CN107491742B - 一种长时稳定的无人机目标跟踪方法 - Google Patents

Abstract

本发明提供的一种长时稳定的无人机目标跟踪方法，根据用户交互选择并优化初始化跟踪目标框的方法；根据相关滤波算法计算跟踪目标响应图的方法；根据响应图进行质量评价与空间定位确定跟踪目标位置的方法；根据感知哈系算法对跟踪结果进行跟踪成功/失败判定的方法；根据随机森林分类器对丢失目标进行全局丢失找回的方法。本发明提供的跟踪方法能够在光照变化、尺度变化、动态场景以及局部/全局遮挡情况下对目标进行长时稳定跟踪，同时可以应用与多种不同场景与平台，因此本发明具有稳定性强、实时性好、抗干扰能力强等优点。

Description

一种长时稳定的无人机目标跟踪方法

技术领域

无人机应用技术领域，涉及一种长时稳定的无人机目标跟踪方法。

背景技术

长时目标跟踪是计算机视觉领域中一个关键技术，在测绘、控制、军事等领域中有着重要的应用。同时涉及了计算机视觉领域中的多项核心技术，如图像处理、模式识别、自动控制等等，是一项综合性技术。

利用无人机在空中对地观察时，常常需要对特定目标在飞行过程中进行持续关注。在目标跟踪的过程中，由于目标的运动与无人机本身的运动，目标常常运动超出无人机获取的图像视场区域或者受到障碍物的局部与全局遮挡，进而导致跟踪目标丢失。

发明内容

本发明的目的在于提供一种长时稳定的无人机目标跟踪方法，解决了现有目标常常运动超出无人机获取的图像视场区域或者受到障碍物的局部与全局遮挡，导致跟踪目标丢失的现象。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种长时稳定的无人机目标跟踪方法，包括以下步骤：

第一步，通过无人机机载相机连续拍摄地面图像，任意选取一帧作为跟踪起始帧；并在当前帧内选取待跟踪目标，并在待跟踪目标上加载矩形框作为待跟踪目标框R；

第二步，通过裁剪算法对待跟踪目标框R进行尺度扩大或缩小的优化处理，得到尺度合适的初始跟踪目标框R_o；

第三步，根据第二步中得到的初始跟踪目标框R_o，计算得到初始化感知哈希模板H_o＝R_o

第四步，以第二步中得到的初始跟踪目标框R_o为中心，分别将其宽w和高h扩大2倍得到拓展的目标区域R_p，分别计算目标区域R_p的HOG特征f_p和目标区域R_p的随机森林特征RF_P；

第五步，在当前帧上对上一帧的目标区域R_po所包含的像素区域通过双线性插值法进行S 个不同尺度的尺度变换得到R_s；

第六步，通过第四步分别提取第五步中R_s集合中元素的HOG特征，得到多尺度特征集合 f_s＝{f_p0,f_p1,...,f_ps}；

第七步，将多尺度特征集合f_s中的每个元素f_pk,k∈s与第四步中得到的上一帧目标特征 f_p0进行相关卷积运算，得到了与多尺度特征集合f_s一一对应的相关卷积响应图集合P_k；

第八步，根据相关卷积响应图集合P_k中所有元素的响应极值r_max，得到r_max所在尺度唯一对应的相关卷积响应图P_max与对应特征f_max；

第九步，计算相关卷积响应图P_max中的响应均值μ_p、响应极大值r_max和响应极小值r_min，并根据响应均值μ_p、响应极大值r_max和响应极小值r_min判断当前帧目标跟踪成功与否；当目标跟踪成功时，执行第十步；当目标跟踪失败时，执行第十一步；

第十步，对目标跟踪模型进行更新，并计算输出当前帧上的目标跟踪框相对于上一帧目标跟踪框的偏移量，同时输出当前尺度S_o；

第十一步，进入丢失找回模块进行找回；

第十二步，若找回成功，则进入第十步，之后继续进行下一帧图像的处理；若找回失败，则进入第十一步，进行下一帧图像的处理。

优选地，第二步中，优化处理的具体步骤是：

(1)设初始帧图像为I，则设待跟踪目标框R方框外的像素全部作为背景像素R_b，而方框内的像素全部作为目标像素R_u；

(2)初始化R_b内的每一像素n的标签α_u＝0，而对R_u内的每一像素n的标签初始化为α_n＝1；

(3)通过K-mean算法将R_b与R_u的像素聚类为K类，得到K个高斯模型

其中，μ_k与

分别为G_k的均值与协方差,θ_k为第k个高斯模型的权值；

(4)按照公式(1)对每个像素n分配高斯模型中的高斯分量：

其中，k_n表示像素n由第k个高斯模型生成，μ_n和θ_k分别为对应高斯模型的均值与权值， D_n为混合多高斯模型，其中，

第k个高斯模型的权值θ_k可以通过公式(2)计算可得：

其中，U为高斯模型函数，对于给定的初始帧图像I，权值θ_k可以通过属于该高斯分布的像素个数与初始帧图像I中的总像素个数的比值来确定；

(5)根据公式(1)和(2)计算得到的权值θ_k以及均值μ_k、协方差

对初始帧图像I中每个像素进行标签更新，得到优化后的初始跟踪目标框R_o。

优选地，第四步中，目标区域R_p内的HOG特征f_p的计算步骤如下：

(1)对R_p区域进行彩色-灰度转化；

(2)对R_p区域进行gamma归一化，从而降低图像局部的阴影和光照变化所造成的影响，降低噪声干扰，公式(3)如下：

I(x,y)＝I(x,y)^gamma (3)

(3)计算R_p区域内每个像素I_p的梯度d_x、d_y；

(4)将R_p区域划分为6*6的小块区域C_p，根据每个像素I_p的梯度d_x、d_y统计每个小块区域C_p中像素的梯度直方图作为该C_p的特征；

(5)将每3*3个C_p组成一个区块B_p，将B_p内所有C_p的特征串联起来得到该B_p的特征；

(6)将R_p内所有B_p的特征串联起来得到R_p的HOG特征f_p，完成跟踪模型初始化。

优选地，第四步中，目标区域R_p的随机森林特征RF_P的计算步骤如下：

a、根据公式(4)在目标区域R_p内随机选取k组点对，其中，所有点对满足x,y∈R_p：

Pair(x_my_m,x_ny_n)_p∈k＝Pair((I_xm,I_ym),(I_xn,I_yn)) (4)

其中，I_xm,I_ym表示第m组坐标对应于初始帧图像I中的像素值，I_xn,I_yn表示第n组坐标对应于初始帧图像I中的像素值(x_my_m,x_ny_n)表示一组点对，其对应坐标为(x_m,y_m),(x_n,y_n)；

b、根据公式(5)计算目标区域R_p的随机森林特征RF_p

RF_p＝{b₁,b₂,…,b_k|b_k＝(I_xm,I_ym)-(I_xn,I_yn)＞0？1:0} (5)

其中，b_k为二进制数，当第k组点对的绝对值大于0时为1，反之为0，k组点对的b_k组成了R_p的随机森林特征RF_p。

优选地，第七步中，通过公式(6)计算得到相关卷积响应图集合P_k，其中，P_k＝{P₁,P₂,...,P_k}：

P_k＝F^-1(F(f_pk)·F(f_po)) (6)

其中，F与F^-1分别表示傅里叶变换与逆变换，P_k表示对应元素f_pk的相关卷积响应图，·表示频域点乘。

优选地，第九步中，按照公式(7)计算响应均值μ_p：

并根据公式(8)、(9)利用响应均值μ_p、响应极大值r_max和响应极小值r_min判断当前帧目标跟踪成功与否：

h_thre＝Hash(|R_pmax-H_o|) (9)

其中，I(i,j)表示P_max对应的当前帧区域中的任一像素，H_o为第三步中得到初始感知哈希模板，Hash表示计算感知哈希距离，p_thre为跟踪响应值、h_thre为哈希特征值；

当p_thre＜0.5且h_thre＜0.5时，则当前帧目标跟踪成功；反之则跟踪失败、目标丢失。

优选地，第十步中，通过公式(10)对目标跟踪模型进行更新：

H_new＝α*H₀+(1-α)*f_max (10)

其中，H_new表示更新后的初始跟踪模板，H₀表示第三步中得到的未更新模板，f_max表示第七步中得到的成功跟踪区域特征，α＝0.01为更新系数；

偏移量u＝x_new-x_old，v＝y_new-y_old，其中x_new、y_new、x_old、y_old分别代表当前帧与上一帧目标区域的中心x、y坐标。

优选地，第十一步中，进入丢失找回模块进行找回的具体步骤：首先，根据第五步中采用的尺度S，对当前帧I_n进行多尺度全局区块划分，得到每一个对应尺度的区块Z_s；然后计算区块集合Z_s的随机森林特征RF_Z,接着计算RF_Z中所有元素与第三步中得到的RF_P的欧式距离，得到距离最近的区块z_min，根据区块z_min计算相关滤波响应图P_min，以此判断目标找回是否成功。

与现有技术相比，本发明的有益效果是：

本发明提供的一种长时稳定的无人机目标跟踪方法，根据用户交互选择并优化初始化跟踪目标框的方法；根据相关滤波算法计算跟踪目标响应图的方法；根据响应图进行质量评价与空间定位确定跟踪目标位置的方法；根据感知哈系算法对跟踪结果进行跟踪成功/失败判定的方法；根据随机森林分类器对丢失目标进行全局丢失找回的方法。本发明提供的跟踪方法能够在光照变化、尺度变化、动态场景以及局部/全局遮挡情况下对目标进行长时稳定跟踪，同时可以应用与多种不同场景与平台，因此本发明具有稳定性强、实时性好、抗干扰能力强等优点。

进一步的，本发明对初始图像帧进行优化处理，改善了由于无人机相对运动导致的目标框选不准问题，减少了误选进入目标框的背景干扰，提高了后续目标跟踪的精确度。

进一步的，本发明对每帧跟踪后的跟踪结果进行了有效地质量评价，减少了跟踪失败的概率，同时降低了跟踪失败导致的模型漂移，提升了后续目标跟踪的准确度。

进一步的，本发明加入了目标丢失时的丢失找回模块，有效地提升了长时间目标跟踪时跟踪算法的稳定性和可靠性，提高了目标被半遮挡或全遮挡时的跟踪准确度，使得无人机跟踪算法能够适应于多种复杂应用场景。

附图说明

图1是无人机载控制系统的组成框图；

图2为目标跟踪方法流程；

图3是目标跟踪初始化方法；

图4是加入多尺度跟踪功能的跟踪结果示意图；其中，图4a为两种方法结果基本一致；图 4b为目标远离时的踪结果图；图4c为目标靠近时的跟踪结果图；

图5是加入目标丢失找回功能的跟踪结果示意图；其中，图5a为正常跟踪时两种方法结果一致；图5b为目标受到局部遮挡时的跟踪结果图；图5c为目标完全被隔档时的跟踪结果图；图5d为目标再次出现时的跟踪结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供的一种长时稳定的无人机目标跟踪方法，通过用户交互输入初始跟踪目标框并优化，建立以相关滤波为基础的跟踪模型与以随机森林分类器为基础的目标丢失找回模块，实现一种长时稳定的无人机目标跟踪方法。

如图1所示，本发明提供的无人目标跟踪控制系统包括陀螺仪、加速度计、气压计、云台、相机、飞控模块、通信模块和机载计算单元；其中，陀螺仪、加速度计、气压计、云台、飞控模块和通信模块均与机载计算单元连接，同时，云台控制连接相机。具体地，加速度计用于测量无人机的三轴加速度；陀螺仪用于测量无人机的横滚、偏航、俯仰角；气压计用于获得无人机的飞行高度；相机用于拍摄图像；云台用于连接相机与无人机并提供一定的稳定作用；机载计算单元为机载计算机板用于处理飞控、图像等信息；通信模块用于无人机与地面站、遥控器传输信息；飞控模块负责接收指令控制飞机运行姿态。加速度计、陀螺仪、气压计、相机的信息传输给机载计算单元后由其进行目标跟踪处理，并将解算后的目标偏移量和尺度信息传输给飞控模块，进而控制无人机主动跟踪目标。

基于无人目标跟踪控制系统的目标跟踪方法，包括：

第一步，通过无人机机载相机连续拍摄地面图像，同时等待用户交互选择矩形作为待跟踪目标，当用户完成初始目标选择后，则将当前帧作为跟踪起始帧，开始目标跟踪初始化过程；

第二步，通过裁剪算法对待跟踪目标框进行初始矩形扩大或缩小的优化处理，并选取合适的收缩尺度作为最终的初始跟踪目标框，如图2所示，具体步骤如下：

(1)设初始帧图像为I，用户选择的待跟踪目标框为R，则设待跟踪目标框R方框外的像素全部作为背景像素R_b，而方框内的像素全部作为目标像素R_u；

(2)初始化R_b内的每一像素n的标签α_u＝0，而对R_u内的像素n的标签初始化为α_n＝1；

(3)通过K-mean算法将R_b与R_u的像素聚类为K类，得到K个高斯模型

其中，μ_k与

分别为G_k的均值与协方差,θ_k为第k个高斯模型的权值；

(4)对每个像素n分配高斯模型中的高斯分量，公式如下：

其中，k_n的结果表示像素n最可能由第k个高斯模型生成，μ_n和θ_k分别为对应高斯模型的均值与权值，D_n为混合多高斯模型，其中，

其中，第k个高斯模型的权值θ_k可以通过公式(2)计算可得：

其中，U为高斯模型函数，对于给定的初始帧图像I，权值θ_k可以通过属于该高斯分布的像素个数与I中的总像素个数的比值来确定；

(5)根据公式(1)和(2)计算得到的权值θ_k以及均值μ_k、协方差

对I中每个像素进行标签更新，得到优化后的初始跟踪目标框R_o。

第三步，根据第二步中得到的初始跟踪目标框R_o，通过HASH算法得到初始化跟踪模板 H_o＝R_o；

第四步，以第二步中得到的初始跟踪目标框R_o为中心，分别将其宽w和高h扩大2倍得到拓展的目标区域R_p，分别计算目标区域R_p的HOG特征f_p和目标区域R_p的随机森林特征RF_P，如图3所示，具体地：

一、计算目标区域R_p内的HOG特征f_p：

具体步骤如下：

(1)对R_p区域进行彩色-灰度转化；

(2)对R_p区域进行gamma归一化，从而降低图像局部的阴影和光照变化所造成的影响，降低噪声干扰，公式(3)如下：

I(x,y)＝I(x,y)^gamma (3)

(3)计算R_p区域内每个像素I_p的梯度d_x、d_y；

(4)将R_p区域划分为6*6的小块区域C_p，根据每个像素I_p的梯度d_x、d_y统计每个小块区域C_p中像素的梯度直方图作为该C_p的特征；

(5)将每3*3个C_p组成一个区块B_p，将B_p内所有C_p的特征串联起来得到该B_p的特征；

(6)将R_p内所有B_p的特征串联起来得到R_p的HOG特征f_p，完成跟踪模型初始化。

二、计算目标区域R_p的随机森林特征RF_p

a、根据公式(4)在目标区域R_p内随机选取k组点对，其中，所有点对满足x,y∈R_p：

Pair(x_my_m,x_ny_n)_p∈k＝Pair((I_xm,I_ym),(I_xn,I_yn)) (4)

其中，I_xm,I_ym表示第m组坐标对应于初始帧图像I中的像素值，I_xn,I_yn表示第n组坐标对应于初始帧图像I中的像素值(x_my_m,x_ny_n)表示一组点对，其对应坐标为(x_m,y_m),(x_n,y_n)；

b、根据公式(5)计算目标区域R_p的随机森林特征RF_p

RF_p＝{b₁,b₂,…,b_k|b_k＝(I_xm,I_ym)-(I_xn,I_yn)＞0？1:0} (5)

其中，b_k为二进制数，当第k组点对的绝对值大于0时为1，反之为0，k组点对的b_k组成了R_p的随机森林特征RF_p。

第五步，进入目标跟踪循环流程：

对于相机采集到的每一帧图像，在上一帧I₀通过第三步得到的跟踪目标区域R_p的基础上，在当前帧I_n上对跟踪目标区域R_p所包含的的像素区域通过双线性插值法进行S个不同尺度的尺度变换得到R_s，其中，R_s＝{R_p0,R_p1,...,R_ps}，S的尺度范围为0.1～3.0。

第六步，根据第四步分别提取R_s集合中元素的HOG特征，得到多尺度特征集合 f_s＝{f_p0,f_p1,...,f_ps}。

第七步，将多尺度特征集合f_s中的每个元素f_pk,k∈s与第四步中得到的上一帧目标特征 f_p0进行相关卷积运算，并通过频域变换简化计算，通过公式(6)得到了与多尺度特征集合f_s一一对应的相关卷积响应图集合P_k＝{P₁,P₂,...,P_k}。

P_k＝F^-1(F(f_pk)·F(f_po)) (6)

其中，F与F^-1分别表示傅里叶变换与逆变换，P_k表示对应元素f_pk的相关卷积响应图，·表示频域点乘。

第八步，根据相关卷积响应图集合P_k，判断正确跟踪的目标位置与跟踪质量：

统计P_k中所有元素的响应极大值r_max，并选择r_max所在尺度唯一对应的相关卷积响应图 P_max与对应特征f_max，同时将r_max所在尺度作为目标跟踪尺度S_o。

第九步，统计P_max响应图中的响应均值μ_p、响应极大值r_max和响应极小值r_min，其中，按照公式(7)计算响应均值μ_p：

然后，根据公式(8)、(9)利用响应均值μ_p、响应极大值r_max和响应极小值r_min判断当前帧目标跟踪成功与否：

h_thre＝Hash(|R_pmax-H_o|) (9)

其中，I(i,j)表示P_max对应的当前帧区域中的任一像素，H_o为第三步中得到初始感知哈希模板，Hash表示计算感知哈希距离；

p_thre和h_thre为跟踪响应值与哈希特征值，当p_thre＜0.5且h_thre＜0.5时，认为当前帧目标跟踪成功，反之则认为跟踪失败、目标丢失。

第九步，若跟踪失败、目标丢失，则进入丢失找回模块：

根据第五步中采用的尺度S，对当前帧I_n进行多尺度全局区块划分，得到每一个对应尺度的区块Z_s，可以表示为Z_s＝I(i:i+w₀,j:j+h₀),i∈0,1,...,w-w₀,j∈0,1,...,h-h₀，其中w与h 表示当前帧的宽与高，w₀与h₀表示分块步长；

根据每个对应尺度的区块Z_s进而可以得到对应所有尺度的区块集合Z，其中， Z＝{Z₀,Z₁,...,Z_s}。

第十步，根据第三步的方法对多尺度区块集合Z求取随机森林特征RF_Z，接着计算RF_Z中所有元素与第三步中得到的RF_P的欧式距离，得到距离最近的区块z_min。

第十一步，根据公式6对区块z_min计算相关滤波响应图P_min，并根据公式7、8判断目标找回是否成功。若成功找回，输出找回目标位置信息并进入第十三步，若找回失败，则返回跟踪失败、找回失败信息，同时回到第九步继续下一帧图像处理。

第十二步，当第九步跟踪成功时，进行跟踪模板更新，公式如下：

H_new＝α*H₀+(1-α)*f_max (10)

其中，H_new表示更新后的初始跟踪模板，H₀表示第三步中得到的未更新模板，f_max表示第七步中得到的成功跟踪区域特征，α＝0.01为更新系数。

第十三步，跟踪流程结束，根据跟踪结果输出跟踪成功/失败、丢失找回成功/失败信息，当跟踪/找回成功时，计算输出当前帧目标相对上一帧目标的偏移量(u,v):u＝x_new-x_old， v＝y_new-y_old，其中x_new、y_new、x_old、y_old分别代表当前帧与上一帧目标区域的中心x、y 坐标，同时输出第八步中得到的当前尺度S_o，其中，S_o被用于后续的无人机飞行控制中的距离判断中。

如图4所示，三张图中黑色框表示加入多尺度跟踪功能的本发明方法的跟踪结果，白色框表示未加入多尺度跟踪功能的目标跟踪方法。对比可以发现，图4a中两种方法结果基本一致，而当图4b中目标远离时，黑色框仍然能够很好地贴合目标轮廓，而白色框由于没有多尺度跟踪功能，其跟踪结果混杂了大量背景从而变得不准确，图4c中目标靠近时的跟踪结果也说明了这一现象。这说明本发明对于复杂背景以及尺度变化等情况具有很好地适应性。

如图5所示，四张图中黑色框表示加入目标丢失找回功能的本发明方法的跟踪结果，白色框表示未加入目标丢失找回功能的目标跟踪方法。对比可以发现，图5a中正常跟踪时两种方法结果基本一致，图5b中目标受到局部遮挡时本发明方法受到干扰较小而白色框不能很好地跟踪目标整体，图5c中目标被完全遮挡，本发明方法进入丢失找回模式不再更新跟踪目标，有效地避免了跟踪模型漂移以及跟错目标，而白色框仍然保持跟踪状态导致目标跟踪错误，图 5d中目标再次出现时，本发明方法能够正确找回目标并重新开始跟踪，而白色框由于之前跟踪错误，后续跟踪模型漂移导致无法正确跟踪上目标。这说明本发明对于目标受到局部、全局遮挡以及背景混淆干扰较大时仍然具有良好的跟踪性能。

以上结合附图描述了本发明的基本原理、主要特征和本发明的优点。

Claims (8)

1.一种长时稳定的无人机目标跟踪方法，其特征在于，包括以下步骤：

第一步，通过无人机机载相机连续拍摄地面图像，任意选取一帧作为跟踪起始帧；并在当前帧内选取待跟踪目标，并在待跟踪目标上加载矩形框作为待跟踪目标框R；

第二步，通过裁剪算法对待跟踪目标框R进行尺度扩大或缩小的优化处理，得到尺度合适的初始跟踪目标框R_o；

第三步，根据第二步中得到的初始跟踪目标框R_o，计算得到初始化感知哈希模板H_o＝R_o；

第四步，以第二步中得到的初始跟踪目标框R_o为中心，分别将其宽w和高h扩大2倍得到拓展的目标区域R_p，分别计算目标区域R_p的HOG特征f_p和目标区域R_p的随机森林特征RF_P；

第五步，在当前帧上对上一帧的目标区域R_po所包含的像素区域通过双线性插值法进行S个不同尺度的尺度变换得到R_s；

第六步，通过第四步分别提取第五步中R_s集合中元素的HOG特征，得到多尺度特征集合f_s＝{f_p0,f_p1,...,f_ps}；

第七步，将多尺度特征集合f_s中的每个元素f_pk,k∈s与第四步中得到的上一帧目标特征f_p0进行相关卷积运算，得到了与多尺度特征集合f_s一一对应的相关卷积响应图集合P_k；

第八步，根据相关卷积响应图集合P_k中所有元素的响应极值r_max，得到r_max所在尺度唯一对应的相关卷积响应图P_max与对应特征f_max；

第九步，计算相关卷积响应图P_max中的响应均值μ_p、响应极大值r_max和响应极小值r_min，并根据响应均值μ_p、响应极大值r_max和响应极小值r_min判断当前帧目标跟踪成功与否，当目标跟踪成功时，执行第十步；当目标跟踪失败时，执行第十一步；

第十步，对目标跟踪模型进行更新，并计算输出当前帧上的目标跟踪框相对于上一帧目标跟踪框的偏移量，同时输出当前尺度S_o；

第十一步，进入丢失找回模块进行找回；

第十二步，若找回成功，则返回第十步，之后继续进行下一帧图像的处理；若找回失败，则返回第十一步，进行下一帧图像的处理。

2.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第二步中，优化处理的具体步骤是：

(1)设初始帧图像为I，则设待跟踪目标框R方框外的像素全部作为背景像素R_b，而方框内的像素全部作为目标像素R_u；

(2)初始化R_b内的每一像素n的标签α_u＝0，而对R_u内的每一像素n的标签初始化为α_n＝1；

(3)通过K-mean算法将R_b与R_u的像素聚类为K类，得到K个高斯模型

其中，μ_k与

分别为G_k的均值与协方差,θ_k为第k个高斯模型的权值；

(4)按照公式(1)对每个像素n分配高斯模型中的高斯分量：

其中，k_n表示像素n由第k个高斯模型生成，μ_n和θ_k分别为对应高斯模型的均值与权值，D_n为混合多高斯模型，其中，

第k个高斯模型的权值θ_k通过公式(2)计算：

其中，U为高斯模型函数，对于给定的初始帧图像I，权值θ_k通过属于该高斯分布的像素个数与初始帧图像I中的总像素个数的比值来确定；

(5)根据公式(1)和(2)计算得到的权值θ_k以及均值μ_k、协方差

对初始帧图像I中每个像素进行标签更新，得到优化后的初始跟踪目标框R_o。

3.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第四步中，

目标区域R_p内的HOG特征f_p的计算步骤如下：

(1)对R_p区域进行彩色-灰度转化；

(2)对R_p区域进行gamma归一化，从而降低图像局部的阴影和光照变化所造成的影响，降低噪声干扰，公式(3)如下：

I(x，y)＝I(x，y)^gamma (3)

(3)计算R_p区域内每个像素I_p的梯度d_x、d_y；

(4)将R_p区域划分为6*6的小块区域C_p，根据每个像素I_p的梯度d_x、d_y统计每个小块区域C_p中像素的梯度直方图作为该C_p的特征；

(5)将每3*3个C_p组成一个区块B_p，将B_p内所有C_p的特征串联起来得到该B_p的特征；

(6)将R_p内所有B_p的特征串联起来得到R_p的HOG特征f_p，完成跟踪模型初始化。

4.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第四步中，目标区域R_p的随机森林特征RF_P的计算步骤如下：

a、根据公式(4)在目标区域R_p内随机选取k组点对，其中，所有点对满足x，y∈R_p：

Pair(x_my_m，x_ny_n)_p∈k＝Pair((I_xm，I_ym)，(I_xn，I_yn)) (4)

其中，I_xm，I_ym表示第m组坐标对应于初始帧图像I中的像素值，I_xn，I_yn表示第n组坐标对应于初始帧图像I中的像素值(x_my_m，x_ny_n)表示一组点对，其对应坐标为(x_m，y_m)，(x_n，y_n)；

b、根据公式(5)计算目标区域R_p的随机森林特征RF_p

RF_p＝{b₁，b₂，...，b_k|b_k＝(I_xm，I_ym)-(I_xn，I_yn)＞0？1：0} (5)

其中，b_k为二进制数，当第k组点对的绝对值大于0时为1，反之为0，k组点对的b_k组成了R_p的随机森林特征RF_p。

5.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第七步中，通过公式(6)计算得到相关卷积响应图集合P_k，其中，P_k＝{P₁，P₂，...，P_k}：

P_k＝F^-1(F(f_pk)·F(f_po)) (6)

其中，F与F^-1分别表示傅里叶变换与逆变换，P_k表示对应元素f_pk的相关卷积响应图，·表示频域点乘。

6.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第九步中，按照公式(7)计算响应均值μ_p：

并根据公式(8)、(9)利用响应均值μ_p、响应极大值r_max和响应极小值r_min判断当前帧目标跟踪成功与否：

h_thre＝Hash(|R_pmax-H_o|) (9)

其中，I(i，j)表示P_max对应的当前帧区域中的任一像素，H_o为第三步中得到初始感知哈希模板，Hash表示计算感知哈希距离，p_thre为跟踪响应值、h_thre为哈希特征值；

其中，当p_thre＜0.5且h_thre＜0.5时，则当前帧目标跟踪成功；反之则跟踪失败、目标丢失。

7.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第十步中，通过公式(10)对目标跟踪模型进行更新：

H_new＝α*H₀+(1-α)*f_max (10)

其中，H_new表示更新后的初始跟踪模板，H₀表示第三步中得到的未更新模板，f_max表示第七步中得到的成功跟踪区域特征，α＝0.01为更新系数；

偏移量u＝x_new-x_old，v＝y_new-y_old，其中x_new、y_new、x_old、y_old分别代表当前帧与上一帧目标区域的中心x、y坐标。

8.根据权利要求1所述的一种长时稳定的无人机目标跟踪方法，其特征在于：第十一步中，进入丢失找回模块进行找回的具体步骤：首先，根据第五步中采用的尺度S，对当前帧I_n进行多尺度全局区块划分，得到每一个对应尺度的区块Z_s；然后计算区块集合Z_s的随机森林特征RF_Z,接着计算RF_Z中所有元素与第三步中得到的RF_P的欧式距离，得到距离最近的区块z_min，根据区块z_min计算相关滤波响应图P_min，以此判断目标找回是否成功。

Images