無人機航拍視頻中目標檢測與跟蹤研究范文

本站小編為你精心準備了無人機航拍視頻中目標檢測與跟蹤研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《飛航導彈雜志》2016年第9期

摘要：

目標檢測和跟蹤技術是無人機航拍領域的重要研究方向。總結了無人機航拍視頻中目標檢測和跟蹤的常用方法并對其進行了分類。分析了各類別的優缺點，并討論了無人機航拍視頻中目標檢測與跟蹤的難點及未來發展趨勢。

關鍵詞：

無人機；目標檢測；目標跟蹤；航拍

引言

無人機又稱為無人駕駛飛行器，是一種具有遙控、自動、半自主、全自動飛行能力的飛行器。常見的無人機主要分為固定翼無人機、直升機和多旋翼無人機。2010年前，固定翼無人機和無人直升機在航拍領域占據了主流地位，然而，在近幾年中，隨著控制技術、傳感器技術和計算機視覺領域的快速發展，多旋翼無人機成為了航拍領域的新星，尤其是四旋翼無人機和八旋翼無人機受到了航拍領域的青睞，其模型如圖1所示。多旋翼尤其是四旋翼無人機之所以受到廣泛關注和應用主要是因為有以下特點［1］:操控簡單，四旋翼無人機可以實現垂直起降，不受場地的限制，飛行過程中動作靈活并可實現空中懸停;便于攜帶，旋翼無人機具有體積小、便于攜帶且操作靈活等特點;經濟實惠，多旋翼無人機最大的優點就是成本低，所以，受到廣泛應用。目標檢測與跟蹤技術作為計算機視覺領域的關鍵技術，受到了各界學者的廣泛關注。在無人機航拍領域中，為了實現追蹤拍攝，目標檢測和跟蹤必不可少。因此，目標檢測和跟蹤技術是無人機航拍領域的重要研究方向［2］。另外，航拍視頻中由于畫面較大，目標在場景中所占面積較小，背景復雜，目標易發生尺度、旋轉、光照和遮擋干擾以及相機抖動等影響，航拍視頻中目標的檢測和跟蹤變得尤為復雜，檢測和跟蹤工作變得更加困難。本文主要就無人機航拍視頻中的目標檢測和跟蹤技術展開討論，對目標檢測和跟蹤算法的分類、優缺點和應用范圍進行總結，并對航拍視頻中目標檢測和跟蹤算法的難點和發展趨勢加以討論。

1無人機航拍視頻目標檢測技術

對無人機航拍視頻中的目標進行跟蹤時，首先需要對目標進行檢測，目標檢測的準確與否會直接影響后續對目標的處理，所以，目標檢測技術在無人機航拍視頻目標的檢測和跟蹤系統中起到了至關重要的作用。目前，運動目標檢測算法相對來說比較成熟，可應用于無人機航拍視頻的目標檢測算法主要有以下幾種:

1)幀間差分法。主要通過連續兩幀相同位置像素點間的灰度差來確定目標的移動，算法操作簡單，易于實現，但是，該算法只適用于靜態背景和目標單一條件下的目標檢測，所以，應用于無人機航拍視頻的目標檢測時，只適用于無人機懸停狀態下的運動目標的檢測，應用范圍有限。

2)背景差分法。其原理是通過預先設置背景，然后通過對檢測圖像和預設背景作差的方式提取目標。該方法能夠得到較為完整的目標圖像并且能夠滿足實時性要求。但是，在實際背景與預設背景相差較大或者實際檢測過程中發生明顯光照變化的情況下，該方法檢測精度會下降較大。所以，該算法同樣只適用于無人機懸停狀態下的目標檢測。

3)光流法。該方法將光流作為灰度像素點在圖像上的瞬時運動場，從而實現對目標的跟蹤。該方法根據原理主要分為四類:基于梯度的方法、基于匹配的方法、基于能量的方法和基于相位的方法。光流法的工作流程為:首先，在圖像中等間隔選取光流點;其次，計算光流點的運動矢量(常用HS法和LK法等);最后，根據運動矢量檢測運動目標。與前兩種方法相比，由于光流場能夠反應像素點的灰度運動情況，所以，光流目標檢測法能夠進行動態背景下的目標檢測。

4)特征匹配法。主要通過提取待檢測目標的特征(角點特征、顏色特征等)建立目標模板，然后在實時視頻中通過檢測圖像中的特征圖目標模板進行相似性判別，從而實現目標的檢測。目前常用的特征匹配算法有SIFT［6］、SURF［7］、BRISK［8］和FREAK［9］等。特征匹配法是目前應用最為廣泛的目標檢測和識別算法。其不但可以檢測出目標，同時可以實現對目標進行識別，并對目標的尺度、旋轉、光照和遮擋等具有較好的魯棒性。特征匹配算法既適用于動態背景的目標檢測，也適用于靜態目標的檢測。

2無人機航拍視頻目標跟蹤技術

目標跟蹤技術是通過確定視頻連續幀中目標的位置和大小來實現的，主要的跟蹤方法主要有以下幾種。

2．1CamShift算法［10］

CamShift算法是對MeanShift算法的改進，是由Bradski提出的連續自適應漂移算法。MeanShift算法是一種基于核密度估計的非參數模式匹配算法。首先，手動選取待跟蹤目標區域，使用MeanShift顏色直方圖信息作為模板，再對下一幀圖像的顏色直方圖提取，進行匹配，通過計算相似度獲得相似度密度分布圖，圖中的極值位置即為目標的位置。由于MeanShift算法模板不能實現實時更新且在跟蹤過程中核函數帶寬固定不變(跟蹤窗口固定不變)，所以，當目標發生尺度變化或外界干擾時，會造成跟蹤目標不準確或者跟蹤目標丟失的現象。Cam-Shift算法是將視頻中的每一幀都進行MeanShift運算，不僅可以實現對目標模板進行更新，也可以實現自動調節跟蹤窗口大小的功能。CamShift算法流程大致分為以下幾步:

1)將圖像從RGB空間轉化為HSV空間，此步驟的主要目的是為了減小跟蹤過程中光照的影響;

2)目標初始化，手動選取目標的位置和大小并提取目標區域的H分量的直方圖;

3)計算圖像反向投影，認為反向投影圖中像素點亮度越大，其為目標區域的概率就越大;

4)利用MeanShift算法進行迭代運算，移動搜索窗口的中心到迭代的最大位置;

5)調整搜索窗口的大小;

6)重復步驟3～5，直至視頻最后一幀。算法的具體流程圖如圖2所示。

2．2卡爾曼濾波算法［11］

卡爾曼濾波算法是一種小方差最佳線性遞推方法，通過當前目標信息可實現對下一幀目標位置進行預測，從而實現目標的跟蹤。卡爾曼濾波算法是通過狀態方程和預測方程兩個方程實現的，狀態方程可實現對系統的狀態進行客觀描述;預測方程可實現系統對下一時刻狀態的預測。其工作原理如圖3所示。

2．3粒子濾波算法［12］

粒子濾波的實質是用帶有權值的粒子表示后驗概率，這些粒子隨著目標模型的移動而移動，最后與目標模板進行匹配并更新權值，這些粒子的狀態加權即為后驗概率。粒子濾波一般可分為4個步驟:1)采樣:在系統的狀態空間中隨機采集粒子并對其進行加權，以反映目標的狀態;2)重采樣:為了防止粒子退化的現象，保留權值較大的粒子，減少權值小的粒子;3)狀態轉移:粒子濾波利用狀態轉移目標在下一時刻的狀態，即可得到新的粒子;4)系統觀測:利用觀測數據來推算粒子的權值，從而得到概率密度函數。算法具體流程如圖4所示。

2．4特征匹配算法［13］

基于特征匹配的目標跟蹤是采用目標的局部特征信息，通過特征匹配來進行跟蹤的算法。目前常用的特征匹配算法有SIFT、SURF、ORB、BRISK和FREAK等。基于特征匹配的目標跟蹤算法可分為4步:特征點檢測;特征描述;特征點篩選;特征點匹配。跟蹤算法的具體流程如圖5所示。四種常用算法的原理和優缺點如表1所示。

3無人機航拍視頻目標檢測和跟蹤技術難點

航拍視頻中目標的檢測與跟蹤要想達到良好的效果，首先必須能夠準確檢測出目標的位置;其次要對檢測出的目標進行持續、準確跟蹤。當目標受到外界背景和遮擋等干擾時，具有較好的抗干擾性，并在通過干擾時能夠具有迅速恢復跟蹤的能力。目前，無人機航拍視頻的目標識別和跟蹤主要面臨如下問題:

1)光線的變化。室外無人機航拍過程中避免不了光線的變化，光線的亮度變化使總體環境和跟蹤目標的顏色、亮度等特征都會隨之改變，對目標檢測和跟蹤產生影響。

2)復雜背景。航拍視頻具有大視場、大廣角的特點，所以，航拍視頻具有信息量大、背景復雜、視場不確定性和目標在視場中占據面積較小等特點。目標容易受到復雜背景和相似目標的干擾，這種不確定性因素對航拍過程中的目標檢測和跟蹤會造成較大干擾。

3)目標尺度、旋轉問題。無人機航拍視頻中，由于無人機飛行高度、飛行角度和飛行方向等問題，非常容易造成目標的尺度變化和旋轉變化。當尺度和旋轉變化范圍較大時，會造成識別和跟蹤算法精度顯著下降。

4)目標遮擋。在無人機航拍視頻中，目標會經常出現被外界事物遮擋的情況，這對目標檢測和跟蹤算法會產生較大影響，當目標受到嚴重遮擋時，甚至造成目標檢測無法實現、目標跟蹤失敗等問題。

4無人機航拍視頻目標檢測與跟蹤展望

隨著無人機航拍領域的快速發展，航拍視頻的目標檢測與跟蹤技術必然會得到快速發展，在未來將有以下2個方面的發展特點:1)向著實時性更強的方向發展。隨著計算機運算能力的發展和算法的不斷創新和改進，目標檢測和跟蹤的快速性會不斷提高，滿足實時性的需求。2)向著魯棒性更強的方向發展。衡量目標檢測和跟蹤性能好壞的一個重要因素就是算法的魯棒性。未來目標檢測算法發展的一個重要目標就是運用較少的信息，就能夠實現準確的目標檢測和跟蹤，并對外界干擾具有較高的魯棒性。

5結束語

本文詳細介紹了無人機航拍視頻目標檢測和跟蹤的常用方法，分析了各方法的基本原理、優缺點和適用范圍，最后指出了研究難點和發展趨勢，相信通過各界學者的共同努力，無人機航拍視頻目標檢測和跟蹤將會發生巨大的飛躍。

參考文獻：

［1］朱瑋．基于視覺的四旋翼飛行器目標識別及跟蹤．南京:南京航空航天大學學位論文，2014

［2］李文輝．航拍視頻中運動目標的檢測與跟蹤算法研究．西安:西安電子科技大學學位論文，2014

［3］林雯．新型基于幀間差分法的運動人臉檢測算法研究．計算機仿真，2010，27(10)

［4］汪國強，蓋琪琳，于懷勇，等．基于背景差分法的視頻目標檢測算法研究．黑龍江大學工程學報，2014，5(4)

［5］吳振杰．基于改進光流法的運動目標檢測與跟蹤系統．鄭州:鄭州大學學位論文，2012

［10］王巍，孟朝暉．一種改進的CamShift目標跟蹤方法．信息技術，2015(1)

［11］瞿衛欣，程承旗．基于Kalman濾波的CamShift運動跟蹤算法．北京大學學報(自然科學版)，2015，51(5)

［12］李忠海，王莉，崔建國．基于CamShift和ParticleFilter的小目標跟蹤算法．計算機工程與應用，2011，47(9)

［13］鄧集洪，魏宇星．基于局部特征描述的目標定位．光電工程，2015，41(1)

作者:劉亞偉 李小民