融合YOLOV5+DSST+KCF的目標(biāo)檢測(cè)跟蹤算法在激光通信中的應(yīng)用

李 悅，馬志勇，俞建杰，許博瑋，鄔佳杰

(1.湖州師范學(xué)院 工學(xué)院，浙江 湖州 313000；2.浙江大學(xué) 湖州研究院，浙江 湖州 313299；3.浙江大學(xué) 生物醫(yī)學(xué)工程與儀器科學(xué)學(xué)院，杭州 310027)

0 引言

在空間激光通信領(lǐng)域中，兩激光通信設(shè)備能夠互相準(zhǔn)確識(shí)別出對(duì)方所在位置并接收彼此發(fā)射的激光，完成通信是實(shí)現(xiàn)激光通信的關(guān)鍵所在。并且空間激光通信具有傳輸速率高、通信容量大、功率消耗低、保密性強(qiáng)、安全性能好且結(jié)構(gòu)輕便等優(yōu)勢(shì)，使其應(yīng)用領(lǐng)域變得越來(lái)越廣泛。其中，將飛機(jī)、高緯度浮空平臺(tái)、衛(wèi)星等應(yīng)用系統(tǒng)獲得的海量數(shù)據(jù)實(shí)時(shí)下傳到地面終端是其主要應(yīng)用領(lǐng)域[1-2]，從系統(tǒng)框架構(gòu)成上考慮，可將空間激光通信分為有信標(biāo)和無(wú)信標(biāo)兩種結(jié)構(gòu)，本文提到的空間激光通信使用的是有信標(biāo)光。空間激光通信中的APT系統(tǒng)(捕獲、對(duì)準(zhǔn)、跟蹤)是實(shí)現(xiàn)高概率、快速捕獲、高動(dòng)態(tài)跟蹤的前提與保障[3]，通常使用的是復(fù)合控制系統(tǒng)機(jī)構(gòu)，可將其工作的過(guò)程劃分為4個(gè)主要階段：分別是初始指向、快速捕獲、粗精跟蹤、動(dòng)態(tài)通信。捕獲指在不確定區(qū)域內(nèi)對(duì)目標(biāo)進(jìn)行判斷和識(shí)別，是粗略的跟蹤，大約在1～20°的角度范圍內(nèi)發(fā)現(xiàn)目標(biāo)，即“捕獲目標(biāo)”的意思。跟蹤是指對(duì)發(fā)現(xiàn)的目標(biāo)展開(kāi)追蹤，對(duì)準(zhǔn)是指精準(zhǔn)的跟蹤。跟蹤的精度一般與具體的使用場(chǎng)景有關(guān)，為了保證能夠?qū)崿F(xiàn)激光通信，通常要求捕獲的概率要達(dá)到95%以上。傳統(tǒng)的捕獲、對(duì)準(zhǔn)、跟蹤這一過(guò)程往往需要人工輔助，操作起來(lái)比較麻煩，本文通過(guò)加入視覺(jué)目標(biāo)檢測(cè)與跟蹤算法來(lái)取代捕獲與粗跟蹤這一過(guò)程。使用目標(biāo)檢測(cè)算法識(shí)別激光通信設(shè)備來(lái)取代激光通信中APT系統(tǒng)中的初始指向與快速捕獲，正確識(shí)別到通信設(shè)備后利用步進(jìn)電機(jī)輔助視覺(jué)目標(biāo)跟蹤算法對(duì)被跟蹤目標(biāo)展開(kāi)跟蹤，這一過(guò)程對(duì)應(yīng)的是激光通信過(guò)程中的粗跟蹤。接下來(lái)分別對(duì)通信設(shè)備的目標(biāo)檢測(cè)與目標(biāo)跟蹤部分展開(kāi)敘述。

針對(duì)激光通信設(shè)備識(shí)別模塊采用的方法是使用視覺(jué)目標(biāo)檢測(cè)方法，視覺(jué)目標(biāo)檢測(cè)是環(huán)境感知的重要內(nèi)容[4]，但是目標(biāo)檢測(cè)算法中有一個(gè)困難是目標(biāo)特征的提取。目標(biāo)檢測(cè)算法共分為傳統(tǒng)目標(biāo)檢測(cè)算法和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法兩大類。傳統(tǒng)的目標(biāo)識(shí)別算法都是通過(guò)手工進(jìn)行特征提取，通過(guò)這種方式提取到的特征一般適用于特征較為明顯、背景單一的場(chǎng)景下，但是在大多數(shù)場(chǎng)景下，背景通常較為復(fù)雜、特征多變且存在干擾，通過(guò)手工進(jìn)行特征提取來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)較為困難，且傳統(tǒng)的目標(biāo)檢測(cè)算法識(shí)別準(zhǔn)確率低、計(jì)算量大、有時(shí)還會(huì)出現(xiàn)多個(gè)正確識(shí)別效果。隨著科學(xué)技術(shù)的發(fā)展以及對(duì)深度學(xué)習(xí)理論的不斷研究，直到深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，目標(biāo)檢測(cè)算法得到了進(jìn)一步的提升。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法借助于卷積神經(jīng)網(wǎng)絡(luò)的特征提取以及分類性能自動(dòng)提取圖像中的高維信息，對(duì)目標(biāo)識(shí)別有較強(qiáng)的泛化能力[5]。目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可分為兩大類：一類是基于分類的“兩步式”目標(biāo)檢測(cè)算法，代表性算法有R-CNN[6]、Fast R-CNN[7]，另一類是基于回歸的“一步式”目標(biāo)檢測(cè)算法，代表性算法有YOLO[8-10]、SSD[11]，基于分類的目標(biāo)檢測(cè)算法的發(fā)展使得檢測(cè)精度越來(lái)越高，但是檢測(cè)速度上的提升空間很大，與基于分類的目標(biāo)檢測(cè)算法相比，基于回歸的目標(biāo)檢測(cè)算法將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，真正意義上實(shí)現(xiàn)了端到端的實(shí)時(shí)目標(biāo)檢測(cè)，通過(guò)利用CNN卷積特征獲取目標(biāo)類別的概率與坐標(biāo)信息，有著更快的檢測(cè)速度，并且隨著對(duì)YOLO算法的改進(jìn)，檢測(cè)精度也達(dá)到了驚人的效果，適用于實(shí)時(shí)檢測(cè)應(yīng)用場(chǎng)景。因此本文采用的是第二類方法中的YOLOV5算法。

由于兩激光通信設(shè)備實(shí)現(xiàn)激光通信情況下，需要檢測(cè)時(shí)間盡可能短、能夠穩(wěn)定有效地對(duì)另一激光通信設(shè)備展開(kāi)跟蹤。上述基于回歸的目標(biāo)檢測(cè)算法雖然精度高，且也能夠?qū)崿F(xiàn)視覺(jué)上的跟蹤效果，但是它是基于每一幀進(jìn)行檢測(cè)且當(dāng)該幀沒(méi)有檢測(cè)到通信設(shè)備時(shí)，則不會(huì)出現(xiàn)目標(biāo)框，無(wú)法做到連續(xù)穩(wěn)定地對(duì)通信設(shè)備展開(kāi)跟蹤，且YLOV5目標(biāo)檢測(cè)算法基于每一幀圖像耗費(fèi)的運(yùn)算量大，容易造成資源的浪費(fèi)，而基于相關(guān)濾波的目標(biāo)跟蹤算法如MOSSE[12]、Meanshift[13]、DSST、KCF[14]等等可以彌補(bǔ)這一缺陷。本文采用的是KCF跟蹤算法，這種算法主要思想是將視頻目標(biāo)跟蹤問(wèn)題抽象為模板圖像與候選區(qū)域的相似度匹配問(wèn)題[15]，即通過(guò)將目標(biāo)模型作為正樣本，背景區(qū)域作為負(fù)樣本，利用正負(fù)樣本之間的差異訓(xùn)練一個(gè)目標(biāo)分類器，在下一幀圖像中，通過(guò)利用該分類器計(jì)算圖像中像素點(diǎn)的響應(yīng)值，找出最大響應(yīng)值的位置點(diǎn)作為當(dāng)前幀圖像的目標(biāo)位置。但是此類算法在跟蹤過(guò)程中存在一定的弊端：1)由于目標(biāo)框大小不會(huì)隨著目標(biāo)大小的改變而改變，導(dǎo)致容易將背景信息引入到跟蹤模型中；2)目標(biāo)跟蹤的初始幀需要人為進(jìn)行框選，即若第一幀中沒(méi)有目標(biāo)則需要切換到下一幀甚至需要移動(dòng)相機(jī)模塊將目標(biāo)移動(dòng)到拍攝畫面中才可以進(jìn)行后續(xù)視覺(jué)上的跟蹤；3)在跟蹤過(guò)程中容易受到遮擋物的干擾；實(shí)施起來(lái)較為麻煩且容易出現(xiàn)跟蹤漂移的現(xiàn)象。針對(duì)上述問(wèn)題中提到的原KCF算法目標(biāo)框大小是不隨目標(biāo)大小變化而發(fā)生變化的問(wèn)題，本文加入DSST[16]算法中的尺度估計(jì)濾波器算法，使得在跟蹤過(guò)程中目標(biāo)框大小隨著目標(biāo)大小改變而做出相應(yīng)改變，從而避免跟蹤過(guò)程中目標(biāo)漂移導(dǎo)致跟蹤失敗現(xiàn)象的發(fā)生；針對(duì)目標(biāo)跟蹤第一幀需人為框選這一問(wèn)題，前文中提到的YOLOV5目標(biāo)檢測(cè)算法剛好可以彌補(bǔ)這一不足，使用YOLOV5檢測(cè)到被跟蹤目標(biāo)后，作為KCF跟蹤算法的初始幀展開(kāi)后續(xù)的跟蹤；針對(duì)若拍攝畫面中沒(méi)有出現(xiàn)被跟蹤目標(biāo)問(wèn)題，提出在檢測(cè)過(guò)程中，進(jìn)行區(qū)域掃描來(lái)輔助搜索被跟蹤目標(biāo)。

1 融合目標(biāo)檢測(cè)與跟蹤算法的目標(biāo)跟蹤

1.1 KCF目標(biāo)跟蹤算法

KCF目標(biāo)跟蹤算法是一種基于核相關(guān)濾波的跟蹤算法，屬于判別式跟蹤[17-18]方法中的一種。它通過(guò)在跟蹤的初始幀中給出的目標(biāo)框進(jìn)行填充，獲取一個(gè)填充框，在下一幀圖像中將填充框進(jìn)行循環(huán)移位獲取循環(huán)矩陣，來(lái)收集大量的正負(fù)樣本，將有目標(biāo)的區(qū)域作為正樣本，其它區(qū)域作為負(fù)樣本，使用收集到的這些正負(fù)樣本來(lái)訓(xùn)練目標(biāo)檢測(cè)器，在下一幀圖像中，使用訓(xùn)練好的目標(biāo)檢測(cè)器檢測(cè)預(yù)測(cè)位置是否是目標(biāo)出現(xiàn)位置，并使用上一幀的填充框繼續(xù)進(jìn)行循環(huán)移位，將得到的樣本框內(nèi)的圖像再次進(jìn)行分類，作為正負(fù)樣本，并選擇這些樣本框中響應(yīng)最強(qiáng)的作為當(dāng)前幀目標(biāo)的填充框，使用當(dāng)前幀獲取的樣本來(lái)更新目標(biāo)檢測(cè)分類器，在此過(guò)程中，利用循環(huán)矩陣在傅里葉空間可對(duì)角化的性質(zhì)以及快速傅里葉變換對(duì)這些樣本進(jìn)行計(jì)算，提升其運(yùn)算速度，用公式表示該過(guò)程為：首先設(shè)一組訓(xùn)練樣本為(xi，yi)，xi為樣本，yi為樣本標(biāo)簽，則回歸函數(shù)為f(xi)=wTxi，w為列向量表示權(quán)重系數(shù)，可通過(guò)最小二乘法求解，用式(1)表示：

(1)

式中，λ為正則化系數(shù)，用于控制系統(tǒng)的結(jié)構(gòu)復(fù)雜性。

通過(guò)引入非線性映射函數(shù)φ(xi)，可將低維非線性不可分問(wèn)題映射到高維空間，從而轉(zhuǎn)化為線性求解，如式(2)所示：

w=∑iaiφ(xi)

(2)

在核空間下將式(2)代入式(1)并進(jìn)行離散傅里葉變化，如式(3)所示：

(3)

得到非線性濾波器后，對(duì)視頻中的圖像塊進(jìn)行檢測(cè)，從而求出目標(biāo)所在的位置，待檢測(cè)圖像塊用z表示，則在檢測(cè)過(guò)程中的輸出響應(yīng)方程如式(4)所示：

f(z)=(KZ)Tα

(4)

原KCF跟蹤算法在對(duì)激光通信設(shè)備進(jìn)行視覺(jué)上的跟蹤過(guò)程的工作如圖1所示，其原理是：首先，人為框選出拍攝畫面中的激光通信設(shè)備，作為跟蹤的初始幀，并根據(jù)初始幀框選出來(lái)的激光通信設(shè)備的特征來(lái)初始化相關(guān)濾波器的模型；其次，利用該模板在后續(xù)幀的拍攝畫面中找到響應(yīng)最大的位置，作為當(dāng)前幀跟蹤到的激光通信設(shè)備的位置；最后，利用每幀中確定的激光通信設(shè)備的位置來(lái)更新濾波器模型的參數(shù)。

圖1 基于原KCF算法的通信設(shè)備跟蹤框圖

1.2 YOLOV5目標(biāo)檢測(cè)算法

YOLOV5算法是YOLO系列算法中的一種，用到的模型是深度神經(jīng)網(wǎng)絡(luò)，以整張圖像作為輸入，通過(guò)卷積、池化、上采樣、張量拼接等操作，最后輸出圖像中目標(biāo)的類別以及圖像中的位置信息。YOLOV5在檢測(cè)精度、運(yùn)行效率、訓(xùn)練難易程度等方面相較于YOLO的其他版本具有優(yōu)秀的表現(xiàn)，YOLOV5又包括不同的網(wǎng)絡(luò)模型，其中，YOLOV5s網(wǎng)絡(luò)在不同階段使用的卷積核數(shù)量都是最小的，因此檢測(cè)速度也是最快的，其它3種網(wǎng)絡(luò)是在YOLOV5s的基礎(chǔ)上，不斷加深加寬網(wǎng)絡(luò)，但檢測(cè)速度隨著神經(jīng)網(wǎng)絡(luò)的加深、加寬而下降。綜合考慮本文選用的是yolov5s模型。其框架結(jié)構(gòu)如圖2所示，主要包括3個(gè)模塊：特征提取層、特征池化層以及目標(biāo)預(yù)測(cè)層[19]。

圖2 YOLOV5網(wǎng)絡(luò)框架圖

1.3 DSST尺度估計(jì)濾波器

DSST跟蹤算法中提出了一種三維尺度相關(guān)的濾波器[20]，由兩部分組成：一維尺度濾波器和二維位置濾波器。一維尺度濾波器用于評(píng)估目標(biāo)的尺度變換問(wèn)題，又稱為尺度濾波器(scale filter)，二維濾波器用于評(píng)估目標(biāo)的位置變換問(wèn)題，又稱為位置濾波器(translation filter)。這兩個(gè)濾波器是相互獨(dú)立的，因此，其中的尺度濾波器具有可移植性，可與其它具有尺度不變性的跟蹤算法相結(jié)合，尺度估計(jì)濾波器可分為訓(xùn)練與檢測(cè)兩個(gè)過(guò)程，在訓(xùn)練過(guò)程中，其濾波器的大小為M*N*S，其中M*N為目標(biāo)所在區(qū)域的圖像塊的高和寬，S為以圖像塊正中心位置開(kāi)始，截取不同尺度圖片的數(shù)量，f為不同尺度上的圖像塊的特征描述子，g表示大小為1*S的高斯函數(shù)構(gòu)建的三維濾波響應(yīng)輸出，通過(guò)將g，f代入式(5)可獲取濾波器的模板h。

(5)

在檢測(cè)過(guò)程中，在新一幀的圖像中，已經(jīng)確定目標(biāo)所在位置情況下，以目標(biāo)位置為中心，截取S個(gè)不同尺度的圖像塊，并分別求出每個(gè)圖像塊的特征描述子，組成一個(gè)新的特征金字塔z，與訓(xùn)練過(guò)程中迭代更新過(guò)的模板h，通過(guò)圖3所示的方式分別獲取它們的響應(yīng)輸出g，并根據(jù)響應(yīng)輸出g中最大值來(lái)確定新一幀圖像中目標(biāo)的尺度信息。

圖3 DSST尺度估計(jì)濾波器原理圖

1.4 YDK檢測(cè)跟蹤

KCF跟蹤算法的優(yōu)點(diǎn)是不需要事先對(duì)大量目標(biāo)樣本進(jìn)行訓(xùn)練，只需要對(duì)初始幀中人為框選的目標(biāo)位置以及后續(xù)跟蹤過(guò)程中不斷更新的目標(biāo)位置進(jìn)行訓(xùn)練，得到一個(gè)目標(biāo)檢測(cè)器，使用該目標(biāo)檢測(cè)器確定后續(xù)幀中目標(biāo)的位置，進(jìn)而實(shí)現(xiàn)實(shí)時(shí)跟蹤，但當(dāng)目標(biāo)的大小發(fā)生變化，導(dǎo)致引入過(guò)多背景信息，或者出現(xiàn)遮擋時(shí)間過(guò)長(zhǎng)情況下，則會(huì)最終導(dǎo)致跟蹤失敗。

YOLOV5目標(biāo)檢測(cè)算法的優(yōu)點(diǎn)在于在對(duì)目標(biāo)進(jìn)行檢測(cè)之前，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)大量的目標(biāo)樣本進(jìn)行訓(xùn)練，使用訓(xùn)練好的模型對(duì)目標(biāo)進(jìn)行檢測(cè)，由于該算法是通過(guò)提取到的目標(biāo)的特征信息在圖像中通過(guò)滑動(dòng)框的方法對(duì)多尺度的目標(biāo)進(jìn)行檢測(cè)，一定程度上避免目標(biāo)大小發(fā)生變化時(shí)或者出現(xiàn)過(guò)長(zhǎng)時(shí)間遮擋后再次出現(xiàn)無(wú)法檢測(cè)出目標(biāo)狀況的發(fā)生；但是YOLOV5目標(biāo)檢測(cè)算法對(duì)訓(xùn)練樣本有很高的要求，如果待檢測(cè)畫面中的目標(biāo)與背景信息與訓(xùn)練樣本中的差異較大，則不能穩(wěn)定有效的檢測(cè)出目標(biāo)位置，且YOLOV5檢測(cè)算法的幀率要低于KCF跟蹤算法。

針對(duì)兩種算法的不足與優(yōu)點(diǎn)，提出將兩種算法相結(jié)合。首先，在實(shí)時(shí)拍攝畫面中，使用YOLOV5算法進(jìn)行視覺(jué)上的目標(biāo)檢測(cè)，確定被跟蹤激光通信設(shè)備在當(dāng)前幀的位置后，作為KCF跟蹤算法的初始幀展開(kāi)后續(xù)的跟蹤，并在KCF跟蹤算法中加入DSST算法中的尺度估計(jì)濾波器算法來(lái)對(duì)通信設(shè)備進(jìn)行實(shí)時(shí)檢測(cè)與追蹤，具體流程如圖4所示。

圖4 YDK算法流程圖

由圖4可知，YDK算法的大致流程是：開(kāi)啟程序，控制步進(jìn)電機(jī)進(jìn)行區(qū)域掃描，即在水平方向與垂直方向各放一個(gè)步進(jìn)電機(jī)，發(fā)送指令控制這兩個(gè)步進(jìn)電機(jī)交替運(yùn)行實(shí)現(xiàn)矩形螺旋掃描，同時(shí)，使用YOLOV5算法在實(shí)時(shí)拍攝畫面中識(shí)別出被跟蹤激光通信設(shè)備所在位置信息。當(dāng)檢測(cè)到被跟蹤激光通信設(shè)備的置信度達(dá)到設(shè)定閾值時(shí)，則說(shuō)明檢測(cè)成功，檢測(cè)成功后，電機(jī)停止掃描，并將當(dāng)前幀被跟蹤激光通信設(shè)備的坐標(biāo)信息傳入KCF跟蹤算法，作為初始幀中的被跟蹤對(duì)象，從而展開(kāi)后續(xù)跟蹤；在后續(xù)幀的跟蹤過(guò)程中，確定每幀圖像中的目標(biāo)位之后，使用DSST算法中的尺度估計(jì)濾波器算法確定每一幀中目標(biāo)框大小，并根據(jù)每一幀的響應(yīng)峰值來(lái)判斷跟蹤是否正確，若跟蹤正確，則發(fā)送指令控制控制步進(jìn)電機(jī)運(yùn)行，從而對(duì)拍攝畫面中目標(biāo)的位置做出相應(yīng)的調(diào)整，若跟蹤失敗則調(diào)用YOLOV5算法重新進(jìn)行YOLOV5目標(biāo)檢測(cè)，直到跟蹤結(jié)束，停止程序運(yùn)行。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)平臺(tái)環(huán)境

激光通信設(shè)備圖片采集主要使用海康威視的DS-2CD3T86FWDV2-I3S相機(jī)，拍攝范圍為5 m內(nèi)，焦距為2.8 mm；訓(xùn)練網(wǎng)絡(luò)模型使用的硬件平臺(tái)為Core i7-12700F@2.1 GHz處理器，軟件平臺(tái)為Win11，CUDA10.2，CUDNN8.0，Pycharm 2021，Pytorch1.8.0，Torchvision0.9.0，Opencv4.4.46(CUDA編譯)；實(shí)時(shí)拍攝測(cè)試硬件平臺(tái)使用的是Jetson Xavier NX，開(kāi)發(fā)板，軟件平臺(tái)是Jetpack5.0.2，python 3.8.10，CUDA11.4，CUDN8.4.3，Pytorch 1.12.0，Torchvision0.13.0，Opencv4.4.45(非CUDA編譯)。系統(tǒng)硬件搭建如圖5所示。

圖5 系統(tǒng)總體設(shè)計(jì)

根據(jù)圖5可知，單個(gè)激光通信設(shè)備用到的模塊有三腳架、相機(jī)、步進(jìn)電機(jī)、電機(jī)驅(qū)動(dòng)板，電機(jī)驅(qū)動(dòng)板供電電源、轉(zhuǎn)臺(tái)，開(kāi)發(fā)板。

2.2 激光通信設(shè)備圖像采集

分別在不同場(chǎng)景、不同距離下采集激光通信設(shè)備圖片作為訓(xùn)練數(shù)據(jù)集，共收集數(shù)據(jù)集3 811張圖片，使用Labelimg工具對(duì)數(shù)據(jù)集每張圖片中的激光通信設(shè)備進(jìn)行標(biāo)注，標(biāo)注完成后，將其中3 028張作為訓(xùn)練集，783張作為測(cè)試集，通過(guò)使用YOLOV5自帶的網(wǎng)絡(luò)訓(xùn)練模型對(duì)這些樣本集進(jìn)行訓(xùn)練，為了縮短網(wǎng)絡(luò)的訓(xùn)練時(shí)間以及達(dá)到較好的檢測(cè)精度，采用的是yolov5s.pt預(yù)訓(xùn)練權(quán)重。數(shù)據(jù)訓(xùn)練完成后，會(huì)在項(xiàng)目文件夾下產(chǎn)生一個(gè)best.pt和last.pt文件，前者為訓(xùn)練最好的權(quán)重文件，后者為最后一輪的權(quán)重文件。本文選用的是訓(xùn)練效果最好的權(quán)重文件，，將訓(xùn)練好的模型分別在拍攝完成的一段視頻，以及實(shí)時(shí)拍攝視頻上進(jìn)行測(cè)試。數(shù)據(jù)集的部分樣本如圖6所示。

圖6 數(shù)據(jù)集樣本

2.3 激光通信設(shè)備跟蹤結(jié)果分析

在視頻上進(jìn)行測(cè)試時(shí)，是使用手機(jī)拍攝一段視頻，其中視頻中要體現(xiàn)出激光通信設(shè)備由遠(yuǎn)及近，以及不同角度轉(zhuǎn)變；將原KCF、YDK、HDK算法在這段視頻上進(jìn)行測(cè)試，觀察它們的跟蹤效果，該過(guò)程不涉及電機(jī)模塊的控制，如圖7所示。在進(jìn)行實(shí)時(shí)測(cè)試的過(guò)程中，則是在檢測(cè)過(guò)程中，控制步進(jìn)電機(jī)運(yùn)行從而帶動(dòng)相機(jī)模塊進(jìn)行區(qū)域掃描；在跟蹤過(guò)程中，控制步進(jìn)電機(jī)運(yùn)行從而調(diào)整被跟蹤激光通信設(shè)備在拍攝畫面中的位置信息。

圖7 跟蹤效果圖

根據(jù)圖7可知，圖(a)第一幀為人為框選的結(jié)果，在第136幀時(shí)，目標(biāo)框偏離了被跟蹤激光通信設(shè)備所在位置，在第356幀時(shí)引入了過(guò)多的背景信息，導(dǎo)致后續(xù)幀逐漸完全偏離激光通信設(shè)備所在位置，致使無(wú)法輔助兩激光通信設(shè)備實(shí)現(xiàn)激光通信；圖(b)第一幀為Haar級(jí)聯(lián)分類檢測(cè)效果，只對(duì)局部進(jìn)行框選導(dǎo)致后續(xù)跟蹤的幀中只是對(duì)通信設(shè)備的局部進(jìn)行跟蹤，但可以發(fā)現(xiàn)跟蹤的效果要優(yōu)于圖(a)跟蹤效果；圖(c)第一幀為使用YOLOV5算法實(shí)現(xiàn)對(duì)被跟蹤激光通信設(shè)備自動(dòng)檢測(cè)的效果，其置信度達(dá)到了0.91，且目標(biāo)框與被跟蹤激光通信設(shè)備所在位置重合，最大程度上減少了背景引入量，并且在圖(c)后續(xù)的跟蹤畫面中，目標(biāo)框完美的框選出了被跟蹤激光通信設(shè)備所在位置，這是由于DSST算法中尺度估計(jì)濾波器算法的加入，使得每幀目標(biāo)框的大小在正確框選出被跟蹤激光通信設(shè)備所在位置情況下，隨著目標(biāo)的大小做出相應(yīng)的調(diào)整；通過(guò)這三組跟蹤效果對(duì)比可發(fā)現(xiàn)YDK算法的跟蹤效果要明顯優(yōu)于圖(a)與圖(b)的跟蹤效果。原KCF、HDK、YDK算法在跟蹤過(guò)程中的平均響應(yīng)峰值如表1所示。

表1 不同跟蹤算法響應(yīng)峰值與幀率

根據(jù)表1可知，在一段視頻上進(jìn)行測(cè)試時(shí)，原KCF算法的平均響應(yīng)峰值為0.432，平均幀率為39幀；HDK算法的平均響應(yīng)峰值為0.472，比原KCF算法提高了9.26%，平均幀率為12幀，比原KCF算法下降了69.2%；通過(guò)結(jié)合圖7中不同算法的跟蹤效果展示與表1中不同跟蹤算法的響應(yīng)峰值以及幀率的數(shù)據(jù)發(fā)現(xiàn)：HDK算法雖然有加入DSST尺度自適應(yīng)算法，但是由于在跟蹤的初始幀中，識(shí)別到被跟蹤激光通信設(shè)備后，框選的是被跟蹤激光通信設(shè)備的局部信息，導(dǎo)致在后續(xù)幀中一直是針對(duì)激光通信設(shè)備的局部進(jìn)行的，隨著被跟蹤目標(biāo)漸遠(yuǎn)有丟失目標(biāo)的風(fēng)險(xiǎn)；YDK算法的平均響應(yīng)峰值為0.620，平均幀率為12幀，平均響應(yīng)峰值比原KCF算法提高了43.5%，比HDK算法提高了31.4%，平均幀率比原KCF算法下降了68.97%，比HDK算法提高了1.2%；隨著幀數(shù)的增加，YDK算法比HDK算法能夠更好的檢測(cè)出通信設(shè)備所在位置，并且目標(biāo)

框大小能夠隨著被跟蹤激光通信設(shè)備大小的改變而改變，具有更好地適應(yīng)能力；為了測(cè)試YDK算法的實(shí)時(shí)檢測(cè)跟蹤效果，增加了一組對(duì)比試驗(yàn)，發(fā)現(xiàn)平均響應(yīng)峰值為0.710，平均幀率為13幀，平均響應(yīng)峰值比原KCF算法提高了64.35%，比HDK算法提高了提高50.4%，比其在測(cè)試視頻上提高了14.5%，平均幀率比原KCF算法下降了65.6%，比HDK提高了12.2%，比其在測(cè)試視頻上提高了10.8%；說(shuō)明YDK算法跟蹤效果要優(yōu)于HDK算法與原KCF算法。

3 結(jié)束語(yǔ)

本文通過(guò)將目標(biāo)檢測(cè)效果良好的YOLOV5算法與DSST算法中的尺度估計(jì)濾波器算法與KCF跟蹤算法相結(jié)合，實(shí)現(xiàn)長(zhǎng)時(shí)且有效的目標(biāo)跟蹤，并且應(yīng)用到激光通信領(lǐng)域中，實(shí)現(xiàn)了對(duì)被跟蹤激光通信設(shè)備的精準(zhǔn)識(shí)別與實(shí)時(shí)跟蹤效果，可代替激光通信領(lǐng)域中的粗瞄準(zhǔn)的過(guò)程，很大程度上節(jié)約了人工、時(shí)間成本。本實(shí)驗(yàn)中用到的YDK算法與原KCF、HDK算法相比，跟蹤精度與準(zhǔn)確度有了明顯的提高，但是幀率明顯下降，在滿足本實(shí)驗(yàn)中系統(tǒng)要求情況下，會(huì)針對(duì)提升幀率展開(kāi)研究，比如使用效率更高的編程語(yǔ)言，開(kāi)多線程等等。