李 郁，朱 伟

(西安明德理工学院 智能制造与控制技术学院，西安 710124)

0 引言

近年来，随着人工智能和无人机的快速发展和广泛应用，基于无人机的目标跟踪引起了计算机视觉学者的研究热潮。无人机场景中的目标跟踪被广泛应用于各个领域，具有广阔的应用前景和丰富的学术研究价值[1-3]。然而，目前无人机场景下的目标跟踪面临非常多的问题和挑战。如，跟踪目标较小，跟踪精度差；相对速度过快，导致目标丢失；以及在实际中跟踪精度受目标旋转，目标遮挡等因素影响。因此，本文为了解决目标遮挡环境下，跟踪精度不高的问题，提出了一种新的目标跟踪算法(MKBP)。该算法在均值漂移(Meanshift)目标跟踪算法[4]的基础上，采用动态参数选择的方法，将卡尔曼(Kalman)滤波算法[5-6]与轨迹预测函数和BP神经网络算法[7]相结合，解决了运动过程中的目标遮挡问题跟踪；为了提高算法性能，在该算法中增加了目标检测机制，通过PCA-Sift算法检测丢失的目标[8]，恢复跟踪目标并继续跟踪。

1 MKBP算法原理

在这一节，将会介绍MKBP算法的原理，以及工作机制。

1.1 均值漂移算法

基于均值漂移的目标跟踪算法通过计算目标区域和候选区域像素的特征值概率，得到目标模型和候选模型的描述，然后利用相似函数来度量初始帧目标模型与当前帧候选模板之间的相似度[9]。使相似函数最大化并得到目标模型的均值漂移向量的候选模型。这个向量是目标从初始位置移动到正确位置的向量。由于均值漂移算法收敛速度快，通过不断迭代计算均值漂移向量，算法最终会收敛到目标的真实位置，从而达到跟踪的目的。……