基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法技术

本发明专利技术公开了一种基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法，以解决现有目标跟踪技术中网络参数多、计算量大以及正负训练样本不均衡等问题，属于计算机图像处理技术领域。该方法包括：利用第一特征提取网络提取已知目标位置的第一帧图像的目标特征图，利用第二特征提取网络提取第二帧图像的搜索特征图；根据所述目标特征图、搜索特征图计算第二帧图像的搜索区域与第一帧图像的目标区域之间的互相关性，得到第二帧图像的得分响应图，进而根据第二帧图像的得分响应图得到第二帧图像的目标位置；其中，所述第一特征提取网络、第二特征提取网络为孪生卷积网络的两个分支，且分别由轻量级卷积神经网络构成。

UAV Ground Target Tracking Method Based on twin network and central logic loss

【技术实现步骤摘要】
基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法
本专利技术属于计算机图像处理
，尤其是涉及一种基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法。
技术介绍
基于深度学习的视觉跟踪算法，例如图1所示的基于全卷积孪生网络的视觉跟踪算法，已被广大开发人员和用户接受和认可。该方法将第一帧提取的模板图像和每一帧提取出的搜索图像分别输入两个子网络提取高层语义特征，然后对高层语义特征进行互相关从而得到模板图像在搜索图像中每个位置的相似度。通常，两个子网络中的参数是共享的，可以利用训练数据离线学习得到。高级语义特征具有和目标类别相关的丰富语义特性，所以对由遮挡、畸变等造成的目标外观变化具有很强的鲁棒性，并且网络在追踪的过程中不需要更新，大大减少了算法的计算量，保证了算法的实时性。网络有两个输入：目标模板图像和搜索区域图像，两个输入通过共享参数的孪生神经网络的孪生子网进行特征提取。然而，此类方法主要面向通用的视觉跟踪任务，而无法满足计算和存储资源受限的无人机硬件平台。首先，卷积神经网络中存在大量的权值参数，保存大量权值参数对设备的内存本文档来自技高网...

【技术保护点】
1.一种无人机对地目标视觉跟踪模型的训练方法，所述跟踪模型为孪生卷积网络，该孪生卷积网络的两个分支分别为第一特征提取网络、第二特征提取网络，其特征在于，该训练方法包括：/n获取视频序列数据集，该数据集包括成对的模板图像和搜索图像；/n利用第一特征提取网络提取模板图像的目标特征图，利用第二特征提取网络提取搜索图像的搜索特征图；/n根据所述目标特征图、搜索特征图计算搜索图像的搜索区域与模板图像的目标区域之间的互相关性，得到搜索图像的得分响应图；/n根据中心逻辑损失函数计算所述得分响应图与真实值的差异，得到差异结果；以及/n对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重；/n其中，所...

【技术特征摘要】
1.一种无人机对地目标视觉跟踪模型的训练方法，所述跟踪模型为孪生卷积网络，该孪生卷积网络的两个分支分别为第一特征提取网络、第二特征提取网络，其特征在于，该训练方法包括：
获取视频序列数据集，该数据集包括成对的模板图像和搜索图像；
利用第一特征提取网络提取模板图像的目标特征图，利用第二特征提取网络提取搜索图像的搜索特征图；
根据所述目标特征图、搜索特征图计算搜索图像的搜索区域与模板图像的目标区域之间的互相关性，得到搜索图像的得分响应图；
根据中心逻辑损失函数计算所述得分响应图与真实值的差异，得到差异结果；以及
对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重；
其中，所述第一特征提取网络、第二特征提取网络分别由轻量级卷积神经网络构成。


2.根据权利要求1所述的训练方法，其特征在于，所述轻量级卷积神经网络为MobileNetV2模型。


3.根据权利要求1或2所述的训练方法，其特征在于，所述中心逻辑损失函数为：



其中,v∈Rm×n是网络输出的得分图，y∈{+1,-1}是人工标注的真值。a/(1+exp(b·yv))是逻辑损失的一个调制因子，该调制因子根据输入yv自适应调节每个训练样本对训练损失的贡献，a、b是调制因子中的参数。


4.根据权利要求3所述的训练方法，其特征在于，当yv＞0时，调制因子为逻辑损失分配第一权重；当yv＜0时，调制因子为逻辑损失分配第二权重，所述第一权重小于所述第二权重。


5.根据权利要求3所述的训练方法，其特征在于，所述中心逻辑损失函数调制因子中的参数a＝2，b＝1。


6.一种无人机对地目标视觉跟踪方法，其特征在于，包括：<...

【专利技术属性】
技术研发人员：林白，耿洋洋，李冬冬，蒯杨柳，
申请(专利权)人：军事科学院系统工程研究院系统总体研究所，中国人民解放军国防科技大学，
类型：发明
国别省市：北京;11