目标运动轨迹估计方法、装置和目标跟踪系统与流程

本公开涉及无人机技术领域，特别是一种目标运动轨迹估计方法、装置和目标跟踪系统。

背景技术：

帧到帧的目标跟踪在无人机起降引导中有着重要应用。该算法利用图像中被跟踪物体的上下文联系，假设物体的运动平缓，相邻两帧之间的目标位置变化不大，可以有效提高算法的实时性。

帧到帧的目标跟踪算法roi(regionofinterest，感兴趣区域)选定和目标定位情况如图1a所示。在第t帧，以t-1帧的包围盒boundingbox区域(图1a左图中的实线区域)为基础，放大k(k为正数)倍作为第t帧无人机目标roi区域(图1a中的虚线区域)，在该roi区域中跟踪最终确定第t帧中目标的boundingbox，如图1a右图中实线框位置。

技术实现要素：

发明人发现，相关技术中帧到帧的跟踪算法的前提是假设被跟踪物体在相邻两帧图像之间的位置变化不大，其运动轨迹是平滑的。在无人机起降引导的实际应用场景中，由于飞机的快速运动，当转台跟踪效果不好，大角度跳动时，传统的帧到帧的roi区域确定方式可能因为roi区域未包含无人机目标而导致对无人机的跟踪失败，如图1b所示。

本公开的一个目的在于通过提高目标定位的准确度提高目标跟踪的可靠性。

根据本公开的一个实施例，提出一种目标运动轨迹估计方法，包括：确定图像中目标所在的区域；基于目标所在的区域进行目标区域收敛运算，获取目标的收敛位置信息；根据收敛位置信息确定目标的空间位置；根据目标的空间位置，通过卡尔曼滤波估计算法估计目标的运动轨迹。

可选地，采用tld(tracking-learning-detection，跟踪学习检测)算法确定目标图像中目标所在的区域，区域的形状包括矩形或圆形。

可选地，采用主动轮廓跟踪算法基于矩形框进行目标区域收敛运算，获取目标的收敛位置信息。

可选地，还包括：对图像进行形态学滤波预处理，以便根据经过处理后的图像确定目标所在的矩形框。

可选地，对图像进行形态学滤波预处理包括：分别获取图像的开运算处理结果和闭运算处理结果；将闭运算处理结果与开运算处理结果相减，获取经过处理后的图像。

可选地，根据收敛位置信息确定目标的空间位置包括：根据收敛位置进行互相关滤波，确定目标的中心位置；根据中心位置确定目标的空间位置。

可选地，根据收敛位置进行互相关滤波包括：通过平移变化滤波确定目标的最新位置；通过尺度变化滤波确定目标的尺度变化情况。

通过这样的方法，能够先在图像中确定目标所在的预定形状的区域，进一步通过目标区域收敛操作提高区域确定的准确性，从而能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

根据本公开的另一个实施例，提出一种目标运动轨迹估计装置，包括：区域确定单元，被配置为确定图像中目标所在的区域；收敛运算单元，被配置为基于目标所在的区域进行目标区域收敛运算，获取目标的收敛位置信息；空间定位单元，被配置为根据收敛位置信息确定目标的空间位置；轨迹估计单元，被配置为根据目标的空间位置，通过卡尔曼滤波估计算法估计目标的运动轨迹。

可选地，区域确定单元被配置为采用tld算法确定目标图像中目标所在的区域，区域的形状包括矩形或圆形。

可选地，跟踪学习检测被配置为采用主动轮廓跟踪算法基于矩形框进行目标区域收敛运算，获取目标的收敛位置信息。

可选地，还包括：预处理单元，用于对图像进行形态学滤波预处理，以便根据经过处理后的图像确定目标所在的矩形框。

可选地，预处理单元包括：开运算子单元，用于获取图像的开运算处理结果；闭运算子单元，用于获取图像的闭运算处理结果；处理图像获取子单元，用于将闭运算处理结果与开运算处理结果相减，获取经过处理后的图像。

可选地，空间定位单元包括：互相关滤波子单元，用于根据收敛位置进行互相关滤波，确定目标的中心位置；定位子单元，用于根据中心位置确定目标的空间位置。

可选地，互相关滤波子单元用于：通过平移变化滤波确定目标的最新位置；通过尺度变化滤波确定目标的尺度变化情况。

根据本公开的又一个实施例，提出一种目标运动轨迹估计装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行上文中提到的任意一种目标运动轨迹估计方法。

这样的装置能够先在图像中确定目标所在的预定形状的区域，进一步通过目标区域收敛操作提高区域确定的准确性，从而能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

根据本公开的再一个实施例，提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上文中提到的任意一种目标运动轨迹估计方法的步骤。

这样的计算机可读存储介质通过执行其上的指令，能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

另外，根据本公开的一个实施例，提出一种目标跟踪系统，包括：上文中提到的任意一种目标运动轨迹估计装置；和，图像获取装置，被配置为获取目标的图像；转台，被配置为承载图像获取装置，根据目标运动轨迹估计装置的估计结果跟随目标转动。

这样的目标跟踪系统能够提高目标空间位置确认的准确度，提高目标运动轨迹估计的准确度，从而避免roi区域未包含无人机目标而导致对无人机的跟踪失败，提高目标跟踪的可靠性。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本公开的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1a为相关技术中采用目标跟踪算法跟踪成功的示意图。

图1b为相关技术中采用目标跟踪算法跟踪失败的示意图。

图2为本公开的目标运动轨迹估计方法的一个实施例的流程图。

图3为本公开的目标运动轨迹估计方法的另一个实施例的流程图。

图4为本公开的目标运动轨迹估计装置的一个实施例的示意图。

图5为本公开的目标运动轨迹估计装置的另一个实施例的示意图。

图6为本公开的目标运动轨迹估计装置的又一个实施例的示意图。

图7为本公开的目标运动轨迹估计装置的再一个实施例的示意图。

图8为本公开的目标跟踪系统的一个实施例的示意图。

图9为本公开的目标跟踪系统运行过程的一个实施例的示意图。

具体实施方式

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

本公开的目标运动轨迹估计方法的一个实施例的流程图如图2所示。

在步骤201中，确定图像中目标所在的区域。区域的形状可以为预定形状。在一个实施例中，预定形状可以为矩形，或者为圆形。在一个实施例中，可以采用tld算法确定目标图像中目标所在的区域。

在步骤202中，基于目标所在的区域进行目标区域收敛运算，获取目标的收敛位置信息。在一个实施例中，可以采用主动轮廓跟踪算法基于矩形框进行目标区域收敛运算。

在步骤203中，根据收敛位置信息确定目标的空间位置。在一个实施例中，若图像为双目视觉图像，则可以通过对两幅图像中相应的点进行标定，结合图像采集设备在采集图像时的角度确定目标的空间坐标。

在步骤204中，根据目标的空间位置，通过卡尔曼滤波估计算法估计目标的运动轨迹。

通过这样的方法，能够先在图像中确定目标所在的预定形状的区域，进一步通过目标区域收敛操作提高区域确定的准确性，从而能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

在一个实施例中，在确定图像中目标所在的区域的过程中，采用tld算法可以对连续的的图像序列中的唯一目标进行不间断跟踪，该算法框架包含以下三个部分：

1.跟踪器(tracker)，通过连续帧图像来预估所追踪对象的运动，这里假设帧与帧之间目标的相对运动有限，并且追踪目标保持在图像中始终可见。追踪器可能会出现追踪失败的情形，并且在目标跳出相机视野后无法恢复追踪。

2.检测器(detector)，将各帧图像视为独立，并对每一帧图像都进行全扫面，以找出图像中所有与目标外貌相似的候选样本。该检测器会产生两类错误：错误的正样本(falsepositives)和错误的负样本(falsenegatives)。

3.学习(learning)，学习过程实时观测追踪器和探测器的执行，并预估检测器的错误，生成训练样例以使能在未来避免类似的错误。学习组件假设追踪器和探测器都有可能出现失败执行。学习组件的引入可以使得探测器生成更多的追踪目标外观，以区别背景。

通过这样的方法，无论该物体是否暂时离开画面，或者被遮挡和发生形变，都不会影响跟踪效果，从而降低追踪失败的概率。

在一个实施例中，在基于目标所在的区域进行目标区域收敛运算的过程中，可以采用主动轮廓跟踪方法将tld方法输出的区域信息进一步向内收敛，以获取更为准确的位置信息。

传统的主动轮廓方法主要用于图像分割，主动轮廓线的初始位置往往是相同位置一个圆形或者矩形。而目标识别过程中的初始位置除了使用之前tld方法提供的矩形框之外，还可以使用上一帧的修正后的主动轮廓模型。

在实际迭代过程中，为保证实时性，还需要对终止条件进行设定。首先考虑迭代的停止，如果连续两帧的主动轮廓线的长度变化量小于一定阈值，则需要停止迭代，此时认为轮廓线已经在期望目标附近。其次，由于无人机目标在远距离成像时，目标较小且清晰度较差，因此需要在主动轮廓线长度小于某一阈值时及时停止，避免主动轮廓线收敛过多，甚至会收缩到一个像素点，影响计算。

由于无人机成像的特殊性，确定的目标区域中，区域的几何中心对应的像素点往往并不是目标运动导引点(如无人机机头)的位置，因此通常给解算带来一定的误差，而这些误差有可能导致在接下来无法成功跟踪目标。通过收敛运算能够使轮廓线贴近目标轮廓，从而提高目标位置确定的准确度。

在一个实施例中，在获取收敛位置后，还可以通过互相关滤波的方法来进一步确定目标中心位置，同时通过对目标横纵方向尺度的分析，进一步提高标注精度。互相关滤波可以采用dsst(discriminativescalespacetracking，判别尺度空间跟踪)方法。该方法设计了两个不同的滤波器，其核心思想是利用多个维度的特征来分别描述目标的平移变换和尺度变换：

(1)平移变化滤波器：估计目标的平移变换情况，该滤波器计算每个像素点的一个一维灰度和和20维fhog(fusionhistogramoforientedgradient，融合的方向梯度直方图)特征，最终计算出目标的最新位置。其中fhog特征是指一种快速计算hog(histogramoforientedgradient，方向梯度直方图)特征的方法，该方法能够快速根据当前彩色图像计算出9个方向，32维的图像特征。为了提高后续处理的运算效率，可以只使用其中的前20个作为主要特征。

(2)尺度变化滤波器：估计目标的尺度变化情况，该滤波器将样本进行30种不同尺度的变换，通过提取上述每种变化中的20维fhog特征，最终计算出目标的当前的尺寸变化。

互相关滤波需要使用互相关运算来对输入图像和模板进行相似度度量。一般定义输入图像与滤波模板的互相关运算为

其中g表示输出的响应图，h表示滤波模板，f表示输入图像，表示互相关运算。

定义互相关函数的快速傅里叶变换，即计算费时的卷积运算转换为普通的点乘运算

其中，f表示傅里叶变换，⊙表示每个元素的点乘，h*表示函数h的共轭。

将上式用新的符号标记为：

由于上式右侧的运算是对于每个元素的点乘，由此可以得到对h*的解析解

由于滤波器需要对跟踪目标区域周边m个区块进行搜索(m为正整数)，因此设计的目标函数需要对每一个区域进行运算，并与实际输出进行对比。目标函数的数学表达为

即对每一个输入的图像fi和实际输出gi是在频域的运算结果，目标是寻找合适的滤波器h，使得该滤波器与输入图像进行互相关运算后的输出结果与实际输出结果之间的误差最小。

根据dsst方法平移变化滤波器设计思路，一副图像可以使用d(d为正整数)维特征来进行描述，定义在目标区域的一块图像的大小为f，对于不同维度的特征用f^l标识，l为1、2、…d：

对上式求微分，可以得到最优解的计算公式

分别对上述公式的分子和分母独立更新

其中μ是比例因子。

在得到更新后的分子和分母后，在响应区域进行计算，并求解出目标位置。

对于尺度变化滤波器对图像进行变换的选择，通常采用如下方法。定义当前目标的尺度为p×r，则定义a＝1:05作为横向尺度因子，b＝1:02作为纵向尺度因子，s＝30作为尺度滤波器的宽度，则序列尺寸的变化可以通过如下公式计算得到

上述a和b两个因子的选择主要是依赖无人机的原始尺寸。

通过这样的方法，能够克服目标在不同位置成像的多样性导致的中心位置的确定不稳定的问题，提高中心位置确定的准确度。

在一个实施例中，在确定图像中目标所在的区域之前，可以先对图像进行预处理。在一个实施例中，可以采用形态学滤波算法，将闭运算与开运算处理结果相减作为预处理的结果。

开运算的特点是先进行腐蚀运算，再进行膨胀运算，能够消除细小物体，突出物体边缘，即亮出的区域增大。闭运算的特点是先进行膨胀运算，再进行腐蚀运算，能够消除细小空洞，使得临近的物体相互连通，即暗处的区域增大。

通过将闭运算的结果减去开运算的结果能够利用开运算和闭运算结果的优点，将暗处和亮出的区域均进行筛选和保留，进一步突出小型无人机在远端时的图像特征，解决无人机距离摄像机较远的位置，由于机翼颜色和光照的影响使无人机的成像变为一个亮点或一个暗点的问题，为后续的目标跟踪打下良好基础。

在一个实施例中，在图像中确定目标中心位置后，可以进一步获取目标在空间坐标系中的位置。在一个实施例中，若图像为双目视觉图像，可以利用双目解算方法得到三维坐标系，结合双目摄像机在空间中的旋转角度和俯仰角度得到空间坐标系，继而得到无人机的空间位置。

通过这样的方法，能够将目标在图像坐标系中的坐标转化为空间坐标系中的坐标，进一步进行位置估计和跟踪，使目标运动轨迹表示结果不受摄像机摄像角度的影响，运动轨迹的坐标系统一到空间坐标系下，进一步提高准确性，也能够提高根据运动轨迹修改图像捕捉角度操作的效率。

在一个实施例中，当获得目标的空间位置后，可以采用卡尔曼滤波估计的方式进一步估计运动轨迹。卡尔曼滤波方法是一种时域方法，它将状态空间的理论引入到随机估计的理论中，把信号过程视为白噪声作用下的一个线性系统的输出，用状态方程来描述这种输入输出关系，估计过程中利用系统的状态方程、观测方程和白噪声激励，即系统的过程噪声和随机噪声的统计特性形成滤波算法。

假设x为系统的状态变量，y为系统的观测值。扩展卡尔曼滤波的递推方程主要由以下五个方程来完成。

状态一步预测：

一步预测协方差阵：

p(k|k-1)＝fp(k-1|k-1)f^r+q

滤波增益矩阵：

kk＝p(k|k-1)h^t(hp(k|k-1)h^t+r)^-1

状态更新：

协方差阵更新：

p(k|k)＝(1-kkh)p(k|k-1)

利用前一时刻的状态以及系统输入uk′估计此时系统的状态f为状态转移矩阵，其中，q为过程噪声协方差阵。以上五个方程式即为利用卡尔曼滤波器估计k时刻整个系统状态的全过程。

目标向量：

x＝[pos^s，v^s，c^att，c^w]^t

其中，pos^s为目标空间位置，v^s为目标速度，c^att为相机姿态,c^w为角速度。其中所有的元素都是在世界坐标系下的表示，它们分别表示为：

pos^s＝[x1y1z1]

v^s＝[vxvyvz]

c^att＝[lpanltiltrpanrtilt]

c^w＝[wlpanwlitiltwrpanwrtilt]

式中，lpan、ltilt、rpan、rtilt分别表示左右相机的偏航、俯仰角，wlpan、wltilt、wrpan和wrtil为对应的角速度。

滤波器的测量值定义：

其中pos′l和pos′r表示目标在左右图像中的位置，分别为和ptu^att表示ptu的姿态，包括俯仰角和偏航角。

假设此时刻为k时刻，首先根据k-1时刻状态预测k时刻的状态

其中，fk是状态转移矩阵。目标的空间位置和相机的姿态根据以下方程预测：

其中δt表示连续的两帧之间的时间间隔。那么状态转移矩阵fk可以表示为：

其中δtn×n是对角线为t,其他元素为0的n×n矩阵，可以看出，过程模型是线性的。预测k时刻的协方差矩阵：

其中过程噪声设定位零均值的高斯噪声，q为过程噪声的协方差矩阵。

过程模型f(·)建立完毕后，接下来建立测量模型h(·)。首先将预测的目标空间位置投影至图像中。本章采用了针孔模型作为摄像机的投影模型。将空间中的目标点空间坐标pos^s(k|k-1)应设至像平面中的pos′点：

相机在跟随转台转动的时候，光心位置几乎没有变化，因此平移向量t也是实验前外参的标定过程获得。

那么测量模型可以表示为：

其中j(·)的作用是取输入向量的前两个元素想成一个的向量，由此看来，测量模型是非线性模型，根据卡尔曼滤波理论，需要计算测量模型h(·)的雅可比矩阵h(k)(·)：

计算卡尔曼增益kk如下：

sk＝hkp(k|k-1)hk^t+r

kk＝p(k|k-1)hk^t(sk)^-1

其中r为零均值高斯测量噪声协方差矩阵。更新状态以及协方差矩阵p(k|k)：

p(k|k)＝(1-kkhk)p(k|k-1)

通过这样的方法，能够消除随机噪声的影响，进一步提高运动轨迹估计的准确性，提高目标跟踪的鲁棒性。

本公开的目标运动轨迹估计方法的另一个实施例的流程图如图3所示。

在步骤301中，对获取的包括目标的图像进行预处理，如采用形态学滤波算法，将闭运算与开运算处理结果相减作为预处理的结果。

在步骤302中，采用tld算法确定预处理后的图像中目标所在的区域。

在步骤303中，采用主动轮廓跟踪方法在tld方法输出区域信息后，进一步向内收敛，获取更为准确的位置信息。

在步骤304中，通过互相关滤波的方法来进一步确定目标中心位置，同时通过对目标横纵方向尺度的分析，进一步提高矩形框的标注精度。

在步骤305中，获取目标在空间坐标系中的位置。

在步骤306中，通过卡尔曼滤波估计算法估计目标的运动轨迹。

通过这样的方法，能够实现对采集的图像的预处理操作，提高图像清晰度，能够通过tld算法与主动轮廓线跟踪算法的配合提高目标位置确定的准确性，通过互相关算法确定目标的中心位置，进一步通过卡尔曼滤波排除随机噪声的影响，从而从多个角度层次性的提高目标中心位置确定的准确度，提高目标运动轨迹估计的准确性，提高目标跟踪的可靠性。

本公开的目标运动轨迹估计装置的一个实施例的示意图如图4所示。区域确定单元401能够确定图像中目标所在的区域。区域可以为预定形状，如矩形，或者圆形。在一个实施例中，可以采用tld算法确定目标图像中目标所在的区域。收敛运算单元402能够基于目标所在的区域进行目标区域收敛运算，获取目标的收敛位置信息。在一个实施例中，可以采用主动轮廓跟踪算法基于矩形框进行目标区域收敛运算。空间定位单元403能够根据收敛位置信息确定目标的空间位置。在一个实施例中，若图像为双目视觉图像，则可以通过对两幅图像中相应的点进行标定，结合图像采集设备在采集图像时的角度确定目标的空间坐标。轨迹估计单元404能够根据目标的空间位置，通过卡尔曼滤波估计算法估计目标的运动轨迹。

这样的装置能够先在图像中确定目标所在的预定形状的区域，进一步通过目标区域收敛操作提高区域确定的准确性，从而能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

本公开的目标运动轨迹估计装置的另一个实施例的示意图如图5所示。区域确定单元51、收敛运算单元52、空间定位单元53和轨迹估计单元54与图4所示实施例中相似。

空间定位单元53可以包括互相关滤波子单元531和定位子单元532。互相关滤波子单元531能够采用互相关算法进一步确定目标中心位置，同时通过对目标横纵方向尺度的分析，进一步提高标注精度；定位子单元532能够在互相关滤波子单元531确定图像中的目标中心位置后，获取目标在空间坐标系中的位置。

这样的目标运动轨迹估计装置能够克服目标在不同位置成像的多样性导致的中心位置的确定不稳定的问题，提高中心位置确定的准确度；能够使目标运动轨迹表示结果不受摄像机摄像角度的影响，运动轨迹的坐标系统一到空间坐标系下，进一步提高准确性，也能够提高根据运动轨迹修改图像捕捉角度操作的效率。

在一个实施例中，如图5所示，目标运动轨迹估计装置还可以包括预处理单元55，能够在确定图像中目标所在的区域之前对图像进行预处理。预处理单元55可以包括开运算子单元551、闭运算子单元552和处理图像获取子单元553。开运算子单元551能够先进行腐蚀运算，再进行膨胀运算，消除细小物体，突出物体边缘，使亮出的区域增大；闭运算子单元552能够先进行膨胀运算，再进行腐蚀运算，消除细小空洞，使得临近的物体相互连通，暗处的区域增大。处理图像获取子单元553能够将闭运算的结果减去开运算的结果。

这样的目标运动轨迹估计装置能够利用开运算和闭运算结果的优点，将暗处和亮出的区域均进行筛选和保留，进一步突出小型无人机在远端时的图像特征，解决无人机距离摄像机较远的位置，由于机翼颜色和光照的影响使无人机的成像变为一个亮点或一个暗点的问题，为后续的目标跟踪问题打下良好基础。

本公开目标运动轨迹估计装置的一个实施例的结构示意图如图6所示。目标运动轨迹估计装置包括存储器610和处理器620。其中：存储器610可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储上文中目标运动轨迹估计方法的对应实施例中的指令。处理器620耦接至存储器610，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器620用于执行存储器中存储的指令，能够提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

在一个实施例中，还可以如图7所示，目标运动轨迹估计装置700包括存储器710和处理器720。处理器720通过bus总线730耦合至存储器710。该目标运动轨迹估计装置700还可以通过存储接口740连接至外部存储装置750以便调用外部数据，还可以通过网络接口760连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。

在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够实现提高目标空间位置确认的准确度，提高目标跟踪的可靠性。

在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现目标运动轨迹估计方法对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开的目标跟踪系统的一个实施例的示意图如图8所示。目标运动轨迹估计装置81可以为上文中提到的任意一种目标运动轨迹估计装置。图像获取装置82能够为目标运动轨迹估计装置81提供图像。在一个实施例中，图像获取装置82可以为双目摄像机，或两个单目摄像机。转台83能够搭载图像获取装置82，通过转台83的角度调整改变图像获取装置82的拍摄角度，转台根据目标运动轨迹估计装置的估计结果跟随目标转动，从而实现对目标的跟踪。

这样的目标跟踪系统能够提高目标空间位置确认的准确度，提高目标运动轨迹估计的准确度，从而避免roi区域未包含无人机目标而导致对无人机的跟踪失败，提高目标跟踪的可靠性。

本公开的目标跟踪系统运行过程的一个实施例的示意图如图9所示。转台上搭载着图像获取装置获取原始图像901，经过形态学滤波图像预处理902得到处理后的图像，根据该图像执行目标位置估计。估计过程包括目标跟中算法904中的tld目标跟踪算法914处理和主动轮廓线跟踪算法924处理，继而经过互相关滤波跟踪算法905处理，得到目标中心点位置916，也能够得到无人机目标矩形框信息926。配合转台俯仰角、方位角信息927确定图像中的目标的空间坐标系，结合卡尔曼滤波算法实现运动轨迹的估计。转台根据估计结果承载图像获取装置转动，从而实现目标跟踪。

这样的目标跟踪系统能够实现对采集的图像的预处理操作，提高图像清晰度，能够通过tld算法与主动轮廓线跟踪算法的配合提高目标位置确定的准确性，通过互相关算法确定目标的中心位置，进一步通过卡尔曼滤波排除随机噪声的影响，从而从多个角度层次性的提高目标中心位置确定的准确度，提高目标运动轨迹估计的准确性，提高目标跟踪的可靠性。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

最后应当说明的是：以上实施例仅用以说明本公开的技术方案而非对其限制；尽管参照较佳实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本公开的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本公开技术方案的精神，其均应涵盖在本公开请求保护的技术方案范围当中。