【技术实现步骤摘要】
本专利技术属于多目标跟踪，具体涉及一种基于扩散模型联合关联机制的红外目标跟踪方法。
技术介绍
1、近年来，随着无人机行业的不断发展，军用、民用、商用无人机的规模数量以及使用频率都大大增加。但是，无人机在为各行各业提供便利的同时，由于在无人机操作过程中缺少统一的规范及使用标准，同时在反制方面缺乏行之有效的具体措施，致使无人机“黑飞”问题与日俱增。无人机具有极强的机动性和灵活性，能够在各类复杂背景中如城市建筑、森林、云层中任意飞行和悬停，因此对重要地区和设施的国家安防、民用安保等构成了极大威胁，在此基础上对无人机目标的检测跟踪提出了新的要求。为解决目标跟踪算法稳健性弱、鲁棒性差的问题，目前主要有两类方法：基于标注的跟踪和基于检测结果的跟踪。由于基于标注的跟踪方法需要人工标定初始帧的目标，无法处理非初始帧出现的目标或中间帧消失的目标，导致跟踪准确率低，常常偏离目标，不适于实际应用。所以，基于检测结果的跟踪更适用于实际应用。
2、在实际应用中，由于无人机目标的热辐射特性在红外探测器中可以较为容易凸显，因而采用红外检测跟踪系统识别低空无人机目标具有广阔的发展前景。但是，当目标位于与自身红外辐射强度相近的背景中、出现飞鸟等干扰物体或产生遮挡时，在红外图像中则会表现出目标的外形轮廓模糊、目标与背景对比度不足、目标与干扰物体区分度不足等问题，使得常规目标跟踪模型会丢弃低分数的检测框，无法实现高性能的跟踪任务。同时，现有的随机轨迹预测方法通常使用潜在变量来表示多模态，这样会存在产生不自然轨迹的局限。
技术实
1、本专利技术的目的是解决当目标位于与自身红外辐射强度相近的背景中、在红外图像中则会表现出目标的外形轮廓模糊、目标与背景对比度不足、目标与干扰物体区分度不足等问题，使得常规目标跟踪模型会丢弃低分数的检测框，无法实现高性能的跟踪任务的问题。
2、为此，本专利技术提供了一种基于扩散模型联合关联机制的红外目标跟踪方法，包括如下步骤：
3、s1：从当前视频序列帧中获得无人机的历史轨迹；
4、s2：将历史轨迹输入基于扩散模型的轨迹预测结构，进行轨迹预测；
5、s3：将当前视频序列帧输入编解码提取器，获取所有检测结果；
6、s4：将步骤s2获取的轨迹预测结果与步骤s3获取的检测结果输入到关联框架进行判断，获取最终的目标跟踪结果。
7、进一步的，所述s2：将历史轨迹输入基于扩散模型的轨迹预测结构，进行轨迹预测包括如下步骤：
8、s201、将噪声添加到真态轨迹中得到m步骤下的噪声轨迹，公式如下：
9、
10、其中，y0为无人机真态轨迹、ε为噪声变量、ym为第m步骤下的噪声轨迹、βm为调度器以控制输入噪声尺度、αm＝1-βm、
11、s202、编码器中计算时间特征，与解码器得到的条件特征f进行拼接；
12、s203、分别使用全连接层对轨迹ym与条件特征f进行上采样，将两者输出进行特征融合；
13、s204、将融合后的位置时间特征输入到transformer网络中学习复杂的时空线索；
14、s205、将通过全连接层将s204的输出序列下采样到轨迹维度，最终输出预测轨迹；从yk到y0的轨迹如下式:
15、
16、其中z是标准高斯分布中的随机变量，εθ是训练后的网络，ym是前一步的预测结果、f为状态嵌入、m为当前步骤、βm为调度器以控制输入噪声尺度、αm＝1-βm、
17、进一步的，所述s3：将当前视频序列帧输入编解码提取器，获取所有检测结果的具体过程是：
18、s301、当前视频帧输入后，编解码提取器首先对其进行处理，根据模型生成特征xt如下：
19、xt＝ξ(v)
20、其中xt为待提取特征、υ为当前视频帧、ξ为编解码提取器；
21、s302、通过检测模块提取xt，同时预测检测结果和id嵌入，如下所示：
22、
23、其中，为检测结果，包括该帧图像的前景概率ptdet和其他为原始盒子的概率为id嵌入，检测结果通过nms进行处理生成基本检测结果d，d中每个框嵌入相应id；用a表示d中所有盒子的嵌入的集合，后续利用盒子d和嵌入的id的a通过关联框架与先前轨迹进行关联。
24、进一步的，所述s4：将步骤s2获取的轨迹预测结果与步骤s3获取的检测结果输入到关联框架进行判断，获取最终的目标跟踪结果的具体过程是：
25、关联框架的输入包括：步骤s3获得的检测结果、分数s、步骤s2获得的预测轨迹；分数s为设置的三个阈值：shigh、sslow、strack，shigh和sslow判断检测盒评分是否满足关联框架模型要求的高低置信度阈值，strack判断跟踪评分是否满足模型要求阈值；
26、当输入到来后，关联模型根据输入框置信度和阈值高低将待匹配检测结果分为dhigh、dlow、dremain三部分，高分检测盒dhigh存储得分高于shigh的盒子，低分检测盒dlow存储分数在得分在shigh和slow之间的盒子；
27、在第一阶段，关联模型将高分检测盒中的盒子与所有轨迹t进行匹配，先计算检测盒与轨迹预测盒的相似度，然后根据相似度完成匹配；匹配完成后，将未匹配的d保留在dremain中，未匹配的轨迹保留在tremain中，送入第二阶段进行二次匹配；
28、在第二阶段，关联模型将低分数检测框dlow与剩余轨迹tremain进行匹配，计算检测盒与轨迹预测盒的相似度，然后根据相似度完成匹配；由于严重遮挡导致目标显示不完整，从而产生了低分数检测框，使得目标特征的可信度很低；在此匹配之后，被错误分类为背景的低分检测框将被匹配到第一阶段剩余的tremain；其余未匹配的低分检测框基本都是真实背景；关联模型将删除这些框，并保留不匹配的轨道用于后续匹配，不匹配轨道若长时间未更新则进行删除，时间作为参数可调；
29、将两个阶段所得到的结果合并进行输出，即为最终的跟踪结果。
30、本专利技术提供这种基于扩散模型联合关联机制的目标跟踪方法，首先根据无人机的历史轨迹以及无人机间的互动关系建模，根据历史轨迹及无人机间的互动关系来学习状态嵌入，得到特征信息，将其作为扩散模型的条件将被送入到后端的解码器网络以提高轨迹预测的准确性。并结合关联机制分阶段匹配不同分数的检测结果，增强了对被遮挡目标的跟踪效果，提高了跟踪鲁棒性。
31、下面结合附图和实施例对本专利技术做详细说明。
本文档来自技高网...【技术保护点】
1.一种基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于：所述S2：将历史轨迹输入基于扩散模型的轨迹预测结构，进行轨迹预测包括如下步骤：
3.如权利要求1述的基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于：所述S3：将当前视频序列帧输入编解码提取器，获取所有检测结果的具体过程是：
4.如权利要求1所述的基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于：所述S4：将步骤S2获取的轨迹预测结果与步骤S3获取的检测结果输入到关联框架进行判断，获取最终的目标跟踪结果的具体过程是：
【技术特征摘要】
1.一种基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于扩散模型联合关联机制的红外目标跟踪方法，其特征在于：所述s2：将历史轨迹输入基于扩散模型的轨迹预测结构，进行轨迹预测包括如下步骤：
3.如权利要求1述的基于扩散模型联合关联机制的红外目...
【专利技术属性】
技术研发人员：陈继铭，刘伟，段程鹏，
申请(专利权)人：西安中科立德红外科技有限公司，
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。