基于改進(jìn)Mean—Shift算法的四旋翼無人機(jī)目標(biāo)檢測(cè)與跟蹤

宋昭瑋　梁天誼　顧佳欣　蘇婷婷

摘 要 四旋翼無人機(jī)目標(biāo)的檢測(cè)與跟蹤是當(dāng)前機(jī)器視覺領(lǐng)域中的一個(gè)研究熱點(diǎn)，本文給出了一種基于改進(jìn)Mean-Shift算法的四旋翼無人機(jī)目標(biāo)檢測(cè)與跟蹤方案。首先根據(jù)目標(biāo)的外觀及其運(yùn)動(dòng)特征等信息建立相應(yīng)的目標(biāo)函數(shù)，然后計(jì)算彩色空間的直方圖特征，結(jié)合改進(jìn)Mean-Shift算法和模板匹配法對(duì)目標(biāo)進(jìn)行檢測(cè)與跟蹤。實(shí)驗(yàn)結(jié)果表明，本文所提的方案能夠有效檢測(cè)目標(biāo)，并能較穩(wěn)定地跟蹤目標(biāo)。

關(guān)鍵詞 四旋翼無人機(jī) Mean-Shift 模板匹配法 彩色空間

0 引言

隨著信息技術(shù)的不斷發(fā)展，四旋翼無人機(jī)逐漸成為了機(jī)器視覺領(lǐng)域的一個(gè)研究熱點(diǎn)，各國也都在研究如何讓四旋翼無人機(jī)更加智能化，四旋翼飛行器擁有控制靈活、體積小、重量輕、穩(wěn)定性好等優(yōu)點(diǎn)，無論是在軍事上還是民用上都能有廣泛的應(yīng)用前景，其中比較熱門的應(yīng)用就是四旋翼無人機(jī)與機(jī)器視覺相結(jié)合。機(jī)器視覺是當(dāng)前人工智能方面的一個(gè)重要的分支學(xué)科，主要是將被檢測(cè)物體轉(zhuǎn)換為圖像信號(hào)傳送給圖像處理系統(tǒng)，利用機(jī)器視覺代替人眼對(duì)目標(biāo)物體進(jìn)行攝取和檢測(cè)。圖像處理和模式識(shí)別等技術(shù)的快速發(fā)展有力推動(dòng)了機(jī)器視覺的發(fā)展，這些科技的進(jìn)步為無人機(jī)的應(yīng)用奠定了良好的基礎(chǔ)。

Mean-Shift算法屬于熱門目標(biāo)跟蹤算法之一，它的優(yōu)點(diǎn)是不需要任何先驗(yàn)知識(shí)，比較簡單，而且可以快速的完成整個(gè)過程，Mean-Shift算法作為一種非參數(shù)估計(jì)的方法不需要給出聚類中心個(gè)數(shù)，對(duì)聚類形狀也沒有要求，有效減少了目標(biāo)檢測(cè)的難度和時(shí)間，在目標(biāo)區(qū)域固定的情況下，完全可以做到實(shí)時(shí)跟蹤，對(duì)邊緣遮擋、目標(biāo)旋轉(zhuǎn)、變形和背景運(yùn)動(dòng)不敏感，是目標(biāo)檢測(cè)與跟蹤的一個(gè)性能良好的算法。然而，傳統(tǒng)的Mean-Shift算法在進(jìn)行目標(biāo)跟蹤過程中是基于目標(biāo)模型不會(huì)發(fā)生改變的假設(shè)，但是在現(xiàn)實(shí)生活中，這一假設(shè)往往具有一定的局限性。本文引入混合高斯建模對(duì)目標(biāo)模板進(jìn)行更新，給出一種改進(jìn)的Mean-Shift算法，有效提高系統(tǒng)的跟蹤性能。

1 基于改進(jìn)Mean-Shift算法的四旋翼無人機(jī)目標(biāo)檢測(cè)與跟蹤

1.1 圖像預(yù)處理

在目標(biāo)檢測(cè)與跟蹤中，圖像識(shí)別是不可缺少的一環(huán)，為了減少外部環(huán)境對(duì)圖像質(zhì)量造成的干擾，我們需要對(duì)四旋翼無人機(jī)搭載的攝像頭采集到的圖像進(jìn)行預(yù)處理。由于無人機(jī)圖像采集是在動(dòng)態(tài)飛行過程中進(jìn)行，機(jī)器本身的振動(dòng)會(huì)導(dǎo)致圖像出現(xiàn)一定程度的動(dòng)態(tài)模糊，為了減少圖像處理的難度和復(fù)雜度，本文首先對(duì)無人機(jī)采集到的圖像進(jìn)行去模糊處理，具體過程如下：運(yùn)用radon變換對(duì)圖像進(jìn)行旋轉(zhuǎn)校正，再利用自相關(guān)函數(shù)對(duì)圖像的運(yùn)動(dòng)模糊長度進(jìn)行估算，確定好點(diǎn)擴(kuò)散函數(shù)后對(duì)圖像進(jìn)行維納濾波以復(fù)原圖像。

在完成去模糊處理后，進(jìn)一步對(duì)圖像進(jìn)行去噪。均值濾波法將灰度圖像中的噪聲去除，這樣能夠有效增加采集到的圖像的清晰度，然后將處理后的灰度圖像進(jìn)行形態(tài)學(xué)處理。本算法中的形態(tài)學(xué)處理具體實(shí)施過程如下：首先通過腐蝕操作來消除圖像中的細(xì)小點(diǎn)，然后利用膨脹操作來填充圖像的孔洞，最后通過開閉操作來平滑檢測(cè)物體的邊緣及其輪廓，從而達(dá)到減少隨機(jī)少量噪聲孤立點(diǎn)的出現(xiàn)和填補(bǔ)目標(biāo)區(qū)域空洞的效果，使處理后的目標(biāo)圖像更加清晰，便于識(shí)別。

1.2 改進(jìn)的Mean-Shift算法

Mean-Shift算法，也被稱為“均值飄移”算法，是1975年Fukunage等人最先提出的，Cheng等于1995年將其應(yīng)用至目標(biāo)檢測(cè)與跟蹤方面，目前該算法已被進(jìn)一步改進(jìn)后廣泛應(yīng)用于圖像的平滑處理、目標(biāo)跟蹤、圖像分割等領(lǐng)域。Mean-Shift算法的具體實(shí)施步驟如下：首先，在初始時(shí)刻計(jì)算出均值偏移的向量值的大小，然后將給定點(diǎn)處的值代入上述向量進(jìn)行計(jì)算，最后將計(jì)算出的結(jié)果與設(shè)定的閾值進(jìn)行比較，當(dāng)結(jié)果小于閾值時(shí)結(jié)束迭代過程，其中閾值是一個(gè)較小的數(shù)，可以根據(jù)實(shí)際需要來設(shè)定。針對(duì)本文中四旋翼無人機(jī)攝像頭捕捉的彩色圖像，結(jié)合Mean-Shift算法選擇魯棒性較好的顏色特征建立相應(yīng)的模型至關(guān)重要，能夠有效捕捉目標(biāo)物本身的外觀及其運(yùn)動(dòng)狀態(tài)的變化，進(jìn)而實(shí)現(xiàn)有效的跟蹤。傳統(tǒng)的Mean-Shift算法是假設(shè)目標(biāo)模型在跟蹤過程中不會(huì)發(fā)生改變，跟蹤過程中自始至終均采用初始目標(biāo)模型，為了提高跟蹤精度和效率，本文將混合高斯模型用于目標(biāo)模板的更新，使跟蹤過程中模板能夠自適應(yīng)選擇，以適應(yīng)環(huán)境的變化。混合高斯建模的步驟如下：初始化參數(shù)、更新參數(shù)、歸一化和排序權(quán)值以及產(chǎn)生背景模型和目標(biāo)前景識(shí)別。

1.3 目標(biāo)檢測(cè)與跟蹤

利用的Mean-Shift算法進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤的具體的實(shí)施過程如下：在初始時(shí)刻，針對(duì)目標(biāo)物選定合適的跟蹤窗口，這里的窗口大小一般取核函數(shù)的寬度，利用目標(biāo)的外觀及其運(yùn)動(dòng)特征等信息建立相應(yīng)的目標(biāo)函數(shù)，根據(jù)改進(jìn)Mean-Shift算法中的偏移向量從起始的基準(zhǔn)處，進(jìn)行多次迭代和移動(dòng)的計(jì)算，使得其收斂于目標(biāo)物所在的區(qū)域位置，實(shí)現(xiàn)對(duì)目標(biāo)物的識(shí)別與跟蹤。為了增強(qiáng)特征的魯棒性，提高目標(biāo)檢測(cè)與跟蹤的精度，本文還將彩色空間的直方圖特征考慮進(jìn)來，對(duì)四旋翼無人機(jī)采集到目標(biāo)的每個(gè)顏色通道，計(jì)算相應(yīng)的直方圖特征，利用圖像處理領(lǐng)域的模板匹配法，根據(jù)預(yù)設(shè)的相似度閾值，判定目標(biāo)物及其位置信息。通過將改進(jìn)Mean-Shift算法與模板匹配法進(jìn)行結(jié)合，可以有效提高目標(biāo)識(shí)別與跟蹤的準(zhǔn)確率，使得目標(biāo)跟蹤更加穩(wěn)定。

在利用四旋翼無人機(jī)對(duì)目標(biāo)物體跟蹤的過程中，如何來矯正姿態(tài)也是非常重要的一環(huán)，眾所周知，無人機(jī)有兩個(gè)對(duì)姿態(tài)控制起主要作用的傳感器，分別是加速度傳感器和角速度傳感器。因?yàn)榧铀俣葌鞲衅鞯膮⒖剂Ψ较蚴侵亓Ψ较颍碚撋纤梢詼y(cè)量出物體的絕對(duì)姿勢(shì)，但是它無法區(qū)分重力加速度和外力加速度，所以加速度傳感器的姿勢(shì)輸出并不適合短時(shí)間內(nèi)的運(yùn)行。在了解了這兩個(gè)傳感器的特點(diǎn)后，本文在矯正無人機(jī)姿態(tài)的過程中，短時(shí)間內(nèi)的矯正用角加速度的值，長時(shí)間內(nèi)的矯正用加速度的值。具體的姿態(tài)矯正過程如下：首先，我們要對(duì)角速度傳感器輸出的角速度和時(shí)間做積分運(yùn)算，得到的結(jié)果就可可供四旋翼無人機(jī)的平衡系統(tǒng)使用，然后，利用已知的物體的初始姿態(tài)，就能得到物體的最終姿態(tài)。

2 結(jié)束語

本文給出了一種基于改進(jìn)Mean-Shift算法的四旋翼無人機(jī)目標(biāo)檢測(cè)與跟蹤方案。該方法結(jié)合改進(jìn)Mean-Shift算法和模板匹配法的優(yōu)勢(shì)對(duì)目標(biāo)進(jìn)行檢測(cè)與跟蹤。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提方案能夠有效檢測(cè)目標(biāo)，并能較穩(wěn)定地跟蹤目標(biāo)。

參考文獻(xiàn)

[1] 馬良，穆朝絮，楊萬扣，等.四旋翼無人機(jī)目標(biāo)跟蹤系統(tǒng)設(shè)計(jì)[J].控制工程，2015.22（6）：1076-1081.

[2] 王海羅.基于視覺感知的無人機(jī)目標(biāo)識(shí)別與跟蹤技術(shù)研究[D].北京理工大學(xué)，2015.

[3] 方旭，劉金琨.四旋翼無人機(jī)三維航跡規(guī)劃及跟蹤控制[J].控制理論與應(yīng)用，2015.32（8）：1120-1128.

[4] 劉洪生.基于機(jī)器視覺的無人機(jī)目標(biāo)跟蹤研究[D].昆明理工大學(xué)，2017.

[5] Fu C， Duan R， Kircali D， et al. Onboard Robust Visual Tracking for UAVs Using a Reliable Global-Local Object Model[J].Sensors，2016.16：1424-8220.

[6] Zhou H， Kong H， Wei L， et al. Efficient Road Detection and Tracking for Unmanned Aerial Vehicle[J].IEEE Transactions on Intelligent Transportation Systems，2015.16（1）：297-309.

[7] Dong X，Shen J，Yu D，et al. Occlusion-Aware Real-Time Object Tracking[J].IEEE Transactions on Multimedia， 2017.19（4）：763-771.

[8] Liang P，Pang Y，Liao C，et al. Adaptive Objectness for Object Tracking[J].IEEE Signal Processing Letters，2016.23（7）：949-953.