【技术实现步骤摘要】
一种无人机视频多目标跟踪方法
本专利技术属于无人机环境感知领域，涉及一种无人机视频多目标跟踪方法。
技术介绍
由于智慧城市，智慧交通不断成为社会关注的热点。而近年来随着无人机技术的发展，低成本，高稳定性的商用无人机日益普及，无人机已经应用到了生产生活中的方方面面，如交通监控，治安巡逻，气象预警，农业生产，灾难救援，航拍等，随着人工智能技术的发展以及计算机图像处理的不断进步，基于无人机的视频目标跟踪已经成为研究热点，无人机目标跟踪对于辅助智能车自动驾驶，校园安全监测，群体行为分析，灾难救援等具有极其重要的作用。目前国内外开展了大量无人机多目标跟踪算法的研究，当前基于检测结果的跟踪已经成为流行的跟踪算法框架，但其跟踪效果往往受限于检测结果的好坏。大多数跟踪算法往往仅考虑单一的外观特征或运动特征，未能够将其有效的结合起来，且大多数算法未充分考虑无人机目标跟踪中目标尺度变化，光照变化等，同时大多数跟踪算法未考虑无人机在空中飞行时，由于气流等外界因素影响下，摄像机发生不可预知的运动，造成目标漂移的情况，从而直接影响跟踪效果的好...
【技术保护点】
1.一种无人机视频多目标跟踪方法，其特征在于，该方法具体包括以下步骤：/nS1：获取图像检测结果，并利用前后帧目标间的位置和大小信息对轨迹进行初始化；/nS2：对轨迹的位置状态进行预测；/nS3：采用薄板样条插值配准算法对轨迹和量测进行配准关联一体化，迭代求解轨迹与量测的对应关系；/nS4：将轨迹与量测的对应关系和变换后的轨迹引入卡尔曼状态方程，并对未匹配的轨迹和量测进行再次匹配；/nS5：建立一种轨迹管理方法，更新轨迹状态并构建轨迹曲线表达式，处理轨迹的初始和终止、误检删除、漏检恢复、轨迹平滑。/n
【技术特征摘要】
1.一种无人机视频多目标跟踪方法，其特征在于，该方法具体包括以下步骤：
S1：获取图像检测结果，并利用前后帧目标间的位置和大小信息对轨迹进行初始化；
S2：对轨迹的位置状态进行预测；
S3：采用薄板样条插值配准算法对轨迹和量测进行配准关联一体化，迭代求解轨迹与量测的对应关系；
S4：将轨迹与量测的对应关系和变换后的轨迹引入卡尔曼状态方程，并对未匹配的轨迹和量测进行再次匹配；
S5：建立一种轨迹管理方法，更新轨迹状态并构建轨迹曲线表达式，处理轨迹的初始和终止、误检删除、漏检恢复、轨迹平滑。
2.根据权利要求1所述的无人机视频多目标跟踪方法，其特征在于，步骤S1具体包括：通过所获取的图像检测结果，对视频初始前5帧图像检测结果进行初始化轨迹操作，利用前后两帧量测之间的位置邻近度和大小信息计算相似度成本矩阵，并通过设定相应阈值判断目标间是否相似，从而相互关联。
3.根据权利要求1所述的无人机视频多目标跟踪方法，其特征在于，步骤S2具体包括：根据轨迹管理中所获得的轨迹的曲线函数表达式，进而拟合曲线表达式对下一时刻状态进行预测，并结合一步预测对轨迹的位置状态进行预测，其中一步预测假设目标运动状态为匀速直线运动，定义匀速直线运动卡尔曼滤波状态转移矩阵，最后通过从轨迹管理中得到的曲线预测的置信度，将基于一步预测的状态预测和基于曲线拟合的状态预测进行线性融合，获得轨迹预测位置。
4.根据权利要求1所述的无人机视频多目标跟踪方法，其特征在于，步骤S3具体包括以下步骤：
S31：获取待匹配的轨迹与量测，取目标矩形框表示的中心点位置定义预测轨迹点阵为x＝{xi,i＝1,…,n}和目标量测点阵为y＝{yj,j＝1,…,m}；
S32：计算预测轨迹xi与量测yj之间的外观差异矩阵通过采用预训练深度特征网络VGG19，去掉其全连接层，提取轨迹与量测的conv3-4，conv4-4，conv5-4的深度卷积特征图，并提取目标的方向梯度直方图特征，利用线性组合的方式将特征进行融合，获得目标轨迹和目标量测的图像特征向量，并利用双线性相似性度量方法计算轨迹与量测的外观相似度，对相似度矩阵取负对数得到外观差异矩阵
S33：计算预测轨迹xi与量测yj之间的大小差异矩阵通过获取轨迹与量测的宽和高，求取目标轨迹与目标量测之间的面积，计算轨迹与量测之间的宽度相似度，长度相似度，面积相似度，通过线性组合获得其大小相似度矩阵，对相似度矩阵取负对数得到大小差异矩阵
S34：计算预测轨迹xi与量测yj之间的运动差异矩阵通过计算轨迹与量测间的欧式距离，获得运动差异矩阵
S35：获得外观、大小、运动差异矩阵后，通过线性组合融合外观、大小及运动差异矩阵，获得混合特征差异矩阵然后构建轨迹与量测之间的空间变换函数f(xi)；
S3...
【专利技术属性】
技术研发人员：朱浩，余仁伟，蔡昌恺，胡满琳，陈正新，鲁尔沐，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
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。