35、实时鲁棒目标跟踪系统解析

实时鲁棒目标跟踪系统解析

1. 传统目标跟踪算法的困境与新系统的提出

传统目标跟踪算法存在诸多问题。一些算法消耗大量计算资源，难以满足伺服控制的实时要求。传统目标跟踪算法如均值漂移算法、粒子滤波、卡尔曼滤波、TLD、MOSSE、KCF、Stable等，虽通过在线学习实现了实时有效的目标跟踪且计算量低，但常使用固定尺度的边界框，对尺度变化的鲁棒性较差。

为解决这些问题，提出了一种实时鲁棒目标跟踪系统，该系统包括兼顾速度和精度的目标跟踪算法以及基于李雅普诺夫稳定视觉的运动学控制器。

2. 目标跟踪系统框架

对于四足机器人的跟随任务，提出的实时鲁棒目标跟踪系统由目标跟踪算法和基于视觉的运动学控制器组成。
- 目标跟踪算法：结合深度学习的精度优势和核相关滤波器的速度优势，能实时且稳健地检测目标位置。具体而言，先通过该算法感知目标的当前状态，为四足机器人获取由目标位置定义的期望轨迹。
- 基于视觉的运动学控制器：基于反步法设计了满足李雅普诺夫稳定性的轨迹跟踪控制器，实现四足机器人跟随人类的运动学控制。

其流程如下：

graph LR
    A[目标跟踪算法感知目标状态] --> B[获取期望轨迹]
    B --> C[基于反步法设计控制器]
    C --> D[实现运动学控制]

3. 鲁棒实时目标跟踪算法

3.1 卡尔曼 - 核相关滤波器（Kalman - KCF）

在提出的跟踪算法中，使用卡尔曼滤波器为KCF初步预测待检测区域，以