)別的具體步驟如下：
[0043] (1)圖像灰度化
[0044] 本文中，使用加權(quán)平均法將彩色圖像轉(zhuǎn)換成灰度圖像，具體公式為：
[0045] 1 = 0.3XR+0.59XG+0.IlXB
[0046] 其中R，G，B為彩色圖像中對(duì)應(yīng)的紅、綠、藍(lán)=個(gè)通道的灰度分量，I為轉(zhuǎn)換后的單通 道灰度圖像。
[0047] (2)圖像二值化，用最大亮度值1來表示前景，用最小亮度值0來表示背景 [004引（3)提取輪廓
[0049] 物體形狀的邊緣輪廓借助邊緣檢測進(jìn)行提取，然后對(duì)物體形狀的邊緣輪廓進(jìn)行跟 蹤，并得到邊界點(diǎn)的相應(yīng)坐標(biāo)，按照順時(shí)針或者逆時(shí)針的順序，用n個(gè)像素點(diǎn)坐標(biāo)CO，Cl... Cn 來描述運(yùn)些邊界點(diǎn)的位置，W此得到物體的形狀。本文默認(rèn)C日=Cn,即目標(biāo)物體的輪廓是封 閉的。
[0050] (4)使當(dāng)前帖的原彩色圖像僅保留彩色前景部分；
[0051] (5)從前景中提取主顏色：
[0052] 使用K均值聚類算法提取主顏色：
[0053] (a)將圖像的顏色空間由RGB轉(zhuǎn)化到服V;
[0054] (b)確定主顏色數(shù)目k和初始聚類中屯、Cl;
[0055] (C)循環(huán)步驟(cO到(e)，直到每個(gè)聚類中屯、都不再發(fā)生變化，轉(zhuǎn)至(f);
[0056] (d)計(jì)算每個(gè)像素點(diǎn)與聚類中屯、。的距離，然后將其歸進(jìn)相似度最高的聚類中。若 用Ci=化i, Si ,Vi)，Cj =化j ,Sj ,Vj)分別表示HSV空間中的兩種顏色，則二者的相似性計(jì)算公 式如下：
[0化7]
[0化引其中34在0至1之間取值，服V空間是單位高度的圓柱體。
[0059] (e)重新計(jì)算每個(gè)類的聚類中屯、，其數(shù)值取該聚類中所有像素的平均值；
[0060] (f)得到圖像的主顏色直方圖Ci W及對(duì)應(yīng)的主顏色頻率Pi;
[0061] (6)對(duì)當(dāng)前帖和模板圖像進(jìn)行主顏色匹配；
[0062] 假設(shè)待檢測圖像對(duì)應(yīng)的前景圖像主色集合為主色頻率為Pq,主色共M個(gè);模板的 前景圖像主色集合為Cl，主色頻率為Pl，主色共N個(gè)。構(gòu)造主色集，使兩個(gè)直方圖的顏色數(shù)量 和顏色集合都相同，C = CQUCL，主色共有M+N個(gè)，顏色直方圖為P'Q=(Pql，Pq2，...，Pqm，0， 0, . . .0)，P'L=(0,0, . . .0，pii，pi2, . . .pin)。將主色集合的主色由RGB空間轉(zhuǎn)至HSV空間，并 計(jì)算C中任意兩種顏色Ci，Cj的相似性Sij(i，j = 1，2，. . .M+N)，并W
[0063] 此構(gòu)造顏色集合的相似矩陣S，兩個(gè)任意主色集之間的距離為：
[0064] d2=(PVP'L)S(PVP'L)T
[0065] (7)對(duì)當(dāng)前帖和模板圖像進(jìn)行輪廓匹配。采用化矩匹配度量兩個(gè)輪廓的相似
[0066] 度，化矩計(jì)算公式如下：
[0067] hi=ri2〇 巧 02
[006引 h2= (ri20-n02)2+化 A
[0069] h3= (ri3〇-3rU2)2+(3ri2i-n〇3)2
[0070] h4=(ri30 巧 12)2+(1121 巧 03)2
[007。 hs= (ri30-3rU2) (1130巧12) [ (ri30巧i2)2-3(ri2i-n03)2]
[007^ +(31121-11。3)(1121巧。3)[3(化21巧。3)2-(1121巧03)2]
[0073] h6=(n2〇-n〇2)[(ri30 巧 12)2-(1121 巧 03)2]+化 11(1130 巧 12)(1121 巧 03)
[0074] h?=(化21-11日3 )(物巧日3 ) [ 3 (ri3日巧22 ) 2- (1121 巧03 ) 2 ]
[0075] -(ri3〇-ni2) (n2i+n〇3) [ 3 (n30+ni2) (n2i+n03) ^ ]
[0076] 其中rip,q為圖像的歸一化矩。相似度指標(biāo)采用如下公式：
[0077]
[007引 "和皆分別是A和B的Hu矩。
[0079] 當(dāng)主顏色和輪廓均匹配時(shí)，該感興趣區(qū)域即為當(dāng)前帖中識(shí)別出的目標(biāo)，否則，繼續(xù) 進(jìn)行下一帖的自動(dòng)目標(biāo)識(shí)別。
[0080] S2、W初始目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在初始帖中采集一組與初始目標(biāo)跟蹤框同尺度的 正、負(fù)樣本，提取所述樣本的尺度不變特征對(duì)分類器進(jìn)行訓(xùn)練，并W初始目標(biāo)跟蹤框中的圖 像作為正樣本模板；
[0081 ]所述尺度不變特征可W是SIFT特征、SURF特征、BRISK特征等，為了降低算法復(fù)雜 度，提高目標(biāo)跟蹤實(shí)時(shí)性，本發(fā)明優(yōu)選采用尺度不變壓縮特征，并優(yōu)選樸素貝葉斯分類器。 具體地，對(duì)于每一個(gè)樣本圖像ZGlfT，它在壓縮域中的壓縮向量表達(dá)為1' = 0，,，'''，vf 6?"，其 中n?m。壓縮跟蹤算法中假設(shè)低維特征向量V中的所有元素都是獨(dú)立分布的，算法采用一個(gè) 樸素貝葉斯分類器對(duì)它們進(jìn)行建模：
[0082]
[0083] 其中y是表達(dá)樣本標(biāo)簽的二值變量，只有0和1兩個(gè)取值。我們假設(shè)正樣本和負(fù)樣本 的先驗(yàn)概率是相等的，即P(y = 1) =P(y=0)。
[0084] W往的理論中指出，由隨機(jī)稀疏投影矩陣得到的稀疏投影分布幾乎總是可W看作 是高斯的。所W，樸素貝葉斯分類器中的兩個(gè)樣本分布P(ViIy = I)和P(ViIy = O)可W看作高 斯分布，并且它們的分布特征可由四個(gè)參數(shù)如，武片,。，《)表征：
[0085] Q
[0086] S3、在當(dāng)前帖中，W前一帖的目標(biāo)跟蹤框位置為中屯、的一定區(qū)域內(nèi)采集一組不同 尺度的矩形區(qū)域作為檢測樣本，并在每個(gè)檢測樣本上疊加均值為0的高斯白噪聲；
[0087] 參照?qǐng)D3,在上一帖最佳位置附近選擇待檢測樣本時(shí)，將上一帖跟蹤框的位置在原 有基礎(chǔ)上分別向上下左右4個(gè)方向增大或縮小1/10的長度，并在每個(gè)樣本上疊加一定的高 斯白噪聲noise,則可W得到81個(gè)待檢測樣本，定義S為當(dāng)前帖跟蹤框長度與上一帖最佳跟 蹤框?qū)捴龋琒=Wp/w。
[008引 wp=w±w/10+noisew
[0089] hp = h±h/10+noiseh
[0090] Wp，hp分別為當(dāng)前帖待檢測矩形樣本的寬和高，w，h是上一帖跟蹤框位置的寬和高， noisew,noiseh均為人工疊加的均值為O的局斯白噪聲，初始狀態(tài)下令二者標(biāo)準(zhǔn)差為Stdw = 5, Stdh= 2.5。
[0091] 提取疊加噪聲后的各檢測樣本的尺度不變壓縮特征向量并分別作為所述分類器 的輸入，得到各檢測樣本的分類器響應(yīng)值；
[0092] 參照?qǐng)D4,尺度不變壓縮特征向量提取的具體步驟如下：
[0093] (1)保持初始隨機(jī)測量矩陣Ro中所有非零元數(shù)值不變，非零元對(duì)應(yīng)的矩形參數(shù)fx (i，t)，fy(i，t)，fw(i，t)，扣(i，t)分別與S相乘，并四舍五入取整：
[0094]
[0095]
[0096]
[0097]
[0098] 其中1 = 1，2-，1，*=1，2-，9，1為壓縮特征向量維數(shù)，9為初始隨機(jī)測量矩陣第1行 非零元素的個(gè)數(shù)；
[0099] (2)計(jì)算尺度不變壓縮特征向量第i維的特征值：
[0100]
[0101]其中，P(i，t)是初始隨機(jī)測量矩陣Ro中非零元素的值，PsumQ，t)是修正后的隨機(jī) 測量矩陣化中第i行第t列個(gè)非零元素所對(duì)應(yīng)的矩形內(nèi)像素值的總和，其計(jì)算公式如下：
[01 02] Psum( i , t) = I (Xmin , Ymin) +1 (Xmax , Ymax) ~1 (Xmax , Ymin) ~1 (Xmin , Ymax)
[0103] Xmin = y+fys(i ,t)-2
[0104] Xmax = y+fys(i ,t)+fhs(i ,t)-2
[0105] Ymin = X+fXs(i ,t)-2
[0106] Ymax = X+fXs(i ,t)+fWs(i ,t)-2
[0107] (3)最終可W得到M維尺度不變壓縮特征向量V。
[0108] S4、判斷當(dāng)前帖的跟蹤性能是否穩(wěn)定，如性能不穩(wěn)定，則轉(zhuǎn)至S5,否則，轉(zhuǎn)至S8;
[0109] 本發(fā)明根據(jù)當(dāng)前帖的最大分類器響應(yīng)值W及其相比前一帖的最大分類器響應(yīng)值 的變化情況，并結(jié)合前一帖的跟蹤性能判定結(jié)果，來判定當(dāng)前帖的跟蹤性能是否穩(wěn)定;具體 為出現(xiàn)W下任一種情況時(shí)，判定當(dāng)前帖的跟蹤性能不穩(wěn)定：
[0110] (1)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值小于0;
[0111] (2)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值大于等于0，同時(shí)當(dāng)前帖檢測樣本的最大 分類器響應(yīng)值小于前一帖檢測樣本的最大分類器響應(yīng)值，且前一帖的跟蹤性能不穩(wěn)定；
[0112] (3)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值在0和一個(gè)預(yù)設(shè)的大于0的闊值之間，同 時(shí)當(dāng)前帖檢測樣本的最大分類器響應(yīng)值小于前一帖檢測樣本的最大分類器響應(yīng)值，且前一 帖的跟蹤性能穩(wěn)定。
[0113] 用Pt表示當(dāng)前帖的跟蹤性能，Pt = O表示跟蹤性能穩(wěn)定，Pt=I表示跟蹤性能不穩(wěn) 定。Pt值的確定方法如下:假設(shè)Ct表示當(dāng)前的第t帖中最優(yōu)檢測樣本的分類器響應(yīng)值(即最大 分類器響應(yīng)值），且A Ct = Ct-Ct-ID為Ct分別設(shè)定兩個(gè)闊值th和ti，且A Ct的值被限定在一個(gè) 常數(shù)丫內(nèi)。則我們判定如下幾種情況為跟蹤性能不穩(wěn)定(Pt=I):
[0114] (l)Ct<0:當(dāng)前帖所有樣本的分類器響應(yīng)值都小于0,即分類器得到的目標(biāo)樣本其 實(shí)是負(fù)樣本，運(yùn)種情況下目標(biāo)可能遭遇遮擋或者跟蹤框已經(jīng)漂移甚至丟失目標(biāo)；
[011引（2)Ct〉0，A Ct<0 ,Pt-I = 1:在上一帖跟蹤性能不穩(wěn)定的情況下，若當(dāng)前帖最佳樣本 的分類器響應(yīng)值大于0,但正樣本特征的質(zhì)量比起上一帖有所下降，此時(shí)我們?nèi)匀徽J(rèn)為跟蹤 性能不穩(wěn)定；
[0116] (3)0<Ct<ti，ACt<0，Pt-i = 0:在上一帖跟蹤性能穩(wěn)定的情況下，若當(dāng)前帖最佳樣本 響應(yīng)值小于闊值，且比上一帖的跟蹤性能差，則認(rèn)為跟蹤性能不穩(wěn)定。S5、計(jì)算當(dāng)前帖各檢 測樣本與正樣本模板之間的歸一化相似度，并W歸一化相似度作為修正系數(shù)對(duì)當(dāng)前帖相應(yīng) 檢測樣本的分類器響應(yīng)值進(jìn)行修正；W修正后的分類器響應(yīng)值最大的檢測樣本所對(duì)應(yīng)的矩 形區(qū)域作為當(dāng)前帖的目標(biāo)跟蹤框；
[0117] 檢測樣本與正樣本模板之間的相似性度量可采用歐式距離、漢明距離、相關(guān)系數(shù) 等度量方式，為了簡化計(jì)算復(fù)雜度，本【具體實(shí)施方式】中采用絕對(duì)差(AD)來衡量兩個(gè)向量之 間的相似度：
[011 引
[0119] 其中，Vci為檢測樣本特征向量第i維特征值，Vp;為正樣本模板特征向量第i維特征 值。對(duì)于第j個(gè)樣本，得到一個(gè)樣本差值特征向量A V后對(duì)其各維特征值進(jìn)行求和，結(jié)果為一 個(gè)樣本與正樣本模板之間的特征差值絕對(duì)值之和A Vsumj。對(duì)所有待檢測樣本完成上述計(jì)算 后，將所有結(jié)果歸一化，并與樸素貝葉斯分類器結(jié)果相乘，即可得到所有樣本的修正后的分 類器響應(yīng)值向量。
[0120]
[0121]
[0122] C(V)=H(V)L(V)
[0123] 其中，y是表達(dá)樣本標(biāo)簽的二值變量，只有0和1兩個(gè)取值。我們假設(shè)正樣本和負(fù)樣 本具有相同的先驗(yàn)概率，即P(y = l)=P(y = 〇) emax( A Vsimj)為所有待檢測樣本對(duì)應(yīng)的A Vsumj中的最大特征值項(xiàng)。當(dāng)Pt = O，即跟蹤性能穩(wěn)定時(shí)，算法中令正樣本相似度函數(shù)為全1項(xiàng)， 從而跳過上述相似度衡量步驟，減小計(jì)算量。
[0124] S6、判斷連續(xù)跟蹤不穩(wěn)定的帖數(shù)是否達(dá)到預(yù)設(shè)上限值，如是，則將所述高斯白噪聲 的標(biāo)準(zhǔn)差增大后轉(zhuǎn)SlO;否則，轉(zhuǎn)至S7;
[0125] 本【具體實(shí)施方式】中設(shè)定:如果跟蹤不穩(wěn)定帖數(shù)大于等于5，則將高斯白噪聲的標(biāo)準(zhǔn) 差擴(kuò)大至初始值的2倍W擴(kuò)大樣本框捜索范圍。
[0126] S7、W當(dāng)前帖的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前帖中采集一組與當(dāng)前帖的目標(biāo)跟蹤框 同尺度的正、負(fù)樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提 取所選出的正樣本W(wǎng)及負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練后轉(zhuǎn)至S10;
[0127] 參照?qǐng)D5,得到當(dāng)前帖最佳樣本后，W目標(biāo)框中屯、為基準(zhǔn)，在附近的一定半徑內(nèi)利 用滑窗法采集與之大小一致的正樣本和負(fù)樣本
[012引 D?s= 口 I I I I(Z)-Io I I <p0srad}
[0129] 〇NEG= {z I p〇srad+4< I I I(Z)-Io I I <negrad}
[0130] W區(qū)間（0，posrad)為半徑采集正樣本，W區(qū)間（posrad+4 ,negrad)為半徑采集負(fù) 樣本，本【具體實(shí)施方式】中posrad的值設(shè)為4，negrad的值設(shè)為30,并在跟蹤過程中保持不變。 二者的值與原始的壓縮跟蹤算法中相同，在實(shí)際應(yīng)用中，可W根據(jù)目標(biāo)尺寸、運(yùn)動(dòng)速度、圖 像分辨率等因素對(duì)posrad和negrad的數(shù)值進(jìn)行調(diào)整，W取得不同情況下較為理想的跟蹤效 果。
[0131] 用滑窗法采集正負(fù)樣本更新分類器相關(guān)步驟如下：
[0132] rowmin=max(0,y-posrad)；
[0133] roWmax=min(row-1 ,y+posrad)；
[0134] colmin=max(0,x-posrad)；
[0135] colmax=min(col_l ,x+posrad);
[0136] 其中，；r〇W = ；r〇Wimage-h-l ; col = Colimage-W-I ;r〇Wimage 是當(dāng)前帖圖像一列的像素?cái)?shù)， CO 1 image是當(dāng)前帖圖像一行的像素?cái)?shù)，X，y，W，h分別是當(dāng)前帖得分最高的跟蹤框所對(duì)應(yīng)的左 上頂點(diǎn)橫縱坐標(biāo)、寬和高。posrad為正樣本采集半徑。
[0137] W樣本的左上頂點(diǎn)為中屯、，行捜索Wrowmin為起點(diǎn)，rowmax為結(jié)束點(diǎn)，列捜索W COlmin為起點(diǎn)，COlmax為結(jié)束點(diǎn)，將最高得分跟蹤框窗日依次滑動(dòng)過上述像素所在位置，選取 正負(fù)樣本。
[0138] 在此過程中4
NUMmax為算法所需要的最大樣本 數(shù)量，本算法中采集正樣本時(shí)將其設(shè)為1000,采集負(fù)樣本時(shí)將其設(shè)為100。若當(dāng)前帖圖像所 能提供的樣本數(shù)量能夠滿足算法需要的樣本數(shù)量，則此時(shí)b<l;若當(dāng)前帖圖像所能提供的樣 本數(shù)量小于算法需要的樣本數(shù)量，則此時(shí)b> 1。設(shè)置一個(gè)隨機(jī)數(shù)發(fā)生器，可W隨機(jī)產(chǎn)生一個(gè)0 至1之間的數(shù)C。本【具體實(shí)施方式】中，當(dāng)b〉c且dist<posrad2時(shí)采集正樣本，當(dāng)b〉c且dist〉 negrad2時(shí)采集負(fù)樣本，運(yùn)里posrad為正樣本采集半徑，negrad為負(fù)樣本采集半徑，本具體 實(shí)施方式中分別定為4和30。
[0139] 對(duì)于采集到的正樣本，將其依次與當(dāng)前正樣本模板進(jìn)行比較，計(jì)算低維特征向量 相似度，選擇絕對(duì)差之和最小的前1/2更新樸素貝葉斯分類器：
O[0142] 如圖6所示，本【具體實(shí)施方式】中還采用自適應(yīng)的方式更新學(xué)習(xí)速率入：
[0140] ，
[0141]
[0143]
[0144] 其中，^=|4-化|，4為當(dāng)前帖目標(biāo)跟蹤框中圖像高斯分布均值，化為前帖目標(biāo)跟蹤 框中圖像高斯分布均值；當(dāng)x<t時(shí)，r = Ti，x〉t時(shí)，r = K JiJU、t均為預(yù)設(shè)參數(shù)，本具體實(shí)施 方式中 t = 0.4, ri = 0.4, K = 0.5。
[0145] 結(jié)合圖6可知，若當(dāng)前帖樣本與已有目標(biāo)高斯分布樣本均值相差較大，則學(xué)習(xí)速率 上升較快，從而分類器更新變慢;若二者高斯分布均值相差不大，說明跟蹤性能良好，則學(xué) 習(xí)速率較低，從而分類器更新速度維持在較快水平。
[0146] S8、W分類器響應(yīng)值最大的檢測樣本所對(duì)應(yīng)的矩形區(qū)域作為當(dāng)前帖的目標(biāo)跟蹤 框，并用前一帖正樣本模板與初始帖正樣本模板的加權(quán)和來更新正樣本模板；
[0147] 正樣本模板建立在樣本對(duì)應(yīng)的低維特征向量基礎(chǔ)上，本【具體實(shí)施方式】中中正樣本 模板的罕就公古責(zé).
[014 引
[0149] 其中，9表示當(dāng)前帖正樣本模板，它由上一時(shí)刻正樣本模板巧和初始時(shí)刻目標(biāo)框低 維特征向量口 /按照一定比重共同構(gòu)成，本算法中y取0.9。
[0150] S9、W當(dāng)前帖的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前帖中采集一組與當(dāng)前帖的目標(biāo)跟蹤框 同尺度的正、負(fù)樣本，提取所述正、負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練；
[0151] S10、如視頻已結(jié)束，則退出目標(biāo)跟蹤;否則，W下一帖作為當(dāng)前帖，轉(zhuǎn)至S3。
【主權(quán)項(xiàng)】
1. 一種基于旋翼無人機(jī)平臺(tái)的目標(biāo)跟蹤方法，其特征在于，包括以下步驟： 51、 對(duì)旋翼無人機(jī)平臺(tái)所拍攝的視頻的每一幀進(jìn)行自動(dòng)目標(biāo)識(shí)別，以初次識(shí)別出目標(biāo) 的視頻幀作為目標(biāo)跟蹤的初始幀，并在初始幀中目標(biāo)周圍劃定矩形的初始目標(biāo)跟蹤框； 52、 以初始目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在初始幀中采集一組與初始目標(biāo)跟蹤框同尺度的正、負(fù) 樣本，提取所述樣本的尺度不變特征對(duì)分類器進(jìn)行訓(xùn)練，并以初始目標(biāo)跟蹤框中的圖像作 為正樣本模板； 53、 在當(dāng)前幀中，以前一幀的目標(biāo)跟蹤框位置為中心的一定區(qū)域內(nèi)采集一組不同尺度 的矩形區(qū)域作為檢測樣本，并在每個(gè)檢測樣本上疊加均值為O的高斯白噪聲;提取疊加噪聲 后的各檢測樣本的尺度不變特征并分別作為所述分類器的輸入，得到各檢測樣本的分類器 響應(yīng)值； 54、 判斷當(dāng)前幀的跟蹤性能是否穩(wěn)定，如性能不穩(wěn)定，則轉(zhuǎn)至S5,否則，轉(zhuǎn)至S8;如以下 條件之一得到滿足，則當(dāng)前幀的跟蹤性能不穩(wěn)定： (1) 當(dāng)前幀檢測樣本的最大分類器響應(yīng)值小于〇; (2) 當(dāng)前幀檢測樣本的最大分類器響應(yīng)值大于等于0,同時(shí)當(dāng)前幀檢測樣本的最大分類 器響應(yīng)值小于前一幀檢測樣本的最大分類器響應(yīng)值，且前一幀的跟蹤性能不穩(wěn)定； (3) 當(dāng)前幀檢測樣本的最大分類器響應(yīng)值在0和一個(gè)預(yù)設(shè)的大于0的閾值之間，同時(shí)當(dāng) 前幀檢測樣本的最大分類器響應(yīng)值小于前一幀檢測樣本的最大分類器響應(yīng)值，且前一幀的 跟蹤性能穩(wěn)定； 55、 計(jì)算當(dāng)前幀各檢測樣本與正樣本模板之間的歸一化相似度，并以歸一化相似度作 為修正系數(shù)對(duì)當(dāng)前幀相應(yīng)檢測樣本的分類器響應(yīng)值進(jìn)行修正；以修正后的分類器響應(yīng)值最 大的檢測樣本所對(duì)應(yīng)的矩形區(qū)域作為當(dāng)前幀的目標(biāo)跟蹤框； 56、 判斷連續(xù)跟蹤不穩(wěn)定的幀數(shù)是否達(dá)到預(yù)設(shè)上限值，如是，則將所述高斯白噪聲的標(biāo) 準(zhǔn)差增大后轉(zhuǎn)SlO;否則，轉(zhuǎn)至S7; 57、 以當(dāng)前幀的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前幀中采集一組與當(dāng)前幀的目標(biāo)跟蹤框同尺 度的正、負(fù)樣本，從所有正樣本中選出與正樣本模板之間相似度最大的一部分;然后提取所 選出的正樣本以及負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練后轉(zhuǎn)至S10; 58、 以分類器響應(yīng)值最大的檢測樣本所對(duì)應(yīng)的矩形區(qū)域作為當(dāng)前幀的目標(biāo)跟蹤框，并 用前一幀正樣本模板與初始幀正樣本模板的加權(quán)和來更新正樣本模板； 59、 以當(dāng)前幀的目標(biāo)跟蹤框?yàn)榛鶞?zhǔn)，在當(dāng)前幀中采集一組與當(dāng)前幀的目標(biāo)跟蹤框同尺 度的正、負(fù)樣本，提取所述正、負(fù)樣本的尺度不變特征并對(duì)分類器進(jìn)行重新訓(xùn)練； S10、如視頻已結(jié)束，則退出目標(biāo)跟蹤;否則，以下一幀作為當(dāng)前幀，轉(zhuǎn)至S3。2. 如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，所述分類器為樸素貝葉斯分類器。3. 如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，所述尺度不變特征為尺度不變壓縮特 征。4. 如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，所述分類器的學(xué)習(xí)速率λ在目標(biāo)跟蹤 過程中按照下式進(jìn)行自適應(yīng)更新·式中，X為當(dāng)前幀的目標(biāo)跟蹤框中圖像高斯分布均值與前一幀的目標(biāo)跟蹤框中圖像高 斯分布均值之間差值的絕對(duì)I均為預(yù)設(shè)參數(shù)。5. 如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，檢測樣本與正樣本模板之間的相似度 使用以下方式度量:檢測樣本與正樣本模板的各維特征值的差值絕對(duì)值之和。6. 如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，利用以下方法對(duì)旋翼無人機(jī)平臺(tái)所拍 攝的視頻的每一幀進(jìn)行自動(dòng)目標(biāo)識(shí)別：首先提取當(dāng)前幀中的感興趣區(qū)域;然后將感興趣區(qū) 域與目標(biāo)模板先后進(jìn)行主顏色匹配和輪廓匹配，如存在顏色匹配和輪廓匹配均匹配成功的 感興趣區(qū)域，則該感興趣區(qū)域即為在當(dāng)前幀中識(shí)別出的目標(biāo)，否則，繼續(xù)對(duì)下一幀進(jìn)行目標(biāo) 識(shí)別。7. 如權(quán)利要求6所述目標(biāo)跟蹤方法，其特征在于，所述輪廓匹配中所使用的輪廓特征為 Hu不變矩特征。
【文檔編號(hào)】G06K9/62GK106023257SQ201610355179
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月26日
【發(fā)明人】賈春葉, 甄子洋, 馬坤
【申請(qǐng)人】南京航空航天大學(xué)