一诺

智能无人机目标跟踪系统是一个传感器、飞行器姿态、目标以及环境不断变化的动态系统。而动态数据驱动系统（DDDAS）概念就是集成各种资源的实时动态系统。本文详细介绍了智能无人机目标跟踪系统的技术组成，给出了一种基于DDDAS概念的智能无人机目标跟踪系统设计框架。

移动目标的自动识别与跟踪技术是无人机自主进行环境感知以及实现自主指挥控制的基础。通常，无人机通过搭载传感器设备或者借助地面部署的传感器设备对探测区域环境进行数据采集，机载计算平台通过对目标区域的数据信息进行融合并分析，然后借助于相关的视觉算法以识别目标，并通过目标轨迹预测算法不间断地跟踪目标，为后续的任务提供信息。显然，提升目标识别和跟踪技术的自主性与稳定性，对于保障无人飞行器完成任务的精准度以及自身存活率都至关重要。目前，目标识别与跟踪技术已广泛用于美军无人机中。

技术背景

美军“捕食者”无人机（左）和“全球鹰”无人机（右）。

无人机实施目标识别跟踪任务从系统角度出发可以分为设备层、数据层、信息层和指控层四个层面。其中，设备层是指无人机集成系统的所有设备，包含传感器系统、计算处理系统、飞控系统以及其他一些平台；数据层包含对传感器采集的数据进行转换/存储、融合等预处理操作；信息层是指通过一定的算法对多源异构数据进行分析和理解，从时间、空间等方面与目标进行关联；指控层则是指基于目标识别信息，对设备层进行控制使其不间断的跟踪目标。由于地面目标以及飞行器自身始终处于不断移动过程中，因此用于识别的传感器系统以及飞行器飞控系统需要不断调整观测方位以提高跟踪的精度。当前，超光谱成像技术被用来提高目标跟踪的精度，致使数据总量大幅提升，带来数据传输、存储的时间消耗增加，跟踪应用模型则需要花费更多的时间来对目标的运动轨迹进行预测，往往会导致图像的跳动、模糊或者目标丢失等问题。

动态数据驱动应用系统（DDDAS）概念的出现使得传感器平台与计算处理平台的集成得以实现。DDDAS创新了一种新的模式，即通过动态回路将测量数据应用于仿真模拟的同时控制应用系统设备执行数据的测量。换句话说，传感器被安排在目标区域执行侦察任务并且传感器的姿态会跟随飞行器和目标的位置变化而变化。通常情况下，传感器感知外部环境数据，然后经过数据预处理后，进行信息融合，以得到当前目标的状态信息。然后，控制平台按照内置的策略数据库的内容通过内置的算法对资源进行管配和任务规划，因此，无人机目标跟踪系统适用于DDDAS框架。一个智能化的跟踪系统是由自动目标识别系统（ATR）、目标的轨迹预测模型以及联合观测与计算的智能无人机控制算法组成。

（上）智能无人机目标跟踪体系框架。

（中）一般DDDAS框架图。

（下） ATR系统组成。

自动目标识别系统

无人机中的自动目标识别（ATR）系统是无人机光学系统的核心部分，为无人机实现目标探测、侦察监视提供了有力支持。ATR技术的水平很大程度决定了无人机的智能水平。当前无人机自动目标识别系统主要由信息采集设备、信息存储设备和信息处理机组成。

ATR系统的信息采集设备主要是光学图像采集设备（如高频成像设备、红外成像设备等）实现对目标图像的采集。ATR核心部分主要是图像识别算法，它通过对图像中物体提取的特征与待识别目标的特征进行匹配来检测出目标并进行跟踪。常用的目标识别方法有以下几种：

（1）经典的统计模式识别方法

该方法主要是利用目标特性的统计分布，依靠目标识别系统的大量训练和基于模式空间距离度量的特征匹配分类技术，可在较窄的场景定义域内获得较有效的识别。该方法是早期使用的方法，仅在很窄的场景定义域内，且在目标图像和周围背景变化不大的情况下才比较有效，难以解决姿态变化、目标污损变模糊、目标部分被遮蔽等问题。

（2）基于知识的自动目标识别方法,

20世纪70年代末，人工智能专家系统开始应用到ATR的研究,形成了基于知识的ATR，即知识基（Knowledge Based，KB）系统。基于知识的算法在一定程度上克服了经典统计模式识别法的局限性和缺陷,该方法目前存在的主要问题是可供利用的知识源的辩识和知识的验证很困难,同时难以在适应新场景中有效地组织知识。

（3）基于模型的自动目标识别方法

模型基（Model Based，MB）的方法首先是将复杂的目标识别的样本空间模型化,这些模型提供了一种描述样本空间各种重要变化特性的简便途径。典型的MB系统抽取一定的目标特性,并利用这些特性和一些辅助知识来标记目标的模型参数,从而选择一些初始假设,实现目标特性的预测。MB系统的最终目标是匹配实际的特性和预测后面的特性,若标记准确,匹配过程则会成功和有效。该方法目前尚限于实验室研究阶段。

（4）基于多传感器信息融合的自动目标识别方法

单一传感器的导引头在有光、电干扰的复杂环境中,目标搜索和知识识别的能力、抗干扰能力及其工作可靠性都将降低。20世纪80年代兴起的基于多传感器信息融合ATR方法克服了单一传感器系统的缺陷,每个传感器将数据馈入各自的信号处理机,先分别进行目标检测,得出有无目标的判决以及目标的位置信息或运动轨迹,然后将这些信息送入数据融合单元,对目标位置或运动轨迹进行关联后再做进一步的判决。

（左）四旋翼无人机自动跟踪系统。

（右）基于DDDAS的智能无人机目标跟踪系统框架。

（5）基于统计学习的自动目标识别方法

基于统计学习的方法是通过对大量目标样本和非目标样本的学习得到一系列的统计特征,然后根据这些特征构建相应的模型,用于检测和识别目标。与基于知识特征方法最大的不同就在于构建模型的参数是从大量样本中提取的统计特征，能够更好地反映样本间的本质区别，具有更好的鲁棒性。当前，ATR的核心技术聚焦在如何有效的提取和选取识别目标特征上，而基于深度学习的统计学习自动识别法因为算法的高效性以及鲁棒性正在逐渐成为主流。

在复杂的环境下辨别出目标之后，下一步就是对目标的跟踪监视。智能无人机的地面目标跟踪系统分为两个部分：第一部分由视觉信息处理和摄像机姿态控制器组成，控制器根据目标图像等信息调整摄像机的姿态使目标始终位于摄像机的视野范围内，实现视觉跟踪；第二部分由无人机轨迹规划和机载飞行控制器组成，即首先根据自身的飞行位姿和摄像机的姿态等信息估计目标的位置，然后规划飞行轨迹，最后控制无人机跟踪该轨迹实现目标跟踪飞行。

目标跟踪系统

目标跟踪的目的就是通过对摄像头获得的图像序列进行分析，计算出目标在每一帧图像上的二维位置坐标，并根据不同的特征值，将图像序列中不同帧内同一运动目标关联起来，得到各个运动目标完整的运动轨迹，即在连续的视频序列中建立运动目标的对应关系。简单来说，就是在下一幅图像中找到目标的确切位置。这就涉及到摄像机姿态控制以提前预测目标在下一时刻的运动轨迹。目前，目标跟踪方法大体上可以根据任务目标的不同分为基于区域的跟踪、基于轮廓的跟踪、基于特征的跟踪和基于运动特性的跟踪。

（1）基于区域的跟踪

依靠目标区域的信息，如颜色、纹理或基于运动的属性进行跟踪。基于区域的跟踪方法使用运动估计或分割的技术，对目标的跟踪基于在不同时刻相关联的目标区域的对应。这种操作通常非常耗时，需要对整个区域进行点对点的相关计算，可以利用参数化的运动模型进行加速，使用较小的参数集合来对目标运动进行描述，利用整个区域提供的信息而增加鲁棒性。基于区域的跟踪法适用于刚体和非刚体运动，通过结合多种信息一般可得到较好的跟踪效果。

（2）基于轮廓的跟踪

基于轮廓的跟踪思想是利用物体的边界轮廓作为模板，在后继帧的二值边缘图像中跟踪目标轮廓，并且该轮廓能够自动连续地更新。相对于基于区域的跟踪方法，轮廓跟踪方法在计算量较小的情况下基本上可以达到较好的匹配效果，如果开始能够合理地分开每个运动目标并实现轮廓初始化的话，既使在有部分遮挡存在的情况下也能连续地进行跟踪，但是这种方法的一个主要问题是易受到噪声的干扰，如果背景中出现和目标的统计特性相近的区域，那么跟踪就会失败，并且目标外轮廓的初始化也是比较困难的。

（3）基于特征的跟踪

这种方法包括特征的提取和特征的匹配两个过程，一般可供提取的特征包括角点、线段、纹理、质心、小面或局部能量等。在基于特征的目标跟踪中，图像特征的标准化和参考点的配准对准是很重要的，可能需要将图像转换到另一个空间中以处理亮度、大小和定向的变化。提取一个或一个以上的特征并根据这些特征对感兴趣的目标进行模型化。其优点是，即使场景中出现部分遮挡，只要有一些特征点可见，仍可以保持对运动目标的跟踪。采用基于特征的方法计算量明显小于基于区域和边缘轮廓的方法，较适用于实时系统中。但在跟踪过程中，存在遮挡和噪声等原因造成的特征消失或出现虚假特征以及消失的特征再现等问题。另外，该方法需要进行特征聚类，从众多的特征中分析出哪些是属于同一个目标的。因此选取出具有代表性的特征点也是这个算法的主要困难。

（4）基于运动特性的跟踪

基于运动特性的目标跟踪算法复杂度比较低。一般可分为两种：一种是依据目标运动的连续性进行关联的算法,被用在多种跟踪算法相融合的场合，只需要较少的运算就可以大大提高跟踪的准确性另外一种是运动预测跟踪算法，可以估计目标在下一时刻可能的位置，然后以这个估计的位置为中心，再扩展到一定的区域内进行目标搜索，由于缩小了目标的搜索范围，从而提高了目标的跟踪速度。通过预测目标位置来进行跟踪最大的特点是一方面可以减小搜索范围，另一方面又可以在一定程度上解决了遮挡问题。在较多的场合中经常使用滤波来实现目标短暂丢失情况下的精确预测和缩小搜索范围。基于运动特性跟踪方法的缺点是在处理非刚性运动或非刚性目标时存在一定困难。

基于DDDAS的目标跟踪系统框架图。

根据不同的目标跟踪算法预测出目标的可能轨迹之后，需要调整飞行器的飞行状态以及摄像头的探测姿态，该部分涉及多体系统的姿态控制，需要仔细设计智能无人机的目标跟踪控制系统。

无人机的观测与其运动状态（位置和方向）密切相关。但是，无人机只能在严格的物理约束条件下通过连续航迹调节自身位置、速度和方向。传感器视野约束和平台运动约束给信息处理和平台控制带来新的挑战，由此带来两个关键问题：（1）如何持续的维持对目标状态估计；（2）如何实时调整传感器平台位置保持对目标覆盖。目标状态估计要求基于观测平台自身的完全状态（位置和速度），以及被观测目标的测量信息（相对位置、距离等），确定目标对象在全局坐标下的位置、速度和方向等信息。目标状态估计的意义在于：一方面，准确估计目标状态是跟踪任务的最终目的；另一方面，无人机运动控制模块需要持续的目标状态估计以作为目标函数。

观测路径指传感器所在运动平台的航迹。观测路径和传感器观测方向确定了传感器观测的覆盖区域。传感器观测路径优化的意义在于目标状态估计性能依赖于特定的传感器观测路径。目标运动估计结果的准确性与特定观测路径构成因果关系，部分航迹可以获得更好的性能。因此，在基于视觉的无人机目标跟踪中，一种思路是通过产生近似最优的观测路径提高基于单目视觉的目标状态估计，再以提升的目标状态估计生成新的观测路径，最终实现对目标的有效跟踪。

一般的，设计人员会从三个方面设计智能无人机控制系统：首先根据目标的位置规划无人机的理想飞行轨迹；然后设计飞行控制器使无人机跟踪该轨迹，实现跟踪目标飞行；最后给出一种摄像机姿态控制方法使得跟踪过程中目标始终位于图像中心，实现视觉跟踪。因此，整个智能无人机基于DDDAS的目标跟踪系统框架就显而易见了：机载摄像机不断得到目标区域的图像，机载处理平台根据视觉处理算法识别目标并锁定目标，之后根据目标轨迹判断目标下一刻的位置，然后调整飞行器的姿态以及摄像机的姿态已保证目标的不间断跟踪。需要指出的是整个过程是一个数据不断注入计算模型的动态过程。

总结

基于DDDAS的智能无人机目标跟踪系统要求真实的评估监测区域所处的背景、环境以及情形。本文从原理上探讨了DDDAS与无人机目标跟踪系统相互结合的可能性。然而，当前DDDAS在目标跟踪系统上的应用还主要受到以下的几个限制：

（1）DDDAS表述了一种复杂的环境下各种资源之间相互协作集成的概念，这种复杂性涉及大量的数据的传递与计算，在一定程度上增加了计算平台的处理耗时；

（2）DDDAS系统对传感器精度以及控制算法模型的准确度有较高的要求以帮助实时预测目标的行动轨迹；

（3）DDDAS系统对于动态过程中大量数据不断注入计算模型可能出现的算法不稳定提出了要求。

由此可见，基于DDDAS的目标跟踪系统发展趋势为：（1）高性能的机载计算处理平台的开发，已实现实时快速的计算；（2）多模块传感器数据融合技术的发展以实现目标数据的准确输入；（3）控制算法模型精度的提高，以提高目标预测精度；（4）计算模型稳定性的提高，以抵御数据流注入带来的算法不稳定问题。因此，随着大数据、云计算以及高性能计算技术的出现，DDDAS作为一种实时快速准确的方法会更加满足智能化无人机目标跟踪系统的需求。 ■