【技术实现步骤摘要】
本专利技术涉及声学、目标识别与目标跟踪，尤其是一种基于centernet2+oc-sort的声图像目标检测跟踪方法。
技术介绍
1、随着水下探测手段的丰富与技术水平的提升，水下目标识别与跟踪领域受到广泛的关注。声呐设备探测是水下目标探测的主要手段，随着数字化水平的提升，可视化的声图像有助于直观地感知水下场景。声呐设备可分为主动声呐与被动声呐，主动声呐是通过发射声波，在水中传播的路径上遇到障碍物或目标，反射回来到达发射点被接收，通过回波信息来测定距离、方位、航速、航向等运动要素的一种设备。主动声呐探测在渔业资源探测、海洋生物保护、水环境测深与海底建模、打捞与救助、海底管道探测、海底目标定位与识别等方面发挥着重要的作用。
2、随着声呐设备技术水平的不断发展，探测水平不断提升，可探测的范围大幅增强，但由于声源特性、复杂水下环境、水下混响等多方面因素影响，目标所成的像具有形状多变，强度变化，信噪比低等特点，不利于目标识别。现有主动声呐声图像目标识别方法在强混响、低信噪比等复杂条件下，具有自动识别性能弱、对人工干预的依赖性强等问题，自动化与智能化水平有待提高。
3、传统的声图像目标的检测与跟踪方法通常先利用人工提取特征方法来提取目标，如尺度不变特征(scale invariant feature transform，sift)、方向梯度直方图(histogram of oriented gradient，hog)等，再利用预测算法实现跟踪，典型的预测算法有卡尔曼滤波(kalman filter，kf)、粒子滤波(p
4、得益于深度学习的巨大驱动，人工智能算法在目标检测领域取得出色的表现，涌现了一大批经典的目标检测算法，如yolo(you only look once)、faster-rcnn等网络模型。同时，融入深度神经网络提取特征的多目标跟踪算法也不断提出，如deepsort、centertrack等。基于深度学习方法研究水声图像序列的目标检测、跟踪技术，有助于提高水声目标的自动识别能力，减少人工干预，实现水下声呐图像智能目标检测与跟踪。
技术实现思路
1、为了克服水下声呐目标检测与跟踪任务中由于目标尺寸小(面积小于32x32像素)、信噪比低(小于7db)、目标容易丢失以及目标非线性运动等因素导致的目标提取、跟踪困难等问题，提出了一种基于目标检测算法centernet2与跟踪算法oc-sort的声图像目标检测跟踪方法。
2、本专利技术提供如下技术方案：一种基于centernet2+oc-sort的声图像目标检测跟踪方法，包括如下步骤:
3、步骤1、训练centernet2目标检测网络模型；
4、步骤2、将声图像序列依次将其中一帧输入到训练好的centernet2网络模型进行目标检测，输出预测目标的位置信息(目标中心点坐标以及目标框的宽高大小)以及置信度，将置信度大于一定阈值的预测目标视为检测出的目标；
5、步骤3、将步骤2检测出的目标框进行轨迹初始化或与已有轨迹进行匹配；
6、步骤4、根据匹配结果，给每个检测的目标赋予独立id，输出目标检测框位置信息，并在图像上显示出来；
7、步骤5、利用当前帧的检测结果更新轨迹参数后，预测下一帧目标大小、位置的先验信息，回传centernet2网络当中，在检测下一帧目标时的生成区域建议阶段，增加一个利用先验信息截取的感兴趣区域；
8、步骤6、重复步骤2至步骤5，直至序列结束。
9、进一步的，所述步骤1中，centernet2目标检测网络模型的训练过程如下：
10、1)仿真数据生成；
11、2)将数据增强过的图像随机分成训练集和测试集，设置训练参数后在训练集上进行训练，保存在测试集中检测效果最好的模型。
12、进一步的：所述步骤2中，centernet2算法的具体步骤如下：
13、1)卷积网络提取图像特征；
14、2)基于图像特征使用centernet网络模型提出感兴趣区域；
15、3)判断是否存在来自前一帧跟踪器回传的预测目标大小、位置信息，若存在，则对每一个已跟踪到的目标根据预测信息分别额外生成一个感兴趣区域。
16、4)基于感兴趣区域进一步提取特征，使用分类网络进行分类。
17、进一步的，所述步骤3中，将步骤2检测出的目标框按照oc-sort算法与已有轨迹进行匹配，每条轨迹拥有独立的卡尔曼滤波器，描述轨迹的状态向量x由预测框中心的位置(x,y)、纵横比g、高度h、以及对应的速度信息共8个变量组成，如下式所示：
18、
19、进一步的，所述步骤3的具体过程如下：
20、1)将第一帧次检测到的目标创建其对应的轨迹，并将卡尔曼滤波的运动变量初始化，初始化轨迹最少需要2帧；
21、2)通过卡尔曼滤波器为每条轨迹计算先验估计
22、3)计算先验估计中预测目标框与检测目标框的两两之间的交并比iou，得到交并比代价矩阵ciou，其中元素大小等于1-iou；根据已有目标轨迹的前1、2帧位置计算动量方向，构成代价矩阵θtrack，再利用当前帧检测目标框位置与轨迹前2的帧目标位置计算动量θintention矩阵,得到由动量构成的代价矩阵cv＝|θtrack-θintention|，其乘以系数λ再与交并比代价矩阵ciou相加得到最终的代价矩阵ct＝ciou+λcv，其中λ＝0.2，动量矩阵θtrack中的元素计算方式如下：
23、
24、动量矩阵θintention中的元素计算公式如下：
25、
26、其中，(u1，v1)，(u2，v2)，(u3，v3)为目标轨迹最近三帧所处位置，(u′，v′)为当前帧新检测出的位置，其中u，v分别代表中心点横、纵坐标。
27、4)代价矩阵ct作为匈牙利算法的输入，得到轨迹和检测目标框的匹配结果；
28、5)对于成功匹配的轨迹，更新卡尔曼滤波器状态变量；
29、6)对于没有匹配到检测框的轨迹，计算剩下检测框与轨迹的交并比代价矩阵，再次输入匈牙利算法进行匹配，成功匹配的轨迹更新状态变量；
30、7)经过步骤4)、步骤6)依然没有成功匹配的轨迹，计为轨迹丢失，对于持续轨迹丢失次数达30次时，删除轨迹。
31、通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
32、本专利技术通过将基于卷积神经网络的centernet2检测算法与多跟踪算法oc-sort相结合，能够实现自动检测与跟踪目标，改善了由于依赖人工判断目标导致效率低的本文档来自技高网...
【技术保护点】
1.一种基于CenterNet2+OC-Sort的声图像目标检测跟踪方法，其特征在于，包括如下步骤:
2.根据权利要求1所述的基于CenterNet2+OC-SORT的声图像目标检测跟踪方法，其特征在于，所述步骤1中，CenterNet2目标检测网络模型的训练过程如下：
3.根据权利要求1所述的基于CenterNet2+OC-SORT的声图像目标检测跟踪方法，其特征在于：所述步骤2中，CenterNet2算法的具体步骤如下：
4.根据权利要求1所述的基于CenterNet2+OC-SORT的声图像目标检测跟踪方法，其特征在于，所述步骤3中，将步骤2检测出的目标框按照OC-SORT算法与已有轨迹进行匹配，每条轨迹拥有独立的卡尔曼滤波器，描述轨迹的状态向量X由预测框中心的位置(x,y)、纵横比g、高度h、以及对应的速度信息共8个变量组成，如下式所示：
5.根据权利要求4所述的基于CenterNet2+OC-SORT的声图像目标检测跟踪方法，其特征在于，所述步骤3的具体过程如下：
【技术特征摘要】
1.一种基于centernet2+oc-sort的声图像目标检测跟踪方法，其特征在于，包括如下步骤:
2.根据权利要求1所述的基于centernet2+oc-sort的声图像目标检测跟踪方法，其特征在于，所述步骤1中，centernet2目标检测网络模型的训练过程如下：
3.根据权利要求1所述的基于centernet2+oc-sort的声图像目标检测跟踪方法，其特征在于：所述步骤2中，centernet2算法的具体步骤如下：
4...
【专利技术属性】
技术研发人员：唐轶峻，应琛琛，蒋云霄，庄德文，
申请(专利权)人：浙江工业大学，
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。