[发明专利]一种基于RYolov7的多目标车辆无人机跟踪检测方法

权利要求书

1.一种基于RYolov7的多目标车辆无人机跟踪检测方法，其特征在于：包括以下步骤：

S1、将yolov7模型的Silu激活函数替换为Mish激活函数，提高yolov7模型进行目标车辆检测的性能；

S2、将DCL角度预测方法加入yolov7模型中；

S3、将GWDIoU旋转框回归损失函数加入yolov7模型中，提高无人机图像车辆目标检测精度；

S4、通过RYolov7检测网络对无人机拍摄的视频帧进行检测，获得正确检测的目标车辆框Detection boxes；

S5、通过卡尔曼滤波对旋转车辆目标进行状态预测，获得车辆目标跟踪框trackboxes；

S6、采用匈牙利算法对Detection boxes和track boxes构建的代价矩阵进行关联匹配，计算前后两帧之间的匹配程度，确定检测跟踪结果，为目标车辆分配ID，标记车辆行驶轨迹。

2.根据权利要求1所述的多目标车辆无人机跟踪检测方法，其特征在于：在步骤S1中，所述Mish激活函数为：

Mish(x)＝x×tanh(ln(1+exp(x)))

在yolov7模型的每个网络卷积层中加入Mish激活函数。

3.根据权利要求1所述的多目标车辆无人机跟踪检测方法，其特征在于：步骤S2具体为：

通过加入角度参数θ将yolov7模型的四参数损失函数更改为五参数损失函数；采用基于DCL算法的角度分类损失计算角度参数θ的损失：

L_dcl(θ_gt,logits)＝FL(Encode_dcl(θ_gt),logits)×W_ADARSW(Δθ)

式中，FL表示定位损失函数Encode_dcl(g)的二进制编码，Δθ表示预测角度θ_prred和角度标签θ_gt之间的角度差，logits表示角度的预测向量；W_ADARSW表示损失权重，具体为：

W_ADARSW(Δθ)＝|sin(α(Δθ))|＝|sin(α(θ_gt-θ_prred))|

式中，h_gt和w_gt分别表示真实值的长边和短边，r表示宽高比阈值。

4.根据权利要求1所述的多目标车辆无人机跟踪检测方法，其特征在于：在步骤S3中，所述GWDIoU旋转框回归损失函数具体为：

式中，f(d²)表示非线性函数，用于变换Wasserstein距离d²以使损失更平滑和更具表现力，τ表示超参数。

5.根据权利要求1所述的多目标车辆无人机跟踪检测方法，其特征在于：步骤S4具体为：

S41、使用图像分割模块ImgSpilt分割数据集，并将分割后的数据集输入到RYolov7检测网络中训练，得到最优权重文件best.pt和最后一个epoch权重文件last.pt；

S42、使用结果融合模块ResuleMerge将被分割数据集的检测结果合并，利用被分割图像检测出的目标位置信息和图像名称中的裁剪位置信息，还原目标在原始未分割图像中的位置；

使用结果评估模块对比原图gt_poly和原图detection_poly，求得各个类别的AP以及mAP，以评估模型性能；

S43、根据最优权重文件best.pt对无人机拍摄的车辆目标视频帧进行测试，得到Detection boxes。

6.根据权利要求1所述的多目标车辆无人机跟踪检测方法，其特征在于：步骤S6具体为：

S61、根据马氏距离获得目标运动模型进行IoU匹配；

首先进行相似度度量计算：

式中，d⁽¹⁾(i,j)表示运动特征的最小余弦距离，d_j表示第j个detection bbox的位置，y_i表示第i个跟踪器对目标的预测位置，表示detection bbox和track bbox之间的协方差矩阵；

然后比较马氏距离和卡方分布的阈值：

式中，表示一个指示器，比较的是马氏距离和卡方分布的阈值，t⁽¹⁾表示卡方分布的阈值；通过阈值衡量Detection boxes与Track boxes的匹配程度，如果马氏距离小于t⁽¹⁾，代表成功匹配；

S62、采用余弦距离获得目标外观模型进行特征匹配：

式中，d⁽²⁾(i,j)表示外观特征的最小余弦距离，r_j表示第j个检测的特征向量，r_k表示第k个跟踪目标的特征向量，R_i表示跟踪特征向量的集合；

S63、根据步骤S61和S62得到综合后的代价矩阵：

c_i,j＝λd⁽¹⁾(i,j)+(1-λ)d⁽²⁾(i,j)

式中，λ表示权重系数；

根据综合后的代价矩阵进行数据关联，计算前后两帧之间的匹配程度，确定检测跟踪结果，为车辆目标分配ID，标记车辆行驶轨迹。