【技术实现步骤摘要】
本专利技术涉及多目标跟踪领域，具体涉及一种卫星图像多目标快速跟踪检测方法及系统。
技术介绍
1、多目标检测及跟踪在智能监控、工业检测、航空航天及军事领域具有很高的应用价值。目前，基于深度学习的多目标检测的主流算法为二阶段(two-stage)目标检测算法和一阶段(one-stage)目标检测算法。后者相比前者，不需要二阶段检测所必须的候选区生成网络，因此减少了大量的计算，因此有着明显的速度优势。例如yolo作为一种成熟一阶段目标检测框架，就实现了轻量化、高速的需求。目前，需要提出一种卫星图像多目标快速跟踪检测方法，旨在实现对多目标的检测和跟踪，提高检测卫星图像中多目标的准确性。
技术实现思路
1、本专利技术所要解决的技术问题是如何减少多目标跟踪的计算量，提高检测精确度，目的在于提供一种卫星图像多目标快速跟踪检测方法及系统，以卫星图像为基础，应用小型神经网络，提出锚定机制，利用图像特征分析和目标锚定匹配算法降低多目标跟踪的计算量，实现对多目标实时的检测、跟踪；提高检测卫星图像中多目标的准确性。
2、本专利技术通过下述技术方案实现：
3、一种卫星图像多目标快速跟踪检测方法，包括：采集卫星图像样本集；将所述卫星图像样本集进行图像增强处理得到卫星图像增强集；构建用于多目标图像检测的神经网络模型；通过所述卫星图像样本集对所述神经网络模型进行预训练，利用所述卫星图像增强集对预训练后的所述神经网络模型进行修正；利用训练好的所述神经网络模型对检测区域进行目标检测；对处于所述
4、将所述卫星图像样本集进行图像增强处理得到卫星图像增强集，包括：每张地图样本图像分别按照预设角度进行多次逆时针旋转，并在图像的随机位置上添加不同数量的标记物。
5、神经网络模型是否训练好的判断依据包括：对比多个所述检测区域的实际检测结果与所述神经网络模型的输出结果，得到模型检测正确数量、样本数量、模型检测正确的正类样本正确数量以及正类样本数量；利用所述模型检测正确数量占所述样本数量的比值计算得到模型精度；利用所述正类样本正确数量占所述正类样本数量的比值计算模型召回率；根据所述模型精度和所述模型召回率判断所述神经网络模型是否训练好。
6、对比多个所述检测区域的实际检测结果与所述神经网络模型的输出结果，得到模型检测正确数量、样本数量、模型检测正确的正类样本正确数量以及正类样本数量，包括：通过混淆矩阵将多个检测目标区分为正类和负类，包括如下情况：(1)当输出结果和实际检测结果为正类时，计入所述模型检测正确数量和所述正类样本正确数量；(2)当输出结果为正类，实际检测结果为负类时，计入所述模型检测错误数量和正类样本错误数量；(3)当输出结果和实际检测结果为负类时，计入所述模型检测正确数量和所述正类样本正确数量；(4)当输出结果为负类，样本为正类时，计入模型检测错误数量；所述模型检测正确数量、所述模型检测错误数量求和得到所述样本数量；所述正类样本正确数量、所述正类样本错误数量求和所述正类样本数量。
7、利用训练好的所述神经网络模型对检测区域进行目标检测，包括：判断目标是否位于所述检测区域的预设区域，当位于所述预设区域时对该部分进行目标检测；当不位于所述预设区域时判断该留白部分是否移动，当移动时对该所述留白部分进行目标检测。
8、上述神经网络模型修正好的权重文件调用yolov5模型构建屏幕检测程序，利用所述屏幕检测程序获取所述目标特征；所述目标特征包括目标种类、目标坐标以及目标先验框大小。
9、创建窗体对象并指定窗体大小和出现位置，创建画布并在画布上绘制经纬线，获取电子地图的所述检测区域后通过画布显示。
10、根据目标特征将前一帧和后一帧产生的各目标进行匹配，包括：设计表征目标之间的位移关联度，表示为：设计表征目标大小变化的函数包括相对大小λ1和绝对大小λ2，所述相对大小的函数表达式为：对两个目标的宽和高的变化量进行放大处理，得到所述绝对大小：式中，x1和y1为目标上一帧时的横坐标和纵坐标，x2和y2为当前帧存在的目标的横坐标和纵坐标，w1和h1为目标上一帧时的宽和高,w2和h2为目标当前帧的宽和高，k为可调常数；计算目标外形变化的离散程度评价相似度：将λ1代入x得到λ1’，λ1的取值在[0,10]：根据目标偏离运动方向和目标外形相似度计算差异分值，表示为：
11、式中，(1-μ)×k1表示对目标偏离运动方向的描述，其中，μ按照目标当前偏离方向选择式(3)或式(4)得到；λ1′×k2和λ2×k3表示对目标外形相似度的描述；k1、k2、k3为可调常数，用于调整不同目标之间的差异；根据所述差异分值判断运动前后的目标是否为同一个，从而将前一帧和后一帧产生的各目标进行匹配。
12、对处于检测区域的一个或多个目标进行逐帧锚定，包括：当处于检测区域的目标坐标尚未处于检测区域边缘时，逐帧锚定即保留目标的坐标信息，并依据最后一帧的运动状态更新所述坐标信息的列表；当各目标移出所述检测区域时解除锚定，包括：当目标坐标超出所述检测区域时，将所述坐标信息从列表删除即解除锚定。
13、一种卫星图像多目标快速跟踪检测系统，包括：样本采集模块，采集卫星图像样本集；图像增强模块，将所述卫星图像样本集进行图像增强处理得到卫星图像增强集；模型构建模块，构建用于多目标图像检测的神经网络模型；模型修正模块：通过所述卫星图像样本集对所述神经网络模型进行预训练，利用所述卫星图像增强集对预训练后的所述神经网络模型进行修正；模型检测模块：利用训练好的所述神经网络模型对检测区域进行目标检测；目标锚定模块：对处于所述检测区域的一个或多个目标进行逐帧锚定，根据目标特征将前一帧和后一帧产生的各目标进行匹配，当各目标移出所述检测区域时解除锚定。
14、本专利技术与现有技术相比，具有如下的优点和有益效果：
15、本申请提供一种卫星图像多目标快速跟踪检测方法及系统，包括采集卫星图像样本集，将卫星图像样本集进行图像增强处理；构建用于实现多目标图像检测的神经网络模型；利用卫星图像样本集对神经网络模型进行预训练，还利用卫星图像增强集对神经网络模型进行进一步训练，防止原卫星图像样本集在训练时出现过拟合，同时提高模型的泛化性；利用训练好的神经网络模型对待检测区域进行目标检测，对处于待检测区域的一个或多个目标进行逐帧锚定，根据目标特征将前一帧和后一帧产生的各目标进行匹配，当各目标移出检测区域时解除锚定，对多目标实时的检测、跟踪，提高了多目标图像检测精度。本专利技术通过图像表观特征和较少计算量来实现多目标跟踪，以卫星图像为基础，应用小型神经网络，提出锚定机制并构建“锚定函数”，实现了对多目标实时的检测、跟踪，提高了检测卫星图像中多目标的准确性。
本文档来自技高网...【技术保护点】
1.一种卫星图像多目标快速跟踪检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，将所述卫星图像样本集进行图像增强处理得到卫星图像增强集，包括：每张地图样本图像分别按照预设角度进行多次逆时针旋转，并在图像的随机位置上添加不同数量的标记物。
3.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，所述神经网络模型是否训练好的判断依据包括：
4.根据权利要求3所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，
5.根据权利要求3所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，利用训练好的所述神经网络模型对检测区域进行目标检测，包括：
6.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，还包括如下步骤：所述神经网络模型修正好的权重文件调用YOLOv5模型构建屏幕检测程序，利用所述屏幕检测程序获取所述目标特征；所述目标特征包括目标种类、目标坐标以及目标先验框大小。
7.根据权利要求1所述的一种卫星图像多目标快速跟踪
8.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，根据目标特征将前一帧和后一帧产生的各目标进行匹配，包括：
9.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，对处于检测区域的一个或多个目标进行逐帧锚定，包括：
10.一种卫星图像多目标快速跟踪检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种卫星图像多目标快速跟踪检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，将所述卫星图像样本集进行图像增强处理得到卫星图像增强集，包括：每张地图样本图像分别按照预设角度进行多次逆时针旋转，并在图像的随机位置上添加不同数量的标记物。
3.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，所述神经网络模型是否训练好的判断依据包括：
4.根据权利要求3所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，
5.根据权利要求3所述的一种卫星图像多目标快速跟踪检测方法，其特征在于，利用训练好的所述神经网络模型对检测区域进行目标检测，包括：
6.根据权利要求1所述的一种卫星图像多目标快速跟踪检测方法，其特征在...
【专利技术属性】
技术研发人员：谢超翔，杨娟，任薪宇，刘磊，
申请(专利权)人：中国人民武装警察部队警官学院，
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。