本发明涉及无人机目标跟踪领域，特别涉及一种基于bp神经网络融合卡尔曼滤波算法的无人机目标跟踪方法。
背景技术：
为满足未来特种作战与城市巷战的需求，无人机技术得到了快速发展。无人机通过搭载摄像头可在人类不可到达或危险区域实施目标跟踪任务。无人机在目标跟踪过程中，通常会面临光照变化、目标容易被障碍物遮挡、通信延时等问题，最终导致无人机跟踪目标失败。因此如何准确预测被遮挡目标的位置坐标并实时控制无人机跟踪目标飞行已成为无人机目标跟踪领域亟待解决的问题。
技术实现要素：
本发明的目的在于克服现有技术的缺点和不足，提供一种基于bp神经网络融合卡尔曼滤波算法的无人机目标跟踪方法，从而有效解决了被跟踪目标被障碍物遮挡时易导致无人机跟踪目标失败以及目标跟踪实时性差的问题。
为实现上述目的，本发明所采用的技术方案为：
一种基于bp神经网络融合卡尔曼滤波算法的无人机目标跟踪方法，包括构造用于训练bp神经网络的数据集，其次在机载计算机上构建并实时在线训练用于预测被遮挡目标中心位置坐标的bp神经网络，然后将bp神经网络与卡尔曼滤波算法两种方法预测的目标中心位置坐标进行融合预测得到被遮挡目标中心的位置坐标，最终由机载计算机实时给飞行控制系统发送速度指令控制无人机实现目标跟踪飞行；具体包括以下步骤：
1)构造用于训练bp神经网络的数据集：利用机载计算机使用无人机在跟踪无障碍物遮挡的目标时由目标跟踪算法获得的目标中心的位置坐标构造用于训练bp神经网络的数据集；具体步骤如下：
1-1)首先在无人机跟踪无障碍物遮挡的目标时利用目标跟踪算法实时计算每一帧跟踪图像中被跟踪目标中心的位置坐标x、y，然后将最新的n帧图像中目标中心的位置坐标保存在数据容器中，并且保存在数据容器中的目标中心的位置坐标能够随着目标运动而实时更新；
1-2)利用数据容器中实时更新的n帧图像中目标中心的位置坐标构造用于训练bp神经网络的输入输出坐标差值，首先取出数据容器中前n-1帧图像中目标中心的位置坐标，将相邻图像中目标中心的位置坐标对应相减构建n-2组输入坐标差值，然后取出数据容器中后n-3帧图像中目标中心的位置坐标，将相邻图像中目标中心的位置坐标对应相减构建n-4组输出坐标差值；
2)训练bp神经网络并实时预测被遮挡目标的中心位置坐标：利用构建的输入输出坐标差值在线训练bp神经网络，然后在目标被障碍物遮挡时，将bp神经网络的预测值与卡尔曼滤波算法的预测值融合预测得到被遮挡目标中心的位置坐标；具体步骤如下：
2-1)首先利用步骤1-2)构建的输入输出坐标差值在线训练bp神经网络，然后在无人机跟踪目标时，通过实时计算当前目标颜色直方图与初始选定目标颜色直方图之间的巴氏系数判断目标是否被障碍物遮挡，当巴氏系数大于设定阈值时即判断为当前时刻即第k帧图像中的目标被障碍物遮挡，其次将与第k帧图像相邻的前两帧图像即第k-1帧与第k-2帧图像中被跟踪目标中心的位置坐标对应相减构建一组输入坐标差值，将该组输入坐标差值输入到bp神经网络中即预测得到一组输出坐标差值，最终将第k-1帧图像中目标中心的位置坐标与bp神经网络输出的坐标差值相加即得到由bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标；
2-2)然后利用卡尔曼滤波器根据状态预测方程预测被遮挡目标中心的位置坐标，卡尔曼滤波器的状态预测方程为xk＝axk-1+bkuk+wk，状态预测方程中xk和xk-1分别表示第k帧与第k-1帧图像中目标的运动状态，目标的运动状态包括目标中心的位置坐标、速度和加速度，a表示由第k-1帧图像到第k帧图像的状态转移矩阵；bk表示被跟踪目标运动系统的控制矩阵；uk为被跟踪目标运动系统的输入控制量；wk表示被跟踪目标运动系统的噪声；当无人机跟踪目标被障碍物遮挡时，卡尔曼滤波器利用状态预测方程根据第k-1帧图像中目标中心的位置坐标预测第k帧图像中目标中心的位置坐标，最终将bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标与卡尔曼滤波算法根据状态预测方程预测的第k帧图像中被遮挡目标中心的位置坐标进行融合预测得到第k帧图像中被障碍物遮挡的目标中心的位置坐标；
3)机载计算机控制无人机跟踪目标飞行：机载计算机根据目标中心与图像中心位置坐标的偏差控制无人机飞行速度，最终实现目标跟踪飞行；具体步骤如下：
3-1)首先由机载计算机利用pid控制器根据目标中心的当前位置坐标与图像中心坐标在x、y方向上的偏差计算无人机沿x、y方向的飞行速度，然后由机载计算机直接将飞行速度实时发送给无人机飞行控制系统，最终控制无人机实现实时目标跟踪飞行。
在步骤1-2)中，所述的bp神经网络包含一个输入层、一个隐含层和一个输出层，其中输入层包含四个神经元，隐含层包含九个神经元，输出层包含两个神经元；保存在数据容器中用于构造训练bp神经网络数据集而实时更新的图像为六帧，即n等于6。
在步骤2-2)中，所述将bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标与卡尔曼滤波算法根据状态预测方程预测的被遮挡目标中心的位置坐标进行融合的具体操作步骤为：将bp神经网络预测得到的第k帧图像中被遮挡目标中心的位置坐标作为卡尔曼滤波器的测量值与卡尔曼滤波算法根据状态预测方程预测的第k帧图像中被遮挡目标的中心位置坐标进行融合，最终预测得到第k帧图像中被障碍物遮挡的目标中心的位置坐标。
在步骤3-1)中，无人机飞行控制系统工作在offboard飞行模式中，机载计算机使用usb数据线与无人机飞行控制系统连接，并通过ros操作系统实时将飞行速度发送给无人机飞行控制系统，最终实现无人机目标跟踪飞行。
本发明和现有技术相比较，具备如下优点：
1、本发明所提出的新型无人机目标跟踪方法，融合了bp神经网络与卡尔曼滤波算法的优点，从而具备准确预测无人机目标跟踪过程中目标被障碍物遮挡时目标的中心位置坐标，提高了无人机目标跟踪的稳定性。
2、机载计算机通过ros操作系统直接给无人机飞行控制系统发送速度指令，节省了数据传输时间，提高了无人机目标跟踪的实时性。
具体实施方式
下面结合具体实施方式，对本发明作进一步详细说明。
本实施例所述的基于bp神经网络融合卡尔曼滤波算法的无人机目标跟踪方法，包括构造用于训练bp神经网络的数据集，其次在机载计算机上构建并实时在线训练用于预测被遮挡目标中心位置坐标的bp神经网络，然后将bp神经网络与卡尔曼滤波算法两种方法预测的目标中心的位置坐标进行融合得到被遮挡目标的中心位置坐标，最终由机载计算机使用ros操作系统实时给飞行控制系统发送速度指令控制无人机实现目标跟踪飞行；其具体实施过程如下：
1)构造用于训练bp神经网络的数据集：利用机载计算机使用无人机在跟踪无障碍物遮挡的目标时由目标跟踪算法获得的目标中心位置坐标构造用于训练bp神经网络的数据集；具体步骤如下：
1-1)首先在无人机跟踪无障碍物遮挡的目标时利用目标跟踪算法实时计算每一帧跟踪图像中被跟踪目标中心的位置坐标x、y，然后将最新的六帧(但不限于六帧)图像中目标的中心位置坐标保存在数据容器中，并且保存在数据容器中的目标的中心位置坐标能够随着目标运动而实时更新；
1-2)利用数据容器中实时更新的六帧(但不限于六帧)图像中目标中心的位置坐标构造用于训练bp神经网络的输入输出坐标差值，首先取出数据容器中前五帧(但不限于五帧)图像中目标中心的位置坐标，将相邻图像中目标中心的位置坐标对应相减构建四组(但不限于四组)输入坐标差值，然后取出数据容器中后三(但不限于三帧)帧图像中目标中心的位置坐标，将相邻图像中目标中心的位置坐标对应相减构建二组(但不限于二组)输出坐标差值；
2)训练bp神经网络并实时预测被遮挡目标的中心位置坐标：利用构建的输入输出坐标差值在线训练bp神经网络，然后在目标被障碍物遮挡时，将bp神经网络的预测值与卡尔曼滤波算法的预测值融合得到被遮挡目标中心的位置坐标；具体步骤如下：
2-1)首先利用步骤1-2)构建的输入输出坐标差值在线训练bp神经网络，然后在无人机跟踪目标时，通过实时计算当前目标颜色直方图与初始选定目标颜色直方图之间的巴氏系数判断目标是否被障碍物遮挡，当巴氏系数大于0.7时(但不限于0.7)即判断为当前时刻即第k帧图像中的目标被障碍物遮挡，其次将与第k帧图像相邻的前两帧即第k-1帧与第k-2帧图像中被跟踪目标中心的位置坐标对应相减构建一组输入坐标差值，将该组输入坐标差值输入到bp神经网络中即预测得到一组输出坐标差值，最终将第k-1帧图像中目标中心的位置坐标与bp神经网络输出的坐标差值相加即得到由bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标；
2-2)然后利用卡尔曼滤波器根据状态预测方程预测被遮挡目标中心的位置坐标，卡尔曼滤波器的状态预测方程为xk＝axk-1+bkuk+wk，状态预测方程中xk和xk-1分别表示第k帧与第k-1图像中目标的运动状态，目标的运动状态包括目标中心的位置坐标、速度和加速度，a表示由第k-1帧图像到第k帧图像的状态转移矩阵；bk表示被跟踪目标运动系统的控制矩阵；uk为被跟踪目标运动系统的输入控制量；wk表示被跟踪目标运动系统的噪声；当无人机跟踪目标被障碍物遮挡时，卡尔曼滤波器利用状态预测方程根据第k-1帧图像中目标中心的位置坐标预测第k帧图像中目标中心的位置坐标，最终将bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标与卡尔曼滤波算法根据状态预测方程预测的第k帧图像中被遮挡目标中心的位置坐标进行融合预测得到第k帧图像中被障碍物遮挡的目标中心的位置坐标；
3)机载计算机控制无人机跟踪目标飞行：机载计算机根据目标中心与图像中心位置坐标的偏差控制无人机飞行速度，最终实现目标跟踪飞行；具体步骤如下：
3-1)首先由机载计算机利用pid控制器根据目标中心的当前位置坐标与图像中心坐标在x、y方向上的偏差计算无人机沿x、y方向的飞行速度，然后由机载计算机通过ros操作系统直接将飞行速度实时发送给无人机飞行控制系统，最终控制无人机实现实时目标跟踪飞行。
作为本发明的优选实施方式，在步骤2-2)中，所述将bp神经网络预测的第k帧图像中被遮挡目标中心的位置坐标与卡尔曼滤波算法根据状态预测方程预测的被遮挡目标中心的位置坐标进行融合的具体操作步骤为：将bp神经网络预测得到的第k帧图像中被遮挡目标中心的位置坐标作为卡尔曼滤波器的测量值与卡尔曼滤波算法根据状态预测方程预测的第k帧图像中被遮挡目标的中心位置坐标进行融合，最终预测得到第k帧图像中被障碍物遮挡的目标中心的位置坐标。
在步骤3-1)中，无人机飞行控制系统工作在offboard飞行模式中，机载计算机使用usb数据线与无人机飞行控制系统连接，并通过ros操作系统实时将飞行速度发送给无人机飞行控制系统，最终实现无人机目标跟踪飞行。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之流程、原理和bp神经网络结构所作的数量上的变化，均应涵盖在本发明的保护范围内。