基于改進Mean—Shift算法的四旋翼無人機目標檢測與跟蹤

宋昭瑋　梁天誼　顧佳欣　蘇婷婷

摘 要 四旋翼無人機目標的檢測與跟蹤是當前機器視覺領域中的一個研究熱點，本文給出了一種基于改進Mean-Shift算法的四旋翼無人機目標檢測與跟蹤方案。首先根據目標的外觀及其運動特征等信息建立相應的目標函數，然后計算彩色空間的直方圖特征，結合改進Mean-Shift算法和模板匹配法對目標進行檢測與跟蹤。實驗結果表明，本文所提的方案能夠有效檢測目標，并能較穩定地跟蹤目標。

關鍵詞 四旋翼無人機 Mean-Shift 模板匹配法 彩色空間

0 引言

隨著信息技術的不斷發展，四旋翼無人機逐漸成為了機器視覺領域的一個研究熱點，各國也都在研究如何讓四旋翼無人機更加智能化，四旋翼飛行器擁有控制靈活、體積小、重量輕、穩定性好等優點，無論是在軍事上還是民用上都能有廣泛的應用前景，其中比較熱門的應用就是四旋翼無人機與機器視覺相結合。機器視覺是當前人工智能方面的一個重要的分支學科，主要是將被檢測物體轉換為圖像信號傳送給圖像處理系統，利用機器視覺代替人眼對目標物體進行攝取和檢測。圖像處理和模式識別等技術的快速發展有力推動了機器視覺的發展，這些科技的進步為無人機的應用奠定了良好的基礎。

Mean-Shift算法屬于熱門目標跟蹤算法之一，它的優點是不需要任何先驗知識，比較簡單，而且可以快速的完成整個過程，Mean-Shift算法作為一種非參數估計的方法不需要給出聚類中心個數，對聚類形狀也沒有要求，有效減少了目標檢測的難度和時間，在目標區域固定的情況下，完全可以做到實時跟蹤，對邊緣遮擋、目標旋轉、變形和背景運動不敏感，是目標檢測與跟蹤的一個性能良好的算法。然而，傳統的Mean-Shift算法在進行目標跟蹤過程中是基于目標模型不會發生改變的假設，但是在現實生活中，這一假設往往具有一定的局限性。本文引入混合高斯建模對目標模板進行更新，給出一種改進的Mean-Shift算法，有效提高系統的跟蹤性能。

1 基于改進Mean-Shift算法的四旋翼無人機目標檢測與跟蹤

1.1 圖像預處理

在目標檢測與跟蹤中，圖像識別是不可缺少的一環，為了減少外部環境對圖像質量造成的干擾，我們需要對四旋翼無人機搭載的攝像頭采集到的圖像進行預處理。由于無人機圖像采集是在動態飛行過程中進行，機器本身的振動會導致圖像出現一定程度的動態模糊，為了減少圖像處理的難度和復雜度，本文首先對無人機采集到的圖像進行去模糊處理，具體過程如下：運用radon變換對圖像進行旋轉校正，再利用自相關函數對圖像的運動模糊長度進行估算，確定好點擴散函數后對圖像進行維納濾波以復原圖像。

在完成去模糊處理后，進一步對圖像進行去噪。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行形態學處理。本算法中的形態學處理具體實施過程如下：首先通過腐蝕操作來消除圖像中的細小點，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物體的邊緣及其輪廓，從而達到減少隨機少量噪聲孤立點的出現和填補目標區域空洞的效果，使處理后的目標圖像更加清晰，便于識別。

1.2 改進的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年將其應用至目標檢測與跟蹤方面，目前該算法已被進一步改進后廣泛應用于圖像的平滑處理、目標跟蹤、圖像分割等領域。Mean-Shift算法的具體實施步驟如下：首先，在初始時刻計算出均值偏移的向量值的大小，然后將給定點處的值代入上述向量進行計算，最后將計算出的結果與設定的閾值進行比較，當結果小于閾值時結束迭代過程，其中閾值是一個較小的數，可以根據實際需要來設定。針對本文中四旋翼無人機攝像頭捕捉的彩色圖像，結合Mean-Shift算法選擇魯棒性較好的顏色特征建立相應的模型至關重要，能夠有效捕捉目標物本身的外觀及其運動狀態的變化，進而實現有效的跟蹤。傳統的Mean-Shift算法是假設目標模型在跟蹤過程中不會發生改變，跟蹤過程中自始至終均采用初始目標模型，為了提高跟蹤精度和效率，本文將混合高斯模型用于目標模板的更新，使跟蹤過程中模板能夠自適應選擇，以適應環境的變化?；旌细咚菇５牟襟E如下：初始化參數、更新參數、歸一化和排序權值以及產生背景模型和目標前景識別。

1.3 目標檢測與跟蹤

利用的Mean-Shift算法進行運動目標的檢測與跟蹤的具體的實施過程如下：在初始時刻，針對目標物選定合適的跟蹤窗口，這里的窗口大小一般取核函數的寬度，利用目標的外觀及其運動特征等信息建立相應的目標函數，根據改進Mean-Shift算法中的偏移向量從起始的基準處，進行多次迭代和移動的計算，使得其收斂于目標物所在的區域位置，實現對目標物的識別與跟蹤。為了增強特征的魯棒性，提高目標檢測與跟蹤的精度，本文還將彩色空間的直方圖特征考慮進來，對四旋翼無人機采集到目標的每個顏色通道，計算相應的直方圖特征，利用圖像處理領域的模板匹配法，根據預設的相似度閾值，判定目標物及其位置信息。通過將改進Mean-Shift算法與模板匹配法進行結合，可以有效提高目標識別與跟蹤的準確率，使得目標跟蹤更加穩定。

在利用四旋翼無人機對目標物體跟蹤的過程中，如何來矯正姿態也是非常重要的一環，眾所周知，無人機有兩個對姿態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。因為加速度傳感器的參考力方向是重力方向，理論上它可以測量出物體的絕對姿勢，但是它無法區分重力加速度和外力加速度，所以加速度傳感器的姿勢輸出并不適合短時間內的運行。在了解了這兩個傳感器的特點后，本文在矯正無人機姿態的過程中，短時間內的矯正用角加速度的值，長時間內的矯正用加速度的值。具體的姿態矯正過程如下：首先，我們要對角速度傳感器輸出的角速度和時間做積分運算，得到的結果就可可供四旋翼無人機的平衡系統使用，然后，利用已知的物體的初始姿態，就能得到物體的最終姿態。

2 結束語

本文給出了一種基于改進Mean-Shift算法的四旋翼無人機目標檢測與跟蹤方案。該方法結合改進Mean-Shift算法和模板匹配法的優勢對目標進行檢測與跟蹤。實驗結果驗證了本文所提方案能夠有效檢測目標，并能較穩定地跟蹤目標。

參考文獻

[1] 馬良，穆朝絮，楊萬扣，等.四旋翼無人機目標跟蹤系統設計[J].控制工程，2015.22（6）：1076-1081.

[2] 王海羅.基于視覺感知的無人機目標識別與跟蹤技術研究[D].北京理工大學，2015.

[3] 方旭，劉金琨.四旋翼無人機三維航跡規劃及跟蹤控制[J].控制理論與應用，2015.32（8）：1120-1128.

[4] 劉洪生.基于機器視覺的無人機目標跟蹤研究[D].昆明理工大學，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.