基于空中多目标的处理方法和装置制造方法及图纸

本申请实施例提供了基于空中多目标的处理方法和装置

【技术实现步骤摘要】
基于空中多目标的处理方法和装置、电子设备及存储介质


[0001]本申请涉及城市安防领域，尤其涉及一种基于空中多目标的处理方法和装置
、
电子设备及存储介质
。

技术介绍

[0002]目前，随着航空器具
(
目标检测物
)
增多和操作便捷，越来越多的航空器具被广泛应用于各个领域
。
但是随着航空器具使用的广泛，若存在可疑人员使用航空器具监测保护领域，将使保护领域受到安全威胁
。
[0003]为了保证领域的安全性，需要对空中的目标检测物进行探测
、
跟踪以排查出可疑目标，并对可疑目标采取反制措施
。
但相关技术中，对于控制的目标检测物进行探测
、
跟踪和反制操作由多个系统组合实现，且需要专业的操作人员来操作每一系统，使得空中的目标检测物处理复杂
。
因此，亟需实现一种能够实现易操作的目标检测物的探测
、
追踪和反制技术
。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种基于空中多目标的处理方法和装置
、
电子设备及存储介质，旨在实现对空中目标检测物的自动探测
、
自动追踪
、
威胁分析
、
自动反制，降低空中目标检测物的威胁
。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种基于空中多目标的处理方法，所述方法包括：
[0006]采集目标区域内目标检测物的监控视频数据和保护主体的主体数据，并从所述监控视频数据中提取出共享特征图；
[0007]将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据；
[0008]将所述目标追踪数据和所述主体数据输入至预设的威胁分级评估模型中进行威胁等级评估，得到威胁评估等级数据；
[0009]将所述威胁评估等级数据输入至预设的反制决策模型进行反制决策构建，得到反制决策信息；
[0010]根据所述反制决策信息对所述目标检测物进行反制处理，得到反制处理结果
。
[0011]在一些实施例，所述多目标探测追踪模型包括：超分辨率重构器
、
目标检测器
、
多目标追踪器和测速测距器；所述目标追踪数据包括：目标类别信息
、
目标定位信息
、
身份标识信息
、
运动轨迹信息
、
目标运动参数，所述将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据，具体包括：
[0012]通过所述超分辨率重构器对所述共享特征图进行尺度扩充处理，得到重构视频帧图像；
[0013]通过所述目标检测器对所述重构视频帧图像和所述共享特征图进行目标分类和
定位，得到所述目标类别信息和所述目标定位信息；
[0014]通过所述多目标追踪器对所述目标类别信息
、
所述目标定位信息和所述共享特征图进行目标追踪处理，得到所述目标检测物的所述身份标识信息和所述运动轨迹信息；
[0015]通过所述测速测距器对所述运动轨迹信息和所述共享特征图进行运动参数计算，得到所述目标检测物的所述目标运动参数
。
[0016]在一些实施例，在所述将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据之前，所述方法还包括：
[0017]训练所述多目标探测追踪模型，具体包括：
[0018]获取训练样本数据；其中，所述训练样本数据包括：验证数据和训练数据，所述验证数据包括：类别验证信息
、
定位验证信息
、
标识验证信息
、
轨迹验证信息
、
运动验证参数，所述训练数据包括：训练特征图；
[0019]将所述训练特征图输入至所述多目标探测追踪模型，得到预测数据；
[0020]基于所述类别验证信息
、
所述定位验证信息
、
所述标识验证信息
、
所述轨迹验证信息
、
所述运动验证参数和所述预测数据进行损失计算得到目标损失数据；
[0021]根据所述目标损失数据对所述多目标探测追踪模型进行模型参数调整
。
[0022]在一些实施例，所述预测数据包括：重构预测图像
、
类别预测信息
、
定位预测信息
、
标识预测信息
、
轨迹预测信息，运动预测参数，所述基于所述类别验证信息
、
所述定位验证信息
、
所述标识验证信息
、
所述轨迹验证信息
、
所述运动验证参数和所述预测数据进行损失计算得到目标损失数据，具体包括：
[0023]对所述重构预测图像进行损失计算，得到超分辨率损失数据；
[0024]对所述类别验证信息
、
所述类别预测信息
、
所述定位验证信息和所述定位预测信息进行损失计算，得到目标检测损失数据；
[0025]对所述标识验证信息
、
所述标识预测信息
、
所述轨迹验证信息和所述轨迹预测信息进行损失计算，得到追踪损失数据；
[0026]对所述运动验证参数和所述运动预测参数进行损失计算，得到测量损失数据；
[0027]将所述超分辨率损失数据
、
所述目标检测损失数据
、
所述追踪损失数据和所述测量损失数据进行级联，得到所述目标损失数据
。
[0028]在一些实施例，所述威胁分级评估模型包括：信息预处理模块
、
威胁分级评估网络和数据后处理模块；所述将所述目标追踪数据和所述主体数据输入至预设的威胁分级评估模型中进行威胁等级评估，得到威胁评估等级数据，包括：
[0029]通过所述信息预处理模块将所述目标追踪数据和所述主体数据进行量化处理，得到量化指标数据，再通过预设的时间序列权重对所述量化指标数据进行矩阵构建，得到加权动态决策矩阵；
[0030]通过所述威胁分级评估网络对所述加权动态决策矩阵进行威胁分级评估处理，得到威胁因子矩阵；
[0031]通过所述数据后处理模块对所述威胁因子矩阵进行等级划分，得到所述威胁评估等级数据
。
[0032]在一些实施例，所述通过所述威胁分级评估网络对所述加权动态决策矩阵进行威胁分级评估处理，得到威胁因子矩阵，具体通过下述公式：
[0033][0034][0035]R
i
＝
Max
1≤j≤n
(Z
+
‑
z
ij
)(Z
+
‑
Z
‑
)
...

【技术保护点】

【技术特征摘要】
1.
一种基于空中多目标的处理方法，其特征在于，所述方法包括：采集目标区域内目标检测物的监控视频数据和保护主体的主体数据，并从所述监控视频数据中提取出共享特征图；将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据；将所述目标追踪数据和所述主体数据输入至预设的威胁分级评估模型中进行威胁等级评估，得到威胁评估等级数据；将所述威胁评估等级数据输入至预设的反制决策模型进行反制决策构建，得到反制决策信息；根据所述反制决策信息对所述目标检测物进行反制处理，得到反制处理结果
。2.
根据权利要求1所述的方法，其特征在于，所述多目标探测追踪模型包括：超分辨率重构器
、
目标检测器
、
多目标追踪器和测速测距器；所述目标追踪数据包括：目标类别信息
、
目标定位信息
、
身份标识信息
、
运动轨迹信息
、
目标运动参数，所述将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据，具体包括：通过所述超分辨率重构器对所述共享特征图进行尺度扩充处理，得到重构视频帧图像；通过所述目标检测器对所述重构视频帧图像和所述共享特征图进行目标分类和定位，得到所述目标类别信息和所述目标定位信息；通过所述多目标追踪器对所述目标类别信息
、
所述目标定位信息和所述共享特征图进行目标追踪处理，得到所述目标检测物的所述身份标识信息和所述运动轨迹信息；通过所述测速测距器对所述运动轨迹信息和所述共享特征图进行运动参数计算，得到所述目标检测物的所述目标运动参数
。3.
根据权利要求2所述的方法，其特征在于，在所述将所述共享特征图输入至预设的多目标探测追踪模型中进行目标追踪，得到目标追踪数据之前，所述方法还包括：训练所述多目标探测追踪模型，具体包括：获取训练样本数据；其中，所述训练样本数据包括：验证数据和训练数据，所述验证数据包括：类别验证信息
、
定位验证信息
、
标识验证信息
、
轨迹验证信息
、
运动验证参数，所述训练数据包括：训练特征图；将所述训练特征图输入至所述多目标探测追踪模型，得到预测数据；基于所述类别验证信息
、
所述定位验证信息
、
所述标识验证信息
、
所述轨迹验证信息
、
所述运动验证参数和所述预测数据进行损失计算得到目标损失数据；根据所述目标损失数据对所述多目标探测追踪模型进行模型参数调整
。4.
根据权利要求3所述的方法，其特征在于，所述预测数据包括：重构预测图像
、
类别预测信息
、
定位预测信息
、
标识预测信息
、
轨迹预测信息，运动预测参数，所述基于所述类别验证信息
、
所述定位验证信息
、
所述标识验证信息
、
所述轨迹验证信息
、
所述运动验证参数和所述预测数据进行损失计算得到目标损失数据，具体包括：对所述重构预测图像进行损失计算，得到超分辨率损失数据；对所述类别验证信息
、
所述类别预测信息
、
所述定位验证信息和所述定位预测信息进行损失计算，得到目标检测损失数据；
对所述标识验证信息
、
所述标识预测信息
、
所述轨迹验证信息和所述轨迹预测信息进行损失计算，得到追踪损失数据；对所述运动验证参数和所述运动预测参数进行损失计算，得到测量损失数据；将所述超分辨率损失数据
、
所述目标检测损失数据
、
所述追踪损失数据和所述测量损失数据进行级联，得到所述目标损失数据
。5.
根据权利要求1至4任一项所述的方法，其特征在于，所述威胁分级评估模型包括：信息预处理模块
、
威胁分级评估网络和数据...

【专利技术属性】
技术研发人员：夏修理，张兴，王伟，李鹏，陈宇，童超，高贺，林涛，叶凯达，
申请(专利权)人：广东润联信息技术有限公司，
类型：发明
国别省市：