【技术实现步骤摘要】
基于局部跟踪器的红外小目标跟踪方法及系统
[0001]本专利技术涉及红外识别
,尤其涉及一种基于局部跟踪器的红外小目标跟踪方法及系统。
技术介绍
[0002]红外弱小点状目标跟踪是从红外图像序列中,首先给定初始帧中的目标位置,随后估计出目标在运动过程中的状态,在后续帧中预测出目标在红外场景中出现的位置,实现跟踪。由于红外弱小目标跟踪算法对稳定性的要求比较高,因此主要以生成模型类方法和判别模型类方法为主。
[0003]红外小目标的长期跟踪的关键在于由于脱离视场或遮挡而导致的目标不连续运动的跟踪困难。现有的长期跟踪方法遵循两种典型策略。第一种策略使用一个本地跟踪器进行平滑跟踪,当目标丢失时使用另一个重新检测器来检测目标。虽然它可以利用时间背景,如历史外观和目标的位置,这种策略的一个潜在的限制是,局部跟踪器倾向于错误地将附近的干扰物识别为目标,而不是在真正的目标不在视野时激活重新探测器。另一种长期跟踪策略是对整个图像中的目标进行全局跟踪,而不是基于之前的跟踪结果进行局部跟踪,但是现有全局跟踪策略不能有效地利用时间背景,大部分算法都是在一个局部区域内搜索目标,导致无法处理长期跟踪任务中目标频繁不连续移动的问题。
技术实现思路
[0004]专利技术目的:本专利技术针对现有技术存在的问题,提供一种可以长期跟踪中目标频繁不连续移动问题的基于局部跟踪器的红外小目标跟踪方法及系统。
[0005]技术方案:本专利技术所述的基于局部跟踪器的红外小目标跟踪方法包括:
[0006]步骤(1):基于 ...
【技术保护点】
【技术特征摘要】
1.一种基于局部跟踪器的红外小目标跟踪方法,其特征在于该方法包括:步骤(1):基于预训练好的多卷积层网络生成网络中每个卷积层对应的过滤器;步骤(2):生成多个局部跟踪器,每个局部跟踪器包括一个多层卷积层网络、多个过滤器、一个融合模块和一个最大值求解模块,所述多卷积层网络用于将输入的图像帧经过处理后在每层卷积层上输出对应的特征图,每个所述过滤器连接多卷积层网络对应卷积层,用于将对应卷积层输出的特征图进行过滤,所述融合模块连接所有过滤器,用于将所有过滤器的输出融合,得到融合特征图,所述最大值求解模块连接所述融合模块,用于求取融合特征图中最大值,将最大值对应的位置作为目标位置输出;步骤(3):对所述局部跟踪器进行训练,得到训练好的局部跟踪器;步骤(4):将待识别区域划分为多个局部区域,并将训练好的局部跟踪器部署于不同的局部区域进行目标跟踪,在跟踪过程中,如果本地局部跟踪器定位到目标,则局部跟踪器跟随目标移动,在后续帧中继续跟踪目标,直至跟踪不到目标。2.根据权利要求1所述的基于局部跟踪器的红外小目标跟踪方法,其特征在于:所述步骤(1)具体包括:步骤(1
‑
1):获取若干红外图像,并生成对应的高斯标签;步骤(1
‑
2):将红外图像输入预训练好的多卷积层网络,多卷积层网络每个卷积层生成一个特征图;步骤(1
‑
3):基于红外图像的高斯标签和每个卷积层的特征图采用以下公式生成对应的过滤器:式中,W
k
表示第k层卷积层对应的过滤器,Y=F(y)表示高斯标签y的离散傅里叶变换,F()表示离散傅里叶变换,X
k
=F(x
k
)表示第k层卷积层输出的特征图x
k
的离散傅里叶变换,λ表示正则化参数,表示二次范数,W表示所有过滤器形成的矩阵。3.根据权利要求1所述的基于局部跟踪器的红外小目标跟踪方法,其特征在于:所述过滤器采用下式实现过滤:P
k
=F
‑1(X
k
·
W
k
)式中,P
k
表示对第k层卷积层输出的特征图采用过滤器过滤后得到的过滤特征图,F
‑1()表示逆离散傅里叶变换,X
k
=F(x
k
)表示第k层卷积层输出的特征图x
k
的离散傅里叶变换,F()表示离散傅里叶变换,W
k
表示第k层卷积层对应的过滤器。4.根据权利要求1所述的基于局部跟踪器的红外小目标跟踪方法,其特征在于:所述融合模块采用下式实现融合:合模块采用下式实现融合:s.t.Σq
ij
=1式中,Q表示融合特征图,P
k
表示对第k层卷积层输出的特征图采用过滤器过滤后得到的
过滤特征图,n表示过滤器数目,KL表示Kullback
‑
Leibler散度,表示P
k
的第i行第j列的元素,q
ij
表示Q的第i行第j列的元素。5.根据权利要求1所述的基于局部跟踪器的红外小目标跟踪方法,其特征在于:所述过滤器采用下式实现更新:式中,W
tk
、表示t时刻、t
‑
1时刻第k层卷积层对应的过...
【专利技术属性】
技术研发人员:陆易,姜明新,王梓轩,甘峰瑞,曹宇,
申请(专利权)人:淮阴工学院,
类型:发明
国别省市:
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。