The present invention relates to a method of air target tracking, specifically for the tracking method of aerial targets based on deep learning, the method comprising the following steps: positive MDNet samples collected first frame image and random sampling, the random sampling the sample data set as training bounding box model; secondly, the AR model is trained to identify the order and parameters the minimum information criterion and the least squares method, to estimate the target trajectory and predict the target position; then, the target position as the sampling center of MDNet, then use bounding box to adjust the target position regression model, accurate tracking. This method can extract features of aerial targets adaptively, and effectively utilize the motion information of targets with AR model. It can greatly improve the dependence of MDNet on target characteristics, and improve tracking accuracy while solving pseudo target interference.
【技术实现步骤摘要】
一种基于深度学习的空中目标跟踪方法
本专利技术涉及目标跟踪方法,具体为一种基于深度学习的空中目标跟踪方法。
技术介绍
空中目标跟踪是航空航天等各类探测系统的关键技术之一,由于观测距离较远,该类目标在地面观测和跟踪过程中,往往因缺少形状和纹理特征而呈现为小目标甚至点目标状态,造成检测和跟踪困难。光流法、相邻帧差法和背景减法是当前采用的主要方法,但往往仅针对特定目标,需要根据先验知识选择合适的跟踪算法,不利于工程化应用。新近,深度学习在图像分类、目标检测等许多领域均已成功突破了固定状态模型的约束,在目标跟踪领域也有少许探索性的研究,如基于深度学习的双层卷积神经网络、深度卷积神经网络以及多域卷积神经网络,均通过自适应提取目标特征,来区分目标与背景信息,在降低跟踪误差同时提高了算法的鲁棒性,但都较注重不同类物体的特征提取,未述及同类目标如何区分,不利于存在伪目标时的高精度跟踪。总的来说,这些研究证实深度人工神经网络学习得到的参数更多、更全,可以降低对先验知识的依赖,但未解决目标跟踪中目标与伪目标交会时往往存在的跟踪漂移问题。为此,需要有一种新的方法来解决基于卷积神经网络方法跟踪目标时过分依赖目标特征难以区分目标与伪目标所导致的跟踪漂移问题。
技术实现思路
本专利技术为了解决基于卷积神经网络跟踪空中目标时存在的跟踪漂移问题,提出了一种基于深度学习的空中目标跟踪方法。本专利技术是采用如下的技术方案实现的:一种基于深度学习的空中目标跟踪方法,包括以下步骤:1.构建多域卷积神经网络(MDNet)网络包含五层隐藏层和一层二分类层,五层隐藏层分别是conv1、conv2、conv ...
【技术保护点】
基于深度学习的空中目标跟踪方法,其特征在于包括以下步骤:(1)构建多域卷积神经网络多域卷积神经网络包含五层隐藏层和一层二分类层,五层隐藏层分别是conv1、conv2、conv3、fc4和fc5,其中,conv1、conv2、conv3为卷积层,fc4、fc5为全连接层,二分类层为fc6,对目标和背景进行分类;(2)训练多域卷积神经网络中bounding‑box回归模型1)标定第一帧图像目标位置标定第一帧图像目标位置为
【技术特征摘要】
1.基于深度学习的空中目标跟踪方法,其特征在于包括以下步骤:(1)构建多域卷积神经网络多域卷积神经网络包含五层隐藏层和一层二分类层,五层隐藏层分别是conv1、conv2、conv3、fc4和fc5,其中,conv1、conv2、conv3为卷积层,fc4、fc5为全连接层,二分类层为fc6,对目标和背景进行分类;(2)训练多域卷积神经网络中bounding-box回归模型1)标定第一帧图像目标位置标定第一帧图像目标位置为x1、y1为目标位置坐标值,sw、sh为目标矩形框的宽和高;2)选择样本多域卷积神经网络以为中心采样生成W个回归样本,每个回归样本与目标实际位置重叠率的计算方法如下:式中,Rt为输出跟踪框区域,Rg为实际目标区域,area表示Rt和Rg的运算结果面积,N为视频序列帧数;设重叠率的阈值为L,大于等于L的样本为正样本,小于L的样本为负样本,然后从正样本中随机选取Q个样本输入网络训练bounding-box回归模型;3)微调网络提取第一帧图像的正负样本经conv3得到特征图表示,将其中重叠率为[L-0.1,L)的负样本的特征图作为难例样本与正样本一同输入fc4实现网络微调;(3)自回归模型训练与预测1)训练自回归模型自回归模型表示为:式中,{zt|t=1,2,…,T}是一个时间序列的目标位置的观测值,z为x或y...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。