System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机目标跟踪,特别是一种无人机航拍船只的检测、识别和跟踪方法及系统。
技术介绍
1、在海上交通运输、海洋资源开发、海事执法等众多领域,船只实时监控和管理至关重要。传统的海上船只检测方式主要依靠人工巡逻和卫星监测,但这些方法存在着一定的局限性。人工巡逻需要大量的人力物力投入,效率低下,覆盖面积有限,而且容易产生疲劳和失误;卫星监测虽然可以实现对大范围海域的监测,但由于其成本较高,因此难以在实际应用中得到广泛推广。
2、随着无人机技术的不断发展,无人机航拍船只的检测识别和跟踪引发广泛关注。无人机方案具有的优势包括:无人机航拍能够提供更广阔的覆盖范围和更高分辨率的图像信息,可以实现全天候、全时段的船只监控和管理;无人机航拍视频可以结合深度学习、目标检测、跟踪等技术,实现对船只的自动化检测、识别和追踪,可以有效克服传统的船只监控方法识别精度低、适用范围窄等问题。因此,利用无人机视角下的图像数据进行船只检测识别和跟踪,正成为热门研究领域。
技术实现思路
1、针对上述缺陷,本专利技术的目的在于提出一种无人机航拍船只的检测、识别和跟踪方法及系统,提高无人机目标跟踪的精度以及自动化程度。
2、为达此目的,本专利技术采用以下技术方案:一种无人机航拍船只的检测、识别和跟踪方法,包括如下步骤:
3、步骤s1:获取无人机在航拍视角下的视频,并对需要追踪的船只进行框选标记;
4、步骤s2:抽取视频的每一帧图像输入至检测识别模型中,获取所有船只的
5、步骤s3:将上一帧中被框选船只的实时位置输入到卡尔曼滤波模型中,获被框选船只在当前帧的预测位置;
6、步骤s4:使用所有船只的实时位置与被框选船只当前帧的预测位置进行匹配,得到框选船只与现有船只轨迹之间的相似度得分;
7、将相似度得分最高的船只作为被框选船只,并对该船只进行框选标记,实现船只的跟踪。
8、优选的,所述检测识别模型为yolov8模型,其中训练的过程如下:
9、步骤s21:收集若干数量的船只照片,并将照片按照比例划分为训练集与测试集;
10、步骤s22:对船只照片进行数据增强;
11、步骤s23:将训练集输入到yolov8模型中进行训练;
12、步骤s24:使用测试集对训练好的yolov8模型进行检测,获取所述yolov8模型的精度,若yolov8模型的精度小于精度阈值,则重复步骤s22~s23,直至yolov8模型的精度大于精度阈值。
13、优选的,所述yolov8模型为改进的主干网络,基于yolov8网络基础,在head以及backbone添加effectivese注意力机制模块;
14、其中在head部分增加effectivese注意力机制模块的规则如下:
15、在基于yolov8网络基础head的第17层、第20层以及第22层添加effectivese注意力机制模块对其层数连接参数进行代替修改;
16、其中在backbone部分增加effectivese注意力机制模块的规则如下:
17、在backbone中的sppf层后添加effectivese注意力机制模块。
18、优选的,所述步骤s4的具体步骤如下:
19、获取预测位置的矩形边框,作为第一边框,获取所有船只的实时位置的矩形边框,作为第二边框;
20、计算第一边框与所有第二边框的iou;
21、将iou输入给匈牙利(hungarian)算法,将相似度得分最高的船只作为被框选船只,并对该船只进行框选标记,实现船只的跟踪。
22、优选的,在执行步骤s4后,还需要执行如下步骤:计算第一边框与所有第二边框的置信度,将置信度低于分数阈值的第二边框所对应的船只进行剔除。
23、一种无人机航拍船只的检测、识别和跟踪系统,使用所述一种无人机航拍船只的检测、识别和跟踪方法,包括获取模块、预测模块、监测模块以及跟踪模块;
24、获取模块用于获取无人机在航拍视角下的视频,并对需要追踪的船只进行框选标记;
25、所述预测模块将上一帧中被框选船只的实时位置输入到卡尔曼滤波模型中,获被框选船只在当前帧的预测位置;
26、所述监测模块用于抽取视频的每一帧图像输入至检测识别模型中,获取所有船只的实时位置;
27、所述跟踪模块用于使用所有船只的实时位置与被框选船只当前帧的预测位置进行匹配,得到框选船只与现有船只轨迹之间的相似度得分;
28、将相似度得分最高的船只作为被框选船只,并对该船只进行框选标记,实现船只的跟踪。
29、优选的,还包括训练模块;
30、所述训练模块包括收集子模块、数据增强子模块、输入子模块以及测试子模块;
31、所述收集子模块用于收集若干数量的船只照片,并将照片按照比例划分为训练集与测试集;
32、所述数据增强子模块用于对船只照片进行数据增强;
33、所述输入子模块用于将训练集输入到yolov8模型中进行训练;
34、所述测试子模块用于使用测试集对训练好的yolov8模型进行检测,获取所述yolov8模型的精度,若yolov8模型的精度小于精度阈值,则重复调用增强子模块和输入子模块,直至yolov8模型的精度大于精度阈值。
35、优选的,所述输入子模块包括改进单元;
36、所述改进单元用于在yolov8网络基础上,在head以及backbone添加effectivese注意力机制模块;
37、其中在head部分增加effectivese注意力机制模块的规则如下:
38、在基于yolov8网络基础head的第17层、第20层以及第22层添加effectivese注意力机制模块对其层数连接参数进行代替修改;
39、其中在backbone部分增加effectivese注意力机制模块的规则如下:
40、在backbone中的sppf层后添加effectivese注意力机制模块。
41、优选的,所述跟踪模块包括边框获取子模块、计算子模块以及追踪子模块;
42、所述框获取子模块用于获取预测位置的矩形边框,作为第一边框,获取所有船只的实时位置的矩形边框,作为第二边框;
43、所述计算子模块用于计算第一边框与所有第二边框的iou;
44、所述追踪子模块用于将iou输入给匈牙利(hungarian)算法,将相似度得分最高的船只作为被框选船只,并对该船只进行框选标记,实现船只的跟踪。
45、优选的,还包括删除模块;
46、所述删除模块用于计算第一边框与所有第二边框的置信度,将置信度低于分数阈值的第二边框所对应的船只进行剔除。
47、上述技术方案中的一个技术方案具有如下优点或有益效果:本文档来自技高网...
【技术保护点】
1.一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述检测识别模型为YOLOv8模型,其中训练的过程如下:
3.根据权利要求2所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述YOLOv8模型为改进的主干网络,基于YOLOv8网络基础,在head以及backbone添加EffectiveSE注意力机制模块;
4.根据权利要求1所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述步骤S4的具体步骤如下:
5.根据权利要求4所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,在执行步骤S4后,还需要执行如下步骤:计算第一边框与所有第二边框的置信度,将置信度低于分数阈值的第二边框所对应的船只进行剔除。
6.一种无人机航拍船只的检测、识别和跟踪系统,使用权利要求1~5任一项所述一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,包括获取模块、预测模块、监测模块以及跟踪模块;
7.根
8.根据权利要求7所述的一种无人机航拍船只的检测、识别和跟踪系统,其特征在于,所述输入子模块包括改进单元;
9.根据权利要求8所述的一种无人机航拍船只的检测、识别和跟踪系统,其特征在于,所述跟踪模块包括边框获取子模块、计算子模块以及追踪子模块;
10.根据权利要求9所述的一种无人机航拍船只的检测、识别和跟踪系统,其特征在于,还包括删除模块;
...【技术特征摘要】
1.一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述检测识别模型为yolov8模型,其中训练的过程如下:
3.根据权利要求2所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述yolov8模型为改进的主干网络,基于yolov8网络基础,在head以及backbone添加effectivese注意力机制模块;
4.根据权利要求1所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,所述步骤s4的具体步骤如下:
5.根据权利要求4所述的一种无人机航拍船只的检测、识别和跟踪方法,其特征在于,在执行步骤s4后,还需要执行如下步骤:计算第一边框与所有第二边框的置信度...
【专利技术属性】
技术研发人员:刘煜铭,甘官寿,黄开德,黄国顺,
申请(专利权)人:佛山科学技术学院,
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。