一种群目标的追踪方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种群目标的追踪方法、装置、计算机设备及存储介质，涉及视觉成像技术领域。该方法包括：通过分布式成像设备获取追踪目标的目标图像信息；将目标图像信息输入到训练后的深度学习模型，以得到相应的目标检测图像，并根据目标检测图像获取各个追踪目标的实测位置信息；根据实测位置信息以及分布式成像设备的内参矩阵计算各个追踪目标的二维位置信息；根据二维位置信息以及分布式成像设备的外参矩阵计算各个追踪目标的三维位置信息；根据二维位置信息以及三维位置信息确定各个追踪目标的个体位置坐标。从而更好的解决了个体之间相互遮挡的问题，对算力要求较小，还避免了成本高、能耗高、便携性差和适用范围窄等问题。窄等问题。窄等问题。

【技术实现步骤摘要】
一种群目标的追踪方法、装置、计算机设备及存储介质


[0001]本专利技术实施例涉及视觉成像
，尤其涉及一种群目标的追踪方法、装置、计算机设备及存储介质。

技术介绍

[0002]目前的视觉无人机集群监测系统多采用单一视频流的形式，其在一定程度上难以解决遮挡问题，受环境影响较大，需要复杂的深度学习网络，从而需要耗费大量的计算资源和时间成本。而目前的非视觉系统需要使用到雷达、射频和无线电等设备，也存在着监测范围窄、监测内容单一、信号源功率大、便携性差、能耗高、成本高等缺陷，同时也不能很好的解决遮挡问题。

技术实现思路

[0003]本专利技术实施例提供一种群目标的追踪方法、装置、计算机设备及存储介质，以解决视觉系统存在的遮挡、受环境影响严重和算力需求量大等问题，以及解决非视觉系统成本高、能耗高、便携性差和适用范围窄等问题。
[0004]第一方面，本专利技术实施例提供了一种群目标的追踪方法，该方法包括：
[0005]通过分布式成像设备获取追踪目标的目标图像信息；
[0006]将所述目标图像信息输入到训练后的深度学习模型，以得到相应的目标检测图像，并根据所述目标检测图像获取各个所述追踪目标的实测位置信息；
[0007]根据所述实测位置信息以及所述分布式成像设备的内参矩阵计算各个所述追踪目标的二维位置信息；
[0008]根据所述二维位置信息以及所述分布式成像设备的外参矩阵计算各个所述追踪目标的三维位置信息；
[0009]根据所述二维位置信息以及所述三维位置信息确定各个所述追踪目标的个体位置坐标。
[0010]可选的，在所述根据所述二维位置信息以及所述三维位置信息确定各个所述追踪目标的个体位置坐标之后，还包括：
[0011]根据所述个体位置坐标对各个所述追踪目标进行三维视频和/或三维图像的重建。
[0012]可选的，在所述根据所述二维位置信息以及所述分布式成像设备的外参矩阵计算各个所述追踪目标的三维位置信息之前，还包括：
[0013]根据所述二维位置信息调整所述分布式成像设备的视角，以使所述追踪目标位于所述分布式成像设备的视野中央。
[0014]可选的，所述根据所述二维位置信息调整所述分布式成像设备的视角，包括；
[0015]使用基于PID控制开发的预设云台控制算法调整所述分布式成像设备的视角。
[0016]可选的，所述根据所述目标检测图像获取各个所述追踪目标的实测位置信息，包
括：
[0017]基于卡尔曼滤波算法获取所述实测位置信息。
[0018]可选的，在所述将所述目标图像信息输入到训练后的深度学习模型之前，还包括：
[0019]通过卷积神经网络算法对所述深度学习模型进行训练。
[0020]可选的，所述分布式成像设备包括自变焦相机云台。
[0021]第二方面，本专利技术实施例还提供了一种群目标的追踪装置，该装置包括：
[0022]目标图像信息获取模块，用于通过分布式成像设备获取追踪目标的目标图像信息；
[0023]实测位置信息获取模块，用于将所述目标图像信息输入到训练后的深度学习模型，以得到相应的目标检测图像，并根据所述目标检测图像获取各个所述追踪目标的实测位置信息；
[0024]二维位置信息计算模块，用于根据所述实测位置信息以及所述分布式成像设备的内参矩阵计算各个所述追踪目标的二维位置信息；
[0025]三维位置信息计算模块，用于根据所述二维位置信息以及所述分布式成像设备的外参矩阵计算各个所述追踪目标的三维位置信息；
[0026]个体位置坐标确定模块，用于根据所述二维位置信息以及所述三维位置信息确定各个所述追踪目标的个体位置坐标。
[0027]第三方面，本专利技术实施例还提供了一种计算机设备，该计算机设备包括：
[0028]一个或多个处理器；
[0029]存储器，用于存储一个或多个程序；
[0030]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例所提供的群目标的追踪方法。
[0031]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例所提供的群目标的追踪方法。
[0032]本专利技术实施例提供了一种群目标的追踪方法，首先通过分布式成像设备获取追踪目标的目标图像信息，然后将该目标图像信息输入到训练后的深度学习模型得到相应的目标检测图像，并根据该目标检测图像获取各个追踪目标的实测位置信息，再结合分布式成像设备的内参矩阵和外参矩阵计算各个追踪目标的二维位置信息和三维位置信息，最后即可根据得到的二维位置信息和三维位置信息确定各个追踪目标的个体位置坐标。本专利技术实施例所提供的群目标的追踪方法，通过分布式的布局可以实现多个视角的观察，当不同点位的成像设备对准同一个群目标时，便可以通过各个成像设备的姿态结合获得的图像解算出群体中各个追踪目标的位置，从而更好的解决了个体之间相互遮挡的问题，相比于现有的视觉系统，对算力要求较小，而相比于现有的非视觉系统，还避免了成本高、能耗高、便携性差和适用范围窄等问题。同时还拓宽了监测的适用范围，可以在以监测无人机集群为主要用途的同时，提供更广的群目标监测使用场景，为更多的用户提供一种更具经济性和适用性的群目标监测解决方案。
附图说明
[0033]图1为本专利技术实施例一提供的群目标的追踪方法的流程图；
[0034]图2为本专利技术实施例二提供的群目标的追踪装置的结构示意图；
[0035]图3为本专利技术实施例三提供的计算机设备的结构示意图。
具体实施方式
[0036]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0037]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0038]实施例一
[0039]图1为本专利技术实施例一提供的群目标的追踪方法的流程图。本实施例可适用于对各种群目标(如无人机)进行追踪监测的情况，该方法可以由本专利技术实施例所提供的群目标的追踪装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，该计算机设备具体可以是服务器。如图1所示，具体包括如下步骤：
[0040]S11、通过分布式成像设备获取追踪目标的目标图像信息。
[0041]S12、将所述目标图像信息输入到训练后的深度学习模型，以得到相应的目标检测图像，并根据所述目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群目标的追踪方法，其特征在于，包括：通过分布式成像设备获取追踪目标的目标图像信息；将所述目标图像信息输入到训练后的深度学习模型，以得到相应的目标检测图像，并根据所述目标检测图像获取各个所述追踪目标的实测位置信息；根据所述实测位置信息以及所述分布式成像设备的内参矩阵计算各个所述追踪目标的二维位置信息；根据所述二维位置信息以及所述分布式成像设备的外参矩阵计算各个所述追踪目标的三维位置信息；根据所述二维位置信息以及所述三维位置信息确定各个所述追踪目标的个体位置坐标。2.根据权利要求1所述的群目标的追踪方法，其特征在于，在所述根据所述二维位置信息以及所述三维位置信息确定各个所述追踪目标的个体位置坐标之后，还包括：根据所述个体位置坐标对各个所述追踪目标进行三维视频和/或三维图像的重建。3.根据权利要求1所述的群目标的追踪方法，其特征在于，在所述根据所述二维位置信息以及所述分布式成像设备的外参矩阵计算各个所述追踪目标的三维位置信息之前，还包括：根据所述二维位置信息调整所述分布式成像设备的视角，以使所述追踪目标位于所述分布式成像设备的视野中央。4.根据权利要求3所述的群目标的追踪方法，其特征在于，所述根据所述二维位置信息调整所述分布式成像设备的视角，包括；使用基于PID控制开发的预设云台控制算法调整所述分布式成像设备的视角。5.根据权利要求1所述的群目标的追踪方法，其特征在于，所述根据所述目标检测图像获取各个所述追踪目标的实测位置信息，包括：基于卡尔曼滤波算法获取所述实测位置信...

【专利技术属性】
技术研发人员：季梦奇，亢逸杰，王昊宁，何俊，朱涵，陈致远，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：