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】
本专利技术涉及计算机视觉,具体为一种针对反无人机场景下的红外小目标的实时检测与跟踪方法。
技术介绍
1、近年来,无人机技术的快速发展和市场规模的增大使得无人机在各个领域得到广泛应用,然而,无人机的广泛使用也对安全构成了严重威胁,因此,及时检测和跟踪非法无人机目标,并采取相应的干预措施,对于维护社会安全和保卫军事要地具有重要意义,在反无人机场景下,红外小目标的检测和跟踪仍然面临巨大挑战,主要问题包括:红外弱小目标信噪比低,可用信息少,特征提取困难;无人机目标运动速度快,在复杂场景下容易丢失跟踪。
2、针对上述现有技术存在的缺陷或不足,本专利技术的目的在于,提供一种反无人机场景下的红外小目标实时检测与跟踪算法,该方法首先对反无人机场景下的红外小目标图像进行整理,针对多种应用场景进行分类整理,丰富样本信息,然后使用基于坐标注意力机制和特征信息融合的红外小目标检测算法,在不增加模型参数量的同时大幅度提高了对微小物体的检测性能,最后将检测结果送入无人机目标跟踪器,对相机移动场景引入运动补偿策略,提高了反无人机场景下目标跟踪的准确率。
3、本专利技术适用于反无人机场景中对红外小目标进行检测与跟踪的应用,具有广泛的实际应用价值,该系统可以应用于军事安防、边境监控、重要设施保护等领域,提供了一种高效、准确的红外小目标检测与跟踪解决方案。
技术实现思路
1、本专利技术的目的在于提供一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,具备高效应对复杂环境的优点,解决了红外弱
2、为实现上述目的,本专利技术提供如下技术方案:一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其方法包括如下步骤:
3、步骤1:整理制作反无人机场景下的红外小目标检测与追踪数据集,该数据集针对反无人机场景中的红外小目标进行标注和分类,以提供用于训练和评估的样本。
4、步骤2:改进yolov5网络,以提高对模型对红外小目标的检测准确率,并将训练集图像输入改进网络,得到目标检测网络模型。
5、步骤3:设计多目标跟踪器,用于应对突发情况。
6、步骤4:使用目标检测模型对输入视频进行实时目标检测,将检测结果送入多目标跟踪器中,通过跟踪器输出无人机目标的跟踪结果,包括目标的位置、速度和运动轨迹。
7、优选的,所述步骤1的具体实施步骤如下:
8、步骤1.1:整理制作目标检测数据集;针对不同的飞行场景将数据集分为四个场景:城市场景、山地场景、天空场景、海上场景,以评估检测器在不同场景下的检测准确率。
9、步骤1.2:整理制作目标跟踪数据集;针对目标跟踪中面临的不同挑战对视频序列加入标签信息。
10、优选的,所述步骤1.1和1.2中,如目标在视频中途出现,目标中途移出视野,目标被部分或严重遮挡,目标快速移动,目标比例变化等挑战,以评估跟踪器在各种挑战下的跟踪准确率。
11、优选的,所述步骤2的具体实施步骤如下:
12、步骤2.1:在骨干网络中添加坐标注意力机制,通过对目标的位置信息进行加权,抑制复杂背景和离散噪声干扰,提高目标显著性。
13、步骤2.2:在颈部网络中使用信息聚集-分发机制代替传统的fpn结构,增强了网络的信息融合能力,提高了模型对红外小目标的检测能力。
14、步骤2.3:结合步骤2.1和步骤2.2构建红外小目标检测网络。
15、步骤2.4:使用步骤2.3中的网络替换yolov5s.yaml文件中的backbone结构和head结构。
16、步骤2.5:使用归一化wasserstein距离(nwd)代替损失函数中传统的iou度量,大幅度提高了检测器对微小物体的检测性能,使检测结果更加准确,nwd新度量公式为:
17、
18、为二阶wasserstein距离,定义为:
19、
20、其中(cx,cy),w和h分别表示中心坐标、宽度和高度,c是与数据集密切相关的常数。
21、步骤2.6:将步骤1中整理的train数据集送入步骤2.4改进的目标检测网络进行训练,训练过程中使用步骤2.5的损失函数进行优化,调整参数得到最优模型。
22、优选的,所述步骤3的具体实施步骤如下:
23、步骤3.1:目标跟踪使用卡尔曼滤波器进行目标运动状态估计。
24、步骤3.2:将预测框与目标进行关联,通过分析检测框和跟踪轨迹之间的相似性,确定目标与轨迹的匹配关系。
25、优选的,所述步骤4的具体实施步骤如下:
26、步骤4.1:使用步骤2训练的检测模型进行目标检测,将检测结果送入步骤3设计的多目标跟踪器进行跟踪。
27、步骤4.2:对于目标跟踪过程中出现的相机移动的情况,采用相机运动补偿策略。
28、优选的,所述步骤3.1中,通过对目标的位置和速度进行预测,得到目标的预测框。
29、优选的,所述步骤4.2中,对于有惯导数据的相机,使用相机运动估计策略对检测结果进行运动补偿;对于没有惯导数据的相机,采用基于光流的全局运动补偿,以解决相机移动带来的跟踪误差。
30、优选的,所述步骤3.1中,卡尔曼滤波器可以通过融合传感器测量如雷达、相机等和先验信息如目标的初始位置和速度来估计目标的准确位置。
31、与现有技术相比,本专利技术的有益效果如下:
32、本专利技术的反无人机场景下的红外小目标实时检测与跟踪算法,通过整理制作数据集,针对不同的飞行场景将目标检测数据集分为多种场景,针对目标跟踪中面临的不同挑战对视频序列加入标签信息,提高模型检测与跟踪性能,采用本专利技术的算法,在yolov5检测算法的基础上,添加坐标注意力机制,使用特征信息融合模块代替原有的fpn结构,增强了检测网络的信息融合能力,提高了检测器对红外小目标的检测能力,并设计多目标跟踪器,在sort的基础上,引入相机运动补偿策略,有效解决了实际跟踪过程中相机移动等问题,提高跟踪的稳定性。
33、本专利技术通过针对反无人机场景制作专门的红外小目标数据集,提高了系统对小目标的检测准确性和鲁棒性,改进型yolov5网络结构使用信息聚集分发机制、坐标注意力机制,能够有效地提高模型对红外小目标的检测能力,多目标跟踪器可以有效过滤噪声干扰,具有较高的实时性和准确性,能够有效解决跟踪过程中目标物体短暂丢失、相机移动等问题。
本文档来自技高网...【技术保护点】
1.一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于,其方法包括如下步骤:
2.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤1的具体实施步骤如下:
3.根据权利要求2所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤1.1和1.2中,如目标在视频中途出现,目标中途移出视野,目标被部分或严重遮挡,目标快速移动,目标比例变化等挑战,以评估跟踪器在各种挑战下的跟踪准确率。
4.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤2的具体实施步骤如下:
5.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤3的具体实施步骤如下:
6.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤4的具体实施步骤如下:
7.根据权利要求5所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法
8.根据权利要求6所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤4.2中,对于有惯导数据的相机,使用相机运动估计策略对检测结果进行运动补偿;对于没有惯导数据的相机,采用基于光流的全局运动补偿,以解决相机移动带来的跟踪误差。
9.根据权利要求5所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤3.1中,卡尔曼滤波器可以通过融合传感器测量如雷达、相机等和先验信息如目标的初始位置和速度来估计目标的准确位置。
...【技术特征摘要】
1.一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于,其方法包括如下步骤:
2.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤1的具体实施步骤如下:
3.根据权利要求2所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤1.1和1.2中,如目标在视频中途出现,目标中途移出视野,目标被部分或严重遮挡,目标快速移动,目标比例变化等挑战,以评估跟踪器在各种挑战下的跟踪准确率。
4.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤2的具体实施步骤如下:
5.根据权利要求1所述的一种针对反无人机场景下的红外小目标的实时检测与跟踪方法,其特征在于:所述步骤3的具体实施步骤如下:
6.根据...
【专利技术属性】
技术研发人员:张纪龙,王晨,刘夏,马宗方,
申请(专利权)人:西安建筑科技大学,
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。