第6期 李晗，等：仿猛禽视顶盖信息中转整合的加油目标跟踪 ·1089· 低于门限值时，认为目标从当前图像中消失，需 针对自动空中加油问题，搭建了基于旋翼无 要进行再入搜索。以当前帧计算确定的候选响应 人机的空中验证平台。使用两架旋翼机模拟软式 区域中得分最高的区域作为搜索中心，以固定步 空中加油过程中的加油机与受油机。模拟加油机 长为扩大搜索半径，逐步扩大目标搜索区域，直 上搭载锥套标识，模拟受油机搭载摄像头，采集 至找到目标或完成对序列中全部目标的扩大搜索。 加油机与锥套图像，并进行跟踪。跟踪结果如图4 所示。 3仿真实验与结果分析 可以看出，当目标较为稳定地存在于图像中 在视觉目标跟踪(Visual Object Tracking, 时，本文所述方法可以连续并且准确地对目标进 V0T)2017数据集11上对本文算法进行测试，并 行跟踪，如图4(a)所示；即使目标在图像中变得 与ECo、DLTs、互补学习(staple)和全卷积 较小，并且与背景区域相近，本文所述方法仍能 够对实现对目标存在一定形变与误差的跟踪，如 孪生网络(fully-.convolutional siames network,.Siam- 图4(b)所示；当目标从图像中消失时，本方法可 FC)Im进行对比。在使用NMS方法选定候选目 以根据双凹搜索策略，对目标进行扩大范围的搜 标时，留选得分在0.8~0.95之间的目标作为候选 索，如图4(c)所示；当目标再次出现在图像中时， 目标，式(5)中总权重系数设置为0.5，单响应 可以重新搜索得到这一目标，进行继续跟踪，如 区域的权重系数a:设置为1。式(7)中学习率 图4(d)所示。 A-之-1-r其中7=01。对于再人目标的 扩大搜索，根据候选区域的得分，当区域得分小 于0.8时，认为目标从图像中消失，则以这一区域 为搜索中心，68像素为扩大搜索半径在扩大的搜 索范围内重新寻找目标，当得分大于0.95时认为 (a)目标稳定状态 (b)目标距离较远 重新寻找得到目标。结果如表3所示，其中准确 率是指算法目标跟踪结果的精确度，也就是圈选 出的目标框与实际真值之间的交并比。当圈选位 置与目标之间没有重叠时，认为跟踪失败，并在 5帧后重新初始化跟踪器，失败次数占视频总数 的比例就是鲁棒性。平均覆盖率是VOT数据集 (C)目标从图像中消失 (d)目标再入搜索 定义的量化准确率与鲁棒性平衡结果的指标，跟 图4目标跟踪结果示意图 踪精度与连续跟踪帧数都在这一指标中有所体现。 Fig.4 Result of the target tracking 表3算法在V0T2017数据集结果对比 对于目标跟踪的精度进行定量分析，比较每 Table 3 Performance comparison on VOT2017 帧图像中目标的中心坐标和跟踪区域的中心图 跟踪器 准确率 鲁棒性 平均覆盖率 像坐标，计算出两者间的像素误差，所得结果如 ECO 0.48 0.27 0.280 图5所示。 DLT 0.49 0.32 0.267 50 45 SiamFC 0.50 0.59 0.188 Staple 0.52 0.69 0.169 3 本文方法 0.51 0.27 0.317 2 如表3所示，本文所述方法跟踪精度仅略逊 15 于Staple,鲁棒性与ECO相当，但是平均覆盖率结 0 果最好，可见本方法对于精度与鲁棒性的平衡结 40 80 120 160 200 果较好。由于空中加油问题后续对于跟踪区域进 图像帧数F 行进一步的计算，所以跟踪精度并不会对加油任 图5目标跟踪误差曲线 务的完成造成太大影响。 Fig.5 Curve of target tracking error低于门限值时，认为目标从当前图像中消失，需 要进行再入搜索。以当前帧计算确定的候选响应 区域中得分最高的区域作为搜索中心，以固定步 长为扩大搜索半径，逐步扩大目标搜索区域，直 至找到目标或完成对序列中全部目标的扩大搜索。 3 仿真实验与结果分析 αˆ αi βt= ∑t−1 i=0 ( η ·(1−η) −1 )i η=0.01 在视觉目标跟踪 (Visual Object Tracking， VOT)2017 数据集[13] 上对本文算法进行测试，并 与 ECO[14] 、DLT[15] 、互补学习 (staple)[16] 和全卷积 孪生网络 (fully-convolutional siames network, Siam￾FC)[17] 进行对比。在使用 NMS 方法选定候选目 标时，留选得分在 0.8~0.95 之间的目标作为候选 目标，式 (5) 中总权重系数 设置为 0.5，单响应 区域的权重系数 设置为 1。式 (7) 中学习率 ，其中 。对于再入目标的 扩大搜索，根据候选区域的得分，当区域得分小 于 0.8 时，认为目标从图像中消失，则以这一区域 为搜索中心，68 像素为扩大搜索半径在扩大的搜 索范围内重新寻找目标，当得分大于 0.95 时认为 重新寻找得到目标。结果如表 3 所示，其中准确 率是指算法目标跟踪结果的精确度，也就是圈选 出的目标框与实际真值之间的交并比。当圈选位 置与目标之间没有重叠时，认为跟踪失败，并在 5 帧后重新初始化跟踪器，失败次数占视频总数 的比例就是鲁棒性。平均覆盖率是 VOT 数据集 定义的量化准确率与鲁棒性平衡结果的指标，跟 踪精度与连续跟踪帧数都在这一指标中有所体现。 表 3 算法在 VOT2017 数据集结果对比 Table 3 Performance comparison on VOT2017 跟踪器 准确率 鲁棒性 平均覆盖率 ECO 0.48 0.27 0.280 DLT 0.49 0.32 0.267 SiamFC 0.50 0.59 0.188 Staple 0.52 0.69 0.169 本文方法 0.51 0.27 0.317 如表 3 所示，本文所述方法跟踪精度仅略逊 于 Staple，鲁棒性与 ECO 相当，但是平均覆盖率结 果最好，可见本方法对于精度与鲁棒性的平衡结 果较好。由于空中加油问题后续对于跟踪区域进 行进一步的计算，所以跟踪精度并不会对加油任 务的完成造成太大影响。 针对自动空中加油问题，搭建了基于旋翼无 人机的空中验证平台。使用两架旋翼机模拟软式 空中加油过程中的加油机与受油机。模拟加油机 上搭载锥套标识，模拟受油机搭载摄像头，采集 加油机与锥套图像，并进行跟踪。跟踪结果如图 4 所示。 可以看出，当目标较为稳定地存在于图像中 时，本文所述方法可以连续并且准确地对目标进 行跟踪，如图 4(a) 所示；即使目标在图像中变得 较小，并且与背景区域相近，本文所述方法仍能 够对实现对目标存在一定形变与误差的跟踪，如 图 4(b) 所示；当目标从图像中消失时，本方法可 以根据双凹搜索策略，对目标进行扩大范围的搜 索，如图 4(c) 所示；当目标再次出现在图像中时， 可以重新搜索得到这一目标，进行继续跟踪，如 图 4(d) 所示。 (a) 目标稳定状态 (b) 目标距离较远 (c) 目标从图像中消失 (d) 目标再入搜索 图 4 目标跟踪结果示意图 Fig. 4 Result of the target tracking 对于目标跟踪的精度进行定量分析，比较每 一帧图像中目标的中心坐标和跟踪区域的中心图 像坐标，计算出两者间的像素误差，所得结果如 图 5 所示。 50 45 40 35 30 25 20 15 10 5 0 40 80 120 160 200 图像帧数/f 中心坐标误差/pix 图 5 目标跟踪误差曲线 Fig. 5 Curve of target tracking error 第 6 期 李晗，等：仿猛禽视顶盖信息中转整合的加油目标跟踪 ·1089·