System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机,具体涉及一种航拍小目标跟踪方法。
技术介绍
1、航拍小目标跟踪是指在航拍视频中,针对尺寸较小的目标进行实时跟踪和定位的技术。这些小目标可能是移动的车辆、行人、动物或其他感兴趣的目标。航拍小目标跟踪在许多应用领域具有重要的价值,如无人机监控、交通管理、环境监测等。
2、传统的航拍小目标跟踪方法通常采用基于特征的算法,如基于颜色、纹理或运动的特征进行目标检测和跟踪。然而,这些方法在面对复杂背景、光照变化和目标遮挡等挑战时表现不佳。因此,需要一种更为准确和鲁棒的航拍小目标跟踪方法。
3、在现实航拍环境下,感兴趣的目标在航拍视频中的尺寸通常较小,这增加了目标检测和跟踪的难度。小目标的低分辨率和模糊性可能导致目标难以准确检测和跟踪。此外,航拍视频中的背景通常是复杂多变的,可能包含大量干扰物体、纹理和结构。这些干扰物体可能与目标具有相似的外观特征,导致误检测和错误跟踪。其次,在航拍视频中,小目标可能会被其他物体或场景元素遮挡,例如树木、建筑物或其他运动物体。目标的遮挡会导致目标的部分或完全消失,使得跟踪算法无法准确追踪目标。最后,小目标在光照变化和快速运动以及姿态变化中也增大了跟踪的难度。
4、对此,中国专利申请cn202211668829.x公开了一种面向无人机航拍视频的在线多目标跟踪方法。通过多尺度像素目标检测网络从视频帧中提取出目标类别与边界框后,进一步通过多粒度融合特征提取网络提取目标的表观特征向量,然后基于时序与检测置信度的加权移动平均方法计算轨迹的表观特征向量,运用表观特
技术实现思路
1、本专利技术旨在解决航拍小目标跟踪存在的上述问题,根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,具体包括:
2、s1:对航拍数据集图像数据预处理;
3、s2:将预处理后的图像数据集输入目标检测网络中训练,得到目标检测网络对应的检测权重;
4、s3:跟踪模型输入目标检测网络检测到的候选框,对航拍小目标测试监测;
5、s4:将测试监测所检测到的航拍小目标的位置信息,经过编号比对,进行可视化处理并进行记录。
6、根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,步骤s1具体包括
7、s1.1:收集公开航拍数据集,将多个数据集进行对比,选择合适的数据集进行数据增强;
8、s1.2:将得到的公开航拍数据集中含有干扰的数据标注进行清洗;
9、s1.3:将清洗后的数据划分为训练集、验证集以及测试集。
10、根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,目标检测网络是对航拍视频小目标改进的yolov5网络,包括以resnet为主干的基准网络层、用于输出目标检测结果的neck网络层、head层以及经过非极大值抑制处理的输出端,其中:
11、基准网络层输出特征映射矩阵;
12、neck网络层采用fpn与pan的融合网络结构,其中,fpn表示特征金字塔网络,利用自上而下的上采样提取图像的强语义特征;pan表示像素聚合网络,利用自下而上的网络提取图像的强定位特征;
13、输出层采用giou_loss作为boundingbox的损失函数,输出目标检测结果;
14、根据目标检测结果,采用非极大值抑制,消除同一个目标上的多个框以及堆叠在一起的输出边界框。
15、根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,步骤s2具体包括
16、s2.1:将步骤1划分出的数据经过数据增强,输入到目标检测网络的backbone中,获得不同尺寸的特征图;
17、s2.2:将不同尺寸的特征图输入到neck网络层,在neck网络层中对特征图依次进行上下采样操作,使用融合的bifpn的连接方式拼接生成多种尺寸的特征图;
18、s2.3:将生成的多尺寸特征图输入到head层中;
19、s2.4:采用多种损失函数结合的方式进行反向传播,并根据梯度变化进行权重更新,得到检测权重。
20、根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,其中,基于如下方式获取giou loss:
21、假设现在有预测框的bbox和真实框的bbox的坐标,分别记为:
22、
23、式中,bp表示预测框,表示预测框的左下角横坐标,表示预测框的左下角纵坐标,表示预测框的右上角横坐标,表示预测框的右上角纵坐标,表示真实框的左下角横坐标,表示真实框的左下角纵坐标,表示真实框的右上角横坐标,表示真实框的右上角纵坐标;
24、预测框的bbox:
25、
26、计算bg的面积ag:
27、计算bp的面积ap:
28、计算bg与bp的重叠面积:
29、
30、
31、
32、式中,表示重叠框的左下角横坐标,表示重叠框的右上角横坐标,表示重叠框左下角的纵坐标,表示重叠框右上角的纵坐标;
33、获取包含bp,bg的最小框ac:
34、
35、
36、式中,表示ac左下角的横坐标,表示ac右上角的横坐标,表示ac左下角的纵坐标,表示ac右上角的纵坐标;
37、计算ac的面积:
38、
39、计算iou:
40、
41、计算giou:
42、
43、得到giou loss:
44、lgiou=1-giou
45、式中,lgiou表示giou loss。
46、根据本申请的一些实施例的基于检测框跟踪的航拍小目标跟踪方法,在目标检测网络的neck层特征融合bifpn的特征图加权连接方式,bifpn是重复双向跨尺度连接+带权重的特征融合机制,bifpn用于:
47、(1)删除只有一条输入边的节点;
48、(2)如果原始输入节点和输出节点处于同一层,在原始输入节点和输出节点之间添加一条额外的边;
49、(3)bifpn处理每个双向路径作为一个特征网络层,并重复同一层多次,使更高层次的特征融合,p6层输出表达式为:
50、
51、
52、式中,表示是自上而下路径中第p6层的中间特性,conv表示卷积模型,表示自上而下路径中第p6层的输入特性,表示自上而下路径中第p7层的输入特性,ε是用于防止分母为零的数,resize操作是下采样或上采样操作,w是网络学习到的本文档来自技高网...
【技术保护点】
1.一种基于检测框跟踪的航拍小目标跟踪方法,其特征在于,具体包括:
2.根据权利要求1所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,步骤S1具体包括
3.根据权利要求1所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,目标检测网络是对航拍视频小目标改进的YOLOv5网络,包括以ResNet为主干的基准网络层、用于输出目标检测结果的Neck网络层、Head层以及经过非极大值抑制处理的输出端,其中:
4.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,步骤S2具体包括
5.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,其中,基于如下方式获取GIoU Loss:
6.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,在目标检测网络的Neck层特征融合BiFPN的特征图加权连接方式,BiFPN是重复双向跨尺度连接+带权重的特征融合机制,BiFPN用于:
7.根据权利要求1所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,步骤S3具体包括:
...【技术特征摘要】
1.一种基于检测框跟踪的航拍小目标跟踪方法,其特征在于,具体包括:
2.根据权利要求1所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,步骤s1具体包括
3.根据权利要求1所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,目标检测网络是对航拍视频小目标改进的yolov5网络,包括以resnet为主干的基准网络层、用于输出目标检测结果的neck网络层、head层以及经过非极大值抑制处理的输出端,其中:
4.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,步骤s2具体包括
5.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,其中,基于如下方式获取giou loss:
6.根据权利要求3所述的基于检测框跟踪的航拍小目标跟踪方法,其特征在于,在目标检测网络的neck层特征融合bifpn的特征图加权连接方式,bifpn是...
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。