UAV目標跟蹤預測算法研究?

張鑫鄧雯

劉冰1，2

UAV目標跟蹤預測算法研究?

張鑫1鄧雯2

（1.商洛學院電子信息與電氣工程學院商洛726000）（2.西北工業大學自動化學院西安710072）

針對UAV采集視頻圖像在與地面站進行數據通信過程中，由于傳輸轉換延遲等因素造成的目標脫靶量問題，首先采用基于Meanshift采樣的輔助粒子濾波跟蹤算法進行跟蹤實驗。該算法采用輔助變量粒子濾波算法作為跟蹤的主體框架，利用Meanshift算法將輔助采樣粒子轉移到最佳位置。基于跟蹤結果，采用Kalman濾波預測目標軌跡，再用預測結果來修正跟蹤結果并解決脫靶量問題。結果表明，加入預測算法后的跟蹤結果更加接近目標的真實值，可以滿足UAV在工程實際應用中的需求。

無人機；目標跟蹤；均值偏移；輔助變量粒子濾波；Kalman濾波

Class NumberTP391.4

1引言

現代戰爭中，實時戰場信息的獲取能力很大程度上影響著戰爭的勝負，因此如何提高戰場信息的偵察能力和武器的精確打擊能力是各國現代化軍事建設的主要內容，而鑒于UAV在現代戰爭中的優異表現，研究UAV偵察制導技術已經成為研究精確打擊能力的一個重要組成部分。而研究UAV目標實時跟蹤是無人機偵查制導技術研究的關鍵。在實際應用中，目標實時跟蹤不僅在軍事領域上有重要的應用，在民用交通，災害監測，國土安全和工業領域都有著廣泛的應用。

無人機與指揮控制站之間的雙向通信是通過數據鏈實現的。無人機數據鏈包括一條用于地面控制站對飛行器控制的上行鏈路和一條用于接收無人機遙測信息的下行鏈路。上行鏈路主要傳輸地面站至無人機的遙控指令，下行鏈路主要傳輸無人機至地面終端的遙測數據，一般下行鏈路的傳輸速率要遠遠高于上行鏈路［1］。UAV在執行偵查任務時，采集的視頻圖像通過地面站與數據鏈進行通信，將視頻圖像傳回地面站，地面站操作人員將其進行處理，這個過程存在著一定的傳輸和轉換延遲，導致目標的真實位置與在地面站接收到的圖像上的顯示位置存在一定的偏差，因此在執行目標捕獲定位等任務時就需要對目標的運動軌跡進行預測。

目標自動跟蹤以及預測是一體化的，為了驗證本文所設計算法，設計對UAV采集視頻進行系統的實驗，首先選擇跟蹤目標，對提取的目標信息模板進行建模，采用基于Meanshift采樣的輔助粒子濾波跟蹤算法穩定的跟蹤目標，基于跟蹤結果，采用Kalman濾波預測目標軌跡，用預測結果來修正跟蹤結果并解決數據鏈時延問題。

2基于Meanshift采樣的輔助粒子濾波跟蹤算法

2.1 AVPF算法

粒子濾波算法是一種從帶噪聲的數據中估計運動狀態的技術，在狀態空間中通過傳播大量帶權離散粒子來近似概率分布并遞歸。通常視頻運動目標狀態是非線性、非高斯的，粒子濾波算法由于其獨特的優越性被廣泛應用于目標跟蹤領域。但是經典粒子濾波算法隨著重采樣的進行，可能會導致“粒子枯竭”現象。這就會導致粒子集的多樣性變的很差，估計精度難以保證。而AVPF算法［3］可以很好地解決這一問題。在重采樣前，AVPF依據似然值的大小對原粒子集中的各個權值進行修正，使得重采樣以后的粒子向似然函數的值比較大的區域移動，避免了這一問題的產生。

聯合密度函數p(xk，ξki-1| z0:k)可以表述為

選取重要性函數q(| xk，i z1:k)進行粒子采樣，如式（2）所示：

其中，uik是在已知xik-1的情況下對uik～p(xk| xik-1)的某種統計信息，wk為高斯噪聲且均值為0。按照重要性權值的方差最小原則，從分布中選取輔助粒子集{uik，wik}in

=1，取

其中xik-1為基于第k-1幀目標跟蹤結果的狀態采樣粒子，βi是服從N（0，1）的隨機數。

2.2 Meanshift算法

Meanshift算法［4～5］是一種高效無參密度估計的方法。該算法利用像素特征點概率密度函數梯度最優化方法，通過迭代快速收斂于概率密度函數的局部最大值，實現快速目標定位。

連旱天數和森林火險等級呈正相關，連旱天數增加，可燃物可燃性增加，對應的火險等級升高。反之，可燃物可燃性降低，對應的火險等級降低[6]。在祁連山東端青海云杉林中，連旱天數小于7d，一般不易引發森林火災，連旱天數大于32d，則較容易引發森林火災。

基于Meanshift算法的目標跟蹤算法通過分別計算目標區域和候選區域內像素的特征值概率得到關于目標模型和候選模型的描述，然后利用相似函數度量初始幀目標模型和當前幀的候選模版的相似性，選擇使相似函數最大的候選模型并得到關于目標模型的Meanshift向量，這個向量正是目標由初始位置向正確位置移動的向量。由于均值漂移算法的快速收斂性，通過不斷迭代計算Meanshift向量，算法最終將收斂到目標的真實位置，達到跟蹤的目的。

2.3改進算法

該算法采用AVPF算法作為跟蹤算法的主體框架，選擇跟蹤目標確立目標模型，從p(xk，ξki-1| z0:k)中抽樣，在粒子集中進行采樣獲得輔助粒子集，對每個輔助采樣粒子進行Meanshift轉移，利用采樣粒子確定候選目標區域，對候選目標模型與目標模型進行相似性度量，更新粒子權重，將粒子加權確定目標跟蹤位置［6］。

3基于Kalman濾波的預測算法設計

在實驗過程中，我們假設目標的初始位置由跟蹤結果得到，目標做勻速直線運動，目標的初始速度由跟蹤實驗獲得，由跟蹤結果獲得目標的初始值為xk=(Pxk，P yk，vxk，vxk)T。用Kalman濾波［7～9］對跟蹤結果進行預測。

傳遞矩陣A是一個與x(k)相乘的4×4矩陣，根據Kalman理論［10～11］，建立狀態方程為

其中：

μ1k和μ2k分別為均值為0，方差為σ12和σ22的高斯白噪聲，且它們滿足E[μ1kμ2k]=0。

建立觀測方程為

其中：zk表示觀測向量，zk=[zxk，zyk]T，zxk、zyk為目標的觀測位置，觀測噪聲v1k、v2k是均值為0、方差分別為σx2和σy2的高斯白噪聲，vk=[v1k，v2k]T， H為觀測矩陣

w(k)和v(k)的協方差矩陣可以計算得到，分別記為Q(k)和R(k)，則

當確定了上述參數后，利用Kalman濾波器公式可以完成對目標物體的位置預測。

Kalman濾波的更新方程如下：

觀測更新如下：

4算法實現

本文的主要步驟如下：

1）選擇跟蹤目標；

2）利用基于Meanshift采樣的粒子濾波跟蹤算法對目標進行實時穩定的跟蹤，在視頻幀中標示出跟蹤結果；

3）記錄歷史跟蹤結果，采用Kalman濾波算法對目標軌跡進行預測，標示出目標的預測位置。預測算法步驟為

（1）按照式（4）和式（9）建立目標的狀態方程和量測方程。

（2）遞推求解：按照式（10）、式（11）、式（12）計算一步預測；按照式（13）、式（14）、式（15）進行量測更新。

4）利用預測結果反過來修正跟蹤結果。

5仿真及結果分析

對一段UAV視頻進行跟蹤預測的實驗，該視頻包含UAV偵察目標過程中常遇到的四種情況：目標旋轉，機動，部分被遮擋，出遮擋區域。其中AVPF算法的采樣粒子數N=200，本文算法的采樣粒子數N=10。

圖1～3分別給出了Meanshift算法、AVPF算法、本文算法的跟蹤結果。圖3中綠色框表示目標預測位置，紅色框表示目標跟蹤位置。由圖1～3各組仿真結果中的（a）、（b）圖對比可以看到，圖像上的紅色矩形框都能夠準確地鎖定跟蹤目標，即表明三種算法在發生旋轉、機動時均可對目標進行穩定的跟蹤，并且圖3中的預測框比跟蹤框與目標位置的誤差更小；圖1的（c）圖中，目標行駛進入遮擋區域，可以看到在目標部分特征被遮擋時Meanshift跟蹤算法出現輕微的目標丟失現象，到圖1的（d）顯示跟蹤框已完全丟失目標；在圖2（c）中，從目標進入遮擋區域，部分特征被遮擋，到目標駛出遮擋區域，如圖2（d）所示，AVPF算法已丟失跟蹤目標；圖3的（c）、（d）為本文跟蹤算法在目標被遮擋條件下的跟蹤情況，（c）圖中，此時目標部分特征被背景中的樹木遮擋，目標遮擋嚴重，但是目標的預測位置和跟蹤框均與目標的真實位置誤差很小，能夠有效的跟蹤目標，圖（d）顯示的是目標在行駛出遮擋區域之后的預測結果和跟蹤結果，可以看出目標在離開遮擋區域后，跟蹤框仍然可以有效地跟蹤目標。表明該算法在以上四種情況下均可以穩定有效的跟蹤目標，具有良好的魯棒性。

圖1 Meanshift算法的跟蹤結果

圖2 AVPF算法的跟蹤結果

圖3 本文算法的跟蹤結果

在整個視頻序列中Meanshift、AVPF算法平均每幀的處理時間分別為10.8059ms、21.1967ms，而加入預測的本文算法僅為13.9756ms，雖然平均每幀的處理時間略高于Meanshift算法，但與AVPF跟蹤算法相比，該算法在取較少量粒子的情況下，處理速度有明顯的提高，實時性優于AVPF算法滿足UAV視頻跟蹤系統的實時性要求，可以實現UAV運動目標的實時跟蹤。

6結語

針對UAV目標跟蹤面臨的實際問題和具體要求，采用AVPF算法作為本文跟蹤算法的主體框架，對每個輔助采樣粒子進行Meanshift轉移，利用采樣粒子確定候選目標區域，對候選目標模型與目標模型進行相似性度量，更新粒子權重，將粒子加權確定目標跟蹤位置。再在跟蹤算法的基礎上，用Kalman濾波來預測目標的軌跡，利用預測結果反過來修正跟蹤結果。結果表明該方法具有良好的抗旋轉性、抗機動性和抗遮擋性，可以滿足目標實時跟蹤的要求。但本文的跟蹤算法只針對UAV采集視頻圖像中的單目標，當有其它運動目標進入觀測視場時，算法的性能會受到較大的影響，后期可以考慮加入圖像分割技術，對多目標跟蹤技術進行深入研究。

［1］王俊，周樹道，程龍，等.無人機數據鏈關鍵技術與發展趨勢［J］.飛航導彈，2011（3）：62-65.

WANG Jun，ZHOU Shudao，CHENG Long，et al.The Key Technology and Development Trend of UAV Data Link［J］.Winged Missiles Journal，2011（3）：62-65.

［2］汪啟偉.圖像直方圖特征及其應用研究［D］.合肥：中國科學技術大學，2014.

WANG Qiwei.Research on Image Histogram Feature Algo?rithm and Application［D］.Hefei：University of Science and Technology of China，2014.

［3］韓磊，郭曉金，齊威，等.改進的粒子濾波算法［J］.電視技術，2012（7）：16-19，23.

HAN Lei，GUO Xiaojin，QI Wei，et al.New Improved Par?ticle Filter［J］.Video Engineering，2012（7）：16-19，23.

［4］王長元，金瑞銘，田寶杰，等.一種基于粒子濾波的瞳孔跟蹤方法［J］.計算機與數字工程，2015（11）：2044-2046，2077.

WANG Changyuan，JIN Ruiming，TIAN Baojie，et al.A Method To Track Pupil Through Particle Filter［J］.Com?puterand DigitalEngineering，2015（11）：2044-2046，2077.

［5］Xin Li.Object Tracking Using Meanshift Algorithm Com?bined with Kalman Filter on Robotic Fish［C］//Information Engineering Research Institute，USA.Proceedings of 2015 5th International Symposium on Knowledge Acquisition and Modeling（KAM 2015）［C］//Information Engineering Research Institute，USA：2015：5.

辛莉.采用輔助粒子濾波算法和聯合卡爾曼濾波器對機器魚目標跟蹤［C］//美國信息工程研究所：2015屆國際知識獲取與建模會議錄，2015：5.

［6］席慶彪，董陽霞，劉慧霞.一種基于M-APF的實時UAV目標跟蹤算法［J］.系統仿真學報，2014，26（1）：107-111，118.

XI Qingbiao，DONG Yangxia，LIU Huixia.Real Time UAV Target Tracking Method Based on M-APF［J］.Jour?nalof System Simulation，2014，26（1）：107-111，118.

［7］孟軍英.基于粒子濾波框架目標跟蹤優化算法的研究［D］.秦皇島：燕山大學，2014.

MENG Junying.Research on Optimization Algorithm ofTarget Tracking based on Particle Filter［D］.Qinhuangd?ao：Yanshan University，2014.

［8］朱鵬飛，夏陸岳，潘海天.基于改進Kalman濾波算法的多模型融合建模方法［J］.化工學報，2015（4）：1388-1394.

ZHU Pengfei，XIA Luyue，PAN Haitian.Multi-model Fu?sion Modeling Method Based on Improved Kalman Filter?ing Algorithm［J］.Journal of Chemical Industry and Engi?neering（China），2015（4）：1388-1394.

［9］翟衛欣，程承旗.基于Kalman濾波的Camshift運動跟蹤算法［J］.北京大學學報（自然科學版），2015（5）：799-804.

ZHAIWeixin，CHENG Chengqi.A Camshift Motion Track?ing Algorithm Based on Kalman filter［J］.Journal of Pe? king University（Natural Science），2015（5）：799-804.

［10］梁成.基于卡爾曼濾波法視頻目標跟蹤的改進［J］.計算機與數字工程，2014（5）：809-811，918.

LIANG Cheng.Improvement of Video Iarget Tracking Based on Kalman Filter Method［J］.Computer and Digital Engineering，2014（5）：809-811，918.

［11］田曉宇，李明干，劉沛.基于Kalman濾波的神經網絡學習算法及其應用［J］.計算機與數字工程，2005（2）：40-42，104.

TIAN Xiaoyu，LI Minggan，LIU Pei.Neural Network Learning Algorithm Based on Kalman Filter and Applica?tion［J］.Computer and Digital Engineering，2005（2）：40-42，104.

劉冰1，2

（1.達州職業技術學院達州635001）（2.西南大學計算機與信息科學學院重慶400715）

摘要在遠程小目標檢測中，針對傳統小波閾值去噪法及其折衷算法所得到的重構信號出現的附加振蕩和處理前后值之間具有的恒定偏差，運用開高次方使改進的函數曲線快速逼近傳統閾值曲線的思路，提出了一種改進的小波閾值去噪算法。同時，還給出了運程小目標檢測系統的各硬件模塊的總體設計，并將改進的小波閾值去噪法運用到該系統的軟件設計中。實驗表明，該文提出的算法與傳統方法相比，能夠更加快速準確地分割出遠程小目標，提高了檢測的精度和準確性，具有一定的實用價值。

關鍵詞小波閾值；小目標；去噪；檢測；視頻幀

Target Tracking and Forecasting Algorithm for UAV

ZHANG Xin1DENG Wen2
（1.College of Electronic Information and ElectricalEngineering，Shangluo University，Shangluo 726000）（2.College of Autanation，Northwestern Polytechnical University，Xi'an 710072）

To solve the problems of target miss distance，which caused by the time delay during the communication in the UAV and the ground control station，firstly，an auxiliary variable particle filter tracking algorithm based on Meanshift sampling is used to track experiment.Itadopts the AVPF as the main framework ofthe tracking algorithm，then the Meanshiftis applied to cal?culate the offset of a few auxiliary particle and move them to the local optimum position of the observed values.Then based on the tracking result，Kalman filter is used to predict the targettrajectory and the results in turn act on correcting the tracking results and solving the miss distance problem.The results show that having the prediction algorithm is closer to the true value and could satisfy the UAV targettrajectory forecasting requirements.

UAV，targettracking，meanshift，AVPF，Kalman filter

TP391.4

10.3969/j.issn.1672-9722.2017.08.014

10.3969/j.issn.1672-9722.2017.08.015

2017年3月3日，

2017年4月13日

國家自然科學基金項目（編號：21273100）資助。

張鑫，女，碩士，助教，研究方向：圖像處理。鄧雯，女，博士，研究方向：控制理論與控制工程。