[发明专利]一种侦察无人机动目标自动检测与跟踪方法

摘要

本发明涉及一种侦察无人机动目标自动检测与跟踪方法，无人机发射起飞后，飞行操作手控制飞机沿靶道方向爬升至2000m高度定高飞行，沿靶道方向飞行至目标区域。任务操作手观察光电载荷侦察设备图像，在初始获得并解压的视频流中抓帧，以获得许多连续帧下运动稳定的图像来构成所需的时空数据集。利用获得的数据来训练回归量和训练分类器，通过上述的基于回归分析的深度学习方法来检测目标，并提取其特征及有用的信息。将视频恢复正常显示，依据步骤二中获得的目标特征来对机动目标做自动检测，通过上述介绍的混合的跟踪算法来对目标进行跟踪，且给出屏幕坐标。能够在目标很远且很小，无运动轨迹以及使用快速运动的相机时正确的将目标检测出来。

主权项

1.一种侦察无人机动目标自动检测与跟踪方法，其特征在于步骤如下：步骤1：无人机发射起飞后，飞行操作手控制飞机沿靶道方向爬升至2000m高度定高飞行，沿靶道方向飞行至目标区域；任务操作手观察光电载荷侦察设备图像，在初始获得并解压的视频流中抓帧，以获得许多连续帧下运动稳定的图像来构成所需的时空数据集；步骤2：利用获得的数据来训练回归量和训练分类器，通过基于回归分析的深度学习方法来检测目标，并提取其特征；具体步骤如下：2a)训练两个方向的回归量训练模型：利用Gradient Boosting方法来训练回归量，即训练两个Boosting的回归树，一个用于学习飞行器的水平方向运动φ_v(·)，一个用于学习飞行器垂直方向运动φ_h(·)；每一个模型用表示，其中α_j＝1..T是真实的权重，h_j是弱学习器，m是输入图像块，T是弱学习器的个数。2b)通过优化来训练各个弱学习器：所述的弱学习器为回归树h_j(m)＝T(θ_j,HoG(m))，其中θ_j代表树参数，HOG(m)代表了图像块m的梯度直方图，T(,)表示此回归树的模型；在每一次迭代过程中，boosting都训练各个弱学习器，使得其二次损失函数最小化，其中N是训练图像块m_i的个数，r_i是该训练图像块的真实输出响应，是第i个图像块输入时第j个弱学习器的权重，x_i是i个输入的图像块；训练了水平和垂直方向的回归量，得到了两个方向的训练模型；3c)检测目标并提取特征：在水平和垂直运动的回归量都被训练后，通过迭代的方法来补偿时空数据库b_i,j,t内飞行器的运动，并估计和校正飞行器偏移；假设m_k为时空数据库b_i,j,t内的一个片段，m_i,j,p为从m_k内的第I_p帧内的(i,j)点提取到的图像块；设当前帧的初始位置为(i₀,j₀)，记为图像块m₀，则根据(i₀,j₀)位置通过回归模型计算水平和垂直方向的偏移量(sh_h,sh_v)＝(φ_h(m₀),φ_v(m₀))，根据该偏移量估计中心位置(i₁,j₁)＝(i₀‑sh_v,j₀‑sh_v)，从而图像块从m₀变为m₁，再带入回归模型计算由m₁得到的水平和垂直方向的偏移量；依此规律在第I_p帧中循环搜索直到满足(i_n‑i_n+1)²+(j_n‑j_n+1)²＜ε，其中ε定义为1；此时就找到了在第I_p帧中目标的中心位置即定位了目标位置，检测到了目标；按照此补偿方法在每一帧中都可以定位到目标的中心位置附近，所以时空数据库保持飞行器在b_i,j,t内全部的块中靠近中心，S_t表示时空数据库中时间轴上第t时刻；步骤3：将视频恢复正常显示，依据步骤2中获得的目标特征来对机动目标做自动检测，通过混合的跟踪算法来对目标进行跟踪，且给出屏幕坐标；具体步骤如下：3a)采用均值漂移的跟踪方法跟踪目标，首先利用直方图分别计算目标区域和候选区域内像素的特征值概率得到特征空间，然后利用基于巴氏系数的度量法来度量初始帧目标模型和当前帧的候选模版的相似性，选择使相似函数最大的候选模型并得到关于目标模型的均值漂移向量，即得到目标由初始位置向正确位置移动的向量；3b)采用基于KLT的跟踪算法跟踪目标，KLT算法假设亮度恒定，时间连续或者运动是“小运动”而且空间一致，临近点有相似运动，保持相邻；所以根据上述关系可以知道设在相邻的两帧I_i和I_j内窗口为w的两个图像块m_i,w和m_j,w相同，则有m_i,w(x,y,t)＝m_j,w(x`,y`,t+τ)；其中(x,y,t)表示t时刻时图片I_i中的一个点(x,y)，τ表示一个微小的时间变化，(x`,y`,t+τ)表示t+τ时刻时图片I_j中的一个点(x`,y`)，即在窗口w内所有的点(x,y)都向一个方向移动了(Δx,Δy)，故得到了(x`,y`)；首先在当前帧得到目标的位置中心点，并检测出目标；然后在下一帧的到的图像中根据目标块的大小在上一帧目标中心位置附近搜索取得图像块，然后与上一帧中取得的目标模板进行匹配并计算差值，最优化的解为使得函数取得最小值，即得到了下一帧中目标的位置；其中I(x,y)表示第I帧图像中的点(x,y)，J(x+d_x,y+d_y)表示第J帧图像中的点(x+d_x,y+d_y)，d_x表示横轴上的偏移量，d_y表示纵轴上的偏移量，(u_x,u_y)表示第I帧图像的中心点，w_x为搜索模板水平方向的大小，w_y为搜索模板垂直方向的大小；3c)最后，使用最新的跟踪结果和先前得到的目标模型来对先前的模型进行更新以得到最新的目标模型，目标模型更新的方式为qit＝(1‑α)qit‑1+αpit，其中qit是在时刻t时目标i的目标模型，pit是在时刻t被检测到的目标i的目标模型，α是学习速率。