UAV目標(biāo)跟蹤預(yù)測(cè)算法研究?

張?chǎng)梧圅?/p>

劉冰1，2

UAV目標(biāo)跟蹤預(yù)測(cè)算法研究?

張?chǎng)?鄧雯2

（1.商洛學(xué)院電子信息與電氣工程學(xué)院商洛726000）（2.西北工業(yè)大學(xué)自動(dòng)化學(xué)院西安710072）

針對(duì)UAV采集視頻圖像在與地面站進(jìn)行數(shù)據(jù)通信過(guò)程中，由于傳輸轉(zhuǎn)換延遲等因素造成的目標(biāo)脫靶量問(wèn)題，首先采用基于Meanshift采樣的輔助粒子濾波跟蹤算法進(jìn)行跟蹤實(shí)驗(yàn)。該算法采用輔助變量粒子濾波算法作為跟蹤的主體框架，利用Meanshift算法將輔助采樣粒子轉(zhuǎn)移到最佳位置?；诟櫧Y(jié)果，采用Kalman濾波預(yù)測(cè)目標(biāo)軌跡，再用預(yù)測(cè)結(jié)果來(lái)修正跟蹤結(jié)果并解決脫靶量問(wèn)題。結(jié)果表明，加入預(yù)測(cè)算法后的跟蹤結(jié)果更加接近目標(biāo)的真實(shí)值，可以滿(mǎn)足UAV在工程實(shí)際應(yīng)用中的需求。

無(wú)人機(jī)；目標(biāo)跟蹤；均值偏移；輔助變量粒子濾波；Kalman濾波

Class NumberTP391.4

1引言

現(xiàn)代戰(zhàn)爭(zhēng)中，實(shí)時(shí)戰(zhàn)場(chǎng)信息的獲取能力很大程度上影響著戰(zhàn)爭(zhēng)的勝負(fù)，因此如何提高戰(zhàn)場(chǎng)信息的偵察能力和武器的精確打擊能力是各國(guó)現(xiàn)代化軍事建設(shè)的主要內(nèi)容，而鑒于UAV在現(xiàn)代戰(zhàn)爭(zhēng)中的優(yōu)異表現(xiàn)，研究UAV偵察制導(dǎo)技術(shù)已經(jīng)成為研究精確打擊能力的一個(gè)重要組成部分。而研究UAV目標(biāo)實(shí)時(shí)跟蹤是無(wú)人機(jī)偵查制導(dǎo)技術(shù)研究的關(guān)鍵。在實(shí)際應(yīng)用中，目標(biāo)實(shí)時(shí)跟蹤不僅在軍事領(lǐng)域上有重要的應(yīng)用，在民用交通，災(zāi)害監(jiān)測(cè)，國(guó)土安全和工業(yè)領(lǐng)域都有著廣泛的應(yīng)用。

無(wú)人機(jī)與指揮控制站之間的雙向通信是通過(guò)數(shù)據(jù)鏈實(shí)現(xiàn)的。無(wú)人機(jī)數(shù)據(jù)鏈包括一條用于地面控制站對(duì)飛行器控制的上行鏈路和一條用于接收無(wú)人機(jī)遙測(cè)信息的下行鏈路。上行鏈路主要傳輸?shù)孛嬲局翢o(wú)人機(jī)的遙控指令，下行鏈路主要傳輸無(wú)人機(jī)至地面終端的遙測(cè)數(shù)據(jù)，一般下行鏈路的傳輸速率要遠(yuǎn)遠(yuǎn)高于上行鏈路［1］。UAV在執(zhí)行偵查任務(wù)時(shí)，采集的視頻圖像通過(guò)地面站與數(shù)據(jù)鏈進(jìn)行通信，將視頻圖像傳回地面站，地面站操作人員將其進(jìn)行處理，這個(gè)過(guò)程存在著一定的傳輸和轉(zhuǎn)換延遲，導(dǎo)致目標(biāo)的真實(shí)位置與在地面站接收到的圖像上的顯示位置存在一定的偏差，因此在執(zhí)行目標(biāo)捕獲定位等任務(wù)時(shí)就需要對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)。

目標(biāo)自動(dòng)跟蹤以及預(yù)測(cè)是一體化的，為了驗(yàn)證本文所設(shè)計(jì)算法，設(shè)計(jì)對(duì)UAV采集視頻進(jìn)行系統(tǒng)的實(shí)驗(yàn)，首先選擇跟蹤目標(biāo)，對(duì)提取的目標(biāo)信息模板進(jìn)行建模，采用基于Meanshift采樣的輔助粒子濾波跟蹤算法穩(wěn)定的跟蹤目標(biāo)，基于跟蹤結(jié)果，采用Kalman濾波預(yù)測(cè)目標(biāo)軌跡，用預(yù)測(cè)結(jié)果來(lái)修正跟蹤結(jié)果并解決數(shù)據(jù)鏈時(shí)延問(wèn)題。

2基于Meanshift采樣的輔助粒子濾波跟蹤算法

2.1 AVPF算法

粒子濾波算法是一種從帶噪聲的數(shù)據(jù)中估計(jì)運(yùn)動(dòng)狀態(tài)的技術(shù)，在狀態(tài)空間中通過(guò)傳播大量帶權(quán)離散粒子來(lái)近似概率分布并遞歸。通常視頻運(yùn)動(dòng)目標(biāo)狀態(tài)是非線(xiàn)性、非高斯的，粒子濾波算法由于其獨(dú)特的優(yōu)越性被廣泛應(yīng)用于目標(biāo)跟蹤領(lǐng)域。但是經(jīng)典粒子濾波算法隨著重采樣的進(jìn)行，可能會(huì)導(dǎo)致“粒子枯竭”現(xiàn)象。這就會(huì)導(dǎo)致粒子集的多樣性變的很差，估計(jì)精度難以保證。而AVPF算法［3］可以很好地解決這一問(wèn)題。在重采樣前，AVPF依據(jù)似然值的大小對(duì)原粒子集中的各個(gè)權(quán)值進(jìn)行修正，使得重采樣以后的粒子向似然函數(shù)的值比較大的區(qū)域移動(dòng)，避免了這一問(wèn)題的產(chǎn)生。

聯(lián)合密度函數(shù)p(xk，ξki-1| z0:k)可以表述為

選取重要性函數(shù)q(| xk，i z1:k)進(jìn)行粒子采樣，如式（2）所示：

其中，uik是在已知xik-1的情況下對(duì)uik～p(xk| xik-1)的某種統(tǒng)計(jì)信息，wk為高斯噪聲且均值為0。按照重要性權(quán)值的方差最小原則，從分布中選取輔助粒子集{uik，wik}in

=1，取

其中xik-1為基于第k-1幀目標(biāo)跟蹤結(jié)果的狀態(tài)采樣粒子，βi是服從N（0，1）的隨機(jī)數(shù)。

2.2 Meanshift算法

Meanshift算法［4～5］是一種高效無(wú)參密度估計(jì)的方法。該算法利用像素特征點(diǎn)概率密度函數(shù)梯度最優(yōu)化方法，通過(guò)迭代快速收斂于概率密度函數(shù)的局部最大值，實(shí)現(xiàn)快速目標(biāo)定位。

連旱天數(shù)和森林火險(xiǎn)等級(jí)呈正相關(guān)，連旱天數(shù)增加，可燃物可燃性增加，對(duì)應(yīng)的火險(xiǎn)等級(jí)升高。反之，可燃物可燃性降低，對(duì)應(yīng)的火險(xiǎn)等級(jí)降低[6]。在祁連山東端青海云杉林中，連旱天數(shù)小于7d，一般不易引發(fā)森林火災(zāi)，連旱天數(shù)大于32d，則較容易引發(fā)森林火災(zāi)。

基于Meanshift算法的目標(biāo)跟蹤算法通過(guò)分別計(jì)算目標(biāo)區(qū)域和候選區(qū)域內(nèi)像素的特征值概率得到關(guān)于目標(biāo)模型和候選模型的描述，然后利用相似函數(shù)度量初始幀目標(biāo)模型和當(dāng)前幀的候選模版的相似性，選擇使相似函數(shù)最大的候選模型并得到關(guān)于目標(biāo)模型的Meanshift向量，這個(gè)向量正是目標(biāo)由初始位置向正確位置移動(dòng)的向量。由于均值漂移算法的快速收斂性，通過(guò)不斷迭代計(jì)算Meanshift向量，算法最終將收斂到目標(biāo)的真實(shí)位置，達(dá)到跟蹤的目的。

2.3改進(jìn)算法

該算法采用AVPF算法作為跟蹤算法的主體框架，選擇跟蹤目標(biāo)確立目標(biāo)模型，從p(xk，ξki-1| z0:k)中抽樣，在粒子集中進(jìn)行采樣獲得輔助粒子集，對(duì)每個(gè)輔助采樣粒子進(jìn)行Meanshift轉(zhuǎn)移，利用采樣粒子確定候選目標(biāo)區(qū)域，對(duì)候選目標(biāo)模型與目標(biāo)模型進(jìn)行相似性度量，更新粒子權(quán)重，將粒子加權(quán)確定目標(biāo)跟蹤位置［6］。

3基于Kalman濾波的預(yù)測(cè)算法設(shè)計(jì)

在實(shí)驗(yàn)過(guò)程中，我們假設(shè)目標(biāo)的初始位置由跟蹤結(jié)果得到，目標(biāo)做勻速直線(xiàn)運(yùn)動(dòng)，目標(biāo)的初始速度由跟蹤實(shí)驗(yàn)獲得，由跟蹤結(jié)果獲得目標(biāo)的初始值為xk=(Pxk，P yk，vxk，vxk)T。用Kalman濾波［7～9］對(duì)跟蹤結(jié)果進(jìn)行預(yù)測(cè)。

傳遞矩陣A是一個(gè)與x(k)相乘的4×4矩陣，根據(jù)Kalman理論［10～11］，建立狀態(tài)方程為

其中：

μ1k和μ2k分別為均值為0，方差為σ12和σ22的高斯白噪聲，且它們滿(mǎn)足E[μ1kμ2k]=0。

建立觀測(cè)方程為

其中：zk表示觀測(cè)向量，zk=[zxk，zyk]T，zxk、zyk為目標(biāo)的觀測(cè)位置，觀測(cè)噪聲v1k、v2k是均值為0、方差分別為σx2和σy2的高斯白噪聲，vk=[v1k，v2k]T， H為觀測(cè)矩陣

w(k)和v(k)的協(xié)方差矩陣可以計(jì)算得到，分別記為Q(k)和R(k)，則

當(dāng)確定了上述參數(shù)后，利用Kalman濾波器公式可以完成對(duì)目標(biāo)物體的位置預(yù)測(cè)。

Kalman濾波的更新方程如下：

觀測(cè)更新如下：

4算法實(shí)現(xiàn)

本文的主要步驟如下：

1）選擇跟蹤目標(biāo)；

2）利用基于Meanshift采樣的粒子濾波跟蹤算法對(duì)目標(biāo)進(jìn)行實(shí)時(shí)穩(wěn)定的跟蹤，在視頻幀中標(biāo)示出跟蹤結(jié)果；

3）記錄歷史跟蹤結(jié)果，采用Kalman濾波算法對(duì)目標(biāo)軌跡進(jìn)行預(yù)測(cè)，標(biāo)示出目標(biāo)的預(yù)測(cè)位置。預(yù)測(cè)算法步驟為

（1）按照式（4）和式（9）建立目標(biāo)的狀態(tài)方程和量測(cè)方程。

（2）遞推求解：按照式（10）、式（11）、式（12）計(jì)算一步預(yù)測(cè)；按照式（13）、式（14）、式（15）進(jìn)行量測(cè)更新。

4）利用預(yù)測(cè)結(jié)果反過(guò)來(lái)修正跟蹤結(jié)果。

5仿真及結(jié)果分析

對(duì)一段UAV視頻進(jìn)行跟蹤預(yù)測(cè)的實(shí)驗(yàn)，該視頻包含UAV偵察目標(biāo)過(guò)程中常遇到的四種情況：目標(biāo)旋轉(zhuǎn)，機(jī)動(dòng)，部分被遮擋，出遮擋區(qū)域。其中AVPF算法的采樣粒子數(shù)N=200，本文算法的采樣粒子數(shù)N=10。

圖1～3分別給出了Meanshift算法、AVPF算法、本文算法的跟蹤結(jié)果。圖3中綠色框表示目標(biāo)預(yù)測(cè)位置，紅色框表示目標(biāo)跟蹤位置。由圖1～3各組仿真結(jié)果中的（a）、（b）圖對(duì)比可以看到，圖像上的紅色矩形框都能夠準(zhǔn)確地鎖定跟蹤目標(biāo)，即表明三種算法在發(fā)生旋轉(zhuǎn)、機(jī)動(dòng)時(shí)均可對(duì)目標(biāo)進(jìn)行穩(wěn)定的跟蹤，并且圖3中的預(yù)測(cè)框比跟蹤框與目標(biāo)位置的誤差更??；圖1的（c）圖中，目標(biāo)行駛進(jìn)入遮擋區(qū)域，可以看到在目標(biāo)部分特征被遮擋時(shí)Meanshift跟蹤算法出現(xiàn)輕微的目標(biāo)丟失現(xiàn)象，到圖1的（d）顯示跟蹤框已完全丟失目標(biāo)；在圖2（c）中，從目標(biāo)進(jìn)入遮擋區(qū)域，部分特征被遮擋，到目標(biāo)駛出遮擋區(qū)域，如圖2（d）所示，AVPF算法已丟失跟蹤目標(biāo)；圖3的（c）、（d）為本文跟蹤算法在目標(biāo)被遮擋條件下的跟蹤情況，（c）圖中，此時(shí)目標(biāo)部分特征被背景中的樹(shù)木遮擋，目標(biāo)遮擋嚴(yán)重，但是目標(biāo)的預(yù)測(cè)位置和跟蹤框均與目標(biāo)的真實(shí)位置誤差很小，能夠有效的跟蹤目標(biāo)，圖（d）顯示的是目標(biāo)在行駛出遮擋區(qū)域之后的預(yù)測(cè)結(jié)果和跟蹤結(jié)果，可以看出目標(biāo)在離開(kāi)遮擋區(qū)域后，跟蹤框仍然可以有效地跟蹤目標(biāo)。表明該算法在以上四種情況下均可以穩(wěn)定有效的跟蹤目標(biāo)，具有良好的魯棒性。

圖1 Meanshift算法的跟蹤結(jié)果

圖2 AVPF算法的跟蹤結(jié)果

圖3 本文算法的跟蹤結(jié)果

在整個(gè)視頻序列中Meanshift、AVPF算法平均每幀的處理時(shí)間分別為10.8059ms、21.1967ms，而加入預(yù)測(cè)的本文算法僅為13.9756ms，雖然平均每幀的處理時(shí)間略高于Meanshift算法，但與AVPF跟蹤算法相比，該算法在取較少量粒子的情況下，處理速度有明顯的提高，實(shí)時(shí)性?xún)?yōu)于AVPF算法滿(mǎn)足UAV視頻跟蹤系統(tǒng)的實(shí)時(shí)性要求，可以實(shí)現(xiàn)UAV運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)跟蹤。

6結(jié)語(yǔ)

針對(duì)UAV目標(biāo)跟蹤面臨的實(shí)際問(wèn)題和具體要求，采用AVPF算法作為本文跟蹤算法的主體框架，對(duì)每個(gè)輔助采樣粒子進(jìn)行Meanshift轉(zhuǎn)移，利用采樣粒子確定候選目標(biāo)區(qū)域，對(duì)候選目標(biāo)模型與目標(biāo)模型進(jìn)行相似性度量，更新粒子權(quán)重，將粒子加權(quán)確定目標(biāo)跟蹤位置。再在跟蹤算法的基礎(chǔ)上，用Kalman濾波來(lái)預(yù)測(cè)目標(biāo)的軌跡，利用預(yù)測(cè)結(jié)果反過(guò)來(lái)修正跟蹤結(jié)果。結(jié)果表明該方法具有良好的抗旋轉(zhuǎn)性、抗機(jī)動(dòng)性和抗遮擋性，可以滿(mǎn)足目標(biāo)實(shí)時(shí)跟蹤的要求。但本文的跟蹤算法只針對(duì)UAV采集視頻圖像中的單目標(biāo)，當(dāng)有其它運(yùn)動(dòng)目標(biāo)進(jìn)入觀測(cè)視場(chǎng)時(shí)，算法的性能會(huì)受到較大的影響，后期可以考慮加入圖像分割技術(shù)，對(duì)多目標(biāo)跟蹤技術(shù)進(jìn)行深入研究。

［1］王俊，周樹(shù)道，程龍，等.無(wú)人機(jī)數(shù)據(jù)鏈關(guān)鍵技術(shù)與發(fā)展趨勢(shì)［J］.飛航導(dǎo)彈，2011（3）：62-65.

WANG Jun，ZHOU Shudao，CHENG Long，et al.The Key Technology and Development Trend of UAV Data Link［J］.Winged Missiles Journal，2011（3）：62-65.

［2］汪啟偉.圖像直方圖特征及其應(yīng)用研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2014.

WANG Qiwei.Research on Image Histogram Feature Algo?rithm and Application［D］.Hefei：University of Science and Technology of China，2014.

［3］韓磊，郭曉金，齊威，等.改進(jìn)的粒子濾波算法［J］.電視技術(shù)，2012（7）：16-19，23.

HAN Lei，GUO Xiaojin，QI Wei，et al.New Improved Par?ticle Filter［J］.Video Engineering，2012（7）：16-19，23.

［4］王長(zhǎng)元，金瑞銘，田寶杰，等.一種基于粒子濾波的瞳孔跟蹤方法［J］.計(jì)算機(jī)與數(shù)字工程，2015（11）：2044-2046，2077.

WANG Changyuan，JIN Ruiming，TIAN Baojie，et al.A Method To Track Pupil Through Particle Filter［J］.Com?puterand DigitalEngineering，2015（11）：2044-2046，2077.

［5］Xin Li.Object Tracking Using Meanshift Algorithm Com?bined with Kalman Filter on Robotic Fish［C］//Information Engineering Research Institute，USA.Proceedings of 2015 5th International Symposium on Knowledge Acquisition and Modeling（KAM 2015）［C］//Information Engineering Research Institute，USA：2015：5.

辛莉.采用輔助粒子濾波算法和聯(lián)合卡爾曼濾波器對(duì)機(jī)器魚(yú)目標(biāo)跟蹤［C］//美國(guó)信息工程研究所：2015屆國(guó)際知識(shí)獲取與建模會(huì)議錄，2015：5.

［6］席慶彪，董陽(yáng)霞，劉慧霞.一種基于M-APF的實(shí)時(shí)UAV目標(biāo)跟蹤算法［J］.系統(tǒng)仿真學(xué)報(bào)，2014，26（1）：107-111，118.

XI Qingbiao，DONG Yangxia，LIU Huixia.Real Time UAV Target Tracking Method Based on M-APF［J］.Jour?nalof System Simulation，2014，26（1）：107-111，118.

［7］孟軍英.基于粒子濾波框架目標(biāo)跟蹤優(yōu)化算法的研究［D］.秦皇島：燕山大學(xué)，2014.

MENG Junying.Research on Optimization Algorithm ofTarget Tracking based on Particle Filter［D］.Qinhuangd?ao：Yanshan University，2014.

［8］朱鵬飛，夏陸岳，潘海天.基于改進(jìn)Kalman濾波算法的多模型融合建模方法［J］.化工學(xué)報(bào)，2015（4）：1388-1394.

ZHU Pengfei，XIA Luyue，PAN Haitian.Multi-model Fu?sion Modeling Method Based on Improved Kalman Filter?ing Algorithm［J］.Journal of Chemical Industry and Engi?neering（China），2015（4）：1388-1394.

［9］翟衛(wèi)欣，程承旗.基于Kalman濾波的Camshift運(yùn)動(dòng)跟蹤算法［J］.北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（5）：799-804.

ZHAIWeixin，CHENG Chengqi.A Camshift Motion Track?ing Algorithm Based on Kalman filter［J］.Journal of Pe? king University（Natural Science），2015（5）：799-804.

［10］梁成.基于卡爾曼濾波法視頻目標(biāo)跟蹤的改進(jìn)［J］.計(jì)算機(jī)與數(shù)字工程，2014（5）：809-811，918.

LIANG Cheng.Improvement of Video Iarget Tracking Based on Kalman Filter Method［J］.Computer and Digital Engineering，2014（5）：809-811，918.

［11］田曉宇，李明干，劉沛.基于Kalman濾波的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用［J］.計(jì)算機(jī)與數(shù)字工程，2005（2）：40-42，104.

TIAN Xiaoyu，LI Minggan，LIU Pei.Neural Network Learning Algorithm Based on Kalman Filter and Applica?tion［J］.Computer and Digital Engineering，2005（2）：40-42，104.

劉冰1，2

（1.達(dá)州職業(yè)技術(shù)學(xué)院達(dá)州635001）（2.西南大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院重慶400715）

摘要在遠(yuǎn)程小目標(biāo)檢測(cè)中，針對(duì)傳統(tǒng)小波閾值去噪法及其折衷算法所得到的重構(gòu)信號(hào)出現(xiàn)的附加振蕩和處理前后值之間具有的恒定偏差，運(yùn)用開(kāi)高次方使改進(jìn)的函數(shù)曲線(xiàn)快速逼近傳統(tǒng)閾值曲線(xiàn)的思路，提出了一種改進(jìn)的小波閾值去噪算法。同時(shí)，還給出了運(yùn)程小目標(biāo)檢測(cè)系統(tǒng)的各硬件模塊的總體設(shè)計(jì)，并將改進(jìn)的小波閾值去噪法運(yùn)用到該系統(tǒng)的軟件設(shè)計(jì)中。實(shí)驗(yàn)表明，該文提出的算法與傳統(tǒng)方法相比，能夠更加快速準(zhǔn)確地分割出遠(yuǎn)程小目標(biāo)，提高了檢測(cè)的精度和準(zhǔn)確性，具有一定的實(shí)用價(jià)值。

關(guān)鍵詞小波閾值；小目標(biāo)；去噪；檢測(cè)；視頻幀

Target Tracking and Forecasting Algorithm for UAV

ZHANG Xin1DENG Wen2
（1.College of Electronic Information and ElectricalEngineering，Shangluo University，Shangluo 726000）（2.College of Autanation，Northwestern Polytechnical University，Xi'an 710072）

To solve the problems of target miss distance，which caused by the time delay during the communication in the UAV and the ground control station，firstly，an auxiliary variable particle filter tracking algorithm based on Meanshift sampling is used to track experiment.Itadopts the AVPF as the main framework ofthe tracking algorithm，then the Meanshiftis applied to cal?culate the offset of a few auxiliary particle and move them to the local optimum position of the observed values.Then based on the tracking result，Kalman filter is used to predict the targettrajectory and the results in turn act on correcting the tracking results and solving the miss distance problem.The results show that having the prediction algorithm is closer to the true value and could satisfy the UAV targettrajectory forecasting requirements.

UAV，targettracking，meanshift，AVPF，Kalman filter

TP391.4

10.3969/j.issn.1672-9722.2017.08.014

10.3969/j.issn.1672-9722.2017.08.015

2017年3月3日，

2017年4月13日

國(guó)家自然科學(xué)基金項(xiàng)目（編號(hào)：21273100）資助。

張?chǎng)?，女，碩士，助教，研究方向：圖像處理。鄧雯，女，博士，研究方向：控制理論與控制工程。