本發(fā)明涉及電力巡檢技術(shù)領(lǐng)域，具體涉及高壓架空輸電線路巡線無人機載光電檢測裝置。

背景技術(shù)：

電力企業(yè)每年都要投入巨大的人力物力對輸電線路進行定期巡視檢查。相關(guān)技術(shù)中,電路線巡檢工作主要由人工完成，而人工巡檢存在工作效率低、準確性差等問題，對于保證電網(wǎng)的安全運行極為不利。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明旨在提供高壓架空輸電線路巡線無人機載光電檢測裝置。

本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：

高壓架空輸電線路巡線無人機載光電檢測裝置，主要包括無人機、GPS慣性組合姿態(tài)方位檢測裝置、減振器、可轉(zhuǎn)動檢測平臺、地面數(shù)據(jù)接收器和控制器，無人機內(nèi)部設(shè)置GPS慣性組合姿態(tài)方位檢測裝置，所述可轉(zhuǎn)動檢測平臺通過減振器懸掛于無人機下方，可轉(zhuǎn)動檢測平臺上設(shè)置用于巡檢的全自動跟蹤裝置和GPS定位裝置；所述地面數(shù)據(jù)接收器用于接收無人機發(fā)來的巡檢信息；所述控制器用于控制無人機沿設(shè)定的飛行航線飛行，并控制全自動跟蹤裝置和GPS定位裝置的運行。

本發(fā)明的有益效果為：通過全自動跟蹤裝置和GPS定位裝置對高壓架空輸電線進行巡檢和定位，實現(xiàn)了多方位的監(jiān)測，且設(shè)置控制器和用于接收無人機發(fā)來的巡檢信息的地面數(shù)據(jù)接收器，實現(xiàn)無人機內(nèi)設(shè)備的控制和巡檢信息的傳遞，自動化程度高，節(jié)省了人力成本，從而解決了上述的技術(shù)問題。

附圖說明

利用附圖對本發(fā)明作進一步說明，但附圖中的應(yīng)用場景不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)簡易示意圖；

圖2是本發(fā)明全自動跟蹤裝置的模塊連接示意圖。

附圖標記：

無人機1、GPS慣性組合姿態(tài)方位檢測裝置2、減振器3、可轉(zhuǎn)動檢測平臺4、全自動跟蹤裝置5、GPS定位裝置6、一體化球形攝像機50、感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52、高壓架空輸電線定位模塊53、初始化子模塊521、狀態(tài)轉(zhuǎn)移模型建立子模塊522、觀測模型建立子模塊523、高壓架空輸電線候選區(qū)域計算子模塊524、位置修正子模塊525、重采樣子模塊526。

具體實施方式

結(jié)合以下應(yīng)用場景對本發(fā)明作進一步描述。

應(yīng)用場景1

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的高壓架空輸電線路巡線無人機載光電檢測裝置，主要包括無機1、GPS慣性組合姿態(tài)方位檢測裝置2、減振器3、可轉(zhuǎn)動檢測平臺4、地面數(shù)據(jù)接收器和控制器，無人機內(nèi)部設(shè)置GPS慣性組合姿態(tài)方位檢測裝置2，所述可轉(zhuǎn)動檢測平臺4通過減振器3懸掛于無人機下方，可轉(zhuǎn)動檢測平臺4上設(shè)置用于巡檢的全自動跟蹤裝置5和GPS定位裝置6；所述地面數(shù)據(jù)接收器用于接收無人機發(fā)來的巡檢信息；所述控制器用于控制無人機沿設(shè)定的飛行航線飛行，并控制全自動跟蹤裝置5和GPS定位裝置6的運行。

優(yōu)選的，所述控制器包括操作界面、用于設(shè)定無人機飛行航線的航線規(guī)劃模塊。

本發(fā)明上述實施例通過全自動跟蹤裝置5和GPS定位裝置6對高壓架空輸電線進行巡檢和定位，實現(xiàn)了多方位的監(jiān)測，且設(shè)置控制器和用于接收無人機發(fā)來的巡檢信息的地面數(shù)據(jù)接收器，實現(xiàn)無人機內(nèi)設(shè)備的控制和巡檢信息的傳遞，自動化程度高，節(jié)省了人力成本，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述全自動跟蹤裝置5包括用于采集高壓架空輸電線路的巡檢視頻的一體化球形攝像機50。

本優(yōu)選實施例采用一體化球形攝像機50，可實現(xiàn)360度攝像，且攝像精度高。

優(yōu)選的，所述全自動跟蹤裝置5還包括感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52和高壓架空輸電線定位模塊53；所述感興趣區(qū)域檢測模塊51用于在采集的視頻圖像中檢測高壓架空輸電線的感興趣區(qū)域D₁并以此作為高壓架空輸電線的區(qū)域模板；所述高壓架空輸電線區(qū)域確定模塊52用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測高壓架空輸電線候選區(qū)域；所述高壓架空輸電線定位模塊53用于對所述高壓架空輸電線候選區(qū)域和所述高壓架空輸電線的區(qū)域模板進行特征相似度量，識別高壓架空輸電線，并采用GPS定位裝置確定高壓架空輸電線的位置坐標。

本優(yōu)選實施例構(gòu)建了全自動跟蹤裝置5的模塊架構(gòu)。

優(yōu)選的，所述高壓架空輸電線區(qū)域確定模塊52包括：

(1)初始化子模塊521：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊522：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測模型建立子模塊523，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)高壓架空輸電線候選區(qū)域計算子模塊524：其利用最小方差估計來計算高壓架空輸電線候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊525：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊526：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進行采樣粒子的權(quán)值更新，有效增強了全自動跟蹤裝置5的魯棒性；設(shè)置位置修正子模塊525，能夠避免異常數(shù)據(jù)對整個系統(tǒng)帶來的影響；在重采樣子模塊526中，利用當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進一步增強了全自動跟蹤裝置5的魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝50，跟蹤速度相對提高了8％，跟蹤精度相對提高了5％。

應(yīng)用場景2

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的高壓架空輸電線路巡線無人機載光電檢測裝置，包括無人機平臺1、設(shè)置在無人機平臺1內(nèi)的全自動跟蹤裝置5、瞄準抓捕裝置3和設(shè)置在地面的控制器4，所述控制器4與全自動跟蹤裝置5、瞄準裝置、抓捕裝置之間通過無線聯(lián)通；所述全自動跟蹤裝置5用于確定高壓架空輸電線的位置坐標并將位置坐標傳送給控制器4和瞄準抓捕裝置3，所述瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)所述位置坐標實施抓捕。

本優(yōu)選實施例實現(xiàn)了無人機在抓捕犯罪分子的領(lǐng)域中的應(yīng)用，所述控制器4與無人機平臺1的徹底分離，使得存在網(wǎng)絡(luò)的地方就能對無人機進行遠程控制，且瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)全自動跟蹤裝置5輸出的位置坐標實施抓捕，精度高，自動化程度高，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述控制器4包括操作手柄、用于設(shè)計無人機飛行航線的航線規(guī)劃裝置。

本優(yōu)選實施例所述控制器4中的航線規(guī)劃裝置設(shè)計飛行路線實現(xiàn)飛機自主偵察，發(fā)現(xiàn)可疑高壓架空輸電線后，通過全自動跟蹤裝置5自主持續(xù)跟蹤。

優(yōu)選的，所述全自動跟蹤裝置5包括用于采集包含高壓架空輸電線的視頻的一體化球形攝像機20。

本優(yōu)選實施例采用一體化球形攝像機20，攝像精度高。

優(yōu)選的，所述全自動跟蹤裝置5還包括感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52和高壓架空輸電線定位模塊53；所述感興趣區(qū)域檢測模塊51用于在采集的視頻圖像中檢測高壓架空輸電線的感興趣區(qū)域D₁并以此作為高壓架空輸電線的區(qū)域模板；所述高壓架空輸電線區(qū)域確定模塊52用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測高壓架空輸電線候選區(qū)域；所述高壓架空輸電線定位模塊53用于對所述高壓架空輸電線候選區(qū)域和所述高壓架空輸電線的區(qū)域模板進行特征相似度量，獲得所述高壓架空輸電線的檢測跟蹤結(jié)果，即高壓架空輸電線的位置坐標。

本優(yōu)選實施例構(gòu)建了全自動跟蹤裝置5的模塊架構(gòu)。

優(yōu)選的，所述高壓架空輸電線區(qū)域確定模塊52包括：

(1)初始化子模塊521：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊522：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

${\mathrm{\γ}}_m={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測模型建立子模塊523，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)高壓架空輸電線候選區(qū)域計算子模塊524：其利用最小方差估計來計算高壓架空輸電線候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊525：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊526：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進行采樣粒子的權(quán)值更新，有效增強了全自動跟蹤裝置5的魯棒性；設(shè)置位置修正子模塊525，能夠避免異常數(shù)據(jù)對整個系統(tǒng)帶來的影響；在重采樣子模塊526中，利用當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進一步增強了全自動跟蹤裝置5的魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝55，跟蹤速度相對提高了5％，跟蹤精度相對提高了8％。

應(yīng)用場景3

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的高壓架空輸電線路巡線無人機載光電檢測裝置，包括無人機平臺1、設(shè)置在無人機平臺1內(nèi)的全自動跟蹤裝置5、瞄準抓捕裝置3和設(shè)置在地面的控制器4，所述控制器4與全自動跟蹤裝置5、瞄準裝置、抓捕裝置之間通過無線聯(lián)通；所述全自動跟蹤裝置5用于確定高壓架空輸電線的位置坐標并將位置坐標傳送給控制器4和瞄準抓捕裝置3，所述瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)所述位置坐標實施抓捕。

本優(yōu)選實施例實現(xiàn)了無人機在抓捕犯罪分子的領(lǐng)域中的應(yīng)用，所述控制器4與無人機平臺1的徹底分離，使得存在網(wǎng)絡(luò)的地方就能對無人機進行遠程控制，且瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)全自動跟蹤裝置5輸出的位置坐標實施抓捕，精度高，自動化程度高，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述控制器4包括操作手柄、用于設(shè)計無人機飛行航線的航線規(guī)劃裝置。

本優(yōu)選實施例所述控制器4中的航線規(guī)劃裝置設(shè)計飛行路線實現(xiàn)飛機自主偵察，發(fā)現(xiàn)可疑高壓架空輸電線后，通過全自動跟蹤裝置5自主持續(xù)跟蹤。

優(yōu)選的，所述全自動跟蹤裝置5包括用于采集包含高壓架空輸電線的視頻的一體化球形攝像機20。

本優(yōu)選實施例采用一體化球形攝像機20，攝像精度高。

優(yōu)選的，所述全自動跟蹤裝置5還包括感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52和高壓架空輸電線定位模塊53；所述感興趣區(qū)域檢測模塊51用于在采集的視頻圖像中檢測高壓架空輸電線的感興趣區(qū)域D₁并以此作為高壓架空輸電線的區(qū)域模板；所述高壓架空輸電線區(qū)域確定模塊52用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測高壓架空輸電線候選區(qū)域；所述高壓架空輸電線定位模塊53用于對所述高壓架空輸電線候選區(qū)域和所述高壓架空輸電線的區(qū)域模板進行特征相似度量，獲得所述高壓架空輸電線的檢測跟蹤結(jié)果，即高壓架空輸電線的位置坐標。

本優(yōu)選實施例構(gòu)建了全自動跟蹤裝置5的模塊架構(gòu)。

優(yōu)選的，所述高壓架空輸電線區(qū)域確定模塊52包括：

(1)初始化子模塊521：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊522：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測模型建立子模塊523，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)高壓架空輸電線候選區(qū)域計算子模塊524：其利用最小方差估計來計算高壓架空輸電線候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊525：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊526：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進行采樣粒子的權(quán)值更新，有效增強了全自動跟蹤裝置5的魯棒性；設(shè)置位置修正子模塊525，能夠避免異常數(shù)據(jù)對整個系統(tǒng)帶來的影響；在重采樣子模塊526中，利用當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進一步增強了全自動跟蹤裝置5的魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝60，跟蹤速度相對提高了6.5％，跟蹤精度相對提高了8.2％。

應(yīng)用場景4

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的高壓架空輸電線路巡線無人機載光電檢測裝置，包括無人機平臺1、設(shè)置在無人機平臺1內(nèi)的全自動跟蹤裝置5、瞄準抓捕裝置3和設(shè)置在地面的控制器4，所述控制器4與全自動跟蹤裝置5、瞄準裝置、抓捕裝置之間通過無線聯(lián)通；所述全自動跟蹤裝置5用于確定高壓架空輸電線的位置坐標并將位置坐標傳送給控制器4和瞄準抓捕裝置3，所述瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)所述位置坐標實施抓捕。

本優(yōu)選實施例實現(xiàn)了無人機在抓捕犯罪分子的領(lǐng)域中的應(yīng)用，所述控制器4與無人機平臺1的徹底分離，使得存在網(wǎng)絡(luò)的地方就能對無人機進行遠程控制，且瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)全自動跟蹤裝置5輸出的位置坐標實施抓捕，精度高，自動化程度高，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述控制器4包括操作手柄、用于設(shè)計無人機飛行航線的航線規(guī)劃裝置。

本優(yōu)選實施例所述控制器4中的航線規(guī)劃裝置設(shè)計飛行路線實現(xiàn)飛機自主偵察，發(fā)現(xiàn)可疑高壓架空輸電線后，通過全自動跟蹤裝置5自主持續(xù)跟蹤。

優(yōu)選的，所述全自動跟蹤裝置5包括用于采集包含高壓架空輸電線的視頻的一體化球形攝像機20。

本優(yōu)選實施例采用一體化球形攝像機20，攝像精度高。

優(yōu)選的，所述全自動跟蹤裝置5還包括感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52和高壓架空輸電線定位模塊53；所述感興趣區(qū)域檢測模塊51用于在采集的視頻圖像中檢測高壓架空輸電線的感興趣區(qū)域D₁并以此作為高壓架空輸電線的區(qū)域模板；所述高壓架空輸電線區(qū)域確定模塊52用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測高壓架空輸電線候選區(qū)域；所述高壓架空輸電線定位模塊53用于對所述高壓架空輸電線候選區(qū)域和所述高壓架空輸電線的區(qū)域模板進行特征相似度量，獲得所述高壓架空輸電線的檢測跟蹤結(jié)果，即高壓架空輸電線的位置坐標。

本優(yōu)選實施例構(gòu)建了全自動跟蹤裝置5的模塊架構(gòu)。

優(yōu)選的，所述高壓架空輸電線區(qū)域確定模塊52包括：

(1)初始化子模塊521：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊522：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測模型建立子模塊523，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)高壓架空輸電線候選區(qū)域計算子模塊524：其利用最小方差估計來計算高壓架空輸電線候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊525：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊526：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進行采樣粒子的權(quán)值更新，有效增強了全自動跟蹤裝置5的魯棒性；設(shè)置位置修正子模塊525，能夠避免異常數(shù)據(jù)對整個系統(tǒng)帶來的影響；在重采樣子模塊526中，利用當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進一步增強了全自動跟蹤裝置5的魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝65，跟蹤速度相對提高了6.5％，跟蹤精度相對提高了8.5％。

應(yīng)用場景5

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的高壓架空輸電線路巡線無人機載光電檢測裝置，包括無人機平臺1、設(shè)置在無人機平臺1內(nèi)的全自動跟蹤裝置5、瞄準抓捕裝置3和設(shè)置在地面的控制器4，所述控制器4與全自動跟蹤裝置5、瞄準裝置、抓捕裝置之間通過無線聯(lián)通；所述全自動跟蹤裝置5用于確定高壓架空輸電線的位置坐標并將位置坐標傳送給控制器4和瞄準抓捕裝置3，所述瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)所述位置坐標實施抓捕。

本優(yōu)選實施例實現(xiàn)了無人機在抓捕犯罪分子的領(lǐng)域中的應(yīng)用，所述控制器4與無人機平臺1的徹底分離，使得存在網(wǎng)絡(luò)的地方就能對無人機進行遠程控制，且瞄準抓捕裝置3接收控制器4的抓捕命令后根據(jù)全自動跟蹤裝置5輸出的位置坐標實施抓捕，精度高，自動化程度高，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述控制器4包括操作手柄、用于設(shè)計無人機飛行航線的航線規(guī)劃裝置。

本優(yōu)選實施例所述控制器4中的航線規(guī)劃裝置設(shè)計飛行路線實現(xiàn)飛機自主偵察，發(fā)現(xiàn)可疑高壓架空輸電線后，通過全自動跟蹤裝置5自主持續(xù)跟蹤。

優(yōu)選的，所述全自動跟蹤裝置5包括用于采集包含高壓架空輸電線的視頻的一體化球形攝像機20。

本優(yōu)選實施例采用一體化球形攝像機20，攝像精度高。

優(yōu)選的，所述全自動跟蹤裝置5還包括感興趣區(qū)域檢測模塊51、高壓架空輸電線區(qū)域確定模塊52和高壓架空輸電線定位模塊53；所述感興趣區(qū)域檢測模塊51用于在采集的視頻圖像中檢測高壓架空輸電線的感興趣區(qū)域D₁并以此作為高壓架空輸電線的區(qū)域模板；所述高壓架空輸電線區(qū)域確定模塊52用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測高壓架空輸電線候選區(qū)域；所述高壓架空輸電線定位模塊53用于對所述高壓架空輸電線候選區(qū)域和所述高壓架空輸電線的區(qū)域模板進行特征相似度量，獲得所述高壓架空輸電線的檢測跟蹤結(jié)果，即高壓架空輸電線的位置坐標。

本優(yōu)選實施例構(gòu)建了全自動跟蹤裝置5的模塊架構(gòu)。

優(yōu)選的，所述高壓架空輸電線區(qū)域確定模塊52包括：

(1)初始化子模塊521：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊522：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測模型建立子模塊523，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)高壓架空輸電線候選區(qū)域計算子模塊524：其利用最小方差估計來計算高壓架空輸電線候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊525：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當前幀圖像的高壓架空輸電線候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊526：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進行采樣粒子的權(quán)值更新，有效增強了全自動跟蹤裝置5的魯棒性；設(shè)置位置修正子模塊525，能夠避免異常數(shù)據(jù)對整個系統(tǒng)帶來的影響；在重采樣子模塊526中，利用當前時刻預(yù)測和觀測的差值提供新息殘差，進而通過量測新息殘差對采樣的粒子進行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進一步增強了全自動跟蹤裝置5的魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝50，跟蹤速度相對提高了6％，跟蹤精度相對提高了9％

最后應(yīng)當說明的是，以上應(yīng)用場景僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳應(yīng)用場景對本發(fā)明作了詳細地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。