无人机对单目标车辆跟踪方法研究

侯英娟 吕艳辉 徐子睿

摘 要 目标跟踪一直以来都是计算机视觉领域的关键问题，随着社会的快速发展，车辆日益增多，智慧交通越来越重要。对车辆的跟踪也逐渐深入。同时，随着无人机技术的飞速发展，无人机由于可以降低成本、提高工作效率，所以对无人机跟踪单目标车辆进行了研究。由于，车辆在行驶过程中会出现遮挡问题，大大提高了识别精度的难度，提出了一种基于深度学习检测算法的目标跟踪。为解决车辆在行驶过程中可能出现遮挡问题等一些复杂情况下提供很好的鲁棒性。

关键词 目标识别深度学习;无人机;车辆;变化

引言

随着无人机技术的飞速发展，将无人机应用到各个领域代替人工操作可以降低成本、提高工作效率。无人机识别目标车辆，能更加灵活的对地面车辆进行跟踪。本文提出一种采用基于深度学习目标检测算的目标跟踪算法，大大提高了目标车辆在出现遮挡问题和光照问题在跟踪时的准确精度[1]。

1目标跟踪算法

无人机对目标车辆跟踪，由于车辆在行驶过程会出现目标遮挡问题和光照问题下能尽可能地实现对车辆的识别与定位跟踪。所以在此文中对地面所有车辆进行跟踪，把目标车辆从复杂背景下提取出来。采取深度学习模型在目标特征提取方面的优势，过滤掉一部分非目标类别，有效解决了对在复杂背景下行驶的车辆进行跟踪并且算法速度快，提高了检测速度。

2YOLOv3目标检测算法

2.1 YOLOv3目标检测算法原理

yolov3算法在小目标检测上也有更好的表现，主要由于它借助于特征金字塔网络（FPN，Feature Pyramid Network）的思想，在3种不同的尺度上进行特征提取;yolov3算法在检测物体的分类上提高了准确度，主要它采用独立的逻辑回归器取代softmax，能够实现使用多标签分类。yolov3采用的是全卷积神经网络来提取图像特征，该网络由一系列良好表现的3x3和1x1的卷积层构成，共有53个作者称之为Darknet-53[2]。

Darknet53借鉴了残差（ResNets）神经网络的思想，由5个残差块构成。每个残差块（ResNets）由多个残差单元（ResNets）组成，通过输入与两个DBL单元进行残差操作构建了残差单元。其中，DBL单元包含卷积层、批归一化层（Batch normalization）和激活函数（leaky relu），通过引入残差单元使得网络深度可以更深，避免梯度消失。

3单目标筛选算法研究

在设计目标跟踪算法时，当多个目标候选框被检测出来之后，需要被检测出来的目标与目标模板做筛选，以便在序列图像中找到与模板最相似的候选框作为跟踪目标。本课题采用筛选所依赖的特征采用HSV颜色直方图特征相似度和LBP直方图特征相似度的权重做目标筛选算法[3]。

HSV空间特征是全局性的特征，其能够较好地表示目标形状的整体信息，对形态变化较大的目标来说鲁棒性很好。因此选择HSV空间特征。LBP（local Binary Pattern，局部二值模式）特征用来描述图像的局部纹理特征，可以用于人脸识别、目标识别等，优点是灰度不变性和旋转不变、执行LBP特征的运算量小，有利于提高筛选速度。筛选后，取相似度最高作为跟踪目标并标注。

HSV直方图相似度和LBP直方图相似度按照巴氏相关系数公式计算：

其中，H1、H2分别表示候选框车辆和模板车辆的HSV特征直方图向量，N表示直方图bin数目，表示中序号为J的bin的HSV颜色向量统计值;L1，L2分别表示候选车辆和模板车辆的LBP特征直方图向量，M表示直方图bin数，，表示中序号为J的bin的LBP特征向量统计值。代表第i个候选目标相似度，，分别代表HSV与LBP的权重系数[4]。

4结束语

本文针对的是无人机对单目标车辆进行跟踪，由于车辆行驶过程中产生的目标遮挡和不同光照引起的颜色变化，出现的跟踪精度下降问题。提出的基于深度学习的目标检测算法结合目标筛选，来提高跟踪的精度。基于深度学习的目标检测，可以把地面车辆在复杂背景下提取出來，优点是：为了降低目标筛选的难度和解决目标的遮挡问题。使用目标筛选，可以在检测出来的所有车辆种进行对目标的筛选。

参考文献

[1] 刘亚伟，李小民.无人机航拍视频中目标检测和跟踪方法综述[J].飞航导弹，2016（9）：53-56，70.

[2] 白金涛.视频序列中运动目标跟踪算法的研究[D].天津：天津大学，2009.

[3] 李大伟.固定翼无人机地面车辆目标自动检测与跟踪[D].北京：中国科学院大学（中国科学院国家空间科学中心），2017.

[4] 徐旭.复杂环境下的车辆目标跟踪技术研究[D].长春：吉林大学，2013.