[发明专利]一种基于Siamese网络的轻量级红外无人机目标跟踪方法

说明书

本发明公开了一种基于Siamese网络的轻量级红外无人机目标跟踪方法，涉及一种基于神经网络的无人机目标跟踪方法技术领域，轻量级的跟踪网络主要由五个部分组成：特征提取网络、像素级特征融合模块、动态模板更新模块、边界框回归网络和目标分类网络，特征提取网络采用神经网络搜索的轻量级卷积网络FBNet，从静态模板图像、动态模板图像和裁剪的搜索图像中生成特征映射，然后将静态和动态模板图像特征映射的线性插值作为跟踪模型模板特征表示，像素级特征融合模块有效地融合模板特征和搜索图像的特征，并输出至分类和回归子网络，边界框回归网络和目标分类网络分别对目标的位置和类别进行预测。动态模板更新模块不断更新跟踪模型的动态模板，可以在不增加模型复杂度的情况下动态学习目标外观及背景的变化，所述的轻量级目标跟踪方法具有较好的跟踪鲁棒性与实时性，对目标外观与背景的剧烈变化有较强的泛化性能，适用于红外无人机目标跟踪。

技术领域

本发明涉及一种基于神经网络的无人机目标跟踪方法技术领域，具体是一种基于Siamese网络的轻量级红外无人机目标跟踪方法。

背景技术

随着技术的发展，无人机等航空飞行器的机动性、可操控性不断增强，具有低空飞行、飞行速度慢、不易被侦测发现等特征、可搭载一定的重物，容易突破地面防空火力网，进而可能会威胁一些重要的地面目标，因此，防范处置无人机目标的干扰破坏，已经成为重大安保活动的世界性难题，突出表现为管控难、侦测难、处置难。

目前针对低空空域中飞行目标的探测手段多种多样，主要包括雷达探测、无线电探测和光电探测等，光电探测手段具有抗干扰性强、直观清晰、布站灵活等特点，因此可以在复杂城市环境下对无人机等目标的搜索发现发挥作用，但是光电探测技术受天气能见度、湿度等影响较大，同时实际场景中不可避免的存在诸多干扰或不确定因素，包括物体之间的相互遮挡、背景噪声、光线突变等，这使得光电探测中运动目标检测和跟踪的过程极具挑战性，因此研究目标跟踪算法具有重要意义。

目标跟踪指在图像序列中利用获取的感兴趣目标的部分特征、当前位置与运动趋势等信息，运用一定的匹配或统计学习方法，确定新一帧图片中目标的位置、运动轨迹等信息的过程，单目标跟踪算法的基本框架主要包括特征模型、运动模型、观测模型和在线更新机制四部分，特征模型旨在利用图像处理技术得到能够表征目标外观特点的信息，并服务于观测模型的构建，其中适用于目标跟踪的特征有：灰度特征、颜色特征、方向梯度直方图特征、深度特征等；运动模型主要根据目标的上下文信息，提供一组当前帧目标可能出现的候选状态；观测模型的作用是根据特征模型和运动模型提供的候选状态来预测目标的状态；在线更新机制能够让观测模型适应目标和背景变化并保证模型不退化。

随着相关滤波框架和深度学习框架的出现，基于分类和回归模型的判别式算法成为了目前目标跟踪领域的主流方法，其中深度学习的跟踪算法主要是基于Siamese神经网络的跟踪算法，基于深度学习的方法能够提取更高层次的语义特征，对目标运动过程中发生的变化具有更强的鲁棒性，但目前基于Siamese神经网络的跟踪算法虽然取得了不错的效果且具有较好的实时性，但是只靠离线训练的模型很难适应目标外观或背景的剧烈变化，如何高效地将Siamese网络模型与在线更新机制结合以更好地适应目标与背景的变化是当前基于Siamese网络的目标跟踪算法需解决的关键问题。

基于Siamese网络的目标跟踪算法对于复杂场景下的无人机目标具有良好的检测跟踪能力，对目标尺度变化、形变及复杂背景等具有较强的鲁棒性，本发明通过采用轻量级神经网络提取无人机目标特征，并采用像素级特征融合模块和动态模板更新模块，增强模型特征表达能力，不仅提升模型的实时性跟踪鲁棒性，同时更好地适应目标外观与背景的剧烈变化，本发明可操作性、可扩展性较强，适用于红外无人机目标跟踪。

发明内容

本发明的目的在于：为了解决现有技术模型特征表达能力较低，适应目标与背景的距离变化的性能较低的问题，提供一种基于Siamese网络的轻量级红外无人机目标跟踪方法。

为实现上述目的，本发明提供如下技术方案：一种基于Siamese网络的轻量级红外无人机目标跟踪方法，包括以下步骤：