・201・
设计与应用
计算机测量与控制.2021. 29 (4)Computer Measurement & Control
文章编号：1671 - 4598（2021）04 - 0201 -05 DOI ：10. 16526/j. cnkl 11 — 4762/tp. 2021. 04.040
中图分类号:TP391
文献标识码:A
基于无人机跟踪的目标反遮挡算法
李 郁, 朱伟
(西安明德理工学院智能制造与控制技术学院，西安710124)
摘要：随着计算机视觉和无人机的蓬勃发展，目标跟踪是当下研究热点之一；但对于该方向，目前存在大量问题，目标的遮 挡就是其中之一；因此，为了解决该问题，在此提出了一种无人机抗遮挡目标跟踪算法；该算法基于均值漂移目标跟踪算法；采
用动态参数选择策略和双预测机制相结合的方法来解决目标跟踪过程中的目标遮挡问题；为了避免目标丢失，算法中采用目标检
测的方法；大量实验表明，在与现有的算法比较过程中，该算法展示出了对遮挡目标跟踪有较好的鲁棒性和实时性；与其他算法 相比，其精度提高约了 10%，平均目标符合率提高了约15%。
关键词：目标跟踪；无人机；反遮挡；机器视觉
Target Anti —occlusion Algorithm Based on UAV Tracking
LiYu ， Zhu Wei
(Xi^n Mingde Institute of Technology , Xian 710124 , China )
Abstract ： Withthevigorousdevelopmentofcomputervisionanddrones ，targettrackingisoneofthecurrentresearchhotspots
However ，therearealotofproblemsinthisdirection ，andtheocclusionofthetargetisoneofthem Therefore ，inordertosolvethis
problem , a UAV anil 一 occlusion target tracking algorithm is proposed here. The algorithm is based on the mean shift target tracking algorithm Acombinationofdynamicparameterselectionstrategyanddualpredictionmechanismisusedtosolvetheproblemoftar- getocclusionduringtargettracking Inordertoavoidtargetloss ，themethodoftargetdetectionisadoptedinthealgorithm Alarge number of experiments show that , in the process of comparing with the existing algorithms , the algorithm shows better robustness
and real 一 time performance for tracking occluded targets. Compared with other algorithms , its accuracy is improved by about 10 % ,
andtheaveragetargetmatchingrateisimprovedbyabout15%
Keywords ： objecttracking ； UAV ； anti —occlusion ； machinevision
o 引言
近年来，随着人工智能和无人机的快速发展和广泛应 用，基于无人机的目标跟踪引起了计算机视觉学者的研究 热潮。无人机场景中的目标跟踪被广泛应用于各个领域,
具有广阔的应用前景和丰富的学术研究价值13。然而，目 前无人机场景下的目标跟踪面临非常多的问题
和挑战。如, 跟踪目标较小，跟踪精度差；相对速度过快，导致目标丢
失；以及在实际中跟踪精度受目标旋转，目标遮挡等因素 影响。因此，本文为了解决目标遮挡环境下，跟踪精度不
高的问题，提岀了一种新的目标跟踪算法（MKBP ）该算 法在均值漂移（Meanshift ）目标跟踪算法4的基础上，采 用动态参数选择的方法，将卡尔曼（Kalman ）滤波算法56］
与轨迹预测函数和BP 神经网络算法［7］相结合，解决了运动 过程中的目标遮挡问题跟踪；为了提高算法性能，在该算 法中增加了目标检测机制，通过PCA —Sitt 算法检测丢失的
目标［］，恢复跟踪目标并继续跟踪。
1 MKBP 算法原理
在这一节，将会介绍MKBP 算法的原理，以及工作 机制。
1.1均值漂移算法
基于均值漂移的目标跟踪算法通过计算目标区域和候
选区域像素的特征值概率，得到目标模型和候选模型的描 述，然后利用相似函数来度量初始帧目标模型与当前帧候
选模板之间的相似度9。使相似函数最大化并得到目标模
型的均值漂移向量的候选模型。这个向量是目标从初始位 置移动到正确位置的向量。由于均值漂移算法收敛速度快，
通过不断迭代计算均值漂移向量，算法最终会收敛到目标
的真实位置， 从而达到跟踪的目的。
均值漂移目标跟踪算法的相关公式如式（）所示：
收稿日期：2020 -08 - 31；修回日期：2020 - 09 - 25。
基金项目：青年科学基金项目（61903305）；陕西省教育厅2019年度科学研究计划（19JK0866）。
作者简介：李郁（1983 -），女，陕西西安人，工学硕士，副教授，主要从事无人机应用测量技术方向的研究。 引用格式：李郁，朱伟.基于无人机跟踪的目标反遮挡算法［］.计算机测量与控制,2021,29（4）:201 - 205.
・202・计算机测量与控制第29卷
/=1
U-1
q”=犆£犽犈
（狓0一狓|）［犫（狓）一狌］
1
犆
£犽(|「「)
p(.p(.y),q)—”[JpJy)q”
3i £槡狆狔护b（狓）_u
(1)
>
犿狓狑犵(
Z=空---(
i—1^ig
2
) y—j；
犺
y—i i
犺
2
在初始帧中的跟踪帧中的位置信息由｛狓｝表示，其中狀是帧中的像素总数，狓是中心位置,U是某个特
征值（u=1,…，m）。k E（狓）是epanechikov核函数，h是带宽，b（x；）是直方图的索引函数，是对应于目标帧中每个像素的RGB值。它是一个Delta函数，用于确定对应于b （狓犻）的值是否属于特征值u,C是正则化参数。P值为巴氏系数，其值在0〜1之间，P值越大，表示两种模型越相
似。在这里犣是每次搜索获得的新位置，狑为权重，m为特征值总数，g（x）=—k/（x）。在每一帧的迭代过程中，候选模板的中心位置y被犣不断更新，直到巴氏系数达到最大值。
1.2利用预测机制解决目标遮挡问题
该算法利用卡尔曼和BP神经网络的预测机制，通过动态参数法选取相关参数。
1）卡尔曼滤波器是一种估计动态系统状态序列最小均方误差的最优滤波器。它可以预测下一帧跟踪目标的中心位置，并修正当前帧的目标区域。首先，将状态向量X=（犻,y z）T作为X轴和犢轴上的目标位置，测量向量Z=（i i,y；）T是观测目标的位置。然后，状态X i被初始化。根据卡尔曼滤波算法的原理，建立了状态方程和观测方程。在满足这两个基本假设后，建立了卡尔曼预测阶段和更新阶段的相关方程。在确定相关参数后，利用卡尔曼滤波对下一帧跟踪目标的中心位置进行预测。上述公式如式（）所示：
X i+1-犃X i+W i烌
Z i—X i+匕
X i—=X i—1
P ii-1=AP i—1A T+Q烍
X i—X i—+K(Z—HX i—1)
P i—(I—K i H)P ii—1
K i—P ii—1H T(H P i\i—1H+R)—1烎
在上面的公式中，X i+1是状态方程，犣犻是观测方程, X i；—】是状态向量预测方程，只；—1是状态向量协方差方程，X i是状态向量更新方程，P i是状态向量协方差更新方程，犓是卡尔曼的增益矩阵。当利用卡尔曼模型进行预测，其主要是利用预测级来预测跟踪目标的中心位置，在更新阶段用预测值作为观测值来更新跟踪目标的当前状态信息。
2）BP算法以"个候选目标中心位置的坐标（i k,y k 作为BP神经网络的初始训练样本数据，对下一帧候选目标的中心位置坐标（狓犽+1,y k+1）进行叠加更新。样本数据，采用trainrp函数作为BP神经网络的训练方法，首先确定输入层、隐层和输岀层的节点数分别为2、4和2，然后确定初始学习率，训练次数和
训练误差分别为0.01、10和0.5，根据BP神经网络的基本过程，可以预测并输岀下一帧跟踪目标的中心位置（狓，y）。具体流程如下：
（1）输入跟踪目标中心位置的坐标数据，从输入层神经元到隐层神经元，在隐层动作后传递给输岀层神经元神经元。输岀变量在外层神经元的作用下产生，即前向传递过程；
（）将实际输岀犢犽与期望输岀进行比较，得到存在的误差c如果误差超过可接受范围，则误差值将沿网络传播。修改连接权值u”和狑“（即误差反向传播过程）；
（3）输入另一个跟踪目标中心位置的坐标数据，重复 （1）和（）直到模型输岀误差E在可接受范围内或达到设定的训练次数。
上述公式如式（）所示：
'f(i)
1]
(1+厂)
Y k=
M
f(£luf£狑”一仿)
C k—(Y k—T k：)Y kC1—Y k)烍
u”=u”+犮k.y；
狑—
二狑+犮”狓犻
E=犖
(£YY k—Tmk))
3）使用通过动态参数法选择相关参数，该算法采用多线程方法同时运行均值漂移，卡尔曼和BP神经网络三种算法，并采用动态参数选择的方法得到3种算法的权重参数（狑”；+1,u>k；+1，狑,；+1），然后根据这3种算法得到的相关参数，对其进行动态参数选择中心位置（Z（狓犻+1, y+1）,X（狓+1,y；+1）,Y（i i+1,y z+1））的候选目标计算最佳中心位置犔（i i+1,y+1）。如式（）所示：
p+1（p（y）,q）—狌［v/p u（y）q u'
狑犻+1——亠"亠（）
烅P m+Q k+Q b烍14丿
L（i汁1,y+1）—狑m；+1Z（i+1,y+1）+
烆狑ki+1X（i i+1,i—1）+狑犫汁1Y（i汁1,y；+1）烎
式中，p+1为候选目标与跟踪目标之间第i—h帧的巴氏系
第4 期李 郁，等：基于无人机跟踪的目标反遮挡算法・203・
数,®+1为动态目标选择方法（即通过3种算法得到的候选 目标和跟踪值之间的巴氏系数的比例确定动态参数的目标）
得到了第z —th 帧的权重参数。
均值漂移目标跟踪算法结合了卡尔曼滤波算法和BP 神 经网络预测机制，结果如图1所示。
oeclusion
175fp 178fp
Kalman
Measuremen t
Updata
("correct")(Xg ，y ”i )
{(x p yp , (x 2, y 2).....(x^y*)}
/^Dynamically selecOutput
ers based on th 叹
similarity ratio of ^heir) LCandidate targets ^-<tracking ta 劈
181fp
partial |oeclusiQl
Input
图1解决遮挡问题的预测机制示意图
从图1可以看出，第148帧图像是初始输入图像，第
175帧和第181帧图像被部分阻止，第178帧图像被完全
阻止。预测机制是卡尔曼滤波和BP 神经网络预测算法相 结合的均值漂移算法， 通过动态参数选择来处理这三种方
法所占的不同权重。动态参数选择是根据三种算法的相似 性，对候选目标跟踪预测的目标中心位置来选择合适的
参数。
1.3对丢失目标的寻回
通过多目标跟踪实验，发现当目标长时间完全被遮挡 时，跟踪的目标会丢失。因此，本文选择了 PCA —sitt 特征
正则化描述正确的是提取算法在目标跟踪过程中，启动了判断目标是否丢失的 机制，即，候选目标与跟踪目标在时间阈值T 处的相似度 继续小于相似度阈值S ，表明目标已经丢失，然后启动基于
Sift 的目标检测机制重新获取被跟踪目标，继续跟踪目标。
1 3. 1跟踪目标和当前帧目标的特征提取首先得到目标模型和当前视频帧的PCA — Sift 特征向 量。PCA —Sitt 算法以尺度空间为主要思想。首先构造DoG
金字塔，在尺度空间中到极值点，然后精确地确定关键
点的 位 置 和 主 方 向， 以 保 证其 尺 度 和 旋 转 不 变 性 算 法
• SIFT 在高斯（DoG ）尺度空间的差分中检测局部极点值。
输入图像/ （如丿）和高斯滤波器犌（狓，狔肋）卷积得到
L （狓，狔T k = 1, 2,…，n 。接着，DoG —尺度空间
可以通过式（5）计算得到：
犇（狓狔,）=［犌（狓，狔，k r ） 一犌（狓狔,）］X 犐（狓狔）=
L （狓，狔，k r ） —L （狓狔,）
（5）
在这里，D （狓，狔）是高斯差分图像，G （狓，狔）是高 斯滤波器，L （狓，狔）是比例。在DoG 空间，利用搜索局
部极值的方法，可以判断具有相同尺度的潜在兴趣点方向。 那个局部极值是第二阶段确定的关键点的候选点。
其次，建立了目标模型和当前视频帧的特征相量描述。
以关键点为中心，绘制一个16X16的圆形区域，然后将圆 形区域划分为4X4个子邻域，计算子区域梯度直方图。由
于梯度方向是一个8维向量，每个点都有一个128维向量来 描述它，这就是SIFT 特征矢量。它使用梯度振幅m （狓,
狔）和方向0 （狓，狔）作为描述符中的基本元素，其定义如
式（6）〜（7）所示：
m （狓，狔）=
+ 1,） — L （ — 1 ,））2 — （L （rc, + 1） — L （rc, — 1））2
（6）
0（狓狔）=arccos
（L （r +1,） — L （狓 一 1,） ） X （L （r ，狔 +1） 一 L （r ，狔 一 1 、（ （L （r +1,） —L （狓一1,） ） |X| （L （r，狔 + 1） —L （，一1）） 丿
（7
然后，利用主成分分析（PC A ）原理对128维特征向
量进行约简，最后将其简化为20维特征向量。
1.3.2将跟踪目标的特征与当前帧的目标相匹配
最后，对目标模型和当前视频帧进行PCA —Sitt 特征
描述符匹配。首先，将当前视频帧划分为多个候选区域, 然后逐个进行匹配。然后，计算PCA — Sitt 特征向量与二
者之间的欧几里德距离，求出欧几里德距离的最小值和最 小值，求出两者之间的比值。如果它小于设定的阈值，则 匹配是成功的。最后对候选区域进行匹配，建立候选帧,
作为检测到的目标位置。
当跟踪的目标丢失时，立即启动目标检测机制。为了 确定跟踪是否丢失，设置丢失阈值l 。如果当前帧的丢失系 数小于l ，则不丢失目标；否则，考虑目标丢失了。MKBP
算法利用PCA —Sitt 特征提取算法从视频图像中提取特征
点向量，构造PCA — Sitt 特征描述子，最后在视频图像中 匹配目标模板PCA — Sitt 特征描述子，得到相似度最高的
目标模板。定位目标位置，确定候选目标模板，最后将候
选模板传递给均值漂移算法，启动目标跟踪过程，如图2 所示。
3216fp
3031fp
Inp u t
ling
Output
Original image
Establishing feature descriptors
Extract sift feature
ITarget!
lost I
inquire il s
MKBP tracking
图2丢失目标寻回示意图
・004・计算机测量与控制第09卷
从图0可以看出，第3031帧中的目标没有被阻断并且被精确地跟踪。第3173帧中的目标被部分阻断并被精确跟踪。第3016帧中的目标被完全阻断，但跟踪时间过长。失败。该过程的详细描述是：利用本文提出的方法对输入的连续视频帧进行跟踪，利用目标丢失判断机制检测目标在跟踪过程中是否丢失，并在目标跟踪重新获取丢失跟踪目标允许的情况下，启动基于PCA—Sitt的目标检测继续跟踪目标。
因此，整个MKBP算法的具体执行过程如算法1所示。
算法1：MKBP算法
Input：Thecurrentframe
Output：L（狓+1，狔汁】）
While当前帧是有效的do
Thread1：
Z（狓+1,y犻+1）=Meanshift（狓，狔犻）；
Thread2：
X（狓+1,y犻+1）=Kalman（狓，狔犻）；
Thread3：
Y（狓+1,y犻+1）=犅P（狓犻，狔犻）；
Thread4：
l=Get Target Loss Threshold（frame）；
if l〉t do
Retrieve Target=Detect Based PCA—Sift（frame）；
else
狑犿，狑k,w b=Dynamic Parameter Selection（Z,X,Y）；
L（狓犻+1，狔犻+1）=w m Z犻+1+狑k X犻+1+狑犫Y犻+1；
endif
用L（狓+1，狔+1）作为迭代数据；
读取下一帧；
End
2实验与评估
2.1实验设置
本实验的测试平台是VS0015，它使用了计算机视觉开源库OpenCV3.41。所有实验都是在英特尔酷睿i5—4210U，4GB内存的Windows8164位PC系统上进行的数据集采用的是UAV103公开数据集［10］。
2.2实验结果
图3是5种传统目标跟踪算法和MKBP对WhiteCar视频序列的跟踪。第一幅图像是无人机对目标的无遮挡跟踪，这6种跟踪算法的跟踪帧与目标非常一致。因此，在目标无障碍的情况下，这6种算法的跟踪精度
都很高。第2和第3张是无人机跟踪目标部分遮挡。MKBP跟踪帧与目标基本吻合，说明MKBP算法的跟踪精度较高，而Moss帧与目标的重合度不高，说明Moss算法对遮挡非常敏感，跟踪精度不高。第4张是无人机跟踪目标被完全遮挡。MKBP跟踪帧与目标趋势一致，其他跟踪帧基本与目标不一致，说明MKBP算法的跟踪精度较高，同时也说明其他5种算法完全是遮挡非常敏感，跟踪精度不咼。第5幅图像为部分遮挡，第6幅图像为未遮挡，其余5幅跟踪帧均已脱离目标，说明这5种算法都已失去跟踪目标，同时说明MKBP 算法在遮挡情况下鲁棒性和稳定性都很高。
图3对WhiteCar的追踪结果
为了评价跟踪算法的精度，采用巴氏相似系数来评价跟踪算法的精度。结果如图4所示。
Bhattacharyya similarity coefficient of WhiteCar video
sequence for six tracking algorithms
9
8
a
a
p
u
o
m
①
14601480150015201540156015801600
frames
图4巴氏系数比较结果
从图4可以看出，在WhiteCar视频序列的1440到1514帧中，被跟踪的目标处于未包含状态。在1515〜1506帧，被跟踪目标处于部分阻塞状态。在1507〜1538帧，跟踪目标处于完全阻塞状态；在1539〜1600帧，被跟踪目标处于非阻塞状态。在1440〜1514帧，由于目标没有被遮挡，6种跟踪算法的巴氏相
似系数相差不大，基本上都大于0.90。在1515〜1506帧中，由于目标部分被遮挡，而Moss的部分分块不鲁棒，巴氏相似系数急剧下降，而其他4种算法和MKBPS对部分遮挡有一定的鲁棒性，因此巴氏相似系数降低的速度慢得多；在1507〜1538帧中，由于目标完全被遮挡，巴氏相似系数急剧下降，基本在0.55以下；在1539〜1600帧，目标没有被遮挡，但由于其他5种跟踪算法，跟踪目标丢失，因此巴氏相似系数小于0.55,
第4期李郁，等：基于无人机跟踪的目标反遮挡算法・205・
对于具有目标检测机制的MKBP，由于重新捕获，巴氏相
似系数急剧上升以跟踪目标。
图5是通过5种传统的目标跟踪算法和MKBP对
BlackCar视频序列的跟踪。第一张图片是无障碍无人机跟
踪目标。这6种跟踪算法的跟踪帧与目标非常一致。因此,
这6种算法的实时性要求都很高。第2张图片是无人机跟踪
目标的部分遮挡。MKBP跟踪帧与目标基本吻合，说明
MKBP算法具有较高的跟踪精度，而Moss帧与目标没有高
度重叠，说明Moss算法对遮挡非常敏感，跟踪精度不高。
第3张图是无人机跟踪目标被完全遮挡MKBP跟踪帧与目
标趋势一致，其他跟踪帧与目标趋势基本不一致，说明
MKBP算法的跟踪精度较高，而且其他5种算法对完全遮挡敏感，导致跟踪精度较低。第4幅图像是部分遮挡，其余五帧跟踪帧都偏离了目标，说明这5种算法已经失去了对目标的跟踪，同时也说明了MKBP算法在遮挡下的鲁棒性和稳定性。
图5对BlackCar追踪结果
从图6可以看出，6种跟踪算法的精度都随着误差阈值的增大而提高，但MKBP算法的精度提高幅度最大，当误差阈值为10时，其精度系数高于其他5种跟踪算法，从成 功图可以看出，6种跟踪算法的成功率随着符合阈值的增加而逐渐降低，但MKBP算法的下降幅度相对较小，从这两幅图可以看出，MKBP算法的性能优于其他5种跟踪算法。3结束语
本文针对无人机目标被遮挡时均值漂移算法鲁棒性差的问题、卡尔曼误差积累问题和无人机目标丢失问题，提出了一种无人机抗遮挡目标跟踪算法MKBP，主要是基于均值漂移跟踪算法，并结合了卡尔曼的预测机制。同时，采用BP神经网络解决卡尔曼误差积累问题，提高了跟踪性能。目标检测机制用于恢复丢失的跟踪目标并继续跟踪。实验结果表明，与传统的跟踪算法相比，MKBP目标跟踪算
Overlap thresbold
图6对BlackCar的跟踪精确度比较
法在目标运动速度快、视频像素低、目标遮挡时间长、多次出现的复杂场景下，具有良好的跟踪速度和准确的跟踪效果。
参考文献：
[1]高擎峰.多无人机被动目标定位与跟踪技术研究[D].南京:
南京理工大学，2017.
[]邵博，熊惠霖，郁文贤.基于核相关滤波器的无人机目标跟踪算法J信息技术,2017(1)150-156.
[3]魏明鑫，黄浩，胡永明，等.基于深度学习的多旋翼无人机
单目视觉目标定位追踪方法[J].计算机测量与控制，2020, 28()：156-160.
[4]葛宝义，左宪章，胡永江.视觉目标跟踪方法研究综述[J].
中国图象图形学报，2018,23()：1091-1107.
[5]Satriawan Y,Machbub C,Hidayat E.Comparison of prediction
methods for moving objects in3D coordinates using Kalman Filter and Least Square[A].20166th International Conference on System Engineering and Technology(ICSET)[C].Bandung,Indonesia,2016:128-131.
[]赵广辉，卓松，徐晓龙.基于卡尔曼滤波的多目标跟踪方法[J].计算机科学,2018,45()253-257,276.
[7]叶润.复杂环境下多目标跟踪及其关键问题的应用研究
[D].上海：上海交通大学，2018.
[]任静.结合Kalman滤波器的SIFT目标跟踪算法[J].计算技术与自动化，2017,36()80-83.
[9]Comaniciu D,Meer P.Mean shitt：a robust approach toward
feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,24(5):603-619.
[10]Mueller M,Smith N,Ghanem B.A Benchmark and simulator
for UAV tracking[A].14th European Conference on ComputerVision(ECCV2016)[C].2016：445-461.
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论