[發(fā)明專利]一種基于深度學(xué)習(xí)的空中目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710676396.5
• 申請(qǐng)日: 2017-08-09
• 公開（公告）號(hào): CN107622507B
• 公開（公告）日: 2020-04-07
• 發(fā)明（設(shè)計(jì)）人: 藺素珍;鄭瑤;任之俊
• 申請(qǐng)（專利權(quán)）人: 中北大學(xué)
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06N3/04;G06N3/08
• 代理公司: 太原科衛(wèi)專利事務(wù)所(普通合伙) 14100
• 代理人: 朱源

本發(fā)明涉及空中目標(biāo)跟蹤方法，具體為基于深度學(xué)習(xí)的空中目標(biāo)跟蹤方法，本方法按如下步驟進(jìn)行：MDNet采集第一幀圖像的正樣本并進(jìn)行隨機(jī)取樣，將隨機(jī)取樣后的樣本作為數(shù)據(jù)集訓(xùn)練bounding?box模型；其次，訓(xùn)練利用最小信息準(zhǔn)則和最小二乘法確定階數(shù)和參數(shù)的AR模型，估計(jì)目標(biāo)運(yùn)動(dòng)軌跡并預(yù)測目標(biāo)位置；然后，將該目標(biāo)位置作為MDNet的采樣中心，再利用bounding?box回歸模型調(diào)整目標(biāo)位置，精確完成跟蹤。本方法可以自適應(yīng)提取空中目標(biāo)特征，并結(jié)合AR模型有效利用目標(biāo)的運(yùn)動(dòng)信息，可極大改善MDNet對(duì)目標(biāo)特征的依賴性，在解決偽目標(biāo)干擾的同時(shí)，提高跟蹤精度。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)跟蹤方法，具體為一種基于深度學(xué)習(xí)的空中目標(biāo)跟蹤方法。

背景技術(shù)

空中目標(biāo)跟蹤是航空航天等各類探測系統(tǒng)的關(guān)鍵技術(shù)之一，由于觀測距離較遠(yuǎn)，該類目標(biāo)在地面觀測和跟蹤過程中，往往因缺少形狀和紋理特征而呈現(xiàn)為小目標(biāo)甚至點(diǎn)目標(biāo)狀態(tài)，造成檢測和跟蹤困難。光流法、相鄰幀差法和背景減法是當(dāng)前采用的主要方法，但往往僅針對(duì)特定目標(biāo)，需要根據(jù)先驗(yàn)知識(shí)選擇合適的跟蹤算法，不利于工程化應(yīng)用。

新近，深度學(xué)習(xí)在圖像分類、目標(biāo)檢測等許多領(lǐng)域均已成功突破了固定狀態(tài)模型的約束，在目標(biāo)跟蹤領(lǐng)域也有少許探索性的研究，如基于深度學(xué)習(xí)的雙層卷積神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)以及多域卷積神經(jīng)網(wǎng)絡(luò)，均通過自適應(yīng)提取目標(biāo)特征，來區(qū)分目標(biāo)與背景信息，在降低跟蹤誤差同時(shí)提高了算法的魯棒性，但都較注重不同類物體的特征提取，未述及同類目標(biāo)如何區(qū)分，不利于存在偽目標(biāo)時(shí)的高精度跟蹤。總的來說，這些研究證實(shí)深度人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的參數(shù)更多、更全，可以降低對(duì)先驗(yàn)知識(shí)的依賴，但未解決目標(biāo)跟蹤中目標(biāo)與偽目標(biāo)交會(huì)時(shí)往往存在的跟蹤漂移問題。

為此，需要有一種新的方法來解決基于卷積神經(jīng)網(wǎng)絡(luò)方法跟蹤目標(biāo)時(shí)過分依賴目標(biāo)特征難以區(qū)分目標(biāo)與偽目標(biāo)所導(dǎo)致的跟蹤漂移問題。

發(fā)明內(nèi)容

本發(fā)明為了解決基于卷積神經(jīng)網(wǎng)絡(luò)跟蹤空中目標(biāo)時(shí)存在的跟蹤漂移問題，提出了一種基于深度學(xué)習(xí)的空中目標(biāo)跟蹤方法。

本發(fā)明是采用如下的技術(shù)方案實(shí)現(xiàn)的：一種基于深度學(xué)習(xí)的空中目標(biāo)跟蹤方法，包括以下步驟：

1.構(gòu)建多域卷積神經(jīng)網(wǎng)絡(luò)(MDNet)

網(wǎng)絡(luò)包含五層隱藏層和一層二分類層，五層隱藏層分別是conv1、 conv2、conv3、fc4和fc5，其中，conv1、conv2、conv3為卷積層，對(duì)應(yīng)VGG-M網(wǎng)絡(luò)的結(jié)構(gòu)自適應(yīng)提取特征，fc4、fc5為全連接層，將特征圖表示轉(zhuǎn)換為一維向量并對(duì)其進(jìn)行特征組合，二分類層為fc6，對(duì)目標(biāo)和背景進(jìn)行分類。

2.訓(xùn)練多域卷積神經(jīng)網(wǎng)絡(luò)中bounding-box回歸模型

(1)標(biāo)定第一幀圖像目標(biāo)位置

標(biāo)定第一幀圖像目標(biāo)位置為x₁、y₁為目標(biāo)位置坐標(biāo)值，s_w、s_h為目標(biāo)矩形框的寬和高；

(2)選擇樣本

MDNet以為中心采樣生成W個(gè)回歸樣本，每個(gè)回歸樣本與目標(biāo)實(shí)際位置重疊率的計(jì)算方法如下：

式中，R_t為輸出跟蹤框區(qū)域，R_g為實(shí)際目標(biāo)區(qū)域，area表示R_t和 R_g的運(yùn)算結(jié)果面積，N為視頻序列幀數(shù)；

設(shè)置重疊率的閾值為L，大于等于L的樣本為正樣本，小于L的樣本為負(fù)樣本，然后從正樣本中隨機(jī)選取Q個(gè)樣本輸入網(wǎng)絡(luò)訓(xùn)練bounding-box回歸模型；

(3)微調(diào)網(wǎng)絡(luò)