[发明专利]一种侦察无人机动目标自动检测与跟踪方法

说明书

本发明涉及一种侦察无人机动目标自动检测与跟踪方法，无人机发射起飞后，飞行操作手控制飞机沿靶道方向爬升至2000m高度定高飞行，沿靶道方向飞行至目标区域。任务操作手观察光电载荷侦察设备图像，在初始获得并解压的视频流中抓帧，以获得许多连续帧下运动稳定的图像来构成所需的时空数据集。利用获得的数据来训练回归量和训练分类器，通过上述的基于回归分析的深度学习方法来检测目标，并提取其特征及有用的信息。将视频恢复正常显示，依据步骤二中获得的目标特征来对机动目标做自动检测，通过上述介绍的混合的跟踪算法来对目标进行跟踪，且给出屏幕坐标。能够在目标很远且很小，无运动轨迹以及使用快速运动的相机时正确的将目标检测出来。

技术领域

本发明属于无人机目标检测及跟踪技术，具体涉及一种侦察无人机动目标自动检测与跟踪方法。

背景技术

现如今，我们可以通过利用便宜而且很轻的传感器例如相机等来对行人和汽车进行检测以达到避免碰撞的目的。许多好的方法已被研发出来来解决此类问题，且已经开发了许多商用产品。然而在飞行器目标检测领域，大多数的解决方法是估计一个精确的位置并通过一个或者多个相机进行定位。然而简单的将行人和汽车的检测方法延伸到飞行器领域的可行性不高，因为飞行器的目标检测有一些独特的挑战，如目标有着不同的形状，且背景复杂可变；考虑到飞行器目标检测的应用，即使目标还在很远的时候，也需要将目标检测出来。以上原因导致了运动轨迹对检测目标变得至关重要。然而，当图像是被运动的相机捕获并且特征背景很难建立时这些轨迹就很难被采集，因为它们不再是在二维平面且在快速的变化。此外，由于在屏幕上还有其他的运动的目标时，除了待检测的运动目标外，其他运动目标的外形也必须被考虑到。在这种情况下，依赖于光流法或者背景消除的最新技术将变得无效。一般检测运动目标的方法主要有三类：

1.基于外形的方法该方法依赖于深度学习并且被证明即使在复杂的光照变换下或者混乱的背景下也是有效的。它们一般基于Deformable Part Models(DPM)﹑卷积神经网络(CNN)﹑随机树以及ACF。当检测目标在单帧中足够的大或者清晰可见时这些方法都能够工作的很好，但是当目标很小并且在没有运动轨迹的情况下是几乎不可能将其从背景中辨析出来；

2.基于运动的方法该方法还可以被细分成两类。一类依赖于背景消除，另一类依赖于两幅连续的图像间的光流法。当相机是静止或者它的运动足够小而很容易被补偿时背景消除技术能够工作的很好，但其不适用于一个快速运动的载体上的相机。基于光流的方法在这种情况下更为可靠，但是光流法严重依赖于流向量的质量，当目标物很小且模糊时流向量将变得很小；

3.混合方法该方法结合了目标外形和运动模式的信息来做目标检测。这种算法在行人检测中工作的很好而且胜过大多数使用单帧的算法。然而，当目标物变得愈来愈小且很难被发现时，这种流估计的方法变得越来越不可信，而且这种方法和基于光流的方法一样变得越来越无效。

所以综合上面三种方法所述，急需要一种稳定可靠的方法来对机动目标进行有效的检测和跟踪，以克服上面三种方法提到的不足。

发明内容

要解决的技术问题

本发明旨在解决无人机对机动目标有效检测和跟踪问题，从而克服机载侦查设备检测远小、无运动轨迹目标的实现难度。

技术方案

一种侦察无人机动目标自动检测与跟踪方法，其特征在于步骤如下：

步骤1：无人机发射起飞后，飞行操作手控制飞机沿靶道方向爬升至2000m高度定高飞行，沿靶道方向飞行至目标区域；任务操作手观察光电载荷侦察设备图像，在初始获得并解压的视频流中抓帧，以获得许多连续帧下运动稳定的图像来构成所需的时空数据集；

步骤2：利用获得的数据来训练回归量和训练分类器，通过基于回归分析的深度学习方法来检测目标，并提取其特征；

具体步骤如下：