[发明专利]一种面向无人机野外搜救的行人鲁棒跟踪方法

说明书

本发明提供了一种面向无人机野外搜救的行人鲁棒跟踪方法，该方法包括：输入一帧图像，对模板和粒子集合进行初始化；对粒子集合中的采样粒子进行传播，使之满足一种已知的重要性概率分布；用多样性度量方法对粒子的权值进行更新；归一化粒子的权值，并估计目标状态；筛选粒子，并对粒子进行重采样。实验表明，与同类跟踪方法相比，本发明在实现有效跟踪的同时，跟踪的效率也大为提升，因此具备有广泛的应用价值。

技术领域

本发明涉及目标跟踪领域，更具体地涉及一种面向无人机野外搜救的行人鲁棒跟踪方法。

背景技术

当前，随着国民出游形式的多样化，野外搜救的应用需求在不断提升，野外搜救的难度也在不断加大，如何及时有效的开展野外搜救成为一个亟待解决的问题。为了完成搜救任务，传统的野外搜寻方式往往需要调集大量的专业搜救人员，耗费大量人力、物力和时间的同时，还有可能造成遗漏，因此这种模式显得既代价高昂又效率低下。为此，设计一种高效智能的搜救系统显得尤为重要。而微型无人机则具备有轻便灵活、侦测范围广的特点，因此结合无人机来开展野外搜救将具备有诸多的优势和广泛的应用前景。

面向无人机野外搜救应用的行人鲁棒跟踪方法，是实现无人机野外搜救的关键技术。但受制于跟踪过程中可能会出现的环境遮挡、视角变换、光线变化、旋转变换以及被观测目标刚性及非刚性形变等影响，无人机很容易在判别被观测目标过程中产生偏移而丢失目标，因此许多主流的目标跟踪方法将无法满足应用的需要。但粒子滤波的思路却能有效应对上述的挑战，所以我们将采用粒子滤波的框架来进行跟踪方法的构造。

传统的粒子滤波框架主要包含四个阶段，分别是粒子状态传播阶段、粒子权值更新阶段、粒子权值归一化阶段和粒子状态估计阶段，这四个阶段环环相扣、层层影响，能够在不提供状态空间隐藏分布的情况下对粒子状态的期望进行估计，因此在非线性、非高斯系统中得到广泛的应用。然而，粒子滤波框架由于使用到了大量粒子来进行仿真，所以存在着计算量大、复杂度高的问题。为了解决该问题，我们在跟踪方法的构造过程中引入了多样性度量的方法。

多样性度量是一种高效准确的模板匹配方法。在这个方法中，一个良好的匹配具有较高的多样性与较小的形变量，而一个错误的匹配目标则具有较少的多样性和较大的形变量。除此之外，多样性度量方法还具备有非参数、单向映射的特点，因此适合于使用感兴趣区域提取的办法来进行效率的提升，从而达到改进粒子滤波性能的目的。

但是，利用多样性度量的特性来进行目标跟踪的技术在本领域还尚未出现。

发明内容

本发明目的在于提供一种基于多样性度量的粒子滤波方法，该方法能更好的完成无人机野外搜救过程中目标跟踪的任务，能以较高的精度对野外环境中运动的行人展开有效的跟踪。

本发明提供的面向无人机野外搜救的行人鲁棒跟踪方法具体包括以下步骤：

一种面向无人机野外搜救的行人鲁棒跟踪方法，其特征在于，包括以下步骤：

步骤1，对视频图像进行初始化，即在给定初始帧中标定跟踪目标，并在跟踪目标周围进行随机采样，以此来形成初始化的粒子集合，具体是：

步骤1.1、读入初始化帧I₀，从中获取一个合适的目标作为跟踪的模板；

步骤1.2、利用模板位置大小信息对目标的状态空间进行初始化定义，得到目标的初始状态X₀；

步骤1.3、根据目标的初始状态X₀，随机产生N个粒子，形成初始化粒子集合其中，服从一个均值为X₀方差为Φ的高斯分布，而则为粒子归一化权值，初始化为1/N；

步骤2，粒子状态传播，即根据系统的状态传播模型来对粒子集合中每一个粒子进行传播，使得传播得到的粒子服从一种已知的重要性概率分布，包括：