[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

说明书

本发明公开了一种基于深度学习算法的无人机目标追踪方法，包括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；构建用于无人机目标追踪的边界框预测模型并训练得到最终的边界框预测模型；将目标的模板图像和无人机实时获取的搜索图像输入到边界框预测模型得到目标边界框；采用目标边界框对目标进行追踪；重复以上步骤，采用无人机完成对目标的实时追踪。本发明还公开了一种包括所述基于深度学习算法的无人机目标追踪方法的仿真系统。本发明通过创新的目标追踪方法的设计，不仅实现了目标的无人机追踪，而且可靠性高、精确性好且效率较高；同时，基于本发明提供的仿真系统，能够提高无人机目标追踪的复杂场景适应能力。

技术领域

本发明属于目标追踪技术领域，具体涉及一种基于深度学习算法的无人机目标追踪方法及仿真系统。

背景技术

随着经济技术的发展，无人机已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。无人机目标追踪是无人机应用领域的热点问题，其目的在于控制无人机持续的对目标进行追踪，从而实现特定的目的，比如目标跟踪、目标运动轨迹的划定、目标跟拍等。

在无人机的目标追踪领域，目前主要存在两个问题：一是在无人机的目标追踪过程中，目标的快速移动、尺度变化、剧烈形变、目标遮挡等情况，将会极大的干扰无人机的目标追踪过程，加快追踪的难度和追踪过程的精确性；二是无人机在目标追踪过程的追踪算法试验（或者追踪算法试错）过程中，无人机的试验成本，尤其是试错成本较为高昂。

目前，传统的无人机的目标追踪过程，需要首先人工提取目标的特征；这一过程费时费力，而且在实现过程中还会导致抗干扰能力弱、实时性较差、目标易丢失等一系列问题；这使得现有的无人机目标追踪方案的可靠性和精确性都较差。而且，目前传统的无人机试验或试错过程，缺乏相应且可靠的模拟系统，这也极大的增加了无人机追踪方案的可行性试验难度以及试验成本。

发明内容

本发明的目的之一在于提供一种可靠性高、精确性好且效率较高的基于深度学习算法的无人机目标追踪方法。

本发明的目的之二在于提供一种用于实现所述基于深度学习算法的无人机目标追踪方法的仿真系统。

本发明提供的这种基于深度学习算法的无人机目标追踪方法，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。

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。

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；