王娜　汪振東　屈喜琴

摘要：隨著人工智能技術(shù)的發(fā)展以及數(shù)字圖像處理技術(shù)的應(yīng)用日漸普及，目標跟蹤成為國內(nèi)外學(xué)者的研究熱點，該文針對無人機目標跟蹤易受遮擋、形變、等復(fù)雜背景的干擾導(dǎo)致跟蹤失敗等問題提出一種基于自適應(yīng)的粒子濾波的無人機目標跟蹤算法。實驗結(jié)果表明，該算法能有效地減少因復(fù)雜因素干擾導(dǎo)致的目標跟蹤精度下降的問題，具有良好的魯棒性。

關(guān)鍵詞：自適應(yīng)融合;粒子濾波算法;無人機;目標檢測;目標跟蹤

中圖分類號：TP273+.2 文獻標識碼：A

文章編號：1009-3044（2020）09-0255-02

目標跟蹤算法主要應(yīng)用于無人機目標檢測及追蹤、制造業(yè)的精確物料查找、文檔分析、醫(yī)療器械、導(dǎo)彈制導(dǎo)等領(lǐng)域。雖然目標跟蹤算法在近幾年來得到了飛速的發(fā)展[2]目前，主流的目標跟蹤算法通?？煞譃閮煞N類別：生成式方法和判別式方法，判別式方法通常會利用自適應(yīng)算法生成一個分類器，該分類器將目標圖像分割成目標本身和背景兩部分，將目標識別變成一個目標與背景的二元分類問題，該算法可以良好的區(qū)分目標和背景信息，具有良好的判別能力，典型的判別式方法有：MOSSE算法和KCF算法[5]。生成式方法是在跟蹤前用數(shù)字處理器生成一個目標圖像模型，該模型具備跟蹤目標的詳細信息，然后根據(jù)建立好的模型搜索最符合標準的目標信息，該方法能較好地描述目標信息，但是對外界干擾的魯棒性差，典型的生成式方法是CSK算法。基于以上提出的2種目標跟蹤算法，本文提出了一種基于自適應(yīng)的粒子跟蹤算法，該算法利用快速傅里葉變換，將卷積后的時域圖像參數(shù)輸入粒子濾波算法的密度函數(shù)P（X1…Xn）進行采樣分析，最終得到了跟蹤目標的圖像信息，該方法能有效解決目標跟蹤中的各種干擾，有效地提高了目標跟蹤的精度和有效性。

1 自適應(yīng)特征提取算法

1.1 自適應(yīng)目標特征屬性分析

在進行目標跟蹤時，目標特征表達的準確性嚴重的影響跟蹤的準確性，選擇單一特征和多維特征在效果上又有明顯的區(qū)別。KCF算法使用多通道的高斯核函數(shù)來計算和過濾HOG特征，對光照變化和地形變化具有較強的魯棒性，但無法滿足對快速形變后的目標的準確捕獲的要求。Stamp算法開創(chuàng)性的將HOG特征量和顏色直方圖進行耦合，可以有效地克服HOG和KCF的缺點，即提高了目標提取的準確性又減少了數(shù)據(jù)處理的難度。

根據(jù)以上描述，本文結(jié)合了Stamp算法的KCF和HOG特征，提出了一種多尺度濾波模型來提升跟蹤的精度。

本文在Stamp模型下分別計算HOG和CN特征下的各自最大輸出響應(yīng)值，在第t幀圖像下HOG和CN的歸一化權(quán)重分別是：

1.2 多維濾波估算

針對式（5）得到的目標位置信息參數(shù)Rt無法適應(yīng)尺度驟變及快速遮擋等問題，Crister等人提出一種可靠精確的尺度濾波估算方法：采用一維高斯濾波器來估算目標尺寸，采用二位卷積濾波器估算目標位置[17]。目標尺度函數(shù)為：

3 實驗結(jié)果與分析

3.1 實驗環(huán)境

本實驗的硬件環(huán)境為：Intel酷睿i9 9900K SGHz CPU，IOG內(nèi)存，RTX 2080Ti高級獨立顯卡。軟件仿真環(huán)境為：Mat-lab2018a. Modelsim2016，V C++6.0.

實驗過程中用Matlab2018a和Modelsim2016仿真HOG、CN、Stamp，本文算法，比較其目標提取及跟蹤的效果，利用VC++6.0實現(xiàn)算法的源代碼。

3.2 定量結(jié)果分析

使用數(shù)據(jù)集OTB-50的3種評價方法：趨進函數(shù)曲線、精確度函數(shù)曲線、成功概率函數(shù)曲線對目標跟蹤性能進行定量和定性評估。趨進函數(shù)曲線的方差系數(shù)設(shè)定為0.81標準差系數(shù)設(shè)定為0.78，精確度函數(shù)曲線的方差系數(shù)設(shè)定為0.78標準差系數(shù)設(shè)定為0.88，成功率函數(shù)曲線的方差系數(shù)設(shè)定為0.90標準差系數(shù)設(shè)定為0.76。在如下場景對目標算法進行驗證：光照變化、遮擋變形、快速移動、視野溢出。所得實驗結(jié)果如下：其中HOG，CN，Stamp，本算法在各個場景的趨進度，精確度，成功率由Sh，Sc，Ss，Sb表示。

HOG，CN，Stamp，本算法成功率對比：

4 結(jié)束語

本文結(jié)合CN算法和HOC算法的特征提取方法，在Stamp模型的基礎(chǔ)上提出了一種新的視頻特征提取方法，仿真實驗結(jié)果表明：該方法能有效克服周圍復(fù)雜環(huán)境的影響，并且在無人機飛行的復(fù)雜情況下得到較好的視頻跟蹤效果，可以在無人機偏離目標的情況下自動調(diào)整并鎖定目標位置，該算法能克服遮擋、光照、快速形變等干擾因素，順利完成目標的跟蹤任務(wù)。

參考文獻：

[1]潘振福，朱永利.多尺度估計的核相關(guān)濾波器標跟蹤方法[Jl.激光與光電子學(xué)進展，2016，53（10）：199-205.

[2]劉錚.自適應(yīng)顏色直方圖的粒子濾波算法[D].武漢：武漢理工大學(xué)，2012.

基金項目：2018年度江西省教育廳科學(xué)技術(shù)研究項目課題：無人機自穩(wěn)定細分驅(qū)動視覺跟蹤云臺系統(tǒng)的研究（編號：GJJ181157）

作者簡介：王娜（1987-），女，講師，碩士研究生，主要研究方向為智能信息處理。