[發明專利]一種彈載平臺實時目標跟蹤方法

在審

• 申請號: 202210099550.8
• 申請日: 2022-01-27
• 公開（公告）號: CN114743124A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 呂梅柏;何菊;余桐;魏海瑞;劉曉東
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 姬莉

本發明提供了一種彈載平臺實時目標跟蹤方法，屬于圖像處理領域，包括：步驟1、目標跟蹤器根據第一幀的目標位置，提取當前圖像幀的搜索區域；步驟2、再對第一幀提取的搜索區域進行特征提取，使用樣本及特征訓練分類器，并生成初始的位置濾波器；步驟3、在后續圖像幀中，目標跟蹤器根據前一幀的目標位置，進行區域循環采樣獲得正負樣本，提取樣本特征以更新濾波器參數；步驟4、將濾波器和新輸入的圖像幀進行相關性計算，響應最大值的區域即為目標位置。該方法采用以跟蹤為主、檢測為輔的方法將改進相關濾波算法和上述改進單階段檢測算法進行融合得到一個優良的長時跟蹤系統，大幅提升算法表現力。

技術領域

本發明屬于圖像處理領域，具體涉及一種彈載平臺實時目標跟蹤方法。

背景技術

傳統的跟蹤算法廣泛應用于工業界的實際場景之中，但是算法在復雜背景 干擾下以及長時目標跟蹤中存在短板。基于孿生網絡的智能目標跟蹤算法在復 雜背景及相似物干擾之下表現良好，但算法實時性較差，目前無法應用于嵌入 式移動平臺。

經典的目標跟蹤算法主要根據算法是否具有目標背景分類功能而被劃分為 生成式及判別式兩大類，前者建立在目標特征子空間的構造，后者建立在分類 或回歸方式基礎之上進行目標/背景的判別。經典的生成式跟蹤算法有卡爾曼濾 波、粒子濾波、mean-shift(均值漂移)等。經典的判別式跟蹤算法有MOSSE 算法，2012年Henriques等人提出了CSK方法，基于MOSSE算法引入循環 矩陣并在傅里葉變換域進行運算求解，極大地提高了算法實時性。2014年， MartinDanelljan提出的DSST算法首次將平移濾波與尺度濾波算法相結合，之 后又出現了一系列加速的版本fDSST。2015年Henriques等人提出了KCF算法。

基于深度學習的跟蹤算法在精度上可以說是碾壓了大批的經典目標跟蹤算 法。2015年，BohyungHan團隊設計了具有多域結構的神經網絡(MDNet)， 其性能表現優異，但速度只有1幀/s。2016年提出了基于孿生網絡的開山之作 —SINT算法，同年提出了Siam-FC算法。Siamse-RPN網絡將目標檢測中的RPN 模塊應用到跟蹤當中，RPN子網絡則分為分類目標和回歸目標位置兩個子模塊。 DaSiamRPN方法，是對Siamese-RPN進行進一步優化和改進，SiamMask算法 將目標分割任務引入目標跟蹤，在視頻跟蹤任務上達到最優性能，并且在視頻 目標分割上取得了當前最快的速度。盡管該類方法在公開數據庫上取得了很好 的性能，但需依賴于大規模數據來保證所訓練跟蹤模型的魯棒性，并且深度網 絡強大的表征能力是依賴于龐大的計算量而犧牲了實時性所換取，因此在實際 工程應用階段還有很長一段路要走。

基于深度學習的單階段檢測算法所使用的深層卷積網絡具有強大的目標特 征表征力，高識別率的智能算法在未來必將取代傳統算法應用于軍事技術，但 其龐大的反向傳播參數計算與錯綜復雜的網絡模型，加之彈載平臺的數據存儲、 功耗、算力等資源受限，導致難以落地于嵌入式平臺并達到實時魯棒檢測效果。

傳統的核相關濾波跟蹤算法速度快但長時跟蹤效果差，基于深度學習的檢 測算法精度高但耗時長。

早期基于CPU端的相關濾波類跟蹤算法實時性較強，工程應用較為廣泛， 但在復雜背景干擾、相似物遮擋等情況下跟蹤精度低；基于深度學習的單階段 檢測算法所使用的深層卷積網絡具有強大的目標特征表征力，但其嵌入式實現 功耗大、實時性低，導致在實際軍事作戰等工程應用中并未發揮智能檢測的良 好性能。為保證檢測速度同時兼顧檢測精度，力求開發研究可用于彈載GPU平 臺的實時目標精準檢測跟蹤技術。

因此，本申請提出一種彈載平臺實時目標跟蹤方法。

發明內容

為了克服上述現有技術存在的不足，本發明提供了一種彈載平臺實時目標 跟蹤方法。

為了實現上述目的，本發明提供如下技術方案：

一種彈載平臺實時目標跟蹤方法，包括以下步驟：