技術(shù)特征：

1.一種基于TLD的適用于無人機的目標(biāo)跟蹤方法，所述目標(biāo)跟蹤方法基于TLD算法，所述TLD算法包括跟蹤器、檢測器及學(xué)習(xí)器，所述學(xué)習(xí)器基于kNN分類器；其特征在于，所述目標(biāo)跟蹤方法包括以下步驟：

(1)初始化跟蹤器、檢測器及學(xué)習(xí)器；

(2)跟蹤器采用中值光流法依據(jù)初始位置預(yù)測當(dāng)前幀目標(biāo)的位置作為目標(biāo)跟蹤結(jié)果，跟蹤器同時依據(jù)目標(biāo)跟蹤結(jié)果判斷跟蹤成功或跟蹤失敗；

(3)檢測器采用以目標(biāo)為模板，利用歸一化相關(guān)算法對搜索區(qū)域進行相關(guān)運算計算歸一化相關(guān)系數(shù)，得到目標(biāo)檢測結(jié)果，檢測器同時依據(jù)目標(biāo)檢測結(jié)果判斷檢測成功或檢測失??；

(4)學(xué)習(xí)器將所述目標(biāo)跟蹤結(jié)果和所述目標(biāo)檢測結(jié)果分別與待測目標(biāo)利用歸一化相關(guān)算法進行匹配得出歸一化相關(guān)系數(shù)，依據(jù)最大相關(guān)系數(shù)選擇目標(biāo)跟蹤結(jié)果或目標(biāo)檢測結(jié)果或目標(biāo)跟蹤結(jié)果和目標(biāo)檢測結(jié)果的均值作為目標(biāo)最終結(jié)果；

(5)學(xué)習(xí)器根據(jù)目標(biāo)最終結(jié)果確定目標(biāo)旋轉(zhuǎn)角度及目標(biāo)縮放系數(shù)；

(6)結(jié)合目標(biāo)最終結(jié)果、目標(biāo)旋轉(zhuǎn)角度及尺度變化更新學(xué)習(xí)器、跟蹤器和檢測器，進行下一步目標(biāo)跟蹤。

2.如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，步驟(3)具體為：

對模板圖像進行延拓、濾波，再將其與輸入圖像做卷積運算，卷積計算結(jié)果做逆傅里葉變換，進而獲得整幅圖像各個點的歸一化相關(guān)系數(shù)，所述歸一化相關(guān)系數(shù)通過計算歸一化相關(guān)算法獲得；

最大歸一化相關(guān)系數(shù)所對應(yīng)的位置為檢測目標(biāo)所在位置即目標(biāo)檢測結(jié)果；

對模板圖像進行延拓是指通過將模板圖像邊緣補0使模板圖像的大小擴大到和輸入圖像的大小一致。

3.如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，步驟(5)具體為：

將每幀目標(biāo)最終結(jié)果作為正樣本模型，將正樣本模型的所有圖像的大小縮放至大小一致；

同時分別設(shè)立不同角度的正樣本模型，即以初始幀為0度，對正樣本模型進行放射變換，每隔θ度為一組，得到360/θ組正樣本模型；

θ取360的約數(shù)，θ越大則角度處理效果越差，越小則實時性越差；

選取上一幀遠離目標(biāo)區(qū)域的N個圖像塊作為負樣本模型，同樣將負樣本模型的圖像大小縮放至與正樣品模型圖像的大小一致；N取150-300；

所述學(xué)習(xí)器基于kNN分類器,計算待比對圖像同正樣本模型和負樣本模型的歸一化相關(guān)系數(shù),依據(jù)歸一化相關(guān)系數(shù)排序，取其中最高的k個樣本模型，k為奇數(shù)；

如果k個樣本模型中正樣本模型數(shù)目大于負樣本模型數(shù)目，則表明待檢測圖像為目標(biāo)，否則認為待檢測圖像為干擾區(qū)域；

在確定待檢測圖像為目標(biāo)后，比對相鄰兩組正樣本模型，計算其歸一化相關(guān)系數(shù)，選擇歸一化相關(guān)系數(shù)最大者組別的角度定為目標(biāo)當(dāng)前旋轉(zhuǎn)角度；

以待檢測圖像中心為中心，分別取大小為待檢測圖像不同倍數(shù)γ₁、γ₂、γ₃區(qū)域作為新的待檢測圖像計算其在正樣本模型中的歸一化相關(guān)系數(shù)，選擇歸一化相關(guān)系數(shù)最大者作為最終結(jié)果，并獲得此時倍數(shù)γ作為目標(biāo)縮放系數(shù)，γ為γ₁、γ₂、γ₃其中之一；

γ₁、γ₂、γ₃分別取1.05～1.2、1、0.8～0.95。

4.如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，步驟(4)具體為：

若跟蹤器和檢測器均成功，判斷兩者跟蹤結(jié)果是否近似相同；

所述近似相同是指目標(biāo)跟蹤結(jié)果的矩形框與目標(biāo)檢測結(jié)果的矩形框的重載率>a或兩矩形框的中心點距離小于d；

所述重載率即兩矩形框的重載率為其交集與其并集的比；

學(xué)習(xí)器根據(jù)kNN分類器計算待匹配樣本同正樣本模型中的最大相關(guān)系數(shù)，所述最大相關(guān)系數(shù)即為匹配率，同時判斷是否發(fā)生遮擋；

若近似相同，取匹配率較高的結(jié)果作為目標(biāo)最終結(jié)果，同時更新最近鄰檢測器；

若重載率<b，則認為兩者檢測結(jié)果不同，此時取匹配率較高同時kNN分類器判斷未被遮擋的結(jié)果為目標(biāo)最終結(jié)果；

若重載率大于b但小于a時，取目標(biāo)跟蹤結(jié)果與目標(biāo)檢測結(jié)果的均值作為目標(biāo)最終結(jié)果；

若跟蹤器和檢測器僅有一個成功，則使用kNN分類器對結(jié)果判斷，未被遮擋則作為目標(biāo)最終結(jié)果；

其中，a取0.5-0.8；b取0.2-0.4；d取3-6個像素。

5.如權(quán)利要求1所述目標(biāo)跟蹤方法，其特征在于，步驟(2)具體為：

在圖像中生成一系列待跟蹤點，首先進行一次金字塔光流跟蹤；

再生成目標(biāo)跟蹤點后，再將當(dāng)前幀作為初始幀，反向跟蹤；

取所有跟蹤點的位置與原始跟蹤點的位置偏差的均值為middleError，如果得到跟蹤點的位置與原始跟蹤點偏差>middleError，則認為跟蹤不準確，將跟蹤準確的跟蹤點組合到一起，并由初始位置預(yù)測得到當(dāng)前幀目標(biāo)的位置即目標(biāo)跟蹤結(jié)果；

當(dāng)跟蹤準確點的數(shù)目小于所有跟蹤點數(shù)目的一半時，則判斷跟蹤失敗。

6.如權(quán)利要求3所述目標(biāo)跟蹤方法，其特征在于，歸一化相關(guān)算法的計算公式如下：

$R(x,y)=\frac{{\&Sigma;}_{x^{\&prime;},y^{\&prime;}}\left(T\right(x^{\&prime;},y^{\&prime;})\&CenterDot;I(x+x^{\&prime;},y+y^{\&prime;}\left)\right)}{\sqrt{{\&Sigma;}_{x^{\&prime;}{y}^{\&prime;}}{T}^{\&prime;}{(x^{\&prime;},y^{\&prime;})}^2{\&Sigma;}_{x^{\&prime;}{y}^{\&prime;}}{I}^{\&prime;}{(x+x^{\&prime;},y+y^{\&prime;})}^2}};$

其中：

T′(x′，y′)＝T(x′，y′)-1/(w·h)·∑_x″y″T(x″，y″)

I′(x+x′，y+y′)＝I(x+x′，y+y′)-1/(w·h)·∑_x″y″I(x+x″，y+y″)；

w和h分別表示模板圖像的寬和高，T(x′，y′)表示模板圖像在(x',y')的像素值，I(x,y)表示輸入圖像在(x,y)位置的像素值，R(x,y)為模板圖像在(x,y)位置的歸一化相關(guān)系數(shù)，表征模板圖像同匹配區(qū)域的相關(guān)程度即匹配率，且0≤R(x,y)≤1；

若檢測區(qū)域內(nèi)最大歸一化相關(guān)系數(shù)R_max(x,y)＜0.5，則認為檢測失敗。

7.如權(quán)利要求3所述目標(biāo)跟蹤方法，其特征在于，γ₁、γ₂、γ₃分別取1.1、1、0.9。

8.如權(quán)利要求3所述目標(biāo)跟蹤方法，其特征在于，θ為30。

9.如權(quán)利要求4所述目標(biāo)跟蹤方法，其特征在于，a取0.7；b取0.4；d取4。