[发明专利]一种无人机俯拍目标跟踪方法

说明书

本发明公开了一种无人机俯拍目标跟踪方法，属于图像处理技术领域。其步骤为：1)获取训练样本和测试样本；2)构建无人机俯拍目标跟踪模型；3)对无人机俯拍目标跟踪模型进行训练；4)获取无人机俯拍目标跟踪结果。本发明构建了较为完备的无人机俯拍目标跟踪数据集，包含室内、街区、野外、全天候、工厂等场景，场景丰富，有助于模型学习到更为完备的无人机俯拍目标特征，并提出了一个判别性目标定位模块，能在特征空间中区分前景和背景样本，可以对跟踪目标实现准确定位，可用于城市救援、智能交通、维稳治安等应用场景。

技术领域

本发明属于图像处理技术领域，特别是指一种无人机俯拍目标跟踪方法，可用于城市救援、智能交通、维稳治安等应用场景。

背景技术

目标跟踪方法主要可以分为基于孪生网络的跟踪方法、基于预训练特征的判别性跟踪方法、端到端的判别性跟踪方法。

基于孪生网络(Siamese)的跟踪方法：2018年Li等提出了SiamRPN算法，该算法利用了RPN(Region Proposal Network)网络分支有效的预测了目标的尺度，弥补了SiamFC算法的不足。2019年，Li等提出了SiamRPN++算法，该方法克服了Siamese网络的限制，能够将更深的网络结构用于Siamese框架，显著提升了跟踪性能。2020年，Chen等提出了SiamBAN算法，该算法利用Anchor-free的边框自适应分支取代了RPN分支并超越了基于SiamRPN的方法的性能。

基于预训练特征的判别性跟踪方法：2015年，Ma等提出的HCF算法，首次提出在基于传统相关滤波算法的基础上与深度特征进行融合。该工作提出使用VGG中深层特征结合相关滤波算法先对目标进行粗略定位，得到一定的候选区后使用浅层特征进行进一步的精细定位。

端到端的判别性跟踪方法：2017年，Song等提出了CREST算法，该方法通过在线fine-tune的方法获得具有判别性的回归模型。2020年，Zheng等提出了DCFST算法，该方法采用解析解的形式将岭回归模型求解器整合到网络中，和DiMP一样能够进行端到端训练获得更合适的样本特征。2021年，Yu等提出了基于Transformer结构的判别性跟踪方法DTT，该方法通过数据驱动编码器学习得到判别性向量，免除了手工设计判别性模型的需要。

然而，上述模型针对无人机俯拍目标跟踪问题时，由于无人机抖动及角度变化等影响，难以持续稳定跟踪。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种无人机俯拍目标跟踪方法，旨在解决无人机俯拍目标跟踪困难问题。

为实现上述目的，本发明采取的技术方案为：

一种无人机俯拍目标跟踪方法，包括如下步骤：

(1)收集目标跟踪数据集，形成训练样本和测试样本，训练样本包括训练图像和标定的跟踪目标位置；

(2)构建无人机俯拍目标跟踪模型，包括特征提取模块和判别性目标定位模块，其中：

所述的特征提取模块用于提取图像特征，包含一个主干网络和额外的定位卷积模块，主干网络使用ImageNet上预训练的ResNet-18模型，采用ResNet-18模型的conv4特征作为主干网络特征，定位卷积模块为一个1*1的卷积层，用于降维；

所述的判别性目标定位模块包含一个判别性模型求解器和一个目标定位模块，判别性模型求解器的输入为图像特征，输出为一个判别性模型f，目标定位模块用于利用判别性模型f作用在图像特征上，得到位置响应图，根据位置响应图的最大值确定预测的目标初始位置；

(3)利用训练样本对无人机俯拍目标跟踪模型进行训练；

(4)获取无人机俯拍目标跟踪结果；具体包括：

(4a)将测试样本作为训练好的无人机俯拍目标跟踪模型的输入，获取目标跟踪边界框坐标；