[發明專利]一種飛行器識別追蹤方法

在審

• 申請號: 202011465723.0
• 申請日: 2020-12-14
• 公開（公告）號: CN112464886A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 錢久超;薛建偉;潘敏婷;朱肖光;劉佩林
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

本發明公開了一種飛行器識別追蹤方法包括：利用YOLOv3對包含飛行器的視頻數據檢測識別，如果判斷為飛行器，則記錄所述飛行器的邊界框信息和中心點信息；構建所述飛行器的飛行狀態向量，所述飛行狀態向量包括所述中心點信息和所述邊界框信息；將所述飛行狀態向量通過卡爾曼濾波器對所述飛行器的運動軌跡進行預測；對所述飛行器的所述運動軌跡預測進行校正。本發明通過特定的圖像幀的檢測的位置信息與卡爾曼濾波器預測得到的信息進行對比，以在數據幀中確立出一個特定的范圍，提高追蹤的速度。此外，當預測與檢測的關鍵中發現邊框信息差別比較大，可以及時進行調整，是一種帶有反饋機制的作用于飛行器的識別和跟蹤的方法。

技術領域

本發明涉及計算機視覺處理領域，具體涉及視頻數據中的物體識別以及追蹤方法。

背景技術

飛行器的跟蹤識別是國家航空安全領域一項十分重要的技術，特別的，對于一些戰斗機的識別跟蹤具有十分重要的意義，因此在軍事領域中通過一些科技手段來加強我國領空的安全也愈加受到國家的重視。目標跟蹤作為計算機視覺領域中非常重要的一個部分，可以實現對獲取的視頻影像中的飛行器進行識別以及追蹤的技術。

近年來，隨著深度學習技術及計算機能力的發展，各種基于深度學習的應用層出不窮，特別的各種深度學習的算法廣泛應用于計算機視覺領域中，基于深度學習的目標檢測識別以及跟蹤技術得到了迅速的發展。與傳統的方法相比，基于深度學習的識別追蹤方法在準確度得到了很大的提高，其追蹤性能得到了巨大的提升。目前主流的物體檢測策略，分為區域建議與區域分布倆大類。但是由于飛行器跟蹤的準確性主要受到復雜環境的影響，以及其速度快，幀圖像中與幀圖像中的差距比較大，其視覺跟蹤算法仍然存在一些挑戰性的問題，如突發性運動、姿態變化、物體遮擋、背景雜波、光照或者視點變化等問題都會導致跟蹤的性能下降，甚至追蹤失敗，這些都是影響飛行器追蹤效果的外在因素。因此，如何更加可靠，更加準確的對飛行器進行識別追蹤是目前有待解決的問題。

發明內容

本發明要解決的技術問題是如何更加可靠，更加準確的對飛行器進行識別追蹤，提供一種飛行器識別追蹤方法。

本發明是通過下述技術方案來解決上述技術問題：

一種飛行器識別追蹤方法，所述方法包括：

利用YOLOv3對包含飛行器的視頻數據檢測識別，如果判斷為飛行器，則記錄所述飛行器的邊界框信息和中心點信息；

構建所述飛行器的飛行狀態向量，所述飛行狀態向量包括所述中心點信息和所述邊界框信息；

將所述飛行狀態向量通過卡爾曼濾波器對所述飛行器的運動軌跡進行預測：

當所述飛行器相鄰圖像間中心點軌跡為直線時，飛行器中心點位置向量采用線性模型，根據下一時刻的預測結果與當前時刻的檢測結果進行卡爾曼增益計算，并對上一時刻的預測結果和所述當前時刻的檢測結果做計算，確定出當前時刻的所述運動軌跡預測的不確定性；

當所述飛行器相鄰圖像間中心點軌跡為非線性軌跡時，采用擴展卡爾曼濾波器進行預測，飛行器中心點位置向量采用非線性模型，之后確定出當前時刻的所述運動軌跡預測的不確定性；

將所述線性模型預測部分和非線性模型預測部分結合，對所述飛行器的運動軌跡進行預測；

對所述飛行器的所述運動軌跡預測進行校正；

判斷所述邊界框能否檢測出所述飛行器，當所述預測結果和所述檢測結果偏差較大時，根據目標對象的大小限制有效范圍提高檢測速度，如果所述飛行器的預測邊界框與檢測邊界框的重疊度值大于預先定義的閾值，則根據前一幀的預測邊界框去修改當前檢測邊界框的位置與大小，否則便將此飛行器為中心，重新確定邊界框并輸入檢測網絡進行訓練。

較佳地，所述視頻數據統一處理成固定長度的視頻，并組成數據集對所述檢測網絡進行訓練，所述數據集包括：用于訓練的訓練集和用于驗證的驗證集。