[发明专利]一种基于深度学习的反无人机跟踪方法

权利要求书

1.一种基于深度学习的反无人机跟踪方法，其特征在于，包括以下步骤：

S1、收集无人机数据并进行预处理，预处理方法为计算每张无人机图片的均值和方差，然后每张图片origin减去均值除以方差，再经过数据增强后得到训练集；

S2、构建检测和跟踪网络模型，所述网络模型以CenterNet为基础，采用MobileNetV3-small为特征提取网络对输入的训练集图片进行特征提取，特征提取网络输出的特征图片经过SPPnet和转置卷积后，得到检测结果，检测结果包括三个分支，分别为无人机的中心点分支、相对于中心点的位置偏移分支和无人机目标框的宽高分支；检测网络的损失函数设置为：

L_total＝L_k+λ_sizeL_size+λ_offL_off

其中，λ_size＝0.1，λ_off＝1，L_k为无人机的中心点分支损失函数：

是中心分支每个点输出的值，N是正样本的个数，Σ_xyc表示网络输出层上的所有的点，α、β是训练中预设的超参数；

L_off为相对于中心点的位置偏移分支损失函数：

为偏移分支的预测值，p为下采样之前的整数坐标，R为下采样率4，为下采样后取整的坐标值；

L_size为无人机目标框的宽高分支的损失函数：

和S_k分别为预测和实际宽高的模值；

所述跟踪网络模型采用了孪生神经网络的结构：输入是两个分支，分别是检测/重检测出的无人机结果和下一帧待跟踪的视频帧；中间层是这两个输入经过了同样的特征提取网络结构；输出是这两个经过特征提取的结果进行互相关操作转换成了三个分支，输出的三个分支分别为：无人机目标位置的中心点综合分类和质量得分的重叠率分数、中心点到目标框四个边的距离值、距离值附近的两个整数值对应的概率分布值；最终跟踪网络模型的输出是最大综合分数对应的位置值作为无人机的跟踪结果；

跟踪网络模型的损失函数为：

其中：

L_cls+quality＝-|Z-σ|^β((1-Z)log(σ)+Zlog(1-σ))

L_distribute＝-((Z_i+1-y)log(S_i)+(Z-Z_i)log(S_i+1))

x,y代表最后特征图上的某个点，1_{c*x,y0}表示如果这个点为正样本，则系数为1，否则系数为0，N_pos表示特征图上所有点的个数，Z是已知的重叠率的值，σ是预测值，S_i和S_i+1分别是在边界值Z_i和Z_i+1上预测的概率值，L_reg是IOU损失；

S3、采用训练集对步骤S2构建的检测网络模型和跟踪网络模型进行训练，具体为使用随机梯度下降法训练检测网络模型，前1000次迭代作为预热阶段，这个阶段的学习率从0增加到初始学习率0.005，然后使用三段式的学习率进行训练，后面两段的学习率分别在前一阶段的学习率作0.1倍的衰减；使用随机梯度下降法训练跟踪网络模型，预热之后的初始学习率设置为0.08，然后使用余弦下降策略改变学习率进行训练；从而得到训练好的检测网络模型和跟踪网络模型；

S4、将目标无人机图片输入检测网络模型，将得到的无人机目标位置作为跟踪模板，以下一帧作为搜索区域，将这两者输入跟踪网络模型进行跟踪。

2.根据权利要求1所述的一种基于深度学习的反无人机跟踪方法，其特征在于，还包括：

S5、跟踪器的三个分支分别输出无人机目标位置的中心点综合分类和质量得分的重叠率分数，这个中心点到目标框四个边的距离j，以及这个j值附近的两个整数值j_l和j_r的概率分布值和对所有的重叠率分数进行排序，找出其中最大值，如果最大值大于预设的跟踪置信度的阈值0.25，则认为跟踪成功，执行步骤S6；如果最大值小于阈值0.25，则执行步骤S7；

S6、计算这个最大值中心点到目标框边界上对应的精确距离

把中心点和中心点到预测框的距离组合得到最后的跟踪框，如果该帧是最后一帧，则跟踪结束，如果该帧不是最后一帧，则该跟踪结果作为下一帧的跟踪输入模板继续跟踪；

S7、送入检测网络进行重检测，检测网络的检测结果取决于内设的分类置信度阈值，所有的预测框的分类置信度都小于阈值则认为该帧没有目标存在，检测网络开始检测下一帧，如果到最后一帧没有目标出现，则停止整个跟踪流程，如果目标出现，则把检测框作为跟踪模板，根据步骤S4进行下一帧的跟踪。