[发明专利]基于深度学习算法的无人机目标追踪方法及仿真系统

权利要求书

1.一种基于深度学习算法的无人机目标追踪方法，其特征在于包括如下步骤：

S1. 获取现有的用于无人机目标追踪的图像数据，并构建训练数据集；

S2. 基于ANN网络、APN网络和注意力机制模块，构建用于无人机目标追踪的边界框预测模型；

S3. 采用步骤S1构建的训练数据集，对步骤S2构建的边界框预测模型进行训练，得到最终的边界框预测模型；

S4. 将目标的模板图像和无人机实时获取的搜索图像输入到步骤S3得到的最终的边界框预测模型，得到目标边界框；

S5. 采用步骤S4得到的目标边界框，对目标进行追踪；

S6. 重复步骤S4~S5，采用无人机完成对目标的实时追踪。

2.根据权利要求1所述的基于深度学习算法的无人机目标追踪方法，其特征在于所述的步骤S2，具体包括如下内容：

首先将输入的模板图像和搜索图像通过骨干网络进行处理；

根据骨干网络的输出图像构建第四相似度图和第五相似度图，并基于第四相似度图、第五相似度图、池化层和前向传播网络构建得到APN网络特征图；

根据骨干网络的输出图像以及池化层构建得到通道注意力网络特征图；

基于APN网络特征图和通道注意力网络特征图，计算得到最终的分类特征图；

将最终得到的分类特征图进行分类和回归操作，得到最终的边界框预测结果。

3.根据权利要求2所述的基于深度学习算法的无人机目标追踪方法，其特征在于所述的步骤S2，具体包括如下步骤：

A. 将模板图像z和搜索图像x分别输入到骨干网络中；所述的骨干网络为AlexNet网络；

B. 将骨干网络的第四层输出进行深度互相关操作和卷积操作，得到第四相似度图为，其中为模板图像z输入到骨干网络后骨干网络的第四层的输出，为搜索图像x输入到骨干网络后骨干网络的第四层的输出，为深度互相关操作，为卷积操作；

将骨干网络的第五层输出进行卷积操作和深度互相关操作，得到第五相似度图为；

基于第四相似度图、第五相似度图、池化层和前向传播网络，构建得到APN网络特征图为，其中为第一学习权重，为第二学习权重，为前向传播网络，为全局平均池化操作，为通道方向拼接操作；

C. 改变骨干网络中第五层的卷积核参数，得到第六相似度图；同时将第五相似度图分别通过三个不同的卷积层产生三个特征图，分别为q特征图、k特征图和v特征图，；然后将和变换尺度为，将变换尺度后的两个矩阵进行矩阵乘法运算，再通过softmax层，得到空间注意力图，softmax为指数归一化函数；最后，得到空间注意力图为，其中为第三学习权重；其中，表示实数域上的维向量空间，为实数域上的维向量空间，为实数域上的维向量空间，CC为通道数，HH为高度，WW为宽度；

根据空间注意力图和池化层，计算得到通道注意力网络特征图为，其中为第四学习权重，为非线性激活函数，且计算式为，W为中间特征且，为全局最大池化操作；

D. 基于APN网络特征图和通道注意力网络特征图，计算得到最终的分类特征图R为，其中为第五学习权重，为第六学习权重；

E. 将最终得到的分类特征图R进行分类和回归操作，得到最终的边界框预测结果。

4.根据权利要求3所述的基于深度学习算法的无人机目标追踪方法，其特征在于所述的分类和回归操作，具体为分类和回归操作采用采用三分支结构；第一个分支选择与实际边界框交集最大的边界框；第二个分支选择特征图上落在实际边界框内的点；最后一个分支考虑每个点与实际边界框中心点之间的中心距离；最后引入不同的权重来平衡不同的分支，得到总的损失函数为为，其中为交叉熵，为二元交叉熵，、和为三个分支的相应权重。