【技术实现步骤摘要】
本专利技术属于计算机视觉和红外目标跟踪领域，涉及一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法。
技术介绍
1、近些年来，无人飞行器逐步普及，给社会治安、空域管制、要地防护等领域带来新的威胁。因此，对高威胁、难辨识的无人机目标进行高准确、高稳定的搜索跟踪有着迫切需求。相比于可见光跟踪，红外目标跟踪具有更多优势。红外相机能够透过一定的烟雾成像，且成像受光照影响较小，尤其是在雨天、雾天、低光照等复杂场景下，红外目标跟踪具有全天候工作、抗干扰能力强等特点，常应用于制导武器、海上救援等领域。但是，红外图像通常成像分辨率较低，缺乏对目标纹理信息的描述，面对跟踪过程中目标外观和诸如遮挡、热交叉和背景杂乱等场景复杂度的变化，仍然无法实时、可靠地跟踪红外目标。研究如何应对这些挑战以提高红外目标跟踪的效率和准确性是该领域的一个热门研究方向。
2、基于判别相关滤波器（dcf）的跟踪方法在彩色（rgb）目标跟踪方面表现优异，部分学者将其中一些算法改进之后应用于红外目标跟踪领域。基于dcf的跟踪器利用样本图像补丁来学习dcf作为在线分类器，并通过对前景和背景进行分类来检测目标。然而，使用有限的训练样本来训练一个强的dcf仍然具有挑战性。一般来说，由更强大的特征建立的外观模型更有利于确定目标和背景，可以显著提高目标跟踪的性能。现有技术中，一些红外目标跟踪方法企图通过获得更强判别能力的特征模型去区分与目标相似的干扰物。尽管这些方法取得了一定的效果，但是它们的性能受限于手工提取特征有限的判别能力而难以有较大的突破。
3、另一方面
技术实现思路
1、针对上述问题，本专利技术旨在提出一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法，解决红外无人机跟踪中的目标视觉强度微弱，边界模糊，跟踪时极易丢失的问题，有效应对形变、遮挡、复杂背景干扰等挑战。
2、为了实现上述目的，本专利技术采用的技术方案是：
3、一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法，包括以下步骤：
4、s1：基于相关滤波器和卷积神经网络构造弱跟踪器，得到每个卷积层上的滤波器，相关滤波器对加窗后的深度特征图进行滤波，获得目标响应图；
5、s2：集成s1中产生的多个响应图生成更强响应图，构造集成跟踪器，根据时域中融合响应图的最大值确定目标的当前位置；
6、s3：采用尺度估计策略确定目标的当前大小；
7、s4：模型更新；
8、本专利技术的有益效果：
9、本专利技术提出了一种具有多层卷积特征的基于相关滤波器的集成跟踪器。同时，提出了一种基于kullback-leibler的响应图融合方法和一种简单的尺度估计策略来适应目标外观的变化，提高了集成跟踪器的精度，提高了跟踪性能，解决红外无人机跟踪中的目标视觉强度微弱，边界模糊，跟踪时极易丢失等问题。
本文档来自技高网...【技术保护点】
1.一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法，其特征在于，步骤S4中，模型更新，具体为：使用线性更新方法来更新滤波器；只是利用当前的实例来更新滤波器，表达式如下：
【技术特征摘要】
1.一种基于相关滤波卷积神经网络的红外无人机目标跟踪方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的一种基于相关滤波卷积神经...
【专利技术属性】
技术研发人员：刘晋源，刘勇，仲维，姜智颖，刘日升，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。