[发明专利]卫星遥感视频目标跟踪方法及装置

说明书

本发明实施例提供一种卫星遥感视频目标跟踪方法及装置，方法包括将模板帧和待检测帧进行角度一致性处理；利用插片式OctConv卷积操作方式将经过角度一致化处理后的模板帧的初始特征图和待检测帧的初始特征图分解为低频分量部分和高频分量部分，借助OctConv对包含两种不同分量的特征图进行卷积运算，通过Octave CNN网络生成模板帧特征和待检测帧特征，通过基网络SiamRPN确定目标待检测帧；将目标待检测帧映射到原来的图像上，并进行坐标变换，使得输出结果为斜框跟踪。本发明进行跟踪目标角度一致性操作，提高了目标跟踪的精度。本发明采用多频特征表示方式进行特征增强，使得特征表达能力增强，跟踪识别能力增强。

技术领域

本发明涉及计算机技术领域，尤其涉及一种卫星遥感视频目标跟踪方法及装置。

背景技术

目前，基于卫星视频的目标跟踪领域逐步发展，在军事侦查、机场港口等大范围区域机动目标监管和灾害救援等任务中的作用愈发明显，与此同时由于卫星平台自身特性给视频跟踪带来了极大的难度。如今大部分主流跟踪算法有效地解决在自然场景中的跟踪难题，然而基于卫星平台的视频跟踪任务，受到高动态目标类内尺寸差异大、高动态目标旋转变化多、背景复杂导致的易混干扰目标多等因素影响，使得跟踪算法的跟踪性能受到极大影响。因此，如何有效地设计出鲁棒性强的跟踪算法，成为当前基于卫星平台的视频跟踪任务的难点之一。

针对视频跟踪领域而言，由于目标跟踪技术不断取得新的进展和突破，国内外涌现出了大量创新的方法，其中以相关滤波类算法和深度学习类算法最具代表性。相关滤波类算法的引入使得跟踪算法在时效性方面有较大的提升，但大部分相关滤波类算法对于卫星拍摄的大范围场景中复杂背景干扰、相似物易混淆等情况仍然存在较大缺陷，难以获得较高的跟踪准确性。

另外，深度学习类算法的引入对于复杂场景下的跟踪性能有较大程度上地提升，在跟踪精度方面颇受关注。然而，深度学习类算法往往需要引入在线调整机制，导致其在跟踪速度上有所欠缺。

SiamRPN是最近提出的在传统全卷积孪生网络基础上引入区域候选(RPN)模块的高性能跟踪算法，进一步提升了多尺度测试的能力，有效地确保了跟踪精度。然而由于基于卫星平台拍摄的跟踪视频中背景通常较为复杂，目标特征显著性不足，使得跟踪过程中目标容易与易混虚警产生混淆，并且由于高动态目标类内尺寸差异大和目标自身旋转变化多的特性，使得目标难以被正确捕获，特别是难以维持长时稳定的跟踪。

发明内容

针对现有技术中的问题，本发明实施例提供一种卫星遥感视频目标跟踪方法及装置。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种卫星遥感视频目标跟踪方法，包括：

利用Textboxes++网络获取模板帧和多个待检测帧的角度信息，并将模板帧和多个待检测帧进行角度一致性处理；其中，所述模板帧中包含有待跟踪遥感目标；

利用插片式OctConv卷积操作方式将经过角度一致化处理后的模板帧的初始特征图和多个待检测帧的初始特征图分解为保留图像粗略信息的低频分量部分和保留图像细节信息的高频分量部分，分别存储在两个不同的通道，借助OctConv对包含两种不同分量的特征图进行卷积运算，获得模板帧的增强特征图和多个待检测帧的增强特征图；

将所述模板帧的增强特征图和多个待检测帧的增强特征图通过Octave CNN网络生成模板帧特征和多个待检测帧特征，并经卷积层生成分类分支和回归分支，以及通过基网络SiamRPN确定最终的目标待检测帧；

将所述目标待检测帧映射到原来的图像上，并进行坐标变换，使得输出结果为斜框跟踪。

进一步地，所述利用Textboxes++网络获取模板帧和多个待检测帧的角度信息，并将模板帧和多个待检测帧进行角度一致性处理，具体包括：