基于改進Mean Shift算法的無人機目標定位方法解析

楊帥 龔欣 李歌

【摘 ?要】為彌補傳統基于無人機的地面目標定位模型應用中暴露出的不足，本文提出應用改進Mean Shift算法的建議。文章設計了改進后的Mean Shift目標定位算法，包括描述目標模型、確定相似性度量、確定輪廓函數的目標定位，科學選擇適宜的初始迭代點，進行仿真實驗研究，分析發現均值與標準差均處于設計范圍中，凸顯了Mean Shift 算法的優越性，值得推廣。

【關鍵詞】無人機;目標定位;Mean Shift算法;仿真分析

引言

Fukunaga等人在一篇介紹概率密度梯度函數預測的論文中首次提出了Mean Shift算法，近些年國內外人員對這種算法的研究深度不斷拓展，其在目標檢測于追蹤、圖像分割等諸多領域均有應用。Mean Shift即均值偏移，實質上就是偏移的均值向量。一般是指迭代的流程，先測算選中點內的偏移向量，而后轉至本次的偏移均值位置，而后將該點作為下一次迭代的初始點，再執行以上流程，屢次執行以上操作，在符合設計條件時終止。

1、設計改進的Mean Shift目標定位算法

1.1目標模型

合理選擇特征空間是精準闡述目標特征，把空間內的概率密度函數設定為目標的參考模型。采用圖內單個橢圓區去表示目標模型。因為該目標在各種維度內均會形成一定影響，需將目標規則化至單個圓內，進而解除這種影響。采用帶寬 和 縮放長和寬兩個維度，這樣便能滿足規則化的要求。

在目標區域中存在n個像素點， 表示， 表示該目標區域的中心像素點。在目標模型內，可以用下式計算模型內特征值u=1，2…m：

上式為q 與p的 Bhattacharyya 系數的樣本估計，針對Bhattacharyya系數，可以將其理解成一個散度型的度量法。基于上式能知道 區間（0，1），故 取值范圍（0，1）。且 與 兩者呈反比關系。

1.3輪廓函數的目標定位

在定位流程執行的整個過程中，于遙感圖內選出一個廚師迭代點作為迭代的初始位置（ ）是首個步驟，隨后與遙感圖內檢索到下一個位置，此時要了解 的模型闡述，即在 處航拍圖的概率分布 。

白問題轉型成測求概率密度函數峰值問題，具體是在一個鄰域內利用Mean Shift確定，這樣便能順利測算出以 為中心的Mean Shift向量，即：

2、選擇初始迭代點

基于基于人機交互模式選出 Mean Shift算法內初始迭代點，而本課題研究中基于無人機自定位方式選出初始迭代點。大部分無人機自帶定位系統，例如GPS、伽利略等，在其探測到本體位置信息后，能獲得相機拍照模糊位置，但定位系統存在著一定偏差，若僅利用其進行目標定位會形成較大誤差，故而選擇無人機本體定位的位置作為初始迭代點。

3、仿真實驗和結果分析

通過實驗做出的結果分析與定位精度，其中后者的指標采取了計算均值與標準差，均值越小，標準越小，則越能獲得越好的定位效果，在本課題內，若均值在0～7，標準差0～3，那么所得結果就越可靠。

觀察應用無人機航拍和衛星圖像兩者進行匹配定位的結果，分別列出了以三種不同直方圖為基礎的Mean Shift 算法定位結果。

觀察以各直方圖特征為基礎的匹配曲面局部放大圖像發現，本文設計的改進算法的匹配曲線連續且光滑，迭代過程中不會陷進極值點內。觀察基于本文算法生成的相似性曲線，發現相似度在部分區域中盡管略有降低，但整條曲線呈上升的趨勢，曲線的最高點為0.9860。基于算法的定位精度，一共列出了5組點位，分別測算橫、縱坐標的均值與標準值。

測算所得的均值和標準差，X處的均值、標準差的誤差分別是2.7510、2.4351，Y處的均值、標準差的誤差依次是3.6250、2.1138。

采用兩張年份不同的遙感圖像開展實驗分析，基于如上的測試結果不難發現以GVF梯度幅值直方圖為基礎的Mean Shift算法更能精準的探尋到目標位置，盡管會形成些許誤差，但處于可接受的范疇中，但能明顯發現其他以兩種直方圖為基礎的Mean Shift算法下定位結果誤差偏大，并且能推測出定位到的位置和初始迭代點位選擇之間存在很大關聯性，伴隨初始迭代點與精準位置兩者間距的拉近，誤差也呈現減小趨勢。

結束語：

無人機目標定位為當下業內研究的一個熱點問題，加強研究有重要的理論意義與實際應用價值。本課題設計了新的定位方法，即以改進 Mean Shift算法為基礎的無人機目標定位。通過模擬仿真驗證了改進后Mean Shift算法精度的可靠性，具有一定魯棒性，值得推廣。

參考文獻：

[1]承琦，李磊.基于卡車和無人機聯合運輸下的末端配送算法研究[J]. 物流工程與管理，2020，042（003）：62-65.