[发明专利]一种基于无人机的多目标跟踪定位与运动状态估计方法

说明书

本发明公开了一种基于无人机的多目标跟踪定位与运动状态估计方法，其具体步骤包括：输入无人机高空视角航拍下的目标观测图像数据，获得目标检测结果；使用卡尔曼滤波预测目标轨迹参数，然后使用匈牙利算法进行级联匹配，对级联匹配结果再进行IoU的匹配，利用卡尔曼滤波更新目标轨迹的状态，对每个匹配成功的轨迹，用其对应的检测结果进行更新，并处理未匹配轨迹和未匹配检测结果，将该方法移植入ROS环境中，将无人机摄像头拍摄的二维图像上的像素坐标转化到真实世界的空间坐标，并计算目标运动的速度。本发明方法在高空无人机运行过程中完成了对多目标跟踪定位算法的迁移适配，实现了对多目标运动状态的精确计算。

技术领域

本发明涉及目标定位与跟踪领域，尤其涉及一种基于无人机的多目标跟踪定位与运动状态估计方法。

背景技术

目前,多目标跟踪技术(MOT)是自动驾驶、智慧交通、智慧安防等应用场景中的关键共性技术，其目的是将场景中检测到的物体框在时序上关联形成轨迹，并用于物体实时位置的跟踪。MOT的研究难点主要在于相似背景、光照条件变化、遮挡等外界因素干扰，和目标姿态变化、尺度变化、进出视野、运动模糊等自身因素影响下的多目标跟踪。

目前常用的MOT方法主要分为生成式模型方法和判别式模型方法两类。生成式模型方法是通过在线学习方式建立目标模型，然后使用模型搜索重建误差最小的图像区域，完成目标定位，该方法包括卡尔曼滤波，粒子滤波，mean-shift等。但是这一类方法没有考虑目标的背景信息，图像信息没有得到较好的利用，并且该类算法计算代价大耗时长，准确率差。判别式模型方法，又称检测跟踪算法(tracking-by-detection)，其将目标跟踪看作是一个二元分类问题，同时提取目标和背景信息用来训练分类器，将目标从图像序列背景中分离出来，从而得到当前帧的目标位置。判别式模型方法与生成类方法最大的区别是，其分类器采用机器学习，训练中用到了背景信息，这样分类器就能专注区分前景和背景，所以判别类方法普遍都比生成类好，也是目前主流的跟踪方法。但是，当前的研究主要是集中在视频监控等纯计算机视觉领域，并且大多研究仅针对低视角下的多目标跟踪与速度计算，其应用大多仅面向监控/车载摄像头和低空视角，很少有工作在高空无人机航拍视角下，并结合机器人操作系统(ROS)来进行迁移适配和开发利用。此外，ROS提供的多种传感器数据(如：GNSS、IMU等)可以与跟踪结果进行深度融合，从而实现对目标运动状态更精确的计算。

发明内容

针对机器人操作系统(ROS)和无人机高空视角航拍下的场景下同时准确地对多目标进行识别、定位、跟踪和状态估计的问题，本发明提出了基于DeepSORT算法的改进型目标跟踪定位和状态计算方法，并将其在ROS系统下进行迁移和适配，使其能在无人机平台上有效运行。

本发明针对遮挡情形造成的ID Switch问题，通过使用准确率更高的ReID模型解决了该问题；为提高跟踪精度，使用了YOLOv4组件，并使用Darknet进行针对性的模型训练；将识别、跟踪、定位和状态计算算法移植到ROS环境下，提出了基于无人机的多目标跟踪定位与运动状态估计方法。

本发明公开了一种基于无人机的多目标跟踪定位与运动状态估计方法，其具体步骤包括：

S1，获取无人机高空视角航拍下的目标观测图像数据，使用目标检测模块，检测当前帧图像中的目标包围框，将检测到的目标包围框转换成目标检测结果，获得目标检测结果，包括检测框，目标类别，置信度信息；

步骤S1具体包括，

S11，初始化目标检测结果的各参数，去掉检测置信度小于0.7的检测结果；

S12，使用非极大值抑制算法(NMS)，去除具有重叠检测框的检测结果；