[发明专利]一种弹载平台实时目标跟踪方法

说明书

本发明提供了一种弹载平台实时目标跟踪方法，属于图像处理领域，包括：步骤1、目标跟踪器根据第一帧的目标位置，提取当前图像帧的搜索区域；步骤2、再对第一帧提取的搜索区域进行特征提取，使用样本及特征训练分类器，并生成初始的位置滤波器；步骤3、在后续图像帧中，目标跟踪器根据前一帧的目标位置，进行区域循环采样获得正负样本，提取样本特征以更新滤波器参数；步骤4、将滤波器和新输入的图像帧进行相关性计算，响应最大值的区域即为目标位置。该方法采用以跟踪为主、检测为辅的方法将改进相关滤波算法和上述改进单阶段检测算法进行融合得到一个优良的长时跟踪系统，大幅提升算法表现力。

技术领域

本发明属于图像处理领域，具体涉及一种弹载平台实时目标跟踪方法。

背景技术

传统的跟踪算法广泛应用于工业界的实际场景之中，但是算法在复杂背景 干扰下以及长时目标跟踪中存在短板。基于孪生网络的智能目标跟踪算法在复 杂背景及相似物干扰之下表现良好，但算法实时性较差，目前无法应用于嵌入 式移动平台。

经典的目标跟踪算法主要根据算法是否具有目标背景分类功能而被划分为 生成式及判别式两大类，前者建立在目标特征子空间的构造，后者建立在分类 或回归方式基础之上进行目标/背景的判别。经典的生成式跟踪算法有卡尔曼滤 波、粒子滤波、mean-shift(均值漂移)等。经典的判别式跟踪算法有MOSSE 算法，2012年Henriques等人提出了CSK方法，基于MOSSE算法引入循环 矩阵并在傅里叶变换域进行运算求解，极大地提高了算法实时性。2014年， MartinDanelljan提出的DSST算法首次将平移滤波与尺度滤波算法相结合，之 后又出现了一系列加速的版本fDSST。2015年Henriques等人提出了KCF算法。

基于深度学习的跟踪算法在精度上可以说是碾压了大批的经典目标跟踪算 法。2015年，BohyungHan团队设计了具有多域结构的神经网络(MDNet)， 其性能表现优异，但速度只有1帧/s。2016年提出了基于孪生网络的开山之作 —SINT算法，同年提出了Siam-FC算法。Siamse-RPN网络将目标检测中的RPN 模块应用到跟踪当中，RPN子网络则分为分类目标和回归目标位置两个子模块。 DaSiamRPN方法，是对Siamese-RPN进行进一步优化和改进，SiamMask算法 将目标分割任务引入目标跟踪，在视频跟踪任务上达到最优性能，并且在视频 目标分割上取得了当前最快的速度。尽管该类方法在公开数据库上取得了很好 的性能，但需依赖于大规模数据来保证所训练跟踪模型的鲁棒性，并且深度网 络强大的表征能力是依赖于庞大的计算量而牺牲了实时性所换取，因此在实际 工程应用阶段还有很长一段路要走。

基于深度学习的单阶段检测算法所使用的深层卷积网络具有强大的目标特 征表征力，高识别率的智能算法在未来必将取代传统算法应用于军事技术，但 其庞大的反向传播参数计算与错综复杂的网络模型，加之弹载平台的数据存储、 功耗、算力等资源受限，导致难以落地于嵌入式平台并达到实时鲁棒检测效果。

传统的核相关滤波跟踪算法速度快但长时跟踪效果差，基于深度学习的检 测算法精度高但耗时长。

早期基于CPU端的相关滤波类跟踪算法实时性较强，工程应用较为广泛， 但在复杂背景干扰、相似物遮挡等情况下跟踪精度低；基于深度学习的单阶段 检测算法所使用的深层卷积网络具有强大的目标特征表征力，但其嵌入式实现 功耗大、实时性低，导致在实际军事作战等工程应用中并未发挥智能检测的良 好性能。为保证检测速度同时兼顾检测精度，力求开发研究可用于弹载GPU平 台的实时目标精准检测跟踪技术。

因此，本申请提出一种弹载平台实时目标跟踪方法。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种弹载平台实时目标 跟踪方法。

为了实现上述目的，本发明提供如下技术方案：

一种弹载平台实时目标跟踪方法，包括以下步骤：