【技术实现步骤摘要】
本专利技术涉及目标检测，尤其涉及一种基于时空注意力机制和航迹匹配的无人机目标检测方法。
技术介绍
1、在当前安全与监控领域，无人机已成为一种普遍且多功能的工具，用于执行包括边境巡逻、交通监控、环境监测等多种任务。然而，随着无人机的广泛应用，其带来的安全威胁也随之增加，尤其是对于非法、敌对或误入禁飞区的无人机。这些威胁需要通过高效且可靠的方式加以应对。
2、因此，开发一种高效的无人机载无人机目标检测系统成为了紧迫的需求。传统的地面或静态平台基于的无人机监测系统在一定程度上可以对无人机进行有效监控，但在动态环境和广阔地域的快速反应方面存在局限性。为了克服这些限制，将目标检测系统部署在无人机上，使之能够在空中进行移动监控，成为了一个有前景的解决方案。这种方法不仅增加了监控的灵活性和覆盖范围，而且还能提供更加多角度的监视视野。在无人机载无人机系统中，可见光图像技术因其在环境适应性和细节捕捉方面的优势而备受关注。相较于红外或其他传感技术，可见光成像可以提供高分辨率的图像，这对于识别小型或远距离的目标至关重要。然而，利用可见光技术进行无人机目标检测面临着若干挑战，包括对动态背景的适应、在多变光照条件下的稳定性能以及高速运动目标的准确跟踪。
技术实现思路
1、本专利技术要解决的技术问题是，如何有效地提取图像特征，增强目标检测的准确性和稳定性；有鉴于此，本专利技术提供一种基于时空注意力机制和航迹匹配的无人机目标检测方法及装置。
2、本专利技术采用的技术方案是，一种基于时空注
3、步骤s1，获取已知无人机可见光视频序列，并将所述视频序列处理为单帧图像；
4、步骤s2，根据所述单帧图像构成的图像样本确定对应的图像特征；
5、步骤s3，基于所述图像特征，利用配置的算法模型，确定所述图像样本对应的无人机目标检测结果；
6、步骤s4，在目标航迹的视频中截取连续三帧可见光图像，确定对应的特征图，并确定与所述无人机目标检测结果的目标关联性，若大于预设值，则该目标与已知航迹属于同一无人机。
7、在一个实施方式中，所述步骤s2包括：利用时空注意力机制对所述图像样本进行处理，具体包括：
8、获取多个所述单帧图像所表征的航迹点,其包括对应的多个特征的输入特征向量，将所述输入特征向量通过单层神经网络映射得到注意力权重向量；
9、对各注意力权重系数做归一化处理,得到各特征注意力权重；
10、利用所述注意力权重，将所述输入特征向量重新确定为加权向量,即时空注意力机制在当前时刻的输出。
11、在一个实施方式中，所述步骤s3中，还包括对所述算法模型的优化过程，所述优化过程通过下式具体实现：
12、
13、其中,α,β和γ分别为vfl交叉熵损失函数、dfl损失函数和giou损失函数的权重；npos为正样本的数量，lossvfl为vfl交叉熵损失，1ossgiou＝1-giou，lossdfl为dfl交叉熵损失函数,1ossgiou为giou的损失函数,1ossgiou和1ossdfl共同组成了针框定位的交叉熵损失。
14、在一个实施方式中，所述步骤s4包括：
15、从目标的航迹的起始、中间和终点分别截取三帧可见光图像；
16、对可见光图像进行卷积处理，将三帧图像数据处理后的特征图按通道顺序合并，通过下采样卷积层和通道注意力机制进行特征增强，生成特征图；
17、将所述特征图通过全连接层进行维度调整和特征映射，通过比较所述特征图与所述无人机目标检测结果的特征差异，确定关联性系数；
18、若关联性系数超过预设的阈值，判定该目标与已知航迹属于同一无人机。
19、本专利技术的另一方面还提供了一种时空注意力机制和航迹匹配的无人机目标检测装置，包括：
20、获取单元，配置为获取已知无人机可见光视频序列，并将所述视频序列处理为单帧图像；
21、特征单元，配置为根据所述单帧图像构成的图像样本确定对应的图像特征；
22、检测单元，配置为基于所述图像特征，利用配置的算法模型，确定所述图像样本对应的无人机目标检测结果；
23、匹配单元，配置为在目标航迹的视频中截取连续三帧可见光图像，确定对应的特征图，并确定与所述无人机目标检测结果的目标关联性，若大于预设值，则该目标与已知航迹属于同一无人机。
24、在一个实施方式中，所述特征单元进一步配置为：利用时空注意力机制对所述图像样本进行处理，具体包括：
25、获取多个所述单帧图像所表征的航迹点,其包括对应的多个特征的输入特征向量，将所述输入特征向量通过单层神经网络映射得到注意力权重向量；
26、对各注意力权重系数做归一化处理,得到各特征注意力权重；
27、利用所述注意力权重，将所述输入特征向量重新确定为加权向量,即时空注意力机制在当前时刻的输出。
28、在一个实施方式中，所述检测单元进一步配置为，对所述算法模型的优化过程，所述优化过程通过下式具体实现：
29、
30、其中,α,β和γ分别为vfl交叉熵损失函数、dfl损失函数和giou损失函数的权重；npos为正样本的数量，lossvfl为vfl交叉熵损失，1ossgiou＝1-giou，lossdfl为dfl交叉熵损失函数,1ossgiou为giou的损失函数,1ossgiou和1ossdfl共同组成了针框定位的交叉熵损失。
31、在一个实施方式中，所述匹配单元进一步配置为：
32、从目标的航迹的起始、中间和终点分别截取三帧可见光图像；、
33、对可见光图像进行卷积处理，将三帧图像数据处理后的特征图按通道顺序合并，通过下采样卷积层和通道注意力机制进行特征增强，生成特征图；
34、将所述特征图通过全连接层进行维度调整和特征映射，通过比较所述特征图与所述无人机目标检测结果的特征差异，确定关联性系数；
35、若关联性系数超过预设的阈值，判定该目标与已知航迹属于同一无人机。
36、本专利技术的另一方面还提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述基于时空注意力机制和航迹匹配的无人机目标检测方法的步骤。
37、本专利技术的另一方面还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于时空注意力机制和航迹匹配的无人机目标检测方法的步骤。
38、相较于现有技术，本专利技术至少具备以下优点：
39、本专利技术相较于传统的单一图像处理方法，能够更加有效地应对不同场景下的目标检测挑战，显著提升识别效率和结果的可靠性；并且，本专利技术通过结合航迹关联技术，能够有效判断是否为本文档来自技高网...
【技术保护点】
1.一种基于时空注意力机制和航迹匹配的无人机目标检测方法，其特征在于，包括：
2.根据权利要求1所述基于时空注意力机制和航迹匹配的无人机目标检测方法，其特征在于，所述步骤S2包括：利用时空注意力机制对所述图像样本进行处理，具体包括：
3.根据权利要求2所述基于时空注意力机制和航迹匹配的无人机目标检测方法，其特征在于，所述步骤S3中，还包括对所述算法模型的优化过程，所述优化过程通过下式具体实现：
4.根据权利要求3所述基于时空注意力机制和航迹匹配的无人机目标检测方法，其特征在于，所述步骤S4包括：
5.一种基于时空注意力机制和航迹匹配的无人机目标检测装置，其特征在于，包括：
6.根据权利要求5所述基于时空注意力机制和航迹匹配的无人机目标检测装置，其特征在于，所述特征单元进一步配置为：利用时空注意力机制对所述图像样本进行处理，具体包括：
7.根据权利要求6所述基于时空注意力机制和航迹匹配的无人机目标检测装置，其特征在于，所述检测单元进一步配置为，对所述算法模型的优化过程，所述优化过程通过下式具体实现：
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。