杨帅 龚欣 李歌

【摘  要】为弥补传统基于无人机的地面目标定位模型应用中暴露出的不足，本文提出应用改进Mean Shift算法的建议。文章设计了改进后的Mean Shift目标定位算法，包括描述目标模型、确定相似性度量、确定轮廓函数的目标定位，科学选择适宜的初始迭代点，进行仿真实验研究，分析发现均值与标准差均处于设计范围中，凸显了Mean Shift 算法的优越性，值得推广。

【关键词】无人机;目标定位;Mean Shift算法;仿真分析

引言

Fukunaga等人在一篇介绍概率密度梯度函数预测的论文中首次提出了Mean Shift算法，近些年国内外人员对这种算法的研究深度不断拓展，其在目标检测于追踪、图像分割等诸多领域均有应用。Mean Shift即均值偏移，实质上就是偏移的均值向量。一般是指迭代的流程，先测算选中点内的偏移向量，而后转至本次的偏移均值位置，而后将该点作为下一次迭代的初始点，再执行以上流程，屡次执行以上操作，在符合设计条件时终止。

1、设计改进的Mean Shift目标定位算法

1.1目标模型

合理选择特征空间是精准阐述目标特征，把空间内的概率密度函数设定为目标的参考模型。采用图内单个椭圆区去表示目标模型。因为该目标在各种维度内均会形成一定影响，需将目标规则化至单个圆内，进而解除这种影响。采用带宽 和 缩放长和宽两个维度，这样便能满足规则化的要求。

在目标区域中存在n个像素点， 表示， 表示该目标区域的中心像素点。在目标模型内，可以用下式计算模型内特征值u=1，2…m：

上式为q 与p的 Bhattacharyya 系数的样本估计，针对Bhattacharyya系数，可以将其理解成一个散度型的度量法。基于上式能知道 区间（0，1），故 取值范围（0，1）。且 与 两者呈反比关系。

1.3轮廓函数的目标定位

在定位流程执行的整个过程中，于遥感图内选出一个厨师迭代点作为迭代的初始位置（ ）是首个步骤，随后与遥感图内检索到下一个位置，此时要了解 的模型阐述，即在 处航拍图的概率分布 。

白问题转型成测求概率密度函数峰值问题，具体是在一个邻域内利用Mean Shift确定，这样便能顺利测算出以 为中心的Mean Shift向量，即：

2、选择初始迭代点

基于基于人机交互模式选出 Mean Shift算法内初始迭代点，而本课题研究中基于无人机自定位方式选出初始迭代点。大部分无人机自带定位系统，例如GPS、伽利略等，在其探测到本体位置信息后，能获得相机拍照模糊位置，但定位系统存在着一定偏差，若仅利用其进行目标定位会形成较大误差，故而选择无人机本体定位的位置作为初始迭代点。

3、仿真实验和结果分析

通过实验做出的结果分析与定位精度，其中后者的指标采取了计算均值与标准差，均值越小，标准越小，则越能获得越好的定位效果，在本课题内，若均值在0～7，标准差0～3，那么所得结果就越可靠。

观察应用无人机航拍和卫星图像两者进行匹配定位的结果，分别列出了以三种不同直方图为基础的Mean Shift 算法定位结果。

观察以各直方图特征为基础的匹配曲面局部放大图像发现，本文设计的改进算法的匹配曲线连续且光滑，迭代过程中不会陷进极值点内。观察基于本文算法生成的相似性曲线，发现相似度在部分区域中尽管略有降低，但整条曲线呈上升的趋势，曲线的最高点为0.9860。基于算法的定位精度，一共列出了5组点位，分别测算横、纵坐标的均值与标准值。

测算所得的均值和标准差，X处的均值、标准差的误差分别是2.7510、2.4351，Y處的均值、标准差的误差依次是3.6250、2.1138。

采用两张年份不同的遥感图像开展实验分析，基于如上的测试结果不难发现以GVF梯度幅值直方图为基础的Mean Shift算法更能精准的探寻到目标位置，尽管会形成些许误差，但处于可接受的范畴中，但能明显发现其他以两种直方图为基础的Mean Shift算法下定位结果误差偏大，并且能推测出定位到的位置和初始迭代点位选择之间存在很大关联性，伴随初始迭代点与精准位置两者间距的拉近，误差也呈现减小趋势。

结束语：

无人机目标定位为当下业内研究的一个热点问题，加强研究有重要的理论意义与实际应用价值。本课题设计了新的定位方法，即以改进 Mean Shift算法为基础的无人机目标定位。通过模拟仿真验证了改进后Mean Shift算法精度的可靠性，具有一定鲁棒性，值得推广。

参考文献：

[1]承琦，李磊.基于卡车和无人机联合运输下的末端配送算法研究[J]. 物流工程与管理，2020，042（003）：62-65.