基于改进Mean—Shift算法的四旋翼无人机目标检测与跟踪

宋昭玮　梁天谊　顾佳欣　苏婷婷

摘 要 四旋翼无人机目标的检测与跟踪是当前机器视觉领域中的一个研究热点，本文给出了一种基于改进Mean-Shift算法的四旋翼无人机目标检测与跟踪方案。首先根据目标的外观及其运动特征等信息建立相应的目标函数，然后计算彩色空间的直方图特征，结合改进Mean-Shift算法和模板匹配法对目标进行检测与跟踪。实验结果表明，本文所提的方案能够有效检测目标，并能较稳定地跟踪目标。

关键词 四旋翼无人机 Mean-Shift 模板匹配法 彩色空间

0 引言

随着信息技术的不断发展，四旋翼无人机逐渐成为了机器视觉领域的一个研究热点，各國也都在研究如何让四旋翼无人机更加智能化，四旋翼飞行器拥有控制灵活、体积小、重量轻、稳定性好等优点，无论是在军事上还是民用上都能有广泛的应用前景，其中比较热门的应用就是四旋翼无人机与机器视觉相结合。机器视觉是当前人工智能方面的一个重要的分支学科，主要是将被检测物体转换为图像信号传送给图像处理系统，利用机器视觉代替人眼对目标物体进行摄取和检测。图像处理和模式识别等技术的快速发展有力推动了机器视觉的发展，这些科技的进步为无人机的应用奠定了良好的基础。

Mean-Shift算法属于热门目标跟踪算法之一，它的优点是不需要任何先验知识，比较简单，而且可以快速的完成整个过程，Mean-Shift算法作为一种非参数估计的方法不需要给出聚类中心个数，对聚类形状也没有要求，有效减少了目标检测的难度和时间，在目标区域固定的情况下，完全可以做到实时跟踪，对边缘遮挡、目标旋转、变形和背景运动不敏感，是目标检测与跟踪的一个性能良好的算法。然而，传统的Mean-Shift算法在进行目标跟踪过程中是基于目标模型不会发生改变的假设，但是在现实生活中，这一假设往往具有一定的局限性。本文引入混合高斯建模对目标模板进行更新，给出一种改进的Mean-Shift算法，有效提高系统的跟踪性能。

1 基于改进Mean-Shift算法的四旋翼无人机目标检测与跟踪

1.1 图像预处理

在目标检测与跟踪中，图像识别是不可缺少的一环，为了减少外部环境对图像质量造成的干扰，我们需要对四旋翼无人机搭载的摄像头采集到的图像进行预处理。由于无人机图像采集是在动态飞行过程中进行，机器本身的振动会导致图像出现一定程度的动态模糊，为了减少图像处理的难度和复杂度，本文首先对无人机采集到的图像进行去模糊处理，具体过程如下：运用radon变换对图像进行旋转校正，再利用自相关函数对图像的运动模糊长度进行估算，确定好点扩散函数后对图像进行维纳滤波以复原图像。

在完成去模糊处理后，进一步对图像进行去噪。均值滤波法将灰度图像中的噪声去除，这样能够有效增加采集到的图像的清晰度，然后将处理后的灰度图像进行形态学处理。本算法中的形态学处理具体实施过程如下：首先通过腐蚀操作来消除图像中的细小点，然后利用膨胀操作来填充图像的孔洞，最后通过开闭操作来平滑检测物体的边缘及其轮廓，从而达到减少随机少量噪声孤立点的出现和填补目标区域空洞的效果，使处理后的目标图像更加清晰，便于识别。

1.2 改进的Mean-Shift算法

Mean-Shift算法，也被称为“均值飘移”算法，是1975年Fukunage等人最先提出的，Cheng等于1995年将其应用至目标检测与跟踪方面，目前该算法已被进一步改进后广泛应用于图像的平滑处理、目标跟踪、图像分割等领域。Mean-Shift算法的具体实施步骤如下：首先，在初始时刻计算出均值偏移的向量值的大小，然后将给定点处的值代入上述向量进行计算，最后将计算出的结果与设定的阈值进行比较，当结果小于阈值时结束迭代过程，其中阈值是一个较小的数，可以根据实际需要来设定。针对本文中四旋翼无人机摄像头捕捉的彩色图像，结合Mean-Shift算法选择鲁棒性较好的颜色特征建立相应的模型至关重要，能够有效捕捉目标物本身的外观及其运动状态的变化，进而实现有效的跟踪。传统的Mean-Shift算法是假设目标模型在跟踪过程中不会发生改变，跟踪过程中自始至终均采用初始目标模型，为了提高跟踪精度和效率，本文将混合高斯模型用于目标模板的更新，使跟踪过程中模板能够自适应选择，以适应环境的变化。混合高斯建模的步骤如下：初始化参数、更新参数、归一化和排序权值以及产生背景模型和目标前景识别。

1.3 目标检测与跟踪

利用的Mean-Shift算法进行运动目标的检测与跟踪的具体的实施过程如下：在初始时刻，针对目标物选定合适的跟踪窗口，这里的窗口大小一般取核函数的宽度，利用目标的外观及其运动特征等信息建立相应的目标函数，根据改进Mean-Shift算法中的偏移向量从起始的基准处，进行多次迭代和移动的计算，使得其收敛于目标物所在的区域位置，实现对目标物的识别与跟踪。为了增强特征的鲁棒性，提高目标检测与跟踪的精度，本文还将彩色空间的直方图特征考虑进来，对四旋翼无人机采集到目标的每个颜色通道，计算相应的直方图特征，利用图像处理领域的模板匹配法，根据预设的相似度阈值，判定目标物及其位置信息。通过将改进Mean-Shift算法与模板匹配法进行结合，可以有效提高目标识别与跟踪的准确率，使得目标跟踪更加稳定。

在利用四旋翼无人机对目标物体跟踪的过程中，如何来矫正姿态也是非常重要的一环，众所周知，无人机有两个对姿态控制起主要作用的传感器，分别是加速度传感器和角速度传感器。因为加速度传感器的参考力方向是重力方向，理论上它可以测量出物体的绝对姿势，但是它无法区分重力加速度和外力加速度，所以加速度传感器的姿势输出并不适合短时间内的运行。在了解了这两个传感器的特点后，本文在矫正无人机姿态的过程中，短时间内的矫正用角加速度的值，长时间内的矫正用加速度的值。具体的姿态矫正过程如下：首先，我们要对角速度传感器输出的角速度和时间做积分运算，得到的结果就可可供四旋翼无人机的平衡系统使用，然后，利用已知的物体的初始姿态，就能得到物体的最终姿态。

2 结束语

本文给出了一种基于改进Mean-Shift算法的四旋翼无人机目标检测与跟踪方案。该方法结合改进Mean-Shift算法和模板匹配法的优势对目标进行检测与跟踪。实验结果验证了本文所提方案能够有效检测目标，并能较稳定地跟踪目标。

参考文献

[1] 马良，穆朝絮，杨万扣，等.四旋翼无人机目标跟踪系统设计[J].控制工程，2015.22（6）：1076-1081.

[2] 王海罗.基于视觉感知的无人机目标识别与跟踪技术研究[D].北京理工大學，2015.

[3] 方旭，刘金琨.四旋翼无人机三维航迹规划及跟踪控制[J].控制理论与应用，2015.32（8）：1120-1128.

[4] 刘洪生.基于机器视觉的无人机目标跟踪研究[D].昆明理工大学，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.