基于深度學習的無人機多目標自動跟蹤系統

薛行貴，宋德鵬，陳 思

（1.武警上海總隊，上海 200050；2.武警警官學院，四川 成都 610213；3.武警研究院，北京 100012）

深度學習是在人工智能基礎上發展起來的新興研究方向，可以根據機器學習算法，對云數據進行處理，且不對數據信息所屬類型進行嚴格要求。一般來說，深度學習技術的應用在于表現樣本數據的內在規律及所屬層次，可以在加工信息參量的同時，分析目標節點之間的數據傳輸關系[1-2]。作為模式分析方法的統稱，深度學習技術的應用主要涉及神經網絡搭建、神經元編碼、數據樣本預訓練三方面內容。其中，神經網絡體系決定了數據信息參量在網絡環境中的傳輸能力，神經元編碼條件則負責建立樣本數據之間的數值映射關系，而數據樣本預訓練則可以鑒別所選擇數據信息參量是否滿足神經網絡主機的調取與處理需求。

無人機是以無線電遙控設備和自備程序為必要控制條件的不載人飛行器設備，在復雜運動環境中，地面主機及基站也可以對無人機飛行器進行間歇式控制[3]。受到航線軌跡、自然天氣等外界因素的干擾，無人機飛行器對于待測目標的控制能力可能會受到影響，此時極易使所采集到的目標圖片像素遠低于預設像素指標的數值水平。

為應對上述問題，基于地空信息融合的無人機控制系統注重對目標圖片中的噪點參量進行提取，根據噪點信息與常規像素之間的覆蓋關系，制定飛行器主機所遵循的跟蹤執行指令[4]。然而此系統的應用能力有限，并不能保證目標像素數值與預設像素指標之間的貼合關系。為避免上述情況的發生，以深度學習算法為基礎，設計一種新型的無人機多目標自動跟蹤系統。

1 系統硬件設計

無人機多目標自動跟蹤系統的硬件執行單元由無人機操縱平臺、核心管控電路、目標節點處理模塊三部分共同組成，以下將針對上述三個硬件應用結構的設計方法展開研究。

1.1 無人機操縱平臺

無人機操縱平臺由DJI M100 設備主機、執行結構兩部分共同組成。其中，DJI M100設備主機負責記錄無人機飛行器運動軌跡的分布形式，可以根據待測目標節點的排列狀態，制定后續的跟蹤執行指令；執行結構則包含GPS 元件、IT2 操作元件、FLC 元件等多個組成部分，能夠在確定無人機飛行器與待測目標對象之間對應關系的同時，按照深度學習算法的約束條件調節已獲取數據信息參量的存儲形式，從而緩解DJI M100 設備主機所面臨的指令運行壓力[5-6]。具體的無人機操縱平臺作用模式如圖1所示。

圖1 無人機操縱平臺的作用模式

隨著無人機待測目標對象數量的增多，DJI M100 設備主機所承擔的數據存儲壓力也在不斷增大，但由于深度學習算法約束條件的存在，GPS 元件、IT2 操作元件、FLC 元件對于無人機飛行器的控制能力能夠始終保持穩定，這也是系統主機最終所運行跟蹤指令不會脫離待測目標對象而獨立存在的主要原因。

1.2 核心管控電路

核心管控電路（如圖2 所示）可以為無人機多目標自動跟蹤系統提供動力支持，能夠根據電阻之間的數值配比關系，協調下級電感之間的連接關系，從而使無人機飛行器保持相對穩定的運行狀態[7]。

圖2 核心管控電路結構簡圖

信號觸發器元件同時管控電阻R1、R2、R3、R4。其中，電阻R1與R3的阻值水平相對較高，負責調節無人機飛行器的實時運動速率[8]；電阻R2、R4接受CT0 裝置的直接控制，負責協調電感L1、L2、L3兩端的負載電壓，可以調節待測目標與無人機飛行器的間隔距離，從而使得系統運行主機能夠制定更加符合實際應用需求的跟蹤指令執行程序。

1.3 目標節點處理模塊

在無人機多目標自動跟蹤系統中，目標節點處理模塊負責制定待執行程序指令，能夠利用數據信息文件與應用設備之間的反饋關系，將待執行程序指令傳輸給既定處理主機。目標節點處理模塊的應用設備元件包括圖像提取主機、數據信息處理主機與飛行器控制主機[9-10]。其中，圖像提取主機負責跟蹤無人機目標對象，數據信息處理主機負責制定多目標跟蹤指令，無人飛行器控制主機負責管控無人機飛行器的實際行進方向。完整的目標節點處理模塊連接結構如圖3 所示。

圖3 目標節點處理模塊結構示意圖

圖4 深度學習網絡的框架結構

對于無人機多目標自動跟蹤系統而言，目標節點處理模塊的連接行為受到核心管控電路的直接調節。

2 目標跟蹤方法

在各級硬件應用結構的支持下，搭建深度學習網絡，并根據目標節點特征提取表達式，求解無人機多目標對象的方向跟蹤向量，將二者結合，完成基于深度學習的無人機多目標自動跟蹤系統的設計。

2.1 深度學習網絡

深度學習網絡能夠將飛行器設備所接收到的數據信息參量反饋給系統處理主機，并可以在過渡層節點的作用下，更改已錄入信息的傳輸格式，從而使得系統主機所制定的跟蹤執行指令能夠完全符合實際應用需求[11-12]。在實際應用過程中，輸入層節點對應負載于無人機飛行器之上的數據信息錄入元件，由于目標對象的運動形式具有多樣化的特點，所以輸入層節點必須具有極強的數據信息存儲能力；過渡層節點負責將所采集到的無人機目標對象信息傳輸至輸出層節點；輸出層節點對應系統處理主機，負責將多目標跟蹤指令反饋給其他硬件應用設備。

為使深度學習網絡的應用能力得到保障，過渡層節點個數會隨著數據信息參量的累積而不斷增大。

2.2 目標節點特征

目標節點特征即為無人機待測目標對象的跟蹤處理特征，在深度學習網絡框架的作用下，不同目標對象所對應的數據信息參量也有所不同。在無人機多目標自動跟蹤系統中，為使系統主機能夠對待測目標對象進行準確定位，在提取目標節點特征之前，必須對所得數據信息參量進行重排處理[13-14]。設δ表示待測目標對象排列系數的最小取值，Aδ表示與系數δ匹配的目標對象定義參量，表示目標對象定義參量的平均取值，聯立上述物理量，基于深度學習的無人機目標節點特征提取模型為：

式中，f表示無人機目標對象提取權值，β表示目標對象節點編碼系數，ΔS表示無人機待測目標數據的單位累積量。由于系統主機的運行速率不可能為零，所以系數ΔS的取值必須大于自然數“1”。

2.3 方向跟蹤向量

方向跟蹤向量決定了系統主機對于無人機目標對象的處理能力，在已知目標節點特征表達式的前提下，若方向跟蹤向量的取值大于零，則表示目標對象的行進方向為正方向；若方向跟蹤向量的取值小于零，則表示目標對象的行進方向為負方向[15-16]。在求解方向跟蹤向量時，需掌握無人機目標節點定義系數的具體取值。設v1、v2、…、vn表示n個不同的無人機目標節點定義系數，b1、b2、…、bn分別表示與v1、v2、…、vn相對應的無人機目標對象方向度量系數，聯立式（1），可將無人機多目標自動跟蹤系統所遵循的方向跟蹤向量求解表達式定義為：

其中，λ表示無人機運動距離系數，?表示運動轉向角度系數。在上述系數指標的支持下，完成跟蹤系統的軟件方法設計。

3 實驗分析

選擇A、B 兩個對象作為跟蹤目標（實驗原理如圖5 所示），分別利用基于深度學習的多目標自動跟蹤系統（實驗組）、基于地空信息融合的控制系統（對照組）對所選目標對象的運動行為進行監測。

圖5 實驗原理

實驗的執行流程如下：

步驟一：選擇Inspire 1 型號的無人機飛行器作為實驗對象；

步驟二：利用實驗組系統控制所選無人機飛行器；

步驟三：調節遙控裝置，使無人機設備能夠準確定位目標對象A、目標對象B 的運動狀態，將所得實驗數據作為實驗組變量；

步驟四：利用對照組系統控制所選無人機飛行器；

步驟五：重復步驟三，將所得實驗數據作為對照組變量。

無人機飛行器所采集到目標對象像素數值與預設像素指標之間的差值，可以反映出系統主機對于待測目標的跟蹤準確性，通常情況下，差值水平越大，系統主機準確跟蹤無人機目標對象的能力也就越強。

表1為本次實驗測試的目標對象像素數值結果。

表1 目標對象A的像素數值

分析表1 可知，對于目標對象A 而言，在整個實驗過程中，預設像素數值始終等于208 pix；實驗組像素數值在第600次實驗取值水平最大，達到了207 pix，與預設像素數值之間的差值為1 pix；對照組像素數值在第200次實驗取值水平最大，達到了191 pix，與預設像素數值之間的差值為17 pix，低于實驗組差值水平。

分析表2可知，對于目標對象B而言，在整個實驗過程中，預設像素數值始終等于204 pix；實驗組像素數值在500 次和600 次實驗取值水平最大，達到了204 pix，與預設像素數值達到一致；對照組像素數值在第300次實驗取值水平最大，達到了183 pix，與預設像素數值之間的差值為21 pix，也低于實驗組差值水平。

表2 目標對象B的像素數值

綜上可知，在深度學習網絡的應用下，系統主機所采集到的無人機目標對象像素數值水平明顯增大，實用性能更好，說明所設計系統更符合無人機捕獲待測目標的實際應用需求。

4 結束語

新型無人機多目標自動跟蹤系統遵循深度學習網絡機制，完善無人機操縱平臺、目標節點處理模塊等多個硬件結構之間的連接關系，又利用目標節點特征取值結果，求解方向跟蹤向量的具體數值。在實用性方面，深度學習型多目標自動跟蹤系統可使無人機目標像素的數值水平更好貼合預設像素指標，與準確跟蹤無人機待測目標的實際應用需求相符合。