[发明专利]无人机平台单目标跟踪方法

权利要求书

1.一种无人机平台单目标跟踪方法，其特征在于所述方法包括：

步骤一、构建模型网络结构，选择跟踪目标图像并确定搜索区域，提取特征后将不同尺度的特征图分别送入SiamRPN网络，由合并的SiamRPN输出包含分类分支和回归分支，采用成对的相关操作来得到最后的输出；

步骤二、生成模型损失函数，沿用损失函数，分类损失为交叉熵损失，采用归一化坐标的损失进行回归；

步骤三、对模型裁剪量化压缩，联合L2范式和泰勒一阶展开的卷积滤波方法进行结构化剪枝处理，将卷积滤波的所有参数看作被裁减对象的整体，每次裁剪时会裁剪整个卷积滤波的所有参数。

2.根据权利要求1所述的无人机平台单目标跟踪方法，其特征在于，所述步骤一对选定的跟踪目标，搜索下一帧图片区域。

3.根据权利要求1或2所述的无人机平台单目标跟踪方法，其特征在于，所述步骤一经过中间的孪生网络提取特征，将不同尺度的特征图分别送入SiamRPN网络，直接对其输出采用加权和，由合并的SiamRPN输出分类分支和回归分支。

4.根据权利要求1所述的无人机平台单目标跟踪方法，其特征在于，所述步骤二沿用Faster RCNN算法中的损失函数，分类损失为交叉熵损失，采用归一化坐标的smooth L1损失进行回归。

5.根据权利要求1或4所述的无人机平台单目标跟踪方法，其特征在于，所述步骤二是损失函数按照如下流程生成：

A_x、A_y、A_w、A_h表示anchors的中心点和形状，T_x、T_y、T_w、T_h表示groundtruth的中心点和形状，则标准化距离为：

经过smooth L1的损失函数为：

loss＝L_cls+λL_reg

其中，smooth_L1的损失函数指的是，对于输入x，预测值和真实值之间的差值，σ为常数，根据实际情况进行调整；

公式中λL_re为正则化处理，用于防止过拟合，其中λ为常数，根据实际数据集的情况调整；

loss为整体损失函数，L_cls是cls层的损失函数，λL_re为正则化调整函数，cls层是RCNN网络中的固定概念，损失函数的算法也固定的。

6.根据权利要求1所述的无人机平台单目标跟踪方法，其特征在于，所述步骤三具体包括：

S101、准备初始模型和用来训练模型的数据集并设定好剪枝率作为剪枝的目标来控制剪枝的迭代次数；

S102、在每次剪枝迭代中，根据剪枝的度量标准将待剪枝模型的卷积滤波排名；

S103、按照名次裁剪掉模型最不重要的卷积滤波

S104、重复S102和S103直到完成迭代。

7.根据权利要求1或6所述的无人机平台单目标跟踪方法，其特征在于，所述步骤三联合L2范式和泰勒一阶展开的卷积神经网络卷积滤波剪枝将激活图L2范式和损失函数的泰勒一阶展开两种剪枝度量标准结合起来对卷积神经网络的卷积滤波剪枝。

8.根据权利要求1或6或7所述的无人机平台单目标跟踪方法，其特征在于，所述步骤三将激活图L2范式和泰勒一阶展开结合作为卷积滤波重要性的度量标准，并引入0～1之间的超参数平衡L2范式和泰勒一阶展开的数值尺度，联合L2范式和泰勒一阶展的卷积滤波剪枝的度量标准为：

其中λ是常数，取值0-1之间，为L2范式，属于欧几里得范数；为泰勒一阶展开；

应用标准给网络中的卷积滤波排序时，认为值越大的卷积滤波对网络的重要性越高，值越低的卷积滤波在网络剪枝时应该越优先被裁剪。