陳菲雨，岳文斌，饒穎露，邢金昊，馬曉靜

山東大學(xué) 海洋研究院，山東 青島266237

1 引言

近年來，具有尺寸小、重量輕、良好隱蔽性等特點的無人飛行器已經(jīng)廣泛使用，而多旋翼無人機系統(tǒng)因其結(jié)構(gòu)更加簡單、良好的穩(wěn)定性、靈活的起飛著陸模式、占地面積小、轉(zhuǎn)向性能好等，成為民用/商業(yè)和研究領(lǐng)域的熱點。面對越來越多地?zé)o人機民用新需求，比如動態(tài)追蹤拍攝[1]、快遞行業(yè)定點投送物品[2]等，對微型無人機的自主精準(zhǔn)降落技術(shù)[3]提出了新的挑戰(zhàn)。

由于四旋翼無人機尺寸小、飛行速度易變、飛行環(huán)境復(fù)雜，因此，實際的無人機自主精準(zhǔn)降落技術(shù)對目標(biāo)定位和跟蹤方法的精度與速度有較高的要求。基于全球定位系統(tǒng)（Global Positioning System，GPS）導(dǎo)航[4]的自動定位是目前最常用的方法，但GPS引導(dǎo)自動定位有一定的不足。首先，不做特殊處理的GPS定位精度僅能達到10 m，對于地形復(fù)雜的區(qū)域，比如建筑群密集的城市，無人機很可能因為導(dǎo)航誤差在低空區(qū)域墜毀；其次，GPS信號受非空氣介質(zhì)的極大干擾，在森林等遮擋物較多的區(qū)域，會造成誤差增大，甚至可能丟失信號；專業(yè)級高精度GPS設(shè)備成本昂貴，不具備經(jīng)濟實用性。

精密GPS測量技術(shù)同時也在不斷發(fā)展，如差分GPS技術(shù)、RTK（Real Time Kinematic）技術(shù)等，雖然能達到厘米的精度，但其位置更新速度僅在10 Hz 左右，并不能滿足無人機在多種環(huán)境下的快速實時控制，以實現(xiàn)精準(zhǔn)降落。鑒于現(xiàn)有的定位技術(shù)精度和速度不高，故而利用視覺方向的圖像處理技術(shù)來進行無人機的定位輔助是一個可嘗試的解決方向。對無人機視野中得到的特定目標(biāo)進行圖像相關(guān)的處理，利用目標(biāo)跟蹤算法實現(xiàn)檢測、識別與跟蹤降落目標(biāo)，但是目前已有的算法并不能完全滿足精準(zhǔn)定位所需的精準(zhǔn)度與實時性，因此如何優(yōu)化跟蹤算法以滿足實際需求，仍是無人機精準(zhǔn)降落的核心問題。

近年來在目標(biāo)跟蹤方向的算法研究取得了較大進展[5-10]，典型算法如KCF 算法，雖然該算法的實時性較好，但該算法在目標(biāo)處于復(fù)雜背景中或者消失又重新出現(xiàn)視野中等情況時，會錯誤或丟失跟蹤的目標(biāo)。目前也有很多關(guān)于深度學(xué)習(xí)在跟蹤目標(biāo)方面的研究，這些算法即使可以達到較高的跟蹤精度和實時性，但仍不能在長期跟蹤目標(biāo)方面實現(xiàn)突破。TLD 目標(biāo)跟蹤算法是一種綜合性能較好的算法且能很好地適應(yīng)長時間的跟蹤，特別是在跟蹤快速移動的目標(biāo)、會被遮擋的目標(biāo)、消失又重現(xiàn)的目標(biāo)及其他復(fù)雜情況時，其性能相對優(yōu)于其他算法，但是由于該算法復(fù)雜度高，檢測模塊和學(xué)習(xí)模塊計算量大，計算過程復(fù)雜，所以實時性仍差強人意。

本文在分析TLD 和KCF 算法的基礎(chǔ)上，針對無人機自主精準(zhǔn)降落過程的特點，用KCF 算法代替了TLD算法中的跟蹤器，提高了TLD算法的魯棒性，并提出在降落過程中采用一種基于方向梯度直方圖特征（Histogram of Gradient，HOG）和支持向量機（Support Vector Machine，SVM）的目標(biāo)識別方法，以實現(xiàn)目標(biāo)檢測自矯正，保證長時間準(zhǔn)確跟蹤目標(biāo)，從而提高了算法跟蹤目標(biāo)的速度及精度。為了驗證本文方法的有效性，針對無人機實際降落時的數(shù)據(jù)集進行測試，與其他幾種跟蹤算法進行了對比，最終進行了實際降落測試。

2 TLD算法組成框架

TLD算法由三個模塊組成，如圖1所示，分別為：跟蹤模塊、檢測模塊與學(xué)習(xí)模塊[11]。跟蹤模塊采用光流法跟蹤器，且為獲取其中的穩(wěn)定跟蹤點，TLD 算法引入了基于NCC（Normal Cross Correlation）[12]相似性計算和前向后向跟蹤法的失敗檢測機制，最后將穩(wěn)定跟蹤點之間的位移中值與尺度變化中值作為跟蹤模塊的輸出。檢測模塊對每一幀采用多種尺度進行全局掃描，并將得到的檢測窗口依次通過級聯(lián)分類器，將最終通過的窗口作為檢測模塊的輸出。跟蹤模塊與檢測模塊獨立并行地對每一幀進行處理，將兩者的結(jié)果依據(jù)一定的融合策略進行融合，得出最終的跟蹤位置。學(xué)習(xí)模塊根據(jù)跟蹤結(jié)果對當(dāng)前幀的正負(fù)樣本進行采樣，并采用P-N學(xué)習(xí)策略[13]對目標(biāo)模型進行學(xué)習(xí)與更新。

圖1 TLD算法組成框架

在TLD 算法的跟蹤模塊中，光流跟蹤器在目標(biāo)出現(xiàn)快速運動、遮擋或者光照發(fā)生變化等情況時易產(chǎn)生跟蹤漂移[14-15]，進而導(dǎo)致跟蹤失敗。而在TLD 算法中，檢測模塊的訓(xùn)練樣本是實時獲取的，若算法運行初期，跟蹤模塊無法為檢測模塊提供“高質(zhì)量”的訓(xùn)練樣本，則檢測模塊的準(zhǔn)確性無法得到提高，進而導(dǎo)致算法喪失重檢測的功能。在實時性方面，為了選取穩(wěn)定跟蹤點，跟蹤模塊在光流法的基礎(chǔ)上增加了前向后向跟蹤機制和運算量較大的NCC 相似性計算[11]，因此算法的運行速度受到影響。綜上所述，單純的TLD 算法并不能滿足無人機實現(xiàn)自主精準(zhǔn)降落時所需要的實時性及魯棒性。

3 基于TLD框架的目標(biāo)跟蹤算法

本文提出了一種基于TLD框架的改進目標(biāo)跟蹤算法，整體結(jié)構(gòu)如圖2 所示。在改進算法中，跟蹤模塊使用KCF 算法，該算法通過核函數(shù)對多通道的HOG 特征進行融合，其跟蹤精度比傳統(tǒng)TLD 算法中的光流跟蹤器精度更高；同時該算法將將時域圖像轉(zhuǎn)換到頻域處理，降低了算法的復(fù)雜度，滿足了無人機降落的實時性需求。檢測模塊使用級聯(lián)分類器對目標(biāo)進行精確定位，提高了算法的檢測效率。改進算法中包含的TLD學(xué)習(xí)部分，解決了當(dāng)目標(biāo)在當(dāng)前圖像中消失后，KCF 算法會將背景當(dāng)做目標(biāo)進行跟蹤，而目標(biāo)重新出現(xiàn)后無法繼續(xù)跟蹤原目標(biāo)的問題。同時由于本算法應(yīng)用于無人機自主精準(zhǔn)降落，對第一幀降落目標(biāo)的自主準(zhǔn)確獲取至關(guān)重要，同時后續(xù)長期的目標(biāo)跟蹤準(zhǔn)確率也需得到保證，故而本文算法采用基于HOG和SVM的檢測自矯正模塊，以固定頻率檢驗并矯正跟蹤算法得到的目標(biāo)位置。

3.1 基于KCF算法的跟蹤模塊

本文算法引入KCF 算法作為跟蹤器，KCF 跟蹤算法的核心思想是將跟蹤目標(biāo)區(qū)域進行循環(huán)移位，從而構(gòu)造大量的樣本來訓(xùn)練分類器；通過核函數(shù)來計算候選區(qū)域與跟蹤目標(biāo)的相似程度，選取相似度最大的候選區(qū)域為新的跟蹤目標(biāo)；同時利用離散傅里葉變換降低分類器訓(xùn)練和檢測過程中的運算量。

3.1.1 訓(xùn)練樣本集合

KCF 算法中一張目標(biāo)區(qū)域的樣本圖樣x 需要在訓(xùn)練分類器的過程中使用，記x 是l×n 的向量。但KCF算法與其他判別算法的不同點在于，在分類器的訓(xùn)練過程中，KCF算法并不嚴(yán)格區(qū)分正樣本和負(fù)樣本。

使用置換矩陣P 對唯一的目標(biāo)區(qū)域樣本圖像進行循環(huán)移位，得到訓(xùn)練樣本集合其中：

記Xi為循環(huán)移動i 位后的訓(xùn)練樣本，Xi=Pix,?i=0,1,…,n-1 構(gòu)成循環(huán)矩陣X：

對于訓(xùn)練的樣本Xi，賦予標(biāo)簽γi（γi值服從高斯分布）。

3.1.2 分類器訓(xùn)練

在KCF 算法中，分類器可以計算出所有候選區(qū)域成為跟蹤目標(biāo)的概率，判定概率最大值的候選區(qū)域為跟蹤目標(biāo)。訓(xùn)練分類器的過程可以用以下數(shù)學(xué)公式描述：

圖2 本文算法整體結(jié)構(gòu)

即找到最優(yōu)的w，使得代價函數(shù)（4）最小。其中λ 用于控制系統(tǒng)的結(jié)構(gòu)復(fù)雜性。

由文獻[16]可知：

其中，αi為對應(yīng)訓(xùn)練樣本Xi的系數(shù)；φ(x)是將訓(xùn)練樣本x 映射到高維度特征空間的函數(shù)，任意兩個樣本x和x*在高維度特征空間的相關(guān)性或相似度為φT(x)φ(x*)=κ(x,x*)，其中κ 為高斯核函數(shù)。

其中，F(xiàn) 為離散傅里葉變換；F-1為離散傅里葉逆變換。由所有訓(xùn)練樣本Pix(i=0,1,F,n-1)構(gòu)造該矩陣K，K 的元素Ki,j=κ(Xi,Xj)，由文獻[16]可得：

其中a=[a1,a2,…,an]。對上式進行傅里葉變換：

3.2 TLD檢測模塊及學(xué)習(xí)模塊

TLD檢測模塊采用掃描窗口對每一幀進行處理，并給出其中是否含有待檢測目標(biāo)。如此一來，檢測部分可以得到目前為止所有目標(biāo)的特征，而且在必要的時候矯正跟蹤位置，不斷修正跟蹤器，檢測模塊部分其實是一種級聯(lián)分類器結(jié)構(gòu)，每個可能出現(xiàn)待檢測目標(biāo)的區(qū)域，依次經(jīng)過方差分類器、集成分類器和最鄰近分類器，上述任何一個分類器都可以判斷當(dāng)前檢測區(qū)是否含有檢測目標(biāo)，但是只有這三個分類器均判斷含有目標(biāo)才能被確認(rèn)當(dāng)前檢測區(qū)域含有檢測目標(biāo)。

學(xué)習(xí)模塊[18]是TLD算法框架中的亮點和重點，該模塊的作用是提高檢測器的性能。學(xué)習(xí)器是一個在線的過程，在視頻的每一幀中，學(xué)習(xí)器希望能夠評估當(dāng)前檢測器，判斷其是否出現(xiàn)錯誤并及時更新以避免將來出現(xiàn)類似的錯誤。該模塊采用半監(jiān)督的P-N學(xué)習(xí)模式，即當(dāng)檢測器對樣本分類產(chǎn)生錯誤時，針對不同的錯誤提供不同的模型來進行糾正，其中P模型針對檢測時漏檢的正樣本進行改正；N模型針對檢測時誤檢的正樣本進行改正。

3.3 基于HOG和SVM的檢測自矯正模塊

無論是TLD 算法還是核相關(guān)濾波算法，均為半主動跟蹤，即沒有目標(biāo)的先驗信息，需要外部的初始化，而在無人機自主精準(zhǔn)降落的過程中，需要實現(xiàn)主動跟蹤，即自動實現(xiàn)先驗信息初始化。在本文的方法中，將通過邊緣檢測和輪廓提取的方法，確定有形狀特征跟蹤目標(biāo)的先驗信息，實現(xiàn)初始化。但在實際定位過程中，由于光照、移動、遮擋、尺寸變化等原因，跟蹤目標(biāo)的初始化往往會出現(xiàn)一些問題，因此本文采用了如圖3所示的基于HOG[19]和SVM[20]的檢測自矯正模塊對先驗信息進行矯正，以保證后續(xù)跟蹤檢測的準(zhǔn)確度。

無人機降落過程中獲得的圖片通過上述流程后，將得到的預(yù)測結(jié)果同經(jīng)過邊緣檢測和輪廓提取方法獲得的跟蹤目標(biāo)信息相比較，計算兩種結(jié)果的重合度，從而判定是否需要進行矯正，如若需要，則將最終通過矯正模塊獲得的結(jié)果作為初始化信息。

同時由于目前的跟蹤算法都無法在長時間的跟蹤過程中實現(xiàn)可靠的效果，本文還設(shè)置一定的時間節(jié)點（本文采用25 幀圖片序列）進行檢測矯正，重新檢測跟蹤目標(biāo)，獲得最小外接矩形框，同時調(diào)用本模塊獲得目標(biāo)信息并計算重合度。此時，當(dāng)出現(xiàn)跟蹤失敗的情形時，即兩種結(jié)果重合度低于閾值時，可以實現(xiàn)及時對跟蹤結(jié)果的矯正。

在無人機反復(fù)實現(xiàn)降落的過程中，本校正模塊將在不同條件下獲得的降落目標(biāo)圖像信息進行在線學(xué)習(xí)，不斷提高本模塊的矯正精度，為無人機的精準(zhǔn)降落提供有力支持。

4 實驗結(jié)果分析

圖3 基于HOG和SVM的檢測自矯正模塊

為了驗證本文改進算法（標(biāo)記為Ours）的有效性，對其進行了定性及定量分析，最后還進行了無人機實際降落測試。實驗的軟件環(huán)境為Matlab2014a、Visual Studio 2013，測試硬件環(huán)境為Intel?Core?i7 2.8 GHz。用于進行實驗對比的TLD 算法和KCF 算法均采用基于opencv3 的C++語言實現(xiàn)，且上述算法的源碼均從其作者提供的網(wǎng)站上獲得，被跟蹤的目標(biāo)均是由邊緣檢測及輪廓提取處理第一幀視頻獲得。為了驗證本文算法的優(yōu)越性，拍攝了模擬無人機實際降落至特定目標(biāo)位置時的視頻進行測試，這些視頻均在同一拍攝條件、拍攝環(huán)境下完成，涵蓋了目標(biāo)快速移動、目標(biāo)遮擋、相似目標(biāo)干擾、目標(biāo)尺度變化、目標(biāo)旋轉(zhuǎn)、目標(biāo)出視野及光照強度變化等復(fù)雜情況，共計7 類視頻序列40 組視頻序列。實驗中對于所有的測試視頻，算法中的參數(shù)均保持不變。

4.1 定性分析

對本文算法在已有的40 組視頻序列上進行測試，并與其他三種算法進行了比較，這三種算法分別：KCF、TLD和KCF+TLD，為了更直觀地對算法進行定性分析，本文選取了組具有代表性的視頻用于展示，圖4為各組視頻序列實驗結(jié)果的部分截圖。

目標(biāo)遮擋：在名為Person、Paper、Similar-paper 的三類視頻序列組中，目標(biāo)均存在被遮擋的現(xiàn)象。以Person-1 為例進行分析，如圖4（a）所示，目標(biāo)被人遮擋后再次出現(xiàn)，KCF 將不能跟上重新出現(xiàn)在視野中的目標(biāo)，而是將移動的目標(biāo)判斷為跟蹤目標(biāo)，表明本文算法相較于KCF而言跟蹤效果更好。

目標(biāo)旋轉(zhuǎn)：在名為PR45、PR90、PR180、PR360 的四類視頻序列組中，目標(biāo)均存在旋轉(zhuǎn)的現(xiàn)象，并旋轉(zhuǎn)了不同的角度。以PR180-1、PR360-2 為例進行分析，如圖4（b）及圖4（c）所示，目標(biāo)在進行不同程度的旋轉(zhuǎn)后，只有本文算法能夠精準(zhǔn)地將目標(biāo)包含在跟蹤框內(nèi)，其他算法均在一定程度上將多余的部分包含入目標(biāo)框。

尺度變化：在名為SV 的這類視頻序列組中目標(biāo)均發(fā)生了尺寸變化，以SV-M 為例進行分析，如圖4（d）所示，在目標(biāo)的尺度逐漸變大的過程中，只有本文算法及KCF+TLD能準(zhǔn)確的將目標(biāo)包含在跟蹤框內(nèi)。

目標(biāo)移出視野：在名為OV的這類視頻序列組中目標(biāo)有較長一段時間以不同次數(shù)消失在視野中，以O(shè)V-2分析為例，如圖4（e）所示，可以看到只有本文算法能夠從始至終的跟蹤目標(biāo)，跟蹤結(jié)果不會因為目標(biāo)移出視野受到影響。

光照強度：在名為LR 的這類視頻序列組中目標(biāo)受到的光照強度會發(fā)生變化且目標(biāo)在LR-M 視頻序列中會發(fā)生移動，以LR-M分析為例，如圖4（f）所示，可以看到只有本文算法能夠始終對目標(biāo)保持穩(wěn)定的跟蹤。

復(fù)雜背景：在名為BC-person、BC-box、BC-pbox 的三類視頻序列組中，目標(biāo)均處于背景復(fù)雜的環(huán)境中，且在BC-pbox及BC-person視頻序列中背景中均有移動物體，分別為人與紙箱。以BC-pbox1分析為例，如圖4（g）所示，可以看到本文算法與其他算法跟蹤效果均不錯，始終可以對目標(biāo)保持穩(wěn)定的跟蹤，不受移動的復(fù)雜背景影響。

4.2 定量分析

圖4 跟蹤算法的定性比較

定量分析采用的兩種定量評價方式為：精度曲線（precision plot）和成功率曲線（success plot），評價時需要用到的兩個指標(biāo)是中心位置誤差和重疊率，中心位置誤差（Center Location Error，CLE）指的是目標(biāo)跟蹤位置與目標(biāo)真實位置之間的平均歐氏距離，重疊率（Overlap Rate，OR）指的是跟蹤目標(biāo)區(qū)域和實際目標(biāo)區(qū)域的交集與并集之比。精度曲線描述的是中心位置誤差小于給定閾值的視頻幀數(shù)占總幀數(shù)的比值，成功率曲線描述的是重疊率大于給定閾值的視頻幀數(shù)占總幀數(shù)的比值。在本文中精度曲線和成功率曲線的閾值分別設(shè)置為20 pixel和0.5。

圖5 為利用OTB2013 測試平臺原理[21]在MATLAB軟件平臺上運行得到的精度曲線與成功率曲線對比圖。由圖可知，本文算法的精度和成功率在所有算法中均排第一，分別達到了90.80%和79.26%，較KCF算法提高了6.07%和7.06%，較TLD算法提高了6.54%和15.19%，較KCF+TLD算法提高了10.62%和5.27%。

圖5 OTB2013測試標(biāo)準(zhǔn)得到的精度曲線與成功率曲線

表1、2描述了所有算法在本測試數(shù)據(jù)的7個屬性上取得的精確度與成功率。由表可知，本文算法在尺度變化（SV）、快速運動（FM）、出視野（OV）、復(fù)雜背景（BC）、目標(biāo)旋轉(zhuǎn)（PR）和光照強度（LR）這6個屬性上的跟蹤精度及成功率均排第一，目標(biāo)遮擋（OCC）這一屬性上，兩項指標(biāo)以0.079和0.15的劣勢僅次于KCF。

在跟蹤速度上，各算法在7 類視頻序列共計40 組視頻序列上的平均幀率如表3所示，本文算法的平均幀率達到31.47 f/s，雖然本文算法的平均幀率并非最高，但本文算法相較于傳統(tǒng)算法在各項屬性及平均幀率上的綜合表現(xiàn)，仍可認(rèn)為本文算法取得了較好的實時跟蹤效果。

表1 不同屬性上各算法的精度對比

表2 不同屬性上各算法的成功率對比

表3 各算法的平均幀率對比（f·s-1）

5 自主降落實驗驗證

為測試算法在真實環(huán)境下的性能效果，搭建了室內(nèi)及室外的實驗環(huán)境，如圖6、7 所示，并進行了多次測試。實驗采用的是型號為M100的大疆四旋翼無人機，降落圖像信息通過無人機機載云臺獲取并通過圖傳設(shè)備進行傳輸，飛控系統(tǒng)和計算機之間通過無線數(shù)傳進行通信。

圖6 無人機在室內(nèi)環(huán)境進行降落

圖7 無人機在室外環(huán)境進行降落

無人機收到計算機給出的起飛指令后，按照既定路線飛行后到達降落地點（視野內(nèi)出現(xiàn)特定降落目標(biāo)），從距離地面5 m的高度開始進入自主精準(zhǔn)降落程序，云臺將含有降落目標(biāo)的圖像信息傳給計算機，實時計算出無人機與降落目標(biāo)的相對位置，再由無線傳輸將相對位置目標(biāo)告知飛控系統(tǒng)，飛控系統(tǒng)控制無人機完成整個自主降落過程。

本文通過同一四旋翼無人機在同一飛控系統(tǒng)的控制下，分別在室外及室內(nèi)實驗環(huán)境下進行自主降落實驗。為防止結(jié)果的偶然性，本文在室內(nèi)或室外的同一環(huán)境下，每種算法均進行8次實驗，總共進行了64次實驗，每次實驗過程中，上述的7項屬性均在不同程度上對無人機的降落條件進行改變，同時在室外實驗過程中，風(fēng)速大小也將影響降落過程，此時對算法的實時性及精準(zhǔn)性有較高的要求。降落結(jié)果評價方式分為平均降落時間、平均降落精度及降落成功率，其中降落精度為無人機云臺中心與降落目標(biāo)中心之間的水平距離。

圖8 為實驗過程中環(huán)境發(fā)生典型變化時無人機云臺所獲取的圖像信息，表4則描述了各算法在室內(nèi)及室外環(huán)境中分別進行實驗的結(jié)果。由表4可知，雖然傳統(tǒng)算法在部分實驗過程中降落精度及降落時間優(yōu)于本文算法，但傳統(tǒng)算法均會在目標(biāo)移動、旋轉(zhuǎn)、遮擋等因素的影響下發(fā)生跟蹤失敗從而降落過程被迫中斷的情況，如KCF算法在目標(biāo)上方出現(xiàn)移動遮擋物后，將出現(xiàn)跟蹤錯誤目標(biāo)的情況；TLD 算法則由于其實時性較差，若在室外實驗的過程中風(fēng)速較大，無人機將難以控制其保持在降落區(qū)域，從而降落時間較長，甚至最終完全偏離降落地點；KCF+TLD 算法在多數(shù)情況下雖然能夠較為快速而精準(zhǔn)的降落，但面對一些干擾，如降落目標(biāo)移動、遮擋物遮擋等，仍會出現(xiàn)跟蹤錯誤的情況，由于沒有檢測自矯正模塊，無人機仍將跟蹤錯誤從而降落失敗。本文算法在數(shù)次實驗中出現(xiàn)失敗在于降落階段風(fēng)力超過4 級（吹起塵土、沙粒、降落目標(biāo)紙張等），即使算法的實時性能夠滿足要求，飛控系統(tǒng)也較難控制無人機實現(xiàn)精準(zhǔn)降落。綜上，通過實際實驗驗證，本文算法的魯棒性、實時性和精準(zhǔn)度均優(yōu)于其他算法，能夠有效地實現(xiàn)無人機全自主精準(zhǔn)降落。

圖8 無人機在變化環(huán)境下降落的云臺信息

6 結(jié)束語

本文針對在光照變化、運動模糊以及目標(biāo)遮擋等復(fù)雜情況下，傳統(tǒng)TLD算法及KCF算法易出現(xiàn)跟蹤失敗、實時性較低等問題，在TLD 算法框架下引入了KCF 跟蹤器，并根據(jù)無人機實際降落需求及流程，增加了基于HOG和SVM的檢測自矯正模塊，提高了長時間下跟蹤算法中心位置點確定的精準(zhǔn)度即跟蹤的準(zhǔn)確性，同時算法的實時性也得到了提高，為后續(xù)無人機得到相關(guān)位置信息從而進行控制打下了堅實的基礎(chǔ)。本文對改進的算法利用OTB2013測試標(biāo)準(zhǔn)及測試視頻序列組進行評價，結(jié)果顯示改進算法的跟蹤精度與成功率分別達到了90.80%和79.26%，在所有測試視頻上的平均幀率達到了31.47 f/s。對本文改進算法在數(shù)據(jù)集中各個屬性上的定性分析表明，在尺度變化、快速運動、出視野、復(fù)雜背景、目標(biāo)旋轉(zhuǎn)和光照強度變化這幾種復(fù)雜情況下，改進算法與其他三種算法相比，具有更好的準(zhǔn)確性與魯棒性。通過在室內(nèi)及室外進行自主降落實驗，驗證了本文算法在不確定環(huán)境下相較于其他算法的良好降落性能。

表4 各算法的降落結(jié)果對比