[发明专利]一种基于深度学习的多航空器跟踪方法

权利要求书

1.一种基于深度学习的多航空器跟踪方法，其特征在于，包括以下步骤：

S1：利用监控相机读取机场场面的视频帧；

S2：利用YOLOv3检测器检测视频帧的每一帧图像，识别图像中的航空器；

S3：利用CNN网络提取每一帧图像中航空器的外观特征；

S4：利用马尔卡夫链获取航空器的运动状态，并根据运动状态预测其运动特征；

所述步骤S4包括以下子步骤：

S41：利用马尔卡夫链判断航空器的运动状态S_M，其判断公式为：

S_M＝S_{straight/constant}∪S_{straight/accelerate}∪S_stop∪S_{curve/constant}

其中，S_{straight/constant}表示航空器的匀速直线模型，S_{straight/accelerate}表示航空器的匀加速直线模型，S_stop表示航空器的静止模型，S_{curve/constant}表示航空器的匀速转弯模型；

S42：根据航空器的运动状态S_M预测其运动特征M；

S5：根据航空器的外观特征和运动特征计算航空器先前帧的跟踪轨迹与当前帧的检测结果相似度；

所述步骤S5包括以下子步骤：

S51：根据航空器的外观特征计算第一中间变量MI和第二中间变量MU，其计算公式分别为：

MI＝|A_i∩A_j|

MU＝|A_i∪A_j|

其中，A_i表示先前帧航空器i的外观特征，A_j表示当前帧航空器j的外观特征；

S52：根据第一中间变量MI和第二中间变量MU计算航空器的外观特征距离其计算公式为：

S53：根据航空器的运动特征计算航空器的运动特征距离其计算公式为：

其中，M_i表示先前帧航空器i的运动特征，M_j表示当前帧航空器j的运动特征；area(·)表示区域面积函数运算；

S54：根据航空器的外观特征距离和航空器的运动特征距离计算航空器先前帧的跟踪轨迹与当前帧的检测结果相似度f_i,j，其计算公式为：

其中，α_app表示外观特征的超参数，α_mot表示运动特征的超参数；

S6：根据航空器先前帧的跟踪轨迹与当前帧的检测结果相似度，利用匈牙利算法匹配航空器的先前帧和当前帧；

S7：利用马尔科夫链获取匹配后的每一帧航空器的跟踪状态；

S8：判断监控相机是否读取机场场面的视频帧，若是则返回步骤S1，否则结束跟踪航空器。

2.根据权利要求1所述的基于深度学习的多航空器跟踪方法，其特征在于，所述步骤S2包括以下子步骤：

S21：利用YOLOv3检测器检测视频帧的每一帧图像，得到航空器所处图像帧的序号、航空器的矩形坐标信息和航空器矩形框的置信度；

S22：设定阈值σ_the；

S23：判断航空器矩形框的置信度是否大于等于阈值σ_the，若是则保留该航空器矩阵框的置信度，否则删除该矩形框；

S24：利用非极大值抑制法对保留的航空器矩阵框进行筛选，完成航空器的识别。

3.根据权利要求1所述的基于深度学习的多航空器跟踪方法，其特征在于，所述步骤S3中，将航空器的每一帧图像输入至CNN网络，得到每一帧图像中航空器的外观特征A＝{a₁,a₂,…,a₅₁₂}。