目标跟踪算法在无人机中的应用

无人机目标跟踪与定位技术研究

近年来，无人机在工业、农业、环保、安保等领域的广泛应用，给人们的生活和工作带来了诸多便利。其中，无人机目标跟踪与定位技术的发展，更是推动了无人机应用的广度和深度。本文将就无人机目标跟踪与定位技术的现状、发展趋势以及对未来发展重要性的探讨。

一、无人机目标跟踪与定位技术现状

在实际应用中，无人机目标跟踪与定位技术主要涉及到视觉、语音、雷达等多种技术手段。其中，视觉技术以其高精度、高效率等特点成为了无人机目标跟踪和定位技术的主要手段。

目前较为成熟的视觉技术，主要包括图像处理、特征提取、视觉跟踪等技术手段。其中，图像处理是视觉技术的基础，主要是指对图像进行去噪、滤波、增强等预处理工作。特征提取是指从原始图像中提取出对目标有效、有代表性的特征。视觉跟踪是指在一定时间内，通过连续采集的图像，在保持目标识别与跟踪的前提下，对目标进行跟踪与定位。

另外，语音技术和雷达技术也在无人机目标跟踪与定位中发挥着重要作用。语音技术通过对目标所发出的声音进行分析，实现目标定位与跟踪。雷达技术则利用微波信号对目标进行扫描，从而定位目标位置。

二、无人机目标跟踪与定位技术的发展趋势

随着技术的不断发展，无人机目标跟踪与定位技术也正在朝着高精度、高效率、高可靠性的方向不断发展。未来，随着芯片技术的进化、软件算法的智能化、传感器设备的升级等多方面的技术创新，无人机目标跟踪与定位将迎来新的发展趋势。

一是数据融合技术的不断发展。相较于单一传感器设备，多传感器设备联合应用，数据融合技术可以大大提升无人机目标跟踪与定位的精度和可靠性。因此，运用数据融合技术，将多种传感器设备联合应用于无人机目标跟踪与定位，已成为未来发展的重要趋势。

二是深度学习技术的应用。深度学习技术可以使计算机自动学习和理解复杂模式，从而实现更精准的目标跟踪与定位。未来，随着深度学习算法的进一步发展以及计算硬件设施的升级，深度学习技术将成为无人机目标跟踪与定位的主流技术手段。

龙源期刊网

视频中目标检测与跟踪算法综述

作者：郑嘉 赵润

来源：《物联网技术》2017年第04期

摘 要：视频中的目标检测与跟踪是视频行为分析与行为识别的技术基础，该论文介绍了近10年来主流目标检测技术和目标跟踪技术的主要成果，对比了主流目标跟踪和目标检测技术的性能，并介绍了这两项技术的未来发展方向。

关键词：视频信息；目标检测；目标跟踪；行为识别；行为分析

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2017）04-00-03

0 引 言

在视频中人或运动物体行为理解的整个流程中，运动目标的检测与跟踪非常关键。通常一个视频监控系统大体可分解为四个不同的功能单元，即目标检测，搜索系统感兴趣的目标区域；目标跟踪，捕获感兴趣区域的运动轨迹；目标分类，将被跟踪目标分为人，汽车或其他移动物体；目标行为识别，对跟踪目标进行行为识别。目标检测作为视频监控的前提，属于低层次的视觉问题，目前己有多种较为成熟的算法。而目标跟踪作为视频监控最基本的功能属于中等层次的视觉问题，是当前制约视频监控系统性能的主要瓶颈之一。

1 主流的目标检测方法介绍

1.1 背景分割法

背景分割法适用于运动场景固定且比较简单的场合，通过建立背景模型，用图像序列的特征参数与背景模型比较，分割出背景和前景，从而得到运动对象。背景差分图像的主要原理是通过现有图像对比已知背景图像，且背景图像中不含任何感兴趣的对象，是背景模型[1]。该对比过程被称为前景检测。该过程将观测图像分为两个互补的像素集合，可覆盖全部图像，包括感兴趣的运动对象及前景与前景的补集，即背景。

背景减除法最大的缺陷是，没有成熟和高性能的规则来定义前景区域和对象，因此其使用范围受限。有许多背景减除算法是针对特定需求提出来的，因此对模型和分割策略也提出了特殊要求。如文献[2]，它必须适用于平缓或快速的光照变化，场景运动变化，复杂的背景或背景变化。由于部分场合要求由硬件承担背景减除功能，因此算法负载成为最基本的要求。对于户外视频监控系统而言，算法对噪声的鲁棒性以及算法对光照变化的适应能力是最基本的要求。 龙源期刊网

２０１２牟第８期　

文章编号：１００９—２５５２（２０１２）０８－０１２７～０４　中图分类号：ＴＰ３０１　文献标识码：Ａ　

粒子滤波在目标跟踪算法中的应用研究　

陈　亢，康　勇，裴俐春　

（防空兵学院，郑州４５００５２）　

摘要：针对非高斯、强噪声背景下的高机动目标实施跟踪时，卡尔曼滤波、扩展卡尔曼滤波　等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤　

波算法，在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标　跟踪问题为背景，将粒子滤波与卡尔曼滤波算法进行了对比研究。　关键词：目标跟踪；粒子滤波；卡尔曼滤波　

Ｒｅｓｅａｒｃｈ　ｏｎ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒｉｎｇ　ｔｈｅ　ｔａｒｇｅｔ　

ｔｒａｃｉｎｇ　ａｌｇｏｒｉｔｈｍ　

ＣＨＥＮ　Ｋａｎｇ，ＫＡＮＧ　Ｙｏｎｇ，ＰＥＩ　Ｌｉ．ｃｈｕｎ　（Ａｉｒ　Ｄｅｆｅｎｓｅ　Ｆｏｒｃｅｓ　Ａｃａｄｅｍｙ，Ｚｈｅｎｇｚｈｏｕ　４５００５２，Ｃｈｉｌｌｔ￣）　Ａｂｓｔｒａｃｔ：Ｗｈｅｎ　ｔｈｅ　ｏｂｊｅｃｔｓ　ａｒｅ　ｉｎ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｏｆ　ｈｉｇｈｅｒ　ｍａｎｅｕｖｅｒｉｎｇ，ｍｕｌｔｉ—ｍｏｄｅｌ，ｎｏｎ—Ｇａｕｓｓｉａｎ，　ｓｔｒｏｎｇ　ｎｏｉｓｅ，ｔｈｅ　ａｌｇｏｒｉｔｈｍｓ　ｏｆ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ　ａｎｄ　ｅｘｔｅｎｄｅｄ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ　ｗｉｔｈｉｎ　ｔｈｅ　Ｇａｕｓｓｉａｎ　ｂａｃｋｇｒｏｕｎｄ　ｌｅａｄｓ　ｔｏ　ｔｈｅ　ｆｉｌｔｅｒ　ｐｒｅｃｉｓｉｏｎ　ｄｅｃｒｅａｓｅ　ａｎｄ　ｄｉｖｅｒｇｅｎｃｅ　ｐｈｅｎｏｍｅｎｏｎ．Ａｓ　ａ　ｎｏｎｌｉｎｅａｒ　ｆｉｌｔｅｒ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　

Ｂａｙｅｓｉａｎ　ｅｓｔｉｍａｔｉｏｎ，ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ　ｈａｓ　ｏｒｉｇｉｎａｌ　ａｄｖａｎｔａｇｅ　ａｔ　ｔｒｅａｔｉｎｇ　ｔｈｅ　ｐａｒａｍｅｔｅｒ　ｅｓｔｉｍａｔｉｏｎ　ａｎｄ　ｓｔａｔｅ　ｆｉｌｔｅｒｉｎｇ　ａｓｐｅｅ￣ｏｆ　ｎｏｎｌｉｎｅａｒ　ｎｏｎ—Ｇａｕｓｓｉａｎ　ｔｉｍｅ・ｖａｒｙｉｎｇ　ｓｙｓｔｅｍｓ．Ｔｈｕｓ　ａ　ｇｒｅａｔ　ｄｅｖｅｌｏｐｍｅｎｔ　ｉｓ　ｏｂｔａｉｎｅｄ．　

龙源期刊网

基于改进Mean—Shift算法的四旋翼无人机目标检测与跟踪

作者：宋昭玮 梁天谊 顾佳欣 苏婷婷

来源：《科教导刊》2018年第13期

摘 要 四旋翼无人机目标的检测与跟踪是当前机器视觉领域中的一个研究热点，本文给出了一种基于改进Mean-Shift算法的四旋翼无人机目标检测与跟踪方案。首先根据目标的外观及其运动特征等信息建立相应的目标函数，然后计算彩色空间的直方图特征，结合改进Mean-Shift算法和模板匹配法对目标进行检测与跟踪。实验结果表明，本文所提的方案能够有效检测目标，并能较稳定地跟踪目标。

关键词 四旋翼无人机 Mean-Shift 模板匹配法 彩色空间

0 引言

随着信息技术的不断发展，四旋翼无人机逐渐成为了机器视觉领域的一个研究热点，各国也都在研究如何让四旋翼无人机更加智能化，四旋翼飞行器拥有控制灵活、体积小、重量轻、稳定性好等优点，无论是在军事上还是民用上都能有广泛的应用前景，其中比较热门的应用就是四旋翼无人机与机器视觉相结合。机器视觉是当前人工智能方面的一个重要的分支学科，主要是将被检测物体转换为图像信号传送给图像处理系统，利用机器视觉代替人眼对目标物体进行摄取和检测。图像处理和模式识别等技术的快速发展有力推动了机器视觉的发展，这些科技的进步为无人机的应用奠定了良好的基础。

Mean-Shift算法属于热门目标跟踪算法之一，它的优点是不需要任何先验知识，比较简单，而且可以快速的完成整个过程，Mean-Shift算法作为一种非参数估计的方法不需要给出聚类中心个数，对聚类形状也没有要求，有效减少了目标检测的难度和时间，在目标区域固定的情况下，完全可以做到实时跟踪，对边缘遮挡、目标旋转、变形和背景运动不敏感，是目标检测与跟踪的一个性能良好的算法。然而，传统的Mean-Shift算法在进行目标跟踪过程中是基于目标模型不会发生改变的假设，但是在现实生活中，这一假设往往具有一定的局限性。本文引入混合高斯建模对目标模板进行更新，给出一种改进的Mean-Shift算法，有效提高系统的跟踪性能。