[发明专利]无人机目标跟踪方法、装置、无人机及存储介质

说明书

本发明公开了一种无人机目标跟踪方法、装置、无人机及存储介质，该方法包括获取第一图像帧，提取目标标注框的HOG特征和CN特征，训练获得第一滤波器和第二滤波器，提取第二图像帧的HOG特征和CN特征，利用第一滤波器和第二滤波器对第二图像帧的HOG特征和CN特征执行相关操作，获得第一响应图像和第二响应图像，根据第一响应图像和第二响应图像，获得最终响应图像，并确定目标跟踪结果。本发明通过当前帧图像的多特征自适应融合，获得最终响应图像，并根据最终响应图像确定目标跟踪结果，实现自适应的显著特征提取和防退化在线模型更新，提高了无人机在目标被遮挡、形变或丢失时目标跟踪的精度。

技术领域

本发明涉及计算机视觉领域，尤其涉及到一种无人机目标跟踪方法、装置、无人机及存储介质。

背景技术

目标跟踪是计算机视觉中的一项基本任务，由于只能得到目标的初始状态，因此具有一定的挑战性。近年来，由于无人机(UAV)和通信技术的快速发展，针对无人机的跟踪已经引起了越来越多的关注，并在远程侦查、军事侦察、灾难救援和农业监督等领域显示出巨大的潜力。

近期，判别式跟踪方法通过学习能够将目标与背景分开的分类器在目标跟踪领域取得了巨大的成功。它大致分为两类：基于相关滤波的和基于深度学习的方法。基于深度学习的跟踪器通过深度卷积神经网络提取目标的语义特征，以建立更强大的外观模型。尽管它们带来了显著的性能改进，但基于深度学习的方法大大增加了对硬件的要求。考虑到无人机上有限的功率容量和计算资源，本发明选择了基于相关滤波的跟踪器，因为它们在跟踪性能和运行速度之间有着理想的平衡。

尽管基于相关滤波跟踪器通过使用多种特征(HOG、CN等)和在线更新模型的策略在无人机跟踪领域取得了非常不俗的表现，但是在这两种策略的细节上还是存在着许多明显的缺陷。

使用多种特征能够帮助目标构建更全面的外观模型，进而提升判别力。然而，目前大多数现存的相关滤波跟踪器在使用多个特征时都是使用了直接级联HOG和CN特征向量的方式，HOG特征会计算局部区域内边缘强度的方向直方图，它对运动模糊和光照变化具有鲁棒性，但对目标变形敏感。而CN特征利用了颜色信息，它对变形具有鲁棒性，但对光照变化敏感。当遭遇光照变化或严重形变等情况时，HOG或CN特征中的一方会失效，导致某一特征的响应图像坍塌，进而在响应图像中干扰另一特征的发挥，引起跟踪器漂移。

在线模型更新策略能够帮助跟踪器更好的适应目标外观模型的变化，但是现存的跟踪器在所有情况下均使用固定且单一的学习率来更新模型。由于无人机的快速运动，目标经常会遭遇遮挡、形变甚至从画面丢失，在这类情况下依然进行学习的话，不可避免的在滤波器中引入了噪声，造成了模型的退化。因此，如何高效的利用多种特征和自适应的采用合适的模型更新策略，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种无人机目标跟踪方法、装置、无人机及存储介质，旨在解决目前无人机在执行目标跟踪任务时，因为目标被遮挡、形变或丢失导致的模型退化的技术问题。

为实现上述目的，本发明提供一种无人机目标跟踪方法，所述方法包括以下步骤：

获取第一图像帧；其中，所述第一图像帧具有目标标注框；

提取所述目标标注框的HOG特征和CN特征，并根据所述HOG特征和所述CN特征，分别训练获得第一滤波器和第二滤波器；

在接收到第二图像帧时，提取所述第二图像帧的HOG特征和CN特征，利用所述第一滤波器和所述第二滤波器对所述第二图像帧的HOG特征和CN特征执行相关操作，获得第二图像帧的第一响应图像和第二响应图像；

根据所述第一响应图像和所述第二响应图像关于所述HOG特征和所述CN特征的置信度，将所述第一响应图像和所述第二响应图像互补融合，获得最终响应图像；