基于OPENMV的无人机目标识别与跟踪算法优化研究

基于OPENMV的无人机目标识别与跟踪算法优化研究

刘梦凡 张腾 耿晧喆 张燕妮 王东成

天津职业技术师范大学 天津市 300222

摘要：随着无人机技术的飞速发展无人机在军事、民用等领域得到广泛应用。为了提高无人机在各种任务中的自主性和智能性，本研究基于OPENMV平台对无人机目标识别与跟踪算法进行深入研究与优化，通过对传感器数据的实时处理，研究人员设计了一套高效的目标识别与跟踪系统使得无人机能够更准确、更稳定地识别和跟踪目标。

关键词：无人机;OPENMV;目标识别;目标跟踪;算法优化

引言：无人机的广泛应用已经改变了许多领域的工作方式，从军事侦察到民用航拍都能看到无人机的身影，然而要使无人机在不同环境中实现更精准的任务执行，需要一个高效且智能的目标识别与跟踪系统，传统的视觉算法在处理实时视频流时可能面临性能瓶颈，因此需要对算法进行优化以适应无人机的特殊需求。本研究选用OPENMV平台，该平台具有轻量级、高性能的特点适用于嵌入式系统。

1传感器数据采集与处理

在目标跟踪领域持续追踪目标是一项具有挑战性的任务，特别是在面临光照、天气等复杂变化的环境中，为了有效应对这些挑战，研究人员采用了一种基于Kalman滤波器的算法，并在其基础上进行了优化以提高目标跟踪的鲁棒性和适应性。

本文选择了Kalman滤波器作为目标跟踪的基本算法，Kalman滤波器是一种递归算法通过融合预测和观测数据能够对系统状态进行估计，并不断调整预测结果使其更加准确，这一算法在目标跟踪领域得到了广泛的应用，因其能够有效处理噪声和不确定性提高跟踪的准确性，在实际应用中目标跟踪往往需要在不同的环境条件下进行，例如不同的光照、天气等变化。为了使算法更具鲁棒性，研究人员通过调整Kalman滤波器的关键参数，包括过程噪声方差、测量噪声方差、状态转移矩阵和观测矩阵[1]。

在优化过程中研究者进行了一系列实验，通过对比不同参数设置下的性能表现找到了使算法鲁棒性最优化的参数配置，表1的数据是在实验中得到的结果，其中包括初始参数值、调整前后的平均鲁棒性以及最终确定的最优参数，使用OPENMV平台的图像传感器对周围环境进行实时数据采集是关键的第一步，通过在不同时间点（T1至T5）采集不同数量的图像模拟了在实际应用中可能面临的各种场景。

表1预处理步骤与预效果

表1中每个时间点表示一个数据采集的时刻。在每个时间点传感器输出的图像数量反映了系统对环境变化的实时响应能力，研究人员可以看到不同时间点的图像数量有所不同，这是因为在不同场景下系统可能需要调整采样频率以适应环境变化，在T1时刻研究人员进行了基本的去噪和色彩校正确保图像清晰度和准确性，随着时间推移研究人员引入了更多的预处理步骤，如图像增强、边缘增强、直方图均衡化和模糊处理，这些步骤的引入旨在应对不同环境条件下的挑战，例如低光照、复杂背景等，在T2时刻研究人员通过引入图像增强获得更高的对比度，使细节更为清晰，而在T3时刻通过边缘增强，研究人员强调了目标的边缘特征有助于进一步提高识别精度，在T4时刻通过直方图均衡化，研究人员提高了图像的亮度均匀性适应了不同光照条件，在T5时刻，研究人员引入了模糊处理通过模糊化背景来突出目标[2]。

2目标识别算法设计

在目标识别算法设计中研究人员采用了深度学习技术，具体而言是使用了卷积神经网络（CNN）模型，这个模型在训练阶段使用了大量的样本以提高对不同目标的识别准确性，同时研究人员引入了目标检测算法确保在图像中能够准确地定位目标的位置，见表2。

表2训练轮次与对于结果

训练轮次表示模型在整个训练数据集上进行学习的次数，从50轮次一直训练到150轮次观察模型在不同训练轮次下的性能表现，学习率是指模型在每一轮次中学习的步长，研究人员进行了逐步减小的调整，批量大小表示每次模型更新时所使用的样本数量，训练样本数量随着训练轮次的增加而逐渐增加这有助于模型更好地学习不同目标的特征，训练损失是模型在训练过程中的误差，随着训练轮次的增加而逐渐减小，训练准确性表示模型在训练集上的分类准确性，研究人员可以看到随着训练轮次的增加训练准确性逐步提高，验证准确性表示模型在验证集上的分类准确性，研究人员可以看到随着训练轮次的增加验证准确性也逐步提高，这表明模型在未见过的数据上有良好的泛化能力。目标检测精度表示模型在图像中准确定位目标的能力同样可以看到随着训练轮次的增加目标检测精度也得到提升。

3目标跟踪算法优化

目标跟踪是一个至关重要的任务需要确保在不同的环境条件下对目标进行持续、准确的跟踪，为了达到这个目标研究人员选择了基于Kalman滤波器的算法，结合了预测和观测数据以提高目标跟踪的鲁棒性和准确性，Kalman滤波器是一种递归的状态估计算法通过结合系统模型的预测和观测数据的更新能够更准确地估计目标的状态，在目标跟踪中研究人员使用Kalman滤波器来持续地预测目标的位置、速度等状态信息并通过观测数据不断更新这些状态以保持对目标的精准跟踪，具体而言Kalman滤波器在每个时间步骤执行两个主要步骤：

（1）预测步骤：利用系统模型，通过上一个时间步的状态估计和系统的动态特性来预测目标在当前时间步的状态。

（2）更新步骤：利用实际观测数据，通过比较观测值和预测值的差异，调整先前的状态估计，提高对目标状态的准确性。

这种预测和更新的迭代过程使得Kalman滤波器在面对不断变化的环境和目标运动时表现出色[3]。在目标跟踪算法优化中采用了基于Kalman滤波器的算法并通过结合预测和观测数据提高了目标跟踪的鲁棒性，为了更好地适应不同场景的变化研究人员引入了实时调整参数的机制，见表3。

表3利用Kalman滤波器预测和观测数据

对Kalman滤波器的四个关键参数进行了调整：过程噪声方差、测量噪声方差、状态转移矩阵、观测矩阵，初始值是研究人员在算法设计阶段设定的初始参数值，初始值表示在开始跟踪时研究人员设定的参数初始值，这些初始值是基于先验知识和经验选择的以便在一般情况下具有良好的性能，通过实验和实际应用中的数据研究人员评估了在不同参数设置下目标跟踪算法的平均鲁棒性，通过调整参数成功地提高了算法的平均鲁棒性，使其在不同场景和条件下都能更稳定地进行目标跟踪。

最优参数表示在实验中通过对比不同参数设置的性能，研究人员确定的使算法性能达到最优的参数值，这些参数值在不同应用场景中可能会有所变化，但通过动态调整能够在实时环境中对其进行优化提高目标跟踪的效果，除了调整参数还引入了调整周期这一参数，调整周期表示在多少帧之后对参数进行一次动态调整，通过实验研究人员确定了在每5帧进行一次参数调整的策略以平衡实时性和性能之间的关系，这一策略在实验中取得了良好的效果使得算法能够在变化频繁的环境中保持高效的目标跟踪性能，通过这些数据验证了优化算法的有效性并为实际应用提供了可靠的参数配置和调整策略，这对于目标跟踪在复杂和动态的环境中的应用具有重要意义[4]。

结束语：

综上所述，本研究基于OPENMV平台通过优化目标识别与跟踪算法实现了在无人机应用中更为精准和实时的目标定位与追踪，研究人员的工作为提高无人机自主性和智能性提供了一种有效的技术途径，未来将进一步研究并改进算法以适应更复杂的环境推动无人机技术在各个领域的广泛应用。

参考文献

[1]马晓琳,周弘斌,黄福龙.基于OpenMV的四旋翼无人机目标跟踪系统设计与实现[J].电子测试,2022,36(02):20-21+54.DOI:10.16520/j.cnki.1000-8519.2022.02.015

[2]刘钱强,钟小勇.基于OpenMV四旋翼无人机视觉跟踪系统设计[J].自动化与仪表,2023,38(05):5-8+40.DOI:10.19557/j.cnki.1001-9944.2023.05.002

[3]刘轩宇,李浩阳,胡子琨.基于OpenMV的自动巡线无人机研究[J].电子测试,2021,(12):18-19.DOI:10.16520/j.cnki.1000-8519.2021.12.006

[4]孙志刚.基于Scratch与OpenMV的教育无人机编程教学平台的设计与研究[D].西安电子科技大学,2021.DOI:10.27389/d.cnki.gxadu.2021.002477