[发明专利]基于机器学习的低小慢目标的光电识别跟踪方法

说明书

本发明设计了一种基于机器学习的低小慢目标的光电识别跟踪方法，首先确定目标的方向，然后调整相机的方向角和俯仰角，使得目标位于相机的视野范围内；然后相机逐帧读入图像，目标识别的在线检测，将读入的图像作为神经网络的输入，经过机器学习已经训练好的网络，得到网络的输出，包括目标的分类和位置的束缚框；如果输出的分类属于低小慢目标，则进入下一步，否则跳过下一步，直接读入下一帧图像，进行目标跟踪。在保证实时性的同时，提高了自动识别的准确性，增强了对光照、目标姿态等影响因素的鲁棒性。本发明可以用于多波段融合的成像设备，扩展了单一识别跟踪算法的应用范围，提高了算法的适应性。

技术领域

本发明属于除无线电波外的电磁波跟踪系统技术领域，尤其涉及一种基于机器学习的低小慢目标的光电识别跟踪方法。

背景技术

无人机、巡航导弹等低空空袭兵器是当前空袭作战的主要攻击方式，并且无人机还具有成本低廉、质量轻尺寸小、机动性好、可在危险条件下执行任务等特点，使得防空系统压力剧增，严重威胁重大活动、重点区域的安全保障工作。而探测是拦截与打击的必要前提，因此针对无人机等低小慢目标的预警与识别是未来信息化条件下防空作战夺取战争主动权的重要保障。对于低小慢目标的探测，主要有雷达探测、声学探测和光电探测等方法。

对于雷达探测，由于低小慢目标的雷达反射面积非常小，而且飞行速度慢，其造成的多普勒效应也不明显，所以传统雷达对低小慢目标的探测效果并不好，存在低空探测盲区大，回波小且弱，容易与气象干扰、杂波干扰或鸟群相混淆，角分辨率低等缺点。

对于声学探测，低小慢目标的噪声主要是发动机噪声和飞行过程中产生的空气扰动噪声，但目前低小慢目标的飞行动力很大一部分是电动力，噪声较小，加上飞行速度较慢，使得其噪声水平很低，难以探测。

所谓光电探测，利用目标反射或直接辐射的光波对目标实施探测的技术。目标在太阳光、星光或人工照明的照射下，由于几何形状和表面反射特性的不同，会在光电传感器上呈现为特定对比度分布的图像。它的优点在于体积小、重量轻、成本低、抗电磁干扰能力强、隐蔽性强、角分辨率高；缺点在于传统的识别和跟踪算法的识别准确性较低，目标对比度、目标姿态变化、光照角度、背景的不均匀性及背景亮暗、大气湍流等对目标捕获概率具有一定的影响。

国内外已经公布的针对低小慢目标的光电识别跟踪系统中，主要还是使用帧间差分法、背景减除法、光流法、矩不变量等传统方法。而这些方法在对光照角度、目标姿态等影响因素的鲁棒性上存在很大改进空间。

发明内容

本发明所要解决的技术问题是，提供一种基于机器学习的低小慢目标的光电识别跟踪方法，利用光电系统采集的图像，在目标有效像素数很少的情况下，仍能实现对低小慢目标的高精度快速识别。

本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习的低小慢目标的光电识别跟踪方法，该方法包括以下步骤，步骤一，首先确定目标的方向，然后(利用云台)调整相机的方向角和俯仰角，使得目标位于相机的视野范围内；步骤二，相机逐帧读入图像；步骤三，目标识别的在线检测，将读入的图像作为神经网络的输入，经过机器学习已经训练好的网络，得到网络的输出，包括目标的分类和位置的束缚框；如果输出的分类属于低小慢目标，则进入下一步，否则跳过下一步，直接读入下一帧图像；步骤四，进行目标跟踪。

按上述技术方案，所述步骤四中包括以下步骤：

S1，由第一帧图像给出的束缚框，扩大得到补白束缚框，也就得到了下一帧目标可能存在的预测区域，以当前的补白束缚框作为正样本，以当前正样本的循环移位作为负样本，利用机器学习的方法，训练得到一个目标检测分类器；

S2，对接下来的一帧图像，同样对上一帧的补白束缚框循环移位，对得到的样本束缚框内的图像进行分类，选择响应最强(相关系数最大)的束缚框作为当前帧目标所在的补白束缚框；根据当前帧与上一帧的补白束缚框之间位置变化，获得目标的位置变化；