追踪过程中的无人机目标重定位方法研究

刘云平， 朱帅晖， 张婷婷， 许 军

(1.南京信息工程大学 自动化学院， 南京 210044； 2.陆军工程大学 指挥控制工程学院， 南京 210017)

1 引言

近年来，无人机作为成本低，机动性及可扩展性强的载体，在作战中利用计算机视觉进行目标追踪[1-3]成为热点问题。然而无人机在战场环境执行任务时面临着两大挑战，环境因素影响：严重遮挡、光照变化、距离突变等带来的目标丢失；目标与自身带来的挑战：目标的几何变形、旋转和无人机姿态变换等造成的追踪失败。

针对上述挑战，早期的学者们基于传统图像处理方法提出了多种追踪器，根据目标外观模型表达的不同，可分为生成模型和判别模型两类。生成模型广泛应用于高精确度的研究，如LIU等[3]提出了一种基于混合模型的在线学习追踪算法；叱干鹏飞等[4]提出了基于全局搜索的实时分布场目标追踪方法。而判别模型在高速性及节省资源上有明显优势，其代表算法即2014年Henriques等提出的核相关滤波算法Kernel Correlation Filter(KCF)[5]。ZHAO等[6]采用局部稀疏编码作为PF的外观模型，利用改进的模型捕捉目标尺度变化，加强了模型对多尺度目标的追踪能力。WANG等[7]通过研究局部模型，设计出一种感知目标局部信息的核相关滤波器算法，算法的鲁棒性获得了较大的提升。李健宁等[8]在多尺度下改进颜色特征有效提升了尺度变化下跟踪器的鲁棒性。随着深度学习的发展，先在大规模图像数据集上训练样本，再利用分类器识别追踪目标[9-10]也成为了热点方法之一。……