[发明专利]一种基于YOLOv3的空中无人机目标识别和跟踪方法

说明书

本发明涉及视频目标识别跟踪技术领域，提供一种基于YOLOv3的空中无人机目标识别和跟踪方法。首先制作训练集；然后基于K‑means聚类算法改进候选框参数，并训练YOLOv3模型；接着获取待跟踪无人机飞行视频，设定目标模板；再生成当前帧的Ksupgt;*/supgt;近邻搜索区域，利用YOLOv3模型检测输出类别及多个目标候选框，并计算与目标模板类别相同的目标候选框同目标模板的相似度得分，选取相似度得分最高的目标候选框作为跟踪目标，在无同类候选框时以上一帧跟踪目标为当前帧跟踪目标；最后，在未加载完图像时判断是否满足目标模板更新条件，在满足时更新目标模板。本发明能够提高空中无人机目标识别和跟踪的精度、效率和计算复杂度。

技术领域

本发明涉及视频目标识别跟踪技术领域，特别是涉及一种基于YOLOv3的空中无人机目标识别和跟踪方法。

背景技术

高性能的目标识别和跟踪方法是计算机视觉领域的核心技术。目标识别方法有传统方法和基于深度学习的方法。传统的目标识别方法分为三个部分：首先进行区域选择，然后对区域中的目标进行特征提取，最后对提取的特征使用分类器分类。一方面，传统方法中，无论什么样的目标识别，在设置滑动窗口的时候，用的都是同样的方法，没有针对性，而且由于窗口设置的过多导致算法模型复杂，时间复杂度高；另一方面，传统方法中用于分类识别的目标特征是手工提取的，隐藏的问题是提取的特征不够好，从而在进行目标识别的时候可能导致效果不稳定。

基于深度学习的目标识别方法使用卷积神经网络提取目标特征，算法模型是基于端到端的网络，不需要进行区域候选，直接对输入的图片进行分类识别。对于深度学习领域常见的目标检测数据集，YOLOv3所做的物体检测已经取得了很好的检测效果。而对于小型无人机目标，由于是远距离拍摄，在部分画面中无人机目标尺寸太小，YOLOv3的检测性能并不能达到最优。

跟踪方法经过多年的发展已有很好的跟踪效果，但是受到光照、遮挡、尺度等因素变化的影响，都有一定概率会使跟踪发生偏移，或者产生误跟踪的问题，目标跟踪出现问题无法修复。

发明内容

针对现有技术存在的问题，本发明提供一种基于YOLOv3的空中无人机目标识别和跟踪方法，能够提高空中无人机目标识别和跟踪的精度、效率和计算复杂度。

本发明的技术方案为：

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；