[发明专利]一种基于深度学习的空中目标跟踪方法

说明书

本发明涉及空中目标跟踪方法，具体为基于深度学习的空中目标跟踪方法，本方法按如下步骤进行：MDNet采集第一帧图像的正样本并进行随机取样，将随机取样后的样本作为数据集训练bounding‑box模型；其次，训练利用最小信息准则和最小二乘法确定阶数和参数的AR模型，估计目标运动轨迹并预测目标位置；然后，将该目标位置作为MDNet的采样中心，再利用bounding‑box回归模型调整目标位置，精确完成跟踪。本方法可以自适应提取空中目标特征，并结合AR模型有效利用目标的运动信息，可极大改善MDNet对目标特征的依赖性，在解决伪目标干扰的同时，提高跟踪精度。

技术领域

本发明涉及目标跟踪方法，具体为一种基于深度学习的空中目标跟踪方法。

背景技术

空中目标跟踪是航空航天等各类探测系统的关键技术之一，由于观测距离较远，该类目标在地面观测和跟踪过程中，往往因缺少形状和纹理特征而呈现为小目标甚至点目标状态，造成检测和跟踪困难。光流法、相邻帧差法和背景减法是当前采用的主要方法，但往往仅针对特定目标，需要根据先验知识选择合适的跟踪算法，不利于工程化应用。

新近，深度学习在图像分类、目标检测等许多领域均已成功突破了固定状态模型的约束，在目标跟踪领域也有少许探索性的研究，如基于深度学习的双层卷积神经网络、深度卷积神经网络以及多域卷积神经网络，均通过自适应提取目标特征，来区分目标与背景信息，在降低跟踪误差同时提高了算法的鲁棒性，但都较注重不同类物体的特征提取，未述及同类目标如何区分，不利于存在伪目标时的高精度跟踪。总的来说，这些研究证实深度人工神经网络学习得到的参数更多、更全，可以降低对先验知识的依赖，但未解决目标跟踪中目标与伪目标交会时往往存在的跟踪漂移问题。

为此，需要有一种新的方法来解决基于卷积神经网络方法跟踪目标时过分依赖目标特征难以区分目标与伪目标所导致的跟踪漂移问题。

发明内容

本发明为了解决基于卷积神经网络跟踪空中目标时存在的跟踪漂移问题，提出了一种基于深度学习的空中目标跟踪方法。

本发明是采用如下的技术方案实现的：一种基于深度学习的空中目标跟踪方法，包括以下步骤：

1.构建多域卷积神经网络(MDNet)

网络包含五层隐藏层和一层二分类层，五层隐藏层分别是conv1、 conv2、conv3、fc4和fc5，其中，conv1、conv2、conv3为卷积层，对应VGG-M网络的结构自适应提取特征，fc4、fc5为全连接层，将特征图表示转换为一维向量并对其进行特征组合，二分类层为fc6，对目标和背景进行分类。

2.训练多域卷积神经网络中bounding-box回归模型

(1)标定第一帧图像目标位置

标定第一帧图像目标位置为x₁、y₁为目标位置坐标值，s_w、s_h为目标矩形框的宽和高；

(2)选择样本

MDNet以为中心采样生成W个回归样本，每个回归样本与目标实际位置重叠率的计算方法如下：

式中，R_t为输出跟踪框区域，R_g为实际目标区域，area表示R_t和 R_g的运算结果面积，N为视频序列帧数；

设置重叠率的阈值为L，大于等于L的样本为正样本，小于L的样本为负样本，然后从正样本中随机选取Q个样本输入网络训练bounding-box回归模型；

(3)微调网络