【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种目标定位跟踪方法及装置。
技术介绍
1、目标跟踪问题是无人系统运行与控制中常遇到的问题，它是指随着时间的推移对目标在空间中的位置和方向进行定位和跟踪，包括在一系列图像(或点云)中检测一个目标，然后在随后的帧中预测它的位置。
2、跟踪领域研究最广泛的是2d目标跟踪，但2d目标跟踪只能获得跟踪目标的平面信息，无进一步的其它信息。
3、而应用到真实场景中时，若只有2d信息，存在一定的目标跟踪丢失的概率，因此，3d目标跟踪近几年得到更多关注。
4、但3d跟踪的技术需要消耗大量的算力及内存，对cpu的要求极高，且对获取的图像也有的清晰度要求，对于微纳量级的无人机来说，受限于硬件条件（整体机身<50g），芯片的算力和存储资源较小，且受限于传感器，获取的图像达不到3d的精度要求，因此，现有的微纳量级的无人机系统中，无法利用3d跟踪技术进行跟踪。
5、图像对微纳设备来说是较好的输入选择，但现有的3d跟踪的算法无法在微纳量级的无人机上应用，如何进一步的提高微纳量级的无人机的跟踪目标定位信息量，提高跟踪的准确度，是一个需要解决的技术问题。
技术实现思路
1、为解决上述技术问题，本专利技术实施例提供了一种同步检测跟踪方法及装置，即使运算力和存储资源受限，也可以有效跟踪，降低了跟踪丢失的概率。
2、第一方面，本专利技术实施例提供了一种目标定位跟踪方法，包括:
3、获取拍摄图像的当前帧；>
4、根据所述当前帧的上一帧的跟踪目标的位置信息和当前帧的检测信息，确定所述当前帧的跟踪目标的位置信息，其中，所述当前帧检测信息是对所述当前帧的视场内的目标进行检测，以确定所述当前帧的跟踪目标；
5、将所述当前帧输入单目深度估计模型，获得当前帧中所有物体的深度值；
6、根据所述当前帧的跟踪目标的位置信息以及所述当前帧中所有物体的深度值信息，确定所述当前帧中对应的所述跟踪目标的深度值；
7、输出所述当前帧的所述跟踪目标的位置信息及深度值。
8、在一些实施例中，所述根据所述当前帧的上一帧的跟踪目标的位置信息 和当前帧的检测信息，确定所述当前帧的跟踪目标的位置信息,具体包括:
9、根据所述上一帧的识别出的视场内的跟踪目标，对所述上一帧跟踪目标位置和当前帧检测到的跟踪目标做匹配，确定匹配成功时，将所述当前帧检测到的跟踪目标的位置信息作为所述当前帧的跟踪目标的位置信息。
10、在一些实施例中，确定匹配成功后，在将所述当前帧检测到的跟踪目标的位置信息作为所述当前帧的跟踪目标的位置信息之前，还包括：
11、将所述当前帧的跟踪目标和上一帧检测到的跟踪目标做卡尔曼滤波，更新所述当前帧的跟踪目标的位置信息。
12、在一些实施例中，在根据所述当前帧的上一帧的跟踪目标的位置信息之前，包括：
13、根据准备的检测图像数据库，使用损失函数对目标检测网络做训练，以获得2d目标检测神经网络模型；
14、根据所述2d目标检测神经网络模型，确定所述跟踪目标的位置信息。
15、在一些实施例中，所述准备检测图像数据库，使用损失函数对目标检测网络做训练，以获得2d目标检测神经网络模型，具体包括：
16、将所述检测图像数据库分为训练集、验证集和测试集三个部分，其中，所述训练集中的图像作为所述2d目标检测网络的输入，每张所述图像对应文本标签中的类别和边界框作为训练目标；
17、对所述目标检测神经网络模型中的参数进行随机初始化；
18、利用初始化后的所述参数，对所述目标检测神经网络模型进行有监督的训练；
19、将网络输出结果进行非最大值抑制处理，得到目标检测信息，获得所述2d目标检测神经网络模型。
20、其中，所述有监督的训练包括前向传播阶段和反向传播阶段。
21、在一些实施例中，所述对所述目标检测神经网络模型进行有监督的训练，包括：使用损失函数通过梯度下降法来反向传播更新权重和偏置，以获得目标深度神经网络模型。
22、在一些实施例中，所述前向传播阶段，包括：
23、对网络神经元节点之间的权重和偏置进行初始化；
24、利用深度神经网络进行前向传播。
25、在一些实施例中，所述前向传播阶段，包括：使用激活函数来增加网络之间的非线性关系，生成输入与输出结果间的非线性映射。
26、在一些实施例中，所述反向传播阶段，包括：
27、计算所述目标检测深度神经网络的损失函数；
28、通过梯度下降法更新所述目标检测深度神经网络的参数；
29、其中，所述目标检测深度神经网络的损失函数为：
30、l =
31、其中，为检测框的损失函数，为物体损失函数，为类别损失函数。
32、在一些实施例中，所述通过梯度下降法更新所述目标检测深度神经网络的参数，包括：
33、使用梯度下降法对所述参数进行交替更新。
34、在一些实施例中，使用梯度下降法对所述参数进行交替更新，包括：
35、构建2d目标检测单目深度估计深度神经网络 ；
36、在一定时间内，固定所述2d目标检测深度单目深度估计网络内的参数，计算所述输出层损失函数的梯度；
37、输出层损失函数的梯度；
38、计算网络层数k＝{k-1,k-2,… ,2}时每一层所对应的梯度，其中，k为当前所述2d目标检测深度神经网络的网络层数，k为待计算的网络层数；
39、更新所述2d目标检测神经网络模型的权重和偏置。
40、在一些实施例中，所述目标检测信息，包括：
41、目标检测框2d坐标、目标置信度和目标类别。
42、在一些实施例中，所述单目深度估计模型的生成方法，包括：
43、将深度估计图像数据库分为训练集、验证集和测试集，其中，所述深度估计图像数据库中的图像作为单目深度估计网络的输入，每幅所述图像对应的深度数据值作为训练目标；
44、对所述单目深度估计深度神经网络参数进行随机初始化；
45、根据所述初始化后的参数，对所述单目深度估计深度神经网络进行有监督的训练，其中，所述有监督的训练包括前向传播阶段和反向传播阶段；
46、获得训练后的单目深度估计模型。
47、在一些实施例中，所述前向传播阶段包括：
48、对网络神经元节点之间的权重和偏置进行初始化；
49、对所述深度神经网络进行前向传播。
50、在一些实施例中，所述前向传播阶段，使用激活函数来增加网络之间的非线性关系，生成输入与输出结果间的非线性关系映射。
51、在一些实施例中，所述反向传播阶段，包括：
52、计算单目深度估计深度神经网络的损失函数；
<本文档来自技高网...【技术保护点】
1.一种目标定位跟踪方法，应用于微纳量级无人机系统中，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前帧的上一帧的跟踪目标的位置信息和当前帧的检测信息，确定所述当前帧的跟踪目标的位置信息,具体包括:
3.根据权利要求2所述的方法，其特征在于，确定匹配成功后，在将所述当前帧检测到的跟踪目标的位置信息作为所述当前帧的跟踪目标的位置信息之前，还包括：
4.根据权利要求1所述的方法，其特征在于，在根据所述当前帧的上一帧的跟踪目标的位置信息和当前帧的检测信息之前，包括：
5.根据权利要求4所述的方法，其特征在于，所述准备检测图像数据库，使用损失函数对目标检测网络做训练，以获得2D目标检测神经网络模型，具体包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述目标检测神经网络模型进行有监督的训练，包括：使用损失函数通过梯度下降法来反向传播更新权重和偏置，以获得目标深度神经网络模型。
7.根据权利要求5所述的方法，其特征在于，所述前向传播阶段，包括：
8.根据权利要求7所述的
9.根据权利要求5所述的方法，其特征在于，所述反向传播阶段，包括：
10.根据权利要求9所述的方法，其特征在于，所述通过梯度下降法更新所述目标检测深度神经网络的参数，包括：
11.根据权利要求10所述的方法，其特征在于，使用梯度下降法对所述参数进行交替更新，包括：
12.根据权利要求5所述的方法，其特征在于，所述目标检测信息，包括：
13.根据权利要求1所述的方法，其特征在于，所述单目深度估计模型的生成方法，包括：
14.根据权利要求13所述的方法，其特征在于，所述前向传播阶段包括：
15.根据权利要求13所述的方法，其特征在于，所述前向传播阶段，使用激活函数来增加网络之间的非线性关系，生成输入与输出结果间的非线性关系映射。
16.根据权利要求13所述的方法，其特征在于，所述反向传播阶段，包括：
17.根据权利要求16所述的方法，其特征在于，所述梯度下降法更新所述单目深度估计深度神经网络的参数，包括：所述深度神经网络使用梯度下降法对其中的参数进行交替更新。
18.根据权利要求17所述的方法，其特征在于，所述梯度下降法对其中的参数进行交替更新，包括：
19.根据权利要求13所述的方法，其特征在于，在单目深度估计深度神经网络进行有监督的训练之后，在获得训练后的单目深度估计模型之前，还包括：
20.一种目标定位跟踪装置，其特征在于，包括：
21.一种无人机，其特征在于，所述无人机包括存储器和处理器，所述处理器用于调用存储在所述存储器中的程序代码，以执行如用于执行上述权利要求1-19中任一项所述的方法。
22.一种电子设备，其特征在于，包括：相互耦合的非易失性存储器和处理器，所述处理器调用存储在所述存储器中的程序代码以执行如权利要求1-19任一项所述的方法。
23.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码包括用于处理器执行如权利要求1-19任一项所述方法的指令。
...【技术特征摘要】
1.一种目标定位跟踪方法，应用于微纳量级无人机系统中，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前帧的上一帧的跟踪目标的位置信息和当前帧的检测信息，确定所述当前帧的跟踪目标的位置信息,具体包括:
3.根据权利要求2所述的方法，其特征在于，确定匹配成功后，在将所述当前帧检测到的跟踪目标的位置信息作为所述当前帧的跟踪目标的位置信息之前，还包括：
4.根据权利要求1所述的方法，其特征在于，在根据所述当前帧的上一帧的跟踪目标的位置信息和当前帧的检测信息之前，包括：
5.根据权利要求4所述的方法，其特征在于，所述准备检测图像数据库，使用损失函数对目标检测网络做训练，以获得2d目标检测神经网络模型，具体包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述目标检测神经网络模型进行有监督的训练，包括：使用损失函数通过梯度下降法来反向传播更新权重和偏置，以获得目标深度神经网络模型。
7.根据权利要求5所述的方法，其特征在于，所述前向传播阶段，包括：
8.根据权利要求7所述的方法，其特征在于，所述前向传播阶段，包括：使用激活函数来增加网络之间的非线性关系，生成输入与输出结果间的非线性映射。
9.根据权利要求5所述的方法，其特征在于，所述反向传播阶段，包括：
10.根据权利要求9所述的方法，其特征在于，所述通过梯度下降法更新所述目标检测深度神经网络的参数，包括：
11.根据权利要求10所述的方法，其特征在于，使用梯度下降法对所述参数进行交替更新，包括：
12.根据权利要求5所述的方法，其...
【专利技术属性】
技术研发人员：尤政，史慧宇，纪兴龙，浦一雯，戴宇翔，丁皓伦，韩毓，邢飞，鲁文帅，
申请(专利权)人：启元实验室，
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。