论文部分内容阅读
随着无人机技术的不断成熟和相关产品价格的大幅下降,各类型无人机已被应用于不同领域。小型无人机目标具有尺寸小、飞行速度多变、飞行环境复杂等特点,使得光学图像或视频中小型无人机目标的检测与跟踪成为典型的复杂环境弱目标检测与跟踪问题,是基于光学传感器运动目标检测与跟踪的难点技术问题。由于雷达探测和无源定位只能粗略获取无人机目标的位置信息,通过研究基于光学视频的无人机目标检测与跟踪方法,可以获得目标的几何轮廓信息,并实现识别与跟踪。本课题研究了基于视频的小型无人机目标检测与跟踪方法,主要内容包括视频图像预处理、视频场景分析、视频中运动无人机目标检测以及基于核相关滤波(Kernelized Correlation Filter,KCF)无人机目标跟踪。本文的主要工作与贡献主要有:(1)对无人机飞行的各类视频背景进行分析,在总结现有视频图像预处理以及目标特征提取方法的基础之上,结合无人机目标的特点,对视频进行二值化、图像增强、形态学等处理,使得目标某些局部特征更加明显。(2)针对实际系统中对无人机目标检测与定位在准确率和实时性方面较高的要求,本文分别对比了传统的运动目标检测方法和需离线训练的有监督的目标检测方法,包括帧间差分法、背景减除法以及基于二值化正则梯度(Binarized normed gradients for objectness estimation,BING)的快速检测方法,通过加入自己的图片库,采用基于二值化正则梯度的监督型检测方法,离线训练出对应场景的模板模型,然后可迅速检测到视频中某个时刻的无人机目标,准确率高达85%。(3)在基于检测的跟踪方法基础之上,针对目标尺寸变化大、运动速度快、运动方向易改变等问题,提出了一种基于TPD(Trajectory Prediction and Detection of correction,TPD)的可相关滤波无人机目标快速跟踪方法,加入位置预测、尺度自适应以及检测辅助校正,最大程度提高跟踪的准确性和鲁棒性。同时,与常用的粒子滤波跟踪方法和TLD跟踪方法进行对比分析,可以看到本文的跟踪方法具有更低的丢帧率和更好的实时性,实际应用过程中具备较强的适应性与鲁棒性。