Real-time Detection and Tracking Method of Landmark Based on UAV Visual Navigation

Jing Li,Xiaodong Ma,Huaimin Chen,Xiaojun Duan,Yanlong Zhang

doi:10.1051/jnwpu/20183620294

Abstract

A real-time detection and tracking method of landmark based for UAV visual navigation and fixed landing was proposed. This method used the SVM classification algorithm to train the offline classifier based on SURF-BoW features extracted from samples, which can recognize the landing landmark accurately and complete the initialization of the tracker. Afterwards, tracked the landmark via the improved median flow algorithm to ensure the reliability and integrity of the tracking target. Finally, based on the classifier and the principle of similarity between two adjacent frames' target, this paper designed a target re-search algorithm to ensure that the target can be retrieved quickly even if the target is lost or the target tracking fails, which makes the entire set of algorithm track the target accurately for a long time. The experimental results show that the proposed algorithm has good tracking performance under the conditions of the change of target scale, illumination changes and motion blur.

Highlights

A real⁃time detection and tracking method of landmark based for UAV visual navigation
This method used the SVM classification algorithm to train the offline classifier based on SURF⁃BoW features extracted from samples
this paper designed a target re⁃search algorithm to ensure that the target can be re⁃ trieved

Summary

Introduction

摘要:以改进的中值流跟踪算法为核心,基于上下文信息相关性特点,提出了一种适用于无人机视觉导航定点着陆的着陆地标实时检测跟踪方法。以 SURF⁃BoW 特征来描述样本图像,基于支持向量机(SVM)进行离线分类器训练,用于准确的识别目标,完成跟踪目标初始化。之后,利用改进后的中值流跟踪算法进行目标跟踪,保证目标跟踪的可靠性、完整性。最后,基于相邻 2 帧目标相似性原则与线下训练的分类器,设计目标再搜索算法,保证在目标丢失或目标跟踪失败的情况下,仍然能够快速地找回目标,使得整套算法能够长时间准确地跟踪目标。实验结果表明,该算法在目标尺度变化、光照变化及运动模糊等情况下,都能够实时、稳定地跟踪目标。关键词:中值流跟踪算法;上下文信息;SURF⁃BoW 特征; 视觉导航;实时跟踪中图分类号:TP391.4 文献标志码:A 文章编号:1000⁃2758(2018)02⁃0294⁃08 近年来,人们针对视觉跟踪问题提出很多算法, 但现有的算法在解决无人机定点着陆过程中的长时间实时视觉跟踪问题上仍存在不足。早期的基于模板匹配的跟踪是通过选择性地更新模板来描述相似性,从而找到最优的跟踪结果[4] 。此类方法虽然对于目标的外观变化有一定的鲁棒性,但没有充分利用目标的特征信息,且模板更新存在误差,故无法长时间稳定准确地跟踪目标。基于稀疏表示 ( sparse representation) 的方法是另一种常用的跟踪方法[5⁃6] ,但此类方法计算密集,没有充分利用上下文信息,无法保证长时间目标跟踪的稳定性与准确性。 tracking⁃by⁃detection 是通过在线学习模式 ( 如 SVM[7] ,boosting[8] ) ,在序列图像中进行目标与背景的分类检测,从而达到目标跟踪的目的。但此类方法耗费时间较长,无法满足实时性的要求。 Kalal 等人对光流法进行改进, 设计出一种中值流跟踪器[9] 。该跟踪器跟踪性能较好,提高了目标跟踪的可靠性与实时性;但没有充分利用上下文信息,且无法在目标消失后重新找回目标。对此,Kalal 等人在中值流跟踪器的基础上, 提出了 tracking⁃learning⁃ detection( TLD) 跟踪算法[10] ,此算法鲁棒性较高,通过在线训练多个专家模型( multiple experts) ,综合判断并纠正当前跟踪结果, 保证目标跟踪的准确性。但此算法由于需在线训练多个专家模型,故实时性较为一般,不满足无人机基于视觉进行顶点着陆对于视觉跟踪算法实时性的要求。本文基于上述背景分析,利用以 SURF⁃BoW 特征进行线下训练的 SVM 分类器进行跟踪器初始化, 收稿日期:2017⁃06⁃02 基金项目:中航工业产学研专项( cxy2014XGD08) 、航空科学基金(20162053021) 、国家自然科学基金青年项目(51705424) 、中央高校基本科研项目(3102016ZY013) 与 111 引智项目 ( B13044) 资助作者简介:李靖(1982—) ,女,西北工业大学博士研究生,主要从事无人装备控制与图像引导算法研究。

Results

Conclusion