一种DAMDNet-EKF算法的无人机目标跟踪方法技术

本发明专利技术公开了一种DAMDNet

【技术实现步骤摘要】
一种DAMDNet
‑
EKF算法的无人机目标跟踪方法


[0001]本专利技术涉及目标跟踪
，特别是一种DAMDNet
‑
EKF算法的无人机目标跟踪方法。

技术介绍

[0002]近目标跟踪是计算机视觉领域的研究热点之一。目标跟踪的主要任务是跟踪某一指定目标，获取其在每一帧中的位置、尺度等信息。目前，尽管学界和业界在目标跟踪研究方面取得了令人兴奋的进展，但仍存在诸多问题与挑战，如复杂应用环境、背景相似干扰、光照条件变化、遮挡等外界因素以及目标姿态变化、表观变形、尺度变化、快速移动和运动模糊等。
[0003]基于分类式网络的跟踪方法将跟踪任务视为前景、背景的二分类任务，在每一帧中分类出最高置信度的候选样本。MDNet方法将分类是网络引入跟踪领域，并针对跟踪场景中目标和背景在不同视频下可能产生歧义，即该视频中的目标可能成为其他视频中的背景物体，引入多目标域下的训练模式以学习鲁棒的通用目标特征。然而，由于需要对大量候选样本进行特征提取，分类式跟踪方法存在跟踪速度很慢，达不到实时跟踪的弊端。

技术实现思路

[0004]本专利技术所要解决的技术问题是克服现有技术的不足而提供一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，本专利技术有效避免了无人机跟踪失败的问题、实时性较好。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]根据本专利技术提出的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，包括以下步骤：
[0007]步骤1、采集视频帧，通过预设的跟踪模型，根据初始的视频帧训练边界框回归模型；其中，所述跟踪模型是基于DAMDNet的神经网络模型构建，并已经过预训练和初始化；
[0008]步骤2、除去初始的视频帧，利用剩余的视频帧作为跟踪模型输入，得到视频帧的目标边界框以及与目标边界框对应的目标得分；
[0009]步骤3、若步骤2得到的目标得分小于预设值，则对所述跟踪模型进行更新；若步骤2得到的目标得分不小于预设值，则使用边界框回归模型调整最优的目标边界框并对所述跟踪模型进行更新。
[0010]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，所述DAMDNet的神经网络模型包括依次顺序连接的输入层、卷积层、领域自适应组件、空间金字塔池化层和全连接层。
[0011]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，领域自适应组件的学习目标f
*
为：
[0012][0013]其中，f(
·
)为目标函数，即当前帧中x
i
是目标的概率，B表示样本的数量，x
i
表示当前视频帧中的第i个候选框，y
i
是x
i
的标签，当x
i
是目标时y
i
＝1，l(
·
)为损失函数，λ是正则
化参数，R(
·
)是正则化项、即DAMDNet神经网络模型复杂度的度量，和分别表示源域和目标域的样本，f为在数据分布空间H上的真实标签函数，为样本的数据分布空间。
[0014]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，使用图像分类领域数据集ILSVRC对DAMDNet的神经网络模型中卷积层和领域自适应组件进行预训练。
[0015]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，空间金字塔池化层具体如下：
[0016]设领域自适应组件的输出特征大小为x*x，x为特征的宽度，则空间金字塔池化层的输入即为x*x，卷积核大小为k，填充为p，步长为s，则空间金字塔池化层的输出特征图x
j
大小为：
[0017][0018]借助点的映射和边的映射两种映射关系，输入不同大小的特征，空间金字塔池化层输出相同大小的候选框，直接输入至全连接层。
[0019]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，步骤3中，最优的目标边界框是指目标得分最高的目标边界框：
[0020][0021]其中，x
*
为目标得分最高的目标边界框，x
i
指跟踪模型输出得到的视频帧目标边界框，f
+
(x
i
)为x
i
的目标得分。
[0022]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，步骤2得到的目标边界框是进行修正得到的，修正是采用深度卷积神经网络的方法，并使用EKF方法修正；具体如下：
[0023]步骤2.1、对目标边界框进行映射以实时得到待跟踪目标的运动状态及方向；
[0024]步骤2.2、根据待跟踪目标的运动状态及方向进行Canny算法轮廓检测，求解目标边界框像素坐标；
[0025]步骤2.3、对目标边缘轮廓像素坐标进行微调，实现无人机在同一平面内跟随目标任意角度移动。
[0026]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，步骤2.1中的映射具体如下：
[0027]h(x
′
)
→
Hx
′
,H
j
→
H,
[0028]x
′
＝f(x,u)
→
Fx+u,F
j
→
F
[0029]其中，H为交叉熵损失，x
′
为目标边界框预测像素坐标，
→
为映射，f(x,u)、h(x
′
)为非线性函数，u为预测的高斯噪声；H
j
为当下修正目标边界框位置矩阵，F
j
为预测未来目标边界框位置矩阵，F为目标边界框位置转移矩阵。
[0030]作为本专利技术所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法进一步优化方案，步骤2.1
‑
2.3的具体过程如下：
[0031]根据步骤2.1获得的实时的待跟踪目标边界框位置矩阵，对待跟踪目标进行Canny算法轮廓检测，求解第i个目标边界框像素的坐标(x
i
,y
i
)，则获得目标的图像质心坐标
[0032][0033]其中，n为像素坐标个数，表示目标边界框像素横坐标的平均值，表示目标边界框像素纵坐标的平均值；
[0034]计算目标边界框像素的横坐标的差值目标边界框像素的纵坐标的差值无人机进行如下的控制：
[0035][0036]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，包括以下步骤：步骤1、采集视频帧，通过预设的跟踪模型，根据初始的视频帧训练边界框回归模型；其中，所述跟踪模型是基于DAMDNet的神经网络模型构建，并已经过预训练和初始化；步骤2、除去初始的视频帧，利用剩余的视频帧作为跟踪模型输入，得到视频帧的目标边界框以及与目标边界框对应的目标得分；步骤3、若步骤2得到的目标得分小于预设值，则对所述跟踪模型进行更新；若步骤2得到的目标得分不小于预设值，则使用边界框回归模型调整最优的目标边界框并对所述跟踪模型进行更新。2.根据权利要求1所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，所述DAMDNet的神经网络模型包括依次顺序连接的输入层、卷积层、领域自适应组件、空间金字塔池化层和全连接层。3.根据权利要求2所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，领域自适应组件的学习目标f
*
为：其中，f(
·
)为目标函数，即当前帧中x
i
是目标的概率，B表示样本的数量，x
i
表示当前视频帧中的第i个候选框，y
i
是x
i
的标签，当x
i
是目标时y
i
＝1，l(
·
)为损失函数，λ是正则化参数，R(
·
)是正则化项、即DAMDNet神经网络模型复杂度的度量，和分别表示源域和目标域的样本，f为在数据分布空间H上的真实标签函数，为样本的数据分布空间。4.根据权利要求2所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，使用图像分类领域数据集ILSVRC对DAMDNet的神经网络模型中卷积层和领域自适应组件进行预训练。5.根据权利要求2所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，空间金字塔池化层具体如下：设领域自适应组件的输出特征大小为x*x，x为特征的宽度，则空间金字塔池化层的输入即为x*x，卷积核大小为k，填充为p，步长为s，则空间金字塔池化层的输出特征图x
j
大小为：借助点的映射和边的映射两种映射关系，输入不同大小的特征，空间金字塔池化层输出相同大小的候选框，直接输入至全连接层。6.根据权利要求1所述的一种DAMDNet
‑
EKF算法的无人机目标跟踪方法，其特征在于，步骤3中，最优...

【专利技术属性】
技术研发人员：于倩倩，郑钰辉，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：