[发明专利]无人机视角遥感目标跟踪方法及装置

说明书

本发明实施例提供一种无人机视角遥感目标跟踪方法及装置，其中，方法包括：从样本视频序列中提取出正样本和典型易混干扰负样本，对所述典型易混干扰负样本进行数据增广，将正样本和数据增广后的典型易混干扰负样本组成训练集；基于所述训练集，预训练基于卷积块注意力模块CBAM显著增强的多域网络MDNet；获取无人机视角遥感视频图像，利用训练好的基于CBAM显著增强的MDNet进行无人机视角遥感目标的跟踪。本发明实施例能够实现对无人机视角遥感目标的跟踪，能够克服现有技术的方法跟踪性能低、时效性不高的缺点，可明显提升跟踪的准确性和实时性，具有更高的跟踪精度和效率。

技术领域

本发明涉及遥感目标跟踪技术领域，尤其涉及一种无人机视角遥感目标跟踪方法及装置。

背景技术

随着高分辨率成像技术及人工智能处理技术的快速发展，遥感目标跟踪受到了很多的关注，其中作为一个重要的研究部分，无人机视角下的遥感目标跟踪在嫌犯追捕、军事侦察、土地监测等领域具有重要意义。

近些年，为了促进目标跟踪的发展，许多研究者朝着该方向付出了巨大的努力。现有技术中提出的目标跟踪算法Struck(Structured Output Tracking with Kernels)是利用在线结构输出SVM(structured output support vector machine)学习方法去跟踪目标；现有技术中提出的跟踪学习检测TLD(Tracking-Learning-Detection)算法是通过一种改进的在线学习机制实现高效跟踪。但是，这些方法的计算量巨大，在无人机平台硬件和计算资源约束的情况下，难以满足遥感目标跟踪的实时性要求。

随着深度学习在计算机视觉领域的发展，最近深度学习开始用于目标跟踪，现有技术中通过分别获取语义特征和识别信息进行可视化跟踪，此方法具有较高的检测精度。但是，由于这些方法通常利用网络的深度结构设计来提升跟踪精度，跟踪的效率将会受到较大的影响。

最近，一种基于CNN(卷积神经网络)框架的优秀跟踪算法MDNet(Multi-DomainNetwork，多域网络)被提出，它可一定程度上兼顾时效性和准确率的算法，此方法通过结合CNN共享层和一个新的二分类层构建新的网络，在大尺度数据集上预训练来获得目标的通用表征，增强了网络对各类目标的适应能力。但是，由于无人机视角下的遥感目标往往较弱小，大视场下背景地物复杂多变且干扰物较多，目标会随无人机飞行高度出现频繁的尺度变化，因此无人机视角下的跟踪目标极易与背景混淆。

发明内容

针对现有技术存在的问题，本发明实施例提供一种无人机视角遥感目标跟踪方法及装置。

本发明实施例提供一种无人机视角遥感目标跟踪方法，包括：

从样本视频序列中提取出正样本和典型易混干扰负样本，对所述典型易混干扰负样本进行数据增广，将正样本和数据增广后的典型易混干扰负样本组成训练集；

基于所述训练集，预训练基于卷积块注意力模块CBAM显著增强的多域网络MDNet；

获取无人机视角遥感视频图像，利用训练好的基于CBAM显著增强的MDNet进行无人机视角遥感目标的跟踪。

本发明实施例提供一种无人机视角遥感目标跟踪装置，包括：

增广模块，用于从样本视频序列中提取出正样本和典型易混干扰负样本，对所述典型易混干扰负样本进行数据增广，将正样本和数据增广后的典型易混干扰负样本组成训练集；

预训练模块，用于基于所述训练集，预训练基于卷积块注意力模块CBAM显著增强的多域网络MDNet；

跟踪模块，用于获取无人机视角遥感视频图像，利用训练好的基于CBAM显著增强的MDNet进行无人机视角遥感目标的跟踪。