[发明专利]一种结合均值移动与粒子滤波的无人机目标跟踪方法

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种结合均值移动与粒子滤波的无人机目标跟踪方法。

背景技术

目标跟踪在科学和工程中具有重要的研究价值。无人机跟踪目标飞行的过程中，由于摄像机和目标之间的相对运动，应用场景的复杂多变，以及采集的视频图像一般具有光照变化明显、图像中杂物或噪声显著、目标被部分遮挡或完全遮挡、目标姿态变化大等特点，使基于序列图像的目标跟踪难以实现。

目标跟踪算法可分为确定性跟踪算法和随机性跟踪算法两类，均值移动算法是一种确定性跟踪算法。这种跟踪算法通常可以转化为最优化问题，即寻找目标的最优匹配。基于均值移动的目标跟踪算法简单、实时性好，但是易收敛到局部极值点，不能对跟踪窗口进行自适应调节，当目标机动性较强，尺度变化明显，存在不同程度的遮挡，或光照发生较强变化时，跟踪效果不理想。

粒子滤波跟踪算法是一种随机性跟踪算法，它采用多个粒子，有效地表达了跟踪的不确定性，对非刚体目标的跟踪以及部分遮挡下的跟踪表现出较强的鲁棒性，但是存在粒子退化现象，预测精度受累积误差效应的影响，并且计算量比较大，实时性较差。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种可实现动态场景、光照变化、尺度变化、遮挡等复杂情况下对目标实时定位与跟踪，具有实时性好、适应性强和可扩展性好等优点的结合均值移动与粒子滤波的无人机目标跟踪方法。

为了实现上述目的，本发明的实施例提出了一种结合均值移动与粒子滤波的无人机目标跟踪方法，包括以下步骤：在均值移动跟踪过程中，根据带宽矩阵构建基于所述带宽矩阵的均值移动跟踪算法，以在跟踪过程中自适应更新目标尺度窗口；根据所述均值移动跟踪算法和粒子滤波算法的检测结果建立加权和数据融合目标定位方法；根据所述加权和数据融合目标定位方法确定所述无人机目标位置；根据目标重收敛方法对所述粒子滤波算法中的粒子进行采样以生成基于所述目标重收敛的粒子滤波算法；以及根据所述目标重收敛的粒子滤波算法得到目标扩展搜索策略，并根据所述目标扩展搜索策略对目标进行跟踪。

根据本发明实施例的结合均值移动与粒子滤波的无人机目标跟踪方法，能够在动态场景、光照影响、尺度变化、遮挡干扰等复杂场景下，实现对跟踪目标的实时定位与跟踪，且还可应用于不同的场景和平台，因此，本发明的实施例具有实时性好、适应性强和可扩展性好等优点。

另外，根据本发明上述实施例的结合均值移动与粒子滤波的无人机目标跟踪方法还可以具有如下附加的技术特征：

在本发明的实施例中，根据带宽矩阵构建基于所述带宽矩阵的均值移动跟踪算法，进一步包括：根据基于颜色特征的加权概率密度分布函数描述目标模型与候选模型，其中，所述目标模型与所述候选模型的特征空间为32*32+10的一维HSV颜色空间向量；利用椭圆区域表示所述目标，根据人机交互的目标初始化方式选择矩形作为所述目标，并计算所述矩形的内接椭圆，其中，所述每个内接椭圆表示所述目标的中心位置在图像中的水平坐标和垂直坐标、所述椭圆的长半轴和短半轴、所述椭圆的主轴与所述图像的水平坐标正方向的夹角。根据所述带宽矩阵在所述跟踪过程中计算最优核函数窗宽。

在本发明的实施例中，根据所述加权和数据融合目标定位方法确定所述无人机目标位置，进一步包括：基于所述带宽矩阵的均值移动跟踪算法得到所述目标的第一中心位置；根据所述粒子预测得到所述目标的第二中心位置；根据所述第一中心位置、所述第二中心位置和带宽矩阵参数建立数据融合策略，确定所述目标的中心位置。

在本发明的实施例中，生成基于所述目标重收敛的粒子滤波算法，进一步包括：在所述均值移动跟踪算法得到的跟踪目标椭圆区域内采样N个粒子；以每个粒子为中心，将二阶自回归模型作为所述粒子的状态转移方程；如果状态转移后所有粒子所在的区域均为同一候选区域，则计算所有粒子的HSV颜色特征向量，且所述特征向量大小为(10*10+10)；计算每个候选区域与目标模型的相似度，取所述粒子的权重与相似度成正比的粒子进行滤波；对滤波后的所有粒子进行加权求和，并获取由粒子滤波算法预测得到的目标位置；在所述粒子重采样过程中，根据所述加权和数据融合目标定位方法确定所述目标的中心位置，并以所述中心位置为参考点，在第一区域内均匀采样N个粒子。

在本发明的实施例中，根据所述目标扩展搜索策略对目标进行跟踪，进一步包括：根据所述目标的运动轨迹进行一步预测；对所述目标进行局部目标搜索；对所述目标地进行全局目标搜索。