[发明专利]一种基于YOLOv3的空中无人机目标识别和跟踪方法

权利要求书

1.一种基于YOLOv3的空中无人机目标识别和跟踪方法，其特征在于，包括下述步骤：

步骤1：制作训练集；

步骤1.1：将无人机作为空中飞行目标，获取无人机飞行视频；

步骤1.2：对无人机飞行视频进行分帧处理，得到多帧图片构成待筛选图片集；

步骤1.3：对待筛选图片集中重复的和没有目标物的图片按一定比例进行筛除，待筛选图片集中剩余的图片构成待处理图片集；

步骤1.4：对待处理图片集中的每帧图片进行预处理，得到预处理后的图片集；

步骤1.5：对预处理后的图片集中的每帧图片标记出无人机区域框，并标注无人机区域框中无人机的类别信息和位置信息，生成训练集；其中，所述位置信息包括无人机区域框的中心点坐标、宽、高；

步骤2：改进候选框参数；

步骤2.1：在不同的聚类数目K下，基于K-means聚类算法对训练集中的无人机区域框进行聚类，得到每种K值下的K个最优聚类中心，统计每种K值下的损失函数值；

步骤2.2：绘制损失函数值与K值之间的关系图，采用手肘法找到最优K值，得到最优K值下的K个最优聚类中心，将最优K值下的K个最优聚类中心作为YOLOv3的初始候选框参数写入配置文件，获得改进的YOLOv3；

步骤3：利用训练集训练YOLOv3中的Darknet-53模型；

步骤4：获取待跟踪无人机的飞行视频，初始化i＝1，在第1帧图像中手动获取跟踪目标，将第1帧图像中的跟踪目标设为目标模板，提取目标模板的HSV直方特征向量、HOG直方特征向量；

步骤5：令i＝i+1，根据第i-1帧图像中跟踪目标的位置信息生成第i帧图像的K^*近邻搜索区域，利用训练后的YOLOv3模型对K^*近邻搜索区域进行检测，输出K^*近邻搜索区域中目标的类别及预测的多个目标候选框；

步骤6：留存与目标模板类别相同的目标候选框，进入步骤7；若没有与目标模板类别相同的目标候选框，则以第i-1帧图像的跟踪目标为第i帧图像的跟踪目标，进入步骤8；

步骤7：依次提取每个目标候选框的HSV直方特征向量、HOG直方特征向量，计算每个目标候选框与目标模板的HSV直方图间的相似度、HOG直方图间的相似度，并计算每个目标候选框与目标模板的相似度得分，选取最高相似度得分对应的目标候选框作为第i帧图像的跟踪目标；

步骤8：若i≥n，则结束跟踪；若i＜n，则执行步骤9；其中，n为待跟踪无人机的飞行视频的总帧数；

步骤9：判断第i帧图像的跟踪目标是否达到目标模板更新条件，若达到则更新目标模板为第i帧图像的跟踪目标，转至步骤5；若未达到则转至步骤5。

2.根据权利要求1所述的基于YOLOv3的空中无人机目标识别和跟踪方法，其特征在于，所述步骤1.1中，所述无人机包括小型四旋翼无人机和小型固定翼无人机；所述步骤1.4中，所述预处理包括灰度化、几何变换、图像增强、图像颜色调整。

3.根据权利要求1所述的基于YOLOv3的空中无人机目标识别和跟踪方法，其特征在于，所述步骤3中，利用训练集训练YOLOv3中的Darknet-53模型，包括：

步骤3.1：将训练集导入到YOLOv3中，修改voc.names文件、cfg文件中的voc.data文件、yolov3-voc.cfg文件；

步骤3.2：导入训练权重文件darknet53.conv.74后，训练YOLOv3模型。

4.根据权利要求1所述的基于YOLOv3的空中无人机目标识别和跟踪方法，其特征在于，所述步骤4中，提取目标模板的HOG直方特征向量包括：

步骤4.1：对目标模板进行Gamma校正；

步骤4.2：计算目标模板中每个像素点在横坐标方向的梯度g_x、纵坐标方向的梯度g_v，并计算每个像素点的梯度的幅值和方向角分别为

步骤4.3：将目标模板分成多个细胞单元，统计每个细胞单元的梯度直方图，形成每个细胞单元的特征描述子；

步骤4.4：选取多个细胞单元组合成块，在每个块内归一化梯度直方图；

步骤4.5：收集检测窗口中所有重叠的块的HOG特征，构成目标模板的HOG直方特征向量。