【技术实现步骤摘要】
一种基于YOLOv3的空中无人机目标识别和跟踪方法
本专利技术涉及视频目标识别跟踪
,特别是涉及一种基于YOLOv3的空中无人机目标识别和跟踪方法。
技术介绍
高性能的目标识别和跟踪方法是计算机视觉领域的核心技术。目标识别方法有传统方法和基于深度学习的方法。传统的目标识别方法分为三个部分:首先进行区域选择,然后对区域中的目标进行特征提取,最后对提取的特征使用分类器分类。一方面,传统方法中,无论什么样的目标识别,在设置滑动窗口的时候,用的都是同样的方法,没有针对性,而且由于窗口设置的过多导致算法模型复杂,时间复杂度高;另一方面,传统方法中用于分类识别的目标特征是手工提取的,隐藏的问题是提取的特征不够好,从而在进行目标识别的时候可能导致效果不稳定。基于深度学习的目标识别方法使用卷积神经网络提取目标特征,算法模型是基于端到端的网络,不需要进行区域候选,直接对输入的图片进行分类识别。对于深度学习领域常见的目标检测数据集,YOLOv3所做的物体检测已经取得了很好的检测效果。而对于小型无人机目标,由于是远距离拍摄,在部分画面中无人机目标尺寸太小,YOLOv3的检测性能并不能达到最优。跟踪方法经过多年的发展已有很好的跟踪效果,但是受到光照、遮挡、尺度等因素变化的影响,都有一定概率会使跟踪发生偏移,或者产生误跟踪的问题,目标跟踪出现问题无法修复。
技术实现思路
针对现有技术存在的问题,本专利技术提供一种基于YOLOv3的空中无人机目标识别和跟踪方法,能够提高空中无人机目标识别和跟踪的精度、效 ...
【技术保护点】
1.一种基于YOLOv3的空中无人机目标识别和跟踪方法,其特征在于,包括下述步骤:/n步骤1:制作训练集;/n步骤1.1:将无人机作为空中飞行目标,获取无人机飞行视频;/n步骤1.2:对无人机飞行视频进行分帧处理,得到多帧图片构成待筛选图片集;/n步骤1.3:对待筛选图片集中重复的和没有目标物的图片按一定比例进行筛除,待筛选图片集中剩余的图片构成待处理图片集;/n步骤1.4:对待处理图片集中的每帧图片进行预处理,得到预处理后的图片集;/n步骤1.5:对预处理后的图片集中的每帧图片标记出无人机区域框,并标注无人机区域框中无人机的类别信息和位置信息,生成训练集;其中,所述位置信息包括无人机区域框的中心点坐标、宽、高;/n步骤2:改进候选框参数;/n步骤2.1:在不同的聚类数目K下,基于K-means聚类算法对训练集中的无人机区域框进行聚类,得到每种K值下的K个最优聚类中心,统计每种K值下的损失函数值;/n步骤2.2:绘制损失函数值与K值之间的关系图,采用手肘法找到最优K值,得到最优K值下的K个最优聚类中心,将最优K值下的K个最优聚类中心作为YOLOv3的初始候选框参数写入配置文件,获得改进 ...
【技术特征摘要】
1.一种基于YOLOv3的空中无人机目标识别和跟踪方法,其特征在于,包括下述步骤:
步骤1:制作训练集;
步骤1.1:将无人机作为空中飞行目标,获取无人机飞行视频;
步骤1.2:对无人机飞行视频进行分帧处理,得到多帧图片构成待筛选图片集;
步骤1.3:对待筛选图片集中重复的和没有目标物的图片按一定比例进行筛除,待筛选图片集中剩余的图片构成待处理图片集;
步骤1.4:对待处理图片集中的每帧图片进行预处理,得到预处理后的图片集;
步骤1.5:对预处理后的图片集中的每帧图片标记出无人机区域框,并标注无人机区域框中无人机的类别信息和位置信息,生成训练集;其中,所述位置信息包括无人机区域框的中心点坐标、宽、高;
步骤2:改进候选框参数;
步骤2.1:在不同的聚类数目K下,基于K-means聚类算法对训练集中的无人机区域框进行聚类,得到每种K值下的K个最优聚类中心,统计每种K值下的损失函数值;
步骤2.2:绘制损失函数值与K值之间的关系图,采用手肘法找到最优K值,得到最优K值下的K个最优聚类中心,将最优K值下的K个最优聚类中心作为YOLOv3的初始候选框参数写入配置文件,获得改进的YOLOv3;
步骤3:利用训练集训练YOLOv3中的Darknet-53模型;
步骤4:获取待跟踪无人机的飞行视频,初始化i=1,在第1帧图像中手动获取跟踪目标,将第1帧图像中的跟踪目标设为目标模板,提取目标模板的HSV直方特征向量、HOG直方特征向量;
步骤5:令i=i+1,根据第i-1帧图像中跟踪目标的位置信息生成第i帧图像的K*近邻搜索区域,利用训练后的YOLOv3模型对K*近邻搜索区域进行检测,输出K*近邻搜索区域中目标的类别及预测的多个目标候选框;
步骤6:留存与目标模板类别相同的目标候选框,进入步骤7;若没有与目标模板类别相同的目标候选框,则以第i-1帧图像的跟踪目标为第i帧图像的跟踪目标,进入步骤8;
步骤7:依次提取每个目标候选框的HSV直方特征向量、HOG直方特征向量,计算每个目标候选框与目标模板的HSV直方图间的相似度、HOG直方图间的相似度,并计算每个目标候选框与目标模板的相似度得分,选取最高相似度得分对应的目标候选框作为第i帧图像的跟踪目标;
步骤8:若i≥n,则结束跟踪;若i<n,则执行步骤9;其中,n为待跟踪无人机的飞行视频的总帧数;
步骤9:判断第i帧图像的跟踪目标是否达到目标模板更新条件,若达到则更新目标模板为第i帧图像的跟踪目标,转至步骤5;若未达到则转至步骤5。
2.根据权利要求1所述的基于YOLOv3的空中无人机目标识别和跟踪方法,其特征在于,所述步骤1.1中,所述无人机包括小型四旋翼无人机和小型固定翼无人机;所述步骤1.4中,所述预处理包括灰度化、几何变换、图像增强、图像颜色调整。
3.根据权利要求1所述的基于YOLOv3的空中无人机目标识别和跟踪方法,其特征在于,所述步骤3中,利用训练集训练YOLOv3中的Darknet-53模型,包括:
步骤3.1:将训练集导入到YOLOv3中,修改voc.names文件、cfg文件中的voc.data文件、yolov3-voc.cfg文件;
步骤3.2:导入训练权重文件da...
【专利技术属性】
技术研发人员:吕艳辉,张德育,冯酉鹏,
申请(专利权)人:沈阳理工大学,
类型:发明
国别省市:辽宁;21
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。