基于特征联合学习的遥感视频海陆运动目标跟踪方法技术

本发明专利技术公开了一种基于特征联合学习的遥感视频海陆运动目标跟踪方法，步骤包括：步骤1、构建目标跟踪模型；所述目标跟踪模型包括特征学习模块、目标信息提取模块、目标位置检测模块以及关联模块；步骤2、训练所述目标跟踪模型；训练时，针对目标信息特征引入三元组损失；步骤3、使用训练后的目标跟踪模型对视频中的目标进行跟踪：将视频按时间顺序分为多个图像帧，将图像帧顺序输入到目标跟踪模型中，实现目标跟踪。本发明专利技术基于YOLOv5算法，通过三元组损失优化目标身份特征，可以提高每帧图像中的跟踪精度，实现不限个体数量的目标跟踪，同时还能简化耗时最长的关联步骤，实现快速准确的遥感视频海陆运动目标跟踪。

【技术实现步骤摘要】

本专利技术属于计算机图像识别领域，具体涉及一种遥感视频目标跟踪方法。

技术介绍

1、随着遥感技术的快速发展，遥感视频数据在军事侦察、环境监测、城市规划、交通管理等领域的应用变得越来越广泛。然而，由于遥感视频数据具有高时空分辨率、小目标尺寸、复杂多变背景等特点，有效提取和跟踪目标成为了一项挑战性任务。因此，研究高效、稳定且快速的遥感视频目标跟踪方法具有重要意义。

2、遥感视频目标跟踪方法主要分为基于传统计算机视觉的方法和基于深度学习的方法。

3、传统方法通常利用目标的颜色、纹理、形状等特征进行跟踪，例如光流法、均值漂移法、粒子滤波法等。这些方法在简单场景下表现良好，但在复杂背景和相似干扰物面前，容易出现跟踪漂移或失败。

4、近年来，深度学习在计算机视觉领域取得显著成果，尤其是卷积神经网络(cnn)在目标检测和识别方面展现出强大能力。基于深度学习的方法通常结合cnn提取目标深度特征，并利用相关滤波、孪生网络、循环神经网络(rnn)等技术实现目标跟踪。

5、主流的深度学习目标跟踪方法又分为sde(separate 本文档来自技高网...

【技术保护点】

1.一种基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于步骤包括：

2.如权利要求1所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于：所述特征学习模块包括YOLOv5模型的骨干网络和YOLOv5模型的特征融合网络。

3.如权利要求1所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于：所述目标信息提取模块包括三个与特征学习模块所提取的特征一一对应的卷积层，每个卷积层的卷积核为1×1、通道数为3072；每一尺度下的所述目标信息特征包含了3个与三种不同的目标大小一一对应的、长度分别均为1024的信息特征向量。</p>

4.如权...

【技术特征摘要】

1.一种基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于步骤包括：

2.如权利要求1所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于：所述特征学习模块包括yolov5模型的骨干网络和yolov5模型的特征融合网络。

3.如权利要求1所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于：所述目标信息提取模块包括三个与特征学习模块所提取的特征一一对应的卷积层，每个卷积层的卷积核为1×1、通道数为3072；每一尺度下的所述目标信息特征包含了3个与三种不同的目标大小一一对应的、长度分别均为1024的信息特征向量。

4.如权利要求1所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于：采用yolov5的检测头作为目标位置检测模块，在其所输出的目标检测结果中，使用长度为15的向量表示对应的网格中的三种目标大小的目标的结果信息，每一种目标大小的目标的结果信息包括占用该向量4个节点的位置信息和占用该向量1个节点的、用于表示该网格中是否存在目标的置信度。

5.如权利要求3所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于，关联模块中通过以下方式进行关联：

6.如权利要求5所述的基于特征联合学习的遥感视频海陆运动目标跟踪方法，其特征在于，身份判定阈值θ的计算方式为：

7.如权利要求3所...

【专利技术属性】
技术研发人员：高龙，徐从安，孙炜玮，张淇皓，周伟，吴俊峰，唐田田，刘瑜，汪韬阳，董天成，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：