[发明专利]一种基于多尺度自适应与边域注意力的飞行器检测与跟踪方法

说明书

本发明公开了一种基于多尺度自适应与边域注意力的飞行器检测与跟踪方法，通过构建基础特征提取网络提取预处理后原始飞行器图像的原始特征图，并结合小尺寸目标分支网络模型提取原始特征图中小目标特征图；利用目标预测模型根据小目标特征图得到检测目标特征图集合及各检测目标特征图对应的特征向量，并利用多飞行器跟踪算法进行飞行器检测与跟踪；本发明利用编解码结构与残差连接优化特征图浅层纹理特征与较深层语义特征的融合传递，提高推断速度，使信息融合更加充分，并结合边域注意力机制网络，有效提升网络模型特征提取能力；利用小尺寸目标分支网络模型降低信息的损失程度，有效优化小尺寸目标检测准确性，提高了机场场面飞行器的管理效率。

技术领域

本发明涉及多目标跟踪领域，具体涉及一种基于多尺度自适应与边域注意力的飞行器检测与跟踪方法。

背景技术

随着我国经济的发展，航空业务量的不断增长，航空运输总量也在持续不断的增多，越来越多的人都选择航空工具作为自己的首选出行工具，这就导致了机场场面航空器密度显著地增加。同时，高速发展的机场航空客货流量，也对机场场面监视系统提出了更高的要求。机场场面监视系统是对机场场面内的飞行器、车辆以及工作人员的管理系统，主要功能包括对飞行器的实时检测与跟踪，及时预警；通过对飞行器数据的实时采集与分析，为决策者提供准确科学的机场场面信息，促进机场安全管理，提高机场运营的效率与安全性。因此，相比于人工目视的方法，针对机场场面的智能监视系统可以克服人工监视的诸多缺点，智能化全天候不间断监视机场场面的运行情况。

目前，在多目标跟踪领域中，主要分为基于传统的多目标跟踪方法和基于深度学习的多目标跟踪方法，传统的多目标跟踪方法有基于检测可信度的粒子滤波算法，基于最小团图的多目标跟踪算法以及多假设跟踪算法等，传统的多目标跟踪算法由于算法复杂度高，特征提取能力有限等问题，已经逐步被基于深度学习的多目标跟踪方法所取代。

基于深度学习的目标跟踪算法主要可以分为四类，一类是将深度特征与跟踪算法相结合，这种方法是对于传统跟踪方法的延续；第二类是基于孪生网络的目标跟踪算法，这种方法往往拥有更加轻量的模型和较高的性能；第三类则是基于循环神经网络的目标跟踪算法，这种方法是为了更好的处理在目标跟踪过程中出现的时空上长距离的依赖关系难以被模型学习的问题。当然，随着人工智能的迅猛发展，最近也出现了一些将目标检测和跟踪合为一体的深度网络的目标跟踪算法，这种方法打破了以往解决多目标跟踪问题的固有思维，不再认为目标检测与跟踪是割裂开的两个部分，而是也可以通过深度学习策略进行融合的。基于深度学习的多目标跟踪算法具有特征提取能力强、跟踪精度高、模型易于训练等优点，但是由于模型参数量巨大，对设备算力要求较高，往往难以达到实时效果。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于多尺度自适应与边域注意力的飞行器检测与跟踪方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于多尺度自适应与边域注意力的飞行器检测与跟踪方法，具体包括以下步骤：

S1、采集原始飞行器图像并进行预处理；

S2、构建基础特征提取网络模型提取步骤S1中预处理后原始飞行器图像的原始特征图；

S3、构建小尺寸目标分支网络模型提取步骤S2中原始特征图中小目标特征图；

S4、构建目标预测模型根据步骤S3中小目标特征图得到检测目标特征图集合及其各检测目标特征图对应的特征向量；

S5、利用多飞行器跟踪算法根据步骤S4中检测目标集合及其各目标特征向量进行飞行器检测与跟踪。

本发明具有以下有益效果：