CN106874854A - 基于嵌入式平台的无人机车辆跟踪方法 - Google Patents

基于嵌入式平台的无人机车辆跟踪方法 Download PDF

Info

Publication number
CN106874854A
CN106874854A CN201710038493.1A CN201710038493A CN106874854A CN 106874854 A CN106874854 A CN 106874854A CN 201710038493 A CN201710038493 A CN 201710038493A CN 106874854 A CN106874854 A CN 106874854A
Authority
CN
China
Prior art keywords
target
image
tracking
rectangle frame
represent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710038493.1A
Other languages
English (en)
Other versions
CN106874854B (zh
Inventor
吴宪云
吴仁坚
李云松
张静
雷杰
郭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710038493.1A priority Critical patent/CN106874854B/zh
Publication of CN106874854A publication Critical patent/CN106874854A/zh
Application granted granted Critical
Publication of CN106874854B publication Critical patent/CN106874854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于嵌入式平台的无人机车辆跟踪方法，主要解决现有技术中无人机在车辆跟踪发生遮挡时跟踪丢失的问题。其实现步骤为：1.训练车辆分类器并标记地图；2.获取一帧图像，初始化跟踪目标；3.获取一帧图像进行目标跟踪；4.用分类器判断目标是否被遮挡，如果是，执行步骤5，否则执行步骤8；5.判断目标是否在地图的遮挡区域，如果是，执行步骤6，否则执行步骤7；6.在遮挡区域进行目标检测并令无人机悬停，执行步骤9；7.预测目标位置；8.根据目标控制无人机的飞行；9.判断是否结束，如果是则结束跟踪，否则返回步骤3。本发明能对遮挡后的目标进行检测与跟踪，提高了跟踪的鲁棒性，可用于城市道路下对车辆的跟踪。

Description

基于嵌入式平台的无人机车辆跟踪方法
技术领域
本发明属于图像处理技术领域，更进一步涉及一种无人机车辆跟踪方法，可用于城市道路下复杂环境的车辆跟踪。
背景技术
近年来，无人机事业发展迅速，由于具有结构简单，高灵活性、机动性强、成本低廉、便于装备各类传感器等优点，同时可在复杂环境中进行悬停和垂直起降，无人机是完成目标检测、目标跟踪、监控等任务的理想平台。目前无人机已经应用在诸多目标监控与跟踪领域中。
基于无人机的车辆跟踪是一个典型应用，可利用无人机的车辆跟踪进行逃犯追捕、基于车辆跟踪的航拍跟拍、电影拍摄等,具有重要现实意义。但由于在城市环境中，因为人行天桥、立交桥等复杂遮挡存在，基于无人机的车辆跟踪易发生跟踪目标丢失，致使跟踪失败。所以，利用无人机上搭配的传感器，结合航拍下车辆跟踪的特点，是一种有效解决无人机的车辆跟踪的方案。
成都通甲优博科技有限责任公司的专利申请“一种基于无人机动平台的车辆跟踪方法”(公开号：CN104881650A，申请号：201510284911.6,J，申请日：2015年5月29日)中公开了一种基于无人机动平台的车辆跟踪方法。该方法主要通过目标车辆在当前视频帧中的位置预测目标车辆接下去的运动轨迹，并根据预测位置调整无人机的运动方向，从而实现车辆的无人机航拍跟踪。当在跟踪目标车辆的时候发生目标丢失的情况，还利用卡尔曼滤波器预测目标车辆在后续视频帧中可能出现的区域，并在后续视频中标示该区域以便操作人员在视频帧中快速找到目标车辆，进一步增加目标车辆跟踪的稳定性。该方法的不足是整个实现方案无法有效判断目标车辆是否丢失，同时目标丢失后虽然利用卡尔曼滤波来预测后续视频中可能出现的位置，但仍需要操作人员在视频帧查找目标，无法实现自动化跟踪。
发明内容
本发明的目的在针对上述现有技术的不足，提供一种基于嵌入式平台的无人机车辆跟踪方法，以有效防止目标被遮挡导致跟踪目标丢失的情况出现，提高车辆跟踪的鲁棒性，实现自动化跟踪。
本发明的技术方案是：通过在无人机上搭载嵌入式平台对目标车辆使用核相关滤波算法进行目标跟踪，并将跟踪结果直接反馈给飞行控制模块控制无人机的飞行。在跟踪过程中，当利用车辆分类器判断出跟踪目标已丢失时，如果跟踪目标在飞行区域标记的地图的遮挡区域中，则结合传感器信息在目标可能出现的区域进行目标检测，否则使用卡尔曼滤波器预测被遮挡的目标的位置。其实现步骤包括如下：
(1)训练一个车辆分类器：利用无人机在城市交通场景中进行航拍，在航拍视频中提取有车辆的正样本，无车辆的负样本，并利用正、负样本训练一个车辆分类器；
(2)标记地图：通过地图软件获取飞行区域的地面地图，并标记出立交桥、隧道这些出现车辆遮挡区域的入口和对应的出口，得到被标记的地图；
(3)初始化跟踪目标的位置矩形框：
(3a)通过摄像头，获取一帧图像，通过视频解码器解码后加载到嵌入式平台的内存中，同时回传给地面控制人员；
(3b)地面控制人员在获取的图像中选取一个将跟踪目标包含在内的矩形框，将所选的矩形框作为跟踪目标的位置矩形框；
(3c)用位置矩形框和水平垂直速度初始化卡尔曼滤波器，即将水平垂直速度初始化为0，同时用跟踪目标的图像初始化核相关跟踪器；
(4)通过摄像头获取一帧图像，并由视频解码器解码后加载到嵌入式平台的内存中；
(5)利用核相关滤波算法计算出跟踪器与当前帧图像的特征的响应矩阵，当前帧图像目标的位置矩形框被识别为响应矩阵最大值的位置；
(6)使用车辆分类器判断目标是否被遮挡，如果是，则执行步骤(7)；否则，执行步骤(12)；
(7)利用传感器模块获得的无人机飞行参数，计算目标在被标记的地图中的位置，并判断该位置是否在被标记的地图的遮挡区域中，如果是，则执行步骤(8)；否则，执行步骤(11)；
(8)利用被标记的地图得到被遮挡目标对应的出口区域，将出口区域转换到当前帧图像中，再通过目标检测算法在当前帧图像中筛选出目标的候选位置矩形框；
(9)在当前帧图像中，对每个目标的候选位置矩形框，都利用核相关滤波算法计算出跟踪器与当前帧图像的特征的响应矩阵，求出所有响应矩阵最大值的位置，作为当前帧图像目标的位置矩形框；
(10)嵌入式平台发送悬停指令，通过飞行控制模块令无人机悬停，执行步骤(13)；
(11)使用卡尔曼滤波器在当前帧图像中预测出目标的位置矩形框；
(12)利用当前帧图像中目标的位置矩形框更新卡尔曼滤波器和跟踪器，并通过飞行控制模块，嵌入式平台发送飞行指令使目标偏移到摄像头拍摄的中心，执行步骤(13)；
(13)通信模块检测地面控制人员是否发送停止跟踪的信号，如果是，则结束目标跟踪；否则，返回步骤(4)。
与现有技术相比，本发明具有以下优点：
第一，本发明提出在无人机上搭载嵌入式平台，并在无人机上进行在线目标跟踪与检测，克服了原有技术中需要远端处理器的缺点，降低了跟踪过程中通信模块的传输带宽，减少了传输干扰。
第二，本发明利用无人机上的传感器模块，同时结合被标记的地图信息，对跟踪目标发生遮挡时进行预测，解决了现有技术中在复杂交通场景下未能对跟踪目标发生遮挡后再重新检测的问题，大大提高了跟踪算法抗遮挡的鲁棒性，实现目标在复杂场景中的自主跟踪。
第三，本发明使用卡尔曼滤波器，在跟踪目标的直线行驶过程中发生遮挡时用卡尔曼滤波器的输出作为跟踪结果，充分利用了跟踪目标的运动信息，提高了跟踪算法抗遮挡的鲁棒性。
第四，本发明使用目标检测算法，在跟踪目标发生丢失需要对指定区域检测时，通过筛选减少了候选框的数目，在不降低检测准确率的同时，保证跟踪处理的实时性。
附图说明
图1是本发明的实现流程图。
图2是本发明使用的跟踪系统的示意图。
具体实施方式
以下结合附图对本发明作进一步详细描述。
参照图2，本发明使用的跟踪系统包括嵌入式平台、摄像头、视频解码模块、传感器模块、存储器模块、飞行控制模块和通信模块。其中，嵌入式平台负责与其他模块通信并完成目标自主跟踪的处理；传感器模块配有气压计和全球定位系统模块，用于获取无人机的飞行高度与全球定位系统GPS信息；摄像头模块用于采集图像帧并将图像发送给视频解码模块进行解码；视频解码模块完成码流的解码并将解码后得到的视频帧传输给嵌入式平台；通信模块与地面控制人员进行通信，用于传送视频帧图像和接受地面控制人员的控制信号；飞行控制模块根据飞行控制信号控制无人机的飞行。
参照图1，对本发明基于图2系统进行无人机车辆跟踪的方法，其实现步骤如下。
步骤1，训练一个车辆分类器。
现有的车辆分类器有多种，包括级联分类器、随机森林、支持向量机SVM等，采样不同的分类器有不同的训练方式。本发明采用但不限于支持向量机SVM车辆分类器，其训步骤如下：
(1a)在航拍视频中手工提取有车辆的正负样本，正负样本都通过开源计算机视觉库OpenCV中的图像缩放函数resize将图像统一缩放到64×64大小，得到正样本的训练数据posData和负样本的训练数据negData；
(1b)调用开源计算机视觉库OpenCV中的支持向量机类CvSVM的成员函数train，利用正样本训练数据posData和负样本训练数据negData生成车辆分类器svm.xml。
步骤2，标记地图。
通过全能电子地图下载器下载飞行区域的地图，找到立交桥、隧道这些出现车辆遮挡区域的入口，分别用不同的正整数标记，并且将入口到对应的多个出口的全球定位系统偏移记录下来，没有遮挡的区域则用0标记。
步骤3，初始化跟踪目标的位置矩形框。
(3a)通过摄像头，获取一帧图像，通过视频解码器解码后加载到嵌入式平台的内存中，同时回传给地面控制人员，嵌入式平台是指NVIDIA嵌入平台Jetson TX1；
(3b)地面控制人员在获取的图像中选取一个将跟踪目标包含在内的矩形框，将所选的矩形框作为跟踪目标的位置矩形框；
(3c)用位置矩形框和水平垂直速度初始化卡尔曼滤波器，具体步骤如下：
(3c1)调用开源计算机视觉库OpenCV中的卡尔曼滤波器分配函数cvCreateKalman创建一个观测向量为4维和状态向量为4维的卡尔曼滤波器KF，其中状态向量的前两维是位置矩形框的坐标，后两维是跟踪目标的水平和垂直速度并初始化为0；
(3c2)调用C语言的内存拷贝函数memcpy将转移矩阵T拷贝到卡尔曼滤波器KF的转移矩阵参数中，转移矩阵T的定义如下：
(3d)用跟踪目标的图像初始化核相关跟踪器，得到跟踪器的模型参数和系数α，具体步骤如下：
(3d1)利用前一帧获得的目标的位置矩形框取出当前帧中对应的图像，作为目标图像I；
(3d2)对目标图像I中每个像素点的下标(i,j)都用下列公式计算出高斯标签矩阵的元素Y(i,j)，
其中，i＝0,1,...,m-1；j＝0,1,...,n-1；m表示目标图像I的高度；n表示目标图像I的宽度；exp(·)表示以自然常数e为底的指数操作；σ表示高斯函数的标准差；cx表示目标图像I中心的列坐标；cy表示目标图像I中心的行坐标；
(3d3)用所有计算出的高斯标签矩阵元素Y(i,j)组成高斯标签矩阵Y；
(3d4)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到目标图像I的特征X，用二维离散傅里叶变换把X变换到频域，得到频域特征并将作为跟踪器的模型参数
(3d5)按照下列公式计算出核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；表示特征的第i维；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(3d6)利用上述(3d3)计算出的核相关矩阵K和上述(3d5)计算出的高斯标签矩阵Y，按照下列公式计算出跟踪器的系数α：
其中，λ是跟踪器的模型泛化因子，取值为1x10-4；表示二维离散傅里叶逆变换；表示高斯标签矩阵Y的二维离散傅里叶变换；表示高斯标签矩阵Y的二维离散傅里叶变换。
步骤4，获取一帧图像并存储。
将摄像头的拍摄视角垂直向下，调用开源计算机视觉库OpenCV中的视频类VideoCapture的视频帧读取函数read，由摄像头拍摄获取一帧交通场景的图像，并通过视频解码器解码后加载到跟踪系统的嵌入式平台内存中。
步骤5，使用核相关算法跟踪目标。
利用核相关滤波算法计算出跟踪器与当前帧图像特征的响应矩阵，将当前帧图像目标的位置矩形框确定为响应矩阵最大值的位置，其中，核相关滤波算法的具体实现步骤如下：
(5a)利用前一帧获得的目标位置矩形框取出当前帧中对应的图像，作为目标图像I；
(5b)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到目标图像I的特征X，并用二维离散傅里叶变换把X变换到频域得到频域特征
(5c)按照下列公式计算出跟踪器的样本模型与目标图像I的频域特征的核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；表示频域特征的第i维；表示跟踪器的样本模型第i维参数；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(5d)按照下列公式计算出跟踪器系数α和核相关矩阵K的响应矩阵R：
其中，real(·)表示取实部操作；表示二维离散傅里叶逆变换；表示系数α的二维离散傅里叶变换；表示核相关矩阵K的二维离散傅里叶变换；·表示矩阵的对应元素相乘操作。
步骤6，使用车辆分类器判断目标是否被遮挡。
将车辆分类器svm.xml加载到嵌入式平台的内存中，将上述(5a)中的目标图像I缩放到64×64大小后得到缩放后的目标图像I′，再调用开源计算机视觉库OpenCV中的支持向量机类CvSVM的成员预测函数predict对目标图像I′进行分类，如果分类结果为负样本，则判断目标被遮挡，执行步骤11，否则，判断目标为没有被遮挡，执行步骤7。
步骤7，利用标记地图判断目标是否在标记地图的遮挡区域。
通过无人机上的传感器模块获取无人机飞度高度和GPS信息，利用标记地图判断目标是否在地图标记的遮挡区域，如果是，则执行步骤10，否则，执行步骤8。
所述判断目标是否在地图标记的遮挡区域的具体步骤如下：
(7a)在图像中获取跟踪目标到图像中心点的像素水平偏移ox和像素垂直偏移oy，分别按照下列公式计算出跟踪目标相对视频中心点的全球定位系统GPS水平偏移gx和垂直偏移gy：
gx＝ox×h/f/c/cos(θ) <7>
gy＝oy×h/f/c <8>
其中，h表示由传感器模块得到的无人机飞行高度；θ表示由传感器模块得到的无人机飞行纬度；f表示摄像头的景深；c表示像素偏移到全球定位系统GPS偏移的常数，取值为2.38363x10-6；
(7b)对水平偏移gx和垂直偏移gy分别加上传感器模块得到的无人机全球定位系统GPS坐标值，得到跟踪目标的全球定位系统GPS坐标值；
(7c)由跟踪目标的全球定位系统GPS坐标值，由地图软件转换到被标记的地图中，得到目标在被标记的地图中的位置；
(7d)由目标在被标记的地图中的位置，得到目标是否在被遮挡区域中的非负整数值，如果非负整数值大于0，则表示目标在遮挡区域中，否则，表示无人机不在被遮挡标记区域。
步骤8，筛选出可能包含目标的位置矩形框。
通过目标检测算法，在标记的出口区域中筛选出可能包含目标的位置矩形框，具体步骤如下：
(8a)利用上述(7d)目标在被遮挡区域中的非负整数值，在被标记的地图中，取得对应出口的全球定位系统的水平偏移gx和垂直偏移gy，按照下列公式计算出像素水平偏移ox和垂直偏移oy：
ox＝gx×cos(θ)×f×c/h <9>
oy＝gy×f×c/h <10>
其中，h表示由传感器模块得到的无人机飞行高度；θ表示由传感器模块得到的无人机飞行纬度；f表示摄像头的景深；c表示像素偏移到全球定位系统GPS偏移的常数，取值为2.38363x10-6；
(8b)对像素水平偏移ox和垂直偏移oy分别加上跟踪目标的位置，得到图像帧中目标候选位置矩形框的位置；
(8c)由现有的目标检测算法得到一系列的候选位置矩形框：
现有的目标检测算法有多种，包括基于Adaboost的级联分类器、BING目标检测算法、Selective Search方法等。本发明采用但不限于BING目标检测算法得到一系列的候选位置矩形框；
(8d)去掉每个候选位置矩形框中与被遮挡的目标尺寸不相匹配的候选位置矩形框，对保留下的候选位置矩形框，根据检测出的阈值进行降序排序，并选择排序后互不重叠的前若干个候选位置矩形框。
步骤9，使用核相关算法在可能区域跟踪目标。
在当前帧图像中，对每个目标的候选位置矩形框均取出当前帧中的对应图像，作为对应的候选目标图像H，再对候选目标图像H执行核相关滤波算法，得到对应的响应矩阵R，其具体步骤如下：
(9a)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到候选目标图像H的特征X，并用二维离散傅里叶变换把X变换到频域，得到频域特征
(9b)按照下列公式计算出跟踪器的样本模型与候选目标图像H的频域特征的核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；表示特征X的第i维特征；表示跟踪器的样本模型第i维参数；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(9c)按照下列公式计算出跟踪器的系数α和核相关矩阵K的响应矩阵R：
其中，real(·)表示取实部操作；表示二维离散傅里叶逆变换；表示系数α的二维离散傅里叶变换；表示核相关矩阵K的二维离散傅里叶变换；·表示矩阵的对应元素相乘操作。
步骤10，控制无人机悬停。
嵌入式平台发送无人机的悬停指令到飞行控制模块，飞行控制模块在接受到悬停指令后停止无人机的水平移动和垂直移动，使得无人机在空中盘旋，执行步骤13。
步骤11，使用卡尔曼滤波器跟踪目标的位置。
调用开源计算机视觉库OpenCV中的卡尔曼预测函数cvKalmanPredict，计算出卡尔曼滤波器KF的预测向量，将预测向量的前两维数值作为预测出的跟踪目标的水平坐标x和垂直坐标y，并将x和y作为当前帧图像中目标位置矩形框的位置。
步骤12，利用当前帧图像中目标的位置矩形框更新卡尔曼滤波器和跟踪器，并通过飞行控制模块，嵌入式平台发送飞行指令使目标偏移到摄像头拍摄的中心。
(12a)将当前帧图像中目标的位置矩形框作为测量向量的前两维，将前一帧和当前帧目标的位置矩形框的差值作为观测向量的后两维，调用开源计算机视觉库OpenCV中的卡尔曼校正函数cvKalmanCorrect利用测量向量更新卡尔曼滤波器KF；
(12b)用帧图像中的目标更新跟踪器，具体步骤如下：
(12b1)利用当前帧目标的位置矩形框取出当前帧中对应的图像，作为目标图像I；
(12b2)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到目标图像I的特征X，用二维离散傅里叶变换把X变换到频域，得到频域特征并作为当前帧的模型参数
(12b3)对目标图像I中每个像素点的下标(i,j)都用下列公式计算出高斯标签矩阵的元素Y(i,j)，
其中，i＝0,1,...,m-1；j＝0,1,...,n-1；m表示目标图像I的高度；n表示目标图像I的宽度；exp(·)表示以自然常数e为底的指数操作；σ表示高斯函数的标准差；cx表示目标图像I中心的列坐标；cy表示目标图像I中心的行坐标；
(12b4)用所有计算出的高斯标签矩阵元素Y(i,j)组成高斯标签矩阵Y；
(12b5)按照下列公式计算出跟踪器的核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；Xi表示特征X的第i维；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(12b6)利用上述计算出的核相关矩阵K和高斯标签矩阵Y，按照下列公式计算出跟踪器的系数α：
其中，λ是跟踪器的模型泛化因子；表示二维离散傅里叶逆变换；表示二维离散傅里叶变换；
(12b6)按照如下公式更新跟踪器的系数α和样本模型
α:＝pα+(1-p)α′ <16>
其中，:＝表示赋值操作；p是跟踪器模型的更新因子，取值为0.05；α′表示前一帧的跟踪器系数；表示前一帧的样本模型；
(12c)在当前视频帧中，根据目标视频帧中心的偏移方向，嵌入式平台发送与偏移方向相反的飞行控制指令，控制无人机飞行，使得目标偏移到摄像头拍摄的中心。
步骤13，通信模块检测地面控制人员是否发送停止跟踪的信号。
通信模块检测地面控制人员是否发送停止跟踪的信号，如果检测到停止跟踪的信号，则无人机系统结束目标跟踪，嵌入式平台退出目标跟踪的处理，否则，嵌入式平台等待读入下一帧图像并继续跟踪目标，返回步骤4。
以上描述仅是本发明的一个具体实施，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于嵌入式平台的无人机车辆跟踪方法，包括：
(1)训练一个车辆分类器：利用无人机在城市交通场景中进行航拍，在航拍视频中提取有车辆的正样本，无车辆的负样本，并利用正、负样本训练一个车辆分类器；
(2)标记地图：通过地图软件获取飞行区域的地面地图，并标记出立交桥、隧道这些出现车辆遮挡区域的入口和对应的出口，得到被标记的地图；
(3)初始化跟踪目标的位置矩形框：
(3a)通过摄像头，获取一帧图像，通过视频解码器解码后加载到嵌入式平台的内存中，同时回传给地面控制人员；
(3b)地面控制人员在获取的图像中选取一个将跟踪目标包含在内的矩形框，将所选的矩形框作为跟踪目标的位置矩形框；
(3c)用位置矩形框和水平垂直速度初始化卡尔曼滤波器，即将水平垂直速度初始化为0，同时用跟踪目标的图像初始化核相关跟踪器；
(4)通过摄像头获取一帧图像，并由视频解码器解码后加载到嵌入式平台的内存中；
(5)利用核相关滤波算法计算出跟踪器与当前帧图像的特征的响应矩阵，当前帧图像目标的位置矩形框被识别为响应矩阵最大值的位置；
(6)使用车辆分类器判断目标是否被遮挡，如果是，则执行步骤(7)；否则，执行步骤(12)；
(7)利用传感器模块获得的无人机飞行参数，计算目标在被标记的地图中的位置，并判断该位置是否在被标记的地图的遮挡区域中，如果是，则执行步骤(8)；否则，执行步骤(11)；
(8)利用被标记的地图得到被遮挡目标对应的出口区域，将出口区域转换到当前帧图像中，再通过目标检测算法在当前帧图像中筛选出目标的候选位置矩形框；
(9)在当前帧图像中，对每个目标的候选位置矩形框，都利用核相关滤波算法计算出跟踪器与当前帧图像的特征的响应矩阵，求出所有响应矩阵最大值的位置，作为当前帧图像目标的位置矩形框；
(10)嵌入式平台发送悬停指令，通过飞行控制模块令无人机悬停，执行步骤(13)；
(11)使用卡尔曼滤波器在当前帧图像中预测出目标的位置矩形框；
(12)利用当前帧图像中目标的位置矩形框更新卡尔曼滤波器和跟踪器，并通过飞行控制模块，嵌入式平台发送飞行指令使目标偏移到摄像头拍摄的中心，执行步骤(13)；
(13)通信模块检测地面控制人员是否发送停止跟踪的信号，如果是，则结束目标跟踪；否则，返回步骤(4)。
2.根据权利要求1所述的方法，其特征在于：步骤(3a)中所述的嵌入式平台是指NVIDIA嵌入式平台Jetson TX1。
3.根据权利要求1所述的方法，其特征在于：步骤(1)中利用正、负样本训练一个车辆分类器，按如下步骤进行：
(3a)先将正、负样本缩放到64×64大小作为训练的样本图像；
(3b)通过adaboost算法或支持向量机或随机森林算法训练得到车辆分类器。
4.根据权利要求1所述的方法，其特征在于：步骤(6)中使用车辆分类器判断目标是否被遮挡，是先将目标图像缩放到64×64大小，再通过车辆分类器进行分类，如果分类结果为负样本，则判断目标为被遮挡，否则判断目标为没有被遮挡。
5.根据权利要求1所述的方法，其特征在于：步骤(8)中通过目标检测算法在当前帧图像中筛选出目标的候选位置矩形框，按如下步骤进行：
(8a)通过目标检测算法得到一系列的候选位置矩形框；
(8b)去掉每个候选位置矩形框中与被遮挡的目标尺寸不相匹配的候选位置矩形框；
(8c)对保留下的候选位置矩形框，根据检测阈值进行降序排序，并选择排序后互不重叠的前若干个候选位置矩形框。
6.根据权利要求1所述的方法，其特征在于：步骤(5)中利用核相关滤波算法计算出跟踪器与当前帧图像的特征的响应矩阵，按如下步骤进行：
(5a)利用前一帧获得的目标的位置矩形框取出当前帧图像中对应区域的图像，作为目标图像I；
(5b)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到目标图像I的特征X，并转换到频域得到频域特征
(5c)按照下列公式计算出跟踪器的样本模型与目标图像I的频域特征的核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；表示频域特征的第i维；表示跟踪器的样本模型第i维参数；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(5d)按照下列公式计算出跟踪器的系数α和核相关矩阵K的响应矩阵R：
其中，real(·)表示取实部操作；表示二维离散傅里叶逆变换；表示系数α的二维离散傅里叶变换；表示核相关矩阵K的二维离散傅里叶变换；·表示矩阵的对应元素相乘操作。
7.根据权利要求1所述的方法，其特征在于：步骤(7)中计算目标在被标记的地图中的位置，按照如下步骤进行：
(7a)在图像中获取跟踪目标到图像中心点的像素水平偏移ox和垂直偏移oy，分别按照下列公式计算出跟踪目标相对视频中心点的全球定位系统GPS水平偏移gx和垂直偏移gy：
gx＝ox×h/f/c/cos(θ) <3>
gy＝oy×h/f/c <4>
其中，h表示由传感器模块得到的无人机飞行高度；θ表示由传感器模块得到的无人机飞行纬度；f表示摄像头的景深；c表示像素偏移到全球定位系统GPS偏移的常数2.38363x10-6；
(7b)对水平偏移gx和垂直偏移gy分别加上传感器模块得到的无人机全球定位系统GPS坐标值，得到跟踪目标的全球定位系统GPS坐标值；
(7c)由跟踪目标的全球定位系统GPS坐标值，由地图软件转换到被标记的地图中，得到目标在被标记的地图中的位置。
8.根据权利要求1所述的方法，其特征在于：步骤(11)中使用卡尔曼滤波器在当前帧图像中预测出目标的位置矩形框，是使用卡尔曼滤波算法得到预测的状态向量，取预测的状态向量的前两维作为预测出的目标的位置矩形框。
9.根据权利要求1所述的方法，其特征在于：步骤(9)中对每个目标的候选位置矩形框，是对每个目标的候选位置矩形框均取出当前帧中的对应图像，作为对应的候选目标图像H，再对候选目标图像H执行(9a)—(9c)，得到对应的响应矩阵R：
(9a)通过hog特征提取算法或者颜色特征提取算法或灰度特征提取算法得到候选目标图像H的特征X，并转换到频域得到频域特征
(9b)按照下列公式计算出跟踪器的样本模型与候选目标图像H的频域特征的核相关矩阵K：
其中，exp(·)表示以自然常数e为底的指数操作；σ表示高斯核函数的标准差；i表示特征的维度；N表示特征的个数；||·||2表示向量的二范数；表示二维离散傅里叶逆变换；表示特征的第i维特征；表示跟踪器的样本模型第i维参数；·表示矩阵的对应元素相乘操作；(·)*表示取共轭操作；
(9c)按照下列公式计算出跟踪器的系数α和核相关矩阵K的响应矩阵R：
其中，real(·)表示取实部操作；表示二维离散傅里叶逆变换；表示系数α的二维离散傅里叶变换；表示核相关矩阵K的二维离散傅里叶变换；·表示矩阵的对应元素相乘操作。
CN201710038493.1A 2017-01-19 2017-01-19 基于嵌入式平台的无人机车辆跟踪方法 Active CN106874854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710038493.1A CN106874854B (zh) 2017-01-19 2017-01-19 基于嵌入式平台的无人机车辆跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710038493.1A CN106874854B (zh) 2017-01-19 2017-01-19 基于嵌入式平台的无人机车辆跟踪方法

Publications (2)

Publication Number Publication Date
CN106874854A true CN106874854A (zh) 2017-06-20
CN106874854B CN106874854B (zh) 2019-12-31

Family

ID=59157835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710038493.1A Active CN106874854B (zh) 2017-01-19 2017-01-19 基于嵌入式平台的无人机车辆跟踪方法

Country Status (1)

Country Link
CN (1) CN106874854B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610156A (zh) * 2017-09-02 2018-01-19 西安电子科技大学 基于引导滤波和核相关滤波的红外弱小目标跟踪方法
CN107993253A (zh) * 2017-11-29 2018-05-04 天津聚飞创新科技有限公司 目标跟踪方法及装置
CN108038408A (zh) * 2017-10-13 2018-05-15 西安天和防务技术股份有限公司 智能跟踪方法及装置、存储介质及电子终端
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN108422884A (zh) * 2018-03-30 2018-08-21 榛硕（武汉）智能科技有限公司 基于无人机的电动汽车电能补充系统
CN108460786A (zh) * 2018-01-30 2018-08-28 中国航天电子技术研究院 一种无人机侦察目标的高速跟踪方法
CN108803655A (zh) * 2018-06-08 2018-11-13 哈尔滨工程大学 一种无人机飞行控制平台及目标跟踪方法
CN108961311A (zh) * 2018-06-20 2018-12-07 吉林大学 一种双模式的旋翼飞行器目标跟踪方法
CN109398533A (zh) * 2018-11-22 2019-03-01 华南理工大学 一种移动平台及移动平台长时间跟踪的方法
CN109583347A (zh) * 2018-11-22 2019-04-05 华南理工大学 一种针对移动平台长时间跟踪的方法
WO2019085621A1 (zh) * 2017-11-06 2019-05-09 深圳市道通智能航空技术有限公司 目标追踪方法、装置及追踪器
CN109737981A (zh) * 2019-01-11 2019-05-10 西安电子科技大学 基于多传感器的无人车目标搜索装置及方法
CN111160365A (zh) * 2019-12-06 2020-05-15 南京航空航天大学 基于检测器和跟踪器相结合的无人机目标跟踪方法
CN108846851B (zh) * 2018-04-25 2020-07-28 河北工业职业技术学院 运动目标跟踪方法及终端设备
CN111784737A (zh) * 2020-06-10 2020-10-16 中国人民解放军军事科学院国防科技创新研究院 一种基于无人机平台的目标自动跟踪方法及系统
CN111932588A (zh) * 2020-08-07 2020-11-13 浙江大学 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法
CN113112565A (zh) * 2021-04-08 2021-07-13 安徽工程大学 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备
CN113793365A (zh) * 2021-11-17 2021-12-14 第六镜科技(成都)有限公司 目标跟踪方法、装置、计算机设备及可读存储介质
CN114399537A (zh) * 2022-03-23 2022-04-26 东莞先知大数据有限公司 一种目标人员的车辆跟踪方法及系统
CN117152258A (zh) * 2023-11-01 2023-12-01 中国电建集团山东电力管道工程有限公司 一种管道生产智慧车间的产品定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766481A (zh) * 2015-04-29 2015-07-08 深圳市保千里电子有限公司 一种无人机进行车辆跟踪的方法及系统
CN104881650A (zh) * 2015-05-29 2015-09-02 成都通甲优博科技有限责任公司 一种基于无人机动平台的车辆跟踪方法
CN105354857A (zh) * 2015-12-07 2016-02-24 北京航空航天大学 一种有立交桥遮挡的车辆轨迹匹配方法
CN105488484A (zh) * 2015-12-07 2016-04-13 北京航空航天大学 一种基于无人机航拍图像的车辆轨迹提取方法
CN105760831A (zh) * 2015-12-07 2016-07-13 北京航空航天大学 一种基于低空航拍红外视频的行人跟踪方法
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766481A (zh) * 2015-04-29 2015-07-08 深圳市保千里电子有限公司 一种无人机进行车辆跟踪的方法及系统
CN104881650A (zh) * 2015-05-29 2015-09-02 成都通甲优博科技有限责任公司 一种基于无人机动平台的车辆跟踪方法
CN105354857A (zh) * 2015-12-07 2016-02-24 北京航空航天大学 一种有立交桥遮挡的车辆轨迹匹配方法
CN105488484A (zh) * 2015-12-07 2016-04-13 北京航空航天大学 一种基于无人机航拍图像的车辆轨迹提取方法
CN105760831A (zh) * 2015-12-07 2016-07-13 北京航空航天大学 一种基于低空航拍红外视频的行人跟踪方法
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HYONDONG OH 等: "Road-Map–Assisted Standoff Tracking of Moving Ground Vehicle Using Nonlinear Model Predictive Control", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
杨凯杰 等: "快速目标跟踪算法及其嵌入式实现", 《军事通信技术》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610156A (zh) * 2017-09-02 2018-01-19 西安电子科技大学 基于引导滤波和核相关滤波的红外弱小目标跟踪方法
CN108038408A (zh) * 2017-10-13 2018-05-15 西安天和防务技术股份有限公司 智能跟踪方法及装置、存储介质及电子终端
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN108053427B (zh) * 2017-10-31 2021-12-14 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
WO2019085621A1 (zh) * 2017-11-06 2019-05-09 深圳市道通智能航空技术有限公司 目标追踪方法、装置及追踪器
CN107993253A (zh) * 2017-11-29 2018-05-04 天津聚飞创新科技有限公司 目标跟踪方法及装置
CN108460786A (zh) * 2018-01-30 2018-08-28 中国航天电子技术研究院 一种无人机侦察目标的高速跟踪方法
CN108422884A (zh) * 2018-03-30 2018-08-21 榛硕（武汉）智能科技有限公司 基于无人机的电动汽车电能补充系统
CN108846851B (zh) * 2018-04-25 2020-07-28 河北工业职业技术学院 运动目标跟踪方法及终端设备
CN108803655A (zh) * 2018-06-08 2018-11-13 哈尔滨工程大学 一种无人机飞行控制平台及目标跟踪方法
CN108961311A (zh) * 2018-06-20 2018-12-07 吉林大学 一种双模式的旋翼飞行器目标跟踪方法
CN109398533A (zh) * 2018-11-22 2019-03-01 华南理工大学 一种移动平台及移动平台长时间跟踪的方法
CN109583347A (zh) * 2018-11-22 2019-04-05 华南理工大学 一种针对移动平台长时间跟踪的方法
CN109398533B (zh) * 2018-11-22 2024-04-09 华南理工大学 一种移动平台及移动平台长时间跟踪的方法
CN109737981A (zh) * 2019-01-11 2019-05-10 西安电子科技大学 基于多传感器的无人车目标搜索装置及方法
CN109737981B (zh) * 2019-01-11 2022-12-02 西安电子科技大学 基于多传感器的无人车目标搜索装置及方法
CN111160365A (zh) * 2019-12-06 2020-05-15 南京航空航天大学 基于检测器和跟踪器相结合的无人机目标跟踪方法
CN111784737A (zh) * 2020-06-10 2020-10-16 中国人民解放军军事科学院国防科技创新研究院 一种基于无人机平台的目标自动跟踪方法及系统
CN111932588B (zh) * 2020-08-07 2024-01-30 浙江大学 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法
CN111932588A (zh) * 2020-08-07 2020-11-13 浙江大学 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法
CN113112565A (zh) * 2021-04-08 2021-07-13 安徽工程大学 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备
CN113793365A (zh) * 2021-11-17 2021-12-14 第六镜科技(成都)有限公司 目标跟踪方法、装置、计算机设备及可读存储介质
CN114399537A (zh) * 2022-03-23 2022-04-26 东莞先知大数据有限公司 一种目标人员的车辆跟踪方法及系统
CN114399537B (zh) * 2022-03-23 2022-07-01 东莞先知大数据有限公司 一种目标人员的车辆跟踪方法及系统
CN117152258A (zh) * 2023-11-01 2023-12-01 中国电建集团山东电力管道工程有限公司 一种管道生产智慧车间的产品定位方法及系统
CN117152258B (zh) * 2023-11-01 2024-01-30 中国电建集团山东电力管道工程有限公司 一种管道生产智慧车间的产品定位方法及系统

Also Published As

Publication number Publication date
CN106874854B (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN106874854A (zh) 基于嵌入式平台的无人机车辆跟踪方法
Zhao et al. Detection, tracking, and geolocation of moving vehicle from uav using monocular camera
Šegvić et al. A computer vision assisted geoinformation inventory for traffic infrastructure
Mahaur et al. Road object detection: a comparative study of deep learning-based algorithms
US11430199B2 (en) Feature recognition assisted super-resolution method
CN108364466A (zh) 一种基于无人机交通视频的车流量统计方法
Feng et al. Mixed road user trajectory extraction from moving aerial videos based on convolution neural network detection
CN105913459B (zh) 基于高分辨率连拍图像的运动目标检测方法
Zhang et al. Monocular visual traffic surveillance: A review
CN110148177A (zh) 用于确定相机的姿态角的方法、装置、计算设备、计算机可读存储介质以及采集实体
Mseddi et al. YOLOv5 based visual localization for autonomous vehicles
Li et al. Aruco marker detection under occlusion using convolutional neural network
CN105335977A (zh) 摄像系统及目标对象的定位方法
CN107097256A (zh) 基于视觉非完整机器人在极坐标下的无模型目标跟踪方法
Chen et al. Contrast limited adaptive histogram equalization for recognizing road marking at night based on YOLO models
Yu et al. Accurate and robust visual localization system in large-scale appearance-changing environments
Bharadhwaj et al. Detecting vehicles on the edge: Knowledge distillation to improve performance in heterogeneous road traffic
Gupta et al. 3D Bounding Boxes for Road Vehicles: A One-Stage, Localization Prioritized Approach using Single Monocular Images.
CN113313824B (zh) 一种三维语义地图构建方法
CN110555423A (zh) 基于多维运动摄像机的航拍视频的交通参数提取方法
da Silva Bastos et al. Vehicle speed detection and safety distance estimation using aerial images of Brazilian highways
Karpagalakshmi et al. Image localization using deformable model and its application in health informatics
Ali et al. Vehicle Detection and Tracking from Aerial Imagery via YOLO and Centroid Tracking
Pȩszor et al. Optical flow for collision avoidance in autonomous cars
Rabie et al. Mobile active‐vision traffic surveillance system for urban networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant