[发明专利]一种基于伪孪生网络的无人机自适应目标跟踪方法

权利要求书

1.一种基于伪孪生网络的无人机自适应目标跟踪方法，其特征在于，所述方法包括：

在视频序列帧的第一帧图像中选取跟踪目标，并基于伪孪生网络建立所述跟踪目标的目标跟踪模型；

将第一帧图像的目标跟踪模型存入模板库分支，并将模板库分支选出的模板作为跟踪分支下一帧图像的目标跟踪模型进行目标跟踪；

读入下一帧图像，以上一帧图像的跟踪目标的中心位置建立候选目标模型；

利用背景像素权重对跟踪目标与候选目标模型的相似度进行判决，并进行迭代计算当前帧图像的跟踪目标位置和尺度信息；

对当前帧图像的跟踪目标进行正则项修正和后向一致性估计，修正跟踪目标尺度信息；

将当前帧图像跟踪到的目标模型输入模板库分支中，在模板库分支中对当前帧图像的目标模型进行评估，根据评估结果选择是否更新模板库；

判断当前帧图像是否为最后一帧图像，若是则结束，若否，则根据评估结果选出下一帧图像的目标模型，返回读入下一帧图像，以上一帧图像的跟踪目标的中心位置建立候选目标模型步骤。

2.根据权利要求1所述的无人机自适应目标跟踪方法，其特征在于，所述在视频序列帧的第一帧图像中选取跟踪目标，并基于伪孪生网络建立所述跟踪目标的目标跟踪模型，包括：

在所述视频序列帧的第一帧图像中选取跟踪目标，并确定所述跟踪目标的位置和尺度信息；

计算所述跟踪目标周围颜色分布的核密度估计函数，并基于伪孪生网络建立所述跟踪目标的目标跟踪模型。

3.根据权利要求2所述的无人机自适应目标跟踪方法，其特征在于，所述计算所述跟踪目标周围颜色分布的核密度估计函数，并基于伪孪生网络建立所述跟踪目标的目标跟踪模型，包括：

假设跟踪过程中跟踪目标在每帧图像的尺寸都是变化的，跟踪目标在每帧图像中由椭圆区域进行表示，用ξ(x_i,y,h)表示跟踪目标区域的椭圆方程，即：

则第一帧图像的跟踪目标的目标跟踪模型如下：

其中，C表示归一化常数；{x_i}_i＝1,...,N表示样本框内的像素位置；用来统计跟踪目标区域中像素信息，若像素点x_i属于第u个颜色特征，则该部分值为1，否则为0；δ[.]用于判断处于位置x_i的像素值是否属于特征空间中的第u个bin；b(.)用于将x_i位置的像素点与该像素点在量化特征空间中所属的bin值对应起来；ξ(.)表示跟踪目标区域的椭圆方程；h表示尺度系数；y表示候选跟踪目标的中心位置；k表示所用核函数；a和b均为椭圆方程的轴长系数。

4.根据权利要求1所述的无人机自适应目标跟踪方法，其特征在于，所述将第一帧图像的目标跟踪模型存入模板库分支中，定义第t帧时的模板库为其中，表示第t帧时模板库内的第i个模板，表示对应第i个模板在第t帧前成功跟踪的次数；表示模板库内存储第i个模板与最新加入的模板的相似度；ρ为衡量两个向量之间的Bhattacharyya系数的样本估计，即衡量两个模型的相似程度；每当有新模板加入时，该系数进行更新，新加入的模板该系数为1，N_t为第t帧时模板数量；

将模板库内的平均标注定义为在未被标记的模板中选用评价得分最高的模板输入跟踪分支作为跟踪目标模型设置初始变量a←1。