基于單目視覺的運動目標跟蹤方法

朱漢華，趙嵩郢, 李京書, 崔 玫

(1.武漢理工大學 能源與動力工程學院，武漢 430033；2.海軍工程大學 管理工程系,武漢 430033；3.中國艦船研究設計中心，武漢 430064)

基于單目視覺的運動目標跟蹤方法

朱漢華1，趙嵩郢1, 李京書2, 崔 玫3

(1.武漢理工大學 能源與動力工程學院，武漢 430033；2.海軍工程大學 管理工程系,武漢 430033；3.中國艦船研究設計中心，武漢 430064)

受目標跟蹤和目標測量中存在的問題及感知規避的實際應用情況影響，當目標周圍環境發生大的變化時，鄰近背景樣本無法近似表示目標的變化，而固定樣本的字典無法處理目標形狀變化時的情況。對此，提出一種自適應的字典更新方法來實現穩定的目標跟蹤，通過仿真試驗對所提出方法的精確度和可行性進行驗證。

目標跟蹤；稀疏特征；非線性觀測器；自適應

無人機在實際飛行過程中不僅會遇到靜止障礙物，還有可能遇到鳥類、協同飛行的其他無人機或有人機等運動障礙物。隨著無人機協同技術成為研究熱點，感知規避技術成為亟待解決的問題，而對運動目標進行測量定位則是感知規避的基礎和保障。[1-3]

當前基于單目視覺的靜止目標定位方法[4-5]已相對完善，這里對運動目標的定位方法進行研究。由于目標在世界坐標系中的位置隨著時間的變化而變化，且變化的快慢受目標的速度和姿態等因素影響，因此對運動目標的研究相比靜止目標更具挑戰性。[6-8]這里將無人機飛行過程中遇到的運動目標分為目標跟蹤和目標測量2部分進行研究。

針對目標跟蹤和目標測量中存在的問題及感知規避的實際應用情況，首先在采樣過程中通過增加鄰近背景樣本來擴展目標的形狀樣本，解決跟蹤時目標遮擋及形狀變化的問題；然后通過采用LC-KSVD的方法對采樣樣本進行學習得到稀疏字典，進而得到目標的稀疏特征；最后利用稀疏特征選擇算法實現目標跟蹤。當目標周圍的環境發生大的變化時，鄰近背景樣本無法近似表示目標的變化，而固定樣本的字典無法處理目標形狀變化時的情況。對此，提出一種自適應的字典更新方法來實現穩定的目標跟蹤。利用得到的目標的稀疏特征信息，結合目標的動力學模型，設計一種基于RISE的非線性觀測器，從而實現對目標的速度及深度信息的估計。同時，通過仿真試驗對所提出方法的精確度和可行性進行驗證。

1 目標跟蹤

在傳統的信號表示理論中，一般通過一組正交基函數的線性組合進行信號表示，但圖像等復雜信號有時并不能用一組正交基線性表示。1996年，OLSHAUESEN等人受人類視覺皮層神經元響應的稀疏性啟發，提出一種針對自然圖像信號的有效表示方法(即稀疏表示)。稀疏表示是指通過少量原子，以一種簡潔、稀疏的形式揭示信號的內在結構，其在本質上是一種線性逼近的過程。信號分解就是從過完備字典中選取最佳線性組合的若干原子進行信號表示。由于字典具有超完備性，因此每個信號都會有多種表示方法，其中最稀疏的表示方法最簡潔，可描述為

y=Φa

(1)

式(1)中：Φ∈Rl×K為過完備字典;y∈Rl×1為信號;a∈RK×1為待求的系數。

2 測量模型

2.1目標與攝像機的相對運動模型

(2)

式(2)中含有2個未知量，為方便后面的計算，用狀態變量y(t)=[y1(t),y2(t),y3(t)]T代替m(t)，即

(3)

圖1 目標與攝像機的相對運動模型

y(t)中的前2部分與m(t)相同，且可通過圖像空間中的幀坐標p(t)=[u,v,1]T得到。

p=Acm

(4)

式(4)中：Ac∈R3×3為攝像機的標定矩陣，可通過攝像機標定的方法得到。由式(4)可知，m(t)可由p和Ac得到，即通過式(4)可求得y(t)的前2部分。y(t)中的最后一項與x3(t)有關，即與攝像機與特征點之間的相對位置有關，因此對y(t)進行估計可得到距離信息。為方便后面的推導計算，需假設:

2) 攝像機的線性速度vc(t)與目標的速度vp(t)是連續變化且有界的。

特征點在運動攝像機觀測下的動力學方程為

(5)

將式(3)與式(5)相結合，目標的運動學方程可表示為

(6)

(7)

Ψd=[vc,ω,vp]T

(8)

由上述分析可知,y1和y2是可測量的，而y3的精確值無法通過視覺傳感器獲得，且目標的速度向量vp未知。因此，式(6)中可測的輸入量(2個)少于未知量(3個)。對于不可測量的量y3，雖然無法獲得精確值，但可估計出其比例因子，即

(9)

(10)

(11)

(12)

(13)

2.2對目標深度和速度估計的非線性觀測器設計

2.2.1對目標深度估計的非線性觀測器設計

(14)

(15)

(16)

(17)

(18)

結合式(17)和式(18)即可求得濾波跟蹤的動態誤差方程，即

(19)

式(16)和式(17)表示的非線性觀測器的性質可用以下定理描述。

(20)

(21)

證明：構造李雅普諾夫函數為

高校是我國培養創新型人才的主要陣地，其教學理念、教學方法及教學體制都會影響大學生的成長和發展。思想政治教育是高校教學的重點內容，是提高學生創新能力和綜合素質的有效途徑，有利于學生健全人格的塑造，幫助學生樹立正確的價值觀，促進學生的全面發展，基層黨建是開展高校思想政治教育的主要部門，充分發揮基層黨建的教學價值，是現代基層黨建工作的重要職責。

(22)

將式(19)代入到式(22)中可得

(23)

(24)

(25)

(26)

2.2.2對目標速度估計的非線性觀測器設計

由于式(27)中的未知參數y3/d3和y3是線性的，對未知項的估計會產生未知參數的估計，因此式(27)可表示為

(31)

(32)

(33)

(34)

(35)

(36)

3 跟蹤試驗

在MATLAB環境下進行仿真試驗，設置α1=0.7和α2=0.3分別控制與第一幀目標及前一幀目標的相關度，標記約束項的系數α設為4，分類誤差項的系數設為2，搜索窗口的大小根據視頻中的目標設置。r=2，迭代次數設置為30進行仿真試驗。

對于稀疏字典，最小重構誤差不是檢驗字典的唯一標準，同時還有識別檢測能力。試驗中采用文獻[10]給出的比較方法，將LC-KSVD的學習方法與K-SVD的學習方法在這2方面進行對比試驗。試驗結果見圖2和圖3，其中，正樣本是圍繞目標在半徑r范圍內進行的采樣，負樣本是在r～2r內進行等數量的隨機采樣，且字典中所用樣本均是在第一幀圖像中采集的。

圖2 重構誤差圖3 識別檢測能力

圖4為未更新的中心定位誤差與更新的中心定位誤差對比。由圖4可知，從170～200幀，未更新的跟蹤方法的中心定位誤差迅速增大，而更新的跟蹤方法定位誤差卻減小。可見，當背景發生較大變化時，采用更新的字典學習方法可有效提高定位精度。

圖4 未更新的中心定位誤差與更新的中心定位誤差對比

圖5為不同算法對存在遮擋時的目標定位對比，其中上面矩形框表示本文算法的跟蹤結果，下面矩形框表示文獻[11]的跟蹤結果。顯然，本文所提算法對目標遮擋時的跟蹤定位效果更好。

圖5 不同算法對存在遮擋時的目標定位對比

4 結束語

本文針對無人機避障中的環境感知系統部分，利用單目視覺實現對運動目標的跟蹤測量。通過在目標模板和瑣碎模板組成的模板集中引入鄰近背景模板，實現對目標部分形變的近似表示，提出一種稀疏特征選擇算法和一種學習字典的更新方法。通過仿真試驗驗證該算法可有效實現目標跟蹤。

[1] CLARK M,KERN Z,PRAZENICA R J.A Vision-Based Proportional Navigation Guidance Law for UAS Sense and Avoid [C].AIAA Guidance,Navigation,and Control Conference,2015.

[2] WALLACE L,LUCIEER A,WATSON C S.Evaluating Tree Detection and Segmentation Routines on Very High Resolution UAV LiDAR Data [J].IEEE Transactions on Geoscience & Remote Sensing,2014,52(12):7619-7628.

[3] FASANO G,ACCARDO D,TIRRI A E,et al.Morphological Filtering and Target Tracking for Vision-Based UAS Sense and Avoid [C].2014 International Conference on Unmanned Aircraft Systems.IEEE,2014.

[4] LIN Jingyu,JI Xiangyang,XU Wenli,et al.Absolute Depth Estimation from a Single Defocused Image [J].IEEE Transactions on Image Processing,2013,22(11):4545-4550.

[5] SALIH Y,MALIK A S,MAY Z.Depth Estimation Using Monocular Cues from Single Image [C].National Postgraduate Conference.IEEE,2011:1-4.

[6] MEI H,KANADE T.Reconstruction of a Scene with Multiple Linearly Moving Objects[J].International Journal of Computer Vision,2004,59(3):285-300.

[7] ZHANG Z,CONLY C,ATHITSOS V.Evaluating Depth-Based Computer Vision Methods for Fall Detection Under Occlusions [M].Berlin： Springer International Publishing,2014:196-207.

[8] GIRISH C,JOHNSON E N,DANIEL M,et al.GPS-Denied Indoor and Outdoor Monocular Vision Aided Navigation and Control of Unmanned Aircraft [J].Journal of Field Robotics,2013,30(3):415-438.

[9] HU G,AIKEN D，GUPTA S，et al.Lyapunov-Based Range Identification For Paracatadioptric Systems [J].IEEE Transactions on Automatic Control,2008,53(7):1775-1781.

[10] WU H,LI G,LUO X.Weighted Attentional Blocks for Probabilistic Object Tracking[J].Visual Computer,2014,30(2):229-243.

[11] WANG D,LU H,YANG M H.Online Object Tracking with Sparse Prototypes[J].IEEE Transactions on Image Processing,2012,22(1):314-325.

MonocularVision-BasedMovingObjectTracking

ZHUHanhua1,ZHAOSongying1，LIJingshu2，CUIMei3

(1.Wuhan University of Technology,Wuhan 430033，China; 2.Department of Managenent Engineering,College of Naval Engineering,Wuhan 430033，China; 3.China Ship Design Institute,Wuhan 430064,China )

When tracking a target in practical environment,if the environment surrounding the target changes significantly,the adjacent background samples will be invalid in approximating the movement of the target.A fixed sample dictionary can not handle the shape changes of the target which may happen in such situations either.An adaptive dictionary updating method is proposed to achieve the stability of target tracking.The accuracy and feasibility of the proposed method is verified through simulation tests.

target tracking; sparse characteristic; nonlinear observer; adaptive tracking

TP391.41; U675.7

A

2017-02-24

國家級大學生創新創業訓練計劃基金(20161049705008)

朱漢華(1968—),男,湖北武漢人，教授，博士，研究方向為船舶工業。E-mail:1208581923@qq.com

趙嵩郢(1996—)，男，湖北武漢人，學士，研究方向為信號處理。E-mail:15872427429@163.com

1000-4653(2017)02-0001-05