[发明专利]无人机平台单目标跟踪方法

说明书

本发明公开了一种无人机平台单目标跟踪方法，构建模型网络结构，选择跟踪目标图像并确定搜索区域，提取特征后进行分类和回归，采用成对的相关操作来得到最后的输出；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；对模型裁剪量化压缩，将卷积滤波的所有参数看作被裁减对象的整体。本发明打破空间不变性的限制，用跨层特征聚合结构来聚合多尺度的特征图，使用深度分离互相关结构来减少参数个数，稳定训练过程，鼓励模型产生不同语义相关的多种相似图，克服了以浅层网络提取特征带来的弊端，提升了跟踪的精确度。

技术领域

本发明属于无人机目标检测技术领域。涉及一种基于无人机平台的单目标算法方案，尤其涉及一种无人机平台单目标跟踪方法、装置、存储介质以及计算机程序产品。

背景技术

由于无人机移动平台的超高机动性和环境的复杂性，航拍图像信噪比较低，目前通用的视频采集方案实现目标检测识别较为困难，主要原因包括：

图像质量低。受相机质量、恶劣环境、运动抖动等因素影响，航拍图像数据质量往往不够理想

目标易遮挡形变。目标对象之间相互遮挡，拍摄视角会随无人机飞行姿态而改变。

多尺度目标识别困难。待识别目标物理大小尺寸各异，并随着无人机飞行高度和相机视角而变化，小目标与背景难以分割、定位和分类。

对象的多样性。自然物体种类繁多，有限的模型网络资源难以应对众多目标种类的识别任务。

无人机体积小、供电能力弱、运行环境复杂、而目标检测算法对算力要求高，通常无法实现实时计算，而是把图像带回地面控制站统一处理。

发明内容

针对现有技术中的缺陷，本发明提出了一种无人机平台单目标跟踪方法，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。

优选的，上述步骤一对选定的跟踪目标，搜索下一帧图片区域。

优选的，上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。

优选的，上述步骤二沿用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。

优选的，上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