【技术实现步骤摘要】
本专利技术涉及一种无人机识别追踪，特别是关于一种基于yolo改进算法和kcf算法的无人机追踪方法、追踪装置、系统及存储介质。
技术介绍
1、伴随生活质量和无人机技术的发展，无人机等低慢小飞行器日益进入人们生活之中并伴有极高的使用价值和发展前景。近些年如何在复杂的背景下实现低慢小飞行器的识别和追踪成为突出重点，无人机识别和追踪是解决无人机激光供电和无人机反制等问题的基础性问题。现在无人机识别和追踪常常需要结合人工进行，费时费力且效率低。目前暂无一款操作便捷、识别和追踪准确度高的无人机识别和追踪系统。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种无人机追踪方法、追踪装置、系统及存储介质，其能实现边缘计算下无人机的识别和追踪，且识别精确、追踪精度高、丢失率小。
2、为实现上述目的，第一方面，本专利技术采取的技术方案为：一种无人机追踪方法，其包括：通过无人机机追踪装置搜索无人机，当未搜索到无人机且处于无人机搜寻状态时，采用深度神经网络视觉模板检测模式，通过深度神经网络搜索视野中的可疑目标；其中，以无人机作为搜索目标；当搜索到目标后，采用识别结果对机器视觉检测模式初始化，以通过机器视觉进行目标跟踪，深度神经网络视觉模板检测模式退出；当跟踪过程中发生丢失目标、跟踪结果不准确、跟踪目标移动过快或背景干扰严重时，切换为混合模式进行相互配合，以实现对目标的准确跟踪。
3、进一步，当未搜索到无人机且处于无人机搜寻状态时，采用深度神经网络视觉模板检测模式，通过深度神
4、深度神经网络采用改进yolov10；
5、将无人机机追踪装置捕获的每一帧图像按比例重新设置像素大小，将图像色彩转换回rgb色彩空间，并将读取的图像数据转换为qimage形式传入label中进行展示；
6、将图像数据复制得到相同图像数据，将任一图像数据传递到改进yolov10算法中，经过识别得到视频流回传、目标置信度以及iou大小，将识别结果显示在新的窗口中；
7、将目标置信度、iou信息存储在数组中缓存，并将识别所得的目标位置、识别框大小等通过回传从张量中提取出，并存入数组中，得到目标在图像中的坐标信息；
8、重复上述步骤完成目标的追踪和识别。
9、进一步，当搜索到目标后，采用识别结果初始化机器视觉检测模式，以在后续的跟踪过程中通过机器视觉进行目标跟踪，包括：机器视觉检测模式采用kcf+hog检测模式；
10、通过人机在所展示的图像中圈定跟踪目标的范围，由机器视觉算法对目标范围区域进行特征提取，捕捉目标的原始特征信息，描述目标区域的背景特征；
11、将第一帧图像中所提取的目标原始特征映射到高维空间中，以区分不同的目标区域；并在高维特征空间中，使用目标原始特征作为训练样本训练相关滤波器；
12、通过对比相邻帧图像，提取所需要目标候选区域的所在特征，并通过目标原始特征训练所得的相关滤波器评估候选区域与目标之间的相似程度；
13、根据评估所得的相似程度，选择在一帧图像中相似程度最高的候选区域作为目标在此帧中的位置，并将前一帧的目标所在位置作为下一帧的跟踪目标；重复上述步骤，不断训练相关滤波器，评估相似程度；
14、将目标所在位置存储到缓存中，对目标持续跟踪及确保目标不超出图像范围。
15、进一步，混合模式为：深度神经网络视觉模板检测模式与机器视觉检测模式相互配合的模式；
16、混合模式相互配合，以实现对目标的准确跟踪，包括：
17、将获取的图像传输深度神经网络视觉模板检测模式中的改进yolov10检测算法中进行目标识别，得到目标所在位置和识别框大小；
18、将目标所在位置和识别框大小传入机器视觉检测模式中，经kcf+hog算法对目标区域进行特征提取，捕捉目标的外观信息，描述目标区域的特征；
19、深度视觉算法每隔设定时间重新检测目标所在位置和识别框大小，并与kcf+hog算法中目标原始特征训练所得的相关滤波器追踪的位置进行对比；
20、将两算法的识别结果进行比较，分别得到关于追踪准确性的置信度；通过置信度判断两算法的准确度，纠正追踪偏差。
21、进一步，通过置信度判断两算法的准确度，纠正追踪偏差，包括：
22、按照坐标计算改进yolov10算法损失函数中iou的大小；
23、采用old position存储第一次或上一识别的目标中心位置，计算被跟踪目标在水平方向和垂直方向上的移动速度，当移动速度和移动距离高于设定阈值时，判断为干扰物；
24、结合iou和置信度进一步判断识别目标的准确度，计算两次识别结果中无人机的飞行速度、iou值，将速度差转变为归一化值divc，以计算归一化数值flag；
25、通过flag数值判断此次识别对比前一次识别结果的位置偏差，当位置偏差大于阈值且交并比小于设定阈值时，则纠正追踪偏差。
26、进一步，纠正追踪偏差包括：
27、当flag数值的波动正常时，则无需进行跟踪目标的纠正；
28、当flag数值波动超出设定范围时，则考虑在跟踪过程中产生干扰，此时采用flag和改进的yolov10算法得到置信度conf，以此计算得到参数confidence，使用confidence判断算法识别结果是否准确，根据跟踪结果综合判断是否重新传递新的跟踪目标坐标至kcf算法中进行纠偏；
29、在发生干扰或多目标聚集时，divc和flag作为条件无法准确判断正确目标，引入参数confidence协助divc和flag进行判断；当需要纠正kcf跟踪结果时，将改进算法的识别结果传入kcf算法中；当判断某一算法追踪结果错误时，通过另一算法进行纠偏，保证追踪结果的准确性。
30、第二方面，本专利技术采取的技术方案为：一种无人机追踪装置，用于实现上述无人机追踪方法，其包括：底部舵机支架，在底部舵机支架上设置有控制板，控制板内设置有执行上述无人机追踪方法的程序；单轴总线伺服舵机，设置在底部舵机支架的下方，通过螺栓螺母与底部舵机支架连接，且单轴总线伺服舵机的输出端穿出底部舵机支架的顶部；舵机连接支架，通过连接盘与单轴伺服总线舵机的输出端连接，由单轴伺服总线舵机带动舵机连接支架进行360°旋转；舵机支架，其顶部固定在转接板的底部，底部的一端与舵机连接支架活动连接；总线伺服舵机，通过螺栓螺母设置在舵机连接支架上，总线伺服舵机的输出端通过连接盘与舵机支架底部的另一端连接，由总线伺服舵机带动舵机支架及转接板进行俯仰及转动；摄像头及附加设备，设置在转接板上的中心位置处，用于获取无人机目标图像信息，并传输至控制板内。
31、进一步：总线舵机采用总线伺服舵机，其控制模式包括：单圈角度模式、多圈角度模式和轮转模式；
32、单圈角度控制模式：是指总线舵机的旋转角度被限制在0度至360度或-180度至+本文档来自技高网...
【技术保护点】
1.一种无人机追踪方法，其特征在于，包括：
2.如权利要求1所述无人机追踪方法，其特征在于，当未搜索到无人机且处于无人机搜寻状态时，采用深度神经网络视觉模板检测模式，通过深度神经网络搜索视野中的可疑目标，包括：
3.如权利要求1所述无人机追踪方法，其特征在于，当搜索到目标后，采用识别结果初始化机器视觉检测模式，以在后续的跟踪过程中通过机器视觉进行目标跟踪，包括：机器视觉检测模式采用KCF+HOG检测模式；
4.如权利要求1所述无人机追踪方法，其特征在于，混合模式为：深度神经网络视觉模板检测模式与机器视觉检测模式相互配合的模式；
5.如权利要求4所述无人机追踪方法，其特征在于，通过置信度判断两算法的准确度，纠正追踪偏差，包括：
6.如权利要求5所述无人机追踪方法，其特征在于，纠正追踪偏差包括：
7.一种无人机追踪装置，用于实现如权利要求1至6任一项所述无人机追踪方法，其特征在于，包括：
8.如权利要求7所述无人机追踪装置，其特征在于：总线舵机采用总线伺服舵机，其控制模式包括：单圈角度模式、多圈角度模
9.一种无人机追踪系统，其特征在于，包括：
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至6所述方法中的任一方法。
...【技术特征摘要】
1.一种无人机追踪方法，其特征在于，包括：
2.如权利要求1所述无人机追踪方法，其特征在于，当未搜索到无人机且处于无人机搜寻状态时，采用深度神经网络视觉模板检测模式，通过深度神经网络搜索视野中的可疑目标，包括：
3.如权利要求1所述无人机追踪方法，其特征在于，当搜索到目标后，采用识别结果初始化机器视觉检测模式，以在后续的跟踪过程中通过机器视觉进行目标跟踪，包括：机器视觉检测模式采用kcf+hog检测模式；
4.如权利要求1所述无人机追踪方法，其特征在于，混合模式为：深度神经网络视觉模板检测模式与机器视觉检测模式相互配合的模式；
5.如权利要求4所述无人机追踪方法，其特征在于...
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。