[发明专利]一种采用Bi-LSTM神经网络的目标跟踪方法

说明书

本发明公开了一种采用Bi‑LSTM神经网络的目标跟踪方法，目的是解决强机动目标运动过程复杂、运动模型难以建立且计算量大的问题，提高目标跟踪精度。技术方案是先建立目标跟踪系统，采集运动目标位置、速度数据，并进行数据预处理，获得目标运动训练集和测试集；然后设计适用于目标跟踪的Bi‑LSTM神经网络，用训练集训练神经网络中的权重参数；最后用训练好的模型实现目标跟踪。本发明适用于处理时间序列上的连续数据，通过历史数据预测下一时刻目标运动状态，目标跟踪的精度较高。

技术领域

本发明属于目标跟踪技术领域，涉及一种采用Bi-LSTM神经网络的目标跟踪方法。

背景技术

目标跟踪是军事领域的一个重要的方面。在目标跟踪问题的研究中，实现实时、高精度的跟踪机动目标是目标跟踪系统设计的主要目的。单目标跟踪的目的是实现对目标位置、速度、姿态的预测估计。目前单目标跟踪是大多通过滤波算法，对目标运动模型的量测值进行滤波估计，能够达到不错的精度。蔺红明、魏兵卓等在《一种用于搜索雷达的交互多模型跟踪滤波算法》中，采用交互式多模型算法将α-β滤波和α-β-γ滤波算法结合，将机动目标分为CV模型和CA模型下的运动，提高了单模型机动目标跟踪精度和效果。潘静岩,潘媚媚等在《一种参数自适应变化的强机动目标跟踪算法》中，对当前统计模型中的加速度变化率进行自适应调整，并在滤波算法中对强跟踪滤波器的时变渐消因子的尺度调节系数进行自适应调整，提高了对强机动目标的跟踪精度。而对强机动运动目标来说，其运动过程较为复杂，运动模型难以确立，采用滤波算法进行估计计算量大，且跟踪效果不理想，误差较大。因此，探寻一个简易、高精度、可靠的强机动目标跟踪方法是具有重大的理论和实践价值。深度学习技术在近几年发展迅猛且应用范围广泛，在很多领域都取得了较好的成果。区别于传统的目标跟踪算法，需要建立机动目标运动模型，深度学习技术通过模拟人脑的神经元之间的结构，构建多个隐藏层，利用人脑的学习能力，通过学习的方式来实现机动目标跟踪。由于当前统计模型和自适应滤波算法对弱机动目标跟踪效果差，范志明在《基于神经网络的机动目标自适应跟踪算法》中，提出了基于神经网络的自适应跟踪算法，将滤波器的输出经过神经网络输出一个0或1，判断目标的机动状态，应用合适的系统方差，提高对不同机动目标的跟踪精度。彭章友，陈琳妍在《基于BPNN的自适应机动目标跟踪》中，将BP神经网络应用于自适应跟踪算法中，提取出观测值的特征量用以训练BP神经网络，并将计算得到特征量，输入到训练好的BP神经网络中，根据网络输出的运动模型进行滤波更新，以提高跟踪精度。目前神经网络在目标跟踪领域的应用，均是用以优化滤波算法，提高滤波算法的精度和效果，但运动目标模型难以贴合实际，计算量较大，因此本发明提出了一种简易、高精度的单目标跟踪算法。史殿习，潘晨等在《一种基于双向长短期记忆神经网络的目标跟踪方法》中，将Bi-LSTM神经网络应用于视频目标跟踪，利用卷积神经网络提取图像中的提取特征值，得到目标区域，然后带入Bi-LSTM进行训练，最终得到目标估计区域。在此文献中，将正向LSTM层输出的损失函数与反向LSTM层输出的损失函数相加并取均值，作为整个神经网络的损失函数。文献中设预测目标区域与真实目标区域的比值为阈值，当阈值大于0.4时，其跟踪精度较低，预测效果不佳。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够有效地对强机动目标进行跟踪，不需要建立目标运动模型和滤波算法的采用Bi-LSTM神经网络的目标跟踪方法。旨在解决现有强机动目标跟踪算法目标模型复杂、跟踪精度低的问题。

为解决上述技术问题，本发明的一种采用Bi-LSTM神经网络的目标跟踪方法，包括以下步骤：

步骤1：利用GPS传感器完成数据收集，获取目标运动数据，包括纬度、经度和速度，得到目标跟踪训练集和测试集，并对数据集中的数据进行归一化处理，具体为：

其中m表示归一化处理后的数据，x和分别表示需要归一化处理的数据和其均值，δ表示需要处理数据的标准差；