[发明专利]基于四轴飞行器的便携式目标跟踪方法及系统

说明书

技术领域

本发明涉及目标检测与跟踪技术领域，尤其涉及一种基于四轴飞行器的便携式目标跟踪方法及系统。

背景技术

在执行一些特定任务的过程中，如反恐防暴、航空摄影、交通监控、抗灾救援等，往往需要能够对特定的目标进行自主跟踪，并将目标的有关信息传送回指挥中心，利用无人机和计算机视觉处理技术来实现目标的自主跟踪飞行及目标的信息反馈，不仅能够有效减少人员伤亡，还能够降低对财力和物力的损耗。

现有技术中，由于检测与跟踪算法以及控制算法的限制，跟踪的准确性及跟踪效率并不高，且对于复杂情形下目标跟踪的控制精度低。跟踪目标飞行需要解决运动目标检测与跟踪的问题，使得无人飞机能够识别并跟踪车，TLD（Tracking Learning Detection）算法是一个基于追踪、检测和学习的长时跟踪目标的算法，将检测器和跟踪器结合在一起并且能够随时对跟踪结果进行评估和学习，从而实现更好的长时跟踪，同时TLD算法具备很强的学习恢复能力，具有很强的鲁棒性。

如图1所示，TLD算法实现流程，分为三个部分：跟踪、学习及检测，首先选择跟踪目标进行初始化，对初始化目标进行学习之后进行检测和跟踪，对检测与跟踪的结果进行融合，判断结果融合的有效性，如果有效则对跟踪的目标进行学习，否则继续对下一帧图片进行检测和跟踪。

TLD算法中使用光流法进行跟踪，经过亮度和尺寸归一化之后采用模版匹配算法进行目标检测。光流法是一个不需要目标物的先验信息的递归跟踪器。在模版匹配算法中，将提取出的模板中包含目标的作为正模板，背景不含有目标的模板作为负模板，并将正模板与负模版分开进行存储构成待匹配的模板。模板匹配过程为目标检测的基础，其运行过程与目标跟踪相互独立。在TLD算法中使用了基于2位二进制(2-bit-binary)随机蕨算法(random fern classifier)和固定的单模板，目标检测采用级联的方法且通过前景检测、方差过滤、集合分类和模板匹配四个过滤条件来提高检测速度。

然而TLD算法在对运动的目标进行检测时，由于检测与跟踪算法计算量大、执行速度低，特别是算法中的目标检测部分为最耗时的部分，模板匹配算法需要进行大量的计算，每个检测图像的每个像素点都需要与模板的每个像素点进行计算从而得到匹配结果，使得TLD算法的运行速率低，影响目标检测和跟踪的准确性及效率。TLD算法的跟踪部分则适用于运动较慢的目标，运算的速度越快，目标在相邻帧之间的运动距离就越短。

现有技术中，对跟踪目标的飞行器的控制可以采用PID控制器来实现，PID（比例-积分-微分）控制算法将偏差的比例（P）、积分（I）和微分（D）通过线性组合构成控制量，用这一控制量对被控制对象进行控制。PID控制器结构简单，参数容易调整，是控制系统中技术比较成熟，而且是应用最广泛的一种控制器。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、执行速度快、跟踪的准确性高且能够进行自动搜索和跟踪的基于四轴飞行器的便携式目标跟踪方法及系统。

为解决上述技术问题，本发明提出的技术方案为：

一种基于四轴飞行器的便携式目标跟踪方法，步骤为：

（1）四轴飞行器实时跟踪并采集目标的图像，将采集的图像数据进行视频压缩后输出；

（2）接收视频压缩数据并进行解压，根据解压的图像数据采用TLD算法进行目标的检测、跟踪，并独立执行解压的图像数据与图像模板的匹配；当检测到目标时，输出检测到的目标位置；

（3）根据检测得到的目标位置采用PID算法计算得到控制参数，并根据四轴飞行器的飞行状态设置PID算法中的PID系数，由控制参数控制四轴飞行器执行相应的飞行动作。

作为本发明方法的进一步改进：所述步骤（1）中视频压缩采用P264格式。

作为本发明方法的进一步改进：所述步骤（2）中TLD算法采用简化的过滤条件，所述简化的过滤条件为方差过滤和集合分类。

作为本发明方法的进一步改进，所述方差过滤的具体实现方法为：采用方差最小值过滤条件对图像数据进行滤波后，滤除方差大于目标窗口方差的2倍的子窗口。

作为本发明方法的进一步改进：所述步骤（2）中解压的图像数据与图像模板的匹配采用FPGA执行。