[发明专利]一种无人机目标跟踪方法、系统、介质、设备及终端

说明书

本发明属于计算机视觉中的目标跟踪技术领域，公开了一种无人机目标跟踪方法、系统、介质、设备及终端，利用ImageNet数据集进行主干网络预训练；创建SiamTCP无人机跟踪模型，并在多个视频数据集上训练SiamTCP无人机跟踪模型。本发明提供的基于目标感知级联像素匹配的无人机目标跟踪方法，通过在多个数据集上进行训练，从而确定神经网络模型的参数，训练完成之后的模型，可以应用于无人机场景的目标跟踪任务。具体而言，本发明提出了逐像素互相关，并进行级联操作，通过部分到部分的匹配操作代替全局到全局的匹配，增强了特征融合的结果。同时本发明提出的目标感知模块可以剔除不必要的背景信息，能够很好地配合级联的像素匹配过程。

技术领域

本发明属于计算机视觉中的目标跟踪技术领域，尤其涉及一种无人机目标跟踪方法、系统、介质、设备及终端。

背景技术

视觉目标跟踪是计算机视觉的一个基础研究课题。视觉目标跟踪的任务通常是在视频的开始选择所感兴趣的物体，并在接下来的序列中定位目标。在日常生活中，视觉目标跟踪有很多应用场景，如视频监控、智能人机交互、自动驾驶等。近年来，随着跟踪算法的进步，目标跟踪领域得到了迅速的发展。然而，由于障碍物的遮挡、跟踪对象的外观变化、目标附近相似性物体的干扰以及跟踪对象的快速运动等原因，跟踪器往往无法稳定跟踪。因此，设计一种速度更快、定位更准确的跟踪算法仍然具有挑战性。

目前，考虑到卷积神经网络优越的跟踪效果，本发明将其应用于目标跟踪领域。其中，基于孪生网络的跟踪算法引起了很大的反响和关注。然而，如果应用于空中无人机视角下的实时目标跟踪，这些算法还存在着一些局限性。因为孪生网络通常直接使用第一帧作为模板图像，所以第一帧的目标信息对后续帧的匹配有很大的影响。不同于一般的孪生网络目标跟踪器，本发明选择对卷积后得到的模板特征进行掩膜处理，只保留目标的特征信息，避免了复杂背景对目标对象的干扰。考虑到空中跟踪的独特性，即出现在场景中的物体通常都比较小，本发明设计更为细粒度的匹配方式，即对模板和搜索区域进行级联式像素相关。因此，本发明旨在提出一种有效的无人机目标跟踪方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)由于障碍物的遮挡、跟踪对象的外观变化等原因，孪生网络中使用的全局匹配缺少对目标的判别性表示，使得跟踪器往往无法稳定跟踪。

(2)现有基于孪生网络的跟踪算法中，通常采用第一帧目标区域作为模板，然而其中也包含了背景信息，这对无人机跟踪有着一定的负面干扰。

发明内容

针对现有技术存在的问题，本发明提供了一种无人机目标跟踪方法、系统、介质、设备及终端，尤其是涉及一种基于目标感知级联像素匹配的无人机目标跟踪方法、系统、介质、设备及终端。

本发明是这样实现的，一种无人机目标跟踪方法，所述无人机目标跟踪方法包括：利用ImageNet数据集进行主干网络的预训练；基于孪生网络结构，使用深度学习框架PyTorch搭建SiamTCP无人机跟踪模型；在多个视频数据集上训练SiamTCP无人机跟踪模型，通过损失函数更新网络的参数。

进一步，所述无人机目标跟踪方法包括以下步骤：

步骤一，进行主干网络的初始化；

步骤二，构建基于目标感知级联像素匹配的无人机目标跟踪模型；

步骤三，进行无人机目标跟踪模型的训练。

进一步，所述步骤一中的主干网络采用改进的GoogLeNet；将主干网络在ImageNet图像分类数据集上进行预训练，进而初始化主干网络的权重。